金融科技技术手段在资产管理业的应用与影响

资管是金融科技的核心应用场景之一。目前已经被应用的技术手段包括基于大数据的数据建模、基于云计算的计算能力提升、基于区块链的信息保存及共享、基于人工智能的决策模型等。目前各类技术均有所使用，但尚未对资管业产生颠覆性影响。

近年来，算法投资、统计套利、智能投顾开始在资管业务中使用。统计套利工具是包含一套定量驱动的交易策略，这些策略通过分析价格模式和金融工具之间的价格差异获利，策略的最终目的是产生Alpha的交易利润。统计套利的应用逻辑主要是导入大量相关数据，利用机器学习形成知识图谱或者建立模型，通过不同算法预测交易趋势，发现投资机会。

算法投资和统计套利相关的投资方法需要高流动性的资产，适合采取被动型投资的方法。由于单次套利的利差极为微薄，所以必须依赖加杠杆放大收益，这也增加了交易策略的潜在风险。美国长期资本管理公司成立于1994年，很快达到近80亿美元的资管规模，但在1998年，根据历史数据分析结果在俄罗斯债券基差交易中判断失误（出现了俄罗斯国债违约的黑天鹅事件），由于30倍以上的杠杆水平最终破产。人工智能技术在挖掘图片、文档、文本等非标准化的数据方面有优势，但也与索罗斯的反身性理论相左：市场本身就是由交易者的行为组成，进而互相影响，这会让机器学习的难度更大，故没有一个独立和不可改变的持续学习过程，能够在市场中永远持续下去。以量化对冲闻名的Two Sigma、城堡投资等公司近年来一直在扩充自己的人工智能团队，但资管领域的Alpha Go仍需期待。

相比算法投资和统计套利用于大规模的资金管理，智能投顾更侧重于面向零售客户。智能投顾即利用数据分析和量化模型算法，根据投资者的个人收益和风险偏好，提供匹配的资产组合建议，并自动完成投资交易过程。在美国，两家智能投顾公司Wealthfront和Betterment已经发展了近10年的时间，各自管理资产约40亿美元。相比传统投顾及散户投资，美国的智能投顾主要解决了三个痛点：一是提供零售客户的资产配置解决方案，客户进入网站后，首先填写个人信息（如年龄、收入、期限、目标金额、风险偏好等），然后根据量化模型提供配置比例和配置产品；二是费率低廉，智能投顾以配置ETF产品（主要是股票和债券）为主，费用只有20～40个基点，而传统投顾要收取约2%的咨询费或管理费；三是有衍生服务，美国资本市场工具资本利得税高昂，Betterment提供了税收筹划方案，根据官网披露，税收筹划可以增加约77个基点的投资收益。(www.xing528.com)

总体而言，智能投顾与其说是通过技术手段解决了相关痛点，不如说是在现有资产配置基础上借助网络手段降低了成本。智能投顾让高昂的投顾私行服务落入寻常百姓家，但很难说它颠覆了传统资管的商业模式。

【注释】

[1]周琼、陈剑，《从国外案例看打破“刚性兑付”难题》，《当代金融家》，2015年6月。