从 Kensho 看大工业金融的发展路径（下）

2018 年 4 月 26 日 文因互联 鲍捷

在下半部分的文章中，鲍捷博士将细致阐述一种反常识的新思路——智能金融的切入点，一定不是股票交易，离交易越远越能落地。

他认为，Kensho 不会取代任何交易员、投资人或分析师，想坐在Kensho这类智能系统上躺着赚钱是不切实际的。

智能金融系统目前真正的价值，不是直接帮投资人挣更多钱，也不是省钱，而是通过人工智能建立起金融机构的大规模自动化系统，让监管、银行、投资机构等决策行为减少对个人经验的依赖，从而减少人员流动对机构的冲击，建立新型的协作系统。

智能金融当下在中国真正的合理路径是：由零件的标准化导向“大工业金融”，其本质是金融信息处理过程的（部分）标准件化。把金融信息和数据资产化，才是智能金融系统最大的价值所在。

作者介绍
鲍捷博士，文因互联 CEO。拥有20年学术界和工业界的相关经验。美国Iowa State University人工智能博士，RPI博士后，MIT访问研究员，W3C OWL(Web本体语言)工作组成员，前三星美国研发中心研究员，三星问答系统SVoice第二代系统核心设计师。主要研究领域涵盖人工智能的诸多分支，包括机器学习、神经网络、数据挖掘、自然语言处理、形式推理、语义网和本体工程等，发表了70多篇领域内相关论文。是中文信息学会语言与知识计算专委会委员，中国计算机协会会刊编委，W3C顾问会员会代表。2010年以来关注金融智能化的研究和应用，成果有XBRL语义模型，基于知识图谱的基本面分析、金融问答引擎、财务报告自动化提取、自动化监管等。

智能金融的路径：由零件的标准化导向大工业金融

标准化会带来意想不到的新应用

智能金融的新路径，我认为应该是通过零件的打造，逐步走向所谓大工业的金融。

就目前这几年时间，比较合理的目标和路径，是把信息处理过程中一部分的过程标准件化。自动化、标准化、工业化，这三块是相互影响的。

我们把工业化话题展开一点说，因为信息工业影响金融工业，不是今天才发生的，在很早很早就发生了。我前两天在读《美国金融业史》，里面讲了一个电报的案子。美国在早年的时候，有很多交易所，这些交易所的那些交易的规则全是不一样的，后来电报发生之后，改变了这一切。所有的交易所都死了，只留下了一个，纽约的交易所。因为信息的传播速度的上升，就使得各种信息披露也好、交易规则也好，都标准化了，把这种分裂的市场变成一个统一的市场，所以其他的市场都没有了。

往后看，比如说电话、互联网，它们每一次都带来了类似的变化。比如说个人消费信贷，在没有电话之前是一个情况，到二战之后，人们通过电话，改造电话线，有了信用卡网络，完全激活了一个新的市场。所以目前状况也是类似的，如果狭义地看标准化本身，第一个阶段可以看到的，可能就是我们做某件事情的效率提升了。

当电话进入金融机构的时候，大家可能想到的是，电话帮我跟其他人发生了实时的双向语音通话。这个是改进了一点效率，但并不一定能激动。但是当大家发现电话上面加那么一点东西，突然可以催生出个人信贷新形式的时候，这就有意思了。所以很多底层平台的标准化会带来让人完全意想不到的新应用。大部分情况下，人们没有办法预言这是什么。但首先我们要提供这种标准化，提供这种通用工具。

从金融数据农业到金融数据工业

我把现在的金融信息服务业分成四大类：农业、矿业、手工业、大工业。我们要努力去创造的新生事物——大工业。

信息农业是什么？就是从金融的“自然资源”里面刨数据。这种情况在最早的时候，大家都是用人工来做的。我以前跟华泰联合的一位前辈聊的时候，他说在十几年前，他们开始做这件事情的时候，是每天看中国证券报的。从纸质报纸中，把数据扒出来，然后看并购标的的情况。后来进步了，有了各种各样金融终端。但这些事情，依然还没有改变这件事情的农业本质。基本上模式都是一样的，就是在人力成本比较低的地方，找一帮小弟小妹们，通常大概是几百个人，人肉地把这个数字给摘出来。我把这个称为农业。

农业其实是一个很好的产业，如果农业能够经营得体，利润率50%是没有问题的。但是农业面临的最主要的困难，就是它很难去大规模地扩大。比如说很多信息农业，他们在主板时代是做得很好的，但是他们在新三板时代，他们的扩大就很成为问题。因为目前主体，已经不是1000家、2000家公司了，而是1.5万家公司了。我们原来做产业链研究，招几十个人就可以做，但现在要招几百个人来做，组织一个几百人的人员团队，是一个非常有挑战性的事情。而要手工处理所有1.5万家的全部财报或公告的话，那需要几千几万人。所以很难去规模化地扩大，很难去扩大生产，很难去延长产业链。这是信息农业最大的问题。

信息矿业，就是指在已经有了结构化数据的前提下，比如说，最典型的工商数据，从结构化和半结构化数据中去改进数据的可用性。这也是一种很好的模式。但如果没有深度的加工能力，壁垒不会高。

第三种就是信息手工业。传统的金融的决策过程，大部分是手工业的过程。我自己去进行大量的阅读，大量的学习，从而建立起对世界的认知，然后我把这个对世界的认知进行变现。这就是一个手工业的过程。这里面涉及到个人的经验，也涉及到人脉。很多消息，你能得到，别人却得不到，为什么？就因为我认识谁谁谁。最早的时候，我们去采访一些金融界的年轻人，有一位跟我说，“我感觉好像我的能力什么的，跟我的老板也没啥区别，但就是因为他认识一些人，所以他在那个位置上，我在这个位置上”，他愤愤不平。如果一件事情本身就是依赖于个人的经验，那的确会这样。在此也可以看到，基于这样的手工业，同样会导致VC或是券商的某些部门，在它大到一定程度后，里面的人成熟以后，有人就会愤愤不平，他一定会走，带着他的经验和人脉，因为这是一个个人不可复制的资产。

最后一种是叫大工业。大工业的特点，不是依赖于个人的经验和人脉的，也不是依赖于一些现有的自然资源的。它是基于一种可复制的技术和系统，建立起一种协作的关系，从而制造出千千万万种有质量保证的产品。在矿业中，那就是开采石油；在工业中，那就是制造塑料。从这儿可以看到，例如中东那些产油国，虽然他们能够生产很多石油，但是他们可能连生产一支笔的塑料都造不出来，因为他们不具备这种工业能力。

我认为未来的金融服务业，在美国那边是260亿美元的生意，但在中国还是规模非常小的。中国金融的信息服务业是不到100亿人民币的生意。是不是有一天，中国也达到260亿美元，或者说2000亿人民币呢？是不是会有一天甚至比美国更大呢？也是完全有可能的。但如果走到这一天，一定不是靠农业这种办法，也不是靠有更多的农民来“种地”的办法，而一定是通过技术建立起金融数据大工业，从而连带着整个金融产业发生一些比较大的变化。而且这些变化并不是像 Kensho 这种，我有了一个变魔术的机器，便能够使我比市场赢得更多回报率的东西。

如果再往前发展的话，我认为中国金融在今后十年之内，会发生一个很大的变化。它会超越现在的手工业的金融，它能够有更大的标准化的生产。比如说我相信大家每一个人都有自己的EXCEL表格，每个人都有自己的分析模型，每个人都有自己积累的一些小技巧。其实在早期的手工业里面，这很容易看到，诸如造个轮子，造个碗，每一家都会有这样的小技巧，每一家都把自己的小技巧藏着掖着。所有这些手工业者都担心其他的手工业者抢走他们的饭碗。所以，手工业者会传儿不传女，把很多技巧给藏着。但我们知道，最后这些手工业者都还是被大工业给干掉了。这样的事情会不会也在金融界发生？我相信会的。

所以，最关键的事情，不是在现在这个阶段，大家都去追求超出市场收益率的投资决策。如果我们大家想用 Kensho以实现坐着数钱，这件事情是永远都不会发生的。现在不会发生，再过10年不会发生，再过100年也不会发生。

新协作、新体系

能够真正建立起来的合理的追求目标，是建立起一个金融信息处理的协作系统。或者更现实一点儿讲，我们并不是非得跑得比整个市场快，有时候只需要比旁边的人快就行了。

其实在不同的部门里面会有不同的落地形式。前两天我也跟一个机构的IT部门负责人聊过。他提到一件事，他说以前他们在上投研工具的时候，领导是没太大动力的。因为从领导来看，无非是他省了点钱。而在整个公司的三张表里头，这笔钱是放在费用里面的，不是放在收入那边的。这事对领导不见得有什么动力。首先便已经证明了，从长期来看，通过这种工具来提高收益回报率的目标不切实际。第二，如果仅仅是省钱，这个目标不够性感。他想让事情这样发展：在这个基金中，研究员会不停流动。在他看来比较有意义的目标，是整个投研不再依赖个人。但其实金融是什么？金融就是信息和数据。把这些信息和数据资产化，这才是我上这个系统最大的价值所在。

我觉得这就是一种非常正面的思路，而不再是传统的、狭隘的，一个个人提高投资回报率的过程。这更多是从系统角度讲，如何去建立一个协作系统，在这个协作系统中提高了整个组织的资产（assets）。

在投行、银行这些行业也都有类似案例，我们也都聊过。

我这边再着重讲一下监管。自去年十九大以来，整个监管对科技，特别是对人工智能的热度和关注度好像一下升上来了。包括几个大的部门，股票、基金、债券；也包括新三板这边，合规性检查；还有下面的评估、评级，以及整个宏观风险的监控。目前国家的投入量是非常大的。

在我看来，这也是一个大家特别需要关注的宏观方向。它的压力会一层一层的传导下来。前天我也看到有一个从事券商的高管在朋友圈里抱怨，说以后没有办法再做了，一罚罚50个亿。其实这也可能代表，咱们关注投资的时候，不能仅仅只看收益或者是金融创新，在目前阶段，更重要的是如何去规范这件事情。中国新金融往前的传导会有一个传导周期。可能最早的、最先把最核心的技术给应用起来的，是国家机构。它是在整个产业最上游，把这些新技术应用起来的。它会有一个传导过程，然后一步一步地传导到，比如说券商，再往下传导到上市公司，上市公司的子公司、连带的公司，如此一级一级传导下去。这个传导周期，可能会要花几年时间。但是我相信，大家或多或少都会在未来感受到。

我们不应该去追求替代交易员，或者是投资经理。这是做不到的。我们也不应该去追求跑赢市场，因为市场本身不能打败市场。当所有人都去追求跑赢市场的时候，没有任何人能够跑赢市场。从人工智能角度来说，人们不应该去追求通过图灵测试。实际上在很长一段时间内，大家对于类似Kensho的金融问答系统，是希望它达到人的水平的。而那也就是图灵测试，是做不到的。

投资、投顾、投研：不能直奔平台而去

另外一点，对于这样一个复杂的系统，我刚才也分析了，做好 Kensho 有很多的拦路虎。如果我们想做好，不应该一下子就去追求做这样的系统，不管是智能投研系统、智能投顾系统，或者是智能投资、智能投机系统。可能在短期内都是做不到的。

就针对这两个多说几句。其实这个事情反常识，它不仅仅是在金融这一个领域，应该是在所有的人工智能领域里面的，是一个普遍的反常识。建设一个人工智能的系统平台，不能直奔平台而去，因为通常人工智能系统都是一个非常复杂的系统，都是要几百个人年才能做得到的。

一开始，不管你是做语音也好，做图像也好、文本也好，如果你一开始就搞一个很大的平台，比如说我钱多，一下子砸10个亿、砸100个亿，基本上注定这个项目一定会失败。最典型的就是日本的五代机。日本在80年代的时候，想做出第五代计算机来，冠名人工智能计算机。那是举国之力，用整个日本国家的力量来做这样一件事情，但没有做成。目标太大了。

这可能是大型系统普遍的规律，它不是设计出来的，它是生长出来的，它是一点一点地通过一些很小很小的组件，一点一点地逐渐地去碰撞、去组合，慢慢地生成的。这件事情很难通过一下子砸100个亿，就能够达成的，没有这样的事情。直奔这个平台而去，基本上可以收获100%的失败。

第二个，如果我们要做金融领域的人工智能，就不能直奔着摇钱树而去。最早的时候，也有人给我提过这个建议。他说，你跟客户谈钱就好了，就说“我能帮你挣更多的钱”。你给他种个摇钱树，给他更好的投资回报。但这其实是做不到的。如果奔着摇钱树而去，最终是真长不出来树的，也长不出果子。这都是反常识。可能一开始刚刚进入这个行业的时候，很多人直接就这样，“我要造一个系统，能够持续帮我挣钱，躺着都能挣钱，睡觉都能挣钱！”。但是做不到。

具体分三个领域来讲：投资、投顾、投研，每一块展开都能说两个小时，今天只能提纲挈领地来讲了。

比如说智能投资这边，打败市场是困难的，最重要的是打败自己。每个人都是非理性的，所以我们仅仅只通过数据是不可能形成正确的决策的。在前几年的时候，曾经有一个很火爆的东西，叫大数据指数基金。最早应该是在2010年的时候，印地安纳大学的一个教授曾提出过这个理论。他还写了一篇文章，说自己开过一个公司，就实践他这个理论，可两年后公司破产了。我们也看到，过去这几年，所谓的大数据指数基金基本上回报率都是很低的。在此基础上，我们也看到了一些和它类似的东西，比如说，智能投顾，它的整个回报率应该也是低于市场回报率的。

另外一点就是规模。我们也经常遇到这些情况。有人说量化有用，人工智能有用，但是你可能要问他一个问题，你是在多大钱的规模上？
如果是在几十万上面，那是一个事情。几百万上，是另一个事情。几千万上，更是另一个事情。如果在一个亿以上的事情，那还能做得到，那真是非常非常的牛逼。但是在座的很多人身家应该都超过1个亿，或者是管理规模超过1个亿。在这个基础上，每个策略能够做什么事情，它对市场产生的影响是什么。是不是一旦有效就变得无效？我相信很多人应该是有这方面的体会的。那么对于10亿以上的投资，你想通过人工智能做一个策略，甚至是几十个策略进行对冲，或者几百个策略进行进化，都是非常非常困难的事情。当我们在谈一个东西有效的时候，前提就是规模是多少。后面几个细点就不提了，如果感兴趣，我们可以回头再研究。

投顾也是一样的。投顾技术分成几大块，一块就是底层的资产配置。这一块是没有多少人工智能在里面的。再一块是用户画像，这里面现在有很多用到的机器学习。从去年年中开始，越来越多的人开始关注智能投顾后的其他事情了，不仅仅是投前，也不仅仅是资产配置，投后的服务。因为最早的时候，智能投顾之所以能够吸引到这么多钱，可能是因为两个原因：第一个原因，大家对人工智能有一种期待，就是说我能够打败市场，我能够去获得更好的回报率。但是就目前市场的表现，实践证明这一点很难做到。第二个原因，基于客户本身，他们对人工智能会有一种期待。你只要说我的基金用人工智能了，我是智能投顾了，就会有很多人来买。而一买就买上百亿，以此收益率来获客。资产新规出来之后，这条路也被关上了。所以智能投顾往后走得开发新的东西，而不是原来这些东西。特别是投后的很多的事情，在智能陪伴这一点上，也是人工智能可以帮助大家的地方。

第三点，智能投研。在投顾或者投资，或者投机里头也是需要投研的。我就不展开多说了，因为在市场上也看到很多类似投研的产品，包括怎么帮助你更好地看公告，更好地看研报，更好地看数据。那是不是在传统的场景里，我们需要优先把这个东西用上？早些时候，我们曾经有过讨论。我们在想，传统的投研场景是什么样的？如果是对于纽约那边的分析师来说，6个显示器，那是投研的场景。可这种桌面的投研场景，是不是我们要去追求的？可能还有新兴的场景，新兴的应用，或者新兴的机构。这些地方也许是投研更能够去发挥的地方，或者，更多的是以前根本没有想到可以用投研的地方。如果在中国，我们看传统投研的话，券商那边几千人，买方分析师、投资经理几万人，加在一起可能不到5万人。但如果我们把投研只用来服务这5万人，就严重低估了这个技术。也许是5000万人需要这个技术。

其实以上几点一直都在讨论，我们构造智能金融系统，不必把我们的思想局限在做交易这一件事情上面，很多点上面都是可以用它的，而且我们不一定要从一个所谓的大的系统开始做这个事情。

用零件的标准化触发系统性变革

用历史眼光来看，整个金融IT建设的历史，可以分为四个阶段：信息化、大数据化、自动化、智能化。

第一个阶段就是信息化，或者说是电子化，上各种信息化系统。大概从十年前开始，我们就进行了大数据化，比如说银行有各种云，还有把分散的各个部门的数据汇总在一起的资料。这两年开始便有了自动化，包括自动化报表，自动化服务。从去年开始有智能化的需求。每一步都是依赖于前面那一步的。

在我看来，现阶段，最重要的是自动化，我们把前面那一步已经做得挺好的了。经过以往7、8年到10年的实践，大数据化，包括银行、券商都做得相当不错了。银监会刚发了一个文，要求各个银行加强内部数据治理，以后要有数据治理的标准。我们昨天刚聊了一个银行，他们从一开始做了内部数据治理，便有了比较好的机构化数据；而有了那一块之后，新的东西立刻随之出现，例如各种自动化的需求，自动化的匹配、自动化的报表、自动化的研究。又比如说我认识一个券商的资管部门的研究人员，他们现在用各种EXCEL表格来做资产的配置，而这事以后肯定会自动化的，不需要再用EXCEL表格来做了。

所以核心就是自动化，怎么做到自动化？怎么做到人工智能化？要把底层数据结构化。底层的这些东西，就是要一层一层的逐渐从零件开始。我们从投研的各个不同的环节开始做零件、做工具的打造，做解决方案，到系统。

我这里再讲一个小故事，跟金融没有关系，但是挺有启发的。瓦特作为蒸汽机的发明者，其实是改良者，他到底做了什么？他发明了热力学某某定律吗？肯定没有。他发明了一种新的热机循环的方法吗？也没有。其实瓦特真正的改造，他之所以能够让蒸汽机的效率提升如此之大，都是在零件层面上做文章。比如说在如何传动的问题上，他发明、改进了分离式冷凝器、行星式齿轮、平行运动连杆机构。而就是有了十几个这样的改进和各种零件层面上的改动，才促使了之后系统的变化。

再举个例子，福特的汽车案例。他生产出了流水线，可他是如何把整个生产成本降到这么低的？在很长一段时间，法国的汽车是比美国的汽车造得好，产量高的。但在福特发明了流水线之后，这一切全变了。一直到第一次世界大战之前，法国一年只能造4万辆汽车，因为需要手工打造每一辆汽车。而流水线的标准化改变了这一切。这便是零件的标准化所能带来的价值。

而对于打造一个智能金融的系统，我们目前可以制造其中大概一百多种零件。我们能做的零件肯定不止这些。我相信未来的金融大工业会需要比这多得多的各种零件。但我们目前可以从这些零件开始，来做一些现在、立即、马上，就能够做的事情。我们在着手去构造一个智能金融系统时，一开始可能想的是用1000万、2000万来做这个事情。但是如果我们从现在就能够做的小事开始的话，可能就不需要这么多。也许20万就能启动一件事情。很多事情可能没有想象的这么难。

如果我们把我们的目标定在理性的目标上，要想做到这一点，我们就要打造新金融，用人工智能打造新金融。新金融是需要新金融人的，我们可能要清掉我们脑里原有的很多想法。这些业务中很多未必是通过原有的做法去向外推的。我们还可能需要一种新的方法去适应大工业时代的协作。至少，我们要更加地开放、更加地协作。