如何評價一款產品是不是好的證券產品？能夠幫你活著度過熊市的產品，才是真的好產品。

前段時間，跟同行長江證券、廣發證券和平安證券的一些產品經理們閑聊了一些關于智能投顧的現狀和方向，更重要的問題是探討當下券業該如何突破的問題？

智能投顧的基本釋義是Robo-Advisor，即根據個人投資者提供的風險承受水平、收益目標以及風格偏好等要求，運用一系列智能算法及投資組合優化等理論模型，為用戶提供最終的投資參考?，并對市場的動態對資產配置再平衡提供建議（來自百度百科）。從上面這段描述里面可以提煉出做智投產品的一個基本流程大致就是：

也就是說，一個完整的智能投顧產品應該是用戶和產品畫像是基礎，智能算法是核心，再平衡和用戶決策過程是關鍵。目前，券業的智能化應用場景大致分為以下幾大類：

智能選股：主要是多技術指標的選股，也支持回測
智能診股：主要是針對個股的“五碗面”
智能客服：包括機器人客服和人工在線客服等輔助工具
超級賬戶：針對用戶的持倉倉位、盈利走勢等情況的賬戶分析
智能策略：主要是在線人工策略（咨詢產品、換股建議）+機器人策略（支持用戶選擇策略創 ? 建組合模型，支持實盤半自動化交易）
大類配置：輸出大類資產配置方案，進行投后跟蹤管理

針對這些場景大家也有一些共識，就是類似于智能選股、智能診股、智能客服、超級賬戶這四個方面的智能應用（美其名曰四大頭）還算不上是智能投顧的范疇，僅僅是一種可視化應用工具，未來也應屬于券業app產品的標配，一方面是這些工具基本來源于第三方提供的技術支持，而且產品形態也比較成熟和穩定；另一方面就是這些工具高度依賴于外部的資訊和行情數據，并不能盤活券商內部的核心數據資源，做出一些差異化產品。

隨著券業互聯網的發展，券商在智能化的戰略方向上也出現了分層，中小型券商基本仍集中在努力的實現前面所謂的四大頭（智能選股、智能診股、智能客服和超級賬戶）場景上；而頭部券商則集中攻克后面的兩項應用場景：智能策略和大類配置，而這兩項內容也才能真正意義上被稱之為智能投顧產品。本文主要分析下大類配置和智能策略兩個方向的現狀，以及智能投顧發展中存在的問題。

大類配置：類iVatarGo們，畫像的精準匹配

長江證券的iVatarGo產品在智投領域的智能配置上具有很強的代表性。像iVatarGo這類智能投顧主要是通過分析客戶的投資行為數據、交易數據，形成用戶“畫像”，實現C端客戶的標簽化和B端資訊、金融產品、模擬組合產品、投顧的標簽化，為每位用戶提供精準的個性化投資資訊、理財產品以及投資顧問服務等，核心是標簽可視化過程。

要實現大類配置類的智投產品，一定要做的首要工作就是前端用戶和后端產品的畫像，其實就是充分盤活券商的內部數據。先看一組券商在實現畫像標簽化過程中的數據流：

數據提取范圍：所有正常交易客戶

時間范圍：5年

存儲數據量：86.7億條交易數據

提取大類指標：6類

建模計算量：1878.5億次/日

業務目標：識別客戶的投資偏好及投資能力

從上面來看，這類智投平臺跟做一款大數據產品是一樣的，無外乎流程都是從數據提?。瓟祿逑矗瓟祿鎯Γ崛〈箢愔笜耍亟M業務影響因子－數學建模計算－部署應用及模型評價。

清洗處理基礎數據

券商基本都是先提取全公司近幾年內的交易數據和部分行為數據，也就是說對結構化和非結構化數據都做了處理，但還沒有做到完全的實時自動化處理。目前券商用自己的數據來刻畫用戶畫像，主要使用的還是通道交易數據，也就是說真正意義上的用戶行為、消費、投資數據仍還未完全打通。在數據處理階段有兩大難點，一個難題就是數據清洗篩選有效數據，這會是耗時最長的工作。另外就是突發事件等實時的非結構化數據處理還有難度。

提取大類指標及因子

針對清洗后的基礎有效數據，然后提取大類指標，比如iVatarGo提取了投資總體特征、交易行為特征、投資風格、投資能力、投資策略、當前持倉特征等6大類。關于大類指標，每家都有不同的做法，但終歸還是要落地到基礎靜態指標（客戶基礎屬性，產品屬性、風險屬性、價值屬性等）和基礎動態指標（交易行為屬性、交互行為屬性等），然后篩選出這幾類基礎指標或者衍生指標去組建一個大類業務指標，比如用戶風險偏好，而每一個基礎指標有多個影響因子決定，也就是說指標體系的建設路徑是大類指標<-基礎指標<－影響因子。

開發業務應用場景

在做完大類指標的模型開發和評價后，就需要去做業務場景化。從業務應用場景來看，其實，iVatarGo類產品主要還是在做最核心的畫像精準匹配，也就是把C端的用戶畫像和B端的產品畫像進行關聯匹配，所以說iVatarGo類更應該叫一款推薦系統，仍還沒有去做大類資產配置的綜合投資方案，但它完成了邁向智投應用的最核心一步：用戶識別與分層匹配。

智能策略：類貝塔牛們，進擊的量化決策

廣發證券的貝塔牛產品在智能策略方向上也算是走在前列的，像貝塔牛這類智投產品主要是基于底層的選股模型和擇時模型，根據投資者的風險偏好、投資年限、資金規模等需求指標為客戶提供A股市場的策略建議，并根據市場信號向投資者推送操作策略。其核心是選股模型、擇時信號和組合再平衡過程。

對于用戶端的體驗流程基本就是：選策略-填需求-創建組合-接收買賣信號-一鍵跟單交易。通過讓用戶輸入擬投金額、選擇個人投資風格偏好及投資年限后創建一個投資組合；創建后，定期在交易日盤前推送初始化建倉建議，并在運行過程中持續推送包括買賣操作、倉位調整，買賣數量等買賣建議，用戶可以對該組合進行實盤一鍵跟單。

要實現智能策略類的智投產品，大家基本認為還是需要整合公司內的量化團隊資源，廣發的貝塔牛主要整合了廣發發展研究中心金融工程團隊的量化投資研究成果；平安的量化策略商城也是基于公司的量化團隊研究成果來做。

從上述來看，類似于貝塔牛這種智能策略產品需要充分融合量化投資決策過程，基于平臺提供的選股模型和擇時模型，用戶可根據自己的策略需求構建模型，然后跟蹤和再平衡模型追求α收益。如下所示：

選股模型

選股模型主要是負責篩選價值被低估的股票并形成候選股票池。當然，每家券商所用的選股模型也都不一樣，“貝塔?！彼褂玫倪x股模型為多因子模型，該模型對大量的個股風格數據進行跟蹤測試，篩選出盈利、股價反轉、換手率、市值以及估值等若干指標，并運用量化模型將指標進行有效整合，定期挑選綜合得分最高的股票組合，作為選股模型后的候選股票池。

在“貝塔?！逼脚_上主要提供了短線智能策略、綜合輪動策略、價值精選策略以及靈活反轉策略等四種類型的選股策略，用戶首先要選擇相應的選股策略構建自己的組合模型。其中，

短線智能策略：擅長波段操作、智能調倉換股，追求彈性收益。

綜合輪動策略：擅長風險控制，采用“相似性匹配”策略，每個月對行業板塊進行輪動篩選，該策略通 過觀察近期行業之間的漲跌順序，與歷史樣本進行相似性匹配，尋找“似曾相似”的樣本時期，并以隨后的強勢行業作為當前配置的依據。

價值精選策略：擅長藍籌精選，則將選股的范圍縮小至藍籌股，通過大數據策略選擇出各個行業內估值 最具優勢的個股，追求穩健收益。

靈活反轉策略：擅長布局抄底，則，篩選市值較低且具有相對超跌特征的個股，追求大幅反彈。

擇時模型

構建好自己的組合模型之后，就需要擇時模型發出買賣信號。因此，擇時模型主要就是負責控制倉位和輸出股票的買入賣出信號，而每家券商都有自己的一套經過實踐的擇時模型理論。比如“貝塔?！敝惺褂玫氖侵父鶕礼FTD（廣發Thomas Demark 模型）、LLT 等多個擇時模型所給出信號的多空占比情況確定當前的持倉倉位，并給出對應的買入或賣出信號。

策略執行流程

類似于“貝塔?！逼脚_的策略類產品主要的執行流程如下：

• step1：選股模型根據各策略提供的選股因子，對所有的個股進行打分，然后將得分較高的股票放入候選股票池。
• step2：用戶輸入擬投資金額等個性化參數后，組合構建模型則根據該參數從候選股票池中選取一定數量的個股構成一只股票組合。為了避免大量客戶操作過于集中，選股模型會采取一定的隨機化策略，使每個客戶生成的股票組合更具個性化。
• step3：擇時模型負責產生股票的買賣信號和倉位控制信號，提供合適的買賣時間點，并通過倉位控制信號控制組合計劃的風險。
• step4：組合再平衡模型則負責監控擇時模型產生的信號，配合客戶的組合計劃形成操作策略。這些操作策略會實時push到用戶的app或者微信等終端上，用戶可以進行“一鍵下單”功能批量處理操作策略，將組合復制到實盤賬戶。

從業務場景來看，類似于“貝塔?！逼脚_也還僅僅是單一的股票組合，對于財富管理下追求長期投資的大類資產配置方案也還很空缺。

還有幾個值得思考的問題

無論是券商、銀行還是其他金融機構，所有的產品最終都是為滿足用戶需求而落地的，但是金融不同于其他行業的最大問題就是，無法做到滿足用戶需求的完全匹配，因為用戶的需求就一個：賺錢，但是B端的券商、銀行也都無法做到100%的讓你賺錢。那么在這種情況下，只要穩賺不賠的前提不成立，開發者在資產配置尚不發達的國內往往對于人性的洞察就顯得更為重要，而不是算法。目前的智投類應用更應該去做的是如何做最大努力的滿足需求匹配？兩個方向：教育用戶決策和減少用戶決策，也就是大家說的“教我做”和“幫我做”。

1、教育用戶決策：這一點說的就是券商需要通過對用戶的全方位分析，讓用戶更加深入的認識自我投資能力，認知新的決策過程。比如iVatarGo的做法就是根據C端客戶的標簽，以標簽形式為每位客戶進行全方位的客戶畫像，通過前端友好的交互體驗展示給客戶。說到底也就是在C端提供更多的教育認知、決策工具和用戶畫像，讓用戶選擇更好的。

2、減少用戶決策：這一點說的就是券商通過對用戶和產品、服務進行分析，去做智能化的資產配置。比如貝塔牛的做法就是提供量化策略，幫助用戶組建候選股票池，讓用戶構建自己的組合模型。說到底也就是在B端提供更優的分析方法、決策算法、資產配置方法以及跟投服務，幫用戶選擇更好的。

其實，目前市面上所謂的智投類產品，都還是比較初級的概念版。從智投追求長期策略投資的終極目標來看，還需要解決下面這幾個難題：

問題1：一個就是標的產品不足的問題，智投應該追求的是收益風險平衡的長期策略投資，做大類資產配置，而這種策略下的交易標的嚴重不足，美帝的etf差不多1800，國內大概150+，基本是指數型etf，債券型和商品型etf較少，要實現對沖和分散風險有難度。

問題2：另一個就是之前說的算法，券商去做資產配置或者投資分析時，仍然可能還是以MPT、APT等量化投資理論為主流方法，但需要人工參與調參，很少使用深度學習等自學習的人工智能算法。

問題3：還有一個就是投后的管理跟蹤，也有很多智投產品聲稱去做持續跟蹤分析客戶資產狀況、投資行為，隨時調整標簽，力求在任何場景、任何時間都能提供最適合的服務和產品。當然，這些僅僅也還是在嘗試中，畢竟組合再平衡的后端決策算法在金融領域還比較基礎，機器學習基本為零。

智能投顧，其實最厲害的不是技術的實現，而是轉變和培養用戶從主動投資到被動策略投資的行為習慣，實現券商服務向“用戶分層、產品/服務分層”互聯網服務理念的轉變，能做到這一點已經邁向了智投最核心的方向：精準化服務。

最后一點，國內約70%的散戶大軍，投資習慣和理念對被動投資策略的智能投顧產品的認知，被教育，接受需要很長很長的時間，這條路還有很遠。

智能投顧這玩意兒說到底核心還是算法，本質還是屬于量化交易的范疇，本身仍需要依賴外部假設和市場環境，前面說過智投追求的應該是長期的策略投資，那么在長期的過程中出現虧損的情況下，如何在業務流程及體驗設計上，說服及教育用戶持續持有再平衡，其實很難，至少現在很難，難在人性的洞察。

有人說如何評價它是不是一款好的證券產品？能夠幫你活著度過熊市的產品，才是真的好產品。

作者：小平哥，證券互聯網產品狗，4年產品摸爬打滾經驗，微信公眾號：產品公園。

本文由 @小平哥 原創發布于人人都是產品經理。未經許可，禁止轉載。

題圖來自PEXELS，基于CC0協議