金融界网站7月5日讯 由苏宁金融举办的2019苏宁金融智慧投资高峰论坛今日在南京举办。博时基金副总经理王德英出席论坛并发表演讲。

王德英表示,说到金融科技,大家知道有两种说法,一种叫广义的金融科技,广义的金融科技就是金融机构里面用IT技术都叫金融科技。当然这两年大家说到金融科技往往指的是狭义的金融科技,就是ABCD,A就是人工智能,AI。B是区块链,C是云计算,D是大数据,这是狭义的。

为什么有这样一个演变呢?是因为科技在金融机构的作用,它有一个逐步延伸逐步发展的过程。我们知道IT对金融机构业务的价格可以分为三个阶段或者三个层次。

第一个层次叫系统化,我们把所有的业务流程化,通过IT系统进行固化和提升,主要的目的是为了提高业务的质量。举个例子,基金公司基金经理要下单买股票,他的指令不能直接发给交易所,因为有各种各样的要求,基金经理下达指令一定要到交易部,交易部还要经过交易系统合规的控制,每一个指令从基金经理发出来到交易所都要经过三四百个合规规则的检查之后才能发出去,这样就是系统化、流程化,使得我们的业务都是经过质量控制的,而不是说冒很大的风险出去的。

这是第一个层次。

第二个层次,还有自主化,比如说在交易这一块,大家知道交易指令是由交易员发出给交易所的。比如说基金经理要买100万,但不可能说100万的指令一下发给交易所,这样会造成很大的冲击,要经交易员把它拆分成若干个指令,然后委托,才能到交易所。但是因为量比较大,完全靠手工效率是比较低的,近几年发展到用机器来替代,拆得很细的委托出去,可以大大减低人工的使用。

这两年发展到第三个层次,叫智能化。它关系着不光是效率,还关系着效益。比如说自动化的交易流程能提高效率,但是光提高效率还不够,最近几年国内在研究,在算法当中增强学习的算法,使得更好更敏锐地捕捉到市场交易的时机,能够使得基金经理进行价格的控制提升10%以上,或者说价格的冲击更优化,可以用更低的价格买到同一支股票,或者用更高的价格能卖出一支股票。

这三个层次就体现了金融科技对业务作用的发展阶段,这是从技术角度。

从业务角度有几个应用的场景,一个是在投研的应用;第二个是智能投顾;第三个是智能风控;第四个是智能营销与服务。

第一个是大数据与人工智能在投研中的应用,这张图显示的是基金公司一个典型的投研的业务框架,其实基金公司整个投研是一个流水线,跟传统业务也是类似的,一个是生产线,一个是销售线。跟制造行业也是类似,只不过制造行业制造的是有形的产品,我们制造的是虚拟化的产品。基金公司的生产线就是投研这条线,按照投资的流程,分投资前、投资间和投资后,投资前进行研究分析,进行辅助决策,对行业,对各股进行宏观研究,在此基础上形成可投资池。

投资中,在投资前研究的基础上进行组合搭建和交易池选,在证券池里面选择我看好的股票,搭建自己的组合,并且把这个组合交给交易部门去执行。

投资后,一个就是估值核算,同时还要进行绩效评估与风险分析,看看绩效是好还是不好,是来自哪个方面,做一个分析。

当然在投资前、间、后,贯穿全流程的还有风险管理。

这是一个基金公司经典的流程,当然是指主动的投资流程,传统的是主动投资。

还有一类投资方式是所谓的量化投资,量化投资在国内外发展很多年,在国内最近五六年七八年时间也发展很快,应该说市场规模不断扩大,投资者也是越来越认可。

这两种模式,应该说传统投资模式,更偏向艺术,基于深入研究,基于少而精。而量化投资是科学色彩更浓一点,是基于数据分析,基于数据规律的统计,发掘市场规律。

这是两种模式的一个本质差别。

不管是传统投资,还是量化投资,其实我们如果更广义抽象一下整个投资流程都是三大步,第一步是收集信息收集数据。研究员到上市公司做调研,或者是量化,收集数据,都是收集行业和上游信息。

第二个阶段,在收集数据的基础上进行策略和模型的搭建。

第三个阶段是交易执行,这是三个大步骤。

人工智能与大数据应用的领域也是在这三个阶段,第一个阶段体现的是在信息获取,通过人工智能获取更多的数据。第二个阶段是投资模型的优化,投资策略进一步提升或者进一步地占领市场进一步加大,业绩进一步提升。

第三个应用是在交易执行方面,人工智能也得到应用。

首先看第一个大阶段人工智能大数据的价值,我们说投资的本质,我们总结也可以认为是数据分析与决策的一个过程,投资研究的实质就是数据的分析与判断。根据调研的数据,根据研报的数据,形成自己的一个决策。如果这个逻辑成立的话,你获取的数据越多,颗粒度越细,数据越全,在同样的投资判断逻辑下,结果的准确性也一样。大家都知道数据、判断和结果,如果第二段逻辑不变的情况下,你的输入越多或者越准确,你的结果越准确,这个结论是成立的,这就是大数据的价值。大数据,或者人工智能获取的大数据,跟传统的投资来说,大家知道传统投资基于的数据都是基于上市公司的公报或者是季报、年报的数据,它的数据更加分散,因为它更新的频率更长一点。但是对于大数据来说,它获取的数据,首先数据量更大,这是肯定的。第二,数据维度更全。比如说我们原来调研的数据,很多只是上市公司的财务数据或者产品数据,但是大数据还可以获得他的客户的数据,甚至每一类产品价格明晰数据,都可以获得。这是在传统季报年报上是没有的。

另外是数据颗粒度更细,再一个是数据先行性更强,传统的都是业务完了之后,最后形成财务数据,最后才能进行披露,大家才能看到。但是大数据是还没有形成财务之前,已经知道这个经营变化趋势了,所以他能够更早知道行业或者上市公司经营情况的变化。这是大数据和传统相比的优势。

除了这样的一些基础的,我们说来自于实体经营的数据,这两年大家也看到国外也有一些应用其他的人工智能,比如说这里列了一个公司,是利用计算机视觉对卫星图片进行加工的,他获取一个区域停车场停车的数据,基于这个来进一步获取车辆同比环比变化的趋势,根据这个获得人流的变化,通过这个反推相关的销售公司或者相关的商场这样的一些机构、行业、上市公司的经营业绩的变化趋势,是基于这个侧面来反映的,也是基于最底层的扫描数据来应对行业的变化。

还有一个是国外的利用石油储油罐的变化来预测油价的变化,大家知道油价的变化跟石油的开采量和储存量有很大的关系。比如说全球的储油罐,右边这张图显示的是储油罐的图片,上面有很多阴影,因为当这个油运走之后,储油罐的盖子是会往下掉的,不像国内的是一个固定的盖子,它那个盖子是会变的,他根据这个盖子阴影变化,来判断里面储油满的程度,根据这个来判断全球储油量的情况。当然如果储油量下降可能意味着未来油价变化,根据这个来做出油价变化的趋势。

还有根据这个来预测农产品的种植面积和价格变化。

其实大家都知道,证券市场的价格并不只是由证券内在价值所决定的,第一个当然是基本面,第二个是市场预期或者市场情绪,第三个是资金的流动性,这三个方面决定了市场的价值或者是市场估值情况的变化。

这里面,我们经常说实体经济或者说基本面决定了上市公司的价格中枢,而市场预期市场情绪确定了市场价格的程度。

这里面我们还能引入哪些数据?利用市场情绪的数据来用于股票投资。这里面有金融行为学,很多投资者有非理性的行为,特别是中国投资市场,个人比较多,非理性行为更多一些。常见的,比如说羊群效应,要买大家一块买,要走一块走,容易造成过高地推高股价或者过低压低股价。还有处置效应,我买的基金不合格就不走。一个理性的基金经理要尽量避免这种行为,不要跟股票谈恋爱,不好的时候要撤出,当股价过高的时候该止赢还要止赢,这个里面存在非理性的市场差别。

这里面还有反向投资策略,抓住股票过高或者压低的机会,抓住市场因为非理性造成的一个特别的投资机会,这是一个利用市场行为来进行投资的。这里面也有一些市场公开的指标,比如说市盈率、交易量、换手率。除了这个之外,利用人工智能和大数据,还有一些利用社交媒体搜索的热度,利用社交媒体的情绪,还有一些股吧评论、舆情等等,把这个作为选择股票的一个依据或者一个变量。

当然这里面大多数都是反向利用,比如说情绪过高的时候反而卖出,过低的时候反而买入,而不是说越高越买。

这里面我们要说到科技金融的结合,这里面要用到的技术,包括爬虫技术、自然语言处理技术、计算机视觉技术,在获取数据的时候要用到这些技术。

讲到这儿,其实还只是第一个阶段,就是在数据获取阶段,一方面获取基本面的数据,一方面获取市场情绪的数据。在这里面,大家可以看到都可以用到人工智能的技术。

在第二阶段,在投资策略和模型优化方面,同样可以运用人工智能技术。比如说研发新的投资策略或者开发新的量化因子,比如说利用机器学习或者深度学习的技术,可能原来人工有可能很难达到。比如说以前的算力不支持,现在有更大的算力可以支持,可以发现以前很难通过人工发现的变化因子。这个还是有很多机会的。

比如说这儿列的有一些无监督的学习,也有一些有监督的学习,我们也做了一些研究,在有些产品下这个贡献还是比较明显的。这个对投资策略和投资模型的优化。

第三个阶段,是交易执行。在这个阶段,同样AI和人工智能技术能够得到非常大的应用。比如说最开始提到的算法交易,大家知道,同样的买出和卖出指令,怎么能够用更优的价格来获取。比如说比别人买同样的股票我价格更低,同样卖出我的价格更高。这里列了采用增强学习算法,可降低交易成本。

还有CTA交易,基金公司的交易只是执行,基金经理决定不了买与卖,还有一些策略跟最终的投资决策和交易不是分得那么开的,决策的交易是一体化的。比如说一些CTA的商品期货的,它本身就是抓住一些高频的或者短期的趋势来获取的,这里面也可以通过机器学习,通过交易优化也能够大大提升原来交易策略获取差额的能力。

不管在哪个阶段,我们说确实大家都能看到金融科技应用是非常广泛的,在基金公司整个投研流程里面,不管是哪个阶段。这是从好的方面来说。

但是从挑战的角度来说,应该说机器学习或者说人工智能在现阶段还是面临很多挑战,比如机器学习在选股方面是不是真正有效?我们说目前有效性还不是那么强,可能有时候有些效果,还不是那么持续和稳定。比如说很重要的一个原因,大家都知道机器学习需要学习

大量的历史数据,机器学习往往需要大数据的支持,必须有大数据让你去学习,让你发现规律。但是中国的股票市场现在只有5000多个交易日,如果从每天收盘价来说,这个数据不是大数据,是小数据,还不足以让你发现长期稳定的策略或者说因子,这是一个挑战。

另外,就是市场的信息不对称,很多信息并不是有效。大家看到的信息只有一部分可能是有效的,大多数的信息都是无效的,这造成机器学习目前还是在一个探索阶段。

从更广义的角度来说,人工智能在资产管理当中,从更宏观的角度来说,面临这三各条战。第一个是科学与艺术,市场越有效,它的科学起的作用就更大,市场有效性越低,科学色彩或者科学起的作用越低。大家知道,中国市场跟成熟市场相比,与发达国家相比,有效性还是不足的。在这种情况下,很多时候还是靠人工的判断,所以科学能取得的作用有多大也跟我们的市场有关系。

第二个是长期和短期,根据目前大家的研究,人工智能在证券投资当中偏短期趋势的判断,或者在高频交易当中起的作用更明显一点,更稳定一点,在长期趋势判断里面作用还不是特别强,当然越长期影响因素越多,机器学习没有办法在一个没有边界里面找到一个有效的规律,这对机器学习还是太难。

第三个方面,是人工智能在金融科技面临极大风险的问题,因为人工判断的时候有一些基本的常识,但是系统有时候往往对最基本的常识反而是照顾不到。大家知道前些年,美国在投资交易当中,有时候在出现极端市场行情下,有时候都往一个方向操作,会造成一个市场系统性风险,这也是IT一个潜在的风险,这也是在运用金融科技在投资中要尽量避免的一个问题。

基于这样一个问题,现在行业普遍的认识,发展方向,至少未来一段时间还是人工智能+人工,人工智能+人的智能结合可能才是中国一段时间内比较有效的一种合作方式。

这是第一个大的方面的应用。

第二个大的方面给大家汇报一下智能投顾,其实智能投顾用中国的翻译叫智能投顾,其实我个人认为还是属于一个偏弱智能,还不算强智能的一个阶段。因为它本来应用也没有说叫智能投顾,只是叫机器投顾,它的目的主要是为了规避风险,为了提高收益比。

这里面存在的几个业务模式都是类似的,大家知道智能投顾,还有目前市场上的FOF,我认为都是一样的。前面发起的是投资顾问端或者销售端发起的叫智能投顾,如果由基金公司提供的标准化场景化的是叫FOF,投资的核心理念是非常类似的。其实说白了,我们就要千人千面,事实上可能做不到千人千面,可能是做到千人百面或者千人十面。

还有一类,不管是智能投顾还是FOF,本质上都属于基金组合,利用基金进行资产配置,这里面除了智能投顾和FOF这两种模式,还有一种是社交化的模式,现在很多基金公司正在进行探索,以基金作为探索的模式进行社交化的运营。比如说这里面有大咖做得很好,大家也可以跟着他投,有一些排名、策略等等,不是以机构作为的执行者,以个人进行策略的执行者。

这里面就说到智能投顾的本质或者叫基金组合投资的本质,其实我认为它是一种风险再分散。大家知道,如果投资者利用资本市场进行投资的话,风险最大的也许收入最高,当然风险最大的有的直接进行股票投资。这里面风险很大,可能只有20%的人赚钱,长期来看80%的人都是亏钱的。

怎么降低风险?通过基金,通过风险分散,来降低风险,提高收益的稳定性。当然基金的业绩怎么样?有一个数据可能行业内的机构都知道,过去一二十年,股票基金每年市盈率只有20%多,投资股票赚钱的几率不到50%,当然这里面有三个原因,一个是追涨杀跌,很多是在高的时候买进去,低的时候反而不愿意买。第二个是持有时间过短;第三个是没有资产配置的理念。但是不管怎么样,买基金比买股票赚钱的比例已经提升到50%了,基金组合相当于进一步分散,相当于二次分散,所以它能达到的目的就是提高最终投资的收益风险比,提高收益的稳定性,当然也能提高赚钱的比例。我们如果按照二八原则推算,刚才储行长也说了,我原来的测算估计买第一组合的人赚钱比例能够提升很多,这就是风险不断分散带来的结果。

这是智能投顾三个常见的模型,每一个资产有它的收益,有它的风险,这个模型能够在同样的组合下让风险更低、收入更高。同样在现行模型下,有一个组合的风险最低。这是马可维茨均值方差模型是能够做到的,当然这个是用过去的收益风险作为未来收益风险预测的一个标准,大家知道这个还是有一些弊端的,所以后来发展到Black—Litteman模型,这是对未来做一个判断,所以说它更前一步更准确一点。当然前两种不管怎么样都是从收益的角度来进行的配置,带来的问题是波动性还是比较大。所以后来有了风险平价模型,风险更平均一点,更进一步降低波动性。

在投顾里面,第一个层次说的是资产配置的模型,下一步就是选择基金,选择基金里面确实中美不一样,美国做资产配置的话,他的投资标的往往是对的ETF,中国有不一样的特点。这是前几年统计的数据,这两年的数据也许有不同,但是基本的特征还是差不多。在美国市场长期来看,大多数主动战胜被动,在中国大多数主动能够战胜被动,这是从2015年往前看十年,我想这个最主要的原因,一个很重要的原因就是中国的资本市场个人投资占比比较高。像专业投资者,基金公司有相应的优势,所以总是占领市场要稳一点。美国市场都是个人投资者,别人跟你差不多勤奋,差不多聪明,你要占领市场非常难。

这是静态来说是这样的。

动态来说,国内投资者越来越强,境外基金进入中国市场越来越多的话,市场越来越强,主动战胜越来越难,所以为什么被动产品到未来发展前景会非常好?不管怎么样,站在现在这个时间节点来说,主动还是有一定的优势,在中国不光要选择指数基金,还可以选择一些长期基金。即使做指数基金,中国有一些指数基金业绩也是不错的,每年有3个点5个点以上,它的优势也是非常明显的。

这里面我们要说一说往金融科技来靠一靠,这里面用到人工智能的技术,比如说准确分析客户的风险与收益偏好,大多数是通过问卷的形式,还可以通过他的消费行为和其他的金融行为,这样对他的收益风险偏好进行准确的判断。

第二是在资产配置阶段,我们也可以利用大数据,利用舆情的变化对这个资产进行主动把握。还有在选择基金方面,可以选择一些组合基金,这里面进行贴标签的方式,如何判断基金的变化,或者仓位的变化或者在各个行业的变化,只有更准确的判断才有利于做更高层次的资产配置判断。

这是第二个大的场景。

第三个场景,智能风控,大家知道基金公司也是五类业务风险,市场风险、信用风险、操作风险等等。

基金公司传统做风险的时候都会有一些量化的指标,比如说一些财务指标,资产负债率、现金流等等。除了这些基础的财务指标,还会有一些进一步的公司治理、战略规划甚至高层的变化。

不管怎么样,传统的对这些信息或者数据的获取,大部分是通过一些披露的信息,公报、季报、年报等这样的一些信息。其实这两年大家有一些变化,开始利用一些第三方平台或者社交媒体来获取不是那么公开信息披露环节披露的信息,能够获取更多上市公司的信息,这里面就用到所谓的人工智能技术。这两年说得比较多的就是智能舆情、企业画像、知识图谱,这是在风险管理里面用得比较多的。比如说通过NLP技术,能够发现原来获取不到的信息,在此基础上结合企业画像技术,更准确地预判这个上市公司的风险问题,这里面涉及到市场风险和信用风险。

还有一个是知识图谱,这两年大家也都在研究,包括交易所专门在进行这方面的课题研究。比如说通过知识图谱建立上下游行业或者上下游上市公司之间的业务依赖关系。比如说当一个国家政策出来之后,会影响到这个上市公司多少,或者某一个上市公司因为他的业务受影响或者出了问题,会造成他的下游或者上游企业有什么延伸的影响。当然这个要建立大量的数据工作,因为你要非常熟悉,比如哪个公司要依赖哪个上游公司,他的供货要依赖于哪个下游公司,建立起来之后可以把风险预判出来,一旦某一个风险出来我们会知道其他的风险,这个都是我们常用的一些机制。

还有一个是流动性风险,基金公司流动性主要指的是基金产品赎回能力,当大规模赎回能不能变现,持有的一些股票如果受限或者灵活性太差卖不掉,包括一些债券。这里面互联网平台有这个优势,通过客户历史上的交易行为或者他在电商平台商品消费的数据,或者一些其他的金融行为,比如小额信贷数据,可以准确刻划客户的流动性需求,这样就反映到金融产品上,你会知道这一天会不会赎回,把这个信息提供给基金公司可以进行基金管理。

第三个方面是智能交易和销售服务,这都是很成熟的技术应用,比如说智能客服这一块,因为现在很多基金公司客服90%的话单量都是靠机器来完成的,我们很多银行也都是这样的。

这里面也涉及到一些客户画像,根据客户持有产品结构、持有风险结构、产品偏好和流失风险等等,了解客户交易行为方式、理财需求,进行一个全流程的客户陪伴。最近很多讲客户陪伴比较多,只投不顾是不行的,不能投完就不管他了,始终要陪在客户身边,当然这个需要靠人工来完成,从一个小白客户变成一个有基础知识的教育,然后再来买基金,买完基金之后,进一步提高他的持有率。还有智能诊断等等,这个都投入了大量的精力,也结合我们投顾的业务,应该说提高客户的体验非常有帮助。