强烈推荐 | 一个金融博士后的智能投顾高级课程学习笔记

本文将从一个研5究员的视角，从理论、技术、市场、公司等几个层面来剖析智能投顾领域。

本文整理自智能投顾学员&群友项目交流第二期的内容，由深圳某金融机构博士后研究员肖子龙分享，主题为《智能投顾面面观》，后附“智能投顾”线下沙龙参与方式及专业交流群入群方式。

雷锋网•AI慕课学院与AI金融评论联合举办的“智能投顾高级特训班”还在如火如荼持续报名中，课程分为基础、进阶、高级三个阶段，在第二阶段即将开始之前，AI慕课学院智能投顾群近期发起了项目分享活动，来自智能投顾从业者、投资人、银行产品经理等学员互相交流⾃⼰的学习经验，以及如何在学习课程的过程中解决实际问题。

以下为肖子龙博士后的分享实录，编辑做了不改变原意的梳理：

学习心得

王蓁博士的智投课程简直就是为我们从事智投领域的工作者量身定制的，真的是手把手的教我们如何搭建一个智能投顾系统。不管你是想转入智投领域的新人，还是了解智投领域但是属于算法小白，抑或是懂智投也懂算法但是尚未实际操盘过整个智投系统的搭建，在这里都能扎实学到你想要的东西。

智能投顾课程体系包括智能投顾的概念原理模型简介等基础性内容；也包括TensorFlow和深度学习模型的应用，自适应建模和优化在量化投资中的应用以及文本挖掘算法等进阶性内容；还包括智能投顾系统架构，从数据清洗到大类资产配置再到智能调仓和组合监控等高级内容。

现在智投班的基础课程已经结束，王蓁博士已经带我们踏进了智能投顾领域的大门，其不仅对智能投顾的原理和市场现状进行了剖析，还对智能投顾的数学基础进行了回顾，另外重点介绍了MPT、BL和TB三个资产组合配置模型。思路很清晰，层层递进。基础打牢后，希望在后续的算法进阶和项目实操方面获取更多的知识干货，并能真正意义上的自己动手完成一个RA系统的搭建。

编者注：课程还在报名中，传送门：http://www.mooc.ai/course/157（点击链接或者扫码可看）

接下来开始跟大家分享课题内容，主要是从一个研究员的视角从理论、技术、市场、公司几个层面来剖析智能投顾领域。

一、理论基础

基础理论这一块在智能投顾基础课程中，王蓁博士不仅对智能投顾的原理和市场现状进行了剖析，还对智能投顾的数学基础进行了回顾，另外重点介绍了MPT、BL和TB三个资产组合配置模型。思路很清晰，层层递进，在这里我就不赘述了。

二、 技术基础

智能投顾运用云计算、大数据、人工智能等技术将资产组合理论等其他金融投资理论应用到模型中，再将投资者风险偏好、财务状况及理财规划等变量输入模型，为用户生成自动化、智能化、个性化的资产配置建议，并对组合实现跟踪和自动调整。

技术核心一：用户画像

智能投顾是通过“用户画像”以各式各样的标签来“理解”用户的特点，然后自动给特定用户提供真正所需的服务。用户画像能给智能投顾带来商业价值。在对用户进行基本信息、财务状况、投资知识、投资经验、风险偏好、风格偏好、策略偏好、行业偏好等维度画像后，智能投顾就可以将不同的投资组合推荐给匹配的用户。

用户画像已经成为智能投顾的刚需。智能投顾用户画像的商业价值如下：

1、精准营销：推荐用户感兴趣的股票、债券、基金等，

2、用户研究：指导产品优化，产品功能的私人定制等；

3、个性服务：智能资讯推荐、个性化资产配置建议等；

4、活跃用户：提高交易活跃度，提高用户体验和黏性。

技术核心二：推荐引擎

推荐引擎，即借助个性化推荐技术，基于用户的基本信息，从用户的行为和偏好中发现规律，进而判断用户是否对此项产品感兴趣，为不同用户提供个性化的内容，以此提升产品的内容吸引力。其实质是利用信息过滤技术向用户推荐其可能感兴趣的产品。根据实际各类推荐算法应用情况看，协同过滤推荐算法（即CF算法）比较适合金融机构采用，可尝试应用在智能投顾产品当中。

协同过滤推荐算法基于一个“物以类聚，人以群分”的假设，喜欢相同物品的用户更有可能具有相同的兴趣。基于协同过滤的推荐系统一般应用于有用户评分的系统之中，通过分数去刻画用户对于物品的喜好。协同过滤被视为利用集体智慧的典范，不需要对项目进行特殊处理，而是通过用户建立物品与物品之间的联系。目前，协同过滤推荐系统被分化为两种类型：基于用户(User-based)的推荐和基于产品(Item-based)的推荐。

基于用户的推荐系统具体步骤包括：（1）收集用户偏好，从行为和交易中寻找用户喜好；（2）相似性计算，即找到相似的N个用户；（3）计算并推荐，通过N个用户推荐产品。基于产品的协同过滤算法和上述类似，但它从产品本身，而不是用户角度。比如偏好外汇的用户都偏好QDII，那么可以知道外汇产品和QDII产品的相似度很高，而用户喜欢外汇，那么可以推断出用户也可能喜欢QDII。

技术核心三：大数据挖掘

通过网络爬虫等方式获取文本、图片等内容，基于自然语言处理、图像识别等技术，从网络文本、图片中提取关键信息。例如，从公告中提取公司财务数据，从研报中获取一致预期数据，构建网络舆情系统监测行业和概念热点。公司公告（股东大会、重大利好、增发、交易提示、配股、股权股本、重大事项）和财务报表（年报中报季报、业绩预告、业绩快报）、分析师的研究报告、股吧雪球论坛帖子、微博微信社交网络、新闻媒体报道、搜索引擎返回信息呈现给大家的大都是一些非结构化的信息，采用文本挖掘的方法对这些非结构化数据中的金融信息进行挖掘，从而可以在智能投顾中为客户精准推送产品和资讯，辅助客户的投资决策。

文本挖掘是通过分析互联网，从大量文本数据中寻找其规律的技术。互联网数据具有数据量大、数据结构复杂、数据内容分散等特点，呈现出爆炸性增长的趋势。为了从中提取出有效信息，必须选择合适的数据挖掘策略。文本挖掘需要进行大量的数据采集和运算等，其基本挖掘流程划分成内容采集、内容挖掘和行为分析三个环节。

文本挖掘流程具体步骤分解：

1、内容采集

进行互联网文本数据挖掘的基础是数据的真实性和有效性，内容采集主要包括以下两个方面。（1）页面内容爬取。这是将网页的内容通过爬虫获取的部分，分析页面代码格式，进行网页代码的编码转换等，尽可能获取自己需要的信息。（2）页面垃圾过滤。页面中不可避免地会存在大量的垃圾信息，这些信息严重干扰到对后期信息挖掘的准确性，页面垃圾过滤机制会找出包括广告在内的段落以及其他对内容挖掘无效的部分，并将其清除，不进入内容挖掘部分。

2、内容挖掘

主要是对需要的特定信息进行提取，该阶段处理后的文本数据是后期进行分词、情感分析的基础。

3、行为分析

整个文本挖掘过程的重点和难点是分词和情感分析，对于海量文本信息而言，程序的处理速度也是至关重要的一点。

技术核心四：AI投资算法

AI投资策略这块主要采用机器学习算法，整合市场数据，构建性能更好的预测模型，判断资产在未来一段时间的走势；通过优化决策，构建更好的交易信号。

以机器学习预测模型为例，完整的机器学习步骤包含预处理、学习、验证、预测四个部分。

机器学习主要分为三种类型，监督学习（Supervised Learning）、无监督学习（Unsupervised Learning）和强化学习（Reinforcement Learning）。我们对主流分类方法来介绍机器学习在量化投资中的应用，实际上，各种方法的应用模式可以互相交叉。

监督学习的主要目的是使用有类标的训练数据构建模型，我们可以使用经训练得到的模型对未来数据进行预测。监督是指训练数据集中的每个样本均有一个已知的输出项。如使用回归预测连续输出值，回归的方法有OLS回归、岭回归、LASSO回归等；利用分类对类标进行预测，分类的方法有Logit回归、SVM、决策树、随机森林、KNN、神经网络、深度学习等。

将无类标数据或者总体分布趋势不明朗的数据，通过无监督学习，可以在没有已知输出变量和反馈函数指导的情况下提取有效信息来探索数据的整体结构，从而发现数据的潜在规律。如通过聚类对无类标数据的潜在模式进行挖掘，聚类的方法有K-means、层次聚类等；对数据实现压缩降维，降维的方法有主成分分析（PCA）、线性判别分析（LDA）等。

强化学习的目标是构建一个系统，在与环境交互的过程中提高系统的性能。通过与环境的交互，系统可以通过强化学习来得到一系列行为，通过探索性的试错或者借助精心设计的激励系统使得正向反馈最大化。强化学习有四个基本组件，包括输入：环境（States），动作（Actions），回报(Rewards)以及输出：方案（Policy）。和监督学习不同，强化学习没有确定的标签，需要机器自己摸索，每一个动作对应一个奖赏，最后得到一个奖赏最大的方式进行数据处理。AlphaGo就是一个强化学习的实例。强化学习的主要算法有：Sarsa，Q学习，策略梯度，Actor-Critic学习，深度Q网络等。

PART 3 市场分析

本研究模块立足于智能投顾行业发展整体现状，梳理了智能投顾的基本概念、客户群体、投资标的、投资过程等基础知识，对海内外智能投顾的发展情况进行了简单回顾，并就智能投顾的主要特点进行了剖析。此外，通过详细解析智能投顾行业发展的驱动因素和制约因素，了解智能投顾行业目前所处的准确地位，为后面对行业中具体公司的分析做铺垫。

客户群体

智能投顾的目标客户主要面向中产及长尾客户。中产及以下收入人群庞大，存在强烈的资金管理及投资需求。庞大的中产阶级人群，除了购买常见的金融产品之外，还存在资产配置的需求。

传统投顾投资门槛高，投顾费用昂贵，主要客户为高净值人群。传统投顾通过与高净值客户进行一对一沟通，为其提供包括保值、增值、传承、公益慈善等在内的财富管理咨询服务。中产及以下长尾人群很难享受专业化、定制化的投资顾问服务。

智能投顾降低了投资服务门槛。基于互联网提供的服务可根据客户以问卷等形式反馈的信息进行风险偏好判别，然后计算机后台利用算法自动计算出满足条件的投资组合，在全球范围内实现资产配置，本质上来讲节约了专业投顾的人力成本，且可以更高效、便捷、廉价地为C端中低净值客户提供投资理财、资产配置等服务，且起投门槛也明显低于传统投顾。

投资标的

智能投顾给用户呈现的是一个投资组合，投资标的为市场常见的投资品种。背后其实是全球范围内的股票、债券、基金、ETF以及房产、另类投资等投资标的。美国典型智能投顾平台投资标的大部分为ETF，目前国内的ETF产品太少，智能投顾也处于起步萌芽状态。国内当前阶段也只是根据用户自行选择的风险等级和投资期限，给出由多个公募基金构成的投资组合，与FOF比较相似。

投资过程

智能投顾的投资过程基于传统的投资理论和方法策略，实质上是将传统投资理论的应用场景互联网化。大部分智能投顾平台会借助问卷等手段判别用户的风险承受水平、收益要求和投资期限等信息，部分智投平台更是直接让用户先后勾选风险等级和投资期限。无论是以问卷形式还是简单粗暴直接勾选风险承受等级和投资期限，都相当于是对客户的可投资资产风险和预期收益的分析，相当于给平台构建投资组合设定了约束条件。根据客户的风险水平与投资期限，计算机借助风险分散等传统的投资理论以及量化投资策略等方法构建投资组合，并在投后过程实时跟踪宏观事件、市场和投资者偏好的变化等情况，进行自动风控和授权后的自动调仓。

发展概况

1、市场规模

A.T. Kearney公司预测，2016-2020年间美国智能投顾市场年均复合增长率高达68%；2020年整个智能投顾市场的资产管理总额为2.2万亿美元，占当时全球财富管理规模比例超过2.2%，市场渗透率则将从0.5%猛增至5.6%。

在经济L型运行的背景下，中国财富管理市场继续保持高速增长。2016年，中国个人持有的可投资资产总体规模达到165万亿元，2014-2016年的年均复合增长率为21%，继2008-2010年后再次站上20%大关。

2、盈利模式

咨询管理费是智能投顾主要收入来源。智能投顾盈利模式和传统投资理财机构类似，都是收取中间费用盈利。不同的是，智能投顾中间手续费数量少且费用率较低。主要原因是智能投顾平台是依靠互联网优势，可以节省人力成本和分支机构成本。此外，智能投顾具有规模效应，可以通过低费率吸引大量客户，以量取胜。

以美国为例，传统投顾服务收费项目繁多且极不透明，往往会收取咨询费、交易费、充值提现费、投资组合调整费用、隐藏费用、零散费用等近十类费用，总费率高达1%以上。而智能投顾则采取完全透明化的单一费率模式，即只收取0.15%-0.35%的咨询管理费，不再涉及其他费用。但交易过程中产生的交易费、持有费等中间费用由投资者自行承担，由于目前智能投顾投资标的以ETF产品为主，具有费率极低的特点，年总费用率普遍在0.03%-0.55%水平。

3、海外概况

美国智能投顾创业公司先行，传统金融机构后来居上。

自2008年起，Betterment，Wealthfront等第一批智能投顾公司相继成立，在智能投顾市场深耕细作，经历缓慢却稳定的增长。Betterment于2016年3月获得1亿美元E轮融资，资产管理规模40亿美元，估值7亿美元，在过去的15个月，资产规模增长了近30亿美元。

另一家代表公司Wealtfront于2014年获得6400万美元的D轮融资，目前资产管理规模30亿美元左右。

随着人工智能，大数据分析等技术的发展，智能投顾在2015年突然呈现爆发式增长态势，传统金融机构意识到其对传统投顾市场的威胁，亦纷纷成立智能投顾部门，或通过收购创业公司，涉足智能投顾领域。

2015年5月，嘉信理财上线智能投资组合服务后，不到三个月时间吸引24亿美元投资，以及3.3万多名客户，目前该项服务资产管理规模超过40亿美元；2015年8月，全球最大的资产管理公司Blackrock收购了机器人投顾初创公司FutureAdvisor，次年三月，高盛收购线上退休账户理财平台HonestDollar。

4、国内概况

相比起美国，我国智能投顾起步较晚，尚处于早期阶段，创业公司、券商机构、银行机构、BAT等互联网巨头陆续入局，智能投顾市场热潮渐渐扩大。自2014年我国首个智能投顾——胜算在握上线以来，智能投顾快速发展，弥财、钱景私人理财、爱理不理网等平台相继上线，各具特色。此外，互联网理财平台和BAT等互联网巨头也逐步开展合作，推出智能化理财功能，配合自身的互联网金融产品超市，加紧在智能投顾领域的布局。据不完全统计，我国目前宣称具有智能投顾功能或者正在研发智能投顾的互联网理财平台超过20家，回顾国内智能投顾市场，由0到1，再到初步完成布局，仅用了2年时间。

主要特征

传统投顾一对一的投资理财询问服务有成本高，服务对象少、知识储备不足，经验较少、存在道德风险等缺点。智能投顾将人工智能和大数据等技术引入投资顾问领域，可以处理海量的信息，快速应对时势。具有低门槛、低费用、投资广、易操作、透明度高和个性化定制六大优势和特点。

1、低门槛

特点一：低门槛使得中产及长尾客户全覆盖，实现全民理财。

传统的专业投资顾问的门槛在百万元以上，而私人银行理财起点多为600万元以上，部分私人银行甚至将门槛设定到1000万元，主要针对高净值客户。大部分中产及以下长尾人群很难享受专业化、定制化的投资咨询服务，而这类人群不仅基数大，在理财上也一直有着资产保值、增值的强烈诉求。智能投顾平台对客户的最低投资金额要求都很低，最低要求普遍在1万元-10万元左右，部分智能投顾如Betterment或钱景私人理财甚至实现了零门槛，这一设定为各层次的投资者打开了私人财富管理的大门，真正意义上实现了全民理财，从而将C端客户的数量指数级扩大。

2、低费用

特点二：相比人工投资顾问，收取更低的费用。

传统投资顾问由专业人士担任，主要针对高净值人群，由于人力成本高，传统投资顾问的管理费普遍高于1%，且边际成本下降不明显。但是基于计算机算法辅助的智能投顾，管理费普遍在0.25-0.5%之间，边际成本随着客户的增多而下降，边际效应明显。

3、投资广

特点三：投资标的范围广阔，可在全球范围内寻求最佳资产配置。

智能投顾平台往往通过与第三方ETF基金公司或国外金融机构合作的方式，为用户提供全球范围内的投资组合，若涉及到税率问题还可自动选择最佳方案。例如Wealthfront涉及多达11项资产类别，包括美股、海外股票、债券、自然资源、房产等，投资组合的载体为指数基金ETF；投米RA为用户提供专门的美股账户用以投资美国股票，RA账户用来投资智能投资组合，包含精选ETF，分别追踪美国、中国、其他发达国家和发展中国家的股票、债券、房地产市场等相关指数，境内理财则是由投米RA提供国内固定收益类产品理财服务（P2P 理财），涵盖活期、短期、中期、长期产品。

4、易操作

特点四：简化服务流程，提高用户体验。

智能投顾的服务流程较为简便。全流程均可以在互联网上实现，相对标准和固定，大幅简化用户操作过程，一般只需几个步骤就可完成投资，省去分析和选择投资标的的过程。智能投顾平台一般都通过网页或APP的形式，投资者只需要在平台上回答相应的投资调查问卷，智能投顾系统便可以评估出投资者的风险偏好水平、确定理财方案，自动生成相应的投资配置组合。整个流程下来所花的时间仅需几分钟，达到高效、精准匹配用户资产管理目标。智能投顾就像一个贴身管家，7*24小时随时响应客户需求，不间断智能化管理客户的专属投资账户。

5、透明度高

特点五：投资组合、投资信息以及费用等信息完全透明，投资过程自动完成，客观公正。

传统投资顾问服务的信息披露晦涩，存在金融产品供应商与客户利益相冲突的问题，而智能投顾对投资理念、金融产品选择范围、收取费用等披露充分，且客户随时随地可查看投资信息。智能投顾给出的资产配置方案多数是基于经典的资产配置理论，具备较强的专业性和客观性。智能投顾严格执行程序或模型给出的资产配置建议，采取自动化策略为客户提供资产组合服务，不会为了业绩而误导客户操作而获得更高的佣金收入，相对传统投顾而言，智能投顾减少了道德风险，更加客观公正。

6、个性化定制

特点六：基于多元的理财目标提供丰富的定制化场景，针对客户的风险偏好及投资期限为其个性化定制最佳投资组合。

基于多元的理财目标提供丰富的定制化场景。智能投顾为投资者提供了基于多种场景的资产配置计划，颠覆了传统投顾的单一的资产管理模式。以钱景私人理财为例，其为投资者提供了存钱购房、存钱结婚、存钱育儿、存钱养老和梦想基金五个理财目标，理财动机不同，定制的理财方案也各不相同。

针对客户的风险偏好及投资期限为其个性化定制最佳投资组合。智能投顾在用户主动提供或测评得到风险偏好及投资期限之后，为其个性化定制最佳投资组合，并且将详细方案清晰呈现。以摩羯智投为例：若设定投资期限1-3年，风险承受级别5，那么系统给出的投资组合是摩羯14号，查看详情可以看到主要分成4类产品组合：固定收益（48.58%）、股票类（26.61%）、现金及货币（13.42%）、另类及其他（11.39%），用户可以看到每一类各自包含的公募基金品种以及对应的资金配比。

驱动因素

智能投顾在金融科技创新、证券行业变革、社会结构变化和巨大市场空间等因素的驱动下，将开启下一个财富管理万亿蓝海市场。

驱动因素一：金融科技创新。大数据、人工智能等金融科技核心技术推动智能投顾登上舞台，并不断的进行产品和服务的创新。

海量数据时代来临，多维度+高频度的大数据为智能投顾发展奠定基础。随着互联网、移动终端普及，以及物联网的兴起，全球迎来海量数据时代，数据规模将呈现几何式增长。同时，数据源将越来越丰富、数据获取方式将更加多元、数据处理成本将持续降低。大数据的蓬勃发展将重塑投资领域格局。

除了数据规模外，大数据的发展还包含维度、频度两个方面：

1）数据维度不断增加：即用户产生数据的类型、层次、场景越发丰富，诸如交易数据、社交数据、行为数据、信用数据等各类数据层出不穷；

2）数据频度快速提升：即数据的记录及发布频率持续提升，由低频数据向高频数据转化，例如，互联网平台流量、浏览有效时长、用户交易额等实时监测数据相对于传统的定期财务报告数据频率更高、更加精确和前瞻反映用户状况。

“研究-交易”是投顾的核心步骤，人工智能技术（包括索引技术、知识图谱、图像识别、机器学习、决策智能等）构筑的智能投顾已渗透在“研究-交易”的各个方面。智能投顾的复杂性在于影响市场的因素复杂繁多，因此AI技术需要在每一步环节将发达的金融理论相结合，目前来看我们认为智能投顾尚在初期。不过随着数据搜索分析、报告生成、量化交易每一步骤得到“细致的”智能化，优秀的智能投顾产品将指日可待。

驱动因素二：证券行业变革。券商佣金率的持续下降，一人一户政策的全面放开，以及行业竞争格局的转变，为智能投顾的发展带来机遇。

券商佣金率持续下降，倒逼券商探索新的盈利点。近年来，互联网证券蓬勃发展，互联网开户、交易、资产管理等业务不断取得突破。激烈竞争导致券商经纪业务佣金率近年来持续下行，2016年一季度行业整体佣金率已下滑至0.042%，创历史新低。

佣金率持续下滑对业绩产生深远影响，寻找新盈利增长点迫在眉睫。以智能投顾为代表的增值服务有效提升客户体验，满足个性化需求，同时充分发挥券商投研、产品设计等专业优势，有助于实现经纪业务转型升级，开拓新市场空间。

驱动因素三：社会结构变化。千禧一代的崛起，居民财富的增加，理财观念的成熟和目标多样化，为智能投顾的发展带来了巨大的需求。

驱动因素四：市场空间巨大。财富配置和投资标的日趋多元化，服务长尾客户实现普惠金融。

随着居民投资从原来的不动产、固定收益类投资项目向金融资产转移，居民的金融理财、资产配置及投资咨询等需求将显著增长，而智能投顾作为一个分散投资风险的工具，能有效满足居民多元化投资的需求以及帮助居民实现一定投资收益，将受到潮流所青睐。

制约因素

智能投顾当前在美国已经发展得如火如荼，国内很多券商和互联网公司也跃跃欲试，不过将智能投顾迁移到国内发展，仍受到一些现实方面因素的制约。

制约因素一：投资者对被动长期投资模式接受度不高，养老金不能入市。

制约因素二：投资顾问与资产管理分业监管，代客理财受到监管限制，多账户归集管理不可行。

制约因素三：ETF产品有限，金融产品和对冲工具匮乏，无法分散投资组合的风险。

制约因素四：分类税制下难以进行税收规划与统筹，无法进行税收亏损收割。

制约因素五：风控体系的健全程度跟不上智能投顾的自动化程度，趋势投资模式不适应国内的散户市和政策市。

活动预告：

智能投顾项目分享持续进行中，本周六（11月18日）将有闭门交流会（沙龙详情：http://www.mooc.ai/course/285）。如果你是智能投顾从业者，身处银行、基金、证券公司等，希望一起学习和探讨智能投顾的现在和未来，欢迎加小助手提交审核（个人介绍+入群/活动理由），审核通过可进入【智能投顾专业交流群】。

另外，想要了解人工智能在金融领域的算法、资产配置模型，夯实智能投顾技术基础，可以关注《智能投顾高级特训班》中期课程（此处可直接跳转课程详情页面），现在优惠报名中~

---

在“智能投顾高级特训班”接下来的进阶课程中，王蓁博士将带来更加详细、实践化机器学习算法进阶的教程，手把手教你搭建专属的智能资产配置模型。扫描下方二维码获取更多课程详情~