主页 > 智能投顾市场 >

我买了百瑞赢的服务了A股大跌如何利用智能投顾避险?

时间:2021-12-28 16:11

作者:江苏百瑞赢智能投顾专题网点击:

  近期A股市场持续震荡下行,上证综指从年初3500点左右高位跌至5月下旬的3200点左右,直至截稿时跌破2800点。此间,沪深300和中证500,以及反映中小市值的中证1000和创业板指数也同样出现了下跌。受各类因素影响,投资者情绪低迷,风险偏好开始下降,也加速了股市走势弱化进程。

  不少重仓A股的朋友问我,有没有一种更好的资产配置技术和方式,来提升市场预测准确率,同时帮助他们脱离个人和市场情绪的影响,做出更加“理性”的投资决策?我想是有的。

  说到资产配置,大家往往都会想到耶鲁投资模式,也就是构建出一套完整的机构投资流程和严谨的投资原则,以避免受到市场情绪左右,包括投资目的的设定、资金的进出、资产负债的配比、资产类别的划分及配置、投资品种和投资工具的选择、风险控制、基金经理的选择等。

  当前我们处于讯息爆炸的时代,除了利用传统的基本面尽调、推理等方式外, 能否更多地运用数据分析与AI算法做好投资决策,也是许多金融投资或算法投资专家所关注的问题。在过去两年的研究中,我们发现确实能找到一些简单的规律来帮助作出投资决策分析,而金融大数据和机器学习的应用则能让投资更加精细化,预测也更准确。

  案例1- 2018波动回升预估:多数投行分析人士认为2018年中国市场基本面向好,却可能伴随高波动,提示了高波动和股市的正相关关系。然而我们必须认识到,波动回升对于不同市场的隐含意义也可能大不一样。

  以A股为例:今年市场波动增强而大盘跌至22个月的新低,看似可以得出两者负相关的结论。然而回顾2005-2007和2014-2015,期间A股就出现过波动大幅提升且指数同样飙升的情形。统计数据显示,自2005年以来,当前波动率大于180天平均波动率的日期共计2186天,该情况下未来30天的沪深300下跌次数仅991次,意味着以波动回升来预估指数下跌的预测准确性仅为45%。

  由此我们有理由认为,波动回升对于A股走势不一定具有参考性,我买了百瑞赢的服务了甚至可以说在波动回升的情况下,未来30天A股上涨的概率还高于下跌的概率。但是,我们如果加入其他的特征考量,例如增加同期人民币贬值超过3%的条件,此时预测A股未来30天为下跌的准确度便提升至81%。

  一旦预测准确度提升,投资者在进行资产配置时的策略就会更加明晰,投资收益也更符合预期。单就今年以来 (截止6月25日)已下跌超过13%的上证综指来说,投资者是选择低配或高配该资产,会显著影响到自身的财富状况。

  案例2- 2018新兴市场:据统计,美联储持续升息对于新兴市场反而有利。尤其是,新兴市场的市盈率通常低于成熟国家,这对于投资者更具吸引力。数据显示,自2005年以来,美国共升息18次,升息后30天新兴市场股价上涨的次数为13次,确实印证了上述观点。

  然而今年以来(截止6月25日),美联储已经两次升息,MSCI新兴市场指数却逆势下跌超6%,我买了百瑞赢的服务了难道数据分析再度“失效”?

  实际上,“失效”的原因可能仍然是缺乏更细致的数据分析。 我们如果将资金流动的参数纳入,或许就能看出一些端倪(例如以美元上涨指数来衡量美国市场的资金流入(即资金流出非美市场))。例如,美联储升息的情况下,同时考虑美元指数过去30日上升超过3%的情形,则会发现未来30天新兴市场股价的下跌概率高达82%。

  由此可见,多加一个数据特征参数,分析结果截然不同,这让我们更加确信金融大数据是一门精细化的科学投资方式。

  再来说说机器学习算法。对比传统量化分析,机器学习算法主要解决了几个大的难点,包括 (a) 对于大量重复事件的特征能快速寻得最优解;(b) 减少人为干预,降低不必要的认知成本;(c) 可结合线性、非线性算法,且不同方法之间可以拼接,模型灵活性较大。

  当然,任何事物都应辩证来看。机器学习算法应用于金融领域仍有一定的局限性,比如无法精准预估新政策、新议题的不确定性,以及市场对此乐观、恐慌程度的持续性;复杂的模型容易过度拟和或发掘数据中偶然的非实质关系;深度学习需要大量数据支撑,造成优化时间过长。

  机器学习可以对市场风险因子数据进行有监督的学习,包括基本面、技术面、筹码面等数据,并做出市场收益的对应估计。下图展示了美国股市运用决策树分类器作为因子分析的案例。分类器的应用类似于策略分析师将未来投资建议分成买入、卖出、中性、增持、强烈推荐等不同类别,投资人可以此作为资产配置依据。

  但事实上,我们发现单一分类器的后验准确度,往往与掷硬币的概率相差无几,因此可以采用二次学习器作为改善。所谓二次学习,就是运用第二层机器学习算法寻找不同规则下,何种分类器最适合当下市场环境,以作为投资判断依据。

  研究表明,二次学习能大幅提升投资方向的后验准确度,因此我们可以利用这个较高的后验准确度去调整、配置模型参数。例如,使用马科维茨模型时,可以调低单一市场的配置上界,作为降低或上调单一市场配置下界的约束条件,避免超配;或者在风险预算模型中,基于方向预期来调整单一市场风险因子权重,由此便能基于数据、投资分析与具体配置等维度打造出科学、系统的解决方案。

  机器学习的应用,可以在宏观层面上结合配置理论为投资者提供咨询和操作建议,而金融大数据的运用则能够在微观层面体现配置价值。因此我们不难发现,机器学习结合金融大数据的应用,已能全面满足资产配置组合的技术需求。对于金融机构与资产管理公司来说,加强培育金融科技研发人才,也应成为未来几年的重要发展策略之一。返回搜狐,查看更多

  

智能投顾怎么投

热图 更多>>
热门文章 更多>>