第四章 機器人理財與演算法如何強化風險控管功能
第五節 金融消費者的其他曝險
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第五節 金融消費者的其他曝險
第一項 再投資風險
再投資風險(Reinvestment Risk)是投資組合當中的部位因為配息、減資或返還 現金等緣故，使得投資人帳上的現金部位增加所產生的風險。此時投資人必須要 想方設法為這些資金尋找新的投資標的，但卻不一定能夠保證得到與原先投資組 合一樣的投資報酬率，或新資金的預期投資報酬率低於原先投資組合之投資報酬 率，勢必拉低投資人資產的總報酬。
再投資風險多半發生在投資債券或者是有固定配息的ETF 等標的。期限越短 或者是配息越高的固定收益產品越容易發生再投資風險。標的配息之後可能因為 債券殖利率或ETF 的價格變化，會被迫以較差的投資條件進行再投資，拉低投資 組合未來的期望報酬率。
再投資風險是一種機會成本，而非會計帳上可以精確計算的數字。以債券投 資而言，管控再投資風險的方法多半是採取階梯式(Laddering)投資，將債券的配 息日或到期日錯開，避免同時出現許多需要重新安排的現金部位。不過機器人理 財在初始建立投資組合時就已將大部分資金用來購入投資標的，無法採取階梯式 投資方式避險。又機器人理財是將投資組合安排在投資人的效率前沿之上，現金 部位增加必然會影響既有的配置效率。但若因為部分現金入帳而重新調整投資標 的配置以讓整個投資組合重新回到效率前沿之上，恐怕又會額外增加許多交易成 本，不一定有利投資人。
因此，作者認為機器人理財業者面對再投資風險時如何應對，可視不同投資 人的風險屬性以及當前投資組合配置而機動調整。或者也可單純積累現金，不做 任何調整，也可能是一種對投資人更好的方法。但無論如何，業者方面都須要就 可能涉及之再投資風險詳細說明，並將再投資風險發生時的可能應對方式詳盡交
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
代。舉例而言，投資組合當中包含債券型ETF 或股票型 ETF 時，皆會有固定的配 股或配息收入。如指數型ETF 元大台灣 50(0050)，每年有 2 次固定配息時點。為 衡量再投資風險，此時需要考慮的要素為該項配息的ETF 占整體投資組合之比例 多寡、是否有顯著影響力，以及得到的配息金額占整體投資組合資金比例大小。
比例越大，所面臨的再投資風險就越顯著。
如果涉及投資海外基金或ETF 時，可能會出現更為複雜的情況。例如投資組 合當中持有美國註冊的ETF，配息時美國政府會預扣 30%的稅金。假設持有價值 100 塊、配息 20 塊，配息後投資人手持的 ETF 價值為 80 塊，但現金部位扣除稅 款之後只剩下14 塊，加總起來僅值 94 塊。立即出現投資組合價值下降與因稅制 產生之再投資風險。
雖然機器人理財服務業者並無法各種投資標的預測未來的股息收入，但可以 事先規劃並和消費者約定收到股息時如何運用，以降低消費者可能遭遇之再投資 風險。譬如直接將配息獲得的現金用來購買該項ETF 產品，增加持有數量。或者 是收到股息時先放置於現金部位，待累積至一定金額後再運用演算法模型重新整 理，建構新的投資組合。以及投資組合應對稅制問題的方法。並說明不同處理方 式經演算法計算之後的預期獲利變化與相對差異。
第二項 詐欺風險
不同於其他風險型態，詐欺風險描述的是機器人理財業者與提供演算法的軟體 商間、或者內部開發演算法程式服務之員工的利害關係。沒有自主開發能力或希 望節省成本的機器人理財業者，可能選擇向其他開發商購買演算法交易模型或尋 求授權。但開發商可能利用機器人理財業者對演算法模型認識能力之不足，而從 事詐欺行為。詐欺的目的係美化其演算法模型的獲利能力，從而提升業者採行開 發商所提供之演算法模型的意願，對開發商帶來利益。但相對地若機器人理財業 者採用了這種過度美化的模型，並將其提供給消費者使用，消費者於實際交易時
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
可能出現低於預期的獲利結果，甚至出現虧損。
演算法交易程式的進入門檻不高，但要在現實世界中開發出有穩健獲利能力 的交易策略仍有相當難度。對金融機構與財富管理業者而言，打造成功商業化與 具備規模經濟效益的機器人理財服務也需要學習成本以及開發時間。許多業者會 選擇直接向其他機器人理財服務公司尋求授權或賣斷的可能。此時就會產生詐欺 風險。出售演算法程式的公司是否有基於誠信原則來建構交易策略，或者隱瞞交 易策略在特定情境下可能失效、崩壞的情事，都是金融機構於引進他人之策略前 有必要詳查的內容。
常見的詐欺風險有曲線擬合與過度最佳化、刪除特定交易軌跡或重置時點等 方法。曲線擬合與過度最佳化如本章前述，演算法可能因為參數過度調整，而出 現過去交易績效很好但卻完全無法在之後的市場變化當中獲取相同報酬的情況。
另外一方面也可以像坊間推薦基金投資的手法一樣，選擇一個市場低基期的年份 作為投資的起點，自然後續帳面獲利會美化許多．一旦金融機構不察，購入此類 程式，又在未仔細確認程式內容前就將其提供給財富管理客戶使用，必然造成客 戶的損失與消費爭議。
而刪除特定交易軌跡、重置時點等方法是更為直接、惡劣的詐欺方法。目的 為隱匿損失、美化績效報表，增加使用者興趣。這些手法是不調整交易策略的原 始設計方式，表面上一樣讓交易策略依照演算法所提示的買進和賣出訊號來執行，
但設計者會直接在演算法程式當中刪除掉特定虧損的交易。又或者直接在回測過 程中刪除幾個時點的交易資訊。最著名的例子就是我國 2004 年總統大選後第一 個交易日，因為出乎意料之外的結果讓台股現貨與期貨同步大跌．網路上許多我 國不肖商人所販賣散戶的套裝交易策略，就是刪除了這些市場大跌的事件，宣稱 策略歷經10-20 年市場真實考驗而歷久不衰。
最後，若國內金融機構選擇自行開發演算法交易策略與機器人理財服務，關 於程式設計、壓力測試、風險控管等領域，都需要投注許多資源和新設成本。是
‧
德風險定義為:「The tendency of a person who is imperfectly monitored to engage in dishonest or otherwise undesirable behavior.」62，意即未受到妥善監督的人據 此做出不誠實或不願意被眾人接受的行為。道德風險出現的範圍相當廣泛，常見的有保險市場、金融市場、中古車交易 與政治選舉等。道德風險自然也會衍生許多問題，包含代理問題(Principal–Agent Problem)63與資訊不對 稱 問題(Information Asymmetry)，亦有可能導致逆選擇 (Adverse Selection)發生，形成經濟租(Economic Rent)並導致市場失靈。
機器人理財服務無法避免地也會產生道德風險問題。業者可能高估其投資組
62 Gregory Mankiw, Principle of Microeconomics, SOUTH-WESTERN CENGAGE LEARNING 484 (5nd ed., 2008).
63 指委託人(Principal)和代理人(Agent)間，因為目標不一致而產生利益衝突之問題。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
此外，若金融機構業者只是代理或使用經授權的演算法交易模型，而沒有自 行研發之能力，也可能產生相應之道德風險。甚至需要懷疑這些業者是否具備足 夠的演算法模型風險辨識能力。監理單位應該如何透過法律機制的設計來降低道 德風險的發生機率，也是相當關鍵的問題。