要回答这个问题，首先得明确什么是智能投顾。
严格来说，一般所称的智能投顾指的是通过数字化手段提供资产配置服务的一种形式。由于其核心锚定在“资产配置”，因而更是一个财富管理概念而非狭义的投资管理或者某个策略的优化。
所以，从不管是行业先进经验来看还是从实质逻辑来看，一个完善的智能投顾应该可以粗略分为以下几个维度的智能化：
1. 智能客户认知：即通过自动化、网络化方式，结合大数据或其他数字化手段的客户认知，一方面对客户的主观、客观风险承受能力进行识别，完成风险判断；另一方面对客户的投资目的、资金属性进行定义，或者通过大数据对用户画像、信息进行补完针对性的建议投资目的，以实现高效而精准的 KYC （know your customer），从而为客户提供适合的长期财富管理方案提供信息基础;
2. 智能模型算法：即通过模型算法，辅以机器学习等新的数据处理和模型构建方式，结合经典的金融、投资学原理（如马科维茨的现代投资组合理论，Black-Litterman方法）打造的真正的智能资产配置模型和相关的算法，该算法应可对数据变化进行持续监控和应对，从而真正做到全天候顾问，该算法还应针对底层资产进行交易路径优化，确保策略的可实现性和实现的尽量低摩擦，避免空中楼阁式的“完美策略”；
3. 智能交易实现：即基于实际使用的底层资产的交易平台所构建的可以与智能模型算法匹配并实现算法决策指令的体系，并确保策略的有效性和策略调整的时效性，从而为投资人提供完整的资产配置管理服务，包括交易逻辑的优化，交易摩擦和成本的最小化，税收结构的优化等等，而非仅仅的方案建议；
外界可能误以为，智能投顾的核心在于算法和模型，但我们在做璇玑的系统开发时发现，国内交易环境跟国外有巨大的区别，很多产品不是T 0交易，而是T 1甚至T N，这就会导致理论上成立的模型，因为交易环境的复杂化而失效。
这也是我们当时花了大力气解决的问题，并为这个交易的优化算法申请了专利。最终我们的交易模型是这样的：
如上图，整个智能投顾的系统由四个模块组成，分别是—（配图）
数据处理模块：用来处理两类数据—结构化数据和非结构化数据。
结构化数据处理的目的在于通过 自动下载价格、波动率、汇率等市场因子,从中找出有用的信息,判断市场状况,在投资组 合理论的基础上,为模型提供更准确、更及时、 丰富的数据。
非结构化数据处理通过分析用户行为、资产等 个性化数据,实现对客户的生命周期管理。
数字化资产配置模块：
智能投顾不以收益最大化为追求目标，它追去的是最佳的风险收益比。这也是大部分智能投顾的理论基础—马克维茨的资产配置理论的核心。理论上来说,在同 一风险下寻找最佳的收益率,或在同一收益率下寻找风险最低的组合。
要找到这个点，需要海量的复杂计算。我们这个模型的数据处理量是这样的：以精确至小数点后四位为例,计算 10 个 资产的配置组合的可能性高达 10 的 36 次方。而模型需要通过计算，快速找到这个点，这个计算量是可以在秒级完成的。
产品筛选模块
智能投顾的核心逻辑有二：第一是追求大类资产配置，追求smart beta收益，所以势必投资指数基金；第二只用人民币投资，通过QDII基金让资金合理出海。
在这个逻辑下，一大问题就是国内 ETF不足，因此我们使用了公募 基金补充 ETF,进行大类资产配置,以实现有效的风险分散。
产品筛选模块的作用就是通过 专门的程序,筛选产品完成对标杆指数最有效 的拟合,而其中的宗旨是选择最适合整体模型 预期走势的产品,而非选择业绩最好的产品, 这是与一般智能选基金产品最大的不同。
因为模型同样服务于机构，因此，机构本身自有的产品池，也需要考虑。
(4)交易最优模块
由于使用公募基金代替 ETF,会大大提升 申购费、赎回费等的交易成本,且国内市场交 易规则复杂,不同基金的赎回到账户时间不一 样,有 T 0、T 3,甚至有 T 7 等,用户的调仓需要若干天的过程,有可能会产生因为佣金 和时效性而带来的损失。
为了解决该问题,我们运用自创的算法 ,结合交易频率、规模、调仓规则、时间、摩擦成本等综合维度寻找最找路径,优化调仓逻辑,节省客户的时间和费用。通过减少交易磨损，进一步增加收益
基于这四个板块，在服务b端客户时，我们可以把整个系统嫁接过去。
4. 智能投后服务：即以数字化方式对投资客户进行持续跟踪服务，包括进一步用户认知和信息收集，客户需求的持续发掘和服务，客户资产、财富的定制化报告和沟通等等一系列投后的管理和服务。
这四个部分分别对应传统的KYC，方案推荐，资产管理，投后服务等财富管理服务流程，传统上均由人力进行服务并完成。
在服务业，技术手段的进步和突破带来的都是由效率不断提升的量变到业务模式、形态突破的质变。
从实质上来看，金融服务业也是服务业。因此，与传统的投资顾问业务形态做比较，其实也符合这个逻辑。
1. 从客户认知和跟踪服务的角度，智能投顾可以体系且持续性的纳入、分析用户信息，并通过算法优化，对用户信息进行归纳、整理和更新，以严苛的纪律保证服务提供的质量和持续。这种力度的客户了解和认知在以人力为载体的时候需要深度的专业积累和诚恳的服务态度，是专业服务业（professional service）的重要组成，也因此需要收取高额的专业和服务溢价，以支付专业人员的薪酬。由于行业基于资产规模收费的模式，这样的高质量服务也必然意味着高门槛，并不适合所有人。比如某知名私人银行，其准入要求千万美金级别的金融资产，据称其目标待发掘用户在整个大陆地区仅6000人。
而智能投顾的认知体系继承了互联网行业的核心优势，边际成本极低。因而在保证一定服务质量的前提下，智能投顾的服务可以充分下沉到较为亲民的用户层及。
2. 从模型算法和交易实现的角度，由于行业内水平各有高低，在投资表现上在这不做具体比对，假设均进行资产配置，通过分散投资一方面参与全球市场的不同机会，一方面分散可能的市场波动。我们仅从资产配置的实现形式上进行分析。传统的行业做法往往会定期（如每季度）由机构出具一个资产配置方案的 house view，顾问和私人银行家们基于这个观点为客户提供资产配置建议和相关的投资服务，举一个尴尬的例子，如果某机构每个季度第一天更新观点，一个投资人在季度末过来要求服务，顾问就会处在很尴尬的决策点上，是等几天按新的观点来（客户可能因而流失），还是按照马上就要被替换的原有方案来（可能马上就会有大幅变动而造成交易费用的浪费或者潜在的投资损失）？
而与之相较，优秀的智能投顾由于使用了现代算法，其投资组合的更新往往更及时，其服务承载体系则完全基于互联网和移动端，服务提供不受时间空间的限制，也因而可以给客户提供更具时效性的服务。
因此，两相比较，在双方都具备足够的专业性的前提下，智能投顾的服务边际大，载体灵活，不受时间空间的限制且时效性强。
而传统投顾的服务粘性强，对需求的发掘更深入，在非投资的其他金融领域亦能提供相应的知识和服务。
在目前的时间点上看互有优势且相当互补，这也是为什么我们在全球范围内都看到智能投顾与传统的这个行业逐渐演变出了更多的竞合关系，而非简单的非你即我的替代关系。
