智慧金融一直被認為是AI目前最被看好的落地領域，特別是智能投顧。雖然在歐美國家，智能投顧正在如火如荼的進行，可是我國，情況似乎并不明朗。
作為銀行系首家上線的智能投顧，摩羯智投無論是體量還是影響力上都榜上有名，雖其規(guī)模已超80億，但其未設置風險評測機制，基本處于以銷售為導向的階段。而宜信旗下的投米RA，最初上市時主打海外投資，去年6月推出人民幣版本，其風險等級共9等，無論最高還是最低，反反復復就是8只基金，對大額用戶而言，顯然風險不能分散。除了摩羯智投外，其他多家智能投顧們少有向公眾袒露其資產(chǎn)管理規(guī)模的，個中原因就值得玩味了。
為什么智能投顧這把火似乎還沒有燎原之勢？
（瑞士銀行設在美國的交易場2011年和2016年的對比）
智能投顧之困局： 霧里看花還是蓄勢待發(fā)？
我國的智能投顧從萬眾期待到門可羅雀，智能相對論認為主要有幾點原因：
1、缺乏生長的土壤，智能投顧概念重于形式。
Wealthfront是美國最知名的智能投顧公司之一，主要目標客戶是有充足的現(xiàn)金流，卻沒有時間精力和投資知識來打理自己資產(chǎn)的年輕人。投資的準入門檻很低，設定為5000美元，10000美元以內(nèi)不收取管理費（超過部分費用約為0.25%），交易程序也被大大簡化，增長速率非常快，在2018年初就已經(jīng)管理了100億美元的資產(chǎn)。
而我國當前市場上正常的智能投顧均以公募基金為資產(chǎn)標的，通常其認購、贖回、托管成本和管理費用綜合達1%－2%，是國外智能投顧的2－8倍。
智能投顧的實現(xiàn)基于對細分產(chǎn)品的量化，國外的智能投顧投資組合主要以ETF為主。目前美國大概有1600只ETF，共2萬多億美元的市場，而中國僅有100多只ETF，大多數(shù)為股票，沒有債券、大宗商品和針對不同的產(chǎn)業(yè)的ETF，不能做到分散投資，有效配置資產(chǎn)更無從談起。因此，現(xiàn)在很多所謂的智能投顧，只是投資經(jīng)理根據(jù)自己掌握客戶的投資偏好做統(tǒng)計并推介投資方案，本質上還是披著人工智能‘馬甲’的傳統(tǒng)投顧業(yè)務。
同時，智能投顧涉及到投資咨詢、產(chǎn)品銷售和資產(chǎn)管理三塊業(yè)務，而國內(nèi)這三塊牌照是分別發(fā)放和監(jiān)管的。由于是純線上的平臺，監(jiān)管難度非常大，監(jiān)管層也處于觀察階段。
因此現(xiàn)階段，智能投顧依然處于概念重于實質階段。未來將如何走，還有待進一發(fā)展。
2、大數(shù)據(jù)大而不“精”，深度學習黑箱遲遲難揭。
人工智能發(fā)展起來的關鍵是有了大量的數(shù)據(jù)，甚至可以說人工智能發(fā)展80%歸于數(shù)據(jù)的豐富，20%歸于算法的提升。
在金融行業(yè)，數(shù)據(jù)極易標簽化，這給人工智能在金融領域發(fā)展極大的利好。然而，從數(shù)據(jù)大上來說，智能投顧所獲得的數(shù)據(jù)還不夠多，這個不夠多不是指數(shù)量上不夠，而是指維度上的單一。
智能投顧主要是基于用戶畫像和資產(chǎn)刻畫提供精準服務。用戶畫像需要投資者交易行為數(shù)據(jù)的搜集和分析，而我國客戶的投資行為習慣非常脆弱，客戶是基于長期被動投資、指數(shù)投資還是主動投資，帶來的結構對智能投顧的挑戰(zhàn)是截然不同的，因此客戶的風險畫像有時候很難精準表述它的特征。而資產(chǎn)畫像需要對金融產(chǎn)品，以及結合市場的數(shù)據(jù)的搜集和分析，國內(nèi)目前在這塊上略顯薄弱。國內(nèi)擁有成體量的有價值的數(shù)據(jù)信息的公司很少（BATJ等寥寥幾家）， 而擁有優(yōu)質數(shù)據(jù)資源的公司組建了牢不可破的數(shù)據(jù)封閉體系，并不能很好的互通，再有就是數(shù)據(jù)整合模式不成熟，缺乏大的平臺型數(shù)據(jù)公司，造成有價值的數(shù)據(jù)過于分散，接入成本高。
如果算法在智能投顧賦能中占比20%，那深度學習起了至少一半的作用。據(jù)說深度學習領域所認可的人才分兩種。第一種是開宗立派的人物，比如發(fā)明CNN（卷積神經(jīng)網(wǎng)絡）、DNN（深度神經(jīng)網(wǎng)絡）、RNN（循環(huán)神經(jīng)網(wǎng)絡）的宗師級人物。還有一種，是真正能夠把參數(shù)調好的人，這極其稀缺。比如對于多層神經(jīng)網(wǎng)絡，是設置10層、5層還是7層效果最好？每層都有很多參數(shù)，應該輸入多大的數(shù)據(jù)量才會產(chǎn)生理想結果，這是一個經(jīng)驗值，甚至沒有規(guī)律。比如當你輸入大量數(shù)據(jù)后，得出一個結論后，你沒辦法回溯怎么得出這個結論的，甚至你無法證明這是最優(yōu)解。所以深度學習最大的問題是黑箱。