观点 | 宋军:金融+AI改革不能为了技术而技术,金融基础仍是核心

以下为宋军发言全文（已经本人审定）：

前面几位老师和专家的发言让我收获很大。作为学校里的老师，我更想从金融学研究和教学两个主要工作出发，谈谈这两年AI带来的影响，以及其中存在的问题和可能的应对。现在AI的影响到底有多大、我们应该怎么做，其实还在进行中，并没有最终结论。下面只是一些不成熟的思考。

金融学在经济学院中相对特殊。一方面，它强调理论；另一方面，它也非常重视实证和实践。金融学的发展一直与数据和数理工具深度结合。从传统的Markowitz投资组合理论，到后来的计量金融，再到大数据金融，每一次技术迭代都会推动金融理论创新和实践落地。因此，金融天然与AI更加接近。

最近几年，生成式大模型、多模态数据分析、机器学习和自主智能体等技术，对传统量化工具形成了很大突破。第一，生成式大模型特别适合处理金融中的非结构化数据。金融市场不仅有价格、成交量、波动率等结构化数据，也有财务报表、分析师报告、政策文件、舆情、会议纪要等大量文本数据。过去这些材料主要靠人阅读，现在文本挖掘、舆情分析和政策解读都可以借助大模型提高效率，也可以在一定程度上减少样本量有限和主观偏误问题。

第二，机器学习和高阶量化模型可以帮助捕捉金融市场中的非线性和动态性。传统计量模型更多依赖线性回归，面对复杂金融市场时存在一定局限。现在深度学习、随机森林、机器学习和因果推断等方法，可以用于资产定价、市场微观结构、公司金融和风险管理等领域。第三，多模态数据正在打破只看财务和交易数据的格局，文本、图像、声音、舆情和供应链数据都可能被纳入金融研究。第四，自主智能体有助于模拟交易场景，也可能用于教学和实验。

从研究角度看，AI带来三方面变化。第一是方法升级，也就是把前沿AI方法应用到传统金融问题中。第二是选题扩展，传统的资产定价、市场效率、风险管理等问题，在加入AI后会出现新的研究角度；AI本身也会创造新的金融现象。第三是交叉学科，金融可以与人工智能、大数据、管理、法学等领域产生更多交叉问题。学院已经开设AI+金融双学位，这也是一个重要变化。

AI对研究效率的提升也非常明显。从文献梳理、数据整理、实证分析，到论文写作、语言润色和结果解释，AI几乎都可以提供帮助。研究者可以让AI给出解释思路，再由自己判断哪一种解释更合理。这会改变整个研究流程，也会改变研究者组织材料、形成观点和推进论文写作的方式。

从教学角度看，传统金融课程包括货币金融、国际金融、公司金融、投资学等，偏理论的课程结构可能难以完全满足AI时代的人才需求。现在有两类改革路径：一是新增AI相关课程，如金融大数据分析、机器学习、大模型应用、量化投资实战、智能风控等；二是在传统课程中加入AI模块。例如在财务分析课程中，可以用AI解读财务报表，做文本分析和政策文件解读。

教学模式也需要变化。过去老师在上面讲、学生在下面听，是比较典型的单向输出。现在这种方式很难完全满足教学需要，也会遇到学生抬头率不高的问题。未来更需要互动式、项目制和场景化教学。老师可以给学生一个题目或项目，让学生借助AI工具完成流程，老师更多承担组织、引导和纠偏角色。AI+学科竞赛、行业真实场景项目，也可以成为新的教学方式。

但在落地过程中，也存在一些问题。第一是“为了技术而技术”。我最近看一些自科基金题目，发现有些申请写了很多华丽技术，但讲到金融问题时比较虚，没有机制，也没有真正理解金融问题。第二是教学中的浅层嵌入。如果16周课程前15周仍然按原来讲，最后一周加一点AI内容，其实没有实质作用。真正有价值的改革，应当把AI融入课程整体逻辑和框架。

第三是不能弱化金融基础。有些学生可能觉得自己AI工具用得很熟，但如果对DCF模型、风险定价、现金流贴现等基础概念并不真正理解，AI用得越多反而可能越快犯错。金融+AI仍然要坚持金融是核心，AI是工具。第四是师资挑战。传统金融老师上AI课程有门槛，计算机老师上技术课又未必懂金融，最缺的是两边都懂的复合型教师。

因此，我认为AI赋能金融研究和教学，不能冲掉金融学最核心的理论。金融学关注资源配置、风险定价和服务实体经济，这是根本。理想状态不是为了使用技术而使用技术，而是用AI解决传统金融以前难以解决的问题，解释AI带来的新金融现象，并在金融+AI的新场景中提出新的理论。

从人才培养看，金融学生既要懂金融，也要懂技术，还要有逻辑思辨能力。希望复旦金融培养出来的学生，是能够驾驭AI的人，而不是被AI替代的人。

审核：朱宏飞