876
期貨
境外量化投資的發展與應用分析
摘要
境外的經驗值得我們量化投資者借鑒，超額回報可以追求，失敗的教訓也應引起重視。
交易更加精確量化，有穩定模型支持，能夠嚴格執行紀律
發展軌跡
量化投資的領軍人物，一般公認為是詹姆斯·西蒙斯。從數學天才到交易模型專家再到投資奇才，關於西蒙斯的傳奇廣為流傳。事實上，跟所有其他大師一樣，西蒙斯也是站到前輩的肩膀上才取得引人注目的成就。量化之源可以追溯到20世紀初，法國人路易·巴舍利耶1900年首創了數理金融方法。路易是第一位用量化描述布朗運動的人，他提出可以用概率論來理解金融市場。遺憾的是路易的理論沒有引起業界的重視，其價值幾十年後才被另一位天才發現。這位天才就是美國的現代經濟學之父保羅·薩繆爾森，他建立了宏觀和微觀經濟學數量化體係，代表性研究成果包括消費理論中的功效函數、福利經濟學裏的Lindahl-Bowen-Samuelson條件、資本市場理論中的隧道理論、金融市場中的有效市場假說、公共金融學中的最優化配置、國際金融學中的Balassa-Samuelson效應和Heckscher-Ohlin模型等。
量化投資區別於主觀定性投資的鮮明特征就是模型。模型概念由第一位諾貝爾經濟學獎得主簡·丁伯根首先引入經濟學(薩繆爾森是第二位諾貝爾經濟學獎得主).
數學教授出身的“模型先生”西蒙斯2005年成為全球收入最高的對衝基金經理，淨賺15億美元。西蒙斯24歲出任哈佛大學數學係教授，曾與著名華裔數學家陳省身共同創立了Chern-Simons幾何定律，該定律成為理論物理學的重要工具。西蒙斯和他的文藝複興科技公司是華爾街上徹底的異類，公司從不雇用華爾街人士。這位超級投資者成功的秘訣是：靠數學模型捕捉市場機會，用電腦做出交易決策。
不同於傳統方法的特殊優勢
“數學模型”方法是針對或參照某種事物係統的特征或數量相依關係，采用形式化數學語言，概括或近似地表述出來的一種數學結構。運用“數學模型”做交易，和傳統的基於技術分析、基本分析等方法的定性投資本質上相同，都是基於市場非有效或是弱有效的理論基礎。投資經理可以通過對資產估值、成長等基本麵的分析研究，建立戰勝市場、產生超額收益的算法組合。不同的是，定性投資更依賴對標的資產的調研以及基金經理個人的經驗及主觀的判斷；而量化投資則是“定性思想的量化應用”，更加強調數據和計算，因而具有以下明顯優勢：
一是交易更加精確量化。技術分析、基本分析等方法的缺陷都是不能做到完全的精確量化。技術分析主要是用來分析交易的進場、出場點，是抉擇交易時機的一種方法。技術指標大多是用線型的公式來表達價格漲落與曆史價格成交量之間的關係。由於價格運動的複雜性用線型公式是無法概括表述的，所以存在技術指標時好時壞的現象。用幾套技術指標疊加做出的係統，同樣解釋不了價格的運動。
不同投資經理在經驗累積過程中形成不同的技術分析理論體係，從定義到規則，都帶有明顯的經驗總結色彩，不具備嚴格的數學推理過程，不能形成一整套相互作用的理論體係。任何一種技術分析方法都不能完全適應於市場，每一種方法都有自己的盲點。
量化投資采用離散采樣的方法對數據進行統計分析，根據金融市場的特性，價格是離散型的隨機變量。抽象地說，量化投資是將隨機變量的所有可能取值及相應的概率描述出來，模擬離散型隨機變量的概率分布，再通過概率進行資金分配，量化每筆交易手數。量化投資是在找估值窪地，通過全麵、係統性的掃描捕捉錯誤定價、錯誤估值帶來的機會。
二是有穩定模型支持。量化投資所有的決策都是依據模型做出的，依靠模型、相信模型。每一天決策之前，首先要運行模型，根據模型的運行結果進行決策，而不是憑感覺。著名對衝基金經理納西姆·塔勒布在他的暢銷書《黑天鵝——如何應對不可知的未來》中表示：不少交易者使用的模型低估了存在極端負麵結果即黑天鵝的可能性，從而帶來了災難性的後果。雖然塔勒布有著大批擁躉，但人們還是選擇相信模型。因為一個模型失敗了，不等於所有模型都無效，而所有運作機製都跟概率模型息息相關。隻要模型在大概率下是有效的，就可以相信模型。
三是能夠嚴格執行紀律。隻有嚴格的紀律才能克服人性的弱點，諸如貪婪、恐懼、僥幸心理，也可以克服認知偏差。在交易中，最可怕的莫過於人性的弱點。人的“貪婪”和“恐懼”在交易的過程當中會毫無遺漏地表現出來。有盈利的時候“惜賣”，虧損後又“死抱”；容易受到周邊議論的影響，這些都會造成交易的隨意性，導致虧損。量化投資能夠避免投資者在交易時主觀的判斷，投資者所要做的就是相信係統，嚴格執行。
數學模型在交易中的運用
在量化投資中，運用數學模型是交易的核心，主要體現在以下幾個方麵：
認為價格運動隨機與有序並存，並非完全隨機，也沒有固定的規律。價格運動具有一定的“人為特征表象”。整體而言，市場是有效的，但仍存在短暫的或局部的市場無效性，可以提供交易機會。
主要通過對曆史數據的離散采樣統計，找出金融產品價格、宏觀經濟、市場指標、技術指標等各種指標間變化的數學關係，發現市場目前存在的微小獲利機會，並通過杠杆比率進行快速而大規模的交易獲利。
通過高頻次且快速的日內短線交易來捕捉稍縱即逝的機會。依靠大量的交易次數對衝風險，累積盈利。
需要市場具有高活躍度和流動性。要求交易品種價格的運動具有連續性，以及成交量的活躍性。這主要是為了保證大量的高頻次交易可實現成交。
運用現代計算機技術將“數學模型”轉化為交易係統，通過計算機的海量運算能力實現應用。
總之，量化投資將人的交易理念規則化、變量化、模型化、係列化，形成一整套完整、可量化的操作思路。這套思路可以用曆史數據加以分析驗證，在交易的實施階段可使用計算機自動執行。
LTCM基金與相對價值投資
在國際市場上，不管是從1946年瓊斯推出第一隻多空組合的對衝基金開始，還是1956年到1966年投資組合理論和資本資產定價模型正式確立，抑或是以1978年富國銀行設立第一隻量化公募基金為標誌，量化投資都走過了一段並不算短的曆史。圍繞著金融衍生品的使用和對衝基金形式，關於量化投資方法的爭論不絕於耳，最著名的案例是LTCM基金的興衰。
LTCM基金(Long-Term Capital Management)由債券交易員約翰·梅裏韋瑟於1994年2月建立，巔峰時期與量子基金、老虎基金、歐米伽基金一起被稱為國際四大“對衝基金”。LTCM基金成立之初，資產淨值為12.5億美元，到1997年年末，上升為48億美元，淨增長2.84倍。
LTCM基金的創始人早在1986年效力於所羅門兄弟公司時，就將麻省理工學院的物理學引入債券分析，為利率期限結構建模，賣出高估的債券，買入低估的債券，實施後來被業內廣泛模仿的“債券相對價值投資”。LTCM基金延續了梅裏韋瑟這一早期做法，以尋找各種證券之間的相對價值為投資目標。
由於LTCM的合夥人中包括了期權定價BS公式創始人、諾貝爾經濟學獎得主羅伯特·默頓和邁倫·斯科爾斯，因而增加了學術色彩。實際上，雖然相對價值投資思想屬於量化投資大體係的重要分支，但是LTCM並未重度使用量化投資模型，其尋找低估和高估資產的主要方法是從基本麵出發獲取方向性判斷，然後根據價差的曆史數據進行簡單的正態分布建模，並用以測算資金管理。
2000年，LTCM遭破產清算，被華爾街銀團接管，其失敗的主要原因是：一是篤信相對價值的走勢符合正態分布。相對價值即價差的判斷往往需要對其隨機性做出假設。LTCM采用簡單頻率統計的方式假設其符合正態分布，其結果導致嚴重低估了價差朝持倉反方向運行的概率。1997—1998年各種國際突發事件恰好驗證了金融資產價格走勢的“厚尾”特征，即正態分布假設下的“小概率”事件也具有很大的現實概率。對價差走勢的誤判是相對價值投資最大的死穴。
二是無限度使用杠杆。LTCM基金在投資標的(以應用金融衍生品和融資融券為主)、基金資產、基金公司股權三方麵分別使用了巨額杠杆，使得公司整體杠杆較高，導致資產價格不利走勢帶來的影響放大了數千倍甚至上萬倍。
總之，LTCM基金失敗的主要原因在於投資方法有缺陷，進行相對價值投資時對價差走勢假設過於自信，缺乏必要的風控和止損設定，過度使用了杠杆。
監管案例
幌騙交易采用和高頻交易類似的技術手段，但並非利用公開信息進行策略性盈利，而是以哄騙交易對手、操作市場為目的獲取利潤。
常見做法是，以低於市場賣價掛出賣單，迫使其他賣家掛出更低價以尋求快速成交，當發現更低的賣價後，幌騙策略迅速撤單反手做多，從而以更低價格獲取頭寸。同理，用高於市場的買價掛出買單，迫使其他買家以更高價結清頭寸。
幌騙交易完成的時間極短，大部分手動交易者對此並不敏感。但對於高度依賴盤口信息捕捉市場微小機會的高頻交易策略而言，幌騙交易幾乎成了他們的克星。2010年美國總統奧巴馬簽署《多德—弗蘭克法案》後，幌騙被明確為違法行為，但美國市場中這種行為依然猖獗。
2015年11月3日，美國聯邦法院裁定Panther Energy Trading公司的負責人邁克爾·科斯夏商品交易欺詐以及幌騙罪名成立，這是《多德—弗蘭克法案》出台以來關於其中“防欺詐法規”的首個案例，也是全球首宗此類刑事訴訟。
庭審中，來自SEC和CFTC的證人提供的相關數據表明：嫌疑人2011年以來在期貨市場掛出大量買賣單，但事實上這些買賣單的目標不是執行，而是製造需求假象誘使其他交易員入市，讓自己從中獲利。比如嫌疑人常常在掛出大單之後撤單，但對小單撤單的概率較小。檢方則指控嫌疑人3個月裏通過“誘餌調包陰謀”非法獲利140萬美元。最終法院裁定科斯夏6項商品欺詐和6項幌騙罪名全部成立。每項欺詐罪名的最高刑期都是25年，外加25萬美元罰款，而幌騙罪名的最高刑期是10年，外加100萬美元罰款。
縱然量化交易史上出現了一些重大風險性事件，但隨著超級計算機的出現和金融機構參與者的不斷增加，量化投資仍將是一個大趨勢。
得益於強大的數學物理模型和超級計算能力的發展，量化交易更多是科技驅動，利用數據挖掘模式識別產生策略，從而獲得穩定收益。境外的經驗值得我們量化投資者借鑒，超額回報可以追求，失敗的教訓也應引起重視。
(責任編輯：DF306)
最後更新：2017-06-18 01:24:45