量化投资策略

“我不知道世人如何看待我，不过我觉得自己好像是海边玩耍的孩子，偶尔拾到了一枚比较光滑的卵石或一只比较好看的贝壳，而辽阔的真理的海洋展现在眼前却尚未被探索。”

——艾萨克·牛顿爵士

堂吉诃德：你看到了吗？那个声名狼藉的巨人正是我想要寻找的。

桑丘：那只是个风车。

堂吉诃德：那是个巨人！难道你看不到它背上旋转着的四只大手吗？

桑丘：巨人？

堂吉诃德：一点没错！

——电影《堂吉诃德》达尔·瓦瑟曼，米格尔·德·塞万提斯

我带着兴趣阅读了玛利威瑟·路易斯（Meriwether Lewis）和威廉·克拉克（William Clark）的探险日记，他们是应托马斯·杰斐逊（Thomas Jefferson）的请求，去探索未知的西部边疆，寻找通往太平洋的道路。这一路的旅程既充满了艰辛，又充满了新奇（同时有当时美国国会2 500美元的资助）。他们的远征打开了继续探索与定居西部的大门，对西部的进一步开发做出了重大贡献，后来也被称为“探险军团之旅”。尽管笔者面对的最大危险可能只是疲倦和视觉疲劳——与灰棕熊、湍急的河流和好战的土著人相差很远——但同样的发现精神激励着笔者进行不断的测试和探索，这也构成了本书的基础。

与19世纪初期的美国西部不同，金融研究的领域得到了较为详细的规划。许多投资领域的大师们提出了大量构想和方法，这些内容由他们多年的努力工作和无数经验提炼而成，最终落于纸上，任何人只要有几美元或者一张借书证就可以去研究学习。学习普通股票投资的学生可以找到几乎涵盖了所有可想象得到主题的书籍，从估值分析、风险套利到日内交易。过去几十年间，成千上万的市场参与者已经提供了如此多的文献，有人可能会问：还剩下什么没有被发现？

一个答案——我相信——就是尽管投资理论的“地图”已经详尽地被定性勾勒出来——基于市场参与者的经验和理解——但它还尚未从实证的角度被完整地绘制出来。定性分析著作的丰富和定量分析著作的缺乏（大学校园之外）的原因很简单，就是投资更像是一门艺术而非科学。一些最佳的投资策略由于太依赖于人大脑的能力，以至于难以被概括成几行计算机代码。然而，个人电脑和数据库系统的出现为许多投资策略的高效建模和测试提供了一个有力的工具。许多独立的量化投资研究现在已经被发表，尤其是在学术界中。但是它们大多数是特例，其拥有的实际价值很值得怀疑。另一方面，量化投资的专家们所完成的著作，大多专注于一些技术性的丛书（如何进行定量分析的指南）。

我的探索主要从两个目标开始：为标准普尔（Standard & Poor）股票研究部门研发一系列的量化选股模型以及为我自己和其他人提供一张从量化角度绘制出来的市场“地图”。在本书中，我将尽其所能地绘制这幅地图并将其展现给投资者们。特别地，这项工作将从实证研究的角度来确定驱动未来股票市场收益的基本面以及基于市场的主要因素。为了得到这幅通过实证绘制而成的投资地图，我们详尽地测试了超过1 200种投资策略：其中一部分策略有效，而其他的并不那么有效。一部分在本书中呈现的策略非常有名并被广泛应用；而另一部分较不为人所知而且在专业理财领域之外很少用到。但是，从定量分析的角度出发，所有在本书中出现的因子都是有效的。

一个真正的量化投资者通常用复杂的数学模型来获得相对于市场的优势（即使有时十分微弱）。而这种优势又会通过大量资本和杠杆（借入资本）得以进一步放大。本书并不是为那些“量化金融工程师”准备的，事实上，我也不够资格来写这样一本书。本书的读者并不需要拥有一个数学博士学位或者高级统计知识来理解书中的检验方法。读者需要的是对定量分析的兴趣以及了解股票市场收益背后真正驱动力的渴望。这本书是写给那些具有定性分析思维的投资者，尤其是那些希望从一个量化（实证）的角度来理解股票市场，以及那些希望将量化选股、测试或者模型融合到他们的投资过程——或其想法中的人。而艺术与科学也正融汇于此。

我个人认为本书中概括出的量化方法可以为定性投资者提供一个已被证实的设计投资策略的方法，同时也可作为提高投资绩效的准则。

定量分析和定性分析

也许这里需要给出一系列的定义来说明，定量分析和定性分析有着许多不同之处。在定性分析中，投资者集中研究的上市公司数量通常比较少，他们会研究每家公司来确定其在经营上的优势和弱势、市场机会、竞争能力、管理能力以及其股价相对于其他股票的相对投资价值[1]。定性分析投资者通常以一家上市公司的历史记录（损益表、资产负债表、现金流量表等）作为出发点来预测未来的利润和现金流的趋势。诸如股票市场自身，定性分析所关注的焦点是在未来。其分析方法是为所涉及的不同公司和行业量身订制的，而投资者则希望能在每只个股中获得巨大的收益。简而言之，定性分析更注重深度而不是广度，更注重投资的艺术而不是更加“科学”的方法。

另一方面，定量分析是为了发现市场中的总体趋势，特别是那些能够对未来超额收益有预测作用的趋势[2]。为了识别这样的趋势，定量分析师将在一段较长的时间区间内对大量的上市公司进行统计检验。分析过程需要标准化并且完全依赖于过去的历史记录：损益表、资产负债表、现金流量表和基于市场的数据[3]。也就是说，不同于大多数定性研究，定量分析的测试检验主要是回测性的。因此，定量分析更注重的是广度而不是深度，更注重的是科学（检验和观察）而不是艺术。定量分析师可能会应用一些投资艺术修正投资模型和回测方法，但模型一经确定，他们的操作过程通常是纯机械化的。总而言之，定量分析主要依赖于计算机的辅助分析，而定性分析则更多地依赖于人类的思维。

尽管计算机和人脑之间存在着许多相似性，但它们仍然有着天壤之别。两相比较，也只有人类可以称得上拥有真正的智慧。人类的大脑拥有消化和合成多样化信息的能力（例如，投资者必须综合考虑从工业、经济、政治环境到公司产品、股份需求等的方方面面），这样的能力连最先进的计算机都难以匹敌。通过仔细地权衡一系列因子，人类能够预测出哪些是在未来以一定概率发生的事件。

而另一方面，计算机本质上是一台复杂的加法器，它们的“行为”严格地遵照从外部输入的指令。人类花了数十年的时间发展出能够在棋类比赛中战胜世界冠军的计算机，但是这个问题的变量仅局限于32枚棋子在64×64棋盘上能够走的每一步。因此，在投资领域，人类或自然的任何一种行为几乎都会影响到投资收益，此时的计算机则要处于不利的地位。

但是计算机也拥有着两个人类所不具备的明显优势：其一，它可以快速地处理大量数据（例如，IBM的“深蓝”超级计算机战胜国际象棋冠军格里·卡斯帕罗夫的方式）；其二，它没有情感。这两个优势都很重要，尤其是第二个。来看下面一个在真实生活中时常发生的场景[4]：假如你购买了苹果电脑公司价值10 000美元的普通股，之后股价上涨了20%。iPods的销售情况也非常不错，关于苹果公司的正面消息几乎每天都会见诸报端。因此你打算继续购买更多市场估值已经相对偏高的该股票。然而此时苹果公司却宣布，iPods的单位发货量有所减少（也就是说苹果公司的iPods的发货量下降了），但由于现在生产的更多的高端产品正在代替低端产品，所以其收入和利润增长率基本上保持不变。在这条新闻公布的几个月后，股价下跌了22%，因此你只能以低于最初购买股票时的价格卖出——你正在开始赔钱，幸福感大概已经被焦虑所取代。

然而，苹果公司的股票市场估值现在看起来更加合理，它的业务进展顺利，而且留给iPods未开发的市场规模似乎非常巨大。你会①卖掉现有的股票，还是②继续持有但不再买入，或者③继续持有并买入更多？也许从理论上来讲答案十分简单，即如果公司经营良好并且其估值看起来十分吸引人，那么可以买入更多。但是假设你处于如下局面：你正承受着640美元的账面损失，而这曾经却是2 000美元的收益。新的报道频繁出现，不断质问着苹果股价下跌的原因，而你也正担心着在不久的将来是否会有尚未发布的坏新闻。在这样的情况下许多投资者会选择卖出。他们卖出不是因为有一个充分的理由，而只是因为他们正在赔钱，此时这种情绪正占据着上风。在现实中像我们例子中这样的投资者数以千计，因此你会明白为何心理因素竟会对股价产生如此巨大的影响。事实上，股票市场中的心理因素通常会创造投资机会，而这正是我们的计算机会派上用场的地方。

金融行业的学者历经几十年的研究，发展出了可应用于实际的“有效市场假说”理论。有效市场假说认为，金融市场能快速吸收所有可用的信息，因此，在任何时间段内超越“市场”基本是不可能的（或者能够找到这样的时间段也仅是运气而已）。但是由于许多专业的投资者拥有长期获得超越市场回报的稳定记录，所以这足以证明有效市场假说并不能完全反映金融市场的真理。股票市场往往能够高效合理地评估已有的信息，但在其他情况下它的“判断”会受到上面提到的心理因素的影响。换言之，股票市场是非有效的。下面一个定量分析的例子就可以说明这一点。在1987年到2006年的20年间（也是这本书中大部分回测的时间区间），我们回测的选股范围（约2 000只规模最大的公开交易股票），平均每年52周价格高点和52周价格低点之差达到了32%，而同期这些公司净收入的复合年化增长率只有9%。在收入平均增速为9%的情况下，理论上没有任何原因会使得股票价格每年上下波动32%，但事实的确如此[5]。当涉及金钱的时候，情感往往会战胜理性，所以股价不断上涨或者下跌的真正原因也正是由恐慌、贪婪、希望或者绝望情绪所产生的。

本书中的定量检验方法旨在发现历史数据下能够稳定战胜市场的投资策略。这些策略并不假定市场是有效还是非有效的。更确切地说，它们利用了上文提到的计算机的两大优势——缺乏情感和处理大量数据的能力——来决定哪种投资策略更能承载投资者的期望。如今一个投资者通过使用一台并不昂贵的计算机就可以在几分钟到几小时内检验若干年内的上千家公司和上万条数据。此外，投资者可以在计算机上进行建模，研发出一个可以完美执行的策略。所以模型决定了策略，而计算机将严格地执行策略直到接收到其他的指令。

本书中的策略有意用一种粗糙的方式进行测试。由于只是想了解策略的有效性，所以我们没有将回测选股范围划分成十个分位，也没有只选取位于顶部分位和底部分位的公司。我们认为策略有效的评判标准为：①顶部五分之一[6]的表现显著地超过市场；②底部五分之一的表现显著地弱于市场；③战胜市场和输给市场的表现在多年中是稳定的；④每个分位的表现存在着线性特征，从而说明该策略和超额收益之间存在着较强的相关性。我认为这是一种使用猎枪铅弹的方法来测试投资策略，即如果策略通过了猎枪测试，或者说它击中而不是错失了目标，我们就认为它是有效的。需要注意的是，根据策略所选出的股票并不是每只都有效，也不是每年都有效，但整体来说，可以认为策略具有一定的投资价值。

我称那些具有投资价值的策略为组件，本书中所有的策略都有理由被认为具有投资价值；也就是说，我们可以解释为什么位于顶部五分之一的股票能战胜市场而位于底部五分之一的股票会输给市场。当我们理解了策略有效的原因之后，它便成为一个组件，可以和其他策略进行组合从而组成更加强大的投资模型。有些策略起作用的原因是相似的（比如它们都与盈利性和估值相关），而有些策略则是互补的（比如一个策略考虑了成长性，而另一个策略主要和价值相关）。因此，理解策略起作用的原因可以帮助我们有效地将不同的策略进行组合。组件只有通过测试来确定（经验主义），并通过三角测量法来验证——即策略必须在多种不同的环境下都有效。

另一个理解本书的关键概念是马赛克（Mosaic）理念。马赛克是一种由许多小彩色块拼凑成的图案或模式。在现实生活中的马赛克，其每个小色块在单独看的时候都是没有意义的，但经过艺术家的拼排，就会浮现出美丽的图案。而我们这里所说的马赛克，它每一个色块都是一个具有投资价值（稳定战胜或输给市场）且为读者所理解（我们知道它为什么有效）的投资策略。通过理解这些策略背后的驱动因素，我们开始逐渐认识到公司和股票中有助于提高投资回报的某些特征。当将本书中所有的策略拼排在一起时，一幅美丽的马赛克图案就出现了，它从定量分析的角度很清楚地向我们展示了“是什么驱动了市场”，以及在准备投资的公司和股票中哪些特征是需要去寻找或避免的。

虽然本书论述的量化策略能够被进一步提高或者完善，但是我们必须始终铭记于心的是定量分析其实只是一种比较机械的投资方法。从严格意义上讲，它并不是一门科学，也不是被诸如沃伦·巴菲特、约翰·邓普顿、朱利安·罗伯逊、吉姆·罗杰斯、约翰·内夫和肯·黑那尔等投资专家在实践中使用的纯投资艺术。在读完约翰·内夫所青睐的“总回报比率”（其定义为预期每股净利润（EPS）增长率加上股息收益率，再除以市盈率（P/E）这一估值方法后，我有点惊讶地发现这个策略并不能很好地通过量化的检验[7]。我认为可能的原因是内夫在他的投资过程中使用了更多的投资艺术。而在华尔街外的乔·史密斯，如果使用同样的方法，最多也只能获得一份乏善可陈的投资记录。

走向投资分析的综合模型

尽管定性和定量分析各自形成了独立的学科，但它们之间仍然能够相互补充和加强。我希望本书能够用于弥合存在于基本面（定性）分析师、市场技术分析师[8]和定量分析师之间的鸿沟。在担任证券分析师的职业生涯中，我明显地感觉到信奉不同投资哲学的投资者常常有意地将自己和其他类型的投资者区别开来。基本面分析师常常表现出对“图表分析师”的不屑（尽管我从未听说过哪个基本面分析师在分析一只股票时不是先看图表的，而且也经常看到他们在遇到困难时毕恭毕敬地咨询身边的技术分析师）。而技术分析师也时常以对除了股票代码和价格走势之外一无所知为傲。（有一次我参加一个技术分析师会议时被问到从事什么工作，我说：“我是一个股票基本面分析师。”“那真是遗憾，”对方回答道。）定量分析师实际上是将自己和基本面分析和技术分析的同行区分开，往往也很少和他们接触。（令我感到鼓舞的是，最近似乎有一种趋势让定性和定量分析师进行更加紧密的合作。最近一次关于这个主题的会议在纽约召开，许多大型投资公司积极参与，虽然与会者的动机可能仅仅是用定量分析来改善风险管理。）

我始终认为，并且经验已证明了我的观点，即定性分析、定量分析和技术分析之间是相辅相成的（见图1.1）。我和同事几年前在为标准普尔写一份研究报告时就提出了三种分析方法如下的融合情况：

图1.1　定性（基本面）分析、定量分析和技术分析

我们认为，鉴于金融市场的复杂性，融合了三种不同投资哲学的分析方法也许会产生敏锐的洞察力和高效的投资决策：

（1）基本面分析提供了有关经济、行业和特定公司的发展趋势的重要假设，这些是良好的投资决策的基础。

（2）定量分析能够让投资者对各种基本面的趋势进行全面的分析，而其他方法则很难如此兼顾。

（3）技术分析提供了对各种投资品种的投资者预期的汇总分析，并提供了关于投资时机的线索。

自从这段文字完成之后，尽管我获得了更多的经历，但至今我也无法简单地添加或抽走其中的一句话。

书中用到的概念

投资价值（alpha[9]）：一个稳定战胜／输给市场的投资策略可以使投资者获得超越市场的回报。（输给市场的策略告诉投资者要避免哪些情形，或者他们可以将其用在卖空策略或者多空策略（long/short）中。）现如今任何投资者都可以通过购买指数型基金轻易实现与整体市场相近的回报，此时只需要支付非常低的相关费用，他们仅做较少的或根本不需要做投资研究。一个略微超越市场甚至与之具有相同回报率的投资策略是没有投资价值的。此外，由于统计检验结果会随测试时间段的变化而产生比较显著的误差率，所以一个在少于60%的时间段内略微战胜／输给市场的测试结果是非常值得怀疑的。因此，只有那些稳定有效并且显著战胜／输给市场的策略（以每年几个百分点甚至更高的幅度）才被认为具有投资价值。

基础策略（basics）：基础策略通常是指有效的策略。现实中的基础策略很多，这里我们只测试其中的7种（分别为：收益性、估值、现金流、成长性、资产配置、价格动量和危险信号（风险）等），但这7种就基本上覆盖了较大范围的投资分析方法。书中第3章内容涵盖了驱动股票每天表现的基础策略（即回顾性的）。其余章节则分别涵盖了每种预期有效的基础策略，它们能够在量化测试中通过历史数据预测未来股票市场的回报。

组件（building blocks）：组件是指那些具有明确投资价值、运作机理清晰易懂且非统计意义上的投资策略。在此书的准备过程中，我们测试了超过1 200个独立和组合的策略。我们所测试的这7大类基础策略决定着最后的投资结果，而由此又衍生出了大量的组件策略。通过测试我们发现，一些组件策略是如此的相似，以至于将它们组合起来几乎不能创造任何附加价值（甚至在某些情况下会减少价值），而另外一些组件策略的组合则会大幅提高投资回报。理解组件策略有效的原因将有助于构造能够稳定战胜市场的复杂投资模型。

马赛克（mosaic）：马赛克是一种由许多小彩色块拼排而成的图案或模式；图案会随着越来越多的色块被拼放上去而“出现”。通过测试大量的投资策略，我们可以在心中逐渐构建出一个模型，或者是一个马赛克——其中的因子最显著地推动着股票市场的收益。

经验主义（empiricism）：经验主义即意味着眼见为实，是通过实验和观察来获得知识。虽然绝大多数投资是一门艺术，而艺术只能通过伟大艺术家的作品得到“证实”，但是股票表现背后的基本原理却可以用实践证明。我们的测试方法是制订一套理论，进行测试，然后遵从测试结果引导的方向——无论它是否违背经验常识，也不管它是否与我们的期望一致或相反。投资领域的许多观点，与其他领域中一样，是基于所谓的经验常识，而这往往不过是在某本书中的内容，然后为许多其他书籍的作者复制的内容。在某种程度上，我们可以通过科学的方法发现一些投资准则，而本书也旨在使用实证检验的方法来识别、解释和评价这些准则。

三角测量法（triangulation）：一个优秀的科学家会以各种方式来检验一个理论，看能否证明它是不正确的，或者看它能否承受所有细致的检验。书中采用了大量三角测量法的技术，以便从各种不同的角度来论证投资理论的准确性。从而三角测量法可以让我们能够在确信了投资策略测试有效的基础上做出更进一步的推测。

最后一点想法：就像堂吉诃德在和风车搏斗后的一段时间，其中一两个风车可能成为真正的巨人那样，我希望本书的工作能够为这个领域中的海量文献贡献一份微薄之力。

注释

[1]或者说是其股票当时相比其“内在价值”的价值，即在某个时间点上投资者对于一个公司资产的商业价值的主观估计。

[2]定量分析员称这些预测因子为“市场的非有效性”。

[3]尽管本书仅用了这四种数据，但定量分析员并不局限于此。一个定量测试还可能包括宏观经济数据、工业统计值，甚至是人口普查数据。

[4]尽管这个例子是假设的，但有经验的投资者能够识别出一家暂时报道了“坏”消息的好公司，这样的场景在市场中不断地重现。

[5]一位同事曾告诉我供应和需求暂时的不平衡可能会引起这样的价格波动。但是这样的解释回避了真正引起供需不平衡的原因。在有效市场中，突然下跌的股价会吸引买家，而突然上升的价格会吸引大量卖家。

[6]我们所有的定量测试将回测选股范围中的公司分为五组，或分位，这主要基于要检验的投资准则。（参见第2章）

[7]约翰·内夫管理温莎基金超过30年，在这期间该基金表现显著超越其他共同基金。

[8]市场技术分析师使用价格和交易量数据预测股价运动的变化。作为技术分析的一个大类，基于价格动量的定量检验将在第9章中详述。

[9]严格地说，Alpha用来衡量一个在风险调整下由投资所产生的“主动收益”（超过市场基准的收益）。第2章对Alpha进行了更详尽的定义。这里我简单地用它来表示“投资增加值”（即在市场之上的投资收益）。