【编者按】对于从事投资或者券商业务的人来说，2018似乎是不能再差的一年：A股跌得不成样子，中美贸易战导致经济形势也不容乐观。然而，2018年初开始
对于从事投资或者券商业务的人来说，2018似乎是不能再差的一年：A股跌得不成样子，中美贸易战导致经济形势也不容乐观。
然而，2018年初开始的AI转型却大有星火燎原之势。相对于市场的冷清，券商们在科技人才的投入上确实算大手笔，除了部分业务人员的裁剪，大多数券商都在拼命招徕科技人才。不过，一直到2018年末，券商们的AI焦虑也还没有缓和过来。
一、营销和风控：传统优势领域的失效
无论是互联网还是其他金融机构，机器学习和深度学习等AI技术主要被用于营销和风控两个大领域，然而在券商这里还没发现足够的应用场景。
券商都有地域特性，每个券商都有自己的优势地盘。另外，券商对客户的吸引力往往是“佣金”，“佣金”低了自然有客户抢着开户。那么，这种情况下，“营销”的意义似乎不是很大，“市场好的时候，开户的人你挡都挡不住，市场差的时候，你再怎么挽留，该流失还是流失”。或者说“这个券商佣金低，明天就去那边开户”。
同样的问题也存在于券商理财产品的推销上。对于固定收益类产品，根本不需要精准营销，销量本身就非常好；而对于权益类产品，客户大多为高净值客户，单个产品购买记录寥寥，“这么点数据我感觉AI技术根本没办法帮上忙，关键还是靠王牌销售人员的推销”，某券商负责人如此说。
更不用说互联网玩得风生水起的“个性推荐”了。“用户偏好”在只关注赚钱的客户面前简直是微不足道，“根据我历史购买记录给我推荐相关股票，并不能给我带来任何好处，我只需要能给我赚钱的股票”，某散户如是说。
风控也存在类似的问题。除了部分业务的风控需求，核心交易这块的风控似乎要“严肃”得多。这就意味着对于大多数的交易来说，不会需要AI技术去做风控；而对于需要“监管”的交易来说，可能交易所更需要类似的“AI”技术去辅助，而且对于交易所的监管而言，目前更多的还是通过人来监管，而不是“AI”技术。
当然，对于业务多元化的券商来说，营销和风控仍有不少场景可以落地，只是太过“碎片化”，让大家觉得不够“核心”。
二、图像识别和语音识别：AI兴起的主赛道，解决不了券商的核心痛点
图像识别和语音识别是AI技术兴起的主要应用场景，对于某些行业或者产品，比如说安防、智能音箱等，是最重要的核心技术。
对券商来说，这些却不是痛点，有的甚至连锦上添花都说不上。这也导致“AI技术无用论”的观点在券商很有市场。
图像技术在做APP人脸识别，或者门禁之类的场景还是挺有用处，不过这些在券商这里只能用来赶赶新潮。
语音识别可以用于智能客服，已经有不少券商在进行尝试，然而要深入地做出相应的成果又谈何容易，目前还没有哪家券商做出真正“智能”的客服来。
三、智能投顾和智能投研：曾经的风口浪尖，现在的雾里看花
对于国内的投顾市场来说，连人工投顾都是在逐渐上升的通道中，更别提“智能投顾”了。对于市面上林林总总的带“智能投顾”影子的产品来说，大多数只是提供了最基础的“投资组合”建议。对于普通投资者，选择这种方式推荐出来的投资组合，还不如买个理财产品来得实在。
还有些投顾产品更偏重于“智能”。不过，以当前的智能问答水平，处理一些确定性的“客服”问题还可以，对于这种专业的非确定性的咨询类问题，就显得捉襟见肘。更何况，对于真金白银的投资，连“真人”投顾都很难建立信任，更何况这种“机器人”了。
另外，国内的散户都是冲着阿尔法来的，没有赚贝塔的耐心，这也导致投顾推荐的产品要么不够有吸引力，要么风险大得让人没办法相信。
对于智能投研来说，主要有三块内容的进展令人无法满意：
一个是资讯推荐。投研分析师希望将世界上跟自己关心的股票相关的咨询都推荐过来，并且带有上下游明确的信息。对于当前的爬虫、产业链图谱来说，实在是太难了。当然，这块研究并非毫无进展，目前至少能把关系比较明确的推荐出来。
另一个是情感分析，即分析出新闻或者研报的“正面”还是“负面”情感。首先，利空还是利好往往取决于产业链上的位置，一条新闻或者研报对某只股票来说是利空，对另一家来说可能就是利好。而当前流行的NLP技术是没办法真正“理性”地分析出“利空”“利好”来的，所谓“情感分析”，也就是从文章中找到某些情绪类的表述，从而从文章整体角度判断出“情感”来，但没办法区分出文章中对应的实体，甚至是产业链上的实体。
还有一个就是自动研报分析。自动摘要技术在深度学习的支持下，效果比之前好很多，而这种“效果”也只是“通用”的效果，对“研报分析”来说却用处不大。对于不同的研究员，研读研报的目的不同，关注的重点也不同。可能这个研究员当前关心的是某个指标或者数字，而当另一个研究员看到类似研报的时候，关注的可能是其他的内容。所以，所谓的研报分析或者自动摘要，在投研领域就显得有点鸡肋了。
四、AI平台以及其他基础架构：与其苦苦追求核心应用，不如夯实平台基础
随着AI平台在几家头部券商的推进，其重要性也慢慢凸显出来。这是因为，如果单说“营销”本身，可能对核心业务的作用没那么明显，但如果横向切分出“营销”条线来，意义就比较大了。随着券商业务的多样化，多数业务都需要“产品推荐”、“获客”、“流失预警”等应用。这些场景越多，AI平台的价值就越明显。而通过AI平台将数据处理、模型开发、模型部署等统一到中台来的方式，也越来越符合大券商们的“中台”战略。
对于风控也是类似的，几乎每条业务线都存在“风控”的需求，就连APP上搞点活动也有被“褥羊毛”的可能。如果AI平台具备较强的风控的能力，券商只需要在AI平台上的很小投入，就能提升所有业务的风控能力。不得不说，这样的平台是非常诱人的。
除了AI平台，还有一些券商已经开始构建“用户画像中心”。如果仅仅是“用户画像”本身，相信很多券商已经在不同的应用场景做得不错。而试图去做一个“用户画像中心”，意味着底层需要很好的工具和平台支撑。比如，散户跟机构客户的“画像”完全不同，如何设计、定义、管理以及进行部门间隔离、授权管理等，成了能否构建“用户画像中心”的关键。
知识图谱是另一个平台性质的产物。目前券商的应用大多还是简单地用于企业的关系图谱，通过图查找到一些信息，或者进行一些初步探索。然而，我们需要看到，真正的“知识图谱”，应该具备更“丰富”的知识在里面，而不仅仅是“企业图谱”。同时，也有一些激进的券商基于知识图谱进行了一些创新型尝试，跟风控和营销进行一些有机的组合，甚至用于舆情、智能客服、智能投研等。
五、小应用有大痛点：着眼于落地点，避免跟风之嫌
不少券商有一些明显的痛点，这种痛点未必跟“AI”有很密切的关系，却能踏踏实实地落地。
比如说跟“量化”比较相关的，就是现在单机版量化交易的Python代码不少，但由于都是单机版，时常遇到性能瓶颈，那么如何加速就显得比较重要。如果有一款产品能帮助客户无缝地将单机版算法分布式化，或者通过GPU加速达到提升运行效率的目标，那么会大大缓解客户的痛点。
另外，随着数据分析师的增多，越来越多的券商也在考虑管理的问题。如果一款“AI平台”能兼具资源管控、代码、文件、模型管理等功能，那么这些券商会很乐意去进行采购。因为，一次次的“提数”、“跑批”、“模型回测”，让管理者开始感到焦虑。每个分析师都像是特种部队成员，各自身怀绝技；而从管理者的角度来看，资源、版本迭代、模型上线等都无从管控。
今年证监会开始要求文档电子化，不少文档有电子化的要求，而之前公司上市需要的材料动则几大箱，对于好多券商的压力也不小。因此，能否有效地处理这些文档，甚至只是做一下快速的文档分类，也能大大缓解面对的压力。
随着外资的进一步放宽，券商面对的竞争也会越来越激烈。不得不承认，国内券商的整体技术水平还是跟外资投行存在一定的差距。但在不少业务领域内，这些差距在逐渐缩小而不是扩大。更为重要的是，在AI技术应用领域，国内并不比国外差多少，甚至大有赶超的趋势。我们有理由相信，通过“AI”等技术支持，券商在创新应用领域一定会有赶超或者突破。或许，2019年的时候，一些AI落地的成果能让大家放心，而不像今年这般焦虑。
