feedback

意见

反馈

back-to-up

回到

顶部

没钱请投资顾问?未来你肯定用得起这些机器人

数据侠

· 邱琦

口述/邱琦 编辑/张弦   2017-02-24

机器人来做投顾,这事靠谱吗?我们来听听国内较早进入智能投顾服务领域的璇玑战略总监邱琦,是怎么来回答这个问题的。

DT君说

一拨人告诉你智能投顾绝对是资本风口,另一拨人告诉你这完全就是瞎扯,是泡沫。

“智能投顾”,简单理解就是用机器人部分代替或者全部代替投资理财顾问,帮助人们做出投资判断。

这个词在中国被炒热之前,已经在金融业发达的美国市场发展了很多年。最早大概可以追述到2011年美国在线财富管理公司Wealthfront开始提供智能投顾服务。Wealthfront进入市场后,因投资门槛低、打理费用低等优势,先是在硅谷市场受到了欢迎,之后便在全美一炮打响,成功跻身独角兽行列。大概是觉得很有市场前景,目前全球最大的资产管理公司贝莱德、美国券商嘉信理财、领航等,也都开始积极发展自己的智能投顾产品。

这股热潮蔓延到中国,已经是2016年的事儿了。去年年中PINTEC集团上线了智能投顾品牌“璇玑”,年末招商银行也在其官方APP上正式发布智能投顾产品“摩羯智投”……许多落地产品的诞生,意味着智能投顾服务在国内主流金融圈有了一席之地。

但是,对于手里有点闲钱的普通投资者来说,如果你的钱都交给机器人来打理,你放心么?你可能有如下这些疑问:

  • 机器怎么知道你的资金情况或风险偏好?

  • 机器给出资产配置建议的原则和逻辑是什么?

  • 机器如何在风险和收益之间找到最佳的平衡点?

机器人到底能不能胜任这种角色,我们还需要找业内人士来聊聊。DT君专访了PINTEC集团旗下数字化资产配置服务商璇玑的战略总监邱琦。作为较早进入国内智能投顾行业的数据侠,他对大数据在投顾行业中的应用前景十分乐观,这毫不意外。不过,这些观点不是无本之木,他详细地解释了大数据和人工智能技术在投前、投中和投后阶段的设计想法和应用思路,这些或对帮助和培育智能投顾的未来市场有所帮助。

当然,他的观点只代表智能投顾领域的一家之言。兼听则明。DT君未来将继续邀请这个领域内的数据侠来发表他们对智能投顾领域的多种看法。

邱琦:AI在智能投顾中做了哪些事

(DT君注:以下内容根据邱琦采访整理完成,文中小标题为DT君所加。)

智能投顾让“轻量级用户”受益

智能投顾这个细分行业产生的大背景是,人人都有财富管理的需求,但能接受传统的私人银行家或高级财务顾问服务的资金门槛很高,且服务费不菲。对于一个仅有几万元资产量级的用户,如果没有技术性的革命,他可能永远都享受不到好的资产配置服务,可能永远会被销售产品。

我们今天可以把对客户的了解认知和定制化服务这一套东西作技术方面的改进,就是基于这样的大背景。

另外,互联网行业的整体特征是边际成本递减。只要这个产品完成了,固定成本就基本上已经确定,服务更多的客户对公司只有好处——这也是为什么在互联网时代下,投顾服务能够下沉的原因。

接下来,我来结构化地来讲一下,数据在璇玑体系下的一些具体应用。


投前:“智能地”给用户画像

财富管理的结构,大致可以分成投前、投中、投后三个部分。投前部分的主要任务是对客户的认知。

财富管理和投资有所不同:财富管理是面向长期的。比如,对于有一定量级财富的人来说,最重要的是保值增值,而不是说一夜暴富。在这样的情况下,了解用户的实际需求等情况就非常重要。

一方面,我们要能快速获取传统上收集不易的信息。比方说,在传统的财富管理情景下,当客户和财务顾问关系并非很熟时,资产量级的信息通常比较难获得,但这个信息对于资产管理有非常重要的作用,这部分决定了这份资产应该以什么样的态度去做投资。

同样重要的还有用户的行为决策信息。有一句很有名的话:“投资人的最大敌人是自己”。投资人在行为上的偏差导致的追涨杀跌等是不理性行为,这都是我们要解决的问题。

在这个过程中,我们和专门研究行为金融学的朱宁教授合作,开发了一套偏心理学应用的问卷。这个问卷会以假设性场景下用户的反应来获取到用户在不同情况下的行为信息。

目前,最标准化的信息收集,还是通过传统的调研的方式来完成。但是,璇玑在与各方机构来共同构建智能投顾体系的过程中,还会利用另外一个维度上的大数据,即在用户授权的前提下使用传统金融机构或其他相关机构本身的大量用户数据,作为我们的用户数据来源。

我们未来还有一个愿景,就是参考现在大数据授信的做法,通过外部、内部的各种数据源,来补完这个用户的数据画像。这个事情也是我们在探讨的一个方向。


投中:AI就做了这三件事

再来说投中,投中是数据应用很重要的一个部分。

智能投顾服务,它本质上做的事情是资产配置,就是通过数据和算法来帮助普通投资人做大类资产配置,从而让一个普通投资人能够拥有全球资产配置这样一个资产组合,帮助用户有效地管理投资风险。

人工智能听起来好像很酷炫,说白了在金融上的应用主要就三件事:

第一,是对于金融数据的高级统计学的应用和分析。比如说,对于下图左边图形,传统的线性回归没有办法对它进行有效的分析归纳。但是通过AI、机器学习的算法可以对同样的一组数据用不同纬度去做分析,从而在中间找出它的规律。这个数据在机器学习的算法下可以变成是一个可以支持你决策的东西。

(图片来源:璇玑)

第二,是机器自我学习演变的能力。人每天也会接触到大量的信息,但是人很难对每天接触到的信息都做一个归纳、并对自己今天做的决定基于新的信息做一个复盘,因为这种学习的能力需要大量的计算,但机器可以做到这个。

第三,是对数据的及时处理。传统银行也会对一些高级客户做资产配置推荐,就是所谓的“银行观点”。这个观点的更新频次是固定的,比较常见的情况是三个月更新一次。在这三个月之中,客户任意时间点进来,得到的建议都是一样的,这个就很成问题。

假使市场出现非常极端的信号——像连续千股跌停之类的——我们的反应速度会比传统机构快很多。这些都是人工智能的算法上的一些突破。

总结来说,投前和投中,人工智能、机器学习在实操过程中体现出的结果有两点:

  • 第一个是Smart beta(DT君注:beta收益指相对收益,是“管理人”通过承担系统风险获得的收益)。它表现在投中部分,通过动态的资产组合调整,可以更好地参与市场机会、规避市场风险,是对传统beta的一个增强。

  • 第二个是叫Bespoke beta(DT君注:Bespoke是定制的意思)。投前,我们能够通过各种手段来真实或者接近真实地了解用户;投中,我们的模型算法会根据用户的细微差别作出细微调整,每一个人都会有一个基于其风格的投资解决方案,这样,他最后获得的收益就是Bespoke beta。


投后:大数据知道你什么时候想提现

投后指的是,用户资金投进去之后的后续跟踪管理,这包括对客户的持续性的非投资型的服务。

举一个比较传统的大数据应用的例子。现在产品都走向移动端,所以我们可以从用户的交互数据中,大致推测他下一步会作什么样的资金安排。

比如我们已经发现了一个规律:假设一个之前操作都很正常的用户,突然开始频繁进出这个App,也不做什么实质性的操作决定,只是在App内频繁进行各种操作,从统计上看,这个用户会有比较大的概率想提现,会终止他的投资行为。

这背后的原因可能因人而异,一个比较常见的原因是,用户可能急需要用钱,他在纠结是在这里拿钱还是在那里拿钱。如果这个时候你能够比较及时地跟进服务,他可能会选择从其他地方提现。

或者更进一步,很多情况下我们的合作伙伴也是金融机构,金融机构有一些别的服务,如果用户真的急需要用钱,金融机构是不是给你放个贷款?这样用户就不会通过终止投资来解决资金问题了。

这是我们在交互数据上的一些应用,我们现在也在持续性地尝试去发觉类似的一些规律,让它可以用作投后的运营支持。


都做智能投顾,各家“画风”略有区别

现在市面上做智能投顾的也有一些公司,各家产品导向上会有一些区别。对于璇玑来说,我们做的是大类资产配置,我们选择的基金要能够很好地拟合大类资产走势。而市面上还有一些智能投顾产品,可能更注重于基金管理人的主动管理能力,又或者注重给用户带来超额回报的能力,这些都是整体风格的区别。

这方面,各家机构会基于自己的资源禀赋来做出产品导向的决定,这其中只有差别,没有优劣之分。

(联系本文编辑张弦:zhangxian@dtcj.com)

数据侠门派

本文数据侠邱琦,璇玑战略总监。加入璇玑前,他曾先后为美国联邦储备银行构建结构化模型,在大湖资本任投资总监,在财富管理的各领域均有深厚积累。

如何加入数据侠

“数据侠”栏目网罗全球最IN的数据侠客,利用人工智能、机器学习等各种前瞻算法,从数据的视角洞察消费生活的方方面面,打造理性酷炫、活泼有趣的数据分析盛宴。用大数据,阐述事实及其背后的故事和逻辑趋势。

DT时代超级英雄正在组队!你也想要成为数据侠吗?请将你脑洞大开的数据作品,发到数据侠联盟盟主程一祥邮箱:chengyixiang@dtcj.com。

(了解更多有趣又有料的商业数据分析,欢迎关注DT财经微信公众号“DTcaijing”,下载“DT·一财”APP)

分享这篇文章到