【财讯】通联数据冯钦远：中国资管业正在经历非常深刻的变革

本资管报于7月20日在上海召开“中国资产管理年会”，本次年会的主题是“金融供给方结构改革和优质快速发展，通信数据首席文案官冯钦远出席“大分类资产配置主题论坛”，以“科学技术赋能投资——科学投资为基础”

冯钦远说，中国资本管理领域正在经历非常深刻的变革，这种变革给整个中国资产管理者带来了很多新的挑战。 从规模上来说，随着社会保险基金、保险、银行资产管理子企业继续进入市场，对资本管理者来说，以比较便宜的方法支撑大量兆级资产管理，实际上需要工业化运营的能力和思考。 其次，从顾客的诉求来看，无论是社会保险的钱，还是保险的钱，还是银行理财子的顾客的钱，实际上这些钱在风险偏好方面都有点共性，要求我们的管理者带来长期稳定的利益，这是资产管理 第三，在整个新闻化时代成长的80、90后，他们对以前流传的电话销售、柜台销售的营销模式不再满意。 但是，我想在新的场景中，在互联网上，在移动网络上获得个性化定制的产品。 这要求我们的管理者在产品的开发、运营方面有非常深刻的思考和发现。

以下是演讲的全文。

各位领导，各位来宾下午好。 有此机会，我很高兴代表通信数据报告我们对中国资产管理领域的想法。

通联数据是金融科技企业，今天我的报告会从比较特别的立场切入。 从fintech的角度，介绍通过人工智能技术和科学投资理念为资产管理者、资产管理领域带来新价值的方法，从这个角度进行一点分享和阐述。

今天的报告主要分为两个部分，第一部分是关于领域的人知，第二部分是智能资源管理处理方案中我们进行的探索和尝试。

事实上，我认为在今天的全天会议上，中国的资源管理领域正在经历非常深刻的变革。 这种变革给整个中国资产管理者带来很多新的挑战。 具体来说，从规模上来说，随着社会保险基金、保险、银行资产管理子企业继续进入市场，我们知道对资金管理者来说面临的新问题和课题，即如何以比较低的价格来支持大量兆级资产管理。 这实际上要求工业化运营的能力和思考。

第二，从顾客的诉求来看，我们知道，即使是社会保障的钱、保险的钱、银行资产管理子等顾客的钱，实际上这些钱在风险偏好方面也有共同点。 要求我们的管理者产生长期稳定的收益。 这是资产管理领域永远的课题。

第三，我们知道，在整个新闻化时代成长的80、90后，他们对以前流传下来的电话销售、柜台销售的营销模式不满意。 但是在新的场景中，我想在网络上，在移动网络上获得个性化定制的产品。 这要求我们的管理者在产品开发上有非常深刻的思考和非常深刻的发现。 这是第一，中国资源管理方面面临着新问题的新挑战。

另一方面，我们看到多个海外头部资管机构，他们对中国资管市场很有意思。 我们知道上季度贝莱达宣布进入中国市场的同时，还建议建立中国顶尖的资源管理机构。 发生了问题。 这些海外投区机构到底有什么杀手？ 他们的自信是从哪里来的？ 通过我们长期的研究，包括与这些机构的信息表达和交流，有些答案认为这些机构可能在成熟市场中，通过几十年的运营，形成了比较完善的科学投资理念和做法论、系统。

这个系统有一体化的两面，一方面是自身的投资管理足够科学，另一方面他们有比较强的投资管理平台支持。 具体来说，首先，这些海外头部管理机构在很大程度上不再依赖人的个人经验、明星基金经理的个人决定，成为投资运营整体的核心推动力。 相反，他们有比较成熟的投资模式、投资战略、投资体系和投资架构。 应该说这些架构模型和战略在市场上反复验证，表明可以生成“α”，进而以他们的理念为中心，他们构建了比较完善的投资管理流程、风控机制(包括评价的规范)。

另一方面，事实上，我们认为有更重要的一面。 这些头部的海外资源管理机构往往有非常强大的基础资源管理平台。 通过这样的平台，将他们的科学投资理念固化为投资纪律、投资流程和投资规范。 纵观这些顶级的资源管理平台，我们发现两个要素是不可或缺的。 首先，基础丰富的投资能力、消息是基础。 另一个是以组合整体的构建、组合管理的全过程为中心，构建闭环生态系统和丰富的场景。

我们知道现在进入了大数据和人工智能的时代。 在这样的时代，上述科学投资的系统有什么新的演绎方向呢？ 我们的联通数据非常尊重本投资，即量化和基本面密切结合的投资理念和做法。 其实这是华尔街也普遍接受的做法论。 具体来看，以前流传下来的资本方面的研究很大程度上依赖于人类的经验，在解决小数据方面有明显的特征。 也就是说，研究非常深入，但在复盖面上相对狭窄。 反过来说，量化研究可以与机器学习、人工智能等技术相结合，可以在非常大的范围内发现市场法则，问题在哪里？ 在逻辑评价中，人工智能在认识水平上可能有点短版。 后面有非常自然的想法。 如果我们能把人的逻辑推导能力的逻辑思维给机器，我们能把整个研究认识水平提高到新的水平吗？ 这是我们一直在做的具体实践。

让我举个具体的例子。 这其中包括人类投研者进行的非常基本非常共同的企业研究范式。 比如，研究长城汽车的利益，做相应的预测，就必须做层层剥茧的解体。 要看利润和分解，评价费用预测事业线，降低到产品甚至产品的价格和量，评价产品量需要考虑终端底层的因子、宏观水平、微观水平的代替数据等，如果有这个人的分解框架，就下一步 我们通过融合许多各种模型，反复检查、迭代，形成了最适合这个上市公司利益的拟合和最佳预测模型。

年a股企业进行的大规模样本收益预测中，整体精度与财务报告相比平均误差在8%以内，远远超过分解师的平均水平，这是非常自信的。 说明衡量本投资的做法论确实在实务上是可行的。 道理也很容易理解。 如果给出这样的人的分析逻辑，机器学习是无限的，会不断重复。 理论上，无论企业、领域还是宏观，我们都可以构建市场上最完整的分解框架，使之与个性化的最佳预测模型一致。 另外，全天候实时预测和实时监视不能说这个模型的精度是以前传达给人类的。

基于这样的原理，我们把做法论不仅扩展到企业层面，还扩展到资产管理的各个方面，在各个维度上，构建了我们所谓的全资产一站式、人机结合的资产管理处理方案。 这个方案实际上包括三个级别。 最下层是我们的数据层。 也就是说，我们最近更进一步，根据人类机械结合的理念，深入了解人类投资和算法模型，包括市场上可获得的各种新闻(非结构化新闻、非结构化新闻、替代新闻的全部整合) 如上所述，我们有智能收益预测模块、智能投研框架模块，专门拆除领域的景气、宏观表现。 资产配置模型，基于优化器的大分类资产配置，组合优化。 基于“α”因子分解模型的组合管理。 基于这样的核心模块，我们可以支持整个资产管理环节，包括市场监控、投资、组合管理和拆除管理。

具体来说，这种知识资本管理整体的处理方案给顾客带来的价值有以下几点。 从数据的基础来看，帮助顾客贯通基础的各种数据，形成强有力统一的基础数据能力。 二是从投研的角度来看。 很多投资基金经理给我们反馈，日常最大的问题是什么？ 消息太多了，我其实不需要那么多消息。 我也出不了力。 我只要你给我一组与我组合相关的与我的投资战略相关的新闻就行了。 在日常变化的过程中，这个新闻筛选因人而异，需要消耗大量的时间。 我们通过智能监视、智能搜索，智能预测可以帮助我们的顾客实现所谓的监视外包、研究外包。

向前看，我们要做工业化的资产管理，形成工业化的生产能力，重要的环节是量化的能力。 不幸的是，量化这件事是有门槛的。 我想通过我们这样的应对方法，即使是没有编程能力的投研者，也能非常简单地进行战略构筑、战略解体、战略倒退。

在组合管理行业，以前流传下来的现在的操作方法依靠投资者个人的经验，我们知道这其中有非常好的地方机器很难竞争的地方。 例如，在我们的服务过程中，我们发现如何优化组合是值得讨论的。 理论上，我知道无论给予什么样的投资组合，我都可以通过这种基础资产目标的权重调整，提高整个投资组合的资产风险收益配比。 我们知道这个事件在理论上是可能的，在实务上，每个投资组合都有明显的风险。 但是，实际上偏向基本面研究的投研者在日常实务中可能缺乏类似的工具。

我们知道在风险管理行业，这几年物料管理机构实际上很重视风险管理。 但是，从我们基数的角度来看，在风险管理的广度和深度方面，还有进一步提高的空间。

最后，我们知道整个组合的运营过程是非常繁杂、非常需要人手的过程。 我们希望通过这样的一站式处理方案，让客户自动化透明产品的网络计算、分解和日常报告的自动分解，帮助产品整体运营的效率化。

我想通过我们这样的基于人机结合的一站式资产管理处理程序，给客户的日常运营过程带来新的体验。 首先在投研行业，智能管理时代、投资过程、研究过程应该非常一体化、非常智能。 也是比较自动化的过程。 这部电影中的蓝色部分是本公司的投资者，需要根据自己的市场理解建立因子、“α”模型和风险模型。 如果有这个战略之后的事件，系统可以根据机构的相应限制形成合理的投资组合，执行算法的交易列表，与我们的优化程序相结合进行相应的优化。 当然，在这个全过程中，人类投资者可以执行自己的投资战略。

在风险发现方面，帮助客户构建全过程、透明和定制的风险管理系统和模块。 投资前可以帮助顾客进行科学的产品分解和产品筛选。 其中以非常丰富的指标进行了动态和实时的透明监视。 通过投入压力测试、方案分析等丰富的工具，支持整个风险管理。

这在技术上想强调知识图像在深度风险管理中的应用。 例如，一家银行在-年持有光伏领域的非上市公司债券。 我们知道14，15年出现了债券的唯一风险。 如果这家银行事先构建了基于知识地图风险监视的系统，那么在这件事发生之前有很多机会事先预测这个风险。

例如，光伏领域的景气变化，根据我们的核心指标、投研框架的追踪，第一时间能发出相应的警告吗？ 其次，如果这个领域的经济持续恶化，这个领域的上市公司股票的价格也会相应地发生负面变化。 因为我知道股票市场对公司的利益会变得敏感，所以如果不更加关注的话，作为第三步，这个领域的上市公司债券会发出一点负面的公告消息，年发生债券上市、债券违约，此时，用知识地图的方法重新 因此，这种多阶段、全市场、全天侯的知识图像风险监视警报机制可以帮助我们的资产管理者比较有效地管理风险，避免踩地雷。

最后总结一下，像我们这样的智力资本管理处理方案，被称为有价值的真正智能的资产管理处理方案，不仅为顾客提供平台，提供it产品，还让我们的顾客在整个资本管理过程中沉淀最核心的能力，最下层 从风控模型、评价模型来看，如果这些模型体现了我们组织的管理风格我们再后退一步，这种资源管理整体的处理方案，或者基于这种量本投资理念的新模型，将是资源管理领域整体的变革、商业模式 我们知道现在的资管模式一开始，实际上很依赖人，依赖明星基金管理者，人移动，他的超额收益不稳定，同时需要很强的激励。

实际上是我们人机结合的新产品的运营模式。 核心技术都沉淀在模型、算法、战略中，相对来说他的利益稳定、可预测。 更重要的是可以认识到。 你知道我的收益来源是什么，所以可以根据顾客各种场景的诉求设定合适的产品。 其实这样的越来越多是互补的模式，我们从团队合作的角度来看也值得进一步。

最后，当然，我知道资本管理领域的变革，人工智能的渗透和应用，当然是非常长时间的过程，充满了各种挑战。 我们的通信数据希望利用我们庞大的数据，对科学投资、量本投资有深刻的理解。 我们的尖端技术和资产管理者合作，在人工智能的大时代创造新的价值。 人工智能，让投资更有效率，最后各领导，各嘉宾扫描代码，欢迎我们参加为这次年会设置的服务群，给予越来越多的指导，感谢大家的时间！ 谢谢你！

全天候滚动播放最新的财经信息和视频，越来越多的粉丝福利扫描二维码备受关注( finance )。