智能投顧是干什么的？

　　不知大家有沒有聽過(guò)「智能投顧」？如果是第一次聽，對(duì)于「智能投顧」這個(gè)詞，你們的第一印象是什么？一個(gè)機(jī)器人？幫你炒股？預(yù)測(cè)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(cái)產(chǎn)品？甚至有人說(shuō)可能是下一個(gè)網(wǎng)絡(luò)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(jìn)入這個(gè)行業(yè)，貝萊德是全球最大的資產(chǎn)管理公司，它們收購(gòu)了 Future Advisor，也是一家初創(chuàng)智能投顧公司。高盛、嘉信理財(cái)和 RBS 都已經(jīng)開始獨(dú)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(lái)取代客戶投資顧問(wèn)的服務(wù)。

　　很有意思的是，它們雖然都是不同的機(jī)構(gòu)，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(guó)外的智能投顧都遵循一些共同的特質(zhì)，我總結(jié)了三個(gè)：

　　特質(zhì)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(dāng)中去。

　　特質(zhì)2： 個(gè)性化，它會(huì)針對(duì)不同的人給出定制化的最優(yōu)方案。

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

　　智能投顧有哪些優(yōu)勢(shì)？

　　有一個(gè)很好的問(wèn)題，為什么大家要使用“智能投顧”，它到底有什么優(yōu)點(diǎn)？總的來(lái)說(shuō)，它有下面幾個(gè)優(yōu)點(diǎn)：

　　優(yōu)點(diǎn)1： 最優(yōu)配置。最優(yōu)配置是匹配給每一個(gè)不同的投資人的，因?yàn)槊總€(gè)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(diǎn)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(yīng)該是不一樣的，它是針對(duì)個(gè)人的最優(yōu)配置。

　　優(yōu)點(diǎn)2： 降低服務(wù)門檻。傳統(tǒng)上的資產(chǎn)配置是由私人銀行加主權(quán)基金這些大的機(jī)構(gòu)使用的，通過(guò)一個(gè)機(jī)器人的解決方案，能夠把這個(gè)服務(wù)門檻降到一個(gè)普通的中產(chǎn)階級(jí)家庭和新富裕的人群來(lái)使用。

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

　　優(yōu)點(diǎn)4：它會(huì)幫你 降低交易成本，因?yàn)橹悄芡额櫤芏鄷r(shí)候是通過(guò) ETF 交易，由于背后是大數(shù)據(jù)的抓取和海量運(yùn)算，節(jié)省了人工顧問(wèn)的成本，以及線下開設(shè)網(wǎng)點(diǎn)的成本。

　　優(yōu)點(diǎn)5： 機(jī)器人的投顧跟投資人的利益會(huì)保持一致。傳統(tǒng)的投顧往往根據(jù)交易的傭金來(lái)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(shí)頻繁的交易可能會(huì)導(dǎo)致?lián)p失，而機(jī)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(jiǎng)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(qū)，后來(lái)通過(guò)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(gè)金融專業(yè)機(jī)構(gòu)，私人銀行，主權(quán)財(cái)富基金和養(yǎng)老基金使用。它的理論非常簡(jiǎn)單，可以用這張圖(如圖一)來(lái)表示，圖上每一個(gè)點(diǎn)都是一種可能的資產(chǎn)配置組合，市場(chǎng)上有很多種產(chǎn)品，那資產(chǎn)配置的任務(wù)就是說(shuō)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(gè)點(diǎn)都是一種可能的資產(chǎn)配置。

　　馬科維茨從數(shù)學(xué)上證明了所有的資產(chǎn)配置的可能性組成了一個(gè)面積，最上面的這個(gè)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(gè)點(diǎn)都是一個(gè)最優(yōu)資產(chǎn)配置點(diǎn)。從縱向的角度看，它是在某一個(gè)確定風(fēng)險(xiǎn)上你能夠取得的回報(bào)最好的一個(gè)資產(chǎn)配置組合。從橫向的角度來(lái)看，是在某一個(gè)你希望得到的回報(bào)上，能夠給予你風(fēng)險(xiǎn)最少的資產(chǎn)配置組合，所以這樣的點(diǎn)的組合的集合就叫做有效前沿線?！爸悄芡额櫋钡囊粋€(gè)目標(biāo)就是在我得知每個(gè)用戶自己的風(fēng)險(xiǎn)的時(shí)候，我能夠幫助你決定你的最優(yōu)配置點(diǎn)對(duì)應(yīng)的資產(chǎn)配置以及如何達(dá)成這個(gè)最優(yōu)組合。

　　貝塔回報(bào)與阿爾法回報(bào)

　　一個(gè)很有意思的問(wèn)題，為什么美國(guó)所有的智能投顧，都是基于這個(gè)資產(chǎn)配置理論呢。這邊我首先非常簡(jiǎn)單的跟大家介紹貝塔回報(bào)跟阿爾法回報(bào)，所有的資本市場(chǎng)回報(bào)都可以被非常簡(jiǎn)單的歸類為無(wú)風(fēng)險(xiǎn)回報(bào)加貝塔回報(bào)加阿爾法回報(bào)。舉個(gè)例子，如果你站在火車上，火車往前開，你跟隨火車運(yùn)動(dòng)，這個(gè)就是β回報(bào)，如果你在火車上跑了兩步，你比火車跑得快一些，那個(gè)就是阿爾法回報(bào)。

　　“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(bào)理論，它有兩個(gè)特點(diǎn)：

　　特點(diǎn)1：它的策略容量非常大。

　　特點(diǎn)2：它的有效期可以非常長(zhǎng)，對(duì)時(shí)效的敏感度不高。

　　這兩個(gè)特點(diǎn)決定了 智能投顧可以為大部分人，而不是一小群人來(lái)服務(wù)。我舉個(gè)例子，為什么阿爾法回報(bào)很難用大眾型的服務(wù)來(lái)解決，假設(shè)說(shuō)今天有一個(gè)“智能投顧”能準(zhǔn)確的幫各位去判斷明天哪支股票會(huì)漲。那么當(dāng)它預(yù)測(cè)某個(gè)股票給10000個(gè)人的時(shí)候，這10000個(gè)人去買入這支股票，價(jià)格就被抬高了，這個(gè)策略很可能就失效了。

　　金融市場(chǎng)上，作用者和被作用者是互相影響的，每一個(gè)阿爾法策略都有它的容量，還有它有一個(gè)有效期。比如說(shuō)還是這么一個(gè)智能投顧，假設(shè)他能夠準(zhǔn)確預(yù)測(cè)明天漲的股票，那有兩個(gè)使用者，第一個(gè)使用者在第二天早上采取的這個(gè)策略，另一個(gè)使用者在第三天去采取，很可能在第三天去執(zhí)行這個(gè)策略的投資者，他就會(huì)產(chǎn)生虧損，因?yàn)樗械奶桌臻g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(shuō)智能投顧這樣的一種產(chǎn)品，在美國(guó)即使像高盛這樣的非常大的投行，它都仍然會(huì)用資產(chǎn)配置的一個(gè)策略去追求長(zhǎng)期的貝塔回報(bào)，而不是去幫用戶追求短期的阿爾法回報(bào)。 所以 智能投顧應(yīng)該是一種以資產(chǎn)配置理論為基礎(chǔ)的資產(chǎn)配置，而非是一種擇失擇賭的交易。

　　技術(shù)概念要被善用，而非濫用

　　金融科技在這里面主要運(yùn)用的技術(shù)手段有 分布式計(jì)算、大數(shù)據(jù)分析、量化建模、機(jī)器學(xué)習(xí)等。

　　馬克維茨的理論1952年就提出了，那為什么很長(zhǎng)的時(shí)間在業(yè)界大家都是用一種拍腦袋的方式來(lái)進(jìn)行資產(chǎn)的配置，依賴于經(jīng)驗(yàn)?zāi)兀鋵?shí)最大的原因就是它的計(jì)算量非常大。在金融市場(chǎng)無(wú)時(shí)無(wú)刻都在變化，用戶資產(chǎn)也無(wú)時(shí)無(wú)刻都在變化的這種情況下，你去實(shí)時(shí)的計(jì)算這么廣大的一個(gè)計(jì)算量，是過(guò)去沒有辦法做到的。

　　機(jī)器學(xué)習(xí)對(duì)于整個(gè)資產(chǎn)的超配低配的一個(gè)進(jìn)行的是一個(gè)輔助決策。 大家有可能會(huì)問(wèn)說(shuō)為什么不依賴于機(jī)器學(xué)習(xí)來(lái)進(jìn)行一個(gè)全面的判斷，如果人工智能來(lái)判定一種資產(chǎn)會(huì)漲，然后我就根據(jù)這種信號(hào)來(lái)做重倉(cāng)的投資是不是可以？

　　但我們?cè)谒妓?，人工智能在金融上的使用?yīng)該到怎么樣一個(gè)度？它的有效性在哪里？人工智能在金融上的應(yīng)用和在其他的應(yīng)用，有什么非常不一樣的地方？比如說(shuō)AlphaGo，這個(gè)圍棋的一個(gè)游戲，雖然非常復(fù)雜，可能性非常多，但是它畢竟還是一個(gè)規(guī)則非常明確，博弈者只是雙方的一個(gè)封閉式的游戲。而金融市場(chǎng)非常復(fù)雜的一個(gè)地方就在于它的開放性、模糊性和復(fù)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(chǎng)的同時(shí)，金融市場(chǎng)也在反過(guò)來(lái)作用于你，整個(gè)混沌的一個(gè)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(gè)金融的市場(chǎng)，特別是在我們國(guó)家，在信息還不是特別有效的一個(gè)情況下，這種情況更突出。我舉個(gè)例子，比如說(shuō)大家知道A股有一支股票獐子島，有一天它公告說(shuō)業(yè)績(jī)會(huì)受很大的影響，因?yàn)橛幸粋€(gè)冷氣團(tuán)把扇貝都帶走了，扇貝不見了， 6個(gè)月以后它公告說(shuō)這些扇貝又游回來(lái)了，這個(gè)是你機(jī)器沒有任何辦法去預(yù)測(cè)的。

　　這就是為什么我一開始提到說(shuō)“智能投顧”很難去做的阿爾法策略的另一個(gè)原因，就是在個(gè)股的一個(gè)層面，有太多的信息的不有效性，不但受到整個(gè)行業(yè)、地域的一個(gè)影響，還受到這支個(gè)股本身一些非公開信息的影響，所以機(jī)器在個(gè)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(jī)器學(xué)習(xí)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(guò)200年它的回報(bào)大概在6%-7%左右，這個(gè)是我們可以用機(jī)器、用人工智能來(lái)解決的這樣一種對(duì)大類資產(chǎn)配置的基礎(chǔ)。

　　以上可看出，第一個(gè)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(fù)雜上面。

　　深度學(xué)習(xí)適合智能投顧嗎？

　　接下來(lái)，我們要反思一下深度學(xué)習(xí)是不是適合智能投顧。AlphaGo以后深度學(xué)習(xí)非?；?，盡管很多人聲稱自己的產(chǎn)品用了深度學(xué)習(xí)，然而這個(gè)詞在學(xué)術(shù)上是有嚴(yán)格定義的。深度學(xué)習(xí)deep learning是機(jī)器學(xué)習(xí)研究中的一個(gè)新的領(lǐng)域，其動(dòng)機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來(lái)解釋數(shù)據(jù)，例如圖像，聲音和文本。而機(jī)器學(xué)習(xí)還有諸如決策樹模型、SVM模型等很多形式。我們自己做下來(lái)的實(shí)驗(yàn)和結(jié)果是深度學(xué)習(xí)目前在智能投顧上的應(yīng)用還是有一點(diǎn)點(diǎn)局限。我們自己用的是機(jī)器學(xué)習(xí)的另一種模式。

　　原因1：這個(gè)深度學(xué)習(xí)需要的計(jì)算量非常廣大。

　　原因2：深度學(xué)習(xí)往往會(huì)陷入一種局部的最優(yōu)解，但是對(duì)于智能投顧來(lái)說(shuō)，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(shì)的判斷，所以它往往需求的是全局的一個(gè)解。

　　原因3：我們看到深入學(xué)習(xí)有時(shí)候會(huì)出現(xiàn)一種過(guò)度擬合的問(wèn)題，

　　什么叫過(guò)度擬合？這有兩個(gè)例子，中國(guó)股市有個(gè)笑話，招商證券一開策略會(huì)A股就跌，我們?cè)谧亩贾肋@是一個(gè)笑話，但今天如果你是個(gè)機(jī)器，你能不能判斷這兩者是沒有因果關(guān)系偶然出現(xiàn)的情況？還有一個(gè)例子，一個(gè)對(duì)沖基金發(fā)現(xiàn)1983年到1990年斯里蘭卡黃油的出口和美國(guó)的股票指數(shù)的走勢(shì)呈現(xiàn)高度相關(guān)，而到1991年這種重合突然消失了。這之間的關(guān)系是機(jī)器今天可能沒有辦法判斷的。

　　最后還有風(fēng)險(xiǎn)控制的問(wèn)題，就是即使機(jī)器學(xué)習(xí)有99.9%的確定性，是不是能夠在投資上做一個(gè)重賭注，這個(gè)我們?cè)谏弦晃谎葜v者這邊看到說(shuō)判斷語(yǔ)音，判斷錯(cuò)了無(wú)非就是打不出那個(gè)電話而已，但是在金融上，如果你進(jìn)行一個(gè)很大的壓注而壓錯(cuò)了，那往往就可能導(dǎo)致的是破產(chǎn)的結(jié)果。

　　金融界有個(gè)非常好的案例LTCM，兩位金融的大牛，一個(gè)是莫頓，一個(gè)是斯科爾斯，他們是1997年諾貝爾獎(jiǎng)的得獎(jiǎng)?wù)?，他們兩個(gè)人跟當(dāng)時(shí)的債券套利之父梅利威瑟和美聯(lián)儲(chǔ)的副主席戴維莫里斯一起出來(lái)開了LTCM，1993年到1997年每年掙40%的回報(bào)，而回撤幾乎為零。然后到1998年，這個(gè)對(duì)沖基金就破產(chǎn)了，因?yàn)樗麄儧]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(cuò)了。所以這也是人工智能應(yīng)用在金融上我們要特別汲取的教訓(xùn)， 即使依賴于機(jī)器的判斷準(zhǔn)確非常高，我們永遠(yuǎn)要以資產(chǎn)配置的方案來(lái)進(jìn)行風(fēng)險(xiǎn)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(diǎn)做一些判斷，做一些體察。

　　金融和科技的結(jié)合并不是這么簡(jiǎn)單的。