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:

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(公众号: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。



本文作者:伊莉
本文转自雷锋网禁止二次转载, 原文链接
目录
相关文章
|
6月前
|
机器学习/深度学习 人工智能 算法
亚马逊云科技 云技能孵化营 初识机器学习
亚马逊云科技 云技能孵化营 初识机器学习
|
机器学习/深度学习 人工智能 自然语言处理
机器学习模型集成管理介绍
机器学习模型集成管理介绍
127 0
|
机器学习/深度学习 数据可视化 测试技术
如何管理和组织一个机器学习项目(下)
如何管理和组织一个机器学习项目
136 0
如何管理和组织一个机器学习项目(下)
|
机器学习/深度学习 存储 PyTorch
如何管理和组织一个机器学习项目(上)
如何管理和组织一个机器学习项目
277 0
如何管理和组织一个机器学习项目(上)
|
机器学习/深度学习 人工智能 算法
在 PAI 里进行镜像管理|学习笔记
快速学习在 PAI 里进行镜像管理。
215 0
在 PAI 里进行镜像管理|学习笔记
|
机器学习/深度学习 存储 JSON
PAI EAS服务使用eascmd客户端管理 Quick Start
为实现一站式算法应用,PAI针对在线推理场景提供了在线预测服务PAI-EAS(Elastic Algorithm Service),支持基于异构硬件(CPU和GPU)的模型加载和数据请求的实时响应。通过PAI-EAS,您可以将模型快速部署为RESTful API,再通过HTTP请求的方式调用该服务。您也可以使用eascmd命令行方式进行部署管理PAI-EAS服务。本文基于已经训练好的线性回归算法实验为您介绍如何使用eascmd客户端上传文件、创建服务、修改服务配置信息的相关命令演示,以供参考。
248 0
PAI EAS服务使用eascmd客户端管理 Quick Start
|
存储 机器学习/深度学习 数据可视化
快速入门DVC(七):机器学习实验管理
在上一篇文章快速入门DVC(六):指标跟踪、更新训练参数以及可视化模型表现中,我们讲述了如何进行指标跟踪、更新训练参数以及可视化模型表现。 本文,我们将通过 example-dvc-experiments 项目来探索 DVC 实验管理的基本功能。
|
机器学习/深度学习 人工智能 算法
机器学习如何改变数据中心管理
数据中心运营商在利用人工智能和机器学习方面有很多选择,而且随着技术变得更加实惠和先进,将会有更多选择。美好的未来就在眼前。
机器学习如何改变数据中心管理
|
机器学习/深度学习
机器学习在客户管理场景中的应用
机器学习在客户管理场景中的应用
机器学习在客户管理场景中的应用
|
机器学习/深度学习
机器学习在客户管理场景中的应用
使用机器学习进行客户管理,我们可以得到客户360度全方位的视图。
机器学习在客户管理场景中的应用

热门文章

最新文章