大家好，我是松禾遠望基金合伙人田鴻飛。前一段就智能投顧話題，我給一些二級市場的基金從業者做了一次內部講座。在這里以一個輕松方式分享給大家。

　　趣談一：銀行和基金從業人員，最恐慌的是未來飯碗會否不保

　　波士頓是美國資管行業的重鎮。2016年我在波士頓和做基金管理的校友交流中發現，受到金融科技發展的影響，他們對未來有些悲觀，認為飯碗在未來某一天也許就沒了。很多在銀行工作的朋友同樣焦慮。

　　我的觀點，大量易標準化、重復性、沒技術含量、不具獨創性的工作肯定會被裁掉。從基金行業來說，首先后臺最容易被替代，因為都是成本。清算、交收、估值類工作，以前需要多人忙碌，現在很容易被一套軟件系統就替代了，都用不上人工智能，而且準確性更高。

　　目前還有公司在開發銀行間的區塊鏈對賬系統，以后也不用每天晚上人工互檢對賬了。因為區塊鏈本身是一個瞬間同步的賬目，每個人的賬本會實時共享，同時又能做到安全透明、不可篡改，所以這些后臺工作會最先被替代。

　　再說前臺，智能投顧的自動化交易未來會讓大多數交易員變得毫無價值。以量化投資來說，未來做多因子模型的投資經理就很容易被干掉。因為由AI來做優化，絕對比人做優化要強很多。對于前臺的其他工作，現在已經出現了機器人客服，像信息簡報、研究報告類也都可以由人工智能自動摘取生成（當然我認為獨創性研究是很難被替代的）。

　　但國內的二級市場與國外有很多不同，很多散戶需要心靈按摩。這些情感交流的工作是否就不會被取代呢？我覺得也不一定。因為現在00后一代，他們在行為習慣上，其實更愿意和機器人打交道，而不是和人打交道。這正是2015年BlackRock收購Future Advisor的重要原因，他們發現年輕人更需要便利、低門檻和互聯網化的理財方式。

　　拿保險舉個例子。賣保險顯然要比賣理財更需要情感溝通，但智能保顧也正在興起。所以對于資管而言，我認為情感因素并沒那么重要，未來會有越來越多的人喜歡并習慣面對機器。

　　趣談二：Fintech機會正在向傳統金融背景人士傾斜

　　我們看過很多Fintech領域的創業項目，發現一個有趣的現象，那就是互聯網出身的人和有銀行從業背景的人，往那兒一坐風格會涇渭分明。互聯網人盯的就是KPI和增長，對風控、對法規毫無概念；金融行業出身的人主要談的就是風險控制，要規范企業的發展。

　　從去年開始互聯網金融發展的風向發生了巨變，以往野蠻生長的環境不復存在。美國貨幣監理署(OCC)正在考慮給Fintech公司發全國性銀行牌照，國內也大幅加強了合規的嚴格管理。這些變化，都促使互聯網金融開始向更注重規范、更注重風控的傳統金融背景人士傾斜。

　　還有非常重要的一點是，作為傳統金融行業的人，他們坐擁非常多的資源，當意識到互聯網金融的風向時，轉舵起來還是很容易的。正如一個在銀行的朋友介紹，自銀行推出現金貸業務后，僅用幾個月時間，就快速超過了互聯網人已用兩三年發展起來的規模。

　　在美國也是如此，一旦具備傳統投資優勢的金融機構進入智能投顧領域，同樣會迅速搶占市場份額。正如Vanguard和Charles Schwab自2015年推出智能投顧產品后，相對應的資產管理規模（AUM）已遙遙超越了Betterment和Wealthfront。

　　趣談三：中國為什么比美國更適合發展Fintech？

　　英國的《經濟學人》雜志在年初的一篇文章中提到，正是得益先進的技術、落后的銀行體系和爆發式的財富增長，讓中國成為了全球金融科技的領導者。去年10月我參加了著名的Money20/20大會，對此感受頗深，現場幾乎2/3的廣告牌都是中國企業。這些國內的Fintech企業，不論在模式創新還是技術創新上，都已遠遠超過了美國。

　　中國為什么比美國更適合發展Fintech？我的看法是：

　　- 國內對金融科技的監管環境還是很寬松的，至少前幾年非常寬松。在美國的Fintech企業，絕不敢像國內這么“膽大妄為”；

　　- 國內即使有人冒進違規了，處罰起來并不嚴厲，犯錯成本較低；

　　- 國內還沒有成熟的隱私保護法，數據的可獲得性很高，各種來源的數據都使用；

　　- 中國沒有美國那么多年的積累，也就沒有牽絆。上來就可以用最好的技術、最簡單的方法直達目的。

　　趣談四：智能投顧在美國發展遭遇了瓶頸

　　過去我們學習金融時，知道平均成本法(Dollar Cost Averaging)，也就是要養成固定去投資的習慣，投資收益是最高的。這是一個基礎理論，但大家平時生活中很難做到這么有紀律性，尤其對于剛入職場的小白而言。

　　現在美國銀行和智能投顧公司最讓人羨慕的是完全能做到自動理財。一般美國都是雙周發薪，通過direct deposit功能，工資直接進入銀行賬戶。銀行完成扣款后，會自動劃分到智能投顧公司的賬戶。由投顧公司做一個再平衡，就幫用戶理財投資了。對用戶來言，每月只需留一些錢還信用卡就行了。智能投顧在切實解決用戶體驗問題后，讓用戶量和AUM資產管理規模上來的特別快。

　　不過現下智能投顧在美國的發展仍處于瓶頸之中。主要是行業領頭羊Betterment、Wealthfront處于了一個停滯期。很多潛在投資者對他們的擔心是，Robot-advisors這件事，并未改變背后的商業邏輯，也就是配置資產和金融服務的屬性沒變。但相比于傳統機構，他們投入市場和運營的花費卻很大，這是典型的互聯網人發展模式，先砸錢把用戶量做起來。但這也讓吸收資金的成本變得非常高。那你的競爭優勢到底是什么？估值還這么高，是不是市場吹起的泡泡？這遭遇了很多投資者的懷疑。

　　趣談五：智能投顧與量化投資的區別是什么？

　　相比同樣采用計算機與數學模型做投資決策的量化投資，智能投顧最顯著的區別是什么？簡單來說一個是自動根據市場變化做決策，一個還得靠人來調策略。后者說的正是量化投資，一般是先找出一個模型策略，這個策略不會自動變化。所以一旦當市場環境變化的時候，這個量化策略就失效了，必須由投資經理根據市場情況來調整策略。

　　對于應用機器學習的智能投顧，則會根據市場的變化不斷的產生新策略，也就是應對瞬息萬變的市場變化，一切都是在后臺自動完成的，并不需要人工干預。因為機器學習有回饋循環(Feedback Loop)，從市場-策略-結果再到市場的不斷反復循環，會自動根據資產的價格、風險的變動不斷調整。

　　相比量化或人工投資，人工智能處理信息還有一個最大優勢，那就是可以把自有證券市場以來的全部數據都錄入做分析。特別現在有了GPU、TPU等專門的處理器，依靠強大的運算能力，可以瞬間得到想要的相關性分析，這滿足了金融領域對數據的實時性要求。

　　趣談六：智能投顧是不是在吹牛，投資業績到底如何？

　　剛才談到利用機器學習和深度學習的方法，智能投顧可以把價格變動的趨勢和模式找出來，做到快速反應、快速交易。相信很多人一定好奇，智能投顧相對于量化投資的業績到底如何。

　　我們知道最近幾年，面對國際金融市場的大幅波動，量化投資的業績是遠遠好于很多主動型管理基金。在今年3月傳出的BlackRock重組計劃中，就裁掉了很多主動型基金部門的員工，將很大一部分的資產將轉化為量化管理產品。

　　而根據對沖數據服務公司Eurekahedge的AI／機器學習對沖基金指數顯示，自從2010年以后，其中23支應用智能投顧的對沖基金，在業績表現方面是要優于量化對沖基金的（如下圖）。

　　趣談七：人工智能為什么直到今天才取得突破？

　　我經常開玩笑說，人工智能技術的發展有些復古。因為現在深度學習依托的神經網絡系統理論，最早可以追溯到上世紀40、50年代，只不過到現在發展為了多層神經網絡技術。從最早的LISP語言、專家系統到神經網絡和機器學習，人工智能過去幾十年的發展一直都非常低迷。這讓李開復老師那一代從業者很是受傷，因為把事業放在上面20年沒有進展。那為什么來到今天就突破了呢？

　　一方面是已提到的多層神經網絡（MLP)取得了小突破，特別其中深度學習（Deep Learning）的出現，應用更多層網路，能學習更抽象理念，并融入自我學習中，加速收斂。以前努力了半天，識別能力只能提升百分之幾，現在一下提升了百分之二十幾，這讓AI取得了突破式發展。從智能投顧角度，深度學習既然極大提高了圖像識別精度，同理也可以提高識別股票價格變化的模式，雖然這并不意味可以準確預測股價。

　　另外更關鍵的，我認為是數據量的豐富。2010年我回硅谷時，第一次聽谷歌的朋友說他們的AI取得突破，能在YouTube上把貓給認出來了。很重要的原因是在YouTube上有了大量的視頻和圖片數據之后。對此我認為，人工智能發展起來的關鍵是有了大量的數據，算法提升其實是很有限的。甚至可以說人工智能發展80%歸于數據的豐富，可能只有20%歸于算法的提升。特別在金融行業，數據都是非常容易標簽化的，完美性這么好，所以人工智能最先顛覆的就是金融領域。

　　趣談八：深度學習最大的問題是黑箱

　　對于深度學習而言，人才分幾個檔次。第一級是開宗立派的人物，也就是發明CNN(卷積神經網絡)、DNN(深度神經網絡)、RNN(循環神經網絡)這些流派的宗師級人物。還有一類人才，是真正能夠把參數調好的人，也非常稀缺。比如對于多層神經網絡，是設置10層、5層還是7層效果最好？每層都有很多參數。還有給入多大的數據量才會產生理想結果？因為到一定程度，你會發現輸入越多數量，結果反而可能會變壞。

　　這是一個經驗值，甚至沒有規律，所以業內開玩笑叫做煉金術。把一堆東西放一起，不知好壞，天天試，跟做化學實驗室一樣，還沒有固定的化學方程式。大部分在美國讀PhD的中國留學生是負責調參數的。但調參數能調好的人，在AI界也算是鳳毛麟角，一年的package下來也有100~200萬美金。要知道不僅在中國，在全球，人工智能創業公司最大的挑戰都不是錢，而是雇不到人。

　　但這里就產生了一個問題。比如輸入大量數據后，經過10層神經網絡篩選得出一個結論，可你是沒法回溯怎么得出這個結論的。所以深度學習最大的問題是黑箱。如果想避免一個錯誤，要修改參數，那所有訓練又得重新來一遍。正因為這個問題，自動駕駛一旦出現車禍，很難向美國交通局去解釋。在美國發信用卡的領域也存在一樣的問題。拒絕給一個客戶發信用卡，你得告知是基于什么規則，不然人家可能會告你，但深度學習沒辦法解釋這件事。所以最近的一些算法已經做出了一些優化。

　　趣談九：國內智能投顧發展境況如何？

　　很多人說中國資產類型太單一，ETF數量不夠，很難滿足智能投顧的資產配置需求。我們之前看了有20多家智能投顧公司，實際發現他們的配置還是很豐富的。簡直可以說是五花八門，有的配P2P資產、有的配小貸，還有人拆信托、拆私募，做MOM、FOF模式的也有。大家都打著智能投顧的旗號，但剝開皮看都不一樣，很多時候不知后面賣的什么東西。這也正是國家在加強機器人投顧管理的原因。

　　還有一個重要問題是，中國基本沒有買方投顧，大家都在掙后端銷售傭金，更像賣方雇傭的銷售。所以對國內的智能投顧而言，本來是個投資顧問的事兒，卻在做銷售的活兒。這混淆了投資咨詢與產品銷售之間的界限。那么用戶如何來評判你投資建議的公立性？這讓消費者很難信智能投顧這件事。這正是國家正加緊合規的理論依據。

　　另外國內智能投顧最大的問題還在于金融產品代銷資質。所以在中國做智能投顧，真正合規的只能是由大的金控公司來做，他們擁有所有的銷售牌照和資格，才能給用戶去做豐富的資產配置。不然你都沒有太多可配置的資產，跟真正意義上的智能投顧有很大差距。而對創業公司來言，每個牌照的價格都非常貴，還要搞定各種通道、支付，真的玩不起。

　　趣談十：智能投顧悖論

　　我們知道股票交易有賠有賺，如果大家都買了同一套軟件，可以預測該買哪支股票，那么市場上誰賣呢？在一個下跌市場當中，一旦像Vanguard、BlackRock這樣的行業巨頭，用機器人投顧做出拋售指令，大家都在拋盤，而沒人買盤，單邊行情會不會導致市場崩潰？其實我認為這樣的問題可以避免。因為真正的智能投顧是能根據每個人的風險偏好不同，做出不同的投資組合和交易選擇，這樣才能讓市場有賠有賺的運行起來。

　　最后說一個有趣的話題，那就是人對機器的容忍度，要遠遠小于人對自己的容忍度。最簡單的無人車犯錯，大家都覺得不可容忍。但人天天都在犯錯，卻很容易獲得諒解。這是一個客觀問題?；氐街悄芡额欉@個話題，面對中國股市普遍難以盈利的行情，你說智能投顧在一個下跌市場當中，如何安撫用戶虧損的情緒呢？其實很簡單。周圍10個人如果你是虧的最多的，人家都賺，你肯定不開心。但如果機器用數據告訴你，相比量化投資和你周圍的人，你的回撤是最少的，那你肯定就不會太苛責機器了。

<menuitem id="zjj55"></menuitem>

<menuitem id="zjj55"></menuitem>

<big id="zjj55"></big>

責任編輯：Rachel