雷鋒網2月27日報道，創新源于跨界融合。如今，人工智能已經不是科技公司創新創業的專屬武器。随着時代和社會科技基礎的進步，ai已經以雷霆萬鈞之勢從學術界潛入産業界的每一個角落，成為了傳統行業變革求新、提高效益的利器。而在可高度量化的金融投資領域，ai的介入誕生了新的産品——智能投顧。
然而，智能投顧隻是數字智能技術與金融行業結合的部分産物。當金融遇上ai，潛力并不止成為一個投資顧問。那麼，對比從古到今，國内到國外，不同的金融投資發展階段，ai都起到了怎樣的作用？當下ai在金融投資領域應用都有哪些優勢與不足？未來金融投資領域的各個分支方向可能會發展為什麼模樣？
本次雷鋒網ai金融評論欄目（公号：aijinrongpinglun）公開課ai金融專場之第二期，我們邀請到了财鲸智能投顧聯合創始人王蓁博士分享見解。對于每一個細分領域的應用實踐，王博士都從“案例與要點對比”、“中美對比”以及“未來發展模樣預測”三個層面展開講述。
嘉賓簡介：
王蓁博士是北京财鲸資訊技術有限公司聯合創始人，美國康奈爾大學博士、清華大學學士；特許金融分析師（cfa），金融風險管理師（frm），持有美國資産管理咨詢個人牌照；他曾就職于美國紐約華爾街的彭博總部，從事多資産投資組合的量化模組化和投資。王蓁博士曾應邀在中國科學院經濟學院mba班教授量化金融投資專題課，曾在清華大學、五道口金融學院、對外經貿大學等發表量化金融講座，熟悉美國金融市場和監管法律，擅長大資料統計研究和各類人工智能方法。
以下是本次公開課實錄，雷鋒網(公衆号：雷鋒網)做了不改變原意的編輯：
很高興今天能和大家一起聊一聊人工智能在金融投資領域方面的應用。近來金融科技這個詞非常火熱，也是雨後春筍般出現了很多非常優秀的創業公司，其中也不乏獨角獸公司。
我簡單的把金融科技分成了五大類：借貸、财富管理、個人投資、支付和保險，待會會具體到每一個細分領域分析。人工智能是怎麼對這些領域産生影響的呢？在我看來，人工智能的本質是一個分類器，尤其是機器學習，是以ai可以對人群對事物進行非常好的分類判斷。任何對機率有需求、需要進行分類判斷的事情都可以用到ai、機器學習來解決。
這裡我先稍微說明一下，因為我是做統計出身的，是以機器學習和人工智能這兩個詞對我來講是比較統一的，我是不會做任何區分，我說機器學習就是人工智能的意思。反之亦然。
言歸正傳，人工智能技術在金融投資領域的應用是全流程的：
前端用于服務客戶，在中台支援授信（申請貸款能否獲批，獲批金額是多少）、各類金融交易和金融分析中的決策；
背景用于風險防控和監督。
而人工智能的深度應用最終會改變金融現有格局，使得整個金融服務領域從前到後，從銀行、保險、理财、借貸、投資到日常生活的方方面面的金融需求都更加個性與智能化。
我準備從信貸、金融咨詢、金融安全、投資機會、監管合規、保險、智能投顧7個領域入手，簡單地說一些案例解讀人工智能是如何改變這些領域的，技術的具體應用，未來發展前景以及中美兩國的對比差異。最後我會重點介紹一下智能投顧，這也是我正努力研究的一件事，希望能給大家帶來參考和啟發。
首先我們看看人工智能在信貸中的作用。信貸是什麼，信貸就是你去銀行借錢，銀行批不批給你，批給你多少錢。是以信貸的核心是對借錢人的準确分類。什麼意思呢？我們要把有意願還錢的人和沒有意願還錢的人區分開，把有能力還錢的人和沒有能力還錢的人區分開，以及把能夠準時還錢和不能夠準時還錢的人區分開。
這隻是一個大體借錢流程，而實際的信貸辦理流程是比較複雜的（複雜流程圖見上），使用者送出申請，機構審批，審批通過再放款，然後是還款。人工智能可以參與每一個環節。就使用者送出申請來講，為了避免騙貸，放款機構需要利用人工智能技術去識别哪些人可能是使用虛假資料騙貸，以避免經濟損失的發生。在實際過程中，可以通過活動檢測，人臉識别，聲紋識别，指紋識别，還有光學識别等各種技術來驗證，驗證以下兩點：一是不是你本人在申請，有沒有人盜用了你的身份；第二，你申請身份是不是正确的，和你送出的材料是不是相符。是以身份的核實其實已經用到了非常多的機器學習技術。
另外，我們可以再舉個例子。p2p放貸機構的關鍵就是要控制自己的壞賬率，其實很多p2p是通過三五千人的地推人員去找尋找能夠可靠放貸的人群。但實際上，當我們真正應用人工智能技術的時候，我們是可以實作大資料的智能審批。我們可以通過大資料識别這個人的還款意願和能力以及是否能夠準時還款，進而給他合适的審批，并且根據他的相應經濟能力，給他一個比較合适的貸款書。
而且這個信審模型可以随着資料的回報而不斷進化，資料包括使用者是不是真的準時還了，使用者是不是真的全額還了，進而疊代模型讓機器不停地去學習，提高機器的性能。
舉幾個例子，第一個是專門做個人信用評價的公司credit
kama，可以為機構後續授信和貸款等消費提供風控依據。假設我是一家p2p公司，我在向某人放貸前想要了解這個人的信用風險怎麼樣，他會不會還我錢，那麼我就可以向credit
kama去咨詢這個人信用怎麼樣。
第二個公司lending club是國内所有p2p公司的鼻祖。其實 lending club
很多業務是做機構批發和機構銷售，但是也有一個專門提供個人借貸的撮合平台。我作為個人可以上 lending club
網站去釋出借錢資訊，如果有人願意借我，那麼我就能借到這筆錢。lending club
還可以幫助實作利率個性化，當我一開始去借的時候，利率可能比較高，但是我通過不斷的還款借錢再還款借錢這樣一個過程，lending
club的信審模型會提高對我的信用評價，進而定制一個更符合我的實際狀況的貸款利率。這樣的話我可能一開始承受20%-30的貸款率，但是我的還款記錄良好，貸款利率會變成8%—9%。在遼甯科大也有這樣一套完整的人工智能技術，能夠對每一個借款人作出評價，進而讓借款人獲得最适合他的貸款利率。
第三個公司capital
one，主要是為美國幾十萬家中小企業提供多樣化、個性化的金融服務。美國中小企業是很多的，中小企業是整個美國經濟的支柱，而這些中小企業有非常多的金融服務需求。有一個典型的案例就是，企業可能需要短期融資，全資訊化的 capital
one為中小企業服務時要求它們開放一部分内部資料給它，這樣的話才能為中小企業提供更好的服務——個性化利率。這背後有一個很有意思的故事，capital
one
擁有美國衆多小企業的内部資料，而它的相關員工可以看到這些資料。曾經有兩個中國員工利用這些内幕資料做了一個模型來預測其中上市公司的營收狀況，他們能在公司公布财報季報之前預測公司股票的漲跌，然後他們就購買大量的期權來炒。炒了還沒幾個月就賺了1900萬美元（如果我數字沒記錯的話），最後被美國證監會抓。不過這至少說明了一點：這些資料是真實有效的。
在國内信貸行業做得很好的公司是螞蟻金服，螞蟻金服直接相關的業務是網際網路小貸和征信。螞蟻小貸它背靠支付寶和阿裡，擁有非常多的資料，這是它不可比拟的優勢。
第一是中美兩國都有的問題，資料來源有限。我們希望擷取個人盡可能多的資訊，比如吃一頓飯用多少錢，若是金額很高總不至于是還不起錢； 第二是中國有資料互通障礙，比起平時生活中的資料比如房産、儲蓄，更直接的資料是借貸資料。但是問題是這些資料歸央媽自有，不可能提供給國内公司。而美國的資料很多是共享的，比如說美國三大評級公司之間有約定可以互相共享任何一家評級公司收集到的資料，但在國内是沒有這種資料互通的管道，短期也是不可能的，你能想象支付寶把它的資料分享給騰訊，微信把微信消費資料分享給阿裡嗎？不過我們還是很盼望這天的到來，因為這樣我們才可以享受到更加個性化的低利率。 第三是中國缺乏一個完整的信用評價體系。如果你在美國欠了醫院錢不還，醫院可以申報記錄到你的信用記錄中去。而在國内其實沒有這麼完善，不過國内已經開始做這個事情，比如火車購票已經加入了類似“失信人系統”的東西。 最後一點，國内信用記錄的覆寫人群是有限的，你必須在國家指定的銀行中有過貸款行為才會有信用記錄，而作為剛畢業的大學生他可能還沒有來得及買房買車，他的消費記錄很有限……這整個來說是有問題的。
在美國信貸公司，無論模型多麼複雜，fico分數依然是決定貸款利率非常重要的組成部分，單因素比重很大； 可以提高模型對非結構化資料的分析，例如社交網絡上的資料。 随着時間發展和資料積累，借貸會在幾個方面做得更好：利率和授信額度的個性化；從被動接受貸款請求，到ai預判需求，主動提供個人貸款和企業融資服務
再說一下人工智能在金融資訊當中的作用。第一個典型應用是金融客服。人工智能技術引入專家系統，将80%使用者的常見問題進行學習，隻需要很少的客服人員就可以通過人工智能識别客戶的問題，提供相應的候選解答和金融知識，極大提高效率。另一個是應用于金融研究：搜尋引擎基于知識圖譜上已有的資料關聯，實作聯想和屬性查找，進而減少資訊中的噪聲，呈現更準确和更有價值的資訊。
案例與要點對比
一個例子是bloomberg，該公司使用人工智能技術或者機器學習的技術能夠智能地分析使用者的問答。它有一個類似于qq的視窗，你可以問出你的問題，如果ai非常确定（95%）能回答你的問題，它會自動作答。它的模式類似于微軟小冰或者是siri，但是金融的問題比較複雜，若這個機器判斷自己的回答隻有70%的正确性，它會給客服直接呈現出使用者的問題的可能答案（abc……），客服隻需要做很快速的判斷哪個是正确的答案，選擇後點選就可以直接發送過去了。這樣縮短勒服務流程并且提高了效率，可能從前的服務平均時間是40分鐘，那麼可以縮短隻需要4分鐘，甚至更短的時間。
另外一個例子是叫kensho，号稱是金融領域的google，能夠自動抓取相關财經新聞，并進行結果彙總，極大提高金融研究的效率。比如行業分析師他可能花了3天分析東西，其中兩天半都是在搜集相關的資料，最後的半天在進行彙總和分析。kensho就可以幫你節約前兩天半的時間。你可以輸入一個具體的詢問，比如說你可能想知道蘋果手機釋出會前三周的某一周亞馬遜的股價會怎麼變化。你可以問它這樣一句話，它會自己抓取相關的新聞和相關的資料，然後計算并告訴你一個結果。
國内就是萬得資訊，萬得号稱是國内的bloomberg，提供比較全面的國内市場資料，尤其是很多需要大量人力敲門才能擷取的資料。國内資料他們是翹楚，但是就是一個典型的資料終端，它并沒有做進一步的加工分析。
中美之間的差距還是非常明顯的。前面美國的兩個例子其實已經實作了很多機器學習方面的智能應用，而國内的萬得隻是一個資料終端。不過另外一個換個角度來講，就是我們還有很大進步空間嘛。
未來會有更多資料的積累，更加完善的系統，進而實作更精準的查找，更智能的自動分析，更及時地響應使用者的需求。
結合智能投顧，推薦投資方案 如：提問“原油價格暴漲”，從新聞opec會議減産，到能源價格到其他行業的傳導，到對市場的可能影響，到對這些可能的影響結果使用。曆史資料進行回測，再進一步篩選出相關的投資标的，評價投資價值，最後給出推薦投資方案 金融百科全書資料庫，全方面覆寫金融領域從市場、研究、交易、社交、生活、甚至是二手買賣和快遞外賣的功能。國内這方面做得還是相對比較有限，是以說進步空間也很大。
人工智能在安全當中的應用與前兩項是一脈相承的。使用ai來識别和判斷每一筆支付交易，對其分類和标記；人工智可以識别出的支付欺詐，并且收集客戶回報不斷疊代改進更加精确。金融安全舉個例子比如說刷信用卡，信用卡有可能會被盜刷。那麼人工智能就可以用來判斷到底是真的消費記錄還是一個欺詐的消費。
一個創業公司叫stripe，類似支付寶，使用ai來識别和判斷每一筆支付交易，對其分類和标記，對人工智能識别出的支付欺詐（比如盜刷信用卡）。并且不斷的學習，能夠達到很高的準确度。
而國内這方面就是支付寶，支付寶有一個證件校驗，花呗與微貸業務使用機器學習把虛假交易率降低了近10倍。ocr系統是為了支付寶的證件稽核開發的，它使證件校核時間從1天縮小到1秒，同時提升了30％的通過率。以前是靠人識别，可能會誤判，比如人識别是50%的識别率，那麼機器他現在比如說做80%的識别率，這是非常了不得的。
國内還有一家做照片比對的face++，我強調一下他們是做照片的比對。相對于照片識别來說，比對是一件比較容易的事情，最起碼現在是這樣。人工智能在照片比對方面比人更優秀，能夠有更好的識别率，或者準确率。比對原理就是抽取兩張照片其中的特征，每個照片各有一套特征，然後進行兩套特征的比對，然後算出其中的相符機率。一個簡單的例子，最強大腦裡的曠世神人水哥都戰勝不了人工智能小度。
在身份驗證方面，國内優秀企業已不輸甚至領先于美國。原因有兩點，一是得益于中國龐大的人口，消費資料大，測試的樣本數多，收到回報數越多；二其實是對個人隐私保護的匮乏，在美國這個事情很難做，因為你一旦遭遇盜刷或者有問題的話，美國的信用卡公司或者是銀行是要給你全額賠付的，個人是不用承擔任何責任，而國内不是這樣，很多時候隻能自認倒黴。以上兩點是非常具有中國特色的原因，這兩個原因對于金融安全機器學習來說是一個好事。
但在支付安全方面，美國比國内做得好，這主要源于美國在支付安全方面的持續投入。一旦出現問題了，它要全額賠付。是以說不得不花很多的錢去做這個事情來降低自己的損失。國内是沒有這個動力。
接下來我想說一下人工智能在監管合規當中的應用，其中一個典型是反洗錢。反洗錢是好事，也是壞事。好事就是遏制貪官污吏洗白，洗錢的成本大概是17%到20%+。那麼反洗錢的壞處是什麼呢？反洗錢的壞處就是快捷的手機支付可能不再如此友善快捷。
我們現在之是以有這麼友善快捷的微信支付和支付寶，本質上就是我國沒有反洗錢的相應機制，一旦反洗錢的機制像美國那樣設立起來，就不會那麼快捷了。它跟篩選垃圾郵件很像，需要判斷這是不是一筆有洗錢嫌疑的資金交易。說到底還是一個分類問題，是以說反洗錢是非常适合機器學習的，今天是用人工通過一些固定規則把它抓出來，但是這個規則也許本身是可變的。用機器學習，通過輸送大量的資訊，它就可以自動抓到。未來，ai在監管合規方面有很大的發展可能。
在美國有個非常有意思的公司，叫palantir。palantir是一家大資料公司，就是做各種分類分析，包括金融的反洗錢、軍事等各種實際的應用；他的客戶包括了美國的中情局fbi。palantir已被證明的功績包括，幫助美國證券投資者保護公司（sipc）發現了納斯達克前主席麥道夫（bernie
madoff）的龐氏騙局（ponzi
scheme）。還有另外一個沒有被官方證明的，但是大家一直在說的功績就是，本拉登藏身地點是palantir協助美國軍方找到的。
國内的反洗錢這一塊剛剛起步。國内監管目前基本靠人，差距明顯。部分原因可歸結于體制因素，缺乏動力。
第五部分是人工智能在保險當中的應用——個性化保費，但據我所知，現在還沒有這種商業化的個性化保險公司。
案例要點對比
有一家公司叫insurify，它是做人工智能來識别車的保險。我隻需要對着我的汽車車牌拍照片，上傳這張照片，它就可以自動識别你的車的相關所有資訊，它可以收集你以前出沒出過車禍，有沒有違章記錄。然後你現在的這個保險資訊是什麼樣的，并且它連通了82家相應的保險提供商，他會作為保險的代理人幫你去設計個性化保險。根據你的駕駛記錄或者根據年齡。
還有一家美國公司叫23andme.com，你隻需要花99美元，根據遺傳資訊檢測，可以提供低廉的（99美元）的個人未來健康預期的可能風險和可能會得的高風險的疾病，這個理論上是可以結合到個性化保費中，雖然倫理上是一個問題。保險是對于投保人的真實情況不十厘清楚，用一個大量的一個樣本，然後來平攤風險，而當保險公司結合這種遺傳資訊，能夠比較精準的識别，如果知道投保人未來可能要得唐氏綜合症，就會有一個歧視區分的保費，是以說，這在倫理上可能會出現問題。
美國剛剛起步，但中美都是最最早期階段。
車險等其他事物性保險，未來會自動出具最優方案；比如說你的車險到底貴不貴，可以通過識别很多資訊，現在隻是給你做了車險的報價，但是未來可以更精确化報價，這是怎麼做到呢？根據你的年齡、你的平常的習慣（或許你是一個喜歡飙機車的人，那麼就會把你的汽車保費提高），搜集你其他相關的資料，來做更個性化的保費。 然而具體到疾病險，其實主要是倫理和法律問題，而不是一個技術問題。
傳統的投資盡調工作全部由人工來完成，每個盡調人員通過閱讀大量的資料資訊，沉澱并過濾出相應的關鍵資訊形成投資調研報告。
應用人工智能的技術可以将投資盡調的網絡爬蟲抓取資訊、利用自然語言分析引擎進行分詞、資料降維(合并同類項)&提取詞之間的相關性、建構知識圖譜、提取出有價值的資訊、分析判斷文章正向/負向、進行趨勢分析、提供分析報告等工作整合在一起，提高盡調工作的效率與準确性。
日本三菱ufj摩根士丹利證券資深股票政策師發明預測日本股市走向的機器，四年測試模型正确率為68%。
09年成立的對沖基金cerebellum旗下管理着資産為900億美元，一直使用ai進行輔助交易預測，并且自2009年以來每年均是盈利。
j&j宣布以300億美元收購瑞士醫藥公司actelion，以j&j在海外存放的現金支付，三大基金在收購前幾個月多次發現強生高管出入瑞士機場，便猜測是要收購那家公司于是賭了一把，在消息公布前分別入貨，大賺一筆。
然後國内例子是用人工智能去做高頻量化基金。
在這個領域，中美對比相差很遠，主要原因有五點：
可投資産種類少，衍生物等。美國有豐富的衍生物，而中國其實大家就炒炒個股，可能還有漲跌停闆的限制。 可投機會/投資方式少，很難對沖。 可投市場少，國内市場準入門檻高，有的好市場普通投資者，甚至私募和大多數公募基金都無法參與，隻有極少數“特殊資質”國有機構才可以。 風險集中，外彙管制。例如國内投資者隻能囿于國内投資，美國和日本可以把資産完全分散到海外了分散到全球。美國和日本分别有20%~25%的可投資金投資在本國境外，而中國大概有1%，由中國國家主權基金比如說工行代表着我們這些韭菜投出去的。 政策變化快，模型壽命短。就是我們所有的機器學習模型，其實本質上都是要對資料進行判斷，它需要在一定特定的環境下進行，而中國的政策整個大環境變化可能會比較快。萬一一行三會合并了，那是不是政策又會出現新的政策呢？那會導緻我們的模型失效，是以我們不停地要疊代模型。
雖然中美有很大的差距，但是實事求是來說，中國股票市場大概花了二十年的時間大概走完了美國大概多于一百年的時間，我們的效率還是很高的。
我們現在大踏步的後腿，實質上是大踏步的前進。
最後我想說一下人工智能在智能投顧當中的應用。傳統的理财由使用者自主選擇，無論是基金、債券、信托均基于使用者自己的風險偏好水準以及自己判斷，理财效果因人而宜；引入人工智能後，系統可以評測使用者的風險偏好，推薦相應資産組合，一鍵下單完成交易；後期不斷檢測資産表現情況，必要時進行風險提示以及調倉推薦。對使用者而言，選擇了專家系統來作為理财顧問可以很好地控制理财風險，保證資金收益，一鍵式的操作也非常有利于使用者體驗。這也是目前所謂的“智能投顧”或者“量化投資”的模式。
實質上，智能投顧是把私人銀行的背景服務線上化，讓大家可以低成本使用。而智能投顧公司，其實是搞算法或數學模型的公司。機器人背後是複雜的數學模型，通過機器人投顧讓投資更簡單、便捷和穩健。不過，機器人投顧不可能保證100%賺錢，隻能盡量做到幫散戶控制好風險，盡量提升使用者長期盈利的機率。
這裡再教大家如何評價一個智能投顧公司靠不靠譜，那就是要看真正做政策的人，如果這個人統計、模組化、研究能力不夠強，大家就要小心了。
國情不同，美國沒有動力更進一步，但中國需要更先進更好的智能投顧。要提一下的是定投。一般教科書會告訴你，定投3個月、半年的效益，但要是看一個5年的周期，你就會發現，定投和平均購買沒有任何差別。也就是說，定投是一個無效的東西。
而更好的、更适合中國市場的智能投顧是指什麼：
多類資産，甚至是跨大類資産。 主動+被動式投資：alpha + smart beta + market beta。 多種投資周期：長短結合和選擇。 個性化的投資顧問：個性化風險，智能配置，主動式投後管理和調倉。 多樣性的投資手段：美國永遠全倉，我們可以滿倉，半倉，空倉和部分市場的對沖。
美國的智能投顧實際上有政策催化，美國有一個養老金入市制度，例如“401k計劃”，企業為員工設立專門的401k賬戶，同時企業向員工提供數種不同的證券組合投資計劃，如股票、共同基金、國債和公開市場票據等等。美國政府給予一定的稅收優惠，也鼓勵人們存錢（主要原因是美國的人均儲蓄率是-2%），但一個問題就是你必須在退休後才能取出來錢，提前取出來的話要受到額外10%的懲罰，是以一般人是不會取出來的。事實确實證明過去100年美國股市一直保持上漲。普通人其實就可以放進去，不需要操心太多事情，但這是美國的國情。
中國是不行的，為什麼呢？中國沒有這種強制養老金，而且中國的社保實際上虧空的，中國最大的龐氏騙局之一就是社保。有很多思想覺悟不行的人不交社保，這樣龐氏騙局是沒有能力維持下去的，人人都要都有當韭菜的覺悟。情況不一樣，是以對智能投顧的性能要求不一樣，美國的智能投顧就可以非常簡單。而中國的投顧就因為要求比較苛刻，它需要有更先進的技術。
在多類資産、跨大類資産方面，因為美國的特殊情況，他們隻需要配置被動的etf，被動的随着市場往上走就好了。但在中國市場，你要是敢這麼配，被動式的你10年後面對的結果就是錢一分沒有增加，同時因為通貨膨脹，房價上漲，你的錢可能縮水到原來的1/4。是以說這個是我們要跨大類進行配置的原因。
這方面第二點是主動加被動，我們不但需要有一個市場的貝塔，我們還需要一個行業或者細分的貝塔，或者叫聰明的貝塔。還要盡量在這兩個基礎上能夠做到更好，能夠在此基礎上加一個阿爾法。
美國的養老金計劃是一個非常長期投資，可能是10、20、30年的長期投資，但中國的韭菜是不可能投資30年的。是以在中國就要考慮到給使用者三種選擇：短周期的選擇、中周期的選擇和長周期的選擇。這其實是一個很難解決的問題，因為長期來看收益會比較穩定，長期會熨平波動，而短期波動會比較大，是以說越短越難做。
另外智能投顧還都需要個性化，風險個性化、投資周期個性化，這也為投資之後的管理和調倉增加了極大的難度。
還有一個差異就是美國永遠都是百分之百全倉殺入，這如果在中國那不就是瘋子嗎？是以我們希望能夠做到控制倉位，可以滿倉，半倉，空倉和部分市場的對沖。
财鲸深海智能系統，大體的流程就是從大類資産配置到篩選出來相應比較優質的公募基金，公募基金篩選出來之後，把這個公募基金進行成本效益最優的比對。然後其中用到了很多自然語言處理、疊代神經網絡，改進遺傳算法，本質上我們用到了大量的無監督學習技術，會有一個真正交易後的實時監測、調倉。
經典的馬克維茨理論或者現代資産組合理論在中國市場上應該是不可行的，存在明顯缺陷，而機器學習輔助之下模型可得到一定優化：
傳統模型結果不穩定，其資料利用其實是很有限的，并且對市場顯得非常緩慢，而且對風險沒有什麼抵抗力。具體來說，mvo優化模型假設所有輸入都是100%确定，而資産預期收益等特性存在廣泛不确定性，資産資料輕微擾動變化，會得到完全不同的配置結果。 mpt投資周期過長: 一般适用于較長投資周期（如美國養老投資），但國人投資周期普遍較短。 投資風格單一，缺乏現金和非标資産管理，傳統馬克維茨模型無法對現金進行有效管理，且不包含非标資産。傳統馬克維茨理論，其實不能管現金，它必須全倉殺入。為什麼呢？因為它無法加入其他的資産，就是不同于被動投資的其他類資産；它也無法加入很多主動型的基金，它更無法加入非标準的投資，你更不要提把我的房子、車子、p2p加進去了，而且它隻能全倉做多。 資料次元利用有限，僅使用曆史資料，但曆史不代表未來表現。 市場響應緩慢，常見資産模型缺乏監控子產品，無法對市場進行實時評估和響應。 風險抵抗能力有限，無對沖方案。
而采用機器學習技術之下，使用穩定的一階統計量配置資産，使用二階統計量，融合機構調研成果，監控預測市場變化。
這塊澄清一下——我們做不到在市場崩盤前提前預知，但是我們可以盡量做到市場崩盤後，或者剛剛開始崩盤的時候，立刻撤出來。
看一些有意思的結果吧。左邊表格是我們做的統計，結果是國内公募基金的投資風格實際上和申報的不服。我們國家有的申報的公募基金，比如這5種，總的比例是百分之百，然後把這5種簡單分成3類，第一類是實際上是股票型的基金，第二類實際是債券型基金，第三類是實際是貨币基金的。我們可以看到，号稱自己是貨币基金的基金，真的全部都是貨币基金；但是号稱自己是債券基金的，可以看到，每4個号稱自己是債券基金的基金，實際上都有一個投資是股市，都是挂羊頭賣狗肉。甚至，我們在實際研究中發現有的公募基金，自己号稱是做醫藥闆塊，但80%的倉位是軍工。
這種現象在國内也屬于中國特色，那這就造成了很大的問題。如果直接用這些基金的申報風格去做資産配置，那麼得到的一定是錯誤的結果。每4個債券型基金，就有一個債券型基金，實際上投資是股市。我投資了一個債券，一個股，我是不是分散了？實際上投資兩個股票，比如2015年大跌的時候，那你就虧了。
基于貝葉斯機率圖論的多因子模型，確定資産分布穩定
現在可以進行資産配置了，真正做模型其實有很多前提假設，無論是它的淨值還是因子，我們需要去檢驗這些假設是否符合。
舉個例子，左邊這幅黑白圖，我們可以看到每一個因子的分布都是奇形怪狀的，實際上奇形怪狀是不符合我們的假設的，是以說我們需要去修正關鍵詞去做模拟。于是我們用機器學習技術去學習每個使用者他實際的分布，糾正這種假設，然後再動态模拟出他是什麼樣子，就是右邊這幅紅的圖。之是以右邊一行一列，看起來像梳子一樣，那是因為其中有一個因子變量，它的取值是離散型的。
現在終于可以進行計算了。這個圖比較複雜，藍色代表着它的權重低，紅色代表的權重高。左邊的紅黃是用來配置資産，右邊的這個藍紅是用來監控市場，進而實作及時調倉和市場，大概要算很久，其實是若幹個分類，中間的白線是整個上證基金指數的走勢。從2015年初到2016年一個走勢是大起大落，像底下的債券型就是用機器學習出來的結果。
智能化組合監控及調倉
縱坐标是風險等級，橫坐标是時間點。每一個點代表了這個風險等級下的一個調倉動作，點的大小代表調倉比例大小。不同的風險等級機器會做出不同的判斷。其中風險等級最低的1幾乎不需要調倉，就算調倉，幅度都很小。因為風險已經最小，你沒有必要去調整。
但是當風險的提高時，調倉頻率在增加，就是每一個橫行的點的密度在增加，同時點的大小可能也在增加，調倉的頻率和幅度都在增加。
很有意思的結論是，把10和8相比的話，10的調倉頻率反而要小于8，而且調倉幅度要小。我們後來看實際的資料，風險為8的時候，其實一般會配7到9隻公募基金，10的時候可能隻會配5到7隻公募基金。這是因為當風險達到最高的時候，我們的機器就認為最好的方式就是賭，幹脆聚焦在一些少量的選擇上。
智能投顧是行業大勢，十年前中國式無财可管，中産階級的興起，現在财富管理是剛需；而智能投顧解決了門檻問題，你不需要有1000萬2000萬去私行，而你隻需要可能20萬就可以做一個智能頭部的一個完整的一個理财。 區域發展階段肯定是從國内發展到全球，這是所有國家的發展路線。 過程發展階段：通道-> 券商-> 産品 -> 财富管理（智能投顧） 從一個通道（因為涉及到外彙管制的問題），然後到券商讓大家炒，等大家炒虧的人多起來的時候，就會有人不想炒股想買好産品，再到産品出現資産荒，資産荒之後才能實作一個真正的财富管理。
在國内的問題，這些也是b端機構落地的考慮：
專業性非常高，門檻在裡面，做好很不容易。
b端機構要意識到中美國情不同導緻的智能投顧不同：美國養老金制度哺育了美國的智能投顧，而中國不同，投資周期不同；此外美國儲蓄率低，定投有效，中國長期定投無效。
中國投資者教育比較落後，中長期投資在中國沒有市場，很多人追漲殺跌，注重短期收益。
信任感問題，面對面的個人理财顧問取信度會比較高，而機器沒有這種先天優勢。
合格理财顧問的培養比較困難，中國國内的理财顧問大多數都是銷售，如果在私人銀行培養一位合格的理财顧問可能需要5到7年，這在國内幾乎是沒有的。
如何獲得投資者财務狀況全貌，包括房産、車、儲蓄、信用賬戶等。
意識到智能投顧的目前的局限性。
kensho
創始人 daniel nadler
說過一句話：“我們正在以破壞大量相對高薪工作為代價來創造極少數的更高薪工作。”應用人工智能對各行各業的影響已經開始顯現。其中，對金融的影響隻是其替代人類腦力勞動的一個代表：從替代簡單重複性腦力勞動，比如大量手動交易執行到自動化交易執行；到資訊收集和初步分析，比如資料統計，智能金融客服；再到各種投資預判和決策，比如上面提到的智能投顧。
目前我們的科技還停留在弱人工智能階段。從技術角度看，人工智能的各個細分領域尚面臨着各自的技術桎梏；從市場應用來說，缺乏席卷使用者的現象級産品。而當我們突破這個瓶頸的時候，我們就會迎來人工智能的下一個春天。
以下是公開課視訊：