如何正确开发一款机器人投资顾问

前阵子和朋友聊天说国内的互联网金融和国外fintech有不同的地方，在于国外的fintech公司做五花八门的东西，每个人都会找到一个特别有意思的细分领域做专注。

国内有点儿轻概念的感觉，大家就一拥而上，都去做这块的领域。积木盒子智能投顾开始做的时候没有觉得那么热，突然阿尔法狗以后千树万树梨花开，大家都开始说自己是智能投顾。

我们比较忧虑的看到市场上有一些公司说自己是智能投顾，但是我们看到其实他做的是一件不太一样的事情。

所以我们觉得很有必要和大家讲一下什么是智能投顾，不要让智能投顾被玩坏了，防止有一些人打着这个外衣做一些骗局。

主要是希望和大家分享一下这块。

我不知道大家听到智能投顾或者机器人理财，或者智能理财都想到了什么？有一个很聪明的机器人在帮我炒股吗，在帮我判断哪只基金会涨吗，还是帮助我从所有产品当中推荐靠谱的产品呢，或者有些人已经觉得这是一个新型的骗局。

我们看到智能投顾英文叫做robo-advisor，直译过来就是机器人投资顾问。

从美国来看，我们看到这些公司开始做自己的robo-advisor上面中间这家公司和下面左边这家公司是两家初创企业wealthfront和betterment。

最近的一个消息就是betterment这家公司又拿到了1亿美金的融资，估值超过10亿美金，所以所有人对robo-advisor这个概念又炒了一把。

betterment在纽约，Wealthfront在洛杉矶，一个在东岸，一个在西岸，做的事情都一样。Wealthfront的估值去年已经到10亿美金。这两家公司做的实力比较旗鼓相当。

他们一家大概管理差不多30亿美金的资产，折合人民币接近200亿，相当于我们一家小型的公募基金公司，但是比国内大部分的私募公司管理的资质大。其他几家就是巨头了，还有好几家我没有写在上面。

贝莱德是全球最大的资产管理公司，他是在2014年买了一家初创企业叫做futureadvisor，这也是一家机器人投顾公司，通过并购的方式开始自己的robo-advisor这条路。

贝莱德下面这家公司叫做嘉信理财(美国最大的线上券商)，它在70年代最先进，最开始从一个线下转到线上买卖股票的一家公司，他自己开设了robo-advisor，做了一个产品intelligentportfolio。

高盛是投行，他的私人财富管理部门也开始做自己的robo-advisor。上面这家公司是RBS苏格兰皇家银行，他在几周前刚刚宣布会用robo-advisor来替代250个私人银行家，在一定程度下的客户，不再会有人工服务，而是由机器人投资顾问给他进行服务。

还有很多家巨头在上面没有写出来，是全美最大的养老金资产管理公司，他们有自己的robo-advisor。

我们看到海外的robo-advisor有几个特点，他是初创公司开始的科技驱动，现在业界纷纷进入。大家觉得这个技术上已经成熟，在逻辑上也已经成立了。

如果我们来看这些robo-advisor有没有什么特点，有没有什么共性。是有的。总结一下所有这些robo-advisor的公司都有几个特性。

为什么他们这么做，我们从字面的理解可以思考。advisor这个词在美国有特定的含义，指的是有一个牌照叫做registeredinvestmentadvisor，这个牌照下面的顾问做的是什么？

大家知道美国的财富管理行业有70%是独立理财师，他们拿到的拍照就叫RIA，他们去帮客人做的事情，就是在线下和客户进行面对面的沟通，帮助他把家庭理财做一个很好的资产配置和分散。

顾名思义，一个robo-advisor就是把这群人原来在线下做的事儿搬到了线上来做。

我们想想这群人做什么？这群人不是一个基金经理做的事情，不是一个帮你追求极致回报的事情，而是帮助你管理风险，所以它是一个个性化的。

因为线下的财富顾问是一对一每个家庭各自做一个方案的，因为你把整个家庭财产委托给我，我不能让你再去冒险，我们追求长期化，因为你跟我发生的是长期关系，不是短期一时的关系。

我们看到在国外，当我们泛指智能投顾和机器人理财的时候，他们最终选择了这样的方向去进行发展。所有这个以外的东西其实都不能叫自己是robo-advisor。

大家听过motif,就是社区牛股，和牛人炒股，这个东西不被叫做robo-advisor，因为它是一个非常投机的，短的，非分散的投资理念和方式，在国外是不能称之为advisor的。

在国外robo-advisor取代的对象是线下独立的的投资顾问（IFA）。他服务的是70%的IFA的市场。在中国，我们认为积木要面对怎样的市场？我们面对的就是这个市场。

为什么我们选择这个市场呢？我们也是经过精心的市场调研。我们认为最上层的市场是私人银行和类私人银行客户所服务的市场，所有的线下财富管理机构、私人银行都在争夺这个市场，起售的金额也是100万起，这在中国已经是一片红海。

最下层的市场，中国有10亿以上的人群，掌握中国的财富大概10%左右，可投资产仅在3-5万之间，是BAT流量型的互联网金融公司平台的目标群体，不是智能投顾的目标对象。

我们看到的大概有3000-5000万中国新富裕的群体，他们不会满足于互联网金融平台上简单产品服务，他们也没有办法享受私人银行财富管理理财师的高端服务，但是他们希望有一些专业的家庭规划、财务规划和理财观念。

因为美国70%的市场是由IFA占据，智能投顾是怎么起来的，为什么国外会出现机器人投顾的东西。因为在逐渐的服务当中大家发现了一个规律，智能投顾有很多优势。

智能投顾有怎样的优点呢？

今天我不细讲金融理论，等一下会讲什么叫做最优配置。对于每个人来说，我们都能找到你的风险收益比的最佳比。第一、它可以帮助每个家庭做一个最优的资产组合和配置。

这和基金经理有什么区别，比如我今天是一个基金经理，所有的人都买了我的基金，我在进行操作的时候是不会思考你的风险要求和流动性要求，我是根据我对市场的风险判断来操作。

我可能今天做了一笔操作，对于你来说可能风险太大了，但是你没有办法，我做的是统一的操作。但是对于智能投顾来说，他帮各位管理的是分开进行操作和管理的，是针对你给出的建议。

大家知道一个传统的顾问是非常贵的，私人银行的门槛是600万，我以前在传统金融机构服务的时候，其实100万美金的客户在私人银行几乎得不到太多服务，这是最低的开户门槛。第二、门槛降低。

一个贵宾的客户在银行是50万人民币起，基本上得到的是一些短信提醒和相对简单的服务。事实上人工服务非常贵，特别是你希望得到好的金融服务，好的私人银行家，那是需要用经验堆起来的，越有经验的私人银行家越贵，他的成本是非常高的。

如果我们有一个机器人，有一个智能的东西在背后帮助大家，他能做的是把所有市场数据进行一个非常理性的判断，其实我们能把这个门槛大幅度的降低。

我们知道投资很多时候是输给自己，不是输给市场，市场是有赚钱的机会。第三个是比较重要的一点，它可以帮助你战胜人性。

但是往往在市场非常低迷的时候，你不愿意进去，而在市场非常高的时候，因为身边人的怂恿你就杀进去了。

如果是一个机器人帮你做资产配置的时候，他会非常理性和冷静的，他永远根据那个最有比去分散你的资产，而不会在市场特别疯狂的时候冲进去，又在市场特别低迷的时候不敢进去，这是智能投顾第三个方面，战胜人性。

因为我是一个程序，所以我能够大幅的降低你在做交易时候的成本。说得更细一点，智能投顾的成本到某一个程度时不会再大幅度增加的。第四就是交易成本。

而传统的线下成本，达到一定量的客户就要再配一个客户经理，然后这个客户经理需要鼓励客户不停的做交易才可以养活自己。所以对智能投顾来说你不存在这样的交易成本。

你即使雇佣了线下的理财师帮助你做资产分散和配置财富管理的服务，他也许跟你的利益也是不一致的。最后一个比较重要的是利益一致。

因为他是通过你交易的佣金来支付自己的工资，所以他的目的是使你做更加频繁的交易，这样他才可以赚钱。

但是从机器人的角度，他是跟你的利益站在一起，他不会鼓励你做频繁交易，他是从最优的配置角度帮助你做这样的配置。这是机器人在美国市场理财上被运用的点。

我下面讲一下金融理论。所有的智能投顾都基于资产配置的理论，资产配置的理论从谁开始？就是从这位开始，他叫马可维兹，1952年的时候他写了一篇博士论文，

当时他是世界上第一个去探索风险和收益关系的人，以及在多类别资产的情况下如何组成一个组合，使得进行组合的选择最优化的问题。

这样的一篇论文与其随后衍生出来的理念在1990年得到了诺贝尔经济学奖。

今天来看，这个理论还是所有做资产配置的机构，包括做主权基金，私人银行、财富管理基于的唯一理论基础。他的理论讲的是什么？

假设这里的每个点都是一个组合，每个组合都对应了两个属性，一个属性是风险，还有一个属性是预期收益。

我们在对一个点的选择的时候，我们要遵循一个原理，风险是你的付出成本，而预期收益是你得到的回报，每个人都希望最小化自己的成本，而最大化自己的回报。

比如我希望给出越小的风险得到越大的回报。我怎么衡量判断和选择这样的东西？

马可维兹从数学上证明了所有世界上的资产组合到最后都会形成这样的一个面，这个面上涵盖的组合都是所有可能发生的配置情况。

这个面以上是不可能出现的配置情况，这样的面就形成了一条凸曲线，这条凸曲线被称之为有效前沿曲线，这条曲线上的点被称之为最优配置点。

这个最优配置点是什么意思？如果大家纵向看，这个最优配置点是在给定风险的条件下你所能达到的最优回报，再往上就不可能了。

如果横向来看，这个最优配置点就是在给定回报下你所需要承担的最小风险的投资组合。

所以，整个资产配置的理论基础是帮助大家分散风险，做一个配置的基础都是基于如何寻找这条最优的有效前沿曲线。

在这条有效前沿曲线的每个点都是最优点，这些点没有好坏之差，因为每个人对于风险和收益的回报要求是不同的。

对于一个保守的投资人和激进的投资人只能把自己的收益期望放在最好的点上，这就是最好的诠释了。

可能大家以前听说风险和收益是对称的，这句话的出处和学术原理在哪里？其实它的学术原理就是在这里。

如果你希望是一个非常高的回报，如果只愿意承担非常低的风险，从理论上来说，它在长期和有效的市场是不存在的。

对于我们来说，智能投顾要做的事情就是把这条线找出来。当你告诉我你能承担什么样的风险，或者你想获得什么样的收益的时候，我就可以非常有效的找到那个点，告诉你现在应该做怎样的配置。

而且在今后市场变化的时候，我可以不断的帮你找到这个变化的点，及时地去进行调整。这是一个非常简单的理论基础，经过马可维兹在1952年提出以后，包括像夏普、法马这些人，夏普是90年和马可维兹一起得诺贝尔奖的，法马是在2013年获得诺贝尔奖的，他们进行研发和发展，整套理论已经趋于非常成熟。

为什么说只有做资产配置的分散个性化的投资策略才会被运到智能投顾？如果今天积木出来说我们是智能投顾，大家肯定会非常质疑，你说你是，但是别人家做的和你不一样，为什么他们不是。

我今天和各位说的是世界上其他的智能投顾，包括大投行，像高盛他们选择的智能投顾都是用这套投资理论作为基础的，这就不是一个偶然的因素，背后一定有它的必然性。

这个必然性在什么地方？难道不能找到一个机器人帮助大家预测明天的股市涨跌吗。这肯定是大家想问的一个问题，人工智能这么发达，阿尔法狗都可以打败李世石，为什么做不出这样的事情。

这边和大家简单解释一下，如果要解释这个问题，首先和大家稍微清楚解释一下什么叫做α回报和β回报，可能有些同事都是资深的财经记者，但是我还是稍微解释一下。

所有的投资回报可以被分为无风险回报，加上β回报，加上α回报。无风险回报大家都很清楚了，什么是β回报？什么是α回报？简单来说跟随大盘的就是β回报，比大盘跑得好的就是α回报。

通俗一点来讲，你站在火车上，你跟着火车一起跑那是β回报，你在火车上跑两步，你比火车跑得快的距离就是α回报。

包括巴非特、索罗斯、王亚伟、徐翔等大佬们孜孜不倦追求的就是α回报，包括中国人所有的投资理念都是基于我怎么找到一只10倍的牛股，我明天能够找到一只涨停板，或者发掘一只重组概念。

这一切的理念都是说我想找到α。α有什么问题？α有两个问题，它的策略有效性和策略容量性。简单解释一下，如果我是一个很聪明的机器人，我100%预测到明天哪只股票会涨停。

如果我告诉了10个人，你们明天开盘全去买，你们就赚了。如果我告诉了100个人，这100个人也赚了，如果我告诉10万个人会怎么样？

这个策略就失效了，因为这只股票是创业板，它就这么大的容量，每天的交易量就这么大，所有的人都去买的话，你的套利空间就没有了，这个大家能理解吗。

什么叫做策略的有效期？如果我是一个很聪明的机器人，我猜中明天有一只股票要大涨，然后我告诉了在座的各位。有的人明天一早就买了，有的人是后天去买的，后天去买的人可能就亏了，为什么？

明天所有知道这个消息的人都把那个股票买了，套利的空间就消失了。所以α回报是一种博弈回报，基本上在α回报上，市场上有人赚钱就有人亏钱。

总的来说，如果你是一个智能投顾，是面向公众的，如果所有的人都从你这赚了α回报，请问谁在市场上输了钱呢？不可能有这么一件事情。所以α回报有它的策略容量性和策略的有效性。

如果你是一个机器人的智能投顾，你的策略是公之于众，是基于公众的认知，就不可能产生α回报。

事实上所有做α回报的，我们一定要把机器人投资概念做α回报去套用的话，做得最好的人应该是文艺复兴的西蒙斯。

但是大家什么时候看到过西蒙斯公布过自己的投资策略？他告诉你买了哪只股票，卖了哪只股票。如果能够产生α回报的人，基本上都会闷声大发财。

所以所有的智能投顾都是基于资产配置理论，它需要向公众服务，它需要公布它的策略，需要一个有容量性非常大，而有效性非常长，所以他一定会选择一种没有我刚刚讲的两个问题的一种有效策略。

这个策略就是β回报。但是大家也不要觉得β回报没有α回报好，因为刚才讲了这么多，好像每个人觉得没有拿到α回报很可惜。

其实能够拿到α回报的人是很少的，美国市场上20年能够拿到超过道琼斯指数的基金经理两只手就数完了。

中国的市场还有一些非有效性，所以大家还对α回报有一个迷恋，但是我们看到你其实是非常难选择一个α回报的。

当这个市场越来越有效的时候，机构投资人参与越来越多的时候，α回报的空间一定会越来越少。

所以巴非特说了一句话，我死了以后立一个遗嘱，我所有的钱，我的儿子只能投在标普500的ETF里，不要交给任何投资经理投资，就买指数基金就够了。

大家不要觉得β回报不好，β回报是一个很难得到的事情，很少有投资人能够超越大盘的回报。

沪深300大概平均每年给投资人的回报，如果平均下来能得到13%左右，中证500可以给到18%左右，从2005年开始追踪这个中证500指数的时候。

但是谁在A股能够拿到这样的年化回报呢？没人能够拿到。为什么很多人拿不到β回报，因为有情绪的影响。

这又是另一套诺贝尔奖的理论，提出这个理论的人叫做卡尼曼，他是一个心理医生，获得了2002年的诺贝尔奖，这套理论叫做行为金融学。

行为金融学就是研究为什么人不能理性的做出投资决定，大部分人没有办法得到我刚刚讲的沪深30013%的年化回报，和中小盘18%的年化回报。因为在市场低的时候没有人敢进去，而市场高的时候大家都冲进去。

我正好来之前查了一下A股开户数第一名和第二名的时间，也非常巧，历史上A股开户数最多的一个月份就是07年的9月份，第二名是2015年的6月份。这个大家都看到了，这就是行为金融学最好的表现，大家都在什么时候去入场。

所以为什么很多人赚不到β回报。智能投顾希望做的一件事情，就是基于资产配置理论能够长期有效并且大容量的帮助大家获得一个能够烫平市场波动，并且不低于β回报的收益。这就是智能投顾要做的事情。

总结来说，智能投顾是以现代资产配置理论为基础，而非择时择股的一个交易。

智能投顾是一个个性化的调整方案，首先它要了解你，给你一个方案，你要确认这个方案以后不是不管了，会一直跟踪这个方案。

市场变化和你发生变化的时候，他都会给你实时的进行调整，重新把你的组合调回到最优的资产状况。

大家看到我们投资于不同的资产，资产配置我理解了。现在市场上也有好多的智能投顾，我感觉帮我投到不同的资产大类里面，他们算不算智能投顾呢？

我们觉得这里还有两个点大家要关注。第一个就是什么叫做大类资产。因为中国的环境比较复杂，金融是分业监管的，所以中国很多资产往往以不同的表现形式出现，

比如说一个地方政府的债可以以信托的形式出现，也可以以银行理财的形式出现，也可以以券商资管的形式出现，可以以各种形式出现，存在在不同的监管体系下。

在中国往往就会出现一种幻觉，不同的产品形态就是不同的大类资产组合，其实不是的。因为最后穿透下来的资产其实是同一种资产。第一、你的大类资产分散是不是以资产穿透原则去进行分类的。

比如说次级债，比如说地方政府债，这是穿透到底层的资产，而不是说我们讲到的票据、银行理财。

有些所谓的智能投顾请你在银行理财投10%，在票据产品投20%，明眼人就会觉得连资产的基本分类都没有搞清楚，何来智能投顾。

第二、底层的资产对接，中国是监管很严的国家，很多资产需要销售，机构是要有牌照的。

有一类智能投顾，我觉得这也是最危险的就是，他是一个特别聪明的机器人，你把钱交给我就完了，什么都不用管，

其实是一个资产池，他去买什么东西你不知道，资金是不是托管也不知道，去向、流向你都不知道，他给了你一个很笼统的投资范围，说我会给你打理，更可怕的是给你一个保本保息的预期收益。

你问他怎么来的。他就说我是有一个很聪明的机器人，你放心好了。这和庞氏骗局没什么区别。

大家可能很好奇，私人银行、股权基金，大家都在用，1952年提出的理论，为什么没有人把它拿出来做我们今天在做的事情，包括像robo-advisor为什么在两三年前兴起，为什么以前大家没想到做这个事儿。

第一就是和计算量有关，和大数据的运用，云计算的兴起有关。我们帮客户配了十类资产，下面有1500个产品，如果我们要来构建组合，理论上这个组合的可能有多少？

首先讲一种组合的可能，比如我的资产类别是从A1-A10。一种可能的资产是A1配100%，A2-A10都配0。我A1配99.9%，剩下A2-A10配0.01%，这也是一种可能。理论上有多少种组合的可能呢？有10的36次方可能。

金融市场是随时都在变化的，我不说每秒钟都算一遍，每四个小时算一遍，或者我每天算一遍都非常困难。

大家看到以前在做资产配置的时候，都是一个年纪比较大的专家，他以自己的主观经验，这就是大家和经济学家聊天的原因，

我看到美联储最近出了什么样的政策，中国出了什么样的政策，CPI、PPI怎么变化，GDP怎么样。

所以我们觉得A股可能有机会，美股可能有机会，大家要配债权，降低现金的配置。这是一个凭经验的，甚至是主观的做法。

但是由于今天我们计算的发达，我们积目本身在金融大数据有30多个人，我们在科技工程师上有200多个人的配置，我们可以有比较快的海量预算，当然坦白说我们也不是把10的36次方种组合全部算一遍，这肯定是一个巨量的计算。

所以我下面讲了，数据的聚合、分装、构建、模拟、分析画像以及选择最优的算法去把这个当中我们认为比较靠谱的组合挑出来的能力是我们构建的。

我是一个做金融的人，只有我是做不出这种东西的，我写程序的话，这个程序可能要跑十天才能跑完。

但是我们的同事要让它实时的把这个结果跑完，而且我们要记住的就是所有的市场不停的变化，每一天实时发生数据的变化，我们金融大数据的同事要把它截取下来，存储下来，封装起来，在需要计算和运用的时候实时调用出来，以最后的速度把结果计算出来。这个计算是非常大的。这是我们做的第一件事。

第二件事会更有意思一点。机器学习，所有人都在讲怎么用机器学习预测市场和预测未来。

我们做了一个辅助的预测，这是经济指标，金融领域的记者都知道，其实有更多的指标在这里，有几十种，甚至有上百种的指标。

传统上我们说经济学家像是看水晶球掷色子的一个人，他其实是针对某些经济数据去对未来做一个预测。事实上市场是非常复杂的，并不是有一个数据决定市场的涨跌。

到底哪个数据在什么时候可能对于这个市场产生作用呢？这是大家去问经济学家没有人讲清楚的。但是这个事情可以用机器学习，对过去进行大数据的统计，把这种规律找出来。

具体的做法，当我们用过去十五年甚至二十年的经济数据给它分装，变成一个训练数据，然后让它去进行一种测试数据，最后不断每天学习的时候，机器就可以越来越发现，当20个变量今天这种状态的时候可能预测接下来的情况是怎样的。

这种机器学习的做法和我们大家听到量化做法最大不一样是什么？量化是人的已有知识，就是我已经知道这些变量在什么时候对市场有什么样的影响，我把它编一个程序写出来，然后让机器去进行判断。

而机器学习是我今天也没有知识，我也不知道，人也不知道，到底哪个指标在什么时候对哪个资产或资本市场会产生影响。

但是我们把所有的数据和过去的数据丢到机器里面，它自己会变模型，对于这个模型进行变化，然后进行预测。

我们今天在某些市场上，在我们的模型上已经用了机器学习进行一些预测，准确率能够达到65%左右。

我们觉得这是一个比较高的胜率，但是我们还是用它做辅助的预测，具体原因我接下来会稍微讲一下。

这是我们做的第二件事情。所以我们的模型是有刚刚讲的，一个大数据的量化加上一个机器学习来合作而成的。

这就是我刚刚讲的机器学习和量化交易的区别，事先给定，参数不变，机器学习是一个模型自动优化，我们作为模型设置者不知道机器下一刻会出现的模型是什么样子的，它是根据进来的数据自动决定的。

我刚刚讲了机器学习是一个辅助，大家肯定听了机器学习、人工智能，机器占领世界。

在投资界上大家会思考，为什么我们不用机器学习做一个判断，我就投那个判断出来的市场就可以了，你不是说胜率有60%多，好像也挺好的，判断出哪个市场就投哪边，大概率事件也挣钱了。

我们不做这个事情的原因在哪里？第一、我们觉得金融市场还是非常模糊和复杂的，这就关系到机器学习和人工智能在金融上能够做什么样的应用，应用到什么程度，我觉得还是要做一些哲学层面的思考。

第一、金融系统是非常模糊和复杂，它和下棋不一样，虽然下棋也很复杂，但是下围棋从数学上来说是一个突性的问题，这是一个术语。什么意思呢？是有界定边界的，对弈者是双方，落子的空间有限的，规则是清晰的，胜负是明确的。

这是下棋的规则，不管你是19×19的棋盘还是39×39的棋盘，到最后会演化成一种计算的复杂度和一个高效度的问题。

但是金融市场博弈是无穷尽的，参与方是随时可以加入和退出，有很多很多的参与方，有的时候你不知道谁是参与方。

运作的变量太多，不确定性太多，某个重要人物讲一句话可能都会对这个系统造成影响，蝴蝶效应非常大，混沌效应非常大。

所以这个市场的复杂度和模糊度，人的脑子都很难理解，你说机器学习是学习人脑运作的，你让它再理解这个复杂的金融市场，首先从哲学上来说，我们觉得肯定有它的局限性在，所以我们不太能够完全信任机器学习做的判断，我们今天用它是来辅助的。

第二个原因，阿尔法狗以后，大家把阿尔法狗当作人工智能了。这个在学术上还是有讲究的。

人工智能是一门很大的学问，阿尔法狗用的东西叫做深度学习，深度学习英文叫做deeplearning，深度学习不等于人工智能，深度学习是人工智能的分支。

深度学习的概念是在60年代在美国被提出来的，那个时候叫做神经元网络，后来因为它需要的计算量非常大，计算它的发展不够，所以一度被废弃了，直到06年Hilton重新提出这个概念，因为那个时候计算非常广泛才重新火。

所以deeplearning是AI机器学习的分支。但是它适不适合金融？我们看到今天的deeplearning在很多的自然语言处理，图象识别上有很好的应用，为什么？

因为deeplearning需要能够给出一个精确的回答，这张图片是狗，这个人讲的是山东话，这个是他能给的一个判断。

这个判断是你马上能够知道对和错的，你有特别清晰的对错判断，这个东西对于深度学习是非常好的，它在这个上面应用非常好。

但是它也会碰到一些局限性，深度学习局部有效性的问题特别显著，也就是说他会陷入一个死胡同里面出不来，在那个死胡同里面寻求一个最优解。

但是金融很多时候需要不是一个精确，需要的是一个模糊的证据，特别是在智能投顾里面我需要的是方向性的判断，我不能要局部最优解，我要的是一个全局解，即使这个解是模糊的，你告诉我涨就可以了，涨多少无所谓，涨10.81%和涨11.62%对于我来说用处没有那么大。

我不需要robo-advisor给我解决这个问题。

第二它有一个过度拟合问题，因为它吃的数据太多了，进行复杂的计算太大了。如果大家听一听神经元网络的训练，三层网络，四层网络，这是非常复杂的，它会造成过度拟合。

过度拟合是什么东西？过度拟合就是这种问题，机器缺乏对于因果关系的判断，它会把两个数据出现的一致性判断成一种有因果联系的必然性，

比如说这边举个例子，招商一开策略会，A股就跌，大家都笑了，所以人都知道这是一个笑话，但是机器不知道。

当你把这种大数据给它的时候，它可能会发现这是一个真理，下次招商开发布会，它就发出一个卖的信号，这是有可能的一件事情。机器怎么能判定出这两个其实是没有关系的一个东西呢。

还有一个是一个学术期刊上写的特别有意思的例子，有一个对冲基金发现斯里兰卡的黄油出口和美国的道琼斯指数高度相关的。

每当斯里兰卡的黄油出口上涨美股就涨，当黄油出口下跌的时候，美股就跌，相关度达到了90%，他们非常激动，他们觉得找到了投资致胜的法宝，所以自己解释不出这个原因为什么，但是他们觉得这个很厉害。

1983年-1990年准了七年，到1991年这个相关度完全消失了，不见了。这个就叫过度拟合，其实这两个没有因果的关系。

咱们以前说迷信就是这么来的，出现了这件事儿就出现了那件事儿，出现的次数多了你就迷信了，就把这两件事连起来了。其实机器也会做这样的判断，因为它没有因果的定律判断。

所以深度学习很多时候会出现过度拟合的问题，特别是大数据这种词是大家要特别当心的，你给他数据越多，出现过度拟合的可能性越多，越大。

所以基于这个原因，我们对于所谓的新鲜词或者市场上概念热炒不是特别的认可。

第二、我们觉得要用靠谱的方式做，所以没用深度学习的方式做，都在探索。目前的版本没有用，用的是其他的方法。我们会在6月份和大家具体说明。

最后不能把赌注压在机器身上的教训就在这里。这个教训可以给大家讲一下，他们没有用机器人做，他们也是一个量化的先驱。

LTCM业务长期资本管理公司，longtermcapitalmanagement是90年代中期华尔街特别有名的对冲基金公司，这两位是真正的大牛，一个是莫顿，一个是斯科尔斯，他们是97年诺贝尔经济学奖的得主。

这两个人还不够，他们加了两个人一起开了这家公司，在1993年的时候，一个人当时被称之为华尔街债券套利之父的所罗门兄弟的梅里韦瑟，还有一个人是当时美联储的副主席。

四个人一起出来下海开了一家公司长期资本，做的就是量化债券套利，机器判定，这个交易有机会他们就放大杠杆，即使是很微小的套利。具体的策略是不公开的，就像我刚才讲的闷声发大财不愿意公开策略。

93-97年每年40%的回报无回撤，中间不亏钱，非常厉害。98年破产了，为什么？因为他们的模型认为俄罗斯政府违约的概率是0.001%，但是就发生了，发生了以后他们的仓位非常大，整个流动性丧失，整个策略就破产了。

这是为什么不能过度依赖机器，一定要做好资产的分散，不能把所有的注压在机器看中的那个方向。

这就是为什么智能投顾一定要做仓位的分散，我们也是每次看到都会记住资产分散的原则性的原因。

机器学习人工智能是一个很火的词儿，但是金融上如果用错了会造成很大的问题。

所以我们觉得对于很多公司，如果他自称用人工智能做智能投顾的话，大家都可以和他聊一下，用了智能投顾的什么算法，你在里面用到的比例是多少，你的计算量是怎样的，纬度是如何。

其实大概就可以做一个判断，他们是借用一个概念还是真的懂这方面的运用。

刚才讲了这么多，我们觉得智能投顾在几个方面都有判断的地方。