驱动号
首页 人工智能 阅读正文 :
推荐小米汽车SU7正式发布 21.59万元起售

风口之上,智能投顾怎么突然失声了

来源: 驱动中国 作者:智能相对论 2018-03-28 00:18 访问量: 编辑:智能相对论

文|雷宇

来源|智能相对论(aixdlun)

智慧金融一直被认为是AI目前最被看好的落地领域,特别是智能投顾。虽然在欧美国家,智能投顾正在如火如荼的进行,可是我国,情况似乎并不明朗。

作为银行系首家上线的智能投顾,摩羯智投无论是体量还是影响力上都榜上有名,虽其规模已超80亿,但其未设置风险评测机制,基本处于以销售为导向的阶段。而宜信旗下的投米RA,最初上市时主打海外投资,去年6月推出人民币版本,其风险等级共9等,无论最高还是最低,反反复复就是8只基金,对大额用户而言,显然风险不能分散。除了摩羯智投外,其他多家智能投顾们少有向公众袒露其资产管理规模的,个中原因就值得玩味了。

为什么智能投顾这把火似乎还没有燎原之势?

(瑞士银行设在美国的交易场2011年和2016年的对比)

智能投顾之困局: 雾里看花还是蓄势待发?

我国的智能投顾从万众期待到门可罗雀,智能相对论(ID:aixdlun)认为主要有几点原因:

1、缺乏生长的土壤,智能投顾概念重于形式。

Wealthfront是美国最知名的智能投顾公司之一,主要目标客户是有充足的现金流,却没有时间精力和投资知识来打理自己资产的年轻人。投资的准入门槛很低,设定为5000美元,10000美元以内不收取管理费(超过部分费用约为0.25%),交易程序也被大大简化,增长速率非常快,在2018年初就已经管理了100亿美元的资产。

而我国当前市场上正常的智能投顾均以公募基金为资产标的,通常其认购、赎回、托管成本和管理费用综合达1%-2%,是国外智能投顾的2-8倍。

智能投顾的实现基于对细分产品的量化,国外的智能投顾投资组合主要以ETF为主。目前美国大概有1600只ETF,共2万多亿美元的市场,而中国仅有100多只ETF,大多数为股票,没有债券、大宗商品和针对不同的产业的ETF,不能做到分散投资,有效配置资产更无从谈起。因此,现在很多所谓的智能投顾,只是投资经理根据自己掌握客户的投资偏好做统计并推介投资方案,本质上还是披着人工智能‘马甲’的传统投顾业务。

同时,智能投顾涉及到投资咨询、产品销售和资产管理三块业务,而国内这三块牌照是分别发放和监管的。由于是纯线上的平台,监管难度非常大,监管层也处于观察阶段。

因此现阶段,智能投顾依然处于概念重于实质阶段。未来将如何走,还有待进一发展。

 2、大数据大而不“精”,深度学习黑箱迟迟难揭。

人工智能发展起来的关键是有了大量的数据,甚至可以说人工智能发展80%归于数据的丰富,20%归于算法的提升。

在金融行业,数据极易标签化,这给人工智能在金融领域发展极大的利好。然而,从数据大上来说,智能投顾所获得的数据还不够多,这个不够多不是指数量上不够,而是指维度上的单一。

智能投顾主要是基于用户画像和资产刻画提供精准服务。用户画像需要投资者交易行为数据的搜集和分析,而我国客户的投资行为习惯非常脆弱,客户是基于长期被动投资、指数投资还是主动投资,带来的结构对智能投顾的挑战是截然不同的,因此客户的风险画像有时候很难精准表述它的特征。而资产画像需要对金融产品,以及结合市场的数据的搜集和分析,国内目前在这块上略显薄弱。国内拥有成体量的有价值的数据信息的公司很少(BATJ等寥寥几家), 而拥有优质数据资源的公司组建了牢不可破的数据封闭体系,并不能很好的互通,再有就是数据整合模式不成熟,缺乏大的平台型数据公司,造成有价值的数据过于分散,接入成本高。

如果算法在智能投顾赋能中占比20%,那深度学习起了至少一半的作用。据说深度学习领域所认可的人才分两种。第一种是开宗立派的人物,比如发明CNN(卷积神经网络)、DNN(深度神经网络)、RNN(循环神经网络)的宗师级人物。还有一种,是真正能够把参数调好的人,这极其稀缺。比如对于多层神经网络,是设置10层、5层还是7层效果最好?每层都有很多参数,应该输入多大的数据量才会产生理想结果,这是一个经验值,甚至没有规律。比如当你输入大量数据后,得出一个结论后,你没办法回溯怎么得出这个结论的,甚至你无法证明这是最优解。所以深度学习最大的问题是黑箱。

在我国对金融与科技领域的高压监管下,你显然无法向监管机构充分解释神经网络的运作原理。

3、背后的商业逻辑未变,即配置资产和金融服务的属性没变。

传统投资顾问由专业人士担任,主要针对高净值人群,由于人力成本高,传统投资顾问的管理费普遍高于1%,且边际成本下降不明显。但基于计算机算法辅助的智能投顾,管理费普遍在0.25%-0.5%之间,边际成本随客户增多而下降,边际效应明显。

但是,相比于传统机构,智能投顾公司投入市场和运营的花费却很大。这是典型的互联网发展模式,先砸钱做用户量。但是,这样就增大了获客成本。这就难免使投资者感到疑惑,估值这么高,你的核心竞争力呢?慧牛也出现了类似的问题,其产品创新乏力,和投米、灵犀智投区别不大,均是基于风险评测得出投资组合,产品同质化严重不说,其基金数量极少,风险很大。同时,智能化程度不高,公司盈利率也并不理想。

智能投顾想要颠覆传统投顾似乎还为时过早。哈佛商学院教授克里斯坦森认为颠覆性分两种,新市场颠覆——能够开辟一片新的市场;低端颠覆性——能给现有产品,提供一个更简单、低价或更方便的替代品,而智能投顾想要颠覆传统投顾,似乎还为时过早。

理想丰满现实骨感,智能投顾接下来该怎么破局?

虽然与人相比,机器不会疲劳,可以24*7小时工作,对数据拥有更强的记忆力和掌控力,但是,实践起来并不容易,是时候打破这一迷雾了。

1、优势互补,技术与流量的结合

上文提及的Betterment,辛苦10年积攒20万用户,资产管理规模100亿美元,在短短两年内,就被老牌资产管理机构Vanguard超越,Vanguard当前管理规模是830亿美元,已经是Betterment的8倍。智能投顾的竞争优势是品牌,而品牌恰恰是老牌资产管理公司的强项。品牌弱,则获客成本高。高财力、高信任的用户,转化成本不是独立智能投顾所能接受的。

比如中农工建这种大银行,很早就和BATJ等互联网金融企业合作。这里合作的一大关键就是技术能力。而一些缺乏技术能力的中小银行,城商行,农商行也显然有进军智能投顾的趋势。他们一方面被大银行压的不行,但往往也在地方上有一定的获客优势,另一方面他们也往往有锐意创新的需求在,但是碍于其薄弱的技术实力往往很难推进类似的创新,这便可以与具有技术优势的智能投顾们优势互补。

银行天然对风险很敏感,切入点可以是低风险的定投或者偏固收类的资产配置等。总之,采取相互赋能的形式,最大程度的将蛋糕做大。

2、AI+HI,人工智能为主基金经理为辅

金融市场上的收益产生过程与方式千变万化,只有通过人脑的思考、理解与创新能力,才能够将其架构成应有的模型。而智能投顾只能在部分程度上完成这个任务,因为它没有创新与发展的能力。同时智能投顾侧重于“投”,缺乏“顾”。

因此现阶段,人的干预就显得十分重要。智能投顾作为一种参考,最终投资建议必须经过人工检视、处理后才能提供用户使用。一般,用户与传统投资顾问有更多的互动,可以涉及用户税收筹划、房地产投资、子女教育投资等更广泛的财富管理增值服务。从用户的角度出发,顾比投甚至更重要。因为对于用户来说,“投”本身就是智能投顾的分内事。而做到“顾”,需要在投的过程中的适当的人文关怀,就算没有客套话或者不做大跌时候的心理辅导,也应该给用户一个投资理念的正确引导。想人之所想,这是获得用户信任的不二法门,有时候甚至比投得好(赚钱)还有效。

从行业发展情况来看,由于依托传统金融机构的平台资源和客户渠道,AI+HI的模式是现阶段最为有效的方式之一。虽然未来的趋势势必是资产配置建议完全由机器人投顾的人工智能算法给出,但是技术的发展是有阶段性,先驱和炮灰往往只有一墙之隔。

3、提供数据分析,让用户自主选择

前我国证券市场仍然以散户为主,市场情绪波动巨大,很容易出现不理性的投资行为。这种非理性行为某种程度上助长了上市公司的有恃无恐,因为投资者的决策并不是依托长期价值,而是通过小道消息、讲故事。通过金融学中公认的科学投资方法,如组合投资、资产配置等概念,引导投资者理性配置自己的资产。同时,智能投顾的主要目标人群势必是年轻人和一大批新中产,这些互联网原住民对智能投顾的接受度可能略高于一般群体,但对机器的信任值也达不到轻易拿出自己口袋里的钱。

基于这种情况,企业方可以提供很多方便的投资工具或者分析工具。比如基金的优选及诊断,同时配上一些诸如数据回测工具,估值概率分位,因子强弱分析,MPT之类的分析工具。一般来说,人对机器的容错度往往高于人对人的容错度,对用户进行市场教育的同时,给用户一定的自主选择,某种程度上增加了其对机器的容错度。长时间来看,有利于人们对智能投顾的接受。

而当企业采取这种方式,无论是TO C还是TO B,都会产生新的赢利点。

回到最开始的问题,智能相对论(ID:aixdlun)认为智能投顾处于蓄势待发阶段。虽然在我们国家既有智能+投,也有智能+顾问,既有机器主导,也有人机融合,不乏各种“挂羊头卖狗肉”的情况,但我认为这是变革转型期的常态,无论是欧洲、美国,都会面临这种鱼龙混杂的现象,相信伴随着AI技术的成熟和相关政策的落实,智能投顾必将颠覆现有的投顾模式。

智能相对论(微信id:aixdlun):深挖人工智能这口井,评出咸淡,讲出黑白,道出深浅。重点关注领域:AI+医疗、机器人、智能驾驶、AI+硬件、物联网、AI+金融、AI+安全、AR/VR、开发者以及背后的芯片、算法、人机交互等。