資產管理＋金融科技還是金融科技＋資產管理？
來源 |選自智信資產管理研究院編著的《中國資產管理行業發展報告（2018）》年度藍皮書
作者 |劉成、林慧敏、賀娟，現供職於百度金融。感謝百度金融康莉及許冬亮對本文的指導與貢獻。
沃頓商學院給出的金融科技釋義是，「用技術改進金融體系效率的經濟行業」。隨著互聯網的飛速發展，數據井噴推動人工智慧技術及相關計算技術取得突破性發展，為以人工智慧、大數據、雲計算技術為代表的互聯網新技術與金融服務深度融合提供了堅實的基礎。
從宏觀角度來看，金融科技和資管業務的融合具有必然性。互聯網和金融行業所依仗的核心，本質都是對數據和信息的高效利用和價值挖掘。依託於數據技術的智能金融可以拓展資管行業的深度和廣度，為整個大資管領域帶來效率上的提升。另一方面，從宏觀經濟形勢、監管制度格局和行業發展預期角度，未來大資管行業回歸本源、差異化發展已成定局，借力金融科技技術實現行業的轉型升級，也成為大資管行業的內生性需求和共識。
一、金融科技在資管行業中的典型應用
金融科技在泛資管行業中的典型應用可以從資金端和資產端兩個維度進行梳理。
(一) 資金端：個性化服務彙集碎片化渠道資金
傳統銷售渠道面向個人用戶銷售銀行理財、基金、保險等理財產品的過程，本質隱含「存款替代」的過程，單純追求規模和收入，針對客戶的服務單一化、同質化明顯；面向機構銷售的資管產品委外配置、出表、繞監管等需求的主導，同質化程度高，過度強調壓縮管理成本、拉高負債成本，導致風險極端放大等弊端。因此，提升資金端個性化服務質量、精細化產品配置和開發、重構用戶連接與服務的價值鏈，在目前的市場形勢下均成為迫在眉睫的任務。
1、智能獲客
金融行為的低頻與隱性造成獲客的成本高、難度大。最初的獲客策略機械地採用高利率、用戶返現補貼等方式，然而客戶留存率低、活躍度低。智能獲客以關係數據、身份信息、消費數據、網路行為等多層次數據為基礎，通過神經網路等技術進行特徵表達和轉化，建立刻畫全面、定位精準、觸達實時的金融畫像，建立立體刻畫個人用戶的風險模型和需求模型，真正做到「千人千面」，發現價格敏感的用戶。智能創意契合場景，通過用戶的風險偏好、收益偏好和響應預估及最優補貼計算模型可以有針對性地觸達不同的需求，進行精準投放，定向鎖定時機，直接命中用戶，降低獲客成本，提升資金獲取效率。
2、智能客服
基於金融業務的強安全要求，身份驗證作為準入環節依賴線下人工校驗，繁瑣耗時，用戶體驗差、安全隱患大，無法完全嫁接到互聯網線上服務流程中。聲紋識別、人臉識別、虹膜識別、手寫體識別等身份識別技術的發展突破了實時準確驗證身份的難題，適用於遠程登錄、場景支付、遠程開戶與授信、安全校驗、公章識別、票據驗真等多個應用方向，大幅度提高用戶身份鑒定準確性和效率。
智能客服核心是自然語言處理和語音技術，通過AI驅動定製化客服平台，通過語音文本轉換，語氣識別，問題預測、問答檢索及交互會話等技術，使智能機器人能夠自主與客戶進行互動交流，覆蓋常見業務問題，降低客戶等待時間，為用戶增加智能體驗與安全保證，增強用戶粘性。
3、智能投顧
智能投顧，又稱「機器人投顧」，大多數情況下，是指通過在線調查問卷獲取投資者信息以了解投資者的風險偏好以及投資偏好，從而結合演算法模型為用戶制定個性化的資產配置方案，包括動態調倉，實時監控等功能。相較於傳統的投資顧問，智能投顧試圖為投資者提供更具性價比的投顧服務，在相同的服務等級下，資金門檻更低。
智能投顧初起源於美國，2008年金融危機之後，以Betterment和Wealthfront為代表的智能投顧公司成長起來，而後傳統金融機構加入布局。相較於國外智能投顧業務相對集中於目標日期基金和養老資產管理領域，國內智能投顧形態更偏重於面向個人用戶理財產品組合化銷售。京東智投、廣發貝塔牛、華泰證券併購AssetMark、招行摩羯智投、民生璇璣智投等機構智能投顧上線引起市場廣泛關注。
目前，國內智能投顧發展面臨著可配置資產種類、產品品種缺失、用戶習慣、市場成熟程度和監管政策等難題，核心智能用戶匹配能力和資產配置能力還需要更深入的挖掘和提高，整體市場尚處在初創期。歸根結底，智能投顧是資管行業資金端的產品銷售行為，重點在於讓用戶有「投」的意願，才能達到「顧」的本質。因此如何通過智能獲客、客服、高效利用線上流量、有效沉澱轉化；如何夯實投資策略開發能力、實現本質上的高效資產配置，是未來行業發展的核心問題。
4、智能反欺詐
網貸業務具有無盡調、無線下審核、無強質押物等突出特點，低壁壘與弱風控的弊端客觀上催生了高利率、高違約率、重複授信、集團騙貸等問題。目前，從BATJ互聯網巨頭到規模較大的網貸平台，乃至於現金貸、消費金融創業公司，都在嘗試通過大數據結合智能演算法手段加強業務中的授信風控和反欺詐。
授信方面，以螞蟻金服推出的芝麻信用為例，以阿里體系內的交易記錄、金融數據為支撐，從最直接相關的客戶資產、收入、借貸歷史等數據擴充到電商、社交、搜索等與信用強相關的場景數據，將傳統模型的百以內的變數擴展到千、萬級別，提升了用戶的信息厚度。再以芝麻信用為支撐，推出了針對個人消費者的螞蟻花唄消費貸、螞蟻借唄現金貸業務，積極拓展在租房、租車、社交、消費、生活服務和執法等領域與信用場景應用的結合。智能反欺詐以百度推出的般若產品服務為代表，以ID-Mapping真實身份識別為核心，實現人、賬號ID、設備ID的拓撲記錄，結合來源於社交、電商、出行、位置服務、信息獲取等場景的用戶行為數據刻畫用戶行為特徵。
線上信用體系和系統的建立和嘗試，為打破信息孤島現象、完善個人徵信市場、建立社會信用體系提供了基礎。2015年國內正式開展個人徵信試點，芝麻信用、騰訊徵信、深圳前海徵信等8家機構獲得個人徵信牌照試點許可。2018年2月22日，央行正式向以中國互聯網金融協會牽頭、8家試點機構入股的百行徵信下發個人徵信業務許可，信用社會時代即將來臨。
（二）資產端：系統化能力提升管理效率
在資管行業去槓桿、打破剛兌的大環境下，資管機構提升自身資產管理能力，回歸資產管理本源成為資產端迫在眉睫的剛需。
1、構建以風控為核心的資產配置策略體系
資產管理的核心能力是風險處理能力，即風險定價和風險管理能力在整個資產管理流程前中後台，事前、事中、事後的高效率整合應用。就風控的本質而言，核心工作可以分成兩個方面：一是在信息碎片化時代，發掘信息的廣度、深度、關聯性，構建靈敏有效的風險或信用評價體系；二是將風控能力模型化、系統化，引入投資、貸款和風險資產處置過程。
信用評價體系的建立首先要解決的就是高效識別、獲取有效信息的問題。傳統數據獲取及分析方式存在時效低下，質量良莠不齊，且容易受研究人員主觀情緒影響的缺陷，金融科技技術可在拓展風控數據源和提升信息分析技術上帶來飛躍。來源於互聯網的用戶行為、輿情、社交、電商、定位服務數據可以從多維度刻畫宏觀經濟指標趨勢和市場情緒、中觀行業和區域經濟熱度和微觀信用主體行為，而過往難以處理的搜索、新聞、地圖、財表、研報、社交媒體等非結構化數據也可轉化為結構化數據成為傳統信用評價體系的有效補充。將數據以平台形式構造統一數據分析環境和專門的數據倉庫，以動態知識圖譜、機器學習等技術完成數據向知識轉化的提取、組織、關聯和生成過程，數據與信用研究框架、智能模型相結合，為非標資產、信用債、ABS等資產提供高效實時的解決方案。例如，百度金融推出的「信評大腦」平台，基於千億量級的輿情和用戶行為數據，百億量級的LBS數據[1]，結合具體資產類別和應用場景的需求，已經廣泛應用於信用債信用預警和監測、商業地產監控、ABS信用監控和估值、企業主體信用行為監測等方面，取得了良好的效果。
[1] 基於位置的服務數據（Location Based Service）。
在資產處置過程中，金融科技技術的引入為可量化、動態化的管理提供了可能。例如在銀行貸款貸中和貸後過程中對押品的估值、動態監控，可以通過引入輿情、用戶行為和LBS數據測度區域、行業經濟熱度和企業經營行為，為押品價值提供動態實時的損益估值；可以針對企業或具體行為人的用戶畫像、智能圖關聯、經營行為評價等為風險資產處置和清收提供輔助。中小企業規模小，經營風險大，缺乏擔保物，導致傳統評級方法授信審批困難，智能信評技術引入立體化、動態化企業信用體系和經營評價模型，降低放貸機構審批授信與貸後管理難度。在此基礎上，衍生出貿易金融、供應鏈金融、小微貸等多種業務模式，如京東供應鏈金融服務「京保貝」，螞蟻網商銀行的「網商貸」、「旺農貸」、「信任付」等產品，為大量小微企業提供融資、信用支付服務。
2、智能投研
隨著金融科技技術在投資領域的廣泛應用和機構資管方式的普遍轉型，將產生兩個明顯的趨勢：一是被動化、風格化投資工具型產品在市場中的廣泛出現和規模迅速擴展，二是大量另類數據、因子、演算法、技術和系統的應用，拓展資產類別和投資半徑，解決信息的二次不對稱性，從而提供新的Alpha。
隨著國內金融市場尤其是股票二級市場由散戶主導的市場風格向機構化市場演進，監管新規限制下資產回表、機構主動管理能力和產品凈值化等硬性要求，多風格和資產類型的工具化、被動化投資需求逐漸顯現。引入來源於大數據的另類因子，通過機器學習訓練，結合SmartBeta等投資理念為豐富工具化種類帶來可能；計算能力和演算法能力的提升為通過演算法交易、統計套利等量化交易手段擴大產品規模、降低管理成本提供可能。
智能投資技術可以分成幾個層面：首先，在投資標的調研的過程中，可以藉助輿情監控、大數據經濟指數、市場行為熱度數據和LBS數據描繪的微觀主體或區域經濟流量形態，獲取更廣、更深的信息；其次，在投資標的篩選階段，利用市場情緒因子、行業熱點數據聚合、NLP[2]輿情和研報自動化解讀、企業經營性數據預測等手段形成差異化投資因子；第三，在投資組合建立階段引入分類演算法、集成學習演算法、排序演算法、資產相關性分析等機器學習技術，利用AI提升決策能力；最後，在組合運行風控階段利用結合情景分析的智能配置、市場動態跟蹤和從宏觀和市場情緒角度發掘多資產關聯關係，完成智能配置及調倉。目前除以BATJ為代表的各大互聯網公司結合自身技術數據特點積極與資管機構合作和已經推出大量「大數據」資管產品外，更湧現出了蘿蔔投研、優礦、聚寬、米筐等多樣化開放性量化平台，在智能投研領域開展多樣化的探索。
[2] 自然語言處理（Nature Language Processing）
3、資管系統建設
資產管理能力藉助金融科技提升需要可靠的系統載體，才能將數據、演算法、技術的革新沉澱成為機構的內在能力。雲計算技術、靈活可插拔敏捷系統開發技術和移動應用技術為面向業務全生命周期管理的、部署靈活的金融資產管理平台出現提供了可能。憑藉有效降低IT成本、具有高可靠性和高擴展性、運維自動化程度高、具備大數據和人工智慧技術支撐等價值，金融雲技術被越來越多的機構作為IT系統的首要選擇。當前，已有大量金融機構利用BAT雲計算平台承載和處理高並發業務，實現IT轉型。
例如在《資管新規》的影響下，通過構建具備靈活賬戶體系的資管系統，真正意義上實現FOF或MOM產品在機構統一賬戶機制下區分組合管理，引入具備資管能力的管理方，以技術投顧的身份進行子賬戶、子產品的管理，對於豐富機構資管能力外延、符合監管穿透要求、快速擺脫委外產品萎縮後機構自身能力的脫節有巨大的現實意義。京東金融上線「京東行家」機構自運營平台，免費幫助金融機構打造「移動官網」。百度金融與農行聯合打造的「金融大腦」，開放獲客、身份識別、反欺詐、信息核驗、信用管理與產品能力。螞蟻金服旗下芝麻信用通過商家自助服務平台全面開放消費金融風控能力。
4、資產信用體系重構
「剛兌」的打破必然帶來資產形成層面系統性的信用衝擊。通過技術手段增強、重構資產生成過程和信用體系，建立長效機制，可以幫助釋放信用壓力。此類應用當前首推區塊鏈技術。區塊鏈在資產管理中兩種典型的用途，一種是降低由資產生成和管理過程中信息不匹配造成的風險，增強安全和互信；另一種是促進多方交易中的透明度和效率。
區塊鏈技術作為獨立的底層數據存儲和驗證技術，具有去中介信任、防篡改、交易可追溯等特性，能夠實現交易過程中，各節點共同維護一套交易賬本數據。對於消費金融、供應鏈金融資產證券化等具備典型下沉到場景、基礎資產分散、交易高頻化特點的領域，項目中各參與方作為聯盟鏈上的參與節點，可以通過引入區塊鏈技術，有效增強底層資產形成期的真實性和透明度及各中介機構履約的客觀性和信息透明度，實現資產存續期狀況、現金流實時監控和精準預測，同時二級交易的估值和定價也變得有據可依，有針對性地增強安全、互信，減少信息不對稱性。2017年5月百度金融與佰仟租賃、華能信託等在內的合作方聯合發行國內首單區塊鏈技術支持的私募ABS項目；8月百度金融聯合天風證券、長安新生髮行了國內首單運用區塊鏈技術的交易所ABS；同月，京東金融ABS雲平台與建元資本合作完成首單全程基於區塊鏈技術的汽車融資租賃Pre-ABS項目放款。
區塊鏈技術應用在支付、金融資產交易等領域，可以促進多方交易中的透明度和效率。如Ripple公司提供的跨境支付平台交易速度快，平均節省成本33%。在資產交易等領域使用基於區塊鏈的系統，通過去中心化和共識信用交易、清結算體系，可以顯著縮短交易結算時間，節約對賬成本，從而幫助減少全流程資本需求、運營成本和託管費用。根據高盛的報告[3]估算，將為全球金融市場每年節約110-120億美元成本。目前已經湧現了諸如Digital Asset Holdings、R3CEV、Chain.com等一大批創新型企業，將給銀行託管和清算所體制帶來極大的衝擊。
[3] Block Chain, Putting Theory into Practice. Goldman Sachs, May 24, 2016
二、金融科技發展相關問題的思考
作為新生事物，金融科技未來的發展機遇與挑戰並存，需要經歷業務實踐中的反覆錘鍊和沉澱，才能逐漸成熟、發揮更大的價值。
（一）增強業界與監管良性互動，加強對科技應用的規範和引導
金融科技在與資管各領域不斷探索交融的過程中必然會觸及大量新領域、產生大量新業務模式。面對眾多新生領域，無論業內的實踐認知還是相關監管引導都存在一定的空白或灰色地帶，如何在促進技術創新提升效率的同時避免可能引起的市場波動和不良後果，應該引起業界和監管共同思考，形成良性互動。
一個典型的例子就是近年來美股市場倍受爭議的高頻交易。目前程序化交易佔美股市場比例已高達90%。然而程序化交易的盛行，有放大市場波動率的嫌疑，容易造成市場暴漲或暴跌的一致性行為疊加。早在2010年5月6日，美國就曾出現機器引發的「閃電崩盤」（Flash Crash），道指日內大跌1000點，近1萬億美元市值蒸發，之後又大幅回升。SEC[1]和CFTC[2]將此歸咎於高頻交易公司，技術手段的無限度擴展改變了原有市場結構。
本次《資管新規》也就目前部分金融科技熱點領域給予了關注。《資管新規》明確將智能投顧界定為「運用人工智慧技術開展投資顧問業務」，並明確要求：「運用人工智慧技術開展投資顧問業務應當取得投資顧問資質，非金融機構不得藉助智能投資顧問超範圍經營或者變相開展資產管理業務」、「金融機構應當向金融監督管理部門報備人工智慧模型的主要參數以及資產配置的主要邏輯，為投資者單獨設立智能管理賬戶」、「金融機構應當根據不同產品投資策略研發對應的人工智慧演算法或者程序化交易，避免演算法同質化加劇投資行為的順周期性，並針對由此可能引發的市場波動風險制定應對預案。」《資管新規》並未要求金融機構全面披露產品模型的策略細節。一個全面公開且運行良好的策略，一定會被複制從而造成順周期性，如何權衡策略開放程度與機構保留核心策略的需要，勢必將成為監管落地與市場博弈的熱點。
[1] 美國證券交易委員會。
[2] 美國商品期貨委員會。
（二）金融科技與資管業務的融合路徑需要長期的探索
現階段，金融科技在資管業務的實踐中尚存在至少兩個不可迴避的技術性問題：一是金融科技本身的成熟性，二是資管業務與技術產品化的匹配程度。
從技術本身來看，金融科技本身所涵蓋的大數據、人工智慧、雲計算、區塊鏈等技術處於起步階段，自身尚有大量的難題和未知領域尚未攻克。具體演算法、技術在應用遷移通用性、複雜環境的適應性、執行效率等方面發展階段參差不齊，需要更大的突破才能「走出實驗室」。
在金融科技融入資管業務的過程中，技術體系及全新的思想、架構、邏輯、方法論如何與已經具備成熟業務體系的資管業務相結合是決定金融科技發展成敗的關鍵。傳統的金融理論體系是建立在邏輯關聯、理論自洽性的前提下的，而大數據科學、人工智慧的產出預測結果很大一部分是統計意義上的，很可能存在統計偏差，與傳統的計量模型不相容，甚至出現因為一致性預測行為改變市場行為進而與預測結果背離的問題。例如穆迪曾經通過分析MasterCard和Visa的消費數據來提供行業就業率的觀測指標。但顯然在這個例子中，利用信用卡消費指標推導出就業率指數的前提就是被調查人群至少有一張MasterCard或Visa，這樣客觀上的統計樣本變差就造成了結論的缺陷。那麼在這種情況下，是否採信「科技」的結論？「科技」的結論如何融入現有理論框架下？這些問題都有待進一步明確。從實際應用的角度看，本文中所列舉的金融科技目前還處在輔助資管業務提升效率、降低錯誤的階段。利用技術可以很好地將海量信息和數據抽取成具備內在邏輯的知識，但從知識到智慧、從智慧到技能從而應用到實際業務中，是資管從業人員主觀能動性、經驗、學習能力發揮的過程，科技尚不具備代替人的能力，尤其是代替人的創造能力。
客觀地講，現階段金融科技尚處在找尋行業痛點、適應行業的過程中，金融科技的成熟過程必然是用技術手段沉澱行業智慧的過程，必然是通過微觀上解決行業痛點、逐步體系化綜合化的過程。
好 書 推 薦
TAG:資管雲 |