导读:“智能投顾”也称机器人顾问，是一种在线财富管理服务，以自动化、计算机算法为基础，结合个人投资者的具体风险偏好与理财目标，持续跟踪市场变化，在资产偏离目标配置时对其进行再平衡。近年来在以北美为代表的发达国家市场迅速发展，并逐渐被越来越多的投资人所接受。未来，智能投顾有望成长为万亿市场规模。
互联网风潮正在全面席卷整个金融业，当然其中也包括传统金融巨头早已深耕多年财富管理板块。近年来一种以自动化、计算机算法为基础的“智能投顾”模式，在以北美为代表的发达国家市场迅速发展，并逐渐被越来越多的投资人所接受，尤其是在互联网环境中成长起来的千禧一代。
所谓智能投顾，也称机器人顾问（robo adviser）是一种在线财富管理服务，具体指根据现代资产组合理论，结合个人投资者的具体风险偏好与理财目标，通过后台算法与用户友好型界面相结合，利用交易所上市基金（ETF）组建投资证券组合，并持续跟踪市场变化，在这些资产偏离目标配置时对其进行再平衡，此外有些公司已经可以提供tax harvesting、房贷、报税等增值服务。
虽然经过几年的高速发展，机器人顾问所管理的资产到年底估计能达到500至600亿美元（研究机构Aite预测数据），但也只是占到美国近20万亿美元理财市场极小的一部分。而就是这点变化已然触动到华尔街传统财富管理巨头的神经，因为智能投顾模式很可能会给行业带来结构性的变革。
根据日前花旗集团发布最新研究报告称，在未来十年时间里，机器人顾问管理下的资产将会呈现出指数级增长的势头，总额将达到5万亿美元。而AT Kearney出具的报告则更为乐观，预测未来五年智能投顾市场GAGR将达到68%，到2020年AUM有望突破2.2万亿美元。
值得关注的是，美国市场对智能投顾模式发展长期看好存在一个重要的市场基础，即经过近20年的市场发展和多个经济周期的洗礼，被动投资在美国投资人中的接受度已经较高，整体资产体量规模也已经很大，例如：被动投资金额占共同基金占比已经从1995年的3%上升到2014年16%；截止2014年，美国有1375种ETF，净资产为1.8万亿。
此外，我们认为，主要存在三大驱动因素推动智能投顾模式未来高速发展。一是财富面临世代交替，而传统投顾模式对千禧一代服务严重不足，这体现在较高的资产准入门槛，新从业者的短缺等；二是由于成长环境不同，千禧一代观念更开放，更能接受机器服务，而传统模式需要面对面交流，效率较低，且收费是智能投顾模式的3-4倍；三是智能投顾相较于传统模式，成本结构更具服务大众的优势，它不需要实体经营场所，大量线下理财顾问团队，且获客成本更低，因此经济单账户管理资产规模可以大幅降低。
事实上，在过去的一年，美国智能投顾市场经历了1.0到2.0的转变，主要体现在两个方面：
第一，整个主流财富管理领域已经认可智能投顾发展趋势，并积极投入其中，例如不久前全球最大的资产管理公司贝莱德收购机器人投顾初创公司Future Advisor，美国最大券商之一嘉信理财也已向自己数量众多的客户推荐机器人顾问，此外BMO，Vanguard， Ritholtz，和TD Ameritrade都在积极布局。
第二，一些新兴的智能投顾公司作为技术提供方输出白标解决方案和软件平台，或者寻求与传统巨头的战略合作，例如Fidelity已与Betterment展开战略合作，向旗下的理财顾问导入Betterment的产品和服务。
对智能投顾的接受度来看，全球的市场已经具备了相当不错的基础，而亚太区甚至是领跑地位。根据Capgemini和RBC WM联合发布的2015世界财富报告，全球范围内48.6%的HNWI对智能投顾产品的易用性、低费率非常认可，并表示愿意接受将自己一部分财富交由智能投顾打理，而持这一态度的HNWI在亚太区占比为76.3%，位列全球第一。
在成熟的海外市场，智能投顾领域领先的startup公司们经过几年的发展，已经具备了成长为独角兽公司的潜质，其中Wealth Front、Betterment、Personal Capital都已融资过亿，且均来自多家顶级风险投资机构。而反观中国市场，虽然目前有一些公司推出了类似的产品，但整体而言仍然处在非常早期的阶段。这其中存在一定市场原因，比如虽然一方面私人可投资资产规模快速增长，存款及现金占比较之前已明显下降但仍处高位，投资理财需求远未得到充分满足，且近年来对海外投资热情持续高涨，而另一方面多数投资人投资理财观念不成熟，往往很容易走两极，同时市场上多数财富管理机构均是后端收费，理财顾问的销售属性很强。
但是我们认为随着国人财富的进一步积累，理财观念的日趋成熟，金融市场的进一步规范，被动投资产品的日益丰富，以及资本项下的监管政策改革种种预期，包括QFII 2、个人换汇额度提升、人民币汇率市场化等，智能投顾未来在中国的发展存在巨大的想象空间。
原文发布时间为：2015-10-23
本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号
