浙江工商大學人文社會科學資深教授，阿里巴巴集團第三屆學術委員會委員，浙江工商大學應用經濟學一級學科博士點學術委員會主任，浙江工商大學學術委員會副主任，浙江工商大學經濟學部主任，享受國務院特殊津貼，浙江省有突出貢獻的中青年專家。
摘要
金融大數據和大數據金融，是兩個具有不同內涵的概念，我們有必要在區分各自內涵的基礎上，通過分析金融大數據構成來說明用于金融決策的信息來源，通過分析大數據金融這一動態過程來論證大數據、互聯網和人工智能等的融合對金融決策行為的重塑。對于大數據金融，無論是分析它的操作過程還是應用場景，都必須對大數據金融實施平臺和技術條件配置作出分析的同時，對云計算、機器學習等人工智能手段作用于大數據金融發展的過程進行分析。本文在考察金融大數據構成的基礎上，力圖通過大數據金融的研究來揭示將來人類金融決策行為有可能產生的一般機理。
1
金融大數據構成及內涵考察
金融運行和金融發展是人類經濟文明的一個重要組成部分。從反映人類文明的人文主義看，大數據問世前后的人文主義是不同的。在大數據問世前的農業化社會直至工業化社會的初期和中期，盡管出現了各種風靡一時的人文主義，但科技因素對人文主義的影響通常是從屬于文化因素的；大數據問世后，科技人文主義有著逐步取代歷史上各種人文主義的趨勢。推崇大數據的未來學家是科技人文主義的信奉者，他們認為將來一切都由大數據主宰，人類所有活動和自然界所有現象都將會成為一種“算法”。世界的未來大勢果真如此嗎？對此，經濟學家可能不敢貿然下結論，但在大數據、互聯網和人工智能等相融合的今天，金融運行和金融發展作為人類經濟活動的重要領域，有許多可通過現象捕捉和把握的機理，需要經濟學家去研究。
事實上，大數據是自有人類就存在但直到工業化后期才出現的概念，該概念既包括數字化數據，也包括非數字化數據；既包括人類社會活動留下的所有痕跡，也包括自然界所有現象的痕跡。同時，它不僅包括已發生事件的歷史數據，而且包括正在發生事件的現期數據和將會發生事件的未來數據。我們現今描述和論證的大數據，主要是針對人類活動而言的，如工業大數據、農業大數據、消費大數據、金融大數據、投資大數據、社交媒體大數據以及人們衣食住行各種分類的大數據等。就金融大數據而論，它主要由金融機構、廠商、個人和政府當局在投資、儲蓄、利率、股票、期貨、債券、資金拆借、貨幣發行量、期票貼現和再貼現等構成。大數據構成的分類權重很復雜，需要我們利用云平臺和運用云計算、人工智能技術來處理，而不是簡單加總就可以作為決策依據的數據。換言之，理解金融大數據的構成并不難，困難主要發生在如何搜集、整合和分類大數據的分類權重，以及如何對這些經常變動的金融大數據進行挖掘、加工和處理。
金融大數據內涵，可以理解為大數據中蘊含的反映人們金融交易行為互動的基本信息，這是一種依據“信息來源于大數據”的認知而得出的理論考量。比較金融大數據內涵與金融大數據構成，兩者之間存在關聯；前者會在一定程度上規定后者，這主要體現在大數據分類構成及其權重變化會導致金融運行有可能出現的機遇、風險或危機等方面；金融大數據內涵并不等價于金融大數據構成，這是因為，金融大數據內涵在一定程度和范圍內要受到政府宏觀調控政策及其制度安排的影響，以至于人們難以依據金融大數據構成進行決策。這個問題會涉及金融大數據外延，以及人們根據金融大數據進行決策會不會出現偏差等的討論。不過，我們在一般理論層面上討論金融大數據內涵，把聚焦點放在金融大數據構成上，應該說抓住了問題分析的癥結。
金融大數據內涵具有極大量、多維度和完備性等特征，人們根據金融大數據進行決策，需要有處理這些特征的新科技手段。在現已運用的新科技中，云平臺是搜集和分類極大量和完備性之大數據的基礎，集約化云計算是加工和處理極大量和完備性之大數據的主要技術手段，機器學習、物聯網、區塊鏈等其他人工智能技術則是對多維度大數據進行甄別、判斷和預測的主要分析工具。人類運用新科技手段對金融大數據的挖掘、搜集、整合、分類、加工和處理，存在著效用函數的評估問題。從正確把握金融大數據內涵從而消除金融活動不確定性來考察，該效用函數要取得最大值，關鍵是人們不僅要能加工和處理歷史數據，而且要能加工和處理現期數據和未來數據，并且能夠從歷史數據、現期數據和未來數據中獲得準確信息。金融大數據內涵既可以從靜態上理解，也可以從動態過程解釋。顯然，經濟學家分析現期數據和未來數據是對金融大數據內涵的動態研究，它是我們解說金融大數據內涵的分析基點。
社會物理學認為人們面對未來決策存在“想法流”（彭特蘭，2015），這個想法流與人們行為之間有著可靠數量關系，它會改變人的選擇并能夠推動創新。這個觀點的啟示是，我們可以把金融領域已經發生事件的行為數據，定義為金融機構、政府當局、廠商和個人的“行為數據流”，把金融領域尚未發生但即將會發生事件的行為數據，解說為金融機構、政府當局、廠商和個人的“想法數據流”。在結合金融大數據是數字化數據與非數字化數據之和的規定下，我們可得到以下等式：金融大數據 = 行為數據流 + 想法數據流 = 歷史數據 + 現期數據 + 未來數據 = 數字化數據 + 非數字化數據。這個系列等式非常重要，它在很大程度和范圍內揭示了金融大數據內涵，給我們提供了一幅研究正在興起的大數據金融的分析圖景。
大數據金融，主要是指運用大數據分析方法從事金融活動的方法和過程，即廠商、個人和政府通過云計算、機器學習、物聯網、區塊鏈等人工智能技術來匹配金融大數據的方法和過程。大數據金融反映的是，金融機構、政府當局、廠商和個人正在進行決策的具體過程。較之于金融大數據，大數據金融關注大數據工具的選擇和運用，強調金融活動主體在互聯網擴張過程中掌握和運用云平臺、云計算、機器學習、物聯網、區塊鏈等人工智能手段的技術層級，注重金融活動的效用函數。從數字經濟運行角度看，大數據金融的落地過程伴隨著互聯網、大數據和人工智能等相互融合的運行過程。
2
大數據金融的實施平臺和技術配置分析
大數據在各行各業廣泛運用的背景是互聯網擴張，信息互聯網由PC互聯網發展到了移動互聯網，物體互聯網由物聯網和人工智能兩大塊構筑，價值互聯網通過區塊鏈開始嶄露頭角。互聯網擴張的直接后果產生了以互聯網為平臺、以大數據為基本要素、以云計算和機器學習等人工智能為手段的數字經濟。數字經濟涉獵范圍很廣，大數據金融便在其中，換言之，互聯網擴張是大數據金融的實施背景。
（一）互聯網擴張為大數據金融提供平臺，大數據金融會借助這個平臺得以縱深發展
在數字經濟開始滲透宏觀和微觀經濟領域的當今世界，廠商與廠商、廠商與政府、廠商與消費者之間的行為互動，已充分反映出互聯網擴張態勢。隨著5G通訊、社交媒體、傳感器、定位系統等的覆蓋面越來越寬廣，信息互聯網、物體互聯網和價值互聯網會提供海量數據，這些海量數據為從事大數據金融的金融機構、政府當局、廠商和個人提供了操作依據，這主要體現在以下幾方面：（1）利用新科技手段對大數據進行搜集、整合、分類、加工和處理，以獲取用于決策的準確信息；（2）利用互聯網與5G通訊、社交媒體、傳感器、定位系統等的關聯，建立金融大數據平臺；（3）通過金融大數據平臺實現數據智能化和網絡協同化。就互聯網擴張與數據智能化、網絡協同化的聯系而論，大數據金融在要求極高的數據智能化的同時，也要求協同交易的網絡協同化，但這兩項要求都離不開互聯網擴張。
從金融交易行為互動看，從事大數據金融的各主體借助互聯網擴張，能否取得效用函數的滿意值，主要看能不能實現數據智能化和網絡協同化，以及能不能實現網絡協同效應。以上表述或許夾帶著經濟和技術參半之意境的“形而上”，但不管怎么說，從事大數據金融的各主體要取得滿意的效用函數，必須提升對金融大數據的挖掘、加工和處理的技術層級，必須在面對投資、儲蓄、利率、股票、期貨、債券、資金拆借、法定準備率、期票貼現率和再貼現率、貨幣發行量等金融大數據時，能夠甄別和判斷出扭曲信息和虛假信息，從而在較高數據智能化水平上實現網絡協同效應。事實上，如果從事大數據金融的主體能實現網絡協同效應，不僅意味著他們的數據智能化能力達到了與客戶協同的知己知彼水準，而且也意味著他們借助互聯網擴張取得了很大的成功。但在現實中，不同主體的數據智能化和網絡協同化水平是不同的，追溯其源，是因為他們具有的技術條件配置不同。互聯網擴張為大數據金融提供了數據智能化平臺是一回事，各決策主體能在多大程度上利用這個平臺從而達到一定的技術層級卻是另一回事。
（二）大數據金融要求一定水準的技術條件配置，各金融主體達到這一水準后，才有可能實現網絡協同效應
這里所說的技術條件配置，是指挖掘、搜集、加工和處理大數據的云平臺、云計算、機器學習等人工智能技術及其組合。為分析方便計，我們把能夠搜集、整理和分類大數據，但不獨立擁有云平臺和不具有云計算能力的金融運作者，界定為低技術條件配置者；把既能夠搜集、整理和分類大數據也能夠加工和處理大數據，并且擁有云平臺和具有云計算能力的金融運作者，界定為中等技術條件配置者；把完全具備以上技術條件配置并且還能夠挖掘大數據的金融運作者，界定為高技術條件配置者。顯然，這樣的劃分主要是針對未來情形而言的，這樣的劃分對大數據金融的運行有以下推論：不同技術條件配置者由于技術層級的差異，他們對金融大數據及其構成的加工和處理能力便存在差異，高技術條件配置者要比中低技術條件配置者能更加準確地開發、設置和運營金融品種，能夠在高層級數據智能化基礎上達到網絡協同化，能夠在取得滿意效用函數值的同時實現網絡協同效應。
網絡協同效應是以網絡協同化為基礎的。與實體經濟中廠商之間以及廠商與消費者之間的網絡協同化一樣，大數據金融中的網絡協同化所面臨的經營場景，也可劃分為簡單和復雜兩種類型；對于具備新科技條件配置的金融運作者來講，要實現網絡協同效應，只是具備駕馭簡單運營場景是不夠的，而是必須具有駕馭復雜運營場景的勢力。例如，一個從事多元化經營的金融機構通常要比單一經營國債或單一經營股票或單一經營期貨的金融機構，具有應對復雜場景的網絡協同化能力。聯系技術條件配置看問題，由于高技術條件配置的金融機構可以通過云平臺搜集、整合和分類諸如投資、儲蓄、利率、股票、期貨、債券、資金拆借、法定準備率、期票貼現率和再貼現率、貨幣發行量等的大數據構成及其變動，他們在加工、處理和匹配這些大數據時可得到高水準的云計算和機器學習等人工智能技術的支持，因此，這樣的金融機構一定會遠超低技術條件配置的金融機構而取得網絡協同化，從而實現網絡協同效應。
當我們再此論及網絡協同效應時，問題的分析畫面開始轉向清晰。高技術條件配置的金融機構之所以能夠在網絡交易平臺上對復雜金融產品有協同效應，是因為高層級的數據智能化給他們提供了加工、處理和匹配金融大數據的支持，對于那些受政策或制度安排變化干擾的金融產品，他們利用云計算、機器學習、物聯網、區塊鏈等人工智能技術匹配金融大數據的優勢就顯示出來。例如，像債券、資金拆借、期票貼現及股市或期市等衍生金融產品，往往會成為高技術條件配置金融機構的經營專利，而那些中低技術條件配置的金融機構，便很難通過匹配金融大數據將這些金融產品作為經營對象。于是，在高技術條件配置的金融機構經營這類屬性的金融產品的過程中，大數據金融會形成因網絡協同效應而引發的進入壁壘。大數據金融引發進入壁壘這種現象，現階段還只是處于端倪狀態，它何時會成為常態呢？這個問題仍然可以從技術條件配置的變化得到說明。
（三）新科技條件配置的頂級狀態是人工智能可以匹配現期數據和未來數據，這種狀態預示著大數據金融的未來
如上所述，金融大數據主要是正在發生事件的現期數據與尚未發生事件的未來數據之和，這兩類數據的共同特征是它們都具有極強的不確定性，都需要挖掘才能獲得。然則，挖掘大數據與搜集大數據不是一回事。大數據的搜集，是以發生了的歷史數據為對象的，它可以通過互聯網搜索引擎和程序的較成熟的人工智能來完成；大數據的挖掘，是以還沒有發生的未來數據為對象的，現有的各種人工智能技術還沒有發展到能成功地挖掘大數據的水平。大數據金融運行中尚未發生的待挖掘數據，是人類經濟活動中最不確定性的數據。就人類挖掘和匹配金融大數據的新科技條件配置而論，如果能夠挖掘和匹配還沒有發生的金融大數據，應該說人類新科技條件配置達到了頂級狀態。
在信息不完全的工業化時代，經濟學從未停止對經濟活動的假設、判斷和預測的研究，經濟學家從關注預測、估計和假設檢驗的統計學，到注重因果關系分析的計量經濟學，再到幾乎單一強調預測的機器學習，十分清楚地體現了經濟學追求數據匹配以實現準確預測經濟事件的思想軌跡。在大數據和互聯網時代，隨著機器學習方法正在逐步解決計量經濟學因樣本小和維度低之處理數據的局限，原先計量經濟學和機器學習之間不相容甚或相悖的地方出現了交集, 并開始出現交集增大的融合。但是，機器學習等人工智能技術迄今的發展水準，充其量只能加工、處理和匹配歷史數據，并不能加工、處理和匹配大數據金融亟需要解決的現期數據和未來數據；以機器學習為代表的人工智能技術的發展空間是巨大的，作為對問題深入研究的一種探討，如果人類在將來能夠運用機器學習方法解決現期數據和未來數據的加工、處理和匹配，那么，機器學習將有可能成為新科技頂級條件配置的標志。
3
機器學習：推動大數據金融發展的人工智能技術分析
當今世界的金融運行和發展，正在朝著大數據金融的運作方向邁進。我們可對這個方向作出以下高度概括性的描述：金融運行將以搜集、整合、分類金融大數據，發展到挖掘、加工、處理和匹配金融大數據。換言之，當人們對金融大數據采取以機器學習為核心的人工智能方法進行挖掘、加工、處理和匹配時，金融運行便開始從金融大數據走向大數據金融。從機器學習在新科技應用中扮演的角色考察，無論是以許多簡單模型代替單一復雜模型，進而得到大量計算機服務器支持并廣泛運用的“數據驅動法”，還是以計量經濟學為底蘊從而將人工智能作為通用技術使用的分析方法，機器學習都將成為赫然貫穿其間的主要技術方法。大數據金融給我們提供的總體畫面是：在機器學習這一典型人工智能的引領下，經濟學分析方法或許要發生讓主流經濟學家大跌眼鏡的變革。
（一）機器學習技術及其類型不斷提升的過程，是大數據金融發展的過程，這個過程代表著金融運行的未來趨勢
機器學習是指通過對海量數據之多維度的分析處理，甄別和剔除扭曲信息和錯誤信息，通過搜尋真實或準確信息來實現最大化決策的一種匹配大數據的人工智能方法。學術界根據機器學習的特征，將之分為監督學習（Supervised Learning）、無監督學習（Unsupervised Learning)和強化學習（Reinforcement Learning）三種類型。監督學習與無監督學習之間的區別，在于學習過程中有沒有標簽的數據樣本。對于大數據金融來說，由于不同金融產品具有不同資本屬性，具有不同的價格數據，金融機構通常會運用具有回歸算法和分類算法的監督學習，按照數據輸入和輸出的一般法則，通過建模對這些數據展開機器學習。另一方面，在大數據金融的運行中，基于任何一種金融產品都不明顯具有反映明確收益的特征，金融機構也會運用沒有數據樣本標識的聚類算法來進行無監督學習，以期通過機器學習來體驗和匹配各種不同金融產品的大數據，進而運用于自己的決策。
不過，針對大數據金融之數據多維度的復雜性，監督學習和無監督學習只是金融大數據走向大數據金融中的基礎性機器學習方法；它們通常局限于歷史數據，對現期數據的匹配還有相當大的距離，至于把未來數據轉化成“算法”則是很遙遠的事。目前正在廣泛運用的強化學習（Reinforcement Learning），是一種在動態環境中不斷試錯從而努力使決策最大化的人工智能算法；強化學習比較適合于金融機構對短期金融品種的經營，能在一定程度和范圍內匹配現期數據，但它還是望塵莫及于未來數據。隨著大數據金融的進一步發展，金融機構開始使用迄今為止最先進最深邃的深度學習（Deep Learning）方法，機器深度學習方法之所以被廣泛運用于大數據金融，是因為它將以大數據的多維度為鍥入口，通過多層次神經網絡的設計，把低層級特征數據與高層級特征數據相結合，以揭示大數據的分布特征；深度學習推動了人工智能技術的進一步發展，但它仍然不能處理和匹配現期數據和未來數據。
大數據金融的未來發展趨勢，是具備頂級新科技的金融機構能夠匹配現期數據和未來數據，這要求金融機構以機器學習為代表的人工智能技術的快速提升。誠然，人工智能技術的提升是計算機專家或大數據專家的事，但金融機構需要借助頂級人工智能技術把金融大數據轉化成“算法”，這可以理解為是金融運行未來發展的趨勢。學術界有一種隱隱約約將大數據理解為新科技靈魂的看法，這個看法比較切合于對大數據金融之未來發展趨勢的詮釋。我們關于金融大數據和大數據金融之相關性的理論論證，需要對大數據展開基礎理論方面的討論。
（二）大數據思維會代替過去只依據部分數據進行推論的因果思維，隨著大數據金融的發展，在將來金融機構的因果推斷中機器學習會得到越來越多的應用
大數據思維本質上仍然是因果思維，但較之于過去那種只依據部分數據進行推理的因果思維，它是建立在決策信息來源于大數據這個推論之上的，大數據思維反映了工業化時代人類運用有限樣本數據不能準確剖析事物因果關系從而不具有總體性和相關性的缺陷；關于這個問題，舍恩柏格曾通過對大數據分析如何提示人類取舍信息的解說，對大數據思維是一種包含總體思維、相關思維、容錯思維和智能思維的模式作出了論證。總的來講，金融機構投資經營的效用函數會驅動他們放棄傳統因果思維模式，金融大數據的極大量、多維度和完備性等特征，會要求金融機構采取容納總體思維、相關思維、容錯思維和智能思維的大數據思維模式。大數據金融的發展會催生出新的人工智能方法，但到目前為止，機器學習方法在金融大數據的因果推斷及其應用中，還沒有顯示將要退出人工智能首選位置的跡象。
機器學習之于選擇行為的預測，越來越顯示出機器學習在因果推斷中的極強應用前景。計量經濟學融合機器學習方法是一種學術趨向。從學科發展和大數據金融的未來發展考察，有一點幾乎可以肯定，那就是這種融合會產生一種以機器學習為主、經濟計量為輔的格局。這可從以下兩方面說明：1、基于利用常規傾向性得分匹配法（Propensity Score Matching）得出的估計難以在協變量眾多的前景下進行，機器學習可以采用套索算法（LASSO）和隨機森林（Random Forest）等方法來篩選眾多協變量，以代替傳統步驟對大數據進行的匹配；2、機器學習重視因果推斷中的異質性處理效應（Heterogeneous Treatment Effect），這將在很大程度上彌補過去因果關系推斷只關注平均處理效應（Average Treatment Effect）的不足。金融大數據包含眾多協變量，它在數據匹配和數據異質性處理等方面，一定會隨大數據金融之覆蓋面的進一步拓寬而復雜化，因而機器學習方法的應用空間是巨大的，這是其他人工智能手段無法比擬的。
大數據金融中的機器學習應用空間拓展的效應，突出反映在金融機構對現期數據和未來數據的挖掘、加工、處理和匹配上。對于金融機構來講，如果他們的數據智能化達到很高乃至于達到頂級水平，那便意味著機器學習將會深入應用到各種金融產品及其組合的相對準確的預測上，投資效用是很高的；反之，則表明金融機構駕馭金融大數據的能力還處于較低層級，意味著機器學習的應用水平還有很大的提升空間。我們如何對這種情形作出一般理論概括和描述呢？很明顯，這個問題的分析需要結合金融機構的理性選擇行為以及大數據金融的實踐展開。
（三）在大數據金融的實際運行中，金融機構的決策行為仍然是理性選擇，他們具有怎樣的數據智能化層級就會有怎樣的效用函數值
互聯網擴張時代的一個基本事實是，金融機構的選擇行為正在逐步擺脫信息約束和認知約束。以信息約束而言，金融大數據的完備性和極大量具備了提供完備信息的基礎，金融機構可通過5G通訊、互聯網、物聯網、傳感器、定位系統、社交媒體等，去搜集、整合和分類各種金融產品的大數據；可通過云平臺、云計算、機器學習、物聯網、區塊鏈等人工智能手段，去加工和處理各種金融產品的大數據，于是，信息約束的局面將隨金融機構能夠從金融大數據中獲取大量信息而逐漸被打破。就認知約束而論，金融機構可通過云平臺、云計算、機器學習等人工智能手段，通過對金融大數據進行多維度分析以取得正確認知，從而使認知形成過程由以前明顯夾帶主觀判斷的分析路徑轉變成主要依靠新科技的認知路徑。這種轉變實際上是改變了金融機構的理性選擇的內容和過程，以至于悄然改變了金融機構的認知函數、偏好函數和效用函數，值得經濟學家深入思考和研究。
金融機構擺脫了信息約束和認知約束，不僅是對以新古典經濟學為底蘊的主流經濟理論的期望效用函數（Neumann and Morgenstern，1947；Arrow and Debreu，1954）的否定，而且也是對以行為和心理實驗為基礎的非主流經濟理論（Kahneman and Tversky,1973,1974,1979; Simth,1994）提出了嚴重質疑。大數據金融實踐在理性選擇理論上向我們展現的基本分析線索和畫面，既不是傳統理論在“經濟人假設”基礎上通過給定條件約束和運用嚴密數理邏輯推論所得出的何種選擇才符合理性，也不是運用大量數學模型來解釋什么樣的選擇才是能實現最大化的理性。結合機器學習等人工智能手段的運用來理解，這種畫面可以解釋為是“人與數據對話”以及“數據與數據對話”。需要說明的是，這兩種對話形式與經濟行為主體的新科技層級相關聯。
如上所述，依據云平臺、云計算、網絡協同、機器學習等人工智能技術的掌握和運用，我們可把金融機構劃分為掌握新科技的低級層級、中級層級和高級層級的決策主體；易言之，金融機構運用機器學習等技術手段加工和處理金融大數據的能力，從而取得什么樣的效用函數的能力，是由他們的新科技層級決定。在全球經濟一體化的背景下，金融機構面對錯綜復雜的金融產品的價格波動，要實現效用函數最大化，必須能夠對金融大數據有挖掘、加工和處理的能力，這是我們反復強調的，但從嚴格意義或高標準要求來講，金融機構必須具有將客戶和競爭者的偏好和認知等轉化為“算法”的能力，這便要求金融機構在掌握和運用機器學習方法的同時，還能夠掌握和運用諸如邏輯推理、概率推理、專家系統、語音識別、自然語言處理等人工智能技術。金融機構只有在達到新科技的高級層級的條件配置下才能進入這一門檻，只有在進入新科技的頂級層級后才完全具備這種能力。金融機構進入新科技的頂級層級的標志，是能夠挖掘正在發生的現期數據和尚未發生的未來數據，因此，問題的討論又回到了機器學習這一人工智能技術的掌握和運用上來。
（四）從當前人工智能處理大數據的各種技術規定考察，人類能不能挖掘以及能在多大程度上挖掘正在發生的現期數據和尚未發生的未來數據，在將來，可能還得主要依賴于機器學習技術的提升和拓寬
大數據金融的運行充滿不確定性，是問題的一方面；大數據金融極有可能成為未來學家和人工智能專家推崇的“算法”，則是問題的另一方面。從目前不同類型的機器學習對大數據的加工和處理看，無論是監督學習和無監督學習，還是強化學習和深度學習，它們主要還是對已發生事件的歷史數據的加工和處理；對于正在發生事件的現期數據的加工和處理，可謂是剛剛處于起步探索階段；對于尚未發生事件的未來數據，可以說基本上不具備加工和處理的能力。以金融大數據而言，金融機構挖掘正在發生和尚未發生的數據，必須具有頂級科技條件配置。具體地說，就是金融機構要在全面掌握和運用互聯網、云平臺、物聯網、云計算、機器學習等人工智能技術的基礎上，以歷史數據和已經掌握的部分現期數據作為分析材料，采取可稱之為“外推、類比或擬合”方法來進行預測性挖掘，至于加工和處理正在發生和尚未發生的數據，也可以按照同樣的思路展開。誠然，由于新科技運用還沒有走到這一步，我們現在不能描述這種“外推、類比或擬合”方法，但從當前人工智能處理大數據的各種技術規定看，最有可能先被嘗試和最有可能獲得成功的，可能仍然是機器學習方法。
金融大數據是經濟活動中變化最快最不確定的數據，運用機器學習方法挖掘、加工和處理這些大數據，無疑會在處理歷史數據、現期數據和未來數據的框架內，涉及前文提及的數字化數據和非數字化數據以及行為數據流和想法數據流，顯然，這使機器學習在挖掘、加工和處理金融大數據是會產生一時難以逾越的困難。這些困難主要反映在當前最先進的人工智能理論還不能有效解決紛繁數據之間的因果關系。因此，解決這個問題的關鍵是突破學習過程的黑箱，使因果推斷和機器學習之間的理論交叉從單向聯系變成多向聯系，讓人工智能面對紛繁復雜的大數據處理時能夠進行反事實分析（Counterfactual Analysis）。大數據金融的運行和發展，長期存在著被新制度經濟學重點描述的以交易成本為底蘊的逆向選擇、機會主義和道德風險等現象,這些現象會以大數據形式在金融產品的投資經營中反映出來，因而機器學習要通過吸納因果推斷理論的成果來提升新科技層級，以實現對現期數據和未來數據的挖掘、加工和處理。
那么，機器學習的未來發展應朝著什么樣的方向砥礪前行呢？關于這個問題，有學者認為機器學習要能夠解決那些真正有價值變量的選擇問題，也有學者認為機器學習要解決人們選擇的風險回避問題。在筆者看來，我們應該把機器學習的使命定格在對現期數據和未來數據的挖掘、加工和處理上。針對大數據金融，計算機和人工智能專家要在各種機器學習方法充分發展的基礎上，深化和拓寬強化學習和深化學習，來挖掘、加工和處理各種金融產品價格和數量的現期數據和未來數據。機器學習在這方面的成功案例，是AlphaGo和Master與世界頂級棋手的對弈，機器學習通過對大約30萬幅圍棋譜之大數據的加工和處理，在無數臺服務器的支持下對這些棋譜進行深度學習，并通過強化學習挖掘出戰勝世界頂級棋手的未來數據。深度學習和強化學習的融合方法極可能是機器學習的發展方向。
4
幾點補充說明：
金融大數據是人類經濟活動的一個最值得重點研究的領域。依據未來學家的觀點，對金融大數據的分析和研究，還必須聯系人類經濟活動的其他數據進行，顯然，這個觀點是以人類一切活動和自然界一切現象都可以轉化成“算法”為依據的。基于現階段人類匹配大數據的能力還只是處于初期發展階段，也基于大數據金融的運行和發展具有相對獨立性，我們只是把金融大數據的挖掘、加工和處理放置在大數據金融運行的框架內進行分析。這個分析框架在體現它們之間相互關聯的同時，重點是揭示它們之間的作用機理。未來學家把一切都視為“算法”，是以互聯網、大數據和人工智能等的融合達到頂級技術層次為前提的，當人類不能達到或距這個技術層次很遠時，我們把金融大數據從社會大數據中抽象出來展開分析，仍然是大數據視野下直面問題研究的一種分析。
大數據金融的運行和發展是制度、主體和行為的綜合，其內容極其寬泛。當我們將之作為一種“算法”來考察，問題的分析便聚焦于技術層面；當我們強調技術發展對大數據金融的影響，問題的探討就集中于金融機構的選擇行為；當我們關注金融機構的選擇行為，問題的進一步研究就需要討論效用函數。這條邏輯分析鏈最顯著的特點，是在關注新科技之于金融機構技術條件配置的前提上，把金融機構劃分為低中高三種類型的技術層級，并通過這種劃分來預估不同技術層級金融機構的效用函數。本文在討論新科技對金融機構的效用函數影響時，重點分析了以機器學習為代表的人工智能的掌握和運用，沒有涉及專家系統、機器人學、搜索、邏輯推理與概率推理、語音識別與自然語言處理等人工智能，這是基于金融大數據的特殊性規定其他人工智能技術只是間接適合于解釋金融大數據的考慮。我們以機器學習深化作為金融機構技術層級提升的依據，繞開了其他人工智能技術，但并不否定這些技術手段提升金融機構技術層級的作用。
金融大數據與大數據金融在內涵上的差異絕不是一種概念或范疇的玩味，前者是互聯網、大數據和人工智能等融合的客觀實在，后者是表征了大數據時代或互聯網時代金融體系的運行和發展，它代表著金融體系未來發展的方向。本文以機器學習進步來解說金融機構挖掘、搜集、整合、分類、加工和處理大數據，目的是揭示大數據金融的運行機理，并通過這一機理的揭示來展現未來金融世界的發展圖景。基于機器學習等人工智能發展的現狀，我們把新科技層級作為推論金融機構處理和匹配大數據之能力的依據，跳越了對新科技運用過程的具體分析，客觀地講，這樣的分析程序和框架對大數據金融運行的論證所得出的認知，同樣適合對其他經濟領域的分析。不過，這種推論性分析是粗線條的，至于機器學習等人工智能技術對金融機構處理和匹配大數據的具體過程，則需要等到新科技發展導致數據智能化和網絡協同化的全面提升，再由經濟學家來進行理論化和系統化。
現有的經濟理論關于數字經濟的分析進而關聯于大數據匹配的研究，主要集中在通過互聯網擴張對數字經濟的概念界定、行業范圍界定、行業屬性界定以及規模測算等方面，很少有文獻從理論角度對數字經濟運行作出經濟學解釋。其實，數字經濟的核心永遠是如何挖掘、搜集、整合、加工和處理大數據，永遠是通過匹配大數據以獲取準確信息來實現效用最大化。當數字經濟突破行業和區域范圍，它在伴隨全體廠商追求效用最大化的同時，社會資源配置機制便會得到優化。這便是本文將金融大數據與大數據金融作為研究專題的意義所在。
