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，基于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。
2017年10月23日，EquBot LLC与ETF ManagersGroup (ETFMG）共同推出世界上首只AI ETF，采用IBM Watson认知计算系统识别，智能收集和分析美国6000多只上市股票的信息，包括公司管理、市场情绪、超百万计的监管文件、季度财报、公司新闻和社交媒体新闻等，进而筛选受益于当前经济环境、投资风向、全球和公司层面事件的投资标的，最终挑选出30-70支股价最高上升潜力的股票。
虽然智能投研在国外早已风行多年，但从国内智能投研的发展情况来看，目前还处于刚刚起步阶段，存在着起步晚、数据收集量不足和技术模型不完善等问题。很多国内的智能投研建模仍在不断试错，属于萌芽期。
随着中国智造2025”计划的提出和落实智能金融被写入国家战略，Alphasense、Kensho以及国内纷纷崛起的人工智能新势力和目前已达130万亿将来还会更大国内的资管规模，“智能投研在大资管的应用无论是从政策支持、技术还是市场上，前景广阔。
智能风控在“大资管”中的应用
风控是金融领域非常重要的部分，信用评级和数据监测在金融领域早已有应用。如银行贷款时个人征信系统即是基于大数据的追踪和评级；芝麻信用更是利用大数据对用户进行画像和评分。
对于传统风控而言，人们在搜集、提炼有限的信息基础上进行分析，根据个人的认知水平和经验基础上建模，从而评估投资的风险。风控机构或个人所搜集数据的平台之间是孤立的，形成一个个数据孤岛，这样导致每个机构都会有自己的数据，无法形成信息共享和实时监测。智能风控平台便基于大数据加持，对各个平台的信息进行打通，使数字孤岛变成一个信息共享池，同时对池内的信息进行串联和综合，形成不同的模型用以监测。
传统的风控是基于人对所掌握的数据的相关性，来分析各事件之间的联系以及所产生的影响。而智能风控便基于这种相关性形成知识图谱，对信息与信息之间进行穿透，对每个事物之间的相关性进行分析建模，预测可能产生的结果并进行评估，以达到及时预警。
传统的风控就好比中医，通过望、闻、问、切来给病人看病，效果的好坏全凭医者的水平；而智能风控则同西医一样，靠科学仪器和技术，通过大数据分析、建模来做风险管理。
投资组合风险分析公司AlgoDynamix就基于知识图谱、和数据分析推出了两款产品：ALDX PI和RAP平台。前者用于帮助用户进行更好的资产分配决策，后者则用于帮助用户识别市场近期可能存在的风险。
当然，回归本源，智能风控在预测上也存在着自身的缺陷。智能风控的模型是基于过往的大数据得来的，对于一些历史上从未发生过的事件，人工智能就相对捉襟见肘。比如，2018年大量P2P跑路事件，正是由于P2P是最近几年出现的金融创新产品，传统的资管大数据并不能完全嫁接到P2P风控上，导致智能风控系统并不能预测到未来风险爆发点，造成了大量P2P平台跑路的发生。
从现状来看，智能风控仍处于刚入门阶段，未来仍有很长的路要走。大数据、机器学习也刚刚起步，技术层面仍有很大的提升空间。另外智能风控应用到未来的实际场景中，遇到的一些困难，也需要时间去克服，但伴随技术和机器学习的提升。智能风控仍有很大的提升空间。
“AI+资管”的思考
AI在资管领域的风控、投资、投研等方面有着一定优势。但人工智能并非万能，目前也只处在发展初期，只能解决大量简单重复的、适合机器处理的工作，如数据的加工和处理等。对资管行业数据查询、处理帮助较多，但在交易决策上仍替代不了人类。并且机器学习和预测都是基于已有的案例和模型进行，对非常规突发性的黑天鹅往往会预测失败。
机器的学习更多基于消息之间的相关性，而非因果，同时对消息相关性的真假性辨别上也存在着很大的难度。早在1990年，对冲基金First Quadrant就发现孟加拉国生产的黄油，加上美国生产的奶酪以及孟加拉国羊的数量与标准普尔500指数自1983年开始的10年时间内均具有99%以上的统计相关性，1993年之后，这种关系莫名其妙的消失了。
因此，从现状来看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，它更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。
