猎云注：田鸿飞，松禾远望基金合伙人。近日，田鸿飞给一些二级市场的基金从业者做了一次内部讲座。他总结了智能投顾十大趣谈，分析了国内智能投顾发展境况，提出了中国比美国更适合发展智能投顾等观点。文章转自： 浩哥说（ID：haogetalks），作者：田鸿飞。
趣谈一.银行和基金从业人员，最恐慌的是未来饭碗会否不保
波士顿是美国资管行业的重镇。2016年我在波士顿和做基金管理的校友交流中发现，受到金融科技发展的影响，他们对未来有些悲观，认为饭碗在未来某一天也许就没了。很多在银行工作的朋友同样焦虑。
我的观点，大量易标准化、重复性、没技术含量、不具独创性的工作肯定会被裁掉。从基金行业来说，首先后台最容易被替代，因为都是成本。清算、交收、估值类工作，以前需要多人忙碌，现在很容易被一套软件系统就替代了，都用不上人工智能，而且准确性更高。
目前还有公司在开发银行间的区块链对账系统，以后也不用每天晚上人工互检对账了。因为区块链本身是一个瞬间同步的账目，每个人的账本会实时共享，同时又能做到安全透明、不可篡改，所以这些后台工作会最先被替代。
再说前台，智能投顾的自动化交易未来会让大多数交易员变得毫无价值。以量化投资来说，未来做多因子模型的投资经理就很容易被干掉。因为由AI来做优化，绝对比人做优化要强很多。对于前台的其他工作，现在已经出现了机器人客服，像信息简报、研究报告类也都可以由人工智能自动摘取生成（当然我认为独创性研究是很难被替代的）。
但国内的二级市场与国外有很多不同，很多散户需要心灵按摩。这些情感交流的工作是否就不会被取代呢？我觉得也不一定。因为现在00后一代，他们在行为习惯上，其实更愿意和机器人打交道，而不是和人打交道。这正是2015年BlackRock收购Future Advisor的重要原因，他们发现年轻人更需要便利、低门槛和互联网化的理财方式。
拿保险举个例子。卖保险显然要比卖理财更需要情感沟通，但智能保顾也正在兴起。所以对于资管而言，我认为情感因素并没那么重要，未来会有越来越多的人喜欢并习惯面对机器。
趣谈二. Fintech机会正在向传统金融背景人士倾斜
我们看过很多Fintech领域的创业项目，发现一个有趣的现象，那就是互联网出身的人和有银行从业背景的人，往那儿一坐风格会泾渭分明。互联网人盯的就是KPI和增长，对风控、对法规毫无概念；金融行业出身的人主要谈的就是风险控制，要规范企业的发展。
从去年开始互联网金融发展的风向发生了巨变，以往野蛮生长的环境不复存在。美国货币监理署(OCC)正在考虑给Fintech公司发全国性银行牌照，国内也大幅加强了合规的严格管理。这些变化，都促使互联网金融开始向更注重规范、更注重风控的传统金融背景人士倾斜。
还有非常重要的一点是，作为传统金融行业的人，他们坐拥非常多的资源，当意识到互联网金融的风向时，转舵起来还是很容易的。正如一个在银行的朋友介绍，自银行推出现金贷业务后，仅用几个月时间，就快速超过了互联网人已用两三年发展起来的规模。
在美国也是如此，一旦具备传统投资优势的金融机构进入智能投顾领域，同样会迅速抢占市场份额。正如Vanguard和Charles Schwab自2015年推出智能投顾产品后，相对应的资产管理规模（AUM）已遥遥超越了Betterment和Wealthfront。
趣谈三. 中国为什么比美国更适合发展Fintech？
英国的《经济学人》杂志在年初的一篇文章中提到，正是得益先进的技术、落后的银行体系和爆发式的财富增长，让中国成为了全球金融科技的领导者。去年10月我参加了著名的Money20/20大会，对此感受颇深，现场几乎2/3的广告牌都是中国企业。这些国内的Fintech企业，不论在模式创新还是技术创新上，都已远远超过了美国。
中国为什么比美国更适合发展Fintech？我的看法是：
国内对金融科技的监管环境还是很宽松的，至少前几年非常宽松。在美国的Fintech企业，绝不敢像国内这么“胆大妄为”；
国内即使有人冒进违规了，处罚起来并不严厉，犯错成本较低；
国内还没有成熟的隐私保护法，数据的可获得性很高，各种来源的数据都使用；
中国没有美国那么多年的积累，也就没有牵绊。上来就可以用最好的技术、最简单的方法直达目的。
趣谈四.智能投顾在美国发展遭遇了瓶颈
过去我们学习金融时，知道平均成本法(Dollar Cost Averaging)，也就是要养成固定去投资的习惯，投资收益是最高的。这是一个基础理论，但大家平时生活中很难做到这么有纪律性，尤其对于刚入职场的小白而言。
现在美国银行和智能投顾公司最让人羡慕的是完全能做到自动理财。一般美国都是双周发薪，通过direct deposit功能，工资直接进入银行账户。银行完成扣款后，会自动划分到智能投顾公司的账户。由投顾公司做一个再平衡，就帮用户理财投资了。对用户来言，每月只需留一些钱还信用卡就行了。智能投顾在切实解决用户体验问题后，让用户量和AUM资产管理规模上来的特别快。
不过现下智能投顾在美国的发展仍处于瓶颈之中。主要是行业领头羊Betterment、Wealthfront处于了一个停滞期。很多潜在投资者对他们的担心是，Robot-advisors这件事，并未改变背后的商业逻辑，也就是配置资产和金融服务的属性没变。但相比于传统机构，他们投入市场和运营的花费却很大，这是典型的互联网人发展模式，先砸钱把用户量做起来。但这也让吸收资金的成本变得非常高。那你的竞争优势到底是什么？估值还这么高，是不是市场吹起的泡泡？这遭遇了很多投资者的怀疑。
趣谈五.智能投顾与量化投资的区别是什么？
相比同样采用计算机与数学模型做投资决策的量化投资，智能投顾最显著的区别是什么？简单来说一个是自动根据市场变化做决策，一个还得靠人来调策略。后者说的正是量化投资，一般是先找出一个模型策略，这个策略不会自动变化。所以一旦当市场环境变化的时候，这个量化策略就失效了，必须由投资经理根据市场情况来调整策略。
对于应用机器学习的智能投顾，则会根据市场的变化不断的产生新策略，也就是应对瞬息万变的市场变化，一切都是在后台自动完成的，并不需要人工干预。因为机器学习有回馈循环(Feedback Loop)，从市场-策略-结果再到市场的不断反复循环，会自动根据资产的价格、风险的变动不断调整。
相比量化或人工投资，人工智能处理信息还有一个最大优势，那就是可以把自有证券市场以来的全部数据都录入做分析。特别现在有了GPU、TPU等专门的处理器，依靠强大的运算能力，可以瞬间得到想要的相关性分析，这满足了金融领域对数据的实时性要求。
趣谈六.智能投顾是不是在吹牛，投资业绩到底如何？
刚才谈到利用机器学习和深度学习的方法，智能投顾可以把价格变动的趋势和模式找出来，做到快速反应、快速交易。相信很多人一定好奇，智能投顾相对于量化投资的业绩到底如何。
我们知道最近几年，面对国际金融市场的大幅波动，量化投资的业绩是远远好于很多主动型管理基金。在今年3月传出的BlackRock重组计划中，就裁掉了很多主动型基金部门的员工，将很大一部分的资产将转化为量化管理产品。
而根据对冲数据服务公司Eurekahedge的AI／机器学习对冲基金指数显示，自从2010年以后，其中23支应用智能投顾的对冲基金，在业绩表现方面是要优于量化对冲基金的（如下图）。
趣谈七.人工智能为什么直到今天才取得突破？
我经常开玩笑说，人工智能技术的发展有些复古。因为现在深度学习依托的神经网络系统理论，最早可以追溯到上世纪40、50年代，只不过到现在发展为了多层神经网络技术。从最早的LISP语言、专家系统到神经网络和机器学习，人工智能过去几十年的发展一直都非常低迷。这让李开复老师那一代从业者很是受伤，因为把事业放在上面20年没有进展。那为什么来到今天就突破了呢？
一方面是已提到的多层神经网络（MLP)取得了小突破，特别其中深度学习（Deep Learning）的出现，应用更多层网路，能学习更抽象理念，并融入自我学习中，加速收敛。以前努力了半天，识别能力只能提升百分之几，现在一下提升了百分之二十几，这让AI取得了突破式发展。从智能投顾角度，深度学习既然极大提高了图像识别精度，同理也可以提高识别股票价格变化的模式，虽然这并不意味可以准确预测股价。
另外更关键的，我认为是数据量的丰富。2010年我回硅谷时，第一次听谷歌的朋友说他们的AI取得突破，能在YouTube上把猫给认出来了。很重要的原因是在YouTube上有了大量的视频和图片数据之后。对此我认为，人工智能发展起来的关键是有了大量的数据，算法提升其实是很有限的。甚至可以说人工智能发展80%归于数据的丰富，可能只有20%归于算法的提升。特别在金融行业，数据都是非常容易标签化的，完美性这么好，所以人工智能最先颠覆的就是金融领域。
趣谈八.深度学习最大的问题是黑箱
对于深度学习而言，人才分几个档次。第一级是开宗立派的人物，也就是发明CNN(卷积神经网络)、DNN(深度神经网络)、RNN(循环神经网络)这些流派的宗师级人物。还有一类人才，是真正能够把参数调好的人，也非常稀缺。比如对于多层神经网络，是设置10层、5层还是7层效果最好？每层都有很多参数。还有给入多大的数据量才会产生理想结果？因为到一定程度，你会发现输入越多数量，结果反而可能会变坏。
这是一个经验值，甚至没有规律，所以业内开玩笑叫做炼金术。把一堆东西放一起，不知好坏，天天试，跟做化学实验室一样，还没有固定的化学方程式。大部分在美国读PhD的中国留学生是负责调参数的。但调参数能调好的人，在AI界也算是凤毛麟角，一年的package下来也有100~200万美金。要知道不仅在中国，在全球，人工智能创业公司最大的挑战都不是钱，而是雇不到人。
但这里就产生了一个问题。比如输入大量数据后，经过10层神经网络筛选得出一个结论，可你是没法回溯怎么得出这个结论的。所以深度学习最大的问题是黑箱。如果想避免一个错误，要修改参数，那所有训练又得重新来一遍。正因为这个问题，自动驾驶一旦出现车祸，很难向美国交通局去解释。在美国发信用卡的领域也存在一样的问题。拒绝给一个客户发信用卡，你得告知是基于什么规则，不然人家可能会告你，但深度学习没办法解释这件事。所以最近的一些算法已经做出了一些优化。
趣谈九.国内智能投顾发展境况如何？
很多人说中国资产类型太单一，ETF数量不够，很难满足智能投顾的资产配置需求。我们之前看了有20多家智能投顾公司，实际发现他们的配置还是很丰富的。简直可以说是五花八门，有的配P2P资产、有的配小贷，还有人拆信托、拆私募，做MOM、FOF模式的也有。大家都打着智能投顾的旗号，但剥开皮看都不一样，很多时候不知后面卖的什么东西。这也正是国家在加强机器人投顾管理的原因。
还有一个重要问题是，中国基本没有买方投顾，大家都在挣后端销售佣金，更像卖方雇佣的销售。所以对国内的智能投顾而言，本来是个投资顾问的事儿，却在做销售的活儿。这混淆了投资咨询与产品销售之间的界限。那么用户如何来评判你投资建议的公立性？这让消费者很难信智能投顾这件事。这正是国家正加紧合规的理论依据。
另外国内智能投顾最大的问题还在于金融产品代销资质。所以在中国做智能投顾，真正合规的只能是由大的金控公司来做，他们拥有所有的销售牌照和资格，才能给用户去做丰富的资产配置。不然你都没有太多可配置的资产，跟真正意义上的智能投顾有很大差距。而对创业公司来言，每个牌照的价格都非常贵，还要搞定各种通道、支付，真的玩不起。
趣谈十.智能投顾悖论
我们知道股票交易有赔有赚，如果大家都买了同一套软件，可以预测该买哪支股票，那么市场上谁卖呢？在一个下跌市场当中，一旦像Vanguard、BlackRock这样的行业巨头，用机器人投顾做出抛售指令，大家都在抛盘，而没人买盘，单边行情会不会导致市场崩溃？其实我认为这样的问题可以避免。因为真正的智能投顾是能根据每个人的风险偏好不同，做出不同的投资组合和交易选择，这样才能让市场有赔有赚的运行起来。
最后说一个有趣的话题，那就是人对机器的容忍度，要远远小于人对自己的容忍度。最简单的无人车犯错，大家都觉得不可容忍。但人天天都在犯错，却很容易获得谅解。这是一个客观问题。回到智能投顾这个话题，面对中国股市普遍难以盈利的行情，你说智能投顾在一个下跌市场当中，如何安抚用户亏损的情绪呢？其实很简单。周围10个人如果你是亏的最多的，人家都赚，你肯定不开心。但如果机器用数据告诉你，相比量化投资和你周围的人，你的回撤是最少的，那你肯定就不会太苛责机器了。
