從0到1，如何搭建智能投顧體系？

2 人贊了文章

文 |

賈宜宸 @賈宜宸，品鈦財富管理業務副總裁

張弦 @Sherry Zhang，品鈦研究院研究員

本文為品鈦財富管理業務量化副總裁賈宜宸、品鈦研究院研究員張弦近日發表於FT中文網的專欄文章。文中作者結合自己在傳統大型金融機構，以及新型金融科技公司里的財富管理經驗，從「可投資資產 - 市場分析 - 配置理論 - 再平衡方法」 四方面來解釋，如何為國內金融機構構建一套較完整的智能投顧系統。

「智能投顧」是一個舶來品，最早起源於美國，指的是機器人基於客戶的風險偏好和理財需求，通過演算法來為客戶完成理財顧問服務。

在互聯網高速發展，產品服務漸漸趨向標準化的過程中，智能投顧完成了一場自下而上，從初創企業（Betterment, Wealthfront）到巨頭規模化使用的行業變遷。

2015年，智能投顧開始陸續受到中國市場的關注。2016年AlphaGo席捲世界，人工智慧迅速成為國內的焦點話題，這也激發了人們對於智能投顧的探索熱情。同年年底，智能投顧產品「摩羯智投」在招商銀行手機APP上線，智能投顧開始逐漸從實驗性技術轉變為主流趨勢，成為銀行、券商、保險等金融機構的標配型服務。

根據BI Intelligence的報告，從智能投顧公司數量來看，截止2017年4月，中國已是全球智能投顧活躍度排名第三的國家，位居美國、德國之後。

本文中筆者將結合自己在傳統大型金融機構，以及新型金融科技公司里的財富管理經驗，從可投資資產、市場分析、配置理論、再平衡方法四個方面來解釋，如何在國內構建一套較完整的智能投顧系統。

1 / 可投資資產分析

目前中國智能投顧產品的底層資產多為公募基金，這與成熟資本市場的情況有所不同。在美國、新加坡、香港等國家和地區，其智能投顧的底層資產均為ETF（Exchange-Traded Funds）。

ETF最大的好處是可以瞬間完成配置，這個特性也使得ETF幾乎成為智能投顧底層資產池的首選。

但國內的智能投顧較難實現以ETF為底層，主要原因有三：

• 牌照方面，國內的ETF大多屬於二級市場，如果國內的智能投顧公司沒有基金管理人牌照，就無法對ETF進行交易。
• 市場覆蓋方面， 國內ETF覆蓋的市場多偏行業，所以通過買國內的ETF很難為客戶做到全球資產配置。而美國的ETF就涵蓋了幾乎所有主要國家市場和行業類型。
• 體量方面，國內ETF數量不多，僅有一百多支，相比之下，美國市場有大約1600支ETF，體量要大很多。

在這些客觀條件下，中國智能投顧唯一能走的途徑，就是以公募基金為底層資產，結合客戶的風險偏好和演算法對市場的預判，為客戶推薦一個公募基金組合。

2/ 市場分析

在實際操作中，我們會按照國內股、國內債、海外股、海外債、商品五大類別，將基金進行分類。

確定可投資市場後，我們就能確定這些市場的基準(benchmark)，並對其進行機器學習，進而決定是否要為客戶的投資組合(portfolio)配置該市場。

例如，如果我們需要研究「海外股」市場，就可以對美國標普500指數的市盈率、市凈率等因子進行分析，此外，美國的國家宏觀經濟指標也可以作為分析因子。

基於這些因子，我們會用量化的方法預測市場是漲還是跌。如果模型判斷該市場大概率會上漲，我們可以加大對該市場的配置；反之，則把其配比壓低，這是一種避險的方法。

關於該把哪些因子放入模型，有兩種方法。假設，我們現在有包括市盈率、市凈率在內的30個因子可用，一種方法是根據歷史上因子貢獻度，選10-15個最有效的因子放到模型里；另一種方法是把這30個因子全部放進機器學習模型。

根據我們的經驗，方法二的效果要略好於方法一， 但是也沒有好很多，大概年化收益率高一個百分點左右。

所以當一些技術概念被熱炒時， 一方面我們要認識到機器學習確實能優化投資組合表現；另一方面，也要注意不要對機器學習過於神話。

機器學習的演算法有很多種，在測算市場漲（跌）概率時，我們會同時使用幾種演算法。如果這些演算法對一個市場的走勢作出一致判斷，該判斷的準確率就會被認為是較高的，因此在投資組合里就可以對這個市場進行超配（低配）。

這其實很好理解，就好比當一個人（一種演算法）告訴你說A股可能大漲，聽者可能將信將疑，但如果十個人（十種演算法）都和你這麼說，你就會覺得它的可信度顯著增加了。

3/ 配置

市場分析完之後，下一步是配置。我們用的配置方法是馬科維茲的現代投資組合理論，簡單來說，就是在同等收益下尋找最小風險，或是在同等風險下尋找最大收益。但是馬科維茲模型在實操過程中非常難用。

這個模型的最大問題是，它對參數非常敏感。下面這個例子可以看出，在幾個市場（黃金、美國、中國、新興市場）預計收益率變化不大的情況下，有效前沿曲線上，紅點和綠點的資產配比相差是很大的。

一般來說，模型中的參數有三種： 收益率、風險值和約束條件。這三種參數中，很多人對「約束條件」不以為然，但是實際操作中，約束條件恰是我們會花很多時間去操作的參數。

首先，模型中最基本的約束條件是——所有市場的配置加起來要等於100%。此外，我們會為每個市場設定投資的上限和下限，以及股債比，股債比有時是定值（如「8:2」），有時是範圍（如「不高於8:2」）。

如果股債比是範圍的話，就屬於非線性約束條件，它可解的範圍是很大的。我們在做模型參數時，會花比較多的心思在類似這樣的約束條件上。

4/ 再平衡

我們在和很多機構客戶溝通的過程中，被最常問及的一個問題是，「你們的配置准嗎？」。與「準不準」同樣重要的是（如果不是更重要的話），怎樣根據市場變化來改變投資組合中的配置，也就是我們常說的再平衡。

再平衡的常用策略有兩種：

一種是恆定混合策略（Constant Mix），這是海外智能投顧常用的再平衡策略，也是智能投顧鼻祖Betterment和Wealthfront採用的方法。它的基本運作原則是讓不同資產類別間的比例始終保持在一個數值（比如，股債比需要始終保持在7：3）。當股市上漲時，組合里需要賣掉一些股票以保證股債比不變；同理，當股市下跌時我們需要買一些股票回來。所以恆定混合策略一直是一個買低賣高的過程。

這也導致了一個問題：當股市下跌時，模型為了保證股票類資產和證券類資產的比例不變，就會越跌越買。所以在空頭市場里，它的表現往往會不佳。

在2008-09年金融危機期間以及2014-15年A股多轉空期間，幾種再平衡方法的模型表現就說明了這個問題，恆定混合策略是幾種再平衡策略中表現最差的。

另一種是固定比例投資組合保險策略（CPPI，Constant Proportion Portfolio Insurance）。CPPI策略主要是根據市場的波動來調整權益類資產與保證本金類資產在投資組合中的比重，以確保投資組合在一段時間以後的價值不低於事先設定的某一目標價值，是一種追漲殺跌的模型。

我們比較喜歡這個模型，因為它可以控制風險。上圖中可看到，CPPI也是在兩次空頭市場中，表現相對較好的。

5/ 結語

智能投顧從美國來到中國，但智投服務在中國和美國的發展邏輯略有不同。

美國智能投顧市場成立的邏輯可以大致總結為：智能投顧是平價版的投資顧問，是傳統投資顧問業態的替代。所以，在美國投顧服務從「人工」到「智能」基本實現了平穩過度。智能投顧根據資產管理規模（AuM）收取管理費的模式因此也較容易被投資者接受。

而智能投顧在中國興起的這幾年，一方面國內尚沒有成熟的人工投資顧問市場，投顧服務對於大部分投資者來說，是較新鮮的概念 。另一方面，智能投顧興起的這幾年，恰逢一些泛財富管理平台承諾給予投資者較高「保本」收益的時期，這些導致智能投顧在中國市場的潛力還未完全釋放。

近一年來，監管方面在泛財富管理行業有一系列動作，其中最顯著的是新出台的資管新規中，明確要求打破剛性兌付，要求金融機構不得承諾保本保收益。這些都是對智能投顧行業的積極信號。

*本文首發於FT中文網，「品鈦研究院」經授權轉發，標題、內容略有編輯。點擊下方查看原文：