借助AI使您的投资组合多样化

您是否曾经想过为什么您的股票投资组合表现不如基本的“股票市场”ETF更好，或更糟糕的是您自己的期望呢？尽管您的Robinhood帐户中有“正确”的股票，但您的整体投资组合不应该在应有的位置？这是有原因的，原因很简单：买一篮子股票并称其为每日交易还不够。

确定要购买多少股票并不像基本的数学方程式那么简单。为什么要根据昨天的股市来建立您的投资组合？人工智能（AI）的进步使现在更容易以高概率预测明天的股票市场。有了这些信息，使用AI方法论构建的投资组合将在结构上为个人带来更好的表现。

什么是多元化投资组合？

在讨论投资时，多元化的概念被广泛使用，它的真实含义通常会丢失（或遗漏！）。当我们考虑多元化时，我们指的是您投资组合中的风险。需要考虑多种风险，但投资者通常只关注一种类型：业绩。衡量绩效风险显然是投资者的一项关键指标-如果您认为自己不会获得正回报，那么为什么要进行投资呢！但是许多人不知道的是，过分强调回报可能会增加投资组合中的其他风险。

这是一个例子。假设您将40％的投资组合投入了ABC股票。ABC上升很多，但随后在同一天内突然下降。结果，我们将股票ABC称为“波动”股票。当ABC启动时，一切都很好，但是当ABC下降10％的一天会发生什么呢？由于您将投资组合的40％投入到ABC股票中，因此下降10％意味着假设其余投资组合没有变化，您的投资组合将下降4％。为了达到收支平衡，您需要您的投资组合来获得更多超过4％。我的朋友，那是复合的力量，它正在对您不利。拥有较小的ABC投资组合百分比可能会更好，这使您可以投资自己喜欢的一只股票，而不会使整个投资组合面临风险。他被称为风险回报关系。我们将对此进行更多讨论。

正确的多元化

知道不要购买太多的高波动性股票只会刮伤表面。接下来，您需要考虑相关因素对您的投资组合的作用和影响。让我们来看另一个例子。假设您要购买股票ABC和股票XYZ。您已经注意到，每次ABC上升，XYZ也会上升。当ABC下降时，XYZ也下降。我们刚刚描述的是所谓的正线性关系，也称为相关。

相关性的测量范围是-1到+1。在此范围内，证券变动（在这种情况下为股票ABC和XYZ）的线性关系被归一化。如果ABC和XYZ的相关系数为0.75，则意味着这两只股票之间存在相对较强的正相关性。换句话说，您可以期望每次ABC上升，XYZ上升，反之亦然。因此，通过同时购买ABC和XYZ，您将在投资组合中引入类似的风险。为了避免将风险集中在相似或相关的想法上，投资与股票ABC关联性较弱的股票会更有意义。否则，这与购买全部股票ABC一样有风险。

但是风险呢？

还记得我们前面提到的风险与回报的关系吗？这就是它的用武之地。尽管可以用许多不同的方式来衡量风险回报，但我们将专注于波动回报率的基本关系。

在考虑风险回报时，请问自己，您接受的每个波动率（风险）能为您带来多少回报。如果比率低于1，则意味着您在投资组合收益中获得的回报不足以抵消接受投资组合波动的风险。在理想情况下，您希望风险回报率远高于1.0。请记住，您获得的投资组合收益金额大大超过了投资组合所承担的风险。因此，当您考虑构建投资组合时，请始终专注于这种关系，以帮助最大化投资组合中最佳的风险调整收益。

全部放在一起

提醒您，以下是构建多元化投资组合时要牢记的三件事：

避免用高波动性股票填补过多的投资组合

股票之间的强相关性可能会带来额外的风险

接受投资组合的波动性时，请务必考虑风险回报率

建立多元化的投资组合后，下一步就是将这些规则应用于您的投资组合。通常，您的经纪人会为您提供某种类型的软件来构建您的投资组合，但是其中大多数功能都是基本功能，不能提供寻找最佳投资组合所需的正确工具。不幸的是，这使微软微软Excel和软件工程解决方案是唯一可行的选择。我们最喜欢的软件工程解决方案是用R和Python编写的，但是运行优化方案可以用许多编程语言来完成。

AI如何适应-您为什么要关心？

这可能会令人震惊，但是我们上面概述的所有练习的预测性或多或少都是毫无价值的。更疯狂的是，华尔街上的大多数机构投资者都在使用我们都知道是错误的基本数学解决方案。我们上面概述的问题是它是向后看的-它基于过去的表现。您可能听说过“过去的表现并不代表将来的表现”。在这种情况下，查看过去的价格表现并不能使我们对股票的未来表现有任何了解：这是事前与事后的辩论。从中心右侧输入我们的AI资产分配模型。

AI资产分配模型（尤其是AI聚类模型）可基于许多因素（本文中将不涉及）帮助做出更稳健的“前瞻”预测，以预测股价的走势。但是，最终结果始终是更稳定的投资组合，因为进入计算的输入是前瞻性的。让我们看一下我们最喜欢的AI资产分配模型之一，即HierarchicalRiskParity，以了解其工作原理。

AI资产分配模型如何工作？

首先，我们通过测量不同相关之间的绝对距离来考虑相关性以及不同相关对之间的差异。通过这样做，算法开始理解这些差异如何聚集在一起。我们重复此步骤，直到剩下一个大群集为止。然后，我们回溯之前的步骤，并根据每个集群内的差异将权重分配给不同的股票。为了更好地理解非线性关系，这些聚类按重要性（层次结构）进行排列。就像那样，我们有一个投资组合分配，它最能代表我们最大的赌注，可以最大限度地提高我们的回报，并通过考虑非线性关系，而不仅仅是基本线性关系，将未来期间的波动率降至最低。

这到底意味着什么？

那么，建立一个AI资产分配模型值得吗？取决于您是否专注于最佳结果。让我们通过将精力放在我们前面讨论的三个核心概念的上下文中来回答有关该问题的问题：

避免在投资组合中引入过多的波动

管理投资组合中不同持股之间的关联

最大化风险回报率

与通常会削弱未来回报以实现这三个目标（基于过去的数据！）的传统方法相比，诸如分层风险平价之类的AI方法可以更有效地最大化您的风险回报，同时仍可提供诱人的远期回报。