曾勇教授：金融科技与量化交易 | ZIFA名家观点

Original 浙大ZIFA ZIFA 2023-02-24

2020年1月6日，中国会计、财务、投资智能化暨智能财务专业创新研讨会（点击链接）于浙江大学举行。应众多兄弟院校专家和老师们要求，我们对会中嘉宾的精彩主旨发言再次进行详细整理，并以ZIFA名家观点的形式分享给大家。电子科技大学校长曾勇教授进行了题为《金融科技与量化交易》的主题演讲，从金融的本质出发解读金融创新、金融科技以及人工智能对量化交易的影响。

主讲专家

■ 曾勇 教授

曾勇教授现任电子科技大学校长，中国致公党第十五届中央委员会委员。曾勇教授多年从事经济预测与决策、金融投资与金融工程、技术创新投资与定价等领域的研究，作为主持人、主研人员承担和参加了国家自然科学基金、国家杰出青年科学基金、教育部“新世纪优秀人才支持计划”、教育部高等学校博士学科点专项科研基金等资助的多项重要科研项目。在国内外重要学术刊物发表学术论文100余篇，出版学术著作5部。

金融科技与金融创新

（一）金融的本质

近年来区块链、人工智能等新兴技术快速发展，但不论技术如何变化，对金融业务产生如何大幅度的促进，也没有改变金融的本质。同样地，无论技术如何发展，会计的基本原则基本思想也没有变，技术的作用在于使会计发挥更大的效能。

从本质上来说，金融学是研究人们在时间和风险两个维度上优化配置稀缺资源的学问。从时间的维度，金融关心的是如何推迟消费给予补偿；从风险的维度，则是考虑如何承担风险给予补偿的问题。金融的本质相对于资本市场而言可以总结为资产定价、跨时期优化、风险管理三个部分。

（二）金融创新

金融创新的核心在于从时间维度和风险维度满足不同投资者的不同需求。一是满足各种投资者“跨时代优化”和“风险管理”的需求；二是满足各类金融中介（机构）的“贪婪”。

在金融创新的推动作用下，金融中介与金融市场之间形成交互，一方面技术推动金融市场产品创新，另一方面，金融市场的交易成本不断下降、交易量增加。

（三）金融科技

金融科技主要是指技术驱动的金融创新。科技在金融领域的运用由来已久，在金融发展的历史中扮演着重要的推动角色，例如ATM、电子汇兑等都是科技驱动金融的重要应用。近期的金融科技主要是指大数据、区块链、人工智能等技术驱动的金融创新。

科技的作用一是提高了金融服务的效率；二是降低成本（交易成本和信息不对称成本）。比如，支付宝和微信支付极大地降低了交易成本；给予大数据的信用风险评估帮助商业银行提高了风险管理水平，降低了管理成本。

典型案例：蚂蚁金服

目前蚂蚁金服的估值已超过1500亿美元，在全球超级独角兽排行榜中排名第一。网商银行是蚂蚁金服的业务之一，主要是面向小微贷款业务，没有物理网点和信贷员，不做现金业务，IT系统全部架构在阿里云上，用大数据进行风控。截止2019年9月，网商银行累计贷款3.6亿，不良率约为1.5%。

那么在网商银行的信用模式下，金融的本质是否发生了改变呢？其实不然。传统银行主要通过“抵押贷款”方式降低融资者的逆向选择风险和道德风险。相比之下，网商银行主要提供无抵押的纯信用贷款，核心是利用大数据、机器学习和人工智能等科技手段来评估借款者的信用状况（信用甄别），进而根据企业的信用分数进行定价，所以信贷产品的定价逻辑没有变，金融的本质也没有变。

金融科技的滥用

从另一个角度来看，金融科技也可能加速风险的传导，互联网金融和金融科技没有改变金融的风险属性，其风险的传染性、涉众性反而更强，网络数据的风险也更加突出。

在技术发展的时代，经常会出现忽略业务本质，过分强调技术，或是没有注意到业务本身要求的风险管理和控制，从而导致大规模的系统风险。技术往往存在着两面性，例如区块链一方面会降低信息不对称的成本，另一方面分布式共识机制也会导致信息过于分散。研究发现，与传统金融相比，在美国的市场中进行网上贷款的用户与传统银行用户的重合度很高，金融科技贷款者并没有服务于缺乏传统金融服务的人群，从另一方面来说，没有被传统银行覆盖的贷款者仍然存在较大的融资风险。

人工智能与量化交易

（一）量化交易

量化交易是金融机构程序化的交易，具体来就说是以数据为基础，以策略为核心，基于金融理论知识，利用计算机技术进行自动化交易的投资方式。以股票交易为例，量化交易主要可以分为以下四个过程：量化选股——资产配置——形成交易策略——对交易策略的反复测试。

（二）量化交易的金融逻辑

基于有效市场理论，资本市场往往没有达到完全有效的程度，手段先进的投资者通常可以利用先进的数据和信息处理能力在短期内预测市场。“无效市场”则给主动投资型的量化交易提供了机会。

随着人工智能的快速发展，自然语言处理、机器学习、深度学习等各种技术和算法陆续运用到量化选股、资产配置、订单提交策略等多个方面。

（三）量化选股

量化交易首先要利用人工智能进行量化选股。例如，在常用的多因子模型（收益率预测模型）下，借助自然语言处理、深度学习算法等人工智能技术可以大幅度提升数据采集和处理的效率，更快计算各种已有文献提及过的因子。

另外，采用人工智能技术还可以从互联网、图像、传感器等各种渠道获取非结构化的信息，寻找新的因子。有了这一过程之后，我们可以选择通过简单的线性模型来估计各因子的权重，也可以采用人工智能方法（如基于卷积人工神经网络的深度学习）构建复杂的非线性模型。

（四）资产配置

量化交易的第二步则是根据收益和风险的情况进行资产配置，不同投资者对风险和收益的偏好是不同的，因此资产的配置和投资组合的构建也是因人而异的。首先，通过多因子模型的收益率预测结果确定备选的股票池；然后，根据投资者的风险偏好和股票的收益-风险特征确定入选的股票，并进行资产配置（资金权重）。除此之外，采用人工智能技术可以基于投资者偏好，利用算法为其选择合适的投资组合，并按照事先约定的交易方式进行交易，并在交易完成后对投资组合进行绩效评估、风险管理和组合调整。

（五）订单提交策略

量化交易的最佳买卖时机与不断更新的订单簿情况密切相关，指令提交策略既要考虑成交的概率，还要考虑交易成本（特别是隐含的价格冲击成本）。在特定的交易机制下，交易者可以根据不断更新的指令流推测证券价格的短期变化规律，进而构建可盈利的交易策略，并采用算法交易可以减少大额订单造成的价格冲击成本。研究表明，采用深度学习算法可以更好地捕捉限价指令簿的分布特征，有助于更好地制定订单提交策略。

（六）人工智能在量化交易中的局限性

当然，利用人工智能进行量化交易的过程也存在一定的问题。神经网络和人工智能都是基于短期趋势进行学习，而短期趋势有可能是非理性行为，因而量化交易在神经网络和人工智能结合的过程中不一定在纠正市场的偏移，反而可能会加大市场的偏移。

相较于博弈规则十分清晰的围棋或其他领域，人工智能的非线性算法在量化交易领域的应用很容易造成样本内部的过度拟合，而样本外的预测绩效并不高。

更为重要的是，部分量化交易模型对“收益”的追求远胜于“风险管理”，而大部分投资者对自己的风险偏好和对量化交易的风险（资产风险和模型设定风险）缺乏正确的认识。

总结

1. 快速更新迭代的技术，如：大数据、云计算、区块链、人工智能等在解决金融行业痛点的同时，可能也会加速金融风险的传导；

2. 金融科技的金融本质虽然没有改变，但对金融人才的培养提出了更高的要求。

中国会计、财务、投资智能化暨智能财务专业创新研讨会大会合影

内容整理：何子璇

图文编辑：徐犀月

往期精选

吴世农教授：人工智能科技对财会学科教学与科研的挑战 | ZIFA名家观点