大资管，人工智能的下一站

 来源 : Career In 投行PEVC      作者：胡又文团队

【编者按】无论是高盛投资Kensho预以取代证券分析师，还是微软人工智能首席科学家邓力加盟对冲基金Citadel，种种现象级事件表明：“人工智能”已悄然走进“大资管时代”。那么，什么是“大资管”呢？“资管”即资产管理，“大”是一个泛指的概念。

本文先后对什么是“大资管”？“大资管”分哪几个产业环节？人工智能将在哪些产业环节发挥作用？全球范围有哪些主要玩家？这一系列的问题进行抽丝剥茧，逐步理清如何寻找“大资管时代”的人工智能投资机遇。

　　一、大资管，人工智能的下一站

　　1.1人工智能已悄然来临

　　继长尾信贷后，“大资管”将成为人工智能渗透的又一领域。2016年至今，安信计算机团队先后发表三篇深度报告（《Fintech，开启新的财富之门》、《财富管理，从Fintech到FinLife》、《消费金融，新常态中的新风口》），系统性阐述“金融科技”的前世今生。我们的结论“场景是基础、牌照是保障、技术是手段”金融科技产业核心要素得到业界高度认可。同时，明确指出金融科技本质是金融，经营风险是核心，以人工智能为代表的科技创新实质上是大幅提升金融服务效率，从而让“长尾客群”享受原本只属于“头部客群”的金融服务；过去一年，我们也欣喜的见证了以消费金融为代表的长尾信贷蓬勃发展。

　　时至今日，无论是高盛投资Kensho预以取代证券分析师，还是微软人工智能首席科学家邓力加盟对冲基金Citadel，种种现象级事件表明：“人工智能”已悄然走进“大资管时代”，它将为整个产业带来什么样的变化？我们拭目以待。

　　“大资管”复杂度指数级提升，人工智能将如何“破局”。

　　相对于借助人工智能技术定量分析长尾信贷对象信用等级，“大资管”所面临的数据复杂程度及所需人工智能分析复杂程度指数级提升。以狭义人工智能构建股票组合为例，A股证券标的数量3000左右，理论上可以构建的投资组合数量大约是10500左右，若将每一组合股票数量限制在5-50之间，也将会有1033个预期投资组合；区别于传统的人工选择方式，机器学习是将全部可能的投资组合都进行逐一计算，最终选出满足一定收益和风险指标的投资组合呈现给客户。相对于已基本完成破局的“泛信贷”领域，人工智能在“泛资管”领域将面临更大挑战。

　　数据、算力、算法，人工智能在“大资管”领域的核心要素逐步成熟。在“泛资管”领域，本质上是“资产端”与“资金端”在风险及收益两大方面的匹配，天然的数据化及实时可回归的属性，让以数据为核心驱动的人工智能大有可为；随着云计算的普及，以算力为代表的IT基础设施以全新的方式供给，面向“大资管”各细分应用场景的算法优化值得期待。

　　深刻剖析“大资管”产业链，按图索骥探寻“人工智能”投资机遇。有别于其他研究报告上来就对“智能投顾”、“智能量化”、“机器人投顾”等概念及应用的介绍，我们将沿着一贯的研究框架，先后对什么是“大资管”？“大资管”分哪几个产业环节？人工智能将在哪些产业环节发挥作用？全球范围有哪些主要玩家？抽丝剥茧，逐步理清如何寻找“大资管时代”的人工智能投资机遇。本质上，在充分理解“大资管”产业链的基础上，在人工智能可以提高“效率”的环节做文章。

　　1.2正本清源，从产业链出发理清研究脉络

　　什么是“大资管”？产业环节如何划分？。“资管”即资产管理，“大”是一个泛指的概念，缘于随着监管的不断放开，原有资管业务外延不断拓展；准确而言，“大资管”应该是信托的概念，即：将资产托管给机构去管理；注意，站在机构的角度称之为“资产管理”，站在客户的角度则称之为“财富管理”，即：客户寻求可信贷的机构为自己的资产进行保值增值。简言之，我们所熟悉的银行理财、保险销售、券商经纪等领域属于“财富管理”，即：通过大量线下或线上渠道触达客户，提供多元化金融产品，满足客户的“财富管理”需求；像银行资管、保险资管、券商资管，还有我们最为熟悉的公私募机构就是通常意义上的“资产管理”，即：更多的不是去考虑如何挖掘分析客户需求，而是做和做好“投资”或“资产配置”。

　　综上所述，“大资管”可细分为“资产管理”与“财富管理”。其中，我们常听到的“智能量化”、“知识图谱”诣在提高“资产管理”运营效率；更为广为人知的“智能投顾”则主要是借助人工智能满足长尾客群的“财富管理”需求。以下，我们将通过四个章节，先后就人工智能对资产管理的升级、对财富管理的改造详细展开分析，并在对全球先行者全面梳理后，针对人工智能对我国“大资管”产业即将产生的变革做深入思考。

　　二、资产管理：人工智能颠覆式利器出鞘

　　2.1人工智能辅助之“量化交易”

　　量化交易从很早开始就运用机器进行辅助工作。分析师通过编写函数、设计指标，观察数据分布，而这些仅仅把机器当做一个运算器来使用。量化交易分析师们对财务、交易数据进行建模，分析其中显著特征，利用回归分析等传统机器学习算法预测交易策略。

　　这种方式有两个主要弊端，其一是数据不够丰富，仅限于交易数据，更重要的是它受限于特征的选取与组合（Feature Engineering），模型的好坏取决于分析员对数据的敏感程度。直到近些年机器学习的崛起，数据可以快速海量地进行分析、拟合、预测，人们逐渐把人工智能与量化交易联系得愈发紧密，甚至可以说人工智能的三个核心领域（机器学习，自然语言处理，知识图谱）贯穿量化交易的始终。

　　用机器学习解决海量组合空间与计算机处理能力之间的瓶颈。以A股的证券标的数量3000左右为例，理论上可以构建的投资组合数量大约是10500（将所有可能的股票种类排列组合）左右，这超出了目前计算机的处理能力。区别于传统的人工选择方式，机器学习是将全部可能的投资组合都进行逐一计算，每天全部可能的投资组合的数量级一般在1033（每一个组合股票数限制在5-50之间），证券投资人工智能系统就从这1033的投资组合中，按照一定的算法进行筛选，最终选出满足一定收益和风险指标的投资组合呈现给客户。

　　对于机器学习系统来说，1033的投资组合仍然是一个天文数字，不可能依靠遍历法来学习和比较每一个投资组合以从中选择。近日受到广泛关注的人工智能围棋系统AlphaGo是从大约10180个可能局面中寻找走棋方案的，其使用了蒙特卡罗搜索树技术来显著减少了系统的计算量，在不大幅度牺牲解的质量的前提下，提高了搜索效率。

　　基于机器学习的投资策略使用的也是类似蒙特卡洛搜索树来减少搜索空间，选择优质的投资组合。使用了深度卷积网络训练出来的价值网络极大地提高了之前单纯依靠蒙特卡洛搜索树来做判断的精度，因此可以在较短时间内为用户提供大量优质投资组合。

　　人工智能投资系统能够接近实时动态更新市场信息。在择时交易方面，不同于AlphaGo的离线人工学习系统，证券投资人工智能系统使用的是在线的机器学习系统，其知识库每十分钟更新一次，因此该系统所提供的交易策略与投资组合方案都是根据上个十分钟内市场行为及证券价格信息所产生的。

　　智能交易系统的用户无论在任何时间从移动终端设备接入其机器人投资顾问，所获得的都是最新产生的投资策略，用户在确认之后，将由系统的交易执行模块即时下单，以确保交易的时效性。

　　人工智能对于证券投资而言，是投资方法论的变革。人工智能系统采集金融市场以及宏观、微观经济数据等作为系统输入，同时采集的数据还有证券投资市场中流通交易的所有证券的历史价格，在机器学习系统中采用基于深度神经网络的深度学习以及蒙特卡洛搜索树以理解市场运行的规律，在决策系统中形成有效投资组合，由交易执行系统完成交易，然后转向风险监测系统进行监测，并在获得收益/损失后对交易进行业绩评估并反馈机器学习系统。

　　根据管理人的管理规模、期限、预期收益、风险偏好制定投资计划的拟定投资组合。根据投资计划为客户构建投资组合和投资组合的调整，也可以对用户自定义的投资组合进行诊断、看护(盯市、预警和风险提示等)服务交易执行，由于采用更好的算法，大数据分析系统能够比普通投资人更好地择时(在交易时间段内选择最优的价格进行买或卖的操作)，公司可以定制一个完全属于客户自己所拥有的智能交易代理(IA)，这个智能交易代理完全在客户的授权范围内执行交易。

　　交易需要的买卖信号由客户向公司系统订阅；风险管理采取不间断盯市的策略，能够依据预先与客户商定(或人工智能资管公司推荐)的风险管理规则对客户的投资组合进行各种风险管理操作，包括调仓、平仓、补仓。

　　全球最大的对冲基金桥水联合（Bridgewater Asspcoates）早在2013年就启用人工智能团队。该团队约有六名员工，由曾经供职IBM并开发了认知计算系统Watson的David Ferrucci领导。据彭博新闻社报道，该团队将设计交易算法，通过历史数据和统计概率预测未来。该程序将随着市场变化而变化，不断适应新的信息，而不是遵循静态指令。而桥水基金的创始人也曾公开表示，其旗下基金持有大量多仓和空仓，投资120种市场，持仓组合高达100多种，并且以人工智能的方式考虑投资组合。

　　Rebellion Research是一家运用机器学习进行全球权益投资的量化资产管理公司。Rebellion Research在2007年推出了第一个纯人工智能投资基金。该公司的交易系统是基于贝叶斯机器学习，结合预测算法，响应新的信息和历史经验从而不断演化，利用人工智能预测股票的波动及其相互关系来创建一个平衡的投资组合风险和预期回报，利用机器的严谨超越人类情感的陷阱，有效地通过自学习完成全球44个国家在股票、债券、大宗商品和外汇上的交易。

　　2.2人工智能辅助之“证券研究”

　　借助人工智能提取新闻、政策、社交网络参数让量化交易模型更强大。当量化交易分析师发现数字推测模型的局限性后，开始考虑引入新闻，政策，社交网络中的丰富文本并运用自然语言处理技术分析，将非结构化数据结构化处理，并从中探寻影响市场变动的线索。通过爬取个人及企业在其主页、社交媒体等地方的数据，一来可以判断企业或其产品在社会中的影响力，比如：观测App下载量，微博中提及产品的次数，在知乎上对其产品的评价。

　　率先使用自然语言处理技术的人工智能对冲基金是今年6月份在伦敦新设的对冲基金CommEq。CommEq的投资方法结合了定量模型与自然语言处理（NLP），使计算机能够如人类一样通过推断和逻辑演绎理解不完整和非结构化的信息。除此之外，也有采用自然语言处理技术的金融科技公司，如由李嘉诚与塔塔通讯投资的Sentient Technologies运用自然语言处理，深度学习(Deep Learning)等多种AI技术，进行量化交易模型的建立。

　　知识图谱减少黑天鹅事件对预测的干扰。机器学习与自然语言处理的技术经常会在一些意外发生的时候预测失败，例如：911、熔断机制和卖空禁令等等。人工智能系统没有遇到过这些情况，无法从历史数据中学习到相关模式；这时候如果让人工智能管理资产，就会有很大的风险。

　　此外，机器学习擅长发现数据间的相关性而非因果性。

　　很有名的一个例子是早在1990年，对冲基金First Quadrant发现孟加拉国生产的黄油，加上美国生产的奶酪以及孟加拉国羊的数量与标准普尔500指数自1983年开始的10年时间内均具有99%以上的统计相关性，1993年之后，这种关系莫名其妙的消失了。这就是由于自学习的机器无法区分虚假的相关性所导致的，这时候就需要专家设置的知识库（规则）来避免这种虚假相关性的发生。

　　知识图谱本质上是语义网络，是一种基于图的数据结构。根据专家设计的规则与不同种类的实体连接所组成的关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。

　　就金融领域来说，规则可以是专家对行业的理解，投资的逻辑，风控的把握，关系可以是企业的上下游、合作、竞争对手、子母公司、投资、对标等关系，可以是高管与企业间的任职等关系，也可以是行业间的逻辑关系，实体则是投资机构、投资人、企业等等，把他们知识图谱表示出来，从而进行更深入的知识推理。

　　以投资关系为例，知识图谱可以将整个股权沿革串起来，方便地展示出哪些PE机构在哪一年进入，进入的价格是多少，是否有对赌条款，这些信息不仅可以判断该机构进入当时的估值，公司未来的发展情况，还可以看清PE机构的投资偏好，投资逻辑是如何变更发展的。

　　当前，知识图谱在工业界还没有形成大规模的应用。即便有部分企业试图往这个方向发展，但很多仍处于调研阶段。

　　我们认为这其中的难点在于如何与特定领域机构建立起一套合作方式，如何将合作变成一种可轻易编程的界面，让该领域专家可以通过系统以一种非常简单的方式进行行业逻辑的建模，而他的逻辑可以通过系统实时得到验证，使其进一步更新，只有通过专家与机器反反复复的迭代，形成闭环，才会服务好用户。

　　最早应用知识图谱在金融领域的Garlik就是这一代表。公司2005年成立于英国，核心成员来自南安普顿大学（University of Southampton，是语义网的核心研究机构之一），主要业务是在线个人信息监控。Garlik收集网络和社交媒体上的个人信息，当发生个人信息盗窃时会及时报警。Garlik总计融资2469千万美金后被美国的三大个人信用记录公司之一Experian收购，其技术被用于个人信用记录、信用盗窃的分析。Garlik的核心技术之一是大规模语义数据库，前后开源发布了3store，4store，5store等高性能数据库。

　　除此之外还有Dataminr，这家基于Twitter及其他公开信息的实时风险情报分析公司。致力于从数据爆炸的社交网络提取精简且价值的风险情报与挖掘关键信息，如舆情热点、金融相关的非交易信息、公共机构安全预警、企业安全等，并直接向客户推送。除此之外，Dataminr还加入早期预警系统，并实时推送警报。