本文目录
如何判断一个人真实的投资水平
从前，我会说：看三点，一，他的资金量，一个人的资金账户至少在一到三百万之间或者是以上更多。后来我改变认知了，一是因为有些大神会PS做图。还有，因为我真的看到那些上了几百万，千万资金的，他们不冒险了。特别有两个人给我印象最深，一位是修家电的，他老婆亏了一百万，后来换他做，他跟着他的师父学炒股，只会一种模式，07年入市到17年的时候，资金是二百万，他说，我主要是防止亏大钱，这点本金挣点钱够花就行。他多数时候做逆回购和货币基金，很少出手买股，买就必赚，或者是亏点就跑，我想学他的本事，偷技能没成功。
后来18年，我又认识了一个大佬，两千万资金，他做银行，以及其他稳的大盘股，从月线走平上翘开始买，拿长线，做股指期货，多数时候做货币基金，他疑惑的说：“你不知道做货币基金赚钱？”我被气的说不出来话。
二，看他的资金曲线和盈利回撤，这个是我师父教我的，他认识我的时候，盈利回撤控制在19个点以上，后来做到17个点以内，资金曲线缓慢上升，弧度不大。我师父没有瞒我，我看过他的股东账户，看过他的资金盈利曲线，再加上这几年，别人旁证，他教我的都是真东西。然后前几天，我看到有人说了，某些大神，他们参加各种比赛得大奖，得奖之后就开培训班，这样的就是人造出来的神，不要相信。当然，我是师父带我做过单的，相识几年，他不会骗我，至于网上的人，就要小心了。-sharperatio
三，看投资理念，正确的理念都是一样的，只是因为我经过了一件事，就是“王某淼”事件，这个人据说是18年期货大赛高频交易第一名。然后，网上铺天盖地就是这个人的讲座，培训课，我再也不信所谓大神了，老老实实看书，有谁和我交易理念方法近似，相同，就回复交流下，去看看他的文章，视频什么的。再也不想去偷学什么技巧了，因为师父告诉我，所有成功的经验，前人已经写在那些著名的交易书籍里了，有疑惑就应当去看书，有所得就去复盘，试着交易，这就是最好的学习。不要找什么圣杯，企图一夜暴富。好好学习，反省，认识自己，认知交易，这就行了。-sharperatio
量化投资靠谱吗
随着计算机编程在金融投资中得到越来越广泛的应用，量化交易也越来越得到大家的关注。据华尔街日报报道，在过去20年，量化基金的数量和管理的资产规模有了大幅度增长。股票指数期货交易中，超过7成为量化交易。国际外汇期货交易中，量化交易量大约占到8成以上。-sharperatio
那么到底什么是量化交易？它和传统的基金投资策略有何不同？依靠电脑程序进行投资，和人相比有什么优劣点？如何判断一个量化交易策略的好坏？带着这些问题，我和美国杜克大学的坎贝尔·哈维（Campbell Harvey）教授进行了一场非常有趣的谈话。-sharperatio
由于我们谈话涵盖的范围比较广，因此我将我们的谈话内容分为两篇文章分别发表。今天这篇文章，是我们谈话的第一部分，主要讲讲如何来甄别量化投资策略的好坏。
首先向大家介绍一下坎贝尔·哈维教授。哈维教授是美国杜克大学的金融学教授。他是2016年美国金融协会的主席。哈维教授在公司治理，行为金融，计量经济，计算机科学等领域发表过120多篇顶级学术论文。他写的关于甄别基金经理的运气和技能的文章，连续两年获得Journal of Portfolio Management最佳论文奖。他也曾8次获得美国金融分析师协会（CFA）颁发的格雷厄姆/多徳奖（Graham/Dodd Awards）。-sharperatio
我们从哈维教授写过的一篇论文《Evaluating Trading Strategies》说起。
我问哈维教授，在其他一些领域，比如物理，确认一个新发现需要达到“5倍标准差”。但是为什么这个标准在金融研究里没有被执行？业界好像满足于“2倍标准差”标准。
对于这些统计学概念不太熟悉的朋友，让我在这里稍微为大家做一下科普。
在统计学上，如果我们要确认任何规律或者发现，确保该发现具有统计意义，那么我们就需要计算该发现的T值和P值。
如果T值为2左右（1.96），那么其对应的P值（假设自由度够大）就为0.05左右。也就是说，该统计结果有效的概率为95%。这也意味着，在这种情况下得到的统计结果，有5%的概率是假象。这个标准，称为“2倍标准差”要求。-sharperatio
在一些精确度要求比较高的计算和实验中，“2倍标准差”的误差率太高，因此实验人员需要提高确认结果的门槛，到3倍，甚至5倍标准差。
从上表中我们可以看到，T值越大，P值越小，结果产生误差的概率也越小。如果一个发现的T值达到5，也就是“5倍标准差”，那么该结果有效的概率为99.999%。因此，标准差倍数越高，T值越高，实验结果越可信。-sharperatio
在哈维教授的文章中，他提到了希格斯玻色子（也被称为“上帝粒子”）的例子。
早在1960年代，英国科学家彼得·希格斯就从理论上提出“希格斯玻色子”存在的可能性。但是，在实验中真正确认该粒子的存在， 则一直要等到2013年。
2010年，意大利物理学家托马索·多里戈宣称，美国费米实验室的万亿电子伏加速器（Tevatron）可能已经发现了希格斯玻色子。但当时的发现仅限于3倍标准差，因此没有在科学界获得认可。
直到2013年，欧洲核子研究组织确认发现希格斯玻色子时，其发现的可靠性达到了5倍标准差。因此这些物理学家们才敢向世界大方宣布，我们终于证实了“上帝粒子”的存在。
为什么2倍标准差和5倍标准差相差很大？原因在于，科学家们为了寻求某一种发现，他们可能会试上成千上万次实验。以希格斯玻色子为例，理论上该粒子仅会在每100亿次碰撞中产生一次。因此为了证实希格斯玻色子的存在，物理学家们设计的粒子对撞机需要重复上千万亿次数级别的碰撞。-sharperatio
在任何实验中，都有运气的成分，因此也可能会导致虚假的发现。重复实验的次数越多，偶然碰到假象的概率也越高。这就是为什么物理学家们需要把检验标准提高到5倍标准差，确保该实验结果在统计学上能够过关的原因所在。-sharperatio
“5倍标准差”规则，背后有非常强的逻辑性。但是这个规则，并没有被金融研究行业采纳。目前绝大部分的金融量化研究，都还是以“2倍标准差”作为接受实验结果的标准。这就导致很多金融研究得出的结论并不一定经得起推敲。-sharperatio
在哈维教授写的论文中，他提到了一个非常有趣的例子。
如果一家基金向投资者呈现如上图中左边那张回测业绩，相信绝大多数投资者都会非常喜欢这个交易策略。该投资策略有非常稳定的投资表现，几乎没有任何大幅度的回撤。即使在2008年金融危机期间都有不俗的表现。很多投资者可能会当即拍板：我决定投100万！-sharperatio
但事实的真相从右边那张图中浮现出来。原来，研究人员只是做了200次随机回测，然后从中挑选出一个表现最好的策略而已。对于投资者来说，他只看到那一个最好的策略回报，并没有看到其他199个表现更差的情况。由于这所有200个交易策略都是随机产生的，因此其未来的投资回报完全不可能重复。投资者接下来的投资回报和左图一样的概率几乎为零。-sharperatio
这个简单的例子告诉我们：即使没有任何技能，只要样本量足够大，也能够产生足以“以假乱真”的投资业绩。
有些朋友可能对上文提到的统计知识点不太理解。那么让我在这里再和大家分享一个更为简单易懂的例子。
假设有1000只猴子参加扔硬币大赛。如果扔到“正面”，猴子可以继续留下来参加下一轮。如果扔到“反面”，该猴子被淘汰出局。大致来说，每一轮会有一半猴子被淘汰。我们可以看到，在扔硬币大赛连续进行了7轮后，大约会剩下7只猴子。-sharperatio
如果我们去检验这7只猴子的扔硬币记录，每只猴子都连续扔到7次硬币的正面。任何一个人，连续扔到7次正面的概率都是很小的。因此他会告诉你，这和运气完全无关，而是我有一套扔硬币的“秘笈”。聪明的读者，你会相信一只猴子有扔硬币的“特殊技能”么？-sharperatio
当我向哈维教授提到这个例子时，他完全赞同我的意见。哈维教授说到，如果有10,000个基金经理，那么在10年后，大约有10个基金经理会连续10年跑赢大盘战胜市场。这完全是随机和运气决定的，和基金经理们的技能一点关系都没有。这10个基金经理一个个看起来都像股神。-sharperatio
这就是哈维教授在论文中想要表达的意思：金融行业目前使用的统计学标准，比其他科学性强的行业落后太多。我们需要提高金融行业确认投资业绩可靠性的标准。哈维教授提议，把“2倍标准差”提高到“3倍标准差”。提高了标准，就能够把仅凭运气而获得的投资回报的策略和基金经理排除在外，也能降低投资者买到一只“猴子”基金的概率。-sharperatio
那么作为普通投资者，如何提高自己的鉴别能力，降低自己买到“猴子基金”的概率呢？
哈维教授提到，在业界，当很多机构去分析任何一个量化策略时，有一个不成文的规定，叫做“夏普率减半”，即把对方提供的夏普率减掉一半。换句话说，如果一个量化策略在回测中显示可以获得每年10%的投资回报。那么作为投资者，你应该期望该策略在接下来的实际交易中，带来每年5%的投资回报。-sharperatio
这主要是因为，量化基金经理提供给投资者看的投资回报，都是他们在经过成百上千次回测后挑选出来的最好的那个策略。为了防止自己碰到一只特别幸运的“猴子”，投资者需要做出一定“缩水”调整。
用这种简单粗暴的方法调整夏普比率，很多人可能会觉得不够科学。基金经理会说，这对我不公平。有些投资者也会说，这会不会导致我们错过原本非常不错的交易策略。因此在哈维教授的论文中，他提到了一个更加科学的调整夏普比率（Sharpe Ratio Haircut）的方法。-sharperatio
对于那些非金融背景出身的朋友，让我在这里稍微花点时间给你们科普一下涉及的专业概念。
如上图所示，夏普比率（Sharpe Ratio），是用超额回报（投资回报减去无风险利率），然后再除以投资组合的波动率（标准差）。该比率主要衡量的是“风险调整后收益”。
为了省事，你基本只要记住：夏普比率越高，说明该投资策略越好。（注：这是针对非金融行业读者，比较简单粗暴的解释方法。真要细究的话，需要仔细分析夏普比率是怎么得出来的。这已经超出了本文的范围，因此不再赘述。）-sharperatio
绝大部分比较专业的金融机构和基金，都会向投资者披露该投资策略（或者基金）的夏普比率。哈维教授在他的论文中提出，我们应该对金融机构向我们展示的夏普比率保持怀疑态度，并进行合理的调整。
具体的调整细节涉及一些统计知识。我在这里稍微给大家分享一下，有兴趣的朋友可以去阅读哈维教授的原著。在哈维教授的论文中，他甚至提供了计算机程序源代码，有兴趣的朋友可以直接下载然后使用。
假设某基金的夏普比率为0.92，该基金来自于一个包含200个类似基金的数据库。那么我们根据其夏普比率，算出其P值（0.4%）。然后根据样本数量，调整其P值。在调整过的P值下，我们再计算出调整后的夏普比率为0.08，比原来的夏普比率下降了91%。-sharperatio
这个简单易用的方法，可以帮助我们去除一些基金在宣传材料中显示的夏普比率的“水分”，让投资者获得更加真实客观的信息。
我向哈维教授提出，美国和中国量化研究的一大区别是，美国的金融历史数据量要丰富得多。美国的股市数据，可以追溯到1920年代。而中国的A股，只是1990年代刚刚开始。中国第一只公募基金，一直要等到2001年才开始发售。这是不是意味着绝大部分基于中国市场的量化策略都很难通过严格的统计要求？-sharperatio
哈维教授的看法是：大致来讲，确实数据越多，量化策略的可靠性越高。毕竟如果一个量化策略基于的样本量很小，那么其结果就可能有很强的偶然性，因此难以在未来复制。
对于像中国这样的新兴市场，有两个方法可以提高量化策略的质量。首先是增加样本量。由于数据历史有限，不可更改，因此研究人员只能在数据频度上做文章。比如将研究的数据频度调到每日股价变动，每小时股价变动甚至是每分钟股价变动。频度越是密，其数据量就越大。-sharperatio
其次，如果一些策略在发达国家中得到验证可行，那么我们就可以考虑把这样的策略移到像中国这样的新兴市场进行交易。由于在其他国家市场中已经被验证可行，因此类似策略在中国也行得通的可能性要高很多。
这让我想起了之前我和许仲翔（Jason Hsu）先生做过的一篇专访，专门讨论聪明贝塔策略在中国市场的可行性。有兴趣的朋友可以搜索“伍治坚”+关键词“聪明贝塔”找到该文章。
我向哈维教授提出，虽然巴菲特通过“猴子”的例子提醒投资者不要被基金经理表面的业绩误导，但他同时也指出，有很多好的基金经理都来自于同一个村落，即所谓的“价值投资”村落。在一次公开演讲中，巴菲特举了不少这样的基金经理的例子，包括Walter Schloss, Tom Knapp，以及他自己。这些经理未必能够达到“3倍标准差”或者更高的统计要求，但是他们都是很优秀的基金经理。-sharperatio
这个例子是否说明，投资者们在选择基金经理时，也需要结合考虑该经理的投资风格和哲学来做出判断？
哈维教授表示赞同。挑选好的基金经理，区分该基金经理的回报是来自于运气还是技能，是一件非常复杂的系统工程。很多大型机构，比如养老基金，国家主权基金等都做不好，可见其难度之高。哈维教授在这个领域写的好几篇文章，被评为年度最佳论文，为这方面的研究做出了贡献。但事实上，能够真正读懂并理解他文章的人，仅限于少数的业内人士。这本身就凸显了要想挑选好的基金经理，难于上青天的事实。可笑的是，很多个人投资者“无知者无畏”，反而觉得选基很容易，这实在让人有些哭笑不得。-sharperatio
目前的中国，大约有3,000个左右公募基金，3,000多个私募基金。在美国，大约有9,000多个公募基金。在如此众多的基金基数上，要想找出几个基金连续5年，或者更长时间取得好的投资回报，并不是一件难事。甚至这些基金经理可能完全不需要任何技能，仅凭运气，也能连续多年获得好的回报。而对于投资者来说，他以为自己买到了一个非常好的基金，其实只不过是把钱交给了一只幸运的猴子而已。-sharperatio
我向哈维教授请教，在这种情况下，我们普通投资者应该怎么做？特别是我们很多投资者一没有专业知识，二没有数据信息。在这种情况下去挑选主动型基金，岂不是相当于误打误撞靠天吃饭？我们是不是应该放弃幻想，满足于购买那些低成本的指数基金？-sharperatio
哈维教授表示完全赞同。在他看来，中国的3,000个公募基金，至少一半达不到专业的技能标准，根本不值得投资。美国的情况更遭。在哈维教授写的另一篇论文中，他们发现在美国，最多只有10%的公募基金经理有真正的投资技能。-sharperatio
对于普通个人投资者来说，他们大部分人都有自己的本职工作，同时并非来自金融专业。这些投资者，没有时间，没有专业技能，也没有数据信息帮助他们去挑选基金。因此对于他们来说，更好的选择是购买低成本的指数基金。-sharperatio
在哈维教授写的《Evaluating trading strategies》一文中，他得出结论：
绝大部分在金融期刊上发表，或者向投资者兜售的主动型量化交易策略，都可能是骗人的。基金公司们售卖的投资产品，有一半都是“假货”。希望投资者们可以从哈维教授的研究中学到一些有用的知识，提高自己的警惕程度，不要轻易堕入基金公司和理财机构的销售陷阱，做出最有利于自己的理性投资决策。
【注：我和哈维教授的谈话摘要第二部分，主要涉及到人工智能，机器学习（Machine Learning）等在量化交易中的应用。我会在另一篇文章中做出总结。】
要想听伍治坚的电话录音，请在喜马拉雅FM/蜻蜓FM/itune Podcast中搜索“伍治坚证据主义”。
既然有了量化交易，技术分析还有存在的必要吗
视频加载中...
数据是让你回顾盘面热点和板块龙头，以及市场是否处于可操作性，当然，两则缺一不可，因为技术分析的存在是奠定交易模型的基础，如果连基础都不要，那就是理论跟不上实战，那这样的操作模式多半是亏损的-sharperatio
投资基金的风险有多大
我觉得投资基金有三大客观风险：
第一，是市场系统性风险，我们所说的投资基金，大多是指投资股票型基金，实际上也是一种间接投资股市的方式，如果股市涨了，基金一般也会上涨，如果股市大跌了，基金一般也会大跌。而股市受到诸多因素的影响，比如说宏观经济、流动性以及黑天鹅事件的冲击等等，存在着非常明显的不确定性，而且这个风险是不可预知的，股市的风险就直接传导至基金。-sharperatio
第二，基金经理投资能力风险，基金是由基金经理管理，不同的基金产品业绩会存在差异，这是由于不同基金经理的投资能力决定 的，有些基金经理在行情好的时候赚钱能力很强，基金净值上升很快，一度成为市场中的冠军基，但行情不好的时候，抗风险能力很差，迅速下跌，又成为垫底基。而有些基金呢，则不管行情好还是不好，业绩永远都落后，这些风险基民也是不可控的。-sharperatio
第三，择时风险，基金涨跌难以预测，我们总是看到基金涨得好就去跟着别人买，看到基金跌跟着别人一起赎回。往往一买入基金，它就开始下跌，而受不了下跌，亏损割肉，它又开始上涨。时点掌握不好，就算是相同的基金，别人都在赚钱，可能自己还是一直亏了又亏。-sharperatio
因此，为了降低这三个客观风险，尽量不要把所有资金全部投入股票基金，需配些理财产品、银行存款作平衡；其次，要选择长期业绩表现稳定的基金投资，而不能追求短期火爆的基金；最后，为了降低择时错误带来的损失，最好选择长期定投的方式，平滑市场波动的风险，结果会比一次性的买入卖出要好得多。-sharperatio
