专家输给量化系统的故事在其他领域同样不胜枚举，量化投资的神奇之处并不在于其创造阿尔法的点子有多么复杂，而在于依靠尽量详细扎实的系统性研究成果，减少人为的干预。不久之后，GoogleDeepMind设计的智能围棋系统AlphaGO以4:1战胜世界冠军李世石，引来全球一片惊呼。特别是，关于智能电脑会很快在投资领域代替人的预言比比皆是，果真如此吗？

　　我原计划续写“在其他领域专家输给量化系统的故事”，并强调在投资领域，在未来相当长的时间里，人脑相对电脑的劣势只集中在“执行”层面，优势则体现在“开发”和“评估”层面。在围绕AlphaGO的讨论中，大家的关注重心在电脑的执行力，相对忽视了人脑在开发和评估上的重要性。

　　实际上，纽约证券交易所在1966年就用上了计算机，并逐步实现交易的自动化。华尔街早在80年代就开始研究如何把人工智能运用到投资领域，并且在当时就预测电脑将很快取代人脑占据证券投资的主导地位（见下图）。这个预测多年来一直持续，给许多交易员（包括分析师和基金经理）带来职业危机感。2005年9月，《经济学人》杂志刊登了《机器人交易员大进军》的预测文章，提到交易员在做决策时通常考虑三到四个变量，而机器人则可以在瞬间参考上百个变量。好在此文结尾还是提到机器离不开人（“一级方程式赛车需要驾驶员”）。但2006年IBM公司的咨询团队发表的报告题目《交易员已死，交易员千古》就太耸人听闻了。十年过去了，交易员依然是金融界从业人数最多的职业之一。实际上，人工智能自从1995年被明确定义和发展以来，进展一直比科学家预期的缓慢，和科幻电影里展现的进步比就更慢了。

　　为比较在投资策略上人脑（传统投资）和电脑（量化投资）的运用，让我们先来看一个虚构的例子（来自正在向基金业推广大数据服务的花旗）。假设有一家名为ABC的石油开发公司，传统投资经理F和量化投资经理Q首先可以用Excel分析财务报表来确定ABC在石油行业中的相对排名，但这只是基于历史表现。为了判断ABC下一个季度的业绩，两人的工作方式相差甚远。

　　F会造访并观察公司的办公室或一些设施“特别是与企业高管交谈，并从他们的肢体语言中体会到他们对下一个季度所表现出来的兴奋或紧张。如果F感觉到公司活动不同寻常的繁忙或平静，他们会联系业内人士，询问他们是否察觉到投机机会或听说一些有意思的重要人事变动。通过上述努力，F认为ABC的高管看起来很乐观，他们还提到公司过去一年增加了研发预算。此外，F的一位朋友提到在最近一次会议上看到了一位目前在ABC工作的前同事，他刚刚从非洲回来，看起来十分疲惫，这是他今年第三次去非洲。得知这些信息后，F查找了ABC三个未开发油田的相关报告，其中有两个位于撒哈拉以南非洲地区。于是F预测ABC会很快宣布他们将建立新的油田生产设施。根据建设进程，可能将在三个月后开始生产。

　　Q开发了语言程序进行文本分析，发现ABC公开使用的积极词汇和消极词汇的比例有明显变化，特别是过去4个月，积极词汇加速增多（参考我在《量化投资趣谈——结合巴菲特和索普的优势》一文提到的例子）。而且，ABC高管在最新一年的新闻稿和采访中使用“研发”、“勘探”与“扩张”等词的频率，较此前一年明显上升。Q还将这些高频词汇与提到ABC未开发油田的公开记录联系起来，提取出每个油田的卫星图片进行时间序列图像分析，结果显示中非和撒哈拉以南非洲地区的油田的地貌出现显著变化。另外，Q还对ABC驻非洲20位员工在社交网站上的照片进行定位分析。发现有16位定位在撒哈拉以南非洲地区，比之前有所增加。Q于是断定，ABC将建立新的油田生产设施。根据建设进程，可能将在三个月后开始生产。

　　虽然油田开发的消息还没有公开，F和Q都将会买入ABC。应该说这个例子比较理想化，现实中很可能F和Q得出截然相反的结论，另外，这个例子对于投资的复杂性表现不足。例如，F也许没有意识到高管的乐观可能来自于和公司业绩无关的原因。天气晴朗，阳光灿烂，或者高管们钟爱的球队拿到了联赛冠军，都可能让他们展现出乐观的情绪。另外一个可能是，真正乐观的不是高管们，而是F自己。有足够的证据显示，分析师和基金经理常常过度乐观和过度自信。还有一个可能是，F因为种种主观的原因“爱”上了这家公司的股票，或者选择性地忽视掉了许多关于ABC不好的消息，这几个原因可以被统称为“行为偏差”。必须承认，行为偏差正是“专家输给量化系统的故事在其他领域同样不胜枚举”背后的原因，比如，美国一些州的监狱系统已经开始采取电脑模型，来决定哪些在押犯可以获得假释的机会，因为量化模型预估假释犯再次违法的准确度，要比传统假释委员会里专家们的判断高出许多。下图是与这个话题相关的136项研究的总结。更加有意思的是，一些领域的专家们在知道量化模型的预测后，他们做出的判断准确度依然比不过单纯的量化模型。

　　至于偏爱数据的Q，除了对公司高管的接触所获得的定性信息重视不够之外（当然如上讨论，这也可能是好事），有可能受到数据质量低的困扰。下图里的杜邦公司在1998年的股价异常原因是数据输入错误（实际当年股价始终高于12美元，Google直到现在也没有更正过来），类似情况在各种数据库中都可能发生。另外，处理公司数据从来都比大家想象的麻烦，关于同一个公司的不同数据和同行相比经常自相矛盾，这一点从分析师经常就同一家公司的业绩发表截然不同的看法可见端倪。当然如何处理这些数据，给予不同的权重，也是每个量化策略经理的看家本事。Q还有一个容易犯的错误就是对数据的“过度挖掘”，由于历史只有一次，许多被挖掘出来的赚钱策略只不过是巧合，未来就不成立了。投资领域一个广为人知的例子，是用孟加拉国的黄油年产量预测标普500指数下一年年末点位，准确度达到75%，加上奶酪产量，准确度就到了95%，但两者之间没有合理的经济解释。虽然Q会用很多方法尽量减低数据挖掘的负面影响，但在实践中，这种倾向难以避免。

　　下图更全面地比较了电脑和人脑在投资策略上的异同，前面六项和后面五项分别是电脑相对人脑的的优势和劣势。上面讨论过的关于石油公司两种投资思路的优缺点均有展现。图中其他几项判断标准也值得一提，比如量化投资的覆盖宽度更广。全球共有195个可投资国家，超过100种资产类别和5万种投资选择，其中光货币和大宗商品就分别有167和240种。量化投资的可复制性，不仅仅体现在一个在美国盈利的股票策略，可以被快速回溯检验是否在其他国家有效，是否在债券、货币等其他金融工具上有效，还体现在整个策略可以在一个基金经理离开后，快速被下一个经理学习掌握。而传统投资往往依赖于明星经理独特的才华和思维方式，不容易为接班人掌握和吸收。在成本上，量化投资前期研发费用和系统投入较大，但后期的费用因为雇佣人数较少而显著降低。从风险控制来说，量化投资在策略开发之初就会把不同的风险衡量指标纳入考虑，成为投资组合构造和再平衡的内在组成部分。

　　传统投资的优势也易于理解。以近期全球五大央行实行的负利率政策为例，因为过去历史上没有出现过，量化投资就很难把这一变化纳入到模型进行回溯检验，而传统投资方法就可以通过研究分析较快地应对。投资策略越相似，越容易造成拥挤的交易，成交价格过高。一旦发生反转，在“火线抛售”下价格快速下跌，损失加剧。理论上说，量化投资和传统投资都面对这个问题，由于前者往往是学院派出身，受过类似的训练，阅读同样的文章，出现策略相似度的可能性更大，这一点在2007年8月第2周量化对冲基金首次出现同步大面积大幅度亏损时尤其明显。事后分析发现，他们主要的策略是“短期价格反转”，因此当时一家机构在房地产抵押债券投资上亏损进行大规模抛售，造成股价持续下跌时，这些基金依赖的“价格反转”就都失灵了。2010年5月6日美股的“闪电崩盘”也是同样的原因。

　　必须指出的是，这里归纳出的优势劣势也是相对而言，现实中很难绝对地认为在投资领域电脑的表现比人脑更强。比如，量化投资覆盖宽度更广，但这并不代表投资业绩一定会更好，反而是有证据表明“小而专”的投资策略业绩更好。上面石油公司的例子也没有体现出量化投资构造成百上千股票组合的优势。另外，下面的左图常常被用来说明电脑超过人脑，并引申暗示量化投资好于传统投资。因为几乎所有人都认为A和B是不同的颜色，但电脑则可以准确地读取他们的RGB值同为120,120,120，颜色完全一样。右图是一个证明。还不相信的读者请下载一个屏幕取色软件自行比较。

　　的确，这个图显示我们的大脑对影像和色彩的判断存在缺陷（这并非前面提到的“行为偏差”），但由此引申出量化投资一定好于传统投资则跳跃过大，逻辑不足。因为，小孩子可以轻易判断的图画书上的动物，人眼可以快速判断的登陆识别码，对电脑仍然是老大难问题！

　　再者，这个例子告诉我们“眼见并不为实”，但研究人员发现，传统投资在尽职调查上的投入与投资业绩的表现高度正相关。分析师和对冲基金的例子分别参见Cheng,Du,Wang,andWang(2013)和Brown,Fraser,andLiang(2008)，从他们文章的标题就可以看出传统投资相对量化投资并不落伍。前者是“眼见为实：分析师可否从公司实地访问获益？”，后者是“对冲基金尽职调查：对冲组合策略阿尔法的一个来源”。而量化投资基于数据，不重视也没有资源进行实地考察，希望通过同时投资于成百上千个股票来分散化单个公司的风险。

　　实际上，投资者并不需要在量化和传统投资策略上做出非此即彼的选择。流入这两大策略的资金规模在过去都有很大的增长，尤其是那些历史悠久、表现稳定的基金，更加受到投资者的青睐。业内的一个趋势是两种策略的融合而不是分离。记住，投资领域唯一的免费午餐是“多元化分散配置”。

　　2013年牛津大学两位教授CarlFrey和MichaelOsborne研究了美国702种职业在未来20年被电脑替代代的概率。下图显示金融业相对处于有利地位，该研究也显示在过去15年金融行业的从业人员一直在增加。有兴趣的读者可以找到这篇文章，找到自己职业对应的替代概率。

　　英国国家统计局和德勤公司根据两位教授的方法，在BBC提供了一个网页，帮助在英国工作的人了解自己职业面对的电脑化概率。我们建议职业风险较高的人分散化投资于一些智能行业，以作为防范和对冲。

　　顺便问一句，有没有哪位围棋高手同时也是投资高手？我在《量化投资趣谈——电影里的量化投资密码》里提到的投资高手绝大部分都是扑克牌高手。论变化，围棋的确是最复杂，但它毕竟是完全信息下的博弈，决定胜负的是棋手的真实功力。而扑克牌游戏则是不完全信息下的博弈，赢的关键在于理解其他参与人的策略高低和智慧程度，虚张声势和欺骗都是惯用策略，运气也是决定成功的重要因素，投资更像扑克牌游戏！在AlphaGO战胜李世石的消息传来时，我认识的一位基金长胜女将，同时也是桥牌高手的朋友说，“至少桥牌上还没有AlphaBridge战胜人类”。确实，等到那天来临时我们再担心不迟。

　　(以上内容由启明星量化金融学院资讯部整理编辑，不代表本站观点。版权归原作者所有，如有侵权，请联系删除)