智能投顧：一個(gè)文獻(xiàn)綜述

【摘要】本文通過對(duì)智能投顧的理論依據(jù)、技術(shù)條件及應(yīng)用場景等相關(guān)研究文獻(xiàn)進(jìn)行梳理，提出未來智能投顧在如何構(gòu)建系統(tǒng)集成的技術(shù)框架以及設(shè)計(jì)全套應(yīng)用服務(wù)體系等方面，值得深入研究。

【關(guān)鍵詞】智能投顧 金融科技 資產(chǎn)配置

一、引言

智能投顧，是運(yùn)用一系列人工智能機(jī)器學(xué)習(xí)算法、投資組合優(yōu)化等理論模型，并根據(jù)投資者的風(fēng)險(xiǎn)承受水平、收益目標(biāo)以及偏好等要求，為用戶提供智能化投資建議、資產(chǎn)配置及其它增值服務(wù)的在線投顧服務(wù)模式。智能投顧的理論依據(jù)，是基于以Markowitz均值-方差模型、Black-Litterman模型為代表的現(xiàn)代投資組合理論模型。隨著大數(shù)據(jù)、云計(jì)算、人工智能等金融科技創(chuàng)新發(fā)展的推動(dòng)下，智能投顧隨之產(chǎn)生并已獲得了較廣泛的應(yīng)用，未來前景看好。

二、智能投顧的理論依據(jù)：現(xiàn)代投資組合理論模型

智能投顧的理論依據(jù)，是基于以Markowitz均值-方差模型為代表的現(xiàn)代投資組合理論模型。Markowitz（1952）[15]提出均值-方差模型，使用期望收益和市場波動(dòng)風(fēng)險(xiǎn)來構(gòu)建投資組合，奠定量化資產(chǎn)配置的理論基礎(chǔ)。Markowitz均值-方差模型的期望收益率用各種資產(chǎn)歷史收益率分布下的均值來表示，而風(fēng)險(xiǎn)則使用方差來度量，以獲取在一定程度的市場波動(dòng)風(fēng)險(xiǎn)水平下的資產(chǎn)組合收益最大化，或者實(shí)現(xiàn)目標(biāo)收益水平下的資產(chǎn)組合風(fēng)險(xiǎn)最小化。因?yàn)镸arkowitz均值-方差模型是以歷史情形會(huì)重復(fù)出現(xiàn)作為假設(shè)前提條件，來通過歷史收益率和市場波動(dòng)方差來建立最優(yōu)投資組合，各種資產(chǎn)收益率及方差可能會(huì)和歷史數(shù)據(jù)不一樣，所以有必要對(duì)Markowitz均值-方差模型的市場均衡配置權(quán)重做調(diào)整修正，從而優(yōu)化投資組合獲得更大收益。

針對(duì)Markowitz均值-方差模型在市場均衡配置權(quán)重存在缺陷，Black和Litterman（1992）[2]在基于歷史數(shù)據(jù)的Markowitz均值-方差模型的基礎(chǔ)上，利用貝葉斯方法，在模型中加入投資者主觀觀點(diǎn)，提出Black-Litterman模型，使得資產(chǎn)配置受到市場均衡權(quán)重和投資者主觀預(yù)期兩個(gè)方面的共同影響，修正了Markowitz均值-方差模型在市場均衡配置權(quán)重方面的局限。

針對(duì)Black-Litterman模型的主觀觀點(diǎn)僅表達(dá)了對(duì)資產(chǎn)的預(yù)期收益一種觀點(diǎn)，而事實(shí)上投資者可能還有一些間接的觀點(diǎn)，比如對(duì)GDP/CPI等宏觀因子、PE/ROE等基本面因子等，同樣這樣因子也會(huì)影響資產(chǎn)價(jià)格波動(dòng)，Wing Cheung（2009）[20]進(jìn)一步提出Augmented Black-Litterman模型（Black-Litterman多因子擴(kuò)展模型，簡稱ABL模型），將早期Black-Litterman模型的主觀觀點(diǎn)擴(kuò)容到影響市場收益的因子層面，提高了該模型的適用范圍。進(jìn)一步說，Wing Cheung（2009）[20]的ABL模型與Black-Litterman模型不同之處是：在計(jì)算過程中，ABL模型不僅在預(yù)期收益率向量中加入了因子項(xiàng)，而且在協(xié)方差矩陣中也加入了因子項(xiàng)；使得將Black-Litterman模型中僅對(duì)n個(gè)資產(chǎn)收益率的預(yù)測，擴(kuò)展至對(duì)n個(gè)資產(chǎn)收益率及f個(gè)因子收益率的預(yù)測。

三、智能投顧的技術(shù)條件：金融科技發(fā)展

金融科技（Fintech）是基于大數(shù)據(jù)、云計(jì)算、人工智能、區(qū)塊鏈等先進(jìn)技術(shù)，體現(xiàn)為金融+科技的融合與創(chuàng)新，主要的應(yīng)用場景包括：支付結(jié)算、財(cái)富管理、信貸支持、商業(yè)保險(xiǎn)等金融領(lǐng)域。金融科技的發(fā)展階段主要有：第一，金融IT階段：主要是指通過IT軟硬件的應(yīng)用對(duì)辦公業(yè)務(wù)進(jìn)行電子化改造，從而提高金融效率。金融IT階段以ATM、POS機(jī)為主要代表性產(chǎn)品。第二，互聯(lián)網(wǎng)金融階段：通過互聯(lián)網(wǎng)或移動(dòng)端的在線平臺(tái)集聚用戶，對(duì)資產(chǎn)端、資金端等終端相互聯(lián)通，撮合金融業(yè)務(wù)與金融信息的共享?；ヂ?lián)網(wǎng)金融階段以互聯(lián)網(wǎng)基金銷售、移動(dòng)支付為主要代表性業(yè)務(wù)。第三，金融科技階段：通過大數(shù)據(jù)、云計(jì)算、人工智能、區(qū)塊鏈等先進(jìn)技術(shù)，解決傳統(tǒng)金融的業(yè)務(wù)痛點(diǎn)，提升傳統(tǒng)金融業(yè)務(wù)效率。金融科技階段以大數(shù)據(jù)征信、智能投顧為主要代表性應(yīng)用場景（巴曙松和白海峰，2016）[21]。

（一）大數(shù)據(jù)技術(shù)發(fā)展

1.大數(shù)據(jù)特征。主要體現(xiàn)在海量數(shù)據(jù)、實(shí)時(shí)處理、數(shù)據(jù)種類及來源渠道多樣化的3V特征（Laney Douglas，2001）[14]。

2.大數(shù)據(jù)價(jià)值鏈。Gustafson和Fink（2013）[10]提出大數(shù)據(jù)價(jià)值鏈有數(shù)據(jù)獲取、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)分析及數(shù)據(jù)應(yīng)用等4個(gè)環(huán)節(jié)構(gòu)成。

3.大數(shù)據(jù)分析工具。根據(jù)Varian（2014）[19]，Jun等（2015）[13]等學(xué)者的相關(guān)研究整理，大數(shù)據(jù)分析工具包括了以下六類：以Hadoop/MapReduce為代表的大數(shù)據(jù)分析平臺(tái)、以HBase為代表的數(shù)據(jù)倉庫、以Mahout為代表的數(shù)據(jù)挖掘、以HDFS為代表的文件系統(tǒng)、以Hive為代表的大數(shù)據(jù)搜索、以Sqoop為代表的數(shù)據(jù)聚合與傳輸。

4.大數(shù)據(jù)應(yīng)用。Tirunllai和Tellis（2014）[18]使用35萬份的用戶評(píng)論數(shù)據(jù)，并通過LDA模型進(jìn)行市場營銷領(lǐng)域的戰(zhàn)略品牌分析。Varian（2014）[19]使用2380個(gè)觀察樣本數(shù)據(jù)并運(yùn)用HMDA數(shù)據(jù)樹技術(shù)進(jìn)行計(jì)量經(jīng)濟(jì)學(xué)方面的實(shí)證研究。Jun等（2015）[13]使用1989年～2006年的歐洲大數(shù)據(jù)技術(shù)專利數(shù)據(jù)，通過文本挖掘及社會(huì)網(wǎng)絡(luò)分析技術(shù)進(jìn)行評(píng)估分析。

（二）云計(jì)算技術(shù)發(fā)展

1.云計(jì)算內(nèi)涵。云計(jì)算是一種并行的、分布式的系統(tǒng)，由可以調(diào)用的虛擬化資源池組成，服務(wù)提供商能夠依據(jù)事先約定的服務(wù)層級(jí)協(xié)議（Service Level Agrement，SLA）動(dòng)態(tài)地向用戶提供相關(guān)服務(wù)（Buyya，2009）[6]。

2.云計(jì)算關(guān)鍵技術(shù)。云計(jì)算關(guān)鍵技術(shù)包括數(shù)據(jù)存儲(chǔ)及管理技術(shù)（Ghemawat等，2003）[10]、數(shù)據(jù)分析及處理技術(shù)（Dean和Ghemawat，2008）[9]、云安全技術(shù)（Takabi等，2010）[17]等。

3.云計(jì)算服務(wù)模式。Iyer和Henderson（2010）[12]歸納云計(jì)算服務(wù)模式包括以下4種：面向所有個(gè)人及企業(yè)用戶的公共云、面向某個(gè)特定企業(yè)獲組織的私有云、面向某個(gè)特定團(tuán)體的團(tuán)體云、以及提供上述兩種以上云服務(wù)的混合云。

（三）人工智能技術(shù)發(fā)展

1.人工智能特征。主要體現(xiàn)在，芯片是人工智能的“本體”，為其提供持續(xù)運(yùn)作的計(jì)算能力；算法是人工智能的“大腦”，實(shí)現(xiàn)人類學(xué)習(xí)與思考等功能；數(shù)據(jù)是人工智能的“靈魂”，人工智能的實(shí)現(xiàn)離不開數(shù)據(jù)驅(qū)動(dòng)（邢桂偉，2017）[34]。

2.人工智能算法。主要包括了決策樹算法（Breiman等，1984）[4]、隨機(jī)森林算法（Breiman，2001）[5]、SVM算法（Cortes等，1995）[7]、Boosting算法（Dieterich，2000）[8]、Baggin算法（Breiman，1996）[3]、關(guān)聯(lián)規(guī)則算法（Agrawal等，1993）[1]、EM算法（Dempster，1997）[16]等。

3.人工智能在金融中的應(yīng)用。人工智能+金融的化學(xué)反應(yīng)，重構(gòu)了金融服務(wù)生態(tài)（呂晶晶，2017）[27]。人工智能有助于提供標(biāo)準(zhǔn)化、智能化、模型化的金融服務(wù)，例如決策、預(yù)警，并且有助于防范系統(tǒng)性金融風(fēng)險(xiǎn)（程?hào)|亮，2016）[22]。人工智能在金融中的應(yīng)用場景十分豐富，包括了金融預(yù)測、反欺詐、融資授信決策、智能投顧、語音識(shí)別、人像監(jiān)控預(yù)警等（楊濤，2016）[31]。

四、智能投顧的應(yīng)用性研究

在現(xiàn)代投資組合理論模型、金融科技等基礎(chǔ)性研究成果的指引下，智能投顧的應(yīng)用性研究成果逐漸增多，主要體現(xiàn)在：

（一）智能投顧的應(yīng)用前景

智能投顧具有普遍樂觀的應(yīng)用前景。根據(jù)美國花旗銀行于2015年9月發(fā)布的研究報(bào)告預(yù)計(jì)，未來機(jī)器人投顧的資產(chǎn)管理規(guī)模將出現(xiàn)指數(shù)級(jí)爆發(fā)增長，可達(dá)5萬億美元的資產(chǎn)規(guī)模。根據(jù)科爾尼資訊公司預(yù)測，未來5年機(jī)器人投顧的資產(chǎn)管理規(guī)模年增長率可達(dá)68%，逼近2.2萬億美元（徐慧中，2016）[30]。

同時(shí)，智能投顧為中國投資市場提供了新的機(jī)遇：一是能夠滿足國內(nèi)不斷增加的中產(chǎn)階級(jí)理財(cái)需求；二是智能投顧有助于提高日漸走低的無風(fēng)險(xiǎn)收益率；三是股災(zāi)過后，國內(nèi)投資市場急切需要能夠分散資產(chǎn)風(fēng)險(xiǎn)的產(chǎn)品及服務(wù)（潘芳，2017）[28]。

岳磊（2017）[33]認(rèn)為未來“智能投顧+養(yǎng)老金”模式的應(yīng)用前景巨大，從養(yǎng)老金制度改革和未來發(fā)展方向來看，智能投顧的發(fā)展空間廣闊。同時(shí)，智能投顧助推個(gè)人養(yǎng)老金賬戶透明化管理，從而實(shí)現(xiàn)低成本投資、長期投資。

盧曉明（2017）[26]指出智能投顧的重要貢獻(xiàn)在于，通過金融科技擴(kuò)大了金融服務(wù)范圍，減少了金融服務(wù)成本，使得大量中產(chǎn)階級(jí)“長尾”用戶可以享受低成本高品質(zhì)的金融理財(cái)服務(wù)。

（二）智能投顧的應(yīng)用場景

馮永昌、孫冬萌（2017）[23]智能投顧可以應(yīng)用于智能資訊場景、智能分析場景、智能配置場景、智能投資場景及智能陪伴場景等5種應(yīng)用場景。其中，智能資訊場景：通過數(shù)據(jù)展示、智能標(biāo)注、智能推薦等數(shù)字化形式，提供智能化資訊應(yīng)用場景。智能分析場景：通過對(duì)用戶投資行為的大數(shù)據(jù)分析，提供個(gè)性化分析建議。智能配置場景：依據(jù)投資者的風(fēng)險(xiǎn)承受能力、風(fēng)險(xiǎn)偏好及目標(biāo)收益等情況，提供個(gè)性化的金融資產(chǎn)配置建議。智能交易場景：是指在智能分析及智能配置的基礎(chǔ)上，由系統(tǒng)自動(dòng)完成交易的一種模式。智能陪伴場景：通過大數(shù)據(jù)分析，洞察投資者偏好及需求，采取伴隨投資者左右的方式，即時(shí)回答投資者提出的各類問題。

（三）智能投顧的應(yīng)用風(fēng)險(xiǎn)

智能投顧的應(yīng)用風(fēng)險(xiǎn)主要包括：第一，技術(shù)風(fēng)險(xiǎn)：例如遭遇病毒感染、黑客破壞、網(wǎng)絡(luò)崩潰、交易延遲等技術(shù)風(fēng)險(xiǎn)（巴曙松和白海峰，2016）[21]。第二，市場風(fēng)險(xiǎn)：中小投資者偏好短線操作，注重金融工具帶來的短期收益；然而智能投顧體現(xiàn)的是長期收益，這與中小投資者的投資偏好相矛盾（李晴，2017）[24]。第三，信用風(fēng)險(xiǎn)：由于p2p亂象產(chǎn)生一批互聯(lián)網(wǎng)圈錢企業(yè)，使得中國大多數(shù)投資者對(duì)于互聯(lián)網(wǎng)理財(cái)缺乏信任（喬智迪，2017）[29]。第四，操作風(fēng)險(xiǎn)：由于采用人工智能代理交易，造成證券投資賬戶的實(shí)際控制人發(fā)生變化，使得如何認(rèn)定證券投資賬戶的實(shí)際控制人存在操作困難（徐慧中，2016）[30]；第五，合規(guī)風(fēng)險(xiǎn)：一是投資咨詢機(jī)構(gòu)提供智能投顧服務(wù)的合法性；二是提供智能投顧服務(wù)主體的合法性；三是智能投顧的業(yè)務(wù)發(fā)展受到了外匯管制約束；四是智能投顧基金違規(guī)（于文菊，2017）[32]。

針對(duì)智能投顧的應(yīng)用風(fēng)險(xiǎn)防范，許亞嵐（2016）[35]指出發(fā)展好智能投顧的關(guān)鍵在于，向客戶提供的有效投資策略，既是個(gè)性化、智能化，又能同時(shí)符合的規(guī)范化監(jiān)管要求。

（四）智能投顧的應(yīng)用效果評(píng)估

在智能投顧的應(yīng)用效果評(píng)估方面，六道道（2017）[25]運(yùn)用奇點(diǎn)指數(shù)組合管理系統(tǒng)，使用最近6個(gè)月的數(shù)據(jù)對(duì)彌財(cái)、錢景、摩羯智投、理財(cái)魔方等主流智能投顧的投資組合業(yè)績進(jìn)行實(shí)證分析，結(jié)果表明優(yōu)秀的智能投顧可以通過量化投資的方法，將投資風(fēng)險(xiǎn)分散化，實(shí)現(xiàn)年化6%～8%的理財(cái)產(chǎn)品組合收益，要高于大多數(shù)銀行理財(cái)產(chǎn)品4%左右的預(yù)期收益率。

五、主要結(jié)論與展望

智能投顧的技術(shù)理論和應(yīng)用實(shí)踐方面都取得可喜的研究進(jìn)展，主要體現(xiàn)在以下三個(gè)方面：第一、以Markowitz均值-方差理論為基礎(chǔ)模型的現(xiàn)代投資組合理論（MPT），構(gòu)成智能投顧的理論基礎(chǔ)。第二、大數(shù)據(jù)、云計(jì)算、人工智能等金融科技的創(chuàng)新發(fā)展，為智能投顧提供了良好的技術(shù)條件。第三、智能投顧獲得了較廣泛的應(yīng)用，未來前景看好。

然而，就目前的文獻(xiàn)來看，至少還有以下兩方面值得我們進(jìn)一步開展研究。一方面，在理論研究內(nèi)容上，忽略了對(duì)智能投顧模型框架的總體設(shè)計(jì)，尤其是缺乏對(duì)智能投顧全面技術(shù)理論框架和技術(shù)實(shí)現(xiàn)路徑的探討。另一方面，在應(yīng)用實(shí)踐上，表現(xiàn)為應(yīng)用深度研究不足：目前更多地把智能投顧僅僅作為一種理財(cái)工具或平臺(tái)使用；而忽略了對(duì)智能投顧一整套服務(wù)體系的設(shè)計(jì)，以及智能投顧服務(wù)人員團(tuán)隊(duì)配套機(jī)制的研究。

參考文獻(xiàn)

[1]Agrawal R，Imidinski T，Swami A.Mining association rules between sets of items in large databases[A].Proc of ACM SIGMOD Conf on Management of Data[C].Washington，1993.pp207-216.

[2]Black F，Litterman R.Global portfolio optimization[J].Financial Analysts Journal.1992.

[3]Breiman，L.，Baging Predictors[J].Machine Learning，1996，24（2）：123-140.

[4]Breiman L.，F(xiàn)riedman，J.，Olshen，R.，and Stone，C.Clasification and Regression Tres[M].Wadsworth，1984.

[5]Breiman L.Random forests[J].Machine Learning，2001，45（1）：5-32.

[6]Buyya R，Yeo C S，Venugopal S.Market-oriented cloud computing：Vision，hype，and reality for delivering it services as computing utilities[C]∥Procedings of the 2009 9th IEEE/ACM International Symposium on Cluster Computing and the Grid.2009.

[7]Cortes，C.，Vapnik，V.M.Suport Vector Networks[J].Machine Learning，1995，20：273-297.

[8]Dieterich，T.G.An Experimental Comparison of Three Methods for Constructing Ensembles of Decision Trees：Baging，Bosting，and Randomization[J].Machine Leanring，2000，40：139-157.

[9]Dean J，Ghemawat S.MapReduce：simplified data processing on large clusters[J].Communications of the ACM，2008，51（1）：107-113.

[10]Ghemawat S，Gobioff H，Leung S.The Google file system[C]/ / SOSP 03 Proceedings of the nineteenth ACM symposium on Operating systems principles.NewYork，USA：ACM，2003：29-43.

[11]Gustafson T，F(xiàn)ink D.Winning within the data value chain [J].Strategy & Innovation Newsletter， 2013，11（2）： 7-13.

[12]Iyer B and Henderson J C.Preparing for the future：Understanding the seven capabilities of cloud computing[J].MIS Quarterly Executive，2010，9（2）：117-131.

[13]JUN S，PARK S，JANG D.A technology valuation model using quantitative patent analysis：a case study of technology transfer in big data marketing [J].Emerging Markets Finance & Trade，2015，51：963 -974.

[14]Laney Douglas.3D data management：Controlling data volume，velocity and variety[J].META Group Research Note，2001.

[15]Markowitz H.M.Portfolio Selection[J].Journal of Finance，1952（7）.

[16]P.Dempster，N.M.Laird Aand D.B.Rubin.Maximun Likelihood From Incomplete Data Via the EM Algorlthm[J].RoyalStat.Soc.1997，39（1）：1-38.

[17]Takabi H，Joshi J B D，Ahn G.Security and Privacy Challenges in Cloud Computing Environments[J].IEEE Computer Society，2010，8（6）：24 -31.

[18]Tirunllai S，TELLIS G J.Mining marketing meaning from online chatter：strategic brand analysis of big data using latent dirichlet allocation [J].Journal of Marketing Research，2014（8）：463-479.

[19]Varian H.R.Big data：new tricks for econometrics[J].Journal of Economic Perspectives，2014，28（2）：3-28.

[20]Wing Cheung.Transparent Augmented Black-Litterman Allocation：Simple and Unified Framework for Strategy Combination，F(xiàn)actor Mimicking，Hedging，and Stock-Specific Alphas[J].Social Science Electronic Publishing.2009.

[21]巴曙松，白海峰.金融科技的發(fā)展歷程與核心技術(shù)應(yīng)用場景探索[J].清華金融評(píng)論，2016， （11）.

[22]程?hào)|亮.人工智能在金融領(lǐng)域應(yīng)用現(xiàn)狀及安全風(fēng)險(xiǎn)探析[J].金融科技時(shí)代，2016（9）.

[23]馮永昌，孫冬萌.智能投顧行業(yè)機(jī)遇與挑戰(zhàn)并存（上）[J].金融科技時(shí)代，2017（6）.

[24]李晴.智能投顧的風(fēng)險(xiǎn)分析及法律規(guī)制路徑[J].南方金融，2017（4）.

[25]六道道.奇點(diǎn)指數(shù)2016熱門智能投顧產(chǎn)品測評(píng)報(bào)告[OL].http：//leopatra.baijia.baidu.com/article/745903， 2017年1月6日.

[26]盧曉明.智能投顧：“混沌”中看未來[J].金融博覽（財(cái)富），2017（2）.

[27]呂晶晶.人工智能，重構(gòu)金融服務(wù)生態(tài)[J].金融博覽（財(cái)富），2017（2）.

[28]潘芳.智能投顧：金融與科技的時(shí)代融合[J].中國金融電腦，2017（6）.

[29]喬智迪.對(duì)智能投顧在中國發(fā)展困境的反思——以理財(cái)魔方為例[J].金融經(jīng)濟(jì)，2017（14）.

[30]徐慧中.我國智能投顧的監(jiān)管難點(diǎn)及對(duì)策[J].金融發(fā)展研究，2016（7）.

[31]楊濤.對(duì)人工智能在金融領(lǐng)域應(yīng)用的思考[J].國際金融，2016（12）.

[32]于文菊.我國智能投顧的發(fā)展現(xiàn)狀及其法律監(jiān)管[J].海南金融，2017（6）.

[33]岳磊.智能投顧+養(yǎng)老金，應(yīng)用前景巨大[J].金融博覽（財(cái)富），2017（7）.

[34]邢桂偉.人工智能，金融數(shù)字化新方向[J].中國金融電腦，2017（5）.

[35]許亞嵐.智能投顧：新金融的下一戰(zhàn)場[J].經(jīng)濟(jì)，2016（32）.

基金項(xiàng)目：本文獲中國博士后科學(xué)基金項(xiàng)目第62批面上資助“基于金融科技的智能投顧模型設(shè)計(jì)及應(yīng)用”（項(xiàng)目編號(hào)：2017M621329）。

作者簡介：賴慶晟（1981-），男，復(fù)旦大學(xué)與國泰君安證券股份有限公司聯(lián)合培養(yǎng)博士后，經(jīng)濟(jì)師職稱，經(jīng)濟(jì)學(xué)博士，研究方向：智能投顧。