2、投资者画像构建：KYC原则、基础信息采集、投资经验评估
好，咱们接着聊投资者画像。说实话，这是整个智能投顾系统里最容易被低估的一环。很多人一上来就搞算法、调参数，结果模型跑出来跟用户实际需求完全不搭——为什么？因为画像没画准。
我参与过几个投顾平台的项目，踩过不少坑。最惨的一次，模型给一位保守型用户推荐了高收益债组合，用户差点投诉到监管。后来复盘发现，问题就出在风险测评问卷设计得太粗糙。所以今天这部分，我会把KYC原则、信息采集、经验评估这些核心点，结合实战经验给你讲透。
2.1 KYC原则——不只是填个问卷
KYC，全称Know Your Customer。说白了，就是你要真正了解你的用户是谁。监管要求是一方面，但从产品角度讲，不了解用户就做推荐，跟闭着眼睛开车没区别。
我习惯把KYC拆成三个层次：
- 身份层：姓名、证件、年龄、职业——这些是硬信息，必须验证。
- 财务层：收入、资产、负债——决定了用户能承受多大的波动。
- 心理层：风险偏好、投资目标、过往经历——这才是真正影响决策的东西。
核心原则：KYC不是一次性动作。用户的情况会变，市场环境会变，所以画像需要动态更新。我建议至少每半年触发一次重新评估，或者在用户资产发生重大变化时主动推送。
嗯，这里要注意。很多团队把KYC做成一个「填完就忘」的环节。我在项目中见过最典型的错误：用户三年前填的问卷，系统还在用那个结果做推荐。你想想看，三年时间，用户可能换了工作、买了房、生了孩子，风险承受能力早就变了。
2.2 基础信息采集——哪些该问，哪些不该问
基础信息采集，看起来简单，其实门道很多。问少了，画像不准；问多了，用户直接流失。我总结了一个「必问+选问」的清单：
| 信息类别 | 必问字段 | 选问字段 | 采集目的 |
|---|---|---|---|
| 身份信息 | 姓名、身份证号、年龄 | 学历、职业 | 合规验证、生命周期定位 |
| 财务状况 | 年收入范围、可投资资产 | 负债情况、月固定支出 | 评估资金实力与流动性需求 |
| 投资目标 | 投资期限、预期收益 | 资金用途（教育/养老/购房） | 匹配策略与产品 |
| 流动性需求 | 未来1年内资金需求比例 | 紧急备用金覆盖月数 | 控制流动性风险 |
实战技巧：我建议用「渐进式采集」。用户注册时只问必填项，后续通过交互行为（比如点击了哪些产品、看了哪些文章）来补充画像。这样用户体验好，数据也更真实。
我曾经在一个项目中，把问卷从20题砍到了8题，结果用户完成率从40%飙升到85%。为什么？因为用户没耐心填那么多。你想想看，如果你打开一个App，先让你填10分钟问卷，你大概率直接关掉。
2.3 投资经验评估——别让用户自己骗自己
投资经验评估，这是最容易被「美化」的环节。用户往往会高估自己的经验水平。我见过太多人，买过两只基金就觉得自己是「资深投资者」。
所以，评估不能只靠用户自评。我习惯用「行为验证法」：
- 投资年限：问「你第一次买股票/基金是什么时候？」而不是「你有几年投资经验？」
- 产品熟悉度：列出几种产品（货币基金、债券、股票、期权），让用户选择「了解/操作过/完全不懂」。
- 风险认知测试：给一个情景题，比如「如果组合一个月跌了15%，你会怎么做？」
- 过往操作记录：如果用户有历史交易数据，直接拉出来分析——这才是最真实的。
避坑指南：我曾经遇到一个用户，自评「经验丰富」，结果问卷里连「债券和股票哪个风险高」都答错了。后来我们加了一道「验证题」——让用户解释一下「最大回撤」是什么意思。答不上来的，直接降一级经验评级。这个机制上线后，模型推荐的匹配度提升了12%。
评估结果怎么用？我一般会输出一个「经验等级」：
- L1 - 新手：投资年限<1年，只接触过存款/货币基金
- L2 - 初级：1-3年，操作过基金/债券
- L3 - 中级：3-5年，有股票交易经验
- L4 - 高级：5年以上，熟悉衍生品或资产配置
这个等级会直接影响后续的风险测评权重。比如，一个L1的用户即使选了「高风险偏好」，系统也会自动调低他的风险承受上限。为什么？因为新手对风险的认知往往是「纸上谈兵」，真跌了可能扛不住。
2.4 画像输出的核心——风险承受能力评分
好了，前面采集了那么多信息，最终要输出什么？一个量化的「风险承受能力评分」。我常用的模型是加权打分法：
# 伪代码示例：风险承受能力评分计算
score = 0
score += age_score(age) # 年龄权重 20%
score += income_score(income) # 收入权重 15%
score += asset_score(asset) # 资产权重 25%
score += experience_score(exp) # 经验权重 20%
score += goal_score(goal) # 目标权重 20%
# 根据总分划分投资者类型
if score >= 80: type = "进取型"
elif score >= 60: type = "成长型"
elif score >= 40: type = "平衡型"
elif score >= 20: type = "稳健型"
else: type = "保守型"
当然，实际项目中不会这么简单。每个维度的打分函数需要根据业务场景调参。我习惯先用历史数据做回测，看看这个评分能不能准确预测用户的实际行为——比如，评分高的用户是不是真的能扛住市场下跌。
关键提醒：画像不是终点，而是起点。构建好投资者画像后，下一步就是把它接入风险测评模型，生成个性化的投资建议。但如果你画像本身是歪的，后面再牛的算法也救不回来。
最后说一句。做投资者画像，别总想着「一步到位」。用户是复杂的，市场是变化的。保持迭代的心态，持续优化你的采集方式和评估模型，这才是做好智能投顾的底层功夫。
公众号:蓝海资料掘金营，微信deep3321