编者按：

　　5月23日，围棋天才少年柯洁，首战AlphaGo以四分之一子告负。赛后柯洁接受采访时表示，如果把AlphaGo当人的话，跟去年相比，完全是两个人。“第一次的时候我觉得它的棋还是很接近人的，现在接近围棋上帝了”，“我相信未来是人工智能的，世界会因此更加美好便捷”。

　　一时之间，关于人工智能的讨论再起高潮。其实人工智能早已渗透向各个领域，当然也包括金融投资领域。到底人工智能是什么？其在证券投资方面有怎样的应用？以下内容整理自北京资配易投资顾问有限公司董事长、北京艾亿新融资本管理有限公司董事长张家林先生于2016年10月12日在清华大学经管学院《中国金融实务课堂3——互联网金融》课堂演讲的部分内容，全文收录于《数字金融12讲》，将于近期出版，敬请期待。

　　文章仅代表作者个人观点，转载请注明出处。

　　人工智能的标准模型

　　从学术的角度来看，人工智能的概念还没有统一。但从工程学的角度来看，我觉得可以把人工智能理解为：可以从环境中感知信息并自主活动的软件和硬件实体。

　　我倾向于用StuartRussell的人工智能模型来构建AI系统，因为他的模型比较清晰，并且逻辑简单，在工程学上得以实现。他认为人工智能必须具备以下几个功能：

　　第一，能感知环境；

　　第二，有学习机制；

　　第三，具备知识库；

　　第四，有决策能力，即通过新知识学习和知识库之间的交互来进行决策，决策包括了推理、预测、规划等行为，所以决策是一个非常复杂的过程；

　　第五，执行器，即通过行动影响环境；

　　第六，有评价指标，即机器学习不能是随机学习，必须有一个方向，这种方向通过评价指标实现。它们的专业名称叫作“激励函数或处罚函数”，机器就是通过不同的奖惩机制来进行学习。

图1 S.Russell模型

　　以上模型说明了三点：

　　第一，没有通用的AI，也没有无所不能的AI，每种AI必须有其适应的任务环境，比如下围棋的阿尔法狗不可能马上转型做股票投资；

　　第二，人能够通过某种方式管理和控制AI；

　　第三，AI智能体的系统模型结构有标准模型，但其实现方式迥异，开发者和使用者可以对该模型进行创造性地设计；

　　第四，也是最关键的一点，人工智能以“有界最优化”为理论基础，即在给定时间和计算资源条件下，寻求一个最优的结果。

　　目前来看，人工智能已经对经济产生了显著影响，而这种影响在金融市场上可能是颠覆性的。现在整个金融市场对算法的应用已经非常普遍，在美国已经达到了交易总量的70%-80%，被称之为人工智能化或者程序化的金融交易。中国市场的算法交易在去年股灾之后有所搁置，但是我觉得人工智能化交易的趋势是不可逆转的。

　　人工智能与证券投资理论

　　证券投资管理价值链及业态

　　如果要将AI应用于投资领域，需要将人工智能理论与证券投资理论相融合，但又不能只是把机器学习算法与投资经验简单相结合。首先，我先总结一下证券投资管理价值链。

　　投资管理价值链有十大功能模块。从了解客户开始，到让客户满意，一共有七步：市场分析与评测、大类资产配置、投资组合构建、交易执行、风险管理、投资组合调整、投后分析。此外，还有三个辅助部分，包括托管、清算、支付、客服等服务。

　　通过对这一价值链的分解，可以衍生出三大类主要的投资管理业务形态。第一类是投资咨询业务，即提供关于大类资产配置和投资组合方案的建议，但由客户决定是否采纳，如何择时，以及完成后续调整。后两类分别是投资顾问和资产管理，基本包揽了全价值链，即不仅提供投资组合，还包括选择交易时机，后续的风险管理等。具体来讲，投资顾问和资产管理的差异在于，投资顾问没有账户体系，即不接触钱，不负责账户开户及清算等业务，只是向客户提出建议。资产管理则拥有账户体系，可以负责托管和清算，有权力调动客户资金。

　　起初，我们想开发一个以证券投资管理为工作环境的人工智能系统，输入就是了解客户，输出就是让客户满意，自主完成七大功能。但是我们调查研究了众多案例资料，发现很难搜索到有价值的内容，目前来自金融领域的人工智能算法特别少，包括图象识别和语音技术等在内的人工智能算法。可能有两个方面的原因，一方面大家都不愿意把算法的核心技术公开，另一方面这个领域还处于探索阶段，没有形成体系。

　　所以我们完全是自主构建了资配易的体系，当然也碎片化地参考了一些资料，吸收了其他经验。比如文艺复兴公司的创始人西蒙斯在接受华尔街采访时提到，他们利用人工智能每天进行成百上千支股票的交易，由于资金量太大，几乎每次交易都会对市场产生冲击，所以必须实时监控每笔交易对于市场流动性方面的影响，并实时更新数据。据此，我们就可以想象和合理推断他们的模式，事实上我们也已经将“文艺复兴”的模型融入到资配易系统之内。

　　资配易目前做的人工智能还是基于现代投资理论。现代投资组合理论主要由两大分支融合组成，一是马柯维茨（Markowitz）资产投资组合理论，一是Statman的行为金融理论。

　　这两个理论的前提假设并不相同，Markowitz的理论基于理性投资者假设，推断出一系列模型，Statman的理论则是基于非理性人假设搭建了研究分析模型，两者因此争论了很多年。2011年Markowitz邀请Statman一起合作写了一篇论文，证明了资产组合和行为金融可以融合在一个心理账户理论中，两者实际上是数学等价的。所以目前的证券投资理论其实就是单一的理论，即通过资产组合降低风险的现代投资理论。诸如量化交易等内容，其实不是一个理论，而只是一些具体的投资战术，从理论上来讲依然源自现代投资理论。另外，很多人推崇的价值投资在我看来更像是一种艺术，机器学习几乎不可能做到价值投资。

　　人工智能+证券投资，1+1>2

　　人工智能+证券投资实现的是1+1>2的效果。在美国这种模式的官方术语叫“数字化投资工具”，国内很多媒体称之为智能投顾，其实两者的含义并不一样。数字化投资工具涵盖了很多投资顾问业态。

　　最早期是在线投顾，即20世纪九十年代末很多专业投顾利用互联网上的在线投资分析工具，向客户提供一系列投顾服务。

　　到了2008-2015年间，由于全球经济发展较好，很多专业人工投顾与机器学习和互联网相融合，开始提供机器人投顾（robo-adviser）的服务。

　　2015年以后，包括资配易在内的一些团队开始建立人工智能的证券投资系统，加上云计算的架构，直接向用户提供服务。这种系统与在线投顾和机器人投顾的区别在于人工智能投顾的所有流程没有人为干预。

　　目前这种趋势越来越明显，在美国越来越多的人愿意做人工智能服务，而且愿意把人工智能投顾区别于机器人投顾，因为机器人投顾和人工智能投顾利用的技术、架构和理念都不相同。

　　决定投资能力的因素

　　那么到底是什么决定了投资管理公司、投资人和人工智能的投资能力？如图2所示，左边代表的是我们对于影响某一类资产的所有因子变量的认知空间，认知空间的大小，决定了不同公司的投资管理能力；学习能力则决定了他们的增长能力。

图2 证券投资能力增长模型：认知空间与学习能力

　　从这个角度来讲，我们可以理解为机器学习、人工智能提高了我们投资管理能力的机理。人类学习能力的边际贡献会变得越来越小，使得个体认知空间的增长速率越来越慢。然而，基于大数据的机器学习的边际贡献非常大，它的认知空间增长速度就非常快，从而显著提高投资管理能力。

图3 投资人分布

　　图3表示将来整个资本市场投资人的分布。X轴表示合规投资策略生产数量，Y轴表示合规投资策略的生产质量。大部分的散户在左下角，即投资策略生产能力很弱，数量少、质量差，处于整个投资管理价值链最下端。还有部分投资大师，或者是顶尖的基金经理，他们的生产策略质量非常高，但数量不多，比如他们可能管理100亿的资金，但使用的策略可能就一两个。人工投顾居于中间，由于人工投顾采用人工生产方式，所以他们能够生产的合规的投资策略的数量有限，同时质量也参差不齐，呈正态分布。事实上，在线投顾和机器人投顾，没有提高投资管理策略的质量，只是提高了数量和效益，即可以生产更多的策略，服务更多的客户。那么人工智能投顾呢？首先，人工智能投顾要能够生产出很多的投资策略以服务海量的客户；其次它的投资策略的质量要高，甚至要求超过大部分的基金经理。

　　将来使用人工智能投顾的投资者获得的回报率会有显著的增长，但是人工智能投顾不可能垄断市场，因为每个市场都有包容性。人工智能投顾也不可能让所有人都获利。在单位时间内，市场是一个零和市场，无论是怎样的投资人分布，依然会有人亏损。所以，无论是人工智能投顾还是机器人投顾，都不能保证所有人都获利，这是一个非常现实的问题。

　　人工智能投顾对市场的影响至关重要

　　人工智能投顾作为新加入的市场参与者，它给市场带来的影响对投资者和监管者至关重要。我们可以从两个方向分析这个问题，一方面是宏观审慎，主要是研究市场系统性风险和市场效率的问题，我们目前在这一领域还没有做太多工作；另外一方面是市场行为，属于微观审慎监管的层面，考虑人工智能将来会不会显著增加趋同交易，操纵市场，不公平对待客户等行为。这个问题虽然仍缺乏实证数据，但仍可以通过市场微观结构理论进行分析。

　　我们也做了大量的模拟，其中用到两个非常重要的假设，一个是经济人模型，即人基于某种信息结构，先通过一个主观先验的概念估计，再通过不断地学习和更新，产生了后验分布。目前很多实证数据和一些理论分析都认为经济人决策的均衡机制背后隐含的就是贝叶斯法则。机器经济人模型则完全不一样，虽然需要运用一些贝叶斯网络和算法，但并不是基于先验概率，而是基于激励函数，没有通过状态空间的变换进行规则的更新。

　　图4和图5分别是经济人模型和机器经济人模型，通过分析我们得出了他们不同的市场行为。经济人模型的路径相对单一。作为单一投资人，无论你是通过社会学习，还是通过理论学习，你的决策路径都是单一的。但机器经济人就不同，强大的计算能力让它拥有巨大的搜索空间。就像阿尔法狗和人下棋一样，人类棋手实现一些决策的逻辑路径相对单一，而阿尔法狗是全算法，它可以把所有状态空间搜索一遍，然后寻找最优路径。总结来讲，学习路径的多样性和复杂性，是机器区别于人的一个重要方面。

　　从这样一个简化的机器经济人模型中，我们可以考察其市场行为。因为我们在未来的推广中要向监管机构表明人工智能有没有恶意代码，会不会对市场产生不利影响，会不会产生故意捣乱甚至违法违规的行为，以及我们是如何避免上述问题的。

图4 经济人模型

图5 机器经济人模型

　　注：张家林，北京资配易投资顾问有限公司董事长、北京艾亿新融资本管理有限公司董事长。艾亿新融是一家专注于上市公司股权投资管理、提供结构化融资金融服务的专业机构。其团队由一大批拥有多年上市公司股权投资经验和金融服务的专业人士组成，其中90%以上的成员拥有硕士以上学历，及6年以上证券行业相关工作经验，其本人也具有15年从事证券投资、金融业务从业经验。

　　更多干货敬请期待近期将出版的《数字金融12讲》.