人工智能促进财富管理高质量发展

文/杨望 李睿凯 徐慧琳 编辑/白琳

财富管理行业既需要持续深化“以客户为中心”的智能投资管理服务理念，也需要吸收国外人工智能财富管理实践经验，发挥好人工智能的技术优势，促进我国财富管理行业的高质量发展。

中央金融工作会议强调，以推进金融高质量发展为主题，不断满足经济社会发展和人民群众日益增长的金融需求。财富管理作为新时代现代化金融服务的重要组成部分，如何利用好以生成式预训练模型（GPT）为代表的人工智能（AI）技术，针对性地解决目前传统财富管理和投资顾问存在的一些问题，更好地促进财富管理的高质量发展，已成为当下行业的重要课题之一。从全球来看，2023年11月，人工智能企业OpenAI举行首届开发者大会“OpenAI DevDay”，将应用程序接口（API）价格下调了三分之二，用户可打造自己的GPT，并分享到GPT应用商店（GPT Store）。这预示着通用人工智能（AGI）领域的“苹果（iPhone）时刻”来临，这将引领国际财富管理行业新一轮的技术变革。

人工智能促进财富管理高质量发展的基本逻辑

人工智能拥有强大的数据收集和计算处理能力，其技术优势将为财富管理领域带来针对性的解决思路。笔者认为，人工智能技术可以在缓解信息不对称问题、提升资产配置效能和强化风险控制能力三个方面促进财富管理行业的高质量发展。

缓解信息不对称问题

财富管理业务有着庞大的客户基础。根据招商银行私人财富报告的统计，中国居民个人持有的可投资资产规模从2013年的92万亿元增长到2022年的278万亿元（见图1）。金融资产中非存款类金融资产配置占比逐步提升，近几年稳定在50%上下（见图2），但与发达国家相比，储蓄比例仍然偏高。可见，国内财富管理市场有着巨大的发展潜力。

图1 中国居民个人持有的可投资资产规模

图2 中国居民金融资产配置

虽然财富管理的市场潜力巨大，客户基础庞大，但存在信息不对称的问题，这种信息不对称是客户需求跟财富管理产品之间的信息不对称。不同的客户有着不同的财富管理需求，他们期望基于自身需求得到全面、契合的投资策略。而传统财富管理机构受限于数据采集、处理能力不足的局限性，难以充分了解客户并量化客户需求，提供的财富管理产品同质化严重，产品缺乏创新和差异化，无法有效地满足客户个性化的投资需求。

人工智能技术有着强大的大数据分析能力和丰富的标签体系，可以精准构建客户标签，以此勾勒客户信息画像，根据千人千面的客户需求画像为客户提供精细化、个性化的财富管理产品，从而解决客户需求跟财富管理产品之间的信息不对称问题。具体来说，人工智能可以梳理海量客户的资金流向，研判客户行为和投资偏好，通过在医疗健康、教育投资、衣食住行等方面跟踪资金流向，来挖掘客户在养老、教育、购房、购车、旅游等特定目标场景的投资需求，以此提高财富管理产品的销售精准度，取得客户的长期信任和依赖。

提升资产配置效能

传统财富管理业务采用的资产配置策略主要有均值-方差模型和布莱克-李特曼（Black-Litterman）模型。均值-方差模型使用历史收益和历史方差分别度量投资中的收益和风险，然后优化方程使得收益最大化和风险最小化，以此获得最优投资组合；而Black-Litterman模型则在均值-方差模型的基础上引入了主观预期收益。后来有不少学者采用自回归移动平均（ARIMA）、广义自回归条件异方差（GARCH）等计量方法对投资组合模型中的收益和方差的预测进行优化，但这些模型的预测跟实际情况相比都存在一些误差，最终影响了资产配置的效能。

人工智能的发展为资产配置的构建带来了新的技术手段。在人工智能发展初期，随机森林、支持向量机等机器学习模型被应用于收益与方差的预测和投资组合模型的构建。随着人工智能的不断发展，卷积神经网络（CNN）、长短期记忆神经网络（LSTM）等深度学习算法相较于传统机器学习有了显著优势。一方面，当数据量越大时，深度学习相较于传统机器学习有着更优异的性能表现；另一方面，深度学习的特征学习取代了传统机器学习的特征工程，与人工规则构造特征的方法相比，利用大数据来学习特征更能够刻画数据丰富的内在信息，从而提高模型的预测性和盈利能力。因此，财富管理机构利用深度学习等人工智能技术可以有效利用多维度客户画像信息，在确定资产配置方向和筛选投资资产池后，为客户构建最优的资产配置策略。

强化风险控制能力

传统财富管理机构普遍投研能力有限，而互联网的飞速发展伴随着大数据时代的到来，面对海量的市场数据，传统投顾的风险控制手段较为不足，无法有效识别利率、汇率等市场风险。一方面，这容易导致财富管理产品的风险定价出现偏差，高估和低估的定价都会影响机构和客户之间的良性发展关系；另一方面，在产品运营过程中，当市场波动来临时无法及时调整资产配置策略，致使资产价值受损，无法达到客户的理财预期。因此，传统财富管理机构的风控能力有较大的提升空间。

人工智能对于财富管理风控能力的强化可以分为两个方面，一是风险定价，二是风险监测。一方面，人工智能可以完善投顾产品的风险定价。通过构建不同的风险场景，量化风险冲击程度，利用人工智能技术模拟产品在不同风险冲击下的收益与损失，进而推导出投顾产品的最优风险定价策略，为财富管理机构提供行之有效的产品定价建议。另一方面，人工智能可以加强对投顾产品的风险监测和预警。人工智能可以对市场信息进行批量搜集、整理和分析，梳理潜在风险点并进行实时监控和预警。对于非结构化市场信息，利用文本挖掘、自然语言处理等人工智能技术提取和分析文本关键信息，构建市场预警机制，从而实现对风险信息的精准搜索和自动预警，强化了财富管理的风控能力。

综上，财富管理机构可以利用人工智能的技术优势，从缓解信息不对称问题、提升资产配置效能和强化风险控制能力三个方面，针对性地解决目前传统投顾存在的一些问题，从而更好地促进财富管理的高质量发展。

人工智能促进财富管理高质量发展的实践路径

人工智能可以从客户信息、资产配置、风险控制三个角度促进财富管理的高质量发展，其应用于财富管理的三个实践路径也与上文的理论机制一一对应。一是基于客户信息，人工智能将实现以客户为中心的智能财富管理服务；二是基于资产配置，人工智能将构建以技术为核心的智能财富管理决策；三是基于风险控制，人工智能将打造以数据为基础的智能财富管理方案。

以客户为中心的智能财富管理服务

中央金融工作会议指出，金融工作要坚持以人民为中心的价值取向。要坚持金融工作的人民性，客户理应成为财富管理服务链条的中心。要实现以客户为中心的智能财富管理服务，需要利用人工智能的数据处理能力建立涵盖客户信息的大数据模型，精细化客户分层，从而精准筛选客群名单，高效触达潜在客户，实现客户营销的规模化和自动化。

在与目标客户建立业务联系之后，精准的客户画像是财富管理服务的起点。勾勒完整的客户画像需要以海量数据信息作为支撑，其中不仅有大量结构化数据，也包括了文本信息等非结构化数据。传统投顾难以对如此大量的复杂的数据进行高效的处理和分析，而深度学习和自然语言处理技术为客户画像的勾勒提供了针对性的解决方案。自然语言处理技术能更为有效地处理非结构化数据，将其结构化和标准化，而深度学习在面对大数据集时能够通过特征学习来挖掘数据丰富的内在信息，提取高维数据特征，精确构建客户标签。因此，人工智能技术的应用能够挖掘整合客户的海量数据信息，形成涵盖客群特征、投资倾向、消费偏好、价值贡献等多维度标签体系，汇总多渠道信息刻画深度、完整的客户需求画像，为之后针对不同客群匹配相应的资产配置、顾问服务、营销策略等奠定基础。

除了客户营销和客户画像勾勒之外，还有客户陪伴这一重要且长期的服务。客户陪伴，就是沿着财富管理业务生命周期设计覆盖“投前—投中—投后”三大阶段的内容布局与全渠道客户陪伴形式，实时跟进客户财富管理需求，动态调整客户定位和业务策略重心。例如，线上平台部署贯穿投前、投中及投后的人工智能客服，线下团队依靠客户关系维护、产品推荐及投研观点输入等线下服务，多方位实现对客户的全程陪伴。

客户营销、客户画像勾勒和客户陪伴，共同构成了以客户为中心的智能财富管理服务，是人工智能促进财富管理的第一条实践路径。

以技术为核心的智能财富管理决策

在获取客户信息并勾勒客户画像之后，人工智能将充分发挥技术优势，参与进资产配置的决策中。人工智能凭借其强大的数据处理和演算推理能力，针对客户资产现状、风险偏好、预期目标等要素，确定大类资产配置方向的和产品池的筛选，并基于深度学习等人工智能前沿技术对资产的收益和风险进行全方位的预测和模拟，筛选可能产生正收益的风险资产，结合现代投资组合理论确定每个风险资产的权重配比，从而构建出低波动、严回撤、稳收益的资产配置组合，为客户推荐智能化、个性化的最优资产配置策略。与传统的财富管理资产配置决策相比，基于人工智能的智能财富管理决策有更稳健的资产配比。这是因为，均值-方差模型和Black-Litterman模型等传统投资组合模型在收益和方差的预测上都存在较大误差，从而影响了资产配置的有效性。而机器学习、深度学习等人工智能算法能够很好地对金融时间序列进行分析和预测，特别是随机森林、LSTM等算法都有着较好的泛化能力，与均值-方差模型或Black-Litterman模型相结合，可以构建出更为有效的最优资产配置策略。

此外，资产配置策略并不是一成不变的，还需要利用人工智能技术对资产配置进行动态的再平衡。具体来说，就是将投资组合投入市场后，对市场实施全天候7×24小时的跟踪监控，利用人工智能技术对市场中的风险信息进行识别，构建风险预测模型，建立市场风险预警机制，从而辅助投研人员更精准地判断市场风险和走势；然后以市场风险分析结果为参考，综合考量调仓成本，对投资组合的权重或标的进行及时的决策调整，从而保证资产配置策略的稳定运行。

资产配置策略的构建和再平衡，构成了以技术为核心的智能财富管理决策，是人工智能促进财富管理的第二条实践路径。

以数据为基础的智能财富管理方案

数据是智能财富管理方案的基础，大数据的分析能力关乎客户标签和客户画像的精准构建、客户偏好的准确分析、市场行情的研判预测等。在人工智能发展早期，传统机器学习依赖特征工程实现对数据信息的提取和处理，而随着人工智能技术的迭代发展，深度学习的特征学习取代了传统机器学习的特征工程，与特征工程相比，利用数据自身来学习特征更能够刻画数据丰富的内在信息，人工智能对大数据的处理能力越来越强。依托于强大的数据处理能力，人工智能技术可以对客户行为展开分析，了解其投资偏好，找出其感兴趣的产品；也可以对资金流向展开分析，跟踪资金应用场景，实现精准营销；还可以对异常客户和资金信息进行批量搜集、整理和分析，梳理出潜在的风险点，进行实时监控和预警监测。

通过人工智能技术，财富管理机构可以构建一整套以数据为基础的智能财富管理方案，这是人工智能促进财富管理的第三条实践路径。

人工智能促进财富管理高质量发展的国际应用

人工智能的技术优势为财富管理提供了有效的赋能路径，国外率先兴起了人工智能财富管理的应用。2008年国际金融危机后，全球经济陷入衰退，国际金融市场系统性风险加剧，私人财富普遍缩水。而传统投顾高门槛、高收费的标准限制了大批投资者理财需求的满足，加上大数据信息的不断完善和人工智能技术的迅速发展，多种因素推动人工智能财富管理在短期内的迅速发展。其中包括以下三个应用场景：“充分了解客户”（Know Your Customer，KYC）、智能投顾平台和大语言模型。

“充分了解客户”

财富管理业务有着庞大的客户基础，如何发现销售线索并依据线索跟进实现客户转化是关键。在这方面，国外财富管理机构依托于人工智能的大数据分析能力和丰富的标签体系，可以精准构建客户标签、勾勒客户画像，全面完善客户个人信息，做到360度的客户洞察，从而挖掘养老、教育、购房、购车、旅游等特定目标场景的客户需求，以此提高销售精准度。国外这种服务模式也被称为“买方投顾”模式，是以客户的买方角度为立场，通过精细化客户需求，提升客户体验，增强客户黏性。

摩根士丹利（Morgan Stanley）是最早重视财富管理的华尔街投行，它的“下一个最佳行动”（Next Best Action）财务管理平台利用人工智能技术挖掘客户信息，精细化客户分层，准确进行客户定位和产品服务的匹配，为不同地区、不同特征的客户提供针对性的财富管理服务。此外，摩根士丹利专门以年轻高管为目标客户，推出“下一代财富管理”（Next-Gen Wealth Management），基于客群画像提供包括业务规划、退休规划以及另类投资和可持续投资建议在内的一系列产品。摩根士丹利还建立了一支团队，专门为四大会计师事务所合伙人提供财富管理服务，包括薪酬方案和养老金规划等。此外，以Wealthfront、Betterment等为代表的美国新兴财富管理机构，也在利用人工智能技术追踪并分析客户收支数据，从而为客户提供定制化财务规划和资产配置建议。

智能投顾

智能投顾平台是以人工智能技术为基础，为人工投顾分担信息数据的收集、投资组合方案的设计、投资组合收益和风险的监测等工作。具体来说，在获取客户画像之后，智能投顾将根据客户画像结果，针对客户资产现状、风险偏好、预期目标等要素，基于人工智能技术和现代投资组合理论，为客户推荐智能化、个性化的最优投资组合资产配置策略。智能投顾平台的应用使得人工投顾可以服务更多客户并与客户进行深度沟通，在确保客户体验前提下有效提升人工投顾服务效率，推动财富管理业务规模快速扩张。

美国的智能投顾平台于2015年后发展迅速。2015年，嘉信理财（Charles Schwab）推出嘉信智能组合（Schwab Intelligent Portfolios），根据投资者的不同风险偏好和投资目标，提供智能投资咨询策略服务。2016年，嘉信理财又自创智能投顾机器人，基于人工智能与大数据技术为机构客户提供智能投资组合与自动调整资产配置等的财富管理服务。2018年，摩根士丹利为投资顾问推出“Next Best Action”财务管理平台。2020年，高盛集团（Goldman Sachs）为长尾用户推出了智能投顾平台“Marcus Invest”。目前，国际上各大金融机构都在积极部署智能投顾平台的建设，为不同目标客群提供精细化、智能化的资产配置建议，极大提高了财富管理的服务效率。

大语言模型

人工智能技术的发展也推动着大语言模型的建设，2022年11月底美国人工智能研究实验室OpenAI推出大语言模型ChatGPT，能根据聊天上下文与用户实时互动，给用户带来了突破性的体验。大语言模型的建设，为财富管理的发展带来新的动能。以资源检索和风险监测为例，一方面，投资顾问可以利用大语言模型快速检索资源数据，为客户提供更加精准、快捷、高效的服务体验；另一方面，利用这些前沿的人工智能技术模型，就可以实时监测市场风险，若风险达到一定阈值之后触发调仓机制，对现有的投资组合进行资产配置的再平衡调整。此外，大语言模型在客户画像构建、资产配置决策、编写策略代码等方面同样有广泛的应用前景。

2023年9月，摩根士丹利推出面向内部投资顾问的人工智能系统，该系统是与OpenAI共同开发，顾问可以用语言模型快速检索内部研究资源数据库，更高效地为客户提供更优质的个性化资产配置服务。除此之外，彭博（Bloomberg）发布了全球首个金融垂直领域大语言模型BloombergGPT，该模型在财经新闻情感识别和分类、信用评估报告风险识别等方面有着优异的性能。哥伦比亚大学联合上海纽约大学推出首款开源金融大语言模型产品FinGPT，在投资组合优化、金融情绪分析、信用评分等方面同样表现出色。

目前受限于金融语料素材较为贫乏等因素，金融类的大语言模型还处在发展初期。但可以预见，未来随着人工智能技术的发展和大语言模型的完善，大语言模型将引领财富管理行业新一轮的技术变革。

人工智能促进财富管理高质量发展的国内启示

人工智能技术在国际上财富管理领域的应用实践已相当活跃，国际财富管理机构利用人工智能的信息检索、数据处理、算法推演等方面的技术优势，赋予财富管理业务的新时代发展动能，这给国内人工智能财富管理带来发展启示。

强化人工智能财富管理的客户理念

人工智能彻底改变了传统财富管理模式的经营方式，但“以客户为中心”的宗旨与准则不仅并未发生变化，反倒在发展中越来越得以完善。服务客户、以客户利益为导向的发展宗旨，是当前国外人工智能财富管理模式的主要指导。对比国外财富管理市场以“买方投顾”为主的模式，当前我国财富管理市场仍以“卖方投顾”为主。国内投顾应该转变行业思维，利用好客户数据信息，充分发挥人工智能的数据处理能力，依据资产现状、风险偏好、预期目标等各类数据信息，准确捕捉客户财富管理需求，并对客户进行精细化分层分类，细化目标客户群体，实现对客户关系经营管理的全方位系统化。

提升人工智能财富管理的模型算法

在当前市场环境下，各金融机构在财富管理领域的竞争日益激烈。在人工智能财富管理的模型算法上，目前国内主要聚焦于调用金融模型的理解、归纳、分类能力完成一些辅助性的金融任务，对于决策类、数据分析类、营销类金融任务的探索还处于起步阶段，在应用深度和广度上仍有拓展的空间。一是在深度上，需持续提升人工智能的模型算法能力，布局大语言模型等人工智能前沿模型算法，在画像构建、产品选择、资产配置等各个维度进行升级优化，支持客户需求分析、投资选择与组合构建，通过模型算法提升人工智能财富管理的专业水平。二是在广度上，持续丰富资产配置应用场景，利用人工智能技术布局财富管理的整个生命周期，从投资需求逐步拓展到教育、医疗、养老等多维度场景，满足客户多方面的财富管理需求。

加强人工智能财富管理的监管

人工智能的应用及发展，拓宽了传统财富管理的边界，使其逐渐向多行业、多场景的方向发展，但人工智能在数据安全性、算法稳定性等方面存在的问题也会为金融体系带来新的风险。为防范其可能带来的金融风险，需要从以下三方面完善相应的法律法规监管体系，加强人工智能财富管理的监管。

第一，要建立人工智能财富管理业务的准入机制和行业人员培训标准，由专门机构对其资质进行审查，从源头上防范自动化交易等人工智能技术的滥用对市场秩序造成的扰乱。第二，要对财富管理业务理财产品的发行销售、投资兑付等经营管理的各个环节，进行全方位的监管，建立信息披露制度和投资者保护机制，从而有效降低客户的投资风险。第三，要加强人工智能监管科技建设，监管机构的人工智能应用水平要与财富管理机构的人工智能应用能力相适应、相匹配。利用人工智能技术动态监测市场波动，提高数字化监管效能，从而做到对人工智能财富管理行业的实时监管。

国家金融监管总局局长李云泽在2023金融街论坛年会上指出，我国已成为全球第二大资产和财富管理市场，中等收入群体已超过4亿人，行业管理资产年均增长6.2%，中国资产和财富管理将进入发展“黄金期”。基于本文的分析，笔者认为中国财富管理行业既需要持续深化“以客户为中心”的智能投资管理服务理念，也需要具备国际视角，通过吸收国外优秀的人工智能财富管理实践经验，发挥好人工智能的技术优势，促进我国财富管理行业的高质量发展。