0
| 本文作者：温晓桦 | 2016-11-29 23:02 |
日前雷锋网报道，近来许多本是面向一般投资者，俗称散户的智能投顾公司，其业务都开始陆续转向B端，收缩或者放弃C端，包括投资海外标的和投资国内市场的平台。
据统计，当前中国市场上，提供智能投顾服务的公司大约有二十家，其中大部分前期以服务C端用户为主，但也有一类是直接探索服务B端的模式，即通过开发智能投顾工具，提供给金融机构使用，比如PINTEC旗下的璇玑。据了解，璇玑已与民生证券签署排他性合作协议。
璇玑古语为北极星，和其他智能投顾类似，璇玑提供基于公募资金进行全球数字化资产配置的服务。其实，服务于B端的智能投顾，最后还是为C端客户所用，但是，通过B端机构提供服务，其体量一下就非常大了，由此而产生的风控和策略能力都会是全新的要求。
雷锋网对璇玑公司的 CEO 郑毓栋进行了专访，探讨智能投顾的智能问题。郑毓栋拥有新加坡国立大学经济学硕士和计算机科学学士学位，先后曾担任渣打银行中国投资策略及咨询总监，产品总监以及花旗银行新加坡产品总监等，在财富管理领域有10余年经验。
雷锋网：璇玑的服务和B端机构自身的决策系统是怎样的关系？机构也会有自己的资产配置方案或者是量化能力的。
郑毓栋：这个我解释一下，今天很多机构其实没有基于客户级别的资产配置和建议调仓的方案的。我所谓的客户级别是指，这些机构也许可以把很多客户看成一类人，但是没有办法把每个客户看成这个客户本身。
因为客户有很多种情况，就算他们在年龄、资产属性、工作情况等方面画像都一样，但进场的时点不同，后续平衡和调仓的时间就又会不一样，因此一个人的组合跟另一个人的组合也会不一样。所以根据每个人的个性化组合的变化、个人情况、市场的变化，如何来形成一套实时的、智能的调整建议方案，以及新的组合方案，这是今天没有一家传统机构能够实现的。
雷锋网：那在具体制定客户画像的过程中，除了刚才说的各种情况来协调，那么具体是怎么做客户画像刻画的？
郑毓栋：用户的画像刻划分成两个维度：客户的主观风险承受能力、主观的风险忍受能力，以及客观的风险承受能力。
客观的风险承受能力由客户的客观情况决定，比如年龄、资产，一般来说，年纪越大的风险承受能力应该越低，资产越高的风险承受能力应该越大。此外，想做短期投资的可能风险承受能力较低，资金可以长期被放置的，其风险承受能力相应也应该会较大，这是客户的客观风险承受能力。
但是客户还有主观风险忍受能力，这是与其主观情绪相关，比如有的人亏损5%就受不了，有的人亏30%也没关系，这个就是主观的风险忍受能力。所以我们在考察客户画像的时候，两个维度都需要得到，然后取两个维度的低值，就是客户真正的风险状况。
但在实际的运作情况当中，我们看到很多传统金融机构的问卷，其实把两者混在一起来问了。第二，很多客观的问题是问不出来主观情况的，因为客户可能都不太愿意把真实情况泄露出来，所以问卷得到的客观状况也许是不真实的。所以我们的问卷比较注意在主观问题上设计，权重也比较大。此外再通过与客户的长期沟通和交流来补齐用户的画像，大概是这样。
比如一些跟心理学相关的问题，举例来说，“有两只股票，一只涨了10%，一只亏了10%，现在一定要卖掉一只来筹措一笔资金，你会怎么样？”、“以下的投资品种，你最愿意持有五年以上的是什么投资品种？”“你是愿意持有一只你看好的股票，还是愿意持有一套房产，还是愿意持有一套理财产品？”……这种主观问题不涉及个人隐私，客户会更愿意回答。这套问卷的设计者是我们首席学术顾问朱宁老师，他是一个行为金融学教授，之前在美国师从耶鲁的席勒教授。
雷锋网：面向广大C端用户满足定制化需求，主要存在哪方面的困难？
郑毓栋：第一个能力是模型需要有非常大的灵活性和伸缩性。因为每个机构面对客户所拥有的产品是不一样的。比如某机构连接了五十多家基金公司，但另一家机构可能只有二十多家基金公司的产品，与此同时也拥有纸黄金、银行理财等一类的产品。那怎么在这样的情况下提供专属于这家机构的数字化资产配置服务来给他们的客户呢？也就是模型需要有能力去伸缩。
第二就是把方案与银行IT系统进行嫁接和部署的能力。一方面，金融机构对于信息安全的要求非常高，其客户信息不能离开整个银行或金融机构的体系。另一方面，因为每个银行的整个环境都是不一样的，比如IT系统用的是英特尔还是思科，数据库用的是甲骨文还是其他，随之技术接口和运维体系也不同，所以你要有一套能力去高度抽象其技术，然后把自己的方案嫁接到它的IT架构之上，这是很困难的事情。
第三个难点，每个银行的交易和账户体系都不一样，那要对客户做客户级别的资产配置的话，一定要在搭载其客户账户体系的情况下去做相应的需求连接。
雷锋网：灵活性和伸缩性方面，灵玑是如何去做的？
郑毓栋：我们一开始就把模型分成了几个可拆解的子模块，包括数字处理、大类资产配置、产品选择和交易优化，因此各子模块对于各种数据的获取都是非常灵活的，彼此分工，把一个复杂的问题在模型层面就拆解成几个能够被处理的子问题，来方便与各类机构对接。
与美国的智能投顾不同，其追求的是有效市场的被动投资，但尽管如此，其仍难以控制投资组合的最大回撤。这在国内市场来说，该当如何？
雷锋网：有人说金融本质是风控，那在在风控这一环节璇玑是怎么去做的呢？
郑毓栋：第一，资产配置的本意就是防范风险，是通过资产的分散来防范单一资产崩盘，或者遭遇黑天鹅事件的时候，给客户整体资产带来巨大损失的风险。所以，资产配置本身就已经是分散风险的行为。我们知道风险资产配置这个概念是由马科维茨在1952年提出的——基于每一个资产有不同的风险的波动，然后资产和资产之间有相关度，所以把不同的资产配比在一起的时候，它的负相关或者弱相关的资产叠加起来，可能给整个组合提供以更低的波动度而达到更高的预期收益的方式，叫资产配置。
所以在这当中大家就知道——如何去计算波动度，或者实时地获取资产的波动度和相关度，以及预测资产的收益率，成为了非常重要的方式。而这些数字是完全可以通过技术和大数据来实时解决的，所以如果我们能够实时的去获取数据的话，理论上我们就能够把这些数字更准确的反映在模型当中，让模型得出一个比拍脑袋或者人的估算更准确的一种资产配置的方式和体系。
第二个就是通过资产底层的选择。我们知道中国是一个以主动管理产品为主的国家，但是欧美的智能投顾都是以被动产品为主，那我们在选择资产的时候要特别注意风格变化——产品的底层风格变化所带来的整个组合的波动，注意产品挑选上要有很不一样的标准——以拟合为主的标准，而不是以传统的或者选择所谓的五星基金，或者表现特别好的基金这样的方式。
第三，在底层资产上避免选择个股，就是策略容量非常小的资产。也就是，如果你选择个股的话，可能客户同时买进或者卖出，对价格都会造成很大的波动和影响，但是基金不会，所以这也是另一个我们在做的一个事情。
雷锋网：那么是否会有过拟合的问题？在利用大数据和机器学习过程中，怎么去避免？怎么去纠正？
郑毓栋：对，机器学习会有个数据过拟的问题。过拟往往是由于数据太多所导致的，所以我们在传统的角度来说，并不是数据越多越好。我们看来，选择的因子需要根据资产的不同来选择不同的因子，比如美元的指数对黄金来说就是个很重要的因子，但是它对A股相对来说不是特别相关，而是弱相关的因子。所以并不是把所有可以得到的经济数据都一股脑的扔到这个机器里面让它去学习。需要一定的筛选和选择。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
