Эволюционные паттерны массового инвестора: алгоритмизация неприятия потерь в розничном Wealth Management в условия минимальных ставок центрального банка

Актуальность исследования

Актуальность исследования определяется изменением условий инвестиционного поведения населения в период длительного сохранения низких процентных ставок. Снижение доходности традиционных сберегательных инструментов повышает интерес частных инвесторов к более доходным, но одновременно более рискованным финансовым активам. В этих условиях особое значение приобретает изучение факторов, влияющих на принятие инвестиционных решений.

Одним из ключевых поведенческих факторов является неприятие потерь. Инвестор способен воспринимать финансовые потери значительно острее, чем сопоставимую по величине прибыль, что влияет на выбор активов, готовность принимать риск и реакцию на изменение стоимости портфеля.

Дополнительную актуальность теме придает развитие автоматизированного инвестиционного консультирования и цифровых систем управления капиталом. Алгоритмы все активнее используются для определения риск-профиля клиента, формирования инвестиционных рекомендаций и управления портфелем. В связи с этим возникает необходимость исследовать, насколько такие системы способны учитывать устойчивые поведенческие особенности массового инвестора, включая неприятие потерь.

Таким образом, исследование взаимосвязи низких процентных ставок, поведенческих особенностей инвесторов и алгоритмизации розничного Wealth Management имеет как научное, так и практическое значение, поскольку позволяет глубже понять механизмы инвестиционного выбора и возможности их учета при автоматизированном управлении капиталом.

Цель исследования

Цель данного исследования заключается в выявлении особенностей поведения массового инвестора в условиях низких процентных ставок и определении возможностей учета неприятия потерь и отношения к риску при использовании автоматизированных систем розничного Wealth Management.

Материалы и методы исследования

Материалами исследования послужили научные работы по поведенческим финансам и инвестиционному поведению, а также материалы центральных банков и финансовых регуляторов, посвященные процентной политике и автоматизированному инвестиционному консультированию.

В работе использованы методы анализа и обобщения научной литературы, сравнительного анализа, систематизации эмпирических данных и сопоставления практик цифрового управления инвестиционным портфелем. Для оценки поведения частных инвесторов использованы результаты исследований брокерских счетов и торговой активности, а для анализа цифрового Wealth Management – данные о формировании риск-профиля, автоматизированных рекомендациях и требованиях к контролю алгоритмов.

Результаты исследования

Исследование поведения частного инвестора опирается на положение об ограниченной рациональности. Г. Саймон показал, что при принятии решений человек действует в условиях ограниченности информации и собственных возможностей по ее обработке, поэтому фактический выбор может отличаться от модели полной рациональности. Данный подход имеет непосредственное значение для финансового рынка, где инвестору приходится сопоставлять большое количество альтернатив в условиях неопределенности [8].

Эмпирические исследования частных инвесторов подтверждают наличие устойчивых особенностей поведения. Т. Одеан установил, что индивидуальные инвесторы значительно чаще реализуют прибыльные позиции, чем убыточные, за исключением декабря. В другом исследовании Б. Барбер и Т. Одеан проанализировали 1607 инвесторов, перешедших от торговли по телефону к операциям через Интернет. До перехода их результат превосходил рынок более чем на 2% в год, тогда как после перехода они стали торговать активнее и более спекулятивно и отставали от рынка более чем на 3% в год [7].

Следовательно, изменение массового инвестиционного поведения связано не только с характеристиками самих финансовых инструментов, но и со способом доступа к рынку. Снижение операционных барьеров, ускорение исполнения сделок и возможность самостоятельного управления счетом увеличивают роль решений, принимаемых непосредственно частным инвестором. Это позволяет рассматривать развитие цифровых каналов как один из факторов изменения практики розничного инвестирования.

Процентная среда крупнейших экономик существенно различается, поэтому говорить об одинаково низкой ставке для всех стран некорректно (таблица 1).

Таблица 1

Отдельные параметры денежно-кредитной политики центральных банков

Источник: разработано автором на основе данных Европейского центрального банка, Банка Японии, Федеральной резервной системы США и Банка России.

Значение процентной ставки для инвестора не ограничивается доходностью банковского вклада. Решения центральных банков воздействуют на денежный рынок, стоимость облигаций и уровень доходности различных классов финансовых активов. Кроме того, ставка используется совместно с другими инструментами денежно-кредитной политики. Например, ЕЦБ продолжает приобретение активов на 30 млрд евро в месяц до конца сентября с последующим предполагаемым сокращением покупок до 15 млрд евро в месяц, а Банк Японии поддерживает доходность десятилетних государственных облигаций около нулевого уровня. Поэтому при анализе поведения инвестора необходимо учитывать не только официальную ставку, но и сформировавшуюся под воздействием политики центрального банка структуру рыночных доходностей.

Для российской ситуации требуется отдельная оговорка. Банк России характеризует ставку 7,25% как постепенно приближающуюся к нейтральному диапазону, который оценивается в 6-7%. Следовательно, российскую денежно-кредитную ситуацию нельзя непосредственно отождествлять с политикой нулевых и отрицательных ставок ЕЦБ и Банка Японии [2].

Развитие цифрового управления частным капиталом является продолжением более длительного процесса автоматизации инвестиционных услуг. Цифровые инструменты уже охватывают основные этапы работы с портфелем: сбор сведений о клиенте, распределение активов, подбор портфеля, исполнение сделок, ребалансировку, фиксацию налоговых убытков и анализ портфеля. При этом существуют как полностью цифровые модели обслуживания, так и гибридные системы с участием финансового консультанта.

Существенное значение имеет способ формирования цифрового профиля клиента. В изученных FINRA системах, предназначенных непосредственно для клиентов, анкеты включали от 4 до 12 вопросов, относящихся главным образом к личным и финансовым данным, цели инвестирования, инвестиционному горизонту и отношению к риску. FINRA также указывает, что большинство рассмотренных организаций использовали от пяти до восьми типов профиля инвестора. Таким образом, индивидуальные сведения в цифровой системе преобразуются в ограниченное число формализованных категорий, от которых непосредственно зависит последующее портфельное решение.

Автоматизация создает и специфические требования к контролю. FINRA отмечает, что ошибки в конструкции или программном коде алгоритма способны систематически искажать результаты сразу для большого числа клиентов. Европейские надзорные органы также относят к рискам автоматизированного консультирования ошибки алгоритма, вмешательство в его работу и неясное распределение ответственности. Одновременно среди преимуществ отмечаются снижение затрат и расширение доступности финансовых услуг. При этом автоматизированное консультирование пока находится на ранней стадии развития и наиболее заметно именно в инвестиционном секторе [5].

Поэтому для розничного Wealth Management принципиальным становится не сам факт использования алгоритма, а качество заложенной в него методики: состав исходных данных, способ оценки клиента, правила распределения активов, ребалансировки и контроля результатов. Наблюдаемый разброс рекомендаций цифровых сервисов показывает, что автоматизированное решение остается зависимым от выбранной модели и ее исходных предпосылок.

При рассмотрении алгоритмизации неприятия потерь необходимо разграничивать само поведенческое явление и способы его учета в цифровой инвестиционной системе. В существующих моделях автоматизированного консультирования алгоритм получает не непосредственное числовое значение неприятия потерь, а сведения о финансовых целях клиента, инвестиционном горизонте, доходах, активах и допустимом риске. SEC указывает, что ответы на вопросы о риске непосредственно влияют на состав предлагаемого портфеля и могут учитываться при его изменении в период снижения рынка [6].

Для анализа данного механизма существенное значение имеет концепция «близорукого неприятия потерь» (myopic loss aversion). Эксперимент Р. Талера, А. Тверски, Д. Канемана и А. Шварца показал, что частота оценки результатов влияет на готовность принимать риск: участники, которые реже оценивали результаты инвестирования, проявляли большую готовность к риску. Следовательно, при цифровом управлении значение имеет не только структура портфеля, но и способ представления клиенту результатов его инвестиций [9].

Элементы учета поведения клиента в автоматизированной инвестиционной системе приведены в таблице 2.

Таблица 2

Элементы учета поведения клиента в автоматизированной инвестиционной системе

Источник: разработано автором на основе материалов Комиссии по ценным бумагам и биржам США (SEC)

Применительно к Wealth Management алгоритмизация неприятия потерь может рассматриваться через формализованный учет отношения клиента к риску и условий, в которых он оценивает инвестиционный результат. При этом отождествлять неприятие потерь с общей склонностью к риску методологически неправильно: в автоматизированной системе должны учитываться также финансовые возможности клиента и его способность переносить фактические убытки.

Эмпирические данные показывают, что интенсивность самостоятельной торговли может существенно влиять на конечный финансовый результат. Б. Барбер и Т. Одеан исследовали счета 66 465 домохозяйств крупной дисконтной брокерской компании за 1991-1996 годы. Среднее домохозяйство ежегодно обновляло более 75% портфеля акций. После учета транзакционных расходов его средняя годовая доходность составляла 16,4% при доходности рыночного индекса 17,9%. Наиболее активно торговавшие инвесторы получили в среднем 11,4% годовых [3].

Другой устойчивый эмпирический результат связан с моментом продажи активов. Т. Одеан на основе данных 10 тыс. брокерских счетов установил выраженную склонность инвесторов реализовывать прибыльные позиции и дольше сохранять убыточные. Автор также проверил альтернативные объяснения, включая ребалансировку и различия в торговых издержках, однако они не объяснили выявленную закономерность [7].

Поэтому в качестве наблюдаемых характеристик поведения массового инвестора целесообразно рассматривать частоту операций, оборот портфеля, соотношение реализации прибыльных и убыточных позиций и итоговую доходность после издержек. Эти показатели имеют преимущество перед субъективной оценкой поведения, поскольку рассчитываются непосредственно по данным инвестиционного счета.

Практическое применение автоматизированного Wealth Management требует прежде всего повышения качества исходной информации о клиенте. По результатам проверки британского рынка FCA установило, что некоторые автоматизированные сервисы недостаточно учитывали знания и опыт клиента, его инвестиционные цели и способность переносить потери. В отдельных случаях системы не собирали достаточную информацию о долгах и текущих расходах клиента. Поэтому инвестиционная рекомендация должна основываться не только на заявленной готовности к риску, но и на финансовом положении клиента [1].

Для длительного управления портфелем сведения о клиенте необходимо регулярно актуализировать. FCA обращает внимание, что информация не должна быть существенно устаревшей, неполной или неточной в момент принятия решения по портфелю. Кроме того, автоматизированная система должна выявлять клиентов, которым предлагаемый вид услуги не подходит, а вмешательство специалиста в автоматический процесс должно фиксироваться.

Особое значение имеет контроль самой технологии. FCA рекомендует проводить тестирование автоматизированного сервиса, учитывать возможные сбои связи, нагрузку на систему и риски информационной безопасности, а также анализировать результаты работы алгоритма и принимать меры при выявлении неподходящих рекомендаций. Тем самым автоматизация не отменяет профессионального контроля за качеством инвестиционного решения.

Для развития розничного Wealth Management необходимо учитывать и готовность клиентов пользоваться автоматизированными услугами. Исследование FCA показывает сравнительно невысокую осведомленность о таких сервисах: только 10% опрошенных знали хотя бы об одной компании, предоставляющей автоматизированные инвестиционные консультации. Готовность платить за такую услугу заметно различалась между возрастными группами (рисунок).

Рис. Готовность платить за автоматизированную онлайн-инвестиционную консультацию в зависимости от возраста (источник: разработано автором на основе данных Financial Conduct Authority (FCA) [4])

Следовательно, практическая модель розничного Wealth Management должна сочетать полноту сведений о финансовом положении клиента, корректную оценку его способности переносить потери, регулярное обновление данных и постоянный контроль результатов работы алгоритма. Одновременно интерфейс и содержание цифрового сервиса должны оставаться понятными клиенту: FCA требует, чтобы сведения об услуге, расходах и связанных с инвестициями рисках представлялись ясно и не вводили потребителя в заблуждение.

Выводы

Проведенный анализ показывает, что поведение массового инвестора определяется не только объективными параметрами доходности и риска, но и устойчивыми поведенческими особенностями. Эмпирические данные свидетельствуют, что повышенная торговая активность может сопровождаться снижением итоговой доходности, а инвесторы склонны чаще фиксировать прибыльные позиции и дольше удерживать убыточные активы.

Развитие автоматизированного Wealth Management расширяет возможности формализованного учета финансового положения, инвестиционных целей и отношения клиента к риску, однако качество результата напрямую зависит от полноты исходной информации и корректности алгоритма. Поэтому применение цифровых систем должно сопровождаться регулярным обновлением данных о клиенте, тестированием алгоритмов и профессиональным контролем их результатов.

Таким образом, алгоритмизация может повысить последовательность инвестиционных решений, однако не устраняет необходимость учитывать поведенческие особенности клиента и его реальную способность переносить финансовые потери.