機器人顧問行業投資組合風險：效率還是偷工減料？

已發表: 2022-03-11

機器人顧問在過去十年中日益突出，金融科技子行業鼓勵年輕投資者和大眾更積極地參與儲蓄和投資。機器人顧問旨在使財務建議民主化，並提供以前只提供給富有的老練投資者的高質量服務。簡而言之，智能投顧是一種將投資組合策略外包給算法的投資管理形式。投資組合構建和再平衡在計算機的幫助下實現自動化，提供更實惠的財富管理解決方案，並可能減少人為錯誤和偏見。

該領域的許多初創公司都在努力實現收支平衡並展示品牌差異化。機器人顧問在傳達投資組合的真實風險的同時繼續使投資民主化並扭虧為盈的最佳方式是什麼？

機器人諮詢從何而來？

Betterment 和 Wealthfront 是最著名的兩個機器人顧問，前者於 2008 年率先推出。到 2019 年，該行業估計在全球管理著 4400 億美元的資產，隨著時間的推移，傳統財富管理機構，如Vanguard，也採用了這樣的技術。雖然與 Robinhood 等僅執行交易平台完全不同，但這兩個行業的金融賦權信息已被年輕投資者所接受，他們傳統上直到職業生涯後期才對退休儲蓄產生積極興趣。

受歡迎的智能投顧的關鍵價值主張之一是，它們幫助客戶了解與投資組合相關的風險和成本，而不是只關注回報。反對傳統財務顧問主導的財富管理的論點是激勵措施的錯位，其中昂貴且表現不佳的資產流向了投資者，他們無法客觀地分析數字以了解業績。為此，機器人顧問一直是被動投資的支持者，避開昂貴的主動管理基金，用於經濟型指數基金和交易所交易基金 (ETF)。

風險管理和機器人顧問

雖然大多數智能投顧通常採用現代投資組合理論（有時與其他經過充分研究的方法相結合）來構建投資者投資組合，但他們使用不同的方式來表達與這些投資組合相關的風險水平。大多數投資專業人士同意，風險與投資組合選擇的回報一樣重要。事實上，絕大多數從業者繼續受到諾貝爾獎獲得者 Harry Markowitz 1952 年關於投資組合選擇的論文所闡述的均值方差優化框架的啟發。

然而，一般投資者通常不像預期回報那樣了解風險。這是因為個人的風險承受能力不僅取決於過去的表現和理性預期，還取決於獨特的個人環境和其他情感因素，例如希望和恐懼。此外，個人的風險承受能力幾乎不是一個靜態的衡量標準。由於 COVID-19 帶來的不確定性，大多數人肯定會認為他們在 2020 年的風險承受能力比過去十年中的任何時候都要低。推薦投資組合的可取性由投資者部分通過他們自己對投資組合風險的看法來評估。這就是為什麼機器人顧問必須清楚地說明風險，以便投資者能夠了解風險並將其與自己的容忍度、目標和情感偏好聯繫起來。

機器人顧問使用定量或定性措施來幫助客戶了解風險。每種措施都有其優點和局限性。

定性風險水平：激進還是高速增長？

大多數機器人顧問根據投資者如何回答預先定義的心理測量問題列表來分配定性風險評級。這通常在從“非常保守”到“非常激進”的數值範圍內。

定性風險評級具有明顯的優勢，因為它使投資者更容易感知各種投資組合相對於彼此的風險。例如，被賦予“激進”評級的投資組合可能天生就比被標記為“保守”的投資組合風險更大。心理測量問題有助於縮小投資者對損失的容忍度並確定適當的風險水平。

但是，定性評級可能無法清楚地了解投資組合的預期可變性。與溫和的投資組合相比，激進投資組合的波動性有多大可能並不明顯。最有可能的是，風險評級為 6 可能並不意味著投資組合的風險是評級為 3 的投資組合的兩倍。此外，對風險的看法可能會因風險評級的表述方式而異。投資者可能會以不同的方式看待高風險投資組合，具體取決於它被標記為“高增長”還是“非常激進”。因此，這種分類為投資組合的感知吸引力引入了一層主觀性。

我對機器人顧問過分強調定性風險的擔憂是，它可能會讓投資者對其投資組合的持續表現產生錯誤的安全感。激進/保守範圍內的任意風險評分可能過於寬泛，最終導致投資者做出次優的融資計劃決策，其情況可能比以前想像的更複雜。對過度簡化風險的擔憂在監管機構關於機器人顧問從事系統性錯誤銷售的呼籲中得到了回應，投資者未能了解產品的真實性質。

通過客戶教育更多地採用機構量化風險措施（銀行、基金和家族辦公室使用）可能是下一階段機器人諮詢的關鍵。這可以真正推動行業向前發展，並與提高金融知識教育的國家運動相呼應。

投資組合的量化風險度量

馴服波動性：風險價值

風險價值（VaR）是衡量投資組合波動性的最常用指標。簡單地說，VaR 是在一定概率水平（也稱為置信水平或百分位數）的最小預期損失的度量。例如，如果一個投資組合的 99% VaR 為 12%，這意味著在給定時期內投資組合的損失有 99% 的可能性不會超過 12%。換句話說，投資組合損失超過 12% 的可能性為 1%。 VaR 已經被一些機器人顧問應用，其中一個例子來自新加坡的 StashAway，該公司將 99% 的指導方針融入了一項稱為“風險指數”的衡量標準中。

VaR 可以使用不同的方法計算。歷史方法按大小對投資組合的歷史回報進行排序，並確定在某個百分位（通常為 95% 或 99%）觀察到的回報。方差-協方差方法假設收益呈正態分佈，並使用投資組合的標準差來估計最差的 5% 或 1% 收益將位於鍾形曲線上的哪個位置。 VaR 也可以使用蒙特卡羅模擬來估計，該模擬根據概率結果產生最差的 5% 或 1% 回報。

VaR 之所以受歡迎，是因為它使投資者很容易理解投資組合的可變性，並將其與個人對損失的承受能力聯繫起來。但是，我們可以根據用於計算 VaR 的輸入和方法獲得不同的結果，從而影響測量的可靠性。此外，VaR 在很大程度上依賴於許多假設，例如收益呈正態分佈並與歷史收益保持一致。最後，12% 的 99% VaR（如上所述）並未告知投資者在最壞情況下可預期的損失金額。

VaR 背後的各種警告可能會限制其在機器人諮詢平台中的重要性，因為它被視為用戶理解的複雜指標。 StashAway 將其品牌化為更易於理解的指標的示例顯示瞭如何更有效地打破這些障礙。

有條件的風險價值

解決 VaR 的缺點之一，即條件風險價值或 CVaR，可以在最壞的情況下為投資者提供預期損失。在 99% 的置信水平下，CVaR 計算為最差 1% 情景下的平均投資組合回報。 CVaR 使用與 VaR 類似的方法進行估計。雖然與 VaR 相比，它可能有助於更清楚地了解最壞情況，但由於估計中使用的假設和方法，它可能存在類似的缺點。

2020 年的市場脫節往往會破壞正態分佈模式，這表明添加更多“3 維”投資組合風險衡量指標（如 CVar）可能是有利的。考慮到大多數機器人資產是指數基金（一籃子股票），CVaR 數據與標準 VaR 度量相結合將增強機器人顧問的風險管理產品，並且非常適合。

最佳和最差回報

最佳和最差回報與給定時間範圍內證券或投資組合的滾動定期回報有關。根據投資者的時間範圍，可以每天、每月或每年計算回報。時間範圍通常由數據的可用性決定，但如果我們不使用足夠長的時間範圍，它可能會影響觀察到的最佳和最差回報。

美國資產的最佳和最差回報：1973-2016

該衡量標準使用歷史回報率來為投資者提供最佳和最壞情況的指標。一個明顯的優勢是，與 VaR 不同，它區分正回報和負回報，而不是假設正態分佈。投資者往往不介意積極的波動性，主要擔心絕對的下行風險。此外，與 CVaR 不同，它顯示了觀察到的絕對最差回報，而不是取平均回報，這可能會低估最壞情況。然而，與其他定量測量一樣，這往往是向後看的，並且還取決於觀察結果的數據集。

最佳和最差回報風險衡量標準非常適合智能投顧平台，因為它們可以清楚地與投資者溝通，而不依賴於令人生畏的財務比率。然而，其中一個風險是它們可能會發揮非理性偏見，並鼓勵恐慌性拋售進入下跌的市場或頑固地抓住失敗者。

自己衡量量化風險

讓我們看一下如何計算單一資產投資組合的 VaR、CVaR 以及最佳和最差回報。考慮的資產是SPY，這是一種追踪美國大盤股的ETF。

用於以下計算的數據與 2007 年 7 月至 2020 年 6 月期間的資產淨值和 SPY 月度回報有關。可以使用 Excel 或 Google 表格函數進行計算。

VaR - 11.8% VaR 意味著 SPY 在給定月份損失超過 11.8% 的概率為 1%。換句話說，SPY 在 99% 的月份提供了比 11.8% 的損失更好的月度回報。步驟（谷歌表格/Excel）：

根據股價/資產淨值數據計算歷史月度回報。
使用 PERCENTILE.INC 函數，使用歷史收益數組和所需百分位數（例如，99% 區間為 1%）作為輸入。

CVaR - 14.5% CVaR 意味著在 1% 的最壞結果期間，SPY 的預期每月損失為 14.5%。這可以在 Google 表格/Excel 中通過使用 AVERAGEIF 函數來計算小於 VaR 結果的平均收益來確定。

最佳和最差回報- 如表所示，SPY 在 2007-2020 年期間觀察到的最佳和最差月度回報分別為 +13% 和 -16%。這些可以使用MIN和MAX函數快速計算。

如前所述，重要的是要注意這些措施可能會產生不同的值，這取決於方法和觀察期。方法和期限的選擇應基於數據可用性、預期投資時間範圍和個人判斷等因素。

通過定量測量進行區分

傳統財富管理的基石是根據個人需求定制投資組合，無論是時間跨度、道德、風險偏好和收入需求；為此，每一種方法都是定制的。機器人諮詢的吸引力在於其自動化方法如何在大量客戶群中發揮作用。

但是，智能投顧需要幫助客戶清楚地了解其投資組合產品的風險回報權衡，以便他們可以選擇滿足其個人需求的正確投資組合。定性風險測量是機器人諮詢的一種易於理解的“坡道”，但隨著時間的推移，它們的參數可能變得多餘。但是，當與此處概述的定量風險措施結合使用時，它們有助於提供更全面的風險管理指南和對投資組合績效的認識。