【编前记】2020年伊始，突如其来的新冠疫情对原本就处于艰难复苏阶段的全球经济，造成了强烈冲击。全球央行大放水，在发达国家负利率盛行、国内货币基金七日年化收益降至2％的时代里，找到能够大概率跑赢通胀的优质资产变得尤为重要。本文中，浙商基金智能权益投资部基金经理、人工智能博士向伟，将和大家系统阐述，在AI眼中，“收益的确定性”究竟是如何被定义的。

　　《基金经理投资笔记》AI系列

　　科技驱动价值，AI让投资更聪明

　　作者：浙商基金智能权益投资部AI组组长、基金经理 向伟

　　在全球低利率、负利率时代下，想要寻找到能够大概率跑赢通胀的优质资产。我们可以首先来探讨一个问题——“如何定义资产未来预期收益中的确定性？”

　　一方面，由于传统人脑的思维方式是基于案例式的记忆经验（case based reasoning）模式，因此对于“未来投资机会确定性”的辨识度，往往仅停留在“某只股票业绩比较稳”这样的感性认知层面，难以给出在投资确定性上的科学化度量。

　　另一方面，古希腊哲学家赫拉克利特曾说过一名言——“人不可能两次踏入同一条河流”。由于人脑的决策系统往往是非此即彼的，因此很少有人能从辩证对立的角度出发，基于长期的历史数据，以统计概率的方式，去度量未来投资机会的优劣。此时，AI就展现出了自身强大的计算优势。

　　一、从《复仇者联盟》看“确定性事件”

　　漫威粉们肯定知道，在电影《复仇者联盟》中，一众宇宙英雄为了拯救世界，一次又一次地借助“皮姆粒子”穿越时光回到过去，试图改变历史。但每次无论他们如何改变历史，“灭霸小可爱”都能够通过不同的方式，最终集齐6颗宝石。

　　在这个故事里，从概率学的角度来看，任何一条时间线，其实都只是时空中的一个样本而已。宇宙英雄们每次试图穿越时空改变历史，实际上并没有真正改变原有历史，而是在时空中创造了一个新的副本。而无论各种不同的时间线如何各自发展，灭霸小可爱总能集齐6颗宝石，此时，我们可以将其称之为“确定性事件”。

　　那么，AI投资机器人将如何借助计算机的超强算力，在人类历史长河中不断开启副本，用概率的方式，重新定义“收益中的确定性”问题呢？

　　二、“长期ROE中枢”锚定“确定性”

　　以消费股研究为例，经过统计分析，我们可以发现，倘若一家优质的上市公司，长期以“为股东创造价值”作为公司发展的驱动力，拉长时间维度，其股价大概率将围绕公司长期ROE为中枢，进行上下波动。

　　例如，一家公司长期ROE中枢为15％，那么在任意时间点买入该公司并长期持有，其年化持有收益率也将大概率在15％左右。这样来看，如果能够成功确定该公司长期的ROE中枢，我们就可以采用市面上常用的DCF（现金流贴现）模型来计算公司的合理估值。因此，上面讨论的“如何重新定义收益中的确定性”问题，就转化为了——如何去判断一家公司长期的ROE中枢水平。

　　问题分解到这里，可能很多人会感觉，这件事其实并不难！作为二级市场证券从业人员，每天的工作不就是分析企业的盈利预期么？

　　然后不幸的是，问题难度恰恰与我们想象中的相反！前文我们提到，在《复仇者联盟》里，宇宙英雄们的每次穿越，进入的仅仅是历史中的一个副本。同样的，每一个股票研究员，在历史上给出的盈利预期序列，也仅仅是历史长河中的一个副本——从概率角度上我们称之为一个点估计（point estimation）。

　　仅从点估计出发，我们并不能从概率分布的角度，判断其预期收益的确定性。以下图为例，图中蓝色部分，展现的是华尔街分析师们对于某家公司未来盈利预期分布，而紫色的点则表示了某一个分析师对于该公司的盈利预测值。

图1：wind中分析师给出的公司未来ROE曲线图

　　过去，在设计DCF（现金流贴现）模型来计算企业估值时，我们需要对目标公司未来T+1，T+2，…，T+N年的自由现金流给出估计。然而，当我们估计第i年的自由现金流时，往往要依赖于对公司第i-1年的自由现金流和ROE的估计判断是否准确。

　　如果我们的股票研究员采用点估计的方式，去给出未来预判时，往往不知不觉地便忽略了这样逐级推演过程中的累积误差，从而使得ROE误差水平，随预测时间窗口的增加而逐年被放大。

　　例如有两家公司，其T+1年的ROE中枢都是15％，但是A公司的业绩确定性较高为15％±2％，B公司的业绩确定性较低为15％±4％。从概率分布的角度看来，两家公司T+1年的业绩预期都将不错，只是在方差上略有区别。

　　于是，我们将两家公司第T+1年的ROE高斯分布作为先验分布，用随机取样的方式，逐年推演二者后续年份的ROE分布。

图2：A公司vs B公司逐年盈利确定性的对比

　　经过推演后，我们惊人地发现，A公司在T+2年之后的ROE分布依然非常紧凑，仍接近高斯分布（Gaussian Distribution），而B公司仅仅在2年后，其ROE分布就已经近乎退化为了一个接近均匀分布（Uniform Distribution）的状态。

　　这意味着，T+2年后该公司的ROE在分布区间任意一点出现的概率都非常相近。换句话说，我们去预测B公司T+2年后的ROE，对于投资决策而言已经没有任何指导意义了。由此可见，原本具有相近业绩中枢的两家公司，因为业绩确定性的差异，仅仅在T+2年后，他们的ROE分布就出现了天壤之别。

　　三、挖掘公司的“业绩确定性”溢价

　　当判断出了公司业绩中枢的概率分布后，我们回过头来再次检视DCF模型，便会发现——过去我们使用点估计，去给出未来现金流序列时，往往暗自假设了一个前提条件，即未来每一期的自由现金流预测值，都是非常准确的。

　　然而，实际上这种主观的预判，仅仅是概率分布中的一个样本而已，或者说是历史时空中的一个副本，并不具有统计学意义上的代表性。

　　因此，随着预测年数的不断增加，时空中经历的副本数也在不断增加，自由现金流序列的预测准确率进而不断下行，直至最后，所依据的ROE分布退化至一个均匀分布，已经毫无参考价值。

　　上文图2也展示了，从模型的折现久期来看，当我们从概率分布的视角来观察B公司n年之后的预测现金流，等同于从均匀分布的样本中，随机抽取的一个数值而已，基于以此估算出的公司估值来进行投资，自然稳定性非常差。

　　反之，对于A公司，过去在行业十几年的发展中，无论利好、利空政策出台，都能保持业绩的基本稳定，历史ROE确定性更高，ROE中枢始终不会偏离太远。当我们利用其确定性较高的ROE分布来锚定未来预期业绩中枢时，DCF模型能够折现的久期相对于B公司来说更强，因此能够得到的估值也更高，这就是我们常说的业绩确定性溢价。

　　由此可见，业绩确定性较高的A公司在预测未来现金流和ROE时，具有更高的确定性收益，更具投资价值。换一种更形象的表述来说，A公司有更强的投资“元神”，而AI将结果以统计概率的方式，直观展现在我们面前，帮助基金经理做更精细化的判断与投资。

　　四、谈收益确定性与股价的关系

　　最后，我们来讨论一下确定性收益与股价波动性之间的关系。从市场上其他的交易者视角来看，当公司披露的信息透明度越高时，大家各自手里的DCF模型虽然各异，但都是概率分布中的一个样本，由于A公司n年后的业绩中枢分布依旧确定性很高，因此市场上众多投资者对于A公司的估值评定的一致度也越高。进而，从股价波动性的角度而言，出现错买错卖的概率反而变小，因此我们会发现A股市场中，业绩确定性高的标的往往股价波动性也较小。

　　相反，B公司从n年往后的业绩不确定性逐级增大，造成本身各色投资者对于公司的估值评定分歧不断变大，因此当市场上有任何风吹草动的消息传出时，手里没有筹码或者担忧风险的投资者便会慌不择路，造成追涨杀跌，又会在一定时间段带来盘口的买卖压失衡，进一步导致股价剧烈波动。

　　综上所述，在经济基本面承压时，最大可能获取确定性预期收益的重要性不言而喻。而AI的强大算力，的确有助于将人们的感性认知进行科学化度量，帮助我们构建出自身多个影子，并将其投射到历史的漫漫长河中，开启一个又一个副本，通过大量的反复实验进行演算，最终从辩证对立的角度出发，以统计概率的方式，判断出一个投资机会的优劣。

　　了解作者：

　　向伟：浙商智能行业优选混合基金经理。博士毕业于香港科技大学计算机系AI实验室，曾创立华大基因弹性计算实验室；后任百度个性化搜索负责人，创立机器学习深圳分部；通联数据智能投研总监，萝卜投研创始人。致力于人工智能技术在各个垂直领域的应用，有15年AI研究和实战经验，目前也是国内量化基本面研究和智能投资的推动者。

　　注：文中部分图片来自网络，仅供学习与交流使用，不作为商业用途。

　　风险提示：浙商基金管理有限公司（“本公司”）尽力为投资者提供全面完整、真实准确、及时有效的资讯信息。本材料并非法律文件，所提供信息仅供参考，本公司不对其准确性或完整性提供直接或隐含的声明或保证。过往业绩不代表未来，基金管理人管理的其他基金业绩不构成对基金业绩的保证。本材料不构成任何投资建议，投资者在投资前请参阅本公司在中国证监会指定信息披露媒体发布的正式公告和有关信息。投资者购买基金时应详细阅读本基金的基金合同和招募说明书等法律文件，了解本基金的具体情况。本公司及其雇员、代理人对使用本材料及其内容所引发的任何直接或间接损失不承担任何责任。人工智能投资存在固有缺陷，投资者应当充分了解基金运用人工智能投资的风险收益特征。基金有风险，投资需谨慎。