16位顶尖对冲基金大佬:畅谈量化投资的下个10年!

好买说:获取大量数据和先进技术是现已成为新的趋势,未来领先的定量分析公司将以更快的速度,从更大的数据库中,以更多样化的方式利用机器的能力,来定位他们的创造性人才和加强协作将给跨团队和跨区域带来关键优势。以下是Justina Lee采访的16家全球顶尖的量化对冲基金公司。

在过去的10年里,这些全球顶尖的对冲基金公司凭借对金融算法模型的高度追求,赚的盆满钵满。他们改变了股票市场(交易)的游戏规则,主导着量化金融这个行业!

Justina Lee采访了16家全球顶尖的量化对冲基金公司,总结下来用几个关键字说明:

另类数据、人工智能、价值投资

量化人才、策略多元化、ESG

下面让我们来看看各位大佬的回答!

许多基于量化因子的投资策略,尤其是价值因子,最近都经历了艰难时期,这导致一些人质疑它是否失灵。一种常见的批评认为,价值不再像许多人所知道的那样有效。但简单的认知不会扼杀一个策略的存在。

我们发现,当前的价值价差是历史上最大的。换句话说,与历史相比,现在的价值显得相当便宜,更像是一种不受欢迎的因子,而不是大多人追逐的因子。虽然我们警告不要过多地使用“因素择时” ,但今天我们建议适度地向价值倾斜。

与价值等众所周知的因子相比,新因子更容易受到数据挖掘的影响,价值等因子在许多资产类别上都有强有力的长期证据。众所周知的因子是有原因的,我们不应该轻易抛弃它们。

换句话说,量化投资的未来应该包括对新事物积极且持续的探索,但也要反思和总结过去。

首先,我认为我们将看到量化方法(即基于先进的数据科学和技术的方法)在金融市场中发挥越来越大的作用。大家都看到了如何将这些方法有效地应用于股票投资。下一步可能将这种方法扩展到数据丰富的领域,如PE和VC。

一些公司已经在探索如何以量化的方式分析交易。另一些公司正在应用复杂的数据科学方法,以提高其投资组合的盈利能力。做出这一转变需要投资者以一种不同常人的视角来对待他们的工作。但我们认为,市场机遇比这种努力更有价值。

其次,随着越来越多的金融机构采用机器学习等AI技术,很明显,人才和有效的团队合作将是这些手段实现的基础。

同样重要的是经验丰富、聪明、有创造力的研究员,他们可以从众多的机器学习技术中选择并开发出能够产生真正价值的方法。但自相矛盾的是,在可预见的未来,机器学习的进步可能更多地依赖于我们自己,那些对金融感兴趣、在计算科学、统计和建模方面有高超技能的人们。

在某种程度上,量化投资的未来很容易预测:由更简单、更容易理解的线性策略产生的Alpha将逐渐消失,而更新、更复杂的策略将产生更高的Alpha。这些新策略(其中许多是非线性的、基于机器学习的)对大多数市场参与者来说很难开发,而且不会立马展现出其优势。海量的新数据为我们提供了许多测试Alpha的机会,但大部分数据可能没用。最后,继续向更细分的量化投资领域推进,将被证明是一种有利的契机。

在这一切的背后,最优秀的量化分析师将继续变得更有效率,尤其是在交易领域。这可能使得某些基金经理能够利用其他人根本无法获得的机会。

更多的基金经理将投身于大数据的潮流中,尝试把握市场机遇,或者发现价格中的错误。投资者最好拥有一个稳健的投资框架,避免陷入追逐虚假数据模式的陷阱。我们认为,由公开竞争的资本市场确定的市场价格是对未来最完整的预测。通过利用市场价格中的信息,并通过实施措施增加价值,投资者就可以追求更高的预期收益,而不必去猜测市场。

投资者组建ESG的愿望将通过系统方法得到很好的满足。投资者对ESG考虑因素需求的增加,与系统化的方法相匹配,通过对投资过程中提供ESG的广泛整合,使投资者保持多样化,并专注于收益驱动。

系统化的债券策略将取代Bond Kings。投资者希望多样化、更高的预期收益率和更好的风险控制,他们不想要惊喜。像Dimensional自1983年以来所做的那样,对固定收益采取系统化的方法将有助于投资者更好地实现他们的目标。

Eddie Qian发明了多元资产风险平价,他将在有生之年看到,未来所有现代投资组合(不仅是全球多元资产,还包括固定收益、股票和大宗商品投资组合)的风险权重将占据主导地位。

机器学习在股票价格上的应用将会失败,价格没有记忆!机器学习会导致过拟合、反直觉的预测、不合逻辑的集群和虚假的结果。在面对面的高管会议中,将机器学习(自然语言处理:NLP)应用于CEO的聊天室情绪,将被证明比基础分析师更有效的预测。具有层次且相互作用的树结构(随机森林)将证明有价值的因果关系和目标基本变量(而不是价格)

在未来,固定收益量化分析将有着光明的前景!

量化分析师将拥有ESG。有些ESG指标是Alpha增强的,有些则不是。从大型欧洲机构开始,ESG的前景将演变成多种方式。首先,实体会描述他们对特定ESG的tilts。其次,Quants将对这些特定ESG的tilts模拟Alpha增强。第三,实体将规定他们的ESG风险与Alpha收益偏好。第四,量化投资者将创建有条件的最优投资组合,以及实现自定义或第三方基准。基础分析师在结果和价格上都无法达到这样的效率。

成本压力是一把双刃剑。许多投资者现在更愿意节省几个点的费用,而不是寻求100个点的超额回报。但研发不是免费的,创新的步伐可能会放缓,但不会停止!资本将集中于投资管理业务。我们将看到在未来资产管理公司数量逐步减少,而这些公司的管理规模(AUM)将越来越多。

那么,Quant创造了什么?未来又会有什么惊喜呢?正如传统分析师和基金经理有一个巨大的盲点,他们忽视了在我们的投资决策中剔除情感因素的力量。“对于一个拿着锤子的人来说,所有的东西看起来都像是钉子。对于一个量化分析师来说,任何不能被量化的东西都会被忽略。历史数据是我们的指南针,尽管我们知道过去的表现并不能代表未来”。

量化投资者追逐的不是最新、最热门的股票或基金的表现,而是历史表现最好的因子和策略。不做Fama-French归因,可能发表不出一个新的想法,以确保这个想法不是另一个伪装的价值、规模或动量因子。回答这个问题没有压力,ME这类策略或因子仅仅因为它变得更贵而获胜吗?任何(相对于市场而言)近期变得高价的股票,过去的收益率都可能极高,而未来的收益率则可能平平(甚至更糟)。

未来10年,金融顾问将使用“因子”语言,在数百个甚至数十万个账户上创建定制投资组合。个人会更注重结果,因为他们有各种各样的因子,有价值有动力地增加他们的储备金,或者对于最小波动性或质量等因子更具防御性。从现在到未来,金融机构将通过各种因子来审视自己的投资组合,从现金、股票到投资组合等。他们将越来越多地利用各种因子,以最大限度地降低意外风险,实现多样化。

随着量化研究先驱们发现的技术越来越多,该行业的领导者和学术前沿将把重点放在创建模型上,这些模型不仅基于历史数据,还基于对人类行为等更多数据。过去的模式可以用来预测未来的价格,但在无数情况下度量和分析人类的偏见,将产生一套全新的模型,更不容易受到过拟合和拥挤的干扰。这些技术不仅将是投资行业的专利,而且还将被政策制定者和央行所使用。

投资者越来越多地反映出社会日益增长的期望,即企业需要做的不仅仅是盈利。但是,目前用于评估非财务绩效的框架是不充分和不一致的。量化技术也将有助于ESG标准化,使投资者能够根据有意义的数据做出选择。

随着这些量化技术注入行业,它们的特点也将随之改变。与学术界的联系将进一步加强。对明星经理的崇拜将会消退,因为技能可以更好地与运气分离,公司也会接受,成功的量化投资需要团队协作。

未来10年投资面临的最大挑战将是:在收益率较低、更难实现多元化的世界里,资产所有者如何战胜通胀?量化方法在这方面可以发挥关键作用,无论是在生成收益流方面,还是在降低某些收益的价格点方面。投资者早就明白,他们不需要为广义的市场β系数买单。我们建议他们也不必为β因子的静态暴露而支付费用。

追踪像标普500这样的大盘指数,本质上并不比追踪价值股指数更复杂,因此我们认为这些Smart Beta产品的价格点将降至零,甚至更低。这有效地移动了Alpha和β之间的分界线。资产所有者应该为廉价因子收益所特有的收益率支付费用。

 

十年内不会真正有一个单独的“量化”类别——重要的是系统β和特有Alpha的结合。

随着科技在金融领域应用的持续增长,我们认为量化投资行业正变得越来越主流。该行业处于独特的地位,能够支持投资者日益增长的定制需求。机构投资者变得越来越老练,他们正寻求少数具备各种能力的管理者建立更强有力的伙伴关系。

我们还听到投资者对他们的投资组合及其在当今宏观经济条件下创造收益能力的担忧。随着波动性和不确定性的增加,他们越来越意识到非相关流动性替代品(如量化策略)的重要性。事实上,随着我们在市场上看到越来越多的参与者,捕捉Alpha无疑是一个挑战。我们认为,这可以通过继续投资研究、技术和另类数据的使用来抵消。丰富的新数据集为量化研究提供了机会。然而,管理者的经验仍然是从噪声中有效提取持久信号的关键。

未来十年,我们预计在投资过程中,科技和量化模型的使用将进一步增加。这在交易策略的设计和执行上都是正确的。随着创新数据集的出现,大数据或另类数据的使用将会使新的策略将会不断涌现。大多数基本面投资者将熟悉量化策略的原理,并将其纳入他们的投资过程。这将导致传统的量化策略(如因子)失效并变得越来越不稳定。投资环境将会充满被动,这将增加市场脆弱性,并使其更容易出现尾部事件。下一次严重的经济衰退将对新的市场结构进行压力测试,这可能会导致大范围的失败。根据历史数据的量化模型将无法预测这些事件。危机过后,投资者和管理者将致力于在投资过程和流动性方面重新引入更多的人力监督和自主决策。

大量的数据、几乎无限的计算机处理能力、廉价的存储和开源计算机代码,这四个驱动因素意味着大量投资将是数据驱动的,因此,量化投资是有充分理由的。

要处理海量数据,你需要资源、技术人员和数据预算。因此,小的机构找到一个优势将是非常具有挑战性的,而且进入的门槛将会提高。我们认为要么整合,要么其倒闭,这是未来的趋势。与此同时,由于现在有太多不同的数据集,管理者之间的收益差异将会扩大。每位管理者将变得更加独特,而不是全部针对相同的风格或因子。

传统的量化策略有拥挤和被干扰的风险。公司的结构和商业模式已经改变,从有形资产转移到无形资产。我们的愿景是估值是一个重要的驱动因素,也许你需要提出比过去更先进的定义,并考虑到这些新的发展。

量化技术的下一个十年是关于挖掘(度量)和方法论。通过挖掘,们将找到新的方法来量化许多“模糊”的复杂概念,如偏差和选择。如果你不能度量(衡量)量某事,你就不能管理它。未来量化指标的成功将是如何衡量金融领域的新领域。这不一定是做一些新事情,而是有一个新的视角。简单的例子就是今天我们如何定义度量标准来检验更为软性的概念,如公司治理、包容性等。不仅仅是数据,成功的关键在于你如何收集数据,你可以从中挖掘出什么,以及你如何使用它。

过去几年,增长溢价显著上升,现在远高于平均水平,使价值相对更具吸引力。我们相信,我们可能会看到价值相对表现的反弹,其长期表现深深植根于人类行为,并可能持续下去。增长可能面临的阻力包括监管审查的增加、快速发展的技术挑战现有的商业模式以及相对于当今价值的增长估值过高。时机尚不确定,但鉴于过去10年是有记录以来增长表现最好的时期,我们猜测价值的时代即将到来。

 

获取大量数据和先进技术是现已成为新的趋势。量化方法正在整个投资行业中传播,并将成为现状。只有那些拥有真正独特发现和决策方法的公司才会脱颖而出并保持领先地位。

未来领先的定量分析公司将以更快的速度,从更大的数据库中,以更多样化的方式利用机器的能力,来定位他们的创造性人才。加强协作将给跨团队和跨区域带来关键优势。

我们被越来越多的数据所淹没,错误地感知不相关事物之间的联系和意义。技术和人类知识已经帮助分析师在大数据集中分离出重要内容。他们已经发现了一些相表现优异的因子,这些因子会随着时间的推移而增加风险-收益比。

下一个挑战是量化分析师在数据少得多的其他领域中寻找相关指标,如宏观新闻。预测将被实时预测所取代。量化分析师还致力于为ESG评分定义正确的规则,以一致的金融行动和现实世界的影响为目标。更重要的是使数据有意义!Quantamental(量本投资)将在未来更受瞩目!

免责声明:本文转载自量化投资与机器学习,文章版权归原作者所有,内容仅供参考并不构成任何投资及应用建议。

风险提示:投资有风险。相关数据仅供参考,不构成投资建议。投资人请详阅基金合同和基金招募说明书,确认您自觉履行投资人的各项义务,并自行承担投资风险。

版权所有 好买Copyright © howbuy.com, inc 2014. All rights reserved. [沪ICP备08003295号]

关于好买私募 | 联系我们 | 诚聘英才 | 使用条款 | 隐私条款 | 风险提示