什么是财富管理科技和真正的机器人投顾？

　　从2009年起，全球陆续出现了一大批各式各样的机器人投顾公司，如美国的Betterment、 Wealthfront等，他们以财富管理行业颠覆者的姿态挑战着传统金融机构的财富管理业务，吸引着资本的投资与消费者的关注。从2015年起，传统金融机构也开始进入机器人投顾市场，并呈加快之势，如嘉信理财推出了机器人投顾Intelligent Portfolios，黑石集团收购了初创机器人投顾公司FutureAdvisor，先锋基金推出了人机结合的混合机器人投顾 Vanguard Personal Advisor，作为三大财富管理公司之一的美林率先宣布开发了自己的机器人投顾，此后瑞银与摩根斯坦利也相继宣布将进入机器人投顾领域。

　　机器人投顾可以采用自动化或半自动化的方式与财富管理客户进行交互，以线上或线上线下相结合的方式为客户提供财富管理建议，同时可以自动化管理客户投入的资金。从其出现伊始至今，机器人投顾行业管理的总资金量（AUM）呈现出指数型增长。美银美林显示，截至2015年，美国机器人投顾管理了约500亿美金的资金量。A.T.Kearney咨询公司预测，到2020年，机器人投顾仅在美国管理的资金量就将超过2万亿美金。如今，这个行业已被看作是未来最具发展前景的金融科技领域之一。

　　机器人投顾属于财富管理科技的应用之一，而财富管理科技是金融科技的重要组成部分。金融科技通常包含几个领域：财富管理科技（如机器人投顾等）、支付科技（如Apple Pay，Alipay等），借贷科技（如P2P借贷等）以及保险科技（如基于区块链的智能保单smart contract等）。他们分别对应了投资、支付、借贷与风险管理主要的金融活动，这些商业应用模式的本质是利用金融科技解放金融行业生产力，让此前做不到的、更高效、个性化的金融服务成为可能。同时，推动金融行业向智能化发展，在提高服务质量的同时，降低成本，扩大客户基群。

　　那么，财富管理科技是如何提升财富管理行业生产力的？实际上机器人投顾只是近期才浮出水面的一个概念，各大金融机构在财富管理领域应用金融科技已有相当长一段时间。从上世纪80年代起，各大金融机构就开始招募顶尖理工科与金融博士以及IT专家，组成量化团队和IT团队为财富管理部门服务，我们可以形象地称其研发出来的财富管理模型与系统为“投资引擎”。为什么金融机构要花大把人力物力去构建这些模型与系统呢？原因是随着财富管理行业竞争日趋激烈，各大金融机构为了在竞争中脱颖而出并保持服务溢价，就必须为客户提供更为优质的财富管理服务。这需要财富管理部门的投资顾问能为客户提供更高质量、定制化与便捷的金融规划与资产配置服务。然而，金融规划与资产配置均需非常专业的技能，这就要求相关人才具备较高的金融专业知识与数学水平，大规模地培养此类人才并不现实，投资顾问为客户服务的同时用人脑短时间内求解复杂问题也不可能。所以，各大金融机构只好退而求其次，或大规模地定期培训投资顾问，让其记住一些简化规则；或为每个小团队配备能提供简单金融规划与资产配置的技术人员。但上述办法使得财富管理公司付出了很大成本，且尽管为客户提供的服务质量有所提升，但仍非最优。

　　随着金融科技与IT技术的发展，聪明的华尔街精英开始意识到用科技手段解决这一问题才是最好的选择，不但可以大幅提升与保障服务质量，提高公司竞争力，还可以为公司节省一大笔开销。于是，新技术与新模式出现了：财富管理公司开始在首席投资官办公室设立量化团队，研发投资引擎，并综合海量金融资讯、聚集顶尖投研团队大脑，用最先进的金融理论与强大的数学算法，根据实时变动的市场动态求解每一位客户的财富管理最优方案。大规模的IT系统联通投资引擎与投资顾问办公室的电脑或投资顾问手中的iPad，当投资顾问与客户深入沟通时，可实时将从客户得到的信息反馈给投资引擎，并迅速得到优化的定制财富管理方案和财富规划预期图表，并在与客户反复交流中迭代客户财富管理方案。最后，投资顾问还可一键执行，链接到交易板块的投资引擎可按财富管理方案为客户进行投资管理。

　　此模式极大解放了投资顾问生产力，提高了服务质量。投资顾问们可以最大限度地发挥自身服务与交流优势，深度挖掘客户金融需求，而将财富规划与资产配置问题交给专业的投资引擎。对客户金融需求的深度挖掘，就意味着客户交给财富管理公司管理资产数量提升的可能。这在AUM为王的财富管理界就是收入与利润的提升。对财富管理公司来说，这种科技的应用在极大提升公司管理资产量与收入、公司竞争力的同时，大大降低了公司人员培训、投资顾问监督管理与风险控制费用。而且，这也让客户享受到了更优质的服务，更多资产得到科学规划与管理，获得了多方共赢。此外，这使得财富管理行业的商业模式更贴近市场情况：投资顾问们再也无需定期接受同一培训、记住僵硬的简化规则，而是可以在各自熟悉的地理区域，以自己最擅长的方式服务客户，深度挖掘客户的个性化需求，可以倚靠强大的投资引擎与IT系统支持，方便有效开展业务。财富管理公司的结构也发生了改革，从单一金字塔式管理变成了更区域化的网状结构，更适合财富管理行业的特点。由于区域化特点明显，客户分类分层特点不同，越定制化的方案越能更好服务客户。金融科技应用在降低财富管理公司监督风险的同时，投资顾问自由度也获得了提高，使其更有动力与能力发展业务。

　　通常来说，定制化产品能为财富管理客户带来更高的销售溢价与吸引力，这也是财富管理公司设计各种理财计划的初衷，如教育基金、养老计划、财富传承计划、生命周期基金等。这些产品都挖掘到了客户某种真实的金融需求。财富管理科技要做的事情就是帮助投资顾问更深入地挖掘客户的金融需求，产品设计更智能化，与客户的个性化需求更贴近。投资引擎为每位客户提供的金融规划与资产配置方案，实际上就是针对客户设计的更智能化、定制化的理财产品。真正的机器人投顾应包括两方面：一是应用核心——投资引擎技术，这是其为客户服务的关键；二是利用自动化与客户交互、挖掘客户金融需求技术，这决定了能为客户服务的需求数量。目前兴起的机器人投顾，实际上是试图利用已发展多年的投资引擎技术，加上互联网交互外壳，自动化为客户提供财富管理服务。目前国内将市场上现有的“Robo-advisor”译为“智能投顾”，我们认为并不恰当，应该按原意翻译为机器人投顾。原因在于这些初创公司所做的核心内核与成熟的投资引擎相比一点也不“智能”。一方面，初创公司因为缺乏投研团队积累，并没有能力将此项技术做好；另一方面，传统大机构目前也没有大量引入积累的财富管理技术。不过，目前随着掌握核心技术的金融从业人员进入创业市场，以及众多美国银行都在此领域进行了布局，与学界合作开发了适合线上财富管理的投资引擎。相信真正称得上“智能投顾”的产品应该会很快就会出现，并在近一两年内迭代完成。可以说，未来每家公司的核心投资引擎直接决定了其财富管理水平，监管与用户都应该以机器人投顾的投资引擎技术为第一考察标准。而对于自动化与客户交互技术，目前众多公司仍处于研发与探索的阶段，要达到真正与客户高水平的交互，需要人工智能与大数据技术相结合，如利用多渠道信息拼凑客户的金融图景，挖掘客户持续产生的行为数据，模拟人工投顾与客户交互的效果。这需要每家公司花时间去探索研发，目前还不成熟。

　　那么，财富管理科技的原理和机器人投顾的当前定位是什么？从原理上讲，财富管理实际上比资产管理更为复杂。首先，资产管理是单一周期的，比如一支基金要考虑自身一年期收益与风险情况。而财富管理是多周期，需要考虑多年的金融规划与资产配置。在马科维茨单周期静态CAPM市场情况下，只需考虑资产维度的相关性，构建的计量模型比较简单；而财富管理的决策处于更复杂的默顿多周期动态ICAPM市场情况下，资产维度与时间维度相关性均需考虑，因此需要构建更精细复杂且有时序结构的计量模型。其次，资产管理是单一目标的，而财富管理是多目标的，保持日常消费水平、提升生活水平、健康与教育，养老与财富传承都是其目标。同时，目标之间分级与竞争关系也需要考虑。以养老目标为例，其包括了20-30年的动态资产配置，养老金提取决策，以及是否购买、合适购买、购买何种养老保险的决策。这是比单一周期投资组合优化复杂得多的问题。理论上，需要大规模金融优化技术才能很好解决。目前，一些美国传统财富管理公司的投资引擎已具备此种强大能力。机器人投顾也需要利用这种技术给出科学优化的规划与资产配置方案或设计定制化的智能产品。而方案的可视化也不容忽视，它可以让客户明白每一次动态配置都与客户各个金融目标紧密结合。总体来看，越来越高级的投资引擎技术在机器人投顾行业应用是大势所趋，此项技术的不断发展也使得线上或人工投顾水平更高，它是财富管理公司的核心竞争力之一。而自动化、交互技术的不成熟是目前机器人投顾的瓶颈。

　　尽管机器人投顾日益成为不容忽视的力量，但投资顾问们也无需担心有朝一日会被机器人取而代之。著名经济学家麻省理工教授David H. Autor就曾指出20世纪70年代自动取款机变得普及，而几十年后银行雇员反而增加了。自动取款机的诞生减少了银行职员的重复性工作，进而能有更多时间开发出更多高附加的服务，从而增大客户对银行服务的需求。也就是说，科技不但能增大供给，而且能刺激更大需求。如黑石集团CEO Larry Fink所说，机器人投顾就像ATM一样今后每个金融机构都会有，投资顾问只要利用好金融科技，不断提升服务质量，反而能利用机器人投顾提前获客。另外，财富管理科技的发展对我国普惠金融事业也可产生巨大的推动力，不但可以提高财富管理水平，而且在科学化配置居民存款，服务长尾客户方面也可发挥重要作用。目前，清华大学金融科技研究院在财富管理科技方面，已与业界（如阿里巴巴蚂蚁金服和网易金融）展开了深入合作，期望利用国外先进金融科技为我国普惠金融事业做出贡献。返回搜狐，查看更多