智能投顾十大趣谈:基金从业者该不该恐慌?

亿欧网  •  扫码分享
我是创始人李岩:很抱歉!给自己产品做个广告,点击进来看看。  
智能投顾十大趣谈:基金从业者该不该恐慌?

大家好,我是松禾远望基金合伙人田鸿飞。前一段就 智能投顾 话题,我给一些二级市场的基金从业者做了一次内部讲座。在这里以一个轻松方式分享给大家。

趣谈 一:银行和 基金从业人员 ,最恐慌的是未来饭碗会否不保

波士顿是美国资管行业的重镇。2016年我在波士顿和做基金管理的校友交流中发现,受到 金融科技 发展的影响,他们对未来有些悲观,认为饭碗在未来某一天也许就没了。很多在银行工作的朋友同样焦虑。

我的观点,大量易标准化、重复性、没技术含量、不具独创性的工作肯定会被裁掉。 从基金行业来说,首先后台最容易被替代,因为都是成本。清算、交收、估值类工作, 以前需要多人忙碌,现在很容易被一套软件系统就替代了,都用不上 人工智能 ,而且准确性更高。

目前还有公司在开发银行间的 区块链 对账系统,以后也不用每天晚上人工互检对账了。 因为区块链本身是一个瞬间同步的账目,每个人的账本会实时共享,同时又能做到安全透明、不可篡改,所以这些后台工作会最先被替代。

再说前台,智能投顾的自动化交易未来会让大多数交易员变得毫无价值。以量化投资来说,未来做多因子模型的投资经理就很容易被干掉。因为由AI来做优化,绝对比人做优化要强很多。 对于前台的其他工作,现在已经出现了 机器人 客服,像信息简报、研究报告类也都可以由人工智能自动摘取生成(当然我认为独创性研究是很难被替代的)。

但国内的二级市场与国外有很多不同,很多散户需要心灵按摩。这些情感交流的工作是否就不会被取代呢?我觉得也不一定。因为现在00后一代,他们在行为习惯上,其实更愿意和机器人打交道,而不是和人打交道。这正是2015年BlackRock收购Future Advisor的重要原因,他们发现年轻人更需要便利、低门槛和互联网化的理财方式。

拿保险举个例子。卖保险显然要比卖理财更需要情感沟通,但智能保顾也正在兴起。所以对于资管而言,我认为情感因素并没那么重要,未来会有越来越多的人喜欢并习惯面对机器。

趣谈二: Fintech 机会正在向传统金融背景人士倾斜

我们看过很多Fintech领域的创业项目,发现一个有趣的现象,那就是互联网出身的人和有银行从业背景的人,往那儿一坐风格会泾渭分明。互联网人盯的就是KPI和增长,对风控、对法规毫无概念;金融行业出身的人主要谈的就是风险控制,要规范企业的发展。

从去年开始互联网金融发展的风向发生了巨变,以往野蛮生长的环境不复存在。美国货币监理署(OCC)正在考虑给Fintech公司发全国性银行牌照,国内也大幅加强了合规的严格管理。这些变化,都促使互联网金融开始向更注重规范、更注重风控的传统金融背景人士倾斜。

还有非常重要的一点是,作为传统金融行业的人,他们坐拥非常多的资源,当意识到互联网金融的风向时,转舵起来还是很容易的。正如一个在银行的朋友介绍,自银行推出现金贷业务后,仅用几个月时间,就快速超过了互联网人已用两三年发展起来的规模。

在美国也是如此,一旦具备传统投资优势的金融机构进入智能投顾领域,同样会迅速抢占市场份额。正如Vanguard和Charles Schwab自2015年推出智能投顾产品后,相对应的资产管理规模(AUM)已遥遥超越了Betterment和Wealthfront。

趣谈三:中国为什么比美国更适合发展智能投顾?

英国的《经济学人》杂志在年初的一篇文章中提到,正是得益先进的技术、落后的银行体系和爆发式的财富增长,让中国成为了全球金融科技的领导者。 去年10月我参加了著名的Money20/20大会,对此感受颇深,现场几乎2/3的广告牌都是中国企业。这些国内的Fintech企业,不论在模式创新还是技术创新上,都已远远超过了美国。

中国为什么比美国更适合发展Fintech和智能投顾?我的看法是:

国内对金融科技的监管环境还是很宽松的,至少前几年非常宽松。在美国的Fintech企业,绝不敢像国内这么“胆大妄为”;

国内即使有人冒进违规了,处罚起来并不严厉,犯错成本较低;

国内还没有成熟的隐私保护法,数据的可获得性很高,各种来源的数据都使用;

中国没有美国那么多年的积累,也就没有牵绊。上来就可以用最好的技术、最简单的方法直达目的。

趣谈四:智能投顾在美国发展遭遇了瓶颈

过去我们学习金融时,知道平均成本法(Dollar Cost Averaging),也就是要养成固定去投资的习惯,投资收益是最高的。这是一个基础理论,但大家平时生活中很难做到这么有纪律性,尤其对于刚入职场的小白而言。

现在美国银行和智能投顾公司最让人羡慕的是完全能做到自动理财。一般美国都是双周发薪,通过direct deposit功能,工资直接进入银行账户。银行完成扣款后,会自动划分到智能投顾公司的账户。 由投顾公司做一个再平衡,就帮用户理财投资了。对用户来言,每月只需留一些钱还信用卡就行了。智能投顾在切实解决用户体验问题后,让用户量和AUM资产管理规模上来的特别快。

不过现下智能投顾在美国的发展仍处于瓶颈之中。主 要是行业领头羊Betterment、Wealthfront处于了一个停滞期。很多潜在投资者对他们的担心是,Robot-advisors这件事,并未改变背后的商业逻辑,也就是配置资产和金融服务的属性没变。但相比于传统机构,他们投入市场和运营的花费却很大,这是典型的互联网人发展模式,先砸钱把用户量做起来。但这也让吸收资金的成本变得非常高。那你的竞争优势到底是什么?估值还这么高,是不是市场吹起的泡泡?这遭遇了很多投资者的怀疑。

趣谈五:智能投顾与量化投资的区别是什么?

相比同样采用计算机与数学模型做投资决策的量化投资,智能投顾最显著的区别是什么?简单来说一个是自动根据市场变化做决策,一个还得靠人来调策略。后者说的正是量化投资,一般是先找出一个模型策略,这个策略不会自动变化。所以一旦当市场环境变化的时候,这个量化策略就失效了,必须由投资经理根据市场情况来调整策略。

对于应用机器学习的智能投顾,则会根据市场的变化不断的产生新策略,也就是应对瞬息万变的市场变化,一切都是在后台自动完成的,并不需要人工干预。因为机器学习有回馈循环(Feedback Loop),从市场-策略-结果再到市场的不断反复循环,会自动根据资产的价格、风险的变动不断调整。

相比量化或人工投资,人工智能处理信息还有一个最大优势,那就是可以把自有证券市场以来的全部数据都录入做分析。特别现在有了GPU、TPU等专门的处理器,依靠强大的运算能力,可以瞬间得到想要的相关性分析,这满足了金融领域对数据的实时性要求。

趣谈六:智能投顾是不是在吹牛,投资业绩到底如何?

刚才谈到利用机器学习和深度学习的方法,智能投顾可以把价格变动的趋势和模式找出来,做到快速反应、快速交易。相信很多人一定好奇,智能投顾相对于量化投资的业绩到底如何。

我们知道最近几年,面对国际金融市场的大幅波动,量化投资的业绩是远远好于很多主动型管理基金。在今年3月传出的BlackRock重组计划中,就裁掉了很多主动型基金部门的员工,将很大一部分的资产将转化为量化管理产品。

而根据对冲数据服务公司Eurekahedge的AI/机器学习对冲基金指数显示,自从2010年以后,其中23支应用智能投顾的对冲基金,在业绩表现方面是要优于量化对冲基金的(如下图)。

智能投顾十大趣谈:基金从业者该不该恐慌?

趣谈七:人工智能为什么直到今天才取得突破?

我经常开玩笑说,人工智能技术的发展有些复古。因为现在深度学习依托的神经网络系统理论,最早可以追溯到上世纪40、50年代,只不过到现在发展为了多层神经网络技术。从最早的LISP语言、专家系统到神经网络和机器学习,人工智能过去几十年的发展一直都非常低迷。这让李开复老师那一代从业者很是受伤,因为把事业放在上面20年没有进展。那为什么来到今天就突破了呢?

一方面是已提到的多层神经网络(MLP)取得了小突破,特别其中深度学习(Deep Learning)的出现,应用更多层网路,能学习更抽象理念,并融入自我学习中,加速收敛。 以前努力了半天,识别能力只能提升百分之几,现在一下提升了百分之二十几,这让AI取得了突破式发展。从智能投顾角度,深度学习既然极大提高了图像识别精度,同理也可以提高识别股票价格变化的模式,虽然这并不意味可以准确预测股价。

另外更关键的,我认为是数据量的丰富。 2010年我回硅谷时,第一次听谷歌的朋友说他们的AI取得突破,能在YouTube上把猫给认出来了。很重要的原因是在YouTube上有了大量的视频和图片数据之后。 对此我认为,人工智能发展起来的关键是有了大量的数据,算法提升其实是很有限的。甚至可以说人工智能发展80%归于数据的丰富,可能只有20%归于算法的提升。特别在金融行业,数据都是非常容易标签化的,完美性这么好,所以人工智能最先颠覆的就是金融领域。

趣谈八:深度学习最大的问题是黑箱

对于深度学习而言,人才分几个档次。第一级是开宗立派的人物,也就是发明CNN(卷积神经网络)、DNN(深度神经网络)、RNN(循环神经网络)这些流派的宗师级人物。还有一类人才,是真正能够把参数调好的人,也非常稀缺。比如对于多层神经网络,是设置10层、5层还是7层效果最好?每层都有很多参数。还有给入多大的数据量才会产生理想结果?因为到一定程度,你会发现输入越多数量,结果反而可能会变坏。

这是一个经验值,甚至没有规律,所以业内开玩笑叫做炼金术。把一堆东西放一起,不知好坏,天天试,跟做化学实验室一样,还没有固定的化学方程式。 大部分在美国读PhD的中国留学生是负责调参数的。但调参数能调好的人,在AI界也算是凤毛麟角,一年的package下来也有100~200万美金。要知道不仅在中国,在全球,人工智能创业公司最大的挑战都不是钱,而是雇不到人。

但这里就产生了一个问题。比如输入大量数据后,经过10层神经网络筛选得出一个结论,可你是没法回溯怎么得出这个结论的。所以深度学习最大的问题是黑箱。如果想避免一个错误,要修改参数,那所有训练又得重新来一遍。 正因为这个问题,自动驾驶一旦出现车祸,很难向美国交通局去解释。在美国发信用卡的领域也存在一样的问题。拒绝给一个客户发信用卡,你得告知是基于什么规则,不然人家可能会告你,但深度学习没办法解释这件事。所以最近的一些算法已经做出了一些优化。

趣谈九:国内智能投顾发展境况如何

很多人说中国资产类型太单一,ETF数量不够,很难满足智能投顾的资产配置需求。 我们之前看了有20多家智能投顾公司,实际发现他们的配置还是很丰富的。简直可以说是五花八门,有的配P2P资产、有的配小贷,还有人拆信托、拆私募,做MOM、FOF模式的也有。大家都打着智能投顾的旗号,但剥开皮看都不一样,很多时候不知后面卖的什么东西。这也正是国家在加强机器人投顾管理的原因。

还有一个重要问题是,中国基本没有买方投顾,大家都在挣后端销售佣金,更像卖方雇佣的销售。所以对国内的智能投顾而言,本来是个投资顾问的事儿,却在做销售的活儿。 这混淆了投资咨询与产品销售之间的界限。那么用户如何来评判你投资建议的公立性?这让消费者很难信智能投顾这件事。这正是国家正加紧合规的理论依据。

另外国内智能投顾最大的问题还在于金融产品代销资质。所以在中国做智能投顾,真正合规的只能是由大的金控公司来做,他们拥有所有的销售牌照和资格,才能给用户去做丰富的资产配置。不然你都没有太多可配置的资产,跟真正意义上的智能投顾有很大差距。而对创业公司来言,每个牌照的价格都非常贵,还要搞定各种通道、支付,真的玩不起。

趣谈十:智能投顾悖论

我们知道股票交易有赔有赚,如果大家都买了同一套软件,可以预测该买哪支股票,那么市场上谁卖呢?在一个下跌市场当中,一旦像Vanguard、BlackRock这样的行业巨头,用机器人投顾做出抛售指令,大家都在抛盘,而没人买盘,单边行情会不会导致市场崩溃?其实我认为这样的问题可以避免。 因为真正的智能投顾是能根据每个人的风险偏好不同,做出不同的投资组合和交易选择,这样才能让市场有赔有赚的运行起来。

最后说一个有趣的话题, 那就是人对机器的容忍度,要远远小于人对自己的容忍度 。最简单的无人车犯错,大家都觉得不可容忍。但人天天都在犯错,却很容易获得谅解。这是一个客观问题。回到智能投顾这个话题,面对中国股市普遍难以盈利的行情,你说智能投顾在一个下跌市场当中,如何安抚用户亏损的情绪呢?其实很简单。周围10个人如果你是亏的最多的,人家都赚,你肯定不开心。但如果机器用数据告诉你,相比量化投资和你周围的人,你的回撤是最少的,那你肯定就不会太苛责机器了。


重磅福利!【 2017中国互联网+新商业峰会 】, 6月15-16日两天3000人次,携程创始人梁建章,嘉御基金创始人、前阿里巴巴CEO卫哲,分众传媒创始人江南春等嘉宾已确认出席,期待你的参与, 限量钜惠 等你拿!

智能投顾十大趣谈:基金从业者该不该恐慌?

本文被转载3次

首发媒体 亿欧网 | 转发媒体

随意打赏

基金从业考试基金智能投顾智能投顾公司智能投顾平台映趣智能手表人工智能基金基金从业资格大数据基金机器人投顾智能投顾
提交建议
微信扫一扫,分享给好友吧。