(網經社訊)人工智能能夠幫助不同類別的資管機構提高競爭力，在未來的市場競爭中占得先機。分部門來看，人工智能正在或者即將對資管機構的投資、研究、交易、風險管理、產品設計、營銷等細分部門產生深遠的影響。

正文

一、概述

（一）人工智能技術迅速發展近年來，人工智能技術發展迅速，在圖像識別、語音識別等人工智能研究和應用的不同領域取得了突破性進展。以圖像識別為例，目前計算機圖像識別的準確率已經超過了人類。下圖展示了每年ImageNet網站大規模視覺識別挑戰賽（ILSVRC）圖像識別錯誤率的下降情況。從2010年到2017年，圖像識別錯誤率已經從28.2%降低到2.25%。

2016年以來，萬眾矚目的圍棋人工智能軟件AlphaGo與頂尖人類棋手的比賽中，AlphaGo完勝人類棋手，也是目前人工智能高速發展的一個寫照。

目前，人工智能技術在許多相關領域表現出接近甚至超過人類專家的性能和效率，開始在不同領域發揮實際價值。

科技公司是人工智能技術的主要研發者，也是人工智能首先的受益者。谷歌、百度等搜索巨頭是人工智能的先驅。一方面，通過人工智能方法提高查詢效率，實現更精準的搜索服務；另一方面，基于人工智能技術的廣告投放是搜索巨頭的主要盈利模式。臉書通過人工智能方法在面部識別、機器翻譯和文本學習方面給公司產品帶來新的突破。蘋果公司通過人工智能方法優化用戶在移動產品上的使用體驗。英偉達和英特爾等硬件公司主要通過生產更適合深度學習和人工智能計算的（專用）芯片來盈利。

在資產管理領域，人工智能技術受到的關注也越來越多，并且已經開始影響資產管理的諸多方面。一方面，初創型公司和科技公司積極依托大數據分析和人工智能技術上的優勢涉足資產管理領域；另一方面，傳統的金融機構也積極擁抱人工智能技術，爭取在人工智能時代取得先機。

（二）人工智能在資產管理領域的應用不同的資產管理業務模式都開始受到人工智能的影響。人工智能技術可以推動包括Alpha主動管理者、Beta規模經營者、解決方案專家和分銷巨頭等機構提高競爭力，在未來的資產管理競爭中獲得優勢。

分部門來看，人工智能正在或者即將對資產管理領域的投資、研究、交易、風險管理、產品設計、營銷等細分部門產生深遠的影響。我們將在下文對人工智能在資產管理不同部門上的應用進行梳理。

二、人工智能增強投資表現

（一）應用人工智能的對沖基金表現出色

對沖基金是資產管理領域中使用人工智能技術的先行者。早在2007年，總部位于紐約的Rebellion Research公司就推出了第一個純人工智能投資基金。橋水基金從2013年開始建立人工智能團隊，基于歷史數據與統計概率建立起交易算法，讓系統能夠自動學習市場變化并適應新的信息。近年來，知名的對沖基金，如文藝復興科技公司、Two Sigma、Citadel、D.E. Shaw等也在擴充自己的人工智能團隊。

對沖基金研究機構Eurekahedge比較了不同類型的對沖基金在2010年至2016年的表現，如下圖所示。其中，人工智能對沖基金指數（AI/Machine Learning Hedge Fund Index）跟蹤了歷史上23只用人工智能投資的對沖基金的凈值。

根據Eurekahedge的統計結果，人工智能對沖基金指數從2010年以來的年化收益率為8.44%。同期，管理期貨類對沖基金指數、趨勢跟蹤對沖基金指數和傳統方法對沖基金指數的年化收益率分別為2.62%、1.62%和4.27%。不同類型對沖基金指數的分年度收益率如下圖所示，其中，在2011年、2013年、2015年和2016年，人工智能對沖基金跑贏了其他傳統類型的對沖基金。

人工智能技術主要是從兩方面應用于投資決策：一方面依靠人工智能的信息處理能力，通過人工智能方法高效地獲取和處理另類數據；另一方面依靠人工智能的知識學習能力，通過人工智能方法進行資產的收益預測和資產的交易。

（二）另類數據處理

按照IDC公司的估計，目前全球存儲的數據中，非結構化數據約全體數據的80%左右，而結構化數據僅占約20%。人工智能方法能夠高效地處理非結構化數據，從數據中提取信息。

金融市場包含大量的結構化數據。然而，市場數據的開放性使得不同的資產管理機構相對來說并沒有信息優勢，在基于公開市場數據進行投資和博弈的過程中，投資機構將越來越難以獲得超額收益。因此，從非結構化數據中提取信息，進行投資決策，將成為資產管理領域的重要發展方向之一。

在處理非結構化數據方面，人工智能技術具有獨特的優勢。對于網絡文本數據，包括公司財報、研究報告、新聞、社交媒體數據等，可以通過自然語言處理技術提取和分析關鍵信息、比傳統機構更早識別出市場的正面和負面消息。對于衛星影像等圖片信息，可以通過卷積神經網絡等方法進行分析，獲得相關公司和工業生產中的一手數據。

從數據的產生方式來看，另類數據可以劃分為個體產生的數據、商業過程產生的數據和傳感器產生的數據等。個體產生的數據包括在社交媒體、專業網站、新聞、搜索引擎上產生的一系列數據；商業數據包括交易數據、企業、行業、政府機構的數據等；傳感器產生的數據包括衛星圖像、定位數據、物聯網數據等。

互聯網時代，新聞、搜索引擎、社交媒體等互聯網文本挖掘類數據對市場的影響日漸緊密，基于互聯網文本數據與傳統交易數據、財務數據相結合進行投資的金融產品也得到投資者的普遍認可。近年來，A股市場誕生的一批大數據基金是另類數據在A股市場投資實踐的先行者。

隨著投資機構對另類數據價值的進一步認可和相應的人工智能技術的成熟，會有越來越多的另類數據被應用到金融投資中。目前，海外已經有一些通過人工智能方法應用另類數據進行投資的實踐者。

iSentium公司是社交媒體數據處理的先行者之一。iSentium提供了基于Twitter信息的實時情緒時序數據，給投資者提供了一個Twitter、新聞或者其他社交媒體信息的市場情緒的一個搜索引擎。

iSentium提出了一種Twitter情緒指標對市場進行擇時的方法。從2014年1月到2016年6月，該擇時策略獲取了67.23%的累積收益，而同期標普500指數的漲幅為23.33%。

在海外市場，衛星影像數據也被越來越多的機構用于投資。

RS Metrics是一家衛星情報分析公司，通過高分辨率衛星影像，對零售店、餐館、商場、辦公樓和其他商業地產的停車場進行監控，可以估計出它們在全國范圍內或者某一地區的客流量增長情況。RS Metrics提供的數據可以幫助對沖基金了解公司基本面，預測銷售量，預估企業運營狀況。類似的，Spaceknow采用衛星影像，構建了衛星制造業指數(1574.541，-20.74，-1.30%)

（SMI），該指數對中國超過6000處工業設施進行長期的監測，用來推測中國的經濟表現；CargoMetrics是一家人工智能技術對沖基金，基于衛星圖像等來挖掘全球航運貿易數據，為大宗商品、外匯、股票等交易提供數據支持。

（三）交易策略構建

人類擅長處理數據中的線性關系，而對非線性關系難以直觀理解。與之相比，人工智能方法能夠從復雜的數據中提煉非線性關系。金融市場中，變量之間關系復雜，例如，股票走勢不僅與公司基本面有關系，而且和宏觀經濟、大盤走勢、投資者情緒等眾多變量相關。人類投資者不善于處理這樣的問題。與主觀投資和傳統的量化投資相比，人工智能更擅長從復雜的歷史數據中尋找規律、學習知識，將更廣泛、更復雜的因素納入走勢預測的分析中，用來指導未來的交易決策。

例如，量化交易中常用的多因子選股策略一般是通過多個因子的線性組合來預估股票的未來表現。而采用機器學習算法，挖掘股票因子與收益的非線性關系，有望從中獲得與線性模型不同的超額收益。下圖展示了深度學習挖掘選股因子的非線性的示意圖。將基金經理挑選的與股票收益相關的因素，例如規模、反轉、估值、流動性等選股因子，股票的行業特性以及由市場交易產生的技術指標等作為股票的特征，通過機器學習的手段，從歷史數據中挖掘這些股票特征與股票未來收益的關系。從數據中挖掘人類難以識別的非線性關系，是人工智能用于投資的重要優勢。

另一方面，人類投資者并非始終是理性的。行為金融理論表明人類投資者在不同的情景下，風險偏好可能不一樣，過度樂觀或者過度保守都可能使得投資者作出錯誤的投資決策。而與人類投資者不一樣，計算機決策不容易受到情感左右，可以作出更加理性的判斷。

對沖基金領域很早就意識到了人工智能用于投資的前景。文藝復興科技公司在20世紀90年代就從IBM招募了一批語音識別專家，其中包括后來獲得國際計算語言學學會終身成就獎的Bob Mercer。近年來，隨著機器學習等人工智能理論和技術的發展，越來越多的基金公司用人工智能方法進行投資。Man AHL從2009年開始研究機器學習在交易上的應用，并在2014年將其用于資產管理。BlackRock在2013年宣布裁撤包括7名投資經理在內的100名主動型基金部門員工。Two Sigma、Citadel等公司也在近年擴充自己的人工智能團隊。

近年來也產生了一批專注于用人工智能方法進行投資決策的對沖基金。Rebellion Research公司推出的人工智能投資基金是基于貝葉斯機器學習，結合預測算法進行判斷，該系統可以根據新的信息和歷史經驗不斷演化，有效地通過自學習完成全球54個國家在股票、債券、大宗商品和外匯上的交易。

2013年成立的Castle Ridge資產管理公司通過遺傳算法和一些機器學習方法進行投資決策，年均回報率達到32%。

Sentient是從事人工智能平臺及相關研究的AI公司。其通過公司開發的進化算法以及分布式人工智能平臺，為用戶在投資、醫療診斷、電子商務等垂直行業提供咨詢以及決策服務。在2014年底，鑒于分布式AI平臺在金融服務領域的優異表現，Sentient開始嘗試使用其研發的進化算法進行交易。這一算法是通過計算機算法創造無數多個具有不同風格和策略的“交易員”，在其分布式AI平臺上進行獨立的股票交易。最后，Sentient會根據每個虛擬“交易員”的交易成果，來對其進行篩選：表現糟糕的AI將會被淘汰，而表現優異的AI則會進入下一步的篩選與測試。這種優勝劣汰的機制與基因的進化相類似，因而這些“交易員”們又被稱為“基因”，Sentient通過這樣的進化機制來提高交易表現。

三、人工智能技術提升研究效率

人工智能技術在另類數據處理、信息整合和信息檢索上具有遠遠高于人類的效率。J.P. Morgan在2016年部署了可以自動篩選商業貸款合同的軟件，該軟件每秒鐘可以篩查1.2萬份商業貸款合同。如果用人工處理的話，這些合同需要耗費律師和信貸員36萬個鐘頭的工作。

近年來，資產管理機構積極推動科技金融的發展，用人工智能技術來提升資產管理中的研究效率。

一方面，資產管理機構通過人工智能閱讀研究報告和公司報表，在這方面，人工智能獲取信息的效率遠高于人類。而且，人工智能技術擅長從網絡新聞、影像文件等各種渠道獲取信息，這些另類信息可以給資產管理公司的投研部門提供支持。相比于傳統的分析師實地調研，通過人工智能閱讀公司報告和從其他另類數據中獲取信息，能夠大幅提升工作效率與準確度。可以預期的是，隨著人工智能技術應用成本的降低，這類技術將得到普遍應用，大幅降低研究員在信息獲取和分析方面花費的時間。

其次，人工智能技術具有強大的信息整合和學習功能，可以協助研究員完成不同的研究需求。例如，通過人工智能方法，研究員可以查詢與當前市場環境最相似的歷史場景；人工智能方法通過數據挖掘，可以在不同的宏觀事件或公司事件發生之后，提供有效的投資建議。AlphaSense是一家服務金融投資的科技公司，它在2010年推出了一款服務專業投資機構的搜索引擎AlphaSense。該搜索引擎采用自然語言處理技術，從公司報告、新聞和研究報告中整合投資信息。通過該搜索引擎，研究人員可以更加方便地尋找與投資有關的關鍵信息。

Aladdin平臺是BlackRock開發的一款資產管理平臺。Aladdin通過自然語言處理技術閱讀新聞、公司研究報告等不同的文件，并且將文件中的信息與可能涉及的公司和行業聯系起來，給研究人員提供投資建議。

此外，人工智能技術可以對獲取到的信息進行深入挖掘，將不同的信息關聯、整合起來，構建知識圖譜，并且通過自然語言處理技術實現人機交互，服務研究工作。

知識圖譜本質上是語義網絡，是一種基于“圖”的數據結構，通過知識圖譜建立起不同實體和事件之間的關系。下圖是知識圖譜的一種展示。通過機器學習和知識圖譜，可以建立起每個上市公司和與其關聯度最高的上下游公司、行業、宏觀經濟之間的關系。如果某公司發生了高風險事件，可以及時預測未來有潛在風險的關聯行業和公司；如果宏觀經濟或者政策有變化，也可以及時發現投資機會。

知識圖譜是Kensho的核心技術。Kensho公司成立于2013年，專注于通過機器學習及云算法搜集和分析數據，把長達幾天時間的傳統投資分析周期縮短到幾分鐘，能夠分析海量數據(21.190，-0.78，-3.55%)對資本市場各類資產的影響，并通過自然語言處理技術理解和解答復雜的金融問題。Kensho能取代部分人類知識密集型的分析工作并且從數據中學習新的知識，提供快速化、規模化、自動化的分析結果。Kensho智能分析軟件的主要特點有：

1）高效的數據整理與強大的數據分析能力。Kensho具有海量的數據儲存與超級計算的能力，能對各種結構化與非結構化的數據（包括有史以來所有資產價格數據以及全球發生的所有大事件數據）進行計算與分析。2014年Kensho能夠在數秒內搜索90000多個全球事件，分析與回答650萬個金融問題，預計未來能回答超過一億個不同類型的金融問題。

2）自然語言平臺，直觀的用戶體驗。Kensho深受青睞的原因還在于其搭建的自然語言平臺，直觀簡潔是Kensho的一大優點，它通過人機交互的模式與用戶進行交流，用戶只需要用簡單正確的英語進行提問，Kensho就能給你提供精確的回答。

3）基于人工智能算法，擁有強大的學習能力。Kensho運用人工智能的算法，具有強大的機器學習能力，能夠根據各類不同的問題積累經驗，并逐步獲得成長。Kensho的計算機系統能夠讓Kensho以極快的速度讀取億萬條數據或信息，在分析數據的過程中不斷地進行學習，并不斷地優化其分析結果，變得更加智能。

另外，人工智能技術能夠加速投研工作的自動化和智能化。目前人工智能方法已經用于撰寫新聞和公司的營收報告。通過自然語言處理技術，人工智能為賣方機構和買方機構撰寫研究報告也是值得期待的。

目前已經有相當數量的新聞是由計算機上的人工智能程序自動撰寫的。2014年3月，美國洛杉磯發生了一次輕微的地震，地震發生后，計算機立即從地震臺網的數據接口中獲得了地震相關的所有數據，并且自動生成了報道，經過記者快速審閱后就可以直接發布了。

Automated Insights是首先開發人工智能自動寫作程序的公司之一。美聯社在2014年開始就用Automated Insights公司的技術為所有美國和加拿大上市公司撰寫營收業績報告。每個季度，美聯社使用人工智能技術自動撰寫的營收報告接近3700篇，這個數量是同時段美聯社記者和編輯手工撰寫的相關報告數量的12倍。

四、人工智能技術改革交易

從交易層面來講，自動交易能夠顯著提高投資策略的執行效率、降低沖擊成本、并且在一定程度上提高投資組合的收益。20多年前，自動交易最早應用于美國權益市場，目前已經幾乎無處不在。自動化和智能化的程序正在不斷取代高盛等機構的交易員，低成本而且高效地完成交易任務。

自動交易大致分為決策型交易和執行型交易。決策型交易是量化投資策略的一部分，使用計算機程序，尋找市場上的各種交易機會，做出交易決策。程序化的決策型交易在市場中自動監測交易信號，并且迅速實施投資決策。

執行型交易一般是指算法交易，強調交易訂單的執行，即負責快速、低成本地實現相關訂單執行和成交。為了減少市場波動和沖擊成本對交易產生的不利影響，機構投資者通常通過算法交易將需要進行交易的訂單拆細，即把規模較大的交易拆分成若干小規模交易，并且在合適的時機分別對其進行分散交易，從而降低相關交易成本，使得整個交易過程中價格可以達到最優水平。

傳統的自動交易中，機器根據程序員事先設定的算法，監測交易信號并且執行交易。人工智能時代的自動交易包含了自動化和智能化，更強調從市場數據中學習，通過對大量歷史數據的學習，構建預測模型，優化交易算法，獲得最佳的交易表現。深度學習等新型方法可以發掘市場中的交易機會和不同的市場模式，進而獲得超額收益。

人工智能和自動化交易的普及正在改變傳統的交易模式。近年來，華爾街的部分交易員已被自動化程序替代。2000年，高盛位于紐約的股票交易柜臺有600個交易員。而如今，只剩下2個交易員，剩余的工作由機器包辦（數據來自《麻省理工科技評論》）。

用人工智能技術提升交易策略表現是新興的交易技術。增強學習是自動交易中常用的機器學習模型，這也是圍棋人工智能程序AlphaGo的核心算法。J.P. Morgan的電子交易部門開發了基于增強學習的算法交易策略（LOXM）。LOXM采用增強學習算法使計算機做出最優的交易決策：通過過往的真實交易和模擬交易學習知識，最優化未來的交易決策。LOXM可以在給定交易時間內完成給定的交易任務并且使得沖擊成本損失最小，例如，在不影響市場價格的情況下買入大筆股票。實踐表明，在不同的交易量占比(POV)下，LOXM算法都顯著降低了沖擊成本。下圖展示了在不同的交易量占比下，LOXM算法（綠色）的沖擊成本相對于參考算法（橙色）顯著下降。

五、人工智能技術增強風險管理

信貸評分和銀行的欺詐監測是較早應用人工智能技術的金融領域。螞蟻金服的芝麻信用通過分析大量的網絡交易及行為數據，可對用戶進行信用評估，這些信用評估可以幫助互聯網金融企業對用戶的還款意愿及還款能力得出結論，繼而為用戶提供快速授信及現金分期服務。

隨著人工智能技術的發展，相關的技術也開始應用于資產管理行業。

在資產管理機構，人工智能技術已經開始用于合規、風險管理等工作。英國公司Intelligent Voice向投資銀行出售基于機器學習的語音轉錄工具，可以用來監控交易員的電話，以發現內幕交易等不正當行為。

在投資組合的風險管理中，采用人工智能技術進行數據分析，通過模型對市場可能發生的風險進行預警，同時，針對不同投資者的資產組合進行特定的情景分析。

AlgoDynamix是一家投資組合風險分析公司，其目標是協助風險投資公司和銀行識別財務以及投資上的異常及破壞性事件。該公司利用自行開發的AlgoDynamix引擎對全球金融交易所的數據進行分析，對未來可能的市場異常進行示警并對事件發生前后價格變動進行預測。這一引擎是由基于“深度數據”的算法所構建，能夠實時掃描來自多個市場的主要數據源，并通過分析這些市場中的參與者（買方及賣方）的動態行為，對其共同特征進行聚類與集群識別。目前，AlgoDynamix推出了ALDX PI以及RAP平臺兩種產品。前者用于幫助用戶進行更好的資產分配決策，后者則用于幫助用戶識別市場近期可能存在的風險。

BlackRock的Aladdin系統可以為資產管理行業提供風險管理。一方面，Aladdin系統可以基于龐大的數據庫進行風險因子的監測和壓力測試等。Aladdin基于其數據中心存儲的大量歷史數據，將預測細化到每一天。通過蒙特卡洛測試，模擬金融市場可能的各種變化，檢查客戶投資組合中資產可能出現的走勢。

與傳統的風險管理不同的是，Aladdin系統每天進行大量的定制化情景分析——針對每一個投資者的資產組合，回答諸如此類的一系列問題：“通貨膨脹對我的組合有什么影響？”、“原油或者天然氣價格的變化有什么影響？”、“歐洲經濟的不景氣會產生什么后果？”。通過這些情景分析，可以幫助客戶對全球的事件進行預測、分析和反應，增強客戶的風險管理能力。

此外，Aladdin可以通過分析各類資產的相關性，以及特定條件下這種相關性對資產價格的聯動影響，來構建可以有效分散風險的投資組合。當發生某些特定情景時，資產之間的相關性可能會發生改變，Aladdin將會通過數據分析，協助基金經理及時進行組合優化，控制風險。

六、人工智能技術推動業務模式創新

（一）基金產品創新

隨著互聯網和人工智能技術的發展，一些新型的產品和業務模式被設計出來，包括公募基金指數產品和一些新的資產管理業務模式。前文提到的以廣發百發大數據指數和南方大數據指數為代表的大數據基金是A股市場中產品創新的先行者。而在海內外，有一些依托人工智能的基金產品正開始上市交易。

2017年10月，EquBot公司發行了人工智能ETF基金AI Powered Equity ETF（AIEQ）。該基金基于IBM的人工智能平臺Watson，每天對美國上市的股票進行分析，包括企業公告文件、財報、新聞等多方面的數據分析，建立預測模型，構建一個包含有40到70只股票的組合。然后由基金經理在此基礎上優化股票的權重。

與此同時，國內的富國基金推出了富國研究量化精選基金，該基金在數據抓取、因子提煉、組合優化等過程中全方面采用人工智能技術，而且具備“自學”能力，根據市場環境不斷進行優化更新。

按照美國證券交易委員會（SEC）2017年底披露的文件顯示，BlackRock在計劃推出一系列追蹤其自創指數的ETF。該ETF的主要特點在跟蹤指數的設計上，BlackRock通過機器學習的方法將上市公司分成不同的類別，例如醫療健康、金融、消費品和科技等，按照不同的類別分別構建ETF指數。由于某些上市公司業務覆蓋的多樣化，一個公司有可能成為多個板塊的成份股；同時，隨著企業經營模式的變化，這些板塊的組成也會隨之發生變化。與傳統的行業劃分相比，這種對上市公司分類的方法存在一定的合理性。

（二）智能投顧

近年來，一批依托人工智能的新的業務模式涌現出來，智能投顧是其中最熱門的一種類型。海內外目前有一大批初創公司、互聯網公司和傳統金融機構已經涉足智能投顧領域。

2014年以來，機器人(16.220，-0.07，-0.43%)投顧在美國迅速發展。國際知名咨詢公司AT Kearney在2014年預測，未來五年，機器人投顧的市場復合增長率將達到68%，到2020年，機器人投顧行業的資產管理規模將突破2.2萬億美元。目前，國外的機器人投顧產品走在了世界前列，主要包括Wealthfront、Betterment、Future Advisor、Personal Capital、LearnVest、SigFig、Motif Investing等。這些產品盡管在投資門檻、收取費用上有所不同，但是它們都是根據現代投資(4.080，-0.04，-0.97%)組合理論，利用交易所上市基金（ETF）組建投資組合。

三個因素推動了國外機器人投顧的發展。首先，機器人投顧的低成本、低門檻、易操作的優勢徹底改變了高凈值客戶才能獲得財富管理的傳統局面，同時它又是基于互聯網的在線理財服務，迎合了當下個人投資者的需求；其次，量化投資和大數據技術的發展，使得機器人投顧的大數據存儲、批量處理以及高速運算等功能得以實現；第三，國外機器人投顧的迅速發展也離不開國外ETF市場的成熟和完備，一方面國外投資者對被動投資產品的接受度較高，投資于ETF的機器人投顧產品擁有市場，另一方面，數量眾多、產品多樣的ETF市場為機器人投顧提供了豐富的投資基礎。截至2017年年底，美國市場的ETF管理規模達到3.42萬億美元，較2016年底的2.54萬億美元增長了34%，較2015年底的2.14萬億美元增長了60%（數據來自BlackRock）。

目前，國外機器人投顧產品的主要功能是通過了解用戶的投資目標、風險承受能力和風險偏好，提供給用戶個性化的最優投資組合，投資標的主要是ETF基金，并且提供后續的組合跟蹤、資產再平衡、節稅等服務。在實現這個功能的過程中，構建投資組合的模型是產品的核心競爭力和區別所在。此外，國外主流機器人投顧產品在投資門檻、收費模式上也有所區別，并且增加了許多創新性的服務吸引投資者。

國內在機器人投顧方面處于迅速發展階段，目前已經有為數不少的機器人投顧產品。國內機器人投顧分為三類：第一類是獨立的第三方智能投顧產品，比如彌財，類似國外的產品Wealthfront，主要為用戶解決如何建立與風險匹配的分散化投資組合的問題；第二類是傳統金融機構的產品，比如平安一賬通和廣發證券(13.350，-0.14，-1.04%)貝塔牛，主要依托機構自身的產品資源和客戶優勢發展智能財富管理平臺；第三類是互聯網公司的財富管理應用，比如百度股市通、螞蟻聚寶、勝算在握，這些產品在互聯網金融的浪潮中產生，并且各具特點，比如百度選股通基于大數據選股，螞蟻聚寶從余額寶延伸出來打造更加豐富和大眾的投資平臺，勝算在握基于量化模型為用戶推薦黑馬股票、優化操作計劃。

（三）眾包模式

另外一種近年來流行的科技金融產品就是“眾包”（Crowdsourcing）模式，或者稱為Quantopian模式，以Quantopian為代表，在互聯網上借助非特定的大眾的參與來設計交易策略。Quantopian成立于2011年，目前已經擁有大約12萬會員。這種模式支持交易員在瀏覽器上進行程序化交易的回測和調試，當調試成功后，可以進行策略的實盤。而平臺管理者可以基于不同交易者的表現挑選合適的子基金管理人，建立MOM產品，而子基金的管理人可以從基金收益中獲取一部分分成。2017年4月，Quantopian宣布把首批資金配置給選出的15個策略。在Quantopian模式下，擅長數據建模和分析的人可以減少平臺搭建和數據庫建設上的投入，專注于用量化分析和機器學習方法開發交易策略。近年來，國內外也產生了眾多的類似公司。

Numerai是另一種用人工智能進行投資的眾包模式。Numerai采用的方法比較特別，是采用加密數據的方式進行機器學習的建模和預測。Numerai每周定期發布加密數據和建模比賽，任何人都可以參與比賽，并且將預測結果提交給Numerai。Numerai通過把數據科學家提交的預測結果進行整合，用于投資。

Numerai將金融市場中的數據進行加密，一方面使得數據科學家可以集中精力對加密數據進行機器學習建模和預測，而不需要具有任何金融投資的知識，這樣可以鼓勵更多擅長人工智能的人參與進來，將人工智能方法用于金融數據分析。另一方面，采用加密數據的好處是投資信息得到了更好的保護。

七、人工智能技術提升產品營銷能力

人工智能用戶畫像和智能客服等技術可以提升資產管理機構的產品營銷水平。首先，通過用戶畫像，可以更好地了解用戶的風險偏好，理解用戶的理財目標和對資金的需求，據此，給用戶設計更合適的產品和服務。其次，通過人工智能客服，可以有效地降低資產管理機構銷售部門的人力成本。

（一）人工智能用戶畫像

資產管理行業需要了解用戶的風險偏好。目前，風險測評的主要方法是通過調查問卷的方式，根據用戶的回答計算風險偏好。這樣評估投資者的風險偏好存在一些問題。一方面，用戶可能對自己并不是非常了解，而且對投資風險和收益的認識不夠深入，問卷調查回答的內容可能并非自己的客觀情況；另一方面，用戶可能認為風險偏好的測評不重要，粗略作答甚至隨便填寫。因而，通過調查問卷獲取的用戶信息存在大量“噪音”，基于這樣的問卷獲得的風險評估可能并不準確。

通過提取客戶投資交易等核心數據，分析其投資習慣、品種偏好以及風險承受能力等深度信息，進而有針對性地對其展開產品營銷活動，從而提高營銷成功率。

廣發證券從2015年開始，基于各條業務線所積累的海量用戶數據以及大數據的運算能力，逐漸建立了以基礎信息、交互數據、交易信息維度為主的用戶畫像模型，為用戶構建了超過400項基礎標簽以及各類衍生數字標簽。通過可視化頁面，展示客戶的風險偏好、投資經驗、資產回報、收益情況、客戶生命周期狀態、賬戶分析等指標，并且持續根據用戶在各個終端的點擊、交易等交互日志等數據進行動態跟蹤和以及持續的自我修訂。

除了金融機構積累的用戶數據，其他日常生活中的用戶行為數據也可以用來評估用戶的行為。

Sqreem通過人工智能技術獲取和分析投資者的行為數據，幫助資產管理機構從投資者的行為中預測投資者最需要的產品和服務。例如，Sqreem給高凈值客戶建立了詳細了個人信息檔案，繪制了高凈值客戶的年齡、興趣、交易行為、購物記錄、社交活動等方面的信息，包括他們平常使用哪家銀行。基于這些信息，Sqreem可以發現各種模式，并且讓銷售部門跟進客戶的需求。目前，BlackRock、富國銀行、匯豐銀行和瑞士聯合銀行等都是Sqreem的客戶。其中，瑞士聯合銀行早在2014年就采用Sqreem的人工智能技術向高凈值客戶提供定制化的投資建議。

（二）人工智能客服

另一方面，通過自然語言處理和其他相關的人工智能技術，可以構建智能機器人客服，服務客戶。

智能客服是一種能夠使用自然語言與用戶進行交流的智能自動服務軟件系統，通常包括交互前端、智能引擎和管理后臺三部分。

交互前端是機器人的“感覺器官”，負責為用戶提供服務窗口和操作界面。智能引擎是機器人的“思考器官”，負責針對用戶提出的需求，進行語義分析和處理，該部分是決定機器人表現是否智能的關鍵。管理后臺是機器人的“運動器官”，負責分析用戶服務需求分析后，從后臺快速索引至對應服務內容。

智能客服利用統一的運維管理平臺，能夠有效融合多種渠道，與用戶進行智能化人機交互，真正實現成本低（一次性投入，后期釋放大量人力資源）、效率高（可24小時運營，同時處理量極大，無需等待）、體驗好（不受負面情緒干擾）的客戶服務。此外，通過數據的積累和知識的學習，能夠不斷提升用戶體驗。

智能客服本質上是一個聊天機器人，例如，微軟小冰通過語音識別、語音合成、自然語言處理技術等手段與用戶交互，從事先積累的人類對話庫和互聯網資料庫中，查找最有可能匹配的回答。類似的，百度在2015年發布了集成個人搜索助理和智能聊天功能的度秘；亞馬遜在2014年發布了可以和用戶聊音樂的智能音箱Echo；蘋果在2011年發布了iOS語音助理Siri。

從2015年底以來，螞蟻金服95%的遠程客戶服務已經由大數據智能機器人完成。螞蟻金服通過大數據挖掘和語義分析技術來實現問題的自動判斷和預測。目前，螞蟻金服已經積累了近千個經驗專家知識調動庫、模型庫。原來，從發現和識別問題到快速調度客戶服務解決問題需要50分鐘，而現在只需要1.6分鐘就做到策略智能調度響應。

在資產管理行業，智能客服可以協助客服和銷售部門與投資者溝通，節省資產管理機構的人力成本；另一方面，智能客服積累的數據可以完善投資者的用戶畫像信息，提供更加合理的投資建議。

八、總結

人工智能能夠從投資、研究、交易、風險管理、產品設計、市場營銷等各方面提升資產管理行業的經營水平。除此之外，人工智能也可以提高公司其他部門的數字化和智能化管理水平。

目前，資產管理領域的人工智能應用還在發展階段。少數的投行、對沖基金和科技公司主導了資產管理領域人工智能的探索和布局。隨著相關技術的發展，資產管理機構對金融科技的依賴會不斷提升，提前布局人工智能，充分利用尖端信息技術的機構將在未來的資產管理市場中占得先機。風險提示：本篇報告就人工智能在資產管理業務上的應用進行介紹，不構成投資建議。（來源：新浪財經 編選：電子商務研究中心）