智能投顾技术原理与应用分析

智能投顾技术原理分析

　　1.MPT模型原理及实现

　　现代投资组合理论（MPT，Modern Portfolio Theory）被称为“均值-方差”模型，其基本原理是构建最优收益的投资组合。这一理论体系也是现代智能投顾技术实现的基本理论依据。智能投顾的实现需要关注以下几点。

　　（1）投资者的风险偏好以及期望收益

　　投资者的风险偏好是指每个投资者有不同的风险承受能力以及对不同的风险程度有相应的期望收益，风险与收益的对应关系可以分为风险厌恶、风险中性和风险喜好，对应不同风险程度，期望的收益也有不同。

　　准确的获取风险偏好有助于掌握投资者的预期收益率和风险水平，可以通过问卷和测试题目，标准化的对投资者进行量化评估以及风险等级划分；还可以通过大数据技术对投资者的行为数据、交易记录、财务状况、个人信息等数据，进行建模分析后，得出更为准确的“客户画像”，对应不同的风险偏好。

　　（2）在有效前沿上进行资产分配

　　有效前沿，指的是利用MPT模型构建最佳收益投资组合。一个投资组合里面有很多不同的资产，每个资产占整个投资组合的权重不同，资产之间也有不同的相关性，如何选取资产以构建投资组合，成为构建有效前沿的关键。

　　当组合中资产的数量不断增多，理论上就形成了无数种可能的组合，这其中必然有一个点是方差最小的，这个点就叫做最小方差组合[3]；由于理论的前提条件是同样收益率选方差小（同样收益选风险小的）、同样方差选收益率高的（同样风险选收益高的）的组合，每个风险点上都有一个最小方差组合，将这些点连接起来构成的实线就是有效前沿（Efficient Frontier）。结合有效前沿，再根据投资者的风险偏好程度，就可以构建基于投资者风险偏好程度的最优投资组合。

　　（3）组合再平衡的自动化策略

　　智能投顾采用的是资产配置加上被动管理的策略，资产配置运用机器学习建模的技术，利用监督和非监督学习的方法，对资产市场产品实时、准确的进行动态以及多维度的分析，再根据现代投资组合理论，根据不同资产之间的相关性以及资产风险因子来构建最优有效前沿投资组合，实现对市场高精度判断以增强收益，构建从数据采集、处理、学习、训练、回测调优、配置与调整的全自动化投资管理流程。

　　2.B-L模型原理及实现

　　Black-Litterman模型（简称B-L模型）是由Fisher Black和Robert Litterman在MPT模型的资本资产定价理论和贝叶斯分析方法的基础上，对MPT模型的改进模型。相对于MPT模型，B-L模型允许投资者对未来的资产收益有自己的主观判断，并且可以对每种观点赋予不同的信息水平。

　　B-L模型可以理解为资产的期望收益等于市场均衡收益和投资者主观期望收益的加权平均[4]。市场均衡收益是市场中实际形成的收益，通过历史收益率数据的分析可以获得。投资者主观的期望收益可以源于自上而下或者自下而上的基础分析、基于技术分析做出的判断、机器学习模型以及大数据分析技术等。模型将投资者的主观收益与均衡收益向量相结合，形成关于预期收益的新的估计。

　　3.模型应用对比分析

　　总的来说，B-L模型是在MPT模型的基础上创建并扩展而来的，B-L模型在均衡收益基础上通过投资者的观点修正了预期收益，使得MPT模型中假设的预期收益更加合理，而且融入了投资者的观点，并改善了MPT模型对输入参数敏感度较高这一不足。在搭建智能投顾平台的时候，如不需要人为主观意愿进行干预的情况下，可采用MPT模型，相反如需加入主观分析意愿，可采用B-L模型。但MPT模型与B-L模型均存在一些问题和不足（见表所示）。

表1 MPT模型与B-L模型存在的问题比较

实施智能投顾平台的技术难点

　　1.如何准确获得客户风险偏好程度

　　理论上可运用答题评测以及大数据等技术手段，对客户信息进行分析整合，进行客户画像的划分，但是如何做到真正的“千人千面”，使每个客户对应各自准确的风险偏好，而不只是根据一些基本信息对客户进行简单的打标签分类，需要收集大量的客户信息、行为分析和交易记录等数据，现存在数据不足的情况，更在建模实现上有难度，且有可能各家机构在客户风险等级划分的标准上不一致，会造成客户风险偏好程序划分有偏差的情况。

　　2.如何正确构建最优投资组合有效前沿

　　市场上有很多资产产品，如何将这些资产产品标准化的进行风险因子以及资产相关性系数的提取，并根据这些信息，选取合适的资产放入资产池，进而构建出最优投资组合有效前沿，并且在机器学习各种算法的选择上，如何去判定使用的算法以及构建的模型已达最优，如何解决算法的黑箱效应，这些都是需要去解决的难题。

　　3.如何解决智能投顾的复杂性

　　国内投资市场客户群体以及基础市场资产产品的复杂性，导致智能投顾解决方案的技术要求比成熟市场更复杂。客户群体的复杂性，体现在我国客户基数大，个人的思想和行为可能会受到群体的影响和压力，造成羊群效应，进而对投资市场造成一定影响；市场资产产品的复杂性是由于投资市场资产产品种类繁多，有一些非标准化结构产品，如7天回购利率掉期、以1年期定期存款为基准的浮息债等业务，使智能投顾对构建含有此类资产产品的投资组合的实现上有非常大的难度。

我国发展智能投顾平台的建议

　　智能投顾在中国仍然是起步期，很多平台只是借用了智能投顾的概念，并不智能，真正做到智能平台的屈指可数。为了将投资组合理论、大数据、云平台、机器学习等前沿科技整合成满足客户及市场需求的智能投顾平台，需要不断探索、积累和努力。

　　1.加强科技人才的培养和技术积蓄

　　需要真正将大数据、人工智能等关键技术融合成金融科技，提升数据分析和大数据技术应用能力，提升算法，优化模型；吸引人才、构建专业技术研究团队；加强数据管理和数据累积，算法有效性的深度改进需要大量原始数据的积累，同时需要提升数据质量，保证数据的安全性。

　　2.加强云计算技术的运用，加快云平台的搭建

　　智能投顾拥有的数据量越多，就越需要提升其对数据的分类、建模、链接、分割与整合能力，在编程模型、数据管理、数据存储、虚拟化等方面运用云平台关键技术进行处理。

　　3.加强内外部资源整合，形成统一营销、运营体系

　　智能投顾推荐的资产产品，有平台自身的，也有第三方的，需将内外部资产产品整合进资产池，并对产品进行标准化处理以适应智能投顾平台，最终达到构建最优投资组合的目的，避免推荐产品不客观、不独立和制约投资分散化等问题。

　　4.跟踪监管政策变化

　　及时跟踪监管政策，调整技术以及运营策略，确保系统合规运行，我国现阶段还没有专项的法律法规对智能投顾行业进行约束，但很可能未来会对智能投顾行业的相关牌照和资质做出规范要求。

（文章来源：金融电子化杂志）

扫码即可手机
阅读转发此文