用IT技術玩金融系列文章，將介紹如何使用IT技術，處理金融大數據。在互聯網混跡多年，已經熟練掌握一些IT技術。單純地在互聯網做開發，總覺得使勁的方式不對。要想靠技術養活自己，就要把技術變現。通過“跨界”可以尋找新的機會，創造技術的壁壘。

金融是離錢最近的市場，也是變現的好渠道！今天就開始踏上“用IT技術玩金融”之旅！

關于作者：

• 張丹(Conan), 程序員R,Nodejs,Java
• weibo：@Conan_Z
• blog:?http://blog.fens.me
• email: bsspirit@gmail.com

轉載請注明出處：
http://blog.fens.me/finance-mojie

前言

進入2016年，伴隨世界經濟危機的到來，中國互聯網創業，也在經歷長時間的寒冬，有不少的公司都因資金鏈斷裂，停止了運營。與寒冬反差很大的是，AI技術卻火了起來，受到資本的追捧。智能投顧作為金融領域的AI熱點，一直在持續升溫。

到2016年底，招商銀行發布了一個名為“摩羯智投”的應用，一下子吸引了眾多人的眼球，打開了銀行進軍智能投顧領域的大門。本文將用數據來解讀“摩羯智投”的到底是怎么玩的。

目錄

摩羯智投介紹

數據收集

數據建模分析

結論

1. 摩羯智投介紹

摩羯智投，是招商銀行在2016年12月6日發布的一款手機端應用，嵌入在招商銀行的APP中，加入了FinTech理念，把金融和人工智能進行了結合。

按招商銀行發布的文章中介紹，摩羯智投是運用機器學習算法，構建的以公募基金為基礎的、全球資產配置的“智能基金組合配置服務”。在客戶進行投資期限和風險收益選擇后，摩羯智投會根據客戶自主選擇的“目標—收益”要求、構建基金組合，由客戶進行決策、“一鍵購買”并享受后續服務。

摩羯智投并非一個單一的產品，而是一套資產配置服務流程，它包含了目標風險確定、組合構建、一鍵購買、風險預警、調倉提示、一鍵優化、售后服務報告等，涉及基金投資的售前、售中、售后全流程服務環節。比如，摩羯智投會實時進行全球市場掃描，根據最新市場狀況，去計算最優組合比例，如果客戶所持組合偏離最優狀態，摩羯智投將為客戶提供動態的基金組合調整建議，在客戶認可后，即可自主進行一鍵優化。

摩羯智投的開機畫面。

看完招商銀行官方的介紹，接下來我們從數據進行分析，看看“摩羯智投”到底有多智能。

2. 數據收集

要做數據分析，我們就要以數據來思考。我的思路，要先收集數據，把應用所有的輸入項和輸出項的數據進行整理，然后我們通過統計的方法和金融知識來找到數據之間的關系。

注：由于應用中沒有明確的字段定義，下面字段我按照字面意思進行解讀。

數據輸入項只有2個字段，包括

• 大致投資期限：從投資開始到投資結束的期限。
• 風險承受能力：承擔多大的風險，以及風險帶來的損失。

數據輸出項，字段就比較多，包括

• 模擬歷史年化收益（%)：對歷史數據回測，所獲得的年化收益率。
• 模擬歷史年化波動率（%)：對歷史數據回測，所獲得的年化波動率。
• 模擬歷史收益(元)：在投資10000元，并持有一年，所獲得的收益金額。
• 95%的概率下虧損(元)：在95%概率下最大虧損金額。
• 固定收益（%)：固定收益類基金的配置比例。
• 現金及貨幣（%)：現金貨幣類基金的配置比例。
• 股票類（%)：股票類基金的配置比例。
• 另類及其他（%)：另類投資的類基金的配置比例。
• 投資組合收益率曲線：按比例構成的組合，生成的收益率曲線。
• 投資組合配置詳情：4類資產對應的具體基金品種和配置比例

對應到“摩羯智投”的操作界面上，我標出了輸入數據和輸出數據的提取點。

根據界面來收集到的數據，整理為CSV格式，便于之后的分析。數據收集，我分別存儲到了3個CSV文件中。

• a.csv:用于收集第1-2個界面的數據，用戶直接輸入和輸出數據，包括：大致投資期限(term)，風險承受能力(rick)，模擬歷史年化收益(ret)，模擬歷史年化波動率(vol)，模擬歷史收益(gains)，虧損(loss)，固定收益(fixed)，現金及貨幣(cash)，股票類(stock)，另類及其他(alter)
• b.csv:用于收集所有標的基金所對應的市場數據，從wind中采集，包括：基金名稱(name)，基金代碼(code)，基金成立時間(create)，基金類型(type)，凈值20140101(first2014)，凈值20150101(first2015)，凈值20160101(first2016)，凈值20161208(last)
• c.csv:用于收集第3個界面的數據，每個組合的標的基金的配置比例，包括：大致投資期限(term)，風險承受能力(rick)，基金類型(type)，基金代碼(code)，配置比例(weight)

a.csv的數據樣例前10條，如下：

b.csv的數據樣例前10條，如下：

c.csv的數據樣例前20條，如下：

這里還需要特別說明的事，由于應用的數據，可能會動態的發生變化，我是采集的2016年12月8日的“摩羯智投”應用中的數據。

多說一句，數據花點時間誰都可以在應用中拿到，雖然我已經整理了數據，但請大家不要太隨意地張嘴要數據和代碼，畢竟寫一篇文章非常辛苦。如果你想直接用我的數據和代碼，請掃文章下面二維碼，請作者喝杯咖啡吧。 :_D

3. 數據建模分析

收集好了數據，接下來就可以進行數據分析了。當然，分析的角度有很多種，可以從金融、統計、數據挖掘等專業方向，也可以計算一些簡單的指標，最大值，最小值，平均值等等。我思考的出發點，主要在金融和統計上面，如果存在片面性，還請大家給予指正。

下面將從6個知識點，對“摩羯智投”進行分析。

3.1 分析一：只有2個輸入項。

由于只有2個輸入項，大致投資期限和風險承受能力。大致投資期限有3個選項，風險承受能力有10個選項，那么實際的組合個數就是3*10=30個。對于只有30個組合來說，并不能完全實現個性化，當有31個用戶使用產品時，就會有2個人購買的組合是是重復的。

3.2 分析二：只有17只標的基金

我們對30個組合進行配置嘗試后，發現詳細持倉方案中，只有17只基金，配置比例不同而矣。標的過少，可能導致風險不能足夠的分散化，遇到極端行情會導致大的回撤。17只基金分別是

> paste(dfb$name,"(",dfb$code,")",sep="")[1] "工銀純債B(OF000403)" "易增強回報B(OF110018)" "建信穩定增利C(OF530008)"[4] "工銀天頤B(OF485014)" "南方量化成長(OF001421)" "中歐潛力價值(OF001810)" [7] "大成500(OF096001)" "黃金接連C類(OF000217)" "亞洲美元債C(OF002401)" [10] "大摩收益C(OF233013)" "博時信用債C(OF050111)" "興權可轉債(OF340001)" [13] "創金多因子(OF002210)" "招商現金增值A(OF217004)" "富國中小盤(OF100061)" [16] "工銀瑞信全球(OF486002)" "南方成份(OF202005)"

3.3 分析三：相關性分析

直接利用a.csv的數據集，查看輸入項和輸出項的相關性，發現相關關系。

通過R語言程序實現

# 加載數據 > dfa names(dfa) pairs(df)

把數據變成可視化來顯示，對于我們理解數據非常有幫助。

• term列，和其他列的散點圖，完全呈現離散的分布，說明term列與其他列并沒有相關性的關系。
• risk列，除了和alter列沒有線性關系，和其他列呈現明顯的線性關系。

我們把上面相關性圖，再加上一些元素，如相關系數、擬合曲線、分布圖等，重新畫出相關性圖，如下所示。

這樣就清晰了多了。

• risk列，與模擬歷史年化收益(ret)，模擬歷史年化波動率(vol)，擬歷史收益(gains)，呈現極度正相關，輸出項的數字完全受risk值影響。
• risk列，與固定收益(fixed)和現金及貨幣(cash)，極度負相關；與股票類(stock)，極度正相關；另類及其他(alter)，負相關。這種情況，與資產的風險收益屬性是匹配。
• vol列，與虧損(loss)，是100%線性相關。
• ret列，與擬歷史收益(gains)，是100%線性相關，這里可以獲得公司：gains = 10000 * ret 。

3.4 分析四：線性回歸

通過相關性的檢查，我們可以發現risk與很多列都是極度相關的。

那么我們可以用線性回歸的方法，把risk與有相關性的列的參數估計出來。如果不太了解，一元線性回歸的可以參考文章，R語言解讀一元線性回歸模型。

由于vol和loss是100%線性相關，以vol為x，loss為y，構建一元線性回歸方程。

# 回歸方程 > lv summary(lv) Call: lm(formula = loss ~ vol, data = dfa)Residuals:Min 1Q Median 3Q Max -36.119 -31.491 -6.621 27.884 67.305 Coefficients:Estimate Std. Error t value Pr(>|t|) (Intercept) -447.514 13.056 -34.28 <2e-16 *** vol 149.109 1.707 87.34 <2e-16 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1Residual standard error: 34.2 on 28 degrees of freedom Multiple R-squared: 0.9963, Adjusted R-squared: 0.9962 F-statistic: 7629 on 1 and 28 DF, p-value: < 2.2e-16

進行線性回歸的統計檢查：T檢查，F檢查都非常顯著，同時R-squared為0.9963，具有極度相關性。

# 畫出散點圖和擬合曲線 > plot(loss~vol,data=dfa) > abline(lv)

從圖中看到，擬合效果非常好，可以整理出公式：loss = -447.514 + 149.109*vol。

另外，由于risk決定vol，再讓我們算一下risk和loss的關系，以risk為x，loss為y，構建一元線性回歸方程。

# 構建一元線性回歸方程 > lm(loss~risk,data=dfa) Call: lm(formula = loss ~ risk, data = dfa)Coefficients: (Intercept) risk -435.8 180.0 # 詳細指標 > summary(lr) Call: lm(formula = loss ~ risk, data = dfa)Residuals:Min 1Q Median 3Q Max -219.88 -136.93 -59.26 100.69 508.31 Coefficients:Estimate Std. Error t value Pr(>|t|) (Intercept) -435.84 72.38 -6.021 1.73e-06 *** risk 179.95 11.67 15.426 3.23e-15 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1Residual standard error: 183.5 on 28 degrees of freedom Multiple R-squared: 0.8947, Adjusted R-squared: 0.891 F-statistic: 238 on 1 and 28 DF, p-value: 3.232e-15

T檢查和F檢查，非常顯著；R-squared 也比較高。

下面進行殘差檢查，發現30號點，是偏離比較大，可能是離群值。

我們把30號點去掉，再做顯著性檢查和殘差分析。

> dfa2 lr2 summary(lr2) Call: lm(formula = loss ~ risk, data = dfa2)Residuals:Min 1Q Median 3Q Max -203.00 -100.98 -58.98 83.53 327.46 Coefficients:Estimate Std. Error t value Pr(>|t|) (Intercept) -397.55 62.23 -6.389 7.64e-07 *** risk 169.51 10.32 16.431 1.39e-15 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1Residual standard error: 155.3 on 27 degrees of freedom Multiple R-squared: 0.9091, Adjusted R-squared: 0.9057 F-statistic: 270 on 1 and 27 DF, p-value: 1.391e-15

在去掉30號點后，R-squared為0.9091，比之前的0.8947，有所提升。

從殘差圖中，我們看到沒有明顯的離群值點，所以去掉30號點，是符合統計提升標準的。

3.5 分析五：關于30號點的金融思考

從數據中，我們發現30號點的最大虧損已經超過了收益，也就是說你可能承擔了過大了風險，但是沒有獲得風險所給你帶來的收益。

按照資本資產定價模型的理解，我們投資組合的收益來自2部分，無風險收益和風險收益。無風險收益可以用現金或貨幣類的基金獲得，風險收益主要來自股票基金，債券基金，另類投資最基金。直觀上理解，風險收益比至少是1:1，即損失100元時，要獲得100元風險補償。對于私募業務來說，投資人可能會要求更高，比如 風險:收益=1:2。

從另外一個角度分析，上面我所說的風險收益比并沒有涉及到概率的部分，我猜95%是通過VaR值來做的概率計算。

3.6 分析六：通過標的基金計算收益率

在“摩羯智投”的應用中，我們可以獲得各個基金的配置比例，基金凈值的數據又可以在公開市場中獲得，所以對于預期收益率，我們也可以自己計算一下，看看是不是與“摩羯智投”提供的結果是一致的。

接下來，就利用到上文介紹的數據集，b.csv和c.csv。

# 加載數據 > dfb names(dfb) dfb$ret2014 dfb$ret2015 dfb$ret2016 dfb$ret2014[c(which(is.na(dfb$ret2014)),which(is.infinite(dfb$ret2014)))] dfb$ret2015[c(which(is.na(dfb$ret2015)),which(is.infinite(dfb$ret2015)))] dfb$ret2016[c(which(is.na(dfb$ret2016)),which(is.infinite(dfb$ret2016)))] head(dfb)name code create type first2014 first2015 first2016 last ret2014 ret2015 ret2016 1 工銀純債B OF000403 20140516 fixed 0.0000 1.0850 1.2200 1.2520 0.00000000 0.12442396 0.026229508 2 易增強回報B OF110018 20080319 fixed 1.4403 1.8124 2.1180 2.1693 0.25834896 0.16861620 0.024220963 3 建信穩定增利C OF530008 20080625 fixed 1.4529 1.8030 2.0304 2.0608 0.24096634 0.12612313 0.014972419 4 工銀天頤B OF485014 20110810 fixed 1.2090 1.7300 1.9740 1.9680 0.43093466 0.14104046 -0.003039514 5 南方量化成長 OF001421 20150629 stock 0.0000 0.0000 1.2300 1.3400 0.00000000 0.00000000 0.089430894 6 中歐潛力價值 OF001810 20150930 stock 0.0000 0.0000 1.1010 1.2170 0.00000000 0.00000000 0.105358765

由于基金中，招商現金增值A(OF217004)為現金類基金，所以收益率需要直接取年化收益，而不是按上面的計算方法。

#現金類，收益率從wind查年化收益率，進行賦值 dfb[which(dfb$code=='OF217004'),]$ret2014

再加載c.csv基金的詳細配置方案。

> dfc names(dfc) head(dfc)term risk type code weight 1 1 1 fixed OF000403 0.20 2 1 1 fixed OF110018 0.14 3 1 1 fixed OF530008 0.11 4 1 1 fixed OF233013 0.10 5 1 1 fixed OF050111 0.05 6 1 1 fixed OF485014 0.05

把數據變型，以type列轉置為橫表，去掉code列，以weight值進行填充，得到新數據集為r1。

> head(r1)term risk alter cash fixed stock 1 1 1 0.1000 0.2000 0.6500 0.0500 2 1 2 0.1500 0.1965 0.5491 0.1044 3 1 3 0.1562 0.1842 0.4881 0.1715 4 1 4 0.1011 0.1490 0.5162 0.2337 5 1 5 0.1137 0.1416 0.4943 0.2504 6 1 6 0.1143 0.1208 0.4655 0.2994

我們生成plan1的配置方案，當term=1，risk=1時。

# 只保留term=1，risk=1時數據 > plan1 plan1m plan1m$ret2014w plan1m$ret2015w plan1m$ret2016w plan1mcode term risk type weight ret2014 ret2015 ret2016 ret2014w ret2015w ret2016w 1 OF000217 1 1 alter 0.05 0.01590909 -0.06711409 0.194844125 0.0007954545 -0.003355705 0.0097422062 2 OF000403 1 1 fixed 0.20 0.00000000 0.12442396 0.026229508 0.0000000000 0.024884793 0.0052459016 3 OF001810 1 1 stock 0.05 0.00000000 0.00000000 0.105358765 0.0000000000 0.000000000 0.0052679382 4 OF002401 1 1 alter 0.05 0.00000000 0.00000000 0.000000000 0.0000000000 0.000000000 0.0000000000 5 OF050111 1 1 fixed 0.05 0.87631433 0.12603844 0.034050727 0.0438157167 0.006301922 0.0017025363 6 OF110018 1 1 fixed 0.14 0.25834896 0.16861620 0.024220963 0.0361688537 0.023606268 0.0033909348 7 OF217004 1 1 cash 0.20 0.04520000 0.03600000 0.023700000 0.0090400000 0.007200000 0.0047400000 8 OF233013 1 1 fixed 0.10 0.24233716 0.20354665 0.047405509 0.0242337165 0.020354665 0.0047405509 9 OF485014 1 1 fixed 0.05 0.43093466 0.14104046 -0.003039514 0.0215467328 0.007052023 -0.0001519757 10 OF530008 1 1 fixed 0.11 0.24096634 0.12612313 0.014972419 0.0265062977 0.013873544 0.0016469661

把數據進行合并，分別計算plan1方案的收益率，和plan1方案不同資產的收益率貢獻。

# plan1方案的收益率 > plan1r plan1rterm risk ret2016 ret2015 ret2014 1 1 1 0.03632506 0.09991751 0.1621068#計算3年的累積收益率曲線 > plan1r$cumret plan1rterm risk ret2016 ret2015 ret2014 cumret 1 1 1 0.03632506 0.09991751 0.1621068 0.2983493# plan1方案不同資產的收益率貢獻 > plan1rm plan1rmterm risk type ret2016 ret2015 ret2014 1 1 1 alter 0.009742206 -0.003355705 0.0007954545 2 1 1 cash 0.004740000 0.007200000 0.0090400000 3 1 1 fixed 0.016574914 0.096073214 0.1522713174 4 1 1 stock 0.005267938 0.000000000 0.0000000000

用我計算的結果，分別對比“摩羯智投”中，近1年和近3年的收益率曲線。

近1年對應plan1r$ret2016=0.03632506=3.63%，近3年對應plan1r$cumret=0.2983493=29.83%。我發現計算結果存在差異，從最終結果的數字上來看差異并不大。但對于近3年的收益率曲線的走勢來看，差異還是非常明顯的。“摩羯智投”給出的近3年收益率曲線是，均勻平穩上升的，而我算出來的，3年數據2014年漲了16%，2015年漲了9%，2016年漲了3%，逐年收益率在遞減。所以不應該呈現均勻平穩上升的形狀。

究其原因，再來看plan1的組合數據，發現股票基金只有配了一只中歐潛力價值(OF001810)，而這只基金在2015年09月30日才成立，所以并不能構建出該基金在2014，2015的年度收益率組合。以此來判斷，這個組合勢必存在著中間調倉的過程，而“摩羯智投”的收益率曲線，并沒有展示出調倉過程的數據，所以收益率曲線是不透明的，不能夠直接做為用戶購買決策的依據。

接下來，我們把30種組合的收益率，都計算出來。再與“摩羯智投”給出的收益率進行比較。

上圖中，ret列為“摩羯智投”界面上采集的數據；ret2016,ret2015,ret2014分別為我們根據基金的公開市場的數據，計算出來的百分比結果；mean為ret2016,ret2015,ret2014算數平均數。從數據上看，ret列和mean列，有部分值接近。我們再做一次相關性分析。

這樣解讀結果就容易多了，ret與2016年的收益率是線性相關的，而mean與2014年的收益率是線性相關的，我猜2014底的“股債雙牛”使均值發生了偏離。所以，ret和mean沒有關系，“摩羯智投”對于收益率的預期，對于近1年的組合收益可能有更大的權重分配。

所以對于“摩羯智投”給出預期收益和凈值曲線，我們并不能通過已知的數據計算出來，這些可能就涉及到它背景的算法，我們就無從知曉了。

4. 結論

以上從數據的角度給對“摩羯智投”進行了分析，首先摩羯構建的組合是線性組合，符合風險收益為基礎資本資產定價模型(CAPM)。但由于組合數量有限，基金標的有限，算法不夠透明、無法利用已知數據重現結果，缺少客戶持續跟蹤等部分，所以我把“摩羯智投”理解為是基于金融專業性架構，結合快速上線為目標的試水。可以實現對散戶的簡單、高效的財富管理體驗，部分解放理財經理的壓力。但對于專業的投資經理來說，這還僅僅是個玩具，還有相當大的提升空間。

本文只是人個出于興趣，對“摩羯智投”應用的從數據角度的分析，不代表任何公司或其他第三方機構的立場。由于所獲得數據有限，以及個人知識能力有限，如有片面的理解，還指大家指正。

轉載請注明出處：
http://blog.fens.me/finance-mojie

This entry was posted in 金融

總結

以上是生活随笔為你收集整理的用数据解读摩羯智投的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。