执行摘要
- 由于产品属性复杂、合规限制以及目标的多维性，财富管理机构难以满足客户对电商式产品推荐的期望。
- 基于规则或基于分群的方法往往只能提供粗放的、一刀切的建议，这不仅会削弱客户的信任，还会限制业务的可扩展性。
- 通过整合机器学习模型、数学优化（投资组合优化）、大型语言模型以及基于代理的人工智能协调层，银行能够整合各类数据，并将机器学习的原始输出转化为更清晰的解释、更精准的建议以及自动化操作。
财富管理仍停留在过去。客户身处一个由YouTube、TikTok或亚马逊提供轻松便捷、高度个性化推荐的世界，而银行却仍通过繁琐的规则手册、笨拙的客户分群以及理财顾问的猜测来推销产品。银行难以跟上客户的期望，也难以应对当今投资组合的复杂性。 混合人工智能可以改变这一现状。通过融合机器学习、投资组合优化方法以及大型语言模型的语境智能，并在代理式人工智能层的管控下，财富管理机构能够提供既智能、又个性化且恰到好处的建议。该系统能够从每次交互中学习，自动适应监管约束，并以客户和理财顾问真正能理解的语言进行解释。
这一成果堪称质的飞跃：理财顾问获得更精准的指导，数字渠道成为转化引擎，客户感受到的是被理解而非被营销。拥抱混合人工智能的银行将定义下一代理财顾问服务的新时代——在这个时代，人情味十足的关系将由人工智能之间的协作来驱动，而信任的建立不再依赖于人际关系或推销技巧，而是源于智能。
引言
在Netflix时代，我们已习惯于日常生活中高度个性化的产品和服务。财富管理客户——尤其是由客户经理（RM）服务的客户群体——越来越期望在金融产品方面获得与观看电影或购物时同样高水平的个性化推荐。但在风险高、监管严格的财富管理领域实现Netflix式的个性化服务，要复杂得多。 金融产品具有复杂的属性，包括风险等级、条款和税务影响，必须与每位客户的独特目标和限制条件相契合。能够弥合这一个性化差距的机构，将有望加深客户参与度并提升客户忠诚度。
本白皮书探讨了生成式人工智能如何通过一种混合方法——将传统机器学习和投资组合优化与生成式人工智能相结合——来变革财富管理领域的产品推荐。
财富管理中的个性化服务缺口
财富管理面临着独特的挑战，这使得有效的產品推荐变得困难。电子商务中基于机器学习的推荐通常只针对单一目标（下一件最佳购买产品）进行优化，但财富管理师则需要平衡多个目标和约束条件：资本增值、收益、风险控制、税务效率、流动性，以及每位客户的个人目标和偏好。 机器学习和概率优化（PO）均以结构化数据为基础；而全面的产品推荐还应纳入市场趋势、客户风险偏好、行为模式及客户情绪等非结构化信息，这些信息难以编码为机器学习和概率优化模型训练所需的结构化信息。
财富管理领域现有的传统推荐系统往往较为简单粗糙。许多银行依赖基于规则的资产配置或粗放的客户分群。这些方法如同“钝器”，无法顾及客户的个人细微差异，例如客户对可持续投资的兴趣或其流动性需求。这还会导致推荐结果千篇一律、缺乏针对性。因此，许多客户经理往往退而求其次，采用人工方式，依赖自身的经验和直觉，而非数据驱动的洞察。 另一方面，客户收到的产品推介往往与自身目标脱节，从而削弱了他们对顾问服务流程的信任。
人工智能领域的进步，尤其是将生成式人工智能与机器学习及投资组合优化相结合，为我们提供了实现跨越式发展的途径。
一种用于更智能推荐的混合式生成式人工智能方法
为克服当前的局限性，我们提出了一种专为财富管理量身定制的、基于生成式人工智能（GenAI）的混合推荐引擎。此处的“混合”意味着该系统融合了多种人工智能技术，并融入了人工监督机制，既充分发挥了各技术的优势，又有效弥补了其不足。
1) 机器学习：传统的机器学习模型在分析客户行为数据（如过往投资、产品咨询或网站/应用点击记录）方面非常有效。这有助于发现规律并获取同组客户洞察（例如，识别出与客户A类似的客户对ESG股票基金表现出兴趣）。
2) 投资组合优化：该系统内生性地整合了不同的目标以及管理/监管政策，包括
- 合规规则：这确保了无论人工智能多么富有创造力，其建议都必须恰当、合规，并与公司战略（例如风险偏好）保持一致。
- 战略资产配置：结合投资组合经理观点及资本市场假设（如流动性要求）构建的模型投资组合。
- 营销活动：由首席信息官（CIO）或首席财务官（CFO）主导的资产类别优先级排序，旨在引导一线团队在特定时间点关注某些产品或产品类别，例如债券或股票等资产类别的目标配置
3) 渠道整合：
- 为了以人为本，该系统应融入理财顾问的日常工作流程。建议应显示在理财顾问的客户关系管理（CRM）仪表盘上，或以移动应用提醒的形式呈现，以便随时随地使用。该平台应收集理财顾问的反馈（例如：“客户只对美元债券感兴趣”）。随着时间的推移，这将形成一个学习循环，人工智能会根据理财顾问认为有用或无用的内容进行调整，从而更好地适应客户需求。
- 对于数字渠道——如手机银行应用、聊天工具和电子邮件——系统应支持针对不同渠道定制的信息，例如在恰当的时机推送简短的产品推介。
4) 基于大语言模型的推理：大语言模型组件为候选推荐方案提供背景信息，并能接收基于规则和机器学习的输入，从而增添一层推理能力。大语言模型可处理非结构化数据（如模型投资组合信息、客户档案、客户经理会议记录及市场研究报告），以此评估基于机器学习和规则的输入。 例如，如果机器学习模型标记出一只科技板块基金，而该基金曾被与目标客户类似的客户购买过，LLM可能会注意到客户A最近在邮件中曾对科技股表达过谨慎态度。随后，LLM可以调整该推荐的排名，或提出替代方案。
5) 强化学习与反馈循环：强化学习组件会评估结果，并持续优化推荐策略。 反馈可来自多个来源：客户行为（客户是否购买了推荐产品或对此表示兴趣？）、顾问行为（顾问是否将推荐分享给客户，还是跳过了该推荐？），以及业绩表现（推荐的投资是否达到了客户预期目标？）。这些信号被输入到学习算法中，以调整模型。
通过这种多层次的混合方法，推荐引擎将数据驱动的洞察、情境理解、严格治理和持续学习融为一体。它虽由生成式人工智能（GenAI）驱动，但根植于高接触式财富管理的实际需求。
入门指南
将机器学习、投资组合优化的精准性，与大型语言模型及智能代理AI的语境智能相结合，可以打造一个强大的端到端决策引擎。 机器学习和投资组合优化在结构化预测任务中表现卓越，因为它们能够以高精度处理海量、干净的数据集。然而，这些输出结果往往局限于特定领域且缺乏情境感知。通过叠加机器学习模型、投资组合优化、大型语言模型以及代理式AI协调层，银行能够整合客户对话、反馈或市场评论等“噪声”数据，并将原始的机器学习输出转化为更清晰的解释、更精准的建议以及更高效的自动化操作。
财富管理领域中基于混合人工智能的产品推荐，为重塑各市场咨询服务的标准提供了绝佳机遇。银行应：
- 审查当前的客户个性化平台及相关流程。通常情况下，银行内部很少有人真正了解该系统的端到端运作机制及其实际应用情况。
- 探索现有的生成式人工智能工具和数据资产（您距离部署此类系统可能比想象中更近），以及当今市场上众多新兴的模型和方法。
- 在受控试点中进行测试——例如，先从一部分理财顾问和客户入手，并采用有限的产品组合，以实际测试混合推荐引擎的运行效果。
超越混合人工智能
将传统机器学习与大型语言模型（LLMs）及人工智能代理相结合的趋势，并非金融服务行业独有。 电商企业正积极应对“代理式电商”的兴起：在这个世界里，人类不再直接与应用程序和网站互动，而是让个人AI助手代为发现商品并完成交易。在这个世界里，顾客会向他们的个人AI代理询问：“如何才能最优地为我的房子办理再抵押贷款”或“帮我找一双运动鞋作为我儿子的生日礼物”。
在这个世界里，传统的机器学习和产品推荐已不再像以往那样有效——取而代之的是AI与AI之间的互动：AI将负责开展探索、发现、谈判、翻译和履约等工作，而人类则在旁进行监督，以确定方向、在过程中给予引导，并最终予以批准。
财富管理机构也可能面临这一趋势——关系经理及其人工智能工具未来或许不再直接与客户会面，而是与客户专属的人工智能代表进行沟通。银行不应将这一转变视为威胁，而应将其视为一项设计任务，以此构建能够赢得人工智能代理——以及其背后人类——信任的咨询平台。
