Robust Asset Allocation for Robo-Advisors

วันนี้นั่งหาบทความเกี่ยวกับการทำ RoboAdvisor ไปเจอหลาย paper ที่น่าสนใจ แต่อันหนึ่งที่ชอบสุดคือ paper ของ Amundi Asset Management เขียนเรื่อง Robust Asset Allocation for Robo-Advisors

paper นี้ค่อนข้างยาว 70 กว่าหน้า ผู้วิจัยแนะนำแนวทางการเพิ่มประสิทธิภาพของพัฒนา Robo-Advisor ซึ่งนิยามปัจจุบันคือการทำ automated portfolio management แต่หลายเจ้ายังใช้คน( human-based ) เพราะมองว่า portfolio optimization เป็นงานที่ยากโดยเฉพาะเมื่อต้องเผชิญกับภาวะความไม่แน่นอน และความผันผวนของตลาด ประเด็นหลักๆพูดถึง

- เทคนิคและข้อจำกัด mean-variance optimization ,การสร้างพอร์ตให้เกิด maximum Sharpe ratio (risk/return trade-off ) แบบเดิม การ overfit ของโมเดลกับ data ในอดีต ที่ทำให้การ optimize น้ำหนักของโมเดล ไม่สามารถทำงานได้ดีในภาพตลาดที่แตกต่างจากอดีต ส่งผลให้พอร์ตมีความผันผวน
- การทำ hedging portfolios ,การเลือก asset ในจากค่า ความสัมพันธ์(correlation) เพื่อทำ diversification
- นำเสนอเรื่อง portfolio regularization แก้ข้อจำกัดของ MVO portfolio แบบเดิมโดยกล่าวถึงการใช้ L1 และ L2 Regularization Methods (Ridge regression ผสม Lasso regression) เทคนิคการแก้ overfitting ในงาน regression model ที่ดูจะมีประสิทธิภาพดีกว่า cross-validation ในกรณีที่สร้างโมเดลสำหรับรองรับ Feature จำนวนมาก
-ผู้วิจัยเชื่อว่าแนวคิดการนำ regularization และ sparsity มาใช้จะช่วยทำให้ robo-advisor สร้างโซลูชั่นใน portfolio optimization ได้ดีขึ้น

สรุปสั้นๆ แต่โดยรวมถ้าทำงานด้านนี้ คุ้มค่าการอ่านมากส่วนตัวกำลังทำ Deep learning กับ portfolio optimization อยู่เช่นกัน ซึ่งหลายแง่คิดใน paper นี้เราเอาไปประยุกต์ได้ โดยเฉพาะเรื่องของ regularization และ sparsity

เข้าไปดาวน์โหลดได้จาก

http://research-center.amundi.com/page/Publications/Working-Paper/2018/Robust-Asset-Allocation-for-Robo-Advisors