行為經濟學的應用 (3) 機器與人性 上篇

2017 0714 James Wu

 

2013年諾貝爾經濟學獎頒發給了兩位看法截然不同的專家，Eugene Fama 開創了效率市場的學說，奠定了資產定價與資產組合的理論基礎，可說是半個世紀以來主流金融理論的始祖之一；另一位 Robert Shiller 則以非理性榮景、動物精神等著作聞名於金融市場，被歸屬於行為經濟學派，特別是對2000網通泡沫、2005房地產泡沫兩次金融危機的預警而廣受投資界熟知。

 

兩位經濟學家，前者尤金教授主張(或假設)金融市場具有高度效率，價格能正確反應已知資訊，因此能夠透過理性選擇的分析模式，求算出投資者心中理想的投資組合、決定出各種資產的合理價格，從而發展出前篇文章也提過的種種教科書的金融理論；後者席勒教授則透過長期的資產價格的波動研究，對照種種評價方式，指出金融市場價格經常性超漲超跌、脫離「理論上合理」價格的現象，並把這些不合理卻頻繁發生的現象，歸諸投資者的心理變化、羣眾的情緒起伏，主張這些因素造成市場容易無效率。兩種截然相反的看法，同時並列諾貝爾經濟學獎，有人說給獎很矛盾，也有人嘲諷金融(或經濟)理論的無效，也有人解讀表示研究發展至此，學界與社會都逐漸認識到人性複雜，既有理性、也有感性、更有不理性的面向，這些都是人的一部分，不能以偏蓋全，只好兩者並陳，實際上，金融學說的發展仍傾向各說各話，並沒有太多交集。

 

行為經濟學派回歸根本，沒有把人的行為侷限在理性決策、最適化分析的「正統」經濟理論，雖有理論突破，也在頻繁的危機與泡沫中得到印證，但因研究方式上較難進行數理模型建構與推導演繹，也不容易進行可控制的科學重覆實驗，在科學研究的「形式」上顯得較喫虧，外行人容易將充滿數學符號的傳統經濟理論誤解為更高明些。近十多年，經濟學的前沿探索，延伸到認知心理學、腦神經科學、實驗心理學的方法與知識，並且高度借重進步飛速的電腦數位技術，跨學科共同對個人決策與集體決策的原理進行探究，找到許多過去未曾注意的成果，但這套類似「生物學」的研究方向，形式上雖然套用了科學方法，把人類的心智變化過程「簡化為」腦神經的傳導互動、或受測者的腦波變化，試圖從這些「可觀測」的生理、物質、物理變化來揣摩出人性的決策機制，但會不會也過度侷限了人性、或物化了人性，或者相當程度也類似試圖要從「可觀測」的股價來反推人類決策的研究方法，恐有倒因為果的潛在缺陷，幾千年來哲學家們對心物二元論、或心物一元論的爭辯，至此又有了另一層的討論意義，心智上更難被理解捕捉的潛意識、直覺、第六感、一見鍾情、靈魂、感動、認同、前世、玄學等精神層面的議題，也尚待處理。

 

科學家對於人類的意識形成、思考變化、決策機制，理解仍不多，有一說只有3~5%，大部分都還是未知領域，未來能不能拼湊成能有效解決問題的學問尚未可知，只能說廣義的行為經濟學是門新興且流行的研究方法，可以反應現有經濟理論的侷限或缺點，讓我們看到更多的面向。

 

透過上述討論，對於理解這兩年熱門的另類投資方法，會有不少幫助，本文以下將簡要談談Passive Investment、Robo Advisor 、Program Trading、Algorithm Trading、AI Investment、High Frequency Investment 等新興暴紅的投資方法，放在整體金融市場與投資架構中的意義何在，藉此可初步評估其發展潛力、可能侷限、待解問題，簡單講，可從機器與人性間的競賽來切入思考。

 

1. 被動投資法 : ETF

 

近十多年來，全球ETF的規模大幅成長，目前管理資產已經突破四兆美元，並不斷侵蝕了傳統主動管理式的共同基金市場，Sanford Bernstein近期預測，2018年1月時，將有超過五成在美國管理的股票資產會屬於被動型管理。

 

圖一: 全球ETF 規模快速成長

Source: ETFGI

 

追蹤指數成分的ETF概念並不難理解，發行與操作技術難度不高，反而以遠低於傳統的管理成本快速吸引著投資人，特別是在金融海嘯之後，受傷慘重的散戶投資者失去對專業投資機構的信賴，超低利率政策造成長期潛在投資報酬率的大幅下滑，使得管理費用佔比相對顯著，這些外在環境的變化都對ETF的興起帶來推波助瀾的幫助。

 

ETF歸屬於被動式的投資，設計原理上基金淨值要跟著所追蹤的大盤同步漲跌。當投資者自己選定要投資的指數(大盤、或某個商品)，不需再付費委託基金經理人操作管理，而是直接押注指數的漲跌。一派研究看法主張長期以來多數共同基金經理人的績效扣除管理費後並沒有打敗大盤，共同基金業者當然不同意這樣的論點，雙方各自拿出不同期間的績效資料，都可以有爭論空間，不過ETF殺出一條新的道路，確實嚴重衝擊了數十年來發展熱絡的全球化主動式基金的投資市場。

 

本文主要在討論投資理論與方法，以ETF為代表的被動式投資法，能否創造更好的投資績效，姑且不回顧與比較過去十多年的績效，反正過去績效也不能代表未來，我們從原理上進行理論的推衍，可以想想以下幾點潛在問題:

 

所有人都追蹤指數，那指數的漲跌由誰決定?

 

過去指數漲跌是由成分股所推動，成分股的價格是由投資者對該標的前景的研判為基礎進行加減碼，由眾多市場與者的多空看法交織而成市場價格，所以主動式投資法就在找到潛在上檔空間大的標的物。相對的，被動式投資法完全不需理會標的物的內容、未來獲利前景，只要跟著現有的指數成分來投資就可以，投資獲利來自整體大盤的漲跌。

 

隨著ETF被動式管理基金的佔比日益上昇，甚至逐漸超過主動式管理基金，則將會出現大盤組成內容失真的問題，這也就是前一篇文章提出過的雞生蛋、蛋生雞，倒底誰決定誰的邏輯問題，如果邏輯顛倒了，整個投資還能維持所要追求的目標嗎?

 

被動式管理，比重過高，恐將破壞正常的資本市場機制

 

正常的股債市場中，個股由多空買賣雙方進行資訊、腦力與資金博弈後，找到最適價格的市場機制，並組合成大盤指數的推動力，在理論上這被稱作價格發現、汰弱扶強，這是資本市場最核心的基礎功能。在ETF不斷拉高市場佔比的過程，此正常價格機制會受到侵蝕，納入指數成分的大型股票，可能因為ETF資金不斷湧入而「被投資 」，被動推高了大型股的股價，表面上看只是大者恆大，卻可能是新制度下，扭曲了正常的市場功能。

 

即使指數包含所有成分股，也會產生另外的問題，當大半的金融市場資金都來自被動式管理，將不會根據個股前景好壞進行加減碼，而是被動追蹤現有的成分，這將會持續弱化股債市場的汰弱扶強的功能，長期對於資本市場的健康發展有害。

 

也由於追蹤指數漲跌的設計，被動式管理基金對於大盤會有助長助跌的效果，漲時追高，跌時殺低，可能會造成額外的市場波動，黃金市場就是最好的例子 (參見圖二)，因為市場成因比較單純，比較好分析出漲跌力量的來源，請參考 觀點分享 黃金系列文章。這是從原理上來推論，很難進行科學實驗的對照 (例如其他環境條件都不變的前提下，比對有無ETF下的市場波動度)，更千萬不能以現有的市場價格資料來反推，例如近幾年全球市場波動度大幅下降，自有其他原因，不能隨意反推是ETF 降低了市場波動度，這些簡單的邏輯在論理前都要先釐清。

 

圖二: 黃金ETF部位 v.s. 金價

è 助長助跌，無助發現合理價格

 

投資ETF 類似買大盤，但投資者仍要決定該買哪一個大盤，何時該買、何時該出場

 

在這個層面上進行投資佈局，不論是專業投資人或者一般投資人，對總體性的前景研判就很重要，舉凡全球政治局勢、經貿競賽、產業發展、技術變遷、(國家或公司的) 合縱連橫、資金流動、泡沫大小、投資情緒，都會影響這個層面的投資佈局，這跟投資主動型管理基金的原理非常接近，只是ETF不用特別去關注與篩選經理人的操作績效或重壓的領域，只需選定自己看好的大盤、國家、區域、或產業。過去買賣共同基金的判斷基準，所需要的專業知識，與買賣ETF 非常類似，投資者仍然要作功課，自負盈虧。

• (投資原理請參見 2017 0509 - 觀點分享 盤點十年來投資走勢的變化)

   

ETF競爭優勢 : 業者不需昂貴的研究投入，含金量低，手續費管理費也低

 

如前所述，在當前的特定經濟條件下，這類商品的異軍突起自有時代意義，甚至推動者抓到了市場機會。但「跟過去不同 」帶來的所謂創新，是否真能提升整體市場的價值、或為投資者帶來更好的選擇，則有待爭論。主動式專業投資管理的收費高低可以接受市場檢驗，但如果發展方向是朝向消滅專業投資管理，全面或大規模改用被動式、或機械式的投資方式，似乎方向上都在降低人腦在決策過程的佔比，恐怕會有反智之虞。

•  

2. Robo Advisory 理財機器人 (或中國大陸翻譯成 智能投顧)

 

針對主動或被動式基金的投資需求，該買進賣出哪些標的，該如何佈局，除了傳統的前景預判法，教科書上則提出了CAPM 等投資組合理論，但過去很少被投資實務界引用。近年來有業者將這些理論模型，編寫為電腦程式成為套裝產品，投資人只要在電腦或網站上輸入一些基本條件 (例如財力、年齡、風險偏好等)，就能根據投資模型自動產生最適投資組合，作為投資者的佈局建議，因為自動化程度高，被稱作Robo Advisory。

 

電腦套裝的建議，跟過去財務顧問或理財專員的建議，哪個比較適合投資者，這是投資專業的討論，但從從行銷的角度來看，兩者都可以經由包裝成為形象專業的金融顧問，產生收益。從業者的經營角度而言，兩者差異在於，前者只需固定成本，規模擴大後會有更大的經濟效益，加上網路手機普及下更有機會觸及新的客層領域，所以有潛在的商業機會。

 

金融海嘯後，在網路上提供投資建議、並在網路上買賣ETF的商業模式突然竄起 (圖三)，也就是所謂的Robo Advisory，並被列入廣義的FinTech 的一環。最早投入且有成果的新創公司包含 Betterman、Wealthfront ，隨著市場雛形初具，老牌的資產管理公司也開始介入，近年來轉型專攻ETF 的Vanguard 挾著龐大資源與客戶基礎很快超越新創業者，成為當前在此領域的領先者。(圖四)

 

 

圖三: Robo Advisory 公司家數

圖四: 主要業者

跳過傳統通路，在網上提供ETF (或共同基金) 投資建議並直接交易的模式，同屬近十年來新一輪的數位科技的爆發浪潮，初期由於基期低所以成長的幅度很快，各市調機構提供的統計數字也有些混亂，以下數字僅供大致上的參考 : 2016年底整體Robo Advisory 的規模達到1200億美元，2020年規模預估從1兆美元~8兆美元都有人樂觀看待，但預測基礎不是很明確。

 

 

圖五: 各種Robo Advisory 市場規模預測 (天馬行空)

 

本文著重在探討各種投資理論、投資方法。在前一篇 “2017 0526 觀點分享 行為經濟學的應用 (2) 金融理論的問題解決了沒”，文章中檢視了教科書金融理論的侷限與潛在問題，對包含CAPM在內的重要理論模形提出了反向思考，並藉由行為經濟學派提出的觀點，挑戰高度數理化複雜化下投資工具的理論基礎，這篇不再重複。

 

如果只是簡單的CAPM投資組合模型，大概不太容易催生金融海嘯，但也因為所謂創新的含金量可能不高，所以Vanguard 一下子就能追上先行的新創業者，比賽的不是投資專業的高下，而是市場地位、品牌信譽、行銷能力、客戶基礎等，在產業初創期快速變動與洗牌都很常見，但產業要能走得可長可久，就要能拿出牛肉，不能只靠話術包裝。

 

過去基金經理人、投資分析師們絞盡頂尖菁英的腦力，都還不容易打敗大盤，如今，交給電腦去選股、去做投資組合，效果會更好嗎? 附加價值會更高嗎? 這點從產業萌芽開始，就可以開始觀察與思考。

 

美國證管機關將Robert Advisory 區分為客戶服務型與專業交易型，前者針對一般散戶投資人，所以投資模型不能太複雜，避免走入衍生性金融商品的錯誤老路，但簡單設計的規範就侷現了其投資顧問的內涵深度與附加價值；後者屬於專家間的競賽，各公司盡可拿出看家本領，不論聘用天才人腦、還是開發AI 電腦，金融市場正在展開一場人機大戰，這些五花八門的新方法該如何看待，請看下篇討論。