  金融市场的量化密码系列文章（9） 投资、投机与套利 作者：Michael Zhang 麦教授
主张价值投资的巴菲特（Warrent Buffet）和主张量化投资的西蒙斯（Jim Simons）都在玩胜率的游戏，但是逻辑并不一样。巴菲特希望通过分析公司基本面来做精准判断，通过每次投资的长期持有获得收益，而西蒙斯用机器算法来发现短期胜率，通过短期胜率超过50%加上大数定律（law of large numbers）来保证长时间的盈利。（麦教授之前的推送里提到过：“战胜市场”的2个投资者，4个投资策略和1个思维）  巴菲特说牌桌上总有一个白痴是送钱的，如果你不知道那个白痴是谁，你就是那个白痴。换个角度看，如果你不懂概率，觉得有不懂的人也做得挺好，那你就是白痴。 根据《经济学人》的报道，量化交易的占比在所有机构交易量中越来越大了，这显示了量化的模型越来越成熟，有了越来越好的业绩，导致越来越多的机构开始用量化的思维去做交易了。  「《经济学人》杂志统计的美国机构投资者按交易量的占比」 2004年的时候，以管理规模排序，世界顶级的10家私募基金里只有一家是量化私募，到了2020年，世界顶级的10家私募里量化就占了7席。随着时间推移，越来越多的私募要用到概率统计的方法来做资产管理了，而且管理的好的私募都是用量化方法的了。  人在做投资决策的时候都会根据自己的经历和知识储备选取合适的策略。从交易的方式来看，有三种形式：投资（investment）、投机（speculation）和套利（arbitrage）。三种形式都可以用量化的方法来提高胜率。 1949年，格雷厄姆在《聪明的投资者》里写到：“投资者与投机者最实际的区别在于他们对股市运动的态度上：投机者的兴趣主要在参与市场波动并从中谋取利润，投资者的兴趣主要在以适当的价格取得和持有适当的股票。” 巴菲特推崇的是价值投资，很多人认为这个策略的原则是找到基本面好的股票，其实它的精髓是找价格和价值严重偏离的股票，就是那些价值相对较高，但是价格还很低的。所以所谓价值投资其实是“价值和价格之差”投资。巴菲特会花很多时间去研究一只股票是否被低估，赚钱的逻辑很简单，就是低买高卖。他说投资的秘诀是“不要赔钱”。这个秘诀是在买股票之前就要进行操作的了，在做了很多严谨的背景调查之后，如果一直股票已经跌到不能再低的水平，那么买它就不会赔钱了。这种投资策略是看好长期回报的，巴菲特持有可口可乐30年赚了300亿美金，真的是用生命陪伴了这只股票的成长。 投机听上去不是一个好词，但是在金融市场里，寻找机会并获利并不是什么不光彩的事。如果看不清30年这么长的时间线，分析交易量、交易价格和其它技术和基本面的数据，对股票未来短期内的变化则可以在日或周这样的时间线上找到机会。这样的投机行为并不关心股票未来的成长，但是只要在短期内做到足够好的判断，则可以成功地投机获利。 如果把时间线再缩短，就会有套利的机会。套利背后的逻辑是低买高卖，很多高频交易的策略就是在判断是否可以做到这一点，在市场的大量卖单和买单中找到规律，用一个较低的价格买回股票，然后找到下一个买家用高一点的价格卖出去。基于数据分析的量化模型在套利中的作用不言而喻。 从投资到投机再到套利，随着交易速度的提升，超额收益会越来越高，但是这样的速度提升也有缺点，那就是随着交易速度的提升，机会的窗口就比较小，盈利的容量会越来越小。如果把股市比作赌场，随着交易速度的提升，赢钱的概率会提高，但是能赢的钱的总量却是在下降的。 高频的量化投资有点像从沙子里捞金子，每捞一次在付出成本的同时都有一个概率找到金子，捞金子的收益可以从两方面得到，一是捞金子的成功率，这个可以通过优化算法加强预测准确率来得到；二是交易频率，可以通过增加单位时间的交易次数来达到。总收益大致和正确率与交易次数平方根的乘积是成正比的（这个原理叫主动管理基本定律The Fundamental Law of Active Management，后面会有详细讨论）。 我本人对量化投资的理解也经历了几个阶段。 量化初阶：1997年上研究生的时候，我到华夏证券去做实习，当时的老板说你们清华的学生数学好，要不你用股票数据计算一下怎么做投资可以有高回报。我所在部门的投资经理都是价值投资的信徒，所以给我的建议是研究一下蓝筹股怎么投才可以最大化收益。那是我第一次接触金融数据，之前也从来没有做过股票交易，所以并没有太大的包袱一定要做一个盈利的交易策略。 那时也没有人提“量化”的概念，所有人都用专门的终端做交易，根本没有一个数据库能拿来做分析。我那时对这个工作的理解就是：如果我手工检索能去了解股票的走势，那用电脑处理数据肯定会快一些。于是费了很大劲找IT的人（其实是我找他们，他们费了很大的劲）拿到了一个数据集，在我的SAS软件里跑了一下。 我发现蓝筹股并不能带来很高的回报率！这个结论让当时的老板很为难，本来以为可以有个结论支持他们的长期投资蓝筹股的策略，结果并不理想。看着他有点颓废地离开的样子，我决定不能辜负领导的厚望，要更努力的找到蓝筹股盈利的机会。后面几周时间跑了无数的模型之后我知道这个结论是正确的。背后的逻辑很简单：它们是蓝筹股，已经很贵了。 于是我开始分析他们不看好的小盘股和垃圾股，结果发现当某些条件满足时（例如股市不是在暴跌的过程中），有些垃圾股和刚跌过一段时间的普通股的回报是非常好的。现在回过头看，其实这个结论很顺理成章，也算是验证了逆向投资（contrarian investing）的逻辑，但是当时部门里没有人相信。很多年以后读到了一篇经典的论文（注：Fama, E., & French, K. (1992). The Cross-Section of ExpectedStock Returns. The Journal of Finance, 47(2), 427-465.），和我当时的发现不谋而合。 主观投资：差不多十年之后，2006年我刚到香港工作的时候，有位会计系的教授朋友问我可以投资哪些中国公司的股票，那时我手里完全没有数据，完全没法做任何量化的分析。我推荐了腾讯，因为腾讯的用户多，可以有很多机会从中国的人口红利中获利。我告诉这位朋友：如果只能投资一只股票，那就应该是腾讯，因为它会抓住所有的互联网相关的机会，而互联网一定会越来越有价值。腾讯又有开放的心态，如果它自己做不了，就会找别人合作。后来2014年和京东，2016年和拼多多的合作都是极其经典的案例。 那位朋友此后每次见到我都会感谢我，因为买了一直在赚钱。其实他的心态和他的投资手段（长期持有）是匹配的，如果涨了20%就急急忙忙地卖掉落袋为安，那么就追不上腾讯的200倍的成长，而不会享受到这个长线投资带来的好处。 量化高阶：又过了十年，2015年我的研究团队开始用机器学习的方法分析股市，我们很快发现机器学习做交易策略的一个误区。大家一上来就在想办法预测股价，这个思路是最直接的，从数据分析的层面看，这并没有错，很多对算法很熟悉的人都非常厉害，可以迅速的找到一些算法（例如xgboost）来做非常好的样本内预测。但是一旦在实际股市中使用的时候就会发现预测准确度远远不如历史数据所做出来的。（点击回顾：用机器学习预测股市：为什么仅仅是历史回测准确率高？ ） 问题不是机器学习的算法不够好，而是所有的预测模型都假设底层的市场逻辑没有变化，这样的假设是错误的，导致了过度拟合（关于这个问题，前面的推送提到过一些：AI在金融中的应用：忘掉回测 ，我在后面也会有详细论述）。在本专栏的“策略篇”里，我还会介绍几种解决方法。 如今的市场上，找一个会用厉害的算法做预测的码农并不难，难的是管理者和投资决策者需要知道如何从最底层理解金融市场的量化思维并发挥出算法的优势。 |
|
|
