<mark id="oztn4"></mark>
2
雷鋒網2月27日報道，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。
然而，智能投顧只是數字智能技術與金融行業結合的部分產物。當金融遇上AI，潛力并不止成為一個投資顧問。那么，對比從古到今，國內到國外，不同的金融投資發展階段，AI都起到了怎樣的作用？當下AI在金融投資領域應用都有哪些優勢與不足？未來金融投資領域的各個分支方向可能會發展為什么模樣？
本次雷鋒網AI金融評論欄目（公號：aijinrongpinglun）公開課AI金融專場之第二期，我們邀請到了財鯨智能投顧聯合創始人王蓁博士分享見解。對于每一個細分領域的應用實踐，王博士都從“案例與要點對比”、“中美對比”以及“未來發展模樣預測”三個層面展開講述。
嘉賓簡介：
王蓁博士是北京財鯨信息技術有限公司聯合創始人，美國康奈爾大學博士、清華大學學士；特許金融分析師（CFA），金融風險管理師（FRM），持有美國資產管理咨詢個人牌照；他曾就職于美國紐約華爾街的彭博總部，從事多資產投資組合的量化建模和投資。王蓁博士曾應邀在中國科學院經濟學院MBA班教授量化金融投資專題課，曾在清華大學、五道口金融學院、對外經貿大學等發表量化金融講座，熟悉美國金融市場和監管法律，擅長大數據統計研究和各類人工智能方法。
以下是本次公開課實錄，雷鋒網做了不改變原意的編輯：
很高興今天能和大家一起聊一聊人工智能在金融投資領域方面的應用。近來金融科技這個詞非常火熱，也是雨后春筍般出現了很多非常優秀的創業公司，其中也不乏獨角獸公司。
我簡單的把金融科技分成了五大類：借貸、財富管理、個人投資、支付和保險，待會會具體到每一個細分領域分析。人工智能是怎么對這些領域產生影響的呢？在我看來，人工智能的本質是一個分類器，尤其是機器學習，所以AI可以對人群對事物進行非常好的分類判斷。任何對概率有需求、需要進行分類判斷的事情都可以用到AI、機器學習來解決。
這里我先稍微說明一下，因為我是做統計出身的，所以機器學習和人工智能這兩個詞對我來講是比較統一的，我是不會做任何區分，我說機器學習就是人工智能的意思。反之亦然。
言歸正傳，人工智能技術在金融投資領域的應用是全流程的：
前端用于服務客戶，在中臺支持授信（申請貸款能否獲批，獲批金額是多少）、各類金融交易和金融分析中的決策；
后臺用于風險防控和監督。
而人工智能的深度應用最終會改變金融現有格局，使得整個金融服務領域從前到后，從銀行、保險、理財、借貸、投資到日常生活的方方面面的金融需求都更加個性與智能化。
我準備從信貸、金融咨詢、金融安全、投資機會、監管合規、保險、智能投顧7個領域入手，簡單地說一些案例解讀人工智能是如何改變這些領域的，技術的具體應用，未來發展前景以及中美兩國的對比差異。最后我會重點介紹一下智能投顧，這也是我正努力研究的一件事，希望能給大家帶來參考和啟發。
首先我們看看人工智能在信貸中的作用。信貸是什么，信貸就是你去銀行借錢，銀行批不批給你，批給你多少錢。所以信貸的核心是對借錢人的準確分類。什么意思呢？我們要把有意愿還錢的人和沒有意愿還錢的人區分開，把有能力還錢的人和沒有能力還錢的人區分開，以及把能夠準時還錢和不能夠準時還錢的人區分開。
這只是一個大體借錢流程，而實際的信貸辦理流程是比較復雜的（復雜流程圖見上），用戶提交申請，機構審批，審批通過再放款，然后是還款。人工智能可以參與每一個環節。就用戶提交申請來講，為了避免騙貸，放款機構需要利用人工智能技術去識別哪些人可能是使用虛假資料騙貸，以避免經濟損失的發生。在實際過程中，可以通過活動檢測，人臉識別，聲紋識別，指紋識別，還有光學識別等各種技術來驗證，驗證以下兩點：一是不是你本人在申請，有沒有人盜用了你的身份；第二，你申請身份是不是正確的，和你提交的材料是不是相符。所以身份的核實其實已經用到了非常多的機器學習技術。
另外，我們可以再舉個例子。P2P放貸機構的關鍵就是要控制自己的壞賬率，其實很多P2P是通過三五千人的地推人員去找尋找能夠可靠放貸的人群。但實際上，當我們真正應用人工智能技術的時候，我們是可以實現大數據的智能審批。我們可以通過大數據識別這個人的還款意愿和能力以及是否能夠準時還款，從而給他合適的審批，并且根據他的相應經濟能力，給他一個比較合適的貸款書。
而且這個信審模型可以隨著數據的反饋而不斷進化，數據包括用戶是不是真的準時還了，用戶是不是真的全額還了，從而迭代模型讓機器不停地去學習，提高機器的性能。
舉幾個例子，第一個是專門做個人信用評價的公司Credit Kama，可以為機構后續授信和貸款等消費提供風控依據。假設我是一家P2P公司，我在向某人放貸前想要了解這個人的信用風險怎么樣，他會不會還我錢，那么我就可以向Credit Kama去咨詢這個人信用怎么樣。
第二個公司Lending Club是國內所有P2P公司的鼻祖。其實 Lending Club 很多業務是做機構批發和機構銷售，但是也有一個專門提供個人借貸的撮合平臺。我作為個人可以上 Lending Club 網站去發布借錢信息，如果有人愿意借我，那么我就能借到這筆錢。Lending Club 還可以幫助實現利率個性化，當我一開始去借的時候，利率可能比較高，但是我通過不斷的還款借錢再還款借錢這樣一個過程，Lending Club的信審模型會提高對我的信用評價，從而定制一個更符合我的實際狀況的貸款利率。這樣的話我可能一開始承受20%-30的貸款率，但是我的還款記錄良好，貸款利率會變成8%—9%。在遼寧科大也有這樣一套完整的人工智能技術，能夠對每一個借款人作出評價，從而讓借款人獲得最適合他的貸款利率。
第三個公司Capital One，主要是為美國幾十萬家中小企業提供多樣化、個性化的金融服務。美國中小企業是很多的，中小企業是整個美國經濟的支柱，而這些中小企業有非常多的金融服務需求。有一個典型的案例就是，企業可能需要短期融資，全信息化的 Capital One為中小企業服務時要求它們開放一部分內部數據給它，這樣的話才能為中小企業提供更好的服務——個性化利率。這背后有一個很有意思的故事，Capital One 擁有美國眾多小企業的內部數據，而它的相關員工可以看到這些數據。曾經有兩個中國員工利用這些內幕數據做了一個模型來預測其中上市公司的營收狀況，他們能在公司公布財報季報之前預測公司股票的漲跌，然后他們就購買大量的期權來炒。炒了還沒幾個月就賺了1900萬美元（如果我數字沒記錯的話），最后被美國證監會抓。不過這至少說明了一點：這些數據是真實有效的。
在國內信貸行業做得很好的公司是螞蟻金服，螞蟻金服直接相關的業務是互聯網小貸和征信。螞蟻小貸它背靠支付寶和阿里，擁有非常多的數據，這是它不可比擬的優勢。
第一是中美兩國都有的問題，數據來源有限。我們希望獲取個人盡可能多的信息，比如吃一頓飯用多少錢，若是金額很高總不至于是還不起錢；
第二是中國有數據互通障礙，比起平時生活中的數據比如房產、儲蓄，更直接的數據是借貸數據。但是問題是這些數據歸央媽自有，不可能提供給國內公司。而美國的數據很多是共享的，比如說美國三大評級公司之間有約定可以互相共享任何一家評級公司收集到的數據，但在國內是沒有這種數據互通的渠道，短期也是不可能的，你能想象支付寶把它的數據分享給騰訊，微信把微信消費數據分享給阿里嗎？不過我們還是很盼望這天的到來，因為這樣我們才可以享受到更加個性化的低利率。
第三是中國缺乏一個完整的信用評價體系。如果你在美國欠了醫院錢不還，醫院可以申報記錄到你的信用記錄中去。而在國內其實沒有這么完善，不過國內已經開始做這個事情，比如火車購票已經加入了類似“失信人系統”的東西。
最后一點，國內信用記錄的覆蓋人群是有限的，你必須在國家指定的銀行中有過貸款行為才會有信用記錄，而作為剛畢業的大學生他可能還沒有來得及買房買車，他的消費記錄很有限……這整個來說是有問題的。
在美國信貸公司，無論模型多么復雜，FICO分數依然是決定貸款利率非常重要的組成部分，單因素比重很大；
可以提高模型對非結構化數據的分析，例如社交網絡上的數據。
隨著時間發展和數據積累，借貸會在幾個方面做得更好：利率和授信額度的個性化；從被動接受貸款請求，到AI預判需求，主動提供個人貸款和企業融資服務
再說一下人工智能在金融資訊當中的作用。第一個典型應用是金融客服。人工智能技術引入專家系統，將80%用戶的常見問題進行學習，只需要很少的客服人員就可以通過人工智能識別客戶的問題，提供相應的候選解答和金融知識，極大提高效率。另一個是應用于金融研究：搜索引擎基于知識圖譜上已有的數據關聯，實現聯想和屬性查找，從而減少信息中的噪聲，呈現更準確和更有價值的信息。
案例與要點對比
一個例子是Bloomberg，該公司使用人工智能技術或者機器學習的技術能夠智能地分析用戶的問答。它有一個類似于QQ的窗口，你可以問出你的問題，如果AI非常確定（95%）能回答你的問題，它會自動作答。它的模式類似于微軟小冰或者是siri，但是金融的問題比較復雜，若這個機器判斷自己的回答只有70%的正確性，它會給客服直接呈現出用戶的問題的可能答案（ABC……），客服只需要做很快速的判斷哪個是正確的答案，選擇后點擊就可以直接發送過去了。這樣縮短勒服務流程并且提高了效率，可能從前的服務平均時間是40分鐘，那么可以縮短只需要4分鐘，甚至更短的時間。
另外一個例子是叫Kensho，號稱是金融領域的Google，能夠自動抓取相關財經新聞，并進行結果匯總，極大提高金融研究的效率。比如行業分析師他可能花了3天分析東西，其中兩天半都是在搜集相關的數據，最后的半天在進行匯總和分析。Kensho就可以幫你節約前兩天半的時間。你可以輸入一個具體的詢問，比如說你可能想知道蘋果手機發布會前三周的某一周亞馬遜的股價會怎么變化。你可以問它這樣一句話，它會自己抓取相關的新聞和相關的數據，然后計算并告訴你一個結果。
國內就是萬得資訊，萬得號稱是國內的Bloomberg，提供比較全面的國內市場數據，尤其是很多需要大量人力敲門才能獲取的數據。國內數據他們是翹楚，但是就是一個典型的數據終端，它并沒有做進一步的加工分析。
中美之間的差距還是非常明顯的。前面美國的兩個例子其實已經實現了很多機器學習方面的智能應用，而國內的萬得只是一個數據終端。不過另外一個換個角度來講，就是我們還有很大進步空間嘛。
未來會有更多數據的積累，更加完善的系統，從而實現更精準的查找，更智能的自動分析，更及時地響應用戶的需求。
結合智能投顧，推薦投資方案
如：提問“原油價格暴漲”，從新聞OPEC會議減產，到能源價格到其他行業的傳導，到對市場的可能影響，到對這些可能的影響結果使用。歷史數據進行回測，再進一步篩選出相關的投資標的，評價投資價值，最后給出推薦投資方案
金融百科全書數據庫，全方面覆蓋金融領域從市場、研究、交易、社交、生活、甚至是二手買賣和快遞外賣的功能。國內這方面做得還是相對比較有限，所以說進步空間也很大。
人工智能在安全當中的應用與前兩項是一脈相承的。使用AI來識別和判斷每一筆支付交易，對其分類和標記；人工智可以識別出的支付欺詐，并且收集客戶反饋不斷迭代改進更加精確。金融安全舉個例子比如說刷信用卡，信用卡有可能會被盜刷。那么人工智能就可以用來判斷到底是真的消費記錄還是一個欺詐的消費。
一個創業公司叫Stripe，類似支付寶，使用AI來識別和判斷每一筆支付交易，對其分類和標記，對人工智能識別出的支付欺詐（比如盜刷信用卡）。并且不斷的學習，能夠達到很高的準確度。
而國內這方面就是支付寶，支付寶有一個證件校驗，花唄與微貸業務使用機器學習把虛假交易率降低了近10倍。OCR系統是為了支付寶的證件審核開發的，它使證件校核時間從1天縮小到1秒，同時提升了30％的通過率。以前是靠人識別，可能會誤判，比如人識別是50%的識別率，那么機器他現在比如說做80%的識別率，這是非常了不得的。
國內還有一家做照片比對的face++，我強調一下他們是做照片的比對。相對于照片識別來說，比對是一件比較容易的事情，最起碼現在是這樣。人工智能在照片比對方面比人更優秀，能夠有更好的識別率，或者準確率。比對原理就是抽取兩張照片其中的特征，每個照片各有一套特征，然后進行兩套特征的比對，然后算出其中的相符概率。一個簡單的例子，最強大腦里的曠世神人水哥都戰勝不了人工智能小度。
在身份驗證方面，國內優秀企業已不輸甚至領先于美國。原因有兩點，一是得益于中國龐大的人口，消費數據大，測試的樣本數多，收到反饋數越多；二其實是對個人隱私保護的匱乏，在美國這個事情很難做，因為你一旦遭遇盜刷或者有問題的話，美國的信用卡公司或者是銀行是要給你全額賠付的，個人是不用承擔任何責任，而國內不是這樣，很多時候只能自認倒霉。以上兩點是非常具有中國特色的原因，這兩個原因對于金融安全機器學習來說是一個好事。
但在支付安全方面，美國比國內做得好，這主要源于美國在支付安全方面的持續投入。一旦出現問題了，它要全額賠付。所以說不得不花很多的錢去做這個事情來降低自己的損失。國內是沒有這個動力。
接下來我想說一下人工智能在監管合規當中的應用，其中一個典型是反洗錢。反洗錢是好事，也是壞事。好事就是遏制貪官污吏洗白，洗錢的成本大概是17%到20%+。那么反洗錢的壞處是什么呢？反洗錢的壞處就是快捷的手機支付可能不再如此方便快捷。
我們現在之所以有這么方便快捷的微信支付和支付寶，本質上就是我國沒有反洗錢的相應機制，一旦反洗錢的機制像美國那樣設立起來，就不會那么快捷了。它跟篩選垃圾郵件很像，需要判斷這是不是一筆有洗錢嫌疑的資金交易。說到底還是一個分類問題，所以說反洗錢是非常適合機器學習的，今天是用人工通過一些固定規則把它抓出來，但是這個規則也許本身是可變的。用機器學習，通過輸送大量的信息，它就可以自動抓到。未來，AI在監管合規方面有很大的發展可能。
在美國有個非常有意思的公司，叫Palantir。Palantir是一家大數據公司，就是做各種分類分析，包括金融的反洗錢、軍事等各種實際的應用；他的客戶包括了美國的中情局FBI。Palantir已被證實的功績包括，幫助美國證券投資者保護公司（SIPC）發現了納斯達克前主席麥道夫（Bernie Madoff）的龐氏騙局（Ponzi Scheme）。還有另外一個沒有被官方證實的，但是大家一直在說的功績就是，本拉登藏身地點是Palantir協助美國軍方找到的。
國內的反洗錢這一塊剛剛起步。國內監管目前基本靠人，差距明顯。部分原因可歸結于體制因素，缺乏動力。
第五部分是人工智能在保險當中的應用——個性化保費，但據我所知，現在還沒有這種商業化的個性化保險公司。
案例要點對比
有一家公司叫Insurify，它是做人工智能來識別車的保險。我只需要對著我的汽車車牌拍照片，上傳這張照片，它就可以自動識別你的車的相關所有信息，它可以收集你以前出沒出過車禍，有沒有違章記錄。然后你現在的這個保險信息是什么樣的，并且它連通了82家相應的保險提供商，他會作為保險的代理人幫你去設計個性化保險。根據你的駕駛記錄或者根據年齡。
還有一家美國公司叫23andme.com，你只需要花99美元，根據遺傳信息檢測，可以提供低廉的（99美元）的個人未來健康預期的可能風險和可能會得的高風險的疾病，這個理論上是可以結合到個性化保費中，雖然倫理上是一個問題。保險是對于投保人的真實情況不十分清楚，用一個大量的一個樣本，然后來平攤風險，而當保險公司結合這種遺傳信息，能夠比較精準的識別，如果知道投保人未來可能要得唐氏綜合癥，就會有一個歧視區分的保費，所以說，這在倫理上可能會出現問題。
美國剛剛起步，但中美都是最最早期階段。
車險等其他事物性保險，未來會自動出具最優方案；比如說你的車險到底貴不貴，可以通過識別很多信息，現在只是給你做了車險的報價，但是未來可以更精確化報價，這是怎么做到呢？根據你的年齡、你的平常的習慣（或許你是一個喜歡飆摩托車的人，那么就會把你的汽車保費提高），搜集你其他相關的數據，來做更個性化的保費。
然而具體到疾病險，其實主要是倫理和法律問題，而不是一個技術問題。
傳統的投資盡調工作全部由人工來完成，每個盡調人員通過閱讀大量的資料信息，沉淀并過濾出相應的關鍵信息形成投資調研報告。
應用人工智能的技術可以將投資盡調的網絡爬蟲抓取信息、利用自然語言分析引擎進行分詞、數據降維(合并同類項)&提取詞之間的相關性、構建知識圖譜、提取出有價值的信息、分析判斷文章正向/負向、進行趨勢分析、提供分析報告等工作整合在一起，提高盡調工作的效率與準確性。
日本三菱UFJ摩根士丹利證券資深股票策略師發明預測日本股市走向的機器，四年測試模型正確率為68%。
09年成立的對沖基金Cerebellum旗下管理著資產為900億美元，一直使用AI進行輔助交易預測，并且自2009年以來每年均是盈利。
J&J宣布以300億美元收購瑞士醫藥公司Actelion，以J&J在海外存放的現金支付，三大基金在收購前幾個月多次發現強生高管出入瑞士機場，便猜測是要收購那家公司于是賭了一把，在消息公布前分別入貨，大賺一筆。
然后國內例子是用人工智能去做高頻量化基金。
在這個領域，中美對比相差很遠，主要原因有五點：
可投資產種類少，衍生物等。美國有豐富的衍生物，而中國其實大家就炒炒個股，可能還有漲跌停板的限制。
可投機會/投資方式少，很難對沖。
可投市場少，國內市場準入門檻高，有的好市場普通投資者，甚至私募和大多數公募基金都無法參與，只有極少數“特殊資質”國有機構才可以。
風險集中，外匯管制。例如國內投資者只能囿于國內投資，美國和日本可以把資產完全分散到海外了分散到全球。美國和日本分別有20%~25%的可投資金投資在本國境外，而中國大概有1%，由中國國家主權基金比如說工行代表著我們這些韭菜投出去的。
政策變化快，模型壽命短。就是我們所有的機器學習模型，其實本質上都是要對數據進行判斷，它需要在一定特定的環境下進行，而中國的政策整個大環境變化可能會比較快。萬一一行三會合并了，那是不是政策又會出現新的政策呢？那會導致我們的模型失效，所以我們不停地要迭代模型。
雖然中美有很大的差距，但是實事求是來說，中國股票市場大概花了二十年的時間大概走完了美國大概多于一百年的時間，我們的效率還是很高的。
我們現在大踏步的后腿，實質上是大踏步的前進。
最后我想說一下人工智能在智能投顧當中的應用。傳統的理財由用戶自主選擇，無論是基金、債券、信托均基于用戶自己的風險偏好水平以及自己判斷，理財效果因人而宜；引入人工智能后，系統可以評測用戶的風險偏好，推薦相應資產組合，一鍵下單完成交易；后期不斷檢測資產表現情況，必要時進行風險提示以及調倉推薦。對用戶而言，選擇了專家系統來作為理財顧問可以很好地控制理財風險，保證資金收益，一鍵式的操作也非常有利于用戶體驗。這也是目前所謂的“智能投顧”或者“量化投資”的模式。
實質上，智能投顧是把私人銀行的后臺服務線上化，讓大家可以低成本使用。而智能投顧公司，其實是搞算法或數學模型的公司。機器人背后是復雜的數學模型，通過機器人投顧讓投資更簡單、便捷和穩健。不過，機器人投顧不可能保證100%賺錢，只能盡量做到幫散戶控制好風險，盡量提升用戶長期盈利的概率。
這里再教大家如何評價一個智能投顧公司靠不靠譜，那就是要看真正做策略的人，如果這個人統計、建模、研究能力不夠強，大家就要小心了。
國情不同，美國沒有動力更進一步，但中國需要更先進更好的智能投顧。要提一下的是定投。一般教科書會告訴你，定投3個月、半年的效益，但要是看一個5年的周期，你就會發現，定投和平均購買沒有任何區別。也就是說，定投是一個無效的東西。
而更好的、更適合中國市場的智能投顧是指什么：
多類資產，甚至是跨大類資產。
主動+被動式投資：alpha + smart beta + market beta。
多種投資周期：長短結合和選擇。
個性化的投資顧問：個性化風險，智能配置，主動式投后管理和調倉。
多樣性的投資手段：美國永遠全倉，我們可以滿倉，半倉，空倉和部分市場的對沖。
美國的智能投顧實際上有政策催化，美國有一個養老金入市制度，例如“401K計劃”，企業為員工設立專門的401K賬戶，同時企業向員工提供數種不同的證券組合投資計劃，如股票、共同基金、國債和公開市場票據等等。美國政府給予一定的稅收優惠，也鼓勵人們存錢（主要原因是美國的人均儲蓄率是-2%），但一個問題就是你必須在退休后才能取出來錢，提前取出來的話要受到額外10%的懲罰，所以一般人是不會取出來的。事實確實證明過去100年美國股市一直保持上漲。普通人其實就可以放進去，不需要操心太多事情，但這是美國的國情。
中國是不行的，為什么呢？中國沒有這種強制養老金，而且中國的社保實際上虧空的，中國最大的龐氏騙局之一就是社保。有很多思想覺悟不行的人不交社保，這樣龐氏騙局是沒有能力維持下去的，人人都要都有當韭菜的覺悟。情況不一樣，所以對智能投顧的性能要求不一樣，美國的智能投顧就可以非常簡單。而中國的投顧就因為要求比較苛刻，它需要有更先進的技術。
在多類資產、跨大類資產方面，因為美國的特殊情況，他們只需要配置被動的ETF，被動的隨著市場往上走就好了。但在中國市場，你要是敢這么配，被動式的你10年后面對的結果就是錢一分沒有增加，同時因為通貨膨脹，房價上漲，你的錢可能縮水到原來的1/4。所以說這個是我們要跨大類進行配置的原因。
這方面第二點是主動加被動，我們不但需要有一個市場的貝塔，我們還需要一個行業或者細分的貝塔，或者叫聰明的貝塔。還要盡量在這兩個基礎上能夠做到更好，能夠在此基礎上加一個阿爾法。
美國的養老金計劃是一個非常長期投資，可能是10、20、30年的長期投資，但中國的韭菜是不可能投資30年的。所以在中國就要考慮到給用戶三種選擇：短周期的選擇、中周期的選擇和長周期的選擇。這其實是一個很難解決的問題，因為長期來看收益會比較穩定，長期會熨平波動，而短期波動會比較大，所以說越短越難做。
另外智能投顧還都需要個性化，風險個性化、投資周期個性化，這也為投資之后的管理和調倉增加了極大的難度。
還有一個差異就是美國永遠都是百分之百全倉殺入，這如果在中國那不就是瘋子嗎？所以我們希望能夠做到控制倉位，可以滿倉，半倉，空倉和部分市場的對沖。
財鯨深海智能系統，大體的流程就是從大類資產配置到篩選出來相應比較優質的公募基金，公募基金篩選出來之后，把這個公募基金進行性價比最優的匹配。然后其中用到了很多自然語言處理、迭代神經網絡，改進遺傳算法，本質上我們用到了大量的無監督學習技術，會有一個真正交易后的實時監測、調倉。
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：
傳統模型結果不穩定，其數據利用其實是很有限的，并且對市場顯得非常緩慢，而且對風險沒有什么抵抗力。具體來說，MVO優化模型假設所有輸入都是100%確定，而資產預期收益等特性存在廣泛不確定性，資產數據輕微擾動變化，會得到完全不同的配置結果。
MPT投資周期過長: 一般適用于較長投資周期（如美國養老投資），但國人投資周期普遍較短。
投資風格單一，缺乏現金和非標資產管理，傳統馬克維茨模型無法對現金進行有效管理，且不包含非標資產。傳統馬克維茨理論，其實不能管現金，它必須全倉殺入。為什么呢？因為它無法加入其他的資產，就是不同于被動投資的其他類資產；它也無法加入很多主動型的基金，它更無法加入非標準的投資，你更不要提把我的房子、車子、p2p加進去了，而且它只能全倉做多。
數據維度利用有限，僅使用歷史數據，但歷史不代表未來表現。
市場響應緩慢，常見資產模型缺乏監控模塊，無法對市場進行實時評估和響應。
風險抵抗能力有限，無對沖方案。
而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。
看一些有意思的結果吧。左邊表格是我們做的統計，結果是國內公募基金的投資風格實際上和申報的不服。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。
基于貝葉斯概率圖論的多因子模型，確保資產分布穩定
現在可以進行資產配置了，真正做模型其實有很多前提假設，無論是它的凈值還是因子，我們需要去檢驗這些假設是否符合。
舉個例子，左邊這幅黑白圖，我們可以看到每一個因子的分布都是奇形怪狀的，實際上奇形怪狀是不符合我們的假設的，所以說我們需要去修正關鍵詞去做模擬。于是我們用機器學習技術去學習每個用戶他實際的分布，糾正這種假設，然后再動態模擬出他是什么樣子，就是右邊這幅紅的圖。之所以右邊一行一列，看起來像梳子一樣，那是因為其中有一個因子變量，它的取值是離散型的。
現在終于可以進行計算了。這個圖比較復雜，藍色代表著它的權重低，紅色代表的權重高。左邊的紅黃是用來配置資產，右邊的這個藍紅是用來監控市場，從而實現及時調倉和市場，大概要算很久，其實是若干個分類，中間的白線是整個上證基金指數的走勢。從2015年初到2016年一個走勢是大起大落，像底下的債券型就是用機器學習出來的結果。
智能化組合監控及調倉
縱坐標是風險等級，橫坐標是時間點。每一個點代表了這個風險等級下的一個調倉動作，點的大小代表調倉比例大小。不同的風險等級機器會做出不同的判斷。其中風險等級最低的1幾乎不需要調倉，就算調倉，幅度都很小。因為風險已經最小，你沒有必要去調整。
但是當風險的提高時，調倉頻率在增加，就是每一個橫行的點的密度在增加，同時點的大小可能也在增加，調倉的頻率和幅度都在增加。
很有意思的結論是，把10和8相比的話，10的調倉頻率反而要小于8，而且調倉幅度要小。我們后來看實際的數據，風險為8的時候，其實一般會配7到9只公募基金，10的時候可能只會配5到7只公募基金。這是因為當風險達到最高的時候，我們的機器就認為最好的方式就是賭，干脆聚焦在一些少量的選擇上。
智能投顧是行業大勢，十年前中國式無財可管，中產階級的興起，現在財富管理是剛需；而智能投顧解決了門檻問題，你不需要有1000萬2000萬去私行，而你只需要可能20萬就可以做一個智能頭部的一個完整的一個理財。
區域發展階段肯定是從國內發展到全球，這是所有國家的發展路線。
過程發展階段：通道-> 券商-> 產品 -> 財富管理（智能投顧）
從一個通道（因為涉及到外匯管制的問題），然后到券商讓大家炒，等大家炒虧的人多起來的時候，就會有人不想炒股想買好產品，再到產品出現資產荒，資產荒之后才能實現一個真正的財富管理。
在國內的問題，這些也是B端機構落地的考慮：
專業性非常高，門檻在里面，做好很不容易。
B端機構要意識到中美國情不同導致的智能投顧不同：美國養老金制度哺育了美國的智能投顧，而中國不同，投資周期不同；此外美國儲蓄率低，定投有效，中國長期定投無效。
中國投資者教育比較落后，中長期投資在中國沒有市場，很多人追漲殺跌，注重短期收益。
信任感問題，面對面的個人理財顧問取信度會比較高，而機器沒有這種先天優勢。
合格理財顧問的培養比較困難，中國國內的理財顧問大多數都是銷售，如果在私人銀行培養一位合格的理財顧問可能需要5到7年，這在國內幾乎是沒有的。
如何獲得投資者財務狀況全貌，包括房產、車、儲蓄、信用賬戶等。
意識到智能投顧的當前的局限性。
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。
以下是公開課視頻：
相關文章：
第四范式胡時偉：如何以產品化最快實現AI商業價值？| 硬創公開課預告
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
