债券智能投顾实施路径与解决方案探索

作者 | 中债资信信用信息产品团队

从当前看，面向机构投资者的2B型智能投顾产品更符合现阶段国内市场所需。从债券投资实践来看，智能投顾可以满足当前市场及时化、定制化、便捷化的债券投资需求。

国外智能投顾行业起源于美国，在互联网信息技术的推动下可为用户提供个性化、透明化、便捷化的财富管理服务。2008年至今，受益于人工智能技术的深度发展，智能投顾逐步形成产业气候，传统金融机构亦纷纷进入该领域，全球智能投顾管理的资产规模已超过1,000亿美元。

按照Betterment和Wealthfront的界定，智能投顾是完全基于现代投资组合理论（MPT，Modern Portfolio Theory），结合投资者的财务状况、风险偏好、理财目标等，运用云计算、大数据、机器学习等技术搭建的数据模型和后台算法为投资者提供相关资产配置建议，其实质上是将财富管理服务流程加以自动化。

从服务对象和服务方式来看，目前智能投顾可以分为2C、2B以及综合性服务三大类：第一类直接为C端的用户提供服务；第二类主要面向金融机构提供智能投顾解决方案以更好服务其用户；第三类同时为用户和机构客户群体提供服务。受创新型2C平台竞争激烈的影响，部分平台逐渐从单纯2C模式开始向2B2C兼顾模式转变。

国外智能投顾业务主要基于以股票为主的多元化资产池开展。虽然美国的债券市场规模位居全球第一，但智能投顾产品仍以股票为主，背后原因可能有以下几方面：一方面，美国股票市场成熟度很高，与经济发展关系紧密，具备一定的可预测性，这也是智能投顾偏好的特征；另一方面，国外金融市场投资者经过多年的投资洗礼，容忍波动能力较强。

同时，美国股市长期以来相当稳健，纳斯达克和纽交所指数自1990年来内部年化收益稳定在5%到10%之间。在资产多元化方面，国外金融市场产品谱系较为丰富，资产池可选择范围广泛，为资产池多元化选择提供了基础，而国外机构及个人投资者也倾向于以多元化的投资方式实现风险分散化。

相比股票市场，国外开展债券领域的智能投顾公司不多，代表公司是以色列的Bondit。Bondit成立于2012年，其致力于解决由于工具和数据限制、投资经理无法实现固定收益投资最优组合的难题。经过3年半时间，其采用马尔可夫模型（Markov Model）和马科维茨（Harry Markowitz）的投资组合理论，于2015年开发了一款专注于债券投资的智能投顾SaaS软件，并已于2016年开始商业化，主要用户为私人银行、资产管理公司等机构用户。

Bondit通过机器学习算法所构建的模型，让数据可视化，提供债券投资组合设计、优化、调整、监控及分析的一站式服务。其监控内容主要包括市场行为（价格、收益率和利差）、风险变动（评级和流动性）、现金流（赎回和票息）和用户所有权（研究推荐和产品风险评级）四个方面。若监控到相应的变动需要进行调整，其可在一天内给用户调整推荐，以保证用户及时做出调整。

在国外蓬勃发展浪潮之下，2014年也成了中国智能投顾的元年，引发各类互联网科技公司和金融机构开始“试水”，但目前产品以概念设计居多，实际落地执行的偏少。

从已经落地的智能投顾产品看，国内智能投顾公司大致分为独立创新公司、互联网巨头和传统金融机构三类，其模式以2C为主，资产池主要是A股、ETF、现金等。从其投资策略看，主要采用分散被动管理方式，但也有部分采取主动式管理策略的产品，例如“贝塔牛”。

贝塔牛投资策略的生成主要通过选股模型、择时模型、组合构建模型和组合再平衡模型完成：选股模型根据不同策略（目前已上线选股策略包括短线智能策略、综合轮动策略、价值精选策略以及灵活反转策略）提供的选股因子，对所有的个股进行打分，然后将得分较高的股票放入备选股票池，用户输入组合金额等个性化参数后，组合构建模型则根据该参数从备选股票池中选取一定数量的个股构成用户的组合；择时模型负责产生股票的买卖信号和仓位控制信号，提供合适的买卖时间点，并通过仓位控制信号控制投资计划的风险；组合再平衡模型则负责监控择时模型产生的信号，配合用户的投资计划形成操作策略。

整体看，目前国内智能投顾产品模式以2C被动分散式管理为主，资产池主要是A股、ETF等品种，以2B模式且专门针对债券的智能投顾产品有一定的缺失。但结合目前国内市场投资需求分析，2B债券型智能投顾产品需求强烈。

2.1 国内债券智能投顾的发展机遇

从投资标的分析，债券是国内金融市场机构投资者的主要投资标的。一是我国金融资产主要集中于银行体系，而国内银行投资偏好以稳健投资为主，体现在资产配置领域就是固定收益类占比较高，智能投顾应用具有明确的场景。随着刚性兑付逐步打破，市场避险情绪升温，收益相对稳定的债券投资避风港效应凸显，进一步推升了这方面的迫切性。二是相比股票市场，国内债券市场是机构投资者主导的市场，有效性较高，具备一定的可预测性，更加适合发挥大数据和人工智能进行信息挖掘的作用。三是国内债券市场发展较快，但相比国外债券定价并不充分，整个市场存在较多的超额收益机会，智能投顾具有很好的收益挖掘潜力。基于此，以债券为标的开展智能投顾服务前景广阔。

从投资者层面分析，2B相较2C更适合国内。国外投资者更看重的是通过智能投顾节约成本和时间，2C类的智能投顾产品符合其市场需求。从国内情况看，个人投资者偏好于股票投资，债券投资由于门槛较高，收益较低，直接持有比例较低。同时，商业银行以发行理财的形式将居民存款汇集起来，成为债券市场的主要参与者。目前，国内2C业务大多侧重于包括股票在内的大类资产配置，单独应用于债券领域的并不多。总体来看，面向机构投资者的2B型智能投顾产品更符合现阶段国内市场所需。

从债券投资实践来看，智能投顾可以满足当前市场及时化、定制化、便捷化的债券投资需求。从时效性需求分析，传统投顾主要是根据个人的知识和经验，结合投资者的资金规模和投资目的，为投资者提供资产配置组合，同一时刻只能为单一投资者提供服务，效率相对较低。而智能投顾将金融专家的知识和经验算法化，一套系统可以同时服务于需求各异的投资者，效率较高，且能够让每位投资者享受到专业的投资服务，提升投资决策的效率。

从定制化需求分析，受风险管理水平和成本控制差异影响，当前不同类型机构投资者债券投资的差异性较为明显。以国内不同类型银行为例，五大国有商业银行其债券投资品种以国债、地方债和金融债等利率债为主，且目前已经形成较为完善的投资和风险管理体系，在各类银行中信用风险管理水平最高。但其投资标的相对单一，未来投资需要以固定收益为基础，拓展投资边界，提升大类资产配置能力。

股份制商业银行和大型城商行，目前已经形成了较为完善的风险管理体系，但近期成本上行显著，提升投资收益需求显著，其未来债券投资需求主要体现为两个方面，一方面从目前持有到期为主转向交易型、策略型的投资模式转型；另一方面在保证不发生信用风险的前提下，挖掘α收益。

中型城商行和大型农商行已经基本搭建起投资和风险管理团队，但考虑自身业务发展主要立足于所属区域，对外省份的情况了解有限，需增强风险识别能力。

中小型城商行及农商行，其债券投资规模大多低于100亿元，过往债券投资主要以委外形式进行，但前期被委托人由于业绩压力，大部分投资债券以低等级信用债为主，目前大部分收回进行主动管理。但受人力不足及专业水平有限、风险管理部门实际监控债券风险未能实现风险由定性转为定量分析等情况影响，其投研水平相对有限，未来加强风险管理的需求显著。而智能投顾基于人工智能等技术，可以更好地推荐符合用户需求的操作建议，满足不同机构用户的定制化需求。

从便捷性来看，投资者只须在智能投顾平台上填写自己的相关资料，智能投顾就能根据资料给出合适的资产配置组合，并且帮助客户进行跟踪、优化。此外，智能投顾基于数据的客观表现和科学计算，对于数据的分析不会带有偏见，能够为投资者提供客观的结论。

2.2 国内债券智能投顾的主要挑战

虽然2B债券型智能投顾产品市场需求强烈，但其未来落地仍将面临一定挑战。2018年4月发布的资管新规首次涉及国内智能投顾监管，其明确要求“运用人工智能技术开展投资顾问业务应当取得投资顾问资质，应避免算法同质化加剧投资行为的顺周期性”。考虑目前国内智能投顾处于发展初期，后续发展仍有很大的不确定性，具体落地还会面临数据缺失等方面的挑战：

首先，在数据方面，尽管国内债市规模居世界第二，但是债券市场数据积累仍然不足，尤其是包括发行主体的经营数据、债项交易数据、违约概率和违约损失率等方面的数据积累的时间并不长。而智能投顾产品核心是依靠数据驱动算法，数据的缺失将使得“智能”效用大大挫伤，未来或将影响智能投顾产品落地的进程。

其次，在投资标的方面，国内对冲债券风险的金融衍生品较少且相关产品市场流动性不够，而智能投顾有一个建仓和调仓的过程，但该过程的实现需要以金融产品和金融衍生品为基础。金融市场产品不够丰富一定程度上会制约债券智能投顾的落地。

最后，在模型工具方面，部分智能投顾依靠量化工具或资产配置模型为客户提供投资建议，以追求低风险、高稳定收益的散户为主，还有些所谓“智能投顾”为迎合投机心理，私接基金或推荐高风险资产，实际带来更大的投资风险和支付风险。

整体看，虽然受数据等方面影响，国内债券智能投顾落地面临一定挑战，但考虑到我国债券市场未来发展空间巨大，以商业银行为代表的机构投资者需求较为刚性，及时化、定制化、便捷化的需求凸显，国内债券智能投顾领域面临的机遇远大于挑战。

面对市场大势，中债资信已在积极开展债券智能投顾服务工作，以期切实提升用户债券投资效率，丰富债券市场基础性工具，推动债券市场更好发展。

3.1马科维茨投资组合理论是债券智能投顾的理论基础

以现有较为成熟的智能投顾产品为例，均依据马科维茨投资组合理论实现，其理论主要包括均值-方差分析方法和投资组合有效边界模型。具体来看，以波动率（收益率标准差）为横坐标，收益率为纵坐标，形成一条曲线。这条曲线上有一个点，其波动率最低，称之为最小方差点。这条曲线在最小方差点以上的部分就是著名的（马考维茨）投资组合有效边界，对应的投资组合称为有效投资组合。通过该理论，进行债券组合管理，可以更加科学地指导投资，便于机器执行。

3.2用户自画像分析是实现债券智能投顾的前提条件

经上文分析，不同类型投资者投资偏好有一定的差异，因此，只有更好地了解用户偏好，才能满足用户定制化需求，实现智能投顾。用户自画像分析先对客户进行全面系统的个性化评估，综合整理分析其投资经历，判断其投资风格，对每一位客户产生一幅非常清晰的个性“画像”，然后针对不同类型的客户匹配不同的产品，甚至针对每一位客户单独设计最适合的产品或组合方案。

具体来看，可通过存量库分析、问卷分析和马尔可夫分析三种形式实现：存量库分析方面，基于已投债券的进行深度分析，包括期限、级别、区域等，以更好地了解过往投资偏好；问卷分析方面，通过问卷形式，快速了解投资者对信用级别、区域、行业、投资规模、预期收益等方面的偏好；马尔可夫分析方面，马尔可夫模型是指当一个随机过程在给定当前状态及所有过去状态情况下，其未来状态的条件概率分布仅依赖于当前状态。

从投资者投资行为看，后一阶段的行为直接受前一阶段的影响，而较少受前几个阶段的影响，这是一个近似的一阶马尔科夫过程，可利用马尔可夫模型，以预测未来投资者可能的投资方向，更好地满足用户定制化需求。通过用户自画像分析，进而计算得到用户的风险容忍度分数，并在资产配置时，运用风险分数这一指标为用户推荐投资组合。

3.3基于可投库和债券投资策略是构建投资组合的必要途径

在了解用户自画像的基础上，进入构建符合用户需求的投资组合阶段。受用户对行业特征、区域风险等把握不充分、发行人付费制评级结果区分度不够等因素影响，用户的自画像可能存在不符合实际的情况，尤其会出现用户凭感觉认为部分企业债券可投，但实际信用风险偏高或行业利差处于收窄趋势相应债券投资价值偏低的情况。

此时，需要借助可投库和债券投资策略，对用户偏好进行智能修正，以科学地搭建投资组合。可投库修正方面，通过前期风险识别，将市场中存在信用风险的企业剔除进而构建相应的可投库，进而在可投库范围内筛选符合需求的企业，可以有效避免信用风险敞口过大的风险。债券投资策略修正方面，基于基准利率和行业利差变动趋势，可科学地筛选出投资价值相对更高的债券。

3.4从个券风险和组合风险进行动态平衡是组合管理的主要手段

动态风险监测包括个券风险监测和组合风险监测。个券风险监测方面，一方面，中债资信经过多年的评级技术积淀和评级经验累积，目前已经建立起一套专业的信用风险监测体系，可提供最专业的信用风险监测服务。

一是依托人员团队优势建立起了全市场唯一的分行业、分区域监测企业风险。二是形成了以“日、周、季、年”为维度的全方位监控网络。三是通过分析每日债市交易信息、提前排查各债券的到期偿付风险等方式，实施主动式风险监测。

可针对发债主体的新闻舆论，及时与发行主体、承销商沟通，由分析师根据其对信用评价、投资决策、估值的影响作出点评分析，方便投资者及时调整投资库及持仓；另一方面，在个券市场价格方面，通过对基点价格值等指标的监测，以及时预警市场变动对债券价格的冲击。

组合风险监测方面，主要基于期限匹配的角度对用户组合现金流入流出进行管理，在资管新规严格限制期限错配的监管形势下，可有效以帮助投资者实现资金端与投资端的平衡，实现稳健投资。

在组合管理方面，以用户偏好为基础入库调整，借助组合分析，帮助用户进行债券推荐，以实现用户债券投资的主动化管理。由于国内债券投资者大多数以持有至到期为主，因此，投资顾问需从一级市场认购和二级市场交易两个维度展开。

具体来看，若用户出现债券到期，需进行一级市场认购或二级市场交易，可从近期待发行的债券列表或存续债券列表进行推荐。具体推荐需分三步走，首次，推荐债券必须满足用户偏好；其次，推荐的债券，需与组合的预期改善方向一致；最后，对上述两步筛选后的债券进行性价比排序，挑选出价格更优的债券。

对于性价比的评价，主要方法为夏普比率法，即利用组合预期收益率与无风险利率的差值与组合标准差的比值进行测度，可实现信用等级与久期的最优化选择。

3.5分散度分析和业绩归因是衡量债券组合效果的重要依据

分散度分析主要帮助用户直观地实现组合精细化管理。不仅可以帮助投资者的债券投资满足监管要求，比如测度单个主体的投资规模额度是否超过上限，还可以帮助投资者了解组合的稳定性，包括久期、信用级别分布、区域分布、行业分布等。

业绩归因分析方面，主要是可以更加直观地了解收益来源，为未来优化投资组合提供参考。目前业绩归因模型主要包括W-T、加权久期归因和Campisi三类，而Campisi应用最为广泛，其按照传统将债券组合的总收益率分解为了利息收入和价格收入。

然而，对于价格收入，Campisi模型又有了进一步的细分，其将价格收入分解为了国债变化效应、利差变化效应以及择券效应。该模型主要输入指标包括：债券组合的市值权重、总收益率、期初价格、期初久期、期初以及期末的国债曲线、面值权重、和债券组合中对应行业持仓的平均久期相匹配的国债收益率变动、各个行业的利差变化。

3.6“人机结合”模式是债券投资逐步智能化的必备阶段

受数据缺失、金融产品体系不足等因素影响，国内的智能投顾在现阶段尚无法实现自动识别信息、自动执行的全流程操作，仍需结合线下专家咨询。

具体来看，机器可给用户及时推送定制化的操作建议，并可以直观展示若执行该操作，对整体组合的影响程度，而最终是否执行由用户决定，若用户有所迟疑，可通过线下专家咨询进行确认。此外，通过“人机结合”模式，可逐步完善机器学习样本，以实现累积数据并提升智能化的目的。

目前，国内开展智能投顾业务的商业银行主要将其应用于高净值客户的财富管理业务领域，投资标的包括公募基金、银行理财、贵金属等。

相比之下，面向作为机构投资者的商业银行提供债券智能投顾服务的并不多，如何根据商业银行群体自画像，匹配相应的产品画像，利用科技赋能债券投资业务备受关注。

中债资信结合多年的债券评级经验、信用信息服务经验和数据累积优势，积极探索开展面向商业银行机构端的债券智能投顾服务，以用户自画像和产品画像为出发点，以人机结合形式进行债券性价比分析为核心，围绕债券投资组合进行精细化管理和智能监测。

通过智能投顾的应用，中债资信希望提高债券策略和组合搭建的精准性，借助人工智能提升投资决策效率和效果，配合商业银行打造名至实归的智能投资品牌。