|
2016年3月12日，由杭州玉皇山南基金小镇指导、七禾网主办、南华期货协办，包括新加坡交易所、东航金融、东航期货、横华国际、言起投资等多家机构支持的2016私募年会暨七禾基金奖颁奖典礼在杭州成功召开。年会邀请到了国内外金融机构、银行、交易所、高端投资人以及超过200家私募机构参会。上海明汯投资总经理裘慧明作为特邀嘉宾出席了本次会议，并做了精彩演讲，以下是七禾网对裘慧明大会发言的文字整理。 精彩语录: 量化交易本身并不神秘，将历史数据做成统计上的规律，以严格的数学逻辑来实现。 股票定价分成两部分：Beta（股票和市场关联的部分）、Alpha（风险也是超收益的来源）。 最著名的风险管理数学模型是VaR（即Value at Risk）模型，其中以JP摩根的风险矩阵（RiskMetrics）为主要代表。 用量化的方法来做有很大的优势，特别是在越高频的领域，就越有可复制的一些信息和足够大的数据点，量化就有其非常大的优势。 从长远来看，用科学的算法执行交易策略能避开主观交易的缺陷，同时也要注意策略的局限性，它不是万能的。 在股市和期市上，高频交易基本占到60%以上的交易量，但其容量比较有限，而且百分之几百的收益率很快就只能跑自营资金，对资产管理而言没有大的意义，主要用来实现交易员自身财富的增值。 海外还是以统计套利为主。 量化与对冲是两个不同的概念，可以做量化不对冲，也可以做对冲不量化，这也是对同行的一个启示，不一定要做量化加对冲才可被市场所接受。 量化投资的好处是可以适应不同经济环境和市场环境，去除人为情绪的干预，也可以覆盖投资的全过程。 趋势法，根据市场表现、强势、弱势、盘整等不同的形态做出对应的投资行为的方法，可以追随趋势，也可以进行反转操作。 现在每天股指交易量在几万手，去年是几百万手，所以很多对冲策略受到了很大限制。一种应对方法是做量化择时模型，用量化做择时其实就是CTA模型。 通过对时间序列的建模，选择预测几率大的时机交易，避开收益风险比低的时刻，再结合量化选股，就可以实现收益比较高的策略。 在策略同等收益风险比的情况下，要首选跟经济周期不相关的策略，并且对于其和逆经济周期的策略，要增加权重。 股指期货是根据现货的价格进行交割的，所以没有逼仓，纯从金融行业量化角度而言，股指期货是比商品期货更好的套利标的。 主观选股也是Alpha策略。 量化交易策略和主观判断交易策略的主要差别：策略如何生成以及策略如何实施。在我看来，策略的生成才是最重要的，对于策略实施，量化和主观交易策略完全可以使用同一个模型。 数据挖掘技术相对于简单的基本面量化模型，有一个较高的门槛，优势是可以更大限度地获取市场行为。现在的神经网络、深度学习等都可能是大家今后的发展方向。 对投资来讲，量化就是一个黑箱子，存在很多不可控因素。 风险管理不只是规避风险或者减少损失，而是通过对敞口实施有目的的选择和规模控制，从而提高回报的质量和持续性。限制风险的大小，头寸规模限制是风险管理的一种重要形式。 量化策略的优点：系统性、稳定性、可复制性;缺点：容易趋同。 “裘慧明发言全文” 我今天的主题演讲关于量化投资，因为这是我比较擅长的一个领域。国内的量化投资起步比较晚，对于很多概念还存在一些误解，存在与国际理解不一样的地方。今天主要讲量化投资的起源、国内外发展的现状、量化投资可运用的领域以及国内将来可发展的方向。 一、量化交易的历史与现状 1、量化交易的历史 量化交易本身并不神秘，将历史数据做成统计上的规律，以严格的数学逻辑来实现。由于计算机自八、九十年代以来才得到速度上的发展，所以量化投资才开始比较广泛的应用。 实际上，在1952年哈里·马科维茨(Harry M. Markowitz)提出的均值-方差模型就第一次将数理工具引入金融研究。后来，CAPM（资本资产定价模型）已成为度量证券风险的基本量化模型。原来人们不清楚股票是如何定价的，有了CAMP以来，人们将股票定价分成两部分：Beta（股票和市场关联的部分）、Alpha（风险也是超收益的来源），股票的量化模型可以通过做空股票或做空股指来对冲掉Beta的风险来实现Alpha的收益。 1973年，Black和Scholes建立了期权定价模型。其实之前已经有少数的从业者运用类似的模型从市场上获取稳定的高收益，但这一模型是第一次系统化地实现了期权的定价模型。基本现在所有的基础包括期权的报价，都认为Black和Scholes是期权定价的基础模型。 20世纪90年代，一个大进展是用数学方法来管理风险，最著名的风险管理数学模型是VaR（即Value at Risk）模型，其中以JP.摩根的风险矩阵（RiskMetrics）为主要代表。即使不做量化，也可以用VaR的方式和RiskMetrics来评估头寸风险，通过风险模型来降低风险，从而提高收益风险比。 20世纪末至今，非线性科学的研究方法为人们进一步探索金融科学数量化的发展,提供了最有力的研究武器。像神经网络、深度学习，最典型的案例是这个星期备受关注的AlphaGo与李世石的人机围棋大战，两盘完善李世石，在结构化数据和有无限的数据来源的情况下，人类基本上没有取胜的可能性。在投资方面还是有点不同的，一是因为有很多非结构化的信息，二是数据点的有限。但用量化的方法来做有很大的优势，特别是在越高频的领域，就越有可复制的一些信息和足够大的数据点，量化就有其非常大的优势；相对而言，在长周期的投资上，量化并没有较大的优势，因为缺乏数据点，且依赖于很多非结构化的信息。 2、海外量化基金的发展 海外大规模的量化分为两块：一、从历史时间看最早是CTA基金，五十年代、六十年代做商品策略的人都知道芝加哥有一个非常有名且简单的量化模型——海龟算法，在五十年代到八十年代的商品市场上发挥了非常好的效果。二、从更大规模以及数学模型更复杂看是为大家所知的文艺复兴基金（1988年左右成立），从1990年到2012年实现了平均35%的年回报率，而且扣除了基金管理费用和很高的业绩提成，近10年来管理费为5%，业绩提成为44%，扣除之后年化收益率还有35%，所以近20年的实际年化收益率应该有近70%，基本超越了所有的主观基金。这在海外不称为高频，主要是几分钟到10天左右的预测，主要使用价量模型，在这方面取得了非常好的收益风险比和极高的收益，基本每年都是正回报，而且在剧烈波动的2008年达到100%多的费后收益。 然而并非所有的量化模型都是成功的。从历史上也证明了这一点，长期资本管理公司的失败，2008年也有不少跟长期资本类似的策略倒闭。还有高盛的Global Alpha 基金在出现'黑天鹅'时用历史数据预测未来的失败。从长远来看，用科学的算法执行交易策略能避开主观交易的缺陷，同时也要注意策略的局限性，它不是万能的。 3、海外量化策略的实战运用 现在国外比较通行的一些量化交易策略，其中交易量最大的是高频交易，很多是高频股票、高频期货和高频期权策略。高频股票像Tower research capital；高频期权做市像citadel，也做高频商品和高频股票，其中国分部在去年股票市上赚了20亿左右，基本每天都是正盈利；还有以期货为代表的还有Jump trading。在股市和期市上，高频交易基本占到60%以上的交易量，但其容量比较有限，而且百分之几百的收益率很快就只能跑自营资金，对资产管理而言没有大的意义，主要用来实现交易员自身财富的增值。 股票统计套利，现在我把分为股票统计套利和股票基本面量化策略两大类，因为这两类的收益风险比在不同的市场行情下表现不同，2008年出现了前所未有的金融危机，当时股票基本面量化策略就受到比较大的亏损，它的持仓周期比较长，容量非常大。当时BGI管理700亿美金以上，可以做量化多投，并不一定是要对冲，或130%做多、30%做空，还是实现100%的多投，但可以比100%多投实现更高的收益。这类策略有一个很大的问题，如果市场出现比较大的危机时，它的转向会比较慢，所以在2008年会出现比较大的亏损，其中最大的代表是BGI，现在已经被Blackrock收购。另一大类是统计套利，海外还是以统计套利为主，主要是以价量为基础，换手率高，文艺复兴也做的是这一类。持仓周期在10天以内，风险收益比更好，其平均夏普率不一定比基本面量化高很多，在2007年之前的数据而言，做得比较好的统计套利在2.5-3，而基本面量化也可以做到2.5左右。就最大回撤比来说，统计套利会好得多，最大回撤基本能控制在2-3，基本面量化策略出现极端情况回撤可能会达到7%以上。其中代表基金：DE Shaw、Two Sigma、PDT Partners(曾经摩根斯坦利的自营组)，这些策略容量有限，比基本面量化策略小，DE Shaw在100亿美金不到，Two Sigma、PDT在50亿美金左右。 CTA策略，代表基金是Winton、AHL、Two Sigma，Winton、AHL的夏普率基本在0.7左右，Two Sigma可以做到1.5-1.6，发挥了短线上的价量优势，基本持仓周期在10天左右，而像传统的像Winton等已经是在市场上做得比较好的长线CTA，sharp ratio都在0.7-0.8左右，但持仓周期更长，容量更大。Winton规模达到200多亿美金，Two Sigma在50亿美金左右。长线的策略都是以趋势为主，Winton在长线基金里周期算是比较短的，在1-2个月左右，更长的可以达到3-6个月。Two Sigma如果是5到10天的周期，年化收益率可以达到16%，最大回撤10%。 宏观量化对冲基金，主要是股指期货、商品期货、外汇期货以及债券，比较典型的是AQR、 Global Alpha、Bridgewater（以量化为基础，含有主观成分，从1991年到今年2月，年化收益12%，sharp ratio0.71，最大回撤21.69%，每年年底负收益最差的一年也在-10以内，总体的收益风险比比较大，现在的对冲基金管理规模在1000多亿美金左右）。这种策略在国内的标的物较少，所以真正意义上的宏观量化对冲基金较少。 相对价值策略，大家最熟知的是Long-Term Capital Management，1998年金融危机时出现比较大的问题，另外一个是Capula Capital，这是做相对价值策略，年化收益为9.38%，最大回撤7.42%，sharp ratio做到1.92，因为杠杆放得较低，所以在2008年的金融危机损失并不是很严重。Capula Capital同时也是以中国人为主的在海外做得最大的基金。 4、量化投资在中国 在中国，因为程序化接口和其他各方面的原因，量化投资起步较晚，最早运用于商品策略。据我所知，开拓者是最早使用量化编程跟交易所连接做了程序化策略的一个产品。国内的量化策略真正意义上的开始是用量化的方法选股，做量化多头，而真正意义上的量化加对冲的是2010年股指市场放开以后才开始做的。 从海外经验来讲，国内的量化产品相对比较单一。一是大家熟知的量化对冲，但量化与对冲是两个不同的概念，可以做量化不对冲，也可以做对冲不量化，这也是对同行的一个启示，不一定要做量化加对冲才可被市场所接受。BGI做量化不对冲做到几百亿美金的规模，中国也可以学习国外的经验，只要风险收益比比其他的更好，就是可以被投资者所接受的。从量化基金来讲，可以做量化的公募产品、量化的指数增强产品、量化的指数产品、量化的行业基金产品、量化的行业增强产品、风格类指数基金、策略指数基金，做成长型的也可以以量化的形式来实现，还有ETF产品、收益分级型。量化只是一个工具，可以运用到各种不同的产品上。 量化投资的好处是可以适应不同经济环境和市场环境，去除人为情绪的干预，也可以覆盖投资的全过程，投资决策方面包括量化选股、量化择时、股指套利、高频交易、商品期货套利、CTA策略、统计套利等；在量化执行方面，包括可以使用算法交易下单，可以实现一个平稳且较低的交易成本；风险控制、资产配置也可以用量化来实现更科学化的管理。 二、量化模型的应用 1、量化选股 中国最大的交易市场还是股票市场，所以第一段先讲量化选股策略。有很多的方法可以来选取股票，主动管理的可能是去公司调研，了解公司想要做什么业务、看财报及将来的发展来选取公司。量化选股是通过可获取的一些数据来决定一个公司的价值，股票价格有一个合理的估值范围，不是一个点而是有一个面。未来有不确定性，但还有一定的可预知性，既然我们还在从事这一行，那就是认为未来有一定的可预知性，从可预知性上可以导出股票有其范围在内。这个方法现在已经比较成熟，所以基本上可认为是价值投资，如果算出来一个合理估值，股价在合理估值之上，大概率上今后会下跌；股价在合理估值之下，大概率上会下降。所有的投资都基于概率，而没有确定性，无论是主观投资还是量化投资，都是这样。这个方法不局限于买PD的股票，因为成长股票大部分是可预估的。对于这个模型不同人有不同的理解，比如输入的参数不同，同样的一个成长股票，估值30倍可能还是便宜的，银行可能估值5、6倍，去掉真正的核心估值未必是非常便宜的，这与传统的价值投资是有区别的。 趋势法，根据市场表现、强势、弱势、盘整等不同的形态做出对应的投资行为的方法，可以追随趋势，也可以进行反转操作。因为估值方法是根据理性分析的数学理论框架，所以很快就被学术界所接受，而趋势法是自从行为金融学出现后才被纳入较合理的框架。 资金法，追随市场买卖利润的平衡，如果市场资金流入，就追随这个策略跟随价格上涨；如果资金流出，股票应该随着价格下跌。 很多时候我们做量化投资是希望将这些方法融合在一起，再加上宏观的判断。如果只有估值法的话，大家在2008年就会理解，包括投资过港股的投资者也会理解，已经很便宜了，但还在不停地下跌，因为情绪因素和未来的不确定性，以及资金的流出。2008年，无论是股票，还是固定收益资产或是信用债，从估值法来说一直继续下跌，因为资金还在不停地流出。所以我们觉得要做好一个量化选股的策略，要将这三种方法有机地结合起来。 2、量化择时 现在由于股指的限制，交易失守，整体交易量比去年的高点下降了99%左右，现在每天股指交易量在几万手，去年是几百万手，所以很多对冲策略受到了很大限制。一种应对方法是做量化择时模型，用量化做择时其实就是CTA模型。 金融时间序列，比如股票价格，是典型的具有长时序相关的数列，它具有很高的自相关性质。股票的当前价值包含了历史上诸多时间点的股价时间序列对它的影响。不管是一百年前的市场，还是现在的市场，参与者都是人，而且是很多很多的人，n足够大的时候，就有大数据的意义，所以通过对历史数据的分析，在一定程度上可以预测未来。而且随着市场不同的有效性，它的可预测性是不一样的，从海外的市场来讲，如果已经将价格和可获取的信息包括进去，越有效的市场做量化择时，将来的可预测性越弱；中国的股票市场以散户为主，所以有效性更容易形成一种驱动的“羊群效应”，价格对未来的可预测性影响就比较大。我们通过对时间序列的建模，选择预测几率大的时机交易，避开收益风险比低的时刻，再结合量化选股，就可以实现收益比较高的策略。 由于CTA策略的单边特性，可以认为它就是量化择时，只是运用在不同的品种上，这是狭义的CTA策略，因为在海外有广义和狭义的CTA策略之分。广义的CTA策略，指只要是从事期货交易为主的策略都可以认为是CTA策略，无论是主观的宏观还是量化的宏观，都要归类为CTA策略；而在海外的策略分类里指的CTA策略，一般指的是狭义的CTA策略。由于商品的周期持续性和期货交易方式的多空灵活性，所以CTA类策略收益与传统资产投资有着显著差异，配置在资产组合中有分散风险和提高收益的作用。Winton的sharp ratio只有0.7左右，为什么还是有这么多的机构投资者选择它？就是因为它和传统的投资不一样，它和经济周期是无相关性的。其它的大部分投资是顺经济周期的，无论是买股票，经济好出现牛市，实现正收益，但出现经济危机时就会出现大幅下跌，信用债也是这样，事实上80%的投资类别，包括房地产、PE都是顺经济周期的。与经济周期无关的资产品类就有相当大的特殊价值，所以在策略同等收益风险比的情况下，要首选跟经济周期不相关的策略，并且对于其和逆经济周期的策略，要增加权重。像做商品策略，从历史的数据来看，在经济危机时期都实现了比较大的正收益。 如果要做大规模的一些策略，像Winton追求的就是规模，因为对他们而言，短期收益很高，但对200多亿的规模没有很大的意义，所以基本以长周期的趋势跟踪为主，但在短线的出场上增加了一些反转的策略，这主要是利用市场流动性和信息传播速度的不同来获取收益的，再加上杠杆的适度运用，在流动性好的周期性行情下收益往往会较高，或者在出现危机恐慌时收益较好。 大家做这个策略：一个是要抓住可预见的一些趋势；二是控制不可预见的风险。运用这类策略里不求爆发，而是为了实现资产管理的目的，所以保证金比例一般不会超过25%，最大回撤控制在10-15%,在国内收益能达到20-30%，国外基本就是10%左右。 3、统计套利 统计套利主要是利用证券价格的历史统计规律进行套利，统计方法分为几大类： 一类是利用股票的收益率序列来建模，目标是在组合的β值等于零的前提下实现Alpha的收益,我们称之为β中性策略。用这个策略来做市场非中性的非常少，因为这个策略容量有限，大家都想用这个策略来获取最大的业绩提成，如果加进β波动，用户就不太愿意付30%-35%的提成，所以大部分还是会做对冲。不像容量大的量化基本面选股策略很多都是做量化多头的，用统计套利的方法大部分是用中性策略为主。 另一类是利用股票的价格序列的协整关系建模，我们称之为协整策略。股票关联性很高，但长期的收益是分散的，比如一个股票每天涨1%，另外一个股票涨2%，它们的关联性是100%，如果你做多一个，做空一个，两个是不回归的，亏损就会非常大；如果做配对模型，基本上还是用协整模型，以达到长期回归。 前面的模型是基于日收益率对均衡关系的偏离，后者是基于累计收益率对均衡关系的偏离。所以基于日收益率建模的β中性模型一般是短线的，因为越长期，它的偏离就越不修复。而用累计收益率协整模型，持仓周期就可以相对长一些，这个策略也可以用在商品上。短期策略是用收益率本身来建模，长期的是用价格本身来建模。 4、期货类套利 放到期货也分为两类：一是CTA策略；二是商品期货套利（期现套利、跨期套利、跨市场套利）。 首先，期现套利对于一般的私募基金可能做不了，但有产业背景的就可以利用价差使期望基差回归到合理区间，获得预期利润。另外是跨期套利，通过对同一商品不同合约间的不合理价差进行操作，使得期望价差回归到合理区间，从而获得预期利润。跨市场套利是指通过对同一商品合约在不同市场间出现的不合理价差进行操作，使得期望价差回归到合理区间，从而获得预期利润。比较典型的是国内的黄金T+D和黄金期货之间的套利；伦敦有色金属和国内上期所有色金属之间的套利；上证50股指期货和新交所A50股指期货之间的套利。另一类相关性较弱，同一个大类下不同商品之间的套利，石油和燃油，国内的玉米跟玉米淀粉等，大豆和豆粕等，这些都可以用量化的方法实现套利。 股指期货有其特殊性，所以将它作为一个单独的类别，而商品期货由于交割机制的存在，某些价差不一定回归。股指期货是根据现货的价格进行交割的，所以没有逼仓，纯从金融行业量化角度而言，股指期货是比商品期货更好的套利标的。 5、期权套利 期权套利，如果市场上出现一些无效的价格，可以通过买进买出相关期货，不同价格、不同月份之间的看涨看跌，对冲掉系统性的风险，实现绝对收益。期权交易在国内发展得还不够充分，因为只有一个投资标的，但随着将来商品期权和更多的股指期权，甚至个股期权的上市，可能会带给大家更多的交易机会，实现稳定的收益。 三、阿尔法模型和宽客 我们说的Alpha策略与国内传统狭义上的股票Alpha策略有所不同，我们认为只要能做超收益、对冲掉风险的策略都是Alpha策略，我认为主观选股也是Alpha策略。无论是评估主观交易为主的基金还是量化为主的基金，对冲型的就比较简单。国内2014年12月份很多量化对冲性基金就出现比较大的回撤，就是因为对冲的风险不完全，当时一些基金做多小盘，用IF做对冲，这是基于2012-2014年的市场，因为这段时间是一个小盘的牛市，而大盘是持续下跌的，很多基金获取了比较高的收益，其实很大一部分收益是来自于小盘对大盘的风险溢价，但短期波动非常大。在美国也是一样的，1960-2000年小盘对大盘的超额收益是非常大的，但随着市场对风险溢价的了解，2000年到现在小盘对大盘的风险溢价已经消失得很快。评估一个主观投资基金，都用沪深300做标的是不合理的，合理的对标标的是中小盘指数，如果主要做创业板，对标标的应该是创业板指数，这样才能看出投资经理是否有获Alpha的能力。 量化交易策略和主观判断交易策略的主要差别：策略如何生成以及策略如何实施。在我看来，策略的生成才是最重要的，对于策略实施，量化和主观交易策略完全可以使用同一个模型。量化交易策略借助计算机系统实施策略，消除主观判断交易中的随意性，实际上主观交易策略是可以借助的，主观判断最强项的地方是选取标的，获取一些量化模型无法获取的信息，但在交易执行方面，除非交易员有非常强的主观交易能力，交易执行成本比一些算法交易更好，基本是用量化的执行方法来实现交易目的。另外量化可以消除交易决策中的情绪、不守纪律、心态、贪婪、和恐惧等心理驱动因素。 阿尔法策略是扣除基准回报以后的投资回报，在对冲受限的情况下，纯做Alpha就要通过择时和选股结合。海外的择时是非常难的，特别是美国，大家比较信任的是股票上Alpha的超额收益能力。根据市场行为定义的发展中国家，像巴西，都是典型的可以通过择时来获取超额收益的国家。其中择时也包括大小盘的择时、行业的择时。 从理论上，量化模型归类：趋势型、反转型、价值型、成长型、品质型，这些策略都可以混合在一起，像股票量化选股模型就结合了信息类的东西，结合出短期跑赢市场的组合。 数据挖掘技术相对于简单的基本面量化模型，有一个较高的门槛，优势是可以更大限度地获取市场行为。现在的神经网络、深度学习等都可能是大家今后的发展方向。 四、量化黑箱中的风险控制 对投资来讲，量化就是一个黑箱子，存在很多不可控因素，因为客户无法了解头寸的原因，更重要的是做好风控，降低顾客对你的顾虑。 从投资理论出发建立一个策略模型、良好的评估体系，通过组合盘加上择时模型来进行的。在做策略组合时，要将各个模型做有机的组合，如资金管理平台（择时与行情预估模型、资金分配模型、子账户分账系统）、自动化回测平台（理论、算法、参数优化、模型校准），很重要的是注意风险控制（风险计算模型、盘中风险预估与应对措施、模型失效风险），任何时候都要控制风险，如果跌了50%，就要增长100%，因为资金是有限的，所以对于不同的产品要用合适的风险模型来计算头寸组合的风险，以及如何处理模型失效。 风控方案的组成：盘前风控，避免单一市场、单一策略带来的系统性风险。如果满仓下出现黑天鹅，可能会造成非常大的回撤。盘中风控，避免交易执行的风险，如光大乌龙指事件，在高频交易上也容易出现系统性风险，像骑士资本在45分钟内损失4.4亿美元，高盛当时由于期权的策略出错也出现非常大的亏损。盘后风控，避免模型失控风险。 风险控制模型：风险管理不只是规避风险或者减少损失，而是通过对敞口实施有目的的选择和规模控制，从而提高回报的质量和持续性。限制风险的大小，头寸规模限制是风险管理的一种重要形式。对我们而言，策略要回溯到1999年（国外）-2005年（国内），要经历过一轮大的牛市、熊市和危机模型的测算，才能保证策略的有效性，而不可根据近一两年的数据。度量风险的大小，通过计算不同种类的金融产品的回报随着时间推移的标准差（波动率，波动率越大，市场呈现的风险就越大），在固定的投资范围中，度量不同种类的金融产品行为之间的相似性( 金融产品的横截面的标准差，标准差越大，行为多样，市场的风险比较小) 。 无论是做主观还是量化，都可以进行参考，一个是交易成本的模型，通过对波动性的预测和对滑点的控制，可以评估多大头寸对市场形成多大冲击，虽然这对长线交易员影响不大，但对短线交易员还是有比较大的可参考性。 量化策略的优点和缺点。优点：系统性、稳定性、可复制性。缺点：容易趋同，因为大家都是对有限数据的经验总结所做出来的策略方案。对同一数据做拟合，无论是用机器还是人工的方法来做，做出来的策略都会比较类似。历史上小盘平均是跑赢大盘的，大家做出来的策略都是小盘跑赢大盘的，历史上价值平均是跑于成长的，大家做出来的策略都是价值平均跑于成长的。从九几年15%的超额收益到现在的5%，大家都做同样的一件事情，就将将来可预测的超额收益越做越小。非结构化的处理，比如数据点非常少，无法通过数据学习的方法来出预测方案，而人工可以根据全系列的分析得出更好的结果。还有就是非数据信号的处理，如政策，量化策略目前还不能对这些风险因素进行很好的评估，这方面是人工交易的优势。 |
|
|
