智能投顾、大类配置、智能策略。。能帮你活着度过熊市？

　　如何评价一款产品是不是好的证券产品？能够帮你活着度过熊市的产品，才是真的好产品。
　　前段时间，跟同行长江证券、广发证券和平安证券的一些产品经理们闲聊了一些关于智能投顾的现状和方向，更重要的问题是探讨当下券业该如何突破的问题？
　　智能投顾的基本释义是RoboAdvisor，即根据个人投资者提供的风险承受水平、收益目标以及风格偏好等要求，运用一系列智能算法及投资组合优化等理论模型，为用户提供最终的投资参考，并对市场的动态对资产配置再平衡提供建议（来自百度百科）。从上面这段描述里面可以提炼出做智投产品的一个基本流程大致就是：
　　也就是说，一个完整的智能投顾产品应该是用户和产品画像是基础，智能算法是核心，再平衡和用户决策过程是关键。目前，券业的智能化应用场景大致分为以下几大类：
　　智能选股：主要是多技术指标的选股，也支持回测
　　智能诊股：主要是针对个股的“五碗面”
　　智能客服：包括机器人客服和人工在线客服等辅助工具
　　超级账户：针对用户的持仓仓位、盈利走势等情况的账户分析
　　智能策略：主要是在线人工策略（咨询产品、换股建议）机器人策略（支持用户选择策略创建组合模型，支持实盘半自动化交易）
　　大类配置：输出大类资产配置方案，进行投后跟踪管理
　　针对这些场景大家也有一些共识，就是类似于智能选股、智能诊股、智能客服、超级账户这四个方面的智能应用（美其名曰四大头）还算不上是智能投顾的范畴，仅仅是一种可视化应用工具，未来也应属于券业app产品的标配，一方面是这些工具基本来源于第三方提供的技术支持，而且产品形态也比较成熟和稳定；另一方面就是这些工具高度依赖于外部的资讯和行情数据，并不能盘活券商内部的核心数据资源，做出一些差异化产品。
　　随着券业互联网的发展，券商在智能化的战略方向上也出现了分层，中小型券商基本仍集中在努力的实现前面所谓的四大头（智能选股、智能诊股、智能客服和超级账户）场景上；而头部券商则集中攻克后面的两项应用场景：智能策略和大类配置，而这两项内容也才能真正意义上被称之为智能投顾产品。本文主要分析下大类配置和智能策略两个方向的现状，以及智能投顾发展中存在的问题。
　　大类配置：类iVatarGo们，画像的精准匹配
　　长江证券的iVatarGo产品在智投领域的智能配置上具有很强的代表性。像iVatarGo这类智能投顾主要是通过分析客户的投资行为数据、交易数据，形成用户“画像”，实现C端客户的标签化和B端资讯、金融产品、模拟组合产品、投顾的标签化，为每位用户提供精准的个性化投资资讯、理财产品以及投资顾问服务等，核心是标签可视化过程。
　　要实现大类配置类的智投产品，一定要做的首要工作就是前端用户和后端产品的画像，其实就是充分盘活券商的内部数据。先看一组券商在实现画像标签化过程中的数据流：
　　数据提取范围：所有正常交易客户
　　时间范围：5年
　　存储数据量：86。7亿条交易数据
　　提取大类指标：6类
　　建模计算量：1878。5亿次日
　　业务目标：识别客户的投资偏好及投资能力
　　从上面来看，这类智投平台跟做一款大数据产品是一样的，无外乎流程都是从数据提取数据清洗数据存储提取大类指标重组业务影响因子数学建模计算部署应用及模型评价。
　　清洗处理基础数据
　　券商基本都是先提取全公司近几年内的交易数据和部分行为数据，也就是说对结构化和非结构化数据都做了处理，但还没有做到完全的实时自动化处理。目前券商用自己的数据来刻画用户画像，主要使用的还是通道交易数据，也就是说真正意义上的用户行为、消费、投资数据仍还未完全打通。在数据处理阶段有两大难点，一个难题就是数据清洗筛选有效数据，这会是耗时最长的工作。另外就是突发事件等实时的非结构化数据处理还有难度。
　　提取大类指标及因子
　　针对清洗后的基础有效数据，然后提取大类指标，比如iVatarGo提取了投资总体特征、交易行为特征、投资风格、投资能力、投资策略、当前持仓特征等6大类。关于大类指标，每家都有不同的做法，但终归还是要落地到基础静态指标（客户基础属性，产品属性、风险属性、价值属性等）和基础动态指标（交易行为属性、交互行为属性等），然后筛选出这几类基础指标或者衍生指标去组建一个大类业务指标，比如用户风险偏好，而每一个基础指标有多个影响因子决定，也就是说指标体系的建设路径是大类指标基础指标影响因子。
　　开发业务应用场景
　　在做完大类指标的模型开发和评价后，就需要去做业务场景化。从业务应用场景来看，其实，iVatarGo类产品主要还是在做最核心的画像精准匹配，也就是把C端的用户画像和B端的产品画像进行关联匹配，所以说iVatarGo类更应该叫一款推荐系统，仍还没有去做大类资产配置的综合投资方案，但它完成了迈向智投应用的最核心一步：用户识别与分层匹配。
　　智能策略：类贝塔牛们，进击的量化决策
　　广发证券的贝塔牛产品在智能策略方向上也算是走在前列的，像贝塔牛这类智投产品主要是基于底层的选股模型和择时模型，根据投资者的风险偏好、投资年限、资金规模等需求指标为客户提供A股市场的策略建议，并根据市场信号向投资者推送操作策略。其核心是选股模型、择时信号和组合再平衡过程。
　　对于用户端的体验流程基本就是：选策略填需求创建组合接收买卖信号一键跟单交易。通过让用户输入拟投金额、选择个人投资风格偏好及投资年限后创建一个投资组合；创建后，定期在交易日盘前推送初始化建仓建议，并在运行过程中持续推送包括买卖操作、仓位调整，买卖数量等买卖建议，用户可以对该组合进行实盘一键跟单。
　　要实现智能策略类的智投产品，大家基本认为还是需要整合公司内的量化团队资源，广发的贝塔牛主要整合了广发发展研究中心金融工程团队的量化投资研究成果；平安的量化策略商城也是基于公司的量化团队研究成果来做。
　　从上述来看，类似于贝塔牛这种智能策略产品需要充分融合量化投资决策过程，基于平台提供的选股模型和择时模型，用户可根据自己的策略需求构建模型，然后跟踪和再平衡模型追求收益。如下所示：
　　选股模型
　　选股模型主要是负责筛选价值被低估的股票并形成候选股票池。当然，每家券商所用的选股模型也都不一样，“贝塔牛”所使用的选股模型为多因子模型，该模型对大量的个股风格数据进行跟踪测试，筛选出盈利、股价反转、换手率、市值以及估值等若干指标，并运用量化模型将指标进行有效整合，定期挑选综合得分最高的股票组合，作为选股模型后的候选股票池。
　　在“贝塔牛”平台上主要提供了短线智能策略、综合轮动策略、价值精选策略以及灵活反转策略等四种类型的选股策略，用户首先要选择相应的选股策略构建自己的组合模型。其中，
　　短线智能策略：擅长波段操作、智能调仓换股，追求弹性收益。
　　综合轮动策略：擅长风险控制，采用“相似性匹配”策略，每个月对行业板块进行轮动筛选，该策略通过观察近期行业之间的涨跌顺序，与历史样本进行相似性匹配，寻找“似曾相似”的样本时期，并以随后的强势行业作为当前配置的依据。
　　价值精选策略：擅长蓝筹精选，则将选股的范围缩小至蓝筹股，通过大数据策略选择出各个行业内估值最具优势的个股，追求稳健收益。
　　灵活反转策略：擅长布局抄底，则，筛选市值较低且具有相对超跌特征的个股，追求大幅反弹。
　　择时模型
　　构建好自己的组合模型之后，就需要择时模型发出买卖信号。因此，择时模型主要就是负责控制仓位和输出股票的买入卖出信号，而每家券商都有自己的一套经过实践的择时模型理论。比如“贝塔牛”中使用的是指根据GFTD（广发ThomasDemark模型）、LLT等多个择时模型所给出信号的多空占比情况确定当前的持仓仓位，并给出对应的买入或卖出信号。
　　策略执行流程
　　类似于“贝塔牛”平台的策略类产品主要的执行流程如下：
　　step1：选股模型根据各策略提供的选股因子，对所有的个股进行打分，然后将得分较高的股票放入候选股票池。
　　step2：用户输入拟投资金额等个性化参数后，组合构建模型则根据该参数从候选股票池中选取一定数量的个股构成一只股票组合。为了避免大量客户操作过于集中，选股模型会采取一定的随机化策略，使每个客户生成的股票组合更具个性化。
　　step3：择时模型负责产生股票的买卖信号和仓位控制信号，提供合适的买卖时间点，并通过仓位控制信号控制组合计划的风险。
　　step4：组合再平衡模型则负责监控择时模型产生的信号，配合客户的组合计划形成操作策略。这些操作策略会实时push到用户的app或者微信等终端上，用户可以进行“一键下单”功能批量处理操作策略，将组合复制到实盘账户。
　　从业务场景来看，类似于“贝塔牛”平台也还仅仅是单一的股票组合，对于财富管理下追求长期投资的大类资产配置方案也还很空缺。
　　还有几个值得思考的问题
　　无论是券商、银行还是其他金融机构，所有的产品最终都是为满足用户需求而落地的，但是金融不同于其他行业的最大问题就是，无法做到满足用户需求的完全匹配，因为用户的需求就一个：赚钱，但是B端的券商、银行也都无法做到100的让你赚钱。那么在这种情况下，只要稳赚不赔的前提不成立，开发者在资产配置尚不发达的国内往往对于人性的洞察就显得更为重要，而不是算法。目前的智投类应用更应该去做的是如何做最大努力的满足需求匹配？两个方向：教育用户决策和减少用户决策，也就是大家说的“教我做”和“帮我做”。
　　1、教育用户决策：这一点说的就是券商需要通过对用户的全方位分析，让用户更加深入的认识自我投资能力，认知新的决策过程。比如iVatarGo的做法就是根据C端客户的标签，以标签形式为每位客户进行全方位的客户画像，通过前端友好的交互体验展示给客户。说到底也就是在C端提供更多的教育认知、决策工具和用户画像，让用户选择更好的。
　　2、减少用户决策：这一点说的就是券商通过对用户和产品、服务进行分析，去做智能化的资产配置。比如贝塔牛的做法就是提供量化策略，帮助用户组建候选股票池，让用户构建自己的组合模型。说到底也就是在B端提供更优的分析方法、决策算法、资产配置方法以及跟投服务，帮用户选择更好的。
　　其实，目前市面上所谓的智投类产品，都还是比较初级的概念版。从智投追求长期策略投资的终极目标来看，还需要解决下面这几个难题：
　　问题1：一个就是标的产品不足的问题，智投应该追求的是收益风险平衡的长期策略投资，做大类资产配置，而这种策略下的交易标的严重不足，美帝的etf差不多1800，国内大概150，基本是指数型etf，债券型和商品型etf较少，要实现对冲和分散风险有难度。
　　问题2：另一个就是之前说的算法，券商去做资产配置或者投资分析时，仍然可能还是以MPT、APT等量化投资理论为主流方法，但需要人工参与调参，很少使用深度学习等自学习的人工智能算法。
　　问题3：还有一个就是投后的管理跟踪，也有很多智投产品声称去做持续跟踪分析客户资产状况、投资行为，随时调整标签，力求在任何场景、任何时间都能提供最适合的服务和产品。当然，这些仅仅也还是在尝试中，毕竟组合再平衡的后端决策算法在金融领域还比较基础，机器学习基本为零。
　　智能投顾，其实最厉害的不是技术的实现，而是转变和培养用户从主动投资到被动策略投资的行为习惯，实现券商服务向“用户分层、产品服务分层”互联网服务理念的转变，能做到这一点已经迈向了智投最核心的方向：精准化服务。
　　最后一点，国内约70的散户大军，投资习惯和理念对被动投资策略的智能投顾产品的认知，被教育，接受需要很长很长的时间，这条路还有很远。
　　智能投顾这玩意儿说到底核心还是算法，本质还是属于量化交易的范畴，本身仍需要依赖外部假设和市场环境，前面说过智投追求的应该是长期的策略投资，那么在长期的过程中出现亏损的情况下，如何在业务流程及体验设计上，说服及教育用户持续持有再平衡，其实很难，至少现在很难，难在人性的洞察。
　　有人说如何评价它是不是一款好的证券产品？能够帮你活着度过熊市的产品，才是真的好产品。