--- type: "blog" slug: "quant-investing-history" canonical_url: "https://aimunger.com/blog/quant-investing-history/" source_section: "blog" lang: "zh-CN" updated_at: "2024-04-23" title: "直觉与计算：量化投资简史" date: 2024-04-23 --- **2024年4月23日** > 原文地址： **Lu Lin** M.Fin, M.S. BMO 全球资产管理量化投资负责人 2024年4月23日 当我加入BMO全球资产管理时，第一印象是熟悉感。虽然见到的是新团队与新流程，但量化投资团队（原名“纪律型股票团队”）背后的理念与我高度一致：在人机协作下做投资决策，而不是依赖“纯量化”的做法。无论是我的过往经验还是新同事的观察，都表明要在市场中应对诸多严苛考验，必须在直觉与计算之间取得平衡。历史也早已印证了这一点。 在接下来的报告中，我们将回溯量化投资的起源，并梳理行业如何在责任框架内，去利用数学建模、技术与人类认知的力量。 学术套利的机会 ======= 二战后，学术界出现了一次小型的“文艺复兴”。不同学科的研究者纷纷跨越传统边界，探索与本专业长期并行却少有交集的课题。比如，生物学家走进物理学世界；物理学家试验新兴的计算机科学；数学家开始研究金融与经济中的问题。 他们发现了一个令人意外的事实：金融虽然常被视为一门严谨学科，却并不总是按严谨方式运转。许多情况下它缺乏纪律性，缺少数学支撑，这意味着其关于世界的假说并未总能得到检验。科学家们因此看到了将自身的量化技能“移植”到金融中的机会，把经济理论转化为清晰、逻辑严密的方程式。简言之，他们看到了**学术套利**（academic arbitrage，指用一个学科成熟的方法迁移、改造另一个学科中尚未充分量化的问题）的机会。 这种新兴的量化方法常被视为与更传统的投资风格相抵牾。几十年来，这种分野始终存在：一边是基本面分析师，另一边是“量化人”。直到全球金融危机之后，机构投资者才逐渐认识到，两者之间并不必然对立；实际上，可以通过策略性平衡来同时发挥双方优势。 关键里程碑 ===== ![](https://mmbiz.qpic.cn/sz_mmbiz_png/5HUkibFlfpic5BJfic17mftO42uTUnVTu6mPib9ZgIibXvEougrsIkricFtYQD6qA55TCB79iaNw9DH1Bj7E1LlwNzweQ/640?wx_fmt=png&from=appmsg) 1970年代，华尔街开始大量招募顶尖的数学家和科学家，着手建立更先进的金融模型。 1990年代，计算机的迅猛发展推动了机构层面算法交易策略的爆发式增长。 2008年，全球金融危机爆发，引发了市场对量化投资的信任危机。 2009年，为了应对“纯量化策略”带来的风险，金融机构开始引入人工干预和风险防控机制。 2010年代，世界进入数据与算力急剧膨胀的时代，信息与计算资源的丰富为量化投资提供了新土壤。 当下，人工智能的崛起为量化投资打开了全新的可能性，算法正以前所未有的智能化方向演进。 一个多世纪的酝酿 ======== 尽管学界对二十世纪数学与金融的首次“碰撞”发生于何时尚有争议，但无疑有许多学者站在了那片前沿。1900年，法国数学博士生路易·巴舍利耶（Louis Bachelier）提交了关于股票价格运动的博士论文。半个世纪后，未来的诺贝尔奖得主哈里·马科维茨（Harry Markowitz）与尤金·法玛（Eugene Fama）在市场理论与投资组合构建的量化化方面都取得了重大进展。他们共同搭起了一门“新科学”的脚手架，把定量的严谨性带到了华尔街。 然而，一个关键人物是爱德华·索普（Edward Thorp）。这位数学家利用统计学知识发明了二十一点的算牌方法。索普真的带着1万美元借款去了拉斯维加斯，并在一个周末就把资金翻倍（算牌：利用条件概率与牌库记忆提高胜率的策略）。后来，他又发明了可穿戴装置，用以预测轮盘球的落点。尽管这种做法并不合法，但它证明了：面对一个随机性问题，可以通过纪律化的方法获得更优结果。 最终，索普把才华投向了金融。他创立了普林斯顿/纽波特合伙公司（Princeton/Newport Partners，通常被视为同类中最早的对冲基金之一；对冲基金 hedge fund：采取多空与衍生品等灵活策略、以绝对收益为目标的私募基金），并几乎立刻取得成功。但探索量化方法的并不止他一人。1960年代末，富国银行（Wells Fargo）打破传统招聘圈，引入数学与物理学背景的毕业生，其中就有一位名叫费雪·布莱克（Fischer Black） 的年轻人。 ![](https://mmbiz.qpic.cn/sz_mmbiz_png/5HUkibFlfpic5BJfic17mftO42uTUnVTu6mC8pmt34FJTb4MspneYVQ5Mj5XMEhS69ThxQg9VythzX0SH2rGTJgCg/640?wx_fmt=png&from=appmsg) 罗伯特·利特曼与费雪·布莱克，1994年。 布莱克拥有哈佛大学应用数学博士学位。来到华尔街后，他像“离水之鱼”。尽管找到了少数志同道合者，相信高级建模能改善投资回报，但他在上世纪70年代仍离开私营部门，回到学界，在芝加哥大学任教。 他的时机恰到好处——芝加哥刚开设了新的期权交易所（options exchange，集中挂牌标准化期权合约的市场），学界对与衍生品（derivatives，以基础资产价格/利率等为标的的金融合约）相关的研究兴趣高涨。布莱克把华尔街的实务洞见找到了落地场景，并很快与人合著了如今家喻户晓的**布莱克—舒尔斯期权定价模型**（Black–Scholes model，现代期权定价的基石之一）。这使他一举成名。 事实上，1983年高盛首次组建量化策略团队（Quantitative Strategies Group）时，原本可以在内部众多人才中遴选负责人，但他们转而邀请了布莱克——而他也接受了邀请。 计算力的崛起 ====== 在20世纪70—80年代，华尔街已掌握可用于投资决策的数学模型“蓝图”，却还缺少让其大规模落地的技术条件。 进入1990年代后，计算机不仅更强大，也更便宜、更易获得。实际上，**1955—1990年间，计算能力提升了100万倍**。 这为变革提供了肥沃土壤。想想当时的飞跃：1990年代初，万维网（World Wide Web）刚刚起步；到十年末，谷歌与亚马逊已成立；至少 60% 的美国居民拥有电脑；史蒂夫·乔布斯回归苹果并推出iMac；Napster上线点对点（P2P）音乐共享，几乎颠覆音乐产业；对冲基金的受欢迎程度也迎来爆发式增长。 > 1955—1990年间，计算能力提升了100万倍。 量化投资的意外挑战 ========= 当然，量化投资的道路并非总是一帆风顺。1998年8月，长期资本管理公司（Long-Term Capital Management，LTCM）轰然倒下，震惊全球。它是一家高度杠杆化（leverage，利用负债放大头寸与收益/风险）的量化基金，从事套利交易与利率互换等策略。 最初的导火索来自克里姆林宫对主权债务违约。彼时，LTCM持有大量俄罗斯政府债券，亏损迫使其抛售其他头寸，引发进一步减值与“流动性飞逃”（flight to liquidity，市场参与者抛售风险资产、转向高流动性资产的连锁反应）。这是一个恶性螺旋。为了阻止危机蔓延，纽约联储协调出手，组织了37.5亿美元的纾困。 尘埃落定后，机构投资者在2000年代初继续配置量化策略。更强大的计算力让人们对机器驱动的投资更有信心。然而，机构投资者的信心再次遭遇考验。 2007年8月6日，全球一些最大的量化基金为弥补流动性较差资产的亏损，抛售了更具流动性的股票头寸（liquidity，指资产快速变现且不显著冲击价格的能力）。这触发了多米诺效应：其他**纯量化**基金不加甄别地跟随调仓，推动股价下行。尽管一周内价格回稳，但所谓的“**量化地震**”（Quant Quake，2007年8月量化策略集体回撤与拥挤交易的市场事件）已造成伤害。 市场信心受挫，资金从量化策略撤出。高盛量化投资策略团队（QIS）管理规模在高峰时曾达1650亿美元，至2012年降至380亿美元的低点。传统看法认为所有量化基金均同样表现不佳——但更细致的数据表明，事实并非如此。 > 我们团队从量化投资史中得到的教训很简单：让聪明的计算机与更聪明的人协同作战。 人的智慧，机器的智能 ========== 到2011年，“量化地震”最终促使高盛关闭了曾经显赫的Global Alpha基金。然而需要指出，Global Alpha是一只**纯量化**基金，人为干预有限。与此同时，高盛的**主动管理**量化策略——“带国家倾向的全球股票洞见”（Global Equity Insights with Country Tilts）——之所以得以保留，是因为它在2007年以及之后的新冠疫情期间表现更佳。独立机构的其他“人机结合”基金亦是如此：与纯量化策略相比，它们经受住了时间的考验。 在“量化地震”后的几年里，行业对问题进行了深刻反思。量化管理人重新评估了对**流动性**、**杠杆**与**拥挤交易**（crowded trades，过多资金拥挤在相同因子/标的/交易上导致相关性上升与同向风险） 的认识。大家提升了透明度，向机构投资者展示如何让自己的受托责任（fiduciary duty，受托人对客户利益的法定/契约性义务）与实际业绩相一致。换言之，当市场遭遇强逆风时，必须由经验丰富的投资专业人士接管方向盘。 正如本文开头所述，当我加入BMO全球资产管理时，我与新团队在这一点上高度一致。我们从量化投资的历史中得出非常清晰的结论：始终让聪明的计算机，与更聪明的人配合。我们也认识到，只有人类才能真正了解机器的边界。 信息更多，或处理信息的能力更强，并不自动意味着更明智的决策；你还需要恰当的**语境**与判断。算法的确能让投资世界更易理解，但模型由人来建立，代码由人来编写，最终也应由人来决定哪些问题值得被解决。