量化资产管理 on Yuunagi Library

第一部分 · 规划我们的工作

Mon, 01 Jan 0001 00:00:00 +0000

Part I

规划我们的工作

投资方程式——从产品定位到治理架构。

投资方程式

不久前，一位聪明且受过良好教育的银行高管把我拉进一间屋里，屋里大屏幕电视上正播放着刺耳的财经新闻，股票行情不断滚动。他在白板上写下一个经济学方程式，说：「我懂经济学，这是通货膨胀的方程式。那投资的方程式是什么？」

这本书是为职业投资者写的。尽管受过良好的教育，大多数投资者是在工作中学会了一项高度专业化的技能，许多人缺乏自己专长之外的视野。这些投资者可能专注于某一类投资，有时会忽视其他市场里几乎无穷的机会。另一些投资者可能只见概貌，却错过实务上的细微之处。偏学术的研究者钻研那些更常见的因子（factor），可能放弃利用「边缘效应」（edge effect）、摩擦（friction）和低效（inefficiency）的好处。

无论我们知道多少，每个人都有可能不自知的盲区。随着我们雄心的扩张，原本专家级的技能组合里可能暴露出关键的缺陷。和我们所有人一样，我提到的那位首席经济学家低估了自己无知的程度。如果不接触那些我们自以为懂的话题，这些错误可能让我们去追求错误问题的正确答案。

本书的一些读者只是想填补空白或学几个窍门。另一些读者可能扩展自己本就强大的投资技能，学会开发更全面的策略、在不同环境或文化中高效工作、应对新挑战，或者用尚未充分发展的技能去创办一项业务。

这些主题——对其他市场的觉察、深思熟虑的规划（提出正确的问题并有效地回答）、通过多样化和专业化获得机会、以及与不确定性的斗争——是贯穿全书的众多关键课程的一部分。

我自己也是从专员做起，专注于用量化技术产生风险调整后的收益（risk-adjusted return），而不顾更细腻的业务目标。当我在不同组织工作、担任更具公司色彩的职位时，我逐渐理解这些所谓投资业务的动机和驱动力，是如何偏离、有时甚至与追求投资卓越相冲突的。驾驭这些障碍，可能就是一项成功的投资努力与一项被与投资业绩无关的影响所挫败的努力之间的差别。

我从投资者成长为投资组合经理（portfolio manager），再到首席投资官（chief investment officer）的过程中所学到的业务经验，构成了本书第一部分的内容。要有效，我们必须把赚取投资收益这一直接概念，重新塑造为适合业务目标、文化、资源和客户的产品（第1章）。

作为投资者，我们必须带着信念和目的去争取所需的资源。当别人紧张怀疑时，我们需要激发信心。第2章讨论如何定义策略并使之与业务对齐。为使论证有说服力，我们需要明确业务案例和投资政策（第3章）。我们需要勾勒我们提供什么、要做什么、以及如何做。我们这样做是因为它常常是必须的，而且几乎总是一个好主意；但主要是因为有条理地思考整个计划，帮助我们在不确定的时期站稳脚跟。

第二部分开始我们对量化金融建模的讨论。和任何类似教材一样，我们讨论过拟合（overfitting）、缓解不切实际的假设、管理替代（substitution）、增强少数类（minority class）、缺失数据插补（imputation）等重要话题。我们不在基础上逗留，也不强调技术或理论。我们专注于实用的投资解决方案，不回避细节和复杂性。我们的科学与学术讨论常由基本面和经济理性驱动，但务实占主导。投资载体的机制（mechanics）或订单流（order flow）这类技术性驱动因素，可能比引人注目的理论更可靠、更切题。

投资需要的远不只是预测哪些投资会涨跌。在第三部分，我们把策略发展成一项投资产品，包括 alpha 模型、风险模型、执行、回测（backtesting）和成本优化。第二部分和第三部分不仅仅是关于量化方法。几个重要主题贯穿其中：

第一部分讨论的规划至关重要。 量化投资管理在很大程度上是项目管理。许多有经验的经理因缺乏规划而失败，尤其是那些问错问题、解错问题的人。在困难时期，信任一个设计良好的计划能带来慰藉。
识别风险比预测收益更容易。 一个好投资者能从一项坏投资中赚钱，但一个差的交易员可能在大概率上下注却亏损。「走错方向」（wrong way）的风险在最糟的时候出现，可能是灾难性的；而「走对方向」（right way）的风险则更容易承受。
相互作用不可避免。 因子跨越资产类别，在隔离投资业绩本质方面比传统方法做得更好。资产类别、行业和其他分类相互作用，可能搅乱和混淆隐藏的驱动因素与风险。由于相互作用，投资组合中资产的组合方式，可能比选择包含哪些投资更重要。
复杂性可能值得付出。 复杂性不必令人瘫痪或困惑。一步一步、一层一层地，可处理的元素能组合起来产生显著效果。
系统缓解偏见。 量化方法的一个重要优势是它能避免危险的偏见。如果使用得当，他人的倾向在系统化交易（systematic trading）和特征设计中可被用作优势。

第四部分描述一个持续投资业务的管理：度量绩效、从错误中学习、管理风险、在灾难中存活。我们在第一部分写了作战计划、构筑了防御工事；在第四部分，我们讨论当事与愿违时如何坚持下去。我们在客观性的需要、一个本质上不完美系统的局限、以及多方利益相关者的政治现实之间取得平衡。

专栏 0-1 尾注与其他资源在线

本书有大量尾注。我们本想对所有促成本书的精彩研究加上行内引用，但这会让书的篇幅翻倍！

尾注、更深入细节、示例及其他资源（包括计算机代码、视频、课程计划和测验）可在 www.QuantitativeAssetManagement.com 获取。我们强烈建议您经常访问并使用这些资源。它们会定期增补和更新。

本部分章节#

第 1 章选择我们的产品第 2 章投资流程第 3 章领导力与治理

第01章 · 选择我们的产品

Mon, 01 Jan 0001 00:00:00 +0000

选择我们的产品#

因用而设

人们通常认为，投资的技术能力——预测有利可图的投资和管理资金——是可以迁移的。在没有经验的人看来，用自有资金投资、为对冲基金（hedge fund）工作、为投资顾问工作，或管理财务金库，本质上似乎是同一件事。其实不然。商业目标、可用资源、客户需求、约束条件和激励机制各不相同，有时甚至比良好的业绩更为重要。投资者需要理解自身处境并善加利用。

本章将考察若干典型的业务形态，以及如何在这些业务中有效地管理投资。为了让我们的计划有一个正确的开端，我们需要评估一些关键概念：

公司类型（Firm type）。 公司的最终目标可能不仅仅是收益。我们的投资努力必须支持公司的商业目标，这一点至关重要。这些目标常常通过公司类型来识别。令人意外的是，许多投资公司远比关注业绩更在意叙事、销售或费用最大化。公司的资金来源可能有特定的需求或偏好。我们未必能决定收益的特征，而可能不得不按照出资人的偏好来投资。

技能（Skill）。 我们的资源可能有限。我们也许指挥的是一支由极有能力专家组成的海豹突击队，也可能是一支被训练成销售员的顾问大军。我们的目标必须反映我们的能力。我们必须选择一场我们能够打赢的仗。

基金结构（Fund structure）。 我们可能继承一个现成的基金结构，也可能设计一只新基金。无论哪种情况，了解不同司法管辖区的各种优劣都很重要。法律和税务上的技术细节往往决定了投资风格。

激励（Incentives）。 激励机制定义了周围人对成功的理解。收益可能并非公司或上级的首要目标。同样，你提供给员工的激励也应当与你的目标保持一致，以避免出现意料之外的结果。

本章将讨论上述这些为我们的工作奠定框架的概念。我们将在第2章构建策略，并在第3章制定计划。

公司类型#

公司的商业模式决定了其资源、客户基础和动机。投资努力的目标和目的应当与这些需求和能力相一致。以下是一些公司类型及其如何回报投资管理者的例子：

自营交易公司（proprietary trading firms）。 这类公司通常被视为最具资本主义色彩的投资公司形态，公司、员工和客户之间的利益高度一致。自营交易公司有"切身利益在其中"（skin in the game），因为它们提供杠杆。为了让交易者与这种风险对齐，自营交易公司，或称prop houses，常常要求一种对称的报酬方案，管理者既参与亏损也参与收益。扭曲的激励也很常见，比如鼓励过度交易，使佣金从投资团队流向公司。投资团队常常需要自行支付资源成本。

对冲基金（hedge fund）和私募股权（private equity）。 表面上看，这些基金的激励费（incentive fee）^1^似乎与投资目标高度一致。随着基金规模增长，收入中更大份额往往来自与管理规模成正比的管理费（management fee），而较少来自业绩或风险管理。对管理费的重视可能使公司更关注营销而非业绩。有时基金会突破容量约束，接受超出策略所能容纳的客户数量。对冲基金的资源可能较为充裕。

财富管理顾问（wealth management advisories）。 顾问同样无法避免利益冲突，可能被引诱去推荐能产生更高佣金的产品，或优先考虑资本积累（即管理资产规模（assets under management），简称 AUM）。为此，他们可能强调诸如人生规划或税务管理、客户体验、差异化、上市速度、"民主化"或其他非投资特征，而以牺牲稳健的投资收益为代价。

客户的目标可能彼此冲突，例如一个信托可能以收入奖励某位受益人，而以增值奖励另一位。又或者在世客户可能希望耗尽基金，从而损害后代利益或违背原始出资人的意愿。强调非投资目标的商业模式可能将投资资源视为负担，而投资团队可能缺乏应对挑战性任务所需的技能。

家族办公室（family office）。 家族办公室形形色色，其目标和投资也各不相同。其目的和运作方式在很大程度上取决于办公室的规模和管理方式。家族办公室的行为可能像顾问公司、自营交易公司或捐赠基金。它们可能更具机构化特征，接受小众投资策略、联合投资（co-investment）和俱乐部交易（club deal）。冲突可能包括对家族的迎合，或不同成员、不同世代之间目标的不相容。

投资银行、私人银行和保险公司（investment banks, private banks, and insurance companies）。 这些公司通常提供复杂的产品和服务，包括定制化结构。金融工程常被用于设计和量身定制满足客户需求的解决方案。这些公司通常在数据、技术和技能方面资源充足。

养老金、政府、捐赠基金、慈善机构、主权财富基金（sovereign wealth funds）和企业年金计划。 这些机构通常高度机构化。其中一些资源充足、极其精深；另一些则在财务上受到约束，由代表受益人或发起机构的非专业人士组成的董事会管理。一些大型公共机构不愿支付高薪，却为外部顾问和服务预留了丰厚的预算。将关键的管理技能外包所带来的冲突问题十分棘手。

投资技能#

一位基于低成本被动投资建立起令人艳羡的投资公司的人士曾问我，如何调和他对主动管理的尊重与自身的成功。相互冲突的风格与理念可以在不同的条件和约束下并存。一家较少获得人才和机会的公司应当追求更被动、更低成本、更分散化的策略，而一家更易获得人才的公司则应当更加主动，为获取信息和速度付费，并集中于高确信度的想法。

被动投资者可以尽量减少许多决策的影响，但有些选择是不可避免的，比如交易和再平衡的时机。即便机械、任意的时机规则也是带有后果的选择。有技能的投资者把风险当作一种宝贵而有效的资源加以运用，而不是像对待危险物那样去减少和回避它。^2^

基金结构#

一些只专注于管理投资的读者可能尚未接触过基金结构。他们可能管理的是自有资金或聚合账户，如财务金库或养老金。当这些读者在更复杂的安排中工作，比如在注册投资顾问（Registered Investment Advisor，RIA）中，或开始设立一只新基金时，选择合适的法律和税务结构将至关重要。

一些客户要求单独管理账户（separately managed accounts，SMA）、委托账户、独立账户（"segs"）或侧袋账户（side pockets）。这些账户为客户提供定制化处理，并包含实际证券，而非混合基金中的份额。账户可以根据需要添加或剔除投资。一旦如此，这些账户从建立之初就开始从模型组合或基金中"分叉"，并随时间推移愈发偏离。由于这些账户不与他人共享，它们不受所模仿基金所遵循的相同法规约束。

基金将投资组合在由多名投资者共享的结构中。基金享有规模经济、流动性和更低的成本。在基金中较为简便或昂贵的处理方式，在独立账户中可能无法实现。税务包装、衍生品使用和其他特性在基金中可能得到更好的运用。

几乎每个司法管辖区都有自己形式的基金，并伴有相应的法律和税务待遇以及相应的限制。基金种类繁多、细节各异，名称包括管理基金（managed funds）、资金池（investment pools）和集合投资计划（collective investment schemes，CIS）。它们可以公开交易，例如交易所交易基金（exchange-traded funds，ETF）、共同基金（mutual funds）、单位投资信托（unit investment trusts，UIT）、房地产投资信托（real estate investment trusts，REIT）以及其他封闭式基金，或特殊目的收购公司（special-purpose acquisition companies，SPAC）。它们也可以是私下的，例如在对冲基金或私募股权中流行的有限合伙制。

第02章 · 投资流程

Mon, 01 Jan 0001 00:00:00 +0000

投资流程#

如何投资

既然我们已在第1章中确定了自身在业务中的使命，并阐明了如何推进其目标，我们便可将目光转向如何规划实现这些目标的路径。一旦制定了计划，我们将在第3章中将其凝练并加以沟通。一套深思熟虑的流程能为我们提供结构、可靠性与指引，使我们在充满不确定的时期亦能有所依托。

战略资产配置（Strategic Asset Allocation, SAA）#

部分读者或许并不需要本章所呈现的那般全面的计划。那些专精于某项更窄技能（如选股）的人，仍可从理解自身努力如何融入更宏大的议程之中获益，从而更好地满足公司、管理人和客户的需求与目标。

因子暴露（Factor exposures）。 战略性或长期配置，又称政策组合（policy portfolio），通常被定义为对各类投资设定目标配置，并附带一个区间或范围，使管理人得以灵活地根据当前形势调整风险。尽管多数机构仍通过指定资产类别和货币权重来界定其大部分配置，但两种做法都已陈旧且有误导之嫌。风险是跨资产分布的，而不同类别的风险往往差异悬殊。以因子与数量、并以风险预算（risk budget）^1^ 的方式界定投资类型，要远为有效与实用。

分散化的收益（The benefits of diversification）。 一些投资者抗拒资产配置策略，并超配（overweight）高风险资产。这种短视观点忽视了几乎所有投资类型都会经历漫长的回撤（drawdown） 时期。虽说"风险调整后的收益不能当饭吃"，但回撤对那些需要用资产偿付负债的投资者，以及临近退休的人来说，是毁灭性的打击。

作为最常见的高风险资产类别之一，美国大盘股在大萧条（1930 年代）之后及此后的若干时期都经历了漫长的回撤。可以公允地说，大幅回撤并非异常现象，而大萧条之后的 49 年误导了众多人士，使他们以为股票会稳健升值。^2^ 若读者将注意力集中在图 2-1 的阴影回撤部分而非长期趋势，并设想自己在退休前"潜水"（处于亏损状态）5 年乃至 10 年之久，那么高风险资产便会显得不那么诱人。倘若图中纳入第一次世界大战和西班牙流感，情形将显得更加严峻。

图 2-1 股票在大部分时间里都处于回撤之中。别被困住！

机构持有约 80% 的美国股票。其中不少机构（如资金不足的州养老金）会发现，难以在没有收入的漫长时期里撑持下去。即便一个组合能够产生更高的终值财富（terminal wealth），确保更多时间"浮出水面"或许也是值得付出的努力。图 2-2 显示，大多数州养老金系统资金不足，其中许多资金缺口相当严重。

图 2-2 美国州养老金：资金覆盖率减去 100%

数据：Pew Charitable Trust，《州养老金资金缺口：2016 年——投资亏损、缴费不足降低了公共雇员退休计划的资金水平》（"The State Pension Funding Gap: 2016: Investment shortfalls, insufficient contributions reduced funded levels for public worker retirement plans"），2018 年 4 月 12 日。

第03章 · 领导力与治理

Mon, 01 Jan 0001 00:00:00 +0000

领导力与治理#

恪守责任

[T]三种常见的致命投资错误是傲慢、无知以及道德的随意（flexible morals）。在我所督导的数以千计的专业和学术投资方案中，几乎都曾因这些失误而濒临失败——若非我及时介入的话。

这些同样的恶习也是一条通往所谓"成功"的熟路，而其代价往往由客户与债权人承担。每一个戏剧性的幸运成功背后，都有许多无声的失败。因此，可得性偏差（availability bias）会引发确认偏差（confirmation bias）。我所倡导的美德是纪律、概率与技艺，而非冲动、投机与运气——是苦功而非炫技。这些美德能提升成功的概率，并使成功更具针对性与刻意性。

守护良好行为、与投资者保持一致、应对无处不在的道德风险（moral hazard）、遵守法律合规，这些并不是审慎治理（governance）与有效领导的全部理由。即便是出于最良好意愿的计划，也常常缺乏通向可持续成功的路径，或者在不经意间制造出难以补救的组织困境。

本章我们将首先讨论良好的投资文化（culture）。这些特质对于个人投资者、小型基金和大型机构都至关重要。它们常常被虚伪地宣称为核心信条，而其缺失则从内部侵蚀投资流程。

我曾目睹许多人因缺乏规划而不必要地挣扎与失败。一份*商业论证（business case）*有助于提升认知，并为建立投资业务这一充满不确定与挑战的过程做好准备。撰写论证的收益在于它所赋予的洞见——不在于计划本身，不在于把它当作神谕，而在于它赋予撰写者以知情、自信、果断而明智地应对挑战的能力。作为给他人阅读的文档，其价值远远次之。当论证中的要素被用于其他文档时，应针对特定受众调整表达。

大多数企业并不需要一份正式而详尽的*投资政策声明（Investment Policy Statement，IPS）*来界定投资经理与其投资者之间的关系。对这类文档不熟悉的读者，或许能从文档所考虑的诸多细节中受益。正如商业论证一样，IPS 能帮助我们更好地理解目标，从而直奔主题，而非在中途痛苦地调整。

*投资尽职调查（Investment Due Diligence，IDD）和运营尽职调查（Operational Due Diligence，OOD）*文档确保业务被妥善搭建、正常运行、相互契合，并被认真且不偏离地执行。这些文档通常由较大的投资者所要求，能迫使我们向那些有意无知的投资者负责。问责（accountability）是一件好事，它让我们始终走在正轨上。

最后，我们讨论一些考量与约束，包括组织的规模、文化及其投资偏好。

文化#

良好的治理意味着——培训员工去感受、知晓并理解正确的行动方式——这看似负担沉重，尤其是在那些为绕开困扰众多大公司的层层摩擦而成立的小公司中。

在小团队里，人们很容易忘记：治理与执行的分离是问责、绩效与风险管理的基础。在一个充斥着情绪、不确定、压力与诱惑的行业中，领导者要对其团队的投资决策负责。良好的治理在培育并支持责任与问责的环境中最为有效。领导者可以外包任务，但领导与治理的责任无法外包。

矛盾的是，鼓励试错的文化往往在最需要审慎时导致决策草率。拥有失败与学习的信任，意味着承担起更重的责任——明智地运用风险，并审慎考虑其后果。

责任、品格、怀疑精神、延迟满足、自我效能与自我诚实，在量化投资中至关重要。我们每个人对自身能在多大程度上掌控处境可能有不同看法，这一概念被称为"控制点（locus of control）"。^1^ 在一个需要力量与行动的环境中，许多人因任务之艰巨或对犯错的恐惧而回避行动，进而放弃责任。另一些人则甩开责任，单纯依赖运气——"这不是我的错"或"命中注定"。参见图 3-1。

图 3-1 责任之弧（The Arc of Responsibility）

可靠的成就需要担当与韧性。没有人能时刻百分之百地投入、坚韧且高效。良好的文化迫使我们至少走完一个审慎决策的流程，从而抵御不可避免的软弱以及我们人人都具有的诸多心理弱点与偏差。所需要的是：在机会窗口内坚持磨砺问题、执行一个不完美的解决方案，并对结果负责。

多数人并不会以科学方式审视自己的信念，而是以"相信的感觉"作为真理的替代。当被告知其观点未经应有的怀疑态度审视时，他们往往做出反应而非分析。投资这项任务太过艰难，容不得这种奢侈。行为偏差对关键决策可能极具危害。在诱使我们走捷径、让噪声扭曲信号的关头，正确的流程能帮助贯彻科学方法以及必要的制衡。

虚无主义（图 3-1 弧线左侧的"扳机迟疑者"）作为一种组织力量，与过度自信（右侧的"强迫性赌徒"）同样强大且具破坏性。撰写专业投资者与分析师表现糟糕的文章颇为流行。诚然，在收取并提取了高昂的复合费用之后，专业投资者的平均水平确实跑不赢基准。然而，尽管投资困难，业绩不佳往往很大程度上源于自我掌控与纪律的不足。

如果我们认为自己无法击败竞争对手，就不应参与竞争。即便我们的策略是一场"比拼归零费用（race to zero [fees）"的竞赛，^2^ 我们仍可以比对手更优秀、更具创新。目标感与效能感至关重要，需要被传达与强化。

跑赢市场的方式有很多，其中许多依赖于微小的优势——低成本、稳固的基础设施或信息获取。销售说辞自然会回避弱点、模糊对手的长处，但自我欺骗却是危险的。科学审视与心理韧性在量化资产管理中不可或缺，而文化上的自我欺骗却十分常见。

与其追逐某个目标，更关键的是规划并遵循一套流程，为良好治理分离职能以管理利益错配与权力分散，并勤勉地坚守最良好的初衷。撰写这些文档是迈向良好规划与管理的第一步。

商业论证#

一项新的投资举措常常会引发利益相关者的疑问：

这一举措为何对业务重要？
执行将是怎样的？
这是否是达成结果的最佳路径？有哪些替代方案？
你需要我做什么？我在其中承担多少？

商业论证（business case）不同于商业计划。它不包含对竞争对手或竞争环境的分析，也不旨在提供收入、支出、业务战略等的远期预测。

实例可以让抽象的讨论变得清晰。我强烈建议访问 www.QuantitativeAssetManagement.com，查看一份投资业务的商业论证示例。

准备论据。 商业论证是与董事会、委员会及掌管拨款的经理们会面前的极佳准备。无论是否被要求提交正式论证，撰写一份都会带来深思熟虑、令人信服的理由和具体的计划。依据组织与文化，论证最终可能是一份简短的演示、备忘，或一份详尽报告，配有计划评审技术（PERT）图、甘特图（Gantt chart）以及 PRINCE2（受控环境中的项目，PRojects IN Controlled Environments）或关键路径法（critical path method）等经典规划技术。文档可以略去公司内人所共知的内容。该论证旨在内部使用，尽管外部专家可能参与评审。

解决问题。 商业论证的目标始终是解决问题。一般原则是：关注成果，而非交付物。从愿景与目标出发，绘制流程图，界定范围，确定所需能力与功能，绘制路线图，并组建团队。

第二部分 · 数据、特征与响应

Mon, 01 Jan 0001 00:00:00 +0000

Part II

数据、特征与响应

资产类型、金融数据、特征工程与因子。

打好地基

在第一部分，我们明确了我们的产品，写了一份业务计划书，概述了所需资源和项目时间线，制定了一份目标与约束清晰的投资政策声明（Investment Policy Statement, IPS），并看到了如果一位成熟的投资者对最终产品做尽职调查（due diligence）时，结果会是什么样。

在第二部分「数据、特征与响应」中，我们将开始铺陈我们的量化流程，并在第三部分「构建我们的流程」中完成它。

在第二部分，我们将学习如何：

存储、探索和操作可用数据
评估可用的大类投资——它们既是特征预测（feature forecast）的来源，也是表达因子组合的方式
分析并选择最优的特征（feature）与因子（factor）来构建模型
为反映观点的前瞻模型预测因子
构建现实的目标函数（objective function），以可处理的方式表达我们的策略

在管理了数百个量化投资项目后，我们发现一些管理性问题反复出现，而它们的解决方案很简单。研究者在热情中可能忽视显而易见却必不可少的考量。由此产生的错误可能如此根本，以至于一项昂贵而艰辛的努力可能需要从头开始。为避免这类问题，遵循以下五个步骤会有帮助：

规划。 把任务拆成可管理的部分，逐一完成。
正确地界定问题。 许多项目失败是因为没有经过深思熟虑。项目开始后，可能才意识到问题提得不对。一次彻底的文献检索有助于识别他人已发现的问题与解决方案，并提供潜在的推进路径。
确保资源到位。 项目常常在未对可用数据做彻底调查的情况下就开始，结果发现没有足够的高质量数据用于分析，或计算资源不足。
让计算尽可能具体。 量化研究者常迷失在细节里，让实务人士惊讶于如此受过高等教育又聪明的人竟把握不住直观的事实。
执行计划。 埋头苦干、达成里程碑、承担责任。即使任务未能完成，我们仍能做出令人印象深刻的东西。

本部分章节#

第 4 章资产类型第 5 章金融数据第 6 章特征第 7 章金融与经济因子第 8 章构建因子预测第 9 章策略、目标与条件第 10 章金融市场的时间序列与横截面分析

第04章 · 资产类型

Mon, 01 Jan 0001 00:00:00 +0000

资产类型#

一段（并不那么）简短的概览

本章中，我们将考察可用于决策的一些数据；然而，数据可能是抽象的。投资的实际表现并不总是与我们的数据完全一致。我们可能分析的是纯粹的利率，但实际购买的却是债券、贷款、信用债或其它充斥着各种不一致属性的金融工具，而这些属性可能带来原始分析中未予考虑的机遇或风险。

本章对用于构建产品的各类投资进行概述。许多投资者偏好最常见的主流投资工具，因而可能错失成熟市场的多样性与深度。通过全面考量各种可能性，投资者能够更精准地表达其对风险和收益的观点，也更有可能发现错误定价与市场错位、识别竞争力较弱的交易对手，或发掘其它能够为原有投资逻辑增添价值（或减少在实际投资执行中固有的摩擦、挑战与复杂性）的优势。

因子（factors），或称解释变量（explanatory variables），是我们用以理解某种*预期效应（expected effect）或响应（response）*的数据。尽管因子可以是量化资产管理的核心要素，但若忽视了实际可用于执行计划的金融工具，它也可能成为一种抽象之物，从而制约我们落实投资逻辑的能力。

评估潜在投资的合理时机包括：定义因子以使其与响应变量相关时；选择证券时（第13章）；以及确定目标和计算成本时（第14章和第15章）。构造因子的方法众多，也存在一些"纯粹"投资于因子而不引入污染的方式，例如使用总收益互换（TRS, total return swaps）。但这些投资可能效率低下、成本高昂且结构复杂。

一般而言，我们通过股票和债券等基础资产来构建投资组合。 我们的投资指令（mandate）可能通过规定资产类别目标、区间及其它约束条件，迫使我们专注于特定资产。通过选择最恰当的投资组合，我们可以为自己的理念选择最高效的表达方式，并可在低效被过滤和分散之前加以利用。

"选对一只股票，等于卖掉了一半"——这句俗语强调的是：工具、价格和时机的恰当选择，与促成交易的动机同等重要（费用、成本和税收亦是如此）。可以买卖以创造相同因子敞口的金融工具数不胜数，但要精通所有这些工具却颇具挑战。

将投资归入各类资产类别（asset classes） 可能充满复杂性。例如，许多主动管理的资产彼此相关性很低，却常常出于需要而被归为一类。即便新兴市场（emerging markets）的股票或债券也难以形成良好的归类，因为它们通常涵盖多种可能彼此截然不同的地理区域。

资产类别之间的传染（contagion）效应很常见，^1^ 且它们之间的关联不断变化。投资分类因所用载体（如普通股、交易所交易基金（ETFs, exchange-traded funds）、互换或期权）而进一步复杂化。产品发行的结构往往难以与资产本身剥离。两只相同公司发行的债券，若票息结构不同（如固定利率与浮动利率），即使它们主要的敞口（如公司风险）相同，所承担的风险也各异。例如，即使是两只浮动利率票据（floating-rate notes），一只采用典型的、激励再融资的重置周期，另一只频繁重置（在澳大利亚较为常见），它们对利率的敞口也大相径庭。其提前还款风险（prepayment risk）也差异显著。由于及时重置，澳大利亚抵押贷款对利率相对不敏感；而在世界其它地区，利率却是更传统抵押贷款的主要驱动因素。

因子。 尽管因子与产品可能相互混淆，但当我们严格聚焦于因子时，可以更精确地把握，因为因子敞口之间的重叠往往较少。图 4-1 的左面板展示了可转债或*优先股（preferreds）*等投资如何跨越多个类别。在此示例中，优先股兼具股票、固定收益、货币和大宗商品（FICC）敞口。一些产品（如期权）则横跨所有类别。

图 4-1　资产类别之间存在重叠；因子则更为正交。

产品常常难以达到其初衷； 其构造方式常产生意料之外的结果。这些工具背后的机制往往比表面看来更为复杂。例如，国债期货常被用作固定期限国债（CMT, constant maturity Treasury）的替代。大多数期货追踪的是可交割券篮子（basket of deliverables）之一，即基于转换公式选出的最便宜可交割券（CTD, cheapest to deliver）。除标的 CTD 及其持有收益外，国债期货合约中还嵌入了五个必须考量的期权。诸如此类的细微之处，可能使一项投资的表现出人意料，并导致投资业绩偏离因子表现（专栏 4-1）。

公司敞口#

得益于过去一个世纪的优异回报，股票（equities）一直是广受欢迎的投资。股票包括在纽约证券交易所（NYSE, New York Stock Exchange）等交易所上市的二级市场交易、另类交易系统（ATSs, alternative trading systems）如电子通讯网络（ECNs, electronic communications networks）和撮合网络（包括明池和暗池）、首次公开募股（IPOs, initial public offerings）以及未注册证券。

融资#

几乎任何交易都需考虑放贷、借贷和持有成本（carry），股票也不例外。不同的载体涉及不同的风险；忽视这些细微之处可能带来灾难性后果，例如在逼空中被套牢做空。股票借贷、回购协议（repos，正回购与逆回购）、买入-卖出回购（buy-sellbacks）及其它安排在目的上相似，尽管其机制、风险和税务处理各有不同。远期、待公布（TBA, to-be-announced）、发行时（WI, when-issued）及延迟交收（delayed delivery）涉及在未来某日支付或收取证券，可能受条件和事件约束。

专栏 4-1　WYSINWYG（所见非所得）

一个绝佳的例子是广受欢迎的 iPath S&P 500 VIX Short-Term Futures ETN（VXX）——它提供对一个纯因子（波动率）的敞口，却可能带来截然不同的结果。尽管波动率是个相对简单的概念，VXX 的机制却十分复杂。VXX 并不如许多人设想的那样模仿 VIX，而是以动态比例组合前两份 CBOE 波动率指数（VIX）期货合约。图 4-2A 显示了由于两份期货之间的滚动，VXX 与 VIX 的业绩存在巨大差异。图 4-2B 显示 VXX 在日内（每日再平衡之间）跟踪良好，尽管在更长周期内存在偏离。

第05章 · 金融数据

Mon, 01 Jan 0001 00:00:00 +0000

金融数据#

看似无害实则暗藏陷阱

传统的统计和时间序列分析方法在处理金融数据（financial data）的细微之处以及世代积累的实践知识时，往往力不从心。经验之所以至关重要，原因有很多；而且，金融分析的受众即便对量化方法一无所知，也可能对金融本身极为精通。

许多量化从业者不愿攀爬陡峭的学习曲线，转而专注于数学，但这却是一个巨大的错误。我们曾看到许多才华横溢的人在徒劳中挣扎，并因缺乏对问题关键却又常识性的理解而显得愚笨。

华尔街（Wall Street）使用行话和圈子文化来排斥外人、维护自身利益，这一点并非独一无二。许多从业者在谈论金融时，几乎无法用日常英语表达。然而，这些概念一旦被理解，鲜有难以掌握的；而要在分析数据之前——更遑论做出预测之前——理解这些概念，乃是必不可少的。

在本章中，我们将讨论：

组织金融数据的一般方式
作为模型训练工具的归档数据（archival data），即时点数据（point-in-time data）
调整数据的方法，包括重采样（resampling）、重述（restating）和去趋势（detrending）

我们将专注于清洗数据并使其保持一致。在投身于用于预测的经济学、金融学和数学之前，必须彻底理解并调整原始数据。在使用金融数据时避免陷阱，需要投入大量精力和领域知识（domain knowledge）。各种专门而又晦涩的调整是标准做法；即便是来自金融界同一角落的数据，也可能存在许多令外行人困惑的不同约定。

组织金融数据#

在开始分析之前，我们需要组织我们的金融数据。数据组织的方法有很多。我们将专注于层次法（hierarchy method）。

层次树的第一层大致遵循彭博专业版 API（Bloomberg Professional API）的约定，它将数据请求划分为历史（historical）、实时（real-time）、当前（current）、批量（bulk）和字段（fields）。不同的历史数据以不同的频率记录，一些数据仅按日或更低频率提供。分箱（binned）或分时（bar）数据则可按各种频率获取。某些工具还提供组合（portfolio）、实时（real-time）、技术（technical）和逐笔（tick）数据。（本示例不包括另类数据（alternative data）或高频数据（high frequency data）。）

**历史（Historical）**请求产生时间序列（特定日期的历史数据和描述性数据）。
**实时（Real-time）**数据不是静态的，会不断更新。
**当前（Current）**请求产生描述性数据（以及最近的时间序列数据）。
**批量（Bulk）**请求以不方便的格式返回数据。
**字段信息（Field information）**请求返回描述其他方法所用字段的元数据（metadata）。

还存在许多其他的数据服务和约定。

时间序列数据（time series data） 是想到金融数据时第一个浮现的类别。尽管时间序列数据通常以时间—值对（time-value pairs）^1^ 的形式存储，例如日期与价格，但它常常被转换为横截面（cross-sectional）和面板（panel）格式。时间序列通常指单一工具或指数，例如单一名称（single name）在不同日期的股价。如果我们把某个特定时点上其他名称的数据合并起来，所得到的表就称为一个横截面（cross-section），例如若干股票在某一日期的财务比率。如果我们把不同时点的横截面合并起来，就称之为一个面板（panel）。

横截面模型（cross-sectional models） 不太可能出现欠定（underdetermined）的情形。预测变量的数量通常远大于需要估计的数值的数量。横截面数据在一些固定收益模型（fixed-income models）中很受欢迎。

描述性数据（descriptive data） 或多或少是静态的，用于描述或标注时间序列，例如统一证券标识程序委员会（Committee on Uniform Securities Identification Procedures，CUSIP）号码^2^ 或证券的资产类别。描述性数据适合用关系型数据库（relational databases）存储，因为少量描述性数据可以与大量时间序列数据相关联。

"批量"数据（"Bulk" data），例如地理分布或信用评级分布，在表格中不易存储。批量数据可以是时间序列，但通常是描述性的。批量数据可以是结构化、非结构化或半结构化的。即使是像以可扩展商业报告语言（eXtensible Business Reporting Language，XBRL）记录的监管申报文件（regulatory filings）这种高度结构化的数据，也可能十分复杂。许多设计良好的工具可用于解析 XBRL 等常见数据结构。

大多数金融数据是未标注的，意思是它不包含标记。批量数据可能是廉价标签的良好来源，例如国家经济研究局（National Bureau of Economic Research，NBER）发布的商业周期日期。标注通常需要领域专家参与，因此获取成本高昂，且可能包含错误。

时间序列数据。 作为我们分析过程的一部分，我们将时间序列数据分为三类：

经济数据（Economic data），包括诸如通货膨胀等经济因素

第06章 · 特征

Mon, 01 Jan 0001 00:00:00 +0000

特征#

去芜存菁

尽管人们普遍认为建模阶段（modeling phase）占据任何项目预测过程的主要份额，但恰当地选择合适的特征（feature）往往对最终结果更为关键。特征为算法提供检测模式所需的数据，从而为训练模型、预测结果提供必要的信息。通常，特征越是精确、精炼，整个过程的预测潜力就越可靠。

与数据类型类似，特征可包括：

基数型（Cardinal）：顺序可能重要的量，如收益率或信用评级。

数量型（Quantities）：没有有意义顺序的量，如付息频率。

序数型（Ordinals）：量级不重要但顺序重要的特征，如排名。

类别型（Categories）：既无数量也无顺序的特征，如行业名称。

本章将考察数据探索（data exploration）、抽样（sampling）、可视化（visualization）、为模型进行特征（feature）的选择（selection）、处理（processing）与整理（curation），以及为分析准备数据的相关技术。现代模型可能极其精巧、复杂得难以驾驭，但与人类认知相比仍显初级。控制力与易用性之间存在权衡；分析师影响模型结果的能力越强，在使用时就越必须知情和谨慎。由于大多数实现都倾向于控制，预测变量格式上的微小变化都可能显著影响模型性能，并扰乱本应稳健的模型。

大多数模型必须被喂入经过高度加工的数据——这些数据被精心地选择、组织并调理，以便清晰而明确地呈现给算法。多重共线性（Multicollinearity）（相关的预测变量，也称替代效应（substitution effect））和自相关（Autocorrelation）（某一预测变量的观测值与自身相关，例如动量与均值回归）会扰乱许多模型，尤其是依赖严格假设的高偏差模型（high-bias models）。

缺失值在 Scikit-Learn 等常用软件中可能导致有价值数据被大规模删除。即便对缺失数据进行了处理，所用方法也必须考虑到从其缺失模式中可以挖掘出的模式和信息。无关或极端的数据会严重扭曲结果，但要消除它们并不总是容易或明智的——正如投资中的意外横财或保险承保中的灾难性损失。

通常，数据和模型的选择涉及准确度（accuracy）与精确度（precision）（偏差 bias 与方差 variance）、简洁性、可处理性与可解释性之间的微妙权衡。所需的细致程度往往难以通过自动化方案实现，而需要"人在回路（in the loop）"的数据科学家。高偏差模型（High-bias models），如经济学和统计学中常用的许多模型，由于施加了关系或分布假设，对不完美的数据具有稳健性和容忍度。*低偏差（Low-bias）*模型由于其数据驱动的本质，常常过拟合，产生高精确度但低准确度的常见问题，尤其是在观测数相对于预测变量数较少时（欠定 underdetermined）。

在此我们将聚焦于特征工程（feature engineering）过程，讨论为分析准备数据的方法。所需的技术可能与用于分析的技术（如聚类 clustering）相似，但目的不同。本章将专注于用机器学习填补缺失数据，而非预测。我们将把对其他统计与机器学习技术的讨论推迟到第 10 章和第 17 章，以便将最技术性、最易过时的讨论与正文其余部分隔离开来。

**特征工程（Feature engineering）**将数据转化为有效的特征。领域知识在预测建模的这一阶段占据主导地位，尤其是与投资组合管理相关的部分。金融信息常常复杂而微妙，没有任何明确的度量或解读方法，并且容易受到操纵——这可能误导或欺骗。许多管理人对领域知识极为推崇，而对无视它的分析缺乏信任。优秀的分析包已广泛可得，并日益专业化。

由于竞争激烈，开创性的应用金融研究在学术界之外很少公开，一些最先进的创新、发现和工具都被严密守护。因此，大多数从业者"自卷（roll their own）"软件，局外人只能看到其他领域更为通用的进展，这使一些人误以为算法能承担繁重的工作。在特征工程中，人工介入比在其他分析阶段更为有益，因为领域知识、直觉，以及人类视觉处理和模式识别的敏锐度，都远胜于人工模拟。

机器学习是多学科交叉的，因此同一或相似的概念有各种不同的术语。许多术语来自数学（如拓扑学 topology）或计算机科学，还有大量工作专门为生物学（生物信息学 bioinformatics）、神经科学、图像分类和文本分析（自然语言处理，natural language processing 或 NLP）而发展。

如图 6-1 所示，我们从对数据集的描述与探索开始，这一阶段以可视化工具为主，随后选择那些看似重要的元素。几乎总是需要对数据进行一些耗时但必不可少的清洗与组织，而这往往涉及艰难的选择与权衡。

图 6-1 特征工程流程

一旦熟悉了数据集，我们便会更深入地检视信息的组合以及它们之间的交互。大多数金融分析（除高频交易、投资者分析和票据处理等少数任务外）都缺乏足够的相关数据；对此有若干不完善的解决方案，包括生成合成数据。

在特征工程完成之后，我们会将该数据喂给一个机制性（mechanistic）（寻找过程中的步骤）、推断性（inferential）（理解总体）、预测性（predictive）（预测某个特定值）或因果性（causal）（确定因变化而导致的结果）的模型。使用因果语言来描述推断性或预测性分析很常见，却具有误导性（图 6-2）。

图 6-2 在创建和调优模型以获得良好的样本外表现时，划分数据至关重要。

数据探索#

即便是小公司也可能收集到远超其处理能力的数据。在特征工程之前，数据可以原始、非结构化的格式存储于数据湖（data lake）中，或存储于更有组织的数据仓库（data warehouse）。通常会有一个*数据字典（dictionary）随数据一起描述其内容，另有一本编码手册（codebook）*说明收集数据所用的方法。

对数据执行的每一项操作都会移除一些日后可能需要的信息，因此保留原始格式、保留审计追踪和*证据链（chain of custody）*以跟踪所做的工作十分重要。最好将所有操作纳入训练、测试和生产阶段，以确保样本内与样本外结果尽可能相似，并使过程一致且可复现。

即便样本是随机抽取的，抽样偏差仍是一个隐忧。原始数据让我们得以参照数据最纯净的形式——唯一真相源（single source of truth，SSOT）或唯一真相点（single point of truth，SPOT）。审计数据有助于确定研究的参数，例如有效样本量。例如，可以增量地添加数据，以观察样本分布在何时收敛到总体分布。

第07章 · 金融因子与经济因子

Mon, 01 Jan 0001 00:00:00 +0000

金融因子与经济因子#

剥离风险与收益的驱动因素

在特征选择过程中，分析师通常会最大化预测变量的重要性（importance）与差异性（dissimilarity）^1^。一个精挑细选、规模适中的预测变量集合最为理想，但许多人会挖掘大量预测变量^2^及其各种变体。当大多数特征之间存在交互作用时，识别最有效的预测变量是一项困难的任务。审慎的态度和领域知识对于模型识别显著关系至关重要。

需要特别指出的是，金融时间序列的特征比许多其他类型的时间序列需要更多的谨慎。经济、档案、市场、基本面以及调查数据都需要格外关注，尤其是在为特征提取而对变量进行变换和组合时。例如，机器常常会犯人类本可以轻易避免的错误，而这些错误可能会被算法的规模和速度放大。

实用的代码是丑陋的，实用的因子也是如此。能够盈利的特征往往是小众的、短暂的、技术性的，且通常很复杂。如果策略的优势不是结构性的（例如，专有的客户委托流可能是一种结构性优势），那么优势很可能源自经验、技能、汗水，以及常常包括速度和基础设施。许多优势的来源既耗时又难以获得。如果回报过于丰厚或获取渠道过于宽泛，任何潜在的优势都可能被套利消除，或损耗于摩擦之中。

通过收窄模型的关注范围，并瞄准一个进入壁垒较高、回报适中的市场，就有可能建立起竞争对手不愿轻易触及的优势。大多数交易员都专注于某一特定的投资类别，因为在狭窄领域成为专家更容易。专业化通过增加细致预测变量的数量而使特征维度急剧膨胀，并因维度的增加而阻碍了一般性的、综合性的建模——例如，一位全资产管理者可能对管理基金和衍生品这类非线性资产采取线性外推，而专业投资者则可能使用诸如希腊字母（Greeks）等更精确的因子。

特征的复杂性与层级化#

金融特征是多维的，难以组织成一个完备的层级或分类体系。量化分析师和策略师必须选择一种适合自身研究的不完美结构。

风格因子（style factor），例如价值（value），其含义可能因经济周期、地理、行业部门或投资类型等特征而异。为管理这些定义之间的条件依赖关系，我们可以把这些因子组织成一棵树，并构建一个对每个维度都设置一层的模型。层级化（layering）比装袋法（bagging）更容易过拟合，但其设计背后的直觉^3^要优于那些不基于理论、虽技术上更严谨的模型。

将特征细分为经济上直观、易于消化且内部同质的子空间，可以通过剔除混杂因素来促进机器学习。模型输出可以被分层叠加，以产生可执行、可解释的建议。尽管将直观的层级化因子类别分层只是众多方法论中的一种，但它的优势在于既能简化复杂性，又能轻松地向门外汉解释。

层级化映射了许多非量化的流程，因此很容易被证明是合理且有效的。通过对许多不同的特征空间应用许多不同的模型，分析师可以聚焦于在每种情形下最有效的做法。这方面的例子包括：用支持向量机（SVMs）处理公司债券，用随机森林（random forest）处理美国大盘医药股，用纵向模型（longitudinal models）刻画市场状态（regimes），用横截面模型（cross-sectional models）进行证券选择。在评估一个庞大而多元的投资工具集合时，没有切实可行的方法可以回避繁复的设计，因此最好拥抱复杂性，并保持一套有组织、系统化的方法来管理它。复杂的模型并不一定难以构建或理解。

即使在图 7-1 这样相对简单的表示中，模型也可以通过多种方式构建，例如对每个资产类别（股票、固定收益、信用等）以及每个类别下的子类（公用事业、能源、金融等）分别建立多因子模型。每个类别和子类模型都可以有自己的响应变量。通常一个因子在每个特征子空间中会被作不同的解释；例如，"价值"对于股票可解释为市净率（price-to-book），对于利率可解释为收益率变动，对于货币则可基于购买力平价（purchasing power parity）。甚至连响应变量也可能随子空间而异。

图 7-1 将模型按经济直观的层级进行分层的一种方式

这些模型并不需要多么精巧；它们可以只是信号的简单平均。例如，股票相对债券的决策可以由消费者情绪、原油、美国国债基准、国内生产总值（GDP）和前瞻性盈利预测的平均值构成。

构成指标充满了细微差别和特异性。任何一位经济学家都能如数家珍地谈论季节性、平减指数、链式连接（chain-linking），以及他们日常处理数据时惯用的一大堆其他调整方法。深思熟虑的管理者会在求平均之前施加许多变换，例如 Z 分数（Z-scores）、滑动窗口技术、滞后、阈值、离散化、权重和百分比变化计算。

一个直截了当的预测变量被各种变换反复"拷打"，这是常有的事。在一种相对简单的情形下，分析师可能会用一个 18 个月的年同比百分比变化滑动平均加上 3 个月的滞后来增强某个指标，然后她可能把结果划分为高于 3% 和低于 -5% 两类。这听起来已经够复杂了，但变换流程往往远比这更精细，对金融分析师而言却可能是直觉性的。这种因子规格上的复杂性会在多次常识性的打磨迭代中不断累积。当以最终形态审视它们时，它们可能显得任意而做作。

管理者们常常对成千上万的指标进行数据挖掘，然后对它们进行调优或校准，从而招致过拟合。只有在这之后，这些管理者才用直觉来为实证结果辩护。相反，如果我们从一个具有经济动因的论点出发，再设计处理方法使指标更加显著，那么我们更有可能得到可预测、可复现的结果。

尽管响应变量可以有多种形式，但通常每个模型只会选择一个响应（例如对冲基金用 Sharpe 比率，公司债券用久期乘利差 duration times spread）。在第 6 章"特征（Features）"中，我们讨论了如何把目标各异、甚至类型不同的模型组合起来。一个模型的输出可以用作每种资产下一层级分层模型的输入，然后再作为整个组合的输入。许多分析方法都可以应用于这些输出，并在计算回测结果时使用。

正如我们在图 7-1 中所讨论的，一个用于全球宏观战术资产配置（Global Macro Tactical Asset Allocation, GTAA）的、更简单的自上而下决策树结构可以从粗粒度的决策开始，例如股票相对固定收益、货币、商品（FICC）。随着树的展开，每一层中的每个节点都会评估越来越细粒度的分层决策，预测某一资产类别或子类将占优。

当某个建议无法确定、不稳定或不确定时，一个分支便终止。终止节点之上的一层决定了证券选择。例如，如果模型在 EM（emerging markets，新兴市场）节点上无法判断更偏好哪个新兴市场国家，它就终止并把一个 EM 指数作为其选定的证券，从而回避国家选择^4^。响应变量的形式（业绩预测、分类、风险预测等）会极大地影响特征工程的方式。预测普通股方向的指标可能并不适合预测高级债务的违约概率，即便两者涉及同一家发行人。

在单个模型中为响应变量量身定制预测变量很容易，但在管理一个庞大而复杂的模型系统时，人们往往忍不住要尽可能地泛化和简化。分析师可能忍不住对普通股模型和高级债务模型都用同一个 GDP 输入，而实际上可能需要一种更深思熟虑、更量身定制的做法。或者，对收益预测而言，更细粒度的信用评分分类和阈值可能比对违约的预测更有效。例如，在纳入评级数据和信用评分时，转移矩阵（transition matrix）或有向图（directed graph，状态转移图）是常用的工具，在分析零售贷款时尤其如此。

许多看似容易量化的指标其实具有欺骗性的行为属性，比如风险和收益的度量。行为效应可能很微妙；例如，预测动量（momentum）往往由羊群效应（herding）和职业风险（career risk）驱动，并可能以经济状态为条件。预测的自满在扩张期可能更突出，而损失厌恶（loss aversion，即处置效应 disposition effect）在收缩期可能更常见。行为的度量，如趋势和离散度，有助于识别和预测行为。基于代理人的模型（agent-based models），例如那些刻画激励的模型，可以有效地用于建模行为。

第08章 · 构建因子预测

Mon, 01 Jan 0001 00:00:00 +0000

构建因子预测#

向前看，而非向后看

投资价格具有适应性（adaptive）、动态性（dynamic），并且建立在人类行为之上。投资者会预期未来并调整价格以反映他们的预测，而当某位投资者的预测与市场预测之间存在可货币化的差异时，机会便随之产生。

我们都会承认预测是一件困难的事。然而，正如 George Cox 的名言所说："所有模型都是错的，但有些是有用的。"^1^ 我们的目标不在于正确，而在于有用。借助稳健的资金与风险管理（risk management），即便只是微弱的优势（edge），在被恰当利用时也能带来丰厚的回报。

过去以及近乎当前的因子值（factor values）有时可以以回溯（backward-looking）的方式加以使用，以确定最佳的投资方式。反推估值（backing out valuations）要求历史是未来值的合理估计。尽管市场隐含（market implied）的估计很少足够好，但它们可以作为一个良好的起点。^2^ 估计误差（estimation error）可能压倒复杂的方法，使得最有信心的结果可能是过拟合（overfitted）的。因此，尽管预测方法可以很先进，但在实践中它们往往并不复杂（尽管看起来很复杂），例如一个使用收缩（shrinkage）的滚动指数加权移动平均（exponentially weighted moving average），窗口视流动性而定取三年或五天。我们之前已经讨论过，简单直观的改进如何累积成上一句中那样复杂而晦涩的表达。

研究者在尝试让历史数据具备前瞻性（forward-looking）时可以发挥创造力。有时，这可能意味着将基于时间序列（time series）的单个因子风险溢价（risk premia）与横截面（cross-sectional）平均值相融合。在某些情况下，可能需要采用间接方法，例如通过模拟一个卖出 S&P 500 看跌期权（puts）的策略来近似波动率（volatility）。

尽管外推（extrapolation，在营销话语中有时被称为动量（momentum）或"领导力"）是在将过去数据应用于未来估计时最常见的假设，但有时结果却恰恰相反。均值回归（mean reverting）的市场（以及管理人未来业绩与过去业绩负相关的倾向）是动量的明显例外。好运与厄运的影响会随时间推移而减弱。高价格往往带来糟糕的业绩。

预测未来值优于依赖历史，而更优的是预测每个因子的未来值分布（distribution）。有了因子分布，分析师就可以推导出策略预期收益的前瞻性分布（图 8-1）。^3^ 这里有许多机会可以调整模型输入，使其更具前瞻性、纳入公司观点，或进行情景测试（test scenarios）。图 8-2 突出了其中的若干环节，并将它们置于一个投资框架之中。

图 8-1 输入的点估计（point estimates）所携带的信息很少；分布所含的信息要多得多。

图 8-2 因子预测（factor forecasts）可应用于投资过程的多个阶段。

系统化预测（systematic forecasting）可以作为特征工程（feature engineering）过程的一部分。如果是这样，务必将其同时纳入样本（sample）和保留集（hold-out）之中。^4^ 临时的、主观的、未预期到的或人工的预测，则只能由分析师、投资组合经理（portfolio manager）、经济学家和投资委员会在后期应用，以改进模型所使用的信息。许多流程需要难以预测的主观输入——即便是事后看来也如此——例如母公司投资委员会的公司观点（house view）。^5^ 如果某项输入是流程的一部分，并且可以以一定的准确度加以估计——借助某种远见或行为启发式（behavioral heuristics）——那么不完美地对这一临时输入建模，也胜过完全忽略它。尽管"偏离脚本"（off script）的诱惑难以抗拒，但人为干预已导致许多系统化基金失败，因此对带有偏离和不带偏离分别建模会很有启发。对主观输入（董事会授权）或下游修改（投资顾问调整）的敏感性，可以为执行团队设定护栏（guardrails）和预警信号。

有可能将先验观点（prior views）作为因子纳入（例如将历史资本市场假设（capital markets assumptions）作为一个数据序列使用），但可能无法知道未来观点将如何不同于系统化预测。一个令投资者意外的未预期主观观点的典型例子，是 Fidelity Magellan 更换管理团队一事（在第 2 章和图 2-4 中讨论过）。尽管预测和观点作为估值（valuation）、alpha 和风险预测的输入至关重要，它们也可以通过调整朴素模型的输入，或通过使用基于贝叶斯推断（Bayesian inference）等观点感知模型（view-aware models），来影响资产配置（asset allocation）的计算。

投资中一个有用的范式是简化分析。我们可以缩小可及机会的集合，然后分离出有趣且可操作的关系。如果审慎且可负担，我们可以对冲（hedge）或分散（diversify）不需要的风险。这些组成部分通常被视为投资决策的动因，但也可以通过对资产配置或投资业绩进行逆向工程（reverse engineering）来确定。实现这一目标的一种方法是计算隐含值（implied values）和逆向优化（reverse optimization），我们将在本书后续讨论。

第09章 · 策略、目标与条件

Mon, 01 Jan 0001 00:00:00 +0000

策略、目标与条件#

我们试图达成什么？

因子（factors）及其变换（transformations）是构建我们分析预测变量（predictor variables）所必需的，但它们并不总能充分地为我们的模型提供信息。对策略建模可能要求我们对响应变量（response variable）施加复杂的变换和条件，并为我们的目标函数（objective function）增加结构。本章聚焦于预测策略的结果，而不是预测预测变量的未来值。

预测预测变量与响应。 分析包括表示（representation）、预测（prediction）、评估（evaluation）和优化（optimization）。机器学习（machine learning）在预测预测变量值（前瞻性自变量（forward-looking independent variables））方面可能至关重要，并且通常涉及阐明响应的复杂变换。对策略响应的调整旨在提高与实盘交易（live trading）相比的准确性，但可能会因过多噪声而遮蔽信号。重要的是不要用过于复杂的响应来混淆模型。预测变量用于模拟预测时点的世界状态，而响应（因变量（dependent variable））则用于描述用于训练的成功预测。因此，我们在构建预测变量时必须小心防范前视偏差（lookahead bias），而在构建响应变量时则使用未来数据。

响应。 预测、评估和优化的一个关键要素是定义响应函数（response function），也称为*目标函数（objective）或评分函数（scoring）*函数。设计响应的目的在于向算法提供一个简洁而易于处理的目标，使其能够学习。目标函数将策略（其中可能包含描述羊群效应（herding）或恐慌（panics）等复杂社会学规则的条件）凝练为一个公式，并允许模型组合预测变量以产生结果。响应是监督模型（supervised models）所学习的范例。分析师必须管理现实性与可处理性（tractability）之间的权衡。如果响应过于细微，模型将变得困惑而无法学习。如果过于简单，响应将无法匹配实际交易的结果，模型就会拟合错误的函数。我们能够且应当使用回测（backtest）和向前行走（forward walk）来模拟那些在响应中难以实现的现实性。这使我们能够使用可处理的响应而不牺牲准确性。

朴素性可能产生好结果。 尽管模型使用各种技术——包括套利（arbitrage）、因子模型（factor models）、事件（events）和微观结构分析（microstructure analysis）——来预测结果，但响应只是以一种便利的形式（最好是一个单一统计量，如夏普比率（Sharpe ratio）或滚动收益率（rolling return））来计算结果。在考虑到众多选项之前，选择哪种表达式作为响应似乎无关紧要。例如，通常会选择 1 天、5 天或 30 天的回报作为响应；但如何选择呢？我们必须在计算和预测的快捷性、足够的现实性，以及足够简单不至于使学习算法困惑之间取得平衡。过度简化可能使模型失效，但由于所需的时间和精力，忠实的响应往往不切实际。

现实性。 识别一个在纸面上有效而在现实生活中无效的投资策略，是回测的典型问题。例如，如果我们的组合有基准（benchmarked），仅仅预测回报是不够的。如果响应中不纳入跟踪误差（tracking error）或与参考利率（reference rate）的某种其他关系，一次时机不佳的损失可能让我们"错误而孤立"，^1^ 在投资者眼中，这比与市场其他参与者一同经历回撤（drawdown）要糟糕得多。

复杂性。 构建同一响应有多种方式。例如，响应可以更具或更不具连续性（continuous）（用于回归的回报）；可以是离散的（discrete）（用于分类的类别，如盈亏）；^2^ 可以是二元的（binary）、带缓冲的（buffered）或多重的（manifold）；可以是欧式（European）（具有单一终值）、美式（American）（路径依赖）、百慕大式（Bermudan），或涉及一系列决策日期的更奇异结构。

对一个受人工干预（human overrides）约束的实盘策略建模是一个复杂的过程，但对一个成功策略的简化可能导致预测能力下降。与许多建模工作不同，目标不是预测一个因子的强度，而是预测一个"有生命、会呼吸"的投资工具的业绩。跟踪误差、风险容忍度、反应时间以及许多其他要素都很重要。即便是抽样频率（一天中的某个时点或一年中的某个月份）也可能引入非平稳特征（nonstationary characteristics），如"粉饰橱窗"（window dressing）和其他季节性。然而，忽略高频业绩同样可能不切实际。数据中的尖峰（包括价格、波动率和方向相反的风险（wrong-way risk））可能因风险容忍度被突破、追加保证金（margin calls）以及其他现实而导致某些投资提前终结。

整合因子。 一些分析师会在建模阶段专注于因子，而将行为模拟和复杂策略推迟到因子的有效性由模型确定之后。当这是建模策略时，构建响应就是一个简单而干净得多的任务。将建模与回测分离增加了科学严谨性（scientific rigor），并降低了过拟合（overfitting）的可能性。

尽管如此，将因子模型与响应模型分离并不理想。正如分开且独立的风险模型和 alpha 模型可能产生不一致且互不兼容的建议一样，将因子模型与其响应分离会训练出对于运营一个有效基金的最终目的而言次优的因子。分析师可能会感到不安，并迫使管理人偏离模型。最终，管理人可能面临"拔掉模型插头"的决策。这发生在情绪压力和不确定性最强烈的时期，Errol Morris 称之为"战争之雾（the fog of war）"。^3^ 设计一个将这些决策纳入其中的系统，并辅以尽可能多可预见情况下的行动计划，往往更为实际。

可处理性。 为了有效预测，响应应当是无偏且行为良好的（不锯齿状或不连续）。如果响应不违反太多假设，它可能允许应用更广泛的算法库。响应可以设计得更具趣味性、更精细、条件化，代价是存在使算法困惑的风险。一个设计良好的响应还能减少处理时间，从而实现更全面、更透彻的分析。

实验。 不同的模型对其响应的使用方式不同。用于产生响应的最佳因子组合可能并不直观；尝试几种表述看看哪种效果最好。有时，机器学习算法的简单性使其对相似的变换做出不同的反应。

回测与向前行走。 投资组合优化（portfolio optimization）通常采用效用曲线（utility curve）来帮助定义目标。在回测中，问题更为微妙。幸运的是，回测并不要求用一个简单的函数来表示目标。回测软件可以任意复杂；唯一的限制是建模技能、处理能力、执行时间和可解释性。建模者应当在回测中纳入多期执行（multiperiod execution）、交易成本（transaction costs）和复杂对冲策略等错综复杂的细节。^4^ 用于此分析的响应必须足够简单和光滑以便算法学习，但回测不受此限制。

移动靶。 机器学习响应与回测结果之间的脱节，正是量化资产管理（quantitative asset management）区别于许多其他机器学习任务之处。模型使用一个简化的响应进行预测，可能并未针对会产生有效回测业绩的结果进行训练。这就是为什么回测以及随后的归因分析（attribution analysis）是必要的；回测的作用类似于药物设计中的动物试验和人体试验。

第10章 · 金融市场的时间序列与横截面分析

Mon, 01 Jan 0001 00:00:00 +0000

金融市场的时间序列与横截面分析#

什么有效

本章（以及稍后在第 17 章中）的目的是展示我们运用数学辅助投资的众多不同方式的一个采样。一个关键目标是诱使读者去探索那些能在竞争激烈、人满为患的领域中带来优势的新颖应用，而不是依赖陈旧的技术和被过度分析的资产。

传统上，关于量化方法的讨论会从分类学（taxonomy）开始：统计（statistical）与机器学习（machine learning），监督（supervised）与无监督（unsupervised）与强化（reinforcement），等等。我们的目标既不是综述所有方法，也不是聚焦于方法的理论和技术。相反，我们阐明其中的挑战以及过往解决它们的一些尝试。

量化分析与投资一直相互交织。定性分析（qualitative analysis）可以很强大——许多杰出的分析师从事定性工作。但定性分析也可能成为缺乏纪律性思维的合理化借口。定量分析与定性分析的差异在于：

程度（Degree）。 分析师对投资概念明确而清晰定义的理解，
对那种理解的表达（Expression），体现为一个精确的、可操作的（最好可外推的）想法，以及
向自己和他人精确描述它的熟练度（Proficiency），例如借助一个可重复、可学习且可扩展的流程或公式。

技术专家的刻板印象是一个对经济直觉理解欠佳、但操纵数字技能卓越的宽客（quant）。天才牛仔（genius-cowboy）的刻板印象则是一位自信的分析师，具有一种直觉的、不可教授的投资天赋，最好通过学徒制来习得。这些刻板印象中的真相在于：许多技术人员对领域知识不感兴趣，而一些投资者则没有花时间去学习数学的清晰与精确。

定性投资可能被视为更专注于特定事件并利用关键机会，而定量投资则依赖于将规则应用于大样本。定性分析师常常受限于人类无法同时关注少数几个以上的机会，而定量分析师则可能因其无法在不压垮技术或金融理解的情况下充分详细地描述机会而受限。

计算能力的演进已使机器能够如此快速而不懈地工作，以至于它们可以组合并重复许多简单的想法，从而超越一些最聪慧的人类内省。量化金融分析受到许多考虑因素的负担，这些因素使更通用的方法失效，并要求：

针对问题的**新颖（Novel）**且特定的解决方案。
对更好理解的解决方案的改造（Adaptations），通常需要妥协和不完美。
带有警示的^1^或刻意忽略的**标准（Standard）**解决方案，如普通最小二乘法（ordinary least squares，OLS）。这些方法通常被充分理解，考虑到估计误差表现良好，但可能功效不足。

我们不是按照方法的历史或技术相似性来一般性地组织它们，而是按照它们的使用方式来对量化方法进行分类。本章将讨论：

数据收集与处理（Data gathering and manipulation），包括寻找数据：经济时间序列（economic time series）、市场数据、非结构化数据（unstructured data）、行为数据（behavioral data）、对数据的机制性和结构性调整，以及创建合成数据（synthetic data）
策略、目标与条件（Strategy, objectives, and conditions），主要关注响应

模型的谱系包括：

规则（Rules），如移动平均（moving averages）和追踪止损（trailing stop-losses）
统计模型（Statistical models），如普通最小二乘法（OLS）
计量经济模型（Econometric models），可能施加某种理论偏见，如某些向量自回归（vector autoregressive，VAR）模型
**经典机器学习（Classic machine learning，ML）**模型，包括*监督（supervised）模型（如最小绝对收缩与选择算子 least absolute shrinkage and selection operator，LASSO），通常用于预测值；以及无监督（unsupervised）*模型（如谱聚类 spectral clustering），可以帮助揭示和解释更多未预期到的关系
复杂的 ML 模型，如深度学习（deep learning），包括长短期记忆网络（long short-term memory，LSTM），以及可以处理更复杂或未预期关系的强化学习（reinforcement learning）
没有免费的午餐（No free lunch）。 没有免费午餐定理（no free lunch theorem，NFL）^2^ 表明任何一种量化方法都不具有支配地位

第三部分 · 构建我们的流程

Mon, 01 Jan 0001 00:00:00 +0000

Part III

构建我们的流程

Alpha 与风险模型、资产配置、选股、回测、交易成本。

预测与模拟

在第一部分"规划我们的工作"（Planning Our Work）中，我们规划了业务、产品与组织，并通过识别和预测驱动投资流程的因素，开始构建我们的量化投资流程。在第二部分"数据、特征与响应"（Data, Features, and Response）中，我们开始铺陈量化流程。在第三部分"构建我们的流程"（Building Our Process）中，我们将详细说明如何将这些规划变为现实。我们将学习如何：

理解各类风险模型与收益模型的设计与使用方式
综述金融时间序列的技术预测方法
纳入成本、市场冲击等现实因素，这些因素往往区分了切实可行的策略与天真的策略
运用各种方案与最优化方法构建投资组合，以及用于挑选单个投资标的方法
对模型结果进行回测（backtesting），以比预测阶段更为精细的方式评估其可行性
在考虑转型期与税收等复杂因素的情况下，高效地买卖投资标的

本部分章节#

第 11 章 Alpha 与风险模型第 12 章资产配置第 13 章选股第 14 章回测第 15 章交易成本与费用第 16 章再平衡与税收第 17 章金融市场的时间序列与截面分析

第11章 · Alpha 与风险模型

Mon, 01 Jan 0001 00:00:00 +0000

Alpha 与风险模型#

大于其各部分之和

第二部分的前几章关注数据与输入。随着我们进入第三部分，重点将转向模型设计。投资流程并不能整齐地分割为互不重叠的原子步骤，因此各章在任务与目的上有所重叠。例如，用于预测利率的模型也可能被用于生成因子，作为公司债券模型的输入，或者作为购买国债的最终收益预测。

模型的类别。 我们将构建三类基本模型。它们以复杂的方式相互影响。

数据模型（data model） 负责组织数据，供评分模型使用。
评分模型（scoring model） 处理因子，确定可供功能模型使用的排名与统计量。
功能模型（functional model） 执行投资任务，例如将资产配置到各资产类别，以及挑选投资标的。

评分模型。 本章将讨论四种评分模型中的前三种：Alpha 模型（alpha model）、风险模型（risk model）和集成模型（integrated model）。

功能模型。 在第三部分的后续章节中，我们将讨论那些应用评分模型以影响结果的功能模型。功能模型涉及资产配置（asset allocation）、选股（security selection）、择时（timing）、加权（weighting）、执行（execution）与实施（implementation）。通常，集成模型可能复杂得令人望而却步。为使模型组合易于处理，人们常常分阶段评估模型，而不是将其集成在一起。多阶段计算与实施可能忽视各阶段之间的相互作用。

Alpha 模型#

alpha model（Alpha 模型）这个术语其实是个误称。Alpha 模型更准确的称谓是绩效模型（performance model）或收益模型（return model），因为这些特征不一定是 alpha^1^（例如主要与非系统性风险相关的投资相对吸引力），也不一定是 beta（例如指数或 smart beta（聪明贝塔）投资）。Alpha 模型对研究者和投资组合经理最为重要。

许多投资经理将自己 Alpha 模型的方法论视为"秘方"。投资经理常常与其方法论认同，无论其工作是建立在理论还是实验之上。

多数量化从业者接受的是科学、技术、工程或数学（STEM）教育，并且常常是物理学。许多科学发现在同一时期内出现，因为科学家们沉浸在相同的文化、科学发现体系与知识体系之中。Claerbout 原理指出，是整个环境，尤其是流程，使得 Alpha 模型得以奏效，而非某个卓越的原子概念。^2^ 量化从业者鼓吹系统化，但量化从业者本身才是产品。经理的整个流程正是造成聪明贝塔与对冲基金（以及其他 Alpha 载体）之间差距的原因。许多聪明贝塔基金在样本外表现糟糕，正是因为它们脱离了使其在样本内有效的流程。因此，自主性（autonomy）和韧性（resilience）是 Alpha 模型的重要特征，使其能够更独立于经理的流程与调试。

即使是完全自主系统的设计也需要做出许多自由裁量的决策，这些决策必须被理解，以便在系统表现不佳时建立信心并坚持下去，或者知道何时应当"悬崖勒马"。需要定义的微小细节数不胜数，其中任何一个都可能显著改变策略的运行条件和结果。

这些细节包括可用资产的范围、状态、投资表达方式、超参数（hyperparameter）及其重新评估频率、因子评估频率、模型再训练、再平衡触发条件、置信度限制以及交易期限。在有人坐下来开始编写策略代码之前，很难想象需要做出多少假设，而且很容易因疏忽而无意中施加一个假设。

因恐惧和不确定性而偏离一个良好的系统，是系统化经理常见的失败。许多量化从业者接受的数学训练多于自由裁量交易训练，而经验丰富的交易员多半会同意，市场会诱导参与者做出糟糕的决策（例如行为启发式）。这是市场的本质，也是行为金融学的精髓。管理层往往是负面影响，迫使量化从业者做错事。"规划你的工作，按规划工作，承担责任，果断决策"或许是好的建议，但除非系统的假设为人熟知且站得住脚，否则很难遵循。"完美是好的敌人"，直到基金表现不佳。当客户抱怨、情绪诱使管理层"偏离剧本"时，精心规划所带来的勤勉价值就会显现。

例如，分析师可能得出以下两种结论之一：

我们选择 12% 的三日跟踪止损。在数百次历史和模拟研究使我们确信，这比使用 15% 的止损或观望等待回升更为可靠。希望并不是可靠的过程。

或者：

这超出了我们的运行范围。我们没有足够的数据对自己的信号有信心。我们应当降杠杆至中性头寸，直到情况发生变化。我明白这意味着我们要实现亏损，但若非如此就是盲目赌博。我们只应在胜算对我们有利时才投资。

许多基金宣传基金的机械特性，作为其韧性的证据。独立性听起来或许诱人，但这种幻觉对经理的伤害可能超过其过拟合的倾向。它所产生的保密性往往妨碍经理在尽职调查期间分享必要的信息。投资者可能会被蒙蔽，但面试过数千名经理的配置者明白，僵化的、神秘的公式最终会失败，而流程、勤奋和决心可以克服困难。

以下是开发模型时需要考虑的关键事项清单：

分类法。 一般来说，模型依赖一种或多种框架：

历史数据，尤其是关于收益的统计量
前瞻性历史数据，如隐含利率
定性理论（金融、经济、行为）的量化近似

第12章 · 资产配置

Mon, 01 Jan 0001 00:00:00 +0000

资产配置#

整体性地选择投资

投资组合构建（portfolio construction）是投资策略的整体性组合，涵盖战略性资产配置（strategic asset allocation）与战术性资产配置（tactical asset allocation）以及选股（security selection），同时平衡风险与约束。它涉及选择、加权和择时，结果是构建出一个基于观点、偏好、条件、重大事件、更平凡的历史以及约束的资产组合。许多研究团队专注于 Alpha 模型，但 Alpha 模型仅仅最大化回报目标（其中可能包含风险惩罚），通常使用时间序列和横截面技术。平衡风险、收益和交互作用的投资组合构建可能更具影响力。

主动与被动管理。 被动管理者倾向于较少数、较宽泛的投资载体，如指数基金，以及不太频繁的再平衡。尽管被动管理者可能较少评估和再平衡其投资组合，但不激进的再平衡往往反映的是缺乏信心，而非被动性。

在众多经验丰富且资源雄厚的投资组合经理的竞争中，主动管理宽泛资产类别或因子具有挑战性。同样，择时是出了名的困难和危险。利用由不相容的投资目标所导致的低效和错位的小众策略更有可能成功。许多大盘股估值差异源于估计误差。

固定收益（Fixed Income, FI）选择众多，包括各种结构，如嵌入奇异期权的结构。固定收益结构和非线性具有特异性，固定收益市场往往低效，使错位得以持续。这些市场也是分割的（segmented），造成明显的套利机会可能无法"清理"。固定收益工具通常以大宗数量交易，或整数手（round lots）。这些投资中有许多可以主动管理，有时甚至可以机械化地管理，以产生可靠和可重复的利润。因此，约 85% 的固定收益基金是主动管理的，而股票基金为 70%（当然，估计有所不同）。专门化并不总能带来更好的结果。^1^ 有时不同的配置以不同程度的活动性来管理。诸如核心-卫星（core-satellite）和便携式 alpha（portable alpha）等技术可以将廉价管理的被动 beta 投资与专门化且昂贵的主动管理配置分离。通过这些方式，主动管理可以局限于其最有效应用的情境。一些投资者因管理的资产规模有限、流动性需求、费用限制、卖空约束或其他政策限制而受到约束。

无论是主动还是被动管理基金，都必须做出众多选择。这些选择的一个简明菜单见图 12-1。很容易假设被动策略不需要主动选择，或系统化策略不是任意的且不需要干预。例如，即使是被动策略也需要加权和再平衡规则，而这些规则常常可以被投资委员会推翻。

图 12-1 一些资产配置阶段的分类法

横截面加权（cross-sectional weighting）可以寻求最大化收益或其他因子。通常，加权用于通过组合投资来分散风险，以改善风险调整后收益。通常使用某种变体的 Markowitz 优化，但还有许多其他可应用的技术：

固定比例技术可能源于无知（或虚无主义）的假设、缺乏复杂度^2^ 或缺乏信心，或不愿教育投资者。
简单规则（启发式，heuristics）忽略交互效应。这些因子可能包括诸如 Sharpe 比率的变换或组合。它们可能涉及基于因子大小或排名的简单缩放。
最优化（optimizations），包括基于情景的方法，涉及平衡多个相互竞争的因子，例如考虑交互作用的收益和风险。有时解决方案很简单。优化通常涉及假设和妥协。更现实的解决方案可能需要比实际可行更多的时间和计算能力。

择时也可用于平滑收益流以降低风险。这些择时方法常常涉及对单个持仓或更常见地对资产配置（如股票/债券/现金比率）应用某种形式的杠杆控制。这有时被称为回撤控制（drawdown control）。

这些技术包括风险开启/关闭（risk on/off）、止损和止盈、保险计划以及不对称投资（如期权）。时间序列方法通常作为叠加（overlay）应用，而不集成到横截面资产配置方法中——或者在其后，作为"附加"（bolt on）。这些技术的一个主要问题是触发方法可能是危险的，常常被骗到太晚才反应以保护投资组合，并持续过久而无法参与复苏。

横截面技术#

分散化。 大多数横截面技术都建立在分散化能减轻风险的假设之上。分散化被广泛赞誉为"投资中唯一的免费午餐"，^3^ 但与投资中的大多数概念一样，它常被误用和误引。无论是过度分散化还是单纯的无能资产配置，重要的是要认识到单靠噪声不能正确分散；它可能将投资组合收益稀释至无风险利率。

具有正收益的不相关资产以建设性的方式分散。一个人对某项投资的价值越确定，她就越不感兴趣将其与一项前景较差的投资分散。^4^ 此外，将风险较高的投资加入投资组合通常会增大投资组合的风险，必须由该投资的收益潜力和分散化收益来证明其合理性。^5^ 虽然风险不可避免，就像成本和费用始终存在一样，分散化收益可能不可靠。股票和债券的经典分散化随时间变化很大。

噪声是有偏的。 增加复杂性和随机性不是中性的，因为不知情的决策偏向于错误的投资。竞争对手、摩擦和启发式合谋对付投资者。正如 Chris Brightman 所写，"我们观察到的噪声不是白噪声。"^6^

时间不能分散，在这个意义上它不增加投资组合的价值。增加时间周期数不会改善平均值，尽管它有时可能降低方差（如果方差不与均值相关）。多个投资周期允许随机性通过大数定律收敛，这类似于执行重复的随机试验。这与组合不相关投资不同。如果投资组合开始时"运气好"，时间很可能将其拉向均值。这有效地缩小了围绕均值复合收益的置信区间，但它不会消散风险。

当考虑人类行为和投资者效用，而不仅仅是最终财富时，这一点更为正确。业绩激励可能允许经理在好年份变现薪酬，诱使他们更频繁地"掷骰子"。同样，近视和行为启发式驱使投资者和经理根据年度投资周期而非适当的投资期限来评判业绩。通过将收益按周期划分，好年景往往归因于投资才智，而坏年景通过"坚持到底"来"分散"。糟糕的交易变成长期投资。

时间分散化的误解也可能源于风险的衡量方式，而非其感知方式。随着利润积累，短缺风险降低，但大额损失的潜力增加。^7^ 由于许多风险度量基于某种形式的标准差（它随时间的平方根而增加），风险计算在与几何级数复合的收益相比时显得有利。

等权重（equal weighting）规则需要的技巧最少。1/N 加权投资组合以相等的美元金额持有每项投资，并预期与相关性相对应的收益。即使使用技巧来选择资产，等权重也只需要方向而不需要幅度。等权重分散了预测并防止基于不准确信心的集中。投资令人尴尬的困难之处在于该投资组合的竞争力。一些投资者偏好等权重，因为它强调较小市值的投资，并且是一种简单的均值回归策略。

固定比例允许配置不相等，但在其他方面与等权重大致相同。这些配置方案包括流行的股票/债券比例概念，如 60/40 和 70/30，或 100 减去客户年龄。它们的使用通常以叙述的简单性以及以下信念来证明其合理性：规划（通过购买资产参与市场）比投资（选择购买哪些资产以及何时购买）更具影响力且更容易做对。正如我们在本章后面讨论的，这些比例并不是真正的风险度量。它们随成分的时间和组成（例如，股票投资组合中有哪些股票、债券投资组合的久期等）而变化。

第13章 · 选股

Mon, 01 Jan 0001 00:00:00 +0000

选股#

细节可能主导一切

一个庞大且不断演进的投资工具宇宙为投资者提供了灵活性，使其能够超越那些已被挑拣殆尽的常见、陈腐的投资。有动力的经理可以找到一个竞争更少、优势更多的小众领域。即使是传统投资中的变体被忽视也很常见。^1^ 当将量化技术应用于资产管理时，资产类别被抽象为无生命的力量。很容易忽视投资经理通过其选股（security selection）和交易所表达的执着。选股策略的技术甚至比它们被归类的广泛投资类别更加多样和流动。投资机会与其说是人们创造的产品，不如说是由那些高度专注并不断创新以获取优势的专业人士刻意行动的结果。这些人并非都在通过重复来完善技术，而是常常通过即兴发挥来谋求优势。最小的子策略可能代表了某人一生在开发和精炼其技术与直觉方面的全部心血。

调查这些策略使我们能够为工具箱增添多样性以及分散化收益。Richard Grinold 和 Ronald Kahn 的主动管理基本定律（Fundamental Law of Active Management, FLAM）指出，信息比率与广度的平方根成正比——FLAM 是一个直观概念的编纂：如果有技巧可用于利用这些机会，且这些机会彼此足够不同，那么更多机会可能带来更大利润。一份策略菜单使我们能够将投资分离为按所采用技能收取适当费用的产品：

用于类别敞口（beta）的低成本指数基金
用于风格、因子复制和风险溢价的适度聪明贝塔（smart beta）产品
用于"剩余"收益的昂贵主动管理者
用于管理整体投资组合的叠加（overlay）和对冲

分类为我们提供了一种方便的语言，以不完美和理论化的方式描述这些活动。我们将使用几种常见的选股技术分类法之一。我们不会尝试将每种策略都放入一个框中这种不可能的任务。我们只是试图提供一种对可用选择范围的感觉。

鉴于这些人为的分类，一些数据提供商已经收集了业绩统计；虽然这些时间序列有缺陷，但它们可以提供洞见。一些是自我报告的，包含幸存者偏差，一些有回填偏差，另一些报告不兼容的度量。重要的是要记住，这些是每个类别的平均收益，而主动管理的收益在于右尾。平均的主动投资通常不值得其费用和努力。

不仅适用于量化从业者。 我们对量化资产管理的关注并不排除我们投资于定性策略。我们可以使用量化方法来识别和管理定性策略中的投资；我们将在第 18 章讨论其中一些。资产配置者，包括大型机构、基金中基金、多策略基金、交易台和自营交易公司，可以优化投资策略，并允许纯粹的定性经理在这些分配的限制内投资。

定性技术通常（且常常拙劣地）用量化基本面（quantamental）算法和聪明贝塔方法来近似，其创新通过商品化一些需要主动人工管理的技术来压缩主动管理费用。随着工具和技术的进步，定性和定量之间的区别将继续模糊。^2^ 许多市场技术分析师和其他量化经理遵循 20 世纪 70 年代开发并在 90 年代重振的基于规则的商品交易顾问（Commodity Trading Advisor, CTA）模型。他们使用系统化的自动化方法，常常带有显著杠杆，追求动量、反转或逆向策略。

管理期货、短期交易者和其他经理的投资者常常将自己限制在高度流动和易于获取的工具上，如期货合约、ETF 和指数，以频繁交易并实现有利的非对称收益分布。这些策略常常涉及叠加和去风险规则，可能迫使基金在一段时间内持有现金。另一个极端是专注于直接投资、私募交易以及定制和冷门证券化的基金。

主要区别。 按照惯例，我们将这些策略讨论为：

宏观经济驱动和主题型策略
横截面策略（如套利）和运营策略（如证券化和做市）
多策略基金和基金中基金，管理一组经理，通常比个别配置更量化和高效，但有注意事项和额外成本
基于股票（Equity based），包括对冲、中性、方向性和受限，以及股票驱动的事件驱动策略，后者不太可能是量化的
事件驱动（Event-driven），包括公司事件对资本结构的影响

策略类别常常重叠。例如，企业估值可用于直接的普通股估值（基于股票）以及整个资本堆栈的评估（事件驱动），也可用于确定主题的最佳表达（宏观），以及与其他投资进行比较（横截面）。

此列表排除了许多小众策略，尤其是那些投资于电力、天气和巨灾保险以及收藏品等另类投资的策略。许多上面未列出的专门策略依赖于税收和法律结构，如穿透实体。房地产投资信托（REIT）和业主有限合伙（MLP）等基金结构广为人知并被广泛使用。

宏观与主题策略#

由宏观经济（宏观或全球宏观，global macro）事件驱动的策略对配置者具有广泛吸引力的叙事，但难以择时和执行。所有资产类别都可被用来表达宏观看法，特别是最适合成熟投资者的产品，如衍生品、货币和大宗商品。一些经理使用代理工具，如矿业公司，而不是更直接的表达。

自下而上和自上而下的方法论都有使用。量化自上而下的流程非常适合管理这些投资组合，尽管自由裁量（discretionary）的非系统化方法论也很常见。基金可以针对以下方面进行定位：

未来事件，如衰退和 BREXIT（英国（UK）退出欧盟（EU））
主题，如 ESG
趋势和反趋势（如"系统化分散"基金所使用的）

宏观多策略基金可以结合系统化和自由裁量策略。自上而下的策略常常投资于流动性投资，如主权债券，或流动性较差的工具，如信用违约互换。自下而上的策略可以聚合大量小型模型或想法。方向性和相对价值交易（如收敛交易、统计套利和错位交易）都很常见，但方向性交易反映的是对未来经济事件的看法，而不是相对价值管理者所使用的可交易工具中当前的错位。

系统化基于因子的策略是本书的重点，包括一些战术资产配置轮动策略。系统化策略常常包含策略类别的要素，如宏观。顾名思义，它们努力最小化任意的干预。

主题型基金可以高度受限（如行业基金），也可以更宽泛和更具概念性。一些投资流程可以使用不同的约束和筛选器（第 6 章）将公司看法输送到几个主题产品中。主题的例子包括：

环境、社会和治理（ESG）和社会责任基金，包括替代能源（如生物燃料、燃料电池、电动、核聚变、地热、水电、氢能、太阳能和风能）、储能、生物质和废物、碳捕获与封存、碳排放与交易、清洁能源、气候变化、能源效率（生产、传输和使用，包括交通运输）
新兴和前沿市场，如中国 A 股
为特定风险和收益目标或现金流设计的公式化或结构化基金

第14章 · 回测

Mon, 01 Jan 0001 00:00:00 +0000

回测#

预测风险与业绩

在过去的 13 章中，我们定义了产品、规划了流程、用治理加以武装、收集了数据、识别了关键特征、建模了风险与收益，并将模型组合为可投资的建议。这段旅程需要许多探索性的决策与近似，因此在比建模时更真实或更具预测性的条件下检验它们，将是明智之举。在量化金融分析中，回测（backtesting）的作用类似于药物的临床试验。我们希望在将这一虚拟创造物投放于现实世界之前，先在实验室环境中检验它。

回测对于为我们自己、投资者以及利益相关者建立对策略的信任和信心至关重要。它常因任何雄心勃勃的事业所固有的不确定性而遭受诟病。尽管如此，回测仍是值得的，其价值在于：

改进逻辑。 我们可以用比建模时更严谨、更复杂、更细致的方式来检验模型。

建立创新流水线。 一个稳健、可靠的研究流程依赖于策略的"装配线"（assembly line）以及相应的质量控制机制。

压力测试与敏感性分析。 用人造数据集和历史数据集检验模型，可以暴露模型的缺陷和弱点，并让我们将科学方法（scientific method）^1^ 应用于实验。

提升交易效率。 精简并从策略与流程中榨取每一分利润，可能是一家成功企业与一家仅止于纸上谈兵的企业之间的差别。

识别局限。 通过这些测试，可以识别我们的运作包络（operating envelope）的边界，并建立对运作结果的预期（第 18 章）。

优化维护。 通过执行、再平衡和过渡管理（transition management）等实践来规划投资组合的高效运作（第 16 章）。

制定应急预案。 为在压力下管理投资组合制定应急预案——当市场动荡、客户不满、计划看似可疑时（第 19 章）。

便利执行与订单路由。 构建并测试一个可应用于实盘交易的计算机程序。^2^ 监控、报告与归因。 回测分析的后端报告业绩与风险统计量，并将这些指标与历史数值和趋势进行比较；同样的逻辑可以创建一个仪表板，在语境中监控实盘执行。

回测器的特征#

自建还是外购？ 所有模拟都是不完美的，都依赖于假设。自建模拟的最佳理由是透彻理解其假设与后果。

能够针对特定问题定制模拟至关重要。尽管商业开发商花费大量精力使其软件灵活、统一、功能丰富，但对于一支称职的量化团队而言，这些努力大多是不必要的。购买昂贵的第三方软件还可能需要昂贵的运作流程，并常常因专有修改而产生无人支持的软件分支（fork）。^3^ 对于分析师在当下所需的功能而言，一套数量更少但更有价值的功能集加上一个略显笨拙的界面，远比一个为"满足所有人需求"而构建的用户界面更高效、更经济。定制化可以带来竞争优势、额外的 alpha 来源，或一项关键功能。

模型误差与运作误差。 商业软件有诸多缺点：它并非完全透明，常常具有限制性，且可能复杂到使运作误差成为重大风险。若建模者并非专家，模型误差便成为首要关切。

将专有模型的结果与商业产品进行对比，可以发现前者的疏漏细节以及后者的假设（与错误）。^4^ 构建模型以模仿现成产品，并在此基础上扩展，可以使开发立足于坚实的基础。

集成、效率与经济直觉。 一个良好、可复用的回测模拟必须与数据系统、研究工具、上下游交易、执行流程以及归因工具相集成。若代码旨在测试后用于交易，就必须高效。这些需求得益于一种研究人员和投资组合经理常常忽视的技术精深性。尽管技术很重要，建模者必须理解市场力量与执行动态。这种领域知识对非技术型交易员而言可能出于直觉，但在程序员中却很罕见——后者过于频繁地寻求"放之四海而皆准"的技术解决方案。花时间与数据和因果链亲密接触。从参与者（agents）而非流程的角度思考，从资金转移而非收益的角度思考，是有益的、有助的。若参与者视角不适用，次优选择是以现金流（cash flows）而非收益等更抽象的概念来思考。

批处理与事件驱动。 对回测器进行分类时，一个重要区别在于它们是被设计为在预处理的批处理模式（batch mode，图 14-1A）下运行，还是以在线的事件驱动模式（event-driven mode，图 14-1B 与 C）运行。批处理模式回测器常被视为粗糙的工具，而事件驱动模拟则更灵活、更真实。两种模式都有各自的绝佳理由；能够同时使用两者的模拟器将具有巨大优势。^5^

图 14-1 回测器的运作模式

批处理模式，又称向量化（vectorized）回测，有几项独特优势。它比事件驱动回测更简单、更透明。设计和构建一个能力有限的独立模拟器是一项相对直接的任务。粗糙的回测通常出于简洁而以批处理模式编写，许多甚至用 Microsoft Excel 这样的简单工具编写。批处理模式回测易于扩展（scalable），且易于适配到云端，以获得近乎无限的计算能力。设计良好的事件驱动模拟也可以使用这些资源。批处理模式回测也高效。批处理模拟可以被预处理，不必在分析时执行。它们可以在任何时间运行，通常分阶段进行。这既是优势也是劣势。正如我们将看到的，事件驱动模拟模拟"实盘"执行的能力可能是有用的（例如对 EMSC 对象）。向量化代码也更容易编译、并行化，通常比必须顺序执行的事件驱动代码更快。最后，回测可复用并产生可累加的结果。预处理的结果可以被复用和重组而无需重新运行。它们甚至可能包含迁移学习（transfer learning）。

事件驱动模式模仿人类（参与者）对价格变化、经济数据发布、由先前事件触发的交易或其他信号等事件作出反应的行为。事件驱动模拟可以更复杂、更真实。事件驱动技术能够纳入许多难以用向量化格式建模的或有细节和多期细节。资产之间以及跨时期的相互作用（interactions），以及路径依赖（path dependent）的计算，用事件驱动技术建模比向量化格式更直接。常见的操作，如多期执行、条件订单和对冲，用事件驱动模型易于实现。

第15章 · 交易成本与费用

Mon, 01 Jan 0001 00:00:00 +0000

交易成本与费用#

不容忽视的细节

交易成本（transaction cost）与费用（fees）是盈利能力的强大决定因素。它们复杂且难以建模。理想情况下，它们应当贯穿整个投资建模过程——从因子工程（factor engineering）到具体实施——但由于任务规模庞大且复杂，这一理想难以实现。

本章和下一章将深入探讨我们在第14章中介绍过的回测（backtesting）的种种细节。我们将更细致地考察代理范式（agent paradigm），讨论市场行为的建模方法，说明如何规划并对市场事件作出反应以确定合适的前进方向，并讨论当市场走向不利时的应急方案。

对于除最简单回测之外的所有回测而言，最重要的概念之一是订单簿（order book）。我们必须与交易订单管理系统（transaction order management system，TOMS 或 OMS）或执行管理系统（execution management system，EMS）接口或对其加以仿真。^1^ 此外，市场结构是一个庞大而独立的话题；我们将为讨论交易成本奠定基础。

交易成本与费用在多个层面影响我们的仿真。

**托管人、银行和后台（会计）**功能是回测器的核心。它们必须追踪各种费用，这些费用可能是路径依赖（path-dependent）的，包括门槛收益率（hurdles）、高水位线（high water marks）、锁定期（lock-ups）、赎回门槛（gates）以及其他复杂安排。它们还应当分离并追踪各项成本与业绩，以便对仿真进行取证分析。

基金模块（fund module）必须对经纪商模块执行的仿真交易作出反应，包括时机、选择、周期化（periodization）、买入、卖出、取消、杠杆和仓位规模。大额交易会改变市场（市场冲击，market impact），并可能反映在原始数据源的调整中。一个成熟的投资算法会尝试预测潜在交易的交易成本，并从以往的迭代中学习。该模块中的预测只能使用过去的数据，以避免前视偏差（look-ahead bias）。^2^ 成本仿真需要一个市场模型（market model）。一个非朴素（non-naive）的策略应当拥有一个执行模型（execution model），在考虑再平衡（rebalancing）策略、过渡管理（transition management）和退出策略等复杂性的前提下，制定应对成本的有效执行方案。

风险管理功能通常位于组合管理模块中，但也可以被独立出来并同时调用。由于缺口（shortfall）和市场冲击会影响风险，因此该模块同样关心成本。这些成本的影响包括流动性、做空能力、证券借贷费用以及市场冲击。一个全面的回测应当预见极端的风险管理情形，包括资金流动、"转向现金"（going to cash）、锁定期和赎回门槛。执行策略（execution strategies）应对成本，但不改变交易的意图。它们可以改变执行方式，并在成本使某一工具比另一工具更具吸引力时替换为相似工具（例如税损 harvesting，tax-loss harvesting），但前提是投资论点不受影响。经纪商模块使用的成本和费用模型与组合经理模块和风险经理模块不同。为简化起见，这种差异可以通过分析订单簿或仅仅是交易、报价和要价中的未来值所获得的历史值来推导。业绩度量和归因（performance measurement and attribution，例如 Brinson 归因）以及交易成本分析（transaction cost analysis，TCA）可以在仿真完成一次完整运行之后分解各项成本与费用。风险管理功能在循环中仿真此过程以及组合经理模块对此的反应。

订单与订单簿#

简单的回测器受限于有限的市场数据格式。

高低开收成交量（HLOC）柱（high, low, open, close, volume bars，即周期性汇总统计）是最容易获得的数据，但可能具有误导性，因为最高价和最低价可能来自冷门且难以访问的交易所，并可能报告无意义的离群值。

最优买卖价（BBO）（best bid and offer）数据可以补充交易数据，但缺乏订单簿的深度以及来自暗池（dark pools）的信息。它可能由交易台无法访问的场所的报价组成。

时间柱、报价和成交（time bars, ticks, and trades）更好，尤其是当它们包含买卖价时；然而，它们同样缺乏深度，并具有离散的频率。

原始逐笔数据（raw ticks）可能提供足够的信息来形成更好的柱，例如成交量柱（volume bars）、成交额柱（money bars）或基于复杂域的柱，如失衡柱（imbalance bars）。

高频数据（high-frequency data）可能包含所有的交易、买卖价，甚至订单簿信息。这些"大数据"，以及在较小程度上仅含交易的数据，可能非常笨重，以至于需要专门的工具，如 MATLAB 的 datastore（数据存储）函数或像 KDB 这样经过调优的数据库。稍加练习，使用这些工具就会变得得心应手。从更大的数据集中提取样本往往需要时间。保存中间表可以避免在查询未改变（例如不需要新的预测变量，或研究人员不需要更新的数据）时访问完整数据集。

第16章 · 再平衡与税收

Mon, 01 Jan 0001 00:00:00 +0000

再平衡与税收#

经营的代价

回测（backtesting）不仅仅是一项会计练习。它仿真我们的模型一旦"上线"后所能预期到的行动类型。我们通过尝试预测交易成本（transaction cost）和税收来仿真我们决策的影响。基于这些知识，我们设计投资、风险、执行、再平衡（rebalancing）、退出和税收策略，以预期并对影响它们的事件作出反应。

本章完成了我们关于构建回测的三个章节的讨论。我们已经讨论了预测风险和业绩，并探索了计入交易成本和费用的方法。在本章中，我们将专注于再平衡、退出以及一些税收策略。

与成本和费用一样，这些策略应当贯穿整个投资过程。在各建模阶段计入成本和费用的复杂性和难度令人望而却步，因此它们常常被降级到不科学的回测阶段。成本和费用影响信号的有用性以及配置、证券选择、执行、再平衡和退出的有效性。

再平衡和退出策略（rebalancing and withdrawal strategies）与执行策略相似。虽然执行策略可能通过适应执行环境而导致多周期事件，但再平衡和退出策略明确地为这些事件做计划并优化其执行。税收策略（tax strategies）可以是对执行战术的显著改进。与其他成本和费用一样，税收管理的效应可以盖过业绩，其复杂性可能给仿真带来重大挑战。

再平衡和退出策略 ^1^#

对组合进行再平衡或执行定期退出，对于组合的长期成功是必要的，原因有若干。大多数投资组合包含按市价计价（marked to market）或定期估价的资产，其价值会发生变化（相对于组合中的其他投资按比例变化）。即使是市值加权的组合，也必须针对股息和回购等公司行动进行调整，并被重构（reconstituted）以针对新增和退市进行调整。大多数组合都有约束（constraints），例如某一特定持仓的最大集中度，或根据随时间变化的特征（如信用评级）限制资产比例的监管要求。一些组合具有负债和支出目标，这些目标的变化方式与为这些负债提供资金的资产组合不同。定期调整通常是必要的，以维持既定的投资政策，防止投资论点被不断演变的市场条件和其他外部性所扭曲，并使组合与可能随时间演变的目标和负债保持一致。如果政策或论点发生变化，也可能需要进行调整。即使是被动指数也需要为重构进行定期调整。

再平衡改善了主动管理基本定律（Fundamental Law of Active Management）的驱动因素。熟练的再平衡可以通过将投资重新对齐到投资论点来降低风险；然而，这可能是以减少对动量和复合的敞口为代价的。它还可能使组合背负与交易相关的摩擦。改善分散化可以降低风险并减少 alpha 衰减（alpha decay）。

再平衡调节趋势，包括对长期升值的信念，转而追求平衡和分散化。它还调节不确定性（即相对于投资视野而言回撤可能很长这一担忧），以及效用（即为投资组合外部目的而获取和使用资本的需要）。

负债感知、负债驱动和目标导向投资 ^2^#

Liability Aware, Liability Driven, and Goal-Based Investing

银行、养老基金、捐赠基金、主权财富基金和基金会等机构经常有动态的支出计划和负债。这些计划和负债可能需要组合调整。私人财富组合可能被设计为适应未来的支出，例如教育、房地产购买、医疗保健和退休，这些通常随通货膨胀和其他外生力量而变化。

在本章后面，我们将讨论负债和目标如何被法规复杂化，最显著的是税收。负债有时通过被动免疫（immunization）和组合保险（insurance）方案等技术来管理（第12章）。例如，现金流匹配可以导致债务解除（defeasance），消除一些资产负债表负债。盈余（surplus，资产减负债）可以通过或有免疫（contingent immunization）积极管理，或更彻底地通过负债驱动投资（liability-driven investment，LDI）政策来管理。

一个粗心的观察者可能认为管理负债只是一项简单的久期匹配练习，但资产和负债可能是复杂和非线性的。固定收益资产经常包含拜占庭式的特征和嵌入式期权，使其价格响应在收益率上高度非线性。负债可能是令人生畏的精算结构，依赖于许多经济和人口趋势。

国库及其他高度受监管的运营。 市场、风险、监管和税收的汇合可能产生不当激励（perverse incentives）。^3^ 法规是繁重且不断变化的。它们影响资产、负债、对冲和减值如何被分类、计量和管理。分类和计量决定了这些资产如何被征税、报告和保护（例如通过计提监管资本）。^4^ 在国库层面，会计可以改变一家机构的投资决策（即使是小机构，在当前预期信用损失，即 CECL 的情况下也是如此）。会计还影响由交易产生的监管监督（包括计提监管资本）和税收负担。这些规则可能导致现金流在监管文件中被重新分类，例如被转移到（或移出）公司资产负债表。这种重新分类甚至可能导致国库的母公司的估值发生变化，由监控这些文件的分析师作出。^5^ 由于其监管和税收影响，许多非经济投资被作出，这也影响了激励。

专栏 16-1 意想不到的后果

通过第二位对手方对冲市场敞口可能使对手方风险加倍，从而降低经济利益。与另一位对手方对冲相比，取消原始交易（例如承担损失"撕毁合同"）可能更好。^6^ 在这个例子中，可能需要激励对手方违约，导致比一个对冲方案更差的价格。对冲的监管负担可能超过资本保护的好处（图 16-1）。例如，一只外国债券可能用货币远期进行对冲，后者需要每日抵押品调整。

图 16-1 对冲和再平衡方案意想不到的后果

再平衡#

最优的再平衡频率、选择和仓位规模（optimal rebalancing frequency, selection, and sizing）是主要的再平衡决策。连续再平衡是不切实际的，而再平衡到最优权重有时是低效的（应改为部分再平衡，或再平衡到与最优权重不同的容忍度）。

评估再平衡方案是细致的，可能涉及复杂的成本和税收影响。许多分析可以评估不同方案和参数的相对好处，但需要回测来理解再平衡策略如何应用于具体情况。由于大多数再平衡方案对市场动量、趋势和反转敏感，回测将对方案的具体样本期和制度敏感。再平衡与换手率（turnover）相关，必须考虑许多细节。

对熟练的投资决策进行再平衡有助于保持实现与这些决策对齐。如果这些决策的信息价值低，或者潜在结果的离散程度大，再平衡可能效果较差甚至有害（例如在破产点固化损失）。避免对某些资产类别成分进行再平衡，可能解决一些麻烦的投资类别考量，例如估计误差。对于决策无信息的投资者，买入持有、免疫和组合保险等策略可能更合适。

再平衡的好处对于有效的预测可能是显著的，或者对于被动指数者可能不存在。我们专注于再平衡以限制 alpha 损失并维持分散化，而不是创造业绩。识别最优再平衡频率并产生超额回报所需的技能是一种择时技能，不是本讨论的目的。

风险管理是再平衡的主要目的。风险管理通常随技能和努力而变化，但分散化从再平衡中受益，几乎不需要技能。^7^ 通常，再平衡组合的风险低于从最优配置漂移的组合，并且具有更高的预期回报。再平衡组合的回报分布将具有更薄的尾部（包括让盈利头寸奔跑而受益的右尾），方式是将运气转化为期望。

第17章 · 金融市场的时间序列与横截面分析

Mon, 01 Jan 0001 00:00:00 +0000

金融市场的时间序列与横截面分析#

什么有效

我们在第二部分的结尾讨论了与该部分相关的算法（algorithm）。在那一章中，我们描述了用于为预测和仿真做准备的技术。现在，我们将讨论与第三部分所涉主题相关的算法。由于我们关注的是投资过程而非技术应用，本章的组织顺序与第三部分大体一致。

预测#

利用我们在前面章节中研究的特征（feature）和目标（objective）来预测未来估值和因子，有助于识别我们投资的潜在风险与回报，从而对其进行适当的选择和配置。在预测"alpha"和风险时，必须纳入诸如交易成本（transaction cost）和执行策略等现实因素，同时识别可能扭曲决策的不利交互和过度显眼的信号。

Alpha 模型#

如第11章所述，alpha 模型（alpha model）对于提升因子、目标、配置和仓位规模的预测力与置信度非常重要。Alpha 模型被用于多种与跟踪趋势和预测表现相关的应用中，例如：

使用包括最小绝对收缩与选择算子（least absolute shrinkage and selection operator，LASSO）、提升（boosting）和装袋（bagging）等方法选股，或使用非负矩阵分解（non-negative matrix factorization，NMF 或 NNMF）和 K-means 进行分类；
使用随机森林（random forest）、神经网络（neural network，NN）、支持向量机（support vector machine，SVM）、K-means^1^ 选债；
使用 LASSO 和状态空间模型（state-space model）进行趋势跟踪和均值回归（mean reversion）；
使用 LASSO、提升与装袋以及稀疏 Kalman 进行指数跟踪和对冲基金复制；
相对价格变动通常使用 Granger 因果关系（Granger causality）和协整（cointegration）、一对其余分类（one-vs.-rest classification）、脉冲响应（impulse response）、亲和传播（affinity propagation）、流形嵌入（manifold embedding）^2^；
状态识别（regime identification）可用于战术配置、证券选择或风险覆盖（risk overlay）^3^。

信号（signal）用于识别机会——相信有效市场（efficient market）的人称之为异常（anomaly）。虽然文献中关于信号的研究很容易找到，但作为一种商业模式，信号要获利却困难得多。信号用于预测响应，响应可以是数值型的（如收益率），可能受益于回归（regression）；也可以使用类别（如"买入"、"卖出"、"持有"）。信号可以横截面（cross-sectionally）地组合，例如取不同模型结果的平均；也可以串联组合（in tandem），例如用分类器识别特征，再在回归中使用这些特征预测响应。

数值型信号在数据分析中常用。通过收缩（shrinkage）来压缩相关性以使相关矩阵可逆的惩罚回归——如 LASSO（用于裁剪预测变量）、岭回归（ridge，用于降低共线性）和弹性网（elastic net，二者结合）——可以优于普通最小二乘法（ordinary least squares，OLS）回归等传统统计方法。限制为少数几层的树（包括梯度提升回归树，gradient-boosted regression tree）也很有效。带有交互的更复杂多因子信号可以受益于 SVM 和人工神经网络（artificial neural network，ANN）——尤其是长短期记忆（long short-term memory，LSTM）应用——但这些方法会妨碍绩效归因，并可能使投资者会议变得繁琐。还有一些深奥技术在信号生成方面有有趣的应用，尤其是那些结合滞后信号（lagged signal）、隐藏或潜在层（latent layer）和风险缩放（risk scaling）的技术。

当预测变量相对于观测数量较大时（大 p、小 n，Big-p, Little-n），树、ANN、SVM 和 K-NN 会很有效。OLS 和逻辑回归（logistic regression）等方法在这些情况下通常效果不佳。

第四部分 · 执行我们的计划

Mon, 01 Jan 0001 00:00:00 +0000

Part IV

执行我们的计划

再平衡与税务、绩效与风险度量、投资与现金流管理。

[既]然我们已经构建了投资工具，就必须经营我们的业务。任何系统在没有引导和支持的情况下都无法长久运行。尽管样本外回测（out-of-sample backtest）前景可观，但大多数系统化策略在实践中仍然会失败。

大多数系统的脆弱性不应成为我们的顾虑；除了筹集和保有资本（capital）这一头等大事之外，投资管理人（investment manager）必须是一位优秀的运营者。他应当能够通过对治理（governance）和流程（process）的勤勉运用，无论交易成败都能从中获利。现金流管理（cash management）、风险管理（risk management）和模型管理（model management）对于保持业绩并克服困境时期至关重要。

最后两章将阐述风险管理（risk management）的关键优势与不足。我们还将提供一份蓝图，用以建立一项长期策略（long-term strategy），旨在避免代价高昂的错误、磨砺风险管理流程，并系统地从经验中学习以改进整体结果。一项成功的长期计划，其两大关键在于绩效与风险评估（第18章），以及度量与检验（第19章）。

本部分章节#

第 18 章绩效与风险度量（Performance and Risk Measurement）第 19 章投资、风险与现金流管理

第18章 · 绩效与风险度量

Mon, 01 Jan 0001 00:00:00 +0000

绩效与风险度量#

追踪我们的进展（Tracking Our Progress）

[本]书是从一种风险管理文化（culture of risk management）的角度撰写的，这种文化贯穿于整体投资流程之中。大多数公司由绩效文化驱动或由销售驱动。这些公司可能不会像重视投资管理人（investment manager）或监管者（regulator）那样重视风险分析师（risk analyst）。运气或许是薪酬谈判的核心，但一份能够证明技能（skill）的良好业绩记录却极具分量，即便它伴随着波动率（volatility）和风险。

在关键时期，琐碎的事务可能凌驾于更重要的任务之上；运营细节在平常日子里可能被淡化、被忽视，可一旦交易员无法"开灯开工"时，这些细节就会成为焦点。

在本章中，我们将聚焦于投资管理人（investment manager）所关心的问题。我们将许多这类风险归类为无补偿的风险溢价（uncompensated risk premium）——它们仅仅是"输家游戏（loser's game）"的一部分，只惩罚错误而从不奖励胜任。运营风险（operational risk）、业务风险（business risk）以及其他非投资性关切，涵盖的范围远不止执行：还包括合规（compliance）；法律、监管与声誉风险（legal, regulatory, and reputational risk）；像网络攻击（cyberattack）这类外部犯罪；以及像欺诈（fraud）这类内部犯罪。所有模型——不仅是回测器——都包含模型风险（model risk）。即使是数据馈送处理器也可能注入系统性偏差（systematic bias）。像尖峰和骤跌这类不受欢迎的事件可能传递出信息，一旦被过滤掉就会丢失。我们将在下一章讨论管理风险和运营投资业务。

在一种风险意识文化中，组合的市场风险（market risk）应当是有意的、可接受的、不可分散的（undiversifiable）且特有的（idiosyncratic），通常源于：

**股权（equity）、利率（rates）、通胀（inflation）、信用（credit），**以及相关资产类别特有的风险

**投资选择（investment choice），**包括外部管理人及其风格（style）的风险

流动性（liquidity）与杠杆（leverage）

首先，我们通过从多个视角估计各种量来*度量（measure）*并归因（attribute）绩效和风险。不同的度量揭示组合风险的不同方面，它们可以是对称的（symmetric）或非对称的（asymmetric）、绝对的（absolute）或相对的（relative）、基于绩效的（performance-based）或风险调整后的（risk-adjusted）、基于资产的（asset-based）或基于负债（现金流）的（liability-based / cash flow），也可以是专门用于捕捉某个突出特征（如回撤 drawdown）的。

度量最好能利用收益、持仓或交易数据，按因子分解（decomposed）。构造具有信息量、可解释、可诠释、相关且独立的因子是一件困难的事，必须做出一些妥协。

将绩效和风险*归因（attribute）*到类别、因子、风格（style），并且至关重要的是归因到决策和决策者，是非常关键的。归因将使分析更精细，并为评估和采取纠正行动提供更多细节和机会。归因最好在了解决策过程内部知识的前提下进行，但也可以由外部人员完成，例如使用 Brinson 分析（Brinson analysis）。

*评估（Evaluating）*绩效和风险归因能让我们从成功与失败中学习、做出反应并加以预期。评估可能是一项微妙而困难的任务，尤其当归因不够精确时。

通过压力测试（stress test）和敏感性测试（sensitivity test）对风险和绩效进行拷问（Interrogating），可能比评估本身更为重要。一项表现良好的策略在评估时可能引人注目，但一项脆弱的策略应当"敲响警钟"。归因和评估解释了当前状态以及对未来情境的潜在反应，而压力测试和敏感性测试则揭示脆弱性。

*监控（Monitoring）*风险、暴露、收益及其各阶矩，以及运营绩效（执行、技术等），是所有这些步骤中最为重要的一环。任何研究都可能存在缺陷或目光短浅。警惕是防范灾难的必要条件。正如 Ernest Hemmingway 所写："'你是怎么破产的？'……'两种方式。……先是渐渐地，然后突然地。'"^11^

**复利（Compounding）**威力强大，却很容易被忽视。在很多情形下，历史各期的数据不可得，或者跨多期建模所需的方法过于繁琐和缓慢。幸运的是，盈利的复利速度快于亏损，这一益处可能为解决多期问题（multiperiod problem）提供动力。反之，长样本有时不得不被切分为若干决策期以进行归因。

多期研究的常见权宜之计包括：使用多个评估期（例如月度和年度）；季节性比较与调整（例如将某年年末假期的季节性与上一年进行比较）；以及滚动窗口（rolling windows），例如（月度持有期）。

自建还是外购？（Build or Buy?）#

一个"知道答案"的简单系统，胜过一个只会"猜测"的复杂系统。许多优秀的商业风险软件产品可能不如为特定目的量身设计的简单系统更为合适。商业软件必须服务于形形色色的客户，并为此做出相应的妥协。

**透明度（Transparency）**对于一个有效的系统至关重要。商业软件虽然可能提供最新、最复杂的分析，但在分析管理人和策略的意图与行动方面可能有所欠缺。能够接触决策过程的内部分析师，往往比必须对过程进行逆向工程（reverse-engineer）的人更有洞察力。自建的归因系统（attribution system）能够识别收益、风险和机会，并把它们归因到具体的部门或员工身上，从而促进更有针对性的学习和改进。即便是一位仅做多（long-only）且以指数为参照（index-aware）的管理人，其执行也依赖于投资政策（investment policy）、基准组合（benchmark portfolio）、目标组合（target portfolio）、再平衡频率（rebalancing frequency）以及其他许多关键因素——这些因素可能不会向其投资者披露，甚至不会向其内部度量绩效的部门或雇主披露。

**规则真空（The rules vacuum）。**我们继续讨论专栏 5-5 中的案例研究。我们曾描述过一个由 Columbia University 的一些研究生在某个夏天开展的研究项目，他们逆向工程了美国 101 家最大的智能投顾（robo-advisor）的投资政策和再平衡规则。

第19章 · 投资、风险与现金管理

Mon, 01 Jan 0001 00:00:00 +0000

投资、风险与现金管理（Investment, Risk, and Cash Management）#

改进我们的流程（Improving Our Process）

[战]略计划是脆弱的，但这并不削弱规划的价值。一项计划的优点不在于其面值，而在于当面对阻力时，它赋予我们果断而有效行动的许可。无论我们遭遇的是一场结构化、有组织的竞争性攻击，还是市场力量那不可理解的混乱，一个深思熟虑的计划都能帮助我们更自信、更胜任地驶过波涛汹涌的水域。

**为混乱做计划，并执行这个计划。**对常规风险进行恰当的日常风险管理（risk management），应使一家企业在常规条件下平稳运行。如果正常的风险能够被习惯性地控制住，那么对资本和存续能力的非凡威胁，就可以通过执行预先制定的评估与行动方案（"像实战一样训练，像训练一样实战 train like you fight, fight like you train"^1^），迅速、客观、有效地加以应对。正如 Daniel Kahneman 所写，即便简单的规则也常常胜过专家的判断，尤其是在情绪化与关键的情境下。

以下是一些基本的风险管理概念，它们能够帮助我们从最初的计划到持续的执行全过程中找到方向。

**首先，要灵活适应且积极主动。**正如那些以基于平均数的论证来贬低所有主动管理（active management）的人一样，规划的批评者常常攻击静态且被动的管理这一"稻草人"。一个表现不佳的投资策略，往往是因为不够系统化和理性——当策略陷入任意判断、过度交易或糟糕的预测时，就会失败。"你的第一次亏损就是你最好的亏损（Your first loss is your best loss）。"

**行为偏差不可避免。**系统性交易者或许认为主观管理无效，但在困境时期怀疑一个策略的稳健性是不可避免的。如果模型超出了其运行范围或表现异常，那么"拔掉插头（pull the plug）"也许是恰当的。

**风险控制是首要的'旋钮'。**优秀的投资者能从糟糕的局势中获利，而糟糕的交易者却能"从胜利的虎口中夺走失败"。增加终值财富（terminal wealth）并避免毁灭（ruin），是大多数投资计划的关键结果。保住我们所赚的，是成功的关键因素。执行、风险管理和资金管理（money management），往往比准确的分析和果断的投资更为重要。值得注意的是，强调风险而非潜在利润，有助于控制贪婪与狂热。风险也比未来收益更容易估计，因此它是一个更实际的目标。

**风险是用来花费的，而不是用来最小化的。**最好把风险视为一种货币，其最高尚的用途是可持续的繁荣。正如费用和成本可以被花得其所，也可以被漫不经心地挥霍，风险也必须审慎地花费，以产生并保留长期收益。投资管理人不最小化风险，而是最大化风险调整后收益（risk-adjusted return）。

**无补偿的或非本意的风险是浪费的风险。**如果消除一项风险的成本可以接受，就应当将其移除。其他风险必须权衡其成本，但也要权衡将部分风险预算（risk budget）花在它们身上的潜在收益。自保、对冲或移除有补偿的风险，应当基于可预测性与技能、内部观点与已计入价格的市场预期、风险容忍度（risk tolerance）和成本来决定。

以下是一些关于哪些风险有补偿、哪些风险无补偿的指导原则：

**可预测的外生风险（Predictable exogenous risks）**通常以风险溢价（risk premium）作为补偿，包括已实现波动率（realized volatility）、信用风险（credit risk）和通胀。

**不可预测的外生风险（Unpredictable exogenous risks）**没有补偿（例如某些货币，以及自然灾害、战争和饥荒等灾难）。某种程度的不可预测性（如隐含波动率 implied volatility）可能有补偿，但长尾或肥尾可能没有。

**有界的内生风险（Bounded endogenous risks）**是有补偿的，例如投资的非流动性（illiquidity），或外部管理人约束及其隐含的绩效。

**无界的内生风险（Unbounded endogenous risks）**补偿不足，例如风格漂移（style drift）、违反约束与契约，以及关键人风险（key-man risk）。

**可分散的与操作性风险（Diversifiable and operational risks）**通常没有补偿，包括类别或高确信度交易的集中、杠杆、主经纪商（prime broker）过少、交易对手风险（counterparty risk）、欺诈、错误、糟糕的基础设施以及糟糕的治理。

**日常风险与毁灭风险。**我们应当揭示哪些风险是可知的、哪些是不确定的，这样我们才能处理那些已知的，并理解我们努力的局限性。这将有助于确保风险预算从收入中提取而非从资本中提取，并最小化所保留的风险对业务持续有效运行构成生存威胁的可能性。

**报告风险是必要的，但并不充分。**报告为利益相关者（stakeholder）服务于许多目的。我们的关注点是投资，因此管理风险所需的报告可以按功能分类：