近期，Hugo Bowne-Anderson 博士（DataCamp）与 Yves Hilpisch 博士（The Python Quants）探讨了如何在金融领域运用 AI、它与更传统方法的比较，以及为何数据科学家如今已成为金融领域的关键角色。他们还讨论了不确定性与风险，以及在市场崩盘、黑天鹅事件和高波动期，AI 和机器学习能发挥多大作用。按需观看网络研讨会，或继续阅读要点摘要。
什么是 AI，它意味着什么？
Yves 将人工智能定义为试图模拟并改进人类所能完成之事的整套学科。在这个意义上，下棋中的 AI 试图下得比人类更好，而在金融中，AI 可能意味着构建并训练能比人类交易更出色的机器人。
“AI 是软件实现了我们认为是智能行为的地方。而智能可以被定义为达成特定目标的能力。”——Yves Hilpisch 博士
机器遵循科学方法的效率远高于人类。它们能够查看数据，并通过追踪人们的实际行为来发现揭示性偏好，并据此提炼洞见。它们利用数以百万计的数据点形成这些洞见，其准确性往往远超理论模型。
那么，科学方法是什么？
“您设立一个实验，收集数据，然后尝试要么找到支持假设的证据，要么发现与假设相矛盾的数据。接下来就要调整假设、前提，或者干脆撤回假设。机器可以在几秒钟内将这一科学方法的过程复制上百万次。”——Yves Hilpisch 博士
过去 20 年中，AI 带来了重大竞争优势
AI 在金融中的作用与在其他领域相同：获得竞争优势。在金融领域，其起步可追溯至 20 世纪 50 年代，Markowitz 以首个量化金融模型开创先河。这是方差投资组合理论中的首个被广泛接受的模型。时至今日，它仍用于管理数万亿美元的资产。不过，它使用的是规范性理论，基于对不同证券组合的分析——并不具备处方性，因为它不提出可能的行动方案。因此它并非以数据为基础，而是以行为数据或市场数据为基础。
在过去 20 年里，数据的可得性前所未有——关键在于如何恰当使用。Gregory Zuckerman 的《解开市场之谜的人》（The Man Who Solved the Market）详述了对冲基金 Renaissance Technologies 如何率先通过汇聚数据获取金融收益。如今，几乎每个行业都采纳了他们以数学建模并处理数据的策略，从而做出更优决策。
量化金融的现代用例与最佳实践
AI 在金融市场中的应用经历了显著演进。比如，借助当今海量数据，监督学习模型能够高精度预测债权人或消费者的行为。算法交易也利用强化学习，根据交易机器人赚取或亏损的金额进行奖惩。
“我们如今拥有数以百万计的数据点来分析人类行为。借助新技术，银行与机构（例如）金融科技初创公司在预测消费者行为、债权人行为等方面，较所有金融学教授所提出过的理论强上十倍、百倍。”——Yves Hilpisch 博士
但在当前这类高波动时期，显然金融中的 AI 需要安全防护。监督学习依赖历史数据，并假设过去发生的事情能代表未来将要发生的事情。在市场波动期，这一逻辑并不可靠。因此，必须制定规则以防止错误的交易决策，例如在算法上设置止损——即指定在某一价格卖出某一证券或商品。这样的逻辑能限制难以承受的亏损，类似于为自动驾驶汽车设置安全机制以避免其撞到人行道上的行人。AI 有助于降低由当下事件及其对市场影响所带来的风险。在黑天鹅事件中，必须谨慎监控监督学习策略，并可利用强化学习根据新的市场环境对模型进行再训练。在可预见的未来，人类干预与对已部署算法的细致监控仍然不可或缺。
对简单、可复现、可扩展工具的需求
在计算金融中，蒙特卡罗模拟是一种前瞻性方法，从某一时间点出发向未来进行模拟。Python 是实现这一点的利器。如今的 Python 数据栈是一组可互操作的包，允许您摄取数据、用 pandas 进行转换、开展统计建模并创建机器学习算法。Python 使这一切能够以规模化方式进行。今天，算法交易依赖于合适的工具链。而在该行业求职也要求对这些工具具备一定熟练度——即 Python 和 R。Python 的 pandas 包以及 TensorFlow、Keras 等框架，使许多人能够完成以往难以实现的工作。
降低进入门槛
学习如何使用这些工具是一项不小的投入，而如今有越来越多的公司与个人愿意进行这项投入。诸如 DataCamp 与The Python Quants等教育资源，正在使学习过程更加大众化。学习者会熟悉数据科学与机器学习的概念，并在编码环境中独立构建算法，从而获得驾轻就熟的能力。他们还能熟悉如何在服务器上搭建合适的环境与工具链——这让他们能够将算法部署到云端。
近期，Hugo Bowne-Anderson 博士（DataCamp）与 Yves Hilpisch 博士（The Python Quants）探讨了如何在金融领域运用 AI、它与更传统方法的比较，以及为何数据科学家如今已成为金融领域的关键角色。他们还讨论了不确定性与风险，以及在市场崩盘、黑天鹅事件和高波动期，AI 和机器学习能发挥多大作用。按需观看网络研讨会，或继续阅读要点摘要。
什么是 AI，它意味着什么？
Yves 将人工智能定义为试图模拟并改进人类所能完成之事的整套学科。在这个意义上，下棋中的 AI 试图下得比人类更好，而在金融中，AI 可能意味着构建并训练能比人类交易更出色的机器人。
“AI 是软件实现了我们认为是智能行为的地方。而智能可以被定义为达成特定目标的能力。”——Yves Hilpisch 博士
机器遵循科学方法的效率远高于人类。它们能够查看数据，并通过追踪人们的实际行为来发现揭示性偏好，并据此提炼洞见。它们利用数以百万计的数据点形成这些洞见，其准确性往往远超理论模型。
那么，科学方法是什么？
“您设立一个实验，收集数据，然后尝试要么找到支持假设的证据，要么发现与假设相矛盾的数据。接下来就要调整假设、前提，或者干脆撤回假设。机器可以在几秒钟内将这一科学方法的过程复制上百万次。”——Yves Hilpisch 博士
过去 20 年中，AI 带来了重大竞争优势
AI 在金融中的作用与在其他领域相同：获得竞争优势。在金融领域，其起步可追溯至 20 世纪 50 年代，Markowitz 以首个量化金融模型开创先河。这是方差投资组合理论中的首个被广泛接受的模型。时至今日，它仍用于管理数万亿美元的资产。不过，它使用的是规范性理论，基于对不同证券组合的分析——并不具备处方性，因为它不提出可能的行动方案。因此它并非以数据为基础，而是以行为数据或市场数据为基础。
在过去 20 年里，数据的可得性前所未有——关键在于如何恰当使用。Gregory Zuckerman 的《解开市场之谜的人》（The Man Who Solved the Market）详述了对冲基金 Renaissance Technologies 如何率先通过汇聚数据获取金融收益。如今，几乎每个行业都采纳了他们以数学建模并处理数据的策略，从而做出更优决策。
量化金融的现代用例与最佳实践
AI 在金融市场中的应用经历了显著演进。比如，借助当今海量数据，监督学习模型能够高精度预测债权人或消费者的行为。算法交易也利用强化学习，根据交易机器人赚取或亏损的金额进行奖惩。
“我们如今拥有数以百万计的数据点来分析人类行为。借助新技术，银行与机构（例如）金融科技初创公司在预测消费者行为、债权人行为等方面，较所有金融学教授所提出过的理论强上十倍、百倍。”——Yves Hilpisch 博士
但在当前这类高波动时期，显然金融中的 AI 需要安全防护。监督学习依赖历史数据，并假设过去发生的事情能代表未来将要发生的事情。在市场波动期，这一逻辑并不可靠。因此，必须制定规则以防止错误的交易决策，例如在算法上设置止损——即指定在某一价格卖出某一证券或商品。这样的逻辑能限制难以承受的亏损，类似于为自动驾驶汽车设置安全机制以避免其撞到人行道上的行人。AI 有助于降低由当下事件及其对市场影响所带来的风险。在黑天鹅事件中，必须谨慎监控监督学习策略，并可利用强化学习根据新的市场环境对模型进行再训练。在可预见的未来，人类干预与对已部署算法的细致监控仍然不可或缺。
对简单、可复现、可扩展工具的需求
在计算金融中，蒙特卡罗模拟是一种前瞻性方法，从某一时间点出发向未来进行模拟。Python 是实现这一点的利器。如今的 Python 数据栈是一组可互操作的包，允许您摄取数据、用 pandas 进行转换、开展统计建模并创建机器学习算法。Python 使这一切能够以规模化方式进行。今天，算法交易依赖于合适的工具链。而在该行业求职也要求对这些工具具备一定熟练度——即 Python 和 R。Python 的 pandas 包以及 TensorFlow、Keras 等框架，使许多人能够完成以往难以实现的工作。
降低进入门槛
学习如何使用这些工具是一项不小的投入，而如今有越来越多的公司与个人愿意进行这项投入。诸如 DataCamp 与The Python Quants等教育资源，正在使学习过程更加大众化。学习者会熟悉数据科学与机器学习的概念，并在编码环境中独立构建算法，从而获得驾轻就熟的能力。他们还能熟悉如何在服务器上搭建合适的环境与工具链——这让他们能够将算法部署到云端。