文章搜索

您的位置>>

主页

>>

学术交流

>>

人工智能投顾商业模式及监管

作者:张家林    发布:2017-06-06 17:26    浏览:

SFI理事 张家林

  提要:相比于在线投顾、机器人投顾,人工智能投顾无论在服务客户的数量上、还是在服务的品质上都具有比较优势。人工智能投顾采用的是AI+云计算的体系构架,具有高效的学习能力。但这也引发了Fintech公司在监管方面的问题:监管部门需要按照受托关系来认定责任 —— 不能认为科技公司只提供算法就不承担责任。

  基于监管科技的核心理念,智能投顾监管的框架应该有两方面:受托责任的明确和投资者的保护。而为了适应技术的发展,未来,证券投资应该形成分类账户体系,以区别于普通的投资账户,这样更有利监管。

  两年前在青岛,我们第一次讨论了人工智能投顾,当时还属于初探阶段。两年后的今天,我们已经完成了大量的实践,可以明确感觉到氛围不一样了,我们已经可以预测智能投顾的将来。

投资顾问需要考虑的三个关键问题

  不论是机器还是人,提供投资顾问服务,都需要考虑三个关键问题。

  第一,投资策略的数量。一定要了解将来要服务多少客户,这决定了我们有没有能力设计足够多的投资策略。

  第二,投资策略的质量,即为客户提供服务的品质。能够为客户提供满意收益率或者满足其风险偏好的投资,决定了投资策略的质量。

  第三,适当性,即能否将适当的投资策略和客户精准地进行匹配。

投资顾问工具发展简史

  考虑这三个问题之后,三个不同答案可以形成投资顾问发展的演变历史:在线投顾、机器人投顾及人工智能投顾。在线投顾、机器人投顾之所以在策略的生产数量和质量方面存在缺陷,原因是它们都有人工的参与,这必然会限制策略的数量和质量。2015年由机器人投顾演变出来的人工智能投顾,实际上是改变了投资策略的全新生产方式。对于这种投资顾问服务来说,人力减少了,机器智能提高了。其实,未来的证券市场投资人分布很可能是这样的:大量普通投资人都使用工具来匹配风险和收益——人工智能投顾就是一个工具,它不能替代人来赚取最初的本金,但是可以帮助我们理财投资。

  人工智能投顾不可能像AlphaGo一样打败专业投资人,也没有必要这样做。未来,人工智能投顾在发展中,只要能让自己的能力、边界、收益、风险匹配客户的需求即可。

  而人工智能投顾能够极大地拓展机器人投顾和在线投顾所面临的局限——服务客户的数量和投资顾问服务的质量。人工智能投顾的策略生产能力是海量的,我们目前的系统,策略数量已经可以达到上亿个,这是在线投顾、机器人投顾无法实现的——其最多的策略数量是105,极大地限制了服务客户的数量。但机器人投顾和在线投顾的系统大多数是基于量化模型的,所以和人工智能相比,其体量、品质提高、自我学习速度差得很远,超过人工智能投顾水平的可能性很小。

人工智能投顾的体系结构:SIAI+云计算

  对于将来人工智能投顾的工作内容,现在已经有多家公司对此下了不同的定义。我们根据美国的定义标准,对证券投资人工智能系统(SIAI)的任务环境这样定义:它是一个工作任务环境为证券投资,能够自主感知市场信息,并可以自主的进行投资决策的人工智能,从KYC(了解你的客户)开始,它可以完成七项工作——适当性分析、大类资产配置、投资组合构建、交易执行、风险管理、投资组合调整和投后分析,最后达到SYC(让客户满意)。即这是一个输入KYC、输出SYC功能的系统。

  这个系统建立在人工智能的基础结构上——人工智能本身具有一套工程化的系统,一直以来,这个模型都是由经典的教科书来定义的。目前,主要的人工智能系统在工程化的实践中采用类似的结构,可以自主地感知外部环境和数据、作出决策,并使效益最大化。这个系统在每一家公司都有不同的实践经验,而我们将采用图1中的架构来构建证券投资人工智能。

  实践过程中,SIAI和量化的程序式交易是有显著差异的,主要体现在三个方面:首先是系统体系架构不同。人工智能的计算数据量非常大,比如AlphaGo需要用2万台服务器,Master大概要动用四万台;前一段时间打德州扑克的机器人也使用大量超级计算机算力。人工智能必须使用云计算,不可能使用传统的服务器。通常一套工业级人工智能系统所需要的服务器的基础级别已经达到了上千台服务器的算力。其次是产生策略的方式不同。SIAI是采用深度强化学习的方式进行策略的生产,它不采用量化模型。最后是,SIAI具备自主学习能力。能够通过大数据的分析和学习,自主的发现一些新认知。这点在过去两年多的实践中,我们能非常清楚的看到人工智能的这种优势。

图1 SIAI结构

  当然,这样的体系结构会带来很多问题,比如商业模式和监管。过去两年,我们一直在讨论理论和技术。接下来,如果人工智能想要真正落地,为很多用户提供服务,需要解决的核心问题是商业模式和监管。

量化交易与SIAI的主要区别

  目前大量的市场推出的智能投顾从本质上来说还是量化交易。那么量化交易和人工智能的核心差异之处在哪?简单地说,量化模型是对历史事物的重复,本身并不能够增加新的认知,比如一个设计好的装配固定车型的机器人,它只会装配奥迪A4车型,不会装配BMW的车型。而我们在设计人工智能的时候,不是让其简单地重复历史事件,而是赋予其一些规则,让它在简单的规则基础上,自己学习各种各样的模型,即增加自我认知能力。人工智能既可以装配奥迪A4,也可以装宝马X5,这就是人工智能和量化交易的主要区别。

  这个区别会导致很多问题,图2和图3可以说明在我们使用SIAI中经常出现的一个问题。2015年,SIAI的学习能力较弱,投资比较滞后,与量化交易的胜率没什么差别。但是经过了一年,我们发现它调整了策略,而且大量时间里都没有生产策略(如图3红线部分)——在最近三周时间里(2017年4月中下旬),SIAI都没有策略。

  在过去的一年多里,除了购买服务器增加算力,我们没有做太多的事情,它全靠自身的学习能力。我们通过观察实证数据,得到机器学习的结果和策略的质量(如图4蓝线部分),发现它可以独立地学习。目前,我们可以从技术和实证来证明,将来的机器有潜力超出大部分投资人的水平——当然目前的实例验证还不够,需要继续进行大规模的验证。

图2 2015年投资组合胜率图



图3 2016年投资组合胜率图



图4 标杆ISM族历史基金净值变化

Fintech公司与金融机构的合作及其监管

  Fintech公司的商业模式很关键。现在金融机构有自己的研发团队,也有很多初创公司、科技公司开发系统。因此,我们面临一个问题:Fintech公司如何和金融机构合作?国外有这方面成功的经验,即让Fintech公司提供技术、系统或服务,持牌金融机构再利用这些技术、系统或服务,为用户提供持牌范围内的金融产品或服务。但是这种交易模式在投资顾问行业会出现一些问题,其中主要的问题就是受托责任。不管是机器还是人,我们一定要明确投资顾问的受托责任。而受托责任则需要贯彻穿透原则,即持牌金融机构通过程序、算法向客户提供一个投资策略,如果出现问题,监管部门需要按照穿透原则来认定责任——不能认为科技公司只提供算法就不承担责任。这涉及到了人工智能投顾的实施方案——而我们正在讨论和实践。

图5 金融科技公司的一般业务模式

  这其中就包括如下几个边界:第一,Fintech公司的责任和义务是什么?最基本的责任是不能让服务器断电,除此以外,对于智能投顾要求的信息披露、监管理念的保证、算法和数据的零披露——金融科技公司和金融持牌机构合作时需要对上述问题进行明确。第二,投资顾问的责任边界。传统的投资管理办法(包括今年7.1开始实行的《证券期货投资者适当性管理办法》)约定了很多的边界,对投资顾问的责任边界(比如投资顾问应该提供何种信息披露)都有明确的政策指引。

  因此,我们设想了人工智能投顾的实施的框架(见图)

  这个实施方案的核心要点是确立几个责任边界线。一个是Fintech公司与持牌机构(比如证券公司)之间的责任边界;一个是持牌机构与用户之间的责任边界线;最后一个是对Fintech技术的监管(我们称之为Regtech)责任边界线。区别于传统的现场检查或人工形式的监管,人工智能投顾系统都是计算机在运行的程序,如何监管这些程序、算法,就必须采用新的方式。Regtech(监管科技)应运而生,它主要解决的就是如何运用技术对这些Fintech监管。我们感觉没有很好的Regtech,Fintech也不能很好的发展。因此,我们也在积极的研究Regtech在智能投顾方面的监管应用。

智能投顾的监管框架

  一个新兴的领域——监管科技,值得我们注意。以前我们用人工方式来生产投资策略,对其监管可以做现场检查,包括现场谈话、沟通。以后策略的生产和研究都是在机器里进行,即使去了现场,也不能打开机器看CPU。现在,监管也采取了新技术,即监管科技。

  那么监管科技的责任边界在哪?在云计算里,无论是程序化系统还是人工智能系统,策略生产、提供服务的系统都必须满足监管要求,这也是目前美国、中国等国在研究的问题,即区别于传统的方式,利用监管技术来进行监管。

  具体来说,在人工智能投顾方面,监管科技的核心理念是明确云计算里的程序——第一,输入情况;第二,输出情况;第三,按照监管的两大理念(微观审慎和宏观审慎)来制定监管标准。由于输出形成的投资策略会对市场产生影响,我们需要利用此监管标准来动态地监控行为。在讨论过程中,我们目前形成了一些简单的成果,但是还没有实际应用,因为监管部门现在也希望科技公司能够提出一些具体的要求——不是一个黑箱子,一定要赋予相对透明的数据。

  现在,智能投顾不仅仅需要帮助客户赚钱,还要满足监管要求。过去一年多的七成时间,我们都用来修改系统以求达到监管要求。然而,直到现在有关部门也没有出台具体的监管规则和指引。我们也在思考,监管部门到底关心哪些指标?基于上面的判断,我们形成了智能投顾的核心评价指标体系(详见图6),包括以下几点:第一,宏观审慎指标,避免系统性风险爆发。第二,微观行为指标,包括市场、内部交易行为——如果系统拥有20万用户,能否通过设计程序达到操纵市场的目的。而监管方需要通过设计指标或是参数来约束输出,从而了解微观行为。反向来看,为了消除系统性风险和交易风险,我们需要对指标进行参数设定,在将每个投资策略给客户时,考察协同行为,从而避免大规模的协同交易。当然,观察对象还应该包括微观上的相似度、交易的核实等。一旦利用了这种细化的指标,智能投顾的清晰度就提高了,便于市场推广。不过图6中的指标只是我提的一个方案,还没有得到官方采纳。

图6 智能投顾的核心评价指标体系方案

  刚刚刘珺提到,智能投资领域值得大力发展,也得到了监管部门的支持。过去的监管理念是保护中小投资者,为此出台了很多政策。但实际上,从技术层面来说,保护中小投资者的工具不多,落实也不到位。从A股市场的实践来看,在一个周期(3-4年)中就能搜刮掉很多散户的资金。而智能投顾却提供了基础解决方案,利用投资工具,能够消除不良或者不适当的行为,因此,其发展潜力是巨大的。

  而美国也很欢迎智能投顾,因为它可以显著地降低客户进入市场的门槛——不仅仅是费用、资金问题,而且解决了获取投资者更多支持的问题。如果投资者教育做得不够深,那么资本市场的门槛就高,而智能投顾却可以给散户更广泛、更可承受的进入资本市场的途径。

  从总体上来看,将来智能投顾监管框架的核心有两方面:第一,明确智能投顾是受托责任,我们要尽量明确这个问题,并进行披露。第二,保护投资者,关键是保证数据安全。因此,我们在建立投顾架构时就应明确,以前的云计算数据可以分享,而将来这些数据是不允许在金融行业内分享的,不可以用一个“云”服务多个金融机构。金融机构应该使用自己的专有“云”,从而保护数据的安全性。

证券投资分类账户体系是智能投顾的未来

  在监管科技方面,现在比较热门的讨论是,能否在证券投资体系内建立分类账户体系,类似于银行的Ⅰ类、Ⅱ类、Ⅲ类账户。现在,交易所的账户体系无法区分人工下单、程序化交易下单和智能投顾下单,也无法进行相应的监管。因此,将来可以考虑对证券账户进行分类——如果证券账户使用智能投顾,那么就向交易所报告使用了机器算法服务,这样监管部门就可以根据账户统一监管行为和数据。同时在监管框架下,如果我们知道使用系统服务的用户数量,就可以避免量化交易、程序化交易过程中出现的风险。

  智能投顾本身也可向监管部门提出要求,能否在智能系统里嵌入监管合规报告。如果在收盘后自动向监管部门发送报告,那么监管部门就可以看到更多的行为——这是监管科技在智能投顾方面的潜在能力。

  而智能投顾的将来一定是分类账户体系。监管部门应该知道整个市场上普通账户和智能投顾账户的用户数量,便于之后的数据分析。同时,监管部门也应知道各家公司使用智能投顾的用户人数,从而在建立分析和监管算法的基础上,清晰地考察系统性风险或微观行为。这就是为什么我们现在一直强调,证券账户应该学习银行的账户分类法,而不是一视同仁。

图7证券投资分类账户体系

  在监管层面,人工智能投顾还会面临很多挑战。随着时间的积累,技术层面上会取得很多进展,但监管的要求会更高。在监管科技与之匹配之后,我相信,人工智能投顾将会打开非常大的市场。

 


(作者张家林系SFI理事,北京资配易投资顾问有限公司董事长、创始人。本文为作者向中国金融四十人论坛独家供稿,未经许可不得转载。)