99色在线视频-99色综合-99视频精品全国免费-99视频全部免费-能在线观看的一区二区三区-嗯!啊!使劲用力在线观看

智慧金融一直被認為是AI目前最被看好的落地領域，特別是智能投顧。雖然在歐美國家，智能投顧正在如火如荼的進行，可是我國，情況似乎并不明朗。

作為銀行系首家上線的智能投顧，摩羯智投無論是體量還是影響力上都榜上有名，雖其規模已超80億，但其未設置風險評測機制，基本處于以銷售為導向的階段。而宜信旗下的投米RA，最初上市時主打海外投資，去年6月推出人民幣版本，其風險等級共9等，無論最高還是最低，反反復復就是8只基金，對大額用戶而言，顯然風險不能分散。除了摩羯智投外，其他多家智能投顧們少有向公眾袒露其資產管理規模的，個中原因就值得玩味了。

為什么智能投顧這把火似乎還沒有燎原之勢？

（瑞士銀行設在美國的交易場2011年和2016年的對比）

智能投顧之困局： 霧里看花還是蓄勢待發？

我國的智能投顧從萬眾期待到門可羅雀，智能相對論認為主要有幾點原因：

1、缺乏生長的土壤，智能投顧概念重于形式。

Wealthfront是美國最知名的智能投顧公司之一，主要目標客戶是有充足的現金流，卻沒有時間精力和投資知識來打理自己資產的年輕人。投資的準入門檻很低，設定為5000美元，10000美元以內不收取管理費（超過部分費用約為0.25%），交易程序也被大大簡化，增長速率非常快，在2018年初就已經管理了100億美元的資產。

而我國當前市場上正常的智能投顧均以公募基金為資產標的，通常其認購、贖回、托管成本和管理費用綜合達1%－2%，是國外智能投顧的2－8倍。

智能投顧的實現基于對細分產品的量化，國外的智能投顧投資組合主要以ETF為主。目前美國大概有1600只ETF，共2萬多億美元的市場，而中國僅有100多只ETF，大多數為股票，沒有債券、大宗商品和針對不同的產業的ETF，不能做到分散投資，有效配置資產更無從談起。因此，現在很多所謂的智能投顧，只是投資經理根據自己掌握客戶的投資偏好做統計并推介投資方案，本質上還是披著人工智能‘馬甲’的傳統投顧業務。

同時，智能投顧涉及到投資咨詢、產品銷售和資產管理三塊業務，而國內這三塊牌照是分別發放和監管的。由于是純線上的平臺，監管難度非常大，監管層也處于觀察階段。

因此現階段，智能投顧依然處于概念重于實質階段。未來將如何走，還有待進一發展。

 2、大數據大而不“精”，深度學習黑箱遲遲難揭。

人工智能發展起來的關鍵是有了大量的數據，甚至可以說人工智能發展80%歸于數據的豐富，20%歸于算法的提升。

在金融行業，數據極易標簽化，這給人工智能在金融領域發展極大的利好。然而，從數據大上來說，智能投顧所獲得的數據還不夠多，這個不夠多不是指數量上不夠，而是指維度上的單一。

智能投顧主要是基于用戶畫像和資產刻畫提供精準服務。用戶畫像需要投資者交易行為數據的搜集和分析，而我國客戶的投資行為習慣非常脆弱，客戶是基于長期被動投資、指數投資還是主動投資，帶來的結構對智能投顧的挑戰是截然不同的，因此客戶的風險畫像有時候很難精準表述它的特征。而資產畫像需要對金融產品，以及結合市場的數據的搜集和分析，國內目前在這塊上略顯薄弱。國內擁有成體量的有價值的數據信息的公司很少（BATJ等寥寥幾家）, 而擁有優質數據資源的公司組建了牢不可破的數據封閉體系，并不能很好的互通，再有就是數據整合模式不成熟，缺乏大的平臺型數據公司，造成有價值的數據過于分散，接入成本高。

如果算法在智能投顧賦能中占比20%，那深度學習起了至少一半的作用。據說深度學習領域所認可的人才分兩種。第一種是開宗立派的人物，比如發明CNN(卷積神經網絡)、DNN(深度神經網絡)、RNN(循環神經網絡)的宗師級人物。還有一種，是真正能夠把參數調好的人，這極其稀缺。比如對于多層神經網絡，是設置10層、5層還是7層效果最好？每層都有很多參數，應該輸入多大的數據量才會產生理想結果，這是一個經驗值，甚至沒有規律。比如當你輸入大量數據后，得出一個結論后，你沒辦法回溯怎么得出這個結論的，甚至你無法證明這是最優解。所以深度學習最大的問題是黑箱。

在我國對金融與科技領域的高壓監管下，你顯然無法向監管機構充分解釋神經網絡的運作原理。

3、背后的商業邏輯未變，即配置資產和金融服務的屬性沒變。

傳統投資顧問由專業人士擔任，主要針對高凈值人群，由于人力成本高，傳統投資顧問的管理費普遍高于1%，且邊際成本下降不明顯。但基于計算機算法輔助的智能投顧，管理費普遍在0.25%－0.5%之間，邊際成本隨客戶增多而下降，邊際效應明顯。

但是，相比于傳統機構，智能投顧公司投入市場和運營的花費卻很大。這是典型的互聯網發展模式，先砸錢做用戶量。但是，這樣就增大了獲客成本。這就難免使投資者感到疑惑，估值這么高，你的核心競爭力呢？慧牛也出現了類似的問題，其產品創新乏力，和投米、靈犀智投區別不大，均是基于風險評測得出投資組合，產品同質化嚴重不說，其基金數量極少，風險很大。同時，智能化程度不高，公司盈利率也并不理想。

智能投顧想要顛覆傳統投顧似乎還為時過早。哈佛商學院教授克里斯坦森認為顛覆性分兩種，新市場顛覆——能夠開辟一片新的市場；低端顛覆性——能給現有產品，提供一個更簡單、低價或更方便的替代品，而智能投顧想要顛覆傳統投顧，似乎還為時過早。

理想豐滿現實骨感，智能投顧接下來該怎么破局？

雖然與人相比，機器不會疲勞，可以24*7小時工作，對數據擁有更強的記憶力和掌控力，但是，實踐起來并不容易，是時候打破這一迷霧了。

1、優勢互補，技術與流量的結合

上文提及的Betterment，辛苦10年積攢20萬用戶，資產管理規模100億美元，在短短兩年內，就被老牌資產管理機構Vanguard超越，Vanguard當前管理規模是830億美元，已經是Betterment的8倍。智能投顧的競爭優勢是品牌，而品牌恰恰是老牌資產管理公司的強項。品牌弱，則獲客成本高。高財力、高信任的用戶，轉化成本不是獨立智能投顧所能接受的。

比如中農工建這種大銀行，很早就和BATJ等互聯網金融企業合作。這里合作的一大關鍵就是技術能力。而一些缺乏技術能力的中小銀行，城商行，農商行也顯然有進軍智能投顧的趨勢。他們一方面被大銀行壓的不行，但往往也在地方上有一定的獲客優勢，另一方面他們也往往有銳意創新的需求在，但是礙于其薄弱的技術實力往往很難推進類似的創新，這便可以與具有技術優勢的智能投顧們優勢互補。

銀行天然對風險很敏感，切入點可以是低風險的定投或者偏固收類的資產配置等。總之，采取相互賦能的形式，最大程度的將蛋糕做大。

2、AI+HI，人工智能為主基金經理為輔

金融市場上的收益產生過程與方式千變萬化，只有通過人腦的思考、理解與創新能力，才能夠將其架構成應有的模型。而智能投顧只能在部分程度上完成這個任務，因為它沒有創新與發展的能力。同時智能投顧側重于“投”，缺乏“顧”。

因此現階段，人的干預就顯得十分重要。智能投顧作為一種參考，最終投資建議必須經過人工檢視、處理后才能提供用戶使用。一般，用戶與傳統投資顧問有更多的互動，可以涉及用戶稅收籌劃、房地產投資、子女教育投資等更廣泛的財富管理增值服務。從用戶的角度出發，顧比投甚至更重要。因為對于用戶來說，“投”本身就是智能投顧的分內事。而做到“顧”，需要在投的過程中的適當的人文關懷，就算沒有客套話或者不做大跌時候的心理輔導，也應該給用戶一個投資理念的正確引導。想人之所想，這是獲得用戶信任的不二法門，有時候甚至比投得好（賺錢）還有效。

從行業發展情況來看，由于依托傳統金融機構的平臺資源和客戶渠道，AI+HI的模式是現階段最為有效的方式之一。雖然未來的趨勢勢必是資產配置建議完全由機器人投顧的人工智能算法給出，但是技術的發展是有階段性，先驅和炮灰往往只有一墻之隔。

3、提供數據分析，讓用戶自主選擇

前我國證券市場仍然以散戶為主，市場情緒波動巨大，很容易出現不理性的投資行為。這種非理性行為某種程度上助長了上市公司的有恃無恐，因為投資者的決策并不是依托長期價值，而是通過小道消息、講故事。通過金融學中公認的科學投資方法，如組合投資、資產配置等概念，引導投資者理性配置自己的資產。同時，智能投顧的主要目標人群勢必是年輕人和一大批新中產，這些互聯網原住民對智能投顧的接受度可能略高于一般群體，但對機器的信任值也達不到輕易拿出自己口袋里的錢。

基于這種情況，企業方可以提供很多方便的投資工具或者分析工具。比如基金的優選及診斷，同時配上一些諸如數據回測工具，估值概率分位，因子強弱分析，MPT之類的分析工具。一般來說，人對機器的容錯度往往高于人對人的容錯度，對用戶進行市場教育的同時，給用戶一定的自主選擇，某種程度上增加了其對機器的容錯度。長時間來看，有利于人們對智能投顧的接受。

而當企業采取這種方式，無論是TO C還是TO B，都會產生新的贏利點。

回到最開始的問題，智能相對論認為智能投顧處于蓄勢待發階段。雖然在我們國家既有智能+投，也有智能+顧問，既有機器主導，也有人機融合，不乏各種“掛羊頭賣狗肉”的情況，但我認為這是變革轉型期的常態，無論是歐洲、美國，都會面臨這種魚龍混雜的現象，相信伴隨著AI技術的成熟和相關政策的落實，智能投顧必將顛覆現有的投顧模式。

【來源： 智能相對論】