智能投顧是干什么的？

　　不知大家有沒有聽過「智能投顧」？如果是第一次聽，對于「智能投顧」這個詞，你們的第一印象是什么？一個機器人？幫你炒股？預測明天哪支股票漲?；蛘吣闹Ч善钡?？還是能幫你推薦一支馬上能夠漲得很好的基金？或者是幫你篩選理財產(chǎn)品？甚至有人說可能是下一個網(wǎng)絡金融騙局。

　　智能投顧是從幾家硅谷的fintech初創(chuàng)公司如Wealthfront, Betterment和Personal Capital開始的。從前年開始，我們看到業(yè)界的巨頭也在進入這個行業(yè)，貝萊德是全球最大的資產(chǎn)管理公司，它們收購了 Future Advisor，也是一家初創(chuàng)智能投顧公司。高盛、嘉信理財和 RBS 都已經(jīng)開始獨立研發(fā)「智能投顧」。在幾周前 RBS 還宣布推出用「智能投顧」替代 250 位私人銀行家，來取代客戶投資顧問的服務。

　　很有意思的是，它們雖然都是不同的機構，有初創(chuàng)公司、有資產(chǎn)管理公司，私行，投行（都是業(yè)界的巨頭），但是所有國外的智能投顧都遵循一些共同的特質，我總結了三個：

　　特質1： 分散。所有的智能投顧全部都是幫助客戶把一部分的錢分散到許多不同的資產(chǎn)類別當中去。

　　特質2： 個性化，它會針對不同的人給出定制化的最優(yōu)方案。

　　特質3：它并不追求短期的漲跌回報，它 追求的是一種長期的穩(wěn)健的回報。

　　智能投顧有哪些優(yōu)勢？

　　有一個很好的問題，為什么大家要使用“智能投顧”，它到底有什么優(yōu)點？總的來說，它有下面幾個優(yōu)點：

　　優(yōu)點1： 最優(yōu)配置。最優(yōu)配置是匹配給每一個不同的投資人的，因為每個人的情況不一樣，有的人可能能夠承受5%的虧損，有的人卻虧一點就夜不能寐；有的人這筆錢可能是馬上就要用，但是有的人這筆錢可以放很久。所以不同的人所需要的資產(chǎn)配置解決方案應該是不一樣的，它是針對個人的最優(yōu)配置。

　　優(yōu)點2： 降低服務門檻。傳統(tǒng)上的資產(chǎn)配置是由私人銀行加主權基金這些大的機構使用的，通過一個機器人的解決方案，能夠把這個服務門檻降到一個普通的中產(chǎn)階級家庭和新富裕的人群來使用。

　　優(yōu)點3： 戰(zhàn)勝人性（非常有效的一點）。在投資過程中，貪婪和恐懼永遠在兩端搖擺，人性往往使其做出錯誤的判斷。如果你是一個機器人，則會非常冷靜，在恐懼的時候也不會做出錯誤的決定，從而幫助你去戰(zhàn)勝人性的弱點。

　　優(yōu)點4：它會幫你 降低交易成本，因為智能投顧很多時候是通過 ETF 交易，由于背后是大數(shù)據(jù)的抓取和海量運算，節(jié)省了人工顧問的成本，以及線下開設網(wǎng)點的成本。

　　優(yōu)點5： 機器人的投顧跟投資人的利益會保持一致。傳統(tǒng)的投顧往往根據(jù)交易的傭金來獲利，所以他們之間存在潛在的利益沖突，他希望你能夠頻繁交易。但其實頻繁的交易可能會導致?lián)p失，而機器人投顧不以收取傭金為目的，不以頻繁交易為目的，跟你的利益是一致的。

　　稍微講一下金融理論，所有的智能投顧基于的金融理論都是諾獎得主馬科維茨在1952年提出的MPT，現(xiàn)代組合理論。這是所有資產(chǎn)配置模型的先驅，后來通過夏普和華爾街的發(fā)展，形成了一套完整的體系，今天普遍的被各個金融專業(yè)機構，私人銀行，主權財富基金和養(yǎng)老基金使用。它的理論非常簡單，可以用這張圖(如圖一)來表示，圖上每一個點都是一種可能的資產(chǎn)配置組合，市場上有很多種產(chǎn)品，那資產(chǎn)配置的任務就是說你有100%的資產(chǎn)，你如何把這100%的資產(chǎn)分散到不同的產(chǎn)品里邊去，那任何一個點都是一種可能的資產(chǎn)配置。

　　馬科維茨從數(shù)學上證明了所有的資產(chǎn)配置的可能性組成了一個面積，最上面的這個向上凸的一根曲線，我們把它叫做有效前沿線，有效前沿線上的每一個點都是一個最優(yōu)資產(chǎn)配置點。從縱向的角度看，它是在某一個確定風險上你能夠取得的回報最好的一個資產(chǎn)配置組合。從橫向的角度來看，是在某一個你希望得到的回報上，能夠給予你風險最少的資產(chǎn)配置組合，所以這樣的點的組合的集合就叫做有效前沿線?！爸悄芡额櫋钡囊粋€目標就是在我得知每個用戶自己的風險的時候，我能夠幫助你決定你的最優(yōu)配置點對應的資產(chǎn)配置以及如何達成這個最優(yōu)組合。

　　貝塔回報與阿爾法回報

　　一個很有意思的問題，為什么美國所有的智能投顧，都是基于這個資產(chǎn)配置理論呢。這邊我首先非常簡單的跟大家介紹貝塔回報跟阿爾法回報，所有的資本市場回報都可以被非常簡單的歸類為無風險回報加貝塔回報加阿爾法回報。舉個例子，如果你站在火車上，火車往前開，你跟隨火車運動，這個就是β回報，如果你在火車上跑了兩步，你比火車跑得快一些，那個就是阿爾法回報。

　　“智能投顧”基于資產(chǎn)配置理論，而資產(chǎn)配置理論是一種貝塔回報理論，它有兩個特點：

　　特點1：它的策略容量非常大。

　　特點2：它的有效期可以非常長，對時效的敏感度不高。

　　這兩個特點決定了 智能投顧可以為大部分人，而不是一小群人來服務。我舉個例子，為什么阿爾法回報很難用大眾型的服務來解決，假設說今天有一個“智能投顧”能準確的幫各位去判斷明天哪支股票會漲。那么當它預測某個股票給10000個人的時候，這10000個人去買入這支股票，價格就被抬高了，這個策略很可能就失效了。

　　金融市場上，作用者和被作用者是互相影響的，每一個阿爾法策略都有它的容量，還有它有一個有效期。比如說還是這么一個智能投顧，假設他能夠準確預測明天漲的股票，那有兩個使用者，第一個使用者在第二天早上采取的這個策略，另一個使用者在第三天去采取，很可能在第三天去執(zhí)行這個策略的投資者，他就會產(chǎn)生虧損，因為所有的套利空間在前一天都已經(jīng)被有效的捕捉，被消化完了。所以這就是為什么說智能投顧這樣的一種產(chǎn)品，在美國即使像高盛這樣的非常大的投行，它都仍然會用資產(chǎn)配置的一個策略去追求長期的貝塔回報，而不是去幫用戶追求短期的阿爾法回報。 所以 智能投顧應該是一種以資產(chǎn)配置理論為基礎的資產(chǎn)配置，而非是一種擇失擇賭的交易。

　　技術概念要被善用，而非濫用

　　金融科技在這里面主要運用的技術手段有 分布式計算、大數(shù)據(jù)分析、量化建模、機器學習等。

　　馬克維茨的理論1952年就提出了，那為什么很長的時間在業(yè)界大家都是用一種拍腦袋的方式來進行資產(chǎn)的配置，依賴于經(jīng)驗呢，其實最大的原因就是它的計算量非常大。在金融市場無時無刻都在變化，用戶資產(chǎn)也無時無刻都在變化的這種情況下，你去實時的計算這么廣大的一個計算量，是過去沒有辦法做到的。

　　機器學習對于整個資產(chǎn)的超配低配的一個進行的是一個輔助決策。 大家有可能會問說為什么不依賴于機器學習來進行一個全面的判斷，如果人工智能來判定一種資產(chǎn)會漲，然后我就根據(jù)這種信號來做重倉的投資是不是可以？

　　但我們在思索，人工智能在金融上的使用應該到怎么樣一個度？它的有效性在哪里？人工智能在金融上的應用和在其他的應用，有什么非常不一樣的地方？比如說AlphaGo，這個圍棋的一個游戲，雖然非常復雜，可能性非常多，但是它畢竟還是一個規(guī)則非常明確，博弈者只是雙方的一個封閉式的游戲。而金融市場非常復雜的一個地方就在于它的開放性、模糊性和復雜性。它的博弈方非常多，影響的變量也非常多，那你在作用于金融市場的同時，金融市場也在反過來作用于你，整個混沌的一個系統(tǒng)是非常不確定的。

　　貨幣面、情緒面和基本面交織地影響著我們這個金融的市場，特別是在我們國家，在信息還不是特別有效的一個情況下，這種情況更突出。我舉個例子，比如說大家知道A股有一支股票獐子島，有一天它公告說業(yè)績會受很大的影響，因為有一個冷氣團把扇貝都帶走了，扇貝不見了， 6個月以后它公告說這些扇貝又游回來了，這個是你機器沒有任何辦法去預測的。

　　這就是為什么我一開始提到說“智能投顧”很難去做的阿爾法策略的另一個原因，就是在個股的一個層面，有太多的信息的不有效性，不但受到整個行業(yè)、地域的一個影響，還受到這支個股本身一些非公開信息的影響，所以機器在個股層面做判斷是比較難的。而我們 選擇在大類資產(chǎn)上用機器學習去做輔助，它的原因在于大量資產(chǎn)是有周期性和回歸性的。如果我們看美股的話，再過200年它的回報大概在6%-7%左右，這個是我們可以用機器、用人工智能來解決的這樣一種對大類資產(chǎn)配置的基礎。

　　以上可看出，第一個人工智能在金融系統(tǒng)上使用的局限，體現(xiàn)在金融系統(tǒng)的模糊和復雜上面。

　　深度學習適合智能投顧嗎？

　　接下來，我們要反思一下深度學習是不是適合智能投顧。AlphaGo以后深度學習非?；?，盡管很多人聲稱自己的產(chǎn)品用了深度學習，然而這個詞在學術上是有嚴格定義的。深度學習deep learning是機器學習研究中的一個新的領域，其動機在于建立、模擬人腦進行分析學習的神經(jīng)網(wǎng)絡，它模仿人腦的機制來解釋數(shù)據(jù)，例如圖像，聲音和文本。而機器學習還有諸如決策樹模型、SVM模型等很多形式。我們自己做下來的實驗和結果是深度學習目前在智能投顧上的應用還是有一點點局限。我們自己用的是機器學習的另一種模式。

　　原因1：這個深度學習需要的計算量非常廣大。

　　原因2：深度學習往往會陷入一種局部的最優(yōu)解，但是對于智能投顧來說，它可能需要的是一種模糊的正確，而不是一種非常精確的答案，它需要的是一種趨勢的判斷，所以它往往需求的是全局的一個解。

　　原因3：我們看到深入學習有時候會出現(xiàn)一種過度擬合的問題，

　　什么叫過度擬合？這有兩個例子，中國股市有個笑話，招商證券一開策略會A股就跌，我們在座的都知道這是一個笑話，但今天如果你是個機器，你能不能判斷這兩者是沒有因果關系偶然出現(xiàn)的情況？還有一個例子，一個對沖基金發(fā)現(xiàn)1983年到1990年斯里蘭卡黃油的出口和美國的股票指數(shù)的走勢呈現(xiàn)高度相關，而到1991年這種重合突然消失了。這之間的關系是機器今天可能沒有辦法判斷的。

　　最后還有風險控制的問題，就是即使機器學習有99.9%的確定性，是不是能夠在投資上做一個重賭注，這個我們在上一位演講者這邊看到說判斷語音，判斷錯了無非就是打不出那個電話而已，但是在金融上，如果你進行一個很大的壓注而壓錯了，那往往就可能導致的是破產(chǎn)的結果。

　　金融界有個非常好的案例LTCM，兩位金融的大牛，一個是莫頓，一個是斯科爾斯，他們是1997年諾貝爾獎的得獎者，他們兩個人跟當時的債券套利之父梅利威瑟和美聯(lián)儲的副主席戴維莫里斯一起出來開了LTCM，1993年到1997年每年掙40%的回報，而回撤幾乎為零。然后到1998年，這個對沖基金就破產(chǎn)了，因為他們沒有考慮到俄羅斯政府違約的可能性，甚至加了很重的杠桿，押了非常高的賭注，最后壓錯了。所以這也是人工智能應用在金融上我們要特別汲取的教訓， 即使依賴于機器的判斷準確非常高，我們永遠要以資產(chǎn)配置的方案來進行風險分散。

　　今天我們看到有很多的公司宣稱自己在人工智能的做“智能投顧”，也是建議大家在這一點做一些判斷，做一些體察。

　　金融和科技的結合并不是這么簡單的。