我们都是宽客，系统投资的新时代

关键点

系统或算法方法对投资决策施加冷静的纪律，但也带来了某些挑战。
系统性策略可能无法快速适应市场的结构性变化。
算法方法可能会导致投资经理毫无根据或夸大地声称采用最新的人工智能或机器学习工具。
由缺乏经验的研究人员进行的回测可能会过度拟合，导致令人失望的现场表现。

抽象的

在这个计算成本低廉、数据庞大、系统或算法驱动的时代，投资越来越受欢迎。系统性策略出现在独立产品中，也出现在尾部对冲和防御性覆盖策略中。事实上，鉴于数据的巨大增长，如果没有系统工具的帮助，处理这些数据变得不可行。系统方法的关键优势在于它所施加的纪律——例如，机器不会受到性格偏差等行为问题的困扰，并且在危机时刻，系统策略可以保持“冷静的头脑”。系统方法也带来了许多挑战。系统性策略可能无法快速适应市场的结构性变化。它们还存在“技术清洗”的风险，即投资产品声称使用“最新的人工智能和机器学习工具”，但这些工具被误用或发挥的作用很小。重要的是，当经验不足的研究人员应用系统工具时，回溯测试往往会过度拟合，导致实时交易的表现令人失望。

我们都是宽客

在我的“人与机器”论文中，我进行了一项有趣的练习。¹该分析需要大量对冲基金样本。一半的样本表明他们是系统性的还是随意性的。另一半没有发表声明，但详细描述了该基金的业务。我们着手进行以下自然语言处理练习：我们将在我们的训练样本（我们知道真相）中寻找区分系统性和自由裁量性的单词和短语，然后将其应用于数千个未分类的基金。

某些词很有意义，例如算法。我们也热衷于“Quant”或“Quantitative”这个词。令我们惊讶的是，“量化”这个词并没有将系统性与自由裁量性分开。事实上，“量化”更有可能与可自由支配的基金描述相关联！

“我们都是宽客，但我们并不都进行系统化的投资组合。”

这是什么意思？很简单：定量分析是全权基金和系统基金投资过程的重要组成部分。在过去，全权投资组合经理可能会提供一个电子表格，其中包含她最喜欢的名字的估值模型，但当今的信息环境需要使用定量工具。现在投资专业人士可以使用数千个数据库，任何一个管理者都无法手动处理这些定量工具所需的所有数据。

在今天的环境中，我们都是宽客，但我们并不都运行系统的投资组合。在系统投资中，交易是由规则或算法生成的，这些规则或算法当然是由人类设计的。这些算法在实时交易中使用时独立运行。在全权委托投资组合中，经理做出最终的交易决策，尽管他们可能使用大量定量工具来协助他们的决策过程。然而，最终，是人产生了交易想法，而不是算法。

起源

三十五年前，系统投资是一种小众投资风格，主要关注趋势跟踪系统。最初的算法运用了一种有百年历史的投资方法，称为技术分析。尽管技术分析有多种风格，但趋势的识别和推断是其基石。一个缺点是不可避免的转折点。在某个时刻，趋势将会逆转。算法不断发展，在趋势延长（或非常强的趋势信号）之后，风险就会降低。这种能力有效地允许逆转并减少了转折点所遭受的损失。

下一波浪潮是量化选股模型。这些模型使用算法方法来识别策略应该买入或卖出的股票。对于只做多的投资组合，这些模型决定了证券的权重过高和过低。这些模型通常超越价格数据，还包括估值、增长、盈利能力和质量指标等基本信息。

系统投资的下一个重大创新是所谓的智能贝塔策略的出现。这些低成本产品可能专注于特定因素或策略，例如价值。这个名称通常适用于各种公式化或算法策略，通常具有令人印象深刻的回测结果，给人留下了这些策略很聪明的印象。然而，在此标题下提供的许多策略并不明智。Smart Beta 策略使用算法方法创建索引。投资者可以通过多种形式获取该策略，例如交易所交易基金或共同基金。Smart Beta 策略也有多因素版本。

与此同时，随着更多资本进入市场，许多管理者意识到增加阿尔法的最简单方法是降低成本。降低成本的一种方法是改进执行。因此，第三次浪潮是系统性高频交易的出现。此类交易可以为文艺复兴科技公司等基金带来独立的盈利能力，也可以成为系统基金和全权委托基金执行策略的一部分。

目前，我们正处于在系统性和自主性策略中使用人工智能（AI）工具的时代的开始。例如，大型语言模型有可能帮助研究人员分析大量财务信息并隔离风险因素。

机器学习

近年来，机器学习工具的出现推动了系统化的投资策略。这些工具已经存在很长一段时间了。事实上，大约 25 年前我就尝试过在股票回报上实施一些深度学习工具。该模型失败了，因为它太简单了。由于计算限制，它很简单。

三个具体因素导致了机器学习应用的激增。首先，计算速度大大提高。1990 年，一台 Cray 2 超级计算机耗资 3200 万美元（今天的美元），重 5500 磅，需要一个冷却装置。它每秒能够执行 19 亿次浮点运算。如今，您的手机比 Cray 2 快 500 倍。

第二个因素是数据。在 Cray 2 时代，1 GB 存储的成本为 10,000 美元。如今，一千兆字节的成本不到一美分。这允许以廉价的方式收集和存储大量数据。除了廉价的存储之外，数据的范围也扩展到财务和价格信息之外，包括来自多种来源（文本、语音、网络、地理卫星、图片等）的非结构化数据。

“机器无法感到遗憾。”

第三个因素是开源软件。过去，软件开发是孤立的。今天，我们的情况完全不同了。开发效率更高，因为工程师不必重新发明轮子：他们去 GitHub 并发现许多其他人已经处理了他们面临的同样问题，并且解决方案免费提供给他们。

系统投资的优势

主要优点是纪律。该算法使用一组商定的规则来实现这些规则。显然，机器没有直接的行为偏见，也不会成为人类情感的牺牲品。事实上，最好的算法策略会观察他人的情感选择，从中学习并从中受益。例如，该算法不一定会保留失败的交易（处置偏差）。机器无法感到遗憾。此外，在市场紧张局势加剧的时期，这台机器“有冷静的头脑”。

第二个优势是机器处理信息的能力。有两个组件增强了该处理的价值。首先，考虑到大数据的爆炸式增长，机器处理大型数据集是可行的——对于没有模型的管理者来说，这项任务是不可行的。另一个组成部分是速度。无论是处理大型数据集还是对市场新闻做出快速反应，该机器都具有明显的优势。

系统投资的缺点

主要缺点是失去灵活性。算法是世界的简化，并且通常是高度参数化的。他们根据过去的行为进行了优化，但世界发生了变化。这一次总是不同的。即使采用当今的技术，构建随时间演变的可靠算法也是一个挑战。将平稳算法适应非平稳市场是失败的秘诀。

第二个缺点是模型开发阶段容易过度拟合。²算法和参数化针对过去的数据进行了优化。鉴于金融资产的信噪比如此之低，研究人员倾向于优化噪声。过拟合算法在回测中看起来很棒，但在实时交易中表现不佳。

第三，算法通常无法考虑市场结构。例如，算法可以成功检测市场定价错误。在这种情况下，模型没有过拟合（即回测性能没有被夸大）。然而，当应用于实时交易时，该模型就会失败。失败并不是由于研究过程中的缺陷。相反，随着其他人进入并利用（现在）暂时的错误定价，市场已经发生了演变。

“所有算法都需要是可解释的。”

第四，部分投资者陷入“黑匣子”陷阱。这种情况经常发生在纯粹数据驱动的机器学习实现中，而不是基于坚实的经济基础。投资者应警惕管理者的言论，例如“我们无法透露该模型是如何运作的，因为它是专有信息。” 所有算法都需要可解释。即使是最复杂的机器学习算法也可以在某种程度上进行逆向工程，通过向输入提供冲击以确定模型的输出如何变化。

最后，新的人工智能工具会带来风险。例如，生成式人工智能可以从过去的数据中学习，并可能继承一些行为偏差。GPT 相对较新，有时当前一代算法做出的推断可能会出现问题。为了成功部署这些工具，资产管理者最好根据自己的需求微调开源 GPT 工具，而不是依赖遭受黑匣子问题的现成商业产品。

系统投资的未来

我相信我们正处于投资管理领域的转折点。投资者正确地认识到，系统性投资工具不仅会持续存在，而且可能会变得越来越重要。投资经理越来越多地采用这些工具。然而，它们的实施需要相当多的技能以及投资、技术和定量能力方面的协作。

在当前的过渡时期，一些资产管理公司需要勾选此框，从而为其当前策略提供一些机器学习和人工智能增强功能。然而，这些资产管理公司的经营状况相当不利。首先，他们可能不具备系统模型开发或机器学习/人工智能方面的专业知识。简历上只有一门机器学习课程的暑期实习生并不构成“专业知识”。其次，随着数百种机器学习算法以及越来越多的人工智能工具的出现，选择最适合当前问题的方法需要技巧。第三，缺乏经验的企业错误地认为“大数据是免费的”。即使数据可以在互联网上轻松获得，但数据也不是免费的。清理数据需要相当多的关注（和成本）。如果数据未经清理，则在应用算法时可能会产生误导性结果。第四，许多投资公司不太可能拥有成功实时训练和运行这些算法所需的专业计算能力。

“卓越表现取决于应用该技术的团队的技能。”

将所有这些要点放在一起，许多投资者会感到失望，因为他们认为自己正在投资最新的技术。然而，技术本身并不会增加表现出色的可能性：表现出色取决于将技术应用于投资问题的团队的技能。因此，我看到了投资管理领域的洗牌。一些规模较小的公司无法聘请机器学习团队、投资 IT 资源进行可靠的数据库管理或获得必要的计算资产，这些公司将失败或被拥有经验和必要技术资产的大公司收购。

做出预测很容易。几十年前还只是理论上的研究项目现在已经可以执行。我们已经看到系统投资研究的激增，但这只是冰山一角。机构投资者越来越多地在尾部对冲和防御性叠加计划以及资产配置解决方案中使用系统策略来取代部分股票和固定收益投资组合。去年，我们看到了一类新的有前途的人工智能工具的出现。正如我所指出的，存在需要减轻的风险。新的系统策略有望改善投资组合选择并降低风险。对于资产管理行业来说，这是一个激动人心的时刻。