投资银行业中的人工智能

摘要：受数据收集和排序、算法和计算能力的快速推动，人工智能领域取得了许多突破。过去，计算机系统需要手动编程来完成既定的任务。现在，许多机器学习系统已经成功商业化并应用于各种领域，特别是金融、医疗和制造领域。本文将讨论人工智能技术在金融行业的应用。

关键词：金融；人工智能；投资；银行

1、引言

计算机视觉和自然语言处理等人工智能技术正在加速传统行业的转型。人工智能（AI）在取代或辅助人类工作、提高效率和降低成本方面的潜力巨大，可以创造新的生活方式并促进各个行业的效率。随着传统行业的智能化转型，预计未来人工智能市场规模将急剧增长。

根据普华永道发布的报告，预测到2030年，人工智能对全球经济的贡献将达到15.7万亿美元，成为当今快速变化的经济中最大的商业机会。即使考虑到转型成本和竞争效应，到2030年也可能通过增加约13万亿美元的总工业产出来提高就业率。尽管有人担心人工智能可能会由于人类裁员而导致就业率下降，但麦肯锡研究认为，从长远来看，采用人工智能不会对净就业率产生重大影响。到2030年，人工智能的额外投资可能占总就业人数的5%，而产生的新增财富可以促进劳动力需求并提高就业率12%（麦肯锡，2017年）。

由于金融机构正在通过大数据增强其竞争优势，人工智能已成为金融部门的强大工具。在投资银行业中，人工智能用于股票价格预测和信贷评分，无需客户接触。随着人工智能在金融市场上的应用，与人工智能相关的证券业务也日趋繁荣。另一方面得益于劳动力变革，人工智能也可以显著降低金融机构的运营成本和效率。据估计，人工智能可以通过缩小前台和中台的人员规模，来使银行的劳动成本减少4470亿美元。世界上最大的另类资产管理机构BlackRock已经在其风险分析和投资者档案中使用了AI顾问和算法交易工具。

2、文献综述

2.1 人工智能在商业中的应用

人工智能是一个广泛的术语，指的是能够感知环境、思考、学习和响应其感知和目标的计算机系统，包括：（1）自动化智能，自动化手动/认知和例行/非例行任务；（2）辅助智能，帮助人们更快更好地完成任务；（3）增强智能，帮助人们做出更好的决策；（4）自主智能，无需人工干预即可自动执行决策过程（PwC，2017年）。[1]

由于人工智能在第四次工业革命中起着至关重要的作用，影响了大多数行业和企业，因此采用人工智能不仅将提高人力资源和财务资源的生产率，还将重新塑造工作场所和工作流程（Bogoviz等，2019年）。一些人认为，人工智能将来会比人类更聪明，并在很大程度上减少未来的工作量，这将使人类在广泛应用人工智能的情况下变得更好（Schmidt和Cohen，2013年）。然而，一些其他研究人员也对人工智能的潜在社会风险表示关注，并认为要达到奇点还需要很长时间（Aghion等，2019年）。

受数据收集和排序、算法和计算能力的快速推动，人工智能领域取得了许多突破（麦肯锡，2022年）。过去，计算机系统需要手动编程来完成既定的任务。现在，许多机器学习系统已经成功商业化并应用于各种领域，特别是金融、医疗和制造领域。

人工智能技术在商业应用上通常可以分为四个部分，即认知、预测、决策和综合解决方案。认知是指通过收集和解释信息来感知和描述世界，包括自然语言处理、计算机视觉和音频处理。预测是通过推理来预测行为和结果，例如创建针对特定客户的有针对性的广告。决策中的应用包括路线规划、新药研发和动态定价（Davenport等，2018）。最后，当人工智能与其他互补技术（如机器人）结合时，可以生成各种综合解决方案，如自动驾驶、机器人手术和能够响应刺激的家庭机器人。[2]目前，认知和预测领域的许多技术已逐渐商业化，而决策和综合解决方案技术大多处于初级阶段。

目前，人工智能在中国金融、零售和高科技行业中的渗透率很高，这些行业加起来占全国人工智能市场的1/3以上。迄今为止，中国大多数人工智能应用主要集中在消费者领域，这归因于世界上最大的互联网消费基础。在未来十年中，人工智能将为中国的一些新兴产业带来巨大的增长机会，尤其是在汽车、交通、物流，制造页，医疗保健和生命科学，SaaS等行业（波士顿咨询， 2018年）。据估计，中国人工智能应用每年可创造超过6000亿美元的经济价值（麦肯锡，2022年）。

2.2 金融行业中的人工智能

各类人工智能技术已经应用于金融行业的各个方面。由于神经网络、深度学习和机器学习在金融部门的应用程序中至关重要，Milana和Asta（2021年）分析了191篇学术论文，发现AI和金融领域中最常使用的关键词包括机器学习、预测、专家系统和人工神经网络。[3]本文回顾了金融行业中最常出现的人工智能技术，这也涵盖了以前文章中提到的大多数技术。

机器学习（ML）是金融领域中最常使用的人工智能技术之一，可以帮助商业银行和其他金融机构检测客户信贷欺诈（Ryman-Tubb等，2018年）。Gonzalez-Carrasco等人（2019年）还提出了使用人工智能和机器学习的数据分析过程可以帮助商业银行改善客户关系、检测潜在欺诈并满足一般会计报告要求。此外，机器学习是应用于金融市场的理想人工智能技术。机器学习可以通过各种方法帮助设计投资组合，包括跟上赢家策略、基于模式匹配的方法和元学习算法等。类似地，股票和FICC交易可以从强化学习中受益，因为交易涉及一个持续的资产重新平衡过程。

另一个在金融市场上广泛使用的人工智能技术是神经网络（NN），其比传统工具具有更强的泛化能力，因为NN可以从任意随机起点重新开始，这意味着它不需要具有强大的识别能力和容错性（Boden，2018年）。Güler和Tepecik（2019年）使用27种不同的神经网络来描述土耳其里拉和美元之间的关系，并发现最好的神经网络可以精确逼近该关系。

与机器学习一起，算法也是金融行业中广泛使用的人工智能技术之一。Kim等人（2010年）提出，分类和回归树（CART）分析可以发现不完整数据中的规则。此外，基于代理的模型在算法交易中得到广泛应用，因为该工具可以促进数据处理和解决方案的发展。Gejke（2018年）认为，算法和其他人工智能技术可以帮助金融机构管理创新技术带来的风险，通过简化常规风险并分析大量数据库来实现。

专家系统和模糊逻辑是金融领域中被引用最多的两种人工智能技术，它们在许多方面相似。模糊逻辑假定决策是基于不准确和不完整的信息，而专家系统是一种计算机程序，模拟人类专家解决特定领域复杂决策问题的思想过程（Mironov，2005年）。一些学者指出，基于投资者的风险收益特征的基于规则的专家系统会产生比传统方差分析更好的投资回报。Vella和Ng（2015年）采用模糊逻辑方法，研究了人工智能在基于风险的资金管理决策过程中的应用，通过将模糊规则与神经网络趋势预测相结合，可以产生比标准神经网络和传统的买入持有策略更好的结果。[4]

在美国，资产管理巨头BlackRock收购了Future Advisor，一家新兴的智能投资咨询公司。高盛也大量投资于新兴金融人工智能公司，通过投资于一款智能金融分析工具Kensho，高盛改善了交易部门员工的业务效率。在中国，金融机构如中国招商银行、工商银行和平安保险等也在积极部署金融人工智能技术，推出新产品如 Capricorn智能投资、AI投资和智能财富管理，以促进人工智能应用的发展。

3、人工智能技术在投资银行业的应用

总体而言，投资银行的主要业务板块都在努力通过人工智能技术提高运营效率、客户服务水平和风险管理能力。其中，资产管理部、财富管理部门和研究部门在其工作中应用了多样化的人工智能技术。然而，投资银行部门的人工智能应用进展滞后。各部门应用人工智能技术的程度各有不同，主要是因为业务数据、工作流程、客户类型和目标资本市场方面的差异。虽然人工智能对投资银行的潜在价值巨大，但推动过程中面临的挑战仍不容忽视，未来大范围推广的时间也存在不确定性。

3.1 投资银行业务

投资银行业务主要服务于一级资本市场，涉及尽职调查、并购、IPO承销和私募融资等业务，这使得在工作流程中难以利用人工智能技术。虽然人工智能可以比人类更快更准确地执行管理工作，但一级资本市场要求投资银行处理大量非标准化数据（包括描述性数据、行为数据和相关性数据），并在尽职调查工作中进行定性分析。与此同时，自然语言处理等人工智能技术仍处于初级阶段，现有的AI工具几乎无法用在承销和并购业务的具体工作。因此，目前人工智能的准确性和有效性尚不能满足投资银行业务的需求。

3.2 财富管理

在财富管理业务中，人工智能和自动化解决方案有望通过降低人力资本成本和加快时间轴来降低服务客户的成本，使大众客户也能享受到个性化财富管理服务，使投资银行能够以低成本为大众市场客户提供个性化财富管理服务。大众投资者由于缺乏服务而有时会陷入“初学者陷阱”（例如买高卖低、冲动投资、税收效率低下等），AI赋能的智能财富管理工具可以使用机器学习来扫描客户财务产品，并自动优化资产分配。

3.3 资产管理

在资产管理业务中，人工智能使资产管理者能够利用其区分化能力来适应业务模式，成为高效率、低费用的投资经理，并提供更定制化的投资组合。人工智能技术可以帮助资产管理者开发独特的策略和新的投资产品，一个典型的解决方案是扩展产品线，开发新型投资策略。

人工智能的兴起还预计将引发并加速资产管理业务中风险控制方面的以下变化：（1）开发实时的交易前和交易后风险控制解决方案；（2）通过考虑风险资本成本和不同交易场景的影响因素，为整体投资组合头寸进行盈利计算；（3）生成与现有策略不相关的新产品，具有新的回报特征。

3.4  投资研究

在投资银行的主要业务中，研究业务在投资决策中起着重要作用。传统的研究分析主要包括信息搜索、数据/知识提取、分析和研究以及观点呈现。大数据和人工智能技术，如大数据、数据可视化和知识图谱等的发展，正在推动智能投资研究的应用并提高研究效率。投资银行的研究部门开发了一系列工具，利用知识图谱技术专注于金融数据的结构提取和智能分析，为研究分析师提供上市公司的财务搜索、自动报告摘要和每日动态跟踪报告。研究分析师只需输入公司名称，系统即可利用自然语言处理、机器学习、模式识别等技术准确提取各种公司报告的关键信息。此外，通过在几秒钟内获取有关公司的基本信息，包括公司的主要业务结构、财务状况、管理团队、股东关系等信息，也是提高研究效率的重要手段。

智能投资研究是人工智能在投资研究中的另一个应用。其核心目的是提高金融数据分析能力并提高人类工作效率。通常，智能投资和研究将通过获取、处理和应用数据来降低研究过程中的时间成本。

3.5 面临的挑战

尽管投资银行拥有丰富的数据，但可能在AI应用中难以有效地利用数据资源。由于数据是AI模型中最重要成分之一，AI模型的预测能力取决于数据的广度、深度和质量，而机器学习方法和算法相对容易获取和模仿。因此，投资银行应努力获得大量高质量的数据，以成功训练所需的人工智能体系。例如，如果我们要使用AI优化财富管理建议，投资银行的财富管理部就需要全面的客户数据，财富管理顾问必须能够访问客户跨机构和账户的信息，以建立对客户需求的完整理解。但是，目前数据存储在各种不兼容的系统和格式中，这就为智能财富管理业务提出了很大挑战。

另一方面，当前的监管制度是基于传统金融体系建立的，这为寻求采用尖端AI技术的投资银行带来了较大挑战。许多有价值的人工智能应用需要复杂、全面和广泛的业务整合，而不仅仅是简单的“螺栓连接”实施。同样的，人才缺口的问题也不容忽视，人工智能将从根本上重新定义了投资银行人才的角色，需要加速改变人力资本。

4、结论

本文研究了当前人工智能在投资银行行业中的应用和实际挑战，AI解决了人工成本和个性化服务的权衡问题，使投资银行能够以接近零的边际成本提供量身定制的金融产品。在这个过程中，投行从业人员的作用需要改变，因为AI在工作中所占份额将逐渐加大，这个需要进行全行业范围的战略转型，以改变人力模式，并与技术一起转变。

AI可以帮助投资银行改善传统工作模式下的缺点，例如高人工成本、低数据处理效率、客户互动不足以及滞后的风控能力。它还可以进一步扩展业务边界，并最终通过多种方式提高运营效率。具体来说，AI在投资银行中的应用包括降低劳动力成本（例如智能客户服务工具、尽职调查财务文件的语义理解和财富管理智能机器人）、激活休眠数据（例如非结构化数据的利用和分析）、增强风险控制能力（例如实时监测风险因素、反欺诈机器学习）以及提高客户服务质量（例如客户身份验证、精准营销和客户精准定位）、开发新产品（例如智能投资管理、自助式财富咨询服务）等。从具体的AI技术角度来看，投资银行的业务部门为诸如机器视觉、语音识别、自然语言处理、机器人技术和机器学习等人工智能技术提供了广泛的应用场景。

在投资银行的主要业务中，人工智能的应用呈现出显著的差异。财富管理业务拥有最全面的人工智能应用，几乎可以将其工作流程中的大部分工具都整合到了AI中。然而，由于多种原因，传统的投资银行业务很少使用AI工具。资产管理和研究部门的人工智能应用程度介于财富管理业务和投资银行业务之间。这种差异主要源于这些业务板块的数据结构、客户基础和工作职责不同。财富管理部门主要关注个人客户，客户信息需求主要是描述性数据。因此，数据相对标准化，数据结构简单。然而，在尽职调查、IPO、私募融资和并购等领域，投资银行部门需要应用大量的原始信息和定性数据（包括描述性数据、行为数据和相关性数据），这些数据高度非标准化，目前很难用AI技术来代替投行从业人员的工作。资产管理部门和研究部门的主要客户是机构投资者，他们主要关注资本市场和上市公司，因此数据质量高且易于获取，但需要大量的定制化和逻辑分析，AI技术可以在前面提到的工作流程的部分环节发挥较大的作用。

为了充分发挥AI的价值，投资银行需要进行战略转型和组织机构变革，以准备部署这些新技术。投资银行实施人工智能应用面临的最大挑战包括数据、运营、人才和监管。为克服这些挑战，投资银行应持续促进各个垂直领域中各种利益相关者的生态系统协作和合作，制定新标准来捕捉人工智能带来的机遇，包括：（1）建立标准化的数据体系，提高运营和财务数据的一致性和互联性；（2）增加人工智能人才储备，构建AI技能所必需的基础设施；（3）根据人工智能的发展，调整管理体系以加速AI赋能。

参考文献

[1]Aghion P， Jones B F &， Jones C I. （2019）. Artificial intelligence and economic growth. The economics of artificial intelligence： An agenda. Chicago， IL： University of Chicago Press.， 237–282.

[2]Bogoviz， A. V.， Lobova， S. V.， Karp， M. V.， Vologdin， E. V.， & Alekseev， A. N. （2019）. Diversification of educational services in the conditions of industry 4.0 on the basis of AI training. On the Horizon， 27（3/4）， 206–212.

[3]Boston Consulting Group （2018） Mind the （AI） Gap： Leadership Makes the Difference. Boston Consulting Group. Available： https：//www.bcg.com/zh-cn/mind-the-ai-gap-leadership-makes-the-difference [Accessed： 29 July 2022].

[4]Davenport， T. H.， & Ronanki， R. （2018）. Artificial intelligence for the real world. Harvard business review， 96（1）， 108-116.