新智元報道
編輯：克雷格
【新智元導讀】“2018全球智能投資峯會”昨天結束，峯會由中國證券投資基金業協會金融科技專業委員會主辦，易方達基金、華夏基金、通聯數據、阿里雲、新智元協辦，主要探討了大數據、AI等前沿技術在金融行業的應用。中國萬向副董事長、通聯數據董事長肖風，新智元創始人兼CEO楊靜女士等嘉賓做了重磅演講，本文爲演講乾貨集錦。
AI又一次試圖改變中國股市。
昨天，2018全球金融數據探索與發現大賽（FDDC）的決賽正式舉行，6支隊伍利用AI對上市公司進行營收預測和對上市公司公告進行信息抽取，探索了AI的模型算法如何改變資產管理的未來。
FDDC大賽是全球首場專注金融領域、深入投資實戰的技術大賽，也是“2018全球智能投資峯會”的最核心的看點之一。
“2018全球智能投資峯會”今年是第三屆舉辦，由中國證券投資基金業協會金融科技專業委員會主辦，易方達基金、華夏基金、通聯數據、阿里雲、新智元協辦，主要探討了大數據、AI等前沿技術在金融行業的應用。
在峯會上，基金業協會領導，中國證券投資基金業協會金融科技專業委員會主席、中國萬向副董事長、通聯數據董事長肖風，新智元創始人兼CEO楊靜，微軟亞洲研究院副院長張益肇，百度北京大數據實驗室主任浣軍，通聯數據智能投研總監盛元君等嘉賓做了精彩演講。
以下對嘉賓演講和決賽選手答辯做精華集錦。
AI影響投資管理行業還處於AlphaGo階段，下一階段是Alpha Zero
首先是肖風《涌現論與智能投資》的演講。
中國證券投資基金業協會金融科技專業委員會主席、中國萬向副董事長、通聯數據董事長肖風
什麼是涌現論？
涌現論是一種研究方法，所謂的“涌現論”就是認爲互聯網所帶來的複雜系統、複雜網絡，在一個開放系統的環境裏面，參與者的互動會面臨很多隨機性的因素，這些隨機因素會決定事物的突變，因此這個系統被認爲是非均衡的、不可測的。
涌現論對應的是還原論，還原論的方法認爲過去是能夠證明現在的，而且也是能夠預示未來的，並且任何事物都是有序地、結構化地在運行，所以人們總是能夠還原它。
人們現在熟悉的投資管理的理論，大部分都還是基於還原論建立起來的。但是AI時代可能會讓人們在涌現論的方法之下，來重構投資管理一整套的理論。
“所以AI必將在某一年，真正給我們資產管理行業帶來很大的顛覆。”
肖風認爲，AI影響投資管理行業可以分成兩個階段，借用人機圍棋大賽來比喻，就是從AlphaGo到Alpha Zero的階段。
AlphaGo階段，AI起到的作用有三點：
- 幫助人們進行海量數據的處理和另類數據的獲取以及另類數據的分析；
- 利用知識圖譜、自然語言理解、智能搜索等等工具，提升人們的能力；
- 輔助分析員和基金經理，將人的能力的加強。
第二個階段是AlphaZero。這一階段AI注重強化學習、深度學習、遷移學習，從宏觀經濟、基本面、市場情緒、交易指標四個方面，解構並重構整個市場，以“預測性”和“決策性”表達機器的觀點。
肖風認爲，AlphaZero階段是未來五年到十年會出現的一個新的階段。
而AI未來可能對投資管理行業帶來的影響有三個層次：行業變革、商業變革和整個資本市場。
以行業變革爲例，如果將來智能投資技術成熟，有一天人們會看到智能投資可能會取代被動投資，在AI等技術的幫助之下，行業重歸主動投資。
未來已經到來。
在過去的兩年時間裏面，大量的人工智能科學家都加入到了金融行業，這批名單包括NASA首席數據科學家加盟貝萊德，微軟首席人工智能學家鄧力加盟citadel，華盛頓大學計算機教授Pedro Domingos加盟DE shaw，卡耐基梅隆大學計算機系主任Manuela Veloso加盟摩根大通。
這一名單還會加長。
AI摩爾定律造就偉大公司，產業生態投資將成王道
經濟是技術的反映，AI底層技術將深刻改變商業和投資格局。
OpenAI今年5月發佈的“AI與計算”的分析報告顯示：自2012年以來，在最大的AI訓練運行中所使用的計算力呈指數增長，每3.5個月增長一倍，相比之下，摩爾定律的翻倍時間是18個月。自2012年以來，AI算力指標已經增長了30萬倍以上。
新智元創始人兼CEO楊靜在演講中指出，由於半導體設備廠艾斯摩爾（ASML）確認1.5納米制程的發展性，這使得支撐摩爾定律延續至2030年，AI的摩爾定律有着硬件支撐基礎，因此還會有持續增長的潛力。
新智元創始人兼CEO楊靜女士
另外，我們當前處於量子計算爆發前夜，量子計算可能在數十年內將成主流，目前，百度、阿里、騰訊、華爲都在佈局量子計算業務。未來社會將進入從移動互聯網走向超級雲計算和萬物智聯網的階段，這將爲總體算力提供上億倍的增長速度，也是支撐AI摩爾定律的強大動力。
AI摩爾定律反映到企業上，行走在AI摩爾定律下的企業與行走在摩爾定律下的企業有着截然不同的表現。
不到1萬名員工的英偉達三年前的股價徘徊在20美元左右，如今已經漲到249美元，三年翻了十倍，它崛起的背後是龐大的AI算力需求。而老牌芯片廠商英特爾擁有近10萬名員工，人均產能卻低於英偉達。
“摩爾定律造就英特爾，AI摩爾定律造就英偉達。”楊靜指出。
在AI生態構建中，雲的能力很重要，全球排名前5的科技公司，如亞馬遜、谷歌、微軟等，都要轉型成AI雲公司。
- 谷歌雲：39億美元鉅額投資AI，建立龐大AI生態圈。 軟硬件+開源框架定製體系→聚攬天下英才→塑造龐大的開發者社區生態圈。
- 亞馬遜雲（AWS）：構建AI雲生態閉環。 AWS是全球公共雲市場的領導者，憑藉其可擴展性和全面的平臺服務，AWS是開發和部署雲和AI應用最領先的雲環境之一。採取開發者&企業客戶兩者並重的策略，目前佔據市場第一份額。
- 微軟AI雲：主打企業客戶市場，多種AI服務組合。 微軟在商業環境中擁有大量客戶，也有豐富的雲+AI服務組合，讓微軟成爲AI雲市場的佼佼者。尤其是在企業客戶市場，微軟堅持使用Windows，Office 365或Dynamics 365等產品紮根全球生態市場。 具備大量數據，這些數據流可以用於訓練機器學習算法和構建神經網絡。
以後人類會進入什麼樣的階段呢？楊靜認爲未來會從移動互聯網的階段走向超級雲計算和萬物智聯網的階段。在這樣的背景下，2018年做AI投資最核心的是要從散戶投機到產業生態投資，擁有軟件、硬件、核心技術、生態系統的公司可成爲“富可敵國”的投資巨頭。
目前，從BAT、華爲，到谷歌、微軟，都在圍繞着深度學習AI雲的軟硬件系統，打造未來的開發者生態體系，也是合作的生態。以華爲爲例，華爲的安卓綠色聯盟就有50萬的開發者，華爲每一臺手機更新到新版，需要1.2億行代碼，其中華爲做一半，谷歌做一半。
具體到AI對金融領域的影響，楊靜認爲，未來人工智能在保險、證券等領域還有大量場景可以挖掘，例如信用評估和智能賠付等等。
AutoDL用深度學習來設計深度學習網絡結構，幫中小企業降低AI使用成本
AI在逐步改變着金融業，但是企業應用AI也面臨着不少問題，最主要的問題就是成本。
以ImageNet挑戰爲例，隨着時間的推移，人們在ImageNet上的錯誤率越來越低，這背後的神經網絡結構也越來越複雜，對設計師的要求也越來越高。
對於一個初創企業來說，很難找到世界頂級的算法工程師來幫助設計網絡，並且現在GPU集羣也越來越貴，如果想打造一支強大的算法團隊，企業需要一個強大的工程團隊，需要有硬件、軟件支持。
小企業如何擁有自主設計神經學習網絡的能力？
浣軍教授今年年初加入百度任大數據實驗室主任，重點研究基於大數據的基礎算法和機器學習、數據挖掘、知識發現等技術。在百度，浣軍教授主要負責百度AutoDL的研發。
百度北京大數據實驗室主任浣軍
AutoDL的目標是用深度學習來設計深度學習網絡結構，從而達到深度學習網絡設計定製化、自動化、便捷化。AutoDL包含了3個方向：
- AutoDL Design: 自動設計全新的深度學習網絡結構
- AutoDL Transfer； 遷移原有的網絡至新的應用
- AutoDL Adaptation： 針對不同的端，例如手機， 將網絡結構進行優化
目前，AutoDL設計的網絡在公共測試集 CIFAR 10超過絕大多數人類專家設計的網絡效果；與百度EasyDL團隊合作，通過網絡優化+遷移學習，在所有測試的樣例中均可以提升效果，分類正確率絕對值提高5%～10%；AutoDL設計優化的網絡在手機端等資源有限環境下的部署，模型參數下降6～10倍， 預測時間減少3～6倍， 模型準確率幾乎不變。
AI解決投研三大痛點，聯邦遷移學習解決AI數據困境
通聯數據智能投研總監盛元君在演講中提到，AI等技術的出現驅動衆多機構利用Fintech重構業務模式，人工智能在某些問題上的效率速度上優於人工。
通聯數據智能投研總監盛元君
總體而言，人工智能時代技術發展解決投研三大痛點：決策過程與邏輯統一、提高信息收集和處理的效率、系統化應用提高管理能力。
要實現智能投資研究能力體系的構建，不是單純的數據整理就可以實現，通聯數據通過數據整合-技術處理-金融投研深度模型化-投研應用-協同應用等五個方面，逐步實現投研服務能力體系的搭建。
微軟亞洲研究院副院長張益肇講到了用AI助力數字化轉型，提供精準金融服務。
微軟亞洲研究院副院長張益肇
數字化轉型有四個大方向，更好地與客戶互動、激勵員工、運作優化、轉型產品。比如說，金融行業已經有越來越多的公司用AI幫忙分析股票或與客戶互動。
以客戶互動爲例，微軟智能雲能夠分析人的表情，然後判斷人類的情緒。小冰是強調跟用戶情感聯繫的機器人，因此小冰這種情感聯繫機器人的對話在與客戶互動中感知客戶情感。
張益肇透露了一組數據：小冰跟用戶的對話逐漸的增加，跟用戶的對話多到23個來回，一般的數字助理通常一兩個來回就結束了。
美國世紀投資首席投資官Vinod Chandrashekaran認爲，投資管理領域正在經歷一個代際轉變，主要變現在Alpha變得越來越難以提取，但好的一面是，數據和技術也在迅速發展，大數據越來越多地用於搜索Alpha，技術也成爲了一個Alpha的引擎。
美國世紀投資首席投資官Vinod Chandrashekaran
不過，在技術的大發展之下，未來投資管理將繼續風格趨同，傳統的管理者將尋求利用技術提高效率，量化基金經理將越來越需要獲取非傳統的數據來源，以保持其投資優勢。
數據對金融乃至AI的發展至關重要。國際人工智能聯合會（IJCAI）理事會主席楊強教授認爲，大數據驅動下的AI，面臨兩大困境：一是隱私、安全和監管困境，另一個是小數據、弱監督困境。
國際人工智能聯合會（IJCAI）理事會主席楊強教授
針對第一個困境，楊強教授提出聯邦學習（Federated Learning），聯邦學習是在保護數據隱私、滿足合規要求的情況下出現的機器學習趨勢，主要目的是在數據不共享的前提下，利用雙方的數據實現模型增長。
針對第二個困境，楊強教授認爲遷移學習是解決的方法。以斯坦福大學爲聯合國做的在衛星地圖中標記非洲大陸貧困地區爲例，在過去，做法是派人去現場進行經濟調查，斯坦福大學用到了遷移學習的方法來解決問題。
研究人員先對白天的衛星圖片進行語義級別的分割，標出橋樑、建築物等，接着以夜間燈光明亮度表示地區的經濟發達程度，第三步是根據勾畫出來的地區做一個拓展，最後在識別貧富程度上達到和現場調查人員相近的準確率。
全球首場金融領域AI大賽終極對決，10支隊伍瓜分百萬獎金
“2018全球智能投資峯會”上重磅的環節還包括2018全球金融數據探索與發現大賽（FDDC）決賽。
FDDC是全球首場專注金融領域、深入投資實戰的技術大賽，由中國證券投資基金業協會（以下簡稱“基金業協會”）金融科技專業委員會主辦，易方達基金、華夏基金、通聯數據、阿里雲共同承辦，旨在挖掘更多頂尖算法人才將全球先進的大數據、雲計算、人工智能等科學技術應用到金融行業和資產管理行業，提升行業對科技的應用和實踐能力，打造科技創新服務資產管理行業的新生態。
本次大賽包含兩大極具代表性的賽題：上市公司營收預測和上市公司公告信息抽取，大賽共吸引全球4231支隊伍、共計4804名選手參與，參賽人員多來自北京大學、浙江大學、上海交通大學、斯坦福大學、MIT、牛津大學等衆多海內外知名院校。
經過初賽和複賽兩輪評比，每個賽題分別選拔出五支隊伍進入決賽，並分別評選出前三名給予獎金鼓勵，獲獎團隊還可獲得全球頂尖金融及科技公司高管的直聘機會。
歷時3個多月，4231支隊伍經過線上初賽和複賽，共有10支隊伍進入決賽，於8月29日在北京進行現場答辯，8月30日，兩道賽題的前三名共6個團隊參加了終極對決。
比賽結果是：
賽題一（上市公司營收預測）
第一名：Alassea lome團隊
第二名：Quant_duet團隊
第三名：智能金融團隊
大賽評委之一，香港科技大學副教授、惠理投資中心副主任尤海峯點評：
尤海峯
智能金融團隊根據財務報表相互關聯的特點，創造性的把GPDT和DNN兩種算法結合起來，先用GPDT的算法自動的構造組合特徵，在此基礎上結合DNN深度學習的方法進行預測，取得了很好的效果。
FDDC大賽上市公司營收預測賽題第三名智能金融團隊
Quant duet團隊首先把財務數據進行了拆分，把歷史的營收和其他的財務數據給分割出來，剔除了歷史營收的財務數據，構建了多因子的預測模型，然後又把單獨拿出來的歷史營收數據和市場數據相結合，用一個全連接網絡深度學習的模型做預測，最後把兩個預測模型給整合起來。
FDDC大賽上市公司營收預測賽題第二名Quant duet團隊
這種數據拆分其實是提高了兩個模型的獨立性，從而在整合的時候、融合的時候能夠達到分散錯誤的效果。
Alassea Lome團隊展現了機器學習算法和領域知識很好結合起來的能力。首先他們對數據做了很好的理解、很好的處理和去噪音各種各樣的處理，然後根據他們對不同類型的公司理解，在特徵選擇上和算法選擇上都進行了個性化的處理，從而達到很好的預測效果。
FDDC大賽上市公司營收預測賽題第一名Alassea Lome團隊
回到賽題上來講，公司營收反映了公司的指標和公司管理層的行爲，如果我們能夠再更深的層面上，把金融科技、機器學習算法和相關的經濟與會計的原理進行更深層次的融合的話，能夠有更好的結果。
目前不管是從業界也好，還是學術界也好，還是處於比較早期的階段。隨着行業知識圖譜的建立，我們會在融合方面可能會做得更好，並取得更大的進展
賽題二（上市公司公告信息抽取）
第一名：GOGOGO團隊
第二名：Heisenberg團隊
第三名：Miyabi團隊
最具創意極客獎：東風又綠江南岸團隊，智能ABC團隊；
最具潛力極客獎：KingofWind團隊，ASD123團隊；
通聯數據CEO王政點評上市公司公告信息抽取賽題複賽前三團隊：
王政
Miyabi團隊用表格和分類的方法來抽取，能夠快速抽取結果；分類的方法能判斷哪些可以抽取。
FDDC大賽上市公司公告信息抽取賽題第三名Miyabi團隊
Heisenberg團隊有兩個亮點：1、有實用價值的系統架構，能很快用到工業界。2、在實體識別的方法比傳統的有很大提升。
FDDC大賽上市公司公告信息抽取賽題第二名Heisenberg團隊
GOGOGO團隊把不同公告的問題找到了一些共性的知識結構，能快速把複雜問題降維。另外，通過章節的識別提升效率。
FDDC大賽上市公司公告信息抽取賽題第一名GOGOGO團隊
王政表示，通過這次FDDC大賽，信息抽取得到了新的發展，但是以後問題會越來越難、越來越多，會有更多的文本、語音、圖像等信息需要處理，期待更多算法專家加入金融行業，推動金融科技發展。