“智能投顾”是一个舶来品,最早起源于美国,指的是机器人基于客户的风险偏好和理财需求,通过算法来为客户完成理财顾问服务。
在互联网高速发展,产品服务渐渐趋向标准化的过程中,智能投顾完成了一场自下而上,从初创企业(Betterment, Wealthfront)到巨头规模化使用的行业变迁。
2015年,智能投顾开始陆续受到中国市场的关注。2016年AlphaGo席卷世界,人工智能迅速成为国内的焦点话题,这也激发了人们对于智能投顾的探索热情。同年年底,智能投顾产品“摩羯智投”在招商银行手机APP上线,智能投顾开始逐渐从实验性技术转变为主流趋势,成为银行、券商、保险等金融机构的标配型服务。根据BI Intelligence的报告,从智能投顾公司数量来看,目前中国已是全球智能投顾活跃度排名第三的国家,位居美国、德国之后。
本文中笔者将结合自己在传统大型金融机构,以及新型金融科技公司里的财富管理经验,从可投资资产、市场分析等两方面来解释,如何在国内构建一套较完整的智能投顾系统。
可投资资产分析
目前中国智能投顾产品的底层资产多为公募基金,这与成熟资本市场的情况有所不同。在美国、新加坡、香港等国家和地区,其智能投顾的底层资产均为ETF(Exchange-Traded Funds)。
ETF最大的好处是可以瞬间完成配置,这个特性也使得ETF几乎成为智能投顾底层资产池的首选。
但国内的智能投顾较难实现以ETF为底层,主要原因有三:
牌照方面,国内的ETF大多属于二级市场,如果国内的智能投顾公司没有基金管理人牌照,就无法对ETF进行交易。
市场覆盖方面,国内ETF覆盖的市场多偏行业,所以通过买国内的ETF很难为客户做到全球资产配置。而美国的ETF就涵盖了几乎所有主要国家市场和行业类型。
体量方面,国内ETF数量不多,仅有一百多支,相比之下,美国市场有大约1600支ETF,体量要大很多。
在这些客观条件下,中国智能投顾唯一能走的途径,就是以公募基金为底层资产,结合客户的风险偏好和算法对市场的预判,为客户推荐一个公募基金组合。
市场分析
在实际操作中,我们会按照国内股、国内债、海外股、海外债、商品五大类别,将基金进行分类。确定可投资市场后,我们就能确定这些市场的基准(benchmark),并对其进行机器学习,进而决定是否要为客户的投资组合(portfolio)配置该市场。
例如,如果我们需要研究“海外股”市场,就可以对美国标普500指数的市盈率、市净率等因子进行分析,此外,美国的国家宏观经济指标也可以作为分析因子。
基于这些因子,我们会用量化的方法预测市场是涨还是跌。如果模型判断该市场大概率会上涨,我们可以加大对该市场的配置;反之,则把其配比压低,这是一种避险的方法。
关于该把哪些因子放入模型,有两种方法。假设,我们现在有包括市盈率、市净率在内的30个因子可用,一种方法是根据历史上因子贡献度,选10-15个最有效的因子放到模型里;另一种方法是把这30个因子全部放进机器学习模型。
根据我们的经验,方法二的效果要略好于方法一,但是也没有好很多,大概年化收益率高一个百分点左右。
所以当一些技术概念被热炒时,一方面我们要认识到机器学习确实能优化投资组合表现;另一方面,也要注意不要对机器学习过于神话。
机器学习的算法有很多种,在测算市场涨(跌)概率时,我们会同时使用几种算法。如果这些算法对一个市场的走势作出一致判断,该判断的准确率就会被认为是较高的,因此在投资组合里就可以对这个市场进行超配(低配)。
这其实很好理解,就好比当一个人(一种算法)告诉你说A股可能大涨,听者可能将信将疑,但如果十个人(十种算法)都和你这么说,你就会觉得它的可信度显著增加了。
文章来源:亿欧智库研究院