跨越科技鸿沟:摩根士丹利如何用机器学习辅助财富管理?

简介:

跨越科技鸿沟:摩根士丹利如何用机器学习辅助财富管理?

雷锋网(公众号:雷锋网)AI金融评论按:本文为哈佛商业评论专题“Crossing the Digital Divide”文章之一,探寻行业巨头是如何在科技潮流中加速发展的。本文作者之一是巴布森学院(Babson College)管理及信息通信系教授,麻省理工学院数字经济研究员Thomas H. Davenport,同时他还担任德勤高级顾问。另一作者Randy Bean 是咨询公司 NewVantage 创始人兼CEO。此外,他还是福布斯、哈佛商业评论、麻省理工学院斯隆商学院评论、华尔街日报专栏作家。

金融机构提供自动化投资建议的系统被称作 robo-advisers 。虽然从业者并不是特别喜欢这个术语,但无法阻挡它成为流行词。近期,摩根士丹利宣布,利用机器学习来“武装”16000名财务顾问。据了解,这“增强版”的基于人力的财富管理系统的表现,已经远远超出了市场上的robo-advisers,未来或有可能终结这一术语。

据雷锋网了解,位于纽约的摩根士丹利于1935年开始营业,以注重客户体验而著称。旗下的16,000名财务顾问(FAs)通过诸如见面会议和电话等传统渠道,与客户保持密切的关系。然而,公司发现这些传统的劳动密集型渠道限制了潜在关系的增长和针对老年投资者的吸引力。

因此,摩根士丹利的财富管理部门花费了数年时间研究“The next best action”系统,系统可以助力财务顾问的决策,并提高效率,改善投资成果。第一版本的系统是基于规则来给予投资建议,它正在被应用了机器学习技术来匹配投资可能性与客户偏好的新一代系统所取代。今天的市场上有太多投资组合,人力财务顾问已经无法跟踪每一个组合并将它们呈现给客户。一旦有重要事件爆发,黑天鹅显现,例如英国脱欧投票并造成股票下跌,财务顾问无法在短时间内仅凭人力通知到所有客户。

摩根士丹利的“The next best action”系统设置了三个不同的目标。其中之一是为客户提供投资洞见并帮助决策。这也是 robo-adviser 市场上极为常见的功能。然而现在大多数机器推荐的是被动投资方式,投资标的不外乎证券投资基金和ETF。而在摩根士丹利系统,既提供被动投资,也可以根据客户的意愿提供个股和债券投资选择。财务顾问给他们提出几个投资建议,客户在自我判断后决定是否投资其中的一项或者全部。

系统的第二个功能是提示操作警报。内容可能包括增收保证金通知、低现金余额警报以及客户投资组合大幅增加或减少的通知。此外,还会提醒金融市场值得注意的事件,例如前文提到的脱欧投票。 财务顾问可以将个性化文本与警报相结合,并通过各种通信渠道传递给客户。

最后,摩根士丹利系统还将生活事件纳入规划。例如,如果能够确认客户孩子患病,系统可以推荐当地最擅长医治该项疾病的医院、学校和治病财务规划。在其他机器顾问系统中并未涉及生命活动内容时,摩根士丹利的设计将有助于建立其与客户之间的信任和附加价值关系。

毫无疑问,该系统的特点和功能很重要。同时,它的实际应用推进过程也与最终的成功息息相关。摩根士丹利在这个过程中一直遵循谨慎、敏锐又开放的原则,在设计环节仅有数个财务顾问的参与。该系统由财富管理部门的分析和大数据组织主导,领导者是首席数据分析师 Jeff McMillan。他表示,让财务顾问接受该系统是一个工程浩大的改变。过去他们总是依赖于自身的经验,在刚接触时对于系统知之甚少。因此,即使目前系统已经研发完毕处于测试阶段,但于九月份首次推出时,仅向500位财务顾问开放功能。

“The next best action”系统主要通过财务顾问间接发挥作用,但客户也可以直接访问在线信息。摩根士丹利计划最终发布一个托管投资组合的数字版本,它将以更低的成本提供服务,迎合偏好线上渠道的客户(尤其是千禧一代)。为了更好地协助这些客户,并帮助财务顾问更快地接受系统,摩根士丹利计划招聘一批数字骨干顾问,就系统的使用提供专家意见。

Jeff McMillan 强调人类在财富管理领域中有着无可替代的作用,并表现出对于“robo-adviser”术语的厌恶。他在电话中告诉作者,

在可预见的未来,类似这样的系统都是顾问和客户间关系的补充。我们可以发现在整个行业中,“混合”了人类和机器的产品已经被验证更加成功。人类可以理解上下文,妥善处理客户情绪,应对不同的数据集。他们在财务咨询方面仍然扮演着非常重要的角色。

Jeff McMillan 和他的同事们做了大量工作,以便将整个公司的投资经验和技能融入系统。他们发现,今天还没有AI系统,可以基于投资分析报告中的信息为客户投资决策提供支持。所以Jeff McMillan正在与公司的研究部门合作,结构化报告中的文本内容,使得机器能够“自我消化”。这也是一个巨大的变革挑战,至少不逊色于让财务顾问接受“The next best action”系统。

当然,这个新系统和流程的“robo”元素只占总体的一小部分。摩根士丹利的商业模式和文化,与完全基于机器、不包含人力顾问的财富管理方案格格不入。我们认为,其余大多数的金融机构早晚也会认清同样的事实。

via HBR,雷锋网编译


本文作者:伊莉

本文转自雷锋网禁止二次转载,原文链接

相关文章
|
1月前
|
机器学习/深度学习 数据挖掘 物联网
【专栏】机器学习如何通过预测性维护、负载预测、动态冷却管理和能源效率优化提升数据中心能效
【4月更文挑战第27天】随着信息技术发展,数据中心能耗问题日益突出,占全球电力消耗一定比例。为提高能效,业界探索利用机器学习进行优化。本文讨论了机器学习如何通过预测性维护、负载预测、动态冷却管理和能源效率优化提升数据中心能效。然而,数据质量、模型解释性和规模化扩展是当前挑战。未来,随着技术进步和物联网发展,数据中心能效管理将更智能自动化,机器学习将在实现绿色高效发展中发挥关键作用。
|
6天前
|
机器学习/深度学习 数据采集 运维
智能化运维:利用机器学习优化IT基础设施管理
在数字化时代的浪潮中,企业对IT运维的要求日益提高,传统的管理模式已难以满足快速发展的需求。本文探讨了如何通过集成机器学习技术来提升IT基础设施管理的智能化水平,旨在帮助运维团队高效应对复杂挑战,保障系统的高可用性和性能。文章首先分析了当前运维面临的主要问题,随后详细介绍了机器学习在故障预测、自动化处理和安全防护方面的应用案例,并讨论了实施智能运维时可能遇到的挑战及解决策略。最终,文章强调了持续学习和适应的重要性,以及智能运维在未来IT发展中的关键作用。
|
1天前
|
机器学习/深度学习 人工智能 自动驾驶
未来科技中的机器学习应用
本文将探讨未来科技领域中机器学习的应用,并重点介绍了自动驾驶、智能语音助手和医疗诊断等方面的技术进展。通过这些案例,我们可以看到机器学习在改善生活质量、提高效率和创造更多可能性方面的巨大潜力。
8 0
|
28天前
|
机器学习/深度学习 传感器 人工智能
【机器学习】 人工智能和机器学习辅助决策在空战中的未来选择
【机器学习】 人工智能和机器学习辅助决策在空战中的未来选择
|
14天前
|
机器学习/深度学习 人工智能 运维
智能化运维:AI与机器学习在IT管理中的应用
【6月更文挑战第11天】随着技术的不断进步,智能化运维已成为提升IT系统效率和稳定性的关键。本文深入探讨了人工智能(AI)和机器学习如何革新传统的运维模式,通过实际案例分析,揭示这些先进技术如何帮助企业实现自动化监控、故障预测、性能优化以及安全防护,从而确保业务的连续性和可靠性。
|
25天前
|
机器学习/深度学习 资源调度 算法
利用机器学习优化数据中心的能效管理
【5月更文挑战第31天】 在数据中心管理和运营中,能效优化是降低运营成本和减少环境影响的关键。本文提出了一种基于机器学习的方法来动态调整数据中心的资源分配,旨在提高整体能源效率。该方法通过分析历史数据和实时负载信息,预测未来工作负载并相应地调整硬件配置。实验结果表明,与传统的静态管理策略相比,所提出的动态管理策略可以显著降低能耗,同时保持服务质量。
|
27天前
|
机器学习/深度学习 人工智能 分布式计算
Agent AI智能体:如何借助机器学习引领科技新潮流
Agent AI智能体:如何借助机器学习引领科技新潮流
55 0
|
1月前
|
机器学习/深度学习 缓存 算法
深入理解操作系统的虚拟内存管理利用机器学习技术优化数据中心能效
【5月更文挑战第25天】 在现代计算机系统中,虚拟内存是允许用户程序逻辑地址空间与物理内存解耦的关键概念。它为每个进程提供了一个独立的、连续的地址空间,通过内存管理单元(MMU)硬件的支持,将程序使用的虚拟地址映射到实际的物理内存地址。这种机制不仅简化了程序的编写和内存的管理,还提供了保护机制,防止不同进程之间的相互干扰。本文将探讨虚拟内存的工作原理、分页系统的实现以及虚拟内存带来的性能影响,并讨论操作系统如何优化内存使用和管理。
|
1月前
|
机器学习/深度学习 运维 算法
利用机器学习优化数据中心的能效管理
【4月更文挑战第30天】在数据中心的运营成本中,能源消耗占据了一个显著的比例。随着能源价格的上升和环境保护意识的增强,如何降低能源消耗成为数据中心管理者们面临的一个重要挑战。本文探讨了一种基于机器学习的方法来优化数据中心的能效管理,通过分析历史数据和实时监测数据,动态调整资源分配和冷却策略,以实现能源消耗的最小化。
|
1月前
|
机器学习/深度学习 存储 算法
利用机器学习优化数据中心的能效管理
【5月更文挑战第23天】在本文中,我们探讨了一种基于机器学习的方法来优化数据中心的能效管理。通过分析历史数据,我们的模型能够预测数据中心的能源需求,并据此调整能源分配,以达到节能和提高能效的目标。这种方法不仅能够降低运营成本,还能减少对环境的影响。

热门文章

最新文章