智能投顾加速迎来入局者，银行、券商、公募无一缺席，资管市场格局会被改写么？

一个名为“智能投顾”的产品，正在重构资管行业客户、投顾与管理人之间的关系。

自招商银行推出“摩羯智投”以来，银行系急速本如智能投顾领域。兴业银行、平安银行、工商银行、中国银行、华润银行等银行纷纷入局智能投顾。

何为智能投顾？业内粗略的定义是，以科技手段（计算机程序）及虚拟人物来对接普通投资者的日常咨询顾问需求，后者令得通常机构无暇顾及的普通大众，也能接收到投资顾问服务。

如能达到良好效果，无疑会对存量的数以亿计的基金和理财投资者的市场，产生巨大震动。

今年9月底，华润银行在网上银行和手机银行上线“RUN智投”。这是今年以来第二家上限智能投顾的银行。此前是中国银行的“中银慧投”。

和其他银行智能投顾产品功能相若，“RUN智投”对外表示，将利用人工智能技术和大数据分析技术，对架上所有公募基金进行多维度的量化和统计分析，兼顾考虑基金经理的投资风格，以筛选出优质基金作为投资组合的可选资产。

该智能投顾产品会在客户投资后7X24小时持续跟踪，自动发出调仓提示，从一定程度上能为百姓节省“看盘”时间。

换言之，这是一个为银行客户投资资管产品提供筛选、跟踪、服务的业务。

此前，自2016年12月招商银行率先上线“摩羯智投”后， 浦发银行、兴业银行、光大银行、广发银行、平安银行、工商银行、中国银行先后推出自己的智能投顾产品。

此前，自2016年12月招商银行率先上线“摩羯智投”后， 浦发银行、兴业银行、光大银行、广发银行、平安银行、工商银行、中国银行先后推出自己的智能投顾产品。

那么银行纷纷介入基金智能投顾的动力又是什么呢？

业内人士认为，这主要是出于对银行挖掘开发银行现有资源搜索的考虑，一方面，银行拥有庞大的客户金融账户信息，另一方面，银行积累了大量与基金经理投资行为相关的非结构化数据。但在开发智能投顾前，上述资源的利用并不充分。

华润银行总行财富管理部总经理陆云表示：“现今金融与科技的结合已是行业发展的大趋势，技术和创新是打破传统金融机构同质化服务的出路。”

而据Statista估算，2017年中国的智能投顾管理的资产达289亿美元，其年增长率高达261%；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。

埃森哲咨询公司发布的《智能投顾在中国》指出，随着理财市场打破刚兑，新的消费者理财观将渐渐被培养，智能投顾所秉持的资产配置、长期价值投资、被动投资等投资理念将慢慢深入人心。在这样的趋势下，智能投顾的未来，依然可期。

智能投顾经历了暂时性的退潮

国外机构对数字化投顾普遍看好，花旗银行预测至2020年该市场AUM有望突破2.2万亿美元。2015年前后，数字化投顾商业模式被引入中国，与之相关的创业浪潮出现，一年内宣称开展智能投顾的企业数量跃升至50余家。经历几年的发展，市场热潮逐渐扩大，但是受制于金融市场发展基础和政策，企业只能提供基于算法的资产配置建议，很难提供简单便捷的交易，基本上以公募基金作为资产配置的主要标的。

　　目前，我国的智能投顾产品以所依托的产业领域划分，可分为三大类：第一类，以互联网公司为基础的智能投顾创业公司。互联网公司的智能投顾商业模式历史包袱较轻，且思路比较开阔，所以一般以境外资产管理的运作方式移植到境内平台的方式开展。在投资方式和投资标的方面，选择具有较低相关性的大类资产，帮助用户构建AFOIF，实现充分分散风险的目的。

　　第二类，以银行、基金等金融机构为基础的智能投顾产品。背靠国内银行、基金的强大的零售能力，此类智能投顾产品可谓是含着金钥匙出生。但是银行、基金系的智能投顾产品在互联网思维上稍显薄弱，并没有贴合互联网用户的需要。例如银行系智能投顾虽然零售能力较强，但缺少投研能力，在配置能力上较弱；基金系智能投顾虽然投研能力足够，但互联网角度较少，营销色彩较浓，且销售能力欠缺。。在我国，类似基金系智投往往扮演的是卖方营销手段的角色，具有无法规避的利益冲突。第三类，以券商为基础的智能荐股概念“智投”和其他衍生“智投”。智能选股类“智投”是否是真“智能投顾”，一直饱受非议。因为智能投顾是为用户构建一个低成本、低门槛的去中心化FOF，而智能选股很难在分散性上、管理成本上、以及用户的风险偏好匹配上满足大众投资者的要求。很多券商基于其经纪业务的需要，也开发了一些选股工具号称智能投顾，一些智能投顾从业者对此持保留态度。

　　由于至少三个方面的问题存在，导致这三类智投产品都无法打开市场，进而无法满足客户的需求。这也是最近一两年智能投顾市场经历了一波退潮与蛰伏的原因。

　　第一，中国智能投顾行业的交易成本高。智投行业投资标的主要是ETF产品。与美国ETF市场规模效应下交易成本低和标准化程度高不同的是，中国的智能投顾公司主要以代销场外基金作为主要的配置方法，其中的损耗非常大。例如，股票型基金或债券型基金，当前场外公募基金的赎回+申购的总周期约为5-8天，而QDII则更是长达10-25天。

　　第二，中国智能投顾的可选产品少，分散效果有限。国内的公募基金主要是A股的股票型、混合型基金，基于国债、金融债或者企业债的债券型基金，相对来说较为丰富的货币型基金，以及少量的QDII和黄金ETF。分散效果非常有限。

　　第三，中国智能投顾行业还未摆脱卖方投顾的角色。囿于监管环境和市场特征，国内智能投顾还未能摆脱卖方投顾的角色，存在利益冲突。智能投顾多是沦落为营销工具，而非真正的个人资产管理账户。绝大多数的智能投顾，包括互联网创业公司或银行基金的智能投顾，都是通过销售金融产品，向卖方收费，这在本质上就不可能规避掉利益冲突。以基金销售为例，智能投顾公司通过销售基金，从基金公司收取申购费用分成、赎回费用分成以及管理费用分成，其中申购和赎回是按笔收费，管理费用是按年化收取。此时，智能投顾公司有两种选择，鼓励用户频繁调仓以更大程度转圈申购赎回的手续费，或是鼓励用户长期持有以收取管理费分成。当智能投顾公司发现频繁调仓获取的申购赎回手续费更多时，很难再照顾到用户的长期利益。

风口之上，智能投顾怎么突然失声了

智慧金融一直被认为是AI目前最被看好的落地领域，特别是智能投顾。虽然在欧美国家，智能投顾正在如火如荼的进行，可是我国，情况似乎并不明朗。

作为银行系首家上线的智能投顾，摩羯智投无论是体量还是影响力上都榜上有名，虽其规模已超80亿，但其未设置风险评测机制，基本处于以销售为导向的阶段。而宜信旗下的投米RA，最初上市时主打海外投资，去年6月推出人民币版本，其风险等级共9等，无论最高还是最低，反反复复就是8只基金，对大额用户而言，显然风险不能分散。除了摩羯智投外，其他多家智能投顾们少有向公众袒露其资产管理规模的，个中原因就值得玩味了。

为什么智能投顾这把火似乎还没有燎原之势？

智能投顾之困局： 雾里看花还是蓄势待发？

我国的智能投顾从万众期待到门可罗雀，智能相对论认为主要有几点原因：

1、缺乏生长的土壤，智能投顾概念重于形式。

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

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

智能投顾的实现基于对细分产品的量化，国外的智能投顾投资组合主要以ETF为主。目前美国大概有1600只ETF，共2万多亿美元的市场，而中国仅有100多只ETF，大多数为股票，没有债券、大宗商品和针对不同的产业的ETF，不能做到分散投资，有效配置资产更无从谈起。因此，现在很多所谓的智能投顾，只是投资经理根据自己掌握客户的投资偏好做统计并推介投资方案，本质上还是披着人工智能‘马甲’的传统投顾业务。

同时，智能投顾涉及到投资咨询、产品销售和资产管理三块业务，而国内这三块牌照是分别发放和监管的。由于是纯线上的平台，监管难度非常大，监管层也处于观察阶段。

因此现阶段，智能投顾依然处于概念重于实质阶段。未来将如何走，还有待进一发展。

2、大数据大而不“精”，深度学习黑箱迟迟难揭。

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

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

智能投顾主要是基于用户画像和资产刻画提供精准服务。用户画像需要投资者交易行为数据的搜集和分析，而我国客户的投资行为习惯非常脆弱，客户是基于长期被动投资、指数投资还是主动投资，带来的结构对智能投顾的挑战是截然不同的，因此客户的风险画像有时候很难精准表述它的特征。而资产画像需要对金融产品，以及结合市场的数据的搜集和分析，国内目前在这块上略显薄弱。国内拥有成体量的有价值的数据信息的公司很少（BATJ等寥寥几家）, 而拥有优质数据资源的公司组建了牢不可破的数据封闭体系，并不能很好的互通，再有就是数据整合模式不成熟，缺乏大的平台型数据公司，造成有价值的数据过于分散，接入成本高。

如果算法在智能投顾赋能中占比20%，那深度学习起了至少一半的作用。据说深度学习领域所认可的人才分两种。第一种是开宗立派的人物，比如发明CNN(卷积神经网络)、DNN(深度神经网络)、RNN(循环神经网络)的宗师级人物。还有一种，是真正能够把参数调好的人，这极其稀缺。比如对于多层神经网络，是设置10层、5层还是7层效果最好？每层都有很多参数，应该输入多大的数据量才会产生理想结果，这是一个经验值，甚至没有规律。比如当你输入大量数据后，得出一个结论后，你没办法回溯怎么得出这个结论的，甚至你无法证明这是最优解。所以深度学习最大的问题是黑箱。

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

3、背后的商业逻辑未变，即配置资产和金融服务的属性没变。

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

但是，相比于传统机构，智能投顾公司投入市场和运营的花费却很大。这是典型的互联网发展模式，先砸钱做用户量。但是，这样就增大了获客成本。这就难免使投资者感到疑惑，估值这么高，你的核心竞争力呢？慧牛也出现了类似的问题，其产品创新乏力，和投米、灵犀智投区别不大，均是基于风险评测得出投资组合，产品同质化严重不说，其基金数量极少，风险很大。同时，智能化程度不高，公司盈利率也并不理想。

智能投顾想要颠覆传统投顾似乎还为时过早。哈佛商学院教授克里斯坦森认为颠覆性分两种，新市场颠覆——能够开辟一片新的市场；低端颠覆性——能给现有产品，提供一个更简单、低价或更方便的替代品，而智能投顾想要颠覆传统投顾，似乎还为时过早。

区块链能否助燃中国碳市场？

因数字货币而迅速成为热门的区块链技术，如今已将战火蔓延至碳排放领域。

英国利物浦市议会日前宣布与波塞冬基金会进行为期一年的试验，双方将利用区块链平台解决超过110%的碳排放问题，该市还宣布将在2020年底成为世界上第一个净零碳排放城市。

在此之前，IBM还宣布与中国能源区块链实验室合作，打造全球首个区块链绿色资产管理平台。据IBM介绍，这一区块链解决方案将作为一个碳信用管理账本，实现碳资产开发或减排配额发放。

“据估计，该平台将大大缩短碳资产开发周期，同时降低20%至30%的碳资产开发成本，使大量碳资产能够实现成本效益的发展。”中国能源区块链实验室首席战略官曹寅说，“这将是一种非常流行的鼓励公司和大型企业减少碳足迹的方法。”

为应对全球气候变化，实现低碳绿色发展，建设碳交易市场已经成为全球各国减排方式之一。然而，中国作为世界上最大的二氧化碳排放源，碳交易市场却一直不温不火，在此情况下，区块链能否成为点燃该市场的“助燃剂”？

7月10日北京发布的《2018年中国碳价调查》报告显示，我国碳排放交易体系未来几年内将逐步成熟，并从2020年起发挥重要减排作用。多数受访者还预计，碳价将稳步上升，每吨二氧化碳价格从2020年的51元上涨至2025年的86元。

2017年12月，《全国碳排放权交易市场建设方案（发电行业）》印发，这也标志着全国碳排放交易体系正式启动，碳市场的工作重心也开始由此前的试点示范转向共同建设全国统一市场。

“碳排放交易就是二氧化碳排放权的买卖，是政府在确定碳排放总量目标并对排放配额进行初始分配后，企业之间（或国家之间）以排放配额为标的进行的交易。”碳衡标测（北京）技术服务有限公司总经理赵奇峰解释道，政府首先根据科学研究确定碳排放的总量，再把具体的排放配额分发给企业，企业根据各自的边际减排成本决定是否买入或卖出排放权。

“从理论上讲，碳交易是低成本控制碳排放总量的市场机制途径。”中国国家气候战略中心原主任李俊峰向《中国科学报》记者举例说，“对于同一类企业，A、B两家都是电厂，每年都发一亿度电，A每发1度电有500克碳排放指标，而B有800克碳排放指标，那么A就可以向B买指标或者A多发电，这样对整个社会来说，减排成本降低。这就是市场机制。”

不过，由于碳权的开发及交易涉及的主体众多，当下的碳交易市场仍然存在诸多问题。赵奇峰以林业碳汇为例指出，从林权项目单位勘察、项目审定、政府备案登记、核证减排量、签发到最后的上市交易环节，往往需要耗费长达一年甚至更长的时间，并且各个流程节点还存在造假、流程臃肿、不透明交易等问题。

“在碳市场中最重要的就是各个控排企业的碳排放数据，配额、价格以及数据的真实性和透明性，中心服务器无法对数据安全做到绝对的保障，而信息的不透明也让很多机构和个人无法真正参与进来。”赵奇峰说。可以说，碳排数据的真实性和透明性是碳交易市场的“七寸”。如果这一点不能得到保证，碳市场将举步维艰。

IBM认为，区块链技术的数据不可篡改性质使得市场参与者眼中的碳市场更加可信。不断增强的透明度和直截了当的审查能力，也会使管理者拥有更多的理由去将区块链技术应用于二氧化碳排放市场。

“区块链技术有望成为有效控制碳排放的重要手段，对中国乃至全球最大的碳排放来源具有重要意义。”曹寅说。IBM与中国能源区块链实验室合作，试图通过区块链简化中国的碳交易流程，使不同企业之间可以直接互相转让配额，而无需政府去核实这些交易。区块链使整个流程透明化，允许监管部门和企业对交易进行监督。根据IBM透露的信息，利用区块链技术可以为碳市场面临的各种问题提供解决方案，他们正计划利用数字合作和智能合约来提高碳资产开发和管理的效率。

对于智能合约，赵奇峰表示，通过区块链技术可以将环境问题的各种方法学智能合约化，优化环境资产开发流程。在碳交易过程中，可以将碳资产的开发、交易、配额拍卖等所有流程都编译成智能合约运行在区块链上并自动化处理。

也就是说，如果将碳资产开发方法编译为智能合约，那么各个控排企业的碳资产额度就可以进行自动计算，整个流程变得透明、公开、准确，这不仅可以减少碳资产开发时间，还可以提高碳资产生产效率，降低碳资产的生产和管理成本。

庄宁还指出，通过结合区块链技术创造数字碳通证，可以大大降低交易成本，增加流通性，从而推动碳交易市场发展。同时，区块链技术亦有助于开拓以个人为基础的碳交易市场，产生规模效应，从而有助于建立市场和减排的多赢方案。

赵奇峰表示，通过打造面向全球的行业公链，建立碳权数据流通和交易的规范，还可以将碳权数据上链流通和资产化，并通过有效的经济激励模型，将碳交易主体的权利、义务有机结合，将行业的利益主体、监管机构、行业协会和个人纳入到有机的治理体系中。

“预计到2020年，我国每年碳排放权市场价值将达600亿至4000亿元。而通过区块链技术的运用，全球碳交易市场规模或将在不远的将来突破万亿美元。”赵奇峰说。

印度精英阶层Fintech覆盖率已达23%

近期，J.P.摩根的研究表明，印度金融科技公司已经成功俘获了该国占比23%的富裕精英阶层的芳心，而未来印度经济应向剩余的中、低产阶层靠拢。

这家美国银行的研究显示，最具潜能的中低收入人群占据了人口的47%，面向这些人群的市场存在极高的发展空间。

印度中低收入人群的平均收入从一天2美元（约13人民币）增至了10美元（约67人民币）。

研究还表示，中低收入群体中大约有3.47亿人口为城市居民，他们拥有智能手机，深谙互联网之道，同时经济独立，喜好便利，愿意为良好的服务消费。

当前，印度金融科技公司多为一线地区富裕技术人士的“专属”企业，已知的中低收入群体中有80%并没有接触过这些公司的服务。“尽管金融科技公司与投资人、企业之间在意识上存在着不可逾越的鸿沟，中低收入群体为金融科技公司、投资商、捐助方和企业这些不同类型的利益相关方提供了可观的契机。”

比起考虑支付能力，中产阶层更倾向于便捷、便利的生活方式。他们还会想方设法使用电子平台获得高效的金融服务，这些金融服务包括支付转账、信贷产品、保险储蓄以及投资。

不过，调查还强调，这个国家金融科技产业的发展存在极大的不平衡性。印度拥有大约1500家金融科技公司，其中82%聚集在德里、孟买和班加罗尔这三大创投圣地。投资项目上，支付和信贷最受投资者的青睐，储蓄、保险都与前者存在着不小的差距。总体而言，前十家金融科技公司掌握了75%的投资资产，同时，74%的投资都流进了支付和信贷领域。

包括印度保险和发展局IRDA以及印度证券交易委员会SEBI在内，一个由多家监管机构成员组成的印度储备银行RBI专家小组在近期提交的论文中写道，“目前，印度还有40%的人口没有办理过银行业务、享受过银行的服务，现金充斥着人们的日常生活，占据了他们87%的支付日常生活。对这个国家的金融服务科技创业公司而言，这种局面则意味着一个巨大的、未开发的市场。2018年，移动手机的使用率有望从当前的53%上升至64%，互联网的普及率也在稳步提升，从各方面来说，印度金融科技公司的增长潜力都是不容小觑的。”

值得注意的是，莫迪的平民金融计划（Pradhan Mantri Jan Dhan Yojana）带动了110亿美元（约741亿人民币）储蓄金，印度自助团体也在2017年调动了25亿美元（约168亿人民币）。除此之外，微型企业的债务缺口预计达到了460亿美元（约3099亿人民币）。这些客观条件都为开拓中低收入群体市场打下了基础。

不过，金融科技公司在扩大用户群方面也遇到了许多困难。“处于早期阶段的金融科技公司在筹集投资资金上遭遇了瓶颈。投资者往往着眼于投资的单位经济效益，但中低消费市场似乎并不吃这一套。”

智能投顾基础知识

       当金融投资遇到人工智能，智能投顾(Robo-Advisor)应运而生。

　　智能投顾，又称机器人投顾，是一种结合人工智能、大数据、云计算等新兴技术以及 MPT(现代投资组合理论)的在线投资顾问服务模式，是 2008 年金融危机之后兴起的在线智能财富管理服务。

　　对于智能投顾的科学性，笔者认为，智能投顾根据投资者的收入状况、风险承受能力、投资目标等信息，通过智能算法为客户推荐的综合投资方案，能够保障资产的安全性、收益性和流动性的均衡。机器学习辅助的介入，使得智能投顾的投资模型参数，可做到实时变化以达到自动优化的效果，有效克服了人工服务可能出现的投机性。

        智能投顾的优势，一方面是高效，可 7×24 小时响应客户需求；另一方面，资产配置的分散度更高，传统模式受人力限制，只能对有限的投资标的进行维护管理。

　　从这种意义上来看，智能投顾降低了投资门槛，让更多人得以享受财富管理服务，让普惠金融的实现成为可能。

　　境外领先发展已渐趋成熟

　　2008 年，全球第一款智能投顾产品诞生，由美国公司Betterment推出。

　　自 2012 年起，智能投顾市场呈现“ 井喷式 ” 发展。 据 A.T.Kearney(科尔尼管理咨询公司)预测，美国智能投顾行业的资产管理规模，将从 2016 年的 3000 亿美元增长至 2020 年的 2.2 万亿美元，年均复合增长率将达到 68%。

　　境外智能投顾服务，已经从最初单纯的投资组合策略推荐，向综合性财务规划服务转变，包括退休养老规划、税收损失收割等。大量初创公司为智能投顾的发展探明了道路，传统金融业机构券商、做市商紧随其后，迅速展开布局。

　　2017 年， 传统券商 TheVanguard Group 成为世界最大的智能投顾服务机构。笔者认为，传统金融行业必将成为智能投顾发展的核心力量。

　　中国紧跟步伐上升潜力大中国的智能投顾，自 2015 年开始发展，迈出第一步的是互联网公司等第三方机构。

　　2016 年，某股份制银行推出摩羯智投，成为第一个进军智能投顾的传统银行。

　　2017 年，国有五大行中，有的自己推出了智能投顾服务，有的与独立或第三方机构展开智能投顾的合作开发。全国性股份制银行相继跟进，部分城市商业银行也已正式公布了自己的智能投顾服务。

　　现阶段，我国银行智能投顾管理的最大金融资产规模仅 80 亿元。依据 BCG(波士顿咨询公司)预测，到 2021 年，我国私人财富规模将达220 万亿元人民币，市场上升潜力巨大。

　　国际上智能投顾的发展，领先中国约 5 到 6 年。中国在这一领域仍处于发展初期，仔细研究我国的智能投顾产品，不难发现人工智能化程度相对偏低，甚至有很多机构以智能之名行卖产品之实，在投资策略应用上离不开大量的人工干预。在国外，有一定比例的智能投顾已实现全权委托，即在一定的投资范围内可代客户进行投资决策。相比较，国内的智能投顾产品大都处于辅助角色，仅为客户作产品推荐，最终的投资决定权依然在客户手中。

　　笔者认为，未来智能投顾在中国的发展方向大致有三个：从目前“投资标的偏少”走向产品专业化；从行业鱼龙混杂走向机构专业化；对投资者观念进行扩展教育。笔者曾凭借对这一方向的把握，摘得“最佳金融科技技术贡献奖”。

　　2017 年 7 月，国务院发布了《国务院关于新一代人工智能发展规划的通知》，从国家战略层面搭建了我国人工智能发展的顶层设计，助力人工智能发展。

　　金融行业，尤其是传统银行业，应当依托自身优势，抓住人工智能与行业结合点，在智能投顾领域，积极推进自动化、智能化的投资顾问服务。抓住人工智能的机遇，为投资者提供高质量的普惠金融服务。

2017 fintech大总结

2017年可谓是FinTech企业蓬勃发展的一年，随着部分国内金融科技企业的境外上市，全球创投领域都将目光集中到了中国FinTech的发展上。在行业日趋成熟和监管越来越规范的环境下，如今的全球FinTech投融资领域又有了哪些新的亮点，2018年又将呈现出了哪些新的趋势？

2017FinTech投资“五个创记录”

报告数据显示，2017年全球金融科技融资依然保持强劲，尽管相比金融科技融资巅峰时期的2015年有所下降，但融资金额依然保持增长，金融科技投资机构出现明显变化，B2B持续成为知名投资机构的优先选择。以下列举出了五大“创历史记录”数据：

金融科技领域获得私募股权投资的数量创记录

2017年PE对技术型企业的兴趣不断增加，这在全年都是一个持续的趋势，而且金融科技公司也不例外，由于很多知名PE公司在金融领域都非常专业，所以PE大举投资金融科技企业也是非常合理的。

公司创投机构CVC参与投资次数创记录

尽管风险投资总额有所下降，但公司创投机构投资仍然比较积极，很明显2017年公司创投参与投资比重比较高，值得注意的是，2015年和2016年的数据比较高是因为蚂蚁金服的投资，所以2017年公司创投机构在金融科技领域投入54亿美金说明公司创投参与的积极性也很高，尽管企业估值也很高。

2017年风险投资退出案例创新高

风险投资退出情况变化很大，主要是因为很多金融科技细分领域 仍然处于发展初期，所以还没有经历完整的周期 。但是，2017年退出金额非常高，2017年4季度也经历了退出金额最高的一个季度，主要是由于10月份某中国金融科技企业在纽约交易所上市推动的，有些金融科技领域已经非常成熟，行业内的企业可以通过上市获得流动性。

2017年保险科技领域投资案例数创新高

保险科技领域逐渐成熟会出现一些并购案例，但是也是一个新兴领域，大量的风投资金投向这个领域的新创企业，希望能够抓住保险领域中不同的利基市场。成熟的企业比如Lemonade也希望募集大金额资金，同时财大气粗的投资机构也投入巨资，由此2017年我们看到保险科技领域投资金额和投资案例数都创新高。

投资区块链技术的风投机构远超以往

2017年是加密数字货币大爆发的一年，其关键基础技术区块链大有潜力，被各方看好，而且也有了很多潜在的应用场景。从技术角度看，目前区块链还存在很多问题，但是像智能合约这种应用很有发展前景，所以吸引了风险投资机构投入大量资金。

2018年全球金融科技体系继续以较快速度成熟发展，比较重大的发展包括开放银行、监管日趋清晰和人工智能以及区块链的成熟应用，2018年将会是金融科技发展的重要一年，以下是毕马威对2018年全球金融科技发展的十大预测：

1、人工智能加快应用

作为基础技术人工智能的应用和创新会持续推进；

2、监管科技崛起

全球范围内对监管科技的投资会持续增加；

3、加强合作

大型金融机构和金融科技企业之间加强合作；

4、下一代数字化贷款

互联网抵押技术和平台崛起；

5、超越应用场景

区块链技术具备生产能力的应用取得初步成功；

6、开放式银行

开放APLs为欧洲和全球的第三方开发者开辟新路；

7、新型挑战者银行

传统金融机构打造资金的数字化银行；

8、保险科技创新

投资涌入推动保险科技创新并在全球打造保险科技枢纽；

9、提供全方位服务

成熟的金融科技企业拓展金融服务业务；

10、知名科技巨头介入

金融科技企业和高科技巨头之间会出现更多合作。

人工智能的十大应用趋势

1、金融机构智能化转型在即

2018年将是金融机构全面智能化转型的一年，无论是商业银行、证券基金公司、交易所、保险机构，还是持牌消费金融公司、互联网小贷、监管机构等，都面临着从企业架构、组织架构到业务流程架构的智能化改造。首先是提升、优化客户服务能力的需要，通过快捷、智能化的服务体验提供同业差异化、专业化的产品和服务能力;其次是市场竞争的压力和需要，在风险管理、客户体验、用户运营成本等多角度向互联网金融、金融科技公司取经，从传统规模优势走向智能驱动、集约发展;最后是优化内部运营管理结构，降低成本、提升效率，形成精益化运营优势。可以说，无论是大型机构的平台战略与中小型金融机构的专业垂直战略，都离不开智能化转型。

2、人工智能全面应用于金融服务

人工智能将成为金融机构的一种核心能力。人工智能思维模式和研究范式，包括不限于数据驱动决策、算法建模、数据科学与工程、以数据为中心、数字化协同，将逐渐下沉，渗透到从企业到业务条线再到个人，而不是停留在过去科技部门主导的应用系统建设层面。各业务条线将会主动推动数据驱动、智能决策的理念，结合数据运营、产品运营和用户运营，不仅仅是直面客户的零售和经纪类业务，还包括过去AI触及较少的中后台业务，如风控、合规、稽核审计、财务、战略规划和人力资源管理，都将形成决策智能化和流程自动化(RPA)的服务模式。所以，当前较热的智能客服、智能营销、智能投顾、智能运营和风控只是AI的垂直应用，而贯穿于价值链各环节的智能应用将越来越多，机构的“All in AI”即将开始。

3、人工智能服务私有云化

AaaS(AI-as-a-Service)已经被一些金融机构和IT供应商所采用。这是适用于现代新金融机构较好的一种技术运用模式。在IaaS层提供AI必须的硬件算力支撑，在PaaS/DaaS层构建AI应用所需的大数据计算和存储引擎，在SaaS层提供算法与建模、知识图谱、自然语言处理、计算机视觉、语音识别、图像和视频识别服务。通过这种自下而上的人工智能私有云服务，串联起金融机构业务和科技协作流程，已经成为大型金融机构在实践企业级人工智能中考虑的重点。无论是建立大数据和人工智能实验室、还是形成专门组织独立于科技和业务，都离不开服务模式创新。AaaS对于BATJ们并不新鲜，但对于多数金融机构来说是值得思考和建设方向。

金融科技ABC架构的顶层以AI服务体现

4、机器学习仍是实践AI的主要技术

人工智能的概念非常广泛，但无论怎样，金融机构实践AI所用到的技术仍是机器学习，即应用算法、模型分析数据，测定、判断、预测业务、产品、用户和市场，从而实现机器自动化、自主化决策的方式。机器学习算法本身的革新仍在继续，但基础类算法的运用将会越来越普及到IT系统建设中，不具备机器学习功能的纯流程性系统(如传统OA)将逐渐失去竞争力。此外，具备数据处理、机器学习和深度学习算法、建模、特征工程的分布式机器学习平台将成为企业IT建设标配，逐渐抢占传统数据分析工具如SAS、SPSS的市场空间。

机器学习是金融机构实践AI中用到的主要技术

5、深度学习应用规模化

深度学习在金融领域的应用目前仍然很有限。由于不少金融机构自身数据存在着质量不高、数据维度不足的问题，深度学习效果受到了很大制约，以至于目前除了人脸识别、语音识别等为数不多的场景外，仍然缺乏可落地的案例。这与深层神经网络本身的特性有关，作为机器学习的一个子集，深度学习比前馈神经网络有更多的神经元、多隐层的连接方式更复杂、训练所依赖的算力也更高，所以如果规模化应用带来的价值低，企业将很难投入大量资源于其中，多成为实验性质的AI探索(例如RNN运用于量化投资、高频交易的策略选择)。随着深度学习技术的成熟，金融机构逐步提升数据治理与数据运营水平，以及深度学习框架(如TensorFlow、Keras和MXNet等)的工具化、便捷化，应用也将逐渐规模化，如基于图片和文本分析的保险定损、基于非结构化文本的信息提取、营业网点的客户身份识别与产品推荐等。

6、从All in AI到Everyone in AI

过去，数据、算力和算法的运用都需要专门分工协作来完成，这对于金融机构在人才招募上带来了很大的困难，信息技术部门需要关注从业务分析、数据分析、数据科学、数据产品、系统开发、运维的全流程人员。这在绝大多数金融机构中是不现实的，事实上很多机构也是通过人力外包、结合供应商实施来完成AI平台及应用的部署。虽然AI基础技术仍存存在很多难以突破的领域(如具备跨领域推理能力、掌握常识与认知的通用人工智能)，但当下的趋势就是人工智能逐渐走向应用化和工具化，随之带来的是应用门槛的降低，并逐渐出现全栈式(Full Stack)的AI科学家——既具备业务理解能力，又具备算法和建模能力，同样可落地到AI产品中的专业人士。事实上现在机构中的某些岗位由于职能所需已经具备了这种能力，如商业银行的金融分析、风险管理岗、证券基金中的量化投资、金融工程岗、保险公司的精算岗等。随着AI工具化的普及，在2018年金融机构逐渐形成Everyone in AI的能力。

7、实时计算与机器学习的结合

海量、实时计算能力不仅是大数据平台的能力，在对低延迟(秒级、毫秒级)有要求的业务场景(如实时风控、预警、交易反欺诈等)越来越需要机器学习技术的能力。流式计算框架如Storm、Spark Streaming、Smaza、Flink目前逐渐在金融机构内部署，以事件驱动(Event,如Storm)和微批模式(Mini Batch,如Spark Streaming)为代表的流处理技术，能够满足低延时、实时大数据分析的复杂应用场景需求。2018年金融机构将大规模部署实时计算引擎(具备CEP复杂事件处理能力)，结合机器学习技术应用于实时反欺诈、交易风控、行为分析、高频交易等领域。

实时计算与机器学习的整合应用于金融场景

8、从分布式架构到量子计算

硬件算力是制约人工智能的主要因素。当前金融机构部署人工智能平台的主要架构仍是开源分布式框架，如底层基于Hadoop/Spark框架提供大数据计算层，数据存储层多以HBase/MongoDB/Redis/HDFS模式，机器学习框架如TensorFlow、Keras、MXNet提供深度学习支撑，中间服务层包括图计算、自然语言处理。这种架构只考虑用分布式服务器架构实现算法和模型的并行训练，但没有本质提升硬件算力，处理性能仍受限于磁盘I/O、多GPU内核加速，也带来硬件机房维护、硬件成本高昂的问题。随着量子计算的发展，可以解决人工智能系统的小型化和轻量化，真正实现高速处理海量数据。2018年预计量子计算将在金融行业实现探索性应用部署。

9、数据治理仍是人工智能应用基础

对于人工智能在金融领域的应用来说，本质上数据科学的一种运用模式。数据科学离不开数据管理与治理，而数据问题又是制约人工智能的又一大因素。数据质量差、数据维度不全已经成为金融机构的通病。金融机构已经意识到需要有效地管理其日益重要的数据和信息资源，也需要通过数据型组织控制数据和信息资产。由于缺乏数据治理和数据管理的标准体系，在数据架构、数据质量、元数据、数据安全、数据应用管理等方面，无论是商业银行、还是证券基金机构，都将继续夯实其数据基础，从而为AI大规模实践提供支撑。

10、金融与科技业深化AI领域合作

在金融科技与服务中，巨头们逐步意识到扬长避短是一种双赢策略。机构在专业性、客户基础、服务覆盖面上更具优势，缺少的是业务创新和领先技术，而这些是互联网公司的特长。金融和互联网的合作模式并不细心，背后的逻辑是在面对激烈严峻的竞争态势下抱团取暖、提升想象力。2018年将有越来越多的金融机构“站队”，BATJ们将在技术输出、场景合作、服务协同等方面与商业银行、证券公司、保险机构进行合作。对于金融机构来说，形成了互联网合作经营生态圈，强化客户资源共享，拓展消费金融，共同探索智能金融的应用场景;对于互联网机构来说，获取金融专业渠道流量，在传统业务之外提供高附加值科技产品和服务。

浅析高大上的量化投资

如果说当前是第五次工业革命，那我们正处于人工智能的大时代。在交通领域，AI的代表作是无人驾驶;在媒体领域，AI的代表作是写稿机器人，在金融领域，AI的代表作则是量化投资。那么，量化投资到底是何方神圣?它打败传统资产管理的利器在哪里?

量化投资，简单说就是利用计算机技术和数学模型去实现投资策略的过程。根据上面的定义，理解它的话，咱们只要记住3个关键词：1数学模型：需要数学公式或模型进行计算;2计算机技术：用计算机来进行自动化交易;3投资策略：将这种方法形成一种惯用投资策略。

我们都知道，每个人都是相对理性的，投资很容易受到情绪的影响而产生偏差。而由机器人操盘的量化投资，其最大的优势在于：在某些方面可以做到绝对理性化，比如止盈或止损。因为它能克服人性的优柔寡断与贪婪。

诚然，量化投资在国内还是这几年才兴起的新鲜事，但在国外的发展已经有超过50年的历史。

1969年，爱德华·索普利用他发明的"科学股票市场系统"(实际上是一种股票权证定价模型)，成立了第一个量化投资基金。该基金名为普林斯顿-纽波特合伙基金，主要从事可转换债券的套利。令人惊奇的是，该基金成立后连续11年内没有出现年度亏损且持续跑赢标普指数。量化投资成功地吸引了人们的注意!

经过近半个世纪的发展，截至2016年底，全球量化投资基金总规模已突破3万亿美元，是全球基金规模的比例的30%左右。

而在国内，2010年可以说是中国量化投资元年，沪深300股指期货的推出、ETF及分级基金的迅速发展使得各类量化策略有了用武之地。与此同时，公募、私募基金也都发行了大量的量化策略基金。

根据总结的三个关键词，它的投资策略也基本可在此基础上得以展开。为了方便理解，本文将量化策略简单分成以下几类：

1、量化对冲

其实，量化和对冲本身并不是“一家人”，之所以最终能“终成眷属”，是因为二者结合后能获得超额收益的“结晶”。举个例子：笔者利用量化方法，选出能够跑赢指数10%的股票并买入。当市场上涨20%时，笔者的股票就上涨了30%。但笔者此前已经做了对冲操作，即做空指数(卖空股指期货)，所以会在指数做空上丢掉20%的收益(做空意味着看跌)，这样一增一减会净赚10%;相反，如果市场下跌20%，那笔者则会损失10%的收益，但由于之前做空指数，笔者会因为做空赚20%，一减一增依然净赚10%。是不是很神奇?!这就是量化对冲的魅力!而这种方法，也被大家称为市场中性策略。

2、多因子选股模型

具体的选股模型非常复杂，但别怕!原理很简单。

多因子选股，就是以多个因子作为参照标准进行选股，这跟咱们找工作、找房子等等是一样一样的，只是它的叫法高大上罢了。

找工作的话，咱们要考虑它的薪资水平因子、公司发展前景因子、岗位匹配因子等等。找房子的话，要考虑它的交通配套因子、小区卫生、噪音、安全因子等等。所以，选股也是一样。不过，选股的因子很多，专家们就把这些因子分成了四大类：技术类，像价格、交易量、波动率等;基本面类，如价值因子、成长因子、公司债务因子等。研究类，如研究报告、目标价格、盈利预测、评级等。其它类，如机构持仓、媒体关注因子等。

正是因为因子太多了，不可能全面考虑，所以，专家们就做了一个模型，根据因子的权重，进行综合加权考虑。

而引入多因子的目的，就是为了让收益更加稳健，波动更少。找房子时，考虑的因素越多，或许最终选择的就越好;找工作时，综合权衡后的岗位或许更令你满意。换成量化投资的话，夏普比率越高，单位风险带来的单位收益也就越高，反过来想，单位收益的波动将引起更小的单位风险波动。所以，引入的因子越多，收益就更稳健，收益曲线就越平滑。

3、量化择时

择时，不仅困扰这个人投资者，也同样令机构投资者很头疼。如果说量化选股解决的是超额收益的问题，那么量化择时解决的则是相对收益的问题。而所谓量化择时，则是对各类预测指标的应用，通过分析并得到对市场未来方向的预判。常用的择时方法有：趋势量化择时、市场情绪量化择时等。

趋势量化择时基本可以认为是趋势投资的延续，若趋势发生逆转则需平仓止损。与趋势投资一样，趋势量化择时具有滞后性，只有市场出现了某种趋势后，才可顺势操作。

市场情绪量化择时就是利用投资者的热情程度来判断大势方向，当投资情绪高涨，大家积极入市时，大盘可能会继续涨;当投资者情绪低迷、不断撤出市场的时候，大盘可能继续下跌。

量化择时还有其他的方法，受限于篇幅这里就不再展开。

量化投资的优势在哪?

可以总结以下几点：纪律严明、反应迅速和分散风险。

1、纪律严明

市场不会随着人的意志而转移，我们唯一能控制的只有自己。量化投资在既定的计算机程序下，会根据市场行情严格执行投资策略，就像咱们遇到市盈率较低的个股时，可能会立刻买入，也可能会继续等待更低的买点。但量化选股则直接精确到数值，只有触发选股条件才会操作，完美地克服贪婪、恐惧、侥幸心理的人性弱点。

2、反应迅速

这更多的是体现在重大事件、黑天鹅等事件驱动策略方面。计算机媒体能处理大量的公告和新闻，实时跟踪市场变化，所以在遇到重大利好或黑天鹅事件时，同样也能够第一时间把握机会或逃脱。

3、分散风险

利用计算机大数据，量化投资可以做到比证券分析师更好的历史回测，不断地从历史中挖掘有望在未来重复的历史规律并且加以利用，而历史规律都是较大概率取胜的法宝。另一方面，就回到了选股方面，通过多因子选择一揽子股票，从而捕捉大概率获胜机会。