# 141談組合⎪智能理財,機器人如何幫你投資?

隨著智能化技術的進步以及普及,現在你只需要動動嘴然後手機就可以幫你做筆記,打電話。你使用的app會紀錄你的習慣,然後直接推送你想看的新聞或是訊息給你。連我們家的喵喵用的廁所,都可以智能化,自動感測喵喵上過廁所,然後就把髒髒給鏟掉。因此,既然投資對大多數人來說,如此困擾,是否我們也可以交給電腦來操作呢?你的心聲,業者當然是有聽到的,在美國,2008年金融危機過後,以Betterment和Wealthfront為代表的智能投顧創業公司透過網路技術,降低投資門檻,為用戶提供個人化、透明化的財富管理服務,由於收費相較一般投資顧問低廉,成為了行業的新勢力。 2019 年管理資產分別達到 200 億及180 億美元。而整體智能理財的資產規模從2010年以來複合增長率超過80%。究竟,智能理財的核心邏輯是什麼?每家銀行配置出來的投資組合也不盡相同,我該如何來比較與選擇呢?今天我們就來談談這個題目。

Image for post
Image for post

智能理財的風潮吹到台灣,儼然成為台灣財富管理市場的新風口。目前在台灣較早推出智能理財的銀行就包含了台新的Richart, 王道銀行的機器人理財,中國信託智動Go,國泰世華的智能投資。接下來,富邦奈米投,永豐IBrain,玉山i-Instant,第一e-first,華南好機智,兆豐理財e把罩,元大ETF-AI智能投資,也都陸續上線,幾乎重點玩家全員到齊。然而不論各家銀行在外表上是如何包裝,基本骨子裡其實是同一套邏輯,只有在最後基金標的篩選上有所差異。這是什麼原因呢?

首先,所有的資產管理業者在設計機器人理財的過程當中,必須遵循一定的理論基礎,絕不可能是憑藉老闆的個人投資喜好來設計投資邏輯,因此最核心的理論基礎一定是馬可維茲(Markowitz)的「投資組合理論」(MVO),有關馬可維茲的MVO, 先前我們也有一集節目專門討論過,有興趣你可以去找回來聽聽。

之所以會應用MVO模型,就是因為資產配置是目前所有智能理財「神主牌」。所謂的資產配置就是依據投資人的投資目標和風險偏好,在各類資產間分配資金的決策。典型的資產類別包括股票、債券、大宗商品及房地產等另類資產。Brinson (1991)的經典研究表明,資產配置決定了一個投資組合波動的90%甚至更多,這充分說明了資產配置在現代投資組合管理中的不可撼動的地位。實際進展到投資組合的資產配置時,系統的設計會再分為戰略性資產配置(Strategic AssetAllocation,SAA)和戰術性資產配置(Tactical Asset Allocation,TAA)。在機器人的世界裡,業者通常會透過問券來詢問你的理財目標或是投資週期,這個問項的重點,就在於決定你的SAA。戰略性資產配置是基於較長週期的投資決策,通常在5年甚至更長的區間,這也是機器人通常問你是不是要退休規劃,或是累積第一桶金的原因。

有了SAA,接下來的TAA,則是將各種不同類型的資產類別,丟進MVO模型當中,透過最佳化,找到效率前緣上最佳的投資組合配置。具體來說,基於投資者是理性的且是厭惡風險的基本假定,投資組合就是在「風險」與「收益」中試圖取得平衡。相較於傳統的股票組合構建方法,MVO模型在大資產配置的時候,反而可能更加有效。畢竟,在大資產配置問題中,資產數目往往並不多,模型估計相對會更容易。同時,大類資產也往往有著較為長期且較為完整的歷史數據,可以進一步提升對平均報酬率和共變異數矩陣的估計效力。

當然,經典MVO模型的問題仍然無法完全解決。其中,被詬病最多的一點是,它對輸入參數的高度敏感。報酬率和共變異數的微小變化,就可能導致最優化的投資組合大幅變動。另一個問題則是,模型所使用的報酬率與共變異數,都是歷史數據。真實的數字在進行組合配置時則無從知曉。

除了模型本身的問題以外,實務在MVO輸入資產類別資料時,也有困難。通常我們會以市場的指數來當作大資產的類別。例如說美股,新興市場,美國債券等。但是,假設我使用美股指數,我要使用標準普爾500還是道瓊工業指數,是否要把納斯達克指數單獨作為一項大資產,因為他是科技股為主。這些問題就會讓模型設計過程中充滿爭議。其次,MVO運算的過程中,資產類別的數目是受限的,如果具細彌遺的詳列幾百類資產,可能會發生某些資產類別的資料數量不足的問題,無法公平的計算與比較。如果要篩選到30類以內,到底哪些資產該被排除?即使以上的問題都解決了,如果實際投資的標的是基金不是ETF,那麼平衡型基金到底該被歸類在哪一大類資產之下,而我又該以哪一個指數來當作這類資產的代表呢?我之所以提出這些問題,因為每一家公司對於智能理財這個產品的目標對象與使用場景各異,每一家公司內部需要面對的困境也是各不相同。

有沒有什麼基本的方式,可以讓你快速的辨識出「比較」真實的機器人模組,還是其實是內定或是人為介入的斧鑿痕跡?首先,是檢查備選的基金池規模,如同前面提到的,MVO模型需要設定資產類別,同時要輸入相關資訊。偷懶的方式就是只有50檔以內的基金,然後直接用基金資料去跑模型。顯然這個是跟馬可維茲的原意有很大差距。其次,當基金池的數量很少,有可能是業者精選對他自己最有利的基金標的,例如是銷售分潤最高的基金。其次是詢問資產類別的數量,尤其是以基金為配置對象的機器人,舉例來說,當資產類別的數量太少,極有可能即便是在最佳化的狀態,也可能沒有列入真正在未來表現最好的資產。最後是每一類被模型最佳化後挑選出的資產類別,是否有投資比重的上限或下限。這點在MVO模型中相對重要,因為既然MVO是以過去資料來進行最佳化,很可能會挑出非常冷門的市場或資產類別作為投資項目,而且他的特性就是會過度的放大配置的比例,極有可能導致未來配置的失衡。

總之,現在的機器人理財似乎還是在風口上,大家一窩蜂的跟進。但隨著參與者變多,只是有個「智能理財」的招牌將再也無法吸引客戶的目光。然而現在投資人對於「智能理財」只能看到是一個黑盒子,似乎就是比費用,因為連績效都很難比較。未來,除了費用與績效之外,應該要揭露更多的資訊給投資人,讓投資人清楚知道投資標的被挑選出來的邏輯以及依據,這將會是進一步取得消費者信心的關鍵。

你有嘗試過理財機器人嗎?你滿意機器人提供給你的資產配置嗎?歡迎跟大家聊聊。

Written by

Podcast⟪比爾的財經廚房⟫主持人,本節目榮獲Himalaya最佳人氣財經類節目。Spotify 財經類Top 5 Apple podcast 投資類 Top 5

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store