人工智能改变自我：谁从机器人投资中受益？

滚动样本均值和等权重投资组合的中值利差均不为正。因此，中等影子机器人投资者的表现比人类差。最大中值利差来自ML平均/滚动方差，即每年2.93%（仅股票）和3.37%（股票和ETF）。使用非线性平滑方法进行协方差估计，在包含ETF的情况下，将中值收益率略微降低15个基点，甚至41个基点。虽然存在较大的横截面异质性，但从四分位间距来看，我们也观察到整个分布中存在明显的偏移。MV滚动平均值和EW的第一个四分位数比任何一种类型的MV ML低3%，而Q3比这两种类型的MV ML低5%。迄今为止报告的所有结果都与q季度投资组合r平衡有关。在在线附录中，我们提供了详细的证据，表明这些发现扩展到了每月的再平衡。年度再平衡也产生了定性相同的结果。总的来说，结果清楚地表明，ML预期回报方案优于两种相对简单的机器人投资方案中的任何一种。因此，答案显然是越复杂的模型越好。

因此，在本节剩余部分，我们将专门关注MV ML/滚动方差机器人投资者AI AlterEgos。4.2谁从机器人咨询中获益？继续季度再平衡和MV-ML/Ro-lling方差机器人投资者，在表4中，考虑到683只股票和393只ETF，我们报告了中间值、第一季度、第三季度以及AIAlter Eg-o和个人投资者回报之间利差的横截面分布中间值的置信区间。汇总统计是针对投资者的低/高教育程度、低/高风险厌恶和低/高收入分类的分离样本计算的。让我们从高风险厌恶和低风险厌恶开始，这是桌子中间的一个小组。高风险厌恶的MediaNinIndividual投资者将从robo investor shadow Alter Egos中获利5.1%至4%。他们的低风险厌恶对手仅上涨3.29。两者都明显受益，因为投资者中任何一方的置信区间都表明主题标普读数与零显著不同。此外，中位数差异的95%置信区间为[0.5546，3.1111]，因此排除了误差。因此，在统计上，中等高风险厌恶型投资者从机器人投资中获得的收益明显高于中等低风险厌恶型投资者。高收入/低收入也出现了类似的模式，地中海低收入投资者的收益约为高收入中位数投资者的三分之二（4.13%对2.76）。低学历和高学历的差异并不明显，有63个基点。然而，该推论表明，收入和教育的高/低中间差在统计上并不显著。

不用说，中间值2.76（高收入）和4之间的差距。每年13%（低收入）的回报率在经济上相当可观。4.3机器人咨询在重大金融危机期间的表现如何？在表5中，我们报告了股票/ETF的另类回报利差，因为它们与金融危机和大衰退金融有关。使用NBER年表对子样本进行基准测试，确定危机时期为2007年12月至2009年6月。重点再次放在MV-ML/滚动方差AI-Alter-Ego方案上。对于每个子样本，我们计算中位数、第一季度和第三季度实现的回报以及AI Alter Egoreturns的相同统计数据。请注意，由于利差的中位数不是收益中位数的差异，因此我们并没有推断出与prio r表中报告的sprea ds直接相关的东西。我们将重点放在回报上，以突出一个非常重要的发现。在危机之前，我们注意到，中等投资者的年回报率为9.26%，几乎是中等投资者回报率（4.17%）的两倍。我们还注意到，投资者的四分位差与使用ML的机器人投资者的相同统计数据一样大。对于个人投资者，第一季度至第三季度的范围为-4.70。为了构建汇总统计数据的置信区间，我们做了以下工作。我们首先根据个体引导法对个体进行随机抽样，假设每个投资者独立于其他投资者，并对每个投资者的整个时间序列路径进行抽样，以维持依赖结构。对于每个bootstrap重复，我们计算每个个体的相关统计信息，并将所有抽样投资者的每个个体统计信息进行聚合。L et{θr}Rr=1b是r自举重复上的构造统计量ic，并且让^θ是感兴趣的点估计。

设λθ（α/2）和λθ（1-α/2）表示α/2和1- bootstrap统计的α/2百分位数。然后构造pivotal 1- α置信区间根据【2^θ】-~θ(1-α/2), 2^θ -~θ(α/2)].我们还研究了与该国金融部门严重困难相关的更具针对性的比利时危机日期。结果大体上是相似的，这里没有报道。20.98%，而AI Alter Egos的第一季度表现更好，为-2%，第三季度表现更低，几乎为11%。在危机期间，情况发生了戏剧性的变化。中等机器人投资者的回报率为零，这意味着中等人工智能AlterEgo持有现金。相比之下，对于个人投资者而言，中位数为29%的亏损，即使是第三季度的投资者，年回报率也为-3.59%。相比之下，AI Alter Egos第三季度的回报率为23.81%。危机后，情况与危机前观察到的模式相反，即中间投资者的表现优于中间人工智能的另一半，个人投资者的四分位区间也更大，甚至是机器人投资者的分散度的两倍多。当我们把注意力转向图二时，一幅更加引人注目的画面浮现出来。五行对应于（a）中间投资者的实际回报，（b）使用MV滚动平均值/滚动方差表的中间AI替代自我回报（c）使用MV ML/滚动方差方案的中间AI替代自我回报（d）使用MV ML/非线性的中间AI替代自我回报，最后（e）中间EW机器人投资者。值得注意的是：这些中介并不代表同一个投资者或AI的另一个自我，因此这不是特定个人或机器人的表现。每条线从样本开始时的一个投资单位开始，然后依次组成中间收益率。在危机之前，投资者中位数约为2.3。

这意味着从2002年到2007年，初始资本在五年内翻了一番。当危机的破坏造成损失时，中等投资者的回报率下降了2.0%，最终在10年内只获得了20%的微薄回报。值得注意的是，即使是我们从之前的分析中了解到既不成熟也不特别成功的电子战机器人投资者，在样本结束时也能获得更高的回报。最佳的整体表现来自MV ML/RollingVariance中值机器人投资者（同样，在不同的时间段内，不总是跟踪同一个投资者），总体回报率为60%。这家中等规模的机器人投资者在危机之前起步相对缓慢，表现不佳，但在动荡的市场条件下损失较小。另请注意，MV-ML/非线性方差AI-Alter-Ego几乎与ML/滚动方差方案相同。最后，MV滚动平均值/滚动方差方案在金融危机之前非常密切地跟踪MLperformance。为了进一步说明这一点，我们将注意力转向表3，该表显示了回归者根据其l方程（1）-（2）中定义的股票对弹性净回归的贡献。我们重点关注回归，因为它们提供了一个相当简单的基于回归的解释。此外，它通常是最好或接近最好的预测模型。计算从93-03开始到02-12结束的10年滚动样本的r ANK。特别令人感兴趣的是横跨96-06年至99-09年样本的危机时期。排名最靠前的预测因子是dfy，但滚动样本中的最后一个是dfy，即默认收益率利差。危机期间的另一个顶级系列是长期收益率。纵观所有样本，我们还可以看到svar股票差异、NTI净股本扩张和NFL波动。

令人感兴趣的是，通常的Fama-French回归者很少出现在顶级回归者中。这或许并不令人惊讶，因为Fama-French因素旨在为回报的横截面定价。最后，在图3中，根据最佳机器学习模型，我们提供了股票横截面中预期收益为负的分数的时间序列图。在样本中，我们发现通常20%到30%的股票具有负预期回报。该比例在2008年飙升至50%以上，高达60%。因此，大多数stoc K的预期回报率为负，这解释了为什么人工智能改变自我会有退出市场的倾向。4.4人工智能改变自我与被动投资显示人工智能改变自我与被动投资策略相比，尤其是购买和持有市场范围的ETF？为了解决这个问题，我们将注意力转向表6。我们报告了两个ETF利差的汇总统计数据。一个跟踪标准普尔500指数，另一个跟踪iShares MSCI Belgium ET F。这两个指数都不理想，但我们没有找到一个在整个样本期内可用的指数，该指数模拟经纪数据集中投资者持有的一篮子股票。不幸的是，表6中报告的结果取决于选择哪个ETF。在rig ht面板中，显示股票+ETF回报减去基准ETF利差的结果，标准普尔500指数或比利时指数，在左侧面板中，AI Alter-Ego MV/ML/Nonlinear与相同基准进行比较。每个面板包含价差的主题、第一个和第四个ird四分位数。完整样本结果显示在表6的顶部。子样本根据NBER危机日期统计，下半部分为ap pear。中位投资者与标准普尔500指数的利差为-8.50%，这意味着中位投资者的表现远远低于基准。

比利时ETF的业绩并不引人注目，因为投资者中值表现更好，利差为1.37%。尽管美国市场指数的第三个四分位仅为2%（比利时指数为12%），但存在广泛的横截面变化。AIAlter-Ego利差在这两种情况下都更好，尽管美国基准利差仍然为负-6.18%。与比利时ETF相比，AI Alter Ego的利差中值接近4%。当我们查看危机前的样本时，我们注意到中间投资者和AI的另一半的回报率低于两个基准点，比利时ETF的回报率高于其美国国家的回报率。值得注意的是，中值AIAlter Eg o的表现更差。危机时期是一个完全不同的故事。AI-Alter-Egos中位投资者的表现远远超过基准，分别为18.32%（SPDR）和48.31%。此外，中间投资者确实比比利时ETF好21.24%，但比标准普尔500 ETF低8.78%。在这两种情况下，我们都看到了“另一个自我”计划的显著改进。危机后的情况又回到了危机前的情况。4.5利差是由市场因素还是行为因素造成的？关于危机的尖锐发现是否与有据可查的行为偏差有关？在附录（seeD\'Hondt、De Winne、Ghysels和Raymond（2019））中，我们报告样本中的投资者具有文献中研究的行为偏差。

关于危机的结果，我们想重点关注两个关键因素：（1）处置效应（DE）-过早出售赢家，对输家的持有时间过长-每个投资者的a s（1998）和（2）交易频率。投资者持有26%的美国股票和14%的比利时股票。在表7中，我们记录了横截面中值回归的结果，其中来自MV-ML/滚动方差rob o-investors的AI-Alter-Ego扩散s是DE（le-ft列）的函数，以及DE与交易频率的组合。我们报告了人工智能另类回报利差以及与标准普尔500指数ETF的利差。DEH对利差有积极影响，尽管与交易频率指标回归相结合时，在统计上并不总是显著。当我们为交易频率的第二到第四四个四分位添加假人时，我们注意到，与标准普尔500 ETF相比，DE sprea ds受到统计上显著的影响，息差单调恶化，息差增加。这意味着交易量大的投资者相对于ETF基准的AI利差更大（在未报告的结果中，比利时ETF也是如此）。相反，频繁的交易者倾向于从AI的另一个自我那里获得较少的优势，而当d与交易频率相结合时，DE是不重要的。总的来说，研究结果表明，行为偏差在一定程度上解释了AI自我传播的横截面。特别是，被动投资策略的利差随着交易频率和处置效应的增加而增加。涉及投资者特征控制的其他结果见在线附录。除了添加对照外，我们还考虑了5%、10%、20%、80%、90%和95%的分位数回归。总的来说，发现很重要，尤其是分布的右尾。

当查看与基准ETF相关的AI变动利差时，DE对于中位数和最右尾部非常重要。5结论社会智力的提高正日益影响我们的日常生活。财务决策也不例外。我们引入了人工智能的另一种自我的概念，即机器驱动的决策者，这些决策者会影响特定的个人，并使用一个具有丰富横截面和时间序列特征的经纪账户数据集将其应用于机器人投资领域。我们分析的目的是评估海外建筑运营管理局咨询服务的高度吹捧的效益。通过人工智能改变自我方案，我们解决了一些问题：（a）更复杂的模型是否更好，（b）谁从机器人建议中获益，（c）机器人投资在重大社会危机期间表现如何，（d）人工智能改变自我与被动投资方案相比如何，（e）传播是否由于行为偏差？总体而言，我们发现，表现出某些特征的投资者，尤其是高风险厌恶和低收入的投资者，将获得显著收益。特别是：高风险厌恶、低收入投资者。此外，机器学习方法提供了重要的投资组合收益改善。AI交替传播与行为偏差有关，特别是处置效应和交易频率。在金融危机期间，机器人投资者更倾向于从市场中套现，这有助于他们获得总体回报优势。最后，与被动的电子商务投资相比，我们发现证据喜忧参半，尽管在金融危机期间，我们比被动策略要好得多。参考Breiman，L.（2001）：“随机森林”，机器学习，45，5–3 2。D\'ACUNTO，F.、N.PRABHALA和A.G.ROSSI（20-19）：“机器人咨询的承诺和陷阱”，《金融研究评论》，32，1983-2020年。DEMIGUEL，V.，L。

GARLAPPI和R.UPPAL（2007）：“最优与幼稚的多元化：1/N投资组合策略的不足程度如何？”，《金融研究评论》，1915-1953年，第22期。D\'HONDT，C.、R.DE WINNE、E.GHYSELS和S.RAYMOND（2019）：“人工智能改变自我：谁从机器人投资中受益？-在线附录”，可供查阅athttps://papers.ssrn.com/sol3/papers.cfm?abstract_id=3415981.ENGLE，R.F.、O.LEDOIT和M.WOLF（2019）：“大型动态协方差矩阵”，《商业与经济统计杂志》（The Journal of Business AND Economic Statistics）（为thcoming出版）。FRIEDMAN，J.、T.HASTIE和R.TIBSHIRANI（2016）：统计学习的要素——第二版Springer。GU，S.、B.KELLY和D.XIU（2018）：“通过机器学习的经验资产定价”，讨论论文，国家经济研究局。LEDOIT，O.和M.WOLF（2004）：“亲爱的，我缩小了样本covar ia nce矩阵”，《投资组合管理杂志》，30（4），110–119。MARKOWITZ，H.（1952）：“投资组合选择”，《金融杂志》，第7期，第77-91页。ODEAN，T.（1998）：“投资者不愿意意识到他们的损失吗？”金融杂志，531775-1798。SHESTOPALOF F，Y.和A.SHESTOPALOFF（2007）：“计算回报率的方法层次”，Journalof Performance Measurement，12，39–52。WELCH，I.和A.GOYAL（2007）：“全面审视均衡溢价预测的实证表现”，《金融研究评论》，211455-1508。ZOU、H.和T。