问小白 wenxiaobai
资讯
历史
科技
环境与自然
成长
游戏
财经
文学与艺术
美食
健康
家居
文化
情感
汽车
三农
军事
旅行
运动
教育
生活
星座命理

一文看懂“价值捍卫者”AQR的下一个因子前沿

创作时间:
作者:
@小白创作中心

一文看懂“价值捍卫者”AQR的下一个因子前沿

引用
新浪网
1.
https://finance.sina.com.cn/money/smjj/smdt/2024-08-13/doc-inciniqn0521225.shtml

因子投资是现代资产管理领域的重要理念之一,它通过识别和利用市场中的系统性风险溢价来获取超额收益。本文将带你穿越因子投资的历史长河,从17世纪的金融市场萌芽,到20世纪的量化革命,再到当今机器学习和另类数据的应用,全面解析AQR资产管理公司及其创始人Clifford Asness在这一领域的探索与创新。

跨越因子长河

三个多世纪以前,西法尔第的商人Joseph de la Vega写了第一本关于17世纪阿姆斯特丹兴起的金融市场新现象的书,书名叫做《困惑之谜》。Joseph de la Vega阐述了在这个有趣的新领域如何取得成功的几条规则,比如耐心和平静地接受盈亏。

从那以后,一系列业余爱好者、理论家和实践者创造出了各种选股系统。比如本杰明·格雷厄姆的价值投资策略。Charles Dow的道氏理论,该理论催生了例如移动平均线、烛台、布林带以及金叉和死叉点等众多经典策略。

20世纪60年代,计算机在华尔街的出现改变了一切。突然之间,研究人员可以利用更多的数据和严谨的数学来进行复杂的实研究分析。少数人抓住了这个机会,以哈里·马科维茨为首—— 将量化技术实际应用于投资组合管理,改变了游戏规则!

随后,芝加哥大学Eugene Fama提出了一个假设:成千上万的投资者不断地试图比对方更聪明,这意味着股市是“有效的”。这催生了上世纪70年代初的首批指数基金。

但随后的进一步研究开始揭示了在过去几十年里建立起来的学术大厦中的一些断层。也许市场不是完全有效的,也许确实有办法在长期内战胜股市?

1977年,麦克马斯特大学金融学教授Sanjoy Basu发表了一篇论文,指出股价相对于盈利水平较低的公司,其表现一直好于Fama的有效市场假说所认为的水平。

从本质上讲,他证明了Ben Graham在上世纪30年代倡导的价值投资原则——购买价格低于内在价值、不受欢迎的廉价股票——产生了巨大的长期收益。从理论上讲,通过系统性地买入所有廉价股票,投资者可以随着时间的推移跑赢大盘。

后来,物理学家出身的经济学家Stephen Ross和分析师Barr Rosenberg进一步深化了这一认识。

为简单起见,Sharpe最初的资本资产定价模型(Capital Asset Pricing Model 简称CAPM)规定了一个单一的“市场因子”。CAPM的魅力在于它优雅的极简主义,尽管它很难描绘出市场的实际运作方式。

Ross的“套利定价理论”理论认为,除了特殊因子外,任何金融证券的收益实际上都是由多种因子驱动的。

1981年,经济学家Rolf Banz发现,规模较小的上市公司也有类似的优异表现。尽管这些小型股票比大型上市公司的股票波动更大,但在Banz最初研究的1926年至1975年期间,它们的收益率要高得多。

但分水岭时刻出现在1992年,当时Fama和他的合作伙伴Ken French发表了一篇论文:

懂得都懂

从那时起,学者们已经确定了一系列因子,它们的持久性、强度、定义和接受程度各不相同。

多年来,人们已经“发现”了数百个所谓的因子,这种现象被称为因子动物园(Factor Zoo)。我们可以看看目前为止,五个最主流的因子在实际中的表现是怎么样的:

AQR的创始人Clifford Asness在芝加哥大学师从Fama。尽管如此,他还是倾向于行为学派。

Asness表示:我可能认为市场比一般人更有效,但我认为它们可能没有我25年前想象的那么有效。在我的职业生涯中,他们的效率可能越来越低。由于互联网的出现,无处不在的信息使事情变得更有效率。但这从来都不是困难的部分。那些认为信息的无处不在和即时性必然意味着价格更准确的人,正是20年前认为社交媒体会让我们更喜欢彼此的人。

不管原因是什么,一些持续性投资因子的存在今天被大多数金融经济学家和投资者所接受。这种方法或许并不完美,但它是观察市场的一面有用的棱镜。

在一些市场营销中,这些因子有时被称为“Smart Beta”。但像Asness和Sharpe这样的人是讨厌这个词的,因为它暗示了其他形式的Beta是愚蠢的。然而,当单因子被单独捆绑在一起并通过ETF出售时,Smart Beta已成为最常用的指代方式。根据贝莱德的数据显示,仅就这一个行业,目前就规模达8380亿美元。

下一个因子前沿

几年前,机器学习是人工智能领域最热门的领域,尽管现在生成式人工智能占据了上风,但它仍然是金融领域的主力方法。五年前,AQR开始涉足,看看它是否有所改善结论是:

人工智能在资产管理中的应用,比人们想象的更为顺利。但随着时间的推移,方法的不断发展,计算能力的不断提高,结果也开始变得更加明显。

像AQR这样的因子量化基金并不像高频交易员或文艺复兴这样的统计套利基金那样使用机器学习。

所有人工智能方法的原材料都是数据:大量的数据!而现实情况是,市场在很大程度上缺乏数据,而且变幻无常。

对于大多数非结构化数据集,数据历史很短。例如,使用社交媒体,你可能有十年的数据要处理。有限时间序列对有意义的回测提出了挑战。由于历史较短,对策略表现形成准确的估计就更加困难,这最终意味着,即使是非常强烈的信号,在投资组合中也可能只会谨慎地获得很小的权重。

另类数据更多的应用于偏股票型的量化对冲基金。近于实时的另类数据流有助资产管理公司提前获得大量股票买入或卖出的信号。除此之外,传统资产管理公司也已经开始使用另类数据来帮助提升人工制定长期投资决策的质量。例如,英国资产管理公司Schroders在2014年推出了一个“数据洞察部门”(Data Insights Unit,以下简称“DIU”)。DIU拥有30名数据科学家,他们分析各种另类数据,帮助投资组合管理团队制定中长期投资决策。

欧美市场也正在形成包括使用另类数据的资产管理经理、数据所有者和供应商的另类数据生态系统。例如,Orbital Insights和Prattle两家另类数据供应商,前者利用卫星图像估计原油库存,后者根据文本数据定量分析主要国家货币政策情绪。

投资机构为了获得超额收益,不断寻找新的市场阿尔法,但主动型基金在寻找市场阿尔法这个核心竞争力上的优势越来越弱:

1、因为市场有效性不断增强,基金经理很难找到被错误定价的资产;
2、因为大部分基金经理能得到的信息同质化,导致很难找到独特的信息优势和额外信息;
3、因为调研高度人工化导致人才的费用越来越高。

目前国内使用另类数据的多为对冲基金、二级市场基金及部分一级市场基金。另类数据可以给基金经理带来五点优势:

  • 更大体量的数据和信息
  • 新的洞察力
  • 竞争优势
  • 可靠性
  • 效率

虽然基金经理使用另类数据寻找到新的阿尔法只是时间问题,但并不是所有另类数据都有潜力可以帮助基金公司获取市场阿尔法,因此另类数据公司在收集、清洗数据的同时,需要基金经理来评判数据是否有价值,同时高效的处理和应用将是降低成本和提升效率的关键,因此另类数据公司应当具备机器学习等技术开发能力和高效的产品策略。

另类数据 (Alternative Data) 包括传统数据之外的新的数据,主要有以下几个分类:

个人数据

个人数据 (Individual Data) 是由个人网上行为产生的,它还可细分为:

  • 社交网络数据 (social media data): Twitter, LinkedIn, 微信
  • 新闻舆论数据 (news & reviews data): 新闻、产品舆论
  • 网页搜索数据 (web search data): 谷歌搜索、百度搜索、邮件

案例:

  • iSentium 提供交易股票时用到的 Twitter 上的情绪数据指标
  • RavenPack提供交易债券、外汇和股票时用到的新闻情绪数据指标

商业数据

商业数据 (Business Process Data) 是由商业流程产生的,它还可细分为:

  • 交易数据 (transcation data): 主要是消费者交易数据 (Square,Intuit, Xero 等)
  • 公司数据 (corporate data): 主要是行业数据 (AROQ, Edmunds, SNL Financial, Smith Travel 等)
  • 政府机构数据 (government agency data): 国际级别(IMF, WTO, World Bank),国家级别(美联储, 人民央行)

案例

  • Eagle Alpha 提供交易个股时用到的用户电子邮件收据。

传感数据

传感数据 (Sensor Data) 是由手机、无人机、卫星上的传感器产生的,它还可细分为:

  • 卫星图像数据 (satellites images data): 卫星、无人机
  • 地理定位数据 (geolocation data): GPS、手机 APP
  • 天气数据 (weather data)

案例:

  • Advan Research 提供交易个股时用手机记录的地理位置数据 (根据人流量预测零售)
  • RSMetrics提供交易个股时用无人机拍的停车场和仓库图像数据 (根据车位占满率预测员工)

使用「另类数据」有利有弊

  • 优点是没被处理过,也没有为其他使用者提供,因此有很高的价值等待发掘,深度学习里的「计算机视觉」和「自然语言处理」的技术可以用来处理图像和文本数据
  • 缺点是「获取昂贵」和「隐私忧患」

另类数据并非神秘的、完全新生的事物,而是人类扩展信息边界的漫漫过程中的又一次量变性突破。之所以这么说,是因为另类数据完全是一个具有相对性与变化性的概念。将历史拉长来看能更好理解:两百年前,地缘政治事件是另类数据;一百年前,股票价格数据是另类数据;五十年前,路透社公司首次将公司报表数字化之前,公司财务报表数据是另类数据。当时的这些数据和当今的网页数据等等很相似,都对于投资决策有重要意义,但其获取成本还未降低到足以使其普及。随着后来技术的不断进步,这些数据逐步被正式纳入投资决策数据,构成了今天的我们所认为的传统数据。而随着今天和未来技术的发展迭代,越来越多之前无法利用的有效信息、当下我们所称的“另类信息”也将逐步常规化,成为未来的传统数据。

科学家们可以进行新颖的实验来得出更广泛的结果,但市场只有一个真实的数据集(实际发生的事情)。

此外,市场并非一尘不变的,它们会随着其他参与者的行为而不断变化——通常是故意阻止其他人试图分析它们。

尽管如此,因子量化已经发现了越来越多部署人工智能且富有成效的领域。但他们最感兴趣的领域是分析文本信息以获取信号,就像他们几十年来挖掘数字数据一样。AQR的机器学习工作主要集中在挖掘全新的交易信号和增强现有的交易信号。AQR的投资组合解决方案组全球联席主管Dan Villalon将新信号的诞生、测试和实施比作海龟生命的开始。“这是一段缓慢而曲折的道路,并不是每个人都能在这条路上幸存下来。”

Asness仍然相信 AQR 的回归还有很长的路要走,考虑到经济衰退是多么可怕和漫长。他乐观地认为,投资者将重返市场,现在他认为,在糟糕的时期坚持下去是值得的,并怀疑 AQR 是否会再次遭遇类似“量化冬季”的情况。

他说,如果真的发生了,很可能他已经不在人世了。

© 2023 北京元石科技有限公司 ◎ 京公网安备 11010802042949号