金融市场似乎总是伴随着最大的不确定性，或暗流涌动，或风暴骤起，席卷颠覆所有的东西。
因此，在人们的想象里，金融常常是冒险家的乐园，大鳄们关起门来，相互间会心一笑，掀起市场的血雨腥风，然后在人们的仓皇恐惧中赚取超额利润。但实际上，巨头也不是总能呼风唤雨，他们也经常搬石砸脚，随着市场波动起伏，甚至投子认输，黯然退出。
除了跌宕起伏，金融的另一面常常是细水长流、润物无声的。可以给人们在追求物质、精神生活改善，或者自我发展道路上以及时的助力。
无论是跌宕起伏，还是润物无声，其背后都是对资金流和信息流的复杂逻辑的处理和应对。“金融获得感”日益成为一个重要的社会命题，如何在尊重金融规律的基础上，让金融跳出“大玩家游戏”的窠臼，更好地服务于亿万普通人？
人工智能可能正是处理海量信息、应对不确定性的最好工具。其创新突破以及在金融领域的实践，正开始让金融这种似乎总是高高在上的存在，重新俯身垂滴普罗大众，并为普惠金融的实现带来了曙光。
机构来了“新实习生”
1994年，美国正处于黄金时代，作为全球唯一的超级大国，到处都是歌舞升平。这一年夏天，世界杯足球赛刚刚在洛杉矶落下帷幕，而新科技的火焰正在硅谷升腾，网景浏览器一经发布很快就风靡全球。中国在那一年才刚刚通过一根64k专线全功能接入国际互联网。为了遏制金融泡沫，格林斯潘领导的美联储在那一年开始大幅度加息，然而债券市场并没有意识到美联储进入了加息周期。全球金融危机13年以后才到来，此时的华尔街一片欣欣向荣。无数人才从世界各地来到这里寻找梦想。
暑假之前，我收到了道·琼斯一家子公司的实习聘书，实习内容是从事金融信息处理系统相关的工作。
我本科专业是信息管理，毕业后到美国留学，获得布法罗纽约州立大学计算机科学硕士学位。眼下的工作正好把信息管理和计算机结合起来。这份每天与财经金融新闻打交道的工作，我一做就是三年。接下去，我参与设计了《华尔街日报》网络版实时金融信息系统，又转赴国际知名互联网企业Infoseek做资深工程师。一边与金融信息打交道，一边通过《华尔街日报》观察硅谷的商战，并开始思考如何应对信息作弊的问题，不久之后就提出了“超链分析”技术的想法，并申请了专利，为日后的搜索引擎发展奠定了基础。
那时我还没有想到，有一天，随着人工智能技术的发展，机器系统对金融业务的改变会达到今天这样的深度，渗透到金融信息处理、数据分析、风险控制、征信、智能投顾（Robo-Advisers）、智能获客、量化投资等各个方面。
量化投资之王大卫·肖恩说过，“金融是一个绝妙的信息处理的生意”。也正因为此，百度高级副总裁朱光说：“最革命性的变化至少会在金融领域发生，因为人工智能就是数据的收集、分析、处理这个循环的极致。”
无论是在征信和反欺诈领域，综合用户画像构建风控模型；还是在投资领域，挖掘投资决策因子辅助投资决策；或是在投资顾问领域，为客户匹配个性化的投资组合等，机器对各种金融业务的渗透，本质上都是通过机器学习带来的金融信息处理能力的不断提升。
随着自然语言识别和信息数据库技术的不断进步，即使是单纯的金融信息处理，也已经发生了本质的改变。
这次向我们走来的实习生是一位机器人，而它与众不同的工作方式首先直观地体现在一份份金融分析报告的生成上。
金融信息可能是最复杂、最枯燥的信息，一份股转书有两百多页，还有大量的年报、半年报、研究报告、公告、反馈意见、尽职调查结果……我们不知道，有多少行业分析师是完全看完这些信息，再做出决策的。也许，不是他们不够勤勉，而是读完这些信息已经非人力所及。
百度数据金融总经理杨晓静描述过这样的行业现实：20世纪90年代，一个基金经理要把市场当天产生的研报、舆情、新闻、交易数据等看完，大概需要10个小时，也就是两天的工作量。2010年，移动数据爆发之后，这个基金经理要把每天市场上产生的信息吸收掉，大概需要10个月的时间。2016年，还是这个基金经理，假如把当天市场上所有的信息看完，大概需要20年的时间，相当于整个职业生涯。所以基金经理迫切需要利用先进的智能技术，比如百度的自然语言处理技术。
今天，当百度金融的智能金融信息分析系统处理数百篇行业新闻，并将其中的关键信息结构化，抑或是阅读上市公司的年报并形成分析报告，用时已经缩短到以分钟计。
在这一过程中，机器相当于承担了一个金融机构初级分析师的工作，甚至是一个实习生的工作，承揽了最基础的所有的累活儿。
这位机器实习生的工作逻辑也是类似提取“关键词”，并进行再组合的过程。
机器可以瞬间完成上市公司的公告、财务报表、官方发布、社交平台、证券行情、实时新闻、行业分析报告等海量异构数据的阅读，对于文本中的图片和表格需要OCR（光学字符识别）等技术解析。紧接着，进行关键实体信息的提取，发现埋藏在实体信息之间，如行业上下游关系、供应链关系、股权变更历史、定增与重大资产重组的关系、多张财务报表之间的数据交叉验证等数据关系，形成并呈现这些复杂关系的“知识图谱”。
如果更进一步，分析师只需要选择符合其需求的模板，确定主题，机器即可生成基本的报告文本。在最终输出前，分析师还可以人工校正报告精度，并加上独特的个人分析和结论，这样，一篇格式标准，甚至图文并茂的金融分析报告就诞生了。
这个潜力无穷的实习生显然不会停留在简单处理信息这个阶段。既然已经登堂入室，它必然会走得更远。
人工智能让起点更公平
机器人首先推门进入的就是传统金融的核心区域——信用评级。
2016年7月18日下午，百度宣布投资美国金融科技公司ZestFinance。而一年前，ZestFinance还曾获得京东集团的投资。能同时得到中国两大互联网巨头的青睐，让ZestFinance这家当时仅服务10万名美国人的数据征信公司，为更多的中国人所了解。
这家位于洛杉矶的金融科技公司，使用机器学习的方式来评估个人贷款的信贷风险指数。其创始人是谷歌前首席信息官及工程副总裁道格拉斯·梅里尔和美国第一资本投资国际集团公司前主管肖恩·布德。
在美国，ZestFinance是挑战征信巨头FICO公司的革命者，后者占据着美国99%的信用评分市场和绝大部分发达国家的信用评分市场。
ZestFinance信奉“一切数据皆是信用数据”。不同于FICO的信用分数仅包含贷款人的几十项变量，ZestFinance的模型基于海量社交网络数据和非结构化数据，包含的变量将近1万项，在大数据挖掘的基础上最终形成一个独立的信用分数。而且与常规的信用评估体系相比，效率能够提高约90%。其号称在5秒内，就能对每位信贷申请人的超过1万条原始信息数据进行分析，并得出超过7万个可对其行为做出测量的指标。
就在入股ZestFinance之前的百度联盟峰会上，百度宣布，“人工智能对于金融也会产生变革性影响，可以真正做到让征信升级”，并特别强调，“现在百度的教育贷款，基本上是以‘秒’的时间就可以决定是不是给一个人贷款”。
“秒批”的背后，正是以机器学习为基础的大数据风控，在提升信贷服务效率、增加金融服务覆盖率上的小试牛刀。
一般来说，大数据风控的成果跟传统金融机构一样也是两个名单：基于白名单的征信，基于黑名单的反欺诈。后者因为“反黑”的目的，常常笼罩了神秘的色彩。比如彼得·蒂尔创立的、有全球第四大独角兽之称的人工智能公司Palantir，不仅在帮助美国安全部反恐中屡立奇功，更因为整合了40年的记录及海量数据并充分挖掘之后，终于发现了伯纳德·麦道夫(Bernie Madoff )的“庞氏骗局”，而为天下人所知。
但我们更愿意从主流的角度来讲述人工智能在金融风控中的故事。
根据中国人民银行的数据，截至2015年9月，中国人民银行征信系统收录的8.7亿自然人中有信贷记录的为3.7亿人，可形成个人征信报告、得出个人信用评分的有2.75亿人。
这就意味着，在中国还有约5亿人是没有征信记录的“小白”，他们被挡在传统金融服务的门槛之外。
而依托庞大的数据基础以及人工智能实现的人群画像技术，百度金融等企业，正在悄悄改变风控线上化的难题，把以往高高在上的金融服务涓滴到更多亟需帮助的“小白”身上。
比如，在大学学习了4年室内设计的李亮，最近开始在网上搜索UI（用户界面）课程、培训学校、分期交学费等信息，他希望通过学习，未来能进入一家大的互联网公司工作，但教育机构普遍不低的学费成了摆在面前的第一道坎儿。
李亮不知道的是，在同一时间还有很多人在百度上搜索着同样的关键词，虽然此时此刻他们还没有与百度金融直接发生关系，但这些人的群体性需求，正以数据的形式进入百度大数据风控的视野之内，并通过机器学习被归类于某一群体画像，从而拥有了相应的信用判断。
对比了几家教育机构之后，李亮终于选择了一所培训学校学习UI，并且决定试试老师推荐的百度有钱花学费分期贷款。他通过手机在短短几分钟内，填写个人身份信息并拍摄个人图像等，完成贷款申请步骤。
而在光纤的另一端，百度风控的策略系统迅速响应，根据人群画像，借助图像识别等技术，对李亮的信息进行采集、加工和分析，并调用数据字段结果送给风控平台，进而完成授信过程。
经过短暂的等待，李亮收到了人生中第一笔贷款审核通过的短信。
几个月的UI课程学习结束后，李亮决定再次贷款学习VI（视觉设计），为即将步入职场加码，这时他惊喜地发现，因为良好的还款记录和稳定的消费记录，机器给他的贷款额度和信用支付场景在扩展和提升。
更重要的是，机器给李亮建立的人生第一份信用记录，可以帮助他超出百度金融体系之外，在更多金融机构里享受更全面、更好的金融服务，彻底告别信用“小白”状态，提升金融服务的获得感。
朱光曾说：“我们这个社会，究竟该由谁来给身无长物的年轻人发放第一笔贷款，在他们人生关键的爬坡阶段给予扶持？现在来看，答案也许是‘机器’。”
而当机器完成了金融服务对象——人的数据化，就已经没有什么可以阻止它在金融王国里纵横驰骋了。
个人钱包的智能守夜人
一向对技术投资不太感冒的巴菲特大概不会想到，有人会用他的名字为一款智能投资咨询软件来命名。这款致敬投资大师的软件，就是智能投资公司Kensho（这个名字是日语用来描述禅宗的“明心见性”，透过现象看本质的意思）设计的一款基于云计算的财经软件“沃伦”，其使用大数据和机器学习分析具体事件（从自然灾害到选举结果）对市场的影响，并使用简单易懂的知识图呈现结果。
这款软件发布之初就震动了华尔街，很多人甚至打电话给Kensho的创始人纳德勒，大骂他是“叛徒”。因为在华尔街，无论是人工智能还是什么其他华丽的技术，关起门来闷声发大财才正常，而将其公之于众，普惠众生则是典型的“大逆不道”。
因为金融信息的掌控和处理本身就被看作是一项垄断性的生意。彭博社和路透社估计：长期垄断的金融数据市值达到260亿美元。
越来越多的“沃伦”同道正在打破这一现状。
另一家公司Hedgeable，创立之初就立志推翻华尔街的垄断，其创始人Michael Kane（迈克尔·凯恩）和Matthew Kane（马修·凯恩）是一对双胞胎兄弟，曾服务于全球最顶尖的对冲基金桥水基金，以及最著名的投资银行摩根士丹利等华尔街巨鳄机构，因为日益厌倦华尔街只为世界上最富有的人服务，而辞职在纽约创立了Hedgeable，依托人工智能技术，致力于为普罗大众提供投资顾问服务。
图7-1 Hedgeable办公室墙上空手道踢倒华尔街的涂鸦
资料来源：www.Hedgeable.com
如果说投资顾问对美国人早就是司空见惯的服务。那么，对于经历了三十多年财富积累的中国人来说，则是一项亟需普及的财富管理方案。
2016年底，知名财经作家吴晓波进行了一项“新中产消费调查”，发现人数可能达到1.8亿的“新中产”阶层，正在普遍陷入一种财富保值的巨大焦虑之中。
高净值人群的财富一直享受着金融机构私人顾问的专属打理，那谁来保卫“新中产”的钱包，缓解他们的财富焦虑？
智能投顾，也被称为机器人投顾、智能理财等，是指在人工智能和大数据的基础上，针对不同风险偏好和投资要求的用户，由计算机提供基于算法的投资管理建议，帮助投资者组建个性化的资产投资组合，实现个人资产配置的最优化。
智能投顾一般遵循如下服务流程：首先洞悉投资者需要，即清楚地了解投资者自身及家庭整体的关键数据。比如投资者所处人生阶段、收入水平、历史投资经验和偏好。一般来说，投资者标签越丰富，画像的颗粒度越精细，对投资者的把握就越准确。
理财是财富保护、长期投资、资产配置，更是一种人生规划方式。所以，下一步，机器还要详细描摹投资者阶段性的生活追求，如买房、买车、求学、育儿、养老等，以此搭配相应的投资周期以及考察投资回报期望。
接下来，机器就要考察投资者的风险偏好。以年龄、职业生涯所处阶段、收入结构、生活负担等作为基本参考纬度，确定投资者能承担风险的阈值。需要指出的是，在线下，投资者面对自己的投资顾问表达的风险偏好，往往与其真实风险偏好有很大偏差，这就需要投资顾问与投资者进行专业细致的沟通，以洞悉客户真实的风险阈值，这一过程成本很高。而机器是通过大数据识别客户风险偏好，而且可以根据市场状况实时动态调整，画出投资者的风险偏好变化曲线，这就大大降低了沟通成本，也就意味着投资者可以付出更少的“羊毛”。
全面掌握了投资者的基本情况后，就需要根据具体的客户体征，在丰富的金融产品中，挑选最适合的资产配置组合。
因此，机器顾问作为中介，在连接用户端完成投资者画像的同时，当然也要对金融产品端如数家珍，也即对可选投资标的背后的基础资产充分了解。比如，资产特性是什么、波动率怎样、收益表现是什么情况、稳定性是什么情况、多个资产间相关性是什么情况等。
对两边的了解都达标后，机器要考虑怎么做组合上的匹配，而不是单一的匹配。这一过程其实需要海量的运算能力以及高效的深度学习算法的能力。这也是百度这样的技术公司可以切入这个领域，并且如鱼得水的原因。
最后，还要有资产的监察和控制能力，随着市场变化调整资产组合，机器就要不断更新投资方案，以匹配用户需求。
智能投顾的出现，改变了理财资管机构与客户交互的方式，可以真正了解投资者诉求偏好，从而可以通过散点生产、定制化生产来配置资源。
图7-2 智能投顾示意图
更重要的是，借助人工智能技术，智能投顾可以低成本地将个性化专属财富管理方案提供给普通的中产阶层。一般智能投顾公司都没有特定的投资门槛，管理费用仅在0.15%~0.35%，用户投资金额越大，其收取的费用越低。这个费用相当于真人投资顾问费用的1/10。有的智能投顾公司可以将费用降低到真人顾问的1/20，甚至干脆免费。
而且机器顾问可以有效规避人性弱点。一般的投资者在战术性资产配置比如股票投资中，一旦被套就进入“假死”状态，只能等待解套；而一旦获取收益，又总不能及时落袋为安。机器顾问则不受情绪影响，设定盈利点和止损点后，可以自动严格地去执行，没有贪婪，也没有恐惧。
再者，机器顾问的精力是无限的，它可以7×24小时不间断地、兢兢业业地通过数字化资产配置，为客户提供相对定制化的、模块化的服务，并及时基于投资者个人的需求偏好和市场的变化提出服务方案。这保证了机器投资顾问可以同时跟手机或PC端的无数客户进行贴心的深度交流。
世界上最大也是最著名的私人财富管理机构瑞银财富管理，截至2015年底，在全球拥有4250名理财顾问，却要服务450万个人和企业，服务覆盖比超过1：1000。与它相比，机器的工作效率显然会更高。
近几年，智能投顾在美国发展迅速，2012年美国智能投顾行业规模几乎为零，到2014年已经具有140亿美元的资产管理规模。其中包括Wealthfront公司、Betterment公司，以及我们前面提到的Hedgeable等在内的数家公司都在智能投顾领域有所发展。而提供投资决策信息服务的Kensho，则是另一种意义上的智能投顾公司。
毕马威报告称，预计到2020年，美国智能投顾的资产管理规模将会达到2.2万亿美元。
在国内，2015年左右开始出现模仿国外模式的智能投顾企业。到了2016年，大量智能投顾概念的产品开始涌现，虽然看起来市场火热，但是不得不说，其中不少是打着“智能”噱头的概念炒作。比如有的只是在智能投顾旗号下，推荐某种固定的投资组合，其实早就背离了智能投顾从风险评级、投资目的、投资能力和意愿方面动态配置的初衷。
从事这一行业需要大数据、机器学习及金融洞察等综合能力，而在中国的市场环境下，甚至对以上能力都提出了更高的要求。
比如，国外智能投顾的投资标的主要是ETF（交易型开放式指数基金，通常又被称为交易所交易基金），是被动管理基金。与此相应，美国市场同期有近1600支ETF，管理资产规模累计2.15万亿美元。但国内上市的ETF合计130支，资产规模累计4729亿元（根据Wind数据，截至2016年6月）。
指数型产品的稀缺，使得中国的智能投顾不得不引入主动管理基金。但主动管理基金本身的很多变化是不可预测的，比如换一个基金经理、基金公司战略变动，基金的收益变化就会非常大，而且这个变化很难被预测和模拟。这就对智能投顾企业的投资能力提出了极高的要求。
为了进行更为准确的投资者画像，一般智能投顾公司都会借鉴线下投资顾问形式，要求客户填写问卷。但在中国的投资和理财市场，以散户为主的投资群体，其投机心理大于投资心理。如前所述，这就导致了客户表达自身风险偏好失真的现象更容易出现。例如，投资者看到某些高风险的资产历史收益不错，为了顺利完成投资，就可能会忽视潜在风险，在问卷填报中虚高自己的风险接受度。在这个问题上，能够超出一般评价指标，为客户进行“10万+”级别的细化标签画像及风险评估的大数据公司，优势就十分明显。
美国有专门的第三方机构，能把投资者所有的账户汇集到一起，只要用户点击授权，智能投顾公司就能获取用户的所有账户流水等信息。比如，智能投顾公司Pefin，可以为投资者做到全账户集合管理，将投资者所有的在线金融账户汇集到Pefin平台，包括储蓄账户、银行消费账户、信用卡账户，月供、贷款和投资账户等，Pefin在几分钟之内就能利用分析模型，建立起投资者当前财务状况的知识图谱。
在中国是没有这样的账户汇集机构的。要尽量生成投资者的完整画像，除了让用户自己去填写问卷，还需要大数据基础上的机器学习画像能力。
最大的挑战还在于投资者教育，在一个以散户为主体的投资市场，怎么让投资者相信，你把钱交给机器，它会进行专业的资产配置，给你提供良好的财富管理服务。而且，在传统投资教育还未完成的情况下，进行智能投顾的教育，难度可想而知。百度智能投顾团队的袁月以“跳级”形容这一状况，“小学还没毕业，就要上初中。”
机器学习的“黑箱”也加大了教育的难度。一般传统投资顾问，做出投资交易后会向客户解释决策逻辑，但是目前还很难解释机器顾问的“想法”。
为了克服这一“缺陷”，很多智能投顾公司还是会强调其投资逻辑背后的专业人员因素。比如招商银行的摩羯智投，会突出其对市场上多家基金公司及其基金经理的相关情况掌握更全面，将其作为重要的投资模型因子。Hedgeable专门开辟了投资顾问板块，允许注册投资顾问、财务顾问、认证财务规划师、注册会计师、律师、保险代理人和其他财务价值链上的重要角色使用Hedgeable平台为他们的客户服务。
当然，国内智能投顾行业的发展，还取决于未来监管政策的逐渐明朗。智能投顾行业如果因牌照所限，不能向个人投资者的证券投资账户直接提供投顾服务，那么在未来相当长的时期内，其最佳出路只能是向机构输出技术能力，这可能意味着机构投资者跟大众投资者的实力对比将进一步拉大。
智能投顾服务目前还不可能真正做到普惠众生，只能在高净值人群之外，服务限定规模的中产阶层人群，或者作为投资机构的技术输出方存在。这是由资本市场的零和规则决定的。即一个人赚钱的同时另一个人必定亏钱。当机器通过算法和程序发现了一个更好的策略，理性的做法就是遵循华尔街的规则“闷声发财”，如果这一策略被广泛服务于大众，收益率必然大大降低，甚而最终失效。这是智能投顾在普惠与高收益之间的悖论。
再以Wealthfront为例，其首席投资官就是《漫步华尔街》的作者Burton Malkiel（伯顿·麦基尔），而这本书倡导的被动投资哲学认为，既然长期战胜不了市场，那就干脆投资市场。Wealthfront就遵循这样的哲学，选择跟踪指数的被动型投资工具ETF作为投资对象，以期获得长期、稳定的收益。但作为一个公开策略，这也决定了它不可能获得超额回报。
从实际情况看，Wealthfront、Betterment等智能投顾公司，管理的财富也就是30亿~50亿美元的规模，跟一些传统的、超大的资产管理公司，比如贝莱德动辄数万亿美元的资产管理规模相去甚远。
本节开头提到的Kensho，最终还是难逃被华尔街投行大佬高盛（1500万美元融资）、谷歌风投、恩颐投资（1000万美元融资）等公司收编的命运。其宝贵的数据处理技术，最终对普通人关闭，被限定在了华尔街神秘的小圈子里，其投资领域的平权革命戛然而止。
一些全球超级的资产管理公司如Charles Schwab（嘉信）、Fidelity（富达）、Vanguard（先锋投资）以及国际大投行如高盛、JP摩根、瑞银也都在通过投资并购或自建平台的方式进入智能投顾领域。
投资牌桌上的大玩家，正在金融领域的智能革命到来前纷纷醒来。未来，能与之竞合的，恐怕也只有人工智能技术实力雄厚，又掌握海量数据的科技巨头了。
数据挖掘：智能投资的钥匙
2016年11月，美国总统大选激战正酣。与此同时，投资市场另一场大战也正在上演。
瑞信的分析师们观察到，管理资产规模约3300亿美元，量化兼具多空策略的CTA（期货投资）基金正逐渐转向空头，针对美股的空仓仓位飙升到近期的最高水平。而另一方面，管理资产规模超过2150亿美元的多空股票基金，针对美股的多仓仓位则创下9个月来的新高。
对峙双方大部分的投资交易都是在计算机的帮助下，通过算法和模型来进行的。于是媒体将其定义为“机器人大战”。
由于量化投资的大部分交易是由计算机完成，也使用各种模型和算法，很多人将其理解为人工智能对投资市场的干预。但实际上，量化投资只是利用计算机强大的计算能力寻找市场上的无风险套利机会（Arbitrage），只能算交易策略范畴，大多与人工智能并无关系。
而真正的智能投资依然是基于数据驱动的。无论算法怎么迭代，怎么有创意，也不论逻辑关系设计得多巧妙，有了金融算法模型，还必须有大量的符合模型需求的经济、社会、特定行业变化等多维度的数据集，来验证算法模型的可行性和精准度。
可见，一个开放性的大数据环境对智能投资，或者金融信息分析都至关重要。因为从物理世界中获取数字化数据的成本极高，很多公司又没有自己的大数据资源，智能投资分析与决策就无从谈起。
百度、谷歌拥有的搜索数据、地图数据等庞大、多维、立体的大数据资源，有别于传统金融体系的数据，为互联网视角下金融数据特征的挖掘提供了丰厚的资源。加上领先的人工智能技术，给了搜索引擎类公司切入金融投资领域最佳的禀赋资源。
有了资源，也就有了“挖矿者”。搜索大数据中的炼金过程一般是这样的：通常，确定数据源后，依托成熟的大数据技术可对全网数据进行高速整合，提升数据运转效率，同时保持网络数据信息的完整性，进而运用先进的机器学习、人工智能、大数据分析等技术，对海量数据进行分析处理，挖掘金融资产的个性化特征。
例如，百度日均产生跟股票名称或股票代码直接关联的搜索量约2000万次，一只股票的搜索量和其股价走势往往呈现高度的正相关性，平均相关性达0.7以上，搜索量作为量价的补充信息，代表了某只股票被投资者关注的程度，辅助以舆情因子的判断，可以被当作潜在买家/卖家的能量积蓄，用来判断何时入场，什么时候又该进行风险规避。
搜索数据能潜藏宝贵的投资决策金矿，是因为人们在主动搜索时一般是不会说谎的。
如果搜索是主观意图数据的体现，那么，在数据足够丰富的情况下，就可挖掘提炼出人群对信息的潜在需求和关注程度。A股特殊的投资者结构（散户居多）和运行特点（习惯炒作）使得搜索数据成为绝佳的观测维度。因此，搜索数据辅助大盘选择时，能够有效地观测市场变化。
搜索数据还可以进一步挖掘和提炼，比如，现在百度地图已经在全国标注了3000多个工业园区和4000多个商业区，通过观测这些工业园区和商业区，可以有效洞察一个地区、一个商业中心、一个景点，甚至一个城市的人流量变化情况。
智能系统甚至可以以机器学习的方式，提炼某一企业的知识图谱，并实时自动更新。
因而在丰富的时空数据下，投资方能以更广、更及时的视角实时监测所投资企业的开工率变化，并得到及时的投资决策参考。
传统的金融逻辑、投资逻辑、资管能力，加上相关性很强的实时数据，无疑会大大提高投资判断的准确度和前瞻性。
在金融领域，每提升一个百分点的效率，降低一个百分点的风险，都意味着巨大的财富收益。
图7-3 百度收益型量化策略与中证500收益型量化策略的收益率对比
智能金融的三层境界
当然，市场需要我们永远保持敬畏，它的复杂多变远超出人的想象，为了理解这个市场，天才虽然创造了相对简约完美的模型，去抽象理解我们面对的金融世界，但是，在模型简约化的过程中，必然会损失一些东西。而且这些模型相对来说还是静态的，随着时间的推进，过去可用的模型也可能逐渐变得不再那么精准了。在伦敦咨询机构Preqin的研究中，典型的系统化基金的收益并没有比人工操作的基金效益好。
本节开头谈到的那场美国大选前的机器投资大战，可能被媒体过度夸张地解读了。正如巴菲特所说，“投资并非一个智商为160的人，就一定能击败一个智商为130的人的游戏”。
图7-4 系统基金与人工操作基金收益对比
资料来源：https://www.wired.com/2016/01/the-rise-of-the-artificially-intelligenthedge-fund/#slide-1
不管什么样的算法和模型，都要尊重金融规律和投资逻辑，波动不是机器投资引起的，而是市场预期变化引起的。背后做出洞察和决策的还是人，至少在我们可以预见的未来，这一点不会改变。
目前，不少人工智能投资公司宣称，自己系统的股票交易已经完全不需要人的干预了。比如李嘉诚参与投资的Sentient公司的首席科学家Babak Hodjat（巴巴克·霍加特）就宣布“我们的系统可以让基金自动调整风险等级”。
以人工智能分析美股市场的对冲基金公司Aidyia的创始人Goertzel（戈策尔）则对自己的系统更加自信，“如果有一天我们都死了，这个系统仍然会自动交易”。
但实际上，我们很难想象一个完全由机器操控的投资市场。如果大部分基金都完全用人工智能，也许会出现我们不想要的结果。一方面，在精确的计算下，机器投资的节奏和标的越来越趋同，市场的波动越来越小，变得越来越无聊和乏味；另一方面，因为机器选择的投资对象越来越集中，也就同时埋下了市场失衡的种子。
在刘慈欣的短篇小说《镜子》中曾经描绘了这样的景象：当人类社会未来的一切都可以精确计算和预测，人类社会的发展也就走向停滞，最终便是文明的毁灭。
这样的联想可能有些扯远了，但它给我们的启示是：投资融合了人的本质欲望，甚至包含了助推人类社会不断发展的文化特质，投资过程带来的意义，远比最后的数字增长要大得多。
关于人工智能投资和人的投资决策的关系，百度副总裁张旭阳曾在一次研讨会上阐述了他的看法：
投资是技术、艺术和哲学的结合。百度领先的大数据和人工智能技术，可以解决一些技术层面的问题。但是，投资有时候是一个艺术层面的问题，否则就没有巴菲特这样的古典投资大师的存在了。对于一个市场信号，不同的分析师会有不同的解读方式和方法。比如，通过百度大数据分析，我们发现理发师和教师人群开始关注股票了。对于这个信息，有的分析师可能认为这是一个卖出信号，而另外一些分析师可能认为这是买入信号。这实际上是对投资经验提升的一种知觉，在这个决策判断的过程中，投资更多是一种只可意会不可言传的东西。
我们现在的人工智能技术可取得突破的地方，比如图像识别、语言识别、自然语义理解、用户画像、算法和辅助决策，这些都可以提炼出明确的信号，机器通过自我学习之后，可以做出判断。但投资决策最关键的部分是不明确的，是一些意中有、语中无的东西，我们目前的技术还没办法理解这种东西，也就没办法代替人做出洞察和判断。
AlphaGo打败李世石之后，很多人认为机器是不是可以替代人进行投资了。但实际上，投资与围棋的博弈完全不同。围棋是一个封闭的、信息充分的博弈环境，但投资有人的非理性，是开放式环境，这种情况下，技术要替代人去做决策，还需要极大的提升，这一过程至少以10年计。
实际上，目前用于投资的人工智能算法都大同小异，以前是逻辑回归、因果分析；后来有了深度神经网络，有了所谓的梯度决策树；再后来有了遗传算法。但这些算法的进步，都没有超出相关性分析的范畴，只可以实现一些短期记忆的东西，毕竟还没有达到人类大脑的反应程度，对于投资市场上一些可重复、可循环的投资决策，机器可以很好地去安排。但是，对于有一定缺陷的市场，或者说在投资艺术层面上有缺陷的市场，还需要人工干预。
我觉得在艺术层面，机器至少现在还难以取代人。我们的智能投资背后也需要一个团队维护算法，对这个算法的逻辑要不断地做一些调整，来适应不同的投资环境下的安排。
投资的第三个层次就是哲学，也是自律。也即投资到底是为什么？我要有止损止盈的法则。这个方面可能机器反而可以更好地去掌握。其实，通过机器来止损止盈是很容易做到的。因为，人难免有情绪波动，有贪婪和自信。比如，总认为自己跟别人不一样，这次跟上次不一样，总是觉得，我这次能逃离，别人会接我最后一把，我能出手，我虽然知道泡沫很大，但我自信不是接最后一棒的。但历史往往是重复的。而通过机器的算法，完全可以给你设定，到某一阶段就要认输离场，或者到了某种程度就要止盈了，可能还有一个正反合的过程。
但是，目前机器即使是在艺术层面、还难以取代人，我们的智能投资，背后也需要一个团队维护算法，对这个算法的逻辑要不断地做出一些调整，来适应不同的投资环境下的安排。
总之，在金融投资市场，人仍然是最关键的决定性因素，尤其是在金融跟人工智能的融合创新正在加速的时期。
就像当年大批物理学、数学翘楚涌入华尔街，并给后者带来革命性的变化一样。如今，当华尔街面对金融科技浪潮惊呼“硅谷已至”的时候，人工智能与金融人才的跨界流动与融合，正在百度这样的技术性公司出现。
“Robin说欢迎硅谷的人回来。我就来了。”曾任职于微软研究院的吴建民这样回忆他来到百度的原因。他主要是在百度金融开展智能获客等相关研究。如果说他与更多的人工智能专家属于依靠技术解决金融问题的人，那么操盘资管理财的张旭阳、负责消费信贷的黄爽等来自传统金融机构的专业人士，则属于提出问题、定义问题的人。
这种人才的跨界组合激荡着创新。人工智能与金融业务的融合，将在身份识别认证、大数据风控、智能投顾等方面，对金融服务带来怎样的革命性改变，我们拭目以待。对个人来说，人工智能金融工具将无可回避。5~10年之后，当你去银行、证券公司、保险公司等机构接受理财、信贷、金融服务时，背后都有人工智能的身影。朱光将金融科技的未来状态称为“AI inside”（内嵌人工智能），我们希望自身的技术、数据、能力会支撑中国所有的金融机构，减少金融不确定性带来的冲击，发挥金融助力美好生活的力量，实现普惠金融的梦想。