理财推什么荐？

前   言

对于我来说，加班之余思考最多的就是怎么才能发财？买推荐的理财产品是否能够赚钱等等深奥的问题。之所以说深奥，一是因为有个悖论一直无法解决，那就是如果一个产品很赚钱，那么会有很多人买，如果很多人买，会导致这个产品不赚钱；另外一个原因是经过多年的算法实操亏了我好多钱，所以我觉得这个事情简直深奥的不得了。

即便这样，我仍然悟出了一些道理。比如否定之否定，什么意思呢？大致是这样的，当大家都品尝着用2010年法国波尔多出产的上好赤霞珠酿出的干红一边纷纷表示不错的时候，如果你能表示这酒涩度很低平衡度好香味很复杂略带点焦糖香味的话，逼格立马提升了上来，而如果大家都纷纷表示这酒酸度适中单宁有点饱和的话，那么你应该要一杯白开水，再加点柠檬；当大盘还看不出明显涨势的时候你就要开始股票建仓，当大盘不停的涨到连扫厕所的李大爷都开始打开APP分析买哪支股票的时候，你应该赶紧把手里的股票清仓套现离场；当一个大平台刚开始推荐一些基金的时候可能可以买，而如果一个大平台一直推荐那几只基金的话，恐怕已经不能再入手买它们了。

 

话虽如此，但是这个理论不好量化，从而也不容易交付计算机使用算法自动执行，这对于逻辑严谨的人比如我来说是不可忍受的。所以把问题换一个角度，那就是，对于一个大型的财富管理平台，应该怎么推荐理财产品？这个问题听起来简单，但是仔细想其实很复杂。下面推演一套算法，注意并不完全和真实情况对应，勿对号入座。

建   模

为了便于分析我们先把问题抽象成最简单的模型：

商品---就是平台能够销售的所有理财产品

客户---就是所有能够在平台交易的人或者机构

推荐算法---就是把商品和用户按照某种规则关联起来的算法

用图形表示如下：

用数学语言描述就是，推荐算法F就是客户集合C到商品集合G的某种映射。用通俗的话解释就是，算法就是架在客户和商品中间的一扇小窗户，客户能通过小窗户看到一些商品，即使客户和商品都没有任何变化，但是对于某个客户，他从不同的窗户能够看到不同的商品。这个时候问题来了，哪扇小窗户更好？就像下面的图表示的：

其中一共有5个算法小窗户F1，F2，F3，F4，F5。其中F4和F5稍微特殊，他们是其他小窗户叠加一起形成的，但是最终功能都是一样的，为简化分析，将他们等同视为某种算法小窗户。在评价他们的好坏之前，恐怕需要解决一个更加重要的问题，那就是什么是“好的”？

目   标

在真实的场景中，客户从这个算法小窗户看到了一些商品，然后他接下来会有一些行动，大部分用户其实看看就把这扇窗户关了，不会采取后续行动，但是少量用户会用手穿过窗户去摸一下商品（点击），但是这些用户中大部分也就是摸一下把玩把玩，然后也没有后续行动，其中更少量的用户会对商品进行下单付款，然后把商品拿走。通常来讲，我们倾向于认为能够促使整个客户群体产生最多交易行为或者最大交易金额的窗户就是“好的”。但是这种标准并不绝对，例如如下是经常使用的一些标准：

• 整体交易单量最大就是最好的。这种标准通常用于高频低额的应用场景，其客单价通常很低，但是使用次数很多很频繁，一般用于刺激用户粘性，形成经常到这个窗户这儿来看看的习惯。

• 整体交易金额最大就是最好的。这种标准通常是平台发展初期为了冲规模，吸引用户形成下单习惯而采用的标准。

• 整体用户点击率最大就是最好的。这个标准通常是假定用户对商品进行把玩是一个购买欲望的体现，就像线下商场用户试穿衣服一样，试衣服的人肯定比不试衣服的人购买率高得多。

• 整体平台收入最大就是最好的。收入反映了业务产生回报的能力，因为没有剔除费用等支出项，所以通常在平台发展初期可能会使用这种标准，用来排除初期高额费用对利润产生的影响。

• 整体交易利润最大就是最好的。平台发展初期更多的是以规模为主要目标，但经营后期一定会回到利润导向，即能够带来一定利润的才是最好的。而利润的大小其实和交易单量以及交易金额都没有太直接的关系。

• 整体用户满意度最高就是最好的。用户满意度对于实物商品来说通常意味着很多方面，但是对于金融产品来说一般指的就是用户收益，简单说就是，用户赚到更多的钱满意度就是最高。需要多说一句的是用户满意度和交易单量以及交易金额甚至交易利润都是没有直接关系的，但是可能有长期的相关性，即赚了钱的用户倾向于继续在平台进行交易，从而产生更多的交易量和利润。

需要注意的是，这些标准并不是一直使用的，在不同的时间，不同的情况之下可能会使用不同的标准，也就是说，标准之间也是没有好坏的。有了目标就有了评价的标准，也就是说，所谓“好的”算法就是针对特定的目标达成的最好的算法。

算   法

剩下的问题就是，如何比较算法优劣？如何用同样的客户去使用不同的算法？从而得到算法的横向比较结果。其中关键是需要是同样的客户，不然的话条件不一样，得到的结果就不具备可信度了。从实际操作上来讲这又是不可行的，因为不能让同样一个客户“同时看到两个窗户”，只能让两个“相似”的客户分别看到两个不同的窗户，从而近似得到横向比较结果。所以这里引申出来的问题就是，如何对用户进行分群？这个恐怕是另外一个艰难的问题，本篇暂不描述。

如上图，整个过程描述为：

1. 确定度量目标。在特定的时间使用特定的目标。

2. 将用户划分为不同的群体，在同样的群体中随机划分两个子群体A和B。

3. 针对用户群体A和B分别使用不同的算法F1和F2，使其看到不同的商品。

4. 观察结果。分别得到针对特定的目标的具体结果。

5. 调整算法。根据结果评判算法优劣，并进行调整扩大使用范围。

6. 重复步骤1-5。

上面的算法是推荐的核心算法，可以称之为算法的算法，其核心思想是将算法的优化变成一种竞争的机制，而且是一种持续竞争的机制，而每次使用的具体的推荐算法是可以随时实施、随时验证、随时优化的。其中每一步的挑战都是巨大的：

1. 如何确定当前应该使用哪种目标？对于一个平台来说，所有目标中的终极目标应该就是利润目标，但是要达成利润目标可能必须先以其他的目标为中间目标，而且还不能在正确的阶段设置错误的目标，否则欲速不达。

2. 用户如何分群？对于一个客户量巨大的平台来说，将用户分类以及打标签本身就是一项很艰巨的事情，可能需要收集用户成千上万的特征，然后需要按照特征的值使用一定的算法来进行分类。这个里面的难点在于怎么从金融特性给用户进行画像，其分辨度将会直接影响最后算法评判的结果。

3. 实际执行的推荐算法到底要用哪种？从技术上来讲推荐算法可以是任何一种算法，各种机器学习的算法都可以，甚至连手动指定（运营通常使用的方法）客户和商品的关联关系也可以当成是一种算法。那么选择合适的算法也是一项大工程。另外将特定人群关联到特定算法也是需要有特定的技术设施来完成，例如支持ABTest的系统，最终系统将会需要一个反馈，并使用反馈作为ABTest系统的输入。

4. 结果如何度量？这个问题和第一步确定目标是直接对应的，也就是设定了目标之后就要解决如何度量目标达成的问题。通常对于成交类（例如成交量、成交金额）的结果是很好度量的，但是其他的目标是需要经过较为复杂的数据处理才能得到。这个需要支持离线数据收集系统以及实时数据收集系统来完成，其中实时数据收集系统将会使推荐系统具备为用户提供实时反馈的能力，客户会感觉系统针对特定的变化反应很快，非常“智能”，体验是很棒的。

5. 算法如何调优？当某种算法从结果来看被判定为“很不好”的时候有可能并不是因为算法本身有问题，也可能是某些关键参数的设置问题。当某种算法被判定为“很好”的时候需要扩大其使用范围，从而促进目标的达成。

6. 评价结果如何自动反馈？这步至关重要，这步保证优化过程是持续螺旋状迭代的，从而使业务能够在不同时期针对性的按照既定目标进行，极端的一个例子是，只要设定了一个目标，例如利润，则整个系统将会自动化“学习”并智能的调整推荐策略，然后将利润不断的提升。其整个过程就是一个“否定之否定”的过程，即一种策略算法经过一段时间的使用变得不再适用了，然后由系统更换为当下更好的策略算法，然后再进入下一个过程，循环往复。

问   题

So？和本文开篇的问题有什么关系呢？关系是很大的。

本文从抽象逻辑框架推演，并不和真实系统严格对应，但是并不影响我们分析，因为从大平台应该如何开展商品推荐可以看出，用户收益是至关重要的追求，但不是唯一和永恒的追求。反过来看就是，对于一个客户来说，想要靠投资时不时赚到钱是可以的，但是想要长期稳定的享受高收益则是极其困难的。

这从一个侧面也反映了金融的本质特征，在金融的供应链中，用户是弱势群体，认知理财产品的金融本质尤其是风险特征是至关重要的，否则当你满怀期望买理财但是没赚多少钱甚至亏损的时候，那种感觉就像是围城，结了婚的人想离婚，怎么会是这样?

你可能还喜欢作者的其他文章

点击下方图片，即可阅读

业务与系统的傲慢与偏见

互联网财富管理平台应该怎么做？（上篇）

互联网财富管理平台应该怎么做？（下篇）

关注技术说，我们只凭技术说话！

点在看会少个bug哦????