隔着屏幕，回到 MFE 的课堂
隔着屏幕，回到 MFE 的课堂¶
上午九点¶
加州上午九点，伊利诺伊是十一点。
Zoom 打开，冯黎明教授已经在了。他是 UIUC 金融工程硕士项目（MSFE）的主任。
几天前，项目网站的 Practitioner Speaker Series 页面挂出了预告：
人陆陆续续进来。
我的虚拟背景是金门大桥。后来提问的一位同学，背景也是金门大桥。
冯教授做了介绍，我切到第一页。
题目是 AI in Quantitative Finance: What MFEs Need to Know Now。
第二页只有四行：Bloomberg 做可转债定价，WorldQuant 做亚太交易执行，Google、Uber、Oracle 做生成式 AI，现在在 Wells Fargo 做机器学习和量化分析。
下面一句话：
每一步用的工具都换了。好的量化问的问题没有换。
这句话是讲给他们听的，也是讲给我自己听的。
他们在担心什么¶
我大概知道屏幕那头的人在想什么。
课堂上，他们在啃随机微积分和定价理论。课堂外，每天都有新闻说 AI 会写代码、会读财报、会替掉初级分析师。
花两年学的这些东西，是不是正在过时？
我没有直接回答这个问题，先讲了几个在银行里真实跑着的系统。
讲来讲去是一件事：AI 没有把金融模型推倒，它住进了金融模型里面。市场一变天，靠得住的，还是那些课堂上学的东西。
一个小投票¶
第二部分讲了几个生产里踩过的坑。开头我让大家投了个票：
同一个问题，问同一个模型 100 次，设定成最确定的那种回答方式。答案每次都一样吗？
所有人都答对了：不一样。
金融工程的学生，对数值误差是有直觉的。
原因说起来很小。计算机做加法，先加谁后加谁，结果可能差一点点。这一点点，就足够让模型说出另一句话。
在银行里，同一个问题问两次得到两个答案，是过不了审的。
另外几个故事，说的大致是同一件事：能干，不等于可靠。
初级台阶¶
第三部分讲职业。
有一页，我引了自己书里的一段。《云层之上》里写过，有一次我们测试一个系统，它能完成大约七成的开发工作量。团队很高兴。
没过多久，公司停止招初级程序员。
讲到这一页，我停了一下。
对学生来说，风险不是资深的量化会消失。是以前用来积累经验的那几级台阶，最先被自动化了。
所以不要在机器擅长的地方跟机器比。
以后值钱的，不是写代码写得快，而是能不能把一个问题想清楚，能不能一眼看出结果哪里不对。
后面还有一页“两个圆”，讲金融工程的数学和 AI 的数学其实重合了一大半。前一天已经单独写过一篇日记，这里不重复了。
提问¶
聊天框里攒了十几条消息。
一位同学问，市场一直在变，模型怎么跟得上。就是那位背景也是金门大桥的同学。
也有人问，课上学的东西怎么和现在的 AI 接上；面试的时候，怎么让人看出你既懂金融又懂 AI。
我说的大意是：找一个产品，往深里懂。做一个项目，从头到尾，别人能复现。永远不要只报一次运行的结果。
最后放了自己写的几本书的链接，math4ai.org 是其中一本。
冯教授的信¶
下线以后，冯教授发来邮件，说这次讲座来得正是时候，回应了学生们对 AI、对量化金融往哪里走的一些疑问和 uncertainties。
Uncertainties 这个词，我看了好几遍。
2012 年到 2016 年，我一边上班，一边读 MFE。白天写代码，晚上推公式，周末交作业。那时候也常常对着一页公式发呆，不知道这些东西跟真实的市场到底怎么接上。
没有人来告诉我。
后来是一份一份工作，一个一个模型，自己慢慢接上的。
十几年以后，隔着屏幕，跟坐在当年那个位置上的人说几句话。
说的不一定都对。但至少，那时候我想听的，今天讲出来了。
结语¶
收尾的那一页写的是：
数学告诉你它为什么能成立。
AI 告诉你数据里能学出什么。
工程决定它在真实世界里能不能活下来。
工具一直在换。一个教你给不确定性定价的学科，在一个满是不确定模型的时代，不会是最先过时的那个。