全新任務中心上線了!
會員專屬好禮都在這

立即前往
任務中心
預測股市真的有可能嗎?
作者 雪球
收藏文章
很開心您喜歡 雪球 的文章, 追蹤此作者獲得第一手的好文吧!
雪球
字體放大


分享至 Line

分享至 Facebook

分享至 Twitter


預測股市真的有可能嗎?

2017 年 12 月 1 日

 
展開

“……有效市場理論會導致對一些事件的嚴重誤讀,比如股市泡沫。” — 羅勃·席勒 (Robert Shiller)

“ (行為主義者) 定義“泡沫”為價格非理性的、強勁的上升,搞得好像他們能夠預測出之後價格一定會強勁下跌一樣。但根據現有的研究,並沒有可靠證據表明這些人可以預測資產價格下跌。” — 尤金·法馬 (Eugene F. Fama)

而宛如一種變態的黑幽默,在命運不覊而又嘲諷眼神的注視下,這哥倆站在了同一年的諾貝爾經濟學獎領獎台上,分享桂冠,面面相覷。

混沌啊混沌,一切都是混沌

先不說預測股市,對於任何變數風雲詭譎的系統,想要預測其演變都非常困難。比如天氣預報,我們基本上能同意一般最準的就是當日和次日的預報,五天以後的預測基本靠人品,十天以後的預測基本靠歷史。然而天氣預報已然是人類預測界的學霸了,至少確實方便了我們的生活。在美國有一個電視頻道專門就是預報天氣,24 小時連播,8800 萬個家庭的觀眾。

再比如預測地震,那簡直慘不忍睹,雖然有各種神棍學說,但是科學界已接受地震目前不可預測的現實。

美國地質調查局 (USGS) 對於“科學家可以預測地震嗎” 這個問題的官方統一回答是 — “不能,科學家曾試過茫茫多的方法,但是目前無一奏效。”所以什麼鈎星異位、蛙鼠出洞、群犬狂吠、牛瘋馬嘯、民間科學家在那裡懷才不遇,這些都不能預測地震。雖然我不懂地震科學,但是相比起可怕的非正式科學家,我還是更相信 USGS。

再來看看大規模傳染病。歷史上此乃是人類天敵,見一次虐一次,直到如今談起 SARS、茲卡病毒、伊波拉我們還是要婆娑發抖。於是悲天憫人的科學家總想要研究出一個機制,可以準確預測大規模傳染病的爆發。

美國國際開發署 (USAID) 耗資一億美元搞出一個叫 PREDICT (預言) 的項目,幫助人類新發現了 1000 多種病毒。看似成績斐然,但其實已經淪陷於汪洋大海的人民戰爭之中  — 目前已發現的病毒大概 4000 多種,但未發現的可能還有幾百萬種,而且裡面只有不確定的很小一部分能從動物身上遷躍到人身上……所以時至今日,科學家仍普遍同意傳染病在什麼時間什麼地點爆發,基本上看天意。

總之預測這個混沌世界的未來就是一件難到沒邊的事情。以至於量子物理一代宗師尼爾斯·玻爾 (Niels Bohr) 一著急說了這麼一句有點不著邊際的戲語:預測很難,尤其當你預測的是未來。 (Prediction is very difficult, especially about the future.)

猩猩的飛鏢

自然科學領域尚且如此,人文社科那更是一塌糊塗。《超級預測 (Superforecasting) 》的作者、賓夕法尼亞大學的教授菲利普·泰洛克 (Philip Tetlock) 曾花了二十年時間跟蹤近 300 個社科領域的專家大師 — 政府官員、政經學者、國防專家等等,向他們提出各式各樣的預測性問題 — 經濟、選舉、戰爭等等。

比如,您覺得敘利亞今後五年內政權性質會不會改變?巴西目前的多數黨下次選舉後會如何?諸如此類。研究結果也很直白 — 還是應了那個憨態可掬的隱喻 — 專家預測的精準程度不如猩猩扔飛鏢。

對於所有這些預測性的問題,如果你一律回答“沒有改變”,那麼你的預測精度要高於專家們的冥思苦想。

但話又說回來,專家預測不準只有兩個可能 — 要麼是預測這件事確實很難,要麼是專家很弱。我是傾向於相信前者的。《超級預測》裡的大規模研究,泰洛可同樣找了一些大學生來做測試,結果更加稀爛,這多少可以說明專家未必弱。某一件我完全不懂的事情,如果我非要去找一個人諮詢,我還是更願意去找專家,而不是去找非正式科學家。

另外這個研究還有兩點要說明:

1. 專家預測的平均水平不如猩猩,但並不是所有人都不如猩猩,裡面還是有一些大神預測能力極強,無論是因為他水平高還是運氣好。平均數的概念有時候很反人性 — 如果把一個睡著的統計學家頭放進火爐、腳浸入冰水,他應該會睡得很舒服,因為平均溫度非常宜人。

2. 專家對於一年時間就能夠驗證的預測,判斷準確率較高。但時間一長精度就會下降,在三至五年的問題上就接近於猩猩。

未來的不確定性與人類預測能力時常不如大猩猩,再加之二十世紀一拳又一拳捶在經典科學面門上的量子理論和混沌理論,讓我們知道其實是活在一個黑箱裡。曾幾何時我們是非常樂觀豪邁的,有些人認為這個世界是一隻運行嚴密的錶,只要我們捕悉所有的變數和規律,我們就能準確預知未來。這就是數學家皮埃爾 — 西蒙·拉普拉斯假想出的一位著名智者,拉普拉斯的妖怪 (Démon de Laplace) :

“我們可以把宇宙現在的狀態視為其過去的果以及未來的因。假若一位智者會知道在某一時刻所有促使自然運動的力和所有組構自然的物體的位置,假若他也能夠對這些數據進行分析,則在宇宙裡,從最大的物體到最小的粒子,它們的運動都包含在一條簡單公式裡。對於這位智者來說,沒有任何事物會是含糊的,並且未來只會像過去般出現在他眼前。”

所以,你相不相信在股市裡存在著這麼一個拉普拉斯妖?

預測不能耍流氓

當然我們要為預測定義,不加限定條件或者限定條件過於寬鬆的預測都是耍流氓。聰明人在預測的時候一定會使用極其模棱兩可的語言,以後可以用來護臉。

比如微軟(Microsoft, MSFT-US) (Microsoft,MSFT-US) 前 CEO 史蒂夫·鮑爾默 (Steve Ballmer) 就曾在 2007 年預言:iPhone 完全沒有機會獲得顯著可觀 (significant) 的市場份額。現在來看這簡直就是豬一樣的預測,光這個覺悟就夠他被微軟開除一百次。但鮑爾默完全可以自辯,他可以說:我的預言沒錯呀,我又沒說 iPhone 沒有機會獲得顯著的美國市場份額,我說的是全球市場 — 而截止 2017 年 iPhone 全球市場也不過是 12% 的份額,這不顯著呀,我對於顯著的定義是至少 20%。

我由此想到美國市場的空頭們最經典的預言模式,每天一起床,他們都要喝個咖啡潤潤嗓子,然後對著這個世界吼一句:市場要崩盤! (Market will crash!) 但你要是追問一下 — 什麼時候崩?不知道。崩多少?不知道。跌多少算崩?不知道。沒崩的話你能不能切腹以謝罪?不能。

這也讓我想到天天給地震局報告地震預測的那些非正式科學家們,有朝一日真地震了,他們就會對跑去對媒體說:我已經報告了政府,是政府不作為。

當年甘迺迪也被專家們這種模棱兩可的預測語言搞得很被動。大家都知道豬玀灣事件讓老肯像個弱者一樣,世人也詫異於為什麼蓋世英雄 (基於他在人類存亡最大一次危機中的表現) 甘迺迪這把會輸得如此難看。

在豬玀灣事件裡,軍方給甘迺迪的評估意見是該計劃有“不錯的機會” (fair chance) 取得成功,於是甘迺迪就大膽做了。事後軍方說,當時在評估意見裡寫“不錯的機會”,其實我們是指  25% 的成功機率,所以你不能怪我們……我想,甘迺迪做鬼也不會放過你們。

我們說的預測,一定是限定條件、定時定量的預測,而不是含糊不清、模棱兩可、橫豎都能避免打臉的預測。比如你說,明年一月之前上證指數能上 4000 點 — 不管結果如何,至少算一次坦誠的預測。但如果你說上證指數未來一定能漲,這就連坦誠都算不上。

另外如果我說上證指數明天有 70% 機率上漲,這也不算一次坦誠的預測 —  因為我也同樣表示了有 30% 的機率不漲,而這事又沒法重複發生得以檢驗此機率。現在的天氣預報一般就採取此法,避免被刁民追打。

醉漢遊走

那我們來看看能否預測股市這個問題,有好幾派觀點。第一派就是二話不說的投降派,可以稱他們為有效市場派,代表人物是芝加哥學派諸如尤金·法馬 (Eugene Fama) 教授的一幫諾貝爾獎級經濟學家。他們認為如果某些假設成立,那股價波動就是布朗運動 (最早由法國數學家巴舍利耶  (Louis Bachelier) 提出) ,用數學形容就是隨機遊走 (random walk) ,他們認為股票價格就像個醉鬼一樣你永遠無法預測下一步會怎麼走,往哪個方向走。

隨機遊走否定了股價的可預測性,你對未來最優的預測就是現在。如果你在公園看見一個暴走的醉漢,而你要預測他十個小時後會在哪裡,那最優預測就既不是湖邊也不是石像旁,而應該是原地。照這個邏輯,今天上證指數是 3400 點,你要預測明天的點位,最優的預測是 3400 點;你要預測十年後的點位,對於此時此刻而言,最優的預測仍然是 3400 點。

有效市場假說似乎與我們看到的現實相悖 — 你會看到好消息來了股價漲壞消息來了股價跌,感覺很有規律。但對於這個隨機遊走,你要這麼理解:你現在看到股價的歷史走勢,有各種訊息和噪音的干擾你當然很難看出隨機性,這叫馬後砲偏差;但對於未來而言的,就是你並不知道下一步會爆出什麼樣的新聞,如果在某一個價位上既有買家又有賣家,如果我們假設他們擁有相同的訊息,那必然股價上漲或者下跌的機率都是 50%,不然在這個價位上就不會有成交。結論就是 — 用巴舍利耶自己的話來說 — 投機回報的數學期望等於零。

當然此假說有很多的不切實際的假設 (比如假設買賣雙方擁有對稱的全面的訊息且以理性行事) ,不然也不會叫做假說了,你也千萬不要認為天才如尤金·法馬的這類人會真的把假說當成現實。

用法馬教授論文裡的原話來講:“隨機遊走假說不能對股市價格的行為提供精確的描述。但出於實用的角度,雖然這個模型並不能完全切合現實,但或許可以令人接受。此時的股價與下一個時刻的股價之間雖然不嚴格獨立,但是彼此的關聯可能是如此小,以至於其重要性微不足道。”

而法馬在這裡說的微不足道的相關性,就是股價之間的序列相關 (serial correlation,就是昨天的我會不會影響今天的我) ;許多研究顯示短期股價的序列相關性並不為零,顯示出動量 (momentum) 的存在,而這是趨勢投資的邏輯基石。

另外有效市場假說不能解釋泡沫的形成,也不能解釋為什麼這個世界會有這一類投資天才。1984 年,巴菲特在哥倫比亞大學對壘有效市場假說的巨頭邁克爾·詹森 (Michael Jensen) 。詹森的意思是基金經理基本上都在扔硬幣,業績好的基金經理無非就是運氣特別好。

而巴菲特的回應是:那萬一我們發現這些本該隨機分佈的運氣好的硬幣手都來自同一個地方怎麼辦?比如,他們都來自於一個叫葛拉漢 (Benjamin Graham) — 陶德 (David Dodd) 的村子 (都是價值投資者) 。

蒙格 (Charlie Munger) 的說得就更加誇張一點,他說:這幫學術奇才反正很方便,一發現不利於有效市場假說的證據 — 比如波克夏(Berkshire Hathaway, BRK.A-US) (Berkshire Hathaway) — 他們就說這是個“兩個標準差事件” (偏離均值兩個標準差的靈異事件) — 去年他們叫我們“三個標準差”,今年叫我們“四個標準差”,明年可能就是“六個標準差”,反正加“標準差”要比修改理論容易多了。

大多數實戰型的市場參與者基本上對有效市場假設一笑而過,因為與實際體驗出入太大。但就算這個假說不切實際,也不代表我們能做到預測市場。比如巴菲特,雖然他的諢名叫“奧馬哈的先知”,但老爺子一般也輕易不施放“先知”大招,實在逼急了就搞個能上頭條但又略戲謔的預測 — 比如他認為道瓊斯指數 100 年內能到 100 萬點。 (但其實這是一個不耍滑頭的、不模棱兩可的、嚴肅的、坦誠的預測) 。

有效市場假說僅僅是我們中的一些人向這個捉摸不定、風詭雲譎的混沌世界的一次妥協。

席勒的水晶球

我突然意識到預測股市這個題實在太大了 — 美股現在天天創新高,那讓我們“簡化”問題,討論一下我們能不能預測出美股什麼時候會崩盤?比如我們能不能作出這樣的預測:在 2XXX 年之前,標普 500 指數會至少從最高點下跌 20%  (或者 30%) ?

說到預測崩盤,耶魯大學教授羅勃·席勒 (Robert Shiller) 可以算是這一行的代表性人物,因為其預測履歷出奇優秀。他曾成功預測了 2000 年網路泡沫的破滅,並再接再厲成功預測了 2007 年美國房價泡沫的破滅。席勒發明的週期調整後的席勒本益比 (CAPE, or Shiller PE) ,聽說用之回測美國股市的興衰神準(3558-TW)無比,堪稱華爾街的水晶球。

預測股市真的有可能嗎?-05

雖說席勒本益比很強,但它畢竟不是什麼秘密武器,張三李四皆可用之,那為什麼預言帝席勒能夠有此驚人的準頭呢? — 原因很簡單,他是個習慣性空頭,隔三差五就預測市場要崩。2014 年他就表示:“我的席勒牌本益比警報器已經在那裡滴滴滴了,現在已經 26 倍了,從 1881 年到現在 (2014 年) 只有三次席勒本益比高於此,一次是 1929 年,第二次是 2000 年,第三次是 2007 年。之後發生了什麼就不用我說了吧。”

這樣的話席勒教授已經持續說了三年了。但是不要誤會,席勒教授是我異常尊敬的一位學者,他其實也不認為自己能準確預測股市崩盤,他對“非理性繁榮”和“群體性瘋狂“這些人類行為現象有深入研究,深到能拿諾貝爾獎的地步。他也知道很多自我實現式的泡沫可以堅挺到讓你懷疑人生。

所以最近他的採訪裡充滿了“不確定”、“憂心忡忡”、“但不建議完全清倉”這些模棱兩可又比較溫和的語言;而現階段席勒本益比其實已經殺紅眼了到 31 倍 ,面前僅有 1929 年和 2000 年這兩座大山(1615-TW),但我卻感覺到教授似乎愈發謹慎了,今年六月他居然發言說“股市在未來幾個月可能會大漲” (注意這是前文提到的聰明人開啟防打臉模式的“預測”) 。這次小小的變節看多股市,為教授收穫了許多掌聲。

另外席勒也說比特幣毫無疑問是泡沫的極佳代表 (an amazing example of a bubble) ,但同時也表示不知道什麼時候會破。如果他都不能預測股市,甚至於預測比股市系統簡單一百倍的比特幣什麼時候崩盤,那我覺得大機率這個星球上可能就沒人能預測了。

總有人想要用某些單一指標的變化去預測股市、預測崩盤,但單一指標註定要失敗。為什麼,因為歷史上什麼樣姿勢的崩盤都有。有人說估值高容易崩盤,有人說利率上升容易崩盤,有人說通脹高容易崩盤,結果 — 正如下表所示 — 在戰後美國股市所有 20%規模的“崩盤”中,既有高估值又有低估值,既有高利率又有低利率,既有高通脹又有低通脹。高估值配低通脹會崩,低估值配高通脹也會崩,你可以隨意搭配套餐。

“某個廣為人知的權威指標能用來準確預測股市”這本來就是一個悖論 — 因為如果天地之間確實有某一個指標能精準地擔當市場前導,那它也必然是一個被市場忽視的不算哪根蔥的指標。不然市場就會提前反應。比如,如果席勒本益比確實就是上帝賜給我們的神器,比如每次一旦它達到 20 倍股市就崩盤且屢試不爽,那麼它將永遠到不了 20 倍,因為在到達 20 倍之前大家都會踴躍出逃、大賣特賣。

所以我懷疑—但不能百分之百確信 — 世界上根本就沒有這麼一個水晶球存在。

結語

就如同我喜歡研究的、同樣也是這個世界大多數的問題的特性:股市能不能被預測,這又是一個複雜的不能一刀切的問題。而很多研究者本身也是在能與不能之間猶豫不決。

比如有一個叫奧斯伯恩 (M.F.M Osborne)  (這哥們很不出名,但今天的高頻交易者們應該來這裡拜碼頭) 的人,作為天文學家,奧斯伯恩在美國海軍的實驗室裡,搞出了《論股市裡的布朗運動 (Brownian Motion in the Stock Market) 》這個研究成果,這有點愛因斯坦在專利局裡搞相對論的意思。奧斯伯恩在這篇論文裡得出結論:股價的變化就跟一堆在水裡的粒子的運動沒什麼兩樣。

但科學家嘛,還是講證據的,當他看到下面這個聯合化學公司 (Allied Chemical) 幾分鐘內的股價變動圖後,奧斯伯恩的老蛋也不定了。

奧斯伯恩想,只要不是瞎子就能看得出來,這股價變化不太隨機啊 — 56 美元和 55.75 美元這兩檔價位明顯成交更多,而交易者也似乎喜歡在這兩個價位之間成交。

然後奧斯伯恩發現散戶下單喜歡限定價格在整數位,比如說 9 塊或者 10 塊,但是當時股價都是以1/8作為最小單位的。所以奧斯伯恩認為—聰明點的交易者會選擇在比如 9 又 1 /8 的價位去進貨,因為他知道 9 塊錢有很多訂單支撐;然後他又會選擇在 9 又 7/8 的價位去出貨,因為他知道 10 塊錢有很多訂單打壓。這種策略下,他虧最多虧 1/8 美元,但卻很可能賺到向上的 6/8。

於是原本對隨機遊走深信不疑的奧斯伯恩在一篇叫《交易所做市與反轉 (Market Making and Reversal on the Stock Exchange) 》的論文中就提出可以從市場上交易者的一些行為偏好中漁利。並且他還設想了可以通過電腦程序來自動完成這種單筆獲利較小但是頻率極高的交易。這是在 1966 年,當時還沒有電腦能夠滿足奧斯伯恩遠大的理想;當然現在高頻交易已經家喻戶曉,而其祖師爺就在這裡。

我的意思是:能讓一個堅定的布朗運動主義者轉而創見(2451-TW)性地去孕育出高頻交易的胚胎 — 說明這個問題很難用粗暴的“是”或者“否”來簡單回答。

我個人傾向於相信 (純屬個人觀點) :股價短期波動很難預測,你或許可以通過趨勢投資來漁獲短期波動,但其可重複可持續性我很懷疑;而中期 (一兩年內) 的價格波動更難預測,我個人的做法是徹底放棄預測;但是從長遠來看 — 如果你眼光放到 20 年或 30 年,從各國股市的歷史經驗來看還是有一定的規律,那就是:股市總是會漲的。好吧我承認這是一個不坦誠的預測。

而我認為想要獲得投資成功,你短中期能不能開天眼其實也不是很重要。正如與其去預測天氣,你不如出門帶把傘;與其去預測地震,你不如把房子修修牢;你面對一個投資世界的混沌黑箱,如果能做好分散、做好紀律、做好風控,你應該是能面對未知的明天的。

當然會有很多人對 diversification 分散多樣化嗤之以鼻,這個我完全能理解,看到別人全倉在那裡幾天翻一番時,我其實也是很眼紅的;但眼紅歸眼紅我不會腦熱,我知道我分散的組合雖然不能幾天翻一番,但會讓我更有信心去面對混沌的明天。

我發現好像很多食物鏈頂端的經濟學大神都對預測未來這件事比較悲觀。比如還有一個叫托馬斯·薩金特 (Thomas Sargent) 的經濟學家,他曾出演了某一個台詞巨短的商業廣告:

主持人:“ 今晚,我們請到了托馬斯·薩金特教授,他是諾貝爾獎得主,也是世界上被引用最多的經濟學家之一。薩金特教授,您能告訴我們兩年後定期存款的利率是多少嗎?”

薩金特教授:“不能。”

主持人轉向觀眾:“如果他都不能,那就沒人能,所以你需要 XX 銀行的浮動利率美金定存。”

所以,你需要一個分散的、有紀律的、能直面混沌的投資組合。

《雪球》授權轉載

【延伸閱讀】

 
週餘
 
 
分享文章
分享至 Line
分享至 Facebook
分享至 Twitter
收藏 已收藏
很開心您喜歡 雪球 的文章, 追蹤此作者獲得第一手的好文吧!
雪球
分享至 Line
分享至 Facebook
分享至 Twitter
地圖推薦
 
推薦您和本文相關的多維知識內容
什麼是地圖推薦?
推薦您和本文相關的多維知識內容