郑毓栋：各位好，非常高兴今天能够跟大家交流，我是积木盒子的郑毓栋。在讲之前我能不能看一下这边有多少参加的朋友是金融背景的，举个手我看一下。（不是特别多）那自己有做过风险投资的有多少？（好像还不是很多）

那可能在金融行业需要花一点时间解释一些金融的理论和背景，其实金融跟科技的一个结合，金融应该来说是跟科技相结合比较慢的一个行业，某位美联储的主席曾经说过，过去四十年来金融最有意义的科技发明就是自动取款机，没有别的东西了。所以我们大家可能在金融方面的理论等一下要多听一些。

那我不知道大家有没有听过“智能投顾”这个词，如果没有听过或者第一次听的话，对于“智能投顾”这个词，听到的第一印象是什么？不知道各位有什么印象，是一个机器人？能够帮你炒股还能够准确地预测明天哪支股票涨停或者哪支股票跌停，还是能帮你推荐一支马上能够涨得很好的基金，或者是帮你筛选理财产品，或者有人说可能是下一个骗局。

那么我们回到整个“智能投顾”，它的起源地（诞生地）在美国，那么我们看看那边的一些公司今天在利用“智能投顾”做什么。这是目前在使用“智能投顾”的一些公司，上面的×××第二家公司是一家基于硅谷的“智能投顾”公司，是一家初创企业。下面最左边的一家位于纽约的“智能投顾”的初创企业，这两家公司应该是整个行业的先驱，那么从前年开始，我们看到业界的巨头也在进入这个行业，贝莱德是全球最大的资产管理公司，收购了FutureAdvisor，也是一家收购的初创公司。那么高盛、嘉兴理财和RBS都是开始了自己研发了自己的“智能投顾”。在三周前RBS还宣布用“智能投顾”替代250位私人银行家来取代客户投资顾问的一个服务。

所有的这些我们都看到说很有意思的一个点，就是说它们虽然都是不同的机构，有初创公司、有大公司（业界的巨头），但是所有的智能投顾都遵循一些共同的特质，我总结了三个：

特质1：分散。所有的智能投顾全部都是帮助客户把一部分的钱分散到许多不同的资产类别当中去。

特质2：个性化，它会针对不同的人给出不同最优的一个方案。

特质3：它并不追求短期的涨跌回报，它追求的是一种长期的稳健的回报。

那么从积木盒子的角度来说，我们来设计“智能投顾”我们希望是针对谁，这是中国整个财富的一个图谱，那我们希望服务的是私人银行服务不到的，但是它又不甘于只是去取得余额宝这样的一个产品回报的新富裕的人群，这些人我们预估在中国的财富大概占到40%左右。

那这里面就有一个很好的问题，我们大家就要问了，为什么大家要使用这个智能投顾，它到底有什么优点？应该来说它有下面几个优点：

优点1：最优配置。这个最优配置是针对每一个人的，因为每一个人的情况不一样，有的人可能他能够承受5%的亏损，有的人亏一点就夜不能寐，有的人这笔钱可能是马上就要用，但是有的人这笔钱可以放很久。所以不同的人他产生的一种配置和解决方案应该是不一样的，所以它是针对你的一个最优配置。

优点2：是把服务的门槛降低，传统上资产配置的一个方案是由私人银行加主权基金这些大的机构使用的，通过一个机器人的解决方案，能够把这个服务门槛降到一个普通的中产阶级家庭和新富裕的人群来使用。

优点3：战胜人性（非常有效的一点）。因为我们大家知道在投资里贪婪和恐惧永远在两端摇摆，但是人性在其中往往做出错误的判断，那如果你是一个机器人的话你会非常冷静，在恐惧的时候你也不会做出错误的决定，帮助你去战胜这个市场的人性的弱点。它会帮你降低交易成本，因为智能投顾很多时候是通过ETF交易，然后由于本身是一种算法和一个机器的解决方案在背后，它节省了人工顾问的成本、节省了线下开设网点的成本。

优点4：机器人的投顾跟投资人的利益会保持一致。因为传统的投顾是根据交易的佣金来获得他自身的利益，所以他有一个潜在的利益冲突，他希望你能够频繁交易。那我们知道在金融界频繁的交易是可能会导致损失的，所以机器人投顾它不以收取佣金为目的，不以频繁交易为目的，所以它跟你的利益保持一致。

稍微讲一下金融理论，所有的智能投顾基于的金融理论就是这个叫马克维茨，1952年的时候他提出了MPT×××，是所有后来的资产配置模型的一个先驱，那后来他通过夏普、通过砝码去发展这个理论，形成了一套完整的体系。那么它的一个理论非常简单的来说，就是可以用这张图来表示，图上每一个红点都是一种可能的资产配置组合，我们假设这个世界上有很多种产品，那资产配置的任务就是说你有100%的资产，你如何把这100%的资产分散到不同的资产组合里边去，那任何一个红点都是一种可能的资产配置。

那么马克维茨从数学上证明了所有的资产配置的可能性组成了一个面，而这个面最上面的这个向上凸的一根曲线，我们把它叫做最优有效前沿线，那有效前沿线上的每一个点都叫做最优配置点，那么最优配置点从纵向的角度看，它是在某一个风险的等级上你能够取得的回报最好的一个资产组合。从横向的角度来看，是在某一个你希望得到的回报上，能够给予你风险最少的这样一个点，所以这样的点的组合的集合就叫做有效前沿线。那么“智能投顾”的一个目标就是在我得知每个用户自己的风险的时候，我能够帮助你探知你的最优配置点在什么地方。

上一个很有意思的问题，为什么美国所有的智能投顾到今天来说，都是基于一个资产配置理论，这边我非常简单的跟大家介绍贝塔回报跟阿尔法回报，所有的资本市场回报都可以被非常简单的称为无风险回报加贝塔回报加阿尔法回报。举个例子，如果你站在火车上，火车往前开，你跟随火车运动，这个就是β回报，如果你在火车上跑了两步，你比火车跑得快一些，那个就是阿尔法回报。

为什么所有的“智能投顾”都基于资产配置理论，因为资产配置理论是一种贝塔回报理论，贝塔回报理论有两个特点：

特点1：它的容量非常大。

特点2：它的有效期可以非常长，它的使用趋势效益也非常长。

我举个例子，为什么阿尔法回报很难用“智能投顾”来解决，假设说今天有一个“智能投顾”是追求阿尔法回报的，也就是说它帮各位去判断明天哪支股票会涨。那么当它发布给1000个人的时候，这1000个人明天如果去买入这支股票的话，它本身会影响这支股票的供需关系，它会抬高这支股票的价格。当它发布给1万个人的时候，这个策略很可能就失效了，当它发布给10万个人的时候，这10万个人都去买可能他都会亏钱。

所以金融市场是一个作用者和被作用者互相影响的一个关系，每一个阿尔法策略都有它的容量，还有它有一个有效期。比如说还是这么一个投顾，假设他能够预测明天涨停的股票，那有两个使用者，一个在早上还有一个在明天去采取的这个策略，很可能在明天去执行这个策略的投资者，他就会产生亏损，因为所有的套利空间在前一天都已经被有效的捕捉，被消化完了。所以这就是为什么说智能投顾这样的一种产品，在美国即使像高盛这样的非常大的投行，它的交易策略是非常厉害的，它都仍然会用资产配置的一个策略去追求长期的贝塔回报，而不是去帮用户追求短期的阿尔法回报。

以上是我总结的一个金融理论，所以智能投顾应该是一种以资产配置理论为基础的资产配置，而非是一种择失择赌的交易。

那么积木的一个“智能投顾”的流程（因为今天不是一个产品的介绍，所以非常简单），首先是了解用户，他知道你的一个风险是什么样子，他知道你什么时候需要用钱，你对回报的一种需求是什么样子。

然后它会给你进行一个最优组合的方案，那你有权利去修改和调整这个方案。

然后它会帮你使得最终的目标永远和最优方案保持一致，确保你资金调整，直到你的变化需求可以得到一个调整。

这个是产品的一些很简单的demo，我们看到它是会帮助你把资产分散到不同的资产类别，那在我们国家，金融是非常严格监管的，有一点是非常简单的，提醒大家就是资金池，如果有一个产品需要你把钱全部给到投资人，然后再把它投资出去，那这种资金池的产品它很可能是一种违规的产品。

下面我非常地讲一下金融科技在这里面的运用。首先，我们整个金融科技也是分两块，第一部分是量化，第二部分是人工智能。其实量化跟人工智能的区别就是，量化是用科技来把人已知的一种知识用计算机用电脑更好地把它展现出来。那么在这里的话，具体我们就看到说马克维茨的这个理论我们看到他1952年就提出了，那为什么很长的时间在金融界大家都是用一种拍脑袋的方式来进行资产的配置呢，其实最大的原因就是它的计算量非常大。我们这边举了例子，以我们目前计算的十种大类资产1500种产品来看，如果要进行小数点后两位精确的一种组合配置，它有可能的组合配置理论上是10的36次方种可能，那么金融市场无时无刻都在变化，用户资产也无时无刻都在变化的这种情况下，你去实时的计算这么广大的一个计算量，应该说是非常不现实的，是过去没有办法做到的。

所以我们做的第一件事情就是运用大数据和运算和算法的优化，从这个数据的聚合，因为十大类的资产它过往的一个数据包括实时的数据，你必须要实时地储存下来，要把它分门别类的聚合、分装，要把它构建出来，使得你的数据库和运算当需要的时候能够非常实时有效地去获取这些数据，能够实时去完成这个计算。根据用户的画像和建模，能够把属于他的这套最优资产去实时的展现给他。这个是第一个难点（非常难），也是我们解决的一个要点，如何去把这个复杂的计算量通过大数据架构的构建，和通过运算的优化去解决，这是一块，如何运用电脑去做一些人已经知道的知识，然后把它做得更快和更好。

第二块就是人工智能比较有意思的一点，这些都是金融数据，我们知道经济学家依靠一种或者几种经济变量对未来的走势做出一些预测，但是问题是人脑没有办法去读这么大的一个运算量，也没有办法去判知哪一些变量在什么时候对某一个市场可能会产生更大的关系。

比如说在通胀很低的时候，加息往往可能预示着股票市场上涨，但是到通胀已经非常高的时候你再加息，这个时候可能就会导致股市的下跌，所以所有的经济变量永远不是单一作用的，它永远都是组合作用的。那么这个组合有可能是非常大的组合，有几十种甚至几百种变量在其中起作用，那作为一个人脑它是没有办法进行全局和实时的判断的。那这个时候我们可以做的一件事情就是把这些变量输入电脑，通过实时的一些捕捉，通过机器学习的一个方式来辅助判断某一个市场它接下来的一种预测和走势会怎么走，那这就是我们做的机器学习。

举一个例子，y=ax+b是最简单的一个模型，这个x是变量、a和b是参数，那量化学习就是通过一种线性回归的计算，a和b是一个被确定的值，那机器学习就是a和b也是不确定的，x可以有x1到xn无数个解，那任何时候它根据市场的变化，它可以引进一个变量也可以去除一个变量。那以一季度我们在黄金仓位的变化来看，一季度我们是增加了黄金的仓位，那它也是分两部分：

第一部分：在量化的一个模型，这个模型是事先给定的，这个参数不变，那我们探知了整个黄金的一个波动率在下降，而它跟其他资产的相关系数在变负，所以这个时候模型给出了一个增持黄金的信号。

第二部分：在机器学习这块，它这边黄金输入的变量大概有几十种的变量，我们看到一季度它自动对于美元指数的变量因子，它给了一个比较高的权重，那美元指数在一季度下跌，对应的是对于黄金这个资产的配置增加。所以这个是机器学习对于整个资产的超配低配的一个辅助决策。

那我们看到机器学习，大家有可能会问说为什么不依赖于人工智能和机器学习来进行一个全面的判断，也就是说我就依赖于人工智能来判定一种资产会涨还是会跌，然后我就根据这种来做投资是不是可以。其实我们觉得说也是有一种思索在背后，这个人工智能是不是在金融上的使用应该到怎么样一个度，那今天它的有效性在哪里。

我们看到它很不一样的一个地方，人工智能在金融上的应用和其他的应用非常不一样的地方，比如说AlphaGo，这个围棋的一个游戏，虽然非常复杂，可能性非常多，但是它毕竟还是一个规则非常明确，博弈者只是双方的一个封闭式的游戏。而金融市场非常复杂的一个地方就在于它的开放性、模糊性和复杂性。它的博弈方非常多，影响的变量也非常多，那你在作用于金融市场的同时，金融市场也在反过来作用于你，整个混沌的一个系统是非常不确定的。

那么货币面、情绪面和基本面交织地影响着我们这个金融的市场，货币面有的时候作用大一些、小一些，情绪面、基本面都是一个非常模糊的点。特别是在我们国家，在信息还不是特别有效的一个情况下，有的时候这种情况更突出，那我举个例子，比如说大家知道A股有一支股票獐子岛，有一天它公告说我的业绩会受很大的影响，因为有一个冷气团把我种下去的扇贝都带走了，扇贝不见了，这个是任何机器人都没有办法预测的一件事情。6个月以后它公告说这些扇贝又游回来了，所以这个是你机器没有办法去探知的。

那我们在说这就是为什么我一开始提到说“智能投顾”很难去做的阿尔法策略的另一个原因，就是在个股的一个层面，有太多的信息的不有效性，不但受到整个行业、它的国家、它的所谓交易的一个影响，还受到这支个股本身的对手盘的一些庄家的进出交易量和一些不有效信息的影响，所以机器在个股层面是非常难做判断的。而我们选择在大量资产上用机器学习去做辅助，它的原因也就是大量资产是有周期性的、是有回归性的。如果我们看A股的话，在过200年它的回报大概就是6%-7%左右，如果我们再看黄金的话，它在过去200年的回报就是3%-4%左右（年化），它的波动率相对来说都是呈现一种混沌性，而这个是我们可以用机器、用人工智能来解决的这样一种对大类资产的一种预测。

所以第一个人工智能在金融系统上使用的一个局限，体现在金融系统的模糊和复杂上面。

第二个我们要强调AlphaGo以后深度学习非常火，我们要反思一下深度学习是不是适合金融。我们自己做下来的实验和结果是感觉说深度学习目前在金融上的应用还是稍微有一点点局限，它有几个原因：

原因1：这个深度学习需要的计算量非常广大。

原因2：深度学习往往会陷入一种局部的最优解，但是对于智能投顾来说，它可能需要的是一种模糊的正确，而不是一种非常精确的答案，它需要的是一种趋势的判断，所以它往往需求的是一种非常全局的一个解。

原因3：我们看到深入学习有时候会出现一种过度拟合的问题，这个我等一下会讲到。

所以在这种情况下我们往往发现像向量积这样的一些算法，它可能比深度学习会更加适合在金融这个领域的一个应用。

那么讲到过度拟合，什么叫过度拟合？这有两个例子，招商证券一开策略会A股就跌，我们在座的都知道这是一个笑话或者是一个偶然出的情况，但今天如果你是个机器，你能不能判断这两者是没有因果关系偶然出现的一个情况？

那还有一种是出现的更偶然，是一个对冲基金发现的，1983年到1990年斯里兰卡黄油的出口和美国的道琼斯指数的走势呈现高度相关，而到1991年这种重合突然消失了。所以这个是机器今天可能没有办法判断的，没有因果关系，而通过过度拟合出现的偶然的两个指数的关系。所以这个是人工智能在这个上面的可能出现的第三种问题（过度拟合的问题）。

最后还有风险控制的问题，就是即使你有99.9%的确定，你是不是能够做一个赌注，这个我们在上一位演讲者这边看到说判断语音，判断错了无非就是打不出那个电话而已，但是在金融上，如果你进行一个很大的压注而压错了，那往往就可能导致的是一个破产的结果。

这边是一个金融界非常好的案例LTC，图上的两位都是金融的大牛，一个是莫顿，一个是斯卡尔斯，他们是1997年诺贝尔奖的得奖者，他们两个人跟当时的所罗门兄弟的债券之王梅利威瑟和美联储的副主席一起出来开了对冲基金，1993年到1997年每年挣40%的回报，而回撤几乎为零。然后到1998年，这个对冲基金就破产了，因为他们大幅的压注在俄罗斯政府不会违约这件事情上，下了非常高的赌注，最后压错了。所以这也是人工智能应用在金融上我们要特别汲取的教训，是能够完全依赖于人工智能去做的方向性的一个判断。

所以我们看到今天有很多的公司宣称自己在人工智能做“智能投顾”，也是建议大家在这一点做一些判断，做一些更多的体察。

所以总结来说今天有很多的金融公司已经宣称用人工智能来做智能投顾这件事情，但是无论从模式上、资产上、算法上和形式上，建议大家都对这个方向做一个判断，也希望整个人工智能在金融的应用上能够越走越好，谢谢大家。

主持人：听完这段演讲，我们来看一下观众的提问。虽然我们可能现场的观众中来自于金融领域的人比较少，但是这些问题还是非常丰富、非常专业的。

第一个问题：国内金融市场肯定还是不够成熟的，那么今后如何在这种不成熟的市场中完成趋势投资？

郑毓栋：这个问题非常好，首先就是要把鸡蛋放到不同的篮子里，从金融上说不同篮子的意思就是相关系数非常低的大类资产，可能在某一两个资产类别当中，国内现在确实有不成熟的地方，但是我们今天把每个用户的资产投到了十类非常不相关的资产当中，它涵盖的种类从现金到债券、从股票到黄金、从国内到国外，所以从这个角度上，相信能够帮大家分散风险、提高风险收益。

主持人：第二个问题，同样通过这种强调组合和最优方案来获得最大收益，那我们之前国内也有类似于像迷财等一些投资方，因为大家可能很难看出来这个人工智能到底有什么区别，比如说国内这些不同的社会投资人和你们有什么实质的区别？

郑毓栋：我觉得这个问题问得非常好，人工智能在金融的另一个应用也就是说它可能不能短期的去进行识别，那我觉得可能有如下几个大家可以去参考的地方：

第一个：它是不是以资产配置的理论为依托，因为有一些智能托付，它可以打的是一种智能选股的策略，那我刚刚讲过了，我们本身不是特别认为它有实用性。

第二个：它背后接了一个资产是否广泛、归类是否正确，如果我们看到说有一些竞品，它可能是以产品帮各位的归类，因为我们说资产是要进行穿透的，它无论是一种基金的形式其是一种理财的形式还是其他的资管的形式，但是它背后可能跟一种大类资产是相同的，或者是不同的，但是如果进行穿透看的话，它是不是帮你正确的归类到了这样一个资产，比如说高收益债，它可能以理财的形式出现、可能以基金的形式出现，但是它底层的一个资产是高度一致的，所以这个叫正确的资产归类。

然后可能要看到说它是不是能够根据市场的状况去实时调整，最方便的一个判断方式，比如说市场有一天有大幅的波动，大家赶快去看一看，它对你的组合建议是不是发生了变化，它有没有实时的去对你进行调整建议，如果没有的话它背后可能是一个人脑在拍的，所以这个可以是辨别的一个方式。

主持人：最后一个问题还是我非常好奇的，我们自己来提一下，因为刚才提到了说人工智能，其实很难去做特别短期的决定，我们刚才提到了阿尔法的内容，但是这个特别让我想到了硅谷那个连续剧第二季的时候，其中有一个环节就是因为他们的投资人想到了芝麻在某个地方对区域的影响，他想到说我们应不应该投资。所以我在想说可能未来人工智能终究有一天是能判断区域影响的，刚才提到的google的问题。

会不会出现了一个情况，就是所有的基金和所有的投行，其实他们都有自己的机器人，那这个时候，刚才也提到了一个问题，就是我担心会不会出现蝴蝶效应。就是如果所有的人都在用机器人，那其实在它发布的那一时刻，这个市场已经在改变，那对手最终是谁那就看最终的投资结果。

郑毓栋：这个问题非常好，这就是为什么要追求β回报的一个原因，因为β回报追求的是市场内生的一种变化和趋势，你说的这个问题会出现在那些不停地追求阿尔法回报的产品里面，今天我们看到影响市场非常广的，比如说之前的美国资本的闪电式崩盘，包括LTCM的崩盘，包括很多这样的市场变化，其实全部都是因为阿尔法产品这个策略，它在其中互相影响导致的一种趋势的交易，不停地去翻滚去造成这个市场的一个影响。

那从哲学上，从刚刚您讲的这个题目上来说，阿尔法策略是市场的博弈，有人赚钱就有人亏钱，如果所有人都聪明的时候，也有一些比较笨的聪明人，他需要在这个市场亏钱，所以最后来说整个市场一定是变得越来越有效，从市场上想要赚到超额的一个回报一定是变得越来越难，也许那时候才是真正的最终的AI的表示。