每經記者專訪美國伊利諾伊大學香檳分校教授葉茂：金融科技發展出現了很大斷層

每經記者：張壽林 每經編輯：盧九安

圖片來源：受訪者 供圖

金融科技在中國熱潮湧動，在美國又是怎樣一番景象？日前，每日經濟新聞記者（下稱“NBD”）專訪了美國金融大數據與科技領域的頂尖學者之一、美國伊利諾伊大學香檳分校Gies商學院教授葉茂請他分享對美國金融科技發展及金融科技監管的研究經歷和體會。

葉茂專注於金融大數據和高頻交易的研究，2018年7月，他受邀在美國國民經濟研究局（NBER）第41屆夏季年會發表題為“金融大數據”的主旨演講。

葉茂介紹，大數據和人工智能在美國經濟學界也是比較新的概念，整個發展方向還不是很清楚。但機器交易在美國金融交易中已經佔到80~90%，現在金融科技發展出現了一個很大的斷層，學界、監管界與業界之間的差距在美國是巨大的，業界發展要快得太多。

機器之間出現分層

NBD：美國金融業在大數據以及人工智能方面的發展，國內對此瞭解並不多，請問美國的金融交易在這些方面目前已發展到什麼程度？

葉茂：在美國金融交易中，大數據和人工智能已佔據主導地位。如果看美國每天的交易量，機器交易最少佔70%，最大能佔到90%，具體比重取決於如何定義機器和人，我個人覺得應該在80~90%之間。而且隨著大數據和人工智能迭代更新，機器和機器之間也出現分化，按照速度可以分出多個層次

最快的機器交易已經在納秒級別，納秒是十億分之一秒，這種機器被稱為高頻交易者。我最初從高頻交易入手研究，但後來發現人工智能和大數據不是我們想得那麼簡單，在完全的機器和完全的人之間還有很多種不同的交易者。比如半人半機器交易者，它們的自動化程度有差別，高頻交易可以在納秒級別，慢一些的在毫秒級或者秒級。

比如大型的基金公司做交易決定的機器就比高頻交易者慢一些。一般來說，大型基金需要做兩項決定：一項是投資決定，一項是交易決定。假設我今天要買100萬股深萬科，這叫投資決定，可以交由人力研究；相比之下，大多數做交易決定的卻是機器，因為怎麼去買這100萬股是另外一個問題——比如我幾點幾分買，是否要拆成很多小單，這又涉及每分鐘交易多少，我是去掛單，還是和已經掛單的人交易等。

交易要達到納秒級別，首先要配置巨型計算機，但這又產生新的問題，巨型機會產生很大的熱量，就需要裝大型空調，巨型機和空調的龐大的重量最後導致了非常瘋狂的局面：他們發現，公司所在寫字樓整個地基都在下陷。也就是說，追求最快的結果就是，巨型電腦和空調機組的巨大重量導致大樓無法承受。所以事實上，基金公司做不到最快，只要做到比較快就行。

比這更慢的，就是通過人工智能、機器學習和大數據做投資決定的機器。投資決定比單純的交易決定要複雜得多，所以就沒那麼快了，從幾分鐘到一兩個月都有。

高頻交易、大型基金公司交易、機器投資決定，這都是機器進行交易的例子，但在這裡機器已經分出三個層次。

再說最快的機器交易——高頻交易，主要幹什麼？其中之一就是做市。做市要競爭極限速度，他們的機器在美國金融市場上速度是最快的。

NBD：目前您自己的研究項目有哪些？

葉茂：我目前的研究，一部分涉及大數據整個學科方向，一部分是對美國金融市場的研究。

這個項目也主要有兩部分，第一部分剛才已提到一些，美國在出現大數據和人工智能之後，大家對整個交易生態系統是不清楚的，就像我剛才所說，這中間至少我已發現三種機器交易層次。

所以，在人以外還有多少種機器行為，機器和機器怎樣交互，以及機器怎樣與人互動，這都需要持續研究。這種區分非常重要，因為機器和機器交易，會產生一些我們完全料想不到的事，比如死循環。為什麼這會在機器而不是人工交易中發生，因為人的速度不足夠快，但機器，可能一秒就發出數百次交易指令，如果再放到一個小時裡看，就會看到一些令我們匪夷所思的市場動態。

為什麼要研究這些，我特別想談的是，對於金融科技，其實業界的理解比學界和監管界要高很多，因為這裡面有很大的經濟利益。比如現在美國交易者使用的電腦，性能遠遠高於美國監管者！美國監管者要分析交易者的行為，就需要投入大量精力。2010年5月6日，美國股市發生了閃崩事件，股指暴跌一千點，大概五分鐘後又回升了。但就這大概五分鐘的事，美國證監會花了四個多月才大概明白究竟怎麼回事。

因為這需要了解整個生態系統，弄清楚他們是什麼樣的交易者，他們在幹什麼，如何交互作用，在什麼情況下會導致巨大的金融動盪等。這些問題都需要搞清楚，這也是我研究的一部分。

至於主持召開會議，我相信國內和美國一樣，因為金融和經濟學長時間屬於文科，現在大數據和人工智能發展起來，就愈加趨向於理工科方向。因此金融學發展至今就面臨幾個挑戰。第一，怎樣分析一個大規模的數據；第二，大數據和人工智能發展，對經濟學有什麼影響。

大數據和人工智能在美國經濟學界也是比較新的概念，整個發展方向還不是很清楚。所以我召開六次美國國民經濟研究局會議，組織大家一起討論學科方向。

由於是初次會議且性質是共同討論學科方向，因此我設立的與會門檻很低，只要寫兩頁研究提案就可以參加，接著就是大家按照提案去做，在研究過程中我們可以提供巨型計算機和雲計算支持，也就是數據存儲和計算的能力，然後出一系列論文，我們可能會在三大刊出專刊，專門講大數據該往什麼方向發展。

我去年在國民經濟研究局做的主旨演講提到，其實現在最大的問題可能還是定義問題，即什麼是大數據。

我提出，第一是大。小的數據，在收集的過程中可能產生選擇性偏差，通過大的數據進行分析，就可能得到不一樣的結論。以我第一個大數據項目舉例，當時我們得到了納斯達克所有的交易數據以及買賣單的數據，買賣單數據比交易數據要大很多，但是美國規定只需要報告交易數據。但我將這兩個數據一對比，發現不對勁。因為美國監管規定，如果你交易少於100股不用報告。這本是一個好心的監管，為了防止小型散戶被割韭菜，但自從金融科技發展起來，卻導致了反向的結果。因為機構可以通過計算機自動把100萬股交易拆為比如2萬個50股，就不用匯報了。實際上我們發現，低於100股的交易卻擁有最多的信息。

這就涉及大數據，實際買賣單數據比監管的數據更大，監管的數據有選擇性偏差。美國的監管體系是以人為主體設計的，對於大數據時代以機器為主的交易市場，舊的規則起到了正好反向的效果。當然，大數據的“大”是相對的。

第二是高維，在計量經濟學裡，我們有個原則就是，估計的參數數量不能超過觀測值的數量，比如處理30個數據，不能估計60個參數吧。但是高維數據，要估計的參數比觀測量還要多。比如，美國比較活躍的股票有幾千支，我可以通過幾千支股票的股價短時間內來預測別的某支股票價格。我們證明這是可以的。

第三是非結構。比如，我們通過微信對話留下的數據就是非結構的。把一個非結構的數據處理成有結構的，中間有很多方法。

所以我主持這些會議，就是討論新技術、新產生的數據對監管、對整個經濟學發展有什麼影響。又比如，假設我通過微信私下告訴你，明天上證指數要漲，你看到後隨手轉給另外一位朋友，信息就這樣傳遞開了。這叫口口相傳，以前經濟學沒法研究口口相傳的動態信息，因為我和你聊天沒有記錄，現在不一樣了，雲端都積存有交流數據。在大數據時代，有了新技術，原來很多不可以研究的問題一下子變得可以研究了。

所以我說的核心就是，大數據的研究方向其實在美國也沒有完全看清楚。在這一系列會議後就涉及選取哪些論文的問題，那麼判斷哪些論文研究的問題是不是有意思，最重要的考慮標準就是，它研究或者使用的金融科技在多大程度上拓展了我們對世界的認識，是不是能在一些我們以前無法研究的問題上給出答案。

業界發展遠遠快於學界和監管界

NBD：對於金融科技時代的金融監管，目前來看，感覺確實富有挑戰性。目前美國的監管科技發展得如何？您如何看當前美國的金融監管？對於金融科技時代的金融監管，您又有哪些思考和體會？

葉茂：金融科技的發展，從經濟學學者的角度看，我覺得基本思路是，對任何一項金融創新首先要問，它是不是解決了經濟學的某一個問題比方說減少了市場的摩擦。如果沒有，這可能就不值得關注。

美國金融監管也存在一些問題，第一，很多金融科技，可能是監管本身造成的。比如剛才說的交易彙報閾值為一百股的問題。美國的交易監管體系是以人為主體設計的，最初是為了保護中小投資者不被“割韭菜”，現在反變成“割韭菜”的工具。所以我所做的就是把它的設計從以人為主體改進為人機混合。這樣監管體系隨市場而變化，效果最終會不一樣。

第二，出臺的一項新政策，有可能和舊政策是衝突的。美國近幾年出現了一種新事物叫“暗池子”。就是在現有的證券交易所之外，有人另建交易平臺吸引買賣雙方按照證交所的價格交易，相當於我們說的場外交易。有人說要監管暗池：因為證交所好不容易發現的價格，被暗池直接盜過來用了。不過怎麼監管？那就是你建立暗池也行，但交易價格必須高於證交所的價格。這看似一點問題沒有，但美國另有立法規定，一家公司回購股票，為防止其操縱市場價格，要求掛單價格不能高於當時最高賣出價。就是說你只能在那掛著等別人賣，而不能主動接受別人的掛單。操縱價格，最簡單就是，比如說國內有賣一到賣五，我把它全吃了，價格不就漲了嘛！但你掛單，對市場價格影響其實很小，因為同一價格上掛單有快有慢，但公司回購掛單速度肯定慢。因為美國對公司監管比較嚴，撮合者需要查你是否違反現有法律，這樣掛單速度就慢了。於是掛單的公司就經常淪為隊列的最後一個，甚至最終無法交易。

而在暗池裡，交易可以不按先來後到排序，所以很多公司選擇暗池回購，但現在監管要求暗池若要交易，買入價要比現在的賣出價高，但如果這樣，你就是在操縱市場，因為之前已規定你不能高於賣出價，這兩項監管要求本身就互相沖突了。根據我們的研究，公司沒法回購了。所以，兩個看似都很有道理的政策，放在一起就沒道理了。

金融科技是非常複雜的，不停增加新的監管後，監管也變得愈加複雜，這些問題會始終出現在整個現代金融制度下，我相信每個國家都如此。最好的辦法就是需要很多學者嚴肅地研究，這也是我要召開這些會議的原因。因為很多問題如果不看數據，是完全想不到的。

美國教育鼓勵批判

NBD：我們知道您還曾獲得伊利諾伊大學全校“年度教育家”稱號，想請您談談您對美國教育的體會。也想請您介紹美國在金融科技教育方面的一些做法，以及您對金融科技教育方面的一些心得。

葉茂：關於教育體會，其實中國學生相對美國學生還是有很多優勢的，中國學生更加好學。但我覺得美國教育有個優點就是，鼓勵學生挑戰教授。我上課時，其實經常有學生提出非常難回答的問題。

美國人在這方面從小就做得比較好，他不輕易接受一個觀點。美國教育鼓勵你批判地接受一個真理，這種精神是我們國家的教育需要很大程度上提高的。但不是說，中國學生就差，其實中國學生的底子很紮實，如果有更多的創新和批判精神，可以做得和美國人一樣好，這一點我完全相信。

金融科技教育，就是工科和金融的結合，他們上課講的是一些基本原理，他們的作業是什麼？比如我的學生就要操作巨型計算機，不是要你成為這方面的天才，最重要的是克服對技術的恐懼，巨型機說難也難，但是真用過幾次後，其實就得心應手。具體的技術問題遠沒有我們想得那麼複雜，只是有時覺得這很難，可能就不去做這件事了。尤其是金融專業，本身也只用對巨型機掌握一些簡單應用就夠了。學生們畢竟還年輕，一旦克服了恐懼之後，其實可以走得更遠。

再比如編程之類，其實最後不是要你親自上陣編程，最重要的是你可以和與你學科背景不一樣的人很好地合作和溝通，而不是說把你變成技術人才。要對別人做出的成果有足夠的理解和尊重，這非常重要，因為不同學科的人思維方式很不一樣，有時大的壁壘其實並非技術，而是思維方式。所以就是兩點，第一是克服對技術的恐懼，第二是可以和技術背景的人合作，要求把金融人才變成編程人才，就本末倒置了。

NBD：從事金融交易時，學文科的和學理科的，從您的感受來看，二者在風格上有區別嗎？

葉茂：這又談到了前面講的幾種不同交易比如絕對高頻的和稍低頻一點的話題。在一個標準的投資基金裡，其中的人學科背景是不太一樣的。

絕對高頻交易中，計算機背景的人可能是主要的，也有其他學科如統計等，文科的集中在相對低頻上，他們要看公司報表。二者風格相差很大，差別大了就會出現文化衝突。

我相信金融企業會越來越多地出現類似情況，很大程度上，文科背景的要有適當的理工科思維，理工科的要有人文關懷，這是一個融合的過程。學科之間的技術差別還是次要的，思維方式的差別才是最需要重視的。最根本的就是，要敬畏自己不懂的學科，更要去了解，這非常重要。所以要有通識教育，大家不論學什麼學科都要有一些基本的背景，才能更好地溝通、合作。小到金融大到國家，他和我不一樣，但我們能夠合作，這很重要。

每日經濟新聞