Al x 量化：智能投顧戳中了金融機構財富管理業務的哪些痛點？

雷鋒網按：在美國，交易員、量化研究員正在慢慢消失，而與此相反，金融科技、機器學習以及人工智慧方面的招聘崗位卻在逐步上升。這說明了什麼？要解釋這一現象，我們先要了解什麼是智能投顧，以及我們為什麼要做智能投顧？

常見的智能投顧都是「人工的智能」

王蓁博士在雷鋒網AI慕課學院的直播課（http://www.mooc.ai/course/157）中告訴我們，國內號稱在做智能投顧的至少有300到500家，而這300到500家裡面99%可能都是P2P公司。實在要說每一家P2P公司都是擅長人工智慧或者機器學習，確實很難讓人信服；相反地，他們可能更擅長的是進行網路借貸活。市場上大家耳熟能詳的一些投顧其實都是「人工的智能」——人在背後進行的操作，而在前端封裝成一個自動化的工具，實際上並沒有真正地實現我們預想的繼續學習、沒有人工干預的智能。

Black-Litterman模型上世紀90年代由高盛的Fisher Black和Robert Litterman提出，是對傳統Markowitz均值方差模型的改進。該模型可以在市場基準的基礎上，由投資者對某些大類資產提出傾向性意見，模型會根據投資者傾向型意見，輸出對該大類資產的配置建議。Black-Littermanm模型自提出來後，已經逐漸被華爾街主流所接受，現在已經成為高盛公司資產管理部門在資產配置上的主要工具，被多個投資銀行和資產管理公司用來進行資產配置。而其核心就是人工的智能，即人把自己的觀點輸入到模型進行干預，而真正的智能投顧是沒有人工干預的，也就是說智能投顧一定不是BL模型。

傳統資產配置模型，當我們在進行公募基金的配置的時候，它可能90%多的配置比例都會配置到貨幣基金和理財產品當中去，因此我們完全沒有實現任何資產配置的功能，這是傳統資產模型天生的一些缺陷。而傳統的資產配置模型還有一個問題是它會進行頻繁的調倉，輸入的非常小幅度改變可能就會導致資產配置結果的巨大震蕩。傳統的資產配置模型，比如昨天配置50%的股和50%的債，但今天很可能配置的是90%的債券和10%的股票，這樣用戶就不得不進行頻繁的調倉，而更高的調倉頻率帶來的是費用的問題，我們最終會導致我們所有掙的錢可能都交了手續費了。

而當我們真正在做公募基金組合的時候，我們還需要考慮公募基金一些特殊的一些情況，比如我們申購和贖回的時間是存在滯後性，公募基金你在今天買的時候，其實你並不知道你會買入多少份，因為它在幾個交易日之後才會給你確認買入價格，那時候你才知道你買了多少份額，而你贖回的時候也有同樣的問題。

另外一個是起投門檻的問題，因為不同的基金類型公募基金有ABCE甚至各種其他的類型，每一種不同的類型，它的收費方式不一樣的，它的費用可能包括每年的管理費，可能包括銷售服務費可能包括前端費用，後端費用可能還包括鎖定期的費用。比如說我們一般都說C類基金沒有費用，但實際上不是這樣的。因為C類基金它不但有固定管理費，有的C類基金可能還會收比較高的銷售服務費。一般來講，對於C類基金，如果購買時間不足一年的話，還可能會收一筆鎖定期的費用,雖然可能只有千分之一或者是更低，但是它其實是有費用的，無形中便增加了模型的複雜度。再比如說B類基金，它可能更多是偏向於機構投資者或者高凈值客戶。很多B類基金，它的投資門檻可能是500萬人民幣起。

王蓁博士說道，除了BL模型（Black-Litterman模型），其他常見的模型如現代資產組合理論、馬克維茨模型、均值方差模型(MVO)等，在國內都不可行，其中，使用BL模型的一定是「人工的智能」 投顧。就實際問題維度，國內公募基金交易存在申購贖回的時間滯後、贖回價格的不確定性等問題。

很多銀行證券、基金在做這種資產配置的時候，不但有公募基金類似的配置需求，而且有可能想添加一些自由產品——理財產品。理財產品可以是銀行凈值型理財，也可以是P2P產品，甚至可能是非標型的產品。由於這種P2P產品可能是非標型的，因而在跨大類資產配置時，我們就需要解決大類資產不同之間的穩定性和有效性等問題。跨大類資產配置的調倉流動性是一個更難的問題。

假設我們買了一個鎖定期為一年的銀行理財，雖然公募基金流動性有T+X（1、2、3...）之間的區別，但是相對於私募基金一年鎖定期來講都是可以忽略不計的，在這種情況下我們該如何處理？我們如果調倉，這個時間市場又變化了，我們依然可以調公募基金；但是私募基金佔用的資金成本在鎖定期內該如何去調倉，這個問題是一個很實際的問題，還有很多很細的問題，只有親自去進行一個智能投顧系統的實施和部署，你才能體會到真正有多少的實際問題，有多少個坑在前面等著你。

王蓁博士是目前國內唯一沒有人工干預的智能投顧系統、從產品需求設計到整個演算法研究，帶領開發團隊進行系統開發以及機構部署唯一負責人，將在《智能投顧高級特訓班》（http://www.mooc.ai/course/157）系列課程中為我們分享，關於智能投顧原理、業態、演算法模型和應用落地的一切。

量化投資是新概念嗎？

量化投資是指通過數量化方式及計算機程序化發出買賣指令，以獲取穩定收益為目的的交易方式。在海外的發展已有30多年的歷史，其投資業績穩定，市場規模和份額不斷擴大、得到了越來越多投資者認可。

事實上，互聯網的發展，使得新概念在世界範圍的傳播速度非常快，作為一個概念，量化投資並不算新，國內投資者早有耳聞。但是，真正的量化基金在國內還比較罕見。

在國內現有的量化投資環境下，投資容易獲得收益嗎？

國內常見的量化私募或者量化投資，一般來講還是偏高頻交易。

在國內現有的量化投資環境下，投資容易獲得收益嗎？其實本質上問這個問題是想回答為什麼我們需要智能投顧。隨著我國經濟進入新常態，資產的投資收益率會越來越低，這個時候就需要有新的投資方式，也是更理性更成熟的投資方式——量化投資——這也是在發達國家已經被廣泛採用的投資方式。

智能投顧市場有多火爆？

在百科上，智能投顧的定義頗為繁瑣。「智能投顧指虛擬機器人基於客戶自身的理財需求，基於當前市場狀況和底層標的表現，基於金融和投資學的投資組合理論，通過演算法和產品搭建一個數據模型，來完成以往人工提供的理財顧問服務。 」

國內的理財顧問實際上對於金融可能所知並不是太多，更多的是在維護客戶關係以及銷售上。王蓁博士定義的智能投顧是一套能夠獨立運行的系統，可以不需要人工干預，並且告訴理財顧問或者告訴個人投資者，你應該如何根據你的實際情況進行資產配置，最後組成一個組合投資，為投資者賺到錢。

智能投顧要解決什麼問題？

第一，提升產能。財富快速增長帶來旺盛的市場需求、人手不足引發產能矛盾、難以覆蓋更多的群體，在智能投顧中都將得到一定的解決。

第二，個性化——理解每一個客戶的個性化需求。有了客戶的實際需求，然後就能進行類資產進行配置、選優，符合用戶的實際需求，組建成一個個性化的投資組合。智能投顧其實很好地解決了財富管理行業在當前的痛點，也滿足了未來發展趨勢。

第三、緊跟市場。所有的定投，所有的買入持有策略、被動投資策略，甚至不適用美國美國市場、歐洲市場，這也對投研能力提出新的挑戰。

第四、一致性。一致性即全流程，包括體驗，服務流程，投資方案，投後的服務業務的解釋和客戶心理的安撫，定期的業績回顧和市場教育。

第五、隨時在線。智能投顧將實現互聯網+數字化+智能化+24*7服務，可持續改進交互方法。

第六，提高效益。解決大量閑置的數據無法發揮效率（非機構化數據，文檔、語音，離散的結構化數據），發現更多的業務機會同時降低成本。

詳細課程內容，請點擊http://www.mooc.ai/course/157。

添加助手小艾（微信號MOOCCAI），發送「智能投顧」，並提交姓名+公司/職位，加入「智能投顧」行業交流群，同行業大咖玩轉智能投顧。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！