布局AI量化投资，构建金融发展新动力

       据介绍，上海财经大学数据科学与统计研究院是国内顶尖的大数据统计科学研究机构，依托雄厚的科研实力，多渠道打通政产学研一体化，积极开展合作研究与金融科技应用实践。东方证券在人工智能领域具有丰富的创新实践经验，基于东方证券人工智能生态圈“东方大脑”的建设，积极拓展人工智能在金融业务方向的融合创新，开展人工智能量化研究的实践探索，为金融业务的创新与发展打造新的动力引擎。

       东方证券表示，此次成立校企联合实验室，双方一致同意建立合作**机制，促进双方在人工智能量化投资前沿领域的研究实践，研究和开发能引领金融行业趋势、可持续满足公司和客户需要的高新技术产品和策略，并引领未来AI量化的方向。该联合实验室计划利用深度学习、强化学习、人工智能等前沿科技，探索量化投资、金融衍生品创新设计、市场前沿热点跟踪等方向，并开展课题研究、项目共研、人才培养，充分发挥各自优势，共同打造人工智能量化投资的新生态。

       东方证券副总裁兼首席信息官舒宏表示，早在2018年，东方证券就提出了“数字化转型”的三年目标，希望通过云计算、大数据、人工智能、区块链等新技术的综合运用，推动企业发展再登上一个新台阶。2019年，东方证券与微软（中国）有限公司达成战略合作，希望通过人工智能技术等前沿科技，为东方证券的金融业务提供全场景赋能，共同打造出一个“东方大脑”。在证券行业从数字化向智能化转型的大背景下，“东方大脑”平台立足于构建数据和智能算法驱动的券商业务智能化方案，实现统一化数据模型、智能化领域算法和多场景覆盖的智能化应用覆盖，这必将推动东方证券各类业务、经营管理、IT支撑等场景全面进入人工智能驱动的时代，推动东方证券实现全面的智能化转型。

来源：搜狐网

一个最简单的量化投资方法，投资15年轻松盈利3倍！

       不少人口中的能通过“量化选股”和“量化投资”来在股市里面赚钱，真的有这么神奇吗？今天料哥就和大家分析一下，和大家每天学习一点金融财经、证券投资知识。

量化投资和量化选股是什么？

       量化投资，一个不少股民可能听说过却又不了解的“高大上”**，其实是指通过采用一些数量化的统计分析和研究方式，建立起一套系统的选择投资标的和具体交易时间的投资交易模型。

部分还会使用到计算机程序来发出买卖证券的交易指令，以及配套的风险控制系统，以能够获取“较为稳定的投资收益”为目的所进行的交易方式。

       量化投资在海外证券市场和金融界的发展已经有超过三十年的历史，因为投资业绩稳定、市场规模和份额不断扩大，得到了全球越来越多的投资者们所认可和接受。

       量化选股是其中的一个具体操作的实施过程，指通过上述的量化手段选择拟投资的证券标的。

量化选股和量化投资其实就一直在各位股民身边

      看完上面的介绍，可能不少股民还是认为量化投资过于高大上，与自己没什么关系。其实所有的股民都有接触过量化选股，它也没有这么玄乎，一直静静地陪伴在各位证券投资者们的身边。

       比如，我们现在讨论起中国股市行情的涨涨跌跌、起起伏伏，都离不开要以深证指数、沪深300指数、中证500指数等等这些核心的证券市场指数来作为参考标准。

       这些证券市场指数其实就是最常见的“量化选股”，它们就是按照一些既定的量化标准来选择相应的成份股，并通过统计编制成股票指数！

       证券投资者们常见的各个证券指数选择标的和统计计算的过程，就是一种最基本的“量化选股”模式，如果你依据这些经过“量化选股”选出来的指数进行证券投资，那么就是一种“量化投资”了。

       听完财经有料哥这么一介绍，大家是不是立马觉得量化选股和量化投资其实并不是多么地高高在上、遥不可及，而是可以这么接地气。

金融界和投资机构都在使用的沪深300指数

       介绍完最为常见的量化投资和量化选股，财经有料哥进一步分析介绍股民读者们最为关心的“能不能通过量化投资赚钱”的问题。

       成千上万的股民只关心反映上交所股市情的沪指，以它来代表整个中国股市行情的涨跌起伏，甚至是很片面的。

毕竟虽然深交所与上交所有很接近的股市行情表现，但还是存在一定的差异，用上证指数来反映沪深股市的整体表现明显不够客观全面。

       金融界和证券投资机构平时更多使用的其实是沪深300指数，来衡量中国股市行情表现。因为这个指数包含了上交所和深交所的合计300只成份股，能比上证指数更加全面和客观地反映沪深股市行情。

       形成沪深300指数的过程，其实就是一个严格而标准的“量化选股”过程，通过严格的和可计量化的选股标准，从三千多家上市公司当中筛选出三百家上市公司成为这个指数的成份股。

量化选股真的能赚钱吗？

我们来看一下沪深300指数的历史表现：

       这个指数是以2004年12月31日收盘时的股价为计量基准，起始指数为1000点。最新的收盘点数为3973.01点，意味着在将近15年时间里，你如果按照沪深300指数的量化选股模式进行证券投资，你将可以取得三倍的投资收益。

       这个投资收益率，要比被为数不少股民所诟病的“十年如一”的上证指数同期134%的累计涨幅要高出很多！

结论

       这个最简单甚至最“傻瓜”的量化选股和量化投资模式，长期来看真的能赚钱！

       而且由上图可以看出，经过量化选股形成的沪深300指数，长期历史表现远远优于同期的没有经过筛选的上证指数。

来源：腾讯网

“主动管理+量化选股”-鹏华梁浩成长天团的智选新基

       提到“Think small”，很多人会想到营销史上的经典案例，实际上在投资领域同样有许多“小而美”的小龙头也值得重点关注，这就是世界著名管理大师赫尔曼·西蒙提出的“隐形冠军(invisible champion)企业”。“隐形”是因为这些企业几乎不为外界所关注,而“冠军”则意味着它们在某一个细分领域专注而卓越，处于领先地位。

       尤其是处于经济转型升级进程中的A股市场，各细分领域结构性机会迭出，在挖掘“隐形黑马”方面，鹏华基金梁浩绝对是不可忽视的存在，其重仓的个股可能鲜为人知，比如某网红小家电品牌、电商代运营商、小米产业链的行李箱制造商等，但历史回报力却惊人。目前梁浩在管基金总规模已达226.77亿元，是市场上少有的超200亿的TOP级别基金经理。

       同时作为鹏华基金研究部负责人，梁浩一直也在扩大投研团队的能力圈，其引领下的“梁浩+”成长天团已经汇聚了各细分赛道的精兵强将。A+H投资研究经验丰富的聂毅翔、成长投资能手的王海青、擅长宏观策略分析的张华恩、擅长多因子量化选股的包兵华。还有25名覆盖全行业的研究员做后盾。

      9月22日起，“梁浩+”成长天团系列全新力作、由梁浩和包兵华合力出基的鹏华成长智选（A类：010264，C类：010265）将全面发行。

用产业思维做投资，风未起时先行布局

       梁浩是拥有12年投研经验、9年公募基金管理经验的成长投资大咖，是中国人民大学经济学博士，现任鹏华基金董事总经理（MD）、研究部总经理、投委会成员，早年曾任职于信息产业部电信研究院(现中国信息通信研究院)，从事产业政策研究。这样的经历也奠定了梁浩区别于其他基金经理的**成长投资视角：更愿意从现有的业务格局中去看大的产业或者社会发展趋势，从中发现长期的产业特征。更通俗的说，多数人可能关注“怎么投”，而梁浩更为重视“为什么”，他看到的是消费新趋势、或者传统品牌在互联网被激活。“互联网精神是这一波中国社会发展最深刻的产业力量。”梁浩曾在诸多场合说过，很看好互联网对传统产业的重塑。

       用产业思维做投资，每一个机会的发掘都有对产业发展的理解。“比如说我们组合里面有网红概念股，我们并不是在风来的时候布局，而是在两年前就开始布局了。我们还在很早的时候布局了小米概念股，因为当时就发现了小米对于中国制造业的重塑，这背后是互联网和中国制造业的结合。”

       用做绝对收益的思路来做相对收益，赚企业成长、产业发展的钱，使得梁浩的产品在降低波动和控制回撤上具备明显优势。以其代表作鹏华新兴产业基金（206009）为例，Wind数据统计，截至2020年9月18日，在最近1年里，该基金的下行风险为10.74%，小于同类平均；年化波动率为20.06%，也小于同类平均。梁浩自2011年管理鹏华新兴产业以来，期间任职回报达394.63%，实现任职总回报将近4倍增长，年化回报率高达19%，在同期可比的322只偏股混合型基金中高居前10；今年来收益率也达66.79%，排名同类前4%（34/990）。

数据来源：Wind，截至2020年9月18日

打通研究与投资的链条，用科技体系解决投资难题

中国资本市场日趋成熟，投资策略也不能一成不变，需要与时俱进、常研常新。

       “过去我一直觉得自下而上是最逼近公司真实状态的一种投资方式，只要对公司有深度的认知，就能抵抗短期下跌带来的心理恐惧，也能在公司股价有所表现时，坚定持有。”从历史上看，梁浩的持股周期均较长，并且经常挖掘出许多“非市场共识”的黑马。不过如果只是自下而上找Alpha，可能会在组合Beta表现不太好时，很长一段时间收益率都不是很突出。经历十余年的投研磨砺后，梁浩开始思索如何优化自下而上的投资方法。

       “虽然很多时候来自个股选择的Alpha很大，但是在有些市场环境中如果没有匹配大的Beta也会非常吃亏。”梁浩指出，不会将自己的框架推到重来，只是需要一些优化，提高自身的投资效率。为此近些年来，在“基本面投资”理念指引下，鹏华基金投研团队一直在打通研究和投资之间的链条，“梁浩+”成长天团，集合鹏华基金研究团队的理念与思想，尝试用科学体系来解决投资中的难题，解决了Beta和Alpha不可兼得的问题，并且能够比较好的平滑收益率。           “将自上而下和团队智慧加入到我们的个股选择框架后，组合在不同风格的市场中，都有机会取得稳定的超额收益。”

投资是艺术也是科学

鹏华投研体系在探索中迭代升级

       回顾过去5年，鹏华基金研究部经历了搭建、完善、不断地磨合、持续创新的过程。从最初专注于行业个股研究的团队，逐步发展成为结合自上而下的宏观、量化和大数据、细分行业基本面研究的综合型团队，作为研究部领军人的梁浩深有感触。

       梁浩介绍，首先，鹏华搭建了比较完善的研究体系和人才梯队，“我们有大概30个研究员覆盖上百个二级子行业，应该说就像打仗一样，每个人守住自己的一块阵地，每个研究员都覆盖了自己覆盖的行业，有重要的公司能持续的进行紧密跟踪，同时对于这些有机会也能够快速反应，这样基本上达到了研究体系对于投资的支持，我们叫它研究体系的1.0。”

       在实践时，鹏华基金研究部发现不仅要低头拉车，还要抬头看路。在2.0版本时，鹏华通过统计数据、行业研究、草根调研的验证、上市公司的调研还是专家的访谈，逐渐把握宏观策略和行业的景气度，这些配合起来，真正做到自上而下和自下而上紧密结合，才能对研究做出比较好的支撑。

      后来大家也逐渐发现，投资是科学，也是艺术，更是科学与艺术的结合。“作为公募基金最重要的是给投资者创造超额收益，投资者更希望要的是显著的超额收益，稳定、持续、可预期的超额收益，在量化策略帮助下，从宏观策略角度就能够把握市场风格，在行业研究基础上，把握行业景气度，同时我们有很好的研究基础做个股选择。将这些策略都结合在一起的体系相对来说比较有效，也的确取得比较好的效果，这就是鹏华研究体系的3.0版本。”

基本面投资为核心 “主动选股×量化投资”双剑合璧

       在2019年，梁浩联合主动量化投资专家包兵华重磅**鹏华研究智选，也是鹏华研究体系3.0的实践之一。据了解，包兵华作为券商量化研究员出身，具备超强的量化建模能力，擅长多因子量化选股，用量化的方式把主动投资理念建模，全市场筛选符合主动投资理念的股票。

       对于为何要在主动管理基础上引入量化策略？包兵华分析指出，中国资本市场目前尚且处于相对不那么完善阶段，但仍然存在较多的盈利机会。首先投资者以散户为主，情绪化非常明显，市场波动比较大，市场波动的时候往往隐藏一些机会；其次就是信息不对称，不够公开透明；三是就是投资者理念和方法不够成熟，追涨杀跌，这都给量化策略带来了一些机会。

       量化策略的优点是能够使投资盈利更稳健：首先是科学性，基于大数据的统计效应，还有衍生品定价理论，有科学的理论作为依据；其次是高效性，利用量化模型或者量化策略可短时间内做到全市场覆盖，同时执行的速度非常快，从数据处理到交易执行都可以很快速；再次是纪律性，可以避免个人投资情绪影响带来的亏损。

       在2019年，梁浩联合主动量化投资专家包兵华重磅**鹏华研究智选。包兵华，券商量化研究员出身，具备超强的量化建模能力，擅长多因子量化选股，用量化的方式把主动投资理念建模，全市场筛选符合主动投资理念的股票。

      “单纯的数据挖掘无法考虑外界因素的干扰，同样也无法深入洞察市场内部的机制。因此，量化投资建模应该是基于有正确投资逻辑支撑的前提下进行的策略开发，而不是基于纯粹数据挖掘的模型构建，量化投资应是对于主动管理的投资理念与投资逻辑进行数量化、规则化，模型化，克服人性弱点，避免风格的漂移”，包兵华进一步指出，目前鹏华研究智选60-80只股票等权配置，每月调仓，按照估值、盈利、成长几个维度永不停息寻找被市场暂时低估的股票。

       鹏华研究智选成立来的业绩表现也证明了“主动+量化”双剑合璧的威力：截至9月18日，鹏华研究智选今年来收益率62.33%，远远跑赢沪深300指数15.64%的涨幅，也超越同类平均39.69%的涨幅，稳居同类前7%（62/990）。

从“研究智选”到“成长智选”

量化多策略制造基金新物种

       9月22日，鹏华研究智选的“进阶版”——鹏华成长智选混合型基金（A类：010264，C类：010265）要来了！同样的配方，不一样的味道。同样由梁浩与包兵华强强联合管理，整体投资思路和方法一致，但在配置弹性和进攻性方面会略有加强，将增加一些具备前瞻性、拐点性的个股配置。未来，鹏华成长智选还可在A+H股两地三市进行投资，股票资产占基金资产的比例为60%-95%，其中投资于港股通标的股票占股票资产的比例不超过50%。而且鹏华成长智选可谓是鹏华研究部此前几大版本实践结合的结晶，专注主动选股与量化投资，运用量化多策略制造基金新物种。

       无论是梁浩的鹏华新兴成长，还是梁浩同包兵华共同管理的鹏华研究智选，以及重磅发行的鹏华成长智选，都是鹏华研究部团队合力的产品，都有统一的核心投资理念，即从基本面出发，只是在各自的实现方式上，可能是会有所差异。“不管我们的研究体系如何演化、进展，都是围绕着基本面投资来做得更好、更完善，这是我们最核心的理念，也是安身立命之本。”梁浩如是表示。

       对于基本面投资如何对量化策略加持，梁浩指出，首先将严防财务造假，克服传统量化投资的这一缺陷；其次需要长期跟踪、深入调研，关注公司治理、管理层品格；最后是提前反馈季报披露之前基本面的变化，提供投资的前瞻性研判。

大数据智能量化投资

六大特色寻觅“小而美”的隐形冠军

      包兵华介绍道，任何一种投资方式都有不足之处，量化投资也不例外。“面临不足，我们不是舍弃它，而是努力改变或减少它的局限性。”很多主动量化产品是单纯基于数据挖掘，这样就会产生单纯数据模型的局限性。首先是过度拟合，在某一时点进行量化建模，可能在一段时间内是最优的，但未来有很大的不确定性。其次，是有很多假设前提，其中有一个比较重要的假设前提，就是量化模型假定外部环境没有发生大的变化，但事实上外部环境一直都在变化发展中，这样就导致原有量化模型不能适应新的市场环境，走势自然会不理想。

       在基本面研究加持下，鹏华大数据智能量化策略，既利用量化投资的优点，比如纪律性、时效性、数据挖掘能力强、数据处理速度快等优点，同时又摒弃单纯数据挖掘不足的局限。通过多策略、多模型的优势进行组合的选择，从而避免整个投资组合出现大起大落，部分年份收益非常高或非常低的情况。通过单策略理念的均衡性，多策略的相互补充性，来应对市场阶段、不同风格引起的市场环境变化的情况。参考鹏华研究智选，未来梁浩和包兵华的重磅新作将呈现以下六大特色：

      第一，不进行过多的仓位择时。组合整体保持不高于90%的区间总仓位，不进行过多的仓位择时，除非市场出现极端危险信号。

      第二，持股高度分散。从全市场按照核心投资理念筛选出300左右个股池子，再收短约束，进一步选择出80-90只个股，像鹏华研究智选今年中报数据披露，全部持股数量不足百只，为96只，第一大重仓股占比不到2%。

       第三，行业配置中性。如鹏华研究智选最新中报数据显示，覆盖28个申万一级行业中的18个，第一大重仓行业占比不足20%，其他行业占比不足10%。

       第四，将进行月度调仓。不断进行再平衡策略，对于明显偏离基本面高估或者短期上涨过快的个股，进行适当减少或清仓，反之亦然。

       第五，数据广度上，不断挖掘市场尚未注意到的“小而美”的公司。历史定期报告数据显示，鹏华研究智选持仓个股市值偏小，全部持股的平均市值在300-400亿左右，不断挖掘“隐形黑马”。

       最后是胜率与阿尔法，以跑赢大盘指数为标准。像鹏华研究智选de 选股胜率高达70%以上，部分行业最优10只公司中持股高达6只。

       这样整体盘下来，可以发现，近期重磅发行的鹏华成长智选可谓是集鹏华研究部大智慧，又有善挖黑马的成长投资名将梁浩和主动量化专家包兵华联袂出击，或将实现“主动管理+量化选股”1+1＞2的效果。

来源：金融界

股票市场常规的量化策略交易方式是不是已经失效了？

       当资产市场量化师开始对标普近来的不均衡交易（主要是由于纳斯达克指数来回大幅调整和成长到价值的轮动）感到沮丧的时候，市场往往总会伴随着风险临近。

像Bastian Bolesta这样为标普500指数制定了简单策略的量化师们发现，"通常的东西 "并不像以前那样有效。

       例如Bolesta会使用一个策略，其中如果标准普尔500指数期货上涨，他的交易程序就会做多。如果指数下跌，它就适当放空。基金经理只需等待下午4点的钟声响起，就会平仓，然后此方法日日重复，被称为日内趋势跟踪。

像Bolesta这样的系统性玩家长期以来一直在利用全球最受关注的股指的单向交易模式。

       但似乎这个**的赚钱机器已经停止了，他的策略已经出现了 "二十年来最严重的跌幅"，而量化师们似乎也搞不清楚是什么原因导致了这个 "曾经可靠 "的交易不再奏效。

       报告指出尽管该策略在美国的成功率在减弱，但在亚洲和欧洲市场的效果稍好。Bolesta评论道。"我们在盘中仍然看到一些大的动作，但它们很不稳定。"

该策略利用了现金开盘和进入收盘时股票成交量的上升。

       而该策略的喷发也来得恰到好处。像Soc Gen和德意志银行都开始接受最近的策略，将其包装成机构 "一揽子追逐动量 "产品的一部分。

      德意志银行的量子师Sorin Ionescu在谈到该策略时表示。"出血量似乎比历史上要高得多。"

       博莱斯特拉将表现不佳归咎于宏观新闻和有影响力的财报在市场休市时出炉。但这应该与前几年没有什么不同。

       "这不是动能的消失--这是隔夜动能，"

一个更好的理论是，期权交易员可能已经开始对动量反感。

       "但现在这些交易员的买卖与市场的整体方向相反，理论上说。用期权的说法，他们已经从负伽马变成了正伽马。SocGen衍生品策略师Jitesh Kumar称，做市商在4月前后进行了转换，正值标普开始从历史性的溃败中复苏。"

量子们仍希望该策略能在下一个市场低迷期重新站稳脚跟。

       SocGen的跨资产量化研究主管Sandrine Ungari表示。"你的价格实现的波动性越大，做市商愿意提供的流动性就越少，日内创造的趋势就越多。"

       "当市场真的因为一个大的消息而移动时，这很可能会传播成那种扭曲，帮助这些策略做得好。"

来源：财讯北凛网

量化投资策略 投资者要了解清楚

       要知道，作为投资交易策略的一种，“量化投资策略”是利用所构建的投资模型指导投资的一种技术手段。那么期货量化投资期货策略概述，是不是不知道呢？其实相关的知识还是要了解清楚的。

量化投资期货策略

       量化投资者对于投资模型的构建，一般情况下是在“现代金融学理论框架”下进行的，其主要包括：投资组合选择理论、有效市场理论、公司财务的MM理论、资本资期权定价理论、产定价理论、套利定价理论间。

量化投资者，在参与金融市场进行投资决策时，面临根本问题是买什么？买多少？其实，这问题本身就是一个投资组合的选择问题。现代金融学研究的出发点和落脚点都是，去试图量化和描述金融资产，以及金融资产的收益与风险之间的关系，而“收益和风险”很大程度上都是受“组合选择理论”影响的。

       在数学上，均值是数据序列的一阶矩，方差便是二阶矩。按照这个思路想下去，使用“偏度”来描述，当“资产收益分布不对称情况”下的投资选择问题。采用与事先设定的目标收益的差距期望来度量风险，这个方法，在动态投资组合管理中被经常使用。

       真实的情况是量化投资市场中，更多存在着模糊不确定性。模糊集理论、模糊决策理论、模糊规划理论、可能性理论，为我们提供了一种有效方法。

来源：股城网

智能“投”？智能“顾”？智能投顾主流模式应为何？

       虽然国内智能投顾市场发展迅速，但产品中用户画像简单、静态，使得场景过于单一，智能化程度低。

       埃森哲发布《智能投顾在中国：直面挑战、把握机遇、决胜未来》，阐述智能投顾之前世今生以及主流模式，并重点围绕智能投顾在中国的发展现状、遇到的挑战与机遇以及在此机遇下，金融机构所应具备的能力展开了讨论。亿欧智库在对金融业务的研究中，持续关注财富与资产管理，并在以往报告中关注了国内智能投顾产品的发展；通过阅读此篇报告，将更有助于我们后续对智能投顾的了解，进而深入研究。以下带来报告解读。

       2017年11月17日，央行发布《关于规范金融机构资产管理业务的指导意见（征求意见稿）》，正式将智能投顾纳入监管。这表明，智能财富管理在成为热点后正式走上正轨，以较低的手续费、较高的效率来服务传统金融机构所未覆盖到的长尾人群，特别是针对这部分人群中的中低净值人群。其中，智能投顾产品的发展已渐趋普遍，并为传统财富管理模式带来了莫大的冲击。埃森哲认为，当前财富管理已形成由传统财富管理模式、纯智能投顾模式和混合模式三者组成的格局，并且以数字化驱动的人力结合“机器”的混合模式已然崛起，并且将成为未来财富管理模式的主流。

一、何为智能投顾

       在亿欧智库6月15日发布的《2018银行业创新形态与模式研究报告》中，我们引用了招商银行对其智能投顾产品“摩羯智投”的定义：运用机器学习算法的理财服务，通过以公募基金为基础的全球资产配置，达到分散投资风险的目的，适合具有权益类产品（如股票型基金等）投资经验的客户购买。简单来说，智能投顾是一种全新的商业模式，而非一项特定的技术。和传统投顾相比，智能投顾最大的特征是门槛低、费用低、效率高。因此，对作为“长尾用户”的中低净值人群颇具吸引力。

       埃森哲认为，当前财富管理市场已基本形成由传统财富管理模式、纯智能投顾模式以及混合模式三者组成的格局；在混合模式下，智能投顾服务当前主要针对C端的消费者，或者说“投”，另外针对B端的“投”（比如投资**、基金经理等机构投资者），或者说“顾”，的智能投顾服务也起步。

二、中国智能投顾市场发展现状

市场规模增长迅速，前景广阔

       从2016年招商银行、浦发银行率先发布“摩羯智投”、“财智机器人”后，中国银行、工商银行也相继入局，发布“中银慧投”、“AI投”，可以看到，智能投顾在中国已逐渐落地应用。报告中引用Statista的数据，2017年中国的智能投顾管理的资产达289亿美元，预计到2022年，中国的智能投顾管理资产总额将超6600亿美元，用户数量超过1亿。故此，国内智能投顾市场前景是比较乐观的。

受众判断能力较弱，国内监管政策驱严

      日趋激烈的竞争格局中，由于新客户群体大多集中在80后、90后，其在对数字化生活方式接受度高的同时，也对新产品的判断能力较弱，尤其在金融产品同质化严重、智能投顾产品差异化程度低的现在。

       在此种情况下，国内的监管政策驱严。例如，在我们上述提到的征求意见稿中，提到金融机构运用人工智能技术、采用机器人投资**开展资产管理业务应当经金融监督管理部门许可，取得相应的投资**资质，充分披露信息，报备智能投顾模型的主要参数以及资产配置的主要逻辑；此外，意见稿特意强调金融机构不得借助智能投顾夸大宣传资产管理产品或者误导投资者。

三、智能投顾在中国所面临的挑战以及机遇

智能化程度较低

       亿欧智库在以往的研究中已指出，目前国内的智能投顾产品的智能化存在严重的不足，大多产品通过后台已经算好的组合呈现给投资者，只能做到智能调仓，机器深度学习的能力明显不足。埃森哲也提出，智能投顾产品中用户画像简单、静态，造成场景过于单一，智能化程度低。故此，金融机构仍需沉淀足够多的数据量，在此基础上不断训练算法，提高其“真智能”的程度。

人工服务欠缺

       以往，国内创业公司**了全流程自动化的产品。在此产品服务客户满意度上的局限逐渐凸显之时，一部分公司转而对客户分层，提供不同级别的服务，进而差别定价；而传统银行、资产管理公司则将智能投顾的流程运用到其传统人工服务的模式中，结合两者，服务高净值客户。但在实际操作中，亿欧智库发现几乎所有的智能投顾产品在人工服务中都严重不足，有些产品甚至分割了两者。而且报告中指出，国内多数智能投顾的具体投资策略并不向用户公开，也就是所谓的“黑盒”，这正是佐证投顾产品本质上是一种服务，纯粹的机器流程无法满足用户多样化、个性化的需求，反而容易引起用户的反感。在报告中，埃森哲也指出，未来，数字化驱动的人力结合“机器”的混合模式将成为财富管理模式的主流。

盈利模式模糊

       在亿欧智库对国内智能投顾产品的梳理中，发现服务提供商并未明确指出产品的收费情况，即产品是否收取服务费、管理费，以及购买产品的佣金、申赎费用的标准是多少。这表明，金融机构并未想好如何对此产品进行收费。特别是在金融科技公司利用技术能力，瓜分了金融机构部分业务的利润，甚至倒逼金融机构在某些业务上实现**之时，金融机构的盈利压力更大。

市场不稳定性

       提供商除面临自身产品规划与模式外，市场的不稳定性同时也对其提出了很大的挑战。其一为投资者教育欠缺，服务提供商前期必须投入较大的成本来教育市场，相比于大型金融机构，这对于初创的金融科技公司显然是一大难点；此外，监管政策也有较大的不确定性，监管驱严实际上也是一大信号。

机遇：转向B端、善用****及技术能力

       但毫无疑问，埃森哲的研究指出智能投顾的发展为国内金融机构也带来了巨大的机遇。如通过B2B2C模式，先服务B端客户，间接触达C端客户，解决其不具备****优势、****的问题及盈利的压力问题；而对传统金融机构来说，由于其拥有大量存量****，获客成本低，善用****可依据此占据较大的市场份额；最后，对于互联网巨头来说，利用其在大数据、人工智能方面的优势可以提供差异化的产品。

       总而言之，国内日趋激烈的竞争市场使得智能投顾提供商在面对多变的客户群体及客户需求、快速发展的新兴技术以及不稳定的政策环境中阻碍重重，但多数人仍对智能投顾市场规模的快速发展抱着乐观的态度。在今后，独立第三方财富管理机构、传统金融机构和互联网巨头将是智能投顾市场的三大主体。

来源：亿欧

以AI实现科技赋能 驱动金融服务智能升级

       近年来，人工智能To B端业务发展迅猛，企业数字化转型是大势所趋。根据亿欧智库统计，经过10余年的快速发展，中国人工智能企业更聚焦于To B端业务，行业解决方案、企业服务、机器人、大健康、安防等赛道是AI企业的重点关注领域。

        一方面人工智能需要深度融合于行业才能释放出其巨大价值，而融合的过程更多是AI企业与行业企业深度合作、共同进行场景适配挖掘、AI赋能，进而达到降本增效等目的；另一方面，人工智能技术需要优秀的算法，同时也需要海量的数据输入才能产生优良的应用模型，因此AI的进一步发展必然引领企业的数字化转型。

       “金融是AI落地的最佳场景。”业内人士分析指出，金融领域天然的数据属性与智能化需求为人工智能的应用提供了基础，加之政策和资本的推动，人工智能落地金融场景已成为不可逆转的趋势。

       当前，金融业与人工智能的结合已日渐深化。金融科技出海热潮持续进化，一批以提供获客、风控、运营等金融技术服务的企业开始扬帆远航，寻求新的发展机遇。整体来看，监管规范、新技术与金融业的融合应用、技术驱动下的经营模式与业务合作模式创新都是行业普遍关注和积极实践的焦点。

       在驱动金融业进行智能化升级过程中，百融云创正在成为银行等金融机构的重要合作伙伴。基于人工智能、云计算、区块链等技术和对金融业务的深刻理解，百融云创通过科技输出提供全方位的科技赋能、风控赋能、营销赋能，能够快速夯实提升银行自身的数字化转型能力。

       人工智能与传统金融服务相结合，将使金融服务的方式发生根本性改变。一方面，在人工智能的帮助下，金融机构可以更有效地获取和处理信息；同时机器学习、自然语言处理和知识图谱等技术的应用，还可以使金融服务更具个性化和人性化。

       凭借强大的技术基因，百融云创在获客、风控、客服等各个业务环节大量采用了人工智能技术，有效驱动金融服务智能升级。

       以百融云创自主研发的智能外呼机器人“百小融”为例，相较于传统机器人仅局限于电话呼出，“百小融”采用目前先进的语音识别（ASR）、自然语言处理（NLP）、语音合成（TTS）和智能语音打断技术，可与客户进行超过多轮的精准回答交互，应用于智能营销和智能资产管理，可以迅速为金融机构节约成本，提升效率。

       众所周知，中国市场天然的庞大属性，导致传统模式的金融服务无法充分下沉，还有大量的潜在金融需求亟待进一步渗透和满足，金融业对人工智能支持的需求也随之高涨。在这样的背景下，百融云创将不断通过技术创新，助力智能金融的脚步越走越稳。

来源：金融界

量化因子表现反转 主动量化基金业绩“大洗牌”

       牛年A股市场风格突变，量化因子表现殊途，主动量化基金的投资业绩也出现“大洗牌”：去年业绩领先的基金今年跌幅居前，而去年表现滞后的产品今年暂居前列。

        多位基金投资人士表示，过去几年表现较差的价值因子今年迎来反转，导致主动量化基金业绩排名出现“大洗牌”，基金经理在今年的投资中也将更注意调整和优化量化因子，深入挖掘低估值、顺周期等个股机会，继续为主动量化基金带来超额收益。

量化因子表现反转

主动量化基金业绩“大洗牌”

       Wind数据显示，截至3月19日，215只（份额合并计算）主动量化基金今年平均收益率为-3.39%，首尾业绩相差32个百分点。其中，业绩最好的华泰柏瑞港股通量化收益率达到15.64%，中欧量化驱动、上投摩根阿尔法也表现不错，今年以来的收益率分别为11.69%、9.05%。

       由于今年市场风格突变，领涨基金去年收益率并不突出，而去年业绩领先基金今年亏幅较大，主动量化基金的业绩切换，首尾业绩排行出现“大反转”。

        数据显示，截至3月19日，今年斩获正收益的45只主动量化基金，去年的平均收益率30.79%，低于该类基金平均水平11.7个百分点；而去年业绩超50%的绩优主动量化基金，今年平均收益率为-7.03%，低于行业平均水平3.64个百分点。

        从单只基金来看，波动就更为剧烈。比如去年以102.35%收益斩获冠军的长信低碳环保行业量化基金，今年亏损13.84%；去年涨幅在90%以上的银华食品饮料、长信国防军工等产品，今年亏损也超过10%。

       “今年春节之后，我们量化模型的基本面因子有较好表现，尤其是估值因子在经历近几年的压抑之后，开始获得不错的正收益。”华泰柏瑞基金量化与海外投资团队负责人田汉卿表示，春节之后，市场逐渐恢复较为理性的股票定价，一些前期估值拉得很高的股票股价出现较大调整，而被忽略的性价比较好的中小市值股票开始得到市场关注，估值开始修复。市场更加关注基本面，在这样的环境中，基本面量化模型的优势得到体现。受益于估值因子和市场动量以外其它因子的正贡献，华泰柏瑞港股通量化今年3个多月获得15.64%的收益率，超额收益接近10%。

        中欧基金基本面量化组投资总监曲径表示，经过研究历史上的“抱团市”发现，在市场风格变化后，反转因子均产生了超额收益，前期滞涨及2021年业绩反转的行业值得关注。借用索罗斯的反身性理论，市场既会在核心资产上涨趋势时过度助推，也会在下跌时过度抛*，今年1月和2月的市场就是实例。

       谈及公司量化基金近期的优异表现，曲径认为，中欧基金通过量本结合的行业模型，发现了周期和银行板块相关的投资机会，并进行了高配，获得了部分超收益。在微观层面，得益于分散投资的运作方式，也避免了高估值股票的回撤。具体来看，前期滞涨的低估值公司贡献了正收益，预计会持续一段时间；从基本面的角度来看，这也是价值投资回归本源的必然趋势。

      “过去3年表现比较差的价值股今年出现了反转。”北京一位绩优量化基金经理也说，过去几年随着股价表现的差异，价值红利股与成长股的估值差异已经处于历史极值位置。但不论是盈利增速还是盈利能力，成长股与价值红利股的差距远远没有估值体现得那么大。

       在这位基金经理看来，目前表现好的基金多数超配了价值股和红利股。红利股本身具有很好的投资价值，长期都有不错的投资收益。持续拥有较高股息率的红利股，通过“真金白银”给予投资者较高的确定性，向市场传递出财务健康、经营稳健的信号，长期来看是有超额收益的。

深度挖掘低估值、顺周期个股

创造量化基金的超额收益

       多位投资人士告诉记者，在今年震荡行情中，主动量化基金经理将继续优化和完善量化因子，深入挖掘低估值、顺周期个股，力争获取相对主动偏股基金的超额收益。

       曲径表示，量化投资更适合震荡市或风格转换的市场环境。中欧基金的行业模型在去年底建议高配建材、基础化工、汽车等周期行业，也对高估值的食品饮料提示了风险。我们也据此进行了行业调整。另一方面，量化基金在持股上普遍比较分散，一般会持有100只-300只股票，在去年的趋势末端会跟不上集中持股的投资方式，而在今年的环境中更容易通过量本结合的研究框架，“雷达扫描”的研究方式，发现更多抱团期间被忽视的投资机会。

       在田汉卿看来，主动量化基金的收益分为两个部分：比较基准指数的回报和超越指数的超额收益。以行业类主动量化基金为例，这类基金以行业指数为比较基准，并以投资经理和管理团队的管理能力获取超额收益。由于主动量化基金有明确的业绩比较基准，控制跟踪误差，加上超额收益，可以为投资人提供风险收益特征明确的配置工具。

       田汉卿表示，华泰柏瑞基金在跟踪好业绩比较基准，控制跟踪误差的同时，量化模型力求捕捉中长期有较为稳定超额收益的量化因子，一般不受短期变化的影响。当然，在某些市场环境下，如果一些因子表现优于其他因子，也会对原有因子权重做出一定调整，比如今年她更关注估值因子的回归，看好市场中性的量化绝对收益基金，而在不对冲的基金中，相对看好投资港股低估值的基金。尽管不确定今年指数的回报如何，但低估值港股大概率是股票市场指数中表现相对较好的。

       “春节以来市场在向更加均衡、重视基本面的方向发展。主动量化基金在不同行业、不同市值的股票上的分布比较平衡，今年有望获得更好一些的超额收益。”田汉卿说。

       上述北京绩优量化基金经理也表示，总体来看，主动量化基金配置相对于传统主动权益基金更加偏好价值型股票，而长期看价值型股票是有超额收益的。展望未来一年，价值因子有望走出低谷，让主动量化基金获得相对不错的超额收益。

来源：读创

人工智能会取代很多的职位。金融领域是一个切入点，它是做人工智

       人工智能会取代很多的职位。金融领域是一个切入点，它是做人工智能、大数据很重要的切入点，金融领域如果很多机会逐步被人工智能替代的话，将来会有什么样的影响？

       人工智能会取代很多的职位。金融领域是一个切入点，它是做人工智能、大数据很重要的切入点，金融领域如果很多机会逐步被人工智能替代的话，将来会有什么样的影响？

       很高兴有这个机会跟大家分享“人工智能技术在金融市场的应用”这个主题。我们先看一下最近的热点，都是2017年的一些新闻。

交易员正在被迅速替代

       首先高盛的新闻，高盛现在很多职位逐步被人工智能所取代。以前股票的现券交易员有600个人，现在基本上只剩下2个人了，基本上这一块就被机器替代了。我自己以前在美国金融博士毕业以后，刚开始在摩根大通银行做信用风险方面的职位，后来到瑞信第一波士顿银行，即瑞士信贷去做量化交易，当时我看到的情况也是一样的。我大概在2010年到瑞信做现券交易的时候，它的交易大厅比我们这个要大多了，交易大厅前排很多排都是做股票现券交易的交易员，到我接近离开的时候，也就基本上大批大批地离开了。这些交易员逐步被算法交易替代了，相当于被机器替代了。

       瑞信第一波士顿本身也是跟高盛一样，在华尔街的算法交易、电子化交易相对比较强，整个趋势我在2010年华尔街工作的时候就非常明显了。今年的新闻就说高盛600人的现券交易员团队整个被替代了，只剩下2个人了，这跟我当时在瑞信看到的情况是一模一样的。美国摩根大通今年的新闻是用自动化的软件几秒钟就能够把内部律师、法律**花36万个小时做的事情就自动完成了。

       我以前在纽约有一个朋友，他一直在德意志银行做衍生品交易，他是一个交易员，今年他的职位就被机器替代了，所以他最近也在找工作，所以连衍生品的交易员都被机器替代了。

       今年的新闻一下子出来了这么多，很明显的趋势，感觉上这是一个大家很关心的问题，人工智能会取代很多的职位。因为金融领域是一个切入点，它是做人工智能、大数据很重要的切入点，金融领域如果很多机会逐步被人工智能替代的话，将来会有什么样的影响。

       人工智能表现在比如行动、决策、感知，行动上包括自动化、机器人、运行，决策包括识别、分类、预测，感知包括感知图象、语音、文字。你说它能达到完全把这三个方面做好的话，就真的变**工智能了，它又能行动，又能决策，又能感知，也就是一个人所能够做的事情全都可以做了。

金融市场中的人工智能应用

       以前我们在做人工智能研究的时候，人工智能在现实当中有很多的应用，最主要是两块，一块是分类，一块是预测。实际上分类和预测都差不多，中间就是有一些细节上的区别。现时的问题基本上可以用分类和预测来得到解决。

       首先是金融市场预测。彭博社用机器学习模型预测上市公司财报是否超过预期准确率，模型表现达到了60%的成功率。三菱日联摩根斯坦利证券，用机器学习预测日本股市走内30日内的涨跌，可以达到成功率68%.我以前发表过一篇文章，是我在***国立大学和*******所合作所做的一个预测，成功率可以达到70 %，也是之前我自己做的一个研究。瑞信信贷的算法和做市交易是华尔街非常有名的，交易执行全部是用算法来做。还有金融产品波动率的预测，T MB银行也是通过神经网络来做波动率预测。德意志银行的衍生品交易定价这一块也是用人工神经网络。

       其次是人工智能技术在固定收益类资产配置方面的应用。对固定收益管理来说，收益率曲线的期限结构对风险管理和投资决策都非常重要。所谓的收益率曲线期限结构，比如有平的，正常是往上走的，还有往下走的。正常是往上走的，因为时间越远的话，收益肯定越高，你的风险溢价可能相对来说高一点，所以正常向上是很普遍的收益率曲线结构。当然现实中可能也有平的曲线，甚至往下走的也有。收益率曲线的结构变化也很多，有平行变化的，有斜度调整的，还有弯曲度调整的，收益率曲线的变化方式对于做投资决策和风险管理都非常重要。

       第三，是人工智能技术在自动做市和算法交易方面的应用。自动做市和算法交易目前国际投行在这方面投入很大，包括自动做市和算法交易，第三代算法交易系统的目标已经不仅仅是减少交易执行成本和市场冲击，而是获得比基准V WA P更好的结果。就是交易执行，因为全球股票交易量很大，股票交易的过程中就会有交易执行的成本，这个算法交易主要是节省交易成本。

       我测算了一下，中信证券2012年净利润42亿元，如果在国内市场采用二代算法交易，利润可以提高26%.就整个市场而言，在2012年的时候采用二代算法可以节省40 0亿的交易费用，如果采用三代算法交易可以节省70 0多亿的交易成本。如果是20 15年就更不得了了，可能就是节省两三千亿了，整个市场交易成本的节省可能都会提高得非常快。高频交易英国占30%，美国60%，日本15%，当然这只是一个预测，当时中国的位置非常低。当然20 15年有所提高，但是因为限制算法交易，后来估计也没有很高，也就是比较低的位置。这个可能还是一个趋势。

       第四，是人工智能技术在复杂衍生品交易和定价方面的应用。衍生品交易这一块准确定价非常重要，不准确的定价会导致错误的交易并导致损失，并且导致对风险计量V A R（风险价值模型）的错误估值，导致不匹配的对冲策略，这样就会造成整个投资组合风险头寸的暴露。特别是挂钩一些流动性不太好的标的，股权的期权定价由于传统统计模型无法准确预测该股票的回购率，进而无法准确计算它的远期价格，从而很难准确定价。德意志银行的衍生品交易采用人工智能模型解决这个问题，提高了预测该股票回购率的准确率，提高了关联期权定价的准确性，提高了交易利润。定价系统越来越人工智能化，所以交易员就可以直接裁掉了，这是一个趋势。

       第五，是人工智能技术在债券评级方面的应用。标准普尔已经通过多层神经网络做主权债、企业债的评级，预测的准确度也提高了，只不过这种模型还有一个问题就是“黑箱”操作，它不像传统统计模型比较好解释，中间哪个变量大一点，本身人工神经网络是一个“黑箱”，里面有很多的权重和节点，每一个节点的权重自动通过输入和输出优化，找到调整这些节点的权重。所以，它不太像传统的统计模型那么好解释，你是怎么找到这个对应关系的。所以，这是一个“黑箱”操作，但是抓住非线性关系的能力很强。

       第六，人工智能技术在信用风险预测方面的应用。以前我在摩根大通和贝尔斯登工作过，做过信用风险方面的模型开发，信用卡行业也普遍用这个神经模型做系统风险预测模型和信贷审批模型，资产证券化产品的价格也受底层**率和提前还款率的影响，人工神经网络本质也是一种统计模型，20 0 8年次贷危机的时候，贝尔斯登、摩根大通银行的信用风险部门也开始利用非传统统计模型即神经网络做一些预测，而且我们当时在2007年底的时候预测房产抵押贷款的**率会急剧上升，我们就用了这个网络模型，结果的确是发生了。

       最后，人工智能技术在消费银行业市场划分方面的应用。人工神经网络在算法交易训练的时候，比传统的统计分类模型有一些优势，人工神经网络解决传统统计模型的两个问题，一个是不需要事先知道有几个划分区域，它是根据数据特征找到有几个，而不需要事先知道有几个，而且也不需要设立起始的区域中心。比如花旗银行的消费银行业务，全国有2 0 0万的消费者，去分析消费者的数据，然后做一些市场划分，我肯定很难事先知道我有多少个划分区域，我只能根据实际数据来划分。根据这些实际客户的消费特点来进行市场划分，事先我还是不知道的，而且消费人群的特点也随着时间有变化。所以，神经网络与传统统计模型肯定是有一些优势，它提高了花旗银行消费银行领域的市场划分准确度，进一步提高了各个划分领域中的风险管理实践。

人工智能技术的角色与目标

       这里可以再提一下金融与科技交叉，即人工智能技术在证券投资领域创新和发展的方向。我觉得可以分几个层次：第一个是算法交易执行的创新。智能代理的算法交易系统，能够更高效地按照定制化需求，执行涉及组合或者一篮子资产的下单命令，智能代理交易程序可以轻松同时跟踪成百上千只不同的证券标的，同时反馈订单执行情况。跨市场或者跨品种的定制化交易需求能够轻松实现。

       第二个是投资策略产生的创新，投资策略的生产模式由大规模人力转向大规模人工智能机器。由于计算机能力的大幅提高以及平行分布式计算的广泛应用策略开发的时间大大缩短，结合大数据，机器学习的强大挖掘能力将会开发出以往无法发现的“新认知”和新策略。未来10年大部分初级分析师的工作都可能会被智能算法所取代。

       第三个是资产配置效率的创新。基于大数据的人工智能的应用，可以显著提高资本市场的深度和宽度，人工智能代理会以人工智能无法比拟的速度、效率和海量计算捕捉任何交易机会，这样的话市场的有效性会大大提高，资本市场有效配置资源的功能将得到很好的发挥。将来很多套利的机会越来越少，因为出现套利机会计算机马上就自动发现了，就像美国一样越来越难做套利了。

       第四个是金融行业结构的变革。由于人工智能技术的专业性、复杂性提高，将衍生出新的业态。比如量化技术背景的智能信号服务提供商开始为金融机构提供定制的信号。这个在美国已经有了。有一些专门做量化交易信号，要么就提供给投资银行，比如投资银行里面股票做市；有些衍生品做市就需要一些交易信号来做一些判断，到底做市的时候要百分之百对冲还是对冲一部分，提高他的判断能力；还有一些小的技术公司提供交易信号，说我这个交易信号很好，可以赚钱。我给你提供这种交易信号，你要赚了钱我们怎么分？

       现在也出现了很多非常有针对性的专门做智能交易信号的提供商，跟这些对冲基金的合作越来越多。还有提供大数据服务和大型计算服务平台的运营商将会蓬勃涌现，证券投资行业涌现大量基于智能要素的新型业态。这个趋势是自动化越来越普及，智能算法也越来越多，这个行业肯定竞争也越来越激烈，但是很多初级分析师的职位也会被逐步取代。

人工智能的未来

       我觉得人工智能的本性包括强大的计算能力、大数据、深度学习的算法，解决过度拟合的问题，还有人类专家系统，堆积起来以后就形成的人工智能。人工智能至少在现阶段还是为人类服务的，以前我觉得超越人类感觉上还是遥遥无期，现在感觉这个趋势还是有点加强，这个过程有点加强。

       我们研究人工神经网络的，感觉它很有意思的一点，它模拟的是人脑神经元。人脑神经元有很多的节点，一个和一个连起来。它的学习过程很难解释，比如小孩学习练字、了解东西、考虑问题，自己训练自己，一开始不懂，但是多做一段时间以后就熟悉了。这个自我学习的过程，自己调节，脑神经元的权重在调整，调整几遍以后突然就明白了。这个过程到现在，人类也没有完全理解这个学习过程的内在逻辑，往往是反复考虑一个问题突然就学会了。

       跟神经网络一样，弄了一个很复杂的就像深度学习一样10层的网络，这中间一层一层交联，然后中间调节它的权重，然后我看到这个问题输入和输出的关系，一开始琢磨参数，多看几遍、多考虑，突然就考虑清楚了，这个过程就是在模仿人脑的神经元原理。一开始，人工智能的发展方向哪怕就是“黑箱”模型，但是它能够抓住问题的实际潜在关系，特别是复杂非线性关系能抓住，它就对人类有帮助。

       如果智能化发展到一定程度，我感觉也有可能哪一天你给它许多任务，假如它考虑问题越来越多，说不定有一天它就真的有智能了，因为它这个过程本来就是一个“黑箱”，一个模拟人脑神经元的过程。这个过程你可以把它看成一个非常复杂的统计模型，但是这个趋势确实有智能化的潜力，特别是真正提到人工智能，它不光为了完成一个特定的任务，它还有这个能力进一步优化或者扩展，或者它就知道下一步怎么样系统化地把这个事情做好，这可能是将来人工智能发展的方向。

        聚焦互联网与人工智能新时代、新生态法律研究与服务。包括互联网法律、人工智能法律、金融科技法律、区块链法律、AR/VR虚拟(增强)现实法律、物联网法律、车联网法律、智慧城市法律、智能制造法律、大数据法律、云服务法律等相关领域的研究与服务。

来源：腾讯网