人工智能技术在硅谷的实践

人工智能技术在硅谷的实践

人工智能飞速发展，金融领域大有可为

随着人工智能技术的快速发展，多个领域都迅速收获了突破性成效，在金融领域内也是如此。具体来说，在信用评估、投资和个人财务管理上都有所运用。实际上，金融领域是人工智能适合运用的领域之一，这是因为人工智能技术的数据和算法缺一不可，而运用的领域需要满足能够将一定的流程标准化、模式（pattern）化。金融领域是跟数据大量打交道的领域，全球化的波动导致交易市场瞬息万变，而智能设备等传感器的普及产生了大量的非结构化数据。金融领域的风险定价正可以利用数据和算法进行更高效的评估，可有效的降低金融机构的成本，同时挖掘到更多有价值的信息，帮助市场进行决策。

作为全球创新的中心之一硅谷，机器人主板维修，近年来也涌现了大量的以人工智能为核心技术的创业金融科技公司。未央研究拜访了这其中16-17年之间成立的公司，以发现最新人工智能技术是如何改进或重塑原有金融格局。

人工智能技术在借贷领域的运用

近年来智能设备的兴起围绕用户产生了大量的信息，这为评估个人信用风险产生了大量的挖掘价值。同时，传统的FICO分数缺陷也一直存在，事实上，由于FICO分数极大依赖于信用历史。（FICO分数考虑的五个指标包括：（1）偿还历史记录，占比35%，包括各种信用账户的偿还信息和负面的公共记录；（2）信贷欠款额度，占比30%；（3）信贷历史年限，占比15%；（4）新开设的信用账户，占比10%；（5）正在使用的信用类型，占比10%。）这导致FICO分数在实际运用中产生了一些问题：

一、对于缺乏信用历史的人，如移民或者年轻人无法评估；

二、对于已有FICO分数的人群来说，其假设和准确性也存疑，例如，如果用户由于遭受了短期经济打击失去房子，但是保留工作的车辆则应该判定其有稳定的还款意愿，但在FICO分数里则被认为是不可靠的。而FICO数据迭代较慢，机器人伺服马达维修，这导致了一些分数较高的用户同样存在违约状况。

近年来，FICO分数越来越成为一个供金融机构参考而不是决定性的指标之一，对于个人用户的信息，机构会自行收集并用自己的风控模型进行评估。甚至有公司不再使用FICO，例如，2016年1月，硅谷最大的线上贷款公司SoFi就宣布不再使用FICO分数。

人工智能算法的使用也对于个人用户信用画像能起到完善作用。MIT一篇工作论文通过将2009-2012年的消费者信用历史数据和消费类数据利用分类和回归决策树算法为消费者进行信用分数，并将结果与利用信用局的数据利用传统方法计算的分数结果进行对比。下图显示两种模型对于信用优良和信用差的人群都有较好的识别作用，但对于信用中等的人群，前者更能准确的预测该人群的预期行为。

作为近年来发展最快的深度学习技术来说，以往可能被信贷员判断为无关变量的信息，如地址信息，APP使用习惯等，通过挖掘和整合可能形成有用的变量，从而反映/指向跟用户的还款意愿或者还款能力相关的变量。

未央研究在硅谷实地参访的两家公司Upgrade和RandomForestCapital都使用了人工智能技术对于用户的信用进行了评估当然前者的方法早已经运用在了国内。Upgrade自称推出了评估模型2.0版本，一是使用了地理位置数据，这些位置数据能够和宏观经济因素结合起来，反映了不同地方的经济状况；二是平台行为模式是连接到了用户的checkingaccount，通过分析用户的自由现金流来看用户的支付习惯，例如是否由有逾期、惩罚费用，或者错过了某些支付日期，这种分析方式如同分析中小企业的现金流的方法。Upgrade将其运用在了个人风控上。

RandomForestCapital在2016成立，是一家位于旧金山的跨平台机器学习和数据工程投资管理公司。RandomForest称，目前现存的承销方法昂贵、低效、不准确，无法准确地评估这些债务的风险。RandomForest使用跨平台的机器学习算法来定价债券；在大大提高准确性和效率的同时，也解决了投资者和借款方的利益冲突。因为平台获得的很多数据是类别数据，所以公司使用树类的模型---基于树的（treebase）算法很有用，此外Boosting算法也被证明很有效果。

需要指出的是，受限于美国对于个人数据和隐私保护，很多金融机构需要带着脚铐跳舞在不破坏个人隐私的情况下尽可能挖掘多的关于主体的信息。

人工智能在投资领域的运用

人工智能技术早期在投资领域中已有所运用，人工神经网络（ANN）就是被认为较有用的算法之一，人工神经网络已被证明能过够有效处理金融市场中的不确定性，相比于线性回归模型能够挖掘数据中的非线性关系，同时能够有效的处理大量数据中的噪音信息。更吸引人的是，人工神经网络模型可以通过新数据的训练来更新现有的模型，在瞬息万变的市场中能做到快速反应。

自2004年以来，ABB机器人培训，美国国内量化基金的财产规模不断增加。从2004到2016年，量化基金总财产规模从300亿美金迅速增长至3000亿美金。一些著名的量化基金包括TwoSigma、DEShaw、Citadel等。相对于传统的量化投资基金，人工智能型基金的一大优势即是它更大限度地回避了人为操作的误差，可以在短时间内处理更大量的数据，并可以动态地更新模型的参数以及模型本身，所以使得算法更加灵活且适应性强，使其在长期超越静态的传统量化模型的表现。相对于传统的量化模型来说，人工智能型基金算法更加灵活，甚至设立了一些随机性，这使得其算法相关性相对于传统量化模型更弱。

下图为EUREKAHEDGE在2017年1月的研究。途中蓝线为人工智能型量化基金收益，紫色线为传统基金收益，机器人电路板维修，绿色线为指数型基金收益，红色线为偏传统型量化基金收益。可见，自2010年起，相比于任何其他种类的基金，人工智能型基金收益都更高。

此外，由下表的相关性矩阵看出，人工智能型的量化投资基金和其同类型基金的相关性都较低，和一般的对冲基金的相关性甚至是负数。Pit.AI就是一家用人工智能开发对冲基金交易策略的公司。Yves-LaurentKomSamo希望将对冲基金从由人工驱动，转向机器驱动。公司通过节省行业中开销最大的人力成本，来提升整个公司的盈利能力。Pit.AI只向投资人收取与盈利相关的费用，并不收取基金管理费。只有当基金表现更好的时候，Pit.AI与投资人对收益分成。收入分成比例是三七开，Pit.AI收取收益的30%。未来，Pit.AI希望将收费模式变成曲线形式，当收益表现不好的时候，收费相应减少，当收益增加的时候，收费比例相应提高。

Pit.AI认为通过雇佣很多交易员，产生众多交易算法从而竞争的形式并不能很好的产生很优质的算法。因为，生成策略的人，大多数都用同一种思路在尝试，发现的算法通常具有很强的相似和相关性。这些相关度很高的算法，并没有对分散交易风险起到应有的作用。