20170731-广发证券-计算机行业专题研究_人工智能在资产管理行业的应用_发展初期_效用待验_39页_1mb

人工智能在资产管理行业的应用总结

核心内容

人工智能（AI）在资产管理行业的应用主要集中在前台获客、中台投研及估值风控和后台IT管理三个环节。AI技术通过大数据、自然语言处理、机器学习、模式识别等手段，提高资产管理效率、降低服务成本，并辅助投资决策。

主要观点

• 智能投顾：作为AI在资产管理前台的重要应用，其在美国已较为成熟，管理资产规模接近800亿美元。相比传统投顾，智能投顾具有费率低、门槛低、覆盖客户广等优势。
• AI辅助投资决策：AI技术在中台投资研究和风险控制中扮演关键角色，如BlackRock的Aladdin平台、Kensho等。这些平台基于大数据和机器学习技术，实现精准投资建议和风险预测。
• AI技术发展：AI经历了多个发展阶段，从早期的专家系统到当前的深度学习、自然语言处理等技术，已逐步在金融领域得到应用。
• AI应用的挑战：AI在投资决策中的应用仍面临实战数据不足、监管政策空白、信息安全要求提高以及系统性风险放大等问题。
• 技术服务商的成长：随着AI在资产管理行业中的深入应用，技术服务商的议价能力和市场地位将不断提升，其收入的持续性也会增强。

关键信息

一、智能投顾

• 定义：智能投顾是一种基于算法和大数据的自动化投资服务，主要面向中低净值客户。
• 优势：
  • 费率低，通常在0.12%~0.55%之间；
  • 门槛低，投资起点仅为几百美元；
  • 覆盖客户范围广，能够服务长尾客户。
• 应用现状：
  • 美国已有大量智能投顾平台，如Vanguard、Charles Schwab等；
  • 国内也有类似产品，如平安一账通、招行摩羯智投等，但发展相对滞后。

二、AI在投研及风控中的应用

• Aladdin平台：由BlackRock开发，应用于投资全流程，涵盖风险管理、投研、交易和运营。
• Kensho平台：基于机器学习和自然语言处理，提供预测分析和搜索功能，帮助金融机构快速生成研究报告。
• AI在风险控制中的作用：
  • 通过模式识别识别潜在风险；
  • 提供市场波动预警，如Kensho对重大事件的分析。

三、AI技术发展历史与分类

• 发展阶段：
  • 初级阶段（1950s-1960s）：早期探索自然语言处理和图像识别。
  • 第二阶段（1960s末-1980s初）：专家系统发展，但受限于计算能力。
  • 第三阶段（1980s-2000s）：神经网络和深度学习技术的突破，使AI在金融领域应用更加广泛。
• 技术分类：
  • 深度学习：用于投资模型研发，如AlphaGo。
  • 自然语言处理（NLP）：用于客户服务和信息检索。
  • 机器学习：用于量化投资和风险分析。
  • 推荐引擎：用于个性化投资建议。

四、AI在资管行业前、中、后台的应用

• 前台：智能投顾、智能客服等，提升获客能力和服务效率。
• 中台：投资研究、风险控制、交易决策等，辅助投资策略生成和执行。
• 后台：IT系统、数据管理、人员招聘等，提高管理效率和系统智能化水平。

五、国内AI在资管行业的发展现状

• 同花顺：
  • 推出i策略平台，实现智能投顾机器人；
  • 基于大数据和NLP技术，构建知识图谱，提供动态投资建议。
• 恒生电子：
  • 发布四款AI产品，涵盖智能投顾、智能数据、智能客服等；
  • 与多家金融机构合作，提供AI解决方案。
• 泰达宏利同顺大数据基金：
  • 采用大数据和舆情分析技术，实现量化投资；
  • 成立一年内收益率达20.01%，表现优于多数同类基金。
• 广发百发价值基金：
  • 基于百度AI技术，实现智能选股和精准调仓；
  • 创立以来表现稳定，但其AI技术效果仍需长期观察。

六、挑战与风险

• 信息安全：AI系统需要处理大量敏感数据，对信息安全提出更高要求。
• 实战数据不足：AI在投资决策中缺乏足够数据支撑，影响其应用效果。
• 监管空白：目前AI在直接投资领域的监管政策尚未完善。
• 系统性风险：程序化交易可能在市场剧烈波动时放大风险。
• 市场活跃度：AI应用的发展与市场活跃度和规模密切相关。

总结

人工智能在资产管理行业的应用仍处于发展初期，其效用有待进一步验证。尽管AI在海外已取得一定成果，国内仍面临制度、数据和监管等多重障碍。随着AI技术的不断演进，其在投资决策中的作用将逐步增强，技术服务商的竞争力也将随之提升。然而，AI技术的不断更新和迭代是其持续发展的关键，同时也带来新的挑战和风险。