一、风险偏好与投资者画像：从“猜心”到“算心”

做智能投顾这些年，我最大的感触是——技术再牛，看不懂人，也是白搭。

你想想看，一个25岁的程序员和一个55岁的退休教师，能买一样的基金组合吗？显然不能。但问题来了：怎么量化这种“不能”？怎么让机器理解人的风险偏好？

这就是本章要聊的核心：投资者画像。说白了，就是把一个活生生的人，变成一组可计算、可匹配的数据标签。

1.1 投资者风险承受能力评估：别让问卷骗了你

很多平台的风险测评，就是几道选择题。我见过有人为了买高收益产品，故意选“我能承受50%亏损”。结果市场一跌，他半夜打电话骂客服。

所以，真正的风险评估，不能只靠问卷。我个人习惯用“三维度模型”：

维度	核心指标	数据来源
客观承受力	可投资资产 / 年收入、负债率、流动性需求	银行流水、资产证明
主观风险态度	损失厌恶系数、风险偏好量表得分	行为金融问卷、历史交易行为
实际行为偏差	追涨杀跌频率、持仓周期、止损执行力	交易日志、账户行为数据

这里有个坑，我踩过。曾经有个客户，问卷填的是“保守型”，但实际交易记录显示他频繁买卖高波动ETF。后来一聊才知道，他觉得“反正亏了也是闲钱”。你看，问卷和行为的背离，才是真实的风险画像。

1.2 投资者生命周期理论：不同阶段，不同打法

这个理论其实不复杂。人的一生，收入、支出、风险承受能力都在变。我把它简化成三个阶段：

• 积累期（25-40岁）：收入上升，支出可控，风险承受力强。适合高权益仓位，甚至可以加杠杆。
• 平衡期（40-55岁）：收入见顶，子女教育、房贷压力大。需要降低波动，增加债券和另类资产。
• 消耗期（55岁+）：收入下降，医疗、养老支出上升。核心是保本和现金流，权益仓位不宜超过30%。

但注意，这只是“平均人”的模型。我遇到过一位45岁的自由职业者，没有固定收入，但资产丰厚。他的生命周期曲线，就和上班族完全不同。所以，生命周期理论是参考框架，不是铁律。

1.3 KYC流程在智能投顾中的应用：从“填表”到“读心”

传统KYC，就是填表、签字、存档。智能投顾的KYC，应该是持续、动态、多源的。

我设计过一个KYC数据管道，大致流程如下：

# 伪代码：KYC数据融合流程
def build_kyc_profile(user_id):
    # 1. 结构化数据：问卷、资产、交易
    survey_data = get_survey(user_id)
    asset_data = get_asset(user_id)
    trade_data = get_trade_history(user_id)
    
    # 2. 非结构化数据：客服聊天、社交媒体（合规前提下）
    text_data = get_chat_logs(user_id)
    
    # 3. 行为特征提取
    behavior_features = {
        'avg_hold_days': calc_avg_hold(trade_data),
        'loss_aversion_ratio': calc_loss_aversion(trade_data),
        'rebalance_freq': calc_rebalance_freq(trade_data)
    }
    
    # 4. 风险评分融合（加权）
    risk_score = 0.3 * survey_data['risk_score'] + \
                 0.4 * behavior_features['loss_aversion_ratio'] + \
                 0.3 * asset_data['liquidity_ratio']
    
    return risk_score

你看，这里的关键是多源数据融合。问卷只占30%权重，行为数据占40%。为什么？因为行为不会撒谎。

1.4 如何构建投资者画像：标签化与动态更新

投资者画像，本质上是一组标签体系。我常用的标签分三类：

• 基础标签：年龄、收入、资产、职业（静态，但需定期更新）
• 行为标签：换手率、止损偏好、持仓集中度（动态，按月更新）
• 心理标签：损失厌恶系数、过度自信指数、从众倾向（动态，按季度更新）

举个例子，一个典型的“稳健成长型”投资者画像可能是：

标签维度	值	数据来源
年龄	35岁	基础信息
可投资资产	50万	资产数据
换手率	0.3（低）	交易日志
损失厌恶系数	2.5（中等）	行为金融问卷
持仓集中度	0.4（分散）	持仓分析

有了这个画像，系统就能自动匹配对应的策略组合。比如，这个画像适合“60%权益+30%债券+10%另类”的配置。

知识体系总览

下面这张图，是我自己梳理的本章知识结构。你可以把它当成一个“地图”，后面每讲一个点，都能在这里找到位置。

这张图把整个流程串起来了。从三大支柱出发，到具体方法，再到输出画像，最后落地到策略匹配。注意那个反馈箭头——画像不是终点，而是起点。每次调仓后的表现，都会反过来修正画像。

---

公众号:蓝海数据掘金营，微信deep3321