在2017年的一次哈佛应用计算科学研究所研讨会高盛（Goldman Sachs）副首席财务官马丁•查韦斯（R.Martin Chavez）解释说，早在2000年，该公司的美国现金股票交易部门就雇佣了600多名人力交易员。如今，这一数字下降到只有两个人为交易员，其余的工作由大约200名计算机工程师管理的自动化交易平台接管。
自动化和人工智能在银行和金融在过去的几年里，金融科技行业见证了这一切新的人工智能接连发生由于新数据源的可用性应用和扩散人工智能工具和技术。
从我们的研究中，我们已经确定人工智能对投行业务所能做的可能空间还有些小。尽管这项技术已经在银行业取得了进展，但它们大多是其他金融分支机构的可转让用例。
在这篇文章中，我们将讨论在投资银行五个电流AI应用。我们已经分开在这篇文章中指出分为三类的研究应用：
- 贸易加工AI
- 如何预测分析供应商可以帮助投资银行
- 投资公司自动化市场数据收集
通过这项研究，我们希望让业内人士了解人工智能的近期应用，以及可能有助于公司或银行未来做出与人工智能相关的决策的要点。
贸易加工AI
Man AHL by Man Group
男人AHL始建于1987年在伦敦，目前有超过330名员工。该公司声称已经建立了一个平台，能够识别潜在的系统化的投资策略，并自动在多个全球金融市场进行交易。
男人AHL提供量化投资管理，该公司号称是使用机器学习从不同渠道优化交易执行。我们在下文进一步详细解释：
- 当交易者下买卖单时，电子路由算法被用来从股票经纪人、股票交易所或其他交易系统中找到一个能够完成买卖单的匹配项。在许多情况下，经纪人的电子交易路线可能会限制流动性，增加交易员的成本。
- 男人AHL声称使用机器学习来优化由他们的平台从三个可能的执行渠道生成的交易的路由内部执行的算法，外部经销商算法或公司的交易柜台。
- 据该公司首席执行官马修•萨尔盖森(Matthew Sargaison)表示机器学习算法通过三个渠道之一引导行业，根据过去的经验（例如：多少佣金是通过每一个执行渠道的支付历史数据）计算结果的概率（在成本和流动性方面）对每个执行路线
有关AI如何促进财富管理，贸易和金融等方面的详细信息，下载执行摘要为我们的AI在银行供应商记分卡和能力地图报告。
据Man介绍，他们的平台可以与现有的交易系统集成，并可以自动路由投资公司的交易员执行的交易。当一笔交易由内部算法、外部交易商算法或交易平台执行时，订单首先被发送到AI平台，AI平台通过在许多情况下将订单分解为更小的交易，以最高效和成本最优的方式进行交易。
除了在给定的交易中自动化各个步骤之外，AI应用程序还可以帮助交易客户在用户界面中完成任务。我们采访了辖沙美，联合创始人兼首席执行官TrueAccord,关于在机器学习可以促进讨债的方式。在采访中，沙美强调高度个性化的用户体验的重要性，人工智能等技术开始改变银行。当问及这些经验如何个性化，沙美说：
“我们在收集中看到，通过消费者想要的方式，通过他们想要的渠道，通过移动访问(或)电子邮件优先通信，我们可以更好地收集，并拥有更高的NPS，等等。”拥有你(消费者)想要的体验，选择你想要的产品，在你想要的时间以你想要的方式参与进来，一切都随需而动只会增加品牌的参与感和亲和力。对银行来说，他们的品牌和产品实际上是他们的生命线。”
显然，Samet认为，在考虑如何更好地从客户那里筹集资金时，促进用户与银行品牌及其商业渠道的互动是非常重要的。人工智能应用程序可以通过自动化往往会给客户带来最大摩擦的事务步骤，进一步推动这些类型的开发。
曼氏集团勾结牛津大学创建牛津大学文学院（OMI）与教授斯蒂芬·罗伯茨作为OMI主任，皇家工程院和Man Group的研究主任机器学习。
Man AHL提供的6分钟视频解释了他们的基金经理如何在量化金融中使用人工智能：
从我们的初步研究中，我们可以看到，曼氏基金自2010年成立以来，其业绩喜忧参半，尽管在过去3年里，该基金的业绩似乎有一个明确的正趋势(除了在2017年的轻微坍落度。虽然我们找不到多少钱的公司可能会通过使用机器学习路由行业已经节省了大量的信息。
法国巴黎银行证券服务智能驱逐舰
法国巴黎银行是欧洲领先的银行，成立于1848年，总部位于巴黎。法国巴黎银行证券服务公司（为投资经理和公司提供财务和咨询服务）宣布实施一项贸易配套工具称为智能追踪器，它使用预测分析来自动化交易处理服务。
Thomas Durif，法国巴黎银行证券服务公司（BNP Paribas Securities Services）中间业务产品全球主管，说:
“我们估计，多达代表的资产管理公司处理的交易的30％的要求，以完整的人工干预。这是一个经常被抱着不匹配的数据为同行业对手造成整个行业的挑战。”
- 贸易匹配是投资经理交易流程的关键部分，客户与其经纪人之间的交易细节将相互比较。如果匹配没有在正确的时间执行，交易可能需要人工干预，或者在某些情况下可能失败。
- BNP的智能驱逐舰用于通过BNP证券服务方面的交易历史数据记录，以确定交易模式，导致所需要贸易故障或人工干预。例如，像识别人为干预或失败的可能性更大，如果交易未在执行当天结算。
- 法国巴黎银行称，Smart Chaser可以预测特定交易需要人工干预的可能性，如果预测的可能性特别高，它会通过仪表盘提示投资经理采取行动。该公司声称其预测准确率达到了98%左右(由于根本没有任何证据支持这一说法，因此这一预测结果可能值得怀疑)。
投资经理可以使用智能驱逐舰软件，同时交易现场就避免了可能需要手动干预的交易获得可操作的见解。BNP称检测到有人工干预的风险较高行业时，他们的软件工具，可以监视实时和提示用户进行通知投资经理或客户执行的交易，并建议名单替代交易渠道，执行更快。
我们找不到任何来自BNP的演示视频来展示Smart Chaser平台如何使用机器学习来帮助投资经理进行交易匹配。然而，似乎投资者或顾问等用户可以登录该平台，根据预测数据查看交易匹配建议。
如何预测分析供应商可以帮助投资银行
武士刀从ING
荷兰银行服务提供商ING于1991年在阿姆斯特丹成立。2017年12月，荷兰银行ING推出了一款名为卡塔纳新工具据称，这是为了帮助债券交易员做出更好、更快的定价决定。根据ING:
“武士刀使用预测分析来帮助交易者决定什么样的价格是基于历史和实时数据引用时，买入和卖出债券为他们的客户。”
武士刀是由ING金融市场全球信用交易团队在伦敦开发的。ING认为，该平台可以从历史和实时交易数据的学习和预测统计预测交易者可以在除了其自然的直觉使用。
ING的信息图表如下图，这是一大特点，其在卡塔纳界面内ING亮点（有兴趣的读者可以看到完整的信息图这里）：
图像从荷兰国际集团(ING)
荷兰国际集团称，他们在伦敦为新兴市场(EM)交易员进行的Katana平台试点测试显示，他们能够更快地为90%的交易报价，降低交易成本，而且交易员更频繁地报出尽可能高的价格。在这篇报告的时候，没有关于这个试点的时间范围或者交易员到达报价的最初时间的信息。
ING还没有透露，已经使用这个特定的程序的客户端。
Kortical
Kortical于2016年在伦敦成立，目前约有7名员工。该公司提供一个名为AI的平台科尔，该公司声称这可以帮助企业进行预测分析。
当分析师和数据研究人员登录Kore平台时，他们可以单击“创建销售预测项目”。项目创建后，用户可以直接从计算机上传Excel表格中的数据。从那里，数据分析师可以添加“参数”来组织和清理数据。然后，程序指导分析员，向他们展示如何产生它所宣称的最适合分析他们数据的机器学习模型。据Kortic称，分析师可以利用其他培训工具进一步教授机器学习算法，以预测未来的结果。
我们能找到成功的案例研究，没有具体的实例除了在Kortical的网站上提及的那些。我们强调一个案例研究，在该公司声称已经帮助一家投资银行与加快交易风险的预测过程。
- 投行需要计算每晚近500万笔交易的预期投资回报率，这些交易是通过8万台电脑完成的。该行正利用人力分析师帮助对交易进行分类，这可能有助于加快这一过程，但受到交易数量的限制。
- Kortical声称他们使用科雷创建可以预测它可能需要多长时间来计算使用从投资公司，由人类分析师记录历史数据，每个行业的投资回报率的预测模型。（例如，他们可以识别模式，如通过投资公司交易似乎需要更长的时间来预测投资回报书桌交易完成。）
- Kortical声称，投资银行有30％在为期三天的平台后，继续对风险预测过程中所采取的总时间的改善调整为适应进一步的修改模型。
虽然有什么其他措施，在同一时期的投资银行把加快风险预测，或处理所需的原始时间是用人类的分析师没有什么信息。另外，也没有中过了多长时间到达后实施这项研究的最终结果的参考。
Kortical CEO阿历克斯·埃伦曾在雷丁大学获得控制论和人工智能学士学位和数据科学博士学位。他还担任了总部位于伦敦的初创公司Datamind的首席数据官。我们找不到Kortic在人工智能房地产项目中与大型公司合作的证据。
投资公司自动化市场数据收集
S形
S形该公司于2016年在纽约成立，目前约有18名员工。该公司为希望在金融、建筑、军事和技术领域利用人工智能的企业提供咨询服务。
Sigmoidal通过为人工智能集成提供咨询、软件开发、开发操作（DevOps）和数据标记服务来帮助企业。例如，该公司声称，它们可以帮助投资公司优化获取市场信息的过程，以使用人工智能算法（如文档分类或命名实体识别）识别投资机会。这可能使投资公司能够在没有任何人为干预的情况下发现市场发展的某些变化。我们将在下面详细解释：
- 投资管理公司寻找信息改变公司的管理结构代表在纽约证交所(NYSE)可能传统上完成这项任务通过人类研究分析师冲刷商业新闻页面和社交媒体收集组织变更在纽约证券交易所公司的列表。
- 像Sigmoidal这样的人工智能平台可能有助于使用“web scraper”自动收集信息，以首先聚合来自不同来源的数据。然后，该平台使用人工智能文本分类算法过滤出与投资者需求最相关的信息。(参见下面的图1 -来源)
- Sigmoidal声称，他们的平台还使用人工智能进行命名实体提取，其中的细节，如公司名称，位置可以从收集的数据中的文本识别。(参见下面的图2)
下面从公司的两个数字给看看在这个平台看起来像其用户的哪些功能。
图1:
图2:
图像反曲的
S形也声称开发了一个交易平台使用机器学习潜在跟踪用户的帐户活动，并了解如何在帐户的所有者可能会花，投资，并作出财务决策的个人模式;然后，该平台可以利用这些数据来创建个性化的投资建议给用户。虽然我们找不到任何坚固的个案研究或他们的平台的情况下，证据被用于交易应用。
该公司还声称使用了一个长期短时记忆回归神经网络（LSTM公司)这可能会提高对基金资产预期回报的预测。此外，据报告，该平台还能够估计资产的风险水平，尽管在编写本报告时，没有证据表明纯粹由于该平台的特点而获得了什么结果。
尽管该公司声称与NASA、DARPA、英伟达(NVIDIA)、微软、普华永道(PwC)、高盛(Goldman Sachs)和英特尔(Intel)有过合作项目，但我们找不到太多证据表明它们有过这样的合作。Sigmoidal目前的人工智能负责人马雷克Bardoński曾在波兰华沙大学获得计算机科学学士学位，并曾在英伟达担任高级深度学习研究工程师。
预测与建议
在投资银行AI的短期影响
由于存在多年前的历史交易记录，投资银行似乎已经具备了应用人工智能的成熟条件。在短期内，我们预计以下趋势将影响投资银行:
- AI可以帮助像加工贸易，在大多数投资银行路由自动化和优化任务，因为在更大的尺度，这些都是成为不切实际的人交易员和投资经理进行攻关。
- 人工智能有可能帮助投资银行预测未来的风险交易比人类的分析师快得多在未来五年内，它还可能广泛应用于数据收集的自动化(比如来自web的市场开发)。
- 利用人工智能分析市场发展和识别系统交易策略已经在交易所交易基金(etf)中得到应用，许多人工智能平台可能在不久的将来出现，专门帮助交易员和投资者选择最佳策略。
给投资银行业务领导人的外卖
- 投资银行需要铭记的是，虽然他们可能有机会获得历史交易数据，该数据可能是无用的，除非正确的“干净”，因此它可以被用于训练任何AI模式“标签”。
- 已经有AI的情况下，供应商提供了投资银行（实例S形）咨询服务。在AI整合小以往的经验银行可能会做得很好理解供应商在进行任何项目之前提供服务的范围。
标题图片来源：Pixabay
