play
新浪财经讯 由中国证券投资基金业协会金融科技专业委员会主办，易方达基金、华夏基金、通联数据、阿里云、新智元等协办，新浪财经作为媒体支持的“2018全球智能投资峰会”于8月30日（周四）08：30-18：00在北京金融街威斯汀大酒举办。本次峰会的主题为“聚·变”。
本届峰会以大数据、人工智能等前沿技术在金融行业的应用为主线，涵盖金融科技、智能投资等热点话题。峰会召开的同时将现场揭晓委员会主办的全球金融数据探索与发现大赛（FinancialData Discovery Competition，以下简称FDDC大赛）获奖者，并邀请全球人工智能专家、FDDC大赛导师和获奖者进行互动交流。
通联数据智能投研总监盛元君发表了《人机结合打造智能资管》主题演讲。
盛元君认为，未来智能资管的建设框架可分为四个层次。第一层协同应用层面，包含大类资产管理平台，跨业务研究、智能应用等；第二为业务应用层，包括权益类量本投研、固收类智能投研等；第三，模型算法层面，包括智能搜索引擎，盈利预测，投研框架模型，量化因子，风险模型优化器，AI宏观预测等；第四，技术处理层面，包含自然语言处理、信息工程、信息抽取等。
而在华安证券股份有限公司副总经理徐峰与盛元君的对话中，盛元君认为，当前AI的应用存在两个难点。一是，中文博大精深，人工智能在深度语义的理解方面还是有难度的，二是一些偶发事件发生后的应对，这是机器还无法超越人类的。
以下为通联数据智能投研总监盛元君演讲实录：
主持人：接下来让我们有请出通联数据智能投研总监盛元君，盛总曾在一线金融机构任职，擅长大类资产配置，曾管理超200亿元的投资组合，如今也被通联数据吸纳麾下了，为通联数据智能投研产品-萝卜投研的完善和升级贡献智慧。盛总将为我们带来《人机结合打造智能资管》的主题演讲，有请！
盛元君：各位领导、各位嘉宾以及各位同业的朋友们，大家下午好！今天很荣幸来到这边给大家做一个主题的分享。其实今天我想给大家讲一个故事，什么样的故事？是一个关于传统资管行业的一名投资经理，为何要转型到人机结合这样的一种投资新模式下，并且希望将这种新模式推广到整个资管行业的故事。
在加入通联数据以前，我是一家大型券商资管的投资经理，管理着很大规模的组合。我在组合管理的过程中发现了很多的问题，什么样的问题？我觉得这些问题一会都会讲到。但这些问题用人脑其实很难去解决，或者说用人脑解决的效率非常的低下。在人工智能飞速发展的今天，我就产生了一种担忧。什么担忧？我这样一名传统行业的资管投资经理是否未来相当一部分的工作都会被机器所取代？也是基于这样一种担忧，我做了一个决定，我选择积极去拥抱这种趋势。就像早晨张院长说的，我选择去做一个会用人工智能的投资经理，这样就避免以后会被机器所取代或者说会被会用人工智能的投资经理所取代，并且我也希望能够教会其他的传统行业投资经理怎么样去更好地应用人工智能。
大家可能要问了，为什么是在这个时候？这个时候为什么这么重要？其实这和我们现在所处的经济周期有关系。我们现在所处的是什么经济周期？是全球的康波周期的箫条期。康波周期的箫条期意味着什么？上一轮技术的迭代已经很难在推动人类继续快速的往前进步。这就意味着我们需要一个新的技术来承担起推动人类继续发展的大的周期，那这个技术是什么？我相信就是人工智能、是机器人。
对于我们在座各位金融机构的领导以及各位的投资者而言，这个时候也非常非常的重要。为什么？因为我们整个资管行业正在面临转型，资产管理新规刚刚公布，那么我们所有的金融产品都在往净值化的方向去做转型。净值化意味着什么？意味着整体的金融机构对核心投研能力提升的要求放在一个非常重要的位置。核心投研能力的提升，我相信不仅仅来自于人，也会来自于科技。所以我今天的这个主题就叫做“人机结合打造智能资管”。
首先，我们来看一下，全球非常非常多的主流的金融机构其实都在采用金融科技，在帮助人高效的完成他们原来可以做的工作。有哪几方面的痛点或者问题，机器可以帮助人来解决呢？第一个就是今天说的非常多的——大数据的处理，尤其是在一些粗糙数据的处理上。我们知道国家有很多经济数据，比如说统计局公布的GPD数据，CPI数据，这些都是经过统计之后得出的。但是我们每天却面临很多的粗糙数据，比如说微博数据、微信数据、股吧的数据，我们怎么样利用好这些数据来做投资的决策？这一点人脑是远远不够的，机器做得比我们好很多。
第二，传统模式的升级。我不知道大家有没有看过建设银行已经推出了完全无人的零售网点，我去过以后也感觉非常的震撼。一些重复性的金融工作已经完全被机器所取代，这是一种业务模式的升级，是一种业务模式的高效化，我相信这种业务模式的升级会逐渐的从一些简单重复的劳动到更加高端的一些劳动，这些都可以让机器来帮我们完成。
第三，基于客户需求的个性化服务。我们知道过去提供金融产品说，我们这个金融产品很好，这个金融产品可以适用所有的人。但是现在我们知道了千人千面，所以我们怎么样根据每个人不同的需求去设计适合他们的金融产品？我觉得这一点人脑处理得也没有机器那么高效，机器至少可以帮到我们大幅的提升这样一种提供不同金融产品的效率，这就是利用到了像用户画像等等这样的一些技术。
回到投资主题上，在投资研究领域机器怎么样可以帮到我们？可以解决怎么样具体的痛点？我提出了三大痛点。
第一痛点叫“知行不合一”，知行为什么不合一？因为我们每个人都有人性的弱点。具体有两种表现的形式：
第一，叫看对做错。作为投资人无论是散户、大V、还是专业的投资者，都可能存在说原来是这么看，但最后却没有这么做，这存在于当你和其他很多人看法不一致的时候，而往往你可能是对的，但是你最后没有坚持下来。这是为什么？是因为你决策的逻辑不清晰没有固化或者没有因子化，用白话说，你的投资决策是拍出来的。
第二，叫“路径依赖”。当你在某一个投资决策上有仓位的时候，你往往倾向于继续相信支持这种投资决策的因素，而往往忽视了可能使你改变投资决策的其他因素。用更白话来讲就叫“屁股决定脑袋”，所以机器其实可以帮到我们非常好的来解决这两个现象，也就是所说的“知行不合一”的问题，这一块待会儿会具体展开讲。
第二个痛点叫“信息和收集处理的效率低下”。在目前大数据信息爆炸的时代，每一天都面临着信息过载的问题，人脑不可能每一天接触到所有发送给我们的信息，即使是我们邮箱当中的信息都可能看不完。怎么样让机器帮助我们找到对我们有用的信息？基于我们关注的一些标的，给我们及时的推送我们应该要知道的信息，这个其实也是机器可以帮我们解决的一个非常重要的痛点。
第三个痛点叫“资产管理行业的管理边界受限”。作为传统的资产管理投资经理，我曾经管理过15个投资组合。15个投资组合，每一个投资组合的风险要求、收益要求、流动性要求、投资期限的要求都不一样。想想看每天要分析这么多组合，要根据不同组合的属性提出不同的投资策略，这是多么困难的一件事情？你即使在用每天更新15个组合的Excel的表来做大数据的分析，我觉得都是一件非常累、非常花时间的事情，但是这个事情机器却可以做得很好，它可以帮助人大幅地去拓宽一个传统投资经理的管理边界。
接下来一个一个来看，首先解决第一个问题“知行不合一”。怎么样情况下可以做到知行合一？我刚才提到要将决策逻辑进行固化，最好是清晰化写下来，甚至将它进行因子化。这些因子机器可以帮助我们用大数据的形式，告诉我们说，这些因子每一天或者每一周都发生了什么样的一些变化。大家看到右边这张图是叫“雷达图”，雷达图是我们通联数据的投资决策“五因子模型”，这五个因子分别是什么？第一个叫经济增长、第二个叫通货膨胀、第三个叫流动性、第四个叫风险偏好、最后一个叫估值。
假设，把投资逻辑进行这样的固化，当经济增加上行，通货膨胀温和，流动性改善，风险偏好提升，估值水平较低的时候，我们应该买入股票。如果经济增长下行，通货膨胀下行，流动性改善，风险偏好下降，以及利率的估值、债权的估值较低的时候，我们就应该买入债权，我们将这样的投资逻辑进行固化之后，接下来的事情就很简单了，要让机器告诉我们说这一些因子到底发生了什么样的变化。
但是要实现这一点也很难，并不是说怎么知道经济增长是上行还是下行？我们怎么知道通货膨胀是上行还是下行？我们现在所看到的任何经济数据其实都具有滞后性，每个月公布的工业增加值，每个月公布的CPI，每个季度公布的GDP都是非常的滞后，当我们看到这些数据的时候看到的是过去的数据。我们能不能通过更加及时的了解经济增长、通货膨胀的情况？其实是可以的。在国际上，包括现在的国内都有很多高频的数据可以及时的反映经济增长的上行和下行，通货膨胀的情况和变化。增长和通胀大家都觉得非常的直观，接下来来讲一下估值。
大家都知道股票的估值，炒股的同事可能比较熟悉，我们用折现现金流的方法来反映股票和整个市场的估值。如果我们要去测度一下利率的估值，有没有办法？什么叫做利率的估值？利率的估值就是指说现在实际的利率，我们每天看到的国债的利率，其他债券的利率和经济所隐含的利率中枢之间是什么样的关系。现在的利率到底相比于经济能承受的是高了还是低了？如果高了就认为说应该有下行的动力，如果低了就认为它应该往上收，所以这个利差就是我们叫做利率的估值。现在利率的估值是在什么样的状态？可以看到这个利差现在仍然是正的。也就是说，目前国债的利率水平仍然在经济所隐含的利率中枢的上方，我们认为利率是便宜的。
刚才讲的这些因子，我们讲一个逻辑是当机器会告诉我们这一些因子的变化，而我们决策逻辑又进行固化之后，我们做决策就可以很有效地避免“知行不合一”的问题。可能有人会问了，在这个流程当中机器起到的是辅助作用，未来有没有可能机器占主导作用，而我们人作为辅助？其实我们现在已经有了这样的方法。什么样的方法？这个方法叫做热力图，其实如果我们在座有做研究的同事，大家可能会比较熟悉，宏观研究有三种方式。
第一种方式叫做逻辑推演，就是我们刚才谈到的决策逻辑因子化，当增长怎么变，通胀怎么变的时候我们应该怎么做决策。第二种宏观研究的方法叫做数据规律，我可能会去找一些领先的指标或者说找指标之间两两的关系，当一个指标发生怎么样变化的时候，我就知道另外一个指标应该怎么变了。顺便讲一下宏观研究的第三种方法叫做草根调研，这个可能大家都非常熟悉了，像今年如果去过湖南调研的同事回来以后对经济非常的悲观，这是一个草根调研的一种方式。
这边讲到的是数据规律，数据规律在这边的应用是怎么应用的？这张热力图当中它的纵轴是一些非常重要的经济指标，而它的横轴是一个时间，我们要做一件什么事情？我们就要找到历史上跟现在最相似的宏观环境是在什么时候。同时，我们做了一个假设，历史是会重复的，在相似的宏观环境下，资产价格表现也是非常接近。基于这样的一个假设就有了这样的案例，在今年的5月份做了统计，我们发现2018年5月份的宏观经济环境和什么时候非常接近？和2015年的5月份非常的接近。
我们看一下2015年的资产价格表现是什么样的？我们这边用一个利率的上行和下行来反映。在2015年5月份的时候到2015年的年底，利率有一个小浮上行之后，没有改变它下行的趋势。我们知道2015年的债券是一个牛市。因此在今年的5月份也做了相似的判断，我们认为在降准之后，利率也会出现相似的走势，小浮上行之后并不改变大的下行的趋势，所以这是数据规律的验证，也是我们用机器来直接做决策。机器去学习到历史上宏观环境最相似的那个点，然后找出当时的资产价格的表现，从而来推断当下资产价格的表现以及未来一段时间的资产价格的表现。
除了利率，大家可能也非常的关心股票，我也来讲一下股票的市场。这边有一个沪深300，也就是非常重要的指数，这个模型也是基于大数据规律的方式去找到历史上影响股票市场表现的因素，然后来看一下当下这些因素到底是怎么变化的。上面这个黄线就是上涨的概率，看50%以上表明上涨概率很高，50%以下表明上涨概率比较低，也就是下跌概率比较高。而下面的这条线是沪深300的实际走势，将这个PPT上的两张图进行对齐，上面的预测概率是往上推了一个月，所以把这张图往上推了一个月，从而看到时间走向看到是一致的。在今年以来发出三次明显的下跌信号的时候，沪深300指数的确也发生了明显的下跌。实际上，在5月份之后，指数的信号一直在50%以下，甚至非常非常的低，所以看到到目前为止整个指数都还在筑底的状态。
除了股票市场的择时，专业的投资者可能也会比较关心风格。在当下的市场环境下，到底是我应该买价值股还是买成长股？我应该买大盘的票还是买中小盘的票？我们这边也有一个择时的模型，它是基于对于过去的资金面、估值波动，对于一些风格的影响，从而来判断当下这些因素是怎么样的变化，从而去推动现在到底要买什么样的股票。简单介绍，我们现在的结论是仍然应该超配成长风格的中小盘股票，也就是说以中证500为代表的股票，我们认为在今年接下来的时间仍然会跑赢市场。
到这里为止，我想已经把第一个问题，怎么样解决“知行合一”的这个问题讲清楚了。接下来解决第二个问题，大数据时代下的信息收集和处理，怎么样做到更加的高效。我们平时都会经常用百度，当我们知道谷歌要回来的时候可能还兴奋了一把，谷歌相比于百度会更好用，或者有一些人也会觉得百度更好用。无论你觉得哪个更好用，一定每一天都离不开搜索引擎。
我们在金融行业设计了这样一个垂直的搜索引擎，你可以把什么东西搜索出来？比如说最近比较关注拼多多，我搜了一下拼多多之后可以搜到哪些数据？第一类的数据叫做行业特性。电商可能关注的活跃用户数，它就会告诉你说拼多多现在到底有多少活跃用户。如果我搜一家地产公司，它可能会告诉我说，这公司最近拿了多少地，我如果搜一家影视公司，它可能会告诉我说这家公司最近上映的电影票房怎么样，这些数据都是行业的数据，而且对于研究员来说非常的重要。
第二类会搜到哪些研究报告的内容？大家阅读研究报告可能是专业人士的某些习惯，但是我如果找一些相关的数据、信息、图表的时候，能不能直接通过搜索的方式把这些东西全都找出来？现在的技术已经完全可以实现，通过自然语言处理，通过知识图谱把研报进行解释。同样的技术也可以用在公告上，股票的公告、债券的公告都可以把它解析好，解析好之后就可以搜到直接的内容，而不用去按照标题的内容进行查找找到PDF，再在PDF上去搜，这是比较低效的工作行为。现在我们其实已经可以做到非常的高效，这就是我们刚才讲的金融行业的智能搜索。怎么样用我们过去的习惯采用搜索引擎的方式，我们虽然还是要出去找我们关心的信息，但是找信息的渠道和方法非常的高效，非常的快捷。
大家想，我能不能不出去找数据？每一天直接让机器告诉我说，我应该知道什么？其实也是可以的。我们来第二种研究的方式叫做智能监控。智能监控是什么意思？它创造了一种全新的研究模式，我每一天告诉机器说，我关注一些什么东西，我关注的标的是什么，我有一个核心池。我告诉机器说，我关注这些标的，机器会使用底层好多好多这样的技术，包括我刚才提到的像知识图谱这样的一种处理等等会来反馈给我们说，基于这些标的每一天有一些什么样的信息，其中哪一些是重要的，哪一些是不重要的，哪一些是我应该知道，哪一些是影响我投资决策的。
这里举了两个例子。一个是大家今年都非常关心的，对于无论是做股票投资者，做债券的投资者，他都非常的关心叫做信用风险。信用风险是说发了一个债券或者是借了贷款的公司还不上钱，这种情况上可能要先人一步的知道，比别人更快的知道，哪些公司有可能会产生信用风险，从而去改变我的一些持仓，改变我投资的操作，使得我避免触发风险。在大数据时代，机器可以帮助我们非常好的去实现，它首先把很多关联方找出来，然后去找到关联方相关的负面信息、新闻等等。最后告诉我们说，你买的这个投资标的有可能会产生风险，因为它那家关联公司的老板的老婆被抓了。这是一个典型的应用场景。
还有一个典型的应用场景叫做新闻情感监控或者叫舆情的监控。舆情的监控什么意思？比如说，我们买了一支股票，我们可能会想知道说，我看好这支股票，但是市场上别人怎么看？别人怎么看，当然可以直接从股价当中体现出来，大多数人看空就跌，大多数人看好就涨。但是在股价反映之前，我们想更早的知道这个市场怎么看，那我们就可以去监测市场上新闻的热度。
这家公司出现在新闻上到底有多频繁，相比于一个月之前是更加频繁了还是更不频繁？我们还可以去监测说，大家最近在讨论股票到底是往好的方向讨论，还是在往不好的方向讨论，这一些信息对于我们做出投资决策都是有非常重要的帮助。这一种全新的模式，我刚才说了我告诉机器我关注这些东西，然后你每天给我推送一些我应该知道的信息，我应该看到这个市场上股票的搜索热度是上升还是下降，最近大家股票往利好的方向讨论还是往利空的方向讨论。采用两种方式结合能够很好的解决信息和大数据的高效收集和处理的问题。
我们来解决第三个问题叫做拓宽每一个投资人或者说专业基金经理人的管理边界。像张总所在的易方达基金是国内最领先的基金公司，有非常非常多的基金经理，每一位基金经理每一天做的工作是不是都是非常非常有价值的？我相信其中相当一部分肯定是，但是有没有更高效的办法把这些事情做得更好？我相信肯定是有的。比如说，我们现在整个资管行业在往净值化方向转型，未来大多数的基金经理可能会成为多资产的基金经理，我可能既要接触股票类的资产，我也要接触债券类的资产，我也要接触基金类的资产。
能否有一个系统帮我把这些资产的属性、风险收益都分析清楚？让我每天只要去思考对未来的观点是什么，我应该怎么样改变投资的操作就好，而不是每天总结说今天的操作到底对我的账户产生了什么样的影响，我管十来个账户每一个账户的风险收益特征到底是什么样的？当然现在很多的基金经理都在通过Excel表的方式来建组合分析，但是我认为未来机器可以非常好自动化的来帮我们实现这些。比如说，我这边展现的是组合分析的框架和工具，它不仅可以帮我们的投资经理从每日更新一些手工的Excel表格繁琐的劳动中解放出来，还能够个性化的帮助他们管理不同属性的投资组合。
还有一点是，它可以做未来的情景模拟。当一些关键的市场因素或者宏观环境发生什么样变化的时候，我们这个组合到底净值会怎么变？比如说一个债券类的组合可能暴露的是利率风险和信用风险，当未来宏观环境经济发展通货膨胀发生什么样变化的时候，就回到了一开始讲决策逻辑的因子化。当这些因素发生什么样变化的时候，我们这个组合未来的净值到底是会加速上涨还是持平，甚至是下跌？这一些都是机器可以帮我们去模拟出来的。
机器除了可以帮我们做组合分析还可以帮我们做归因，归因是评价投资经理管理能力如何。而我们通常去买一个基金或者去申购一家基金公司新发的基金，我们可能会看一下这个基金经理历史上管理能力怎么样，他是强管理的基金经理还是弱管理的基金经理，评价基金经理会有很多的模型。当我们人工管理这些模型的时候效率是非常低下的，机器可以非常好、非常快速的、直观的给我们呈现出来，说这个基金经理到底选择买卖时机的能力比较强，还是说他在选股上面有很强的能力，还是说在行业分布的配置上有很强的管理能力，等等这一些都可以被我们的归因系统所识别出来。
对于股票，大家可能知道最近几年量化投资非常流行之后，有很多的风险因子或者说风险模型的介入。风险因子和风险模型不仅对于我们主动投资的投资者和做量化投资的投资者，或者把我们这两种投资模式结合起来，就是我们所说的量本投资。它可以做到一件什么事情？它告诉我们说，我们每天看到的不只是持仓当中有10个股票，而是把这10个股票好像完全打散成原子，然后又重新结合成一些风险因子。它会告诉我们说，我们现在暴露的到底是一些市值风险，还是说是一些流动性风险，还是说是一些价值或者成长的风险等等，这一些风险的维度，可以更好的帮助我们去理解和匹配现在市场的环境和风格。
说到这里，我认为我们现在对于传统的投资人面临刚才提到的三大痛点，机器已经有了一定的解决方案能够帮助我们提升一定的效率，但是我们还有非常长的路要走。对于未来我们到底可以做一个什么样的展望？未来怎么样去建设一个智能资管？智能资管的建设逻辑是非常清晰的，首先我们要从数据出发，我们做智能资管就像BLACKROCK一样，他们现在能够做到的投资方式和思路完全是数据出发，而不搀杂人的主观情感因素和干预的因素在。
从数据出发，数据有很多的类，刚才也提到过像一些基础数据，股票债券市场的数据，公司的数据。第二个是行业的数据或者说行业特色的数据，每一个行业都有它不同的特点。第三类数据是叫做大数据，刚才我们也提到是一些比较粗糙的数据，比如说微博的数据，微信的数据，股吧的数据等等。但是好好的把这些数据利用起来，它也是非常有用的。
当基于底层数据之后，我们可以采用一些什么样的技术把这些数据利用起来？这些数据就很多了，很多的技术在当下阶段已经发生的很成熟。比如说，像自然语言处理，像一些信息数据的抽取，像知识图谱，像情感分析等等这样的一些技术都可以很好的帮助我们把底层的数据，包括大数据给利用起来。从而形成了一些智能分析平台的功能点。功能包括哪些？像智能搜索引擎，像业绩预测，像刚才讲到的因子，甚至可以去预测未来宏观环境的变化，还可以根据宏观环境的变化采取优化配置资产的模型。
当我们把功能点进行不同组合的时候，我们就适用到了业务的场景当中，我们的业务场景作为一家典型的资产管理企业。首先你肯定是多资产、多投资经理的管理环境，我们可以才能用智能投资或者是采用基金的形式去管理资金。再往上一层，当我们每一类资产研究和投资都能做到非常顺畅的时候，可以把这一些资产类别再进行结合，我们可以生成大类资产的管理平台或者说一种跨业务领域的研究。我们还可以把资产端高效的投资研究模式和负债端结合起来，可以学习每一类客户是什么样的，每一类客户适用什么样的资产，来把负债和资产进行有效的匹配。这样的框架应该说对未来智能资管建设的展望。
为了能够实现这样的智能资管，我觉得我们通联数据也做了很多的事情。首先我们通联数据的目标就是为了让投资更容易，这是我们的宗旨。为了实现让投资更容易也投入了很多的资源，比如说像我们的肖总，我们的王总都是国际顶尖的金融专家，我们有很多的技术高管和一些精英，我们有全球布局的信息和资源，我们也投入了很多的技术和研发。为的是什么？为了让我们通联数据更好的服务于全国，甚至是全球的金融机构，让各位的投资都能变得更加的有益。
谢谢！
责任编辑：陶然
热门推荐
收起
24小时滚动播报最新的财经资讯和视频，更多粉丝福利扫描二维码关注（sinafinance）
