谋定而后动：AI+智能投顾产品，为何只能走先B端后C端的道路？

两会政府工作报告中关于人工智能的内容无疑让AI这把大火又旺了一把。外有高盛、摩根大通，内有蚂蚁金服、京东金融等，纷纷涉足或给自己贴上“金融科技”的时髦标签。

在我看来，国内智能投顾的发展之所以群雄逐鹿却难有卓尔不群之人，根源在于大部分产品没有遵循传统环境下前沿科技——这里是AI——的普遍发展特性，科技与理念的匹配错位决定AI+投顾的智能投顾的发展必然要走先B端再C端的道路，否则产品最终只会沦为趋势的炮灰，为他人做嫁衣。

抢占先机并非AI类产品的制胜要诀

对于大多数行业来说，谁先占得了市场先机，谁就容易在潮流中脱颖而出。但这样的论断有个前提，那就是“市场”是业已存在的，只是谁能占山为王的问题。然而，就像早先火了一把的VR类行业忽而降温，大量创业企业一夜之间消失一样，作为核心技术元素AI同VR类似一样是前沿科技的智能投顾，稍不留神也容易重蹈覆辙。

1、直接做C端产品是美好愿景，也可能是“万骨”枯去的开始

众所周知，由于投资理性的成熟，美国的智投能够坐享成熟资本市场、理性大众投资观念带来的果实。而国内的智能投顾发展却处在一个尴尬的夹层之中，即超前的互联网技术理念同大众落后的投资理财观念双面夹击。

这里存在着最朴素的逻辑：AI的应用过程中，不匹配行业对应的基础理念，技术并不能带来先导价值。反映到C端智能投顾，就是普遍的低接受度以及随之而来的高获客成本。

那么是不是可以说只要想办法推动这种匹配即可？其他AI类行业也许可能，但作为一种追随社会发展的普遍素质，“理财意识”的培育并非一朝一夕的事，而是靠“社会大势”被动推着走，智能投顾可能面临较长时间的“无可作为的等待”。这时，率先到C端冲锋陷阵推动市场的，往往会成为他人成功的炮灰。

也即，面向大众的智能投顾肯定是“恰当的事”，但现在并不是那个“恰当的时间”，甚至智能投顾本身在推动时机的到来方面也可能是事倍功半。于是，功利地说，躲在B端的港湾里，等待“恰当的时间”到来，也许成了智能投顾生存下来并择机进取C端的最可行谋略。

2、不匹配的AI产品强行上马面临“高阙值马太效应”

前些年在资本同互联网创业狂潮的共同作用下，烧钱成了初创企业的聚拢个人用户的首选手段，以“滴滴”同“快的”的烧钱大赛最为出名。其基本的逻辑是：前期烧钱投入，用户量到一定程度就形成用户群聚的马太效应，此时只需要等待自然虹吸即可快速聚拢用户。

To C的智能投顾，本来也应该是这一套逻辑。但AI类行业发展规律并不能给这样的机会：作为比普通的信息技术（如滴滴简单的约车匹配）前沿的AI，其应用成果会比传统超前很多，尤其在行业对应的理念未跟上之时，大众的心理接受过程会非常漫长，类似的VR行业的降温就部分与VR技术未充分匹配到传统需求理念相关。这种不匹配差距越大，接受就会越慢，于是智能投顾行业的马太效应会比普通的功能型产品（立等可用，无尝试成本）阙值更高，虹吸效率更低。

于是同样是C端产品，To C的智能投顾却难以采用从零开始的用户策略，否则结局就是所有厂商都表现平平没有突出的，难以出现独角兽。正如马化腾所说，发展金融业务拼的是谁的命长，而不是看谁短期内跑得多快。有B端雄厚背景的平安一账通、招行摩羯智投等似乎不用担心生存问题，而初创的智能投顾则很容易遵从传统用户积累的逻辑而面临用户积累举步维艰的状况，PINTEC早前的灵玑以及更多默默的产品莫不如是。显而易见的是，以传统逻辑经营C端并不是当前现实下智能投顾最好的存活方式。

文章来源：螳螂财经

风口下智能投顾的机遇和挑战

“智能投顾”是一个舶来品，最早起源于美国，指的是机器人基于客户的风险偏好和理财需求，通过算法来为客户完成理财顾问服务。

在互联网高速发展，产品服务渐渐趋向标准化的过程中，智能投顾完成了一场自下而上，从初创企业（Betterment, Wealthfront）到巨头规模化使用的行业变迁。

2015年，智能投顾开始陆续受到中国市场的关注。2016年AlphaGo席卷世界，人工智能迅速成为国内的焦点话题，这也激发了人们对于智能投顾的探索热情。同年年底，智能投顾产品“摩羯智投”在招商银行手机APP上线，智能投顾开始逐渐从实验性技术转变为主流趋势，成为银行、券商、保险等金融机构的标配型服务。根据BI Intelligence的报告，从智能投顾公司数量来看，目前中国已是全球智能投顾活跃度排名第三的国家，位居美国、德国之后。

本文中笔者将结合自己在传统大型金融机构，以及新型金融科技公司里的财富管理经验，从可投资资产、市场分析等两方面来解释，如何在国内构建一套较完整的智能投顾系统。

可投资资产分析

目前中国智能投顾产品的底层资产多为公募基金，这与成熟资本市场的情况有所不同。在美国、新加坡、香港等国家和地区，其智能投顾的底层资产均为ETF（Exchange-Traded Funds）。

ETF最大的好处是可以瞬间完成配置，这个特性也使得ETF几乎成为智能投顾底层资产池的首选。

但国内的智能投顾较难实现以ETF为底层，主要原因有三：

牌照方面，国内的ETF大多属于二级市场，如果国内的智能投顾公司没有基金管理人牌照，就无法对ETF进行交易。

市场覆盖方面，国内ETF覆盖的市场多偏行业，所以通过买国内的ETF很难为客户做到全球资产配置。而美国的ETF就涵盖了几乎所有主要国家市场和行业类型。

体量方面，国内ETF数量不多，仅有一百多支，相比之下，美国市场有大约1600支ETF，体量要大很多。

在这些客观条件下，中国智能投顾唯一能走的途径，就是以公募基金为底层资产，结合客户的风险偏好和算法对市场的预判，为客户推荐一个公募基金组合。 

市场分析

在实际操作中，我们会按照国内股、国内债、海外股、海外债、商品五大类别，将基金进行分类。确定可投资市场后，我们就能确定这些市场的基准(benchmark)，并对其进行机器学习，进而决定是否要为客户的投资组合(portfolio)配置该市场。

例如，如果我们需要研究“海外股”市场，就可以对美国标普500指数的市盈率、市净率等因子进行分析，此外，美国的国家宏观经济指标也可以作为分析因子。

基于这些因子，我们会用量化的方法预测市场是涨还是跌。如果模型判断该市场大概率会上涨，我们可以加大对该市场的配置；反之，则把其配比压低，这是一种避险的方法。

关于该把哪些因子放入模型，有两种方法。假设，我们现在有包括市盈率、市净率在内的30个因子可用，一种方法是根据历史上因子贡献度，选10-15个最有效的因子放到模型里；另一种方法是把这30个因子全部放进机器学习模型。

根据我们的经验，方法二的效果要略好于方法一，但是也没有好很多，大概年化收益率高一个百分点左右。

所以当一些技术概念被热炒时，一方面我们要认识到机器学习确实能优化投资组合表现；另一方面，也要注意不要对机器学习过于神话。

机器学习的算法有很多种，在测算市场涨（跌）概率时，我们会同时使用几种算法。如果这些算法对一个市场的走势作出一致判断，该判断的准确率就会被认为是较高的，因此在投资组合里就可以对这个市场进行超配（低配）。

这其实很好理解，就好比当一个人（一种算法）告诉你说A股可能大涨，听者可能将信将疑，但如果十个人（十种算法）都和你这么说，你就会觉得它的可信度显著增加了。

文章来源：亿欧智库研究院

国外智能投顾创新发展状况与趋势

智能投顾又称机器人投顾，是基于现代投资组合理论，结合投资者的财务状况、风险偏好、理财目标，运用市场大数据、机器学习等技术，搭建数据模型和后台智能算法，为投资者提供相关资产配置建议，根据市场动态对资产配置再平衡提供建议，使资产配置组合始终处于最优状态。智能投顾于2008年诞生美国，华尔街智能投顾热潮与人工智能、大数据分析等技术的不断发展，加速人工智能与资管行业融合，为金融市场带来更加智能化、个性化的产品服务，促进智能投顾呈现爆发式增长态势。

发展程度方面，根据人为介入程度的不同，可以将智能投顾分为全智能投顾与半智能投顾两种。全智能投顾即为机器人通过智能算法为投资者提供建议、配置甚至是直接执行交易，不需要或极少需要人工参与的全自动模式。

全智能投顾效率高，时间成本低，减少人工介入时出现的感性因素导致的不合理决策。半智能投顾则由机器人提供配置建议，再进行人工审核，最后提供给投资者，由投资者选择是否执行的混合模式。半智能投顾避免因为金融科技技术不成熟而产生不合适的投资建议。

美国智能投顾市场除了初创型智能投顾公司，目前传统金融企业也在逐渐涌入。如全球最大的基金管理公司贝莱德协议收购FutureAdvisor；美国最大的证券零售商和投资银行之一的美林证券引入智能投顾做财务顾问等等。

据Credio统计，2015年，美国智能投顾管理的资产规模从256亿～882亿美元不等，总规模已经近1218亿美元。经过短短几年的发展， Wealthfront，Betterment，PersonalCapital等公司都已融资过亿，且均来自多家顶级风险投资管理机构，行业两大巨头Wealthfront，Betterment的估值均已达到10亿美元水平，具备成长为独角兽公司的潜质。

除此之外，美国智能投顾市场已经培育出较多成熟的智能投顾平台。在标的资产、收费模式、服务模式等方面，具有典型特色的有先锋基金、嘉信理财、Betterment、Wealthfront以及PersonalCapital。具体而言，先锋基金（Vanguard）采用“机器+人工”兼顾的混合模式，侧重于客户风险偏好判断与大类资产配置。嘉信理财（CharlesSchwab）主要利用AI+机器学习技术帮助设置及跟踪目标、实时进行调整及资产再平衡，对分析师最先进的研究成果持续地更新算法，优化资产配置。

Betterment采用自动化在线服务，无需填写风险偏好问卷可直接为用户输出优化的投资组合（金融界的苹果）。Wealthfront采用全自动化服务，税收优化。PersonalCapital同样采用半智能投顾模式，跨平台财务分析。

国外银行智能投顾发展方面，加拿大的蒙特利尔银行（BOM）、英国四大银行巴克莱、苏格兰皇家银行、劳埃德银行、桑坦德银行相继宣布引入智能投顾服务。等等。

智能投顾三方混战：市场尚处中早期 新入局者寄望To B 服务

2019年，是智能投顾在中国的第5个年头。作为一项有着大数据、人工智能等新兴技术加持的金融服务，智能投顾从一开始就备受瞩目，凭借其高效率、低成本等优势，一度受到资本热捧，更是被视为推动传统理财市场变革的利器。

但不可否认的是，智能投顾的发展也伴随着质疑和争议。 “标的资产配置信息不透明”、“智能化程度低”、“不保本”等评价一直存在，融资也一度低迷，“热度减退”“水土不服”等言论不时出现。

在智投行业看似胶着的态势下，2018年“资管新规”的落地带来新的想象空间。业内观点认为， 智能投顾未来必然迎来一个好的发展态势，只是当下行业发展尚处于中早期，无论是技术还是服务等方面，都需要进一步突破。

“不受待见”的智能投顾

智能投顾，也叫机器人投顾、自动化投顾，在国内尚无统一、权威的定义。2018年颁布的“资管新规”将智能投顾定义为“运用人工智能技术开展投资顾问业务”。埃森哲在2018年发布的报告《智能投顾在中国》给出的定义则是： 基于投资者的投资需求和风险偏好，为其提供数字化、自动化、智能化的财富管理服务。

近期，笔者与身边多位金融从业人士（都有一定的理财经验）谈论起智能投顾，得到的是“具体投资标的信息没有展示，跟黑匣子一样”、“没法保本，别买”等反馈。

一位国有大型券商机构从业者更是直言“不靠谱”，在他看来，“国内智能投顾还比较初级，模型目的不是单纯的客户导向。”他以银行为例，指出，“除了兼顾客户收益，最主要还是通过产品创收，所以跟客户存在某种层次的利益冲突。”

虽然上述反馈不能代表所有投资者的使用体验，但其中所指涉到的—— 投资者意识、行业规范、产品智能化水平等问题，确实是智能投顾行业现阶段的不足所在。

业界观点普遍认为，现阶段中国智能投顾行业尚处于发展初期，智能投顾服务商提供的服务和产品质量也是参差不齐。埃森哲报告《智能投顾在中国》将中国智投行业发展特点概括“行业刚刚起步、参与主体众多、整体智能化程度低”。

智能投顾是一个非常有发展前景的行业，但道路还是非常曲折的。这种现状跟以下四方面因素有关，包括投资者意识问题，市场上产品设置的策略问题，再有是传统财富管理机构本身与客户存在的利益冲突问题，最后则是当下人工智能技术在金融行业特别是投资领域的应用尚处于中早期。

国内智能投顾平台最早是在2015年由独立第三方财富管理机构推出，进入2016年，传统金融机构包括银行、券商、基金等纷纷加入推出智能投顾产品。发展至今，智能投顾赛道上已聚集了传统金融机构、互联网巨头、独立第三方财富管理机构等类型选手。

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。”