财新传媒 财新传媒

阅读:0
听报道

前些日子,笔者采访了美国杜克大学的坎贝尔·哈维(Campbell Harvey)教授。在访谈结束后,笔者写了两篇文章来总结我们的对话内容:

1)大部分量化基金都是骗人的

2)基金经理将会被机器代替

这两篇文章得到了很多读者朋友们的关注,并收到了不少高质量的评论。笔者选了一些评论,将它们翻成英语发给Harvey教授,得到了教授的回复。在这里和大家分享一下。

 

1)知乎用户:王勇

文章有待商榷。标准差或Z值找机会是一种方法,我最近在雪球也发了3篇关于指数Z值高低表的文章。1个标准差的机会很多(Z值小于负一)。2个标准差机会很少(Z值小于负2)。6倍标准差是神话,摩托罗拉当年退出的6西格玛是理想,而不是现实。而且考虑到漂移后,也只有3个西格玛。既CP与CPK区别。最重要的是,交易数据天数,越长约好。今年的标准差远远小于过去10年所有交易天数的标准差。证卷交易短短不到100年,约2.5万个交易日。算5西格玛有意义吗? 能找到2个西格玛的交易机会,已经是难得,一年总能找到几次机会,几个标底。3个,四个西格玛机会出现,有人敢投吗?

雪球用户:魏员外

如果采用5个标准差的话,等到好不容易确定一个基金经理靠谱后,他大概已经老死了。

知乎用户:greedisgood

数据越多就越有用了?不考虑结构性变化和高频数据的低信噪比?

Harvey教授回复:我提倡3西格玛,而不是5西格玛。其原因正如您所说。

在物理学,有大量可以研究的数据。在金融投资领域,除非是做高频交易,否则我们不可能有如此海量的数据。即使是高频交易领域,其数据也带有很高的噪音。

【原文回答:I do not advocate 5 sigma for exactly the reason you mention. In particle physics you have the luxury of a huge amount of data. We do not have that unless you are working at ultra high frequency level where you can credibly have billions of observations. The high frequency data, however, is very noisy.】

 

2)知乎用户:夏瑜

你这就是典型的物理学崇拜,而交易是个非线性行为。比如说一个策略狂回撤不会看着止损吧。我可以忍也可以换策略也可以离场等待时机。这种行为是传统统计方法无法衡量的。

微信公众号用户:公孙远

金融领域的假设检验肯定不能与物理学比,两个学科在假设上是有区别的,金融领域的研究对象,也就是金融市场市场不比客观的物理世界,它有人参与,且误差在一定程度上是有意义的。

Harvey教授回复:我在2017年1月美国金融协会(AFA)主席演讲(《金融经济的科学未来》)中专门提到这个问题。

该演讲的视频在此:youtube.com/watch?

该演讲的文本内容在此:papers.ssrn.com/sol3/pa

经济学,从很多地方来看,要比物理学更加复杂,因为经济学研究的对象是人。用物理学的标准来研究经济和金融问题,恰恰源于两个学科之间的差别。

【原文回答:See my Presidential Address, The Scientific Outlook in Financial Economics and the discussion of August Compte. I agree with you that economics is, in many ways, more complicated because you are modeling interactions with humans. My comparison to physics was motivated by exactly your point – it is different.】

 

3)知乎用户:该隐

人是最难被针对的,因为交易的本质是博弈,现阶段智能量化交易能获得高收益是因为还属于极小部分,当人类前赴后继的投入量化机器进行交易,赌桌上剩余的人类将会针对机器调整策略,机器盈利的空间将被压缩,就像你说的,人是感性的,你不知道他下一秒会因为各种前因做出各种决定,机器也不会知道。

雪球用户:左手见到神

人脑有一千亿个神经元,神经元之间有上万的连接。一个人脑的复杂程度远超整个互联网。在现在人工智能能在某个特定的领域超越人类,但在整体上超越人类可能遥遥无期。

Harvey教授回复:我不同意。

当我刚开始工作时,当时最快的电脑叫做Cray-XP2。那是1990年代最先进的电脑,每一秒处理19亿个步骤,售价高达2500万美元。该电脑重达5000磅。

最新发售的Iphone 8,每秒处理6000亿步骤,售价800美元,重量只有5盎司。跟金融相比,要想预测电脑处理速度的未来要简单的多。

很快,我们花上1000美元就能够购买一个人脑的计算能力。更让人感到可怕的是,在5~10年后,相同的钱可能可以买上相当于几亿个人脑的运算能力的电脑。这也是为什么“钢铁侠”埃隆·马斯克创办NeuralLink公司的原因。我们的人脑,很快就会不如一个很便宜的电脑。

【原文回答:I disagree. When I started my career, the fastest computer was the Cray-XP2. It was the fastest computer up to 1990 and did 1.9 GFLOPs (1.9 billion operations per second) and cost $25 million USD. It weighed over 5,000 pounds. The recently released iPhone 8 does 600 GLOPs and costs $800 and weighs 5oz. In contrast to most things in finance, forecasting the future of computer speed is very easy. We will soon reach the point where $1000 buys you the computing power of a human brain. What is scary is that 5-10 years later, that same money can buy you the equivalent of a billion brains. This is exactly why Elon Musk is starting NeuralLink. Our brains, soon, will be greatly inferior to cheap machine.】

 

4)知乎用户:Adun

呵呵,量化策略不也是人做的吗?基金经理就不能做量化策略了?

雪球用户:taxivip

个人观点,量化的交易策略是由人来制定的,这从根本上就决定了。量化策略是有局限性的。好的量化策略很贵,也与普通投资者无关。

Harvey教授回复:上述观点在今天来说,基本正确。但是,在机器学习和深度学习领域,该观点不一定适用。

在传统的量化研究领域,你向电脑提供数据,写明目标,让程序来完成你定下的目标。

在人工智能领域,机器能够独立于人之外进行自主独立的学习。这和传统的量化投资策略有很大不同。

【原文回答:Yes and no. The statement is largely true today. However, there are important exceptions in the field of machine learning and deep learning. Here you simply state your objective and provide the data. The machine learns independently of the researcher. This is the whole idea of AI.】

 

5)雪球用户:不要数字只要胜利

量化投资在本质上讲,人没有能力去预测未来,想通过某种工具去预测未来。其实,预测未来不是逻辑思维能力够不够的问题。而是要逆转时间的问题。在人类生存的现有三维时空中,逆转时间就相当于改变了这个时空的基本规律,会导致什么后果自己想。

所以用计算机搞量化投资的人,想在股市中赚钱,这个问题转化成了,想用计算机来改变这个时空的基本规律。自己掂量一下,可能吗?是不是像某人想抓着自己的头发离开地面一样可笑。要是人处在多维时空,预测未来就根本不是一个问题,任何三岁小孩,向前向后看一眼,就知道整个事件发展的始终。当然那时候也不会有人能通过预测未来赚钱了。

命运的车轮向前滚动的时候,别老想着改变它的方向,试着接受它,因为我们是普通人,不是神。

Harvey教授回复:要想把人类的想法和行为归入模型中,是非常困难的。但是,基于一些典型的人类非理性行为,可以设计出一些最优秀的量化投资策略。

举例来说,我们知道,大部分人都喜欢追涨杀跌。一个非常简单的“顺势(trend following)”(也可以称为动量投资,不熟悉的朋友可以百度搜索“伍治坚+动量”进行扩展阅读)策略就能够基于这种行为习惯在市场上获取超额回报。

【原文回答:Agreed it is very difficult to model humans. That said, some of the irrationality leads to some of the best quantitative trading strategies. For example, we know humans tend to chase performance (buy when assets go up and sell after they go down). A simple algorithmic trend following algorithm can capture excess returns based on this.】

 

后记

帮助大家和Campbell Harvey教授进行交流,希望可以证明一点:即很多时候,一个问题的答案并不是非黑即白,也并不是一开始就能很容易看清。现实中的大部分问题,都是比较复杂的,需要我们不停的讨论,思辨和交流。

作为一个证据主义者,我们应该始终抱有一个开放的心态,以充满好奇心的态度对待不同的看法和意见。在轻易否定或者认同对方的想法之前,我们应该坚持证据主义哲学,认真的问一下,对方的观点有没有证据支持,是否仅仅是对方的一己之见,有没有逻辑漏洞。

大家都以冷静和理性的态度进行对话,就会发现没有什么问题是不能好好讨论的。同时,在讨论的过程中,每个人都会学到一些新东西,获得更多的价值。

希望对大家有所帮助。

【注:伍治坚和Harvey教授的访谈录音(英语)在喜马拉雅FM/蜻蜓FM“伍治坚证据主义”播客栏目下。】

伍治坚是《小乌龟投资智慧》的作者。

 

话题:



0

推荐

伍治坚

伍治坚

378篇文章 1次访问 3年前更新

新加坡五福资本(Woodsford Capital)创始人,著有《小乌龟投资智慧:如何在投资中以弱胜强》。个人微信公号:伍治坚证据主义论。

文章