【獨家】一文讀懂智能投顧的商業邏輯和模型演算法—專訪資配易CEO張家林

［導讀］美國智能投顧平台的發展最早可追溯到2008年Betterment&Wealthfront的成立。到了2016年，美國傳統金融機構加入競爭，規模達到2000億美元。據國際知名諮詢公司A.T.Kearney預測，未來五年，機器人投顧的市場複合增長率將達到68%，到2020年，機器人投顧行業的資產管理規模將突破2.2萬億美元。

而在機器人投顧還處於起步階段。在為數眾多的FinTech創業公司中，如何找準定位，服務好本土客戶？為此，數據派研究部專訪了資配易智能投顧公司的CEO張家林，從智能投顧的商業邏輯、網路空間經濟的運轉規則和技術演算法三個角度，進行了深度對話。

張家林曾任經管學院互聯網金融大講堂課程「證券投資人工智慧理論與實踐」授課老師。有20餘年從商經歷，曾於1999年在美國和創立了最早從事虛擬電信運營商的公司之一的互聯網公司「Baili Net」。 2014年，創辦資配易人工智慧科技公司，從事證券投資人工智慧、智能投顧業務，在2016年的KPMG評選中，榮獲金融科技50強。

1

智能投顧的商業邏輯

Q1：資配易為何專註中小型客戶而不是機構客戶？這個選擇存在哪些風險和收益？

張家林：我們在選擇用戶類型的標準主要看資產端還有投資者端。資產端指的是未來資產的供給，而投資者端需要考慮投資者的資金特徵和散戶特徵，這兩者完全不一樣。投資者的風險容忍度很低，過去的資本市場叫做無風險市場，規律性很強，往往融資模式通過銀行賣存款，提供高收益，相對無風險的理財服務。

而在經濟發展初期，企業在股市上發行證券吸收資金，但是A股市場股票往往由於風險較高沒人買，這時候就需要很多服務賣方的機構如許多投資銀行、證券公司等中介機構。但是一直以來服務賣方為主，買方服務較少，即使有也往往是向政府提供的。比如信息披露、保護投資者等業務。但是從市場結構來說，目前還沒有買方頭骨，智能買方自負盈虧。而之前以來國家剛性服務需求的買方服務是不可持續的，並且不可能實現高收益無風險。

現在隨著銀行利率市場化和無風險收益了打破更高環境下，很多人都更願意進行風險投資，投資者逐漸也意識到不承擔風險，收益了就會很低。所以對於投資者很需要教育他們有這種風險收益觀，而這個承擔風險投資的過程是一個必然趨勢。因此我們需要更多考慮服務這些中小投資者的買方服務。資配易要做的就是把產品匹配給相應的人，通過一些模擬了解到投資者行為、心理特徵，能夠承擔的市場風險還有虧損是多少。我們希望可以提供一個適合於相應投資者的投資規則來進行投資。同時如果這位投資者還不是很成熟，我們也會暫不提供服務，而是教育這位投資者。

Q2：這個市場中有何技術壁壘？

張家林：總體分為智能交易、投資、投顧：

1、智能交易：解脫人的工作，擺脫盯盤，替代人腦的抗衝擊響應、演算法交易、對於每一件事需要關注市場對自身的反應。

2、智能投資：機構用系統管理自己的錢，只能是增強而不是替代。

3、智能投顧：客戶群體端可以很多，解決精準匹配的問題，投顧本質上是買方投顧，美國顧問不能向投行、基金收費，斷絕與賣方聯繫。

買方投顧收益、個性化程度都受到制約，不可能創造很多的資產類別，賣方投顧則是差異化的，背後的技術細節、服務人群目標都不一樣，層次會很豐富，既有玩一兩種產品的，也有機器人投顧（提高自動化程度），最後還有服務上千萬人的人工智慧投顧。但我認為，由於監管原因，市場上不太允許出現大規模的公司。

2

技術與演算法

Q3：從數學模型的角度出發：輸入的是用戶信息，輸出的是一個投資組合方案，資配易中間過程所用到的具體模型、映射是什麼？

張家林：實際上就是把證券的投資組合空間，映射到風險收益和投資策略空間。投資組合空間中有兩個權重：

1、所有人選的特徵，映射到的區域能夠匹配投資人的需求，我要求收益率8%，風險10%；

2、投資組合中證券的權重。

對A股市場這樣一個連續映射的無限空間而言，中間的映射並不是單一映射，這和圍棋不一樣，圍棋是一個確定性的映射，無論做成馬可夫過程還是什麼過程也好，實質是映射到一個狀態空間。所以現在的方法是用張量來描述投資組合的數據特徵，通過找到一些拓撲不變數（穩定的點），最終展開預測。因為映射只是歷史上的映射，所以要預測原來的這個點是不是未來還在這兒。數學上需要微分流形、張量等工具，整體空間規模大約是是10的500次方，是非歐空間，曲率不是定態的。需要注意的是，數學只能描述一個局部特徵，而機器學習的目的是回答效用問題，對於一樣的投資組合，每個人選擇也不一樣。例如我們2014年做了隨機效應函數，某個人手機上輸要投10萬塊錢，投資三個月，但這不代表他一生的效用函數，只是此時此刻的一個點。

Q4：做具體實戰時，邊界怎麼算出來的？

張家林：計算邊界的方法和master差不多（而AlphaGo用的是監督學習），演算法生成是突變的，沒有學過任何先驗的棋譜，而是遍歷所有空間去優化。虛擬了幾十萬算是「小白」的投資用戶，告訴什麼叫「掙錢」，然後讓歷史狀態下跑，再判斷收益率是好是壞，把好的留下來。10萬裡面有1萬個好，那麼模型就學出來了，然後再迭代、克隆、不斷地迭代。最後只要滿足兩個度量條件：

1、滿足基礎收益率不能低於年化12%；

2、勝率不能低於某一值。這種強化學習是較為野蠻粗暴的方法。

3

給在校生的建議

Q5：如果將來我們想進入智能投顧領域，您認為我們在上學期間，應該加強計算機和數學方面的什麼能力？

張家林：在數學方面，傳統的微積分、概率統計知識是不夠用的甚至失效的，將來需要具備微分流形、拓撲方面的知識。計算機方面，目前最緊缺的就是實現能力，主要是在機器學習、人工智慧方面的編程能力毋庸置疑要強，此外，不僅要能在界面上實現你的想法，還要能把產品呈現給用戶實現有效交流，這兩者缺一不可。

附

智能投顧背景

美國市場發展迅猛

美國智能投顧平台的發展最早可追溯到2008年，Betterment&Wealthfront成立，在100年FutureAdvisor成立后，智能投顧服務商SigFig在2012年。2012年美國機器人投顧行業規模還幾乎為零。2013年資產管理規模還只有43億美元，2014年，機器人投顧在美國迅速發展。2014年底已經具有140億美元的資產管理規模。在2015年貝萊德收購Futureadvisor，嘉信、先鋒推出剷平，傳統基金公司參與競爭，資產管理規模達到530億美元。到了2016年美國傳統金融機構加入競爭，高盛收購HonestDolla，美國金融業監管機構出台報告引導行業監管。規模達到2000億美元。

國際知名諮詢公司ATKearney預測，未來五年，機器人投顧的市場複合增長率將達到68%，到2020年，機器人投顧行業的資產管理規模將突破2.2萬億美元。目前，國外的機器人投顧產品走在了世界前列，主要包括Wealthfront、Betterment、Future Advisor、Personal Capital、LearnVest、SigFig、MotifInvesting等。這些產品儘管在投資門檻、收取費用上有所不同，但是它們都是根據現代投資組合理論，利用交易所上市基金（ETF）組建投資組合。

市場方興未艾

國內在機器人投顧方面出於起步階段，這裡面的智能投顧公司主要有三類：一類是由P2P平台轉型而成，如拍拍貸、宜信、紅嶺創投、積木盒子、人人貸等，他們提供的服務是投資海外市場的完整服務；第二類是一些大型的互聯網平台還有傳統金融機構，如投米RA，京東金融、MICAI，招商銀行、平安等，他們主要提供投資建議，或者銷售基金；最後一類是一些基金公司還有技術公司，主要包括彌財、資配易、LitScope、勝算在握等，他們往往會提供投資策略開發。

最後一類的機器人投顧平台有的與國外機器人投顧產品類似，主要的投資標的是全球ETF產品，比如彌財；有的則是專門針對A股市場投資，更加具有本地化特徵，比如資配易。這次，我們採訪的資配易由北京資配易投資顧問有限公司開發運營，是國內一家針對A股投資的機器人投顧平台，與國外的機器人投顧不同，資配易的投資組合由篩選出的A股股票而不是ETF構成。

資配易採用基於大數據的人工智慧證券投資模型構建投資策略機器學習的模型，大規模地生產投資策略，幫助投資人快速地作出股票投資決策，並完成股票投資全過程。整個流程分為三個步驟：

1）生產投資策略模板（ISM，Investment strategy mapping）：資配易的雲計算中心從每天所有可能的投資組合中按照一定演算法篩選出滿足一定收益和風險指標的投資策略組合呈現給客戶，保證所有投資策略組合都是符合投資人的風險收益偏好的，這個過程相當於投資策略空間到投資收益風險測度空間的一個映射；

2）智能代理（IA，Intelligent Agent）：IA由信號事件監聽器、決策系統、學習系統、規則庫和智能執行期構成，通過數據監測與分析模塊對外界實時數據的分析結果對股票進行相應操作，包括建倉、平倉、調倉等；IA發起指令，通過券商PB向交易所下達指令，交易所執行后通過券商向IA返回執行結果；

3）風險管理（Risk management embeddedIA）：應對盤內風險事件，比如股價大幅下跌時需要迅速賣出鎖定收益。

文：洪祥駿、楊武岳、倪春堯

數據派研究部

數據派研究部是數據派的智庫，成立於2016年9月，成員以清華在校生為主。研究部以專註不同方向的項目團隊為核心（目前方向包括：金融科技、大數據技術、智慧城市、工業4.0、醫療健康），通過調研和專訪對接產業、學術大咖，在大數據關鍵技術的基礎上以案例分析與實踐的方式探索大數據的應用和發展，進而總結經驗和模式，融合各方的數據協助企業或科研機構探索領域內的前沿實踐，並通過活躍的社群盤活產學研結合大局。

洪祥駿，清華大學經濟管理學院金融學博士生，研究方向為公司併購、私募股權基金、金融科技與平台經濟。利用文本分析方法，網頁爬蟲技術和複雜網路理論研究過企業併購、金融科技、信用風險管理問題；從事新興市場國家跨國併購研究、私募併購投資模式研究、國防金融研究、基於信息中介理論的互聯網金融研究、P2P網路融資平台差異化競爭研究、基於複雜網路理論的銀行傳遞性風險研究。曾獲清華大學大數據社會科學講習班創意課題一等獎、百篇特優大學部畢業設計、大學生挑戰杯創業大賽省賽特等獎。數據派研究部志願者。

楊武岳，北京林業大學數學與應用數學系大四學生，熱愛科研，喜歡數學理論推導、數學建模、數據分析和編程計算。擅長將理論應用到實踐，利用數學知識解決上火中的問題。曾參加「全國數據挖掘挑戰賽」並獲得特等獎及企業冠名獎（C組第一名），並應用該競賽所獲得的結果、結論於「第二屆互聯網+大學生創新創業大賽校內選拔賽」，完成一篇學術報告和創新項目策劃書。在2016年7月份參加「2016年高等院校數據挖掘教學創新研討會」，與數據挖掘方面的專家老師進行學術上的交流。數據派志願者。

倪春堯，清華大學材料學院大學部生，保研至北京大學光華管理學院金融碩士。在TMT行業、基本面量化、固定收益投研等方面有一定實習和研究經歷，對智能投顧、大數據金融有一定研究興趣。

轉載須知

如需轉載，請在開篇顯著位置註明作者和出處（轉自：數據派ID：datapi），並在文章結尾放置數據派醒目二維碼。有原創標識文章，請發送【文章名稱-待授權公眾號名稱及ID】至聯繫郵箱，申請白名單授權並按要求編輯。

發布后請將鏈接反饋至聯繫郵箱（見下方）。未經許可的轉載以及改編者，我們將依法追究其法律責任。

公眾號底部菜單有驚喜哦！

加入組織請查看「聯合會」

往期內容請查看「最火文章」

參與活動請查看「活動資訊」