登录
本帖为AI慕课学院『智能投顾高级特训班』学员问题汇总。对于本课程知识有任何疑问，请在本帖下留言。
课程地址 ： http://www.mooc.ai/course/157
1. 中国的QD产品是否更适合美国的智能投顾模式？
答：中国的QD产品，我如果没理解错的话是指中国的类似于QDIA这些主投海外的基金。相对来讲，中国的QD产品可能会比国内的其他公募类型的基金更适合作为美国智能投顾模式的底层标的或资产池，因为国内的QD基金主要是追踪国外的一些指数，但我不得不提一句，因为我自己亲手去看过国内不少的QD基金，很多QD基金的实际涨幅和国外的指数是脱离的。
其次，国内的QD基金一般来讲都是T+7的认购和T+7的赎回，所以说一买一卖大概20天过去了，为什么是20天？因为是14个交易日，14个交易日大概就是将近三周了。
在这样的情况下，它和美国标准ETF当天买卖的流动性差距还是很大的，这一点在资产配置上也会导致差异，而且QD基金的费用也要比ETF高很多，所以无论是从费用、流动性，还是从追踪误差方面的表现上来讲，QD和美国的这些被动式投资的标的还是不太一样的，而且中国的QD数量比较有限，投资目标也比较有限，比如说要追踪投资巴西的一个什么指数，国内QD是没有这样产品的，而美国有。
所以从这两个方面讲，中国的QD可能更适合相对于其他类型的公募基金，可能更适合美国的智能投顾方式。但还是有很多问题，至少我刚才提到四个方面的问题需要解决。
2. FOF产品对智能投顾是否有影响？
（本问题详细解答可观看课程视频：课时5）
答：现在国内的FOF是个伪命题，国内现在FOF目前资产还是不够分散，有的FOF有一些灵活性，但有的FOF还是限定在某些指定的资产大类当中，所以说目前推出来的FOF，并不能够做到像智能投顾那样，真正的去做到大类资产配置，这是第一。
第二是中国的第一批FOF更多的是收费形式，它是在公募基金原有的收费基础之上又多包了一层，也就是多收了一层费用。而这个效果怎么样，还很难说。但费用已经收上去了，所以不是特别推荐。这两点是我为什么不是很看好国内第一批FOF的原因，当然未来有可能会变得更好。
第三个方面是从美国的FOF发展来外推可能中国发布后变成什么样。仔细看一下会发现其实发展得并不太好，美国目前的发展方向——智能投顾的整个路线，其实底层并不会配很多的FOF，或者说美国的FOF对美国智能投顾的发展实际上并没有产生威胁。美国的FOF其实很早就有了，而且现在美国的FOF反而是在走下坡路，所以说目前为止我觉得没有什么太大的影响。
3. 中国基金市场中，哪些切入点比较适合智能投顾？是否在牛市中智能投顾更具优势？
本问题详细解答可观看课程视频：课时5
答：对于这句话我保留意见。我要重申一下智能投顾的理念，我们在课程中也讲到了，智能投顾作为一个理性投资，是理财规划的一种方式，无论你是一个短期理财、中期理财还是长期理财，它会帮助匹配你的需求和你的经济状况。
如果是牛市来了，类似于2014年底2015年初的那一波大牛市，那么任何人闭着眼睛买股票都可能赚很多钱。我觉得智能投顾的优势反而显示不出来，大家就会认为是他自己厉害，或者市场好，而不是智能投顾的优势。
另一方面，如果市场大跌的情况下，智能投顾就能体现出它的优势了，比如说15年下半年或16年年初熔断的时候，智能投顾其实是可以帮助大多数人规避掉很多损失，或者至少能减少损失，这是一个有效的帮助，智能投顾是在一个熊市上使用更多的。
但我们不要把眼光局限在熊市或者牛市上，我觉得智能投顾是一个无论市场怎么样，都可以帮助你更加理性的投资，并合理分配你的资产，管理财富的一个工具，因为未来的市场到底是牛市还是熊市，我们不好判断。
我们站在今天这个时间节点上，能做的就是做出一个理性的资产配置，用智能投顾来帮我们做出合理的规划。一个人随着年龄增长，不应该总是去赌市场明年是牛市还是熊市，要可持续的发展。
4. 相较于美国市场而言，智能投顾是否在中国市场更具发展潜力？
（本问题详细解答课观看课程视频：课时5）
答：首先，智能投顾在国内是有很广阔的发展前景，其实我之前的讲座内容里面也都提到了，因为国内其实比美国有更大的金融专业人才或者理财规划师的空缺，无论是人数还是专业能力上都有比较大的差距，而智能投顾又是能够很好解决这个问题的工具，这是第一方面。
第二方面是国内十几年前是无财可理，大家没有太多的钱，但现在国内已经进入经济新常态，会有越来越多的人去体验理财的重要性，随着市场教育的深入，其实智能投顾有很大的发展空间，而在这一点上来说，美国的传统金融机构相对比较成熟，已经瓜分好了各个市场，美国的市场教育也持续了很长的时间。所以说这一点中国确实是比美国有更多的可能性。
5. 如何判断国内智能投顾平台的优劣？
（本问题详细解答课观看课程视频：课时5）
答：这个问题其实挺复杂的，简短答案就是当大家跟着我一起把所有初级、中级和高级课程走完一遍之后，大家对整个智能投顾的原理和真正量化的部分就会比较有概念了。当我们以专业的眼光再去看市场上的项目，绝大多数我们就能很轻易的分辨出来。
6. 智能投顾实现的是通过对用户投资需求的分析，形成用户风险偏好无差异曲线和资产组合相切实现的么？用户的风险偏好无差异曲线是怎么得来的？
（本问题详细解答课观看直播回放视频：课时11）
答：不同的模型，对这个问题有不同的处理方法，比如我们要讲的均值优化模型，它会引入一个正实数lambda，作为风险偏好的度量，这个正实数作为参数，会进入到模型的求解和优化过程当中。具体是什么形式，我们接下来的课程会做详细的讲解，会看到它的实际应用。
7. 智能投顾需要掌握哪些数学基础知识，有推荐辅助学习的书籍资料吗？
答：第二次课程我帮大家回顾了一些基本概念，下面的课程我们会涉及大量的数学模型及推导。建议大家找回高中、大一、大二的学习教材，把相关的概念和推导过一遍。
8. 如果提需求给开发设计的话，业务上就提供公式吗？
（本问题详细解答课观看直播回放视频：课时11）
答：简单的回答“是”，核心就是整个的这一套公式，以及这些参数该怎么估计，这是最难的一点。
稍微展开一下，实际上我们在项目实施的过程中，这些模型或者这些公式其实就是我们的研究成果，当我们有了这些公式之后，我们需要做的事情只是考虑结合具体的数据，把它写成一个实现的流程，说明文档而已。
9. 如何知道市场上的智能投顾使用的是什么模型？
（本问题详细解答课观看直播回放视频：课时11）
答：我们没法知道，除非对方告诉你。国内现在绝大多数都会说自己是基于马克维茨模型的一套智能投顾。所有智能投顾的核心或者真正的门槛是在我们真正去计算的一个模型本身，这是门槛。目前来讲，其他所有的数据还远远构不成门槛。
10. 开发智能投顾是我们自己构建公式？还是公式固定，我们负责把实际产品数据套进去就可以了？
（本问题详细解答课观看直播回放视频：课时11）
答：需要我们自己构建这个公式，为什么呢？
一是假设在没有任何现成理论的条件下下，我们是没有办法套用公式的；
二是公式中的K值怎么去选？我们用历史样本值的话，是选一天、一周还是一年？你需要做大量的测试，你需要知道怎么去做好所有的开发。开发技术的同事写代码时，他们并不关心你的K值，而这个数字是你需要给到他们的，所以说你需要知道这个模型它的公式是怎么推导来的，知道之后才会了解它的优点和缺点。在这样的情况下，我们在选取K的时候才能够知道怎么去进行。
11. 有没有什么方式可以尽量减少投顾的交易费？我们目前的做法是采用基金转换业务，并且转换费0折，王博有没有其他办法？
（本问题详细解答可观看课程视频：课时5）
答：现在国内金融监管比较严厉，其中不只是投顾有交易费的问题，还有扣款失败的问题。基金转换其实是行业内比较常用的一种方式，能够做到转化费0折，就是完全免费，那这家机构其实已经很厉害了，等于是我们在调仓的时候已经是一个比较少的低费用了。这是一种做法，就是我们通过基金风格转换，而不是通过这种买入卖出，这是一个很好的做法。
另外一种做法是通过差额计算调仓，就是把你所有的持仓全部都卖出，然后再把你所有持仓全部买入。其实你调仓的部分比较少，为什么呢？因为你调仓和你的费用是联动的，你每一次调仓其实都调的是一部分，我们有两种方式，并且这两种方式可以结合在一起使用，从而使得我们的这个调仓费用降下来。
第一种方式就是做差额，然后做迭代求解，就可以求解预估出比较合理的调仓费用，然后从而实现这个调仓费用的优化；第二，可以采用每一次调仓不进行全部仓位调仓，比如说我们分成三个月调仓，每个月只调1/3的仓位，我把这1/3的仓位重新分配，并且计算如何进行差额调仓，那么这个调仓费用就又省了一笔，就等于每三个月会把我所有的仓位全部轮换一遍。
目标仓位的差额调仓法这两种方式一结合的话，其实费用就可以很低了。如果选用这种选基的时候尽可能选用同一家基金公司下的不同基金，然后再采用份额转换的方式就能够把费用进一步降低。
12. 老师您好，听您的课程提到基金转换或者调仓，但是我发现国内的某行的智能投顾产品，不存在智能调整仓位。那么我理解是不是就和ETF和基金定投一样，只是自己再搭配一下，对冲的金融产品和关联性不要那么强的其他的产品就好？
（本问题详细解答可观看课程视频：课时22）
答：首先，我不确定是中国哪个大行，因为它们的智能投顾产品上线时间很短，我们很难判断。但招行摩羯是真实存在调仓的。招行摩羯平均调仓频率根据我这边的记录是平均每个月调仓一次，而且它调仓收取百分之一的费用，每一次调仓的费用其实是比较贵的。
13. 怎么用AI和大数据做智能投顾？用大数据预估有什么优势？
（本问题详细解答可观看课程视频：课时19）
答：这个问题挺宽泛的，在高级课程中我会结合一个实际落地案例，应该也是我所知道国内真实落地的、完全没有人工干预的一套智能投顾系统，把它拆解，告诉大家全套流程。
联合大数据做智能投顾，我们目前来讲是做成几个大的步骤，分别是：用户风险评估、构建对应风险等级组合、监控调整等。
大数据预估我最深的感触是，在做用户风险等级划分的时候，运用基于用户交易行为的方法拥有非常大的优势，另外中级课程的第一节就有阐释大数据和AI在金融领域里有哪些成功案例。
14. BL模型是否就是马科维茨模型加市场主观因素？
（本问题详细解答可观看课程视频：课时19）
答：其实不能这么理解。如果说我们认为这个马科维茨模型加上主观因素等于BL模型，那么我们就等于强制地让马科维茨模型等于市场均衡状态下的资金分布，这个并不是普适马科维茨，最后求解可能和市场偏离得非常大。
15. TB模型和BL模型相比的优势在哪里？
（本问题详细解答可观看课程视频：课时19）
答：TB模型里我们有一个假设是所有参数的估计都是准确的；而在BL模型里，我们其实是引入了不确定性，使得整个BL模型是完整的一个不确定性下的一个随机模型，这就是它们最本质的不同。
16. 同为预测模型的ARIMA和回归有什么区别？两者如何结合？
（本问题详细解答可观看课程视频：课时22）
答：首先，ARIMA其实就是回归模型的一种。回归模型，包括很多很多种，有典型的线性回归、逻辑回归，还有ARIMA模型等等。
ARIMA和（线性/逻辑）回归它的区别在于基础数据完全不一样，回归模型是直接针对于平稳数据进行建模，不需要进行查分变换，而ARIMA是基于一个非平稳的数据，这种非平稳的数据一般来讲，我们需要进行处理，把它变成平稳数据后才能进行建模。这种处理常见的手段之一就是进行差分，把数据进行拆分，平稳后再建模。ARIMA有一个这样的数据差分的过程，所以说是把不平稳的数据变成平稳的。
不过我们不要太迷信差分，因为差分运算有一个问题是：在经济学里面，差分运算会让模型失去它的原本的经济学意义。尤其如果你做多次差分，你会浪费很多信息，因为你把数据极度精简了，你原本数四个数据点，你三次差分后就变成一个点了。
发表评论
你还没有登录，请先登录 或 注册！