人工智能在资本市场的应用

袁俊  加拿大皇家银行全行风险管理部董事总经理

今天我想跟大家分享的主要是国外关于人工智能或者机器学习在资本市场的一些应用。资本市场其实是国外全能型银行的一条业务线，相当于国内的大公司信贷部、金融市场部、投行部。

本文第一部分是介绍整个金融行业的大趋势——数字化；第二部分着重讲人工智能或者机器学习在资本市场业务线里的一些应用；第三部分是总结。

一、金融行业大趋势——数字化

（一）人工智能：“新电”

在18世纪的第一次工业革命（蒸汽机、机械化工厂系统、机床等）之后，电力被广泛应用于各行各业。而现在，人工智能、机器学习正如一种新型电力被广泛应用于各行各业。1997年，IBM的深蓝电脑击败了国际象棋大师卡斯帕罗夫；2016年，谷歌的阿尔法狗击败了韩国的职业围棋棋手李世石。现今，大数据和人工智能应用在各领域与行业，例如：科技领域（阿里巴巴、腾讯、百度）、医疗领域、无人驾驶领域以及金融领域等。本文将着重讲述金融科技在金融领域的应用。

（二）生产要素

过去经济学家常说一个经济体通常有四种生产要素： Land（土地）、Labor（劳动力）、Capital（资本）、Technology（技术）。几年前，英国的一个学术研究提出了第五个生产要素，即：数据。这也说明了数据在整个经济体的发展过程中扮演了越来越重要的角色。

图1-1 生产要素

（三）数字化

数字化，其最大可以理解为数字化经济（Digital Economy），小一点可以理解为数字化金融（Digital Finance），再小一点可以理解为是数字化银行（Digital Banking）。

图1-2 数字化

本文主要涉及的是数字化银行下面的一条业务线——资本市场业务线，即：将大公司信贷、投行业务、金融市场部合在一起，在国外也通常被叫做资本市场。

（四）金融科技

金融科技包含两部分内容：金融与科技，二者相辅相成。科技创新具有放大规模、增加速度、优化精度等优点。金融创新具有降低成本、提高效率、增强质量等优点。

一个成功的金融科技应用通常包括四个部分：大数据、算力、机器学习和金融应用。前三者可被认为是科技创新；最后一个则是寻找落地，特别是在金融应用方面的落地。只有将金融和科技结合在一起，才能真正体现效率。

（五）数字化关系型银行

图1-3 数字化关系型银行

图1-3是加拿大皇家银行（加拿大最大的银行）在几年前的一张客户介绍图。加拿大皇家银行是一家全能型银行，其目标是成为一家数字化关系型银行。其中有两个关键词：数字化和关系型。什么叫关系型？就是银行和客户保持着一种信赖关系。而数字化的目的则是增强银行运作的效率。

除了传统的零售银行业务外，加拿大皇家银行还有资本市场、客户理财、私人银行等业务。人工智能和机器学习在各业务线上都有应用。在零售银行业务方面，产品NOMI利用人工智能对客户数据进行预测。例如，在手机银行应用中预测客户未来的现金流、客户可能支付或者透支的情况等。Aiden是银行自行研发的、为客户进行大额股票操作的系统，是基于强化学习的技术，优于传统技术。

（六）机器学习

机器学习其实是包含在人工智能和大数据当中的。机器学习是一种深度学习，其包括三方面能力：监督学习能力（Supervised learning）、强化学习能力（Reinforcement learning）和非监督学习能力（Unsupervised learning）。

监督学习其实是学习一个函数，通常是非线性函数。监督学习根据标记数据，将输入映射到输出，从而学习非线性函数关系。

非监督学习是在没有预先存在标签的数据中，寻找以前未测试到的模式。很多情况下，非监督学习是很重要的。例如：银行在做市场营销时，需要对不同的客户群体进行更有效地预测和营销，因此通常通过机器学习的方法对客户进行分类，这就是所谓的非监督学习。

强化学习是指机器如何学习交易员的想法，智能体应该如何在环境中采取连续行动，以最大化累积奖励的概念。

以上内容简单阐述了金融行业数字化的进程以及数字化在金融领域有哪些应用。接下来，第二部分将阐述资本市场中机器学习的应用。

二、资本市场中机器学习的应用

（一）银行报告路线

图2-1 银行报告路线

加拿大的大部分银行都是综合性银行，具有多条业务条线。如图2-1所示，左边是业务条线，右边是管理条线。业务条线包括零售银行业务、资本市场业务、财富管理业务和保险业务（在加拿大，银行可以做保险业务，而保险公司也可以做银行业务）。管理条线包括首席技术官、首席风险官、首席人力资源官、首席财务官，有的公司还会有首席运营官。

（二）资本市场业务

图2-2 资本市场业务

资本市场主要是服务一些大公司客户，分为两类：

一类是缺钱的客户，即：发债客户。发债客户需要通过银行贷款、资本市场发行债券、股票进行融资，主要包括：公司、私募、金融机构、政府、以及政府事业单位。而银行通过信贷部和投行部，主要通过贷款的形式来服务发债客户。

另一类是投资客户。投资客户手中有钱，希望用钱生钱，需要的产品主要是银行的金融市场部提供，涉及交易产品和贷款产品，主要用于给客户加杠杆。

（三）一站式服务

资本市场业务通常有个说法叫做一站式服务。何为一站式服务？通过以下案例解释：

2011年，加拿大最大的金矿公司需要花费72亿来收购澳洲的一家能源公司，这需要很大的融资额度。在这种情况下，银行担任并购咨询顾问，同时也会给客户提供一定的信贷资金。当然，银行不可能将全部的72亿都给客户，因为存在集中风险。银行会提供一部分资金，剩下的钱主要需要客户在资本市场发行债券融资。由于美国的债券市场比较发达，所以很多加拿大企业也会选择去美国发债，并在发债后拿到美元。一家加拿大公司并购澳洲的公司，存在货币上的错配，需要运用交叉货币掉期来匹配货币。在这种情况下，银行可以在一级市场作为公司的债券承销商，在二级市场作为公司的债券做市商，同时可以作为公司的交易对手进行交叉货币掉期，对冲汇率和利率的风险。

图2-3 一站式服务

一个并购案件，银行可以提供一站式服务五个产品。其中，前三个产品属于投行业务，后两个产品属于金融市场业务。

（四）两大业务线

图2-4 两大业务线

以上案例也说明了为什么资本市场下面通常会有两大部门：一个是投行公司部，一个是金融市场部。投行公司部，包括一级市场发行，并购咨询以及各大公司信贷。金融市场部按资产类型分为股权、固定收益和回购。

（五）沙漏视图

金融市场的发展趋势像沙漏视图，即：两极分化。向上，根据客户的需求定制的产品很复杂，需要更多创新能力（Creativity）。向下，很多产品变得更普通、更标准，需要提高效率（Efficiency）。

我认为机器学习、人工智能等更多的是能够帮助银行或者资本市场提高效率。

图2-5 沙漏视图

（六）机器学习能做什么

机器学习具有两大功能：

第一类应用是可以运用机器学习，特别是深度学习，进行资本市场产品定价函数的近似。主要运用的是监督学习。资本市场有很多产品，比如：债券、衍生品等，定价非常复杂，有时涉及蒙特卡罗。我们可以运用深度神经网络，对这些产品的定价做一个近似，从而更快计算出结果。

第二类应用是教机器像交易员一样思考和行动，相当于通过完全自动化的方式来整合定价和交易员的行为，提高运营效率。通常运用的方法是强化学习。

（七）案例ML for XVA

第一个案例是人工智能机器学习在XVA的应用。

丰业银行是加拿大五大银行之一，也是一家综合性银行。它将DNN（Deep Neural Networks），即深度神经网络，用于XVA的计算。XVA包括信用估值计算、融资价值调整等。在计算XVA时会涉及衍生品定价，比如股权、固定收益、外汇、大宗商品等。所以，大银行通常都运用蒙特卡罗模型进行计算，缺点是会比较慢，因为要计算很多次。那么，有什么方法可以使计算更快？以及，为什么快速的计算非常重要？因为客户会来询价。比如，客户要进行利率掉期，在询价的过程中，银行交易台需要给出报价，如果报价银行需要两个小时才能给出，客户可能就去其他银行了。所以，它的应用更多的是能够给客户一个快速的报价，使得业务更有竞争力。

2020年，全球一家比较有名的杂志Risk Magazine，给加拿大丰业银行颁发了科技创新奖，肯定了丰业银行利用金融科技与一家初创公司（Riskfuel）合作开发深度神经网络，并进行定价估计的做法。Riskfuel采用丰业银行的蒙特卡罗模型，并训练其神经网络来进行复制，然后利用AAD模型，提取敏感性和估值调整，进一步加强深度神经网络模型的作用。

丹麦银行也做了类似的事情。它将深度神经网络的使用扩展到近似AAD模型生成的XVA敏感性，通过把敏感性添加到训练集，使得网络同时从敏感性和路径中学习，提高了训练集的信息能力。丹麦银行内部开发的新系统，已经被交易员和风险管理人员使用，预计在2021年年底向监管机构报告官方数据。

通过深度神经网络监督学习的方式来进行衍生品的非线性函数的近似，最大的优点是神经网络一旦训练完后，计算速度将远远快于蒙特卡罗。这给银行为客户报价的过程中提供了非常大的优势。

（八）交易执行/对冲的强化学习

第二个应用是关于交易执行或者对冲的强化学习（Reinforcement Learning）。强化学习包括两个部分：一部分是Agent。Agent可以是交易员，也可以是计算器。另外一部分是环境（Environment）。环境就是指在股票、固定收益、外汇、大宗商品等不同交易市场中的交易价格等。通过数学模型将市场和组合信息放在state S_t里面，之后Agent可以有一定的行动——买入或者卖出。在行动后会收到一定的reward，而这个reward是累积的回报。

图2-6 交易执行/对冲的强化学习

交易员其实也是在学习过程中总结出一定的经验，知道在什么样的情况下进行什么样的操作。那么，机器也可以做到类似的事情。只要拥有足够的数据进行训练，机器也可以模拟一些比较优化的结果。

三、总结

第一部分涉及金融行业的数字化，从生产要素到数字经济、数字金融、数字银行。

第二部分涉及资本市场机器学习的应用。首先阐述了国内的大公司信贷、投行业务、金融市场，三个部门的结合叫做资本市场。在资本市场业务中，通过一个案例讲解了提供一站式服务的各种产品。

另外，深度强化学习现在的另一个应用是深度对冲。深度对冲技术一是可以用来进行交易操作。由于银行通常担任做市商，因此会涉及对冲。二是可以用来进行风险管理。例如，利用深度对冲来对进行压力测试，并调整风险管理，使得压力测试更具时效性，更贴近现实。

 

 

演讲稿整理：张语婷

责任编辑：张语婷

来源：TGES2021高级研讨会：金融科技应用与科技风险管理（10月）