韩国KAIST与交叉信息核心院联合提出解决大规模养老规划难题的算法理论，财富引擎创始人林常乐博士为论文作者之一

（中国社会面临老龄化挑战）

韩国是老龄化持续发展、养老金资产负债比最让人担忧的国家之一。中国目前也开始步入老龄化社会，即将面临这个领域的挑战。如何科学地规划个人的财富与消费，实现养老目标，使得在人生各阶段的消费目标和未来长期的养老需求之间实现平衡，对于我国国民是一个广泛而且重要的问题。在每个人的人生阶段中，往往有着多个消费目标，例如购房、购车、子女教育、医疗、养老等大额开支和平时日常消费。由于个体的差异性，个人投资者的消费水平和财富目标的实现时间有很大不同，而这些又会受到收入、金融市场的波动的影响，普通人很难对这些复杂变量进行分析并得出合理的财务规划，这也是很多居民陷入财务窘境的原因。据多个统计报告显示，在一些老龄化严重的发达国家，如韩国，甚至超过40%的老龄居民（超过65岁的居民）会陷入贫困线以下的窘境。本研究团队近几年也开始与韩国国家社保密切合作，利用新技术改善这一现象。

（KAIST大学KIM WOO CHANG教授在我院发表演讲）

有一套全面分析养老目标、短中长期消费、生命周期人力资本与收入与金融市场各类情况之间的复杂而微妙影响关系的理论是必须的。之前学者提出的理论更依赖于抽象的数学模型，对个人很难有直接的指导意义。随着普惠金融的深入，必须使用智能金融决策系统才能满足广大的金融客户个性化需求，而不只是服务高净值人群。那么，这种大规模的服务必对金融优化算法产生很高的新要求。在当前老龄化趋势下，可以同时服务千万人进行智能化生命周期资产管理的方式，变得越来越重要。本文首次提出了一个可求出最优解并可以实践的理论基础。

我们建立了一个基于目标的投资模型（GBI）。该模型的输入非常直观，包含个人投资者的现有财富、后续持续的工资性收入和未来包含优先级的消费目标等。在此基础上，我们提出了一种多阶段随机目标规划方法（MSGP），它将个人当前和未来的现金流与具有优先级的消费目标结合起来统筹考虑，用优化算法求解。使用了情景树生成方法，用情景树来表示资产收益的分布。将后台收益分布与输入端分离，减少模型运算时间，使得投资优化和市场不确定性建模可以单独执行，便于投资者与模型进行迭代交互。模型可以增加每个阶段未实现目标的CVaR作为投资回报风险约束，也允许添加额外约束组件，例如监管限制等。

（图1 MSGP模型的目标规划过程）

如图1所示，对于一个确定的阶段，MSGP按顺序执行P个步骤，实现多优先级优化。在第1步中，MSGP只考虑优先级最高的目标，最大化实现该目标的概率。第2步，MSGP考虑第一和第二优先目标。在第p步中，模型最大化实现第p个目标的概率，同时保持了在步骤1到p−1中实现的优先级为1到p−1的目标。重复这个步骤至最后一个优先级目标。

我们给出了一个30岁的个人投资者希望获得的未来50年的财富管理计划的案例。该投资者的基本情况由表1所示，每10年为一个节点，可以投资资产由Panel B给出，初始投资资金及后续投资资金如Panel C所示。图2显示了单目标情况下不同消费目标的MSGP求解结果，即未来的资产配置比例（Panel A）以及所有情景下目标实现情况（Panel B）。目标（a）可以完全实现。目标（c）不易实现，只能尽可能投资风险资产。目标（b）是合理可行的，配置情况类似于传统的glidepath配置方法，在早期阶段积极投资风险资产，此后逐渐增加低风险资产的配置。

（表1 投资者的模型输入）

（图2 案例中平均资产配置和消费目标实现结果）

我们假设同一个投资者有多个目标。投资者有三个优先级的目标：最高优先级是养老金，第二优先级是支付子女的费用，第三优先级是额外的养老金。表2所示为这三个优先级在不同时间点的具体消费金额。

（表2 多优先级的消费目标）

图3展示了MSGP三步解决多优先级的目标结果，(a)只有目标1，(b)目标1和目标2，和(c)所有三个目标。从图中可以看出，附加目标对高优先级目标的实现没有影响。

（图3 MSGP解决多目标问题）

本文提出的MSGP可以制定科学合理的多阶段多目标的财富管理方案。简单快速的准实时交互便于操作，灵活的约束模块为模型提供了丰富的自由度，同时模型适用于大规模求解，是一种有效的智能决策系统。

我院副院长、金融科技与监管科技中心主任林常乐为论文作者之一。