交易员们请注意了：华尔街正在进入一个新的时代。
2015年起，华尔街各大金融机构纷纷大举裁员：2015年12月，摩根士丹利表示将在全球裁员1200人；2016年1月，瑞信对伦敦的1800名员工发出裁员警告；2016年3月，日本最大投行野村证券称将在北美裁员20%；2017年2月，外媒报道高盛600名交易员仅剩2人。
曾经风光无限的投行人士，现在却面临着被人工智能取而代之的风险。金融服务咨询公司Opimas估计，到2025年，单因AI的普及，华尔街就将减少10%员工，即约23万人将被AI替代。一时之间，“AI将要占领华尔街”、“AI将要取代交易员和对冲基金经理”一类的言论甚嚣尘上。
AI如何应用在金融交易中？
金融交易的本质是根据基本面、技术形态或内幕消息，对交易标的进行分析判断，然后完成买卖下单。由于巨大的信息量、不可避免的人类性格弱点等因素，量化投资开始大行其道。传统量化投资涉及到数学、统计学、计算机等方面的知识，主要方法有人工智能、数据挖掘、小波分析、支持向量机、分形理论和随机过程。量化投资的本质是把股票价格、交易量、宏观数据、上市公司账目等数据量化成各类指标，建立模型，通过模型产生的指令直接进行交易。
随着人工智能的发展，很多技术可以用于量化投资分析中，包括自然语言处理、机器学习、神经网络、遗传算法等。一位基金分析师向新智元介绍，“人工智能应用在量化投资上也有很多讨论，比如用人工智能算法改进多因子模型和分析理解文本等。”
供职于香港某对冲基金的一位量化研究员也表示，“对于Alpha策略来说，人工智能可以给多因子模型提供更多维度的信息。比方说之前只能考虑一些基本面信息，而现在则可以利用人工智能中的自然语言处理，来加入新闻情绪等热度信息。”
摩根大通可谓是最为积极拥抱AI的投行之一。去年，摩根大通表示将利用一款叫做LOXM的AI在其全球股票算法业务部门执行交易。据该行在欧洲的试验表明，LOXM的效率比传统的买卖方法高得多。LOXM的职责是以最佳价格和最高速度执行客户交易指令——运用它从数十亿笔过往交易（既有真实交易，也有模拟交易）中汲取的经验教训来解决各种问题，比如怎样抛出大笔股份而不影响市场价格。这款AI基于“深度强化学习”，能够从数百万种历史情形中学习。
瑞银(UBS)也部署了AI来处理客户的交易后配置请求，为每个任务节省了多达45分钟的人力劳动。瑞银还使用AI来帮助客户利用市场波动进行交易。
除了投行之外，各大对冲基金也在使用AI进行交易。Two Sigma、Renaissance Technologies、Bridgewater和Point72等基金都宣称要引入AI技术到交易系统里。
在国内，华夏基金去年与微软亚洲研究院达成战略合作，宣布将就人工智能在金融服务领域的应用展开战略合作研究。
昔日天之骄子，会被AI取代吗？
2015年以来，美银美林、渣打、德意志银行、美国银行、高盛等欧美大行纷纷大举裁员，国内一些媒体对此发文称交易员已被算法交易所取代。事实上这一说法并不准确。
首先，华尔街被裁的交易员仅局限于场内交易员、执行交易员、做市商以及卖方销售，而非有自主交易权限、属于难以复制型人才的自营交易员。
在国内，人们理解的交易员通常指自营交易员，一般在买方（投行自营部，公募/对冲基金，资产管理公司等）或个人；而在国际市场，“trader”指是卖方交易员，一般在券商、投行卖方部门和做市商。
因此，卖方交易员的确面临着被人工智能取而代之的风险。摩根大通全球股票电子交易业务负责人Daniel Ciment曾表示，那些无法给市场带来变化的个人交易员将会取代。但那些拥有自主交易能力的自营交易员却没有显著受到算法交易冲击。
需要担心的不只是卖方交易员，还有对冲公司基金经理。
Man Group的CEO Luke Ellis预计将有一波缓慢的行业整合浪潮到来。位于伦敦的这家规模达1,035亿美元的公司，已经向使用机器学习的几支对冲基金投入大约130亿美元。他表示，10年后，人工智能将在该公司的所有领域发挥作用，从执行交易，到帮助公司自营部门挑选证券。
Ellis说：“如果算力和数据生成以目前的速度持续增长，那么机器学习可能会在25年内涉及99％的投资管理。机器学习将无处不在。”
很多金融机构现在都在利用AI监测社交媒体和手机数据，比分析师更快地预测公司受益和销售速度，还能从文件中解读高管情绪进行做空。
20年前，Vasant Dhar创立了一支机器学习对冲基金，他说：“机器将会做更多琐事来发现潜在投资机会。机器可以生成并测试假设，然后告诉人们是否值得继续挖掘。机器给投资增加了更多的价值，它改变了人类工作的本质。”
2011年诺贝尔经济奖得主、美国经济学家托马斯·萨金特近日也在一次演讲中力挺AI。他说，目前人工智能已经更多往金融行业进行结合。“大家觉得用人工智能进行预测是一个很好的办法，可见所谓的概念用人工智能与统计学结合进行金融方面的预测。中国目前是人才汇聚，尤其是统计学和计算机上更是长江后浪推前浪，人才辈出。相信使用上可以把人工智能在不同的公司和机构进行落脚和整合。这些技术很激动人心。”
但用AI进行交易的局限也很明显。AI需要一套程序和算法来支撑，更适合处理一些“有套路”、按照流程走的任务，却无法解决没有明确规则的问题。Vasant Dhar表示，如果美国次贷危机再次发生，AI也无能为力。因为每次危机都不同，AI无法获得足够历史数据来做出判断。
去年10月18日，全球首支人工智能ETF基金AIEQ横空出世，由EquBotLLC与ETF ManagersGroup共同推出。这支基金基于IBM的人工智能平台Watson，持续不断地对全美6000只挂牌股票进行基本面分析，包括但不限于企业公告文件、季度财报、新闻以及社群文章等。从当前经济形势、未来趋势出发，在深度分析后再挑选出包含70支股票的投资组合。股票选好后，由ETF Managers Group的一个基金经理团队对投资组合进行再权衡。
在交易前三日，AIEQ达到了0.83%的回报率，跑赢了美股大盘。在一个惊艳亮相之后，这支人工智能基金之后的表现却不尽人意。从去年10月中到11月中，AIEQ净值一度最低下跌到略高于24元，单月跌幅逾4%。截至2017年年底收盘，AIEQ涨幅0.6%，美股标普500指数涨幅为3.39%。整体而言，AIEQ持续跑输大盘。
（蓝色折线为AIEQ，红色折线为标普500）
由于公开信息的缺乏，AIEQ近期表现低迷的原因尚难判断。一些投资人士认为， AIEQ的选股结果偏激进，进攻性很强，导致了收益率大起大落。此外，从AI固有的“黑箱问题”来看，人们无法从内、外来分析AI做出决定的原因，就使得对其所做出的结果缺乏修正理由，无法辨错。
中科院计算所、信工所博导，阡寻科技董事长，上交所前总工程师白硕对新智元说：“人工智能应用不等于人工智能量化策略应用。目前业界对人工智能量化策略的效果尚无定论，也没有看到哪一种公开的人工智能量化策略有显著的业绩优势。但是，人工智能应用的确可以提高数据采集、准备、分析各环节的效率，降低综合成本。所以，人工智能是否一定赚钱不好说，但省钱是很可能的。”
AI投资面临哪些难点？
目前金融交易中对于人工智能的应用越来越多，但仍面临着不少挑战，需理性看待。
普华永道分析师赵越对新智元表示，金融市场上随机性较强，市场规模太大，市场价格影响因素太多，规律没有强显性，人工智能只能进行片面预测，很难构建准确判断投资胜率的专家模型。而国外对冲基金目前一些号称进军AI的尝试实际上还是传统量化投资的衍生范畴，顶多应用了一些人工智能的算法技术。
此外，由于我国金融市场历史较短，金融公司面临的数据结构化需求远高于开发AI的需求。大量的历史数据尚未电子化，甚至大量金融公司新产生的数据还处于非结构化的格式。
据《上海证券报》报道，君耀投资的总经理沈贤能认为，应用于投资的人工智能必须要具备包括“感知、认知、推理、学习和执行”等智能化特征，但要达到这样的目标并不容易。
“具体来说，人工智能在投资中的应用要跨越两大步。其一是应用海量的市场数据对模型进行训练，逐步形成有胜率的算法模型。其二是把算法模型应用于具体场景，比如在资本市场中进行实战投资。”沈贤能说。而现阶段，这两者实现起来均有难度。
除了技术发展尚不成熟外，兼通金融和AI的人才也很稀缺。赵越对新智元介绍，“国内既懂金融又懂AI的人才很少，人才更倾向于去科技公司，而非金融机构。而在学术圈，大部分搞计算机的学者不屑于写应用类的论文。因此人工智能在金融领域的技术深度还不够。”
警钟已响，人类仍有机会
Bloomberg曾采访了许多华尔街金融机构的高管，制作了一系列自动化交易图。红色方框底部的黑色文字是在交易过程中使用的人工智能技术，包括机器学习(ML)、自然语言处理(NLP) 、机器人过程自动化(PRA) 、预测分析(PA)。
图片来源：Bloomberg
从卖方到买方，从股票到债券，AI辅助／替代人类的趋势不可阻挡。但很确定的一点是，在瞬息万变的金融市场中，交易投资无法离开人类的智慧。
股神巴菲特说过“要做好投资，你只要有一个正常人的智商就够了。” 这是因为证券投资是科学和艺术的结合。例如，计算一个公司的EPS、ROE时，需要进行理性分析。但除此之外，投资还要讲究艺术，也就是去琢磨人性。这对人工智能是个巨大挑战。
华夏基金投资总监阳琨针对这个问题，曾进行过深入分析。
“首先我们如何去量化人心，就是对人投资决策的过程的分析，我们如何进行特征的提取，这是一个巨大的难题。所谓人心难测，在这个方面来说，高深的算法极其重要，但是我们不能提取这些特征，我们不知道人类决策这些基本的模型，那再好的算法，恐怕也是巧妇难为无米之炊。
我们知道证券市场是由人构成的，而人不同于围棋或者是其他的棋牌游戏的特征是，人是具有知识和学习能力的。在过去的很多量化过程中要面临一个难题，我们总结一个规律、一个特征之后会衰竭，是因为人在意识到这样特征之后，会改变人的行为，就是说迭代的数据是非常非常之高的，不像围棋，棋牌游戏，甚至是图象识别等等这些要求，人的行为是很难预测的。当然，微软的科学家告诉我们，这也不是没有办法，科学家还是很厉害，所以智商两百很重要。”
但对于金融从业者而言，警钟已经敲响：世事无常，AI一日千里；精进不已，才是最佳策略。
原文发布时间为：2018-01-09
本文作者：常佩琦
本文来自云栖社区合作伙伴新智元，了解相关信息可以关注“AI_era”微信公众号
