关于量化投资的几个误区

　　量化投资是一个比较宽泛的概念。如果按照字面上意义翻译“QuantitativeInvestment”，用维基百科搜这个词，也没有找到相对应的字段。国内量化投资跟国外讲的对冲基金也不全是一回事。这里讲的量化投资概念暂定义于运用数量化方式及计算机技术分析数据，然后基于规则行事（rules-based）的投资方式。

　　量化投资概念这几年比较火，原因是多方面的。一个方面是市场可交易标的增加，扩充了量化投资的投资方式与范围。2010年4月16日，伴随沪深300指数期货的推出，国内市场迎来了可以单边做空的时代。后续分级基金以及期权等品种的推出，增加了非线性投资标的。第二个方面是这些年股市单边行情低迷或者波动太大，导致投资者开始关注量化基金。第三个方面是投资者教育的普及，这里面包括很多专业机构及量化从业人员的普及工作。

　　在跟业内交流量化投资的过程中，经常发现有几个误区，在这里抛砖引玉，希望有所释疑。

　　误区1 ：

　　量化投资一定是低风险？

　　稳赚不赔？存在圣杯？

　　很多人一听量化投资或量化基金，就觉得是无风险或低风险，其实不然。量化投资只是一种方法论。不可否认量化投资的一个优点就是可以比较好的控制风险，但是也要看如何使用。好比是武器，用的好的人可以用来保护和攻击，用的不好的时候也可能伤害自己。

　　对于量化策略来说，高频策略或者统计套利类策略相对来说风险更低一点，这里所说的策略首先是相对有效的，否则就没有讨论的必要。高频策略一方面持仓周期较短，风险源相对可控；另外一个方面通过大数法则来验证逻辑。统计套利类策略由于多空敞口锁定，相对来说风险也比较小。这类策略基本上是胜率比较高，但是盈亏比相对较低，这个属性也决定了这类策略比较怕遇到极端行情。

　　而趋势跟踪类策略，相对来说就风险敞口暴露比较多，风险相对来说较大。我们熟知的CTA趋势跟踪策略以及股票指数增强、SmartBeta策略，都属于风险暴露较多的策略。CTA趋势跟踪策略跟股票类策略还不同，CTA趋势跟踪策略多空方向都可以交易，而股票类beta策略则只能做多。

　　又拿股票多因子投资来说，如果对行业、风格、市场风险等进行中性化之后，可以做Alpha策略，Alpha策略由于追求绝对收益相对来说风险较低，这类策略本质上也属于统计套利类策略。如果不对冲，则可以做指数增强策略，这类产品就要承受敞口风险，如果市场整体下跌，也可能要承受比较大的风险。如果针对某个（类）因子做风险暴露，则可以为SmartBeta策略，如果这类因子后期表现不好，风险敞口也较大。类似指数增强策略发行的时点（Timing）就显得非常重要，一般在市场相对低点或者底部的时候比较好。

　　量化策略回测跟实盘过程中会遇到各种各样的风险，有些是策略本身的，有些是策略之外的比如政策风险等等，所以即使是定位于风险偏好低的量化产品也不是绝对低风险的。风险跟收益就像孪生兄弟，投资没有免费午餐。风险跟收益同源，只有承受了风险才能获取对应的收益。

　　在评价一个策略或者产品的时候，把收益或者风险分开来看都是相对片面的，我们评估更多的是看两者的结合，比如说风险收益比（RiskReturnRatio,RRR），或者信息比率（InformationRatio,IR）或者夏普率（SharpeRatio,SR）。风险收益比讲述的是每一单位的风险能够带来几单位的收益，比如说RRR是3，就是一单位的可能损失（一般用最大回撤比率）能够带来三单位的可能收益（一般用年化收益率），比如预期最大回撤比率10%，预期年化收益率可能30%左右。

　　讲完这些，大家也基本上知道了量化投资不一定是低风险的，更不能保证一定赚钱，也不存在所谓的圣杯。经常有人会在网站或者朋友圈贴某某策略赚钱神话之类，一般只突出收益率，而很少标注风险或者资金容量等等。

　　不可否认有些高频策略确实收益率比较好，风险收益比也很高，但是这类策略一般都资金容量相对较小，通常不需要外部资金。对于这类神话，反证法也是一个反驳的方法。还有很多人一讲量化就提到西蒙斯以及他的大奖章基金，觉得量化投资存在圣杯。其实西蒙斯本身就是一个小样本，不具有代表意义，是生存者偏差，大家没有看到很多量化公司倒闭的例子。西蒙斯比较好的启发意义是他占据了相当的先发优势，赚到足够钱之后可以持续投入，招揽最优秀的人才，跟进市场变化研究不同的策略，让公司步入良性循环。要做到这点，对于大多数公司来说，是非常困难的。

　　误区2 ：

　　量化投资一定是全自动吗？

　　速度一定要快吗？

　　很多人一想到量化投资，就想到是各种电脑、服务器等神硬件。不可否认，量化投资要处理大量数据与计算，要用到各种计算机等工具，但是量化投资在回测与执行环节对计算机的要求不一样。一般而言，回测环节由于涉及到大量的数据、计算以及测试，需要借助计算机的算力，人工基本上不现实。

　　回测环节之后的信号执行，要不要程序化就要根据策略本身的属性以及持仓周期来定的。高频策略或者持仓周期很短的策略，对策略执行就要求很高，一般都要求是程序自动执行信号。比如高频策略，交易信号很可能跟其他人是互斥的，你慢了就被别人抢掉了，所以对速度要求很高，最后可能是“军备竞赛”，要把服务器放到最好的物理机房，以及把程序写在FPGA上面等等。

　　但是对于低频策略，比如说月度或者周度调仓的股票策略而言，是不是一定要全自动就另当别论，要综合考虑资金容量等因素，很多出信号之后手工交易也可以，或者用算法让程序在一定时间内交易也可以，对速度要求不一定高。

　　误区3：

　　量化投资执行一定要算法交易吗？

　　算法交易主要跟资金容量有关系，如果资金量比较大，为了避免对市场造成较大冲击成本，一般会考虑算法交易来拆单，特别是股票交易方面。所以即使是主观交易者，如果资金量比较大，也需要考虑算法交易进行拆单。很多基金公司里面交易员考核的标准就是买入或者卖出的平均价格与当日均价的差异大小，如果你买入比均价低，卖出比均价高，应该来说就相当不错。

　　策略利润来源主要是由策略盈利能力与策略执行能力两部分构成。有些策略主要是靠策略盈利能力，对策略执行要求不高，这些策略可能对速度要求也不高。另外一些策略是严重依赖于策略执行能力的，比如说高频策略或者高换手率的股票策略。最近国内做股票对冲类策略比较好的量化基金，很多是基于短期的量价因子，换手率很高，这类策略对策略执行能力就要求很高。因为换手率高交易量大，所以策略执行的好能够产生交易Alpha，如果执行不好，就可能被手续费以及冲击成本侵蚀掉利润。高换手率的股票策略，本身是攫取市场流动性的，所以在流动性不理想的情况下更重视交易执行环节，算法交易模块尤其重要。从近期很多类似产品处于横盘或者回撤过程中，也可以窥探市场流动性持续枯竭对其造成的影响很大。

　　对于期货交易来说，算法交易提及的不多，但是如果涉及到资金容量相对比较大，无论是主观还是量化，算法交易也非常重要。

　　(以上内容由启明星量化金融学院资讯部整理编辑，不代表本站观点。版权归原作者所有，如有侵权，请联系删除)