[[209094]]

我讀大學的時候專業(yè)是自動控制，當時正是人工智能的冬天。有一天我對神經(jīng)網(wǎng)絡產(chǎn)生了興趣，于是問一個老師該如何學習神經(jīng)網(wǎng)絡。結果老師搖著頭說，神經(jīng)網(wǎng)絡上世紀就已經(jīng)被研究爛了。這個畫面至今記憶猶新，常在我腦子里浮現(xiàn)。很多年之后我還是很疑惑：神經(jīng)網(wǎng)絡真的沒啥前途么?由此可見，大學老師不能隨便對一件事情做出主觀性太強的判斷。

今天我將從三個方面去談財經(jīng)學生怎樣學習人工智能：學習的目的，學習的內容以及學習的方式。

財經(jīng)人才→財經(jīng)(金融)科技人才

因為知識背景和思維特點的差異，財經(jīng)學生和工科學生學習AI的出發(fā)點和規(guī)律都是不同的。工科學生比較容易上手，但是在尋找應用場景方面會比較薄弱;財經(jīng)學生專業(yè)知識比較強，但是對一些技術的掌握速度比較慢。理想的情況應該是兩者相互合作或者財經(jīng)專家領導工程專家。但從目前的情況來看，傳統(tǒng)財經(jīng)專業(yè)的學生很難具備這樣的領導力。

我認為財經(jīng)學生學習AI并不是要去替代工科學生，而是要成為領導角色。不是領導人，而是領導機器。這種領導角色具有良好的專業(yè)知識，理解編程的基本邏輯，能夠將AI的框架與專業(yè)知識框架進行融合。這也是未來各行各業(yè)***人才必須具備的能力：你不用很會編程，但是你要知道程序是怎么寫出來的，以及如何與技術人員進行對話與合作。

在進一步之前，需要破除一個誤區(qū)。

現(xiàn)在很多人以為金融科技就是量化投資，智能投顧等。不少財經(jīng)類的學生一聽到這樣的詞匯就感到很興奮，覺得高大上，趨之若鶩。

我想潑一下冷水：在量化投資領域，財經(jīng)學生基本上不是工科學生的對手。因為這個應用場景實在是太簡單了，無法發(fā)揮財經(jīng)專業(yè)的優(yōu)勢。

量化投資只是金融科技里面一個很簡單的場景，它的潛力被輿論高估了。真正的藍海是其他更加廣泛的財經(jīng)領域，比如會計，資產(chǎn)評估，保險等等。這些領域的特點是商業(yè)模式更加復雜，需要更深厚的專業(yè)背景，并不是簡單用一些復雜的機器學習算法就能完成的。

財經(jīng)專業(yè)學生應該把重點放到這些行業(yè)，也就是與自己所學專業(yè)密切相關的領域，這才是你們真正有優(yōu)勢的地方。每個細分領域都需要一個AI，財經(jīng)學生應該盡快的去思考自己所在的領域應該如何設計和使用AI，有哪些數(shù)據(jù)是可用的。你們在學校里雖然不能做出一些非常復雜的應用，但是應該進行一些簡化的訓練，以具備基本的技能。等你們畢業(yè)之后，要用一生的時間去優(yōu)化和實現(xiàn)自己的AI，就像你的孩子一樣，***。 

計量模型→數(shù)據(jù)科學

那么下一個問題，利用AI進行數(shù)據(jù)分析與現(xiàn)在的計量分析有什么不同呢?UCLA的朱松純老師做了一個很好的歸納。他講的比我好，直接把原文復制過來：

同樣是在概率統(tǒng)計的框架下，當前的很多深度學習方法，屬于一個被我稱作“大數(shù)據(jù)、小任務范式(big data for small task)”。針對某個特定的任務，如人臉識別和物體識別，設計一個簡單的價值函數(shù)Loss function，用大量數(shù)據(jù)訓練特定的模型。這種方法在某些問題上也很有效。但是，造成的結果是，這個模型不能泛化和解釋。所謂泛化就是把模型用到其它任務，解釋其實也是一種復雜的任務。這是必然的結果：你種的是瓜，怎么希望得豆呢?我多年來一直在提倡的一個相反的思路：人工智能的發(fā)展，需要進入一個“小數(shù)據(jù)、大任務范式(small data for big tasks)”，要用大量任務、而不是大量數(shù)據(jù)來塑造智能系統(tǒng)和模型。

沿用朱老師的觀點，我認為大家課堂上學的計量分析可以歸納為第三種范式：小數(shù)據(jù)、小任務范式(small data for small tasks)。雖然我也認為大數(shù)據(jù)是過度炒作，應該回歸到“小數(shù)據(jù)、大任務范式(small data for big tasks)，但從學習的角度來講，財經(jīng)學生應該這三種范式都去訓練。

大數(shù)據(jù)的好處是可以容錯，容易產(chǎn)生一些pattern，但是大部分領域的數(shù)據(jù)量是遠遠談不上大數(shù)據(jù)的，對模型和場景的理解的要求會更高，這對于財經(jīng)學生來說是個好消息。

在這里我還要強調一點，計量雖然很重要，但是不要局限在這個層面，一定要從數(shù)據(jù)科學的高度去理解數(shù)據(jù)，這樣才能更好的理解新的概念和方法。

數(shù)據(jù)是一個江湖

到目前為止，我們談到了三個問題：數(shù)據(jù)，模型(場景)和算法。這三個維度是AI的核心三角。一般來說工科人才強于算法和數(shù)據(jù)處理，弱于場景設計，財經(jīng)人才則相反，強于場景，弱于算法和數(shù)據(jù)。

針對這個問題我的建議是，財經(jīng)學生應該按照場景、數(shù)據(jù)和算法的順序設定優(yōu)先目標。場景也就是建模，這是專業(yè)知識的訓練，永遠是核心競爭力的關鍵。數(shù)據(jù)則是第二優(yōu)先的目標。財經(jīng)學生要從很早就開始思考，自己行業(yè)的數(shù)據(jù)能夠從哪里來，具有什么樣的特點，應該如何去組織和結構化?

對于數(shù)據(jù)，我的觀點是公開數(shù)據(jù)已經(jīng)足夠做出很好的東西。很多人一談數(shù)據(jù)就覺得一定要有私有數(shù)據(jù)。這種狹隘的認知導致在大數(shù)據(jù)時代，數(shù)據(jù)孤島的現(xiàn)象反而更加嚴重了。

數(shù)據(jù)是一個江湖，只有數(shù)據(jù)沒有用，必須要有處理數(shù)據(jù)的技術能力。單一的數(shù)據(jù)也沒有用，必須要與其他的數(shù)據(jù)進行融合才能發(fā)揮價值。對于數(shù)據(jù)一定要建立開放的價值觀，分享優(yōu)于孤立。你只有不斷的與他人分享合作，才能逐漸理解數(shù)據(jù)的內涵，建立起更強大的AI系統(tǒng)。因為數(shù)據(jù)本身是死的，處理數(shù)據(jù)的方式才是關鍵，你與別人的鏈接是方法的鏈接。 如果把一個行業(yè)的公開數(shù)據(jù)搞明白了，那你已經(jīng)處于絕對領先的地位。還有一個告誡：一定要盡早積累原始數(shù)據(jù)，因為其實很多數(shù)據(jù)會很快消失的，時間可能是比數(shù)據(jù)規(guī)模更重要的維度。 

風險!風險!風險!

那么財經(jīng)學生在進行場景設計的時候重點應該考慮什么呢?

簡而言之：圍繞著風險做文章!

財經(jīng)科技的***波浪潮以辦公自動化為主，通過安裝財務管理系統(tǒng)之類的方法，以提高效率，降低成本，而這些工作一般的專業(yè)IT公司就能夠承擔。但人工智能時代，核心問題并不是效率或成本，而是風險管理。

誰能夠利用新的方法和數(shù)據(jù)去發(fā)現(xiàn)未知的風險，誰就能占據(jù)這個領域的新高點。因此財經(jīng)學生在利用AI解決問題的時候，必須緊緊圍繞風險這一概念。注意這個風險是個廣義的風險，并不是簡單的信用風險或交易風險。圍繞著風險去尋找數(shù)據(jù)和設計模型，這個方向一定不會錯。

越早開始越好

有了上面的認知之后，下面談一下基本的學習方法，財經(jīng)學生應該掌握哪些基本技能，從什么時候開始學習***?

我認為從大一下學期就應該開始相關的學習了，重點是編程語言，例如Python。我發(fā)現(xiàn)很多學生到了研究生還沒學過Python，這實在是太晚了。Python應該成為財經(jīng)學生的公共基礎課。

大二時至少掌握以下基本的編程技能，例如：編寫爬蟲程序，抓取基本的數(shù)據(jù)，調用程序接口，自動生成報告，使用AI開源平臺等。有了這些準備之后，到了大三就可以開始搜集數(shù)據(jù)和解決一些更為復雜的問題了。

如果錯過了上述的時機，就比較麻煩了，因為高年級學生要做的事情太多，相關的學習就不得不推遲到研究生階段。一拖再拖，永遠落后。

對于一些AI算法，我的觀點是會用即可，不用深究其中的細節(jié)和原理，因為很多算法本身還是黑箱。要充分利用網(wǎng)絡上的資源，多去嘗試不同的場景，了解每個算法的優(yōu)缺點，如果有興趣再去學習更深的東西。因此，切不可有畏難心理，照葫蘆畫瓢也是一種很好的學習方式。

關于財經(jīng)學生學習人工智能的方法還在研究之中，我們的AI特訓班還在探索，相信很快會有很好的經(jīng)驗供大家參考，請關注我們的后續(xù)文章。