摘要：“AI+金融”加速渗透变革中的大资管行业，本文介绍了AI在智能投顾、智能投研、智能风控领域里的现状和痛点，认为目前人工智能在大资管的应用目前还并未达到全程机器的程度，更像是一个从单一到复杂，从既定程序到自我学习，从低准确率到高精准的一个过程。未来，也不是简简单单的机器智能取代人类智能，而是人机协同，共同进化。
 
AI(人工智能)技术的突破本是计算机领域的一次革命，没想到却如风暴般席卷各个领域，很多科学家和创业者以及金融从业人员们也正在尝试着用“AI”为传统的金融赋能。纵观科技与金融的融合，先后经历了三个阶段：
 
第一阶段是电子金融，如票据等金融业务以电子形式实现，提升了中后台处理效率，金融服务的提供从孤立的“点”转向经由计算机存储的有结构、有组织的“线”。
 
第二阶段是线上金融，通过互联网技术与场景的结合改变了用户行为，创新了服务渠道，使金融在覆盖面上得以扩展，是由“线”及“面”的过程。
 
第三阶段是近年在各方政策的大力支持下，科技与金融的融合从此前的“线、面”金融迈进了智能金融时代。这个阶段，以AI(人工智能)为代表的新技术与金融服务深度融合，依托于无处不在的数据信息和不断增强的计算模型，提前洞察并实时满足客户各类金融需求，真正做到以客户为中心，重塑金融价值链和金融生态，让金融服务由“面”纵向延展，转为“立体”。
 
不仅如此，“AI+金融”所具有的机器学习技术、数据闭环的生态合作、技术驱动的商业创新和单客专享的产品服务等功能特征，正改变着资本市场上的投资方法、投资策略等，从而进一步影响到原有的市场规律。
 
2017年，国务院发布《新一代人工智能发展规划》，明确指出推动人工智能与金融业融合创新，建立金融大数据系统，提升金融多媒体数据处理与理解能力;创新智能金融产品和服务，发展金融新业态;鼓励金融行业应用智能客服、智能监控等技术和装备;并建立金融风险智能预警与防控系统。
 
在过去的两年里，大量人工智能科学家也纷纷加入资管行业。如：NASA首席数据科学家加盟贝莱德;微软首席人工智能学家邓力加盟citadel;华盛顿大学计算机教授加盟DE shaw;卡耐基梅隆大学计算机系主任加盟摩根大通等，种种现象印证了“人工智能”已悄然走进“大资管时代”。但相对于借助人工智能技术定量分析信贷对象信用等级而言，“大资管”所面临的数据复杂程度及所需人工智能分析复杂程度呈指数级提升。
 
智能投顾的冰与火
所谓“大资管”，从机构和客户的角度而言，可分为“资产管理”和“财富管理”。简单来说，我们日常熟悉的银行理财、保险销售、券商经纪等领域属于“财富管理”;银行资管、保险资管、券商资管和公私募机构便是通常意义上的“资产管理”，即：更多的不是考虑如何挖掘分析客户需求，而是做好“投资”或“资产配置”。
 
近年来，随着AI技术的不断突破，国内传统金融机构和互联网巨头相继布局智能金融领域，各大银行也纷纷推出了智能投顾。如招商银行的摩羯智投，借助人工智能来满足长尾客户群体的“财富管理”需求。事实上，智能投顾并未改变传统投顾行业内部的服务链结构，而是以技术代替人工，弥补传统投顾现存缺陷，成就低成本、高效率、多资产、理性化四大主要优势。
 
智能投顾首先通过技术革新降低成本及门槛，实现服务从0到1的创造;随后利用强烈的规模效应，可将边际成本几乎降低至0，并实现从1到100的大规模复制，因此智能投顾的出现有望降低成本，提高服务科学性，服务长尾用户，成就普惠金融。
 
以中国为例，我国财富管理行业目前尚处在产品推销的初级阶段，银行、券商、第三方理财机构等均主要体现销售属性，收费在前端。这种商业模式不仅收入波动幅度大，而且与客户保值增值的利益诉求不一致，甚至有所冲突。相比而言，财富管理后端收费的商业模型更加稳定合理，而这种在前后两端都可拓展的盈利模式，更具有打通财富管理价值链的战略意义。
 
然而，随着国内智能投顾公司的不断增多，该领域的发展瓶颈也逐渐显现。如：算法大多基于MPT，同质化较为严重;用户对于智能投顾的可信度仍存有疑虑，并不放心把大量资产交由机器打理，从而影响智能投顾规模;而且目前的智能投顾产品仅通过输入十几个问题就决定用户风险收益需求的方式，也存在着一定片面性等。
 
因此，智能投顾未来的发展方向在功能上将要更加精细化，而投资体验上也将更为游戏化。如：智能投顾可以通过认知计算分析客户的性格、风险承受能力以及收益需求，并把这些需求拆分成多个目标，在每个目标中分别进行资产配置;还可以通过游戏化的方式，模拟不同的市场情况，帮助用户更深刻地认识风险。
 
智能投研助力投资决策
在投研领域，传统的投研需要处理大量的无效信息，人力模式无法进行系统化的“降噪”。投研知识和经验依附于个人能力，可投研人员的流动性常年居高不下，研究部门无法找到行之有效的方法进行知识沉淀，是管理者们一直头疼的问题。以买方机构为例，其投资研究和管理工作目前面临着四大痛点：
 
一是投研效率低下。买方金融机构每天通过邮件、微信群、QQ群等各种渠道接收到的信息多达数千甚至上万条，研究员要花费大量的时间从中筛选出有价值的内容，随后再手动归类整理出数据、图表、观点等可以用于模型研究或者报告撰写的素材。
 
二是投研知识流失。由于研究工作主要在线下开展，大量的研究产出都以调研数据、研究模型、研究报告等形式分散存储在研究员个人的电脑上，甚至存储于个人记忆里。一旦研究员离职，投研知识就随之流失。
 
三是绩效评价失真。因为投研工作没有在同一平台进行系统化统计，机构无法客观评估每一个研究员的工作产量、研究质量以及对投资工作的实际贡献。在做内部绩效考核或是卖方研究员评价时，只能依靠投资经理的主观印象甚至个人关系来打分，导致无法甄别出真正帮公司赚到钱的研究员或者券商。这就无法给机构未来的投研支出提供明确的指导，甚至导致劣币驱逐良币。
 
四是合规风险增大。随着金融市场的逐步成熟，金融监管日益趋严，但由于信息爆炸和信息传播渠道的增多，合规稽核部门仅凭人力已经无法完全覆盖所有的内容，急需新的技术手段来提升监察效率和覆盖率。
 
伴随着大数据和人工智能技术的成熟，智能投研或为买方机构的这些痛点和难题提供了解决方案，具体体现在“软”“硬”结合两个方面。
 
其中，“硬”指系统服务的科技化，例如Orbit EAM提供的企业资产管理系统，百度已基本建成包括AMS资产管理系统、TA登记过户系统、MBI高管驾驶仓、信评大脑、ABS综合平台，形成与销售系统对接较为完善和标准的资管系统体系。
 
“软”是指建立在持续的大数据、AI技术服务及受托资产管理能力上的“软”能力，目前尚处于试水期，如目前正在探索的OCR(光学字符识别)，知识图谱和特色因子技术的应用等。例如，OCR+NLP(自然语言处理)技术的智能研报读取工具能够替代人工进行金融信息收集与整合，大幅提升投研效率。再如，知识图谱综合运用语义理解、知识挖掘、知识整合与补全等技术，提炼出高精度知识，并组织成图谱，进而基于知识图谱进行理解、推理和计算，形成企业信用产品，来分析企业主体信用、舆情风险、债项风险、固定资产状况等。
 
以2017年某视金融涉嫌关联交易为例，交易抵押资产可能全部都是某视旗下各种关联业务资产，若使用知识图谱辅助对企业进行透视分析，便可以清楚发现这些资产与某视的关联关系，从而规避投资风险。
 
基于搜索因子、时空因子、估值因子等，可以对特色数据通过聚合处理和分析，能够有效支持投资主体信用平级和投资项目进度评估房产走势;利用卫星云图预测农作物产量;根据手机、GPS产生的卫星数据，刻画个人活动、实时反映个体及整体的经济活动变化等。
 
随着这些不断的尝试和智能投研技术的逐渐成熟，计算机从信息搜索到智能投资决策的自动跨越成为了可能。更进一步讲，这种基于智能技术的资产投资决策推动了投资产品的创新，AI ETF就是这类投资产品创新的典型成果。
本文来源：中国网