2017年成立的贝塔智投是一家提供智能投顾系统的技术服务商。创始人兼CEO马天平在创业之前，曾任工行总行量化精选基金负责人，管理证券类投资基金200多亿元，此后去了蚂蚁金服集团任智慧配置板块负责人。
从时间节点上，相比国内其他智能投顾创业公司，贝塔智投的入场时间显得有些晚。但是马天平认为，“以Alpha Go的横空出世为节点，人工智能技术的真正成熟和广泛应用是在2016年，此前成立的很多号称‘智能投顾’的公司实质上更偏向‘网络投顾’或‘金融超市’的本质。”
在马天平的定义里，真正的智能投顾是运用核心的人工智能技术，同时达成“投资”与“顾问”两方面的服务内容。在衡量金融业务是否具有“智能”要素时，马天平总结出“一个中心，三个基本点”。
“一个中心”是指运用深度学习技术，“三个基本点”分指眼睛相关的技术（包括图像识别、虹膜识别和人脸识别）、耳朵相关的技术（包括声音合成、声纹识别和声音的处理等）和嘴巴相关的技术（主要在于理解人表达的意思，指语义分解等技术）。如果金融业中的“智能投顾”并不涉及上述技术，则说明使用的是传统的网络工程技术，不能被称为智能投顾。
贝塔智投选择银行作为市场切入点。2017年8月“贝塔GO理财机器人”在工商银行总行手机银行APP中上线运营，2018年2月在上海银行总行手机银行APP上线，功能为“在线投资专家”。另外已和多家银行确立合作意向，并成立项目组。
以围绕家庭财富规划为核心，贝塔智投在直销银行板块为客户提供大类资产配置，其中包括基金、银行理财、黄金、保险类产品等。贝塔智投的亮点在于前端交互层面，用户可以通过直接的“喊话”方式与机器交互，咨询任何财富问题，例如当下最火的数字货币或区块链对财富的影响等。贝塔智投运用声纹识别、语音合成、自然语言处理NLP等技术，理解用户表达和语言逻辑，结合银行历史数据自动画像。画像最开始是人为建立一些规则和目标，结合银行工作人员的存量大脑数据，随后慢慢通过机器学习来实现。
传统针对用户风险偏好的测算多数基于问卷调查的模式，同时结合银行所提供的账户信息、交易数据等。而贝塔智投的模型能够动态地记录用户每一次的交互信息，随着机器与用户接触频次不断增加，其用户画像会变得更加立体。比起传统问卷调查的静态捕捉，这种动态画像更加具有准确性、时效性和全面性，更接近现实生活中投资顾问与客户沟通的场景。同时，将动态画像通过积分区块链沉淀。
投资方面，贝塔智投也尝试运用机器学习的技术调配资产组合，实现业绩目标。相比于传统的程序化交易，机器学习的突破点在于能根据已有的数据和明确的目标，依据特定的市场宏观规则，通过深度学习建立相应的模型，应用交易环节。但是马天平认为，“目前机器学习在金融市场的交易远远没有成熟，金融市场的交易复杂程度并不是构建几条规则可以限定的。”
目前公司团队10余人，由人工智能专家、金融策略专家和量化投资专家组成，主要负责研发方面的工作。
近期，爱分析专访贝塔智投创始人马天平，就国内智能投顾的发展趋势和贝塔智投的战略发展进行交流，摘选部分内容分享如下。
智能投顾的核心价值在于售后
爱分析：智能投顾从2013年左右发展到现在，底层的技术应用有哪些变化？
马天平：技术的发展是一个从量变到质变的过程。
首先要感谢大数据。因为智能手机的出现导致数据采集变得很方便，信息流出现爆炸。以AlphaGo团队为什么选择围棋而不是中国的象棋为例，其中很重要的原因是日本有完整的围棋数据，而中国象棋没有。
其次，大数据导致算法优化加快。因为即使你有一个理论上很美感的数学模型，但是没有足够的数据去证实它也是无用。由于2012年起数据爆炸，某种程度上推动了算法的进步，再加上无监督学习和有监督学习两个派系的突破，意义重大。
第三个就是计算能力。这其中摩尔定律发挥了巨大的作用。以智能手机为例，现在手机的芯片计算能力远胜过以前的大型计算机。
综合来讲就是巧妇做有米之炊。首先灶台的火更旺了，火力很猛，第二做饭的能力提高了；第三就是有米了。
爱分析：作为智能投顾领域的创业公司，贝塔智投从什么角度切入？
马天平：作为商业公司的机会在于数据。因为算法和计算能力是依赖科研实验室和硬件厂商。而数据从何而来？不能强迫用户把数据给你，所以只能去服务用户，然后客观上获得数据。
但是数据是结果而不是目标。所以我认为应该再加一个要素，就是场景。通过把控足够的场景流程切分，明确行业的各种步骤，然后结合服务方案和算法，最终能慢慢得到大数据，形成正循环，贝塔智投从场景切割入手。
爱分析：智能投顾的核心价值体现在哪里？
马天平：金融产品和普通贸易类商品不一样。以电商为例，阿里巴巴引入支付宝第三方担保机制，能确保用户在收货、验货后确认没有问题再把款项支付给商户。而金融产品，比如买一个基金，不可能存在验货没问题然后打款这样的流程。第一，金融产品本身很晦涩；第二，客户交完钱以后只能等，等这个金融产品后面的回报情况，而且回报情况不确定。
所以在金融市场，如何建立一个机制来发挥类似支付宝的作用就很关键。它不是一个简单的验货和担保流程，而是能长期地帮客户监测金融产品，比如市场有什么变化、是否需要调仓等。这个过程对应的就是投顾的职责，但现状是完整的投顾过程由于工作量非常大，行业里几乎没有人做。我们内部计算过，产品推荐工作大约只占整个投顾工作量的百分之一。
金融产品的交易不应该是简单粗暴的销售，核心是产品销售完之后的服务，包括销售后与客户长期的各种交互、陪伴等。这类服务需要的大量时间和精力，正好是智能投顾的核心价值所在。强大的机器人不用在意自己的时间，可以同时对成千上万的人服务。
爱分析：与银行客户对接时，主要面临哪些难点？
马天平：首先，机构客户不会接受一个投资“黑匣子”，尤其银行客户对于每个环节的细节要求会很高。通常是先听理论、然后看材料，最后看程序。
其次，整个工作涉及多个部门，以银行业为例，包括个人金融部、私人银行部、科技金融部、资产管理部和数据中心等。整个过程不同部门的关注点不一样，有的侧重计算机模型算法，有的侧重金融模型，有的侧重客户体验，对客户的理解程度等。所有的这些细节我们都需要和银行去一点点沟通和处理。
智能投顾不等于赚取高回报的神秘机器人
爱分析：如何衡量和评价智能投顾的投资端？
马天平：主要看收益性、安全性和分散性。投资本身属于结果导向，而且很难比较。因为投资者是需要靠时间来证明自己的业绩能力，所以结果都是事后才能去验证。
爱分析：目前智能投顾的投和传统量化交易本质上有什么异同？
马天平：我认为“投”本质上就是量化交易。量化交易就是量化发出一个信号，然后根据这个信号去进行买卖。信号来源可以有很多种，肉眼看或者列个Excel表或者编程都可以。除了投，更重要是顾，这是传统量化交易没有的。
爱分析：怎么理解智能投顾的投资收益率不高？
马天平：因为智能投顾不可能是赚取高回报的神秘机器人。如果存在，拥有者肯定直接将此机器人用于自有资金的市场交易并通过资产管理获取回报，而不会选择出售投资建议获取回报的方式。
根据这一逻辑悖论的推断，智能投顾提供的收益率大约是市场Smart平均收益。但仍有可以体现专业度的地方，就是收益回报的分散性或者波动性。贝塔智投的策略波动性一般是市场的五分之一到三分之一，也就是说智能投顾收益率不一定超级高，但安全更多。
爱分析：目前实盘结果如何？
马天平：我们实盘从2016年6、7月份开始，大致分为三四个组合，高的年化收益率在19%左右，低的在4%左右。波动率方面，国内市场的波动率年化至少在30%-40%，我们大概是百分之几。
爱分析：贝塔智投配置的底层资产有哪些？
马天平：工行总行2017年8月上线，配置的资产只有基金。上海银行总行是2018年2月上线，配置资产比较全面一些。因为我们是围绕家庭财富做资产配置，所以最终会涵盖银行全线的产品。
爱分析：您怎么看待国内目前智能投顾主要配置的资产是公募基金？
马天平：公募基金的“门槛”较低。第一，理念门槛，美国智能投顾是公募基金开始，国内大多照搬照抄这个理念；第二，系统门槛，客户希望一键下单，得到精确的组合净值估值，目前公募基金的结算系统和估值体系，在系统门槛上更容易实现；第三，资金门槛，目前公募基金的认购资金门槛最低，有利于最大范围的投资者进入。
客户的风险偏好需要动态捕捉，非结构化数据模拟与客户的真实交互
爱分析：投资者核心关注的还是收益率？
马天平：是的，人性很难改变。
很多人为什么到30岁投资才开始逐渐成熟，刚毕业的人都想暴富，但结果没暴富反而亏了，最后慢慢左一耳光，右一耳光被市场教育成熟，越来越关心安全度。
爱分析：投资者的风险偏好有哪些因素决定？
马天平：核心看资金量和不同人对于不同资金的安排。传统的问卷调查不是有效的方式。从问卷设计的角度出发，客户可能填写的信息不准确，或者刻意隐瞒等。
现实中人做决策是很复杂的，并不像教科书上简单地按照不同风险等级设计投资组合，然后给客户测风险偏好，最后按照风险等级推组合。比如很小的资金量根本与风险偏好没有关系，又比如同一个人在不同的阶段风险偏好也会发生变化，例如成立家庭前后、子女降生前后等。
爱分析：贝塔智投如何去获取投资者真实的风险偏好？
马天平：基本都是一点一滴地沉淀，研究如何去陪伴客户、如何从金融模型去刻画客户的零碎信息。现实中并不存在一个很直接、很干净的数据能真实反映投资者的风险偏好。传统的数据，比如银行提供给我们的账户信息、转账流水和申购记录等，在此处的价值不大。
能真实反映客户的数据往往来自非结构化数据，比如专不专业、有没有钱、性格急躁还是冷静等，这些数据需要和客户反复的交互获取。这个过程就类似人见面交流一样，在沟通的过程中，我们的大脑会收集一点一滴的信息，包括一句话一个眼神等，然后通过这些信息集合得出一个综合的判断。