文/新浪財經意見領袖（微信公眾號kopleader）專欄作家 韓瑋

　　大量套利策略的量化模型，理論上幾乎無懈可擊，但是其市場容量十分有限。

　　還記得全球首只機器人選股的人工智能ETF（AI Powered Equity ETF）嗎？曾一度超額收益明顯高于基準。但是好景不長，隨著近幾個月美股震蕩，該基金的走勢比市場下跌的更加劇烈，標普500指數在此期間漲了7.86%，該人工智能量化投資基金只漲了4.26%，比標普500少了3.6個百分點。那么量化投資究竟是紙上談兵還是掘金利器呢？

　　對于一般投資者甚至部分金融從業者來說，量化投資門檻非常高，充斥著模型代碼和算法假設。其實，生活中的量化思想無處不在。

　　例如，甲每天上班路線是乘地鐵或者公交至A，隨后步行或者騎行至B。哪條路線最近呢？此人先羅列了所有可行的路線，隨后花了一個月時間，逐條路線進行多次試驗，最終成功找出不出意外情況下最近的線路，這就是最簡單的量化思想，利用大量數據，找出大概率的最優策略，并照此執行。

　　量化投資其實并不神秘。廣義上講，量化投資就是把投資管理過程中主觀、定性的環節進行數字化、模型化處理，也包括通過分析市場中大量與投資交易相關的數據來發現投資機會。狹義上講，量化投資是指在證券投資過程中，通過應用數學模型來采取決策，并使用計算機系統進行自動交易。

　　數量化、模型化、電算化處理，其實對各種投資策略都極其重要。將主觀、定性的內容數量化，可以大大提升投研團隊內部的溝通效率，有效解決長期困擾投資領域的協作難題。同時，數量化越充分，越能廣泛應用計算機等信息技術的成果，更快、更深地處理更多的信息，進而挖掘更多的有效投資機會。投資管理的模型化可以使投資決策更加全面、深入和客觀，因為投資模型不但積累了團隊的投資經驗，而且可以通過不斷完善、進化，來提升整個團隊的投資管理能力，這可不是僅僅依賴某個明星基金經理就能達到的。利用計算機系統進行交易，則可以克服投資者貪婪與恐懼的天性對投資產生干擾。

　　所以，量化投資只不過是在投資管理過程中，側重于應用數據分析、數學模型、計算機系統等工具和方法。量化投資本身不可能脫離技術分析、基本面分析，以及包括學院理論在內的套利分析等既有的投資理論和策略，否則就必然成為“無源之水、無本之木”。在國內外市場中，充斥著大量投資理論被誤用，以及投資策略期望收益為零甚至是負數的量化投資模型，然而還是有大量證券公司、銀行、保險機構的委外資金投入其中，為這些毫無價值的量化投資支付高額管理費和業績報酬。

　　賭場中流傳著所謂“押大小必贏”的玩法，每輪連續押大或押小，輸了就加倍下注，直到押中為止。運氣好的玩家連贏一段時間之后，往往誤認為這是賺錢神器。事實上，玩家不過是把賭大小轉化成了賭多長時間輸光而已，從數學上看，這種玩法的期望收益為零，本質上依然是典型的賭博性質。很多量化投資常常利用數學或物理學的范式，回溯一段歷史數據，構建一個缺乏邏輯基礎但看似有穩定收益的模型，其中大多數模型同“押大小必贏”一樣，期望收益為零甚至負數，但是，其在一定時期的歷史收益對投資者產生了極大的迷惑性，甚至連模型開發者都被蒙蔽了。

　　應用大數據往往重視相關性，忽視了因果關系，這種思想在證券投資領域是非常危險的，股市的波動很難由歷史數據推導出的概率框架來決定。在自然界中，或許能找到一個和上證指數走勢幾乎一樣的曲線，利用這個不相關的曲線預測上證指數的走勢，并且投入自己的真金白銀去冒險，顯然是極其愚蠢的。然而，很多所謂統計套利的量化投資模型卻樂此不疲。雖然在物理學領域，沒人相信能制造出永動機，但在金融界，有人企圖用數學、物理學的方法，制造出量化投資的永動機。

　　即使有正確的理論支撐量化投資模型，在應用時也經常會犯錯。例如，之前備受追捧的市場中性模型——阿爾法策略，在投資模型中竟然出現做多中小盤股票的同時，做空滬深300指數期貨的現象，而滬深300指數的樣本空間中根本沒有中小盤股票，在理論應用上犯了張冠李戴的低級錯誤。再好的歷史表現不過是運氣好而已，總會難逃巨虧甚至爆倉的厄運。

　　大量套利策略的量化模型，理論上幾乎無懈可擊，但是其市場容量十分有限。往往在紙上談兵的模擬交易階段，效果十分驚人，一旦投入小規模的資金進行實際交易，在沖擊成本以及相同策略競爭的影響下，結果往往不盡如人意，稍微加大資金規模可能會遭遇虧損。這時候套利策略的量化模型很快就會失效，對于期望獲得長期穩健收益的投資者來說，量化投資變得幾乎不可能。

　　云計算、大數據、人工智能的蓬勃發展，無疑為量化投資的發展打開了廣闊的空間，然而基于缺乏科學理論基礎的量化投資，巨額虧損的黑天鵝是一定會飛來的。

　　(本文作者介紹：著名對沖基金經理，清華MBA導師、清華MBA校友會金融協會副會長，CCTV2嘉賓，恒豐泰石總經理。具有20多年期貨、證券、公募及私募基金投資負責人的專業經歷。)