智能投顾在欧美国家，正如火如荼的进行，而在我国，情况却并不明朗。那又为什么，这个被看好的智能投顾却突然失声了呢？

　　智慧金融，一直被认为是AI目前最被看好的落地领域，特别是智能投顾。

　　虽然在欧美国家，智能投顾正在如火如荼的进行，可是我国，情况似乎并不明朗。

　　作为银行系首家上线的智能投顾——摩羯智投，无论是体量，还是影响力上都榜上有名。虽其规模已超80亿，但其未设置风险评测机制，基本处于以销售为导向的阶段。

　　而宜信旗下的投米RA，最初上市时主打海外投资。去年6月推出人民币版本，其风险等级共9等，无论最高还是最低，反反复复就是8只基金，对大额用户而言，显然风险不能分散。

　　除了摩羯智投外，其他多家智能投顾们，少有向公众袒露其资产管理规模的，个中原因就值得玩味了。

　　为什么智能投顾这把火似乎还没有燎原之势？

　　瑞士银行设在美国的交易场2011年和2016年的对比

雾里看花还是蓄势待发？智能投顾之困局

　　我国的智能投顾，从万众期待到门可罗雀，主要有3点原因。

　　1.缺乏生长的土壤，智能投顾概念重于形式

　　Wealthfront是美国最知名的智能投顾公司之一，主要目标客户是：有充足的现金流，却没有时间精力和投资知识，来打理自己资产的年轻人。投资的准入门槛很低，设定为5000美元，10000美元以内不收取管理费（超过部分费用约为0.25%），交易程序也被大大简化，增长速率非常快，在2018年初就已经管理了100亿美元的资产。

　　而我国当前市场上，正常的智能投顾，均以公募基金为资产标的，通常其：认购、赎回、托管成本和管理费用综合达1%－2%，是国外智能投顾的2－8倍。

　　智能投顾的实现，基于对细分产品的量化，国外的智能投顾投资组合主要以ETF为主。

　　目前美国大概有1600只ETF，共2万多亿美元的市场。而中国仅有100多只ETF，大多数为股票，没有债券、大宗商品和针对不同的产业的ETF，不能做到分散投资，有效配置资产更无从谈起。

　　因此，现在很多所谓的智能投顾，只是投资经理根据自己掌握客户的投资偏好，做统计并推介投资方案，本质上，还是披着人工智能“马甲”的传统投顾业务。

　　同时，智能投顾涉及到：投资咨询、产品销售和资产管理三块业务，而国内这三块牌照是分别发放和监管的。

　　由于是纯线上的平台，监管难度非常大，监管层也处于观察阶段。因此现阶段，智能投顾依然处于，概念重于实质阶段。

　　未来将如何走，还有待进一发展。

　　2.大数据大而不“精”，深度学习黑箱迟迟难揭

　　人工智能发展起来的关键是——大量的数据，甚至可以说，人工智能发展80%归于数据的丰富，20%归于算法的提升。

　　在金融行业，数据极易标签化，这给人工智能在金融领域发展极大的利好。然而，从数据大上来说，智能投顾所获得的数据还不够多，这个不够多不是指数量上不够，而是指维度上的单一。

　　智能投顾，主要是基于用户画像和资产刻画提供精准服务。

　　用户画像，需要投资者交易行为数据的搜集和分析。而我国客户的投资行为习惯非常脆弱，客户是基于长期被动投资、指数投资还是主动投资，带来的结构，对智能投顾的挑战是截然不同的。因此客户的风险画像，有时候很难精准表述它的特征。

　　而资产画像，需要对金融产品，以及结合市场的数据的搜集和分析，国内目前在这块上略显薄弱。

　　国内拥有成体量的有价值的数据信息的公司很少（BATJ等寥寥几家）,而拥有优质数据资源的公司，组建了牢不可破的数据封闭体系，并不能很好的互通。再有就是数据整合模式不成熟，缺乏大的平台型数据公司，造成有价值的数据过于分散，接入成本高。

　　如果算法在智能投顾赋能中占比20%，那深度学习起了至少一半的作用。

　　据说深度学习领域所认可的人才分两种：

　　第一种是开宗立派的人物，比如：发明CNN(卷积神经网络)、DNN(深度神经网络)、RNN(循环神经网络)的宗师级人物。

　　第二种是真正能够把参数调好的人，这极其稀缺。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，应该输入多大的数据量，才会产生理想结果，这是一个经验值，甚至没有规律。比如：当你输入大量数据后，得出一个结论后，你没办法回溯怎么得出这个结论的，甚至你无法证明这是最优解。

　　所以深度学习最大的问题是黑箱。

　　在我国对金融与科技领域的高压监管下，你显然无法向监管机构，充分解释神经网络的运作原理。

　　3.背后的商业逻辑未变，即配置资产和金融服务的属性没变

　　传统投资顾问由专业人士担任，主要针对高净值人群。由于人力成本高，传统投资顾问的管理费普遍高于1%，且边际成本下降不明显。但基于计算机算法辅助的智能投顾，管理费普遍在0.25%－0.5%之间，边际成本随客户增多而下降，边际效应明显。

　　但是，相比于传统机构，智能投顾公司投入市场和运营的花费却很大。这是典型的互联网发展模式，先砸钱做用户量。

　　但是，这样就增大了获客成本。这就难免使投资者感到疑惑，估值这么高，你的核心竞争力呢？

　　慧牛也出现了类似的问题，其产品创新乏力，和投米、灵犀智投区别不大，均是基于风险评测得出投资组合。产品同质化严重不说，其基金数量极少，风险很大。同时，智能化程度不高，公司盈利率也并不理想。

　　智能投顾想要颠覆传统投顾，似乎还为时过早。

　　哈佛商学院教授克里斯坦森认为颠覆性分两种：

　　新市场颠覆——能够开辟一片新的市场；

　　低端颠覆性——能给现有产品，提供一个更简单、低价或更方便的替代品。

　　而智能投顾想要颠覆传统投顾，似乎还为时过早。

　　理想丰满现实骨感，智能投顾接下来该怎么破局？

　　虽然与人相比，机器不会疲劳，可以24*7小时工作，对数据拥有更强的记忆力和掌控力，但是，实践起来并不容易，是时候打破这一迷雾了。

　　1.优势互补，技术与流量的结合

　　上文提及的Betterment，辛苦10年积攒20万用户，资产管理规模100亿美元，在短短两年内，就被老牌资产管理机构Vanguard超越，Vanguard当前管理规模是830亿美元，已经是Betterment的8倍。

　　智能投顾的竞争优势是品牌，而品牌恰恰是老牌资产管理公司的强项。品牌弱，则获客成本高。高财力、高信任的用户，转化成本不是独立智能投顾所能接受的。

　　比如：中农工建这种大银行，很早就和BATJ等互联网金融企业合作。

　　这里合作的一大关键就是——技术能力。而一些缺乏技术能力的中小银行、城商行、农商行也显然有进军智能投顾的趋势。

　　他们一方面被大银行压的不行，但往往也在地方上有一定的获客优势；另一方面，他们也往往有锐意创新的需求在，但是碍于其薄弱的技术实力，往往很难推进类似的创新，这便可以与具有技术优势的智能投顾们优势互补。

　　银行天然对风险很敏感，切入点可以是低风险的定投，或者偏固收类的资产配置等。

　　总之，采取相互赋能的形式，最大程度的将蛋糕做大。

　　2.AI+HI，人工智能为主基金经理为辅

　　金融市场上的收益产生过程与方式千变万化，只有通过人脑的思考、理解与创新能力，才能够将其架构成应有的模型。而智能投顾只能在部分程度上完成这个任务，因为它没有创新与发展的能力。同时智能投顾侧重于“投”，缺乏“顾”。

　　因此现阶段，人的干预就显得十分重要。

　　智能投顾作为一种参考，最终投资建议必须经过人工检视、处理后才能提供用户使用。一般，用户与传统投资顾问有更多的互动，可以涉及用户——税收筹划、房地产投资、子女教育投资等更广泛的财富管理增值服务。

　　从用户的角度出发，顾比投甚至更重要。因为对于用户来说，“投”本身就是智能投顾的分内事。而做到“顾”，需要在投的过程中的适当的人文关怀，就算没有客套话，或者不做大跌时候的心理辅导，也应该给用户一个投资理念的正确引导。

　　想人之所想，这是获得用户信任的不二法门，有时候甚至比投得好（赚钱）还有效。

　　从行业发展情况来看，由于依托传统金融机构的平台资源和客户渠道，AI+HI的模式，是现阶段最为有效的方式之一。虽然未来的趋势，势必是资产配置，建议完全由机器人投顾的人工智能算法给出，但是技术的发展是有阶段性，先驱和炮灰往往只有一墙之隔。

　　3.提供数据分析，让用户自主选择

　　当前我国证券市场，仍然以散户为主，市场情绪波动巨大，很容易出现不理性的投资行为。

　　这种非理性行为，某种程度上助长了上市公司的有恃无恐。因为投资者的决策，并不是依托长期价值，而是通过小道消息、讲故事；通过金融学中公认的科学投资方法，如：组合投资、资产配置等概念，引导投资者理性配置自己的资产。

　　同时，智能投顾的主要目标人群势必是——年轻人和一大批新中产，这些互联网原住民，对智能投顾的接受度可能略高于一般群体，但对机器的信任值，也达不到轻易拿出自己口袋里的钱。

　　基于这种情况，企业方可以提供很多方便的投资工具或者分析工具。比如：基金的优选及诊断，同时配上一些诸如：数据回测工具，估值概率分位，因子强弱分析，MPT之类的分析工具。

　　一般来说，人对机器的容错度往往高于人对人的容错度。对用户进行市场教育的同时，给用户一定的自主选择，某种程度上增加了其对机器的容错度。长时间来看，有利于人们对智能投顾的接受。

　　而当企业采取这种方式，无论是TOC还是TOB，都会产生新的赢利点。

　　回到最开始的问题，我认为智能投顾处于蓄势待发阶段。虽然在我们国家既有智能+投，也有智能+顾问，既有机器主导，也有人机融合，不乏各种“挂羊头卖狗肉”的情况。但我认为这是变革转型期的常态，无论是：欧洲、美国，都会面临这种鱼龙混杂的现象。

　　相信伴随着AI技术的成熟和相关政策的落实，智能投顾必将颠覆现有的投顾模式。

　　（来源：智能相对论）