第一章
智能投顾行业概述
第一节
源起：科技与金融的结合
一、金融科技的兴起
金融在广义上即“资金融通”的过程。资金作为一种稀缺资源，通过金融体系中各种直接或间接的方式从盈余方转移到短缺方，由此得以提升资源的跨期配置效率，润滑经济的运转并促进经济的发展。[1]金融的发展与科技进步、技术创新向来密不可分，金融的发展史在一定程度上就是金融与科技不断融合、不断促进的过程。从这个角度来看，金融与科技不断结合演化的过程可以被分为三个阶段：1866—1967年，电报、电话、铁路等科技的进步促进了国与国之间的金融联系，体现为以电报和电话等模拟信息科技为主的工业时期；1967—2008年，计算机和自动取款机（ATM）先后问世，通讯和交易处理程序的日益数字化将金融从类工业转型为数字化行业，金融行业通过信息技术（IT）硬件逐步实现办公和业务的电子化；2008年之后，云计算、大数据与人工智能等技术创新迎来爆发式增长，科技与金融业务的融合程度不断加深，融合方式更加多样，融合的领域也贯穿于金融业务的前台及中后台全流程、全生命周期。[2]
近年来，伴随着信息技术的迅猛发展和拓展运用，数据资源成为经济活动中关键的生产要素。“数字经济”作为一种继农业经济、工业经济之后的主要经济形态正在重塑我们的经济生活。[3]在这样的背景下，金融与科技的结合进一步引发了激烈的讨论，“金融科技”（FinTech）的概念应运而生。根据国际权威机构金融稳定理事会（Financial Stability Board）的定义，金融科技指的是“技术驱动的金融创新，其能够创造新的业务模式、应用、流程或产品，从而对金融市场、金融机构或金融服务的提供方式造成重大影响”[4]。金融科技在各类不同的金融行业和部门中都产生了广泛的影响，冲击、优化甚至革新了传统的金融业务模式与金融活动。例如，数字银行与金融科技平台融资的发展对传统的存贷款业务及银行业形成了冲击，数字支付和数字货币的兴起给传统的支付、清算和结算体系以及货币制度带来了挑战，而前沿的“保险科技”则据称能够颠覆保险业务的商业模式并不断扩展可保风险的边界等等。[5]
智能投顾同样属于金融科技的范畴。金融科技在资产管理和投资顾问相关领域中所产生的创新业务模式、流程或产品，在广义上都可以被统称为“智能投顾”。
在智能投顾尚未面世之前，以人工服务为主要服务模式的传统投资顾问服务往往存在以下几方面的痛点。第一，在传统财富管理行业中，投资顾问服务依赖于线下面对面的运作模式，在当下难以跟上数字经济潮流的趋势。第二，线下运作模式进一步加剧了专业化人工服务的稀缺性，进而导致传统投资顾问服务的费用昂贵，因此其受众范围较为狭窄，客户群体主要为高净值人群，不符合“普惠金融”的发展理念。第三，尽管费用不菲，但传统投资顾问服务的业务模式却通常呈现为同质化的销售导向，不能为客户提供个性化、特色化的投资咨询服务。
不过，大数据、人工智能、云计算等技术的进步发展及其在投资顾问领域中的落地运用，针对性地弥补了传统投资顾问服务的缺陷。从技术层面来看，以机器学习、语言识别、自然语言处理等作为核心驱动力的人工智能无疑具有关键地位，其能够对金融数据进行更为高效的运用，替代人工重复性工作，使得提供大量的定制化服务成为可能，进而提升金融服务的效率和客户体验。具体到投资顾问服务中：高度线上化的服务模式克服了传统线下面对面服务的不足；科技助力使得投资门槛大幅降低，进而拓展了客户群体，促进了金融服务的普惠性；人工智能算法能够精准识别客户需求、描摹客户画像，实现服务内容差异化的同时却又能保证服务质量的标准化；在后续开展投资和财富管理的过程中，人工智能算法得以构建有效的投资组合，并基于客户的特点进行动态化的调整……如今，智能投顾已然成为现阶段最为典型的金融科技业务形态之一。据估算，2020年美国智能投顾的资产管理规模达到2.2万亿美元；Statista预估中国智能投顾行业资产规模超过800亿美元，位居全球第二。[6]
总而言之，智能投顾源起于金融与科技的结合。从横向上来看，智能投顾和数字银行、平台融资、数字货币等概念，都是不同金融部门中新兴的金融科技形态；从纵向上来看，智能投顾滥觞于科技进步对传统投资顾问服务之不足的回应，是传统投资顾问服务被科技所改造和升级的过程。
二、智能投顾的工作原理
智能投顾在技术层面依赖于大数据、人工智能以及云计算等新兴科技，在金融理论层面的基础则主要是现代投资组合理论（Modern Portfolio Theory）及其他相关的投资理论与投资策略。
从技术层面来看，大数据与人工智能在智能投顾领域发挥了重要作用。高德纳咨询公司（Gartner Group）给出了这样的定义：“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。而人工智能是指对人类智能的研究、模拟、延伸和拓展，是一门运用计算机研究不同类型、来源、质量的数据，并试图从中提取有价值信息的学科。事实上，人工智能并非一个新概念，神经网络等基础理念早在20世纪60年代初就已被提出，但当时囿于计算能力和数据集的匮乏并未取得良好效果。直至21世纪初，随着计算能力的迅猛提高以及大规模、高复杂度数据集的出现，人工智能与大数据等技术才迎来革新性的发展。此外，人工智能的一个重要分支是机器学习——专门研究计算机如何模拟或实现人类的学习行为，从而获取新的知识和技能，重新组织已有知识结构并不断改善自身性能。机器学习根据自动优化能力由低到高可进一步分为监督学习、无监督学习、强化学习和深度学习四类，其中深度学习的自动优化能力最强，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高度抽象的算法，近年来在图像识别、自然语言处理等多个领域取得重要进展，从而为智能投顾等金融科技的蓬勃发展奠定了基础。[7]例如，智能投顾平台会获取客户的个性化风险偏好、投资目标等数据信息，进而利用大数据和人工智能等技术展开分析和计算，形成不同的客户画像。又如，智能投顾平台可以运用大数据与人工智能技术对舆情进行监控，通过对文字、图像、语音等非结构化信息的处理和计算，从中挖掘出市场的变化趋势，进而对投资组合进行针对性的调整与再平衡。再如，智能投顾平台可以利用大数据分析技术，构建与资产配置相关的知识图谱，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。[8]
与作为智能投顾核心技术要素的大数据与人工智能相比，云计算更多地扮演了智能投顾之基础设施的功能。简单地说，云计算是一种任务处理的模式，其将网络上的服务资源虚拟化，进行智能调度、管理和维护，从而形成一种有效的计算使用范式。云计算服务是分布式计算、效用计算、虚拟化、Web服务等技术的融合与发展，具有服务资源池化、客户可扩展性、可度量性、可靠性等特点。[9]
从金融理论层面来看，智能投顾的原理与人工专业投资者的决策逻辑在理论基础上具有一定的相似性。现代投资组合理论不仅是传统投资顾问服务的理论基础，也是智能投顾中投资算法的逻辑根基。具体而言，1952年，美国经济学家哈里·马科维茨（Harry Markowitz）改变了此前金融学研究中往往只聚焦于一两个单个资产的思路，而是将所有可选资产视为一个整体。同时，马科维茨提出应当利用资产回报率的波动程度，即回报率的方差，来衡量资产投资组合的风险，进而创立了“均值—方差”分析方法，成为现代投资组合理论的鼻祖。[10]该理论开创性地提出了投资组合的“有效前沿”（efficient frontier）、“资本市场线”（capital market line）、“市场组合”（market portfolio）等重要概念。[11]根据该理论，只要证券的收益不完全相关，就可以通过分散投资的方式降低风险或者提高收益，进而提高投资组合的有效性。现代投资组合理论虽然具有数量众多的假设条件且难以在现实中达成，但仍是大多数智能投顾平台设计算法、进行投资建议的理论前提，其重要性不言而喻。
随着现代经济学理论的不断发展和量化技术的不断进步，智能投顾平台也会综合性地运用其他投资理论和投资策略以期找到更优的投资组合，如风险平价（risk parity）策略、Black-Litterman策略、Smart Beta策略等等。风险平价策略指的是在确定组合中各类资产权重时，将组合的风险平均分配在各类资产上，使得组合对每类资产的风险暴露程度相同，旨在实现真正的组合风险分散化。[12]Black-Litterman策略由高盛的经济学家费希尔·布莱克（Fischer Black）和罗伯特·利特曼（Robert Litterman）创建，是对现代投资组合理论的一种改进。该策略克服了现代资产组合理论仅包含历史市场数据的局限性，在后者的基础上加入投资者对于特定大类资产的预期收益这一项变量，进而根据投资者的倾向性意见优化资产配置。[13]Smart Beta策略结合了主动投资策略和被动策略各自的优点，以“因子投资”（factor investing）作为理论基础，策略收益来自因子的风险溢价。Smart Beta常用的因子包括相关资产的波动性、流动性、质量、价值、规模和动量等。[14]概言之，智能投顾平台在开发、设计投资算法的过程中，凭借大数据、人工智能等科技的助力，综合性地运用了各种投资理论和投资策略，这就是智能投顾在资产组合构建以及后续动态调整过程中的工作原理。
此外，值得一提的是，在智能投顾业务蓬勃发展、业务模式相对成熟的美国，较多智能投顾在投资管理方面的工作原理呈现为专注被动投资领域、争取获得被动收益，以长期收益和有限管理作为投资的出发点，并通常将交易型开放式指数基金（exchange traded fund, ETF）作为投资标的。ETF既可以与指数共同基金一样追踪大盘股票、债券指数或一篮子资产，也可以在上市交易所中进行交易。ETF的开放式是指对其发行或赎回股票没有任何限制。而传统的投资顾问或资产管理人通常凭借自身的经验及其对金融市场的分析理解，进行证券种类的选择和择时操作，以期通过主动投资获取超额收益。与主动投资相比，智能投顾所采取的被动投资策略和工作原理能够有效地降低服务成本，从而降低智能投顾的服务门槛，扩大投顾服务的客户群体。但该工作原理在我国主流的智能投顾服务中并不适用。我国的智能投顾在实践中主要表现为智能基金投顾（详见本书第三至第六章），而且，由于我国的ETF基金市场和证券市场相对不够成熟、存在较多超额收益机会，我国的智能基金投顾并非仅专注于被动投资领域并以ETF基金为投资标的，而是更多采取传统上更加主动的投资策略。
总而言之，分析智能投顾的工作原理需要区分技术支持层面和金融理论层面。现代投资组合理论等传统金融理论和投资策略是智能投顾开展投资的理论基础，而大数据、人工智能等新兴科技则有助于将上述理论基础转化为算法、运用于实践、服务于智能投顾客户。在大数据、人工智能等科技的帮助下，运用投资理论以指导投资实践的过程依赖于人工智能算法的运作，其效率更高、成本更低，具有可推广性和可复制性。