2006天祥集团数量化股票管理研究是什么？

我们将讨论的下一个研究基于2006年与业界代表的会谈和调查回复。虽然这个研究是在次贷危机发生并对数量化资产管理者的业绩造成冲击之前进行的，但其提供的深刻见解依然是有用的。总计来自38个资产管理公司、共计管理4.3万亿美元股票市值的管理者参与了这项研究。参与者中包括了在北美洲和欧洲的大中型公司负责数量化股票管理和数量化股票投资研究的个人。63%的参与公司是各自所在国家中最大的资产管理公司之一；它们无疑代表了行业内大多数公司在股票投资组合管理中使用数量化方法的情况。

2006年研究结果表明，20世纪90年代末对于数量化管理未来的怀疑到2006年已经消除，数量化方法在股票投资组合管理中起着重要的作用。38名调查参与者中，有11个参与者（占29%）报告称其超过75%的股票资产正在被数量化管理。这包含了广泛的公司范围，管理的股票资产从65亿美元到6500亿美元以上不等。另外还有22家公司（占58%）报告称其有部分股票资产在数量化管理，尽管在这22家公司中有15家数量化管理的股票份额占全部管理的股票资产的份额低于25%，更普遍的是低于5%。调查中的38个参与者中的5个（占13%）称它们没有股票资产在被数量化管理。

相比于2004-2005年，大多数参与调查的公司（占84%）报告其数量化管理的股票资产数量增加了。调查对象认为数量化管理的股票资产增加的一个原因是现金流流入现有的数量化基金。一家超过一半股票资产被数量化管理的大型美国资产管理公司的信息来源称，在2006年该公司有三大独特的股票产品类型：价值型、增长型和定量型。定量型是规模最大而且增长最快的。

根据调查对象所言，促进数量化方法在股票投资组合管理中更广泛地应用的最重要的因素是应用这些方法所取得的良好业绩。一半参与者认为积极的结果是数量化方法被广泛应用的最重要因素。其他促进数量化方法在股票资产组合管理中更广泛使用的因素，按照参与者给出的重要性排列如下：（1）台式电脑强大的计算能力；（2）更多和更好的数据；（3）第三方分析软件和可视化工具的可用性。

调查参与者认为盛行的内部文化是阻碍数量化方法更广泛使用的最主要因素（这个评价明显不适用于那些能够被定量描述的公司）：来自不以数量化为导向的公司的调查者中，超过1/3（10/27）认为这是最大的阻碍因素。在2006年对于股票资产组合管理模型的积极评价与大约十年前的怀疑形成了鲜明的对比。目前已经发生了一些改变。首先，在进行这个研究的时期，人们的预期变得更加现实。20世纪80-90年代，交易者一直在利用来自先进科学的方法进行试验，希望能取得巨大的超额收益。前十年的经验表明模型有能力实现目标，但是它们的表现必须有一个运行良好的市场与之相配合。

更现实的预期使得建模者在模型的测试和设计上更加坚持不懈，有利于采用本质上更为安全的模型。伴随着长期资本管理公司的失败，使用百倍杠杆的基金变得令人讨厌。这在本质上减少了重大失败的数量，对表现结果的看法会产生有益影响。我们可以说，模型在2006年运行更好是因为模型风险已经减少了：更加简单稳健的模型实现了预期。解释模型表现改进的其他技术原因包括计算能力的多方面增长以及更多更好的数据。在2006年建模者利用台式电脑所获得的计算能力在20世纪80年代末只有使用数百万美元的超级计算机才能获得。明显地，现在可以获得更完整的数据，包括日度数据以及企业行为或者分红的数据。另外，投资公司(和机构客户)已经学会了如何在投资管理全过程中使用模型。模型已经成为一个清楚表达的过程的一个组成部分，特别是就机构投资者来说，这样的过程涉及满足若干不同的目标，例如优质的信息比率。

模型在股票投资组合中角色的改变

2006年的研究显示数量化模型现在被用于积极管理以发现相对于基准的或绝对的超额利润(即alpha) 的来源。而2003年天祥集团欧洲研究认为数量化模型主要用于为消极管理控制风险以及选择低成本的投资组合。二者之间存在很大的差别。

研究的另一个发现是由计算机程序自动管理的基金数目增加了。一旦未来机器自动运作基金而不受投资组合管理者干预的景象成为广泛的现实，55%(21/38)的调查对象称他们至少有一半的股票资产会用数量化方法自动管理，另外3家公司计划在未来的12个月内至少将其一部分股票投资组合实行自动化管理。股票投资过程的逐步自动化意味着自动数量化管理的技术链中没有缺失环节。从收益预测到投资组合的形式化和优化，所有需要的元素都就位了。直到最近，最优化还一直都代表着证券投资组合工程自动化中缺失的技术环节。考虑到过于敏感以至于不能安全地进行配置，很多公司都避开了最优化，将模型的使用限制在股票排名和风险控制方面。现在稳健估计方法(详见第二章)和最优化(详见第八章)的进展使得一个资产管理者可以在极少或者没有除了监督模型之外的人为干预下，从数千只股票中选出数百只来构建投资组合。

建模方法和业界评价

在20世纪80年代末，学者和研究人员在专门的数量化金融机构对很多复杂的建模方法进行了试验，包括混沌理论、分形和多重分形、自适应优化、学习理论、复杂性理论、复杂非线性随机模型、数据挖掘以及人工智能等。这些努力的绝大部分都未能和期望相符。也许是期望太高了， 也许是缺乏需要的资源和保障。Emanuel Derman提供了一份易懂的关于数量化分析需要克服的困难的分析。据他所观察到的，虽然现代定量金融使用了一些物理技术，但是这两个学科之间仍有很大的差距。

2006年研究显示建模的工作更加简单而且更加统一了。回归分析和惯性建模是使用最为广泛的技术：分别有100%和78%的调查对象称这些方法正在被他们公司使用。至于今天所使用的回归模型，调查表明自从套利定价模型（APT）这样的多因素模型被引进至今，已经经历了重大的变化。诸如APT这样的经典的多因素模型是一个静态模型，并同时嵌入了收益与要素之间的线性回归。静态模型是一个预测模型：根据t时刻的因素范围预测t+1时刻收益行为。在这些静态模型中，单个收益过程可能显示是非自相关的,但仍可使用其他变量进行预测。预测变量可能包括金融和宏观经济因素以及诸如公司的财务比率这样的公司的具体参数。预测变量也可能包括人为判断,例如分析师的预测,或者是捕获例如惯性现象的技术因素。在一家数量化公司使用回归预测收益的一个调查对象说:因素回归是我们建立模型的基础。财务报表中的比率是预测未来股票收益的最重要的因素之一。我们在基本的股票模型中广泛使用这些比率并将它们分为五类:运行效率、财务实力、收益质量、资本性支出以及外部融资活动。

在调查对象中,惯性和反转是第二大广泛应用的建模技术。一般而言,惯性和反转作为一个策略在使用,而不作为资产收益模型。惯性策略基于选择最高/最低收益形成资产组合,其中收益按特定的时间窗口来估计。调查对象对这些策略给出了总体上好的评价但也注意到:(1)它们不是经常表现得这么好,2)它们会导致高流通额(虽然有人使用约束/惩罚来处理这个问题),(3)识别反转时机是复杂的。

惯性是1993年由 Jegadeesh和 Titman在美国市场上首次提出的。①九年以后,他们证实惯性在20世纪90年代的美国市场仍然存在。②两年以后, Karolyi和Kho检验了用于解释惯性的不同模型并得出了没有任何随机游走或者自回归模型能够解释在实证中发现的惯性的大小的结论;他们认为随着时间变化的预期收益模型近似解释惯性的实际大小。目前惯性和反转采用实时更新的局部模型来解释。例如,惯性正如在最初的Je gades和 Titman的研究中所描述的那样,是基于这样的事实,当假定每个时期长度为年时,股票价格可以说成是独立的随机游走。然而,公平地说,与局部模型不同,人们对在全局范围内判断惯性和反转以及特征事实的资产收益的计量经济学的看法并不完全致。了解更多的研究惯性和反转的资产收益计量经济学是有益的。

在2006年的研究中,调查对象广泛应用的其他建模方法包括现金流量分析和行为建模。36家参与调查的公司中的17家称它们模拟了现金流量,而行为建模则被36家参与公司中的16家所使用。考虑到在资产预测中的重要作用,44%的调查对象称他们试图使用行为建模去模拟诸如投资者的理性偏离(例如坚持信念)、分析师估计模式以及公司管理者投资/收回投资行为这样的现象。行为金融学与惯性是相关联的，惯性经常被归因于坚持分析师的估计和投资者的观察等各种现象。一家将行为建模纳入积极股票策略的大型投资公司的调查对象说道：行为金融的吸引力在于它比五年前强大了很多。现在每个人都承认市场不是有效的，有很多行为异常的现象。在过去，理论上市场是有效的，然而诸如自营商这样的市场参与者，无视理论，试图从异常现象中获利。现在我们看到了理论和实践的融合。

关于收益预测中使用的其他方法，调查对象提到了非线性方法和协整分析。19%(7/36)的回复公司正在使用非线性方法构建收益过程模型。调查参与者中使用最为广泛的非线性方法是分类回归树（CART)。CART的优势在于它的简单性以及CART方法被嵌入一个直观框架的能力。调查中的一位受访者将CART看作在增强指数和长期价值投资组合的构建过程中的核心部分，他说：CART将大量数据整理成一个能识别其基本特征的形式，所以它的输出很容易理解。CART是非参数的，这意味着它能够处理极其广泛的统计分布，而且它还是非线性的，所以作为一个变量选择技术，它特别擅长处理变量间的高阶相互作用关系。

只有11%(4/36)的调查对象回答称使用非线性体制转换模型；在大多数公司，用判断去评价体制改变。调查对象意识到检测体制转换精确时机的困难，而且估计转换需要较长的时间序列，这也是构建体制转换模型的障碍。一家试验过体制转换模型的公司的调查参与者说道：每个人都知道收益受制于市场体制，但是当实施体制转换模型时，过度拟合的可能性很大。如果你能回潮50年的数据，就能够建立一个适当的模型，但是我们只有大约10年的数据，这不足以构建一个恰当的模型。

19%(7/36)的回复者正在采用协整模型。正如第三章中解释的那样,协整为短期动态性(方向)和长期均衡(公平价值)建模。对协整的总的理解就是:模型以经济和金融理论为基础并由经济数据计算出来。

最优化

2006年的研究显示,另一个变化比较大的地方是最优化。根据调查对象所言,92%(33/36)的参与公司在实施最优化,虽然在某些情况下很少使用这一技术。均值一方差优化是在调查参与公司中使用最为广泛的技术:83% (30/36)的调查回复者正在使用。排在它后面的是效用最大化(42%或15/36)以及鲁棒优化(25%或9/36),只有一家公司提到它正在使用随机优化。

相比于2003年研究中很多公司称它们避开最优化，最优化更广泛地使用是一个重大的发展：识别预测错误的困难使那时的人们普遍认为最优化技术太脆弱，容易造成误差最大化。最优化更广泛的使用得益于能够将约束条件和鲁棒方法包含在估计和最优化中的大规模最优化的发展。由于组合形成策略依赖于最优化，其取得的成果意义是重大的随着最优化方法可以实行，通向完全自动化的投资过程的大门敞开了。就这一点，值得注意的是，2006年的研究中55%的调查回复称他们至少有一部分股票资产在由完全自动化的过程管理。

最优化是投资组合建立的设计部分，其中最优化用于获得期望的最佳的风险一收益状况，大多数投资组合建立问题都可以嵌入一个最优化框架。最优化是目前提供具有诸如保证收益这样专门设计收益的产品的技术支持。然而，提供具有特定的风险一收益状况的产品所需要的最优化技术超过了经典的均值一方差最优化范畴。特别是人们必须能够（1)使用现实世界的效用函数工作以及（2)将约束条件应用于最优化过程中。

挑战

模型的逐步发展并非没有挑战。2006年调查参与者提到3个挑战：(1)产品差异化的难度增加；(2)销售数量化基金的困难，特别是对于非机构投资者；(3)业绩衰退。

数量化股票管理现在很盛行，一位来自多年从事数量化投资的公司的人士说道：新公司进入数量化投资管理领域带来了很多竞争。面临的挑战是，要在客户心理的竞争中继续将自己与竞争者区别开来。

由于所有数量化基金都基于同样的方法并使用同样的数据，因而风险在于构建了具有同样风险一收益状况的产品。一位在大型数量化管理公司有着十年以上的数量化管理经验的积极股票管理负责人，在调查中说道，“每个人都在使用相同的数据并阅读相同的文章，很难进行差异化”。

调查中的调查对象称，客户需求推动了新的、纯粹的数量化基金的发展，而其中一些人提到数量化基金有点像强行推销。在一家为机构客户和高净值资产的个人服务的中型管理公司的一位调查对象说：虽然数量化基金有明显的上升趋势，但数量化方法仍然很难销售给私人客户：它们太复杂，很难解释，可以讲的故事太少，并且alpha值一般也低。私人客户并不关心高信息比率市场也在影响数量化策略的表现。国际清算银行2006年的一份报告指出现在是历史上的低波动时期。通过这份报告可看出，这一时期的异常是所有变量-股票收益、债券利差、利率等的波动率同时下降。模型在减少波动率方面的作用尚不清楚，但可以肯定的是模型立刻将这种情况转变为了相当统一的行为。数量化基金或者通过发掘新的能够预测收益的未被利用的资源，例如解读财务报表的独特角度，或者使用最优化方法创造性地设计独特的风险一收益状况，以使自己与众不同。

一个潜在的更严重的问题是绩效下降。调查对象称模型的表现并不稳定。公司采用两种方式来处理这些问题。第一，他们使用模型风险消减技术来确保自己免受模型崩溃带来的损失，具体方法就是将不同模型的结果进行平均。所有模型都以同样的方式同时发生故障是不太可能的，所以对不同模型的结果进行平均可使资产管理者分散风险。第二，不断寻找新的因素、新的预测量以及因素和预测量的新总量。然而，从长远来看，可能需要一些更根本性的东西：这是下面章节的主题。