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。
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。
