设为首页 | 加入收藏 | 今天是2024年03月28日 星期四

聚合智慧 | 升华财富
产业智库服务平台


2019年11月2日,上海交通大学上海高级金融学院联合中国私募证券投资研究中心和SAIF对冲基金领军人才俱乐部共同推出中国对冲基金领军人才课程开放课程,邀请到多位对冲基金领军人才及研究领域专家为与会的金融从业人员带来精彩的课程演讲。


(上海交通大学上海高级金融学院金融学教授、副院长、上海交通大学中国私募证券投资研究中心主任严弘)



上海交通大学上海高级金融学院金融学教授、副院长、上海交通大学中国私募证券投资研究中心主任严弘做了精彩致辞


各位同仁,希望也是将来其中有一部分能成为交大的同学,今天非常高兴有这么多朋友参加关于对冲基金的公开课程,我们对冲基金领军人才课程在2013下半年推出,在六年之前在整个中国私募证券投资行业刚刚起步的时候,我们就推出这样一个课程,希望能够为中国的私募证券投资行业培养一批领军人才。从第一期到第四期,我们都有一系列的校友在整个行业,不管是从证券公司、期货公司还是投资基金,我们都有一大批校友在这个领域做出非常杰出的工作。


从2013年基金法的修订,以及2014年证件会推出私募基金的管理办法之后,整个私募证券投资行业的发展是非常迅猛的。从2013年两三千亿的规模,现在已经到2.3万亿的规模,发展速度是非常快的。最近几年我们也看到整个行业也在经过一个调整期,这个调整期当然有一部分是外部原因,政策的原因和整个市场的原因,还有一部分也是整个行业内部的原因,这个行业目前也需要经过优胜劣汰的过程。


在这个环境下,我们更加能够了解和专注对行业发展的动态,同时也能够掌握更多的专业方面的技能,我觉得也是非常重要的一点。我们今天利用这个机会给大家展示一下我们整个课程的样板,同时上午李峰教授,也是我们学院的明星教授,给我们做这样一个公开课。下午之前课程的老师和中心的理事单位和理事,给我们带来了他们在这个行业的真知灼见。


经过今天的安排,也可以给大家能够充分了解到行业的发展趋势。特别是今天专注的专题,大家可以看到整个课程覆盖整个私募证券投资行业从基金的设立到运营,到风险管理,以及从基金的策略到他们的业绩评估各方面的内容。今天涵盖的主题,从上午到下午基本都是跟量化投资相关。而量化投资是目前私募证券投资行业发展比较快的策略类别,同时在中国也是展现出非常大的潜力,希望通过今天的公开课程给大家有一个机会对这方面有更深入的了解。


前面提到中国私募证券投资研究中心,也是跟这个课程相辅相成的。在2015年6月份的时候,我们就正式成立了私募证券投资研究中心,受到很多课程校友单位的大力支持,因为他们觉得行业的发展还是离不开研究机构的支持,在过去四年的时间我们从一开始就发布了行业的业绩系列指数,以及一系列的行业研究报告,希望能够为这个行业的发展做一些基础性的研究工作,同时也为行业发展未来的一些策略,未来的一些政策和策略走向,能够提供一些智力上的支持。


在这方面,中心也是跟行业的发展相辅相成,希望有更多的机会跟行业中的各个机构展开各种合作。整体来说,我想我们上海高级金融学院在中国私募证券投资行业的发展当中,希望成为大家的合作伙伴,从整个培训到研究过程中,都希望能够为行业的发展做出一番贡献。希望大家能够从今天的课程里面更进一步体验到行业发展的非常重要的领域的发展动向,同时也对高金的课程有更深入的了解。谢谢大家的到来。


上海交通大学上海高级金融学院会计学教授、上海交通大学中国金融研究院副院长、上海高金金融研究院联席院长李峰进行了《低频量化交易》的授课。


(上海交通大学上海高级金融学院会计学教授、上海交通大学中国金融研究院副院长、上海高金金融研究院联席院长李峰)



李峰:首先欢迎大家参加公开课,私募证券研究中心是我们做的最好的中心,市场化程度最高,影响力最大,非常荣幸有这个机会跟大家分享一下我的一些思考。刚才王老师介绍,我其实是会计学教授,做低频策略非常自然,之前跟我沟通的时候说这个公开课的听众大部分都是完全没有量化经验的同学。


讲之前,问一下在座有多少是金融从业人员。为什么问这个问题呢?因为人有一个倾向,互相看不起别人。讲到量化策略里面,金融圈有鄙视链,做一级的人看不起做二级的人,做一级的说我投资实体经济,你们是炒股的。做二级投资的人,可能做价值投资又看不上做高频的,我是价值投资,你就是买和卖,做点价差,鄙视链是一直存在的。


作为整个行业金融业,其实不是特别受人欢迎的一个行业。我跟咱们学院的很多校友,这是我新加的PPT,听说同学里面有很多是资深的投资人员。有一点很尴尬,金融业从业人员的形象不是特别好,我跟很多校友同学交流,也有这个感觉。金融业给人的感觉就是不劳而获、薪酬特别高、不创造社会价值等等。这种想法有很多证据,比如说我的母校芝加哥大学定期做调研,他们问你觉得金融业有没有创造价值,有大概50%的被调查者认为金融业不但不创造价值,还损坏经济,完全浪费社会价值。从历史上来看,《圣经》里面两千年前就说吃利息的人应该下地狱。从现在社会上来说,巴菲特的合伙人查理芒格对放贷也是很有意见,尤其高利贷。以前清华大学的副校长现在西湖大学的校长,也都是颇有怨言。整个行业被人来说没有创造社会价值,这点对从业人员来说有非常大的,按照马斯洛的需求层次理论,我们一直在反思为什么没有这个认同,我自己总结了几条,大概有几个可能的原因,这肯定是不完全的总结。


第一,很多金融机构是持牌机构,靠牌照赚钱,不是靠自己能力赚钱。第二,它提供的产品是无形的,你代理买卖成效,承销,产品价值无形,不像计算机或者做手机的,给你一个具体的东西摸得着。第三,比如说大而不倒,带来的道德风险,因为我太大了,所以我倒不了,政府一定会出手来救助,给人的形象就是说有点借着自己的规模大而不倒的原因,无限制向政府索要资源,带来很多道德风险。最后一个是我想跟大家讨论的,跟量化相关的,金融这个行业提供的产品质量以及成本有没有改进和下降。就是说在过去一百多年以来,金融行业提供的服务质量有没有本质的提升,价值有没有实质性下降。


为什么问这个问题呢?因为这涉及到科技,也涉及到量化。我们看很多产品,这是美国过去二十年的价格走势图,其中电视价格跌了99%,这个我觉得有点夸张。手机大概下跌了50%。如果看医疗,是上升了很多,过去二十年上升了很多,大学的学费,所以现在商学院在全球范围内招生,尤其是美国,模式是持续不下去,因为学费涨的太厉害。所以整个来说,社会的很多行业,其实它的质量在上升,价格在下跌。如果我们把今天的汽车价格跟一百年前的汽车价格比,应该来说在功能改进的很多情况下相对价格跌了很多。调整一下CPI、通胀或者收入。但是金融行业没有做到这一点,右边这张图是纽约大学的一个经济学教授,他统计了1886年到2015年,也就是130年,130年美国金融行业,金融行业是泛金融行业,包括投行、中介机构、会计师、评级机构、律师等等加在一起,收取的价格占整个交易金额的比例,从1886年到2015年,基本上都在1.5%到2%这个区间波动。也就是说金融行业在过去130年当中,其实没有给大家带来极大的服务提升或者价格。至少跟科技行业比,跟汽车、手机、电视比起来,所以1.5%到2%持续了大概130年。


回到今天的主题,量化投资,量化投资也可以算金融科技一个小的领域。什么叫量化投资?


学员:通过计算机,大量数据获得的一些模型,通过计算机进行一些交易。


李峰:首先是系统化的方法,是系统化的投资方式,通过分析数据找出规律。本质上量化投资是通过历史数据找规律,找出规律这是你做出来,并且这是一个统计规律。比如说跌得多的股票会涨,这是一个统计规律。我们每周星期五下午两点半收盘前半小时,把本周上市的3700个股票的收益率做一个统计,然后排个序,挑出跌的最多的100个股票或者涨的最少的100个股票,然后持有买入它,持有一星期,到下周五的两点半把这批一百个股票换掉,这是量化投资典型的思路,反转策略,周频的反转策略。量化投资本质上是一个通过历史数据找规律来做投资决策的这么一个东西。


今天我们要讲的其实是量化投资里面的一个,至少我觉得低频。大家怎么看,什么频率是低频,什么频率是高频?当然频率是一个换手的速度,大家觉得多少频率是低频,多少频率是高频?


学员:一个季度交易一次是低频,一天交易几十次是高频。


李峰:期货当然没问题,一天可以,如果不考虑手续费的话,其实是可以交易很多次。低频或者高频是一个相对概念,这位女士讲的低频可能是一个季度换手一次,高频可能是日内的。这就是一个相对概念,如果在国际范围讲高频可能是毫秒级别的,眼睛眨一下是一百毫秒,这才叫高频。什么叫低频呢?甚至季度都不算低频,因为有一些量化机构在海外,两年多才换手一次,也是存量化的,中国可能一个月换手一次,我们要的至少是T+1的换手,或者五天换一次,这是一个相对概念。当然所有策略里面应该来说有一个不可能三角,以前当然就是说收益和风险不可能,收益高的风险一定是高的,这是两个维度。但是现在要加第三个维度是指容量,不可能三角就变成你不可能存在一个收益特别高,风险特别小,容量特别大的策略。


因为你是存在收益特别高,风险特别小的策略,有一些高频的策略,的确是收益特别高风险特别小。比如说做T0的,不但收益高,风险也小,但是你发现容量可能小,所以把这两个维度,收益风险放大就变成三个维度,收益、风险和容量,世界上不存在一种收益高、风险低、容量特别大的策略,这就是印钞机,收益高、风险低、容量大。


因为这个原因,今天我们来讨论一下低频策略,我这的低频策略可能定义的,我们不需要特别清晰的定义,因为这是一个讨论课,所以跟大家分享一些我们的思考。通常来说,可能你季度换手已经算比较低频的,低频策略和高频策略比起来,大家感觉收益更高还是更低?我买茅台10倍,这是讲的可能主动选品方法。如果量化选三百个股票,持仓期一年以上,战胜50%以上一年,这是很难的事情。我个人感觉,这个可以来看数据。高换手率的股票收益率可能更高,低换手率的股票预期更低一些。


我们看看今天的主题,我想跟大家分享四个主题,低频策略后面会讨论一些细节和想法,我自己也一直在思考低频策略怎么做,因为低频策略收益率不会特别高。如果拿着股票一年不动,同时持有三百个,收益率要做成非常高的收益率,是非常有挑战性的。第一个要讨论的题目是私募证券基金投资是否物有所值,是不是对得起1%或者1.5%或者2%的管理费,20%的后端,这还是很重要的一个问题。马斯洛需求层次理论,需要有认同感,我们的存在是不是物有所值。第二个简单讨论一下量化投资基本概念。第三个是谈谈我自己的一些感想,量化投资在中国的一些挑战、希望和方向。很多人说中国的α特别好,β特别差,做收益很容易,战胜指数很容易,β好像很糟糕。其实β,如果把分红考虑进来的话,有一些β还可以。最后一个,低频量化策略的思考,这是纯粹思考,怎么做我们也一直在思考。我个人觉得目前的量化是非常肤浅的一种投资方式。从基本面的角度出发,所谓基本面量化用一个二次维的向量,三次维的向量刻划一个公司,是非常肤浅。市盈率就算估值,这是相当肤浅的分析方法。再比如说用季度的利润成长性,都是非常肤浅的,怎么有一些突破,用茅台为例,它的缺陷是什么。目前的低频策略能不能选出茅台,每家做低频策略的方法不一样,能不能选出茅台。我看出很多,选出茅台来的不多。茅台用传统的多因子模型选股,比较难选出来的。


首先买私募基金是不是值?大家怎么看?


学员:虽然我不能炒股,但是也做一些投资,但是确实自己投资的结果来看,我现在所有的企业都买了私募。


李峰:这是我们严院长做的私募证券研究中心非常好的一个指数,它把2007年到2018年,把能够搜集到私募证券基金的进值都收集起来,因为私募不需要汇报业绩,不需要有一个公布业绩的要求,只是字面性交给一些第三方机构。它们收集了五个数据源,两两比照做出来的一个私募证券的进值数据库。做了一个指数叫CHFRC,在2007年到2018年当中,私募证券基金在中国复合收益率8.4%,我觉得还是可以,从复利的角度来讲8.4%是不错的收益率。跟指数比一下,远超沪深300指数,沪深300只有3.3%的收益率,大概是两倍多。有同学说不对,我看中证500,7.6%,这比一下就发现买私募没有多大意思,原因是什么呢?因为减去2%的费,已经低于中证500,中证500年化收益率7.6%,你给我提供8.4%,但是要收管理费和业绩提成。大家一想没有意思,买私募是浪费时间,浪费自己的钱。至少从平均意义上来讲,这个大家同意吗。


从收益率来讲,买私募基金,平均收益率8.4%,这里面有好的有差的,平均来说8.4%。你买指数也是7.6%,你买ETF指数7.6%一年也不错。但是你看夏普比例,用收益率,年化,除以它的波动率。可以看到私募基金8.4%的平均收益率,波动率是14%,年化。但是中证500指数的是35%,有人说,波动率不是风险,我是长期持有,波动率不是风险,所以这里面大家首先可以看出量化和非量化对风险的理解不一样。量化是把波动率做风险,但是巴菲特说波动率跟我没有关系,因为我持有五年十年。波动率当然有用,原因是两个,第一你能不能用杠杆,如果能用杠杆的话,比如期货投资,期货是保证金交易,所以可以放杠杆。期货投资你关心的是收益回撤比或者夏普比率。在相同夏普比率情况下,把杠杆放起来,就可以收益更高。你不关心绝对收益,因为可以收缩杠杆。假如说A股的投资也可以用杠杆的话,我8.4%跟你7.6%差不多,但是波动率只有你的一半,可以放大一倍杠杆,波动率一样,但是收益是你的两倍。所以如果能够融资做杠杆的话,我们要关心的是夏普或者收益回撤比,而不关心绝对收益。这种情况下,私募基金远超中证500指数。第一,能不能用杠杆。


第二,即使不能用杠杆,为什么买私募基金还是有用呢?因为很多投资人都想选时,波动率高的情况下,稍微择时搞错了你就出去了。什么意思?如果买私募产品,因为波动率低,你的收益率在波动率高的情况下你很容易踏错了,所以如果买指数的话买的时间点不对,可能会亏很多。但是因为私募基金这个指数波动率小很多,所以对你的进入这个市场的时间点没有那么敏感。因为如果你是一条直线上涨的话,随时进去随时出来都赚收益,年化8%。但是波动率非常高,7%,你进去的时点就决定你的收益。第一,杠杆情况。第二,择时。虽然高出一个点但是体验感好很多。它可以说是值得关注的,如果你可以放杠杆的话,马上收益率一倍,波动率是一样的收益率是一倍。第二,很多人希望自己不管买股票还是基金,都是在择时,波动率小的情况下择时对你最后的影响相对小一些,波动率越大你择时的效果越差,搞不好就出去了。


综合起来,我个人觉得私募证券是值得买,不是给私募证券行业做广告,只是客观分析数据。


再分子策略,子策略来看的话,这当然取决于哪个子策略,时间期间不一样。比如说股多,2017年1月份就有数据,2007年的时候股多策略,只要股多,平均收益率基本都是负的。年化收益率1.6%,但是夏普比率把无风险收益率调一下,就是负的。年化收益率虽然1.6%,但是减无风险收益率就是负的。哪个大类表现非常突出,明显你看夏普比率,哪一个明显站出来?期货策略。期货策略的夏普比率远高于其他的大类策略,不管是股票多头,还是股票套利,期货策略高很多。期货策略里面很多是量化的,比如说你做的期货日内很可能是量化的,比如说期货高频,肯定是量化的。期货多策略很难说,有主动在做期货等等。但是不管怎么说,期货策略很明显站出来了。还有什么比较高的呢?股票市场中性,0.55,夏普比率。套利,0.94。债券多头1.72,不管怎么说,把这些策略和股票指数,可以看出来基本上所有的放在这的策略都跑过股指。


私募证券从业人员应该来说还是有成就感的,创造了价值,鄙视链,一级市场鄙视二级市场,二级市场做价值鄙视做高频的人。你们创造了什么价值,我们的回答是创造了流动性,监管觉得好像没有什么价值,其实是有价值的。一个公司不上市,变成上市,变成有百分之三四十的溢价,这就是流动性的溢价,当然有价值。


第二个跟大家分享量化投资基本概念,这个大家都接触过,我简单跳过去。应该来说海外来说2018年底的数据,3.5万亿美元,其中量化资金占很大一块。这里面量化分主动和被动,一大块是被动的指数基金的策略,但是也有不少的主动策略,3.5万亿,最大的是固定收益的套利,它是很大一块。这是海外共同基金的情况,当然大很多,17.7万亿,公募基金,规模都是相当大。量化的海外情况。


保险资金,4.5万亿美元,这是美国寿险协会的公告数据。为什么放保险资金呢?如果最后看起来的话,在中国,尤其是银保监会对保险监管还是很严的,比如说交易的接口方式上,导致没有办法做很多高频策略,只能做偏中低频的策略,很多低频策略其实是特别适合保险资金的,由于监管上的原因。


整个历史背景,应该来说其实金融学的研究对量化的发展起了直接的推动作用,现在金融理论与模型的发展,直接推动了量化,包括指数,很多是金融学的学者做出来的。我们简单看一下,一个是金融模型的发展,一个是市场有效性比较强。这个大家可能会觉得为什么有效性比较强喜欢量化,我们就是讲的更多是指数基金,有效性强的情况下个人主动投资战胜市场的难度增加,导致量化变成一个非常好的投资手段。股市不敢调整,这其实是屠光绍讲的,说股市进入动态调整期,美国自从布雷顿森林体系破解以后,导致股市动荡性加大,合理监管,科技金融等等。


大家可能都比较熟悉,1971年发行第一ETF。barra,把个股收益率分成国家、行业、风格以及不能解释的部分。大家都知道这些人,看得出来这边既有金融学背景的,也有计算机背景的。现在有一个常见的感觉,量化,因为最近一两年高频量化风头比较足,大家有接触过吧。其实这些人可能很多都是计算机背景的,现在其实是有一点悲观的感觉,包括我们的同学当中,我们的MBA同学,觉得为什么要做量化,没有什么前途,因为都是计算机背景的人以后统治全世界,我们是浪费时间,这种观点是很悲观的。今天想表达的意思是,我没有那么悲观,因为金融学包括公司金融、会计,其实有很多的价值没有体现出来。以前来说,其实很多计算机背景的,包括数学背景。


一个很明显的情况是,中国的α特别好,一个原因当然是中国的散户比较高。可以看出来美国七十年代开始,我们现在正在走美国七几年走的路,也就是现在的散户比例是美国1970年的散户比例,机构比率大概20%,但是随着时间的变化,2013年已经到了60%左右,这是美国的数据,可能我们正在走这条路,机构化。监管等等。


金融科技。这个事其实是蛮火的一件事情,量化投资可以把它想象成金融科技的一个子级,其实很多券商有投入了大量资金做交易系统。


我们来看一下量化投资的问题。从逻辑上来讲量化投资有没有问题,我们讲量化投资无非是从历史数据找规律,最大的问题是什么?黑天鹅。历史上发生的事情会不会重复?这是一个很大的逻辑问题,很多机构都说我在做人工智能、机器学习。人工智能、机器学习能不能解决这个问题?机器学习能不能解决量化投资里面最核心的问题,你的基准假设是历史会被重复。


学员:我觉得不能解决这个问题。


李峰:原因是?


学员:机器学习也是基于历史大量数据做分析和归纳。


李峰:机器学习是在历史当中找规律,比如说看了十万张人脸训练出来的模型。机器学习最终也解决不了量化投资很麻烦的一个问题。它是假设历史会被重复,我觉得这一点,学金融学、会计学的人还是有未来的,机器学习解决不了历史会被重复这个基本假设的不可靠性。其实机器学习现在就很复杂,线性回归也是机器学习,是机器学习的一个退化版。高盛亏了40亿美元,也是解散了。其中一个大问题就是基于历史回测的模型都是低估了黑天鹅事件发生的概率。低频策略机器学习有没有用,我觉得用处有限,原因是低频假如按照这位同学讲的季度频率,我的训练是按照季度频率来训练,每个季度预测下一个季度的收益率,我的历史数据非常有限,五年的数据也就二十年季度,模型建好了,五年以后发生结构性变化,你训练出来的模型不成立了。


机器学习在低频投资策略里面可能用处不如在高频里面大,如果你是盘口级的,其实给你一周的数据已经非常丰富了,可以模型自适应,训练出来的参数重新调整一遍。量化投资里面最大的问题就是假设历史会被重复,这是一个很大的假设。我觉得未来改进的思路也就是朝这个方向去,其实就是量化投资往主观投资方向前进一大步。传统的量化投资多因子模型做低频已经到天花板了,可能没有那么大前途。我们数一下有这么多公募基金,有这么多私募基金,这么多券商金融团队,招了这么多研究员和实习生,这些人每天在那边挖因子,尤其低频因子,计算速度快,低频策略季度的,PC就可以跑起来,这么多人在挖因子,要有大的突破是很难。最后变成公募基金,虽然是私募基金,但是本质上是公募基金,收费收的很便宜,策略透明度也很高,这是我的感觉,未来可能是说低频这个策略,机器学习可能帮助没有大家想象的那么大。


优势与缺陷。量化投资当然有它的优势,系统性的避免人的情绪等等。我们重点讨论缺点,太肤浅。很少有人自己批评自己太肤浅,那天碰到互联网金融协会的会长说全国没有一个协会像他们协会一样,主要存在的目的是干掉这个行业。互联网金融协会的会长说,我们就是很尴尬,每天的任务就是清理这个行业,清理完了准备改名叫金融科技协会。很尴尬,没前途。我们量化投资缺点是很明显的,是非常肤浅的。当然以前我很自豪,说我买股票完全不知道这个股票是干什么的,但是我可以赚钱,显得很自豪。这其实是很肤浅,因为这个公司假如说战略发生变化了,你还是以历史的方式估算,比如说这是我的预测,那是不是显得很肤浅。战略发生变化,行业发生变化,你还是历史数据估算,说这是我对未来收益率的预测,这是很傻的一件事情。这里面还有一个,结构性变化。高频可能做机器学习这种算法,可能空间更大,因为自适应的速度快。低频的东西,你用三年做出来,可能都已经不行了,逻辑发生变化。



量化投资在中国的实践,在座很多都是实践者,我分享一点我自己的看法。占比。这是中信证券统计的,我们也做过这个统计,市场中性策略占很大一块,我还是吃了一惊的,占了快50%。在所有中国的量化基金里面,市场中性战略将近50%,但是市场中性在中国蛮难做的。原因就是有很多挑战。


这是发行速度,2015年之后出现一个大的滑坡,量化对冲基金2015年股指期货贴水开始滑坡很厉害,最近开始恢复,但是远远没有到达顶峰,顶峰按照这个数据应该有500支。这是我们私募研究中心统计的。


这是对每一个大类策略容量的估算,比如说市场中性策略有多大。因为我们假设中证800选股,这里面最重要考虑每天的成交量,再考虑换手率。假设每天成交两千亿,占两千亿5%的成交量。20个交易日换仓100%,也就是每个月换一遍,这虽然没有借鉴刚才这位同学讲的低频。如果这是每个月换一次仓,也算低频了吧,不是T+1,不是T+0的,都是低频,每个月换一次。大概650亿左右的规模,统计套利,大概是500到1000亿,CTA630亿,当然取决于你的周期,如果是两周,容量大一些,但是这是把全市场的成交量做了一个分析。


潜力巨大,发展快速,但是还处在初级阶段,所以才有我们这个班。我是希望讨论的几点,一个是挑战,一个是希望,一个是方向,这在中国市场,挑战、希望、方向。前面因为比较基础,在座很多都是从业人员,我们这讨论更多是低频的挑战。


低频策略挑战的第一个方面,我自己觉得可能是财务数据的失真问题。但是把它放到更加大的一个标题里面看的话,在中国做α,很多同学说工作很辛苦,金融从业人员特别辛苦,每天没有休息。但是另外一方面在中国做金融行业,其实特别幸福的一件事情。不知道大家有没有看过高盛和中信的对比,中信有一个口号要变成中国的高盛,中信要变成中国的高盛大家觉得有没有可能?我觉得是很容易的,因为最简单看一个公司很重要的,从股东回报的角度是ROE,净资产收益率,一块钱的股东投入,这公司一年赚几块钱利润,ROE是核心指标。高盛大概现在是10倍杠杆,也就是它的负债除股东权益大概是10倍,中信大概是3到4倍。一块钱股东收益对应三到四块钱负债的情况下,可以做到跟高盛的ROE差不多,也就是在中国ROA其实比高盛好很多,ROE差不多的情况下,净资产收益率差不多,但是你的杠杆只有人家的40%到50%,也就是你什么都不做,只要放一倍杠杆,你的ROE是它的两倍。所以我觉得在中国做金融从业人员,虽然辛苦,但是是很幸福的,因为α特别高,韭菜很多,收割的很快。中信的总资产收益率大概是高盛的两倍,这个不一定说是中信一定比高盛牛多少,而是中国的市场α很丰盛,所以我们虽然抱怨说中国做金融多困难,每天被政府折腾。去年我们监管层把游戏、教育、医疗,每个行业都约了一遍,金融行业资管新规约了一遍,很痛苦。但是不要忘了在中国做金融是很幸福的一件事情,相同的杠杆比率,中信做到和高盛差不多的ROE,如果真的允许金融创新的话,杠杆放一倍,ROE就是高盛的两倍,超过高盛是时间问题,因为中国金融收益来源太丰富。


融券做不了,只能融股指期货。还有结构性变化,市场一直在变,大家说逻辑总是在变,导致量化模型说不出来为什么,反正不管用,每次都是说信心满满,多好的股票,一去跑就是不行,2017年一九行情,根本战胜不了指数。


基本面数据可靠性差。这是可能低频量化里面很重要的一点要做的,很多大量细致的工作。低频数据,大家有这种感觉吧,中国的财务数据不靠谱。老外尤其是觉得这一点,像挪威主权基金机构,到上海来尽调,到公司里面瓶装水不敢喝,自己带的瓶装水,抱着深有怀疑的态度。之所以紧张,他说他来之前刚刚听说中国一家上市公司,一个房地产开发商,为了卖楼盘,在楼盘边建了一个假地铁站,伪造一个地铁站。他看了这个新闻以后,来中国尽调连水都不敢喝,全是假的,完全不敢相信。这当然可能是一个偏见,一个事实情况中国的财务数据可能要做很多的分析,最近金融法院也在做很多集体诉讼,希望抑制造假。


我们讲低频,低频策略相对关心基本面。高频策略,如果持仓一分钟,基本面对你来讲完全没有意义。一分钟不会出现一个大的股价波动。低频策略一定关注基本面,第一基本面数据可靠性低,第二中国股市的股价跟基本面的相关性可能偏低。中国炒股,以前就是说要分析基本面输在起跑线,它的相关性低。原因有很多,第一壳的价值,大家都在炒壳,业绩越差,收益率越高。业绩不好,才接壳。权益收益率,宏观基本面没有相关性,中国GDP的增长,过去二十年非常好,股市也是正的收益率,可能没有那么好,散户参与度比较高,波动率高。


我们看财务造假,这是会计学一个经典的学术研究。里面有很多争议,但是很容易看出一点,把所有上市公司的利润做一个平均统计图,这个平均统计图,这是美国数据。美国数据里面非常明显的一个不寻常的地方在红圈的地方,也就是说汇报一分钱亏损的上市公司的比例特别少。报告亏损一分钱的这种公司的概率特别低,为什么呢?它一定想尽办法做成不亏,也就是说这里面出现一个大的缺口,缺口的左边,缺口就是亏一分钱的地方,它一定是比不亏不赚正好汇报,利润是0,要小很多频率。这一直被当做美国上市公司财务造假的一个证据。大家都知道这是一个游戏,如果你分析预期是两毛钱利润,如果你回报一毛九,股价有可能跌10%,甚至跌20%,尤其对成长股来说,当然这很容易理解。如果两毛钱的预期,你汇报一毛九,根据贴现率算一下应该跌5%,但是股价往往跌15%-20%,这就是会计学模式每年研究的东西,为什么会这样。为什么呢?它写一个模型说很正常,因为这是个博弈,当投资者发现你连一分钱,公司上下都去找这一分钱找不出来,把它做成不亏的时候,一定是有大问题。不是说你这一分钱多重要,一分钱是两毛钱的5%,但是连一分钱都找不出来,那你问题大了,一定是有特别大的问题,这是美国数据。


中国的数据那就不用说了,这是中国同样的。美国还看得出来有这么一个缺口,中国这个数据汇报亏一分钱的,那基本上就没有了。这个也不难理解,原因是中国的监管规定三年亏损就退市。所以逼着所有的上市公司来把利润做成正的。左边是净利润,那个缺口已经大的不用看了,根本就不是一个数量级的。因为你如果要亏损,一定会通过政府补助、关连交易等等多种方式,把亏损做成不亏。这是左边这个净利润。


是不是中国的企业特点就是这样?当然不是,右边是现金流。现金流亏一点点的概率,其实是远大于净利润亏一点点的概率,缺口远没有那么大。现金流造假当然也有动机,但是负责净利润那么足,净利润直接关系到上市的资格。所以左边是净利润,右边是现金流,现金流也有缺口,但是远小于那个缺口。左边净利润的缺口已经完全无法看。中国的财务数据造假,应该来说比美国市场严重一些。我们低频分析一个重要的事情就是大量的数据分析,除了造假之外,不造假也要做调整。厦门国贸…这个公司的市净率完全是扭曲的,你的股价除以每股净资产,完全扭曲的。


财务造假,我们用的词语比较严重,也有规则允许范围之内的调整。我们要做的事情是第一从风险防控的角度来说,要剔除很多这种股票。第二,在做分析的时候,得把很多指标做很多的调整。


中国股市的表现跟经济增长的关系。黑色的这条线是中国GDP的增长,为了严谨起见我们扣除了CPI,不能光看名义的增长,要扣除通货膨胀,因为过去二十年中国的物价涨了很多。黑色是中国,红色是美国,灰色是印度,剩下两个是日本和巴西。这个图就没什么好分析的,中国是远远在上面,远超出,中国的GDP增长远超出美国、巴西、日本、印度,这很容易理解吧。但是你要看中国股市的表现,这里面是,当然股市前段时间很多人说上证综指很多年不涨,这没有意义,因为要调整分红。稍微严谨的策略研究应该把分红加进去。这里面是把指数收益率加上分红,工商银行分红率可能5%到7%,一定把指数,指数的变化加上分红,再减通胀的因素,看实际收益率。这么做一下调整的话,中国有正的收益率。1992年到2014年,黑色的线是中国,股指的收益率,虽然没有房价高,但是还是有正的收益率,将近70%、80%的收益率,这是扣了通胀,你的实际收益率。


学员:标普500都是成分股,理论上来讲是幸存者偏差指数,我们看现在的成分股和一百年前的成分股,基本上没有一家成分股还活着,是不断更新的东西。看国内除了考虑分红之外,不要看上证指数,上证指数是综合指数,没有办法实现幸存者偏差。而且中国退市很难,垃圾都在里面。比指数的话,还是比成分股比较好。上证综指是非常失真的东西。


李峰:评论的非常好,这个文章不是我写的。讲的是完全正确的,这里面指数要做很多的,尤其是有些事后看起来非常好的指数,美国更加显著一些,因为中国退市非常少,最近有一些,但是还是非常少。不管怎么说,收益率跟我们的GDP是没法比的,因为GDP是这样的,股市是这样的,完全无法比。


我们再做一个相关性,中国股市1991年到2014年,经济增长与股市收益率的相关性是0.01,相关性非常低。当然可能上证综指不合适。回到美国的指数,同时要把退市的收益率算进来,收益率是负100%。你要跟踪1991年上市的所有公司,同时要把退市的负100%的收益率也都放进来,这才准确。有几个蛮有意思的现象,中国股市的收益率和中国经济年度的,按五年周期算相关性只有0.01,相当低。中国股市的表现跟中国宏观经济的表现几乎没有相关性,PW0.95,这不显著。但是下面两个很有意思,海外上市的中概股,它们的股价表现和中国经济增长的表现,相关性达到0.6。那问题就来了,不是中国不好,而是中国上市公司在上市流程当中一定选的不是最好的公司,很多可能为了其他的目的来上市,为了国企解困等等各种原因,所以你挑的目标对象可能有问题,至少你根据中概股的海外包括香港、美国、新加坡,中概股海外收益率跟中国经济的相关性达到0.6。所以这就强调了一点,中国股市总的来说可能还有其他的目的,可能为了给国企融资,为了国企解困,各种原因。这也说明我们要在中国3700家上市公司好好做的话,超额收益率可以做出来的,因为平均起来不光是从业绩出发找的一批上市公司,这是很明显的一个背景。


我们再来看,换手率高,这是上海证券交易所。这是上交所、深交所,换手率是每年到500%到600%。要看收益,其他市场,只有纳斯达克和日本证券交易所稍微高一点,100多。中国是5到6倍的换手率,相当高。这还是在美国市场允许T+0的情况下,所以中国监管层才对很多基金说,你们没有创造价值,我们提供流动性,流动性太多也不行,500%的换手率。但是换手率高,也是我们私募α的来源,说明可能有很多散户在里面参与。散户在里面参与,才可能有收益α的机会。总之,这是中国的市场的一些特点。


我们来看股指期货,为什么中国的α很好,但是很难拿呢?从业人员应该会体会到这个痛苦,这是股指期货交易数据,分了300、50和500。很明显,每天的交易量在2015年9月2号之后萎缩了99%,沪深300之前1808,之后变成21,只有之前的1%,这是事情虽然有很多知名人士都反对股指期货,对我们从业人员是非常痛心的事情,本来很好的市场,结果一监管萎缩99%。上证50,跌到8,这是一个毁灭性打击,市场已经基本被干掉了。股指期货的流动性没了。看中证500从218到12。


这直接带来的后果,大家应该都知道股指期货市场对流动投机盘限制非常严,比如说日内平仓,直接带来的后果就是贴水。贴水是什么意思呢?期货比现货低很多,你在做对冲的时候买现货,做空期货,所以贴水的情况下一开仓就有损失,年化可能10%、30%。为什么流动性没了会带来贴水,原因是一个正常市场应该有投机盘和套保盘,由于监管原因使投机盘参与的成本非常高,导致这两部分的力量失衡,套保偏多,投机偏少。套保持有的是股票现货,通过套保来对冲。套保是单边卖出的力量,投机盘被监管赶走,使买盘没有了,买卖盘力量失真,卖盘占主导,价格下来。期货比现货低,当然就是期货贴水,带来对私募,市场中性策略带来毁灭性打击,因为没有办法做了,一开仓就有10%、15%甚至30%的损失,年化,你的超额收益能不能做到30%,对低频策略基本就是毁灭性打击。中国很难做,为什么很难做呢?首先组合保证金没有,中国的保证金都是分开的,期货是期货,证券是证券,只能单独把现金拿出去做保证金,直接就损失了,以前是七五折,现在可能是八折,所以很难做。


这是月度基差数据,当然现在变好。2015年之后的那一年,是量化对冲,市场中性策略的人生黑暗期,基本上已经到绝望,大家纷纷转行。我们同学做量化的人很少,像我们有MBA金融硕士,很多人不愿意做量化,原因是做了一段时间之后发现做的工作就是调仓,像机器人一样,移动平均线,5、20,挑战机器学习,它觉得是一个机器,就是挑战机器。我觉得这是一个不对的状况,因为主动选股大家都觉得很有意思,分析宏观、行业跟个股,自上而下,自下而上,每天在那边讨论的眉飞色舞。量化的人在那边不光路演没有意思,在做策略的时候就是调仓,把参数变了一遍,再加上基差,没有人想做量化,有一段时间。现在开始好很多了,有段时间量化没有任何前途了,因为做对冲之后,成本就是10-30。从2015年4月到2018年7月份,基差用中证500对冲的话,直接亏损将近70%。也就是这段时间以来,如果战胜不了指数70%,你做对冲就是亏损的。战胜70%,尽管在中国也是没那么容易的。大的50指数,贴水贴的少一些,但是中证500贴水非常厉害。这是基差的损失。


有没有希望?我觉得还是很有希望的,我们一直在说,有同学跑过来说不学金融了,尤其做量化。做计算机,做模型做不过计算机的人,都是他们做,现在都是讲究交易低延时。做基本面分析做不过会计的人,两边都不是,我就会做一些我多因子模型,我不学金融了,要么学计算机,要么学会计。这个我们首先表示不鼓励、不支持、不宣传,金融还是很重要的,原因是这里面还是很有希望的,这也是我们今天分享讨论的主题,怎么样在低频策略上有一些改进。


第一,价值投资在中国有没有潜力?你说没潜力,一现在年纪这么大了,谁的自尊心没有被在地板上摩擦过。有没有希望这也是我们一直探讨的,这是barra的风格因子,取决于你是中国版的CN15还是CN16。最大的收益率是规模,可以年化做到21.5%。买小盘股,相对买大盘股,年化差21.5%。这是年化的概念,中国的矛盾是大盘股和小盘股的矛盾。如果可以判断出大小盘股,这就是很好的策略了。但是11%也不差,这是根据CN16做出来的,这里面分了很多,CN15只有你的利润除股价,CN16升级好之后加了很多ROE、ROA进去,你要相信barra的话,我们总是抱着怀疑的态度,虽然它收费那么贵,也可能是错的。根据它的数据算出来,利润因子还可以,年化11%,规模因子长期很好,但是2017年亏损惨重。


这是我们做的时间序列,barra太贵,我们自己编程做的。CN16不把权重告诉你,它的因子权重没有披露,所以这是我们基于自己的最佳估计,我们估计这个barra是怎么做的。barra的因子里面,这就是各种因子里面,我们列了一些。收益率最高的因子当然就是刚才的柱状图显示的,是规模。规模因子独秀,你稍微看一下,其他都是很小的幅度,它一个因子时间序列下来是非常大。这个很容易看到吧,当然这里面我其实应该算一下,因为一个是多一个是空。


规模因子大很多,但是规模因子在2017年是相当糟糕的,2017年因为是一九行情,2017年小盘股对大盘股的超额收益是负的,这才出现规模因子虽然一直很好,但是这段时间表现非常差。但是这里面有一个蛮有意思的现象,就是这条浅蓝色的线,这条线在2016年之后,尤其2017年特别牛,明显有一个急升,这就是我们的利润因子。2017年也不奇怪,属于白马蓝筹的行情。这个利润因子在2017年迅速上升,超出其他因子,给我们低频价值量化带来希望,中国股市是不是做大的风格切换,以后也是往利润或者价值方面走。


2017年出现一个很大的现象,这个现象2018年也在持续,当然一会会讨论什么叫价值投资是很难定义的事情,比如买茅台股是不是价值投资?你说当然,那我压力很大。取决于我们怎么定义什么叫价值,一会我们看数据,茅台股十几年当中只有两年看上去是价值股,其他年份全是成长股,它是非常典型的成长股,而不是价值股。什么叫价值投资,有人说赚钱的就叫价值投资,那是没法定义的,它是赚了很多钱。如果按照我们量化模型的角度来说,茅台并不是价值股,是成长股,这里面要看怎么计算。


再看一个东西,为什么中国低频策略有希望?九点钟开始宣传私募基金有价值,接下来开始宣传低频策略有前途,原因是什么呢?中国可能这个市场在往价值投资方向走,但是这个价值投资怎么定义可以探讨。这是中国的信用评级,中国的金融整个生态其实不是特别好,原因是刚兑。今天无风险收益率还是有8.5%以上,昨天晚上正好跟我们一个同学说,说我从来不买私募,我现在做房地产信托基金,还是9%以上,刚兑,它自己就做房地产。它说刚兑9%,直接使这个资金非常高,刚才讲私募证券投资费钱8.7%,跟刚兑没有办法比。


我们看中国信用评级的信息含量,这是我们分析的一个中国的金融的生态圈。信用评级机构是非常重要的资本市场中介。2005年到2012年,八年,为什么到2012年呢?因为2014年出现打破刚兑,出现第一个公募债违约。2005年到2012年,看中国2600个债项评级,从三个A到三个B,我们看这些评级有没有信息含量。什么叫信息含量,如果这个评级有信息含量,随着评级从三A变成三B,未来违约的概率越来越大。你买债券,利率风险、信用风险、流动性风险,提前还款的风险,但是你利率风险你可能控制不了。信用风险是我们分析的,也是信用评级机构在做的事情。


我们看看如果这2600个信评有信息含量,随着评级从三A到三B,你违约的概率,未来一年到三年违约的概率越来越高,这是好的评级。但是这张图我们画不出来,原因是中国没有违约,至少没有公开的违约,到目前为止城投也没有什么大的违约。公司,包括上市公司发的债也都没有违约,所以这个图画不出来。我用一个替代方法,我不算违约概率,我算一年之内被ST的概率,这总可以了吧。这是可以有数据,ST就是特殊处理,当财务业绩不好的时候,你就被ST了。如果这么算,就是画了这样一个图,没有明显的正相关,是一个平的。也就是说,一个A,一个A+,跟三A,一年之内被ST的概率没有本质区别。这说明中国2600个信用评级没有信息含量,同学们要找对象不要找卖方分析师,因为我们之前指导过很多卖方分析师的毕业论文,每个人都是煽动性的词语,这写习惯了。卖方分析师不靠谱,信用评级机构不靠谱。这没有批评的意思,换了我也不靠谱,因为刚兑。


同样的图放到美国怎么样?美国没有ST,但是用中国上市公司ST的定义套到美国上市公司,然后画一个美国上市公司类似的图,用标普的评级。从三A到B,到B-,然后在一年之内被ST的概率。标普不靠谱,因为在2008年金融危机当中,这些机构都干了很多不光彩的事情。但是即便这样,这个清晰的正相关看得出来吧,非常简单。清晰的正相关,一个非常漂亮的一张图,画出来我们自己都不相信。说明美国信用评级机构,至少标普做出来的东西还是有点靠谱的。


中国2005年到2012年,大家感觉很痛苦,2014年第一单公募债违约,这之后有没有变化?我们的感觉是有变化的,这是把2018年的数据加进来,14年的数据,中国的信用评级。你可以看出来,稍微有那么一点关系了吧,至少我画的这个线是一个直线。也就是说打破刚兑之后,中国的信评开始有一定的信息含量了。这个上讲,前途还是很光明的,我的意思是说低频还有基本面分析是很光明的,因为整个生态在改变。


刚才讲还是有希望的,一个是信用评级的信息含量有提升。再另外一个,中国的债券违约开始多起来了。用最简单的一个财务模型能不能预测财务造假,财务违约。这个模型在座都很熟悉,我看了一下银监会从业资格考试就要考这个。这是1968年纽约大学的一个金融学教授做的模型,利用五个指标。这五个指标,3700个上市公司一分钟就可以算出来。五个指标,我算Z,Z小于3,可能是安全的,Z大于3可能是有问题的。这个模型当然是很烂的模型,因为是根据一九六几年美国工业企业做出来的模型,当然是比较差的一个模型,1968年的模型。大于3有问题,小于3OK。


这是去年所有的违约债券,列出来可能有一百个,所有的违约债券。我们刚才这些公司2017年年底的财务数据能不能预测出来2018年的违约?这很简单的一个问题,那五个财务指标谁都会做,很容易预测出来。当然这里面有一个问题,2017年的财务数据,2018年三四月份才有。为了严谨起见,我只能挑2018年4月份之后违约的,先简单看一下。这是2018年违约的债券,根据2017年财务报表数据看的话,第二条红线,右边这条红线就是3,域值3,95%的2018年违约的债券都在3的左边,也就是说用1968年这么烂的模型,用2017年的财务数据,能预测到95%的中国债券违约。大家是不是觉得太神奇了,这太容易了吧。


第一,我的确没有把前面几个月剔除掉,要剔除掉,但是再剔除也不会提出掉95%。


学员:如果说没有违约有没有测过。


李峰:当然测过。违约的能预测出来,95%。问题在于这个模型错杀太多,错杀是多少呢?把三千多个上市公司,所有的上市公司都算一遍,红线是3,大概有25%的低于3。根据这个模型预测,大概有七八百家要违约,实际上就那么一家。所以错杀率很高。错杀很高,但是实际违约基本上都可以提前抓出来。作为一个风控工具应该是不错的,整个市场剔除四分之一,这四分之一碰都不碰,作为风控是不错的。但是作为投资的唯一依据,会错失带很多好的公司。


这是1968年的模型,现在已经到2019年,已经50年了,能不能改进?很容易改进,因为是1968年之前的数据测算出来,并且是美国的数据,显然是有问题的。我们做一点简单的改进,用SVM或者是XGBoost。这都是机器学习里面的简单算法,这里面用到更多的特征,不光是五个维度,用了很多财务指标在里面。毕竟我们也不是预测违约,违约是极端的情况,就预测财务状况恶化。


样本外的效果,滚动预测,样本外效果其实还可以,大概90%、95%,取决于算整体准确率还是召回率。样本外做的其实还可以,但是这里也是非常简单的算法,就是机器学习两个很简单的算法,大概用了40个左右的特征放进去。刚才那个是5个,这是40个特征,算出来效果还可以,我们做的不是违约,是财务欺诈,违约更极端。


基本面。我们讨论低频,基本面分析有两个完全不同的思路,从做模型的角度。有人说有两个不同的思路,自上而下,自下而上。我们这里讲的是你做基本面应该投资的模型,你是先预测股价,还是说先预测未来的利润和现金流。根据这个再来预测股价,两个可能,第一个可能我先预测未来的基本面,觉得基本面好的,跟目前分析师的预测比,做投资本质上是做预期差,如果已经反映在股价的预期里面,是做预期差,你的预期和现在反映在股价里面包含的预期不一样,才会有空间。所以一种基本面的方法,我预测未来的基本面、利润和现金流,根据这个预测再来买和卖,另外一种是我直接用来预测股价,两种不同的思路。这给大家一个简单的框架,测算基本面分析最大的空间,这个怎么做?这当然有一种简单的方法。



假如你今天雇了一个员工,这个员工唯一的任务,几十万一年的小朋友唯一的任务就是预测一年之后,3700个公司,每一个公司给一个预测,利润比现在高还是低。我现在雇了一个全职员工,唯一的任务就是做基本面分析,给我结果3700家公司,这家利润涨,这家利润跌。这样做带来最大的收益是多少?最高的收益这可以测算出来,为什么呢?这是美国的数据,这是一年之后,0这个点是一年之后,负12是倒退12个月,也就是今天,假设今天知道一年之后这个公司的利润比今年是上涨还是下跌,这当然是作弊,我现在当然不知道一年之后这个公司利润上涨还是下跌,但是把过去十年数据拿出来,仿佛我已经知道一年之后这家公司利润上涨还是下跌,在负12这个时点,我买入一点之后利润会上涨的那些公司,卖空一年之后利润会下跌的公司,这就做出来一个理论的投资组合,这是一个理论投资组合,因为你永远不可能知道一年之后的情况,但是是我们这个小朋友他每天做的事情,就是做这个事情。


你如果有能够看到未来的能力,知道一年之后这个公司利润上涨还是下跌,在负12这个点买入利润上涨的公司,卖出利润下跌的公司。买如的公司有超额收益18%,卖空是负15%。如果知道一年之后利润的走向,提前一年买入一批利润上涨的公司,卖出利润下降的公司,多方18%的收益,空方15%。最大理论极限收益率是33%,因为它是预测利润的涨跌,可是我是用实际真实数字做的一个组合,虚拟组合,所以最高的收益极限是33%,但是33%已经很好了。说明在美国做基本面分析是有空间的,有33%的利润空间,当然考虑多头是18%,因为做空不容易,多头18%的收益率。并且看得出来这条线这上面这条线是相对均匀在往上走,因为这是年度利润,每个季度发布季报,利润逐步反映出来,有一些跳升的地方,可能是在公布季报,有一个突然的跳升。


同样的数据,在中国怎么样?在中国做基本面分析有没有用?这是中国的数据,这个数据需要做更加仔细的分析。可以看出来红色是利润上涨,蓝线利润下跌,其实也有一个价差,但是没有美国明显。那边是33%,这边提前一年买入利润上涨的公司,卖空利润下跌的公司,也有空间。但是一年之后的消息过了六个月之后就已经非常快在股价当中反映出来,可能有消息的提前反映、泄露。但是不管怎么说至少证明在中国做利润预测,理论上是有空间的,有收益空间的。假设我能看到一年之后的情况,我来买、卖。希望给大家一个信心,还是有可能的。


可能的方向。刚才讲有前途,现在是可能的方向。可能的方向,有一个因子的择时。择时这个概念还是蛮重要的概念。择时分两个基本大类,一个是大盘的择时。大盘择时就是说我判断接下来一周、一个月、一年大盘走势怎样,看多就买,看空就空仓。大盘择时,也有很多同学做的很好。说一年八个月空仓,等待机会。昨天吃饭,有一个很成功的同学,他是做并购的。买了一个水产市场,卖出去10倍收益。他说他炒股也很厉害,就是择时,择时是什么呢?他说他12个月有8个月空仓,4个月等机会,大盘择时。我们说的不是大盘择时,是因子择时。大盘择时有争议,美国的大盘择时,学术的文献包括一些基金的报告,比如说AQR,AQR可能就觉得,其实AQR也做了一些因子择时的文章。很多学术研究,用美国的数据基本上认为大盘择时在浪费时间,我个人觉得在A股可能需要大盘择时,原因是A股是牛短熊长,美国是牛长熊短。所以在美国择时是很痛苦的,你择来择去把牛市择没了,稍微有一个回调就跑出去,一择时牛市错过了,所以在美国做择时是很难的时间,因为牛长熊短,纳斯达克跌到一千多点也就一个季度跌完了,一年跌70%。来一个十年的牛市,一年的熊市,这样的结构下,择时很痛苦。


中国不一样,中国是暴涨,半年涨三倍,然后是漫长五年的下跌,这时候你不择时踏进去就是熊市。这讲的不是大盘择时,是因子择时。因子择时就是说,比如说有一个因子,规模因子,小盘股跑赢大盘股,这是规模因子,平均上来说可能利润更好的公司跑赢利润差的公司,所以你坚持买利润好,小盘股,这是做的因子模型。因子择时是什么呢?我希望判断接下来2020年是基本面更好的公司涨的多,还是基本面差的公司涨的多,你判断因子的有效性。平均上来说有效,但是某段时间无效。比如说2019年2月份垃圾股狂涨,你买质量好的公司,你买基本面特别好的公司跑不赢垃圾股,那个时间段你可能买利润差的股,这是因子择时。很多公司的态度,AQR,说因子择时没法做,最近又改变观点。2017年也说我们觉得因子择时没有办法做,因为因子择时技术难度讲比因子模型高出一个层级。因子模型叫知其然,知道这个东西有用,因子择时是知其所以然,不但知道利润好的公司股价高,并且知道什么时候股价高。因子择时本质上比因子模型难度搞一个层级,但是还是值得做。因为中国股市波动率高,风格切换非常厉害,这是一个可能的方向,因子择时。


第二个,机器学习。机器学习到底有多神,大家都在做,至少宣称自己在做,我们是机器学习。其实线性回归也是机器学习,说的话也没错,大家都是机器学习。但是机器学习有没有效果,当然我们看过很多年报,华泰做过很多机器学习的年报。机器学习,按照这个范畴来说,大的范畴是AI,小的范畴是机器学习,再小是深度学习。目前为止所谓的机器学习还是在历史数据找规律,至于用处我个人觉得在低频这个领域里面可能相对有限,你低频一个季度,三年的数据学习一下,学习好了规律变了,白学了,好不容易学习到一个非常好的模型,这当然跟所谓人脸识别完全不一样,静态的问题,下围棋也是静态,规则永远不变,学好了就是学好了。你学会了,碰到2017年这样的行情,白学了,完全反过来。机器学习要不断自适应调整模型参数,这个过程意味着你调的频率不可能快。


局限性。可解释性差,这是一个非常大的问题,没有可解释性,它就是一个黑箱,放进去一堆特征给出一堆预测。有的互联网做这个就是暴力拟合,切割成500个区间,就是暴力拟合。本来是线性模型,那个东西风险很大,就是过拟合。因为资产定价或者说投资里面最大的逻辑是博弈的过程,你过拟合的风险非常大。这是一家美国AI驱动的ETF,表现相当一般。


我们也一直在讨论,包括随机森林。至少在低频领域,最近芝加哥大学写了一些机器学习的模型,AQR。感觉效果一般,我不知道未来能怎么样,这里面当然有好多个做法,一种是单因子层面做机器学习。现在单因子,评价单因子有没有效,基本上是做线性的,做线性回归,算IC值。比如说单因子在横截面上有没有区分度,规模小收益高,三千个规模,小规模比大规模收益率好多少,在横截面。单因子层面也可以做机器学习,包括多因子层面是把因子组合在一起用机器学习来做,根据不同的做法。这个值得研究。

 

我们看一些学术论文,这不是机器学习,这是暴力挖掘。2017年两个中国人在顶级期刊上发的文章,看50年的数据,1963年到2013年,一万八千个因子。现在只有五十个、一百个、二百个因子,不好意思说了。万是起步单位,这当然是线性模型下,如果是非线性模型,那没有意义,因为它有非常多的非线性组合,已经不算因子数了,无穷个。光财务变量就算出一万八千个,把整个所有可能的财务变量拿过来机械组合。分母除总资产,X是任意变量,比如说每股利润,应付款,你想到的数据全部放进去除总资产,把这个比例算一个增量,百分比,算一个变量。仅仅根据财务数据,三张表的数据总结出一万八千个数据。暴力挖掘,果然很多东西表现非常好,T值8.9,相当厉害。月度α0.7,大家觉得绝对值不高,但是这已经做了风格的控制。0.7,年化一下也是9%。并且这个因子非常多。这里列了前一百个,因为有一万八千个。


这是另外一篇文章,没有发出来,工作论文,两百万个因子,万是起步单位,你有几万个因子,两百万。209万个因子,用的也是组合,比如说应付款的增长率,应付款增长率的增长率,并且把比率从A除B,变成A除B乘C,一下子维度就上去了。有没有用?我很怀疑。复制一些非常奇怪的因子,一看很管用,我不知道我敢不敢用,应付款除每股资本供给,很显著,你敢不敢用。根据历史数据测算下来很显著的指标。它的可解读性非常差,说不出来经济含义,我的利润率的指标是说出来经济含义,因为赚钱多所以买它。你在那死想也想不出来什么意思,但是要不要用,我也不知道。有些因子可以解读,很多因子完全无法解读,怎么看都解释不出来,要不要用,这里面其实就是可能怎么把过拟合整合一下,如果调整过拟合很有效果,为什么不用呢?这是财务基本面。


另类数据。怎么另类?另类数据很难的,因为现在都是买数据,真的要收集另类数据,非结构化数据挺难的,包括现在爬虫变成高危职业,爬来爬去被抓了。另类数据是另外一块,京东的数据,京东数据据说是卖给2C了,平台上3C产品的销量,这些平台,苹果的销量每个季度才出来,京东每个月每天都知道苹果卖的怎么样,这些数据卖给2C还是很值钱的。另类数据。


更深入的模型。我们目前基于多因子的基本面量化太肤浅了,因为一个公司就用一个指数维度的向量。比如说刚才解释,这个公司管理层都换了,股东换了,战略换了,还在用历史数据跑模型,显然是有问题的。包括行业的构成,利润质量、财务质量、商业模式等等。所以按照金融学的说法,资产定价是资产定价,公司金融是公司金融。资产定价是管收益率的方差值、方差矩阵。公司金融的人是关心这个公司,你的经营资产,资本结构,可能更加偏微观,这两个没有结合起来,导致资产定价就变成纯粹的数字上的自己的空转,体外空转。这个收益率怎么来的,我不知道,反正就是这个收益率,所以更深入的模型。


我们探讨一下低频Alpha的困境。低频的策略人始终绕不开一个问题,你有没有茅台。我是量化模型,很牛,选股,有没有买茅台,你说没有。其实你买了也没有意义,因为你三百个股票,你买一个茅台有什么用呢?权重很低,买了也没有用。但是我们还是要面对这个问题,你的模型能不能选出茅台来,你如果用低频策略模型能不能选出贵州茅台。茅台当然是一个牛股。


这是今年8月份市场对冲策略产品线里面一些收益比较好的产品,我把名字隐去,一个月收益率对冲之后6.5恩%,年化百分之八九十,这个可以,非常好。但是回到收益、风险、容量,这些策略我估计都是偏高频的,低频策略量化的,一个月跑出年化百分之八九十的收益率,不光是八九十,还要减对冲成本,还有期货保证金的折扣,收益率100%以上才有这个可能,这一定是偏高频的。


回到我们这个讲法,今天讨论低频,我觉得低频还是有潜力的。但是低频选不出来茅台是很尴尬的一件事情,你跟别人讲你的模型很牛,你茅台都选不出来,怎么牛,都没有选出来,你说什么基本面选股。我们看一下茅台,茅台的量化分析是怎么来分析。茅台股价涨了很多,1173,现在A股最贵的股票之一,一百股11万多。


这是我们做的时间序列的分析,2008年到2019年。这是茅台的Alpha,日Alpha,右边第一列之后右边这些列,它的Alpha也好,还有各个其他的因子的T值,无非是把茅台的股价,每天股价收益率分解成大盘能解释的,我们是用CSI,500,这是用00985,一个指数。我把茅台收益率分解成指数带来的,Beta,把低Beta和高Beta,分成成长性,这基本上是CN16的模型。什么意思?大家可能觉得这个东西,我们量化的人又在搞什么鬼,忽悠投资人,其实没有任何意思。


茅台首先有没有超额收益,非常好,每天有1%,0.1%。每天的千亿Alpha,超额是多少?年化,那就是百分之30%,所以茅台的Alpha非常显著,每天1%,平均过去12年。但是这个股票是不是价值股,它并不是价值股?为什么呢?它的价值,它是负的显著率,是根据barra做出来的综合价值的股票。你一块净资产,股价越低就是价值股。换句话说,茅台是不是价值股,怎么判断呢?把全市场股票根据市净率分成价值股和成长股,市净率低就是价值股,这是barra的定义,barra定义价值股是根据价值来算,一块钱净资产或者利润,估值越低就是价值股。判断茅台是跟着估值比较低的股票同涨同跌,还是估值比较高的股票同涨同跌。如果这样看的话,茅台是完完全全的成长股,因为是负2.9。是不便宜的,茅台的PE可能是30倍,13倍的PE。按照这个维度算,怎么都是部分价值股,价值股是钢铁银行。根据每个行业做调整。


我这做的barra的归因,把风格因子解释茅台的股价,这里没有放行业,barra里面还有行业归因,因为茅台占白酒行业的30%,你把行业放进去收益变成0%,因为这就是行业,五粮液百分之十几。如果把行业收益率放进去,完全可以解释。把行业去除掉,因为占比太大。只用风格因子来解释,它是什么风格呢?低Beta,低杠杆,低流动性,高盈利率,高残差波动率,市值大,非线性市值低,高估值的公司。它是成长股,并不是传统意义上讲的价值股。如果把价值认为是估值的话,估值高成长股,估值低价值股。假如是这样的定义,那它是成长股,因为它PB不低。传统的多因子模型选不出来,这是估值。但是它是非常好的一个赚钱,T值20,相当惊人。也就是说它的利润非常好,ROA、ROE非常好。这个公司是非常赚钱的公司,但是估值不低。


传统多因子模型里面既有估值,也有利润,所以估值挑不出来,利润那个指标会挑出来,因为利润特别好,但是估值挑不出来,因为我们都是买估值低的。多因子模型里面有一个是买估值低的,所以很难挑出来。另外一个什么问题?这个公司总的来说是成长股,但是有三年,这三年是2013年、2014年、2015年,它的估值是正的,也就是说有三年是价值股,之后因为估值过高被归为成长股了。


我们面对一个问题是,你的模型能不能挑出茅台,我们的答案是挑不出来。因为Alpha平均是千一,T值是3.22,非常好。但是如果按照年度来做,整个12年,只有大概三年是显著的,2011年Alpha的T值是1.7,2016年T值2.91,2019年是2.5。其他的年份按照统一分析的方法它不显著,这就尴尬了。不显著是什么意思?首先T值2要求不高,因为日收益率,你每年有250个点在这做算T值,你都不显著,那是有问题的。什么意思?它虽然有超额Alpha,但是它Alpha不是线性往上走,很多年份是涨涨跌跌,所以你要说统计分析,因为我们做Alpha模型,过去三年数据做一下分析,你能不能发现这个股票,这个因子是怎样的,你会发现这个公司它总的做下来好多年不显著,这个不显著就回到巴菲特的评论,你为什么要关注波动呢?波动率大,T值就下来了。巴菲特的想法是你拿了股票长期持有,但是即便茅台也有波动,使统计不显著,所以我们挑不出来茅台,这是我们尴尬的情况。


它本质上是一个利润非常好的公司,但是估值不便宜,同时它的Alpha很显著,但是这个显著的Alpha在十几年当中三年显著,其他不显著,甚至2012年是负的,这是茅台的基本情况。


有没有什么未来的一些展望?茅台挑不出来,量化模型,多因子模型一定有非常大的局限性,因为很明显大家都觉得这个股票好,海康卫视这些,你怎么都挑不出来,这是非常尴尬。


有没有一些可能的思考领域。第一步当然是数据的清洗和整理,这个在中国的市场可能重要性尤其高,中国造假可能厉害,财务数据不可靠。你垃圾进去,垃圾出来,这是有可能的,数据清洗。预测期间的调整,这是什么意思?如果我们去读学术论文或者是研究券商年报的话,经常都是预测未来一个月的收益率,比如说我用过去三年的数据,找了一个因子,这个因子每个月月底算一下,预测下一个月的收益率,它有三千个股票,横截面预测,根据这个因子预测下个月的数据,有三十多个数据,变成36个预测,相当于赌了36次,成功几次。所以它是预测周期一个月,问题就带来了你有可能抓不住长期大牛股。


原因是什么呢?因为你看茅台它股价的走势,其实大概在2015年之前,它没有什么特别好的,还可以。它真正涨幅涨的比较凶的是那两三年,所以你用历史数据来回测,你找不出它来,比如说它十年的大牛股真正爆发也就那么两三年,不是每个月平均在涨,这就尴尬了。我们这边预测周期是一个月,按照月平来算,很多是不赚钱的,只有那么几年的月份。所以这个预测周期可能就是错的,你要找这种长期的牛股,预测一个月的收益率,然后用统计的显著性来检验,那就是错的,根本没有办法找到这种公司。这个框架就是错的,不能怪我们找不出来茅台,它就不在这里面。假如120个月,只有36个月特别牛,另外76个月不显著,这算不算牛股呢?如果剩下36个月涨的非常多也算牛股,但是多因子模型是按照一个月一个月来算,所以找不出来。


第三个,因子评价指标。因子过来,比如说IC,比如说你市净率拉一下看你的IC。IC就是一个线性的相关性,比如说我按照利润,三千股票按照利润排序,然后把下个月的收益率放在这,利润的排序和收益率排序做一个相关性。但是这个问题就是说很多因子可能是非线性的,这个里面就有问题了,可能抓不出来,那就涉及到机器学习可能的改进。


作为一个,可能比较狂野的想法。那就已经不是量化了,目前为止我们讨论的量化都是只有历史上发生过,我们找出来这个规律才是我们决策的依据。主观投资的让不是这样的,主观投资是根据逻辑来的,历史上没有发生过,但是我根据逻辑判断未来怎么样,所以这是一个很大的变化。量化回测是什么呢?如果十个人从三楼跳下去,六个人没死,四个人死了,统计上不会死。主动选股根据逻辑,说我这两天肯定会死,不用回测,跳下去就会死。另外一种是基于逻辑的回测,不能叫回测,其实蛮多公司也在实践这个做法,我们也看到包括做基本面分析的框架。


基于逻辑的回测,比如说FengLiu,他是野路子,但是业绩牛,他一个人管一百多亿。他是主动选股,但是要看主动选股的框架跟多因子模型选股框架非常像,质量成长等等这些因素考虑进去,但是不回测,是基于信念的。我看下来这么深入的分析,按照这个框架分析下来,它就是一个好股票,我就买入,这个有点夸张,不知道这个做法,基于逻辑的回测,我不做回测,因为没有用,三年数据回测下来,好不容易有一个结果,逻辑变了,白回测。慢慢变成不是量化了,就是往主动选股。


数据清洗。举个简单例子,数据还是很重要的,厦门国贸,市值一百多亿。如果东方财富,后来有人指出这是PC版,手机版不一样。东方财富找出厦门国贸来,它有一个指标叫市净率,我是9月份截的屏,9月下旬。MRQ,9月份的MRQ应该是6月底,根据6月底的净资产和当天的股价,算出PV。这个公司0.6,深度价值,一块钱的净资产股价六毛,那不是套利机会吗?吉林熬东持有广发证券17%的股份,理论上讲把广东证券整个市值乘17%,跟吉林熬东…去比,其实差不多。如果广发证券乘17%它的价值高于吉林熬东的话…,那是非常大的定价的扭曲了,因为它持有的金融资产,长期股票投资价值就高于这个公司的市场价值。理论上讲你可以把吉林熬东…买下来,分红,然后把持有的广发证券的股份分给股东,做股息,实际上可以做的,但是操作难度很大,要全买下来或者控制下来。


这个公司市净率0.6大家说很低。但是很明显,脱离了行业来看市净率就是耍流氓,不看行业是没有意义的。所有的信息终端包括东方财富、万德都贴心的把行业列出来,行业平均值0.76、0.48,还是价值股吗?即使跟同业比,还是价值股,因为不同的公司不同的行业市净率不可比,互联网行业腾讯十几倍,互联网行业都没有资产,十几倍。重资产的一倍。所以这个公司即使跟行业比,也是偏低的,如果你是做量化模型的,肯定是把它选进去,深度价值,0.6减行业平均1.48,显著低估。当然0.6不可能的,市净率0.6,这是东方财富算错了,为什么算错呢?


这是特别简单的事情,市净率就是每股股价除每股净资产,但是如果这样有可能严重失真,原因是股价,这里面有好多指标,一个是市净率,每股净资产里面,这个公司有一个非常大的情况,它259亿的所有者权益,其中撇开24.6亿的少数股东权益,其次要减去其他权益工具,少数股东权益它的资产不属于母公司股东的,跟厦门国贸没有什么关系,是控股子公司下面少数股东所拥有的。还要减去什么呢?这个公司之所以失真就是两百三十亿,总的所有者权益里面有一百一十几亿的永续债。它是一个债券,但是永不还本,或者还本期很长。但是会计账是作为权益处理的,这就有意思了。东方财富显然没有把永续债剔除到,当做权益了,的确在权益里面汇报出来,但是不属于股东。240亿减110亿的永续债,剩下的一算,市净率1.1。当然还是比行业低,行业是1.4,但是远没有到你这个模型,如果你是量化模型跑这个公司买入,因为市净率低,问题就来了。


市盈率同样失真,为什么?这个公司15个亿的净利润,扣除掉少数股东利润,规模利润大概13个亿,里面永续债3个亿的利息,是在税后扣除,像优先股股息一样,因为要做权益。净利润里面扣利息和财务费用,但是没有扣永续债的利息费用,13个里面有3亿还要给到永续债的持有人。你算市盈率,也是被低估了。因为你用13亿在算,其实要用10亿来算。严重失真,一算很便宜,量化模型告诉你赶紧买。


万德算的是对的,因为它有200多亿里面有110亿是永续债。当然做学术研究的时候,都很严谨的,要把所有的权益拿来减其他的权益,分子分母要匹配。分子是每股股价,分母是母公司股东对应的资产。它是错的。


你要做很多调整的话,可以改善基础因子。这做了很多调整,里面有一些调整是作弊,不光是简单的财务调整。比如说刚才永续债的调整,商誉的调整,商誉算市净率要不要算依据,商誉里面水分很大。商誉要不要调整,长期股权投资怎么调整,你今天要持有广发证券,广发证券的体量是它的S很多倍,本身就是券商,公司15个亿的利润,10个亿来自于投资收益,这个怎么看。所以要做很多调整的话,其实我觉得这里面还有很多工作可以做,做数据的清洗整理,仔细做好,会有一个提升的空间。举个例子,PB怎么来做。


再看一个例子。这个例子大家应该都熟悉吧,雏鹰现在已经退市了,现在股价零。当然去年比较出名的是它用火腿肠来给利息、债券,没有钱还本付息,用它的存货也就是火腿肠。个人投资者拿到还可以,公募基金拿到怎么办,怎么处理。它当时比较出名,用火腿肠来偿还债券的利息和本金。这是雏鹰农牧,现在已经退市了。


我们看这个公司有意思在什么地方?这个公司券商给的强烈买入,这是2017年5月份,当时的股价是5月份,招商证券给的目标价是7块2到8块2。因为公司比较小,覆盖的分析师不多。当时是5块钱,目标价是7块2到8,一年之后跌到一块多,两年之后变成零了。这个公司是比较典型的,事后看起来是大雷,很可惜,因为2019年本来应该是猪的牛市。去年拿到火腿肠的债券持有人其实是赚了,猪肉价格涨了40%,其实是好事,结果它倒在了周期的最顶峰。其他的几个猪肉股都很好,就它给退市了。


招商也好,民生证券也好,券商买入的原因是什么?原因就在于商业模式创新。叫做养猪3.0,量化模型1.0、2.0、3.0。大家都说3.0时代,我们赶紧大跃进到5.0时代。养猪3.0是什么模式呢?根据招商证券的年报,公司是养猪的公司,但是猪圈由合作方盖,它不盖猪圈。养猪由农民养,不是它的员工,它是轻资产公司,上市公司有牌照,提供综合性服务,比如说给猪打疫苗,干点这种服务,平时就是收钱,有点像阿里巴巴的平台,它是平台。1.0时代很土的,0.0时代更土,老老实实养猪,自己盖猪圈,自己雇人,都是自己干。3.0它是一个平台,猪圈是别人的,养猪的农民是别人的,跟它没关系,它就是收租金就可以了,收管理费。这当然看上去很好,看财务指标,因为是轻资产,没有折旧,营业收入、毛利什么的,就是收中间的,看上去很好。这也是招商证券给它买入评级的重要原因,从重资产变成轻资产,谁都想做苹果这样的,苹果没有资产,就是几千亿美元的现金,它没有工厂,都是富士康在生产,苹果没有什么资产,存货也很少,轻资产,所以它想做轻资产。


轻资产没有问题,招商证券、民生证券都是给买入评级。叫做穿越猪周期,因为它没有猪圈,猪圈是重资产,猪肉价格下跌,猪圈折旧费用就直接影响你的利润。换句话说你的亏损是实实在在,因为你当初投了这个猪圈。轻资产的好处是,猪圈是别人的,猪价再跌跟我没有关系,我也不需要折旧,所以穿越猪周期。听上去非常美好,但是大家觉得什么地方不对,为什么有人愿意替它盖猪圈?猪圈是重资产,并且是周期性行业,重资产为什么有人愿意其盖,猪圈又不是通用性资产,不是养了猪干上房地产,它不是通用性资产,就是猪圈。为什么有人愿意大规模帮助他们盖猪圈,他们养的猪是数量很大的,为什么有人愿意盖猪圈。评级机构也没有抓出来,评级机构直到事情出来之后,在略微做了调整,联合信用评级。


总的看来,中介机构都没有抓出来。这里面中介机构是故意没有抓出来,还是能力不行,这我不知道,我觉得很有可能各种原因,不一定是能力不行。但是事实情况就是从五块钱跌到零,券商一直在里面给它强烈买入。你仔细看一下的话,这里面的细节,如果是一个基本面分析的人会想到一个很奇怪的问题,为什么有人给它盖猪圈。原因是2015年它宣布养猪3.0战略,2015年的年报就把猪圈转出去了,叫做持有代售。增量是别人盖,存量转出去,因为要变成轻资产。所以持有代售11.5亿的猪圈,一旦变成持有代售不需要变成折旧,我准备卖掉了。但是为什么有人愿意十几个亿买它的猪圈,这是很奇葩的事情,重资产,为什么呢?原因是你仔细看一下它有一个担保,这些资金都是来自于银行,第三方没钱,谁会有十几个亿资金接盘,银行借钱,银行为什么愿意借钱给这个公司买猪圈,原因是雏鹰农牧担保。担保要不要进资产负债表?不一定,这是或有负债,不一定要进表,只要披露就可以了。什么时候进表呢?要满足条件满足预计负债。结果这个是一个表外的负债,其实不是负债,就是一个担保,担保是一个获负债,只要对方按时还钱,是没有负债的。这是15个亿。2014年之前包括2014年担保是0,2015年变成15个亿,要这么看的话,这个公司其实所谓3.0是假的,因为这十几个亿的猪圈还在它的身上,穿越猪周期没有实现。15个亿还是它的资产,其实所谓的轻资产运作没有实现,如果这样判断的话,各种财务指标都是失真的,要把十几个亿的猪圈拿回来。


这么做,基本面分析的人是可以做出来的,量化模型做不到。首先15个亿数据能不能拿到,答案是就在附注里面。能不能拿到?万德、东方财富直接提供好了,瞬间就可以看到。但是这个模型里面有没有把担保考虑进去?更重要的是担保和3.0模式,你有没有串起来,如果做量化模型是割裂的,本金担保增加15个亿,根据历史回测,担保增加对股票收益率没有影响,这是历史回测的数据,因为是割裂的,只看担保这一个维度。但是这个情况下,如果是一个人分析的话,这个公司3.0战略是轻资产,但是因为担保没有实现这个战略。


金融科技也好,量化投资也好,最难是从数据变成知识,变成智慧,变成结果,变成结论。我们现在只是数据变成知识,但是没有变成智慧。这边一个3.0,这边有一个担保,一对,好像有问题。都是变成零零碎碎的维度,担保归担保,营收归营收,单独去做,没有串起来,永远做不到人的智慧。人是有智慧,这几个东西串起来,好像不太正常,为什么有人愿意十几个亿买猪圈,这就是最大的问题,目前这个模型太肤浅。这时主动管理的人,深入思考这件事情,目前量化是做不到。机器学习能不能做到?有可能,但是我很怀疑,因为历史上没有多少人把猪圈转出去,借了15个亿的担保,如果有这样的情况,机器一学发现这个有问题,历史上没有人做这个模式,机器学习我认为学不出来。这更多是基于这个逻辑,这个逻辑是什么呢?猪圈是个特殊性资产,它把猪圈卖出去,实现轻资产,各种财务指标都好看了,但是有15亿担保迅速增加,我想了一下觉得这不靠谱,但是这个模型,量化模型现在想不出来,这就是我们尴尬的情况。主动管理会不会被量化替代掉,我觉得至少短期很难,尤其α很好的情况下,很难。如果主动管理的人深挖放在里面,可能慢慢做量化,但是里面有很多东西量化模型抓不出来。


我们一直喜欢看雏鹰农牧,这个公司现在是退市了,之前这个故事讲的特别漂亮。再看它的目标,可能有两个蛮重要的,一个是前瞻,一个是科技。量化模型最大的问题是基于历史数据找规律,没有前瞻能力,不知道没有发生的情况怎么样,所谓黑天鹅,都不需要叫黑天鹅这么严肃的名字,就是历史上没有发生过的,你就学不来,只能基于逻辑。基于逻辑没有问题,但是没有办法回测,按照现有的量化框架又进不来这个模型,那不是死循环码?一个前瞻性、可解释性,可解释性很重要,基本面投资特别强调可解释性,你为什么?就是把这个故事讲清楚。


一些需要量化的指标,这可以写很长。现在比如说护城河,言必谈护城河,赛道是另外一个名词,你的赛道是什么,搞的很尴尬。现在大家互相见面就是你最近搞什么赛道,赛道是一个特别热的词。赋能,最近给谁赋能了。护城河,这是量化投资里面特别喜欢讲,基本面投资特别喜欢讲,你护城河有多深,你护城河很深,别人拿你没有办法。护城河怎么衡量这是一个问题,现在常见的做法,毛利率,毛利率高说明你牛,我一降价它就废了。但是毛利率显然是非常粗糙的指标,护城河怎么衡量?这是基本面投资特别强调的东西。我们有同学写论文研究怎么衡量护城河。


再比如说获客成本的转化率。获客成本是很大一块,很多互联网企业获客成本非常高,但是按照现在的会计准则都是销售费用,但是其中有一部分是可以转化成顾客。按照现在的会计准则,企业成长越快亏的越多,因为销售费用很高。这怎么转化成一个可以建模的财务的东西,比如说顾客粘性,这个东西怎么衡量出来。有人一直说有一个逻辑,新东方为什么不行呢?为什么学而思,好未来好,我们有同学投资好未来,不投资新东方,他的逻辑很简单,说新东方是教大学生英语,教完这部分人都出国了,没有粘性。好未来是从一年级开始,从学前班开始,一到十二年级,足够高的重复率。粘性也好,重复率也好,这是基本面投资要看的。这种东西在量化里面体现不出来,那很痛苦。这个逻辑怎么放进来,预期差,管理层质量。赋能没有放,赛道也没有放,你的赛道,见面问你,最近在忙什么赛道。


总的来说,我觉得量化基本面潜力还是有的,但是最大的好处是其实它跟价量指标比起来,投资逻辑比较明晰,我至少可以讲出来。如果做传统的基本面因子的话,还可以讲出来。可以讲现金流和净利润背离,所以看空。跟投资人讲,有道理,现金流跟不上利润,在造假,这是挺好的。价量指标完全讲不出来,还有一个信号衰减速度更慢,因为低频。当然因为它容量大,能够容纳的参与机构高,现在高频过去五个月已经开始明显有一些头部机构过去五个月收益不行,因为它成交量放在这,一个是成交量一个是波动率,没有波动就没有日内的机会,日间波动率下来,没有机会了,换手率低,容量大。总的来说我们非常看好这个赛道,这个赛道非常好,基本面量化了,但是这里面就涉及到怎么来做,怎么做说实话我也不知道,刚才给了一些猜想。更狂野的猜想就是基于逻辑的,那已经不是量化了,至少不是传统意义上的量化,但是我觉得也是可行的,如果按照四个大的因子,每个里面放一百个跟踪指标,我总共四百个指标跟踪这个公司来分析,虽然不是量化回测,我好像也还是蛮有信心的,四百个,我这也是量化,但是不是回测的量化,我不回测,我基于我的信心和信仰。


总的来说,应该还是有潜力的,只是看怎么做。这有一篇文章是MIT的两个人,他们用量化模型做一级市场投资,这个让我很吃惊。VC投资用量化模型来做,我很难想象这也能成功。你越是早期的投资,基本上是一个狂想曲,对未来的宏观判断还是,对商业模式的判断,他们用量化模型来做,效果怎么样我不知道,他们找了很多VC界的数据,然后做了一些量化模型的投资策略,一级市场。我想一级市场都可以量化,那二级市场总还是有希望的。


这是我们今天的分享。


学员:第一,刚才您开始说私募基金差不多平均收益率在8%以上,但是我看了两个指数,一个是沪深300,一个是中证500,尤其是中证500差不多在百分之七点几。这里面您的结论是私募基金是超越了,收益率是可以值得投资,超越了。但是我的观点有所不同,第一是指数就譬如说我们拿中证500来说,指数的话它第一是,如果是股指期货有一个杠杆作用,如果它放一倍的杠杆,那么如果它的收益率维持长期的话,会远远超越私募基金的平均收益率。同时您在说结论的时候,还有一个基差的问题,现在中证500如果远期合约的话,差不多有4%的基差。这样4%的基差,如果再算上,因为基差毕竟到时候有一个回归期限。那么这个4%的收益率,这样的话可以说是远远超越了平均的私募收益率。


第二,刚才讨论价值和成长,我个人感觉时间的维度,应该把这个加进去。多长的时间看价值和增长,如果是基本面投资的话,总体它的价值和成长,企业看基本面,它是有一个时间需要体现。传统的做法,譬如说看美国的股市,美国有超过一百年的企业,真正的大牛股,平均的ROE,基本上都在15%,会长期成为一个大牛股。而中国的我统计了一下,前十年ROE平均超过15%,连续超过15%的公司,差不多有32家,这32家全都是大牛股。而且只要你,不管你是在时间维度上,任何的一个高点,如果你买了,可能在一年当中你买在一个高点上,但是少则三年,多则五年,这个股价肯定会创新高,我个人感觉现在如果用PB或者PE这样一个简单的二维基本面的量化,是不是有所欠缺,可能要看一下ROE,能不能放在五年的时间维度,同时关注现金流的指标。


李峰:你买股值期货之外,你还可以便宜买到它,那肯定是。我的意思还是收益率和波动的权衡,如果可以放杠杆,比如私募基金对冲之后也可以放杠杆,但是只是做不到,从数字商来说还是可以,但是要买股值期货,买额外的收益,那肯定是。应该来说基差应该不是一个永续现象,中间就消失了。刚才讲回测的框架,是拿三年五年的收益率做一个,短期一年回测很大,因为买在高点了,但是三五年还是一个很好的选股体系。至少目前很多多因子选股的模型不是这么做的,不用三年五年的时间周期来做,就是一个月,是不停在这样做回测。三年收益率很好,但是其中主要来自于六个月,那剩下的30个月,和这6个月加在一起,统计显著性没了。这是目前多因模型的一个比较大的问题。

    

学员:您是用价格的量化还是基本面量化,如果是价格的量化,因为您刚才茅台也是用了一个月的,8月份一个月的数据,但是如果看茅台的长期指标,它的收入,其实真正股价涨一百多倍的理由,从起始点超过一百多倍,利润也是增长了一百多倍,这样股票价才反映基本面的价值。而且茅台我个人感觉,它上市以来从来负责涨停,也没有跌停。其实任何一个客户如果你愿意持有茅台,你任何机会可以买进,任何机会可以卖出,提供了非常好的流动性,这其实是一个非常好的投资标的。


李峰:问题是现在的茅台是哪一个。我们的结论,这是一个非常好的赛道,低频量化是非常好的赛道。谢谢大家。


华软新动力资产董事长兼总经理、上海交大中国证券私募投资研究中心理事徐以升做了题为《对A股量化投资发展的一点思考》的主题演讲。


(华软新动力资产董事长兼总经理、上海交大中国证券私募投资研究中心理事徐以升)


徐以升:特别荣幸有机会在高金和大家做一个主题分享,刚刚赵羲老师讲我是2013年、2014年左右读的高金的EMBA,读完以后就出来做这家公司了,非常正相关的。在高金的学习收获非常多,包括今天上午听李峰老师演讲,李峰老师也是量化的从业者,低频或者基本面方面的量化投资做的非常好,框架做的非常完整。


今天报告的题目是对A股,股票市场量化投资发展的思考。原因是我们公司目前所聚焦的领域就在量化投资这个方向上,别的领域现在覆盖比较少,看这个领域有什么空间和机会。我们有50亿左右的总规模,覆盖的是国内交易金融资产领域的量化策略,包括量化的股票,量化的商品和衍生品。量化的商品和衍生品,主要是期货和期权,这个头寸是十多亿,其他的头寸都是在量化领域。尤其是FOF机构有一定的甲方性质,我们对有条件的能够从行业角度多做一点观察,看有没有可能做一点贡献。


对量化投资的思考,谈一点我们对行业发展阶段的认识,发展到今天这个阶段,行业面临什么样的情况,最后简单谈一点体会和展望。实际上A股的量化在股指期货出来,前几年就很多了,在2015年的8月份,也就是股指期货限仓的时候,量化这个行业的总规模可能都高于今天。我们这几年很繁荣,但其实可能依然没有超过2015年当时行业,当时三前亿应该没问题。现在我们估算可能股票量化的行业股票也就是2500亿左右。我们曾经已经有一个很繁荣的规模或者说一个历史,在当时那个阶段,应该说是2016年之前,因为股指期货在2015年8月份限仓之后,基差变的很深,也跟市场结构或者节奏有关。基差很深以后,一些粗糙的做法就比较难以战胜基差,因此创造收益的能力在下降。在这之前,其实我们说牛市的行情里面,当时股指期货是升水,升水可以额外创造一个期限的利润,套现的利润,加上α的利润就是躺赚,那时候不需要精细化的做法就可以赚到非常高的利润,甚至可以加杠杆做利润,当时1:4的杠杆是很普通。但是很多家公司在银行拿优先杠杆资金,在市场上做了大量规模。

 

当时的底层我们说是以传统的多因子策略为主的这样一个类型。很多人回溯到以前说2014年的12月份,所谓的行业回撤,其实也是因为简单的做法,你买入小票然后卖空300这样的大的指数,它内在的这种结构性差异,就会在市场发生风格变化的时候,给你带来风格的回撤。这些相对简单的做法,其实是维系了很长一段时间。什么样的市场环境推动市场进化呢?2016年全年的深基差,加上2015年包括大家对监管去杠杆很多因素之后,2016年行业规模持续萎缩,尤其是杠杆资金的规模结束掉了。


大家需要战胜基差,需要创新,才能有条件生存,所谓到了第二个阶段。从2016年到2017年上半年其实都是探索转型的阶段。2016年因为基差比较深,但是市场结构比较好,2016年市场α超息比较好做。但是到2017年上半年,所谓雄安的行情和蓝筹开始发起的一九行情,那种情况下量化持仓数量非常分散,不可能跑赢指数,跑赢指数开始对行业传统做法。过去的一些做法,2017年之前的做法产生出一些修正,需要有一种更好的创新来适应市场节奏。所以在2017年的5月份开始,市场就开始进入了我们所理解的新的历史性阶段。以2017年5月25号,我们公司有一个投委会,我们开始超配α。2016年CTA很赚钱,我们公司赚的钱主要也是CTA赚的钱,基差那么深也没有胆量配量化对冲。


2017年下半年开始,我们今天所理解到的一些量价类的α策略,在那时候开始繁荣兴起,今天是两年多的时间,这两年半的时间繁荣到什么程度呢?就是有很多家量价类机构,容量达到满容量,一百亿这样的容量。这个图红色的线是典型的,只是代表一家,符合这个阶段特征的量价类策略的业绩,蓝色的线是沪深300,黄色线是私募排排的行业指数,综合的数据比较多。我们找到一个典型的量价,大家可以看到属于我们那种甲方,要么赚钱,要么不亏钱,绝对收益又高,符合这种情况。这个阶段实际上是繁荣的程度我们可以用行业规模来看,在第一个阶段达到过两三千亿的规模,但是到了2017年的时候,量化股票行业的总规模三五百亿,行业规模收缩的非常厉害,除了一些最忠诚的投资人之外,行业规模收缩的非常厉害。


从三五百亿到今天量化股票行业重新超过两千亿的规模,到两千三五百亿的规模,主要是这个策略类型给这个市场创造的贡献。这两年其实是很难的两年,是因为其他的金融资产类型,比如说P2P,比如说定增,比如说新三板,比如说非标或者债权类的很多资产,很多规模是收缩的。但是在很多金融资产收缩的历史的两年,尤其是去杠杆的两年,2018年去杠杆整体的年份,量化类的股票这种行业规模能够从三五百亿涨到两千三五百亿,我们觉得给甲方,给市场委托人创造了非常好的新资产类型。这个资产类型实际上跟过去两年的蓝筹股票一样,成为了核心资产。


它的特点是什么呢?换手率更高,所谓量价类因子,价格和成交量,它有很多信息是和传统的基本面多因子的选股逻辑不一样的,先选股后风控。过去可能有逻辑去做。量价类也是有逻辑的,比如说散户讲的大单买入,这都是量价类的逻辑。什么叫大?什么时间卖入?什么时间段?都可以通过统计,通过历史回溯,找到因子规律,进行这个方向的投资。


2017年的6月到2018年的6月,这一年其实非常黄金的一年,这一年这个曲线里面的直接没有停过,每个月都在赚钱的一年。从2018年6月份开始,我们认为这个历史阶段就开始受到新的挑战。什么挑战呢?我们说今天成交量低,从什么时候开始的呢?从2018年6月份开始。2018年下半年开始,中国A股市场出现流动性分化,出现行业波动率下降,出现行业的成交低迷这样的现象。所以我们其实已经可以看到在2018年的下半年的时候,其实已经有几个月时间开始不赚钱,这种不赚钱就开始对行业的策略产生挑战。


后来为什么又赚钱了呢?就是因为今年的2月份到5月份,我们没有想到会出现一个成交量重新到万亿,然后波动率很高,市场很亢奋,甚至有人以为到四千点,这样的一个三个月的时间。这三个月几乎所有人都赚钱,所有的策略类型都赚钱,这个类型也赚钱。但是客观讲,5月份之后,到今天,可能又有小半年的时间了,这个类型也开始受到挑战,也开始不怎么赚钱。我们用一个长时间周期来看,2018年6月份到今天,可能有16个月,可能累计赚钱的时间比较短,可能只有几个月份。其实我们讲这种情况就意味着这个策略类型也在受到挑战,受到挑战市场需要进一步进化、创新、迭代,才能适应新的市场环境,这也是我们所讲的今天的,大家今天讲到的高频类策略、日内策略、T0策略,主要是2018年下半年这样的市场环境,市场挑战,给市场带来的新的创新的推动力。


就是因为流动性和波动率的下降,导致传统的量价类策略也不赚钱。不赚钱的程度达到了十几个月里面十个月不赚钱,幅度非常高,不是我们理解的高夏普,高胜率的策略,有点脉冲的性质,这种类型挑战就很大。市场往什么方向进一步创新呢?市场出现了更高频的量价因子,我过去可能是按周、天,现在可能按分钟、小时,更高频的量价因子,同时有很多机器学习,在交易上更深入的方法交易等等形成了市场创新的一些新的方向。同时大家会提高股票数量的持有,原来可能持仓两三百、三四百支,可能现在一千三四百支都有,市场策略类型又进行了很重大的跳跃。也包括一些T0类的策略,所谓T0策略,就是我到日末的时候,持仓还原,我在日内交易一次,赚取到交易利润,我持仓没有什么利润也可以,我赚取交易利润。这些类型探索,成为了今天这个市场上主流的。那这个主流方向有什么特点呢?这个创新是有价值的,在过去半年里面是能够赚钱的。过去半年A股环境里面做量化能够赚钱是非常难的。半年有多长呢?中国A股已经是两个长期,我读书的时候三到五年是长期,我体会三到五个月是长期。如果半年就两个长期,两个长期就是超长期,在超长期里面能够赚钱,或者有的类型在过去半年超长期里面不赚钱,就给了这个市场很大的分化。这种分化推动这个市场进一步前进,同时也给我们这种FOF机构,或者说甲方机构,带来需要我们共同进步的地方。这三个地方简单说了一下,这么几年以来。


我们可以看到一个现象,市场创新迭代的速度非常快,1.0的时期可能有五年这样的时间,2.0有两年这样的时间,3.0时期可能有一年这样的时间。为什么有一年这样的时间呢?其实10月份也不赚钱,高频也不赚钱。很难,中国的知识扩增太快了,有一个因子可以赚钱,会发现很快就不赚钱了,跟很多方面有关。


后面我们来说一下行业有什么更多,刚才其实已经讲了行业的规模问题。从500到2000,这是很正常的。我们来谈量化行业发展的背景,或者发展的展望,首先要看市场的结构。市场的结构大概可以把市场分成三部分资金,第一部分散户资金,第二,量化机构,第三非量化机构。按照长期统计会发现散户持续贡献,持续亏钱,持续贡献可获得利润。非量化类机构,分母非常大,包括大量的机构分母非常大,但是获取的总利润不是那么高。量化类机构,分母不大,我只有两千多亿,但是获取的利润比例比较高。大概就是这样一个结构。


我们按照这个结构,我们需要研究量化机构的两个对手方,一个是非量化机构,一个是散户,这样才能整体看待这个市场的基本格局。我们简单来看所谓非量化类机构的增量的变化地方,这两年外资的进入。上午的时候李峰老师讲到这一点,外资的持续流入非常充分,而且你会看他们买的票很好。或者说,有一个收获的过程,因为他买了或者股票更好,或者说股票很好所以他买了,但是结果是很好,相互的。它自己有一个MSCI指数,现在也开始延伸到创业板。


可以看到一个什么现象呢?因为这种,比如说我们用外资持仓占全市场市值的话,比例还不高。但是如果占可流通股,其实有的股份表面上可流通,实际上也不会流通的。如果你去用一个更小的分母比的话,其实外资占的股份比例变的更高了。有个别的股票可能我们体会达到30以上,甚至更高的水平。这种就显著改变了股票的定价逻辑,我们会谈到它的结果,沪深300变的越来越有效,有效的意思就是你很难跑赢它,无论是散户自己跑赢,还是主观基金跑赢,还是量化基金跑赢,大家跑赢300的难度都上升了。是因为市场内在结构发生了结构性变化,发生结构性变化的时候,就不要看历史的周期数据,其实现在这种结构性变化非常充分。


我们看第一点,机构化。第二,看散户。什么是散户呢?不好定义,我们把市场上的小单定义为散户,只是我们粗浅的,不是学术意义上的观察。结果就是散户变的聪明,这两年以来持续。我们看右边这个图,我们用散户净流入跟股票走势做一个相关,向下的时候是2015年,2015年、2016年。散户的净流入很高的时候,过去跟市场有一定负相关的关系,那这个关系其实就意味着在输钱。但是可以看到这两年,在0以上,那两个结论,第一散户变聪明了,第二有聪明的钱伪装成散户。这两个结论都存在,第一点散户变的聪明,现在很多交易的老人变的很少,很多年轻人在交易。但是中国我们说大学的入学率,散户受教育总体程度都是上升的,而且现在知识扩散的程度很快,知乎、微信,不是说买指数,降低散户利润最好的方式,可以看到这种结果,存量博弈里面散户创造的利润空间我认为总体是在减少的,而且现在市场上有大量套利类或者T0类的交易,变成小单。


如果你用这种逻辑去定义和定量的话,那就看不怎么出来。我们可以讲聪明的资金伪装成了散户。包括我们所说左边这个,中国的总体交易者,质量和净利润,ROE,很多指标,因子收益上升,这是市场有效性的表现。什么叫市场有效?该涨的涨,该跌的跌。这种股票属于该涨的,它涨,那就很有效,只要你市场有效,你超额的空间总体就下降。


我们可以看到这两张图我们理解,量化所生存的环境,这个土壤,这个总的分母是在稀薄。因此它的结论是什么呢?量化行业的行业性超额收益肯定是下降的。我作为甲方,我们自己体会必须充分接受这样的现实,量化行业的总体超额收益必然是下降的。这本身也有量化行业为这个市场所作的贡献,本身就是推动行业超额收益的下降,让市场有效性上升,这也是美股历史上的经验,今天美股超额收益的空间也已经非常低。


超额收益的下降对每个人是一样的,本身超额收益空间下降。无论是对于散户、主动管理基金、量化基金,大家是一样的。我们所面临的环境都是这样,因此主动管理基金你想跑赢指数是不是也在变难,大家可以统计,我们只是简单找了一家主观基金,我们2018年1月1号来统计,发现相比300没有超额。大家可以多找几家,尤其是现在中国的很多主观基金跟公募基金是不管理仓位,一直是满仓的,跟指数的匹配性也更好。


我的逻辑是说无论是自己买股票,还是委托给主动管理买股票,还是委托给量化管理买股票,我们有共同的目标就是跑赢指数,如果跑赢请买ETF。逻辑上来讲,大家可以看更多的数据,看看总体上自己统计一下大家跑赢指数的难度是在全行业上升的,不只是量化这个行业上升,而是大家都在上升。对量化行业来讲我跑赢指数的幅度在下降。


量化行业跑赢指数难度下降这件事,我们有很多指标来统计这个问题,展现这个问题,说明量化行业变的困难。有一些过去表现不错的因子收益出现衰减,过去可能这些因子可以用,现在可能没什么用处了。为什么没什么用处了呢?跟这些因子内涵的超额收益被别人赚走了。这里面有一些因子不是那么高频,什么叫不是那么高频的意思呢?我要持有这个股票两个星期,或者我要持有这个股票一个月,但是你会发现这个股票可能只有三天有超额收益,两个星期就没有了。因此如果你继续持有两周,你可能就是没有超额收益,或者超额收益幅度在下降。这点很符合A股的结构特征,我在不同场合讲过,自己可以统计A股的特征。你统计上一个交易日全市场跑赢中证500股票的个数,按照统计过去一个星期的个数,过去一个月、一个季度跑赢的个数,你会发现是持续下降的。2013年、2015年基本持平,这个股票在这一天、一个星期、一个月、一个季度都有超额收益。这一个星期有超额,这两个星期没有了,这一个月有超额,半年没有了,它跑赢指数只是比较短的时间。我们可以看到一些因子的衰减是比较厉害的,一些因子的衰减反过来讲我如果还用这些因子做量化,那我超额收益就下降了。


我们用一个更精细化一点的数据和信息来衡量量化行业的竞争和量化行业的超额收益的消耗。我们以量价类的策略,我们来统计今天的交易数据,今天交易数据有大量的量价类的数据,量价类的信息。有一种做法是什么呢?我今天一直到收盘运行完,到晚上,到凌晨,我来分析全市场。按照我的量价逻辑,把因子,把这个股票找出来。找出来之后,第二天上午的九点钟,九点一刻,九点半我来进行交易,把我根据昨天量价类信号找到的股票,明天去交易。这是一种做法,这就是黄色的线。什么意思呢?因为我是明天交易,那我就是以这个股票第二天的成交均价作为基准,定义它的收益水平。


还有一个做法,今天交易日市场在运行,跑到下午的时候,我们就迫不及待的把当天的量价类信号去跑,跑到两点半,差不多了,今天的量价信号内涵的选股就选出来,不用等到今天收盘之后晚上去算,我在今天尾盘之前把今天量价信号内涵的选股信息买进去,今天买,而不是明天开盘买。我们就是以今天这个交易日的收盘价为基准,那我们做出这两个图。红色的线是以这个交易日的收盘价买进去,黄色的线是同样一个股票第二天的成交均价买进去。可以看到什么现象呢?2018年之后红色的线开始变的更好,到了往后一点,不只是更好的问题。它解释的是什么信息呢?就是这个市场上的α超额收益被消耗的更快的问题,第二天大家都在买这个股票。你晚执行一点点就没了。


如果这个市场竞争不激烈,超额收益消耗的没那么快呢?你晚执行一点其实没事,大家都说因子,是按照几天、几个交易日算,哪是一天就消耗完的,但是已经产生这种现象。这是非常典型代表了量价类逻辑里面市场竞争程度的提高,我们最好去买那个红的。我是甲方,如果有一个私募基金没有进化到那个红的,那我是不是要赎回了。这就是行业结构给从业产生的影响,这就非常快速。我们想这种信息是能够来论证为什么超额收益在下滑,这个点包含什么?第一要快,交易变的很重要。


现在再看一个,量价类行业另外一个竞争是什么呢?由于很多种因素,我们说包括流动性下降等等很多因素,大家的选股数量都行业性上升了,量化机构可能在2017年、2018年只持有三四百支股票,我股票池里面两三百支。五百到一千是中位数,全市场三千多支股票,量价类不会买特别小市值的股票,大家共同的股票池可能是两千支股票。选出750支,结果是不同逻辑,不同因子,不同策略类型的量化基金会选到同样的股票。不管你是什么因子选,最后选择到一个股票,那我们来衡量什么呢?衡量不同的量化机构的底层持仓的重合度,这是不是能衡量竞争。我们统计会发现,现在今天这种持仓重合度三十到六十,非常多。这两家合伙人都不认识的,但是他们底仓重合度五六十都有,重合度非常高。


我们把重合度当成一个客观现象,不管你有什么逻辑,什么因子,什么类型,选到了股票,到了今天上午开盘之前是不是回到同一个起跑线,一顿操作猛如虎,还是要一起竞争的。不管你的因子,你的逻辑,你有没有逻辑,我什么都不管,最后都选到一个股票。那竞争什么呢?就竞争你的交易能力,因为先买先卖的人受益,后买后卖的人给先买先卖的人抬轿子。很多股票就是一分钱、两分钱,你那个价格打上去可能就没有超额收益了。现在这个市场的α分成看得见的α和拿得到的α。什么叫看得见呢?我量化选股策略很好,我依托于今天的数据能够看到有α,但是到第二天我拿不出来,我交易不出来。那我们就同甲方来讲,我们愿意选什么呢?我们能够既看得到,又拿得到的数据。


我们把这个拿得到的过程,其实叫做交易执行,我们把它叫做交易α。因为交易能够产生α,选股是选股α。这两件事情实际上已经分开了,在我们的统计里面都分开了。这是我们的一个统计。


这个深红色的线是选股的α,这个红色的线是以买卖点的统计。什么叫买卖点呢?就是确定的这个股票,这个量化基金公司的买点和卖点的价格和收盘价相比,有没有好,明显它们家是好的。跟这个股票的全天交易均价是好的,我们会衡量这家机构就是有交易执行能力,它是正的。如果它是负的,有可能在这个市场竞争里面压力就会变大,难度就会上升。尤其是在市场流动性不好的时候,可能压力就会更大。这些其实就代表着这个市场进化的方向,我对甲方机构遴选的方向。我做甲方很难,我们已经变化了好几次了。


随着市场在前进,甲方对量化机构的选择,一步一步前进,一步一步用更新的逻辑选择这个市场的进化机构。当甲方也很困难,天天睡着觉,跟买主观基金差别太大了。主观基金最好三年不动,微信里面有一个表情图,最好的甲方是买了之后发现自己人生变的没有任何意义,整天躺沙发上,因为乙方天天在给你赚钱,做量化类投资甲方会非常辛苦。因为这个市场的进化,这个市场的变化,这个市场的创新太快了,甲方自己不小心,自己不进步,也会被淘汰,因为你投的基金赚不到钱,也没有意义。


我们有更多的指标来统计超额收益的下降,我们来看这边这个图。中国市场的基差水平在8到12,如果说甲方的收益要求是8个点,什么是8个点呢?就是信托的价格。假设你信任信托,你还买信托,你8个点。不说叫无风险收益,叫有风险的固定收益。折算量化达到满仓超额多少水平,跟信托一比差不多要24。你的满仓超额收益有24%乘0.8,然后减10个点的基差,大概等于10,扣费变成8。意思是什么?你24才具备商业价值,如果不到24就没有商业价值。


24就是每个月两个点,平均每个月两个点的超额。大家看这个黄色,其实只有5个月,这是从2018年6月份统计到今年10月份,15个月。15个月里面月度超额超过两个点就5个月。我们基准想每个月两个点,其实达到的难度是挺高的,挺难的。这里面是不同的量化类型,有日内T0,高频日内α,中型的量价基本面,还有低频的基本面。低频基本面年化20个点的超额收益,不代表行业,只是代表我们公司里面随便按照这几个类型找几个案例,不具备任何行业特征。高频的可能很高,但是大家可以看到一点,为什么最近心情不好,因为这个。这个红色的线,持平了好几个月,两三个月。这部分人不赚钱意味着什么,意味着没有什么希望了,就很困难,心情不好来源就是这个线。


刚才那个红色的线,中国宏观里面有句话说明年是过去几年最差的一年,是未来几年最好的一年。股票市场里面是什么,所过去的每一天都是最好的一天,因为未来有可能都会变差。高频类型里面的确会产生这样的现象,我们体会高频类的α未来会持续难度上升,原因就是套利者变的更多和更强,李峰老师讲的非常对,高收益和策略容量,有新的不可能三角,完全不可能,还要追求稳定。


我们参考外资机构进入期货高频领域以后,国内所有期货高频的交易机构都被淘汰掉了,很多比例被淘汰。高频领域也在产生分化,这是统计了很多家我们公司合作或者跟踪的一些高频α的策略。大家可以看到,后面几个月比较平,生存难度上升。


对于我们来讲,为什么今天的李峰老师讲的特别重要呢?在高频量化不赚钱的时候,黄色的线,这是从8月份到10月份三个月,没怎么赚钱。但是你发现基本面量化赚的很好,所以我们也讲市场不说回顾基本面,而是说对基本面的考量可能有了更多的价值。我们不说基本面量化的回归,至少说基本面量化的价值会被重新认识。我们公司里面也有基本面量化的配置,虽然配置不高,但是也有这方面的配置。我们对基本面量化也有一点体会,要注重市场本身的结构性因素。这种结构性因素是蓝筹的行情,消费、蓝筹这样的行情。但是如果这种市场结构发生比较大的变化,也有可能会对我们的基本面配置产生影响。基本面的α这么好的根源有一条,我们体会也会跟市场的结构性有一定的因素。



高频量化也会有进一步的细分,需要进一步看待它。事实上有很多新的一些别的做法,不管什么做法,你要有一些保障。这个保障尤其是在交易执行能力上的保障,我们认为其实是这个市场上,我们说护城河吧,比较重要的一些领域。包含了数据、硬件和经验,很多经验也需要摸索。有的机构对这个类型的探索需要花更多的时间。我们从母基金角度,从甲方角度看待这个市场下一步的展望。这个下一步的展望管多少时间呢?管一个季度。因为我说了季度就是长期,我也不知道未来会是什么样,但是从短期来讲很多这些现象需要我们去把握。


这个市场上还会有什么展望性的一些发展思路可以拿出来简单的看。第一个展望是说从量化基金来讲,我们会说什么样的量化基金在中国这个市场上未来会有进一步的成长和发展,必然分成大和小。大它的策略研发的投入大,IT投入大,从策略驱动到产品和品牌驱动。另外追求更为稳健但是相对低的超额收益,为什么稳健的相对低的超额收益有价值呢?因为主观基金没有超额。随着量化机构进入股票多头市场,不对冲了,对冲要十个点的基差成本。我年化二十个点的超额,十个点也有意义,跑赢基差。你通过基差做多也可以获取基差的收益,这种类型肯定是市场上最大规模的主流。而且会因为这种大机构的稳健但是相对低的超额进攻主动管理的市场,主动管理跑不赢指数,指数跑不赢指数增强,我们也相信会得到更多投资人的认可。


我们前面通过对冲获得绝对收益,我们打开思路可以不对冲。比如说到2021年,还有两年,我们说伟大复兴的指标是建党一百周年,2021年。我们假设伟大复兴的指数为0,指数不涨,我们也认为也复兴了。但是你可以认为指数涨多少定义为复兴,我们就定义指数不涨也复兴了。如果我每年还有指数增强,十个点,二十个点,那我的投资收益也很好。既然你认为未来伟大复兴不涨,那也是不跌,就没有必要去对冲了。我满仓持有,两年指数回到原点,我获取超额收益就很好。也要求我们甲方提高我们的波动忍受率,提高资金的久期,提高我们的时间,用时间容忍波动,降低成本,这些都会成为未来的发展方向。


我们所说量化机构小而美,其实我们过去一段时间会认为这个市场上是不是量化类机构到百亿、两百亿,这个行业从春秋到战国,到大一统。我们现在发现不是这样,我们现在发现中国量化这个市场的春秋时期甚至都没有过去,它依然非常繁荣,繁荣的表现是什么呢?有非常多小而美的机构成长起来。为什么呢?因为市场创新的方向依然非常多元,我们就比如说高频这个类型。其实高频这个领域的竞争更激烈,但是它的竞争成功的逻辑来源也更多,因为它的数据更海量,基本面的数据就那么多,财务报表,财务数据等等数据,它的信息数据量是有限的,但是到了交易数据、高频数据、日内数据,数据量非常丰富,给了一些小团队和新团队去创业、探索、创新的非常好的空间。


现在大家对于高频这种类型里面有很多种逻辑方向的不同,比如说有逻辑的高频,我很短的量价类信号也是有逻辑的。另外还有无逻辑的,机器学习无逻辑。还有过去搞CTA的,CTA是时间序列的信号预测,这个跟选股逻辑不一样。但是它们进来之后,依然能够在这个市场上做出非常好的探索,所以我们的体会是什么呢?因为这个市场进一步延伸,数据量扩大,我从基本面数据扩充到高频数据之后,数据体量大幅度扩大,给了市场更多创新的空间。它能够去做什么呢?能够做什么叫小而美呢?它的规模可控,就这么多容量,它的策略只能借这么多钱,但是收益会非常好,它需要有一定的策略收益的导向,以此来实现小而美公司的建设,我们认为这条也会是这个市场上非常清晰的一种量化机构的发展方向。我们现在这两类机构都有合作,我们也特别愿意跟小而美的机构去合作。今天不知道有没有量化的从业者,我们特别愿意能够跟这样的机构更多去合作。你有三千,我们都可以给你三千,有五千,我们都可以合作。它对前端很多频测的,从FOF机构的准入来讲,我们会更内涵性的来看待这个问题,我觉得FOF机构是非常能够支持或者推动我们量化行业能够做更多的发展,因为我们资金的性质没有大甲方的那么严格的,甚至有一点滞后的准入要求。甲方机构,量价类机构的准入标准是,这个必须要有二十个亿的规模才看一眼。结果在高频领域二十亿已经满了,那是不是就不一样吗。


我们可以用一个策略容量的25%,如果一个量化机构它的规模达到了它策略容量的25%,我们就认为值得合作。比如说量价类机构容量一百亿,我需要在20到25亿开始合作,它可能体系成熟。如果一个高频类机构,容量是二十亿,那必须在五个亿的时候就要合作,这五个亿跟二十亿是一样的。我们是用一个标准,只是规模结果不一样,但是是用一个标准看待这个问题。比如说一个主观机构,容量可能五百亿,那到一百亿再合作,没有任何问题,所以现在很多百亿级的基金,主动基金,它能够得到很多新客户的合作,大家都是用一个标准训练。或者我选择一个量化机构,跟选择一个主观机构,用一万次成交的胜率,主观基金可能需要三五年才能跑出一万次交易,量化机构一个月就搞出来了。我虽然说量化机构是一个月的时间评价,主观机构是三年时间评价,但是用的标准是一样的。从这些角度来讲,小而美的机构,高频类机构,可以用更小规模的起点去进行合作的,这些都是能够实现的。


我们刚才讲这个市场难度加大,这个市场的心情不好,这个市场比较难以见到钱,探索创新的难度加大,竞争在加剧,但是我们依然认为,量化行业的发展空间非常显著。我们说今天规模在2500亿,但是我们可能两年之后站在今天我觉得可能四五千亿肯定不止。这个市场量化交易的占比我们认为依然要继续提高,我们说今天中国量化交易占A股单天总成交比例大约在20到30,我们说美国在七八十。中国的商品市场超过50%,更高。我们觉得中国的股票市场量化交易占当天的成交占比,很快达到50以上,这个过程会进一步的扩张,规模的扩张为典型代表。


这里原因是什么呢?原因就是两条,其实就是一条。相比于另外两个主要的行业机构,一个是散户,一个是非量化机构。相比于另外两个类型,量化机构能够获取超额,而其他两个类型获取超额的难度很高,因此它会进一步扩张。我们要论证为什么量化机构能够获取到超额,我自己的体会就是一个中国两个A股。一个三百,一个三千,三百家或者三千家,全场三四千支票。沪深300为代表的,300支票是一个市场,3000支票是一个市场。其实很多人只参与其中一个股票市场,包括很多主动管理的基金,它的选股数量有限,不能覆盖全市场,因此只会参与到一个A股市场。它所参与的A股市场,有效性在上升,另外一个不参与的A股市场有那么几千支票,它不参与,包括像张总,他们其实是非常棒的一家主观基因,但是我猜想他们覆盖的股票数量其实非常少。中午一起交流,我请教过,他们的持仓数量就小几十支,巴菲特才几支。这个市场上有很多支股票,张总没有翻他们的牌子,但是他们非常有超额收益的空间。这个市场的超额收益的大概率只有量化机构能够获取,原因是什么呢?两条,第一条它的超额收益比较短,前面那个三百支股票的收益往往周期比较长,比如说你买的茅台,你可以持有半年跑赢指数,持有一年跑赢指数。但是我们所说的三千支票,那个跑赢指数的周期很短,需要频繁交易。第二,三千支票,如果是主观覆盖的话,要多少研究员,投研的覆盖能力,量化类机构,我能够通过数据编程来抓取共同的信号,抓取共同的因子,哪怕我做的跟主观基因一样的事,比如说超跌反弹这件事情。我们说什么叫超跌,从高点跌50%,主观也需要一个个看,量化超50%,自动进入选股池,很从容覆盖更多的票。


在这个类型的A股市场上面,量化机构能够确定性的获取到这个超额收益。我们这个图是作为一个统计,这也不是一个行业代表,而是我们简单的一个个案代表。它跑赢300的难度也很大,300这件事跑赢真的很难。上面是中证1000,如果以那个指数为基准,这个跑赢的幅度非常高。说明什么呢?第一说明这个市场不有效,这个市场有效,300市场有效,1000市场不有效,这是很典型的,这也是为什么我们说一个中国两个A股。它的也许能够确定性把超额收益做出来,所以我们说以这些因素结合起来,我们认为中国的量化投资的空间,未来还非常大。非常广阔,非常遥远,我觉得我们的职业生涯也还好,还是有这么高的空间的。


喜岳投资创始人周欣做了题为《中国量化投资的发展与实践》的主题演讲。



周欣:今天听完李教授的演讲包括徐总的演讲,一直心里非常忐忑,因为李教授是教授,所以说什么都是对的,徐总是甲方,说什么都是对的。现在是我们小乙方,做量化私募在中国确实做了很多年。我们当时2013年、2014年回来创业的时候,我的父母特别不理解,去外面读博士、当教授,然后你回来炒股了,这是一个非常入门门槛很低的职业。不但我自己炒股,大家可以看一下我们团队的背景。我们团队有非常多的博士和教授都在炒股,不但是炒股,其实我们还有一个非常不好听的名字,我们是私募。中国你知道带私的都不好,私生子、私心、自私,你找不到一个私字开头,或者从中任何一个私字的词是好词,很不好意思,我们是私募。也感谢高金这么高大上的学校,还有私募研究中心,让我们感觉到有一点温暖,我们还是有人认领的孩子。


今天很多在座是从业人员,我要声明一点,因为我跟李教授很早以前在美国念会计博士的时候就认识,很巧的是今天我的PPT跟他有几页几乎是一模一样的,区块链可以证明我的PPT昨天晚上发的,绝对没有今天改的任何意思。第二点,他今天也提到一个,好像做金融的没有什么前途,为什么呢?要读会计的或者是计算机的。我本科刚好是修了会计和计算机两个学位,博士就继续在会计的路上越走越远。李教授今天也讲到,在中国量化发展有很多困境,到现在似乎是只有四条路可以走。第一,深度清洗数据。第二,因子是不是择时。第三,因子评价的标准是不是可以变一下。第四,它真的比较狂野的做法,你似乎要向主动投资迈进一步。喜岳这么五六年在中国市场上还得以生存,不断发展壮大,跟我们几年前就迈出了狂野的一步,有非常多的关系。我今天重点跟大家讲一下作为一个基本面量化投资,在刚刚徐总分享的中国这个量化江湖,这么乱,春秋都还没有过的情况下,我们怎么样用量化4.0的方式在六年前布局这样一个做法,背后的原因是什么。


首先我们先看一下世界上量化投资发展的蓝图。上面的名字很多大家都耳熟能详,AQR、BGI,BGI被六万亿美金收购,相当于一个非常高级国家的全年GDP总值。AQR2300亿,1998年创立,短短15年时间上万亿人民币的资产。比如说文艺复兴,还有Dimensional Fund Davisors,六千亿美元。都达到千亿级或者几百亿美金。中国很多,不管是百亿级的私募大佬,在这上面可能是被抹掉的小数点,所以中国在量化发展的版图上确实是滞后的,但是我想讲的是滞后,但是它的追起速度非常快的原因是什么?你看量化发展,大家都觉得量化跟电脑相关,电脑六七十年代就有,但是真正量化投资的发展是经过2000年以后,或者是九零年代以后才进入发展阶段和黄金阶段。


中间二三十年在等什么?电脑早就有了,为什么量化投资真正的黄金时代是到九十年代以后呢?因为我以前教书的,就会关注一下很多东西其实跟学术确实有关系。首先我们看海外的成功案例的比较,巴菲特当然已经是最牛的股东投资的代表,西蒙斯他是量化的代表。其实你看收益分布的话,大概率情况下,量化的基金分布是右边的,它的夏普比率达到3。巴菲特是0.76,大家就说是不是主动投资其实在某种程度上来讲是输给量化投资的,这是把两个派别最好的拿来比,这个可不可比,有待考证。


AQR有一篇文章,我能不能复制巴菲特这种类型投资人的策略,你发现做的很好。红色线是标普500,蓝色是巴菲特,绿色线是六因子模型。你可以看到量化和主动投资之间其实并没有差距,量化在很多资金方也好,从业人员的理解,它已经被理解成一种投资思维,其实我们认为这是错的。量化只是一个投资工具,中间应该有人的思维,所以这就是一个典型人的思维和投资放在一块的。


我刚刚也讲了量化前辈,美国肯定是首当其冲。今天早上李教授讲课的时候我非常感慨,这是举的美国的例子,他举的是厦门国贸,那个例子就是为什么用量化去做会错。这个例子,左边这个图是美国一个上市公司,这个公司是卖体育用品的。在美国枪支属于体育用品的一种。在2015年、2016年的时候,蓝色线表示这些最高的机构投资人持有的Big 5,它上涨非常快,从40到80,甚至快到90。这些人其实都是大华基金,不断买这个股票。与此同时,更具有对比的是灰色这条线是美国,美国是做空个股,这些人用的都是很深度的学习,你发现它的做空的人也特别多,而且他们上涨的时间几乎是一样的。这个现象就很有意思,我拿出来研究了一下,是为什么。


首先它包括很多大牌的量化前辈,包括BGI等等,都在里面。你看到它们这十个基金它的持有达到55%,都是量化团队去买的。你再看它真正的走势,至于说为什么买这些公司,大家都知道我做量化的,做基本面的,这些人特别肤浅。我觉得李教授这个词用的很好,真的很肤浅,看看EP等等这些表面上看起来真的是很肤浅的指标。所以你用这些指标去看这个公司真的很漂亮。


绿色就是算出来的这一类指标,真的很漂亮。绿色表示高于行业均值,这些指标非常漂亮,或者这些基本面指标非常漂亮,就导致这些量化公司大幅购买这个股票。但是这两对肯定有一对人是错的,这么多人做空,大家知道做空有点像张总那种,长时间是不动的,看到一个机会,看的很深,就重拳出击。这两派肯定有一派人是错的,后面事实证明量化投资的人是错的,因为后来这个股票就开始狂跌。


我们作为量化的人从国外的,我们都是被称为你是把国外的先进技术挪过来的,所以国外犯的错究竟错在什么地方呢?如果大家看这个点的话,会觉得这个时间点挺有意思的。2015年的时候狂上升,EPS很高。大家想想2015年年末发生了什么事情?2015年年末的时候是特朗普和希拉利竞选上希拉利是赢,希拉利是禁止枪支的,特朗普是支持枪支的,2015年这些枪支爱好者发现民调希拉利要赢,拼命买枪,就会让Big 5的收益特别漂亮,随着2016年1月份,特朗普赢了,希拉利输了,这个时候这种一次性的收益的特别高,一定是不可以被持续的。如果你做量化,看EP很高什么都很高,很漂亮,但是做主动投资或者做空。证明这些量化的前辈们确实犯了很大的错误。


回到李教授不断讲的你如果做基本面投资或者说基本面量化,你真的只看肤浅的东西的时候,对不起,基本面量化就是输在起跑线上。因为你看的东西太肤浅了,这个问题在中国更严重。这是我跟李教授完全重复的一张图,这个是说明美国如果只看报的季报,因为大家也都知道如果给你一个水晶球,你想知道公司以后的盈利。所以为什么盈利能力大家很看重,这是在美国的情况,大家知道0的附近,负1分大家很敏感。但是因为中国有这个ST制度,造成ROE市场是这样。背后的理念,在中国做基本面量化投资,面临的挑战和困难远远高于美国,从这个图就可以知道。


既然美国的量化大佬都犯这样的错,可想而知在中国做量化这个错犯的概率远远高于美国量化大佬。这也是为什么这么多年来,跟我一起做所谓基本面量化投资的这些我所谓的竞争对手或者是伙伴,相继在过去几年倒下了,可能第一对细节的把控,确实是比较弱,我是会计博士,这些调账我以前在伯克利教学生怎么调账。调账首先要有一个正确的概念,它不犯法,也不违规,是合情合理合法合规,会计上叫盈余管理,是可以的。比如说像苹果,有…在资产负债表上是作为负债的,其实是什么?其实是一笔收益,当你想把你的收益藏起来的时候,你可以报很多…。这种调节的方式是合理的,只不过在中国CFO把它带上另外一个高度,我还没有开始教会计,不知道会计怎么教的在中国。但是其实背后的理论并不是说中国的CFO爱撒谎,而是ST制度,确实ST制度让中国整个基本面的质量受到非常大的扭曲,所以才造成大家看基本面的时候不深度去看,你只看报的数字,收益或者超额收益没有那么容易被获取。


电脑二三十年前就有了,为什么量化投资到了九十年代末才真正兴起呢?其实从七十年代到九十年代有非常多金融理论的形成,和得到接受。这二三十年整个世界在等理论的发展。今天听了很多演讲以后,我不断在思考这个问题,真的要溯源的话,第一就是Markowitz提出,除了要看期望收益率,还要看方差。Sharpe做了另外一个延伸,除了分成收益和风险,还要看它的收益哪里来的。收益来自于三部分,第一部分是系统性风险,β,市场给你溢价,不是免费的,有风险,所以叫风险溢价。第二,是非系统性风险,比如说你买茅台,再对一个航空公司、石油公司。剩下那部分是超额收益,α。这也几乎是皇冠上的明珠,大家都想获取的。这在2013年获诺奖的想法,在理想有效市场,α=0。他一半弟子当了市场有效论的捍卫者,另外一半弟子去对冲基金赚市场无效的钱,这是一个完美的矛盾存在,市场长期一定是有效的,短期一定是无效的。所以我们赚的一定是在短期内无效的钱。


回到这个去理解超额收益到底是什么,大家第一个是超越大盘的收益就是超额收益,这肯定是大家习以为常的回答。我下面会跟大家展现一个例子,你会看到这个收益是完全超越大盘的。比如红色的线,这是某个组合,你会看到它在过去从2014年到2016年末是超越大盘的,是不是有超额收益呢?或者如果你们是在座有甲方的话,有一个团队拿这个策略说,你看看这个策略多好,几乎就是超越这个大盘,超越挺多的,你会不会觉得这是一个好的策略,或者真的有没有超额收益呢?其实很不幸的是,答案是它没有超额收益,它是貌似不错的策略,只不过是沪深300加了两倍杠杆,β=2,α=0,只不过通过加了杠杆获得收益。


这样的做法,这当然是很明显的做法,还有一种做法其实β里面还有小股票拉长的时间周期一定会超越大股票,但是这也是风险溢价。小股票为什么比大股票好?当然在中国因为有壳价值,各种各样的理论证明它,但是真正金融里面的核心是它因为有流动性溢价,它比大股票流动性差一些,所以当这个投资人愿意去持有这样小股票的时候,那么市场就要对它持有流动性付出的代价进行补偿。所以凡是靠买小股票对冲大股票赚钱的,对不起,它在做β,没有做α。


你真正把收益分的话,β是一块很大的,市场β,智能β可能包括大小盘、成长、价值等等,这叫智能β,真正脱离这两个存在的才叫真正的POα。这是真正基本面量化的人赚的钱,就是上面那块。它难就难在什么叫错误定价,为什么你觉得市场错了,你是对的,凭什么。这确实是一个非常难回答的问题。


我刚才讲超越指数,有两种方式。第一就是像我刚刚展现的蓝色的线比红色的线差,所以蓝色线被超越了,但是并没有超额收益,或者α。第二种方式通过同等的风险,我选更好的股票,这种也有两种方式,是带的两个派别。第一个派别是信息获取的优势,你有一些别人没有的信息,在金融理论里面这叫内幕也好,私有信息也好,一定会产生价值。这一系列代表,它的缺点是难以扩展。大家可以想到这个系列的代表,这张图很多人都认识。XuXiang是这个系列点的代表,他有我们获取不到的信息,他能够赚取没有风险的超额收益,所谓的α,而且很高,胜率很大。撇开道德不说,他的金融上的缺陷或者理论上的缺陷很难扩展。我认识一个董秘,跟他勾兑,我花了一年时间管十个亿,我现在管一百亿,我要认识一百个董秘,所以董秘的认识时间就是信息获取的成本,没有办法无限放大。另外一群能够像刚刚徐总讲的,通过获取超额收益的方式,我谁也不认识,一个董秘不认识,但是我通过处理公开市场的信息,获得更高效的收益,这种方式我没有信息的获取优势,但是我有处理的优势。像我们团队就是典型这样的,我不做任何内幕交易,大家我获取的信息跟大家一样,我可以超越大家对信息的理解。


它的最基础的理论逻辑就是市场是无效的,在某个时刻某个资产出现错误定价,那么我们这样的人就用钱把这个错误定价了解了。听起来是很高尚的职业,但是对不起,中间的痛苦是非常多的。后面这张展现的是另外一个,痛苦会跟大家用一些表来展现。这个看起来跟刚刚红色的收益跑赢蓝色的收益,长的差不多,这条蓝色的线跑赢黄色的线也很多。这是我们实盘的东西,很多公开网站上找不到喜岳的资料,因为我们大部分客户是险资,所以在公开拿不到,这是内部资料。可以看到它的走势跟黄色的线几乎一模一样,蓝色阴影累计就是我们稳定的超额收益,来源就来源于我们觉得某个资产某个时候定价错误,我们去交易,当它定价高我们卖掉,定价低我们去买。


但是这个理论或者这个实践背后的很大的问题,或者说先讲一下美国的情况。挑基金我觉得是非常难做的事情,刚刚徐总讲做甲方很痛苦,我虽然没有体会过这个痛苦,但是我能从巴菲特这个图看到这个痛苦,这个图来自于巴菲特老师的一本书,《聪明的投资者》,248页的一幅图,我转成右边的图表。它表明什么呢?1983年开始跟踪市场上所有的基金,然后跟踪二十年,看看他们的表现。在中国还没有这样的数据能让你跟二十年,我觉得私募研究中心在做这样的事情,希望几十年后能看到这样的图。


这张图展现的事情使我深深体会到甲方的痛苦,如果你观察一年的话,一年2423个基金都在,你跟踪它们三年,你发现500个消失了,所以蓝色的线从2400到1900,再跟踪五年又有500个消失了,跟踪十年、二十年,你发现只存活下来248个,存活率是10%。这里面只有37个跑赢了标普500,这是什么概率?这个概率就是说假如说你是甲方,你很多钱,你投市场上明星基金经理,你跟踪二十年以后,你会发现能够待二十年的,如果你是跟大盘差不多的话,只有两百多个,其中跑赢的只有三十几个。10%的存活概率加上1.5%的胜率,还不如买股票,三千多支股票,不至于二十年以后剩下三十支,也不至于五十支跑赢大盘。选基金经理比选股票更难。为什么呢?选基金经理只能看业绩,这里面还有一个很有意思的现象,它的业绩是什么呢?其实中国有这样的情况,往往市场上过去一个月或者一年拿私募冠军的,第二年没了的概率远远高于其他的类别。你看红色的线,比如说第一年2400里面50%的基金跑赢大盘,其实这50%的基金不是说顺便的挪到1157,是很多直接在第二年、第三年消失了,不是红的转到红的,是红的直接可以消失的。当你选基金,你只看业绩的话,你会非常被动,因为你不知道业绩怎么来的。业绩的来法有两种,第一你可能是赌来的,靠运气,另外一种是靠实力,但是人都有一个认知偏差,人觉得自己业绩好的时候是自己实力很棒,业绩不好的时候我今天好倒霉。实际上反过来,你业绩好是运气带来的,业绩不好是实力的体现。你看到的所有的曲线和回撤都很漂亮,但是有多少人能把回撤样本外不断的重复,这是做量化投资不断追寻的真谛,我样本内的收益怎么被样本外不断重复。


即便我有这样的技能,那么资金方还需要非常的耐心,因为我α赚的如果是一个所谓的错误定价的钱,这个错误定价可以错的定价。比如说这瓶水本来值5块,市场定价7块,你说这么贵我不买,结果第二天变成8块了,这就是出现回撤的时候。这里面展现几个图,灰色的线就是这块,你会看到变红色的线,在过去十年时间,当然有一部分回撤,有一部分实盘。任何一天进入三百增强,你获得的月度收益,你发现很多是在左边的,任何一天进去,你持有一个月你发现很多时候是有负收益,最大的可以达到负5%。你如果持有三个月,你会发现这个负收益慢慢都挪到右边,三个月已经是一个长周期,到底有多少人有这样的耐心,不知道。所以我们对资金方也很挑剔,必须要有耐心。你把这个图画成六个月,画成一年的时候,一年这张图就是展现所有的负收益都被,失地都被收复了。确实有大小年份,有一些年份年化达到四五十,有一些即便差也在12%左右,中间是18到20。即便这么强的团队,其实我们要必须认识到我们的α模型有盲点,盲点就是你认为它错,它会错的更离谱,你要耐心收复失地。


500好很多,这就是典型的收复的速度更快,你也看到如果是任何一天进去持有一个月,负收益的幅度非常小,因为500更容易做超额。你持有三个月,你会发现收益基本上都移到右边,六个月、半年基本上全部百分之百的胜率。用表总结大概长这样,有一些资金方一来说你们每天都要赚钱,我说那是庞氏骗局,只有庞氏骗局,其他的要每天赚钱,我觉得就是不该投这个资产配比的。我们这样的团队,我300的增强的日度胜率也达到58%,500是61%。如果变成滚动的月度,过去任何一天,不要说月初,我进入持有一个月,对标300或者500,你发现胜率大幅度提高,你的耐心从日度长到月度,你的胜率从60到85。如果你的耐心从月度到季度,你会发现胜率远远超过很多主动投资。季度的胜率是任何一天的滚动,500能达到98%,这是实盘里面的。即便300也可以达到87%,如果持有半年,你的耐心能够超越两个长周期,你的胜率在500达到100%,最大回撤是0。半年会发现300这么难超越的指数,胜率达到97%,如果进入一年所谓老年周期,我们的胜率是100%。但是多少资金方,我投的α不是类固收的吗,怎么还有回撤呢。如果你是超高频或者高频,你可能这个回撤出现的时候是你改模型的时候,如果你投基本面量化,回撤是必不可少,因为你认为市场错了,市场可以错的更离谱。


基本面量化投资在本土情况下,一个好的基本面量化投资,我们最近接触了非常多外资很多主权基金和养老金,还有保险基金。他们追求的就是这几点第一就是容量大,换手率比较低,这两个一定是相辅相成。如果你看到容量大换手率高,这本身就是矛盾的。第二,防御性比较强,稳定性比较高。刚刚徐总分析一个大机构的特征,其实是非常像的。第三,必须要有个非常严谨的本土化过程,这是脱胎换骨,要脱几次皮的本土化过程。第四,这一点在中国市场非常要紧,不跟风,不漂移,长时间坚持同一件事,今年高频,明年CTA,后年做宏观期货,你跟进去的时候也许就是尾部了。投资人是这样的,资产管理人也是这样的,看到别人一下起来,心里好着急,别人做高频,我也要高频,没有高频,没有机器学习,没有人工智能都不好意思跟人出去做市场。漂来漂去发现漂到风的末尾,变成被割的那一波,这件事情要有定性做同一件事情。有匠心精神,每天磨那些数字。你可以研发上千万的因子,但是这些因子表达什么,相关性多少,这个要控制的,所以很多时候是处理很多细节。这个强大的数据处理能力,像我们是在外资尽调对象里面,我们能够五分钟之内异地备份,五分钟之内整个团队异地办公的IT力量。最后一点是很难做到的,在理论的支持下不断创新。这里说理论为什么没有说数据呢?很多时候中国不具备给你回撤的数据,这时候量化投资几乎变成一种信仰,或者基本面量化投资你让我证明上帝存在,对不起,那是我的信仰,很难证明给你看。怎么把量化和信仰或者思维结合在一起,这是后面会举一些例子。


我们内部的投研流程。我发现他们有一些朴素的思想经过脑海的验证,跟我们做的东西非常像,只不过缺了我们这一块。不管是什么数据一定是中心化的数据管理,进行特征分析、回撤、优化、生产。这五大块都是电脑可以做的,在我们看来这是电脑。但是有一块李教授讲的狂野的那块是逻辑和理念,是人脑做的。其实某种程度来讲我们信仰的东西就是有一个理念,你数据是去印证的,去验证的,数据不是知道我投资的,只是辅佐我投资的一个方式和佐证手段,不能指导我投资。如果让数据指导我投资,一定是在2017年亏。我们2017年是正收益,作为存量化的团队,2017年拿到正收益市场上没有几家。


最后到你真正去想的时候,基本面、市场和理论、逻辑,数据是辅佐。我真正做会怎么做呢?这跟李教授的PPT一模一样,量化投资一定是从数据开始,数据当你提取成信息,你要从杂乱无章的信息当中提取出谁干了什么,在哪,什么地方,再变成他们怎么做的,变成知识。最后变成智慧,但是电脑永远不会把知识变成智慧,智慧都是人脑里面想的。所以我们做投研,或者我们做量化投资是反过来的,我们先有了智慧,然后倒推这个智慧是怎么来的,我需要验证它,我需要搜集什么信息,然后这些信息隐藏在什么数据里面,所以在喜岳我们的投研流程是倒过来的。很多基本面量化团队或者量化团队,是从这一步到这一步,永远到不了这一步。你的投研模型和想法从内往外推,你的结果自然不一样,对人脑要求更高。你会看到很多基本面量化投资背景一定是金融、会计,都是以金融或者是会计被人类智慧去反推的,路数一定是不一样的。没有说孰优孰劣,你就很明白自己赚哪个钱,匹配正确的资金方,我觉得这个最重要。


讲一个例子,怎么是人脑和智慧去指导投资的。左边是我们8月份内部的一个邮件,你可以看到邮件是一个生产系统的人告诉我说谁谁谁,我们因子准备进生产了,我们写一下生产系统代码,有一些改动,这是2019年8月份。它的名字叫因子进入生产,来自于哪呢?你可以看到来自于2017年在一个顶刊上发的文章,即便我是idea的原创者,变成数据,变成生产,我是原创者,我都花了两年时间,你可想而知,当你去跟风,去做新的因子的时候,你可能只能跟到我的尾部,而且中间隔了五年。当你用智慧去指导投资的时候,它很多槛是需要人脑跨的。它的技术细节,原文摘要出来的,你会发现一个数字没有,全部是字母,证明一个现象可能存在,各种各样的表达,这就不去考大家。在美国有实证结果,在中国也有实证结果,而且收益非常好。


这个创新能力必须是持续的,这是另外一篇我被顶刊接受的文章,这个文章准备在新加坡管理学院12月份的时候大家可以看到,我大概是8月份被通知说你的文章被顶刊接受了。它跟中国资本市场也是有关的,首先美国顶刊发中国市场的文章是非常谨慎的,因为它觉得中国文章就在中国发,不要占我们美国市场的坑。这是关于中国市场很特殊的现象,它讲的是什么呢?在中国有关系好办事,有关系办好事,资本市场里面我们去研究了,如果上市公司的CEO跟媒体之间有校友关系,那么这个媒体对这个上市公司的很多报道就比较容易正面,所以你知道后面我虽然只讲了一句话,但是后面的技术力量是什么?第一,我要找到所有上市公司跟媒体的校友关系,这本身就是一个技术活。第二,找到了以后,我还要研究媒体对它的报道是中文还是负面,找完以后还要跟资本市场连,这是跟清华几个教授写的,写了三年。我从它到产出,中间又是一个鸿沟,鸿沟的跨越不是那么容易的。现在很多高频出现宣称他们要做基本面量化,我经常在想是他们把基本面量化到底想成什么,跟我们定义的基本面量化中间隔了非常大的鸿沟。跨越这个鸿沟,其实是非常不容易的。


中国还有一个很大的特征,大家都说情绪一定是主导很多投资的,对的。刚刚也讲了,散户喜欢在哪里发泄情绪呢?有本科教育的喜欢上雪球,没有受过本科教育的喜欢上东方财富的股吧。你会发现股吧都是骂人的话,都是在说垃圾,各种各样你无法理解他们讨论股票的时候有这么多垃圾语言。到雪球就不一样,会说估值、增长、盈利预期,这些人明显读过书的。雪球网的总之是聪明的投资者都在这里,我们也看到确实很有意思。确实有很多信息可以去被获取,但是非常不幸的是,这些全部是韭菜指标。聪明的投资者都在那里看他们怎么这样说,说明投资者像我们这样的,我们只是默默把数据拿出来算一下,发现多和空完全是反的。


大数据到底有多大,大家现在讲量化不讲大数据都没有办法收场。股吧里面到底有没有信息呢?其实也有的,即便我刚刚讲他们都是些陷阱,高抛低息这种话,股吧里面,这个事情跟我们实际操作有关。大家可以看到,在7月3号的时候股吧里面发了一个帖子,这个股吧叫新城控股股吧,就说了一句话,散户大家赶紧抛,不要问我为什么,我只能这么提醒,7月4号发布董事长被捕的信息。我当时在北京跟客户沟通,我记得很清楚,几个北京保险公司跟我讲说你们赶紧查控股有没有新城控股,我查了一下发现一股没有。这件事情我反推过去看,我想为什么我们没有新城控股,后来发现是我们的运气。我去反推如果下次这种运气不能继续,我怎么办,依据现在的信息我能做什么。


你会发现新城控股,首先中国交易所要求大宗交易,一般是所谓的股东也好,关联方也好,在场外进行的交易。这个公司在6月28号其实董事长真正被捕是6月28号,就出现了非常多的大宗交易,一直到7月3号、4号、5号,好几个亿。你看上一次大宗交易几乎都是1月份,说明什么呢?说明其实一定市场上有一些像XuXiang那样有信息获取优势的人做交易了。我不具备这个能力,但是我可以搜集公开数据,这都是公开数据,我搜集完了以后,如果我作为风控指标我看到长时间没有大宗交易,突然有几个亿,我是不是要想想为什么。这是我的技能没有达到那个水平,我怎么样通过后来不断反推当时应该怎么做,这是一个例子。


我们不是个炒股的,我们很多东西,我们有各种各样的系统,各种各样的模块,包括优化,做的其实非常严谨。刚刚也提了,脱离数据去怎么做,这是经典的案例,你去看样本内拟合的话,在不管是上课学的,你标普500作为走势预测标的,如果你什么都不懂,金融什么都不懂的话,你发现从八一年到九三年,用孟加拉国黄油产量就能预测标普500,70%,盈利非常。如果再加两个因子,美国奶酪+孟加拉国的绵羊,你发现到99%。你统计出来发现这个很高。但是你知道只是样本内无意偶尔的重合。当你拿它去做样本外投资的时候,你发现样本内百分之百准确,样本外完全无用。这是量化投资碰到最大的问题,如果你用数据指导,你会发现这个数据当你没有理解的话,你会遇到的陷阱特别多。


最后,我讲一个我们到底怎么样把数学,把学的东西用在炒股上。书中自有黄金屋。考一个题目,本福特定律是数学定律,假设一个数是从一个自然产生的数据集中随机选取的,那么这个数的首位数字为1的概率大约是多少?大家觉得答案应该几?如果是10%的话,你觉得我会问吗?其实答案是30%。因为你看所有的,当你工资从10变成20的时候,你的1要出现多少次?你的1要出现然后是1、12、13、14、15,要出现很多次,才会变成2,2出现很多次变成3,1要出现更多次才会出现3。大概是这样的公式。


最后它的理论上的值就应该是首位字母应该是29.98%,1是30%,2是17%,到9只有4.53%。这跟投资有什么关系?我们不断讲财报造假,财报是什么?财报应该是真实记录一个企业生产运营过程的一堆自然产生的数字,所以它就应该,它的首位字母就应该遵循本福特定律。所以如果没有人工干预,那么这个数据就应该它跟这个理论上的值很像,我们把中国过去所有的财报首位数字拿出来分析,发现几乎是一模一样。即便刚才ROE的图这么扭曲,但是细到每一个财报里面的每一项,你会发现下面这张图有两条线,蓝色的线只不过和红色的线重复了。意思是说在这么大量的情况下,其实中国的财报基本上还是符合自然产生的数据的。


一旦你偏差了,当然去定义偏差有很多方式,卡方、KS。至少可以定义,当你离这个理论上的值差很远的时候,你造假的可能性和概率是最高的时候。当我们算这些值,你会发现康得新从2015年到2018年,卡方偏移量就非常高。你可以看到2015年合并报表达到20多,后来在2019年报出来我们虚增利润120亿,那这回到基本的问题,基本面真的很有用,但是你对照好几年,2019年才报出来的东西,你2015年知道有什么用,哪个资金方有这个耐心呢?这时我们对资金方的要求特别高的原因,如果他不知道我们做什么,那这个钱我们永远不接,因为出现波动很难解释。今天出爆雷的一批,典型这样的情况,今年年初爆雷是对商誉做减值的,去年年末看到中国资产负债表里面的商誉大幅度增加,英文直接翻译叫美好的愿望。为什么叫美好的愿望呢?商誉从会计上来讲就是当你买了一个东西,买了一个公司,你买的价格高了,多出来的那部分就作为商誉记在里面,所以是一个美好的愿望,觉得这部分多出来以后可以产生利润。但是商誉基本上都是拿来减值的,没有产生利润。去年年末我们看到商誉这么高的情况下,我们把我们的商誉作为一个和本福特定律一样的,作为一个风控指标放进去,结果我们只猜中开头,没有猜到结尾,商誉减值的公司出现暴涨。这是二三月份出现回撤非常重要的原因,但是修复速度很快,五六月份这些暴涨公司在暴跌。当你投资的方式是有非常严谨的基本面做锚的话,这个船不会开的太远,不会偏的太远,锚要找对。你找对这些所谓的锚,但是要允许它偏,不能说船就不动了,这是不现实的。


这是2019年8月份证监会指出天神娱乐这种问题。我们从2018年可以看到卡方偏移量偏离了正常数字,或者本福特定律定义的数字。这是基本面量化做风控的应用,今天时间关系只能讲一些粗浅的东西。


最后我会讲一下我们怎么样把庞大的看似不能量化的东西全部量化,并且通过系统性。我们每年IT投入非常大,大到我觉得一个中小型私募是不可能承受这样的成本,第一我们建立,你可以知道其实做量化投资有一个很大的缺陷,你从市场上收集也好,买也好,爬也好,很多数据是隔离的,不能对话。怎么把刚刚上面列的这些数据整合在一起,这本身就是一个非的工作量,我们做到把它全部放到统一数据中心。我们投研人员只需要从这里面拿数据做交易,做投研,做分析,风控和分析,然后做清算,这套都是我们内部的系统。


在中国,其实真的往下看大家都在说展望,到底什么样的量化团队才能生存下去。fischer black说评判一个策略的好坏不能看业绩,要注重其理念,否则后果不堪设想,因为你看业绩能不能重复是资金方最关心的问题。Myron Scholes说理念本身不值钱,只有执行和落地才能落地。在中国投资既要看理念,也要看执行。


在量化发展,在中国确实是大机构对量化逐步认识,我们坚决不接任何个人客户,不在任何平台做销售的,因为你跟客户讲α、β,但是不能不讲。所以对量化的认识,和量化队伍本身的逐渐强大,这才是中国量化能够发展的可能。


最后,我刚才讲不但我自己是博士,我们公司80%的合伙人全部是博士和教授。我们教这些做账的祖师爷们,世界上最好的警察一定是跟小偷在一起很久的警察。如果大家对量化还有兴趣的话,这几本书建议大家读,有一些是跟量化没有关系的,但是第一本是量化投资的宝典。第二本《足够有效的无效》,这个市场要足够有效的无效,才能有我们这样的生存空间。最后那本是巴菲特《聪明的投资者》。谢谢大家。


在圆桌对话环节,由上海交通大学中国私募证券投资研究中心副主任赵羲作为主持人,邀请了华软新动力资产董事长兼总经理徐以升、喜岳投资创始人周欣、浙江壁虎投资董事长张增继作为圆桌嘉宾共同探讨国内对冲基金的发展。



赵羲:我们请了三位,包括今天下午演讲的两位嘉宾,还有另外一位私募的代表,我们一起来做一些交流。简单有一些话题交流一下,覆盖私募不同维度。另外留相当一部分时间请大家有问题的话,大家可以提出来,也请在座三位嘉宾跟大家交流一下。


张增继张总现在是浙江壁虎投资有限公司董事长也是创始人,他也是我们高金的校友,是我们EMBA和DBA的学员,同时也是对冲基金班的学员,是我们的忠实校友。创办壁虎投资跟我们对冲基金班也有比较直接的关系。他在企业做过高管,做过创业,也做过投资方面的高管,现在自己在创办这家投资公司,投资方面很有心得。他的公司现在小而美,可能接近十亿规模,但是我相信将来一定可以成长为高富帅。


您是做股票多头投资的,刚才讲到了价值投资,今天上午讲到价值投资和成长投资的一些定义和关系。国内做不同的策略的人对这个定义的理解,对这个概念的理解和操作方面有不同的感受和感觉,您可以介绍一下壁虎投资的主要投资理念,同时把您的价值投资、成长投资,或者您所谓的价值成长,从国内多头投资、选股的角度给大家解释一下。


张增继:赵老师看来对我们研究比较深入,我们2014年注册成立,大家知道2015年的行情,我就是周老师说的那一类五年之内还能生存下来,活下来的这类机构,这是比较幸运的,主要是因为读了高金的课程。我们定位就是成长性价值投资,跟国内主流的价值投资有点偏差。读了对冲基金班,我们的价值投资还加上了择时对冲的策略,当我们感觉这个市场估值偏离正常估值的时候,会用股指期货做相当数量的保护,但是跟量化有本质的区别,不是全保护,是一部分,利用股指期货做减仓的动作。我们跟传统价值投资的区别在于我们的任何标的,都必须符合我们的成长标准,我们喜欢挑那种未来有可能成为平安、茅台或者苹果之类的公司,我们更希望发现早期的这些行业领袖,这是一个特点。当然我们的策略里面也会加入一些已经成为行业领袖的标的,总体来说这几年不但五年活下来了,还在高金的帮助下活的还比较好。


赵羲:回到价值和成长的问题,主要是低估值角度考虑问题。我们对国内股票多头私募做过研究,从2013年到2018年,一共六年的时间,分成两段,前面牛市为主,后面熊市为主,这两个周期里面做了一些归因分析,发现一个现象。在熊市期间,私募的这些因子显著性上体现在低PB的,低市净率,高成长的更显著一些,相当于说有点买低估的,同时成长性比较好的更显著一些。在牛市期间,明显是成长的更显著一些,这是因子角度来看显著性比熊市期间低很多,发现这样一个现象。我们也是在思考这个现象背后的原因到底是什么。请徐总和周总,从量化投资或者从你们见到的投资策略的角度,我们也简单探讨一下,国内这些基金他们在价值和成长上的这些做法,不管是多头还是量化,是一个怎样的思路,或者他们怎么理解这个问题的?


徐以升:我的确没有什么体会,因为我们覆盖的领域里面不怎么涉及到,现在我们没有跟主观基金合作。我自己看了很多东西,看了很多文章、新闻,包括采访,价值投资很多流派,持有型、长期价值投资,有价值投机,有小市值挖掘型价值投资,有成长型价值投资,有很多种做法,可能真的是跟李老师所讲的一样,是个筐,但是需要往里面装的到底是怎样的内涵,可能有完全不同的一些信息,会是这样。


从量化来讲,我们曾经有一次做过,我们投委会当时配了港股,2017年上半年,好像港股那时候,因为结果上给我们创造了很好的收益。我们跟上海有一家机构,保银投资合作,他们做的港股做的不错,配了他们的份额,赚了不少钱,其他的我们没有合作过这个方向具体的产品。


我自己的体会,中国目前的宏观周期里面,我们说现在新资产、蓝筹、消费,中国的消费大的崛起,的确在客观上是这样的现象。蓝筹股票成为新核心资产,它跟债券比起来,不会跌没了。债券爆雷有可能跌没了,但是股票跌,还有七八成,比预算跌20%,还有百分之七八十,流动性还很好。过去我们对债券的理解是什么呢?不会下跌,上涨有限。而现在股票是反过来,股票是下跌有限,上涨无限。股票跟债券从风险角度的定义上,会发生很大的变化,而且上午也讲到茅台的好处就是流动性好,它没有涨停过,也没有跌停过,你想出来是能出来的。有的资产里面流动性下降很厉害,包括地产、股权、定增、新三板,很多资产流动性太差,但是价值投资的股票流动性特别好。即便打一个折,都可以出来。但是小票成交只有一两千万,你想卖出来就要跌停,流动性折价,流动性不好。从各种特点来讲,无论是收益、风险、流动性很多角度来讲,蓝筹类股票的确有一定的稀缺性,如果股票分红比较多,就可以成本计价,长期持有。比如我是保险资金,完全成本计价,我分红就可以当成我的固定收益利息,我就可以实现我新资产,核心资产的占有。


我们从2017年这次蓝筹的上涨周期开始,我体会就是很多甲方开始把蓝筹类资产当成这个性质的类固定收益资产去配的,那时候开始周期的,就是高股息,高分红的股票,具有类固收的特点,长期高配,海外资金也是这个属性,长期持有,最好每年给我分红。这种特点,就让我们的价格投资有了土壤,而不是之前的那些年份。我估计很多人没有经历过2007年、2008年的繁荣,也没有经历过2013年、2015年的繁荣。这个风格特点吻合于我们的宏观周期,我们的信用风险上升了,而之前的周期里面我们的信用风险很好,债权资产提供出类固定收益的收益,能够提供出八个点十个点的固定收益,你对分红不感兴趣。现在大家对分红感兴趣,对信用风险敏感,因此价值投资有了真正的宏观周期的土壤,我自己是非常认的,而且我们觉得买300指数就挺好,买50就挺好,大概率跑赢的幅度挺低。而且很多甲方是百亿级别的配置,你能跑赢指数,你持有多少股票,比如说持有20支,20个亿,我加个0,200个亿,还持有20支股票吗?肯定要放大,你管理200个亿的时候,你需要持有多少支股票,根指数拟合一下,就需要买指数。价值投资在周期里面具备特点,是这个周期的核心资产,也应该超配,只是我们自己没有怎么做。


周欣:谈到价值投资有一个词跟大家分享,价值陷阱。价值投资,很便宜的就是价值投资,那便宜之所以便宜是有原因的,为什么便宜。很多股票在中国是伪装成价值股,什么意思呢?它知道你们看PB,它就比较大,或者是你看分红。分红在学术界很有争议,分红说白了从左口袋挪到右口袋,这个公司的盈利能力并不增加,分红出去以后你的股价是有反应的,这个公司并没有由于分红而价值过高。但是中国是很奇怪的现象,在保险公司都喜欢分红,这跟他们的资金属性有关系,他们分红可以并表的,或者每年年末发现保险资金倒腾一次,就是为了这个,分红可以进来,然后各种资金的属性造成了在中国有很多股票你不仔细去想的话,都是一些表面价值公司。即便今天早上李教授讲的,茅台这个公司被大家称为价值的代表,但是你真正看它的PB也好并不低,它就是一个伪装成价值的成长股。这个伪装不是它自己故意做的,是资金方或者投资人这样标签的。


谈价值投资的前提,就是我们真的要理解什么是价值投资。再去谈成长,其实你看茅台也具备这样的特征,在中国市场由于各种各样的错综复杂的对,不管是资金属性的导向,还是企业行为的导向,还是财报的导向,使得你区分价值也好,成长也好,特别难。我们的做法就是我们不去做,我们不去做所谓因子择时的情况下,我们就没有很大的问题。我觉得如果,当然这个悖论就是你去做因子择时,似乎能够在因子出现低估择一把,出现高峰就离场。这个非常难做,再加上对这些因子的定义都有争议的情况下,很有可能是左右打脸的。我们尽量每个因子,或者每一大类做的非常精细,每类配一点。金融唯一的免费午餐就是分散,成长有一点,价值有一点,至少量化是没有办法在择时做到很美观,主观不一样,主观解读政策,想很多东西,择时是有希望的,通过量化因子方式做择时,或者做轮动,我觉得是几乎不现实的。


赵羲:价值陷阱的问题也是很经典的说法,价值投资有周期,估值也是变的,也是有周期的。价值投资在狭义的定义上是估值比较低的是买,估值比较高卖出,是有一个波段操作的。从中国历史上,在GDP增速很高的时候,中国主要是成长型投资,很多价值股体现了成长的特点,所以价值投资不一定那么明显,当然中国也在股市有估值特别高的时候,也有估值很低的时候,这里面也有价值投资的空间在,但是整体来讲成长应该是过去中国二十年发展的主旋律,现在可能就不一样了,从GDP到6.5或者更低之后,甚至到6以下,我觉得成长的很多方面、表现跟过去二十年已经有很大差异了,所以在未来我想这种价值投资,可能会有更深刻的体现。


今天有一张PPT是收益分了几层,底层是市场Beta,中间有一层是智能Beta,还有种说法是另类Beta,再往上才是α。今天讨论了很多α的产生,但是在投资里面很多人并不一定一定要追求α,做β也可以有很好的收益,而且往往赚很大钱都是靠β,不是靠α。因为你做选股,做多头投资,你的投资方法里面,你是赚取什么收益,能不能给大家稍微拆解一下?


张增继:其实我非常赞同徐总和周总刚刚的观点,我自己曾经在跟媒体的沟通当中,有一句话可能这六个字是我首创的,无成长,不价值。赵老师问我,我们在挣什么钱,打两个比方。第一个,人家可能在找皇冠,我们在找S皇冠上的明珠。我们可能找企业,三千个股票里面,大多数所谓的价值投资可能会漂出三百个股票来,但是我们只挑30个。第二,现在猪肉价格比较价,我们老百姓买不起猪肉,我们可能买鸡肉,我什么鸡呢?我买下蛋的鸡,我把蛋吃完了,还有鸡。你光买肉鸡,吃完了就没了。这就是成长价值和传统价值的区别。


赵羲:从量化角度来讲,做股指增强,所有的都在里面,不管是市场β还是智能β,还是α都在里面。对冲有不同的对冲法,可以只对冲智能β,我可以用组合来赚取收益,也是可以的,产生的可能也是α。这些不同层面的对冲也好,组合也好,策略也好,讲讲您的理解和体会。


周欣:我觉得有一句话其实误导了中国投资者,或者广大群众,不管白猫黑猫只要抓老鼠就是好猫。这句话投身到投资里面是什么概念呢?只要赚钱就行了,别管我怎么赚的。这在我看来是一个很大的误区,我赚α成本很高,赚β因为风险很大波动很大,其实我的成本,我只要市场暴露指数我就有了。在我看来这是我的白猫黑猫严格分开,但是资金方很清楚,比如买增强的产品,跟踪误差控制的很严格,β自己会有。α是我们很稳定的来源,年化300做到10到12,500是15到20,这是很稳定的。当你要指数增强的时候,一定会有β的特性,只不过拉长周期,每年比你配的标的好一点。这个好一点在于什么?比如说今年跌了30,我好一点,我跌18,你要了β,不是告诉我一定要赚钱的,没有这样的事情。如果一个大牛市,我做α,一年做12,市场涨40,你不能骂我弱智,你不要β。我们的产品全部按照风险分,产品不按照主题,也不卖故事。我们所有的产品必须按照风险划分,百分之百风险就是我的指数增强,你就应该承受β所有的波动,只不过我可能好一点。


这个意义上理解我就是做工具的,你买什么工具是你的事情,不能说你买刀,你买了很好的刀回去发现不能锄地,这是你自己买错工具了。我可能生产出来的东西比你买的东西好一点,你买300,我配的300比你好10个点,很清楚自己的定位。这是我们为什么不对个人的原因,很难讲这些,它觉得你熊市不能倒下,牛市也不能落下,这种是很难做到,主动可能可以,择时方面可以做到,但是量化很难满足这样的需求,但是我们的前提就是资金方要很清楚自己买的是什么。


徐以升:很难实现说既要又要还要,最后要,我们也是按照风险特征来定义公司的产品线。具体到指数增强类的产品,我们还会给投资者更多的选择,定价方式上,你可以既按照决定收益定价,也可以按照消费收益定价,比如说买α+β的指数增强产品,你可以把β扣掉,只对超额收益付费。如果指数涨15个点,我们超额效益25个点,我们是不是赚取35%,我们的分母是20%,你只需要付20%的20,不需要付35%的20%,是可以省钱的。但是像2018年这样的情况,指数跌33个点,中证500,如果我们的指数增强跌13%,依然要为20%的超额收益付费,因为我们是有增强的。类似于这种定价,都可以通过这种产品的设计,不同风险的产品设计,以及把α和β在商业上区分的方式,让投资人更好理解自己要什么,以此实现更好的理解和互动。我相信市场上比较成熟的计价方式。


刚刚赵主任讲到问题,关于收益的区分,α、智能β、市场β不同的区分。最完美的状态,就是有POα比较高,什么风险都不需要承担了,我就愿意承担最完美的POα,我愿意付费,这是我们的目标,我们现在有很多配置是追求这一点的。如果要去暴露风格类风险,那我们需要去检验这家机构具备风格类风险暴露的能力,比如说因子择时,比如说行业的错配,这都属于典型的风格类的风险暴露。今天这个市场上我可以跟大家讲,风格类的暴露是在市值或者很多barra因子上暴露,客观上讲比较难,包括有的机构尝试做这件事情,相对来讲比较难增加很多波动,主要是因为中国市场的变化,现在在去杠杆周期里面,周期太快了,没有像过去2013年、2015年那种长周期的,并且趋势比较强的风格效应,而现在很快,区块链一天就没了,你想去暴露某种风格和特征,它很快。像比如说市值或者很多因子类的风险其实比较难,所以现在我们在这点上不走了,但是现在尝试赚一个钱,就是行业流动的钱。


我们知道模型里面无论是主观基金还是量化,大家可以把自己的收益拆解成基准,像选股收益加上轮动收益,加择时的收益,择时的收益我们不做。但是检验来看轮动的收益目前在量化上实现的程度还是比较好的,行业错配。当然行业错配有风险,比如说2018年如果超配医药,不管什么原因,比指数超跌,会因为你的行业错配亏钱。我们会控制行业暴露的绝对值,不要偏离太多,你可以自己定义这个指标。我们检验发现有的合作方,比如说控制0.2,我们控制这个水平,可以给我们的超额收益有正贡献,而且稳健程度很强。可以讲这是风格类,或者有一定风险特征的收益,但是我们从实践里面是去获取了这样的收益。这个收益我们也会理解是一个风险,不能暴露的太大。暴露太高,我们可能就要电话会议讨论,不能太高。有的事情可以做,有的你检验下来性价比比较低。


赵羲:前面讲了一些偏技术的东西,后面讲点其他的。在座很多业内从业者,我们这边的三位都是自己做私募基金的,都是基金的主要合伙人、管理人。做基金不光是投资,还有很多方面,比如说我们做资产管理要有人把资产给我们管,我们都有投资人。但是徐总身份特殊一点,不光有人把钱给你,还把钱给别人。我们先讲讲我们的投资人,作为私募基金我们的投资人。大家各自的投资人是什么样的构成,我们在跟投资人打交道的时候,现在国内投资人是怎样的状况,有哪些特点,将来会有什么样的变化?


徐以升:我们公司比较羡慕周总这种结构,百分之百的机构客户,我们80%的客户是法人机构,我们管机构叫法人机构。80%里面分成三部分,一部分是中国的银行的资产管理部的委外。第二类是非银金融机构的法人委外。第三类是产业机构,国企、央企、上市公司、民营非上市公司。这三类是我们的80%的客户。20%我们是跟市场渠道有合作,我们只跟两类合作,一类是券商的财富管理,一类是私人银行。这里面占20%的头寸,20%穿透到底层是个人客户,高净值个人客户。有一小部分有个人的单一客户的定制,高金有课程是家族财富管理,可能跟这个类似,个人单客户定制,这块有小几个亿的规模,其他都是个人客户的多客户合同。


我对这个方向的体会有两条,第一条这个宏观周期里面投资人的确在从上一个宏观周期里面的单资产、单方向的投资,更多转向为多资产、多策略的配置,这点我们有这个体会的。第二,我们的体会是,投资人对于信用风险,包括小股票的超跌风险,其实类似于信用风险,还有流动性风险,看的越来越多。所以投资人真的很多在看对冲类,或者说套保类,或者说有风险管理的。我们说避险基金,很多对于风险的认知,我感觉是上升了,对于客户来讲,所以中国这个市场我们可以看到现在有大量的过去投固定收益的资金转向为二级市场的资产和策略投资。


周欣:也是我们一个这么多年来能够存活下来的一个很大的优势,客户对我们的理解是非常深的,也基于他们是机构客户。我们大部分资金来自于险资,现在更多海外的主权,还有养老金在做落地的过程。我觉得一个公司最主要的是你要知道自己能做什么,不能做什么,当我发现我没有去迎接个人客户的客服能力的时候,这个事情我就不做。我一个亲姐姐,几百万非要给我,我跟她讲不保本不保收益,他觉得你们这些人书白读了,我给谁谁谁,年化24%,还是保的,我跟她讲这肯定是骗她的,你自己不行,不能否认别人不行,你自己不行,不能否认这个市场上有高手,几百万被骗掉了。这些钱我是不是应该接,我自己也有波动,至少比血本无归好。中国的散户或者个人客户真的很可怜。炒股又被当韭菜割了,买产品被庞氏骗局骗了,我们这样不愿意骗人的,觉得你不够高级,这是巨大无比的市场,虽然我知道它很大,我能获取的是哪一块,我自己很清楚。像我们跟外资,三年,但是一沟通成功就是几亿美金。我跟它沟通没有障碍,我跟它讲什么都知道,它观察我观察一年,其实三年前这个外资在中国选了二十家机构观察,三年以后剩下我们一家不是说机构不见了,而是中间有很多事情让这些外资看到了一些风险。我觉得中国是要有一些资产管理机构站起来,代表中国本土力量迎接外资的,不是说我放弃了中国的老百姓,我觉得像徐总他们比较善良,还愿意辅导,可能销售力量也大,我自己没有这样的销售力量,也没有这样的客服能力,这样的事情我干脆不做。


唯一一个例外,我们接过一个个人客户,他打电话到公司以后,我说有一个亿,说现在天天睡不着觉,眼眶很肿,很难受,非要来。一般运营接电话说我们不接,但是那天打电话说接不接,我问他钱怎么来的,那个人说炒股来的。我一听你本金多少,他说40几万,我说你来,我想学一下你怎么炒股。他从杭州过来,是一个做导游的,九十年代的时候通过做德语导游攒了40万,在股市里面摸爬滚打变成1.5亿。后来跟他讲完以后,他说我决定投你们,我说你听懂了吗,没听懂。他股灾前找到我,还好把钱都给我了,我们替他不但保存了,基本上一年找我一次,见一下看我们这个公司可能还在。每年见他,这位老哥都精神气一年比一年好,说我现在不用炒股,天天晚上睡得觉。他说四十万变成两百万还可以睡得觉,变成三千万也还行,变成一个亿,睡不着了。他说我调研了这么多主动投资经理,发现他们跟我路数差不多,所以找了一家听不懂的,他说我觉得看你们蛮正派的,应该不会骗我。让我反思,这样的客户其实是优质客户,他懂什么叫波动,懂什么叫回撤,这样的客户不可能通过我的力量挖掘。我们也在尝试着等明年自己的解释能力稍微强一点,培养销售团队,可能走出这一步,但是到现在没有迈出这一步,因为我知道自己能力太有限了。


张增继:还好两位大咖都是机构资金为主,所以留了点汤给我喝。我们的客户基本上个人投资者为主,80%是个人投资者,有一部分FOF基金,有一些券商主投,还有信托,信托现在比较流行的,那条路走不通了,固定收益有点不太好操作,现在在搞TOF等等这些结构在跟我们合作,未来可能机构的资金会占比越来越大,毕竟我们经过摸爬滚打证明了自己在这么动荡的市场还有一点盈利的能力。希望未来管理机构的资金越来越多更好,因为个人投资者在中国的投资者人群里面,整体素质没有达到西方的成熟程度。一面要募集资金,一边做投资者教育,所幸现有管理资金里面,一半以上的客户,不是同学就是朋友,甚至高金读的课程班里面有几个亿的资金我在管理着,很荣幸,他们没有一个不赚钱的,都赚了不少的钱,这个是我比较荣幸的。所以说读高金有好处,即使自己学不会投资,也能找到类似于这两位这样的大咖级的投资管理人,是非常有用的一件事情。其他的留待时间证明。


学员:我最早也是做会计的,我改行改成金融了。改的原因可能跟我的问题有关系,因为我当时是做审计的时候发现一个审计里面制度上最大的缺陷,公司的钱出了企业之后是无法追踪的,这个企业在外面做甲公司,做个供应商或者搞个收益转出去,我们无法像公检法一样追查,不知道您在美国的经验或者您个人是怎么对应这个问题的?


周欣:这个问题很有意思,其实有一篇文章,当时也是我们企业合伙人写的一篇文章,中国的大股东侵占公司利益,在2005年之前都是通过一个叫其他应收款的账目,就是这笔钱走了,我觉得它应该回来,又没有供应商拿走,又没有什么人拿走,去哪呢?其他应收款。这篇文章在2005年、2006年的时候在GFE,写完以后,你会发现其实监管还是学习能力蛮强的,这篇文章在国内引起反响,大股东侵占公司利益最常用的项目就是其他应收款,监管说这个账目以后关掉了,不让随便往里面放了。这些行为在不断演变,这些行为永远不会停止。现在比如说乐视的问题,关连交易,应收款也非常多,而且都是关联方。这种情况下,你说需要监管,或者需要追踪这些钱在哪里是不可能的事情,但是这些事情不代表找不到蛛丝马迹捕捉。这些东西我们都放到风控里面,我们不拿来做交易或者因子,但是会在可投资的股票池里面去掉。意味着你的波动会降下来,其实风控这个东西永远是争议的话题,风控是不是提高收益,不一定,但是一定降波动。


这种会计也好,对基本面的理解也好,一定是有用的。但是像康得新这个钱没了,这个钱出到公司以后,真的去做怎么办,包括张指导说有那么多存货,存货都在海底,怎么去查?会计之所以,你当时应该继续学下去的,你学到后面会发现万变不离其宗,它的账要在时间或者空间平的,平不了就一定有问题,企业其实有三套账,外账就是大家看到的账,对公共发布的。第二套账,税务的账,其实每个公司对税务是另外一套账。第三套账,内账。每套账之间,很不幸的是我们作为公众只能拿到外账,你通过外账推内账长什么样,税账长什么样子。不要看简简单单三大报表,每个报表几百页,六百多页的年报,但是后面隐含的信息是非常多的,这些信息其实大数据,数据量虽然大,最后帮助你投资做决策,进入量化模型的,进去可能就是十个KB,大数据怎么把错综复杂的会计也好,金融也好,市场信息,最后浓缩成,大数据在我看来是让在更大海洋里面找同一根针,针是什么?大家的定力要有。会计归根到底还是非常有用的,只不过虽然我有会计博士,我经常跟公司财务讲,这些账我都看不懂,做什么,他说那是因为你研究高层会计,我们研究记账。对会计的很多误解,觉得我们应该是做账的,也不是这样的,继续学下去还是有很多很深,包括李教授学会计的,但是讲金融一点不输金融的交融。


学员:我来高金以前也是学计算机的,做研究员到现在七八年,管理一个产品。研究和量化结合会不会更好一点,对张总或者周总,因为实际上我们做,你说多头的话,每年最核心的东西是发现这个估值提升的板块,或者涨的最多的板块。今年其实我们不说别的,其实猪来看,猪的逻辑非常清楚,我也知道在去年从量化,你在去年底的时候,基本上能选出来,后来才知道有比较牛的私募大佬,他们当时赚了很多钱,但是你会发现数据是滞后的。比如说猪价在今年年终开始涨,如果量化的话这个时候会体现,比如说类似的这种,它不是像雄安或者自贸区这种纯政策性或者区块链,这个可以是一个方向吗?


赵羲:是指行业研究是吗?


学员:实战投资,我个人觉得比如说你研究这种基本面,包括周总刚才讲的,它的最高顶层是智慧,智慧这个东西我觉得是这里面最核心最牛的东西,计算机是,知识是永远跨越不到智慧的,相对于给我一定的信心。这个意思就是你的AI不会把你淘汰,你作为主动的投资人来说,但是这部分有没有可以尝试的路径,或者说有一定的尝试?


赵羲:基本面研究到量化。


学员:或者说量化辅助基本面。


张增继:新希望我是买过的,周期类的行业,周期类对待,这是我们投资的宗旨。我回答的是刚刚说的研究和量化的关系,因为我们如果说做主观投资有一个困惑,经常遇到回撤比较大的时候,尤其像2015年的行情,如果不加入量化策略的话,神仙也帮不了你,几乎避免不了经历回撤,而且是很大的回撤。有过这些市场动荡的教训之后,我们为什么要加入一定的对冲,其实我不定义为量化,我觉得投资行业,资产管理行业一定要有区别,量化就赚量化的钱,我们做主观就赚主观的钱。但是我对冲是为了减少仓位,减少回撤,这是为了让中国的投资者,你的客户更舒服。因为不这样的话,即便巴菲特在中国开私募公司,可能客户会走光了,为什么?你的回撤经常20%、30%的回撤,这是在国内做投资比较大的困惑,你不但要给客户挣钱,还要想办法走的更稳。像2018年我们比较幸运,我们加入了对冲策略,我们大概对冲了这边的持仓50%到60%,这样的话我的回撤明显比同行,比做主观的同行要小很多,而且到年终结算我们平均有百分之二点几的收益,这就是我们最近几年来的一些心得。发现这个东西还是有一定的好处,但我真的不是为了挣钱,我是为了生存的需要,为了不让客户流失才愿意这样做。我倒愿意像巴菲特那样买了就放着了,但是即便对冲不愿意做,买了就要加进去,因为私募还要生存。


学员:周总可能越来越多一级市场的思维加上量化、对冲的方式去做。行业研究或者更深层次的行业价值挖掘,未来的资产定价取决于最了解这个市场或者这个行业最懂行的人做资产定价,其实未来的竞争核心力肯定就是说看谁最懂这个行业,听听两位具体方面怎么做。因为我们一级相对比较容易,你可能看到一些二级市场看不到的信息或者标的,但是我不知道这两位会不会去做一些实地的行业,再深挖一些行业的价值?


周欣:刚刚李教授最后一张图MIT的几个教授写的,怎么用量化的方式做一级市场,其实最后没有一个明确的结论。对量化的理解可能还是有一点误解,我们很少去研究行业,但是我们基本上通过量化的方式能够把行业,你预期的涨的比较好的,对未来预期涨的比较好的挑出来,这是我说的超越的意思。我们对赛道本身很难选择,除了刚刚徐总讲的可以行业轮动去做,其实用量化的方式去择行业,只有一种方式,我们也尝试过,就是所谓的供应链和上下游关系,这是唯一可以实行的。很不幸是在中国上下游关系数据很少,在美国有一个数据做的就是所有供应链,就是说你这个行业的上游或者公司的上下游分别是谁,这样的话比如说行业的五十个公司,上游已经财报了,知道行业涨的很好,那下游一定涨的很好,这是挑行业唯一的方式,其他的都不可行,但在中国的数据至少我们看到比较有限,我们也在企图买一些另类数据佐证这个事情,这个跟量化选股逻辑是不一样的。我们在尝试,但是这个要变成产品,变成可以投资的策略还是有一定距离的。


徐以升:刚刚举的例子里面,其实行业类的轮动的有基本面的,也有量价类的信息,量价类的信息也比较高频一点,市场能动也比较高频,比较快,用这种信息,通过我们的实践检验来看,中国市场上的确是有量化的私募基金,他们在行业轮动的量价类型的实践上做的比较好,能够做出超额收益来。这个超额收益也不是说不配某些行业,而是说28个行业全配,但是有的行业比指数稍微低一点,有的行业比指数稍微高一点,最终的偏差绝对值求和控制,这个偏差能够相对于指数产生小的超额,这是一个锦上添花。有选股的α为基础,有行业的超额做个加法。


这点跟前面的问题是相似的,量化我们体会只是一种研究的方式,你主观也是逻辑,我量化可以通过逻辑的方式去实现的,它可以覆盖主观可能你的精力和你的有限的表弟,我可以用同样一个逻辑覆盖更多的数据,覆盖更多的可选择的面,最终来实现延伸,可能有这样的一个结果。从行业轮动来讲,一级市场是看行业的特别大的颠覆成长,或者是行业的一些机会。二级市场里面目前没有这种层面的做法,我们目前所做的底层有做的还是量价类信息的获取。


赵羲:我之前是做战略咨询,我们也做很多行业分析,我理解的一级市场和二级市场的行业分析,它是不一样的,主要差别在这里。二级市场的(H)还是相对短一点,不管是量化投资,可能主动投资稍微长一点,但是量化投资相对比较短。如果一级市场是很长的(H),看未来的大方向,越早期看的未来方向越大,越远,这是最主要的差异。但是至于量化怎么用,现在在大数据的环境下,很多一级市场的投资去判断方向的时候,也会收集很多数据做一些量化分析,做一些模型这都是可以用的。今天就到这里,让我们以热烈的掌声感谢三位嘉宾。


王雷:感谢大家咱们今天的活动,今天早上9点课程就开始了,有的8点多就来了。现在将近5点钟了,很多同学坐了一整天,听的非常认真和专注,这就是我们高金需要的学生的样子。还有一些同学可能是想你们对冲基金课程,我们今天公开课是一个正式课程的序曲,序曲很精彩,课程也同样值得期待,如果大家想对我们课程有更多的了解,包括招生报名情况,也可以加一下我的微信。接下来有少部分同学会加入到,已经报名会加入到高金的对冲基金课程当中,我相信来到这个课程,高金会给你带来一个新的天地,更多的知识,还有更好的平台。还有另外一些朋友可能第一次来到高金,今天的活动是我们缔结缘份的开始,期待下次再会。谢谢大家。



七禾网

沈良宏观

七禾调研

价值投资君

七禾网APP安卓&鸿蒙

七禾网APP苹果

七禾网投顾平台

傅海棠自媒体

沈良自媒体

© 七禾网 浙ICP备09012462号-1 浙公网安备 33010802010119号 增值电信业务经营许可证[浙B2-20110481] 广播电视节目制作经营许可证[浙字第05637号]

认证联盟

技术支持 本网法律顾问 曲峰律师 余枫梧律师 六大签约律师 广告合作 关于我们 郑重声明 业务公告

中期协“期媒投教联盟”成员 、 中期协“金融科技委员会”委员单位

[关闭]
[关闭]
[关闭]
我要啦免费统计