谈谈量化投资：金融投资学理论

[raquant]

谈谈量化投资：金融投资学理论

从大学起，我们学过的金融学投资学理论，可谓是多如牛毛。每一套理论都有他的价值，但也都有他的缺陷。这里我回顾自己多年来理解的多套金融投资学理论，从中找出了我认为尤其重要，又具有奠基意义的三大理论，作为这一维度的讲解。这三大理论就是资产定价理论，投资组合理论以及市场有效假说。

资产定价理论和投资组合理论

上个世界 50 年代，马科维茨首先提出了一套经典的投资组合最优化理论，首度突出强调了分散化投资的概念，并创造性提出理性投资者都应该持有市场最优投资组合这一观点，为之后的资本资产定价理论的提出，做了重要铺垫。

现在马科维茨模型已经不怎么被使用来做投资组合了，但是分散化投资的理念被保留下来，而且后续的各种各样的投资组合理论，其实源头都是马科维兹模型，因此他的这个工作，是奠基性的。投资组合理论，为我们提供了很好的工具，来解决如何在不同资产类别或不同策略之间配置权重的问题。这是在投资中不可避免的一个问题。

如今，先进的投资组合理论已经不再像马科维茨模型那样需要有过于强的假设条件，甚至并不需要你对资产的未来期望收益有一个准确估计（因为这个估计很难，所以基于期望收益准确估计的投资组合理论的实用性都比较差），也可以融合人的主观观点进去等等，像 black-litterman model, robust portfolio management, online portfolio theory 等等，更有现在结合前沿的机器学习或人工智能模型的优势来进行投资组合最优化的模型，根据你的不同需求，总可以找到你需要的那一款。

资本资产定价理论，最早源于 CAPM 模型，最先提出了 beta 的概念以及阿尔法的概念，为一个资产的期望收益，提供了一个合理的解释与分解，并且这个分解方法是如此的有生命力，以至于到今天，各式各样的 smart beta 因子，层出不穷，你掌握了别人不知道的 smart beta, 那你就相当于有了自己独特的阿尔法因子，可以用来获取超出市场风险调整过后的期望收益水平的超额收益，这简直是所有主动管理者梦寐以求的。

如今看来，你可能会觉得 CAPM 模型过于简单，不就是一个线性回归么。那么其实我觉得你还是没有理解他的深刻意义与深远影响，这不仅仅是一个理论或者一个方程，他甚至构建了当今社会一种非常主流的投资逻辑与价值观，成为了很多人评价投资方法质量的工具，包括为归因分析等做了铺垫，因此，做量化投资或者系统化投资的人，你不可能能够绕的过阿尔法与 beta ，也不能忽视 CAPM 模型的重要价值，直到今日，它依然为我提供很好的建模切入视角与分析工具。

市场有效性假说

市场有效性假说，或许是永远无法被证明或否定的假说，但是这丝毫不妨碍它如今在现代金融学中的核心地位。

很多套利交易的逻辑根本点，就是基于有效的市场假设，你的套利交易才有收敛获利的一天。市场如果不是有效，期权定价的 black scholes 公式就无从谈起，价值投资也就变成了猜硬币的游戏。

而同时，市场在某段时间内，局部的相对弱有效性甚至无效性，恰恰是很多量化投资策略的出发点，是获取利润的根本。很多时候，量化投研工作的相当一部分就是去寻找市场中相对不那么有效的一段时间或一个市场，然后利用这点去套利。你比如说，由于目前人民币的不可完全自由兑换以及非完全市场汇率体制，导致了国内的商品期货和国外同品种的商品期货之间，经常会出现非常诱人的套利交易空间，也就是所谓的内外盘套利，这就是利用了市场局部的由于某些特殊原因导致的弱有效性，来获取收益。将来一旦人民币汇率完全市场化，人民币实现完全自由兑换，大家都可以同时交易内外盘的时候，那么这种内外盘套利交易的利润空间，肯定就大大降低甚至变得不存在，其实现在这个空间，随着人民币汇改的不断前进，已经在逐渐缩小。

因此，大家可以看到，上述的这些基本的金融投资学理论，他们的重要性。最原始的模型可能已经无法准确描述市场，但是他们的思路，建模的切入点，仍然是我们宝贵的财富与资源。这些理论的后续衍生模型，往往在量化投资中扮演核心的地位，因此，量化投资方法论的第二个维度，就是要合理的运用这些经典金融投资学的模型思路与理论工具，用这些工具，这些切入点，来回答你的投资问题，提升你的投资方案或引导你构建自己的投资模型。

量化投资的载体：数据和人

量化投资的第三个维度，我来说说两个重要的载体，一个是数据，一个是人。

数据大家都比较重视，做量化整天和数据打交道，在这里我重点强调数据的合理使用，以及常见的错误。首先一点，是数据的准确性，这个问题在中国还比较严重。中国的量化投资处于刚刚兴起的状态，很多东西都还比较的原始，像数据保存的重要性以及数据的准确度，这些也都是最近几年才重视起来。

2009 年以前中国甚至很难找到一份准确完成的商品期货全品种 tick 数据，更不用说其他的数据比如基本面数据等等。所以这给量化投资工作者提出了很高的挑战。我们团队回国后第一件事就是寻找完整准确的历史数据，我们花了几个月的时间，通过对市面的不同来源的几个版本的 tick 数据的撮合比较，才最终获得了一份我们觉得可以信任的数据，这中间 IT 工作人员花费了大量的时间精力，中间有着无数的细节，一言难尽。

但是这个工作很重要，是你做好量化的前提，你在这方面偷工减料，绝对不是明智的行为。你的数据都不能保证准确，你做的模型的回测结果如何值得信任呢？你比如说，我们都知道商品期货存在主力合约换月的问题，换月的时候不同月份的合约价格之间肯定是存在一个价差的，这个价差你不管，直接粗暴的把两个不同合约合在一起拼成所谓主力合约，然后用这个主力合约去回测你的模型，那这就要出大问题。我们专门做过测试，找了一个量化的策略，用这种暴力拼接的主力合约回测过去 6 年的数据，结果是赚钱的，夏普很好，但是我们采用了经我们重新计算和仔细拼接的正确的主力连续合约回测同样的模型，结果是亏钱的，这中间的差别就可以这么大，所以不要以为这是一个小事情。

所以说，做量化投资，数据与 IT 支持是非常重要的。你的数据库质量如何，你的回测系统是否设计的足够精确，是否考虑了交易成本，交易滑点等等，你的服务器是否运维的稳定，一旦机房断电了你的交易怎么处理，程序出错了怎么迅速恢复，灾备系统搞的怎么样，这些细节看似不是关键，但是哪一个环节没做好，都可以产生致命的后果。

所以我一直都觉得，一个量化对冲基金团队或公司，看他们的实力或量化的专注程度，不要直盯着模型看，模型人家毕竟不能告诉你太多的细节，但是你可以通过看他们公司的 IT 团队质量和规模，看他们公司合伙人里面有几个是纯 IT 背景的，团队中 IT 工程师的人数比例，就可以侧面反映他们量化投资对细节的把握，专注的态度到一个什么水平。

整个公司没有 IT 合伙人，或者整个团队几十个人， IT 工程师角色就两三个人，这样的团队说是专注于做量化，量化做的很好，我其实是怀疑的。因为现实的情况是，根据我们的经验，专业的量化对冲基金，不是策略研发的效率或速度，而是你的 IT 工作效率和速度，决定了你整个团队量化交易前进的速度，尤其在前几年，更是如此。搞了很多策略， IT 执行不过关，问题频频，最后一样赚不到钱。

数据除了准确之外，还要注意的几点就是数据的选取要有充分代表性，时间段选取要足够客观。比如你回测一个趋势交易策略，如果只拿 2015 年的股指期货数据来测试，那么结果可能很好，但是我们都知道 2015 年市场有明显的趋势，这是一段特殊的样本，你还要看看你的模型在 2011 年， 2012 年等等年份表现如何。

再比如上面讲过的卖出期权的波动率策略，在 2001-2007 年这七年中表现都非常稳定，但是如果你把 2008 年考虑进去，发现结论大不一样。还有要注意就是针对数据的结果的推论，一定要逻辑严密，谨防逻辑漏洞。一个策略在一段时间内有效不能推论他在其他时间就有效。数据的运用要以有效逻辑为根本指导原则，要注意时间周期，样本特殊性等方面的影响，使用方法足够客观，对于得出的结论的推论要足够谨慎。（比如，一个策略或规律在一段数据中统计意义显著也不能保证其一定有效，一个规律在一段时间内成立不代表在任意时间内都成立，在一个品种上有效不如在多个品种上有效。规律的成立不仅要有基于有效数据的统计结果支持，更要有合理的逻辑支持，逻辑上应该可以与文中讨论的市场的三面魔方或三大理论形成联系）

另一个载体就是人。做量化投资往往容易忽视人在市场中的影响。人的行为可以为数据的分析增添额外的不确定性，这个是要尤其注意的。量化投资策略既要符合数据所揭示的规律，又要符合市场行为学原则。人的市场行为，既可以是收益之源头，也可以是风险之所附。人的因素，利用的好，其实可以是你策略收益逻辑的源头，但是如果对其忽略，那么它也可以是你模型潜在的风险所在。这个因为时间关系具体就不展开讲了。

量化投资如何做到风险收益的平衡

最后，量化投资的第四个维度是风险与收益之间的平衡。有人说刚才不是讲到了风险因子，与期望收益，怎么现在又把他变成单独的维度，是不是重复呢？不是的。要注意我这里讲的风险与收益的平衡，是指在你已经充分考虑了以上几个维度之后，你采用了准确的数据，合理的使用数据，做了很多的子策略，既符合数据的结论与逻辑，又不与市场行为学冲突，你还考虑了资产类别的分散配置，策略风格的组合，风险因子的敞口暴露，那么在这之后，当你每天拿着这套投资系统，处于市场中的时候，你依然每天面临着收益与亏损，你依然要考虑，你今天要把多少的本金投入到你的投资方案中？你如果连续遭遇了 10%的净值回撤，该怎么办？最近市场变得特别火爆，每个人都在赚钱，你或许开始考虑是不是你的方案过于保守。你会不会觉得一个散户上个月赚了 50%，而经过你精心设计的投资组合方案，上个月只赚了 1%，甚至是亏了 1%，这样的你觉得特别沮丧或者愚蠢？你开始考虑或许应该更多的配置一些股票，因为最近股市的行情太好了，或者把多空策略改成裸多吧？反正过去六个月你的空头部分一直在亏钱。。这样的问题，还可以有很多，这些问题每天困扰着你，所以不要以为量化投资者，心态上就可以完全摆脱纠结。

这个市场的魅力就在于，无论如何没有人可以摆脱这个心态的抉择，因为无论再完美的模型，都有可能是存在大的漏洞的，都不能让你完全 100%信任的，而你的亏损带给你负面的情绪，散户的心态，这种心态让你丧失理性，从而放大你对模型的偏见或者让你做出不理智的决策，而且不要以为你是一个专业的量化投资者，所以永远不会犯这种低级的错误。其实在强大的市场面前，任何人从根本上讲，都存在变成一个不理性的散户的可能。就如同来回被割韭菜的散户一样，一个专业的 FOF 机构投资者，如果来回在子基金之间做“高吸低抛”，仔细想想他又与散户有什么本质区别？

在这个意义上，人都是渺小的，我们面对市场，永远都要谦虚。因此，对于量化投资者的最后一个考验，其实和对市场所有参与者的考验是一样的，就是你的投资价值观，你对收益与风险的平衡把握，既不过于贪婪的追求收益，也不过于恐惧的惧怕风险，说起来容易啊，做起来很难。因此，投资决策还剩下关键一环，那就是期望收益与风险之间的平衡。

收益与风险是不可分割的整体，盈亏同源。

收益与风险之间的平衡没有完全统一的标准或者最优答案，不同投资者的不同选择体现不同的投资价值观。从长期看，对于无法预测的风险，选择风险平价原则或许是目前人类可以做到的最好的理性选择。这恰恰对应了中国哲学智慧所讲的大智若愚，重剑无锋。过于激进的心态，过于追求技巧的择时或者自作聪明的切换，往往最后适得其反。因为，你要永远记住的是，无论你赚了多少钱，做了多少年，读过多少书，离开了你精心设计的投资方案，在市场中你其实和初入市场的散户，没有什么本质的区别。投资，切记不要做多余的事情。

最后，做一个总结。一个是策略方案上实盘之前的问题排查，根据上述几个维度，我设计了下面九个问题大家可以参考：

– 数据是否准确可靠，数据使用是否足够客观？

– 数据结论到策略逻辑之间的推论是否严谨而不存在逻辑漏洞？

– 策略逻辑是否合理？是否在不同市场具有一定普适性？

– 期望收益是否可以被合理解释？从资产类别，策略风格，风险因子三大角度进行归 因分析，分析结果是否合理并能够反映主要的期望收益？

– 可能的策略失效风险有哪些？

– 策略是否同时考虑了数据与人这两个载体？

– 策略是否合理的平衡了收益与风险？

– 新策略如何添加到原有的策略系统中去？在哪些品种上配置？不同策略之间权重如何决定？

– 未来出现何种情况要果断停止策略的使用？

第二个总结，是对我讲的量化投资方法论的四大维度总结：投资要做好三个方面的事：不同策略风格的组合搭配，不同市场资产的分散配置，不同风险因子的合理暴露与搭配，并懂得合理运用这三者之间的联系，全面的构建投资系统。

资产定价理论体系，投资组合理论体系，有效市场假说，这三大金融学理论框架为投资提供分析方法与建模切入点

量化投资研究的主要载体有数据和人，要合理的使用数据，分析数据，不要忽视人的因素与行为。

当上述一切都得到合理的运用，投资决策剩下的事情便是对风险与收益的平衡。打造理性投资价值观，就是做好收益与风险的平衡，然后持之以恒，并心怀敬畏，方可业绩长青。

进入镭矿 raquant 量化平台，开启量化之旅。