泰康资产金融工程部被动投资组负责人 胡俊敏
胡俊敏：在座的各位领导、来宾、各位同学大家下午好！今天很高兴有这个机会跟大家分享一下我们对于量化策略长期配置价值方面的思考。我讲的内容分三个方面，首先我会跟大家回顾一下海外的资产配置的演变历程，以及对我们国内资产配置的一些启示，然后我想从量化的本质，也就是说从量化起源，从阿尔法，从组合构建这三个方面看一下为什么说量化策略，它有一个长期配置的价值。最后看一下量化策略，在资产配置方面的应用。这里显示的是美国的资产配置进化的简史，红线是美国标普500走势，从1953年一直到现在，蓝线是美国十年国债利率的走势。其实美国现在资产配置的模式，不是一开始形成的。如果我们看美国的50年贷，其实它的配置非常简单，基本就是固收类的产品，60、70年代美国经历了高通胀的时期，大家意识到光靠债券收益不够，所以他们从债权转为60和40这样的配置，因为他们意识到股票和债券的相关性比较低，在一起配置有分散风险的作用。
那么到了80年代之后，美国经历了一个将近20年的牛市，美国机构也越来越多的追求这个收益。所以股票上面的配置越来越高，有的达到了20%，同时纳入了一些另类的资产类别，比如说私募、对冲基金、房地产和海外的股票投资等等。到了90年代，定量的资产配置模型出现了，所以大家开始引入了基于均值方差的优化的资产配置的模式。但是基本的股票的高配置，是没有改变的，因为当时美国正在一个大牛市当中，但是到了2000年，到2010年这个时间阶段，美国经历了两波大的振动，首先是2000年之后的互联网的泡沫，再就是2008年前后的金融危机，那么很多类别的资产他们的业绩受到了重创，机构一下子意识到风险一定要控制。那么2010年以后越来越多的形成目前这个模式，因子被动量化等等的，在资产配置中起到越来越多的作用。
如果我们看美国资产配置背后的深层的驱动因素，其实有三类：
第一类是美国的机构投资者占比的提高，使美国资本市场有效性逐步得到提高。一个结果就是主动基金，它在平均业绩方面比较难持续的跑赢指数，同时由于它的费率高，所以资产配置中对主动基金的需求降低了，第二是专业投资者对于大类资产风险收益的认识，也是在逐步提高，就是经历过这些市场的振荡之后，同时配置模型的出现，所以使他们的资产配置从开始的非常简单的一两个资产类别，到多个资产类别，然后发展到对于风险收益的定量的需求这个方向。这段时间里面指数量化增强，Smart Beta这些产品出现了，并经历了一定的历史考验。这几类产品他们有比较定量的风险收益特征，所以综上所述美国这种情况下，他们的被动因子量化等等的产品在资产配置中得到越来越多的运用。
我们看中国，中国是目前世界第二大经济体，从它的经济现状，从金融方面的现状来看，其实与美国80年代比较类似。从近期国内投资者对于一些被动产品的逐步认可，随着他们规模的上升，其实我们已经看出这方面的趋势。我觉得市场的有效性和结构化，可能在未来也会得到初步的体现。所以量化策略在中国资产配置中，可能会起到越来越多的作用。
下面说一下量化的起源，说量化不得不提量化教父，爱德华索普，他是一个奇才，不仅在股市非常成功，他早期在拉斯维加斯的赌市，而且发明第一台可穿戴的计算器，他为了计算股市21点的装置，放在鞋子里面，用脚指头来启动，方便他计算。后来因为他在赌市比较成功，所以受到庄家的下毒，他就转战股市了。然后他成立了对冲基金在近30年的业绩是非常出色的。我觉得他对于量化的贡献主要体现在几个方面，首先率先使用了统计概率，纯数学的理论来用到这里，而且他能写书，国内有翻译版，他写过《击败商家》和《击败股市》，对美国早期的量化大师其实有非常大的影响。在他之后股市起来了，文艺复兴逐步起来了，中国的量化是2009年开始的，为什么说量化的阿尔法能够有超额收益，其实这个跟投资者系统性的投资偏差是离不开。
这里有两个例子，第一个如果你原有财富的基础上给你一千块钱，然后给你两个选择，一个是A有50%的几率赚一千块钱，50%不输不赢，B就是给你五千块钱，选A的能举手吗？选B的，B的居多，挺好的。第二是原有财富的基础上给你两千块钱，也有两个选择，50%的几率会输，50%不输不赢，第二是500%的几率输500块钱，C的举手，D的举手，这是期望理论。这个跟他们做的实验的统计结果是一致的，第一是选B的占大多数，第二选C的占大多数，但是如果大家仔细看一下两个题的结果，其实它的分布是完全一样。A和C都是拿到一千块钱，B和D都是一样，都是百分百的几率到1500块钱，两个是完全一样的。他们研究的结果是不确定的情况下，但是做的决定是非理性的，也就是说赢的时候比较业务风险，所以说你会选B，但是你输的时候喜好风险，想多赚钱，所以会选C，其实两个是一样的。那么这个对于我们量化有什么影响？也就是说这个人的非理性他是一个系统性的偏差，而且是可预测的。
行为偏差对量化的影响，体现在行为金融的崛起。那么我想大家可能也熟悉三因子以及动量效应等等，其实为阿尔法的存在提供一个心理学的基础，同时说明另外一个问题，阿尔法是像衣服食品一样需要持续更新。因为阿尔法的获取是一个有机的过程，也就是说当我们使用一个阿尔法的时候，我们是在系统性的更正这个系统性的偏差，所以用的时候其实我们系统性的导致它的失效，也就是说我们的模型需要持续更新，变化是一个常态。但是我们严谨的框架，使我们阿尔法的更新成为了可能。
我最喜欢是美国棒球队的例子，不知道大家是不是熟悉中国也有可能上影过这个电影《魔球》，当时根据美国历史上最糟的棒球队，奥克兰棒球队，他们怎样取得大联盟20连胜的成绩，他们通过数学统计分析找到一个解决方案。美国人他们相信棒球队以及其他的职业球队，他们的战绩是用金钱堆出来的。这里有一个统计数据，横坐标是各个球队的薪酬，纵坐标是他们赢的比赛，可以看出付的薪酬越高，赢的比赛越多。但是奥克兰球队，他们怎样取得这么辉煌的胜利？其实答案就是行为偏差和科学的数理分析。这个老板是对冲基金的老板，他说这两个领域是指职业球队和量化金融，都是受信仰和认知偏差的影响，如果能够去掉信任和认知偏差，而用数据代替，你就有明显的优势。所以奥克兰棒球队的总经理Billy，他在高中是棒球的明星，但是职业生涯不是很成功，因为性格容易激动受影响，但是这是他这段职业生涯的经历，使他对于美国棒球界，他的行为偏差非常了解。所以开创了Saber，他们怎么找出棒球队的阿尔法？首先他们意识到，我不是很懂棒球，但是棒球有两种不同得分方法，一种是onstage一种是slugging，他们意识到onstage对于一个球员有更大的作用，所以他们给onstage了权重，根据这个决定哪个球员有潜力。第二一个行为偏差大家都认为，尤其是专业棒球队，他们认为他们靠肉眼看出来，哪个棒球球员命中率最高，但是最好的球手只能在三个球里面进一个，你怎么看出来0.3和0.275的区别，所以奥克兰球队他们通过严格的统计数据来决定的。还有一个现象是，一般来说如果一个球员受了重伤，基本上他的球队认为他的职业生涯完了，这是非常简化的看法，但是Billy不是这样，他们根据这个球员的伤势，对职业生涯有多大危害？是不是有比较好的职业生涯？所以他们做这样的分析，然后用比较低的价格来买入受伤的球员。还有是帮助他们的球队，金融状况有一个扭转。也说传统的棒球行业认为如果水平比平均水平高一点，我不可能出高的价买你，Billy他们怎么做，他们让球员换一个位置，使他的才能能够得到更好的发挥，经过一段时间之后积累一定的业绩以高价卖出。
所以奥克兰的球队之所以取得这么好的成果，这和他们对行为偏差的认知和数据的重视是分不开的。量化也是如此，比如说1996年的时候Sloan有一个研究，看上市公司的应计利润和现金流对于未来盈利的不同影响，他们结果显示应计利润更有预测作用，但是市场为什么没有意识到这个现象。他们的分析表明，因为投资者过度关注公司的盈利，应计利润现金流的影响，不是直接反应利润，而是通过一定的时间来反应的。我们也分析了A股情况，其实A股也突然这个现象，鑫泰电器就是这样的样子，他们2014年2015年非常好，但是看现金流可以看到，现金流非常差，但是当时股价没有这个反应，等这个反应到盈利上面，它的股价才下跌，后来他们也退市了。
所以量化模型这个阿尔法模型的框架，它的好处就是提供一个框架，你可以从多方渠道来发掘有效的阿尔法，比如说行为金融的成果上面发掘，可以从传统的投资方法当中发掘，然后结合数据，通过一个定量模型来打造你的模型。这样的模型可以考虑长期的价值、中期的质量，也可以考虑短期的技术。这样一个模型它的好处是能够适应比较多的市场环境。另外是组合构建的框架上面，它的输入成分有三大部分，通过阿尔法的模型，你可以把对于每个股票未来的预期收益纳入到你的模型中，通过风险模型你把股票的预期风险，以及股票和估计股票相互的变动，纳入到模型中。同时可以纳入教育费用模型，这样构建出来的组合，它能够在一定的风险水平下达到比较好的超额收益。另一个好处就是这样一个模型，是通过一些参数来控制，通过参数表示可以对阿尔法模型，对风险对投资约束做一个定量的要求，可以根据你配置需要来量身订作相应的产品。
这个量化框架，我们从这个框架看各类产品，其实看的非常明白。这里把四大类的产品在年化超额收益跟二维图上面展现出来，纯指数是非常小，Smart Beta一般构建比较简单，它的因子不是特别全，所以信息比例不是特别高，但是还是有一定的阿尔法。指数增强在其中是信息比例比较高的一个品种，可以达到比较高的超额收益。主动量化这块相对来说约束比较小，超额收益的空间比较大，但是相应的它的风险也比较大。那么在这样一个框架上可以根据资产配置对于风险收益的需求，配置相应的量化产品。
这里说一下量化优势和局限性。它的策略长期的业绩是比较稳健的，相反而言由于它对于风险控制有严格的要求，这个控制在一定的程度上通过分散投资达到的，也就是说一般的情况下它超额收益的上限，可能比主动基金最牛的那部分，还是有一定差距的。由于有量化平台，系统化自动化的管理，对于规模效应，当你达到一定规模之后，规模效应非常显著，你可以管理多个策略可以管理非常大的资金，这个比传统的主动管理有一定的优势，同时可以规避一些人为的偏见，因为很多部分是由量化框架决定的。
局限性方面，由于量化对模型的有效性，对于数据要求非常高，这方面需要投入一定的质量检验同时需要一定的市场监控。美国的量化产品它的发展趋势，从2008年以来是这样的，首先美国主动基金总体规模2008年以后是负增长，但是量化在Smart Beta的产品上面，发展的速度非常快。国内目前量化总规模是1100亿元左右，其中指数增强和类指数增强占三分之二，主动占三分之一，这个规模跟美国量化公募的规模相比非常小，只占2%，然后跟国内普通股票基金 偏股基金比较小，大概只占7.6%，所以未来量化有比较大的上升空间。
从海外内主动基金的业绩情况来看，其实主动基金在平均的水平下，还是比较难跑赢的。左边是美国的主动股票型基金，平均业绩，显示一年三年一直到十年，在美国各个大的风格情况下的表现。比较典型的是我们如果看三年期的表现，所有的各类的股票型基金战胜基准的数量都是低于50%的。我们对A股主动业绩分布也做了一个分析，拿中国主动基金收益的中位数跟沪深300以及Smart Beta做一个比较，从2008到2018年11月份左右，其实在大部分的年份里面，主动基金中位数是没有跑赢指数，Smart Beta它的业绩在大部分年份比沪深300好一些。主动基金面临的另外一个问题是业绩的持续性，下面分析主动基金在过去三年里面连续跑赢指数的情况，我们分别看了连续三年，每年都在业绩的前二分之一，前三分之一和前四分之一，如果每年保持三分之一，满足这样条件的基金其实只在5%或者更低的情况。
指数增强基金，它的信息比例是比较高的，我们看目前A股指数增强基金，它的前75分位持续业绩，75分位能够持续跑赢基准，同类战胜沪深300还是有一定的难度。所以它可以在资产配置中，可以用来增加一定的超额收益。Smart Beta可以作为战术性的配置，因为不同类别的因子，比如说价值成长动量等等，他们都具有非常鲜明的风格收益特征，比如说价值在熊市中表现比较好，动量在牛市中比较好，所以可以根据不同的经济时期做战术性配置。Smart Beta中有一类是低波Smart Beta，它的波动率比市场低。那么在海外的资产配置中，其实目前现在已经用的比较广泛，也就是说这里的例子，如果你在原来的组合中把一部分的宽基用低波Smart Beta来代替，可以把波动率从11%降到10%，能够有效的控制风险。
这是海外资产配置的例子，它里面有动态配置的例子。我们可以看到目标日期是20140，里面的产品有量化增强、Smart Beta、ETF等等我们看到其他的，比如说Smart Beta以及其他目标日期的动态配置里面用多因子的Smart Beta和低波Smart Beta以及量化增强和主动的产品。我今天分享这方面的思考，主要是量化的特质，从它的阿尔法和组合构建来看量化策略在长期资产配置中的投资价值，可能不完全正确，只是仅供大家参考，我的报告就这些，谢谢大家！
6
