张晓燕：金融科技赋能智慧财富管理

文/清华大学五道口金融学院副院长、清华大学国家金融研究院副院长张晓燕

满足人民群众日益增长的 财富管理 需求，是新时代中国 机构投资者 面临的历史机遇。本文认为，个人投资者因选股能力较弱，自己进行股票投资的回报率较低，无法很好地实现财富的保值增值，这对于机构投资者来说是一个很好的发展机遇，且 人工智能 算法在资产配置方面确实已表现出了能提升机构投资者资产管理效率的潜力。

中国机构投资者的机遇与挑战

近年来，随着中国经济水平的日益增长，中国人均国内生产总值（GDP）即将突破1万美元大关，中国居民的财富也在快速积累。根据《经济日报》发布的《中国家庭财富调查报告2019》统计：2018年我国家庭人均财产为20.8万元，比2017年的19.4万元增长了7.49%。满足人民群众日益增长的财富管理需求，是新时代资本市场发展的重要使命，也是中国机构投资者面临的历史机遇。

另外，中国机构投资者也面临着三方面的挑战：

第一，中国的机构投资者面临着内在转型压力。随着资管新规要求资产管理业务不得承诺保本保收益、限制非标投资等举措的落地，中国资产管理行业正在进入一个规范化、高质量的发展阶段。

第二，中国的机构投资者也面临着外资竞争威胁。随着中国金融业加快国际化进程，在2020年前中国将取消外资对金融服务企业所有权的限制，欢迎金融领域有更多的海外机构参与竞争。

第三， 金融科技 也给传统机构投资者带来新的挑战。全球各国都不遗余力地大力推动人工智能技术在各个行业中的应用，中国政府也高度重视。2019年8月，中国人民银行印发《金融科技(FinTech)发展规划(2019—2021年)》中明确指出金融科技发展的重点任务之一是合理运用金融科技手段丰富服务渠道、完善产品供给、降低服务成本、优化融资服务，提升金融服务质量与效率，使金融科技创新成果更好地惠及百姓民生。

个人投资者实现财富的保值增值了吗

我们的第一个研究问题是，个人投资者自己是否有能力自己管理资产，实现财富的保值增值？为了回答以上问题，在我们团队最新的工作论文中（Jones、Shi、Zhang和Zhang，2019），我们对2016年到2019年期间中国某交易所全部5000万个交易账户的近50亿条交易数据进行了统计分析。从图1中可以看到，从成交量角度看，个人投资者占据全部成交量的80%。但是从图2的持股角度看，个人投资者只占流通股的21%，而机构投资者占17%，剩余60%是公司持股。这说明中国的个人投资者的一个特点是非常喜欢交易，而并不喜欢长期持有股票。个人投资者的这种投资行为会导致什么后果呢？他们的投资表现如何呢？通过对他们账户的分析，我们发现，平均来看，由于个人投资者的选股能力较弱，对公开信息处理能力有限，导致不同账户规模的个人投资者都是不怎么赚钱的。

金融科技能否助力机构投资者，帮助居民管理财富

由上面的研究我们可以发现，由于中国个人投资者的财富管理能力较弱，如果自己进行投资决策的话，很容易在股票市场并不能实现财富保值增值的目的。机构投资者作为专业的资产配置主体，显然在平衡投资的风险与收益、帮助客户管理财富上要做得更好。我们的第二个问题是，金融科技这样的新兴技术能否助力传统金融机构投资者提高资产配置效率？

机构投资者需要根据不同客户的风险承受能力，帮助客户进行科学的资产配置，而资产配置的核心问题在于需要对资产的未来收益率进行科学预测。 也就是需要根据科学的研究，选择未来一段时间表现好的资产，避开未来一段时间的价格下跌的资产。而股票收益率的可预测性一直都是金融学界研究的焦点。经典的有效市场理论认为股票市场不能被公开市场信息预测，然而越来越多的研究表明，很多变量（例如，利率、通货膨胀、投资者情绪、方差风险溢价等）都能显著地预测未来的股票市场收益率。除了市场收益率，能够预测横截面个股的收益率预测的股票特征更是超过400个，被戏称为“因子动物园”。在有了这么多因子后，个股收益率到底能在多大程度上被预测？到底哪些股票特征真正为样本外收益率预测提供了有效信息？人工智能算法能否提高预测结果？机构投资者能否利用金融科技提高股票资产配置赚取超额收益？为了回答以上问题，我们的第二篇工作论文（Wei、Wu和Zhang，2019）研究了不同的机器学习方法在中国股票收益率可预测性问题的答案。

研究中国股票样本外收益率可预测性的难点有以下三点：

第一，影响股票收益率的因素非常多，且信噪比非常低，在这种面临高维稀疏矩阵的情况下，传统计量经济模型会拟合过多的噪声，导致十分难以提取有效信息。

第二，股票预测特征变量与股票收益率之间的函数关系并不确定，如何捕捉预测变量与收益率之间的非线性结构是第二个难点。

第三，中国股票市场从成立到现在只有短短的二十几年，股票市场制度依然处于不断完善的阶段，有着自身的特殊性。在中国股票市场，构造有预测能力的股票特征，并探索哪些个股特征包含的信息含量更高，都是十分有挑战性的问题。机器学习模型在降维、惩罚项和泛函数等技术上的突破在解决以上问题上具有天然的优越性，目前机器学习技术已经成为金融领域中的应用前沿之一，特别是在预测金融市场运动、处理文本信息、改进交易策略方面。

我们研究主要发现有两点：第一，历史交易数据信息对下个月个股股票收益率依然有预测效果，且机器学习算法的样本外预测效果优于传统计量经济学模型。第二，机器学习算法与资产定价研究结合有显著的经济意义。如表1所示，高级神经网络等权重多空策略资产组合的绩效表现在所有模型中最好，在2010年到2019年10月的样本外测试期内平均年化收益率为35.76%，平均年化波动率14.82%；而基于传统线性模型，使用中国三因子（规模、价值和市场）股票特征进行加权选股，构造股票投资组合的年化收益率为15.60%，平均年化波动率为23.79%。同期沪深300指数的年化收益率为3.48%，平均年化波动率为23.97%。图3显示了三个不同投资策略的累计收益率表现情况，如果在2010年投资1元钱，到了2019年，投资于沪深300指数能得到1.18元，投资于人工智能基础算法策略能得到3.30元，投资于人工智能高级算法策略能得到26.27元。

从我们的两篇研究中可以得到以下结论：虽然中国个人投资的财富管理需求正在快速增长，但是目前中国的个人投资者的投资能力有限，自己进行股票投资的回报率较低，无法很好地现实财富的保值增值。 这对于机构投资者来说是一个很好地发展机遇，并且人工智能算法在资产配置方面确实已经表现出了能够提升机构投资者资产管理效率的潜力。

本文已标注来源和出处，版权归原作者所有，如有侵权，请联系我们。