|
与股神巴菲特的“价值投资”理念不同，数学家出身的西蒙斯将智慧体现在数学模型中，用量化捕捉市场机会，其管理的“大奖章”基金创造了惊人的投资回报。 在西蒙斯的华尔街生涯的最初阶段，他和其他人一样，关注一系列宏观信息：美联储何时会加息，对利率、汇率会产生什么影响，但他很快认识到，即便是同样的宏观信息，不同个体也会做出截然不同的判断，主观成分非常大。 于是，西蒙斯决定独辟蹊径。他和统计学家、数学家等非典型性金融人士一起，对各种金融价格之间的关联关系进行研究，最后在模型中只留下技术性数据。百分之百依靠模型做交易，从1988年创立之日起到西蒙斯退休的2009年间，大奖章基金平均年回报率高达 35％，较同期标普 500指数年均回报率高 20多个百分点。 量化交易的中国之路 从广义而言，凡是借助现代统计学和数学的方法，从庞大的历史数据中选择能带来超额收益的多种“大概率”事件以形成策略，然后用数量模型验证及固化这些规律和策略，最后严格执行的方式，都可以称为量化交易模式。 在中国，从2004年第一只公募量化产品成立至今，已取得了一定的进展。根据华宝证券的统计，2014年通过信托平台发行的量化对冲基金达到522只，另外还有72只券商资管产品发行，保守估计2014年全年新发行的量化对冲产品就超过600只。 从客观条件而言，量化交易的实现必须具备四个条件：充分的市场流动性；强大的计算设备；快速的网络；低廉的手续费。在当下的中国，技术和费用都是可以通过“投入”解决的问题，但一些中国特色的障碍仍需直面。 一是原始数据质量不佳，巧妇难为无米之炊。由于金融市场历史有限，很多公司或产品的数据不全面，而且规范性也有所欠缺。 二是可选择的工具有限。以境内证券市场为例，股票期权仍属试点阶段，如果是跨境套利，则在监管和转换上均有成本，别的暂且不提，仅资金进出、境内外两个账户的资金调配、市场假期不同的处理，就需要境内外双方的磨合。 三是总体规模太小，流动性不够。以对冲基金为例，根据华宝证券的测算，截至2014年底，国内量化对冲私募的管理资产规模约1500亿元，与全球2.7万亿美元的规模相比，约占0.9%，还有很大的拓展空间。 四是广大投资者对量化的认识仍然不足。量化基金往往以风险中性策略为主，好处是不论牛市还是熊市都更易获得稳定收益，但坏处是在大盘单边上扬的环境里，这点收益对投资者的吸引力远不如抓住一只大牛股来得强。 第五点也可以说是最主要的一点：人才储备缺乏。从主观条件来看，策略的制定，最终考验的是对市场的了解，以及量化人才本身具备的能否将“想法”转化为“实际”的能力。在华尔街，大批物理、数学、计算机背景的专业人士投身于量化交易。甚至有人戏称，物理博士可能在实验室，也可能在华尔街做模型，而在中国，类似高端人才的储备及与金融业的融合明显不足。 量化路上的新难题 即便水土不服的问题得到解决，也并不是傍上了量化就可以躺着赚钱了。未来之路究竟如何，恐怕还需要认真思考以下一些问题。 第一个问题是：系统一旦出现程序故障，是否会带来杀伤性的冲击？ 2010年5月6日，高频、算法和交易机器人(300024)突然出现失控，联手制造了臭名昭著的道琼斯市场崩盘，俗称 2:45闪电崩溃（The Flash Crash of 2:45 p.m.）。道琼斯工业指数在五分钟内下跌了近1000点，整个市场9%的财富瞬间蒸发。当时，大多数高频量化交易公司都从中大赚了一笔。 2012年8月1日，曾经是行业标杆的Knight Capital则遭遇了毁灭性的打击。由于新使用的交易软件突然出现故障， 45分钟内，Knight买卖了价值约70亿美元的纽约证券交易所的股票——平均每秒约260万美元。每次买进时，计算机算法就会提高市价，而其他公司当然乐见接盘侠的出现，于是Knight被迫花费了4.4亿美元来弥补错误，公司市值下跌40%，最终导致被收购。 在中国，“光大乌龙指事件”可谓一次史无前例的负向试验。2013年8月16日，光大证券(601788)策略投资部的套利策略系统发生逻辑判断失误，导致出现价值234亿元人民币的错误买盘，成交约72亿。当日，上证综指一度上涨5.96%，中石油、中石化、工商银行和中国银行等权重股盘中一度涨停。虽然其后公司沽出ETF与股指期货，依然对当日中国A股市场造成巨大冲击，并为公司带来1.94亿元人民币的损失。 第二个问题是：即使系统无瑕疵，模型本身是否会老化？ 量化交易主要依赖于数学模型的设计与执行。一个好的量化交易策略可以挖掘出别人尚未发现的市场机会，并及时抓住该机会获取收益。但一个现实是，套利从某种程度上而言是一个零和市场，如果市场参与者纷纷看到了这个机会，并陆续琢磨出相应的投资程序，则盈利空间必然很快压缩。换句话说，模型也面临着老化的压力。 一般而言，成熟的量化投资部门会设有一个策略模型池，其中包括了许多的交易策略，每一个或者多个交易策略对应一个市场产品、市场行业或者市场特征。为了提升整体盈利能力，一种方法是完善交易策略池，使用动态方法调用不同的策略，在多种策略上实现资金的动态分配；另一种方法是对每一个模型进行完善升级。但这个升级过程是否有效，对人力资本的考验非常巨大。 当市场进阶到成熟阶段，套利机会基本被抹平，那么只能从“工具”下手进行提升。比较典型的就是具有短持仓特征的高频交易模式。当年收购骑士的另一家量化交易巨头Getco，是被公认为在速度方面具有无可比拟优势的算法交易公司。公司为保持几毫米的优势花费巨大，但问题是：别的公司也同时在这么做。竞争从未停止，最终结果就是越先进，边际利润越稀薄。2008年，Getco的利润是4.3亿美元； 2011年下降为1.63亿美元；到了2012年，则只有区区1600万美元。 第三个问题是：“黑天鹅”是否可以避免？ 都说量化是聪明人的游戏，但无论交易系统的构建者有多聪明，或有多努力，都不可能预测到世界上所有的极端事件。从911事件到次贷危机，黑天鹅存在于金融、商业甚至个人生活的任何领域。它在意料之外，却又改变一切。 任何投资方法都是依靠历史预测未来，因此都会害怕黑天鹅事件。如果说定性交易的交易员在面临重大突发事件时，尚且可以做出人工反应，如减少仓位或至少停止购买，那么定量交易系统在事发瞬间几乎没有办法做出调整，而只能继续执行原先的策略。这是任何系统都无法对抗的现实的弱点。 不过量化在事后的调整完善上也有一定的优势：可以迅速把最新情况纳入模型，重新回测、优化、模拟，争取在最短的时间内扭转损失。仍以西蒙斯为例，在遭遇2007年8月历史上罕见的9%回撤之后，团队立刻重新建模，在致投资者的信中他宣称“我们新的模型已经发现了3个很强的交易信号”。果然，接下来的日子里新模型大展神威，当年收益率达到80%。 |
|
|
