我爱小程序
”上海站昨天（13日）拉开序幕。本届创业周推出“先进制造”、“人工智能”、“消费升级”等15大行业主题日活动。Hi-Finance CEO Michael Wang很荣幸作为Hi！Finance金融专场路演的特邀嘉宾就人工智能在金融领域的应用和未来发展进行分享。
以下是本次主题分享的内容梳理：
大家早上好！我是Michael，非常巧我们公司的品牌名称Hi-Finance正好和今天的活动Hi! Finance撞名了。今天是咱们新金融的专场，所以我将就人工智能以及金融领域量化交易这个话题，来谈谈美国的一些实践，和大家一起进行探讨。
首先自我介绍一下，我是Hi-Finance的CEO，同时也是CFA/FRM/CAIA以及全国工商联并购公会并购交易持证人，本身复旦大学国际金融系毕业，后来在美国哥伦比亚大学数理金融专业就读。
按理说我毕业后应该留在纽约工作，做一个Quant量化分析员，后来我的大部分同学也的确在纽约做这个工作，大概在过去7、8年时间里面，他们没有一个人回国，但最近我发现了一个很有意思的现象：近两年开始，有一些纽约的同学开始往国内看行情了，第一种：量化分析是不是有一些新的机会；第二种，量化交易是不是有一些新的机会，而第三种，就是在Fintech金融科技领域，利用原本的所学所长是不是有新的机会。
那我就把这个有趣的现象作为一个领先指标——既然已经有一些纽约华尔街的金融人才回国从事量化这件事情，那咱们就有必要来好好聊一聊，或者说了解一下在纽约最常见的量化是怎么做的。
过去我在美国读书的时候，每天学的就是用数学模型，以及如何运用IT语言把一个一个交易思想在金融领域落地于实践，我们可以理解为：对于任何一个量化策略，其实都是有一个特定的市场空间。今天这个策略在这儿能赚钱，不代表新进来一个人后，你还能在这个空间上赚到同样多的钱。
那量化策略到底有多管用？人工智能到底解决的是一个什么问题？这可能是大家经常会问到的问题。所以我们先来看一看量化策略指的到底是什么，以及在人工智能领域到底有哪些经验或者应用。
No man is better than a machine, and no machine is better than a man with a machine.”
“没有人能胜过一台机器，而没有一台机器可以胜过一个能操纵机器的人。”
--Paul Tudor Jones (Tudor Investment创始人）
对人工智能有一个比较清楚的理解，到底AI在金融行业的应用是什么样子的，我的理解是必须要围绕市场刚需。所谓人工智能、互联网+、量化交易也好……其实解决的是一个既有需求，也就是一个已经存在的需求。如果是想创造一个新的需求，那就很痛苦，或许也是为什么我很多美国的同学不回来的原因，因为在美国所交易的品种和在美国所做的操作，在国内可能压根连产品都没有。
“智能投顾”大家可能都听说过，在纽约做智能投顾，一个量化策略为什么能够合适，首先是因为智能投顾属于被动投资，而非主动投资；第二，量化策略不同，即我做的策略和你做的策略是不一样，在纽约，当做出一套智能投资的策略后，会有2000只ETF供我选择，但在国内只有200只，导致今天我做的策略和你做的策略实质并没有什么区别。只能包装成我们的费率比别人更好一些，我们的服务比别人更好一些，但那其实并不是量化交易本身，或者说也不是Fintech金融科技在行业的一个新应用，只是一个费率的恶性竞争的结果。
我们来想象一下，在金融市场里面，什么叫人工智能？人工智能在我的理解中，或者说在：当年我在哥大求学的过程中，人工智能已经存在好几十年了，它所能替代的核心工作其实是可以被标准化的工作。比如设置一个止损订单，一个真实的人能不能自己设置，当然可以，那为什么需要机器呢？是因为在执行大量交易的情况下，机器可以帮助我们完成可标准化的流程。
大家有时会看到媒体推送大量交易员下岗的新闻，那你有没有关注过，到底是哪些交易员下岗了？真正在前台的交易员没有一个下岗，而真正下岗的是在后台做执行的那批人。比如，一位基金经理说我要买这只债券，交易员说：好，我帮你买。这叫执行，这类的岗位可能就会面临下岗，但并不代表早期去界定和判断这个执行机会的人会下岗。所以，人工智能(Artificial Intelligence)从另外一个方面看，其实是“人工”智能(Human Intelligence)，需要人来赋予它智能，机器学习的止损订单在电脑上的出现就是人工智能第一层。
那什么叫做机器学习？前面提到的设置止损订单，为什么设置的价格是6.5元，而不是6.4元或6.3元，是不是因为股市的波动、这个股票的波动、或者说贝塔值等一些变量的微调，这是机器学习所希望去解决的一个问题。
而什么是深度学习？深度学习说的是各式各样非线性的因子放在一起，而这些非线性的因子很有可能我们是找不到相关性的，比如今天这个交易员把它设在6.5元，而那个交易员设在6.4元，可能是因为他们的交易习惯不一样，但我们要认识到：任何一个策略都是假设，任何一个策略都是有边界的。如果要放宽假设，到底放宽到什么程度？如果大家学过计算机语言，可能会知道随机变量，请问今天计算机语言随机变量这个问题有没有被解决？没有啊！也就是说随机变量不随机。为什么？因为它是基于一套算法算出来的，而这个算法就造成了随笔变量不可能随机。那如果说随机变量都不是随机的，那在量化交易考虑这些伪随机因子的时候，量化策略模型到底如何构建，就是深度学习希望解决的问题。所以，我们说量化策略和金融科技本身在应用领域，是基于现有金融背后代表的数学分析，这是核心。
深度学习为什么能做成AlphaGo，是因为所有的信息是在所谓的黑箱里面，也就说所有的信息都是有边界的，一旦进入发散的世界，就会进入到完全未知的状况，原本的模型就不适用了。围棋再复杂也只是围棋，但如果是没有边界的深度学习，那解决的到底是什么问题？值得我们深思。所以，我个人的观点是短期内，人工智能还是比较适合做有边界的一些项目，原因：第一，我们时间精力有限，第二，目前技术还尚未成熟。
金融市场制定量化策略有哪些独特性
1.金融市场参与人数众多（分析时的收敛性？）
也就意味着你的策略和我的策略不一样，机器无法构建所有人的策略，只能通过最大公约数的逻辑构建策略
2.金融市场的蝴蝶效应（你知道哪个因素是哪个翅膀么？）
任何策略都有一个边界和市场空间，这个策略就20亿，我赚了这20亿，你进来就一人一半，第三个人进来就1/3。而在美国，通过会有3-4个人来管理策略代码，一个人负责主代码，另外几位负责其他次代码。都是靠数学模型和过硬的IT技术来实现的。
3.不同时期时间序列并非相同权重（Weight Change）
构建模型时间越近，权重却大，比如我今天构建的模型和昨天的权重越大，和一年前的权重可能小一点，但大到多大，小到多小，在统计上的谬误，而且根据各个市场的不同，在美国经过检验的比例肯能在国内并不适用。
4.金融时间序列的厚尾效应（Fat Tail）
5.中国股市/期货市场的特性不同，比如：大公司/小公司因子模型在中国不适用（No Longer Effective）
6.很多因子主要用来做数据过滤 Filtering，而非预测 Prediction
股指期货策略：最简单的也是最复杂
整个策略中最难得一点是，这套策略是有经济学意义的，这套数学和IT代码是有经济学意义的。如何找到单一变量，然后在这个变量的基础上做优化，都是需要大量的时间精力来研究的。同时还有很重要的一点：风控，如何在不影响胜率的情况下，损失的概率尽可能低。
量化的核心是要有边界，而不是尝试去测未来。
思考：人工智能会让量化交易员失业吗？
