机器学习已开始震撼金融界。作为人工智能的一个子集，机器学习擅长发现规律并作出预判，这在以前一直是科技公司的专属技术。如今金融业也赶上了这趟风潮。只举几个例子：咨询审计公司普华永道、大型银行摩根大通和对冲基金管理公司Man GLG都设有“机器学习主管”。自2019年起，如果想要获得业内广受追捧的资质、成为“特许金融分析师”，必须掌握AI专业知识才能通过考试。
尽管许多人表示怀疑，其中甚至包括一些专门根据算法来进行交易的“量化”对冲基金，但机器学习势必将产生巨大的影响。创新的金融科技公司和一些灵敏的传统金融企业已开始将这一技术应用到方方面面，例如防欺诈和寻找新的交易策略等。这不仅有望颠覆单调乏味的后台苦差，还将深刻影响更为风光的前台部门。
机器学习已经广泛应用于合规、风险管理和预防欺诈等工作。英国公司智能语音（ Voice）向大银行出售基于机器学习的语音转录工具，可用来监控交易员的电话，以发现内幕交易等不正当行为的迹象。其他的专业公司如或向银行和投资公司提供接近实时的风险敞口跟踪，让它们能随时监控自己的资本要求。
机器学习擅于发现不寻常的交易模式，而这种异常背后可能存在欺诈。从（面向支付业务）或Shift （面向保险业务）这类创业公司，到IBM这样的巨头都在提供此类服务。有些企业正在自行研发这样的技术。英国银行业创业公司Monzo建立了一个模型，能够及时阻止诈骗嫌疑人完成交易，这令它的预付费卡欺诈率从2016年6月的0.85%降至2017年1月的不到0.1%。
自然语言处理将人工智能系统的威力释放到文字上，开始对金融业繁重的文书工作产生巨大影响。2016年6月，摩根大通部署了每秒能筛查1.2万份商业贷款合同的软件。换在过去，审查这些合同要耗费律师和信贷员36万个小时。
机器学习还擅长自动化金融决策，无论是评估信用还是保单的投保资格。Zest 自2009年成立后就从事自动化信用评分业务。今年早些时候，该公司推出了一款机器学习信贷审核工具，可帮助贷款方做出信贷决策，甚至可以决定是否贷款给那些几乎没有传统信用评分信息的人。该工具筛查大量的数据，如这些人的付款历史，或是他们与贷款方网站的互动。精通科技的保险创业公司既利用机器学习来卖保险，也用它来管理索赔。
机器学习的最新应用领域可能是在交易上，人们用它来分析市场数据，以及选择并交易证券投资组合。高盛的量化投资部门用机器学习驱动的语言处理技术来通读分析师撰写的成千上万份公司研报。该技术根据积极言论和消极言论的数量对比，编制出一个综合的“情绪评分”，然后用这一评分来帮助选择股票。高盛还投资了，这家创业公司根据自然灾害等事件的有关数据，用机器学习预测这些事件将如何影响市场价格。
可量化进展
新老量化对冲基金都纷纷涌入这一行列。自2013年成立以来，位于多伦多的行业新贵 Ridge资产管理公司年均回报率已达32%。该公司采用了一套精密复杂的机器学习系统来做投资决策，类似于进化生物学的建模系统。公司CEO艾德里安·德·瓦卢瓦-富兰克林（ de -）称，该系统非常灵敏，甚至在24桩收购交易公布之前就捕捉到了消息（因为指示信号显示有小额内幕交易）。同时，资产规模达188亿美元的老企业Man AHL量化基金公司自2009年起就开始研究机器学习在交易上的应用，并在2014年起将其用作管理客户投资的手段之一。
这样看来，一些知名的量化基金反而是机器学习的怀疑者，似乎就有些奇怪了。 的马丁·卢埃克（ Lueck）认为人们高估了这一技术，称他的公司觉得机器学习用处有限。量化基金巨头Two Sigma的联合创始人大卫·西格尔（David ）和 的大卫·哈丁（David ）也同样认为这种技术被过分炒作。
然而在其他领域，机器学习具有颠覆性的潜力。金融界也没有理由成为例外。机器学习基金管理公司的乔纳森·马茨（ Masci）认为，在计算机视觉领域，多年来的努力方向都是从规则出发，例如告诉计算机如何识别鼻子；而在2012年，机器学习进程迅速超越了这一切——它让计算机通过仔细观察数百万张鼻子的图片，“学习”鼻子长什么样。马茨说，与此类似，机器学习的算法终将战胜以人为设定的规则为基础的传统交易策略。
无论如何，真正的弱点可能在交易之外。许多量化基金依赖人类研究人员筛查数据、构建算法。这些岗位可能会被表现更好的机器代替。虽然Two Sigma及其同行们宣称自己不信机器学习那一套，但它们都在忙着招揽机器学习专家。
相关文章
