智能投顧：一個文獻綜述

2018-04-28 10:09:08賴慶晟

時代金融 2018年9期

【摘要】本文通過對智能投顧的理論依據、技術條件及應用場景等相關研究文獻進行梳理，提出未來智能投顧在如何構建系統集成的技術框架以及設計全套應用服務體系等方面，值得深入研究。

【關鍵詞】智能投顧金融科技資產配置

一、引言

智能投顧，是運用一系列人工智能機器學習算法、投資組合優化等理論模型，并根據投資者的風險承受水平、收益目標以及偏好等要求，為用戶提供智能化投資建議、資產配置及其它增值服務的在線投顧服務模式。智能投顧的理論依據，是基于以Markowitz均值-方差模型、Black-Litterman模型為代表的現代投資組合理論模型。隨著大數據、云計算、人工智能等金融科技創新發展的推動下，智能投顧隨之產生并已獲得了較廣泛的應用，未來前景看好。

二、智能投顧的理論依據：現代投資組合理論模型

智能投顧的理論依據，是基于以Markowitz均值-方差模型為代表的現代投資組合理論模型。Markowitz（1952）[15]提出均值-方差模型，使用期望收益和市場波動風險來構建投資組合，奠定量化資產配置的理論基礎。Markowitz均值-方差模型的期望收益率用各種資產歷史收益率分布下的均值來表示，而風險則使用方差來度量，以獲取在一定程度的市場波動風險水平下的資產組合收益最大化，或者實現目標收益水平下的資產組合風險最小化。因為Markowitz均值-方差模型是以歷史情形會重復出現作為假設前提條件，來通過歷史收益率和市場波動方差來建立最優投資組合，各種資產收益率及方差可能會和歷史數據不一樣，所以有必要對Markowitz均值-方差模型的市場均衡配置權重做調整修正，從而優化投資組合獲得更大收益。

針對Markowitz均值-方差模型在市場均衡配置權重存在缺陷，Black和Litterman（1992）[2]在基于歷史數據的Markowitz均值-方差模型的基礎上，利用貝葉斯方法，在模型中加入投資者主觀觀點，提出Black-Litterman模型，使得資產配置受到市場均衡權重和投資者主觀預期兩個方面的共同影響，修正了Markowitz均值-方差模型在市場均衡配置權重方面的局限。

針對Black-Litterman模型的主觀觀點僅表達了對資產的預期收益一種觀點，而事實上投資者可能還有一些間接的觀點，比如對GDP/CPI等宏觀因子、PE/ROE等基本面因子等，同樣這樣因子也會影響資產價格波動，Wing Cheung（2009）[20]進一步提出Augmented Black-Litterman模型（Black-Litterman多因子擴展模型，簡稱ABL模型），將早期Black-Litterman模型的主觀觀點擴容到影響市場收益的因子層面，提高了該模型的適用范圍。進一步說，Wing Cheung（2009）[20]的ABL模型與Black-Litterman模型不同之處是：在計算過程中，ABL模型不僅在預期收益率向量中加入了因子項，而且在協方差矩陣中也加入了因子項；使得將Black-Litterman模型中僅對n個資產收益率的預測，擴展至對n個資產收益率及f個因子收益率的預測。

三、智能投顧的技術條件：金融科技發展

金融科技（Fintech）是基于大數據、云計算、人工智能、區塊鏈等先進技術，體現為金融+科技的融合與創新，主要的應用場景包括：支付結算、財富管理、信貸支持、商業保險等金融領域。金融科技的發展階段主要有：第一，金融IT階段：主要是指通過IT軟硬件的應用對辦公業務進行電子化改造，從而提高金融效率。金融IT階段以ATM、POS機為主要代表性產品。第二，互聯網金融階段：通過互聯網或移動端的在線平臺集聚用戶，對資產端、資金端等終端相互聯通，撮合金融業務與金融信息的共享。互聯網金融階段以互聯網基金銷售、移動支付為主要代表性業務。第三，金融科技階段：通過大數據、云計算、人工智能、區塊鏈等先進技術，解決傳統金融的業務痛點，提升傳統金融業務效率。金融科技階段以大數據征信、智能投顧為主要代表性應用場景（巴曙松和白海峰，2016）[21]。

（一）大數據技術發展

1.大數據特征。主要體現在海量數據、實時處理、數據種類及來源渠道多樣化的3V特征（Laney Douglas，2001）[14]。

2.大數據價值鏈。Gustafson和Fink（2013）[10]提出大數據價值鏈有數據獲取、數據存儲、數據分析及數據應用等4個環節構成。

3.大數據分析工具。根據Varian（2014）[19]，Jun等（2015）[13]等學者的相關研究整理，大數據分析工具包括了以下六類：以Hadoop/MapReduce為代表的大數據分析平臺、以HBase為代表的數據倉庫、以Mahout為代表的數據挖掘、以HDFS為代表的文件系統、以Hive為代表的大數據搜索、以Sqoop為代表的數據聚合與傳輸。

4.大數據應用。Tirunllai和Tellis（2014）[18]使用35萬份的用戶評論數據，并通過LDA模型進行市場營銷領域的戰略品牌分析。Varian（2014）[19]使用2380個觀察樣本數據并運用HMDA數據樹技術進行計量經濟學方面的實證研究。Jun等（2015）[13]使用1989年～2006年的歐洲大數據技術專利數據，通過文本挖掘及社會網絡分析技術進行評估分析。

（二）云計算技術發展

1.云計算內涵。云計算是一種并行的、分布式的系統，由可以調用的虛擬化資源池組成，服務提供商能夠依據事先約定的服務層級協議（Service Level Agrement，SLA）動態地向用戶提供相關服務（Buyya，2009）[6]。

2.云計算關鍵技術。云計算關鍵技術包括數據存儲及管理技術（Ghemawat等，2003）[10]、數據分析及處理技術（Dean和Ghemawat，2008）[9]、云安全技術（Takabi等，2010）[17]等。

3.云計算服務模式。Iyer和Henderson（2010）[12]歸納云計算服務模式包括以下4種：面向所有個人及企業用戶的公共云、面向某個特定企業獲組織的私有云、面向某個特定團體的團體云、以及提供上述兩種以上云服務的混合云。

（三）人工智能技術發展

1.人工智能特征。主要體現在，芯片是人工智能的“本體”，為其提供持續運作的計算能力；算法是人工智能的“大腦”，實現人類學習與思考等功能；數據是人工智能的“靈魂”，人工智能的實現離不開數據驅動（邢桂偉，2017）[34]。

2.人工智能算法。主要包括了決策樹算法（Breiman等，1984）[4]、隨機森林算法（Breiman，2001）[5]、SVM算法（Cortes等，1995）[7]、Boosting算法（Dieterich，2000）[8]、Baggin算法（Breiman，1996）[3]、關聯規則算法（Agrawal等，1993）[1]、EM算法（Dempster，1997）[16]等。

3.人工智能在金融中的應用。人工智能+金融的化學反應，重構了金融服務生態（呂晶晶，2017）[27]。人工智能有助于提供標準化、智能化、模型化的金融服務，例如決策、預警，并且有助于防范系統性金融風險（程東亮，2016）[22]。人工智能在金融中的應用場景十分豐富，包括了金融預測、反欺詐、融資授信決策、智能投顧、語音識別、人像監控預警等（楊濤，2016）[31]。

四、智能投顧的應用性研究

在現代投資組合理論模型、金融科技等基礎性研究成果的指引下，智能投顧的應用性研究成果逐漸增多，主要體現在：

（一）智能投顧的應用前景

智能投顧具有普遍樂觀的應用前景。根據美國花旗銀行于2015年9月發布的研究報告預計，未來機器人投顧的資產管理規模將出現指數級爆發增長，可達5萬億美元的資產規模。根據科爾尼資訊公司預測，未來5年機器人投顧的資產管理規模年增長率可達68%，逼近2.2萬億美元（徐慧中，2016）[30]。

同時，智能投顧為中國投資市場提供了新的機遇：一是能夠滿足國內不斷增加的中產階級理財需求；二是智能投顧有助于提高日漸走低的無風險收益率；三是股災過后，國內投資市場急切需要能夠分散資產風險的產品及服務（潘芳，2017）[28]。

岳磊（2017）[33]認為未來“智能投顧+養老金”模式的應用前景巨大，從養老金制度改革和未來發展方向來看，智能投顧的發展空間廣闊。同時，智能投顧助推個人養老金賬戶透明化管理，從而實現低成本投資、長期投資。

盧曉明（2017）[26]指出智能投顧的重要貢獻在于，通過金融科技擴大了金融服務范圍，減少了金融服務成本，使得大量中產階級“長尾”用戶可以享受低成本高品質的金融理財服務。

（二）智能投顧的應用場景

馮永昌、孫冬萌（2017）[23]智能投顧可以應用于智能資訊場景、智能分析場景、智能配置場景、智能投資場景及智能陪伴場景等5種應用場景。其中，智能資訊場景：通過數據展示、智能標注、智能推薦等數字化形式，提供智能化資訊應用場景。智能分析場景：通過對用戶投資行為的大數據分析，提供個性化分析建議。智能配置場景：依據投資者的風險承受能力、風險偏好及目標收益等情況，提供個性化的金融資產配置建議。智能交易場景：是指在智能分析及智能配置的基礎上，由系統自動完成交易的一種模式。智能陪伴場景：通過大數據分析，洞察投資者偏好及需求，采取伴隨投資者左右的方式，即時回答投資者提出的各類問題。

（三）智能投顧的應用風險

智能投顧的應用風險主要包括：第一，技術風險：例如遭遇病毒感染、黑客破壞、網絡崩潰、交易延遲等技術風險（巴曙松和白海峰，2016）[21]。第二，市場風險：中小投資者偏好短線操作，注重金融工具帶來的短期收益；然而智能投顧體現的是長期收益，這與中小投資者的投資偏好相矛盾（李晴，2017）[24]。第三，信用風險：由于p2p亂象產生一批互聯網圈錢企業，使得中國大多數投資者對于互聯網理財缺乏信任（喬智迪，2017）[29]。第四，操作風險：由于采用人工智能代理交易，造成證券投資賬戶的實際控制人發生變化，使得如何認定證券投資賬戶的實際控制人存在操作困難（徐慧中，2016）[30]；第五，合規風險：一是投資咨詢機構提供智能投顧服務的合法性；二是提供智能投顧服務主體的合法性；三是智能投顧的業務發展受到了外匯管制約束；四是智能投顧基金違規（于文菊，2017）[32]。

針對智能投顧的應用風險防范，許亞嵐（2016）[35]指出發展好智能投顧的關鍵在于，向客戶提供的有效投資策略，既是個性化、智能化，又能同時符合的規范化監管要求。

（四）智能投顧的應用效果評估

在智能投顧的應用效果評估方面，六道道（2017）[25]運用奇點指數組合管理系統，使用最近6個月的數據對彌財、錢景、摩羯智投、理財魔方等主流智能投顧的投資組合業績進行實證分析，結果表明優秀的智能投顧可以通過量化投資的方法，將投資風險分散化，實現年化6%～8%的理財產品組合收益，要高于大多數銀行理財產品4%左右的預期收益率。

五、主要結論與展望

智能投顧的技術理論和應用實踐方面都取得可喜的研究進展，主要體現在以下三個方面：第一、以Markowitz均值-方差理論為基礎模型的現代投資組合理論（MPT），構成智能投顧的理論基礎。第二、大數據、云計算、人工智能等金融科技的創新發展，為智能投顧提供了良好的技術條件。第三、智能投顧獲得了較廣泛的應用，未來前景看好。

然而，就目前的文獻來看，至少還有以下兩方面值得我們進一步開展研究。一方面，在理論研究內容上，忽略了對智能投顧模型框架的總體設計，尤其是缺乏對智能投顧全面技術理論框架和技術實現路徑的探討。另一方面，在應用實踐上，表現為應用深度研究不足：目前更多地把智能投顧僅僅作為一種理財工具或平臺使用；而忽略了對智能投顧一整套服務體系的設計，以及智能投顧服務人員團隊配套機制的研究。

參考文獻

[1]Agrawal R，Imidinski T，Swami A.Mining association rules between sets of items in large databases[A].Proc of ACM SIGMOD Conf on Management of Data[C].Washington，1993.pp207-216.

[2]Black F，Litterman R.Global portfolio optimization[J].Financial Analysts Journal.1992.

[3]Breiman，L.，Baging Predictors[J].Machine Learning，1996，24（2）：123-140.

[4]Breiman L.，Friedman，J.，Olshen，R.，and Stone，C.Clasification and Regression Tres[M].Wadsworth，1984.

[5]Breiman L.Random forests[J].Machine Learning，2001，45（1）：5-32.

[6]Buyya R，Yeo C S，Venugopal S.Market-oriented cloud computing：Vision，hype，and reality for delivering it services as computing utilities[C]∥Procedings of the 2009 9th IEEE/ACM International Symposium on Cluster Computing and the Grid.2009.

[7]Cortes，C.，Vapnik，V.M.Suport Vector Networks[J].Machine Learning，1995，20：273-297.

[8]Dieterich，T.G.An Experimental Comparison of Three Methods for Constructing Ensembles of Decision Trees：Baging，Bosting，and Randomization[J].Machine Leanring，2000，40：139-157.

[9]Dean J，Ghemawat S.MapReduce：simplified data processing on large clusters[J].Communications of the ACM，2008，51（1）：107-113.

[10]Ghemawat S，Gobioff H，Leung S.The Google file system[C]/ / SOSP 03 Proceedings of the nineteenth ACM symposium on Operating systems principles.NewYork，USA：ACM，2003：29-43.

[11]Gustafson T，Fink D.Winning within the data value chain [J].Strategy & Innovation Newsletter， 2013，11（2）： 7-13.

[12]Iyer B and Henderson J C.Preparing for the future：Understanding the seven capabilities of cloud computing[J].MIS Quarterly Executive，2010，9（2）：117-131.

[13]JUN S，PARK S，JANG D.A technology valuation model using quantitative patent analysis：a case study of technology transfer in big data marketing [J].Emerging Markets Finance & Trade，2015，51：963 -974.

[14]Laney Douglas.3D data management：Controlling data volume，velocity and variety[J].META Group Research Note，2001.

[15]Markowitz H.M.Portfolio Selection[J].Journal of Finance，1952（7）.

[16]P.Dempster，N.M.Laird Aand D.B.Rubin.Maximun Likelihood From Incomplete Data Via the EM Algorlthm[J].RoyalStat.Soc.1997，39（1）：1-38.

[17]Takabi H，Joshi J B D，Ahn G.Security and Privacy Challenges in Cloud Computing Environments[J].IEEE Computer Society，2010，8（6）：24 -31.

[18]Tirunllai S，TELLIS G J.Mining marketing meaning from online chatter：strategic brand analysis of big data using latent dirichlet allocation [J].Journal of Marketing Research，2014（8）：463-479.

[19]Varian H.R.Big data：new tricks for econometrics[J].Journal of Economic Perspectives，2014，28（2）：3-28.

[20]Wing Cheung.Transparent Augmented Black-Litterman Allocation：Simple and Unified Framework for Strategy Combination，Factor Mimicking，Hedging，and Stock-Specific Alphas[J].Social Science Electronic Publishing.2009.

[21]巴曙松，白海峰.金融科技的發展歷程與核心技術應用場景探索[J].清華金融評論，2016，（11）.

[22]程東亮.人工智能在金融領域應用現狀及安全風險探析[J].金融科技時代，2016（9）.

[23]馮永昌，孫冬萌.智能投顧行業機遇與挑戰并存（上）[J].金融科技時代，2017（6）.

[24]李晴.智能投顧的風險分析及法律規制路徑[J].南方金融，2017（4）.

[25]六道道.奇點指數2016熱門智能投顧產品測評報告[OL].http：//leopatra.baijia.baidu.com/article/745903， 2017年1月6日.

[26]盧曉明.智能投顧：“混沌”中看未來[J].金融博覽（財富），2017（2）.

[27]呂晶晶.人工智能，重構金融服務生態[J].金融博覽（財富），2017（2）.

[28]潘芳.智能投顧：金融與科技的時代融合[J].中國金融電腦，2017（6）.

[29]喬智迪.對智能投顧在中國發展困境的反思——以理財魔方為例[J].金融經濟，2017（14）.

[30]徐慧中.我國智能投顧的監管難點及對策[J].金融發展研究，2016（7）.

[31]楊濤.對人工智能在金融領域應用的思考[J].國際金融，2016（12）.

[32]于文菊.我國智能投顧的發展現狀及其法律監管[J].海南金融，2017（6）.