【行业资讯】人工智能如何助力资产管理数字化转型，专家来支招
共 7638字，需浏览 16分钟
·
2021-06-22 00:38
正文共：7395字-9图
预计阅读时间：19分钟
在由通联数据主办，中信建投证券、亚马逊云科技协办的『嗨~AI』资产管理数字化转型峰会上，华泰柏瑞基金副总经理田汉卿女士、亚马逊云科技大中华区CTO刘亚霄、光大理财有限责任公司CTO张轶、麦肯锡全球资深董事合伙人曲向军、东方马拉松投资管理有限公司董事长钟兆民、通联数据首席内容官、产品总监冯钦远等对大数据和人工智能对资产管理行业的影响做了深入探讨。
田汉卿：人工智能提升市场效能还有很大的空间
在投资策略上，怎么样用人工智能实现投资目标？对于量化投资而言，真正有力量的手段是怎样的？人工智能开启了投资管理行业新蓝海，带了怎样的新机遇？
在田汉卿看来，人工智能早已深入我们的生活，但应用在投资领域和应用在自然科学大有不同，自然科学比如说人脸识别，能识别就识别，不能识别就不能识别，一定程度上，可以达到99.9%的正确率。但投资是博弈的结果，任何一方的市场参与都会影响市场定价，比如被动投资如果不停的买股票就会影响到股票的定价，不停卖就会打压，所以索罗斯定律在投资领域非常的重要。
2018年，受大环境影响，行业也有一些变化，比如卖方研究员评选几乎停止，数据更新迟缓，当时，华泰柏瑞的模型很大程度依赖卖方的人员预测，更新频率下降会影响阿尔法，这让田汉卿深深忧虑，万一将来整个行业业务模式发生变化，应该如何应对？她认为，长期的生存之道是随着技术发展，数据的可控，公司能做自己的盈利预测。于是，他们搭建了公司内部自然语言处理系统，在其中加入对投资的理解，扩大数据库，让AI在投资的基础上进行学习。
这其中，涉及到知识图谱的部分，需要借助外力。另一部分需要机器学习，要构建内在联系，再通过人工进行调整。目前，华泰柏瑞已经实现了做个股层面和行业层面的基本面预测。目前来看，有了这套系统之后，可能比卖方提供的数据更快，这意味着超额数据越多，而且对投资市场也大有裨益。
在量化投资领域，她认为，像这样用大的统计概率起作用的领域，必须要结合数据、人工智能，必须增加信息收集来源。比如另类数据，包括电商数据、卫星数据、信用卡数据、公共数据等。这些年，随着计算技术和数据技术的发展，储存数据发生了翻天覆地的变化，所以在这方面有很大的空间。比如过去更多是依赖于人进行搜索，所有持仓的上市公司，交易的上市公司，人都要搜索有没有超预期的消息，但人搜的覆盖度很低。但是现在自然语言处理可以瞬间覆盖所有的样本、所有的上市公司。同时，在投资过程当中，可见近几年数据演化非常快。所以从今年开始，华泰柏瑞会进一步扩展到其他的另类数据，用另类数据帮助公司在个股和行业上进行基本面研究。
谈到未来，田汉卿说，如果拓展数字化投资或者量化投资、智能化投资，必须增加基本面信息的纬度。因为长期影响的因素更多，所以必须尽可能捕捉到所有的基本面信息，应用到投资里，拓展模型。她认为，目前用大数据和人工智能提升市场效能还有很大的空间，未来会更加颠覆，长期可展望的是人工智能直接承担资源配置的功能，资本市场可以退居二位。所以这是真正的蓝海，对于资本市场有价值，对于投资是真正有价值，可以深度挖掘的，而这个挖掘也将随着技术进步进一步增加。
刘亚霄：AI只是提升效率的工具，人类无需担心饭碗
作为已经研究AI二十几年的“老人”，亚马逊云科技CTO刘亚霄开门见山：AI并不是目标，它只是一个工具。他回忆当年用386系统搭神经元网络，而现在任何手机都要快好几千几万倍。但核心问题并没有解决，从20年前到现在，主要突破都是在算法、传感器、算力上的突破，理论上并没有太大突破。所以，在可以预知的未来，在数学上没有大突破之前，大家不用担心AI抢自己的饭碗。他笑言，AI现在基本上是一个智障的阶段。无论自动驾驶还是宇宙飞船。但是，AI确实能够通过工程化的解决方案，通过创新，提高我们的工作效率，使我们对数据的把控得到更好的应用。
以AI在亚马逊备货方面的应用举例，我们做了很多数据储备，也用了很多云上的东西，最后形成了亚马逊以预测为基础的体系。这个体系达到了超过99%的库存是自动化采购，也就是说亚马逊卖的东西99%的东西是通过预测，系统告诉你应该买多少作为备货。
传统的科技，数据和应用计算是联系在一起的，云科技的计算力和它的存储量已经大到超乎想象，所以我们提出了一种新的对于数据资产盘活以及数据管理的观点——把计算力挪到数据里。也就是先有业务，业务带来了数据，这些数据需要从业务里独立出来，然后大家把不同业务的数据放在一起，来看能不能产生新的业务，也就是解决方案。比如亚马逊的小机器人，已经完美替代人工，进行仓库中的备货、拣货，人只需要完成最后的打包工作。这是因为亚马逊所有的货品一开始都是由机器人去报告，然后进行数据集成。他们将系统数据放在云端，机器人直接访问数据，获取货品信息，而不是说机器人是一个系统，它的数据需要每天从云端导下来再去处理。在未来，我们希望用数字化帮助企业在产业链上的成本结构得到优化，价值链得到进一步规整，使跨境电商业务跑得更好。
我们不强调把大家现有的金融业务搬到云上，而是希望帮大家找到在互联网上可以做金融业务的接口，然后形成数据分割的混合云，也就是数据化的企业数字架构，比如放在云上可以扩大生意、可以符合监管的流程要求，最终发挥数据创造价值的理念。
张轶：未来已来，投资人需要改变思维模式，充分利用大数据和人工智能
时代在飞速发展，技术的发展永远不会以我们的意志为转移，投资行业也同样，张轶认为，大数据和人工智能已经改变了传统的投资模式，资管行业从业者必须改变思维定式，拥抱新技术。作为美国人工智能协会会员，光大理财有限责任公司CTO，张轶以阿尔法的来源改变举例，最早的时候投资都是阿尔法，如今阿尔法所处的领域越来越少，但事实上阿尔法带来的超额越来越多，阿尔法的投入远高于贝塔，这些基本事实的描述，带来的逻辑是怎么去寻找阿尔法？数据来源和以前相比增大很多，新的东西被容纳在传统的数据里，我们做投研的时候是不是可以用相对而言系统化的方法，基于数据进行。
具体来说，首先有一些原始数据做验证模型加入洞见构建组合，完成之后把组合执行的效果回到假设来看，整个系统的闭环不断持续纠正，所谓的系统化投资并不会带来更大的阿尔法，但是会更稳定，因为有PDC循环帮助我们提升投资的质量。
庞大的数据库首先来自数据收集。其次对背后的原因提出假设进行分析预估评测，而和我们现在做的地方不一样的是，模型生成不是来自于我们的洞见，而是来源于我们对数据的分析，没有任何先入为主的概念，而是通过对数据的分析来生成所需要的模型，构建组合。听起来这只是一点点逻辑的改变，但是这一点点改变挑战的是我们已经延续运用20年、30年，两代人被培养出来的方法，这是非常具有挑战性的。
在今天这个时代，比较推崇的是数据到角色，在投资流程当中以数据为核心，更多需要沟通协调。最外侧数据清洗工程化的管理这样蓝领的工作构建了基石，代表了一个机构如何认知数据和认知市场，这需要默默无闻和强大的团队，对整个公司的投研生产产生支持，而这方面在传统的资产管理公司里是不存在的，通联数据做了很多这样的事情。
对数据清洗本身代表对市场价格的认知，我们怎样重新评估习以为常的数据模型，这些模型能带给我们什么东西？可视化是最低成本建模的东西。举个例子，交易的活跃度不用复杂的报表，一张图就可以看到。再比如过去以前考虑券怎么做，今天已经完全可以基于数据分析，比如用情感分析引擎，年报公布之后60个交易日之后跑出来就可以，它没有具体细致的研究，用数据分析的方式去跑60个交易日的组合，这个组合是动态的，调整是自动化的。而对未来的门槛模拟，人工智能已经远远超过人类。比如构建过3.2万券组合，算的话大概20分钟，用新方法是3.76毫秒，对于投资经理来讲，要在这个组合里面增加减少改变权重，它其实是实时变化的，我们投资经理最后的逻辑是放一个券进去，或者改一下占比，看对组合构建的影响，我再决定是不是把虚指令变成实指令，可视化后，净值涨了什么也不用干，如果是跌了1秒撤回。这种方式改变了投资团队的行为模式，带来了更快的反应，更快的质量修正。
所以，在今天这个时代，从业者要改变思路，充分利用人工智能，让它和人类携手，提升效率。当然，所有的方法都是要以人为本及帮助投资研究团队，促使资产管理机构，让公司为投资者服务，为员工服务，只有这样整个行业才能更长远的发展，才能真正起到为投资人服务获取利益的结果。
曲向军：资管公司可通过四方面落地数字化战略
数字化战略要紧密结合业务战略。资管企业应高屋建瓴，从顶层设计着手。为此，我们提出了“3+1”资管科技数字化转型蓝图，包括：实现现有业务数字化、自动化和智能化，从而实现资管价值链端到端赋能；建设全新商业模式，包括数字化产品创新、对外科技输出、生态圈战略等；推动金融科技开放创新，布局科技生态。
此外，为了支撑三大数字化战略支柱落地，资管机构还需构筑起一套“5+1”六大数字化能力，包括IT基础设施和科技治理体系升级、大数据规模化应用能力支撑、以及科技和数据组织人才建设。
未来10年，金融科技在中国资管行业将迎来巨大发展。原因有三：一、行业自身发展需要。中国保险、银行、券商业与全球差距相对较小，而资管行业与全球差距巨大。中国最大的资产管理公司，其规模和利润与全球顶级资产公司存在几十倍的差距。二、科技服务能力不足。目前，相比其它细分金融行业，市场上服务于资管行业的科技公司能力相对不足。三、很多资管公司仍存在大量手工作业。急需通过自动化、线上化提升效率，另外有很多环节需要数字化创新，比如智能投研、智能投顾。
中国资管市场蕴藏着巨大潜力，目前市场规模将近120万亿元人民币，未来5年有望突破200万亿。要抓住未来发展机遇，资管公司应该建立八大核心能力，其中机构化、工业化的投研能力和数字化应用能力是重点。具体而言，资管公司可通过四方面落地数字化战略：
一、推进现有业务自动化、线上化、智能化。首先要实现现有业务的完全线上化，这是最基础的目标，包括投研、运营服务端，在运行过程中实现智能化。
二、打造数字化商业模式和产品创新。如何通过数字化推动商业模式转变？包括打造新产品（比如ETF，Smart Beta以及量化投资产品等）以及和新产品有关的数字化能力。
三、搭建科技平台和开放生态。资产管理公司不仅要利用自有科技团队，还应善于借力外部科技公司，共同研究、创新。
四、打造一套涵盖科技、数据、人才的基础能力。包括打造双速IT和科技治理体系、构建大数据分析平台，以及推动组织敏捷化转型。
除了提升自身科技能力之外，资产管理公司还可以参考三种模式，借力外部科技公司的力量，打造开放生态：第一、建立创新实验室，这个实验室不只是做实验，一定要推出数字化产品，当然实验室也不是小部门，而是一个混合团队；第二、打造科技加速器。这种模式适合风险承受能力和财务资源投入意愿略低，但又希望深入参与的资管公司。第三、作为有限合伙人参与传统的风投基金。这种模式适合自身投入有限、希望借助专业机构风险投资能力的资管公司。
总之，结合中国资管机构数字化探索的现状，我们建议，资管公司需要制定与业务战略高度一体化的数字化战略，建立起科技与业务高度融合的科技治理体系；实施用例驱动的大数据平台建设，特别是大数据赋能智能投研，打造金融科技开放创新生态平台；加强科技和数据人才储备，力争大数据和科技人数达到总员工数的20%-25%。
钟兆民：人工智能也好、数字化也罢，要像微信这样，买菜的阿姨都能用
中国有一个和君咨询，他们对律师事务所有一个报告，他说哪个律师事务所对IT的投入最多，说明主要的合伙人是做事业的人。因为IT投入是慢慢积累的过程。最理想的协同是什么？像我这种不懂技术，但是需求是很明确的，所以我把我们投资经理的需求发给了通联数据。超级小白与超级大牛之间要无缝对接，这也是人和人互动的过程。
科技的方案是需求，技术是手段，而不是目的，技术不能吃不能喝。所以，对应着的是最复杂最先进的支持系统，这是后台，后台一定要做到用户的无缝对接。人工智能也好、数字化也罢，要像微信这样，买菜的阿姨都能用。因为股民已经有1.8亿了，手机上网，信息已经无穷了。人工智能的功能性上一定要更接地气。
我对王政博士特别尊重，他们的使命是人工智能让投资更高效，我觉得这件事不光有商业价值，而且有社会价值，因为提高了效率。我们用了很多的工具，如果可以帮我省一秒钟，那就比较值钱，时间和效率是无价的。时间和效率，关系到的不只是一个基金经理，而是基金经理背后的万千基民们，这是社会性的。
从需求出发，我们资产管理者有两方面的需求：我们的系统现在还很孤立，我们要统一起来。每个人的知识都是有局限性的，我需要了解更多与我所投的股票或基金相关的事，但我需要排除噪音，高价值的信息。
形式方面，阅读的重要性排序，尽量图标可视化，如果生动的话就更好了，可以寓教于乐。最后我作为用户，希望这样的智能系统逻辑底层是严密的，要开放，还要个性化。我现在认为重要的信息，比如我们现在管100亿，下次管500亿，重要的标签是在变化的，是动态的。要进化，还要有学习互动能力，这是我真实的需求。
最后就是我们已经开始的人工智能、大数据、科技类的公司，与投资管理公司深度融合反馈，更加智能地学习。所以我觉得，投资基金这个行业，包括我接触了很多银行高管，他说从全球金融史来看，金融行业和科技结合得更紧，金融机构有资金，又愿意投在科技上，所以我们可以倒过来相互赋能。
我觉得投资基金的未来有人工智能的辅助，效率的提升，时间的节省，都是指日可待的事。
冯钦远：HI+AI投研分析方法的基本原理及实例
在信息爆炸的时代，资管行业在享受信息红利的同时，也面临着如何低成本获取信息、高效处理信息以及如何将信息知识化、模型化的难题。随着人工智能快速发展，机器算力指数级提升，将人类经验、逻辑判断与机器学习、智能判断相融合，打造人机结合的智能投资范式成为一种全新可能。
Datayes!萝卜投资面向智能时代，将底层金融大数据、海量特色数据进行技术处理，打造了贯穿市场监控、投资研究、组合管理、风险管理等投资全场景的下一代智能资管平台。在Datayes!萝卜投资通过AI赋能资产管理数字化转型的实践中，高频且极具特色的场景包括：智能投研、智能组合与风险管理、智能FOF、机器人分析师等。
智能投研
以智能投研为例，在研究阶段，Datayes!萝卜投资通过人机结合的投资研究框架，和用户一起形成对于各种研究对象智能研究判断的能力，包括对于宏观的判断，不同行业的判断，公司基本面的判断，资产价值的判断。在形成这样一套投研体系之后，进一步为用户提供千人千面的实时预警和监控服务。
具体来看，我们已经完成对A股2000家以上公司的覆盖，在对2020年26个行业800家上市公司的营收预测中，AI相对单纯HI分析师一致预期的胜率达到83%。同时，预测精度（误差5.7%）也远高于分析师一致预期（8.8%）。
除了个股盈利预测，我们在行业景气预测方面也进行了深入的探索。行业景气度预测框架已覆盖各级行业60多个，过去两个季度对申万一级行业的样本外预测胜率达87%。它可以帮助我们更好地挖掘行业主要矛盾，实时预测行业景气，更加准确、及时地修正投资者对行业周期的判断，特别是在预判拐点上，更好地指导投资。
智能组合与风险管理
我们希望和客户共同打造工业化的资产管理体系。一方面提高原先需大量手工操作的运营环节的自动化程度，另一方面将基金经理有用的投资经验，内化为组织的投资流程和投资规范，从而形成严密、科学的资产管理体系。
工业化的资产管理需要精密的解构。在底层分析纬度上，Datayes!萝卜投资基于组合真实持仓，提供覆盖全产品/策略的丰富的绩效分析维度；在风险管理上，则能够帮助客户打造穿透式全流程风险管理，包括主动风险分析与被动风险提醒，提供基于风险模型的全方位事前、事中、事后风险分析，不遗漏任何潜在风险。
智能FOF
在智能FOF领域，实务中投资者面临的挑战包括：如何给产品打标签、如何评价和选择子基金、如何识别子基金的产品收益来源与风格特征、如何科学高效配置资产等。Datayes!萝卜投资通过大数据支撑资产配置研究，充分利用人工智能的数据挖掘、深度模型、风险模型等技术，对FOF业务进行全流程支持。
在产品标签上，精细刻画基金产品投资风格，准确实现基金分类，协助用户在基金投前筛选目标产品。基于9大类58个特色指标、多层级评分体系，为基金研究提供新思路。针对不同类别资产特性，Datayes!萝卜投资通过大类资产、子类资产、行业配置、风格配置、Brinson、Campisi等归因分析揭示产品收益来源与风格特征。在资产配置上，Datayes!萝卜投资基于经典组合管理理论和中国市场的投资实践，结合多种前沿资产配置模型，实现FOF组合的一站式科学构建。
机器人分析师
我们知道，分析师这个群体工作非常繁重，工作强度很大。我们一直在思考，如何用AI替分析师完成一些重复性、基础性的案头工作。Datayes!萝卜投资以海量金融数据为机器分析提供支撑，通过机器学习算法和智能点评分析产出研究成果，显著提升了研究数据转化为研究成果的效率。
我们认识到，要实现从数据到报告极致智能的一站式体验，背后需要提供几种能力。首先要有丰富的信息，在这方面我们做了大量的努力，目前已经生产和持续提供特色数据300万条，海外精品数据超过500万条。其次，我们在业内首创垂直金融搜索引擎，帮助客户精准、快速地检索数据、解构文档、研报、图表等非结构化信息。有了这些能力之后，再叠加自然语言技术与数据监控能力，就能够实现智能点评和图表数据自动更新，让机器人持续地进行高质量的内容输出。
我们深信，技术的发展和产业的演进是不以个人意志为转移的。像在诸多其他领域一样，人工智能的快速发展必将带来资产管理领域人类智慧的显著增强。基于强大的数据处理能力、科学的投研体系和前沿的人工智能技术，通联数据将全力赋能国内外资产管理者，持续推动行业数字化转型。