2017年5月19號，微軟人工智能首席科學家、IEEE Fellow 鄧力透露自己已經離開微軟，加入美國基金公司 Citadel 擔任首席人工智能官（Chief Artificial-Intelligence Officer）。

在金融投資領域，科技對量化對沖的介入已有一段歷史，也有不少計算機科學等專業的科技人才或金融與IT結合的符合人才進入到金融業，以推動金融科技的發展，但如此重要的一位人工智能學界翹楚加入基金公司巨頭，確是AI落地、金融業務變革中不可忽視的舉動。

量化對沖的價值與難點

人工智能的到來對金融投資來說也并非是突如其來的科技變革，投資的發展一直由科技所引領。比如，70年代以前主要是通過電話來交易，管理人通過自己的經驗進行判斷；后來計算機出現了，對信息的處理和分析能力隨之加快，開始出現了批量交易，即一次交易幾百支股票。

而隨著科技的發展，我們知道了雖然未來是不可預測的，但是風險可以預測。所以，對沖基金出現了——通過計算、嚴謹分析以及大量風險對沖，可以實現更穩健的受益。這在國內也許還不明顯，但國外已經出現了機器人做宏觀對沖的實踐。

金融是把社會資源更好的配置，很多資源是能夠優先才能成為”資源“，如果能夠比別人快地知道一些有價值的信息，就能提前知道機會，就比別人有競爭優勢。投資是競爭非常激烈的行業，誰能領先一步做出有效的決策，誰就可能獲得一個很高的回報。而發現這些機會的前提，是更強大的計算和預測能力。

因此，不只是Citadel，全球著名對沖基金如 Man Group、Winton 、Aspect Capital 也都在充實自己的機器學習專家隊伍。

單就Citadel來講，其看家本領是高頻交易。舉個例子，一般而言，公司每季度發布財報的時候，業績超出分析師預期的話，股價會漲；低于預期的話則會出現股價下跌。“這么簡單地一個邏輯，需要比較的是機構誰能更快地用機器解讀財報信息，第一時間作出投資決策。而機器解讀財報就是典型的機器學習應用，比如RNN網絡技術，”財鯨智能投顧聯合創始人王蓁博士說道。王蓁博士曾在彭博社任職，負責量化交易。

所以，基于高頻交易量化公司們研發系統都需要投入大量人力物力，要高薪聘專業的數學家和計算機專家，花錢買昂貴的硬件，租用專門的微波通信線路，甚至專門把系統建在交易所門口的都有。

但是，硬件跟上了，軟件呢？

即便是存量數據極大的金融業，而且機器學習運用已有時日的今天，王蓁對雷鋒網（公眾號：雷鋒網）AI金融評論表示，機器依然存在不少“錯殺”的情況：

舉個例子，上周FaceBook發布財報時，發布了不同會計準則下的盈利報告，即按照美國通用會計準則（US GAAP）和不按美國通用會計準則（non-US GAAP）的盈利，機器只讀了財報的第一行，就混淆了兩種不同會計準則，判斷錯誤認為是低于預期，于是立刻賣出FB股票；但實際FB是達到了預期的，錯殺后，第二天FB股票就漲回去了。

“所以，當前仍需要提高機器學習的準確度和效率速度。”

與此同時，據雷鋒網AI金融評論了解，鄧力的研究方向主要為應用于大數據、語音、文本、圖像和多模態處理的深度學習和機器智能方法，因此，結合起來說，鄧力的研究或將首先可以在機器解讀文本數據的模塊中突破技術門檻，改善量化投資，讓AI為金融投資帶來更大的突破。

信息+機器帶來的新機遇

上述也提到，基本而言，投資會根據一家公司的財報進行業績調研，預判股價，但這其實只是是對二手數據的利用；包括如果是利用期貨、債券、基金的交易信息等結構化預測投資市場走勢，從而量化配置資產，那更加只是三手數據。

因此，微軟亞洲研究院城市計算領域負責人鄭宇博士曾在一次智能金融的培訓上表示，市場更多應該關注，在此環節之前的一手數據數據的結果帶來的表現。“一手數據其實直接影響了公司運營情況和財報，以及宏觀經濟形勢。”而能夠從一手數據中獲得信息，就意味著更早一步接近機會。

通聯數據首席科學家蔣龍在此前的分享中指出，用于投資的大數據產品信息主要分為這幾類：

物的信息——物聯網，國際上就有一些監控農作物產出以預測農作物的收成，從而進行大規模投資的案例。如果通過實時監控氣候、水分等，就能提前知道今年農產品的收成情況，接下來對相關產品就有投資優勢。

人的信息——可穿戴設備，人和物體構成互動，人去了哪里，看了什么，想了什么，這呈現出了我們的社會。

環境的信息——低軌道衛星，低軌道衛星是在低空一萬米進行檢測，不僅能檢測農產品的產區，還能檢測港口停泊郵輪的數量、超市停車場停車量等，有了這樣的數據，就能知道是不是符合預期，可以判斷未來的收益情況。

舉個例子，財鯨在建模過程中會加入衛星遙感數據，以預測農林牧漁產量變動等結果，然后進行投資決策。“比如我們可以比較準確（粗測85%）地預測某個地方的棉花產量，而這個動作可以比政府官方數字早兩個月，這個就可以考慮來投資決策。”

利用這些替代數據進行投資盈利，這樣的道理Citadel不會不知道。而也可以想象，基于上述數據進行建模的過程，就需要機器對衛星圖片以及地理環境的學習和分析。更廣泛的數據領域、更海量的數據、更長的數據周期……這些新信息資源帶來的機會，就是人工智能、深度學習發光發熱之地。

同時王蓁解釋道：“機器下圍棋做得很好是因為圍棋規則清晰，機器可以在開局到最后都有complete knowledge。而機器在金融領域運用還比較困難，因為沒有任何人和機器在現階段可以有complete knowledge，這也是機器會經常犯一些人看來很弱智的錯誤。”

“因此，獲取比別人更多的信息，得到更準確的解讀，能夠更快速地響應決策，避免機器的‘低級錯誤’，這些都是需要解決的大挑戰。”

如何利用最前沿的人工智能學術突破，應對當前的這些機遇和挑戰——這是鄧力將面對的新課題，也是華爾街群雄角逐要占取的下一個高地。