博时基金

时间回到上个世纪，1997年5月11日，IBM超级计算机“深蓝”（Deep Blue）经过多次升级迭代后，历史性的战胜了“保持棋王头衔长达21年”的国际象棋世界冠军卡斯帕罗夫，开启了人机大战的序幕。深蓝之所以取得划时代的进展，主要是在算力得到大幅度提升的条件下，能够使用遍历搜索方式穷举国际象棋各种走法，从而找到最优策略。

在国际象棋上战胜人类后，电脑随之把下一个挑战的目标转向了围棋。理论上围棋也可以使用国际象棋同样的方法进行暴力破解，但由于围棋走法更加复杂，穷举其各种可能是250的150次方数量级，对算力要求太高，耗时太长，因此电脑始终未能取得明显进展。直到2016年1月28日，国际搜索巨头谷歌公司的深度学习团队（DeepMind）在自然杂志（Nature）上发文，宣布其人工智能（AI）围棋系统AlphaGo首次战胜了人类职业围棋选手，其升级版本接连赢得与围棋世界冠军的对战，标志着AI真正进入了新时代！

近几年来，基于大数据的AI已经成为信息技术领域最前沿的课题，在人脸和图像识别等领域获得了广泛应用，其识别准确率甚至超过了99.99%。大数据和机器学习的原理和方法，包括数据降维、算法迭代、马尔可夫链、决策树等，与资产管理业务的特性高度吻合，可以较好的应用在投资管理领域。国内外多家资产管理机构已经尝试使用AI技术手段优化资产配置和组合管理，典型代表如Aladdin、Wealthfront等。

在国际成熟市场，资产配置长期被视为投资收益的主要来源，如根据1986年BHB（Brinson、Hood、Beebower）对美国91家养老基金10年（1974-1983）季度收益率数据进行的归因分析，投资组合总收益的93.6%来源于资产配置。在国内，随着股票市场的发展成熟和有效性的逐步提高，自下而上获得阿尔法的难度越来越大，资产配置的重要性日益显著，主流机构投资者纷纷开始加强在资产配置上的研究和投入，结合大数据、人工智能等应用，抢先布局智能投顾、金融科技、FOF等新业务。

大类资产配置是指在风险约束范围内，通过优化和调整各类资产的投资比例，以实现既定的投资目标。它既不是简单的自上而下的比例决策，也不同于传统上的“择时”，而是一整套复杂严密的研究和决策系统。资本市场尤其是股票的短期走势具有较强的随机性，大类资产配置不是基于对市场的短期预测而是根据大类资产中长期的内在价值以及价格偏离程度做出比例决策。从中长期的角度，资产配置的核心是确定各类资产的内在价值中枢，大类资产的价格具有显著的均值回归特点，因此资产配置的视野往往比较长，如战略资产配置（SAA）视野普遍在3-5年，战术资产配置（TAA）视野普遍在1-3年。

大类资产配置理论研究始于上世纪30年代，传统配置策略包括60/40、等权重组合和均值方差模型等。经过几十年的实践，资产配置在理念和方法上不断发展成熟，形成了多元分散、权益偏好、长期持有、逆向操作等投资理念，构建了风险预算(Risk Budgeting)、参考组合（Reference Portfolio）、因子配置等框架体系，开发了均值方差（MV）、Black-Litterment、风险平价（Risk-Parity）、CPPI、TIPP等模型方法。但国内在大类资产配置领域还存在不少误解，在资产配置的研究深度和标准化方面尚显不足，大类资产配置实践经验比较欠缺。

过去几十年，从大周期的角度，国内资管行业总体长期处于上升趋势，组合管理的负债端持续获得优化，风险预算软约束，同时资产端的长期年化收益率较高，导致组合管理对资产配置精细化的要求相对较低，尤其是在负债端具有显著优势的情况下，主要进行增量资金配置，只要坚持正确的配置理念就可以获得较好的收益率。然而，随着宏观经济和资本市场形势变化，资产管理行业可能会由增量竞争走向存量博弈，资产配置也必须由增量配置向难度更大的存量配置转型。在负债端和风险预算有明确约束的情况下，短期冲击时有发生，资产配置亟需进行框架重构和流程再造，通过深入研究和动态调整等精细化操作，更好实现负债端和资产端的匹配。在研究方面，不仅要对长期问题做深入分析，还要对短期冲击做紧密跟踪，对现金流情况和资产流动性做动态监控，实现研究驱动配置决策。在配置方面，不仅要深刻认识负债特性，强化风险预算约束，还要加强资产的风险和收益分析，执行投资基准的穿透性和配置比例的纪律性，实现各类比例动态平衡。

为了实现资产配置的标准化目标，有效提高组合管理效率，需要建立强大的数据处理系统和分析能力，而以大数据为代表的AI技术手段和模型方法有助于资产配置实现这一目标。展望未来，随着科技在金融领域的渗透，基于大数据和人工智能的配置模型和框架体系可能获得更广泛应用，并有望将资产配置带入新的时代。