人工智慧下一站：顛覆式進軍「大資管」， 智能投顧春天將至

【編者按】無論是高盛投資Kensho預以取代證券分析師，還是微軟人工智慧首席科學家鄧力加盟對沖基金Citadel，種種現象級事件表明：「人工智慧」已悄然走進「大資管時代」。那麼，什麼是「大資管」呢？「資管」即資產管理，「大」是一個泛指的概念。

本文先後對什麼是「大資管」？「大資管」分哪幾個產業環節？人工智慧將在哪些產業環節發揮作用？全球範圍有哪些主要玩家？這一系列的問題進行抽絲剝繭，逐步理清如何尋找「大資管時代」的人工智慧投資機遇。

本文發於Career In投行PEVC，經億歐編輯，供行業人士參考。

一、大資管，人工智慧的下一站

1.1人工智慧已悄然來臨

繼長尾信貸后，「大資管」將成為人工智慧滲透的又一領域。2016年至今，安信計算機團隊先後發表三篇深度報告（《Fintech，開啟新的財富之門》、《財富管理，從Fintech到FinLife》、《消費金融，新常態中的新風口》），系統性闡述「金融科技」的前世今生。我們的結論「場景是基礎、牌照是保障、技術是手段」金融科技產業核心要素得到業界高度認可。同時，明確指出金融科技本質是金融，經營風險是核心，以人工智慧為代表的科技創新實質上是大幅提升金融服務效率，從而讓「長尾客群」享受原本只屬於「頭部客群」的金融服務；過去一年，我們也欣喜的見證了以消費金融為代表的長尾信貸蓬勃發展。

時至今日，無論是高盛投資Kensho預以取代證券分析師，還是微軟人工智慧首席科學家鄧力加盟對沖基金Citadel，種種現象級事件表明：「人工智慧」已悄然走進「大資管時代」，它將為整個產業帶來什麼樣的變化？我們拭目以待。

「大資管」複雜度指數級提升，人工智慧將如何「破局」。

相對於藉助人工智慧技術定量分析長尾信貸對象信用等級，「大資管」所面臨的數據複雜程度及所需人工智慧分析複雜程度指數級提升。以狹義人工智慧構建股票組合為例，A股證券標的數量3000左右，理論上可以構建的投資組合數量大約是10500左右，若將每一組合股票數量限制在5-50之間，也將會有1033個預期投資組合；區別於傳統的人工選擇方式，機器學習是將全部可能的投資組合都進行逐一計算，最終選出滿足一定收益和風險指標的投資組合呈現給客戶。相對於已基本完成破局的「泛信貸」領域，人工智慧在「泛資管」領域將面臨更大挑戰。

數據、算力、演算法，人工智慧在「大資管」領域的核心要素逐步成熟。在「泛資管」領域，本質上是「資產端」與「資金端」在風險及收益兩大方面的匹配，天然的數據化及實時可回歸的屬性，讓以數據為核心驅動的人工智慧大有可為；隨著雲計算的普及，以算力為代表的IT基礎設施以全新的方式供給，面向「大資管」各細分應用場景的演算法優化值得期待。

深刻剖析「大資管」產業鏈，按圖索驥探尋「人工智慧」投資機遇。有別於其他研究報告上來就對「智能投顧」、「智能量化」、「機器人投顧」等概念及應用的介紹，我們將沿著一貫的研究框架，先後對什麼是「大資管」？「大資管」分哪幾個產業環節？人工智慧將在哪些產業環節發揮作用？全球範圍有哪些主要玩家？抽絲剝繭，逐步理清如何尋找「大資管時代」的人工智慧投資機遇。本質上，在充分理解「大資管」產業鏈的基礎上，在人工智慧可以提高「效率」的環節做文章。

1.2正本清源，從產業鏈出發理清研究脈絡

什麼是「大資管」？產業環節如何劃分？。「資管」即資產管理，「大」是一個泛指的概念，緣於隨著監管的不斷放開，原有資管業務外延不斷拓展；準確而言，「大資管」應該是信託的概念，即：將資產託管給機構去管理；注意，站在機構的角度稱之為「資產管理」，站在客戶的角度則稱之為「財富管理」，即：客戶尋求可信貸的機構為自己的資產進行保值增值。簡言之，我們所熟悉的銀行理財、保險銷售、券商經紀等領域屬於「財富管理」，即：通過大量線下或線上渠道觸達客戶，提供多元化金融產品，滿足客戶的「財富管理」需求；像銀行資管、保險資管、券商資管，還有我們最為熟悉的公私募機構就是通常意義上的「資產管理」，即：更多的不是去考慮如何挖掘分析客戶需求，而是做和做好「投資」或「資產配置」。

綜上所述，「大資管」可細分為「資產管理」與「財富管理」。其中，我們常聽到的「智能量化」、「知識圖譜」詣在提高「資產管理」運營效率；更為廣為人知的「智能投顧」則主要是藉助人工智慧滿足長尾客群的「財富管理」需求。以下，我們將通過四個章節，先後就人工智慧對資產管理的升級、對財富管理的改造詳細展開分析，並在對全球先行者全面梳理后，針對人工智慧對「大資管」產業即將產生的變革做深入思考。

二、資產管理：人工智慧顛覆式利器出鞘

2.1人工智慧輔助之「量化交易」

量化交易從很早開始就運用機器進行輔助工作。分析師通過編寫函數、設計指標，觀察數據分佈，而這些僅僅把機器當做一個運算器來使用。量化交易分析師們對財務、交易數據進行建模，分析其中顯著特徵，利用回歸分析等傳統機器學習演算法預測交易策略。

這種方式有兩個主要弊端，其一是數據不夠豐富，僅限於交易數據，更重要的是它受限於特徵的選取與組合（Feature Engineering），模型的好壞取決於分析員對數據的敏感程度。直到近些年機器學習的崛起，數據可以快速海量地進行分析、擬合、預測，人們逐漸把人工智慧與量化交易聯繫得愈發緊密，甚至可以說人工智慧的三個核心領域（機器學習，自然語言處理，知識圖譜）貫穿量化交易的始終。

用機器學習解決海量組合空間與計算機處理能力之間的瓶頸。以A股的證券標的數量3000左右為例，理論上可以構建的投資組合數量大約是10500（將所有可能的股票種類排列組合）左右，這超出了目前計算機的處理能力。區別於傳統的人工選擇方式，機器學習是將全部可能的投資組合都進行逐一計算，每天全部可能的投資組合的數量級一般在1033（每一個組合股票數限制在5-50之間），證券投資人工智慧系統就從這1033的投資組合中，按照一定的演算法進行篩選，最終選出滿足一定收益和風險指標的投資組合呈現給客戶。

對於機器學習系統來說，1033的投資組合仍然是一個天文數字，不可能依靠遍曆法來學習和比較每一個投資組合以從中選擇。近日受到廣泛關注的人工智慧圍棋系統AlphaGo是從大約10180個可能局面中尋找走棋方案的，其使用了蒙特卡羅搜索樹技術來顯著減少了系統的計算量，在不大幅度犧牲解的質量的前提下，提高了搜索效率。

基於機器學習的投資策略使用的也是類似蒙特卡洛搜索樹來減少搜索空間，選擇優質的投資組合。使用了深度卷積網路訓練出來的價值網路極大地提高了之前單純依靠蒙特卡洛搜索樹來做判斷的精度，因此可以在較短時間內為用戶提供大量優質投資組合。

人工智慧投資系統能夠接近實時動態更新市場信息。在擇時交易方面，不同於AlphaGo的離線人工學習系統，證券投資人工智慧系統使用的是在線的機器學習系統，其知識庫每十分鐘更新一次，因此該系統所提供的交易策略與投資組合方案都是根據上個十分鐘內市場行為及證券價格信息所產生的。

智能交易系統的用戶無論在任何時間從移動終端設備接入其機器人投資顧問，所獲得的都是最新產生的投資策略，用戶在確認之後，將由系統的交易執行模塊即時下單，以確保交易的時效性。

人工智慧對於證券投資而言，是投資方法論的變革。人工智慧系統採集金融市場以及宏觀、微觀經濟數據等作為系統輸入，同時採集的數據還有證券投資市場中流通交易的所有證券的歷史價格，在機器學習系統中採用基於深度神經網路的深度學習以及蒙特卡洛搜索樹以理解市場運行的規律，在決策系統中形成有效投資組合，由交易執行系統完成交易，然後轉向風險監測系統進行監測，並在獲得收益/損失后對交易進行業績評估並反饋機器學習系統。

根據管理人的管理規模、期限、預期收益、風險偏好制定投資計劃的擬定投資組合。根據投資計劃為客戶構建投資組合和投資組合的調整，也可以對用戶自定義的投資組合進行診斷、看護(盯市、預警和風險提示等)服務交易執行，由於採用更好的演算法，大數據分析系統能夠比普通投資人更好地擇時(在交易時間段內選擇最優的價格進行買或賣的操作)，公司可以定製一個完全屬於客戶自己所擁有的智能交易代理(IA)，這個智能交易代理完全在客戶的授權範圍內執行交易。

交易需要的買賣信號由客戶向公司系統訂閱；風險管理採取不間斷盯市的策略，能夠依據預先與客戶商定(或人工智慧資管公司推薦)的風險管理規則對客戶的投資組合進行各種風險管理操作，包括調倉、平倉、補倉。

全球最大的對沖基金橋水聯合（Bridgewater Asspcoates）早在2013年就啟用人工智慧團隊。該團隊約有六名員工，由曾經供職IBM並開發了認知計算系統Watson的David Ferrucci領導。據彭博新聞社報道，該團隊將設計交易演算法，通過歷史數據和統計概率預測未來。該程序將隨著市場變化而變化，不斷適應新的信息，而不是遵循靜態指令。而橋水基金的創始人也曾公開表示，其旗下基金持有大量多倉和空倉，投資120種市場，持倉組合高達100多種，並且以人工智慧的方式考慮投資組合。

Rebellion Research是一家運用機器學習進行全球權益投資的量化資產管理公司。Rebellion Research在2007年推出了第一個純人工智慧投資基金。該公司的交易系統是基於貝葉斯機器學習，結合預測演算法，響應新的信息和歷史經驗從而不斷演化，利用人工智慧預測股票的波動及其相互關係來創建一個平衡的投資組合風險和預期回報，利用機器的嚴謹超越人類情感的陷阱，有效地通過自學習完成全球44個國家在股票、債券、大宗商品和外匯上的交易。

2.2人工智慧輔助之「證券研究」

藉助人工智慧提取新聞、政策、社交網路參數讓量化交易模型更強大。當量化交易分析師發現數字推測模型的局限性后，開始考慮引入新聞，政策，社交網路中的豐富文本並運用自然語言處理技術分析，將非結構化數據結構化處理，並從中探尋影響市場變動的線索。通過爬取個人及企業在其主頁、社交媒體等地方的數據，一來可以判斷企業或其產品在社會中的影響力，比如：觀測App下載量，微博中提及產品的次數，在知乎上對其產品的評價。

率先使用自然語言處理技術的人工智慧對沖基金是今年6月份在倫敦新設的對沖基金CommEq。CommEq的投資方法結合了定量模型與自然語言處理（NLP），使計算機能夠如人類一樣通過推斷和邏輯演繹理解不完整和非結構化的信息。除此之外，也有採用自然語言處理技術的金融科技公司，如由李嘉誠與塔塔通訊投資的Sentient Technologies運用自然語言處理，深度學習(Deep Learning)等多種AI技術，進行量化交易模型的建立。

知識圖譜減少黑天鵝事件對預測的干擾。機器學習與自然語言處理的技術經常會在一些意外發生的時候預測失敗，例如：911、熔斷機制和賣空禁令等等。人工智慧系統沒有遇到過這些情況，無法從歷史數據中學習到相關模式；這時候如果讓人工智慧管理資產，就會有很大的風險。

此外，機器學習擅長發現數據間的相關性而非因果性。

很有名的一個例子是早在1990年，對沖基金First Quadrant發現孟加拉國生產的黃油，加上美國生產的乳酪以及孟加拉國羊的數量與標準普爾500指數自1983年開始的10年時間內均具有99%以上的統計相關性，1993年之後，這種關係莫名其妙的消失了。這就是由於自學習的機器無法區分虛假的相關性所導致的，這時候就需要專家設置的知識庫（規則）來避免這種虛假相關性的發生。

知識圖譜本質上是語義網路，是一種基於圖的數據結構。根據專家設計的規則與不同種類的實體連接所組成的關係網路。知識圖譜提供了從「關係」的角度去分析問題的能力。

就金融領域來說，規則可以是專家對行業的理解，投資的邏輯，風控的把握，關係可以是企業的上下游、合作、競爭對手、子母公司、投資、對標等關係，可以是高管與企業間的任職等關係，也可以是行業間的邏輯關係，實體則是投資機構、投資人、企業等等，把他們知識圖譜表示出來，從而進行更深入的知識推理。

以投資關係為例，知識圖譜可以將整個股權沿革串起來，方便地展示出哪些PE機構在哪一年進入，進入的價格是多少，是否有對賭條款，這些信息不僅可以判斷該機構進入當時的估值，公司未來的發展情況，還可以看清PE機構的投資偏好，投資邏輯是如何變更發展的。

當前，知識圖譜在工業界還沒有形成大規模的應用。即便有部分企業試圖往這個方向發展，但很多仍處於調研階段。

我們認為這其中的難點在於如何與特定領域機構建立起一套合作方式，如何將合作變成一種可輕易編程的界面，讓該領域專家可以通過系統以一種非常簡單的方式進行行業邏輯的建模，而他的邏輯可以通過系統實時得到驗證，使其進一步更新，只有通過專家與機器反反覆復的迭代，形成閉環，才會服務好用戶。

最早應用知識圖譜在金融領域的Garlik就是這一代表。公司2005年成立於英國，核心成員來自南安普頓大學（University of Southampton，是語義網的核心研究機構之一），主要業務是在線個人信息監控。Garlik收集網路和社交媒體上的個人信息，當發生個人信息盜竊時會及時報警。Garlik總計融資2469千萬美金后被美國的三大個人信用記錄公司之一Experian收購，其技術被用於個人信用記錄、信用盜竊的分析。Garlik的核心技術之一是大規模語義資料庫，前後開源發布了3store，4store，5store等高性能資料庫。

除此之外還有Dataminr，這家基於Twitter及其他公開信息的實時風險情報分析公司。致力於從數據爆炸的社交網路提取精簡且價值的風險情報與挖掘關鍵信息，如輿情熱點、金融相關的非交易信息、公共機構安全預警、企業安全等，並直接向客戶推送。除此之外，Dataminr還加入早期預警系統，並實時推送警報。