「光合课」第2期林常乐：什么是真正的财富管理科技——解开智能投顾炒作真相|163

99%的「光合客」都是闪闪发光的人类

『面对庞大的金融系统，资产配置不仅是把鸡蛋分散在不同的篮子中分散风险，是否做好资产配置更确定地决定了长期的财富增长。财富管理行业的新变革即将来临，在中国，智能投顾的发展也将迎来一片广阔天地。』

林常乐

普林斯顿大学运筹与金融工程系博士

前美银美林智能投顾开发主导者

清华大学兼职教授

以下内容整理自光合课分享。

授之以鱼

关于这个命题，我想讲3点背景知识。

第一点是大家都在讨论的资产配置。基本上所有人的解释都是要把鸡蛋分散在不同的篮子里，分散风险。其实这没有真正切合到资产配置的内核，资产配置是用来做什么的？

我们知道金融市场是一个非常庞大的一个随机系统，所以里面有很多内生的随机性。我们在做投资的时候很容易会想，既然金融市场这么随机，为什么要做一个长期的投资决策？

举个例子，比如说抛硬币，每一次短期地抛硬币，它都是一个随机的事件，得出来正面或者反面地结果都是随机的，但是如果长期地抛几千次几万次，就会展现非常显著的统计规律，基本上一半是正面，一半是反面。

我们做资产配置也是同样的道理。虽然短期来看，金融市场不管是从个股的层面还是资产单位的层面都是非常随机运动的，但是如果做好资产配置的决策，长期来看就会展现出来一个很明显的统计学上的规律。所以，在短期来看，你的投资决策产生的是一些随机的结果，但是长期来看，基本上就产生了一个确定性的结果，是否做好资产配置就确定地决定了长期的财富增长。

财富增长有多大的因素是取决于资产配置？学术上基于数据的实证研究和纯数学的推导证明，基本上90%的投资回报的变化是由大类资产配置所决定的，也就是说这件事情可以决定90%的未来财富是一个什么样层次。

其他的因素，比如说在每个资产大类里面选择不同的投资产品，经过工业分析，决定了约5%到7%的财富增长。其次是择时（选择什么时候），其实只占不到2%。

由此可见，短期来看大家都认为择时，即短期地做一些买进卖出，对投资的回报影响比较大，但是长期来看，决定性的主要因素是资产配置。这个道理虽然看上去有点反直观，但是它很有道理，比如说我们伟大领袖毛主席的矛盾论就是资产配置，在长期的财富管理和资产管理中抓住一个主要矛盾，其他的都是次要矛盾。

资产配置作为一个统计规律，需要有数学模型和优化算法来得出最好的资源配置是一个什么数。我们在报道里会看到马科维茨模型， Black-Litterman（BL模型），其实这两个模型尤其是马科维茨模型是非常基本且古老的模型，1952年被发明出来，至今已经快七十多年了。这两个模型并不神秘，重要的是金融建模中测出来的参数到底有多准，这决定了算出来的最优投资组合结果的正确率。从1952年到现在出现了各种各样的新的方法，仅马科维茨模型已经有十几种变种。

第二点，既然资产配置模型对长期的财富管理和资产管理如此重要，那其对于财富管理服务或者对个人投资者来说是否有用？

答案是肯定的，但是并不是特别地适用。因为这种资产配置模型都忽略了一些其他的因素，其中最重要的就是流动性的因素。

我们可以用这套理论去教投资人做一个很好的资产配置决策，并且长期地做投资决策，但是对他来说不一定适用。因为在资产配置中他不可以长期持有这个资产，他有各方面的流动性的需求，最简单的比如说每天都要吃饭、交房租，孩子有教育的需求，有买房买车的需求，有旅游的需求，有赡养老人的需求，还要准备一部分资金作为应急或者是预防一些重大的疾病。所以他对这些资金是有流动性需求的，不是用一个简单的模型把所有的资产考虑进去，然后做一个长期的持有就够了。大家看到，流动性是财富管理里面非常显著却在资产配置模型里面被忽视的一点。

第二个因素是投资者的性格或者心理。个人投资者很大的一个特征是对回撤很敏感，如果在投资的路径中出现大的回撤，个人投资者很容易慌张，这个其实和流动性因素有很强的联系。在这个因素的影响下，简单的马科维茨模型或者BL模型是不能解决问题的，因为传统的数学模型只考虑在投资终点的情况，比如给我一年的时间，我只把一年之后投资回报和风险的情况作为优化目标。但是因为流动性需求或者是投资人防回撤的心理，整个的投资路径都会对财富管理有影响，专业术语叫path-dependent（路径决定）。我们需要一种不一样的范式去解决财富管理的问题，马科维茨模型或者BL模型在财富管理中有很大的用处，但是不能完全解决财富管理的问题。从模型角度或者底层的算法来看，财富管理需要的是另外的一种范式。

第三点，很多报道中提到要做财富管理或者是所谓的智能投顾、投资者教育，我个人认为这个事情很荒诞。因为投资者教育不应该是投资顾问做的，财富管理仍然是一个服务业，投资顾问是主要服务客户，他的职责应该是inform client，就是让客户知晓他目前的财富管理的状况，承担了多少风险，分别是哪方面的风险，不同的投资决策对他短期和长期的财富状况会产生什么影响，尽最大可能地去准确提供各方面的信息，这是advisor（投资顾问）的天职。

我特别喜欢美林证券的一个概念，他把advisor（投资顾问）比作家庭最重要的伙伴。比如说一个家庭中有爸爸，妈妈和孩子三个人，投资顾问应该作为这个家庭最重要的第四个成员，坐在饭桌旁帮助他们做家庭的财富管理，深入地了解家庭各方面的状况，同时尽自己最大的可能去提供准确的信息，让这个家庭知道自己的财富决策和投资决策会对短期和长期有什么样的影响。所以我认为投资者教育是一个伪命题，它应该做的是让客户明白不同的投资决策在不同的市场状况和不同的风险因素情况下会出现什么样的情景，然后让客户结合自己的需求去判断并做出决策。

现在国内所谓的智能投顾基本上可以用一句话概括：既不智能也不投顾。其实美国也有很多创业公司做Robo-advisor（智能投顾），包括美林2月份也推出了我之前参与构建的Robo-advisor（智能投顾）系统。美国人也会做一些炒作，尤其是一些创业公司，但总体来说还是比较modest（谦虚），因为他们没有说这是一个intelligent-advisor ，而是叫Robo-advisor，本身的意思是机器人投顾，推出的系统并不是像一个AlphaGo这样可以打败市场和所有其他的投资管理人，主要还是推出的还是low fee（低管理费），一个自动化财富管理的系统.

它服务的是一些更长远的客户，就是一般比较贵，advisor（投资顾问）服务不到的这些客户。所以它的智能性并不体现在更好地去预测市场，而是体现在交互的方式有一些创新，能更好地让客户去做一些投资决策之类的。智能化的财富管理应该是用智能化的系统来帮助投资顾问做财富管理的，这种系统跟我们书面见到的Robo-advisor不是特别一样。

我大概介绍一下它的发展历史，比如说美国也经历了相似的行业周期。证券行业从一开始做渠道，后来慢慢地转到做服务，这是一个必然的过程。在这个过程中，以前的经纪人需要转型变成提供优质服务的投资顾问，遇到一个转型中的难点就是，做资产配置或者说用另外一种范式做路径决定的财富管理的模型，都需要大量的计算，大量的市场信息，金融建模和优化算法这一系列的东西。所以要把每一个人培训成可以完成这种任务的优质的投资顾问是不现实的，而且人的大脑也不适合做这些大量的计算。

在这个过程中，比如说美林证券就用一种更经济更有效的方式来解决这个问题，它开发一种智能化的财富管理的系统，相当于可以把这个系统给投资顾问去进行辅助的服务，帮他解决计算上的、背后的一些建模和优化上面的任务。

这种系统也因为当时IT底层建设的普及，成为了一种可能，然后慢慢地发展起来。正好我本人的导师也在这个过程中帮助他们开发了很多底层的算法，从一个经纪业务或者渠道服务的范式转型到一个提供高质量财富管理的范式。美国的证券公司比如美林证券也开发了很多种智能化系统，有专门辅助经纪业务的智能化系统，或者是给投资顾问使用的智能化投资的财富管理系统，辅助他对用户数据进行采集。在和用户交互以及投资顾问询问的时候，我们采集了很多用户的数据，随着数据逐渐地积累，大家开始思考怎么用它更好地服务客户。这种辅助的数据分析可以让投资顾问或者线上的系统更好地服务客户。

这和我在国内看到的一些概念有很大的不同。国内炒作的智能投顾的产品基本上是问一个问卷，然后把一些组合好的资产组合推给你，他们号称的千人千面其实就是回答一个4个问题的问卷。这个逻辑其实是有偏差的，数据分析不是要找出哪些客户更容易接受哪些产品，然后用这种营销的方式去推给他。这种智能化的系统和背后的用户数据的分析，实际上是营造一种更好的智慧化的交互环境，智能化的系统连带着背后服务它的data science团队，是去模拟一个优秀的投资顾问服务客户的流程。

优秀的投资顾问如何服务客户？他可以用智能化的系统去辅助投顾同时自动模拟这个过程，然后加一些用户数据分析的功能，让这个过程变得更流畅、更有效，这其实是一个更好的逻辑。我认为那种营销化的逻辑不是一个可持续的模式，甚至我觉得应该是一个不成立的模式。

智能投顾在中国的发展，我认为有一个很大发展的市场空间。在中国，券商行业的人普遍认为经纪业务纯做渠道已经走到尽头，手续费越来越低，以前像割韭菜的那种商业模式是不可持续的。大家普遍在想怎样从渠道做到服务，这正是在经历美国之前经历的行业周期。银行也有同样的想法。其实这种智能化的系统，不管是服务经纪业务还是财富管理，肯定在转型的过程中会起到很大作用。

也有观点说，智能投顾在美国的发展是由于有养老账户以及可以免税的政策。我觉得它不仅影响线上的财富管理平台，这其实是影响财富管理行业整体的一个因素。如果说国内也做类似于IRA，免税的养老账户，那它对整个财富管理行业都会有一个很大的提升。

授之以渔

推荐的书籍

资产配置方面有一本书叫《机构投资者的创新之路》，由耶鲁大学的教育基金编写，中文译版是由高瓴资本创始人张磊翻译的。这本书很浅显易懂，把一些很复杂的概念以很好的例子和数据展现给你，是一个很好的入门书籍。

学习方法

做资产配置或是财富管理，首先我们解决所有问题的流程都是分三步，是什么，为什么，怎么办。在财富管理和资产管理的框架下，

是什么？其实就是我们需要对市场有个了解，我们需要去理解市场，做市场分析，包括基本层面的分析、技术层面的分析，如果你做的更专业更高级一点，可以去学一些统计学的知识，包括现在我这个机器学习的知识，更垂直一点，比如说金融计量学的一些知识。那你就会对 “是什么”这个问题有一个比较好的理解。

为什么？用统计学或者是机器学习的方法看到了市场的一些现象后，就需要更深入地去理解它，对它做一个分析。这一块涉及到金融建模方面的一些知识，这个领域会更深一点，更难一点。比如说你要学概率论、随机分析、金融市场建模的模型这些东西。 “是什么”和“为什么”其实是有一个循环分析的过程，你看到的是什么，然后提出一个模型，再用统计学的方法去验证这个模型，直到达到一个比较好的效果。

怎么办？我现在有一个模型，想知道基于我现在的投资的目标，现金流的需求，风险偏好和流动性的需求，应该怎么样得出一个最好的财富管理或者资产管理的方案？这个问题本质上是一个优化问题，如果要把这个问题用很数量化、很高级的方式去做，那你需要学一些优化算法之类的理论和方法。

经过这个轮回，你对这个问题有一个解决，然后再回归到金融市场的数据里面，把自己解出来的几个方案进行回测，这样就形成了一个循环。从这些数据得到是什么的看法，再到为什么的结论，再到怎么办的结果，然后再回到金融市场的数据进行验证，最后得出来一个不错的结果。基本上这是一个大概的过程，当然如果要把这个东西理解得很深入，你需要学习方方面面的知识。

学习建议

如果想深入了解，你可以去涉及几个专业领域。比如说想了解financial planning（金融规划），想给自己的家人做一个金融规划或者是励志做一个金融规划师，那你可以去一个组织叫CFP，读他们的text book，参加考试成为一个注册金融规划师。

如果对投资管理、资产配置更感兴趣，你可以去看CFA的text book，尤其是到CFA3会讲很多有关于资产配置、财富管理的内容。

粉丝提问

您自己如何配置资产？

林常乐：我自己是深信这一套基于数据驱动的理论和最后的结果，所以我还是会用这个流程去算，然后得出来一个结果。一些简单的规则，比如说智能化的系统还没有开发出来之前，投资顾问是怎么样帮人管钱的？大概是有一些规则的，虽然现在来看不一定准确，但是比你自己拍脑袋去随便投资还是要管用一些的。

年轻的时候可以承担更多的风险，我们就它叫100准则，就是用100减你的年龄，比如说你是30岁，用100减30是70，70%投资到股票类的资产大类里面， 30%投资到债券里面，这是一个从经验来说比较靠谱的准则。虽然它是一个经验准则，但是仔细琢磨，它背后跟我刚刚提到的几个因素都有关系。比如说流动性因素，年轻人投资的周期更长，他对流动性的需求没有一个七八十的人要求那么高，所以他可以投资在高风险、高回报的资产里面更多一些。

另外一个，就是我们说的human capital（人力资本）。年轻的时候，你的人力资本更多，学业完成以后，人力资本经过几年工作达到一个高峰，这个时候其实你的人力资产是会产生一个很强的未来的现金流，所以你在这个时候可以承担更多的风险。

但如果你想要把它做得更好，建议采用一个非常专业、非常优秀的投资顾问的建议，或者是一个智能化的财富管理的系统。

本期嘉宾——林常乐

本科毕业于清华大学数理基科班，博士毕业于普林斯顿大学运筹与金融工程系，师从大规模金融优化大师John Mulvey教授与固定收益界权威Frank Fabozzi教授，获得17届校长William Bowen Fellow

前世界三大财富管理机构之一的美银美林担任投资引擎的架构师，为美林财富管理主导开发了世界领先的机器人投资顾问系统

现清华大学任兼职教授，负责金融科技实验室的财富管理科技研究