危机下的量化投资全解析

上周六（2016年10月29日）文因互联智能金融沙龙（第15期）邀请“私募工场创始人”屈乃霞（果果@私募工场）主讲“危机下的量化投资全解析”。

屈乃霞（果果@私募工场），人工智能硕士。私募工场创始人，私募工场《量化投资与对冲基金系列丛书》主编。长期针对国内外的量化投资和对冲基金进行动态跟踪、策略研究以及交易逻辑的深度探索，熟悉国内外对冲基金的操作逻辑以及资管产品上下游产业链情况，曾任职中国中期资管中心，对行业有前瞻领悟，在策略研发、组合管理、结构化产品设计等方面均有较为丰富的经验。

活动中屈乃霞从四个角度由浅至深地介绍了量化投资的起源、策略分类、搭建流程和未来方向，并给予细致的梳理。以下是主讲内容：

一、量化投资的起源

1.源于赌博

量化投资最早是起源于拉斯维加斯的赌场，由MIT的数学教授Edward ·Thorp早期在21点的赌桌上运用自己的系统赢得了不菲财富，还因此被投毒，而后转战华尔街，从此成为最早的量化投资典范。

到了1971年，富国集团（Wells Fargo & Co） 成立资产轮动基金，是当时世界上第一个将量化投资理念直接应用的大型机构。不过这个概念在当时太新了（too new and too radical），并不能为当时广大的投资者所接受，最后的结果并不是特别理想。

再到1982年，密码学出身的詹姆斯·西蒙斯（James Simons）创立文艺复兴公司（Renaissance Technologies）。第一年他们用传统的跟随趋势的策略做投资，量化的部分非常少，一年下来亏了1/4。1990年重新投资交易，采用量化策略进行投资，当年就取得了56%的收益，此后20年平均收益超过35%。不过这只旗舰基金不接受外面的钱，都是用文艺复兴公司内部的老总们自己的钱在运作。

现在，量化投资的代表性公司有文艺复兴、KCG(骑士资本)、Getco、Citadel、AQR、Winton、Jane Street、SIG等。目前已经是美国比较成熟和广泛应用的主要策略大类之一。

2.量化投资的演变始于方法论

量化投资的实操过程用一句话概括就是，通过对基因进行筛选和重组，再加以运用量化投资的定量分析和筛选。但是在最初量化投资引入国内的时候，国内对于量化投资并没有系统的概念，随后在进行量化投资概念的普及过程中，我们逐步总结并发现量化投资与传统投资的方法论有诸多不同的地方。

 

最初，投资还处于一个主观投资的时代，是一个依靠拍脑袋和小道消息可以赚取利益的“野蛮时代”。之后随着参与者的增加以及消息传播过程中诸多干扰因素的出现，逐渐进入到“传统相对客观投资时代”，在消息传播过程的一部分拥有较多信息量的投资人士开始进行简单的基本面分析与粗糙的技术面分析，并将分析的结果再传给其他的投资者，这样，就在再传播时就产生了价值，因此也就出现了历史上第一批职业经理人。

1952年，随着哈里·马科维茨（Harry Markowitz）在The Journal of Finance发表的人生中最重要的一篇论文《证券组合选择（Portfolio Selection）》，打开了现代金融的大门，成为现代金融史上的一个里程碑标记。最初，Markowitz的论文中并没有证券应用的想法，是在答辩时，他的论文答辩老师中有一位是证券经纪人，在听完他的思路后，提议该理论是否可以应用到股票投资市场中？而这次尝试却奠定了投资从无序到学院派科学化的新基础新阶段，马科维茨也因此于1990年和威廉夏普共同获得了诺贝尔经济学奖。此后，在证券组合投资理论的基础上，更多的数学家、统计学家跻身于金融经济学科的专研上，并且都有新的贡献，1997年，罗伯特·C·默顿Robert C. Merton（美国）、迈伦·斯科尔斯Myron S. Scholes（美国）给出了著名的布莱克－斯科尔斯期权定价公式，虽然随后的一年，长期资产管理基金(Long-Term Capital Management,LTCM)因此公式失败并破产，但仍旧无法改变金融和科技结合的趋势。

与此同时，伴随基本面和技术面分析的进一步精炼化，现代金融理论的更加完善化，运用编程语言到金融领域已经逐步被市场人士接受和认可，并且由于所用到的技术和策略的复杂性，程序化交易便应运而生。进一步，在资产配置方面，产品设计方面也有了进一步的系统化意识，再加上资本逐利的驱动，量化投资、高频交易逐步出现并悄然占领一部分市场，由此可见，伴随前沿科学方法的演化，投资方法也从原始的无序状态逐步向高级量化投资时代进化，形成一个系统化的过程。

3.量化投资为什么能赚钱

人脑区别于机器的地方就在于细节的处理能力，工具可以代替人脑进行精细化操作。量化投资借助未来的重演的非有效性，以及认知偏差带来的新工具上市初的套利机会，市场过激反应的非理性以及基于市场微观结构的未知性，得以在市场上赚取利润。因为量化投资通常需要对历史数据进行分析，借助很多统计与人工智能工具帮助数据挖掘，所以与判断型的投资方式相比，量化投资似乎因为更理性而可信度更高，但是，投资理念的产生、归纳与判断依然是人脑。这也带来量化投资的局限性，因为量化投资不是电脑和人脑的较量，而是电脑在人脑的帮助下与人脑在电脑的帮助下较量。尽管量化投资存在一些局限性，但是量化投资依旧拥有光明的前景。海外市场经验表明，量化投资方式能经受住市场的考验，同时新的市场、新的工具出现、新的交易机制与新的数据源会提供新的量化机会。

二、量化投资的策略分类

目前，国内对量化投资有很多误解，关于量化投资的概念有广义与狭义之分。其中广义的量化投资我把他分为五大类，即期权量化、套利量化、资产组合、风险管理、高频交易。狭义的量化投资依据两个思路有不同的分类，一是基于量化思路的策略、算法或组合的统称则可以分类为股票量化，期货量化，其他衍生品如期权等；二是基于趋势判断型量化投资策略与波动判断型量化投资策略进行分类。

其中趋势判断型量化投资策略分为两大类，较为常见的是多因子模型：

• 量化选股

–基本面选股：多因子模型、风格轮动模型和行业轮动模型

–市场行为选股：资金流模型、动量反转模型、一致预期模型、趋势追踪模型和筹码选股模型

• 量化择时：趋势择时、市场情绪择时、有效资金模型、牛熊线、Hurst指数、SVM分类、SWARCH模型及异常指标模型

波动判断型量化投资策略则分为四大类：

• 股指期货套利：期现套利、跨期套利、跨市套利、跨品种套利
• 商品期货套利：期现套利、跨期套利、跨市场套利、跨品种套利
• 统计套利：股票配对交易、股指对冲、融券对冲、外汇对冲交易
• 期权套利

除了以上的量化策略，还有其他的量化投资策略，比如说今年较为常见的算法交易与另类套利。

• 算法交易：被动型算法交易、主动型算法交易、综合型算法交易

• 另类套利：事件套利、ETF套利、LOF套利和高频交易

在此介绍的策略有很多，但是具体策略的选择还是要看市场需求，做到尽可能学习尝试每种策略，才能在需要的市场随意切换。由于时间关系，在此没有针对具体策略展开剖析，以后有机会可以专门针对策略进行一次专题交流。

三、量化投资的搭建流程

在进行投资之前，数据是第一道关，对于数据的理解，我有一些自己的看法，金融市场的数据其实是很复杂的，如果按照层次结构来划分，可以分为宏观、中观和微观数据三个层次。

从微观结构来看金融市场的各个要素。

• 金融信息是可以影响金融投资行为和金融市场发展的信息统称。
• 按形式分类，分为数字形式和文本形式或者结构化数据和非结构化数据。
• 按来源分类，则分为政府机构、公司公告、机构和媒体信息。
• 按内容分类，有宏观经济信息、行业信息、公司信息、技术面信息、行为偏差信息、高频数据信息、金融衍生信息。

我们可以发觉，金融信息是异常复杂的，这样的复杂性也催生技术手段的革新。所以，现在越来越多运用存储、分类、统计、建模、预测等更加精细的技术手段进行信息处理。而这些经过处理的金融信息，我们最终可以总结为基本面数据、历史高频数据、实时数据三大类。这些数据是研究金融现象的纽带和通道，是策略开发人员进行策略开发时的第一道程序–历史回验的第一手资料，策略调整至有效后方可进行实盘交易。这样一个处理流程就是量化投资模型的建立过程，从金融现象到金融逻辑，再到市场实盘验证。

• 基本面数据：包括宏观、行业、公司等9大类数据。宏观数据体现整体经济的发展现状，因此任何一个策略都应该考虑金融市场行情和宏观因素的影响。行业数据代表中观市场情况。公司数据为上市公司策略研究提供公司的财务指标或因子进行研究分析，如多因子策略需要财务数据源。
• 历史高频数据：日内数据，主要针对以小时、分钟或秒为采集周期的数据。
• 交易所信息：每500毫秒一个数据包。

从以上大基础数据到大交易数据，再到大数据融合与大数据处理构成了量化投资一个完整的执行流程。而能够在不同的数据类型中，进行交叉分析的技术，是大数据的核心技术之一，这也使得投资不仅仅是艺术而是科学技术。

四、量化投资的未来方向

1.大数据为人工智能装上引擎

过去的五年中，数据量呈现指数增长。根据麦肯锡全球研究院（MGI）估计，全球企业2010年在硬盘上存储了超过7EB（1EB等于10亿GB）的新数据，而消费者在PC和笔记本等设备上存储了超过6EB新数据。

在未来，数据将会像土地、石油和资本一样，成为经济运行中的根本性资源。国外的公司已经蜂拥抢占大数据高地。同时，国内阿里巴巴利用电商大数据，查询点击的数量和购买点击的数量，综合各个维度的数据建立用户行为模型。腾讯在天津投资建立亚洲最大的数据中心，百度也相应的在投资建立大数据处理中心，新浪则推出企业微博产品，提供精准的数据分析服务。

2.人工智能+金融=？

在国外，人工智能占领华尔街的浪潮逐渐开始。2012年，IBM的Ferrucci团队就开发了Watson人工智能。以及管理着240亿美元资产的Two Sigma Investments和管理着250亿美元的Renaissance Technologies也在招聘工程师和编程人员来扩展人工智能团队。同时，高盛1500万美元投资Kensho的金融数据服务商并开发出能取代现有各大投行分析师们的工作的软件“沃伦”。

而在国内，则是智能投顾与大数据基金逐渐兴起。如广发百发100结合了百度金融搜索与贴吧舆情大数据，南方大数据100则是结合了新浪财经大数据。那么，人工智能进入金融领域，究竟能带来什么变化？

首先改变的是服务平台–智能投顾。狭义的智能投顾，主要指以智能化股票投资组合推荐、自动策略交易服务为代表的投资策略服务模式。广义的智能投顾，考虑投资者的财务情况对其进行个人财富精算配置，比如统筹考虑支票、储蓄、投资和养老保险。国外的智能投顾如：Motif、Zulutrade、Wealthfront等。

其次改变的是服务内容­—量化投资。量化投资本质上是方法论，可以应用到投资过程的每一个环节，比如选股。基本面分析或者技术分析也是广义量化金融的应用。用这些知识所构建的数理模型/投资决策模型，均是相对客观和理性的系统，是可以被应用于投资的每一步的。

量化投资在国外已有30多年的历史，并已成为国际主流的投资方式之一。过去10年间，全球对冲基金资产规模年复合增长率超过15%，对冲基金数量年复合增长率近10%。

在国内，随着金融市场越来越成熟，资本市场越来越有效、市场结构趋向完整是必然趋势，未来十年将是中国的对冲时代，金融衍生工具的不断涌现将推动未来量化投资在中国的巨大发展。

同时，海外量化投资人才相继回国正逐步弥补中国在量化投资领域人才缺失的窘境，他们除了有正确的投资理念外,也使得国内量化投资的发展可以引进海外成功的流程和体系，同时再运用中国特色的因子，构建出适合中国市场状态的量化投资模型。

据统计，截至2011年6月30日，中国定量投资基金的规模总量约262亿，约占全部基金管理规模的1%。量化投资在中国还有很大的发展空间。量化投资必然会成为主流的投资理念和增值方式。

现场嘉宾提问：屈老师能否介绍一下从数据开始到策略的一个完整的过程？

答：那我们选用最简单也运用最多的多因子选股介绍一下。

首先选一只股票，需要分析影响因素、影响因子。因子的选取依靠主观与量化的结合，包括规模因子，估值因子，成长因子，盈利因子，动量反转因子，交投因子，波动率因子，分析师预测因子等九大类共30多种维度，影响权重依靠策略设计经验进行配比。

再根据多因子组合在相应时间内的表现情况以及单因子独立表现情况进行排名打分，根据收益预测情况筛选并定期或者不定期地调整股票池。同时需要考虑到因子之间的相关性，尽量选择线性无关的。从单因子出发把过程做一遍，从单因子到多因子过渡，如果线性模型效果好，就不必进行进一步优化。

 

现场嘉宾提问：一级市场是否也有运用量化投资？

答：一级市场也可以运用，量化投资可以说更适合风投进行项目筛选，但是一级市场的应用更多的是评价和筛选框架及标准的制定，以及风险预算等，其他则是依靠人脑经验。目前国内由于对冲工具的缺乏，比如期货期权融券的不足，深化的还不够，国外的对冲基金品种很多，新兴市场、一级市场、二级市场都有。