执行摘要

  • 由于复杂的产品属性、合规性限制和多维目标，财富管理公司很难满足客户对电子商务式产品推荐的期望。.
  • 基于规则或细分的方法会产生钝化的、一刀切的建议，削弱客户的信任，限制可扩展性。.
  • 通过叠加机器学习模型、数学优化（投资组合优化）、大型语言模型和 Agentic AI 协调层，银行可以整合各种 data 并将原始机器学习输出转化为更好的解释、建议和自动操作。.

财富管理还停留在过去。客户生活在一个从 YouTube、TikTok 或亚马逊上轻松获得超个性化推荐的世界里，而银行却通过规则书、笨拙的细分和顾问的猜测来推销产品。银行很难跟上客户的期望和当今投资组合的复杂性。混合人工智能可以改变这种状况。在人工智能代理层的管理下，通过融合机器学习、投资组合优化规范和大型语言模型的语境智能，财富管理公司可以提供智能、个性化和适时的建议。系统可以从每一次互动中学习，自动适应监管限制，并用客户和顾问真正理解的语言进行解释。.

结果是真正的飞跃：顾问获得更敏锐的指导，数字渠道成为转化引擎，客户感到被理解而不是被针对。拥抱混合人工智能的银行将定义咨询业的下一个时代，在这个时代，人工智能与人工智能之间的协作将推动人与人之间的关系，信任不是通过关系或销售技巧而是通过智能建立起来的。.

导言

在 Netflix 时代，我们已经习惯了日常生活中高度个性化的产品和服务。财富管理客户，尤其是客户关系经理（RM）所服务的客户群，也越来越期待像看电影或购物一样获得量身定制的金融产品推荐。但是，在高风险、严监管的财富环境中提供 Netflix 式的个性化服务要复杂得多。金融产品具有复杂的属性，包括风险水平、条款和税务影响，而且必须符合每位客户的独特目标和限制。能够弥合这一个性化差距的公司将加深客户的参与度和忠诚度。.

本白皮书探讨了生成式人工智能如何通过将传统机器学习和投资组合优化与 GenAI 相结合的混合方法，改变财富管理中的产品推荐。.

财富管理中的个性化差距

财富管理面临着独特的挑战，使有效的产品推荐变得困难。电子商务中使用的基于 ML 的推荐通常只针对单一目标（下一个最佳购买产品）进行优化，但财富管理者却要兼顾多个目标和限制因素：资本增长、收入、风险缓解、税收效率、流动性，以及个人客户的目标和偏好。ML 和 PO 都是围绕结构化信息 data 构建的；全面的产品推荐应包含非结构化信息，如市场趋势、客户风险概况、行为模式和客户情绪，而这些信息很难编码成结构化信息，ML 和 PO 模型需要对其进行训练。.

财富管理中的传统推荐系统（如果有的话）往往比较简单。许多银行依赖于基于规则的资产配置或广泛的客户细分。这些都是钝器，无法考虑个人的细微差别，比如客户对可持续投资的兴趣或他们的流动性需求。它还可能导致通用的、一刀切的建议。因此，许多理财经理默认采用人工方法，依靠自己的经验和直觉，而不是 data-driven 的洞察力。客户则可能会收到与其目标脱节的产品推销，从而降低他们对咨询过程的信心。.

人工智能的进步，尤其是 GenAI 与机器学习和投资组合优化的结合，为我们提供了一条跨越式发展的途径。.

实现更智能推荐的混合 GenAI 方法

为了克服当前的局限性，我们提出了一种为财富管理量身定制的、由 GenAI 驱动的混合推荐引擎。这里的 “混合 ”是指它结合了多种人工智能技术，并融入了人工监督，在利用每种技术的优势的同时，也减轻了它们的弱点。.

1) 机器学习： 传统的 ML 模型可有效分析客户行为 data 过去的投资、产品咨询或网站/应用程序点击。这样就能发现模式和同行群体的洞察力（例如，识别出与客户 A 相似的客户对 ESG 股权基金表现出兴趣）。.

2) 优化投资组合： 系统包含内生的不同目标和管理/监管政策，包括

  • 遵守规则： 这可以确保无论人工智能多么有创意，其建议都是适当的、允许的，并与公司战略（例如风险状况）保持一致。.
  • 战略性资产分配： 模型投资组合包含投资组合经理的观点和资本市场假设，如流动性要求。.
  • 运动： 首席信息官或首席财务官领导的资产类别优先排序，在任何特定时间点引导前线人员选择某些产品或产品类别，例如，在债券或股票等资产类别中的目标配置

3) 渠道整合：

  • 在以人为本的使用方面，系统应与注册经理的日常工作流程相结合。建议应显示在顾问的客户关系管理（CRM）仪表板上，或作为移动应用程序中的提示，以供随时随地使用。平台应收集顾问的反馈意见：（“客户只对美元债券感兴趣”）。随着时间的推移，这会形成一个学习循环，人工智能会根据顾问认为有用或无用的内容进行调整，从而适应客户。.
  • 对于数字渠道--手机银行应用程序、聊天工具、电子邮件--系统应满足特定渠道信息的需求，例如，在适当的时间发送截短的产品推销信息。.

4) LLM 驱动的推理： 大型语言模型组件可为候选推荐添加上下文，并可接收基于规则和基于 ML 的输入并添加一层推理。LLM 可以摄取非结构化的 data 信息，如模型投资组合信息、客户档案、RM 会议记录和市场研究，以评估基于 ML 和规则的输入。例如，如果机器学习模型标示出与目标客户类似的客户购买了科技行业基金，那么 LLM 可能会注意到客户 A 最近在一封电子邮件中表达了对科技股的谨慎态度。然后，LLM 可以调整推荐排名或提出替代方案。.

5)强化学习和反馈回路 强化学习组件对结果进行评估，并不断调整推荐策略。反馈可来自多个方面：客户行为（客户是否购买或表示对推荐产品感兴趣？）、顾问行为（顾问是否与客户分享或跳过推荐？这些信号都会反馈到学习算法中，以调整模型。.

通过这种多层次的混合方法，推荐引擎融合了 data-driven 洞察力、上下文理解、严格管理和持续学习。它由 GenAI 驱动，但立足于高接触性财富管理的现实。.

入门

将机器学习、投资组合优化的精确性与大型语言模型和代理人工智能的语境智能相结合，可以创建一个强大的端到端决策引擎。机器学习和组合优化在结构化预测任务中表现出色，因为它可以高精度地处理大型、简洁的 datasets。然而，这些输出往往是狭隘和盲目的。通过叠加机器学习模型、投资组合优化、大型语言模型和 Agentic AI 协调层，银行可以将客户对话、反馈或市场评论等 “嘈杂 ”data 纳入其中，并将原始机器学习输出转化为更好的解释、建议和自动操作。.

WM 中由混合人工智能驱动的产品推荐是在各自市场中重设咨询服务标准的绝佳机会。银行应该

  • 评论 当前的客户个性化平台和流程。通常情况下，银行内部很少有人了解端到端系统及其实际使用情况。.
  • 探索 已经到位的 GenAI 工具和 data 资产（您可能比想象中更接近部署这样一个系统），以及当今市场上许多更新的模型和方法。.
  • 实验 在有控制的试点中--例如，从顾问和客户的子集以及范围较小的产品集开始--试用混合推荐引擎。.

超越混合人工智能

将传统机器学习与 LLM 和人工智能代理相结合的趋势并非金融服务所独有。电子商务企业正在为代理商务的崛起做好准备：在这个世界里，人类不再直接与应用程序和网站打交道，而是让他们的个人人工智能助手为他们发现信息并进行交易。在这个世界里，客户会向他们的个人人工智能助理询问 “如何才能更好地重新抵押我的房子 ”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不再像以前那样起作用，取而代之的是人工智能与人工智能之间的互动，人工智能参与并执行探索、发现、协商、翻译和执行工作，而人类则负责监督，为人工智能设定方向、沿途提示并最终批准。.

财富管理公司也可能面临这种趋势--客户关系经理及其人工智能工具可能很快就会与客户的个人人工智能代表而不是客户见面。银行不应将这一转变视为威胁，而应将其视为设计要点，以建立能够赢得人工智能代理（以及人工智能代理背后的人类）信任的咨询平台。.