登录 注册

投研中心

您当前所在位置 :投研中心

境外量化投资的发展与应用分析

  交易更加精确量化,有稳定模型支持,能够严格执行纪律



  发展轨迹
  量化投资的领军人物,一般公认为是詹姆斯·西蒙斯。从数学天才到交易模型专家再到投资奇才,关于西蒙斯的传奇广为流传。事实上,跟所有其他大师一样,西蒙斯也是站到前辈的肩膀上才取得引人注目的成就。量化之源可以追溯到20世纪初,法国人路易·巴舍利耶1900年首创了数理金融方法。路易是第一位用量化描述布朗运动的人,他提出可以用概率论来理解金融市场。遗憾的是路易的理论没有引起业界的重视,其价值几十年后才被另一位天才发现。这位天才就是美国的现代经济学之父保罗·萨缪尔森,他建立了宏观和微观经济学数量化体系,代表性研究成果包括消费理论中的功效函数、福利经济学里的Lindahl-Bowen-Samuelson条件、资本市场理论中的隧道理论、金融市场中的有效市场假说、公共金融学中的最优化配置、国际金融学中的Balassa-Samuelson效应和Heckscher-Ohlin模型等。
  量化投资区别于主观定性投资的鲜明特征就是模型。模型概念由第一位诺贝尔经济学奖得主简·丁伯根首先引入经济学(萨缪尔森是第二位诺贝尔经济学奖得主)。
  数学教授出身的“模型先生”西蒙斯2005年成为全球收入最高的对冲基金经理,净赚15亿美元。西蒙斯24岁出任哈佛大学数学系教授,曾与著名华裔数学家陈省身共同创立了Chern-Simons几何定律,该定律成为理论物理学的重要工具。西蒙斯和他的文艺复兴科技公司是华尔街上彻底的异类,公司从不雇用华尔街人士。这位超级投资者成功的秘诀是:靠数学模型捕捉市场机会,用电脑做出交易决策。
  不同于传统方法的特殊优势
  “数学模型”方法是针对或参照某种事物系统的特征或数量相依关系,采用形式化数学语言,概括或近似地表述出来的一种数学结构。运用“数学模型”做交易,和传统的基于技术分析、基本分析等方法的定性投资本质上相同,都是基于市场非有效或是弱有效的理论基础。投资经理可以通过对资产估值、成长等基本面的分析研究,建立战胜市场、产生超额收益的算法组合。不同的是,定性投资更依赖对标的资产的调研以及基金经理个人的经验及主观的判断;而量化投资则是“定性思想的量化应用”,更加强调数据和计算,因而具有以下明显优势:
  一是交易更加精确量化。技术分析、基本分析等方法的缺陷都是不能做到完全的精确量化。技术分析主要是用来分析交易的进场、出场点,是抉择交易时机的一种方法。技术指标大多是用线型的公式来表达价格涨落与历史价格成交量之间的关系。由于价格运动的复杂性用线型公式是无法概括表述的,所以存在技术指标时好时坏的现象。用几套技术指标叠加做出的系统,同样解释不了价格的运动。
  不同投资经理在经验累积过程中形成不同的技术分析理论体系,从定义到规则,都带有明显的经验总结色彩,不具备严格的数学推理过程,不能形成一整套相互作用的理论体系。任何一种技术分析方法都不能完全适应于市场,每一种方法都有自己的盲点。
  量化投资采用离散采样的方法对数据进行统计分析,根据金融市场的特性,价格是离散型的随机变量。抽象地说,量化投资是将随机变量的所有可能取值及相应的概率描述出来,模拟离散型随机变量的概率分布,再通过概率进行资金分配,量化每笔交易手数。量化投资是在找估值洼地,通过全面、系统性的扫描捕捉错误定价、错误估值带来的机会。
  二是有稳定模型支持。量化投资所有的决策都是依据模型做出的,依靠模型、相信模型。每一天决策之前,首先要运行模型,根据模型的运行结果进行决策,而不是凭感觉。著名对冲基金经理纳西姆·塔勒布在他的畅销书《黑天鹅——如何应对不可知的未来》中表示:不少交易者使用的模型低估了存在极端负面结果即黑天鹅的可能性,从而带来了灾难性的后果。虽然塔勒布有着大批拥趸,但人们还是选择相信模型。因为一个模型失败了,不等于所有模型都无效,而所有运作机制都跟概率模型息息相关。只要模型在大概率下是有效的,就可以相信模型。
  三是能够严格执行纪律。只有严格的纪律才能克服人性的弱点,诸如贪婪、恐惧、侥幸心理,也可以克服认知偏差。在交易中,最可怕的莫过于人性的弱点。人的“贪婪”和“恐惧”在交易的过程当中会毫无遗漏地表现出来。有盈利的时候“惜卖”,亏损后又“死抱”;容易受到周边议论的影响,这些都会造成交易的随意性,导致亏损。量化投资能够避免投资者在交易时主观的判断,投资者所要做的就是相信系统,严格执行。
  数学模型在交易中的运用
  在量化投资中,运用数学模型是交易的核心,主要体现在以下几个方面:
  认为价格运动随机与有序并存,并非完全随机,也没有固定的规律。价格运动具有一定的“人为特征表象”。整体而言,市场是有效的,但仍存在短暂的或局部的市场无效性,可以提供交易机会。
  主要通过对历史数据的离散采样统计,找出金融产品价格、宏观经济、市场指标、技术指标等各种指标间变化的数学关系,发现市场目前存在的微小获利机会,并通过杠杆比率进行快速而大规模的交易获利。
  通过高频次且快速的日内短线交易来捕捉稍纵即逝的机会。依靠大量的交易次数对冲风险,累积盈利。
  需要市场具有高活跃度和流动性。要求交易品种价格的运动具有连续性,以及成交量的活跃性。这主要是为了保证大量的高频次交易可实现成交。
  运用现代计算机技术将“数学模型”转化为交易系统,通过计算机的海量运算能力实现应用。
  总之,量化投资将人的交易理念规则化、变量化、模型化、系列化,形成一整套完整、可量化的操作思路。这套思路可以用历史数据加以分析验证,在交易的实施阶段可使用计算机自动执行。
  LTCM基金与相对价值投资
  在国际市场上,不管是从1946年琼斯推出第一只多空组合的对冲基金开始,还是1956年到1966年投资组合理论和资本资产定价模型正式确立,抑或是以1978年富国银行设立第一只量化公募基金为标志,量化投资都走过了一段并不算短的历史。围绕着金融衍生品的使用和对冲基金形式,关于量化投资方法的争论不绝于耳,最著名的案例是LTCM基金的兴衰。
  LTCM基金(Long-Term Capital Management)由债券交易员约翰·梅里韦瑟于1994年2月建立,巅峰时期与量子基金、老虎基金、欧米伽基金一起被称为国际四大“对冲基金”。LTCM基金成立之初,资产净值为12.5亿美元,到1997年年末,上升为48亿美元,净增长2.84倍。
  LTCM基金的创始人早在1986年效力于所罗门兄弟公司时,就将麻省理工学院的物理学引入债券分析,为利率期限结构建模,卖出高估的债券,买入低估的债券,实施后来被业内广泛模仿的“债券相对价值投资”。LTCM基金延续了梅里韦瑟这一早期做法,以寻找各种证券之间的相对价值为投资目标。
  由于LTCM的合伙人中包括了期权定价BS公式创始人、诺贝尔经济学奖得主罗伯特·默顿和迈伦·斯科尔斯,因而增加了学术色彩。实际上,虽然相对价值投资思想属于量化投资大体系的重要分支,但是LTCM并未重度使用量化投资模型,其寻找低估和高估资产的主要方法是从基本面出发获取方向性判断,然后根据价差的历史数据进行简单的正态分布建模,并用以测算资金管理。
  2000年,LTCM遭破产清算,被华尔街银团接管,其失败的主要原因是:一是笃信相对价值的走势符合正态分布。相对价值即价差的判断往往需要对其随机性做出假设。LTCM采用简单频率统计的方式假设其符合正态分布,其结果导致严重低估了价差朝持仓反方向运行的概率。1997—1998年各种国际突发事件恰好验证了金融资产价格走势的“厚尾”特征,即正态分布假设下的“小概率”事件也具有很大的现实概率。对价差走势的误判是相对价值投资最大的死穴。
  二是无限度使用杠杆。LTCM基金在投资标的(以应用金融衍生品和融资融券为主)、基金资产、基金公司股权三方面分别使用了巨额杠杆,使得公司整体杠杆较高,导致资产价格不利走势带来的影响放大了数千倍甚至上万倍。
  总之,LTCM基金失败的主要原因在于投资方法有缺陷,进行相对价值投资时对价差走势假设过于自信,缺乏必要的风控和止损设定,过度使用了杠杆。
  监管案例
  幌骗交易采用和高频交易类似的技术手段,但并非利用公开信息进行策略性盈利,而是以哄骗交易对手、操作市场为目的获取利润。
  常见做法是,以低于市场卖价挂出卖单,迫使其他卖家挂出更低价以寻求快速成交,当发现更低的卖价后,幌骗策略迅速撤单反手做多,从而以更低价格获取头寸。同理,用高于市场的买价挂出买单,迫使其他买家以更高价结清头寸。
  幌骗交易完成的时间极短,大部分手动交易者对此并不敏感。但对于高度依赖盘口信息捕捉市场微小机会的高频交易策略而言,幌骗交易几乎成了他们的克星。2010年美国总统奥巴马签署《多德—弗兰克法案》后,幌骗被明确为违法行为,但美国市场中这种行为依然猖獗。
  2015年11月3日,美国联邦法院裁定Panther Energy Trading公司的负责人迈克尔·科斯夏商品交易欺诈以及幌骗罪名成立,这是《多德—弗兰克法案》出台以来关于其中“防欺诈法规”的首个案例,也是全球首宗此类刑事诉讼。
  庭审中,来自SEC和CFTC的证人提供的相关数据表明:嫌疑人2011年以来在期货市场挂出大量买卖单,但事实上这些买卖单的目标不是执行,而是制造需求假象诱使其他交易员入市,让自己从中获利。比如嫌疑人常常在挂出大单之后撤单,但对小单撤单的概率较小。检方则指控嫌疑人3个月里通过“诱饵调包阴谋”非法获利140万美元。最终法院裁定科斯夏6项商品欺诈和6项幌骗罪名全部成立。每项欺诈罪名的最高刑期都是25年,外加25万美元罚款,而幌骗罪名的最高刑期是10年,外加100万美元罚款。
  纵然量化交易史上出现了一些重大风险性事件,但随着超级计算机的出现和金融机构参与者的不断增加,量化投资仍将是一个大趋势。
  得益于强大的数学物理模型和超级计算能力的发展,量化交易更多是科技驱动,利用数据挖掘模式识别产生策略,从而获得稳定收益。境外的经验值得我们量化投资者借鉴,超额回报可以追求,失败的教训也应引起重视。

(转自:期货日报)