金融市场似乎总是伴随着最大的不确定性，或暗流涌动，或风暴骤起，席卷颠覆所有的东西。
因此，在人们的想象里，金融常常是冒险家的乐园，大鳄们关起门来，相互间会心一笑，掀起市场的血雨腥风，然后在人们的仓皇恐惧中赚取超额利润。但实际上，巨头也不是总能呼风唤雨，他们也经常搬石砸脚，随着市场波动起伏，甚至投子认输，黯然退出。
除了跌宕起伏，金融的另一面常常是细水长流、润物无声的。可以给人们在追求物质、精神生活改善，或者自我发展道路上以及时的助力。
无论是跌宕起伏，还是润物无声，其背后都是对资金流和信息流的复杂逻辑的处理和应对。“金融获得感”日益成为一个重要的社会命题，如何在尊重金融规律的基础上，让金融跳出“大玩家游戏”的窠臼，更好地服务于亿万普通人？
人工智能可能正是处理海量信息、应对不确定性的最好工具。其创新突破以及在金融领域的实践，正开始让金融这种似乎总是高高在上的存在，重新俯身垂滴普罗大众，并为普惠金融的实现带来了曙光。
<h2>
机构来了“新实习生”</h2>
1994年，美国正处于黄金时代，作为全球唯一的超级大国，到处都是歌舞升平。这一年夏天，世界杯足球赛刚刚在洛杉矶落下帷幕，而新科技的火焰正在硅谷升腾，网景浏览器一经发布很快就风靡全球。中国在那一年才刚刚通过一根64k专线全功能接入国际互联网。为了遏制金融泡沫，格林斯潘领导的美联储在那一年开始大幅度加息，然而债券市场并没有意识到美联储进入了加息周期。全球金融危机13年以后才到来，此时的华尔街一片欣欣向荣。无数人才从世界各地来到这里寻找梦想。
暑假之前，我收到了道·琼斯一家子公司的实习聘书，实习内容是从事金融信息处理系统相关的工作。
我本科专业是信息管理，毕业后到美国留学，获得布法罗纽约州立大学计算机科学硕士学位。眼下的工作正好把信息管理和计算机结合起来。这份每天与财经金融新闻打交道的工作，我一做就是三年。接下去，我参与设计了《华尔街日报》网络版实时金融信息系统，又转赴国际知名互联网企业Infoseek做资深工程师。一边与金融信息打交道，一边通过《华尔街日报》观察硅谷的商战，并开始思考如何应对信息作弊的问题，不久之后就提出了“超链分析”技术的想法，并申请了专利，为日后的搜索引擎发展奠定了基础。
那时我还没有想到，有一天，随着人工智能技术的发展，机器系统对金融业务的改变会达到今天这样的深度，渗透到金融信息处理、数据分析、风险控制、征信、智能投顾（Robo-Advisers）、智能获客、量化投资等各个方面。
量化投资之王大卫·肖恩说过，“金融是一个绝妙的信息处理的生意”。也正因为此，百度高级副总裁朱光说：“最革命性的变化至少会在金融领域发生，因为人工智能就是数据的收集、分析、处理这个循环的极致。”
无论是在征信和反欺诈领域，综合用户画像构建风控模型；还是在投资领域，挖掘投资决策因子辅助投资决策；或是在投资顾问领域，为客户匹配个性化的投资组合等，机器对各种金融业务的渗透，本质上都是通过机器学习带来的金融信息处理能力的不断提升。
随着自然语言识别和信息数据库技术的不断进步，即使是单纯的金融信息处理，也已经发生了本质的改变。
这次向我们走来的实习生是一位机器人，而它与众不同的工作方式首先直观地体现在一份份金融分析报告的生成上。
金融信息可能是最复杂、最枯燥的信息，一份股转书有两百多页，还有大量的年报、半年报、研究报告、公告、反馈意见、尽职调查结果……我们不知道，有多少行业分析师是完全看完这些信息，再做出决策的。也许，不是他们不够勤勉，而是读完这些信息已经非人力所及。
百度数据金融总经理杨晓静描述过这样的行业现实：20世纪90年代，一个基金经理要把市场当天产生的研报、舆情、新闻、交易数据等看完，大概需要10个小时，也就是两天的工作量。2010年，移动数据爆发之后，这个基金经理要把每天市场上产生的信息吸收掉，大概需要10个月的时间。2016年，还是这个基金经理，假如把当天市场上所有的信息看完，大概需要20年的时间，相当于整个职业生涯。所以基金经理迫切需要利用先进的智能技术，比如百度的自然语言处理技术。
今天，当百度金融的智能金融信息分析系统处理数百篇行业新闻，并将其中的关键信息结构化，抑或是阅读上市公司的年报并形成分析报告，用时已经缩短到以分钟计。
在这一过程中，机器相当于承担了一个金融机构初级分析师的工作，甚至是一个实习生的工作，承揽了最基础的所有的累活儿。
这位机器实习生的工作逻辑也是类似提取“关键词”，并进行再组合的过程。
机器可以瞬间完成上市公司的公告、财务报表、官方发布、社交平台、证券行情、实时新闻、行业分析报告等海量异构数据的阅读，对于文本中的图片和表格需要OCR（光学字符识别）等技术解析。紧接着，进行关键实体信息的提取，发现埋藏在实体信息之间，如行业上下游关系、供应链关系、股权变更历史、定增与重大资产重组的关系、多张财务报表之间的数据交叉验证等数据关系，形成并呈现这些复杂关系的“知识图谱”。
如果更进一步，分析师只需要选择符合其需求的模板，确定主题，机器即可生成基本的报告文本。在最终输出前，分析师还可以人工校正报告精度，并加上独特的个人分析和结论，这样，一篇格式标准，甚至图文并茂的金融分析报告就诞生了。
这个潜力无穷的实习生显然不会停留在简单处理信息这个阶段。既然已经登堂入室，它必然会走得更远。
<h2>
人工智能让起点更公平</h2>
机器人首先推门进入的就是传统金融的核心区域——信用评级。
2016年7月18日下午，百度宣布投资美国金融科技公司ZestFinance。而一年前，ZestFinance还曾获得京东集团的投资。能同时得到中国两大互联网巨头的青睐，让ZestFinance这家当时仅服务10万名美国人的数据征信公司，为更多的中国人所了解。
这家位于洛杉矶的金融科技公司，使用机器学习的方式来评估个人贷款的信贷风险指数。其创始人是谷歌前首席信息官及工程副总裁道格拉斯·梅里尔和美国第一资本投资国际集团公司前主管肖恩·布德。
在美国，ZestFinance是挑战征信巨头FICO公司的革命者，后者占据着美国99%的信用评分市场和绝大部分发达国家的信用评分市场。
ZestFinance信奉“一切数据皆是信用数据”。不同于FICO的信用分数仅包含贷款人的几十项变量，ZestFinance的模型基于海量社交网络数据和非结构化数据，包含的变量将近1万项，在大数据挖掘的基础上最终形成一个独立的信用分数。而且与常规的信用评估体系相比，效率能够提高约90%。其号称在5秒内，就能对每位信贷申请人的超过1万条原始信息数据进行分析，并得出超过7万个可对其行为做出测量的指标。
就在入股ZestFinance之前的百度联盟峰会上，百度宣布，“人工智能对于金融也会产生变革性影响，可以真正做到让征信升级”，并特别强调，“现在百度的教育贷款，基本上是以‘秒’的时间就可以决定是不是给一个人贷款”。
“秒批”的背后，正是以机器学习为基础的大数据风控，在提升信贷服务效率、增加金融服务覆盖率上的小试牛刀。
一般来说，大数据风控的成果跟传统金融机构一样也是两个名单：基于白名单的征信，基于黑名单的反欺诈。后者因为“反黑”的目的，常常笼罩了神秘的色彩。比如彼得·蒂尔创立的、有全球第四大独角兽之称的人工智能公司Palantir，不仅在帮助美国安全部反恐中屡立奇功，更因为整合了40年的记录及海量数据并充分挖掘之后，终于发现了伯纳德·麦道夫(Bernie Madoff )的“庞氏骗局”，而为天下人所知。
但我们更愿意从主流的角度来讲述人工智能在金融风控中的故事。
根据中国人民银行的数据，截至2015年9月，中国人民银行征信系统收录的8.7亿自然人中有信贷记录的为3.7亿人，可形成个人征信报告、得出个人信用评分的有2.75亿人。
这就意味着，在中国还有约5亿人是没有征信记录的“小白”，他们被挡在传统金融服务的门槛之外。
而依托庞大的数据基础以及人工智能实现的人群画像技术，百度金融等企业，正在悄悄改变风控线上化的难题，把以往高高在上的金融服务涓滴到更多亟需帮助的“小白”身上。
比如，在大学学习了4年室内设计的李亮，最近开始在网上搜索UI（用户界面）课程、培训学校、分期交学费等信息，他希望通过学习，未来能进入一家大的互联网公司工作，但教育机构普遍不低的学费成了摆在面前的第一道坎儿。
李亮不知道的是，在同一时间还有很多人在百度上搜索着同样的关键词，虽然此时此刻他们还没有与百度金融直接发生关系，但这些人的群体性需求，正以数据的形式进入百度大数据风控的视野之内，并通过机器学习被归类于某一群体画像，从而拥有了相应的信用判断。
对比了几家教育机构之后，李亮终于选择了一所培训学校学习UI，并且决定试试老师推荐的百度有钱花学费分期贷款。他通过手机在短短几分钟内，填写个人身份信息并拍摄个人图像等，完成贷款申请步骤。
而在光纤的另一端，百度风控的策略系统迅速响应，根据人群画像，借助图像识别等技术，对李亮的信息进行采集、加工和分析，并调用数据字段结果送给风控平台，进而完成授信过程。
经过短暂的等待，李亮收到了人生中第一笔贷款审核通过的短信。
几个月的UI课程学习结束后，李亮决定再次贷款学习VI（视觉设计），为即将步入职场加码，这时他惊喜地发现，因为良好的还款记录和稳定的消费记录，机器给他的贷款额度和信用支付场景在扩展和提升。
更重要的是，机器给李亮建立的人生第一份信用记录，可以帮助他超出百度金融体系之外，在更多金融机构里享受更全面、更好的金融服务，彻底告别信用“小白”状态，提升金融服务的获得感。
朱光曾说：“我们这个社会，究竟该由谁来给身无长物的年轻人发放第一笔贷款，在他们人生关键的爬坡阶段给予扶持？现在来看，答案也许是‘机器’。”
而当机器完成了金融服务对象——人的数据化，就已经没有什么可以阻止它在金融王国里纵横驰骋了。
<h2>
个人钱包的智能守夜人</h2>
一向对技术投资不太感冒的巴菲特大概不会想到，有人会用他的名字为一款智能投资咨询软件来命名。这款致敬投资大师的软件，就是智能投资公司Kensho（这个名字是日语用来描述禅宗的“明心见性”，透过现象看本质的意思）设计的一款基于云计算的财经软件“沃伦”，其使用大数据和机器学习分析具体事件（从自然灾害到选举结果）对市场的影响，并使用简单易懂的知识图呈现结果。
这款软件发布之初就震动了华尔街，很多人甚至打电话给Kensho的创始人纳德勒，大骂他是“叛徒”。因为在华尔街，无论是人工智能还是什么其他华丽的技术，关起门来闷声发大财才正常，而将其公之于众，普惠众生则是典型的“大逆不道”。
因为金融信息的掌控和处理本身就被看作是一项垄断性的生意。彭博社和路透社估计：长期垄断的金融数据市值达到260亿美元。
越来越多的“沃伦”同道正在打破这一现状。
另一家公司Hedgeable，创立之初就立志推翻华尔街的垄断，其创始人Michael Kane（迈克尔·凯恩）和Matthew Kane（马修·凯恩）是一对双胞胎兄弟，曾服务于全球最顶尖的对冲基金桥水基金，以及最著名的投资银行摩根士丹利等华尔街巨鳄机构，因为日益厌倦华尔街只为世界上最富有的人服务，而辞职在纽约创立了Hedgeable，依托人工智能技术，致力于为普罗大众提供投资顾问服务。
<img src="/uploads/allimg/200412/1-2004120Q259604.jpg" />
图7-1 Hedgeable办公室墙上空手道踢倒华尔街的涂鸦
资料来源：www.Hedgeable.com
如果说投资顾问对美国人早就是司空见惯的服务。那么，对于经历了三十多年财富积累的中国人来说，则是一项亟需普及的财富管理方案。
2016年底，知名财经作家吴晓波进行了一项“新中产消费调查”，发现人数可能达到1.8亿的“新中产”阶层，正在普遍陷入一种财富保值的巨大焦虑之中。
高净值人群的财富一直享受着金融机构私人顾问的专属打理，那谁来保卫“新中产”的钱包，缓解他们的财富焦虑？
智能投顾，也被称为机器人投顾、智能理财等，是指在人工智能和大数据的基础上，针对不同风险偏好和投资要求的用户，由计算机提供基于算法的投资管理建议，帮助投资者组建个性化的资产投资组合，实现个人资产配置的最优化。
智能投顾一般遵循如下服务流程：首先洞悉投资者需要，即清楚地了解投资者自身及家庭整体的关键数据。比如投资者所处人生阶段、收入水平、历史投资经验和偏好。一般来说，投资者标签越丰富，画像的颗粒度越精细，对投资者的把握就越准确。
理财是财富保护、长期投资、资产配置，更是一种人生规划方式。所以，下一步，机器还要详细描摹投资者阶段性的生活追求，如买房、买车、求学、育儿、养老等，以此搭配相应的投资周期以及考察投资回报期望。
接下来，机器就要考察投资者的风险偏好。以年龄、职业生涯所处阶段、收入结构、生活负担等作为基本参考纬度，确定投资者能承担风险的阈值。需要指出的是，在线下，投资者面对自己的投资顾问表达的风险偏好，往往与其真实风险偏好有很大偏差，这就需要投资顾问与投资者进行专业细致的沟通，以洞悉客户真实的风险阈值，这一过程成本很高。而机器是通过大数据识别客户风险偏好，而且可以根据市场状况实时动态调整，画出投资者的风险偏好变化曲线，这就大大降低了沟通成本，也就意味着投资者可以付出更少的“羊毛”。
全面掌握了投资者的基本情况后，就需要根据具体的客户体征，在丰富的金融产品中，挑选最适合的资产配置组合。
因此，机器顾问作为中介，在连接用户端完成投资者画像的同时，当然也要对金融产品端如数家珍，也即对可选投资标的背后的基础资产充分了解。比如，资产特性是什么、波动率怎样、收益表现是什么情况、稳定性是什么情况、多个资产间相关性是什么情况等。
对两边的了解都达标后，机器要考虑怎么做组合上的匹配，而不是单一的匹配。这一过程其实需要海量的运算能力以及高效的深度学习算法的能力。这也是百度这样的技术公司可以切入这个领域，并且如鱼得水的原因。
最后，还要有资产的监察和控制能力，随着市场变化调整资产组合，机器就要不断更新投资方案，以匹配用户需求。
智能投顾的出现，改变了理财资管机构与客户交互的方式，可以真正了解投资者诉求偏好，从而可以通过散点生产、定制化生产来配置资源。
<img src="/uploads/allimg/200412/1-2004120Q2593S.jpg" />
图7-2 智能投顾示意图