智能投顾、大类配置、智能策略……能帮你活着度过熊市？

2017-10-18 09:52:00

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Robo-Advisor，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。