事实上，非常多的基金公司几年前就已经高度重视金融科技在智能投顾领域的应用。但实际上，有一个常见的误区，传统的研究员执迷于追求相对收益，因此，很多基金公司的架构是新成立一个部门去做大数据和人工智能的研究。然而，这两个脱离的部门结构设置往往会导致在技术端以及在新的部门，过分想凸显科技的数量，而不愿意拿出精力研究对未来真正发生改变的东西。

还有一个误区在于，现在有非常多的创新企业提供第三方的数据源，它们强调并试图把现有的数据优势作为出发点，去与各种有可能的场景合作并寻找数据连接。但是在实践的过程中才发现，没有经过逻辑筛选和提炼的金融数据其实根本无法应用。

而在金融科技的应用中，科技短板可以靠资本快速弥补，但无法代替人才。投研摸索重在找到能够出绩效的创新点，这应该是投研端的明确数据诉求，或者是有人对投资逻辑有深刻理解，提出有效需求。在这个领域，能提出有效的需求和真正的问题比解决问题更难，在此基础上运用大数据和机器学习的方法通过金融工具的所有手段满足需求，这是第一阶段。

到了第二阶段，当解决这种诉求越来越多之后，我们可以将有效个案总结成普适性规律，应用到更广阔的场景。所以我们总结了一句话，叫做数据擅长的是规律刻画，人类擅长的是对规律背后成因的逻辑提炼。

所以，我们智能投资的目标是什么？首先，用数据的优势弥补人类总是用模糊经验总结规律的过去。第二，用人脑的优势去弥补数据对规律背后的逻辑无知。因此，智能投资和传统投资的关系，远非市场有些人认为的未来人工智能会替代投资优势，而是融合的关系。我们希望在投研过程中，把数据研究擅长的部分用来解放传统生产力，让其在人类更擅长的领域去提炼逻辑。此外，我们还希望可以通过科技手段，把公司投研人员的方法或经验用高效便捷的形式留存起来，打造一个新型的、可留存的、可增长的投研平台。

简单介绍一下我们的投研领域，首先是资产配置领域，我们做了一个大的资产配置系统，用暴力计算的方法把宏观变量做了一个特别可怕的计算，形成一个系统，目的很简单，提炼规律。

其次是行业研究领域，我们有三大类的研究，一是行业基本面因子和宏观变量的关系，二是行业和行业之间的基本面关联规律，三是产业内部对商业横向之间的关系的研究。最难的是，在行业研究领域，如何运用高科技的知识，去做自下而上的研究。因为这里往往碰到的是大量的非结构数据，如果不经过严谨的处理而直接得出结论，对投资是完全没有用的。因此我们建立了数据三原则，第一，数据要有明确的金融应用场景；第二，数据的获取是可持续的；第三，数据的覆盖度对于应用场景的需求能够形成解释。

在我看来，智能投资的趋势无法阻挡，我们的态度应该是拥抱而非惧怕。同时，我并不认为人工智能会替代金融投资，相反，人工智能将成为未来公司的必备工具。谁在这个方面落后，则迟早会被淘汰。此外，在金融领域中，首先应该被高科技所替代的工种应当是简单重复的工种，还有规则清晰的中后台工种。而当前，我们应该加速应用人工智能去提高效率。