智能投顾是干什么的？

　　不知大家有没有听过「智能投顾」？如果是第一次听，对于「智能投顾」这个词，你们的第一印象是什么？一个机器人？帮你炒股？预测明天哪支股票涨停或者哪支股票跌停？还是能帮你推荐一支马上能够涨得很好的基金？或者是帮你筛选理财产品？甚至有人说可能是下一个网络金融骗局。

　　智能投顾是从几家硅谷的fintech初创公司如Wealthfront, Betterment和Personal Capital开始的。从前年开始，我们看到业界的巨头也在进入这个行业，贝莱德是全球最大的资产管理公司，它们收购了 Future Advisor，也是一家初创智能投顾公司。高盛、嘉信理财和 RBS 都已经开始独立研发「智能投顾」。在几周前 RBS 还宣布推出用「智能投顾」替代 250 位私人银行家，来取代客户投资顾问的服务。

　　很有意思的是，它们虽然都是不同的机构，有初创公司、有资产管理公司，私行，投行（都是业界的巨头），但是所有国外的智能投顾都遵循一些共同的特质，我总结了三个：

　　特质1： 分散。所有的智能投顾全部都是帮助客户把一部分的钱分散到许多不同的资产类别当中去。

　　特质2： 个性化，它会针对不同的人给出定制化的最优方案。

　　特质3：它并不追求短期的涨跌回报，它 追求的是一种长期的稳健的回报。

　　智能投顾有哪些优势？

　　有一个很好的问题，为什么大家要使用“智能投顾”，它到底有什么优点？总的来说，它有下面几个优点：

　　优点1： 最优配置。最优配置是匹配给每一个不同的投资人的，因为每个人的情况不一样，有的人可能能够承受5%的亏损，有的人却亏一点就夜不能寐；有的人这笔钱可能是马上就要用，但是有的人这笔钱可以放很久。所以不同的人所需要的资产配置解决方案应该是不一样的，它是针对个人的最优配置。

　　优点2： 降低服务门槛。传统上的资产配置是由私人银行加主权基金这些大的机构使用的，通过一个机器人的解决方案，能够把这个服务门槛降到一个普通的中产阶级家庭和新富裕的人群来使用。

　　优点3： 战胜人性（非常有效的一点）。在投资过程中，贪婪和恐惧永远在两端摇摆，人性往往使其做出错误的判断。如果你是一个机器人，则会非常冷静，在恐惧的时候也不会做出错误的决定，从而帮助你去战胜人性的弱点。

　　优点4：它会帮你 降低交易成本，因为智能投顾很多时候是通过 ETF 交易，由于背后是大数据的抓取和海量运算，节省了人工顾问的成本，以及线下开设网点的成本。

　　优点5： 机器人的投顾跟投资人的利益会保持一致。传统的投顾往往根据交易的佣金来获利，所以他们之间存在潜在的利益冲突，他希望你能够频繁交易。但其实频繁的交易可能会导致损失，而机器人投顾不以收取佣金为目的，不以频繁交易为目的，跟你的利益是一致的。

　　稍微讲一下金融理论，所有的智能投顾基于的金融理论都是诺奖得主马科维茨在1952年提出的MPT，现代组合理论。这是所有资产配置模型的先驱，后来通过夏普和华尔街的发展，形成了一套完整的体系，今天普遍的被各个金融专业机构，私人银行，主权财富基金和养老基金使用。它的理论非常简单，可以用这张图(如图一)来表示，图上每一个点都是一种可能的资产配置组合，市场上有很多种产品，那资产配置的任务就是说你有100%的资产，你如何把这100%的资产分散到不同的产品里边去，那任何一个点都是一种可能的资产配置。

　　马科维茨从数学上证明了所有的资产配置的可能性组成了一个面积，最上面的这个向上凸的一根曲线，我们把它叫做有效前沿线，有效前沿线上的每一个点都是一个最优资产配置点。从纵向的角度看，它是在某一个确定风险上你能够取得的回报最好的一个资产配置组合。从横向的角度来看，是在某一个你希望得到的回报上，能够给予你风险最少的资产配置组合，所以这样的点的组合的集合就叫做有效前沿线。“智能投顾”的一个目标就是在我得知每个用户自己的风险的时候，我能够帮助你决定你的最优配置点对应的资产配置以及如何达成这个最优组合。

　　贝塔回报与阿尔法回报

　　一个很有意思的问题，为什么美国所有的智能投顾，都是基于这个资产配置理论呢。这边我首先非常简单的跟大家介绍贝塔回报跟阿尔法回报，所有的资本市场回报都可以被非常简单的归类为无风险回报加贝塔回报加阿尔法回报。举个例子，如果你站在火车上，火车往前开，你跟随火车运动，这个就是β回报，如果你在火车上跑了两步，你比火车跑得快一些，那个就是阿尔法回报。

　　“智能投顾”基于资产配置理论，而资产配置理论是一种贝塔回报理论，它有两个特点：

　　特点1：它的策略容量非常大。

　　特点2：它的有效期可以非常长，对时效的敏感度不高。

　　这两个特点决定了 智能投顾可以为大部分人，而不是一小群人来服务。我举个例子，为什么阿尔法回报很难用大众型的服务来解决，假设说今天有一个“智能投顾”能准确的帮各位去判断明天哪支股票会涨。那么当它预测某个股票给10000个人的时候，这10000个人去买入这支股票，价格就被抬高了，这个策略很可能就失效了。

　　金融市场上，作用者和被作用者是互相影响的，每一个阿尔法策略都有它的容量，还有它有一个有效期。比如说还是这么一个智能投顾，假设他能够准确预测明天涨的股票，那有两个使用者，第一个使用者在第二天早上采取的这个策略，另一个使用者在第三天去采取，很可能在第三天去执行这个策略的投资者，他就会产生亏损，因为所有的套利空间在前一天都已经被有效的捕捉，被消化完了。所以这就是为什么说智能投顾这样的一种产品，在美国即使像高盛这样的非常大的投行，它都仍然会用资产配置的一个策略去追求长期的贝塔回报，而不是去帮用户追求短期的阿尔法回报。 所以 智能投顾应该是一种以资产配置理论为基础的资产配置，而非是一种择失择赌的交易。

　　技术概念要被善用，而非滥用

　　金融科技在这里面主要运用的技术手段有 分布式计算、大数据分析、量化建模、机器学习等。

　　马克维茨的理论1952年就提出了，那为什么很长的时间在业界大家都是用一种拍脑袋的方式来进行资产的配置，依赖于经验呢，其实最大的原因就是它的计算量非常大。在金融市场无时无刻都在变化，用户资产也无时无刻都在变化的这种情况下，你去实时的计算这么广大的一个计算量，是过去没有办法做到的。

　　机器学习对于整个资产的超配低配的一个进行的是一个辅助决策。 大家有可能会问说为什么不依赖于机器学习来进行一个全面的判断，如果人工智能来判定一种资产会涨，然后我就根据这种信号来做重仓的投资是不是可以？

　　但我们在思索，人工智能在金融上的使用应该到怎么样一个度？它的有效性在哪里？人工智能在金融上的应用和在其他的应用，有什么非常不一样的地方？比如说AlphaGo，这个围棋的一个游戏，虽然非常复杂，可能性非常多，但是它毕竟还是一个规则非常明确，博弈者只是双方的一个封闭式的游戏。而金融市场非常复杂的一个地方就在于它的开放性、模糊性和复杂性。它的博弈方非常多，影响的变量也非常多，那你在作用于金融市场的同时，金融市场也在反过来作用于你，整个混沌的一个系统是非常不确定的。

　　货币面、情绪面和基本面交织地影响着我们这个金融的市场，特别是在我们国家，在信息还不是特别有效的一个情况下，这种情况更突出。我举个例子，比如说大家知道A股有一支股票獐子岛，有一天它公告说业绩会受很大的影响，因为有一个冷气团把扇贝都带走了，扇贝不见了， 6个月以后它公告说这些扇贝又游回来了，这个是你机器没有任何办法去预测的。

　　这就是为什么我一开始提到说“智能投顾”很难去做的阿尔法策略的另一个原因，就是在个股的一个层面，有太多的信息的不有效性，不但受到整个行业、地域的一个影响，还受到这支个股本身一些非公开信息的影响，所以机器在个股层面做判断是比较难的。而我们 选择在大类资产上用机器学习去做辅助，它的原因在于大量资产是有周期性和回归性的。如果我们看美股的话，再过200年它的回报大概在6%-7%左右，这个是我们可以用机器、用人工智能来解决的这样一种对大类资产配置的基础。

　　以上可看出，第一个人工智能在金融系统上使用的局限，体现在金融系统的模糊和复杂上面。

　　深度学习适合智能投顾吗？

　　接下来，我们要反思一下深度学习是不是适合智能投顾。AlphaGo以后深度学习非常火，尽管很多人声称自己的产品用了深度学习，然而这个词在学术上是有严格定义的。深度学习deep learning是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。而机器学习还有诸如决策树模型、SVM模型等很多形式。我们自己做下来的实验和结果是深度学习目前在智能投顾上的应用还是有一点点局限。我们自己用的是机器学习的另一种模式。

　　原因1：这个深度学习需要的计算量非常广大。

　　原因2：深度学习往往会陷入一种局部的最优解，但是对于智能投顾来说，它可能需要的是一种模糊的正确，而不是一种非常精确的答案，它需要的是一种趋势的判断，所以它往往需求的是全局的一个解。

　　原因3：我们看到深入学习有时候会出现一种过度拟合的问题，

　　什么叫过度拟合？这有两个例子，中国股市有个笑话，招商证券一开策略会A股就跌，我们在座的都知道这是一个笑话，但今天如果你是个机器，你能不能判断这两者是没有因果关系偶然出现的情况？还有一个例子，一个对冲基金发现1983年到1990年斯里兰卡黄油的出口和美国的股票指数的走势呈现高度相关，而到1991年这种重合突然消失了。这之间的关系是机器今天可能没有办法判断的。

　　最后还有风险控制的问题，就是即使机器学习有99.9%的确定性，是不是能够在投资上做一个重赌注，这个我们在上一位演讲者这边看到说判断语音，判断错了无非就是打不出那个电话而已，但是在金融上，如果你进行一个很大的压注而压错了，那往往就可能导致的是破产的结果。

　　金融界有个非常好的案例LTCM，两位金融的大牛，一个是莫顿，一个是斯科尔斯，他们是1997年诺贝尔奖的得奖者，他们两个人跟当时的债券套利之父梅利威瑟和美联储的副主席戴维莫里斯一起出来开了LTCM，1993年到1997年每年挣40%的回报，而回撤几乎为零。然后到1998年，这个对冲基金就破产了，因为他们没有考虑到俄罗斯政府违约的可能性，甚至加了很重的杠杆，押了非常高的赌注，最后压错了。所以这也是人工智能应用在金融上我们要特别汲取的教训， 即使依赖于机器的判断准确非常高，我们永远要以资产配置的方案来进行风险分散。

　　今天我们看到有很多的公司宣称自己在人工智能的做“智能投顾”，也是建议大家在这一点做一些判断，做一些体察。

　　金融和科技的结合并不是这么简单的。