创金合信庞世恩：A股市场做量化还有很长的路可走

　　新浪财经讯 5月6日消息，由中国经济改革与发展研究院（中国人民大学）、中国证券投资基金年鉴，中国量化投资学会共同举办的“金麟2018·第五届量化投资与对冲基金年会”今日在中国人民大学逸夫会议中心召开。

　　创金合信基金管理公司量化投资基金经理庞世恩就Alpha的定义以及获取难度方式的变化等量化投资在现阶段的问题给大家做以分析，同时他认为，同样是做量化模型，同样是做Alpha模型，同样是做风险模型，但是各家做的深度千差万别，甚至差异是非常大的，“量化这条路在中国还有很长的时间，很长的路要走”。

　　以下为发言实录：

　　庞世恩：很高兴今天能够回到母校，在这里给大家介绍一下。先简单介绍一下我们公司，创金合信名字听起来是一家私募，但是我们是一家公募公司。我们公司是以量化投资作为主动管理的特别大的亮点新锐基金公司，这几年发展非常快。但是我们的量化投资团队，量化投资部是一个老团队。我是04数学本科，08硕士，2011年毕业，我毕业在泰康资产做量化投研。2015年底我们整体搬到了深圳这边，从险资出来加入到公募基金。

　　今天主要跟各位介绍一下量化投资在现阶段的一些问题，比如说Alpha到底是什么，以及Alpha的获取难度方式的变化等等，不可避免如果要谈Alpha的话中间会穿插谈Beta的东西，这是我今天主要讲的东西。

　　因为今天来了之后看在座有很多是在校的师弟师妹们，所以我尽可能把内容讲的浅显一点。

　　第一个问题，我们如何看待Alpha，刚才演讲嘉宾也提到了，实际上前些年在小盘股特别好做的时候，有很多机构都在通过买小盘股做沪深300大盘蓝筹的指数来获得所谓的量化对冲。实际上它这里面的Alpha有很大一部分来自于大小盘敞口，这个不能称之为严格的Alpha，在这里先给各位严格谈一下什么是Alpha，以及我对Alpha的理解。

　　首先从学术界来讲，其实对Alpha的理解一直以来都是一个不断进步的。但是网上都可以看到一张图，最初对Alpha理解可能来自三因素模型，很重要的一个意义在于，它提出了一个系统性收益率的概念。但是它基本上可以这么理解，它可以简单的脱离掉系统性收益，剩下部分就是Alpha。我们发现这个不对，于是就有了后面这套体系，它提出了风格因子、行业因子，把原先系统性收益这部分，我的收益率减去系统性收益，剩下这部分拆建成其他的纬度。比如说市值纬度对我的收益有所干扰和贡献，这个本身不叫Alpha，它叫Beta。

　　还有比如说像行业，举个例子，很多行业都是偏周期类的行业。比如说白酒，我们知道很多白酒股都是非常好的上市公司，但是如果我们做A股投资，2012年上半年，是白酒股跑的很厉害的时候，但是到了2012年下半年，因为国家对于反腐的提出，导致白酒跌的一塌糊涂。如果对于一个投资者或者对于一个基金经理而言，如果你在2012年上半年超配了白酒，你获得了很好的收益。所以这个行业给你带来影响也是一种Beta，它不能称之为Alpha。

　　什么是Alpha呢？我们先从Beta开始讲起，我们常说的Alpha因子和风险因子，就是你可以认为Beta可以把它刻画就叫做风险因子，什么是风险因子，什么是Alpha因子，我认为界定是这样的，这个问题不是这么简单的。首先什么是风险因子，我的理解不一定权威，但是我觉得这个也有一定的道理，我不能够掌控的，能够对我收益率会有所扰动的，我认为是风险因子。

　　比如说我们很关心的像市值，如果你具备一个能力，这个能力就是你永远能够判断出现阶段或者是下一个阶段是大盘股或者是小盘股，市值对你来说就是Alpha因子。但是很遗憾市面上几乎没有一个量化团队来说我能够征服市值因子。因为不知道什么时候大盘股会突然很好。所以你不能征服的东西，但是又对你的投资业界和超额收益造成被动和影响的东西，这个就是风险因子。

　　第二种是也许它本身来看确实长期能够贡献超额收益，但是在某些时点对你的超额收益也是严重的干扰。比如说Beta，我们知道很多时候，包括在座的各位很多都用过，Beta这个东西如果你长期来看就是正的东西，你为什么不能用它来赚钱呢？如果你对自己要求不高，完全何以把Beta作为Alpha因子，你发现Beta这个东西也是一个风险因子。我做量化对冲，我肯定需要不管是市场涨跌，我对冲之后能够有Alpha，能够有正收益。但是如果你通过超配很多高Beta的股票，你发现市场涨的时候你很容易跑赢市场，但是市场跌的时候你很容易跑输市场。所以什么是Alpha，什么是Beta或者说什么是Alpha因子，什么是风险因子完全是因人而异的，完全是依赖于你对投资的理解和你对产品的要求和约束。

　　并且谈到这个问题顺便延伸一个问题，就是怎么评价基金经理业绩的问题，在这里很多人都会有这么一个疑惑或者有这个印象，2014年、2015年、2016年很多量化基金经理业绩很好，但是2017年很差，这里面有两点错误。先说第一点，这里面很多人是把市值这个东西，把它弄混了，它到底是Alpha因子，还是风险因子，为什么这么说呢？首先因为在中国量化本身是一个比较年轻的事物，量化开始有比较多的产品崭露头角，往往是2014年以后，这段时间的市场对公募基金而言，我强调一下我介绍的大部分东西都是在公募基金范畴内，私募基金专户是另外不同的玩法，公募基金里面用衍生品来做的比例是严重受限的，如果你看中国过去十几年市场里面，小市值的股票表现比较好一些。你通过量化模型简单不加约束的情况下，我去进行选股，很容易选择小盘股。其实这个道理也很简单，因为股票本身反应的就是上市公司或者说企业给它定价的变化。

　　小的公司往往还有长大的机会，空间还很大或者说它的成长性很好，但是大的公司它成长到了一定的瓶颈或者一定的阶段。从群体上来看小的公司比大的公司更有潜力。

　　所以当时市面上本身就是小盘股行情，如果你在2014年到2016年发大盘量化蓝筹基金你很难发出去，本身投资者就是追求高收益的东西，偏小盘股风格本身就是它的风险属性，Alpha来源和你的风险来源。比如说拿我们来举例子，这个基金2016年的时候业绩很好，2016年全年市场是下跌的，但是我们有正的26.5%的回报。很明确我的基准就是做一个小盘股，就是中证1000小盘股指数，2017年以后我的业绩是振荡下行的，原因是我的基准比我跌的多多了。2017年我是跑赢基准的，但是我自己有Alpha，但是我的Alpha没有足够厚覆盖我的Beta对我造成的负向影响，所以造成我2017年是亏损的状态。

　　那是因为我构建出产品最终的风险，我就是一个小盘股的基金，你不能要求我小盘股的风格基金，我在2017年跑赢大盘蓝筹基金，那是不可能的事情。因为量化本身来讲，在公募体系里面，我只能擅长做一件事情，就是我做Alpha，别的我做不了，高频我做不了，T+0我做不了，最擅长就是做Alpha。所以我们发布各种各样的产品，比如说我有大盘蓝筹，就是要真实不断持续跑赢沪深300，我还有中证500的增强，我的目标就是不同风格的产品都有，而且我给投资者呈现是不停的，不同产品是不一样的。

　　如果你买了我某一个风格的产品，我除了给你呈现指数以外，还额外增加一块Alpha的收益，这一块Alpha是很纯粹的，这就是我们所做的事情。所以说评价基金其实很多时候你就得去看清楚这个基金它本身的风格是什么，如果它的风格就是个创业板风格的基金，你就不能说它这个基金做的很差。市面上几乎没有基金经理百分之百能够做到真正能够很好地掌握清楚什么时候买大盘股、什么时候买小盘股。

　　这个图是我们对于我们Alpha模型，Alpha来源的拆解。我把我的Alpha因子拆解为五类，其实不止这几中，可以看到在在过去的这么多年里面，有几个简单的结论。

　　首先，在常见这些传统数据的领域，最能贡献我们的Alpha，而且这个是比较纯粹Alpha的情况下，主要还是量价类的指标，不能简单等同于技术分析。量价类的分析，大部分是跟技术分析相同的，但不严格等同。这个图就是从我有数据以来截止到当前数据点平均因子年化的收益，各位可以看到量价因子收益是最高的，这个在慢慢走下坡路，这一点其实也是跟我们国家A股市场上，就是投资者结构慢慢的变化是有关系的。其实A股市场在我们看来更像是美国九十年代的股市，那时候还有很多散户投资者，就跟今天的中国市场一样。个人投资者在里面占主导，它很容易出现各种各样过涨过跌定价错误的行为，这个公司出一个利好散户就买上去了，出一个利空很容易把股价砸跌停。

　　所以大量的不理性，不科学投资行为，使得A股市场上存在大量的定价错误和定价偏差的机会，这个是我们做量化的人非常喜欢的环境。所以一个量价的因子给你贡献非常丰厚的利润，随着时间的推移，A股到最后被散户消灭，机构投资者占主导的市场，这样的话量价类的指标，在最后的Alpha终将回趋于消亡，但是现阶段不会。

　　为什么说散户一定会被机构消灭，现在机构投资者里面，不管是公募基金、私募、险资，什么人在做投资和研究呢？都是各个名校顶尖的学霸，而且大家都很勤奋，哪怕我当基金经理之后，我也是大部分时间都在加班，都在做研究。首先对散户来讲他有自己的生活。

　　所以最终长期来看散户一定是消亡的，机构投资者一定占主导。但是索性是这个过程其实没有那么快，可能现阶段这些Alpha的结构在未来五年，甚至十年以后才真正消亡，而现阶段如果各位进入到这个领域里面，还能够比较容易的去获得Alpha。

　　另外一些结论，像财务类因子，这么多年从09年到现在，相对来讲因子收益还是比较平稳的。估值类的因子收益是最差的，但是2016年以后，这一块是比较明显起来了，这也跟大盘蓝筹股这一波行情有关系。

　　分析师类的因子，其实从历史上来讲，它长期来看是一个慢慢绩效抬升的过程，一会儿我讲一下分析师因子可以做什么文章。

　　这个图是现在国内量化团队里面所做的股票量化模型主要的框架，这个也是国际通行的框架，先有收益模型，就是Alpha模型，Alpha模型可以是多因子模型，可以是事件驱动模型。它的作用在于预测个股的差额收益，风险模型是刻画个股的风险，怎么理解风险。比如说万科这只股票，你等同于做了一件什么事情，你等同于投资一个大盘股，你等同于投资了一个房地产企业，你等同于买了一个现金流很充裕的股票，它属于大盘蓝筹股，这是它的一个特征，我们常说叫风险因子，就是用来刻画个股在各个风险因子，各个风险纬度上的暴露程度。

　　有了预期Alpha，有了预期风险，我就可以做组合管理了，就是我们速成的优化器，组合管理希望做什么事情呢？比如说如果有投资者希望我要一个沪深300风格，比如说大盘蓝筹风格的基金，我可以用沪深300指数做约束，约束我的股票组合跟沪深300结合，沪深300里面有18%是银行，我也有18%是银行。就不会出现我的Alpha在涨的时候跑的好，低的时候跑的不好，这种情况就没有了。还有市值等等，全部约束完了以后，追求预期效用最大化，我预期Alpha减去各类成本，比如说冲击成本、交易成本、管理费等等，你可以是硬性的严格中性约束，也可以说允许一定偏差范围内的柔性约束，这个组合跟这个指数可能有比较好的相关性，我这个组合跟沪深300很像，但是我又持续稳定跑赢沪深300，我的Alpha模型是很有效的。但是我组合管理使得我约束组合就跟沪深300很像，给我任何一个基准，我可以做出类似这样一个股票组合来，但是我又能稳定战胜它。

　　前面是决定买什么样股票的组合，择时模型决定我配多少仓位，在实践过程当中也有很多问题。首先什么是风险因子，你需要关注哪些风险因子，其实国内很多机构做的是很粗糙的。

　　举个例子，它作为一个风险模型，它诞生于成熟市场，对一个基金组合的归因解释度平均来看基本上能够做到40出头。但是如果把这套东西拿到A股上，对A股的基金做风险归因，基本上下降一个量级。其实很重要的原因是因为A股市场跟海外有重大的差异，刚才提到了投资者结构。所以A股市场上面有非常多其他的莫名其妙，老外没法理解的风险点。

　　举一个例子，新股和次新股，A股市场上过去两年里面，每年两百多只新股，过去两年就有500只新股，新股和次新股已经占了很大一部分群体，在上市的时候基本上是博弈型的，所以这个个体本身就是跟股市整体所有股票不是一个体系，也不是一个风格。所以它就是一个典型的A股市场独有的风险因子。

　　所以各家都在做量化，但是做出来的效果差异很大。所以在过去是消灭量化团队很好的一年，真正做的好的量化，事实上是不惧怕2017年的。这里面很重要的一个原因，同样是做量化模型，同样是做Alpha模型，同样是做风险模型，但是各家做的深度千差万别，甚至差异是非常大的。我出去路演的时候，包括机构投资者都问我，你们做量化不就是那么几十个Alpha因子吗？还有什么新意和牛的地方吗？错了，我们技术类的因子，量价类的因子我们测过的就有几千个，因为我们可以开发出各种各样的因子来，这些只是我所能够看到的，我还没做的因子冰山的一角而已。

　　所以这是量化，以及量化这条路在中国还有很长的时间，还有很长的路要走，包括海外也是这样的，很多做量化的人极度专业了，都是一些类科学家的人在做量化，我们A股市场上做量化同样还有很长的路可走。所以我面过很多求职者和应届生，我最讨厌他说各家不就那些Alpha因子吗？能做出多少模型来。

　　主流量化机构的做法是，大量的Alpha来源，包括现在我们捕捉的跟别人不一样大量Alpha来源，来自于碎片化的信息，其实里面包含有很多别人没有做到的，而你捕捉到很多Alpha，很有价值的。后面我就严格按PPT来讲了，给各位师弟师妹们一个忠告和建议，如果你能够做好吃苦的准备，你将来的收获，不管是财富、名誉或者是学术成就都会非常丰厚。

　　而且现在入行做量化为时一点都不晚，我每天都有很多想法，但是我也没有那么多精力，包括我们团队都没有那么多精力去实现。所以做好量化，我自己结合我的七年工作经验，再加上一年的实习经验，八年的经历我自己总结为三句话，做好量化第一点就是思路开阔，做别人想不到的，但是这个太难了，你要知道我们对手全是顶尖学校的学霸，每个人都在这个市场里面不停的学习和进步，你真的要有很多想法是别人想不到的，但是你做到了，这个绝无可能。如果这个能做到非常可还，但是可遇而不可求。第二点是迎难而上，做别人做不到的。

　　举一些例子，比如说大数据，大数据在我们看来是非常有前景的一块东西。但是现在可惜国内很多量化团队都没有很好的把这一块利用起来，我们利用了一点，算是做到别人做不到的。但是还有很多东西可挖掘，因为大数据可挖掘的东西太多了。举一个例子，我们常说分析师因子是很有用的，在学术上来讲和行为金融学上来讲完全是行得通的，因为它就是一个信息传播的媒介，在海外有很多论文研究分析师因子的来源。如果一个上市公司股东有股价的诉求，它往往会通过券商分析师，把这个间接的传播出去，分析师通过写报告、推荐、荐股、路演等等告诉基金经理等等，分析师通过荐股的行为、写报告的行为作为一个信息媒介把这个信息传播出去。而信息传播出去投资者有一定的反应周期，所以分析师因子往往有两到三个月的时间是它的有效期，三个月以后基本上没有明显的效果。

　　所以对于分析师这个群体而言，它在信息传播的过程当中投资者逐渐接纳信息，并且投资过程当中你就可以捕捉Alpha。但是传统的我们做了分析师因子太简单了或者说偷懒，分析师他要写报告调整盈利预测的时候，报告发出来了，拿到这个报告可能隔了几天。再包括他们通过人工录入到数据库里面，检验错误又花了几天，这样就晚了一周。

　　再一个比较好的分析师，他率先上调上市公司的盈利预测，但是大部分分析师没有反应过来。他自己的盈利预测调整，哪怕是大幅调整，等到一批分析师开始调整的时候，其实又过了一段时间了，相当于分析师这个群体本身也有信息传导数据协同性的问题。

　　我们这边除了用传统的数据以外，我们还通过大数据试图消灭这种信息的滞后，我们会尽可能收集我们收集到分析师的研究报告，我们通过电脑去读他人工智能的算法，我们拿到第一手的资料，我就可以从分析师发报告的行为、频率，包括用词都可以第一手的发现其中的端倪，这样的话能够保证我做到比别人领先一步。大数据的技术是很困难的，我们知道用机器程序去读文字，这是非常困难的一件事情，用电脑程序读英文还简单一点，程序天然知道这是个单词，它不存在断句或者其他的问题。常见的两个标点符号之间是一个小短句，如何将风险因子Alpha化，你怎么去分词就能严重影响你的阅读质量，如何将风险因子Alpha化，这是个什么意思呢？

　　再比如说做人工智能领域最喜欢讲的一个冷笑话，就是武汉市长江大桥，机器不懂，它可以读成武汉市长，江大桥，这些需要大量的人工智能技术的问题，来帮助我解读分析师报告的问题。如果你在这方面下了苦功，并且你去钻研。

　　还有就是精耕细作，做别人想不到的也做到了，但是做的不够好。我们风险因子Alpha化，刚才讲到了什么是Alpha因子，什么是风险因子，很多时候是一个界定的标准你是否能征服它，如果一个东西你征服不了它就是风险因子。包括行业因子、市值因子，如果你能够征服它，你能够比别人获得更丰厚的Alpha来源，所以师弟师妹们做量化前途无量。

　　计算机实际上是非常好的东西，计算机严重改变了我们的生活，我们思考方式，甚至我们投资的方式。过去可以说是  计算机时代，现阶段更多是互联网时代，大数据时代没有真正的到来，人工智能时代也还没真正进入到那个阶段，我的理解是现阶段我们正处在大数据时代即将往人工智能时代方向迈进的阶段，这里面有太多的东西可做。

　　再分享一个感悟，小作坊单枪匹马量化的做法在未来一定会失败，一定会行不通。量化在国内是经过草创阶段，慢慢的逐渐机构化，而且是精细化的过程。在早些年，比如说五六年前，我们一个人搭一个多因子模型，自己做估值因子、技术分析因子、分析师因子等等。搭建出来做一个多因子模型，一跑业绩不错。但是现在想重头做这个事情太困难了，能想到简单的Alpha因子我们想到了。所以这个现象在美国特别明显，美国是什么呢？美国是对冲基金或者是私募基金横行的时代，美国有一万多家对冲基金和私募。但是最近几年，特别是最近两三年情况发生了微妙的变化，很多小作坊式的对冲基金做不下去了，大对冲基金越来越大，其实很简单，平台系统非常的完善，非常的智能化，工作效率极高，人手又很多，两三人的团队怎么跟他们PK呢？绝无可能，所以在美国Alpha因子刚研发出来没过多久就消亡了，原因很简单，做的人太多了，你发现了一个Alpha因子，过不了多久别人也发现了，越来越多的人发现就没有Alpha了，就消亡了。美国同行提到最夸张，他们曾经做出来一个Alpha因子，两周之内就消亡了，所以你要快马加鞭才能在未来立于不败之地，量化在国内也是同样的道理，快速的在往前走，而且未来一个人单枪匹马做绝对不可能做好。所以在我合作的研究院和同事，愿意跟团队一起分享的，愿意一起分享成长的往往后面进步越来越快，但是不愿意分享的自己一个人试图用一套模型打败天下的最后都慢慢消亡了。

责任编辑：陶然