日前，波士顿咨询发布《资产管理如何借助先进智能技术完成变革》最新报告，分析了机器学习、自然语言处理等人工智能技术在资产的预测推理中的贡献和实现方法。
资产管理公司一直努力地想要为客户做出有杰出收益表现的投资决定。为帮助客户管理资产，他们研究出各种策略、模型，但传统理财业来说，工具和分析理论都大同小异。然而，随着数字化技术的出现以及向传统发起的挑战，资产管理行业开始面临着变革。机器学习、人工智能、自然语言处理等数字技术让许多以这类技术为基础的金融公司——简称金融科技公司能够更高效地创建起场景模型，以前所未有的投资分析精确度和处理速度倒逼传统投资分析的进步变革。
而这些被认为具有巨大前景的资产管理创新案例包括，可以挖掘大量结构化和非结构化数据的机器学习平台；可以对重要证券投资组合进行预测推理的人工智能平台；能够对大规模事件进行研究和相关分析的快速量化分析；能够识别上下文和从不同数据类型中挖掘见解的语义分析；能够书面总结复杂多样的信息并将其直观显示出来的可视化工具；自然语言处理引擎和数据聚合平台，方便管理者及时获得不同形式的数据。
有了这些先进技术的武装，数字化的资产管理公司与传统的投资顾问相比就有了显著的信息优势。他们可以通过大量的数据分析获取信息，深入社交媒体以及其他信息媒介知悉投资者情绪……他们能够及时知道天气变化将会如何对投资组合产生影响的，甚至能够以绝对客观的结果反驳市场的信念，反抗所谓的权威。
而为了在这场技术变革中落后，资产管理企业都应迅速应变，利用先进的数字技术增强自身可持续发展能力。波士顿咨询这篇报告，就对先进技术的投资分析的五个关键步骤进行了拆解：
识别出恰当的试验机会
聚集起跨学科的利益相关者
为测试和学习构建沙箱环境
保持宽广的视野，寻找合适的工具和合作伙伴
向目标运营模式看齐
在试验新技术过程中，公司应该优先考虑小部分能够带来即时利益的措施，以资源集中的方式加以约束。在这个过程中，资产管理公司应该抵抗两个诱惑：关注点狭隘、阻碍结果规模化的“神秘难懂的科学实验”，以及过于雄心壮志的“大跃进”式试验，后者估价太高，验证时间过长。
而假若试验的项目满足这三个标准，就被认为有较大的成功率：
能够与公司目前的投资流程相互协调，因为这能够降低“机制排斥”的风险。
能够解决明显的痛点，比如能够帮助需要大量资源和时间去收集和构建数据模型的分析。
不依赖于大型结构或新的内部数据捕捉。
一个规划合理的项目必然会清晰地定义一套标准，包括一个以上具体分析的问题，以及使用各种工具。这种具有多种功能的组合保证了项目的进行速度更快、效果更好，也就是说即时根据现实情况变化作出分析上的调整，优化决策；而且完成一次事件的分析效率更高。
不同公司的转型时机不同，但转型不求快，但求准。
科技中懂金融的，金融中懂科技的。
识别出业务中的有利试验机会需要广博的专业知识，如果将这个任务交给一个IT团队或者投资专家团队手中，那必定是失败的。报告表示，最成功的公司除了在创立初期获得资金支持，同时也是具备一支投资和技术学科多元的跨学科团队。
在这个过程中，管理者可以先从各种资产类别和策略的投资专家中精选出小组，然后让他们与具有数据科学背景却缺乏投资战略经验的科技专家相互协调。接下来，为了互相牵制，可以在 IT 应用开发团队中加入利益相关方。那么，这个小团队做出的研究的出发点，都是希望用革命性的技术最大化优化投资过程。
这样一个具有说服力的团队自然能吸引来资金，然后该合作模型也能帮助公司快速走上正轨，开始规模化交易。
金融技术和其它技术创新的广度使试验的成本比以往任何时候都更低，但这样的试验需要呼吸的空间。
许多成功创新的资产管理公司都创造了一个“沙箱”环境，这样从事投资的专业人士就有足够的时间、空间和数据访问来让他们测试不同的应用案例，技术团队也能创建一个独立的测试环境。保证该数据环境的独立就使得团队成员在使用和测试新模型时不必被公司的架构和风险评估过程所束缚。
资产管理公司和技术供应商愈来愈多地将彼此视为有潜力的合作伙伴。许多小型的金融技术公司已经开始为旗下的资产管理部门定制分析工具和方案，许多投资公司也开始拥抱金融技术以快速地获取到能够帮助他们转型的数字技术。
报告表示，在考察伙伴关系，应该关注哪个领域取决于公司的目标，比如Palantir 和 IBM Watson就是彼此可以帮助快速结构化数据——一方获得重要的外部数据，一方可以快速开发分析。
不过，不管一家公司如何管理合作关系，以及从中获得的信息或技术支持，它都不应该过早地想象，他们已有的团队或技能组合可以马上地对这些工具和方案有效利用起来。也因为如此，公司在寻找合作伙伴时应该选择那些能和自己共同成长的对象。
如何能够把握好试验和开始规模化推广的最佳时机？报告称，需要考虑这三方面因素：
过程和技术。公司应该从从业务和 IT 架构的角度出发，决定他们将采用哪种技术，以及将通过怎样的途径获取和结构化数据。
运行结构。公司需要考虑如何构建他们的组织架构来充分利用来自合作伙伴的支持，并且要确内部建构和集成那些功能过程中的内部分工。这个第二点是尤其重要的，因为公司将需要特定的分析能力来使用和维护那些投资工具、分析结构和解读结果。
组织。企业必须掌握他们的资产管理团队成员目前的能力，以及技能上的空白之处。评估这些认知所需要的支持超出了数据科学的能力，而需要物色那些能对行业态势做出战略性思考，并及时捕捉具有前景的技术的个人。
正在生成分享图...
nebula