继长尾信贷后，“大资管”将成为人工智能渗透的又一领域。2016 年至今，安信计算机团队 后发表三篇深度报告(《Fintech，开启新的财富之门》、《财富管理，从 Fintech 到 FinLife》、 《消费金融，新常态中的新风口》)，系统性阐述“金融科技”的前世今生。我们的结论“场景是基础、牌照是保障、技术是手段”金融科技产业核心要素得到业界高度认可。
同时，明确指 出金融科技本质是金融，经营风险是核心，以人工智能为代表的科技创新实质上是大幅提升 金融服务效率，从而让“长尾客群”享受原本只属于“头部客群”的金融服务;过去一年，我们也欣喜的见证了以消费金融为代表的长尾信贷蓬勃发展。
深度行业研究报告下载：乐晴智库网站 www.767stock.com
乐晴智库，行业深度研究（微信公众号：乐晴智库）
时至今日，无论是高盛投资 Kensho 预以取代证券分析师，还是微软人工智能首席科学家邓 力加盟对冲基金 Citadel，种种现象级事件表明:“人工智能”已悄然走进“大资管时代”，它将为整个产业带来什么样的变化?我们拭目以待。
“大资管”复杂度指数级提升，人工智能将如何“破局”。相对于借助人工智能技术定量分析长 尾信贷对象信用等级，“大资管”所面临的数据复杂程度及所需人工智能分析复杂程度指数级 提升。
以狭义人工智能构建股票组合为例，A 股证券标的数量 3000 左右，理论上可以构建 的投资组合数量大约是 10500 左右，若将每一组合股票数量限制在 5-50 之间，也将会有 1033个预期投资组合;区别于传统的人工选择方式，机器学习是将全部可能的投资组合都进行逐 一计算，最终选出满足一定收益和风险指标的投资组合呈现给客户。相对于已基本完成破局 的“泛信贷”领域，人工智能在“泛资管”领域将面临更大挑战。
数据、算力、算法，人工智能在“大资管”领域的核心要素逐步成熟。在“泛资管”领域，本质 上是“资产端”与“资金端”在风险及收益两大方面的匹配，天然的数据化及实时可回归的属性， 让以数据为核心驱动的人工智能大有可为;随着云计算的普及，以算力为代表的 IT 基础设 施以全新的方式供给，面向“大资管”各细分应用场景的算法优化值得期待。
深刻剖析“大资管”产业链，按图索骥探寻“人工智能”投资机遇。有别于其他研究报告上来就 对“智能投顾”、“智能量化”、“机器人投顾”等概念及应用的介绍，我们将沿着一贯的研究框 架，先后对什么是“大资管”?“大资管”分哪几个产业环节?人工智能将在哪些产业环节发挥 作用?全球范围有哪些主要玩家?抽丝剥茧，逐步理清如何寻找“大资管时代”的人工智能投 资机遇。本质上，在充分理解“大资管”产业链的基础上，在人工智能可以提高“效率”的环节 做文章。
正本清源，从产业链出发理清研究脉络
什么是“大资管”?产业环节如何划分?。“资管”即资产管理，“大”是一个泛指的概念，缘于 随着监管的不断放开，原有资管业务外延不断拓展;准确而言，“大资管”应该是信托的概念， 即:将资产托管给机构去管理;注意，站在机构的角度称之为“资产管理”，站在客户的角度 则称之为“财富管理”，即:客户寻求可信贷的机构为自己的资产进行保值增值。简言之，我 们所熟悉的银行理财、保险销售、券商经纪等领域属于“财富管理”，即:通过大量线下或线 上渠道触达客户，提供多元化金融产品，满足客户的“财富管理”需求;像银行资管、保险资 管、券商资管，还有我们最为熟悉的公私募机构就是通常意义上的“资产管理”，即:更多的 不是去考虑如何挖掘分析客户需求，而是做和做好“投资”或“资产配臵”。
如下图所示，“大资管”本质上是对“资产端”与“资金端”的匹配，不同属性的金融机构在整个 产业链中扮演不同的角色，以实现“财富管理”与“资产管理”职能。
从全球顶级机构最佳实践中，再次强化如上产业划分。下图来自波士顿咨询发布的《中国资 产管理市场 2015》，通过“资产获取/产品设计”及“分销模式”等维度，分别对全球主要资产管 理/财富管理机构的业务构成做了量化分析。其中，我们耳熟能详的 Blackstone(黑石)作为 精品资产管理机构，以配臵“PE/地产”等另类非标资产为主;Merrill Lynch(美林证券)以其 强大的经纪业务实力，则是“财富管理”翘楚。
综上所述，“大资管”可细分为“资产管理”与“财富管理”。其中，我们常听到的“智能量化”、“知 识图谱”诣在提高“资产管理”运营效率;更为广为人知的“智能投顾”则主要是借助人工智能满 足长尾客群的“财富管理”需求。以下，我们将通过四个章节，先后就人工智能对资产管理的 升级、对财富管理的改造详细展开分析，并在对全球先行者全面梳理后，针对人工智能对我 国“大资管”产业即将产生的变革做深入思考。
资产管理:人工智能颠覆式利器出鞘
人工智能辅助之“量化交易”
量化交易从很早开始就运用机器进行辅助工作。分析师通过编写函数、设计指标，观察数据 分布，而这些仅仅把机器当做一个运算器来使用。量化交易分析师们对财务、交易数据进行 建模，分析其中显著特征，利用回归分析等传统机器学习算法预测交易策略。
这种方式有两 个主要弊端，其一是数据不够丰富，仅限于交易数据，更重要的是它受限于特征的选取与组 合(Feature Engineering)，模型的好坏取决于分析员对数据的敏感程度。直到近些年机器学 习的崛起，数据可以快速海量地进行分析、拟合、预测，人们逐渐把人工智能与量化交易联 系得愈发紧密，甚至可以说人工智能的三个核心领域(机器学习，自然语言处理，知识图谱) 贯穿量化交易的始终。
用机器学习解决海量组合空间与计算机处理能力之间的瓶颈。以 A 股的证券标的数量 3000左右为例，理论上可以构建的投资组合数量大约是 10500(将所有可能的股票种类排列组合) 左右，这超出了目前计算机的处理能力。
区别于传统的人工选择方式，机器学习是将全部可 能的投资组合都进行逐一计算，每天全部可能的投资组合的数量级一般在 1033(每一个组合 股票数限制在 5-50 之间)，证券投资人工智能系统就从这 1033 的投资组合中，按照一定的算 法进行筛选，最终选出满足一定收益和风险指标的投资组合呈现给客户。
对于机器学习系统来说，1033 的投资组合仍然是一个天文数字，不可能依靠遍历法来学习和 比较每一个投资组合以从中选择。近日受到广泛关注的人工智能围棋系统 AlphaGo 是从大约10180 个可能局面中寻找走棋方案的，其使用了蒙特卡罗搜索树技术来显著减少了系统的计算 量，在不大幅度牺牲解的质量的前提下，提高了搜索效率。
基于机器学习的投资策略使用的 也是类似蒙特卡洛搜索树来减少搜索空间，选择优质的投资组合。使用了深度卷积网络训练 出来的价值网络极大地提高了之前单纯依靠蒙特卡洛搜索树来做判断的精度，因此可以在较 短时间内为用户提供大量优质投资组合。
人工智能投资系统能够接近实时动态更新市场信息。在择时交易方面，不同于 AlphaGo 的离 线人工学习系统，证券投资人工智能系统使用的是在线的机器学习系统，其知识库每十分钟 更新一次，因此该系统所提供的交易策略与投资组合方案都是根据上个十分钟内市场行为及 证券价格信息所产生的。
智能交易系统的用户无论在任何时间从移动终端设备接入其机器人 投资顾问，所获得的都是最新产生的投资策略，用户在确认之后，将由系统的交易执行模块 即时下单，以确保交易的时效性。
人工智能对于证券投资而言，是投资方法论的变革。人工智能系统采集金融市场以及宏观、 微观经济数据等作为系统输入，同时采集的数据还有证券投资市场中流通交易的所有证券的 历史价格，在机器学习系统中采用基于深度神经网络的深度学习以及蒙特卡洛搜索树以理解 市场运行的规律，在决策系统中形成有效投资组合，由交易执行系统完成交易，然后转向风 险监测系统进行监测，并在获得收益/损失后对交易进行业绩评估并反馈机器学习系统。
根据管理人的管理规模、期限、预期收益、风险偏好制定投资计划的拟定投资组合。根据投 资计划为客户构建投资组合和投资组合的调整，也可以对用户自定义的投资组合进行诊断、 看护(盯市、预警和风险提示等)服务交易执行，由于采用更好的算法，大数据分析系统能够 比普通投资人更好地择时(在交易时间段内选择最优的价格进行买或卖的操作)，公司可以定 制一个完全属于客户自己所拥有的智能交易代理(IA)，这个智能交易代理完全在客户的授权 范围内执行交易。
交易需要的买卖信号由客户向公司系统订阅;风险管理采取不间断盯市的 策略，能够依据预先与客户商定(或人工智能资管公司推荐)的风险管理规则对客户的投资组 合进行各种风险管理操作，包括调仓、平仓、补仓。
全球最大的对冲基金桥水联合(Bridgewater Asspcoates)早在 2013 年就启用人工智能团队。 该团队约有六名员工，由曾经供职 IBM 并开发了认知计算系统 Watson 的 David Ferrucci 领导。
据彭博新闻社报道，该团队将设计交易算法，通过历史数据和统计概率预测未来。该程序将 随着市场变化而变化，不断适应新的信息，而不是遵循静态指令。而桥水基金的创始人也曾 公开表示，其旗下基金持有大量多仓和空仓，投资 120 种市场，持仓组合高达 100 多种，并 且以人工智能的方式考虑投资组合。 
Rebellion Research 是一家运用机器学习进行全球权益投资的量化资产管理公司。Rebellion Research 在 2007 年推出了第一个纯人工智能投资基金。该公司的交易系统是基于贝叶斯机器 学习，结合预测算法，响应新的信息和历史经验从而不断演化，利用人工智能预测股票的波 动及其相互关系来创建一个平衡的投资组合风险和预期回报，利用机器的严谨超越人类情感 的陷阱，有效地通过自学习完成全球 44 个国家在股票、债券、大宗商品和外汇上的交易。
人工智能辅助之“证券研究”
借助人工智能提取新闻、政策、社交网络参数让量化交易模型更强大。当量化交易分析师发 现数字推测模型的局限性后，开始考虑引入新闻，政策，社交网络中的丰富文本并运用自然 语言处理技术分析，将非结构化数据结构化处理，并从中探寻影响市场变动的线索。通过爬 取个人及企业在其主页、社交媒体等地方的数据，一来可以判断企业或其产品在社会中的影 响力，比如:观测 App 下载量，微博中提及产品的次数，在知乎上对其产品的评价。
当前，知识图谱在工业界还没有形成大规模的应用。即便有部分企业试图往这个方向发展， 但很多仍处于调研阶段。我们认为这其中的难点在于如何与特定领域机构建立起一套合作方 式，如何将合作变成一种可轻易编程的界面，让该领域专家可以通过系统以一种非常简单的 方式进行行业逻辑的建模，而他的逻辑可以通过系统实时得到验证，使其进一步更新，只有 通过专家与机器反反复复的迭代，形成闭环，才会服务好用户。
深度行业研究下载：乐晴智库网站 www.767stock.com
乐晴智库，行业深度研究
微信公众号：乐晴智库
个人微信号：lqzk777
新浪微博：乐晴智库
