投資,怎麼能沒效率?『1 個重大因素』擠下中華電、金融股,年化報酬率 12.2%!戰勝 0050 ! 自己的麵包自己顧!夫妻不用明算帳但是你也要懂得保護自己

有錢人也想用的「機器人理財」成新趨勢,然而美麗的糖衣下,會不會只是誘導你的行銷陷阱?

11月 2017年16
收藏

(圖/shutterstock)

 

.                                                                                              

今年以來金融科技是熱門的話題

其中的機器人理財或智能理財

更是多家金融機構爭先推出的新服務,

特別是很多這類的服務都標榜著可以

快速地幫投資人找到適合的投資組合。

能夠運用科技幫忙投資人來

建立投資組合當然是很好的事情,

我也很樂於見到現在終於有些金融機構

會開始把投資的焦點放在投資組合中,

而不是只銷售單一的產品,

但是設計投資組合是一項很專業的事情,

並不是隨便把幾檔基金放進去

就叫做適合的投資組合。

 

繼續看下去...

 

(贊助商連結)

 

 

1 秒找出投資組合,但實際可行嗎?

近日看到報紙上的一個新聞寫著,

某家銀行推出了新的 AI 智能理財服務,

標榜能夠 1 秒鐘就幫投資人找到

適合的基金投資組合,

強調能夠讓客戶「賺多賠少」,

既然這麼厲害我就很好奇的看了一下新聞內容。

不看還好,看了差點就要昏倒。

怎麼說呢?例如裡面舉了一個例子:

以某風險程度的人來說,投入 50 萬元,

為期 3 年,希望達到 75 萬元的目標,

試算結果得到的投資組合是:

美國市場 40%

大中華市場 5%

生技市場 5%

美國高收益債券 50%

 

這樣的投資組合很明顯就可以看出有很大的問題,

首先,投資組合的基本概念就是要分散風險,

而要達到分散風險的效果,

投資組合裡面的資產彼此之間的連動性盡量要低,

用財經專業術語來說,

就是彼此的相關係數要低

(相關係數最大值為正 1,最小值為負 1),

且最好是負相關,

這樣才能夠達到分散風險的效果。

上述這樣的投資組合,

90% 的資產都集中在美國市場,

如果彼此的相關係數很低倒還沒有關係,

否則就會失去分散風險的效果。

 

 

相關係數為負 才能有效分散風險

接著,我們就來看美國股市(VTI)與

美國高收益債券(JNK)的相關性,

從下表可以清楚看到,兩者的相關係數為 0.55,

是正相關且相關性不低,

意思就是當美國股市下跌的時候,

美國高收益債券跟著下跌的機率也會不小,

這樣的投資組合很難達到分散風險的效果。

如果我們把高收益債券換成美國債券,

可以看到兩者的相關係數變成 -0.16,

這是負相關,也就是說,

當美國股市下跌時,

美國債券不僅比較不會跟著下跌,

甚至還可能上漲,

這樣才能夠達到分散風險的效果。

 

 

別被「效率前緣」唬了

再來,新聞中還講到,

該銀行的智能理財是採用

諾貝爾經濟學獎馬可維茲(Markowitz)的

「效率前緣(Efficient Frontier)」

為基礎所試算出來的結果,這個理論是說,

在相同的風險之下,

能夠找到一個報酬最好的組合;

或是在相同的預期報酬之下,

能夠找到一個風險最小的組合。

現在好像大家都會把馬可維茲的

「效率前緣」理論搬出來,

顯示自己的智能理財好像是很厲害,

能夠達到這樣的目標當然是好事,

但如果這個智能理財真的是

運用馬可維茲的「效率前緣」,

那麼顯然這個系統還不是很智能,

有很大的改進空間。

 

我們還是用剛才的例子來跑一下效率前緣,

從下圖可以清楚的看到,

只要將美國高收益債券換成美國債券,

效率前緣的線就會明顯地往左上方移動

(越往左上方表示效率越好)。這個意思就是說,

換成美國債券的投資組合

比原先的投資組合更有效率,

在原先投資組合的風險(大約是每年 8.69%)之下,

投資組合的預期投資報酬率就能夠

從每年 9.84% 再提升到 11.36% ,

明顯比原來的投資組合更好!

 

 

智能理財,會不會只是行銷工具呢

看了新聞中所介紹的銀行智能理財

所跑出的投資組合,不禁會讓人懷疑,

這真的是運用投資組合理論

所開發出來的智能理財?

還是只是為了銷售基金

所包裝出來的行銷工具呢?

 

 

智能理財乍看之下很新潮

實際上應該還有改善的空間

 

 

現在加入好友【獲得股市 最新消息】

點此加入LINE好友 

點此加入產業研究中心社團

點此加入粉絲團

 

本文由 副總裁的理財日誌 授權轉載

原文 於此

未經授權,請勿轉載!

熱門文章排行

    最新文章分享

      熱門標籤

      熱門作者

      文章分類