导读

•          量化交易策略和人为交易策略之间有何区别？
•          为什么绝大部分基金经理根本无法做到系统化投资？
•          公募基金行业有没有人才流失现象？
•         那么在一个充满着“非理性”人的市场中，如何期望一个“理性”的电脑程序化投资策略获得成功？
•          机器学习在金融投资领域未来20年的前景如何？

随着计算机编程在金融投资中得到越来越广泛的应用，量化交易也越来越得到大家的关注。据华尔街日报报道，在过去20年，量化基金的数量和管理的资产规模有了大幅度增长。股票指数期货交易中，超过7成为量化交易。国际外汇期货交易中，量化交易量大约占到8成以上。

那么到底什么是量化交易？它和传统的基金投资策略有何不同？依靠电脑程序进行投资，和人相比有什么优劣点？如何判断一个量化交易策略的好坏？带着这些问题，我和美国杜克大学的坎贝尔·哈维（Campbell Harvey）教授进行了一场非常有趣的谈话。

由于我们谈话涵盖的范围比较广，因此我将我们的谈话内容分为两篇文章分别发表。今天这篇文章，是我们谈话的第二部分，主要讲讲量化交易策略（Systematic）和人为交易策略（Discretionary）的主要区别、人类基金经理面临的来自于机器的挑战、以及量化交易的未来。

我和哈维教授首先谈到了量化交易策略和人为交易策略之间的区别。这个区别非常重要。但根据我的从业经验，我发现即使很多金融专业人士，对这两个概念的理解都有很多误差，因此我觉得有必要在这里花点笔墨帮助大家把这个问题理理顺。

在量化交易出现之前，所有的投资方法都可以被统称为“人为策略（Discretionary）”。在人为型交易策略中，基金经理（通常为某个基金公司的CIO）是最后拍板的大老板。该基金如何交易，什么时候买，什么时候卖，遵循哪套原则，都在基金经理的脑袋里。这也是为什么英语中把此类交易策略称为“Discretionary”的原因所在。Discretionary，直译过来就是“自由决定”的意思，也就是说，基金经理自作主张决定任何他认为最优的投资方式，不必给出任何理由。

这种“自由决定”交易策略的最大特点是，投资回报完全取决于做决定的人，也就是那个最后拍板的首席投资官。投资者指望的是，该基金经理胆识过人，能够比别人做出更快，更准，更有前瞻性的投资决定。在别人贪婪时，他噤若寒蝉。在别人害怕时，他大胆买入。说的就是这样的“股神”。

由于做决定的是“人”，因此该经理管理的基金的历史业绩是无法复制的。因为即使历史重来，也没有人能够保证该经理在当时那个时点会做出一摸一样的决定。

同时，该基金经理的投资技能也很难被其他人“拷贝”，连儿子都不行，否则巴菲特和索罗斯的儿子都可以成为投资大师了。即使一位经理明确告诉你他的投资标准，其他人也很难依葫芦画瓢。

比如某位基金经理对外宣称，作为一个价值投资者，我只会选择市净率低于2倍，市盈率低于10倍的公司进行投资。问题在于，现实情况远远复杂得多，在各种规则之外总有例外。很多时候，当某位经理做出某个投资决策时，外人是很难猜透他脑子里究竟在想什么的。甚至他可能昨晚和太太吵了一架，都有可能导致他做出不同的投资决定，这些情况都导致了我们很难从“人为型策略”中摸索出能够被大规模复制的规律模式。

“人为型策略”靠“人”执行，恰恰显示了这种投资方法最大的弱点：人的非理性。作为一个有血有肉的动物，我们人类经常有各种喜怒哀乐的情绪变化，受到各种行为学偏见的影响。我们会有从众心理，也经常会过度兴奋（或者过度悲伤）。我们有时候高度冷静，有时候却完全丧失对自己的控制。缺乏一致性（inconsistency），是“人为型投资策略”最让人感到难以放心的地方。

与之相对应的，是“量化交易策略”，也可以称为“系统化交易策略”。系统化交易策略的核心，在于一套事先定好的交易规则。在该规则被定好之后，会被严格执行，基本不允许基金经理临时改变规则或者随机应变。量化交易策略，能够有效应对人类“缺乏一致性”的问题。

举例来说，CRSP US Large Cap Index (CRSPLCT)，是一个大型股票指数。该指数的编排规则是：基于美国的证券交易市场（包括NYSE, ARCA, NASDAQ等），根据一定规则挑选出的市值规模最大的15%的美国上市公司。当然，这里的“一定规则”是一系列规定非常严格的各种条件，比如公司总部所在地，股东结构，流动股市值，等等。由于这些规则都是透明的，因此任何人只要严格遵循这些规则，就能够得到完全相同的指数成员，在历史回测中也能得到相同的投资回报。

再举个例子，标准普尔500指数（S&P 500 Index）。严格来讲，标准普尔500指数不是一个系统化的投资策略。主要原因在于，标准普尔500指数选的公司在绝大部分时间里是市值最大的500家美国公司。但是同时，标准普尔500指数委员会有权做出“自由决定（discretion）”和随机应变。比如在2008年，按照流通市值计算的话，AIG应该被剔除出标准普尔500指数。但是指数委员会临时改变了规则，决定将AIG保留在指数中。像这样的例子，就是典型的“自由决定”，也意味着标准普尔500指数属于“人为投资策略”范畴，而非“量化投资策略”的范畴。

哈维教授提到，近年来一个值得一提的变化是，有越来越多的基金经理（人类）开始在他们的投资策略中使用量化投资的方法。

你可以把它想象成一个驾驶飞机的飞行员。在飞行过程中，很多决策都是电脑程序做出的，飞行员甚至可以把飞机调到“自动飞行”，自己去睡大觉。但是从始至终，飞行员都可以在任意时间干涉飞行过程，并随时调回到“手动飞行”模式。像这样的投资策略，虽然他们自称“量化”，但还是属于“人为”投资策略的范畴。

以全世界最大的基金公司之一，英仕曼（Man Group）集团为例。英仕曼公司的旗舰产品是一款名为AHL的纯系统化投资策略。在很多人看来，英仕曼是一个典型的量化基金公司。但可能出乎很多人的意料，英仕曼旗下也有一个很大的“人为交易策略（Discretionary）”部门。在“人为交易策略”部门里，他们也用到很多量化手段，甚至有“机器学习（Machine learning）”。当然从定义上来说，由于到最后拍板做决定的还是那个基金经理，因此尽管使用了各种量化工具，这样的交易策略还是需要被归类为“人为投资策略”。

而纯粹的系统化交易，则完全没有人为的决策干扰。所有的交易决定全都由电脑程序做出，基金经理不能随心所欲随便修改规则。如果想要修改规则，那就需要经过一个科学的过程，在经过了层层测试后再决定做出修改。当然，这样的修改也不能太过频繁，否则就失去了“系统化”的意义，还不如直接自称“人为投资策略”。

我问哈维教授，如果一个交易策略中包含多个量化的“子策略”，但是基金经理在顶层做择时和择权的决定，这种投资方法算“量化”还是“非量化”？

哈维教授的看法是，如果有基金经理在配置层面做择时/择权方面的决定，那么这还是属于“人为投资策略”的范畴。

但是我们不一定非要在顶层放一个基金经理。我们也可以用机器来代替人做出这些决定。

如上图所示，假设一个投资策略包括三个量化的子策略：价值、动量、和波动。左边的例子显示作为人的基金经理在配置层面决定给予每个子策略的风险资本，并决定增加和减少权重的时机。在右边的例子中，配置层面的人被电脑代替，由电脑程序做出上面提到的所有决策。

左边的例子为“人为投资策略”，而右边的例子则为“系统化投资策略”。

值得一提的是，要想坚持一套纯“系统化”的交易策略进行投资，对于基金经理的要求是非常高的。甚至可以毫不夸张的说，绝大部分基金经理根本无法做到这一点。主要有这么几个原因：

首先，基金经理大多是自己行业内的专家，对自己的投资能力十分自信。在很多时候，基金经理会做出和电脑系统不同的判断。比如电脑按照规则将苹果公司的股票纳入购买范围，但基金经理很有可能觉得电脑没有考虑到若干因素，做出的决策不够优秀。在大多数这种情况中，基金经理会觉得自己是正确的，而电脑是错误的。因此基金经理的第一反应是否决电脑的决策，听从自己的“第六感”。

其次，把几亿资金，甚至上百亿资金交给一台电脑管理，是有违人的“常识”的。电脑程序的代码是有限的，而世界的可能性则是无限的。除非代码的设计者已经考虑到了任何可能出现的情况，否则大家很容易产生怀疑：这一次的情况，是不是与众不同？是不是没有历史先例？如果没有历史先例，那电脑是不是在瞎操作？

再次，由于系统化交易多年的积累和发展，很多量化交易程序已经高度复杂化。可以说，真正理解那些交易逻辑和程序的内行，是凤毛菱角。绝大部分人，包括投资者，是根本不理解这些交易策略的内在逻辑的。他们所能看到的，只是表面的短期回报，比如过去半年，一年，或者三到五年的投资业绩，以及过去十年到三十年的历史回测业绩。

问题在于，很多时候短期的业绩回报充满了随机性。运气好和运气差，可能造成10%、甚至更多的投资差别，而和原来的交易算法（Algo）完全无关。因此投资者在策略赚钱时很开心，而在策略亏钱时则开始担忧和紧张，只要发生一定规模的回撤（比如亏损10%），投资者的第一反应就是赎回。在这种情况下，大部分基金经理不可能坚持他认为正确的交易策略，因为他们需要考虑到投资者的耐心上限。

我向哈维教授提出，在他写过的一篇论文（Market Timing Ability and Volatility Implied in Investment Newsletters’ Asset Allocation Recommendations）中，他做了很多实证检验，发现绝大多数写投资建议的那些分析报告都没有任何择时能力，无法给投资者带来任何价值。那么在择时这个问题上，量化策略比人类有优势么？如果有的话，主要体现在哪些方面？

哈维教授的回答是：首先，在我另外一篇论文（Man vs. Machine: Comparing Discretionary and Systematic Hedge Fund Performance）中，我们发现不管是“人为投资策略”，还是“量化投资策略”，都有择时成功的例子。这样的例子比较少，主要存在于对冲基金行业中，但确实存在。所以我并不认为量化一定比人更好。只要你的策略足够优秀，不管是人为，还是量化，都可能获得非常好的超额回报。

哈维教授提到了他写过的另一篇论文（The variation of economic risk premiums）。

在这篇论文中，哈维教授提出，如果一个经济体处于萧条期，那么社会总体物价水平比较低，现金紧缺，因此风险溢价（risk premium）就会比较高，投资回报的期望值也会比较高。而如果该经济体处于高速发展的膨胀期时，资金量非常充沛，风险溢价比较低，因此投资回报的期望值也会比较低。作为一个量化基金经理，可以基于这些基本规律设计出一套交易算法，在衰退期承担更多的风险，在膨胀期减少风险资产的配重，以此提高投资者的收益。

当然，真的想要通过择时来获取投资回报，要远比上面说到的复杂的多。举个简单的例子，如何预判经济的增长和衰退，就是一个非常富有挑战性的难题。世界银行（World Bank）和国际货币基金组织（IMF）雇佣了成百上千的经济学和金融学博士来预测世界各国的经济发展速度，但其准确率很让人失望。如果他们真的能准确预测经济衰退的话，像08/09年这样的情况就不会发生了。

其次，平均来讲，特别是在公募基金领域，绝大部分基金经理没有择时能力。那些以写投资报告为生的分析员更甚。我们的研究显示那些投资报告没有任何择时价值。事实上你稍微想一下，也不会感到特别惊讶：如果这些分析员真的有投资能力，他们为什么还要在那里写投资建议？他们应该自己去投资赚钱才对呀。

我向哈维教授提出，您经常在公募基金行业和对冲基金行业之间做对比，并得出结论对冲基金经理的投资回报更好。这背后是不是有一个人才流动（Brain Drain）的原因？如果一位基金经理有特殊技能，他会倾向于离开公募基金，去加入对冲基金？

哈维教授回答：是的。如果一位基金经理确实有投资才能，那么他会倾向于离开公募基金，去成立自己的私募对冲基金。主要原因在于，对冲基金的收费结果不光有管理费，还有业绩分成。而大多数公募基金只有管理费，并且管理费水平也比对冲基金低。因此基金经理如果想要赚更多的钱，他会选择从公募基金行业流向对冲基金行业。

我向哈维教授提到，对冲基金行业中的基金经理，平均来讲可能确实比公募基金行业中的基金经理更优秀，但他们的收费也越高。天下没有免费的午餐。作为投资者，如果你想要“雇佣”对冲基金经理的投资技能，那么你就需要付出比公募基金经理更高的费用。我同时向哈维教授提到了巴菲特和对冲母基金Protege之间的一个一百万美元之赌。在这个赌局中，投资者们从对冲基金获得的投资回报还不如一个标准普尔500指数的回报。对这个赌不太熟悉的朋友，请搜索“伍治坚+巴菲特之赌”找到相关的文章。

哈维教授对这个赌的看法有两点。首先，他永远不会去购买一个母基金（FOF）。在哈维教授看来，FOF在对冲基金之上再加上一层费用，属于“费上加费”。在被层层费用盘剥之后，投资者难以获得好的投资回报并不令人奇怪。因此哈维教授不认同通过母基金进行投资的方式。

其次，在哈维教授看来，除了投资净回报以外，对冲基金给予投资者的价值在于波动控制。就是说，在一个市场大跌的年份（比如2008年，标准普尔指数跌幅达到40%），好的对冲基金可以帮助控制投资者的最大回撤（在巴菲特那个赌中，对冲基金的平均跌幅为20%左右）。对于那些非常看重最大回撤的投资者，这样的投资策略是有价值的。

当然，控制最大回撤（或者也可以称为风险控制）也不是免费午餐，是需要花成本的。在“一百万美元之赌”这个例子中，投资者购买标准普尔500指数承担了更大的波动，获得了更好的投资回报。对冲基金的投资者承担的波动和最大回撤更小，但是十年以来的投资回报也更差。所以这里面涉及一个平衡和取舍的问题。关于对冲基金历史回报更为详细的分析，有兴趣的朋友请百度搜索“伍治坚+对冲基金回报”以找到更多的相关文章。

我接着问哈维教授：量化投资策略和人为投资策略的一个最大的区别，在于电脑是“冷血”和“理性”的，而人则是充满感情的。在各种投资行为中，人处处受到非理性行为习惯的影响。

那么在一个充满着“非理性”人的市场中，如何期望一个“理性”的电脑程序化投资策略获得成功？

在哈维教授看来，市场越不理性，反而给优秀的量化交易策略更大的施展空间。量化交易策略的目的，就是利用人的非理性弱点，将他们留在桌上的那部分投资收益夺过来放入自己的口袋。在我和许仲翔（Jason Hsu）先生做的专题对话中，他也表达过类似观点（有兴趣的朋友可以搜索“伍治坚+Jason Hsu”找到相关文章）。

哈维教授同时提醒广大听众和读者，所有的主动投资，都是零和博弈。如果有人能够获得超额回报，那么就一定有人蒙受了超额损失。这一点非常重要。因此投资者在选择任何主动型投资基金之前，都需要做非常细致的尽职调查和研究，确保自己理解该投资策略背后的逻辑和来龙去脉，并有十足的把握确信该投资团队比其他竞争对手更加优秀。如果连这些基本准备工作都没有做好，投资主动型基金就和扔硬币猜正反差不多，纯粹只是碰运气而已。

我向哈维教授补充：主动投资就像是一个充满弱肉强食的原始森林中的幸存者游戏。要么你比别人强，把对方吃掉。要么你成为别人的盘中餐。

哈维教授表示赞同。在他看来，这种零和博弈不光存在于散户投资者和基金经理之间，也存在于大型的和小型的基金机构之间。一家大型的基金公司，就会有更多的财力和资源去雇佣各种专才，使用最先进的科技，获得最大量的数据。比如现在比较热门的“机器学习（Machine Learning）”，只有财大气粗的大型基金公司，才可能把这样的技术用于投资之中。

这个问题，我们也可以这样思考。在投资这片丛林中，有各种动物。大型的基金公司，就好像大象，老虎这样的猛兽。他们处于食物链的顶端，绝大部分小动物看到他们都会闻风而逃。但这片丛林里，也有很多其他中小型动物，比如野狼，兔子，青蛙，乌龟和蟑螂。每一个动物都有自己的生存之道。有一点是肯定的，如果你没有琢磨出最适合自己的生存法则，那么你可能分分钟会成为其他野兽的盘中餐。用客观的态度认识自己，明白自己的优劣点，是提高自己生存机会的关键手段。

我向哈维教授请教，您经常提到“机器学习（Machine Learning）”这个词，能否为那些非计算机背景出身的朋友们稍微介绍一下，什么是机器学习？机器学习在金融投资领域有哪些应用？未来20年的前景如何？

哈维教授指出，机器学习和人工智能是两个紧密结合的概念。机器学习不仅被应用于金融投资领域。事实上，机器学习在各行各业都有广泛的应用。在金融投资领域，机器学习的一个比较深度的应用体现在数据处理和分析方面。哈维教授提到了一个词，叫做Disciplined Data Mining，翻译过来就是“系统化数据挖掘”。通过高度科学化和系统化的方法，在海量的金融数据中寻找并总结出靠谱的变化规律，基于这些规律设计出交易算法并不断改进，这是目前量化交易领域的一个研究热点。

同时，哈维教授指出，在可预见的将来，科技变化带来的生产力革命将是不可限量的。

在1985年~1990年间制造的超级计算机，Cray-2，重达2.27公吨，造价高达2500万美元。而今天，一台Iphone7售价为几百美元，小到可以放入裤子口袋，其计算能力和数据存储量超过Cray-2的100倍。在10年或者15年以后，我们完全可以想象一台售价几千美元的计算机，能够拥有一个成年人脑的计算能力，甚至几百个，几千个人脑的计算功能。

所以可以预见的是，在未来20年，金融交易行业将发生革命性的变化，我们会看到更多的机器之间的互博，而人类作为交易主体的活动空间将不断被压缩。基金经理被机器代替，失业下岗的可能性完全不是空穴来风！

在节目的最后，我问哈维教授，对中国听众和读者朋友们有何建议？

哈维教授说到，你应该争取成为科技革命的引领者。在革命来临的时候，你应该试图成为“革命者（Disrupter）”，而不是“被革的对象（Disruptee）”。

在可预见的将来，很多公司的白领工作会被计算机和自动化代替，会永远消失。即使你不学计算机，也应该保持自我学习的进度。哈维教授本人在杜克大学上的课程就有机器学习（Machine learning）和区块链（Block Chain）。在他看来，这些领域都是未来能够改变我们生活的前沿科技，值得大家关注和学习。

希望对大家有所帮助。

伍治坚是《小乌龟投资智慧：如何在投资中以弱胜强》的作者。

数据来源：

John Graham and Campbell Harvey, Market Timing Ability and Volatility Implied in Investment Newsletters’ Asset Allocation Recommendations, Journal of Economics, 42 (1996): 397-421

Campbell Harvey, Sandy Rattray, Andrew Sinclaire, Otto Van Hemert, Man vs. Machine: Comparing Discretionary and Systematic Hedge Fund Performance, May 2017

Evaluating Trading Strategies (https://ssrn.com/abstract=2474755)

Backtesting (https://ssrn.com/abstract=2345489)

The Cross-Section of Expected Returns (https://ssrn.com/abstract=2249314)

Lucky Factors (https://ssrn.com/abstract=2528780)

Detecting Repeatable Performance (https://ssrn.com/abstract=2691658)

Decreasing Returns to Scale, Fund Flows, and Performance (https://ssrn.com/abstract=2990737)

The Scientific Outlook in Financial Economics (https://ssrn.com/abstract=2893930)