|
投资科技应用前景广阔 根据Casey Quirk的预测，至2019年中国将成为仅次于美国的第二大资产管理市场，2030年中国资管规模将从2016年的2.8万亿美元跃升至17万亿美元，CAGR 13.8%。随着中国资产管理业务规模的快速增长，对于投资科技的需求也将进一步释放。 资管新规实施后，银行理财、券商资管、保险资管等向净值化转型的过程中，可通过加大科技投入，或与第三方金融科技公司合作，来达到以下几个目标： 1）构建自己的核心投资管理能力，打造投资研究、投资管理、风控及运营一体化的端到端资产管理系统平台； 2）建立或优化智能投顾平台，建立服务零售长尾客群的直销渠道； 3）拓展投资能力的边界，通过直投、委外、投资外包等多种模式布局各类资产。
金融科技在资产管理方面的落地应用 金融行业的业务模式、管理模式正在发生巨大的变革。新技术的快速发展深化了金融科技的应用，云计算、大数据、人工智能、区块链、机器人、流程自动化等技术与金融业务高度融合，不断创造新的金融解决方案。 具体来说，云计算为金融机构提供低成本、高效率的IT基础设施，在安全合规的前提下有力支持了业务快速上线和灾备的需求。大数据技术为金融行业带来海量的数据并提供价值挖掘的有效方式，能进行更精准的预测，提高经营效率并降低获客成本。人工智能技术模拟人的认知与能力，推进普惠金融，并提高金融行业的数据处理和风险控制能力。区块链技术以科技带来信任，简化机构间的清算流程，降低成本。机器人、流程自动化技术能进行高重复性、逻辑确定并且稳定性要求相对较低的流程性工作，提高工作效率。 尤其是人工智能技术的发展，可以为资管行业面临的痛点提出更多解决方案，包括智能投研、智能策略、智能风控、智能投顾等，覆盖资管产业全链条，在降低成本的同时，提升了整体效益。 一、智能投研 智能投研对研究数据和研究成果进行智能整合和关联，全面颠覆投研人员数据获取的方式，大幅提升投研工作效率和投研能力。智能投研能够获取社交平台、新闻报道等舆情信息，综合经济周期、行业规律、公司基本面等多方面因素，理解市场变化，通过对海量金融数据的自动学习，预测事件变化趋势和规律，做出相应的决策。其中的关键技术包括网页正文提取、重复数据去除、分词、命名实体识别和排歧、关系提取、关联规则挖掘、情感分析、机器学习等。 传统的投研过程包括信息搜索与收集、数据和知识提取、分析研究、观点呈现四个步骤。人工智能技术在每个步骤都有显著提升投研效率的可能性。
1) 在信息搜索方面，利用人工智能技术，计算机可以处理研究报告和公司财报，提升投资者处理资讯的效率。利用自然语言处理技术，计算机可以自动“阅读”海量资讯，将其分门别类，同时将重复内容去除，只推送用户最关注的资讯。甚至利用机器学习技术，计算机可以基于投资者过去分析资讯的记录大致判断其重要性，将重要资讯展现给用户。可以预期的是，随着人工智能技术应用成本的降低，这类应用场景将更加普遍，从而大幅降低研究员在信息搜索和整理方面花费的时间。 2) 在知识提取方面，人工智能技术具有强大的信息整合和学习能力，可以辅助研究员完成不同的研究需求。例如，通过人工智能技术，研究员可以查询与当前市场环境最相似的历史场景；以及在不同宏观事件或公司事件发生之后，提供有效的投资建议。 3) 在分析研究方面，人工智能技术可以对获取的信息进行深入挖掘，将不同的信息关联、整合起来，构建知识图谱，并且通过自然语言处理技术实现人机交互，服务研究工作。知识图谱本质上是语义网络，是一种基于图的数据结构，可以建立起上市公司和与其关联度最高的上下游公司、行业、宏观经济之间的关系。如果某公司发生了高风险事件，可以及时预测未来有潜在风险的关联行业和公司；如果宏观经济或者政策发生变化，也可以及时发现投资机会。 4) 在观点呈现方面，人工智能使得碎片化的研究成果和投研模型在系统中沉淀积累，构建投研核心竞争力，为投资决策提供重要支持，并且研究成果和投研模型不会伴随着研究员的离职而丢失。 二、智能策略 传统的量化交易是投资人员根据财务、交易等投资数据进行建模，分析其显著特征，利用回归分析等机器学习算法自动生成投资指令。智能策略将传统的量化交易模型与大数据分析、人工智能技术相结合，对策略进行优化和提升。一方面在策略中使用人工智能算法，改善策略质量；另一方面根据投资者的风险偏好、投资年限、资金规模等需求为客户提供策略建议，并根据市场的波动及时向投资者推送策略。
根据人工智能模型确定的投资策略可以挖掘数据之间的非线性关系并保持理性。一方面，传统交易策略主要构建数据中的线性关系，而对非线性关系难以直观理解。与之相比，人工智能方法能够从复杂的数据中提炼非线性关系。金融市场中，变量之间关系复杂。例如，股票走势不仅与公司基本面有关系，而且和宏观经济、大盘走势、投资者情绪等众多变量相关，人类投资者不善于处理这样的问题。人工智能擅长从复杂的历史数据中寻找规律、学习知识，将更广泛、更复杂的因素纳入走势预测的分析中，用来指导未来的交易决策。例如，量化交易中常用的多因子选股策略一般是通过多个因子的线性组合来预估股票未来表现，而智能策略将投资者认为与股票收益相关的因素（例如规模、反转、估值、流动性等选股因子）、股票的行业特性以及由市场交易产生的技术指标等作为股票的特征，通过机器学习的手段，从历史数据中挖掘这些股票特征与股票未来收益的关系。从数据中挖掘人类难以识别的非线性关系，是人工智能用于投资的重要优势。 另一方面，人类投资者并非始终是理性的。行为金融理论表明，人类投资者在不同的情景下，风险偏好可能不一样，过度乐观或者过度保守都可能让投资者做出错误的投资决策。而与人类投资者不一样，计算机决策不容易受到情感左右，可以做出更加理性的判断。 三、智能风控 风险是金融行业的固有特性，与之相伴而生的风险防控是传统机构面临的核心问题。智能风控主要得益于以人工智能为代表的新兴技术在近年来的快速发展。与传统风控手段相比，智能风控改变了过去以满足合规监管要求为主的被动式管理模式，转向以依托新技术进行监测预警为主的主动式管理模式。大数据技术能通过模型构建客户画像和企业经营全景视图，由系统自动实时抓取外部信息，及时获得关注对象的行业、舆情、诉讼、招聘等多个不同维度信息，识别可疑信息和违规操作，强化风险防控和预判能力，并开展上下游全产业链监控，从而提升风险预警精度，不断优化风险评估模型。
四、智能投顾 传统的投资顾问站在投资者的角度，帮助投资者规划符合其投资风险偏好、满足特定时刻资金需求并适应相应市场表现的投资组合。因此，投资顾问的专业性较高，需要收取昂贵的费用，只能服务于高净值客户而较难服务大众。 智能投顾能以较低的成本去帮助投资者进行资产配置管理。根据投资者的风险承受能力、风险偏好、财务状况和理财目标等特征，运用智能算法及投资组合理论模型，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。目前，国外机器人投顾产品已实现初步发展，投资标的主要是ETF基金，并且提供后续组合跟踪、资产再平衡、节税等服务。相对于传统的投资顾问，智能投顾使所有客户都能够享受之前只有高端客户才能够拥有的投资顾问服务，降低了资产管理行业的服务成本。 具体来说，智能投顾模型通过对客户可观测数据和主观问卷的综合分析，划分出不同客户群及对应的大类资产配置方案，实现战略配置；在战术配置中，根据投资研究、机器学习等方法得出各个市场的判断后，通过演算模型得出各个市场的配置比例，与客户的个性化资产配置匹配。产品经理可根据智能投顾模型得出的资产配置结果寻找市场上风格一致的产品，得出产品配置方案，提供给线上客户或者理财师。配置完成后，平台会进行持续跟踪和监控，并给出调仓建议，保障配置的有效性，控制投资风险。智能投顾可为投资者实现投资组合创建和优化、产品深度分析、智能择时、SmartBeta评价体系、风险控制体系、流动性管理与费率优化、投资组合监控等功能。 按人力参与程度，智能投顾分为全智能投顾（机器主导，人工有限参与）、人机结合的半智能投顾和以人为主的智能投顾（机器只起有限的辅助作用）三种模式。在智能投顾发展的前期，机器主导的全智能投顾模式占据了主流市场，国外以Wealthfront、Betterment、嘉信理财智能投资组合为代表。以人为主的智能投顾目前主要以社交跟投和投资策略为主流模式，国外以Motif、Covestor为代表。但对于高净值客户，服务质量是主要的考虑因素，人工投顾仍然具有必要性，因而，人机结合的智能投顾逐渐受到重视，未来有望成为智能投顾的重要模式。
目前，金融科技依托各类创新技术对传统金融行业的产品及服务进行升级，拓宽了传统金融机构的获客渠道，提高了金融服务运作效率，强化了投资管理能力，完善了风险管理体系，降低了交易成本，更好地满足了人们的金融需求。金融科技的核心价值并不是颠覆，而是提供更完善的金融服务体验，创建新颖的、更贴近用户的业务模式。在可以预见的未来，科技会以金融行业的需求为导向，在服务和模式上不断创新，推动金融行业的发展和进步。 萝卜投资是通联数据倾力打造的新一代投资科技平台。欢迎报名加入萝卜投资种子用户计划，体验AI时代资产管理系统的“不一样”。 |
|
|
▲ 资料来源: Casey Quirk，萝卜投资
▲ 资料来源: 萝卜投资整理
▲ 资料来源: 萝卜投资整理
▲ 资料来源: 萝卜投资整理
▲ 资料来源: 萝卜投资整理
