2007天祥集团数量化股票管理研究是什么？

天祥集团在2007年的研究， 由CFA协会的研究基金会资助， 以与资产经理、投资顾问、基金评级机构的访谈和来自美国和欧洲的31位资产经理的调查回复作为研究基础。总计有12位资产经理、8名投资顾问和基金评级机构接受了访谈，31位资产管理者参与了调查，这31位资产经理管理着总计2.2万亿美元的股票资产。参与调查的公司中，有一半来自美国；另一半是其所在国的最大资产管理公司。调查对象包括首席股票投资执行官与数量化管理和/或数量化研究的负责人。

该研究所关注的资产管理中的一个主要问题是，数量化策略的传播是否使得市场有效性提高，并因此减少获利机会。2007年的夏天，许多数量化管理的基金遭受了巨大损失，这使我们必须直接面对这个问题。金融市场的传统观点认为，市场投机者使市场变得有效，从而减少补偿风险后获利的机会。这个观点构成了自20世纪60年代以来的几十年里学术思想的基础。然而实战派始终坚持更加实用的观点，即由会犯错误的人类个体(市场投机者也是一样)构成的市场可以提供获利机会，这是因为小缺陷最终会导致延迟回应或曲解新信息。

该项研究结果的概要将在后文列出。

模型驱动的投资策略会影响市场的有效性和价格过程吗?

关于市场变化性的实证问题正受到学术界的广泛关注。例如，根据1927―2005年的经验数据， Hwang和Rubesam指出， 惯性现象在2000―2005年间消失了， 然而Figelman通过分析1970―2004年的标准普尔500指数， 发现了之前没有指出的证明惯性和反转现象的新证据。Khandani和Lo告诉我们， 在1995―2007年的12年间， 他们用来分析市场行为的均值回归策略是如何丧失盈利能力的。

直觉告诉我们投资策略模型对价格过程有影响，但是模型使市场有效性提高还是降低取决于广泛使用的模型类型。考虑到有两种类型的模型：一些以基本面为基础，另一些是以对以往价格和收益的时间序列进行分析为基础。前者根据公司的基本特征做出预测，至少在原则上，趋向于使市场更加有效。基于价格和收益的时间序列模型受制于自我参考性，实际上可能导致错误定价。一家同时拥有基本策略模型和数量化模型的大型金融公司的调查对象说：模型对市场和价格过程的影响是非对称的。（技术）模型驱动策略不如基本驱动策略，因为前者一般基于跟随趋势。

又有调查对象称：所有的定量分析都使得市场更加有效，但也有表现不好的模型使人遭受损失。拿惯性来说，我相信收入惯性，但是不相信价格惯性：在将有更愚蠢的人购买的假设下购买是愚蠢的。运用价格惯性的人假设总有人要从你手中买走资产，这是一个愚蠢的理论。研究表明，进入一个资产价格被哄抬以及每个人都有共同信念的惯性市场是可能的。

模型如何影响市场，即让市场有效性提高还是降低，取决于特定模型总体。只要使用的是基于价格和收益的时间序列的模型（即趋势跟随的模型），就不可能假定模型使市场更加有效。要知道这不仅是模型如何同其他模型竞争的问题，也是模型如何对外生事件作出反应以及模型自身如何发展的问题。例如，超长的增长时期将创造一个不同于在低增长时期使用的模型品种。

绩效问题

在2006年初，天祥集团开始研究股票投资组合建模时，数量化管理的经理对于其业绩表现十分期待。到了2007年中期，这种期待大部分都没有了。等到2007年7-8月，有了很多困惑。

很多2007年天祥集团研究的参与者将最近很多数量化股票基金的欠佳表现归结于市场结构的改变。一家同时拥有基本过程和数量化过程的大型金融公司表示：自2006年以来数量化基金的业绩问题是由于存在市场轮动。大部分数量化投资有比较强的价值乖离率,所以在价值型市场表现良好。在1998-1999年期间,数量化投资表现并不好,因为当时是增长型市场;在2001—2005年期间,我们进入了价值型市场,所以诸如数量化投资这样的价值倾斜式风格的基金表现得很好。在2006年,我们又回到了增长型市场。另外,在2007年,价差缩减。数量化的优势被削弱了。

有人可能得出结论:如果市场存在周期性,数量化投资的优势也应具有周期性。参与调查的一位投资顾问领军人物称:在获得回报方面，数量化过程和基本过程谁更成功，这有很强的情境性：无论数量化过程还是基本过程，没有最好的过程。数量化分析是在寻找着消散在时间中的盈利机会。我不愿这样说，但是任何经理都必须了解其策略的特性和有利因素。

2007年8月，在一家大型跨国公司从事积极的数量化研究的领导说：自从2007年年初，数量化过程就一直受到挑战。问题在于，基本过程和数量化过程一直在强调市场的某些特性-市场是价值型的还是增长型的，但在2007年年初对冲基金频繁投机，出现很多垃圾价值，很多泡沫。另外，还出现了大量的在价值型一增长型之间的循环，这是在宏观波动和利率起伏情况下的正常现象。当利率下降时，增长型因素起主导作用；当利率上升时，价值型因素起主导作用。基本方法和数量化方法不能持续接触到他们想要接触的因素。

还有人称：“我们试图采用价值一增长平衡方法，但是最大的危险是循环风险。任何人都需要通过长时期的观察来了解市场周期。”一个大型资产管理公司的股票首席咨询官补充道：“增长型和价值型市场是交替的，很难把握正确的时机。”

类型循环问题（例如，价值型与增长型之间的循环）是使模型适应不断变化的市场条件的总体问题中的一个部分。价值型和增长型代表着两个因素集合，双方都可以利用诸如Fama-French三因素模型捕获。但是可以证明，还有更多的因素。因此，因素循环不只是价值型和增长型市场面临的问题，其他因素例如惯性也有同样的问题；换言之，一个因素在一种市场情况下起主要作用，在另一种市场情况下重要性下降，并被另一种因素代替。

导致2006年开始数量化产品整体表现下滑的原因还有很多，其中之一是，现在有更多的数量化管理者使用相同的数据、相似的模型并实行相似的策略。一位来自同时拥有基本过程和数量化过程的大型金融公司的调查对象说：为什么表现下滑了？一个原因是与三五年前相比，如今有更多的人使用数量化方法。十年以前进入的门槛很高：数据更难获得，模型也是专有的。现在有第三方提供数据传送、分析和回溯检验功能。

一位咨询顾问附和说：在接下来的12~24个月,几个因素将使数量化方法变得很艰难。一个因素是人们现在购买和使用数据方便。问题是太多的人运用相似的模型,所以模型的绩效下滑并且很难保持领先地位。然而绩效是人们真正关心的事。

但另一位调查对象表示：数量化方法的绩效依赖于周期和长期趋势，但是优异的绩效导致了它自身的问题。据估计， 包括被动型基金(passive) 、主动型基金(active) 、对冲基金和自营业务有4万亿美元资产处于数量化股票管理之中。数量化方法的绩效有下滑趋势。由于数量化方法已经很成功，如果自营业务或者对冲基金要逃避风险，它们是做不到的。然后你会受损，因为其他人卖出的高于你被迫买入的。由于自营业务和对冲基金的规模庞大和交易需要导致交易更加不稳定——自营业务和对冲基金客户的持有期为6~12个月而非资产管理者的6年。

然而，并非所有调查对象都同意“数量化管理者使用相同的数据和相似的模型导致业绩下降”这一说法。有人说：虽然所有的数量化方法使用相同的数据来源，但是我相信在模型和信号上是存在差别的。信号背后存在大量细节，问题在于你如何将它们组合在一起。证券投资组合的构造是一项很庞大的工程。

还有人补充道：所有数量化分析使用相似的数据，但是再细小的差别都能导致评估的重大区别。如果你有15条信息，这些差别加总就会很大。如果你将分析和最优化中的细小差别组合起来，结果就会大不相同。虽然度量方法不止一个，但很多度量方法都是噪音。

投资咨询顾问把风险管理看成数量化过程的最大优点。有人这样说：数量化管理者有更强的风险意识。他们习惯了基准风险和系统风险。基本管理者经常没有意识到因素或暴露的集中。

就绩效问题而言，调查对象被问到他们是否相信，随着市场无效性降低，数量化管理者越来越难以获得超额收益。只有50%多一点的人同意，32%不同意，还有16%没有表示意见。如果把问题反过来问，73%的调查对象同意，虽然盈利机会不会消失，但数量化管理者越来越难去发现他们。

一个调查对象称：绩效越来越差，并非因为每个人正在使用相同的数据和相似的模型，而是因为市场有效性提高了。所以我们将看到积极回报的夏普比率减小。管理者必须使用更大的杠杆来获得收益。对于数量化资产管理者来说，问题更加严重，因为他们全部使用既定规则进行定价，这造成所有的定量头寸是高度相关的；而基本管理者对未来收益的评估方法各不相同。

当被问到在股票投资组合管理中，什么市场条件对数量化方法的应用造成最大的挑战时，调查对象按照重要性，列出了前三个：上升的相关性水平、类型循环和流动性不足。其他被评为重要的市场条件是市场基本面改变、高（跨部门）的波动性和低（交叉）波动性。被认为不太重要的是收益下降和非趋势性市场的影响。

在有关2007年夏季事件可能原因的报告中，Khandani和Lo注意到1998-2007年间相关性急剧上升。他们观察到相关性的上升反映了金融市场相互依赖性增强。这种互相依赖是2007年7-8月次贷危机向股票市场蔓延的原因之一。当次贷危机开始影响股票市场时，流动性危机发生了。流动性是一个在不同的环境中有不同含义的概念。在该研究中，流动性指找到买主的可能性以及在不承担重大损失的情况下去杠杆化的可能性。一位首席咨询官说：数量化行业中的每个人使用相同的因素（因此构建了高度相关的证券投资组合，易产生严重的传染效应）。当你需要调整的时候，没有人进行交易：数量化分析师都是Fama和French的孩子。很多人正在使用收入调整模型。

另一位调查对象说：“数量化方法如此成功，不管你因为什么原因需要避免风险，你都无法避免。这导致了流动性抛售。”

具体到最近的市场混乱，调查参与者将对冲基金的多头空头平仓视为迄今为止导致2007年夏天一些数量化股票基金遭受损失的最主要因素。一个调查对象挖苦道：“每个人都在抱怨数量化投资，其实他们应该抱怨杠杆化。”

提升业绩

由于越来越难获得超额收益，许多数量化管理者转向使用杠杆来提升业绩一—这是一种大多数人都认为相当冒险的策略。2007年夏天的事件证明他们的担心是对的。关于业绩问题，调查参与者被问到，他们会采取什么举措来提升业绩。

寻找识别新的和/或独特的因素是最频繁提及的对策，作为补充，应当试图开发新的模型，一位股票首席信息官说：为此花太多的钱。

就采用新模型的必要性问题,一位大型金融集团的数量化策略全球负责人说道:回归是今天的工具箱中的技术。为了得到更好的业绩,我们必须要增大工具箱并增加信息、动态模型和静态模型。人们一直在改变世界,也许我们应该改变得稍微快一点。

2007年调查对象给出的提高业绩的其他策略包括使商业信息和数据来源多样化。正如一位投资顾问所说:所有数量化管理者都依靠相同的数据集合,但是谁都不能依靠相同的数据而获得分析优势;这个问题很棘手。数量化管理者需要信息优势,掌握别人没有或者未使用的信息。它可能是来自学术界、资产负债表附注中的信息或者是市场中其他人没有使用的信息。

超过60%的调查对象认为,由于每个人使用相同的数据和相似的模型,数量化管理者需要独有的信息优势才能做得更好。调查对象指出,一些对冲基金经理现在正在给内部人打电话,对公司做专门的市场研究。

调查对象的观点分歧在于使用高频数据(直到最小的变动量)的好处。38%的参与者相信高频数据能够在股票投资组合管理中带来信息优势,27%的人表示反对,35%没有发表意见。在进行调查的时期,在股票投资组合管理中使用高频数据的经验确实有限。一位调查对象说:“从原来的每月更新改为现在的每天更新,资产管理者现在拥有更新更加频繁的数据,例如world Scope, Compustat, Market QA, Bloomberg和Factset,但是当天数据的使用仅限于交易柜台。”

现金流

据估计,在2007年处于积极数量化策略管理下的资产数额从几亿美元到一万亿美元以上不等。在一项比较三年的时间内美国大型数量化产品和其他产品的累积净现金流占总资产百分比的研究中, Casey,Quirk和Associates 发现数量化基金资产增长了25%,和其他基金几乎持平,这三年恰好处于2001-2005年间的价值型市场阶段。这项研究的一位合作者说:我们在对美国大盘股票基金进行的研究中发现，自从2004年以来，投资者已经收回了在基本管理者旗下的美国大盘股的部分资金，但积极的数量化管理者仍然维持着他们的资产数额，或有小幅增长。

就2007年7—8月之前净现金流流入数量化管理的股票基金问题,一位行业领先的投资咨询公司的调查对象说:在过去的20年或者更长的时间里,数量化股票基金长期增长,首先是消极量化阶段,在过去的12~36个月里,鉴于之前在价值市场上的成功而进入积极量化阶段。现在市场上,基本管理和积极数量化管理的比例分配大概为80/20。如果主动数量化管理可以在我们现在所处的增长型市场上,继续其强劲表现,可以预计在未来三年内,分配比例将变为75/25,积极数量化管理将每年持续增长几个百分点。

尽管在2007年夏天,一些多空数量化管理基金出现了备受关注的问题,但是63%的调查对象表示他们仍然持乐观态度,总体上,相对于传统管理的基金,数量化管理的股票基金的市场份额将继续增加,因为更多的公司引入了数量化产品,同时交易型开放式指数基金(ETF)给小型投资者提供了接触积极数量化产品的机会。然而,当问题再度发生时,乐观情绪就受到影响了。39%的调查对象表示,总体上来说,2007年,数量化管理基金相对于传统管理基金不能继续增加其市场份额,然而有42%的人反对。

在2007年7—8月市场骚动之前被采访的很多咨询顾问就怀疑数量化管理者能否继续其强劲的表现。怀疑者引用了2006年提到的绩效问题。

理柏追踪了数量化基金和非数量化基金在四个股票领域的现金流:高市值股票、增强型指数基金、市场中性以及多空基金。理柏数据覆盖了数量化和非数量化基金在20052007年3年间的表现,数据显示出在2007年除高市值股票以外的所有类型的数量化基金都表现不佳,是2005-2006年数量化管理者在四个领域均胜过非数量化管理者的一次逆转。然而理柏数据既没有做风险调整,也没有做费用调整,而且部分类型的数量化基金的样本很少。在2005年1月到2008年6月这段时间,按照理柏数据,只有数量化和非数量化的长期基金经历了资本净流出,而其他种类中除了非数量化的市场中性基金以外,都经历了资本净流入,尽管流入的比率不同。数量化基金和非数量化基金在百分比上的差别并不是很大,但是数量化基金表现出了更消极的结果。

就上述情况而言,调查对象被问到鉴于部分数量化基金在2007年的不佳表现,他们认为已经引入数量化管理的传统资产管理公司是否应该重新审视自己的决定时,将近1/3赞同,52%不赞同(16%没有发表意见)。赞同的一方大多来自管理的股票资产占总资产的比例小于5%的公司或者是对数量化过程进行实质性的基本覆盖管理的公司。

一位大型传统管理公司的数量化股票负责人说：当公司早在2000年决定开展数量化业务作为业务延伸时,数量化分析还没有被看作是基本分析的竞争者。数量化管理者的最初定位是开发类似于130/30这样的策略或解决证券投资组合构造中的复杂问题。如果数量化效果不好,公司可能会重新考虑它的数量化产品。如果他们这样做了,我希望公司保留一些数量化分析师作为其基本业务的支持。

数量化过程、监管和覆盖

让我们来定义一下什么是数量化过程。许多进行传统管理的资产管理公司现在使用些基于计算机的统计决策支持工具并进行一些风险建模。由资产管理者使用信息和判断来做投资决策的过程称为基本或传统的投资过程；如果投资决定主要由计算机运行的模型按照固定规则做出，则称为数量化投资过程。该研究将综合使用二者的过程称为混合过程。后者的实例是基本过程管理者使用计算机驱动的股票筛选系统来缩小他的投资组合选择范围。

调查对象中，2/3的人使用模型驱动过程，这种过程只允许最小量（5%~10%)的判断权或监管权，通常用来确保数据是有意义的，并确保不要发出购买陷入不被模型所理解的新闻或谣言中的公司的指令。模型监管是一项控制职能。当涉及大单买卖时，通常会实施监管。某数量化股票的领导者说：“决策的95%是模型做出的，但是我们也要查看一下交易员清单，进行认真检查，如果需要的话，就制止交易。”

一些公司指出，如果存在可能影响投资决策的外生事件，他们就会自动启动检测过程。有人说：我们的过程是拥有5%监管权的模型驱动过程，并使用内部软件和商业调查对象的软件进行新闻扫描和标记。“数字有意义吗？”我们问我们自己。

上述说法强调了判断覆盖的关键功能之一：考虑还没有出现在预报中的预测信息这些信息可能包括还没有被证实的重要事件的传闻，或隐藏在报告中的事实，或是逃出了大部分投资者注意范围的新闻发布。

基本分析师和管理者可能拥有一些信息来源，可以比公众得到更多的信息。然而，息收集的判断方法存在瑕疵。正如一个调查对象所说：“一位分析师可能喜欢上某公司的财务总监，进而失去客观性。”

其他人提到了对如2007年7-8月发生的小概率事件的监管。某大型公司的数量化管理负责人说：在极端市场事件下，投资组合经理会和交易员进行更多的交流。我们运用贝叶斯学习方法从过去的事件中学习，一般来说，市场错位很难建立模型。

贝叶斯先验是一种将历史数据和管理者判断整合到模型中的常用方法。

运用监管的另一实例是风险领域。有人说：“我们只监管风险（此时我们有一定的自由度）而不监管模型。”

关键问题是：有没有方法可以将判断与模型进行综合？它们有各自的缺点。天祥集团2007年进行的研究表明，人们关于判断与模型相综合的优势以及可行方式，观点不一。超过2／3（68％）的调查参与者不认为将数量化分析工具与基本覆盖相结合的股票投资管理过程是最有效的；只有26％认为基本覆盖可以增加价值。有趣的是，大多数被访的投资顾问和基金信用评级机构的评价一致，纷纷表示在数量化分析过程中增加基本覆盖不能增加价值。

某大型咨询公司受访者表示:一旦你相信一个模型在长时间内是稳定有效的,那么最好不要去人为覆盖,因为它会带来个人情感和主观判断。对人为干预更好的替代是考虑如何提高模型绩效与改造模型。

有些人相信基本覆盖在极端情形中是有价值的,但并非每个人都同意这一观点。有人说:覆盖是多余并且可能是有害的,而监管并非如此。它不会改变定量预测,但可以实施现实检验。例如2007年7—8月的市场情形,覆盖可能会造成惨重损失。市场运行过快,而且呈现了危机趋势。这是一个间隔的问题。

相信基本覆盖可以增加价值的那26%的受访者中,一些人提到了将所有信息考虑进模型的困难。某位使用模型进行资产管理的受访者说:使用数量化模型时会存在数据问题。由基本覆盖,你会得到更多信息。很难将所有的基本数据转换成数量化模型,特别是诸如日元/美元汇率这样的宏观信息。

来自一家系统使用基本覆盖的公司的调查对象称:现在的问题是如何解释定量输出。我们实施了基本覆盖,阅读了10-Qs和10-Ks以及补充说明,加上观察每日销售额的增长。我估计我们将继续使用基本覆盖:它提供了常识检测。你不能忽视现实世界的情形。

总之,模型驱动策略中的覆盖和人工监管可以以不同方式来实施。第一,作为控制功能,监管允许管理者在特殊情形中使用主观判断。第二,人工判断可以和模型预测相结合。

实施数量化过程

2007年研究的受访者回答了他们如何安排建模和回溯检验过程。1/4的受访者表示他们的公司采用多个过程。据调查，65%的公司，数量化模型的建立和回溯检验由资产管理者自己完成；39%的公司，数量化模型的建立和回溯检验由公司的研究中心完成。更少的是，23%的公司，模型的建立由公司研究中心按照资产管理者的要求完成；而16%的公司，模型由资产管理者建立，但是回溯检验由研究中心进行。

一些人也提到了非常有前景的定量研究和证券投资组合管理的组合模式。当然，某些在消极量化领域起家的最大的数量化公司已经开始采用这种模式了，正如一位受访者所说，在这个领域，证券投资组合管理者以使用Unix编程能力作为后天特征”。

不断更新模型被受访者视作数量化投资过程的最主要挑战之一。某行业投资顾问每个管理者使用哪个具体模型并不重要，只要管理部门拥有一个方法可以确保模型的时效性就可以，这个方法就像通过一面三棱镜在相关模型范围内进行查看，不漏掉任何东西。在20世纪80-90年代，在美国存在的一个问题是模型在一个短时期内产生了惊人的业绩，随后业绩下滑。模型背后的数学是静态的且过分简单化，只能够捕获一个趋势。现在，数量化分析吸取了以往的教训：人们不断地进行评测以确定哪些在今年有效而明年可能不再有效。当事物持续变化时，问题变成如何捕捉正确的信号并恰当地对它们进行加权。

投资咨询顾问将能否持续进行研究作为选择管理者的决定性因素。某咨询顾问说：数量化方法的业绩下滑一般是由于管理者自满了，然后模型不再有效。当我们挑选数量化管理者时，我们会问：他们能否会持续地进行研究？

确保模型适应不断变化的环境的一种方法是使用自适性建模技术。某数量化管理者说：你不能永远使用一种情形、一个数据集合。为了保持始终良好的绩效，你需要新的策略和新的因素。我们使用我们机构里各种各样的过程，包括体制转换适应模型。自适性模型从一个池子中提取因素、选择随时变化的变量。

自适性模型和能够根据不断变化的市场条件来自我调节的策略的应用是一项重要的研究课题。从数学的角度看，有许多工具能够用来调整模型。在这当中，有一类众所周知的包含隐藏变量的模型，包括状态空间模型、隐式马尔科夫模型或体制转换模型。这些模型中都有一个或多个代表不同市场条件的变量。关键的挑战是估计：尽早识别体制转换的能力需要一个丰富的体制结构，但是估计一个丰富的体制转换模型需要非常大的数据样本，而这在金融中很少见。

受访者被问到，他们是否认为定量驱动的股票投资过程会走向完全自动化。在我们所说的完全自动化的量化投资过程中，投资决策由电脑来完成，极少甚至根本没有人为干预。自动化的过程包括输入数据、进行预测、最优化／投资组合的形成、监管以及交易。在发表意见的人中，38％认为数量化管理会走向完全自动化，而38％不这样认为。行业观察员和咨询顾问在判断趋势方面也存在困难。一位受访者称：“数量化投资中存在着各种程度的自动化，我觉得没有明显的走向自动化的趋势或远离自动化的趋势。”我们将继续看到管理模型的多样化。这种多样化是由于数量化股票投资管理背后缺乏坚实的科学基础；商业模式反映了组织内部的个性和技能的集合。

完全自动化的障碍并非是由技术上的不足造成的。正如前述，目前从预测到最优化的自动化链中没有缺失的环节。完全自动化是可行的，但是成功的实施依赖于将收益预测工具与投资组合形成策略进行无缝连接的能力。投资组合形成策略可以采取完全最优化的形式，也可以基于某些带有约束条件的启发。

完全自动化的发展将最终取决于其表现和投资者接受度。研究中受访的投资顾问在对于完全自动化是否明智的判断上存在分歧。有人表示：“同样条件下，若模型在长期内稳定有效，则我更倾向于完全自动化过程。”然而，另一位投资顾问说：“我不热衷于完全自动化过程。我希望在最优化前后，特别是交易前，看到人为干预和相互作用。”

风险管理

2007年7-8月的事件再一次突显出数量化管理基金面临着极端事件[即小概率（通常是不利的）事件]的风险。基本管理基金也面临着极端事件的风险，通常是更加熟悉的种类，例如市场崩溃或是单一公司或板块价值大跌。一位数量化管理负责人说：“存在特殊风险和系统性风险。基本管理者考虑特殊风险而数量化管理者考虑边缘移动，有时还增加杠杆。”

最新水平风险管理与金融实践之间貌似存在差距。至少，在2007年夏天之后发表的一些声明中将损失归因于极端事件。现在众所周知，金融现象并不遵循正态分布，极端事件发生的可能性大于其在正态分布假设下发生的可能性。金融现象服从厚尾分布。自从20世纪90年代以来，金融现象的厚尾特征已经成为金融计量经济学研究的前沿课题。实证研究显示，收益是非正态的，最可能的是用厚尾过程表示。

类似这样的因素对动态投资组合收益的分布产生了重要影响。因此在2007年的研究中，受访者被问到他们是否认为目前这一代风险模型存有缺陷，使得人们无法正确地预测诸如2007年7-8月发生的那些风险时，刚好超过2/3的受访者同意这样的观点：因为如今的风险模型没有考虑全球的系统性风险因素，所以不能预测像2007年7-8月发生的那些事件。有受访者说：风险管理模型只在正常情况下才有效,当真正需要的时候往往没有效果。我们使用两种风险管理方法:主成分分析和稀有(六西格玛)事件,使用来自摩根斯坦利国际资本公司的芭拉和诺斯菲尔德的风险模型。但该风险模型存在错误假设:绝大多教股票都是高度相关的。

另一位受访者补充道:包括在风险模型中的每一项都存在估计误差。你知道它们将会失败,所以我们在模型中使用启发式方法。风险模型没有包含下跌风险,但是它们的确有助于控制下跌风险。研究表明,风险模型的确提高了信息比率。

在股票投资组合管理中愈发频繁地使用衍生品增加了新的风险类型。一位受访者称：衍生品市场易受混乱状态影响，它们相比于普通市场发展更快。衍生品合约是复杂的，没有人知道在不同情境下它们将如何表现。除此之外，在和类似Sentinel这样的如烟雾一样消失的非华尔街实体公司进行交易的过程中，存在信用风险/交易对手风险。他们将破产归罪于次货危机，但实际上是欺诈。

63%的受访者赞同衍生品市场是由自身的供求状况和可能出现的不能从标的资产角度完全解释的风险来驱动的。