小城不小，大城不大；從“小城”走出，一路向北走向“大城”；希望通過小城故事，一起去感悟所謂我們的“小成”與“大成”。

金融保險：深度學習——挑戰(zhàn)、偏見與路徑（上篇）

“中央財經(jīng)大學金融科技書系”第一本書《金融保險：深度學習》，在2018年底終于正式出版，這是中央財經(jīng)大學中國精算研究院金融科技中心的又一力作。金融科技中心的成員主要有張寧博士、陳輝博士，主要聚焦于大數(shù)據(jù)、人工智能、區(qū)塊鏈在金融和保險中的應用，已經(jīng)開發(fā)上線“保險大數(shù)據(jù)APP”、“金融腦”金融人工智能平臺，“中央財經(jīng)大學金融科技書系”也將陸續(xù)出版。

近年來，“中央財經(jīng)大學金融科技書系”編委會成員先后出版了多本金融科技相關的專業(yè)書籍，為此，我們梳理了一套金融科技書系，希望通過金融科技書系去理清金融科技的發(fā)展脈絡，去提升金融科技的認知能力，去改變我們的思維方式，去升華我們的智慧。

“中央財經(jīng)大學金融科技書系”編委會成員專注于金融科技研究，我們不僅僅是一個團隊，而是連接金融領域研究力量和人工智能大數(shù)據(jù)等領域研究力量的平臺，希望“中央財經(jīng)大學金融科技書系”的每一本書都開啟一個“認知革命”的故事，一個“預見未來”的故事，成為金融科技理論研究與實踐探索領域創(chuàng)新篇章的動聽音符。

下面我給大家介紹張寧博士所著的《金融保險：深度學習》的一些內(nèi)容“人工智能+金融：挑戰(zhàn)、偏見與路徑”，因內(nèi)容比較多，我將分上下兩篇來介紹。

人工智能+金融：挑戰(zhàn)、偏見與路徑（上篇）

當前，人工智能已經(jīng)在許多行業(yè)產(chǎn)生巨大變革，同樣，在金融領域，也對人工智能的到來，有了許多期待。很明顯，人工智能進入金融領域，也會給金融行業(yè)自身帶來很大的變革，或者說在人工智能時代，金融行業(yè)自身面臨著巨大的挑戰(zhàn)。

一般來說，從金融領域來看待人工智能，整體上很多人認為存在巨大的危機感，也就是說，危機感是行業(yè)認知的一個共識，他們認為，人工智能進入金融領域，會取代很多原本從事金融行業(yè)的人，帶來大量的金融行業(yè)的失業(yè)，這一點已經(jīng)從一些現(xiàn)象得到了判斷和肯定，例如，最典型的就是銀行的信貸審核員的工作，現(xiàn)在已經(jīng)在人工智能或者是計算機技術的支持下大量減少，根據(jù)經(jīng)合組織的統(tǒng)計，從2014～2017年，人工智能取代了金融行業(yè)大約5%左右的就業(yè)，很多人認為，這個趨勢會快速增長，這也給金融從業(yè)人員帶來了很大的危機感，或者說是壓力。

而從人工智能來看待金融，則對人工智能，對金融的變革充滿了期待，從人工智能角度來說，金融行業(yè)的數(shù)據(jù)是一個天然的優(yōu)勢，而且這些數(shù)據(jù)自身非常規(guī)范，甚至在某些程度上，這些數(shù)據(jù)可以直接利用，這與金融行業(yè)從開始就注重信息基礎設施建設分不開，對人工智能來說，數(shù)據(jù)是一個天然的資源，即便不用關心最終要解決的目的，有了數(shù)據(jù)也可以獲得很多價值。

【挑戰(zhàn)】

傳統(tǒng)金融模型面臨的挑戰(zhàn)

現(xiàn)代金融學是建立在數(shù)理基礎上的學科，現(xiàn)代金融學的五大支柱（M-M理論、投資組合理論、資本資產(chǎn)定價理論、APT理論和期權定價理論）形成了當前金融理論最主要的基礎，這些模型已經(jīng)在金融行業(yè)普遍使用，但這些模型以及以這些模型為基礎的其他模型是否能夠被人工智能或機器學習所取代或改進呢？

現(xiàn)在看來，這個問題的回答有極大的可能性是肯定的。無論是保險精算中的定價模型，還是數(shù)理金融中的產(chǎn)品定價和風險度量，都可能在大數(shù)據(jù)的背景下被改變、增強或者調(diào)整（見圖1）。從本質(zhì)上來說，這些模型是從數(shù)據(jù)中統(tǒng)計規(guī)律，并進行集成或者抽象的提升，那么對大規(guī)模數(shù)據(jù)使用一些機器學習或深度學習的方法，就一樣可以完成目標的獲取和模式的識別。盡管我們尚不能夠做到完全使用人工智能技術完成整個建模與修正的過程，但至少新一代人工智能技術在上述收集與識別的過程中是可以發(fā)揮作用的。

圖1 模型正在被深度學習取代的方向

除了模型外，值得我們思考的還有很多。金融學諸多推理和應用是基于“有效市場”理論，經(jīng)濟學的許多理論來源于“理性人假設”，并在這些“假設”上利用數(shù)學推理構(gòu)建了宏偉大廈。但這些預定的假設并不是數(shù)學的公理，對于經(jīng)濟和金融來說，檢驗“真理”的標準是“實踐”，也就是說，真實的情況如果不符合假設，那么后續(xù)建立的大廈可能要進行調(diào)

整和變化，至少用一個不同的假設推理出來的結(jié)果不能直接地應用到新的情況中。

大數(shù)據(jù)和人工智能則可以在新情況的應用中發(fā)揮作用。當新的情況發(fā)生，大數(shù)據(jù)中的信息可以對于該情況進行捕捉，基于機器學習和深度學習的方法可以提煉特征，這在一定程度上可以彌補由于“假設”偏差導致的“風險”。

人性／理性被更好的度量

如前所述，理性人假設是經(jīng)濟學（包括金融學）的基礎，但越來越多的研究表明，理性人假設存在很多問題，相應地誕生了金融物理學、分形市場理論、行為金融學等，這些學科都在試圖“偏離理性人假設”，前兩者是從數(shù)學推理中獲得的新的理論結(jié)果，后者是通過經(jīng)驗推理來解釋的。

與這些新的學科對應的，大數(shù)據(jù)和新一代人工智能可能從最基礎的層面挑戰(zhàn)傳統(tǒng)金融學（甚至是經(jīng)濟學），這種挑戰(zhàn)具體表現(xiàn)為：人的情感、偏好以及情緒波動甚至心理，存在被度量的可能，也就是所謂的“看穿心理”。一旦人的非理性能夠被捕捉，其對經(jīng)濟學和金融學影響是深遠的，在足夠強的深度網(wǎng)絡支撐下，日本科學家已經(jīng)可以對人腦所想的形象進行大體分類，而基于人臉表情識別的技術已經(jīng)越來越成熟。我們研究團隊已經(jīng)能夠根據(jù)個體給出準確率不低于70%的動態(tài)風險偏好判斷。這些研究逐漸積累發(fā)展，勢必對金融學產(chǎn)生難以想象的變革。

這些變革，類似于深度學習，已經(jīng)在圖像處理、語音識別等領域展示的威力，對于金融業(yè)產(chǎn)生深刻影響只需等待隨著時間而變得成熟的技術水平與核心障礙的清除。

金融業(yè)務模式被智能化替代（計算以外的能力被替代）

就目前的發(fā)展趨勢來看，金融業(yè)務模式被智能化替代的進程正在飛速加快，這是因為智能化服務模式已經(jīng)從技術成熟轉(zhuǎn)向了現(xiàn)實中的成功應用。以人臉識別與文字識別為例，在技術成熟后被投入眾多領域進行實踐應用，而十分喜人的結(jié)果證明了應用這些技術的可行性。因此，金融業(yè)如果考慮使用這類已經(jīng)過實踐檢驗的技術來替代人工服務的一些步驟，其進展將是毋庸置疑的迅速。

可以想象，會有其他成熟的智能化解決方案快速地融入金融領域當中，使得金融業(yè)務的許多環(huán)節(jié)發(fā)生變化，這種變化主要是取代傳統(tǒng)的人力勞動。在歷史上，計算機技術更主要替代“人所并不特別擅長的計算”，但當前的趨勢是人所擅長的“其他的能力”也正在被取代，這是金融業(yè)務模式被挑戰(zhàn)的根本原因。

金融監(jiān)管存在更多智能化可能

從某種程度來說，金融監(jiān)管也是一個“反饋——調(diào)整——反饋”的過程。

在這個過程中，機器學習可以被用來進行更有效的監(jiān)管，這些監(jiān)管也是基于大規(guī)模數(shù)據(jù)的，同樣會大幅度降低人力的使用率。監(jiān)管過程中會有許多數(shù)據(jù)的交流以及大量歷史數(shù)據(jù)的存儲，這些通過使用機器學習技術可以進行特征的抽取、模式的鑒別以及風險的預判。這些信息不必再經(jīng)過人為獲取和人工整合，就可以直接用來進行監(jiān)管，同時，還能夠進行市場的監(jiān)測。

可以想象，在這種模式下，監(jiān)管某種程度上會變得更加自動化、更加智能化、更加以數(shù)據(jù)化為導向。宏觀審慎監(jiān)管、微觀監(jiān)管，以及行為監(jiān)管，都可以在不同層面上互相支持；甚至在一些特定的人工智能的支撐下，政策可以被先行檢驗，壓力可以被先行確定，極端風險可以被先行預測和控制。

金融數(shù)據(jù)價值存在巨大空間挖掘

盡管金融行業(yè)有大量的數(shù)據(jù)，且數(shù)據(jù)格式非常規(guī)范，但是，金融行業(yè)利用數(shù)據(jù)的能力仍然欠缺，這是人工智能或者機器學習所能夠施展才華的地方。

受到傳統(tǒng)業(yè)務模式的限制，大量金融數(shù)據(jù)在企業(yè)中的應用只是為了支撐這些業(yè)務中的既定模式，而沒有被考慮衍生新的價值，這個過程在當前是可以被改變的。實際上，隨著金融市場競爭越來越充分，以及隨著中國市場逐步開放，金融企業(yè)必然要開拓傳統(tǒng)業(yè)務以外的新業(yè)務，衍生新的價值，以保持其強大的競爭力。就像許多成熟的行業(yè)一樣，這些新的價值大部分來源于數(shù)據(jù)，或者需要數(shù)據(jù)的支持，而該過程中新一代人工智能技術的介入是必不可少的。

信用評價面臨大數(shù)據(jù)的沖擊

傳統(tǒng)的信用評價體系正在被挑戰(zhàn)-——盡管這些信用評價體系已經(jīng)在過去產(chǎn)生了巨大的作用，也對市場產(chǎn)生了巨大影響。信用評價本身是一個高維度的轉(zhuǎn)換。從數(shù)學角度來說，是一個高維度的數(shù)據(jù)信息轉(zhuǎn)化為單一的數(shù)字的過程，也就是說，是將財務、資產(chǎn)等多重信息通過整合分析最終轉(zhuǎn)化成一個象征著信用等級的數(shù)字的降維過程。無論是傳統(tǒng)的信用評價體系，還是當前基于大數(shù)據(jù)的模式，都是在這個降維過程中盡量捕捉到有用的信息。

很明顯，基于更多維度數(shù)據(jù)來獲得信用評價結(jié)果，能夠更加細微地發(fā)現(xiàn)敏感信息。而市場中大量的風險元素可以被捕捉或者逐漸可以被捕捉，那些在傳統(tǒng)模式下很難發(fā)現(xiàn)的一些風險特征、預警指標都可以在大數(shù)據(jù)的支撐下真實地反映出來。

從金融的具體行業(yè)來看

保險定價、保險理賠保險新產(chǎn)品的設計，以及相應的客戶關系的維護、客戶價值的挖掘，以及特定產(chǎn)品的智能推薦，都離不開人工智能技術的應用。這也是當前很多互聯(lián)網(wǎng)巨頭依賴于其所擅長的用戶粘性，快速進入保險領域并獲得承認的一個重要原因，眾安保險的成功便是一個典型的例子。本質(zhì)上來說，“流量＋數(shù)據(jù)＋人工智能”的新模式可以挑戰(zhàn)任何既存的業(yè)務模式。

保險以外的銀行領域，網(wǎng)上業(yè)務以及相應的理財智能推送，相應的金融助理、信貸審核，以及信貸申請人的信用分析等，都可以大量使用機器學習技術。銀行的一些客戶服務，例如，客戶鑒別、欺詐識別、關鍵語音記錄分析等，也都可以用人工智能技術來替代。

此外，保險領域也會涉及投資。投資領域中，在基金的投研報告、投資顧問系統(tǒng)、特定股票期權期貨的數(shù)據(jù)分析、特定投資企業(yè)或者投資目標的量化和評價中，機器學習或者深度學習都可以發(fā)揮作用，而且企業(yè)內(nèi)部深度學習所帶來的黑箱問題在投資領域中并不突出，至少可以作為一個并行的、可對比的方案來提供參考。

【偏見】

盡管大數(shù)據(jù)與人工智能對金融保險的挑戰(zhàn)已經(jīng)成為共識，但是，傳統(tǒng)金融領域的固有偏見仍然在影響著每一個行業(yè)的從業(yè)人員，只有拋棄這些偏見才能正視挑戰(zhàn)，推進融合，這個過程是不以人的意志為轉(zhuǎn)移的。

門戶偏見

俗話說：一致是強有力的，而紛爭易于被征服。

偏見充斥人類認知，在金融里面，也有相應的門戶偏見。銀行業(yè)、基金業(yè)、保險業(yè)、信托業(yè)，盡管同屬金融這一大類，但由于各自的特征而顯得不算融洽。偏見就意味著，人們局限在所熟悉的細分領域來理解金融科技，從這個細分領域的認知角度去看待和使用科技力量。我們要意識到，科技本身是金融以外的東西，站在金融層面去看，科技對于金融的每一個細分行業(yè)都是平等的；只站在一個細分知識儲備去看，那是坐井觀天。

事實上，金融細分領域的方法模型或者技術從本質(zhì)上來說，是圍繞著特定條件下的對象標簽——價格進行的，這個特定條件包括時間，也包括空間，甚至包括維度的變化。這一特點非常重要，它將會幫助我們建立金融的強化學習模型并理解端到端的監(jiān)管。以標簽獲取預測為例：保險里的精算定價和金融工程里面確定衍生品的價格，并沒有本質(zhì)上的區(qū)別，它們是在張量空間①的約束下的映射——當考慮金融深度學習構(gòu)建和調(diào)整結(jié)構(gòu)時張量的統(tǒng)一思維非常重要。從邏輯上說，金融的不同體系都是在信息結(jié)構(gòu)支撐下完成的流動性映射，從人工智能的角度來看，這些體系都是特定的分類和回歸?？紤]到非結(jié)構(gòu)化數(shù)據(jù)，所有細分領域是沒有區(qū)別的；甚至區(qū)塊鏈所構(gòu)建的本質(zhì)并不只是中心化，而是代碼算法保證效率公平平衡。

也就是說，莫要用傳統(tǒng)的金融分類來限制科技的無邊界。

過度宏觀推理

古語有言：紙上得來終覺淺，絕知此事要躬行。

宏觀金融分析作為一項有效的分析手段，其語言組織通俗易懂的特點，被大眾所熟悉。但我們需要警惕的是，如果宏觀金融的分析有所偏差，向廣大受眾傳播了錯誤的信息，后果是難以承擔的。但目前的許多宏觀金融分析并不是基于嚴密的邏輯推理或相關論文，而是更多地從結(jié)論出發(fā)構(gòu)建假設，主觀地、有選擇性地進行分析，最終得到想要的結(jié)論。而針對這樣的錯誤引導，沒有經(jīng)過仔細辨別或由于一時惰性，極易被其誤導。

這樣的誤導對接納和應用金融科技是致命的，如果說金融是處理不確定性，那么科技是確定性的步進過程，它并不容納這種不嚴格，這是許多做金融的人士理解并應用金融科技的主要障礙之一。

高冷倨傲，排斥學習

俗話說：位置上的屁股不代表真理的腦袋。

優(yōu)越的薪酬或者已經(jīng)有的地位，或者是經(jīng)歷過諸多風險的經(jīng)驗，使得金融從業(yè)者充滿了自我優(yōu)越感，會用金融的思維去理解科技，使得金融科技成為金融思維主導，這是一件可怕的事情。在金融里（在國內(nèi)的金融業(yè)里），我們常常過度依賴于模型，或者是過度依賴于“拍腦袋”，這二者聽上去如此不可思議，但還是神奇地占據(jù)了國內(nèi)金融眾多參與者的思想，并能夠神奇地融合到一個團體中（例如，一個企業(yè)、一個會議、一個監(jiān)管機關等）。而恰恰金融科技所施展身手的是這兩者的中間路徑，我們所熟悉的定義好的金融參數(shù)或者有解釋的金融參數(shù)，在深度學習中很難映照，我們“拍腦袋”拍出來的既有經(jīng)驗可以被強化學習逐步“獲得”。過度依賴經(jīng)驗或者相信權威不是長久之計，需要保持一顆謙虛好學的心才能與時俱進地發(fā)展。

人常常會自滿，以為有了話語權就是有了真理，殊不知，話語權的獲得除了實力還有關系、年齡、人脈等諸多途徑。在面對人工智能這一全新的領域時，擁有話語權并不能幫助更好地掌握新的知識，唯有從頭開始、踏踏實實地學習，才能在全新的領域中獲得擁有話語權的機會。

迷信權威

古人道：盡信書則不如無書。

金融科技的熱潮，引來許多“磚家”的出現(xiàn)。中國的“專家”與眾不同，是可以遷移的，做一個領域的專家，被人們熟知，那么他輕輕一跳，哪怕是不相干的領域，也會被承認。所以，許多金融的專家搖身一變，瞬間成了金融科技專家，而沒有人去檢查一下，他們是否有資格來談論科技，或者他們是否實質(zhì)地了解金融科技與金融的關系？

我們不否認金融專家可以通過遷移轉(zhuǎn)為金融科技專家。人工智能里有個神奇的工具叫作遷移學習，可以幫助許多初創(chuàng)企業(yè)在他們擅長的傳統(tǒng)場景快速簡單地利用既有AI成果。在這個過程中，需要對輸出層進行調(diào)整，這個調(diào)整就是利用了新的場景的知識，權重的變化可以融合舊經(jīng)驗和新場景。同樣成為金融科技專家，也需要對科技進行深入了解。

其實，科技就是要顛覆既得利益者。金融引入科技，就是要顛覆這些所謂的權威。正是因為有了這樣的危機，權威專家們才要重新包裝。

盲目跟風

俗話有言：邯鄲學步，東施效顰。

現(xiàn)在看來，大數(shù)據(jù)人工智能區(qū)塊鏈所迸發(fā)出來的核心技術發(fā)展——原本應該居于這場浪潮的核心，但是，現(xiàn)在被邊緣化了，大家已經(jīng)開始脫實就虛，就仿佛是金融危機前的衍生品，已經(jīng)不知道所架設的基礎資產(chǎn)是什么了。但無論投資、應用還是研究，終究是要做一件事情，衍生品也好，金融科技也好，總要有根基，放棄跟風的熱潮，沉下心來認真想一想，就會發(fā)現(xiàn)與眾不同的地方。

迷信傳統(tǒng)模型

俗話說：脫離模型看問題，進入數(shù)據(jù)創(chuàng)造價值。

金融中有一股熱流，類似如筆者一樣學數(shù)學出身的人們更多的是相信模型。與人們的常識想法，過多地相信模型在當今是一個需要改進的觀念，或者說，人們所相信的“模型”需要一個更新修正的定義。筆者認為，模式是比模型更好的載體，模型是模式的一種。但是，我們引入模式是因為在大數(shù)據(jù)的時代，模式可以定義為非結(jié)構(gòu)化數(shù)據(jù)的特征，而這種特征可以超越我們熟悉的傳統(tǒng)模型的概念，進而可以描述諸多傳統(tǒng)上不能量化的問題。當我們賦予這些模式可以識別的路徑，其實，已經(jīng)涵蓋了所有的金融問題，這種思想是我們要重新建立的重要認知。站的高一點，都是風景。

不變應萬變

俗話說：變化遠比想象的快。

金融市場的信息瞬息萬變，但是，金融行業(yè)的體系規(guī)則等，在監(jiān)管和市場的雙重夾擊下卻相對穩(wěn)定。事實上，正是因為市場的不確定性的判斷，使得金融機構(gòu)不愿意發(fā)生變革，如同在驚濤駭浪中，行駛的大船不愿意做任何航向的調(diào)整，以維持視線內(nèi)的穩(wěn)定。但是，科技的力量常常是顛覆性的，這種顛覆性并不是賦予一個連續(xù)的準備周期，而是0和1的區(qū)別，它不會使市場不確定性減少，但是，卻可以更快地埋葬不求變革。當我們構(gòu)建足夠精細的模式時候，它所捕捉泛化的看起來是要解決的問題的聯(lián)合分布或者條件分布，但實際上是在“擬合”既有經(jīng)驗的認知。很顯然，任何經(jīng)驗在足夠高維度的流形式是局部的，這是決定金融科技會不斷變化的本質(zhì)因素。在行動上以不變應萬變，那是自殺。

與己無關高高掛起

我們無比確信，我們后代所感知的金融市場一定與我們今天不同。

金融市場的參與者、監(jiān)管者都應該看到，當金融的本質(zhì)被抽象出來后，其科技帶來的增效是直接的，在部分模塊，科技可以創(chuàng)造新產(chǎn)能。從更深一層來說，既有的金融業(yè)務連接——請注意互聯(lián)網(wǎng)經(jīng)濟的核心是連接，在約定俗成和監(jiān)管限制下是規(guī)范的。從來沒有一個行業(yè)像金融一樣建立了這樣好的一個通用學習的基礎，盡管當前的“可解釋性”黑箱問題存在，但是，可以看到，通過稀疏結(jié)構(gòu)分析、探針網(wǎng)絡、信息流以及反饋參數(shù)架構(gòu)，該問題正在消融。市場面臨的將是灌輸了經(jīng)驗的或者說經(jīng)過經(jīng)驗Finetune的AI，而監(jiān)管面臨的是智能監(jiān)管的智能。

【路徑】見下一篇文章：

《金融保險：深度學習——挑戰(zhàn)、偏見與路徑（下篇）》。