今天很高兴有这个机会到智能金融分论坛来跟大家分享我们对智能投顾现状的想法,跟大家分享我们研究中心做的一些研究课题。
我先说一下传统的财富管理。传统的财富管理都是人对人的,服务的对象客户都是有钱人,接受这种服务的门槛是非常高的,门槛至少是5万美元。传统的财务规划也要收很高的费用,比如有统计说每年的收费是被管理资产的1.35%,这是传统的财富管理的情况。最近智能投顾和机器人投顾行业的发展,使得很多平民老百姓也能享受财富管理的服务。算法都是自动运作的,没有人帮你弄。入门是非常低的,500美元就可以入门了,可以请智能投顾帮你管理你的财富。管理费也是非常低,大致在0.14%~0.5%。客户群包括大量的中产阶层甚至大学生,他们都有机会可以享受到这个服务。
2005年慢慢兴起Robo-Advisors,美国做得最好,他们是走在前面的。做得比较出名的包括Wealthfront、Betterment、Charles Schwab。Betterment今年管理的资产已经超过了80亿美金,作为自动运作的财富管理方案还是蛮厉害的。问题在于这个行业有巨大的市场潜力,尤其发达国家的婴儿潮,大量的婴儿出生,这些人随着事业的发展、财富的积累,成为Robo-Advisors潜在的客户,发展中国家的崛起给Robo-Advisors提供了巨大的商机。有这样一个估计,到2020年全球由机器人投顾管理的资产高达2 550亿美元,这是相当大的数字。所以智能财富管理,尤其是机器人投顾会成为金融科技里面最有潜力、最有发展前景的一环。
那么现在机器人投顾在做什么?现在做得比较简单,目前美国做得也很简单的,有客户来做一个问卷调查,了解一下情况;然后建议你如何配置,客户也可以调整一下;然后就做资产配置方案。系统会帮你监查,过段时间就重新配置,每隔一段时间给你出具报告。这些事情当然都是自动做的,跟以前传统的不一样。我们对机器人投顾的要求是希望它能做到的远远不止这些,我们希望将来的Robo-Advisors能具备学习功能,能够学习客户对风险的控制。
有些人投资是为了退休;有的人是为了小孩将来要读大学,存一笔钱;有的人要结婚,要为买房存首期。根据每个人不同的目标,机器人投顾需要把这些因素考虑进去。目前很多机器人投顾都是投资在ETF里面,有很多不同的资产可以供你配置选择,比如股票市场,甚至将来的另类投资、对冲基金和房地产都可以包括进去。它跟客户会一直有互动。举个例子,当市场崩盘时,机器人投顾会发一些关心你的话,关心你感觉如何、情绪如何,就好像真的有一个助手在帮你,这就是简单的互动过程。
我们再讲一些具体的技术,Robo-Advisors背后的技术是什么?刚才王总提到技术是非常重要的。2015年Accenture的报告,用什么样的技术和解决方案是作为一个机器人投顾最重要的因素。现在大部分的Robo-Advisors背后的技术很简单,他们就是用Markowitz这个非常简单的模型,再加上一点Black-Litterman,就可以把回报率估得准确一点。更高级的是用Fama-French,这个背后的技术也很简单,这种简单的技术让大家觉得很高兴。我们觉得,在Robo-Advisors的开始阶段,也许这些简单技术单期的模型就够用了,也能够让大家满意。但随着工业的发展,最后的竞争一定是某个产品、系统的技术优胜,就好像一开始搜索引擎刚出时,不光有谷歌,还有雅虎,我记得当时大约有六七个搜索引擎,需要搜索时它随机给你分配,而不是指定用某一个搜索。我觉得谷歌的体验最好,其他貌似没那么好,慢慢地到最后也是谷歌脱颖而出,其他那些搜索引擎差不多都死掉了。
我讲这个例子的意思在于,为什么大家喜欢谷歌,因为它技术做得好,背后的算法很厉害。同样的道理,现在随便搞一个机器人投顾,大家都很高兴,反正能赚点钱,也很方便。但当这个行业发展到最后,谁的技术做得好,谁的用户体验好,谁就能脱颖而出。并且,互联网时代通常具有的特点即赢家通吃。以前日本电器有这么多牌子,大家都挺不错的,互联网时代剩下的就一个牌子,只要你技术做得最好,你就能成为剩下的牌子。
哥伦比亚大学的FDT中心就想发展这样的技术,FDT捐赠了200万美元成立了这一中心,当时他们也在牛津捐赠了另外一个FDT金融大数据实验室,这个中心是牛津的姐妹中心,两者一直在紧密合作。在这个中心里,我们主要做的研究是结合现代的portfolio theory金融综合理论,再与机器学习、数据科学、金融科学相结合,打造最强的技术引擎。
在这里,我也可以花一点时间简单介绍一下正在做的具体课题。第一个课题是如何把investment universe大大缩小,把资产配置到不同的股票、不同的行业里,完全分散你的风险。比如,美国标普500就是500支股票,从理论上讲你就应该把你的钱分配到500支股票里。但是大家知道这是不现实和不划算的,因为第一,你把钱分配到500支股票里,自己管理不过来,管理成本太高,每个股票都有交易费用。从计算的角度,计算量非常大,不现实。
第一个问题在于,如何把500降到15,这里面选15支股票就可以了,其他就不管了。这是很有现实意义的问题,这是我们第一个课题。假设我们用一个图来表示这种关系,图里每一点都是一支股票或者资产,每两支股票之间都有条连线,连线表明接近的度量、协方差,表示两个股票的关联度,协方差也可以是它的交易量,然后用图表现出来。但是这样的表示没什么用,太复杂了。所以我们这里面引入一些距离,利用这个距离把复杂图变成简单图,大家还是相连的,但是不用管它们之间的关系了,最后变成这样一棵树。属于同一个聚类中心的这些股票差不多,我们不用投资这里面所有股票,选一个代表就可以了,这里也是同样的道理。
至于我们到底用什么标准来选择一个代表,这里有一套理论来判断选择标准,在一组里怎么选一个作为一个代表,这都是有算法支撑的。最后变成15支股票就够了,我们能达到充分的分层就可以了。
下面是动态的Markowitz,市场是动态的,是时刻在不停地变化的。在2000年,我们当时没想到它会被用到,当时我们发展了一套研究,即动态的Markowitz模型,用自动控制的理论去运作,它背后的想法相当于导弹去打击一个目标,背后的数据理论是一样的。最近我们发现这个可以用在智能投顾上,为此,我们专门邀请了两组学生独立做回测,用了标普500的1985—2015年的30年做回测,市场增长了12倍,平均到每年是8.64%,是这样的增长速度。用这个动态的Markowitz做出来的配置,最厉害的达到4 228倍,平均到每年是32%,这差不多是巴菲特水平,这是最好的结果。但是大部分都是超过1 000倍,平均每年是25%的增长,我们请两组学生独立地做,结果都是这样。
Data Driven Robust Markowitz,Markowitz最大的问题是估计回报率。回报率是没办法估计的,这是个大问题,当你用Markowitz来做资产配置。Markowitz的解这个参数是非常敏感的,参数不对就是差十万八千里。我们用Robust approach可以减少敏感度,有数据驱动的Markowitz模型。我们不再去估计参数了,直接把过去的资产价格输入到我们的模型当中,直接输出方案。
这里我可以给大家看一个比较。我们10年当中的回测,一条线是S&P500,如果用了普通Markowitz,这个表现比大的稍微好一点;如果用数据驱动的Markowitz,会大大超过这两条线。
这个project蛮有意思的,阿尔法狗打遍天下无敌手,把他们的想法用到资产配置上,我们发现有很多可以类比的地方,用机器学习、强化学习、深度学习的方法。怎么把阿尔法狗的想法用到AlphaAdvisor中,这是我们觉得非常有意思的问题。给大家看一些数据,Gold Rush,中国的淘金梦是非常有前景的,根据这个机构的统计数字,2016年中国资产管理总额上升36%,51万亿人民币。根据华尔街日报2013年的统计数字,中国家庭58%的钱放在银行储蓄存款里,18%放在家里,不知道家里放这么多现金,15%在股票里,只有4%在基金里,当然这是2013年的数字。中国的家庭大部分钱都没放在基金里。中国的股票市场散户占85%,而在美国散户只占25%,这些散户都是很容易受到投资行为偏差的影响,使得中国股市大起大落,没有表现出理性的行为。
我们把北京、上海的房价称作boom,即它可能是个泡沫。这些散户在股市里输得焦头烂额,最后慢慢会从中学习到散户是不应该投资的,应该把钱交给专业的人去管理,投资管理这个行业前景就非常远大。现在的房地产也是不能持续的,总有一天要爆破的,到时释放出来的钱最后慢慢都会到asset management里。
中国投资产品的增长,私募基金和互利基金的增长都是大约1倍,可以看出这个行业的增长非常厉害。
McKinsey去年有这样一个报告,中国的中产阶层特别喜欢有技术指引的解决方案,所以有大数据驱动的智能产品管理模型很快就会托梁换柱,谁能够在这场战役中占先机,把技术和用户体验做好,谁就能成为王者。尤其在中国,这个行业的前景是无可限量的。
(本报告根据速记整理)