业内人士看来,随着以互联网方式展业的银行,包括内地的直销银行、香港的虚拟银行等牌照陆续发放,通过智能投顾,“机器管钱”应是未来长期的趋势。
不过,各大金融机构推出的智能投顾的底层资产、策略差异极大,在相似风险偏好、久期的情况下,底层资产配置存在差异。
造成这一情况的原因,在于各家机构仍以“卖理财”的思路做智能投顾,人为干预因素影响智能投顾。
算法“黑箱属性”
目前,智能投顾的“算法”得到监管和许多智能投顾创业公司的关注。此前,有媒体报道称,智能投顾模型同质化严重,导致同涨同跌情况明显。
从算法来看,历史上有过严重依赖算法投资失败的惨痛教训。1998年,长期从事债券量化分析的美国长期资本管理公司(LTCM)突然巨亏,一位业内人士表示,LTCM等从美联储等历史数据去做模型,即使加入人工智能等技术,风险往往也是系统性的、很难把握,实际上还是需要人工干预。
近日,弘量研究CEO雷春然认为,智能投顾需要算法创新,全球50多类大类资产中,比如美股与土耳其里拉的关系是什么,德国国债与阿根廷农产品的关系如何量化?这需要相关性矩阵估计,通过机器学习实现。
人工神经网络应用到特定系统的最大障碍之一是其“黑箱”属性,这一点引起了央行的特别注意。
央行4月27日以答记者问的形式表示,金融科技的发展正在深刻改变金融业的服务方式,在资管领域就突出体现在智能投资顾问。近年来,智能投资顾问在美国市场快速崛起,在国内也发展迅速,目前已有数十家机构推出该项业务。
央行认为,运用人工智能技术开展投资顾问、资管等业务,由于服务对象多为长尾客户,风险承受能力较低,如果投资者适当性管理、风险提示不到位,容易引发不稳定事件。而且,算法同质化可能引发顺周期高频交易,加剧市场波动,算法的“黑箱属性”还可能使其成为规避监管的工具,技术局限、网络安全等风险也不容忽视。
风险与组合不匹配
不过,在业内人士看来,目前,国内智能投顾的问题在于人工干预因素太大,资产组合和风险不匹配。
雷春然认为,从底层资产看,要穿透基金的过往净值、风格漂移、收益等,智能投顾需要选择风格明确、业绩稳定的基金,“我们会把基金的风格漂移指数控制在5%-8%,如果基金飘逸现象比较严重,就说明基金管理人配置了很多不在投资范围内的股票等资产。”
但是,一些智能投资组合中,有的中等风险组合,货币基金占比过大,甚至达到40%-50%。一些风格越进取,风险偏好越高的智能投顾组合,股票型基金占比反而越低,货币基金、债券型基金占比反而越高。有一些智能投顾组合,调仓次数过于频繁。
与之相对,境外的智能投顾组合底层资产基本为ETF基金,采用零手续费等做法,这使得养老金、强积金等机构投资人进入,智能投顾市场得以快速发展。近日,北京市网络法学研究会副秘书长赵鹞认为,智能投顾的投资对象多为ETF基金,但并不是所有的ETF都适合作为智能投顾的投资标的。要实现客户风险偏好与投资期限的匹配,需要自上而下的选择投资标的ETF,排除(高)杠杆、风险分散不充分和单一市场投资的ETF,以及历史短、市场流动性不充分、业绩较差等的ETF等。
文章来源:搜狐财经