1. 策略大概率失敗

機器學習和人工智能制造的量化策略大概率失敗，只有少數成功者悶聲發大財，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美高收益的曲線并且同時還是開放購買。因為公司大多展示一兩個成功，且容量小的績優策略來獲取客戶，但是真正去購買發現，展示策略并不開放，只有同一基金經理的新發策略。但是新發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，大多數公司的基金經理都在獨立工作，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，結果大概率是disaster。管理層的心態是，我們先雇傭50個博士，然后讓他們每個人在幾個月內交出一套策略。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，是因為，這種策略基本上過擬合，在過去的數據上表現較好，同時在驗證集上也不錯，但真正交易起來得到的結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，因為因子挖掘是個人力活，這就像用CPU來做人工智能一樣，浪費資源。但至少PHD的東西有學術依據。最終，兩種結果都不是管理層想看到的，哪怕其中有5個PHD取得有用的結果，這也基本覆蓋不了50個人的成本。

2. 規模化優勢

對于個人來說，如果公司讓你單獨開發策略，你的工作很可能不是圍繞著策略研發工作。就像造一臺車，開頭不是造發動機，會先要學會做電焊，學油漆，學機械工程，學會成為一個好的電工，最后才是發動機設計，但中間充斥著各種負反饋，失敗和重來。

成功的量化公司應該采用元戰略范式（Meta Strategy (Lopez de Prado[2014])）。每個Quant都應專注于某項任務，工廠化的研發策略，而非依賴于某個幸運的員工。雖然建立金融實驗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，能夠有效的推進團隊合作。

3. 工業化的團隊分工

在16世紀，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不可能，現代挖掘技術需要大規模篩查金含量，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，我們現在每年大概開采2500噸黃金，而16世紀的西班牙艦隊能達到1.54噸。就像如今通過數據搜尋alpha的人，曾經通過宏觀alpha都可能取得正向收益，但這種機會急劇收斂，幾乎已經是0，如果還用宏觀數據尋找alpha，面對的競爭和壓力是無比巨大的。

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

如何從人員結構實現工業化目的：

3.1 數據分析團隊

負責數據的收集，清理，索引，儲存，調整和交付。團隊成員需要理解數據出處以及后續生產鏈條。比如說每種資產都有自己的性格，債券經常會被互換或者召回，股票會拆分，期貨和期權需要展期等等。

3.2 特征分析團隊

這里將數據轉換成信號。團隊成員需要提取，處理，可視化數據，給數據打標簽，加權，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超高的拋售概率，或者買單報價被取消，而限價單大量出現則會取代買單報價。雖然說這種發現本身并不是策略，但是可以在做市，流動性監控，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 策略團隊

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

策略成員需要很深的市場，金融和經濟的理解，而這些理解必須符合市場的規律，深析策略是否存在bias，是否有信息差，監管限制。

黑箱特征需要被策略團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。

最終當策略定型之后，策略團隊需要把他們算法邏輯以及原型提供給后續的回測團隊。

3.4 回測團隊

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，或者其他隨機過程中得到不一樣的結果。

一個有效的回測團隊需要分析出策略的弱點和長處。成員必須知道理解在什么樣的市場情況下才會產生這樣的信號。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 開發團隊

開發團隊的成員大多數都是計算機工程師。他們將成型的策略裝入生產線，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確性，延遲最小化，以及性能的優越。部署可靠的數據庫以及計算機硬件保證策略每日可靠的工作，適當的災備系統等。

4 投資組合管理

策略產生后需要遵循一下的過程：

Embargo: 策略需要被觀測，回測人員記錄實際數據，如果跟回測一致可以進入paper trading階段

Paper Trading: 也就是紙面交易。策略在實時數據上運行，性能方面需要考慮延遲，需要收集足夠數據表明，信號與回測一致。

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

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重。分配的權重需要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，同時增加策略的權重分配。

Decommission: 策略退役。如果策略長期表現低于預期，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。

標簽： 量化策略大概率失敗-有效的團隊分工 人工智能