量化基金經理告訴你:什麼是真正的量化投資

作者:伍治堅   |   2019 / 01 / 17

文章來源:雪球   |   圖片來源:Haowei


不少讀者朋友們經常跟我反應,說他們對 “量化投資” 比較感興趣,希望我能夠有空多寫一些這方面的科普和介紹文章。他們比較感興趣的問題有:到底什麼是量化投資?量化投資和傳統意義上的 “人為投資” 有什麼不同?量化投資在哪些市場比較好用?作為個人散戶投資者,有沒有機會通過量化的投資策略戰勝機構?

帶著這些問題,我和英國的一位量化基金經理 Robert Carver 進行了一場非常有趣的對話。

首先向大家介紹一下 Robert Carver 的背景。Carver 目前是一位自僱人士,專業在自己家裡做量化投資。在辭職自己做之前,他曾經是英世曼 AHL(Man AHL)基金中的基金經理,管理十億美元以上的固定收益投資策略。(註:Man AHL 是一家歷史悠久的量化對沖基金。AHL 的交易策略以 Trend Following 為主,涉足的市場主要包括全球成百上千的期貨交易市場。)

Robert Carver 曾經出版過兩本關於量化交易的書籍,分別為:Systematic Trading(《系統化交易》)和 Smart Portfolios(《智慧投資組合》)。在這兩本書中,Carver 介紹了不少關於量化投資方面的方法和技巧,因此我覺得和他的訪談中,能夠為那些對量化投資感興趣的朋友帶來一些價值。

風格差別

我們首先談到了量化投資和人為投資的區別。為了幫助一些非金融背景出身的讀者朋友們更好理解這個概念,我想出用下面這個比喻來分析這個問題。

我們可以把投資活動想像成汽車工廠裡裝配汽車的過程。量化投資,就好比一間全自動裝配工廠,所有的裝配工作都是由機器完成的;而人為投資,則好比傳統化的汽車裝配工廠,絕大部分的裝配工作還是需要工人來完成。

值得指出的是,不管是量化投資,還是人為投資,最終都還是需要人進行控制和決策,只是它們的決策層不同。

在機器組裝汽車這個例子中,傳送帶上的汽車組裝工作,完全由機器完成,沒有人的決策參與。但是在那個層級之上,規定機器手臂做哪些事情,按照什麼順序做,哪個機器完成哪部分工作,還是需要人來決定。

類似的,在量化投資體系中,具體到選哪個股票買、哪個股票賣、買賣多少量等等,這些決策都由電腦程式做出。但是作為一個量化投資經理,他需要在頂層做出更多的決策。比如在目前的環境下,用哪套系統來選股?如何在不同的系統之間分配風險資金,或者進行切換?在交易系統中加入哪些因子,或者去除哪些因子,等等。

完全自動化的投資系統,是每一個量化基金經理的夢想。這就好比造出了一台印鈔機,只要把機器打開,在那裡夜以繼日不停的工作,而機器的擁有者則可以去睡大覺,每天躺著收錢就行。但是到目前為止,在業界還沒有這樣的 “印鈔機”。當然,如果有一天真的有這樣一台全自動量化交易 “印鈔機” 被發明,這也未必是個好消息,因為這可能也意味著很多量化經理從此將失業了。

人 vs 機器

在這場 “人” 和 “機器” 的大戰中,很多人比較關心的問題是:到底人為投資更好,還是量化投資更好?

在 Carver 看來,人和機器之間的競爭關係,被過度宣傳了。Carver 看到的,更多的是人和機器之間的互補性。

電腦和機器比較佔優勢的市場,一般符合以下特點:

  1. 該市場有豐富和可靠的歷史數據。讓電腦程式做出更優投資決策的前提之一,就是有海量的數據供研究人員進行測試和分析,然後摸索出一定的可重複性規律,將其寫入代碼之中,讓機器忠實的執行。因此相對來說,已開發國家的金融市場,歷史數據相對來說更加豐富和可靠,因此也更容易讓量化交易有更大的用武之地。
  2. 市場規則透明穩定,因此一些歷史模式可能得以重複。量化交易的核心,就在於發現歷史規律和模式,並從這些模式在未來的重複中獲利。而歷史模式得到重複的前提,是市場的規則比較穩定透明,不受那些無法預測的 “意外” 的影響。

舉例來說,在一些發展中國家,監管部門每隔幾年,可能會修改會計準則,改變上市公司會計報表的揭露要求。在這種情況下,十年前的數據和十年後的數據不一定具有可比性,因此也很難從中總結出什麼可靠的規律。這樣的市場,對於機器來說就會有比較大的挑戰。

與之相反的,人比較佔優勢的市場,一般符合以下條件:

  1. 缺乏歷史數據,或者儘管有歷史數據,但數據不甚可靠,其中有很多噪音。舉例來說,如果某國營不少上市公司都在財務數據上作假,虛報盈利,那麼用機器學習的方法,很可能會 “垃圾進、垃圾出”,得到不少錯誤的結論。而如果一位基金經理經驗豐富,對做假帳的方法比較熟悉,那麼他就能更快和更準確的看出這些假冒數據背後的端倪,也更能夠離真相更進一步。
  2. 市場規則不透明,或者多變。在這樣的環境下,一些所謂的歷史規律,可能是在特定時間和特定規則下的產物,因此很難會在未來重複出現。
  3. 黑天鵝事件。顧名思義,黑天鵝事件就是那些人們預料不到的,幾十年一遇,甚至百年一遇的情況。這樣的事件幾乎沒有歷史先例可以參考,因此機器在這方面幾乎沒有應對能力。

在和 Carver 的訪談中,我特地和他談到個人投資者和機構投資者在量化交易方面的優勢和劣勢這個問題。談這個問題的原因在於,首先 Carver 在像 AHL 這樣的投資機構中工作過,現在又在家裡做投資 DIY,因此對兩種方法的優缺點有更深的體會。其次,我相信很多讀者也有想在自己家裡試一試量化交易的想法,因此會對這個問題比較感興趣。

各自的優勢

Carver 首先談了機構的優勢。

在他看來,機構最大的優勢在於資金規模。由於資金規模比較大,因此他們可以把一套交易策略在成百上千個市場上鋪開施行;而一個中小個人投資者,由於資金量有限,只能在有限的市場裡進行交易。

機構的另一大優勢是交易成本。很多大型的對沖基金,一個非常明顯的優勢就是他們的交易成本是個人投資者的 1/10、1/100 甚至更低,這裡的交易成本包括券商佣金和摩擦成本。機構有專業的交易團隊,同時有交易量優勢。在這方面,個人很難和機構匹敵。

機構的另一大優勢是研發能力。大機構一般都會僱傭不少 PhD,匯聚了不同專業的高級人才,他們在研發上的投入是個人投資者無法比擬的。

當然在量化交易領域,機構研發能力優勢的大小要視策略而有所不同。在 Carver 看來,在高頻交易領域,機構的優勢比較明顯。因為很多高頻交易策略,需要不停的迭代更新,如果沒有研發更新,一個老的策略很可能過了半年到一年就不管用了。但是有一些比較長期的量化策略,比如趨勢追蹤(trend following)之類,其迭代更新沒有這麼快,因此相對來說,機構的研發優勢就沒有那麼明顯。

和機構相比,個人投資者最大的優勢在於費用低廉。要維持一個大型投資機構的運轉,撐起一個大型的投資團隊(包括投資經理、研發、數據、交易、後台、法律等),需要非常高昂的費用。在這些費用之上,基金公司還需要賺錢,因此他們需要向投資者收取高昂的投資費用(比如 2/20)。而如果是在家裡自己交易的個人投資者,就可以避開這些費用。對於想要提高自己投資回報的投資者來說,降低費用非常重要,有興趣的朋友可以搜尋 “伍治堅+投資費用” 做擴展閱讀。

然後,我和 Carver 聊了一下機器學習在金融投資中的應用。機器學習是目前比較時興的概念,很多讀者對這個話題一定也很感興趣。

Carver 指出,首先我們要搞明白什麼是機器學習。

大致來講,機器學習可以被分為兩種:有人管的機器學習(Supervised Machine Learning)和沒人管的機器學習(Unsupervised Machine Learning)。

有人管的機器學習,是指工程師定義研究的變量。這種 “機器學習”,其實和傳統意義上的量化交易策略研究沒有多大區別。很多這樣的機器學習,用的還是最小二乘法(OLS)和主成分分析(PCA)這樣的統計方法,而這些統計方法至少已經被用了幾十年。一些機構放上 “機器學習” 的標籤,主要就是為了追求一個噱頭,在行銷上讓人產生 “高大上” 的錯覺。

事實上,那些 “掛羊頭賣狗肉” 的機器學習,更值得我們投資者警惕。因為本來可以用一些比較簡單的傳統量化手段實現的交易策略,披上了 “機器學習” 的外衣,反而增加了投資成本和沒有必要的複雜之處,效果也不見得更好,對投資者來說沒有什麼價值。

更加值得我們關注的機器學習,是沒人管的機器學習。在這種機器學習中,電腦程式自己選擇最優的變量進行分析和計算。這是真正尖端的人工智慧領域,對數據處理和計算能力要求非常高,目前僅在高頻交易領域有一些嘗試性的應用。在這個領域,以後的科技發展值得關注。

最後我問 Carver,對於中國讀者有什麼建議或者要分享?Carver 說到,如果想要做一個優秀的個人交易員,那麼他應該具備以下素質:謙虛、懷疑、縝密、堅韌、紀律和一致。

希望對大家有所幫助。

雪球》授權轉載

【延伸閱讀】

喜歡這篇文章?加入你的S夾!

分享好文章

個股相關基金

發行地點

全部
境內
境外

發行類型

全部
股票
平衡

切換表頭

基本資料
股票指標
收益指標
歷史績效

基金名稱

排序條件
歷史年化報酬率
歷史年化波動度
歷史年化夏普值
個股權重
發行地點
淨值
資產規模
台灣人投資金額/比重
排序依照
高→低
低→高

類型/
計價幣別

近1月
報酬率

近1月
近3月
近6月
近1年
近3年
近5年
近10年
年初至今

歷史年化
報酬率

歷史年化
波動度

歷史年化
夏普值

個股
權重

發行
地點

淨值

資產規模
百萬美元

台灣人投資
金額/比重
百萬美元

類型/
計價幣別

近1月
報酬率

近1月
近3月
近6月
近1年
近3年
近5年
近10年
年初至今

歷史年化
報酬率

歷史年化
波動度

歷史年化
夏普值

預估未來
本益比

市值
營收比

產業
集中度

類型/
計價幣別

近1月
報酬率

近1月
近3月
近6月
近1年
近3年
近5年
近10年
年初至今

歷史年化
報酬率

歷史年化
波動度

歷史年化
夏普值

信用評等

存續期間

到期殖利率

類型/
計價幣別

報酬率 /年化波動度

近1月

近3月

近6月

近1年

近3年

近5年

近10年

年初至今

我要集氣100%權重的主題投資
已集氣投組上線通知我 >

* 基金成立日期在西元2000年以前者,目前資料僅顯示自2000-01-01開始,相關數據皆由2000-01-01後之數據計算而成。

基金淨值、報酬率、波動率及夏普值為每日更新,基金各項分析數據為每週更新,資產規模/月報為每月更新,台灣人投資金額為每季更新

產業地區分布

投資產業分布

投資地區分布

未有公開資訊

67.2%

科技

26.8%

金融

26.8%

原物料/能源

26.8%

傳產

2.2%

工業

2.0%

必需性消費

0.1%

可選性消費

0.1%

醫療保健

2.0%

公共事業

0.7%

服務

0.6%

未有公開資訊

67.2%

已開發國家

26.8%

北美

19.5%

歐洲區

3.9%

日本

3.3%

亞太區

0.1%

大中華

4.8%

新興市場(不含大中華)

1.3%

成功集氣+1

留個信箱,投組上線通知你

送出
loading animation
雪球
「雪球」是一個社交投資網絡,它有網頁版(xueqiu.com)和手機客戶端。用戶可以通過雪球:
● 訂閱股票、封基、ETF,全方位收取新聞、公告和用戶討論
● 通過自選股功能查看股票漲跌
● 通過持倉盈虧功能管理個人投資組合
● 和其他投資者實時交流互動