量化證券投資教學的論文
一、量化投資的概念與特點
儘管量化投資已經成為市場投資的發展趨勢,但是大多數投資者並不是很熟悉量化投資。一方面是由於量化投資一定程度上依賴數學模型,而賺錢的投資模型都是機構的秘密武器,不會輕易披露。另一方面是由於量化投資採用計算機系統,設計各種交易手段,有著較為複雜的數學計算與技術要求,現在許多量化投資都是計算機自動執行的程式交易。另外,量化交易者,俗稱寬客(quants)的交易和故事多多少少增加了量化投資的神秘感。所以,人們一般把量化投資稱為“黑箱”。納蘭(Narang,R.,2012)描述了量化交易系統的典型構造,打開了量化投資的“黑箱”。納蘭認為阿爾法模型用來預測市場未來方向,風險控制模型用來限制風險暴露,交易成本模型用來分析為構建組合產生的各種成本,投資組合構建模型在追逐利潤、限制風險與相關成本之間做出平衡,然後給出最優組合。最優目標組合與現有組合的差異就由執行模型來完成。資料和研究部分則是量化投資的基礎:有了資料,就可以進行研究,透過測試、檢驗與模擬正確構建各個模型。預測市場並制定策略是量化投資的核心,即阿爾法模型在量化投資中處於核心地位。隨著量化投資的不斷髮展,量化投資模型也在不斷改進。簡單的策略可能就是證券或組合的套利行為,如期現套利組合、市場異象研究中的差價組合等。統計套利策略是經典的量化投資策略,如匹配交易或攜帶交易。近年來,高頻交易成為量化投資的重要內容,基於高速的計算機系統實施高頻的程式交易已經是量化投資的重要利器。丁鵬(2012)將量化投資的主要內容分為以下幾個方面:量化選股、量化擇時、股指期貨套利、商品期貨套利、統計套利、期權套利、演算法交易、ETF/LOF套利和高頻交易等。他認為量化投資的優勢在於:紀律性、系統性、及時性、準確性和分散化。
二、量化投資“黑箱”中的構造與證券投資學的差異
在傳統的證券投資學中,投資組合理論、資本資產定價模型、套利定價理論和期權定價理論是現代金融理論的四塊基石。前兩者主要依靠均值-方差組合最佳化的思想,後兩者則主要依靠市場的無套利條件。傳統的投資方法主要是基本面分析和技術分析兩大類,而量化投資則是“利用計算機科技並採用一定的數學模型去實現投資理念、實現投資策略的過程”。從概念看,量化投資既不是基本面分析,也不是技術分析,但它可以採用基本面分析,也可以採用技術分析,關鍵在於依靠模型來實現投資理念與投資策略。為了分析量化投資對證券投資學的啟示,本文從量化投資“黑箱”的各個構成來探討量化投資與證券投資學中思路和觀點的差異。
(一)資產定價與收益的預測
根據組合最佳化理論,投資者將持有無風險組合與市場風險資產組合,獲得無風險利率與市場風險溢價。資本資產定價模型則將此應用到單一證券或組合,認為證券的風險溢價等於無風險利率加上與風險貢獻比率一致的風險溢價,超過的部分就是超額收益,即投資組合管理所追求的阿爾法值。追求顯著正的阿爾法是資產定價理論給實務投資的一大貢獻。基於因素模型的套利定價理論則從共同風險因素的角度提供了追求阿爾法的新思路。其中,法瑪和佛倫齊的三因素定價模型為這一類量化投資提供了統一的參考。可以說,在因素定價方面,量化投資繼承了資產定價理論的基本思想。對於因素定價中因素的選擇,證券投資學認為,對資產價格的影響,長期應主要關注基本面因素,而短期應主要關注市場的交易行為,即採用技術分析。在量化投資中,主要強調按照事先設定的規則進行投資,這在一定程度上與技術分析類似。但是,在技術分析中,不同的人會有不同的結論,而量化投資則強調投資的規則化和固定化,不會因人的差異而有較大的不同。另外,量化交易更強調從統計和數學模型方面尋找資產的錯誤定價或者進行收益的預測。
(二)無套利條件與交易成本
在證券投資學裡,流動性是證券的生命力。組合投資理論、資本資產定價模型以及套利定價理論等都認為市場中存在大量可交易的證券,投資者可以自由買賣證券。這主要是為了保證各種交易都能實現,如套利交易。根據套利定價理論,一旦市場出現無風險的套利機會,理性投資者會立即進行套利交易,當市場均衡時就不存在套利機會。現實市場中往往存在套利限制。一是因為凱恩斯說的“市場的非理性維持的時間可能會長到你失去償付能力”。二是因為市場總是存在交易費用等成本。但證券投資學中,對市場中套利限制與非流動性的關注較少,這是因為傳統金融理論中簡化了市場結構。市場微觀結構理論研究在既定的交易規則下,金融資產交易的過程及其結果,旨在揭示金融資產交易價格形成的過程及其原因。在市場微觀結構理論中,不同的市場微觀結構對市場流動性的衝擊是不同的。因而,從量化投資的角度看,為了降低交易帶來的價格衝擊,能實施量化投資策略的證券往往都應有較好的流動性,因為交易時非流動性直接影響投資策略的實施。從這個意義上講,量化投資時的交易成本不僅包括交易費用,更主要的是要考慮市場交易衝擊的流動性成本。
(三)風險控制與市場情緒
在證券市場中,高收益與高風險相匹配。量化投資在追求高收益的同時,不可避免地承擔了一定的風險。在證券投資學中,系統性風險主要源於宏觀經濟因素,非系統性因素則主要源於行業、公司因素,並且不考慮市場交易行為的影響。在量化投資中,較多地使用因素定價模型,不僅會考慮市場經濟因素,而且會考慮交易行為等因素,只是不同的模型有不同的側重點,在多模型的量化投資系統中自然包括了這兩方面的因素。除了各種基本面和市場交易的因素風險外,量化投資還有自身不可忽視的風險源。一方面,量化交易中,部分交易是採用保證交易的期貨、期權等衍生品交易,這種槓桿交易具有放大作用,隱藏著巨大的風險。另一方面,市場衝擊的流動性成本也是量化投資的風險控制因素,理所當然地在圖1的風險控制模型中體現出來。另外,在一般的投資過程中,市場情緒或多或少會成為風險控制的一個物件。然而,在量化投資中,更多的交易都是透過計算機來實現的,如程式交易等,這樣以來,投資者情緒等因素對投資決策的影響相對較小。所以,在量化投資的風險控制模型中較少地考慮市場情緒以及投資者自身的情緒,主要是透過承擔適度的風險來獲得超額回報,因為畢竟減少風險也減少了超額回報。
(四)執行高頻交易與演算法交易
在對未來收益、風險和成本的綜合權衡下,實現投資策略成為量化投資的重要執行步驟。為了達到投資目標,量化投資不斷追求更快的速度來執行投資策略,這就推動了採用高速計算機系統的程式化交易的誕生。在證券投資學裡,技術分析認為股價趨勢有長期、中期和短期趨勢,其中,長期和中期趨勢有參考作用,短期趨勢的意義不大。然而,隨著計算機資訊科技的創新,量化投資策略之間的競爭越來越大,誰能運作更快的量化模型,誰就能最先找到並利用市場錯誤定價的瞬間,從而賺取高額利潤。於是,就誕生了高頻交易:利用計算機系統處理資料和進行量化分析,快速做出交易決策,並且隔夜持倉。高頻交易的基本特點有:處理分筆交易資料、高資金週轉率、日內開平倉和演算法交易。高頻交易有4類流行的策略:自動提供流動性、市場微觀結構交易、事件交易和偏差套利。成功實施高頻交易同時需要兩種演算法:產生高頻交易訊號的演算法和最佳化交易執行過程的演算法。為了最佳化交易執行,目前“演算法交易”比較流行。演算法交易
最佳化買賣指令的執行方式,決定在給定市場環境下如何處理交易指令:是主動的執行還是被動的執行,是一次性交易還是分割成小的交易單。演算法交易一般不涉及投資組合的資產配置和證券選擇問題。
三、對量化投資在證券投資教學中應用的思考
從上述分析可以知道,量化投資的“黑箱”構造與證券投資學之間存在一定的差異,因此,在證券投資的教學中應當考慮量化投資發展的要求。
(一)市場微觀結構與流動性衝擊
在理性預期和市場有效假說下,市場價格會在相關資訊披露後立即調整,在資訊披露前後市場有著截然不同的表現。在證券投資學裡,一般認為價格的調整是及時準確的,然而,現實的世界裡,價格調整需要一個過程。在不同的頻率下,這種價格形成過程的作用是不同的。在長期的投資中,短期的價格調整是瞬間的,影響不大。然而,在高頻交易中,這種價格調整過程影響很大。市場微觀結構就是研究這種價格形成過程。市場微觀結構理論中有兩種基本的模型:存貨模型和資訊模型。存貨模型關注代理商委託單簿不平衡對訂單流的影響,解釋沒有訊息公佈時價格短暫波動的原因。資訊模型關注資訊公佈後資訊反映到價格中的這一過程,認為含有資訊的訂單流是導致價格波動的原因。無論是關注委託訂單的存貨模型還是關注市場參與者資訊型別的資訊模型,這些市場微觀結構的研究加強了流動性與資產價格之間的聯絡,強調流動性在量化投資決策中的重要作用。一般的證券投資學中基本沒有市場微觀結構的內容,因而,為了加強證券投資學的實用性,應關注市場微觀結構的內容與發展。
(二)業績評價與高槓杆
對於證券組合而言,不僅要分析其超額收益和成本,還要考慮其風險與業績。在組合業績評價中,一方面要考慮風險的衡量,另一方面則要分析業績的來源。在證券投資學中,組合業績來自於市場表現以及管理者的配置與選股能力。對於量化投資而言,市場時機和管理者的`能力依然重要,然而,量化投資的業績評價還應考慮另一個因素:高槓杆。量化交易中,部分交易是採用保證交易的期貨、期權等衍生品交易,這種槓桿交易具有放大作用,在市場好的時候擴大收益,但在市場不好的時候會加速虧損,這些與傳統的業績評價就不太一樣。在一般的證券投資學裡,業績評價主要考慮經風險調整的收益,很少考慮其槓桿的作用,這不僅忽略了槓桿的貢獻,而且有可能誇大了投資者的技能水平。
(三)人為因素與模型風險
在量化投資中,非常注重計算機對資料和模型的分析,這突出了量化投資的規則性和固定性。然而,實際中,別看量化採用了各種數學、統計模型,但策略設計、策略檢測和策略更新等過程都離不開人的決策。量化交易策略與判斷型交易策略的主要差別在於策略如何生成以及如何實施。量化投資運用模型對策略進行了細緻研究,並藉助計算機實施策略,能夠消除很多認為的隨意性。但是,量化策略畢竟體現投資者的交易理念,這一部分依賴於投資者的經驗,一部分依賴於投資者對市場的不斷觀察與更新。實際上,人始終處於交易之中,對於市場拐點以及趨勢反轉的判斷主要還是依賴投資者的經驗。光大的烏龍指事件充分表明了人為因素在量化投資中的兩面性:決策實施依賴於人的設定,而人的設定不僅依賴於經驗,而且人還會犯錯。人之所以會犯錯,一方面是因為人們對市場的認知是不完全的,另一方面則是人們使用了錯誤的模型。經典的證券投資理論中,股票價格的變動被認為是隨機的,小機率事件出現的機會比較小,但是經驗研究表明股票收益率具有肥尾現象,小機率事件發生的機會超出了人們原先的認識,即市場還會出現“黑天鵝”。更為關鍵的是,量化投資更依賴數學和統計模型,這就使得量化投資存在較大的模型風險,即使用了錯誤的模型。為了防範模型風險,應採用更為穩健的模型,即模型的引數和函式應該適應多種市場環境。近年來,研究表明,證券收益及其與風險因素的關係存在較大的非線性,同時,市場中存在一定的“噪聲”,採用隱馬爾科夫鏈等隨機過程和機器學習等資料探勘技術進行資訊處理成為量化投資的重要技術支援。
(四)2013年諾貝爾經濟學獎的啟示
2013年,提出市場有效性假說的尤金?法瑪和行為金融學代表人物的羅伯特?J?席勒以及提出廣義距估計的拉爾斯?皮特?漢森因對資產價格的實證分析而共同獲得諾貝爾經濟學獎。他們的研究表明:“預測股票和債券幾天或幾周後的價格是不可能的,但預測資產價格的長期走勢卻是可能的,比如三五年後的價格。”瑞典皇家科學院表示,三位獲獎者為理解資產價格理論奠定了基礎,這一理論一部分取決於風險和風險態度的變化,還有一部分取決於行為偏差及市場摩擦。這說明大家認為風險與風險態度、行為偏差與市場摩擦都不能單獨地解釋市場中資產價格,這些因素都是有作用的。實踐中,量化投資分析中經常使用多個模型,分別把風險因素、交易行為以及市場摩擦成本考慮在內,而證券投資學中主要介紹風險與風險態度,對於行為偏差與市場摩擦關注嚴重不足。另外,根據2013年的諾獎,不同期限上價格預測的能力是不同的,因而,考慮收益和風險以及成本的期限,綜合各種因素對資產價格的變動進行系統解釋與預測是證券投資學向深度挖掘的方向。