投資，快與慢（下）：數據科學家投資指南

作者：車品覺

1. 我認為，因子可用性半衰期較短的說法基本上適用於高頻因子。如果對高頻因子進行回溯測試，它們有時看起來幾乎和風險不相關，只有非常高的回報，一旦人們發現這些因子好得令人難以置信，效果就會很快消失。而我們使用的是更長期的因子，回報期限為幾個月，有時甚至長達一年。我們意識到，與這些因子相關的風險是存在的，但事實證明它們能長期發揮作用。
2. 人工智能和機器學習策略最終表現如何？新的數據類型在預測股票回報和風險方面有多大的利用價值？這些還有待觀察。我猜測，結果將令人大失所望。一些新的數據類型將具有價值，但很多類型可能將沒有價值。機器學習和人工智能同樣如此。在當今的AI工具中，可能只有一小部分工具將會有用。
3. 我認為，機器人投顧是重大進展之一，可以在很大程度上改變資產管理行業的運作方式。進展是全方位的，也包括其他的服務提供商、投資組合分析提供商等等。

原文翻譯：

“全球系統投資者”這個名字是怎麼來的？

漢克：它來自於我們幾個人的背景。我是金融專業博士，曾效力於兩家系統資產管理公司，也就是利用系統因子來進行量化選股而不是藉助人類判斷。顯然，當你選擇用於預測股票回報的相關因子時，模型中其實融入了人類的判斷，但模型建好後，人類因素就被降至最低程度，以保持紀律性。這是我的背景。我的兩位合夥人曾在Dimensional Fund Advisors從事投資組合管理工作，其中一人一直是研究型人才。他們兩人擁有相同的思維模式，相同的背景，也就是利用系統因子來預測資產回報，就我們而言是股票回報。

你們的策略是如何逐漸演變的？你認為以後會變成什麼樣子？

漢克：我們研究這個策略已經有段時間了，打造模型，選擇因子，研究投資組合結構，研究如何以最佳的方式捕捉系統因子，確保風險可控，並且穩健、直觀。經過幾年的時間，我們形成了這個模型，隨著我們繼續做更多的研究，我們將繼續加強該模型。我們並沒有頻繁地大幅改動，但隨著新的學術研究公佈，隨著我們試圖加強其中的某些學術想法以及開展自己的研究，我們一直在逐漸改進模型。

人們普遍認為，在當今的市場上，投資策略越來越短命，很快就沒用了。你不認同這個觀點嗎？

漢克：我們使用的是低頻交易模型，因此我們使用的因子有相當長的回報期限。我認為，因子可用性半衰期較短的說法基本上適用於高頻因子。如果對高頻因子進行回溯測試，它們有時看起來幾乎和風險不相關，只有非常高的回報，一旦人們發現這些因子好得令人難以置信，效果就會很快消失。而我們使用的是更長期的因子，回報期限為幾個月，有時甚至長達一年。我們意識到，與這些因子相關的風險是存在的，但事實證明它們能長期發揮作用。在美國，對這些因子的研究可追溯到20世紀20年代，因為有相關的數據。在其他地區，雖然數據較少，但仍然會得出相同的結論。所以，只要你準備好承擔風險，並且在選擇長期因子時做到多樣化，那麼它們就能被長期使用。

你所說的是哪種長期因子？

漢克：我們的投資流程是基於價值因子和多樣化因子。當人們聽到“價值因子”時，他們通常想到的是市淨率。這可能是最為人所知的價值因子。很多學者發現，價值因子效應是存在的，而且會長期存在。當然，它也會產生回撤，科技泡沫就是其中之一，當時價值因子起到的作用微乎其微，但在科技泡沫破裂後，價值因子又強勢回歸。我們已經擴大了對價值因子的定義。我們也使用現金流和收益相關因子，以及一個與股東淨現金分配有關的因子。

我們還使用了一個多樣化因子。我們的目標是使投資組合在公司規模和行業方面比市場加權指數更加多樣化。

更加多樣化的好處是更低的波動性？

漢克：未必。由於規模效應，股票方面的多樣化實際上增加了波動性。你所投資的公司比市場加權指數的成份公司規模更小，但小公司比大公司風險更高。所以，如果更多地向較小的股票傾斜，那麼風險實際上提高了，但回報也提高了。在行業方面，情況則大為不同。如果在行業方面比市場加權指數更加多樣化，那麼既能降低風險，又能提高回報。

你們使用期限更長、風險更高的因子，這是否意味著你們需要更長的時間，來說服外部人士相信你們的策略是有效的？

漢克：是的，沒錯。那是高頻交易基金擁有的一個好處，因為他們的因子具有很短的回報期限。他們只需要進行短時間的現場演示，就能證明模型有效，而使用低頻交易模型的人，需要更長的時間來評估那些因子。

那麼，與高頻交易策略相比，低頻交易策略有什麼好處？

漢克：一大好處是你可以用這些長期因子，更好地管理資產。它更加穩健，即使流動性減少，交易成本提高，也不會大幅傷害基金的表現，因為周轉率很低。而對於高周轉率的短期策略來說，交易成本和流動性顯然至關重要，哪怕市場的流動性環境略有改變，也會在很大程度上破壞這些策略的表現。另一個好處是依靠低頻因子，你也可以從事小盤股交易。雖然小盤股的交易成本更高，但由於你的周轉率很低，因此你可以更多地向小盤股傾斜。與大盤股相比，小盤股常常會帶來更多的回報機會，可能是因為小盤股的定價有效性比大盤股更低。

確定投資策略後，如何運作對你們來說是不是很明顯？你們會選擇你們現在使用的基金結構嗎？

漢克：我們現在擁有的基金是一隻UCITS基金，我們曾著眼於不同的基金法律結構。這還在一定程度上取決於客戶或潛在客戶的情況。例如，非常大的客戶可能不想要基金，而是想要獨立賬戶，或者他們已經有賬戶，指定你作為那個賬戶的投資組合經理。所以，客戶基本上決定了基金的結構。如果是像我們這樣的混合基金，那麼有幾個可用選項。有些基金結構可能只對英國投資者更有吸引力，有些基金結構的性質更具國際性。UCITS結構的性質就極具國際性。它往往被大多數投資者採用，除了美國投資者以外，因為他們有自己的結構，不同於UCITS。

一些人認為，他們有成功的投資策略，想設立自己的基金。你對他們有何建議？

漢克：我的建議是先找個投資者，最好是一群投資者。這樣的話，就算一位投資者退出，你還有其他投資者。這說起來容易，做起來難。但我認為這相當重要。

你們的策略在多大程度上取決於獲得及時準確的數據？

漢克：及時性對高頻交易策略至關重要，但對我們卻不是那麼重要。顯然，我們希望盡快掌握最新信息，但即使延遲一天甚至一周才收到某些信息，也不會影響我們的策略。

但數據準確性非常重要。我們得到的當前數據通常相當準確，但我們在回溯測試中使用的歷史數據未必準確。在美國，數據是相當乾淨的，但其他一些國家不是這樣。所有的大型數據提供商都聲稱，他們的數據中不存在倖存者偏差。但這很難去驗證，非美國數據來源的準確性常常有點令人不放心。我們沒有管理任何的新興市場基金，但即便是在發達市場，股市數據和會計數據等標準數據類型也往往有很多問題。

你們目前使用的數據來源基本上都是標準的會計數據嗎？

漢克：是的。我們做了一些可以實現和希望進行的調整。例如，一個相當明顯的調整是使用行業特定數據。如果你只是考慮一個簡單的價值因子，比如市淨率，這基本上就是比較企業的會計價值和企業的市場價值。你可以把會計價值稱為企業的內在價值。不同的行業有不同的衡量方法。以石油和天然氣行業為例。你可能希望看看這些公司擁有的地下儲量，而不只是使用標準的賬面價值。對於金屬和礦業公司，你同樣可以這麼做。其他行業也有對投資者很重要的行業特定數據項。現在，大多數的會計數據來源都包含相當多的行業特定數據項。但一個問題是，時間跨度往往不是非常大。因此，如果你想使用行業特定數據進行時間跨度很大的回溯測試，這通常不可行，因為一般只有過去幾年的數據。

你認為數據科學和數據科學家目前在投資管理領域扮演什麼角色？以後呢？

漢克：現在對數據科學家的需求很大，但需求主要來自對沖基金，來自單邊做多基金的需求要少得多。我們管理著一隻單邊做多基金。有些量化資產管理公司同時管理著單邊做多基金和對沖基金，他們可能對這兩種基金采用相似的投資流程。因此，這些公司可能會聘請數據科學家從事於單邊做多投資組合，但主要還是系統化對沖基金，其中又以高頻對沖基金為主。不同的人對“高頻”有不同的定義，我所認為的“高頻”是指回報期限最多兩三天的因子，甚至是日內因子。就目前來看，高頻對沖基金似乎僱傭了最多的數據科學家。但也有越來越多的服務提供商僱傭數據科學家，他們把服務賣給對沖基金，比如交易策略或新型數據集。

這些非標准或“另類”數據來源有多寶貴？

漢克：數據就在那裡，而我們現在有了利用數據所需的計算能力。所以我覺得，數據將變得越來越有用，但這是一個漸進的過程。人人都在談論大數據，但我認為，目前只有少數基金在他們的投資策略中，以一種有意義的方式，成功地利用了非標准或非結構化數據來源（通常稱為“大數據”）。我認為，某些類型的非標準數據有明顯的用途。例如，信用卡支付數據有助於弄清楚是否存在一些可能讓公司在未來受益的特定趨勢，或者研究銷售的結構以便在預測中利用這一點，等等。至於其他的數據類型，其有用性可能更加令人懷疑。我認為，目前業內存在對新數據過於熱心的傾向，未必仔細想過如何去充分利用數據和進行全面的數據分析。

你認為投資正在朝著什麼方向發展？是被動策略還是主動策略？

漢克：一個趨勢是背離傳統的主動策略。大多數機構投資者認為，傳統的基本面主動單邊做多管理公司表現不佳。因此，很多機構投資者的單邊做多配置轉而採取被動策略，就算不是被動策略，也是“半被動”或“Smart Beta”策略。這些基本上是單因子策略，也就是根據一個因子來管理資產（常常通過ETF基金），比如一個價值因子。例如，基本面指數化使用一個價值因子，那是唯一的一個因子。還有其他策略，比如風險最小化和動量交易。嚴格來說，只要不是市場加權策略，就屬於主動策略，但投資者常常把使用固定公開規則的策略稱為半被動策略。

再來說說對沖基金。以前，系統化或量化基金管理公司，不管是單邊做多還是既做多又做空的公司，基本上都使用相似的因子。這在2007年8月“量化流動性緊縮”期間變得非常明顯。當時，大多數量化投資者根據相同或非常相似的因子進行投資，一旦越來越多的量化投資者不得不平倉，這導致因子以極端的方式對他們不利。因此，大多數量化因子在2007年8月初產生巨大回撤。2007-2008年後，對沖基金試圖放棄這些標準因子，轉而使用專有因子和非標準數據來源。與此同時，越來越多的數據變得可用。我認為，目前很多對沖基金使用的系統化策略不同於2007年。很多Smart Beta策略則恰恰相反。現在，對沖基金常常試圖限制其投資組合接觸Smart Beta策略使用的標準因子。他們能否做到這一點還有待觀察。如果發生另一場量化危機，這可能會成為試金石。

這麼看來，過去十年發生了相當大的變化。你認為十年後將發生多大變化？

漢克：我認為，Smart Beta將不會像現在這麼簡單化。最有可能的情況是，它將變成2007年前我們在量化策略方面擁有的東西。人們可能將把價值、動量、低風險等著名的Smart Beta因子整合進多因子策略，而不是單獨為每個因子提供一個策略，使投資者不得不把這些策略結合起來以實現因子多樣化。如果投資經理在投資組合層面上結合多個因子，這會更有效，因為這些因子擁有很低的相關性，常常可以在一定程度上互相抵消。這意味著，基於不同因子的交易可以互相抵消，從而節約交易成本。這已經在一定程度上發生。幾家公司已經開始提供多因子Smart Beta投資組合。

至於對沖基金，我認為將發生更大變化。人工智能和機器學習策略最終表現如何？新的數據類型在預測股票回報和風險方面有多大的利用價值？這些還有待觀察。我猜測，結果將令人大失所望。一些新的數據類型將具有價值，但很多類型可能將沒有價值。機器學習和人工智能同樣如此。在當今的AI工具中，可能只有一小部分工具將會有用。

你是否認為金融科技公司在投資管理領域取得了進展，不管是作為資產管理者還是作為服務提供者？

漢克：是的，在各個方面都取得了進展。我認為，機器人投顧是重大進展之一，可以在很大程度上改變資產管理行業的運作方式。進展是全方位的，也包括其他的服務提供商、投資組合分析提供商等等。目前，金融科技公司在這個領域取得了很多進展，這可能是件好事。例如，就數據提供商而言，還存在一個由湯森路透（Thomson Reuters）、FactSet、彭博社（Bloomberg）和標普（S&P）組成的寡頭壟斷集團，他們有時會收取過高的數據服務費。數據常常不是特別乾淨，尤其是明晟（MSCI）、富時（FTSE）和標普等指數提供商的數據。他們提供的數據非常簡單，但價格卻極高。實際上，他們向客戶收取的不是數據服務費，而是品牌使用費，比如在宣傳材料中使用明晟品牌的權力。現在，有越來越多的金融科技公司提供同樣的服務，向客戶收取的費用要低得多，只不過名氣沒那麼大而已。

轉貼自： 36大數據