1703928430
金融学对情绪与证券价格的关系早有研究。将时间拨回到社交媒体的大数据之前，研究者还没有想到直接度量公众情绪的办法，于是选择了五花八门的代理指标。赫舒拉发和寻威研究了1982~1997年每个交易日早晨的天气，比如晴、雨和雪等，分析国际范围内26个股票交易所的市场收益率与天气存在的可能联系。他们研究发现，早晨的晴朗天气与当天收益率显著正相关，而雨雪天气与股市收益率的相关性不强。这项研究表明，早上给投资者一点阳光，股市就灿烂。爱德蒙斯等人认为，国家足球队在国际赛事中的比赛失利，将使该国投资者心情沉重。于是，他们选取39个国家足球队在大小赛事的比赛结果，作为该国投资者第二天郁闷心情的代理指标，考察投资者心情郁闷时对股市收益率的影响。他们研究发现，一国足球队的比赛失利确实会导致股市下跌，而且在大型比赛（如欧洲杯、世界杯）中失利，该国股市将有更大跌幅。
1703928431
1703928432
尽管通过代理变量，研究人员发现情绪与股市收益有显著联系，但这些毕竟不是最直接的证据。随着Twitter、Facebook等社交媒体的兴起，以及非结构化分析工具的发展，学者开始用社交媒体的文本数据分析大众情绪。其中，最为知名的研究来自美国印第安纳大学的博伦及其合作者。他们利用两种不同的情绪跟踪工具，分析和整理Twitter上将近1 000万条信息。工具之一是匹兹堡大学开发的一个开源软件包Opinion Finder，工具之二是由这几位研究者开发的基于情绪状态量表的算法。他们将Twitter上所有关于心情的词汇归类为6种情绪类别，分别是冷静、警惕、确信、重要、和善、快乐。他们的实证研究发现：在这个基于情绪状态表的心情测量法中，只有“冷静”具有预测价值，靠这个情绪指标能够预测未来3~4天道琼斯指数的涨跌，准确率可高达87.6%。
1703928433
1703928434
与博伦等人的研究互补，慕尼黑工业大学的两位学者对Twitter情绪与证券价格的关系做了进一步的分析。他们将分析对象界定为含股票代码和美元符号的信息，比如“AAPL”代表苹果公司等。两位学者借用计算语言学中的另一种情绪分析法，对提到标普100指数成分股公司的25万条信息进行逐日拣选，看其是否给出“买入”、“持有”或“卖出”信号，并对这些信号与第二天证券收益的关系进行计量检验。他们研究发现，关于某只股票的信息数量、看涨程度，与这只股票下一个交易日的收益率、交易量有显著的正向联系。不仅如此，他们依据Twitter买入信号的强烈程度，构建了一个投资策略，即买入最看涨的3只股票、卖空看涨程度最低的3只股票，半年内可获得高达15%的绝对回报。
1703928435
1703928436
这些研究绝非纸上谈兵，还可以直接，运用于投资实践。在2011年5月16日，一家总部设在伦敦的对冲基金管理公司Derwent Capital Markets，推出了欧洲第一只以社交媒体情绪为策略的投资基金。该基金公司创始人兼基金经理保罗·霍汀受博伦等人研究的启发，对这种投资策略深信不疑，并与博伦签订了使用其算法程序的排他性合同。霍汀所坚持的投资理念是“市场受情绪驱动：当人们贪婪时，股市就会上涨；而当人们害怕时，股市就会下跌”。从霍汀管理的基金业绩来看，他的投资理念和策略似乎可行。
1703928437
1703928438
欧洲第一只基于社交媒体情绪的策略基金
1703928439
1703928440
保罗·霍汀管理的对冲基金Derwent成立于2011年5月，注册在开曼群岛，初始规模约为4 000万美元。该基金的投资标的包括流动性较好的股票及股票指数产品。他们的投资策略是通过实时跟踪Twitter用户的情绪，以此感知市场参与者的“贪婪与恐惧”，从而判断市场涨跌来获利。
1703928441
1703928442
在该基金公司的网页，你可以看到这样一句话：“用实时的社交媒体解码暗藏的交易机会”。该基金的基金经理，同时也是基金公司的创始人保罗·霍汀在基金宣传册里表示：“多年以来，投资者已经普遍接受了一种观点，即恐惧和贪婪是金融市场的驱动力。但是以前人们没有技术或数据来对人类情感进行量化。这是第四维。Derwent就是要通过即时关注Twitter中的公众情绪指导投资。”
1703928443
1703928444
我们可以从该公司的网站上查到该基金的业绩，2012年的投资收益率为3.5%（2012年7月以后的数据），2013年为23.77%，2014年1~2月为3.73%。在有数据可查的月度大多实现了正收益，虽然收益的波动率不小，但总体上还算是有竞争力的对冲基金产品（见图2-1）。
1703928445
1703928446
1703928447
1703928448
1703928449
图2–1 Derwent媒体策略基金的历史表
1703928450
1703928451
看到投资机构对社交媒体的着迷，StockTwits网站整合了社交与投资的联系，为投资者打造有关股票新闻、投资建议的共享平台。同时，它也是投资者情绪和意见的搜集工具。比如，它提供“热点地图”的功能，可以实时搜集过去若干天讨论最热烈的股票或者行业，为投资者把握市场情绪提供方便。另一家公司Market Prophit在2013年发布了面向机构与个体投资者的金融大数据产品，通过语义算法分析Twitter里的金融对话，将其内容量化为“–1（极度看空）”与“1（极度看多）”之间的投资建议。在该公司官网上，还有对这套投资策略有效性的介绍，有兴趣的读者可以查阅。
1703928452
1703928453
量化投资是大数据的天然实验室
1703928454
1703928455
如果说价值投资是在垃圾中找珍宝，成长投资是在珍宝中找便宜，那么量化投资则是在数据中找规律，用统计学、数学的方法，从历史数据中回测、追踪、寻找能够带来超额收益的各种规律。在方法论上，如果价值投资和成长投资是用鱼叉捕鱼，那么量化投资是用渔网捕鱼；在交易执行上，如果价值投资和成长投资是点射的步枪，量化投资就是扫射的机关枪。
1703928456
1703928457
由于金融市场自身拥有大数据，传统量化投资更是以各种软件直接处理交易数据，反而可能比其他人更容易误解大数据。相比其他，市场现有的量化投资策略更需要转型，因为大数据已经重构了交易。之前的量化投资在技术上并不复杂，无论是因子选股、统计套利、事件驱动，还是高频交易等，均是通过迅速找出价格错位或者反应滞后来获利。随着市场效率提升，这类获利机会将越来越少。比如在沪深300期货推出的早期，期现套利、跨期套利机会层出不穷，但现在要想通过这种机会获利，收益可能连塞牙缝都难。
1703928458
1703928459
穷则思变。为了变穷途为坦途，传统量化对冲基金正在探索新的交易策略。比如，国外高频交易商在利润空间受挤压之后，对高频交易也做出了调整，开发出“策略时序交易”这一新武器。这种技术由程序算法来识别和分析交易数据，捕捉其他市场参与者留下的交易痕迹。如果某机构为降低价格冲击，将大额交易单拆分成1 000股等分成交，那么程序算法技术就可能识别这种交易模式，并根据这种模式做出相应的交易指令来获利。这种交易策略的本质是利用投资者之间的博弈，结果增加了其他投资者的交易成本，或者说占了其他投资者的便宜。
1703928460
1703928461
另外，某些对冲基金也开发了基于媒体或情绪的程序交易系统。前面已经介绍的Twitter情绪交易策略，以及对冲基金基于白宫爆炸新闻的交易策略，就是典型代表。实质上，这种投资策略可以归为事件类。桥水也比较在乎事件投资策略，该公司搜集了历史上各类大小事件，并对它们对股票价格的影响进行了量化分析。在事件触发的瞬间，桥水的计算机可以在第一时间找到受影响的证券品种，并据此进行多空交易。
1703928462
1703928463
量化投资传奇
1703928464
1703928465
詹姆斯·西蒙斯是美国的数学家、投资家和慈善家。作为最伟大的对冲基金经理之一，他是量化投资的传奇人物。
1703928466
1703928467
西蒙斯1958年毕业于麻省理工学院数学系，1962年在加利福尼亚大学伯克利分校获得博士学位。他曾任教于麻省理工学院、哈佛大学和纽约州立大学石溪分校。陈–西蒙斯规范理论就是以陈省身和他的名字命名的。1976年，西蒙斯摘得数学界的皇冠——全美维布伦奖，数学事业达到顶峰。之后，西蒙斯转入金融界，于1978年创立了私人投资基金Limroy，5年后创立文艺复兴科技公司，并在1988年推出了公司旗舰产品—— Medallion基金。
1703928468
1703928469
Medallion基金以计算机运算为主导，运用数学模型在全球各种市场上进行短线交易。1989~2009年，西蒙斯操盘的Medallion基金平均年回报率高达35％，较同期标普500指数年均回报率高出20多个百分点，比“金融大鳄”索罗斯和“股神”巴菲特的操盘表现还高出10多个百分点。即便是在次贷危机爆发的2007年，该基金的回报率仍高达85％。用数学模型捕捉市场机会，由计算机做出交易决策，是这位超级投资者的成功秘诀。
1703928470
1703928471
风险控制新进阶
1703928472
1703928473
前面讲投资的大数据应用，讲的是“矛”，接下来谈“盾”。大数据骨子里是防风险的，因为应用大数据对算法、预测精准度有极高的要求，时刻验证方法与市场的“知行合一”。
1703928474
1703928475
关于风险控制，《趋势戒律》里有句话相当经典：你无法改变风向，但可以调整自己的风帆。身边多数投资者的问题是不能改变风向，不时调整自己的风帆，可就是无法感知风向。套用徐志摩的诗句，是“我不知道风是在哪一个方向吹”。可见，风险控制的起点在于对事物的正确认识。大数据正是对事物的高度写实，一方面记录事物的细微变化，有敏锐的洞察优势；另一方面，可完整呈现事物规律，帮助投资者对风险状况做出防范与提前应对。凡此两点，便是大数据对于风险控制的价值。
1703928476
1703928477
在监控投资的市场风险方面，大数据将大有可为。在资产配置层面，大数据对相关关系的敏锐感，为投资者明察资产之间的联动，动态调整资产的配置头寸提供优势。运用相关思维，大数据还可监控股市的运行状态。比如，投资者害怕股市的崩盘或者“跳水”，这在大数据看来有据可查。研究股市复杂性行为的学者认为，预测和揭示股市“跳水”的指标是联动指数，这也是一种动态的相关指数。他们研究发现，如果股市处在正常状态，股票应该有涨有跌，个股之间的相关性较弱，但是在“跳水”或者其他不利情况发生时，股票之间的联动性增强，股票会突然呈现同涨同跌的特点。这一点中国股民应该深有体会，不仅因为A股市场经常出现同涨同跌的现象，还有2013年爆出的“816乌龙指”事件。如果投资机构对市场风险有大数据的监控指标，它们或许能发现，当天上午股指突然飙升，伴随上证180指数成分股的联动性增强，而其他个股慢了半拍，股指期货的交易也没有同步跟进。这些事实足以说明市场不正常，可坊间还在流传种种政策利好。
1703928478
1703928479
将眼光放得更长远些，大数据还可记录股市由过热到恐慌，甚至崩盘的全局景象。物理经济学及物理金融学借用物理学的方法论研究股市危机。这些学科认为，系统中彼此相关的单元共振，将会导致整体行为的剧烈变化，如水加热后沸腾、蒸发，积雪增压后发生雪崩。所以在正常的股市，应该是投资者独立决策，投资行为不是过度跟风，股市涨跌的关联也是随机的。但是到了过热阶段，股民们不再独立决策，买卖股票纷纷效仿他人，导致股票间的联动性增强。这种集体行为达到临界点，投资者的好日子就到头了。