上个月去参加了金融圈的一个AI会议，会上长江证券首席科技体验官韦洪波讲到了长江证券财富管理系统－iVatarGo。到底iVatarGo是个什么样的产品？券业上的智投产品真的智能吗？

简而言之，iVatarGo就是通过分析客户的投资行为数据、交易数据，形成用户“画像”，为每位用户提供精准的个性化投资资讯、理财产品以及投资顾问服务等。与其他的市面上的智能投顾平台相比，iVatarGo有什么差异化设计？韦洪波说是标签化，iVatarGo实现了C端客户的标签化和B端资讯、金融产品、模拟组合产品、投顾的标签化，并形成了推荐系统。

具体的产品体验大家可以自行去下载体验，这里主要bb下类似于iVatarGo们的实现流程，以及智投类产品的难点。

先看一组iVatarGo实现标签化的数据流程：

数据提取范围：所有正常交易客户

时间范围：5年

存储数据量：86.7亿条交易数据

建模计算量：1878.5亿次/日

业务目标：识别客户的投资偏好及投资能力

从上面来看，iVatarGo这款所谓的智投平台跟大家做一款大数据产品是一样的，无外乎流程都是从数据提取－数据清洗－数据存储－提取大类指标－重组业务影响因子－数学建模计算－部署应用及模型评价。

清洗处理基础数据

iVatarGo提取了全公司5年内的交易数据和行为数据，也就是说对结构化和非结构化数据都做了处理，应该还没有做到完全的实时自动化处理。目前券商用自己的数据来刻画用户画像，主要使用的还是通道交易数据，也就是说真正意义上的用户行为、消费、投资数据仍还未完全打通。在数据处理阶段有两大难点，一个难题就是数据清洗筛选有效数据，这会是耗时最长的工作。另外就是突发事件等实时的非结构化数据处理还有难度。

提取大类指标及因子

iVatarGo针对清洗后的基础有效数据，提取了6大类指标：投资总体特征、交易行为特征、投资风格、投资能力、投资策略、当前持仓特征。关于大类指标，每家都有不同的做法，但终归还是要落地到基础静态指标（客户基础属性，产品属性、风险属性、价值属性等）和基础动态指标（交易行为属性、交互行为属性等），然后筛选出这几类基础指标或者衍生指标去组建一个大类业务指标，比如用户风险偏好。而每一个基础指标有多个指标因子决定，iVatarGo的6大类业务指标使用了共计106个因子。

开发业务应用场景

在做完大类指标的模型开发和评价后，就需要去业务场景化。iVatarGo主要在教育用户认知和减少用户决策两个纬度上去开发了C端用户的客户画像呈现，B端的智能化匹配等应用场景。

1、教育用户认知：这一点说的就是券商通过对用户的全方位分析，让用户更加深入的认识自我投资能力，iVatarGo的做法就是根据C端客户的标签，以标签形式为每位客户进行全方位的客户画像，通过前端友好的交互体验展示给客户。

2、减少用户决策：这一点说的就是券商通过对用户和B端产品服务进行分析，去做智能化的匹配与呈现。iVatarGo实现了三个方面的决策算法，这个过程最核心也就是算法。

资讯算法：适配与用户具有相同特征的资讯（持仓、自选股、投资偏好、亏损行业等），为客户呈现合适的资讯；

产品算法：基于用户投资特征（用户交易行为），采用有监督分类算法，为用户呈现适合的产品；

投顾算法：参考客户与投顾的相似度，为客户呈现合适的投顾人员，适配合适的投顾组合。

从业务应用场景来看，其实，iVatarGo更应该叫一款推荐系统，做的是基础的算法匹配，而不是智投系统，还没有去做大类资产配置的综合投资方案，但它完成了迈向智投应用的最核心一步：用户识别与分层匹配。

其实，目前券业上所谓的智投类产品，都还是挺能忽悠的。智投还需要解决这几个难点，一个就是标的产品不足的问题，智投应该追求的是收益风险平衡的长期策略投资，做大类资产配置，而这种策略下的交易标的严重不足，美帝的etf差不多1800，国内大概150+，基本是指数型etf，债券型和商品型etf较少，要实现对冲和分散风险有难度。

另一个就是之前说的算法，券商去做资产配置或者投资分析时，仍然可能还是以MPT、APT等量化投资理论为主流方法，但需要人工参与调参，很少使用深度学习等自学习的人工智能算法。

还有一个就是投后管理跟踪，韦洪波也说了iVatarGo会去做持续跟踪分析客户资产状况、投资行为，随时调整标签，力求在任何场景、任何时间都能提供最适合的服务和产品。当然，这个估计也还在尝试中，毕竟组合再平衡的后端决策算法在金融领域还比较基础，机器学习基本为零，但愿iVatarGo可以打响这一炮。

无论是券商、银行还是其他金融机构，所有的产品最终都是为满足用户需求而落地的，但是金融不同于其他行业的最大问题就是，无法做到满足用户需求的完全匹配，因为用户的需求就一个：赚钱，但是B端的券商、银行都无法做到100%的让你赚钱。那么在这种情况下，只要稳赚不赔的前提不成立，开发者在资产配置尚不发达的国内往往对于人性的洞察就显得更为重要，而不是算法。目前的智投更应该去做的是如何最大努力的撮合双边需求匹配？两个方向：教育用户决策和减少用户决策，也就是大家说的“教我做”和“帮我做”，在C端提供更多的教育认知、决策工具和用户画像，让用户选择更好的；在B端提供更优的分析方法、决策算法、资产配置方法以及跟踪服务，帮用户选择更好的。

iVatarGo，其实最厉害的不是它的技术，而是实现了券商服务向“用户分层、产品/服务分层”互联网服务理念的转变，能做到这一点已经迈向了智投最核心的方向：精准化服务。

最后一点，国内约70%的散户大军，投资习惯和理念对被动投资策略的智能投顾产品的认知，被教育，接受需要很长很长的时间，这条路还有很远。

什么样的产品才是好产品？

智能投顾这玩意儿说到底核心还是算法，本质还是属于量化交易的范畴，本身仍需要依赖外部假设和市场环境，前面说过智投追求的应该是长期的策略投资，那么在长期的过程中出现亏损的情况下，如何在业务流程及体验设计上，说服及教育用户持续持有再平衡，其实很难，至少现在很难，难在人性的洞察。

有人说如何评价它是不是一款好的产品？能够帮你活着度过熊市的产品，才是真的好产品。

这是长江证券首席科技体验官韦洪波看了之后也还是觉得很中肯，从腾讯财经副总裁出来的他很赞、很务实、很有想法。