www.381111.com

晋商银行:智能投顾项目

时间:2021-09-14 06:52  作者:admin  来源:未知   查看:  
内容摘要:近年来,人工智能在金融领域的应用不断深化,金融科技的市场规模也在不断增加,受到互联网理财的冲击以及资管新规等一系列监管政策的出台,各大银行也在不断加速金融科技建设。 在此背景下,我行推出智能投顾,积极顺应时代,改变思路,以寻求零售业务的转型

  近年来,人工智能在金融领域的应用不断深化,金融科技的市场规模也在不断增加,受到互联网理财的冲击以及资管新规等一系列监管政策的出台,各大银行也在不断加速金融科技建设。

  在此背景下,我行推出“智能投顾”,积极顺应时代,改变思路,以寻求零售业务的转型发展。晋商银行智能投顾运用了人工智能机器学习算法,严格按照银保监会规定的C1-C5五个风险级别,推出五个相应风险级别的公募基金投资组合,其主要标的为我行代销的公募基金产品。

  首先,互联网理财市场经历了几年的快速发展,理财产品日益增多,用户体验持续提升,网民在线理财的习惯已经初步养成,互联网理财用户规模增长迅速,在中国网民中的渗透率也逐步提升。据中国互联网络发展状况统计调查结果显示,截至2019年6月,我国互联网理财用户规模达1.70亿,较2018年底增长1835万,占网民整体的19.9%。因此,未来在线上理财的用户群体会越来越多,所以在银行角度来看,加强手机银行、直销银行APP理财建设是重点方向。

  此外,在监管政策层面,近两年也陆续出台了相关文件,对银行理财市场未来方向做了指导。资管新规的颁发,也在尝试打破二十年来老百姓对银行理财就是无风险的观念。净值化转型迫在眉睫,而如何在确保增加客户粘性的前提下寻找合适的理财替代品也是我行考虑的重要问题之一,公募基金在当下来看是比较好的取代品。从技术和理念的角度来看,智能投顾已经催生出了新的金融产品和模式,正在逐步进入银行投资管理业务中,为银行在显性利差收入逐步下滑的情况下,指出了新零售转型的发展道路。

  在互联网和同业激烈的竞争下,如何拓展客户,如何更好的服务好客户,是我们一直以来面临的难点。除了高净值客户,普通老百姓的理财需求也很强,银行传统服务由于专业人员数量的限制以及理财服务的资金门槛,对资产较低的客户没有办法提供一对一的资产配置服务,而中小净值客户群体恰恰是基数数量最大的客户群体,随着刚性兑付的打破和国内金融市场的不断发展,老百姓将来会接触各种各样的基金产品是大势所趋。专业的人做专业的事,让老百姓在投资理财上真正的享受到普惠金融,也是“晋商银行智能投顾”上线的希冀之一。

  晋商银行智能投顾项目主要涉及行内的银行支付系统、智投交易系统、智能投顾核心系统、第三方代销系统,前端、后端和智能投顾核心系统的对接都采用标准的API接口。具体架构如下图所示:

  直销银行接入智投交易系统,客户信息、客户画像数据输入到智能投顾核心系统之后,返回匹配客户风险等级的智投组合到智投交易系统,再向银行对接的第三方代销系统发送基金的交易指令。客户下单时,由智投交易系统将下单请求发送至第三方代销系统,由第三方代销系统再与各基金公司完成订单确认,在下单的这一过程,银行的支付系统则通过智投交易系统来与第三方代销系统交互。

  智投交易系统,包含APP的客户端和服务端,服务端部署在行里,客户端则安装在客户手机上。

  智能投顾核心系统,主要是负责客户画像、智能投顾模型、基金评测、调仓策略、风险监控等工作,与智投交易系统交互来进行智投组合跟踪调仓的输出。

  从功能模块上来看,智能投顾系统主要由两大块构成,第一是直销银行APP,第二是平台管理系统,具体如下图所示:

  C. 资产画像:市场中资产的信息展示,包括资产级别信息,资产统计、计算信息和资产评级信息;

  F. 资产配置组合:为用户提供资产配置组合的信息跟踪功能,可以查询配置信息,收益情况,指标分析等情况。

  C. 客户管理:提供对终端客户的管理功能,包括信息查询、注册、通知、客服等;

  D. 资产管理:为后台用户提供对于资产的管理,包括基本信息,指标信息,评级信息及智能配置参数调整功能;

  E. 监控管理:为后台用户提供市场风险、持仓偏离等预警信息的管理和设置;

  F. 客户分析报告:为后台用户提供对于脱敏客户的业务统计分析功能,包括持仓、收益、风险等。

  晋商银行智能投顾的核心技术主要分为两方面,一方面是模型策略,另一方面是数据治理工作。

  首先我们的核心在于资产配置模型,我们采用的并不是市场常用的均值方差模型,而是经过修正后的BL模型。它相比于均值方差模型会加入一个主观观点输入,也就是对未来资产走势的判断。这个判断我们是基于量化模型去做的,在量化模型里有收集市场的数据,包括宏观的、基本面的、量价的、舆情的,我们采用深度学习的方式去产生因子进行量化预测,得到的观点输入到我们的模型里,再结合大类资产里的风格轮动模型,我们可以得到一个智能资产配置模型,这个是我们认为的贝塔,也就是能有效的抓住市场的波动。

  第二点就是智能基金评测体系,是我们认为的阿尔法。因为中国是一个典型的散户市场,所以从多年的数据对比来看的话,专业的投资者也就是公募基金是能明显地获得阿尔法,所以这也是我们主要的收益来源之一。最后贝塔和阿尔法相结合能够得到稳健收益。

  从大类配置角度讲,传统智能投顾算法在资产配置上采用的是类似马科维茨均值方差模型,在参数输入方面主要采用人工主观参数修正的方式实现大类配置结果的,这种模式存在如下几个致命的缺点:

  第一:无论是主观估计还是客观模型预测,未来的资产的收益期望是无法被准确估计的,用预期收益作为输入参数会大大增加模型结果的不确定性;

  第二:配置的业绩结果很大程度上受到人的主观观点的影响,很大情况依赖决策者的投资管理水平,且受其情绪、状态、绩效以及于市场契合程度的影响,存在相对大的不确定性;

  第三:在风控方面考量的比较少,多数采用人工风控的方法,存在两个问题,一个是不准确,第二是滞后性。

  第一:对传统Black-Litterman[ Black-Litterman模型是资产配置模型的一种,由高盛的 Fischer Black 和 Robert Litterman于1992年提出,是基于金融行业对马科维兹均值方差模型数十年的研究和应用的基础上的优化。]模型进行修改,用资产的历史收益风险特征,结合量化择时模型输出观点进行资产配置,修正后的Black-Litterman模型的输入不再是对未来涨跌幅度的预期,而是输入一个对未来上涨的概率预期(概率比涨幅预测更有意义,从逻辑上和历史经验看是可行的,而且可以和机器学习算法输出结果进行完美的对接);

  第二:采用量化模型代替主观观点,这样能规避人的情绪以及偏见的影响,客观的分析市场;

  第三:资产配置、标的挑选、风险控制等模型全为纯自动化的。采用量化模型去判断风险的有效性比人工主观风控要强很多,是坚决执行规则的风控。

  晋商银行智能投顾资产配置模型需要的关键输入是对未来资产涨跌的概率估计,如A股下个季度上涨的概率是多少,该参数是由我行采用人工智能算法开发的量化投资模型给出的,具体该流程如图4所示。对市场公开数据(如行情数据、估值数据、宏观数据等)进行收集处理,进行特征提取,从众多因子中找出与未来资产长期涨跌相关的因子数据,纳入因子库;对资产行情数据进行分析,多维度解析生成数据标签,构建标签库;采用自主开发的SigmaLearning[ Sigma learning,是我行自主开发的机器学习系统,自主命名为Sigma learning。]机器学习系统进行模型构建、融合;通过时序交叉验证算法排除过拟合风险。模型开发完毕确定后需要进行至少半年的实盘业绩跟踪,确定模型的盈利性与稳定性。

  其中SimaLearning机器学习平台是我行一大核心建模利器。该平台是我行近五年量化研究以及数据挖掘的经验的汇总,包含数十种我行自主开发的机器学习算法模型,是一套专门针对信噪比极高的金融数据的数据挖掘算法。从资产配置角度来说,金融数据存在以下特点:

  第二:资产的涨跌所相关因素很复杂,理论值和实际涨跌并非一一对应,属于有错误样本标签数据集;

  根据以上多种因素,传统的基于大数据的机器学习算法是不适用于量化策略开发的,如图5所示,传统算法如决策树、XGboost、SVM[ 图5中的九张处理结果,第一张图表示真实的情况

  红色圈部分表示我们想要找到的有效区域,第二张图是我们自主研发的sigma learning机器学习模型处理的结果,其他是各种机器学习模型如 XGboost树可扩展模型、SVM支持向量模型、DecisionTree决策树、BP神经网络等处理的结果,他们都属于人工智能机器学习领域的算法。从处理结果上可以看到,相对于其他传统机器学习模型,我们的sigma learning能够精准识别出有效区域并剔除其他噪音。]、神经网络在大噪音的数据上表现是相当差的。

  图5 相对传统机器学习模型-Sigmaleaning系统在处理高噪音数据集性能表现亮眼

  SimaLearning机器学习系统针对金融数据的特点在算法上进行了很大的改进:

  第一:注重模型算法的巧妙设计,注重样本特征提取,注重与金融假设的结合,充分利用样本信息,挖掘直接相关逻辑规律,尽可能降低模型复杂程度,缓解数据集大N小T的负面影响;

  第二:构建弱监督学习框架,对单一样本偏离度惩罚力度低,更注重数据群的聚合属性,避免错误标记数据的影响;

  在基金选择层面,目前大多数智投缺乏相关研究,其推荐产品时大概率会采用市面上的评级体系,或者自己开发一套类似的评级体系,或者直接使用被动指数基金。国内的评级属于事后评级,是对基金历史业绩的客观评价,对未来的业绩的预测作用是非常少的,用于基金推荐获取alpha收益从逻辑和实践结果来看是行不通的。被动指数型基金有费用优势,但是中国的市场属于非有效市场,主动型基金指数在扣费后的业绩是远远超过业绩基准的,采用被动指数基金放弃alpha收益是不明智的。

  晋商银行智能投顾采用多因子加动态权重优化的算法构建基金评分体系,从多个维度(管理人特征、基金经理特征、持仓特征、市场状态、基金业绩分析)构建基金特征因子,并用机器学习算法,挖掘基金因子和未来收益排名的关系,构建有预测作用的基金评分体系。下图为晋商银行智能投顾产品高评分组合历史表现状况,从业绩上看是远远好于同类型基金。

  此外,传统智能投顾所采用自上而下的配置体系,确定大类配置后选择相应的基金完成配置,但是忽略了因子的敞口以及alpha的风险。比如传统智能投顾根据大类资产作配置标的,假设需要配置80%的股票资产,然后选择80%的股票型或者混合偏股的基金进行配置,假设基金的股票资产敞口只有60%,那么最终组合在股票因子上的敞口暴露仅仅48%,并没有达到开始的设定目标。晋商银行智能投顾则采用规划求解的技术,把因子匹配作为约束,进行基金配置,从而实现因子的精准匹配。此外规划求解技术还可以实现alpha风险规划、基金投资数量的控制、费率的考量等种种功能,实现精准、定量。

  晋商银行智能投顾系统,区别于传统软件,而是以数据驱动的软件系统,对于系统中的客户信息,资产信息、资产配置组合,风险、指标等信息完全采取数字量化的方式。

  同时,对于客户信息和市场中的资产信息等这些原始信息都需要大量的分析统计工作,所以首先就要做数据工作,然后再做数据治理的工作,定义数据标准,数据质量标准,数据清洗标准等形成数据字典,处理和检验后的数据才能变成量化的用户画像、资产画像、评级指标、风险指标等信息进行后期使用。

  在前期基础数据准备完毕后,将用户画像、资产画像、评级指标、风险指标、持仓信息等数据输入智能投顾模型算法计算器中,根据用户偏好,期限、金额的个性化信息最终使得客户匹配到对应的风险级别组合。

  在用户申购之后,系统会持续监控用户持仓,结合实时的资产信息,市场信息,根据智能投顾模型算法中的调仓策略为用户及时发出可能的调仓策略通知,规避风险、提高收益。

  市场一直在变,我行也密切关注市场中的信息,及时收集,同时我行一直在进行金融研究和数据研发工作,优化智能投顾算法,调整投顾参数。

  智能投顾为投资者开设单独的智能投顾账户,向投资者单独展示智投资产的持仓和收益情况。在交易过程中,明确交易流程,并向投资者披露智能投顾组合产品中基金的申赎规则,披露基金的募集信息、资金投向、持仓比例、收益分配、托管安排和主要投资风险,包括历史净值、累计净值、基金概况、基金经理、基金管理公司、基金公告、基金持仓占比等信息。整个交易过程会详细提示投资者的申购、赎回和调仓等交易动作,客户端会向投资者提供交易记录展示以及交易明细等信息。香港曾神算特马。后台管理平台会提供订单管理功能。

  在智能投顾产品投前和投中都有做必要和明确的风险提示。投前进行风险评测,向客户推荐风险匹配的投资组合产品。同时也为客户提供相关售后服务。根据基金产品的运作情况并结合市场的变化,为客户提供动态的基金组合配置调整建议,在客户同意并认可后,可进行动态的基金投资组合调整。

  在产品层面,公募基金组合销售的模式近年来不断在银行业推广开来,智能投顾也被视为一种新的产品形式逐步进入大众的眼睛。然而各家的智能投顾也不尽相同,晋商银行智能投顾项目的主要创新点有以下几点:

  1、在配置模型算法上,晋商银行智能投顾项目应用了人工智能的技术,在BL模型的基础上加入量化投资模型和风格轮动模型,进行了大量的优化,力保客户投资组合持续获得超额收益。

  2、在基金筛选上,不同于市面上常用的事后评级,我行自创的基金评测体系采用量化选股的方式去量化选基金,通过对管理人、基金经理、产品三大维度进行分析,从160个因子中挑选共性因子,整体评估基金综合能力,确保基金优中选优。

  3、在风控层面,区别于其他智投的人工风控,晋商银行智能投顾内置独立智能风控管理,基于客户投资偏好、结合智能舆情监测,进行风险预警,给予处理建议 ,并进行风险跟踪。

  4、在调仓过程中,量化调仓路径,基金交易中,手续费成本是一个非常大的问题,大部分的智能投顾的调仓模式都是全部买入全部卖出,增加了投资者的交易成本。晋智投采用蒙特卡洛树搜索的算法,对每个时点是否调仓作出模拟,综合考虑调仓的风险、收益与费用,并采取反向传播算法求得最优解,作出是否调仓以及调仓详情的决策。

  整套智能投顾体系,核心系统自动运算,投前分析、匹配,投中自动生成调仓组合指令,投后组合分析报告,一应俱全,全智能化自动运行,无需人工干预。

  把项目的生命周期分为六个阶段:概念阶段、计划阶段、开发阶段、验证阶段、发布阶段、收尾阶段,在这六个阶段中我们的PMO和技术委员会制定了严格管理流程和技术规范,以管理规范作为项目开发过程的基础。在我行执行管理规范以来已经取得了良好的成果,整个项目的周期得以监控,可以随时查阅项目的各项纪录:有计划、有执行、有评审。使项目有了完整的、可监控的、有质量保证的、有目的的管理支持。

  2019年2月,我行智能投顾项目上线,通过一个多月的内部试运行,前后台系统及清算对账等均正常处理,4月8日起正式对客户开放服务,系统运行稳定,未出现重大系统应用故障。产品上线后,根据产品设计规则及基金市场行情,智投组合产品共经过几次调仓,目前五个组合的产品收益均优于市场同类产品。

  产品上线后,我行通过行内行外媒介,积极进行产品推广,对于产品的宣传推广起到了极大的作用。同时,也针对存量客户进行针对性营销,将金融科技赋能后的金融产品,带入老百姓的视野,区别于传统投顾投资门槛高、费用高、主要提供给高净值人群。晋智投降低了投资门槛,当前组合1000元起投。根据客户风险测评问卷反馈的信息进行风险偏好判断,通过计算机后台算法计算出满足条件的投资组合,实现资产配置。本质上节约了人力成本,且可以更高效、便捷的为中低净值客户提供投资服务。

  将新兴金融科技应用到产品研发创新、客户体验提升中,为客户提供基金投资新体验。用金融科技做智慧金融,持续为广大客户提供更好的金融服务体验,智能投顾受到了广大投资者的一致好评。

  我行自2019年4月份起,将智能投顾系统应用于网络金融部,在直销银行APP上线“晋智投”,我们推出的五个风险等级的公募基金投资组合,经历数次行情的急剧变化,尤其在今年国际金融市场剧烈动荡的行情下,均实现了正收益。

  由图8可以清楚看到晋智投各个风险组合的业绩和指标详情,实盘总收益从保守1号到激进1号呈升序状态,这也侧面体现了晋智投严格按照银保监会风险等级判定标准来配置组合;其中,激进1号的收益更是达到了37.08%,而同期上证指数的收益为4.38%,超额收益达32.70%之多。

  从表1可知,晋智投组合年化收益分布在5%到40%区间,并且夏普率也非常高,不仅展现了晋智投优秀的投资能力和风险控制能力,也体现了晋商银行智能投顾真正的价值:将人工智能技术赋予金融,让老百姓真正享受到金融科技的好处。

  在本项目的建设中,为确保本项目顺利开展及实施,我行分别制定了项目资源保障,项目建设质量保障,及项目进度保障方案及措施。在整个项目建设,从智能投顾项目通过公开选型、交流,于2018年10月正式邀请招标,11月初项目正式启动,12月底智道公司人员进场开始与直销银行联调开发,经过各一个月的开发及业务测试,系统于2019年2月22日上线,通过一个多月的内部试运行,前后台系统及清算对账等均正常处理,4月8日起正式对客户开放服务。

  项目开发过程中,我们在保障后台系统开发的同时,注重客户前端体验,在前端APP中,从产品的展示到页面的设计,都经过反复修改,重在满足互联网客户需求的同时,提升客户的使用体验及满意度。对于基金产品的介绍、申赎费率、基金产品的信息以及风险提示,都做到明确提示。在保障合规销售的前提下,提升互联网客户的体验度,满足互联网客户的不同的金融产品需求。

  我国居民资产投资逐渐向金融资产转移,目前中国金融资产市场人群存在对于理财顾问的潜在需求。相对传统投顾,智能投顾的优势非常明显。一是投资门槛低;二是风控更严;三是操盘客观。智能投顾摈弃了传统理财顾问出于自身利益对客户施加的影响,以及投资者人性方面的弱点,并且尽可能减少其在决策时受周边事物影响而造成的情绪波动,从而保证了投资的客观性。

  随着国内中产阶级的继续崛起,个人投资者日趋成熟,以及随着大数据、云计算、人工智能、区块链等技术创新应用于财富管理等领域,普惠金融得到发展,普通投资者有机会获得更多的金融服务,对理财建议的需求加大,我行智能投顾的上线后,不仅为投资者提供了更加全面的投资选择,而且业绩较市场同类型智能投顾项目优异,为投资人带来了更好的投资体验。晋商银行积极践行服务城镇居民、服务互联网客户的承诺,践行普惠金融理念,用金融科技做智慧金融,持续为广大客户提供更好的金融服务体验。

  本文完整版在金融业数字化创新知识服务平台 - 金科创新社案例库栏目。返回搜狐,查看更多



Copyright © 2002-2011 DEDECMS. 织梦科技 版权所有 Power by DedeCms