人工智能改变自我：谁从机器人投资中受益？

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Artificial Intelligence Alter Egos: Who benefits from Robo-investing?》
---
作者：
Catherine D\'Hondt, Rudy De Winne, Eric Ghysels, Steve Raymond
---
最新提交年份：
2019
---
英文摘要：
  Artificial intelligence, or AI, enhancements are increasingly shaping our daily lives. Financial decision-making is no exception to this. We introduce the notion of AI Alter Egos, which are shadow robo-investors, and use a unique data set covering brokerage accounts for a large cross-section of investors over a sample from January 2003 to March 2012, which includes the 2008 financial crisis, to assess the benefits of robo-investing. We have detailed investor characteristics and records of all trades. Our data set consists of investors typically targeted for robo-advising. We explore robo-investing strategies commonly used in the industry, including some involving advanced machine learning methods. The man versus machine comparison allows us to shed light on potential benefits the emerging robo-advising industry may provide to certain segments of the population, such as low income and/or high risk averse investors.
---
中文摘要：
人工智能（AI）的增强正日益塑造我们的日常生活。财务决策也不例外。我们引入了AI-Alter-Egos的概念，即影子机器人投资者，并使用一个独特的数据集，涵盖2003年1月至2012年3月（包括2008年金融危机）的大量投资者的经纪账户，以评估机器人投资的效益。我们有详细的投资者特征和所有交易记录。我们的数据集由通常以机器人咨询为目标的投资者组成。我们探讨了业界常用的机器人投资策略，包括一些涉及高级机器学习方法的策略。通过人机对比，我们可以了解新兴的机器人咨询行业可能为某些人群带来的潜在好处，例如低收入和/或高风险厌恶投资者。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Portfolio Management        项目组合管理
分类描述：Security selection and optimization, capital allocation, investment strategies and performance measurement
证券选择与优化、资本配置、投资策略与绩效评价
--
一级分类：Economics        经济学
二级分类：Econometrics        计量经济学
分类描述：Econometric Theory, Micro-Econometrics, Macro-Econometrics, Empirical Content of Economic Relations discovered via New Methods, Methodological Aspects of the Application of Statistical Inference to Economic Data.
计量经济学理论，微观计量经济学，宏观计量经济学，通过新方法发现的经济关系的实证内容，统计推论应用于经济数据的方法论方面。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
--> Artificial_Intelligence_Alter_Egos:_Who_benefits_from_Robo-investing?.pdf (285.03 KB)

2022-6-24 07:54:10 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：人工智能 机器人 econometrics Intelligence Quantitative

人工智能改变自我：世界卫生组织从机器人投资中受益？预印本Catherine D\'Hondt、Rudy De Winne、Eric Ghysels、Steve RaymondJuly 9，2019年----------------------------------------抽象艺术智能（简称AI）正在日益影响我们的日常生活。财务决策也不例外。我们引入了AI-Alter-Egos的概念，即影子机器人投资者，并使用一个独特的数据集来评估海外建筑运营管理局投资的效益，该数据集涵盖了2003年1月至2012年3月的一个样本，其中包括2008年的金融危机。我们有详细的投资者特征和所有交易记录。我们的数据集由通常以机器人咨询为目标的投资者组成。我们探讨了业界常用的机器人投资策略，包括一些涉及先进机器在线学习方法的策略。通过人机对比，我们可以了解新兴的机器人咨询行业可能为某些人群带来的潜在好处，如低收入和/或高风险厌恶型投资者。------------------------------------------1简介为了评估机器人投资的效益，我们使用了一个独特的数据集，涵盖了2003年1月至2012年3月期间22972名个人投资者的经纪账户，因此包括了2008年的金融危机。我们有所有交易的记录，此外还有关于每个个人投资者特征的详细信息，如年龄、性别、教育程度、年净收入，最重要的是，根据调查问卷的反应评估风险规避。虽然我们与比利时个人投资者合作，但他们的大部分交易活动都与外国股票有关（86%为非比利时股票，约四分之一为美国股票）。

因此，我们的分析涉及股票和ETF的国际投资组合选择。据我们所知，在很长一段时间内，对于一个由个人投资者组成的庞大团队，尚未对机器人投资的潜在效益进行任何评估。我们探讨了行业中常用的机器人投资策略，包括一些涉及高级机器学习方法的策略。通过人机对比，我们可以了解新兴的机器人广告行业可能为特定目标人群带来的潜在好处，例如低收入人群和/或金融知识相对较少的投资者。我们的样本有许多吸引人的特性来研究机器人投资。许多投资经纪公司现在将目标锁定在储蓄适度的个人身上，因为人们普遍认为，规模较小的投资者得不到他们需要的投资建议。事实上，71%或近9000万美国家庭的投资账户余额不足10万美元。自动化投资咨询服务的增长满足了此类投资者的需求。我们的数据集由机器人咨询公司通常针对的个人投资者组成。就年度净收入而言，我们样本中约70%的投资者宣布收入在20000至75000欧元之间。我们样本中的平均投资组合价值为29244欧元，投资者平均年龄约为48岁。注意：正如D\'Acunto、Prabhala和Rossi（2019年）所研究的那样，我们的论文没有直接讨论采用rob o-Advisoring对财富管理的影响。一方面，我们的数据在每个个人投资者的特征细节方面更加丰富，例如收入、教育、性别、风险厌恶、交易习惯。另一方面，我们研究了一个样本，即我们检查其交易数据的经纪公司未采用机器人咨询。

相反，我们引入了影子机器人投资者的想法，以评估机器人广告访问的潜在效益。也就是说，我们研究了各种在我们的数据集中影响个人的机器人投资者，以及我们的方法的新颖性，因为我们知道投资者在现实中做了什么，而不是机器人投资者会做什么。从这个意义上说，我们的分析是一个实时的数据实验。在美国，由于一些退休储蓄转移到机器人顾问账户，机器人顾问初创公司的资产管理规模近几年增长了8倍。成本优势为工业创造了巨大的动力。此外，近年来被动投资策略的成功也带来了好处。因此，可以公平地说，机器人顾问正在挑战传统的金融咨询服务。有人预计，未来几年，一些机器人咨询初创公司可能会以合伙形式结束，或成为成熟资产管理公司或银行收购的对象。此外，传统资产管理公司本身也在采用机器人投资策略。在这方面，机器人咨询将变得更加主流。机器人投资者仅限于每个个人投资者交易历史中的一组股票和ETF——使用滚动2年的样本。该约束通过其交易历史将每个机器人与我们样本中的特定投资者联系起来。请注意，机器人投资者使用我在过去两年持有的所有股票/ETF个人投资者，但可能在同一时间售出。因此，理由是投资者知道影子机器人投资者持有的股票/ETF。我们称这些影子机器人投资者为人工智能改变自我，或人工智能改变自我。人工智能改变自我的概念并非唯一的金融概念，尽管我们可能是第一个创造这个术语的人。

为了说明这一点，让我们看看机器学习（ML）在其他领域的进展，如文学和音乐。如今，ML文本挖掘算法可以分析著名作家的作品，并以其接触和训练的作家的风格创造全新的文学。音乐也是如此。例如，弗朗茨·舒伯特（FranzSchubert）于1882年开始了他未完成的B小调交响乐，但他只写了两个完整的乐章，尽管他又活了六年。现在，deep Learning ML制作了整个交响乐的完整版本。我们可以将其描述为舒伯特的另一个自我谱写新的乐谱。舒伯会做得比他的AI替身更好吗？我们更愿意把这场辩论留给音乐学家，但公平地说，这可能很难解决这个问题。幸运的是，将人工智能改变自我的概念应用于比较人工智能和人工智能替代方案的结果更为简单的环境中，如金融投资。我们考虑三种投资策略。其中两个基于Markowitz（1952年）均值-方差（MV）方案，athird基于DeMiguel、Garlappi和Uppal（2007年），涉及1/Nitscheme，其中niti是投资者i在截至时间t的2年跟踪样本中所持有的股票数量。这两个MV策略在条件均值和方差估计的复杂度方面有所不同。第一种方法涉及均值和方差的两年滚动样本估计。其次，我们使用机器学习算法和复杂的条件协方差估计器，通过相应的预期回报预测，加快机器人引擎的速度，并替换滚动样本估计器。更具体地说，对于条件平均值，我们使用弹性网、随机m森林、神经网络和模型集成估计器。

对于总共683只股票和393只ETF的条件协方差矩阵loo king，我们使用从随机矩阵理论导出的Engle、Ledoit和Wolf（2 019）非线性收缩方法来校正样本特征值的样本偏差。最后，值得注意的是，机器人投资者可以选择持有现金，即决定避免市场风险敞口。然而，不允许卖空。我们研究三种再平衡方案：每年一次、每月一次和每月一次。在本协议的主体部分，我们仅就季度再平衡计划进行讨论。请注意，机器人投资者以固定的采样频率购买和持有——在Lead示例中为季度末。这与我们样本中的个人投资者形成了鲜明对比，他们在任何时候都执行自己的交易。大多数交易发生在股票或ETF中，详见附录seeD\'Hondt、De Winne、Ghysels和Raymond（2019）。由于机器人投资者计划超越了机器学习，因为它们涉及投资组合分配规则，我们使用了更通用的人工智能。在我们的例子中，AI涉及一组计算机驱动的自学习规则，这些规则决定了portfolioallocations。总体而言，我们的发现如下。AI Alter Ego ro bo投资者涉及等权重或滚动样本均值和方差估计，表现不佳，对我们的任何投资者都没有什么价值。相比之下，机器学习MV AI Alter-Ego为某些类型的投资者带来了显著的投资组合绩效改善。特别是，那些具有高风险规避特征的投资者从遵循机器人投资者策略中获益匪浅。低收入（低教育）投资者通常也会从AI建议中获益。这些结果证实了业内从业者对人工智能在金融科技行业未来应用的承诺。

更耐人寻味、也有点出乎意料的是我们在金融危机期间的表现。机器人投资者的表现优于一大批投资者。事实上，中位rob o-investor转向现金（因为使用AI的预期回报为负），而个人则表现出行为偏差，如处置效应（cfr.Odean（1998）），在金融危机开始时会产生不可预测的后果。作为我们分析的副产品，我们还确定了哪些机器学习方法表现良好。虽然深度学习通常是大型股票横截面中最好的，但紧随其后的是一种更简单的线性预测模型，该模型基于同一组预测因子，即Welch和Goyal（2007）提出的预测因子，由企业特定变量和宏观经济协变量组成。换言之，非线性模型的收益充其量是微乎其微的。本文的组织结构如下。在第2节中，我们描述了经纪数据，附录中给出了一些详细信息。第3节描述了各种机器人投资者计划。第4节报告了实证结果。第5节总结了本文。2大量个人经纪账户主要数据集来自比利时一家大型在线经纪公司，由22972名个人投资者的交易账户组成。这一独特的数据涵盖了从2003年1月到2012年3月的大约10年，因此包括了2008年的金融危机。我们对每项交易都有详细的信息，如票据、时间戳、交易方向、执行数量、交易价格和明确的交易成本。附录pf D\'Hond t、De Winne、Gh ysels和Raymond（2019）中描述了数据的详细信息。

我们专注于普通股投资以及ETF，不包括其他金融工具。ETF、共同基金、期权和认股权证的交易在高收入/教育投资者中更为普遍。债券交易总体上并不重要。因为我们考察的是均值方差投资者的BO顾问，所以我们只关注最符合投资组合配置模型的股票和ETF。特别是对于高收入教育投资者，这意味着我们在一定程度上遗漏了我们现有的其他资产。应用附录中所述的一些过滤器后，我们最终得到了1590199个样本（股票）+60，344（ETF）=1650543笔交易（以及超过1300亿欧元的股票交易和收盘价）。请注意，在现有的机器人投资者实践中，有一些宣布使用MV分配，并且最有可能使用某种类型的滚动样本方案，尽管大多数白皮书对实际实施情况相当模糊。更多详细信息请参见D\'Hondt、De Winne、Ghysels和Raymond（2019）。在附录中，我们记录了6741名投资者还交易了期权和权证，总交易量为602833笔，6665名投资者交易了共同基金，总交易量为260120笔。只有少数投资者（即1813名）进行债券交易，交易总数为5999笔。10亿欧元的ETF），涵盖683只股票和393只ETF，占所有投资者交易活动的70%。利用交易数据，我们为每位投资者构建月末投资组合，并使用历史市场数据计算每月投资组合的市场价值。我们还计算每月和每日回报。将月末的portfo Lio市场价值与相应的月度总现金流相结合，我们计算每个投资者的110（即。

从2003年2月至2012年3月），每月投资组合总回报和净回报（后者扣除交易成本）。如果投资者满足回报标准（充足的时间段和无异常值的回报率）和最低贸易限制（更多详细信息，请参见D\'Hondt、De Winne、Ghysels和Raymond（2019）附录九），则将其列为机器人投资者候选人。特别是，我们会剔除回报序列中缺失值超过106个的投资者（即至少需要4个月的回报才能留住投资者），并剔除异常值。这将样本减少到20622名投资者（从22972名下降）。为了简化分析，我们不考虑交易成本（每笔交易都有），也不考虑个人投资账户或机器人投资者的交易成本。由于机器人投资者的交易量低于平均/媒体投资者的交易量，即在领先的例子中，每季度仅交易一次，因此这应该会导致对机器人投资收益的保守估计。我们的数据集还包括一系列广泛的个人投资者特征，如年龄、性别、教育程度、年净收入和基于调查的风险规避措施。虽然我们与比利时个人投资者合作，但他们的交易活动大多涉及外国股票（主要是美国和邻国法国和德国）。股票主要涉及技术部门（16.93%）、金融部门（15.91%）和工业部门（14.01%）。正如简介中所述，我们的数据集由机器人咨询公司通常针对的个人投资者组成。我们样本中约有70%的投资者宣布年净收入在20000至75000欧元之间。只有少数人（3.36%）年收入超过15万欧元。投资者平均年龄约为4.8岁，每月交易2.05支不同股票，交易额为18237欧元。

与文献一致，我们样本中的投资者发现多样化；平均（中位数）投资者持有五只股票（三只股票）投资组合。月末投资组合的平均价值约为28003欧元（中值约为7552欧元）。至于风险厌恶，大多数投资者似乎对风险持宽容态度，因为其中6.5.33%的投资者表示中度风险厌恶，27.88%的投资者甚至表示轻度风险厌恶。就表现而言，我们的投资者在股票和ETF上的月平均总回报率为0.42%（中期回报率为0.13%），波动率为10.04%。鉴于我们的样本期包括动荡的市场条件，单个投资组合总回报的高平均波动率并不令人惊讶。当投资者完成MiFID测试时，我们的数据中报告的收入指标记录一次。因此，在10年的样本期内，分类可能会很嘈杂，尤其是对于早期条目。如D’H ondt、De Winne、Ghysels和Raymond（2019）附录所述，为了计算投资组合回报，我们选择了修正的Dietz方法的近似值，目的是在回报率e（如Shestopaloff和Shestopaloff（2007））。3机器人投资者机器人投资者仅限于每个个人投资者交易历史中的一组股票和ETF，使用2年滚动样本。这一点通过每个机器人的交易历史将其与样本中的特定投资者联系起来。我们称这些影子机器人投资者为“人工智能改变自我”。机器人投资者可以选择持有现金，即决定避免市场风险暴露，但我们的样本n中没有卖空，或者机器人的设计中允许卖空。两年期限可以说有点武断。OUR结果适用于更长的窗口。