雷鋒網(公眾號：雷鋒網)按：在美國，交易員、量化研究員正在慢慢消失，而與此相反，金融科技、機器學習以及人工智慧方面的招聘崗位卻在逐步上升。這又說明了什麼呢？
要解釋這一現象，我們先要了解什麼是智能投顧，以及我們為什麼要做智能投顧？
常見的智能投顧都是「人工的智能」
王蓁博士在雷鋒網AI慕課學院的直播課（http://www.mooc.ai/course/157）中告訴我們，國內號稱在做智能投顧的公司數量至少有300到500家，而這300到500家公司裡面99%可能都是P2P公司。如果你要說每一家P2P公司都是擅長人工智慧或者機器學習，這種說法確實很難讓人信服；與此相反，他們可能更擅長的是進行網絡借貸業務。
市場上大家耳熟能詳的一些智能投顧其實都是「人工的智能」——人在背後進行的操作，而在前端封裝成一個自動化的工具，實際上並沒有真正地實現我們預想的機器學習、沒有人工幹預的智能。
Black-Litterman模型是上世紀90年代由高盛的Fisher Black和Robert Litterman提出的，是一種對傳統Markowitz均值方差模型的改進。該模型可以在市場基準的基礎上，由投資者對某些大類資產提出傾向性意見，模型會根據投資者傾向性意見，輸出對該大類資產的配置建議。
Black-Littermanm模型自提出來後，已經逐漸被華爾街主流所接受，現在已經成為高盛公司資產管理部門在資產配置上的主要工具，並且被多個投資銀行和資產管理公司用來進行資產配置。而其核心就是人工的智能，即人把自己的觀點輸入到模型進行幹預，而真正的智能投顧是沒有人工幹預的，也就是說智能投顧一定不是BL模型。
對於傳統資產配置模型，當我們在進行公募基金的配置的時候，可能90%多的配置比例都會配置到貨幣基金和理財產品當中去，因此我們其實是完全沒有實現任何資產配置的功能，這是傳統資產模型天生的一些缺陷。
而傳統的資產配置模型還有一個問題是它會進行頻繁的調倉，只要輸入非常小幅度的改變可能就會導致資產配置結果的巨大震蕩。傳統的資產配置模型，比如昨天配置50%的股和50%的債，但今天很可能配置的是90%的債券和10%的股票，這樣用戶就不得不進行頻繁的調倉，而更高的調倉頻率帶來的是費用的問題，我們最終會導致我們所有掙的錢可能都交了手續費了。
而當我們真正在做公募基金組合的時候，我們還需要考慮公募基金一些特殊的一些情況，比如我們申購和贖回的時間是存在滯後性，你在今天買公募基金的時候，其實你並不知道你會買入多少份，因為它在幾個交易日之後才會給你確認買入價格，那時候你才知道你買了多少份額，而你贖回的時候也有同樣的問題。
另外一個是起投門檻的問題，因為不同的公募基金基金類型有ABCE甚至各種其他的類型，每一種不同的類型，它的收費方式不一樣的，它的費用可能包括每年的管理費，可能包括銷售服務費，可能包括前端費用，後端費用，可能還包括鎖定期的費用。比如說我們一般都說C類基金沒有費用，但實際上的情況並不是這樣的。因為C類基金它不但有固定管理費，有的C類基金可能還會收比較高的銷售服務費。
一般來講，對於C類基金，如果購買時間不足一年的話，還可能會收一筆鎖定期的費用,雖然可能只有千分之一或者是更低，但是它其實就是有收取費用的，無形中便增加了模型的複雜度。再比如說B類基金，它可能更多是偏向於機構投資者或者高淨值客戶。很多B類基金，它的投資門檻可能是500萬人民幣起。
除了BL模型（Black-Litterman模型），其他常見的模型如現代資產組合理論、馬克維茨模型、均值方差模型(MVO)等，在國內都不可行，其中，使用BL模型的一定是「人工的智能」 投顧。就實際問題維度，國內公募基金交易存在申購贖回的時間滯後、贖回價格的不確定性等問題。
很多銀行證券、基金在做這種資產配置的時候，不但有公募基金類似的配置需求，而且有可能想添加一些自由產品——理財產品。理財產品可以是銀行淨值型理財，也可以是P2P產品，甚至可能是非標型的產品。由於這種P2P產品可能是非標型的，因而在跨大類資產配置時，我們就需要解決大類資產不同之間的穩定性和有效性等問題。而跨大類資產配置的調倉流動性則是一個更難的問題。
假設我們買了一個鎖定期為一年的銀行理財，雖然公募基金流動性有T+X（1、2、3...）之間的區別，但是相對於私募基金一年鎖定期來講都是可以忽略不計的，在這種情況下我們該如何處理？我們如果調倉，這個時間市場如果又變化了，我們依然可以調公募基金；但是私募基金佔用的資金成本在鎖定期內該如何去調倉則是一個很實際的問題，還有很多很細的問題，只有親自去進行一個智能投顧系統的實施和部署，你才能體會到真正有多少的實際問題，有多少個坑在前面等著你。
{王蓁博士是目前國內唯一沒有人工幹預的智能投顧系統、從產品需求設計到整個算法研究，帶領開發團隊進行系統開發以及機構部署唯一負責人，將在《智能投顧高級特訓班》（http://www.mooc.ai/course/157）系列課程中為我們分享，關於智能投顧原理、業態、算法模型和應用落地的一切。}
量化投資是新概念嗎？
量化投資是指通過數量化方式及電腦程式化發出買賣指令，以獲取穩定收益為目的的交易方式。在海外的發展已有30多年的歷史，其投資業績穩定，市場規模和份額不斷擴大、得到了越來越多投資者認可。
事實上，網際網路的發展，使得新概念在世界範圍的傳播速度非常快，作為一個概念，量化投資並不算新，國內投資者早有耳聞。但是，真正的量化基金在國內還比較罕見。
在國內現有的量化投資環境下，投資容易獲得收益嗎？
國內常見的量化私募或者量化投資，一般來講還是偏高頻交易。
在國內現有的量化投資環境下，投資容易獲得收益嗎？
其實本質上問這個問題是想回答為什麼我們需要智能投顧。隨著我國經濟進入新常態，資產的投資收益率會越來越低，這個時候就需要有新的投資方式，也是更理性更成熟的投資方式——量化投資，這也是在發達國家已經被廣泛採用的投資方式。
智能投顧市場有多火爆？
在百科上，智能投顧的定義頗為繁瑣。「智能投顧指虛擬機器人基於客戶自身的理財需求，基於當前市場狀況和底層標的表現，基於金融和投資學的投資組合理論，通過算法和產品搭建一個數據模型，來完成以往人工提供的理財顧問服務。 」
國內的理財顧問實際上對於金融可能所知並不是太多，更多的是在維護客戶關係以及銷售上。王蓁博士定義的智能投顧是一套能夠獨立運行的系統，可以不需要人工幹預，並且告訴理財顧問或者告訴個人投資者，你應該如何根據你的實際情況進行資產配置，最後組成一個組合投資，為投資者賺到錢。
智能投顧要解決什麼問題？
第一，提升產能。財富快速增長帶來旺盛的市場需求、人手不足引發產能矛盾、難以覆蓋更多的群體，在智能投顧中都將得到一定的解決。
第二，個性化——理解每一個客戶的個性化需求。有了客戶的實際需求，然後就能進行類資產進行配置、選優，符合用戶的實際需求，組建成一個個性化的投資組合。智能投顧其實很好地解決了財富管理行業在當前的痛點，也滿足了未來發展趨勢。
第三、緊跟市場。所有的定投，所有的買入持有策略、被動投資策略，甚至不適用美國美國市場、歐洲市場，這也對投研能力提出新的挑戰。
第四、一致性。一致性即全流程，包括體驗，服務流程，投資方案，投後的服務業務的解釋和客戶心理的安撫，定期的業績回顧和市場教育。
第五、隨時在線。智能投顧將實現網際網路+數位化+智能化+24*7服務，可持續改進交互方法。
第六，提高效益。解決大量閒置的數據無法發揮效率（非機構化數據，文檔、語音，離散的結構化數據），發現更多的業務機會同時降低成本。
詳細課程內容，請點擊http://www.mooc.ai/course/157。
添加助手小艾（微信號MOOCCAI），發送「智能投顧」，並提交姓名+公司/職位，加入「智能投顧」行業交流群，同行業大咖玩轉智能投顧。
【智能投顧高級特訓班】
AI+金融熱潮下緊抓智能投顧前沿趨勢！
四大行實操智能投顧系統端到端的經典案例，手把手教你利用人工智慧算法搭建系統的智能投顧項目！
課程連結：http://www.mooc.ai/course/157
加入AI慕課學院人工智慧學習交流QQ群：624413030，與AI同行一起交流成長
相關文章：
激烈競標、P2P畫皮、梯隊站位，2017中國智能投顧之江湖風雲
華爾街老司機：在美火熱的智能投顧，如何移植到中國？
回顧 | Al x 量化：智能投顧如何解決金融機構財富管理業務的痛點？
回顧 | 風口殺到，智能投顧卻在中國遭遇水土不服？
雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。