“本期关键词:人工智能与机器学习 ”
本期是一篇科普类文章，主要是结论性的内容，来帮助我们理解人工智能与机器学习的本质都是数据以及了解两者在很多领域的运用。
◆ ◆ ◆ ◆ ◆
首先，作者分析了人工智能发展的驱动因素，分为两个方面：
从供给端来讲，技术进步即更快的运算速度、更低的硬盘成本、云计算服务、理论体系更加完善、数据库的存储及网络服务等以及越来越多的数据，为人工智能发展提供了动力。
从需求端来讲，驱动来源主要有三个：人们更好地做决策的意愿越来越强烈；竞争者之间的“军备竞赛”；监管越来越复杂，必须采取更新的分析工具。
接着，作者还给出了这些驱动条件在未来的发展趋势：会有越来越多的实时数据来源、数据分类会越来越细致、数据质量会提高以及硬件的提升与软件的发展。
四大应用
而文章的重点部分是人工智能与机器学习的四大应用：
面向客户层面的应用
信用评级：使用机器学习可以加速放款决策，并通过分析用户的各种行为数据从各个维度来判断其信用级别。这样做的优点在于：可以快速分析大量数据；大大降低分析个人信用的成本；没有信用记录的人也可以得到贷款；缺点则是机器算法的复杂性会让用户不明白决策结果；由于使用一些新的数据和不成熟的算法导致错误决策，承担更高的信用风险。
保险：利用大数据分析，可以有针对性地定价，更好地买保险和进行理赔。
客服：利用机器人即chatbot来帮助客服处理问题，随着使用数据越来越多，机器学习会更容易，也就更容易作出决策和进一步收集数据。
操作层面
资本最优化：使用人工智能可以更加方便快捷地最优化分配风险权重资产（RWA）与最优化调整保证金（MVA）
模型风险管理：利用人工智能和机器学习可以帮助我们使用大量的非结构化数据完成回溯测试与压力测试。
市场冲击分析：利用交易机器人即自动交易通过分析市场数据与预测市场行为，来控制市场冲击的影响。
与交易有关的层面
交易执行：通过人工智能与机器学习分析大量的客户行为等各个方面的数据可以提高与客户交易的能力，还可以更积极地管理风险暴露头寸以及帮助我们自动遵守交易监管规则。
组合管理：利用人工智能与机器学习找到好的投资信号，通过数据分析自动发现买点卖点，来更好地做量化投资。但是目前量化投资方面的运用仍然比较困难是因为：公司之间不愿分享信息造成数据很少，不利于机器学习；即使分享信息，标准与用语都不一样；模型构建中仍然会有人为主观因素存在。
监管层面
(Reg-tech)帮助金融机构遵守监管：对人们的行为进行监督；通过人脸识别技术与信用评分等更好地进行客户尽职调查（KYC）。
监管审慎性方面：可以做到自动上报与实时上报。
(Sup-tech)监管机构可以更好地通过数据分析来识别风险与预测风险。
反欺诈方面：可以在大量数据中识别出异常。
人工智能发展的影响
最后一个部分，文章提到了人工智能发展的影响。
微观层面
对金融市场而言：可以提高透明度、增强市场有效性与市场稳定性。
对金融机构而言：可以提高效率与利润、降低成本与风险、增强互助与合作；但是由于人工智能与机器学习会有决策“黑箱”造成不可解释、无法举证等问题与产生新的风险；并且对第三方的依赖会提高。
对监管当局而言：由于还没有统一的国际标准，监管比较复杂，就要求公司开发算法要有灵活性以及要注意每一步的风险。
宏观层面
从整个经济发展的角度来看：可以提高金融服务的效率；促进合作实现新的“规模经济”；非金融机构也可以提供更好的服务。
在市场集中度方面：可以增加重要金融系统集中度；使得接触到大数据会更加重要，那么对大公司的依赖程度会更高，也就增加了系统性风险。另外还有一个不确定的结果就是：有可能松绑传统的银行服务，降低大而全的服务，使得小公司专注一个领域的服务；另外一种可能就是大公司因为掌握更多的数据与机器学习技术而变得更强。
在市场脆弱性方面：首先传统的市场脆弱性会下降，这是因为人工智能与机器学习会影响到市场的方向性交易，定制化、分散化的投资决策会提高市场稳定性；对冲基金也会相关性更低；但是由于人工智能与机器学习产生的高频交易，又会产生新的脆弱性。
另外，金融机构之间的关联性在不断变强，也会增加系统性风险。
在保险方面：定制化的保费和合约可以帮助保险公司降低道德风险和逆向选择的问题。但是可能会导致一些客户被逐出市场。
在监管行为方面：会因为Reg-tech与Sup-tech的加入而更加有效。
所以，总体上来说，人工智能与机器学习在很多方面是双刃剑，有促进的部分，也会有新的问题产生
以上是本期内容的要点概述，奉上英文思维导图帮助大家记忆，更详细的讲解可以听李老师的课程哦。
思维导图的高清版在公众号后台回复【2019FM42.5】获取网盘链接。
如果想要更多精彩内容，大家可以到喜马拉雅电台来听哦，扫描下方的二维码即可直达！
最后放上本课讲义，希望对大家有所帮助：
◆ ◆ ◆ ◆ ◆
配图来源网络
