褚福銀 張秋林 趙智豪 楊路

摘要：隨著中國(guó)市場(chǎng)經(jīng)濟(jì)的不斷發(fā)展，國(guó)民收入不斷提高，國(guó)民投資熱情高漲，投顧市場(chǎng)較為活躍但也面臨諸多風(fēng)險(xiǎn)與挑戰(zhàn)?，F(xiàn)代高新技術(shù)也得到推廣普及，兩者相結(jié)合的智能投顧領(lǐng)域也成為熱點(diǎn)，具有巨大的發(fā)展?jié)摿?。通過(guò)大數(shù)據(jù)背景下的數(shù)據(jù)獲取，處理與分析，建立相應(yīng)的金融模型，再通過(guò)大數(shù)據(jù)反饋來(lái)不斷完善模型與算法，打造用戶畫(huà)像中心和金融看板，成為新的行業(yè)增長(zhǎng)點(diǎn)。

關(guān)鍵詞：智能投顧;金融模型;大數(shù)據(jù)平臺(tái)

中圖分類(lèi)號(hào)：TP311

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）08-0003-02

美國(guó)金融危機(jī)，人工投顧弊端暴露，投資者尋求一種低風(fēng)險(xiǎn)高回報(bào)的高效投顧方式，智能投顧由此誕生并迅速發(fā)展。美國(guó)智能投顧企業(yè)主要由創(chuàng)業(yè)公司發(fā)展和傳統(tǒng)的投資顧問(wèn)轉(zhuǎn)型形成，其將極其豐富的市場(chǎng)經(jīng)驗(yàn)和成熟的運(yùn)營(yíng)模式結(jié)合，為客戶提供完整的投資組合建議，并基于美國(guó)的國(guó)家體制和稅收制度，能產(chǎn)生避稅效應(yīng)，這也加速了智能投顧發(fā)展。相較美國(guó)，中國(guó)的智能投顧行業(yè)處于萌芽期，具有起步晚，發(fā)展慢，制度不完善，監(jiān)管力度不到位，平臺(tái)發(fā)展不均衡等的問(wèn)題。目前的市場(chǎng)主體平臺(tái)主要是有三類(lèi)：傳統(tǒng)的金融機(jī)構(gòu)，新興互聯(lián)網(wǎng)機(jī)構(gòu)，獨(dú)立結(jié)構(gòu)，共約40多家，市場(chǎng)規(guī)模達(dá)到約642.9億元。

但中國(guó)自實(shí)行改革開(kāi)放以來(lái)，市場(chǎng)經(jīng)濟(jì)體制不斷發(fā)展與完善，具有世界上最龐大的資金市場(chǎng)與投資機(jī)會(huì)，投資者數(shù)量位居世界第一，為智能投顧行業(yè)的發(fā)展提供了機(jī)會(huì)，同時(shí)，在國(guó)家鼓勵(lì)“互聯(lián)網(wǎng)+”的創(chuàng)新創(chuàng)業(yè)背景的政策支持下，智能投顧作為金融科技的代表領(lǐng)域，也是促進(jìn)市場(chǎng)經(jīng)濟(jì)活躍，投資領(lǐng)域資本流動(dòng)的重要源泉和新的增長(zhǎng)點(diǎn)。從長(zhǎng)遠(yuǎn)來(lái)看，智能投顧行業(yè)具有極大的發(fā)展?jié)摿εc提升空間。

1 股票池的搭建

股票池的質(zhì)量在很大程度上影響著投資時(shí)的收益率，所以股票的篩選是分析過(guò)程中不可或缺的一部分。目前市場(chǎng)中，無(wú)論是綜合指數(shù)還是成分股指數(shù)都只是分別代表著滬深兩個(gè)市場(chǎng)的各自走勢(shì)，而滬深300則反映了滬深兩個(gè)市場(chǎng)整體的走勢(shì)。為了更好地判斷模型的超額收益，模型將滬深300的收益率作為的基準(zhǔn)收益。而為了能夠更加真實(shí)地觀察股價(jià)的上漲下跌，以及讓成交量更具有可比性，在數(shù)據(jù)上選擇了能更準(zhǔn)確描述市場(chǎng)波動(dòng)的復(fù)權(quán)數(shù)據(jù)，除此之外，數(shù)據(jù)還過(guò)濾掉了停牌的股票，上市時(shí)間小于一年的股票以及換手率低于2%或高于18%的股票。

停牌的股票并不能作為用戶投資的交易對(duì)象，這些股票是沒(méi)有意義的;上市小于一年的股票雖然有概率會(huì)引起投資者們的注意，在剛上市期間受到各方“機(jī)構(gòu)”的吹捧。但是這些股票所公開(kāi)的信息量，并不能讓模型與算法從多個(gè)維度對(duì)其進(jìn)行全面的評(píng)估與預(yù)測(cè)，因此這些剛上市的企業(yè)的盈利能力，發(fā)展能力，營(yíng)運(yùn)能力，償債能力，以及資產(chǎn)質(zhì)量等重要指標(biāo)，都無(wú)法進(jìn)行準(zhǔn)確地判斷。簡(jiǎn)而言之，項(xiàng)目無(wú)法從基本面對(duì)這些剛上市的公司進(jìn)行分析，而僅僅通過(guò)消息面對(duì)企業(yè)進(jìn)行評(píng)估顯然有失偏頗的。而談到換手率，這是選擇股票時(shí)不能避開(kāi)的一個(gè)指標(biāo)，其包含了當(dāng)前市場(chǎng)大量的信息，為后續(xù)股價(jià)的變動(dòng)提供了支持，是一個(gè)判斷建倉(cāng)的有力指標(biāo)。一般而言，換手率過(guò)低說(shuō)明該股股性過(guò)冷，買(mǎi)賣(mài)雙方成交不積極，沒(méi)有套利的空間也存在高度控盤(pán)的嫌疑;反之，換手率過(guò)高說(shuō)明該股有存在對(duì)敲和對(duì)倒的嫌疑，有較高概率發(fā)生主力出貨導(dǎo)致股價(jià)飛速下跌。

2 資本資產(chǎn)定價(jià)模型

經(jīng)過(guò)對(duì)股票的一系列篩選，基本搭建出一個(gè)簡(jiǎn)單的股票池，但其質(zhì)量仍參差不齊，并不能直接進(jìn)行分析。為了提高股票池的質(zhì)量，試圖通過(guò)在許多金融文獻(xiàn)中不約而同都將其作為研究對(duì)象的資本資產(chǎn)模型，對(duì)股票的價(jià)值進(jìn)行判斷。

資本資產(chǎn)定價(jià)模型描述的是風(fēng)險(xiǎn)與收益率的關(guān)系，因此，用證券的收益率與期望收益率比較以判斷是否有獲得超額收益的可能陛。對(duì)于式（1），無(wú)風(fēng)險(xiǎn)收益率，市場(chǎng)收益率，證券回報(bào)率可以通過(guò)Tushare接口調(diào)取數(shù)據(jù)獲得，因此，市場(chǎng)風(fēng)險(xiǎn)溢價(jià)可得。但是口系數(shù)，以及預(yù)期收益率需要繼續(xù)進(jìn)行計(jì)算。

根據(jù)式（2），假如要計(jì)算單只證券的β系數(shù)，那么通過(guò)單只股票資產(chǎn)的收益率γi對(duì)同期市場(chǎng)的收益率γM和α進(jìn)行回歸分析便可求得。對(duì)其，可以利用SciPy庫(kù)的stats模塊，進(jìn)行最小二乘法回歸分析，求出口和d的值。之后，繼續(xù)對(duì)期望收益率進(jìn)行計(jì)算。

在式（3），市場(chǎng)風(fēng)險(xiǎn)溢價(jià)，無(wú)風(fēng)險(xiǎn)收益率，β系數(shù)都成了已知量，那么，根據(jù)這個(gè)式子，可以得出該股票的期望收益率，將其與證券的同期實(shí)際收益率進(jìn)行對(duì)比，可以對(duì)該股票的價(jià)值進(jìn)行判斷——如果證券同期收益率高于期望收益率，投資者在外部因素不變的狀況下獲得更高的收益，所以這樣的證券是被低估的;反之投資者獲得更少的收益，即這樣的證券是被高估的。將被低估的股票篩選出來(lái)就形成了需要的股票池。

3 多因子模型

將股票池搭建完成之后，利用聚寬平臺(tái)提供的動(dòng)態(tài)情景Alpha因子模型為基礎(chǔ)對(duì)股票池里的股票進(jìn)行二次評(píng)估。在資本資產(chǎn)定價(jià)模型當(dāng)中更多地是通過(guò)技術(shù)面的分析方法，對(duì)股票進(jìn)行評(píng)估，但這樣的評(píng)估方法不夠全面，因此，從基本面對(duì)其進(jìn)行二次評(píng)估。

在動(dòng)態(tài)情景Alpha因子模型當(dāng)中，聚寬平臺(tái)選出了對(duì)股票收益率顯著性最為強(qiáng)烈的七個(gè)指標(biāo)（EP，BP，SP，Turnovers，Prof-itGrowthRate.EquityGrowthRate.IVFF）對(duì)股票進(jìn)行全面的分析。具體而言，首先將每只股票的各個(gè)因子與股票池里的股票進(jìn)行對(duì)比排序，這是一個(gè)去量綱的過(guò)程，因?yàn)槊總€(gè)因子的單位不盡相同，所以無(wú)法對(duì)其直接進(jìn)行加權(quán)。之后將各股因子的數(shù)據(jù)導(dǎo)入SPSS對(duì)其進(jìn)行多因子模型分析，仍然需要對(duì)其進(jìn)行去量綱處理，通過(guò)SPSS自帶的數(shù)據(jù)處理功能，將數(shù)據(jù)處理成了單位一致的數(shù)據(jù)，接著將這些因子進(jìn)行多因子分析，根據(jù)多因子返回的結(jié)果可知每個(gè)因子的權(quán)重，將這些權(quán)重帶人之前去量綱的結(jié)果當(dāng)中，最終能夠算出每只股票的具體分?jǐn)?shù)。

4 基于蒙特卡羅模型的最優(yōu)風(fēng)險(xiǎn)資產(chǎn)組合

通過(guò)以上的思路，基本得出股票池里每一只股票的分?jǐn)?shù)。最優(yōu)風(fēng)險(xiǎn)資產(chǎn)組合理論的重心是利用組合投資將風(fēng)險(xiǎn)相對(duì)最小化而收益相對(duì)最大化。但是，對(duì)于不同風(fēng)險(xiǎn)承受能力的用戶，風(fēng)險(xiǎn)最小化的概念是不同的，因此，通過(guò)分?jǐn)?shù)將股票劃分成三個(gè)等級(jí)（A，B，C）分別成為我們的三個(gè)風(fēng)險(xiǎn)等級(jí)不同的股票池。對(duì)于每個(gè)股票池，用蒙特卡羅模型對(duì)其進(jìn)行隨機(jī)的權(quán)重分配，接著通過(guò)風(fēng)險(xiǎn)資產(chǎn)理論計(jì)算出所有組合投資的收益率。計(jì)算組合投資的收益率與市場(chǎng)收益率的協(xié)方差再除以市場(chǎng)收益率，能夠得出所有投資組合的B系數(shù)。最后通過(guò)圖1，確定資產(chǎn)組合與資本是市場(chǎng)線的交點(diǎn)，即該風(fēng)險(xiǎn)承受能力下的最優(yōu)風(fēng)險(xiǎn)資產(chǎn)組合。

參考文獻(xiàn)：

[1]楊雅婷，我國(guó)智能投顧風(fēng)險(xiǎn)及市場(chǎng)發(fā)展研究[Jl.時(shí)代金融，2019（27）：93-94.

[2]李姝錦，胡曉旭，王聰.淺析基于大數(shù)據(jù)的多因子量化選股策略[J].經(jīng)濟(jì)研究導(dǎo)刊，2016（17）：106.

[3]蘇翔宇，朱愛(ài)群.CentOS7下基于Nginx的反向代理及負(fù)載均衡研究與實(shí)現(xiàn)[J].現(xiàn)代計(jì)算機(jī)：專(zhuān)業(yè)版，2018（10）：61-64.

[4] Prakash P，BijuR， MohanSowmyaKamath. Performance Analy-sis of Process Driven and Event Driven Web Servers.lEEE IS-C0 2015.

[5]溫勝輝.Fintech背景下資產(chǎn)證券化發(fā)展趨勢(shì)淺析[Jl.債券，2018（5）：86-91.

【通聯(lián)編輯：梁書(shū)】