專訪「璇璣」邱琦：我們是這樣用AI和大數據做智能投顧的

一撥人告訴你智能投顧絕對是資本風口，另一撥人告訴你這完全就是瞎扯，是泡沫。

「智能投顧」，簡單理解就是用機器人部分代替或者全部代替投資理財顧問，幫助人們做出投資判斷。

這個詞在中國被炒熱之前，已經在金融業發達的美國市場發展了很多年。最早大概可以追述到2011年美國在線財富管理公司Wealthfront開始提供智能投顧服務。Wealthfront進入市場後，因投資門檻低、打理費用低等優勢，先是在矽谷市場受到了歡迎，之後便在全美一炮打響，成功躋身獨角獸行列。大概是覺得很有市場前景，目前全球最大的資產管理公司貝萊德、美國券商嘉信理財、領航等，也都開始積極發展自己的智能投顧產品。

這股熱潮蔓延到中國，已經是2016年的事兒了。2016年年中，PINTEC集團上線了智能投顧品牌「璇璣」，當年年末招商銀行也在其官方APP上正式發布智能投顧產品「摩羯智投」。許多落地產品的誕生，意味著智能投顧服務在國內主流金融圈有了一席之地。

但是，對於手裡有點閑錢的普通投資者來說，如果你的錢都交給機器人來打理，你放心么？你可能有如下這些疑問：

• 機器怎麼知道你的資金情況或風險偏好？

• 機器給出資產配置建議的原則和邏輯是什麼？

• 機器如何在風險和收益之間找到最佳的平衡點？

機器人到底能不能勝任這種角色，我們還需要找業內人士來聊聊。DT君專訪了PINTEC集團旗下數字化資產配置服務商璇璣的戰略總監邱琦。

作為較早進入國內智能投顧行業的數據俠，他對大數據在投顧行業中的應用前景十分樂觀，這毫不意外。不過，這些觀點不是無本之木，他詳細地解釋了大數據和人工智慧技術在投前、投中和投後階段的設計想法和應用思路，這些或對幫助和培育智能投顧的未來市場有所幫助。

當然，他的觀點只代表智能投顧領域的一家之言。兼聽則明。DT君未來將繼續邀請這個領域內的數據俠來發表他們對智能投顧領域的多種看法。

（註：以下內容根據邱琦採訪整理完成，文中小標題為DT君所加。）

智能投顧讓「輕量級用戶」受益

智能投顧這個細分行業產生的大背景是，人人都有財富管理的需求，但能接受傳統的私人銀行家或高級財務顧問服務的資金門檻很高，且服務費不菲。對於一個僅有幾萬元資產量級的用戶，如果沒有技術性的革命，他可能永遠都享受不到好的資產配置服務，可能永遠會被銷售產品。

我們今天可以把對客戶的了解認知和定製化服務這一套東西作技術方面的改進，就是基於這樣的大背景。

另外，互聯網行業的整體特徵是邊際成本遞減。只要這個產品完成了，固定成本就基本上已經確定，服務更多的客戶對公司只有好處——這也是為什麼在互聯網時代下，投顧服務能夠下沉的原因。

接下來，我來結構化地來講一下，數據在璇璣體系下的一些具體應用。

投前：「智能地」給用戶畫像

財富管理的結構，大致可以分成投前、投中、投後三個部分。投前部分的主要任務是對客戶的認知。

財富管理和投資有所不同：財富管理是面向長期的。比如，對於有一定量級財富的人來說，最重要的是保值增值，而不是說一夜暴富。在這樣的情況下，了解用戶的實際需求等情況就非常重要。

一方面，我們要能快速獲取傳統上收集不易的信息。比方說，在傳統的財富管理情景下，當客戶和財務顧問關係並非很熟時，資產量級的信息通常比較難獲得，但這個信息對於資產管理有非常重要的作用，這部分決定了這份資產應該以什麼樣的態度去做投資。

同樣重要的還有用戶的行為決策信息。有一句很有名的話：「投資人的最大敵人是自己」。投資人在行為上的偏差導致的追漲殺跌等是不理性行為，這都是我們要解決的問題。

在這個過程中，我們和專門研究行為金融學的朱寧教授合作，開發了一套偏心理學應用的問卷。這個問卷會以假設性場景下用戶的反應來獲取到用戶在不同情況下的行為信息。

目前，最標準化的信息收集，還是通過傳統的調研的方式來完成。但是，璇璣在與各方機構來共同構建智能投顧體系的過程中，還會利用另外一個維度上的大數據，即在用戶授權的前提下使用傳統金融機構或其他相關機構本身的大量用戶數據，作為我們的用戶數據來源。

我們未來還有一個願景，就是參考現在大數據授信的做法，通過外部、內部的各種數據源，來補完這個用戶的數據畫像。這個事情也是我們在探討的一個方向。

投中：AI就做了這三件事

再來說投中，投中是數據應用很重要的一個部分。

智能投顧服務，它本質上做的事情是資產配置，就是通過數據和演算法來幫助普通投資人做大類資產配置，從而讓一個普通投資人能夠擁有全球資產配置這樣一個資產組合，幫助用戶有效地管理投資風險。

人工智慧聽起來好像很酷炫，說白了在金融上的應用主要就三件事：

第一，是對於金融數據的高級統計學的應用和分析。比如說，對於下圖左邊圖形，傳統的線性回歸沒有辦法對它進行有效的分析歸納。但是通過AI、機器學習的演算法可以對同樣的一組數據用不同緯度去做分析，從而在中間找出它的規律。這個數據在機器學習的演算法下可以變成是一個可以支持你決策的東西。

（圖片來源：璇璣）

第二，是機器自我學習演變的能力。人每天也會接觸到大量的信息，但是人很難對每天接觸到的信息都做一個歸納、並對自己今天做的決定基於新的信息做一個復盤，因為這種學習的能力需要大量的計算，但機器可以做到這個。

第三，是對數據的及時處理。傳統銀行也會對一些高級客戶做資產配置推薦，就是所謂的「銀行觀點」。這個觀點的更新頻次是固定的，比較常見的情況是三個月更新一次。在這三個月之中，客戶任意時間點進來，得到的建議都是一樣的，這個就很成問題。

假使市場出現非常極端的信號——像連續千股跌停之類的——我們的反應速度會比傳統機構快很多。這些都是人工智慧的演算法上的一些突破。

總結來說，投前和投中，人工智慧、機器學習在實操過程中體現出的結果有兩點：

• 第一個是Smart beta（DT君註：beta收益指相對收益，是「管理人」通過承擔系統風險獲得的收益）。它表現在投中部分，通過動態的資產組合調整，可以更好地參與市場機會、規避市場風險，是對傳統beta的一個增強。

• 第二個是叫Bespoke beta（DT君註：Bespoke是定製的意思）。投前，我們能夠通過各種手段來真實或者接近真實地了解用戶；投中，我們的模型演算法會根據用戶的細微差別作出細微調整，每一個人都會有一個基於其風格的投資解決方案，這樣，他最後獲得的收益就是Bespoke beta。

投後：大數據知道你什麼時候想提現

投後指的是，用戶資金投進去之後的後續跟蹤管理，這包括對客戶的持續性的非投資型的服務。

舉一個比較傳統的大數據應用的例子。現在產品都走向移動端，所以我們可以從用戶的交互數據中，大致推測他下一步會作什麼樣的資金安排。

比如我們已經發現了一個規律：假設一個之前操作都很正常的用戶，突然開始頻繁進出這個App，也不做什麼實質性的操作決定，只是在App內頻繁進行各種操作，從統計上看，這個用戶會有比較大的概率想提現，會終止他的投資行為。

這背後的原因可能因人而異，一個比較常見的原因是，用戶可能急需要用錢，他在糾結是在這裡拿錢還是在那裡拿錢。如果這個時候你能夠比較及時地跟進服務，他可能會選擇從其他地方提現。

或者更進一步，很多情況下我們的合作夥伴也是金融機構，金融機構有一些別的服務，如果用戶真的急需要用錢，金融機構是不是給你放個貸款？這樣用戶就不會通過終止投資來解決資金問題了。

這是我們在交互數據上的一些應用，我們現在也在持續性地嘗試去發覺類似的一些規律，讓它可以用作投後的運營支持。

都做智能投顧，各家「畫風」略有區別

現在市面上做智能投顧的也有一些公司，各家產品導向上會有一些區別。對於璇璣來說，我們做的是大類資產配置，我們選擇的基金要能夠很好地擬合大類資產走勢。而市面上還有一些智能投顧產品，可能更注重於基金管理人的主動管理能力，又或者注重給用戶帶來超額回報的能力，這些都是整體風格的區別。

這方面，各家機構會基於自己的資源稟賦來做出產品導向的決定，這其中只有差別，沒有優劣之分。

（聯繫本文編輯張弦：zhangxian@dtcj.com）

數據俠門派

本文數據俠邱琦，璇璣戰略總監。加入璇璣前，他曾先後為美國聯邦儲備銀行構建結構化模型，在大湖資本任投資總監，在財富管理的各領域均有深厚積累。

如何加入數據俠

DT時代超級英雄正在組隊！你也想要成為數據俠嗎？請將你腦洞大開的數據作品，發到數據俠聯盟盟主程一祥郵箱：chengyixiang@dtcj.com。