1月18日，“2018金融风险管理领袖论坛”在上海举行。华泰资产量化投资部总经理吴明义、PAAMCO董事总经理Misha Graboi、信达证券竞技事业部量化研究总监郑达参与了“量化投资与投资组合风险策略”的主题讨论。
申艳涛（主持人）：非常感谢大家上午务来参加我们的会谈，我们今天非常荣幸请到三位量化领域的专家，量化投资我觉得是个含义非常广的词，可能三位专家，可能是在不同的量化领域有自己的策略和投资方案，所以第一个问题想请各位就自己的工作的领域，去介绍一下目前量化投资的一些机遇和风险，包括一些它的，就是我们今天的主题，这两年投资的进展，以及面临的风险。我们先从吴总开始。
吴明义：各位嘉宾上午好，我是2009年从美国回香港工作，2011年到北京工作，13年到上海这边工作，一直在基金、保险、对冲基金工作，我对国内量化投资理解，国内量化投资整个发展历史还不是相当的久，然后大家对于整个量化投资的认识其实也都是在一种，根据市场的情绪波动当中，慢慢的促进的一种过程当中，我个人比较大的一个体会，国内其实对风险的认识，其实进步非常快的，其实在早期几年来看，国内有两种风险，一种是无风险，比如大家都买银行理财，有刚兑的风险，另外一种风险，很多散户进入股票市场，把股票买着， 怎么跌怎么涨，他不管，他只要找到一个出场的时机就可以了。可是风险并没有被多层次的认识到。这其实是一个量化投资投资发展的一个很重要的养分。投资人可以对投资的一种风险跟收益做一个比较好的归因，所以我们可以对投资做比较好的计划，根据不一样的风险承受能力，跟整个收益的期望，我们做一个分层，或者是结构化的触底，这些大家在国内，随着对风险的认识，已经慢慢有进步。另外一个衍生品的状况，其实衍生品应该处在绝对核心的位置，国内的衍生品受到很多的误解，可能海外更多的把衍生品，大家认识它，其实是个风险管理的工具，可是国内通常把它当成一个坏孩子，就是说它要么是杠杆的工具，要么被利用来操纵市场的工具，要么是不断强调，我们是量化投资，利用衍生品收割韭菜的过程，这个对市场监管跟秩序形成很大的压力。所以我们看到股灾。股灾的时候，我们开玩笑，量化投资可能没有亏钱。九月份就会被拿来开刀。我期望大家对衍生品的认识慢慢进步的情况下，不管是市场还是监管，对量化投资跟衍生品有更好的理解。让量化投资跟衍生品在市场化的过程当中，起到关键的作用。
申艳涛：好的。
Misha Graboi：大家上午好，我会用英文做发言。我的名字叫Misha Graboi，我们是一个非常大的机构投资者，我们总共投资有数亿美金，在量化投资的领域，大多数，我们非常关注亚洲的投资市场，我们管理整体的覆盖不同行业。首先我们是因子模型，它们是让我们更好的对基本面进行管理，对于具体的模型，我们经常问的问题，到底我们要买的股票是哪一些，长期的话，能给我们带来很好的收益，并不仅仅是公司，我们还是要看它们的一些特点，特别是PDG的基础，看看他们长期能带来什么样的基础，如果我们的股票有很高的回报的话，那它是不是能带来长期好的回报。我们也需要关注不同的证券，我们需要看它们风险的类似，看看如果我们购买几千个，甚至上万个股票，在全球市场的话，它们能不能帮助我们管理风险，另外一个我们看看套利，其实有一些外部的因素在市场来推动这些证券的发展，他们可能会以相同的方式来驱动同样的证券的发展，比如说钢铁会推动大家都以相同的方式来发展汽车，所以我们通过这种因素的调整，可以让两到三个公司朝一个方向发展。另外一个有不同的发展，这样会有一些偏离，我们会看什么样造成了这个偏离。我们需要看相应的节奏，我们看长期来看，会带来什么样的结果。基于这样一点，我们进行调整。另外CDA（音）的角度来看，我们还要看整体的市场的结构，和市场参与者的行为。看看整体的动态是怎么样的，看哪一些事情是在发展，哪一些他们并没有期待，但是他们会看到他们的朋友，或者是其他人在某一个证券当中，获得了很大的回报，所以我们在看，有一些战略，可能是从这些来产生的，特别是对于我们市场的波动的它的结构，它是非常重要的。某些领域非常难进行估算的，特别是对于那一些高频高换手率的行业，所以我们会进行相应的投资。很多的一些行业，会非常大的受到监管的影响，不仅仅是在美国，也是在海外的一些市场，所以我们特别喜欢合乎在亚洲的量化投资，因为这边的市场，市场机制还不够有效。它还不够成熟，还不够稳定。所以有一些受到具体事件的影响，量化投资的角度可以在亚洲得到更好的回报，包括中国和其他一些国家，我们具体关注一些行业，从而来看带来什么样好的收益。
申艳涛：从您的角度上介绍一下吧。
郑达：大家上午好，我是来自信达证券的，我相对来说经验比较浅一些，我三年前刚刚入行，我跟大家分享是从技术层面做一下分享。刚刚谈到量化，先谈一下对于量化的理解，我看了一些关于量化的书籍和培训班，基本上培训怎么样编程、怎么采用数学的方式建模。但是经过我多年的研究，我发现量化从本质上而言，是一种语言，而不是一种技术，怎么理解呢？其实我们举个简单的例子，爱，对于爱这个词，我们有不同的表达的方式，中文写爱，英文写love，量化怎么表达呢？我给你一个模型，只是给你一个公式，你不知道它是表达爱意的，但是当你用这个模型在坐标轴上画出来是一个心形，这个模型是不是可以表达爱意？为什么量化这么难呢？因为人的信息接受方式，从我们一出生开始，我们对于信息的接受方式，就是文字、图像，对于数学这种高度抽象方式，人的理解，天生就有一定的障碍，所以说这导致了量化的研究，在大家看来是一个非常高深的领域，实际上它是一个语言，是对图像表示的一种翻译过程。
讲完了对量化的理解，我跟大家分享一下我们在研究过程当中得到的一些技术结果。
主要是两部分，一部分是基于机器学习的多音字系统，第二部分具有完全自主交易学习能力的量化系统的一个未来方向。对于多因子系统，各位不陌生，多因子系统一般用来做解释的，我用因子解释股票的收益率，看看它的收益能力多强，假设因子数量固定的，只要找到足够的收益率，反过来任何一个因子都可以用股票的收益率进行表达。这为目前另外一个主流的投资方式，叫程序化投资或者是基于技术分析的投资提供一个理论的依据，因为它是基于价格的。就是任何一个因子，都可以用股票或者是其他交易品种收益率进行表达，它其实是有理论支撑的。这是第一个结果，第二个结果，我们一般认为交易标的，股票也好，期货也好，很难被预测，价格很难被预测，但是波动率容易被预测，所以衍生出各种各样的波动率模型。第二个发现是什么呢？可预测性是可以转移的，这个是什么意思呢？股票价格不能预测，波动率可以预测，通过某种数学预测，可以降低波动率的预测性，我可以提高股票价格的预测性。这其实是个非常重要的结果，虽然看上去是个信息的转移，但是背后涉及到一些更深层次的，我们目前还不是特别了解特别透彻的一些东西。我们初步认为它是不同的量纲下的信息的转移。加上前一个，第一，因子可以由股票价格、收益率进行表达，这为机器学习挖掘因子提供了基础，第二预测性可以在不同的量纲之间进行转移。这为通过机器学习预测未来股价提供了基础。第三如何用机器学习的方法，挖掘这些因子，并且预测股价。一般来说，我们需要一个逻辑的，对于多因子系统而引，它的原理就是经济学原理。经济学的角度，我们最后发现了一个比较合理的逻辑是什么呢？是纳什均衡，也就是说股票价格它的估值可以被认为是纳什均衡，纳什均衡是博弈论的概念。所以基于机器学习，我们当时做了一个系统，就是通过股票的历史收益率，是确定纳什均衡的位置，以及纳什均衡的变化方向。在这个系统的话，我们直接讲一下它目前的现状，我们最先把它用在了期货上面，去年七个月的收益率18%，最大回撤5%以内。这个结果还比较让人满意。机器学习方法很多，为什么我单单提到这个呢？不仅仅因为我们开发了这个系统，还因为去年出现了阿法狗和L（音），L（音）是专门应用于德州扑克的系统。我们发现阿法狗和L（音）这两个系统出现之后，出现了另外一个可能，具有完全自主学习交易的机器，完全有可能被开发出来。为什么这么说呢？我们首先说Alpha Go，它玩围棋玩得很好。我们结合起来，Alpha Go可以成为一个策略增强工具，是不是策略都能转化为围棋呢？不是，但是某些策略确实可以转化。我们可以把围棋抽象出来。首先围棋有横轴纵轴，对应两个变量，时间风险一对，量价一对，多空一对，最后我们认为多空是比较合适的，因为它代表了一种博弈，第二围棋是基于路径依赖的，如果我们转化问题的时候，把策略转化为路径依赖问题，就可以转化为围棋问题。第三，围棋有结局的，但是交易是没有结局的，就需要施加一定的条线。最后我们看到一个比较有趣的结果，它把交易问题转化为类似围棋的问题，满足相互博弈、路径依赖、结局有限，全都满足。虽然这是初步的结果，但是我们认为未来可以自主学习并且可以交易的系统，肯定会出现，这就是我今天跟大家做的分享，谢谢。
申艳涛：谢谢郑总，接着你的介绍，我有很多问题，先问两个比较有代表性的，第一个Alpha Go这种人工智能，它应用于交易，我一直想问一个问题，围棋有个非常明确的规则，虽然不知道对方怎么下，但是输赢、具体的点数都可以量化，但是金融市场，我们自己很难把它进行区分的一个要研究的对象，在您的模型里面怎么处理这个问题呢？当然你刚刚精炼的提炼了几个，比如多空博弈，但是涉及到历史参数的稳定性，这点您能分享下您策略的布点吗？
郑达：这个怎么说呢？其实也经常有人问我，你用的是什么策略，我们实际上现在已经超出策略概念了，我们更喜欢讲系统，同一个系统，不同场合是不一样的。关于参数，其实这个系统本质上是无模型的系统，就是它的参数基本上是学习出来的。所以它具备了一定的自适应的特性。这也是这个系统为什么既可以适用于股票，也可以适用于期货、外汇市场。关于这个系统，不同的人会得到不同的系统。Alpha Go只是原有交易系统的增强。真正理解呢？Alpha Go在这个情景下，更像一个优化工具，帮你提炼一些交易的规则，或者是帮你更新你原来的交易的结果。而不同的人，会得到不同的交易规则，最后用Alpha Go系统强化的时候，出来的系统也是不一样的。所以最后有些人会问，都是Alpha Go的话，谁会赢呢？就看谁设计的交易规则更合理。
申艳涛：谢谢。
刚刚您讲到了策略，我想问一下，在这些方面，是否有一些多元化，就是看到不同的策略者之间，是否有多元化的趋势，还有你们真正样使用优势？也就是使用不同的，基于策略之间的优势？
Misha Graboi：是的，组合角度来看，优势，量化投资有这样的趋势，能够带来不同的因子因素，而且它对于共同的因素，带来的负载比较低。通常每个人在利率方面敞口比较高，市场回报率方面敞口比较高，通常来看，这些量化投资者会做一些替代，把这些因子替代成其他的因子，这样他们可以得到更好更积极的高于市场的回报。另外内部来看，很多管理者，在管理风险的时候，都是关注不同的子策略之间的关联。可以看到很少有量化投资经理，他们只会关注一个风险因子，他们通常会关注多个因素，多个策略，在进行量化投资的时候，就可以比较好的使用这样一些策略，可以独立的使用他们，也就是并不会有单个多个的因素影响。所以有很多量化因素，他们可以实现比较高的杠杆率，也就是你可以进行一些多空或者是其他的一些策略。可以达到200%的增长。也就是可以达到1.5-2倍的杠杆，对于量化投资来说，其他的可能会做到3.5到5倍，为什么这样呢？这样一来，他们可以实现比较低的风险，可以实现比较好的子策略的利用。这样带来了更多的量化投资风险的考虑，就是可以使用一些信号，考虑它是不是在正常的运转。如果不是正常运转的话，也不是一切都完了，对于你来说，会带来一些随机的结果。可以看到之间的关联性以及变化，从风险管理的角度来说是非常重要的。我们在进行量化投资的时候，必须要考虑，要有鲁棒性的留存，重新评估信号，它什么时候失效的话，要重新进行分析，因为市场是充满噪音的。
申艳涛：刚刚您介绍了国内衍生品市场的发展。我回国之后发现这样的问题，国内衍生品是非常初期的阶段，不说个人，各个机构对于使用衍生品管理风险的意识都不是很强，回国之后，其实我还是一直参与的境外市场，但是境内市场，想跟您请教一下目前的发展状况，尤其国内的机构客户，他们有没有用到衍生品市场管理风险，然后在最近这段时间，有没有一些心得进展，或者是有没有新的市场发展方向，给我们介绍一下吧？
吴明义：谢谢主持人的问题，其实我一直帮助机构做投资跟管理的风险，当然核心的工具就是衍生品，当然除了各式各样的风险归因的工具之外，就是衍生品，商品期货这一块，国内发展非常完整跟迅速。据我们知道每一年会推出四五个品种，去年也推出了两个商品期货的期权，虽然成交额不大。金融期货这边，我们一直有股指期货，现在有三个股指期货，包括50、300跟500，另外我们有五年期跟十年期的股指期货。当然比较可喜的，对金融市场产生比较大的冲击是金融期货这一块，金融期货这一块参与者受到比较大的限制。现在主力机构都不允许进入，不管是银行还是保险，其实这些机构，现在都不允许进入这样一个市场。当然不管是银监会还是保监会，过去一两年，在密集的制定各种新的监管规则，不久的将来，我们可能会看到这些机构会参与股指期货。股指期货一出来，市场预期非常高，一开始也取得非常大的成功，中金所，曾经15年变成全世界最赚钱交易量最大的交易所。可是遇到股灾之后，股指期货我觉得不是很能理解。怎么样找到一个中国的监管的规则，这个东西，是我们接下来要密切注意的地方。不过我预计，这件事情会越来越机构化，越来越开放。我讲一下量化投资，刚刚两位提到了一些理解，我简单说一下我的理解。
其实我们讲量化投资，我的理解可能有两大块，第一块，我们一直在做P（音），就是不管对风险或者对于一些产品上面，它的一些策略，特别是一些复杂机构产品做一些定价。第二种东西，可能刚刚两位提到的，我是做投资。做投资这件事情，可能涉及到概率的问题。我想国内做投资，有个比较大的困难，量化投资跟传统投资其实也是很类似，很多传统投资经理会看K线，你说我们做量化投资，会不会看基本面数据？我们也会看的。只是量化投资是从基本面的数据出发，希望找到过去重复的一些比较成功的模型，然后把它模型化出来，希望在未来可以不断的重复这样成功的概率。这样的一个过程，其实演进了一个很严重的问题，过去的数据，包括了足够多的可能，让你的模型可以兴趣面对未来的市场。这个在A股里面，或者国内市场，是很吊诡的困难。怎么说呢？如果你要交易，就说交易股票好了，你不能说一千只股票的市场，跟现在三千只股票的市场的数据是有对比性的，或者是它的成功的一种交易模式是可以重复的。
另外市场参与者在改变，监管也在改变。所以这个是，在国内做量化投资跟海外做量化投资，相对来讲，要处在不断的变化不断进化的过程当中。
我们知道去年的阿尔法Alpha出错。这个很大的原因，因为我们历史数据并没有包括去年市场的可能性，造成了大家的困难。不过这种东西其实是一种进化的过程，我们常常开玩笑说，我们做量化，我宁可活在数据里面，死在数据里面，只要数据不断的进化，不断的包含更多的可能性，量化就会不断的成长，不管是我们通过传统的统计方法或者是机器学习的方法，但是过度的拟合过去，某种程度上，可能也会趋于陷入一种过去数据的陷阱里面。当然金融市场，我想不管是中国市场还是全世界市场，变化非常快，我们怎么样在可能性的增加当中，跟成功的模式之间找一个平衡，我觉得这是做量化投资的比较艺术的地方。
申艳涛：刚刚您讲到这个问题，我想到另外一个问题，我们做量化，确实跟基本面投资很类似，我们不可能真的做出一条一直想上的收益率曲线出来。但是这样就有一个问题，比如我们暂时有回撤或者是有一段时间的收益一直持平的阶段。我们面对这种问题，我们自己怎么考虑的呢？我们认为模型出现问题，要修正模型呢？还是在一个路径下，它产生的暂时的概率问题？反过来说，遇到这种问题，一个是怎么去，自己去做研究，第二个，怎么向投资者进行解释，我们投资者有多长的耐心等待模型继续进行，或者我们是机构的话，怎么向老板解决这个问题。我想请问三位对于这个问题的想法。
吴明义：你提的这个问题，刚好是我们过去一年血淋淋所面对的问题。我们一年前曾经跟很多投资者提出很多成功的模型，可是过去一年，表现都不如预期。我们就要问自己，过去这些成功的策略，为什么在过去一整年里面，其实不是很短的时间，在半年或者是九个月的时间里面，表现不出预期。我们要问自己一个问题，自己真正赚钱怎么亏钱的。我们怎么知道做归因。我们知道哪一些风险因子，这些风险因子，是不是过去性价比获利比较高的因子。你要判断一个因子，是不是失效，或者是判断一个经济的趋势，或者是新经济的主题，是不是有效，某种程度上也是异曲同工，我们要判断一个逻辑是不是失效，或者是市场环境，是不是过去的数据可以监测的环境。这个是不断的进化的，这个没有一定的定论。当然我们要说，策略超过一定的程度，就止损或者是怎么样，可是我这个东西很重要，我们能做很清楚的归因，能够知道这个策略的逻辑，在现在这个市场里面，是不是仍然适用，这个东西是需要判断的。这个是对内，对外，不管是面对老板还是面对投资人，你要面临的环境，你处在什么样的市场环境当中。我举个例子，如果你处在大熊市当中，其实你亏百分之二三十，并没有大不了的。如果处在一个往上的大牛市当中，你一年赚5%都是失败的。我们怎么变成大类资产配置的一环，你如果这样理解的话，你就跟投资人，把这个产品的收益跟风险说得比较清楚，让他知道什么时候配置这样的产品。可是每个时代，都有产品适合配置跟不适合配置的时候，这个我们要跟投资人做比较好的清楚的交代。
Misha Graboi：我们看到，其实几百万亿的问题，是不是我们所有的模式，是不是基于是劣势基于了校准，一旦失效的时候，我们要问，他们到底做什么，为什么他们会失效，是铺是他们运作是非常重要的，是不是仍然很重要，我们在这种情况下，应该采取什么样的动作，什么样的措施，这的确是个很难的问题，我也想说，我们不想带来很多模棱两可的争论，我们需要看我们的模型，我们可能让机器学习，对于模型的机器学习，完全放在随机的状态，让它在非常宽松的状态下进行，我们看它会不会找到很好的模式。如果22次出现了红色，接下来第23次可能会变成黑色，是不是我们能够超过样本之外的情况下，能够预测这样的一个概率？所以我们如果用了一个AI的模型的话，我们需要看，即使我们的模型跟历史数据完全配合。但是AI的话，可以基于任何一个数据点进行预测，如果超过了这个市场，新加坡市场之外，它是不是能工作，我们需要找到一个科学的方式，我们进行了假设，比如说那一些公司，如果被低估，相对于他们的盈利被低估的话，我们会收购，我们会购买。我们也有一些假设，如果某些股票，它们的股票被低估，但是它们的股息（音）非常的好，盈利非常好，这一些是我们的假设，我们可以看基础的假设，是不是仍然有效。这是非常简单的方式，是不是我们基本的假设还在增长。是不是最初的时候，这些假设是有问题的。其实我们经历了一些不可预料的一些业绩不好的时期，如果我们回到投资者这边，如果他们在两年，投资的六年当中，有两年回报率非常低，如果他们问我的话，我会说我不知道，因为我们对于模型并不是十分有把握了。的确有一些数据在这个机器当中，这是我们交易的模式，它是一个非常复杂的模式，当AI和人类的投资者进行工作的时候，的确它有非常复杂的一面，如果仅用一个AI的话，我还没有看到任何的非常好的结果，我还没有看到纯粹用AI进行投资的做法。
郑达：在Misha先生说了之后，我发言压力非常大。这个问题写一篇论文应该没有问题。
我这里简单概括成两块，一块这个模型的失效是它的自然属性，就是不管你怎么设计，基于这个理念设计出来的模型，必须有一段时间胜率就是低的，回撤就是大的，无法弥补。另外一块是什么呢？这个系统或者是模型的设计过程当中，我把一个模型是否会失效，这个参考标准，直接就设计进去了。怎么理解呢？大家知道任何一个系统如果要盈利，它的期望收益必须是要正的。期望收益这个公式分解出来就三个要素，胜率和盈亏的幅度，如果说你在每一笔交易之前你都能知道这笔交易的胜率和盈亏幅度，你交易的成功概率将大大增加，这个在赌场玩21点是同样的概念，就是算概率。
但是大多数的模型在设计过程当中，是没有一个参考标准的。申总之所以问这个问题，本质上是说我们怎么找到这么一个参考标准。我们看一下基于机器学习的系统，它回撤之后说我的胜率60%，它是一段时间上胜率是60%。但是某些阶段胜率可能是90%，它的某些阶段胜率可能只是10%，当它是10%的时候，你能说你的系统失效吗？不是的。这是系统的天然属性而已。而且在10%的时候，你甚至要更相信你的系统，因为已经这么差了，后面肯定会一步步好起来。它也是回归的过程。这是没有标准，作为自然属性的一个结果。
有标准的时候，设计之前，在每一笔交易之前，我就知道这个交易的胜率就是80%，如果说几笔交易之后我发现胜率偏离了80%，肯定是模型出了问题，想都不要想。
就跟上个月，我们对系统做了较大的改进，我们设定的胜率是80%，但是实际交易的时候，我们五笔交易我们亏了四笔，亏四笔的6概率是什么呢？是2的，应该是0.1的4次方，是一个极小概率事件，但是极小概率事件，这么随随便便出现了，所以说明系统有问题。它成为一个参考系统，我们立马查我们系统，确实，在一个关键的，就是它算收益分布的那个关键步骤上出现了很大的问题。我们算出来的收益概率其实是错的。郑达
所以对于申总这个问题，模型是不是会失效，以及如何判断它失效，从我个人观点而言，是要看它的系统和模型的设计理念和设计思路的，有些模型天生它的失效，就是它的自然属性，但是有一些它是有参考基准的。谢谢。
申艳涛：谢谢三位的精彩的介绍，我们今天时间有限，我们先到这里，如果有什么问题，大家可以会后再跟大家交流。谢谢。
