龙8游戏官方进入不论是本月多家引爆关注的新近百亿量化私募，还是被刷屏的量化投资金牛基金经理的论坛实录，“量化”无疑是如今资管市场上最重磅的话题。

　　在被广为传播的全球对冲基金资管规模排名2004年与2018年的对比中，全球管理规模前十大的对冲基金，在过去的十四年间遭遇了剧烈的洗牌，一众以程序化交易为主的资管公司跃居舞台中心，在聚光灯下备受瞩目。

　　实际上，当我们回顾全球资管在过去几十年发生的变化时，就会发现仅仅以“量化”与“主观”的标签进行区分是过于粗糙和笼统的，也缺乏足够的准确性。

　　作为目前全球管理规模前五大的对冲基金，桥水、AQR、英仕曼、文艺复兴和Two Sigma其背后也有着不同的渊源与流派，他们在投资中所着力解决的问题也互有差异。

　　因此，在国内量化的热潮当中，我们更需要冷静、更全面地理解这个行业在过去的几十年间经历了怎样的发展脉络，如何以此为鉴审视国内的现状与未来。

　　从混沌初开到百舸争流，以美国对冲基金为代表的海外资管，无论是采取何种基本交易方法，最终的目的都是优化自己的投资。

　　在寻找投资圣杯的路上，无论选择任何途径都有三座绕不过去的大山预测收益、控制风险和交易执行。如何各自突破并有机的结合，是学界和业界一直衣带渐宽独上高楼的关注点。

　　马克维次在1952年提出了现代资产组合理论(MPT)，首次用期望收益、收益率的波动率和关联度矩阵来定量化一篮子资产的风险收益属性。

　　在假设上述输入已知的前提下，构造组合配置的有效前沿(即在给定目标风险度下期望收益最大化的投资组合)，从理论上尝试回答了如何测量、构造并优化投资组合的风险和收益。

　　MPT理论为组合管理定量化和系统化(即控制风险方面)奠定了基石，但是并没有解决如何预测收益的问题，也不可能对交易执行有任何涉及。

　　他首先系统化把单笔交易的风险和收益衡量通过概率论深度研究并精确运用在下注赌局。索普教授在1961年间的几个晚上独闯拉斯维加斯的雷诺赌场，并在牌桌上大获全胜，次年出版《战胜庄家》和《战胜市场》，被投资界奉为圭臬。

　　随后，他管理的第一只基金也充分运用了对投资概率定量化的理解，创造了年化19%，在230个连续月度里做到227个月本金不损的传奇战绩。

　　顺便提一句，索普教授在科学研究上的成果也令人高山仰止，他和信息理论鼻祖香农教授(Claude Shannon)一起发明了世界上第一台可穿戴电脑用来在赌场现场测试他的研究成果，这相当于牛顿为了研究万有引力定律而发明了微积分。

　　索普教授的研究和实践处处可见他对人性弱点的洞察和对交易规则的精准执行，但正如他自己在近年出版的自传《所向无敌》(A Man for All Markets)中总结的那样，投资回报的终极来源其实是对市场有效性程度的认知和把握。具体来说，可以分为市场信息获取的公平性、投资者理性的有限性、对于获取信息分析的片面性以及市场实际交易的执行力度和机制(例如卖空的限制等)。

　　关于市场有效性程度的认知，在1970年被由尤金法马(Eugene Fama)深化，并进一步提出有效市场理论，成为金融学中最重要的理论基石之一。

　　根据这个理论，如果在一个证券市场中，价格完全反映了所有可以获得的信息，那么就称这样的市场为有效市场。那也就意味着，市场当中的无数参与者都在搜寻细小的线索以做出到对股票的未来价格最精准的预测。尤其是对于那些有能力获取和处理分析一切信息的人们来说，他们会利用已知的一切来预测股票的价格，绝不会放弃任何获取盈利的机会。

　　直到今天，有效市场理论的拥趸和反对者仍存在诸多争论。但是不可否认的是，这一套理论开创了对市场实证研究的先河并直接推动了二十世纪后20年公募基金的指数化。

　　著名的先锋基金(Vanguard)就是在这样的背景中成立起家并一路壮大发展，更为现代股票量化投资提供了思路，开辟了具体的方向。

　　同期发展的还有金融衍生物定价理论，布莱克教授(Fisher Black)、斯科尔斯教授(Myron Scholes)和默顿教授(Robert Merton)发表了关于期权定价理论研究结果。芝加哥期权交易所(CBOE)也在1973年四月正式成立运行。在此之前，期权在美国只是少数交易商之间的场外买卖。CBOE建立了期权的交易市场，推出标准化合约，使期权交易产生性的变化，标志着期权交易进入了标准化、规范化的全新发展阶段，为量化投资和风险管理提供了工具和土壤。

　　在学界还为市场有效理论和定价模型大打出手时，Gerry Bamberger(笔者的导师之一)在1978年从哥伦比亚大学计算机专业毕业后加入了摩根斯坦利。这是另外一位在量化投资历史上不得不书的天才。

　　Bamberger以极富创造力的方式和锐利的执行力开发并实现了配对交易并将它程序化和规模化。简单来说，就是找出因诸多共同驱动原因(通常是由基本面)而导致价格趋势相近的一对股票，比如IBM和苹果，买多其中相对强势而卖空相对弱势的股票来获取价差，同时也对冲掉了市场风险和行业风险。

　　Bamberger将实证资产定价模型和统计理论结合在一起，成功地系统化并自动化了对股票交易对的筛选，监控和交易进出的控制。他的尝试大获成功，令华尔街侧目，并在随后的几年将配对交易进一步扩展到一篮子统计套利交易，严格控制单只股票的头寸，平衡多空仓位，也就是如今投资者耳熟能详的市场中性策略的现代意义上的雏形。受当时的理论、市场设置和交易机制的限制，Bamberger的统计套利和市场中性策略平均持仓周期在几天到几周之间，和目前投资者熟悉的中性策略的底层实现相距甚远。

　　Bamberger的天才表现赢得了前文提及的索普教授的青眼，一番长谈之后两人于1984携手在洛杉矶成立长滩资本，并差点拉拢David Shaw入伙(即如今华尔街龙头对冲基金DE Shaw的创始人)，后因法务原因不得不解散，但两人友情长存至今。

　　索普教授在2008年夏天的Wilmott Magazine里曾连撰系列长文描述那段岁月，以量化教父身份为Bamberger作为统计套利的真正创始人立书正名，当然也不忘调侃那个每天中午“一定要在吃完金枪鱼沙拉后抽一根烟的犹太佬”。

　　股票之间的关联度暗示着他们的收益可以用系列共同的因子去解释，而不能被这些共同因子解释部分的大小就直接度量了市场的有效程度和投资机会, 这些共同的系统因子被成为风险/风格因子。

　　实证资产定价理论在上世纪最后二十年，正在这个方向上取得了巨大突破并打开了多因子股票量化投资的生态。法玛(Eugene Fama)和弗兰奇(Kenneth French)在1992、1993年提出了著名的三因子模型，即市场因子、市净率和规模因子，并得出结论股票横截面和时间序列上的回报可以被上述三个因子完全解释。

　　有较真的反对派随即找出系列不能被三因子模型解释的，基于公司财务面数据和市场数据的现象，统称为市场异象(market anomaly), 比较著名的如应收异象(Accrual)、动量异(Momentum)和报表发布后收益漂移(PEAD)等，并尝试用行为金融学而非基于风险定价的理论去解释。

　　这期间，以财务数据为主的基本面量化(Quantamental)开始形成体系并成为量化股票投资的主流选择。

　　著名的AQR,、BGI等海外私募巨擘等都在此行业深耕并形成自己的独特优势。直到今天，基本面量化股票投资仍是海外权益市场量化投资最主要的策略，只是模型数据早已经从财务和市场数据扩充到更广阔、更独特而不可替代的信息源,而研究方法也早不是简单的线性定价模型或学界的多重排序。

　　这场轰轰烈烈的学界内的因子和市场异象大战对业界的影响可能更加深远，因为它直接推动了因子模型的商业化，著名的Barra模型就是从90年代初就已经被建立，并慢慢演变成标准风格/风险/行业因子库以用来度量投资组合对各个风险因子的敞口，进行风险控制和绩效分析。

　　八十年代初期，美国经历了银行危机后，为了抵抗通胀利率高企不下的局面，政府在疏通利率传导机制的同时也加快了对权益市场的改革。延迟税收的养老金(401K)计划随之推出并大举入市。

　　复苏的经济，汹涌的增量资金，不那么有效的市场和高利率给二级市场带来了巨大机会。计算机技术的进步、电脑的普及、增加了数据存储和获得的便利性，信息渠道开始多样化(如1981年彭博终端的创立)使很多原本耗时耗力去开发测试实现的策略想法得到快速验证的机会，并能够被严谨地流程化系统化地实现和执行。

　　公募基金在向标准化和工具化收敛的过程中，私募对冲基金特别是系统化/量化对冲基金也如雨后春笋般涌现，如德邵DE Shaw(1986)、 AHL(1987)、文艺复兴(1988)、 Citadel(1990)、 AQR(1993)、元盛(1997)和Two Sigma(2001)等如今的行业巨擘都诞生在这个时期。

　　计算机信息技术的一日千里也提升了监管的能力并触发了交易所的市场变革(market reform)。

　　比较重要的，例如SEC经过大量实践论证后在1993、1997年连续两次将买卖报价差最小变化从0.125美金降到1/32美金，并在1997年实行Rule 615 将散户保单和纳斯达克做市商报单公平对待。这些举动极大地促进了市场流动性，降低了交易成本，并间接提高了市场有效性，除了造成部分做市商利润缩水退出竞争外，也客观上为对冲基金的策略有效性和持续性提出难题。

　　跨入21世纪，SEC更是加快了对市场交易和信息机制的，陆续通过tick decimalization(报价差分数化), Reg FD(公平信披)和Sabin-Oxley等监管法案加速信息公平传递获取，并进一步降低交易成本。

　　从交易所到场外，电子化交易平台逐渐取代人工，2003年纽交所和纳斯达克超级结合(SuperMontage) 更是打通了定价和报单机制的最后摩擦壁垒，也为大面积高速度下单机制和交易开启了方便之门。

　　应运而生的，便是如今神秘却又被津津乐道，甚至在国内被直接拿来等同于量化投资的高频交易。而这也拉开了一众量化对冲基金和自营交易团队在交易执行这个领域的扩军备战，为减少1毫秒甚至1微秒的逻辑和物理延迟所提升的利润而一掷千金去升级算力、下单算法和交易系统。

　　在传统的量化投资中，因数据广度和深度的积累度，以及在储存和可处理性上的限制，数学统计和计量经济模型的作用非常重要。在观察样本有限的情况下，投资要解决样本外的策略可靠性，唯一可以仰仗的就是对现象提出基于经济学原理、行为学原理和交易机制设置的假设解释。随后，用可观察量之间的数学关系来定量化因果律，并设计在假设下最可能或者不可能的场景用特殊样本来验证。

　　进入大数据和机器学习时代，对同一对象的和时间上的刻画;数据之间复杂的、条件性的、多向的影响反馈机制让描述数据的关联度、降维寻找重要信息、构造特征量和再次构建映射关系成为研究的重心。收益预测和交易执行的研究从传统的资产定价模型，博弈理论等因果律既在部分被刻画系综特征和关联度的新方法取代，也在和后者不断融合。

　　从海外的投资界在理论和实践的发展过程中，我们或许需要对国内对“量化投资”的定义进行重新的审视。

　　事实上，翻开权威的全球另类投资管理协会(Alternative Investment Management Association，即AIMA)的对冲基金尽调问卷讲本，我们可以看到在如何定型化公司基本的交易方法时，AIMA给出的选项是Discretionary(自主决定)和 Systematic(系统化)，而后者则在国内被笼统地称为量化投资，甚至对于绝大多数投资者来说，量化便是高频的同义词。

　　然而，回到开篇我们提到投资的三座大山预测收益、控制风险和交易执行，高频仅仅是一种更频繁的交易执行，它既不是量化投资的主流，更无法完整揭示投资的要义所在。

　　版权声明：未经好买财富授权许可，任何机构和个人不得以任何形式复制、引用本文内容和观点，包括不得制作镜像及提供指向链接，好买财富就此保留一切法律权利。

　　风险提示：投资有风险。相关数据仅供参考，不构成投资建议。投资人请详阅基金合同和基金招募说明书，确认您自觉履行投资人的各项义务，并自行承担投资风险。