雷锋网2月27日报道，创新源于跨界融合。如今，人工智能已经不是科技公司创新创业的专属武器。随着时代和社会科技基础的进步，AI已经以雷霆万钧之势从学术界潜入产业界的每一个角落，成为了传统行业变革求新、提高效益的利器。而在可高度量化的金融投资领域，AI的介入诞生了新的产品——智能投顾。
然而，智能投顾只是数字智能技术与金融行业结合的部分产物。当金融遇上AI，潜力并不止成为一个投资顾问。那么，对比从古到今，国内到国外，不同的金融投资发展阶段，AI都起到了怎样的作用？当下AI在金融投资领域应用都有哪些优势与不足？未来金融投资领域的各个分支方向可能会发展为什么模样？
本次雷锋网AI金融评论栏目（公号：aijinrongpinglun）公开课AI金融专场之第二期，我们邀请到了财鲸智能投顾联合创始人王蓁博士分享见解。对于每一个细分领域的应用实践，王博士都从“案例与要点对比”、“中美对比”以及“未来发展模样预测”三个层面展开讲述。
嘉宾简介：
王蓁博士是北京财鲸信息技术有限公司联合创始人，美国康奈尔大学博士、清华大学学士；特许金融分析师（CFA），金融风险管理师（FRM），持有美国资产管理咨询个人牌照；他曾就职于美国纽约华尔街的彭博总部，从事多资产投资组合的量化建模和投资。王蓁博士曾应邀在中国科学院经济学院MBA班教授量化金融投资专题课，曾在清华大学、五道口金融学院、对外经贸大学等发表量化金融讲座，熟悉美国金融市场和监管法律，擅长大数据统计研究和各类人工智能方法。
以下是本次公开课实录，雷锋网做了不改变原意的编辑：
很高兴今天能和大家一起聊一聊人工智能在金融投资领域方面的应用。近来金融科技这个词非常火热，也是雨后春笋般出现了很多非常优秀的创业公司，其中也不乏独角兽公司。
我简单的把金融科技分成了五大类：借贷、财富管理、个人投资、支付和保险，待会会具体到每一个细分领域分析。人工智能是怎么对这些领域产生影响的呢？在我看来，人工智能的本质是一个分类器，尤其是机器学习，所以AI可以对人群对事物进行非常好的分类判断。任何对概率有需求、需要进行分类判断的事情都可以用到AI、机器学习来解决。
这里我先稍微说明一下，因为我是做统计出身的，所以机器学习和人工智能这两个词对我来讲是比较统一的，我是不会做任何区分，我说机器学习就是人工智能的意思。反之亦然。
言归正传，人工智能技术在金融投资领域的应用是全流程的：
前端用于服务客户，在中台支持授信（申请贷款能否获批，获批金额是多少）、各类金融交易和金融分析中的决策；
后台用于风险防控和监督。
而人工智能的深度应用最终会改变金融现有格局，使得整个金融服务领域从前到后，从银行、保险、理财、借贷、投资到日常生活的方方面面的金融需求都更加个性与智能化。
我准备从信贷、金融咨询、金融安全、投资机会、监管合规、保险、智能投顾7个领域入手，简单地说一些案例解读人工智能是如何改变这些领域的，技术的具体应用，未来发展前景以及中美两国的对比差异。最后我会重点介绍一下智能投顾，这也是我正努力研究的一件事，希望能给大家带来参考和启发。
首先我们看看人工智能在信贷中的作用。信贷是什么，信贷就是你去银行借钱，银行批不批给你，批给你多少钱。所以信贷的核心是对借钱人的准确分类。什么意思呢？我们要把有意愿还钱的人和没有意愿还钱的人区分开，把有能力还钱的人和没有能力还钱的人区分开，以及把能够准时还钱和不能够准时还钱的人区分开。
这只是一个大体借钱流程，而实际的信贷办理流程是比较复杂的（复杂流程图见上），用户提交申请，机构审批，审批通过再放款，然后是还款。人工智能可以参与每一个环节。就用户提交申请来讲，为了避免骗贷，放款机构需要利用人工智能技术去识别哪些人可能是使用虚假资料骗贷，以避免经济损失的发生。在实际过程中，可以通过活动检测，人脸识别，声纹识别，指纹识别，还有光学识别等各种技术来验证，验证以下两点：一是不是你本人在申请，有没有人盗用了你的身份；第二，你申请身份是不是正确的，和你提交的材料是不是相符。所以身份的核实其实已经用到了非常多的机器学习技术。
另外，我们可以再举个例子。P2P放贷机构的关键就是要控制自己的坏账率，其实很多P2P是通过三五千人的地推人员去找寻找能够可靠放贷的人群。但实际上，当我们真正应用人工智能技术的时候，我们是可以实现大数据的智能审批。我们可以通过大数据识别这个人的还款意愿和能力以及是否能够准时还款，从而给他合适的审批，并且根据他的相应经济能力，给他一个比较合适的贷款书。
而且这个信审模型可以随着数据的反馈而不断进化，数据包括用户是不是真的准时还了，用户是不是真的全额还了，从而迭代模型让机器不停地去学习，提高机器的性能。
举几个例子，第一个是专门做个人信用评价的公司Credit Kama，可以为机构后续授信和贷款等消费提供风控依据。假设我是一家P2P公司，我在向某人放贷前想要了解这个人的信用风险怎么样，他会不会还我钱，那么我就可以向Credit Kama去咨询这个人信用怎么样。
第二个公司Lending Club是国内所有P2P公司的鼻祖。其实 Lending Club 很多业务是做机构批发和机构销售，但是也有一个专门提供个人借贷的撮合平台。我作为个人可以上 Lending Club 网站去发布借钱信息，如果有人愿意借我，那么我就能借到这笔钱。Lending Club 还可以帮助实现利率个性化，当我一开始去借的时候，利率可能比较高，但是我通过不断的还款借钱再还款借钱这样一个过程，Lending Club的信审模型会提高对我的信用评价，从而定制一个更符合我的实际状况的贷款利率。这样的话我可能一开始承受20%-30的贷款率，但是我的还款记录良好，贷款利率会变成8%—9%。在辽宁科大也有这样一套完整的人工智能技术，能够对每一个借款人作出评价，从而让借款人获得最适合他的贷款利率。
第三个公司Capital One，主要是为美国几十万家中小企业提供多样化、个性化的金融服务。美国中小企业是很多的，中小企业是整个美国经济的支柱，而这些中小企业有非常多的金融服务需求。有一个典型的案例就是，企业可能需要短期融资，全信息化的 Capital One为中小企业服务时要求它们开放一部分内部数据给它，这样的话才能为中小企业提供更好的服务——个性化利率。这背后有一个很有意思的故事，Capital One 拥有美国众多小企业的内部数据，而它的相关员工可以看到这些数据。曾经有两个中国员工利用这些内幕数据做了一个模型来预测其中上市公司的营收状况，他们能在公司公布财报季报之前预测公司股票的涨跌，然后他们就购买大量的期权来炒。炒了还没几个月就赚了1900万美元（如果我数字没记错的话），最后被美国证监会抓。不过这至少说明了一点：这些数据是真实有效的。
在国内信贷行业做得很好的公司是蚂蚁金服，蚂蚁金服直接相关的业务是互联网小贷和征信。蚂蚁小贷它背靠支付宝和阿里，拥有非常多的数据，这是它不可比拟的优势。
第一是中美两国都有的问题，数据来源有限。我们希望获取个人尽可能多的信息，比如吃一顿饭用多少钱，若是金额很高总不至于是还不起钱；
第二是中国有数据互通障碍，比起平时生活中的数据比如房产、储蓄，更直接的数据是借贷数据。但是问题是这些数据归央妈自有，不可能提供给国内公司。而美国的数据很多是共享的，比如说美国三大评级公司之间有约定可以互相共享任何一家评级公司收集到的数据，但在国内是没有这种数据互通的渠道，短期也是不可能的，你能想象支付宝把它的数据分享给腾讯，微信把微信消费数据分享给阿里吗？不过我们还是很盼望这天的到来，因为这样我们才可以享受到更加个性化的低利率。
第三是中国缺乏一个完整的信用评价体系。如果你在美国欠了医院钱不还，医院可以申报记录到你的信用记录中去。而在国内其实没有这么完善，不过国内已经开始做这个事情，比如火车购票已经加入了类似“失信人系统”的东西。
最后一点，国内信用记录的覆盖人群是有限的，你必须在国家指定的银行中有过贷款行为才会有信用记录，而作为刚毕业的大学生他可能还没有来得及买房买车，他的消费记录很有限……这整个来说是有问题的。
在美国信贷公司，无论模型多么复杂，FICO分数依然是决定贷款利率非常重要的组成部分，单因素比重很大；
可以提高模型对非结构化数据的分析，例如社交网络上的数据。
随着时间发展和数据积累，借贷会在几个方面做得更好：利率和授信额度的个性化；从被动接受贷款请求，到AI预判需求，主动提供个人贷款和企业融资服务
再说一下人工智能在金融资讯当中的作用。第一个典型应用是金融客服。人工智能技术引入专家系统，将80%用户的常见问题进行学习，只需要很少的客服人员就可以通过人工智能识别客户的问题，提供相应的候选解答和金融知识，极大提高效率。另一个是应用于金融研究：搜索引擎基于知识图谱上已有的数据关联，实现联想和属性查找，从而减少信息中的噪声，呈现更准确和更有价值的信息。
案例与要点对比
一个例子是Bloomberg，该公司使用人工智能技术或者机器学习的技术能够智能地分析用户的问答。它有一个类似于QQ的窗口，你可以问出你的问题，如果AI非常确定（95%）能回答你的问题，它会自动作答。它的模式类似于微软小冰或者是siri，但是金融的问题比较复杂，若这个机器判断自己的回答只有70%的正确性，它会给客服直接呈现出用户的问题的可能答案（ABC……），客服只需要做很快速的判断哪个是正确的答案，选择后点击就可以直接发送过去了。这样缩短勒服务流程并且提高了效率，可能从前的服务平均时间是40分钟，那么可以缩短只需要4分钟，甚至更短的时间。
另外一个例子是叫Kensho，号称是金融领域的Google，能够自动抓取相关财经新闻，并进行结果汇总，极大提高金融研究的效率。比如行业分析师他可能花了3天分析东西，其中两天半都是在搜集相关的数据，最后的半天在进行汇总和分析。Kensho就可以帮你节约前两天半的时间。你可以输入一个具体的询问，比如说你可能想知道苹果手机发布会前三周的某一周亚马逊的股价会怎么变化。你可以问它这样一句话，它会自己抓取相关的新闻和相关的数据，然后计算并告诉你一个结果。
国内就是万得资讯，万得号称是国内的Bloomberg，提供比较全面的国内市场数据，尤其是很多需要大量人力敲门才能获取的数据。国内数据他们是翘楚，但是就是一个典型的数据终端，它并没有做进一步的加工分析。
中美之间的差距还是非常明显的。前面美国的两个例子其实已经实现了很多机器学习方面的智能应用，而国内的万得只是一个数据终端。不过另外一个换个角度来讲，就是我们还有很大进步空间嘛。
未来会有更多数据的积累，更加完善的系统，从而实现更精准的查找，更智能的自动分析，更及时地响应用户的需求。
结合智能投顾，推荐投资方案
如：提问“原油价格暴涨”，从新闻OPEC会议减产，到能源价格到其他行业的传导，到对市场的可能影响，到对这些可能的影响结果使用。历史数据进行回测，再进一步筛选出相关的投资标的，评价投资价值，最后给出推荐投资方案
金融百科全书数据库，全方面覆盖金融领域从市场、研究、交易、社交、生活、甚至是二手买卖和快递外卖的功能。国内这方面做得还是相对比较有限，所以说进步空间也很大。
人工智能在安全当中的应用与前两项是一脉相承的。使用AI来识别和判断每一笔支付交易，对其分类和标记；人工智可以识别出的支付欺诈，并且收集客户反馈不断迭代改进更加精确。金融安全举个例子比如说刷信用卡，信用卡有可能会被盗刷。那么人工智能就可以用来判断到底是真的消费记录还是一个欺诈的消费。
一个创业公司叫Stripe，类似支付宝，使用AI来识别和判断每一笔支付交易，对其分类和标记，对人工智能识别出的支付欺诈（比如盗刷信用卡）。并且不断的学习，能够达到很高的准确度。
而国内这方面就是支付宝，支付宝有一个证件校验，花呗与微贷业务使用机器学习把虚假交易率降低了近10倍。OCR系统是为了支付宝的证件审核开发的，它使证件校核时间从1天缩小到1秒，同时提升了30％的通过率。以前是靠人识别，可能会误判，比如人识别是50%的识别率，那么机器他现在比如说做80%的识别率，这是非常了不得的。
国内还有一家做照片比对的face++，我强调一下他们是做照片的比对。相对于照片识别来说，比对是一件比较容易的事情，最起码现在是这样。人工智能在照片比对方面比人更优秀，能够有更好的识别率，或者准确率。比对原理就是抽取两张照片其中的特征，每个照片各有一套特征，然后进行两套特征的比对，然后算出其中的相符概率。一个简单的例子，最强大脑里的旷世神人水哥都战胜不了人工智能小度。
在身份验证方面，国内优秀企业已不输甚至领先于美国。原因有两点，一是得益于中国庞大的人口，消费数据大，测试的样本数多，收到反馈数越多；二其实是对个人隐私保护的匮乏，在美国这个事情很难做，因为你一旦遭遇盗刷或者有问题的话，美国的信用卡公司或者是银行是要给你全额赔付的，个人是不用承担任何责任，而国内不是这样，很多时候只能自认倒霉。以上两点是非常具有中国特色的原因，这两个原因对于金融安全机器学习来说是一个好事。
但在支付安全方面，美国比国内做得好，这主要源于美国在支付安全方面的持续投入。一旦出现问题了，它要全额赔付。所以说不得不花很多的钱去做这个事情来降低自己的损失。国内是没有这个动力。
接下来我想说一下人工智能在监管合规当中的应用，其中一个典型是反洗钱。反洗钱是好事，也是坏事。好事就是遏制贪官污吏洗白，洗钱的成本大概是17%到20%+。那么反洗钱的坏处是什么呢？反洗钱的坏处就是快捷的手机支付可能不再如此方便快捷。
我们现在之所以有这么方便快捷的微信支付和支付宝，本质上就是我国没有反洗钱的相应机制，一旦反洗钱的机制像美国那样设立起来，就不会那么快捷了。它跟筛选垃圾邮件很像，需要判断这是不是一笔有洗钱嫌疑的资金交易。说到底还是一个分类问题，所以说反洗钱是非常适合机器学习的，今天是用人工通过一些固定规则把它抓出来，但是这个规则也许本身是可变的。用机器学习，通过输送大量的信息，它就可以自动抓到。未来，AI在监管合规方面有很大的发展可能。
在美国有个非常有意思的公司，叫Palantir。Palantir是一家大数据公司，就是做各种分类分析，包括金融的反洗钱、军事等各种实际的应用；他的客户包括了美国的中情局FBI。Palantir已被证实的功绩包括，帮助美国证券投资者保护公司（SIPC）发现了纳斯达克前主席麦道夫（Bernie Madoff）的庞氏骗局（Ponzi Scheme）。还有另外一个没有被官方证实的，但是大家一直在说的功绩就是，本拉登藏身地点是Palantir协助美国军方找到的。
国内的反洗钱这一块刚刚起步。国内监管目前基本靠人，差距明显。部分原因可归结于体制因素，缺乏动力。
第五部分是人工智能在保险当中的应用——个性化保费，但据我所知，现在还没有这种商业化的个性化保险公司。
案例要点对比
有一家公司叫Insurify，它是做人工智能来识别车的保险。我只需要对着我的汽车车牌拍照片，上传这张照片，它就可以自动识别你的车的相关所有信息，它可以收集你以前出没出过车祸，有没有违章记录。然后你现在的这个保险信息是什么样的，并且它连通了82家相应的保险提供商，他会作为保险的代理人帮你去设计个性化保险。根据你的驾驶记录或者根据年龄。
还有一家美国公司叫23andme.com，你只需要花99美元，根据遗传信息检测，可以提供低廉的（99美元）的个人未来健康预期的可能风险和可能会得的高风险的疾病，这个理论上是可以结合到个性化保费中，虽然伦理上是一个问题。保险是对于投保人的真实情况不十分清楚，用一个大量的一个样本，然后来平摊风险，而当保险公司结合这种遗传信息，能够比较精准的识别，如果知道投保人未来可能要得唐氏综合症，就会有一个歧视区分的保费，所以说，这在伦理上可能会出现问题。
美国刚刚起步，但中美都是最最早期阶段。
车险等其他事物性保险，未来会自动出具最优方案；比如说你的车险到底贵不贵，可以通过识别很多信息，现在只是给你做了车险的报价，但是未来可以更精确化报价，这是怎么做到呢？根据你的年龄、你的平常的习惯（或许你是一个喜欢飙摩托车的人，那么就会把你的汽车保费提高），搜集你其他相关的数据，来做更个性化的保费。
然而具体到疾病险，其实主要是伦理和法律问题，而不是一个技术问题。
传统的投资尽调工作全部由人工来完成，每个尽调人员通过阅读大量的资料信息，沉淀并过滤出相应的关键信息形成投资调研报告。
应用人工智能的技术可以将投资尽调的网络爬虫抓取信息、利用自然语言分析引擎进行分词、数据降维(合并同类项)&提取词之间的相关性、构建知识图谱、提取出有价值的信息、分析判断文章正向/负向、进行趋势分析、提供分析报告等工作整合在一起，提高尽调工作的效率与准确性。
日本三菱UFJ摩根士丹利证券资深股票策略师发明预测日本股市走向的机器，四年测试模型正确率为68%。
09年成立的对冲基金Cerebellum旗下管理着资产为900亿美元，一直使用AI进行辅助交易预测，并且自2009年以来每年均是盈利。
J&J宣布以300亿美元收购瑞士医药公司Actelion，以J&J在海外存放的現金支付，三大基金在收购前几个月多次发现强生高管出入瑞士机场，便猜测是要收购那家公司于是赌了一把，在消息公布前分別入货，大赚一笔。
然后国内例子是用人工智能去做高频量化基金。
在这个领域，中美对比相差很远，主要原因有五点：
可投资产种类少，衍生物等。美国有丰富的衍生物，而中国其实大家就炒炒个股，可能还有涨跌停板的限制。
可投机会/投资方式少，很难对冲。
可投市场少，国内市场准入门槛高，有的好市场普通投资者，甚至私募和大多数公募基金都无法参与，只有极少数“特殊资质”国有机构才可以。
风险集中，外汇管制。例如国内投资者只能囿于国内投资，美国和日本可以把资产完全分散到海外了分散到全球。美国和日本分别有20%~25%的可投资金投资在本国境外，而中国大概有1%，由中国国家主权基金比如说工行代表着我们这些韭菜投出去的。
政策变化快，模型寿命短。就是我们所有的机器学习模型，其实本质上都是要对数据进行判断，它需要在一定特定的环境下进行，而中国的政策整个大环境变化可能会比较快。万一一行三会合并了，那是不是政策又会出现新的政策呢？那会导致我们的模型失效，所以我们不停地要迭代模型。
虽然中美有很大的差距，但是实事求是来说，中国股票市场大概花了二十年的时间大概走完了美国大概多于一百年的时间，我们的效率还是很高的。
我们现在大踏步的后腿，实质上是大踏步的前进。
最后我想说一下人工智能在智能投顾当中的应用。传统的理财由用户自主选择，无论是基金、债券、信托均基于用户自己的风险偏好水平以及自己判断，理财效果因人而宜；引入人工智能后，系统可以评测用户的风险偏好，推荐相应资产组合，一键下单完成交易；后期不断检测资产表现情况，必要时进行风险提示以及调仓推荐。对用户而言，选择了专家系统来作为理财顾问可以很好地控制理财风险，保证资金收益，一键式的操作也非常有利于用户体验。这也是目前所谓的“智能投顾”或者“量化投资”的模式。
实质上，智能投顾是把私人银行的后台服务线上化，让大家可以低成本使用。而智能投顾公司，其实是搞算法或数学模型的公司。机器人背后是复杂的数学模型，通过机器人投顾让投资更简单、便捷和稳健。不过，机器人投顾不可能保证100%赚钱，只能尽量做到帮散户控制好风险，尽量提升用户长期盈利的概率。
这里再教大家如何评价一个智能投顾公司靠不靠谱，那就是要看真正做策略的人，如果这个人统计、建模、研究能力不够强，大家就要小心了。
国情不同，美国没有动力更进一步，但中国需要更先进更好的智能投顾。要提一下的是定投。一般教科书会告诉你，定投3个月、半年的效益，但要是看一个5年的周期，你就会发现，定投和平均购买没有任何区别。也就是说，定投是一个无效的东西。
而更好的、更适合中国市场的智能投顾是指什么：
多类资产，甚至是跨大类资产。
主动+被动式投资：alpha + smart beta + market beta。
多种投资周期：长短结合和选择。
个性化的投资顾问：个性化风险，智能配置，主动式投后管理和调仓。
多样性的投资手段：美国永远全仓，我们可以满仓，半仓，空仓和部分市场的对冲。
美国的智能投顾实际上有政策催化，美国有一个养老金入市制度，例如“401K计划”，企业为员工设立专门的401K账户，同时企业向员工提供数种不同的证券组合投资计划，如股票、共同基金、国债和公开市场票据等等。美国政府给予一定的税收优惠，也鼓励人们存钱（主要原因是美国的人均储蓄率是-2%），但一个问题就是你必须在退休后才能取出来钱，提前取出来的话要受到额外10%的惩罚，所以一般人是不会取出来的。事实确实证明过去100年美国股市一直保持上涨。普通人其实就可以放进去，不需要操心太多事情，但这是美国的国情。
中国是不行的，为什么呢？中国没有这种强制养老金，而且中国的社保实际上亏空的，中国最大的庞氏骗局之一就是社保。有很多思想觉悟不行的人不交社保，这样庞氏骗局是没有能力维持下去的，人人都要都有当韭菜的觉悟。情况不一样，所以对智能投顾的性能要求不一样，美国的智能投顾就可以非常简单。而中国的投顾就因为要求比较苛刻，它需要有更先进的技术。
在多类资产、跨大类资产方面，因为美国的特殊情况，他们只需要配置被动的ETF，被动的随着市场往上走就好了。但在中国市场，你要是敢这么配，被动式的你10年后面对的结果就是钱一分没有增加，同时因为通货膨胀，房价上涨，你的钱可能缩水到原来的1/4。所以说这个是我们要跨大类进行配置的原因。
这方面第二点是主动加被动，我们不但需要有一个市场的贝塔，我们还需要一个行业或者细分的贝塔，或者叫聪明的贝塔。还要尽量在这两个基础上能够做到更好，能够在此基础上加一个阿尔法。
美国的养老金计划是一个非常长期投资，可能是10、20、30年的长期投资，但中国的韭菜是不可能投资30年的。所以在中国就要考虑到给用户三种选择：短周期的选择、中周期的选择和长周期的选择。这其实是一个很难解决的问题，因为长期来看收益会比较稳定，长期会熨平波动，而短期波动会比较大，所以说越短越难做。
另外智能投顾还都需要个性化，风险个性化、投资周期个性化，这也为投资之后的管理和调仓增加了极大的难度。
还有一个差异就是美国永远都是百分之百全仓杀入，这如果在中国那不就是疯子吗？所以我们希望能够做到控制仓位，可以满仓，半仓，空仓和部分市场的对冲。
财鲸深海智能系统，大体的流程就是从大类资产配置到筛选出来相应比较优质的公募基金，公募基金筛选出来之后，把这个公募基金进行性价比最优的匹配。然后其中用到了很多自然语言处理、迭代神经网络，改进遗传算法，本质上我们用到了大量的无监督学习技术，会有一个真正交易后的实时监测、调仓。
经典的马克维茨理论或者现代资产组合理论在中国市场上应该是不可行的，存在明显缺陷，而机器学习辅助之下模型可得到一定优化：
传统模型结果不稳定，其数据利用其实是很有限的，并且对市场显得非常缓慢，而且对风险没有什么抵抗力。具体来说，MVO优化模型假设所有输入都是100%确定，而资产预期收益等特性存在广泛不确定性，资产数据轻微扰动变化，会得到完全不同的配置结果。
MPT投资周期过长: 一般适用于较长投资周期（如美国养老投资），但国人投资周期普遍较短。
投资风格单一，缺乏现金和非标资产管理，传统马克维茨模型无法对现金进行有效管理，且不包含非标资产。传统马克维茨理论，其实不能管现金，它必须全仓杀入。为什么呢？因为它无法加入其他的资产，就是不同于被动投资的其他类资产；它也无法加入很多主动型的基金，它更无法加入非标准的投资，你更不要提把我的房子、车子、p2p加进去了，而且它只能全仓做多。
数据维度利用有限，仅使用历史数据，但历史不代表未来表现。
市场响应缓慢，常见资产模型缺乏监控模块，无法对市场进行实时评估和响应。
风险抵抗能力有限，无对冲方案。
而采用机器学习技术之下，使用稳定的一阶统计量配置资产，使用二阶统计量，融合机构调研成果，监控预测市场变化。
这块澄清一下——我们做不到在市场崩盘前提前预知，但是我们可以尽量做到市场崩盘后，或者刚刚开始崩盘的时候，立刻撤出来。
看一些有意思的结果吧。左边表格是我们做的统计，结果是国内公募基金的投资风格实际上和申报的不服。我们国家有的申报的公募基金，比如这5种，总的比例是百分之百，然后把这5种简单分成3类，第一类是实际上是股票型的基金，第二类实际是债券型基金，第三类是实际是货币基金的。我们可以看到，号称自己是货币基金的基金，真的全部都是货币基金；但是号称自己是债券基金的，可以看到，每4个号称自己是债券基金的基金，实际上都有一个投资是股市，都是挂羊头卖狗肉。甚至，我们在实际研究中发现有的公募基金，自己号称是做医药板块，但80%的仓位是军工。
这种现象在国内也属于中国特色，那这就造成了很大的问题。如果直接用这些基金的申报风格去做资产配置，那么得到的一定是错误的结果。每4个债券型基金，就有一个债券型基金，实际上投资是股市。我投资了一个债券，一个股，我是不是分散了？实际上投资两个股票，比如2015年大跌的时候，那你就亏了。
基于贝叶斯概率图论的多因子模型，确保资产分布稳定
现在可以进行资产配置了，真正做模型其实有很多前提假设，无论是它的净值还是因子，我们需要去检验这些假设是否符合。
举个例子，左边这幅黑白图，我们可以看到每一个因子的分布都是奇形怪状的，实际上奇形怪状是不符合我们的假设的，所以说我们需要去修正关键词去做模拟。于是我们用机器学习技术去学习每个用户他实际的分布，纠正这种假设，然后再动态模拟出他是什么样子，就是右边这幅红的图。之所以右边一行一列，看起来像梳子一样，那是因为其中有一个因子变量，它的取值是离散型的。
现在终于可以进行计算了。这个图比较复杂，蓝色代表着它的权重低，红色代表的权重高。左边的红黄是用来配置资产，右边的这个蓝红是用来监控市场，从而实现及时调仓和市场，大概要算很久，其实是若干个分类，中间的白线是整个上证基金指数的走势。从2015年初到2016年一个走势是大起大落，像底下的债券型就是用机器学习出来的结果。
智能化组合监控及调仓
纵坐标是风险等级，横坐标是时间点。每一个点代表了这个风险等级下的一个调仓动作，点的大小代表调仓比例大小。不同的风险等级机器会做出不同的判断。其中风险等级最低的1几乎不需要调仓，就算调仓，幅度都很小。因为风险已经最小，你没有必要去调整。
但是当风险的提高时，调仓频率在增加，就是每一个横行的点的密度在增加，同时点的大小可能也在增加，调仓的频率和幅度都在增加。
很有意思的结论是，把10和8相比的话，10的调仓频率反而要小于8，而且调仓幅度要小。我们后来看实际的数据，风险为8的时候，其实一般会配7到9只公募基金，10的时候可能只会配5到7只公募基金。这是因为当风险达到最高的时候，我们的机器就认为最好的方式就是赌，干脆聚焦在一些少量的选择上。
智能投顾是行业大势，十年前中国式无财可管，中产阶级的兴起，现在财富管理是刚需；而智能投顾解决了门槛问题，你不需要有1000万2000万去私行，而你只需要可能20万就可以做一个智能头部的一个完整的一个理财。
区域发展阶段肯定是从国内发展到全球，这是所有国家的发展路线。
过程发展阶段：通道-> 券商-> 产品 -> 财富管理（智能投顾）
从一个通道（因为涉及到外汇管制的问题），然后到券商让大家炒，等大家炒亏的人多起来的时候，就会有人不想炒股想买好产品，再到产品出现资产荒，资产荒之后才能实现一个真正的财富管理。
在国内的问题，这些也是B端机构落地的考虑：
专业性非常高，门槛在里面，做好很不容易。
B端机构要意识到中美国情不同导致的智能投顾不同：美国养老金制度哺育了美国的智能投顾，而中国不同，投资周期不同；此外美国储蓄率低，定投有效，中国长期定投无效。
中国投资者教育比较落后，中长期投资在中国没有市场，很多人追涨杀跌，注重短期收益。
信任感问题，面对面的个人理财顾问取信度会比较高，而机器没有这种先天优势。
合格理财顾问的培养比较困难，中国国内的理财顾问大多数都是销售，如果在私人银行培养一位合格的理财顾问可能需要5到7年，这在国内几乎是没有的。
如何获得投资者财务状况全貌，包括房产、车、储蓄、信用账户等。
意识到智能投顾的当前的局限性。
Kensho 创始人 Daniel Nadler 说过一句话：“我们正在以破坏大量相对高薪工作为代价来创造极少数的更高薪工作。”应用人工智能对各行各业的影响已经开始显现。其中，对金融的影响只是其替代人类脑力劳动的一个代表：从替代简单重复性脑力劳动，比如大量手动交易执行到自动化交易执行；到信息收集和初步分析，比如数据统计，智能金融客服；再到各种投资预判和决策，比如上面提到的智能投顾。
目前我们的科技还停留在弱人工智能阶段。从技术角度看，人工智能的各个细分领域尚面临着各自的技术桎梏；从市场应用来说，缺乏席卷用户的现象级产品。而当我们突破这个瓶颈的时候，我们就会迎来人工智能的下一个春天。
以下是公开课视频：
相关文章：
正在生成分享图...
nebula