人工智能改变自我：谁从机器人投资中受益？

2022-6-24 07:54:20

相反，我们引入了影子机器人投资者的想法，以评估机器人广告访问的潜在效益。也就是说，我们研究了各种在我们的数据集中影响个人的机器人投资者，以及我们的方法的新颖性，因为我们知道投资者在现实中做了什么，而不是机器人投资者会做什么。从这个意义上说，我们的分析是一个实时的数据实验。在美国，由于一些退休储蓄转移到机器人顾问账户，机器人顾问初创公司的资产管理规模近几年增长了8倍。成本优势为工业创造了巨大的动力。此外，近年来被动投资策略的成功也带来了好处。因此，可以公平地说，机器人顾问正在挑战传统的金融咨询服务。有人预计，未来几年，一些机器人咨询初创公司可能会以合伙形式结束，或成为成熟资产管理公司或银行收购的对象。此外，传统资产管理公司本身也在采用机器人投资策略。在这方面，机器人咨询将变得更加主流。机器人投资者仅限于每个个人投资者交易历史中的一组股票和ETF——使用滚动2年的样本。该约束通过其交易历史将每个机器人与我们样本中的特定投资者联系起来。请注意，机器人投资者使用我在过去两年持有的所有股票/ETF个人投资者，但可能在同一时间售出。因此，理由是投资者知道影子机器人投资者持有的股票/ETF。我们称这些影子机器人投资者为人工智能改变自我，或人工智能改变自我。人工智能改变自我的概念并非唯一的金融概念，尽管我们可能是第一个创造这个术语的人。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:54:23

为了说明这一点，让我们看看机器学习（ML）在其他领域的进展，如文学和音乐。如今，ML文本挖掘算法可以分析著名作家的作品，并以其接触和训练的作家的风格创造全新的文学。音乐也是如此。例如，弗朗茨·舒伯特（FranzSchubert）于1882年开始了他未完成的B小调交响乐，但他只写了两个完整的乐章，尽管他又活了六年。现在，deep Learning ML制作了整个交响乐的完整版本。我们可以将其描述为舒伯特的另一个自我谱写新的乐谱。舒伯会做得比他的AI替身更好吗？我们更愿意把这场辩论留给音乐学家，但公平地说，这可能很难解决这个问题。幸运的是，将人工智能改变自我的概念应用于比较人工智能和人工智能替代方案的结果更为简单的环境中，如金融投资。我们考虑三种投资策略。其中两个基于Markowitz（1952年）均值-方差（MV）方案，athird基于DeMiguel、Garlappi和Uppal（2007年），涉及1/Nitscheme，其中niti是投资者i在截至时间t的2年跟踪样本中所持有的股票数量。这两个MV策略在条件均值和方差估计的复杂度方面有所不同。第一种方法涉及均值和方差的两年滚动样本估计。其次，我们使用机器学习算法和复杂的条件协方差估计器，通过相应的预期回报预测，加快机器人引擎的速度，并替换滚动样本估计器。更具体地说，对于条件平均值，我们使用弹性网、随机m森林、神经网络和模型集成估计器。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:54:26

对于总共683只股票和393只ETF的条件协方差矩阵loo king，我们使用从随机矩阵理论导出的Engle、Ledoit和Wolf（2 019）非线性收缩方法来校正样本特征值的样本偏差。最后，值得注意的是，机器人投资者可以选择持有现金，即决定避免市场风险敞口。然而，不允许卖空。我们研究三种再平衡方案：每年一次、每月一次和每月一次。在本协议的主体部分，我们仅就季度再平衡计划进行讨论。请注意，机器人投资者以固定的采样频率购买和持有——在Lead示例中为季度末。这与我们样本中的个人投资者形成了鲜明对比，他们在任何时候都执行自己的交易。大多数交易发生在股票或ETF中，详见附录seeD\'Hondt、De Winne、Ghysels和Raymond（2019）。由于机器人投资者计划超越了机器学习，因为它们涉及投资组合分配规则，我们使用了更通用的人工智能。在我们的例子中，AI涉及一组计算机驱动的自学习规则，这些规则决定了portfolioallocations。总体而言，我们的发现如下。AI Alter Ego ro bo投资者涉及等权重或滚动样本均值和方差估计，表现不佳，对我们的任何投资者都没有什么价值。相比之下，机器学习MV AI Alter-Ego为某些类型的投资者带来了显著的投资组合绩效改善。特别是，那些具有高风险规避特征的投资者从遵循机器人投资者策略中获益匪浅。低收入（低教育）投资者通常也会从AI建议中获益。这些结果证实了业内从业者对人工智能在金融科技行业未来应用的承诺。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

2022-6-24 07:54:29

更耐人寻味、也有点出乎意料的是我们在金融危机期间的表现。机器人投资者的表现优于一大批投资者。事实上，中位rob o-investor转向现金（因为使用AI的预期回报为负），而个人则表现出行为偏差，如处置效应（cfr.Odean（1998）），在金融危机开始时会产生不可预测的后果。作为我们分析的副产品，我们还确定了哪些机器学习方法表现良好。虽然深度学习通常是大型股票横截面中最好的，但紧随其后的是一种更简单的线性预测模型，该模型基于同一组预测因子，即Welch和Goyal（2007）提出的预测因子，由企业特定变量和宏观经济协变量组成。换言之，非线性模型的收益充其量是微乎其微的。本文的组织结构如下。在第2节中，我们描述了经纪数据，附录中给出了一些详细信息。第3节描述了各种机器人投资者计划。第4节报告了实证结果。第5节总结了本文。2大量个人经纪账户主要数据集来自比利时一家大型在线经纪公司，由22972名个人投资者的交易账户组成。这一独特的数据涵盖了从2003年1月到2012年3月的大约10年，因此包括了2008年的金融危机。我们对每项交易都有详细的信息，如票据、时间戳、交易方向、执行数量、交易价格和明确的交易成本。附录pf D\'Hond t、De Winne、Gh ysels和Raymond（2019）中描述了数据的详细信息。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:54:32

我们专注于普通股投资以及ETF，不包括其他金融工具。ETF、共同基金、期权和认股权证的交易在高收入/教育投资者中更为普遍。债券交易总体上并不重要。因为我们考察的是均值方差投资者的BO顾问，所以我们只关注最符合投资组合配置模型的股票和ETF。特别是对于高收入教育投资者，这意味着我们在一定程度上遗漏了我们现有的其他资产。应用附录中所述的一些过滤器后，我们最终得到了1590199个样本（股票）+60，344（ETF）=1650543笔交易（以及超过1300亿欧元的股票交易和收盘价）。请注意，在现有的机器人投资者实践中，有一些宣布使用MV分配，并且最有可能使用某种类型的滚动样本方案，尽管大多数白皮书对实际实施情况相当模糊。更多详细信息请参见D\'Hondt、De Winne、Ghysels和Raymond（2019）。在附录中，我们记录了6741名投资者还交易了期权和权证，总交易量为602833笔，6665名投资者交易了共同基金，总交易量为260120笔。只有少数投资者（即1813名）进行债券交易，交易总数为5999笔。10亿欧元的ETF），涵盖683只股票和393只ETF，占所有投资者交易活动的70%。利用交易数据，我们为每位投资者构建月末投资组合，并使用历史市场数据计算每月投资组合的市场价值。我们还计算每月和每日回报。将月末的portfo Lio市场价值与相应的月度总现金流相结合，我们计算每个投资者的110（即。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-24 07:54:35

从2003年2月至2012年3月），每月投资组合总回报和净回报（后者扣除交易成本）。如果投资者满足回报标准（充足的时间段和无异常值的回报率）和最低贸易限制（更多详细信息，请参见D\'Hondt、De Winne、Ghysels和Raymond（2019）附录九），则将其列为机器人投资者候选人。特别是，我们会剔除回报序列中缺失值超过106个的投资者（即至少需要4个月的回报才能留住投资者），并剔除异常值。这将样本减少到20622名投资者（从22972名下降）。为了简化分析，我们不考虑交易成本（每笔交易都有），也不考虑个人投资账户或机器人投资者的交易成本。由于机器人投资者的交易量低于平均/媒体投资者的交易量，即在领先的例子中，每季度仅交易一次，因此这应该会导致对机器人投资收益的保守估计。我们的数据集还包括一系列广泛的个人投资者特征，如年龄、性别、教育程度、年净收入和基于调查的风险规避措施。虽然我们与比利时个人投资者合作，但他们的交易活动大多涉及外国股票（主要是美国和邻国法国和德国）。股票主要涉及技术部门（16.93%）、金融部门（15.91%）和工业部门（14.01%）。正如简介中所述，我们的数据集由机器人咨询公司通常针对的个人投资者组成。我们样本中约有70%的投资者宣布年净收入在20000至75000欧元之间。只有少数人（3.36%）年收入超过15万欧元。投资者平均年龄约为4.8岁，每月交易2.05支不同股票，交易额为18237欧元。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:54:38

与文献一致，我们样本中的投资者发现多样化；平均（中位数）投资者持有五只股票（三只股票）投资组合。月末投资组合的平均价值约为28003欧元（中值约为7552欧元）。至于风险厌恶，大多数投资者似乎对风险持宽容态度，因为其中6.5.33%的投资者表示中度风险厌恶，27.88%的投资者甚至表示轻度风险厌恶。就表现而言，我们的投资者在股票和ETF上的月平均总回报率为0.42%（中期回报率为0.13%），波动率为10.04%。鉴于我们的样本期包括动荡的市场条件，单个投资组合总回报的高平均波动率并不令人惊讶。当投资者完成MiFID测试时，我们的数据中报告的收入指标记录一次。因此，在10年的样本期内，分类可能会很嘈杂，尤其是对于早期条目。如D’H ondt、De Winne、Ghysels和Raymond（2019）附录所述，为了计算投资组合回报，我们选择了修正的Dietz方法的近似值，目的是在回报率e（如Shestopaloff和Shestopaloff（2007））。3机器人投资者机器人投资者仅限于每个个人投资者交易历史中的一组股票和ETF，使用2年滚动样本。这一点通过每个机器人的交易历史将其与样本中的特定投资者联系起来。我们称这些影子机器人投资者为“人工智能改变自我”。机器人投资者可以选择持有现金，即决定避免市场风险暴露，但我们的样本n中没有卖空，或者机器人的设计中允许卖空。两年期限可以说有点武断。OUR结果适用于更长的窗口。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:54:41

考虑到许多投资者的交易频率，做空债券的吸引力较低，每月只有2 tr a des的中位数。机器人投资者的投资组合分配以固定的时间间隔进行，无论是每月、每季度还是每年。在本文的主体部分，我们专门关注季度业绩。3.1 AI Alter Ego我们构建了三种类型的A I Alter Ego机器人投资者。正如我们已经注意到的，每种设置只使用个人投资者在过去两年中的库存和电子交易，而不是整个股票领域。下表提供了两个示例。当我们提到t时，我们指的是年底，或月或月，取决于所考虑的情况。初始交易t-1 Trading t Investor Robo Investor holdings holdings potential holdings Stocks 1&2 Sells of 2 Buys stock 3 Stocks 1&3 Stocks 1，2&3 Stocks 1 Sells of 1 Buys ETF 4 ETF 4 stock 1&ETF 4 The First line描绘了投资者在t-2时持有两支股票，例如1和2（列称为初始持有）。在t-1期结束时，投资者出售所有持有的股票2，并在随后的t期结束时购买股票3。因此，在年底，她/他持有股票1和3。机器人投资者有股票1、2和3组成投资组合。第二种情况类似，但投资者只持有股票1，在t-1 a中出售所有股票，并在t中购买ETF 4。机器人投资者有两种资产可供选择。需要强调的是，机器人投资者可能持有现金，即决定不将所有资金投入股市。当讨论实证结果时，这将变得很重要。为了进行处理，我们需要引入一些符号。让Sitbe成为我在t之前的两年内持有的一组股票/ETF投资者。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:54:45

上述示例证明，这并不意味着投资者在年底/季度/月持有这些股票/ETF。这只意味着投资者在最近两年的历史中持有这些股票/ETF。我们用十分之一来表示投资者出现在D\'Hondt、De Winne、Ghysels和Raymond（2019）在线附录中的持续时间（月/季度/年，以适用者为准），报告了每月和详细的季度结果。年度结果可根据要求提供。在计算收益时，我们忽略了交易成本。由于我们的重点是季度交易频率，这是一个合理的抽象概念。可以说，每月的机器人投资者业绩更可能被夸大，因为交易成本没有计算在内。在样本中。此外，我们用Nit=#Sit表示集合中的股票/ETF数量。我们只考虑Nit的投资者≥ 2. t=1，Ti。这确保了投资机会集为机器人投资者提供了一套最低限度的股票/ETF。这使得我们有20622名投资者符合这一标准，并纳入了我们的分析。机器人投资者在t结束时购买，并在t+1结束前持有，即一个月、一年或一整年。然后，我们计算机器人投资者的生存期回报率raei，t+1，并计算无目标投资者的已实现收益率差为rsi，t=raei，t- ri，t。第一类使用DeMigu e l、Garlappi和Uppal（2007）的等权重规则对样本中的每个个人投资者进行阴影处理，第二类和第三类依赖于具有短期销售约束的均值-方差Markowitz（1952）策略。第二个和第三个变量之间的差异在于预期收益和风险估计的复杂程度。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:54:48

在第二种方法中，预期收益涉及一个简单的滚动样本估计量，第二个条件矩涉及Ledoit和Wolf（2004）的线性收缩估计量。在第三种情况下，使用机器学习和条件方差估计。更具体地说，对于条件平均值，我们使用弹性网、随机森林、神经网络和模型估计。对于条件c方差矩阵，我们使用Engle、Ledoit和Wolf（2019）从随机矩阵理论导出的非线性收缩方法来纠正样本特征值的样本偏差。我们赋予机器人投资者同等权重的是DeM iguel、Garlappi和Uppal（2007）1/Ni、tstrategy。特别是，对于每个个体i，另一个自我在时间t购买并持有集合中的所有股票，并以相等的分配1/Nit。此后，我们将此称为EW投资组合规则。滚动样本Markowitz将mea-n-方差最优投资组合构造为受卖空约束和个人投资机会集约束的最大夏普比率。我从股票的集合中选择投资者。最优投资组合的关键是对集合Sit中股票的条件预期收益（uit）和条件协方差矩阵（σit）的估计。机器人投资者为^wi解决问题，从这些股票中选择：maxwi、tw′i、tuit-γw′i，t∑itwi，twi，t≥ 0，其中γ通常被解释为风险规避参数，当其最大化夏普比率时，将其设置为1。我们使用两年滚动窗口历史平均值估算uit，uit=kPk-1j=0rdt-j、式中，rdtis是日常收益的Nit×1向量，k是两年历史样本中的天数。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-6-24 07:54:51

对于协方差，我们还使用了rollin g样本，在重新平衡期间，投资组合权重根据单个资产相对于整个投资组合的表现进行调整。特别是当t+1不是再平衡期时，wi，t+1=wi，t（1+ri，t+1）/[PNi=1wi，t（1+ri，t+1）]是线性收缩的估计器，如Ledoit和Wolf（2004）所述，基于相同时间跨度的每日收益。这些估计构成了我们天真的基准。机器学习和收缩继续马科维茨分配方案，我们探索滚动样本估计量的复杂性增加是否会转化为机器人投资者绩效的改善。我们假设每个投资者的另一个自我机器人投资者都可以使用一组通用的模型来替代滚动样本模式。对于预期回报预测，我们使用适用于1076项资产（683只股票和393只ETF）中每项资产的机器学习算法，并且Alter-Ego robo投资者选择与集合中股票相关的预测。更具体地说，对于条件平均值估计，我们使用弹性网（Zou a and Hastie（2005））、随机森林（Breiman（2001））、神经网络（Friedman、Hastie和Tibshirani，2016，第11章）和模型集合估计（Friedman、Hastie和Tibshirani，2016，第16章）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:54:54

对于条件协方差矩阵，我们使用Engle、Ledoit和Wolf（2019）从随机矩阵理论推导出的非线性shr方法来校正样本e IGENV值的样本内偏差。3.2机器学习预期回报我们所考虑的情况是，机器人投资者依赖经纪公司内的建模部门，为他们提供整个股票/ETF领域的条件平均数和条件方差估计值，并向与每个个人投资者相关的另类投资者提供中股票的估计值uItan和∑It布景坐着。建模人员评估了广泛的模型类别，并使用样本外绩效指标来确定最合适的条件均值和条件协方差组合，以提供给therobo投资者。我们的目标是为这样一个经纪研究小组将要进行的全面条件建模过程提供一个简单的近似值。就预期回报模型而言，我们的分析分享了Gu、Kelly和Xiu（2018）也考虑的一些方法。为了进行分析，让ri，t-= （ri，t，···，ri，t-k+1′是股票i自身滞后股票重组的k×1向量。我们需要考虑N=1076只股票/ETF，T=110个月周期。我们使用70%的数据进行训练，20%的数据作为验证样本（用于超参数r调整），10%的样本用于测试样本外性能。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:54:57

为了最大限度地利用我们独特的数据集，我们从1993年1月至2002年12月开始使用returnsdata构建我们的模型——在我们的个人投资者数据开始之前的10年样本。我们使用五个Fama French月度因素（Mkt、SMB、HML、RMW、CMA）及其动量因素（参见Ken French网站的定义）以及Welch和Goyal（2007）预测因子（d iv.价格比、部门收益率、收益价格比、部门支付比、股票变化、BM DJ股票、净股本扩张、TBill、长期收益率、长期利差）来增加月度股票/ETF回报率，违约收益率利差，通货膨胀（有关定义，请参见他们的论文）。我们知道，一个真正的数据工程团队可能会创建一组更大、更可靠的数据源。我们的目标不是复制真正的数据源生成过程，而是为预测提供一组所有有用信号的简单近似值。让Xt表示这些预测因子的M×1向量。在每个模型类中，我们分别估计每个股票/ETF的单个模型，而不是将股票/ETF合并，以便在模型参数估计中尽可能多地考虑异质性。常用的模型elingobjective是估计Et[ri，t+1]，其中Et[ri，t+1]=fi（zi，t）。因此，建模人员采用不同的方法来估计fi（），并努力确定最佳可能的协变量集zi，t。我们将条件平均模型分为（1）线性ar和（2）非线性模型集。在线性模型中，我们考虑OLS和弹性网络模型。对于非线性模型，我们考虑回归树和浅层前馈神经网络的EST的随机性。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-6-24 07:55:00

因此，我们考虑了两种流行的非参数和参数机器学习模型，它们旨在引入协变量之间的非线性相互作用：回归树的随机dom森林（非参数）和人工神经网络（参数）。最后，我们考虑跨所有模型的简单模型集成。线性模型我们在时间段t=k，…，对每个股票i估计f的线性模型，T- 1的形式为：ri，t+1=βi，0+βi，rri，t+βi，xxt+i，t+1（1）。除了使用OLS估计该模型外，我们还使用弹性网络对每个股票i的线性模型集进行了优化，包括两个调整参数（α，λ）。Li（θ）=T- kTXt=1i，t+1+αλXm∈#β|βm |+（1- α） λXm∈#ββm（2）其中β=（βi，0βi，rβi，x）非线性模型我们考虑两种常见的无参数和参数机器学习模型，旨在引入协变量之间的非线性分量：回归树的随机林（非参数）和人工神经网络（参数）。我们使用（Breiman（2001））的算法来估计随机森林模型，并使用随机梯度下降来最小化lord e r中带正则化项的目标函数，用于训练神经网络。在这两种情况下，我们的评估技术都是标准的。我们再次根据训练数据估计模型，并在验证集上优化所有相应的调整参数。随机森林随机森林是单个回归树的组合。这是一种自举方法，旨在通过在给定树的一个分支上使用预测因子的

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-6-24 07:55:03

给定树的预测可以表示为：h（zi，t；β，K，L）=KXk=1βk1{zi，t∈ Pk（L）}（3），其中Pk（L）是第k个分区，它考虑了几乎L个不同的分支。给定分区的一组分支可以表示为连续分支的指标的乘积。对于给定分区，则^βkis是该给定分区所有成员的返回平均值。使用标准贪婪搜索算法最大化每次分割时获得的信息。递归二进制分割算法一直持续到满足一组停止标准，这通常取决于从分割中获得的最大附加信息小于阈值，或达到的最大树叶数和/或树的深度。对于随机森林模型，关键调整参数s是引导树的数量、每个树的深度以及在树内的每个潜在点处考虑的预测值的随机子集。然后，rando m forestprediction是树上任何预测点的自举平均值。神经网络我们的神经网络结构是两个隐层，每层有10个神经元，输入层和隐层有一个sigmoid传递函数，输出层有一个线性传递函数。我们使用随机梯度下降来最小化l具有正则化项的目标函数，用于训练神经网络。在这两种情况下，我们的估计技术都是标准的。我们再次根据训练数据估计模型，并在验证集上优化所有相应的调整参数。最后，我们考虑上述线性和非线性估计器的模型集合，将我们自己限制在预测预期回报的等权重方案中，以限制引入额外的估计不确定性。图1显示了一组10 bar plo t簇。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:55:07

每个都显示预测性能的年末（上一季度）快照。所显示的10个滚动样本，每个样本都与10年的回报数据样本有关，用于估计、验证和预测回报。对于10个滚动样本中的每一个，将显示竞争模型的相对表现（仅关注股票）。样本外表现以MSE衡量，每一条线的高度代表特定模型在预测样本中所有股票的回报横截面时具有最低MSE的百分比。对于每个集群，条带的高度总和为100%，每个代表特定类别的模型为683条横截面提供了最佳的回报预测。我们注意到，神经网络模型代表了最成功的模型类别，通常是横截面中40%到50%资产的最佳模型。紧随其后的是一类弹性Ne t模型。所有其他方法都不太成功，尽管随着时间的推移会有很大的变化。图1所示的结果可能会给人留下神经网络模型占主导地位的印象。让我们把注意力转向表1，它可能对这一结果有不同的解释。表1报告了所有资产和滚动样本方案的样本外预测的平均MSE和MAE。结果表明，当综合股票/ETF的表现时，弹性网络和神经网络模型的样本外MSE最低。然而，EN和NN之间的差异非常小，这表明虽然NN p erhaps提供了最好的预测，但EN通常是一个c lose second，可以说更容易实现。此外，EN是线性模型，而NNI是非线性模型。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:55:10

非线性的存在似乎没有实质性的回报。所有模型/估值器都有可以重新定义的维度，但最终建模小组会向机器人投资者提供一组股票/ETF的条件平均估值。每个选定的条件平均值估计都来自样本外MSE最低的模型。无需在股票/ETF中选择一个通用模型，事实上，我们可以看到，即使在少数情况下，包含所有协变量的OLS也是样本外绩效测试的模型。（^Et[ri，t+1]）i的最终小组用于机器人投资者的最优投资组合问题。4实证结果实证结果侧重于回答以下几个问题：（a）更复杂的模型是否更好，（b）谁从rob o-advice中获益，（c）doe的robo投资在重大金融危机期间的表现如何，（d）人工智能如何与被动投资方案相比较，以及（e）利差是由于行为偏差造成的？有一小节专门回答这些问题。在本文的主体部分，我们报告了季度再平衡的一组总结结果。在线附录（D\'Hondt、De Winne、Ghysels和Raymond（2019））中报告了每月和详细的季度结果。4.1更复杂的模型是否更好？在表2中，我们为样本中的所有投资者报告了回报利差rsi横截面分布的中位数、第一个四分位数（Q1）和第三个四分位数（Q3），t=raei、t-ri、t，仅考虑股权持有量（左图）或683只股票和393只ETF（右图）。AI替代方案是：（a）具有滚动平均值/滚动方差的MV，（b）机器学习（ML）平均值/滚动方差-使用表1中的方法d，（c）ML平均值/非线性平滑方差，以及最终的等权重（EW）投资组合方案。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-6-24 07:55:13

滚动样本均值和等权重投资组合的中值利差均不为正。因此，中等影子机器人投资者的表现比人类差。最大中值利差来自ML平均/滚动方差，即每年2.93%（仅股票）和3.37%（股票和ETF）。使用非线性平滑方法进行协方差估计，在包含ETF的情况下，将中值收益率略微降低15个基点，甚至41个基点。虽然存在较大的横截面异质性，但从四分位间距来看，我们也观察到整个分布中存在明显的偏移。MV滚动平均值和EW的第一个四分位数比任何一种类型的MV ML低3%，而Q3比这两种类型的MV ML低5%。迄今为止报告的所有结果都与q季度投资组合r平衡有关。在在线附录中，我们提供了详细的证据，表明这些发现扩展到了每月的再平衡。年度再平衡也产生了定性相同的结果。总的来说，结果清楚地表明，ML预期回报方案优于两种相对简单的机器人投资方案中的任何一种。因此，答案显然是越复杂的模型越好。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:55:16

因此，在本节剩余部分，我们将专门关注MV ML/滚动方差机器人投资者AI AlterEgos。4.2谁从机器人咨询中获益？继续季度再平衡和MV-ML/Ro-lling方差机器人投资者，在表4中，考虑到683只股票和393只ETF，我们报告了中间值、第一季度、第三季度以及AIAlter Eg-o和个人投资者回报之间利差的横截面分布中间值的置信区间。汇总统计是针对投资者的低/高教育程度、低/高风险厌恶和低/高收入分类的分离样本计算的。让我们从高风险厌恶和低风险厌恶开始，这是桌子中间的一个小组。高风险厌恶的MediaNinIndividual投资者将从robo investor shadow Alter Egos中获利5.1%至4%。他们的低风险厌恶对手仅上涨3.29。两者都明显受益，因为投资者中任何一方的置信区间都表明主题标普读数与零显著不同。此外，中位数差异的95%置信区间为[0.5546，3.1111]，因此排除了误差。因此，在统计上，中等高风险厌恶型投资者从机器人投资中获得的收益明显高于中等低风险厌恶型投资者。高收入/低收入也出现了类似的模式，地中海低收入投资者的收益约为高收入中位数投资者的三分之二（4.13%对2.76）。低学历和高学历的差异并不明显，有63个基点。然而，该推论表明，收入和教育的高/低中间差在统计上并不显著。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:55:18

不用说，中间值2.76（高收入）和4之间的差距。每年13%（低收入）的回报率在经济上相当可观。4.3机器人咨询在重大金融危机期间的表现如何？在表5中，我们报告了股票/ETF的另类回报利差，因为它们与金融危机和大衰退金融有关。使用NBER年表对子样本进行基准测试，确定危机时期为2007年12月至2009年6月。重点再次放在MV-ML/滚动方差AI-Alter-Ego方案上。对于每个子样本，我们计算中位数、第一季度和第三季度实现的回报以及AI Alter Egoreturns的相同统计数据。请注意，由于利差的中位数不是收益中位数的差异，因此我们并没有推断出与prio r表中报告的sprea ds直接相关的东西。我们将重点放在回报上，以突出一个非常重要的发现。在危机之前，我们注意到，中等投资者的年回报率为9.26%，几乎是中等投资者回报率（4.17%）的两倍。我们还注意到，投资者的四分位差与使用ML的机器人投资者的相同统计数据一样大。对于个人投资者，第一季度至第三季度的范围为-4.70。为了构建汇总统计数据的置信区间，我们做了以下工作。我们首先根据个体引导法对个体进行随机抽样，假设每个投资者独立于其他投资者，并对每个投资者的整个时间序列路径进行抽样，以维持依赖结构。对于每个bootstrap重复，我们计算每个个体的相关统计信息，并将所有抽样投资者的每个个体统计信息进行聚合。L et{θr}Rr=1b是r自举重复上的构造统计量ic，并且让^θ是感兴趣的点估计。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-24 07:55:22

设λθ（α/2）和λθ（1-α/2）表示α/2和1- bootstrap统计的α/2百分位数。然后构造pivotal 1- α置信区间根据【2^θ】-~θ(1-α/2), 2^θ -~θ(α/2)].我们还研究了与该国金融部门严重困难相关的更具针对性的比利时危机日期。结果大体上是相似的，这里没有报道。20.98%，而AI Alter Egos的第一季度表现更好，为-2%，第三季度表现更低，几乎为11%。在危机期间，情况发生了戏剧性的变化。中等机器人投资者的回报率为零，这意味着中等人工智能AlterEgo持有现金。相比之下，对于个人投资者而言，中位数为29%的亏损，即使是第三季度的投资者，年回报率也为-3.59%。相比之下，AI Alter Egos第三季度的回报率为23.81%。危机后，情况与危机前观察到的模式相反，即中间投资者的表现优于中间人工智能的另一半，个人投资者的四分位区间也更大，甚至是机器人投资者的分散度的两倍多。当我们把注意力转向图二时，一幅更加引人注目的画面浮现出来。五行对应于（a）中间投资者的实际回报，（b）使用MV滚动平均值/滚动方差表的中间AI替代自我回报（c）使用MV ML/滚动方差方案的中间AI替代自我回报（d）使用MV ML/非线性的中间AI替代自我回报，最后（e）中间EW机器人投资者。值得注意的是：这些中介并不代表同一个投资者或AI的另一个自我，因此这不是特定个人或机器人的表现。每条线从样本开始时的一个投资单位开始，然后依次组成中间收益率。在危机之前，投资者中位数约为2.3。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:55:25

这意味着从2002年到2007年，初始资本在五年内翻了一番。当危机的破坏造成损失时，中等投资者的回报率下降了2.0%，最终在10年内只获得了20%的微薄回报。值得注意的是，即使是我们从之前的分析中了解到既不成熟也不特别成功的电子战机器人投资者，在样本结束时也能获得更高的回报。最佳的整体表现来自MV ML/RollingVariance中值机器人投资者（同样，在不同的时间段内，不总是跟踪同一个投资者），总体回报率为60%。这家中等规模的机器人投资者在危机之前起步相对缓慢，表现不佳，但在动荡的市场条件下损失较小。另请注意，MV-ML/非线性方差AI-Alter-Ego几乎与ML/滚动方差方案相同。最后，MV滚动平均值/滚动方差方案在金融危机之前非常密切地跟踪MLperformance。为了进一步说明这一点，我们将注意力转向表3，该表显示了回归者根据其l方程（1）-（2）中定义的股票对弹性净回归的贡献。我们重点关注回归，因为它们提供了一个相当简单的基于回归的解释。此外，它通常是最好或接近最好的预测模型。计算从93-03开始到02-12结束的10年滚动样本的r ANK。特别令人感兴趣的是横跨96-06年至99-09年样本的危机时期。排名最靠前的预测因子是dfy，但滚动样本中的最后一个是dfy，即默认收益率利差。危机期间的另一个顶级系列是长期收益率。纵观所有样本，我们还可以看到svar股票差异、NTI净股本扩张和NFL波动。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:55:27

令人感兴趣的是，通常的Fama-French回归者很少出现在顶级回归者中。这或许并不令人惊讶，因为Fama-French因素旨在为回报的横截面定价。最后，在图3中，根据最佳机器学习模型，我们提供了股票横截面中预期收益为负的分数的时间序列图。在样本中，我们发现通常20%到30%的股票具有负预期回报。该比例在2008年飙升至50%以上，高达60%。因此，大多数stoc K的预期回报率为负，这解释了为什么人工智能改变自我会有退出市场的倾向。4.4人工智能改变自我与被动投资显示人工智能改变自我与被动投资策略相比，尤其是购买和持有市场范围的ETF？为了解决这个问题，我们将注意力转向表6。我们报告了两个ETF利差的汇总统计数据。一个跟踪标准普尔500指数，另一个跟踪iShares MSCI Belgium ET F。这两个指数都不理想，但我们没有找到一个在整个样本期内可用的指数，该指数模拟经纪数据集中投资者持有的一篮子股票。不幸的是，表6中报告的结果取决于选择哪个ETF。在rig ht面板中，显示股票+ETF回报减去基准ETF利差的结果，标准普尔500指数或比利时指数，在左侧面板中，AI Alter-Ego MV/ML/Nonlinear与相同基准进行比较。每个面板包含价差的主题、第一个和第四个ird四分位数。完整样本结果显示在表6的顶部。子样本根据NBER危机日期统计，下半部分为ap pear。中位投资者与标准普尔500指数的利差为-8.50%，这意味着中位投资者的表现远远低于基准。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:55:31

比利时ETF的业绩并不引人注目，因为投资者中值表现更好，利差为1.37%。尽管美国市场指数的第三个四分位仅为2%（比利时指数为12%），但存在广泛的横截面变化。AIAlter-Ego利差在这两种情况下都更好，尽管美国基准利差仍然为负-6.18%。与比利时ETF相比，AI Alter Ego的利差中值接近4%。当我们查看危机前的样本时，我们注意到中间投资者和AI的另一半的回报率低于两个基准点，比利时ETF的回报率高于其美国国家的回报率。值得注意的是，中值AIAlter Eg o的表现更差。危机时期是一个完全不同的故事。AI-Alter-Egos中位投资者的表现远远超过基准，分别为18.32%（SPDR）和48.31%。此外，中间投资者确实比比利时ETF好21.24%，但比标准普尔500 ETF低8.78%。在这两种情况下，我们都看到了“另一个自我”计划的显著改进。危机后的情况又回到了危机前的情况。4.5利差是由市场因素还是行为因素造成的？关于危机的尖锐发现是否与有据可查的行为偏差有关？在附录（seeD\'Hondt、De Winne、Ghysels和Raymond（2019））中，我们报告样本中的投资者具有文献中研究的行为偏差。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:55:34

关于危机的结果，我们想重点关注两个关键因素：（1）处置效应（DE）-过早出售赢家，对输家的持有时间过长-每个投资者的a s（1998）和（2）交易频率。投资者持有26%的美国股票和14%的比利时股票。在表7中，我们记录了横截面中值回归的结果，其中来自MV-ML/滚动方差rob o-investors的AI-Alter-Ego扩散s是DE（le-ft列）的函数，以及DE与交易频率的组合。我们报告了人工智能另类回报利差以及与标准普尔500指数ETF的利差。DEH对利差有积极影响，尽管与交易频率指标回归相结合时，在统计上并不总是显著。当我们为交易频率的第二到第四四个四分位添加假人时，我们注意到，与标准普尔500 ETF相比，DE sprea ds受到统计上显著的影响，息差单调恶化，息差增加。这意味着交易量大的投资者相对于ETF基准的AI利差更大（在未报告的结果中，比利时ETF也是如此）。相反，频繁的交易者倾向于从AI的另一个自我那里获得较少的优势，而当d与交易频率相结合时，DE是不重要的。总的来说，研究结果表明，行为偏差在一定程度上解释了AI自我传播的横截面。特别是，被动投资策略的利差随着交易频率和处置效应的增加而增加。涉及投资者特征控制的其他结果见在线附录。除了添加对照外，我们还考虑了5%、10%、20%、80%、90%和95%的分位数回归。总的来说，发现很重要，尤其是分布的右尾。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 07:55:37

当查看与基准ETF相关的AI变动利差时，DE对于中位数和最右尾部非常重要。5结论社会智力的提高正日益影响我们的日常生活。财务决策也不例外。我们引入了人工智能的另一种自我的概念，即机器驱动的决策者，这些决策者会影响特定的个人，并使用一个具有丰富横截面和时间序列特征的经纪账户数据集将其应用于机器人投资领域。我们分析的目的是评估海外建筑运营管理局咨询服务的高度吹捧的效益。通过人工智能改变自我方案，我们解决了一些问题：（a）更复杂的模型是否更好，（b）谁从机器人建议中获益，（c）机器人投资在重大社会危机期间表现如何，（d）人工智能改变自我与被动投资方案相比如何，（e）传播是否由于行为偏差？总体而言，我们发现，表现出某些特征的投资者，尤其是高风险厌恶和低收入的投资者，将获得显著收益。特别是：高风险厌恶、低收入投资者。此外，机器学习方法提供了重要的投资组合收益改善。AI交替传播与行为偏差有关，特别是处置效应和交易频率。在金融危机期间，机器人投资者更倾向于从市场中套现，这有助于他们获得总体回报优势。最后，与被动的电子商务投资相比，我们发现证据喜忧参半，尽管在金融危机期间，我们比被动策略要好得多。参考Breiman，L.（2001）：“随机森林”，机器学习，45，5–3 2。D\'ACUNTO，F.、N.PRABHALA和A.G.ROSSI（20-19）：“机器人咨询的承诺和陷阱”，《金融研究评论》，32，1983-2020年。DEMIGUEL，V.，L。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝