您正在使用IE低版浏览器,为了您的雷峰网账号安全和更好的产品体验,强烈建议使用更快更安全的浏览器
此为临时链接,仅用于文章预览,将在时失效
金融科技 正文
发私信给AI慕课学院
发送

0

回顾 | 风口杀到,智能投顾却在中国遭遇水土不服?

本文作者:AI慕课学院 2017-09-19 17:29
导语:王蓁博士重点介绍了美国智能投顾原理以及美国模型无法拷贝到中国的原因。

雷锋网AI慕课按:本文回顾了9月15日晚王蓁博士在慕课学院的精彩直播,直播主题是【华尔街老司机带你玩转智能投顾:从入门到上手】,重点介绍了美国智能投顾的的原理,以及智能投顾在中国发展受阻的原因所在。

以下是本次直播内容回顾:

回顾 | 风口杀到,智能投顾却在中国遭遇水土不服?

美国的智能投顾原理其实和我们很多人想象中的不一样,它更大的是依赖于美国特殊的土壤下才蓬勃发展起来的。

在美国1929年到1933年的经济危机之后,美国政府发布了一系列法案,其中,1933年证券法促使美国的证券资本市场正规化。

而1934年证券法则主要规定了三件事情:第一,成立美国证监会,也就是SEC;第二,规定了哪些行为在证券资本市场是不允许的,是违法的;第三,规范了上市公司的季报和年报。

所以,如果美国的证券市场从1933年开始算的话,其实已经规范了有超过80年的历史,是一个比较成熟的时期,而美国整个的投资市场是以机构投资者为主的,美国的量化投资或者机构主导的量化投资,其实从1971年大概就已经有相应的产品了。

回顾 | 风口杀到,智能投顾却在中国遭遇水土不服?

到了80年代可以说是公募基金的黄金年代,那个时候这个大家都开始有了养老的这种需求,而且政府也通过各种各样的政策去鼓励大家进行养老的投资,到现在一路过来可以说经历了四五十年的影响。

从这来看,美国整体的个人投资者其实已经都是比较成熟的了,而且美国的市场是比较有效的市场,所以大家才会普遍接受一个相对被动式的投资。

巴菲特就说过:如果我去世了,那么我会告诉我的孩子就不要折腾了,在美国这样一个得天独厚的市场里面,把大部分的钱用来买大盘就好了。

前面提到的,其实都是在说美国整个金融市场的特殊性,在这样特殊的环境里面,人们普遍的投资水平是比较高的,而且无论是在生活中还是工作中都受到了较多的投资教育,大家逐渐会接受一个相对比较简单的投资,最主要有以下几种方向:

一、养老的投资机制下培育出来的长期被动投资习惯。这个怎么理解呢?比如说美国有多种的养老计划,覆盖面最广的其实有401K和403B,还有给中小企业做的养老计划。

在养老的机制下,假设一个人,他开始工作的时候是25岁,那么美国的法律规定你如果要拿你的资产进行投资,那么无论你的投资账户是税前还是税后账户,你在59岁半之后的第一个4月1号之前,都是不能够把钱取出来的,如果想取的话,你不但要交税,而且还要交10%的罚金,所以说在这种特殊的机制下,一个25岁开始工作的人,其实他已经开始有自己的养老金账户了,并且到60岁它是由一个35年的投资周期的,而且投资之后会有一个增值的过程,这35年都是在增值。

但是到了70岁半之后的第一个4月1号之前,美国法律要求你把养老金账户里的钱要慢慢地开始取出来,并且规定每个月都有一个最小的分配额。

所以美国政府在这种养老的机制上的规定是非常详细的,你多少岁该做什么事情都已经规定很详细了,在60岁之前你就是存钱投资,60岁到70岁,主要是花钱。70岁之后,你可能需要买一些保险或者其他的东西来保障你的生活。

美国在这方面已经很是一个很成熟的社会,大家也都非常自然地接受这样的一个习惯,在这样的特殊环境下, 35年显然是一个长期投资。

这也和巴菲特一直倡导的被动价值投资理念相符,而且我们看最近十年,经济危机之后,巴菲特的公司伯克希尔·哈撒韦其实每年的年化收益率和大盘其实也差不多。

二、美国的可投资产品非常多。美国是一个得天独厚的市场,在美国人们都是知道自己需要去做长期投资的,甚至至少他们的养老需求要求他这么去做。而且无论是在上学期间还是工作的时候,长期投资和被动式投资都是比较受社会观念所认可的,并且他们可以投资的产品都非常多。

三、美国对于主动式投资的规定是非常多的。你可以把自己的钱拿来做主动投资,但如果是养老的钱,你想拿出来主动投资的话,理论上讲你是只能通过以下几种方式:

  • 通过政策贷款的方式,最多贷50%的钱出来。

  • SDA的形式,就是最多把50%你的养老金拿出来,是放到你的指定账户,这个指定账户可以去购买东西,但是指定账户是不能够加杠杆的,很多公司也要求你可能不能投资于这种单个的标的,比如说个股,比如说期权都是不允许你投资的,这是法律上规定的。

  • 在这样情况下,所有的美国这些投资者,他们普遍认可的一个理念就是要追求低费率,既然不能跑赢市场,那么就跟着市场走,最后的净收益就是由交易费决定的。并且每年基金或者ETF买的产品的管理费也是一笔开支,所以说投资者们就会努力的去用各种低费用的方式去降低每年的损耗,从而获得相对较高的收益。

下面列举的五个步骤是典型美国智能投顾的先行者WealthFront写的主要的五个大的步骤:

回顾 | 风口杀到,智能投顾却在中国遭遇水土不服?

a)、首先是在当前的这个市场环境下,我们应该怎么去配置大类资产,比如说股票债券,比如说大宗商品,比如黄金贵金属,该怎么去配置?每一类大概配置什么样的一个比例?

这一步是完全人工的去做,而且美国证投公司所谓的当前市场环境下也是指的按年记的,举个例子,比如说7月份的时候,这个纳斯达克有点震荡的对吧,那么它并不会因为这点震荡而做出任何的响应,甚至我们再回想2015年的8月份的美股大跌,在那个时候因为我也注册了WealthFront和Betterment的邮件服务,他们其实并没有调整自己底层的资产,依然是坚持原来的配置方案,但是他会给投资者发邮件,我收到邮件就会写着说:你不要紧张,最后都会涨回来的。从美股过去80年的这个历史来看,美股是一定会创新高的,所以说呢你就不要着急。

其实本质上它发邮件是来安抚它的投资客户。

他实际上并没有从投资的动作和投资方案上做任何的改变,现在两年之后回头看,当时确实是这样,如果当时不动的话,现在其实也是挣了不少钱的,因为美股一直在创新高,但是这样只能是美国特殊的市场,就像我之前说的,如果是在国内A股这样的市场,那A股当时5100点那到现在两年后,我们现在3400点还是差得很远的。

b)、在一个相对长期的环境,这个环境是十年以上,一般来讲,选定当前的一个大类资产配置这一步是完全人工的,第二步是在每个大类资产,比如说我要选择新兴市场的股票,那么它就会选择其中费率最低的ETF来代表这个,ETF就是被动投资的典范,他目的就是为了选择到一个流动性还不错、跟踪误差可能会比较小,最重要的是费用要比较低,这一步也是完全人工做的。

c)、就是根据风险等级来决定一个合适的投资组合,这一步其实是(a)和(b)结合起来,每一年会有人在后台操作,比如说它划分成了20个风险等级,那么这些人一年的工作量就是要根据(a)和(b)做出20个组合的配比,这个配比一般的来讲也都是人工计算,和机器也没有什么关系,因为你可以看得到机器的配比,他们的配比一般来讲是3%或者5%跳一下的,那比如说所有的资产他最少要配5%,同时如果涨一格的话,那么也是至少涨5%或者3%,这一步也是完全人工做的,所以(a)(b)(c)点全是人工做的,不能叫人工智能,只能叫自动化。

d)、唯一能叫人工智能的也就是这一步,就是来一个客户就把他扔到对应的风险等级的框里去,把已经人工做好的这个组合推送给他。

e)、叫定期的监测,并且对组合调仓,但实际上他们的调仓周期和监测周期是一年,每年的年底,美国智能投顾公司会对用户的组合进行一个分析,而且分析也不是分析到每一个具体的用户,而是分析到他划分的比如说20个风险等级,那么每个风险等级其实所有的用户购买的都是同一个产品,它只需要分析这个风险等级下产品到底是该怎么进行调整,这一步也是完全人工的在做。

所以我们看到其实整个的全流程,美国智能投顾是全人工在做,因为它的调仓周期很长,投资周期是一年调整一次,所以说完全人工这样做是最划算的,年终是不需要快速调整,甚至出现的这种市场大幅震荡的时候,也不会进行资产配置的一个调整。

回顾 | 风口杀到,智能投顾却在中国遭遇水土不服?

这是截了一个美国Wealth Front他们的组合配置的一个例子,我们可以看到不同的色块就是所有的纵轴加起来是百分之百,横轴是不同的风险等级,每一条线代表了一个风险等级各个资产大类的占比,像这块就是风险等级是3的占比,那3和4之间这条线呢其实就是风险等级是3.5,所以说他们总共是有20个风险等级。

我们可以看到这个不同颜色的色块,比如说我们看左下角的这个从下往上数第二个深蓝色这一块,它其实代表的是公司债,公司债我们可以看到低风险等级的时候从0.5到1,一直都是维持一个比较高的比例,在总资产当中可能占有1/3强的一个位置,比如说35%的比例,直到风险等级到三的时候,我们可以看到公司债的这个比例会下降,如果风险等级到四的时候,这个深蓝色这一条,其实他这个比例已经有了明显的下滑,如果是风险等级,到最后你可以看到,如果到10他依然会有深蓝色的,但这个已经很小了,可能是3%或者5%的一个比例。

整个图是说随着风险等级从低到高的变化,各个大类资产它是怎么变化的,一个权重变化的一幅图。

那我们再说其实美国的智能投顾为什么受欢迎,刚才其实我已经说了很多的原因:

回顾 | 风口杀到,智能投顾却在中国遭遇水土不服?回顾 | 风口杀到,智能投顾却在中国遭遇水土不服?

总共有五个方面:

一、美国的市场是比较有效的一个市场,当然它不是完全有效,但是相对于A股市场相对于欧洲相当于香港市场都是更加有效的一个市场。

二、在长期的一个教育过程当中,美国的这些基金经理他也就认同了这种被动投资理念,而且刚好在美国这个市场,这是有效的。

三、就是美股长期是震荡上行的,在这样的特殊市场里面,所以说它是可以有效的。

四、美国政府其实无论是通过养老金的机制还是通过其它的各种税收的机制,我刚才说了,就是哪怕你可以做很多东西了,他会进行鼓励,他鼓励你去做这种长期投资。

五、既然上面已经有四点了,那么第五点其实就是美国投资者觉得自己是不能够跑赢大盘的,他就转而从纯粹的收益角度去考虑如何节省成本,可以开源当然也可以节流,如果说你打不赢大盘,那么开源就很难办了,他们就要想着如何去节流,这是美国的这个一个很特殊的一个东西。

那我们下来要说美国的这种服务模式在国内可行吗?

回顾 | 风口杀到,智能投顾却在中国遭遇水土不服?

其实我们知道从2014年开始,国内就开始有很多的智能投顾公司,最开始其实很少,大概两三家,我当时也是从2014年开始做这个事情,但是从一开始经过分析之后,我对这个问题就有了答案:不行。

美国智能投顾完全不适合中国的国情,我下面会跟大家说为什么:

我这块举一个例子,这个图是美国的智能投顾公司先行者Wealth Front给出的这么多个分类,他给出了11个大类,每一个横就是一个相关性矩阵,每一个行都是一个相关大类,每一个列也都是同样的大类。

回顾 | 风口杀到,智能投顾却在中国遭遇水土不服?

它列举了大类资产和大类资产之间的相关性的问题,为什么要看相关性,是因为大类资产之间,我们其实之前说了我们要把鸡蛋分到各个不同的篮子里去对吧,我们希望把我们的财产这个不要全都投资于股市,而是股市债市,大宗商品各个分一点,然后并且随着时间而不断动态调整。

无论是理论还是实践都证明这样的投资分散投资方式是有效的,而且这个分散投资理论或者现在资产组合理论的这个鼻祖叫马科维兹,他把整个的分散投资叫做天下你唯一能够享受到的免费午餐,所以说我们要分散投资,当我们这些资产之间的相关性越低的时候,我们分散投资的效果越好。

我们来看一下这个图,这个图所有的绿色越是偏冷色偏绿,那么代表着它的相关性越高,越是偏暖色偏红色,那么代表的相关性越低。

这个图是用过去几十年WealthFront几十年的数据积累作出的分析,我们可以看到其实它虽然分了11个大类,但实际上我们远远的看去就是两大块,左上角一块右下角一块,左上角所有的这些资产都是偏股票类型的,他们的相关性都比较高,都在0.6以上,比如说这个美国股票和这个新兴市场的股票和这个外国的股票,其实相关性0.9以上,这是非常高的。

另外一块是右下角的债券类,左上角是股票类,右下角是债券类,所以其实我们在这儿仔细的看好像是股债两个是不一样的,其他的都比较像,而股债之间的相关性是比较低的,是偏粉色。

回顾 | 风口杀到,智能投顾却在中国遭遇水土不服?

这是我做的一个国内资产大类的相关性矩阵,其实是做了国内的公募基金,用国内公募基金大概6000只,其中包括1000只货币基金按照把这些所有的基金都拿到万得对应的这个公募基金标签(其实就是公募基金,自己号称自己是什么类型,同时万德进行了一个记录),总共只有41个大类,就所有左边的这一最边这边这一列和标题的这第一行都是他第一类,然后把对角线因为自身和自身的方向都是1,所以就去掉了,那我们可以看到国内的好像更分散一点是不是,但实际上我们再看一下右下角这一大片红色,说明了我们国内很多公募基金其实都是非常相似的。

然后这是我们在类内,我们就是说公募基金有41个分类,比如说股票型公募基金和这个这个混合型公募基金和保本收益增强型的这种公募基金和这种债券型的或者什么这种增益型的这种公募基金,他们是否相似,我们可以看到,其实好象有一些相似,但不是那么高对吧,所有的这里头红的里面红的都一般,是0.9左右了,都是非常高了,然后我们感觉好像有的类相似,有的类不是很相似,我们心中窃喜一下,是不是可以达到美国同样的效果呢?

回顾 | 风口杀到,智能投顾却在中国遭遇水土不服?

我这块列了四个具体的类型,国内高评级债、国内高收益债、国内大盘股和国内房地产这四大块,我们可以看到每一个块都选了三个具有代表性的这一类的公募基金来计算他们的相关性,我们可以看到国内最大的问题是所有的色块全是杂乱无章的,只有右上角国内房地产这一块是完全的深色,代表什么意思呢?

颜色越偏暖色偏褐色,那么就代表它的相关性非常高,所以说国内房地产这三只基金相关性非常的高,他们可以作为一个独立资产大类来选择,但是国内的高评级债,比如说他自己右下角这个小方格3×3的小方格,我们可以看到,谁和谁都没什么关系,甚至颜色都很偏蓝,偏蓝色,代表相关性非常低。

在这样的一个情况下,我们可以看到整个的国内,哪怕是大盘股的这些,其实相关性没有那么强,反而大盘股和房地产可能相关性还有一些,所以在这种情况下我们进行国内的这种资产配置的话,其实是会有很大的问题的。

为什么呢?首先,一个大类之间有的相关性高,有的相关性低,而且相关性高的会普遍出现特别高的这种聚类。其次,我们在国内即使是同一个资产大类,如果我们简单的去用美国的方式照搬过来,我们会发现大类内的这些公募基金。左下角为例,其实它们是五花八门的,它们号称都是国内高评级债券,但它们实际的表现完全不一样,我们在未来的初级和中级课程里面我也会拿一些具体的例子会来讲。

我们在实际研究过程当中发现的国内很多公募基金经理挂羊头卖狗肉,号称自己是债券基金经理,但实际上投资的可能是股市。

回顾 | 风口杀到,智能投顾却在中国遭遇水土不服?

刚才我们这块说了,首先左下角这一块完全不一样,其次右上这个圈不同大类之间相关性有非常的高,所以这个问题导致了我们是很难直接去把美国的这样的一个现成的被动式模型拿过来的,这是还只是从相关性的角度去考虑。我们需要有自己另外一套资产分配方式,而说到我们国内智能投顾需要解决哪些具体的技术性问题,那我们挨个去说。

首先左边是什么呢?左边就是马特维斯理论,也可以说是美国的投顾传统智能投顾他基于的一个东西?

回顾 | 风口杀到,智能投顾却在中国遭遇水土不服?

首先传统理论,我这块列举了六个很直观的问题,传统模型的这个收益不稳定,首先你每一天计算得到的你用这种美国争投顾计算它的结果,如果说你要进行真正算式计算,而不是纯人工的去算。

第一个问题就是机器给出的结果,今天和昨天结果差距会非常大。

第二个问题就是美国中投顾是基于长期投资十年甚至30年的投资周期,这个在国内是不适用的。

第三个问题是美国的投资风格很单一,全部投资于底层被动式的ETF,而国内的以相关的标的公募基金为例,其实有非常多的投资风格,刚才看到了万德,其实有41个投资风格分类,有的是被动的,有的主动的,有的是混合的,然后还有非常多,甚至有这种非标资产和现金的管理,而传统的模型其实是没有办法支持这种非标资产和现金,就是说美国的智能投顾在你投资周期当中永远都是会假设你配置的都是满仓,永远不会半仓或者空仓,这个在国内是很难想象的,也是不适应国内市场的。

第四个问题就是美国的这种智能投顾其实利用的数据维度是非常有限的,其实就只是利用了价格,数据连量的数据都没有用到,我们都知道这个价量对吧,我们如果只是看一个只看价格不看量或者只看量不看价格,都不可能获得一个好的结果,所以这点是有缺陷的。

第五个是市场想要缓慢,我刚才说了美国的智能投顾公司每一年才有一次的人工回顾,而且也不是具体到每个人,所以说当市场真的出现大崩盘,如果出现08年的情况,或者出现15年的股灾再次发生,你如果使用的是美国的智能投顾的完全一样的原理,那么你能做的事情也只能跟美国智能公司一样给你的所有客户发邮件说你们不要慌A股迟早会涨回来的,但就要小心人身安全了,因为A股到现在还没找回来。

第六个是风险抵抗能力有限,美国智能投顾其实只是做一个长期的一个事情,并且对资产的支持其实也是有限的,它其实对于风险的考虑没有太多,它只是基于传统的这种有效前沿去进行一个资产配置,它的底层的一个基础假设,其实就是美股会不断地创新高,这一点在国内也是不适用的。

回顾 | 风口杀到,智能投顾却在中国遭遇水土不服?

······ 

获取更多内容,请点击:华尔街老司机带你玩转智能投顾:从入门到上手

关于智能投顾在中国的探索进程和前沿趋势,王蓁博士拥有丰富的独到见解和实战心得,并且,均将在【智能投顾】系列课程中与大家一一分享(可在雷锋网APP上查看),目前课程仍接受早鸟优惠、学生优惠以及团购优惠哦~机构报名更有专属福利。详情请点击:智能投顾高级特训班:初级-高级 


【智能投顾高级特训班】

AI+金融热潮下紧抓智能投顾前沿趋势!

四大行实操智能投顾系统端到端的经典案例,手把手教你利用人工智能算法搭建系统的智能投顾项目!

课程链接:http://www.mooc.ai/course/157

加入AI慕课学院人工智能学习交流QQ群:624413030,与AI同行一起交流成长


相关文章:

回顾 | Al x 量化:智能投顾如何解决金融机构财富管理业务的痛点?

华尔街老司机:在美火热的智能投顾,如何移植到中国?

激烈竞标、P2P画皮、梯队站位,2017中国智能投顾之江湖风云

雷峰网原创文章,未经授权禁止转载。详情见转载须知

分享:

文章点评:

表情

编辑

人工智能方向在线教育平台,专注人工智能领域人才培训。用专业打动专业,唯成长陪伴成长。微信:aimooc-xm
当月热门文章
最新文章
请填写申请人资料
姓名
电话
邮箱
微信号
作品链接
个人简介
为了您的账户安全,请验证邮箱
您的邮箱还未验证,完成可获20积分哟!
请验证您的邮箱
立即验证
完善账号信息
您的账号已经绑定,现在您可以设置密码以方便用邮箱登录
立即设置 以后再说