点击蓝字，关注我们
来源：2024金融街论坛年会
2024年10月20日上午，2024金融街论坛年会“金融科技大会平行论坛—AI重塑金融与安全治理”在北京金融科技中心举行。
本次论坛以“AI重塑金融与安全治理”为主题，汇聚了来自政府、学界、产业界的众多专家与精英，以"主旨演讲+圆桌对话+成果发布"的方式探讨人工智能在金融领域的应用及其对安全治理的影响。
康奈尔大学的丛林教授受邀在“金融科技大会平行论坛—AI重塑金融与安全治理”上通过视频发表了题为《AI重塑金融：独立创新与安全治理》的演讲。
丛教授重新审视了人工智能的定义和发展，强调了从指令驱动自动化到目标导向智能的转变。他指出人工智能发展的三个方向：大模型、大数据和智能算法。在金融领域，丛林教授认为应专注于专业问题的解决，需要结合专业知识构建独立的AI模型，并且这些模型应以精准可控的方式解决金融问题。
此外，他分享了金融领域AI的几个创新案例，包括2019年基于强化学习的非文本金融大模型和公司金融大模型AlphaManager，并强调了金融AI的安全治理问题，包括准确性、隐私保护和系统性风险。
下面是丛林教授的分享：
大家好！今天很荣幸来参加我们2024年的金融科技大会，也是金融街论坛的一部分。我是来自康奈尔大学的丛林，今天演讲的题目是《AI重塑金融：独立创新与安全治理》。
首先，我会带大家重新审视一下AI的定义、发展的主题和最近的趋势，把金融和人工智能联系起来。同时，我会给几个前沿独立创新的案例，其中就是涉及到金融里的AI，而不是更广义的通用的AI。最后，时间允许的情况下会讲一下金融里的AI安全治理的问题。
首先，大家在媒体和各种讨论中经常听到生成式人工智能，我想给一个更严格的，或者是更符合历史发展的定义。人工智能里有智能，智能的定义是说要是有能力去解决一些复杂的问题，达到一些目标，在复杂环境里学习的能力很重要。人工智能的定义，最早是由McCarthy教授1995年的时候说出来的，他说是创造智能机器的一个科学和工程学。
其实大家也应该发现，人工智能的发展过去几十年更多的是从指令驱动的自动化到一个目标导向的智能。可以给一个复杂的任务，这个算法就会给出一个很好的解决方案，这样才显示出智能。在计算机领域，这个发展主要是由深度学习达到的，来模仿人。退一步讲，如果把人工智能作为人类建模的方式，其实就是把模型空间、建模空间扩展得更大一些，然后在这里用一个目标驱动的方式去搜索一个很好的解决方案，尽管这个问题可能不复杂。
人工智能发展大致有三个方向，它们并不是彼此排斥的。首先，生命科学领域，AI领域，计算机领域，大家都意识到我们要走一个大模型路线，模型要更大。以前统计学里，我们是说模型不能太大，因为会担心过度拟合。经济学里也不建议做太大的模型，因为不好解读。但是目前大模型的表现的确非常好，这里有很多原因，也有很多证明，我这里就不赘述了，把这个作为大家已经比较熟悉的发展方向。大的模型肯定需要大的数据，哪怕没有大的模型，由于数字化的进程，我们也是越来越多的数据，无论是从体量上还是类型上，我们有非结构化的数据。所以，大数据本身也是一个大的发展方向。
但是大家讨论不太多的是人工智能的智能算法，其实人工智能虽然运算量很大，但是并没有使用蛮力，其实有很多智能巧妙的算法，比如AlphaGO，比如ChatGPT，比如自动驾驶。但是用得更多的不是全面去搜索各种可能性，用的是一种强化学习，用的是试错的思想。
这就是一种智能算法，等一下我会重点强调，在金融里怎么样更好的把这种智能算法的思想应用起来。因为金融里很难去做特别大的问题，我们也没有特别大的数据，比起自然语言，或者是图片，图像的数据，这些要考虑进来。
金融里的人工智能应该是什么样的？现在大家讨论的大语言模型，其他的生成式人工智能，很多时候我们强调通用，但金融里我们更多的是要解决专业的问题，这就说明我们需要把专业知识加进来去搭建人工智能模型，而不是把计算机领域，或者是语言领域的通用模型拿过来直接使用。很多大语言模型是开放的，在金融里我们首先有数据隐私的问题，策略也有隐私的问题，更多的是金融机构需要建立独立的人工智能模型。可以结合开放式平台，但是更多的要有独立的部分，有隐私模型的部分。这个也是为什么我们如果想把人工智能应用在金融领域要有更多的独立创新。
同时，我们需要的不一定只是语言模型，很多金融数据还是数字，所以我们需要的是数字模型，数字人工智能模型。可以是多模态的，这个跟目前大家关注的也并不完全一样。而且我们是不是考虑除了大模型之外，还有一些其他的路线？我觉得是有的。我这里讨论的，其实两年前就开始在各种讲座和演讲中提到，我们并不一定需要特别大的模型，因为金融机构里的运算能力，数据量，比起自然语言处理，比起图片还是相对较少的，也许不太大的模型也能很好的完成我们专业的需求。
最后，我们需要的AI模型并不是很具有创造力的，更多的是要让这种模型很好的以精准可控的方式解决我们金融里的问题，金融里的风险也要控制好。最后当我们讨论安全治理的时候，会重新加强一下。
这里先给大家举几个金融里AI的创新的案例，以及我们的一些研究。在2019年的时候，我们建立了第一个非文本的金融大模型，至少有几百万的参数，这里面用了强化学习。我们有借助一些AI领域的大模型，比如Transformer，它是ChatGPT里的“T”。但是Transformer是语言处理，更多的是一个时间序列，模块，我们同时结合金融的知识，最后的表现是非常好的，比起很多传统的策略，我们基本可以把表现提高到3、4倍，而且这里面的风险波动也不是特别高。更重要的是任何的投资目标，都可以帮你做一个优化，所以是个性化的。这是一个投资的问题，强化学习其实就是智能搜索，在某一块尝试着用我们模型，如果表现更好，就可以在这个领域做更多的搜索；如果表现不好，就在其他的模型空间做更多的搜索，其实就是一种在大模型中智能搜索的过程。
强化学习的应用不仅限于投资，也可以用于公司治理。我们也建造了第一个公司金融的大模型，叫AlphaManager，其实是把CEO、CFO的决策当成高维的动态决策，同时要跟市场互动，学习市场的信息。我们发现可以预测一个公司的未来发展，用这样一个模型，基本建立了一个公司金融的模型来做这个事情。也就是说，公司的决策者做一套组合拳，这个环境是怎么样反馈，我们可以把预测提高到30%，40%，以前只能达到10%，这就是非常大的突破。同时，我们也可以给管理者一些建议，如果要最大化公司的价值，来做什么样的组合拳。
这个框架也适用于宏观政策的研究。当然可以把强化学习模块再添加一个短强化学习模块，来学习这些决策的目的，这样就构成了对抗神经网络，这些都是我们结合金融应用需求和金融知识做的一些独立的创新，基本可以做成一个软件来辅助公司的决策。
刚刚我讲到金融模型不一定用深度学习的大模型，也可以用一些其他的智能的想法，比如说《孙子兵法》里“分而治之”的想法，可以用基于“树”的模型来很好地体现出来。我们提出了一个经济金融领域第一个发表在顶刊的模型，“面板树模型”，可以用来强化投资策略，它的表现不亚于深度学习模型的表现。这个模型也可以用来区分出哪些资产更具可预测性，或者哪些因子更好定义了哪一类、哪一些资产，在什么样的宏观环境下。这些以前大家没法去问，或者没法回答的问题，我们用一些数据驱动的方式，用树的模型都可以去做。树的模型为什么也是智能搜索？我把观察值进行分组分类，但是分组分类的方法是为了实现一个经济的目标导向。这是我们的做法，感兴趣的朋友可以详细读我们的论文，我们有两三篇跟进的研究。
相关阅读：
小模型也行？《孙子兵法》的智能？JFE发表第一篇金融学者另辟蹊径独立开发的AI小模型！
最后一两分钟允许我稍微谈一下金融人工智能的安全治理问题。金融里的AI，它有点天马行空，失去准确性。在金融的体系里我们要求它还是可靠、可控、不失真。同时，我们也不能过度依赖大的开放型的人工智能模型，因为一旦所有人都用他们的系统，自然而然就会形成大的孤岛，最后出现一些系统性风险，出了问题还是纳税人和国家要买单，所以这个系统性风险也是非常值得注意的。
我之前提到金融里的数据有它的隐私性，策略也有它的隐私性，我们怎么保证隐私风险能够被更好的控制，这是在金融领域发展人工智能需要考虑的问题。最后，人工智能的对齐问题事关人类兴亡，经济学者应该和数据科学家共同努力。
