量化对冲&事件驱动       基金经理助理王正

从AlphaGo到量化投资

3月9日至15日，为期七天的谷歌AlphaGo（人称阿尔法狗）与围棋九段名将李世石的人机大战吸引了全球数亿人的目光。最终AlphaGo以4:1的成绩击败了人类棋手，社会各界对人工智能（AI）的出色表现刮目相看，AlphaGo的出现或许在人类社会的发展道路上具有里程碑式的意义。事实上这并不是人工智能的首次亮相，早在19年前，机器人便已初露锋芒，当时IBM的计算机Deep Blue（深蓝）战胜了国际象棋冠军卡斯帕罗夫。不过和8x8格的国际象棋相比，19 x19路的围棋所需的计算能力明显要复杂很多，更重要的是，AlphaGo在深蓝快速计算的基础上增加了深度学习能力，通过大量棋谱和自我对弈总结规律、预测胜率、形成决策。

AlphaGo崭露头角后，人类不禁畅想人工智能未来广阔的应用前景，具体到投资领域，或许未来某一天会有一个“投资狗”出现，它可以通过对大数据的搜集和分析，自动学习并不断更新投资策略，届时或将对基金经理形成很大的挑战。不过笔者认为，投资的复杂性和易变性是“投资狗”的最大障碍，棋类项目有明确的规则和输赢判定，可以通过大量的模拟总结出有效的规律，但投资并没有如此明确的准则可循，用历史预测未来就不见得那么可靠，尤其是在面临黑天鹅事件、产业结构变迁等无历史数据可以回溯的情况时。这样来看，距离一个足够优秀的“投资狗”的诞生还需要很长的过程。

不过现实中的量化投资领域，机器的数据处理能力已经得到了广泛的应用。在传统投资者看来，量化投资或多或少会带有神秘的面纱，但其实它的原理并不复杂。目前市场上的量化投资技术尚无法达到机器自我学习的水平，它本质上还是对人的投资经验、投资理念进行数据验证、形成可量化的投资策略，客观性和纪律性是量化投资的明显优势。量化投资在选股、择时以及套利上均有成熟的运用，一旦一个经过数据检验的投资策略形成，机器会按照设定的规则及相应的参数生成选股结果、发出买卖信号、捕捉套利机会。这个过程可以克服人类的恐惧、贪婪和侥幸本能，避免受情绪和心理因素的干扰，另外随着市场上交易品种的增多，人工覆盖跟踪的难度越来越大，计算机在数据的广度、准确性、响应的及时性上也更胜一筹。

目前国内的量化公募产品主要有三个方向，一是被动指数型产品，二是主动量化股票基金，三是量化对冲基金。被动指数型产品包括ETF、指数基金，通过对指数成分的精确复制达到紧密跟踪指数表现的目的，为投资者提供了便捷的工具化产品；主动量化股票基金则专注于选股策略，多因子模型是应用最广泛的一种选股模型，基本原理是对一系列的因子进行效果检验、选取有效的因子作为选股标准，通过对个股在多个因子上的综合得分高低决定是否入选，目标是使选出来的股票组合有优于市场基准指数的表现。而量化对冲基金除了选股之外，还利用股指期货套保，对冲市场风险，获取稳健的绝对收益。另外，私募和专户的量化投资还会进行多种形式的套利，如ETF套利、分级基金套利、期现套利、跨期套利等，套利本质上就是价差交易，如果两个品种之间有长期稳定的价差关系，那么一旦捕捉到价差的偏离就可进行套利，等价差回归正常时了结，赚取价差波动的收益。从风险收益特征来看，被动指数型产品和主动量化股票基金都属于高风险高收益的品种，而得益于衍生工具的运用，量化对冲和套利产品能够实现较低的风险、较高的收益（和无风险利率相比），给不同风险偏好的投资者提供了多种选择。

尽管量化投资在国内的兴起也就是最近几年的事情，但从海外市场的经验来看，随着国内期货、期权、融资融券等衍生产品的不断丰富，量化投资未来必将有更大的舞台。