摘要：“AI+金融”加速滲透變革中的大資管行業，本文介紹了AI在智能投顧、智能投研、智能風控領域里的現狀和痛點，認為目前人工智能在大資管的應用目前還并未達到全程機器的程度，更像是一個從單一到復雜，從既定程序到自我學習，從低準確率到高精準的一個過程。未來，也不是簡簡單單的機器智能取代人類智能，而是人機協同，共同進化。
 
AI(人工智能)技術的突破本是計算機領域的一次革命，沒想到卻如風暴般席卷各個領域，很多科學家和創業者以及金融從業人員們也正在嘗試著用“AI”為傳統的金融賦能。縱觀科技與金融的融合，先后經歷了三個階段：
 
第一階段是電子金融，如票據等金融業務以電子形式實現，提升了中后臺處理效率，金融服務的提供從孤立的“點”轉向經由計算機存儲的有結構、有組織的“線”。
 
第二階段是線上金融，通過互聯網技術與場景的結合改變了用戶行為，創新了服務渠道，使金融在覆蓋面上得以擴展，是由“線”及“面”的過程。
 
第三階段是近年在各方政策的大力支持下，科技與金融的融合從此前的“線、面”金融邁進了智能金融時代。這個階段，以AI(人工智能)為代表的新技術與金融服務深度融合，依托于無處不在的數據信息和不斷增強的計算模型，提前洞察并實時滿足客戶各類金融需求，真正做到以客戶為中心，重塑金融價值鏈和金融生態，讓金融服務由“面”縱向延展，轉為“立體”。
 
不僅如此，“AI+金融”所具有的機器學習技術、數據閉環的生態合作、技術驅動的商業創新和單客專享的產品服務等功能特征，正改變著資本市場上的投資方法、投資策略等，從而進一步影響到原有的市場規律。
 
2017年，國務院發布《新一代人工智能發展規劃》，明確指出推動人工智能與金融業融合創新，建立金融大數據系統，提升金融多媒體數據處理與理解能力;創新智能金融產品和服務，發展金融新業態;鼓勵金融行業應用智能客服、智能監控等技術和裝備;并建立金融風險智能預警與防控系統。
 
在過去的兩年里，大量人工智能科學家也紛紛加入資管行業。如：NASA首席數據科學家加盟貝萊德;微軟首席人工智能學家鄧力加盟citadel;華盛頓大學計算機教授加盟DE shaw;卡耐基梅隆大學計算機系主任加盟摩根大通等，種種現象印證了“人工智能”已悄然走進“大資管時代”。但相對于借助人工智能技術定量分析信貸對象信用等級而言，“大資管”所面臨的數據復雜程度及所需人工智能分析復雜程度呈指數級提升。
 
智能投顧的冰與火
所謂“大資管”，從機構和客戶的角度而言，可分為“資產管理”和“財富管理”。簡單來說，我們日常熟悉的銀行理財、保險銷售、券商經紀等領域屬于“財富管理”;銀行資管、保險資管、券商資管和公私募機構便是通常意義上的“資產管理”，即：更多的不是考慮如何挖掘分析客戶需求，而是做好“投資”或“資產配置”。
 
近年來，隨著AI技術的不斷突破，國內傳統金融機構和互聯網巨頭相繼布局智能金融領域，各大銀行也紛紛推出了智能投顧。如招商銀行的摩羯智投，借助人工智能來滿足長尾客戶群體的“財富管理”需求。事實上，智能投顧并未改變傳統投顧行業內部的服務鏈結構，而是以技術代替人工，彌補傳統投顧現存缺陷，成就低成本、高效率、多資產、理性化四大主要優勢。
 
智能投顧首先通過技術革新降低成本及門檻，實現服務從0到1的創造;隨后利用強烈的規模效應，可將邊際成本幾乎降低至0，并實現從1到100的大規模復制，因此智能投顧的出現有望降低成本，提高服務科學性，服務長尾用戶，成就普惠金融。
 
以中國為例，我國財富管理行業目前尚處在產品推銷的初級階段，銀行、券商、第三方理財機構等均主要體現銷售屬性，收費在前端。這種商業模式不僅收入波動幅度大，而且與客戶保值增值的利益訴求不一致，甚至有所沖突。相比而言，財富管理后端收費的商業模型更加穩定合理，而這種在前后兩端都可拓展的盈利模式，更具有打通財富管理價值鏈的戰略意義。
 
然而，隨著國內智能投顧公司的不斷增多，該領域的發展瓶頸也逐漸顯現。如：算法大多基于MPT，同質化較為嚴重;用戶對于智能投顧的可信度仍存有疑慮，并不放心把大量資產交由機器打理，從而影響智能投顧規模;而且目前的智能投顧產品僅通過輸入十幾個問題就決定用戶風險收益需求的方式，也存在著一定片面性等。
 
因此，智能投顧未來的發展方向在功能上將要更加精細化，而投資體驗上也將更為游戲化。如：智能投顧可以通過認知計算分析客戶的性格、風險承受能力以及收益需求，并把這些需求拆分成多個目標，在每個目標中分別進行資產配置;還可以通過游戲化的方式，模擬不同的市場情況，幫助用戶更深刻地認識風險。
 
智能投研助力投資決策
在投研領域，傳統的投研需要處理大量的無效信息，人力模式無法進行系統化的“降噪”。投研知識和經驗依附于個人能力，可投研人員的流動性常年居高不下，研究部門無法找到行之有效的方法進行知識沉淀，是管理者們一直頭疼的問題。以買方機構為例，其投資研究和管理工作目前面臨著四大痛點：
 
一是投研效率低下。買方金融機構每天通過郵件、微信群、QQ群等各種渠道接收到的信息多達數千甚至上萬條，研究員要花費大量的時間從中篩選出有價值的內容，隨后再手動歸類整理出數據、圖表、觀點等可以用于模型研究或者報告撰寫的素材。
 
二是投研知識流失。由于研究工作主要在線下開展，大量的研究產出都以調研數據、研究模型、研究報告等形式分散存儲在研究員個人的電腦上，甚至存儲于個人記憶里。一旦研究員離職，投研知識就隨之流失。
 
三是績效評價失真。因為投研工作沒有在同一平臺進行系統化統計，機構無法客觀評估每一個研究員的工作產量、研究質量以及對投資工作的實際貢獻。在做內部績效考核或是賣方研究員評價時，只能依靠投資經理的主觀印象甚至個人關系來打分，導致無法甄別出真正幫公司賺到錢的研究員或者券商。這就無法給機構未來的投研支出提供明確的指導，甚至導致劣幣驅逐良幣。
 
四是合規風險增大。隨著金融市場的逐步成熟，金融監管日益趨嚴，但由于信息爆炸和信息傳播渠道的增多，合規稽核部門僅憑人力已經無法完全覆蓋所有的內容，急需新的技術手段來提升監察效率和覆蓋率。
 
伴隨著大數據和人工智能技術的成熟，智能投研或為買方機構的這些痛點和難題提供了解決方案，具體體現在“軟”“硬”結合兩個方面。
 
其中，“硬”指系統服務的科技化，例如Orbit EAM提供的企業資產管理系統，百度已基本建成包括AMS資產管理系統、TA登記過戶系統、MBI高管駕駛倉、信評大腦、ABS綜合平臺，形成與銷售系統對接較為完善和標準的資管系統體系。
 
“軟”是指建立在持續的大數據、AI技術服務及受托資產管理能力上的“軟”能力，目前尚處于試水期，如目前正在探索的OCR(光學字符識別)，知識圖譜和特色因子技術的應用等。例如，OCR+NLP(自然語言處理)技術的智能研報讀取工具能夠替代人工進行金融信息收集與整合，大幅提升投研效率。再如，知識圖譜綜合運用語義理解、知識挖掘、知識整合與補全等技術，提煉出高精度知識，并組織成圖譜，進而基于知識圖譜進行理解、推理和計算，形成企業信用產品，來分析企業主體信用、輿情風險、債項風險、固定資產狀況等。
 
以2017年某視金融涉嫌關聯交易為例，交易抵押資產可能全部都是某視旗下各種關聯業務資產，若使用知識圖譜輔助對企業進行透視分析，便可以清楚發現這些資產與某視的關聯關系，從而規避投資風險。
 
基于搜索因子、時空因子、估值因子等，可以對特色數據通過聚合處理和分析，能夠有效支持投資主體信用平級和投資項目進度評估房產走勢;利用衛星云圖預測農作物產量;根據手機、GPS產生的衛星數據，刻畫個人活動、實時反映個體及整體的經濟活動變化等。
 
隨著這些不斷的嘗試和智能投研技術的逐漸成熟，計算機從信息搜索到智能投資決策的自動跨越成為了可能。更進一步講，這種基于智能技術的資產投資決策推動了投資產品的創新，AI ETF就是這類投資產品創新的典型成果。
本文來源：中國網