智能投顧技術原理與應用分析
本文節選自《金融電子化》2018年3月刊
作者：成都農商銀行客戶信息部總監 黃庄庄
成都農商銀行 張笑寒 譚皓予
編 者 按
本文著重分析了智能投顧的技術原理及難點，並對我國智能投顧平台的發展提出了自己的建議。
智能投顧技術原理分析
1.MPT模型原理及實現
現代投資組合理論（MPT，Modern Portfolio Theory）被稱為「均值-方差」模型，其基本原理是構建最優收益的投資組合。這一理論體系也是現代智能投顧技術實現的基本理論依據。智能投顧的實現需要關注以下幾點。
（1）投資者的風險偏好以及期望收益
投資者的風險偏好是指每個投資者有不同的風險承受能力以及對不同的風險程度有相應的期望收益，風險與收益的對應關係可以分為風險厭惡、風險中性和風險喜好，對應不同風險程度，期望的收益也有不同。
準確的獲取風險偏好有助於掌握投資者的預期收益率和風險水平，可以通過問卷和測試題目，標準化的對投資者進行量化評估以及風險等級劃分；還可以通過大數據技術對投資者的行為數據、交易記錄、財務狀況、個人信息等數據，進行建模分析後，得出更為準確的「客戶畫像」，對應不同的風險偏好。
（2）在有效前沿上進行資產分配
有效前沿，指的是利用MPT模型構建最佳收益投資組合。一個投資組合裡面有很多不同的資產，每個資產占整個投資組合的權重不同，資產之間也有不同的相關性，如何選取資產以構建投資組合，成為構建有效前沿的關鍵。
當組合中資產的數量不斷增多，理論上就形成了無數種可能的組合，這其中必然有一個點是方差最小的，這個點就叫做最小方差組合[3]；由於理論的前提條件是同樣收益率選方差小（同樣收益選風險小的）、同樣方差選收益率高的（同樣風險選收益高的）的組合，每個風險點上都有一個最小方差組合，將這些點連接起來構成的實線就是有效前沿（Efficient Frontier）。結合有效前沿，再根據投資者的風險偏好程度，就可以構建基於投資者風險偏好程度的最優投資組合。
（3）組合再平衡的自動化策略
智能投顧採用的是資產配置加上被動管理的策略，資產配置運用機器學習建模的技術，利用監督和非監督學習的方法，對資產市場產品實時、準確的進行動態以及多維度的分析，再根據現代投資組合理論，根據不同資產之間的相關性以及資產風險因子來構建最優有效前沿投資組合，實現對市場高精度判斷以增強收益，構建從數據採集、處理、學習、訓練、回測調優、配置與調整的全自動化投資管理流程。
2.B-L模型原理及實現
Black-Litterman模型（簡稱B-L模型）是由Fisher Black和Robert Litterman在MPT模型的資本資產定價理論和貝葉斯分析方法的基礎上，對MPT模型的改進模型。相對於MPT模型，B-L模型允許投資者對未來的資產收益有自己的主觀判斷，並且可以對每種觀點賦予不同的信息水平。
B-L模型可以理解為資產的期望收益等於市場均衡收益和投資者主觀期望收益的加權平均[4]。市場均衡收益是市場中實際形成的收益，通過歷史收益率數據的分析可以獲得。投資者主觀的期望收益可以源於自上而下或者自下而上的基礎分析、基於技術分析做出的判斷、機器學習模型以及大數據分析技術等。模型將投資者的主觀收益與均衡收益向量相結合，形成關於預期收益的新的估計。
3.模型應用對比分析
總的來說，B-L模型是在MPT模型的基礎上創建並擴展而來的，B-L模型在均衡收益基礎上通過投資者的觀點修正了預期收益，使得MPT模型中假設的預期收益更加合理，而且融入了投資者的觀點，並改善了MPT模型對輸入參數敏感度較高這一不足。在搭建智能投顧平台的時候，如不需要人為主觀意願進行干預的情況下，可採用MPT模型，相反如需加入主觀分析意願，可採用B-L模型。但MPT模型與B-L模型均存在一些問題和不足（見表所示）。
表1?MPT模型與B-L模型存在的問題比較
實施智能投顧平台的技術難點
1.如何準確獲得客戶風險偏好程度
理論上可運用答題評測以及大數據等技術手段，對客戶信息進行分析整合，進行客戶畫像的劃分，但是如何做到真正的「千人千面」，使每個客戶對應各自準確的風險偏好，而不只是根據一些基本信息對客戶進行簡單的打標籤分類，需要收集大量的客戶信息、行為分析和交易記錄等數據，現存在數據不足的情況，更在建模實現上有難度，且有可能各家機構在客戶風險等級劃分的標準上不一致，會造成客戶風險偏好程序劃分有偏差的情況。
2.如何正確構建最優投資組合有效前沿
市場上有很多資產產品，如何將這些資產產品標準化的進行風險因子以及資產相關性係數的提取，並根據這些信息，選取合適的資產放入資產池，進而構建出最優投資組合有效前沿，並且在機器學習各種演算法的選擇上，如何去判定使用的演算法以及構建的模型已達最優，如何解決演算法的黑箱效應，這些都是需要去解決的難題。
3.如何解決智能投顧的複雜性
國內投資市場客戶群體以及基礎市場資產產品的複雜性，導致智能投顧解決方案的技術要求比成熟市場更複雜。客戶群體的複雜性，體現在我國客戶基數大，個人的思想和行為可能會受到群體的影響和壓力，造成羊群效應，進而對投資市場造成一定影響；市場資產產品的複雜性是由於投資市場資產產品種類繁多，有一些非標準化結構產品，如7天回購利率掉期、以1年期定期存款為基準的浮息債等業務，使智能投顧對構建含有此類資產產品的投資組合的實現上有非常大的難度。
我國發展智能投顧平台的建議
智能投顧在中國仍然是起步期，很多平台只是借用了智能投顧的概念，並不智能，真正做到智能平台的屈指可數。為了將投資組合理論、大數據、雲平台、機器學習等前沿科技整合成滿足客戶及市場需求的智能投顧平台，需要不斷探索、積累和努力。
1.加強科技人才的培養和技術積蓄
需要真正將大數據、人工智慧等關鍵技術融合成金融科技，提升數據分析和大數據技術應用能力，提升演算法，優化模型；吸引人才、構建專業技術研究團隊；加強數據管理和數據累積，演算法有效性的深度改進需要大量原始數據的積累，同時需要提升數據質量，保證數據的安全性。
2.加強雲計算技術的運用，加快雲平台的搭建
智能投顧擁有的數據量越多，就越需要提升其對數據的分類、建模、鏈接、分割與整合能力，在編程模型、數據管理、數據存儲、虛擬化等方面運用雲平台關鍵技術進行處理。
3.加強內外部資源整合，形成統一營銷、運營體系
智能投顧推薦的資產產品，有平台自身的，也有第三方的，需將內外部資產產品整合進資產池，並對產品進行標準化處理以適應智能投顧平台，最終達到構建最優投資組合的目的，避免推薦產品不客觀、不獨立和制約投資分散化等問題。
4.跟蹤監管政策變化
及時跟蹤監管政策，調整技術以及運營策略，確保系統合規運行，我國現階段還沒有專項的法律法規對智能投顧行業進行約束，但很可能未來會對智能投顧行業的相關牌照和資質做出規範要求。
《金融電子化》新媒體部
主任 / 鄺源 編輯 / 潘婧
TAG:金融電子化 |