導讀：資產管理的未來會是怎樣的？以金融科技為核心的現代金融究竟會給我們帶來什麼？這是金融行業的每個參與者都希望知曉的。在2007年，Fabozzi、Forcardi和Jonas基於對美國資產管理行業的問卷調查，用《Trends in Quantitative Rquity Management: Survey Results》這篇文章描繪了一副當時北美和歐洲金融界的浮世繪。在10年後的今天，金融世界飽經波折也發生了天翻地覆的變化，文中許多的結論在經歷了金融危機後也不再可靠，但其中發生過的事情，仍然在我們的國土上不斷上演。因此本文對Fabozzi等人的論文進行了編譯，用已經發生過的歷史，揭示我們或許正在迎接的未來。
介紹
曾經的量化投資先鋒Leinweber在1999年回應了一個頗有爭議的論題：量化投資死了嗎？在他的那篇文章中，Leinweber為量化投資做出了有力的辯護，在他看來在更快的電腦和更多的數據支持下，量化投資毫無疑問活得很好。
儘管學術界認為市場是有效並且不可預測的，但是對於每個基金經理而言，他們的工作就是為他們的客戶捕捉市場的無效性。事實上在即便在學術領域，人們對市場有效的篤信也沒那麼堅實。許多經驗研究的結果證實，在一些情況下，金融市場是可以預測並且系統無效的。在使用一系列指標進行測試後，Lo和Mackinlay在1988年否認了證券收益符合隨機漫步的假設，而Jegadeesh與Titmanzai 1993年基於動量的研究，證實了回報的可預測性。從此之後，大量研究發現了市場中形式多樣的異象，並且基於這樣的異象，投資者可以在考慮交易成本的情況下，依然獲得穩定的超額收益。而Lo本人甚至在2004年提出了有效市場假說的替代品——適應性市場假說，來解釋市場中越來越多的無效現象。
而本文的調查也支持了學術界對有效市場的懷疑態度。實際上基於2003年的Intertek調查，Fabozzi等人就發現風險管理實踐中已經開始普遍使用風險模型。而本文則發現，量化管理已經成為了基金界的常態，並且是這類基金與傳統投資者競爭的核心競爭力。Milevsky在2004年的一個研究甚至發現，個人投資也開始使用類似的量化管理方法。
下面我們將從各個側面對量化管理方法在業界的使用作出介紹。
本文的調查方法
本文 2006年對業界代表性企業的調查和談話內容的衍生產物。被調查的38家基金管理企業管理者4.3萬億美元的資產，其中的被調查者包括北美與歐洲的大中型企業的基金經理和基金的研究部門負責人。
其中15個企業來自北美（14家美國企業，1家加拿大企業）。23家來自歐洲（其中有7家英國企業，5家德國企業，4家瑞士企業，3家比例是企業，2家法國企業和1家意大利企業）。這些被調查企業名下管理的證券價值50億到8000億歐元不等。
被調查的企業中，大部分都使用了量化管理技術（只有5家表示沒有使用任何量化管理方法），63%的被調查企業在本國都是規模最大的基金。因此我們可以說，本文的調查可以有效地反映這個行業對量化技術水平的接受與應用程度。
不斷增加的量化管理資產
同90年代相比，如今量化技術在實務中的應用已經非常廣泛。29%（11/38）的被調查企業表示，他們有75%以上的資產使用量化技術進行管理。另外有58%（22/38）的企業表示，他們有一部分資產使用了量化管理技術，不過他們中的大多數企業（15/22），使用量化管理技術管理的資產在25%以下（通常會低於5%）。而13%（5/38）的企業沒有采用任何量化管理的方法。下圖是對這一情況的一個簡要統計。
與2004到2005年相比，本文的調查結果顯示，量化技術管理的資產規模正在不斷上升，84%（32/38）的企業表示，自己名下的量化管理資產要麼比2004年到2005年之間有所提升（25/38），要麼至少保持一致（7/48）。33家使用量化技術的企業，只有1家降低了量化管理資金的規模。
一個可能的解釋這一現象的現象是量化基金規模的變化。一家美國基金表示，如今的基金一般分為三種投資類型，價值投資、增長投資和量化投資，其中量化部門的增長速度是最快的。而業界通常認為，這個趨勢將會保持下去。
我們的調查顯示，量化技術認同度的提升，源於量化投資的良好業績。一半以上的被調查者表示，量化業績是驅動量化技術擴展的唯一要件。而另一個驅動量化管理技術認同度提高的因素，是以電腦計算能力為代表的技術突破不斷上演，其中更多更好的數據、越來越豐富的第三方軟件都提高了量化管理技術的實用性。下圖是被調查者對量化技術鋪開原因的看法，我們要求他們對下面因素的重要程度進行打分，5表示非常重要。有36家企業對此進行了打分，單項的最高分為180分。
而我們也調查了阻礙量化技術普及的因素，部分企業沒有回答這份問卷。超過三分之一的企業（10/27）認為企業的內部文化是阻礙量化技術最重要的因素，下表中我們也對相關結果進行了統計。
與10年前充滿疑慮的氣氛相比，現在量化技術所處的環境無疑好得多。在八九十年代，投資者就希望利用技術來獲得更高的收益，而過去10年的經歷證明了，這樣的想法是可以成真的，當然這首先需要我們的市場有一個規範的運作。
而模型和相關產品的不斷推出，也給予了投資者更為豐富和可信的量化工具。在基金動輒數百倍的槓桿率之下，如何降低基金可能發生的損失無疑有著重要的意義，而我們可以說，模型對於投資者來說，運作更為有效，因為它簡單，也更為穩健，這對於我們降低不必要的風險來說有著巨大的價值。
當然，如前所述，計算機技術和數據內容的巨大進步也推動了量化投資的發展。現在的投資者所要處理的數據量，在80年代只有研究所的超級電腦才能完成，而現在只需要一部筆記本電腦就可以實現。包括日內數據在內的大量數據，如今也被處理得更為“乾淨”和完整。
除此之外，投行和其他資管機構也學到了更多的模型知識，對於機構投資者來說，模型已經成為他們實現不同目標，更清晰地傳遞投資理念的必要工具。
資產管理中模型角色的轉變
我們調查了主動管理在尋找阿爾法過程中（無論是絕對收益還是相對收益）使用量化模型的情況。而在過去，量化模型實際上更多應用於被動管理的組合之中。
本文的另一個發現在於，許多基金的管理直接利用電腦程序，而非人工。55%（21/38）的被採訪者表示自己的基金至少有一部分是採用了機器自動管理的方法，而另外還有3家企業表示未來12個月會推出自己的自動管理產品。而自動化管理基金規模的上升，預示著技術已經覆蓋了投資的各個方面，無論是收益預測還是優化，金融科技已經滲透到投資的方方面面。
事實上，優化器在投資中的應用是最近才開始的。之前大部分的企業即便使用量化技術，也侷限在使用進行選股和風險約束之上。但最近魯棒估計技術的進化推動了優化器的進步，如今投資者們已經可以使用程序來進行大規模的資產管理，其間不會有任何人會對機器的決策進行任何干預。
量化方法與業界評估
在八十年代末，學術界在研究量化問題時，往往提出許多複雜的方法，包括噪音理論、分形理論、適應性理論、非線性方差、數據挖掘和人工智能等等。不過其中的大多數事後被證明缺乏實用性。當然這也許是因為我們本來的預期太高了，也許是因為我們缺乏這些技術使用的必要條件。不過Derman在2001年提供了一份出色的研究，他總結了量化研究者如何克服量化技術中的困難，尤其是如何將這些本來屬於物理研究的模型轉化為適用於金融研究的框架。
在我們的調查中，迴歸分析和動量模型是最為常用的方法，分別有100%和78%的被調查企業採用了這樣的方法。除此之外，有47%的企業使用了現金流模型，44%的企業使用了行為學的模型。下面這張圖記錄了我們的統計結果。
實際上，自從APT模型提出之後，多因子模型及其背後的迴歸分析就成為量化研究方法的主流。以APT為代表的傳統多因子模型採用了靜態的研究結果，來分析截面上因子和投資收益之間的關係。
這一類型的模型可以讓使用者分析風險，但是很難進行收益預測，當然除非這些因子本身是預測性的。傳統的量化管理者會使用因子模型來控制風險或者構造股池，一些使用這樣的收益-風險權衡方法的基金管理者甚至表示，因子模型是最為清晰和全面的解釋風險的方法。
不過，現代的迴歸方程一般都是動態的，我們可以用t時刻的因子去預測t+1時刻的收益。這一類型的預測模型中，我們通常認為股票的收益是沒有自相關的，但他們仍然可以通過其他的變量來進行預測。
這些可以用來預測的變量包括金融和宏觀經濟的因子，也包括企業的各種財務比率。甚至也包括人的行為本身，比如分析師的預測，以及動量等等。一些使用這類迴歸模型的投資者表示，對因子進行迴歸是他們模型設置的基礎，這些基於真實數據構造的變量可以有效地預測股票收益。他們把這些變量歸為五類：運營效率、財務健康、盈利質量、資本結構和外部金融行為，並運用這些變量擴展自下而上的選股模型。
而動量和反轉模型是第二廣泛使用的量化方法。通常來說，動量和反轉是是一種投資策略而非模型。我們的被調查者給予了這兩種策略極高的評價，但是也指出了三個問題：第一，這兩種策略的表現並不穩定；第二，這會導致極高的交易換手率（當然我們可以設定一些約束來避免這樣的問題）；第三，擇時是一件非常困難的事情。
自Jagadeesh和Titman在1993年發現動量效應以來，人們就發現這一效應廣泛存在於美國和其他市場中，並且這一現象並不能被隨機漫步或者自迴歸模型進行解釋。而從全球來說，大部分投資者對動量和反轉效應究竟有怎樣的經濟學含義，並沒有達成統一的看法。
而行為學模型在在資產預測中被認為扮演了重要的角色：如前所述，44%的被調查者使用了這樣的模型。這類模型的擁躉表示，他們試圖使用這樣的方法來分析，我們的市場究竟多大程度地偏離了投資者、分析師和企業經營的理性狀況。後來行為金融也將動量效應作為解釋市場與人們預測不一致的一個重要註腳。
大型投資機構往往把行為學模型融入到自己的主動管理策略之中。他們認為，行為金融這幾年的吸引力越來越大，每個人都知道我們的市場不是有效的，並充斥著行為異象，以前只是有理論去說明這些異象會帶給投資者如何的收益變動，但現在他們已經將這樣的理論和實踐融合了起來。
一個完整的行為金融模型要求對人類心理有全面的認知，以識別這樣的心理所導致的市場無效現象。但現在的問題在於，我們往往把所有識別異象的模型都稱呼為行為學模型。實際上對大多數投資者來說，如何正確地使用行為模型是一個重大的挑戰，這一點即便對那些大型機構也是如此，他們也認為使用行為模型需要投入巨大的成本來完成識別的工作。
另外的常用於收益預測的方法通常是非線性的，在我們的統計中有19%的企業使用了這樣的方法。而使用非線性方法的企業，通常使用的是分類與迴歸樹方法（CART）。一些使用CART方法的基金管理者表示，CART有效地利用了大數據中的各類信息，並且它的結果也非常異於理解。並且由於CART的非參特性，意味著我們可以將這個方法應用到更多的統計分佈中去，此外CART的非線性特徵，也使得變量之間的高階問題能夠得到有效的處理。
只有11%的企業使用了非線性機制轉換模型。這個模型的應用困難之處在於，我們很難正確地觀測到機制轉換的時間點，並且我們對於數據時間序列的長度要求很高。此外還有19%的投資者使用了協整模型，在這個模型下，我們可以協調短期的動態和長期的均衡，並且通常來說，一個好的協整模型，有非常出色的經濟和金融學理論含義。
高頻數據的使用
在我們的調查中，只有14%的企業使用了高頻數據。另外還有3家企業打算在12個月內應用高頻數據的處理技術。一些使用高頻數據的企業表示，他們使用高頻數據的主要目的在於進行事件分析，並基於此分析市場的運作機制。他們希望通過高頻數據，分析什麼時候更適合進行交易，以獲得更高的交易收益。不過儘管大家都認同高頻數據的作用，但是高頻數據的應用成本是一個巨大的問題。一些被調查者甚至認為，這些數據增加的成本可能會覆蓋掉它們能帶來的利潤。
風險分析方法
我們所有調查的企業都使用了一定的風險分析方法。其中有97的企業使用方差量化風險，有67%的企業使用VaR量化風險，有39%的企業使用下行風險進行量化，而CVaR和 EVT方法也有11%和6%的企業採用。其中，考慮使用下行風險這樣的單側風險衡量方法的企業正在增加。大多數企業不會只使用一種指標分析風險，但他們面臨的問題在於，如何把不同指標分析的風險在同一個維度裡進行解釋。具體的調查結果如下圖所示。
此外，值得注意的是，所有的被調查企業都很關心模型風險。有四分之一的企業使用了模型平均與收縮的方法，這是因為這類企業通常會用不同的模型來進行風險分析和收益預測。此外，另外的一些衡量模型風險的方法，比如隨機係數模型等，使用還不是很廣泛，這是因為這類模型十分負責，對數據的要求也非常高。
優化方法
最近的一個熱點就是優化器的使用。在我們的調查中，有92%的企業使用了優化器。其中，均值方差方法使用最為廣泛，有83%的企業採用；此外，效用函數方法和魯棒優化方法也有42%和25%的企業採用。此外，還有一家企業使用了隨機優化方法。
優化器的廣泛使用與幾年前的情況形成了鮮明的對比：由於對預測誤差難以識別，當時人們通常認為優化器會顯著加大我們的預測錯誤。但隨著約束方法和魯棒技術的成熟，優化器的問題也得到了逐步的解決，許多策略甚至嚴重依賴優化器的質量。而如前所述。隨著優化器技術的成熟，也帶來了自動化基金管理的發展。
優化器屬於資產組合理論中的金融工程學部分，大多數的資產組合問題都可以在金融工程的框架中得到解決，並且我們可以用風險收益的框架很好地解釋優化器的結果。不過對於真實世界的效用方程和優化器裡的約束世界來說，其間的許多差異還需要我們進一步解決。
挑戰
事實上，量化管理技術也面臨著許多挑戰。我們的被調查者就提出了下面幾個問題：
·產品的差異化越來越難
·量化基金的營銷，尤其是對那些個人投資者
·量化產品表現的下滑
一些使用量化技術的企業表示，現在有大量的新企業成為量化投資的競爭者，他們很難讓客戶意識到他們與其他企業的區分度。而大量的量化基金都使用了一樣的方法和數據，這使得產品其實有一致的特徵。這不僅會帶來產品區分度的問題，也會導致市場的同質化風險。
而我們發現，實際上市場對量化產品的需求並不熱烈，許多量化產品很難進行銷售。一些從業人員表示，儘管量化基金的份額在上升，但是量化產品的銷售卻很困難，因為他們很難向普通投資者解釋量化方法到底是什麼，而且量化產品的阿爾法通常也不是很高，你用很高的IR描述自己的產品，但是實際上普通投資者根本不在乎。
而市場也會影響量化策略的表現。最近BIS銀行的一份報告顯示，目前市場已經持續了一段時間的低波動，並且這樣的低波動涵蓋股票、債券等方方面面。儘管量化模型是不是這樣低波動的罪魁禍首並不清楚，但很顯然模型會把市場行為變得更為一致。所以量化投資者一直在試圖找到沒有被其他人挖掘出的信息，比如最近非常火爆的文本分析方法，或者更有創造性地使用優化器。
而另一個潛在的問題是量化收益的下滑。我們的被調查者表示，量化模型的表現是不穩定的。大部分基金會通過兩種方法處理這些問題：第一，他們會採取一定的方法來降低模型的影響，比如使用不同模型的平均結果，這樣即便有某個模型失效，也不會導致量化方法的全盤崩潰；另一個方法是不斷尋找新的有效因子來進行預測。
風險管理工具 / 量化投資知識 / 金融大講堂——"有金有險"
（歡迎金融機構從業的朋友申請BAR系統的試用）
閱讀更多 有金有險 的文章
