将来基金公司成功的首要要素

SAIF教授李祥林认为，基金公司未来取得成功的关键要素是“规模”。

近日，上海交通大学上海高级金融学院实际教授、中国金融研究副院长、金融硕士项目联席学术主任李祥林在SAIF金融论坛·南京站“新时代金融科技转型：赋能与创新”活动中分享了自己的观点。他认为，金融科技不仅改变了二级市场的投资，还改变了整个金融行业的生态系统。那些在基础设施、科技和人才方面提前规划并大量投资的机构将在未来几年占据优势。

李祥林教授演讲实录：

非常感谢大家。今天我将分享一些关于金融科技的学习心得和体会。

大数据重塑投资业

今天，我想简要介绍一下金融科技的概念。我认为，金融科技是指为金融业提供服务的技术手段。这个定义可能听起来比较狭隘，主要是为了区分于国内很多以科技公司名义但实际上从事金融业务的P2P公司。未来，金融行业将成为一个受严格监管的行业，需要持牌经营。金融服务业则是为金融机构提供服务的企业。

在提供服务时，我们需要思考自己的定位。例如，如果你希望从事咨询业务，咨询的本质在于有多少人能赚多少钱。经验丰富的人负责主要业务，而年轻员工则承担辅助工作。这样的业务模式相对简单，关键在于能吸引多少业务以及由此带来的收入。

接下来是软件业务，其模式完全不同。软件开发完成后，边际成本非常低。我们可以将软件分为通用软件（如微软办公软件）和专用软件（如风险管理软件）。

接下来，我们探讨一个问题：金融科技是否能改变未来的金融业。实际上，金融科技已经在改变金融业。例如，苏宁银行已经开展了大量的金融科技工作。对于这个问题，不是你愿不愿意做，而是不做就会被颠覆。许多行业都在利用科技进行转型。

我举的第一个例子是语音识别技术。语音识别的研究大约始于40年前，早期准确率仅为50%。后来，科学家们利用统计中的隐含马尔可夫链方法，将准确率提升至65%左右。其中包括李开复和微软人工智能首席科学家邓力教授。邓力教授邀请多伦多大学的杰弗里·辛顿教授（2018年图灵奖得主）采用深度学习方法，起初效果并不理想，但随着数据量增加，准确率提高到90%以上。一旦准确率达到90%以上，就可以看到其在消费产品中的应用，如美国苹果手机的Siri。现在，人们可以通过语音指令控制手机，听音乐、新闻等。

两年前，为了了解机器学习，我邀请了一些在微软和谷歌从事语音识别和机器学习的朋友。他们告诉我，过去的方法已经不再适用，新的机器学习方法将取代传统方法。目前，大家都在学习机器学习。

接下来，我们谈谈金融行业中最重要的业务之一——投资。许多相关技术尚未公开。例如，美国有一家公司叫文艺复兴，其创始人吉姆·西蒙斯曾与著名数学家陈省身合作撰写论文。该基金多年持续获得年化37%至38%的收益率，这令整个华尔街感到惊奇。然而，这家公司从不招聘金融或经济专业的毕业生，而是招聘科学和技术领域的教授和研究员。最近，他们公开表示，文艺复兴早在十几年前就开始在投资中应用机器学习方法。

去年，全球股市收益普遍为负，美国约为-5%，中国可能达到-20%左右。然而，一些公司仍能获得正收益，有些甚至超过10%。这些公司基本上都是大型对冲基金。在过去五年中，这些公司已在基础设施、科技和方法方面进行了大量投资，未来将在投资市场占据优势。

包括在美国，许多投行人士辞职创立小型对冲基金，希望通过机器学习获取更多收益。然而，小型对冲基金的盈利越来越困难。主要原因在于，竞争对手可以利用机器学习技术建立更复杂的模型，获取360度全方位的信息。因此，未来在投资行业要想成功，必须具备一定的规模。因为利用机器学习进行投资需要购买大量数据，小公司往往负担不起。此外，还需要大量的专业人员构建模型、进行回测，最终执行投资策略。这就像一条生产线，没有一定规模很难成功。预计未来三到五年，投资领域将发生根本性变化。

接下来，我们稍谈一下银行和保险，因为我也有一定的保险背景。过去，汽车保险定价依赖于过往经验。例如，购买汽车保险时，保险公司会询问一些问题，如你是否开车上下班，驾驶距离多远，驾驶时间多长等。然后他们会根据你的风险等级进行分类。这种方法称为信用评分理论，主要目的是使保险损失的平均值与个人过去几年的损失平均值相平衡。

然而，现在美国出现了一家公司，在车上安装自动驾驶记录仪，可以实时跟踪驾驶情况。这样可以根据实时信息进行定价，而不仅仅是依赖历史数据。显然，第二种方法更为优越。目前，在纽约周边地区，已出现了一家基于实时信息定价的保险公司。如果驾驶技术较好，只需支付原来保费的一半或三分之一。

定价和风控是金融行业的核心

下面我们稍微聊一聊中国金融科技与国外金融科技的区别。我们认为，支付和小微企业服务等方面，我们做得不错。因为我们拥有大量数据，并且可以轻松收集数据。另外，中国企业也愿意进行新的尝试。然而，从另一个角度看，中国的金融行业与国外金融行业在风险和定价方面仍有很大差距。可以说，定价和风控是金融行业的核心。

大家认为中国在这两个方面做得如何？是否有专门提供定价服务的金融科技公司？例如，对小微企业贷款的定价，以及对衍生品的定价，大家觉得如何？

我们可以看看国内主要金融机构的衍生品交易系统，大多使用本国产品。十年前，我从国外回国加入中金公司时，中金公司老板问我，为什么香港很多上市公司都是我们中金协助上市的，但我们在香港股票市场的交易份额却不到1%？我说，人家都是电子交易，我们这边还是手工交易。手工交易不好吗？交易员自己觉得好，但人的情绪会影响决策速度。在股票交易方面，海外市场当年已达到70%以上的电子交易比例。

十年前，我就预言中国的股票交易佣金会大幅下降。最近几周，美国几家主要股票经纪商都推出了零佣金服务。股票交易已经成为一个技术问题。例如，我过去研究金融新产品，协助销售部门在全球销售信用衍生品。当年卖给中国银行的产品价值95元，但卖给他们却卖了100元。中国银行立刻亏损5元，但作为投资产品，年化收益率在5%到8%之间，亏损5元并不算什么。金融危机爆发后，大家都非常担心手中的产品价值，于是迅速以30元的价格出售。当时这类产品应该值50元，结果又少卖了20元。

原因是什么？因为你不知道价格是多少，这对市场影响很大。包括国内所有企业，尤其是大型国有企业，在商品风险管理及对冲方面，多年来经常出现巨额损失，主要原因也是定价和风控能力不足。

金融科技人才短缺

接下来，我们谈谈金融科技的实施。我们认为，国内公司在消费端较为熟悉，但对于其他方面，尤其是需要深层次分析和定价方面，还有很大的改进空间。金融科技在金融行业的最大难点是如何将科技与金融结合。

谈到这一点，公司缺乏的是在高层管理人员中既懂业务又懂科技的人才。我们可以想一想，有多少证券公司的老总是懂科技的？目前，中国所有证券公司的总资本金加在一起，都不如美国高盛一家公司多。中国证券公司在固定收益、外汇和大宗商品（FICC）领域还有很大的发展空间。如何建立起这样的业务，将公司各方面力量组织起来，包括业务部门、数量分析部门和IT部门，仍然是值得讨论的问题。

另外，数量分析人员也是一个关键因素。海外大型金融机构都有上百甚至上千人的数量分析团队。例如，J.P.摩根在北京办公室有30多人的数量分析团队。瑞银在上海也有近百人。美国国际集团在上海分析中心也有上百人。遗憾的是，国内大多数金融机构，即使是大型银行，负责衍生品定价的数量分析人员不超过20人。

这里需要强调的是，管理一家大型金融机构需要建立一个整体框架结构。无论是保险公司还是银行，除了在客户前端工作外，还需要考虑如何管理公司的整体资产负债表。

例如，银行需要进行资产负债管理，保险公司也需要这样做。投资方面需要进行战略资产配置。目前，无论是银行、保险还是证券都需要进行压力测试和经济资本管理。这些都是所有金融机构面临的共同挑战。

现在，大家想想，你们在处理这些业务时，有多大程度上实现了自动化或采用了金融科技？在实际工作中，往往是不同的部门各自为政，每个人都觉得自己资源不够，但最终效果仍然很差。

这个管理框架结构是什么呢？从上到下，首先你需要考虑整个公司面临的所有风险。风险管理的第一步是风险识别。风险识别需要列出公司资产负债表中每项资产面临的风险。什么是风险因子模型？这些因子之间的关系在正常情况下是一种关系，在极端情况下可能是另一种关系。

这些风险因子不仅涉及中国经济，还包括国外的风险因素，因此需要建立全球风险因子模型。这项工作显然不是一朝一夕可以完成的。大家可以想想，目前有多少人在做这项工作。虽然我们有许多宏观经济学家在讲故事，但他们能把这些故事讲完整吗？能涵盖经济生活中所有重要的风险因子吗？而且能把这些因子量化吗？

因此，我一直认为定价是金融机构的一项关键技能。定价不仅要考虑当前的情况，还要考虑在某些特定情况下的未来条件。最终，你可以建立起整个集团的未来资产负债表。美国在过去十年中进行了十年的压力测试。银行花费数亿甚至数十亿美元进行压力测试，经过测试，美国所有金融机构的资本金从金融危机后的5%至6%提高到11%至12%。通过十年的压力测试，美国金融机构大大提高了资本金和风险管理能力，这也反映在它们的股票表现上。因此，强调的是整体框架结构的重要性，不仅仅是每天解决每个具体问题。

统计与机器学习的关系

接下来，稍微谈谈传统的统计和机器学习之间的关系。最左边的是美国一位著名的统计学家，他对统计和机器学习进行了比较。他的基本观点是机器学习和统计没有太大区别。例如，在统计中我们讲模型，在机器学习中讲网络和图形。在统计中讲参数，在机器学习中讲权重，虽然权重非常多，可能成千上万，但在统计中通常只有几个参数。

机器学习中的有监督学习，在统计中就是回归和分类。无监督学习则与统计中的概率密度函数估计差不多。当然，这里开了个玩笑，如果在统计中拿到5万元就是一个大研究基金，而在机器学习中拿到100万元才算大研究项目。统计学家夏天喜欢去美国拉斯维加斯开会，而机器学习领域的学者冬天喜欢去美国犹他州或欧洲阿尔卑斯山的滑雪场。但这只是统计学家的观点。两年前，麻省理工学院出版了一本关于深度学习的书，书中将机器学习定义为利用统计方法，并指出机器学习更注重应用计算机来得到预测函数，而不局限于传统统计学中的置信区间和收敛研究。美国著名统计学家利奥·布雷曼对传统统计学进行了尖锐批评，认为传统统计学家存在很大的思维局限。如今，许多机器学习方法都是非统计学家在解决实际问题时创造的。他建议所有统计学家都应该具有开放心态，从实际问题出发进行研究。总结来说，机器学习确实以统计为基础，但其发展远远超出了传统统计思想，利用计算机解决了许多传统统计难以解决的问题。

今年初，在美国参加美国经济学和金融学年会。其中有一个午餐会，通常主席台下面有一桌，大概20个人，其中一半以上是诺贝尔奖获得者。今年请来的演讲嘉宾是一位年轻的教授，刚满50岁的斯坦福大学教授苏珊·阿西。她演讲的主题是机器学习在计量经济学和经济学中的应用。可以想象，这两个代表全球经济金融学最高水平的学会请来这样一位嘉宾，说明这两个领域都已经关注到了机器学习。

金融研究中使用大数据和机器学习确实存在挑战，比如到底使用什么信息，多少信息。虽然信息很多，但有用的信息并不多，信噪比比较低。第二个问题是金融数据大多是时间序列数据，且不稳定，很难用后面分析的结果来预测未来，需要进行特殊处理。此外，经济学中还有一个问题，即市场行为对其本身产生的影响。这与许多物理现象不同，例如我们后面提到的语音识别，有一个数据库，所有人都在用新方法测试，最后告诉你正确率是多少，问题本身不会变。但在金融和经济学中，问题本身也会发生变化，随着主体的不同做法，问题本身也会受到影响。

接下来，我会稍微详细地介绍我们上海交通大学上海高级金融学院在金融科技方面所做的工作。

上海高级金融学院在金融科技方面的贡献

首先，上海高级金融学院成立于10年前，这10年间，高金为中国金融市场培养了大量的金融人才。我个人虽然去年正式退休，但实际上从学校成立的第一天起，我就与高金站在了一起。在高金成立初期，我在北京工作，当时就觉得中国真正缺少像高金这样的学院。我从行业角度为高金的成立提供了建议。经过十年的努力，高金取得了巨大成就。

10年前，国内的金融教育还处于相对简单的阶段，高金聚集了一群海归教授，使用国外最新的教材和课程设计，帮助中国培养了一批金融人才。近年来，我们加强了对中国市场的研究，例如成立了中国金融研究院，旨在解决中国本土问题。大家认为解决中国的问题容易吗？实际上，这并不容易。我在工作了二十几年后体会到，要解决中国的问题，首先需要了解国外，不仅要知道国外的现状，还要了解国外的历史，以及他们是如何一步步走过来的。

其次，要了解中国。如果能将这三点搞清楚，就能找到解决中国问题的有效方法。实际上，我们大多数人了解美国的今天，但不了解美国的历史。2012年，我重新回到美国，花了大量时间阅读美国的历史书籍，学习美国的企业史，了解它是如何一步步走过来的。这也是中国金融研究院想要做的事情，即利用国际经验帮助中国解决实际问题。

研究院下面有多个研究中心，包括宏观金融、私募基金、金融科技研究中心等。金融科技研究中心的优势在于拥有一支专家团队，具备专业知识和行业经验，还能连接国内外资源。目前，我们与业界进行了广泛合作，例如与国内最大的资产管理公司合作，帮助他们搭建资产管理分析框架，这与我之前提到的框架结构有关，即以风险因子为基础的投资分析。欢迎有课题的学者与我们交流，也希望成为我们研究中心的会员。

我们现在还在研究中小企业违约贷款问题。国内在这方面进行研究的公司大约有几十家，究竟大家做到了什么程度，解决了多少问题，我认为有时通过我们研究中心的共同努力，可以把事情讲得更清楚一些。

金融科技人才的培养

学院的主要任务之一是培养金融人才。我们推出了国内首个金融科技方向的金融硕士项目，我也是该项目的联合主任。我们的MBA项目也招收金融科技方向的学生。科技人才想学金融，或者金融人才想学科技，都可以参加我们的MBA项目。我们还提供了一些非学位项目，例如金融科技战略高级课程。过去30年，我们的企业不需要战略，有多大胆就有多少结果。但从现在开始，企业应该如何前进，传统金融行业如何拥抱科技，科技公司如何理解金融，尤其是B2B业务，实际上是一个很大的挑战。在这种情况下，我们的金融科技战略高级课程可以为大家提供帮助。

谢谢大家。

内容来源 | 上海高级金融学院E通讯