最近的一份研究表明，主流的智能投顾存在投资建议与用户需求错位的问题，而且与投资者预期的不一样，它们更像是短期的投资方案。
两位研究者Stephen J. Huxley和John Y. Kim分析发现，智能投顾的资产配置效果，与短期股票资产组合更一致。当把时间分割（指预期的投资周期）纳入评估中时，智能投顾为“稳健”投资者推荐的股票资产，与1-3年投资周期的投资组合有最强的关联。从时间分割的角度看，短期并不意味着频繁交易，而是指组合会主要包括短期内收益可能更好的股票资产类别，当然这忽略了长期收益更好的可能。而多数财务顾问都会强调，终身规划应该关注长期效益。
前提假设
投资策略中的一个考量指标是时间。但以此公平地评估智能投顾的投资表现，是件很难的事，尤其是在它才出现不久，没有多少历史记录的时候。多数机器投资策略都过于新颖，没法进行有效比较。
不过值得欣慰的是，智能投顾公司往往会公布投资组合中的分配和基金情况。而且配置虽然会变，但比较稳定，2016年与2015年任何资产类别的变化都不过几个百分点而已。2017年或许会再变化一点，但总体上可以看出，智能投顾的资产配置方法是战略上，而非战术上的。
投资组合的稳定以及各种资产类别在过去30多年的记录，也让在更长的时间周期中，分析智能投顾投资组合的表现变得可能。
Huxley和Kim的比较还有一个前提，即智能投顾的用户年龄通常在40岁以下（在美国这算是事实），并假设投资目标是为退休做准备，即更关注长期投资收益。当然，另外一点值得考虑的是，各家公司的风险评估量表能切实反应用户的风险偏好，不过这也只能作为前期假设。
数据来源
Huxley和Kim研究的目的，是调查在投资者要求长期财务规划的场景下，智能投顾推荐的资产配置状况。他们比较了Betterment、Motif、Schwab和Wealthfront这四家公司智能投顾组合中的股票资产，投资的目标时间周期是1到40年不等。数据的时间跨度是过去31年（1985-2015），投资者类型假定为“稳健”型。
对于投资标的，其中一个智能投顾是约50%为股票，其它三个则是约70%到80%为股票（包括少量商品期货，房地产信托基金REITS，以及黄金），而且只有股票和这些所列的资产配置会被纳入分析范围。之所以如此，是因为这样可以在不同投顾的推荐中，进行近乎等价的比较。而且，投资组合中的股票部分通常会是整体收益增长的长期驱动力。
时间分割则是用到了数学编程的方法，为1、2、3，直到40年的持有期限选择资产配置。最终分析出来的股票模型分成了四个时间周期：1-3年，4-6年，7-15年以及16-40年的投资周期。各投资周期的资产组合方式则来自Huxley和Kim的另一项研究。
分析结果
结果发现，投顾们推荐的投资组合与标准普尔500指数的表现没什么区别，没有更好也没有更差。不过所有投顾都有一个共同点：本质上属于短期投资。在资产配置中，他们的组合与1-3年的短期股票投资组合的相关性最高，而非长期投资组合。具体分析结果如下。
静态投资
下图展示的是智能投顾的静态投资（static case）结果，即在最开始的1985年投资1万美元，直到最后的2015年都不追加投资也不提现（股票所得分红的注资除外）。结果会与各投资周期和标准普尔500指数的结果进行比较。可以看出，各投顾的收益表现与标普500指数没什么区别。
图一，静态投资情况下各智能投顾、投资周期与标准普尔500指数收益的比较
下图则是图一中各投资组合的累积结果。可以看出，以蓝色标识的智能投顾们表现区别不大，其中两个的表现比标普略好，两个略差。更重要的是，图中显示出投顾们的稳健投资组合与1-3年投资周期的组合更为相近。换言之，投顾们更像是在做短期投资，虽然调查中投资组合都是为长期投资而设计的。
图二，各投资组合的累积收益结果
图一中的数据，还可以用来做各智能投顾与各投资周期的相关性分析。与图二所表明的一样，下图也说明1-3年投资周期与智能投顾的平均正相关性最高，为0.51。4-6年投资周期的平均相关性为零，7-15年与16-40年投资周期的相关性则为负。这再一次说明，智能投顾的投资组合似乎是为短期投资而设的。
图三，各智能投顾与各投资周期的相关性分析
动态场景
下图则是动态场景（Dynamic case）下各投资组合的表现，即每年追加投资1000美元。第一笔追加投资是在1985年底，以后每年都是年底追加。最终结果显示，结论与静态投资类似，智能投顾们与1-3年及4-6年投资周期的表现更相近。
图四，动态场景下各投资组合的累积投资表现
综合结论就是，如果一位稳健的投资者按智能投顾的建议进行投资，在31年后所得收益比不上专为长期投资设立的投资组合。
智能投顾都会根据风险偏好量表的结果，为用户推荐最优的投资组合。但前提是量表真实有效，而结果也确实令人失望，部分公司的量表甚至不过问下用户准备何时退出投资。智能投顾的建议与用户财务规划的错位会导致不必要的损失。
在美国，智能投顾的用户一般是30多岁到40岁出头，这类用户通常持有长期投资目标，为的是养老。所以，他们预期的投资组合也应该是长期导向的。如果智能投顾公司的风险量表够精准，能测量出用户的风险偏好的话，那就说明投资推荐存在问题。而如果量表不如想像中有效，那又出现智能推荐与用户偏好不相匹配的问题，这或许是投顾们应该首要解决的问题。
