清华大学金融科技研究院孵化
金融科技与金融创新全媒体

扫描分享

本文共字,预计阅读时间

文/中信建投证券首席信息官肖钢,中信建投证券信息技术部张赫麟、王文峰

(本文为“证券机构数字化转型与证券科技创新”征文活动精选文章。)

摘要

随着《资管新规》及基金投顾试点业务逐步实施,专业和普通投资者财富管理中基金产品配置需求日益旺盛,然而投资者识基难、选基难和配置难的问题普遍存在。商业银行发展智能投顾,互联网公司与国内外专业投资机构合作布局相关财富管理数字化解决方案。证券公司须借助AI及大数据等科技手段,结合专业投研能力进行财富管理数字化转型和业务创新。中信建投运用大数据技术处理异构数据,基于AI算法提升分析维度,整合金融模型形成数字化、智能化的基金投研平台,为经纪客户、投资顾问、基金研究员以及FOF基金管理人赋能。平台提供智能化基金画像、深层次基金经理分析、多模型基金优选和一键式组合配置服务,将基金投顾业务从线下走到线上,将基金分析由静态基础走向动态精细,将财富管理由被动走向主动,提供科学、标准、有效的财富管理解决方案。

第一,基金投资顾问业现象

截止2019年12月中国基金业协会公布数据,公募基金存续产品数量6819只,私募基金存续产品数量85071只,已远超A股市场股票数量。在需求端,随着注册制的逐步有序实施、外资准入持续放开,股票市场去散户化进程加快,资本市场投资者结构不断优化,基金成为投资者财富管理方案中不可或缺的选择。然而中基协在《2019年中总结及下半年计划》中提到,公募基金无法摆脱“基金赚钱、投资者亏钱”的怪圈,专业价值得不到充分发挥,投资工具属性弱化,基金投顾市场缺少从投资者需求到大类资产配置再到最终资产组合的完整生态。

随着公募基金投资顾问试点的启动,监管层引导市场逐渐由“卖方投顾”向“买方投顾”转型,表1基金投顾获批进展表,包括基金公司、基金销售公司、商业银行和证券公司都已参与这一试点业务。

表格1 基金投顾试点进展 中信建投证券整理

商业银行依靠线下网点优势与品牌效应把控销售渠道,赚取中间业务收入。同时发展智能投顾等创新业务,吸引高净值客户,优化客户结构,增加客户黏性。2016年12月,招商银行推出了“摩羯智投”智能投顾服务,2017年11月,工商银行推出“AI投”智能投顾服务。

互联网基金销售公司依赖线上流量优势和规模效应服务长尾客户,基金销量和保有量持续上升。同时陆续加快同专业投资机构合作程序及节奏。2019年9月腾讯数码与中金公司订立股东协议成立合资技术公司。该合资公司拟通过提供技术平台开发及数字化运营支持,助力财富管理和零售经纪等业务实现更加便利化、智能化、差异化的财富管理解决方案。2019年12月蚂蚁金服与先锋基金Vanguard宣布建立合资公司,未来在支付宝综合财富管理平台上为用户提供定制化服务,将Vanguard投资理念和策略与蚂蚁金服的数字化平台和技术相结合,为投资者提供最低投资金额800元的低门槛定制化服务,推动其理财业务进一步发展。

第二,基金投研平台智能化方向

目前券商财富管理业务智能化布局集中在股票领域的智能推荐、智能投研、快速交易和量化投资等,相比银行和互联网机构内生和外延式智能化进程,证券公司基金领域智能化和数字化程度不足。参见图1,基金投研模式需在基础数据、投研分析和服务模式等多方面转型升级,建立智能化基金投研平台提升服务质量和效率。

图表1基金投研平台智能化方向

首先是基金投研所需基础数据。原有分析数据依赖基金销售方提供销售资料,客观性和全面性存在瑕疵。面对现有基金资料的多渠道、异结构、大容量,智能化基金投研平台需对接异构内外部数据源,利用大数据技术封装处理非结构化数据,完成本地化存储,对上层应用提供统一接口。

其次是基金投研分析过程。传统模式信息加工主要依赖于财富顾问个人研究水平,研究结果差异性较大,历史复现程度不高,研究规模不经济。尽调过程中过于关注短期历史业绩,主要参考历史收益率、夏普比率及最大回撤等基础指标。智能化平台需将经济学模型和金融学模型分析过程数字化,使得定量分析的指标做到统一精准,形成涵盖基金分类和概况、收益风险测算、投资能力刻画、多因子模型评价、业绩持续能力验证、情景压力测试的深度量化体系。此外,平台将借助机器学习、深度学习等人工智能技术优化传统模型。一方面将线性关系扩展到非线性,提升基础金融模型实际应用效果,如图2为不同算法对同一分类问题的解决结果,小图展示算法分类效果和准确率。另一方面利用人工智能技术进行特征选择和特征挖掘,发现优质指标进行定量分析,整合形成智能化基金画像。

图表 2机器学习算法的表现差异

第三则是服务模式的差异。线下服务针对性弱、一对一模式导致工作效率不高且难以形成有效的投顾反馈及评估。智能化基金投研平台通过线上平台扩大投顾业务服务半径,结合客户分析数据提升服务针对性,将艺术化投资建议转变为科学化投顾策略。通过合理评估引导,将服务模式由重销量过渡为重保有量,从传统代销转变为投顾服务,走出“基金赚钱、投资者亏钱”的怪圈。图3为卖方投顾和买方投顾模式图解。

图表 3卖方投顾与买方投顾图解

最后,专业机构投资者的基金投资业务之前多采用被动委外模式,研究过程依赖定性分析及风格归因。随着“资管新规”、“银行理财新规” 和“证监会资管新规”的发布实施,专业投资机构将更多借助FOF、MOM产品,通过公募基金参与权益市场,对基金研究分析的需求日益专业化、常态化。证券公司应建立全流程智能化服务的主券商系统平台,提供投前基金智能分析、投中组合优化管理和投后动态跟踪的全流程服务。

第三,中信建投智能化基金投研平台

中信建投发挥自身科技领域创新实力与业务服务专业素质构建智能化基金投研平台为基金投顾以及财富管理业务赋能。对外服务高净值个人和专业机构,对内支撑投顾和基金研究分析人员。各项服务及模块已陆续在中信建投蜻蜓点金APP、客户经理CRM客户端、中信建投大类资产配置平台及中信建投机构服务平台中上线。在蜻蜓点金APP上线基金大数据版块,为客户提供公募基金六维能力的刻画;上线基金智能推荐,在客户智能画像的基础上根据客户交易行为推荐优选基金;上线智能定投功能解决客户基金投资中追涨杀跌的问题。建设基金分析及回测平台,支撑公司开展基金投顾业务。建设中信建投机构服务平台,为专业机构投资者提供基金研究和组合配置功能。建设中信建投大类资产配置平台,辅助分析师进行基金分析和FOF研究。

图表4中信建投智能化基金投研平台架构

同时在CRM上线投后分析与基金分析功能为公司投资顾问赋能,辅助其懂客户、识基金、知联系,提升服务效率和水平。

图4为中信建投智能化基金投研平台的架构,从下往上依次是基础支撑、金融模型、业务功能和客户服务。基础支撑由数据和AI+算法组成。数据模块中第一部分涵盖Wind、聚源、东财等基础数据,平台对不同数据源交叉验证保证数据质量,进行归类封装屏蔽底层存储结构差异,方便上层模型透明化调取。第二部分数据通过搭建Scrapy爬虫组件,从互联网公开渠道获取。具体包含基金市场整体统计数据、基金管理人跨渠道公开采访交流及调研内容、基金产品舆情关注数据,数据流程见图5。最后一部分数据是公司内部数据,包括股票市场行情、多因子模型指标、客户交易分析数据等。另一技术模块AI+算法基于PyTorch开源机器学习平台和Spark内存计算引擎,封装了机器学习中特征工程、分类、聚类、回归等算法和弹性分布式数据集RDD的算子过程。算法主要为解决实际应用服务,具体内容在介绍金融模型实现及功能服务的时候一并阐述,形成“应用-模型-算法”的整体解决方案。

图表5互联网数据持久化组件

3.1 多维度智能化基金画像

中信建投智能化基金投研平台的基础服务是多维度基金画像,帮助投资者体系化、定量化调研基金属性,完成“识基”过程。根据指标复杂度,我们将其归结为概览与分类、盈利及胜率、风险调整收益、六维能力评价、多因子分析、Brision归因、业绩持续能力检验和基金分解八个子类,每一子类包含多个子属性,见图6。

图表6智能化基金画像

概览与分类展示基金基本信息、规模、净值曲线、申赎费率及规则。基金类别是基金投资特性重要表征,目前基金二级分类颗粒度较大,无法形成基金有效区分,智能化平台提出DAC动态自适应分类算法。DAC基于基金运行实际情况完成动态化、智能化、标签化的分类过程。针对基金净值表现在设定周期中的宽基指数、行业、SmartBeta风格上分别进行Return Based Style Analysis(RBSA),实践过程中采用Lasso回归解决基础标签存在的多重共线性问题。计算回归解释系数决定是否适合当前归类,如适合则根据子类回归权重进行赋值完成标签化。DAC算法一级标签的统一利于基金对比,二级标签的自适应展现特性多维化。如图7,银河创新成长与易方达中小盘在基金二级分类中均为偏股混合类基金,通过平台DAC算法直观比对基金底层分类异同,解决基金名字与实际投资标的匹配性问题。

图表7智能化基金分类

另外通过DAC算法可在基金季报披露前快速识别基金是否存在投资风格变动。如下表2为国泰互联网+基金从在2018年9月到2018年12月的DAC分类测算情况,表3为中报、三季报和年报中的前十大重仓。测算出来的分类情况与中报、年报披露持仓数据计算的结果基本一致,但时间周期上可提前2-3月预警风格变动。

表格2基金风格迁移智能化诊断

表格3基金定期报告十大重仓数据

评级模块包括三部分。第一部分为目前公允的第三方评级数据。第二部分是由智能化平台基力值算法CSFP完成评级。CSFP算法针对多维度特色指标引用特征工程进行指标筛选,综合基金历史能力变动和截面能力排名计算单指标分值,指标间分组削减同类多指标正反馈,加权分组得分映射正态分布得出最终评级。第三部分则是考虑到不同客户的风险约束、流动性要求和风格偏好差异,支持客户基于规则范式定义评级规则,平台根据客户个性化规则实时计算。

六维能力评价通过在整体指标上分析,从投资角度出发整理直观易理解的能力范畴,每一能力维度根据基础指标进行加权,汇总形成整体画像。能力范畴包括赚钱能力、抗风险能力、攻守兼备能力、择时能力、选股(债)能力和管理人经验,如图8所示。

图表8基金六维能力评价

盈利及胜率和风险调整收益中所列的指标按照经典金融学模型计算。考虑到计算复杂度及数据更新时效性,平台采用并行处理框架,封装计算执行算子,解耦模型的设计与执行,保证任务高效准确。在指标应用中支持不同时间周期、不同时间频率的历史数据展示,同样还提供目前市场该指标的分布情况,方便投资者准确定位。

多因子分析采用业内认可度高、理论完善并广泛应用于投资中的多因子模型对基金进行分析。通过多因子分析一方面获取基金的风格情况,结合历史多期的风格时序判断基金是否存在风格漂移。另一方面可检验基金超额收益能力,如果主动基金组合针对多因子定价模型没有统计学显著的未解释收益,则其超额收益能力值得怀疑。平台除了经典的MSCI Barra结构化风险模型和FamaFrench经典三因子模型外,引入A股四因子模型,该模型参照FF3因子设计过程,但在A股实证中拥有更高的解释性。针对传统的三因子模型,选取EP来代替BP作为价值因子的衡量,引入流动性指标作为情绪因子。定义情绪因子=月度换手/年度换手,采用FamaFrench因子分组研究体系,参见表4,情绪因子收益率=1/2*(SP+BP)-1/2*(SO+BO)。最终通过市场、市值、价值和情绪因子进行多因子定价模型检验,判断主动基金的风格及超额收益情况。

表格4  A股情绪因子分层划分

Brision归因将投资组合的实际收益与市场基准收益进行比较,将两者之间的差额部分分解成基金经理决策过程对应基准收益、个股选择、资产配置以及交互收益。个股选择为在行业内部超配或者低配个股带来的超额收益。资产配置为超配或者低配资产行业带来的超额收益。交互收益为超配有正向选股能力的行业、低配负向选股能力的行业带来的超额收益。

业绩持续能力验证通过基金定期超额收益自回归验证其是否可以稳定保持业绩水准。这里超额收益的定义可采用每期所有同类基金的排名定义,也可采用多因子模型剔除市场风格影响后的Alpha能力进行衡量。双向表分析方法主要是用来检验整体基金是否具有业绩持续能力,首先将基金业绩分为排名期和评价期,然后将业绩进行排序,高于中位数记为“W”,低于中位数记为“L”,根据业绩变化得到WW、LL、WL和LW,之后计算交叉积率CPR进行z分布验证。

基金分解主要是通过基金报告数据和持仓穿透算法展示对基金资产、行业、重仓、风格的分解情况。如图9,左图展示股票及偏股类基金在市值及价值成长维度的分解,右图展示债券及偏债混合基金在信用质量和利率敏感上的情况。

图表9基金风格分解展示

3.2 深度基金经理分析

基金业绩是基金经理投资逻辑与投资实践的外化表现。完成多维度基金画像后,平台针对基金经理进行了深度分析,辅助投资者从源端更好展望基金未来。分析包括基金经理基本信息、基金经理指数、基金经理聚类、基金经理对比及基金经理调研纪要等内容。基金经理基本信息为基金经理履历,包含学历、专业、从业履历、从业年限、投资年限、历史产品业绩及获奖情况。

图表10基金经理指数

基金经理指数基于基金经理历史管理产品合成其职业生涯的净值曲线,其中合成过程中采用智能填充算法解决历史产品头尾部噪声问题,并结合已披露基金规模进行动态伸缩加权,另外基金经理指数支持客户定制合成分类,如客户可选择是否包含偏债类、QDII类及自定义加权方式。图10为第十七届中国基金业金牛奖五年期股票型基金获得者过去5年(20150105开始)的基金经理指数。

图表 11热门基金经理聚类结果展示

基金经理聚类和基金经理对比方便用户快速进行基金经理的分类及比较,通过不同类别基金经理组合配置来降低组合风险满足多样性要求,也可同类基金快速寻找风格相似基金进行替代优选。如图11为利用层次聚类算法对热门基金经理的聚类分析结果,热门是通过所管理基金在互联网社区中的讨论程度定义。聚类结果很好的对基金经理进行了区分,左边绿色部分的基金经理主要为债券及混合偏债,右边为股票、混合偏股及平衡混合类基金。平台提供主成分分析PCA算法将基金经理特征映射到三维空间,方便客户直观感受基金经理间的差距。聚类和对比既可展示默认热门基金经理、优秀基金经理、获奖基金经理等分组,也支持客户自行编制基金经理池进行分析。

调研纪要为深度基金经理分析最后一个功能,主要包含三块内容:第一、基金经理在基金定期报告中披露市场展望数据,附带历史行情数据辅助验证;第二、公司内部研究人员对公募基金经理的主动调研分析情况;第三、基金经理网上公开路演、采访等相关资料。

3.3 多模型基金优选

多模型基金优选支持用户通过基金特征条件形成初选基金池。专业用户如研究员及投顾人员可根据基金画像主动筛选,平台同时封装指标打分法和AI分类模型提供被动优选,如图12。特征条件包括标签属性、能力排名和场景特征,标签属性为基金属性中只能归结为统计学中类别指标和顺序指标的属性,如行业分类、风格偏好、奖项评级等;能力排名即统计学中的数值型指标,其中表达方式支持原始数据筛选、相对分位数排名两种方法,如最大回撤<10%、选股Alpha能力前10分位等;场景特征为平台自定义指标,不同指标对应专有计算模型,如分析师推荐指标为基金研究人员推荐的优选基金,牛市增强指标为基准指数上升阶段Alpha能力排名靠前的基金,风格轮动指标为风格变动明显且SmartBeta暴露正收益的基金。

图表 12基金优选过程

公式1打分加权算法

通过指标筛选得到的初选基金池,可进行主动增删改查,也可以通过配置模型进行优选。模型包括指标打分法和AI分类算法,指标打分法提供了配置模型方便用户在打分基准上增删指标、修改权重,最终输出基金的评分数据,其中收益类等正向指标α为1,衡量波动性等负向则其为0,加权方法参见公式1。

图表 13 AI算法智能化分类过程

指标打分法的优点在于逻辑清晰、计算过程简单,针对得分可快速归因,但打分过程是站在当前截面时点对基金历史进行评判,并非预测基金未来表现。平台构建AI分类算法,首先集成非线性支持向量机、随机森林和深度神经网络等模型将原有的线性映射提升为非线性映射。其次考虑到任意时间点只能得到当前的指标数据和上期分类的评价数据,因此采用滚动训练来优化模型对基金未来表现的预测能力。如图13所示,利用t期形成收益风险数据对基金进行标签化分类,形成基金评价t期数据,用来评估t-1期指标的分类情况,即Y(t-1)。回溯计算上一时间点基金的属性指标,得到X(t-1),通过X(t-1)和Y(t-1)对算法模型进行进行有监督训练。选取评估指标优异的算法模型,利用当期基金的截面指标,即基金指标t期数据X(t)进行计算得出未来基金风险收益评价。

3.4 全流程组合配置

基金组合配置服务在完成基金或基金经理分析,筛选好优选基金池后,根据客户需求与偏好生成合理的组合配置方案。资产配置模型支持马科维茨均值方差模型、Black-Litterman观点调整模型以及RiskParity风险平价模型。

马科维茨模型计算各类基金的预期收益率、预期波动和相关关系,然后根据客户的配置要求如最大收益、最高夏普、最小风险、目标收益和目标风险等,生成组合配置比例。同时为客户提供蒙特卡罗模拟和有效前沿,如图14,方便更直观的了解组合情况。

图表 14蒙特卡罗模拟和有效前沿

Black-Litterman模型主要解决马科维茨模型过于参数敏感的问题,支持客户输入资产收益的观点,采用贝叶斯算法利用观点收益分布优化原有的先验收益分布形成后验收益分布,基于配置要求生成优化配置结果。客户观点支持绝对观点和相对观点。绝对观点为基金的绝对收益,如基金A月度收益为1.9%;相对观点为基金收益间相对关系,如基金B和基金C月度跑赢基金A 的收益为0.9%。

图表 15基金组合优化功能及流程

RiskParity模型的核心是通过配置风险来完成资产组合配置,使得每个基金对组合风险贡献程度一致(或按计划比例)。平台允许客户自定义资产风险配比,最终配置方案中每只基金对组合风险的贡献比例与客户需求一致。

通过优选基金差异、配置方案不同以及客户风险偏好高低,最终生成千人千面的组合配置,避免持仓集中,满足客户收益目标要求。图15为基金组合优化功能及流程,平台根据客户选择的资产配置模型快速生成基金组合配置方案,针对当前配置方案同时提供组合历史走势、风险收益指标分析、压力测试、情景测试等功能。客户对配置方案满意后可将其添加为自选模拟组合,进行跟踪查看,平台每日生成最新净值、持仓及风险预警等信息。

3.5评估与改进

智能化基金投研平台为投顾人员、投资者、基金研究员以及FOF基金管理人提供从基金分析到基金优选,再到组合配置及模拟跟踪管理的全流程专业化基金投研服务。通过跟踪现有服务反馈,仍存在进一步改进空间。首先是债券型基金分析深度,目前智能化标签、持仓穿透估计等功能主要针对股票型和混合型基金,债券型基金依靠净值风险测算和信用久期分析,风格刻画和特色化数据不足,后续将增加波动性衡量及尾部风险分析工具。第二是投资标的覆盖广度,目前私募基金产品存量和发行速度都远超公募基金,考虑到机构投资者和高净值客户多品类资产需求,后续将增加私募基金、债券等固收类产品扩充资产池,争取可投资资产全覆盖。

第四,总结和展望

随着大数据、人工智能、区块链等新兴技术的快速发展,通过信息化支撑,数字化赋能,智能化创新,金融科技与业务的高融合将成为公司发展的核心竞争力。2020年1月中信建投非公开发行股票方案已通过中国证监会审核,募集资金中将有不超过10亿元进行信息系统建设。公司从股东计划到管理层方案,再到员工日常工作都在踏实践行数字化转型与金融科技创新。

财富管理领域面临客户差异性大、产品结构复杂度高、行业内外竞争激烈等多重难题。中信建投坚持通过科技与业务的结合提升服务水平,为行业内外输出优质科技实力与专业投研能力,促进财富管理转型和行业整体发展。

[Source]

本文系未央网专栏作者发表,属作者个人观点,不代表网站观点,未经许可严禁转载,违者必究!首图来自图虫创意。

本文为作者授权未央网发表,属作者个人观点,不代表网站观点,未经许可严禁转载,违者必究!首图来自图虫创意。

本文版权归原作者所有,如有侵权,请联系删除。首图来自图虫创意。

评论


发表评论
您的评论提交后会进行审核,审核通过的留言会展示在上方留言区域,请耐心等待。
猜你喜欢

扫描二维码或搜索微信号“iweiyangx”
关注未央网官方微信公众号,获取互联网金融领域前沿资讯。