第四章 機器人理財與演算法如何強化風險控管功能
第三節 分散投資標的與分散風險
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
可以得知，要取得穩定的預期報酬率，降低報酬率的波動，就須要降低資產 組合內各種投資標的之相關性。一般而言同一個市場的投資標的，只要持有約 30 檔後，所承擔的風險即與整個市場的風險相去不遠。
我們亦可用不同市場的標的組成投資組合，最簡單地即是將資金分散至股票 與債券當中。股票的預期報酬率較高，但預期報酬率的波動率也較高。債券的預 期報酬率較低，但預期報酬率的波動率也較低。我們按照不同投資比例描繪同時 投資這兩類商品的結果。於是，我們可以得到以下的投資組合效率前沿。顯然地，
效率前沿反映了預期報酬與風險之間的關係．越高的波動率代表越高的不確定性，
自然也需要更高的風險貼水。
圖 18 效率前沿與切線 (資料來源:作者整理)
下圖說明了投資組合以內的標的，在相關係數不同時，如何改變效率前沿的 形狀。可以看出，越是呈現負相關係數的效率前沿越往左邊。最後當相關係數為 -1 時幾乎成為一個三角形。相關係數為-1 的投資組合當中的各項標的折衝抵銷
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
了彼此之間的波動度，因而將預期年報酬率鎖定在特定的點上。而當相關係數為 1 時，效率前沿變為一條直線。投資組合當中的標的對報酬率變化的敏感程度均 相同。可以發現要在相同風險之下，獲得較高的預期報酬率，就要讓資產組合內 商品的相關性越低。
圖 19 投資組合配置與效率前沿的變化 (資料來源:作者整理)
財務組合模型多半是以上述計算方式為基礎推導而成。然而真實世界的資產 並不是各自獨立的。
美國生技指數 ETF 和 S&P500 指數 ETF 不完全獨立，因為 S&P500 指數包含了 許多生技類股。美國道瓊指數 ETF 與公債 ETF 也並非沒有連繫關係，資金的流動 與變化，長期來看在股市與債市當中就像蹺蹺板般制衡。而不同國家的金融市場 或外匯市場也有不可分割之關連性，例如股市大跌時資金自風險性資產撤出，因 為避險需求增加而推升日圓及瑞士法郎等貨幣升值。
因此無論是我們計算投資組合的預期報酬率或者是變異數，以及先前提到的 一些監控指標時，都必須把投資組合的實際投資標的攤開來仔細檢視。
為了降低無法以數學或財務模型捕捉到的其他可能風險，作者建議機器人理 財業者可以主動將所選取之投資標的分類。用市場種類、金融產品性質、國家地
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
區、波動率、信用風險等級分組，限制每個類別當中的投資標的不超過整體投資 組合的一定比例，以降低金融消費者之投資風險。
當然，我們也可以利用衍生性商品以及避險工具來降低投資組合的風險。但 必須要記住，風險管理本身亦負有代價。55實務上，多數提供給金融消費者使用的 演算法交易策略均為多頭策略。56不過既然已經利用演算法計算出投資組合的曝 險、投資組合的波動率或者是相對於大盤的β值，自然會在特定時點運用衍生性 商品來對沖風險。
常用來避險的衍生性商品為期貨以及選擇權。然而在風險事件發生前、或未 發生時，採用避險工具勢必會拉低投資組合的績效，付出額外成本。尤其選擇權 還有買方與賣方的差異，與到期價值歸零的特性，更需要仔細考量。
作者認為，對機器人理財業者而言，若希望在服務當中加入相關額外避險策 略，必然要就避險策略對投資組合績效的影響說明。一則清楚說明什麼情況下才 會採行避險策略。對客戶方採用事前通知或事後通知。二則事前要提供避險策略 可能對投資組合帶來的避險成果或者是額外支出。事後也要提供檢討評估報告。
55 Risk management is risky。
56 相對於做多，做空市場需要更多的成本。例如保證金擔保。而空方 ETF 或者是槓桿 ETF，由 於是投資期貨標的，於期貨到期日之前需要不停地轉倉，也會逐步增加交易成本並侵損淨值。空 方ETF 的原始設計不利於 ETF 中長期績效表現，自然也不會被演算法理財模型廣泛使用。