资管新规背景下人工智能在银行资管业务中的应用研究

来源:用户上传      作者:

　　 摘要：资管业务是银行金融业务板块中的发展前沿，拥有相对独立和完整的资产负债架构和业务模块，其中的资产、负债和风控等业务条线是人工智能技术的天然应用场景，目前已有了部分应用实践。然而，由于资管新规的颁布，银行资管业务的监管环境变出现变化，同时还存在业务基础数据不完整、组织架构特异性强、技术储备较为欠缺等问题，使得目前缺乏将人工智能技术用于银行资管业务的整体性梳理和架构设计。文章旨在探索符合当前银行资管业务发展特点的“银行资管+人工智能”的解决路径，切实助力银行资管业务在人工智能时代的科技转型。
　　关键词：人工智能;银行理财;智能资管
　　一、 研究背景
　　2018年以来，伴随着“资管新规”的发布，资管行业进入到了正本清源、转型发展的新时代，中国银行理财业务未来的发展方式和形态正在被重新塑造。
　　尽管各家银行在资管子公司未来业务模式和发展方向上有所不同，但将人工智能技术作为提升银行资管业务整体效率和质量的重要手段，已经取得了业内的广泛共识。国内外的资管机构在相关领域进行了大量的研究和应用。BlackRock作为全球最大的资产管理机构，运作着6.3万亿美元的资产，人均管理规模为30亿元。其管理的高效能主要依赖了aladdin、Future Advisor、iRetire和CACHE-MATRIX四套顶级智能金融系统，所支持的业务范围覆盖了投资管理、销售咨询、退休养老和风险控制业务体系。天弘基金作为国内唯一一家规模超万亿的基金公司，拥有着来自蚂蚁金服的天然科技基因，其在并发计算能力、客户肖像绘制、用户习惯分析及智能资产配置方面的技术储备和实践经验已处在行业前列。
　　银行资管拥有相对独立和完整的资产负债架构和业务模块，将人工智能技术用于资管业务，可以有效提高效率，拓宽分析的深度和广度，为传统银行资管向智能资管的转型，提供了重要的技术保证。但目前将人工智能用于银行资管还存在着一些亟待解决的问题。本文将聚焦资管转型背景下的智能资管建设，对人工智能应用场景进行分析讨论，探索符合当前银行资管业务发展特点的“银行资管+人工智能”的解决策略。
　　二、 资管业务人工智能应用存在的问题
　　1. 银行资管外部环境的变化。
　　（1）国内监管环境的变化。国内的银行资管行业自诞生以来，就与监管密不可分。在资产端，国内监管对银行资管的投资标的有着较为明确的限制，因此投资无法在全市场和全金融标的上展开。在负债端，国内监管采用了较为严格的流程限制了客户的理财购买行为只能在柜面或银行端的APP上进行。2018年以来，监管对银行资管进行“市场化”调整的目标逐渐清晰。“资管新规”的颁布，除了在“打破刚性兑付”“规范资金池业务”“引导行业去嵌套”“去杠杆”等问题上的考量外，也向资管行业统一监管的目标迈出了重要一步
　　监管对资产端和负债端的松绑，不仅意味着更多的业务机遇，也意味着技术应用有了更多的业务场景。
　　（2）业务环境的变化。传统银行资管面对的竞争对手仅为银行资管同业，而借助于银行强大的实体渠道营销能力和过去的资金池运作方式，这种竞争一直处在温和可调节的范围内。在脱离母行后，尽管银行资管子公司拥有了更多的投资标的和工具，但其無疑也会直面更加激烈的外部市场竞争。相较于市场化程度高的基金公司、券商资管而言，多数银行资管在投资交易、投资研究、系统建设、人员储备等方面还存在着较大的差距。这种差距必定会为人工智能的业务应用带来了不确定性和阻碍。
　　2. 金融业务数据问题。金融数据具有数据量大、维度高、结构复杂、价值密度低等特点，此外，金融数据还包含大量的噪声和潜在的关联关系，具有极强的波动性，这使得对金融数据的分析和挖掘成为一个难题。
　　银行、保险和证券等专业机构对客户数据的准确性要求严格，根据特定场景开发私有清洗模块或平台，积累了大量经验。但出于保密原因，金融企业很少有理论性的成果见诸于报道。
　　金融数据的智能清洗技术在学界已开展多年。针对数据中属性错误的检测，有基于统计学理论的方法、关联规则的方法、聚类的方法、利用违反函数依赖条件的方法等。针对数据中的重复记录问题，可以在基于距离度量的基础上，采用聚类算法的思路进行处理。针对金融数据中常出现的时序数据，也有学者提出使用了模糊C均值聚类方法，通过计算数据到聚类中心的距离来分离出噪声数据。针对金融数据维度高的特点，在确定了问题边界后，可以直接使用经典的数据降维度算法或策略予以解决。
　　高质量的数据资源是人工智能应用的前提条件。成功的人工智能应用，花费在数据工程上的时间比例会占到六成甚至更高。而银行资管在数据处理上常会遇到来自下列两方面的问题。
　　（1）内部数据。银行资管已经发展十年有余，内部积累了大量数据，该部分数据多数仅完成了数字化。由于以前缺乏数据分析的内生性需求，大量数据并未经过数据清洗和结构化存储，后期数据清洗和存储的成本较高。
　　作为归属于母行的独立部门，银行资管的部分业务模块的职能（如产品销售、信息科技等）一直由母行的相关部门代为行使。子公司化之后，按照监管对于银行数据的要求，以前积累的销售及客户的原始数据将无法作为无形资产被子公司所继承。数据获取渠道的堵塞将会直接不利于未来人工智能技术的应用。
　　（2）外部数据。银行资管未来在投资端会大量投资外部标准资产，而投资的前提保证是能够拥有完整准确的外部数据。针对标准资产的公开市场数据，目前有大量的第三方数据供应商提供相关的数据。而针对标准资产中的另类数据，通常数据来源可靠性差、数据质量并不稳定。
　　未来外部数据是否需要本地化及系统内外数据如何隔离将主要根据监管要求及自身发展的需要。在缺少了母行科技支撑的情况下，数据库的搭建和维护也将是资管子公司科技团队的重要工作之一。
　　3. 银行资管架构及技术积累。 　　（1）组织架构。银行资产管理业务的定位较为明显，不同银行资管拥有相似的业务模块，且多实现了独立的事业部制。然而，各行资管的业务范围及业务模块间的工作流相异，各模块内部的具体职能、资源配置也不尽相同，这种差别在全国股份制银行与城商行间、城商行与农商行间的差异更为巨大。正是由于这种组织架构上的差异，业内并没有形成引入人工智能技术的现成框架和通用模板，所以具体实现需要根据各自的实际情况来进行差异化的设计。
　　（2）技术积累。我国的银行资管业务起初多隶属于同业市场或金融板块，十余年便经历了由小变大、由弱变强的过程。行业的高速扩张也带来了各行资管业务发展的不平衡性，所以在管理能力、投资投研能力、人员配置和技术储备等方面，也处在不同的发展阶段。除了同业间的差异外，相较于已经发展了多年的外部非银资管，由于各非银机构所处的监管和行业标准化程度高，导致了这些机构只要满足准入门槛就代表具有了一定的管理能力、人才储备和技术水平。
　　除了管理技术和传统投资投研技术外，人工智能技术的应用更多集中在人工智能知识以及计算机技术的使用上。在人工智能算法知识、独立开发能力和相关人员储备上来讲，部分非银机构已经走到了市场前列并且积累了一定的研究成果和实战经营，银行资管在实现超越前，还需要付出较多的追赶成本。
　　三、 我国银行资管业务中人工智能的应用建议
　　1. 明确自身特点和发展定位，梳理人工智能应用的整体框架。“理财新规”和《商业银行理财子公司管理办法》将未来银行资管开展业务划分成了体内运营的“传统”模式和体外运营的“子公司”模式，在业务开展模式确定后，银行资管机构的市场定位和发展定位会皆然不同。
　　对于选择了“子公司”模式的银行资管，未来规划多朝着全能型方向来发展。可以针对人工智能的应用进行自顶向下的宏观设计，所涉及的业务范围可以尽量拓展，将未来有可能开展的业务也纳入到设计范围内。更加宽泛的投资范围和营销渠道，会需要更加全面的数字化系统进行支持，业务开展过程中会积累的更多的数据，人工智能技术的应用也会更加有意义，无论是从管理端和业务端都会产生规模效应，落地成本均摊后也更加低廉。
　　对于选择了“传统”模式的银行资管，全面的人工智能应用不但成本高昂，且给实际业务带来的收益相对有限。这类银行资管可以针对有急迫人工智能需求的应用场景，进行特定业务的落地，比如针对负债端客户的偏好分析，可以用来在未来严峻的市场环境中最大程度的维护好存量客户并扩大客群，实现与银行资管子公司的错位竞争。后期可以根据业务的开展情况，逐步推进人工智能的使用，实现更高的产出比。
　　2. 挖掘潜在的人工智能应用点。在业务模式和人工智能应用的整体框架被确认后，接下来就进入到潜在应用点的挖掘选择上。
　　（1）客户行为分析及应用。将人工智能用于客户行为分析，早已被大多专注于C端的互联网企业采纳并广泛应用于实践。银行资管因相对的垄断地位，早期缺乏客户画像的需求和内在动力，相关的研究起步较晚。金融业基于人工智能进行客户分析的目的在于：从海量数据中，发觉目标客户及潜在客户;进行欺诈检测、价值分析、流失分析;建立起客户信用度、贡献度及忠诚度模型等。
　　针对客户行为进行分析，并反向用于营销及产品设计，是一个比较自然的人工智能技术应用场景，而实践应用中的热点也集中在负债端。从技术角度上讲，数据采集和业务场景的建模是落地中的重點和难点，而工程实践、后期分析结果的解读及应用则占据了更多的工作量。
　　（2）智能量化投资及投研平台。智能量化投资是指：通过向量化投资领域引入人工智能技术，使系统能够高效且智能地从金融数据中自动挖掘可用信息，并用于支持和辅助投资交易。在智能投研平台建设方面，非银金融机构已有实施案例，如天弘基金在2015年建立的投研云系统，嘉实基金2016年成立的人工智能投资研究中心，华夏基金与微软亚研院的战略合作。不同于非银金融机构，新兴的金融科技公司更倾向推出标准化的解决方案或平台，参与其中的金融科技公司包括：通联数据、数库科技等。
　　权益二级市场一直是金融领域人工智能应用的热点，由于监管政策的放宽，银行资管子公司已经可以开始在该领域提前布局。自动盯市和价格发现是人工智能较为常规的应用，更进一步的，人工智能还可以被用于自发地寻找市场的阶段性有效指标、挖掘主要矛盾、批量生成策略等。
　　（3）智能投顾研究。智能投顾（Robo-Advisor）在对大量数据分析的基础上，根据服务对象的特征或偏好，给出个性化的投资建议，可以选择性的为服务对象提供交易服务（如完全自动交易、人工投资顾问协助交易和自执行交易等）。
　　智能投顾起源于美国，近年来众多资管公司已发布了其智能平台，我国于2015年引入智能投顾概念。国内智能投顾平台按照业务类型可以划分为三种：第一类是借鉴美国Wealthfront、Betterment等投资于交易型开放式基金（ETF）组合的公司，直接为客户匹配国外发达市场的ETF 基金以达到资本配置的目的，例如弥财公司和蓝海财富公司;第二类是以FOF基金等作为投资组合标的，例如钱景理财公司;第三类是基于论坛等在线平台进行投资信息共享，对量化投资策略、投资名人的股票组合进行社交跟投，例如雪球公司。
　　未来的银行资管必然会从“输出产品”向“输出策略”转型，而负债的边界也将会瞄向不同风险偏好和需求的客户。银行资管早期可以通过“智能投顾+外部ETF采购”的模式满足客户“千人千面”的需求。对于投研能力强、市场占有率高的头部银行资管，未来可以发行广泛涵盖市场各类指数的类ETF基金，在满足内部投资采购需求的同时，也可以将其提供给外部有配置需求的机构及个人投资者。
　　3. 人工智能落地的内部机制建设。尽管人工智能技术的应用在金融领域已经取得了共识，但不同性质的机构对该类技术的认知和实际的推进力度上有很大的差异。建设一套可行的人工智能落地的内部机制是大多数银行资管子公司在拥抱人工智能技术时，应该考虑的首要问题。这套机制的建设应围绕着下列问题展开：（1）探索性的业务需求与外部技术公司合作方式研究;（2）探索性的业务需求考量标准;（3）项目结果不及预期的退出机制。 　　4. 尽早进行数据积累工作。数据积累的对于人工智能技术的应用十分重要。在投资端，数据处理工作的重点应该集中在非标准资产数据的累积和标准资产的另类数据。非标准资产公开信息相对缺乏，需要银行利用渠道的信贷或金融市场板块资源进行采集、汇总和结构化存储。在负债端，因为监管会对母行和子公司间进行系统和数据的隔离，所以数据积累对于要成立子公司的机构而言更为急迫。为了最大化利用母行的已有客戶数据资源，目前可以采用如下两种方式：首先，基于母行负债端已积累的数据，就客户分布、行为偏好等特点进行分析，以期未来可以在负债端指引子公司的市场化营销工作。其次，可以设计符合监管要求的母子协同机制，不因必要隔离而导致对渠道资源禀赋的放弃。
　　5. 技术储备与技术合作。首先，对已有的资管业务进行数字化覆盖。数字化体系的建立不但可以提高运营效率，更重要的是可以降低数据保存和复用的成本，是人工智能业务落地的一个先决条件。其次，除了外部采购与合作外，银行资管也需要加强对员工进行人工智能知识的培训，可以战略型的储备此类人员，以便于潜在应用的发现和业务层面发起和推进人工智能的应用。再次，要明确人工智能项目与传统数字化项目有着较大的差异，大量的需要是无法通过直接采购来实现，因此，在业务、数据、机制等层面，银行资管需要以更加开放的心态去和智能服务厂商展开合作。在合作过程中，银行资管与服务厂商互相学习、共同发掘潜在应用点，为业务的智能化助力。
　　参考文献：
　　[1] Giannakis G B， Bach F， Cendrillon R， et al.Signal Processing for Big Data[J].IEEE Signal Processing Magazine，2014，31（5）：15-16.
　　[2] Small S G， Medsker L.Review of Information Extraction Technologies and Applications[J].Neural Computing and Applications，2014，25（3-4）：533-548.
　　[3] Bohn K.Converting Data for Warehouses[J].DBMS，1997，10（7）：61-66.
转载注明来源:https://www.xzbu.com/3/view-14894433.htm