大学的时候学的是自动控制专业，正是人工智能的寒冬。有一天我对神经网络产生了兴趣，所以我向一位老师请教如何学习神经网络。结果老师摇头说神经网络上个世纪研究的很烂。这幅画面至今记忆犹新，时常出现在脑海中。多年后，我仍然不解：神经网络真的无望了吗？可见，大学老师不能随便对一件事做出主观判断。今天我将从学习的目的、学习的内容和学习的方式三个方面来谈谈财经类学生如何学习人工智能。金融类人才→金融（金融）科技类人才由于知识背景和思维特点的差异，金融类和工科类学生学习AI的出发点和规律不同。工科学生上手容易，但在寻找应用场景方面较弱；财经类专业的学生专业知识较强，但对一些技术的掌握较慢。理想情况下，两者应相互合作或由财务专家领导工程专家。但从目前的情况来看，传统财经专业的学生很难具备这样的领导力。我觉得财经类的学生学AI不是要取代工科生，而是要成为领导角色。不是领导者，而是领导机器。这个领导角色有很好的专业知识，了解编程的基本逻辑，能够将人工智能的框架与专业知识的框架结合起来。这也是未来各行各业的顶尖人才必须具备的能力：你不需要非常擅长编程，但你需要知道程序是怎么写的，以及如何与技术人员沟通和合作。在进一步讨论之前，需要消除一个误解。现在很多人认为金融科技就是量化投资、robo-advisor等，很多财经专业的同学一听到这样的词汇就很兴奋，觉得自己高大上，趋之若鹜。我要泼冷水：在量化投资领域，财经类的学生基本敌不过工科生。因为这个应用场景过于简单，无法充分发挥金融和经济的优势。量化投资只是金融科技中一个非常简单的场景，其潜力被舆论高估了。真正的蓝海是其他更广泛的金融领域，比如会计、资产评估、保险等。这些领域的特点是商业模式更加复杂，需要更深厚的专业背景，不能简单地用一些复杂的机器学习算法来完成。金融类和经济类专业的学生应该重点关注这些行业，也就是与专业密切相关的领域。这是你真正有优势的地方。每个细分市场都需要一个AI。财经类的同学应该尽快思考如何在自己的领域设计和使用AI，有哪些数据可用。虽然在学校不能做一些很复杂的应用，但是应该做一些简单的培训，掌握基本的技能。毕业后，你将用一生的时间来优化和实现自己的人工智能，就像你的孩子一样，***。EconometricModel→DataScience那么接下来的问题是，用AI做数据分析和现在的计量经济学分析有什么区别？来自UCLA的SongchunZhu先生总结得很好。他讲得比我好，直接抄原文：同样在概率统计的框架下，目前很多深度学习方法都属于我所说的“bigdataforsmalltaskparadigm（大数据用于小任务）”。针对一个特定的任务，比如人脸识别和物体识别，设计一个简单的值函数Lossfunction，用大量的数据训练一个特定的模型。这种方法在某些问题上也很有效。然而，结果，这个模型不能被概括和解释。所谓泛化就是将模型应用到其他任务中，而解释其实是一个复杂的任务。这是一个必然的结果：你种的是瓜，怎么可能得豆？我多年来一直提倡相反的观点：人工智能的发展需要进入一个“smalldataforbigtaskparadigm”（smalldataforbigtaskstasks）”来塑造具有大量任务的智能系统和模型，而不是大量数据。按照朱老师的观点，我认为大家在课堂上学习的计量经济分析可以归纳为第三范式：smalldata,smalltasksparadigm（小数据用于小任务）。虽然我也认为大数据被夸大了，应该回到“小数据做大任务”的范式，但是从学习的角度来说，财经类的学生应该把这三种范式都训练一遍。大数据的优点是可以容错，容易生成一些模式，但是大部分领域的数据量和大数据相去甚远，对理解模型和场景的要求会更高，这是财经类学生的福音。在这里我还要强调一下，虽然衡量很重要，但也不能局限于这个层面。需要从数据科学的高度去理解数据，这样才能更好的理解新的概念和方法。数据是一个世界。我们谈到了三个问题：数据、模型（场景）和算法。这三个维度是AI的核心三角。一般来说，工程类人才强于算法和数据处理，弱于场景设计，金融类人才则相反，强于场景，弱于算法和数据。对于这个问题我的建议是，财经类的同学应该按照场景、数据、算法的顺序来设定优先目标。场景即建模，是专业知识的培养，永远是核心竞争力的关键。数据是第二优先。财经类的同学应该很早就开始思考，他们所在行业的数据从哪里来，有什么特点，应该如何组织结构化？关于数据，我的观点是公开数据就足以做出好东西。很多人一说数据就认为一定要有隐私数据。这种狭隘的认知，导致在大数据时代，数据孤岛现象更加严重。数据是江湖，只有数据是没有用的，你必须要有处理数据的技术能力。单个数据是没有用的，必须与其他数据融合才有价值。对于数据，我们要树立开放的价值观，共享胜于孤立。只有不断地与他人分享和合作，才能逐渐理解数据的内涵，构建更强大的人工智能系统。因为数据本身是死的，处理数据的方式才是关键。你和他人之间的联系就是方法的联系。如果你了解一个行业的公开数据，那么你就已经处于绝对的领先地位。还有一点要注意：一定要尽早积累原始数据，因为实际上很多数据会很快消失，时间可能是比数据大小更重要的维度。风险！风险！风险！那么金融专业的同学在设计场景的时候应该关注什么呢？简而言之：围绕风险做文章！第一波金融科技浪潮主要以办公自动化为主。提高效率和降低成本的系统和其他方法，而这些任务可以由一般专业的IT公司来承担。但在人工智能时代，核心问题不是效率或成本，而是风险管理。谁能用新的方法和数据发现未知的风险，谁就能占领该领域的新高地。因此，财经类学生在使用AI解决问题时，一定要紧紧围绕风险这个概念。请注意，此风险是广义风险，而不是简单的信用风险或交易风险。围绕风险找数据、设计模型，这个方向一定不会错。越早开始越好。有了上面的认识，下面说说基本的学习方法。财经类学生应该掌握哪些基本技能，什么时候开始学***？我觉得相关的学习应该从大学第一学期开始，现在重点是编程语言，比如Python。我发现很多同学到了研究生都不学Python，真的来不及了。Python应该是财经类学生的一门通用基础课。大二至少掌握以下基本编程技能，如：编写爬虫程序、抓取基础数据、调用程序接口、自动生成报告、使用AI开源平台等。有了这些准备，就可以开始收集数据和在大三时解决一些更复杂的问题。如果错过了上面提到的时间，那就比较麻烦了，因为大四的学生事情太多，相关的学习又得推迟到研究生阶段。一拖再拖，总是落后。对于一些AI算法，我的观点是你可以用，不需要去深究细节和原理，因为很多算法本身还是黑盒子。要充分利用网上的资源，尝试不同的场景，了解每种算法的优缺点，有兴趣的再深入学习。所以，一定要不怕困难，跟着葫芦娃学习也不失为一种好方法。财经类学生学习人工智能的方法还在研究中，我们的AI特训班还在摸索中。相信很快就会有好的经验供大家参考。请关注我们的后续文章。
