基于大数据技术的机器人投顾模式探讨

近年来，机器人投资顾问业务迅速发展，以Wealthfront、Betterment、PersonalCapital为代表的互联网金融企业将这一创新型业务推向市场，传统金融巨头如全球最大的资产管理公司贝莱德、美国券商嘉信理财、投行高盛及美国银行等紧随其后，以收购或者自主研发的模式推出机器人投资顾问平台及产品。当前机器人投资顾问管理的资产规模已超过500亿美元，据国际知名咨询公司ATKearney预测，到2020年将突破2.2万亿美元。有研究显示，目前约有8%的顶尖理财公司提供类似机器人投资顾问的服务，未来这一数字将超过20%，当前主要依托理财经理或基金经理的投资理财服务模式也将随之改变，理财经理或基金经理类职业人群将逐步从服务前台向后台转移，为机器人投资顾问策略和平台优化提供支撑。

　　在我国机器人投资顾问的发展还处在初级阶段，尽管市场上具有智能投资顾问概念的产品已多达数十款，呈现百花齐放的态势，但在对接产品数量、资产规模、用户数量等方面，尚未形成规模效应。不过可以预见的是，随着FinTech模式持续在国内市场发酵，基于大数据、机器学习技术的机器人投资顾问市场将迎来飞速发展。

一、机器人投资顾问的主要应用模式

　　目前国内外机器人投资顾问的主流应用模式包括以下几个方面：在服务形式上，提供基于线上的投资建议、资产配置和管理等服务。与线下理财经理人工操作的投资顾问行为不同，机器人投资顾问提供的是来自机器的智能建议。

　　在服务流程上，通过了解客户的投资目标、风险承受能力和风险偏好，提供投资组合服务。

　　在服务本质上，具有分散组合、个性化普惠化、长期稳健的特点。其中，分散组合是资产管理和风险管理领域长期遵循的“投资组合理论”的体现，该理论是美国经济学家马克维茨(Markowitz)在1952年首次提出的，他也因此获得了诺贝尔经济学奖，这一理论如今被广泛运用于投资银行、商业银行、主权财富基金等领域。个性化普惠化是指机器人投资顾问会针对不同的客户提供定制化的最优方案，而且依托低成本、低门槛、易操作的优势服务长尾客户，彻底改变了以往只有高净值客户才能享受到财富管理的传统模式，符合普惠金融的服务理念。长期稳健指机器人投资顾问专注于长期稳健的回报收益，而非短期的投机行为。上述三个特点将机器人投资顾问与目前市场上一些推荐股票的APP区分开来，推荐股票APP是一种非分散投资、短期投机的操作行为。

二、大数据技术在机器人投资顾问中的应用

　　机器人投资顾问的产生，源于大数据技术日趋成熟使得短时间内处理和分析海量数据成为可能。为此，大数据技术几乎贯穿机器人投资顾问产品的所有环节。本文尝试从数据收集、大数据平台搭建、算法及模型选择、机器学习等几方面探讨大数据技术在机器人投资顾问中的应用。

　　1.数据收集

　　复杂的金融市场中，信息来源错综复杂，数据收集作为机器人投资顾问实现的第一步，充满了挑战。与传统金融机构数据应用场景中产生和使用大量结构化数据不同，机器人投资顾问应用的数据很大一部分来源于互联网。这些从互联网上获取的信息包括基本面分析、行业趋势以及某公司重大事项公布、某基金经理更换，甚至未经证实的小道消息等，其中的任何一条都有可能引发市场巨变。信息收集和处理过程中如何规避风险、控制风险?首先，数据收集模块要具备每日常规经济数据采集功能，包括汇率、利率、股指、贵金属、大宗商品、二级市场走势等，这部分数据来源相对稳定，格式变化不大，每日常规收集即可。其次，数据收集模块需要有针对性地收集公开数据，如国家统计局发布的报告，美国非农数据、就业数据等，这部分数据格式有一定变化，但差别不大，收集难度不高。最后，数据收集模块要具备舆情监测能力，针对社交媒体、搜索引擎、各大新闻门户及新闻评论等，依托爬虫技术抓取数据，由机器学习模块通过TopN等算法完成事件识别，并根据识别出的事件分析可能对金融市场产生的影响。

　　2.大数据平台搭建

　　金融市场瞬息万变，要做到及时调整投资策略，控制投资组合风险，应考虑引入内存计算、流计算等技术。数据收集模块获取的数据量非常大，建议先通过爬虫程序进行过滤，或采用SparkStreaming等技术进行结构化处理，去粗取精，筛选出目标文本，以实现海量数据的高效处理。针对基于事件触发的实时计算，则应考虑采用Storm等流计算框架，如当用户的某个行为触发计算时，可能会调整其风险评价，改变投资组合建议。由于这类场景要求实时响应，而SparkStreaming有最多500毫秒的延迟，因此流计算框架更加适合。

　　3.算法及模型选择

　　机器人投资顾问涉及的金融理论和模型以现代投资组合理论(MPT)、资本资产定价模型(CAPM)、有效市场假说(EMH)等经典理论为主，具体的决策运算则包括各类机器学习算法，如逻辑回归、决策树、朴素贝叶斯、协同过滤、随机森林、K-means等常用算法，以及其他更为复杂的算法，如遗传算法、神经网络等，在特定场景中一些复杂算法应用效果较好，如遗传算法更适用于快速取得较优解的场景中。总体而言，复杂模型的训练、计算以及模型变量调整都需要借助大数据技术提高运算效率。

　　4.机器学习

　　机器学习在机器人投资顾问中的应用，除了在产品开发环节通过不断迭代逐步完善决策模型，更重要的是在使用中与用户磨合，发现用户真实的产品偏好和风险偏好。目前的机器人投资顾问产品，对用户的风险偏好调查基本基于几道标准化的选择题，即使用户认真完成，也不能确保每位用户都能确切地理解每道题的含义，一个用户的风险偏好是复杂的、变化的，机器人投资顾问应能收集用户的每次选择、每次操作、每次点击的信息，结合外部环境变化等多因素综合判断并实时更新用户的风险偏好。

三、机器人投资顾问的监管趋势研究

　　目前，在我国金融分业监管的大背景下，尚不存在专门针对机器人投资顾问业务的监管办法，一是因为该领域市场刚刚起步，行业发展还没形成规模化效应;二是因为机器人投资顾问行业需要多监管部门协同监管，某个平台推荐的一个组合产品中可能同时包含股票、基金、信托、银行、保险等产品，需要综合银监会、证监会、保监会的各类关于投资顾问的监管办法进行统一管理。所以，在针对机器人投资顾问的监管办法未出台前，从现有投资顾问的监管办法中分析、整理各项监管重点不失为一个现实选择。

　　中国证券业协会于2015年3月16日发布《账户管理业务规则(征求意见稿)》，该规则在客户适当性要求、投资策略、账户规范、信息披露、止损及再授权、交易执行、客户信息管理等方面进行了规范和约定，未来机器人投资顾问应用应从这些方面对照监管细则，严格遵守和执行。

　　当前，一方面我国中小投资者数以亿计，其中绝大部分无法获得廉价便捷的投资顾问服务;另一方面我国具有投资顾问服务资格的从业人员只有几万人，投资顾问整体存在供需极不平衡的问题，因此未来市场空间巨大。在以往线下投资顾问提供服务的模式中，可供投资组合的产品范围有限，在有限的范围中筛选的组合也不一定是最优的。而在资产和投资产品足够多的情况下，可实现的组合数量是海量的。随着大数据技术及机器学习技术的发展，以往线下人工无法完成的计算量和推荐组合将得以实现。

　　未来，机器人投资顾问将营造出更健康的投资市场环境，因为机器人投资顾问具有高度自律性，其自律性体现在各种约束和规定的执行上。机器人投资顾问依托固化在系统内的规则设置进行投资操作，将极大地推动市场环境的净化。

（如欲浏览作者更多文章，可直接点击“孙中东专栏”）

（文章来源：《中国金融电脑》杂志）

扫码即可手机
阅读转发此文