创新源于跨界融合。如今，人工智能已经不是科技公司创新创业的专属武器。随着时代和社会科技基础的进步，AI已经以雷霆万钧之势从学术界潜入产业界的每一个角落，成为了传统行业变革求新、提高效益的利器。而在可高度量化的金融投资领域，AI的介入诞生了新的产品——智能投顾。
在美国，交易员、量化研究员正在慢慢消失，而与此相反，金融科技、机器学习以及人工智能方面的招聘岗位却在逐步上升。
先锋基金、黑岩集团等公司基于机器学习、人工智能技术管理的资产规模正大幅上升，而且资产管理总体的规模也在呈现指数式增长
还值得关注的是，在蓬勃和热闹之余，如今的中国智能投顾行业还充斥着不少乱象。行业冒出了很多不知名的非主流的同业。一部分是原来的P2P公司，理财产品摇身一变“智能投顾”；一部分是原来主打财经媒体、社群的公司。
从更具体的角度来说，在雷锋网AI金融评论与AI慕课学院举办的“智能投顾基本原理及美国式智能投顾中国化现状”系列特训班中，王蓁直言，常见的智能投顾都是“人工的智能”。
他解释说，常见资产配置模型，诸如现代资产组合理论、马克维茨模型、均值方差模型(MVO)、Black-Litterman模型等，在国内都不可行，其中，使用BL模型的一定是“人工的智能” 投顾。就实际问题维度，国内公募基金交易存在申购赎回的时间滞后、赎回价格的不确定性等问题。
诸如上述问题，归根到底又说明了什么呢？要解释这一现象，我们先要了解什么是智能投顾，以及我们为什么要做智能投顾？而美国是智能投顾的发源地，行业的成熟度居于翘楚。美国智能投顾的原理是什么？为什么受到美国投资者的欢迎？美国智能投顾模式在国内可行吗？对于中国而言，有何借鉴之处？
美国智能投顾的原理
百度百科：能投顾英文叫做robo-advisor，直译过来是机器人投资顾问，是指虚拟机器人基于客户自身的理财需求，基于当前市场状况和底层标 的表现，基于金融和投资学的投资组合理论，通过算法和产品搭建一 个数据模型，来完成以往人工提供的理财顾问服务。
简单来说，王蓁表示：智能投顾就是一套独立运行——可私有化部署，告诉投资者如何个性化投资——符合自己情况，并且最终能为投资者赚到钱的系统——帮助个人投资者在95%以上的时间都能做到比自己投资操盘更好。
智能投顾要解决什么问题?
财富管理业务要经历以上四个环节。而未来三十年，财富管理才是真正的大趋势。
但是，目前财富管理还存在许多问题和矛盾，相对应也要采取一定的措施来解决当前的问题。
美国智能投顾模式在国内可行吗?
上图表格中，左侧纵轴分别为大类资产分类，横轴和纵轴相同色块对应同类型的大类资产，关于美国股票被动式资产相关性的调查，Wealthfront通过收集过去30年数据调查显示，上图大类资产呈现出的规律——左上方偏股市的大类资产，相关性更强（绿色越深，相关性越高）。而右下方债券型资产，相关性整体则要低一些。
红色越深，资产相关性越高。右下角资产类型占比较高。
如果做全局考虑中美相比之下，中国股市和债券型资产的相关性比美国市场的股票型和债券型资产相关性更高。所以，国内智能投顾做资产配置，资产之间的联动效应会更加明显，假如将国外智能投顾移植到国内，挑战更大。
-
需要合理定义资产
值得一提的是，统计结果显示，国内公募基金的投资风格实际上和申报的不符合。我们国家有的申报的公募基金，比如这5种，总的比例是百分之百，然后把这5种简单分成3类，第一类是实际上是股票型的基金，第二类实际是债券型基金，第三类是实际是货币基金的。我们可以看到，号称自己是货币基金的基金，真的全部都是货币基金；但是号称自己是债券基金的，可以看到，每4个号称自己是债券基金的基金，实际上都有一个投资是股市，都是挂羊头卖狗肉。甚至，我们在实际研究中发现有的公募基金，自己号称是做医药板块，但80%的仓位是军工。
这种现象在国内也属于中国特色，那这就造成了很大的问题。如果直接用这些基金的申报风格去做资产配置，那么得到的一定是错误的结果。每4个债券型基金，就有一个债券型基金，实际上投资是股市。我投资了一个债券，一个股，我是不是分散了？实际上投资两个股票，比如2015年大跌的时候，那你就亏了。
智能投顾现存的缺陷以及解决方案
-
缺陷
-
解决方案
经典的马克维茨理论或者现代资产组合理论在中国市场上应该是不可行的，存在明显缺陷，而机器学习辅助之下模型可得到一定优化：采用机器学习技术之下，使用稳定的一阶统计量配置资产，使用二阶统计量，融合机构调研成果，监控预测市场变化。
这块澄清一下——我们做不到在市场崩盘前提前预知，但是我们可以尽量做到市场崩盘后，或者刚刚开始崩盘的时候，立刻撤出来。
总结
Kensho 创始人 Daniel Nadler 说过一句话：“我们正在以破坏大量相对高薪工作为代价来创造极少数的更高薪工作。”应用人工智能对各行各业的影响已经开始显现。其中，对金融的影响只是其替代人类脑力劳动的一个代表：从替代简单重复性脑力劳动，比如大量手动交易执行到自动化交易执行；到信息收集和初步分析，比如数据统计，智能金融客服；再到各种投资预判和决策，比如上面提到的智能投顾。
目前我们的科技还停留在弱人工智能阶段。从技术角度看，人工智能的各个细分领域尚面临着各自的技术桎梏；从市场应用来说，缺乏席卷用户的现象级产品。而当我们突破这个瓶颈的时候，我们就会迎来人工智能的下一个春天。
讨论
学员：金融从业者说智能投顾在中国有比美国更广阔的发展前景，为什么？能简单分析一下吗？
王蓁：首先，不直接把中国和美国智能投顾对比。我首先认同很认同的一点是：智能投顾在国内是有很广阔的发展前景，因为：
一、其实国内存在比美国更大的金融专业人才或者理财规划师空缺，无论是人数还是专业能力上都有比较大的差距，而智能投顾又是能够很好解决这个问题的有力工具。
二、国内十几年前是无财可理，但现在国内已经进入经济的新常态，整个经济慢慢进入成熟，这是一个发展中国家变为一个发达国家的正常路径，大家开始会越来越多地体会到理财的重要性，然后随着市场教育的深入，智能投顾会有很大发展空间，而在这一点上，美国相对来讲，传统金融机构比较成熟，已经瓜分好了各个市场，美国的市场教育也积累了很长的时间，所以说这一点中国确实是也比美国要有更多的可能性。主要就是这两点。
学员：现在很多平台都打着智能投顾的旗号，鱼龙混杂，我们作为企业该如何去判断孰好孰坏？
王蓁：这个问题其实挺复杂的，我先提供两个答案吧。
简短答案就是，大家跟着我一起把所有的初级中级和高级课程走完一遍之后，大家对智能投顾整个的原理和真正的量化的部分就会比较有概念了，那么当我们再以专业的眼光看市场，我们就能很轻易分辨出来，这是第一。
然后如果具体到技术细节，所有的分辨是基于专业能力。咱们的课程初级中级高级其实就是教会这个东西，今天的课程会相对比较简单，下一次的课程其实就已经开始正式机器学习算法层面的内容了，然后从第三节的课程大家要做好心理准备，我们就可能会上一些真的大脑会急速消耗的东西、内容，但是大家也是满满的干货，会收获很大。
学员：中国的QD产品是不是比较适合美国智能投顾模式？
王蓁：中国的QD产品，我如果没理解错的话是指中国的类似于QDII这些主投海外的基金。首先，相对来讲，中国的QD产品可能会比国内其他公募类型的公募基金更适合作为这个美国智能投顾模式的底层标的或者资产池，因为国内的QD基金主要是追踪于国外的一些指数，但我不得不提一句，根据我自己的调查，国内的很多QD基金，其实际的涨幅和国外的指数是脱离的。这个我不知道是为什么，有可能基金经理的问题，也有可能是资金管制的问题，但如果用国内的QD基金和直接投资美国的指数的话有点类似，但是效果肯定还是不一样，这是第一。
其次，国内的QD基金一般来讲都是T+7的认购和T+7的赎回，所以说一买一卖大概20天过去了。在这样的情况下，其实他和美国的标准ETF当天买卖的流动性差距还是很大的，这一点在资产配置上也会导致不同的差异。
而且QD基金的费用也要比ETF要高很多，所以说无论是从费用还是从流动性，还是从追踪误差方面表表现上来讲，QD和美国的这些被动式投资的标的还是不太一样，而且中国的QD还是数量比较有限，投资的目标也比较有限，比如说我们说要追踪投资巴西的一个什么指数，国内QD没有这样的产品。
所以在这几个方面来讲的话，中国的QD相对于其他类型的公募基金，是可能更适合这个美国智能投顾方式，但是还是有很多问题，至少我刚才提到这四个方面的问题需要解决。
学员：目前智能投顾投资者分析是不是基本基于问卷模式划分等级的做法，模型是不是也是线性主观经验来划分的？
王蓁：首先，目前当前智能投顾对用户风险等级的划分，现在市场上出现的啊真正上线了的落地了的全部都是基于问卷形式，为什么呢？
这是因为今年诺贝尔经济学奖获得者是赛勒，其研究成果行为经济学有很大的贡献。这套问卷其实也是基于成熟的行为金融学一套理论总结出来的，所以问卷本身是没有问题的。
但是，问卷有一个什么样的问题呢？你无法保证用户对你的问卷会真实回答，那么问卷收集到的最后结论一定是不准确的，对吧？
我们其实有更准确的方法。我带领的小组其实在9月份用真实的数据——其实我们以前其实是用美国的数据，但8月份拿到了一批银行的脱敏数据，比较多，而且刚好是用户的行为数据，所以9月份我们刚好就验证了自己的模型——可以做到基于用户的行为，比如说用户在这个银行内的存款，用户的消费记录用户的贷款记录，用户的转账记录，用户的各种产品交易信息，还有其他的综合的银行能收集到的所有的信息，然后对用户进行更加准确的风险等级的划分。
相比之下，用户问卷肯定是最基础的，但这个很容易出现偏差，基于用户行为的其实是更符合人工智能的方式。但是基于用户行为会有问题——因为单一家银行可能会对用户的行为产生误判。因为用户可能在中国银行有账户，在建设银行也可能有账户，但彼此数据并不相通。
不过，这个问题是可以通过深度学习的方式来解决，我们实际测试的结果应该是88%到92%的准确率。那剩下8%到12%的同学呢，对不起了，那划分确实可能数据不够，数据多的话可以划分得更好。所以说其实这个问题倒不是最大问题，最大的问题是可能产生样本的偏差。
学员：有没有什么方式可以尽量减少投顾的交易费用？我们目前的做法是采用基金转换业务，并且转换费零折，有没有其他实现办法？
王蓁：这个一问就是行家，为什么呢？因为现在其实国内金融监管比较严厉，然后其中不只是投顾有交易费的问题，还有其中扣款失败的问题。基金转换其实是行业内大家用的比较常用的一种方式，而且能够做到转化费零折，就是完全免费，那其实这家机构其实已经很厉害了，等于是我们在调仓的时候比较少的低费用了。这是一种做法，就是通过基金转换风格转换，而不是通过这种买入卖出，这是一个很好做法。
除此之外，事实上还有另外三种比较巧妙的做法，我们通过这几种最有调仓的方法，实现调仓费用降低了67%……
本文作者：温晓桦
本文转自雷锋网禁止二次转载，原文链接