|
它逐渐变成一个马屁精——这就是'迭代的诅咒'。
类似ChatGPT这种，自我强化的反身性特点，也可以在A股市场里见识到，自从市场交易量有至少1/3来自量化后，每次指数的大级别底部都要伴随着放量加速（类似期货市场的波动形式）。这很容易被解释——单边做多模式下，量化策略往往会抱团——尽管每一家都有自己的策略，因子，参数，但先行者买入信号出现后，往往会连续触发其它策略跟进形成连锁反应，这就是加速的根源。 这就像消费和电新时代，有持仓下限要求的公募基金的高位抱团一样——越涨规模越大，就越是抱团自己的核心品种。反之，公募破位又会陷入赎回潮的死亡螺旋。 公募行为，量化策略，它们都逃脱不了反身性机制的安排——在交易的博弈下，普遍存在的自我强化机制一旦出现，便出现半路加速行情随之兑现。 由于地缘脱钩和美元周期导致外资撤离，以及公募的赎回压力，过去的一年半，A股只有量化基金收益为正，这带来了市场仅有的增量。而结构性市场的指引大多来自预期博弈，而不是估值博弈，加上量化的短线波动放大器效应，A股的市场风格便被后者束缚，成为了我们看到的样子。 市场的主要矛盾来自社会消费和投资意愿的下降，而量化几乎是市场唯一肯于做多的新增力量，如果不拿量化做对手盘一起玩，这个市场还真的不如不玩。 现在的市场里，要学习机器人，个人也要多做数据总结，机器学习的强项是模式识别，就像著名意大利物理学家Enrico Fermi曾说的： 量化就是这样来描述市场的，它们挖掘历史数据，学好了参数，就会通过模仿，持续放大并维系市场里偶然发生过的相关性，于是我们会看到个股之间的相关性，板块之间的相关性一而再再二三地复现——比如AI和中特估的相关性，比如机器人和无人驾驶的相关性，比如光伏/电新和指数的相关性——这些都是量化的力量在兴风作浪。 在量化时代，不同于公募基金主导的时代，相关性反而更加有迹可循。一种应对方法是成为独立的量化投资者（见「自由与陷阱」独立量化投资者的进阶之路），当然更加简单的路径，则是我们更应该了解量化策略，熟悉它们的行事风格和弱点（见「量化危机」PCA、VaR及预测的失灵），并作出最好的应对。 如果可以把股价拆分为每股盈余EPS和市盈率PE共同驱动的，那么量化的基金大多数都会忽略掉EPS因子——在这里，预测EPS可以被看做是研究基本面，预测PE可以被看做研究资金的动向——PE通常受到各种股票交易资金风格的影响，也受到量化的关注。 机器学习算法对市场价格的原因并不感兴趣——这并不在其算法考虑范围内，算法只关注相关性的挖掘——这是引入量化的必然代价。显然，这与传统的估值方法总是格格不入的——过于精致的古典理论和定价模型对高频实战的量化投资家们来说过于奢侈。与其归因公司或市场的基本面，不如专注市场的价格延迟反应和价格波动规律，这里的套利研究往往更加简单直接。 实际上，量化投资的逻辑是一个多样的策略，很难简单说清楚。但最重要的特征，就是其高频特点，这个特点也意味着，它倾向于价格型的策略，而不是价值。 量化通常不做细致的研究，只要符合买入指标，他就会发动行情——比如现在的量化已经进阶到开始主动打造一个换手高度，然后平铺板块，一旦高度进入异动监管区间后，马上发动补涨龙，甚至高潮当日砸出破位，完成兑现——全面注册制后，量化的速度优势正在大量收割传统的市场接力资金。 如果个人可以操纵市场，那么量化也会有样学样。 量化的多样性总是令人印象深刻，其也有误打误撞的时候，偶尔也抓住了基本面，被幸运之神眷顾——这种成功往往需要事后的解释，比如2020年被证实有效的动量因子——其有效性来源于资管新规过渡期所推动的机构资方购买压力。但这一认知是后知后觉的，在其有效的时候，量化玩家往往会忽略对原因的解释。 既然现阶段量化的力量，由于宏观因素影响，阶段性碾压其它资本的力量，那么，量化一家独大时，图形的影响力就大于基本面的逻辑——当然，这里说的是总体的市场风格，这里并不否定那些能抗住量化进进出出的，基本面最能经受考验的优秀公司或机会的个例。 量化的模式识别的强大威力完成对量能的快速挖掘，量化可以不做过多的价值判断，只看博弈强度主动拥抱流动性，因此，行业景气度、图形放量的择时点、行业占总市场成交占比的拥挤度，成为了很好的去跟踪量化的因子。  从量化对事件的反应来看， 有三类事件最值得关注： 1. 罕见发生的大事件——市场没有经验。你的应对策略可以是，你认为自己可以更深刻地解读它，并愿意承担相应的风险——显然，量化很难处理这类问题。 2. 对于已知事件，市场对该事件反应过度或反应不足，尚有后期影响可以利用。然而，在信息流动极其畅通的今天，量化风格过度关注噪声往往意味着，对公开事件的回应，往往是前者的反应过度。 3. 对于已知事件，某些资金的特性决定了，被迫做出了某些动作，而不是基于标的价值的考量。似乎，量化的模式识别和速度优势很擅长处理这类问题。 从以上的展开中，我们大体会有这样一种印象：量化策略，绝大部分都是做趋势投资，趋势投资意味着，可以短期兑现利润（亏损）——如果你做一个长期的策路，那验证需要的时问就太长了——而且验证过程中，博弈带来无数的可能性。到最后，你就根本不知道是你的策略，还是运气导致了最终的盈利 （亏损）。 从量化的行为，可以推演出一系列它对市场的影响。 首先，是所谓的“量化策略易拥挤”。量化策略在归纳的观点下，有趋同的倾向，这会带来反身性的影响，破坏持续的套利机会——比如动量因子方法被证明有效，用的人就多了，并形成了自己的交易特点，并反应在市场交易痕迹中，这自然形成了新的会被量化程序捕捉到的规律，便有机会被新的量化策略发现并收割利润。 量化没有原罪——它也是可以被收割的对象。对此，甚至有人打趣地说，量化的目的不在于盈利，它们唯一的兴趣就是制造波动。 市场不是一个客观静态的研究对象——它同时兼具了解释性和参与性。因此，任何交易行为都会导致自身的交易痕迹参与并影响市场。通过反身性特点，量化会放大资产价格的波动。量化的存在，也激发了非量化资金与量化资金的博弈，这个新的博弈在市场里也会放大资产价格的波动。 从海外已有研究结果看，量化高频交易对市场微观结构存在较为明确的影响，这至少包括以下四点： （1）高频量化交易可以显著降低交易成本； （2）高频量化交易整体有助于提升市场流动性，但提供的流动性中包含了众多的虚假流动性； （3）量化高频交易具有提高交易效率的作用； （4）量化高频交易相对低频交易长期具有超额收益，但超额收益呈逐渐下降趋势。 与此同时，对于量化的作用，学界也有显著的分歧——研究者至少在以下三个方面仍未能形成一致观点： （1）量化高频交易如何影响市场波动率； （2）去除虚假流动性后，高频量化交易是在消耗还是在提供流动性； （3）量化高频交易对除买卖价差之外的交易成本，如交易佣金、系统性风险等，有怎样的影响。 最终，整体来下看，学界研究普遍支持量化高频交易利好大盘和短期动量风格的表现——而这也就是图形大于逻辑的理论基础。 最后，量化的行为特点，也引发了更多的哲学层面的思考。 面向过去，机器学习不做具体解释；面向未来，机器学习不做预测。那么模型何来呢？严格说来，归纳的视角，实际上在无形中引入了不可解释的因果关联——这才是量化模型的根基——它是基于人类自身偏好引入的历史数据和训练数据所间接决定的——它是特异性的。 量化时刻不停地学习和复制新的关联性——有些关联甚至没有任何道理，乃至于只源自历史的噪声，噪声的模式被不断学习和传播，但量化却拒绝对其进行归因解释。 机器学习的归纳可能是欺骗性的——因为泡沫往往是戏剧性的，历史不可100%的复现，试图发现市场周期和模式的图表专家，甚至机械学习的模式专家，或多或少都能够发现某些普遍的模式和周期。我们往往倾向于看到并不存在的模式。苏联统计学家Evgeny Slutzky证明了，即使是掷硬币的结果，也可能显得刻意和有序。 在高度关联的金融市场里，偶然的'关联性'的'非理性'学习和复制，可能会带来系统性的风险——Citadel公司就曾检测到高频时间尺度内，没有被人类关注到的数万次价格闪崩。 生活里充斥了阴谋论、耸人听闻的事件、过度/不足采样的信息、对不具代表性和低信号事件的过度反应。到处都是噪声——窗口越是短暂，噪声就越是显著。而观察不同的时间尺度，噪声的影响便会被识别出来，它们都可以是量化学习的基本素材。 尽管量化是否放大了波动性，学界仍然存疑，但我们观察到，量化通常会放大轮动效应。机器交易的逆逻辑特征与其说是与人类交易做对，倒不如说它是对人类因果认知逻辑的冷漠和无视。 量化交易赚大钱的人，大都是survival bias，倒下的人太多了。实际上，没人说定量交易是一种快速致富的方案——更现实的预期，往往是期望通过量化的自动交易策略获得稳定的利润增长——短期暴富并不是量化交易的目标。从事量化的一个优势是，可以弱化赌博的心理，减少对心理刺激的追求。 A股当前的市场风格，不管是机构投资者，还是产业投资者，或是外资，几大主流势力都在示弱，这是一个极佳的量化资金风格研究和观察的窗口。这是一个关键的学习期。在量化风格独大的市场环境里，我们仍有必要去尊重它，了解它，套利它。 推测事情扩大规模时会发生什么，这是一个非常困难的问题，我们可以搞明白一棵树，但想象它们成为森林后，将如何改变生态系统，这将是非常挑战性的课题。理解量化本身并不难，但是我们很难预见规模化之后，它是如何影响世界的。 Peter Thiel认为，经济的问题还不是最大的问题（比如量化如何影响市场），更重要的问题是来自于政治（比如量化是否友好）——这就像是外星人造访地球，它们首要感兴趣的问题绝不是经济方面的问题。 实际上，量化正在跟随AI发展，酝酿新的变革，Gartner预测，到2030年，AI生成的内容数量将会超越人类自身生成内容的数量——AI用于训练自己的数据，是前辈AI们生成出来的。 量化程序的机器学习模型擅长处理的是数据，而秒级的数据流带来了海量概率学习的参考资料，学习型模型的后置决策很容易抓住人类交易模式中的微套利机会——甚至人类自己都没有意识到，这显然会放大某些不存在的虚假模式，制造波澜壮阔的虚假波动甚至虚假繁荣。 量化的泛滥，让我们生活在一个不可解释的力量参与甚至主导的世界，甚至压制了价值回归的努力。我们往往自信地认为金融理论比金融现实更加超前，但实际上，我们对于这两者都没有正确的理解。 |
|
|
