读书:赵志强《Python量化投资:技术、模型与策略》

对于量化投资,Pythoner 学习流程一般可以分为如下六个部分。1)了解基础语法和数据结构。2)掌握Pandas的使用基础并进阶。3)掌握统计理论及金融学术理论。4)掌握金融量化实践、策略研究理论。5)学习回测平台开发。6)学习平台开发。

chp1 简介

广义,凡是借助于数学模型和计算机实现的投资方法都可以称为量化投资。

国内比较常见的量化投资方法包括股票多因子策略(阿尔法)、期货CTA策略、套利策略和高频交易策略等

量化投资策略的最大特点是其具有一套基于数据的完整交易规则。

量化投资的优势可以总结为三个词:客观性、大数据、响应快。量化投资一般通过回测来证实或者证伪策略的历史有效性;在研究或者决策中,通常会引入大量的数据来进行分析。;用计算机进行自动分析,所以分析和响应速度都十分迅速,一般能达到秒级,高频交易甚至是以微秒为单位的。

夏普比率是一种衡量策略表现是否优秀的常用指标,夏普值越高表示策略越优秀。

投资不是“优化”问题,投资是“预测”问题,是要预测市场的下一步应该怎么走。

AI在金融投资领域最大的问题是,可用的样本数据极其有限,也无法大量生成。股市有多少历史数据,就有多少样本数据,但也只有这么多。极其有限的样本数据,加上极其庞大的特征维度,是AI在金融预测建模上举步维艰的根本原因。众所周知的是,训练数据是AI的基本养料,数据有限,就会导致模型很难得到大幅度的提升。就那么多有效的因子,大家反复挖掘,失效的速度也越来越快。

在数据分析领域(包括量化投资),编程语言具有两大作用,一个是科学计算、统计等算法层面,主要用于业务的相关研究;另一个是系统应用开发,主要用来搭建基础IT设施,比如数据库、交易平台等。

python是坠吼滴

chp2 平台与工具

python 3.x ;Anaconda;IDE()

chp3 Python金融分析常用库介绍

NumPy(Numerical Python的简称)是高性能科学计算和数据分析的基础包

SciPy 是基于NumPy的,提供了更多的科学计算功能,比如线性代数、优化、积分、插值、信号处理等。

Pandas具有NumPy的ndarray所不具有的很多功能,比如集成时间序列、按轴对齐数据、处理缺失数据等常用功能

StatsModels是Python的统计建模和计量经济学工具包,包括一些描述统计、统计模型估计和推断。一般来讲,StatsModels能够很好地满足各类研究人员的统计计算需求。

DataFrame是一个表格型的数据结构

对于DataFrame数据类型,可以使用[]运算符来进行选取,这也是最符合习惯的。但是,对于工业代码,推荐使用loc、iloc等方法。因为这些方法是经过优化的,拥有更好的性能。

chp4 可视化分析

Python的可视化分析最底层的库是Matplotlib

Pandas 简单的可视化

seaborn 统计可视化库

本质都是调用 Matplotlib

散点图是最常用的探索两个数据之间相关关系的可视化图形

直方图主要用于研究数据的频率分布

Matplotlib和seaborn的中文乱码问题的解决方案。第一种是在画图的时候指定字体,第二种是修改配置文件

seaborn已经封装好了很多功能,在进行可视化分析时,优先考虑使用seaborn

javascript 中的 highcharts可以绘制很多动态的可视化图形,进行数据可视化研究非常方便。https://www.highcharts.com/stock/demo/intraday-candlestick

python 调用highcharts :https://github.com/kyper-data/python-highcharts/blob/master/examples/highstock/candlestick-and-volume.py

chp5 统计基础

以下都是numpy库内函数

rand和random_sample都是均匀分布(uniform distribution)的随机数生成函数。rand_sample传入一个n维的元组元素作为参数

randn 和 standard_normal是正态分布的随机数生成函数

randint和random_integers是均匀分布的整数生成函数

shuffle可以随机打乱一个数组,并且改变此数组本身的排列。

Permutation用于返回一个打乱后的数组值,但是并不会改变传入的参数数组本身。

N次伯努利试验的结果分布即为二项分布。使用binomial(1,p)即为一次二项分布。使用binomial(1,p,n)即表示生成n维的二项分布数组,也就是伯努利分布。

统计量,就是利用数据的函数变化,从某种维度来反映全体数据集的特征的一种函数。

mean函数可用于计算数组的平均值

median函数可用于计算数组的中位数

std函数用于计算数组的标准差

var函数用于计算数组的方差

频率分布直方图其实是对一个变量的分布密度(分布)函数进行近似估计的一个手段。

np.histogram可以用来计算一位数组的直方图数据

SciPy包含了大量的处理连续随机变量的函数,每种函数都位于与其对应的分布类中。每个类都有对应的方法来生成随机数,从而计算PDF、CDF,使用MLE进行参数估计,以及矩估计等。

回归分析是通过建立模型来研究变量之间的相互关系并进行模型预测的一种有效工具。

案例:以平安银行的月度收益率为例来了解某只股票的风险回报率是否与大盘指数基金风险回报率有关,且相关度有多高?

思考的问题是,如果大盘涨1个点,那么平安银行股票统计概率上会上涨多少点?

假定如下模型:银行月度收益率=α+β*深证成指月度收益率+ε

即平安银行月度收益率与深证成指月度收益率呈线性相关,并且受随机扰动项影响

这又带来了新的问题。这个结论可靠度有多高?这个系数会不会浮动?从历史数据来看,这个浮动区间应该是多少?

能否利用数据来拒绝这一假设。这一类问题,在统计学上统称为假设检验(Hypothesis Testing),为了解决这一问题,需要使用的手段被称为统计推断(Statistical Inference)。

当我们拒绝这个正确的假设时,我们犯的错误,称为第一类错误(Type I Error)

即使假设是错误的,我们也会接受这个假设,这类错误称为第二类错误(Type II Error)

拒绝假设的概率函数称为功效函数(Power Function)。而由于我们无法同时满足最小化两类错误,因此必须要寻找到一个平衡点,以控制更严重的错误,并适当牺牲犯不严重错误的概率。哪一类错误更为严重是根据实际问题来确定的。

常用的设计检测框架的模式是,控制第一类错误的发生概率,并且调节假设,使得发生第一类错误更加严重,这个严重度会得到统计学者的控制。

chp6 数据预处理和初步探索

收集到初步的样本数据之后,接下来需要考虑的几个问题是:样本数据的质量是否有问题,如果有问题,应该怎么处理?样本数据是否出现了意外的情况?样本数据包含哪些基本的统计特征,有没有明显的规律?为了便于后续的深入分析和建模,我们需要对数据进行哪些处理?

数据清理:原始数据的可能问题,数据缺失、噪声或者离群点、数据不一致

中心趋势度量主要包括均值、中位数、众数

数据散布或者发散的度量。这些度量包括方差、极差、分位数等。

方差和标准差是最常见的数据散布度量,它们可用于指出数据分布的散布程序。低标准差意味着数据趋向于非常靠近均值,而高标准差则表示数据散布在一个大的范围中

极差是数据中最大值和最小值的差值,数值X的N个样本x1,x2,…,xN的极差可以记作max(X)-min(X)。

挑选某些数据点,这些数据点刚好可以将数据划分成大小相等的集合,这些数据点称为分位数

直方图是以一种图形方法来概括给定数值X的分布情况的图示。

散点图(scatter plot)是确定两个数值变量X、Y之间看上去是否存在联系,以及具有怎样的相关模式的最有效的图形方法之一

五数概括由中位数、两个四分数、最小、最大值组成

chp7 Pandas进阶与实战

可以将多重索引对象看成是一个由元组(tuple)元素组成的数组,其中,每一个元组对象都是唯一的。MultiIndex既可以由嵌套数组创建(使用MultiIndex.from_arrays),也可以由元组组成的数组创建(使用MultiIndex.from_tuples),或者指定每个维度的索引值,自动循环生成索引(使用MultiIndex.from_product)

chp8 金融基础概念

量化投资发展史:野蛮、乱象、科学

 

 

量化投资发展史:野蛮、乱象、科学
作者:陈慧隽

支持:远川研究所投资组

 

 

 

2008年11月,在金融危机的凄风苦雨中,一场听证会在美国众议院召开,五个西装革履的金融大鳄毕恭毕敬,接受政客们的轮番质询。

 

这5个人都是美国顶级对冲基金的掌门人,从左到右分别是量子基金的乔治·索罗斯(George Soros),文艺复兴的詹姆斯·西蒙斯(James Simons),保尔森基金的约翰·保尔森(John Paulson),先驱资本的菲利普·法尔科(Philip Falcone)和城堡投资的肯·格里芬(Ken Griffin)。

 

量化投资发展史:野蛮、乱象、科学

美众议院听证会,2008年,来源:福布斯

 

五个人的共同点是都在金融危机里赚了超过10亿美元,但在听证会上,他们不得不收敛锋芒,试图消除“发国难财”的指责,比如保尔森强调自己的成就是由于“艰苦的工作和详尽的研究”,而法尔科则哽咽地说自己来自贫困的工人阶级家庭,能赚这么多钱纯是因为相信美国梦。

 

十二年过去了,这5位金融大鳄仍然活跃在投资一线,但在这次新冠危机中,他们业绩却有了明显的分化:索罗斯、保尔森和法尔科均遭受了不同程度的损失,但西蒙斯的旗舰基金Medallion今年回报高达29%,而格里芬的旗舰基金Wellington也基本没有亏损,顺利躲过股灾。

 

索罗斯、保尔森和法尔科均是擅长主动投资,而西蒙斯和格里芬则都是从事量化投资,在动荡的市场环境下,这是他们业绩分野的重要原因。

 

与主动投资策略不同,量化交易策略(Quantitative Trading Strategies)不依赖于个人判断,而是通过复杂的数学模型来预测投资标的未来价格。经过30多年的发展,量化基金已经逐渐跻身到美国投资市场的主流,而顶尖的量化机构,也都形成了自己鲜明的特色。

 

以AQR为代表的学术量化派,与学术圈深入合作发表大量论文,还专门建了图书馆分享研究成果;以WorldQuant为代表的因子挖掘派,从海量数据中充分挖掘有用的因子;以西蒙斯的Medallion(大奖章)为代表的短线技术派,用数学、物理等科学方法来建立量化模型……

 

不管哪种流派,背后都是海量的数据、复杂的逻辑、神秘的模型,这让量化投资显得高深莫测。2015年作家迈克尔·刘易斯(电影《大空头》的原著作者)撰写了一本阐述高频交易(量化策略的一种)的书《Flash Boy》,好莱坞纷纷表示里面逻辑太深奥,很难拍成电影。

 

在2008年的那场听证会中,西蒙斯和格里芬作为量化投资的代表人物登上媒体头条,事后也经受住了华盛顿政客们的审查,安全过关。但另外一家在量化投资领域也举足轻重的公司——巴克莱旗下的Barclays Global Investors(简称BGI),运气就没有那么好了。

 

BGI是全球最大的基金管理公司,也被称作是量化投资的大本营。1971年BGI发行了第一只被动指数基金产品,6年后又成立了第一只主动量化权益产品。不仅如此,BGI也是最早将主动量化模型运用在亚洲市场的公司。早在2007年就成立了大中华团队,用数量模型研究A股。

 

量化投资发展史:野蛮、乱象、科学

BGI旧金山总部大楼,来源:wikimedia

 

然而尽管BGI在08年的金融危机中业绩表现亮眼,却依然没能躲过被卖身的命运。由于巴克莱银行收购雷曼兄弟(部分业务)后仍需投入天量资金,于是在2009年6月便以135亿美元将BGI出售给贝莱德(BlackRock),来满足监管机构在一级资本充足率上的要求[1]。

 

BGI被收购之后,里面不少中国籍员工回国就业,这似乎是某种蝴蝶效应——在BGI被收购的2009年,中国量化投资的故事也正式展开了。

 

 

 

01.西落东起:春江水暖鸭先知

 

 

 

早在2004年,国内就先后成立了两只量化基金:光大保德信量化核心基金和上投摩根阿尔法基金。两只基金的掌舵人常昊和吕俊,日后也业界闻名的顶级投资人,但从他们投研理念来看还属于传统价值投资派,更加偏好主动投资,对于量化投资还在自我摸索阶段。

 

加上当时的交易制度不完善,有效投资工具缺乏,量化的真正魔力难以施展。市场更加偏好主动基金,对于投资分散、波动较小的量化基金不屑一顾,随后4年,国内没有任何一只新的量化基金发行。直到2009年,大量拥有海外量化经验的人才纷纷回国,浪潮才真正开始。

 

2009年,嘉实量化阿尔法、中海量化策略、长盛量化红利策略、富国沪深300增强和华商动态阿尔法相继成立[5]。其中,曾在BGI担任大中华主动股票投资总监的李笑薇 [6],回国后加盟富国基金,开始着手组建量化团队,将海外积累的量化投资经验应用于中国的金融领域。

 

不同于主动选股,量化选股的核心在于前期的模型设计环节。策略的设计不能光凭经验和直觉,需要使用大量的历史数据搭建一个模型,再通过各种测试来检验模型是否有效。一旦模型投入使用,就必须严格执行,克服人性弱点和认知偏差。不到特殊情况,不做人工干预。

 

在量化模型中最广泛运用的,是多因子模型。它将影响股票价格的各个因素(比如宏观、行业、流动性、公司基本面、交易情绪等)剥离开来,通过对历史数据的统计分析进行验证,筛选出有效因子,买入满足这些因子的股票。这样就能避免主观盲目,快速覆盖所有股票。

 

2010年3月,上交所和深交所开通了融资融券交易系统。半个月后,中金所推出了沪深300股指期货(IF),标志着做空机制与杠杆交易的启蒙,自此我国股票市场不再只有上涨才能盈利,市场下跌不仅可以赚钱,还可以派生出丰富的资产配置策略。这对于量化投资来说是具有里程碑意义的一刻。

 

像上文提到的基金名字中的“阿尔法(α)”就是一种重要的量化策略,简单来说任何一只股票的收益等于“α+β”,β是与市场同涨共跌的部分,α是独立于市场波动以外的部分,即一只股票涨了,可能是由于大盘(β)在涨,也可能是因为股票本身的因素(α)。

 

α策略也叫市场中性策略,就是把大盘风险(β)对冲掉,不管市场涨得好不好,只留下股票自身的收益,具体的做法可以通过做多股票组合(α+β),同时做空股指期货(-β),最终就剩下了绝对收益α。在没有股指期货这样的做空工具前,市场中性策略是很难实现的。

 

2012年,曾经在BGI担任基金经理的田汉卿和黎海威先后回国,并分别进入华泰柏瑞和景顺长城组建量化团队。而拥有BGI背景的李笑薇、田汉卿、黎海威这三位的投资方向,基本可以囊括当时公募基金的量化策略。

 

公募量化策略大致可以分为三类:指数增强(购买的大部分股票基本复制指数的成分股,通过择时、择股等手段,获得比指数更高的收益回报)、量化选股(通过量化模型筛选出股票,在合适的时机买入,追求超越业绩基准的超额收益)和量化对冲(也叫市场中性,追求的是绝对收益α)。

 

当我们看到公募基金学习了海外大量经验,发展得轰轰烈烈的时候,有更多草莽英雄隐在幕后,悄声壮大。

 

 

 

02. 浪潮来袭:海内群雄逐鹿时

 

 

 

IF(股指期货)推出的头几年,市场上流传着无数传说。

 

刚毕业的大学生写出的量化模型,3年能赚5000倍;基金经理死活不肯对外募资,生怕泄露了自己的惊人业绩;看开盘前30分钟股指走势,涨就买,跌就卖,收益照样可观……这样简单追涨杀跌的策略能够横行,本质在于相信价格的上涨和下跌具有持续性,这在海外已经被总结为动量策略。

 

但国内量化刚刚起步,大多数人还不懂如何运用,这就给真正懂行的人带来了机会。

 

2011年,在海外顶级量化机构工作过的任思泓从中金离职,创立了金锝资产;2012年,清华计算机博士毕业的王琛从华尔街的千禧基金回国创业,成立了九坤投资;2013年,毕业于北大物理系的徐晓波从本文开头提到的美国城堡集团回国,创立了锐天投资

 

2014年,中金销售交易部副总蔡枚杰创业,成立灵均投资;同年,华尔街的裘慧明回国,创立明汯投资2015年,包括徐进在内的3个浙大计算机系的同学从IT转向量化投资,成立了幻方量化(九章资产)……这些公司日后都成了叱咤风云的私募,巅峰时期规模过百亿。

 

而由此可以看到,顶级量化私募大多可以分成两类,一类是脱胎于北大、清华、浙大等高校的本土量化,另一类是具有海外投资经验的海归量化

 

由于私募的监管相对宽松,组织结构简单,所以交易策略更加灵活、投资更隐蔽,一般来说风险也更高。与公募量化更看重基本面数据不同,私募量化更偏重于量价类,也就是技术面,换仓周期也从公募的一个月一次缩短到几天。

 

比如同样的指数增强策略,私募可能只是将指数作为比较基准,实际的交易标的远远不止指数成分股;同样的量化选股,私募则更注重于高频策略,暴露更多风险,用高换手率来控制暴露的风险[8]。

 

除了上文提到的公募基金的主要量化策略外,私募的量化策略更加丰富,包括期货策略、期权策略、债券策略和其他策略等。

 

期货策略也就是CTA(管理期货)策略,投资范围包括股指期货、大宗商品期货和国债期货,最经典的做法是捕捉价格动量的趋势性,说人话就是“追涨杀跌”,通过快速止损实现“亏小赢大”的局面。

 

还有比较经典的是套利量化策略,通过跨市场、跨期限、跨品种去捕捉市场的不合理价差。比如国内大商所的大豆、玉米可以和芝加哥期货交易所的农产品进行跨市场套利;豆油、棕榈油和菜籽油互为替代品,受到季节性气候的影响可能会出现跨品种套利空间;同一品种不同月份的价格强弱变化又可以带来跨期限套利。

 

量价策略和基本面策略还有很大的不同。由于A股还是以散户交易为主,私募的量价策略可以捕捉到散户的不理性行为,反向操作即可赚取超额收益,这几年很受到市场追捧,竞争也日益激烈,为了挖掘出超额收益,只能采用更加高频的数据。但在相同市场环境下,换手率越高的策略资金容量越小。

 

因此私募量化也进入了瓶颈期,这两年有多家私募直接暂停所有产品的申购、追加[9],也有通过提高管理费的方式来控制规模的[10],还有挂羊头卖狗肉的,对外展示部分惊人业绩的产品,但投资者只能申购普通业绩的产品。

 

如果说量价策略的关注点在交易行为上,那基本面量化更关注投资标的本身。就股票而言,基本面量化是用数字描绘上市公司的全景图,将公司的特征浓缩为一个个因子,用数据组合在一起形成对公司的整体刻画。基本面量化可以不在乎一城一池的得失,因为背后有经济学原理的支撑,能够看得更远,市场容量也更大。

 

投资是一场冒险,而量化是一场科学的冒险。相比起挑选主动基金时辨人的风险,量化投资可以用更加科学严谨的模型来确保投资风格不漂移,规避主观情绪波动带来的误操作。但在量化成为真正主流投资方式前,还有不少考验在前方等待。

 

 

 

03. 还看今朝:柳暗花明又一村

 

 

 

当量化策略在更多的数据、更准的模型和更快的速度三个方向上急速狂奔时,遇到了不少波澜,为行业清理了一大批基金。

 

2014年底的“α黑天鹅”事件。2013年开始,尽管大盘涨幅不大,但以创业板为代表的小盘股起飞,量化基金只要做多创业板,做空IF对冲,就可以获得54%的年化收益[11]。然而2014年11月底,央行宣布降息后股市直冲云霄,小盘股涨幅远不及大盘股,导致超过1/4的α策略产品回撤超过15%,多只产品被迫清盘[12]。

 

2015年中股灾爆发。6月中下旬起,股灾降临使股指期货陷入舆论漩涡。为抑制过度投机、加强异常交易监管,监管层从8月开始逐步加大对股指期货的管控,1个月内连做5次调整,提高交易成本,降低杠杆,日内开仓从不限制调整为限10手,平仓手续费比例较股灾前提高了超过100倍[13]。

 

2016年底市场风格转变,从高估值、小市值的股票转向了基本面扎实、业绩稳定的公司。一些给成长因子、小市值因子给予过高权重的量化基金偃旗息鼓,有过百亿的量化基金遭此一劫一年内规模缩水近六成。

 

后股灾时期,由于缺乏有效的做空工具,股指期货价格不能有效反应市场情况,量化对冲类策略基金受到冲击暂停开仓,CTA策略和量化选股竞争越来越激烈,难复往日之勇,加上小市值因子失效等事件,把蒙了一层神秘面纱的量化基金拉下了神坛,大幅回撤、彻底清盘不在少数。

 

但也正是在这个艰难时刻,接受过洗礼后还能茁壮成长的基金才能真正被市场认可,一批新星冉冉升起。比如学术派研究的光大保德信金昉毅、“固定收益+”的海富通杜晓海等。

 

2016-2017年被称作是量化小年[14],但就在这两年连续有一只量化基金摘取了金牛奖开放式股票型持续优胜基金的桂冠,这一荣誉在业内被誉为是基金行业的奥斯卡。这只量化基金的掌舵人金昉毅十分推崇国外学术量化派代表AQR的学术氛围,因此在加盟光大保德信后,金昉毅要求团队成员每年必须完成一篇学术论文。

 

2018年市场萎靡,上证指数全年下跌25%,主动选股基金几乎全军覆没。量化基金里的指数增强和量化选股也好不到哪里去,唯独市场中性策略因为剥离了大盘(β)风险,一枝独秀。不管大盘表现如何,能够切实为投资者赚到钱,这也是金昉毅做市场中性策略的初心。

 

从海外量化的发展历程来看,市场越成熟,越难挖掘α因子,因此也更需要用做学术研究般科学严谨的态度来不断找寻新的因子。而金昉毅正是基于这样的学术态度,才能够顺应潮流,不惧风浪,持续赚取超额收益。光大保德信在2004年推出了国内第一只量化基金后,兜兜转转如今又重新回到一线角逐量化宝座。

 

尽管疯狂赚快钱的时代已经过去了,但量化这块宝地吸引来了越来越多的互联网科技公司,百度等巨头下场竞技,微软等外资也不甘落后,同花顺等股票软件更是近水楼台先得月,纷纷与基金公司联手推出了大数据量化基金,八方过海各显神通。

 

原本的多因子模型中包含了财务等基本面数据和量价等技术面数据,未来搜索、社交等生活中所有能够数字化的数据都可能被纳入量化模型,伴随着股指期货的逐步放开、股指期权正式上市,中国量化的新时代大幕正在缓缓拉开。

 

 

 

04. 天地广阔:直挂云帆济沧海

 

 

 

1970年量化投资在海外全部投资中占比为零。待到2009年,量化投资在美国全部投资中占30%以上[16]。2018年全球熊市中,最赚钱的20家对冲基金中,有一半以上是量化基金[17]。美国量化经历了几十年的时间,才从幕后走到台前。

 

中国量化投资才刚刚度过了蹒跚起步的阶段,启蒙于精英的海归,发展自江湖的草莽,规范始监管的介入。普通投资者对于量化投资的认知还相当模糊,人工智能、卷积神经、机器学习等高深莫测的词汇与那些暴利传说,交织成了量化投资的妖魔化刻板印象。

 

事实上量化投资在中国的总体规模依然相当有限,在公募基金规模中,将所有的主动量化或者名称中带“量化”字眼的基金都算在内,占比还不足5%。量化投资对于整个市场影响依然非常低,相较于成熟市场,量化投资在中国依然是一片广阔天地,将大有作为。

 

量化投资发展史:野蛮、乱象、科学

 

对于处在去散户化和机构化历史进程中的A股而言,量化投资能够更快发现投资机会,起到了市场润滑剂的作用,提供充沛流动性、平抑市场波动。未来伴随着期指、期权等金融衍生工具的逐渐完善,基本面多因子、统计套利、高频交易以及CTA等量化策略将进一步在中国资本市场普及。

 

一个有效的量化模型背后是一个团队数年、数十年研究积累的成果,对普通人来说,自己研究搭建量化模型是一件几乎不可能完成的事情。要想抓住未来量化投资的发展大潮,选择一个懂研究、有业绩、真靠谱的团队,才是正道。

 

从海外的发展过程来看,未来在中国市场上还能通过科学手段赚取α收益的时间并不多了。对投资者而言,用一场科学的冒险来实现财富增长,未尝不是一个有趣且有效的选择。

 

 

全文完。投资有风险,入市需谨慎。

 

 

参考资料:
[1]. 英国巴克莱银行将出售旗下基金公司,新华网,2009年
[2]. 巴克莱收购雷曼反被拖累,21世纪经济报道,2009年
[3]. 用数学模型炒股,不聘商学院人才,环球人物,2009年
[4]. 如何选择量化基金?,天天基金网,2016年
[5]. 中国迎来量化基金时代,资本市场,2009年
[6]. 量化巨人——BGI,景顺长城,2017年
[7]. 股指期货和融资融券对中国资产管理业的影响浅析,王高伟,2010年
[8]. 中国私募量化简史:策略、投顾、业态及展望,陆家嘴私募基金研究院,2019年
[9]. 受容量限制,部分量化私募暂停产品申购,中国经济网,2019年
[10].私募提高业绩提成比例,管理费下降成趋势,天天基金网,2018年
[11].从量化对冲“黑天鹅”说起,金斧子,2016年
[12].四大私募量化策略解析,江卓轩,2017年
[13].中金所限制性政策对股指期货市场和现货市场的影响,邵添夏,2018年
[14].巅峰对话:弄潮资管大时代,林成栋,2017年
[15].百亿私募大变局,资事堂,2019年
[16].中国量化投资的先行者,人民网,2010年
[17].去年熊市中,谁是最赚钱的对沖基金?,ChiefStock,2019年

 

转自:https://mp.weixin.qq.com/s/VPrtXh-M2Sf8osNCDLFrPg

量化投资中业余Quant劝退信

作者:BerSerK
 

业余Quant劝退

很多人都知道我业余时间在做Quant,而且真的有自己的真金白银在线上交易。还有Quant网红BBQ在持续忽悠广大码农业余做量化。或许你也想过要不要业余时间做Quant。

 

确实是有一些人通过业余时间做Quant很成功的。记得我还没毕业的时候,就听了一个大神的讲座。这位大神的简历非常牛,北大本硕博,微软亚洲研究院,华为研究员,手里论文专利一堆。他还声称自己编程能力非常全面,从汇编到并行计算再到操作系统源码,各种程序都研究过。就是这样一个大牛,那年在巡回做一个他的交易系统的讲座,可能也是在顺便招人。这位大牛叫做俸旻,现在一边开着量化公司,一边还是某个大学的教授。你能百度到他的信息。大牛说自己当初走上这条路是因为有个人知道期货市场有一个非常可靠的套利机会,听说他工程实现能力强,所以来问他要不要一起做,他犹豫了犹豫最后决定去做了,结果还真成功了。他在讲座现场也把这个套利机会告诉大家了,就是在主力突然拉升的时候去抢次主力。他说只要机会出现真的抢到筹码,一次挣个几万几十万非常容易。有了这次成功,他就慢慢的在Quant的路上越走越远。金融市场上确实有个人业余做量化的空间。有的机会容量小,机构根本看不上,而一般散户又没有能力做,编程能力强的个人就有机会了。

 

虽然有大神的成功在前,我还是奉劝各位,不要轻易走上业余量化这条路。大牛的成功在于先看到了机会然后去做,而不是大多数人为了做量化而做量化。如果你没有任何基础,仅靠业余时间闭门造车找到可靠alpha的可能非常小。浪费时间做量化,还不如努力工作争取升职加薪。量化能做出稳定年化15%的策略已经是非常专业的水准了。就算你投入两三年的收入,15%的年化,10年也就4倍,还不如加杠杆买房的无知群众。而主业做好了,升职加薪带来的收益可远远不止这些。况且就过去十多年甚至几十年的美股和中国楼市的情况,buy and hold就行了,浪费那么多时间做量化干啥。

 

顺便再劝退一下用那么一两个月工资的资金量听消息炒股的散户。天天上班划水盯盘频繁交易真的没什么意义,还不如认真工作争取升职加薪。如果你真的把炒股当做一个业余爱好,那就认真调研,然后buy and hold,不要频繁交易影响工作。

 

劝退,同时也是自我反省。

 

写于深圳返京飞机上。

 

————

 

Quant创业劝退

在前段文章中,我劝在没有一定实力,普通老百姓不要入业余Quant这个坑。就算你所得到的策略已经优秀到了专业水准(稳定年化15%),你可能也不如加杠杆买房的无知群众。今天我要劝退的是另外一群人,就是无畏的Quant创业者。

我先来看看Quant创业成功都是什么样的人。

 

其中一类是九坤、幻方、因诺这样的。他们是什么特点?他们的共同特点是有年化翻倍的高夏普策略。这样他们只要千万级别的投资就可以迅速积累出财富可以聘用比自己聪明的人,并且,他们这套翻倍策略,保证他们不饿死。

 

另外一类是金融界老兵创业,他们的特点是人脉广,影响力大。他们用不着做出翻倍策略,只要能有年化百分之十几的稳定策略,就可以靠自己的影响力和销售能力做到十亿以上规模,然后活得很好。这个老兵的定义也不是说非得投行MD级别。我认识的就有在主流Quant基金混过比较高级别的80后创业成功,也做到了十亿规模。

 

那么我们要劝退的是哪些人呢?就是那些除了只有名校头衔忽悠人,没有什么实际实力的。这些人刚开始创业能募集千万级别的资金算能力不错了,这千万级别的资金大概率还是亲戚朋友那里来的。就算你募集到了1亿吧,假设你的策略赶上了量化私募的公开策略的中等水平,年化10%,管理费加业绩提成也才300万,租房等各种开支50万,剩下250万,也就刚够养你那几个好哥们,而且客户拿到手也就7%,明年还投不投你还不一定呢。而且,你创业初期一旦有一年净值曲线走坏,年化低于5%了,甚至亏钱了,怎么办?

 

所以,我劝你没有金刚钻就不要创业,如果你已经走上这条路了,我觉得你努力的方向可能应该是小容量(1000万-1亿)的翻倍策略,而不是容量百亿的10-15%策略。

 

在这里也顺便提醒一下如果不是公司合伙人的好朋友,应届毕业生不要去规模一亿都不到的小私募,风险太大太大,职业路径分分钟走歪。除非这家私募有翻倍策略保证公司不死。

 

两篇劝退,其实都不是完全的劝退,而是希望你真的做好准备了再开始,不要冲动行事。甚至,聪明人眼里可能还是劝入,因为,我毕竟给了那么多成功例子。

 

写于早起的清晨。

2020年第19篇文章

转自:https://mp.weixin.qq.com/s/qX5SJUEo1EPK3f_anTHlRQ

2019西蒙斯访谈:量化策略、职业与交易

前言

提起西蒙斯、大奖章、文艺复兴大家可能再也熟悉不过了,几乎所有Quant都听闻过他老人家和文艺复兴的辉煌业绩。在这里我们不再对其西蒙斯本人进行过多的介绍。只想说一句:

2019西蒙斯访谈:量化策略、职业与交易

詹姆斯·西蒙斯( James Simons,1938年-)是美国的数学家、投资家和慈善家。作为最伟大的对冲基金经理之一,他是量化投资界的传奇人物!

2019西蒙斯访谈:量化策略、职业与交易

据机构投资者在4月份公布的年度收入最高对冲基金经理富豪榜中:文艺复兴科技公司的西蒙斯排名第二,其赚了15亿美元,低于2017年的17亿美元。第一名则是桥水的达里奥。Citadel的创始人Kenneth Griffin以8.7亿美元的收入位居第三,与去年的14亿美元持平。

2019西蒙斯访谈:量化策略、职业与交易

2017年,西蒙斯的平均工资为 每小时18.4万美元。该基金的许多量化研究员一年挣的钱还不够这个数字,至少在薪水方面是这样。

 

根据最新的数据,在这30年里,5%的管理费、44%的业绩提成下,大奖章的费后收益均值为39%。简直了!!!

 

2019西蒙斯访谈:量化策略、职业与交易

下图显示了文艺复兴以H1B签证向其East Setauket New York 办事处聘用的量化分析师和工程师支付的薪资(单位为K)。文艺复兴以只雇佣少数精英研究人员而闻名,但与以往的H1B薪酬数据一样,这只是一个小样本,它反映了仅向非美国研究人员支付的薪酬数额(在美国工作的公民)。

数据表明,文艺复兴是很多对冲基金中薪酬最高的机构之一。然而,值得注意的是,工资并不是大多数人为西蒙斯工作的原因。真正的吸引力是他们向Medallion基金投资的机会,该基金只对员工开放,自1988年成立以来,每年的回报率约为40%

2019西蒙斯访谈:量化策略、职业与交易

本周二,公众号力推了一本书,介绍如下:

作为全网具有影响力的量化类自媒体,公众号今日为大家推荐一本刚刚出版的书籍,我们在上个月就在等待这本书的出版了,可谓日思夜想!

这本书可谓有着一手资料!

本书由《华尔街日报》记者格Greg Zuckerman撰写,讲述了西蒙斯和他创立的文艺复兴的历史。Greg Zuckerman花了两年半的时间研究这家公司,与40多名员工进行了交谈。尽管西蒙斯对这本有些顾虑,但最终还是同意坐下来接受超过10个小时的采访

这本书应该是对西蒙斯的权威研究,让我们了解很多关于文艺复兴不为人知的技术细节。作为西蒙斯的粉丝,公众号力推这本书,很多内容都是新的,不是市面上我们看到的陈词滥调!

2019西蒙斯访谈:量化策略、职业与交易

点击上方图片免费下载此书

这本书读起来更像是一本精彩的小说,而不是通常的金融书籍。西蒙斯并没有“解决市场问题” ,相反,他创造了一个极其有利可图的交易系统。在价值数十万亿美元的市场上,文艺复兴只限于交易几十亿美元。如果他真的解决了市场问题,那么,大奖章的规模将远远超过100亿美元。相反,西蒙斯只解决了一个问题:如何让自己和其他的投资伙伴变得超级富有。

 

在前几年有关西蒙斯的公开视频中,大家关注最多的有以下几个:

2010年MIT

2019西蒙斯访谈:量化策略、职业与交易

2014年AMS Einstein Public Lecture

2019西蒙斯访谈:量化策略、职业与交易

2015年TED

2019西蒙斯访谈:量化策略、职业与交易

时隔多年,2019年,西蒙斯又一次在公开场合会为我们带来怎样的论点呢?

讲座背景

2018年9月17日:麻省理工Sloan管理学院宣布,麻省理工学院校友、文艺复兴创始人、数学家詹姆斯·西蒙斯获得S. Donald Sussman奖。该奖项授予在量化投资策略和模型方面表现出创新和卓越表现的个人或团体。西蒙斯因其在这一领域的杰出贡献,以及他在数学方面的工作和对基础科学研究的积极支持而入选。麻省理工Sloan管理学院院长David Schmittlein表示:“我们很高兴授予西蒙斯博士这个奖项,以表彰他作为数学家、投资者和慈善家的非凡职业生涯。”

2019西蒙斯访谈:量化策略、职业与交易

麻省理工Sloan管理学院金融工程实验室主任、奖项委员会成员Andrew Lo教授指出:“西蒙斯在多个领域都是一个传奇人物,他是量化投资的典范;我们很感谢他接受这个奖项。”

关于S. Donald Sussman奖

S. Donald Sussman从事另类投资超过30年,管理着专注于量化和基本面策略的基金。他是Trust Asset Management、Paloma Funds和New China Capital Management LLC的创始人。他是董事会成员和执行委员会成员,也是卡内基音乐厅投资委员会的联合主席。他曾就读于哥伦比亚大学,并在纽约大学获得理学学士和工商管理硕士学位。

S. Donald Sussman奖由MIT Sloan Finance Group监管。获奖者将获得10万美元的现金奖励,且在获奖期间于麻省理工Sloan管理学院举办三场公开讲座,分享对量化金融和金融业的见解。

这就是本次演讲的由来,大家清楚了吧?

2019西蒙斯访谈:量化策略、职业与交易

S. Donald Sussman Fellowship Award Fireside Chat Series 

本次公开讲座的总体主旨是:

Math, Money, and Making a Difference

主题分别为:

2018-2019年度获奖者:MIT校友詹姆斯·西蒙斯博士,SB ’58

  • 第1场:数学

  • 第2场:金融

  • 第3场:慈善事业

本文首先对【第2场:金融】采访和问答进行了脱水整理与解读主持人是MIT金融学教授 Andre W. Lo在这次采访中,西蒙斯讨论了他的量化投资方法,以及这一方法在他的职业生涯中是如何演变的。同时还谈到了基础交易以及他的管理风格是如何帮助文艺复兴取得了如此成功。最后还有和观众精彩的问答环节。

2019西蒙斯访谈:量化策略、职业与交易

对比之前得照片,可以感觉到,西蒙斯老了

后面会对【第1场:数学】进行整理与解读。大家敬请期待!

针对第3场:慈善事业】我们将不做解读,大家自行收看!

公众号对此次采访做了 全网独家 翻译和解读。同时感谢石川博士对部分内容的修正。

内容概要
  • 对商业的兴趣

  • 其他概括

  • 为什么去石溪大学数学系?

  • 为什么开始从事货币交易?

  • 关于大奖章基金

  • 文艺复兴办公环境介绍

  • 如何管理你的团队 ?

  • 如何保持在业绩上的长青?

  • 2008金融危机

  • 问答环节(12个问题)

对商业的兴趣

我毕业之后去伯克利读了博士,在那里我遇到了我的论文导师Berg Kaster,后来我和哥伦比亚的朋友,一起做一些生意,并且赚了一些钱,我父亲当时也投资了一些钱,那些钱后来为我职业生涯的转变奠定了基础。我在MIT 教书的时候,我通过借钱对我的生意做投资。几年过去了,我需要开始还贷,就像所有其他的企业刚刚起步一样,我们开始期望18个月以后就可以有红利可分,我们对自己的公司报了太高的期望。不过我们最终还是得到了红利,但那是在几年之后,不过这些红利数目还是相当可观的。

其他概述

需要建立一个系统性的交易系统,要知道模型的所有细节。他还讲述了大家众所周知修整模型,王者归来的事情。

这也在西蒙斯之前的一些演讲中多次提到的事情:

我从IDA找来了全世界最好的模型创建者,Lenny。在IDA 的时候我们一起构建模型。Lenny开始和我一起创建模型,但是我却一直在做交易。Lenny 似乎对建模越来越不感兴趣,而是经常会去阅读一些新闻。然后他会形成自己的观点比如说市场会上涨,市场会下跌之类,都是关于外汇和债券的一些东西。然后我开始发现有很多时候他的分析是对的。我说:“好的,你是用的什么模型?不妨我们用它来赚点钱吧。”我们的回报率很高,从我问“你运用的什么模型”开始的两年里,我们把我们投资者的钱变成了刚开始的12 倍,那还是扣除了其他费用的。听上去我们做得不错,我们也是极其幸运的。当时在我的脑海里想的仍然是我可不想只去建模,但是另外其他的人可以专门建模。Jim Max,一个很著名的数学家,离开了石溪大学后加入了我们,他的确建了一些模型。在接下来的几年里,我们把基本面交易,风险投资和所有其他的投资方式结合在一起,我们一直在不断创造出新的更有效的模型。

既然我们会做模型,那就不妨跟着模型走。

所以,在1988 年的时候,我决定百分之百的依靠模型交易。而且从那时起,我们一直都这么做。我们建立了一个百分之百依靠电脑模型做交易的公司,逐渐地,那些模型也变得越来越有效,我们还招进了越来越多的人。

当时他请来了普林斯顿大学的数学教授Henry Laufer,一起对交易模型进行修正。这次耗时6个月的修正被《量化投资——西蒙斯用公式打败市场的故事》一书的作者称为是大奖章基金的“遵义会议”,当时制定的投资策略一直被保留了下来,成为基金长盛不衰的立命之本。

“我们完全停止了基本面分析,变成了一个彻底的、依靠模型的量化投资者”  

——西蒙斯

Baum-Welsh算法

▍主持人

许多技术的前身,包括现在的深度学习都是一个有趣的历史,我记得Lenny Baum早期的Baum-Welsh算法,主要是估计HMM的参数,那么对你的意义而言···

▍西蒙斯

我第一次遇见Lenny Baum是在街上,Lenny Baum和Lloyd Welsh一起发明了Baum-Welsh算法,这个算法可以估计出隐藏马尔可夫模型中的参数。隐藏马尔可夫模型有很多参数,这个算法不断攀爬、不断重新估计参数,计算新的期望值,不断获得更好的参数估计。

然而当时没人可以证明这个算法一定是有效的;虽然这个算法肯定是有效的,可以从任意初始条件下都收敛的比较好。

当我在IDA(国防分析研究所)工作时,我尝试想证明Baum-Welsh算法的每一步都是都是向着向正确方向攀爬的,但是没能成功。然后我离开了IDA,Baum和他的朋友Petrie最终证明了出来,他们写了很长很长的论文;他们告诉我,我是可以用很短的篇幅内就完成这个证明,有一些他们不了解的定理可以使证明过程明显变短。如今这个算法在语音识别和很多其它领域都十分有用。

公众号独家解读

目前语音识别的算法里,HMM算法是效果最好的一个。美国贝尔实验室劳伦斯拉宾纳的英文版教程《Fundamentals of Sppech Recognition》,其中第六章系统地解了隐马尔可夫模型的原理和应用,国内大多书籍里关于隐马尔可夫模型的资料都是翻译了这一章。

下面这张图是网上流传的影印版。大家可自行下载阅读。

2019西蒙斯访谈:量化策略、职业与交易

在文艺复兴科技成立初期,统计学家Leonard Baum无疑起到了关键的作用。Baum是率先提出隐马尔科夫模型(Hidden Markov Model,HMM)的专家之一,该方法用来描述一个含有未知参数的马尔可夫过程, 在语音识别、生物信息学等领域取得了非常成功的应用。此外,统计学Baum-Welch公式也是以这位杰出科学家的名字命名,它是一种学习 隐马尔科夫模型参数的有效方法。西蒙斯本人认为投资和语音识别很相似,因此曾 经把IBM的整个语音实验室的精英挖到文艺复兴公司。基于这些背景,人们有理由相信隐马尔科夫模型是大奖章基金取得辉煌业绩的神秘法宝。

这个方法是有用,但是绝对没有那么简单,前几年国内的一些研究者曾对这个算法做过复现。

广发证券

1、《探寻西蒙斯投资之道:基于HMM模型的周择时策略研究》

将 HMM 模型应用到我国股市的预测中,通过对股票数据序列的模式识别来对股市每周趋势进行预测。我们将股票的未来走势分别划分为两种(涨、跌)和三种(涨、跌、平)状态,把股市的波动预测转化为 分类问题,并通过 HMM 模型进行识别。

2、《再探西蒙斯投资之道:基于隐马尔科夫模型的选股策略研究》

将语音识别的技术引入到股票涨跌预测中。假设上涨和下跌的 股票各自都存在一种明确的模式,都分别可由一个 HMM 模型来描述。我 们选择换手率、股价 1 日涨跌幅等 6 个价量指标作为模型观测值,选择股 票池内上涨的样本训练表征上涨模式的 HMM 模型。

预测时,一个股票在表征上涨模式的 HMM 模型上的观测概率越大, 说明该股票实际上涨的概率也越大。我们将股票池内的股票按照 HMM 因 子值均分成 10 档,每期超配最高一档的股票

东北证券

1、《HMM 指数择时研究之实战篇》

2、《HMM 指数择时研究之理论篇》

东证期货

1、《包含基本面信息的HMM投机策略》

从 HMM 的输入数据来看,输入变量一般比输入参数更能影响状态的输出。梳理现有的 研究成果,我们发现输入变量更多的是行情变量和技术变量。在基本面量化愈发深入人 心的背景下,基本面变量的引入可能会提升 HMM 的策略表现,这也是我们将基本面信 息引入到 HMM 中的动因。需要说明的是,这里提到的“基本面信息”指基本面变量。从期货市场研究的逻辑来看, 国债期货和商品期货的基本面逻辑较强,因此实证部分仅针对国债期货和部分商品期货 进行 HMM 的测试。

据我们了解,使用HMM模型做量化策略,一定要注意参数过拟合、引用未来函数、模型具体算法更新等问题。大家可自行进行进一步研究,这里不再陈述。

为什么去石溪大学数学系?

▍主持人

我来问两个促使你后来创立大奖章基金的事情。其中一个问题是关于你开IDA、选择加入纽约州立石溪大学数学系,当时石溪大学的声誉远不如现在,你为何考虑去那里、在那里有哪些经历

▍西蒙斯

我是被IDA开除的,有过一次被开除的经历是不错的,一旦你经历过你就绝对不想再经历一次了。

IDA的总部在华盛顿特区,其中一个小部门在普林斯顿。一个名叫Maxwell Taylor将军负责(听众里面年龄大点的应该听过Maxwell Taylor这个名字)在纽约时报杂志上撰文描述美军是如何在越南获得胜利的、美国应该坚持作战到底。

公众号独家解读

马克斯韦尔·泰勒(Maxwell Taylor 1901—1987),美国四星上将。二战时期的101空降师师长,参加过美军在欧洲的所有空降战役。战后历任西点军校校长,驻朝鲜第8集团军司令,美国陆军参谋长,约翰·肯尼迪总统军事顾问和美国参谋长联席会议主席等职务,提出了著名的灵活反应战略。是军中少有的理论与实践融为一体的人物,在第二次柏林危机,古巴导弹危机和参与越南战争等决策上,他是著名的鹰派人物。

当时是1968年,我不同意他的观点,我给纽约时报写了一封信,第一句话是:并不是每个服务于Taylor将军的人都同意他的观念,他应该尽快从越南撤退。

然后没有任何理由,我就被IDA解除了安全许可。几个月以后,一个宣称是新闻杂志的人说他正在撰写一篇关于为国防部工作的人文章,他很难找到这样的人,问可以采访我吗。

当时我29岁,从来没接受过采访,被采访时很激动,我说当我在IDA时,一半的时间用来给IDA干活、另外一半时间是私下自己干活,我在那个时间段做了大量的数学研究。在越战结束之前我只干自己的活、战争结束之后我才会各干一半的活。

当我采访结束回到办公室,我告诉我的老板我接受采访的事情。我本应在采访之前征询下他的意见,那样他就会建议我不要接受任何采访。我的老板问了我说了什么,我把一半给自己干活、一半给IDA干活的言论说了一遍,老板听了之后没说什么,走回办公室给Maxwell Taylor打了一个电话,五分钟后他出来了告诉我,我被开除了。

我反驳说,你不能解雇我,因为我的职位是永久员工;他问我是否知道永久员工和临时员工之间的区别,我说不知道,他说临时员工是有合同、永久员工没合同,所以我不得不离开IDA。

我有三个孩子,必须得寻找一份新工作;当时我很自信自己可以找到好的工作,我确实在数学领域做出了一些重要的成果。有几个教授的职位供我选择,我最终选择了石溪大学数学系主任的职位;当时的石溪大学数学系比较弱,他们在一直在寻找一个有声誉的人来领导他们的数学系。

当时的纽约州州长Rockefeller很喜欢石溪大学,那时,石溪大学有很有钱,我便招募了许多优秀的人才。那是一段美妙的时光,我在最初的几年内做了大量的数据研究,研究成果也很不错。

为什么开始从事货币交易?

▍主持人

那什么原因让你离开石溪大学去从事货币交易呢?

▍西蒙斯

一开始我是花一半时间从事交易,然后渐渐的全部时间用来交易。当时我被一个数学问题给难倒了,所以转向新的交易领域做了些尝试,我发现自己对交易很感兴趣,然后我就开始了一段新的职业生涯。

我的父亲很反对我的决定,他觉得我已经有了终身教职、很好的工作,为什么还要出去冒险,但是我很自信我能够搞定交易

▍主持人

在你的货币交易中,可以与我们分享你是如何做的吗?比如你是如何使用技术分析的。

▍西蒙斯

我读了所有的报纸、经济学家写的东西,重点关注有哪两个货币之间是可以在公开市场交易的(因为有些国家的货币是绑定美元的、不太好交易)。

这是最基本的。但问题是, 有时这套方法是有效的,这时我感觉自己是天才;有时这套方法效果很差,我又会觉得自己是个蠢货。

这是一个非常痛苦的事情,我希望可以开发一个系统、利用计算机来告诉你如何进行交易。在此之后,我们聘请了科学家,并建立了这样的交易系统并持续的改进它们。

关于大奖章基金

▍主持人

现在我们来聊聊大奖章基金。当我介绍金融学时,我通常用一个方程:数学+金钱=金融,我认为大奖章基金是这个方程的集中体现,因为它产生了巨大的回报。 

现在的基金记录是保密的,但你在2002年接受的一次采访中曾经透露,西蒙斯旗下的大奖章基金自1988年成立到2000年表现的越来越好。自1988年3月成立以来,西蒙斯旗下规模为33亿美元的大奖章基金的年回报率为35.6%,而SP同期则为18%。这是在扣除了费用之后的回报,那时大奖章基金的最高费用是5%的固定费用+44%利润分成。

2019西蒙斯访谈:量化策略、职业与交易

   图片来自:彭博

从88到99这11年间,大奖章基金的整体收益是2478.6%。当时对冲基金中第二好的是索罗斯的量子基金,其同期收益仅为1710%。你是如何做到这么高的收益的?

▍西蒙斯

我不记得那个时候我们的管理费是不是5%固定费用+44%的利润分成了,一开始我们是先提升到5%固定费用+36%的利润分成的,投资者都在抱怨,而我们还是进一步提升费用到5%固定费用+44%的利润分成。不过依然有非常好的投资回报,没有一个投资者发起了赎回。

后来我意识到,基金规模是我们的局限性,我们可以管理中等规模的资金、但是无法管理更多的比如千亿规模的钱与此同时,我们的基金增长很快产生了更多的钱,这些都要求我们做出一些改变。 

一开始我们只允许内部员工的投资、拒绝了所有的外部投资者。后来我们收购了5个外部投资方,让内部员工来持有, 一段时间后这个也遇到了瓶颈;在同一年,我们启动了外部基金。

外部基金和内部的大奖章基金是不冲突的,后者更关注长期的回报;我们的外部基金发展的很好,现在的基金规模为450亿美元

▍主持人

大奖章基金还是保持原有的规模吗?

▍西蒙斯

是的,大奖章基金还是保持固定的规模,没有450亿美元那么大。

▍主持人

能透露下你有多少名员工吗? 

▍西蒙斯

我们有300多名员工其中包含大量的科学家在我们的业务中,需要持续的改进系统;系统中的某些部分会在一段时间后渐渐失效,需要找出来并进行优化改进,所以我们一直都在尽可能的招聘最优秀的科学家。 

有人对我说,招募太多的科学家对这个世界并不是件好事,他们本来可以做出伟大的科学;但我觉得这些科学家赚了很多钱、然后把钱捐赠给慈善机构,并不会伤害这个世界。

正确的方式是:首先雇用最聪明的人,让他们合理的协作;让每个人都知道其他人在做什么。现在有些公司也在做类似的系统,他们分成了若干个组,这是一个组,那是一个组,每个组会按照他们各自的系统的效果来获得报酬。 

我们只有一个系统,每周开一个研究会,如果有人有新的东西,他就展示出来;每个人看都有机会获得代码, 他们可以运行代码,判断是否真的有用。所以们是一个非常协作的公司,我认为这是加速科学研究的的最佳方。  

另外,我们拥有非常棒的基础设施。在别的地方我从来没有看到过类似的高效率。我们公司被组织的很好、并且有伟大的员工。

公众号独家解读

文艺复兴办公环境介绍

这里是文艺复兴科技公司(Renaissance Technologies)的总部所在地(纽约)。建筑师的目标是提供一个刺激的工作氛围,包括各种工作条件,从私人办公室和会议室到更多公共活动和非正式用途的空间。

2019西蒙斯访谈:量化策略、职业与交易

所有办公空间均为私人空间,设有金色木质天花板和大型木框窗户,可以俯瞰风景园林和林区;大楼独特的两翼设有交易大厅和行政区域。在庭院之间有两根巨大的露在外面的胶合木梁,覆盖了东端的餐厅和会议室。西面是图书馆、休息室和健身房——后者可以通往网球场和穿过风景蜿蜒的跑道。

2019西蒙斯访谈:量化策略、职业与交易

新增的办公楼,每个办公室都配有大型木窗。包括一个中央庭院;一个最先进的董事会议室,以容纳公司的持续增长;7000平方英尺数据中心,配有N+1冗余HVAC系统;健身设施包括室内网球场、健身房和室内足球区/半球场篮球场。

多数人都在位于东锡托基特(East Setauket)长岛镇(Long Island Town)的公司总部上班,公司总部修建得像堡垒一样。因为除了道路上的访问控制和被郁郁葱葱的森林隐藏的设施包围之外,内部还有许多访问控制,这取决于建筑每个部分所需的限制程度。当你经过一个简单的磁条时,可以穿过了一些门,但更接近公司核心的其他门需要额外的代码甚至是他们的指纹。主楼还有两层地下空间,其中包括计算机室和其他秘密部门。这是一个巨大的空间,白色的墙壁,两层高的天花板。在房间的中央,6根2米高的柱子两边排列着处理器,在柱子和柱子之间形成了长长的走廊。每一根柱子的长度都令人印象深刻,长度应该在50到60米之间。

2019西蒙斯访谈:量化策略、职业与交易

大家办公室的门基本都是敞开的,正如西蒙斯在采访中所肯定的那样,每个人都敞开着自己的门,以促进思想之间的相互交流。在讨论室,有一个巨大的屏幕,上面是一张巨大的椭圆形桌子,大约有40个座位,桌子周围是第二圈椅子,总共有一百多个座位。想象一下,满屋子的博士们激烈地争论着,试图找出任何新提议的漏洞。

的确,科学家们继续留在文艺复兴的主要目的不是为了钱,还有比这更好的地方吗?与众多科学家、博士共事的智力挑战,不仅能留住文艺复兴在职的人才,还能吸引那些在大学研究岗位上感到无聊的杰出人士。不断向对方的理论剔除挑战与反驳,在世界上任何一所大学,这是可能的!

▍主持人

文艺复兴公司所做的很多事情很明显是保密的,连你们的员工也是保密的。但我可以说,你们的员工都是他们各自领域最顶尖的科学家之一,在许多不同的领域都是这样。这么说恰当吗?

▍西蒙斯

我说一个有趣的故事,文艺复兴公司每周都有一次座谈会,有一次从外部邀请来了一个天文学家来做讲座,当时他的一个朋友正在文艺复兴公司工作。 

那天他的讲座十分有趣,我把他拉到一边,对他说:你的朋友在我们这工作的不错,要不你来加入进来?

他说我们的工作机会非常有吸引力,但他需要先完成他手头上的科研项目,后来他获取了诺贝尔奖。

他是发现宇宙实际上正在加速膨胀而不是减速的两个团队中的一个,这个发现在当时是一个大新闻。

我认为他当时的决定是对的,大多数人更愿意获得诺贝尔奖。他是我们差点招募到的唯一一个诺贝尔奖的科学家,除此之外我不认为公司里的其他人能达到这个高度。

尽管他们中有些人做出了了不起的成果,但是毕竟没有获得诺贝尔奖。我们有实验物理学家、有天文学家,他们收集了大量的数据并就行分析

如何管理你的团队 ?

▍主持人

第二个问题是:你如何管理这些天才型的员工的,天才往往都非常自我、难以管。你谈到过合作精神,但作为数学系的主任和公司的管理者吗,这些天才并不容易协作的

▍西蒙斯

数学系的主任是没有权力管理这些天才的, 在座的听众有的是教授应该是的知道,他们只要做好教学和科研就好了。 

在文艺复兴公司,不同员工做的事情是有相互影响的, 每周的研究会上他们能看到别人的工作、也会对别人的工作提出一些建议。

我们给员工的报酬并不是按照他当年的工作来分配的;每年都有员工对我说,他今年给公司赚了很多钱、理应获得更高的报酬,我就问他你的工作难道不依赖别人吗,赚的钱中的很多部分是依赖别人的工作的,别人的工作我已经付出了报酬;如果每个人都照你这样要钱,我得多付出五倍的报酬。 

 

我会看一个人在连续3到5年内的综合成绩,然后给他应得的报酬。 

没有人会对一切事情都满意的,我也知道有些人认为自己应该拿更多的报酬,这是人的天性;但总体来说每个人都是开心,这个是开心工作的地方。

如何保持在业绩上的长青?

▍主持人

我最后的问题是,你和文艺复兴公司激励着很多量化投资者、学生、教师、也包括我自己,但直到今天也没有任何一个其它的量化投资者能接近你的成绩。 

 

我有一个带有偏见的猜想是,你的基金并没有依赖奇特的方程式或算法,在你考虑数学之前、你就是一个天才的交易者。你拥有判断赢钱亏钱的直觉,你在选人方面做得很好,然后组建了一个优秀的团队。

你刚才也提到了,每年年终都会有些员工找你聊一些比较尴尬的谈话。你认同我的观念吗? 

▍西蒙斯

学习一些基础的交易知识当然是有好处的,可以知道市场运行的机制。并不是像你说的那样,我九年前就离开了文艺复兴公司,当时我72岁。我离开后公司一直运行的很好,有优秀的领导,没有错过机会、比我在的时候更好。  

当时我觉得是时候让位给年轻人了,我也需要在慈善基金会上投入更多的时间。我给两个职位很高的年轻人越来越大的权限,后来把整个公司交给他们,然后我就离开了。我认为我作为公司主席的最大贡献,是不停的推动公司来招聘年轻人。

各位还有机会

▍主持人

所以你担任石溪大学数学系主任期间,你在这方面做了准备。

▍西蒙斯
是的,当然。

▍主持人

我再问几个琐碎的问题,感兴趣的就回答。早在2003年,文艺复兴公司就开始担忧麦道夫的投资骗局,你是怎么得到风声的?

公众号独家解读

伯纳德·麦道夫是美国华尔街的传奇人物,曾任纳斯达克股票市场公司董事会主席。多年来,他一直是华尔街最炙手可热的“投资专家”之一。他以高额资金回报为诱饵,吸引大量投资者不断注资,以新获得的收入偿付之前的投资利息,形成资金流。这个骗局维持多年,直到2008年次贷危机爆发,他面临高达70亿美元资金赎回压力,无法再撑下去,才向两个儿子,也是其公司高管坦白其实自己“一无所有”,一切“只是一个巨大的谎言”。麦道夫的儿子们当晚便告发了老爸,一场可能是美国历史上金额最大的欺诈案这才暴露在世人眼前。

▍西蒙斯

文艺复兴公司没有投钱、但我的基金会在麦道夫那里长期投钱。

我对他有一些了解,他可以令人震惊的每年都保持非常稳定的收益率,无论刮风还是下雨。

我猜这家伙一定是知道一些我不知道的事情。我拿到了麦道夫过去两年的一些交易情况,让文艺复兴公司的一位员工来分析下、看看有哪些地方是值得我们学习的

我们发现,他买入时总是很低的价格、卖出时总是很高的价格,大部分时间都持仓不动;但这些交易只能解释其10%的收益,另外80%多的收益完全是个谜我们怀疑他们进行了put或call交易来对冲他们的风险,而且交易量已经很大;如果真的有这么大的交易量,一定会影响市场的变化,但我们没有观察到任何证据。因此我们就从麦道夫那里退出了。

姜还是老的辣

几年过去了,那个相关基金会负责人打电话,建议我多关注Madoff。我说:“我不能建议你也卖掉份额,因为他已经运作很长时间了而且还在运作,他肯定知道一些我不知道的事情。即使我已经拿回来我的投资,但是我无法建议你去卖掉它”。我从没想到这是个庞氏骗局。因为我不清楚他确切在做什么,只是直觉上认为不能投,所以我卖掉了。五年后东窗事发,Madoff这几年的所做的事人被揭发,所有人都知道接下来发生了什么。与我们相关的基金会,把他六年来所赚的所有收益都支付给了两个损失最多的投资者。Madoff 的庞氏骗局真是金融界发生过的最疯狂的事情。

▍主持人

讽刺的是,其实Madoff公布的跟踪数据远不如medallion fund的真实跟踪数据。

▍西蒙斯

这是真的,不过Madoff的回报率是真的稳定,非常稳定。紧接着SEC就开始调查我们,因为有些人开始议论,认为文艺复兴(Renaissance)是不是知道Madoff的内幕所以才及时退出。我们其实什么都不知道,因为根本没有一个人确切知道他们Madoff做了什么。那些议论Renaissance的人既看不到我们的组合,又不知道为什么我们退出,所以怀疑我们。其实那个时候,我们已经把所有的钱都还给了投资者。所以我可以说,你看我们没做错任何事,因为这都是我们自己的钱,我们已经把所有的钱都还给了投资者!但怀疑我们的人确实花了很长时间来研究我们,当然最终也没得出有用的结论。当然对我们来说,及时卖出Madoff份额的后果就是遭到了SEC的检查。

2008金融危机

▍西蒙斯

2008的金融危机就不应该发生。发生的缘由就是有些MBS(Mortgage-Backed Security, 抵押支持债券或者抵押贷款证券化)的不良发展,其中出现了个特别花哨的,紧接着各式各样的MBS都被创造出来。那时候的评级机构,也就是现在的债券评级机构,他们客户都是债券购买者。评级机构希望能为客户提供正确的评级服务,所以在每个特定时点比如每周,会为客户提供一份报告、实时通讯或者类似汇报。但随着越来越频繁的互联网使用,人们会在网上分享给那些没有订阅债券评级报告的人。所以,这些评级机构决定,不再向债券买家收费了,而是转而向债券卖家收费。这里出现了利益冲突,如果评级机构希望债券卖光,他们就不会很严格的进行评级。所以为了卖掉债券,他们就像一个傻子一样给所有债券AAA。

那时候申请房贷无需任何文件和信用背书,人们只需走进去申请就行。举个例子:

  • 你要多少钱?

  • 我要10万美元。

  • 你赚多少钱?

  • 我赚20万美元。

  • 好吧,我们借给你钱。

银行甚至不索要申请者任何材料,例如纳税表。为什么银行这么大方?因为银行知道可以这些打包的房贷卖给机构,如房地美,房利美和吉利美。由机构打包房贷,包装成一个AA级或者AAA级的MBS,所有的事情都看起来那么的不靠谱。

 

我们一直都对Bear Stearns非常有信心,他们做事非常保守,然而在08年几乎因此濒临破产。幸运的是他们存活了下来,就在他们眼见将陷入泥潭的三天前,我们救了他们出来,为他提供了一些资金支持。同时我们也在和Lehman Brothers合作,Medallion fund和我们的外部基金都为Lehman Brothers提供了大量的资金,但是实际公司情况变得愈发愈差,我决定叫停。我给Lehman Brothers的负责人打电话:“Dick,我们得抽掉一半的资金,因为我对公司越来越没信心了”。所以我们这样做了,然后果然情况变得越来越糟,我们对他的资产负债表有了一些了解,我们知道里面充满了这些不良的MBS。我打电话给他,我记得我在开车,我告诉Dick我得把剩下的钱拿出来。他说:“所有的钱?我以为你打电话给我是要买我们新发行的超额认购债券,而且如果你买,我会特意留给你一些。”,我说:“我并不想买,但至于剩余的钱我会稍微等几天再取出,因为我想看看你们新发行的债券销售情况“。过了几天,这些债券的买主名单就出来了,这是你们所知道的最不成熟的群体,一个默默无闻的教师退休基金。没有一家声誉良好的大机构购买这些债券,我打电话给他,把剩下的钱都拿出来了,那是雷曼兄弟倒闭前的三个月。

所以,如果评级机构完成了他们的工作,这场金融危机并不会发生,但没有人想责怪评级机构,因为没人听说过他们。新闻报纸类媒体去责怪银行,责怪大型投资者,但实际上是因为不准确的债券评级导致了住房抵押贷款证券的崩溃,并引发了这场金融危机。

问答环节

▍问题一

这些年随着电脑科技的发展,你逐渐从普通的基本面投资聚焦于量化投资上。你曾经指出,最终基本面投资很容易被淘汰,所以从你直觉出发,你认为是否人们在基本面投资上会有优势?

▍西蒙斯

Yes。

▍问题二

我知道Renaissance是量化投资公司,你是否认为量化胜于基本面投资?

▍西蒙斯

No,基本面投资领域也是一个绝佳的职业,这是一个合法的投资方式,因为有台电脑不仅是让你去数你有多少钱,他们还会用电脑做别的事情。

▍问题三

一位好的基本面投资者与一位好的量化投资者之前有什么不同的技能?

▍西蒙斯

我认为这是两个不同领域,所以所需技能也是不同的。比如说一个好的基本面投资者:一家公司,它会希望去评估管理效率,人才利用,市场走向。这都是基本面投资者所需的技能。而且人与人也不同,有些人掌握量化的技能,比如我。不知道有没有回答你的问题。

 

▍问题四

量化一直寻求用越来越强大的工具来寻找效率低下的地方和可以开发的市场,我们一直在开发它们,直到没有什么东西可以开发,才能控制交易成本最小化。所以我们注定在慢慢地迫使自己缩小商业圈吗?如果我们一直不断开发,还剩多长时间留给我们?

▍西蒙斯

这个问题很棒。是的,效率低下的地方最终会被发开和折衷。但是市场并不是静止的,而是会动态变化的,就在当下时刻也会具现化一些低效领域。因此我认为一直高效的领域是不存在的,市场总有值得发掘的地方。在另一方面,到目前为止在我们的管理下,在长期我们的投资回报率已经多多少少比较稳定了,但我们还简直不断地发现新事物,并舍弃那些对当下市场无用的事物。

 

▍问题四

新事物,像是量化,正在寻求更新的事物,所以可以说量化正在开发新的其他量化领域?

▍西蒙斯

我不知道。

  

▍问题四

你最喜欢的算法是什么?

▍西蒙斯

我最喜欢的算法是什么?我会告诉你我最喜欢的算法。我最喜欢的算法是我在国防分析研究所时做的,它与解决某个领域的经典问题有关,我解决了这个问题,但它是机密的。我解决了这个问题,他们在国家安全局制造了一个专用机器,我听说三十年后,他们仍然在使用这个专用机器来实现这个算法,所以这是我最喜欢的算法,但需要保密不便透露。

 

▍问题五

随着时间的推移,你用什么方法保护你的知识资本?许多人才都在贵公司就职,又是如何使是大家齐心协力?你是如何留住这些人才的?

▍西蒙斯

这是个好问题。每个人都签署了永远公开禁止协议。在员工在职几年后,会被邀请签署一个永远竞业禁止协议,业界基本都在这么做。因为你的奖金中有很多钱。一定数额的奖金会被推迟一段时间。其实这些钱都投在Medallion fund中,你会持续从中得到收益。所以员工总是有很多奖金在账户上但无法当下取出,这激励了他们继续工作。当然总会有些意外。之前有几位俄罗斯员工离职,并偷走了一些秘密,我们对他们提起了诉讼等等。他们现在也并不在做生意了,他们偷走的系统也已经过时,所以我们不是很担心这个问题。但人们不想离开的主要原因是公司环境气氛很好,在这里工作非常有意思,而且毫无疑问我们的工资非常丰厚。我们也有一些退休员工,当然除了那些俄罗斯人,退休员工从来没有做过任何投资业务。还有个退休员工去了麻省剑桥Broad研究所,成为一名优秀的科学家。所以如果有家公司的人员流动率非常高,一定是哪里有问题的。对于Renaissance来说,我们的人员流动率一直保持在很低的水平

 

▍问题六

开始时提到的你想了解系统是如何呈现的,如何工作的,同时你在另一点上你也提到,一旦你拥有了这个系统,所做的一切都是为了让它变得越来越高效,所以我的问题是这两者之间的平衡。因为当你试图使你的系统越来越高效的情况下,有可能使它变得越来越复杂,以至于你不再理解它,所以你如何改进你的模型并同时保持足够简单的?

▍西蒙斯

这是一个很好的问题。其实一个复杂的系统也是可以被完全理解的。如果你花一周的时间什么都不做,只去理解系统代码,你也可以把系统理解的很透彻。因为系统已经都被一条一条写好了,你多花点时间总是能理解。比如说,预测未来市场信号,这个是非常复杂,但并不代表它不能被理解。而我们,就理解它

 

▍问题七

现在的大奖章在10、20年前核心部分是否一样?

▍西蒙斯

噢,我们会不断的重新设计自己。我想其中有些部分可能已经存在了十年甚至二十年了,但是随着新事物的出现,我们需要不断的修改,去迎合新市场的发展。就像我说的那样,你只需要保持你的运转,人们会发现你的系统很棒,还有专业的科学家去维持这样的系统,所以这就是答案。

  

▍问题八

你在Medallion开始阶段提到过,那时候你们做得不好,我想问当时你们是否怀疑过自己?如果是的话,那你是如何继续下去并最终取得成功的?

▍西蒙斯

在那段时间里我们下架了Medallion。我不确定,但我确实觉得我们可以把它改良到继续交易的程度,所以我从没怀疑过它会继续正常运转。我想你都知道,我们很幸运。在某种程度上,运气在生活中发挥了相当大的作用。很多人会说,生意失败了是因为运气不好,生意成功了是因为努力工作,但其实这里面都掺杂着运气的成分在。到目前为止,我们很幸运,所以我并没有太担心过。当一个月过去的时候,如果我们没赚钱是非常罕见的,偶尔也会这样,但总会回来的。

   

▍问题九

行为金融学在量化投资中的作用。事实是你确实有某种直觉,当一个系统工作表现不佳时,直觉在对判断策略上会起到什么作用?

▍西蒙斯

如果你正在不断地失去某个东西,你不是靠直觉,无论是来判断某个东西是错误的,或者应该停止这样做。但是有直觉总是很好的,你知道科学家们有很好的科学直觉,但我不清楚它在数学领域如何运用。你可能会说,嘿,这样做在别人那儿管用,可能在我这里也管用,我要试试看。因此,当人们进入公司时,他们会了解到什么是有效的。有时他们会说,噢,如果我们稍微改变一下这里,它会更好地工作。你可能认识一些人有一些科学直觉,但我认为这是科学直觉,这不是市场直觉

   

▍问题十

你的投资模型中的基本方法主要是基于归纳推理的还是演绎推理的?换句话说,你的模型是数据驱动还是靠逻辑驱动的?

▍西蒙斯

我们的模型当然是逻辑驱动的,因为不是用逻辑驱动实在很难运行。我们可以获取到大量的数据,因此产生不同的结果,我们需要尝试代入所有数据来检验他们是否有效。但是这种做法的弊端在于,即使我们尝试了几百万次最终找到了有用的数据,但是这样的概率很低,不知道我这样是否回答了你的问题。

 

▍问题十一

你从你从石溪转到去做交易,是因为你当时在解决一个很吃力的问题,而且一直到今天还没有被解答,你回去继续研究。你有没有遇到任何你想解决的财务问题?

▍西蒙斯

我想有很多人会担心他们会怎么付房租,就他们而言,这可能是一个未解决的财务问题。是的,我不知道未解决的财务问题的真正含义是什么。

 

▍问题十二

对于所有未来的量化研究者,关于他们应该如何应对这个领域和职业的一些建议。

▍西蒙斯

我认为任何潜在量化研究者都不应该进入这个行业,我们不需要更多人了。你知道,力工作,雇佣优秀的人,进入这个行业真的不容易,可以从大数据,电脑编程开始学习。你有一个想法,你可以测试它,如果它结果是好的,它会给你许多继续下去的力量。

感觉大佬在劝退Quant

不过在近期福布斯发布的一份排行榜可以看出,量化还是占了主流的地位:

2019西蒙斯访谈:量化策略、职业与交易