嘉宾简介

郑毓栋先生是 PINTEC 品钛旗下璇玑科技 CEO，持有新加坡国立大学荣誉学士学位以及硕士学位，主修电脑科学与经济学。从2009年起担任渣打银行（中国）有限公司个人银行财富管理部产品总监，主要负责零售银行和私人银行客户理财产品的策略与研发工作。之前他曾任渣打银行（中国）尊尚个人银行战略发展及业务拓展总监，花旗银行（新加坡）中小企业部市场及产品总监等职。

积木盒子成立于2013年8月，起初定位于 P2P 平台。2015年12月，积木盒子进行品牌升级，转型为综合理财平台，推出固定收益理财、股票、基金、零售信贷在内的多款互联网金融产品，及综合配置解决方案“锦囊”。

2016年6月2日，积木盒子母公司品钛 PINTEC 成立。定位于智能金融服务商，旗下的子公司包括读秒、璇玑、虹点基金、麦芬保险等。

核心观点

Robo-Advisor 是追求长期稳健的基于数字化资产配置的家庭财富管理模式，目前在美国市场发展迅速。它降低了资产配置的投资门槛，利用移动互联网拉近人与投顾的距离，在 beta 的崛起下被广泛运用。我们需要通过资产配置，数据处理，产品配置到交易优化等算法，把欧美市场的 Robo-Advisor 架构应用至中国市场，克服监管空白等问题，最终真正实现对每个客户因人而异的资产配置。

演讲内容

很高兴能有这个机会和大家分享 Robo-Advisor 在海外的运营，进入国内遇到的问题以及如何克服这些问题。

什么是 Robo-Advisor

首先，为什么我没有讲智能投顾这个词。因为海外的 Robo-Advisor 和国内的智能投顾是两种不同的含义。国外称自己 Robo-Advisor 的，基本上是 Betterment、Wealthfront 这样的公司。Robo-Advisor 的含义是追求长期稳健的基于资产配置的家庭财富管理，而在国内很多人把智能投顾理解成短期投机的炒股行为，与欧美对 RA 的理解是不同的。从趋势上来看，目前美国有 300 亿美元的资产是在 RA 的管理之下，根据预测，至2020年将有 4 万亿美元的资产会在 RA 管理下。

Robo-Advisor 的市场机会

那么为什么在美国 RA 市场会发展的比较迅速？从感兴趣人群来看，美国对资产配置的认同比较高，401k 退休金入市制度非常完善。所以，全美有 75% 的人群对 RA 的理念是认可的，在千禧一代，这样的认同度更高达 80%。所以刚才讲的到2020年 4 万亿美金的管理市场，预计在美国市场就能拿走 2.2 万亿美金左右的规模。

在这种情况下，为什么 RA 会崛起？

1. 资产配置原本是比较高端的概念，现在通过 RA 把这个门槛降得非常低。在美国，大概 1000 美金就能在 Betterment和Wealthfront 开户。
2. 移动互联网拉进了人和投顾的距离，不需要通过传统的线下投顾帮助客户配置资产和产品，通过互联网就可以做到这一点。
3. 也是比较主要的，在欧美大家逐渐发现超额收益是很贵、很难获取的，并且规模非常有限，所以我们可以看到美国的指数基金、基于 ETF 的共同基金规模在逐步变大，可以称为是beta的崛起。在这样的基础上，RA就有了很大的用武之地。
4. 通过算法驱动，驱逐人的情绪。最早以前，RA 通过比较资深的财富管理师或者经济学家进行资产分散，但是现在通过算法驱动可以驱逐人的情绪化。
5. 美国市场兴起了一种强强联手的概念，也就是人机结合。通过机器计算资产配置组合，然后通过人与客户进行交流。

beta的崛起

逐年来看，美国市场总的差额回报标准差是下降的，也就是说美国市场上整体共同基金的超额回报是在向 0 趋近。主要原因是美国市场上个人/机构占比逐年下降，机构占比较大，机构和机构博弈的结果就是超额收益在市场上非常难以获取，所以 alpha 变得很贵，而且容量非常有限。一个 alpha 策略的产生很快就消除了，而且容量变大的时候就会见光死。

与此相对的是，美国市场上的 ETF 共同基金发展趋势很快。过去十年，ETF 基金从 0.4 万亿美金增长到 2.1 万亿美金，整个美国市场可交易的 ETF 基金数量从 359 只到达 1594只，基本上涵盖了全世界主要的资产，包括股债、现金、商品、房地产等资产，都有一些规模比较大、流动性比较好的 ETF 在做。基于被动投资的指数型共同基金也有非常长久的发展，仅仅2015年，美国的指数型共同基金净流入量达到 1660 亿美金。一家专注于被动投资的基金，自从1987年以来每一年都是资金的正流入，持续了 20 年。不管是 ETF 还是共同基金领域，整个国际上都呈现了一种 beta 化的趋势，这给 RA 的资产配置带来了很好的养料。

基于以上两点，全球已有多家公司布局 RA 业务。Personal Capital、Betterment 和 Wealthfront 是三家初创公司，目前的估值大约都在 10 亿美金左右，拥有的客户在5万名到10万名，管理的资产大概在 30-40 亿美金左右。剩下的公司都是资产管理、财富管理界比较知名的公司，目前来看它们是比较明显地分成两大阵营：以 Vanguard 为首的全自动的投资方式，客户把资金全权委托给机器人投资顾问，用它来进行资产分散、操纵和再平衡；而以 RBS、CITI 为首的财富管理的银行类公司，主要采取的是人机结合方式，如 BlackRock，收购了 Future Advisor，通过机器产生资产配置策略，然后由客户经理和客户进行沟通。

国内发展 RA 的困难与问题

1. 美国智能投顾的定义和监管是比较明确的，它处于美国整个智能投顾的法规条例之下。所有的投顾，无论是人的投顾还是机器的投顾，都拥有合法地位。而在中国，目前是处于资产管理状态还是处于投资顾问的状态，界定还不清晰。
2. 美国的 RA 从算法到输入到结果，都已经形成了一个整体的监管框架，对整个过程也有一个非常明确的额监管。中国目前更多是对结果做监管，对过程上还没有一个很好的监管方向。
3. 美国非常关注客户结构和算法框架，这一块的监管在中国基本上还处于空白。

基于以上，中美两地对于 Robo-Advisor 有比较大的变化。在美国将近 100% 的 Robo-Advisor 以资产配置为基础，因此衍生出了 to B 和 to C 不同的业务。国内翻译成智能投顾之后，有近一半的机构背离了长期稳健和资产配置这种模式，发展其他的中国特色模式，比如说证券的推荐和股票的组合，这也是中国目前整个市场的监管处于空白所导致的。

数字化资产配置--算法演进

整个 Robo-Advisor 的资产配置分成三个方案。首先，One Solution for All，即一个方案解决所有客户的问题，最后发展成每个客户有他自己的解决方案。传统的马科维茨标准方差模型是在一个有效前沿上获取 beta，为所有客户获取一条有效前沿。第二，发展到 Smart Beta，利用机器学习和人工智能在传统的马科维茨和市场有效化的基础上，抓住机会降低风险。第三，进展到 Bespoke Beta，每个客户根据自己所处的市场环境和主观因素，有一条属于他自己的 beta 曲线。其中，必备算法有资产配置算法、数据处理算法、产品适配算法和交易优化实现算法。

资产配置算法

从资产配置来说，传统的马科维茨是一条连续的曲线。在实际应用上，每个客户有自己的一条有效前沿曲线，存在主观和客观的原因。从客观上说，美国的客户和中国的客户能够接触到的市场不同，有效前沿曲线也不同。从主观上说，保守型的客户可能不会愿意接受创业板的投资，更愿意增加债券和现金的配置，因此不同的客户有不同的有效前沿曲线。所以，在教科书上虽然只有一条有效前沿曲线，但是在实际应用中需要能够帮助每位客户根据实时市场状况计算他的组合最优点。

数据处理算法

在数据处理上，需要通过机器学习对大量数据进行研判和研读。这对于个股层面来说较为困难，因为个股的噪音很大，除非能够做到高频，不然很难通过机器学习进行有效的预测，特别是在中国这样非有效市场上。但是把数据从个股延伸到大类资产之时，数据噪音变小，有效性提升，所以机器学习对于大类资产的配置来说是更加有效的。

相对于传统量化来说，机器学习有两个很显著的特点。第一个特点是能够对数据进行更好的分类解读。传统的量化是线性的假设，但是当机器学习把线性假设变成非线性假设之时，能够对数据进行更好的分类和诠释。第二，机器学习是一个连续不间断和自我演进的模型。在传统的量化中，量化工程师和分析员需要不停地回去监测模型，重新跑数据、获得因子和构建模型。而在机器学习中，每一天预测的结果，无论正确与否，都会变成第二天预测的数据量，使得模型的预测能力更强，这就是机器学习和传统量化之间的区别。传统的量化是参数不变，需要反复的验证和回复，但是机器学习是自动优化的，并且它的参数能够根据市场行情不断优化。

产品适配算法

国外有大量的 ETF 市场，但中国是以主动投资为主的市场，并没有大量 ETF，很多 ETF 的流动性也不好。这就需要在产品拟合方面有另一套算法，将主动管理的产品中选出能够拟合到这类算法的产品，构建出一个类 beta 的组合。这种资产配置的转变需要抛弃主动管理的因素，使得风格漂移因素对组合的影响降到最小。在这一方面，需要一个独立的模块单独运行产品的拟合，这是中国市场第一个需要注意的点。所以我们设计了一个算法，对相关性、产品的拟合度、核心类型产品的外延性都进行了研究。

交易优化实现算法

美国市场的 ETF 是 T+0，费用很低，而在中国市场没有那么多 ETF，引入场外交易的话会受到交易成本、交易时间、交易费用等方面的限制，理论上是一个非完美金融交易市场，存在摩擦成本、交易成本和时间成本。机器学习能够在这些因素的影响下，帮助客户迅速地以最低的成本完成最优的调仓，从交易模块上解决问题。

最后，我们适配了一个适合中国市场的架构，从资产配置，数据处理，产品配置到交易优化，把欧美市场的 Robo-Advisor 架构搬到中国市场，最终希望真正实现对每个客户因人而异的资产配置。对于一些不需要依赖客户经理的客户来说，能够完成自动化的资产配置；对于机构客户来说，如银行和相关的资产管理公司，能够利用我们的引擎去服务他们的客户，通过自动化的资产管理系统把他们的客户经理从繁琐的市场盯盘中解放出来，把真正市场的因素交给机器来做，用人来完成情绪上的沟通和客户的获取。