人工智能技術在硅谷的實踐
人工智能飛速發(fā)展，金融領域大有可為
隨著人工智能技術的快速發(fā)展，多個領域都迅速收獲了突破性成效，在金融領域內也是如此。具體來說，在信用評估、投資和個人財務管理上都有所運用。實際上，金融領域是人工智能適合運用的領域之一，這是因為人工智能技術的數據和算法缺一不可，而運用的領域需要滿足能夠將一定的流程標準化、模式（pattern）化。金融領域是跟數據大量打交道的領域，全球化的波動導致交易市場瞬息萬變，而智能設備等傳感器的普及產生了大量的非結構化數據。金融領域的風險定價正可以利用數據和算法進行更高效的評估，可有效的降低金融機構的成本，同時挖掘到更多有價值的信息，幫助市場進行決策。
作為全球創(chuàng)新的中心之一硅谷，近年來也涌現了大量的以人工智能為核心技術的創(chuàng)業(yè)金融科技公司。未央研究拜訪了這其中16-17年之間成立的公司，以發(fā)現最新人工智能技術是如何改進或重塑原有金融格局。
人工智能技術在借貸領域的運用
近年來智能設備的興起圍繞用戶產生了大量的信息，這為評估個人信用風險產生了大量的挖掘價值。同時，傳統(tǒng)的FICO分數缺陷也一直存在，事實上，由于FICO分數極大依賴于信用歷史。（FICO分數考慮的五個指標包括：（1）償還歷史記錄，占比35%，庫卡機器人驅動器維修，包括各種信用賬戶的償還信息和負面的公共記錄；（2）信貸欠款額度，占比30%；（3）信貸歷史年限，占比15%；（4）新開設的信用賬戶，占比10%；（5）正在使用的信用類型，占比10%。）這導致FICO分數在實際運用中產生了一些問題：
一、對于缺乏信用歷史的人，如移民或者年輕人無法評估；
二、對于已有FICO分數的人群來說，其假設和準確性也存疑，例如，如果用戶由于遭受了短期經濟打擊失去房子，但是保留工作的車輛則應該判定其有穩(wěn)定的還款意愿，但在FICO分數里則被認為是不可靠的。而FICO數據迭代較慢，這導致了一些分數較高的用戶同樣存在違約狀況。
近年來，FICO分數越來越成為一個供金融機構參考而不是決定性的指標之一，對于個人用戶的信息，機構會自行收集并用自己的風控模型進行評估。甚至有公司不再使用FICO，例如，2016年1月，硅谷最大的線上貸款公司SoFi就宣布不再使用FICO分數。
人工智能算法的使用也對于個人用戶信用畫像能起到完善作用。MIT一篇工作論文通過將2009-2012年的消費者信用歷史數據和消費類數據利用分類和回歸決策樹算法為消費者進行信用分數，并將結果與利用信用局的數據利用傳統(tǒng)方法計算的分數結果進行對比。下圖顯示兩種模型對于信用優(yōu)良和信用差的人群都有較好的識別作用，但對于信用中等的人群，前者更能準確的預測該人群的預期行為。
作為近年來發(fā)展最快的深度學習技術來說，以往可能被信貸員判斷為無關變量的信息，如地址信息，APP使用習慣等，通過挖掘和整合可能形成有用的變量，從而反映/指向跟用戶的還款意愿或者還款能力相關的變量。
未央研究在硅谷實地參訪的兩家公司Upgrade和RandomForestCapital都使用了人工智能技術對于用戶的信用進行了評估當然前者的方法早已經運用在了國內。Upgrade自稱推出了評估模型2.0版本，一是使用了地理位置數據，這些位置數據能夠和宏觀經濟因素結合起來，反映了不同地方的經濟狀況；二是平臺行為模式是連接到了用戶的checkingaccount，通過分析用戶的自由現金流來看用戶的支付習慣，例如是否由有逾期、懲罰費用，或者錯過了某些支付日期，這種分析方式如同分析中小企業(yè)的現金流的方法。Upgrade將其運用在了個人風控上。
RandomForestCapital在2016成立，是一家位于舊金山的跨平臺機器學習和數據工程投資管理公司。RandomForest稱，目前現存的承銷方法昂貴、低效、不準確，無法準確地評估這些債務的風險。RandomForest使用跨平臺的機器學習算法來定價債券；在大大提高準確性和效率的同時，也解決了投資者和借款方的利益沖突。因為平臺獲得的很多數據是類別數據，所以公司使用樹類的模型---基于樹的（treebase）算法很有用，此外Boosting算法也被證明很有效果。
需要指出的是，受限于美國對于個人數據和隱私保護，很多金融機構需要帶著腳銬跳舞在不破壞個人隱私的情況下盡可能挖掘多的關于主體的信息。
人工智能在投資領域的運用
人工智能技術早期在投資領域中已有所運用，人工神經網絡（ANN）就是被認為較有用的算法之一，人工神經網絡已被證明能過夠有效處理金融市場中的不確定性，相比于線性回歸模型能夠挖掘數據中的非線性關系，同時能夠有效的處理大量數據中的噪音信息。更吸引人的是，人工神經網絡模型可以通過新數據的訓練來更新現有的模型，在瞬息萬變的市場中能做到快速反應。
自2004年以來，美國國內量化基金的財產規(guī)模不斷增加。從2004到2016年，量化基金總財產規(guī)模從300億美金迅速增長至3000億美金。一些著名的量化基金包括TwoSigma、DEShaw、Citadel等。相對于傳統(tǒng)的量化投資基金，人工智能型基金的一大優(yōu)勢即是它更大限度地回避了人為操作的誤差，可以在短時間內處理更大量的數據，并可以動態(tài)地更新模型的參數以及模型本身，所以使得算法更加靈活且適應性強，使其在長期超越靜態(tài)的傳統(tǒng)量化模型的表現。相對于傳統(tǒng)的量化模型來說，人工智能型基金算法更加靈活，甚至設立了一些隨機性，這使得其算法相關性相對于傳統(tǒng)量化模型更弱。
下圖為EUREKAHEDGE在2017年1月的研究。途中藍線為人工智能型量化基金收益，紫色線為傳統(tǒng)基金收益，綠色線為指數型基金收益，紅色線為偏傳統(tǒng)型量化基金收益�？梢姡�2010年起，相比于任何其他種類的基金，人工智能型基金收益都更高。
此外，由下表的相關性矩陣看出，人工智能型的量化投資基金和其同類型基金的相關性都較低，和一般的對沖基金的相關性甚至是負數。Pit.AI就是一家用人工智能開發(fā)對沖基金交易策略的公司。Yves-LaurentKomSamo希望將對沖基金從由人工驅動，轉向機器驅動。公司通過節(jié)省行業(yè)中開銷最大的人力成本，來提升整個公司的盈利能力。Pit.AI只向投資人收取與盈利相關的費用，并不收取基金管理費。只有當基金表現更好的時候，Pit.AI與投資人對收益分成。收入分成比例是三七開，Pit.AI收取收益的30%。未來，Pit.AI希望將收費模式變成曲線形式，當收益表現不好的時候，收費相應減少，當收益增加的時候，收費比例相應提高。
Pit.AI認為通過雇傭很多交易員，產生眾多交易算法從而競爭的形式并不能很好的產生很優(yōu)質的算法。因為，生成策略的人，大多數都用同一種思路在嘗試，發(fā)現的算法通常具有很強的相似和相關性。這些相關度很高的算法，并沒有對分散交易風險起到應有的作用。