JP摩根关于金融人工智能与大数据投顾的超级详细报告

后台有若干读者反复留言，要求恢复此报告下载地址。

现将地址分享如下：

这个报告很长，总共278页，当然中间有快60页的关于数据提供商的信息介绍。撇开这块快60页的数据提供商的信息，JP Morgan的这个报告剩下的210多页的资料还是对业界人士、对非专业科研级人员而言，还是很有研读价值。我们五星推荐。

这个报告的好处至少有以下几个点：

第一、对大众普及了人工智能的基本知识，对金融从业人员、经济学科研人员而言，也是非常好的普及资料。

第二、对工程师，尤其是只懂机器学习理论的工程师，也算是普及了基础的金融学知识，比如：CAPM理论、因子分析、随机波动率模型、BSM期权定价公式、金融风险管理的基本理念都有涉及和介绍。

第三、对人工智能的知识的介绍也算是非常“深浅得当”，甚至不夸张的说，初级人工智能理论教材[注释01]里面的知识都算覆盖了。报告末尾还有数学附录，令人惊喜的是，竟然还讲了：随机波动率与粒子滤波器等概念。这是以往这种商业型报告很难见到的。

第四、注重实务操作，介绍和汇总的常用的金融从业人员所需要的Python包、R语言包，甚至还提供了建模框架所需要的代码。这是以往这种商业型报告很难见到的。

第五、这个报告可以帮助国内高校转变教学理念。希望各位知道这个时代的“时代关注点”是什么？因为人智时代真的来了，一切都在发生深刻变革，我们不该固守自封。对金融人才培养提出了全新的要求，甚至该是一种深刻的变革。传统金融人才培养模式是按经济学套路的培养经济学家的模式，说白了培养出来的是经济学家，而并不是金融产业人才。

100个金融专业的毕业生中，最后搞科研成为经济学家的其实是极少数，最多5个，而绝对多数人都是要走上金融工作岗位的，所以其实人才培养的关键该是多给毕业生充实金融产业技能知识，这才是他们以后能在金融行业立足的真正资本。我们不能老是利用经济学思维来束缚金融学人才培养，甚至不顾金融行业发展（尤其是金融人才市场需求）的规律瞎指导，而且还是老用老旧的西方经济学思维来指导现代金融人才培养（当然，加设些马列主义经济学或者社会主义经济学的课程倒是可以考虑，因为现在国内高校过度西方经济学化确实有待商榷[注解02]）。现阶段，金融学人才培养计划里面至少该开五到六门涉及大数据、人工智能、高频交易与统计套利的现代金融课程......还包括开始普及Python、R语言等编程的计算机课程............最好能直接教学生使用深度学习的数据包，比如:tensorflow,keras,caffe等.......这才是真的为祖国培养有需要的复合型人才。如果我们培养的金融专业毕业生根本都不懂现代金融知识和现代金融技术，如何指望他们守卫祖国金融安全？保家卫国，最终关键拼的还是“人才”。

言归正传，这个报告还是非常好的。对于业界人士或者非专业量化金融人士而言，信息量看起来还是非常大的，而且也是干货满满。

所以，适合初学量化人士阅读，让你有个大局观。因此，我们觉得不错。

[注释01]我在这里说的初级人工智能理论教材指的是《统计学习导论:基于R应用》（作者：加雷斯·詹姆斯（Gareth James） （美国）丹妮拉·威滕（Daniela Witten） （美国）特雷弗·哈斯帖（Trevor Hastie） （美国）罗伯特·提布施瓦尼（Robert Tibshirani））一书。

【注释02】而是希望各位需要知道现在当下西方经济学研究的主流思潮是什么？主流思潮是重“解释”（说白了就是一定要“搞清楚”一些事情的因果关系和运行机理，但是结果是很多实证解释是非常牵强的，而且也不具有“复现性”，必定没有人能两次跨过一条河流，说白了就是对未来没有太多指导性意义。），此外当下西方经济学，几乎不重“预测”（预测被认为是一种“实用主义”，西方经济学其实骨子里不喜欢实用主义。），不重实验的可预测性和复现性（模型开源程度和代码开源程度远低于人工智能领域，因为模型不开源或者代码不开源，于是实验结果是否能复制或是否能复现，是要打很多问号的）。而根据邓公的观点，也是一直支持我们不断取得伟大成就的观点是“黑猫白猫捉到老鼠就是好猫”，“实践是检验真理的唯一标准”的思想，这就是一种“预测”的观点（说的专业一点就是，我们不能老盯住样本内，in-sample数据的解释,而对样本外数据却完全不重视，故意视而不见，甚至刻意回避测试集测试出来不满意的结果。理论再好，不能做预测，不能在未来“复现”其结论，就如同再好的猫捉不到老鼠）。结论是什么呢？

其实就是，指导我国经济发展理念的本源思想更契合人工智能、统计学习理论的思维模式（只是可能我们社会主义经济学家确实没意识到这一点）。此外，谷歌科学家也说过，其实人，不可能是什么搞清楚了所有事情，才去做一件事情，人自己都不知道大脑是如何运作的，但是却不影响人做决定，这就是人的伟大之处。

下面言归正传，我们截取了一些报告内容和大家分享一下，为啥说这个报告是个知识面覆盖非常全的报告呢？眼见为实，下面举例。

比如下图，给出了一些基本的常用的量化分析代码实现。

该报告还介绍了如何使用Python的算法包调用若干常见的人工智能模型（注意是若干！真是很细致的举了几乎所有常见的人工智能模型......），具体见下图的截屏。

报告还有高度的理论知识。比如介绍了Vapnik-Chervonenkis维度的概念，该概念是理论计算科学的概念（也是SVM的理论概念之一）语言通俗易懂，一看写报告的就是个人工智能领域的高手。

我们也介绍过人工智能的大牛Vanpik,他是SVM的创始人。

言归正传，在JP Morgan报告里我们看到了我们量化金融人员常用的随机波动率模型。我们还知道对随机波动率模型而言，如果我们要对模型参数的校准，我们需要用到粒子滤波器，该报告也有介绍哦！所以，学术水平并不低。

简单说一下粒子滤波器与卡尔曼滤波的关系。如果是线性状态方程，我们用卡尔曼滤波，如果是非线性模型我们用粒子滤波器。粒子滤波器并不是什么新概念，从理论成熟到现在也快20年了，粒子滤波器也有问题，就是粒子退化的问题......随机波动率，当然是非线性状态模型，所以自然要用到粒子滤波器。本推文分享过很多关于卡尔曼滤波及其代码实现的问题，各位可以自己去找找以前的推文。

最后，对于非金融人士或者刚入金融行业的小白普及一个常识，不要一直对以下问题始终傻傻分不清楚。

Q1: “大摩”指的是哪个公司？

A1:指的是 摩根史坦利（Morgan Stanley）

Q2:"小摩"指的是哪个公司？

A2:指的是 J.P 摩根（J.P Morgan）,中文翻译叫摩根大通，全称是：JPMorgan Chase & Co。

Q3:“摩根大通”和“大摩”是一回事吗？

A3:当然不是。

Q4: 大摩 和 小摩 是一个公司吗？

A4: 当然不是！

Q5:如何区分大摩和小摩

A5: 金融界的著名“摩根”公司有两个,国内习惯把摩根史丹利(Morgan Stanley)称为“大摩”,摩根大通(JPMorgan Chase)称为“小摩”。不过实际上后者经济实力大于前者。摩根士丹利原是摩根大通（又称FP摩根）中的投资银行部门，1933年美国经历了大萧条，国会通过《格拉斯—斯蒂格尔法》(Glass-Steagall Act) ，禁止公司同时提供商业银行与投资银行服务，摩根士丹利于是作为一家投资银行于1935年9月5日在纽约成立，而JP摩根则转为一家纯商业银行。但是上世纪90末，因为美国开始允许金融机构混业进行，JP摩根后来在2008年金融危机前也发展成为了全能型金融机构，成为了金融巨无霸。