講起量化投資，就不得不提華爾街的傳奇人物——詹姆斯·西蒙斯(James Simons)。
這位慧眼獨具的投資巨擘，有著一份足以支撐其赫赫名聲的光鮮履歷：20歲時獲得學士學位；23歲時在加州大學伯克利分校博士畢業；24歲時成為哈佛大學數學系最年輕的教授；37歲時與中國數學家陳省身聯合發表了著名論文《典型群和幾何不變式》，并開創了著名的陳—西蒙斯理論；40歲時運用基本面分析法設立了自己的私人投資基金；43歲時與普林斯頓大學數學家勒費爾(Henry Laufer)重新開發了交易策略并由此從基本面分析轉向數量分析；45歲時正式成立了文藝復興科技公司，最終笑傲江湖，成為勇執牛耳的投資霸主。
中國社會
“辱華”演講呈現出的中國輿論場劉遠舉：在柴靜的《穹頂之下》中，他們只批評數據的某處誤差；在楊舒平的演講中，他們假裝只看到了演講修辭的夸大。
這段看似青云直上的成名之路，再次為世人印證了一個道理——當代的技術創新，其實大多源自跨越學科的資源整合，而非從無到有的發明創造。具體說來，即使睿智如西蒙斯，在最初之時，他也沒有直接想到運用量化方法投資，而是和眾多投資者一樣著眼于外匯市場，但野心勃勃的西蒙斯并不甘于只是簡單因循傳統的投資策略。隨著經驗的不斷累積，他開始思考，為何不運用他最為熟悉的數學方法來搭建投資模型，從而能夠科學精準地預測貨幣市場的走勢變動？這一大膽的跨學科嘗試，最終徹底改變了他的人生走向。
通過將數學理論巧妙融合到投資的實戰之中，西蒙斯從一個天資卓越的數學家搖身一變，成為了投資界中首屈一指的“模型先生”。由其運作的大獎章基金(Medallion)在1989-2009的二十年間，平均年收益率為35%，若算上44%的收益提成，則該基金實際的年化收益率可高達60%，比同期標普500指數年均回報率高出20多個百分點，即使相較金融大鱷索羅斯和股神巴菲特的操盤表現，也要遙遙領先十幾個百分點。最為難能可貴的是，縱然是在次貸危機全面爆發的2008年，該基金的投資回報率仍可穩穩保持在80%左右的驚人水準。西蒙斯通過將數學模型和投資策略相結合，逐步走上神壇，開創了由他扛旗的量化時代，他的驟富神話更讓世人對于量化投資有了最為直觀而淺顯的認識：這能賺錢，而且能賺很多錢。
“文藝復興”的能否真的“復興”？
但金融行業瞬息萬變，老天也沒有一味垂青這位叱咤風云的“模型先生”。 自2012年以來，由西蒙斯掌印的文藝復興科技公司可謂禍事不斷，厄運纏身。其麾下的“文藝復興機構期貨基金”（RIFF）在2011年僅實現盈利率增長1.84%，到2012年，更是破天荒的虧損了3.17%，這一虧損幅度甚至超過了同年巴克萊CTA指數的平均降幅（1.59%）。RIFF主要通過全球范圍的期貨和遠期交易來實現絕對收益，雖屬于文藝復興公司旗下規模較小的基金產品，但作為公司的明星”印鈔機“，其回報率竟會一下暴跌至行業平均水平，難免讓眾人始料不及。到2012年底，RIFF 的資產規模已縮減至7.88億美元，遠遠低于2011年的40億美元。到今年10月底，文藝復興公司最終宣布正式關閉 RIFF，一代“文藝”明星RIFF就此戛然隕落。
揭開”量化投資“的神秘面紗
量化投資在一定程度上已經被別有用心地神話或者說標簽化了，就像當下風頭正勁的“互聯網金融”一樣，很多時候都被包裝成了看似“高端大氣”、且可能“一夜暴富”的賣點或者噱頭。追根溯源，其實量化就是指運用數學或者統計模型來模擬金融市場的未來走向，從而預估金融產品的潛在收益。在前文中，我們還曾提到多個數字，如平均年收益率、年回報率、年盈利率，這些其實都表征同一個量化指標，即“年化收益率”。它是指投資者在一年的投資期限內所能獲得收益比例，專門用于評估投資行為或金融產品的好壞優劣。 那么，究竟多高的年化收益率才能給投資者帶來豐厚的投資回報？為了更加清楚的分析這個問題，我們不妨舉個例子。
比如某位名叫“G”的投資者，在1990年時持有3.8萬的啟動資金，如果其所認購產品的平均年化收益率是60%，那么經過25年，到2015年，“G”將會擁有40億，但如果其所購產品的平均年化收益率上漲15%（到75%），那么25年后，“G”的資產將會是40億后再加個零，變成400個億。百億身價竟僅僅始于3.8萬？這種堪比原子彈爆炸的財富增長若僅僅用“回報豐厚”來形容，會不會未免有些太吝嗇了？我并不十分相信那些投行精英們會如此慷慨無私，讓投資者只需在家坐著就能穩收百億回報，所以如果今后有人向我推薦金融產品，而且宣稱年化收益率可以有60%，我肯定得思量思量，自己是不是真的運氣那么好，這輩子可以被錢砸暈？畢竟像文藝復興公司的傳奇也像“文藝復興”一樣，雖然能被歷史銘記，但卻難以被時代復制。
得“量化”者得天下
雖然“量化”看似主要在投資領域大放異彩，但其觸角實際已徹底覆蓋了金融領域的各個命脈。在作者看來，金融業的整個運作流程，歸根結底，就是“把適量的錢投到適合的位置，從而以適度的金額購買適當的產品”（“Put the ‘RIGHT’ money in the ‘RIGHT’ place with the ‘RIGHT’ amount for the ’RIGHT’ price“）。但是究竟多少算是適量？也就是所謂的”RIGHT“? 難道萬事一拍腦袋，全憑感覺？還是仰仗捕風捉影、真假難辨的小道消息？這些顯然都太不靠譜。
投資不是賭博而是博弈，理性的投資者應該學會運用投資策略來實現自己的財富增值。那么該如何將模糊抽象的策略變成具體可信的數字？
這其實就是“量化”在做的事情，即把投資策略通過數學模型和計算機代碼數量化，讓投資者可以基于數據分析和動態模擬而合理預測其投資行為的未來走勢。投資者可以通過屏幕上顯示的風險講話指標，輕擊鼠標生成定價模型結果或者是交易策略，根據實際情況略微修改參數，最終實現自己的資產配置及投資組合。無怪乎許多人都笑稱，如今的倫敦金絲雀碼頭其實早已不再是全球的金融腹地，而是搖身變成了 IT 公司集散地。包括摩根大通、花旗以及瑞士信貸等在內眾多歐美頂尖投行，都在不計血本的培養自己的 IT 團隊，并命其專門從事產品模型研發，從而有力躋身到“得模型者得天下”的金融大戰之中。 這些擁有專屬開發任務的 IT團隊也往往被稱為量化團隊，即 Quant Team，是買方或賣方機構中專門從事量化投資分析以及衍生品定價策略的肱骨砥柱。
除了金融市場的參與者都欲借“量化技術”的東風大展拳腳，眾多歐美金融監管機構也針對金融技術的興起而順勢推出了相關監管政策。英國《金融時報》歐美版在2015年11月24日曾刊登一篇名為《UK watchdog examines insurers’ use of big data》（英國監察機構檢測保險公司對于大數據的使用）的文章。文章指出，FCA即英國金融市場行為監管局已正式發表聲明，表示明年會繼續監視金融技術開發以及金融技術對于公司和投資者的影響，比如它會開展一項專門針對”保險公司大數據使用現狀“的市場調查，從而更為精準有效的打擊預防以金融技術為核心的新型金融犯罪行為。（詳見 FCA Business Plan 2015/16 ）
金融量化中的“少林“和”武當“
在互聯網的營銷造勢之下，一時間”大數據技術“風頭無二，備受推崇。但若真問究竟什么是大數據，只怕眾多跟風者也只能爆出個“Big Data” 裝裝“逼格”。其實在金融領域，并非只有“大數據”一枝獨秀，下文我們就來談談“大數據”的發家史以及它和傳統定價模型一較高下的那些事兒。
在開始之前，我們不妨先來厘清金融系統的基本架構。如果按照市場等級分，我們可以將金融市場分為一級市場和二級市場；但如果按照金融產品分，我們則將金融市場分為資本市場（主要進行股票買賣）、債權市場、商品市場、貨幣市場、衍生品市場、保險市場、以及外匯市場。
放眼中國金融市場，根據世界交易所聯合會（World Federation of Exchanges）出具的報告，在2014年，中國金融期貨交易所 （簡稱中金所，China Financial Futures Exchange）的股票累衍生品的交易表現并不盡如人意。按成交易合同的數量計位，中金所只有在股指期貨方面成交量排名全球第五，其余如股指期權、個股期貨和個股期權等，均未能躋身前十。這一成績對于全球第二大經濟體來說，無疑是不相稱的。但考慮到上海證券交易所在2015年2月9日才開始上市交易上證50ETF 期權合約，而且暫時還尚未發行個股期貨和期權產品，這樣的排名表現倒也顯得合情合理。不過，中國的金融市場也并非完全沒有可圈可點之處，比如在商品期貨方面，中國交易所就占了“成交量前五排名”中的三個席位，分別是位列狀元的上海期貨交易所，位列探花的大連商品交易所以及緊隨其后的鄭州商品交易所。由此可見，中國金融市場目前仍主要倚重傳統的金融產品，與歐美金融市場相比，既有理論和技術差距，但也充滿了上升空間和發展機遇。
在熟悉了金融市場的基本分類之后，我們還需進一步了解一下金融市場中的買方和賣方。顧名思義，所謂買方，就是金融產品的購買者，而賣方則金融產品的出賣者。以比較常見的金融衍生品交易，尤其是股票類衍生品交易為例，那些口若懸河、舌燦蓮花的賣方角色多由投資銀行和券商來擔當，他們主要從事設計開發原始產品以及負責原始產品的銷售推廣；而對沖基金、養老基金、信托公司以及資產管理公司則在這一環節里初步充當買方的角色，他們可以從投行或券商那里購買原始產品，然后通過不斷優化這樣的原始產品以直接銷售獲利，或者利用這樣的原始產品來間接優化自己的固有產品，從而提升其固有產品的市場價值。比如賣方可以從買方那里購買“定價產品”，然后借助這樣的產品來其確定現有產品的交易價額，并最終按該價格將其產品賣給市場終端的投資者，以保證其收益的最大化。這些“定價產品”，即運用數學和計算機模型而把未來收益數量化，并可由此幫助金融機構制定出最優價格方案的產品，就是本文想要著重探討的 “金融量化技術”的典型代表。
總的來說，金融量化技術可分為兩大類，一類是P Quant，另一類是Q Quant。它們雖同為資產定價機制，但其原理和受眾卻大相徑庭，而且各自的風頭此消彼長，真可謂是金融量化領域的“少林”和“武當”。
Q Quant是指風險中性測度。在“風險中性”的理論假設下，歷史數據只是記錄過去的數字，它們與未來無關，因而并不能直接幫助預測金融產品的未來走勢，定價機制還是主要應依據數學模型，比如隨機過程、偏微方程，所以由此推導出的定價模型大多充滿了學院派氣質且理論性十足，顯得高深晦澀，非常人可試。P Quant則指真實概率測度，與“風險中性”不同，在“真實概率”的理論假設下，搭建定價模型所需的概率分布應根據歷史數據而估算出來，而非僅憑數學模型而演算出來，換言之，該種定價模型所預測出未來走勢主要是以數據統計為基礎的，因而是“真實”的，而且數據量越大，其預測效果就越可能接近未來的實際效果，也就是所謂的“大數據”（Big Data）。為了處理卷帙浩繁的歷史數據，產品開發者們往往離不開計算機的輔助，所以與 P Quant相關的產品技術也主要是時間序列、貝葉斯算法、機器學習等與計算機技術密切相關的建模方法。
由此可以看出，根據對歷史數據的親疏不同，Q Quant和 P Quant的區別其實顯而易見，前者基于對未來的假設推算現在，后者基于對歷史的借鑒推測現在。兩者雖然都需要運用到歷史數據，但前者通常是先搭建一個模型，然后再通過歷史數據來不斷精化該模型的參數性能，因而歷史數據的作用主要是優化模型的磨刀石；而后者通常會先搭建數個備選模型，然后將歷史數據分別套用到不同的備選模型中去，并根據由此產生的計算結果來選擇表現最佳的那個模型，因而歷史數據在 P Quant中的作用就升格成了選擇模型的試金石。我們很難論斷究竟哪一種理論更為科學，因為歷史既值得鑒戒，但歷史也不會重演，歷史數據既可能幫助我們科學預測，但也可能帶領我們誤入歧途。
不過這一區別對于角色各異的金融市場參與者而言，卻是意義非凡。具體說來，由于 Q Quant主要背靠數學模型而不依賴歷史數據，這意味著即便在數據相對匱乏的情況下，我們也依然可根據該理論憑空開發出一些新的產品，這對金融市場中的賣方而言，無疑是喜聞樂見的。以投行和券商為代表的賣方，大多從事衍生品定價，即通過開發和銷售新的金融衍生品來實現獲利，同行競爭者之間比拼的是原始產品的技術優劣和認購市場的實際需求，所以他們更倚重 Q Quant所具備的可實現“從無到有”的制造特性。
或許有些人不禁會好奇，作為投行和對沖基金等金融機構的生財利器，究竟什么是金融衍生品？從本質上說，金融衍生品就是一份合同，而且是一份可幫助買方實現風險控制和套利交易的合同。比如個股期權就是典型的金融衍生品，它賦予了買方在約定時間內可按照約定價格買入或者賣出特定股票的權利。試想，如果該約定價格過低，那么賣方將會得不償失，因為這相當于為買方提供了一個廉價的風險對沖工具，使其可以輕而易舉地實現低買高賣，這顯然并非賣方的本意初衷，因而實際發生的概率也微乎其微。但如果該約定價格過高，那么賣方就可能面臨有價無市的尷尬窘境甚至產生流動性風險，并最終導致血本盡賠，顆粒無收。所以個股期權的賣方或做市商在設計定價或者交易該產品時，往往并不會貪心不足，漫天要價。可是究竟怎樣才能保證合同的價格公平合理，從而有利于實現買賣雙方的互利共贏？考慮到這類金融衍生品本身只是一紙合同，不像股票一樣有歷史數據可循，這時賣方往往就會借助 Q Quant理論，通過利用數學模型來設定既定股票的未來走勢及波動率，進而推算出該個股期權的合理現值。
如果說 Q Quant主要是賣方的心頭好，那么 P Quant則是可謂是買方的白月光 。因為以對沖基金為主的買方主要從事大批量的產品篩選和投資決策，故而其核心業務本身就對數據處理技術有著極高的依賴度。此外，作為中間商，買方其實并不參與任何產品開發，而是僅僅專注于對現有產品的精細化加工，所以 P Quant所具備的“百里挑一”的優化特性無疑正中其懷。
實際上，當對沖基金在設計套利策略時，他們往往會盡可能地去搜集與其產品相關的所有歷史數據，并對這些數據進行多角度、全方面、深層次的比較分析，從而尋找出眾多歷史數據之間的內在聯系和統計規律。以股票策略為例，通過對現有數據的剖析歸納，對沖基金往往希望準確預測出諸如“上市公司的財務狀況會對公司股價產生何種影響”，“特定行業的整體環境以及宏觀經濟的政策調控又會對該行業上市公司的股價產生何種影響”，并由此制定出極具產品針對性的套利策略。
在某種程度上，P Quant的跌宕起伏浮其實就是數據分析技術的興衰榮辱。在歷史數據基數不夠，并行運算技術尚不成熟的年代里，P Quant理論難免因為外力不足而顯得捉襟見肘，那時各類金融衍生品憑借著Q Quant定價模型大行其道，并一時間風頭無兩。可事實證明，即使是華爾街的天之驕子們，也最終難逃物極必反的命數。金融衍生品的空前成功使得那些狂熱分子逐漸走火入魔，并開始不計成本的發行各類晦澀難懂但又毫無市場價值的金融衍生品。這一切的盲目投資的最終都在金融危機的血洗之下的慘淡收場，不僅使得投資者對 Q Quant失去了信心，而且也讓Q Quant從此元氣大傷。P Quant就是在這樣的背景下，頭頂著互聯網的東風，腳踩著 Q Quant的瘡痍，而一躍登上了時代舞臺。
計算機技術的日新月異，使得海量數據處理瞬間成為了可能，在“大數據技術”的強力支持和“電子化交易”的產業革新下，P Quant乘勢而發，如有神助，徹底告別了過去因為數據不足和技術不夠而難有用武之地的困頓局面。近年來，眾多歐美對沖基金以及投行的自營盤都開始熱衷于開發基于“大數據技術”的套利策略，其中最具代表性的包括溫頓資本 （Winton Capital）在牛津設立數據研究中心，以及瑞信信貸（Credit Suisse）對HOLT選股系統進行技術革新等等。此外，今年8月還有消息稱，大摩 、小摩 和高盛未來將可能共同組建大數據公司，從而為三者提供“證券產品參考數據”（Securities Product Reference Data）。雖然時下這場以 P Quant為主角的數據盛宴卡司豪華，并受全民熱捧，但念其對歷史數據和電子技術的高度依賴，其未來的發展之路也依舊撲朔迷離。
如何捧起“量化”的金飯碗
盡管 Q Quant和 P Quant此消彼長，互不承讓，但其終究還是同屬“量化”一門；盡管金融市場中的買方和買方對P Quant和 Q Quant各有偏重，喜好相異，但其終究還是離不開“量化”之功。歐美投行幾乎都無一例外的設立了“量化”部門，而與此相關的量化分析職位更是成為了眾人眼中的香餑餑。即使是一個入門級量化交易員也往往能夠擁有10萬美金起的基本年收入，這對于普通交易員而言，無疑是可望而不可及的。
但與金飯碗相匹配的，便是這些職位的高要求。一位合格的量化交易員不僅需要擁有深厚的數學背景和堅實的金融理論，而且還必須掌握豐富的編程語言和熟練的建模技能。一般而言，為了保證模型計算的安全快速，Q Quant大多會傾向使用VBA/C++和C#等面向對象的語言或者類似F#這樣的函數式語言。而P Quant則要求開發人員首先利用Hadoop或者Spark 來搭建初步的模型框架，并通常會為其提供分布式文件系統，用以存儲所有計算節點的數據，而后再要求其根據R-Hadoop或者Spark-Python/Scala等程序語言來實現具體算法。毫不夸張的說，是人腦發明了前所未有的量化技術，而電腦則開創了絢爛恢弘的量化時代。
（作者介紹：倫敦大學學院（UCL）在讀金融數學博士，Crescent Quant坤遜金融信息服務（上海）有限公司創始人，曾負責Credit Suisse瑞士信貸倫敦團隊證券類量化策略研發。本文僅代表作者觀點。責任編輯郵箱：tao.feng@ftchinese.com）
