機(jī)器學(xué)習(xí)：推動(dòng)大數(shù)據(jù)金融發(fā)展

何大安

從機(jī)器學(xué)習(xí)在新科技應(yīng)用中扮演的角色考察，無論是以許多簡(jiǎn)單模型代替單一復(fù)雜模型，進(jìn)而得到大量計(jì)算機(jī)服務(wù)器支持并廣泛運(yùn)用的“數(shù)據(jù)驅(qū)動(dòng)法”，還是以計(jì)量經(jīng)濟(jì)學(xué)為底蘊(yùn)從而將人工智能作為通用技術(shù)使用的分析方法，機(jī)器學(xué)習(xí)都將成為赫然貫穿其間的主要技術(shù)方法。

（一）機(jī)器學(xué)習(xí)技術(shù)及其類型不斷提升的過程，是大數(shù)據(jù)金融發(fā)展的過程，這個(gè)過程代表著金融運(yùn)行的未來趨勢(shì)

機(jī)器學(xué)習(xí)是指通過對(duì)海量數(shù)據(jù)之多維度的分析處理，甄別和剔除扭曲信息和錯(cuò)誤信息，通過搜尋真實(shí)或準(zhǔn)確信息來實(shí)現(xiàn)最大化決策的一種匹配大數(shù)據(jù)的人工智能方法。學(xué)術(shù)界根據(jù)機(jī)器學(xué)習(xí)的特征，將之分為監(jiān)督學(xué)習(xí)（Supervised Learning）、無監(jiān)督學(xué)習(xí)（Unsupervised Learning）和強(qiáng)化學(xué)習(xí)（Reinforcement Learning）三種類型。監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)之間的區(qū)別，在于學(xué)習(xí)過程中有沒有標(biāo)簽的數(shù)據(jù)樣本。對(duì)于大數(shù)據(jù)金融來說，由于不同金融產(chǎn)品具有不同資本屬性，具有不同的價(jià)格數(shù)據(jù)，金融機(jī)構(gòu)通常會(huì)運(yùn)用具有回歸算法和分類算法的監(jiān)督學(xué)習(xí)，按照數(shù)據(jù)輸入和輸出的一般法則，通過建模對(duì)這些數(shù)據(jù)展開機(jī)器學(xué)習(xí)。另一方面，在大數(shù)據(jù)金融的運(yùn)行中，基于任何一種金融產(chǎn)品都不明顯具有反映明確收益的特征，金融機(jī)構(gòu)也會(huì)運(yùn)用沒有數(shù)據(jù)樣本標(biāo)識(shí)的聚類算法來進(jìn)行無監(jiān)督學(xué)習(xí)，以期通過機(jī)器學(xué)習(xí)來體驗(yàn)和匹配各種不同金融產(chǎn)品的大數(shù)據(jù)，進(jìn)而運(yùn)用于自己的決策。不過，針對(duì)大數(shù)據(jù)金融之?dāng)?shù)據(jù)多維度的復(fù)雜性，監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)只是金融大數(shù)據(jù)走向大數(shù)據(jù)金融中的基礎(chǔ)性機(jī)器學(xué)習(xí)方法;它們通常局限于歷史數(shù)據(jù)，對(duì)現(xiàn)期數(shù)據(jù)的匹配還有相當(dāng)大的距離，至于把未來數(shù)據(jù)轉(zhuǎn)化成“算法”則是很遙遠(yuǎn)的事。目前正在廣泛運(yùn)用的強(qiáng)化學(xué)習(xí)（Reinforcement Learning），是一種在動(dòng)態(tài)環(huán)境中不斷試錯(cuò)從而努力使決策最大化的人工智能算法;強(qiáng)化學(xué)習(xí)比較適合于金融機(jī)構(gòu)對(duì)短期金融品種的經(jīng)營(yíng)，能在一定程度和范圍內(nèi)匹配現(xiàn)期數(shù)據(jù)，但它還是望塵莫及于未來數(shù)據(jù)。隨著大數(shù)據(jù)金融的進(jìn)一步發(fā)展，金融機(jī)構(gòu)開始使用迄今為止最先進(jìn)最深邃的深度學(xué)習(xí)（Deep Learning）方法，機(jī)器深度學(xué)習(xí)方法之所以被廣泛運(yùn)用于大數(shù)據(jù)金融，是因?yàn)樗鼘⒁源髷?shù)據(jù)的多維度為鍥入口，通過多層次神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)，把低層級(jí)特征數(shù)據(jù)與高層級(jí)特征數(shù)據(jù)相結(jié)合，以揭示大數(shù)據(jù)的分布特征;深度學(xué)習(xí)推動(dòng)了人工智能技術(shù)的進(jìn)一步發(fā)展，但它仍然不能處理和匹配現(xiàn)期數(shù)據(jù)和未來數(shù)據(jù)。大數(shù)據(jù)金融的未來發(fā)展趨勢(shì)，是具備頂級(jí)新科技的金融機(jī)構(gòu)能夠匹配現(xiàn)期數(shù)據(jù)和未來數(shù)據(jù)，這要求金融機(jī)構(gòu)以機(jī)器學(xué)習(xí)為代表的人工智能技術(shù)的快速提升。

（二）大數(shù)據(jù)思維會(huì)代替過去只依據(jù)部分?jǐn)?shù)據(jù)進(jìn)行推論的因果思維，隨著大數(shù)據(jù)金融的發(fā)展，在將來金融機(jī)構(gòu)的因果推斷中機(jī)器學(xué)習(xí)會(huì)得到越來越多的應(yīng)用

大數(shù)據(jù)思維本質(zhì)上仍然是因果思維，但較之于過去那種只依據(jù)部分?jǐn)?shù)據(jù)進(jìn)行推理的因果思維，它是建立在決策信息來源于大數(shù)據(jù)這個(gè)推論之上的，大數(shù)據(jù)思維反映了工業(yè)化時(shí)代人類運(yùn)用有限樣本數(shù)據(jù)不能準(zhǔn)確剖析事物因果關(guān)系從而不具有總體性和相關(guān)性的缺陷;關(guān)于這個(gè)問題，舍恩柏格曾通過對(duì)大數(shù)據(jù)分析如何提示人類取舍信息的解說，對(duì)大數(shù)據(jù)思維是一種包含總體思維、相關(guān)思維、容錯(cuò)思維和智能思維的模式作出了論證?？偟膩碇v，金融機(jī)構(gòu)投資經(jīng)營(yíng)的效用函數(shù)會(huì)驅(qū)動(dòng)他們放棄傳統(tǒng)因果思維模式，金融大數(shù)據(jù)的極大量、多維度和完備性等特征，會(huì)要求金融機(jī)構(gòu)采取容納總體思維、相關(guān)思維、容錯(cuò)思維和智能思維的大數(shù)據(jù)思維模式。

機(jī)器學(xué)習(xí)之于選擇行為的預(yù)測(cè)，越來越顯示出機(jī)器學(xué)習(xí)在因果推斷中的極強(qiáng)應(yīng)用前景。計(jì)量經(jīng)濟(jì)學(xué)融合機(jī)器學(xué)習(xí)方法是一種學(xué)術(shù)趨向。從學(xué)科發(fā)展和大數(shù)據(jù)金融的未來發(fā)展考察，有一點(diǎn)幾乎可以肯定，那就是這種融合會(huì)產(chǎn)生一種以機(jī)器學(xué)習(xí)為主、經(jīng)濟(jì)計(jì)量為輔的格局。這可從以下兩方面說明：1.基于利用常規(guī)傾向性得分匹配法（Propensity Score Matching）得出的估計(jì)難以在協(xié)變量眾多的前景下進(jìn)行，機(jī)器學(xué)習(xí)可以采用套索算法（LASSO）和隨機(jī)森林（Random Forest）等方法來篩選眾多協(xié)變量，以代替?zhèn)鹘y(tǒng)步驟對(duì)大數(shù)據(jù)進(jìn)行的匹配;2.機(jī)器學(xué)習(xí)重視因果推斷中的異質(zhì)性處理效應(yīng)（Heterogeneous Treatment Effect），這將在很大程度上彌補(bǔ)過去因果關(guān)系推斷只關(guān)注平均處理效應(yīng)（Average Treatment Effect）的不足。金融大數(shù)據(jù)包含眾多協(xié)變量，它在數(shù)據(jù)匹配和數(shù)據(jù)異質(zhì)性處理等方面，一定會(huì)隨大數(shù)據(jù)金融之覆蓋面的進(jìn)一步拓寬而復(fù)雜化，因而機(jī)器學(xué)習(xí)方法的應(yīng)用空間是巨大的，這是其他人工智能手段無法比擬的。大數(shù)據(jù)金融中的機(jī)器學(xué)習(xí)應(yīng)用空間拓展的效應(yīng)，突出反映在金融機(jī)構(gòu)對(duì)現(xiàn)期數(shù)據(jù)和未來數(shù)據(jù)的挖掘、加工、處理和匹配上。對(duì)于金融機(jī)構(gòu)來講，如果他們的數(shù)據(jù)智能化達(dá)到很高乃至于達(dá)到頂級(jí)水平，那便意味著機(jī)器學(xué)習(xí)將會(huì)深入應(yīng)用到各種金融產(chǎn)品及其組合的相對(duì)準(zhǔn)確的預(yù)測(cè)上，投資效用是很高的;反之，則表明金融機(jī)構(gòu)駕馭金融大數(shù)據(jù)的能力還處于較低層級(jí)，意味著機(jī)器學(xué)習(xí)的應(yīng)用水平還有很大的提升空間。

（三）在大數(shù)據(jù)金融的實(shí)際運(yùn)行中，金融機(jī)構(gòu)的決策行為仍然是理性選擇，他們具有怎樣的數(shù)據(jù)智能化層級(jí)就會(huì)有怎樣的效用函數(shù)值

金融大數(shù)據(jù)的完備性和極大量具備了提供完備信息的基礎(chǔ)，金融機(jī)構(gòu)可通過5G通信、互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、傳感器、定位系統(tǒng)、社交媒體等，去搜集、整合和分類各種金融產(chǎn)品的大數(shù)據(jù);可通過云平臺(tái)、云計(jì)算、機(jī)器學(xué)習(xí)、物聯(lián)網(wǎng)、區(qū)塊鏈等人工智能手段，去加工和處理各種金融產(chǎn)品的大數(shù)據(jù)，于是，信息約束的局面將隨金融機(jī)構(gòu)能夠從金融大數(shù)據(jù)中獲取大量信息而逐漸被打破。就認(rèn)知約束而論，金融機(jī)構(gòu)可通過云平臺(tái)、云計(jì)算、機(jī)器學(xué)習(xí)等人工智能手段，通過對(duì)金融大數(shù)據(jù)進(jìn)行多維度分析以取得正確認(rèn)知，從而使認(rèn)知形成過程由以前明顯夾帶主觀判斷的分析路徑轉(zhuǎn)變成主要依靠新科技的認(rèn)知路徑。這種轉(zhuǎn)變實(shí)際上是改變了金融機(jī)構(gòu)的理性選擇的內(nèi)容和過程，以至于悄然改變了金融機(jī)構(gòu)的認(rèn)知函數(shù)、偏好函數(shù)和效用函數(shù)，值得經(jīng)濟(jì)學(xué)家深入思考和研究。大數(shù)據(jù)金融實(shí)踐在理性選擇理論上向我們展現(xiàn)的基本分析線索和畫面，既不是傳統(tǒng)理論在“經(jīng)濟(jì)人假設(shè)”基礎(chǔ)上通過給定條件約束和運(yùn)用嚴(yán)密數(shù)理邏輯推論所得出的何種選擇才符合理性，也不是運(yùn)用大量數(shù)學(xué)模型來解釋什么樣的選擇才是能實(shí)現(xiàn)最大化的理性。結(jié)合機(jī)器學(xué)習(xí)等人工智能手段的運(yùn)用來理解，這種畫面可以解釋為是“人與數(shù)據(jù)對(duì)話”以及“數(shù)據(jù)與數(shù)據(jù)對(duì)話”。需要說明的是，這兩種對(duì)話形式與經(jīng)濟(jì)行為主體的新科技層級(jí)相關(guān)聯(lián)。

如上所述，依據(jù)云平臺(tái)、云計(jì)算、網(wǎng)絡(luò)協(xié)同、機(jī)器學(xué)習(xí)等人工智能技術(shù)的掌握和運(yùn)用，我們可把金融機(jī)構(gòu)劃分為掌握新科技的低級(jí)層級(jí)、中級(jí)層級(jí)和高級(jí)層級(jí)的決策主體;易言之，金融機(jī)構(gòu)運(yùn)用機(jī)器學(xué)習(xí)等技術(shù)手段加工和處理金融大數(shù)據(jù)的能力，從而取得什么樣的效用函數(shù)的能力，是由他們的新科技層級(jí)決定的。

在全球經(jīng)濟(jì)一體化的背景下，金融機(jī)構(gòu)面對(duì)錯(cuò)綜復(fù)雜的金融產(chǎn)品的價(jià)格波動(dòng)，要實(shí)現(xiàn)效用函數(shù)最大化，必須能夠?qū)鹑诖髷?shù)據(jù)有挖掘、加工和處理的能力，這是我們反復(fù)強(qiáng)調(diào)的。但從嚴(yán)格意義或高標(biāo)準(zhǔn)要求來講，金融機(jī)構(gòu)必須具有將客戶和競(jìng)爭(zhēng)者的偏好和認(rèn)知等轉(zhuǎn)化為“算法”的能力，這便要求金融機(jī)構(gòu)在掌握和運(yùn)用機(jī)器學(xué)習(xí)方法的同時(shí)，還能夠掌握和運(yùn)用諸如邏輯推理、概率推理、專家系統(tǒng)、語音識(shí)別、自然語言處理等人工智能技術(shù)。金融機(jī)構(gòu)進(jìn)入新科技的頂級(jí)層級(jí)的標(biāo)志，是能夠挖掘正在發(fā)生的現(xiàn)期數(shù)據(jù)和尚未發(fā)生的未來數(shù)據(jù)，因此，問題的討論又回到了機(jī)器學(xué)習(xí)這一人工智能技術(shù)的掌握和運(yùn)用上。