金融与编程、AI

AI在金融领域

要避免AI算法导致的决策陷阱，至少在目前阶段，甚至可以预见的很长一段时间，AI算法只能作为一种辅助决策工具，而不是彻底地代替人类做出决策，并且越复杂的投资决策越是如此。

AI算法的训练需要大量数据，并且这些数据需要有一定的平稳性和规律性，才能够从中学习出相对普适性的规律，从而做出相对可靠的预测。而金融市场和金融指标从来都不是仅仅受到金融领域本身的内因影响，而是与复杂的政治，经济形势，自然气候，乃至文化领域的演化发展息息相关。这决定了金融系统是一个高度非线性，高度耦合，自反馈，乃至混沌的动力学系统。无论上述的哪一个特征，对于准确预测都是致命的挑战。

因此，AI算法在金融投资中扮演的角色，更多应该是一个助手或者管家，比如对海量的市场信息进行加工和提炼，对某些特定的金融产品和投资决策进行分析，从而为投资经理提供决策必备的辅助和支持。当然这类支持因为是经过加工和处理的，相比较原始信息，理想情况下应该具有更高的信噪比，这样一来人工决策的效率会大大增加。

当然，这一过程也不应该是单向的。投资经理根据加工过的数据和信息，也许会将改进的投资方案再次输入AI模型进行分析和加工，从而产生新的一轮数据信息的提炼。反复多次，最后的决策也更有可能趋向最优。而AI模型也会在这一过程中变得更加成熟与可靠。

消费信贷风险，由于产品大都比较标准化，采集用户数据的方式与来源也较为丰富，可以用于构建较为精准的用户画像，以及提炼相关的模型特征，所以机器学习算法的应用场景比较广泛。基于算法的信用评估模型可以很方便地转换为评分卡的形式，直接部署上线。同时，模型能够在上限之后继续吸收实时数据进行自我完善，形成一个强大的自反馈机制。

而对于对公信贷，如企业信贷，机器学习算法的发展和普及就要滞后很多。究其原因，首先是因为数据的缺乏。尤其是投资级债务，比如美国市政债券的历史违约数据，即使是穆迪这样的大型专业评级机构，所掌握的数据量也少的可怜。
这样的数据，即使是用于构建线性回归和逻辑回归这样最简单的统计模型，都显得又些捉襟见肘，更不用说更复杂的算法了。