資管新規背景下人工智能在銀行資管業務中的應用研究

于天劉凱

摘要：資管業務是銀行金融業務板塊中的發展前沿，擁有相對獨立和完整的資產負債架構和業務模塊，其中的資產、負債和風控等業務條線是人工智能技術的天然應用場景，目前已有了部分應用實踐。然而，由于資管新規的頒布，銀行資管業務的監管環境變出現變化，同時還存在業務基礎數據不完整、組織架構特異性強、技術儲備較為欠缺等問題，使得目前缺乏將人工智能技術用于銀行資管業務的整體性梳理和架構設計。文章旨在探索符合當前銀行資管業務發展特點的“銀行資管+人工智能”的解決路徑，切實助力銀行資管業務在人工智能時代的科技轉型。

關鍵詞：人工智能;銀行理財;智能資管

一、 研究背景

2018年以來，伴隨著“資管新規”的發布，資管行業進入到了正本清源、轉型發展的新時代，中國銀行理財業務未來的發展方式和形態正在被重新塑造。

盡管各家銀行在資管子公司未來業務模式和發展方向上有所不同，但將人工智能技術作為提升銀行資管業務整體效率和質量的重要手段，已經取得了業內的廣泛共識。國內外的資管機構在相關領域進行了大量的研究和應用。BlackRock作為全球最大的資產管理機構，運作著6.3萬億美元的資產，人均管理規模為30億元。其管理的高效能主要依賴了aladdin、Future Advisor、iRetire和CACHE-MATRIX四套頂級智能金融系統，所支持的業務范圍覆蓋了投資管理、銷售咨詢、退休養老和風險控制業務體系。天弘基金作為國內唯一一家規模超萬億的基金公司，擁有著來自螞蟻金服的天然科技基因，其在并發計算能力、客戶肖像繪制、用戶習慣分析及智能資產配置方面的技術儲備和實踐經驗已處在行業前列。

銀行資管擁有相對獨立和完整的資產負債架構和業務模塊，將人工智能技術用于資管業務，可以有效提高效率，拓寬分析的深度和廣度，為傳統銀行資管向智能資管的轉型，提供了重要的技術保證。但目前將人工智能用于銀行資管還存在著一些亟待解決的問題。本文將聚焦資管轉型背景下的智能資管建設，對人工智能應用場景進行分析討論，探索符合當前銀行資管業務發展特點的“銀行資管+人工智能”的解決策略。

二、 資管業務人工智能應用存在的問題

1. 銀行資管外部環境的變化。

（1）國內監管環境的變化。國內的銀行資管行業自誕生以來，就與監管密不可分。在資產端，國內監管對銀行資管的投資標的有著較為明確的限制，因此投資無法在全市場和全金融標的上展開。在負債端，國內監管采用了較為嚴格的流程限制了客戶的理財購買行為只能在柜面或銀行端的APP上進行。2018年以來，監管對銀行資管進行“市場化”調整的目標逐漸清晰。“資管新規”的頒布，除了在“打破剛性兌付”“規范資金池業務”“引導行業去嵌套”“去杠桿”等問題上的考量外，也向資管行業統一監管的目標邁出了重要一步

監管對資產端和負債端的松綁，不僅意味著更多的業務機遇，也意味著技術應用有了更多的業務場景。

（2）業務環境的變化。傳統銀行資管面對的競爭對手僅為銀行資管同業，而借助于銀行強大的實體渠道營銷能力和過去的資金池運作方式，這種競爭一直處在溫和可調節的范圍內。在脫離母行后，盡管銀行資管子公司擁有了更多的投資標的和工具，但其無疑也會直面更加激烈的外部市場競爭。相較于市場化程度高的基金公司、券商資管而言，多數銀行資管在投資交易、投資研究、系統建設、人員儲備等方面還存在著較大的差距。這種差距必定會為人工智能的業務應用帶來了不確定性和阻礙。

2. 金融業務數據問題。金融數據具有數據量大、維度高、結構復雜、價值密度低等特點，此外，金融數據還包含大量的噪聲和潛在的關聯關系，具有極強的波動性，這使得對金融數據的分析和挖掘成為一個難題。

銀行、保險和證券等專業機構對客戶數據的準確性要求嚴格，根據特定場景開發私有清洗模塊或平臺，積累了大量經驗。但出于保密原因，金融企業很少有理論性的成果見諸于報道。

金融數據的智能清洗技術在學界已開展多年。針對數據中屬性錯誤的檢測，有基于統計學理論的方法、關聯規則的方法、聚類的方法、利用違反函數依賴條件的方法等。針對數據中的重復記錄問題，可以在基于距離度量的基礎上，采用聚類算法的思路進行處理。針對金融數據中常出現的時序數據，也有學者提出使用了模糊C均值聚類方法，通過計算數據到聚類中心的距離來分離出噪聲數據。針對金融數據維度高的特點，在確定了問題邊界后，可以直接使用經典的數據降維度算法或策略予以解決。

高質量的數據資源是人工智能應用的前提條件。成功的人工智能應用，花費在數據工程上的時間比例會占到六成甚至更高。而銀行資管在數據處理上常會遇到來自下列兩方面的問題。

（1）內部數據。銀行資管已經發展十年有余，內部積累了大量數據，該部分數據多數僅完成了數字化。由于以前缺乏數據分析的內生性需求，大量數據并未經過數據清洗和結構化存儲，后期數據清洗和存儲的成本較高。

作為歸屬于母行的獨立部門，銀行資管的部分業務模塊的職能（如產品銷售、信息科技等）一直由母行的相關部門代為行使。子公司化之后，按照監管對于銀行數據的要求，以前積累的銷售及客戶的原始數據將無法作為無形資產被子公司所繼承。數據獲取渠道的堵塞將會直接不利于未來人工智能技術的應用。

（2）外部數據。銀行資管未來在投資端會大量投資外部標準資產，而投資的前提保證是能夠擁有完整準確的外部數據。針對標準資產的公開市場數據，目前有大量的第三方數據供應商提供相關的數據。而針對標準資產中的另類數據，通常數據來源可靠性差、數據質量并不穩定。

未來外部數據是否需要本地化及系統內外數據如何隔離將主要根據監管要求及自身發展的需要。在缺少了母行科技支撐的情況下，數據庫的搭建和維護也將是資管子公司科技團隊的重要工作之一。

3. 銀行資管架構及技術積累。

（1）組織架構。銀行資產管理業務的定位較為明顯，不同銀行資管擁有相似的業務模塊，且多實現了獨立的事業部制。然而，各行資管的業務范圍及業務模塊間的工作流相異，各模塊內部的具體職能、資源配置也不盡相同，這種差別在全國股份制銀行與城商行間、城商行與農商行間的差異更為巨大。正是由于這種組織架構上的差異，業內并沒有形成引入人工智能技術的現成框架和通用模板，所以具體實現需要根據各自的實際情況來進行差異化的設計。

（2）技術積累。我國的銀行資管業務起初多隸屬于同業市場或金融板塊，十余年便經歷了由小變大、由弱變強的過程。行業的高速擴張也帶來了各行資管業務發展的不平衡性，所以在管理能力、投資投研能力、人員配置和技術儲備等方面，也處在不同的發展階段。除了同業間的差異外，相較于已經發展了多年的外部非銀資管，由于各非銀機構所處的監管和行業標準化程度高，導致了這些機構只要滿足準入門檻就代表具有了一定的管理能力、人才儲備和技術水平。

除了管理技術和傳統投資投研技術外，人工智能技術的應用更多集中在人工智能知識以及計算機技術的使用上。在人工智能算法知識、獨立開發能力和相關人員儲備上來講，部分非銀機構已經走到了市場前列并且積累了一定的研究成果和實戰經營，銀行資管在實現超越前，還需要付出較多的追趕成本。

三、 我國銀行資管業務中人工智能的應用建議

1. 明確自身特點和發展定位，梳理人工智能應用的整體框架。“理財新規”和《商業銀行理財子公司管理辦法》將未來銀行資管開展業務劃分成了體內運營的“傳統”模式和體外運營的“子公司”模式，在業務開展模式確定后，銀行資管機構的市場定位和發展定位會皆然不同。

對于選擇了“子公司”模式的銀行資管，未來規劃多朝著全能型方向來發展。可以針對人工智能的應用進行自頂向下的宏觀設計，所涉及的業務范圍可以盡量拓展，將未來有可能開展的業務也納入到設計范圍內。更加寬泛的投資范圍和營銷渠道，會需要更加全面的數字化系統進行支持，業務開展過程中會積累的更多的數據，人工智能技術的應用也會更加有意義，無論是從管理端和業務端都會產生規模效應，落地成本均攤后也更加低廉。

對于選擇了“傳統”模式的銀行資管，全面的人工智能應用不但成本高昂，且給實際業務帶來的收益相對有限。這類銀行資管可以針對有急迫人工智能需求的應用場景，進行特定業務的落地，比如針對負債端客戶的偏好分析，可以用來在未來嚴峻的市場環境中最大程度的維護好存量客戶并擴大客群，實現與銀行資管子公司的錯位競爭。后期可以根據業務的開展情況，逐步推進人工智能的使用，實現更高的產出比。

2. 挖掘潛在的人工智能應用點。在業務模式和人工智能應用的整體框架被確認后，接下來就進入到潛在應用點的挖掘選擇上。

（1）客戶行為分析及應用。將人工智能用于客戶行為分析，早已被大多專注于C端的互聯網企業采納并廣泛應用于實踐。銀行資管因相對的壟斷地位，早期缺乏客戶畫像的需求和內在動力，相關的研究起步較晚。金融業基于人工智能進行客戶分析的目的在于：從海量數據中，發覺目標客戶及潛在客戶;進行欺詐檢測、價值分析、流失分析;建立起客戶信用度、貢獻度及忠誠度模型等。

針對客戶行為進行分析，并反向用于營銷及產品設計，是一個比較自然的人工智能技術應用場景，而實踐應用中的熱點也集中在負債端。從技術角度上講，數據采集和業務場景的建模是落地中的重點和難點，而工程實踐、后期分析結果的解讀及應用則占據了更多的工作量。

（2）智能量化投資及投研平臺。智能量化投資是指：通過向量化投資領域引入人工智能技術，使系統能夠高效且智能地從金融數據中自動挖掘可用信息，并用于支持和輔助投資交易。在智能投研平臺建設方面，非銀金融機構已有實施案例，如天弘基金在2015年建立的投研云系統，嘉實基金2016年成立的人工智能投資研究中心，華夏基金與微軟亞研院的戰略合作。不同于非銀金融機構，新興的金融科技公司更傾向推出標準化的解決方案或平臺，參與其中的金融科技公司包括：通聯數據、數庫科技等。

權益二級市場一直是金融領域人工智能應用的熱點，由于監管政策的放寬，銀行資管子公司已經可以開始在該領域提前布局。自動盯市和價格發現是人工智能較為常規的應用，更進一步的，人工智能還可以被用于自發地尋找市場的階段性有效指標、挖掘主要矛盾、批量生成策略等。

（3）智能投顧研究。智能投顧（Robo-Advisor）在對大量數據分析的基礎上，根據服務對象的特征或偏好，給出個性化的投資建議，可以選擇性的為服務對象提供交易服務（如完全自動交易、人工投資顧問協助交易和自執行交易等）。

智能投顧起源于美國，近年來眾多資管公司已發布了其智能平臺，我國于2015年引入智能投顧概念。國內智能投顧平臺按照業務類型可以劃分為三種：第一類是借鑒美國Wealthfront、Betterment等投資于交易型開放式基金（ETF）組合的公司，直接為客戶匹配國外發達市場的ETF 基金以達到資本配置的目的，例如彌財公司和藍海財富公司;第二類是以FOF基金等作為投資組合標的，例如錢景理財公司;第三類是基于論壇等在線平臺進行投資信息共享，對量化投資策略、投資名人的股票組合進行社交跟投，例如雪球公司。

未來的銀行資管必然會從“輸出產品”向“輸出策略”轉型，而負債的邊界也將會瞄向不同風險偏好和需求的客戶。銀行資管早期可以通過“智能投顧+外部ETF采購”的模式滿足客戶“千人千面”的需求。對于投研能力強、市場占有率高的頭部銀行資管，未來可以發行廣泛涵蓋市場各類指數的類ETF基金，在滿足內部投資采購需求的同時，也可以將其提供給外部有配置需求的機構及個人投資者。

3. 人工智能落地的內部機制建設。盡管人工智能技術的應用在金融領域已經取得了共識，但不同性質的機構對該類技術的認知和實際的推進力度上有很大的差異。建設一套可行的人工智能落地的內部機制是大多數銀行資管子公司在擁抱人工智能技術時，應該考慮的首要問題。這套機制的建設應圍繞著下列問題展開：（1）探索性的業務需求與外部技術公司合作方式研究;（2）探索性的業務需求考量標準;（3）項目結果不及預期的退出機制。

4. 盡早進行數據積累工作。數據積累的對于人工智能技術的應用十分重要。在投資端，數據處理工作的重點應該集中在非標準資產數據的累積和標準資產的另類數據。非標準資產公開信息相對缺乏，需要銀行利用渠道的信貸或金融市場板塊資源進行采集、匯總和結構化存儲。在負債端，因為監管會對母行和子公司間進行系統和數據的隔離，所以數據積累對于要成立子公司的機構而言更為急迫。為了最大化利用母行的已有客戶數據資源，目前可以采用如下兩種方式：首先，基于母行負債端已積累的數據，就客戶分布、行為偏好等特點進行分析，以期未來可以在負債端指引子公司的市場化營銷工作。其次，可以設計符合監管要求的母子協同機制，不因必要隔離而導致對渠道資源稟賦的放棄。

5. 技術儲備與技術合作。首先，對已有的資管業務進行數字化覆蓋。數字化體系的建立不但可以提高運營效率，更重要的是可以降低數據保存和復用的成本，是人工智能業務落地的一個先決條件。其次，除了外部采購與合作外，銀行資管也需要加強對員工進行人工智能知識的培訓，可以戰略型的儲備此類人員，以便于潛在應用的發現和業務層面發起和推進人工智能的應用。再次，要明確人工智能項目與傳統數字化項目有著較大的差異，大量的需要是無法通過直接采購來實現，因此，在業務、數據、機制等層面，銀行資管需要以更加開放的心態去和智能服務廠商展開合作。在合作過程中，銀行資管與服務廠商互相學習、共同發掘潛在應用點，為業務的智能化助力。

參考文獻：

[1] Giannakis G B， Bach F， Cendrillon R， et al.Signal Processing for Big Data[J].IEEE Signal Processing Magazine，2014，31（5）：15-16.

[2] Small S G， Medsker L.Review of Information Extraction Technologies and Applications[J].Neural Computing and Applications，2014，25（3-4）：533-548.

[3] Bohn K.Converting Data for Warehouses[J].DBMS，1997，10（7）：61-66.