金融市場的量化密碼系列文章（9）
投資、投機與套利
作者：Michael Zhang 麥教授
Financial market is a voting game in short run. It is a weighing game in long run.金融市場在短期內(nèi)是一場投票游戲。長期來看，是一種權(quán)衡游戲。
——本杰明·格雷厄姆（Benjamin Graham）
主張價值投資的巴菲特（Warrent Buffet）和主張量化投資的西蒙斯（Jim Simons）都在玩勝率的游戲，但是邏輯并不一樣。巴菲特希望通過分析公司基本面來做精準(zhǔn)判斷，通過每次投資的長期持有獲得收益，而西蒙斯用機器算法來發(fā)現(xiàn)短期勝率，通過短期勝率超過50%加上大數(shù)定律（law of large numbers）來保證長時間的盈利。（麥教授之前的推送里提到過：“戰(zhàn)勝市場”的2個投資者，4個投資策略和1個思維）
巴菲特說牌桌上總有一個白癡是送錢的，如果你不知道那個白癡是誰，你就是那個白癡。換個角度看，如果你不懂概率，覺得有不懂的人也做得挺好，那你就是白癡。
根據(jù)《經(jīng)濟學(xué)人》的報道，量化交易的占比在所有機構(gòu)交易量中越來越大了，這顯示了量化的模型越來越成熟，有了越來越好的業(yè)績，導(dǎo)致越來越多的機構(gòu)開始用量化的思維去做交易了。
「《經(jīng)濟學(xué)人》雜志統(tǒng)計的美國機構(gòu)投資者按交易量的占比」
2004年的時候，以管理規(guī)模排序，世界頂級的10家私募基金里只有一家是量化私募，到了2020年，世界頂級的10家私募里量化就占了7席。隨著時間推移，越來越多的私募要用到概率統(tǒng)計的方法來做資產(chǎn)管理了，而且管理的好的私募都是用量化方法的了。
人在做投資決策的時候都會根據(jù)自己的經(jīng)歷和知識儲備選取合適的策略。從交易的方式來看，有三種形式：投資（investment）、投機（speculation）和套利（arbitrage）。三種形式都可以用量化的方法來提高勝率。
1949年，格雷厄姆在《聰明的投資者》里寫到：“投資者與投機者最實際的區(qū)別在于他們對股市運動的態(tài)度上：投機者的興趣主要在參與市場波動并從中謀取利潤，投資者的興趣主要在以適當(dāng)?shù)膬r格取得和持有適當(dāng)?shù)墓善??！?/p>
巴菲特推崇的是價值投資，很多人認(rèn)為這個策略的原則是找到基本面好的股票，其實它的精髓是找價格和價值嚴(yán)重偏離的股票，就是那些價值相對較高，但是價格還很低的。所以所謂價值投資其實是“價值和價格之差”投資。巴菲特會花很多時間去研究一只股票是否被低估，賺錢的邏輯很簡單，就是低買高賣。他說投資的秘訣是“不要賠錢”。這個秘訣是在買股票之前就要進(jìn)行操作的了，在做了很多嚴(yán)謹(jǐn)?shù)谋尘罢{(diào)查之后，如果一直股票已經(jīng)跌到不能再低的水平，那么買它就不會賠錢了。這種投資策略是看好長期回報的，巴菲特持有可口可樂30年賺了300億美金，真的是用生命陪伴了這只股票的成長。
投機聽上去不是一個好詞，但是在金融市場里，尋找機會并獲利并不是什么不光彩的事。如果看不清30年這么長的時間線，分析交易量、交易價格和其它技術(shù)和基本面的數(shù)據(jù)，對股票未來短期內(nèi)的變化則可以在日或周這樣的時間線上找到機會。這樣的投機行為并不關(guān)心股票未來的成長，但是只要在短期內(nèi)做到足夠好的判斷，則可以成功地投機獲利。
如果把時間線再縮短，就會有套利的機會。套利背后的邏輯是低買高賣，很多高頻交易的策略就是在判斷是否可以做到這一點，在市場的大量賣單和買單中找到規(guī)律，用一個較低的價格買回股票，然后找到下一個買家用高一點的價格賣出去。基于數(shù)據(jù)分析的量化模型在套利中的作用不言而喻。
從投資到投機再到套利，隨著交易速度的提升，超額收益會越來越高，但是這樣的速度提升也有缺點，那就是隨著交易速度的提升，機會的窗口就比較小，盈利的容量會越來越小。如果把股市比作賭場，隨著交易速度的提升，贏錢的概率會提高，但是能贏的錢的總量卻是在下降的。
高頻的量化投資有點像從沙子里撈金子，每撈一次在付出成本的同時都有一個概率找到金子，撈金子的收益可以從兩方面得到，一是撈金子的成功率，這個可以通過優(yōu)化算法加強預(yù)測準(zhǔn)確率來得到；二是交易頻率，可以通過增加單位時間的交易次數(shù)來達(dá)到。總收益大致和正確率與交易次數(shù)平方根的乘積是成正比的（這個原理叫主動管理基本定律The Fundamental Law of Active Management，后面會有詳細(xì)討論）。
我本人對量化投資的理解也經(jīng)歷了幾個階段。
量化初階：1997年上研究生的時候，我到華夏證券去做實習(xí)，當(dāng)時的老板說你們清華的學(xué)生數(shù)學(xué)好，要不你用股票數(shù)據(jù)計算一下怎么做投資可以有高回報。我所在部門的投資經(jīng)理都是價值投資的信徒，所以給我的建議是研究一下藍(lán)籌股怎么投才可以最大化收益。那是我第一次接觸金融數(shù)據(jù)，之前也從來沒有做過股票交易，所以并沒有太大的包袱一定要做一個盈利的交易策略。
那時也沒有人提“量化”的概念，所有人都用專門的終端做交易，根本沒有一個數(shù)據(jù)庫能拿來做分析。我那時對這個工作的理解就是：如果我手工檢索能去了解股票的走勢，那用電腦處理數(shù)據(jù)肯定會快一些。于是費了很大勁找IT的人（其實是我找他們，他們費了很大的勁）拿到了一個數(shù)據(jù)集，在我的SAS軟件里跑了一下。
我發(fā)現(xiàn)藍(lán)籌股并不能帶來很高的回報率！這個結(jié)論讓當(dāng)時的老板很為難，本來以為可以有個結(jié)論支持他們的長期投資藍(lán)籌股的策略，結(jié)果并不理想?？粗悬c頹廢地離開的樣子，我決定不能辜負(fù)領(lǐng)導(dǎo)的厚望，要更努力的找到藍(lán)籌股盈利的機會。后面幾周時間跑了無數(shù)的模型之后我知道這個結(jié)論是正確的。背后的邏輯很簡單：它們是藍(lán)籌股，已經(jīng)很貴了。
于是我開始分析他們不看好的小盤股和垃圾股，結(jié)果發(fā)現(xiàn)當(dāng)某些條件滿足時（例如股市不是在暴跌的過程中），有些垃圾股和剛跌過一段時間的普通股的回報是非常好的?，F(xiàn)在回過頭看，其實這個結(jié)論很順理成章，也算是驗證了逆向投資（contrarian investing）的邏輯，但是當(dāng)時部門里沒有人相信。很多年以后讀到了一篇經(jīng)典的論文（注：Fama, E., & French, K. (1992). The Cross-Section of ExpectedStock Returns. The Journal of Finance, 47(2), 427-465.），和我當(dāng)時的發(fā)現(xiàn)不謀而合。
主觀投資：差不多十年之后，2006年我剛到香港工作的時候，有位會計系的教授朋友問我可以投資哪些中國公司的股票，那時我手里完全沒有數(shù)據(jù)，完全沒法做任何量化的分析。我推薦了騰訊，因為騰訊的用戶多，可以有很多機會從中國的人口紅利中獲利。我告訴這位朋友：如果只能投資一只股票，那就應(yīng)該是騰訊，因為它會抓住所有的互聯(lián)網(wǎng)相關(guān)的機會，而互聯(lián)網(wǎng)一定會越來越有價值。騰訊又有開放的心態(tài)，如果它自己做不了，就會找別人合作。后來2014年和京東，2016年和拼多多的合作都是極其經(jīng)典的案例。
那位朋友此后每次見到我都會感謝我，因為買了一直在賺錢。其實他的心態(tài)和他的投資手段（長期持有）是匹配的，如果漲了20%就急急忙忙地賣掉落袋為安，那么就追不上騰訊的200倍的成長，而不會享受到這個長線投資帶來的好處。
量化高階：又過了十年，2015年我的研究團隊開始用機器學(xué)習(xí)的方法分析股市，我們很快發(fā)現(xiàn)機器學(xué)習(xí)做交易策略的一個誤區(qū)。大家一上來就在想辦法預(yù)測股價，這個思路是最直接的，從數(shù)據(jù)分析的層面看，這并沒有錯，很多對算法很熟悉的人都非常厲害，可以迅速的找到一些算法（例如xgboost）來做非常好的樣本內(nèi)預(yù)測。但是一旦在實際股市中使用的時候就會發(fā)現(xiàn)預(yù)測準(zhǔn)確度遠(yuǎn)遠(yuǎn)不如歷史數(shù)據(jù)所做出來的。（點擊回顧：用機器學(xué)習(xí)預(yù)測股市：為什么僅僅是歷史回測準(zhǔn)確率高？ ）
問題不是機器學(xué)習(xí)的算法不夠好，而是所有的預(yù)測模型都假設(shè)底層的市場邏輯沒有變化，這樣的假設(shè)是錯誤的，導(dǎo)致了過度擬合（關(guān)于這個問題，前面的推送提到過一些：AI在金融中的應(yīng)用：忘掉回測 ，我在后面也會有詳細(xì)論述）。在本專欄的“策略篇”里，我還會介紹幾種解決方法。
如今的市場上，找一個會用厲害的算法做預(yù)測的碼農(nóng)并不難，難的是管理者和投資決策者需要知道如何從最底層理解金融市場的量化思維并發(fā)揮出算法的優(yōu)勢。
聯(lián)系客服
