Robo-rådgivere er blevet fremtrædende i løbet af det sidste årti, hvor fintech-undersektoren har tilskyndet til mere aktiv involvering fra yngre investorer og masserne i opsparing og investering. Robo-rådgivere sigter mod at demokratisere finansiel rådgivning og bringe tjenester af høj kvalitet, som tidligere var udelukkende tilgængelige for velhavende, sofistikerede investorer. I en nøddeskal er robo-rådgivning en form for investeringsstyring, der outsourcer porteføljestrategi til en algoritme. Porteføljeopbygning og rebalancering er automatiseret ved hjælp af computere, hvilket giver mere overkommelige formueforvaltningsløsninger og potentiel reduktion af menneskelige fejl og bias.
Mange startups inden for feltet kæmper for at break-even og vise branddifferentiering. Hvad er den bedste måde for robo-rådgivere at fortsætte med at demokratisere investeringer og skabe overskud, mens de formidler de sande risici ved en portefølje?
Betterment og Wealthfront er to af de mest fremtrædende robo-rådgivere, hvor førstnævnte var den første, der blev lanceret i 2008. I 2019 blev sektoren anslået til at have 440 milliarder dollars i aktiver under forvaltning globalt, og over tid vil traditionelle formueforvaltere, som f.eks. Vanguard, har også vedtaget sådanne teknikker. Selvom de er helt forskellige fra handelsplatforme, der kun er eksekverende, som Robinhood, er begge sektorers budskab om økonomisk styrkelse blevet omfavnet af yngre investorer, som traditionelt ikke har interesseret sig aktivt for pensionsopsparing før senere i deres karriere.
Et af de vigtigste værdiforslag fra populære robo-rådgivere er, at de hjælper kunder med at forstå risici og omkostninger forbundet med porteføljer, i stedet for kun at fokusere på afkast. Argumenter mod traditionel finansiel rådgiver-ledet formueforvaltning er fejljusteringen af incitamenter, hvor dyre og dårligt ydende aktiver sendes videre til investorer, som ikke er i stand til at analysere tallene objektivt for at få udsyn til ydeevnen. Til det har robo-rådgivere været tilhængere af passiv investering, idet de har undgået dyre aktivt forvaltede fonde for økonomiske indeksfonde og børshandlede fonde (ETF'er).
Mens de fleste robo-rådgivere typisk anvender moderne porteføljeteori (nogle gange i forbindelse med andre velundersøgte metoder) til at konstruere investorporteføljer, bruger de forskellige måder at udtrykke risikoniveauer forbundet med disse porteføljer på. De fleste investeringseksperter er enige om, at risiko er lige så vigtig en overvejelse som afkast i porteføljeudvælgelsen. Faktisk bliver langt de fleste praktiserende læger fortsat inspireret af optimeringsrammerne for middelvarians, der er illustreret af nobelprisvinderen Harry Markowitz' afhandling fra 1952 om porteføljevalg.
Risiko er dog normalt ikke så godt forstået af den gennemsnitlige investor som forventet afkast. Dette skyldes, at et individs risikotolerance ikke kun er drevet af tidligere præstationer og rationelle forventninger, men også af unikke personlige omstændigheder og andre følelsesmæssige faktorer såsom håb og frygt. Desuden er et individs risikotolerance næppe et statisk mål. De fleste individer ville afgjort opfatte deres risikotolerance som lavere i 2020, på grund af usikkerheder præsenteret af COVID-19, end på noget tidspunkt i løbet af det sidste årti. Ønskeligheden af en anbefalet portefølje vurderes af en investor dels ud fra deres egen opfattelse af porteføljens risiko. Dette er grunden til, at det er vigtigt for en robo-rådgiver at illustrere risikoen tydeligt, så investorer kan forstå risikoen og relatere den til deres egen tolerance, mål og følelsesmæssige præferencer.
Robo-rådgivere bruger kvantitative eller kvalitative mål for at hjælpe kunder med at forstå risici. Hver foranstaltning har sine fordele og begrænsninger.
De fleste robo-rådgivere tildeler en kvalitativ risikovurdering baseret på, hvordan investorer besvarer en foruddefineret liste af psykometriske spørgsmål. Dette vil generelt variere på en numerisk skala fra "Meget konservativ" til "Meget aggressiv."
En kvalitativ risikovurdering har indlysende fordele, idet den gør det let for en investor at opfatte risikoen for forskellige porteføljer i forhold til hinanden. For eksempel kan en portefølje, der er tildelt en "Aggressiv" rating, være mere risikabel end en portefølje mærket "Konservativ". De psykometriske spørgsmål hjælper med at indsnævre investortolerancen for tab og identificere det passende risikoniveau.
En kvalitativ rating giver dog muligvis ikke en klar forståelse med hensyn til forventet variabilitet i porteføljen. Det er måske ikke indlysende, hvor meget mere volatil en aggressiv portefølje er sammenlignet med en moderat portefølje. Det er højst sandsynligt, at en risikovurdering på 6 ikke betyder, at porteføljen er dobbelt så risikabel som en, der er vurderet til 3. Desuden kan opfattelsen af risiko variere baseret på, hvordan risikovurderingen er verbaliseret. Investorer kan se en højrisikoportefølje anderledes, afhængigt af om den er mærket "Høj vækst" eller "Meget aggressiv." Derfor introducerer en sådan kategorisering et lag af subjektivitet til den opfattede attraktivitet af en portefølje.
Min bekymring med robo-rådgivere, der overbetoner kvalitative risici, er, at det kan give investorer en falsk følelse af sikkerhed med hensyn til den løbende ydeevne af deres porteføljer. En vilkårlig risikoscore på tværs af et aggressivt/konservativt interval kan være for bredt og i sidste ende ende i suboptimale finansieringsplanlægningsbeslutninger af investorer, hvis omstændigheder kan være mere komplekse end tidligere antaget. Bekymringerne vedrørende forsimplede risici gentages i regulatoriske opkald om robo-rådgivere, der engagerer sig i systemisk fejlsalg, hvor investorer ikke forstår produktets sande natur.
Øget anvendelse af institutionelle kvantitative risikoforanstaltninger (brugt af banker, fonde og familiekontorer) med kundeuddannelse kan være nøglen til næste fase af robo-rådgivning. Dette kunne virkelig bringe industrien fremad og korrespondere med nationale bevægelser for øget uddannelse i finansiel færdighed.
Kvantitative risikomål for investeringsporteføljer
Value at Risk, eller VaR, er det mest populære mål for volatilitet i en portefølje. Enkelt sagt er VaR et mål for minimum forventede tab som et vist sandsynlighedsniveau (også kendt som konfidensniveau eller percentil). For eksempel, hvis en porteføljes 99% VaR er 12%, betyder det, at der er en 99% chance for, at tab fra porteføljen ikke overstiger 12% i en given periode. Der er med andre ord en 1% chance for, at porteføljetab vil være mere end 12%. VaR anvendes allerede af nogle robo-rådgivere, hvor et sådant eksempel på brug er fra Singapores StashAway, som bruger en 99 %-retningslinje til et mål kaldet "Risikoindekset."
VaR kan beregnes ved hjælp af forskellige metoder. Den historiske metode sorterer historiske afkast af en portefølje efter størrelse og identificerer afkastet observeret ved en bestemt percentil (typisk 95 % eller 99 %). Varians-kovariansmetoden forudsætter, at afkast er normalfordelt og bruger porteføljens standardafvigelse til at estimere, hvor de dårligste 5 % eller 1 % afkast vil ligge på klokkekurven. VaR kan også estimeres ved hjælp af Monte Carlo-simulering, som genererer de dårligste 5 % eller 1 % afkast baseret på sandsynlige resultater.
Populariteten af VaR skyldes det faktum, at det gør det nemt for en investor at forstå variabiliteten af en portefølje og relatere den til deres personlige tolerance over for tab. Vi kan dog opnå forskellige resultater afhængigt af input og metode, der bruges til at beregne VaR, hvilket påvirker målingens pålidelighed. VaR er også stærkt afhængig af adskillige antagelser, såsom at afkast er normalfordelt og tilpasset historiske afkast. Endelig informerer en VaR på 99 % på 12 % (beskrevet ovenfor) ikke investoren om størrelsen af de tab, der kan forventes i det værst tænkelige scenarie.
De forskellige advarsler bag VaR kan begrænse dens fremtræden i robo-rådgivningsplatforme, idet det ses som en kompliceret metrik for brugerne at forstå. Eksemplet med StashAways branding af det til en mere fordøjelig metrik viser, hvordan disse barrierer kan nedbrydes mere overbevisende.
Ved at rette op på en af manglerne ved VaR, den betingede risikoværdi eller CVaR, giver det det forventede tab for en investor i det værst tænkelige scenarie. Ved et konfidensniveau på 99 % beregnes CVaR som det gennemsnitlige porteføljeafkast i den dårligste 1 % af scenarierne. CVaR estimeres ved hjælp af lignende metoder som VaR. Selvom det kan være med til at give et klarere billede af det værst tænkelige scenarie sammenlignet med VaR, kan det lide af lignende mangler på grund af de antagelser og metoder, der anvendes i estimeringen.
Markedsafbrydelser i 2020 har en tendens til at rive normale distributionsmønstre op, hvilket viser, at tilføjelse af flere "3-dimensionelle" porteføljerisikomål, som CVar, kan være fordelagtigt. I forbindelse med standard VaR-mål ville CVaR-data forbedre risikostyringstilbuddene fra en robotrådgiver og være velegnede, i betragtning af at størstedelen af roboaktiverne er indeksfonde (kurve med aktier).
De bedste og værste afkast vedrører rullende periodiske afkast af et værdipapir eller en portefølje i en given tidshorisont. Afkastet kan beregnes på dags-, måneds- eller årsbasis, afhængigt af investorens tidshorisont. Tidsrammen bestemmes normalt af tilgængeligheden af data, men det kan påvirke de bedste og værst observerede afkast, hvis vi ikke bruger en lang nok tidshorisont.
Bedste og værste afkast for amerikanske aktiver:1973-2016
Målingen bruger historiske afkast til at give investorerne en indikation af bedste og værst tænkelige scenarier. En klar fordel er, at den i modsætning til VaR skelner mellem positive og negative afkast i stedet for at antage en normalfordeling. Investorer har en tendens til ikke at have noget imod positiv volatilitet og bekymrer sig for det meste om absolutte nedadrettede risici. I modsætning til CVaR viser den også de absolut værst observerede afkast i stedet for at tage et gennemsnit af afkast, hvilket kan undervurdere det værst tænkelige scenarie. Men ligesom andre kvantitative mål har dette en tendens til at være bagudskuende og er også afhængigt af datasættet med observerede resultater.
Risikomål for bedste og værste afkast er velegnede til robo-rådgiverplatforme, da de kommunikerer klart til investorerne uden at være afhængige af skræmmende økonomiske nøgletal. En sådan risiko er dog, at de kan spille til irrationelle skævheder og tilskynde til paniksalg til et faldende marked eller stædigt fastholde tabere.
Lad os tage et kig på, hvordan VaR, CVaR og Bedste og Værste afkast kan beregnes for en enkeltaktivportefølje. Aktivet, der tages i betragtning, er SPY, som er en ETF, der sporer store amerikanske aktier.
Data brugt til nedenstående beregninger vedrører NAV og månedlige afkast af SPY fra juli 2007 til juni 2020. Beregningerne kan udføres ved hjælp af Excel- eller Google Sheets-funktioner.
VaR - 11,8 % VaR betyder, at sandsynligheden for, at SPY taber mere end 11,8 % i en given måned er 1 %. Med andre ord gav SPY bedre månedlige afkast end et tab på 11,8 % i 99 % af månederne. Trin (Google Sheets/Excel):
CVaR - 14,5 % CVaR betyder, at det forventede månedlige tab i SPY under de 1 % værste udfald er 14,5 %. Dette kan bestemmes i Google Sheets/Excel ved at bruge AVERAGEIF-funktionen til at beregne gennemsnittet af afkast, der er mindre end VaR-resultatet.
Bedste og værste afkast - Som vist i tabellen var de bedste og værste månedlige afkast observeret i SPY i perioden 2007-2020 henholdsvis +13 % og -16 %. Disse kan hurtigt beregnes ved hjælp af MIN og MAX funktioner.
Som nævnt er det vigtigt at bemærke, at disse mål kan give forskellige værdier, afhængig af metode samt observationsperiode. Valg af metode og periode bør baseres på faktorer som tilgængelighed af data, forventet investeringstidshorisont og personlig dømmekraft.
Grundlaget for traditionel formueforvaltning er at skræddersy porteføljer til individuelle behov, hvad enten det drejer sig om tidsrum, etiske, risikoappetit og indkomstbaserede behov; for det er enhver tilgang skræddersyet. Det, der gør robo-rådgivning tiltalende, er, hvordan dets automatiserede metoder kan fungere på tværs af rækker af kundebaser.
Men robo-rådgivere skal hjælpe kunder med klart at forstå risikoafkast-afvejningen af deres porteføljetilbud, så de kan vælge de rigtige porteføljer, der opfylder deres personlige behov. Kvalitative risikomål er en letforståelig "på rampe" til robo-rådgivning, men med tiden kan deres parametre blive overflødige. Men når de bruges sammen med de kvantitative risikomål, der er skitseret her, hjælper de med at give mere holistiske retningslinjer for risikostyring og bevidsthed om porteføljepræstation.