现代金融的过去、现在与未来

 要点

• 
  金融领域的革命性变革，与其他学科一样，不仅仅是新数据的出现，而是需要对现有科学知识和探究框架进行全面的重构。

• 
  现代投资组合理论（MPT）和其他新古典金融的基石并不总是有实证数据支持。这只会强化它们的变革性本质：利润可以在理论与现实世界之间的差距中找到。

• 
  在定量金融中，过度依赖数据或过度依赖理论可能有其位置。然而，贝叶斯方法，将数据和理论结合起来，更有可能揭示持久的见解。

• 
  行为金融学与新古典金融学在市场是否有效等基本概念上存在差异。但这并不意味着一方的观点应该被另一方取代。两者都可以帮助我们理解市场。

 简介

在他的奠基性著作《科学革命的结构》（1962 年）中，历史学家和科学哲学家托马斯·S·库恩提出了“范式转变”这一术语，以描述科学进步的路径。在库恩的构想中，科学并非知识的线性积累，而是由领先科学家的基本概念的革命性变化所组成的系列。科学思想通过“常规科学”的时期发展，它在现有的共识框架（范式）内演变。累积的现有范式中的不一致性则引发危机，导致新理论和思想的出现，从而引发范式转变，旧框架迅速被新框架取代。在金融领域，这一模式反复出现。

库恩认为，这些革命不仅仅是认知变化的事件，也是社会驱动的过程，因为接受新的范式往往需要科学界在承诺和实践中发生转变。这样的革命性变化不仅仅是新数据的出现，它涉及到对科学观察和理解背后的概念结构的彻底改革。

库恩的工作预见了进化生物学家史蒂芬·杰伊·古尔德和尼尔斯·埃尔德雷奇的“突变平衡”概念。古尔德和埃尔德雷奇（1972）提出，进化往往以快速变化的爆发（突变）和相对稳定的长期时期（平衡）交替出现。突变平衡推动了科学的许多领域的发展，包括我们经济学这一“令人沮丧的科学”领域中的“金融世界”：金融世界。

最初，我们无法知道哪些想法是好是坏。如果一个想法在激烈批评的熔炉中证明了其价值，最终会被接受。创新的概念受到挑战，然后被接受为事实，最终成为常识，甚至教条。这些概念中的一些最终被证明是神话，被挑战和推翻，展示了科学的突变平衡。

断点平衡在许多科学领域推动了进步，包括我们自己谦卑的角落，即所谓的“悲观科学”经济学领域：金融世界。

现代投资组合理论的起源

1950 年代和 1960 年代发展出的理论构成了我们当前对金融市场理解的基础。哈里·马科维茨于 1952 年引入了现代投资组合理论（MPT），通过研究投资组合选择、均值-方差优化和有效前沿，进一步在 1956 年对该理论进行了完善。在 1960 年代，基于马科维茨的工作，几位创新者（杰克·特雷诺、威廉·夏普、约翰·林廷和简·莫辛）发展了资本资产定价模型（CAPM），该模型提出，在均衡状态下，预期的证券回报必须是市场贝塔值的线性函数。

欧内斯特·法马于 1970 年提出了有效市场假设（EMH），并在 1976 年的优秀著作中进一步阐述了这一理论。在 1970 年代和 1980 年代，我们了解到资本资产定价模型（CAPM）中单一股票市场贝塔值的预测，至少是不完整的。1976 年，斯蒂芬·罗斯提出了套利定价理论（APT），这是一种资产定价模型，其中多个因素影响单个证券的回报。在 1980 年代，奈-富·陈、理查德·罗尔和罗斯发表了令人信服的证据，证明确实有多个因素决定了证券的回报，并为基于因子的策略奠定了基础。

研究领域如果不是产生可证伪理论的科学，那么它就不是科学。讽刺的是，实证数据并不总是支持 MPT、EMH 和 CAPM 的事实，恰恰强化了它们作为现代金融科学基础的革命性和相关性。矛盾的数据可以突出理论与资本市场实际行为之间的差距。例如，从 CAPM 过渡到 APT，再到与两者相矛盾的各种异常现象和因素，展示了现代金融科学进步的突变平衡。

“除非它产生可证伪的理论，否则一个研究领域就不是科学。讽刺的是，实证数据并不总是支持 MPT、EMH 和 CAPM 的事实，恰恰强化了它们的革命性本质和作为现代金融科学基础的相关性。”

直到它们被套利消除，这样的差距也可以成为投资者获取利润的重要来源。Fama（1976）表明，对 EMH 的任何测试实际上是对 EMH 和用于测试效率的特定资产定价模型的联合测试。在 Fama 和 French 的三因素模型（1992, 1993）中，EMH 获得了新的生命——尽管有了新的转折：一些投资者更喜欢通过持有不受喜爱的小盘股或低价价值股来获得高于市场的回报。

行为金融学兴起

1990 年代，理查德·塞勒将丹尼尔·卡内曼和阿莫斯·特沃斯基的行为经济学研究应用于质疑的不仅仅是单一的价格模型，而是有效市场假设和资本资产定价模型中理性决策假设。塞勒和其他人发表的研究令人信服地表明，人类的决策过程远比夏普的一因子模型所隐含的要复杂得多。

有效市场并非事实，而是一种假设，是关于世界应如何运作的吸引人的模型。为了挽救有效市场假设（EMH）免于过时，研究人员现在假设存在随时间、资产类别甚至单个资产变化的风险溢价。这引发了一个问题：无效市场和一个风险溢价随时间变化且从一个资产到另一个资产变化的市场之间有什么区别？

虽然弗马甚至不认为市场是 100%有效，但学术界在至少 20 世纪 90 年代之前普遍认为有效市场假设（EMH）是现实世界的合理近似。但这种情况现在的情况大不相同。”价格中的噪音”模型，公平价值遵循随机游走，价格等于公平价值加或减一个均值回复的误差，更能反映现实并解释一系列的异常现象。这并不意味着不效率是稳定的。一旦被识别出来，它们应该被套利消除。

“有效市场并非事实，而是一种假设，是关于世界应如何运作的吸引人的模型。”

因此，关于市场效率的学术辩论仍然没有结论。对于每一个新的定价异常和偏离均方差优化的行为偏差，都会出现一个更复杂的定价模型，该模型考虑了随时间可能变化的不同投资者偏好。杰里米·西格尔（2006 年）将这一过程比作前哥白尼时代的“偏心圆”，这些偏心圆解释了与接受的以地球为中心的模型相偏离的行星运动，尽管更简单的日心模型更有效。难道“价格中的噪音”比 EMH 带有因子偏心圆的模型更简单、更强大吗？

金融的演变是持续进行的

自从半个世纪前这些金融和投资的理论基础被建立以来，我们见证了量化社区——书呆子的复仇——从一个奇怪的边缘群体发展成为资产管理领域的主导力量。我们见证了被动管理在被指责为“投资社会主义”后仍然蓬勃发展，被动投资者在资本市场的核心目标——价格发现过程中免费搭车。在这一过程中，许多新思想被接受为事实，然后受到质疑，有些情况下最终被放弃。我们见证了智能贝塔和因子投资被热情地接受，然后受到质疑，然后谨慎地重新考虑。事实上，在更严肃地将投资视为一门科学的过程中，金融的基础设施发生了变化。

近来，我们见证了新工具和大数据的惊人兴起。分析师的数量减少了，但信息的质量和数量却大幅增加。人工智能（AI）是当前的革命。AI 并非新事物，它已经存在了几十年，但其能力仍在以指数级增长。摩尔定律依然有效！确实，AI 多年来一直在改进高频交易（HFT）所使用的算法。用户友好的 AI 是新的。这才是突破。在未来几十年，AI 将以我们无法想象的方式改变我们的生活。但，就像互联网、计算机、汽车、火车、电报和其他革命性技术一样，AI 将比我们预期的更慢地、但比我们预期的更深刻地改变我们的世界。

每一次新的突破都会带来新的见解，有些见解卓越，有些则有瑕疵，随着时间的推移，一些迷人的神话和教条会被揭露或修正。对“科学方法”的简要回顾表明，这样的神话是如何产生和消失的。

科学方法：数据优先 vs. 理论优先 vs. 贝叶斯方法

科学方法可以追溯到亚里士多德甚至更远，但它在当今金融领域既不广为人知也不广泛应用。事实上，我会争论说，它在硬科学领域也不广泛使用，因为确认偏见仍然占主导地位。它始于一个假设，即对世界应该如何运作的一种信念。然后我们使用数据来客观地测试我们的想法，不仅是为了证明自己正确，更重要的是为了学习。在硬科学中，对一个假设的批评是“不可证伪的”，它无法被证明错误。因此，在我们测试我们的想法时，一个次要目标是在别人之前找到我们自己假设的缺陷或至少发现其瑕疵。显而易见的是，使用回测来改进我们的回测，与科学方法背道而驰，尽管在量化社区中这种情况非常常见。

即使在定量金融领域，三种不同的实践方法一直在争夺主导地位，我称之为数据优先、理论优先和贝叶斯方法。

数据优先一直是因子社区的首选方法，该社区本身是从数十年对资本市场“异常现象”的探索中发展而来的。有什么比在大量数据中寻找之前未被发现的异常或因子更好的方式来获得任期呢？如果我们的目标是任期，为什么还要寻找我们假设的缺陷呢？Tarun Chordia, Amit Goyal, 和 Alessio Saretto (2020) 使用 CRSP 数据库构建了 200 万个随机因子。表现最好的因子的 CAPM 阿尔法的 t 统计值为 9.01。

Chordia 等人并不是在寻找一个奇妙的新因素，而是要说明数据挖掘如何让我们偏离正轨。在 200 万个最佳因素中，（CSHO-CSHPRI）/MRC4 是最好的。那是什么鬼？

当然，没有理智的投资者会依赖这种奇特的东西，不论统计显著性如何。即使是数百万次的测试也可能误导我们。数据优先意味着数据挖掘。无休止的数据挖掘并不是科学方法。使用回测来改进回测只会给我们一个优秀的回测，而不是一个优质的产品。

数据优先有其位置。例如，用于开发高频交易算法的 AI 应用，涉及数十亿数据样本，不需要先验假设。然而，在涉及数千甚至数百万数据样本的应用中，数据优先显然危险。金融和经济学领域的大部分研究——无论是因子、资产配置还是异常——都依赖于日度、月度或季度数据。对于大多数此类研究（可能例外是跳点数据），没有足够的数据安全地依赖数据优先的方法。

“不懈的数据挖掘并非科学方法。使用回测来改进回测只会给我们一个很棒的回测，而不是一个好产品。”

理论优先的方法在现代金融的早期阶段占主导地位，并且在学术金融界仍有许多信徒。理论优先忽视数据，假设当数据不支持理论时，数据——而不是理论——只是错误的，或者由异常的离群值驱动。市场是有效的，不管是否有证据表明市场无效。预期回报与贝塔值相关，仅此而已，不管是否有大量证据与此相反。更广泛的经济界也存在类似的近视。财政和货币政策刺激促进增长，不管是否有相反的数据。理论优先因其想法具有如此多的直觉意义而具有吸引力。与数据优先一样，理论优先在作为贝叶斯先验的基础和数据缺乏的领域中都有其位置。

除非数据样本要么非常庞大，要么几乎不存在，否则贝叶斯方法更有可能导致持久的见解，而不是以理论为先或以数据为先的方法。贝叶斯方法会将数据和理论结合起来，两者都不占据主导地位。理论是在仔细识别验证性实证测试的基础上发展起来的，然后用数据进行测试。数据不用于发展理论。

金融的下一进化？

尽管我们对市场的本质的理解自 Markowitz 及其团队确立现代金融的关键支柱以来已经发生了显著变化，正如这一分析所显示的，该学科中的许多争论远未得到解决。

我们的行业中的学术界和实践界可能过于自满，过于致力于维持当前的平衡或范式。太多的人说，“假设这样，那么我们可以决定那样。”愿意质疑这些基本假设的人太少。作为受托人，我们有义务为我们的客户接受更少的常识（这往往是教条），并更愿意探索金融理论基本假设错误的含义。这些基本假设在被测试时往往失败。有缺陷的假设并不坏，它们是我们学习的最佳来源。通过探索理论、常识与现实之间的众多差距，我们可以学到更多，赚得更多。

如果新古典金融学假设市场是有效的，而行为金融学假设恰恰相反，我们是否应该抛弃不那么方便的理论？不是更好接受看似不兼容理论中的真实元素吗？经济学不是物理学。新古典金融学和行为金融学都提供了重要的见解。认识到这一点的可能性，不仅使我们对市场有了更丰富的理解，而且可能有助于推动金融学的下一次范式转变，促进我们这一小块令人沮丧的科学领域发展到其演化的下一个阶段。

“有缺陷的假设并不坏；它们是我们学习的最佳来源。通过探索理论、传统智慧与现实之间的众多差距，我们可以学到更多，赚得更多。”

如果新古典金融学假设市场是有效的，而行为金融学假设恰恰相反，我们是否应该抛弃不那么方便的理论？不是更好接受看似不兼容理论中的真实元素吗？经济学不是物理学。新古典金融学和行为金融学都提供了重要的见解。认识到这一点的可能性，不仅使我们对市场有了更丰富的理解，而且可能有助于推动金融学的下一次范式转变，促进我们这一小块令人沮丧的科学领域发展到其演化的下一个阶段。

¹ Gould 和 Eldredge 的模型更好地解释了化石记录中观察到的某些模式，其中进化变化的爆发随后是数亿年的相对稳定期。物种突然出现，持续数百万年几乎不变，然后消失，几乎没有留下过渡的证据。“突变平衡”取代了渐进主义，这是之前被接受的常态。无论是在思想的进化中，还是在生物进化中，这一点都不假。

² 肖尔普因其贡献获得了诺贝尔认可（这是应该的！）。林廷、莫辛和特雷诺则没有，尽管原因不同。林廷和莫辛在 1980 年代去世，诺贝尔奖从未颁发给已故人士。我很幸运，在 2000 年代的 Q 小组讨论中，与肖尔普和特雷诺有过对话，当时肖尔普问特雷诺何时进行的资本资产定价模型（CAPM）工作。特雷诺说他在 1961 年和 1962 年写了两篇论文，并向少数几家期刊提交了。这些论文被直接拒绝（而不是“修订并重新提交”）。因为他并不是一个纯粹的学术人士，特雷诺认为这就是事情的结束，他放任了。肖尔普表达了深切的同情。特雷诺的论文在业界广泛流传（但在当时学术界并不广为人知），并且可以在 SSRN 上获取。

³ 我唯一看到哈里·马科维茨真正发脾气的时候，就是在这个话题上。一位领先的学者写了一篇论文，批评了马科维茨认为有说服力的一个理论，通过构建一个理论可能不起作用的假设情景。我记得马科维茨在电话里大喊，“你的假设与现实世界毫无关系。我是贝叶斯主义者。你显然不是贝叶斯主义者。”对马科维茨来说，这是一次严厉的批评！