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。
1703928480
1703928481
股票联动性与股票崩盘
1703928482
1703928483
哈蒙等人在研究中构建U函数，用来指代集体行为的一致程度。当该函数值逐渐趋近于1时，表示集体行为渐趋临界点。为验证该函数对股市崩盘的预测性，各时间点的函数值以此前12个月的平均值替代。他们研究发现，2000~2003年，美国股票市场的行为一致程度逐渐上升，并且在2003年之后的平台期逐渐下行，于2009年达到临界点，显示股民在这一时间更加偏好对股票进行相同的操作，与2007~2009年美国股市的崩盘相呼应。同时，他们将数据回溯到1985年，发现每次股市崩盘前4年，股票之间的联动性都会上升。
1703928484
1703928485
大数据还可以管理流动性风险，这听起来有点不可思议。以与余额宝对接的天弘基金为例，外人羡慕它半年即突破千亿的规模增长，却看不到天弘基金所做的技术准备。为了应对24小时赎回，并获得有竞争力的投资收益，天弘基金需要对流动性做到提前安排。于是，支付宝每天会分6个时点，将淘宝、天猫用户通过余额宝赎回、提现、消费和转账数据报给天弘基金。对这些数据进行建模分析，天弘基金就能对第二天的申购赎回额进行大致预测。毫无疑问，这种风险管理能力的增强是需要成本的。旁人想不通，在余额宝规模飙升的同时，天弘基金2013年未经审计的盈利情况竟为亏损。钱都去哪儿了？当然是花在信息技术和数据处理中心建设上了。
1703928486
1703928487
对于投资从业人员的道德风险，大数据比道德说教、规章制度更管用。在现实中，监管机构或投资公司秉持“人心本恶”的信条，不让投资人员个人买卖股票，亲属投资股票也须备案。基金公司的投资研究人员经常抱怨，交易时间上缴手机，在工作计算机上不能聊QQ和微信。其实，这些行为都是因噎废食之举，少了与外界的及时沟通，说不定还会影响投资业绩。在大数据时代，这些不合理的规章与规范可以废除。有了明察秋毫的大数据，投资机构从业人员的道德风险也会降低。
1703928488
1703928489
需要指出，基于大数据的风险管理必然走向智能化，毕竟这不是普通人可以干的事。2011年，IBM的超级计算机Watson战胜了电视智力竞赛Jeopardy的冠军；2012年，中国的无人驾驶汽车在京津高速上的时速高达一百多公里，它不仅预测被超车的风险，其间还超车33次。这足以表明，一个基于大数据的智能时代已经来临，包括风险管理的许多工作都可由计算机完成。Watson在参加智力竞赛一年后，在华尔街找到了一份风险管理的新工作，帮助花旗银行管理证券组合风险，即通过监控交易指标、新闻和经济数据等，为证券组合构建、调整提供风险方面的建议。花旗允许Watson在家上班（即待在IBM），通过云平台提供交互式服务，与其他员工一样领取绩效工资。下一步，IBM还想将它改造为选股高手，届时它可以领到双份工资。
1703928490
1703928492
投资新标的
1703928493
1703928494
大数据改变投资思维、方法，同时也改变了投资标的自身。2013年，国内股市的大数据概念异常火热，在追逐似是而非的概念股前，我们有必要弄清一些基本问题，比如大数据如何定价？经营何种大数据业务的公司，会有更大成长前景？必须承认，大数据是传统定价理论与模型未曾预料到的“怪胎”，这也是新生事物对投资界出的难题。
1703928495
1703928496
大数据定价，答案在风中
1703928497
1703928498
大数据的定价是个问题。在提交给美国证券交易委员会的IPO申请文件中，Twitter披露过去其一年的营收为5.34亿美元，亏损额为1.43亿美元。据市场人士预计，Twitter在2015年之后才有扭亏为盈的可能。对于这个有2.32亿活跃用户、营收增长迅猛的新创公司，不知道你会怎么定价，但市场定价是这样的：IPO发行价每股26美元，按此价格，公司估值181亿美元，为2013年预期营收6亿美元的约30倍；首日开盘价45.1美元，按此价格，公司市值约为245.5亿美元，为2013年预期营收的约41倍，市净率为约35.4倍。
1703928499
1703928500
Twitter估值超出美国铝业公司等传统公司，这不足为奇。但是同为互联网、大数据公司，它的估值也高出了许多同业公司。截至2013年11月，谷歌公司的市盈率和市净率分别为29倍和4.3倍，Facebook的市盈率和市净率分别为111倍和8.8倍，LinkedIn的市盈率和市净率分别为763倍和10.4倍。由这些估值的对比，衍生出两个问题。第一个问题是，与传统行业的定价理论或模型比，互联网、大数据公司定价的范式是什么？是否“无招胜有招”？从Twitter、去哪儿网的上市热炒，到某些商界领袖撰文警告新一轮互联网泡沫行将破灭，界定和评估互联网泡沫，应按照怎样的维度或标准？第二个问题是，怎么理解这些互联网和大数据公司的定价差异？Twitter和Facebook的定价有差异，那么新浪微博、微信和腾讯QQ是否也应有差异？差异的本质是什么？
1703928501
1703928502
大数据怎么定价，这可能不是单个问题，而是一连串的问题。《社交红利》一书的副标题是“如何从腾讯平台获取流量、用户、收入”，作者徐志斌提出了一个社交平台的收益等式，即收益=信息×关系链×互动。从字面上简单理解，该等式的意思是让信息在关系链中流动。这或许是大数据的商业逻辑，乃至定价公式。至于大数据公司之间的定价差异，或许就在于上述公式三个变量的差异。因为互联网公司拥有的大数据，在特性方面千差万别。拿中国几家坐拥大数据资源的互联网企业来说，百度主要是用户搜索数据，以及利用网络爬虫技术搜集的公共网络数据；阿里巴巴是在线交易数据、小部分的社交数据；腾讯微信、QQ掌握的是用户个人和社交关系数据。大数据资源不同，决定了收益方式的差异，同时也影响公司估值。
1703928503
[
上一页 ]
[ :1.703928454e+09 ]
[
下一页 ]