从实验到实施：人工智能如何证明其在金融服务中的价值

对于金融机构来说，从冠状病毒疫情中恢复将会结束他们采用人工智能(AI)和机器学习(ML)的实验性工作，并要求大规模采用。疫情危机要求金融组织全天候响应客户需求，因此他们不断加快转型的步伐，但是必须确保其核心关键业务继续平稳运行。这引起了金融行业对人工智能和机器学习解决方案的兴趣，这些解决方案减少了对操作进行人工干预的需求，显著提高了安全性，并为业务创新腾出了时间。人工智能和机器学习减少了从产生创意到为创造价值之间的时间，为组织带来了长期的战略优势。

人们现在看到很多银行和金融机构正在转型成为类似于大型科技公司的数字化驱动型组织，致力建立能够持续关注客户的能力。那么银行和金融机构如何才能充分利用人工智能?在实践中有哪些关键用例?

对业务的好处

在疫情发生之前，许多金融服务机构已经采用了人工智能和机器学习。然而，人们难以确定哪些关键功能从人工智能中受益最大，因此这些技术并不总能带来预期的回报。这种情况将在未来几个月内发生变化：人工智能和机器学习部署的增加将成为疫情期间经济复苏的核心，疫情突出了应用人工智能的特定领域。这些范围从信用贷款决策、防止欺诈到通过无摩擦的全天候互动改善客户体验。

人工智能可以改进的一些特定金融服务流程包括：

智能自动化文档处理

人工智能和机器人流程自动化优化了各种功能，提高了效率，并提高了核心财务流程的整体速度和准确性，从而显著节省了成本。一个典型的领域是e-KYC，这是一个远程的、无纸化的过程，可以减少“了解客户”协议的审批成本，例如验证客户身份和签名。

这项任务曾经涉及重复和平凡的工作，需要付出相当大的努力来跟踪文件处理、贷款支付和偿还情况以及监管整个过程。然而在今年，很多组织正在采用智能自动化平台来管理、解释和提取非结构化数据，其中包括文本、图像、扫描文档(手写文档和电子文档)、传真和网页内容。这些平台运行在自然语言处理(NLP)引擎上，该引擎可以识别任何丢失、看不见和格式错误的数据，提供近乎完美的精确度和更高的可靠性。由于缩短了平均处理时间，组织通过改善客户体验获得显著的竞争优势。

高效、全面的客户支持

虚拟助理能够以更少的人工投入来响应客户的需求。作为一种提高生产率的简单方法，减少了在客户查询时花费的时间和精力，从而使组织团队能够专注于推动业务创新的长期项目。

人们都熟悉电子商务网站上的聊天机器人，并且这样的解决方案在金融服务行业中变得越来越普遍。摩根大通(JP Morgan)等金融机构现在正利用聊天机器人简化其后台操作，加强客户支持。这些平台包括COIN平台，该平台运行在银行私有云网络支持的机器学习系统上。除了创建对一般查询的适当响应之外，COIN还可以自动执行法律归档任务、审阅文档、处理基本的IT请求(如密码重置)，并为银行家和客户创建了新的工具，从而提高他们的熟练程度，并减少人为错误。

风险管理分析

评估信誉度主要基于个人或组织偿还贷款的可能性。确定违约的可能性是所有贷款组织的风险管理流程的基础。即使有无懈可击的数据分析，评估这一点仍然存在困难，因为可能对一些个人和组织偿还贷款的能力不信任。

为了解决这一问题，Lendo和ZestFinance等公司正在使用人工智能进行风险评估，并确定个人的信用度。像Equifax这样的信用机构也使用人工智能、机器学习和先进的数据和分析工具来分析风险评估中的替代来源，并在这个过程中获得洞察力。

以往在这个过程中通常使用贷款者有限的数据集，例如年薪和信用评分。然而，采用人工智能技术，组织现在能够考虑个人的数字财务足迹来确定违约的可能性。除了传统数据集之外，这种替代数据的分析对确定没有常规贷款或信用记录的个人的信誉尤其有用。

现在是采用的时候了

在今年，企业和客户之间的互动方式发生了不可逆转的变化，金融行业也不例外。在疫情带来的紧迫性之前，金融机构已经在有限的范围内尝试采用人工智能和机器学习技术。今年得以更加广泛的采用源于金融行业对业务创新和提高弹性的需要。

银行和金融机构现在已经意识到了受益于人工智能的关键领域，例如，后台运营效率的提高以及客户参与度的显著提高。在疫情发生之前还处于起步阶段的转型已经加速，并且正迅速成为一种标准。更重要的是，现在接受人工智能并优先考虑其全面实施的金融机构将有可能在未来获得更多的回报。

来源：TechWeb

量化投资市场环境改善利好A股流动性

近期，有消息称券商股票交易接口有望对量化私募放开，引起市场广泛关注。虽然关于放开的范围等具体细节尚未进一步明确，但结合当下监管层面对市场的呵护态度以及优化交易监管的定调，量化投资有望再度活跃，从而为A股市场引入活水。

伴随2010年沪深300股指期货的问世，中国对冲基金时代揭开帷幕，并在三年后实现快速增长。2015年股指期货因政策方面的限制，流动性骤降，使得量化对冲策略的基础工具受到动摇。同时监管部门为防范程序化交易对于市场波动的放大，于2015年停止了私募、信托等产品接入券商交易端口。近两年来，量化对冲产品的发行数量降幅明显，既有股指期货流动性不足、期指长期呈现贴水状态、续费高昂、限仓政策等来自股指期货层面的因素，也有A股市场低迷，金融严监管政策落地的限制。

展望2019年，期指交易措施进一步回到正轨、量化接口放开、衍生工具进一步丰富完善等因素将使得量化对冲行业市场环境得到改善，量化对冲基金有望迎来大发展。

首先，股指期货进一步放开是大概率事件。22日，监管层有关领导表示，股指期货进一步放开政策将尽快推出。从2017年以来，股指期货交易政策经历了三次调整，但与2015年以前相比，无论是保证金比例、手续费还是开仓限制等方面，仍有较大差距，期指交易限制进一步放开直至回归正轨将是大概率的事件。期指流动性回归、价差贴水缩小直至回归正基差值得期待，量化基金的后顾之忧解决之后，产品规模有望迎来快速增长。

其次，量化交易接口的放开将提升交易效率，为高频策略基金返场打通了任督二脉。据私募排排网透露，自2015年股票程序化自动交易接口被封之后，量化私募程序化交易一直是以券商采购私募交易系统的方式在进行，也并非所有的量化私募能够通过这种方式实现自动交易，更多的还是通过券商的自动下单系统手工下单或者本文扫单的方式进行，效率较低。股票程序化交易接口的重新放开，将改变这一现状，高频产品的返场则将进一步提升股指期货的活跃度。

第三，金融期权有望扩容。近期，股票期权活跃度不断提升，持仓再创新高。有消息称，未来将有更多金融期权品种上市，如以沪深300、中证500等主流指数ETF为标的的期权品种，衍生品工具的进一步丰富，意味着量化对冲策略将更加多元化。

当然，有了相关不当的程序化交易危害市场、侵害投资者权益案例的前车之鉴，可以预见的是，监管层将完善制度，堵住干扰市场正常运行的不法交易的漏洞，鼓励合规合法的量化交易。而据机构预测，本次放开有利于量化产品的效率提升和规模发展，从而刺激两市交易和流动性，预计对交易量边际影响5%以内。也有机构预测量化行业的复苏将为A股来带上千亿增量。

来源：中国经济网

量化投资是什么？这篇让你有个初步的认识！

A股的短线选手，总是不停的应对变化。20年前，学点技术指标足以应对市场。后来，简单的技术指标不足以应对，于是引进了一些外来的理论，比如江恩，波浪等，国内的有缠论。10年后，随着各路游资风起云涌，短线股民又学习龙虎榜，之后，自媒体崛起，同质化严重，股民们学习逻辑。

不变的是变化。

近两年，资本市场改革很快，去散户化严重，压缩了短线选手生存空间。

一些股民也在寻求转型，将目光转向了量化领域。

量化投资，就是从海量历史数据中寻找能够带来超额收益的多种“大概率”事件，按照这些规律构建数量化模型，并严格按照模型进行投资。大多数的投资人是主观选股，即他们根据自己的经验，直觉，偏好等主观因素来选股，比如有的人喜欢小市值，强势的股票，另一些人喜欢大盘，蓝筹股。量化投资不是从个人主观的经验、直觉、偏好出发，而是通过统计分析，从历史数据中找到影响股票价格变动的因素，并赋予这些因素不同的权重，从而形成对股票的最终判断。我们通常把影响股票价格波动的因素称为因子，所以量化选股模型也常被称为多因子模型。

量化多因子选股模型的基础是因子的挖掘和选择。量化投资者寻找因子主要依靠各种理论（包括经济，金融，心理学等），市场观察，和对经验的总结等。检验因子的手段是回溯测试，即考察因子在历史数据当中是否有预测的效果。

当我们完成对因子的选择后，接下来要做的就是确定不同因子对不同类型股票的重要性。

确定好因子以及它们的权重后我们就可以对股票的相对吸引力做一个排名，相对吸引力高的股票就是模型青睐的股票，也就是量化投资的标的。

量化投资不神秘，但也不简单。如何挖掘和选择因子，以及如何利用因子都是复杂的问题。

好的量化模型一直都在不断进化，进化的原因可能是市场生态的改变，也可能是数据量的增加或者是技术的进步。专业的量化投资者需要做的是充分认识到模型的优势和局限性，不断优化模型，与时俱进。

来源：空欢喜

量化投资前景广阔

新华网北京8月31日电 在29日举行的第八届中国财富管理发展论坛暨中泰XTP杯中证金牛首届量化私募大赛启动大会上，中泰证券总裁毕玉国表示，我国经济长期向好基本面没有变，随着市场投融资环境进一步优化，资本市场进入机构投资者时代，量化产品需求旺盛，量化投资前景广阔。

毕玉国说，今年以来，受新冠肺炎疫情影响，世界经济下行压力加剧，不确定因素显著增多。但是从国内来看，随着国家一系列稳增长保就业、释放流动性等措施出台，二季度经济取得超预期增长，经济长期向好基本面没有变，这为银行、保险、信托、私募等资产管理机构提供了稳定的发展环境和广阔的发展空间。

他认为，近年来，随着注册制、对外开放等资本市场全面深化改革的推进，市场投融资环境进一步优化，越来越多的投资者将资本市场作为重要的财富管理手段，进一步拓宽了资管行业的资金来源，同时越来越多的优质企业进入资本市场，为财富管理、资产配置提供更多选择，有助于资管行业获得更好的投资回报。

他特别指出，随着资本市场进入机构投资者时代，量化产品需求日益旺盛，量化投资前景广阔、空间巨大。中泰证券高度重视对银行、信托、保险、资管、私募等机构的服务，能够提供包括托管、外包、PB交易、投研、信用、资产管理、投行、财富管理等在内多元化金融服务。

毕玉国还介绍了中泰证券公司自主研发的XTP系统。该系统聚集了大批量化私募客户，覆盖了市场上绝大部分主流量化私募，已成为行业量化交易平台，形成以公司专业化交易系统为基础、定制化交易系统为突破点的核心金融科技生态体系。

来源：新华网客户端

2020前海量化投资高峰论坛 量化投资进入新的阶段

12月25日，由中国证券监督管理委员会深圳监管局（以下简称深圳证监局）指导，深圳私募基金业协会（以下简称私募协会或协会）主办，招商证券承办，中信证券、华泰证券、广发证券协办的2020前海量化投资高峰论坛在深圳市前海万科国际会议中心举行。

随着资本市场的深化改革，以及大数据、云计算、人工智能等新兴技术的飞速发展，程序化智能投资模式正在国内迅速崛起，量化投资机构正逐渐成为国内多层次资本市场一支不可或缺的力量。私募协会举办此次高峰论坛标志着深圳私募证券投资基金行业，尤其是量化投资的发展进入了新的阶段。

深圳证监局一级巡视员、私募协会监事长朱文彬先生，招商证券董事长霍达先生，资本市场学院副院长彭文革先生，私募协会副会长、盈峰资本董事长蒋峰先生，深交所交易监管部总监李庆中先生，深圳市前海地方金融监管局综合处处长杜伟伟先生，香港中文大学深圳金融科技教授张劲帆先生，华为云人工智能领域总裁贾永利先生，泰康资产金融工程部负责人、董事总经理任建畅先生，私募协会监事、诚奇资产董事长何文奇先生，华泰证券首席财务官焦晓宁女士，广发证券总裁助理王新栋先生，中信证券深圳分公司负责人梁琪女士出席了本次论坛。

此外，福田区金融局、资本市场学院、深圳市证券业协会及部分证券类私募机构的相关负责人和代表们莅临了论坛现场，现场论坛人数超过160人。

论坛伊始，朱文彬一级巡视员、监事长为本次论坛致辞。朱文彬指出，在国家高度重视数字化和科技创新的大背景下，聚焦深圳证券类基金量化投资主题，举办此次量化投资高峰论坛，有助于凝聚共识，提振信心，形成合力，促进行业机构的充分交流和共同进步。与此同时，朱文彬对量化行业的发展提出三点意见：一是关注资本市场数字化战略及量化投资发展动向；二是在大资管与大湾区背景下，关注深圳私募证券基金的发展现状与提升空间；三是抓住机遇聚焦主业，在防控风险的前提下促进行业量化投资的更好发展。

随后，霍达董事长为本次论坛致辞。他表示，第一，我国资产管理行业将迎来持续快速的发展阶段。券商将迎来机构化交易时代，券商的PB业务、交易系统、研究服务、流动性支持需要不断优化以满足机构化交易的需求。第二，量化投资赛道正处于方兴未艾的发展阶段。近年来，量化投资的业绩获得了投资人的认可，未来发展潜力大。第三，深圳未来将成为量化私募机构成长发展的沃土。深圳背靠粤港澳大湾区，具有湾区的区位优势和先进市场化的经营理念，在政府的大力支持下，未来深圳还会培育出更多优秀的量化私募管理人。

接着，蒋峰副会长、董事长发表讲话。蒋峰表示，近年来中国资本市场基础性制度改革不断，成效明显，市场环境得到明显优化。私募协会在新的历史起点下，将积极践行“服务、协调、自律、先行”的宗旨，聚焦“专业化”发展方向，打出品牌，推动深圳私募行业专业、稳健发展，共同构筑健康、良好的发展生态。

致辞环节结束后，进入论坛的主旨演讲环节。张劲帆教授进行“美国量化投资的最新发展趋势”的主题演讲，李庆中总监进行“积极引导、精准监管，促进量化交易规范有序发展”的主题演讲，何文奇监事、董事长进行“对量化投资的理解与未来选择”的主题演讲，贾永利总裁进行“量化投资与人工智能”的主题演讲，任建畅董事总经理进行“量化基本面的前瞻与思考”的主题演讲，杜伟伟处长进行“前海金融产业发展及优惠政策”的主题演讲，现场气氛良好，与会嘉宾收获颇丰。

下午场是论坛的承办、协办单位介绍以及圆桌对话环节。招商证券托管部董事总经理易卫东，华泰证券融资融券部机构销售团队负责人唐圣睿，广发证券机构与同业部总监、机构业务负责人焦键，中信证券托管部B角、中信中证副总经理李文发表演讲，向参与论坛的各位嘉宾和私募机构介绍了公司的业务模式，以及未来在量化行业的布局与发展。

最后，论坛的尾声——圆桌对话环节正式开始。私募协会副会长、前海进化论董事长王一平，因诺资产创始人、投资总监徐书楠，私募协会理事、前海无量资本总经理孙炎，盛冠达资产董事长黄灿，私募协会会员单位、世纪前沿总经理吴敌作为圆桌论坛嘉宾上台分享观点。华泰证券深圳分公司机构业务负责人余佳作为嘉宾主持人与各圆桌论坛嘉宾探讨了当前金融形势下量化投资的机遇和未来发展方向，并就量化策略及技术层面的问题进行了进一步交流。现场各嘉宾各抒己见，讨论热烈，为深圳私募量化行业的长足发展提供了诸多有益见解。

未来，私募协会将继续举办前海量化投资高峰论坛，持续扩大量化论坛的影响力，吸引更多境内外优秀机构投资者前来参会，加深交流，互相促进，共同发展，为辖区量化私募证券机构搭建一个与全国优秀同行沟通交流的平台，推动深圳私募证券行业健康、有序发展。

来源：金丝路财经会

信也科技展出新模型平台 人工智能助力金融科技优先发展

最近一段时间，信也科技在上海的信也科技开放日首日展出9¾模型管理平台，给前来参展的大众带来眼前一亮的感觉。作为信也科技新研发的核心技术之一，9¾平台在信也科技强大的技术基础上被深入开发，以独特的人工智能模型为集团业务提供全链路一站式服务，帮助信也科技进行进一步的探索，赋能多方合作。

科技，让生活更美好

9¾模型管理平台：我从哪里来?

AI模型训练平台，基于核心模块和应用场景的不同，又可以称为深度学习平台、机器学习平台、人工智能平台。用户在AI平台能够使用不同的机器学习框架进行大规模的训练，对数据集与模型进行管理和迭代，同时通过API与本地部署等方式接入到具体业务场景中使用。

简单地说，AI平台=AI FAAS+（PAAS）+（IAAS）。业界不乏优秀的机器学习平台，如微软的Azure、亚马逊的AWS Machine Learning、阿里的PAI平台、百度的Paddle以及腾讯的TI平台。一般的平台产品基于基础的机器学习和深度学习计算框架进行二次开发，提供一站式的生态化服务，为用户提供从模型训练、模型评估、模型在线预测的全流程开发和部署支持，以期降低算法专家在工程化时的使用门槛。

9¾模型管理平台：我的解决方案

AI平台在搭建与落地的过程中，均会遇到机器学习门槛高、落地慢、实施周期长等问题。结合日常工作流程中遇到的问题，9¾平台提供了一系列的解决方案，以解决模型落地上的一系列难题。具体问题如下：

1、模型环境构建难，从模型到服务转化慢。2、多个模型共用一套环境，但模型需要独立更新，对环境的维护需格外谨慎，变更风险巨大。3、模型服务交付周期长，工程环节耗时长，人力投入大。4、模型服务回退慢，模型发布后，如发现有问题尝试退回到上一个版本需要数分钟，乃至数小时。5、模型服务扩容慢，面对突发流量时，响应延迟。

针对以上难题，9¾平台可提供详尽的解决方案，具体体现在以下五方面：

1、模型环境标准化描述，提供一套简单、统一、覆盖广的规范来定义模型环境，加快流程。2、将统一标准描述下的模型环境镜像化，支持模型容器化运行，提供模型环境隔离和模型运营隔离。3、工程环节代码采用自动生成技术，实现人力零投入，降低边际成本。4、模型发布环节采用蓝绿发布与金丝雀发布，提供操作简单的快速版本切换与流量切分。5、利用使用率、饱和度指标配合弹性伸缩算法，提供秒级的扩容，快速响应突发流量。

9¾模型管理平台：我的架构设计

根据企业不同的规模、资源及业务场景，AI平台往往有不一样的定位。例如AI和数据可同为一个中台、AI平台可视为业务中台的一部分、AI平台整合进技术中台或后台等。规模较小、资源有限的企业通常会选择使用第三方AI平台对业务进行服务，而非自建AI平台。但信也科技已有数据中台，因此信也科技的AI平台更多承担的是作为业务前台的模型算法供给角色，在数据中台的支持下，起到承载业务，对接数据与技术底层的作用。

信也科技9¾平台的架构设计

时下主流的AI平台有两种产品形态：一种是趋向AutoML，主要为非算法专家提供的可视化训练平台，通过拖拽、拉取等方式完成模型设计和训练中的组件排布，完成模型构建，例如Azure；另一种是为专业人士提供的模型设计和训练工具，将模型训练和管理通过工程化平台进行集成管理。也有集成两种方式的AI平台，例如阿里的PAI，为各种层次的人工智能工作者与爱好者提供不同专业程度的工具。

信也科技对AI平台的定位是能够快速解决问题、提高能效。因此，信也科技优先选择为算法和模型运维工程师提供针对模型生命周期管理的解决方案。

9¾平台加速了模型生成和服务化，可提供一整套从模型管理、模型训练到模型部署、模型监控的全生命周期解决方案。它不仅可帮助算法专家解决训练环境与训练过程中的保存管理问题，还可帮助解决在模型部署和上线时的各种问题，并提供线上部署模型的监控服务。

目前9¾模型管理平台已部署各类模型数百个，实现模型日服务量超过1000万；可在秒级内获取合适资源；能自动使用CPU、GPU资源，实现自动扩容，性能提升60%；模型上线仅需1分钟，大大节约了部署时间。

信也科技9¾平台的模型训练与线上服务

此外，9¾平台为模型训练提供了多套WorkSpace（工作区）容器。一个WorkSpace中包含多种模型开发时的工具，包括Jupyter、一些常用的IDE与一个终端界面。一个模型从准备到训练结束，产出代码均可在工作区内直接完成，在工作区内可安装各种依赖、尝试各种方法，甚至提交代码至Git，直至算法专家获得满意的模型。

针对模型的部署，信也科技独创了“流水线”的概念，模型的发布流水线只需4个步骤，一般发布一个模型不超过5分钟。

针对无需在实时场景下执行、或无法在实时调用场景下执行的耗时较久的模型，9¾提供了发布为Job任务的部署方式，用户可通过Job任务执行回溯任务或更新训练数据，整个过程非常游刃有余。

模型的代码和内部逻辑将作为一个黑盒，被打包为一个docker镜像，因此模型无论以何种方式发布，发布在何种环境内，都是绝对安全可靠的。通过管理模块与实际的服务模块，用户能够完成AI项目的管理和API、Job、镜像APP等上层应用的产出，整个过程无需任何运维人员、工程人员的干预，算法专家即可独立操作完成。

信也科技9¾平台的模型管理模块

9¾模型管理平台：未来，我去往何方？

信也科技于12月17日成功举办首届科技开放日，并于当日首次揭秘了自身的科技全景图，用图谱的形式直观展示了大数据、人工智能、智能决策产品等硬核科研成果。目前9¾平台可支持信也科技所有科技业务，覆盖多个业务场景，同时支持多家外部合作伙伴。未来，信也科技的人工智能平台将在增强模型评估功能、在线预测平台化、支持分布式训练等方面持续深入探索。

信也科技全景图

信也科技的9¾模型管理平台在上海信也科技开放日的首次亮相向大众展示了人工智能技术推动金融技术发展的多种优势。通过赋能金融行业，人工智能将为市场经济的发展带来更多可能性。信也科技作为人工智能技术在金融科技的首要推广者，也将在互联网金融发展中受益更多。

来源：正北方网

常见十大量化投资策略

策略：量化策略是借助计算机技术实现投资思想的逻辑代码，一般包括数据获取、信号分析、执行交易三大模块

众所周知，投资股市的收益分为两部分，一部分来自市场行情波动的收益，另一部分来源于选股的操作收益！由自身的选股带来的收益，称为Alpha收益。由市场行情变动带来的收益，称为贝塔收益Beta收益。比如：

1、如果指数可以交易，你买入价值100万的沪深300指数并一直持有，这是一个beta策略，因为你赚到的是市场波动产生的收益。

2、你花了100万买入20只股票，这些股票表现不俗，比策略1多赚20%，那么这20%是alpha收益。这20只股票的收益来自市场收益（beta）+超额收益（alpha）。这是一个通俗意义上的”指数增强型策略”。

3、在策略2的基础上，假设你买入的20只股票平均波动性与沪深300指数的波动性一致（持仓股票相对指数的beta=1），你又做空了价值100万的沪深300期货，相当于（策略2-策略1），得到的就是（beta+alpha-beta）=alpha。这是一个“完全”对冲的alpha策略。

Alpha策略和Beta策略

因此，股票策略一般根据是否对冲可以分为Alpha策略和Beta策略。

alpha是个相对概念，某个投资收益相对于无风险收益 Return at risk free的比较。

alpha=0, 表明收益和无风险收益相同；alpha>0, 表明超额收益，alpha<0, 收益比无风险收益低。追求最大alpha 就是所谓的最求最大超额收益。

另外一种重要的指标beta，beta指的是相关度。指某个投资和全市场(或者选定的参照指标)的比例。beta=1，完全相关，沪深300指数基金的beta就应该非常接近1。上半年深证100ETF的beta就是略大于1，如果以沪深300做参考，所谓的beta投资，体现在仓位控制上，如果一个基金的股票上限是60%，那么它相对于全市场指数的beta就会很低，因为其他40%的投资与现金或者债券和股市相关度很低。

beta投资不侧重选股，而侧重仓位控制，所以下跌行情下，跌幅就会小。如果敢于空仓股票，全仓债券，还可能获得正收益。如果通过alpha，beta值选择基金，是看长期的业绩和风险的平衡。

alpha越大收益越好，相同alpha情况下beta值小，风险就低。

举个著名的例子2008年环球股灾。

2008年1月21日，当天被喻为“黑色星期一”，伦敦富时100指数创下单日最大跌幅，欧洲股市亦创下2001年911事件后最大跌幅，亚洲股市更最多下跌15%。上海综合指数下跌5.14%。美国股市当天休市，但其指数期货也落得大跌。当日法兴银行事件被揭发后，银行开始平仓，使欧洲的期指交易激增，一定程度上加剧了跌势，在连锁效应下波及全球。

下面是2008年某些股票:

华夏红利 相对基准指数 alpha=24.54%，beta=0.67;银河稳健 相对基准指数 alpha= 4.70%，beta=1.04;广发稳健 相对基准指数 alpha= 4.89%，beta=1.25;嘉实稳健 相对基准指数 alpha= -5.41%，beta=1.06;大摩基础 相对基准指数 alpha= -16.89%，beta=1.20;按照选择依据，华夏红利是超额收益最高，风险最低的。相似的alpha情况下，银河稳健优于广发稳健。2007年广发稳健净值的大幅下跌可以从1.25的beta值中体现。后两个基金都是负的alpha值，大摩基础的beta较大，风险较大，该基金是2008年1月1号以来至今收益率最低的。

虽然2008年华夏红利指数翻倍的上，但是个股持续上涨的空间极其有限。

再说下公募基金和私募基金，公募基金和私募基金的最大不同是，后者仓位的灵活，和追求绝对收益。2008年业绩好的私募基金，前3季度股票仓位接近0；公募基金绝大部分保持相对高仓位。所以如果能够预测股市下跌的话，卖出所有股票基金是最佳的beta策略。但是大部分人都没有时间和能力去判断拐点，如果打算长期投资的话，可以通过alpha和beta筛选基金，看看你收益持有的非指数型基金的风险评估，测试一下alpha策略和beta策略，挑出投资回报高，而投资风险低的基金。

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：

（1）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。

（2）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。

（3）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，同事做空期指，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。

（4）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。

（5）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。

（6）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。

（7）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。

（8）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。

（9）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。

（10）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。

来源：东方财富网

最优秀的人才是量化投资的核心竞争力

这些年量化在中国发展的非常快。当然最早起源于美国，因为美国是全球最发达的资本市场，差不多是90年代末，2000年初开始发展出量化，如今有20年，美国资本市场可以说90%的股票交易量都来自于量化，当然也包括算法交易，如果你看头部的对冲基金和私募基金，50%的资产是量化策略管理。中国的资本市场，现在很多的制度，它的经验，都是参考了很多当年美国发展历程，如果我们去展望中国未来的资本市场的发展，和它其中一些大类资产的可能性的话，我觉得量化在中国的未来，可以说是非常有前景的，如果你去看美国，中国资本市场未来也会参照这条路去走。

所以我今天题目就叫金融科技与量化交易的中国实践。

讲几个简单的概念，我今天更多是从美国中国的量化交易做一些概念的理解。

平时大家从媒体当中听到一些概念，像高频交易这样的概念。尤其在市场波动非常大的时候，它的盈利会非常可观，而且非常稳定。我觉得讲几个比较有意思的概念。高频很早的概念来自于做市，所谓的做市商就是一个交易商在买家和卖家报一个单子，你希望它赚取稳定的利润，这是最早的做市的概念，到了如今这个市场竞争非常激烈的时候，这样简单的策略不可能持续盈利，需要更多复杂的策略的衍生，才能在市场上真正达到做市盈利的目的，并为市场提供流动性。

还有一个经常提到的概念，大家是以速度或者是低延时作为核心特点，所谓低延时，从美国股指期货交易信息传递到美国纽约那边的证券交易所的服务器，现在大家都是利用军用的微波传递信息，最近用更加先进的技术，来传递，他们觉得光缆已经不够快，为什么做这件事情呢？就是因为很多时间第一时间触发的时候，触发很多交易机会，谁有第一时间获得这个信息，去拿订单，就有优势。

当然在美国靠速度本身获得交易是不够了，头部交易厂都有很多交易设备，做高频交易团队，本质上还是靠Alpha去获取盈利，什么叫Alpha？大家都会在通过听到量化策略Alpha策略和中性策略，Alpha就是你在市场上交易中频策略的时候，你有预测价格的能力，你通过这个去获取市场的超额收益。运用到高频收益也是类似的概念，把原来的预测周期从原来一天到五天，变成10秒，或者是一秒很短的周期，如果你的价格预测可以更加精准，你的速度比别人快，你就可以在市场上产生大量稳定的交易的利润。这就是高频交易，我想讲的一些概念。

当然我们自己也看到了，本身自身也是高频出身的，我以前在美国做股票的高频交易。我在里面工作之后，回到中国，当时很有幸抓住中国股灾的机会，在股市当时波动非常大的时候，做了股指期货的高频交易，在三个月内实现10倍以上的收益。确实这个收益也比较稳定。再到后来我们自己也开始因为股指期货的限制，转到股票，开发了股票高频交易，18、19年做到市场龙头的地位。

我们再讲一下统计套利。统计套利各位理财师和客户在市场上接触比较多，就是所谓的中性产品，或者是股票Alpha策略。其实在美国，大家都会把它称之为统计套利。像文艺复兴等等这样一些类似的基金，他们都会运行这样的股票期货的统计套利策略。统计套利策略，说到股票策略的话，有几大类，第一类是量价策略，第二类是基本面策略，第三类是数据策略。粮价策略简单理解就是看K线图，高开低收。这一类因子也是量化交易当中，不管是高频也好，中频也好，低频也好，非常重要的一类因子，或者是策略，他们捕捉了市场上大量的博弈类的信息，交易行为的信息，以及预测价格的信息。其实量化交易的兴起，把很多以前人工的利润空间压的越来越低，包括以前很多做游资做股票的，稳定交易的策略，你跟他们交流，你会发现这个策略越来越难做，究其原因，就是量化交易慢慢在市场上承担越来越重要的作用，他们在系统化挖掘规划能力上，远超过人，他们运用大量的算力，大量的尝试试错，大量的回撤，来判断什么样的规律在市场不断的挖掘出来。进化率极强。

还有基本面引资，大家也投过主观基金，我们看公司的基本面，看这个公司盈利的长期增长，看这个公司估值的高低，其实量化有很大一类策略也是看估公司的基本面，我们会把财务指标抓取出来，把很多盈利分析师的预期抓取出来，这些信息汇总在一起，系统化研究它，从长远来看，当你的策略越来越大，换手率降低的时候，你也像基金经理一样，系统化抓取那些高盈利增长，低估值，具有弹性的长期价值弹性的股票，这个也是基本面因子和基本面策略当中，量化尝试不断抓取的规律。所以如果单纯把量化割裂开来跟主观做对比，这个也是没有必要的，量化会越来越全面，不光是研究早期，后面也会挖掘更多主观的规律，这也就是为什么在美国市场上，量化策略占到这么大的比例原因。

数据策略，在美国大家对数据研究非常透彻，会用到非常多，包括信用卡消费的数据，包括互联网的网站的爬虫数据，还有销量数据，甚至其他的数据，还有舆情，来做各种信息的汇聚、收集，用这些细小的信息来预测公司的基本面可能的变化，交易型可能的变化，最后把它们组合在一起，组成一个信息系统，用来做股价的预测。这个是数据的策略。

刚刚讲到，美国现在的交易量已经占到整个市场90%以上，其中有很大一部分主观的公募基金，包括主观的对冲私募基金，他们也会用算法交易做资金优化，他们已经不再用人去下单，更多是用机器去下单。这个就是平时大家会用到的简单的算法交易程序和系统，更好的算法肯定是避着传统算法。你去看美国，现在基本上没有人再去为这些交易上去做执行优化了，但是如果去看中国的大部分的公募基金和私募基金，他们交易所还是这样的，如果看长远未来趋势来看，做中短期的执行优化，机器一定可以打败人类的，这个是非常确定性的事情。

第四条，我们讲讲量化投资，量化投资里面也会有非常多的基本面子策略的融入，我们也会看财务报表，也会看市场上各家分析师对于股价评判的信息。我们会把这些信息综合进来，融入进来，加强我们量化策略，所以量化与主观不是对立面，更多是融合，更多运用量化的工具，系统化去挖掘主观规律，做好风控，或者长期的超额收益或者是价值投资。

我们再讲讲量化交易在美国现状。来看看未来中国会是什么样子。市场体量占比非常高，运用非常广泛。数据体量，美国是一个高度竞争的自由发达的市场，一只故，像IBM这样一只故可以同时在八家交易所同时交易，有不同的盘子进行撮合，还有剩下几十个暗室撮合。美国的交易系统非常庞大，信息透明度很高，包括很多量化交易在里面。所以美国每天交易的数据非常庞大，你看一天一只股票全市场的交易数据就达到一个T，几千只股票就有几千T，这个数据量非常庞大。所以它的信息维度也非常高，可挖掘的规律也非常多。

交易所的技术也是能处理大量的信息，交易所互相之间都有竞争及它们也要吸引更多的交易者，或者客户来他们交易所交易，他们互相之间也会进行自己的技术。

信息维度，美国的数据商也非常发达，一家大的对冲基金，他们甚至会用成千上万种另类数据，来看另类数据当中，有没有可以被挖掘的西夏的规律，用这个来预测股票的价格。

还有运算带宽，很多互联网公司，会用公有云，阿里云、腾讯云把自己网站架在上面，做高可扩展的运用。因为数据量庞大，所以他们需要建立自己的私有云，去做很多大量复杂的运算和数据处理，来获得信息数据处理能力上的优势，这就是美国头部对冲基金的状态。

我们再看一下中国量化本身的发展进程。分为三个大的阶段，第一个阶段是10年到15年，10年是股指期货开放的元年，从那一年开始，刚刚有了所谓的量化对冲的概念，量化中性策略的概念，因为原来大家只能在股票上涨的时候去实现盈利投资收益，当你有了股指期货的时候，一切发生了根本性的改变，量化策略可以在股市下跌的时候，也产生盈利，它的方式就是靠股指期货对冲掉大盘的收益，下跌的时候赚取盈利，不管是18年也好，还是15年股灾下跌也哈，量化交易都可以发挥它更大的价值。

到15年是到了非常大的巅峰，因为那个时候股市非常活跃，杠杆配的非常多，那个时候交易量非常大，波动也非常大，那个时候到了顶峰，15年之后，股灾结束之后，接入被限制，股指期货的贴水到了30%保证金到了40%，股指期货基本被监管，或者被砍掉或者大幅度限制。16年开始，很多大的量化基金很难再运作，因为监管对制度做了非常大的变革。正因为如此，给了新一代量化基金新的机会，原来在15年非常简单的策略都能盈利的情况下，大家需要改变自己的策略，做一些更加有超额收益能力比较强的策略，去打败保证金的比例获得超额收益，16到18年是第二阶段，兴起了一批新的对冲基金，他们比15年有更加成熟的策略体系，去进行市场交易。

到了19年，政策又发生了一次特别大的转向，这一次国家开始又重新把资本市场定位到非常高的战略地位。大家可以从科创板的打开，包括对外开放，包括放开，甚至在股票T0的制度，国家对资本市场的态度，已经大幅度的转变，股指期货再次被放开，甚至考虑股指期权的上市。所以在这样一个新的大的环境下，量化交易也被监管重新认识，一个非常明显的特点，18年下半年，我们做交易的时候，经常到下午三点不到的时候，监管局突然把你的程序接口封掉，觉得风险太大了，怕影响市场。可见监管本身对量化交易的态度，也在发生非常大的转变。甚至监管也在调研，中国A股市场，量化交易量，已经占到A股的24%以上，过去几年增长非常快。

我再多讲讲，量化跟主观的区别。主观更多是持仓，相对较少的股票，几十只故，持仓周期较长。通过企业本身的盈利长期增长，低估值来获得股市的超额收益。当然他们本身也是在收益过程当中，获取了大盘行业本身这个东西盈利的红利。这是他们很多策略的特点。量化策略的特点，撇开股指期货对冲不谈，交易频率相对较高，短的持仓一两天，到长的十天。有些是偏博弈的量价策略，有些偏主观基本面的策略，不管怎么说，量化策略也在抓取市场上的规律，量价博弈的规律，再到基本面的规律，虽然基本面的看法和主观基金经理会很不一样，它会损失一些信息维度，但是会捕捉另外的信息维度，它损失的是对某只股票深度调研的信息，因为这个信息没有办法在积极层面很好的表达，比如说分析师预期的改变，包括财务指标的变化。所以量化策略本身是通过高度分散，不断的去交易市场上量价基本面信息的变化，来获取持续稳定的超额收益。从长期来看，量化本身跟主观策略，你看主观基金经理交易的话，有超额收益的主观基金经理，也会阶段性进行调仓，这些调仓本身也是他们Alpha收益很重要的来源，如果把这部分拿掉的话，很多基金就不再那么出色和不再那么有吸引力，这部分会是未来量化和主观非常重要的部分，量化的支出，在于不断的研究迭代去强化这个系统本身的预测能力。它会做分散，做很严格的风控，避免过多的干预。

我们讲讲人工智能，大家现在听到很多人工智能本身在量化领域的应用。所谓深度学习的方法。当然深度学习是一个突破性的创新和框架，未来谈到量化领域的应用会越来越广泛，但是人工智能是不是可以强大到去取代主观投资者，这个我不这么觉得。这就涉及到一个问题，机器有没有这个可能性，跟人类的智能一样，我觉得现在的人工智能框架还是有一点差距，为什么呢？因为人最擅长做的事情是在一个少量样本点的数据下，做出一个高维信息的决策，机器是没有办法的，机器最根本的特点，就是需要样本量足够大的时候，通过算力去挖掘很多很细小的规律，不断的优化，这是它强大的地方。但是人之所以为什么能做出主观决策，是人类社会经过几千年的演化，积累了非常先进的知识，通过社会，通过家庭，通过学校，通过网络媒体，通过书籍去传播，这些高维的信息，机器在短时间之内是没有办法很好理解的。但人可以，就好像人去看哪一家上市公司，会和很多上市公司的管理层交流，会跟上市公司的同行交流，他会跟上下游去交流。他会看宏观的信息，这些高维信息，机器没有办法通过简单的函数去描述的。所以我觉得投资本身是一件，如果要做到顶尖的话，并不是很多人都能够胜任的事情。你说机器在短期内，它可以达到人类的智能，甚至是非常出色优秀的人工智能，还是有很大差距的。

但是人工智能或者是量化交易和统计学习也有它强大的地方，它强大的地方是什么呢？它可以汇聚大量细小信息，把细小的规律不断挖掘出来，这个是人很难做到的，比如说价格信息有很小的抖动，或者边边角角的信息，这些信息看似没有什么，人看不出来，但是机器能系统化的捕捉它，而且可以不断的优化，通过一套严格的方法和流程，比如说机器去读上千个数据源，机器有能力把这些信息都汇集起来，挖掘其中的规律，这就是机器强大的地方，而且量化策略还有一个优势特点它的进化能力特别强，它不断在市场上，提高历史回撤的收益，得到实盘收益规模的双提升。主观你需要非常长的周期去经历，或者是经验去积累，一旦调整，你也不会做大量的回撤，不会做大量参数的调试。这就是人工智能和量化交易相比主观有一个很大的优势的地方。它的不断自我进化，自我迭代的能力。

刚刚讲到了19年之后，资本市场制度变革，带来了很多新的机遇，资本市场如果唱戏扮演一个大类资产配置的需求，非标转标替代的需求，包括他们需要承载更多的上市公司创新动力和资金的时候，资本市场的定价就变得尤为重要，股市未来谁来定价，有效率资产交易者和管理者来定价，量化交易在中国股市当中扮演定价能力和交易能力变得越来越重要。

如果去看中国现在量化发展趋势，你会发现中国发展路径，这个趋势跟美国越来越像，不管是人才的储备上，模型的迭代方法上，还是交易的框架上，甚至用一些茶几机器学习的方法上，中国和美国未来是非常的相似的。所以这也是需要我们不但借鉴海外经验，吸收海外优秀的对冲基金人才，回到中国，在中国资本市场上去深耕发芽，在中国市场上去发挥自己的价值。

量化金融机构到最后，应该就是人才。因为资产管理行业就是人才密集型的行业，你要在市场上获取稀缺的超额收益稳定的超额收益，并不断去与其他的管理人和市场参与博弈竞争，你需要最优秀的人才，唯有强大的人才体系和强大的人才群体，这才是未来量化结构最核心的竞争力，这也是锐天一直以来做的事情，尝试吸引更多更优秀的人才，帮助这些人才在锐天成长发展，再帮助他们吸引更多的人才，如果这里一旦变为人才的聚集力，那这家公司长期竞争力会非常强大。

刚才讲到美国也用了很多另类数据进行学习，不断的迭代自己的策略，中国未来量化金融策略发展趋势，也是一定会往这条路去走。

来源：财报网

发展人工智能技术 破解证券行业痛点

我国证券行业发展的痛点

居民直接参与股票投资的比例高，决策科学性不足

由于投资选择的范围较小，居民金融资产以通货和存款为主，风险性资产结构较为单一，股票资产占比较大。据社科院测算的中国居民资产负债表，截至2016年，我国居民证券类金融资产（包括居民部门直接购买的股票及股权、债券、证券投资的基金份额）达到54.8万亿元，占金融资产的15.3%，其中居民直接购买的股票及股权占10.6%，意味着居民直接参与股票投资的比例较高。我国股票市场参与者以个人投资者（散户）为主。《上海证券交易所统计年鉴（2019卷）》显示，截至2018年底，沪市投资者中持股市值不足50万元的自然人投资者户数达3355.16万户，占投资者总数的比例达86.92%，10万元以下散户占比达58.21%。深交所《2019年度个人投资者状况调查报告》显示，证券账户资产量低于50万元的投资者占75.1%。散户投资者普遍存在投资决策易受个人情绪影响、缺乏投资组合和资产配置习惯等特点，决策的科学性不足。常见的投资者非理性行为包括过度自信、处置效应、羊群效应、心理账户等，散户交易的投机性较强，换手率高，投资期限较短，导致股票市场价格发现效率低、波动率高。我国股市的换手率明显高于其他主要经济体，截至2017年，我国股市换手率达到215%，美国为113%，日本为105%，印度为60%。

证券公司零售业务面临挑战

一是客户黏度降低，行业竞争激烈，盈利空间压缩。随着2015年A股市场“一人一户”限制放开，证券公司的客户群体黏度显著降低。竞争激烈导致证券公司经纪业务佣金率近年来持续下行。2018年证券公司行业整体佣金率已下滑至0.034%，创历史新低。二是盈利模式比较单一。证券公司仍以证券投资和代理买卖证券业务两类传统业务为主，创新性业务收入则占比较低，收入受市场影响较大。中国证券业协会数据显示，133家证券公司2019年度实现净利润1230.95亿元，其中证券投资收益（含公允价值变动）1221.6亿元，代理买卖证券业务净收入（含席位租赁）787.63亿元，远高于其他业务收入。三是互联网金融冲击证券公司发展格局，制度红利和行业红利正在消失。证券公司是全牌照公司，具有天然优势，但互联网金融已取得一些牌照，并突破地域限制。一些证券公司营销管理体系精细化程度低，在分级分类的管理体系和产品体系（含资讯产品、智能理财等）方面不具备优势。

投资顾问的核心价值难以体现，投顾业务长期依附于经纪业务

第一，投顾服务的核心价值难以体现，客户认可度不足。一方面，我国法规不允许投资顾问做全委托账户管理，投资顾问价值难以体现，投资者没有单独付费意愿。另一方面，投顾人才储备不足，服务质量参差不齐，严重制约证券公司投顾业务发展。中国证券登记结算公司数据显示，截至2019年12月，我国投资者数量达到1.61亿人；中国证券业协会数据显示，已注册的证券投资咨询业务从业人员仅4.73万人，无法满足客户需求。部分投顾人员知识结构老化，只提供同质化服务，服务质量有限。

第二，投顾业务长期依附于经纪业务，投顾服务的定价体系尚未建立。2011年1月开始执行的《证券投资顾问业务暂行规定》首次明确投资顾问可采用单独收费或差别佣金等方式。不过，当前我国投资顾问业务仍主要通过收取佣金实现盈利，即从金融产品供应方获得佣金，导致投顾业务长期依附于经纪业务，投顾业务具有“销售”属性，更容易产生与客户的利益冲突。独立收费模式无法形成的根本原因还是在于投顾服务的核心价值难以体现。

实现最优化、个性化的资产管理面临技术瓶颈

一是资产种类数量剧增，寻求最优投资组合面临维度灾难。随着构建多层次金融市场和对外开放的深入推进，主板、中小板、创业板、科创板、港股通、沪伦通等市场范围不断延伸，资产证券化产品、衍生品等产品类型不断丰富，维度增加带来计算量呈指数级上升。二是证券投资者数量倍增、投资需求多样化，对差异化投资策略的需求亟待满足。随着经济发展、居民财富增加，我国居民持有的非金融资产占总资产比例逐步降至60%以下，金融资产占比相应上升，但同质化的产品和服务无法满足居民的差异化需求。据招商银行统计，截至2018年我国个人持有可投资资产190万亿元，理财用户逾7亿人，海量居民的多样化理财需求未得到有效满足。三是影响证券价格的因素增多，传统证券投资分析框架可能失灵。除基本面信息外，市场情绪、宏观经济形势和政策、一些非规范化的信息等都可能影响证券价格，甚至改变投资组合中不同证券价格变动的关系，影响投资策略有效性。

在此背景下，证券公司经纪业务须主动调整，应对变化。一是从价格竞争向以客户需求为导向的产品创新竞争转型；二是向个性化、专业化的服务和金融产品配置转型，营销渠道向线下+线上的多层次、立体化营销转型；三是向多元化服务收费模式转型。

发展人工智能可以有效缓解证券行业痛点，促进证券行业快速健康发展

国务院2017年7月发布的《新一代人工智能发展规划》提出，要推动人工智能与各行业的融合创新。目前，人工智能技术与我国证券行业的融合还处于早期探索阶段，传统金融机构主要是从服务智能的角度，提升服务效率、体验或用户黏度，服务的深度还有待提高。

客户分类方面，运用数据挖掘、知识图谱、机器学习等人工智能技术进行用户画像和客户分类，可有效降低信息获取成本和服务成本，更加精准地捕捉客户需求，提升营销和服务效率。人工智能的优势在于：一是基于不同类别的用户数据，建立全面、精准、动态的用户画像；二是挖掘中小投资者需求。《关于规范证券公司借助第三方平台开展网上开户交易及相关活动的指导意见（征求意见稿）》规定，证券公司须通过自有渠道开展网上证券业务，因此在证券公司第三方获客渠道受限的情况下，做好存量和新增客户分类，挖掘客户潜在需求的重要性进一步提升。

智能客服方面，基于语音识别、自然语言理解和知识检索等人工智能技术，智能客服可以模拟特定场景下的人类对话，拓展客户服务的广度与深度。部分运用机器学习的智能客服还可以识别客户情绪，提供个性化回答，提升服务体验。深度学习算法的应用使得语音识别、自然语言理解等技术的准确率和速度大幅提升。以人工智能算法替代客服工作人员，大幅降低了客服运营成本，使客服人员有更多时间处理复杂问题和高净值业务。

智能投顾方面，主要是结合客户目标及市场变化进行客户资产组合的动态优化、个性化订制。涉及云计算、大数据以及机器学习等人工智能技术。智能投顾的投资组合模型开发能力强，投资策略由人工智能算法自动生成，且不断学习和改进模型。智能投顾的优势主要包括：一是门槛低，增加了投资顾问服务的覆盖面。智能投顾对客户投资金额的最低要求普遍在1万元至10万元之间，部分智能投顾平台如Betterment甚至实现了零门槛。二是费用低，智能投顾的投资策略制定自动化，营销手段网络化，规模效应明显，管理费普遍在0.25%～0.5%之间，远低于传统投顾。三是投资标的范围广，有利于进行最佳资产配置。智能投顾平台盈利方式以投顾费用为主，不依赖产品销售的佣金，往往通过机构合作网络，为用户提供更广范围的最优资产配置组合。四是服务流程标准化、简洁、透明，不受时间、场地限制，可以高效、精准匹配客户资产管理目标。五是严格执行程序或模型给出的资产配置方案，并根据市场行情和预设条件进行调整，稳定性更高，弱化投资者心理因素的影响。

智能投顾在国外已获得广泛认可。人机结合的智能投顾受到投资者欢迎，主要操作方式是通过智能算法形成投资组合，在交互环节可选择人工服务进行咨询和调整。美国智能投顾发展呈现以下特点：一是投资者接受程度高，管理的资产规模扩张迅速。截至2018年底，注册投资顾问公司客户数量4300万人，90%以上资产为全权委托管理模式。注册投资顾问资产管理规模自2001年以来增长279%。二是市场集中度高，资产管理规模在1000亿美元以上的投资顾问机构148家，占行业总机构数的1.1%，所管理客户资产占比59.7%。三是以管理资产为基础收取管理费是主要获利方式，95.5%的注册投资顾问按照管理资产规模的相应百分比收费。近年来，我国证券公司陆续推出智能投顾产品，如2016年推出的平安证券智能投顾系统、广发证券贝塔牛等。与国外相比，我国证券行业智能投顾的发展还处于初级阶段，其发展主要受以下因素制约：一是证券公司投资顾问与产品销售之间的界限不够清晰，投顾的独立性和客观性仍有待提高。二是投资者成熟度不高，对投资产品的流动性要求高，对资产配置理念接受程度远低于海外投资者。三是难以实现全球范围的最优资产配置。我国金融业对外开放有序推进，但短期内外汇管制仍在一定程度上制约海外资产配置。四是监管约束。我国《证券法》（2019年修订）第161条明确禁止证券投资咨询机构及其从业人员代理委托人从事证券投资。在此背景下，目前国内智能投顾平台无法为客户提供全流程和全业务链的资产管理服务，核心价值难以体现。

智能交易方面，是对智能投顾的有益补充，是程序化交易发展的进阶版。2015年10月，证监会发布《证券期货市场程序化交易管理办法（征求意见稿）》，将程序化交易定义为“通过既定程序或特定软件，自动生成或执行交易指令的交易行为”。随着技术进步，程序化交易的自动化和交易延迟敏感度上升，发展到算法交易和高频交易领域。一是量化交易，侧重于采用量化分析技术实现投资决策的制定过程；二是算法交易，根据美国商品期货交易委员会（CFTC）2015年的界定，算法交易强调的是交易指令通过电脑自动生成，而指令的实施可以是人工操作或计算机自动完成。2019年算法交易调查显示，提升交易员效率、易用性、执行一致性是采用算法交易的主要原因。三是高频交易，突出特点是信息处理时间极短，可以高速、低延迟地产生和执行交易指令。基于深度学习的人工智能算法可以充分挖掘海量弱特征数据，显著提升数据分析与数据预测的准确度，提升投资表现。人工智能交易系统的广泛应用可以显著提升证券市场的价格发现功能，提升市场效率。

目前，我国相关法律法规将投顾与资管分开监管，不允许代客理财，所以还没有真正意义的智能交易。相比之下，智能交易在美国发展迅速，这主要得益于其综合监管框架。智能交易应用面临的挑战主要体现在：一是同质化策略大量涌现。同质化策略可能源自相同的基础信息、相近的算法等，可能导致单一事件触发多项交易阈值，或形成多米诺骨牌式的阈值触发，加大市场风险。此外，同质化策略会使得获利的窗口期缩短，导致策略失效和收益水平下降。二是对系统稳定性的要求更高。在生产策略和执行策略全过程，智能交易对于计算机系统、技术稳定性的依赖程度更高。国内外历史上都出现了因为IT系统导致重大投资失误的案例，如2012年5月18日纳斯达克交易系统问题。

智能投研方面，利用人工智能技术进行金融数据研究，可以简化数据搜集和数字化的过程，节省研究时间，提高研究的智能化程度。涉及技术包括大数据、机器学习、自然语言处理和知识图谱技术等。例如自然语言处理技术可以将新闻、政策、社交媒体中的非结构化数据进行加工提取，从而拓宽数据广度，节省研究人员时间。通过挖掘数据背后的关系来建立知识图谱，可以提高研究效率。

风险管理方面，人工智能技术有助于优化风险管理手段、提升风险管理前瞻性。机器学习、特征识别、风险知识图谱等人工智能技术，可以显著提高信用评估、适当性管理、异常行为识别等方面的效率，赋予风险管理以全面、高效、自适应的特性。一是增加监管信息的维度；二是增强识别风险的能力；三是提升一线监管的时效性。监管机构高度重视人工智能技术在金融风险管理领域的应用。上交所、深交所等机构也在积极部署金融科技，探索构建上市公司画像图谱、公司与股东行为特征分析体系，利用深度学习结合知识图谱对上市公司风险进行监测预警，提升监管穿透性、时效性，提高风险防范能力。

智能投顾和智能交易的监管

智能投顾的监管

从国际证监会组织的调研结果看，部分国家和地区以现有监管规则直接适用于智能投顾业务模式，包括美国、欧盟、日本、中国香港等经济体。部分国家在评估是否对智能投顾制定专门的规则，包括法国、荷兰和新加坡等经济体。我国目前没有专门规范智能投顾的法律法规。监管部门分别对投资顾问与资产管理进行监管，传统投资顾问和资产管理的相关法律法规对智能投顾有规范作用。中国人民银行等五部委2018年正式颁布的《关于规范金融机构资产管理业务的指导意见》（以下简称《资管新规》）第23条明确规定：“运用人工智能技术开展投资顾问业务应当取得投资顾问资质。”《证券、期货投资咨询管理暂行办法》《证券投资顾问业务暂行规定》《关于加强对利用“荐股软件”从事证券投资咨询业务监管的暂行规定》等规定了证券投资咨询业务资格、向客户解释服务载体的固有缺陷和使用风险等要求。此外，证券行业法律法规、投资者保护相关规定也适用于智能投顾。

程序化交易和智能交易的监管

发达经济体对程序化交易和智能交易的监管制度比较完善。美国的相关监管制度最为完善，注重系统安全性、策略安全性、投资者保护等，2013年1月启用市场信息数据分析系统（MIDAS）对交易进行实时监控。欧盟于2014年4月通过《金融工具市场指导Ⅱ》（MiFID Ⅱ），对高频交易的参与者进行了规定。我国对程序化交易的监管内容与国外基本一致，涉及投资者适当性管理、程序化交易监管和数据隐私监管等。投资者适当性管理的要求适用于投资组合中每一个具体的投资标的物，应遵循证监会发布的《证券期货投资者适当性管理办法》。程序化交易监管旨在维持证券市场稳定，禁止程序化交易中涉及市场操纵的策略。证监会的《证券期货市场程序化交易管理办法（征求意见稿）》第18条明确禁止程序化交易者通过关联账户、频繁申报和撤销、大量连续交易、大额偏离市价申报等方式，误导其他市场参与者，影响交易价格或交易量。数据隐私监管的主要法规为《网络安全法》《个人信息安全技术规范》，以及证监会于2018年9月27日发布的《证券期货业数据分类分级指引》。

智能交易相关监管措施，主要体现在《资管新规》中。《资管新规》第23条要求，采用人工智能技术进行资产管理的金融机构要向监管部门上报模型主要参数和逻辑，对智能交易的投资范围、信息披露、风险隔离、投资者适当性等进行了规定，要求强化智能交易的留痕管理，明确了金融机构对投资者的赔偿责任，要求金融机构对人工智能算法模型缺陷（包括算法同质化）或者系统异常制订预案并及时干预。

文章来源：清华金融评论