0
| 本文作者： 陳伊莉 | 2017-05-26 20:48 |
雷鋒網(wǎng)按：此文授權轉載自公眾號浩哥說，作者是松禾遠望基金合伙人田鴻飛。
波士頓是美國資管行業(yè)的重鎮(zhèn)。2016年我在波士頓和做基金管理的校友交流中發(fā)現(xiàn)，受到金融科技發(fā)展的影響，他們對未來有些悲觀，認為飯碗在未來某一天也許就沒了。很多在銀行工作的朋友同樣焦慮。
我的觀點，大量易標準化、重復性、沒技術含量、不具獨創(chuàng)性的工作肯定會被裁掉。從基金行業(yè)來說，首先后臺最容易被替代，因為都是成本。清算、交收、估值類工作，以前需要多人忙碌，現(xiàn)在很容易被一套軟件系統(tǒng)就替代了，都用不上人工智能，而且準確性更高。
目前還有公司在開發(fā)銀行間的區(qū)塊鏈對賬系統(tǒng)，以后也不用每天晚上人工互檢對賬了。因為區(qū)塊鏈本身是一個瞬間同步的賬目，每個人的賬本會實時共享，同時又能做到安全透明、不可篡改，所以這些后臺工作會最先被替代。
再說前臺，智能投顧的自動化交易未來會讓大多數(shù)交易員變得毫無價值。以量化投資來說，未來做多因子模型的投資經(jīng)理就很容易被干掉。因為由AI來做優(yōu)化，絕對比人做優(yōu)化要強很多。對于前臺的其他工作，現(xiàn)在已經(jīng)出現(xiàn)了機器人客服，像信息簡報、研究報告類也都可以由人工智能自動摘取生成（當然我認為獨創(chuàng)性研究是很難被替代的）。
但國內的二級市場與國外有很多不同，很多散戶需要心靈按摩。這些情感交流的工作是否就不會被取代呢？我覺得也不一定。因為現(xiàn)在00后一代，他們在行為習慣上，其實更愿意和機器人打交道，而不是和人打交道。這正是2015年BlackRock收購Future Advisor的重要原因，他們發(fā)現(xiàn)年輕人更需要便利、低門檻和互聯(lián)網(wǎng)化的理財方式。
拿保險舉個例子。賣保險顯然要比賣理財更需要情感溝通，但智能保顧也正在興起。所以對于資管而言，我認為情感因素并沒那么重要，未來會有越來越多的人喜歡并習慣面對機器。
我們看過很多Fintech領域的創(chuàng)業(yè)項目，發(fā)現(xiàn)一個有趣的現(xiàn)象，那就是互聯(lián)網(wǎng)出身的人和有銀行從業(yè)背景的人，往那兒一坐風格會涇渭分明。互聯(lián)網(wǎng)人盯的就是KPI和增長，對風控、對法規(guī)毫無概念；金融行業(yè)出身的人主要談的就是風險控制，要規(guī)范企業(yè)的發(fā)展。
從去年開始互聯(lián)網(wǎng)金融發(fā)展的風向發(fā)生了巨變，以往野蠻生長的環(huán)境不復存在。美國貨幣監(jiān)理署(OCC)正在考慮給Fintech公司發(fā)全國性銀行牌照，國內也大幅加強了合規(guī)的嚴格管理。這些變化，都促使互聯(lián)網(wǎng)金融開始向更注重規(guī)范、更注重風控的傳統(tǒng)金融背景人士傾斜。
還有非常重要的一點是，作為傳統(tǒng)金融行業(yè)的人，他們坐擁非常多的資源，當意識到互聯(lián)網(wǎng)金融的風向時，轉舵起來還是很容易的。正如一個在銀行的朋友介紹，自銀行推出現(xiàn)金貸業(yè)務后，僅用幾個月時間，就快速超過了互聯(lián)網(wǎng)人已用兩三年發(fā)展起來的規(guī)模。
在美國也是如此，一旦具備傳統(tǒng)投資優(yōu)勢的金融機構進入智能投顧領域，同樣會迅速搶占市場份額。正如Vanguard和Charles Schwab自2015年推出智能投顧產(chǎn)品后，相對應的資產(chǎn)管理規(guī)模（AUM）已遙遙超越了Betterment和Wealthfront。
英國的《經(jīng)濟學人》雜志在年初的一篇文章中提到，正是得益先進的技術、落后的銀行體系和爆發(fā)式的財富增長，讓中國成為了全球金融科技的領導者。去年10月我參加了著名的Money20/20大會，對此感受頗深，現(xiàn)場幾乎2/3的廣告牌都是中國企業(yè)。這些國內的Fintech企業(yè)，不論在模式創(chuàng)新還是技術創(chuàng)新上，都已遠遠超過了美國。
中國為什么比美國更適合發(fā)展Fintech？我的看法是：
國內對金融科技的監(jiān)管環(huán)境還是很寬松的，至少前幾年非常寬松。在美國的Fintech企業(yè)，絕不敢像國內這么“膽大妄為”；
國內即使有人冒進違規(guī)了，處罰起來并不嚴厲，犯錯成本較低；
國內還沒有成熟的隱私保護法，數(shù)據(jù)的可獲得性很高，各種來源的數(shù)據(jù)都使用；
中國沒有美國那么多年的積累，也就沒有牽絆。上來就可以用最好的技術、最簡單的方法直達目的。
過去我們學習金融時，知道平均成本法(Dollar Cost Averaging)，也就是要養(yǎng)成固定去投資的習慣，投資收益是最高的。這是一個基礎理論，但大家平時生活中很難做到這么有紀律性，尤其對于剛入職場的小白而言。
現(xiàn)在美國銀行和智能投顧公司最讓人羨慕的是完全能做到自動理財。一般美國都是雙周發(fā)薪，通過direct deposit功能，工資直接進入銀行賬戶。銀行完成扣款后，會自動劃分到智能投顧公司的賬戶。由投顧公司做一個再平衡，就幫用戶理財投資了。對用戶來言，每月只需留一些錢還信用卡就行了。智能投顧在切實解決用戶體驗問題后，讓用戶量和AUM資產(chǎn)管理規(guī)模上來的特別快。
不過現(xiàn)下智能投顧在美國的發(fā)展仍處于瓶頸之中。主要是行業(yè)領頭羊Betterment、Wealthfront處于了一個停滯期。很多潛在投資者對他們的擔心是，Robot-advisors這件事，并未改變背后的商業(yè)邏輯，也就是配置資產(chǎn)和金融服務的屬性沒變。但相比于傳統(tǒng)機構，他們投入市場和運營的花費卻很大，這是典型的互聯(lián)網(wǎng)人發(fā)展模式，先砸錢把用戶量做起來。但這也讓吸收資金的成本變得非常高。那你的競爭優(yōu)勢到底是什么？估值還這么高，是不是市場吹起的泡泡？這遭遇了很多投資者的懷疑。
相比同樣采用計算機與數(shù)學模型做投資決策的量化投資，智能投顧最顯著的區(qū)別是什么？簡單來說一個是自動根據(jù)市場變化做決策，一個還得靠人來調策略。后者說的正是量化投資，一般是先找出一個模型策略，這個策略不會自動變化。所以一旦當市場環(huán)境變化的時候，這個量化策略就失效了，必須由投資經(jīng)理根據(jù)市場情況來調整策略。
對于應用機器學習的智能投顧，則會根據(jù)市場的變化不斷的產(chǎn)生新策略，也就是應對瞬息萬變的市場變化，一切都是在后臺自動完成的，并不需要人工干預。因為機器學習有回饋循環(huán)(Feedback Loop)，從市場-策略-結果再到市場的不斷反復循環(huán)，會自動根據(jù)資產(chǎn)的價格、風險的變動不斷調整。
相比量化或人工投資，人工智能處理信息還有一個最大優(yōu)勢，那就是可以把自有證券市場以來的全部數(shù)據(jù)都錄入做分析。特別現(xiàn)在有了GPU、TPU等專門的處理器，依靠強大的運算能力，可以瞬間得到想要的相關性分析，這滿足了金融領域對數(shù)據(jù)的實時性要求。
剛才談到利用機器學習和深度學習的方法，智能投顧可以把價格變動的趨勢和模式找出來，做到快速反應、快速交易。相信很多人一定好奇，智能投顧相對于量化投資的業(yè)績到底如何。
我們知道最近幾年，面對國際金融市場的大幅波動，量化投資的業(yè)績是遠遠好于很多主動型管理基金。在今年3月傳出的BlackRock重組計劃中，就裁掉了很多主動型基金部門的員工，將很大一部分的資產(chǎn)將轉化為量化管理產(chǎn)品。
而根據(jù)對沖數(shù)據(jù)服務公司Eurekahedge的AI／機器學習對沖基金指數(shù)顯示，自從2010年以后，其中23支應用智能投顧的對沖基金，在業(yè)績表現(xiàn)方面是要優(yōu)于量化對沖基金的（如下圖）。
我經(jīng)常開玩笑說，人工智能技術的發(fā)展有些復古。因為現(xiàn)在深度學習依托的神經(jīng)網(wǎng)絡系統(tǒng)理論，最早可以追溯到上世紀40、50年代，只不過到現(xiàn)在發(fā)展為了多層神經(jīng)網(wǎng)絡技術。從最早的LISP語言、專家系統(tǒng)到神經(jīng)網(wǎng)絡和機器學習，人工智能過去幾十年的發(fā)展一直都非常低迷。這讓李開復老師那一代從業(yè)者很是受傷，因為把事業(yè)放在上面20年沒有進展。那為什么來到今天就突破了呢？
一方面是已提到的多層神經(jīng)網(wǎng)絡（MLP)取得了小突破，特別其中深度學習（Deep Learning）的出現(xiàn)，應用更多層網(wǎng)路，能學習更抽象理念，并融入自我學習中，加速收斂。以前努力了半天，識別能力只能提升百分之幾，現(xiàn)在一下提升了百分之二十幾，這讓AI取得了突破式發(fā)展。從智能投顧角度，深度學習既然極大提高了圖像識別精度，同理也可以提高識別股票價格變化的模式，雖然這并不意味可以準確預測股價。
另外更關鍵的，我認為是數(shù)據(jù)量的豐富。2010年我回硅谷時，第一次聽谷歌的朋友說他們的AI取得突破，能在YouTube上把貓給認出來了。很重要的原因是在YouTube上有了大量的視頻和圖片數(shù)據(jù)之后。對此我認為，人工智能發(fā)展起來的關鍵是有了大量的數(shù)據(jù)，算法提升其實是很有限的。甚至可以說人工智能發(fā)展80%歸于數(shù)據(jù)的豐富，可能只有20%歸于算法的提升。特別在金融行業(yè)，數(shù)據(jù)都是非常容易標簽化的，完美性這么好，所以人工智能最先顛覆的就是金融領域。
對于深度學習而言，人才分幾個檔次。第一級是開宗立派的人物，也就是發(fā)明CNN(卷積神經(jīng)網(wǎng)絡)、DNN(深度神經(jīng)網(wǎng)絡)、RNN(循環(huán)神經(jīng)網(wǎng)絡)這些流派的宗師級人物。還有一類人才，是真正能夠把參數(shù)調好的人，也非常稀缺。比如對于多層神經(jīng)網(wǎng)絡，是設置10層、5層還是7層效果最好？每層都有很多參數(shù)。還有給入多大的數(shù)據(jù)量才會產(chǎn)生理想結果？因為到一定程度，你會發(fā)現(xiàn)輸入越多數(shù)量，結果反而可能會變壞。
這是一個經(jīng)驗值，甚至沒有規(guī)律，所以業(yè)內開玩笑叫做煉金術。把一堆東西放一起，不知好壞，天天試，跟做化學實驗室一樣，還沒有固定的化學方程式。大部分在美國讀PhD的中國留學生是負責調參數(shù)的。但調參數(shù)能調好的人，在AI界也算是鳳毛麟角，一年的package下來也有100~200萬美金。要知道不僅在中國，在全球，人工智能創(chuàng)業(yè)公司最大的挑戰(zhàn)都不是錢，而是雇不到人。
但這里就產(chǎn)生了一個問題。比如輸入大量數(shù)據(jù)后，經(jīng)過10層神經(jīng)網(wǎng)絡篩選得出一個結論，可你是沒法回溯怎么得出這個結論的。所以深度學習最大的問題是黑箱。如果想避免一個錯誤，要修改參數(shù)，那所有訓練又得重新來一遍。正因為這個問題，自動駕駛一旦出現(xiàn)車禍，很難向美國交通局去解釋。在美國發(fā)信用卡的領域也存在一樣的問題。拒絕給一個客戶發(fā)信用卡，你得告知是基于什么規(guī)則，不然人家可能會告你，但深度學習沒辦法解釋這件事。所以最近的一些算法已經(jīng)做出了一些優(yōu)化。
很多人說中國資產(chǎn)類型太單一，ETF數(shù)量不夠，很難滿足智能投顧的資產(chǎn)配置需求。我們之前看了有20多家智能投顧公司，實際發(fā)現(xiàn)他們的配置還是很豐富的。簡直可以說是五花八門，有的配P2P資產(chǎn)、有的配小貸，還有人拆信托、拆私募，做MOM、FOF模式的也有。大家都打著智能投顧的旗號，但剝開皮看都不一樣，很多時候不知后面賣的什么東西。這也正是國家在加強機器人投顧管理的原因。
還有一個重要問題是，中國基本沒有買方投顧，大家都在掙后端銷售傭金，更像賣方雇傭的銷售。所以對國內的智能投顧而言，本來是個投資顧問的事兒，卻在做銷售的活兒。這混淆了投資咨詢與產(chǎn)品銷售之間的界限。那么用戶如何來評判你投資建議的公立性？這讓消費者很難信智能投顧這件事。這正是國家正加緊合規(guī)的理論依據(jù)。
另外國內智能投顧最大的問題還在于金融產(chǎn)品代銷資質。所以在中國做智能投顧，真正合規(guī)的只能是由大的金控公司來做，他們擁有所有的銷售牌照和資格，才能給用戶去做豐富的資產(chǎn)配置。不然你都沒有太多可配置的資產(chǎn)，跟真正意義上的智能投顧有很大差距。而對創(chuàng)業(yè)公司來言，每個牌照的價格都非常貴，還要搞定各種通道、支付，真的玩不起。
我們知道股票交易有賠有賺，如果大家都買了同一套軟件，可以預測該買哪支股票，那么市場上誰賣呢？在一個下跌市場當中，一旦像Vanguard、BlackRock這樣的行業(yè)巨頭，用機器人投顧做出拋售指令，大家都在拋盤，而沒人買盤，單邊行情會不會導致市場崩潰？其實我認為這樣的問題可以避免。因為真正的智能投顧是能根據(jù)每個人的風險偏好不同，做出不同的投資組合和交易選擇，這樣才能讓市場有賠有賺的運行起來。
最后說一個有趣的話題，那就是人對機器的容忍度，要遠遠小于人對自己的容忍度。最簡單的無人車犯錯，大家都覺得不可容忍。但人天天都在犯錯，卻很容易獲得諒解。這是一個客觀問題?；氐街悄芡额欉@個話題，面對中國股市普遍難以盈利的行情，你說智能投顧在一個下跌市場當中，如何安撫用戶虧損的情緒呢？其實很簡單。周圍10個人如果你是虧的最多的，人家都賺，你肯定不開心。但如果機器用數(shù)據(jù)告訴你，相比量化投資和你周圍的人，你的回撤是最少的，那你肯定就不會太苛責機器了。
雷峰網(wǎng)版權文章，未經(jīng)授權禁止轉載。詳情見轉載須知。
