人工智能如何推动金融行业的数字化转型

       回顾过去五年，从AlphaGo开始，人工智能得到了飞速的发展。在算法、数据等各个领域都有很多应用。包括像传统的大公司，谷歌、亚马逊、微软等，都在迅速的把基础设施做大。同时，我们在过去几年也看到过一些明星级的项目，像IBM的沃森医疗停摆。另外，在很多金融机构中最开始应用人工智能客服时，体验也不是特别好。在金融机构，实际上是需要一些客户关怀，人工智能很难做到很专业或者人气味非常足。在证券行业，利用AI技术来做投资决策，其实一直没有得到很好的突破。这些都是目前AI应用中遇到的挑战。

      在这里，我也想提出一些困惑，等会请吴军博士给我们一些建议：未来，对于我们这样的CIO来说，在AI落地的方式上***才能更快速地应对市场的变化？怎样才能够更好的和市场上的专业资源做有效的对接？

吴军博士精彩观点摘要

      大数据和AI技术，金融科技正迎来最好的时代，数字化转型下的金融行业正在发生巨变，我们该如何把握机遇？

针对这一议题，知名计算机科学家，《浪潮之巅》、《全球科技通史》等畅销书作家吴军博士与我们分享了如何在人工智能快速发展的当下，把握机遇，推动金融行业的数字化转型与变革。

01 未来经济发展与科技应用趋势

      吴军博士介绍，未来20年的科技时代离不开人口老龄化、绿色经济、虚拟经济这三个基准点，其中虚拟经济是未来全球经济发展趋势的重要基准点之一，像金融服务的远程化、虚拟化等都属于虚拟经济范畴。金融服务虚拟化的背后，是多种技术的综合应用。

      在吴军提到的未来20年最重要的12项科技应用，像GPT-3生成式预训练的变形器、数据信托、数字化接触和跟踪、多技能的人工智能等，都与金融领域应用息息相关。

02 关于人工智能

      GPT是一种自然语言处理工具，相当于功能非常强大的人工智能系统，靠数据数量取胜，提供准确的预测，这代表人工智能的一个发展方向。

      多技能的人工智能代表了未来AI应用的一个重要趋势。它不是集中式的，而是向着大规模分布式的发展，产生聚沙成塔的效果。其中，吴军提到蚂蚁和蜜蜂的技术路线，即靠数量取胜和网络效应，将庞大数量的数据连结起来，形成网络，便形成一个基于群体智慧的超级智能，结合到金融领域，它可以理解用户更复杂、动态的语意和需求，并具备一定常识，提供更精准、更差异化、定制化的高端服务。

03 关于数据资产、数据安全

      金融数字化绕不开大数据这一主题。吴军提到业界需关注数据资产问题，数据资产的价值比我们想象中更巨大。而经济的虚拟化、数字化趋势也同时产生了诸如数据隐私、数据安全的问题。尤其是在具有风险本质的金融领域，其相关的数据资产价值更大，但数据隐私问题也更加值得重视。当前，在数据使用方面，行业还是存在一些乱像。

      如何解决这些问题？吴军提出，需从法律和技术两方面着手。在技术方面的解决方案，吴军认为区块链技术的应用非常重要，它能理清三种关系：数据的所有者（制造者）；数据管理者；数据的使用者。而当前区块链应用存在效率低，成本高的问题，吴军认为解决这些问题的一个比较现实的技术方案是用区块链的方式实现逻辑上的去中心化、物理上的中心化，把数据所有权还给大家。

金融行业大咖对话吴军

      本次研讨会还邀请了华为EBG全球金融业务首席数字化转型官陈昆德、招商银行信息技术部副总经理兼零*研发中心总经理夏雷、安信证券CIO兼信息技术部负责人许彦冰、索信达控股首席科学家张磊博士。

      围绕如何全面提升金融机构的AI能力、什么样的AI技术适合金融机构、Al技术可与哪些金融业务相结合这三个维度展开交流、探讨。

陈昆德

华为EBG全球金融业务

首席数字化转型官

AI技术，最重要的就是要有数据。

      以往的数据就是越精准越好，梳理得越干净越容易。但随着AI技术的进步，可以进行无监督的学习，可以深度学习。数据量越多就越有机会把人工智能或机器学习的模型做好。

      在金融行业中，本身有非常多的数据。比尔·黄的投资爆仓事件，就凸显出银行风险管理的问题，能不能以最快的时间发现风险并且快速避险。整个银行的前、中、后台风险管理全部都是基于数据在运作的，最新的数据效果也最大，当然也需要有庞大的数据才能建出模型。

      对于银行来说，提升对AI的能力代表着背后经营能力的提升，银行也需要转变自己的商业流程，要有不同的科技，这样才能快速的使用新的技术，利用更多的数据、更大的算力，去协助自身的业务。

夏雷

招商银行信息技术部副总经理

兼零*研发中心总经理

      招商银行对外不怎么提自己是一个AI的银行。因为我们认为AI之于银行，相当于水和空气对于人的关系。在银行的领域里如果把AI拉进来，它就能产生明显的效应。我们很早就认为这已经不是一个概念的问题，而是希望把它实用化或者变现。

      在招商银行，如果把业务范围拆开来，以前中后结构化的思维来看，每一个环节里面都已经有大量的AI使用。

      招商银行是以零*见长的银行，所以我们很多是转向客户服务，不再是传统银行资金中介的概念。AI的应用场景不仅仅是局限在智能**、风险控制，还有直播的内容、评论等等，在这些方面AI都大有可为。

      反观传统银行，像智能客服这些我们觉得有点老套路。从现有的算法，搞来搞去，可能就85%和86%的区别。我们对此也很困惑，所以想咨询吴博士几个问题：

      首先， AI领域的精准性偏低。如刚才讲的客服，我们现在也就85%到86%，能不能再往上提呢？另外，在小样本领域，很难通过AI总结出规律；第三，AI缺乏推理能力，感觉总有一个绕不过去的鸿沟。

吴军博士

知名计算机科学家

      任何一个识别系统，只要是有数字的，做一段时间都会遇到天花板。

      85%到86%的差别是0.1个百分点，做产品好像也没有什么意义。因为这0.1个百分点通过其他方式也可以拿到。所以，不是要用AI代替人，只是从经济上来计算它能省多少钱。将来说AI能不能取代人，不知道，打一个问号，但是有一点是肯定的，现有基于单任务的系统肯定是解决不了这个问题的，一定是多任务系统，至少有两个最基本的功能。这也和刚提到的NLP这件事相关。

      第一条，它能够深度理解语意，如机器人能网上找一张*的图片，但*是有很多的含义的，比如说真正**的人把*当儿子，他谈到*的时候，就不是一个简单的动物了，在这种场景下，对这样一个动物的理解就和我们通常说找一张图片是不一样的。

      第二条，它有一些金融常识。比如什么样的事是可能的，什么样的事是不可行的。对于AI这件事，我有一个简单的原则，叫做上帝的归上帝，凯撒的归凯撒，有些事不用急着完全用AI取代人，因为实际上完全靠机器，有很多事情还是做不到的。

许彦冰

安信证券CIO

兼信息技术部负责人

      AI在金融领域还是有非常大的价值，这需要有定力去往前推进，比如我们企业里有两大块，一个是对数据的洞察或者叫数据挖掘、数据的深度学习；另外一点是，因为券商有些业务像研究所、投款，其实是有大量文本类的处理，像这种自然语言处理，无论是自动的生成报告，还是反向的自然语言解析，如果能应用，可以极大的提高这两块业务的产能或者提高员工的工作效率。

      AI的应用门槛比较高，依赖很多条件，比如数据质量、算法、模型等等。在推进过程中，金融行业对数据结果的准确性有习惯性认知，如果准确性不高，会认为这个东西是无法使用的。这跟人对这方面的预期和认知是不同的，在这个训练过程中需要业务人员深度参与。所以，在推进AI的工作过程中，要考虑投入产出及业务效果，对于这方面吴军博士有没有一些建议？

吴军博士

知名计算机科学家

要更好的应用AI，你的团队需要三类人。

      第一类人，就是MBA。工程师或者建模的数学家其实很难做到深入现场，去了解业务需求，所以需要对商业比较了解的人，要到一线了解业务逻辑。AI用不好，一大半原因是业务逻辑没搞清楚；第二类是要有做数学模型的人。这部分人或许可以省略掉，因为现在很多开源工具非常好用，只需要养一个能够把这些开源道理都搞懂的人就可以了。第三类就是工程师，在知道业务逻辑以后，以现有的技术条件去满足需求，实现产品。

张磊

索信达控股首席科学家

中科院计算机应用博士

      关于许彦冰问题，刚才吴军博士谈到团队人员组成，AI的能力确实需要人的支撑，我先由这个问题来切入。五年前我们给一家大型国有银行规划大数据分析的团队，当时就涉及团队需要哪些类型的人才。我们参考了很多国内外的领先实践，给出的建议是要有三类人，配置的比例是2:3:5。

      第一类人要懂业务，能把业务问题翻译成技术人员能听懂的技术语言。

      第二类人要懂数据，做数据加工和IT系统的，底层数据的加工是必须要去做的一件事。第三类的人我们叫做业务分析师。业务分析师的在整个团队建议占比是50%。实际上，这一类人是万能胶一样的角色，可以向另外两个角色去转换，当然，这类角色必须要懂算法原理，能够通过数据分析来解决业务问题。其实我一直认为AI也好、机器学习或深度学习这些新的概念也好，说白了都在做数据分析，而数据分析是解决业务问题的有效手段。

      回过头来谈AI能力，无非就做三件事情——第一是找到我们的业务问题；第二是从相关的数据里面用算法来发现规律；第三是用找到的规律去解决业务问题。我把AI能力的构建分解为四个主要的核心能力：

      第一部分是业务能力，金融行业需要解答业务问题。目前我们对银行业务问题进行了梳理，包括五大类五十多个专题，基本涵盖银行业所要解决的主要业务问题，而这些业务问题可以通过数据分析来解决。

      第二部分是数据能力，没有基础数据的话就用不到先进的AI算法，当然，我们会碰到数据质量、数据加工、特征工程等问题。

      第三部分是分析能力，我一直在跟踪一些先进的算法，看到新算法层出不穷，但是按照我们的经验和梳理，在金融行业真正用到的分析算法，其实并没有那么复杂。

      第四部分是思维能力，我们前面谈到了分析团队，实际上我发现很多人在看到问题的时候，其实没有第一步就从怎么解决问题的思维方式开始着想，而是急于把分析算法用上去。我希望AI技术能和解决问题的方法相结合，才能切实有效的解决我们的业务问题。

来源：腾讯网

中国证券市场将有更多量化投资

       巴曙松教授在《支点》杂志发表文章指出，得益于中国国内场内股指期货和场外个股期权等衍生品市场的逐渐完善，量化投资近年来在中国市场迅速发展。

       随着资本市场开放，投资经理将需要尝试从全球视角配置资产，采用量化抓主要规律的办法可以实现多品种之间的投资仓位和操作平衡互动。敬请阅读。

       如果说沃伦·巴菲特是价值投资领域的标杆，那么，詹姆斯·西蒙斯在量化投资领域同样享有标杆地位。

       西蒙斯缔造的文艺复兴科技公司凭借复杂的数学模型和算法进行海量数据分析，成为市场上最引人注目的量化投资公司之一，其标志性产品大奖章基金成为有史以来最成功的对冲基金之一。自1989年以来,该基金年化复合收益率高达36%，大幅领先同期标普500指数。

       量化投资指通过复杂的数学模型替代人为的主观判断尝试追求收益的最大化，强调建立在大数定律基础之上的统计优势，建立在严格执行基础之上的风控优势和建立在多元组合投资之上的分散优势。

       据统计，2019年全球量化基金总管理规模约为2.31万亿美元。近30年间，美国量化基金的整体发展速度较快，各种策略百花齐放，主要强调的是收益水平相对稳定且与市场走势关联度相对较低，抗冲击能力强。

       中国国内的量化基金行业发展起步较晚。海外量化基金使用最多的策略是股票多空，其空头仓位一般通过融券卖空实现，而当前中国国内融券难度较大、成本较高，所以空头仓位一直以来大多是通过做空股指期货实现。这就决定了国内量化基金的发展与股指期货息息相关。

       中国国内市场上的量化投资兴起于2010年股指期货上市，但得益于中国国内场内股指期货和场外个股期权等衍生品市场的逐渐完善，迅速发展成为一股不容小觑的力量。从2017年到2020年，量化基金在所有证券类私募基金占比从不足5%提升到15%，管理规模增长4倍，量化交易占整个A股成交量占比超过15%。

       量化投资在中国市场的发展有优势也有劣势。以中国股票市场为例，量化投资的优势在于散户在中国市场上占有主导地位。在美国市场，由于投资者的主体是机构投资者，从长期来看获得持续较高的超额收益有一定难度。而中国股票市场的投资者结构则有所不同，散户投资者占有的股票市值约占整个市场的25%，其交易额达到了所有股票交易额的85%。散户往往容易受“羊群效应”等影响，容易造成股票价格存在大量市场异象。在中国使用量化投资策略可以有大量机会探索利用市场异象发掘规律，制定策略，进而获得较高收益。

       在中国市场上从事量化投资的劣势在于中国资本市场仍处于市场深度和产品种类逐步完善的阶段，特别是能够用来对冲的工具有限，已有的工具也受到了一些限制。美国相对中国市场而言，相关的金融衍生品和工具较多，可以开发不少收益风险比比较好的策略，目前海外对冲基金产品的策略数量可以达到50个以上甚至超过100个。近年来，中国大力发展衍生品市场，丰富产品种类，为量化投资在中国生根发芽提供了更为肥沃的土壤。

       随着资本市场开放，海外资产管理机构有可能会逐步将量化投资策略尝试在中国市场中运用。随着中国资本市场的开放与发展，投资经理将需要尝试从全球视角配置资产，面对纷繁复杂的海内外投资品种，投资经理不可能了解所有品种，对于不太熟悉的投资品种，采用量化抓主要规律的办法可以实现多品种之间的投资仓位和操作平衡互动。

来源：腾讯网

量化投资大牛是怎样炼成的

       一名优异的量化基金经理，要掌握的能力不仅仅是数据挖掘，还需要专业的金融知识和对市场深刻的理解。

什么是量化投资?

       蚂蚁嘉汇表示，量化投资是借助现代统计学、数学的投资方法，从海量历史数据中寻找能够带来超额收益的多种“大概率”策略，并纪律严明地按照这些策略所构建的数量化模型来指导投资，力求取得相对稳定的、可持续的、高于平均的超额回报。

       量化投资属主动投资范畴，本质是定性投资的数量化实践，理论基础为市场的非有效性或弱有效性。

蚂蚁嘉汇认为，量化投资有非常多的优点：

       利用数学、统计方法分析数据，找出客观规律，处理海量的数据，揭示隐藏在繁琐数据里面的规律和投资机会。

       避免主观、盲目投资。一定程度上克服了投资者人性上的弱点---贪婪、恐惧、从众造成的不必要损失，能够严格按照应用策略指标公式模型进行止盈、止损，实现全机械化、纪律化的交易模式。

       一定程度上排除了人为的干预性，避免了投资者在生理、心理状态不佳时，出现的延迟或者错误判断，从而具有投资策略一贯性、操作客观性、下达指令准确性以及高速度等一系列优势。

       然而，并非任何人都能够使用量化的方法进行投资。量化投资需要非常复合的专业能力，需要很强的数学、统计、计算机编程能力，以及专业的金融知识和对市场深刻的理解；同时需要一系列完善的硬件、交易柜台支持。

       由此来看，相对于普通主动投资，量化投资具有非常高的门槛。

       上述各项条件中，对于普通投资者来讲，相对较难满足的可能是“很强的数学、统计、计算机编程能力”等条件。但这些对于机构投资者来说，并不是问题，机构可以招揽很多优秀的“理工男”、“IT男”做量化研究和投资模型开发。蚂蚁嘉汇表示，对于机构投资者而言，真正的“短板”反而是“专业的金融知识和对市场深刻的理解”。特别是从国内实际情况来看，很多投资机构的量化投资人员，多是毕业便开始从事量化投研工作，直接从数据挖掘、量化分析方面开始研究市场。在与“数据”打交道之前，如果缺乏丰富的相关投资经验，可能会导致其开发模型变成纯粹的数据挖掘，一不小心会“过度优化”：样本内表现优异，样本外表现则大相径庭。

        目前人工智能（AI）在多个行业掀起了热潮，投资界也不例外。事实上，基本没有听说有单纯依靠 AI 在国内投资市场赚钱的案例。在IT界，有一个著名的说法是，Garbage in，garbage out，即“（计算机运算中）错进，错出（若输入错误数据，则输出亦为错误数据）”。这句话放在人工智能领域也非常合适：即使拥有先进的 AI 技术，如果对投资没有深刻的理解，找不到真正有用的数据，用来“训练”AI 系统的都是些垃圾数据，那么结果必然是Garbage in，garbage out。蚂蚁嘉汇认为，量化团队需要不同背景的人员组成。既要有数理类人才，也需要擅长编程的IT人员，更需要有丰富投资经验的投资人员。但即使是这样，不同人员之间的沟通交流“成本”也很高，很难发挥1+1=2甚至1+1>2的效果。

来源：和讯网

金融量化大潮中的国产化曲线

       2020年，是中国经济在高不确定的时代背景下爆发出惊人潜力的一年。

        随着年初《统筹监管金融基础设施工作方案》的出台，“金融新基建”的号角正式*响。也正因为此，金融证券在安全、管理、运维等方面正面临着因数字化转型而引发的新挑战，新兴技术与应用场景的紧密融合，已成为证券行业高质量发展的重要引擎。

       在机遇和挑战的双重推动下，联想企业科技集团以强大的技术优势和丰富的最佳实践，成为助力金融领域实现智能化转型的赋能者，也成为金融行业的数字化自主可控道路上的推动者。

01

金融量化与算力痛点

       12月19日，联想企业科技集团正式发布了业内首款超高频低时延服务器——AR2209C。这款2U单路机架式服务器，凭借超高频和低延迟的特性，专为满足金融行业高频、量化交易等业务场景对处理速度、网络延迟、内存延迟、延迟时间要求较高的应用。

        AR2209C服务器能够稳定超频达5.0GHz，并内置了全球独家定制高频率低延迟内存，频率高达3600MHz，时延CL值仅为14。

        当然，看到这里你可能仍然迷惑不解——一台超级服务器的发布和标题里的“金融大潮”，又有何关系？

        那我们就稍微回顾一下历史——在还没有电子计算机的时代，人们就已经发明了各种各样的机械式计算、统计设备用于金融行业。没办法，这个行业对计算能力的需求太大了。

         1911年6月，有个叫弗林特的华尔街金融家有了一个新点子，在他的撮合下，一批最早生产商用计算设备的公司——制表机器公司、国际时间记录公司、美国计算秤公司合并了，它们组成了一家新公司，名叫计算制表记录公司，简称CTR。

       你可能对CTR没有印象，但没关系，因为这家公司后来改名了，它后来的名字就是——IBM。

        所以从根儿上说，计算和金融，就是一对双生子。

       随着IT逐渐成为一门科技显学，美国知名投行高盛集团首席执行官劳尔德·贝兰克梵（Lloyd Blankfein）就常常说一句话——“其实我们是一家科技公司。”

       据统计，高盛33000名全职员工中超过9000名是程序员和工程师，在数量上比肩Facebook、Twitter这样的顶级科技公司。

        为什么呢？主要是金融发展到了今天，随着和大数据、AI等交叉学科越来越多的相互促进，产生了一门新的学问-——量化金融。对于这个概念，我们简单可以认为——金融的本质是数学，但现代金融涉及天量的数据，所以现代金融及其重要分支——量化金融，本质上是建立在算力和算法上的一门科学。

       量化金融在国外的发展已经非常成熟，而且进入2020年后，由量化及程序化交易所管理的资金规模进一步扩大，目前全球超70%的资金交易用计算机或者程序进行，其中一半是由量化或者程序化的管理人来操盘。

      由于中国和国际先进行业的接轨加速，量化金融业迅速进入中国，而且发展极为迅速。

       在新基建的宏大背景下，当前国内量化金融体系正处于从低风险量化转向主动量化的行业变革期，一系列新的体系性变革不断发生，个股期权、股指期权等金融工具接连**，交易所技术系统不断升级……这就导致对量化金融的硬件基础的续期不断攀升，金融行业渴盼拥有更低延时通道、更灵敏的系统响应能力以及更稳定的交易系统。

       而强大的算力，是量化策略快速计算、快速运行的必备条件。

       但是，量化金融大行其道的当下，却遇到了另一个问题——主导半导体行业发展数十年的摩尔定律，正在逐渐失灵。

        以芯片巨头英特尔为例，它的CPU主频突破3Ghz是2003年发生的，但在种种限制下突破5Ghz，却到了2020年。

        对于普通用户来说，这并没有太多的感觉，因为CPU的算力已经出现冗余。但是，对于量化金融行业来说，问题可就大了，这个行业对算力的需求几乎是无底洞，特别是随着大数据、AI等技术的普及，对算力的要求更是指数级增长。

       在芯片本身由于原理限制而已经无法快速突破时，向解决方案提供商要答案，就成了另一种解法。

       这里就要说到联想了——联想企业科技集团扎根金融证券行业已长达25年，持续为证券客户提供硬件、软件、服务三位一体的端到端解决方案，领军金融证券业新趋势新发展，并取得了多项创新性里程碑成果。

       联想企业科技集团金融行业总监赵永涛这样形容：“得益于合作**的行业生态，联想才能打造出一个又一个行业标杆的解决方案，并达成了在最高的AA和A级券商中有80%以上是联想企业级产品和方案的忠实用户这一领军成就。我们将继续构筑智能化大生态，用新产品、新服务和新体验，持续**业界的信任与认可。”

       所以，一个具有超高频、低时延、高效安全，可以用于AI洞察和服务关键产品的服务器是行业期待的焦点，而AR2209C就是这个答案的一部分。

       为什么这么说呢？我们举一个例子就可以明白——AR2209C能够稳定超频达5.0GHz。

       很多人对于超频这个词已经很陌生了，但在以前，在计算机发烧友中，超频是一个热门技术，它的做法，是把一个CPU的时脉速度提升至高于厂方所定的速度运作，从而提升性能、节省金钱。好比汽车制造商卖给你一台2.0T的汽车，你经过改造使之输出3.0T的动力，这就是超频。

       但是，对于要求极高的金融服务器，这种超频做法并不那么常见，因为金融场景的第一原则是稳定为先，超频则存在风险。但是，AR2209C能够稳定超频达5.0GHz并且作为一种成熟商品交付给市场，只能说明联想在金融服务器方面的积累非常的深厚——深厚到了可以让服务器的处理器主频发挥出比起厂方设定值更高的效率，但又不损失稳定性的程度。

       当然，AR2209C的强大，并不只是CPU的主频高，它还内置了全球独家定制的高频率低延迟内存，频率高达3600MHz，同时搭配了专业低延迟网卡……这意味着，这是一款没有短板，不但能高速运算，还可以高速传输和吞吐数据的产品。

什么叫黑科技？这就是黑科技。

02

联想企业科技集团的金融智慧

       其实，AR2209C对于联想的整个金融智慧体系来说，只是沧海拾贝。

       作为新基建十大核心代表企业之一，联想长期以赋能千行百业的智能化转型为己任，自身也正在**着以智能化变革为目标的战略转型，其中的核心精华可以概括为“3S战略”，而金融行业的智能解决方案，就是3S中的行业智能（Smart V***ical），是联想用智能化推动产业升级的重要切入点。

       联想能够用智能化推动产业升级，首先建立在对于行业痛点的把握之上。

       联想金融行业架构师王永超分析指出，目前，量化交易体系存在四大痛点，分别是算力不足和缺乏GPU集群、网络与存储存在瓶颈、系统的水平扩展困难、缺乏好的资源调动管理策略导致资源调动能力差。

       除此之外，量化交易行业缺乏的不仅仅是算力等“硬瓶颈”，更需要一体化的AI解决方案，需要一种能给交易赋予“智慧”的整体解决方案。

       对此，联想集团副总裁、联想企业科技集团行业事业部总经理刘文超就深刻的指出：“证券行业正面临新的挑战和机遇，而数字技术的强大效能也为证券行业的新业务开展带来了更多可能……联想正在加速构建贯穿信息基础设施和融合基础设施的新基建矩阵，并以更智慧的技术和算力平台，打造全新的业务场景，为包括证券行业在内的众多行业打造新业务场景下的商业模式进化。”

       联想集团副总裁、联想企业科技集团行业事业部总经理刘文超现场致辞

       具体说来，如果说超级服务器只是构建“交易智慧”体系的一块砖石，那联想的量化交易&AI平台，提供的就是完整的解决方案和具有竞争壁垒的“长城”。

       用大多数人能明白的话说就是，这个平台体系包含了三方面的智慧和科技：

——在平台层面，实现了平台运营管理、深度学习、数据标注、AI训练、智能推理等方方面面的模块整合，使之成为一套可用性很高的整体AI体系；

——在基础资源调度支撑方面，通过和英特尔等顶级合作伙伴的合作，提供了完善的调度层应用；

——在基础设施方面，有AR2209C这样能力超强的计算节点，同时，作为NVMe存储市场上的领导者，联想还能够为       证券客户打造NetApp AI解决方案，帮助实现数据的存储和管理，构建智慧数据；此外，还能基于高速网络，实现多源异构数据在整个生产力体系内的高速流通和实时响应。

       总而言之，联想在智慧金融方面的积累，完全超越了人们对于联想“是一个硬件提供商”的狭隘认知，而是通过联想构建的“端-边-云-网-智”技术架构，不断分析和解决在行业发展过程中的痛点，并以新兴技术为核心驱动力，整合全球能力，为中国金融行业，提供了更加完整和有针对性的端到端全栈式解决方案。

03

联想的路，为何总是先人一步？

       联想企业科技集团金融行业总监赵永涛介绍联想的国产化之路时，用了这样一段充满自豪的话语：“我们洞察甚至预判出诸多行业新趋势新机遇，以及随之而来的新挑战，从而致力于将客户发展新业务的急迫性，转化为我们引以为豪的全新解决方案——从1995年无盘工作站，2006年的Novell行情专用服务器，到2016年***超低时延服务器，乃至今天炙手可热的AI量化交易解决方案，联想总能先人一步，第一时间**以赋能客户发展为己任的产品及解决方案。”

联想企业科技集团金融行业总监赵永涛现场分享

       其实，联想企业科技集团的发展之道，既是联想聚焦基础硬件+服务，“以我为主，构建IT产业双循环”的探索之路，又是一条步步创新，具有预见性的国产化之路。

       众所周知，联想是一家发端于中国，充分国际化的企业，因此，全球化和中国特色，都是联想的“本色”。聚焦到金融赛道，联想不仅销*全球研发的数据中心产品和解决方案，而且充分满足中国市场的需求，不断开发满足一系列适应中国特色的产品、方案、服务，历年累积**了多款本地化服务器产品和40多款专业服务，拥有39项核心资质和2项IDC资质，还有近年大热的云业务资质。

       特别是今年，由于疫情带来的逆全球化趋势和高不确定性时代的到来，中国在金融科技方面的自主可控，已经上升到了国家战略高度，而联想则积极响应国家战略布局，重点推进自主可控国产化产品的开发与应用。

       如果梳理联想企业科技集团的“成绩单”，我们会发现，在许许多多的“非传统产品”中，我们看到了联想和大量“中国芯”企业的合作。

       这其中，就包括基于x86架构的兆芯、海光等处理器、ARM架构的飞腾处理器、Alpha架构的申威处理器等……这不仅仅显示了联想在不同架构服务器产品方面强大的系统整合能力，更可以说，联想为广大正处于弯道超车阶段的中国芯片企业，提供了迈向商业市场的路径和桥梁，也在分担创新的风险和成本。从这个角度来说，联想对于中国IT产业的基础创新的推动作用，可谓“默默奉献，巨大推动”。

       也正是由于联想整合了集团的研发智慧，**了符合中国市场特色的定制产品组合，为中国企业智能化转型提供基石。目前，联想已经交付了业界最全面的国产化产品线，拥有了覆盖范围最广的技术服务支持体系。

       说到这里，就不得不提及联想对于信创的重大推动。信创是“信息技术应用创新发展”的简称，也是目前的一项国家战略，更是当今形势下国家经济发展的新动能。

       某种意义上说，中国发展信创，是为了解决本质安全的问题。所谓的本质安全，也就是说要把一些行业的核心技术，变成中国自己可掌控、可研究、可发展、可生产的。因此，信创产业发展已经成为经济数字化转型、提升产业链发展的关键。

       而联想不仅在国家层面，而且在产业、地方层面都是信创工作的积极推动者，从2014年参与核高基课题开始起步，建立了产品研发平台、运营生产平台、服务支持平台和市场营销平台等****，支撑联想信创业务的发展。此后，伴随信创业务的发展，联想的信创业务已经建立了完整的研发、生产、运营、服务、销*体系，实现了端到端的业务整合，建立了较为完整的联想信创业务支撑能力。

       事实上，在金融行业推动信创，是一个难点。因为这个领域对技术、产品、方案的成熟度要求极高，向来都倾向于采购国际领先的企业的产品和方案，但是，在当前的环境下，金融信创、自主可控趋势已不可阻挡。因此，当中国农业银行探索积极持续推进国产信息技术产品应用落地的过程中，联想最终以基于联想海光服务器+开源数据库+开源中间+自研应用的业务系统，实现了端到端安全可控，不仅拿下了**的大单，也为行业信创做出了贡献。

       为什么我们在谈到联想对于金融行业的服务中要反复的讲信创，因为金融行业的创新，恰好也是中国数字化创新的一面镜子，其中，技术的先进性、自主可控性、国产化率的提升，是三个互为前置条件又相互作用的三角矩阵。

       因此，谈金融的数字创新就不能不谈联想，谈金融科技的自主可控更不能不谈联想，联想的数字金融解决方案之路，最终是一个从硬件、到软件、再到生态，都逐步体现国产化智慧的道路，为中国的量化金融和信创提供持续的解决方案，不仅体现了联想顶级解决方案提供商的地位，也是中国未来发展动能与产业结合的良好示范。

来源：深氢商业

关于量化投资，你应该知道

用科学严谨的数据代替主观判断做决策 -- 量化投资

       一般来说，股市中投资无非就是两种方法，价值投资和技术分析。

       价值投资是看股票的基本面和估值，而技术分析（趋势投资）研究的是股票技术面；价值投资和趋势投资是引领过去一个世纪的投资方法。随着计算机技术的发展，投资者把已有的价值投资、趋势投资与现代计算机技术相融合，催生了量化投资。

量化投资，简单地说就是利用数学、统计学、信息技术的方法来管理投资组合。

        量化投资是借助计算机系统强大的信息处理能力，采用先进的数学模型替代人的主观判断，利用计算机技术在全市场捕捉投资机会并付诸实施。

        量化策略是处理“买什么、何时买、买多少、何时卖”四个问题的一套方案规则。把这样一套规则写入计算机程序并对接证券数据库、证券实时行情，计算机就可以计算出，在过去的所有交易时间执行这样的方案，可以取得怎样的收益结果，以及展示详细的交易记录，并可以发出实时的投资指令。量化策略通常是计算机自动执行的。

量化投资的优势

1. 高效精确：

       计算机用历史数据对量化策略进行高效回测，可以完**力无法完成的统计工作量，并输出精确无误的统计结果。策略好不好，回测便知晓，不再需要投资者耗费大量的时间、精力、金钱去统计历史数据或实盘**来验证自己的投资策略的可行性。

       量化策略可以及时快速地跟踪全市场的行情变化，寻找最新的交易机会，准确下达出最新的投资指令。

2. 纪律严格：

       投资者的情绪难免会受到周边环境、以及人性弱点的影响，常常会做出一些偏离自己判断的交易行为，而量化投资的客观性、纪律性较强，严格的按照策略规则理性投资，能有效克服投资过程中的情绪化行为，避免投资者因市场极度狂热或悲观的情况而导致做出非理性的投资决策，使投资的稳定性大为增加。

量化投资的盈利来源

       量化投资盈利来自策略的盈利数学期望值为正。数学期望值是初中数学中描述概率的一个参数，数学期望值=盈利概率*盈利涨幅-亏损概率*亏损跌幅。某一笔投资盈利的数学期望值为正，则意味着这笔投资理论上可以获得正收益，量化回测的统计数据中包含该策略精确的盈亏概率和盈亏幅度。

下面举例两种数学期望值为正的情景。

       情景1每次投资赚钱概率50%左右，但赚钱交易的平均收益率高于亏钱交易的平均损失，于是多次的收益率差累计起来，就会变成风险有限但收益率高的投资。

       情景2每次投资赚钱概率超过50%，但赚钱交易的平均收益率与亏钱交易的平均损失基本持平，比如10次交易，其中7次赚钱，3次亏钱，那么3次盈亏相互抵消，仍可拥有4次盈利。

量化投资的主要问题

1.过度拟合

       什么是过度拟合？我们站在现在看历史行情，可以很清楚地知道哪个阶段是什么样的行情，市场是什么样的风格，如果我们在策略中故意表现出相应的风格去拟合过去的行情，那么回测必然会展现出高回报，但这种收益回报大概率是无法持续的。

要避免量化策略过度拟合，须注重两点。

       一是测试时间要足够长，或者说测试样本足够多。我们A股的历史比较短，大部分能取到的数据只有十几年，对于日线级别的测试，并不算太长。我们的回测至少要保证测试时间段中既有大涨行情，有大跌行情，还要有震荡行情。

       二是策略的条件及参数越少越好，不能为了避免某种不好的行情就加个条件或参数，过度优化必然导致过度拟合，参数越少的量化策略，过度拟合的概率越低。

2.策略深度不够，投资踩雷

       量化投资虽然具有更大的投资视角和广度，能够快速高效地在全市场范围内进行海量信息处理和挖掘，但在投资决策深度上是不够的。比如某些有严重财务隐患或资讯利空的个股因符合策略规则，被量化策略选出并被买入，就会导致投资损失。因此，将量化投资用于股票投资时，往往还需要执行人工基本面排雷。

如何进行量化投资

       要进行量化投资，投资者首先要有一套属于自己的投资策略，在策略中详细列出交易的具体规则，然后在具备数据库的量化平台上，将策略写成计算机程序，运行程序获取该策略在历史行情下的回测数据。查看回测数据并对数据进行分析，得出放弃该策略、调整策略思想、优化策略参数、模拟实施等结论。

       当投资者对策略的回测表现感到满意时，便可以根据量化策略给出的投资指令进行模拟盘、小额实盘的测试。测试过程会发生一些我们不曾预想到的情况，遇到一些意外的问题，处理这些问题也是打磨策略的重要一环。经过了一个阶段的测试和打磨，当我们的策略趋于稳健成熟时，我们就可以开始正式的实盘实践，踏上征途，奔向星辰大海。

来源：腾讯网

量化投资的人工智能时代

       我们常说量化模型的特点是纪律性，它能够降低人的主观判断对投资的影响。其实，量化模型因子的选择和对历史回溯的判断本身就带有一定的主观性，这种主观性的前提是我们相信历史规律的可持续性。

       前段时间的一个新闻再次震惊世人。横空出世的AlphaGoZero通过无师自通的方式，以100:0的战绩击败了“前辈”。回顾彼时，AlphaGo以4：1战胜人类最强围棋选手李世石，且李世石输得心服口服。但在AlphaGoZero面前，AlphaGo惨败，令人不得不感叹人工智能发展速度之快。

       人工智能应用如同新时代的火种，照亮了人类的未来生活。而在投资领域，人工智能也正同量化投资紧密联系。虽然目前两者的结合尚在初期，但我们仍可以来看看人工智能对量化投资的影响。

       譬如，我们研究历史数据时，发现在A股市场反转因子最近十几年表现出单调的特性，在以线性模型为主的量化多因子体系中会比较有效。而盈利因子表现出非单调的特性，按照传统框架很难纳入。不过，人工智能机器学习或可以解决这一问题，机器学习的优势就是没有线性约束，因此盈利因子也就能被纳入其中。

       此外，当我们用传统方法研究某个因子在历史上的表现，尽管会有很多统计指标，但其历史数据在时间序列上只展开一次，这导致了模型表现的结果相对静态和固化，没有延展性。以反转因子为例，这一因子在2016年前非常有效，但自2016年中开始，由于持续回撤，使得超配反转因子的模型很“受伤”，且模型很难对这种变化进行自适应。这其实是传统量化方法的静态局限，但恰恰是人工智能在量化投资领域的优势——通过机器学习打开静态局限，不断地学习和反馈市场信息来调整因子和参数，以此来适应市场背后隐含的监管环境和投资者结构改变引发的市场结构的变化。

       我们常说量化模型的特点是纪律性，它能够降低人的主观判断对投资的影响。其实，量化模型因子的选择和对历史回溯的判断本身就带有一定的主观性，这种主观性的前提是我们相信历史规律的可持续性。而基金经理所坚守的这种“主观判断”在面临市场风格的反向变化时，所谓的纪律性往往成了绊脚石。但人工智能因为极强的学习能力，能够较快适应市场，可以避免传统量化模型大幅回撤后才开始修正模型的尴尬。

        但是，人工智能并非完美无瑕。相较于传统量化模型，它的“黑箱化”特征更明显。因此，我们需要思考的是：当人工智能机器学习模型开始进入实战，摒弃投资逻辑的人工智能模型一旦遇上了问题，模型开发者又将如何应对？

来源：亿欧

以“宽度”提升胜率 震荡市量化投资优势渐显

       春节后，前期上涨的少数核心资产股价出现调整，而不少中小值股票逆势上涨。Wind数据显示，截至一季度末，春节以来超七成个股股价上涨。在此背景下，以宽度制胜的量化投资迎来较好的时机，记者据同源数据最新显示，目前近七成公募量化基金春节以后回报超越沪深300指数。

       业内人士分析指出，量化投资具有严格的纪律性，能够在精密测算海量数据的基础上，克服人性弱点和认知偏差执行交易策略；此外，相较于主动选股型基金聚焦有限股票，量化基金可以对全市场股票进行深度挖掘，投资视野更广阔，在分散风险的同时可以高效捕捉没有被市场关注的投资机会，因而在震荡市或风格转换的市场环境中，量化投资更能发挥其优势。

       Wind数据显示，目前市场已有347只量化公募产品。记者发现，由景顺长城基金副总经理黎海威负责量化投资管理，其投资实力出众、产品齐全，目前已覆盖指数增强、主动量化、量化对冲、SmartBeta等多种策略、不同风险收益特征的产品，可以满足投资者多元化量化投资需求。

       具体来看，景顺长城旗下指数增强产品可对标的指数囊括沪深300、MSCI、中证500、创业板指数，这些产品在跟踪指数的同时力争获得战胜指数的回报。银河证券数据显示，截至一季度末，景顺长城沪深300指数增强基金自2013年10月29日成立以来总收益达231.85%，同期沪深300上涨112.94%，同期基准涨幅131.35%。景顺长城MSCI中国A股国际通指数成立于2018年7月10日，自成立以来总收益为64.28%，超越同期MSCI中国A股国际通指数51.38%的涨幅，同期基准涨幅为48.80%。

       除了指数增强以外，景顺长城旗下的主动量化产品长期超额收益表现也可圈可点。其中代表产品为景顺长城量化**基金、景顺长城量化新动力基金。银河证券数据显示，截至3月26日，景顺长城量化**自2015年2月4日成立以来总收益75.36%，同期业绩比较基准收益率10.44%；景顺长城量化新动力自2016年7月13日成立以来总收益134.60%，同期业绩比较基准收益率47.57%。

       业内人士表示，虽然国内量化投资起步较晚，但A股市场较大体量和规模为量化投资提供了较好的选股宽度，同时A股市场波动率大、风格切换较快，依靠数量模型选股的量化投资相对容易产生超额收益。经过两年“抱团”“二八”分化行情后，数量众多的中小市值股票重获市场青睐，对于量化投资来说，通过“宽度”提升胜率，有望在震荡市中为投资人获取较好收益。

来源：新浪财经

政府负债对财政赤字的影响

       一些经济学家认为，通常意义上的财政赤字具有误导作用，因为它没有包括一些重要的政府负债。下文就是政府负债对财政赤字的影响的简单说明。

       公众持有的公债是政府债务中最大的一部分，也是最明确的部分，但公债并不代表政府全部的债务。美国西北大学的教授Eisner(1986)就因为不遗余力地提倡如下观点而闻名:要想全面地考察政府的财务状况变化以及由此导致的财政赤字变化，必须全面地考察政府所有的资产和负债。

　　但是如何准确衡量政府的负债却是一个技术上很棘手的问题。例如，政府拥有大量的隐性负债，如政府为私人企业贷款提供的担保、国有银行的不良资产以及地方政府的借款等，其准确价值很难衡量。政府拥有的大量资产也因为没有交易市场而无法衡量其市场价值。

　　另外，衡量政府负债价值更多地牵涉到一些概念性的问题。例如，目前法律规定的社会保障体系未来的支付算不算政府债务?在社会保障体系的养老保险中，公众在年轻时把他们的部分收入交给这个体系，并期望在年老时得到养老金。这些由法律规定的未来支付的养老金应该包括在政府的负债中。未来的这些负债的现值与目前的社会保障*的差额应该包括在财政赤字当中。

       上文就是政府负债对财政赤字的影响的简单说明，对这类文章感兴趣的朋友可以关注小编。

几种常用的量化选股方法

       量化选股就是用数量化的方法选择确定的投资组合，期望这样的投资组合可以获得超越大盘的投资行为。下面我们来简单介绍一下机构常用的量化选股方法。

1、多因子选股

       多因子选股是最经典的选股方法，该方法采用采用****因子（比如市盈率PE）作为选股标准，满足这些因子的股票被买入，不满足的被卖出。比如巴菲特这样的价值投资者就会买入低PE的股票，在PE回归时卖出股票。

2、风格轮动选股

       风格轮动选股是利用市场风格特征进行投资，市场在某个时刻偏好大盘股，某个时刻偏好小盘股，如果发现市场切换偏好的规律，并在风格转换的初期介入，就可能获得较大的收益。

3、行业轮动选股

       行业轮动选股是由于经济周期的的原因，有些行业启动后会有其他行业跟随启动，通过发现这些跟随规律，我们可以在前者启动后买入后者获得更高的收益，不同的宏观经济阶段和货币政策下，都可能产生不同特征的行业轮动特点。

4、资金流选股

       资金流选股是利用资金的流向来判断股票走势。巴菲特说过，股市短期是投票机，长期看一定是称重机。短期投资者的交易，就是一种投票行为，而所谓的票，就是资金。

       如果资金流入，股票应该会上涨，如果资金流出，股票应该下跌。所以根据资金流向就可以构建相应的投资策略。

5、动量反转选股

       动量反转选股方法是利用投资者投资行为特点而构建的投资组合。索罗斯所谓的反身性理论强调了价格上涨的正反馈作用会导致投资者继续买入，这就是动量选股的基本根据。

       动量效应就是前一段强势的股票在未来一段时间继续保持强势。在正反馈到达无法持续的阶段，价格就会崩溃回归，在这样的环境下就会出现反转特征，就是前一段时间弱势的股票，未来一段时间会变强。

6、分析师一致预期策略

       分析师一致预期策略是指大多数分析师同时**某只股票时会引发大量看到同样买卖建议的投资者产生一致的买卖行为，而先得到信息的投资者会先交易，之后得到信息的投资者会晚交易。

       如果可以尽早的得到分析师的投资建议并尽快买入，就可以利用后进者的买卖行为获得额外收益。

7、趋势跟踪策略

       趋势跟踪策略是技术型交易策略的一种，当股价在出现上涨趋势的时候进行买入，而在出现下降趋势的时候进行卖出，本质上是一种追涨杀跌的策略，很多市场由于羊群效用存在较多的趋势，如果可以控制好亏损时的额度，坚持住对趋势的捕捉，长期下来是可以获得额外收益的。

8、筹码分布选股

       筹码分布选股是一种基于主力投资行为的交易方法。基本根据是主力在拉升一只股票之前需要在尽可能低的价格下吸收筹码，因此吸筹的过程通常非常温柔与缓慢；

       而在卖出时，希望尽可能的在较高价格出货，为了不过分打压股价，就会慢慢的派发。所以通过对筹码分布的监控和分析，可以判断一只股票处于吸筹还是出货阶段，从而判断未来价格的涨跌。

来源：腾讯网