Al x 量化：智能投顾戳中了金融机构财富管理业务的哪些痛点？

雷锋网（公众号：雷锋网）按：在美国，交易员、量化研究员正在慢慢消失，而与此相反，金融科技、机器学习以及人工智能方面的招聘岗位却在逐步上升。这说明了什么？要解释这一现象，我们先要了解什么是智能投顾，以及我们为什么要做智能投顾？

常见的智能投顾都是“人工的智能”

王蓁博士在雷锋网 (公众号：雷锋网) AI慕课学院的直播课（ http://www.mooc.ai/course/157 ）中告诉我们，国内号称在做智能投顾的至少有300到500家，而这300到500家里面99%可能都是P2P公司。实在要说每一家P2P公司都是擅长人工智能或者机器学习，确实很难让人信服；相反地，他们可能更擅长的是进行网络借贷活。市场上大家耳熟能详的一些投顾其实都是“人工的智能”——人在背后进行的操作，而在前端封装成一个自动化的工具，实际上并没有真正地实现我们预想的继续学习、没有人工干预的智能。

Black-Litterman模型上世纪90年代由高盛的Fisher Black和Robert Litterman提出，是对传统Markowitz均值方差模型的改进。该模型可以在市场基准的基础上，由投资者对某些大类资产提出倾向性意见，模型会根据投资者倾向型意见，输出对该大类资产的配置建议。Black-Littermanm模型自提出来后，已经逐渐被华尔街主流所接受，现在已经成为高盛公司资产管理部门在资产配置上的主要工具，被多个投资银行和资产管理公司用来进行资产配置。而其核心就是人工的智能，即人把自己的观点输入到模型进行干预，而真正的智能投顾是没有人工干预的，也就是说智能投顾一定不是BL模型。

传统资产配置模型，当我们在进行公募基金的配置的时候，它可能90%多的配置比例都会配置到货币基金和理财产品当中去，因此我们完全没有实现任何资产配置的功能，这是传统资产模型天生的一些缺陷。而传统的资产配置模型还有一个问题是它会进行频繁的调仓，输入的非常小幅度改变可能就会导致资产配置结果的巨大震荡。传统的资产配置模型，比如昨天配置50%的股和50%的债，但今天很可能配置的是90%的债券和10%的股票，这样用户就不得不进行频繁的调仓，而更高的调仓频率带来的是费用的问题，我们最终会导致我们所有挣的钱可能都交了手续费了。

而当我们真正在做公募基金组合的时候，我们还需要考虑公募基金一些特殊的一些情况，比如我们申购和赎回的时间是存在滞后性，公募基金你在今天买的时候，其实你并不知道你会买入多少份，因为它在几个交易日之后才会给你确认买入价格，那时候你才知道你买了多少份额，而你赎回的时候也有同样的问题。

另外一个是起投门槛的问题，因为不同的基金类型公募基金有ABCE甚至各种其他的类型，每一种不同的类型，它的收费方式不一样的，它的费用可能包括每年的管理费，可能包括销售服务费可能包括前端费用，后端费用可能还包括锁定期的费用。比如说我们一般都说C类基金没有费用，但实际上不是这样的。因为C类基金它不但有固定管理费，有的C类基金可能还会收比较高的销售服务费。一般来讲，对于C类基金，如果购买时间不足一年的话，还可能会收一笔锁定期的费用,虽然可能只有千分之一或者是更低，但是它其实是有费用的，无形中便增加了模型的复杂度。再比如说B类基金，它可能更多是偏向于机构投资者或者高净值客户。很多B类基金，它的投资门槛可能是500万人民币起。

王蓁博士说道，除了BL模型（Black-Litterman模型），其他常见的模型如现代资产组合理论、马克维茨模型、均值方差模型(MVO)等，在国内都不可行，其中，使用BL模型的一定是“人工的智能” 投顾。就实际问题维度，国内公募基金交易存在申购赎回的时间滞后、赎回价格的不确定性等问题。

很多银行证券、基金在做这种资产配置的时候，不但有公募基金类似的配置需求，而且有可能想添加一些自由产品——理财产品。理财产品可以是银行净值型理财，也可以是P2P产品，甚至可能是非标型的产品。由于这种P2P产品可能是非标型的，因而在跨大类资产配置时，我们就需要解决大类资产不同之间的稳定性和有效性等问题。跨大类资产配置的调仓流动性是一个更难的问题。

假设我们买了一个锁定期为一年的银行理财，虽然公募基金流动性有T+X（1、2、3...）之间的区别，但是相对于私募基金一年锁定期来讲都是可以忽略不计的，在这种情况下我们该如何处理？我们如果调仓，这个时间市场又变化了，我们依然可以调公募基金；但是私募基金占用的资金成本在锁定期内该如何去调仓，这个问题是一个很实际的问题，还有很多很细的问题，只有亲自去进行一个智能投顾系统的实施和部署，你才能体会到真正有多少的实际问题，有多少个坑在前面等着你。

王蓁博士是目前国内唯一没有人工干预的智能投顾系统、从产品需求设计到整个算法研究，带领开发团队进行系统开发以及机构部署唯一负责人，将在《智能投顾高级特训班》（ http://www.mooc.ai/course/157 ）系列课程中为我们分享，关于智能投顾原理、业态、算法模型和应用落地的一切。

量化投资是新概念吗？

量化投资是指通过数量化方式及计算机程序化发出买卖指令，以获取稳定收益为目的的交易方式。在海外的发展已有30多年的历史，其投资业绩稳定，市场规模和份额不断扩大、得到了越来越多投资者认可。

事实上，互联网的发展，使得新概念在世界范围的传播速度非常快，作为一个概念，量化投资并不算新，国内投资者早有耳闻。但是，真正的量化基金在国内还比较罕见。

国内的量化投资环境现在容易挣钱吗？

国内所谓的量化私募或者量化投资，一般来讲还是偏高频交易。

国内的量化投资环境现在容易挣钱吗？其实本质上问这个问题是想回答为什么我们需要智能投顾。随着我国经济进入新常态，资产的投资收益率会越来越低，这个时候就需要有新的投资方式，也是更理性更成熟的投资方式——量化投资——这也是在发达国家已经被广泛采用的投资方式。

智能投顾市场有多火爆？

在百科上，智能投顾的定义颇为繁琐。“智能投顾指虚拟机器人基于客户自身的理财需求，基于当前市场状况和底层标的表现，基于金融和投资学的投资组合理论，通过算法和产品搭建一个数据模型，来完成以往人工提供的理财顾问服务。 ”

国内的理财顾问实际上对于金融可能所知并不是太多，更多的是在维护客户关系以及销售上。王蓁博士定义的智能投顾是一套能够独立运行的系统，可以不需要人工干预，并且告诉理财顾问或者告诉个人投资者，你应该如何根据你的实际情况进行资产配置，最后组成一个组合投资，为投资者赚到钱。

智能投顾要解决什么问题？

第一，提升产能。财富快速增长带来旺盛的市场需求、人手不足引发产能矛盾、难以覆盖更多的群体，在智能投顾中都将得到一定的解决。

第二，个性化——理解每一个客户的个性化需求。有了客户的实际需求，然后就能进行类资产进行配置、选优，符合用户的实际需求，组建成一个个性化的投资组合。智能投顾其实很好地解决了财富管理行业在当前的痛点，也满足了未来发展趋势。

第三、紧跟市场。所有的定投，所有的买入持有策略、被动投资策略，甚至不适用美国美国市场、欧洲市场，这也对投研能力提出新的挑战。

第四、一致性。一致性即全流程，包括体验，服务流程，投资方案，投后的服务业务的解释和客户心理的安抚，定期的业绩回顾和市场教育。

第五、随时在线。智能投顾将实现互联网+数字化+智能化+24*7服务，可持续改进交互方法。

第六，提高效益。解决大量闲置的数据无法发挥效率（非机构化数据，文档、语音，离散的结构化数据），发现更多的业务机会同时降低成本。

详细课程内容，请点击 http://www.mooc.ai/course/157 。

添加助手小艾（微信号MOOCCAI），发送“智能投顾”，并提交姓名+公司/职位，加入“智能投顾”行业交流群，同行业大咖玩转智能投顾。

---

【智能投顾高级特训班】

AI+金融热潮下紧抓智能投顾前沿趋势！

四大行实操智能投顾系统端到端的经典案例，手把手教你利用人工智能算法搭建系统的智能投顾项目！

课程链接： http://www.mooc.ai/course/157

加入AI慕课学院人工智能学习交流QQ群：624413030，与AI同行一起交流成长

相关文章：

激烈竞标、P2P画皮、梯队站位，2017中国智能投顾之江湖风云

华尔街老司机：在美火热的智能投顾，如何移植到中国？

回顾 | Al x 量化：智能投顾如何解决金融机构财富管理业务的痛点？

回顾 | 风口杀到，智能投顾却在中国遭遇水土不服？

。