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。

本文来自: 品钛研究院 题图来自“u539fu521bu56feu7247”

       “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，截止2017年4月，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、配置理论、再平衡方法四个方面来解释，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。

配置

       市场分析完之后，下一步是配置。我们用的配置方法是马科维兹的现代投资组合理论，简单来说，就是在同等收益下寻找最小风险，或是在同等风险下寻找最大收益。但是马科维兹模型在实操过程中非常难用。

       这个模型的最大问题是，它对参数非常敏感。下面这个例子可以看出，在几个市场（黄金、美国、中国、新兴市场）预计收益率变化不大的情况下，有效前沿曲线上，红点和绿点的资产配比相差是很大的。

       一般来说，模型中的参数有三种：收益率、风险值和约束条件。这三种参数中，很多人对“约束条件”不以为然，但是实际操作中，约束条件恰是我们会花很多时间去操作的参数。

       首先，模型中最基本的约束条件是——所有市场的配置加起来要等于100%。此外，我们会为每个市场设定投资的上限和下限，以及股债比，股债比有时是定值（如“8:2”），有时是范围（如“不高于8:2”）。

       如果股债比是范围的话，就属于非线性约束条件，它可解的范围是很大的。我们在做模型参数时，会花比较多的心思在类似这样的约束条件上。

再平衡

       我们在和很多机构客户沟通的过程中，被最常问及的一个问题是，“你们的配置准吗？”。与“准不准”同样重要的是（如果不是更重要的话），怎样根据市场变化来改变投资组合中的配置，也就是我们常说的再平衡。

再平衡的常用策略有两种：

       一种是恒定混合策略（Constant Mix），这是海外智能投顾常用的再平衡策略，也是智能投顾鼻祖Betterment和Wealthfront采用的方法。它的基本运作原则是让不同资产类别间的比例始终保持在一个数值（比如，股债比需要始终保持在7：3）。当股市上涨时，组合里需要卖掉一些股票以保证股债比不变；同理，当股市下跌时我们需要买一些股票回来。所以恒定混合策略一直是一个买低卖高的过程。

       这也导致了一个问题：当股市下跌时，模型为了保证股票类资产和证券类资产的比例不变，就会越跌越买。所以在空头市场里，它的表现往往会不佳。

       在2008-09年金融危机期间以及2014-15年A股多转空期间，几种再平衡方法的模型表现就说明了这个问题，恒定混合策略是几种再平衡策略中表现最差的。

      另一种是固定比例投资组合保险策略（CPPI，Constant Proportion Portfolio Insurance）。CPPI策略主要是根据市场的波动来调整权益类资产与保证本金类资产在投资组合中的比重，以确保投资组合在一段时间以后的价值不低于事先设定的某一目标价值，是一种追涨杀跌的模型。

       我们比较喜欢这个模型，因为它可以控制风险。上图中可看到，CPPI也是在两次空头市场中，表现相对较好的。

结语

       智能投顾从美国来到中国，但智投服务在中国和美国的发展逻辑略有不同。

       美国智能投顾市场成立的逻辑可以大致总结为：智能投顾是平价版的投资顾问，是传统投资顾问业态的替代。所以，在美国投顾服务从“人工”到“智能”基本实现了平稳过度。智能投顾根据资产管理规模（AuM）收取管理费的模式因此也较容易被投资者接受。

      而智能投顾在中国兴起的这几年，一方面国内尚没有成熟的人工投资顾问市场，投顾服务对于大部分投资者来说，是较新鲜的概念。另一方面，智能投顾兴起的这几年，恰逢一些泛财富管理平台承诺给予投资者较高“保本”收益的时期，这些导致智能投顾在中国市场的潜力还未完全释放。

       近一年来，监管方面在泛财富管理行业有一系列动作，其中最显著的是新出台的资管新规中，明确要求打破刚性兑付，要求金融机构不得承诺保本保收益。这些都是对智能投顾行业的积极信号。

来源：亿欧