本文來源：大資料文摘
作者/袁峻峰
10月24日，馬雲在中國金融四十人論壇（CF40）聯合各組委會成員機構舉辦的第二屆外灘金融峰會上提到數字貨幣，發表了非常高遠的觀點：“拿數字貨幣來說，如果用未來的眼光打造30年後世界所需的金融體系，數字貨幣可能是非常重要的核心。... 這個數字貨幣不是從歷史上去找，不應該從監管角度去找，不應該從研究機構去找，而是從市場去找，從需求去找，從未來去找...因為數字貨幣體系是一個技術問題，但又不僅僅是技術問題，更是一個解決未來問題的方案，數字貨幣可能會重新定義貨幣，儘管貨幣的主要功能仍然在，但是一定會重新定義貨幣。”
貨幣的本質是什麼？
很多關於貨幣的書都喜歡舉個石幣島的例子，位於西太平洋的雅浦島的土著居民，居民在土地和房屋的買賣交易時，是用直徑達4米、最重5噸的石材當貨幣使用。當一宗交易結束，受石幣重量所限，這些石幣並不用搬離前所有者的家，而是在石幣上作標記表示所有權已經轉移。只要大家認可這石幣的所有權誰屬，便承認了財富的轉移。
島上有一戶大財主，所有人都承認他們家是首富，但沒有人見過他們家裡的石幣。他們家的財產是一塊巨大的石幣，具體大小隻有祖輩知道，因為這塊石幣一直沉睡在海底。因為同去的大夥都見證了這塊巨大石幣的價值和去處，所以大夥都為他作證。雖然那塊石幣不在島上，依然不影響石幣的價值。
對於雅浦島居民來說，貨幣就只是一種記賬方式，只要在大夥的腦海裡有關於某一塊石幣的共同記憶，那大夥就都承認這筆財富的存在。經濟學家米爾頓·費裡德曼說的：貨幣的本質並不是信用，而是共識。貨幣甚至可以沒有實體存在，只要達成了共識，就算看不見摸不著沉在深海里的石幣，也可以繼續流通使用。
我們國家的數字貨幣（DCEP）以及比特幣等等，都可以認為是一種記賬方式，記錄了價值在人間流動。只是我們有技術能力去記錄下每次的歷史交易，而石幣，紙幣只能保留最新的狀態。
數字貨幣將引發怎樣的金融變革是我一直關注的問題，下文節選自我的書《人工智慧為金融投資帶來了什麼》，拋磚引玉，歡迎探討。
數字化市場需要演算法
市場是供需雙方匹配的場所，是供需雙方確認商品或服務價格的過程，市場還有促進交易以及促進資源分配的職能。資訊在市場中的作用一直是經濟學中重要的研究主題之一，2001年度的諾貝爾經濟學獎被授予了三位美國經濟學家，約瑟夫·斯蒂格利茨、喬治·阿克爾洛夫、邁克爾·史賓斯，以表彰他們“使用不對稱資訊進行市場分析”所做出的重要貢獻。
喬治·阿克爾洛夫教授闡明瞭這樣一個事實：賣方能向買方推銷低質量商品等現象的存在，是因為市場雙方各自掌握的資訊不對稱。如，當前的線上交易平臺，引入客戶評價以及更體系化的產品描述就是為了降低市場中資訊不對稱的目的。
價格是市場中最為重要的資訊，簡化了人們決策的中資訊處理，特別是在那些資訊傳遞技術不發達的時代。買賣雙方，各自利用自身的知識與資訊對商品與服務進行定價，市場又彙集了無數的買家與賣家，相互互動，不斷調整價格。
價格作為唯一重要的訊號極大地降低了市場中的資訊流動量，提高了市場效率。一家麵包店，為其麵包定價時，會考慮周圍麵包店類似麵包的質量、價格以及預期使用者購買該面包的意願等資訊。而一位購買者，也會根據自己過往在附近麵包店購買的經歷，對比不同麵包店的口感、距離、價效比等資訊，再根據自身偏好進行選擇。之後當交易雙方預期基本一致時達成交易。
在實體經濟數字化過程中，可以想見，使用者不只可以看到這家店線上使用者評價，那些麵包店原料來源、烤制方案、僱員經驗等等都可以被數字化，也許穿戴裝置還將記錄你每次吃麵包帶來多巴胺（腦內分泌物和人的感覺有關，它有傳遞興奮及開心等作用）的反應。而對於商家，在保護隱私的前提下，也可以得到周圍使用者關於麵包偏好資訊。
因為我們的資訊傳遞技術、資訊處理技術都已有極大提高，更多買賣雙方的資訊，那些無法透過價格有效傳遞的資訊在市場數字化的過程中被傳遞了。其實，現在買賣雙方在決策中就已使用了比價格更多的資訊，特別是在淘寶等交易平臺。傳統的市場，所有關注點都在價格上，而在淘寶平臺上，賣家商品或服務的特徵，以及買家的個人偏好特徵都被用於推薦和搜尋演算法中。
線上交易平臺淘寶、亞馬遜、京東等的推薦和搜尋模型就承擔了市場資訊處理與傳遞以及匹配的職能。線上交易平臺，為了匹配演算法能得到更高的點選率和轉換率，不斷完善商品資訊以及使用者畫像的同時，也促進了市場更多維的資訊傳遞，推動了市場數字化。
在數字化時代，幫助買賣雙方處理海量資訊，快速找到交易對手方，演算法匹配將是市場必不可少的功能。匹配在經濟學術語中可以解釋為，“我們如何從生活中得到既是我們所選擇的，同時也是選擇我們的事物。”數字化時代，價格不再是市場唯一訊號，更多的交易雙方的資訊都將被作為訊號，而演算法將承擔更重要的功能。
金融市場中，訊號也由原來資產的價格與風險變成了更多維度的資訊。網路借貸也稱為P2P市場，是個體和個體之間透過網際網路平臺實現直接借貸。利率一般是平臺決定借款利率或者貸款人自主決定。網路借貸資訊中介機構提供的資訊平臺在此充當了P2P市場。我們可以認為這是一個資訊不完全充分競爭的市場。
每位借款人或貸款人，都瞭解自己主觀預期，並觀察市場，參與市場競爭並修正自己的偏好以及預期，最終達到市場出清。利率在其中起到價格訊號作用。P2P市場一如既往地起到“看不見的手”的作用，每個人不用去了解其他人的主觀預期。但不論借款人還是貸款人都必須承擔未來不確定性風險。
去中介的P2P市場，對於借款人，主要依靠資訊中介機構提供的資訊，如風險等級評定等，獨立決定該利率是否與貸款人行為不確定性風險相匹配。即使拋開那些非法P2P平臺的欺詐行為，當前的P2P平臺也沒有起到有效匹配的作用。接下來，我們來設想下在數字化時代P2P市場匹配撮合演算法。
最簡單的模式，分析借款人風險承受與偏好等級，分析貸款人風險等級，相互匹配，效果可想而知，並不能如意。如果我們還用張五常教授《賣桔者言》中桔樹案例類比P2P市場貸款專案。假設藉助於感測器等其他手段，能夠低成本的量化桔樹的更多維度特徵，自然我們將得到更好的定價結果。
在數字化的P2P市場，藉助於大資料，包括市場資料，個人金融畫像資料等，我們必然能構建更合理的P2P匹配演算法。那時，價格不再是唯一因素，即利率不再是唯一因素，匹配才是更重要的。設想一位想成為小提琴演奏家的年輕人，為培訓費貸款，但由於演奏家的收入前景不確定性太強，該夢想風險很大。
如果未來小提琴家的收入低於預期時，她能不用全額償還貸款，那麼這筆貸款可以使她更輕鬆地追尋夢想，因為她所承擔的風險被限定在一定範圍內。如果這是一筆P2P貸款，年輕的小提琴演奏家面對的不確定性該由誰分擔？藉助於大資料以及演算法，為該筆P2P貸款匹配那些有一定經濟基礎的音樂愛好者，他們也許樂意分擔她的風險。
信貸市場中，利息是來自承擔的風險，在P2P市場，用風險等級或風險評分標記風險，這仍然是將高維的相關資訊對映到一維風險等級上，還是用火把在牆上投影，很多有價值的資訊丟失了。在數字化的P2P市場，將允許我們更高效地處理海量資料，透過演算法以更合理的方式匹配信貸雙方，一個全息的影像有助於市場效率。
目前這方面的研究還在探索期，筆者認為學界關於多智慧體強化學習(Multi-Agent Reinforcement Learning)[2]與博弈論[3]、帕累托最優[4]結合的相關研究值得借鑑。在Bloembergen等人的綜述論文[5]中，詳細描述了進化博弈論與多智慧體強化學習方向最近的進展。Desai等人論文[6]提出可協商強化學習（Negotiable reinforcement learning）框架研究不同偏好的委託智慧體間的帕累托最優問題。
屈超博士、許歡教授、螞蟻金服副總裁人工智慧部負責人漆遠博士、宋樂教授、熊君武等人提出了一種去中心網路化多智慧體深度強化學習演算法[7]，能夠在每個智慧體保留了自己的目標和策略的隱私性，只根據其自身獎勵和從其鄰居收到的訊息做出決定，但最終演算法能最大化所有智慧體的平均累積獎勵。這和市場中各個參與者只知道自己的效用，以及有限觀察能力非常類似。
在數字化時代，市場的旋律將由價格的小提琴獨奏，演變成一個交響樂團演奏，當然價格還是小提琴首席，演算法必將承擔更多的作用。
市場與演算法的邊界
科技會逐漸從強度、物質和能量問題轉變為結構、組織、資訊和控制問題。 —— 馮·諾依曼
2019年，華為公司被美國政府封鎖，依然繼續為全世界服務，不愧代表了中國電子科技的脊樑。當時國內輿論一邊倒的支援，並反思那些模式創新公司的價值。筆者認為，也不能全然否定商業模式創新的價值。
電動車是未來方向之一，但近些年，商業化電池技術並沒有重大突破，各電池廠家發展的核心技術之一在於電池管理系統。雲端計算的發展，也是由於系統管理低成本的伺服器叢集技術的持續改進。
再舉一個例子，MapReduce是一種並行程式設計模式，用於大規模資料集的並行運算。平行計算框架成百上千，為什麼MapReduce當時成為主流？是因為其簡潔的並行程式設計邏輯。當5G普及後，如何協同人與機器，是一個制度、組織、控制、演算法等有效結合的問題。
市場不可能完全被替代
本節探討的主題是市場和演算法的邊界，亦是在探討機器與人的替代關係。在特定領域，演算法的邊界，離不開問題相關資料的邊界。因為要對問題、現象、事物進行有效量化，首先需要界定資料的邊界。1824年物理學家、工程師卡諾提出的卡諾原理中最著名的一句話“任何不以做功為目的的熱傳導都是浪費”。
所以，對於任何一部熱機，灶上面那個正燒開水的壺，它最大的浪費地方不在壺裡面，而在爐子和水壺的交界處。50年後,工程師狄賽爾讀懂了這句話，既然最大的浪費是在爐子和灶之間，那麼熱機就不應該把爐子架在灶上，而應該是把灶建到爐子裡面，從此我們的世界上有了內燃機。
資訊理論中熵本義是用來描述系統“內在混亂程度”，最初就是熱力學概念。很自然能想到資訊是否能在封閉的金融市場中傳遞，像內燃機一樣。這簡直一定是不可能的，金融市場的資料邊界是難以界定的，因為金融市場和經濟、社會、政治、軍事等方方面面都緊密相關，根本無法界定邊界。所以從這個角度來說，即使在數字化時代，亦是無法收集與投資相關的所有資訊,不存在全域性性事實資訊。
再來看一個扔色子的遊戲。在桌子上扔色子，如果目的是預測色子的朝向，並假設能夠不計成本地收集相關資料。那麼，當色子離開手的一瞬間，色子的形狀和密度分佈、出手力量和旋轉角速度、空氣流動速度都需要被監測，同時如果計算足夠精確，大抵是有可能算出色子哪個面接觸到桌面的。
如果還知道桌面的彈性係數和色子的彈性係數，以及兩種材質的其他物理性質，就有可能算出這個色子彈起的方向，最終算出它停下來時哪一面朝上。不過由於相關資料很難精確測量，因此考慮了所有的因素後計算出來的結果也未必正確。所以一般認為每一面朝上的概率都是1/6。
在確認資料邊界問題中，必須充分考慮資料的可獲得性與成本。在我們多次討論的那個夜市賣桔樹的案例中，考慮到成本，不可能對每個桔樹進行量化，即使那樣能得到更合理的定價。
更關鍵的是，金融市場是資金配置，風險配置、發現資產定價的地方。如果每人一個相互協同的投資版AlphaGo，也是不可能代替市場的。市場是發現的過程，在這個過程中，投資者之間相互作用，進行資訊傳遞，透過市場上所有投資者的交易和選擇，金融資產的價值得到發現和確認。這些都不是投資版AlphaGo透過市場資訊計算就能完成的。
在之前章節中，我們引述哥德爾的斷言“人心勝過計算機”,拋開數理邏輯上的證明，目前弱人工智慧要模擬人類的想象力、創造力、綜合分析能力還需要很長時間。
所以，總體而言，不可能完全利用資料和演算法代替人類決策，代替市場。智慧助理也無法代替行為主體的直覺、主觀價值選擇等，並代替承擔決策後果，所以智慧助理並不是代替決策，而是輔助決策。
演算法的邊界在擴大
在特定領域的市場場景下，演算法也是有可能促進市場匹配效率的，這取決於能否有效界定資料的邊界、問題的邊界。當前主流個人信貸市場，不論是透過銀行作為中介，還是資產證券化ABS作為中間環節，在放貸方和借貸方間經過了至少兩次的資料從高緯度投射到低緯度，實際的流程將經過更多次的資訊壓縮。
為什麼必須將資訊壓縮到少量維度，一是因為標準化的金融資產流動性更好，二是因為人們有限的決策能力。這也正是市場的優勢之一，有助於降低決策者對綜合性資訊的需要。可這還主要是基於統計的決策，並不是我們強調的數字化時代的精細化決策。
從實用主義的立場， 如果一個領域的問題用演算法比用制度、市場、職責劃分更高效就應使用演算法。我們一直強調數字化時代的智慧方案是有效利用更多維資料中的資訊，在數字化市場中，價格將不再是唯一訊號，更多維特徵表達組成的訊號必將提升市場的效率。而演算法在其中主要作用：一是自動學習市場訊號特徵表達，二是尋找更最佳化的市場配置方案。
在真實世界中，有無數的變數和因素，它們在理論上都是相互關聯的。各類資料都有其各自的目的才被採集，用於市場匹配只是資料採集時的次要作用，即所謂資料外部性作用。
在上節描述的P2P市場中，不論借貸方還是放貸方的更多維資料都可以被有效收集。藉助於演算法，我們很可能得到更好的匹配效果，因為我們在同一層資料上進行最佳化。在討論數字化投資時，我們提到從微觀到巨集觀有很多的層次，解決不同層次的問題並不能僅依靠還原論，需要多個學科相結合。演算法也更擅長解決同一層的問題。
在曾鳴教授的《智慧商業》中多次提到，將資料、演算法、產品化三位一體，”產品化是非常重要的一個環節，因為它提供了一個反饋閉環，而反饋閉環是任何學習的一個前提條件。”[9]閉環的資料、反饋將保證演算法能發揮更強大的作用，就如同內燃機一樣。
當前，弱人工智慧、演算法還在”大力出奇跡”的階段，機器相對於人的優勢，並不是它們對宇宙、社會的瞭解更多，而是因為它們計算能力更強，當資料量足夠大，最後可以比人更快速地得到最佳化效果。
