“技术贴：怎么利用人工智能实现资产配置”

本篇文章2364字，读完约6分钟

本文是微信公共平台:最早在阿尔法工厂发表的。 文案是作者个人的观点，不代表网络的角度。 投资者据此，风险请自己承担。

但是很多人不知道资产配置的基本原理和具体运用。

实际上，(1)市场解体，(2)配置理论的应用，(3)再平衡方法(所谓再平衡，是指在资产组合因市场变动而偏离原来状态的情况下，通过尽快调整资产比例来实现组合的再平衡，

事实上，我们建立了一套完全不受机构投资流程和市场情绪影响的严格投资，包括投资目的的设定、资金出入、资产负债配比、资产类别的划分和配置、投资项目和投资工具的选择、风险管理、资金管理者的选择等。

在民间银行和财富管理界，资产配置有严格的要求，必须以“大分类资产配置”为基础，证明不基于1股。

大分类资产是指股票、债券、不动产、黄金等“大分类”资产，这些资产之间有分散性，是资产配置的基础。

无论资产配置的背景是人工还是计算机，这三个部分都是必不可少的。

但是，随着大数据技术和机器学习技术的普及，资产配置趋于智能化。 在这里结合我们的经验来分享，谈谈机器学习是如何被资产配置采用的。

资产配置的理论选择

模型开发者可以根据市场情况，利用不同的配置理论和重新平衡方法为投资者提供智能配置和仓库调整服务，我们列举了三种常见的配置组合类型

(1)懒惰的组合(1/n ) :

在这个组合方法中，假设4个投资地，各自配置了25%，但懒人组合中经常使用的调仓方法有3个。

( a )购买和保留政策( buy-and-hold strategy )

( b )一定的混合策略( constant-mix strategy )

( c )固定比例投资组合保险政策CPI (恒定投资组合政策CPI )

方法( b )以稳定混合战略为例，在一定期间后其配合比与原来的配置不同时，我们来看看触发器调整如何重新平衡。

首先，设置在美国股票市场、中国股票市场、债券市场、黄金各25%，设定季度进行调整。

风险平价是对投资组合不同资产分配相同风险权重的资产配置理念，通常股票、商品投资风险高，债券风险低。 这是为了在配置时降低高风险资产配置，使贡献的风险相同。

假设资产关联性相等时，用risk-parity计算某种资产I薯时，其配置权重表示如下，但由于risk-parity不考虑收益，因此只考虑变动率(风险)，在实际应用中良好

这个普遍的应用是fund of funds (fof )的配置模式，所以大家看完公式后，你觉得你也能成为fof投资经理吗？

例如来自斯坦福大学和谷歌的学者共同发表了论文“deeplearningstockvolatilitieswithgoogledomestictrends”，利用google的搜索倾向数据和递归神经元的学习方法

因为如果操作得当，可以为使用risk-parity的方法提供更好的配置结果。

公式如下。

这条曲线越向右投资组合风险越高，但相对收益也越高，也符合通常对高风险应对高收益的认识。 既然有了这个特征，我们就可以选择风险选择对应不同顾客属性的配置方案。

因为这个比较有效的前端组合是资产配置的理论基础。

构建资源布局组合的三个关键点。

研究表明，目前马尔科维茨的平均方差——比较有效的前沿理论是资产配置组合的基础。

今后，可以导出三个结构模型的关键点: (1)如何估计风险，(2)如何估计收益，(3)如何正确分类顾客属性。

(一)估计风险

关于第一点的解决，可以采用刚才提到的deep learning的方法改善风险推测的困难性。

(二)预期收益

关于第二点收益估计部分，活用机器学习的利益是输入数据的形态限制很低。 线性/非线性学习； 自我进化，修正等

机器学习可以监督学习模型因子，因子的选择包括基本面、技术方面、芯片方面数据，可以进行市场收益的对应估计。

下图显示了在美国股票市场上使用决策树因子模型分解收益的示例。

用以下三种方法估计收入。 一个是支持向量机回归模型( svm )，另一个是线性回归模型。 这两种模型的分解系数包括利率、股价收益率、股价收益率、股价收益率、成交值、隐式波动率、macd、kd等。

三是普通人最常用的东西，直接使用过去几年的市场趋势来预测未来的市场。 请看下图。

——灰色曲线: svm regression用支持向量机( svm )预测资产收益的组合表现。

——橙色曲线: linear regression通过线性回归预测资产收益的组合来表现。

――蓝色曲线:直接使用过去3年的平均收益率预测资产收益率的组合表现。

——涵盖市场:美国、欧元区、日本、澳大利亚、拉丁美洲、新兴欧洲、亚洲日本、中国、商品、reits、海外投资等级债务、海外新兴市场债务和海外高收益债务

——调整频率:月

(3)顾客属性分类

最后第三个是按顾客区分的机器学习部分，坦率地说，迄今为止金融机构最掌握顾客的数据，通过记录顾客的支出喜好、收入状况、年龄阶段，可以推荐顾客可能需要的贷款、融资等金融产品。

机器学习收集顾客数据，规则地解决，变换成同一个维度的特征向量，通过聚类、回归、相关等各种分类器。

rfm模型是顾客价值研究中的经典模型，根据近( recency )、频率( frequency )、额( monetary )三个指标对顾客进行聚类，找到有潜在价值的顾客，帮助企业决定，妈妈

但是，大多属于单一金融产品的营销，适合战略投资配置的推荐，承担适合马尔科维茨风险的配置应用还不成熟。

这通常是一种符合监管的主动风险划分方法，因为它根据模型优化解帮助客户提供投资资产组合。

综上所述，机器学习对资产配置组合的应用实践非常丰富，对金融机构和资产管理企业来说，加强金融科技研发人才培养可能是今后几年的重要任务。

复印来源:微信公众平台阿尔法工厂