炼数成金 门户 量化投资 查看内容

投资于智能投顾,到底是在投什么?

2017-9-21 10:13| 发布者: 炼数成金_小数| 查看: 27568| 评论: 0|原作者: 徐杨|来自: 新全球资产配置

摘要: 智能投顾到底解决了什么问题?对于投资人来说,最大的好处就是享受到了惠普金融来带的便利:3分钟风险评估、3分钟开户入金,让投资变得更加方便。通过科学的手段,也让策略和客户2者产生了更加紧密的联系。聊智能投 ...
你觉得美国的智能投顾如何,哪家好?这个问题可不像”挖掘机技术哪家强?出门右转找蓝翔“这么好回答。我这周看了一篇美国智能投顾表现的报告,报告里包括了美国17家美国智能投顾今年来的持仓和回报,数据截止于6/31/2017。

美国智能投顾公司模型的持仓


美股平均:40%
国际股平均:23%
固收平均:35%
现金平均:2%
其它平均:1%

美国智能投顾公司模型的回报


表现较好的是嘉信(Schwab)和亿创(E*Trade ),2者的模型过去一年取得了近12%的回报。最差的是Acrons,过去一年只取得了7.6%的回报。

下面我们加入了2个比较基准:

1,美国60/40:60%美国标普500指数,40%美国10年期国债指数
2,国际60/40:60%发达国家市场指数,40%巴克莱国际市场指数

大部分的智能投顾模型都跑赢了这2个比较基准,而且这2个比较基准没有考虑到任何的管理费和交易费用。

这么多的智能投顾公司和模型,不同的逻辑、不同的理念,我都看花了眼。

作为个人投资人,你面对智能投顾的时候,应该考虑什么问题?

上面的这些公司,基本都是利用了马科维茨理论(或者其衍生和改进模型,比如B-L)来构造基础的资产配置组合,然后根据客户的风险偏好,在风险给定的条件下,选择最优配置。有的模型是基于各类资产的历史回报,有的模型也添加了对未来市场的预测,也有的公司说自己用大数据模型。

我觉得大部分的个人投资人,在选择智能投顾的时候,都出冲着回报去的。这样的做法,无可厚非,毕竟回报很重要。然而历史回报肯定不能作为选择模型的条件。

首先我们来讨论下,资产模型一定需要非常复杂的权重和配比吗?

其实你要把历史数据长度放到40年以上,很多资产配置策略的表现,都差不太多,纵使他们的资产权重都不尽相同。而且复杂的模型,表现不一定比简单的模型好。

之前引用过一篇DeMiguel博士的学术论文《Optimal Versus Naive Diversification: How Inefficient is the 1/N Portfolio Strategy?》,他测试了各种复杂的模型,然后跟平均配比权重模型进行比较,发现经风险调整后,复杂模型并不比平均配比权重的模型要好的;而且在样本外测试中,复杂模型带来的额外收益往往会被其复杂的预测错误所抵消。

Of the 14 models we evaluate across seven empirical datasets, none is consistently better than the 1/N rule in terms of Sharpe ratio, ..., out of sample, the gain from optimal diversification is more than offset by estimation error.


我下面测试了9种市场上比较有名的资产配置模型,这些模型都是出自于很多位资产配置大师的书籍,还有的是出自他们的研究论文。里面所选取的资产和权重,都是活生生的成果。从左到右,模型的复杂度依次上升。


最简单的60/40模型,只有2种资产,而最复杂的El-Erian模型,有多达11种资产。这些资产配置模型,过去43年的表现如下


这么多的不同配置的模型,在每月再平衡的情况下,大家的历史年化回报平均在8.64%,中位数在8.69%。

与其费尽心思去寻找表现较好的策略,投资人应该花更多的时间在另外3个方面。

第一,模型的认知
上面的这些模型,都是出自大师们的研究成果,你需要研读这些书和论文,通过跟随大师的逻辑,你才能做到知其所以然。因为数字永远是数字,你必须要了解数字背后的故事。


为什么需要了解数字背后的逻辑?因为没有一个资产配置策略能100%的跑赢大盘、或者是跑赢其它的对手。了解数字背后的逻辑,有助于投资人在市场波动的时候,保持镇定;有助于投资人在策略表现不佳的时候,作出理智的决策。

我选出了表现较好的前4个策略,来动态的看他们在历史上的表现。


这些不尽相同的模型,都有相对的周期性和好坏。比如计算是耶鲁基金的大牛、资产配置大师David Swensen所推荐的模型,在前大半段的时间内,都表现一般;但是到了近20年,其表现基本和其它模型一样,而且在最后还超过了IVY5模型。


【较好的模型】,这个词听起来非常美好,但在实际操作中,没有【较好的模型】,只有【最适合你的模型】。

第二,风险
做资产配置,风险是首要考虑的因素。抛开波动率、跟踪误差,投资人最需要考虑的风险就是【本金的永久性损失】(Permanent Loss of Capital)。而投资于资本市场,能让投资人损失本金的,就是较大回撤事件了。

回撤越大,需要涨回前高点的回报就越多,这是一个非常简单的数学问题。比如我们下面假设各种回撤水平下,所需要的涨回前高点回报。


巨幅回撤带给投资人的压力是巨大的,你说20%你能忍,不愿意割肉,如果一直往下走,亏到40%你怎么办?50%呢?投资人往往在快熬到头的时候,心里的最后一道防线被突破,清仓走人。

在刚刚经历了回撤之后,投资人往往对继续进行投资心存余悸,观望入场,导致涨回前高点的时间更加长,过程更加煎熬。上面我们测试的9种模型,历史上也出现过不同程度的较大回撤。


我们看到,回撤最小的2个模型分别是Permanent模型和Risk Parity模型。那我们回过头来看这个2个模型为什么回撤明显比其它模型低呢?这是因为他们都将较大一部分权重配置在了国债和黄金上,而股票权重较少。但这丝毫不影响他们在过去43年间赚取平均8.10%的年化回报。


投资于股市的风险肯定是很大的,在做资产配置的时候,就算是你在2个甚至是5个不同国家的股市中来配置,如果只单纯配置股票的话,风险还是非常大的。

只有在加入了国债或者其它避险资产后,才能真正发挥资产配置的作用。而减少了风险资产(股票、房地产)的配比后,总体回报肯定会有所下降,但是你获得了更多的回撤保护。

第三,费用
投资的时间越长,费用对于整个投资回报的影响就越大,因为时间复利的威力是巨大的。假设年化回报是10%,你首期投入了10万块。


经过15年的投资,0.5%的费率下,你的本金将增值到390,132块;而如果费率是2%的话,你的投入将会变成317,216块。15年间,1.5%的差距会让你少赚近7,3000块。而像上面这些美国的智能投顾,他们的费用也是参差不齐。


所以投资者在对模型有了认知之后,还需要对费用进行考察。这里不是单纯的说Schwab的零费率就一定是较好的,因为毕竟天下没有免费的午餐。

Schwab的零费率之下,其实隐藏这一些其他的费用,比如Schwab可以用自己的ETF来做标的,而这些ETF有可能很贵,同样的属性下,有可能不是最便宜的;Schwab自己本身就是交易商,理论上其较高的交易费用也可以让他从佣金中赚回没有收取的管理费。

写在最后
智能投顾到底解决了什么问题?对于投资人来说,较大的好处就是享受到了惠普金融来带的便利:3分钟风险评估、3分钟开户入金,让投资变得更加方便。通过科学的手段,也让策略和客户2者产生了更加紧密的联系。

我作为一名资产管理人,对于我来说,智能投顾相当对于为我带来了一个新的收入点:以前几万美元的账户,我很难管理。因为这些账户数量多,而且单位净值小,对我来说效用比很低。但是通过智能投顾的技术:惠普、去人工化、流程化、自动化、智能化,这些净值较小的客户我也可以接了,反正让程序去处理就好。

而对于公司来说,通过流程化和自动化,也提高了公司的内部效率,减少人工合规出现的风险。

聊智能投顾,我们可以有一万种理由来说她的好。千般好万般好,关键是还有一个问题,就是模型本身。虽然有了客户风险偏好的计算,但是这也不能解决所有的问题。

没有一种模型或者策略能够全天候的跑赢大盘,特别是在资产配置策略中,大类资产配置策略,基本都是在赚取市场平均回报。如果做了过于主动的管理,跟踪误差很大的情况下,投资人会忍受不了。越大的公司,越难面对这样的问题,谁也不想被砸玻璃吧?

不管你是自己动手做投资,还是在用智能投顾在做投资,必须要明白自己到底在投什么?你是在投数字呢?还是在投资数字背后的投资逻辑?作为投资人,你有必要把自己的钱很当成一回事。

特别是资产配置,选择自己理解和能让自己舒服的模型,长久的坚持,比不停的来回倒腾,重要100000000倍。

欢迎加入本站公开兴趣群
量化投资群
兴趣范围包括:量化投资,算法交易,金融建模,统计套利等等
QQ群 262335016
如果大家不明白什么是量化投资,在百度谷歌搜索一下“西蒙斯”就知道了,最近这哥们火极了!这套东西在国外的金融机构已经大量使用,随着中国金融市场规模日益扩大和趋于成熟,这套玩法最终肯定也能在国内转起来,我们一起学习切磋,寻求项目机会做一下,提升自己在这方面的技能,将来一起发财

鲜花

握手

雷人

路过

鸡蛋

相关阅读

最新评论

热门频道

  • 大数据
  • 商业智能
  • 量化投资
  • 科学探索
  • 创业

即将开课

 

GMT+8, 2018-5-28 09:22 , Processed in 0.168300 second(s), 25 queries .