智能投顾一个文献综述Word文档格式.docx
- 文档编号:18271719
- 上传时间:2022-12-14
- 格式:DOCX
- 页数:6
- 大小:22.73KB
智能投顾一个文献综述Word文档格式.docx
《智能投顾一个文献综述Word文档格式.docx》由会员分享,可在线阅读,更多相关《智能投顾一个文献综述Word文档格式.docx(6页珍藏版)》请在冰豆网上搜索。
三、智能投顾的技术条件:
金融科技发展
金融科技(Fintech)是基于大数据、云计算、人工智能、区块链等先进技术,体现为金融+科技的融合与创新,主要的应用场景包括:
支付结算、财富管理、信贷支持、商业保险等金融领域。
金融科技的发展阶段主要有:
第一,金融IT阶段:
主要是指通过IT?
硬件的应用对办公业务进行电子化改造,从而提高金融效率。
金融IT阶段以ATM、POS机为主要代表性产品。
第二,互联网金融阶段:
通过互联网或移动端的在线平台集聚用户,对资产端、资金端等终端相互联通,撮合金融业务与金融信息的共享。
互联网金融阶段以互联网基金销售、移动支付为主要代表性业务。
第三,金融科技阶段:
通过大数据、云计算、人工智能、区块链等先进技术,解决传统金融的业务痛点,提升传统金融业务效率。
金融科技阶段以大数据征信、智能投顾为主要代表性应用场景(巴曙松和白海峰,2016)[21]。
(一)大数据技术发展
1.大数据特征。
主要体现在海量数据、实时处理、数据种类及来源渠道多样化的3V特征(LaneyDouglas,2001)[14]。
2.大数据价值链。
Gustafson和Fink(2013)[10]提出大数据价值链有数据获取、数据存储、数据分析及数据应用等4个环节构成。
3.大数据分析工具。
根据Varian(2014)[19],Jun等(2015)[13]等学者的相关研究整理,大数据分析工具包括了以下六类:
以Hadoop/MapReduce为代表的大数据分析平台、以HBase为代表的数据仓库、以Mahout为代表的数据挖掘、以HDFS为代表的文件系统、以Hive为代表的大数据搜索、以Sqoop为代表的数据聚合与传输。
4.大数据应用。
Tirunllai和Tellis(2014)[18]使用35万份的用户评论数据,并通过LDA模型进行市场营销领域的战略品牌分析。
Varian(2014)[19]使用2380个观察样本数据并运用HMDA数据树技术进行计量经济学方面的实证研究。
Jun等(2015)[13]使用1989年~2006年的欧洲大数据技术专利数据,通过文本挖掘及社会网络分析技术进行评估分析。
(二)云计算技术发展
1.云计算内涵。
云计算是一种并行的、分布式的系统,由可以调用的虚拟化资源池组成,服务提供商能够依据事先约定的服务层级协议(ServiceLevelAgrement,SLA)动态地向用户提供相关服务(Buyya,2009)[6]。
2.云计算关键技术。
云计算关键技术包括数据存储及管理技术(Ghemawat等,2003)[10]、数据分析及处理技术(Dean和Ghemawat,2008)[9]、云安全技术(Takabi等,2010)[17]等。
3.云计算服务模式。
Iyer和Henderson(2010)[12]归纳云计算服务模式包括以下4种:
面向所有个人及企业用户的公共云、面向某个特定企业获组织的私有云、面向某个特定团体的团体云、以及提供上述两种以上云服务的混合云。
(三)人工智能技术发展
1.人工智能特征。
主要体现在,芯片是人工智能的“本体”,为其提供持续运作的计算能力;
算法是人工智能的“大脑”,实现人类学习与思考等功能;
数据是人工智能的“灵魂”,人工智能的实现离不开数据驱动(邢桂伟,2017)[34]。
2.人工智能算法。
主要包括了决策树算法(Breiman等,1984)[4]、随机森林算法(Breiman,2001)[5]、SVM算法(Cortes等,1995)[7]、Boosting算法(Dieterich,2000)[8]、Baggin算法(Breiman,1996)[3]、关联规则算法(Agrawal等,1993)[1]、EM算法(Dempster,1997)[16]等。
3.人工智能在金融中的应用。
人工智能+金融的化学反应,重构了金融服务生态(吕晶晶,2017)[27]。
人工智能有助于提供标准化、智能化、模型化的金融服务,例如决策、预警,并且有助于防范系统性金融风险(程东亮,2016)[22]。
人工智能在金融中的应用场景十分丰富,包括了金融预测、反欺诈、融资授信决策、智能投顾、语音识别、人像监控预警等(杨涛,2016)[31]。
四、智能投顾的应用性研究
在现代投资组合理论模型、金融科技等基础性研究成果的指引下,智能投顾的应用性研究成果逐渐增多,主要体现在:
(一)智能投顾的应用前景
智能投顾具有普遍乐观的应用前景。
根据美国花旗银行于2015年9月发布的研究报告预计,未来机器人投顾的资产管理规模将出现指数级爆发增长,可达5万亿美元的资产规模。
根据科尔尼资讯公司预测,未来5年机器人投顾的资产管理规模年增长率可达68%,逼近2.2万亿美元(徐慧中,2016)[30]。
同时,智能投顾为中国投资市场提供了新的机遇:
一是能够满足国内不断增加的中产阶级理财需求;
二是智能投顾有助于提高日渐走低的无风险收益率;
三是股灾过后,国内投资市场急切需要能够分散资产风险的产品及服务(潘芳,2017)[28]。
岳磊(2017)[33]认为未来“智能投顾+养老金”模式的应用前景巨大,从养老金制度改革和未来发展方向来看,智能投顾的发展空间广阔。
同时,智能投顾助推个人?
B老金账户透明化管理,从而实现低成本投资、长期投资。
卢晓明(2017)[26]指出智能投顾的重要贡献在于,通过金融科技扩大了金融服务范围,减少了金融服务成本,使得大量中产阶级“长尾”用户可以享受低成本高品质的金融理财服务。
(二)智能投顾的应用场景
冯永昌、孙冬萌(2017)[23]智能投顾可以应用于智能资讯场景、智能分析场景、智能配置场景、智能投资场景及智能陪伴场景等5种应用场景。
其中,智能资讯场景:
通过数据展示、智能标注、智能推荐等数字化形式,提供智能化资讯应用场景。
智能分析场景:
通过对用户投资行为的大数据分析,提供个性化分析建议。
智能配置场景:
依据投资者的风险承受能力、风险偏好及目标收益等情况,提供个性化的金融资产配置建议。
智能交易场景:
是指在智能分析及智能配置的基础上,由系统自动完成交易的一种模式。
智能陪伴场景:
通过大数据分析,洞察投资者偏好及需求,采取伴随投资者左右的方式,即时回答投资者提出的各类问题。
(三)智能投顾的应用风险
智能投顾的应用风险主要包括:
第一,技术风险:
例如遭遇病毒感染、黑客破坏、网络崩溃、交易延迟等技术风险(巴曙松和白海峰,2016)[21]。
第二,市场风险:
中小投资者偏好短线操作,注重金融工具带来的短期收益;
然而智能投顾体现的是长期收益,这与中小投资者的投资偏好相矛盾(李晴,2017)[24]。
第三,信用风险:
由于p2p乱象产生一批互联网圈钱企业,使得中国大多数投资者对于互联网理财缺乏信任(乔智迪,2017)[29]。
第四,操作风险:
由于采用人工智能代理交易,造成证券投资账户的实际控制人发生变化,使得如何认定证券投资账户的实际控制人存在操作困难(徐慧中,2016)[30];
第五,合规风险:
一是投资咨询机构提供智能投顾服务的合法性;
二是提供智能投顾服务主体的合法性;
三是智能投顾的业务发展受到了外汇管制约束;
四是智能投顾基金违规(于文菊,2017)[32]。
针对智能投顾的应用风险防范,许亚岚(2016)[35]指出发展好智能投顾的关键在于,向客户提供的有效投资策略,既是个性化、智能化,又能同时符合的规范化监管要求。
(四)智能投顾的应用效果评估
在智能投顾的应用效果评估方面,六道道(2017)[25]运用奇点指数组合管理系统,使用最近6个月的数据对弥财、钱景、摩羯智投、理财魔方等主流智能投顾的投资组合业绩进行实证分析,结果表明优秀的智能投顾可以通过量化投资的方法,将投资风险分散化,实现年化6%~8%的理财产品组合收益,要高于大多数银行理财产品4%左右的预期收益率。
五、主要结论与展望
智能投顾的技术理论和应用实践方面都取得可喜的研究进展,主要体现在以下三个方面:
第一、以Markowitz均值-方差理论为基础模型的现代投资组合理论(MPT),构成智能投顾的理论基础。
第二、大数据、云计算、人工智能等金融科技的创新发展,为智能投顾提供了良好的技术条件。
第三、智能投顾获得了较广泛的应用,未来前景看好。
然而,就目前的文献来看,至少还有以下两方面值得我们进一步开展研究。
一方面,在理论研究内容上,忽略了对智能投顾模型框架的总体设计,尤其是缺乏对智能投顾全面技术理论框架和技术实现路径的探讨。
另一方面,在应用实践上,表现为应用深度研究不足:
目前更多地把智能投顾仅仅作为一种理财工具或平台使用;
而忽略了对智能投顾一整套服务体系的设计,以及智能投顾服务人员团队配套机制的研究。
?
⒖嘉南?
[1]AgrawalR,ImidinskiT,SwamiA.Miningassociationrulesbetweensetsofitemsinlargedatabases[A].ProcofACMSIGMODConfonManagementofData[C].Washington,1993.pp207-216.
[2]BlackF,LittermanR.Globalportfoliooptimization[J].FinancialAnalystsJournal.1992.
[3]Breiman,L.,BagingPredictors[J].MachineLearning,1996,24
(2):
123-140.
[4]BreimanL.,Friedman,J.,Olshen,R.,andStone,C.ClasificationandRegressionTres[M].Wadsworth,1984.
[5]BreimanL.Randomforests[J].MachineLearning,2001,45
(1):
5-32.
[6]BuyyaR,YeoCS,VenugopalS.Market-orientedcloudcomputing:
Vision,hype,andrealityfordeliveringitservicesascomputingutilities[C]∥Procedingsofthe20099thIEEE/ACMInternationalSymposiumonClusterComputingandtheGrid.2009.
[7]Cortes,C.,Vapnik,V.M.SuportVectorNetworks[J].MachineLearning,1995,20:
273-297.
[8]Dieterich,T.G.AnExperimentalComparisonofThreeMethodsforConstructingEnsemblesofDecisionTrees:
Baging,Bosting,andRandomization[J].MachineLeanring,2000,40:
139-157.
[9]DeanJ,GhemawatS.MapReduce:
simplifieddataprocessingonlargeclusters[J].CommunicationsoftheACM,2008,51
(1):
107-113.
[10]GhemawatS,GobioffH,LeungS.TheGooglefilesystem[C]//SOSP’03ProceedingsofthenineteenthACMsymposiumonOperatingsystemsprinciples.NewYork,USA:
ACM,2003:
29-43.
[11]GustafsonT,FinkD.Winningwithinthedatavaluechain[J].Strategy&
InnovationNewsletter,2013,11
(2):
7-13.
[12]IyerBandHendersonJC.Preparingforthefuture:
Understandingthesevencapabilitiesofcloudcomputing[J].MISQuarterlyExecutive,2010,9
(2):
117-131.
[13]JUNS,PARKS,JANGD.Atechnologyvaluationmodelusingquantitativepatentanalysis:
acasestudyoftechnologytransferinbigdatamarketing[J].EmergingMarketsFinance&
Trade,2015,51:
963-974.
[14]LaneyDouglas.3Ddatamanagement:
Controllingdatavolume,velocityandvariety[J].METAGroupResearchNote,2001.
[15]MarkowitzH.M.PortfolioSelection[J].JournalofFinance,1952(7).
[16]P.Dempster,N.M.LairdAandD.B.Rubin.MaximunLikelihoodFromIncompleteDataViatheEMAlgorlthm[J].RoyalStat.Soc.1997,39
(1):
1-38.
[17]TakabiH,JoshiJBD,AhnG.SecurityandPrivacyChallengesinCloudComputingEnvironments[J].IEEEComputerSociety,2010,8(6):
24-31.
[18]TirunllaiS,TELLISGJ.Miningmarketingmeaningfromonlinechatter:
strategicbrandanalysisofbigdatausinglatentdirichletallocation[J].JournalofMarketingResearch,2014(8):
463-479. [19]VarianH.R.Bigdata:
newtricksforeconometrics[J].JournalofEconomicPerspectives,2014,28
(2):
3-28.
[20]WingCheung.TransparentAugmentedBlack-LittermanAllocation:
SimpleandUnifiedFrameworkforStrategyCombination,FactorMimicking,Hedging,andStock-SpecificAlphas[J].SocialScienceElectronicPublishing.2009.
[21]巴曙松,白海峰.金融科技的发展历程与核心技术应用场景探索[J].清华金融评论,2016,(11).
[22]程东亮.人工智能在金融领域应用现状及安全风险探析[J].金融科技时代,2016(9).
[23]冯永昌,孙冬萌.智能投顾行业机遇与挑战并存(上)[J].金融科技时代,2017(6).
[24]李晴.智能投顾的风险分析及法律规制路径[J].南方金融,2017(4).
[25]六道道.奇点指数2016热门智能投顾产品测评报告[OL].http:
//2017年1月6日.
[26]卢晓明.智能投顾:
“混沌”中看未来[J].金融博览(财富),2017
(2).
[27]吕晶晶.人工智能,重构金融服务生态[J].金融博览(财富),2017
(2).
[28]潘芳.智能投顾:
金融与科技的时代融合[J].中国金融电脑,2017(6).
[29]乔智迪.对智能投顾在中国发展困境的反思――以理财魔方为例[J].金融经济,2017(14).
[30]徐慧中.我国智能投顾的监管难点及对策[J].金融发展研究,2016(7).
[31]杨涛.对人工智能在金融领域应用的思考[J].国际金融,2016(12).
[32]于文菊.我国智能投顾的发展现状及其法律监管[J].海南金融,2017(6).
[33]岳磊.智能投?
+养老金,应用前景巨大[J].金融博览(财富),2017(7).
[34]邢桂伟.人工智能,金融数字化新方向[J].中国金融电脑,2017(5).
[35]许亚岚.智能投顾:
新金融的下一战场[J].经济,2016(32).
基金项目:
本文获中国博士后科学基金项目第62批面上资助“基于金融科技的智能投顾模型设计及应用”(项目编号:
2017M621329)。
作者简介:
赖庆晟(1981-),男,复旦大学与国泰君安证券股份有限公司联合培养博士后,经济师职称,经济学博士,研究方向:
智能投顾。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 智能 一个 文献 综述