Robo-rådgivare har blivit framträdande under det senaste decenniet, där fintech-undersektorn uppmuntrat ett mer aktivt engagemang från yngre investerare och massorna i sparande och investeringar. Robo-rådgivare syftar till att demokratisera finansiell rådgivning och tillhandahålla tjänster av hög kvalitet, som tidigare uteslutande var tillgängliga för rika, sofistikerade investerare. I ett nötskal är robo-rådgivning en form av investeringsförvaltning som outsourcar portföljstrategi till en algoritm. Portföljkonstruktion och ombalansering automatiseras med hjälp av datorer, vilket ger mer överkomliga lösningar för förmögenhetsförvaltning och potentiell minskning av mänskliga fel och partiskhet.
Många startups inom området kämpar för att nå noll och visa varumärkesdifferentiering. Vilket är det bästa sättet för robo-rådgivare att fortsätta att demokratisera investeringar och göra vinst samtidigt som de förmedlar de verkliga riskerna med en portfölj?
Betterment och Wealthfront är två av de mest framträdande robo-rådgivarna, där den förstnämnda var den första som lanserades 2008. År 2019 beräknades sektorn ha tillgångar under förvaltning för 440 miljarder USD globalt, och över tiden har traditionella förmögenhetsförvaltare, som t.ex. Vanguard, har också anammat sådana tekniker. Även om de skiljer sig helt från handelsplattformar som endast är exekutivt, som Robinhood, har båda sektorernas budskap om finansiellt bemyndigande omfamnats av yngre investerare, som traditionellt sett inte har intresserat sig aktivt för pensionssparande förrän senare i karriären.
Ett av de viktigaste värdeförslagen för populära robo-rådgivare är att de hjälper kunder att förstå risker och kostnader förknippade med portföljer, istället för att bara fokusera på avkastning. Argument mot traditionell finansiell rådgivare-ledd förmögenhetsförvaltning är felaktig anpassning av incitament, där dyra och dåligt presterande tillgångar kanaliseras till investerare, som inte kan analysera siffrorna objektivt för att få sikte på prestanda. För det har robo-rådgivare varit förespråkare för passiva investeringar, som undvikit dyra aktivt förvaltade fonder för ekonomiska indexfonder och börshandlade fonder (ETF).
Medan de flesta robo-rådgivare vanligtvis använder modern portföljteori (ibland i kombination med andra väl undersökta metoder) för att konstruera investerarportföljer, använder de olika sätt att uttrycka risknivåer förknippade med dessa portföljer. De flesta investeringsproffs är överens om att risk är en lika viktig faktor som avkastning i portföljvalet. Faktum är att de allra flesta utövare fortsätter att inspireras av optimeringsramverket för medelvarians som illustreras av Nobelpristagaren Harry Markowitzs avhandling från 1952 om portföljval.
Men risken är vanligtvis inte lika väl förstådd av den genomsnittliga investeraren som förväntad avkastning. Detta beror på att en individs risktolerans inte bara drivs av tidigare prestationer och rationella förväntningar utan också av unika personliga omständigheter och andra känslomässiga faktorer som förhoppningar och rädslor. Dessutom är en individs risktolerans knappast ett statiskt mått. De flesta individer skulle definitivt uppfatta att deras risktolerans är lägre 2020, på grund av osäkerheter från covid-19, än någon gång under det senaste decenniet. Önskvärdheten av en rekommenderad portfölj bedöms av en investerare delvis utifrån deras egen uppfattning om portföljens risker. Det är därför det är viktigt för en robo-rådgivare att tydligt illustrera risker så att investerare kan förstå risken och relatera den till sin egen tolerans, mål och känslomässiga preferenser.
Robo-rådgivare använder kvantitativa eller kvalitativa mått för att hjälpa kunder att förstå risker. Varje åtgärd har sina fördelar och begränsningar.
De flesta robo-rådgivare tilldelar en kvalitativ riskklassning baserat på hur investerare svarar på en fördefinierad lista med psykometriska frågor. Detta kommer i allmänhet att sträcka sig på en numerisk skala från "Mycket konservativ" till "Mycket aggressiv."
En kvalitativ riskklassificering har uppenbara fördelar, genom att den gör det lätt för en investerare att uppfatta risken hos olika portföljer i förhållande till varandra. Till exempel kan en portfölj som tilldelas en "Aggressiv" rating vara mer riskfylld än en märkt "Konservativ". De psykometriska frågorna hjälper till att minska investerares tolerans för förluster och identifiera lämplig risknivå.
En kvalitativ rating kanske inte ger en klar förståelse med avseende på förväntad variation i portföljen. Det kanske inte är uppenbart hur mycket mer volatil en aggressiv portfölj är jämfört med en måttlig portfölj. Med största sannolikhet betyder ett riskbetyg på 6 inte att portföljen är dubbelt så riskabel som en med 3 betyg. Dessutom kan uppfattningen om risk variera beroende på hur riskbetyget uttrycks. Investerare kan se en högriskportfölj annorlunda, beroende på om den är märkt "Hög tillväxt" eller "Mycket aggressiv." Därför introducerar en sådan kategorisering ett lager av subjektivitet till den upplevda attraktiviteten hos en portfölj.
Min oro med robo-rådgivare som överbetonar kvalitativ risk är att det kan ge investerare en falsk känsla av säkerhet när det gäller den pågående utvecklingen av deras portföljer. En godtycklig riskpoäng över ett aggressivt/konservativt intervall kan vara för brett och i slutändan sluta i suboptimala finansieringsplaneringsbeslut av investerare vars omständigheter kan vara mer komplexa än man tidigare trott. Oron för alltför förenklade risker återspeglas i regulatoriska samtal om robo-rådgivare som ägnar sig åt systemisk felförsäljning, där investerare inte förstår produktens sanna natur.
Ökad användning av institutionella kvantitativa riskmått (används av banker, fonder och familjekontor) med kundutbildning kan vara nyckeln till nästa steg av robo-rådgivning. Detta skulle verkligen kunna föra branschen framåt och överensstämma med nationella rörelser för ökad utbildning i finansiell läskunnighet.
Kvantitativa riskmått för investeringsportföljer
Value at Risk, eller VaR, är det mest populära måttet på volatilitet i en portfölj. Enkelt uttryckt är VaR ett mått på minsta förväntade förluster som en viss sannolikhetsnivå (även känd som konfidensnivå eller percentil). Till exempel, om en portföljs 99% VaR är 12%, betyder det att det finns en 99% chans att förluster från portföljen inte kommer att överstiga 12% under en given period. Det finns med andra ord en 1% chans att portföljförlusterna blir mer än 12%. VaR tillämpas redan av vissa robo-rådgivare, med ett sådant exempel på användning kommer från Singapores StashAway, som skapar en riktlinje på 99 % till ett mått som kallas "Riskindex".
VaR kan beräknas med olika metoder. Den historiska metoden sorterar historisk avkastning för en portfölj efter storlek och identifierar avkastningen som observeras vid en viss percentil (vanligtvis 95 % eller 99 %). Varians-kovariansmetoden antar att avkastningen är normalfördelad och använder portföljens standardavvikelse för att uppskatta var de sämsta 5% eller 1% avkastningen kommer att ligga på klockkurvan. VaR kan också uppskattas med Monte Carlo-simulering, som genererar den sämsta avkastningen på 5 % eller 1 % baserat på probabilistiska utfall.
VaR:s popularitet beror på att det gör det enkelt för en investerare att förstå variationen i en portfölj och relatera den till deras personliga tolerans för förluster. Vi kan dock få olika resultat beroende på indata och metodik som används för att beräkna VaR, vilket påverkar måttets tillförlitlighet. VaR är också starkt beroende av många antaganden, såsom att avkastningen är normalfördelad och anpassad till historisk avkastning. Slutligen, en VaR på 99 % på 12 % (beskrivet ovan) informerar inte investeraren om hur stora förluster som kan förväntas i värsta tänkbara scenario.
De olika förbehållen bakom VaR kan begränsa dess framträdande plats i robotrådgivningsplattformar, med det ses som ett komplicerat mått för användare att förstå. Exemplet med att StashAway märker det till ett mer lättsmält mått visar hur dessa barriärer kan brytas ner mer övertygande.
Att åtgärda en av bristerna i VaR, det villkorade riskvärdet, eller CVaR, ger den förväntade förlusten för en investerare i värsta tänkbara scenario. Vid en konfidensnivå på 99 % beräknas CVaR som den genomsnittliga portföljavkastningen i den sämsta 1 % av scenarierna. CVaR uppskattas med liknande metoder som VaR. Även om det kan bidra till att ge en tydligare bild av det värsta scenariot jämfört med VaR, kan det lida av liknande brister på grund av de antaganden och metoder som används vid uppskattning.
Marknadsavbrott 2020 tenderar att riva upp normala distributionsmönster, vilket visar att det kan vara fördelaktigt att lägga till fler "3-dimensionella" portföljriskmått, som CVar. I kombination med standard VaR-mått skulle CVaR-data förbättra riskhanteringserbjudandena för en robo-rådgivare och vara väl lämpade, med tanke på att majoriteten av robo-tillgångarna är indexfonder (korgar med aktier).
Den bästa och sämsta avkastningen avser rullande periodisk avkastning för ett värdepapper eller portfölj under en given tidshorisont. Avkastningen kan beräknas på daglig, månads- eller årsbasis, beroende på investerarens tidshorisont. Tidsramen bestäms vanligtvis av tillgången på data, men den kan påverka den bästa och sämsta observerade avkastningen om vi inte använder en tillräckligt lång tidshorisont.
Bästa och sämsta avkastning för amerikanska tillgångar:1973–2016
Måttet använder historisk avkastning för att ge investerare en indikation på bästa och sämsta tänkbara scenarier. En tydlig fördel är att den, till skillnad från VaR, skiljer på positiv och negativ avkastning, istället för att anta en normalfördelning. Investerare har en tendens att inte ha något emot positiv volatilitet och oroar sig mest för absoluta nedåtrisker. Dessutom, till skillnad från CVaR, visar den den absolut sämsta observerade avkastningen istället för att ta ett genomsnitt av avkastning, vilket kan underskatta det värsta scenariot. Men liksom andra kvantitativa mått tenderar detta att vara bakåtblickande och är också beroende av datasetet med observerade resultat.
Bästa och sämsta avkastningsriskmått är väl lämpade för robo-rådgivares plattformar eftersom de kommunicerar tydligt till investerare utan att förlita sig på skrämmande finansiella nyckeltal. En sådan risk är dock att de kan spela för irrationella fördomar och uppmuntra panikförsäljning till en fallande marknad eller envist hålla fast vid förlorare.
Låt oss ta en titt på hur VaR, CVaR och bästa och sämsta avkastning kan beräknas för en portfölj med en enskild tillgång. Den tillgång som tas i beaktande är SPY, som är en ETF som spårar amerikanska aktier med stora bolag.
Data som används för nedanstående beräkningar avser NAV och månatlig avkastning av SPY från juli 2007 till juni 2020. Beräkningarna kan utföras med Excel- eller Google Sheets-funktioner.
VaR - 11,8 % VaR innebär att sannolikheten för att SPY förlorar mer än 11,8 % under en given månad är 1 %. SPY gav med andra ord bättre månatlig avkastning än en förlust på 11,8 % under 99 % av månaderna. Steg (Google Sheets/Excel):
CVaR - 14,5 % CVaR innebär att den förväntade månatliga förlusten i SPY under de 1 % värsta utfallen är 14,5 %. Detta kan bestämmas i Google Sheets/Excel genom att använda AVERAGEIF-funktionen för att beräkna genomsnittet av avkastningen mindre än VaR-utfallet.
Bästa och sämsta avkastningen - Som visas i tabellen var de bästa och sämsta månatliga avkastningarna observerade i SPY under perioden 2007-2020 +13% respektive -16%. Dessa kan snabbt beräknas med MIN och MAX funktioner.
Som nämnts är det viktigt att notera att dessa åtgärder kan ge olika värden, beroende på metod såväl som observationsperiod. Val av metod och period bör baseras på faktorer som tillgänglighet av data, förväntad investeringstidshorisont och personligt omdöme.
Grunden för traditionell förmögenhetsförvaltning är att skräddarsy portföljer efter individuella behov, vare sig det gäller tidsperiod, etik, riskaptit och inkomstbaserade behov; för det är varje tillvägagångssätt skräddarsytt. Det som gör robo-rådgivning tilltalande är hur dess automatiserade metoder kan fungera i mängder av kundbaser.
Men robo-rådgivare måste hjälpa kunder att tydligt förstå riskavkastningen av deras portföljerbjudanden så att de kan välja rätt portföljer som uppfyller deras personliga behov. Kvalitativa riskmått är en lättförståelig "på ramp" till robo-rådgivning, men med tiden kan deras parametrar bli överflödiga. Men när de används i kombination med de kvantitativa riskmått som beskrivs här, hjälper de till att ge mer holistiska riktlinjer för riskhantering och medvetenhet om portföljprestanda.
C.A.N. Klarar du det? Slå in din investeringsrisk
3 tips för att sänka din portföljrisk
Hur en investeringsstrategi för flera tillgångar kan minska risken
Hur du potentiellt bevarar och utökar din portfölj på en volatil marknad
R.I.P. 60-40 Portfölj
Vad är Modern Portfolio Theory (MPT)?
Hur hanterar jag risker i min portfölj med terminer?
Portföljombalansering