1. 策略大概率失敗

機(jī)器學(xué)習(xí)和人工智能制造的量化策略大概率失敗，只有少數(shù)成功者悶聲發(fā)大財，某人成功的策略罕見到在市場上只有流言，某某人告訴你某個人做出了代碼，在家里躺平交易。

市場上也很難找到漂亮優(yōu)美高收益的曲線并且同時還是開放購買。因?yàn)楣敬蠖嗾故疽粌蓚€成功，且容量小的績優(yōu)策略來獲取客戶，但是真正去購買發(fā)現(xiàn)，展示策略并不開放，只有同一基金經(jīng)理的新發(fā)策略。但是新發(fā)策略是否能維持廣告上展示的曲線是一個非常大的問號。

基金經(jīng)理們自有一套投資邏輯，每個人的每次下注背后都有一個故事，旁人很難理解他們的動機(jī)，大多數(shù)公司的基金經(jīng)理都在獨(dú)立工作，而他們每個人都注重于某一段過去信息，很多理論都是基于無法被證實(shí)猜想。雖然不能完全說這么做沒道理，但是最終公司要付出50個人的薪水，而得到的是其中一個人的成功之作。獨(dú)立工作雖然可行，但是效率低下。

如果用這種方法展開量化工作，結(jié)果大概率是disaster。管理層的心態(tài)是，我們先雇傭50個博士，然后讓他們每個人在幾個月內(nèi)交出一套策略。所以幾個月后，公司大概率得到的是假陽性策略，或者某種過度擁擠的因子策略。

我這里說假陽性，是因?yàn)椋@種策略基本上過擬合，在過去的數(shù)據(jù)上表現(xiàn)較好，同時在驗(yàn)證集上也不錯，但真正交易起來得到的結(jié)果可能不是想象的那樣。而過度擁擠的因子策略會帶來低夏普率，因?yàn)橐蜃油诰蚴莻€人力活，這就像用CPU來做人工智能一樣，浪費(fèi)資源。但至少PHD的東西有學(xué)術(shù)依據(jù)。最終，兩種結(jié)果都不是管理層想看到的，哪怕其中有5個PHD取得有用的結(jié)果，這也基本覆蓋不了50個人的成本。

2. 規(guī)模化優(yōu)勢

對于個人來說，如果公司讓你單獨(dú)開發(fā)策略，你的工作很可能不是圍繞著策略研發(fā)工作。就像造一臺車，開頭不是造發(fā)動機(jī)，會先要學(xué)會做電焊，學(xué)油漆，學(xué)機(jī)械工程，學(xué)會成為一個好的電工，最后才是發(fā)動機(jī)設(shè)計，但中間充斥著各種負(fù)反饋，失敗和重來。

成功的量化公司應(yīng)該采用元戰(zhàn)略范式（Meta Strategy (Lopez de Prado[2014])）。每個Quant都應(yīng)專注于某項任務(wù)，工廠化的研發(fā)策略，而非依賴于某個幸運(yùn)的員工。雖然建立金融實(shí)驗(yàn)室需要時間和金錢的投入，但是避免了西西弗斯式推巨石的的方案，能夠有效的推進(jìn)團(tuán)隊合作。

3. 工業(yè)化的團(tuán)隊分工

在16世紀(jì)，西班牙的尋金艦隊從世界掠奪財富，將歐洲的貴金屬流通量連翻幾倍，粗暴簡單的金銀提取如今已經(jīng)不可能，現(xiàn)代挖掘技術(shù)需要大規(guī)模篩查金含量，從巨大的且金含量稀少的礦物中提取。黃金的含量極其稀少，我們現(xiàn)在每年大概開采2500噸黃金，而16世紀(jì)的西班牙艦隊能達(dá)到1.54噸。就像如今通過數(shù)據(jù)搜尋alpha的人，曾經(jīng)通過宏觀alpha都可能取得正向收益，但這種機(jī)會急劇收斂，幾乎已經(jīng)是0，如果還用宏觀數(shù)據(jù)尋找alpha，面對的競爭和壓力是無比巨大的。

在宏觀數(shù)據(jù)提供不了足夠insight的情況下，我們只能尋求更加細(xì)小的顆粒，通過顯微鏡觀察數(shù)據(jù)，就像開采金礦一樣，不斷的卷設(shè)備，人員，以及技術(shù)來挖掘那么一絲可能性。

如何從人員結(jié)構(gòu)實(shí)現(xiàn)工業(yè)化目的：

3.1 數(shù)據(jù)分析團(tuán)隊

負(fù)責(zé)數(shù)據(jù)的收集，清理，索引，儲存，調(diào)整和交付。團(tuán)隊成員需要理解數(shù)據(jù)出處以及后續(xù)生產(chǎn)鏈條。比如說每種資產(chǎn)都有自己的性格，債券經(jīng)常會被互換或者召回，股票會拆分，期貨和期權(quán)需要展期等等。

3.2 特征分析團(tuán)隊

這里將數(shù)據(jù)轉(zhuǎn)換成信號。團(tuán)隊成員需要提取，處理，可視化數(shù)據(jù)，給數(shù)據(jù)打標(biāo)簽，加權(quán)，分類以及制造其他的特征。打個比方：報價被大量取消并被賣單取代會對應(yīng)超高的拋售概率，或者買單報價被取消，而限價單大量出現(xiàn)則會取代買單報價。雖然說這種發(fā)現(xiàn)本身并不是策略，但是可以在做市，流動性監(jiān)控，持倉管理這些方面使用。

所以某些常見的錯誤式讓特征分析師制定策略。

3.3 策略團(tuán)隊

這里特征會被提取轉(zhuǎn)化成實(shí)際的算法。策略分析師需要觀察所有特征庫存，尋找制造策略的方案。不同的資產(chǎn)都有不同的特征，而策略團(tuán)隊需要綜合不同的資產(chǎn)和他們的特征，尋找他們的解析。

策略成員需要很深的市場，金融和經(jīng)濟(jì)的理解，而這些理解必須符合市場的規(guī)律，深析策略是否存在bias，是否有信息差，監(jiān)管限制。

黑箱特征需要被策略團(tuán)隊打開并放在陽光下，如果僅僅是把幾個特征粘在一起，這種不是策略。

最終當(dāng)策略定型之后，策略團(tuán)隊需要把他們算法邏輯以及原型提供給后續(xù)的回測團(tuán)隊。

3.4 回測團(tuán)隊

回測相信大家都非常熟悉，這里需要評估策略在各種場景下的盈利能力，是否在歷史條件下，或者其他隨機(jī)過程中得到不一樣的結(jié)果。

一個有效的回測團(tuán)隊需要分析出策略的弱點(diǎn)和長處。成員必須知道理解在什么樣的市場情況下才會產(chǎn)生這樣的信號。同時，這里的分析必須涵蓋分析過策略是否過擬合，在其他情況下，策略是否同樣有效。

3.5 開發(fā)團(tuán)隊

開發(fā)團(tuán)隊的成員大多數(shù)都是計算機(jī)工程師。他們將成型的策略裝入生產(chǎn)線，其中的組件可以回收再利用的需要保存。他們需要保證部署的準(zhǔn)確性，延遲最小化，以及性能的優(yōu)越。部署可靠的數(shù)據(jù)庫以及計算機(jī)硬件保證策略每日可靠的工作，適當(dāng)?shù)臑?zāi)備系統(tǒng)等。

4 投資組合管理

策略產(chǎn)生后需要遵循一下的過程：

Embargo: 策略需要被觀測，回測人員記錄實(shí)際數(shù)據(jù)，如果跟回測一致可以進(jìn)入paper trading階段

Paper Trading: 也就是紙面交易。策略在實(shí)時數(shù)據(jù)上運(yùn)行，性能方面需要考慮延遲，需要收集足夠數(shù)據(jù)表明，信號與回測一致。

Graduation: 這里策略績效得到精確評估，包括風(fēng)險歸因，回報和成本，最終畢業(yè)并投入使用。

Re-allocation: 策略重新分配，在多元化策略組合的情況下，策略需要被按照情況分配權(quán)重。分配的權(quán)重需要concave，也就是有凸性。在開始的比重較少，但是隨著時間的推移，信任度逐漸增加，同時增加策略的權(quán)重分配。

Decommission: 策略退役。如果策略長期表現(xiàn)低于預(yù)期，我們需要將這個策略退役

策略并非一成不變的，新舊策略并行，最終完成周期更迭。

標(biāo)簽： 量化策略大概率失敗-有效的團(tuán)隊分工 人工智能