SAC优秀课题 | 智能投顾在证券公司财富管理业务中的应用研究

中证协2019年度优秀课题选编之十七

智能投顾在证券公司财富管理

业务中的应用研究

国泰君安证券股份有限公司

出处：《中国证券》2020年第5期

作者简介：课题负责人：李可柯，硕士，上海市静安区领军人才。现任职国泰君安证券股份有限公司财富管理部总经理、国泰君安社会公益基金会理事。课题组成员包括：刘锋、周汉臣、应俊卿、谢芸琳、柏露、刘赟，具有金融、统计、计算机、物理等学术背景，目前均任职于国泰君安证券股份有限公司财富管理部，负责客户需求分析与聚合、数据分析与账户诊断、资产配置与投资策略、产品评价及筛选、智能投顾研发、理财规划系统与财富管理系统建设等专业工作。

智能投顾的高效率、低成本和人工投顾的温度感和个性化可达成完美的互补结构，将技术与业务的具体实践相结合，智能投顾与人工投顾协同分工、人机结合的展业模式应成为智能投顾在财富管理业务应用中的主要形式。对财富管理业务链进行模块化分工，在客户洞察、产品筛选和配置建议等领域进行重点探索，搭建具备人脑模块与智脑模块的财富管理系统，构建流程化、模块化、专业化的展业平台，通过与前台投资顾问人员、后台运营、风控人员的结合赋能，以客户需求出发，结合场景、设计流程、加载资源，打造高效率、体系化的展业能力，使智能投顾在财富管理业务中发挥更大的作用，为投资顾问的价值实现提供最有力的支持。

一、智能投顾发展与展望

智能投顾已经在国外取得长足发展，近年在国内银行、券商、基金公司、三方互联网公司也进行了广泛的运用。主要是应用人工智能、大数据等科技手段，在了解用户画像、明晰用户需求和理解金融产品的基础上，以非完全人工的方式，智能化、专业化、个性化地为用户提供各类投资理财相关服务，主要包括向投资者提供账户诊断、市场解读、产品对比等投资辅助服务，运用智能算法以及组合投资的自动化管理技术向客户提供自助型的定制化服务，以及与投顾人机结合赋能提升投顾服务的质量和效率三种方式。

（一）智能投顾的北美发展情况

智能投顾产生于美国，美国证券交易委员会（SEC）在2017年2月发布《智能投顾监管指南》，明确将智能投顾归为投资顾问，纳入《1940年投资顾问法》下监管，要求智能投顾须持有注册投资顾问牌照，可为投资者提供全权委托服务。在市场投资工具方面，数量众多、品种丰富的ETF也为美国智能投顾市场提供了投资基础。同时，美国投资者更倾向于长期的资产配置，对低费率、收益稳健性要求较高，智能投顾的出现很好地满足了这一需求，并获得了快速发展（见表1）。

（二）智能投顾国内应用情况

随着互联网金融的普及，国内互联网理财开始逐步流行，年轻一代对互联网财富管理方式认同度较高。在这样的大背景下，智能投顾概念开始引入我国，随后大量的金融科技创新企业逐步涌现，传统金融机构也开始大力布局智能投顾。但从目前形势看，国内智能投顾起步较美国更晚，行业集中度也较低（见表2）。

（三）智能投顾相较传统投顾的优劣势分析

智能投顾已经在国外取得长足发展，近年在国内银行、券商、基金公司、三方互联网公司也进行了广泛的运用，其与人工投资顾问的优劣势形成互补。比如智能投顾的广覆盖和低成本弥补了人工投资顾问覆盖面小和成本高的缺陷，而人工投资顾问的温度感和个性化又能够弥补智能投顾的沟通障碍和流程僵化的问题。尤其在财富管理领域，主要目标客群是资产较高的部分客户，这部分客户对于服务的及时性、全面性、规范性和个性化都有较高的要求，单一的智能投顾或人工投资顾问，在这些方面都存在服务瓶颈，两者的结合可以较好地解决这个问题（见图1）。

（四）智能投顾相关监管政策及展望

伴随智能投顾在国内的不断发展，近年监管部门也在逐步完善相应制度规范。2018年4月发布的《中国人民银行、银监会、证监会、保监会、外汇局关于规范金融机构资产管理业务的指导意见》（以下简称《指导意见》）第一次将“智能投顾”正式写入监管文件中，并就相应的资质、业务模式、模型算法和风险管理等提供了一定的指导。从目前情况来看，国内前期智能投顾实践中，一般不涉及客户的账户管理，不直接参与下单操作，所以国内的智能投顾可能更切合“证券投资咨询牌照”。而境外智能投顾明确属于Asset Under Advisory，可理解为资产管理的一种形态，以管理费收入为主，为国内“智能投顾账户”提供了极大的想象空间。最后，无论是《指导意见》还是美国金融业监管局（FINRA）的报告，都把最大的篇幅留给了模型算法、其对应的风险管理及预警机制，这将是不同机构智能投顾比拼的主要战场。

二、智能投顾涉及的理论、技术发展概况

在财富管理服务需求调研中，投资者最关心的三个问题是当期资产配置的比例、买卖点提示、具体品种的选择。而对于金融机构来说，还关注如何识别客户需求、匹配服务，并最大化客户经营效果。智能投顾在财富管理方面的应用主要涉及投资和客户画像两大理论，以及相应的量化方法技术。

（一）智能投顾投资理论的发展

如何提升投资胜率是投资者最为关心、也是智能投顾在设计时首先需要重点解决的问题，为此按照产生的时间顺序我们梳理了主要的投资理论（见表3）。

（二）智能投顾客户画像理论的发展

客户画像是数据分析的重要工具，通过抽取客户信息，运用数据分析工具，了解客户需求，从而进行精准营销。目前，比较常用的客户画像方法主要包括基于客户行为的画像方法、基于客户兴趣偏好的画像方法、基于主题的画像方法、基于客户价值的画像方法。

基于行为的客户画像方法分析了客户行为不同阶段表现出的特征、变化、动因等要素，进一步对客户群体进行细分，最终建立模型完成客户画像，为不同群体客户提供独具特色的个性化精准服务。基于客户行为建立模型的基本流程包括客户分群、行为数据分析、目标动机推测、调查验证、模型修正。

基于客户兴趣的画像方法主要可以分为两类：一类是通过数据收集，对客户直接的兴趣数据进行归纳和总结，构建客户兴趣模型；另一类是从客户的兴趣数据及相关数据入手，构建客户兴趣模型，推断客户的隐形兴趣偏好，优化客户的兴趣模型。

（三）智能投顾量化技术的发展

投资和客户画像两大理论均需要相应的量化方法技术进行实现，主要包括时间序列建模、数据挖掘技术、自然语言处理三大类别。

时间序列建模技术主要是为了处理以时间序列呈现的基本面、资产价格等数据，其又分为时域和频域两类。

数据挖掘技术（Data Mining）主要是指运用技术手段从数据中抽取有用信息，这些有用信息的具体表现形式可以是规则、概念、规律和模式等。数据挖掘融合了数据库、机器学习、统计学、图论、数据可视化等多个领域的理论和技术，是一门交叉学科。

自然语言处理（NLP）面对的是所谓的“非结构化”数据（语言、文字等），使用各类深度神经网络模型（递归神经网络、卷积神经网络、长短期记忆模型等），输出的结果可以是“摘要”（对大篇幅文字、语言的归纳总结），关键信息（比如隐藏在大篇幅企业会计报表中的具体财务信息），情绪（对市场、行业、个股乐/悲观、看涨/跌）等。

三、证券行业智能投资顾问在财富管理中的探索与实践

财富管理需要从客户买方视角出发，根据客户不同生命阶段的理财需求，精准匹配专业化的服务和产品。其中有许多重要的环节，包括客群经营、运营支持、客户洞察、产品筛选、配置建议及投资管理等。

这些服务环节可以通过智能投顾和人工投资顾问的合理分工进行优化。比如智能投顾擅长的是一些要求快速计算但又可标准化的工作，诸如数字标签、模型算法、标准模板、组合跟踪等工作就可以交给智能投顾，而另外一些诸如需求引导、产品推介、报告解读、预期管理等对个性化、“温度感”要求更高的工作，则交给人工投资顾问更为合适。

我们在客户洞察、产品筛选和配置建议三个领域进行智能投顾与人工投资顾问结合应用的重点探索。在客户洞察环节，尝试客户画像系统与投资顾问的结合；在产品筛选环节，尝试产品评级筛选系统与产品专家的结合；在配置建议环节，尝试理财规划系统与配置专家和投资顾问相结合（见图2）。

（一）客户画像在行业中的实践与应用

众所周知，通过客户洞察了解客户的真实需求是财富管理服务的基础。在以往的服务中，柜台系统只能简单地提供客户年龄、风险等基础信息，投资顾问对于客户的了解也没有固定的流程和规范，缺乏客户的系统化了解导致大量投顾服务只局限在一个很小的熟客群体中，大大限制了业务的开展。

为打破这个局面，我们建立了数字化的客户中心，并全新搭建了客户画像系统，通过打通大数据、资讯中心等平台获取客户在公司内部的所有信息，再利用各类模型、统计技术将这些信息进一步加工为更为直观、可用的数字化标签，包括客户一段时间内的收益情况、资产分布、客户端使用情况、投资偏好等，形成客户的数字画像。

同时，我们打造了投顾KYC地图，通过建立三三原则电访流程、面访KYC逻辑树、账户诊断、资产检视等系列工具和流程规范要求，由投资顾问形成更多“人性化”的标签。比如，客户的家庭信息、投资目标、资金的使用周期、兴趣爱好等，这是感性画像。

最后，将数字画像与感性画像融合起来，得到精确全面的客户全画像，并且在客户中心进行统一管理和多场景应用（见图3）。

（二）基金评级筛选及相关组合服务实践

财富管理的另一个关键是基金评级和筛选。随着我国金融市场和基金市场的蓬勃发展，市场上可供选择的产品品种和数量也随之增加，在初期产品的筛选主要还是采用评估打分表，评估主要侧重于管理人的定性评估，当然也会有历史业绩的回溯，但整体来说缺乏严谨的业绩归因以及波动评估分析。

通过运用智能投顾，我们补上了定量评估这部分，对于产品的历史收益、业绩波动和风险调整后收益有了完整的评估模型，再结合“人”，也就是产品专家的定性评估，进一步完善了产品筛选机制，按照产品类型，建立了严选产品池，并将结果统一运用于基金推荐、基金组合和理财规划等各个场景，取得了良好的效果（见图4）。

我们从全市场筛选投资管理人和金融产品，采取定量分析和定性分析相结合的双评估体系，挖掘并积累优秀的投资能力，并通过深度尽调和持续跟踪研究，精细化评估投资管理人及产品的风险收益来源，力争使产品和管理人能为客户在风险可控的前提下持续创造长期稳定均衡的收益（见图5）。

在定量分析上，主要侧重于收益、风险、风险调整后的收益。针对收益分析，除了统计常见的累计收益率、净值增长率、年化收益率之外，更为关注收益的来源以及收益的稳定性和持续性。我们使用Barra模型分析各因子的暴露程度，从而了解产品的投资风格及收益变化（见表4）。

在产品定性分析上，通过对基金公司、基金经理、基金产品进行尽职调查，以打分表的形式进行定性评估，主要包括：（1）投资能力，如投研团队、决策流程以及投资组合构建、业绩考核；（2）决策流程，如是否具有明确的组织架构，研究、投资、交易、风控等是否具有清晰的边界；（3）投资风格及优势，如基金公司与同类比较最具优势、最为擅长的品种、行业、风格；（4）运营合规风险，如企业风险、交易及运营风险、合规风险；（5）投资风控能力，如是否有完善的投资风险管理流程，是否有相应系统及措施，做到投资风险事前防范、事中监控、事后评估与反馈等。

（三）理财规划服务实践

在客户洞察和产品筛选的基础上，进一步向客户提供规范化的财务规划服务，这在海外已经非常成熟，国内部分银行也已经把财务规划服务作为其高净值客户服务的标准化环节。服务本身能够基于客户需求，按照标准化的流程形成定制化的综合配置方案，给予客户极高的专业服务体验。

但这个服务本身对于服务机构的产品筛选能力、投顾服务能力、配置策略研发、系统平台基础等综合性基础设施提出了非常高的要求，在能力未达到的情况下很容易流于形式，造成客户体验下降。我们把这个服务进一步细分为客户需求了解、财务分析、制定目标、策略建议、可行性分析、构建投资组合、业绩跟踪和动态调整7步，并在其中进行智能投顾和投资顾问的分工协作，通过标准流程进行串联。

总体来说，智能投顾负责数据即时分析、标准模板模型预置、报告自动生成等标准化动作，人工投资顾问主要负责客户交流、个性化需求优化、策略选择和优化、报告解读、预期管理等个性化动作，人机结合的服务模式取得了非常好的客户反馈。

智能投顾不仅仅只在于“投”，更重要的是在于“顾”。我们关注客户的整个生命周期所面临的投资决策，因此不同于国内多数智能投顾仅通过客户风险承受能力与投资期限得出资产配置方案，我们研发的理财规划系统专注于帮助客户达成各项具体的理财目标。主要流程如下：

第一步：信息收集。在信息收集过程中，理财规划系统使用大数据收集底层长期海量的交易数据，并把这些信息进行分类，有效地进行标签化。投资顾问可一键导入持仓，获取客户在公司的各类产品和交易的持仓及盈亏数据。

第二步：财务分析。理财规划系统根据客户信息对客户偿债能力、应急能力、结余能力、保障能力进行诊断，找出财务管理方面的问题，并提出改进措施。

第三步：制定目标。理财规划系统支持保值增值、子女教育、购房、购车、旅游、退休养老6个目标，每个目标需要填写不同的参数，投资顾问按照模板与客户沟通后，输入相关参数，后续资产配置、可行性分析都将使用这些目标参数。

第四步：资产配置。我们秉持“先保障，后投资”的原则，建议客户在获得充足保障后，将剩余资金再进行投资，因此将资产分为三大类：保障型资产、流动型资产以及投资型资产。

第五步：可行性分析。投资者通常具有无限欲望，但无奈资源有限，所以在投资前要对目标进行可行性分析，这将有助于将有限的资源发挥最大效用。

第六步：构建投资组合。理财规划系统根据客户风险承受能力、流动性要求、期望收益率、当前各大类资产观点，在严选产品池中挑选适合客户的产品组合。同时系统也展示所有公司代销产品的信息，包括基本信息、历史业绩、业绩指标，投资顾问可按照产品代码、产品名称、产品类型、业绩指标等条件进行产品筛选或排序。

第七步：业绩跟踪和动态调整。在完成以上6步之后，理财规划系统将生成为客户量身定制的理财规划服务报告书，之后理财规划系统将自动跟踪市场基准组合、推荐投资组合、实际持仓累计收益率的业绩表现，投资顾问将定期为客户回顾投资情况，并结合客户实际情况、宏观经济走势、行业发展、投资业绩表现等多方面因素对投资组合进行动态调整（见图6）。

（四）基于金融知识图谱的智能投研应用探索

智能投研服务是智能投顾的一个具体应用，通常并不直接提供给客户使用，而是通过给金融机构员工赋能，帮助投资顾问基于多样化的智能投研应用，辅助投资决策和服务生产，赋能投顾，形成“智能服务+人工服务”的模型。

在这个方面，主要通过知识图谱技术的应用，在内外部数据源的基础上，构建证券领域知识图谱，在模型层基于算法实现诸如金融分词、实体消歧、情感分类等中台功能，实现智能资讯、舆情预警、自动报告、公告分类等具体智能投研应用。

相关的业务模型主要有两个：一是知识图谱构建模型，通过数据源引入的海量数据通过自然语音处理和机器学习技术，通过知识抽取、知识融合、知识推理等过程，形成基于规则和模型的领域知识图谱；二是知识图谱应用模型，通过基于知识图谱对海量数据进行标签化、范式化，进而实现智能资讯、舆情预警、自动报告等应用功能。

在业务模型的基础上，知识图谱的构建可以分为6个阶段，称为知识图谱的生命周期，包括知识建模、知识获取、知识融合、知识存储、知识推理、知识应用。

目前我们在智能投研领域的知识图谱应用主要包括智能资讯、舆情预警、自动报告等。在实际应用中，相关内容作为投顾中台舆情功能的一部分，辅助投顾进行服务。同时也进一步通过基于范式生成聚合的上市公司公告预警报告等功能，也取得较为满意的成果。

（五）小结

经过实践，我们看到，在客户洞察、产品筛选、理财规划乃至智能投研等环节的人机结合，极大提升了投资顾问的展业效率和展业能力，为财富管理业务提供了强大动力。

同时，以客户需求为中心，结合场景、设计流程、加载资源，将人脑模块与智脑模块嵌入财富管理系统，构建流程化、模板化、专业化的展业平台，打造高效率、体系化的展业能力，致力为投资顾问的价值实现提供最有力的支持（见图7）。

最后，作为财富管理行业的建设者，行业的成长是我们共同的期待。这个成长，既来自更理性更长久的投资者，也来自更专业更可信赖的投资顾问。我们相信，在这个过程中，智能投顾通过与前台投资顾问人员、后台运营、风控人员的结合赋能，将在财富管理业务中发挥越来越大的作用。

参考文献：

[1] 蒋佳霖，孙乾．智能投顾：技术为镐，蓝海掘金[R]．兴业证券，2019．

[2] 智能理财4.0：全球智能理财服务分级白皮书[R]．陆金所和艾瑞咨询联合发布，2019．

[3] 人民银行  银保监会  证监会  外汇局关于规范金融机构资产管理业务的指导意见[OL]．[2018－04－27]．官方网站：http://www.gov.cn/gongbao/content/2018/content_5323101.htm．最后访问日期：2020年3月3日．

[4] 中国智能投顾市场发展趋势研究报告[R]．慧辰资讯，2017．

[5] 费鹏，林鸿飞，杨亮等．一种用于构建客户画像的多视角融合框架[J]．计算机科学， 2018，45（1）：179－182.

[6] 张钧．基于客户画像的图书馆知识发现服务研究[J]．图书与情报，2016 （6）：60－63.

[7] BLEIDM，NGAY，JORDAN M I. Latent dirichlet allocation[J]．Journal of Machine Learning Research，2003(3): 993－1022.

[8] 熊伟，杭波，李兵等．一种集成客户画像与内容的服务重定向方法[J]．小型微型计算机系统，2017，38（12）：2762－2765.

[9] 黄亦潇，邵培基，李菁菁．基于客户价值的客户分类方法研究[J]．预测，2004（3）：13－15.

[10] Barra China Equity Model (CNE5) [R]．MSCI，2013．

[此文为中国证券业协会2019年度优秀课题“智能投顾在证券公司财富管理业务中的应用研究”(课题编号2019SACKT072)精选内容]

中国证券业协会

SAC_Communication

海量资讯、精准解读，尽在新浪财经APP