摘要：近年来，作为结合传统投顾以及人工智能、大数据等新兴技术的新型投顾模式，智能投顾凭借低投顾门槛和费率、操作快速简便两大优势，正挖掘国内外投顾市场。但在这种迅速的发展之下，智能投顾也面临源于数据、算法模型、应用场景等方面的短板。这种短板使智能投顾的发展开始力有未逮。根据这些短板，本文基于智能投顾发展的基本概况，提出了在数据、算法模型、应用场景三大层面的改进方向，为智能投顾的进一步发展提供对策。

一、智能投顾发展的基本概况

（一）智能投顾的简介

智能投顾是结合传统投顾以及人工智能、大数据等技术的新型投顾模式。传统投资顾问主要基于投资顾问的专业知识和个人经验，以及对投资者资产负债状况、风险偏好等的了解，来为投资者提供专业的投资建议。智能投顾在此基础上，以智能算法模型为基础，构建包含组合投资的前中后阶段的自动化服务系统，从而为用户提供定制化的投顾服务。

智能投顾较传统投顾的优势主要集中在低投顾门槛和费率、操作快速简便两方面上。传统投顾服务的费用昂贵，主要客户为高净值人群，门槛较高。而智能投顾通过引入人工智能等技术，根据客户填写的问卷信息，基于海量的数据和复杂的算法模型，构建出适合客户的投资组合，并提供资产配置建议。服务提供方和服务接受方的操作均十分简便。同时，由于智能投顾对投顾人员的需求较少，流程也是自动化的，智能投顾的服务费用也就相应下降，获取服务的门槛也相应降低。

智能投顾凭借这两大优势，充分挖掘国内外投顾市场。据Statista估算，2017年我国智能投顾管理的资产达289亿美元，其年增长率高达261%。预计到2022年，管理资产总额有望超6600亿美元。而根据Statista的美国智能投顾市场报告，2019年美国智能投顾管理的资产达7497.03亿美元，预计到2023年总金额达14862.57亿美元。总的来说，智能投顾市场规模发展迅速，但近年来，市场规模发展的增速下降，发展持续性力有未逮。

（二）智能投顾发展的短板

目前智能投顾发展的短板主要源于在数据、算法模型、应用场景等方面的差异化做得不够显著。

在数据方面，目前各家智能投顾使用的数据具有高度的重叠性。在市场数据上，智能投顾主要依赖于数据库中的产品基本信息数据、净值或预期收益率等收益型数据以及各市场的结构化数据，对其他数据涉及较少。

在算法模型方面，智能投顾在应用模型时常常机械化地应用各类模型，但模型的意义不仅仅在于使用均值方差、BL、或风险平价模型，而更在于与实际应用场景相结合。

在应用场景方面，国内各家智能投顾均聚焦于只包括资产的资产配置(Asset-only Asset Allocation)，对其他应用场景涉及较少。而美国的智能投顾不仅具备基础的投资功能，还将业务拓展到财务规划、信贷规划等服务领域。实际上，客户在日常生活中需要的是全生命周期的投资规划，其投资需求不只是局限在投资资产的领域。

二、智能投顾改进方向：数据、算法模型、应用场景

（一）数据：获取非结构化数据

   结构化数据是以二维表结构来表达的数据，而非结构化数据则是不方便用二维表来表现的数据。非结构化数据包括社交媒体和网站的文本和信息、天气数据、卫星数据等，对市场舆情甄别等方面有一定的辅助作用。智能投顾可以借助爬虫等工具获取非结构化数据或者对接非结构化数据服务公司来获取，以增加自己的数据来源，从而得到更为准确的市场判断。

（二）算法模型：结合实际应用场景

   由于中国国内资管市场的产品特性和客户需求等的复杂多样，在量化配置层面，智能投顾需要在使用均值方差、BL、或风险平价模型的基础上，进一步地进行适配处理，并找出当下时期更适合中国的配置模型和配置方式。在模型层面，智能投顾未来将更为注重结合实际的应用场景。

（三）应用场景：拓展负债驱动的资产配置

在只包括资产的资产配置(Asset-only Asset Allocation)的基础上，智能投顾还可以扩展负债驱动的资产配置(Liability-driven Asset Allocation)的应用领域。负债驱动的资产配置在应用层面上包括基于匹配客户负债的诸多投资场景，如在未来需要偿还房贷的约束下的资产配置，未来需要支付教育支出的资产配置等。拓展负债驱动的资产配置将是智能投顾的改进方向。

欲获取报告全文，请联系我们购买