智能投顾论文可以研究什么

“智能投顾”源自美国，目前发展最成熟的地区也是美国。2010年智能投顾公司Betterment在纽约成立，一年后Wealthfront公司在硅谷成立，智能投顾正式诞生。从2013年开始，两家公司的资产管理规模呈现了惊人的增长，到2015年底，Wealthfront拥有了约29亿美元的资产管理规模，而Betterment则超过了30亿美元。自此，华尔街掀起壹股智能投顾的热潮。

所谓“智能投顾”，原名为”Robo-Advisor”。根据Investopedia的定义，Robo-Advisor是指：提供自动化，并主要以算法驱动的财务规划服务的数字化平台。典型的Robo-Ad-visor通过在线调查收集客户的财务状况和未来理财目标等信息，然后使用数据提供建议与支持客户投资。

与传统投顾相比，智能投顾最大的特征有以下这三点：

一、    门坎低；

二、    费用低；

三、    高效率。

主要面对需要投顾服务，却又不具备聘任私人投资顾问的中产阶层提供服务。依据其他先进地区的案例，中产阶层也是主要接受智能投顾服务的对象。

但需要注意的是，智能投顾并不代表不会亏钱。“智能（自动化）主要是体现在投资人与实现交易过程的自动化，而不是有什么保证赚钱的投资策略或工具。”

在投资理财的过程中，能体现智能的环节有三个：

一、投前：运用智能技术提供自动化投资风险倾向分析、导入场景化需求、投资人理财目标分析等。

二、投中：实现自动化分仓交易、交易路径的最大效率或最小成本算法、以及比对市场动态所衍生的交易策略等等。

三、投后：自动化帐户净值跟进、自动调仓提示、智能客服、与其他可预先设定场景的服务规划等等。

但是，市场上很多号称提供智能投顾服务的机构，投资人要怎么选择跟判断哪个是真正的智能投顾呢？这边也提出一些原则给大家参考：

一、智能投顾必须具备可以量化的算法逻辑，而且可被复现、被追踪、被验证。

二、智能投顾必须藉由标准化金融产品实现，因为只有标准化的金融产品具备可公评的净值，也才能真正实现理财目标的跟进与监测。

三、主持智能投顾的团队必须兼具金融专业与技术实力，特别是对正统金融行业的经验与深度理解，否则很容易走偏正道，危害投资人的利益。

智能投顾一般指机器人理财：机器人理财是将人工智能导入传统的理财顾问服务，并非由实体的机器人帮助客户理财，而是透过网络线上互动，依据需求者设定的投资目的及风险承受度，透过计算机程序的算法，提供自动化的投资组合建议，不像传统临柜面对面理财服务需要许多的服务人员，其目的在于提升效率。您在购买理财产品前，应确保自己完全明白该理财产品的投资性质和所涉及的风险，详细了解和审慎评估理财产品的资金投资方向、风险类型等基本情况，在充分了解并清楚知晓本理财产品蕴含风险的基础上，通过自身判断自主参与交易，并自愿承担相关风险， 在慎重考虑后自行决定购买与自身风险承受能力和资产管理需求匹配的理财产品。 温馨提示：以上内容仅供参考。应答时间：2021-11-26，最新业务变化请以平安银行官网公布为准。

【摘要】 传统投研面对日益膨胀的金融数据，分析人员分析成本增加，分析难度上升，已经显露出疲态。对此，人工智能的引入针对性、智能化地解决了投研难题，辅助分析人员作出合理决策，提高了投研的准确率及分析效率。 一、智能投研是什么？ 随着自然语言处理、机器学习、生物识别等AI技术在金融领域的深入运用，我们的生活正在经历一场前所未有的变革。比如个人助理Siri，能够帮助我们发送短信，拨打电话，记录备忘，甚至还可以陪用户聊天。Siri作为一款智能数字个人助理，它通过机器学习技术来更好理解我们的自然语言问题和请求。这样的人工智能在金融领域的运用也越来越频繁，在提高金融机构工作效率、辅助投资决策、预防金融风险等方面卓有成效。在这之中， 辅助资金管理 成了人工智能在金融行业的最大的应用场景，当前中国财富管理的市场规模已经高达6万亿美元，我国资产管理国模已超百万，具有广阔的发展前景。 那么，智能投研又是什么呢？利用人工智能（深度学习、自然语言处理等）来分析金融市场数据、事件，为金融机构的专业从业人员（分析师，基金经理等）提供帮助，以提高传统投研的准确率与效率。这里要注意两个点，一是事件、金融市场数据与提供帮助之间的联系，举个例子，今天2月25号，中国股市大涨，上证上涨点，那么到底是什么原因导致的？央行降准还是离岸人民币持续上涨影响？而智能投顾就是搜集所有可能有关联性的金融事件、金融数据，从而提供辅助服务。二是智能投研是服务于金融机构的专业从业人员，而不是我们投资者，这也是智能投研与智能顾投的区别。 二、传统投研存在问题 传统投研随着时代的发展，出现在发展历程中必然会发生的问题。一是数据量的增大，传统投研往往依赖于专业人士的分析与判断，具有较强的主观意识在里面；二是对于如此庞大的数据量，我们对于各类数据的利用率依然处于较低的水平。 1 ）主观能动性强 在金融信息领域，人工智能在赋能金融信息加工上还大有作为。从信息来源看，二级市场公开信息比较全面，但一级市场数据以及另类数据信息仍存在壁垒，未来如果金融数据进一步放开，将有大量的金融信息需要加工；对此，传统专业人士对数据的处理依然以经验为参考依据，无疑加重了分析过程中的负担，即无法保证分析的客观性，也有着较高的人工成本。 2 ）数据利用率较低 金融信息数据的逐年增加，使得大量数据无法人为的利用起来。即使随着智能投研的运用，市场上同样存在大量的新闻舆情、财经资讯报道，以及贴吧、论坛等投资者的声音没被利用起来。 三、智能投研具体是怎么做的？ 在智能投研领域，机器可以从公司公告、券商研报、新闻报道等非结构化数据中批量化自动提取关键信息，以此为基础构建关联关系，搭建领域知识图谱，在一定程度上优化投资决策。 我们以一款国内的智能投研平台为例——熵简科技 一般而言，智能投研的重点在于数据的选择。就我国现状而言，多数智能投研公司专注挖掘纯金融领域的数据，如研报、债券、股票等信息。在金融数据之外，还有一类体量庞大的数据值得挖掘，例如社交媒体、信用、气候变化等数据。 熵简科技便是在传统金融业务的基础之上，加入了社交媒体、信用、气候这类数据进行推理验算。在业务分类上，熵简开展了科技、金融、能源、消费等多条业务线，专门为对应研究的人员提供数据服务。 熵简科技有两大核心，分别是另类数据和知识图谱。 1 ）另类数据 熵简科技对金融类数据之外的相关数据进行采集，例如它会采集Github上开源项目的pull/push数据，并进行持续监控，从而能够前瞻性地预判科技型公司的产品开发进度和上线日期，这样的数据对于区块链、人工智能行业的投资者来说是一个影响决策的指标。 在数据源方面，熵简科技利用爬虫技术获取技术，在进行存取分析，搭建了稳定的数据采集体系，可实时监控1200+个数据源。以下以电商、招聘、汽车行业的数据集为例： i 电商数据集 平台采集中国主流电商平台的交易数据。以天猫为例，熵简科技日频持续跟踪天猫商城超过25万品牌、亿商品的销售量价数据，帮助用户高频持续追踪对应投资品牌线上销售表现及行业趋势。 ii 招聘数据集 平台采集覆盖中国主流招聘网站的招聘数据，帮助投资机构判断目标行业、企业的发展阶段与战略，乃至分析宏观大势。 iii 汽车数据集 平台采集中国主流汽车门户的报价数据，通过技术实现了对汽车终端价格大样本、高频率、低成本、可持续的覆盖跟踪，解决了传统终端渠道调研的痛点与难点。 2 ）知识图谱 如果说另类数据是智能投研的原料，那么知识图谱就是智能投研的大脑。所谓“知识图谱”是将实体、属性、关系等非结构化数据固联起来，进而为投资决策提供逻辑支持。体现在投资行业，就是研究员可以将相关的行业、产品和公司等多方因素联系在一起，当观察到某个因素发生变化时，即可以根据关系链推理出观点和预测，为投资决策提供支撑。 完善的知识图谱是AI在投资研究中应用的必要条件，金融行业最不缺的就是海量的高质量研究资料，通过对研报、公告等文本信息的深入挖掘，形成能够自我生长、自我学习的知识图谱体系，这是智能投研的重中之重。 四、智能投研未来展望 在国内，智能投研依然是一个新兴产业，近几年涌入了大量玩家，花费了资金和时间成本，但就国内的情况而言，鲜有真正落地的产品。智能投研在发展道路上存在以下几个趋势。 1 ）领域专家与科技专家相互融合 在金融人才和科技人才的统筹协调中，双方的业务对接过程存在一定的认知偏差，需要越来越多的复合型人才的加入，提高双方业务对接过程中的沟通效率，从而加强产品的研发进度，以及落地后的实际效果。 2 ）技术研发赋能投研产品 金融市场是一个关系错综复杂的信息市场，而自然语言处理等人工智能技术还处于初级阶段，技术在解构各因子之间的相关性上依然有很大的进步空间，智能投研会不断通过技术研发来提高投研参考的准确率和有效性。