Victor Lye, CFA CFP®，创始人兼首席执行官
引言
长久以来，投资的基本原则一直被不专业的销售手法，以及由上而下、以推销产品为导向的组织激励机制搅得浑浊不清。终端消费者为不合适的东西付出了过高的代价。尽管监管机构已尽了最大努力，硬推产品的现象至今仍然普遍——因为消费者在不知不觉间接受了它。
利用人性的贪婪、张口闭口都是“回报”，战后婴儿潮世代在一次次零星的市场崩盘之间追逐回报。结果，许多人高买低卖。
直到最近四股民主化力量汇流——（i）强大的移动算力；（ii）无处不在的数码连接；（iii）低成本的云端数据储存；以及（iv）社交网络——主导权一直是由上而下的，由人性的贪婪与恐惧驱动。如今，它应该变成由下而上，由实时数据驱动。数据让人工智能活了起来——而 SqSave 正把它应用到投资上。
在这份白皮书中，我们要分享 SqSave 如何以风险测评的游戏化开创先河，为混沌的个人投资世界重建几分秩序。
风险测评的实务现况
为保障消费者，信誉良好的金融市场都要求在销售流程中进行风险测评。“风险画像”是一个统称，用来识别投资者的各项因素与特质，从而找出合适的投资。然而，风险测评方法大多是为了推销某项特定产品而设 [1]。
问题的根源，在于以问卷为本的风险测评。这类问卷并不可靠——只能解释投资者之间风险资产差异的不到 15% [2]。它们设计粗糙，问题带有引导性，把消费者往购买某项产品的方向推；业界对于“什么才算充分的风险画像”既无共识，也没有验证。因此，由此售出的投资产品是否合适，仍是一个悬而未决的问题 [3]。
当有人问起：您为什么买这项金融产品？又是向谁买的？典型的回答无非是“别人告诉我这对我好”或“向认识的人买的”，一点也不意外。令人忧心的是，许多人说不出自己买了什么东西的特点和好处——或者更准确地说，说不出销售人员在业绩目标和奖金驱动下卖给了他们什么。
人类销售人员对投资者决定的影响力相当可观。一项研究发现，涵盖投资期限、金融知识、收入、净资产、年龄、性别和职业的风险承受度问题，只能解释 13% 的“为何投资者的组合被判定为合适”。然而，一旦把人类销售人员纳入考量，解释力便升至 32% [2]。证据显示，销售人员对投资者决定的影响，比投资者自身的客观考量还要大！考虑到销售人员所赚取的费用，这对消费者不可能是好事。
我们如何让胜算更偏向终端消费者？
尽管有明确证据显示，今天这种充满人为偏差的风险测评做法并不足够，改良方面的创新却寥寥无几。
什么是风险画像？
首先，我们需要理解风险测评的基本面。
风险承担能力指的是承受风险的客观能力。它取决于投资者的投资期限、流动性需求、收入与财富等因素。
风险厌恶程度指的是主观的心理特质与情绪，它左右一个人愿不愿意承担财务损失的风险。这类情绪因素，很难用被动的风险测评方法测出来。
风险承担能力与风险厌恶程度合起来，构成了“风险画像”。只有当风险与个人的风险承担能力和风险厌恶程度相符，投资才算合适。
风险测评中的情绪
人不像机器，未必会照着自己说的去做 [1]。当下盛行的问卷式风险测评方法，无法充分评估投资者的行为。这正是行为金融学蓬勃发展的原因——因为人们似乎并不按照古典理论所假设的人类理性行事 [4]。举例来说，人们追逐回报时，对其中涉及的风险似乎毫无察觉。看起来他们要的就是风险本身！
研究显示，个人对风险的判断往往是快速作出的，主要由情绪或直觉引导，而非理性考量 [5]。进一步的研究发现，即使经历一场压力沉重的金融危机，个人本身的风险厌恶程度依然稳定，但“对风险高低的感知”中却存在一个不稳定的成分 [6]。研究人员发现，危机恶化时，投资市场会被感知为比以往更危险；市场复苏时，则被感知为风险较低 [7]。于是，人们往往高买低卖。
现代投资组合理论与行为金融学
在 SqSave，我们采用透明且获诺贝尔奖肯定的现代投资组合理论（“MPT”）作为我们的底层投资哲学 [8]。MPT 认为，投资者会投资于多种风险资产类别的组合，本质上是厌恶风险的，并且只有在更高的预期回报足以抵偿更高风险时，才会接受更多风险。资金在不同风险资产之间的配置，取决于投资者的风险厌恶程度。以 MPT 为基础的后续发展则假设，投资者面对种种约束，其行为不只取决于风险厌恶（或承受）程度，也取决于风险承担能力 [9]。
MPT 的批评者质疑其“人是理性的财富最大化者”这一底层假设。的确，由丹尼尔·卡尼曼和阿莫斯·特沃斯基创立的行为金融学“前景理论”显示，人的行为并不理性：一方面宁愿搏那些胜算渺茫的机会，也不要近乎确定的收益；另一方面则对不太可能发生的损失严加防范，却又为了把巨额亏损捞回来而甘冒大险 [10]。
MPT 以规范的方式说明市场如何运作，行为金融学则以描述的方式刻画人们如何非理性地行事。这两套投资管理工具可以相辅相成。
有见及此，SqSave 在风险测评流程中纳入“非理性”行为，并以 MPT 进行“理性”的投资组合设计。
对更好的风险测评有何启示
以问卷为本的做法，只能就已经拟好的问题得到单一维度的回应。它预设了受访者在技术上、文化上和情境上都理解这些问题。
要辨识每个人的客观特质与主观偏差，必定有更好、更可行的办法。这样的方法必须纳入风险与回报的取舍。风险回报的量尺并非绝对需要反映真实的投资世界，但必须反映个人与生俱来的“非理性”风险回报偏差。
研究已经显示，无论要作的选择是去玩笨猪跳，还是投资全球市场，风险感知都会随情境与情绪而偏斜 [11]。毕竟，行为经济学并不局限于投资这个狭窄的行为。
把严肃游戏应用到风险测评中
主观的风险厌恶程度很难评估。我们需要跳出标准化问卷去创新，以更可靠地识别个人的风险回报特质。在 SqSave，我们运用严肃游戏来强化我们的风险测评分析。“严肃游戏”是一门以纯娱乐以外的目的为首要考量的游戏设计学科。严肃游戏在教育、科学和健康领域的应用日益广泛。我们相信它在金融领域潜力巨大，而 SqSave 就从风险测评开始。
SqSave Risk Profiler™
我们把严肃游戏应用到自主研发的 SqSave Risk Profiler™ 之中——它同时纳入了您“风险画像”中的客观风险承担能力与主观风险承受度两个部分。
SqSave Risk Profiler™ 会以一连串随机结果，抛出基于相对潜在盈亏的风险回报两难选择。透过行为分析与游戏化，我们依据个人在每一次风险回报取舍中所做的真实选择，评估其风险画像。
我们 SqSave Risk Profiler™ 的首个版本主要分为两个部分
- 风险承担能力评估
我们筛查 5 项关键的客观要素，即：
- 年龄
- 投资期限
- 投资知识
- 投资决策的依赖程度
- 收入稳定性
这些要素为分析算法搭起框架，既针对个人，也汇总所有受访者，依据的是（a）每一项客观因素；以及（b）部分与全部客观因素的组合。
- 风险厌恶程度评估
系统会抛出风险与回报的抉择。我们的分析算法会追踪每一个风险回报决定所处的阶段、次序和情境。
为便于接受与执行，我们的 SqSave Risk Profiler™ 以“猜猜哪个杯子里有球”的基础版形式呈现（见图 1）。在我们的首个游戏版本中，受访者要在六个回合里于两个杯子之间作出猜测。每一回合的第一个决定，是“玩”还是“跳过”——依据“猜对”“猜错”和“跳过该回合”各自设定的奖励与惩罚规则而定。规则可能会变，因此需要专注。游戏结果会转化为受访者可以实际领取的奖赏。
我们的首个游戏建立在预期回报之上，而预期回报所规范的是理性行为。然而，当受访者看似选择去冒险时，我们已观察到行为金融学在其中若隐若现。我们的 SqSave Risk Profiler™ 能够把个人行为与“大众”对照追踪，并跨越客观的风险承担能力数据加以标准化，从而识别出底层的风险行为，应用到我们由机器学习人工智能驱动的 MPT 投资组合设计中。
随着时间推移、数据不断累积，我们看到把机器学习人工智能技术应用到严肃游戏方法上、以识别投资者风险画像的巨大潜力。
在未来的游戏版本中，我们会引入“时间”元素，以捕捉反应时间、决策时间，以及完成游戏的总时长。另一个我们可能采用的行为特征，是以赔率的变化来代理由知识驱动的行为。待首个版本开创先河、并被广泛接受为识别内在风险回报行为的创新方式之后，我们或会推出带时间限制、可能具性别差异的游戏。
结语
MPT 规范了市场如何运作，行为金融学则描述了人如何行事。在 SqSave，我们把 MPT 与行为金融学两者兼收并蓄，为客户设计、落实并管理投资组合。
风险测评是理财建议与投资推荐赖以建立的基石。然而，当下盛行的问卷式风险测评，几乎没有为了回应金融行为研究所发现的不足而作出创新。这类问卷既未经实证验证，也缺乏把投资者利益放在首位的科学意义。
我们相信，把严肃游戏应用到自主研发的 SqSave Risk Profiler™ 之中，是跨越现行风险测评种种不足的一步建设性尝试——借此发掘个人的风险回报行为，并应用到全球投资这类具体情境的需要上。我们看到巨大的潜力：透过应用严肃游戏技术，开发出捕捉人类本能行为的全新、更好的方法——不只在投资领域，也涵盖风险保障（例如保险）、健康、借贷与奖赏。
关于 2007 至 08 年金融危机的研究，为我们的游戏化风险测评方法提供了佐证；当时压力与情绪都处于高位。这些研究发现，风险态度随时间大致存在一个稳定的成分，但会随情绪压力而移动。随着 SqSave Risk Profiler™ 被更广泛的人群使用、累积更多数据，我们将能够为不同客观维度与时间框架下，风险感知的高涨或消退期建立指数并加以追踪。
[1] Davies, G.B., and P. Brooks. 2014. “Risk Tolerance: Essential, Behavioural and Misunderstood.” Journal of Risk Management in Financial Institutions, vol. 2: 110–113.
[2] Foerster, S., J.T. Linnainmaa, B.T. Melzer, and A. Previtero. 2014. “Retail Financial Advice: Does One Size Fit All?” NBER Working Paper No. 20712.
[3] Rice, D.F. 2005. “Variance in Risk Tolerance Measurement—Toward a Uniform Solution.” PhD Thesis, Golden Gate University.
[4] In 2002, Daniel Kahneman won the Nobel Prize for Economics for behavioural finance work that was done with his colleague, Amos Tversky in the 1970s. [5] Loewenstein, G.F., E.U. Weber, C.K. Hsee, and N. Welch. 2001. “Risk as Feelings.” Psychological Bulletin, vol. 127, no. 2: 267–286.
[6] Burns, W.J., E. Peters, and P. Slovic. 2012. “Risk Perception and the Economic Crisis: A Longitudinal Study of the Trajectory of Perceived Risk.” Risk Analysis, vol. 32, no. 4: 659–677.
[7] Weber, M., E.U. Weber, and A. Nosic. 2013. “Who Takes Risk When and Why?” Review of Finance, vol. 17, no. 3: 847–883.
[8] Harry Markowitz’s mean variance optimization was developed in the 1950s for which he was awarded the Nobel Prize in Economics in 1990.
[9] Sharpe, W.F. 1964. “Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk.” Journal of Finance, vol. 19: 425–442.
[10] Daniel Kahneman and Amos Tversky, “Prospect Theory: An Analysis of Decisions under Risk,” Econometrica, 47 (1979), pp. 313-327.
[11] Tversky, A., and D. Kahnemann. 1981. “The Framing of Decisions and the Psychology of Choice.” Science, vol. 211: 453–458.
