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%。 |
|