對于從事投資或者券商業務的人來說，2018似乎是不能再差的一年：A股跌得不成樣子，中美貿易戰導致經濟形勢也不容樂觀。
然而，2018年初開始的AI轉型卻大有星火燎原之勢。相對于市場的冷清，券商們在科技人才的投入上確實算大手筆，除了部分業務人員的裁剪，大多數券商都在拼命招徠科技人才。不過，一直到2018年末，券商們的AI焦慮也還沒有緩和過來。
一、營銷和風控：傳統優勢領域的失效
無論是互聯網還是其他金融機構，機器學習和深度學習等AI技術主要被用于營銷和風控兩個大領域，然而在券商這里還沒發現足夠的應用場景。
券商都有地域特性，每個券商都有自己的優勢地盤。另外，券商對客戶的吸引力往往是“傭金”，“傭金”低了自然有客戶搶著開戶。那么，這種情況下，“營銷”的意義似乎不是很大，“市場好的時候，開戶的人你擋都擋不住，市場差的時候，你再怎么挽留，該流失還是流失”。或者說“這個券商傭金低，明天就去那邊開戶”。
同樣的問題也存在于券商理財產品的推銷上。對于固定收益類產品，根本不需要精準營銷，銷量本身就非常好；而對于權益類產品，客戶大多為高凈值客戶，單個產品購買記錄寥寥，“這么點數據我感覺AI技術根本沒辦法幫上忙，關鍵還是靠王牌銷售人員的推銷”，某券商負責人如此說。
更不用說互聯網玩得風生水起的“個性推薦”了。“用戶偏好”在只關注賺錢的客戶面前簡直是微不足道，“根據我歷史購買記錄給我推薦相關股票，并不能給我帶來任何好處，我只需要能給我賺錢的股票”，某散戶如是說。
風控也存在類似的問題。除了部分業務的風控需求，核心交易這塊的風控似乎要“嚴肅”得多。這就意味著對于大多數的交易來說，不會需要AI技術去做風控；而對于需要“監管”的交易來說，可能交易所更需要類似的“AI”技術去輔助，而且對于交易所的監管而言，目前更多的還是通過人來監管，而不是“AI”技術。
當然，對于業務多元化的券商來說，營銷和風控仍有不少場景可以落地，只是太過“碎片化”，讓大家覺得不夠“核心”。
二、圖像識別和語音識別：AI興起的主賽道，解決不了券商的核心痛點
圖像識別和語音識別是AI技術興起的主要應用場景，對于某些行業或者產品，比如說安防、智能音箱等，是最重要的核心技術。
對券商來說，這些卻不是痛點，有的甚至連錦上添花都說不上。這也導致“AI技術無用論”的觀點在券商很有市場。
圖像技術在做APP人臉識別，或者門禁之類的場景還是挺有用處，不過這些在券商這里只能用來趕趕新潮。
語音識別可以用于智能客服，已經有不少券商在進行嘗試，然而要深入地做出相應的成果又談何容易，目前還沒有哪家券商做出真正“智能”的客服來。
三、智能投顧和智能投研：曾經的風口浪尖，現在的霧里看花
對于國內的投顧市場來說，連人工投顧都是在逐漸上升的通道中，更別提“智能投顧”了。對于市面上林林總總的帶“智能投顧”影子的產品來說，大多數只是提供了最基礎的“投資組合”建議。對于普通投資者，選擇這種方式推薦出來的投資組合，還不如買個理財產品來得實在。
還有些投顧產品更偏重于“智能”。不過，以當前的智能問答水平，處理一些確定性的“客服”問題還可以，對于這種專業的非確定性的咨詢類問題，就顯得捉襟見肘。更何況，對于真金白銀的投資，連“真人”投顧都很難建立信任，更何況這種“機器人”了。
另外，國內的散戶都是沖著阿爾法來的，沒有賺貝塔的耐心，這也導致投顧推薦的產品要么不夠有吸引力，要么風險大得讓人沒辦法相信。
對于智能投研來說，主要有三塊內容的進展令人無法滿意：
一個是資訊推薦。投研分析師希望將世界上跟自己關心的股票相關的咨詢都推薦過來，并且帶有上下游明確的信息。對于當前的爬蟲、產業鏈圖譜來說，實在是太難了。當然，這塊研究并非毫無進展，目前至少能把關系比較明確的推薦出來。
另一個是情感分析，即分析出新聞或者研報的“正面”還是“負面”情感。首先，利空還是利好往往取決于產業鏈上的位置，一條新聞或者研報對某只股票來說是利空，對另一家來說可能就是利好。而當前流行的NLP技術是沒辦法真正“理性”地分析出“利空”“利好”來的，所謂“情感分析”，也就是從文章中找到某些情緒類的表述，從而從文章整體角度判斷出“情感”來，但沒辦法區分出文章中對應的實體，甚至是產業鏈上的實體。
還有一個就是自動研報分析。自動摘要技術在深度學習的支持下，效果比之前好很多，而這種“效果”也只是“通用”的效果，對“研報分析”來說卻用處不大。對于不同的研究員，研讀研報的目的不同，關注的重點也不同。可能這個研究員當前關心的是某個指標或者數字，而當另一個研究員看到類似研報的時候，關注的可能是其他的內容。所以，所謂的研報分析或者自動摘要，在投研領域就顯得有點雞肋了。
四、AI平臺以及其他基礎架構：與其苦苦追求核心應用，不如夯實平臺基礎
隨著AI平臺在幾家頭部券商的推進，其重要性也慢慢凸顯出來。這是因為，如果單說“營銷”本身，可能對核心業務的作用沒那么明顯，但如果橫向切分出“營銷”條線來，意義就比較大了。隨著券商業務的多樣化，多數業務都需要“產品推薦”、“獲客”、“流失預警”等應用。這些場景越多，AI平臺的價值就越明顯。而通過AI平臺將數據處理、模型開發、模型部署等統一到中臺來的方式，也越來越符合大券商們的“中臺”戰略。
對于風控也是類似的，幾乎每條業務線都存在“風控”的需求，就連APP上搞點活動也有被“褥羊毛”的可能。如果AI平臺具備較強的風控的能力，券商只需要在AI平臺上的很小投入，就能提升所有業務的風控能力。不得不說，這樣的平臺是非常誘人的。
除了AI平臺，還有一些券商已經開始構建“用戶畫像中心”。如果僅僅是“用戶畫像”本身，相信很多券商已經在不同的應用場景做得不錯。而試圖去做一個“用戶畫像中心”，意味著底層需要很好的工具和平臺支撐。比如，散戶跟機構客戶的“畫像”完全不同，如何設計、定義、管理以及進行部門間隔離、授權管理等，成了能否構建“用戶畫像中心”的關鍵。
知識圖譜是另一個平臺性質的產物。目前券商的應用大多還是簡單地用于企業的關系圖譜，通過圖查找到一些信息，或者進行一些初步探索。然而，我們需要看到，真正的“知識圖譜”，應該具備更“豐富”的知識在里面，而不僅僅是“企業圖譜”。同時，也有一些激進的券商基于知識圖譜進行了一些創新型嘗試，跟風控和營銷進行一些有機的組合，甚至用于輿情、智能客服、智能投研等。
五、小應用有大痛點：著眼于落地點，避免跟風之嫌
不少券商有一些明顯的痛點，這種痛點未必跟“AI”有很密切的關系，卻能踏踏實實地落地。
比如說跟“量化”比較相關的，就是現在單機版量化交易的Python代碼不少，但由于都是單機版，時常遇到性能瓶頸，那么如何加速就顯得比較重要。如果有一款產品能幫助客戶無縫地將單機版算法分布式化，或者通過GPU加速達到提升運行效率的目標，那么會大大緩解客戶的痛點。
另外，隨著數據分析師的增多，越來越多的券商也在考慮管理的問題。如果一款“AI平臺”能兼具資源管控、代碼、文件、模型管理等功能，那么這些券商會很樂意去進行采購。因為，一次次的“提數”、“跑批”、“模型回測”，讓管理者開始感到焦慮。每個分析師都像是特種部隊成員，各自身懷絕技；而從管理者的角度來看，資源、版本迭代、模型上線等都無從管控。
今年證監會開始要求文檔電子化，不少文檔有電子化的要求，而之前公司上市需要的材料動則幾大箱，對于好多券商的壓力也不小。因此，能否有效地處理這些文檔，甚至只是做一下快速的文檔分類，也能大大緩解面對的壓力。
隨著外資的進一步放寬，券商面對的競爭也會越來越激烈。不得不承認，國內券商的整體技術水平還是跟外資投行存在一定的差距。但在不少業務領域內，這些差距在逐漸縮小而不是擴大。更為重要的是，在AI技術應用領域，國內并不比國外差多少，甚至大有趕超的趨勢。我們有理由相信，通過“AI”等技術支持，券商在創新應用領域一定會有趕超或者突破。或許，2019年的時候，一些AI落地的成果能讓大家放心，而不像今年這般焦慮。
