Al x 量化:智能投顾戳中了金融机构财富管理业务的哪些痛点?

雷锋网按:在美国,交易员、量化研究员正在慢慢消失,而与此相反,金融科技、机器学习以及人工智能方面的招聘岗位却在逐步上升。这又说明了什么呢?

要解释这一现象,我们先要了解什么是智能投顾,以及我们为什么要做智能投顾?

常见的智能投顾都是“人工的智能”

王蓁博士在雷锋网(公众号:雷锋网)AI慕课学院的直播课(http://www.mooc.ai/course/157)中告诉我们,国内号称在做智能投顾的公司数量至少有300到500家,而这300到500家公司里面99%可能都是P2P公司。如果你要说每一家P2P公司都是擅长人工智能或者机器学习,这种说法确实很难让人信服;与此相反,他们可能更擅长的是进行网络借贷业务。

市场上大家耳熟能详的一些智能投顾其实都是“人工的智能”——人在背后进行的操作,而在前端封装成一个自动化的工具,实际上并没有真正地实现我们预想的机器学习、没有人工干预的智能。

Al x 量化:智能投顾戳中了金融机构财富管理业务的哪些痛点?

Black-Litterman模型是上世纪90年代由高盛的Fisher Black和Robert Litterman提出的,是一种对传统Markowitz均值方差模型的改进。该模型可以在市场基准的基础上,由投资者对某些大类资产提出倾向性意见,模型会根据投资者倾向性意见,输出对该大类资产的配置建议。

Black-Littermanm模型自提出来后,已经逐渐被华尔街主流所接受,现在已经成为高盛公司资产管理部门在资产配置上的主要工具,并且被多个投资银行和资产管理公司用来进行资产配置。而其核心就是人工的智能,即人把自己的观点输入到模型进行干预,而真正的智能投顾是没有人工干预的,也就是说智能投顾一定不是BL模型。

Al x 量化:智能投顾戳中了金融机构财富管理业务的哪些痛点?

对于传统资产配置模型,当我们在进行公募基金的配置的时候,可能90%多的配置比例都会配置到货币基金和理财产品当中去,因此我们其实是完全没有实现任何资产配置的功能,这是传统资产模型天生的一些缺陷。

而传统的资产配置模型还有一个问题是它会进行频繁的调仓,只要输入非常小幅度的改变可能就会导致资产配置结果的巨大震荡。传统的资产配置模型,比如昨天配置50%的股和50%的债,但今天很可能配置的是90%的债券和10%的股票,这样用户就不得不进行频繁的调仓,而更高的调仓频率带来的是费用的问题,我们最终会导致我们所有挣的钱可能都交了手续费了。

而当我们真正在做公募基金组合的时候,我们还需要考虑公募基金一些特殊的一些情况,比如我们申购和赎回的时间是存在滞后性,你在今天买公募基金的时候,其实你并不知道你会买入多少份,因为它在几个交易日之后才会给你确认买入价格,那时候你才知道你买了多少份额,而你赎回的时候也有同样的问题。

另外一个是起投门槛的问题,因为不同的公募基金基金类型有ABCE甚至各种其他的类型,每一种不同的类型,它的收费方式不一样的,它的费用可能包括每年的管理费,可能包括销售服务费,可能包括前端费用,后端费用,可能还包括锁定期的费用。比如说我们一般都说C类基金没有费用,但实际上的情况并不是这样的。因为C类基金它不但有固定管理费,有的C类基金可能还会收比较高的销售服务费。

一般来讲,对于C类基金,如果购买时间不足一年的话,还可能会收一笔锁定期的费用,虽然可能只有千分之一或者是更低,但是它其实就是有收取费用的,无形中便增加了模型的复杂度。再比如说B类基金,它可能更多是偏向于机构投资者或者高净值客户。很多B类基金,它的投资门槛可能是500万人民币起。

除了BL模型(Black-Litterman模型),其他常见的模型如现代资产组合理论、马克维茨模型、均值方差模型(MVO)等,在国内都不可行,其中,使用BL模型的一定是“人工的智能” 投顾。就实际问题维度,国内公募基金交易存在申购赎回的时间滞后、赎回价格的不确定性等问题。

很多银行证券、基金在做这种资产配置的时候,不但有公募基金类似的配置需求,而且有可能想添加一些自由产品——理财产品。理财产品可以是银行净值型理财,也可以是P2P产品,甚至可能是非标型的产品。由于这种P2P产品可能是非标型的,因而在跨大类资产配置时,我们就需要解决大类资产不同之间的稳定性和有效性等问题。而跨大类资产配置的调仓流动性则是一个更难的问题。

假设我们买了一个锁定期为一年的银行理财,虽然公募基金流动性有T+X(1、2、3…)之间的区别,但是相对于私募基金一年锁定期来讲都是可以忽略不计的,在这种情况下我们该如何处理?我们如果调仓,这个时间市场如果又变化了,我们依然可以调公募基金;但是私募基金占用的资金成本在锁定期内该如何去调仓则是一个很实际的问题,还有很多很细的问题,只有亲自去进行一个智能投顾系统的实施和部署,你才能体会到真正有多少的实际问题,有多少个坑在前面等着你。

{王蓁博士是目前国内唯一没有人工干预的智能投顾系统、从产品需求设计到整个算法研究,带领开发团队进行系统开发以及机构部署唯一负责人,将在《智能投顾高级特训班》(http://www.mooc.ai/course/157)系列课程中为我们分享,关于智能投顾原理、业态、算法模型和应用落地的一切。}

量化投资是新概念吗?

量化投资是指通过数量化方式及计算机程序化发出买卖指令,以获取稳定收益为目的的交易方式。在海外的发展已有30多年的历史,其投资业绩稳定,市场规模和份额不断扩大、得到了越来越多投资者认可。

事实上,互联网的发展,使得新概念在世界范围的传播速度非常快,作为一个概念,量化投资并不算新,国内投资者早有耳闻。但是,真正的量化基金在国内还比较罕见。

在国内现有的量化投资环境下,投资容易获得收益吗?

国内常见的量化私募或者量化投资,一般来讲还是偏高频交易。

Al x 量化:智能投顾戳中了金融机构财富管理业务的哪些痛点?

在国内现有的量化投资环境下,投资容易获得收益吗?

其实本质上问这个问题是想回答为什么我们需要智能投顾。随着我国经济进入新常态,资产的投资收益率会越来越低,这个时候就需要有新的投资方式,也是更理性更成熟的投资方式——量化投资,这也是在发达国家已经被广泛采用的投资方式。

智能投顾市场有多火爆?

在百科上,智能投顾的定义颇为繁琐。“智能投顾指虚拟机器人基于客户自身的理财需求,基于当前市场状况和底层标的表现,基于金融和投资学的投资组合理论,通过算法和产品搭建一个数据模型,来完成以往人工提供的理财顾问服务。 ”

Al x 量化:智能投顾戳中了金融机构财富管理业务的哪些痛点?

国内的理财顾问实际上对于金融可能所知并不是太多,更多的是在维护客户关系以及销售上。王蓁博士定义的智能投顾是一套能够独立运行的系统,可以不需要人工干预,并且告诉理财顾问或者告诉个人投资者,你应该如何根据你的实际情况进行资产配置,最后组成一个组合投资,为投资者赚到钱。

智能投顾要解决什么问题?

第一,提升产能。财富快速增长带来旺盛的市场需求、人手不足引发产能矛盾、难以覆盖更多的群体,在智能投顾中都将得到一定的解决。

第二,个性化——理解每一个客户的个性化需求。有了客户的实际需求,然后就能进行类资产进行配置、选优,符合用户的实际需求,组建成一个个性化的投资组合。智能投顾其实很好地解决了财富管理行业在当前的痛点,也满足了未来发展趋势。

第三、紧跟市场。所有的定投,所有的买入持有策略、被动投资策略,甚至不适用美国美国市场、欧洲市场,这也对投研能力提出新的挑战。

第四、一致性。一致性即全流程,包括体验,服务流程,投资方案,投后的服务业务的解释和客户心理的安抚,定期的业绩回顾和市场教育。

第五、随时在线。智能投顾将实现互联网+数字化+智能化+24*7服务,可持续改进交互方法。

第六,提高效益。解决大量闲置的数据无法发挥效率(非机构化数据,文档、语音,离散的结构化数据),发现更多的业务机会同时降低成本。

详细课程内容,请点击http://www.mooc.ai/course/157

添加助手小艾(微信号MOOCCAI),发送“智能投顾”,并提交姓名+公司/职位,加入“智能投顾”行业交流群,同行业大咖玩转智能投顾。


【智能投顾高级特训班】

AI+金融热潮下紧抓智能投顾前沿趋势!

四大行实操智能投顾系统端到端的经典案例,手把手教你利用人工智能算法搭建系统的智能投顾项目!

课程链接:http://www.mooc.ai/course/157

加入AI慕课学院人工智能学习交流QQ群:624413030,与AI同行一起交流成长

相关文章:

激烈竞标、P2P画皮、梯队站位,2017中国智能投顾之江湖风云

华尔街老司机:在美火热的智能投顾,如何移植到中国?

回顾 | Al x 量化:智能投顾如何解决金融机构财富管理业务的痛点?

回顾 | 风口杀到,智能投顾却在中国遭遇水土不服?

原创文章,作者:ItWorker,如若转载,请注明出处:https://blog.ytso.com/71382.html

(0)
上一篇 2021年8月11日
下一篇 2021年8月11日

相关推荐

发表回复

登录后才能评论