百亿量化私募巨头又有新动作！九坤投资要全市场选股捕捉Alph

       在量化私募圈，素有“北九坤，南幻方”、“四大天王”的说法。经过市场多轮大浪淘沙，头部阵营重新洗牌，而九坤投资始终屹立潮头，并成长为规模超过400亿的量化私募巨头。

       九坤的掌舵人有两位：王琛、姚齐聪，他们分别拥有清华大学数学物理学士、计算机博士学位，北京大学数学学士、金融数学硕士学位，曾就职于华尔街顶级对冲基金千禧年，拥有13年量化投资经验。国内顶级学府教育+计算机、金融复合背景+国外顶级对冲基金经历，两位掌舵人的经历几乎是量化玩家的满分背景板。

       纵观量化领域的几家巨头，论综合实力，九坤一直处于中国量化投资行业的第一梯队，连续4年获得中国私募金牛奖。论优势，九坤拥有丰富的交易策略，具有竞争力的策略和技术，完善的人才梯队建设，国内市场领先的交易基础架构。

       进一步走进这家量化私募基金管理人，我们会发现更多量化界的神秘和有趣之处。

双轮投资发动机： 传统量化因子模型+AI技术

       踏入量化领域，数据、因子、策略、交易、机器学习、AI等这些关键词就会一涌而来。对于量化投资机构来说，面对瞬息万变的资本市场，唯有对策略和技术进行快速的演进优化，才能一直破浪前行。

       驱动九坤投资在策略和技术上快速迭代的，正是它的双轮投资发动机。据了解，九坤是国内量化界最早举起大量因子统计挖掘的私募。他们有一批富有因子挖掘和组合优化经验的因子模型研究员，数万的因子积累alpha是家常便饭。

       近几年，九坤还厚积薄发重金投入AI算法。过去两年间，他们招聘的投研技术人员中70%都具有AI方面的研究经验或工作背景，并投资过亿建成了用于策略研究和交易的AI超算集群，60%的投资已经由AI算法驱动。

重推股票优选策略，全市场全方位捕捉Alpha

       目前，九坤的交易策略非常丰富，涵盖股票量化对冲、量化指数增强，以及期货CTA等。近年，九坤还重点推出了股票优选策略产品。

       相较于当前常见的沪深300、中证500指数增强等策略，九坤股票优选策略放开了对特定指数增强风格的限制，允许持仓组合按照alpha高低灵活调整一篮子股票的风格，在保持足够分散度的基础上追求中长期绝对收益。

       量化alpha的优势在于宽基选股。不同于量化指增跟踪于某一指数，量化选股策略基于选股模型进行全市场选股，这样的策略能更有效地把握市场多种风格贝塔，全方位捕捉阿尔法。历史不断证明，市场大小盘风格存在轮换，量化选股策略在一定程度上减少了投资者在大小盘指数上的“选择焦虑”。

       在产品设计上，九坤股票优选策略对每笔份额进行3年期的最低投资期限限制。对于这样的安排，九坤投资表示，这是从超额积累和长期投资两个出发点进行考量。市场本身的波动在拉长的投资期限中更加温和，更重要的是超额部分通过锁定期复利增长，三年后可以提供一个很厚实的安全垫，从而不需要过分担心期间的大盘波动。以九坤投资所管理股票类产品的申赎统计来看，投资期限越长，投资人的胜率会显著升高。

       优中选优，自主培养新生军，建立人才梯队

       长期投资私募基金，投资人会非常看重团队背景和团队稳定性。

       据渠道了解，九坤的团队总规模超过200人，其中投研和技术团队超过130人，90%毕业于清华、北大和美国常青藤院校，拥有数学、物理、计算机等专业的博士、硕士学历。

        除了在全球招募具有成熟经验的量化策略和技术人才外，九坤非常注重对人才的自主培养和管理。据了解，从2014年起，九坤就开始从国内清北高校和北美常青藤招聘应届生，每年接收国内外顶尖高校简历超过2000份，优中选优，校招录取率仅为6%。

       2020年，九坤投资还专门推出针对全球本硕博应届生的百万年薪“梧桐计划”、雁栖计划。此外，连续四年举办的“UBIQUANT CHALLENGE量化新星挑战赛”，吸引了超过2000名学生，1000支队伍参加，从中选拔出了大量优秀人才，为公司的未来发展持续储备了新生力量。

       目前，九坤还在不断拓宽人才来源途径，吸收成熟、经验丰富的基本面投资经理、海外知名对冲基金有意归国发展的量化人才。2020年，九坤专门推出了针对华尔街对冲基金顶尖量化人才的“百万美元年薪”招募计划，持续吸纳了大量来自全球各地的科技、金融人才加入九坤。

A股市场蕴含丰富的阿尔法机会

       在九坤投资看来，持续的资金流入保证了A股市场流动性充裕。“房住不炒”的政策已经非常明晰，地产投资性价比下降,资金需要新的投资出口。而去杠杆+打破刚兑增加了大量的权益类资产配置需求，理性养老金、保险资金也逐步放开权益投资限制。除了“内循环”中活跃的资金，全球资产也呈现持续的流入态势。QFII，RQFII更加开放，国内疫情控制有力，促进A股吸收全球资金。

       另一方面，交易机制的不断完善也是他们看多A股市场的另一重要因素。注册制试点；上市公司违规成本不断提高；A股金融衍生工具多样化；公募转融通业务增加券源供给；交易制度和交易品种鼓励更充分的定价——股指期货继续恢复、科创板和创业板涨跌幅限制放宽、试点日内单次回转交易提上日程，扫清了A股未来发展障碍。

       九坤投资表示，中国A股市场具有丰富的投资机会，而且超额收益也仍将维持在较高水平。

来源：新浪财经

估值和股价

“低价股”VS“高价股”你选哪一个？

    跌够了，就会涨？4块钱的股票和40块钱的股票哪个风险更大？相信大多数的投资者都曾有这样的认知，跌够了就会涨，价格高的肯定存在泡沫，价格低的物美价廉！也因此很多人喜欢“低价股”，特别是处于历史低位的“低价股”，除了能从直观上感受“低价股”潜力巨大的上涨空间外，还有想象中一旦抄底成功就能获得巨大利润。但事实真的如此么？

学会用估值来筛选真正的“高价股“和”低价股”

    我们来看一组数据，近五年来，【600311 荣华实业】股价从6.5元跌至现在的1.5元，同期【000596古井贡酒】却从35元上涨到现在的218元。缘何高价格的能不断突破刷新纪录，低价格的反而越跌越狠，甚至有退市风险呢？

在上一节中我们说到，如何判定股票有一个好的价格，简单来说就是看估值，通过估值分析发现，15年末至今【荣华实业】一直处于高估状态，虽然历经长达5年的下跌，但截止目前该股股价仍然严重高估，也因此在股价新低之后反弹并未到来，是名副其实的“高价股”！

    反观【古井贡酒】从15年末至20年中一直处于低估状态，随着股价不断创高（最高295元），在20年3季度股价出现小幅高估，随后价格下跌调整，截止目前估值重新回到机会区，股价也开始反弹。

做投资要学会看估值

    因此，做投资，不能单从股票价格、股价位置来决定股票是否值得投资。价格只是一种展现形式，并不能衡量股价的高低。我们要学会用估值综合分析股票的投资价值。

但被低估的股票就一定会涨么，如何利用估值筛选同一行业中更值得投资的公司，估值常用一些分析指标有哪些，在接下的智投贴士中继续为大家讲解！

为什么要组合投资？

持股跌了30%,你该怎么办？

    突遇黑天鹅，持股A意外大跌30%，若满仓操作,账户将遭受致命打击，本金直接蒸发30%！但同时买了两只股票，另外一只涨10%，此时账户本金还剩90%，若买3只，则账户资金基本持平。通过计算可知，随着持股数量增多，股票A大跌带来的账户本金损失越小。由此可见，将资金同时配置于不同的股票，进行组合投资就可以有效降低账户的波动，极大地降低单一持股失误的影响，避免“意外”带来巨额亏损。俗称鸡蛋不要放在一个篮子里！

组合投资几家最好？

    数据表明（图一），当持有股票超过一定数量时，抵抗风险的效果不再随着持股数增加而增加，在美国GMO资产管理成员《行为金融学》作者——詹姆斯.蒙蒂尔的研究中，当持股4-8只时，可以消除68%-83%的非系统（意外）风险；但随着持仓股票越多，需要花费更多的精力去研究和跟踪，根据理论及实践，并不是买的股票越多越好，最有效率的持股数量为3-5只。

图一：当股票A意外大跌30%，其他个股均保持10%的涨幅，持股数量和剩余本金比例关系

假设持股数为n,剩余本金比例=【-30%+10%(n-1)】/n

图二：持股数量与被消除的非系统风险的关系

数据来源：詹姆斯.蒙蒂尔，美国GMO资产管理成员《行为金融学》作者

个股如何选择？

    如果组合股票一起跌了怎么办？在实际操作中，同一板块个股容易齐涨共跌，因此，要避免持股同质化，选择低相关性或者互补性行业板块的优质个股来构建投资组合，避免同涨同跌。当一个股票下跌时，其他股票的上涨可以抵消其对账户的影响，降低账户的波动率，账户的总体收益曲线才能平滑稳健的向上。

学会组合，每个人都是自己的基金经理

重仓单票造成账户资金剧烈波动，致使股民追涨杀跌，从而成为股民亏损的最大杀手。组合投资的好处之一是降低波动，从而增加投资者对抗风险的能力；好处之二是组合方式让投资者逐渐改变对个股的纠结，而重点关心资产的整体收益，随着在股市中的实践积累，掌握了正确的组合方法，就可以成为自己的“基金经理”。学会了组合投资就掌握了投资的终极技能，这是不是组合的“优质作用”呢？

重要信号！量化私募巨头要全市场选股 贝塔收益还有“搞头”吗？

       近日，灵均投资在渠道发行量化多头策略产品，该策略并不对标某个指数，而是全市场量化选股。记者采访获悉，多家头部量化私募已经探索或者布局相似策略。

       业内人士表示，今年指数层面的机会不太显著，精选个股可以贡献明显超额收益，量化多头策略优势明显，同时在募资层面有望与主观多头策略分庭抗礼。

头部私募布局量化多头策略

       近日，渠道人士透露，百亿级量化私募灵均投资正在发行量化多头策略产品，该策略不同于指数增强策略，无需比对某一指数来进行选股，而是全市场动态捕捉个股机会。

       灵均投资表示，目前发行此类产品的原因有两方面，一是今年市场风格变化比较快，指数大概率处于震荡状态，贝塔收益可能不太显著，量化多头策略产品在这一行情下具备优势，而且有望获得更丰富的阿尔法收益来源；二是观察过去三年的实盘数据可见，相比于主观多头策略而言，量化多头策略的收益率和回撤控制情况均较为亮眼。

贝塔收益或有所衰减

       从市场表现来看，今年指数表现确实较为平庸，市场风格也不太明显。

       Choice数据显示，截至今日收盘，今年以来，沪深300指数涨幅仅为0.48%，中证500指数涨幅为5.12%，中证1000指数涨幅为2.66%。

       “指数增强策略虽然也是选股，但是要参照指数，今年市场风格不明显，指数的贝塔收益也会有所减弱，所以全市场动态捕捉个股机会的策略或更具优势，部分头部私募也在进行布局，或者在指数增强策略产品上做出一定改动。”沪上一位量化私募人士直言。

挖掘个股渐成共识

      不仅是量化私募，多家主观多头策略私募近期也公开发声，今年个股挖掘将为组合贡献大部分重要收益。

       聚鸣投资分析称，经济高点大概率已过，流动性宽松的时间长度可能会超出市场预期，宏观层面呈现出基本面下行、流动性上行的组合，市场可能会是一个偏主题的震荡市，因此需要更多地寻找自下而上的机会。

       煜德投资也表示，今年的市场会提供众多优质结构性机会，公司进一步以自下而上的视角优选和配置。

       “今年的震荡市不会呈现出风格分化的态势，而是个股分化的行情，不管是大市值，还是中小市值，都存在优质个股，最近公司的基金经理调研节奏都明显加快了。”北京一家百亿级私募人士直言。

       对此，沪上一位私募研究员建议投资者，今年大盘大概率维持震荡走势，量化多头策略或将迎来较为适合的市场环境，全市场选股有望贡献明显超额收益，而对于主观多头策略，投资者可关注擅长深度研究精选个股的管理人，风格太过集中的私募基金可能存在风险。

来源：证券日报网

金融领域如何应对AI安全？第三代人工智能给出解决方案

       随着人工智能技术在金融场景的应用不断深化，数据、算法与应用层的安全可控问题逐渐凸显。

       6月3日，在北京智源大会“AI安全与产业治理”论坛上，中国科学院院士、清华大学人工智能研究院院长张钹表示，包含知识、数据、算法和算力四个要素的“第三代人工智能”，为发展安全、可信、可靠和可扩展的AI技术提供了可能性。

金融业的AI安全问题

       对于金融行业来说，人工智能的安全问题尤其需要警惕。

       “就像打仗一样，攻击者可能用水攻，也可能火攻，还可能偷偷挖条地道来攻打一座城，守城的人不能只考虑一种可能性，必须布防应对许多的攻击可能性。”阿里安全高级算法专家越丰这样说道。

清华大学计算机系教授、瑞莱智慧首席科学家朱军也指出，目前人工智能算法的安全性存在严重不足，为智能技术的应用带来较大隐患。

       当前，金融机构也在大力投入人工智能领域的研发，在中国工商银行软件开发中心大数据与人工智能实验室副主任黄炳看来，这背后的一个重要原因正是普惠金融的发展。

       发展普惠金融，金融机构面对的数据样本存在严重的地区不平衡和人群不平衡，加之算法设计的不合理，便容易产生公平性问题。

      黄炳指出，现在越来越多的数据通过线上渠道采集而来，如何对数据进行精准识别与分类成为重要问题。另外，金融业还面对算法的可解释性问题。

      “长期以来，金融机构的风控模型就是简单的逻辑回归。而随着90后、00后步入社会，如何将海量的数据融合从而提供更好的智能金融服务，这是金融机构需要思考的。”黄炳这样说道。

       瑞莱智慧CEO田天对《华夏时报》记者表示，现阶段人工智能产业正经历从高速增长向高质量发展的转变。人工智能已经突破传统的感知智能阶段，进入到更加高阶的认知决策阶段，人工智能已开始接近一些核心的智能问题。

       田天指出，金融等更高价值场景的AI应用需求不断增加，安全性的重要性也大大提升。但由于传统技术范式存在天然的算法漏洞和缺陷，导致人工智能在这些场景的应用存在局限。

第三代人工智能备受关注

张钹指出，人工智能的安全可控问题要从技术层面来解决。

      据黄炳介绍道，工行在现有人工智能技术体系基础上，围绕“软硬件运营环境可信、数据隐私保护、算法模型安全”三大核心能力建设出金融领域的人工智能安全可信能力。

       他还强调，AI安全是AI大规模应用的前提和必备条件，同时AI可信能力必须是全栈且覆盖模型全生命周期。通过安全可信技术的研究和突破，提升规模化AI生产部署的安全可信支撑能力，可以增强多方数据生产要素的融合能力，为数字经济社会提供更高效率、更低成本、更低门槛的普惠金融服务。

       关于AI在金融风控中的应用，建信金融科技有限公司创新实验室总经理王雪从实操层面进行了详解。

       据王雪介绍，客户在银行申请信用贷款时首先要进行测额，这一环节的难点在于，如何测度客户的无形资产价值，即预测客户在未来几年内的个人资产总量。

       建信金科采用包括AI、经济学理论、资本理论、认知行为理论在内的跨学科方法，利用人工智能的机器学习算法提炼出数据驱动的金融素养标签。

       例如，某批发行业小企业主拥有一些固定资产，和一些金融资产，年收入100万元，建信金科根据他的信息测算形成模型，据此可以构建未来三年的流动性风险限额。这样的模式更加客观，也更具前瞻性，使银行可以更快、更好地把握风险。

另外，在数据隐私保护方面，建信金科还构建了企业级的隐私保护平台。

       关于人工智能的安全可控，田天认为，“安全”是指打造数据安全与算法安全两大核心能力，解决数据强依赖带来的隐私泄漏与数据投毒等隐患，同时提升算法可靠性。“可控”既指应用层面的合规可控，更指核心技术的自主可控，以自主可控为根基，通过理论创新、技术突破形成核心竞争力。

       会上，清华大学联合阿里安全、瑞莱智慧发布了首个公平、全面的AI攻防对抗基准平台，该平台可实现对AI防御和攻击算法的自动化评估。

       “安全可控是发展第三代人工智能的核心基准，也是加快人工智能高质量发展的有力支撑。”田天这样说道。

       相关研究报告显示，到2030年全球人工智能市场规模预计将达到15.7万亿美元，约合人民币104万元。“深度智能”时代正将加速到来，人工智能在金融领域的应用不断拓展。

       智能金融的未来充满想象空间，但要实现真正的人工智能仍面临诸多深层挑战。第三代人工智能通过释放“数据、知识、算法、算力”的全新维度，为实现安全可控的新一代人工智能提供可能，有望重塑金融行业价值。

来源：新浪财经

量化专题报告：2021年中期金融工程策略展望

       我们将从量化策略回顾、量化择时、资产配置、宏观量化、中观基本面量化和多因子策略等多个角度对这个问题进行阐述。

　　大类资产长期收益预测。建议低配沪深300，超配中证500:当前上证50和沪深300 基本上已经透支未来一年的预期收益，配置价值明显降低；而中证500 依然有12.8%的预期收益，行情尚未结束。债券市场短期不具备太大配置价值：短债预期收益1.8%，长债预期收益-1.1%，信用债预期收益2.0%，整体来讲吸引力有限。大类资产配置建议：第一，长期持有高预期收益的中证500，获取结构性的alpha；第二，对于低预期收益的资产而言，执行高抛低吸策略，获取交易性的beta。

　　大类资产量化模型展望。利率核心结论：上半年利率对资金需求因素钝化，资金面成为主要矛盾；未来流动性投放与信用扩张料都难大幅波动，利率短期乐观，长期中性。权益核心结论：上半年A 股景气度趋势强劲，下半年望有所趋缓；当前市场情绪择时系统判断仍处做多窗口；当前至三季度机会大于四季度。黄金核心结论：美国经济短期处于恢复趋势，对黄金造成利空；黄金未来主要矛盾在于通胀风险与经济过热后QE 退出预期的对抗。

　　基本面量化体系重点行业核心结论。1)金融：银行进入“净息差上行+不良率下行”象限，建议超配；保险PEV 估值约为0.87,10 年国债收益率上行的拐点就是保险的超配时点；2)消费：中证消费ROE/中证800 ROE 拐头下行，使得消费股估值年初下跌一波，目前家电估值已经合理，食品饮料依然偏高；3)周期：周期行业景气指数模型显示当前依然处于高位，细分板块玻璃和化工值得关注。4)稳定：当前稳定型行业股息率和10 年国债收益率差值约为2.6%。从绝对收益角度来讲，是配置稳定型行业很好的时点。

　　PB&ROE选股模型：成长50 组合今年以来收益率13.5%(基准4.8%)，价值30 组合组合收益率15%(基准5.4%)，建议关注最新持仓组合。

　　多因子策略回顾与展望。A 股风格：春节后市场由大盘高估值切向小盘价值；如果未来无新经济增长点，大盘成长股仍需时间消化估值，价值风格持续但超额收益可能有限；Alpha: 超预期类因子在2 月份回撤之后继续上涨；重仓因子的滞后性导致其在市场风格变化较快行情中表现一般；一致预期类表现仍然优异，市场未能完全反应分析师预期中所包含信息的逻辑依然成立。

　　港股风格：3 月以来转向小盘高估值风格，盈利、成长因子近期拐头向下。

　　量化择时核心结论。市场自2018 年以来2 年多的牛市已基本临近尾声，2021年下半年市场大概率震荡下行。行业方面，中期看好银行、电力及公用事业和房地产；建材、电力设备、电子、化工注意风险；军工、通信、传媒、商贸零售、农林牧渔、计算机等板块建议规避。

　　风险提示：量化模型基于历史规律总结，如若未来宏观、行业、市场、政策发生结构性变化，模型有失效风险。

来源：东方财富网

常见的十大量化投资策略

       量化投资策略是利用量化的方法，进行金融市场的分析、判断和交易的策略、算法的总称。著名的量化投资策略有以下10种。

01、海龟交易策略

       海龟交易策略是一套非常完整的趋势跟随型的自动化交易策略。这个复杂的策略在入场条件、仓位控制、资金管理、止损止盈等各个环节，都进行了详细的设计，这基本上可以作为复杂交易策略设计和开发的模板。

02、阿尔法策略

       阿尔法的概念来自于二十世纪中叶，经过学者的统计，当时约75%的股票型基金经理构建的投资组合无法跑赢根据市值大小构建的简单组合或是指数，属于传统的基本面分析策略。

       在期指市场上做空，在股票市场上构建拟合300指数的成份股，赚取其中的价差，这种被动型的套利就是贝塔套利。

03、多因子选股

        多因子模型是量化选股中最重要的一类模型，基本思想是找到某些和收益率最相关的指标，并根据该指标，构建一个股票组合，期望该组合在未来的一段时间跑赢或跑输指数。如果跑赢，则可以做多该组合，同时做空期指，赚取正向阿尔法收益；如果是跑输，则可以组多期指，融券做空该组合，赚取反向阿尔法收益。多因子模型的关键是找到因子与收益率之间的关联性。

04、双均线策略

       双均线策略，通过建立m天移动平均线，n天移动平均线，则两条均线必有交点。若m>n，n天平均线“上穿越”m天均线则为买入点，反之为卖出点。该策略基于不同天数均线的交叉点，抓住股票的强势和弱势时刻，进行交易。

       双均线策略中，如果两根均线的周期接近，比如5日线，10日线，这种非常容易缠绕，不停的产生买点卖点，会有大量的无效交易，交易费用很高。如果两根均线的周期差距较大，比如5日线，60日线，这种交易周期很长，趋势性已经不明显了，趋势转变以后很长时间才会出现买卖点。也就是说可能会造成很大的亏损。所以两个参数选择的很重要，趋势性越强的品种，均线策略越有效。

05、行业轮动

       行业轮动是利用市场趋势获利的一种主动交易策略其本质是利用不同投资品种强势时间的错位对行业品种进行切换以达到投资收益最大化的目的。

06、跨品种套利

       跨品种套利指的是利用两种不同的、但相关联的指数期货产品之间的价差进行交易。这两种指数之间具有相互替代性或受同一供求因素制约。跨品种套利的交易形式是同时买进和卖出相同交割月份但不同种类的股指期货合约。主要有相关商品间套利和原料与成品之间套利。

       跨品种套利的主要作用一是帮助扭曲的市场价格回复到正常水平；二是增强市场的流动性。

07、指数增强

       增强型指数投资由于不同基金管理人描述其指数增强型产品的投资目的不尽相同，增强型指数投资并无统一模式，唯一共同点在于他们都希望能够提供高于标的指数回报水平的投资业绩。为使指数化投资名副其实，基金经理试图尽可能保持标的指数的各种特征。

08、网格交易

       网格交易是利用市场震荡行情获利的一种主动交易策略，其本质是利用投资标的在一段震荡行情中价格在网格区间内的反复运动以进行加仓减仓的操作以达到投资收益最大化的目的。通俗点讲就是根据建立不同数量.不同大小的网格，在突破网格的时候建仓，回归网格的时候减仓，力求能够捕捉到价格的震荡变化趋势，达到盈利的目的。

09、跨期套利

       跨期套利是套利交易中最普遍的一种，是股指期货的跨期套利（Calendar Spread Arbitrage）即为在同一交易所进行同一指数、但不同交割月份的套利活动。

10、高频交易策略

       高频交易是指从那些人们无法利用的极为短暂的市场变化中寻求获利的计算机化交易，比如，某种证券买入价和卖出价差价的微小变化，或者某只股票在不同交易所之间的微小价差。这种交易的速度如此之快，以至于有些交易机构将自己的“服务器群组”安置到了离交易所的计算机很近的地方，以缩短交易指令通过光缆以光速旅行的距离。

来源：搜狐网

智能投顾十大趣谈：基金从业者该不该恐慌？

       相比量化或人工投资，人工智能处理信息还有一个最大优势，那就是可以把自有证券市场以来的全部数据都录入做分析。特别现在有了GPU、TPU等专门的处理器，依靠强大的运算能力，可以瞬间得到想要的相关性分析。

       大家好，我是松禾远望基金合伙人田鸿飞。前一段就智能投顾话题，我给一些二级市场的基金从业者做了一次内部讲座。在这里以一个轻松方式分享给大家。

趣谈一：银行和基金从业人员，最恐慌的是未来饭碗会否不保

       波士顿是美国资管行业的重镇。2016年我在波士顿和做基金管理的校友交流中发现，受到金融科技发展的影响，他们对未来有些悲观，认为饭碗在未来某一天也许就没了。很多在银行工作的朋友同样焦虑。

       我的观点，大量易标准化、重复性、没技术含量、不具独创性的工作肯定会被裁掉。从基金行业来说，首先后台最容易被替代，因为都是成本。清算、交收、估值类工作，以前需要多人忙碌，现在很容易被一套软件系统就替代了，都用不上人工智能，而且准确性更高。

       目前还有公司在开发银行间的区块链对账系统，以后也不用每天晚上人工互检对账了。因为区块链本身是一个瞬间同步的账目，每个人的账本会实时共享，同时又能做到安全透明、不可篡改，所以这些后台工作会最先被替代。

       再说前台，智能投顾的自动化交易未来会让大多数交易员变得毫无价值。以量化投资来说，未来做多因子模型的投资经理就很容易被干掉。因为由AI来做优化，绝对比人做优化要强很多。对于前台的其他工作，现在已经出现了机器人客服，像信息简报、研究报告类也都可以由人工智能自动摘取生成（当然我认为独创性研究是很难被替代的）。

       但国内的二级市场与国外有很多不同，很多散户需要心灵按摩。这些情感交流的工作是否就不会被取代呢？我觉得也不一定。因为现在00后一代，他们在行为习惯上，其实更愿意和机器人打交道，而不是和人打交道。这正是2015年BlackRock收购Future Advisor的重要原因，他们发现年轻人更需要便利、低门槛和互联网化的理财方式。

       拿保险举个例子。卖保险显然要比卖理财更需要情感沟通，但智能保顾也正在兴起。所以对于资管而言，我认为情感因素并没那么重要，未来会有越来越多的人喜欢并习惯面对机器。

趣谈二：Fintech机会正在向传统金融背景人士倾斜

       我们看过很多Fintech领域的创业项目，发现一个有趣的现象，那就是互联网出身的人和有银行从业背景的人，往那儿一坐风格会泾渭分明。互联网人盯的就是KPI和增长，对风控、对法规毫无概念；金融行业出身的人主要谈的就是风险控制，要规范企业的发展。

       从去年开始互联网金融发展的风向发生了巨变，以往野蛮生长的环境不复存在。美国货币监理署（OCC）正在考虑给Fintech公司发全国性银行牌照，国内也大幅加强了合规的严格管理。这些变化，都促使互联网金融开始向更注重规范、更注重风控的传统金融背景人士倾斜。

       还有非常重要的一点是，作为传统金融行业的人，他们坐拥非常多的资源，当意识到互联网金融的风向时，转舵起来还是很容易的。正如一个在银行的朋友介绍，自银行推出现金贷业务后，仅用几个月时间，就快速超过了互联网人已用两三年发展起来的规模。

       在美国也是如此，一旦具备传统投资优势的金融机构进入智能投顾领域，同样会迅速抢占市场份额。正如Vanguard和Charles Schwab自2015年推出智能投顾产品后，相对应的资产管理规模（AUM）已遥遥超越了Betterment和Wealthfront。

趣谈三：中国为什么比美国更适合发展Fintech？

       英国的《经济学人》杂志在年初的一篇文章中提到，正是得益先进的技术、落后的银行体系和爆发式的财富增长，让中国成为了全球金融科技的领导者。去年10月我参加了著名的Money20/20大会，对此感受颇深，现场几乎2/3的广告牌都是中国企业。这些国内的Fintech企业，不论在模式创新还是技术创新上，都已远远超过了美国。

中国为什么比美国更适合发展Fintech？我的看法是：

       国内对金融科技的监管环境还是很宽松的，至少前几年非常宽松。在美国的Fintech企业，绝不敢像国内这么“胆大妄为”；

       国内即使有人冒进违规了，处罚起来并不严厉，犯错成本较低；

       国内还没有成熟的隐私保护法，数据的可获得性很高，各种来源的数据都使用；

中国没有美国那么多年的积累，也就没有牵绊。上来就可以用最好的技术、最简单的方法直达目的。

趣谈四：智能投顾在美国发展遭遇了瓶颈

       过去我们学习金融时，知道平均成本法（Dollar Cost Averaging），也就是要养成固定去投资的习惯，投资收益是最高的。这是一个基础理论，但大家平时生活中很难做到这么有纪律性，尤其对于刚入职场的小白而言。

       现在美国银行和智能投顾公司最让人羡慕的是完全能做到自动理财。一般美国都是双周发薪，通过direct deposit功能，工资直接进入银行账户。银行完成扣款后，会自动划分到智能投顾公司的账户。由投顾公司做一个再平衡，就帮用户理财投资了。对用户来言，每月只需留一些钱还信用卡就行了。智能投顾在切实解决用户体验问题后，让用户量和AUM资产管理规模上来的特别快。

       不过现下智能投顾在美国的发展仍处于瓶颈之中。主要是行业领头羊Betterment、Wealthfront处于了一个停滞期。很多潜在投资者对他们的担心是，Robot-advisors这件事，并未改变背后的商业逻辑，也就是配置资产和金融服务的属性没变。但相比于传统机构，他们投入市场和运营的花费却很大，这是典型的互联网人发展模式，先砸钱把用户量做起来。但这也让吸收资金的成本变得非常高。那你的竞争优势到底是什么？估值还这么高，是不是市场吹起的泡泡？这遭遇了很多投资者的怀疑。

趣谈五：智能投顾与量化投资的区别是什么？

       相比同样采用计算机与数学模型做投资决策的量化投资，智能投顾最显著的区别是什么？简单来说一个是自动根据市场变化做决策，一个还得靠人来调策略。后者说的正是量化投资，一般是先找出一个模型策略，这个策略不会自动变化。所以一旦当市场环境变化的时候，这个量化策略就失效了，必须由投资经理根据市场情况来调整策略。

       对于应用机器学习的智能投顾，则会根据市场的变化不断的产生新策略，也就是应对瞬息万变的市场变化，一切都是在后台自动完成的，并不需要人工干预。因为机器学习有回馈循环（Feedback Loop），从市场-策略-结果再到市场的不断反复循环，会自动根据资产的价格、风险的变动不断调整。

       相比量化或人工投资，人工智能处理信息还有一个最大优势，那就是可以把自有证券市场以来的全部数据都录入做分析。特别现在有了GPU、TPU等专门的处理器，依靠强大的运算能力，可以瞬间得到想要的相关性分析，这满足了金融领域对数据的实时性要求。

趣谈六：智能投顾是不是在吹牛，投资业绩到底如何？

       刚才谈到利用机器学习和深度学习的方法，智能投顾可以把价格变动的趋势和模式找出来，做到快速反应、快速交易。相信很多人一定好奇，智能投顾相对于量化投资的业绩到底如何。

       我们知道最近几年，面对国际金融市场的大幅波动，量化投资的业绩是远远好于很多主动型管理基金。在今年3月传出的BlackRock重组计划中，就裁掉了很多主动型基金部门的员工，将很大一部分的资产将转化为量化管理产品。

       而根据对冲数据服务公司Eurekahedge的AI／机器学习对冲基金指数显示，自从2010年以后，其中23支应用智能投顾的对冲基金，在业绩表现方面是要优于量化对冲基金的（如下图）。

       我经常开玩笑说，人工智能技术的发展有些复古。因为现在深度学习依托的神经网络系统理论，最早可以追溯到上世纪40、50年代，只不过到现在发展为了多层神经网络技术。从最早的LISP语言、专家系统到神经网络和机器学习，人工智能过去几十年的发展一直都非常低迷。这让李开复老师那一代从业者很是受伤，因为把事业放在上面20年没有进展。那为什么来到今天就突破了呢？

       一方面是已提到的多层神经网络（MLP)取得了小突破，特别其中深度学习（Deep Learning）的出现，应用更多层网路，能学习更抽象理念，并融入自我学习中，加速收敛。以前努力了半天，识别能力只能提升百分之几，现在一下提升了百分之二十几，这让AI取得了突破式发展。从智能投顾角度，深度学习既然极大提高了图像识别精度，同理也可以提高识别股票价格变化的模式，虽然这并不意味可以准确预测股价。

       另外更关键的，我认为是数据量的丰富。2010年我回硅谷时，第一次听谷歌的朋友说他们的AI取得突破，能在YouTube上把猫给认出来了。很重要的原因是在YouTube上有了大量的视频和图片数据之后。对此我认为，人工智能发展起来的关键是有了大量的数据，算法提升其实是很有限的。甚至可以说人工智能发展80%归于数据的丰富，可能只有20%归于算法的提升。特别在金融行业，数据都是非常容易标签化的，完美性这么好，所以人工智能最先颠覆的就是金融领域。

趣谈八：深度学习最大的问题是黑箱

       对于深度学习而言，人才分几个档次。第一级是开宗立派的人物，也就是发明CNN（卷积神经网络）、DNN（深度神经网络）、RNN（循环神经网络）这些流派的宗师级人物。还有一类人才，是真正能够把参数调好的人，也非常稀缺。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。还有给入多大的数据量才会产生理想结果？因为到一定程度，你会发现输入越多数量，结果反而可能会变坏。

       这是一个经验值，甚至没有规律，所以业内开玩笑叫做炼金术。把一堆东西放一起，不知好坏，天天试，跟做化学实验室一样，还没有固定的化学方程式。大部分在美国读PhD的中国留学生是负责调参数的。但调参数能调好的人，在AI界也算是凤毛麟角，一年的package下来也有100~200万美金。要知道不仅在中国，在全球，人工智能创业公司最大的挑战都不是钱，而是雇不到人。

       但这里就产生了一个问题。比如输入大量数据后，经过10层神经网络筛选得出一个结论，可你是没法回溯怎么得出这个结论的。所以深度学习最大的问题是黑箱。如果想避免一个错误，要修改参数，那所有训练又得重新来一遍。正因为这个问题，自动驾驶一旦出现车祸，很难向美国交通局去解释。在美国发信用卡的领域也存在一样的问题。拒绝给一个客户发信用卡，你得告知是基于什么规则，不然人家可能会告你，但深度学习没办法解释这件事。所以最近的一些算法已经做出了一些优化。

趣谈九：国内智能投顾发展境况如何

       很多人说中国资产类型太单一，ETF数量不够，很难满足智能投顾的资产配置需求。我们之前看了有20多家智能投顾公司，实际发现他们的配置还是很丰富的。简直可以说是五花八门，有的配P2P资产、有的配小贷，还有人拆信托、拆私募，做MOM、FOF模式的也有。大家都打着智能投顾的旗号，但剥开皮看都不一样，很多时候不知后面卖的什么东西。这也正是国家在加强机器人投顾管理的原因。

       还有一个重要问题是，中国基本没有买方投顾，大家都在挣后端销售佣金，更像卖方雇佣的销售。所以对国内的智能投顾而言，本来是个投资顾问的事儿，却在做销售的活儿。这混淆了投资咨询与产品销售之间的界限。那么用户如何来评判你投资建议的公立性？这让消费者很难信智能投顾这件事。这正是国家正加紧合规的理论依据。

       另外国内智能投顾最大的问题还在于金融产品代销资质。所以在中国做智能投顾，真正合规的只能是由大的金控公司来做，他们拥有所有的销售牌照和资格，才能给用户去做丰富的资产配置。不然你都没有太多可配置的资产，跟真正意义上的智能投顾有很大差距。而对创业公司来言，每个牌照的价格都非常贵，还要搞定各种通道、支付，真的玩不起。

趣谈十：智能投顾悖论

       我们知道股票交易有赔有赚，如果大家都买了同一套软件，可以预测该买哪支股票，那么市场上谁卖呢？在一个下跌市场当中，一旦像Vanguard、BlackRock这样的行业巨头，用机器人投顾做出抛售指令，大家都在抛盘，而没人买盘，单边行情会不会导致市场崩溃？其实我认为这样的问题可以避免。因为真正的智能投顾是能根据每个人的风险偏好不同，做出不同的投资组合和交易选择，这样才能让市场有赔有赚的运行起来。

       最后说一个有趣的话题，那就是人对机器的容忍度，要远远小于人对自己的容忍度。最简单的无人车犯错，大家都觉得不可容忍。但人天天都在犯错，却很容易获得谅解。这是一个客观问题。回到智能投顾这个话题，面对中国股市普遍难以盈利的行情，你说智能投顾在一个下跌市场当中，如何安抚用户亏损的情绪呢？其实很简单。周围10个人如果你是亏的最多的，人家都赚，你肯定不开心。但如果机器用数据告诉你，相比量化投资和你周围的人，你的回撤是最少的，那你肯定就不会太苛责机器了。

来源：亿欧

金融里的黑科技｜人工智能注入保险基因

今年一季度，全球保险科技融资再创新高，规模达到25亿美元，同比增长1.8倍。随着5G时代来临，信息传输的速度和广度的大幅提升，推动保险业实时风控水平和产品创新能力不断提高，传统的保险行业迎来新一轮的变革和数字化转型。

5G实时数据提前预知风险

5G技术催生的车联网、智能制造、智慧能源、无线医疗、无线家庭娱乐、无人机等新型应用创造新的更丰富的数据维度，而AR、VR、视频等非结构化数据的比例也进一步提升。

从静态的历史数据到动态的实时数据，对以风险管控为核心的保险业来说，数据在促进风险防范的连续性、监控的及时性以及提升用户的交互体验等方面都有着巨大的经济价值。

从风险防范来看，使用5G实时数据能够提高金融保险企业风险管理的效率，降低风险管理的成本，实现对风险的“实时预警”和预测，将风险管控前置。

比如由于降水不均衡，我国部分地区在特定季节会遭遇洪涝灾害，保险公司可借助DRS鹰眼系统，基于亿级历史灾害数据，可以筛选重点客户实现防控。又比如在灾前预警，通知企业客户、工程项目，通过APP、官方微信等线上平台推送预警短信，并在地势低洼路段设置警示牌。

实时遥感数据也发挥了巨大的应用空间，比如第一时间对比受灾前后情况，包括测算面积、体积等。几年前只能依靠无人机，而现在卫星遥感进一步提升了质量，在一定程度上还可以替代无人机。平安产险发布的报告显示，2020年发送预警短信98万条，同时为1.2万家企业客户提供现场风险服务。

目前，这一系统在巨灾保险方面侧重于防灾服务：灾害来临前，系统可以对承保客户发送灾害短信预警，客户也可以利用系统查询所在地点的九大自然灾害评级，方便提前做出防灾动作，减少巨灾损失。

让智能客服更智能

和其他金融业务不同，保险的场景具有更为繁杂的流程，涉及客户咨询、投保、核保、理赔等业务，传统的呼叫中心模式难以适应快速变化的用户需求和产品业务迭代。这就意味着，保险客服不是一个简单的存在。

大多数人对“客服”的感知是在前端，诸如服务态度好不好，问题有没有得到有效解决等客服体验，对承接客服的后端应该知之不多。在这之后有哪些科技手段呢？这方面众安保险为记者举了个例子。

客户当天12点进线申请众安百万医疗险产品的肿瘤特药，晚上19点众安的健康险医疗专员积极处理，将客户需求同步第三方供应商。次日12点，客户就收到供应商通知，可以凭证明去本市药店取肿瘤特药，且无需支付费用。解决问题的主体有坐席、健康险业务员以及第三方供应商等。众安的智能客服工程师告诉记者，当用户提出问题时，这些问题其实是分散在不同的业务系统中，交互所需要涉及的部门有数据部门、不同业务部门等来共同配合。各个部门的壁垒被打破，才能让大数据等技术能力在客服层面发挥价值，让智能客服拥有更智能的协同能力。

数据防篡改 资料可回溯

互联网保险已经进入“可回溯时代”。中国银保监会也要求保险机构通过销售页面管理和销售过程记录等方式，对在自营网络平台上销售保险产品的交易行为进行记录和保存，使其可供查验。

为了避免合同纠纷，保险销售行为必须可回放、重要信息可查询、问题责任可确认，要求险企对于信息采集真实、全面、无感知等。这对险企在数据防篡改方面提出了更高要求，而且，所有可视化回溯材料至少需要保存5至10年，险企面临着低成本、大容量的安全存储难题。

在这方面，互联网险企积极推出可视化回溯系统，该系统运用数据可视化还原、数据编排、容器引擎、容错算法等前沿技术，实现用户行为精准可视化还原。从回溯形式来看，传统的静态截图由于其非连续性，容易损失细节，常用的数据埋点也存在日志记录不直观的问题。通过可视化的回溯形式，让用户行为清晰直观；从回溯信息来看，囊括了产品版本、销售界面和用户行为全记录，还原真实操作一遍责任定位。同时支持APP、PC、H5、小程序等多平台回溯。系统通过压缩算法处理，保证回溯资料高效无损，减低存储成本，如短期健康险，一份3到5分钟的回溯资料容量大小仅700K。

近年来，险企都在保险科技上不断发力，一系列包括5G、物联网、人工智能等新兴技术将重构保险商业模式和内涵。《保险用户需求新趋势》报告显示，随着保险科技在行业内的重要性日益提升，自2018年起保险机构在科技方面的投入持续加大。截至2019年，中国保险机构科技投入总规模达319.5亿。预计未来三年中国保险机构科技投入规模可保持近15%的快速增长，2023年中国保险机构科技投入将达546.5亿元。

来源：读创