人工智能重塑资产管理行业的十个方面

　　零、问题、意义、影响

　　一直以来，科技进步都是驱动全球资产管理行业（AssetManagement Industry）发展的核心因素。近年来，随着移动互联网、云计算、大数据和人工智能（AI，Artificial Intelligence）等信息技术的迅猛发展，科技如何赋能社会？科技如何重塑金融行业？科技如何改写投资管理？引发了高度关注和热烈讨论（Thomas Philippon，2016；DavidLeinweber，2017；巴菲特，2017；Howard Marks，2018）。

　　特别值得一提的是，具有广泛声誉的《经济学人》（Economist）杂志认为，由于在互联网技术和人工智能技术等方面取得的成就，中国是金融技术（Fintech）的全球领导者（2017年2月25日，第59页）。这种提法，具有特别的意义。杨凯生（2017）、巴曙松等（2018）从商业银行角度，孙国峰（2017）从监管政策角度，王政（2017）、肖风（2018）从资产管理角度，分别讨论了金融技术和人工智能对现有金融行业各个方面的挑战和影响，都很有开创性和启发性。

　　2019年，对资产管理行业来说，一方面，既受到全球经济、金融行业固有景气周期循环的短期、常规影响；另一方面，更面临本轮金融技术（Fintech），特别是人工智能的长期、甚至是颠覆性挑战。两方面的影响和挑战叠加，挑战严峻。未雨绸缪，不预则废。本文概括了人工智能对资产管理行业发展的十大影响。

　　影响一：减轻道德风险

　　资产管理行业存在和发展的前提有两个，一个是基金管理人诚实信用；一个是基金管理人有能力持续赚钱。这两者中，诚实信用排在第一位（Bogel，《共同基金常识》;Levitt，《监管与合作：美国证监会与共同基金》）。原因在于，这个行业天然是资金的所有权和使用权分离的，管理人的行为也不好监督。在学术上，这是典型的委托代理机制。在实践中，管理人潜在的道德风险一直存在。在历史上，美国和中国都出现过不少利益冲突、“老鼠仓”事件。

　　大数据是最近这一次人工智能成为“风口”的关键因素。使用大数据的匹配、相关方法，能够比较容易找出关联交易和资金往来线索（Srinivasan, S.，2016，Big data and financial fraud using fintech methods. Working Paper, Texas Southern University；程雷，《大数据侦查的法律控制》，《中国社会科学》，2018第11期）。从根本上说，人工智能目前的行为目标或偏好比较单一，可能只有为客户赚钱这个单一目标。人工智能对资产管理行业来说，虽然无法消除委托代理关系，但可以在一定程度上减轻道德风险。如果人工智能本身要谋私利，赚钱之后它怎么用？当然，到奇点（singularity）来临时，机器智能超过人类智能，可能就不好说了。

　　影响二：智能财富管理

　　资产管理行业的发展，始终面临不断募集资金的问题。如果把资产管理行业看成是一门生意，有人认为资产管理行业的核心竞争力是营销，而不是投资能力，也有道理。实践表明，互联网技术已经在一定程度上改变了传统基金销售方式。例如，幂律、长尾规律通过互联网技术得以对货币市场基金进行了颠覆（余额宝）；第三方平台（东方财富、蚂蚁金服、京东金融）对传统基金销售渠道进行了挑战。

　　目前，人工智能对筹资的影响表现在智能财富管理方面。Betterment、Wealthfront、Charles Schwab、BlackRock、Vanguard Group等公司都进军智能投顾业务。具体来看，例如，50年来经典、畅销书，即《漫步华尔街》的作者马尔基尔（Burton Malkiel）是全球领先的智能投顾公司Wealthfront的投资总监。Wealthfront利用人工智能的方法给投资者提出理财建议，为特定的风险偏好定制一种包含不同资产类别的多样化组合，资产类别选择都是低费率和被动ETF。当然，也有人认为智能财富管理的技术含量不高，在严格意义上算不上人工智能的运用。

　　影响三：改造主动投资

　　“天下熙熙皆为利来，天下熙熙皆为利往”。一直以来，主动投资都是投资者关注的重点。媒体也经常报道大明星，如林奇、巴菲特、索罗斯等人。主动型投资者（AI，Active Investor）收取了这个行业的巨额管理费和业绩提成。收的合不合理？应该收多少？目前也有争议（Malkiel, B.G., 2013, Assetmanagement fees and the growth of finance, Journal of Economic Perspectives27（2）， 97-108）。从根本上看，投资决策的核心在于信息流，信息获取是投资决策的前提。在理论上，信息是金融市场中最重要的资源（Fama, E., EfficientCapital Markets: Review of Theory and Empirical Work, The Journal ofFinance, vol.25, no.2, 1970, pp.383-417）。所以信息套利是笔大生意，参与者包括金融中介机构（如经纪商、卖方分析师、财务顾问、分析软件提供商和交易平台）及数据供应商（如Bloomberg, Thompson-Reuters, Factset, S&P Capital IQ）。

　　回到主动投资，自1934年格雷汉姆（Benjamin Graham）出版《证券分析》（Security Analysis）后，基于企业内在价值（IntrinsicValue）的基本面投资方法在主动型机构投资者中逐渐成为主流（当然，基本面投资既包含价值（Value）投资，也包含成长（Growth）投资）。传统上，宏观经济分析、行业研究、上市公司实地调研、财务报表分析和公司估值是此类投资者获取信息，提高投资决策质量、获取超额收益的主要方法。人工智能改造了传统主动投资流程上信息获取、整理、分析、判断的方法。例如，利用卫星、物联网、互联网抓取最新的数据来及时判断宏观指标（例如，CPI）、企业销量、行业景气的变化、拐点，获得领先的信息优势。

　　影响四：助推被动投资

　　指数出现很早（1884年），但在资产管理行业中，指数投资出现却很晚（1976年）。原因当然与计算机技术的进步有一定关系。但与思想上的认识偏差和过度自信关系可能更大一些。在学界，基金经理能不能战胜市场是个重要话题（Jensen，1968；Malkiel ，1995；Gruber et.al，1996；Famaet.al，2010）。在业界，在1984年哥伦比亚大学纪念《证券分析》（Security Analysis）出版50周年的活动上，巴菲特提出“格雷厄姆—多德部落的超级投资者们”可以战胜市场。巴菲特在2007年与人打赌“主动型基金是否可以战胜市场”，10年后，巴菲特胜出，即主动型基金不能战胜市场；但极少数投资者可以战胜市场，巴菲特自己是一个。

　　在我们看来，近年来，被动投资迅速发展起来还有两个原因。一个是管理规模。在主动投资策略中，规模是业绩的敌人。极端情况，一个超级明星管理全市场的钱，自己就是指数了，自己能战胜自己？二是费率。即各种摩擦成本，从长期看，各种费率会很影响业绩的复利增长。2018年年底，平安资管投资管理方式的转型引起了广泛关注和振动。核心（被动投资）加卫星（主动投资）是超大型机构投资者的战略选择，智能量化是未来的方法选择（平安资管张一清，《智能量化投资将成为未来主流投资方式》，《上海证券报》，2018年11月3日）。对于不具有优势的个人投资者、或者没有特别优势的机构投资者而言，指数投资是它们的最优选择。在一定意义上，指数投资就是传统投资方法和人工智能投资方法的试金石。但然，指数投资的业绩也是人工智能业绩的下限，不好的人工智能也面临被淘汰。

　　影响五：改变博弈格局

　　资产管理行业发展的前提之一，是基金管理人有能力持续赚钱。持续赚钱其实很难，所以业界有“投资生存战”的说法，即长期生存下来已非易事。股票市场是个生态系统，有短期投资者，也有长期投资者；有理性投资者，也有噪音投资者；有聪明钱，也有笨钱。无论投资者、投机者，大家进入这个市场，都是对自己有信心的。但在短期，股票市场就是零和游戏，考虑到摩擦成本，甚至是负和博弈。过往记录表明，投资时间越长，复合收益率降低；复合收益率极限在40%左右，已是凤毛麟角；复合收益率极限在10%以上，已经可以位列大师之列。

　　股票市场中的传统博弈选手，无论是机构还是个人，都是人与人间的博弈。或意气风发，或心力交瘁，个中辛酸，无人可知。未来股票市场的博弈格局，在人工智能加入后，可能是人、人机互动、完全人工智能混杂的复杂博弈局面。不说别的，人工智能至少有一条优势，即没有精力不济、体力不支、职位工资待遇之争、上有老下有小之忧。相反，通过不分昼夜地机器学习、自我学习、强化学习，只会越来越强大。当然，未来机器智能之间的博弈也会很精彩、很惨烈。原因在于各家人工智能的模型不同、方法不同、技术路线不同、数据有差异，互相之间，终有厮杀，鹿死谁手？

　　影响六：挑战组织结构

　　传统主流机构投资者的内部组织结构，按部门分，一般有研究部、股票投资部、量化投资部、交易部、监察部；按职位分，有宏观研究员、行业研究员、基金经理、数量分析师、交易员、督察员。投资机构应该算是典型的学习型组织了，因为研究驱动的投资管理。从根本上理解，资产管理公司是个企业（Firm），按照信息流、业务流程形成科层（Hierarchical）结构，也很正常。时间长了，也有可能形成企业内部“官僚”体系，即对变化的敏感度下降，也是常事。组织结构本质上是某个阶段人们认知决策思维下的体现形式，组织结构的变化就是CEO或董事长对未来认识的体现。

　　如果是在软件定义的社会，或者说是算法（algorithm）定义的时代。如果数据是新的石油，信息是生命体的血液。那么，组织结构中的管理问题、投资流程问题，可能就变成了如何管理数据和信息？如何管理算法和软件？如何进行算法外包？如何激励开源代码共享？那么，传统的部分划分、职位划分，是否适应信息流的新的、甚至是革命性的变化？并且，在企业边界的问题上，新型的企业也给出了不同的答案。例如。顶尖的对冲基金AQR的创始人，是Fama（2013年诺奖得主）指导的1994年毕业的博士生，倡导开放式研究，在一定程度上，就是开源代码共享，这重新定义了企业的边界、企业的协作。

　　影响七：转型科技公司

　　一直以来，投资管理行业的竞争就是武装到牙齿的技术“军备竞赛”，华尔街顶尖公司是军备竞赛主要的推动者。早在1967年出版的投资经典，即《金钱游戏》一书的第二部分，内容就是“信息技术系统”，其中第12章的标题是“血肉之躯鏖战丧失情感的计算机魔鬼”（《金钱游戏》，广东经济出版社，2011年版，第148页）。1974年左右，先锋基金指数创始人就是利用Prime微型计算机运营第一只指数基金。1980年代，量化投资成为这场军备竞赛的主要战场。例如，最顶尖的量化投资公司，即文艺复兴科技公司，独辟蹊径，异军突起。2017年10月28日，久负盛名的《金融时报》撰文：《当硅谷来到华尔街：主流资产管理者开始使用大数据和机器学习》。

　　事实上，近年来，全球顶尖的对冲基金站在智能研究和实践的前沿。文艺复兴科技公司、Two Sigma等公司组建了自己的人工智能团队。2012年，著名的对冲基金公司桥水基金挖走了IBM的“沃森（Watson）”人工智能开发小组的领军人物David Ferrucci。2017年，对冲基金巨头Citadel聘用了微软的首席人工智能科学家邓力。2018年，NASA（美国国家航空航天局）首席数据科学家加盟贝莱德（BlackRock）2018年，华盛顿大学计算机科学与工程学教授，《The Master Algorithm》作者 Pedro Domingos加入DE Shaw。2018 年，卡内基梅隆大学计算机系主任 Manuela Veloso 加盟摩根大通。

　　影响八：人才需求变化

　　传统上，资产管理行业是收入相对比较高的行业，也是成为商学院的毕业生主要的工作选择之一。2018年，经济学、金融学的毕业生面临了史上最严峻的就业挑战。这可能也是一次资产管理行业的供给侧改革。事实上，一直以来，长期年复合收益率接近40%的文艺复兴科技公司成功的原因之一可能就是就不招经济学、金融学背景的毕业生，或者是有华尔街工作经验的人。确实印证了老话，如果重复同样的事情，是不能得到不一样的结果的。文艺复兴公司的成功，就是在投资上，没有走与大多数主流传统投资机构一样的道路。

　　近来，一些主流传统公司，例如行业巨头富达基金提拔有技术背景出身的Steve Neff担任资产管理部门负责人，可能也多少说明了趋势潮流。明显的，在未来，计算机、统计、数学等人才可能是抢手货。背后的原因其实是传统的信息流、投资流程受到挑战。但我们必须特别指出，传统的投资方法也不是一无是处，直觉和经验也不是全无道理。例如，至少杰出的、老练的投资者的投资方法和思想不受影响，即在传统方法中，投资者在基本面投资中使用的认知、逻辑和经验长期有效。因为人工智能并不能判断行业发展趋势、企业发展战略、企业家精神、企业文化。而这些“虚”的、定性的东西，恰恰是判断伟大企业的关键。

　　影响九：带来潜在风险

　　人工智能的广泛使用，会引起什么样的新的风险？从战略角度说，不注意人工智能这个社会发展的大趋势，可能有“企业倒下，血还是热的”的风险。对于资产管理行业来说，真正的颠覆者有没有可能是来自其他行业的将维打击？例如，来自谷歌这种由技术的公司？因为谷歌有一个很受欢迎的股票筛选引擎。或者来自东方财富这样有客户流量的公司？或者来自于一个完全的人工智能公司？

　　从技术角度说，机器和机器智能带来的风险，也非同小可。例如，1987年一天之内指数下跌超过20%，以及2010年的闪崩，都有机器程序交易产生连锁反应的原因（Aldridge, I. and S. Krawciw，2017，Real-Time Risk: WhatInvestors Should Know About Fintech, High-Frequency Trading and Flash Crashes，Hoboken, New Jersey: Wiley）。在国内，2013年8月16日11点5分的乌龙指事件，多只权重股瞬间出现巨额买单，以致多达59只权重股瞬间封涨停。传统证券交易中的风控系统交易响应最快以秒计，但也远远不能适应高频套利交易的要求，例如，这次事件中每个下单指令生成为4.6毫秒。对监管和交易所都提出了挑战。

　　影响十：人机博弈合作

　　未来已来，只是还不明显。人工智能在资产管理行业发展的多个方面，都可以进行改造，都可以推动行业的变迁。但是人工智能也不是无所不能的，至少在目前可以预见的长期内，人工智能并不能完全取代人（Andrew Ng，What Artificial Intelligence Canand Can’t Do Right Now，NOVEMBER9, 2016）。例如，在传统的投资决策框架中，人工智能在数据获取、信息处理和交易执行三个方面具有绝对优势，但在理解历史知识、经验规则和博弈策略中并不具优势；人工智能在把握短期情绪和非方向判断方面具有绝对优势，但在长期基本面理解和方向判断方面不具优势。所以，一个可能的格局是，人脑、电脑博弈合作。

　　创新性技术的在资产管理行业的深入使用，可能事关人力、流程和信息的全新组合，技术创新通过改变这三个输入变量互动方式的程度和范围来达到最优结果。事实上上，在资产管理行业中，一直也在使用Vanguard创始人约翰•博格（John Bogel）1984年提出的“4P”准则来作为判断创新的基础，即人（People）、投资哲学（Philosophy）、投资组合（Portfolio）和投资业绩（Performance）。博格1984年的这个提法，也是讨论人机博弈合作的好的角度。

　　十一、评述性结论

　　在20世纪50年代，计算机科学和人工智能首次出现。在20世纪80年代，华尔街就是早期人工智能的主顾。1987年6月《华尔街计算机评论》的封面文章是：《教计算机模仿伟大的思想家》，配图是苏格拉底站在纽约证券交易所的台阶上，而纽约证券交易所周围被CRT显示器围绕着。而1990年6月《华尔街计算机评论》的封面文章是：《基于知识的系统：职业思考的计算机》，配图是罗丹的“思想者”雕像被网络连接着。

　　目前，人工智能对资产管理行业发展的影响深刻长远。但人们对人工智能或多或少依然存在大量误解，甚至是恐惧，也都正常。讨论起来，这也是个相当宽泛、开放性的问题，见仁见智。我们的看法可能对，也可能不对。我们也面临“用目前习惯的框架去分析未来问题”的尴尬。这也都正常，对真实世界的认知就是在不断试错和批判中前进的。如蒙赐教，不胜感激。