大数据加智能，你信任智能投顾吗

大数据智能投顾人工智能

chenjj | 2017-11-22 11:13

【数据猿导读】大数据遇上新消费的时代，各种服务都在讲究升级。智能投顾就是对传统投顾模式的一种升级。智能投顾怎么玩转?大数据如何在智能投顾中发挥作用?智能投顾来了，但你真的了解它吗

大数据遇上新消费的时代，各种服务都在讲究升级。智能投顾就是对传统投顾模式的一种升级。智能投顾怎么玩转大数据如何在智能投顾中发挥作用

智能投顾来了，但你真的了解它吗

这次的分享主题是“数说新消费时代的智能投顾”，具体会跟大家分享三个部分的内容：

第一部分带大家认识下什么是智能投顾，能解决什么问题，以及智能投顾在国内外的发展概况。

第二部分是以拿铁智投为例，分享我们在产品研发过程中，如何应用数据的具体案例。

第三部分，是谈谈在金融数据实际运用时经常会碰到的一些问题，以及我们对这些问题的处理建议。

智能投顾是一种面向大众化的投顾服务

银行的理财经理大家都很熟悉，他们职责是基于个人资产的情况给客户提供投资建议。但实际上大部分的理财经理更多的时间是在推荐产品，这就是一般投资者能够接触到的投顾服务。而在私人银行的业务中整个资产配置的方法是被执行的很好的，包括客户需求分析、资产配置建议、构建投资组合、投后管理与回顾四个大的步骤。智能投顾就是希望把这套理念跟方法完整的提供给一般投资者。

传统的投顾和智能投顾有什么区别呢智能投顾一般具备三个特点：

第一个特点叫做智能化。整个方案从客户需求分析到对资产配置的建议，再到后续的投资组合管理等，这个过程中会运用到多种投资模型，管理的过程是自动的、智能的。

第二个叫个性化。传统的理财服务不可能针对每一个客户做非常个性化的投资方案，但是通过智能投顾系统，是可以做到针对每个人做千人千面的个性化方案的。

第三个叫做普适化。传统的投顾为什么不面向中产阶级提供呢商业模式不同。传统的投顾服务受限于个人服务数量约束，所以他们在本质上追求的是高的客单价，因此高净值客户就成了他们的必然选择。而智能投顾的变化在于一定程度上突破了个人服务数量的约束，从关注客单价转变为关注客户数量，可以面向一般投资者，本质上是一种更领先的、更具零售的、更具消费特征的一种升级。

大数据_智能投顾_人工智能-2

智能投顾产品从2016年开始在国内纷纷出现，拿铁智投2016年3月上线，招商银行的摩羯智投16年12月上线。其实，作为舶来品，智能投顾在海外的发展更早一些，发展也是非常迅速的。2008年在海外就出现了第一个智能投顾平台。到2015年左右很多传统的大型金融机构开始入场，截至2016年，最大一个智能投顾的产品的规模已经达到了300亿。

而国内的摩羯智投，截至2017年三季度末，其交易额大概是75亿元左右。按照招行2万亿的资产管理规模来说，占到了千分之四不到。因此，我们可以说，智能投顾在国内还是处在比较早的发展时期。

智能投顾的架构中的典型策略和做法

现在市面上的智能投顾产品有很多，但是从系统架构上来说，大家其实都差不多，一般会分为数据层、算法层、投资标的、投资方案、投顾管理几个部分。

大数据_智能投顾_人工智能-3

智能投顾最核心的部分是资产配置。好的资产配置方案基于对资金结构的合理配置。在最理想的情况下，你每一次配置的资产，都是未来上涨前景最好的资产。背后有一个非常著名的投资理论，叫做美林时钟。

大数据_智能投顾_人工智能-4

美林时钟基于经济增长以及通胀两个维度宏观经济分成四种情况，每一种情况都有最合适的投资品，比如复苏期最适合投资股票。但在现实运用中会碰到两个局限性。一是你无法判断当前的经济状态是处于时钟的几点钟。回顾历史来看可以分得很清楚，但立足当前来看确实是很难判断的。第二，从速度来看，经济的轮动很难被捕捉，它不是严格按照这个时钟从复苏、过热到滞涨、再到衰退，它不是严格按照这个周期来轮动。

美林时钟是一种非常理想的投资理念，但并不实用。而资产配置是在实际运用中最常见的解决资金配置结构的方法。而马科维茨提出的均值方差模型在资产配置领域具有划时代的意义。它第一次提供了资产配置在数学上的最优解，使得资产配置找到了数学模型，也就有了后续一系列的优化方案，大家经常听到的BL方法、风险平价策略都是对均值方差理念的优化。

大数据_智能投顾_人工智能-5

接下来来举个拿铁智投实际应用中的具体例子，我们以股票资产的长期收益评价为例。

股票型资产的收益主要来自于三部分：第一是来自于公司的利润，是公司本身经营赚的钱;第二是央行的钱，就是无风险收益;第三是投资者博弈，也就是我们经常会说的“韭菜”的钱。从长期的角度讲，公司的利润影响最大，投资者博弈的贡献很小，因为脱离基本面的上涨在长期内是不可持续的，被炒高的资产大概率会有估值修复的过程。

通过数据分析和回归建模，我们发现了一个比较有意思的事情。下图左边这张图，这个是美股全历史的一个市盈率(调整后)的走势，你会发现，在1990年以前整个市盈率非常好的体现出均值回归的特征。但是90年代互联网经济兴起后，市盈率就再也没有降低到平均值以下，哪怕在金融危机时候，美股市盈率仅仅是回归均值，距离底部有很大的距离。看了历史走势，大家还会觉得现在美股的点位高吗其实，从90年代以后的数据来看，并不是特别高。

大数据_智能投顾_人工智能-6

上图的中间这张图是我们基于刚刚讲的三个部分，建立了数学回归模型：这根黑色线代表着股票的平均年化收益大概是8%左右，红色的部分是我们对未来十年的股票预期收益的一个走势。而蓝色的是实际的未来十年的股票收益的年化收益率。通过这些变量的检验，我们能够更好地去根据股票的点位来预测未来长期的收益率。最右边那张图则是统计学意义上的，可以看到R方大概在0.8左右。我们后来也尝试了对A股做了类似的模型，但结果比较失望，第一是因为A股的样本量可能比较少，第二，A股受政策影响较为明显，因此模型不是很有效。

大数据对智能投顾的影响

现在是大数据时代，在这个时代智能投顾该如何创新发展呢

大数据对于智能投顾的影响应该从两个层面去讲，一个是投资端，一个是顾问端。

对于投资端，我们现在对于数据量的获取是很多的，比如WIND(万德)系统，我们也有自己的爬虫系统，可以聚合市面上的新闻资讯、公众号、研报等，这些都是我们在做投资决策的最底层数据来源。我们基于这些来源去搭建上层的模型、去建立市场分析的框架等。所以，在投资端大数据的影响主要是在数据源上有了更大的改进，数据模型更加优化，基于更充分的数据和更高效率的数据模型得到更好的投资模型。

而对于顾问端，对于智能投顾的初创企业来讲，受制于用户规模的约束，从数据体量上看可能还远远没有达到大数据的标准。像传统的银行等，他们有上千万规模的用户数据去做客户画像、风险评估。虽然目前拿铁智投还没有大平台的数据优势，但基于公司另外一款产品“还呗”的千万客户规模，公司层面也在进行客户画像、精准营销、个性化资讯等尝试。

至于有很多人会质疑的用户隐私问题。智能投顾本身确实对用户数据的需求量是很大的，每家智能投顾公司都希望有更多数据去更精准地做用户画像，这样可以提供更加优质的服务。在实际操作中，因为涉及到用户的资产信息，各家机构在保护用户的隐私层面是非常严格的。而且智能投顾的投资标的是公募基金，是目前适合大众投资的产品中流程最标准、监管要求最高的产品。

关于监管政策的影响。目前在中国智能投顾属于创新型产品，目前没有明确的监管政策，但整个行业都在“为投资者提供更优质的服务”的大前提下进行产品创新，努力推动大众客户的投资者教育，这是积极正向的创新，希望能得到监管层面的鼓励。当然也存在一些约束。国内金融领域实行的是分业监管，对于智能投顾行业来说现在面临的问题主要在于分业监管带来的产品间的隔离，比如基金、股票、理财要区分不同的账户去购买。我们将持续去做投资者教育这件非常有意义的事情，让更多的普通投资者树立正确的理财观，让更好的投资理念和方法服务更多的客户，非常期待整个行业得到法律地位的这一天。

来源：CSDN极客头条

收藏分享

声明：数据猿尊重媒体行业规范，相关内容都会注明来源与作者；转载我们原创内容时，也请务必注明“来源：数据猿”与作者名称，否则将会受到数据猿追责。