赚钱这事儿，如何放心交给机器打理？

大家好，我是AQUMON联合创始人黄耀东，很高兴今天和大家解析人工智能的金融炼金术。我们将介绍全球财富管理行业的痛点及智能投顾发展情况，并解析人工智能技术赋能金融投资的一些应用案例。

全球财富管理行业的痛点及智能投顾发展情况

全球财富管理行业的痛点

随着个人金融财富的迅速增长，理财成为当代人的刚需，财富市场的巨大潜力由此凸显。以亚太区为例，预计到2021年个人金融财富规模将达到61万亿美元。保守估计，如果智能投顾渗透率为5%，市场规模将会超过3万亿美元。

与此同时，理财也是一个技术活，不仅需要有专业数据分析、投入大量的时间研究，而且痛点很多。

其一是，即便在中国香港这样的国际金融中心，仍有很多人无法享受专业的理财服务。香港800万的人口，如果以资产金额大小分组，95%的市民资产金额小于100万美元，无法享受诸如海外股票、债券等方面专业的投资理财服务。

传统理财服务门槛很高，主要是因为涉及大量人力、物力成本。过去，全球资产配置需要来自各部门的配合，涉及股票团队、债券团队、大宗商品团队、夜间轮班团队、区域团队、量化研究团队等。但如今智能投顾可以很好地解决这个痛点。

此外，金融机构还面临很多困境，比如：

• 盈利模式单一，都只是做佣金业务，且售卖产品非常单一、同质化。

• 文书处理工作低效，手工生成客户的表现结单，费时费力。

• 交易方式是相对落后，很多时候还是通过电话或手工的方式去下单，成本高昂。

智能投顾发展情况

应对上述的痛点，智能投顾平台运用算法以及IT技术，可以去除非常多“中间人”的环节，为用户提供自动化、智能化的财富管理体验。

首先，这个系统会根据客户的风险偏好，自动生成全球资产配置方案。其次，一键下单完成全球配置，实时监控，自动提示调仓。此外，系统还能提供无纸化解决方案，通过手机APP就能看到所有投资数据，确保风险披露合格。

有别于传统的理财分析，这套系统是由算法支持，分为四个组成部分：

• 数据中心，接收覆盖不同资产类别的海量金融数据源。并且，不同数据之间能自动化地比对、校正，确保数据的准确性。

• 量化投资的一些前沿理论，包含金融工程、统计和机器学习等技术，在海量数据中学习交易信号、生成投资方案。

• 下单优化算法，下单会涉及流动性成本，通过订单的微观结构，我们可以制定最优策略，这在当订单交易量巨大的时候，非常重要。

• 自动交易技术，可以确保交易大批量快捷进行，一次性、个性化地服务上千用户。

简单来说，算法流程分为两个部分。第一个部分是宏观层面的财富管理：根据客户的风险偏好、财务状况，来决定核心战略资产配置和卫星资产（储蓄账户、保险、Alpha策略、另类投资等）。  

至于，每一个类别具体是要做怎样的投资，就是比较微观的概念，我们称其为：资产管理。针对每个资产，在微观上根据市场的情况挑选标的、确定权重，然后下单。

以战略资产配置为例，首先帮客户做财富“打底”，然后构建一个稳定的成长资产类别，这也是目前智能投顾较主流的运用方向。内容涉及全球ETF、地管理费、现在投资组合理论、实时监控、长期投资等。

为什么需要一个全球资产配置？

为什么需要分散投资？我们首先需要了解资产配置重要性。

如图所示，每一个色块代表的是不同资产类别在不同年份（2000年至2016年）的排名，最右边两列是每类资产的年化收益率和波动率。

以最右黄色方块为例，代表的是“现金”。16年来的年化收益率只有1.69%，甚至没有赶上通货膨胀率。所以，资金不能只是单纯放在银行，需要持续地投资。

客户的资金应该投在哪个资产类别？如果是投资在房地产、信托基金，可以看到2006年时，二者相对其他资产收益率最好，但到2007年，又跌到谷底，风险非常大。所以，投资单一资产，波动率和风险过大，应通过分散投资来降低。

再看灰色色块，代表全球资产配置。由于不同资产类别之间的相关性比较低，所以它们的涨跌可以互相抵消，整个投资组合的风险就会有效降低。

从回报率上来看，全球资产配置自16年来的年化收益率和房地产、信托基金相差不多，均排名前三，但组合波动率却明显优于前两者。显然，在同等收益水平的情况下，全球资产配置是更好的投资方式。

但是具体操作却不是件容易的事。全球有超过50个不同的资产类别，如何选择，选择资之后又该如何考虑最优权重？好的智能投顾，可以较低的成本，通过量化的方式去实现全球资产配置，使整个财富管理流程更自动化。

具体步骤如下：

用AQUMON的大数据分析，衡量组合的分散程度。3D模型中，每个橘色的点都代表一类资产，两点间的夹角，代表两类资产的相关性。夹角越大，相关性越低，反之则高。由此构成的多面体，体积越大，系统分散越大。由此可量化组合的分散程度，从而挑选资产大类。

确定资产大类之后，采用有效前沿曲线，寻找最佳风险调整后收益，并确定最优权重。橘色曲线为最优解，代表的是在同样风险水平下，预期回报最高的组合。由此可订制保守型、平衡型、进取型的投资配比。不过，也要考虑很多细节因素，比方调仓成本、调仓频率等等。

总地来说，传统私人银行投资门槛非常高，最低标准是2000万港币（约1600万人民币），杂项费用也很多。但现在，我们可以借助科技的力量，通过智能投顾降低门槛。

目前大部分主流的智能投顾，主要是应用在战略资产配置，根据个人风险偏好做一些调整，这是一个偏被动式的投资方式。AOUMON运用机器学习的技术，在主动型的投资策略上深入研究，提供更高、更具附加价值的投资策略，能与被动投资策略形成一个很好的互补。

人工智能赋能金融投资应用案例解析

接下来，以四个实际案例，来说明人工智能如何赋能金融投资。

模式识别预判金融市场熊市概率

基本原理是，运用模式识别技术，把股票市场区分成牛市跟熊市。然后，设计统计模型，找出宏观经济指标与股票市场状态之间的关系。当模型被训练出来后，再输入当前观测的宏观经济指标，预测下一阶段股票市场处于熊市或牛市的概率，并根据该信息制定交易策略，这套策略，我们将它取名为SamrtSwing，是一个“择时策略”。

上图标识了1949年1月至2018年12月时间段内，标普500指数的牛熊识别结果。算法会自行区分出牛市（橘色点）和熊市（蓝色点）两个不同的状态。牛市月收益是1.07%，熊市月收益是-1.01%。图表走势也显示了牛市期间大概率都是上涨，熊市期间大概率都是下跌。

这项技术，不用人们事先设定牛市和熊市的定义，属于无监督学习的范畴。并且，除了区分牛、熊市的状态外，它还能给出每个状态的概率。

上图蓝线代表熊市概率，灰色的区域是美国研究机构划分的经济的萧条的时期，研究发现，宏观经济指标和下一期的熊市状态关系重大，通过统计检验可以识别出有效的宏观指标，并由此预测建荣市场的潜在状态。

上图蓝色线段表示，2004年到2018年，平衡组合的投资情况：60%投资在标普500指数，40%投资在美国全债指数。在股债比不动的情况下，年化收益率为6.31%。橘色线是SmartSwing根据熊市的概率调整股债比大小后的走势，相同时间段内，年化收益率为8.37%，远高于固定股债比策略，优势明显。

统计学习技术抓住行业和区域轮动

SmartRotation策略是运用统计学习的技术，量化股票市场的均值回归的强度，合理配置行业和区域的股票的比重，抓住轮动机会，实现低买高卖。具体用到的量化技术，包括在线学习算法、鲁棒控制优化技术。

均值回归，并非某一指数完全不变动，而是具有一定趋势。比如，某一类资产，从长时间的跨度来看，可能在不断上涨，但短时间跨度看，价格走势会在轴线上震荡，出现均值回归。

SmartRotation可以抓到这样的机会，在超跌时配上更多权重，反之调低权重，实现低买高。这个策略，目前已经在多家中金融机构中展开合作。

SmartRotation策略用到了在线学习的算法——即基于最开始的样本，训练一个模型，再基于这个模型，产生预测、付出行动——某个交易策略，随后，在新的金融市场数据中，观察策略的可行性，并作出调整，这就是一个循环往复的过程。

SmartRotation策略在股票市场轮动上效果显著。如图所示，策略上标的全球各个国家的股票ETF，探测均值回归的强度，然后根据时间动态调整每一个标的权重。近三年，橘色线线代表的SmartRotation策略表现良好，年化收益率为21.12%。

作为参考基准，蓝色线和灰色线分别代表的地区等全和MSCI全球除美全收益股权指数，年化率分别仅6.18%、4.47%，远远低过于SmartRotation策略的表现，由此说明，这几个资产之间，确实是有均值回归的过程，而且我们的算法能够很好地找准时间点。

NLP在事业驱动上的应用

策略原理：A股是一个弱的有效市场，即当前的股价价格，反应的是过去公司的营运信息，当新信息披露的时候，公司的股价就会引发短期的价格调整，金融市场对于新信息的短期调整不完全、不准确，日后会持续调整超额收益。

NLP可以自动化地提取事件中的财务、新闻公告等非结构化数据，比如该公司业绩超预期多少百分比，或者并购事件中收购方是谁等信息，并分析报告中的观点、倾向和情绪，从而构建公司事件和超额收益之间的统计关系。

公司行动事件，大致上可以分成两大类：经营类事件和股权与市场事件。

通过大量研究发现，金融市场对于利好消息，经常反映不足，比方某个公司好消息发布当天，可能上涨不足，但日后会维持一个上涨的趋势。与之相反的是，金融市场对于利空事件通常都反应过度。

通过统计发现，这两种市场反应的背后，有许多行为金融学因素影响，包括每个人的关注度有限、信息散布时滞、传媒报道倾向、股票流动性限制套利机会、市场情绪等。

但如果在进场优化、出场优化、事件预测等细节上处理好的话，可进一步增强策略回报。以进场优化为例，在股票筛选上，会出现很多反应不足的现象，这点在低关注度的股票上尤为明显。

机器学习技术探测因子轮动

AI China Alpha Strategy策略原理在于，首先每只股票都有自己独特的DNA，又可以叫做因子，比如价值型的市盈率、市净率等，他们预示着股市股票未来的走势。就好比马拉松比赛前，你提前测量了选手的体重、体质、心跳等，大致就可以判断哪些选手会跑得更快。

其次，中国A股市场的无效性相对美国比较高，股票价格经常会偏离这个价值，这也就提供了获取超额收益的机会。

再者，股票市场风格会随着时间动态变化，我们可以通过机器学习洞察出不同时期的因子风格，再由此对股票做一个排名，做到因子轮动。

模型的框架包含三个方面：

• 预测——通过统计、机器学习的技术去挖掘因子和股票预期收益率之间的关系，并用这个模型对A股的股票做排名。

• 风险控制及分散化——控制每只股票在行业上的集中度，利用股票资金的相关性去求解最优权重，减少组合的波动率。

• 成本控制——根据订单的微微观的结构，制定交易策略，减少流动性滑点。

模型流程分如下几步：

• 首先，数据清洗与交叉校验：海量数据校对入库，并经过特征工程的方式形成因子库，目前我们因子库的数目超过200多个。

• 其次，用机器学习的方式寻找股票能够观测到的因子和它预期收益率之间的关系。借助预测模型，对所有股票做个排名，然后从中排列组合。

• 然后，风险管理，判断每个股票的最优权重，并减少它的集中度.

•  最后，交易执行。

相比传统事先指定规则的量化系统，AI建模能更深度学习技术、发现肉眼难以观察的模式、发觉因子和收益的关系。

这个策略，最近三年的表现都非常优异。上图可以看到，蓝色是沪深300指数，年化收益率为-6.9%。灰色是中证500指数，年化收益率已经超过-18%。橘色是ACAS的表现，综合年化率是11.8%，作为纯策略行为，没有任何对冲，表现已经优于99%的一个公募基金。

类似的技术框架也可以应用在港股市场，在港股市场除了指数增强策略以外，也可以用期货去做对冲，降低整个策略和大盘的相关性。

以上，就是我们在实际生活中和金融机构合作，以及自己管理资金时候可以采用的一些策略。

AI+量化的未来

随着AI和机器学习技术的发展，许多人都会疑惑未来是否还需要人类做投资决策，是否完全交给机器就可以了？

这样的看法有失偏颇，目前AI尚处于弱人工智能状态，技术建模和调优都非常依赖于背后的算法工程师。机器学习只是数学或者统计工程中，一个比较好用的工具，不应该过分神话。

并且，机器学习实际上是量化众多流派中的一种。在投资领域，如果只借用机器学习技术，回撤表现可以做得非常漂亮，但是在实盘、样本外的效果很不好。因为金融市场数据的信噪比非常低，而且金融变量都是一个非稳态的随机过程，前两后两年的金融市情况截然不同。

机器学习如果能和其它量化技术结合在一起，并且有很强金融逻辑作为根基，这样做出来的一个策略就会更加稳定。

数据侠门派

黄耀东博士，AQUMON联合创始人兼量化研究主管，香港科技大学数学博士，专攻金融工程和投资组合理论。曾在香港科技大学数学系访问并任教，曾于多顶尖期刊上多次发表论文。作为弘量研究创始人之一，黄博士率领博士团队结合人工智能和金融工程技术开发智能投资策略。

加入数据侠

数据侠计划是由第一财经旗下DT财经发起的数据社群，包含数据侠专栏、数据侠实验室系列活动和数据侠联盟，旨在聚集大数据领域精英，共同挖掘数据价值。申请入群请添加微信公号dtcaijing003并备注“数据社群”，合作请联系datahero@dtcj.com。