| 来源： |
全景网 |
发布时间： |
2012年04月28日 17:55 |
作者： |
|
| |
全景网4月28日讯 “2012中国指数和量化投资论坛”4月26日在四川成都举行。本次论坛邀请了海内外著名的经济专家、各类资产管理公司的投资负责人、学术机构的量化金融专家等共同探讨指数化投资和量化投资在国内的发展前景以及路径。全景网作为独家媒体支持对本次活动进行了跟踪报道。北京大学经济学助理教授，斯坦福大学经济学博士黄卓在会上发表了讲话，以下为发言全文：
黄卓：今天我非常荣幸能够到成都，在这样一个古朴的院子里和大家讨论指数和量化投资的这样一个令人激动的话题.今天我首先是想给大家带来我的几个观察和想法。
首先第一个我给大家强调的一个概念是，基于科学研究的量化投资，大家知道在过去的两三年里，量化投资是一个很热的话题.量化投资的春天即使不是到来了，但是我相信在座的各位至少也是已经闻到了春天的气息.这里我想说的是基于科学研究的量化投资，量化投资本身是不是一门科学?这个问题有待商榷，但是至少量化投资相对于传统的基本面分析，更具有一些科学的特征.我关于传统的基本面的分析和量化的投资有一个一个比较恰当的类比，这个关系就好象中医和西医的关系。中医有没有用？很多人还是认为还有用的。中医对病症的治疗和判断很多时候是基于细致的观察，或者是基于经验的判断，确实有用。西医则更多的着眼于科学的、数量化的指标，同时还有一些严格细致的科学理论作为基础。大体来看，量化投资有下面几个方面的特征。
第一个是纪律性，包括我们模型分析、投资策略的构造和交易执行，有一个基于模型的纪律性。这是量化投资的一个价值，它可以克服行为金融学中讨论的人的投资和决策行为的一些固有的弱点。第二个是量化投资具有系统性，这个科学的研究方法会贯穿在量化投资的整个过程当中，而且的分析方法，不仅是对目前交易或者是研究的产品有用，而且有可能把它拓展到相关的产品，或者是不同的时间。第三个特点就是一个概率性，或者说可重复性，就是说我们做量化投资，并不是说根据这个结果，百分之百就能够盈利，而是在一个概率的意义上获利，比如说百分之多少的可能性，比如超过百分之五十，或者是更多，在这个平均意义上我们战胜市场取得超额收益。这里面就有一个统计的概念。
量化投资业界的发展，和经济金融学术界的科学研究的进展，是互相促进、密不可分的。关于量化投资有两个大的时点。第一个就是1973年关于期权定价的B-S模型，这一成果后来获得了诺贝尔经济学奖。刚好在这个文章发表的1973年， 美国的芝加哥期权交易所CBOE正式成立，正式挂牌交易标准化的期权产品。第二个进展是在关于股票市场异象的研究。1970年左右，Fama提出了有效市场理论，就是说股票市场是基本有效的，股票价格服从随机游走过程，因此普通投资者甚至基金经理都没有办法战胜市场。在70年代之后的十多年里，有很多的学者开始对这样一个假设进行检验，确实发现了一些金融市场的异象，或者是违背了这样一个随机游走的特征。比较著名的几个著名的包括三因子模型，还比如说股票市场存在一个惯性的特征等。这个结果一方面在在学术界上促成了行为金融学的发展。在业界，一些有名的对冲基金公司，就利用了这些研究成果，采取相应的投资策略，取得了相当的超额收益。比如早上熊鹏提出的D. E. Shaw公司，,成立在1988年，他们最初采用的就是惯性策略，当时摩根斯坦利创办的对冲基金也是通过这个策略。如果要执行这样的策略，就必须通过这个数量化的工具寻找这样的统计特征，然后研究投资策略和后面的执行。
我想强调的第二个概念，就是量化投资的研究，应该贯穿于整个资产管理的流程中。我们可以把这个流程大致分成这五个部分。第一部分是大家最关心的，就是阿尔法，就是怎么样寻找有可能产生超额收益的想法，然后结合计量模型和数据来验证。可能今天大家感兴趣的是这一点，但是我更多的把重点放在后面这一块，因为今天有好几个嘉宾都是讲的关于阿尔法的这方面。怎么样得到超额收益，这个就五花八门，各显神通。但是你仅仅知道了阿尔法之后，你还要研究贝塔，就是风险，这个风险不光是跟大盘的相关性，还有其它的系统方面。第三步，知道了每支股票的超额收益和风险以后，你需要构造一个最优化的投资组合。你有了投资组合之后，下一个问题就是你要执行这个策略，这时候就你需要关于交易成本的研究，这是不应该是被忽略的一个部分。那么最后一部分就是风险管理。风险管理实际上我们应该包括事前的风险管理和事后的风险管理，事前的风险管理应该在第三部分构造投资组合这一部分就应该考虑，事后我们应该对风险也应该有一个监控，比如什么时候应该给强行平仓止损。，量化投资应该是贯穿于这五个部分。投资者可能更看重第一部分，但实际上这是一个系统工程。对整个流程加强量化投资的研究，对整个金融服务这个行业都有很深远的影响。
我今天想给大家介绍的一个例子，就是过去十年金融计量学术界一个大的进展。就是高频数据和超高频数据和在量化投资中的应用。高频数据和超高频数据简单来说就是我们日内的一些交易数据。随着计算机地发展，我们获得高频和超高频数据越来越容易，计算机的处理能力也日益增强，比如我们可以把一天股票的价格按照日内抽样，每五分钟抽样一次，或者是每五秒钟，甚至更少。更极端的是我们甚至可以得到每一时刻整个市场上所有人下单的情况，把单子都累计在一起，我们叫做限价委托单簿，这一个信息在目前不是很容易得到。
那么高频数据能够在哪些问题上得到应用呢？第一个最简单的应用就是就是构造和检验日内交易策略，主要是业界研究的比较多，有很多相关的尝试。第二个就是关于波动率和相关性预测，这一部分在学术界已经有很多成果。第三部分不管是学术还是业界研究和披露的都比较少，就是关于交易成本的模型。实际上这一部分是也非常重要的，对于公募基金来说，特别是大型的基金来说，怎么样去执行你的组合，怎么样下单，怎么样换仓，因为你的交易量巨大，交易成本这一块可能占据你的成本的一大部分，除了显性的交易成本，包括佣金，包括买卖价差，还有一个重要的成本就是价格影响，这个是跟流动性有关的。特别是很多阿尔法策略，实际上都侧重小盘股，或者是不流动的股票，在大规模执行这样的策略组合的时候，你会发现实际上这个价格影响是很显著的。如果能把你每年的交易成本能够减少千分之五，就相当于很多基金公司管理费的收入，特别是被动型的基金。
今天我主要是讲关于波动率和相关性的一个应用。我们知道波动率和相关性它反映的是金融资产收益率的风险和不确定性。这首先是资产配置和组合管理是密切相关的，比如说波动性，如果给定一个人的风险厌恶程度，你如果预期下一阶段的风险上升的话，就应该降低股票投资的头寸，把更多的资金放在其他方面，从投资组合来讲，你如果要构造最优投资组合，需要知道金融资产的相关性。第二个用处就是在期权定价，因为期权的价格显著依赖于资产的波动性，波动越大，期权的价值就越高。第三个就是关于风险管理，这个显然就是需要你对资产组合的波动性、相关性有一个了解。第四个就是关于高频交易的盈利性，很多策略在不同的市场环境当中表现是不一样的。有些策略是在市场比较平稳的时候比较好，有的是适应于市场比较波动的状况。在08年的时候，几乎所有的高频交易的公司盈利都非常的可观，这一段时间，那个时候市场波动率很大，任何实质上相当于提供做市商服务的高频交易者，盈利都非常的可观。
和传统的波动率和相关率的模型相比，高频数据能够显著的提高波动率和相关性的准确性。传统的模型主要是指只使用日价格数据来建模的模型。为什么呢？因为高频数据当中更多的包含了波动率和相关性的信息。 最经典的传统波动率模型就是Engle在1982年发明的GARCH模型，他因此获得了诺贝尔经济学奖，这个GARCH模型，以及他的扩展模型到现在为止仍然是一个行业的标准模型，，，他的优点就是模型简单，同时容易扩展，基于这个模型的扩展至少有两百多个。他的缺点就是很难适应波动率快速波动的情况。从模型里面可以看到，GARCH模型是用日收益率的平方来更新我们对波动率的期望。但是日收益率并不是准确的指标。利用高频数据我们可以构造更加精确的波动率指标，它的基本思想就是把一天的收益率切割成N个小区间，每五分钟抽样一次，然后把每五分钟的收益率的平方加总，这样就得到已实现波动率。这个是过去十年里面，金融计量学里面最大的理论进展，建立了一套严格的计量理论。当然在这个上面有很多具体的问题，比如市场价格并不是一个真正意义上的半鞅过程，可能还包含一些微观结构噪音，所以我们这样一个简单的已实现波动率，并不一定是一个完美的指标，我们还要对他进行一个改进，比如一个改进的指标叫RK，不管是RV还是RK，都比日收益率精确很多。从下面的图中可以看出，红线是波动率的平方，蓝线是已实现的波动率，这个是改进的版本，可以看出来这个红线相对于蓝线是包含更多噪音的版本。
这里给大家介绍一个新一代的波动率模型，叫Realized—GARCH，这个是，这个是基于我斯坦福大学的博士论文的成果，这个论文今年会发表在一个比较好的英文杂志上面。这个模型的主要贡献就是把基于高频数据的已实现波动率就是融入GARCH模型，在模型上会保持一个简洁性，同时会具有更优的波动率预测效果。 我们的模型操作起来非常的简单，不需要复杂的软件，甚至可以用Excel表格来估计。经典的Realized—GARCH模型，这个我给大家演示一个假设性的对比实验。，我们假设年化的波动率有一个突然的跳跃，比如说从20%跳跃到40%。我们首先用这个，我们把沪深300指数首先用GARCH（1.1）的模型估计出来，我们看这个模型平均需要多长的时间才能够反映出这个真实的波动率的变化，就是真实的波动率已经到40%了，我们要多长的时间才能够预计出来，红线是老的波动率20%，红线是新的40%，绿色的线是用传统的模型对这个波动率的更新。我们可以看一下，我们对新的波动率的预期需要两个星期才能够更新到这个跳跃的一半，甚至要两个月的时间，你的波动率预测才能够算是接近新的40%的水平，这个是传统模型的表现。如果用这个新的Realized—GARCH的模型是什么样子，我们大概只需要一天或者是两天就能够赶上，因为这个信息已经反映在已实现波动率里面。我们的波动率预测大概只需要一到两天就能够非常接近于真实波动率的水平。所以说，如果市场环境是一个非常平稳的环境，那我想传统的模型就够了，如果这个市场波动率的变化特别快，突然从平稳状况转到剧烈的波动，这样一个的模型就能够表现出它的优点。
另外这个模型的新的利用，正是目前正在研究的一个东西。可以用来做β的动态预测，因为β反映了单支股票的系统风险，那么β是什么？β实际上是波动率和协方差的函数，既需要估计波动率，也需要估计相关性的。β本身也是随着时间改变的，特别是中国市场里面，市场热点转化特别快，一个股票它如果被市场炒作的时候，他随着大盘波动的相关性就比较大，如果他被冷置的时候，它可能随着市场的相关性就比较小。对于β的预测，首先有利于基金经理在构造风险中心的阿尔法的策略里面起来道路一个准确的效果，能够更好的对冲，有时候有一个比较优秀的策略，就能够有效的对冲掉，如果β没有预计好，你的对冲效果是非常差的。另外可以在这个基础上，可能构建这个基于β的策略，这个显著的依赖于对于β的判断，传统的模型是使用日度、周度、月度的数据。一个常见的模型，就是把过去五个月里面的β计算出来就行了。另外一个就是基于状态空间的时变CAPM模型，还有马尔科夫状态转换模型，这些模型我们都称为传统的模型，因为没有用到高频的数据。现在有一个最新的模型，叫做Realized Beta GARCH，我现在检验这个模型在A股市场当中的效果，特别是期指对冲方面。现在有一些初期的结果，但是这个目前还在进行当中，由于时间关系，我今天没有给大家报告这个内容。
最后说一下我对这个量化的展望。北京大学中国经济研究中心，最早由林毅夫教授创立，熊鹏先生也是我们的毕业生。林毅夫老师关于中心的研究宗旨的时候提到，坚持国际学术规范，立足中国本土实践。我想这个也应该应用到量化投资的研究，一方面我们希望把一些规范研究的科学的方法引入进来，特别是能够贯穿到整个量化投资的每一个环节。另外一方面我想中国市场上有它独特的特性，我们实际上可以看到，你简单的把国外的市场能够放到A股市场上，实际上往往是不管用的，特别是α这一块，因为α有一个很有名的说法，叫“瞬间即逝的可预测性”，elusive prectability,因为作为一个预测来说，投资者是一个很悲剧的事情，你根据预测结果产生的投资策略，买高买低，就可以把你的可预测性消灭掉，。所以在量化投资这样一个过程中，创新的研究是永远需要的，我们并不能指望一个模型能够吃25年，这个只有极端的情况。实际上很多量化投资基金，最后发展他们最后用的策略都差不多，刚才陈欣也给大家介绍了这个例子。像89年发表的那篇文章，发表的时候有用，发表出来就没有用了。所以我们需要永远不停的创新。
另外一个就是关于中国量化投资地发展，我想未来几年里面，我们实际上面临着几个很大的机遇，现在讨论比较热的，一个是国债期货，另外一个是关于股指期货的期权，另外一个就是关于原油期货，这三个离实际的操作还有一定的距离，但是这三个市场，每一个市场都有潜力发展成和A股市场同样的规模，至少是在交易量的层面，或者说在佣金的层面，至少可以达到和A股同样的规模。但是与此相对应的是我们金融从业的业界，包括学术界有没有做准备，我们有没有足够的基础的研究，有没有足够的人员储备？我想在这个领域，我们人才的培养其实是还有一定的差距。就跟前面说的中医和西医的对比是有一样的，中医最好的培养是师傅带徒弟，你在这个市场上去摸爬滚打，你慢慢的就能够找到诀窍，所以在中医里面我们通常强调我是某某大师的传人，但是在西医里面你往往都强调我是某某医学院的毕业生，强调接受的科学训练，所以在这个方面的人才的培养，一方面是需要在学校里面，学术界有更系统的研究，甚至是教学，同时也是在金融界也是一样，要更加注重人才的积累。
最后我用一句话结束我的演讲，就是路漫漫其修远兮，期待我们大家共同求索，谢谢！
(以上文字根据嘉宾现场讲话速录整理，未经本人审核)
|
| |
|
| |
|
| |
|
|
|
|
|
