数字化资产配置报告

金融科技助推财富管理大变革,数字化资产配置报告,DIGITAL ASSET ALLOCATION REPORT,联合出品,为什么要做这个报告？,技术的发展，使资产配置数字化成为可能。数字化技术不仅降低了资产配置的高门槛，提高了配置效率，还减少了人工干预，提高资产配置的精度、广度和深度，为投资者提供更便捷、更可靠的资产配置解决方案。,目录,Part 1概念定义,Part 2基础理论,Part 3案例分析,Part 4发展趋势,Part 1,什么是数字化资产配置？,Part 1,数字化投资,数字化资产配置历史美国金融业管理局（FINRA）官方定义数字化投资（digital investment），其中细分领域包含数字化资产配置（digital asset allocation）、高频荐股（stock selection）等。数字化资产配置俗称智能投顾（robo-advisor），适合大众的财富管理需求；荐股服务适合追求择时超额收益的少数投资者。数字化资产配置,高频荐股,数字化资产配置的定义是指具有人工智能的计算机程序系统根据客户自身的理财需求，通过算法和产品搭建数据模型，来完成传统上由人工提供的理财顾问服务理论基础是哈里马科维茨（Harry M. Markowitz）的现代投资组合理论（Portfolio Theory）是数字化投资（Digital Investment）的一个重要组成部分,Part 1,典型的数字化资产配置过程,1,大数据识别风险偏好,2,据不同风险偏好用算法和模型定制资产组合,3,用户资金转入第三方托管金融机构,4,系统代理客户发出交易指令买卖资产,5,系统实时监测市场数据与资产组合表现进行再平衡操作,Part 1,数字化资产配置的发展,兴起,Part 1,国际国内,成熟型：领航、嘉信理财、富达、贝莱德创新型：Betterment、Wealthfront、 Sigg、Personal Capital传统金融机构/互联网企业：平安一账通、京东智投、蚂蚁聚宝等创新企业：璇玑、弥财、蓝海等,BettermentWealthfront,2010年,美国,Part 2,数字化资产配置的理论基础,理论 1：资产配置的经典理论,Part 2,R(p),(),c,b,a,马科维茨有效前沿图,投资组合理论,1,在既定的收益情况下，寻求风险最小的组合，或在,给定风险的情况下，寻找收益最大化的投资组合。Wealthfront、Betterment、璇玑等都无一例外地以,投资组合理论为依据进行数字化资产配置。,理论 1：资产配置的经典理论,Part 2,CAPM 资产定价模型CAPM 模型从数学的角度给出了系统性风险和非系统性风险的描述，并指出当投资者投资风险资产时，应获取风险溢价作为补偿，否则市场不是合理有效的。单个资产的非系统性风险可通过多元化的投资进行消除，而市场不会对这种风险给予风险溢价的补偿，市场只会对那些会对资产预期收益率产生影响的系统性风险进行风险补偿。,2科维茨均值差模型的延伸险资产的收益与市场收益线性相关,科维茨均值差模型的改进模型,允许投资者对未来的资产收益率有的主观判断，并且可以对每种观点赋予不同的信平,理论 1：资产配置的经典理论Black-Litterman 模型,Part 23,风险厌恶系数,协方差矩阵,市场市值权重,投资者观点,观点误差,市场均衡投资组合隐含收益率,先验的均衡收益分布新合成的 B-L 模型收益分布,观点收益分布,Part 2,理论 2：行为金融学1认知偏差2,前景理论,3投资者行为偏差,Part 2,认知偏差的表现投资者和证券分析师们在他们有一定知识的领域中特别过于自信。比如基金经理人、股评家以及投资者总认为自己有能力跑赢大盘，然而事实并非如此。个人的观念或行为由于真实的或想象的群体压力，而向与多数人相一致的方向变化的现象。人们在决策过程中对利害的权衡并不均衡，对“避害”的考虑远大于对“趋利”的考虑。,过度自信羊群效应损失厌恶,Part 2,前景理论的表现小概率事件常常被高估。确定性事件的决策权重大于各个互补概率事件决策权重之和。当概率一定时，小概率对应的权重比率比大概率对应的权重比率更大。,123,Part 2,投资者行为偏差的表现投资者应该采取分散化的投资策略，然而大量证据显示，投资者在实际证券选择时分散化程度明显不足，远远低于模型要求的标准。在金融市场中，投资者常常会过早卖掉获利的股票，迟迟不愿卖掉已经亏损的股票，这种现象被称作处置效应。这种拒绝损失的情况会给投资者带来更大的损失。过度自信的投资者高估了他们获得的信息同时低估了可能的风险，倾向于过度交易，然而由于交易成本的存在，他们往往获得较低的收益。,分散化不足处置效应过度交易,Part 2,选择输入数据,选择输入数据,机器学习算法对输出结果进行分类训练好的模型新的输入数据（归一化）输出数据(预测结果),理论 3：机器学习目前，市场应用较多的是监督学习，即在训练过程中给出输入数据及它所对应的正确答案（也叫目标数据），根据所给定的输入数据及其所对应的答案进行学习，从而达到给一组新的数据预测结果的目标。设计机器学习算法,Part 2,了解用户特性,理论应用模式更新用户画像生成配置方案执行资产配置,智能再平衡,Part 3,数字化资产配置案例,成熟型公司：领航Vanguard Personal Advisor Services,辅助理财师完成 KYC,生成报告理财师后续服务,人力顾问电话视频再调整,Vanguard管理资产总规模与数字化资产配置业务管理规模对比,资产总规模3.6万亿美元数字化资产配置管理规模310亿美元,Part 3,成熟型公司：嘉信理财Schwab Intelligent Portfolios,2015年嘉信理财资产管理规模,管理总资产达到 41 亿美元智能组合的账户已经达到 24,000 个,Part 3,用户设定投资目标、个人信息和计划,建立投资组合,模拟出不同市场的可能表现给出建议,成熟型公司：富达Fedelity,Part 3,风险测评问卷,提出推荐方案来自于Fedelity 的产品,自动资产再平衡,与Betterment 和,LearnVest 合作为用户提供数字化资产配置服务2015年11月终止与Betterment的合作2016 年7月推出Fidelity Go,成立于1946 年,创新型公司：Wealthfront,Part 3,开户门槛($)5,000根据风险问卷了解客户偏好,费率(%)0.25给出投资组合,管理资产($)30亿监控并定期调整投资组合,创新型公司：betterment,Part 3,正式运营2010,管理客户16万,管理资产 ($)49亿底层资产及投资范围6 种 股 票 基 金 / 7 种 债 券 基 金,美国股票美国政府债券,其他发达国家股票公司债券,新兴市场股票新兴市场债券,分红股票市政债券,美国大型中型和小型公司股票防通胀证券,创新型公司：Personal Capital,Part 3,完全分散化的组合至少70 只独立股票的样本,ETFs 组合,所有用户账户汇总到同一虚拟账户,为客户提供清晰的资产配置情况图表底层资产及投资范围美国股票 / 固定收益证券,线上、线下服务,创新型公司：SigFig,Part 3,2012 年上线,2016 年5月与UBS达成战略合作关系,2016 年3月管理资产达9,400万美元底层资产及投资范围指 数 ETFs,国际案例小结 1成熟型公司,Part 3,国际案例小结 2创新型公司,Part 3,国内案例：璇玑数字化资产配置系统适用人群：可投资产在 30 万 300 万元的中产阶级互联网金融平台资产管理行业商业银行三方财富管理机构互联网流量企业企业理财TO B 端产品璇玑服务对象,Part 3,Part 3,财富管理机构的痛点单一产品销售不可持续客户经理流动性大、效率低、无法开拓更多客户源没有进行标准化资产配置的执行能力利润来源依靠销售佣金与客户利益潜在冲突,TO C 产品灵玑操作步骤,登陆注册,填写风险问卷,确定风险等级,大类资产配置,交易执行,7 x 24小时监控组合再平衡,Part 3,有效前沿,数据处理模块,数字化配置模块,机器学习与统计分析,产品大类资产化体系,智能产品级相关度算法,定制化资产配置组合十五种美元大类资产,异常产品替换逻辑十种人民币大类资产,产品筛选模块大类资产有效配置,底层资产美股,底层资产公募基金,底层资产合作伙伴资产,可投产品级有效配置,美元企业营收增长,非结构化数据处理,用户行为数据用户资产数据用户风险偏好用户大数据分析,用户交互数据,个性化的最优投资组合资产相关度 收益/风险客户级MPT小数点后 边界解14位精度 搜寻计算,支持向量机逻辑回归Smart Beta,决策树集成分析市场趋势,交易优化模块交易触发规则交易成本交易时间,交易规模交易频率,不同用户交易公平性交易路径,系统构架支持,全时多备份高可用系统监控、预警排查全支持授权认证体系,多维度OpenApi,多级缓存高响应系统模块化可扩展前端,React Native,价格 波动率结构化 指数数据处理市盈率,惊奇指数利率,璇玑如何实现有效的资产配置？四大处理模块,Part 3,璇玑如何实现有效的资产配置？四大处理模块,Part 3,美元企业营收增长,非结构化数据处理用户行为数据用户资产数据用户风险偏好用户大数据分析用户交互数据,价格 波动率结构化 指数数据处理市盈率,惊奇指数利率,数据处理模块数据处理模块,数据处理的目的在于通过自动下载价格、波动率、汇率等市场因子，从中找出有用的信息，判断市场状况，在投资组合理论的基础上，为模型提供更准确、更及时、丰富的数据。同时，璇玑通过量化模型，实现对庞大数据的极速处理，有,效提高了模型效率；非结构化数据处理通过分析用户行为、资产等个性化数据，实现对客户的生命周期管理。,璇玑如何实现有效的资产配置？,四大处理模块,Part 3,机器学习与统计分析,资产相关度MPT小数点后14位精度,收益/风险客户级有效前沿边界解搜寻计算,支持向量机逻辑回归Smart Beta,决策树集成分析市场趋势,系统构架支持,此模块主要包含对结构化数据和非结构化数据的处理。结构化数此模块运用投资组合理论，结合对市场各个资产的风险/收益的深度研究，依据算法匹配用户的风险等级与资产的风险/ 收益，最终生产不同市场标杆的配置方案。理论上来说，在同一风险下寻找最佳的收益率，或在同一收益率下寻,找风险最低的组合，通常需要海量的复杂计算。,以精确至小数点后四位为例，计算10 个资产的配置组合的可能性高达10 的36 次方，而通过璇玑团队开发的演算法，只需秒级时间就能完成最优配置计算。,数字化配置模块个性化的最优投资组合,璇玑如何实现有效的资产配置？,四大处理模块,Part 3,系统构架支持,产品大类资产化体系定制化资产配置组合十五种美元大类资产,智能产品级相关度算法异常产品替换逻辑十种人民币大类资产,大类资产有效配置,产品筛选模块可投产品级有效配置,面对国内ETF不足的困境。璇玑使用公募基金补充ETF，进行大类资产配置，以实现有效的风险分散。产品筛选模块的作用就是通过专门的程序，筛选产品完成对标杆指数最有效的拟合，而其中的宗旨是选择最适合整体模型预期走势的产品，而非选择业绩最好的产品，这是与一般智能选基金产品最大的不同。,璇玑如何实现有效的资产配置？四大处理模块,Part 3,交易成本交易时间交易规模交易频率不同用户交易公平性交易路径,交易优化模块交易触发规则,由于使用公募基金代替ETF，会大大提升申购费、赎回费等的交易成本，且国内市场交易规则复杂，不同基金的赎回到账户时间不一样，有T+0、T+3，甚至有T+7 等，用户的调仓需要若干天的过程，有可能会产生因为佣金和时效性而带来的损失。为了解决该问题，璇玑运用自创的璇玑算法TM，结合交易频率、规模、调仓规则、时间、摩擦成本等综合维度寻找最找路径，优化调仓逻辑，节省客户的时间和费用，进一步增强收益。可投产品级有效配置,璇玑案例小结,不同于传统投顾以销售产品为导向或者荐股荐基，璇玑以现代资产配置理论为基础，帮助中产阶级用户进行分散投资，将产品的风险等级与用户承受风险的能力匹配起来。,璇玑系统具有独特的四大模块（数据处理模块、数字化配置模块、产品筛选模块、交易优化模块），较好的解决了以人民币为基础进行智能资产配置的难题，开拓了中国数字化财富管理的重要方向。,Part 3,Part 4,数字化资产配置发展趋势,Smart Beta资产配置策略,基于风险预算的资产配置策略,Part 4趋势 1：理论数字化资产配置理论发展趋势,业务模式创新成为数字化资产配置发 行业发展的源动力展的生态一体化,从早期注重模型，转而着重对客户的认知和理解,早期切入市场以模仿跟踪美国模式为主受到国内金融市场内部结构限制财富管理机构成为数字化资产配置业务发展的主导力量,Part 4趋势 2：业务国内数字化资产配置业务的发展趋势：,Part 4趋势 3：监管,中国中国证券业协会关于进步加强证券公司客户服务和证券交易佣管理作的通知证监会发布关于加强经纪业务管理的规定的 11 号证券投资顾问业务暂规定中国证券业协会账户管理业务规则 ( 征求意稿 ),美国1940 年投资顾问法美国证券交易委