<mark id="oztn4"></mark>
0
| 本文作者： 溫曉樺 | 2017-10-25 08:59 |
雷鋒網AI金融評論按：本文為雷鋒網AI金融評論與AI慕課學院舉辦的“智能投顧基本原理及美國式智能投顧中國化現狀”系列特訓班的基礎入門課程精要。在接下來的系列課程中，王蓁博士即將帶來更加詳細、實踐化機器學習算法進階的教程，手把手教你搭建專屬的智能資產配置模型！http://www.zaocj.com/special/mooc/03.html
雷鋒網AI金融評論報道，創新源于跨界融合。如今，人工智能已經不是科技公司創新創業的專屬武器。隨著時代和社會科技基礎的進步，AI已經以雷霆萬鈞之勢從學術界潛入產業界的每一個角落，成為了傳統行業變革求新、提高效益的利器。而在可高度量化的金融投資領域，AI的介入誕生了新的產品——智能投顧。
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能方面的招聘崗位卻在逐步上升。
先鋒基金、黑巖集團等公司基于機器學習、人工智能技術管理的資產規模正大幅上升，而且資產管理總體的規模也在呈現指數式增長
還值得關注的是，在蓬勃和熱鬧之余，如今的中國智能投顧行業還充斥著不少亂象。行業冒出了很多不知名的非主流的同業。一部分是原來的P2P公司，理財產品搖身一變“智能投顧”；一部分是原來主打財經媒體、社群的公司。
從更具體的角度來說，在雷鋒網AI金融評論與AI慕課學院舉辦的“智能投顧基本原理及美國式智能投顧中國化現狀”系列特訓班中，王蓁直言，常見的智能投顧都是“人工的智能”。
他解釋說，常見資產配置模型，諸如現代資產組合理論、馬克維茨模型、均值方差模型(MVO)、Black-Litterman模型等，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后、贖回價格的不確定性等問題。
諸如上述問題，歸根到底又說明了什么呢？要解釋這一現象，我們先要了解什么是智能投顧，以及我們為什么要做智能投顧？而美國是智能投顧的發源地，行業的成熟度居于翹楚。美國智能投顧的原理是什么？為什么受到美國投資者的歡迎？美國智能投顧模式在國內可行嗎？對于中國而言，有何借鑒之處？
百度百科：能投顧英文叫做robo-advisor，直譯過來是機器人投資顧問，是指虛擬機器人基于客戶自身的理財需求，基于當前市場狀況和底層標 的表現，基于金融和投資學的投資組合理論，通過算法和產品搭建一 個數據模型，來完成以往人工提供的理財顧問服務。
簡單來說，王蓁表示：智能投顧就是一套獨立運行——可私有化部署，告訴投資者如何個性化投資——符合自己情況，并且最終能為投資者賺到錢的系統——幫助個人投資者在95%以上的時間都能做到比自己投資操盤更好。
財富管理業務要經歷以上四個環節。而未來三十年，財富管理才是真正的大趨勢。
但是，目前財富管理還存在許多問題和矛盾，相對應也要采取一定的措施來解決當前的問題。
上圖表格中，左側縱軸分別為大類資產分類，橫軸和縱軸相同色塊對應同類型的大類資產，關于美國股票被動式資產相關性的調查，Wealthfront通過收集過去30年數據調查顯示，上圖大類資產呈現出的規律——左上方偏股市的大類資產，相關性更強（綠色越深，相關性越高）。而右下方債券型資產，相關性整體則要低一些。
紅色越深，資產相關性越高。右下角資產類型占比較高。
如果做全局考慮中美相比之下，中國股市和債券型資產的相關性比美國市場的股票型和債券型資產相關性更高。所以，國內智能投顧做資產配置，資產之間的聯動效應會更加明顯，假如將國外智能投顧移植到國內，挑戰更大。
值得一提的是，統計結果顯示，國內公募基金的投資風格實際上和申報的不符合。我們國家有的申報的公募基金，比如這5種，總的比例是百分之百，然后把這5種簡單分成3類，第一類是實際上是股票型的基金，第二類實際是債券型基金，第三類是實際是貨幣基金的。我們可以看到，號稱自己是貨幣基金的基金，真的全部都是貨幣基金；但是號稱自己是債券基金的，可以看到，每4個號稱自己是債券基金的基金，實際上都有一個投資是股市，都是掛羊頭賣狗肉。甚至，我們在實際研究中發現有的公募基金，自己號稱是做醫藥板塊，但80%的倉位是軍工。
這種現象在國內也屬于中國特色，那這就造成了很大的問題。如果直接用這些基金的申報風格去做資產配置，那么得到的一定是錯誤的結果。每4個債券型基金，就有一個債券型基金，實際上投資是股市。我投資了一個債券，一個股，我是不是分散了？實際上投資兩個股票，比如2015年大跌的時候，那你就虧了。
經典的馬克維茨理論或者現代資產組合理論在中國市場上應該是不可行的，存在明顯缺陷，而機器學習輔助之下模型可得到一定優化：采用機器學習技術之下，使用穩定的一階統計量配置資產，使用二階統計量，融合機構調研成果，監控預測市場變化。
這塊澄清一下——我們做不到在市場崩盤前提前預知，但是我們可以盡量做到市場崩盤后，或者剛剛開始崩盤的時候，立刻撤出來。
Kensho 創始人 Daniel Nadler 說過一句話：“我們正在以破壞大量相對高薪工作為代價來創造極少數的更高薪工作。”應用人工智能對各行各業的影響已經開始顯現。其中，對金融的影響只是其替代人類腦力勞動的一個代表：從替代簡單重復性腦力勞動，比如大量手動交易執行到自動化交易執行；到信息收集和初步分析，比如數據統計，智能金融客服；再到各種投資預判和決策，比如上面提到的智能投顧。
目前我們的科技還停留在弱人工智能階段。從技術角度看，人工智能的各個細分領域尚面臨著各自的技術桎梏；從市場應用來說，缺乏席卷用戶的現象級產品。而當我們突破這個瓶頸的時候，我們就會迎來人工智能的下一個春天。
王蓁：首先，不直接把中國和美國智能投顧對比。我首先認同很認同的一點是：智能投顧在國內是有很廣闊的發展前景，因為：
一、其實國內存在比美國更大的金融專業人才或者理財規劃師空缺，無論是人數還是專業能力上都有比較大的差距，而智能投顧又是能夠很好解決這個問題的有力工具。
二、國內十幾年前是無財可理，但現在國內已經進入經濟的新常態，整個經濟慢慢進入成熟，這是一個發展中國家變為一個發達國家的正常路徑，大家開始會越來越多地體會到理財的重要性，然后隨著市場教育的深入，智能投顧會有很大發展空間，而在這一點上，美國相對來講，傳統金融機構比較成熟，已經瓜分好了各個市場，美國的市場教育也積累了很長的時間，所以說這一點中國確實是也比美國要有更多的可能性。主要就是這兩點。
王蓁：這個問題其實挺復雜的，我先提供兩個答案吧。
簡短答案就是，大家跟著我一起把所有的初級中級和高級課程走完一遍之后，大家對智能投顧整個的原理和真正的量化的部分就會比較有概念了，那么當我們再以專業的眼光看市場，我們就能很輕易分辨出來，這是第一。
然后如果具體到技術細節，所有的分辨是基于專業能力。咱們的課程初級中級高級其實就是教會這個東西，今天的課程會相對比較簡單，下一次的課程其實就已經開始正式機器學習算法層面的內容了，然后從第三節的課程大家要做好心理準備，我們就可能會上一些真的大腦會急速消耗的東西、內容，但是大家也是滿滿的干貨，會收獲很大。
王蓁：中國的QD產品，我如果沒理解錯的話是指中國的類似于QDII這些主投海外的基金。首先，相對來講，中國的QD產品可能會比國內其他公募類型的公募基金更適合作為這個美國智能投顧模式的底層標的或者資產池，因為國內的QD基金主要是追蹤于國外的一些指數，但我不得不提一句，根據我自己的調查，國內的很多QD基金，其實際的漲幅和國外的指數是脫離的。這個我不知道是為什么，有可能基金經理的問題，也有可能是資金管制的問題，但如果用國內的QD基金和直接投資美國的指數的話有點類似，但是效果肯定還是不一樣，這是第一。
其次，國內的QD基金一般來講都是T+7的認購和T+7的贖回，所以說一買一賣大概20天過去了。在這樣的情況下，其實他和美國的標準ETF當天買賣的流動性差距還是很大的，這一點在資產配置上也會導致不同的差異。
而且QD基金的費用也要比ETF要高很多，所以說無論是從費用還是從流動性，還是從追蹤誤差方面表表現上來講，QD和美國的這些被動式投資的標的還是不太一樣，而且中國的QD還是數量比較有限，投資的目標也比較有限，比如說我們說要追蹤投資巴西的一個什么指數，國內QD沒有這樣的產品。
所以在這幾個方面來講的話，中國的QD相對于其他類型的公募基金，是可能更適合這個美國智能投顧方式，但是還是有很多問題，至少我剛才提到這四個方面的問題需要解決。
王蓁：首先，目前當前智能投顧對用戶風險等級的劃分，現在市場上出現的啊真正上線了的落地了的全部都是基于問卷形式，為什么呢？
這是因為今年諾貝爾經濟學獎獲得者是賽勒，其研究成果行為經濟學有很大的貢獻。這套問卷其實也是基于成熟的行為金融學一套理論總結出來的，所以問卷本身是沒有問題的。
但是，問卷有一個什么樣的問題呢？你無法保證用戶對你的問卷會真實回答，那么問卷收集到的最后結論一定是不準確的，對吧？
我們其實有更準確的方法。我帶領的小組其實在9月份用真實的數據——其實我們以前其實是用美國的數據，但8月份拿到了一批銀行的脫敏數據，比較多，而且剛好是用戶的行為數據，所以9月份我們剛好就驗證了自己的模型——可以做到基于用戶的行為，比如說用戶在這個銀行內的存款，用戶的消費記錄用戶的貸款記錄，用戶的轉賬記錄，用戶的各種產品交易信息，還有其他的綜合的銀行能收集到的所有的信息，然后對用戶進行更加準確的風險等級的劃分。
相比之下，用戶問卷肯定是最基礎的，但這個很容易出現偏差，基于用戶行為的其實是更符合人工智能的方式。但是基于用戶行為會有問題——因為單一家銀行可能會對用戶的行為產生誤判。因為用戶可能在中國銀行有賬戶，在建設銀行也可能有賬戶，但彼此數據并不相通。
不過，這個問題是可以通過深度學習的方式來解決，我們實際測試的結果應該是88%到92%的準確率。那剩下8%到12%的同學呢，對不起了，那劃分確實可能數據不夠，數據多的話可以劃分得更好。所以說其實這個問題倒不是最大問題，最大的問題是可能產生樣本的偏差。
王蓁：這個一問就是行家，為什么呢？因為現在其實國內金融監管比較嚴厲，然后其中不只是投顧有交易費的問題，還有其中扣款失敗的問題。基金轉換其實是行業內大家用的比較常用的一種方式，而且能夠做到轉化費零折，就是完全免費，那其實這家機構其實已經很厲害了，等于是我們在調倉的時候比較少的低費用了。這是一種做法，就是通過基金轉換風格轉換，而不是通過這種買入賣出，這是一個很好做法。
除此之外，事實上還有另外三種比較巧妙的做法，我們通過這幾種最有調倉的方法，實現調倉費用降低了67%……
——————————————————————————————————————————————
更多更詳細的智能投顧以及量化投資實操系列特訓課程，敬請訪問雷鋒網旗下AI慕課學院：
http://www.mooc.ai/course/157。
添加助手小艾（微信號MOOCCAI），發送“智能投顧”，并提交姓名+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。
【智能投顧高級特訓班】
AI+金融熱潮下緊抓智能投顧前沿趨勢！
四大行實操智能投顧系統端到端的經典案例，手把手教你利用人工智能算法搭建系統的智能投顧項目！
課程鏈接：http://www.mooc.ai/course/157
加入AI慕課學院人工智能學習交流QQ群：624413030，與AI同行一起交流成長
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
