金融を専攻する学生は人工知能をどのように学ぶべきでしょうか?

[[209094]]

大学時代の専攻は自動制御で、当時は人工知能の冬でした。ある日、ニューラルネットワークに興味を持ち、先生にニューラルネットワークの学習方法を尋ねました。その結果、先生は首を横に振り、ニューラルネットワークは前世紀に徹底的に研究されてきたと言いました。この光景は今でも私の記憶に新しく、よく頭に浮かびます。何年も経った今でも、私は非常に困惑しています。ニューラル ネットワークには本当に将来性がないのでしょうか? これは、大学の教員が何かについてあまりに主観的な判断を下すことができないことを示しています。

今日は金融系の学生が人工知能を学ぶ方法について、「学習の目的」「学習の内容」「学習方法」の3つの側面からお話します。

金融人材 → 金融（金融）テクノロジー人材

知識背景や思考特性の違いにより、金融系の学生と工学系の学生がAIを学ぶ際の出発点やルールは異なります。工学部の学生は始めるのは簡単ですが、応用シナリオを見つけるのが比較的苦手です。一方、金融系の学生は専門知識が豊富ですが、一部の技術を習得するのが遅いです。理想的な状況は、両者が協力し合うこと、または財務の専門家がエンジニアリングの専門家をリードすることです。しかし現状では、伝統的な金融を専攻する学生がそのようなリーダーシップを身につけることは困難です。

金融系の学生が AI を学ぶのは、工学系の学生に取って代わるためではなく、リーダーシップを発揮するためだと私は考えています。リーダーではなく、リーダーシップマシンです。このリーダーシップ役割は、優れた専門知識を持ち、プログラミングの基本ロジックを理解し、AI フレームワークを専門知識フレームワークに統合することができます。これは、将来、あらゆる分野の優秀な人材が身につけなければならない能力でもあります。プログラミングが上手である必要はありませんが、プログラムがどのように記述されるか、技術者とどのようにコミュニケーションを取り、協力するかを知っておく必要があります。

先に進む前に、誤解を払拭する必要があります。

現在、多くの人が金融テクノロジーとは定量的な投資や賢い投資アドバイザーなどであると考えています。多くの金融系の学生は、そのような言葉を聞くと興奮します。彼らはそれが高級なものだと思い、群がってきます。

冷や水を浴びせかけたいのですが、定量投資の分野では、金融を専攻する学生は基本的に工学を専攻する学生に敵いません。この応募シナリオは単純すぎるため、金融専攻のメリットを引き出すことができません。

定量的投資は金融テクノロジーにおける非常に単純なシナリオに過ぎず、その潜在力は世論によって過大評価されてきました。本当のブルーオーシャンは、会計、資産評価、保険など、他のより広範な金融分野です。これらの分野の特徴は、ビジネス モデルがより複雑で、より深い専門的背景が必要であり、これは単に複雑な機械学習アルゴリズムを使用するだけでは実現できないことです。

金融を専攻する学生は、専攻分野に密接に関連するこれらの業界に重点を置くべきです。ここが、あなたにとって本当に有利なところです。すべてのサブフィールドに AI が必要です。金融を専攻する学生は、できるだけ早く自分の分野で AI をどのように設計して使用するか、またどのようなデータが利用できるかについて考える必要があります。学校では非常に複雑なアプリケーションを作成することはできないかもしれませんが、基本的なスキルを習得するために簡単なトレーニングを行う必要があります。卒業後は、自分の子供と同じように、一生をかけて独自の AI を最適化し、実装することになります。

計量経済モデル → データサイエンス

では次の質問は、データ分析に AI を使用することと、現在の定量分析との違いは何でしょうか? UCLA の Zhu Songchun 教授がわかりやすくまとめてくれました。彼の説明は私よりも良かったので、私は原文をそのままコピーしました。

また、確率統計の枠組みの中で、現在の多くのディープラーニング手法は、私が「小さなタスクのためのビッグデータパラダイム」と呼ぶものに属しています。顔認識や物体認識などの特定のタスクでは、単純な価値関数損失関数を設計し、大量のデータを使用して特定のモデルをトレーニングします。このアプローチは、特定の問題に対しても有効です。しかし、結果として、このモデルは一般化して説明することができません。いわゆる一般化とは、モデルを他のタスクに使用することであり、説明は実際には複雑なタスクです。これは避けられない結果です。メロンを植えたら、豆が採れるでしょうか? 私は長年、反対の考えを主張してきました。人工知能の開発は「小さなデータ、大きなタスクのパラダイム (小さなデータで大きなタスク)」に移行し、大量のデータではなく多数のタスクを使用してインテリジェントなシステムとモデルを形成する必要があるということです。

朱教授の見解に従うと、授業で誰もが学ぶ定量分析は、3番目のパラダイム、つまり「小さなデータ、小さなタスクのパラダイム（小さなタスクのための小さなデータ）」に要約できると思います。私もビッグデータは誇張されすぎていて、「小さなデータで大きなタスク」というパラダイムに戻るべきだと考えていますが、学習の観点から見ると、金融を学ぶ学生は 3 つのパラダイムすべてについて訓練を受ける必要があります。

ビッグデータの利点は、フォールトトレラントであり、パターンを簡単に生成できることですが、ほとんどの分野のデータ量はビッグデータには遠く、モデルやシナリオを理解するための要件は高く、これは金融の学生にとっては朗報です。

ここで強調したいのは、測定は非常に重要ですが、そのレベルに限定すべきではないということです。新しい概念や方法をよりよく理解できるように、データサイエンスの観点からデータを理解する必要があります。

データは独自の世界である

これまで、データ、モデル (シナリオ)、アルゴリズムという 3 つの問題について説明してきました。これら 3 つの次元が AI の核となる三角形です。一般的に、エンジニアリングの人材はアルゴリズムとデータ処理に強いですが、シナリオ設計が弱く、一方、金融の人材はその逆で、シナリオには強いですが、アルゴリズムとデータには弱いです。

この問題に対する私の提案は、金融を学ぶ学生は、シナリオ、データ、アルゴリズムの順に優先目標を設定するべきだということです。シナリオ、つまりモデリングは専門知識のトレーニングであり、常に中核的な競争力の鍵となります。データは2番目の優先事項です。金融を専攻する学生は、業界のデータがどこから来るのか、そのデータにはどのような特徴があるのか​​、そしてそれをどのように整理し構造化するのかについて、非常に早い段階から考え始める必要があります。

データに関して言えば、素晴らしいことをするのに十分な公開データがあるというのが私の見解です。多くの人がデータについて話すとき、個人データが存在するはずだと考えます。この狭い認識により、ビッグデータの時代にはデータサイロの現象がさらに深刻化しています。

データは独自の世界です。データだけでは役に立ちません。データを処理するには技術的な能力が必要です。単一のデータは役に立たず、その価値を実現するには他のデータと統合する必要があります。データに対してオープンな価値観を確立する必要があり、分離よりも共有のほうが優れています。他の人と継続的に共有し、協力することによってのみ、データの意味を徐々に理解し、より強力な AI システムを構築することができます。データ自体は死んでいるので、データの処理方法が鍵となり、他者とのつながりは方法のつながりになります。 業界の公開データを理解していれば、あなたはすでに絶対的なリーダー的立場にいることになります。もう 1 つ警告があります。生のデータはできるだけ早く蓄積するようにしてください。実際、多くのデータはすぐに消えてしまうため、時間の方がデータ サイズよりも重要な側面になる可能性があるからです。

リスク！リスク！リスク！

では、財務を専攻する学生はシナリオを設計する際に何に重点を置くべきでしょうか?

一言で言えば、リスクについて大騒ぎしましょう!

金融テクノロジーの第一波は主にオフィスオートメーションに基づいており、財務管理システムなどの方法を導入することで効率性を向上させ、コストを削減します。これらのタスクは通常、専門の IT 企業が実行できます。しかし、人工知能の時代において、中心となる問題は効率やコストではなく、リスク管理です。

新しい方法とデータを活用して未知のリスクを発見できる人は、この分野で新たな高みに到達するでしょう。したがって、金融の学生が AI を使用して問題を解決する場合、リスクの概念に焦点を当てる必要があります。このリスクは、単純な信用リスクや取引リスクではなく、広範なリスクであることに注意してください。データを探し、リスクに関するモデルを設計することは間違いなく正しい方向です。

早く始めるほど良い

上記のことを理解した上で、基本的な学習方法、金融を学ぶ学生が習得すべき基本的なスキルは何か、いつから学習を始めるべきかについてお話ししましょう。

1年生の2学期からPythonなどのプログラミング言語を中心に関連科目を学び始めるといいと思います。多くの学生が大学院に進学するまで Python を学んでいないことに気づきました。それでは遅すぎます。 Python は金融を学ぶ学生のための公開基礎コースになるべきです。

2 年生までに、クローラー プログラムの作成、基本データのクロール、プログラム インターフェイスの呼び出し、レポートの自動生成、AI オープン ソース プラットフォームの使用など、少なくとも次の基本的なプログラミング スキルを習得している必要があります。これらの準備をしておけば、3年生からデータの収集やより複雑な問題の解決を始めることができます。

上記の機会を逃すと、上級生はやることが多すぎて、関連する研究を大学院レベルまで延期しなければならなくなるため、面倒になります。先延ばしを続けていると、常に遅れをとることになります。

一部の AI アルゴリズムに関しては、多くのアルゴリズム自体がまだブラック ボックスであるため、詳細や原理を詳しく調べなくてもそのまま使用できるというのが私の意見です。インターネット上のリソースを最大限に活用し、さまざまなシナリオを試し、各アルゴリズムの長所と短所を理解し、興味があればさらに深く学んでください。したがって、困難を恐れてはいけません。他の人の真似をすることも、学ぶための良い方法です。

金融学生が人工知能を学ぶ方法はまだ研究中であり、私たちのAI特別トレーニングクラスはまだ模索中です。すぐに皆さんの参考になる良い経験になると信じています。フォローアップ記事にご注目ください。