Kensho—致力于提高金融分析师的生产力

未央网 作者: 东十条

“For the buy side, we just make the smart analysis more predictive.”

——-by Kensho COO

近年来,人工智能可谓是最火的词语之一,许多媒体和公众号提出了人工智能威胁论,让许多人开始担忧未来自己的工作被人工智能取代的可能性,金融领域也不例外。当然这一切也不是空穴来风,许多判断可以追溯到一些学者以及专家的预测和论文,为这些猜疑提供了相对有利的证据。

2013年末,两个位牛津的学者发布了一篇论文,预测在未来的20年内将有47%的美国现有岗位存在被机器取代的『高风险』。论文评估了702个职位的被取代的可能性,每个职位的危险性主要是根据该职位的容易程度、替代其的机器成本和『机器学习』软件的影响来评估。

当然这篇文章受到的批评也不少,很多人认为这篇论文只评估了那些可能消失的岗位,但没有预测到那些因机器人的出现,释放人的双手和创造力而诞生的新岗位。不过,金融业可是严肃看待自动化趋势带来的威胁和机会。2013-2014年金融科技公司的投资额翻了三倍,各类软件和新技术都在寻找提高传统金融运作效率甚至取而代之的机会。几乎每一家华尔街公司都发布了相关报告,预测将有传统金融机构将失去几百亿的利润,流入到这些金融科技公司里。银行尝试着用直接投资这些金融公司的方法来抵御威胁,被高盛投资的Kensho就是一个例子。

Kensho是什么

Kensho公司属于金融咨询行业,是一个将云计算与金融咨询业务结合起来的科技型公司。它的主要产品是一个名叫“Warren”(沃伦)的金融数据收集、分析软件。Kensho官网上声称“Kensho是一个先锋级的实时数据计算系统、一个可量化的数据框架,是全球化金融系统的新一代升级产品”。它拥有强劲的云计算能力、良好的人机交互界面和深度学习能力。 Kensho公司的目标是让此软件的功能取代现有的大量投资分析人员的工作,为客户提供更加优质、快速的数据分析服务。

Kensho公司成立于2013年,由MIT与哈佛的几名学生建立,后招募了大量来自谷歌、苹果、Facebook以及美国联邦储备系统的专家与工作人员。Kensho公司的CEO是Daniel Nadler,哈佛博士,现在是斯坦福工程学院金融技术研究主任,曾在美联储当过访问学者。公司工作人员主要由数据分析方面的工程师和科学家组成。

公司债权融资49.5万美元,种子轮和A轮融资总额达5780万美元,投资人包括高盛公司和Google Ventures等10家金融机构。Google Ventures为Kensho提供了大量的工程师,而和高盛则在合作并磨合产品的一年内给予了Kensho很多建议。

Kensho如何影响传统金融

金融咨询行业的服务主要是为客户提供市场数据的分析、给出投资建议等。金融咨询行业属于人力资源密集型行业,其服务的价值在于,受过专业教育的从业人员在与客户信息、知识不对称的情况下,能为客户提供信息与分析决策服务。

由于多种复杂的因素,资产价格已经不像30年前一样受小类因素的影响,而是收到多种因素的影响,例如政治事件等。因此他们希望建立一个模型去分析资产是如何暴露在非传统因素影响下的,哪一类资产价格收到某件因素最敏感。设想一下该场景,突发新闻报道叙利亚遭到袭击,投行的客户们一定纷纷打给他们的客户经理,询问该事件会对他们的资产组合造成什么样的影响。客户经理的反馈模式是利用他们的自有知识和有限的记忆对这件事如何对某类资产造成的影响作出判断。如果打电话过来的是一位重量级客户,他们可能需要要求研究员对该问题进行一个系统的研究,出一份研报。该模式的问题在于,如果反馈需要时间,则该交易机会可能会流失。以上的过程,如果交给一名传统金融分析师来做,可能要花上数天时间,总计40个小时左右。

受限于这类知识的经验主义和人类的记忆限制,研究员们很难从脑内穷举出所有可能对某类资产价格影响的所有因素。

具有创造力的产品

Kensho的软件Warren主要能实现两种功能:寻找事件和资产之间的相关性及对于其价格的影响,以及基于这些事件对资产未来价格走势做预测。

寻找事件和资产的关系

用户可以用两种方式实现Kensho的该功能,第一种方式是输入一类资产如股票,去看哪些事件能够对股价产生影响。例如输入Netflix,Warren会显示一张Netflix的股价走势图。在每一天的时间节点,用户都可以看到具体是哪件事影响了这个股票的股价,例如Amzon发布了第三季度报告,和这件事具体对该股票的影响价格的百分比。在直观的图表显示结果外,用户也可以通过统计性分析的结果,例如p-value去看哪件事件对该股票有显著性的影响。

第二种方式是输入事件的关键字,看这一类事件可能对那些资产产生影响。 如输入『ECB』(欧洲央行)这个词,Warren就会出现许多与欧洲相关的事件组合,例如『欧洲央行降低利率』,或者『某一位官员发表了相关演讲』。

该软件会持续轻微调整和拓展建议搜索关键字,在此过程中没有人工干预。在过去,交易员或者分析师会用他们能想到的所有关键词搜索维基或者新闻库。而Kensho的搜索引擎能够寻找新的和未被识别的事件和资产价格的关系,从而推荐给用户。在交互界面上,用户可以选择一组事件,例如『欧洲央行降低利率』,自由选择时间段和投资的种类,例如德国股票、澳元汇率、油价等,来看这些事件对该资产价格走势的影响,该影响以图表的方式呈现。同样,用户还可以看到每一个事件对该资产价格失去影响的过程并基于此结果建立自己的优化投资组合。

目前,Warren处理的数据包括以下几个方面:Earnings releases、Economic Reports、Stock price movement、Moving averages、Company product launches、FDA drug approvals、Stock price triggers、Monetary policy changes、Political events。

预测资产价格

Kensho利用机器学习方法去预测资产的价格,通过可能影响价格的相关因素去预测资产未来价格的走势区间。由于Kensho的数据库已经包含了大量的信息,包括政治事件、自然事件等。由于可能存在大量的显著影响资产价格的变量,Kensho需要判断哪些是可以用来预测价格的相关特征。在特征的选择上,Kensho可以根据用户的建议输入相关的变量,也可以通过『特征选择』的算法去保留相关的特征。最后,Kensho会以股票价格概率分布区间的图表呈现其预测的结果。

此软件有以下几个特点:

1、使用云计算作为信息处理中心和信息来源,计算能力强大,能够高效地完成人类分析员难以快速做到的数据收集、分析和挖掘工作。

2、它有良好的人机交互性,用户输入用人类的自然语言写的金融问题,软件能进行识别并返回经过云计算处理后的结果。

3、它拥有深度学习能力,可以让此软件通过客户的问题来完善搜索结果,增加新的搜索渠道等。

由此可见,金融行业的数据化、自动化服务的优势是很明显的,对传统咨询分析业务的冲击也是立竿见影的,因为当人们可以向一台电脑终端询问一些较简单的问题,并能很快地得到反馈和切实的数据时,人们就不一定需要向一个投资顾问提问题了。

“你仍然需要问正确的问题”

就目前来说,“Warren”更像一个数据收集、图形化呈现的工具,而不是一个提供分析决策的角色。如果用户希望知道川普上台会对股价产生什么影响,Kensho是无法直接回答的。这是由于过去的历史事件并没有包含川普和总统的相关信息,自然也无法回答。但是用户可以尝试用其他的方法,例如思考政治环境偏左或者偏右的时候对于某种价格的影响,并基于其结果去预测川普上台的影响。简单来说,Warren只能做到变量延展,但却无法替用户去“逻辑推理”事件可能的影响因素,一切背后的关系还需要用户自己去发现。

相关性不代表因果性

设想我们发现了比特币价格和黄金价格具有一定的相关性,并基于其关系预测比特币未来的走势。而我们没有发现的是,英国脱欧是驱动两种资产价格上涨的重要原因。这意味着,当我们尝试对事件发生背后的原因做解释时,不能简单的通过结果的相关性而去解释因果性,当影响资产的相关因素越来越多的时候,如何识别事件背后的相关性和因果性就变得更加困难。Kensho能帮我们发现吗?很遗憾,现在并不能。但这不会影响Kensho的预测模型,即使我们不知道变量之间的因果关系,或者难以解释他们的相关性,我们仍然可以基于已知道的变量关系去预测。

对于上述疑问,Kensho表示,现在kensho的产品并没有相关功能,但是其计划推出下一代产品,将事件之间的关系做成一张图,事件与事件彼此连接,机器会尝试识别事件的概念,关系和网络,并且对每一个关系赋予权重用来判断两者是相关的,还是两者都被第三个事件所指,后者才是引起前者的原因。

疑问:Kensho真的能取代金融分析师吗

结论是并不能,起码目前Kensho仍然无法取代一名分析师的全部工作。“Warren”能搜集较全面、详细的金融领域的部分行业数据,并提供简单的分析和图形化呈现。它能为普通的投资者提供他们感兴趣的金融信息,对较低层的金融行业相关的从业者的吸引力较大。它的优势在于快捷的云计算、搜索能力和友好的用户交互界面。但更高层级的思考模式,Kensho尚未能模拟。

随着人工智能与云计算的发展,金融行业的自动化趋势是不可避免的,Kensho公司找准了这个方向。但是由于金融模型中需要假设作为模型的变量输入,Kensho是无法完成这一流程的。从人工智能的概念来说,强人工智能是让机器智能的思考,而弱人工智能是让机器智能的行动。从这个角度来看,Kensho只能为用户验证用户思考的假设是否成立,并基于机器学习算法为用户做预测。而机器学习算法需要输入变量和调参,在此过程中,算法是呈现黑箱的状态,用户基于结果并不能推测背后的原因。

软件预测的结果只是基于算法的最优化选择,而无法揭示背后的关系。从某种程度上来说,Kensho只是模拟了分析师思考的行为,却无法模拟分析师思考背后的逻辑。此外,Kensho的预测仅仅给出了价格的概率区间,是否相信大概率事件会发生并进行相关决策仍然需要用户自己完成。

我们认为,Kensho从某种程度上来说释放了金融分析师的生产力,能够让其有更多的时间去思考并决策,因此金融分析师们大可不必过于恐慌。我们也期待Kensho未来进一步优化算法并实现其提到的事件“连接图表功能”,未来带给大家更多的惊喜。