量化投資的前世今生

張磊（安徽國元信托有限責任公司 資本運營部）/文

本文選自《恆生世界》（2016年第四期），已授權和訊網智庫發布

20世紀80年代以來，隨着布雷頓森林體系的瓦解、金融自由化的擴展、石油危機和債務危機的爆發，國際金融市場風險急劇增加。為了規避、轉移和分散風險，金融創新層出不窮，各類證券和金融衍生品應運而生，面對大量的金融交易工具，信息技術快速發展使其具有快速計算證券價格和處理交易的能力，可以有效管理大量的證券投資組合，在此背景下，量化投資開始興起。

時至今日，量化投資作為利用量化投資策略和信息技術進行證券交易的一種投資方式，正在越來越受到市場的關注和認可，比較著名的是美國著名數學家詹姆斯西蒙斯創辦的文藝復興科技公司的大獎章基金，自1998年至2008年的20年間創造了年化收益35.6%的驕人業績（扣除高額基金管理費後），遠超同期的美國標准普爾指數9.2%的年化增長率，更難能可貴的是其中大部分年份該基金都能取得正收益，為投資者帶來豐厚回報的同時極大降低了風險，或者說波動性。

量化投資的基本原理

1、策略模塊

量化投資策略模型遵循的基本原理無外乎兩種，一種是捕捉市場在不同時間尺度下的趨勢，利用正反饋或者負反饋效應，即跟隨剛形成的趨勢正向交易，或者判斷趨勢到頭而進行反向交易（均值回歸）；另一只是利用無風險套利原理賺取無風險利潤。雖說原理簡單，但是在何種時間尺度下，如何判斷趨勢及如何准確完成套利過程是量化投資策略的核心問題。量化投資者的理念是，並不要求每次的判斷都是正確的，只要能保證超過50%的判斷是正確的，且判斷錯誤時的虧損小於判斷正確時的盈利，就能最終獲得盈利。

量化投資策略模型的研究步驟與科學研究類似，首先是對證券市場的一些變量進行觀察，例如證券價格、成交量、無風險利率等，根據可能存在的邏輯關系提出各個變量之間關系的理論，然後由此將理論轉化為數學模型，根據歷史統計數據代入回溯測試，計算並優化模型的參數，最後利用模型對未來的數據進行預測，將預測值同實際值進行對照，檢驗模型的有效性。主要的量化投資策略模型有以下幾類：

（1）量化選股

量化選股就是利用數量化的方法選擇股票組合，期望該股票組合能夠獲得超越基准收益率的投資行為。量化選股策略總的來說可以分為兩類：第一類是基本面選股，第二類是市場行為選股。基本面選股主要依據公司的財務指標、行業的估值、證券的行情指標等，主要有多因子模型、風格輪動模型和行業輪動模型。市場行為選股則包括資金流模型、動量反轉模型、一致預期模型、趨勢追蹤模型和籌碼選股模型等。一些國外的對沖基金甚至開發出可以在瞬間抓取與上市公司有關的突發重大新聞關鍵字的軟件，搶在市場人士閱讀新聞並反應之前進行操作，也算是一種激進的基本面量化選股模型。

（2）量化擇時

量化擇時通過對各種宏觀微觀指標的時間序列數據進行數量化分析，找到影響證券市場走勢的關鍵變量，並且對未來走勢進行預測，主要參考的指標有：宏觀經濟指標，包括價格指數CPI、PPI指標（實體經濟層面），貨幣投放量M1、M2指標（政策層面）等；證券市場指標，包括市場成交量、均線指標、市盈率、市凈率等；投資者情緒指標，包括換手率、IPO首日市盈率、IPO首日漲跌幅、封閉式基金折價率和A股新增開戶數等。常用的量化擇時模型包括多因子模型、市場情緒模型、Hurst指數模型、支持向量機和小波分析模型等。

（3）量化套利

套利本質上是通過金融工具的對沖消除系統性風險，賺取穩健的阿爾法收益，即對一個或者多個品種，進行買入同時並賣出另外一個或多個品種的操作。量化套利在牛市中收益率難以超越基准指數收益率，但是在熊市中它可以避免大幅度的回撤，降低投資組合的波動性，獲得較為穩健的收益。常見的量化套利包括股指期貨套利、商品期貨套利、期權套利和統計套利。

股指期貨、商品期貨和期權的套利是指計算和發掘現貨和其衍生品（期貨、期權）之間的定價偏離，同時參與股指期貨與股票現貨市場交易，或者同時進行不同期限、不同（但相近）類別的期貨、期權合約交易，以賺取差價的行為。期貨套利分為期現套利、跨期套利、跨市套利和跨品種套利；而期權套利更加復雜，除了以上幾種外還可以有多種組合，例如蝶式期權、跨式期權套利等。

以上幾種套利是基於無風險套利的原則，因此只能獲得無風險利率，而統計套利則是利用證券價格的歷史統計規律進行套利的，是一種風險套利，其風險在於這種歷史統計規律在未來一段時間內是否繼續存在，相應的收益率也要高於無風險收益率。

統計套利的思想最早源於一個世紀前華爾街股票大作手利弗莫爾，他通過創造「姐妹股」為自己賺取了大量財富，20世紀80年代摩根斯坦利公司的量化投資團隊被認為是最早使用統計套利的投資團隊。統計套利的主要思路是先找出相關性最好的若干對投資品種（股票或者期貨等），再找出每一對投資品種的長期均衡關系（協整關系），當某一對品種的價差（協整方程的殘差）偏離到一定程度時開始建倉——買進被相對低估的品種、賣空被相對高估的品種，等到價差回歸均衡時平倉了結即可。統計套利由於同時做多和做空相似的證券，對沖了大部分市場風險，因而是一種市場中性策略，和市場整體走勢的相關度較低，可以避免系統性風險，獲取阿爾法絕對收益。

2、交易模塊

通過與交易所數據接口互聯，交易模塊接收市場數據信息，發送到投資策略模型系統里進行分析判斷，當出現交易信號時則自動下單或發出提示由交易員下達交易指令。下單過程一般是利用算法交易模型，目的是為了優化大型投資組合配置，決定買賣證券時機以及最小化委托單的市場沖擊成本等。一般的算法交易主要通過分析掛價指令表等方式，將大筆的交易單通過一定的算法（如「冰山一角」、「游擊隊」等）拆分成為小單發送，以減少掛單對於市場價格的沖擊，平滑成交價格。當普通投資者將目光盯在股價成交的K線圖和成交單上時，算法交易更關注的是掛單的流動性，發掘潛在的成交可能。

此外還有一類高頻交易者，通過類似做市商的模式快速掛單成交以博取微小的單筆利潤，在上述算法交易的基礎上，加入對短期市場趨勢的判斷。此外，國外的一些證券交易所為交易者提供一定量的返傭，也是高頻交易的利潤來源。為了比其他投資者更快成交，高頻交易者將計算機系統放置在距離交易所最近的數據中心，甚至與交易所的系統共置於同一機房，以在毫秒級別上獲得更快的成交速度，這和百年前利弗莫爾為了比電報更快接近行情源頭而前往紐約進行交易如出一轍。這一趨勢將量化投資推向了計算機設備硬件的軍備競賽，一些量化基金不滿足交易所提供的標准化金融信息交換協議（financial information exchange protocol，簡稱FIX）格式的數據通訊，而是開發直連交易所的特定應用程序接口（application programming interface，簡稱API），加重了程序維護的難度。因此，算法交易的發展伴隨計算機硬件和軟件技術的進步，這也解釋了為何西蒙斯的文藝復興公司冠以「科技」二字，並且聘用了許多來自硅谷計算機專家。從事量化投資的美國大本營投資集團也對外宣稱「大本營集團是從事金融投資的科技公司，信息系統並非公司的成本，而是立命之本。」

風險控制模塊

無論是風險較高的趨勢型、風險較低市場中性套利模型，還是用於交易的計算機程序，歸根結底都是人為研究設計出來的，即使量化交易可以克服人的心理缺陷因素，也無法擺脫人的因素，量化投資可以降低風險，但並非完全沒有風險。上世紀90年代由多位諾貝爾經濟學獎獲得者領銜的量化對沖基金—長期資本管理公司就是由於風險控制不當，被市場極端事件擊潰，最終瀕臨破產後被收購。

量化投資的風險控制模型一般都是與量化投資策略模型共存，在上線之前通過回溯測試和壓力測試進行反復檢驗，最大程度降低設計缺陷；在上線後設置實時測試程序，動態檢驗模型的有效性，例如跟蹤夏普比率、詹森指數等，當發現有效性降低到某個置信區間以下時，要對模型進行及時調整，更新或者更換投資策略。大型對沖基金一般都是持續開發新的投資策略模型，並與已經存在的模型進行比對測試，系統化管理策略模型庫。在交易模塊，主要風險是信息系統的穩定性，這就要求系統在上線之前要對每一個功能模塊反復測試，必要時用少量資金實盤測試，確保不存在程序缺陷。為保障穩定性，對信息系統設計要留足夠的冗余，而這又會降低系統的運行效率，如何把握這之間的平衡也是系統開發者所面臨的問題。此外，還要設計好應急預案，當系統出現異常錯誤時，如何合規地降低該錯誤帶來的風險。事實上，根據市場有效性假說，投資者只能獲得市場平均無風險利潤，而量化投資就是去發掘市場可能存在的超額利潤，當多個量化投資基金都采用一個模型時，超額利潤也將被逐步抹平。因此量化投資策略模型最大的敵人或者說最大的風險是市場有效性，必須開發出他人尚未使用的模型，在競爭對手出現之前快速攫取超額利潤。這也無怪乎很多量化對沖基金保護自己的投資策略如保護同可口可樂配方一樣保密，一旦有發現有人泄密，不惜通過法律手段維護自身權益。

最後，監管政策的風險也是必須考慮的因素，例如2015年國內股票市場大幅下跌，中國金融期貨交易所為穩定市場，對股指期貨采取限制開倉、大幅提高保證金比例，大幅提高手續費等措施，導致很多量化基金無法利用股指期貨對沖股票頭寸下跌風險，凈值出現大幅下滑。如何在出現此類極端情況時規避風險，也是量化投資者需要研究的課題。

量化投資未來如何發展？

量化投資相對於傳統的定性分析投資，可以獲得絕對收益。利用量化對沖方式，構建市場中性策略組合，適合追求穩健收益的機構投資者，例如銀行、保險、信托公司等。此外，量化投資杜絕了內幕消息和老鼠倉。量化投資只利用公開數據，通過量化模型發掘市場超額利潤，從方法論上就杜絕了內幕消息的可能。在交易過程中利用信息系統進行程序化交易，使得老鼠倉無法實施。

由於金融衍生品的種類較少，融資融券仍處於發展初期，多空機制仍不完善，我國的量化投資處於發展初期。從理論上來說，一個證券市場的有效率越低，量化投資面臨的機遇就越大，隨着多層次資本市場的建立和市場交易機制不斷完善，可以預計未來量化投資將面臨較大規模的增長。當然，這一發展過程也不可能一蹴而就，不僅需要市場頂層設計，也需要從事量化投資的機構不斷加強自身建設，尤其是人才隊伍的培養和合規性建設，才能在資本市場的發展中不斷成長壯大。