您是否曾經想過為什么您的股票投資組合表現不如基本的“股票市場” ETF更好，或更糟糕的是您自己的期望呢？盡管您的Robinhood帳戶中有“正確”的股票，但您的整體投資組合不應該在應有的位置？這是有原因的，原因很簡單：買一籃子股票并稱其為每日交易還不夠。

確定要購買多少股票并不像基本的數學方程式那么簡單。為什么要根據昨天的股市來建立您的投資組合？人工智能（AI）的進步使現在更容易以高概率預測明天的股票市場。有了這些信息，使用AI方法論構建的投資組合將在結構上為個人帶來更好的表現。

什么是多元化投資組合？

在討論投資時，多元化的概念被廣泛使用，它的真實含義通常會丟失（或遺漏！）。當我們考慮多元化時，我們指的是您投資組合中的風險。需要考慮多種風險，但投資者通常只關注一種類型：業績。衡量績效風險顯然是投資者的關鍵指標-如果您認為自己不會獲得正回報，那么為什么要進行投資呢！但是許多人不知道的是，過分強調回報可能會增加投資組合中的其他風險。

這是一個例子。假設您將40%的投資組合投入了ABC股票。ABC上升很多，但隨后在同一天內突然下降。結果，我們將股票ABC稱為“波動”股票。當ABC啟動時，一切都很好，但是當ABC下降10%的一天會發生什么呢？由于您將投資組合的40%投入到ABC股票中，因此下降10%意味著–假設投資組合的其余部分沒有變化–您的投資組合將下降4%。為了達到收支平衡，您需要您的投資組合來獲得更多超過4%。我的朋友，那是復合的力量，它正在對您不利。擁有較小的ABC投資組合百分比可能會更好，這使您可以投資自己喜歡的一只股票，而不會使整個投資組合面臨風險。他被稱為風險回報關系。我們將對此進行更多討論。

正確的多元化

知道不要購買太多的高波動性股票只會刮傷表面。接下來，您需要考慮相關因素對您的投資組合的作用和影響。讓我們來看另一個例子。假設您要購買股票ABC和股票XYZ。您已經注意到，每次ABC上升，XYZ也會上升。當ABC下降時，XYZ也下降。我們剛剛描述的是所謂的正線性關系，也稱為相關。

相關性的測量范圍是-1到+1。在此范圍內，證券變化（在這種情況下為股票ABC和XYZ）的線性關系被歸一化。如果ABC和XYZ的相關系數為0.75，則意味著這兩只股票之間存在相對較強的正相關性。換句話說，您可以期望每次ABC上升，XYZ上升，反之亦然。因此，通過同時購買ABC和XYZ，您將在投資組合中引入類似的風險。為了避免將風險集中在相似或相關的想法上，投資與股票ABC關聯性較弱的股票會更有意義。否則，這與購買全部股票ABC一樣有風險。

但是風險呢？

還記得我們前面提到的風險與回報的關系嗎？這就是它的用武之地。盡管可以用許多不同的方式來衡量風險回報，但我們將專注于波動回報率的基本關系。

在考慮風險回報時，請問自己，您接受的每個波動率（風險）能為您帶來多少回報。如果比率低于1，則意味著您在投資組合收益中獲得的回報不足以抵消接受投資組合波動的風險。在理想情況下，您希望風險回報率遠高于1.0 。請記住，您獲得的投資組合收益金額大大超過了投資組合所承擔的風險。因此，當您考慮構建投資組合時，請始終專注于這種關系，以幫助最大化投資組合中最佳的風險調整收益。

放在一起

提醒您，以下是構建多元化投資組合時要牢記的三件事：

1.避免用高波動性股票填補過多的投資組合

2.股票之間的強相關性可能會帶來額外的風險

3.接受投資組合的波動性時，請務必考慮風險回報率

建立多元化的投資組合后，下一步就是將這些規則應用于您的投資組合。通常，您的經紀人會為您提供某種類型的軟件來構建您的投資組合，但是其中大多數功能都是基本功能，不能提供尋找最佳投資組合所需的正確工具。不幸的是，這使microsoft excel和軟件工程解決方案成為唯一可行的選擇。我們最喜歡的軟件工程解決方案是用R和Python編寫的，但是運行優化方案可以用許多編程語言來完成。

AI如何適應-為何有人要關心？

這可能會令人震驚，但是我們上面概述的所有練習的預測性或多或少都是毫無價值的。更瘋狂的是，華爾街上的大多數機構投資者都在使用我們都知道是錯誤的基本數學解決方案。我們上面概述的問題是它是向后看的，它是基于過去的表現。您可能聽說過“過去的表現并不代表將來的表現”。在這種情況下，查看過去的價格表現并不能使我們對股票的未來表現有任何了解：這是事前與事后的辯論。從中心右側輸入我們的AI資產分配模型。

AI資產分配模型（尤其是AI聚類模型）可基于許多因素（本文將不涉及）幫助做出更穩健的“前瞻性”預測，預測股價將如何變化。但是，最終結果始終是更穩定的投資組合，因為進入計算的輸入是前瞻性的。讓我們看一下我們最喜歡的AI資產分配模型之一，即Hierarchical Risk Parity，以了解其工作原理。

AI資產分配模型如何工作？

首先，我們通過測量不同相關之間的絕對距離來考慮相關性以及不同相關對之間的差異。通過這樣做，算法開始理解這些差異如何聚集在一起。我們重復此步驟，直到剩下一個大群集為止。然后，我們回溯之前的步驟，并根據每個集群內的差異將權重分配給不同的股票。為了更好地理解非線性關系，這些聚類按重要性（層次結構）進行排列。就像那樣，我們有一個投資組合分配，它最能代表我們最大的賭注，可以最大限度地提高我們的回報，并通過考慮非線性關系，而不僅僅是基本線性關系，將未來期間的波動率降至最低。