最有看点的互联网金融门户

最有看点的互联网金融门户
国内资讯基于互联网平台的金融业务

人工智能走进“大资管”时代

本文共8796字,预计阅读时间424

1.大资管,人工智能的下一站

1.1 人工智能已悄然来临

继长尾信贷后,“大资管”将成为人工智能渗透的又一领域。2016年至今,安信计算机团队先后发表三篇深度报告(《Fintech,开启新的财富之门》、《财富管理,从Fintech到FinLife》、《消费金融,新常态中的新风口》),系统性阐述“金融科技”的前世今生。我们的结论“场景是基础、牌照是保障、技术是手段”金融科技产业核心要素得到业界高度认可。同时,明确指出金融科技本质是金融,经营风险是核心,以人工智能为代表的科技创新实质上是大幅提升金融服务效率,从而让“长尾客群”享受原本只属于“头部客群”的金融服务;过去一年,我们也欣喜的见证了以消费金融为代表的长尾信贷蓬勃发展。

时至今日,无论是高盛投资Kensho预以取代证券分析师,还是微软人工智能首席科学家邓力加盟对冲基金Citadel,种种现象级事件表明:“人工智能”已悄然走进“大资管时代”,它将为整个产业带来什么样的变化?我们拭目以待。

“大资管”复杂度指数级提升,人工智能将如何“破局”。相对于借助人工智能技术定量分析长尾信贷对象信用等级,“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指数级提升。以狭义人工智能构建股票组合为例,A股证券标的数量3000左右,理论上可以构建的投资组合数量大约是10500左右,若将每一组合股票数量限制在5-50之间,也将会有1033个预期投资组合;区别于传统的人工选择方式,机器学习是将全部可能的投资组合都进行逐一计算,最终选出满足一定收益和风险指标的投资组合呈现给客户。相对于已基本完成破局的“泛信贷”领域,人工智能在“泛资管”领域将面临更大挑战。

数据、算力、算法,人工智能在“大资管”领域的核心要素逐步成熟。在“泛资管”领域,本质上是“资产端”与“资金端”在风险及收益两大方面的匹配,天然的数据化及实时可回归的属性,让以数据为核心驱动的人工智能大有可为;随着云计算的普及,以算力为代表的IT基础设施以全新的方式供给,面向“大资管”各细分应用场景的算法优化值得期待。

深刻剖析“大资管”产业链,按图索骥探寻“人工智能”投资机遇。有别于其他研究报告上来就对“智能投顾”、“智能量化”、“机器人投顾”等概念及应用的介绍,我们将沿着一贯的研究框架,先后对什么是“大资管”?“大资管”分哪几个产业环节?人工智能将在哪些产业环节发挥作用?全球范围有哪些主要玩家?抽丝剥茧,逐步理清如何寻找“大资管时代”的人工智能投资机遇。本质上,在充分理解“大资管”产业链的基础上,在人工智能可以提高“效率”的环节做文章。

1.2 正本清源,从产业链出发理清研究脉络

什么是“大资管”?产业环节如何划分?。“资管”即资产管理,“大”是一个泛指的概念,缘于随着监管的不断放开,原有资管业务外延不断拓展;准确而言,“大资管”应该是信托的概念,即:将资产托管给机构去管理;注意,站在机构的角度称之为“资产管理”,站在客户的角度则称之为“财富管理”,即:客户寻求可信贷的机构为自己的资产进行保值增值。简言之,我们所熟悉的银行理财、保险销售、券商经纪等领域属于“财富管理”,即:通过大量线下或线上渠道触达客户,提供多元化金融产品,满足客户的“财富管理”需求;像银行资管、保险资管、券商资管,还有我们最为熟悉的公私募机构就是通常意义上的“资产管理”,即:更多的不是去考虑如何挖掘分析客户需求,而是做和做好“投资”或“资产配置”。

如下图所示,“大资管”本质上是对“资产端”与“资金端”的匹配,不同属性的金融机构在整个产业链中扮演不同的角色,以实现“财富管理”与“资产管理”职能。

从全球顶级机构最佳实践中,再次强化如上产业划分。下图来自波士顿咨询发布的《中国资产管理市场2015》,通过“资产获取/产品设计”及“分销模式”等维度,分别对全球主要资产管理/财富管理机构的业务构成做了量化分析。其中,我们耳熟能详的Blackstone(黑石)作为精品资产管理机构,以配置“PE/地产”等另类非标资产为主;Merrill Lynch(美林证券)以其强大的经纪业务实力,则是“财富管理”翘楚。

综上所述,“大资管”可细分为“资产管理”与“财富管理”。其中,我们常听到的“智能量化”、“知识图谱”诣在提高“资产管理”运营效率;更为广为人知的“智能投顾”则主要是借助人工智能满足长尾客群的“财富管理”需求。以下,我们将通过四个章节,先后就人工智能对资产管理的升级、对财富管理的改造详细展开分析,并在对全球先行者全面梳理后,针对人工智能对我国“大资管”产业即将产生的变革做深入思考。

2.资产管理:人工智能颠覆式利器出鞘

2.1 人工智能辅助之“量化交易”

量化交易从很早开始就运用机器进行辅助工作。分析师通过编写函数、设计指标,观察数据分布,而这些仅仅把机器当做一个运算器来使用。量化交易分析师们对财务、交易数据进行建模,分析其中显著特征,利用回归分析等传统机器学习算法预测交易策略。这种方式有两个主要弊端,其一是数据不够丰富,仅限于交易数据,更重要的是它受限于特征的选取与组合(Feature Engineering),模型的好坏取决于分析员对数据的敏感程度。直到近些年机器学习的崛起,数据可以快速海量地进行分析、拟合、预测,人们逐渐把人工智能与量化交易联系得愈发紧密,甚至可以说人工智能的三个核心领域(机器学习,自然语言处理,知识图谱)贯穿量化交易的始终。

用机器学习解决海量组合空间与计算机处理能力之间的瓶颈。以A股的证券标的数量3000左右为例,理论上可以构建的投资组合数量大约是10500(将所有可能的股票种类排列组合)左右,这超出了目前计算机的处理能力。区别于传统的人工选择方式,机器学习是将全部可能的投资组合都进行逐一计算,每天全部可能的投资组合的数量级一般在1033(每一个组合股票数限制在5-50之间),证券投资人工智能系统就从这1033的投资组合中,按照一定的算法进行筛选,最终选出满足一定收益和风险指标的投资组合呈现给客户。

对于机器学习系统来说,1033的投资组合仍然是一个天文数字,不可能依靠遍历法来学习和比较每一个投资组合以从中选择。近日受到广泛关注的人工智能围棋系统AlphaGo是从大约10180个可能局面中寻找走棋方案的,其使用了蒙特卡罗搜索树技术来显著减少了系统的计算量,在不大幅度牺牲解的质量的前提下,提高了搜索效率。基于机器学习的投资策略使用的也是类似蒙特卡洛搜索树来减少搜索空间,选择优质的投资组合。使用了深度卷积网络训练出来的价值网络极大地提高了之前单纯依靠蒙特卡洛搜索树来做判断的精度,因此可以在较短时间内为用户提供大量优质投资组合。

人工智能投资系统能够接近实时动态更新市场信息。在择时交易方面,不同于AlphaGo的离线人工学习系统,证券投资人工智能系统使用的是在线的机器学习系统,其知识库每十分钟更新一次,因此该系统所提供的交易策略与投资组合方案都是根据上个十分钟内市场行为及证券价格信息所产生的。智能交易系统的用户无论在任何时间从移动终端设备接入其机器人投资顾问,所获得的都是最新产生的投资策略,用户在确认之后,将由系统的交易执行模块即时下单,以确保交易的时效性。

人工智能对于证券投资而言,是投资方法论的变革。人工智能系统采集金融市场以及宏观、微观经济数据等作为系统输入,同时采集的数据还有证券投资市场中流通交易的所有证券的历史价格,在机器学习系统中采用基于深度神经网络的深度学习以及蒙特卡洛搜索树以理解市场运行的规律,在决策系统中形成有效投资组合,由交易执行系统完成交易,然后转向风险监测系统进行监测,并在获得收益/损失后对交易进行业绩评估并反馈机器学习系统。

根据管理人的管理规模、期限、预期收益、风险偏好制定投资计划的拟定投资组合。根据投资计划为客户构建投资组合和投资组合的调整,也可以对用户自定义的投资组合进行诊断、看护(盯市、预警和风险提示等)服务交易执行,由于采用更好的算法,大数据分析系统能够比普通投资人更好地择时(在交易时间段内选择最优的价格进行买或卖的操作),公司可以定制一个完全属于客户自己所拥有的智能交易代理(IA),这个智能交易代理完全在客户的授权范围内执行交易。交易需要的买卖信号由客户向公司系统订阅;风险管理采取不间断盯市的策略,能够依据预先与客户商定(或人工智能资管公司推荐)的风险管理规则对客户的投资组合进行各种风险管理操作,包括调仓、平仓、补仓。

全球最大的对冲基金桥水联合(Bridgewater Asspcoates)早在2013年就启用人工智能团队。该团队约有六名员工,由曾经供职IBM并开发了认知计算系统Watson的David Ferrucci领导。据彭博新闻社报道,该团队将设计交易算法,通过历史数据和统计概率预测未来。该程序将随着市场变化而变化,不断适应新的信息,而不是遵循静态指令。而桥水基金的创始人也曾公开表示,其旗下基金持有大量多仓和空仓,投资120种市场,持仓组合高达100多种,并且以人工智能的方式考虑投资组合。

Rebellion Research是一家运用机器学习进行全球权益投资的量化资产管理公司。Rebellion Research在2007年推出了第一个纯人工智能投资基金。该公司的交易系统是基于贝叶斯机器学习,结合预测算法,响应新的信息和历史经验从而不断演化,利用人工智能预测股票的波动及其相互关系来创建一个平衡的投资组合风险和预期回报,利用机器的严谨超越人类情感的陷阱,有效地通过自学习完成全球44个国家在股票、债券、大宗商品和外汇上的交易。

2.2 人工智能辅助之“证券研究”

借助人工智能提取新闻、政策、社交网络参数让量化交易模型更强大。当量化交易分析师发现数字推测模型的局限性后,开始考虑引入新闻,政策,社交网络中的丰富文本并运用自然语言处理技术分析,将非结构化数据结构化处理,并从中探寻影响市场变动的线索。通过爬取个人及企业在其主页、社交媒体等地方的数据,一来可以判断企业或其产品在社会中的影响力,比如:观测App下载量,微博中提及产品的次数,在知乎上对其产品的评价。

率先使用自然语言处理技术的人工智能对冲基金是今年6月份在伦敦新设的对冲基金CommEq。CommEq的投资方法结合了定量模型与自然语言处理(NLP),使计算机能够如人类一样通过推断和逻辑演绎理解不完整和非结构化的信息。除此之外,也有采用自然语言处理技术的金融科技公司,如由李嘉诚与塔塔通讯投资的Sentient Technologies运用自然语言处理,深度学习(Deep Learning)等多种AI技术,进行量化交易模型的建立。这其中,最为知名的是号称“取代投行分析师”的投资机器人:Kensho。

Kensho是一家致力于量化投资大众化的人工智能公司。旗下有一款产品Warren被称之为金融投资领域的“问答助手Siri”。Kensho结合自然语言搜索,图形化用户界面和云计算,将发生事件关联金融市场,提供研究辅助,智能回答复杂金融投资问题,从而加速交易时间,减少成本,用动态数据与实时信息,及时反映市场动态。

知识图谱减少黑天鹅事件对预测的干扰。机器学习与自然语言处理的技术经常会在一些意外发生的时候预测失败,例如:911、熔断机制和卖空禁令等等。人工智能系统没有遇到过这些情况,无法从历史数据中学习到相关模式;这时候如果让人工智能管理资产,就会有很大的风险。此外,机器学习擅长发现数据间的相关性而非因果性。很有名的一个例子是早在1990年,对冲基金First Quadrant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。这就是由于自学习的机器无法区分虚假的相关性所导致的,这时候就需要专家设置的知识库(规则)来避免这种虚假相关性的发生。

知识图谱本质上是语义网络,是一种基于图的数据结构。根据专家设计的规则与不同种类的实体连接所组成的关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。就金融领域来说,规则可以是专家对行业的理解,投资的逻辑,风控的把握,关系可以是企业的上下游、合作、竞争对手、子母公司、投资、对标等关系,可以是高管与企业间的任职等关系,也可以是行业间的逻辑关系,实体则是投资机构、投资人、企业等等,把他们知识图谱表示出来,从而进行更深入的知识推理。以投资关系为例,知识图谱可以将整个股权沿革串起来,方便地展示出哪些PE机构在哪一年进入,进入的价格是多少,是否有对赌条款,这些信息不仅可以判断该机构进入当时的估值,公司未来的发展情况,还可以看清PE机构的投资偏好,投资逻辑是如何变更发展的。

当前,知识图谱在工业界还没有形成大规模的应用。即便有部分企业试图往这个方向发展,但很多仍处于调研阶段。我们认为这其中的难点在于如何与特定领域机构建立起一套合作方式,如何将合作变成一种可轻易编程的界面,让该领域专家可以通过系统以一种非常简单的方式进行行业逻辑的建模,而他的逻辑可以通过系统实时得到验证,使其进一步更新,只有通过专家与机器反反复复的迭代,形成闭环,才会服务好用户。

最早应用知识图谱在金融领域的Garlik就是这一代表。公司2005年成立于英国,核心成员来自南安普顿大学(University of Southampton,是语义网的核心研究机构之一),主要业务是在线个人信息监控。Garlik收集网络和社交媒体上的个人信息,当发生个人信息盗窃时会及时报警。Garlik总计融资2469千万美金后被美国的三大个人信用记录公司之一Experian收购,其技术被用于个人信用记录、信用盗窃的分析。Garlik的核心技术之一是大规模语义数据库,前后开源发布了3store, 4store, 5store等高性能数据库。

除此之外还有Dataminr,这家基于Twitter及其他公开信息的实时风险情报分析公司。致力于从数据爆炸的社交网络提取精简且价值的风险情报与挖掘关键信息,如舆情热点、金融相关的非交易信息、公共机构安全预警、企业安全等,并直接向客户推送。除此之外,Dataminr还加入早期预警系统,并实时推送警报。

3.财富管理:智能投顾的春天

3.1 从“投资顾问”的智能化说起

理解智能投顾,首先要了解什么是“投资顾问”。投资顾问指在金融投资、房地产投资、商品投资等各类投资领域提供专业建议的专业人士,他们通过与客户全面深入交流了解客户偏好,从而为其选择合适的资产配置组合。大体上,投资顾问可分为两类,一类特指在证券行业为证券投资者提供专业证券投资咨询服务的人员,即狭义的投资顾问;另一类则指包含银行、第三方财富管理中心理财经理在内的券商外人员。投资顾问行业由于具有根据客户需求定制产品投资策略的独特特性,自产生以来就是连接用户端与金融产品端的重要桥梁。

所谓“智能投顾”,即:凭借人工智能分析客户需求匹配金融资产的过程。它根据个人投资者的风险偏好、财务状况与理财目标等特征,运用智能算法及投资组合理论模(通常为马科维茨提出的投资组合理论),为用户提供智能化的投资管理服务,并持续跟踪市场动态,对资产配置方案进行调整。对比传统的投资顾问业务,智能投顾的核心特征也体现借助客观的投资组合模型,来实现服务流程的标准化,以及投资决策的纪律性。其主要的优势在于:智能化、被动化以及较低的管理费用。

智能投顾的核心服务包括:

1)通过大数据获得用户个性化的风险偏好和变化规律;

2)根据用户个性化的风险偏好结合算法模型定制个性化的资产配置方案;

3)利用互联网对用户个性化的资产配置方案进行实时跟踪调整;

4)利用成熟的组合优化管理模型,在用户可承受的风险范围内实现收益最大化。

除此之外,国外智能投顾业务中,还包括税收筹划、理财方案自动优化等内容,考虑到这类产品目前与国内的实际情况有一定的差距,不在下面的讨论范围内。

智能投顾没有改变“财富管理”的内涵,只是优化了服务效率。本质上降低了理财规划师的人工参与,采取了科学有效的资产配置方式,信息相对透明,充分体现了互联网技术的优势,且能够降低投资理财的服务费用、提高投资顾问服务的效率。

3.2 智能投顾的主要优势

投顾服务链全面智能化,技术替代人工优势明显。智能投顾是传统投顾的智能化,指具有人工智能的计算机程序系统根据客户自身的理财需求,通过算法和产品搭建数据模型,来完成传统上由人工提供的理财顾问服务。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。

可大规模复制服务长尾,成就科学性普惠金融。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;而后,利用强烈的规模效应,智能投顾可将边际成本几乎降低至0,实现从1到100的大规模复制。传统投顾高费率高门槛特性决定其服务对象主要为高净值人群;折扣型经济投顾业务在此基础上降低佣金试图有所改善,但其一对一人工服务的特性依然成本较高,无法服务大众投资者;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。

前后两端拓展盈利模式,打通财富管理价值链。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,券商、银行、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,从这个角度来说,智能投顾可在前后两端拓展盈利模式,因而具有打通财富管理价值链的战略意义。

3.3 发力智能投顾的核心要素

自带以人工智能为核心的互联网基因。其核心要素为:数据、配置、产品、渠道。就这四个核心模块来说,各类型金融机构具有不同的优劣势。

数据:众所周知,人工智能是一门统计和计算机的交叉学科。AlphaGo能够战胜人类棋手,并不是“天生神力”,而是Google公司用大量人类棋局的数据,经过长期训练才得到的。可以看出,要发挥“智能”效果,首先就要有大量的有效数据来源。有了客户投资、交易、自身和家庭情况、收益和风险等级等一系列数据后,才能更好的对客户进行区分。在这方面,券商拥有旗下营业部客户信息数据,银行和保险拥有理财客户数据,相对来说具备优势。互联网公司如蚂蚁金服、百度金融、京东金融等也有类似的数据服务。

配置:有了对客户的精准画像,就有了对资产做组合优化的基础。这部分工作主要由金融工程来完成。通过设置详细的优化的目标(目标风险、目标日期等),我们可以为每一个客户量身订做资产配置方案。这部分配置工作,据了解,目前在券商和银行保险可由自身培养团队来完成,或者找外部第三方购买全套解决方案。

产品:有了配置方案,毕竟只是纸上谈兵。能否落实到卖给客户,还要看能否找到合适的金融产品工具。这部分相对来说是公募基金的强项。目前很多智能投顾公司,大多做到提出方案阶段,受制于本身没有基金牌照和基金销售牌照,只能把客户向其他方向导流。如果涉及到海外配置,就更是受到QDII额度和汇率影响。基金公司本身公募、专户、子公司业务线越是齐全,在产品方面越有优势。

渠道:最后一步就是让客户在何种场景下购买这个设计好的组合。这方面银行保险券商拥有传统优势。

3.4 国内第三方智能投顾比较分析

以国内智能投顾中两家收益较为突出的独立智能投顾公司“璇玑智投”和“蓝海智投”为例,对其财富管理收益及投资策略做概要分析,以便对上述介绍有更为深刻的理解。

2016年两家公司的收益。2016年两家公司均有较好的表现。其中,蓝海智投表现亮眼,据年度报告显示,均衡风险组合的业绩战胜了98.4%的公募基金和93.9%的私募基金。

投资策略之大类资产配置。1)璇玑智投:大量配置了风险较低的国内现金和债券,近10%的国内多元资产有亏损;智能投顾一般会自行把控各类资产权重,因此纯粹的单一资产产品或许更为合适;2)蓝海智投:投资海外的股票和债券市场以规避国内资产下跌的风险;进行全球大类资产配置是必要的,海外优良资产可以在国内资产普遍下跌是提供额外收益并降低投资风险。

投资策略之产品池选择。主动型产品收费一般高于被动型产品,在成熟、流动性高的市场主动投资能够获取的超额收益的难度大,主动型产品收费后收益往往低于被动型产品。因此,在成熟市场中选择被动投资产品具有明显的合理性,而在新兴市场中可考虑多关注主动投资产品。蓝海智投的产品池以被动产品为主,节约了部分主动管理产品的高费率,同时也避免引入不必要的主动管理风险;璇玑智投则选择了更多的主动投资产品。两家公司的共同点在于,其选择的主动型基金产品都具有成立时间较长评级较高的特点。

投资策略之择时。根据美国的行业经验,智能投顾一般不采用择时策略,并建议客户根据风险偏好长期持有组合,调仓频率较低。据蓝海智投的月度报告,2016年共调仓3次,且仓位变动幅度较小(单只产品仓位变动最高占资产总额的10%)。


用微信扫描可以分享至好友和朋友圈

扫描二维码或搜索微信号“iweiyangx”
关注未央网官方微信公众号,获取互联网金融领域前沿资讯。

发表评论

发表评论

您的评论提交后会进行审核,审核通过的留言会展示在下方留言区域,请耐心等待。

评论

您的个人信息不会被公开,请放心填写! 标记为的是必填项

取消

如何区分平台是主动还是被动亏损

我叫小米粒 | 网贷之家 2天前

恒昌公司薛正华:普惠金融应用和实践

小未 12-07

慧安金科黄铃:做基于人工智能的风险反欺诈引擎

小未 12-07

TalkingData崔晓波:数据及人工智能在金融行业的应用仍处于早期阶段

小未 12-07

年底网贷投资有这些“症状”平台不要碰

陆司令 12-06

版权所有 © 清华大学五道口金融学院互联网金融实验室 | 京ICP备17044750号-1