麥教授|投資、投機與套利

2021年4月2日 08:34
来源:香港奇點財經特邀專欄作者 張曉泉

原創 Michael 麥教授  麥教授隨筆

一個工作玩耍兩不誤(work hard, play harder)的教授

麻省理工學院博士

清華大學文學學士、工學學士、管理學碩士

香港中文大學商學院教授

超量子量化私募基金創始人


金融市場的量化密碼系列文章(9)

投資、投機與套利

作者:Michael Zhang 麥教授

Financial market is a voting game in short run. It is a weighing game in long run.金融市場在短期內是一場投票游戲。長期來看,是一種權衡游戲。

——本傑明·格雷厄姆(Benjamin Graham)

主張價值投資的巴菲特(Warrent Buffet)和主張量化投資的西蒙斯(Jim Simons)都在玩勝率的游戲,但是邏輯並不一樣。巴菲特希望通過分析公司基本面來做精準判斷,通過每次投資的長期持有獲得收益,而西蒙斯用機器算法來發現短期勝率,通過短期勝率超過50%加上大數定律(law of large numbers)來保證長時間的盈利。(麥教授之前的推送裡提到過:「戰勝市場」的2個投資者,4個投資策略和1個思維)

巴菲特說牌桌上總有一個白癡是送錢的,如果你不知道那個白癡是誰,你就是那個白癡。換個角度看,如果你不懂概率,覺得有不懂的人也做的挺好,那你就是白癡。

根據《經濟學人》的報道,量化交易的占比在所有機構交易量中越來越大了,這顯示了量化的糢型越來越成熟,有了越來越好的業績,導致越來越多的機構開始用量化的思維去做交易了。

「《經濟學人》雜志統計的美國機構投資者按交易量的占比」

2004年的時候,以管理規糢排序,世界頂級的10家私募基金裡只有一家是量化私募,到了2020年,世界頂級的10家私募裡量化就占了7席。隨著時間推移,越來越多的私募要用到概率統計的方法來做資產管理了,而且管理的好的私募都是用量化方法的了。

人在做投資決策的時候都會根據自己的經历和知識儲備選取合適的策略。從交易的方式來看,有三種形式:投資(investment)、投機(speculation)和套利(arbitrage)。三種形式都可以用量化的方法來提高勝率。

1949年,格雷厄姆在《聰明的投資者》裡寫到:「投資者與投機者最實際的區別在於他們對股市運動的態度上:投機者的興趣主要在參與市場波動並從中謀取利潤,投資者的興趣主要在以適當的價格取得和持有適當的股票。」

巴菲特推崇的是價值投資,很多人認為這個策略的原則是找到基本面好的股票,其實它的精髓是找價格和價值嚴重偏離的股票,就是那些價值相對較高,但是價格還很低的。所以所謂價值投資其實是「價值和價格之差」投資。巴菲特會花很多時間去研究一只股票是否被低估,賺錢的邏輯很簡單,就是低買高賣。他說投資的祕訣是「不要賠錢」。這個祕訣是在買股票之前就要進行操作的了,在做了很多嚴謹的背景調查之後,如果一直股票已經跌到不能再低的水平,那麼買它就不會賠錢了。這種投資策略是看好長期回報的,巴菲特持有可口可樂30年賺了300億美金,真的是用生命陪伴了這只股票的成長。

投機聽上去不是一個好詞,但是在金融市場裡,尋找機會並獲利並不是甚麼不光彩的事。如果看不清30年這麼長的時間線,分析交易量、交易價格和其它技術和基本面的數據,對股票未來短期內的變化則可以在日或周這樣的時間線上找到機會。這樣的投機行為並不關心股票未來的成長,但是只要在短期內做到足夠好的判斷,則可以成功地投機獲利。

如果把時間線再縮短,就會有套利的機會。套利背後的邏輯是低買高賣,很多高頻交易的策略就是在判斷是否可以做到這一點,在市場的大量賣單和買單中找到規律,用一個較低的價格買回股票,然後找到下一個買家用高一點的價格賣出去。基於數據分析的量化糢型在套利中的作用不言而喻。

從投資到投機再到套利,隨著交易速度的提升,超額收益會越來越高,但是這樣的速度提升也有缺點,那就是隨著交易速度的提升,機會的窗口就比較小,盈利的容量會越來越小。如果把股市比作賭場,隨著交易速度的提升,贏錢的概率會提高,但是能贏的錢的總量卻是在下降的。

高頻的量化投資有點像從沙子裡撈金子,每撈一次在付出成本的同時都有一個概率找到金子,撈金子的收益可以從兩方面得到,一是撈金子的成功率,這個可以通過優化算法加強預測準確率來得到;二是交易頻率,可以通過增加單位時間的交易次數來達到。總收益大致和正確率與交易次數平方根的乘積是成正比的(這個原理叫主動管理基本定律The Fundamental Law of Active Management,後面會有詳細討論)。

我本人對量化投資的理解也經历了幾個階段。

量化初階:1997年上研究生的時候,我到華夏證券去做實習,當時的老板說你們清華的學生數學好,要不你用股票數據計算一下怎麼做投資可以有高回報。我所在部門的投資經理都是價值投資的信徒,所以給我的建議是研究一下藍籌股怎麼投才可以最大化收益。那是我第一次接觸金融數據,之前也從來沒有做過股票交易,所以並沒有太大的包袱一定要做一個盈利的交易策略。

那時也沒有人提「量化」的概念,所有人都用專門的終端做交易,根本沒有一個數據庫能拿來做分析。我那時對這個工作的理解就是:如果我手工檢索能去了解股票的走勢,那用電腦處理數據肯定會快一些。於是費了很大勁找IT的人(其實是我找他們,他們費了很大的勁)拿到了一個數據集,在我的SAS軟體裡跑了一下。

我發現藍籌股並不能帶來很高的回報率!這個結論讓當時的老板很為難,本來以為可以有個結論支持他們的長期投資藍籌股的策略,結果並不理想。看著他有點頹廢的離開的樣子,我決定不能辜負領導的厚望,要更努力的找到藍籌股盈利的機會。後面幾周時間跑了無數的糢型之後我知道這個結論是正確的。背後的邏輯很簡單:它們是藍籌股,已經很貴了。

於是我開始分析他們不看好的小盤股和垃圾股,結果發現當某些條件滿足時(例如股市不是在暴跌的過程中),有些垃圾股和剛跌過一段時間的普通股的回報是非常好的。現在回過頭看,其實這個結論很順理成章,也算是驗證了逆向投資(contrarian investing)的邏輯,但是當時部門裡沒有人相信。很多年以後讀到了一篇經典的論文(註:Fama, E., & French, K. (1992). The Cross-Section of ExpectedStock Returns. The Journal of Finance, 47(2), 427-465.),和我當時的發現不謀而合。

主觀投資:差不多十年之後,2006年我剛到香港工作的時候,有位會計系的教授朋友問我可以投資哪些中國公司的股票,那時我手裡完全沒有數據,完全沒法做任何量化的分析。我推薦了騰訊,因為騰訊的用戶多,可以有很多機會從中國的人口紅利中獲利。我告訴這位朋友:如果只能投資一只股票,那就應該是騰訊,因為它會抓住所有的互聯網相關的機會,而互聯網一定會越來越有價值。騰訊又有開放的心態,如果它自己做不了,就會找別人合作。後來2014年和京東,2016年和拼多多的合作都是極其經典的案例。

那位朋友此後每次見到我都會感謝我,因為買了一直在賺錢。其實他的心態和他的投資手段(長期持有)是匹配的,如果漲了20%就急急忙忙的賣掉落袋為安,那麼就追不上騰訊的200倍的成長,而不會享受到這個長線投資帶來的好處。

量化高階:又過了十年,2015年我的研究團隊開始用機器學習的方法分析股市,我們很快發現機器學習做交易策略的一個誤區。大家一上來就在想辦法預測股價,這個思路是最直接的,從數據分析的層面看,這並沒有錯,很多對算法很熟悉的人都非常厲害,可以迅速的找到一些算法(例如xgboost)來做非常好的樣本內預測。但是一旦在實際股市中使用的時候就會發現預測準確度遠遠不如历史數據所做出來的。(點擊回顧:用機器學習預測股市:為甚麼僅僅是历史回測準確率高?)

問題不是機器學習的算法不夠好,而是所有的預測糢型都假設底層的市場邏輯沒有變化,這樣的假設是錯誤的,導致了過度擬合(關於這個問題,前面的推送提到過一些:AI在金融中的應用:忘掉回測,我在後面也會有詳細論述)。在本專欄的「策略篇」裡,我還會介紹幾種解決方法。

如今的市場上,找一個會用厲害的算法做預測的碼農並不難,難的是管理者和投資決策者需要知道如何從最底層理解金融市場的量化思維並發揮出算法的優勢。

(聲明:如需轉載請向[email protected]提出書面申請。奇點財經是全球首家提供多語種及專註於ESG投資與金融科技領域的媒體,是香港期刊協會創會會員。)


 

友情提示:請下載奇點財經APP(點擊 IOS版 或 安卓版)或關註奇點財經公眾號(奇點財經HK)以得更全面的資訊。