智能投顾一个文献综述.docVIP

PAGE / NUMPAGES 智能投顾一个文献综述 　　【摘要】本文通过对智能投顾的理论依据、技术条件及应用场景等相关研究文献进行梳理,提出未来智能投顾在如何构建系统集成的技术框架以及设计全套应用服务体系等方面,值得深入研究。 　　【关键词】智能投顾 金融科技 资产配置 　　一、引言 　　智能投顾,是运用一系列人工智能机器学习算法、投资组合优化等理论模型,并根据投资者的风险承受水平、收益目标以及偏好等要求,为用户提供智能化投资建议、资产配置及其它增值服务的在线投顾服务模式。智能投顾的理论依据,是基于以Markowitz均值-方差模型、Black-Litterman模型为代表的现代投资组合理论模型。随着大数据、云计算、人工智能等金融科技创新发展的推动下,智能投顾随之产生并已获得了较广泛的应用,未来前景看好。 　　二、智能投顾的理论依据：现代投资组合理论模型 　　智能投顾的理论依据,是基于以Markowitz均值-方差模型为代表的现代投资组合理论模型。Markowitz（1952）[15]提出均值-方差模型,使用期望收益和市场波动风险来构建投资组合,奠定量化资产配置的理论基础。Markowitz均值-方差模型的期望收益率用各种资产历史收益率分布下的均值来表示,而风险则使用方差来度量,以获取在一定程度的市场波动风险水平下的资产组合收益最大化,或者实现目标收益水平下的资产组合风险最小化。因为Markowitz均值-方差模型是以历史情形会重复出现作为假设前提条件,来通过历史收益率和市场波动方差来建立最优投资组合,各种资产收益率及方差可能会和历史数据不一样,所以有必要对Markowitz均值-方差模型的市场均衡配置权重做调整修正,从而优化投资组合获得更大收益。 　　针对Markowitz均值-方差模型在市场均衡配置权重存在缺陷,Black和Litterman（1992）[2]在基于历史数据的Markowitz均值-方差模型的基础上,利用贝叶斯方法,在模型中加入投资者主观观点,提出Black-Litterman模型,使得资产配置受到市场均衡权重和投资者主观预期两个方面的共同影响,修正了Markowitz均值-方差模型在市场均衡配置权重方面的局限。 　　针对Black-Litterman模型的主观观点仅表达了对资产的预期收益一种观点,而事实上投资者可能还有一些间接的观点,比如对GDP/CPI等宏观因子、PE/ROE等基本面因子等,同样这样因子也会影响资产价格波动,Wing Cheung（2009）[20]进一步提出Augmented Black-Litterman模型（Black-Litterman多因子扩展模型,简称ABL模型）,将早期Black-Litterman模型的主观观点扩容到影响市场收益的因子层面,提高了该模型的适用范围。进一步说,Wing Cheung（2009）[20]的ABL模型与Black-Litterman模型不同之处是：在计算过程中,ABL模型不仅在预期收益率向量中加入了因子项,而且在协方差矩阵中也加入了因子项；使得将Black-Litterman模型中仅对n个资产收益率的预测,扩展至对n个资产收益率及f个因子收益率的预测。 　　三、智能投顾的技术条件：金融科技发展 　　金融科技（Fintech）是基于大数据、云计算、人工智能、区块链等先进技术,体现为金融+科技的融合与创新,主要的应用场景包括：支付结算、财富管理、信贷支持、商业保险等金融领域。金融科技的发展阶段主要有：第一,金融IT阶段：主要是指通过IT?硬件的应用对办公业务进行电子化改造,从而提高金融效率。金融IT阶段以ATM、POS机为主要代表性产品。第二,互联网金融阶段：通过互联网或移动端的在线平台集聚用户,对资产端、资金端等终端相互联通,撮合金融业务与金融信息的共享。互联网金融阶段以互联网基金销售、移动支付为主要代表性业务。第三,金融科技阶段：通过大数据、云计算、人工智能、区块链等先进技术,解决传统金融的业务痛点,提升传统金融业务效率。金融科技阶段以大数据征信、智能投顾为主要代表性应用场景（巴曙松和白海峰,2016）[21]。 　　（一）大数据技术发展 　　1.大数据特征。主要体现在海量数据、实时处理、数据种类及来源渠道多样化的3V特征（Laney Douglas,2001）[14]。 　　2.大数据价值链。Gustafson和Fink（2013）[10]提出大数据价值链有数据获取、数据存储、数据分析及数据应用等4个环节构成。 　　3.大数据分析工具。根据Varian（2014）[19],Jun等（2015）[13]等学者的相关研究整理,大数据分析工具包括了以下六类：以Hadoop/MapReduce为代表的大数据分析平台、以H