小城不小，大城不大；從“小城”走出，一路向北走向“大城”；希望通過(guò)小城故事，一起去感悟所謂我們的“小成”與“大成”。

金融保險(xiǎn)：深度學(xué)習(xí)——挑戰(zhàn)、偏見(jiàn)與路徑（下篇）

“中央財(cái)經(jīng)大學(xué)金融科技書系”第一本書《金融保險(xiǎn)：深度學(xué)習(xí)》，在2018年底終于正式出版，這是中央財(cái)經(jīng)大學(xué)中國(guó)精算研究院金融科技中心的又一力作。金融科技中心的成員主要有張寧博士、陳輝博士，主要聚焦于大數(shù)據(jù)、人工智能、區(qū)塊鏈在金融和保險(xiǎn)中的應(yīng)用，已經(jīng)開(kāi)發(fā)上線“保險(xiǎn)大數(shù)據(jù)APP”、“金融腦”金融人工智能平臺(tái)，“中央財(cái)經(jīng)大學(xué)金融科技書系”也將陸續(xù)出版。

近年來(lái)，“中央財(cái)經(jīng)大學(xué)金融科技書系”編委會(huì)成員先后出版了多本金融科技相關(guān)的專業(yè)書籍，為此，我們梳理了一套金融科技書系，希望通過(guò)金融科技書系去理清金融科技的發(fā)展脈絡(luò)，去提升金融科技的認(rèn)知能力，去改變我們的思維方式，去升華我們的智慧。

“中央財(cái)經(jīng)大學(xué)金融科技書系”編委會(huì)成員專注于金融科技研究，我們不僅僅是一個(gè)團(tuán)隊(duì)，而是連接金融領(lǐng)域研究力量和人工智能大數(shù)據(jù)等領(lǐng)域研究力量的平臺(tái)，希望“中央財(cái)經(jīng)大學(xué)金融科技書系”的每一本書都開(kāi)啟一個(gè)“認(rèn)知革命”的故事，一個(gè)“預(yù)見(jiàn)未來(lái)”的故事，成為金融科技理論研究與實(shí)踐探索領(lǐng)域創(chuàng)新篇章的動(dòng)聽(tīng)音符。

下面我給大家介紹張寧博士所著的《金融保險(xiǎn)：深度學(xué)習(xí)》的一些內(nèi)容“人工智能+金融：挑戰(zhàn)、偏見(jiàn)與路徑”，因內(nèi)容比較多，我將分上下兩篇來(lái)介紹。

上篇：

【挑戰(zhàn)】

【偏見(jiàn)】

下篇：

【路徑】

盡管金融仿佛在不斷地與人工智能融合，但是，真實(shí)的情況更加復(fù)雜。

人工智能更像一個(gè)刺猬，在金融業(yè)務(wù)的很多外端，越來(lái)越多的人工智能得以應(yīng)用，并發(fā)揮出效率優(yōu)勢(shì)，例如，越來(lái)越多的金融中的投資顧問(wèn)和保險(xiǎn)顧問(wèn)等，但是，這些都起到輔助的作用。

人工智能仿佛只能給金融行業(yè)打工，但是，不能成為股東，也就是說(shuō)，金融行業(yè)的核心技術(shù)與人工智能還有相當(dāng)?shù)木嚯x。金融業(yè)本身是數(shù)學(xué)風(fēng)險(xiǎn)的行業(yè)，或者說(shuō)是在不確定的條件下，進(jìn)行資本資產(chǎn)配置和定價(jià)，其核心是風(fēng)險(xiǎn)管理、資本資產(chǎn)配置和定價(jià)，但這些仿佛離人工智能還很遙遠(yuǎn)。

可以預(yù)計(jì)，金融與人工智能的融合將分三個(gè)階段進(jìn)行：

第一個(gè)階段——科技賦能階段，這個(gè)階段強(qiáng)調(diào)的是場(chǎng)景應(yīng)用，是其他領(lǐng)域成熟的人工智能技術(shù)，平行地應(yīng)用在金融里面，來(lái)提升業(yè)務(wù)某些環(huán)節(jié)的效率。

第二個(gè)階段——科技增能階段，這個(gè)階段強(qiáng)調(diào)的是模型的應(yīng)用，但由于這些模型直接應(yīng)用會(huì)帶來(lái)合規(guī)風(fēng)險(xiǎn)，所以，我們預(yù)計(jì)這個(gè)階段會(huì)產(chǎn)生大量為金融行業(yè)服務(wù)的第三方專業(yè)服務(wù)。這個(gè)階段是主動(dòng)的，金融行業(yè)認(rèn)識(shí)到人工智能的特點(diǎn)以及優(yōu)勢(shì)，主動(dòng)在業(yè)務(wù)環(huán)節(jié)中應(yīng)用人工智能，獲得效率提升，甚至改變業(yè)務(wù)方式。

第三個(gè)階段——科技產(chǎn)能階段，這個(gè)階段的特點(diǎn)是價(jià)值應(yīng)用，這一類的金融核心業(yè)務(wù)將進(jìn)行人工智能化，人工智能將成為金融核心價(jià)值的創(chuàng)造手段之一，甚至成為主要的創(chuàng)造手段，這個(gè)階段也要求監(jiān)管智能化。

2010～2030年人工智能的路徑如圖2所示。

圖2 2010-2030年人工智能的路徑

在科技賦能階段，很多都是場(chǎng)景應(yīng)用，例如，程序化的交易量化投資，也看到基于車聯(lián)網(wǎng)的保險(xiǎn)的動(dòng)態(tài)定價(jià)，還有顯卡用于金融計(jì)算，筆者的團(tuán)隊(duì)在這方面也做了一些工作，將其他行業(yè)成熟的自然語(yǔ)言理解技術(shù)，平行地應(yīng)用到金融領(lǐng)域中。例如，為實(shí)現(xiàn)相應(yīng)的金融報(bào)告、行研報(bào)告的理解和特征抽取，經(jīng)過(guò)大量的訓(xùn)練，可以自動(dòng)生成相應(yīng)的行業(yè)報(bào)告或者符合規(guī)則的金融報(bào)告。

在科技增能階段，一些相關(guān)研究成果也成為本書中的內(nèi)容，例如，基于手背紋理的生理年齡的區(qū)別與健康狀態(tài)的評(píng)價(jià)、混合步態(tài)以及身材等參數(shù)，這種遠(yuǎn)程評(píng)價(jià)可以大幅度提升效率，可以用于健康險(xiǎn)或者人身險(xiǎn)的定價(jià)，也可以用于金融的偏好識(shí)別和估計(jì)。

對(duì)金融的偏好識(shí)別，我們使用了大量的數(shù)據(jù)，風(fēng)險(xiǎn)偏好就不再是簡(jiǎn)單的、固定的，而是動(dòng)態(tài)變化的了，例如，身材、健康狀態(tài)以及衰老的狀態(tài)都會(huì)影響風(fēng)險(xiǎn)偏好，這些風(fēng)險(xiǎn)偏好最終會(huì)影響金融的投資和判斷，使用的模型是循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)以及注意力模型。

我們還在金融欺詐識(shí)別方面做了一些工作，不管是保險(xiǎn)中的欺詐還是投資信貸方面的欺詐，有許多信息可以捕捉到欺詐的概率，我們使用Res Net（這就是谷歌的Alpha Zero的技術(shù)網(wǎng)絡(luò)）來(lái)處理這些信息，從而獲得欺詐的識(shí)別。在這個(gè)過(guò)程中，我們可以評(píng)價(jià)一些如衰老的風(fēng)險(xiǎn)指數(shù)以及身材的指數(shù)，這里衰老的風(fēng)險(xiǎn)指數(shù)并不是指老年人口占多少，而是通過(guò)步態(tài)、心理等多方面的數(shù)據(jù)來(lái)分析整體人群的健康狀態(tài)。

在科技產(chǎn)能階段，這是金融和人工智能真正融合的核心，它必須要突破三個(gè)最核心的障礙，金融才能完美地?fù)肀斯ぶ悄?。按照影響程度排序?/p>

第一個(gè)障礙，也是最重要的障礙就是可解釋性，也就是要克服新一代人工智能的黑箱問(wèn)題。

第二個(gè)障礙，就是不確定條件下的人工智能，或者說(shuō)是人工智能處理風(fēng)險(xiǎn)的能力。

第三個(gè)障礙，就是金融中的通用學(xué)習(xí)有沒(méi)有可能。

從來(lái)沒(méi)有一個(gè)行業(yè)像金融這么迫切需要人工智能的可解釋性，而這恰好也與深度學(xué)習(xí)的黑箱特征有關(guān)，這里的根本原因在于，世界各個(gè)國(guó)家以及組織對(duì)金融都是進(jìn)行監(jiān)管的，金融業(yè)牽一發(fā)而動(dòng)全身，一旦發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)，將會(huì)波及諸多經(jīng)濟(jì)和政治，2008年金融危機(jī)就是這樣的例子。

這就要求金融業(yè)務(wù)的過(guò)程應(yīng)該是透明的。若不能告訴監(jiān)管機(jī)關(guān)，這些結(jié)果就都是由一個(gè)黑箱得出的。盡管金融是在不確定條件下處理問(wèn)題的，但處理機(jī)制不應(yīng)該是黑箱，否則一個(gè)由諸多黑箱組推動(dòng)的行業(yè)，將會(huì)產(chǎn)生重大的系統(tǒng)性風(fēng)險(xiǎn)。

就如對(duì)保險(xiǎn)產(chǎn)品來(lái)說(shuō)，客戶本身也關(guān)心為什么一個(gè)36歲的人買這款產(chǎn)品要比25歲的人價(jià)格高，你不能告訴客戶這是一個(gè)深度網(wǎng)絡(luò)給出的結(jié)果，而應(yīng)該告訴他，36歲的人死亡率比較高。同樣對(duì)風(fēng)險(xiǎn)也是這樣，公司的管理層或者董事會(huì)想知道風(fēng)險(xiǎn)的特征是什么？影響風(fēng)險(xiǎn)的這些因素到底是如何影響風(fēng)險(xiǎn)的？這都是當(dāng)前深度網(wǎng)絡(luò)面臨的核心問(wèn)題。

我們給出了一個(gè)嘗試性的方案，這個(gè)方案稱為網(wǎng)絡(luò)探針。深度網(wǎng)絡(luò)某種程度是黑箱，所以，我們通過(guò)信息幾何和符號(hào)計(jì)算的基礎(chǔ)數(shù)學(xué)理論，設(shè)置一些相應(yīng)的探針，由此來(lái)發(fā)現(xiàn)這個(gè)黑箱的運(yùn)作機(jī)制，并結(jié)合精算的極端估計(jì)，給出這個(gè)黑箱異常行為的可能性判斷。這就如同我們想知道一個(gè)烤地瓜熟沒(méi)熟，最好的方式是用溫度計(jì)插入到不同深度來(lái)看一下溫度，同時(shí)，我們還不希望這個(gè)地瓜某些部位糊掉，也就是說(shuō)，我們還關(guān)心它的極端風(fēng)險(xiǎn)。這些都是金融行業(yè)需要的，同時(shí)，也可以用于其他行業(yè)。網(wǎng)絡(luò)探針示意圖如圖3所示。

圖3 網(wǎng)絡(luò)探針示意圖

有了這樣的技術(shù)，金融行業(yè)應(yīng)用人工智能應(yīng)該有這樣的迭代關(guān)系，也就是說(shuō)，從成熟的金融模型開(kāi)始，考慮大量潛在的非結(jié)構(gòu)化數(shù)據(jù)，通過(guò)使用機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)模型，捕捉這些數(shù)據(jù)的信息，然后，通過(guò)前面提到的探針技術(shù)、稀疏結(jié)構(gòu)、注意力機(jī)制發(fā)現(xiàn)一個(gè)初步可解釋的模型，將這個(gè)模型用于成熟模型的子模型，如此迭代，實(shí)現(xiàn)金融核心技術(shù)與人工智能的結(jié)合。

但是，該技術(shù)仍然是基于工程的方法，在書中我們介紹了金融深度學(xué)習(xí)可解釋問(wèn)題的數(shù)學(xué)工具“信息幾何”。目前看來(lái)，它是最后可能解決該核心問(wèn)題的有效工具。

人工智能把握風(fēng)險(xiǎn)的能力，實(shí)際上是我們對(duì)人工智能網(wǎng)絡(luò)風(fēng)險(xiǎn)能力持有的懷疑態(tài)度。

我們用1年多的時(shí)間做了強(qiáng)化學(xué)習(xí)在投資中的應(yīng)用，這里訓(xùn)練出的“投資腦”，完全沒(méi)有人類的投資經(jīng)驗(yàn)，而是通過(guò)市場(chǎng)反饋形成了自己的邏輯。

我們做了整體的對(duì)比，做了一個(gè)長(zhǎng)期的投資計(jì)劃，這里面有三個(gè)選手：

選手1：優(yōu)秀的投資經(jīng)理。

選手2：當(dāng)前很火熱的量化投資程序，注意，這里的量化程序并不是人工智能，而是指基于規(guī)則的量化投資，也就是說(shuō)，不需要人為干擾，它可以幫助人類實(shí)現(xiàn)規(guī)則錨定的投資方案。

選手３：我們基于強(qiáng)化學(xué)習(xí)、繼續(xù)強(qiáng)化學(xué)習(xí)和訓(xùn)練的金融大腦，這個(gè)金融大腦從開(kāi)始就沒(méi)有受到人類的規(guī)則限制，而是通過(guò)自己近百萬(wàn)次的學(xué)習(xí)（這里面當(dāng)然要有一些技巧，因?yàn)槭褂霉雀杼岢龅募夹g(shù)成本太大），然后，在300多個(gè)交易日，形成了200多次交易，我們對(duì)此進(jìn)行了分析，希望從中得到人工智能對(duì)風(fēng)險(xiǎn)把控的能力判斷。

通過(guò)最終的投資記錄比較，我們可以發(fā)現(xiàn)如圖4示的結(jié)論。

圖4 投資記錄比較結(jié)果

收益與風(fēng)險(xiǎn)

人類投資收益是8.9%，研發(fā)投資程序是7.6%，而人工智能可以達(dá)到16.3。從收益角度看，人工智能占有絕對(duì)優(yōu)勢(shì)，但是，我們要注意到風(fēng)險(xiǎn)控制能力，如果量化投資程序是100分的話，而人工智能只能拿到50分。

具體體現(xiàn)在兩個(gè)方面：

一方面是極端風(fēng)險(xiǎn)出現(xiàn)的次數(shù)，基本上，人類和量化投資程序沒(méi)有出現(xiàn)極端風(fēng)險(xiǎn)，但人工智能明確出現(xiàn)了我們定義的極端風(fēng)險(xiǎn)三次；

另一方面是“最差戰(zhàn)績(jī)”，也就是說(shuō)，損失最大的一筆投資，人類投資收益是-13.7%，而人工智能達(dá)到了-18.1%。

綜合評(píng)價(jià)：以上結(jié)果很容易給人這樣一個(gè)認(rèn)識(shí)：人工智能只是一個(gè)沒(méi)有經(jīng)驗(yàn)的選手，它在投資市場(chǎng)里之所以獲得高收入，是因?yàn)槊傲颂蟮娘L(fēng)險(xiǎn)，完全是收益驅(qū)動(dòng)的，或者說(shuō)只是因?yàn)檫\(yùn)氣好。類似于賭博的新手，通常開(kāi)始運(yùn)氣都不會(huì)太差。

事實(shí)真的如此嗎？

大局觀

通過(guò)深入挖掘，研究發(fā)現(xiàn)一些令人思考的問(wèn)題：

人類的投資人關(guān)注的投資周期是短期和中期，但是，人工智能關(guān)注的是中期和長(zhǎng)期，這里的長(zhǎng)期穩(wěn)定率是80天以上。

所以，從大局觀的角度來(lái)看，人工智能如果是100分的話，人類投資人能拿到80分，進(jìn)一步還有很多的數(shù)據(jù)和統(tǒng)計(jì)來(lái)印證這一點(diǎn)。

重新定義風(fēng)險(xiǎn)和收益的平衡點(diǎn)

這值得我們思考，無(wú)論是金融還是保險(xiǎn)，本身都與風(fēng)險(xiǎn)有關(guān)，這些對(duì)比其實(shí)是采取了人類的經(jīng)驗(yàn)來(lái)評(píng)價(jià)人工智能的表現(xiàn)，類似于用人的經(jīng)驗(yàn)來(lái)考慮人工智能圍棋的能力，這似乎有些問(wèn)題。

換個(gè)角度想，也許人工智能沒(méi)有人類這些規(guī)則的束縛，能找到更好的收益和風(fēng)險(xiǎn)的平衡點(diǎn)——基于它的風(fēng)險(xiǎn)把控能力，實(shí)際是金融應(yīng)用人工智能的潛力所在。

通用學(xué)習(xí)針對(duì)的是三類人工智能中的通用人工智能，或者說(shuō)是它的入門門檻。但聚焦在金融領(lǐng)域，就是人工智能能否在金融領(lǐng)域進(jìn)行通用學(xué)習(xí)？如果我們把這里的通用學(xué)習(xí)指基于樣本自動(dòng)而生成深度網(wǎng)絡(luò)并進(jìn)行訓(xùn)練，那么直觀上看，很多人會(huì)覺(jué)得業(yè)務(wù)很繁雜以至于難以實(shí)現(xiàn)。

但是，事實(shí)上是有可能的。金融的業(yè)務(wù)與業(yè)務(wù)之間、部門與部門之間、甚至監(jiān)管和行業(yè)之間、市場(chǎng)與行業(yè)之間，信息傳遞主要表現(xiàn)為固定集中的表格、有規(guī)則的報(bào)告、有規(guī)則的文件等，也就是說(shuō)，存在著天然的特征，這使得通用人工智能學(xué)習(xí)成為可能。

我們的研究團(tuán)隊(duì)用一個(gè)二值網(wǎng)絡(luò)作為前置條件，可以根據(jù)樣本自動(dòng)構(gòu)建深度網(wǎng)絡(luò)，實(shí)現(xiàn)通用人工智能，并能夠給出一定范圍優(yōu)化的參數(shù)和訓(xùn)練路徑，這種方式可以取代一些金融模型，但還需要深入探索。

盡管有挑戰(zhàn)、有偏見(jiàn)，但是，融合將會(huì)繼續(xù)，根據(jù)人工智能技術(shù)發(fā)展的分析，以及對(duì)金融行業(yè)發(fā)展的預(yù)期，我們認(rèn)為，金融行業(yè)會(huì)有一些從業(yè)人員受到人工智能技術(shù)的替代，比例會(huì)從6%上升到35%，這個(gè)時(shí)間大約在2035年。

這個(gè)過(guò)程如果繼續(xù)下去，就會(huì)帶來(lái)一個(gè)有趣的問(wèn)題，那就是：金融行業(yè)會(huì)產(chǎn)生著名的勒德謬論嗎？

18世紀(jì)的時(shí)候，一個(gè)叫勒德的工人，夜晚進(jìn)入工廠砸毀了機(jī)器來(lái)發(fā)泄自己的不滿，因?yàn)檎羝麢C(jī)帶動(dòng)的織布機(jī)取代了他的工作，他被辭退后就希望用這種方式來(lái)阻止機(jī)器取代工人的過(guò)程，很顯然，這是不可能完成的任務(wù)。

理論上最好的“阻止”該過(guò)程的方式就是：人類在工作鏈條的更高端找到位置。

但是，我們要問(wèn)一個(gè)問(wèn)題，如果工作鏈條的最高端的位置也被人工智能取代了，會(huì)發(fā)生什么？政府是否需要提供經(jīng)濟(jì)學(xué)家100多年前提到的“無(wú)條件基本收入”呢？

這值得我們進(jìn)一步去思考。