九合创投王啸：“数字经济下半场的换代机会，2020年投资策略 ”

4月22日晚上10点，由盛景嘉成母基金、盛景网联、中国电子商会、中国母基金联盟、亿欧公司携手举办的《中国首届投融资云峰会》线上超级大直播完美收官。

13小时线上大直播，30+行业顶尖大咖。以深度的专业视角及敏锐的行业洞察，为企业家、创业者们解读市场变化趋势及潜在的商机，共同探索2020逆境增量之路。

在大会第一场“疫情后的投资策略”环节，九合创投创始人王啸分享了“数字经济下半场的换代机会、九合创投2020年投资策略 ”主题演讲。

以下为演讲实录：

王啸：今天我想讲的这个主题是关于数字经济下半场新一代的机会，因为2020年正好是一个新旧转换，从To C的市场逐渐切换到To B，从消费端到产业端的窗口，讲一讲我们对市场的判断、产业互联网时代的进化体系和九合创投在2020年的投资策略。

后疫情时代的数字化新常态

后疫情时代的数字化已经变成了一种非常常态的，包括在线会议、在线办公、共享文档，还有一些企业内部管理的数字化，包括CRM、无人化、智能客服等等的部分。

随着移动互联网的普及和传感器、云计算、人工智能技术的演进，现在整个互联网或者说数字化进入到更深度的领域，包括物流、金融、生产制造等等各种产业都进入了数字化时代。

这里面它的本质和核心要素其实是数据，以数据作为一个中心，加快数据的收集、流转和对于数据的处理，在连接的层面，PC时代和移动互联网时代是连接人，产业数字智能时代增加了物与物的连接。这是一个从人到物的过程，产业逐步形成了这样的进化。

未来十年，最主要的核心机遇还是产业升级

未来十年，最主要的核心机遇还是产业升级，当然其他领域也存在一些机会，但是核心主赛道应该还在中国的产业数字化升级，包括To B企业服务的能力升级上。

疫情整体上来讲对于产业数字化升级是一个巨大的促进作用，

第一，疫情加快了大家对无人化、在线化和智能化的共识。有点像AlphaGo加速了人工智能的发展，使大家更关注AI的各种可能性。现在很多人、很多基金也逐渐对于产业数字化进行更多的布局和投入，是因为这个共识逐渐在达成。这里面表现在To B端企业加速在线化的过程，包括销售在线化，客服的在线化、无人化，包括后端HR系统在线化、文档的在线化、会议的在线化等等，To B端企业在线化已经是非常明确了。

第二，就是在一些供应链领域，柔性化和在线化也基本上是势在必行，把供应链平台整体在线化，像纺织业的智布互联，柔性供应链的公司等等。还有一些跨地域物流的协同和数据协同，也存在大量的机会。

从底层看，其实是国家最近的新基建所推动的数字化高速公路，5G等很多新型的技术都在配合国家构建整个产业数字化的基础设施。而这些部分其实是商业化公司无法做的，因为它的投入非常大，回收周期也非常长，只有政府才有这样的财力和动员能力做这样设施的铺设。

而这部分铺设完成之后，很多科技巨头、互联网公司在基础层，比如说5G、人工智能、大数据等领域有所布局，包括华为等公司都具备云计算、人工智能领域的能力，而服务层在这部分能力的基础上再向行业层进行赋能。

在这个产业互联网的新生态之下，其实是一些更偏行业型的数字化转型的机会。中国的各行各业是非常丰富的，每个行业都存在数字化之后的龙头，因为数字化肯定会加速企业内部数据的流转和更大效率的提高，有可能在行业形成比较高的市场占有率，形成行业龙头的地位。

这是我们看到整体的从底层到行业层的细分，这里面最大的机会可能还是在于服务层和行业层的一些数字化的机会。

新一代智能技术集群的引擎作用

这些数字化机会背后的核心推动力还来自于技术的不断成熟，它不是某个单项技术的成熟，这里面的合力推动作用更为明显。

更长周期来看，整个人类社会的技术都是在推动的，包括最早的蒸汽机、高速公路、铁路等等，都推动了我们经济的发展。新一代的人工智能、大数据的技术是推动下一波产业变革最核心的力量。

这里面的智能化集群技术包括了什么呢？

第一部分是正在推动的5G。今年可能是5G落地非常重要的一年，而且基本上进展还是非常快的，现在整个行业里，很多好的工厂都在运用5G相关的技术。

第二个部分是AI算法在不断演进。包括算力也在极大提高，进行数据处理和从数据背后产生决策，AI带来了巨大的好处，出现了人脸识别的公司，和一些自动驾驶的公司等等。

第三个部分是随着智能手机的普及，我们很多的传感器成本极大的下降，这些IoT的设备极大的普及，而且非常便宜，这个部分相当于把物联网逐渐落实。

还有大数据，所有这些东西都是围绕数据的。从IoT生成数据，5G通过更宽的带宽、更广的连接、更好的连接方式把它接入到大数据中心，云计算是计算的底层基础，AI把算法、算力做得更好，而大数据就是在这当中被加工使用。

未来我们可以看到，无论是投资还是创业的机会。本质上是落实在数据的方方面面，从数据的产生，到数据的接入、存储，算法的处理，到最后的使用。5G很有可能在一些偏行业、偏制造、偏企业级应用方面会更有机会一些。

另外一部分就是物联网，现在整个物联网的产业是比较成熟的，包括从传感器的部分到接入的部分，从低速的接入已经有很多各种各样的标准，到高速的5G的部分也越来越成熟。

这三个技术，5G、AI和IoT带来新的技术合力，国家在做5G的布局，一些商业公司在做AI算法部分的研发、云计算，很多小公司在做物联网的传感器、接入等等部分，实际上是逐渐构建了新一代产业互联网的底层技术或者说新一代的基础设施，而这个基础设施很有可能可以促进各行各业整体能力的升级，包括智能制造，人均GDP的拉升，都有可能通过这样的技术平台和技术的基础设施做到很好的升级。也就是说，以后我们的外卖都是可以通过无人机或者无人车来送，人均GDP的提升会非常快。

数字时代下半场三部进化论

我们总结了数字经济下半场的一些发展规律。产业智能时代下半场的切入点是用数字、数据化作为核心能力，以效率提升作为切入点的一个模式，形成平台，最后变成生态。

技术赋能单点效率的提升可以涉及从生产到流通到交付的所有环节，只不过每个环节当中赋能的点不一样，最后形成的变革不一样。

以数字化赋能流通环节为例，中国的流通环节非常复杂，有省代、地代，基本上五六个环节才能真正到用户手里。这个流通环节比较低效，可以通过数字化的方式把整个流程打通，从厂商直接到次终端或者终端。

另外，我觉得平台的数字化存在一个很大的机会，可以在一些传统行业建立全链条自动化生产交易网络。例如我们投资的信传信息是给陶瓷和防火材料行业提供底层的能力，包括配料、原材料供应、订单系统以及技术升级等等。

整体来讲，上下游的赋能和输出标准是最后的一个形态。也就是说当你形成一个行业龙头的时候，上游可以贴牌供货SKU，下游客户可以提供标准化服务，包括连锁、数字化赋能等等，这样很有可能变成一个在行业当中具备实战力和很高行业影响力的行业龙头公司。

 九合创投2020年投资策略

最后一个环节，讲一讲我们的投资策略，我们整体还是一个偏产业、技术的基金，我们投早期的科技公司，基本上都是公司的第一个，或者第二轮的投资人。我们的投资策略分成三大部分，一个是坚持技术驱动，第二个是关注技术创新，第三是由这部分产生的产业升级和商业模式创新。

整体关注三个大的领域，包括新技术、新产业和新消费。新技术，包括传感器、云计算，以及PaaS层、SaaS层的核心技术。

新服务，包括教育、医疗、养老等等，这里面囊括了很多的行业，这部分的机会我认为也非常大。

在中国未来五到十年，各行各业都可能形成市场占有率非常好的龙头公司，这部分产生的变量就来自于对新技术和新的思维模式的利用，把这些新的技术运用在传统行业当中去，提高整个传统行业的效率，是未来机会的真正所在。

同时我们对汽车物流、制造，还有很多其他的行业都有覆盖。我们思考的角度不是从纯行业的角度，是从底层技术如何对行业进行创新的角度进行思考。

2020年，我觉得是变化非常大的一年，叠加疫情对各方面的影响。对于未来的创业，从我的角度来看，但凡是比较难的时候，都是一些真正伟大的公司起步的时间。比如说20000年泡沫是BAT发展比较快的一年。SARS那年给了电商很好的发力机会，包括京东、顺丰等，都是那时候起步的。

现在类似于那个时期，疫情加上新基建，其实给未来产生一波新的巨量的机会。当然，市场情绪这个时候比较悲观，投融资比较慢，但是我们仍然保持自己的投资节奏，不被市场情绪所左右，在行业当中寻找机会。

对于创业者来讲，

第一个还是看好自己的现金流，因为现金流断掉了，发不了工资，团队也很难维系。

第二个，在做业务规划的时候，一定要积极、主动、乐观，但是要做好Plan B。

第三个，要审视你的战略，小公司必须要业务聚焦，没有其他选择，可以快速试错，但是试错之后要尽快舍弃，把所有的资源放到最重要的业务上去。

现在还是能成功融资的，只是要找到那些还有钱、愿意投资的机构。以前你可能会同时跟几家机构谈，现在变成了只有一两家机构愿意投资，你必须把握好机会。

另外一点，冬天有可能是最好的创业时间，可能一些公司在这个期间能够安全度过并且发展壮大。在疫情期间如果你的业务有增长，也就意味着你很有可能成为行业龙头。我倒不觉得市场环境热的时候是好时间，因为那个时候摩擦太大了，现在反而是创业的好时间。

来源：亿欧

疫情加速金融科技回归风险管理本质

新冠肺炎疫情是我们在新世纪遭遇的第一只“世界级”黑天鹅，它在对全社会的生活、经济造成扰动的同时，也让人们意识到，没有任何个体能独善其身：不论国与国，抑或一国之内的个人、家庭、企业，都是命运共同体，唯有在各自的位置上“守土有责”，继而齐心协力，才能共克时艰。

企业连接国与家，更是经济活动的基本单元。对于金融科技领域的企业来说，一方面，企业要在保护好员工的前提下，实现复工复产；另一方面，线下服务受到限制，要帮助银行、消金公司等合作伙伴应对“零接触服务”的挑战，共同为“小微企业”有效输血，助力疫情结束后的消费复苏。从应对疫情的实践来看，数字经济基础设施和协作模式发生了改变，金融科技带来的价值不可估量。

当前，国内疫情已基本得到控制，复工复产有序推进；但国外疫情蔓延形势仍然形势严峻。在全球经济一体化背景下，疫情对经济的影响仍然面临较大不确定性。在“中国经济基本面长期向好”这一最大确定性之下，我们应该练好内功，以更积极的态度对应对各种“不确定性”的挑战。

疫情加速金融科技回归风险管理本质

尼采说，“任何不能杀死你的，都会使你更强大。这次全球性的疫情对所有企业都是一次“免疫力大考”。当疫情突然爆发时，没有特效药，靠的是自身肌体的健康程度和免疫力。企业就像人一样，遇到不可预测危机时，拼的就是企业平时积攒的内力、组织的健康度。同样，一个本来就“带病”的企业，很难抵抗突如其来的危机。

过去互联网金融之所以聚集一些风险，主要是因为过于强调效率的提升，忽视了风险的管理。本次疫情可以说是对企业的一次全链路压测，其中会暴露出很多商业模式的问题、组织效率的问题、灾备能力的不足。比如在互联网金融领域，政府在2019年围绕消费者权益保护和风险防控，出台了多项监管政策：包括加强利率管控、强调数据合规应用、规范催收管理等，一些缺乏金融科技支持、风控能力不足的平台就出现了较大的业务波动，无法在低利率下保持盈利。而本次疫情，放大了本来就存在的风险，让原本带病的企业情况更加艰难。所有金融行业和金融科技的从业者，如果能前瞻性的应对风险和及时调整，可以使风险管理和精细化运营水平提升到新层次，推动战略和经营管理更上一个台阶。

我们一直认为，“金融科技要先解决风险问题，再解决效率问题。”近年来，“伪金融科技公司”不断出清，金融科技的发展也开始回归风险管理的本质。疫情这一突发事件，将加速这一进程。

金融业务对“免疫力”有更高的要求，要遵循经营规律，就是任何时候都要留下充足的风险缓冲，以备不可预期的风险。风险的稳定性是金融企业展开一切经营活动的基础。所有运营决策都是在风险稳定的基础上做的。任何金融企业都会面临像疫情这样的宏观风险，但比拼的是危机到来时，谁的资产稳定性好、谁的波动小。稳定的风险是建立在对客户的深度洞察的基础上的。这次疫情给了金融行业难得的机会，恰好能看清楚用户中，哪些是具有稳定风险表现的客群。金融机构可以不断探索加深用户洞察的路径，分客群精细化运营管理，从而大幅提升风险稳定性。

不应放过任何一次危机对组织的锤炼。金融科技公司也应建立以风险管理为核心的全链路金融科技布局，包括信用风险管理、操作性风险管理和宏观风险预警。

在信用风险管理方面，让风险管理贯穿获客、准入、贷中管理、贷后管理等全业务流程。例如，在获客方面，可以通过技术识别有还款能力和还款意愿的优质客户；贷中管理方面，实时监测客户状态变化，调整风险敞口；贷后管理上，基于风险预测进行差异化的贷后管理。

在宏观风险预警方面，可以针对不同的行业、区域进行监控，并针对多头共债风险进行预警。同时，推动RPA（机器人流程自动化）深入到业务流程重要环节，如信审、客服、催收等，降低合作伙伴操作性风险。

后疫情时代金融科技公司的机会

疫情之下，实体企业受到的影响首当其冲，除了面对需求萎缩、生产停滞、物流受阻等难题外，很多企业首先遭遇了一场现金流大考。在此背景下，政策层面出台一系列减税降费及金融扶持政策，其中，金融行业作为扶持政策的落地执行者，能否及时高效地化扶持政策为雨露甘霖，为中小企业解现金流燃眉之急，成为疫情之下各家金融机构面临的一场大考。

尽管疫情趋于平稳，经济开始反弹，金融机构面临的挑战仍然艰巨：第一，对银行来讲，整个资产构成会发生变化，过去可能在资产端以大型企业、优质企业和优质民营企业为主，现在向普惠、向小微、向零售金融转型压力增大；第二，过去的风控政策都是在高速增长的环境下制定的，没有穿越过真正的周期。风险、存量资产也会给传统金融机构带来压力。

如何能帮助金融机构解决困难和压力，这将是金融科技发展的机会。

对于重合规、重风控的金融科技公司而言，传统金融机构的压力和问题，恰恰是金融科技发展的机会。

在去年年初开始，我们预判部分金融机构的风险在抬头，收紧了风控策略。在信贷方面，第一，对“多头共债”容忍度降到冰点，不留风险敞口。根据上市银行披露的2019年年报显示，多家股份制银行的信用卡不良率显现上升趋势，这其中，共债风险就是其不良率上升的重要外部因素之一。部分客群存在超前消费、“以贷养贷”、“多头借贷”等问题，若银行未能及时发现此类高风险客户，容易受到共债风险波及。可以通过多头预警指标快速侦测到这一异常风险点，并通过大数据迅速描绘出人群画像特征，随即调整相关客群的准入规则与额度策略；第二，在产品上以循环产品为主，逐渐减少长分期产品这类长周期、受经济波动较大的产品比重；第三，加大了对优质客户精细化运营力度。多重举措下，去年四个季度度小满金融的不良率持续下降。今年，尽管业务受疫情影响，还是确保了基本的稳健性。同时也让我们有能力对因疫情产生的短期资金困难的客户给予更多的支持和帮助。

当前，随着复工复产有序推进，线下场景重新焕发活力，但疫情让金融机构充分意识到金融科技的价值，也充分意识到线上业务和自动化流程的潜力，线上化、数字化发展成为大势所趋。

“零接触”加速金融全流程线上化趋势

受疫情影响，金融领域线下场景受限。一方面，大量金融服务需求，从线下迁移到线上，如信贷、理财、保险等个人业务线上化提速；另一方面，受疫情影响很多员工无法到岗，金融业务的线上化、自动化成为刚需，金融机构线上化、智能化的需求迫切，并已成为共识。

过去对线上转型重视不足的金融机构，受限于面签、柜台开户等线下流程，甚至无法顺利展业。相比之下，线上转型较为彻底的金融机构，顺势推出“零接触”金融服务，把握了市场机遇。疫情让金融机构充分意识到线上业务和自动化流程的潜力。

在危机下，企业的精细化运营需求更加迫切。同时，疫情隔离的要求限制了金融机构的复工人数，服务流程如何线上化、智能化成了新的挑战。

例如，在客服服务方面，由于疫情的突发，坐席人员无法按时复工，客服业务出现严重用工荒的现象。另外，以银行为代表的传统金融机构还面临全球经济下行的大环境以及服务实体经济的需求和压力的挑战。

金融科技公司可以发挥人工智能的技术优势，在智能获客、大数据风控、RPA（机器人流程自动化）等方面，为客户提供全流程解决方案。例如，在金融机构的客服场景下，客服复工人数受疫情影响严重，语音机器人既能避免人员聚集的风险，又能降低人工成本，且可以杜绝语言暴力等风险，受到金融机构的欢迎。疫情高峰期间，某全国性股份制银行客服无法到岗，利用金融科技公司提供的语音机器人承担了客服的大部分工作，3月份后，随着客服逐步复工，通过“人+机”结合的方式，减低了30%左右的人工成本。

对于金融科技而言，今年既是挑战严峻的一年，也将是发展的关键之年。相信疫情过后，金融科技将成为所有金融机构的“标配”。2020年也将成为金融数字化发展的分水岭。

来源：亿欧

智能投顾十大趣谈，为什么说基金从业者该不该恐慌？

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）。

趣谈七：人工智能为什么直到今天才取得突破？

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：虎嗅

海通证券加速智能化转型 携手虎博科技推进Fintech创新平台建设

　新华财经上海4月20日电(记者高少华)虎博科技赋能海通证券（600837）智能化项目一期近日宣布完成。该项目依托虎博科技在金融领域场景中的AI技术，建设海通证券的智能化资讯系统，赋能其智能化客户服务。

　　海通证券是国内证券行业探索数字化转型的先行者之一。近年来其秉承信息化发展战略，积极推进科技与业务的深度融合。2019年7月，海通证券对外发布了“海通金融科技合作伙伴计划――OCEAN | e海通聚”，该计划将围绕海通证券打造全新的“开放式、平台化、生态型”金融科技创新平台。

　　资讯作为证券行业的三大高频场景(行情、交易、资讯)，其生产、加工、分类、分级、分发能力影响着证券企业的运营效率。对证券企业而言，除自身生产、加工内容外，大量采购的来自多个第三方的资讯数据加大了其资讯管理的难度。智能、高效的资讯数据管理成为证券企业升级发展的重中之重。

　　通过虎博科技独有的金融语义模型，海通证券的智能化资讯系统实现了不同来源的资讯智能化聚合，从而大幅提升资讯管理的智能化程度。

　　虎博科技技术副总裁谭悦表示，双方的此次合作，是人工智能，特别是自然语言处理技术赋能证券业智能化发展的重要尝试。海通证券作为探索证券行业数字化转型的先行者，其坚定推进科技和业务深度融合的信息化发展战略，为人工智能技术的快速落地应用，创造了良好机遇，能够让更多人看到人工智能技术在应用层面，对于企业机构智能化升级、降本提效等方面的切实成效和价值潜力。

　　金融行业资产和营收规模大、产生海量基于行为的实名数据、加上头部公司有极强的资源投入力度，使其成为AI落地的重要行业之一。中金公司认为，虽然应用尚属初期，但AI是金融长远发展的有力支持，将成为金融机构重要核心竞争力。

　　对证券公司等金融机构来说，人工智能技术的导入，能够有效赋能金融业智能化运营、智能化客户服务，同时，帮助创造场景化的产品和服务创新。目前，人工智能技术已经支撑创造了智能投研、智能信贷、智能保险、智能监管、智慧银行等创新业务场景。

 来源：中国金融信息网

Fintech背景下资产证券化如何发展

科技金融，也称金融科技（FinTech），一般是指基于数据分析、信息系统乃至各类互联网新兴技术驱动的创新金融业务。部分信托公司已经搭建起以数据和科技运营为中心的数据化金融资产管理平台，并以数据积累开展风险定价，继而不断发掘和证券化各类基础资产。

　　一、资产证券化进入以基础资产为核心的竞争阶段

　　（一） 资产证券化发展迅速

　　1.规模增长迅速，产品趋于多元

　　2019年，资产证券化市场规模继续快速发展，全年发行各类产品23439.41亿元，同比增长17%；年末存量为41961.19亿元，同比增长36%。其中，信贷ABS发行9634.59亿元，同比增长3%。企业ABS发行10917.46亿元，同比增长15%，占发行总量的47%。ABN发行2887.36亿元，同比增长129%，占发行总量的12%。

　　2.发行渠道增多，各机构均有机会

　　目前，国内存在多个资产证券化发行交易平台，已经形成多个渠道互补、多产品交织的态势。具体来说，主要有两大类，一是在监管规定平台发行的资产证券化产品（通常称为公募ABS产品），包括三种类型，即银行间市场发行信贷资产证券化（信托做SPV），交易所发行的企业资产证券化（券商基金资管计划做SPV）、银行间市场发行的资产支持票据ABN（虽不强制SPV，但多选信托作为载体）。公募ABS业务目前已较为常态，信托、券商和基金公司均在大力开展。二是准资产证券化（多成为私募资产证券化）产品，即大致遵循了前述资产证券化的流程要求，但省却了少量非核心环节，并通过私募的方式进行发行，最终达到了监管规定平台发行效果，实现了发起主体资产真实出售和资产出表的要求。私募ABS业务方兴未艾，根据发达国家经验，整个ABS市场规模通过私募渠道发行的占比可达到45%左右。

　　（二） 基础资产逐渐多元化

　　随着资产证券化市场的蓬勃发展，基础资产的类别也逐渐趋向多元。理论上，资产证券化是把缺乏流动性的资产转化为在市场上可以自由买卖的证券，因此，凡是能产生现金流的、缺乏流动性的资产均可作为基础资产进行资产证券化的操作。例如REITs/CMBS、票据收益权、保单质押贷款、不良贷款、个人消费贷款等新型基础资产不断涌现。2019年，从数据上看，主流类基础资产还是占据较大份额，其中：信贷资产证券化产品主要以个人住房抵押贷款类ABS、汽车抵押贷款类ABS、信用卡贷款以及企业贷款类ABS（CLO）为主，占比分别达到54%、20%、12%、9%；企业资产证券化产品主要以应收账款ABS、企业债权ABS和租赁租金ABS产品的发行规模较大，占企业ABS发行量的33%、22%和13%。

　　（三） 对基础资产的发掘和把握成为核心竞争优势

　　国内金融体系是分业监管、开放竞争，随着资管市场逐步开放，各金融机构都进入跨市场竞争阶段，混业经营态势明显，尤其是资产证券化领域，信托、券商和基金各占一头，各具有监管赋予的载体优势。虽然严格意义上的破产隔离功能只有信托具备，但实践中其他机构对此也无强制或自发要求，造成各机构竞争更多基于对基础资产的把握，而非制度红利。当然，鉴于投资主体构成和发起人属性不同，银行间市场发行的产品收益率相对交易所要低（2年期AAA级相差150BP左右），在不考虑发行标准和时间周期的情况下，也给信托作为SPV带来了一些优势。但总体来讲，作为国外较为成熟、国内逐渐广泛开展的业务，并非完全的新鲜业务，各机构之间的专业性差异并不大，竞争已经转向对基础资产的获取和把握。谁能提供给市场需要的基础资产类型，谁能发掘新兴基础资产并把握其特点，谁能在基础资产形成阶段就提早介入，无疑将在未来的资产证券化业务竞争中获得先机和构筑核心优势。

　　二、大量可证券化资产需要数据和科技金融发掘

　　1.大量潜在优质资产无法进行证券化

　　受国内金融抑制和客观经济信息不对称制约，金融服务深化和覆盖远不能满足实体经济和虚拟经济需求，典型的如广大的个人消费贷款需求和中小微企业融资需求，远远处于金融服务提供稀缺阶段。实际上，我国金融资源分配严重不均衡，个人金融和中小企业金融供给犹为不足，相较于发达国家成熟的金融体系，中国消费金融领域和小微企业金融领域仍是尚未被撬动的巨大蓝海。个人金融方面，根据人民银行数据显示，截至2018年12月，我国金融机构个人消费贷款余额为37.79万亿元，同比增长19.90%，但从中美居民消费支出占GDP比重衡量（39%/69%），未来空间仍然广阔；中小企业金融方面，2018年应收账款净额规模超过14.3万亿元，由信息技术进步推动的供应链金融展现出了迅速发展的态势，到2020年将会超过20万亿元的规模。

　　个人消费贷款和中小微企业贷款资产具备分散、现金流可测等多个利于资产证券化的特征，而实际情况是，上述个人和小微企业贷款资产严重不足，继而能够进行资产证券化操作的基础资产数量也严重不足。2019年数据显示，信贷资产证券化产品中，个人消费贷款仅为260.44亿元，占比仅为3%；企业资产证券化产品中，小额贷款为1174.64亿元，占比为11%。相比较消费金融和小微企业金融几十万亿元的市场规模，进行了ABS操作的基础资产非常少，大部分的都是尚未能进行交易的潜在优质资产。

　　2.缺少数据和风险判断依据是主因

　　实际上，大量可交易或者可证券化的资产无法进行相应的资产证券化操作，最大的原因是无法对基础资产进行特征识别和风险定价，而这才是阻碍个人消费资产和中小微企业贷款资产爆发的根本原因。基于pre-abs的业务拓展思路，开展资产证券化的机构实际上应该沿着资产证券化业务链条向上游延伸，以求更早介入基础资产的形成，如此方能把握基础资产，从而获得开展该类业务不同于其他机构的核心优势。

　　随着金融科技的发展和基础数据积累的提高，基于数据和科技运营为基础的个人消费（如3C分期、白领租房、发薪日贷款、农业贷款等）和小微企业贷款（如围绕核心企业供应链上下游的小微企业贷款）已经逐渐成型。通过业已构建起来的信息系统、不断积累的基础数据和逐渐培育的风险定价能力，部分机构已经塑造了抓住基础资产的核心能力。

　　二、 围绕数据和科技金融提供ABS全链条服务是未来趋势

　　资产证券化业务同质化竞争态势明显，各机构之间主要是基于费率的高低、操作效率的快慢来竞争业务，并未构筑自身的业务核心竞争力。作为信托公司，急需改变资产、资金在外，两头无一端可以把握的尴尬现状。在目前市场资金面较为宽松的状态下，能够前端和深入把握基础资产，甚至能够提供一些市场稀缺的基础资产，将会是信托公司开展资产证券化业务的较优路径选择。塑造基于数据和科技金融为核心优势的资产证券化业务模式，需要信托公司打造自动决策、信用审核、放款、清分及扣款系统，需要信托公司掌握个人消费贷款客户的各类征信数据和围绕核心企业的小微企业各类信息流、资金流和物流数据，并以此来掌握基础资产运行情况，并最终将在信托端形成的上述稀缺资产进展证券化操作。

　　具体而言，有如下三种业务模式可供选择：

　　1.PRE-ABS模式

　　顾名思义，PRE-ABS业务模式的核心就是在基础资产形成阶段就开始介入，提供资金以便基础资产逐步形成，一方面可以主动把握基础资产，另一方面可以更早了解基础资产和设计基础资产载体结构，这些都能够使得将来顺畅的对基础资产进行证券化操作以及获得项目的绝对主导权。针对信托公司而言，可以将公司开展的消费金融业务和在线供应链金融业务过程中在信托端形成基础资产及早留下证券化操作的空间和路径架设，让资产证券化业务部门手握公司独有之优质基础资产，并能够给出基于数据和运营实际的风险定价，将会在ABS市场中占据独有地位。

　　2.ABS夹层投资模式

　　基础资产形成之后，将会对资产证券化产品进行分级、定价和评级，优先档利率较低、评级较高、安全性较好，适合银行、保险等大机构资金，劣后级别一般发起人会自持，而中间级收益率相对较高、评级尚可、完全性有保障，那么，信托公司作为基础资产的发起人、发行人之外，基于对基础资产的认可，也可以以自营资金或者信托资金投资中间级，为自身和客户带来稳健的收益。

　　3.ABS资本中介模式

　　以各类贷款资产形成了基础资产之后，在发行过程中，或者存量ABS短期盘活或者转让过程中，均有中间短期接盘的需求。信托公司如果基于数据和科技运营发掘并证券化了基础资产，那么，对基础资产的情况就非常了解，对风险的把握也有实质的认识。因此，针对经历完整贷款周期、累计了数据，并有良好表现纪录的基础资产对应ABS产品，信托公司可以以自有资金进行短期持有，开展资本中介业务，以促进产品的流动性或者给予发行留足时间，最终择机通过多元渠道，转售给其他机构投资人，获得息差收益。

智能投顾大潮下的痛点与野望：不能指望靠政策留住客户

最近，蚂蚁金服和全球最大公募基金公司Vanguard集团独家合作的投资顾问服务“帮你投”正式上线，这也是国内首家合资基金投顾。

在蚂蚁金服之前，去年10月首批拿到试点资格的五家公募基金公司已经陆续推出了相关产品，在第二批试点的三家公司——蚂蚁、腾安和盈米中，蚂蚁金服抢跑一步。

当前，第三批智能投顾业务试点机构也出炉，包括工商银行、招商银行、平安银行3家银行以及国泰君安、华泰、申万宏源等7家券商。按照前两批试点公司的抢跑速度，银行券商的投顾产品大概率也会在年内上线。

客户为什么买单？

在所有投顾试点机构中，此次帮你投的出场无疑是最吸引眼球的，蚂蚁金服拥有规模庞大的理财用户，Vanguard拥有强大的产品开发能力。

行业对“帮你投”的配置能力予以厚望，并且完善的服务也是蚂蚁和Vanguard都十分擅长的。

但是从帮你投现有的出品看，的确差强人意：比如笔者试验答题之后得到安稳回报策略投资目标为4%，系统给出的投资建议是：股票型基金20%，债券型基金78%，货币型基金2%。翻看了下身边其他策略的小伙伴，发现策略一共就那么几种，与真正意义上的投顾相去甚远，同一种策略系统给予的配置比例全都一致。还有一个安稳增值策略，收益目标是2.5%/年，全部投资货币基金，却还要收取0.5%/年的投顾费？？？

选取基金方面也有槽点，比如说基金池里选取被动指数基金，至少沪深300指数基金完全可以选易方达沪深300ETF联接，而不是嘉实沪深30ETF联接。费率导致二者的收益差距还是非常明显的，都是头部基金公司的产品，规模都比较大，为什么不选运作费用更低的产品？甚至在降费对提升收益最明显的货币基金，也没有选择费率较低的产品，而是选了一个半高不低的产品。

这样来看，“帮你投”能否吸引客户还是个问题，根本原因不在于监管提供什么样的政策，而是靠这样的方式难以留住客户。

对客户来说，希望通过投顾能够解决的无非是资产配置和投后服务，以避免自己瞎操作，说到底，客户购买基金投顾服务的唯一标准就是能不能赚钱。这几年业绩看上去很好的基金，能赚到一半收益的人寥寥无几，更不用说垃圾基金了。前几年已经在开展基金智投服务的组合，如长赢、阿牛、广发智投等，业绩到底如何，周观新金融也在去年做过盘点，有兴趣的读者可以戳【历史链接】。无论单只产品还是组合基金，根本问题其实都一样：能不能帮客户赚钱？

以前，一个烂苹果没人要，现在十个烂苹果装起来给一筐，投资人也未必会买单。

投顾的窘境

理论上来说，投顾试点正是为了导向客户盈利而非基金销售，从而促进行业正向发展。但从现实操作看，投顾试点还是无法摆脱自身天然的缺陷。

所有拿到投顾牌照的都是公募基金的销售子公司或有基金代销资格的机构，基金销售端和基金管理人存在着天然的利益冲突，比如，当参与投顾资格试点的基金公司需要做大规模以确保收入的时候，能否保证旗下的基金投顾业务的公平性和独立性，而不是服务于母公司做大管理规模的大局？当自家产品有问题的时候，是让客户赎回还是不操作？当参与试点的销售机构需要配置基金时，是配置费率更低的基金甚至场内ETF，还是配置销售提成更高的基金？

实际上，上述状况在试点刚启动时就已经出现了，去年10月28日，有公募基金曾公开表示将要开展全平台外部的基金投顾业务，投资范围包含外部产品，但其发言人随后就暗示，投资外部产品的意义不大，因为“我们旗下的产品已经足够了”。

原本销售拿着基金公司的尾随佣金，现在又在前端收取客户投顾费，怎么协调怎么平衡，这些问题是无法通过已有政策去保障的。也是后续各大机构开展投顾业务，必须面对的问题。

这不仅让人想到两年前曾经也被予以厚望的FOF。2017年FOF业务刚启动时，也不乏有公募跃跃欲试尝试外部化的公募FOF，即可以投资于其他管理人旗下的产品。

结果呢？还是内部FOF成了主流。历史证明，既担任管理人又担任受托人的通吃模式是失败的。据Wind数据，目前全市场中非养老金的FOF产品也仅有22只，合计规模不到50亿元，平均的成立以来收益率接近5%，其中还有多达6产品已经成立了近两年，年化收益还不如余额宝。

同样存在类似的利益冲突，且抛开双重管理费不谈，试问哪家公募愿意本着为投资者负责的态度为其他竞争对手做嫁衣？

从客户的角度来说，基金投顾可以做到的配置策略，FOF也可以做到，甚至混合基金也可以做到，为什么不直接去买混合基金？

未来的可能性

投顾要想不重复FOF的老路，首先就是细致入微的顾问服务。

FOF的持仓要季度才能公布，但是投顾与客户的沟通却是可以高频的。每一次持仓调整、每一次市场重大变化，理财师都可以和客户交流，从而提升客户信任，增加粘性。了解用户画像，单纯答几道题、只有几种模式选择，其实远远不够。但机构服务成本和用户的付费习惯，又是天然的矛盾。

买方投顾的最大特征就是从销售商品向提供服务转变，相应的，收费模式也从赚取差异化佣金向收取服务费转型。不过，服务费的收取模式并非只有一种，服务费会因客户所在地区、咨询耗费时间、具体业务项目和客户资产规模等因素的不同而产生巨大差异。

从海外发展情况来看，服务费的收取形式可以分固定费用型（Fixed Fee）、时间收费型（Time-based Fee）、资产规模收费型（Asset-basedFee）、绩效收费型（Performance-based Fee）四种，固定费用型在国内可能更容易开展。但不管怎样，让国内客户接受投顾理念、愿意为投顾付费，这将是非常漫长的一个过程，需要做大量的工作。

与此同时，各大机构也要接入尽可能多的产品，基金申购费的打折也有可能从互联网蔓延到线下机构，高度竞争的环境下，资金会选择流向收益水平相当但费率更低的产品，同时，业绩表现不够出色的产品也面临费率下调以维持管理规模的压力。

以美国共同基金为例，无论是权益基金、混合基金、债券基金和货币市场基金，其管理费用率从1990年至2017年都呈现下降趋势。权益基金从90年代的大约1%的水平下降至2017年的0.59%，混合基金从1%左右的水平降至0.7%，债券基金从0.88%降至0.48%，货币市场基金由于监管的原因，费率有所反弹，但依然处于0.25%的低位。

而在对冲基金方面，根据Eurekahedge对最近十年平均管理费率和表现费的追踪来看，对冲基金管理费率从2007年的1.56%下降至2017年的1.31%。

除了接入产品，从营销路线转向专业路线，理财师接受更好的培训，才能让他们更好的服务客户，目前的销售机构总部的主要精力都花在产品引入方面，而对后续服务管理投入还不大。

对于这一点，爱德华·琼斯的“农村包围城市”方法，也不失为一种借鉴。当越来越多的券商正在积极布局智能投顾项目时，爱德华·琼斯却选择逆流而上，避开智能投顾的大潮，选择继续坚持自己的人工服务模式，而社区营销是爱德华·琼斯成功的关键因素——主要是某一社区潜在客户的数量和该社区居民的经济状况，选址的标准则为方便和客户面对面的接触。

总体而言，投顾的核心仍是为客户赚钱，为客户提供服务。国内的投顾大潮才刚开始，政策只是助力而非解决方案，仍然期待拥有天然优势的巨头们，能给广大投资者带来超出预期的改变。

来源：周公子说新金融

智能投顾的功能定位与监管进路

目次

一、智能投顾的实践对比

二、智能投顾的功能界定

三、智能投顾的功能异化风险

四、智能投顾的功能监管路径

学界围绕智能投顾的概念界定及其优势、理论框架与发展现状、法律风险及其防范、域外监管经验以及我国监管路径等问题已经形成一些研究成果。从现有研究成果来看，关键性分歧在于智能投顾的本质定性问题，如果把其定位于投资咨询业务的一种形式，其面临的风险及监管依据会不同于定位为资产管理业务，故定性问题的研究在某种程度上决定着智能投顾后续的研究。对此，需要综合考量翻译及背景因素所造成的语义上的偏差，从应有之功能的视角看待智能投顾的本质。笔者试图在充分对比我国与域外实践的基础上，厘清智能投顾的功能本质，探寻契合功能监管政策要求的规制监管进路，旨在从应然到实然地梳理功能性问题，以提出适应智能投顾持续良性发展的可行监管路径。

一、智能投顾的实践对比

（一）全价值链式的美国实践

智能投顾元老级的实践者当属美国的Betterment。其于2008年8月成立，在2010年首次推出智能投顾产品，是第一家通过自动化算法将专业投资顾问服务惠及大众的投资理财公司，兼具投资顾问和证券经纪业务资格。Betterment具有无门槛、费用低的优势，同时支持整合用户的所有投资账户，并进行税收优化。与之并称为智能投顾先驱的另一家美国公司是Wealthfront。平台为客户提供应税投资和退休投资两类账户，代客户向证券经纪公司Apex Clearing发送交易指令，买卖ETF，后期系统会根据市场行情、个人所得税等情况自动调整账户内的资产权重。虽然相比Betterment，Wealthfront有准入门槛，但500美元的限额较之传统投资顾问服务的投资起点而言仍然体现出极大的优势。同时，Wealthfront不对低于1万美元的账户收取年费，在小额理财方面突显吸引力。

由于受到Betterment和Wealthfront的激励，美国行业内涌现出一批类似的智能投顾平台，如Personal Capital、Future Advisor、Sigfig、Bloom、Asset Builder、Ellevest等等。这些平台之所以能够在短时间内迅速推出并活跃于市场，除了其本身因低门槛、低费率、节税等特色功能而具有的吸引力外，还离不开美国相对宽泛的投资顾问立法和智能化投资工具配套规则的逐步完善。2015年5月，美国证券交易委员会（SEC）和金融业监管局（FINRA）发布联合预警，提醒投资者选择更好的自动化投资工具（Automated Investment Tools），包括属于在线投资管理项下的智能投顾。2016年3月，美国金融业监管局出台《数字化投资建议报告》（Report on Digital Investment Advice），明确数字化投资建议工具支持一项或多项投资管理价值链的功能：客户分析、大类资产配置、投资组合选择、交易执行、投资组合再平衡、税收规划、投资组合分析。这些工具可以被分为面向金融从业者的和面向客户的两类，其中支持前6项功能的面向客户的数字化投资建议工具通常被称为智能投顾。2017年2月，美国证券交易委员会发布《智能投顾监管指南》（Guidance Update：Robo-advisers），明确智能投顾使用创新技术为客户提供全权委托资产管理服务，与所有的注册投资顾问一样，受到《1940年投资顾问法》中规定的实质性和信义义务的约束。由于智能投顾依靠算法，在线提供顾问服务，且可能为客户提供有限的直接人际交流，其独特的商业模式在寻求遵守法律规定时可能强化某些方面的考虑。

（二）交叉多元式的中国实践

在我国，智能投顾的起步相对较晚，但发展速度同样惊人。按照业务模式特征的不同，我国已有的智能投顾可以分为三大类型：一类是全球配置型，以海外ETF作为投资标的，将国内投资者的资产跨区域配置到全球市场，如创业平台弥财、蓝海智投、投米RA等。二类是证券投资型，包括百度股市通等智能选股型和胜算在握等智能交易型。三类是理财超市型，通过统计收益率、风险指标等信息对产品进行筛选排序，结合用户的风险测评指标提供最优化的投资组合。

虽然各种类型的智能投顾皆有大数据、人工智能等技术的应用，但如果比照理想化的智能投顾标准，我国有相当一部分平台、产品、服务并非真正意义上的智能投顾。一方面，传统金融机构在客户数据、征信、品牌等方面具有明显的优势，通常仅提供投资建议服务，且服务对象往往限于已有的客户群范围。除了自建外，传统金融机构还通过以与金融科技企业合作的方式曲线进军智能投顾领域，如民生证券与PINTEC旗下的璇玑达成战略合作、徽商银行直销银行徽常有财与盈米财富合作发布天机智投。另一方面，早先存在的互联网金融平台，借智能投顾之热，通过内嵌智能引擎实现智能化，但并不特别在意客户画像和风险测评。例如，胜算在握没有用户风险测评环节，只是针对用户已有的股票池提供组合建议。即便是为了智能投顾而生的全新创业平台，有部分也因资质的问题不能实现全流程的服务，只能提供通道式业务。

二、智能投顾的功能界定

（一）相关模式的功能比较

从广义上来讲，社交投资、智研投资、量化投资均属于包含有金融科技因素的人工智能投资顾问领域的运作模式，相较于非智能化投资顾问在不同程度上体现三个方面的特征。首先，智能化投资顾问提供服务以互联网为主要渠道，以自动智能算法为基础，在分析归纳大量相关数据的基础上生成建议，理财方案清晰且方便操作。非智能化投资顾问则往往依靠经验做出预测判断，对数据的处理通常是有限的搜集和简单的归类，且无法较好地分析数据之间的关联性。其次，智能化投资顾问重视客户的不同需求，不仅精通所涉金融领域，而且能够根据客户的财富情况、风险偏好、投资目标等因素给出合理的投资建议。而非智能化投资顾问提供的服务虽有从投资者适当性角度进行的区分，但实质上仍然是基于粗糙分析的一般化建议。再者，智能化投资顾问所提供的服务质量在正常情况下高于非智能化投资顾问提供的服务质量。

（二）狭义智能投顾的功能优势

第一，个性设计。智能投顾根据客户的资产数量、行为习惯、风险偏好等信息给客户画像，抽象出客户的商业全貌，提供符合客户投资目标的产品组合策略，这在人工投资顾问与投资者数量相差极为悬殊的情况下是不可能完成的任务。第二，风险分散。智能投顾的理论依据是Markowitz均值－方差模型、Black-Litterman模型、Augmented Black-Litterman模型等现代投资组合理论模型，以及资本资产定价模型（CAPM）、套利定价模型（APT）等。以此为基础建立的投资组合，实现资产类别的分散配置，在空间维度有效地化解非系统性风险。同时，智能投顾以交易所交易基金ETF为主要投资标的，亦即选择成本低、流动性强、跟踪误差小的产品进行长期定投，也切实降低了投资者面临的各类风险。第三，理性决策。智能投顾促进投资的平民化，并能有效应对投资平民化所带来的个人投资者普遍缺乏投资专业知识和经验的困境。通过在算法程序上设置止盈止亏条件，自动买入或卖出相应产品，智能投顾克服人工投资顾问和投资者皆有的人性弱点，将决策维持在一个相对合理的水平。第四，平衡调整。该项功能与理性决策功能一起构成智能投顾的突出优势，也是智能化投资领域发展到一定阶段的技术体现。在交易执行完毕后，智能投顾可以全天候不间断地实施监测，且随时根据市场趋势变化自动调整资产组合中的各类资产比例，体现为及时、科学、有效的再平衡，使投资回报始终满足客户的个性化需求。

三、智能投顾的功能异化风险

（一）合规风险

一是智能投顾服务提供商的资质问题。智能投顾服务提供商如果本就是全牌照经营的传统金融机构，一般不存在违规风险。然而倘若是新创业平台或者仅获准开展个别业务的互联网金融平台，除了投资咨询与资产管理两类业务单独许可所带来的障碍外，资产管理业务项下的具体牌照分类别许可也是智能投顾面临的困境。我国有关资产管理业务的牌照种类剖为丰富，有关互联网金融领域的牌照种类则更为细化。不同领域内各种业务的牌照申请条件、许可范围、行为规范等监管要求各不相同，相关规范性文件数量繁多。智能投顾服务提供商要想在一站式服务层面完全依法合规地运行，需要耗费大量的时间和精力，而经营收益还可能远远不能弥补在获得相应资质道路上所付出的成本。“有规难合”的现实困境导致许多智能投顾服务提供商游走在合法与非法的边缘，诱发无牌照经营、租牌照或买牌照经营、业务界限模糊等行业乱象。

二是机器算法的资质问题。根据《证券投资顾问业务暂行规定》第7条的内容，证券投资咨询服务的具体从业人员应当取得证券投资咨询执业资格，并在中国证券业协会注册登记。那么在机器算法部分取代或完全取代人工投资顾问地位的情况下，机器算法是否需要取得相应的执业资格并注册登记为证券投资顾问呢？如果机器人能够被赋予法律主体地位，那么理应在从事证券投资咨询服务之前获得相应的资质。如果机器人仅是金融机构或平台提供智能投顾服务的工具，那么自然无需获得诸如人工投资顾问那样的资质，但是否需要获得一些特别的关于算法的审批许可，仍未有清晰的答案。“无规可合”的尴尬局面导致智能投顾服务提供商游走在空白地带，加大智能投顾相关行为性质认定以及主体责任分配的难度。

（二）画像风险

智能投顾的个性设计分为初始画像和持续画像两个阶段。在初始画像中，大部分智能投顾都是通过用户注册和问卷调查的方式收集客户信息，对客户的财务状况、投资目标等进行风险测评，数据来源非常有限，且数据质量不易判断。经APP操作发现，风险测评题目所反映的信息大同小异，主要涵盖年龄、家庭状况、财务状况、可投资产数额、投资经验、投资目的、投资品种、投资期限、风险承受能力、风险偏好等信息。不同平台设置问题的方式和数量存在一定差异，多则20几个问题，少则几个问题。即使通过足够多的问题达到信息获取的全面性要求，信息的准确性依然构成挑战。客户可能在提供信息的时候有所保留，或者输入信息时出现错误，抑或回答问题自相矛盾，致使信息失真。与此同时，相当一部分金融产品信息无从获取，产品种类尤其是适于投资的ETF基金品种较少，致使完整统一的产品数据资源库难以建立。

在持续画像阶段，智能投顾面临同样的信息问题。相比人工投资顾问方式中建立持续性评估制度，现有智能投顾的实际表现更多的为静态保持，而非动态追踪，未能很好地根据投资者客观情况的变化定期调整各类资产的权重。

（三）算法风险

机器的“正确思考”至少存在两个主要障碍：一是获取非形式的知识并用逻辑表示方法所要求的形式术语来加以陈述，很难做到准确无误；二是理论上可解一个问题与实际上解决该问题之间并非一回事。对于智能投顾而言，其一，算法所依赖的原始信息不一定被准确地转换为机器语言。其二，历史性的样本数据不足以应对新生事件或者突发事件。其三，偶然性的数据关联会误导机器学习的内容和方向。其四，算法本身可能无法有效识别分析数据样本，或给出背离市场秩序宏观调控目标的建议。在大量科学样本数据的基础上，算法正常发挥作用的过程还存在维护方面的风险，可以理解为有关算法的技术性风险。智能投顾服务行为均需通过软件的使用和硬件的支持才能完成。另外，智能投顾也面临互联网安全风险。对此，现有智能投顾大部分将其列在客户签订的服务协议中作为免责条款。

（四）信用风险

首先，智能投顾运营商为了追求盈利，存在自我交易的风险。与美国的做法不同，我国的智能投顾平台大多提供免费服务。这就使“看上去很美”的智能投顾面临严重的发展瓶颈，转向其他渠道收回成本并实现盈利。便捷的做法是在算法模型设计中，将自己经营的产品加以符合计算机风险收益识别规律的优化包装，使系统推荐投资组合时能够优先推荐该种产品甚至是一系列产品。由于自我交易从原理上讲并非绝对无效益，相关算法模型的说明有可能获得理解，但潜在的投资者利益损害风险仍不容忽视。

其次，智能投顾运营商为了以较低的成本与第三方达成合作，还存在利益输送的风险。表现为两种方式：一种是在无法获得相关金融产品销售牌照或代理客户作出投资决策资质时，智能投顾运营商会选择合作，提供网址链接服务或者直接转入销售方注册页面，抑或直接提供涉及三方合作的协议供投资者点击确认。作为回报和长期合作的诱因，其可能主动或被动地在算法模型设计中使第三方金融机构的产品始终最具投资价值。另一种是智能投顾运营商通过与系统开发者约定分成比例，或者直接给予好处，授意系统开发者在算法模型上进行有偏见的推荐程序设计，以增加自营产品的销售。

再者，智能投顾运营商为了提高收益并控制损失，可能存在权利滥用的风险。一方面，在全权委托运作模式下，智能投顾运营商可能利用自由裁量权擅自挪用客户的资金，转入自营账户牟利；或者进行不必要的交易以达到一致行动的效果，通过与第三方串通牟取额外利益；或者代理多方账户进行对冲交易等。另一方面，智能投顾运营商利用电子合同免除自己的多项责任，而这种电子合同往往不被投资者重视。即使投资者认真阅读了点选合同，也不能对免责条款作出更改，只能以决定投资或不投资的方式对该类条款表态，致使智能投顾功能的发挥似乎从一开始就变了味。

四、智能投顾的功能监管路径

我国智能投顾的监管应当与发展路径相匹配走本土化道路，综合借鉴各国已有的先进规则，基于各项功能的本质认识，实施穿透式监管，有效防控异化风险。

（一）分类实施准入监管，推进放开综合账户

鉴于我国实践中的智能投顾有相当一部分达不到标准化水平，监管可以从广义的智能投顾角度分类进行，将智能投顾区分为全智能和半智能。全智能投顾应当包含客户画像、组合推荐、交易执行、自动调仓等一站式服务功能，其可以是独立或与第三方合作实现所有功能，具备供客户选择享受部分或全部功能的能力。半智能投顾仅具备客户画像、组合推荐等第一阶段功能，提供第三方销售网址链接等均属于此列。具体的行业能力测试标准可由监管部门征询金融科技公司等技术方意见后制定。

至于主体资质的要求，由于我国目前对投资顾问牌照和资产管理牌照以及资产管理下属各类具体牌照分开管理，全智能投顾运营商应当取得投资顾问牌照。半智能投顾运营商则只需要根据《指导意见》第23条的规定取得投资顾问资质。这是过渡阶段的安排，后续则需尽快推进开放全权委托账户，以及修改完善证监会于2015年3月发布的《账户管理业务规则》（征求意见稿），使符合一定条件的机构能够同时开展提供投资建议、代理执行投资或交易管理等业务，解决建议到行动的转化难题，促进智能投顾行业的合规发展。

（二）严格把关问卷设计，加强提高风险意识

参考美国《智能投顾监管指南》的要求，运营商在设计风险测评问卷时应当着重考虑：题目是否涵盖充足的计算指标，是否清晰且易于理解，以及是否具有纠错功能。另外，智能投顾运营商还应当为客户提供信息补充和更新的操作渠道，包括但不限于风险测评问卷中已经涉及的信息内容。除了了解客户，智能投顾运营商还负有了解产品的义务，在操作界面上公开所选金融产品的基本信息，提示相关风险收益指标，并根据实时监测的结果调整组合资产权重。对此，监管部门应当依照上述标准对风险测评问卷实行备案审查，制定风险测评问卷所涉信息的底线清单，要求运营商在设计具体问题时必须纳入考虑，在此基础上可以自愿扩展；问题的表述方式不作统一，但要求运营商在向监管部门备案时标明每一个问题所涉的信息点及相关辅助解答方式；并要求运营商在合适的位置公开所选产品的重要信息。

就投资者层面，投资者在使用智能投顾系统进行投资之前应谨慎理解相关风险和限制，一是了解使用智能投顾的所有条件和合约条款内容，尤其注意费用和收益兑现规则；二是认识数字化技术工具的局限性，在有界范围内如何提供最适合的而不是最佳的建议和管理服务；三是认识自身提供信息的重要性，以及风险测评与投资结果之间的因果关系；四是关注自动推荐组合和调仓服务是否确实符合自身的需求和目标。

（三）有效开展算法监控，探索构建试错机制

监管部门应当制定算法监控准则，对运营商提出如下要求：其一，公开适当的系统设计文件，清楚地列明算法的目的、范围及设计；其二，拥有适当的算法管理程序，由专人定期检查及测试算法的有效性及通过算法得到的建议之合理性；其三，具有适当的算法调整能力，当遇到任何可能影响算法运作科学性的事件时，及时检讨及更新算法；其四，留存算法检测、更新、终止等记录，如存储能力有限，可作一定期限内留存的要求。

考虑到技术的成熟需要经历一个不断试错的过程，监管部门可在智能投顾算法正式投入使用前给予运营商一定范围内的豁免。根据英国金融行为监管局（FCA）于2015年11月发布的“监管沙盒（Regulatory sandbox）”报告，监管机构允许适格的金融科技创新企业于特定时间、对特定数量的对象测试其新种商品或服务。我国亦可允许智能投顾运营商在一定时限内向有限数量的投资者测试基于算法的产品、服务和商业模式，且免于承担正常监管的后果。根据测试情况，监管部门可以评估算法的科学性和有效性，进而决定是否允许其大面积地应用于商业经营，同时可以协助运营商根据相关政策法规及市场环境改进算法。

（四）明确强化信息披露，合理考量责任追究

第一，运营商应当披露自己与系统开发商的关系，如果有与第三方金融机构合作也应披露相应关系，重点在于可能影响算法功效及金融产品优先推荐的合作交易关系。在运营商独立提供一站式服务的情况下，更需要对销售自营产品和他营产品的比例及优先推荐情况加以说明。第二，运营商应披露收费情况，包括是否收费及具体的收费标准和收费环节。如果是免费提供服务，应当披露自己的盈利模式。此种披露应在客户界面显著位置进行，在风险测评之前予以特别提示，并在持续管理阶段定期向客户发送收费明细。第三，运营商应当及时披露法律关系的变更情况和可能影响客户决策的突发性事件，并对免责情况予以专门说明，或在电子合同中用突出显示的方式提醒投资者注意。这些信息披露当采通俗易懂的表达方式，并在工作时间配备人工客服以随时为投资者作出解释。

文章来源：《法学杂志》2020年第1期

作者：赵吟

智能投顾开启资产管理新时代

一、从围棋谈起

围棋是一项极具算法复杂度的游戏，其棋盘为19乘19。一局围棋的算法复杂度约为2^361。所谓围棋选手的棋力高低，通常由其能够计算的步数决定。比如同为九段选手，A选手的棋力为20步，B选手的棋力为15步，那么我们就说A选手的棋力比B选手高。

计算机在计算方面与生俱来就有着超越人的潜力，比如超算之王“天河一号”的计算能力达千万亿次。那么基于计算机强大的计算能力，结合神经网络、代价函数、训练方法带来的深度学习能力，人工智能就诞生了。

2016年3月，Google公司开发的人工智能组件AlphaGo以4：1的成绩战胜著名围棋选手李世石；几个月后，改进版Master又以网络对战的形式与多名世界顶级九段选手较量，战绩锁定在60：0。

与此同时，人工智能在投资领域的应用也如火如荼的展开，比如招商银行、浦发银行均在2016年末推出了智能投顾业务，我行也即将在2017年一季度择机推出智能投顾业务。我们总结了人工智能在投资领域的应用，对智能投顾业务的发展路径进行了展望，并分析了其对银行财富管理业务的影响。

二、智能投顾概述

智能投顾的基础是符合投资学的基本原理和现代投资组合理论，主要包括大类资产配置、动态决策树、风险分散和风险预警矩阵、大数据分析、效用函数优化等；特色的一面主要可归纳为以下三个方面：

一是多维度组合式分析逻辑。分析逻辑包括宏观层面（宏观经济）、中观层面（股市、债市、期货市场的市场指数）和微观层面（具体标的的分析），同时结合了行业分析和量化分析方法。

二是双向收益风险优化。收益风险的优化逻辑同时基于历史和未来，即既分析资产的历史表现，也对资产的未来走势进行预判，两者辩证统一进行资产配置。

三是基于路径依赖的个性化配置。投资人的需求表现为两种形式，一是显性需求，二是隐形需求。根据有限理性理论，投资人的显性需求总是不完备的，并不总是反映投资人的真实需求；而通过数据分析获取的投资习惯，往往能反映投资人的真实需求。通过对银行客户的历史财富管理行为进行分析，可以更准确的把握投资人的隐性需求。通过建立路径依赖函数能够同时把握投资人的显性和隐形需求。

三、资产配置策略

智能投顾的资产配置策略主要结合宏观经济方法、行业分析法、量化分析法，结合相关资产库和数据库，投资于股票、债券、期货、现金类资产等标的。

投资策略主要可分为三大类（宏观经济、投资标的、价值策略），7种一级策略（分别是宏观策略、股票策略、债券策略、期货策略、行业策略、事件驱动、相对价值、组合基金），而又可以大体细分为15种二级策略。

(一)        宏观策略

宏观策略主要是指根据全球政治事件以及人民银行、统计局等单位发布的宏观经济数据以及行业指数来判断资本市场走势。

政治领域，比如英国脱欧导致了欧元走弱，特朗普上台加剧了美元加息预期和贸易逆全球化的可能。

经济领域，比如在上行阶段，股票和大宗商品相对债券和现金类资产具有超额收益；滞胀阶段，债券和现金类资产相对股票具有超额收益；衰退阶段，债券相对股票和大宗商品具有超额收益。

宏观策略对各类资产配置比例具有指导性意义，但对具体资产配置并无实质贡献。

(二)        股票策略

股票策略即是投资于股票的策略，按照持仓又可以分为多头策略、多空策略、市场中性策略。多头策略即只持有股票多头的策略；多空策略即在持有股票多头的同时，持有股票空头；市场中性策略为特殊的股票多空策略，是指同时构建多头和空头头寸以对冲市场风险，使得在任何市场环境下均能获得稳定收益的策略。

(三)        债券策略

债券策略即投资于债券的策略，分为被动策略和主动策略。

被动投资策略认为市场是有效的，债券的市场价格体现其期望收益，并不追求超额收益。常用的被动投资策略有购买持有策略和免疫策略。购买持有策略是指投资者在买入债券后较长时间的持有债券，而不是频繁交易以谋求区间投资收益。免疫策略是指构造一个债券组合，使得债券价格对市场利率变化产生免疫性。

主动投资策略的目的不仅是保值，而是利用债券投资获取超额收益。主动投资策略的基本假设是：1、市场利率的变化趋势是可预测的，从而可以利用债券价格随市场利率变化的规律牟利；2、市场并不是充分有效的，存在价格被低估的投资标的。

(四)        期货策略

期货策略是指投资于期货、期权市场，可以分为趋势策略和套利策略。

趋势策略是指通过模型判断市场趋势，根据多空进行大宗商品配置；趋势策略在上涨或下跌单边市场均能获利。但如果是震荡市场，趋势策略可能会因为不停的止损而出现回撤。

套利策略是在买入一种期货合约的同时卖出另一种不同的期货合约，套利者同时成为一种期货合约的多头，又成为一种期货合约的空头。

(五)        行业策略

行业分析是证券市场最基本的分析工具。行业策略主要包括两方面的内容：1、对行业前景进行展望。2、对特定行业的公司进行基本面分析，从而寻找出具有相对价值的投资标的。

(六)        事件驱动

事件驱动是通过预判可能造成资产价格异常波动的事件，从而获取超额收益。事件驱动一般是中短线投资策略，主要是把握事件明朗化前做多或做空，事件明朗化后做空或做多。比如保监会关于保险资金投资规范文件的出台可能导致与险资有关的一些股票出现价格波动。

(七)        相对价值

相对价值策略利用相关联资产之间的定价差异来获利。也就是当判断一种资产的价值被高估，而另一种资产的价值被低估的时候，通过买入价值低估的资产，卖出价格高估的资产，直至平仓，从而获取价差收益。比如分级套利利用场内外市场的价差进行基金的组合分拆套利。

四、风险预警

智能投顾因为采取了多重资产配置，其风险预警也采取风险预警矩阵形式。

一、对于每一个资产标的，衡量其均衡收益下的风险系数。主要包括标准差、下行方差、最大回撤、修复期、β系数、风险价值、偏度、峰度等风险指标。

二、对于资产组合和不同的配置策略，衡量其相关性。

三、根据对单一资产的净值分析和策略内生驱动力的评估，构建多策略组合获得更高的收益风险比。

四、将单个资产标的策略和相关系数进行参数化配置，进行矩阵运算，形成动态的风险预警机制。

当风险预警矩阵达到临界值时，需要对用户资产配置进行动态调整。

五、对财富管理业务的影响

智能投顾将极大的提升用户投资理财的便利性和科学性，有助于消除投资顾问差异对客户带来的影响。同时可以降低运营成本，提升银行作为财富管理平台的价值。

同时，智能投顾业务与传统投顾业务是促进和互补的关系。这主要体现在以下三个方面：

一、智能投顾有助于提高财富管理的平均水平。财富管理是一个注重专业性和经验的行业，投资顾问的能力往往参差不齐。智能投顾是在总结投资经验的基础上发展起来的一项服务，其投资水平能够向中高端投资顾问看齐。

二、智能投顾能够将投资顾问从低端服务中解放出来，专心服务于高净值客户。智能投顾在应用初期，其客户群体主要是银行的一般理财客户，也即理财客户中的长尾部分。通过自助服务，普通客户对投资顾问的依赖程度将大大降低，使得投资顾问有更多的时间来思考如何服务高端客户。

三、智能投顾可以和投资顾问形成良好的互动关系和业务协同。在应用初期，一部分投资人对智能投顾业务抱有怀疑态度是正常的。此时就需要投资顾问和客户的沟通和解释。

六、监管定位

智能投顾本质上属于投资顾问业务。智能投顾将大数据、人工智能等技术引入投资顾问领域，辅助客户作出投资决策，但没有改变投资顾问业务的本质，应当受到相关法律法规的约束。

这里面最直接的问题是，智能投顾归属于机器人，而相关法律法规主要是对自然人的资质和操作规程进行了约束。那么将来有关部门也可能会在相关法律法规中对智能投顾业务进行相应的规范。

再一个问题是，传统的对投资人风险层级的划分主要是对投资人可配置的单只基金产品进行了限定。而智能投顾提供的是资产组合，那么当单只基金产品的风险等级超过客户风险层级，而投资组合风险较低时，其地位该如何界定，也是亟待监管的问题。

总体来讲，尽管存在监管待完善的情况，智能投顾仍是科技金融创新型产品，对探索财富类业务创新和资产管理的经营方式转变具有重大意义。

（原文于2017年刊载于《当代金融家》）

来源：正树铭斋

在市场波动下，智能投顾如何保持科学财富管理？

近期，美股波动剧烈再三触发熔断，以过山车式的涨跌，结束了美股十多年的牛市。与此同时欧洲国家、加拿大、菲律宾、巴西、墨西哥等外围市场也跌势惨烈，多国股市触发熔断。疫情与原油黑天鹅事件席卷全球，国际市场遭遇滑铁卢，众多投资者损失惨重。实践证明，智能化财富管理（下称：智能投顾）却能在大跌之前通过云计算与人工智能技术，准确预测市场风险，帮助投资者规避此次大跌。
品钛所提倡的智能投顾基于马科维茨的现代资产配置理论，追求长期稳定的市场收益。智能投顾将资产投到风险相关性低的不同资产大类中，并将组合风险控制在客户的风险承受范围之内。策略制定之后，系统还将根据市场因子改变、客户个人情况变化、和客户持有资产情况持续提供智能再平衡等服务，进行基于规则的智能调仓，保证客户的组合风险被实时控制在个人承受范围之内。
据艾瑞咨询2019年发布报告显示，国内各大金融机构都已经开始谋求智能理财/投顾工具，报告预计，2022年中国智能理财服务市场规模将超7000亿元。本期，品钛研究院（ID：PINTECAcademy）将根据近期资产大幅波动的市场，阐述智能投顾的财富管理理念，以及人工智能如何做到超越人类预测能力，更好地控制市场风险。

01 市场挑战：
3月金融市场动荡，美股有史以来最快回撤

近期国际市场中，标普500成为了最受人关注的指数。数据显示，自1988年设立熔断机制以来，美股共经历5次熔断。第一次发生在20多年前的1997年，而余下4次熔断都发生在今年3月。
 据品钛智能资产配置引擎“璇玑”监测数据显示，2020年3月美股创造出有史以来最快的回撤：标普500仅用19天便下跌超过18%。相比之下，2008年初的金融海啸用了101天才从历史高点回落15%，为投资者提供了较长时间反应与避险；即便是当年第一次世界大战期间忽然爆发的1916年股灾，标普500下跌18%仍用了30天。

图1：历史标普500暴跌回落超15%时刻
不仅仅是美国市场。 当疫情和原油价格战一起发酵，国际其他市场对经济状况和金融体系的担忧也达到了极点。经品钛研究院不完全统计，为了防止公众对股市信心动摇而进行的恐慌性抛售，自3月9日至今，已经有印尼、西班牙、意大利、英国、韩国、法国、比利时等超过10国证交所宣布禁止做空股市。

02再平衡策略：大数据+AI成为风险管控的利器

金融科技行业有一句名言“大数据往往不会告诉你原因，但是会告诉你结果”。智能投顾的再平衡策略也是如此。
智能投顾系统在为客户制定资产配置方案后，继续监测各类大类资产走势、市场因子波动、各类资产相关度调整、客户个人情况变化等情况，不断测算当下市场的最优策略。当用户目前所执行的产品组合与最优策略达到一定偏差阈值，自动为用户制定新的再平衡策略，并在用户确认后进行调仓。
近期品钛的配置如图2、图3所示，在2019年12月，品钛璇玑标杆模型大类资产配置中，美股仍然是值得投资的大类资产，在各类模型中占比为8%-23%，属于第二高权重的资产类别，仅次于国内高收益债券（各类模型中占比20%-33%）。
然而，在2月26日，系统中非常积极型、积极型、成长型、稳健型、保守型五个风险类别资产配置策略都开始陆续避险，选择大幅降配除中国外的股权市场，并增持债券、黄金等避险资产。在2月底的资产组合中，璇玑各类组合对于美股的配置已经完全清零，海外债权重也大幅降低。资产配置方案将主要资产配置调仓至国内纯债与国内高收益债，其中国内纯债占比35%-57%；国内高收益债占比20%-29%。（如图3）

图2：2019年12月底璇玑标杆模型资产配置

图3：2020年2月底璇玑标杆模型资产配置
品钛研究院发现，“全球疫情“与”油价暴跌”虽然属于黑天鹅事件，但其实相关的隐含市场因子在前期已经有了充足的表现，并非无迹可寻。
智能投顾系统采用动态资产配置算法，及时提供最贴近市场的配置策略，并运用人工智能、机器学习等技术对不断对算法进行调整和优化，实现7*24不间断回测。
数据显示，智能投顾系统在黑天鹅事件出现之前已经监测到期权市场的隐含波动率，且恐慌指数不断攀升。璇玑算法资产配置逻辑之一在于，预估出不同市场的配置区间，当某单一市场走强时，将调升配置下限，某单一市场走弱时，调降配置上限，来匹配客户风险属性并算出最终投资配比。因此，恐慌指数攀升等市场因子之下，系统预测到海外市场大概率波动，于是主动降低了海外市场尤其是美股市场的资产配置，执行海外避险策略，为用户再平衡。本次再平衡策略根据美股、海外债、期权市场、恐慌指数等海外市场走势变化及近期大幅增加的波动区间，预判性调仓，通过不同的Smart Beta组合配权方式，在减少组合波动程度的同时，取得较高的收益风险比。
数据显示，2月底进行调仓再平衡的璇玑用户，本月不同风险类别的投资人收益涨跌幅截至3月18日结市为-2%至5%区间，即用户在第一次熔断的大跌阶段，就基本规避了损失。

03 机器理性决策，让AI超越人脑

面临市场频繁波动，行为金融原则往往能够很好的诠释，为什么绝大部分自认为理性的投资者都出现了追涨杀跌、厌恶损失、锚定效应偏差等“非理性”的投资行为。相比而言，智能投顾运用云计算、机器学习等技术将风险控制在用户可承受范围内，一旦超过风险阈值就会自动触发再平衡策略，从根本上克服了投资过程中人的非理性市场情绪，进而追求适合投资人风险的β收益。

图4：2020年至今收益波动：璇玑Vs沪深300 Vs标普500

数据显示，2020年1月1日至3月18日，暴跌的美股使得标普500的最大回撤接近30%，收益率约-26%；即便是国内外看好的A股市场，风险收益仍然不理想：沪深300最大回撤约为14%，至今收益率约为-12%。很多投资者都没有及时止损，或者选择了在错误的时机入场抄底。相比之下，智能投顾通过资产配置的方式更好的控制了风险的波动。璇玑所设定的5种模型最大回撤区间为4%-9%，相应得到了-2%-5%的收益回报。
中国股市在1989年才开始试点，国内金融市场的投资者往往不够成熟与理性。然而，智能投顾解决方案在推出之前，系统已经运用过去近20年的市场回测数据进行不断演练。品钛智能投顾系统可以在 1 小时内完成多年的背对背仿真训练，总计积累了数千小时的经验。
经过历时数据回测，璇玑引擎在历经了 2008 年全球金融海啸、2015 年股灾、2016 年熔断等市场黑天鹅事件后，最积极型资产配置组合历史最大回撤为15%，年化复合收益达到了 16%。而从2016年1月智能投顾产品正式上线开始，璇玑5个标杆模型已经取得了16%-40%的累积收益率，资产配置对财富管理的重要性不言而喻。

04 国内智能投顾进行时

智能投顾起源于2008年左右wealthfront、betterment等国外新兴公司。在过去的5年来，不断吸引了全球金融巨头的关注。国际知名的先锋基金、嘉信理财、Vanguard等公司先后推出旗下智能投顾，国内招商银行、中国银行紧随其后。智能资产配置理念已经深入人心。
然而，品钛研究院2018年曾进行国内智能投顾表现盘点，发现国内大多数智能投顾并没有真正为用户做到资产增值、财富管理的效果。
品钛研究院了解到，智能投顾在国内终端客户的财富管理中仍然处于较为边缘的“补充地位”。
一方面，大部分投资者在配置可投资资金时，往往会把智能投顾当做多种投资方式中的一种，这样投资者难免将智能投顾的收益与一些固定收益类产品（如网贷、信托等）作类比。导致投资人的风险偏好再次失衡，智能投顾的控制风险能力失效。
另一方面，国内部分智能投顾服务商在为客户作配仓建议时，有时会更多地依赖于基金经理的人为调整组合，而非依据对市场的解析作配置建议。杜绝人的主观判断出错，本来是智能投顾的一大优势，却在基金经理人为操作面前失去效用。后者主要依靠经验判断，并非是智能投顾产品的逻辑。
品钛研究院认为，所谓“智能投顾”，其最大的“智能”之处在于，能用量化的方法预测市场风险，由此为客户进行配仓、调仓建议。智能投顾的初衷是希望根据投资人的需求和风险偏好，把其能配置的全部资产进行一个整合包装和有效配置，从而为用户提供整体财富管理服务。
近期在市场的跌宕起伏，投资者们再次经历了对自身投资策略的洗涤，可能也会有更多的投资者朝着朝着科学理财、资产配置的方向迈进。政策层面，2018年推出的资管新规鼓励资产管理产品的净值化管理，并从根本上打破银行理财刚性兑付；行业层面，已经有越来越多的银行、证券公司、资管公司等金融机构开始搭建自己的智能投顾平台；与此同时，投资者心态也变得越来越成熟。随着政策、行业、终端客户都开始意识到资产配置的重要性，智能投顾或许能够在国内拥有更加广泛的接受度。

来源：品钛研究院