如何評價一款產(chǎn)品是不是好的證券產(chǎn)品？能夠幫你活著度過熊市的產(chǎn)品，才是真的好產(chǎn)品。

前段時間，跟同行長江證券、廣發(fā)證券和平安證券的一些產(chǎn)品經(jīng)理們閑聊了一些關(guān)于智能投顧的現(xiàn)狀和方向，更重要的問題是探討當下券業(yè)該如何突破的問題？

智能投顧的基本釋義是Robo-Advisor，即根據(jù)個人投資者提供的風(fēng)險承受水平、收益目標以及風(fēng)格偏好等要求，運用一系列智能算法及投資組合優(yōu)化等理論模型，為用戶提供最終的投資參考?，并對市場的動態(tài)對資產(chǎn)配置再平衡提供建議（來自百度百科）。從上面這段描述里面可以提煉出做智投產(chǎn)品的一個基本流程大致就是：

也就是說，一個完整的智能投顧產(chǎn)品應(yīng)該是用戶和產(chǎn)品畫像是基礎(chǔ)，智能算法是核心，再平衡和用戶決策過程是關(guān)鍵。目前，券業(yè)的智能化應(yīng)用場景大致分為以下幾大類：

智能選股：主要是多技術(shù)指標的選股，也支持回測
智能診股：主要是針對個股的“五碗面”
智能客服：包括機器人客服和人工在線客服等輔助工具
超級賬戶：針對用戶的持倉倉位、盈利走勢等情況的賬戶分析
智能策略：主要是在線人工策略（咨詢產(chǎn)品、換股建議）+機器人策略（支持用戶選擇策略創(chuàng) ? 建組合模型，支持實盤半自動化交易）
大類配置：輸出大類資產(chǎn)配置方案，進行投后跟蹤管理

針對這些場景大家也有一些共識，就是類似于智能選股、智能診股、智能客服、超級賬戶這四個方面的智能應(yīng)用（美其名曰四大頭）還算不上是智能投顧的范疇，僅僅是一種可視化應(yīng)用工具，未來也應(yīng)屬于券業(yè)app產(chǎn)品的標配，一方面是這些工具基本來源于第三方提供的技術(shù)支持，而且產(chǎn)品形態(tài)也比較成熟和穩(wěn)定；另一方面就是這些工具高度依賴于外部的資訊和行情數(shù)據(jù)，并不能盤活券商內(nèi)部的核心數(shù)據(jù)資源，做出一些差異化產(chǎn)品。

隨著券業(yè)互聯(lián)網(wǎng)的發(fā)展，券商在智能化的戰(zhàn)略方向上也出現(xiàn)了分層，中小型券商基本仍集中在努力的實現(xiàn)前面所謂的四大頭（智能選股、智能診股、智能客服和超級賬戶）場景上；而頭部券商則集中攻克后面的兩項應(yīng)用場景：智能策略和大類配置，而這兩項內(nèi)容也才能真正意義上被稱之為智能投顧產(chǎn)品。本文主要分析下大類配置和智能策略兩個方向的現(xiàn)狀，以及智能投顧發(fā)展中存在的問題。

大類配置：類iVatarGo們，畫像的精準匹配

長江證券的iVatarGo產(chǎn)品在智投領(lǐng)域的智能配置上具有很強的代表性。像iVatarGo這類智能投顧主要是通過分析客戶的投資行為數(shù)據(jù)、交易數(shù)據(jù)，形成用戶“畫像”，實現(xiàn)C端客戶的標簽化和B端資訊、金融產(chǎn)品、模擬組合產(chǎn)品、投顧的標簽化，為每位用戶提供精準的個性化投資資訊、理財產(chǎn)品以及投資顧問服務(wù)等，核心是標簽可視化過程。

要實現(xiàn)大類配置類的智投產(chǎn)品，一定要做的首要工作就是前端用戶和后端產(chǎn)品的畫像，其實就是充分盤活券商的內(nèi)部數(shù)據(jù)。先看一組券商在實現(xiàn)畫像標簽化過程中的數(shù)據(jù)流：

數(shù)據(jù)提取范圍：所有正常交易客戶

時間范圍：5年

存儲數(shù)據(jù)量：86.7億條交易數(shù)據(jù)

提取大類指標：6類

建模計算量：1878.5億次/日

業(yè)務(wù)目標：識別客戶的投資偏好及投資能力

從上面來看，這類智投平臺跟做一款大數(shù)據(jù)產(chǎn)品是一樣的，無外乎流程都是從數(shù)據(jù)提取－數(shù)據(jù)清洗－數(shù)據(jù)存儲－提取大類指標－重組業(yè)務(wù)影響因子－數(shù)學(xué)建模計算－部署應(yīng)用及模型評價。

清洗處理基礎(chǔ)數(shù)據(jù)

券商基本都是先提取全公司近幾年內(nèi)的交易數(shù)據(jù)和部分行為數(shù)據(jù)，也就是說對結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)都做了處理，但還沒有做到完全的實時自動化處理。目前券商用自己的數(shù)據(jù)來刻畫用戶畫像，主要使用的還是通道交易數(shù)據(jù)，也就是說真正意義上的用戶行為、消費、投資數(shù)據(jù)仍還未完全打通。在數(shù)據(jù)處理階段有兩大難點，一個難題就是數(shù)據(jù)清洗篩選有效數(shù)據(jù)，這會是耗時最長的工作。另外就是突發(fā)事件等實時的非結(jié)構(gòu)化數(shù)據(jù)處理還有難度。

提取大類指標及因子

針對清洗后的基礎(chǔ)有效數(shù)據(jù)，然后提取大類指標，比如iVatarGo提取了投資總體特征、交易行為特征、投資風(fēng)格、投資能力、投資策略、當前持倉特征等6大類。關(guān)于大類指標，每家都有不同的做法，但終歸還是要落地到基礎(chǔ)靜態(tài)指標（客戶基礎(chǔ)屬性，產(chǎn)品屬性、風(fēng)險屬性、價值屬性等）和基礎(chǔ)動態(tài)指標（交易行為屬性、交互行為屬性等），然后篩選出這幾類基礎(chǔ)指標或者衍生指標去組建一個大類業(yè)務(wù)指標，比如用戶風(fēng)險偏好，而每一個基礎(chǔ)指標有多個影響因子決定，也就是說指標體系的建設(shè)路徑是大類指標<-基礎(chǔ)指標<－影響因子。

開發(fā)業(yè)務(wù)應(yīng)用場景

在做完大類指標的模型開發(fā)和評價后，就需要去做業(yè)務(wù)場景化。從業(yè)務(wù)應(yīng)用場景來看，其實，iVatarGo類產(chǎn)品主要還是在做最核心的畫像精準匹配，也就是把C端的用戶畫像和B端的產(chǎn)品畫像進行關(guān)聯(lián)匹配，所以說iVatarGo類更應(yīng)該叫一款推薦系統(tǒng)，仍還沒有去做大類資產(chǎn)配置的綜合投資方案，但它完成了邁向智投應(yīng)用的最核心一步：用戶識別與分層匹配。

智能策略：類貝塔牛們，進擊的量化決策

廣發(fā)證券的貝塔牛產(chǎn)品在智能策略方向上也算是走在前列的，像貝塔牛這類智投產(chǎn)品主要是基于底層的選股模型和擇時模型，根據(jù)投資者的風(fēng)險偏好、投資年限、資金規(guī)模等需求指標為客戶提供A股市場的策略建議，并根據(jù)市場信號向投資者推送操作策略。其核心是選股模型、擇時信號和組合再平衡過程。

對于用戶端的體驗流程基本就是：選策略-填需求-創(chuàng)建組合-接收買賣信號-一鍵跟單交易。通過讓用戶輸入擬投金額、選擇個人投資風(fēng)格偏好及投資年限后創(chuàng)建一個投資組合；創(chuàng)建后，定期在交易日盤前推送初始化建倉建議，并在運行過程中持續(xù)推送包括買賣操作、倉位調(diào)整，買賣數(shù)量等買賣建議，用戶可以對該組合進行實盤一鍵跟單。

要實現(xiàn)智能策略類的智投產(chǎn)品，大家基本認為還是需要整合公司內(nèi)的量化團隊資源，廣發(fā)的貝塔牛主要整合了廣發(fā)發(fā)展研究中心金融工程團隊的量化投資研究成果；平安的量化策略商城也是基于公司的量化團隊研究成果來做。

從上述來看，類似于貝塔牛這種智能策略產(chǎn)品需要充分融合量化投資決策過程，基于平臺提供的選股模型和擇時模型，用戶可根據(jù)自己的策略需求構(gòu)建模型，然后跟蹤和再平衡模型追求α收益。如下所示：

選股模型

選股模型主要是負責(zé)篩選價值被低估的股票并形成候選股票池。當然，每家券商所用的選股模型也都不一樣，“貝塔?！彼褂玫倪x股模型為多因子模型，該模型對大量的個股風(fēng)格數(shù)據(jù)進行跟蹤測試，篩選出盈利、股價反轉(zhuǎn)、換手率、市值以及估值等若干指標，并運用量化模型將指標進行有效整合，定期挑選綜合得分最高的股票組合，作為選股模型后的候選股票池。

在“貝塔?！逼脚_上主要提供了短線智能策略、綜合輪動策略、價值精選策略以及靈活反轉(zhuǎn)策略等四種類型的選股策略，用戶首先要選擇相應(yīng)的選股策略構(gòu)建自己的組合模型。其中，

短線智能策略：擅長波段操作、智能調(diào)倉換股，追求彈性收益。

綜合輪動策略：擅長風(fēng)險控制，采用“相似性匹配”策略，每個月對行業(yè)板塊進行輪動篩選，該策略通 過觀察近期行業(yè)之間的漲跌順序，與歷史樣本進行相似性匹配，尋找“似曾相似”的樣本時期，并以隨后的強勢行業(yè)作為當前配置的依據(jù)。

價值精選策略：擅長藍籌精選，則將選股的范圍縮小至藍籌股，通過大數(shù)據(jù)策略選擇出各個行業(yè)內(nèi)估值 最具優(yōu)勢的個股，追求穩(wěn)健收益。

靈活反轉(zhuǎn)策略：擅長布局抄底，則，篩選市值較低且具有相對超跌特征的個股，追求大幅反彈。

擇時模型

構(gòu)建好自己的組合模型之后，就需要擇時模型發(fā)出買賣信號。因此，擇時模型主要就是負責(zé)控制倉位和輸出股票的買入賣出信號，而每家券商都有自己的一套經(jīng)過實踐的擇時模型理論。比如“貝塔?！敝惺褂玫氖侵父鶕?jù)GFTD（廣發(fā)Thomas Demark 模型）、LLT 等多個擇時模型所給出信號的多空占比情況確定當前的持倉倉位，并給出對應(yīng)的買入或賣出信號。

策略執(zhí)行流程

類似于“貝塔?！逼脚_的策略類產(chǎn)品主要的執(zhí)行流程如下：

• step1：選股模型根據(jù)各策略提供的選股因子，對所有的個股進行打分，然后將得分較高的股票放入候選股票池。
• step2：用戶輸入擬投資金額等個性化參數(shù)后，組合構(gòu)建模型則根據(jù)該參數(shù)從候選股票池中選取一定數(shù)量的個股構(gòu)成一只股票組合。為了避免大量客戶操作過于集中，選股模型會采取一定的隨機化策略，使每個客戶生成的股票組合更具個性化。
• step3：擇時模型負責(zé)產(chǎn)生股票的買賣信號和倉位控制信號，提供合適的買賣時間點，并通過倉位控制信號控制組合計劃的風(fēng)險。
• step4：組合再平衡模型則負責(zé)監(jiān)控擇時模型產(chǎn)生的信號，配合客戶的組合計劃形成操作策略。這些操作策略會實時push到用戶的app或者微信等終端上，用戶可以進行“一鍵下單”功能批量處理操作策略，將組合復(fù)制到實盤賬戶。

從業(yè)務(wù)場景來看，類似于“貝塔?！逼脚_也還僅僅是單一的股票組合，對于財富管理下追求長期投資的大類資產(chǎn)配置方案也還很空缺。

還有幾個值得思考的問題

無論是券商、銀行還是其他金融機構(gòu)，所有的產(chǎn)品最終都是為滿足用戶需求而落地的，但是金融不同于其他行業(yè)的最大問題就是，無法做到滿足用戶需求的完全匹配，因為用戶的需求就一個：賺錢，但是B端的券商、銀行也都無法做到100%的讓你賺錢。那么在這種情況下，只要穩(wěn)賺不賠的前提不成立，開發(fā)者在資產(chǎn)配置尚不發(fā)達的國內(nèi)往往對于人性的洞察就顯得更為重要，而不是算法。目前的智投類應(yīng)用更應(yīng)該去做的是如何做最大努力的滿足需求匹配？兩個方向：教育用戶決策和減少用戶決策，也就是大家說的“教我做”和“幫我做”。

1、教育用戶決策：這一點說的就是券商需要通過對用戶的全方位分析，讓用戶更加深入的認識自我投資能力，認知新的決策過程。比如iVatarGo的做法就是根據(jù)C端客戶的標簽，以標簽形式為每位客戶進行全方位的客戶畫像，通過前端友好的交互體驗展示給客戶。說到底也就是在C端提供更多的教育認知、決策工具和用戶畫像，讓用戶選擇更好的。

2、減少用戶決策：這一點說的就是券商通過對用戶和產(chǎn)品、服務(wù)進行分析，去做智能化的資產(chǎn)配置。比如貝塔牛的做法就是提供量化策略，幫助用戶組建候選股票池，讓用戶構(gòu)建自己的組合模型。說到底也就是在B端提供更優(yōu)的分析方法、決策算法、資產(chǎn)配置方法以及跟投服務(wù)，幫用戶選擇更好的。

其實，目前市面上所謂的智投類產(chǎn)品，都還是比較初級的概念版。從智投追求長期策略投資的終極目標來看，還需要解決下面這幾個難題：

問題1：一個就是標的產(chǎn)品不足的問題，智投應(yīng)該追求的是收益風(fēng)險平衡的長期策略投資，做大類資產(chǎn)配置，而這種策略下的交易標的嚴重不足，美帝的etf差不多1800，國內(nèi)大概150+，基本是指數(shù)型etf，債券型和商品型etf較少，要實現(xiàn)對沖和分散風(fēng)險有難度。

問題2：另一個就是之前說的算法，券商去做資產(chǎn)配置或者投資分析時，仍然可能還是以MPT、APT等量化投資理論為主流方法，但需要人工參與調(diào)參，很少使用深度學(xué)習(xí)等自學(xué)習(xí)的人工智能算法。

問題3：還有一個就是投后的管理跟蹤，也有很多智投產(chǎn)品聲稱去做持續(xù)跟蹤分析客戶資產(chǎn)狀況、投資行為，隨時調(diào)整標簽，力求在任何場景、任何時間都能提供最適合的服務(wù)和產(chǎn)品。當然，這些僅僅也還是在嘗試中，畢竟組合再平衡的后端決策算法在金融領(lǐng)域還比較基礎(chǔ)，機器學(xué)習(xí)基本為零。

智能投顧，其實最厲害的不是技術(shù)的實現(xiàn)，而是轉(zhuǎn)變和培養(yǎng)用戶從主動投資到被動策略投資的行為習(xí)慣，實現(xiàn)券商服務(wù)向“用戶分層、產(chǎn)品/服務(wù)分層”互聯(lián)網(wǎng)服務(wù)理念的轉(zhuǎn)變，能做到這一點已經(jīng)邁向了智投最核心的方向：精準化服務(wù)。

最后一點，國內(nèi)約70%的散戶大軍，投資習(xí)慣和理念對被動投資策略的智能投顧產(chǎn)品的認知，被教育，接受需要很長很長的時間，這條路還有很遠。

智能投顧這玩意兒說到底核心還是算法，本質(zhì)還是屬于量化交易的范疇，本身仍需要依賴外部假設(shè)和市場環(huán)境，前面說過智投追求的應(yīng)該是長期的策略投資，那么在長期的過程中出現(xiàn)虧損的情況下，如何在業(yè)務(wù)流程及體驗設(shè)計上，說服及教育用戶持續(xù)持有再平衡，其實很難，至少現(xiàn)在很難，難在人性的洞察。

有人說如何評價它是不是一款好的證券產(chǎn)品？能夠幫你活著度過熊市的產(chǎn)品，才是真的好產(chǎn)品。

作者：小平哥，證券互聯(lián)網(wǎng)產(chǎn)品狗，4年產(chǎn)品摸爬打滾經(jīng)驗，微信公眾號：產(chǎn)品公園。

本文由 @小平哥 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自PEXELS，基于CC0協(xié)議