|
導(dǎo)讀：股市起起伏伏，“基金”成為了熱搜的常駐嘉賓,，你上車了嗎,？翻車了嗎？今天我們也蹭一下這個(gè)熱度,，聊聊量化投資,。 來(lái)源：大數(shù)據(jù)DT（ID：hzdashuju）量化投資并沒(méi)有一個(gè)精確的定義，廣義上可以認(rèn)為,，凡是借助于數(shù)學(xué)模型和計(jì)算機(jī)實(shí)現(xiàn)的投資方法都可以稱為量化投資,。目前，國(guó)內(nèi)比較常見(jiàn)的量化投資方法包括股票多因子策略（阿爾法）,、期貨CTA策略,、套利策略和高頻交易策略等。量化投資在2010年之前還是非常小眾的領(lǐng)域,，后來(lái)隨著滬深300指數(shù)期貨的出現(xiàn),，量化投資的基金開始出現(xiàn)井噴現(xiàn)象。無(wú)論是中長(zhǎng)線CTA策略,，還是高頻交易策略或股票阿爾法策略,，都取得了非常好的業(yè)績(jī)。2010年到2014年是量化投資的紅利期,，各類量化投資策略都賺取了足夠多利潤(rùn),。利潤(rùn)是最好的廣告,，很多人都開始關(guān)注量化投資，量化投資基金的規(guī)模因此開始快速增長(zhǎng),。也正是這種“高利潤(rùn)”,，導(dǎo)致了大家對(duì)量化投資存在大量的誤解。比如,，2015年的“股災(zāi)”,，很多人認(rèn)為股指上的高頻交易起到了推波助瀾的作用,，是股災(zāi)的元兇,。之后，中金所做出的一系列動(dòng)作,，如對(duì)股指限制交易頻率,、提高交易手續(xù)費(fèi)等，很大程度上就是為了限制高頻交易,。股指被限,，導(dǎo)致量化投資行業(yè)的利潤(rùn)大幅下滑，于是量化投資進(jìn)入了寒冬期,。然而,，實(shí)際上股指是被冤枉的，清華大學(xué)五道口金融學(xué)院也撰寫了研究報(bào)告來(lái)論證股指并不是股災(zāi)的原因,。由于誤解的繼續(xù)存在,，因此股指在短期內(nèi)是無(wú)法恢復(fù)到股災(zāi)以前的水平的。量化投資行業(yè)因?yàn)槠浞浅Ｒ蕾嚬芍傅奶匦?，業(yè)績(jī)出現(xiàn)大幅的下滑,，很多策略也開始相繼失效。策略的失效,，業(yè)績(jī)的下滑,，讓很多人開始反思，量化并不是一切,，并不能解決所有的問(wèn)題,。量化投資本身也是具有很大局限性的。所以需要換一個(gè)思路,，我們不一定要靠純粹的所謂“量化”來(lái)做投資,，量化只是一種手段，目的還是為了提升投資業(yè)績(jī),。換句話說(shuō),，我們并不一定要成為專業(yè)的量化從業(yè)人員，才能使用量化的方法,。任何投資經(jīng)理,，包括大量傳統(tǒng)的基本面分析師,，都可以使用量化的手段來(lái)幫忙提升投資研究效率和業(yè)績(jī)。本文的初衷就是希望傳統(tǒng)的投資從業(yè)人員也能從量化的思路中獲得助益,。量化,，并不是誰(shuí)的專利，人人都可以學(xué)習(xí),。嚴(yán)格來(lái)說(shuō),，量化投資與主觀投資并不是非黑即白的關(guān)系。傳統(tǒng)的主觀投資經(jīng)理查看財(cái)報(bào),，根據(jù)財(cái)務(wù)數(shù)據(jù)做投資決策,，這算不算量化分析？既然進(jìn)行了數(shù)據(jù)分析,，主觀投資當(dāng)然也算是一種量化分析,。那么，量化投資與主觀投資的區(qū)別究竟在哪里呢,？它們的區(qū)別并沒(méi)有那么涇渭分明,。每一個(gè)投資者，或多或少都用到了主觀或者量化的方法,。投資者在收集信息,、擬定決策的時(shí)候，有兩種不同的傾向,，一種是感知的,、直覺(jué)的，另一種是邏輯的,、量化的,。這樣就分為了四個(gè)維度，具體如下,。- 直覺(jué)接收,，直覺(jué)決策。比如,，閱讀新聞,，感知投資者情緒進(jìn)行決策。
- 直覺(jué)接收,，量化決策,。比如，抓取網(wǎng)絡(luò)文本,，建立模型進(jìn)行投資決策,。
- 量化接收，直覺(jué)決策,。比如,，研究財(cái)報(bào)數(shù)據(jù),，根據(jù)直覺(jué)經(jīng)驗(yàn)進(jìn)行投資決策。
- 量化接收,，量化決策,。比如，通過(guò)統(tǒng)計(jì)分析,，建立多因子模型,，進(jìn)行投資決策。
量化投資策略的最大特點(diǎn)是其具有一套基于數(shù)據(jù)的完整交易規(guī)則,。在投資決策的任何一個(gè)環(huán)節(jié)中，必須要有一套完全客觀的量化標(biāo)準(zhǔn),，比如,，A股票的橫指標(biāo)達(dá)到多少的閾值時(shí)，我們才決定開倉(cāng),，每次開倉(cāng)要買多少手。這種規(guī)定必須是唯一客觀的,，不允許有不同的解釋,。當(dāng)然，這些規(guī)定可以通過(guò)研究和主觀判斷來(lái)進(jìn)行修改,，但是一旦確定,，就需要嚴(yán)格遵守。量化投資的優(yōu)勢(shì)可以總結(jié)為三個(gè)詞：客觀性,、大數(shù)據(jù),、響應(yīng)快，具體說(shuō)明如下,。量化投資一般通過(guò)回測(cè)來(lái)證實(shí)或者證偽策略的歷史有效性,，而且在進(jìn)行實(shí)盤交易的時(shí)候，很多都是通過(guò)程序化交易自動(dòng)下單的,，這能在很大程度上保證決策的客觀性,，受人為情緒等因素的干擾較少。量化投資在研究或者決策中,，通常會(huì)引入大量的數(shù)據(jù)來(lái)進(jìn)行分析,。比如股票，只需要一套代碼,，就可以同時(shí)分析全市場(chǎng)3600多支股票,。這種大數(shù)據(jù)的分析效率在傳統(tǒng)投研方法中是做不到的（當(dāng)然，不可否認(rèn)的是,，傳統(tǒng)投研對(duì)公司基本面的研究是更深入的）,。由于是用計(jì)算機(jī)進(jìn)行自動(dòng)分析,，所以分析和響應(yīng)速度都十分迅速，一般能達(dá)到秒級(jí),，高頻交易甚至是以微秒為單位的,。比如，筆者以前做高頻交易的時(shí)候,，程序從接受行情到下單的優(yōu)化都是以微秒為單位的,，因?yàn)槟惚葎e人更快一點(diǎn)就有更大的可能搶到單子，就能賺到更多的錢,。就算是非高頻交易領(lǐng)域,，也有一些響應(yīng)速度較快的需求，比如,，筆者曾參與一個(gè)公告解析的項(xiàng)目,，從公告發(fā)布爬取，再到解析出公告對(duì)應(yīng)的意義,，基本上在幾分鐘內(nèi)就能解決,。當(dāng)然，公告的極速解析對(duì)交易的意義并不大,，因?yàn)楣娑际窃诒P后發(fā)布的,，不會(huì)在交易時(shí)間發(fā)布，因此大家都有足夠的反應(yīng)時(shí)間來(lái)進(jìn)行投資決策,。但是,，對(duì)新聞的解析，其意義是十分巨大的,，因?yàn)樾侣勲S時(shí)隨地都有可能發(fā)生,，這也是通常所說(shuō)的輿情分析，雖然目前這塊的進(jìn)展不算太大,，但是其未來(lái)的發(fā)展空間卻是巨大的,。雖然具有上述這些優(yōu)勢(shì)，但是量化投資本身并不是一把“金鑰匙”,。實(shí)際上,，很難有一種策略，在任何市場(chǎng)中都能持續(xù)賺錢,。即使是很多夏普比率極高的高頻交易策略（比如,，股災(zāi)之前的股指高頻交易策略），也會(huì)面臨政策的不確定性,。如果交易所調(diào)高手續(xù)費(fèi),，限制交易量，那么這些高頻策略也就不再有利可圖了。所以不要迷信量化投資能夠解決一切問(wèn)題,。我們只需要想辦法利用好量化的特性,，在投資競(jìng)爭(zhēng)中不斷積累優(yōu)勢(shì)即可。隨著圍棋比賽中阿爾法狗完勝人類,，近幾年人工智能（大數(shù)據(jù)）將占領(lǐng)華爾街的新聞也是鋪天蓋地、甚囂塵上,。其實(shí)筆者并不相信目前純粹的人工智能在投資上能夠超過(guò)最好的基金經(jīng)理,。為什么這么說(shuō)呢？因?yàn)閲迮c投資有著本質(zhì)的區(qū)別,。棋類游戲,，很早的時(shí)候人類就已經(jīng)被計(jì)算機(jī)打敗了（如國(guó)際象棋）。不過(guò)圍棋的難點(diǎn)在于,，可能的狀態(tài)數(shù)太多,，無(wú)法窮舉，但這些難點(diǎn)終究只是一個(gè)數(shù)量上的問(wèn)題,，所以圍棋算法的核心要點(diǎn)在于,，在有限算力的情況下，通過(guò)優(yōu)化算法,，放棄部分搜索空間,，同時(shí)保證尋找到的是較優(yōu)的解。在計(jì)算機(jī)領(lǐng)域,，這其實(shí)就是個(gè)“優(yōu)化”問(wèn)題。但是投資完全不一樣,，投資不是“優(yōu)化”問(wèn)題,，投資是“預(yù)測(cè)”問(wèn)題，是要預(yù)測(cè)市場(chǎng)的下一步應(yīng)該怎么走,。“預(yù)測(cè)”問(wèn)題可以說(shuō)極其困難,。Facebook人工智能掌門楊立昆（Yann LeCun）演講時(shí)曾提到過(guò)這個(gè)問(wèn)題，人工智能最缺乏的是“常識(shí)”,，這一缺陷導(dǎo)致了人工智能作出預(yù)測(cè)極為困難,。楊立昆列舉的例子是視頻，比如某個(gè)視頻的上半段是喬丹運(yùn)球沖向籃筐,，那么下半段會(huì)是什么樣子呢,？這個(gè)問(wèn)題對(duì)人類來(lái)說(shuō)很容易，大概率就是投籃或者扣籃,。因?yàn)槲覀兊某ＷR(shí)已經(jīng)熟知了籃球的套路,。但這個(gè)問(wèn)題對(duì)于人工智能來(lái)說(shuō)，卻是極為困難的,。實(shí)際上,，很多大公司都曾在預(yù)測(cè)問(wèn)題上遭遇尷尬,。很早的時(shí)候，Google就嘗試使用大數(shù)據(jù)來(lái)預(yù)測(cè)流感,，最后證明預(yù)測(cè)效果并不好,。國(guó)內(nèi)也有一些互聯(lián)網(wǎng)大公司（如百度和騰訊）使用大數(shù)據(jù)發(fā)布了相應(yīng)的指數(shù)基金，業(yè)績(jī)相當(dāng)一般,。據(jù)筆者所知,，F(xiàn)acebook目前甚至沒(méi)有人去做股票的投資研究，他們肯定深知其中的困難——如果人工智能在投資上能有那么厲害,，那么他們?cè)缇徒璐税l(fā)家致富了,。至于國(guó)內(nèi)很多所謂的人工智能，低級(jí)一點(diǎn)的,，將神經(jīng)網(wǎng)絡(luò)套用在行情數(shù)據(jù)上,，試圖擬合出一個(gè)表現(xiàn)不錯(cuò)的策略，在實(shí)盤中往往會(huì)遭受事實(shí)無(wú)情的打擊,。高級(jí)一點(diǎn)的,，扒取網(wǎng)上相關(guān)的輿情數(shù)據(jù)，先進(jìn)行自然語(yǔ)言分析再根據(jù)信息做出決策,。這些與我們“想象中”的人工智能其實(shí)都相差很遠(yuǎn),，也不太見(jiàn)得會(huì)有什么上佳表現(xiàn)。即使有表現(xiàn)較好的策略,，其本質(zhì)與用簡(jiǎn)單的回歸模型做出的策略并無(wú)太大區(qū)別,。實(shí)際上，國(guó)內(nèi)很多做P2P風(fēng)險(xiǎn)分析的,，用的都是Logistic回歸,，易懂又好用。由于媒體的吹捧,，大家對(duì)AI在金融投資領(lǐng)域的應(yīng)用普遍存在著過(guò)高的期待,，甚至有人危言聳聽(tīng)地號(hào)稱將來(lái)AI會(huì)替代投資經(jīng)理的職務(wù)。其實(shí)這都是不現(xiàn)實(shí)的,，在一些簡(jiǎn)單的數(shù)據(jù)處理問(wèn)題上,，AI確實(shí)有替代人工的趨勢(shì)，比如人臉識(shí)別,。但對(duì)于金融投資這一復(fù)雜的領(lǐng)域,，AI的應(yīng)用進(jìn)展其實(shí)是非常有限的。很多號(hào)稱AI的投資基金其實(shí)是換湯不換藥,，本質(zhì)上還是已經(jīng)成熟了幾十年的量化模型,。AI在金融投資領(lǐng)域最大的問(wèn)題是，可用的樣本數(shù)據(jù)極其有限，也無(wú)法大量生成,。股市有多少歷史數(shù)據(jù),，就有多少樣本數(shù)據(jù)，但也只有這么多,。極其有限的樣本數(shù)據(jù),，加上極其龐大的特征維度，是AI在金融預(yù)測(cè)建模上舉步維艱的根本原因,。眾所周知的是,，訓(xùn)練數(shù)據(jù)是AI的基本養(yǎng)料，數(shù)據(jù)有限,，就會(huì)導(dǎo)致模型很難得到大幅度的提升,。就那么多有效的因子，大家反復(fù)挖掘,，失效的速度也越來(lái)越快,。雖然筆者是量化投資和金融AI從業(yè)人員，但對(duì)量化投資或者AI并不存在過(guò)高的追捧和期待,，我們還是要腳踏實(shí)地去解決一些與我們更密切相關(guān)的問(wèn)題,。關(guān)于作者：趙志強(qiáng)，金融量化與建模專家,，目前在金融科技公司負(fù)責(zé)金融大數(shù)據(jù)產(chǎn)品工作,，專注于研究Al在金融領(lǐng)域的落地應(yīng)用。曾在由諾獎(jiǎng)得主Robert Engle領(lǐng)導(dǎo)的上海紐約大學(xué)波動(dòng)研究所研究全球金融風(fēng)險(xiǎn),，并和上交所,、中金所合作完成多項(xiàng)科研項(xiàng)目。曾在摩根士丹利華鑫基金,、明汯投資負(fù)責(zé)量化投資研究工作,，內(nèi)容包括股票多因子、期貨CTA和高頻交易等,。劉志偉，在中國(guó)銀聯(lián)云閃付事業(yè)部從事數(shù)據(jù)分析,、數(shù)據(jù)挖掘等工作,。對(duì)自然語(yǔ)言處理、文本分類,、實(shí)體識(shí)別,、關(guān)系抽取、傳統(tǒng)機(jī)器學(xué)習(xí),，以及大數(shù)據(jù)技術(shù)棧均有實(shí)踐經(jīng)驗(yàn),。目前正在探索相關(guān)技術(shù)在金融場(chǎng)景內(nèi)的落地應(yīng)用，包括自動(dòng)知識(shí)圖譜、大規(guī)模文本信息抽取結(jié)構(gòu)化,、異常識(shí)別等領(lǐng)域,，關(guān)注人工智能行業(yè)前沿技術(shù)發(fā)展。本文摘編自《Python量化投資：技術(shù),、模型與策略》,， 本文摘編自《Python量化投資：技術(shù)、模型與策略》,，經(jīng)出版方授權(quán)發(fā)布,。
|
