AI不斷在各個領域以實際表現彰顯其重要性，例如：語音辨識的正確度已達到同人類一般的水準；醫療領域中，AI在心臟病與中風診斷上表現得比醫生還精準。又如具有千年歷史的圍棋，AlphaGo Zero 只花了40天就達到了人類難以追逐的境界，其模型訓練時甚至不需人類的專家棋譜作為先驗知識。

相較於專注於圖像辨識或者自駕車技術的科技業，金融業界是相對較晚加入這場AI競賽的產業，然而國際間金融業者提出的應用卻絲毫不遜色。例如安永與資誠等會計師事務所互相合作，使用AI與無人機於稽核流程中，利用無人機計算自動化生產工廠場內載具的數量；或利用無人機進行圖像與物件辨識，協助零售業進行自動化的庫存計算。摩根大通銀行也提出合約分析智慧軟體COIN，即合約智能化(Contract Intelligent) 的應用，利用機器學習技術於商業放款合約的流程中，提升法務人員與信貸人員的效率，約當可以節省每年360,000 小時的時間。摩根大通銀行不只倚重雲端計算服務，也向APPLE、FACEBOOK等科技公司取經，吸取如何進行技術開發的經驗。其公司預算有三分之一將用於啟動新的IT計畫，未來更目標將IT預算提升至百分之四十，足見AI技術已被視為未來金融發展版圖不可或缺的一環。

 

元大投信智能投資 – 導入AI於投資流程中

資料來源: 元大投信 2018/08

 

而台灣的資產管理業者中，元大投信也致力於發展AI及Fintech相關運用，並貫徹到公司前中後台營運管理，從投資研究、智能營銷、風控系統、財務會計作業系統等皆積極結合AI相關技術，以落實智能化與自動化，並已取得多項發明與新型專利，涵蓋產品設計、財會作業、客戶服務等面向的多樣創新，充分展現創新發展企圖心與AI應用能力。

 

元大投信取得專利一覽表

資料來源:經濟部智慧財產局2018/08

 

深度學習 - 類神經網路

深度學習等人工類神經網路技術是基於我們”目前”對於大腦運作機制的理解，透過人工的方式模仿電子訊號在大腦皮質層中的神經元間傳遞而成的技術。例如我們可以很輕易的辨識出一隻貓，然而要如何讓機器理解它所看到的圖像進而辨識出貓呢？人類辨識出一隻貓的過程，我們粗略的簡化為：眼睛看到貓的影像，並將影像轉為電子訊號並傳遞至大腦，大腦皮質層中的神經元受這些電子訊號的激活，最終大腦告訴我們眼前的動物是一隻貓。而人工類神經網路則受到人類大腦運作方式的啟發，具有輸入層(input layer)、隱藏層(hidden layer)以及輸出層(output layer)等人工神經層，並以此為架構在神經層中則佈署了人工神經元來連接各個神經層。接著將圖像轉為機器可以理解的像素(pixel)並以數值的形式輸入至我們建置好的類神經網路，輸入層我們可以將它想像成是我們的眼睛，隱藏層則是我們的大腦皮質層，而經過運算後輸出層會提供最終的決策。

 

機器學習三個主要類別

前段所述關於圖像辨識的例子，正是機器學習方法中的監督式學習，意思是我們在訓練模型時事先就準備好了標準答案，以機器學習的術語則叫做給予資料「標籤」，在機器辨識數以萬計的圖片時，讓它知道其預測結果與真實答案間的差異，並從錯中學的過程中”學習”如何去辨識圖片中的”貓”。如同我們在成長過程中，也是不斷有人告訴我們什麼是對或者是錯，這樣的方法想想是否也很合理呢？

機器學習除了前述的監督式學習外，還有半監督式學習、非監督式學習與增強式學習等方法。金融相關的問題中，尤其是預測相關的應用，多半會選用監督式學習的方式，例如在模型訓練的過程中給予個股的歷史價格、技術指標、總體經濟指標以及財務報表等基本面資料作為輸入，並以目前的個股價格作為正確答案讓模型輸出的預測值與之比較，進而達到學習的目的。

機器學習於金融預測之示意圖

資料來源: 元大投信整理 2018/08

 

而非監督式學習則是不需要事先輸入標籤，典型的任務是分類找出具有相同特徵的資料群。例如元大投信即利用過去基金客戶實際交易行為之特徵(超過500萬筆資料)，透過K-Means演算法將客戶分群，應用至新客戶進行KYC時，問卷將依交易特徵問題來判斷投資人風險屬性。

 

KYC流程導入機器學習 – K-means演算法客戶投資屬性分群

資料來源: 元大投信 2018/08

 

AI 帶來的正面影響與管理意涵

我們的大腦仍是目前地球上最精密有效的”深度學習系統”。現時AI尚無法處理過於複雜的問題，例如無法像股神巴菲特一樣去評估與處理大型公司併購案。AI的真正優勢在於執行“標準化”與“重複性”的工作。透過AI的協助可以讓機構投資人與基金經理人將更多的時間用於策略建構與決策，降低資料處理、研究分析的準備時間，並在市場中持有更多複雜的部位。未來透過AI與人類的共同合作，AI-Powered的“Assisted Investing”將可以為資產管理業者與客戶創造出更多的價值。