数字时代,资产管理如何依靠先进智能技术完成蜕变?

机器学习、人工智能、自然语言处理和预测推理等技术都成为了为资产管理带来巨大价值与见解的关键。

昨日,波士顿咨询发布最新报告,讲解数字化时代,资产管理行业如何使用先进的分析技术完成蜕变。机器学习、人工智能、自然语言处理和预测推理等技术都成为了为其带来巨大价值与见解的关键(关注机器之心微信号,点击阅读原文,下载原报告)。

资产管理人总是努力为客户做出能够产生优秀投资表现的决定。他们已经开始使用策略指导决策,但是所用的工具和分析方式还没有多大变化。然而,如今的新数字化技术挑战着现状,并且威胁到了那些严格坚守传统方法的企业的稳定。机器学习、人工智能、自然语言处理和预测推理等技术让快速运作的公司和金融技术供应商能回答众多问题并构建场景模型,推动传统分析的向前发展,提供有针对性的见解,以前所未有的精度和速度处理众多投资变量。在很多案例中,全面综合分析以前­可能需要几周的时间,现在可以在几个小时内就可以完成。

这些最初只有一小部分资产管理人员使用的分析方法将直观且具有成本效益的解决方案带进了主流。颇具希望的创新­包括可以挖掘大量结构化和非结构化数据的机器学习平台;可以揭示重要证券投资组合影响的预测推理和人工智能平台;一个能够产出大规模事件研究和相关分析的快速统计分析;能够识别上下文和从不同数据类型中挖掘见解的语义分析;能够书面总结复杂多样的信息并将其直观显示出来的可视化工具;自然语言处理引擎和数据聚合平台,方便管理者及时获得不同形式的数据。

有了这些先进技术,资产管理人可以获得显著的信息优势,优于那些主要依赖传统数据源和分析实践的同行;他们可以研究大量的数据;刷视频和卫星影像来预估零售商的黑色星期五前景;从社交媒体、文本和电子邮件中提取预言市场情绪的见解;在财报电话会议(earning call)上解析 CEO 的意见并估计下一季度业绩的潜在影响。他们可以分辨出意想不到的天气破坏会如何影响他们的投资组合,甚至能反驳长期存在的关于市场如何运作的信念。智能、动态的投资技术也可以帮助管理者评估自己的表现,看看他们是否会在错误的时间做了正确的决定,买得太晚,或听了那些将他们推向错误方向的「意见领袖」的话 。

无论资产管理者的特定利基(particular niche )或焦点是什么,这些见解都可以给他们带来巨大的价值。为了避免被边缘化,企业应迅速采取行动并慎重采用先进的数字战略和可持续能力。此篇文章展示了公司使用先进分析的五个步骤:

找到合适的试行机会

聚集一批跨学科的利益相关者

构建用于测试和学习的沙箱

睁大眼睛寻找合适的工具和合作伙伴

对准目标运营模式

找到合适的试行机会

在新技术试验中,公司应优先考虑一些有针对性的措施,以一个集中的资源­约束方式实现眼前这些实实在在的好处。在这个过程中,他们应该抵制两个诱惑:「深奥的科学实验」,其关注焦点非常狭隘,让计划不能产出规模化的结果;和「大爆炸」,其涉及领域过于雄心勃勃,估价太高,需要很长的时间来证明其价值。

试行项目需要满足下面三条标准,成功的几率比较大。

第一,调整好公司目前的投资流程,因此减少「机构排斥」的风险。(管理部门可能会抵制这个号召改变市场定位的激进项目,例如,试图像新兴的人工智能对冲基金那样去竞争,这些观点是否会导致正面的投资决策等。)

第二,缓解明显的痛点,解决令人苦恼的重要问题,比如需要大量资源和时间去收集和构建数据集的分析——例如,识别特定的自然现象或历史事件,然后在此基础上构建历史上市场绩效的数据集。

第三,不依赖于大型构造或捕捉新的内部数据(从内部创造新的数据资产或从周围遗留的数据体系中构建数据资产,会给时间和预算造成压力)。

一个合理规划的试点项目会事先明确定义一套成功的标准,包括一个以上的具体分析问题,以及使用各种工具。这种多功能组合能让项目更好更快地迭代——意识到获取分析引擎权利和确定一个合适的投资假说一样重要。例如一名资产经管理人创建了一个试验,了解厄尔尼诺天气模式如何与组合投资行为相关。初步成功的标准之一是速度:不同的分析工具如何快速处理非常大的数据集来提供全面的事件研究?厄尔尼诺发生时,这一事件的研究显示,管理者的投资组合与历史的异常天气模式的相关性比预期弱。无论如何,试验验证了内在的建模技术,并帮助塑造了一套投资决策。它还表明,通过结合几个不同的供应商工具,这个资产管理人可以在几个小时内完成一次事件分析而不是几周。

不同公司最佳机遇的甜蜜点也会不同。最关键的是要花足够的时间找到一个好想法,同时也不要陷入追求一个「完美」假设。行动迅速,且不急于处理更多的包含分析会更加有效地推进事业。

聚集一批跨学科的利益相关者

鉴别出能使广大企业受益的试点机会需要广博的专业知识。当公司将寻求机遇的重任完全交到 IT 人员或一小组投资专家的手上时,此倡议往往会失败。这是因为开发强大的、创新的模型甚至能测试出投资最多元化的团队的局限,更别提个人了。这个过程需要持续不衰的动力和最终的资本注入——这是单一团队经常缺少的。以我们的经验来看,最成功的公司在创立初期获得了资金支持,并形成了对多元投资和技术学科的跨学科表征。

在一家成功部署一套创新工具的公司,聚集跨学科试点团队明显地有助于加快倡议走向市场的速度。管理者首先精选出一小组来自各种资产类别和策略的投资专家,然后让他们与公司内部的具有数据科学背景却缺乏组织战略经验的科技专家相互辅助。随后,这在 IT 应用开发团队中加入了利益相关方。这个八到十人的团队接收到的命令是思考出在投资过程中应用颠覆性技术的方法。

这个团队有一个可以引来供应商的小型资金库,还有短暂的时间提出最具吸引力的机会类型的初步建议。在几轮头脑风暴后, IT 团队用机器学习算法评定出可能的金融科技合伙人,并邀请其中几位最有前途的人施展他们的能力。此团队最后选出一位合伙人,让其加入到开发团队中帮助构建和运行分析。这个协作模型能促进对新分析案例的快速处理,并帮助公司在短短几个月内将机器学习能力正式化和规模化。

构建用于测试和学习的沙箱

金融技术和其它技术创新的广度使实验比以往任何时候都便宜,但这样的实验需要呼吸的空间。

许多成功创新的资产管理者创造了一个「沙箱」环境,从事投资的专业人士在其中有他们所需的足够的时间、空间和数据权限让他们测试不同的应用案例,技术团队也能在其中构建一个与执行系统断开连接的测试环境。团队总是想将这些工作模拟出来;但随着沙箱的发展,一些公司拿出了较小的非客户资本库以演示这些方法可以生成的表现的类型。这种设计结构能保证该数据环境的独立(即有意将其与前端的办公工具、工作流或后端办公系统隔开),这样就使团队成员在使用和测试新的模型时不必首先考虑公司的架构和风险评估过程。

和传统的开发方案不同,沙箱方法的目的不是从一开始就创造出老式的、可以直接用于生产的设计,而是要验证一系列的场景和试点。

睁大眼睛寻找合适的工具和合作伙伴

资产管理者和技术供应商越来越多地将彼此看作是潜在有吸引力的合作伙伴。许多更小的金融技术公司已经开始为他们的资产管理部门定制它们的分析工具和方法,许多投资公司也开始接触金融技术以便快速而有效地获取它们所需的数字专业技能。

伙伴关系趋向于四个主要领域。(参阅图表「强化资产管理者的分析能力」)企业应该关注哪个重点领域取决于企业的数字方面的雄心和能力。在权衡他们的合作需求时,资产管理公司应该考虑它们是想要一个支持各种端到端需求的、提供全方位服务的合作伙伴,还是专门提供资产管理中特定元素(比如数据可视化和分析)的供应商。比如 Palantir 和 IBM Watson 这样的供应商可以帮助快速结构化数据,带来重要的外部数据,并快速开发分析。蓬勃发展的小型供应商生态系统已经发展出了应对具体分析案例的能力,和处理或解读公开可用和企业专有的数据的方法。

但是,不管合作伙伴能力如何,企业都不应该将雇佣供应商视为交出领导权的机会。这么做要么往往会导致解决方案被过度开发,要么就会导致对解决方案理解不足从而无法从中获得发展助力。相反,应该确保内部的跨职能团队与供应商在从概念验证到实施的整个阶段都是在共同开发。这样一来,公司才能获得其所需的解决方案并在早期就将最终用户引入到该过程中,从而缩短了学习曲线,提升了用户采纳。

为了帮助自己始终处在不断变化的技术空间的前列,一些公司任命了一位创新领导者,其它一些公司则将数字战略讨论放进了它们的日常管理会议中、为那些带来了能引起他们的注意的新想法和创新的人提供职业发展机会的奖励、和组织定期的向技术中心转变等举措。但不管一家企业如何选择管理知识采集,它都不应该假设它已有的团队或技能组合可以马上就有效地利用这些工具。相反,企业应该寻找能够与它共同成长的合作伙伴和项目。

对准目标运营模式

对公司来说,重要的是要将试点和组织内的其它部分隔离开——但一旦证明这些尝试是可行的,组织就需要将其规模化。要做到这一点,需要思考以下三个要素:

流程和技术。从业务和 IT 架构的角度上,企业应该决定它们将需要哪种技术,以及它们将怎样获取和结构化数据。如果没有这样的对它们需要哪种类型的分析的见解,企业可能每天都会都会丢失关键的数据资产。而是应该拥有一个支持围绕决策纵向获取非结构化数据的系统,这对理解影响投资业绩的因素是至关重要的。

工作结构。企业需要考虑如何构建自己的组织以便最好地利用合作伙伴的支持。他们也应该明确谁应该对不同类型的工作负责,同时确定应该构建和内部集成那些功能。这个第二点是尤其重要的,因为许多企业将需要特定的分析能力以使用和维护它们的投资工具、结构分析和解读结果。许多领先的企业已经开始构建卓越的功能中心了,这些中心是可以跨投资团队和资产类别共享的。这种模式让公司可以不用在自己组织的不同部分构建冗余的能力就能使各种技术广泛可用。

组织。企业必须清楚了解它们的资产管理者目前的能力,并要周到地认识到它们的关键技能组合中的空白。这种所需的评估超出了处理分析和数据科学的能力,而还需要寻找能战略性地思考行业动向和能让该企业早点注意到最有前景的技术的个人。然后这些企业可以在培养或招募必要的人才变得不可接受地昂贵之前就对这些领域进行投资。企业也应当思考应该如何在组织中安置技能熟练的个体,以最大化地利用他们的技能并保持他们的参与感和兴奋感。

快速和战略性地拥抱数字变革的资产管理公司将会占领最好位置实现对投资者的优越回报。当企业权衡投资哪里以及如何投资才能获得最大的回报价值时,需要考虑一下几个问题:

我们业务的哪些部分能从投资技术中获得最多利益?

从市场的角度看,如果不参与进来,我们会承受怎样的经济上的损失?

我们必须如何适应我们的文化和组织来创造最大价值?

我们需要什么技能来确定正确的机会并在这个领域获胜?

在我们的 IT 和数据上实施改变时,我们应该如何为后果做好准备?

哪些关键问题可能会阻碍对管理共识的构建?

本文选自:波士顿咨询,作者:Ben Sheridan、Brent Beardsley、Martin Ouimet、Elias Baltassis,机器之心编译;

©机器之心,最专业的前沿科技媒体和产业服务平台,每日提供优质产业资讯与深度思考,欢迎关注微信公众号「机器之心」(almosthuman2014),或登录机器之心网站www.jiqizhixin.com  , 查看更多精彩内容。