智能投顾-用户画像、投资组合选择、推荐引擎、大数据挖掘

智能投顾面面观之AI慕课

原文地址:https://www.jianshu.com/p/437c895794e0?utm_campaign=haruki&utm_content=note&utm_medium=reader_share&utm_source=weixin

“最后编辑于 2017.11.14 21:49”>2017.11.13 11:47*

自我介绍

大家好,我是博士后研究员肖子龙,在深圳某金融机构任职,研究领域是智能投顾。很高兴今天能来到AI慕课学院和大家做一个简单的交流,我分享的题目是《智能投顾面面观》,从一个研究员的视角从理论、技术、市场、公司几个层面来剖析智能投顾领域,最后就我们准备落地的一个智投项目和大家做一个简单的分享。

慕课回顾

在进行正式的课题分享之前,我们首先对AI慕课学院的《智能投顾高级特训班》课程进行一个简单的回顾。我觉得王蓁博士的智投课程简直就是为我们从事智投领域的工作者量身定制的,真的是手把手的教我们如何搭建一个智能投顾系统。不管你是想转入智投领域的新人,还是了解智投领域但是属于算法小白,抑或是懂智投也懂算法但是尚未实际操盘过整个智投系统的搭建,在这里都能扎实学到你想要的东西。

智能投顾课程体系包括智能投顾的概念原理模型简介等基础性内容;也包括TensorFlow和深度学习模型的应用,自适应建模和优化在量化投资中的应用以及文本挖掘算法等进阶性内容;还包括智能投顾系统架构,从数据清洗到大类资产配置再到智能调仓和组合监控等高级内容。

现在智投班的基础课程已经结束,王蓁博士已经带我们踏进了智能投顾领域的大门,其不仅对智能投顾的原理和市场现状进行了剖析,还对智能投顾的数学基础进行了回顾,另外重点介绍了MPT、BL和TB三个资产组合配置模型。思路很清晰,层层递进。基础打牢后,希望在后续的算法进阶和项目实操方面获取更多的知识干货,并能真正意义上的自己动手完成一个RA系统的搭建。

课题分享

接下来开始跟大家分享课题内容,主要是从研究员的视角来剖析智能投顾,技术细节不会过于深入,请理解。大家如果想了解课题的详细内容,待会分享完后,可将PPT发给大家。第一次做这样的公开课分享,如内容有不对之处,请不吝批评指正,谢谢。

PART 1 理论基础

本研究模块将对智能投顾的理论基础进行系统的梳理。如市面上智能投顾的运行都需要构建资产组合(特别是大类资产配置的智能投顾公司),基于现代投资组合理论(MPT)创建一定条件下风险回报率最高的投资组合成为当前行业的标配;此外,对于提供投资策略和投资建议的智能投顾公司,均需要用到量化投资理论(QIT);最后,如果需要执行自动化交易,还需要用到程序化交易理论(PTT)

现代投资组合理论(MPT)

智能投顾最重要的理论基础是马克维茨的投资组合理论。投资者的投资组合选择可以简化为平衡两个因素,即投资组合的期望回报及其方差。以方差衡量风险,可通过分散化降低风险。给定投资者的风险偏好和相关资产的收益与方差,最优投资组合有唯一解。随着人工智能算法和大数据的普及,现在MPT已经能够在计算机上自动实现,通过海量计算,计算机会告诉你怎样配置资产及分散风险是最优的。目前市面上智能投顾大都是基于MPT,创建一定条件下风险回报率最高的投资组合。

量化投资理论(QIT)

量化投资理论几乎覆盖了投资的全过程,包括量化选股(多因子选股、风格轮动、行业轮动)、量化择时(趋势追踪、市场情绪)、股指期货套利、商品期货套利、期权套利、统计套利、另类套利等(量化投资具体体系可以参照我的简书文章《全栈金融工程师算法技术解构》,地址http://www.jianshu.com/p/6c3888c2e846)。

程序化交易理论(PTT)

程序化交易主要是应用计算机和现代化网络系统,按照预先设置好的交易模型和规则,在模型条件被触发的时候,由计算机瞬间完成组合交易指令,实现自动下单的一种新兴的电子化交易方式。也就是说,程序化交易强调交易模型和计算机程序在交易中的重要性。程序化交易按照步骤可分为交易模型的建立、测评和执行。

PART 2 技术体系

本研究模块将对智能投顾的技术体系进行简单的回顾。一般而言,除了区块链技术很少用以外,大数据、云计算、人工智能三种Fintech底层技术共同构成了智能投顾的技术基础。从技术核心来看,有基于大数据的客户精准画像的构建,给客户推荐不同投资组合的基于协同过滤的推荐引擎,基于网络爬虫、自然语言处理、图像识别等技术的大数据挖掘,以及基于机器学习深度学习的AI算法投资模型或评价体系等。

技术基础

智能投顾运用云计算、大数据、人工智能等技术将资产组合理论等其他金融投资理论应用到模型中,再将投资者风险偏好、财务状况及理财规划等变量输入模型,为用户生成自动化、智能化、个性化的资产配置建议,并对组合实现跟踪和自动调整。

技术核心一:用户画像

用户画像,即用户信息标签化,通过收集与分析消费者社会属性、生活习惯、行为特征等主要信息的数据之后,抽象出用户的商业全貌。用户画像依赖于大数据,并且要根据变化的数据不断修正。智能投顾是通过“用户画像”以各式各样的标签来“理解”用户的特点,然后自动给特定用户提供真正所需的服务。用户画像能给智能投顾带来商业价值。在对用户进行基本信息、财务状况、投资知识、投资经验、风险偏好、风格偏好、策略偏好、行业偏好等维度画像后,智能投顾就可以将不同的投资组合推荐给匹配的用户。

用户画像补充:

用户画像已经成为智能投顾的刚需。智能投顾用户画像的商业价值如下:

1、精准营销:推荐用户感兴趣的股票、债券、基金等,
2、用户研究:指导产品优化,产品功能的私人定制等;
3、个性服务:智能资讯推荐、个性化资产配置建议等;
4、活跃用户:提高交易活跃度,提高用户体验和黏性。

技术核心二:推荐引擎

推荐引擎,即借助个性化推荐技术,基于用户的基本信息,从用户的行为和偏好中发现规律,进而判断用户是否对此项产品感兴趣,为不同用户提供个性化的内容,以此提升产品的内容吸引力。其实质是利用信息过滤技术向用户推荐其可能感兴趣的产品。根据实际各类推荐算法应用情况看,协同过滤推荐算法(即CF算法)比较适合金融机构采用,可尝试应用在智能投顾产品当中。

协同过滤推荐算法基于一个“物以类聚,人以群分”的假设,喜欢相同物品的用户更有可能具有相同的兴趣。基于协同过滤的推荐系统一般应用于有用户评分的系统之中,通过分数去刻画用户对于物品的喜好。协同过滤被视为利用集体智慧的典范,不需要对项目进行特殊处理,而是通过用户建立物品与物品之间的联系。目前,协同过滤推荐系统被分化为两种类型:基于用户(User-based)的推荐和基于产品(Item-based)的推荐。

基于用户的推荐系统具体步骤包括:(1)收集用户偏好,从行为和交易中寻找用户喜好;(2)相似性计算,即找到相似的N个用户;(3)计算并推荐,通过N个用户推荐产品。基于产品的协同过滤算法和上述类似,但它从产品本身,而不是用户角度。比如偏好外汇的用户都偏好QDII,那么可以知道外汇产品和QDII产品的相似度很高,而用户喜欢外汇,那么可以推断出用户也可能喜欢QDII。

推荐引擎补充:

基于用户的推荐系统具体步骤分解:

1、收集用户偏好:从行为和交易中寻找用户喜好

用户偏好应从用户的行为和交易中发现规律,并基于此进行推荐。从财富管理产品内部来看,用户的历史交易记录也就是购买的金融产品是最简单有效的偏好分析依据,此外还包括线下咨询、线上(网页或APP)对某项服务的点击流、页面停留时间等,对不同行为产生的用户喜好进行加权,然后求出用户对某项金融产品的总体喜好,以此来表示用户对产品的喜好程度。比如通过计算得出目标客户A,与其他客户BCD情况。

2、相似性计算:计算与目标客户最相似的N个用户

对用户的行为分析得到用户的喜好后,可以根据用户的喜好计算相似用户和产品,然后可以基于相似用户或产品进行推荐。所谓计算相似度,有两个比较经典的算法,Jaccard算法和余弦距离相似性算法,本质上需要做的还是求两个向量的相似程度,使用哪种算法则需结合实际情况。下面以基于用户的相似性推荐为例:

为计算与目标客户最相似的N个用户,最直接的办法就是把目标用户和数据库中的所有用户进行比较,找出和目标用户最相似的N个用户。以前文A为例,通过用户的相似性计算,目标客户A与D相似度高,基于用户的推荐算法将向A推荐股票、债券和基金。

但是当数据量巨大的时候,计算N个相似用户的时间将会非常长,而数据库中的大部分用户和目标客户A在产品偏好方面不存在交集,故无需计算所有用户,只需计算和A有交集的用户。这里将用到用户的反查表,即偏好股票的有A、B、D,偏好基金的有A、D,通过反查表,与目标A有交集的的用户只有B和D,而用户C被排除。

然后使用相似性公式(Jaccard算法或余弦距离算法),分别计算目标客户A和B、D与的相似度,不管使用哪个公式,A与D相似度最高,但如果此时我们的N设定为2,那么我们就得出了与你最相邻的用户是D和B。

3、计算并推荐:通过N个用户推荐产品

通过相似性计算,根据D和B的偏好,可推荐给目标A的产品有股票、债券、货币、基金、另类资产共五种产品,如何确定上述五种产品的推荐排序,以提高推荐成功效率。这里要使用到相似度,假如使用算法得出A与D的相似度为80%,A与B的相似度为40%,那么对于上面五种产品,推荐度可按以下方法计算:

股票:1×0.4+1×0.8=1.2

债券:1×0.4+1×0.8=1.2

基金:1×0.8=0.8

货币:1×0.4=0.4

另类资产:1×0.4=0.4

所以,推荐系统会首先把股票和债券推荐给A,这个可能是A你最需要的,其次是基金、货币和另类资产。

技术核心三:大数据挖掘

通过网络爬虫等方式获取文本、图片等内容,基于自然语言处理、图像识别等技术,从网络文本、图片中提取关键信息。例如,从公告中提取公司财务数据,从研报中获取一致预期数据,构建网络舆情系统监测行业和概念热点。公司公告(股东大会、重大利好、增发、交易提示、配股、股权股本、重大事项)和财务报表(年报中报季报、业绩预告、业绩快报)、分析师的研究报告、股吧雪球论坛帖子、微博微信社交网络、新闻媒体报道、搜索引擎返回信息呈现给大家的大都是一些非结构化的信息,采用文本挖掘的方法对这些非结构化数据中的金融信息进行挖掘,从而可以在智能投顾中为客户精准推送产品和资讯,辅助客户的投资决策。

文本挖掘是通过分析互联网,从大量文本数据中寻找其规律的技术。互联网数据具有数据量大、数据结构复杂、数据内容分散等特点,呈现出爆炸性增长的趋势。为了从中提取出有效信息,必须选择合适的数据挖掘策略。文本挖掘需要进行大量的数据采集和运算等,其基本挖掘流程划分成内容采集、内容挖掘和行为分析三个环节。

文本挖掘补充:

互联网数据抓取体系
网络文本挖掘流程图

文本挖掘流程具体步骤分解:

1、内容采集

进行互联网文本数据挖掘的基础是数据的真实性和有效性,内容采集主要包括以下两个方面。

  • 页面内容爬取。这是将网页的内容通过爬虫获取的部分,分析页面代码格式,进行网页代码的编码转换等,尽可能获取自己需要的信息。

  • 页面垃圾过滤。页面中不可避免地会存在大量的垃圾信息,这些信息严重干扰到对后期信息挖掘的准确性,页面垃圾过滤机制会找出包括广告在内的段落以及其他对内容挖掘无效的部分,并将其清除,不进入内容挖掘部分。

2、内容挖掘

主要是对需要的特定信息进行提取,该阶段处理后的文本数据是后期进行分词、情感分析的基础。

3、行为分析

整个文本挖掘过程的重点和难点是分词和情感分析,对于海量文本信息而言,程序的处理速度也是至关重要的一点。

技术核心四:AI投资算法

AI投资策略这块主要采用机器学习算法,整合市场数据,构建性能更好的预测模型,判断资产在未来一段时间的走势;通过优化决策,构建更好的交易信号。

以机器学习预测模型为例,完整的机器学习步骤包含预处理、学习、验证、预测四个部分。

AI算法补充:

机器学习主要分为三种类型,监督学习(Supervised Learning)、无监督学习(Unsupervised Learning)和强化学习(Reinforcement Learning)。我们对主流分类方法来介绍机器学习在量化投资中的应用,实际上,各种方法的应用模式可以互相交叉。

监督学习的主要目的是使用有类标的训练数据构建模型,我们可以使用经训练得到的模型对未来数据进行预测。监督是指训练数据集中的每个样本均有一个已知的输出项。如使用回归预测连续输出值,回归的方法有OLS回归、岭回归、LASSO回归等;利用分类对类标进行预测,分类的方法有Logit回归、SVM、决策树、随机森林、KNN、神经网络、深度学习等。

将无类标数据或者总体分布趋势不明朗的数据,通过无监督学习,可以在没有已知输出变量和反馈函数指导的情况下提取有效信息来探索数据的整体结构,从而发现数据的潜在规律。如通过聚类对无类标数据的潜在模式进行挖掘,聚类的方法有K-means、层次聚类等;对数据实现压缩降维,降维的方法有主成分分析(PCA)、线性判别分析(LDA)等。

强化学习的目标是构建一个系统,在与环境交互的过程中提高系统的性能。通过与环境的交互,系统可以通过强化学习来得到一系列行为,通过探索性的试错或者借助精心设计的激励系统使得正向反馈最大化。强化学习有四个基本组件,包括输入:环境(States),动作(Actions),回报(Rewards)以及输出:方案(Policy)。和监督学习不同,强化学习没有确定的标签,需要机器自己摸索,每一个动作对应一个奖赏,最后得到一个奖赏最大的方式进行数据处理。AlphaGo就是一个强化学习的实例。强化学习的主要算法有:Sarsa,Q学习,策略梯度,Actor-Critic学习,深度Q网络等。

AI算法在量化投资中的具体应用可以参照我的简书文章《机器学习在量化投资中的应用》,地址http://www.jianshu.com/p/807a9979ea5e

PART 3 市场分析

本研究模块立足于智能投顾行业发展整体现状,梳理了智能投顾的基本概念、客户群体、投资标的、投资过程等基础知识,对海内外智能投顾的发展情况进行了简单回顾,并就智能投顾的主要特点进行了剖析。此外,通过详细解析智能投顾行业发展的驱动因素和制约因素,了解智能投顾行业目前所处的准确地位,为后面对行业中具体公司的分析做铺垫。

基本概念

智能投顾也称机器人投顾(robo-advisor),其运用云计算、大数据、人工智能等技术将资产组合理论等其他金融投资理论应用到模型中,再将投资者风险偏好、财务状况及理财规划等变量输入模型,为用户生成自动化、智能化、个性化的资产配置建议,并对组合实现跟踪和自动调整。智能投顾作为人工投顾的替代品,通过获取用户的风险偏好水平以及大致预期收益率等指标,运用智能算法以及组合投后的自动化管理技术,帮助用户实现主、被动投资策略相结合的定制化投顾服务。因其服务过程能够实现全部或绝大部分自动化操作管理,因此被称为智能投顾。

智能投顾的发展历史大致可以分为三个阶段:传统投顾阶段、在线投顾阶段、智能投顾阶段。

传统投顾阶段/投顾1.0(20世纪末以前):为高净值客户进行一对一的人工服务,对资产进行全方位的财富管理,赚取顾问费、佣金及收益分成。

在线投顾阶段/投顾2.0(20世纪末-2015年):以人工服务为主,投顾为中等净值客户提供交易性投资组合管理和有限的投资建议;互联网金融时代,客户可根据自身需求在线上平台进行投资理财。

智能投顾阶段/投顾3.0(2015-至今):有限或无人工服务,利用计算机程序系统根据客户自身理财需求,通过算法和产品搭建数据模型,为客户提供理财建议。具有低成本、无情绪化、规模化等特点。

客户群体

智能投顾的目标客户主要面向中产及长尾客户。

中产及以下收入人群庞大,存在强烈的资金管理及投资需求。美国年收入3到20万美元属于中产阶层,占总人口80%左右。而在中国,到2020年,中产阶层将达到7亿人,接近总人口一半。庞大的中产阶级人群,除了购买常见的金融产品之外,还存在资产配置的需求。

传统投顾投资门槛高,投顾费用昂贵,主要客户为高净值人群。传统投顾通过与高净值客户进行一对一沟通,为其提供包括保值、增值、传承、公益慈善等在内的财富管理咨询服务。中产及以下长尾人群很难享受专业化、定制化的投资顾问服务。

智能投顾降低了投资服务门槛。基于互联网提供的服务可根据客户以问卷等形式反馈的信息进行风险偏好判别,然后计算机后台利用算法自动计算出满足条件的投资组合,在全球范围内实现资产配置,本质上来讲节约了专业投顾的人力成本,且可以更高效、便捷、廉价地为C端中低净值客户提供投资理财、资产配置等服务,且起投门槛也明显低于传统投顾。

投资标的

智能投顾给用户呈现的是一个投资组合,投资标的为市场常见的投资品种。背后其实是全球范围内的股票、债券、基金、ETF以及房产、另类投资等投资标的。美国典型智能投顾平台投资标的大部分为ETF,目前国内的ETF产品太少,智能投顾也处于起步萌芽状态。国内当前阶段也只是根据用户自行选择的风险等级和投资期限,给出由多个公募基金构成的投资组合,与FOF比较相似。

投资过程

智能投顾的投资过程基于传统的投资理论和方法策略,实质上是将传统投资理论的应用场景互联网化。大部分智能投顾平台会借助问卷等手段判别用户的风险承受水平、收益要求和投资期限等信息,部分智投平台更是直接让用户先后勾选风险等级和投资期限。无论是以问卷形式还是简单粗暴直接勾选风险承受等级和投资期限,都相当于是对客户的可投资资产风险和预期收益的分析,相当于给平台构建投资组合设定了约束条件。根据客户的风险水平与投资期限,计算机借助风险分散等传统的投资理论以及量化投资策略等方法构建投资组合,并在投后过程实时跟踪宏观事件、市场和投资者偏好的变化等情况,进行自动风控和授权后的自动调仓。

发展概况

1、市场规模

A.T. Kearney公司预测,2016-2020年间美国智能投顾市场年均复合增长率高达68%;2020年整个智能投顾市场的资产管理总额为2.2万亿美元,占当时全球财富管理规模比例超过2.2%,市场渗透率则将从0.5%猛增至5.6%。

在经济L型运行的背景下,中国财富管理市场继续保持高速增长。2016年,中国个人持有的可投资资产总体规模达到165万亿元,2014-2016年的年均复合增长率为21%,继2008-2010年后再次站上20%大关。

2、盈利模式

咨询管理费是智能投顾主要收入来源。智能投顾盈利模式和传统投资理财机构类似,都是收取中间费用盈利。不同的是,智能投顾中间手续费数量少且费用率较低。主要原因是智能投顾平台是依靠互联网优势,可以节省人力成本和分支机构成本。此外,智能投顾具有规模效应,可以通过低费率吸引大量客户,以量取胜。

以美国为例,传统投顾服务收费项目繁多且极不透明,往往会收取咨询费、交易费、充值提现费、投资组合调整费用、隐藏费用、零散费用等近十类费用,总费率高达1%以上。而智能投顾则采取完全透明化的单一费率模式,即只收取0.15%-0.35%的咨询管理费,不再涉及其他费用。但交易过程中产生的交易费、持有费等中间费用由投资者自行承担,由于目前智能投顾投资标的以ETF产品为主,具有费率极低的特点,年总费用率普遍在0.03%-0.55%水平。

3、海外概况

美国智能投顾创业公司先行,传统金融机构后来居上。自2008年起,Betterment,Wealthfront等第一批智能投顾公司相继成立,在智能投顾市场深耕细作,经历缓慢却稳定的增长。Betterment于2016年3月获得1亿美元E轮融资,资产管理规模40亿美元,估值7亿美元,在过去的15个月,资产规模增长了近30亿美元。另一家代表公司Wealtfront于2014年获得6400万美元的D轮融资,目前资产管理规模30亿美元左右。随着人工智能,大数据分析等技术的发展,智能投顾在2015年突然呈现爆发式增长态势,传统金融机构意识到其对传统投顾市场的威胁,亦纷纷成立智能投顾部门,或通过收购创业公司,涉足智能投顾领域。2015年5月,嘉信理财上线智能投资组合服务后,不到三个月时间吸引24亿美元投资,以及3.3万多名客户,目前该项服务资产管理规模超过40亿美元;2015年8月,全球最大的资产管理公司Blackrock收购了机器人投顾初创公司FutureAdvisor,次年三月,高盛收购线上退休账户理财平台HonestDollar。

4、国内概况

相比起美国,我国智能投顾起步较晚,尚处于早期阶段,创业公司、券商机构、银行机构、BAT等互联网巨头陆续入局,智能投顾市场热潮渐渐扩大。自2014年我国首个智能投顾——胜算在握上线以来,智能投顾快速发展,弥财、钱景私人理财、爱理不理网等平台相继上线,各具特色。此外,互联网理财平台和BAT等互联网巨头也逐步开展合作,推出智能化理财功能,配合自身的互联网金融产品超市,加紧在智能投顾领域的布局。据不完全统计,我国目前宣称具有智能投顾功能或者正在研发智能投顾的互联网理财平台超过20家,回顾国内智能投顾市场,由0到1,再到初步完成布局,仅用了2年时间。

主要特征

传统投顾一对一的投资理财询问服务有成本高,服务对象少、知识储备不足,经验较少、存在道德风险等缺点。智能投顾将人工智能和大数据等技术引入投资顾问领域,可以处理海量的信息,快速应对时势。具有低门槛、低费用、投资广、易操作、透明度高和个性化定制六大优势和特点。

1、低门槛

特点一:低门槛使得中产及长尾客户全覆盖,实现全民理财。

传统的专业投资顾问的门槛在百万元以上,而私人银行理财起点多为600万元以上,部分私人银行甚至将门槛设定到1000万元,主要针对高净值客户。大部分中产及以下长尾人群很难享受专业化、定制化的投资咨询服务,而这类人群不仅基数大,在理财上也一直有着资产保值、增值的强烈诉求。智能投顾平台对客户的最低投资金额要求都很低,最低要求普遍在1万元-10万元左右,部分智能投顾如Betterment或钱景私人理财甚至实现了零门槛,这一设定为各层次的投资者打开了私人财富管理的大门,真正意义上实现了全民理财,从而将C端客户的数量指数级扩大。

2、低费用

特点二:相比人工投资顾问,收取更低的费用。

传统投资顾问由专业人士担任,主要针对高净值人群,由于人力成本高,传统投资顾问的管理费普遍高于1%,且边际成本下降不明显。但是基于计算机算法辅助的智能投顾,管理费普遍在0.25-0.5%之间,边际成本随着客户的增多而下降,边际效应明显。

3、投资广

特点三:投资标的范围广阔,可在全球范围内寻求最佳资产配置。

智能投顾平台往往通过与第三方ETF基金公司或国外金融机构合作的方式,为用户提供全球范围内的投资组合,若涉及到税率问题还可自动选择最佳方案。例如Wealthfront涉及多达11项资产类别,包括美股、海外股票、债券、自然资源、房产等,投资组合的载体为指数基金ETF;投米RA为用户提供专门的美股账户用以投资美国股票,RA账户用来投资智能投资组合,包含精选ETF,分别追踪美国、中国、其他发达国家和发展中国家的股票、债券、房地产市场等相关指数,境内理财则是由投米RA提供国内固定收益类产品理财服务(P2P 理财),涵盖活期、短期、中期、长期产品。

4、易操作

特点四:简化服务流程,提高用户体验。

智能投顾的服务流程较为简便。全流程均可以在互联网上实现,相对标准和固定,大幅简化用户操作过程,一般只需几个步骤就可完成投资,省去分析和选择投资标的的过程。智能投顾平台一般都通过网页或APP的形式,投资者只需要在平台上回答相应的投资调查问卷,智能投顾系统便可以评估出投资者的风险偏好水平、确定理财方案,自动生成相应的投资配置组合。整个流程下来所花的时间仅需几分钟,达到高效、精准匹配用户资产管理目标。智能投顾就像一个贴身管家,7*24小时随时响应客户需求,不间断智能化管理客户的专属投资账户。

5、透明度高

特点五:投资组合、投资信息以及费用等信息完全透明,投资过程自动完成,客观公正。

传统投资顾问服务的信息披露晦涩,存在金融产品供应商与客户利益相冲突的问题,而智能投顾对投资理念、金融产品选择范围、收取费用等披露充分,且客户随时随地可查看投资信息。智能投顾给出的资产配置方案多数是基于经典的资产配置理论,具备较强的专业性和客观性。智能投顾严格执行程序或模型给出的资产配置建议,采取自动化策略为客户提供资产组合服务,不会为了业绩而误导客户操作而获得更高的佣金收入,相对传统投顾而言,智能投顾减少了道德风险,更加客观公正。

6、个性化定制

特点六:基于多元的理财目标提供丰富的定制化场景,针对客户的风险偏好及投资期限为其个性化定制最佳投资组合。

基于多元的理财目标提供丰富的定制化场景。智能投顾为投资者提供了基于多种场景的资产配置计划,颠覆了传统投顾的单一的资产管理模式。以钱景私人理财为例,其为投资者提供了存钱购房、存钱结婚、存钱育儿、存钱养老和梦想基金五个理财目标,理财动机不同,定制的理财方案也各不相同。

针对客户的风险偏好及投资期限为其个性化定制最佳投资组合。智能投顾在用户主动提供或测评得到风险偏好及投资期限之后,为其个性化定制最佳投资组合,并且将详细方案清晰呈现。以摩羯智投为例:若设定投资期限1-3年,风险承受级别5,那么系统给出的投资组合是摩羯14号,查看详情可以看到主要分成4类产品组合:固定收益(48.58%)、股票类(26.61%)、现金及货币(13.42%)、另类及其他(11.39%),用户可以看到每一类各自包含的公募基金品种以及对应的资金配比。

驱动因素

智能投顾在金融科技创新、证券行业变革、社会结构变化和巨大市场空间等因素的驱动下,将开启下一个财富管理万亿蓝海市场。

驱动因素一:金融科技创新。大数据、人工智能等金融科技核心技术推动智能投顾登上舞台,并不断的进行产品和服务的创新。

海量数据时代来临,多维度+高频度的大数据为智能投顾发展奠定基础。随着互联网、移动终端普及,以及物联网的兴起,全球迎来海量数据时代,数据规模将呈现几何式增长。同时,数据源将越来越丰富、数据获取方式将更加多元、数据处理成本将持续降低。大数据的蓬勃发展将重塑投资领域格局。除了数据规模外,大数据的发展还包含维度、频度两个方面:1)数据维度不断增加:即用户产生数据的类型、层次、场景越发丰富,诸如交易数据、社交数据、行为数据、信用数据等各类数据层出不穷;2)数据频度快速提升:即数据的记录及发布频率持续提升,由低频数据向高频数据转化,例如,互联网平台流量、浏览有效时长、用户交易额等实时监测数据相对于传统的定期财务报告数据频率更高、更加精确和前瞻反映用户状况。

“研究-交易”是投顾的核心步骤,人工智能技术(包括索引技术、知识图谱、图像识别、机器学习、决策智能等)构筑的智能投顾已渗透在“研究-交易”的各个方面。智能投顾的复杂性在于影响市场的因素复杂繁多,因此AI技术需要在每一步环节将发达的金融理论相结合,目前来看我们认为智能投顾尚在初期。不过随着数据搜索分析、报告生成、量化交易每一步骤得到“细致的”智能化,优秀的智能投顾产品将指日可待。

驱动因素二:证券行业变革。券商佣金率的持续下降,一人一户政策的全面放开,以及行业竞争格局的转变,为智能投顾的发展带来机遇。

券商佣金率持续下降,倒逼券商探索新的盈利点。近年来,互联网证券蓬勃发展,互联网开户、交易、资产管理等业务不断取得突破。激烈竞争导致券商经纪业务佣金率近年来持续下行,2016年一季度行业整体佣金率已下滑至0.042%,创历史新低。佣金率持续下滑对业绩产生深远影响,寻找新盈利增长点迫在眉睫。以智能投顾为代表的增值服务有效提升客户体验,满足个性化需求,同时充分发挥券商投研、产品设计等专业优势,有助于实现经纪业务转型升级,开拓新市场空间。

一人一户政策的全面放开,激发客户多样化需求。2015年4月,中证登发布通知,明确A股市场全面放开“一人一户”限制,即自然人与机构投资者均可根据自身实际需要开立多个A股账户和封闭式基金账户,上限为20户,表明投资者可同时在多家券商开户。新政策环境下,投资者数量、股票账户数量高速增长,且客户更换证券账户的壁垒被消除,潜在需求被有效激发,券商经纪业务的价格竞争一触即发,行业佣金率持续下降,倒逼着券商经纪业务加快转型,提升服务质量。佣金率较低且具有各类特色服务的券商竞争优势将更加显著,而差异化的投顾产品是不少券商的发展重点,据不完全统计,已有超过30家券商推出了基于智能投顾的APP产品,不仅扩大了投顾业务的覆盖面,还能为客户提供个性化的服务。

互联网证券兴起促使行业竞争格局发生改变,智能投顾业务是必争之地。互联网证券的兴起,证券行业原有的竞争格局被打破,传统大型券商、中小型券商以及致力于切分证券业市场的互联网企业,均有强烈的意愿在智能投顾领域取得先发优势。

驱动因素三:社会结构变化。千禧一代的崛起,居民财富的增加,理财观念的成熟和目标多样化,为智能投顾的发展带来了巨大的需求。

千禧一代崛起,更易接受互联网化的智能投顾。中国上世纪八九十年代出生的年轻一代(80后、90后即为千禧一代)正逐渐成为社会的中坚力量。他们的理财投资的行为习惯和思维方式深受互联网影响,更容易接受互联网新事物和新产品,在投资、借贷、理财等金融行为上,更依赖科技驱动型工具与方式,他们中大多数正处于经济能力上升或稳定阶段,未来一段时间内他们对智能投顾的需求会呈直线上升。

居民财富稳步增长,中产阶级不断壮大,投资渠道匮乏引致理财需求巨大。受益于国民经济快速发展,我国居民家庭金融资产持续快速积累,2016年,中国个人持有的可投资资产总体规模达到165万亿人民币。此外,中等收入群体数量可观,我国中产阶级也随着私人财富快速膨胀而迅速拓展,仅次于美国与日本,预计2030年中产阶层数量将占总人口的70%。然而,目前我国财富管理投资渠道依旧匮乏,大部分投资资产集中于银行、基金以及信托等机构发布的理财产品。**不断积累的居民财富以及扩大的中产阶级数量将催生大量理财需求,也对资产管理服务的类型和质量提出了更高的要求,中国整体财富管理市场前景巨大。

居民理财观念日渐成熟,理财目标趋向多样化和定制化。理财意识逐渐觉醒,理财需求增长空间广阔。由于家庭储蓄的增加以及收入结构中投资性收入所占比例逐渐加大,居民的理财投资意识和理财投资参与程度增强,存款搬家不断提速,新增储蓄额占GDP比重近三年来稳步下降,家庭财产形式也从单一的银行存款和房产转变为涉足多种金融资产。 随着房地产市场不断调整,金融产品日益丰富,居民理财观念趋于成熟,中国居民进行资产配置和财富管理的必要性和可行性都在提升,为财富管理行业注入更大活力。

驱动因素四:市场空间巨大。财富配置和投资标的日趋多元化,服务长尾客户实现普惠金融。

固定资产投资逐渐向金融资产投资的转移,财富配置和投资标的日趋多元化。我国居民的投资特点是“重储蓄,轻投资”。与美国多元化财富配置不同,我国整体资产配置还显得过于单一,大类资产以及现金比例过高,不过由于近几年以来,低利率市场环境以及投资理财观念日益流行,我国居民财富配置也逐步呈现出多元化趋势。其中金融资产在居民投资起着越来越重的地位。随着居民投资从原来的不动产、固定收益类投资项目向金融资产转移,居民的金融理财、资产配置及投资咨询等需求将显著增长,而智能投顾作为一个分散投资风险的工具,能有效满足居民多元化投资的需求以及帮助居民实现一定投资收益,将受到潮流所青睐。

填补财富管理行业空白市场,服务长尾客户实现普惠金融。在财富管理方面,目前大众富裕阶层投资渠道较为有限而且相对集中化,传统的二级市场投资如股票和债券,一般需要耗费大量的时间与精力用于研究,还需承担股市波动性可能潜在的投资损益;即便是基金产品,仍需要花费较多精力去跟踪以及筛选,而且集中持股的风险也并未因此而分散化;房地产投资则需要前置大额资金,而且要面临相应政策监管风险、市场价值波动以及租金不稳定等风险;对于其他理财产品,信托产品投资门槛高,而银行理财产品预期收益率持续下滑,这些也导致用户难以省心又省力,获得投资收益相对合理的理财产品与服务。

智能投顾的出现,将按照不同年龄段和不同收入状况的投资者群体的风险承受能力、投资目标给予配置不同类别资产以及投资建议。此外,由于智能投顾具备较高的专业化程度和策略执行力,给出的资产配置方案多数是基于经典的资产配置理论,并且有固定的阀值设置,达到止损、止盈边际会自动操作,能够有效克服人性弱点也无需用户进行操作,从而实现风险有效分散化做到以最小的风险获得最大的投资收益。 因此,我们认为智能投顾通过算法为客户量身定制个性化的理财方案,实现风险/收益合理化,为长尾客户提供普惠式的投资顾问服务,将有效弥补财富管理版图其中空白地带,实现真正意义的普惠金融。

制约因素

智能投顾当前在美国已经发展得如火如荼,国内很多券商和互联网公司也跃跃欲试,不过将智能投顾迁移到国内发展,仍受到一些现实方面因素的制约:如行业公司要面对被动长期投资接受度不高,分业监管受到限制,ETF市场不成熟投资标的缺乏,分类税制使得收益亏损无法互相抵免,风控体系还不够完善等问题。

制约因素一:投资者对被动长期投资模式接受度不高,养老金不能入市。

散户为主的投资者,更关注短期回报,对智能投顾以被动长期投资模式为主的接受度不高。美国投资者大多数是机构投资者,更倾向于通过稳定的投资风格追求深度价值投资和长线回报。而在国内的投资市场散户众多,且可投资产水平较低。散户占比更多,投机性强,赌性大,更倾向于以市场风向为主导,习惯短线操作,因此更关注市场短期波动带来的价格调整,与智能投顾偏重中长期回报的策略步伐不一致。A股换手率远高于全球其它国家股票市场。

养老金虽说契合长线投资需求,但国内尚无入市条件。美国特殊的养老金制度使得个人参与缴费的401K和IRA计划账户占退休收入比重不断提高,此类账户需要自己打理,同时不能提现、不能转移,属于长线投资,智能投顾很好的契合了这类账户的投资需求。而中国养老金则以社保形式由政府全权打理,并无这类刚性需求。

制约因素二:投资顾问与资产管理分业监管,代客理财受到监管限制,多账户归集管理不可行。

美国智能投顾公司受SEC监管,一旦获得投资顾问牌照,既可提供投资建议服务,也可以直接管理客户的资产。而我国投资顾问与资产管理两项业务分属不同的法律法规,这使得我国仅有投顾资格的公司无法代顾客交易。

美国智能投顾平台的大量业务是个人客户委托的养老金账户投资,客户一旦将其个人账户连接投顾平台、经过资金托管后,投顾平台很方便的可以代替客户操作,且跨平台操作也很顺利。而国内的个人客户的资金比较分散,通常持有多个账户,在国内分业监管下,现阶段还无法实现多账户的归集管理,个人单个投资账户随意便捷跨平台的操作几乎不具可行性。

制约因素三:ETF产品有限,金融产品和对冲工具匮乏,无法分散投资组合的风险。

ETF是当下美国市场中成长最快的投资品种,美国ETF资产管理规模已占到全球的73%,ETF产品种类繁多,涵盖国内市场、国外市场、股指、债券、商品等多个类型。大量标准化的资产为智能投顾构建组合提供养料。而中国ETFs产品数量和体量都非常小,据Wind统计,截止2016年5月末,中国市场共有131只ETF,资产规模仅为4729亿元,且主要是股票指数型ETF,其中权益型ETF和货币型ETF合计114只,债券型ETF、商品型ETF等品种较少,金融产品和对冲工具匮乏,无法分散投资组合的风险。此外,中国的股市波动大,T+1的制度,缺乏做空机制等均限制资本市场的创新发展。如果扩展投资标的到非标领域,则面临难以评估风险的问题。

制约因素四:分类税制下难以进行税收规划与统筹,无法进行税收亏损收割。

美国的个人账户种类繁多,税收规则各不相同,例如可减免税的退休金账户、应税经纪账户、联名账户等,由于采用综合所得税制,税务筹划空间大。目前中国的个税征收体系实行分类税制,按照工资薪金所得、个体工商户生产经营所得、劳务报酬所得等11个征税项目,每个项目采取不同的计征办法、适用不同的税率,缺乏对不同交易进行不同处理的相关规定,进而欠缺税收规划的基础和基于资本市场的避税方式,因此,国内智能投顾产品难以通过税收规避或税收收割等手段帮助投资者降低成本。

制约因素五:风控体系的健全程度跟不上智能投顾的自动化程度,趋势投资模式不适应国内的散户市和政策市。

无论是大类资产配置或是投资策略智能投顾都必须设定严格的止损条件。智能投顾有自动化操作的特性,当市场发生突发情况的时候,系统可能无法正常地运行,建立起合理的应急预案和人工处理流程至关重要。此外,智能投顾依赖的是模型和算法,而任何一个模型的搭建是建立在对长期规律的摸索之上,这就决定了由此设定的算法更适合长期的投资,比如趋势性规律。以中国市场为例,由于受到政策性因素的影响多一些,导致短期内模型的参数经常发生变化,所以很难做长期预测。此外,中国市场是以散户投资者主导的市场,通常有比较明显的追涨杀跌等短期行为,指数基金不能择时,对于风险较难控制,一旦遇到熊市,就会遭遇严峻的考验。

PART 4 公司研究

本研究模块立足于公司层面,从商业模式分类入手对具体的智能投顾公司进行调研。按照人为参与程度的高低,智能投顾分为机器为主,以人为主和人机结合三种模式,并相对应六种的主流的商业模式。按照这6种分类,本研究模块将从挑选部分国内外典型智能投顾公司展开分析。

公司分类

按照人为参与程度的高低,智能投顾分为机器为主,以人为主和人机结合三种模式,并相对应六种的主流的商业模式。其中,机器为主中,主要有三种模式,一种是基于现代资产组合的大类资产配置模式,一种是基于量化投资的投资策略型模式,还有一种是基于大数据分析的投资辅助型模式;以人为主中,社交跟投型模式是目前主流模式;人机结合中,又可细分为线上引流至线下的O2O模式以及原有平台在智能投顾方向上的功能扩展。

公司代表

  • 大类资产配置:基于现代资产组合理论,根据不同承受风险,在全球范围内配置最优的各类资产大类品种,如美国股票类、公司债券类、房地产类,防通胀证券类、自然资源等。该模式的关键在于被动投资,不以追求主动收益为主,而以风险最小化追求长期稳定收益为主。国外的代表性公司有Wealthfront、Betterment等。我国目前上线的大类资产配置型智能投顾平台其商业模式与国外的Wealthfront、Betterment等平台相仿,其主要特点是采取与海外经纪公司合作的模式,根据投资者风险和投资目标,遴选全球优质投资标的,分散风险,帮助投资者实现跨区域、跨资产类别的全球资产优化配置,并为投资者带来长期稳健的投资回报。相较于其他平台而言,其资产种类更为丰富而且多样,充分实现资产风险分散化与多样化、同样也为可以成为国内用户投资海外市场简单而且高效的工具。国内具有代表性的智能投顾平台,包括投米RA、蓝海智投、弥财等。

  • 投资策略:投资策略型的智能投顾更偏重于策略与交易,主要有量化策略和主题策略两大类,可以自行开发或者搭建平台。由于投资策略尤其是量化策略的实施效果与交易过程直接相关,这类智能投顾公司交易系统开发的要求更高。国外的代表性公司如基于主题策略投资的Motif,国内如去中介化的策略与交易平台微量网和量化策略平台优矿网等。

  • 投资建议:投资建议型的智能投顾更偏重于大数据分析,通过利用机器学习算法分析公司财报、宏观数据、网络舆情等在内各类海量数据,提供各种垂直化金融服务,如预测上市公司收入、基于突发事件给予投资指导、提供股票策略等。这一类具有代表性的智能投顾平台包括国外的Trefis、Kensho和国内的百度股市通、同花顺iFinD、胜算在握、资配易、理财魔方等一系列智能投顾平台。值得注意的是,针对我国散户多、投资偏好主动投资等特点,该类型的智能投顾重点在于辅助用户进行投资决策,如选股选基和优化资产配置,而非重在策略和交易。

  • 社交跟投:将职业或业余投资高手的投资业绩和持仓情况分享出来,供投资者参考,让普通投资者享用投资咨询服务,最直接从社交投资网络中获益的方式就是复制/跟投其他用户的投资策略。社交跟投型的智能投顾代表性平台包括国外的Covestor,国内的雪球网、股票雷达和嘉实基金推出的金贝塔等。

  • O2O:通过线上免费的金融工具吸引大量客户,而后二次挖掘出合适的客户引流至线下,并提供有偿投资服务。这类智能投顾平台的特点是将机器人投顾与人工投顾相结合,既为客户提供免费的财务规划工具,同时也向有需要的客户提供收费的私人投资顾问服务。国外典型的智能投顾O2O平台如Personal Capital,国内如七分钟理财。

  • 原有平台在智能投顾方向上的功能扩展:将智能投顾功能很好地整合到公司原有运营的体系,通过对接内外部资源和投资标的,更好地服务原有体系的客户,以及增强吸引投资者的作用。具体包括传统金融公司推出的智能投顾服务,如国外的先锋基金和嘉信理财和国内的平安一账通(平安保险)、摩羯智投(招商银行)、璇玑智投(民生证券)、贝塔牛(广发证券)等;互联网金融公司在智能投顾方向的切入,如国内的京东金融推出的京东智投等;以及第三方财富管理平台的智能化,如国内的聚爱财PLUS(聚爱财)、钱景私人理财(钱景财富)等。

国外公司

Wealthfront

商业模式:大类资产配置

公司官网:https://www.wealthfront.com/

公司简介:Wealthfront是最早推出智能投顾服务的平台,如今已成为智能投顾领域的标杆。其前身是一家于2008年在硅谷成立的名为“KaChing”的共同基金分析公司,于2011年12月转型为智能投顾平台,成立时华尔街遭遇低谷,科技金融类公司逐渐发展壮大。WealthFront首先关注将IPO的Facebook的员工,在Facebook得到不错的效果后公司把目光投向了LinkedIn。随后Amazon、苹果、Dropbox、Google、微软、Palantir和Salesforce等也成了公司的顾客。这些客户也开始邀请科技圈以外的人加入公司。因此该公司的首要目标客户就是硅谷的科技人员,这一群体处于中产阶级,具有较高的收入水平,并且他们习惯于从互联网获得服务。该公司致力于根据客户的风险承受能力最大化扣除管理费和税后的净收益率,曾被评为“2013年度ETF策略分析师”。目前,Wealthfront的资产管理规模已达40亿美元,拥有8万多投资者,已募集资金已超1.29亿美金。

投资标的:Wealthfront只提供11个资产类别的跟踪指数的ETF基金,包括美国股票、其他发达国家股票、新兴市场股票、分红股票、房地产、自然资源、美国政府债券、公司债券、新兴市场债券、市政债券、防通胀证券(TIPS)。ETF产品的挑选标准包括费率水平、指数跟踪误差、市场流动性等。被动投资、以ETFs为主要投资对象是Wealthfront投资最关键的两大特点。

资料来源:华创证券

盈利模式:Wealthfront通过收取运营费和管理费实现盈利,公司投资门槛为500美元。公司的主要收费结构主要包括两部分,一是ETF运营费,一般平均费率为基于管理规模的0.12%每年;二是资产管理费,资产管理费是基于管理资产规模进行收费,其收取标准是:1万美元以下的部分免费,1万美元以上部分收取0.25%每年,同时每介绍一位新客户,用户可获得5千美元额度的管理费减免。Wealthfront专注于小额资产管理,从其费率结构上也可以看出投资金额在1万美元以内的用户可以获得更优惠的费率。

使用流程:Wealthfront投资过程主要分为四步:1)在线问卷测评,计算用户风险等级:通过10个问题,包括年龄,收入水平,资产规模,最大损失承受意愿等,了解客户客观的风险承受能力和主观风险偏好水平,从而计算出客户的风险等级;2)基于算法推荐投资组合:以现代投资组合理论为基础,根据用户风险偏好、账户类型等信息,向用户提供从11种资产大类投资标的选取的投资组合(投资标的是跟踪各大类资产的ETFs);3)用户资金转入第三方券商,实现代理投资:Wealthfront将用户资金转入第三方证券经纪公司ApexClearing,并代理客户向客户发出交易指令,买卖ETFs。目前和Wealthfront和合作的公司有先锋集团、黑石、嘉信等;4)实时跟踪,定时调仓:Wealthfront对投资情况实时跟踪,根据用户需求变化更新投资组合,同时采用阈值法(设定上下限)定时调仓。

资料来源:东吴证券

功能特点:Wealthfront的主要功能包括用户在线问卷调查测评、基于算法推荐投资组全、用户在线平台充值、自动投资、实时监测。另外,增值服务也是Wealthfront的一大特色,其主要包括单只股票分散投资服务、每日税收亏损收割、税收优化直接指数化。此外,公司还具有针对性地开发教育经费计划和针对硅谷科技从业者发散单一员工持股的风险。

Betterment

商业模式:大类资产配置

公司官网:https://www.betterment.com/

公司简介:创立于2008年的Betterment于2010年5月正式发布智能投顾产品,以自动化在线服务方式帮助客户进行财富管理,此后一直保持着良好的发展态势。目前Betterment管理的资产规模已经超过60亿美元,用户数达到20万,人均账户资产约3万美元,可为客户提供理财规划(Financial Planning)、个人退休账户管理(IRA)、信托基金管理(Trusts)、税收亏损收割(Tax Loss Harvesting+)等多种服务。

投资标的:Betterment的投资标的由股票ETFs和债券ETFs组成,包括6种股票ETF和7种债券ETF。所有的Betterment用户都可以以低成本和高流动性的ETF投资方式配置全球化资产。

资料来源:作者

盈利模式:Betterment通过收取管理费实现盈利,无起投门槛。低于1 万美元:每年收取0.35%的管理费(如果账户存款低于100 美元额外收取3 美元/月);1 万美元至10 万美元:每年收取0.25%的管理费;高于10 万美元:每年收取0.15%的管理费。Betterment旨在为个人账户和家庭账户提供智能投顾管理服务。费率结构上来看,优惠的费率也主要针对投资金额超过10万美元的账户。

使用流程:Betterment投资过程主要分为四步:1)投资计划推荐:用户在首页上填写投资目标相关的基本信息资料(年龄、在职或退休、年收入)。Betterment基于年龄和收入,为客户推荐了三个投资模式:保守型的安全模式、以退休收入为目标的退休模式和保值增值型的普通模式,不同模式设定了不同的目标收益范围和股票、债券配置比例;2)选定初始目标:用户可以根据自己的需求先选定其中的一项投资模式,还可以对投资目标进行更改或增加更多的投资模式。Betterment会根据不同的投资模式提供不同类型的投资计划建议和推荐资产配置,并告知用户达到目标所需的投资金额。随着时间的推移,Betterment也将不断提供平衡风险和报酬的最新建议;3)开设账户:填写基本信息,填写财务背景资料,选择主要和备份的安全问题并设置答案;4)投资交易:注册成功后,该账号与用户的银行账号相绑定,用户可以通过Betterment平台直接投资,在用户的投资网页界面上,显示着客户的投资余额总额,包括本金和收益,并以仪表盘的形式显示着客户的投资中股票和债券的投资比例和余额总额。Betterment向客户提供合适风险的股票和债券的任意组合,客户只需要决定在股票和债券两个投资项间的资金分配比例,即相应调整风险的高低,剩下的工作就可以由Betterment自动完成。

资料来源:作者

功能特点:Betterment没有设计关于用户的风险偏好的问卷,只需要了解用户的年龄、投资目标和投资期限,就可以为用户输出优化的投资组合,大幅简化了用户的操作过程。相较于其他平台,Betterment在投资理念方面更为侧重于目标导向型,而且不断开发新的理财产品以便于更好服务这一理念,比如近期,公司发布一款新项目智能存款(Smart Deposit),通过转移其在银行多余资金用于投资以获得更多投资收益。此外,公司还有退休指导计划(Retire Guide Calculator)、税收协调资产组合(Tax-Coordinated Portfolio)等其他特色产品。

Motif Investing

商业模式:投资策略(主题投资)

公司官网:https://www.motifinvesting.com/

公司简介:Motif Investing是一个以主题作为导向的投资平台,平台上的投资组合被称为Motif。投资者可以根据自己兴趣,直接使用平台上已有的Motif,也可以修改Motif中股票和ETF基金的组成和比重后再使用,更可以创建全新Motif。

投资标的:目前,Motif包含不超过30支具有相似主题的股票或ETF基金,例如奥巴马医改法案、无人驾驶智能汽车等。在Motif Investing上官方提供的Motif有150个,平均年收益为16.3%,投资者建立的Motif超过18万个。除了提供Motif之外,还提供了9个不收取佣金和年费的投资组合。这9个组合包括了股票和ETF基金,有保守型、稳健型和激进型三种之分,为各类投资者提供了短期、中期和长期的投资方案。对于每个在网站上注册的投资者,Motif Investing提供Investing DNA服务。Investing DNA服务是指网站提供一系列问题,涉及投资者年龄、投资期限和投资兴趣等,根据投资者在网站上填写的资料,评估投资者的风险偏好,为投资者建议合适的Motif。

盈利模式:在收费方面,无论投资者在某个Motif上的投资额是多少(最低不能低于250美元,保证金交易的账户余额不能低于2000美元),也无论该Motif由平台提供还是投资者建立,投资者按照Motif购买或出售一次组合,平台都会收取9.95美元,如果该Motif是由投资者建立的,建立者将获得9.95美元中的1美元。如果投资者交易的只是其中的一支证券,而不是一个组合,则每次收取4.95美元。

使用流程:

1、按主题投资

Motif围绕着文化、时事、大趋势以及模型公式来建立不同的理念主题。这对于依据新闻信息和国际趋势来决定投资的投资者来说,无疑有巨大的帮助。文化的主题涵盖了社会责任公司和政党公司;时事投资提供的基金涵盖了广泛的领域,比如从美联储获益逐渐减少的公司,到令人难以想象的特定公司,比如抗击埃博拉的公司。

大趋势主题投资组合涉及到众多股票种类,其中包括应对气候变化的企业,或者从消费者延长汽车寿命中获利的企业;基于模型的主题投资组合可以拥有一揽子的股票,目的是在一个轻微下降之后反弹来达到平衡。或者他们可以用“五月抛股离场”的方法来更多的倾向于防守。

2、按行业投资

Motif不仅能够提供传统的部门和行业选择的主题,像金融、医疗保健和技术;而且还能够提供一些有趣变化的主题。例如,在消费行业,“沙发经济”的主题投资组合包括在线公司——消费者购物都不用离开自己的沙发。用户甚至可以选择宠物护理和咖啡因的公司。技术领域提供的投资主题包括可穿戴技术和3D打印技术。这些主题类型能够很好的满足不同的投资者对行业或企业的特殊需求。

3、按传统投资

这类基金包括资产配置、股息、固定收益和预定日期的主题投资组合。包含多种资产类别的ETFs(交易所交换基金)构成了资产配置的主题,这些ETFs从一年期的保守型期权到十五年期的积极型投资组合,在定义期限的方法上各有不同。股息主题是相当简单的,因为他们的目标是为寻求管理收入而持有股利支付型股票。利用各种各样的债券ETFs来创建固定资产的主题投资组合。这些主题中又有不同的选择,例如其中包括:加州市政债券、国际债券和浮动利率债券。预定日期的主题投资组合也适用于那些在接近指定退休年龄时想让自己的组合自动变得更加保守的投资人。

4、按社交投资

一旦创建账户,用户就能够与其他主题用户进行讨论。为了最大限度的提高投资知识以做出更明智的投资组合决策,想法和理念在这里碰撞。除此之外,这里也有其他用户创建的主题社区能够帮助你更为透彻的了解最新的投资趋势。在这个类型中已有超过7500种的主题投资组合(并在不断增长中)。

功能特点:Motif提供了一种粗鲁简单的选择投资方式的方法——乍看之下可能会让人感觉强势。然而,这种强势选择主题投资组合的方式无疑会满足任何一个想要开户的用户。无论这个基金的建立是基于周围趋势、传统领域或者是基于时间,这种广泛的选择应该都会让消费者高兴。Motif Investing的用户能够自由创建分散化的投资组合或投资主题。一个主题投资组合实际上是一个投资者管理的共同基金或者ETP(在交易所交易的商品)。如果想在预算范围内拥有各种股票,那么Motif可能会是你值得拥有的投资工具。

Covestor

商业模式:社交跟投(跟投业余或职业的投资高手的投资组合)

公司官网:https://www.covestor.com/

公司简介:Covestor是2007年创立的一家社交投资平台,总部位于美国波士顿,主要为客户提供在线投资管理服务,与很多基于简单算法的智能理财平台不同,该平台允许用户复制成功的个人或者专业投资者的真实交易信号。

投资标的:目前平台支持的交易品种包括:美国股票、美国存托凭证(ADRs)、封闭式基金和ETFs。截至2013年12月31日,Covestor管理的受监管的资产规模(Regulatory Assets Under Management, RAUM)为28,208,737美元。

盈利模式:Covestor会根据交易高手管理投资组合所花费的时间,将其分为5类。然后在每一类中根据订阅投资组合的规模大小为每一笔订阅支付报酬。非注册发布者会获得每一笔订阅的固定报酬支付,而注册投资顾问则可以和Covestor平分向用户收取的管理费和业绩提成。

使用流程:

目前与Covestor合作的只有Interactive Brokers(IB)一家经纪商,对于每笔交易,IB大约收约1美元的佣金。需要说明的是,申请注册Covestor的账户需要导入用户关联的证券经纪账户的历史交易数据。

正如Covestor一直宣称的帮助用户挖掘顶级投资者那样,交易高手是Covestor这个平台的核心。与ayondo类似,Covestor上面的"交易高手"和"跟单者"也是完全不同两种身份。在Covestor平台上的交易高手有两类,一类是非注册发布者(Non-registered Publisher),另一类是注册投资顾问(Registered Investment Advisor)。注册投资顾问是指通过SEC注册的提供投资咨询服务的专业人员或者机构。这两类交易高手都必须使用自有资金进行交易,并且至少要有一年以上的历史业绩。

在Covestor平台上,用户订阅交易信号是以交易高手管理的投资组合为单位的,用户可以选择关注其中某个或多个。Covestor上的用户可以选择复制投资组合的交易行为,也可以选择只订阅投资组合的内容信息,对于后一种客户则只收取一笔"直接访问费用"(Direct Access Fee)。

功能特点:Covestor是美国当前最有影响力的金融互联网公司之一,它最大的贡献在于首创了 “跟随投资”这一模式——Covestor从全球各地挖掘了几千名业余或职业的投资高手(Covestor管他们叫“种子人选”),将他们的投资业绩和持仓情况晒出来,让大家可以模仿高手进行操作。 Covestor的理念迅速获得了美国平民投资者的欢迎,美国股市的情况大家知道,机构投资者占绝大多数,散户很难在股市中盈利,所以有这么个让大家可以赚钱的网站绝对是群众喜闻乐见的。

Covestor正是借鉴了MOM模式的投资理念,通过建立科学、严格的筛选机制,以及大众投资者的点评,Covestor能够从众多的“种子选手”中挑选出真正业绩出色、操作稳定的投资管理人,并将它们推送给投资者。不同之处在于传统MOM模式将投资管理人挑选出来以后,就直接把这些管理人旗下的基金打包成合集产品卖给市场,投资者能进行的主动操作非常有限。而Covestor则是将这些信息分享出来,供投资者参考,从这一层面来说,Covestor模式更灵活、覆盖人群更广,让普通的散户投资者也能够享用的起投资咨询服务。

国内公司

摩羯智投

商业模式:传统金融公司原有平台扩展(招商银行APP5.0的智能投顾功能)

公司官网:http://market.cmbchina.com/personal/mbank201701/index.html

公司简介:摩羯智投于2016年12月6日上线,是招商银行对从工具到平台、从交易到咨询、从单向到互动、从封闭到开放策略的又一重大突破,不仅是在中国银行业的一项创新与突破,也开启了中国银行业迈向未来银行的进化之门。摩羯智投虽然大量运用了人工智能技术中的机器学习算法,但并非完全依赖机器,而是通过人与机器的智能融合方式,是智能投顾领域的革命性创举。

投资标的:根据投资者给出的风险偏好,摩羯智投会从中国公募基金池中选取他们认为合适的基金来帮助投资者进行资产配置。也就是说,摩羯智投本质上是一个组合基金(FOF),根据其内部电脑(或者人为)规则来帮助投资者从这3000多家基金中选取他们认为更适合投资者的基金产品。

截止2016年年底,中国大约有3000多家公募基金。根据摩羯的资料介绍,该投资团队从3000多个公募基金中选取了17个基金。这些基金包括:8个债券基金,7个股票型基金,1个货币基金(招行自己的217004),1个黄金基金。

(注:摩羯投资团队每隔一段时间会更换被选中的基金。下面这个基金列表基于2016年年底,因此随着时间的推移,该列表可能会发生变更。)

资料来源:Woodsford Capital

盈利模式:招商摩羯智投的收费模式,在其手机APP上没有明确说明。但投资者可以从其公募基金池中看到一些费用的端倪,这些基金的申购费和管理费收的越多,最终客户的回报就越少。

资料来源:Woodsford Capital

从上图中我们可以看到,摩羯智投选的这些公募基金的申购费在0.25%-1.5%之间,年管理费在0.33%-1.8%之间,基金托管费在0.1%-0.35%之间,赎回费在0.1%-1.5%之间。因此摩羯智投的费用不会比这低。

使用流程:摩羯智投的资产配置服务流程完善,为用户提供一键优化调整建议。 摩羯智投并非一个单一的产品,而是一套资产配置服务流程,它包含了目标风险确定KYC、组合构建、一键购买、风险预警、调仓提示、一键优化、售后服务报告等,涉及基金投资的售前、售中、售后全流程服务环节。不仅如此,摩羯智投在向客户提供基金产品组合配置建议的同事,也增加了较为完善的售后服务。比如,摩羯智投会实时进行全球市场扫描,根据最新市场状况,去计算最优组合比例,如果客户所持组合偏离最优状态,摩羯智投将为客户提供动态的基金组合调整建议,在客户认可后,即可自主进行一键优化。

功能特点:平台流量和资产规模为其发展提供支撑基础。相比较于创业型的智能投顾平台,摩羯智投在客户流量方面更具优势。招商银行管理者中国最有价值的中高端个人客户的金融总资产达到5.4万亿,理财资产管理规模达2.3万亿,金融资产托管规模为9.4万亿,而摩羯智投正是站在这一强大的金融数据平台上的一项新型智能化服务。

投米RA

商业模式:大类资产配置

公司官网:https://www.itoumi.com/

公司简介:投米RA,原投米网,是宜信旗下智能投顾平台。投米网一直主攻P2P行业,但随着近期行业形势转冷与监管的趋严,公司也感受到了进行转型多点布局的重要性,投米RA于2016年4月上线,平台对接美国嘉维证券DriveWealth,是宜信财富发挥在全球资产配置管理领域的整体战略和海外优势,打造的一站式资产配置平台。平台锁定以高净值客户为主的宜信财富原本未能覆盖的市场——可投资资产在30万-300万之间的客户。

投资标的:投米RA遵循资产配置“黄金三原则”(跨地域国别配置、跨资产类别配置、以FOF的方式超配另类资产),推出一站式全球化资产配置服务的智能理财平台。平台通过对接美国嘉维证券DriveWealth,起投额为500美元,其底层资产为全球ETF投资组合,从300多支ETF(交易型开放式指数基金)中精选出11只跨类别、关联性弱的投资产品,设置9个不同风险的投资组合。投资标的覆盖全球发达国家和活力发展中国家的股票、债券,美国房地产和全球黄金等, 这些投资产品关联性低、跨国别跨地域,所组成的组合在市场风险高时对冲风险,也能在长期时间段内获得稳健收益,从而实现全球资产配置、多样化投资以及风险分散。

资料来源:作者

盈利模式:投米RA盈利来源主要有两块,一是资管费,二是规模效应带来的一些衍伸收益。但因为考虑到智能理财前期的市场培育以及用户体验,投米RA目前免去了所有服务费、管理费。虽然短期内盈利能力有限,但“去人工化”的方式将大大降低理财服务的成本,这让更多的大众投资者有机会分享过去仅提供给私人银行客户的投资策略和理财服务。因此,机器人投顾被视为投米RA抢占未来财富管理“长尾市场”的重要砝码。当市场成熟的时候,投米RA再考虑一些相应的盈利模式。

使用流程:投米RA的投资流程完全仿照海外经典行业模式,投资过程主要分为五步:1)开户:首先下载投米RA手机客户端,打开投米RA进入资产页面注册账号进行注册,填入个人信息完成注册后,开始进行风险评测,评测完成后输入姓名确认提交;2)审核:提交开户信息后,一般需要等待1-2个工作日等待审核;3)选定组合:开户审核通过后,便可以根据前面的风险评测结果确定风险等级,然后根据不同的风险等级从9大投资组合中智能选定(不同的投资组合中投资标的一样,但是具体股票、债券和其他ETF的比重会不同);4)注资:组合选定成功后,便可以开始进行注资了,当投资金额在1万元人民币以下时,建议使用银行卡支持;当投资金额超过1万元人民币时,建议使用银行电汇;5)自动投资:注资到账后,系统会根据选定的投资组合自动进行投资,无需用户做任何操作。此外,平台还提供后续调仓服务,通常每隔数月便会进行一次。

资料来源:华创证券

使用流程还可以具体参考投米RA公司官网:投米RA投资攻略

功能特点:投米RA(Robo-Advisor)是宜信财富旗下、中国领先的智能理财平台,其优势很大程度上来源于宜信财富的丰富财富管理经验以及庞大的客户资产规模,机器人+强大的全球资产配置专家团队正是投米RA的优势所在。因此,投米RA配备了一支由业内顶尖人士组成的机器人开发团队,以及由多名拥有20年以上华尔街金融投资经验的专家组成的全球资产配置团队。通过机器人深度学习和资深的投资建议,来打造投米RA智能投顾的核心优势。其功能主要是为用户私人定制全球资产配置组合,一键美元投资、自动调配避险。投米RA的主要特点有:

  • 全球资产配置组合:9大智能组合,历史10年年化收益可达9.9%;
  • 智能调配避险:个性化定制组合,随风险变化再平衡;
  • 投资美元享收益:投资强势资产,坐享全球经济发展红利;
  • 灵活便捷一站服务:资金灵活,500$起投;一个账户买遍全球;
  • 宜信十年值得信赖:财富管理十年积累,华尔街资深资产配置专家团队。

续篇链接:《家族财富管理系统项目概述》

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/480286.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

论文浅尝 | KG Embedding with Iterative Guidance from Soft Rules

论文链接:https://www.aaai.org/ocs/index.php/AAAI/AAAI18/paper/download/16369/16011发表会议:AAAI 2018摘要知识图谱表示学习旨在将实体和关系嵌入到向量空间,同时保留知识图谱的内在结构。传统方法主要基于关系三元组学习知识图谱的嵌入…

人工智能轨道交通行业周刊-第69期(2023.12.11-12.24)

本期关键词:集装箱智能管理、智慧工地、智能应急机器人、车辆构造、大模型推理 1 整理涉及公众号名单 1.1 行业类 RT轨道交通人民铁道世界轨道交通资讯网铁路信号技术交流北京铁路轨道交通网上榜铁路视点ITS World轨道交通联盟VSTR铁路与城市轨道交通RailMetro轨…

可信知识实证在UGC时代情报应用中的思考与探索

可信知识实证在UGC时代情报应用中的思考与探索 在当前互联网高度发达、可发布信息源和信息渠道猛增且多元化的大背景下,信息形态变得广泛且多模。从传统的纸质文档,到中期的电子结构化文档、电子非结构化文本,再到如今的语音信息、图片信息、…

Google | 创造Youtube单次上线最高收益!解决推荐中的信息茧房困境

星标/置顶小屋,带你解锁最萌最前沿的NLP、搜索与推荐技术文 | 江城编 | 夕小瑶今天分享一下Google在WSDM 2019的一篇将强化学习应用于Youtube推荐的论文,作者宣称是获得了Youtube近两年来单次上线的最高收益。文章仔细介绍了RL在Youtube上的实践方案细节…

POJ 2785 有多少种4个数相加等于0的方案(二分查找 or hash)

文章目录1.二分查找法1.1 思路:1.2 AC代码2.hash查找法2.1 思路:2.2 Wrong Answer 代码2.3 Time Limit Exceeded 代码2.4 偷懒失败,hash_map在poj中不存在2.5 哈希表二叉查找树(超时)2.6 AC代码(哈希数组法…

2018最新阿里Java技术三面(已拿Offer):JVM+高并发性能+单点登录+微服务

一面 1.自我介绍 2.谈一个你觉得你学到最多的项目,使用了什么技术,挑战在哪里 3.Spring的bean的作用域?(比如:singleton,prototype等) 4.Spring的IOC实现原理?没有无参构造函数能…

论文浅尝 | 基于局内去噪和迁移学习的关系抽取

动机在远程监督任务中,除了语料的错误标注问题,还存在句内噪声单词过多的问题,即多数句子都存在一些与表达关系无关的词汇,这个问题未有人关注。当前研究的另一个问题是,句子特征抽取器采用随机初始化的方法&#xff0…

关于知识图谱,我们接下来该研究什么?斯坦福教授们给出了答案

星标/置顶小屋,带你解锁最萌最前沿的NLP、搜索与推荐技术文 | 舒意恒(南京大学硕士生,知识图谱方向)编 | 北大小才女小轶本文整理了斯坦福大学 CS 520 知识图谱研讨会课程的第 10 集的内容,主要是关于知识图谱未来的研…

POJ 2967 (水题,考察putchar()按位输入)

题目链接:http://poj.org/problem?id2967 题目大意: 给定系列长度,求是否有规定的三角形 (不是所有的都可以组成三角形&&有至少一种组合可以组成三角形)-> 打印通过,否则打印拒绝。 题目有时…

四大银行(工建农中)大数据进展如何?

原文地址:https://cloud.tencent.com/developer/article/1052576 中国建设银行中国建设银行信息技术管理部资深经理林磊明▼▼1、银行压力越来越大从十二五走到十三五期间,银行业面临的各方面的压力越来越大,从我们的年报数字可以看出去年四大…

论文浅尝 | 多内容实体和关系联合抽取的对抗训练

链接:https://arxiv.org/pdf/1808.06876.pdf动机Szegedy 在 14 年发现,对于图像分类问题的神经网络,若是在输入中人为的添加很小尺度的扰动,会让已经训练好的神经网络做出错误的判断,并且可能以很高的置信度输出。很多…

BAT面试进阶:最全Memcached面试30题含答案

【memcached面试题目】 Memcached服务在企业集群架构中应用场景? Memcached服务在不同企业业务应用场景中的工作流程? Memcached服务分布式集群如何实现? Memcached服务特点及工作原理是什么? Memcached内存管理机制原理? Memcached的…

一份从入门到精通NLP的完整指南 | NLPer

该小博主介绍本人:笔名zenRRan,方向自然语言处理,方法主要是深度学习。未来的目标:人工智能之自然语言处理博士。写公众号目的:将知识变成开源,让每个渴求知识而难以入门人工智能的小白以及想进阶的小牛找到…

论文浅尝 | 基于知识库的类型实体和关系的联合抽取

链接:http://hanj.cs.illinois.edu/pdf/www17_xren.pdfGitHub项目地址:https://github.com/INK-USC/DS-RelationExtraction动机现有的利用远程监督进行实体关系抽取的方法中存在以下三个问题:1、依赖事先训练的命名实体识别工具,而…

POJ 2255 Tree Recovery(已知前序中序,求后序)

1. 题目链接:http://poj.org/problem?id2255 2. 题目大意: 给定二叉树的前序和中序序列,输出其后序序列 3. 思考过程: 4. AC代码 /*** description: 给出前序和中序二叉树节点序列,求后序二叉树节点输出序列* auth…

美团内推:java高级开发(一面+二面+三面),面试58题实拍!

美团内推(一面二面三面)面试题目 美团一面(电话) 自我介绍 项目介绍 Redis介绍 了解redis源码么 了解redis集群么 Hashmap的原理,增删的情况后端数据结构如何位移 hashmap容量为什么是2的幂次 hashset的源码 …

ACL20 best paper荣誉提名 | DO NOT STOP Pre-training!

星标/置顶小屋,带你解锁最萌最前沿的NLP、搜索与推荐技术文 | JayLou娄杰(NLP算法工程师,信息抽取方向)编 | 可盐可甜兔子酱在昨晚23点的best paper典礼上我惊了,这篇论文竟然获得了今年ACL2020 best paper荣誉提名..…

论文浅尝 | 对于知识图谱嵌入表示的几何形状理解

论文链接:http://anthology.aclweb.org/attachments/P/P18/P18-1012.Presentation.pdf发表会议:ACL 2018摘要知识图谱的嵌入表示在近几年已经成为一个非常活跃的研究领域,众多相关方法相继被提出,这些嵌入方法是将知识图谱中的实体…

数据结构--堆 Heap

文章目录1. 概念2. 操作和存储2.1 插入一个元素2.2 删除堆顶元素3. 堆排序(不稳定排序)3.1 建堆3.2 排序3.3 思考:为什么快速排序要比堆排序性能好?两者都是O(nlogn)4. 堆应用4.1 优先级队列4.2 用堆求 Top K(前K大数据…

金融时报:人工智能在银行中的应用—对全球30家大型银行的调查

原文地址:https://cloud.tencent.com/developer/article/1144829 (微信公众号 点滴科技资讯)尽管银行业对新技术感到兴奋,但仍采取比较谨慎的方式。德意志银行首席执行官约翰•克莱恩(John Cryan)曾经提出将…