資產(chǎn)管理中的研究挑戰(zhàn)
發(fā)布時間：2021-02-17 | 來源: 川總寫量化
作者：石川
摘要：真·大佬 Ken Griffin 和 Cliff Asness 在 AFA 年會上討論資產(chǎn)管理中的研究挑戰(zhàn)。
在剛剛過去的 2021 AFA 年會上，有一個 panel session 格外引人注目。該 session 的題目是 Research Challenges in Asset Management，由來自 Yale 的 Tobias Moskowitz 主持，而 panel 嘉賓則是身為 Citadel CEO 的 Ken Griffin 以及 AQR co-founder 的 Cliff Asness。
在時長 90 分鐘的 session 中，圍繞著學術(shù)研究如何幫助資產(chǎn)管理的各種問題，兩位大佬給出了精彩的討論，結(jié)合 Moskowitz 的穿針引線，讓人聽完很受啟發(fā)。
本文就對其中的核心觀點進行梳理。在接下來對問題的描述以及對兩位大佬回答的闡述上，本文不選擇直譯，而是會用我的語言高濃縮的概括核心觀點。參考文獻中給出了 panel session 的視頻連接，供感興趣的讀者查詢。
整體 session 聽下來，Griffin 談吐從容、觀點犀利，較 Asness 更勝一籌，且頻頻拋出金句。因此，下文也在適當處會直接引用 Griffin 的金句，供小伙伴體會。
好了，讓我們開始吧。
Moskowitz 拋出的第一個問題是……
Q1. 資產(chǎn)管理中有很多尚待回答的問題。二位如何看待學術(shù)界在這方面能起到的作用？
Asness 提到的第一點是投資中最重要的問題是識別 structural break（e.g. 是否這一次不一樣了？），但是目前沒有一套自洽且統(tǒng)一的方法來檢驗，因此只能通過一次性假設(shè)（one-off hypothesis）來檢驗。這么做的缺陷是，人們無法考慮所有的可能。
面對潛在問題，AQR 的做法檢驗他們能夠想到的一切 one-off hypotheses，如果不能發(fā)現(xiàn)任何單一原因證明出現(xiàn)了 structural break，那么他們就假設(shè)沒有出現(xiàn)變化，進而繼續(xù)堅持原有的策略。Asness 強調(diào)，這并不意味著他們就一定對了，只是缺乏更好的工具來應(yīng)對這個問題。
對于 Asness 說的這一點，我想補充的資料是 AQR 關(guān)于價值因子是否已死的討論，他們通過系統(tǒng)性地檢驗多個 one-off hypotheses 得到結(jié)論認為價值并沒有死。公眾號之前對此也進行了解讀，鏈接在此。
對于這個問題，Asness 的第二點是人們往往難以在實盤中堅持在回測中看上去很好的策略。人們對于回測中策略的回調(diào)似乎能欣然接受，這是因為他們看到在回測中策略又繼續(xù)上行。然而在實盤當中則是完全不同的。他認為人們對回測和實盤的心理感受的差異造成的交易行為如何影響市場有效性，是值得研究的。
Griffin 認同 Asness 的看法，并指出對于任何策略，瞬息萬變的世界如何影響策略的預(yù)期收益是非常重要的問題。他以近年來大量資金從主動管理涌入被動管理這一現(xiàn)象為例，拋出了一系列靈魂問題：這個現(xiàn)象對金融市場影響幾何？對證券如何吸收信息影響幾何？在主動管理規(guī)模日益被被動投資蠶食的背景下，如何維持金融市場的價格發(fā)現(xiàn)和資本配置的作用？Griffin 認為這些問題對 policy maker 格外重要。
他舉例說，比如在去年 COVID 初期，為了維護金融市場穩(wěn)定，世界各國市場都禁止做空，這影響了價格發(fā)現(xiàn)。在他看來，主動和被動投資之間應(yīng)該存在某個均衡點（equilibrium point）。太多的被動投資（超過均衡點）絕非最佳答案，它會破壞金融市場的結(jié)構(gòu)，影響價格發(fā)現(xiàn)。
The world cannot end up one hundred percent passive. —— Ken Griffin
Q2. 你們的團隊如何使用學術(shù)研究成果？
對于這個問題，Asness 的回答非常 AQR-style。他說 AQR 幾乎會閱讀所有高質(zhì)量期刊的論文（包括業(yè)界的期刊），不放過任何可能影響他們的研究成果。AQR 有一套行之有效且標準化的流程來復(fù)現(xiàn)學術(shù)研究。
Griffin 的回答則更有開放性和給人啟發(fā)。他答道 Citadel 把研究成果分門別類，比如 data science、econometrics、machine learning 等。一旦出現(xiàn)能夠推動知識進步的革新性最新研究成果時，他們的研究能力保證他們迅速的采取行動：
We can move really quickly when we see what we perceive to be a game-changing evolution in the body of knowledge of humanity. —— Ken Griffin
在 Griffin 看來，學術(shù)論文對知識水平的高低和靈感來源同樣重要；Citadel 產(chǎn)生的大量想法并非源自讀了某一篇論文，而是從大量論文中獲得的靈感在之后開花結(jié)果。
上面兩個問題過后，嘉賓漸入佳境，Moskowitz 也有針對性地向他們二人各自拋出了一個問題。首先是對 Griffin。
Q3. 學術(shù)研究往往關(guān)注流動性和提供流動性。關(guān)于這方面的研究，業(yè)界有什么建議？
Griffin 指出對于股票市場，有足夠多的數(shù)據(jù)和信息（涉及所有國家的每一筆交易），因此股票市場沒有太大的問題。有問題的是缺乏透明度的市場，比如債券。這方面他的訴求是希望學術(shù)界的研究能推動每個資產(chǎn)類別的實時報告，以便人們擁有更好的數(shù)據(jù)，以了解不同市場制度下的流動性和流動性變化。
One of the underpinnings of successful markets of vibrant markets is transparency. When you have a market that has a richness of information, people have more confidence how the market functions, people are more willing to transact in such market and everyone who's part of that market is a winner. —— Ken Griffin
接下來是拋給 Asness 的問題，關(guān)于因子投資。這個問題雖然是拋給 Asness，但兩位大佬就這個問題你來我往，金句頻出。
Q4. 過去 10 年出現(xiàn)了因子擁擠、因子動物園等問題，你對今后因子的預(yù)期收益率有何看法？
關(guān)于這個問題 Asness 洋洋灑灑說了一大堆，總結(jié)起來有以下幾點：（1）金融學先驗 + 樣本外測試至關(guān)重要。（2）因子動物園這個概念被 oversold，因為學術(shù)界羅列的大部分因子都來自有限的幾類（比如 500 個因子里面有 200 個不同版本的價值因子、100 個不同版本的動量因子），當然仍然要正視過度挖掘的問題，此外人們要對因子的預(yù)期收益率有合理的預(yù)期，rule of thumb 是實盤只是回測的一半。（3）擁擠是一個大問題，且最近幾年 long/short valuation spread 也在增加。
此處，Griffin 補充說，如果實盤能達到回測的一半，那就是巨大的勝利：
Anyone who wants to get 100 percent out of sample is out of their mind. Random luck of the draw will happen, but it will not happen as a function of wow you have some brilliant research process. —— Ken Griffin
Griffin 繼續(xù)談到他們經(jīng)常思考如何改進研究流程以降低過擬合的影響，并指出如果機器學習用法不當，那么它就變成了 capital reduction 而非 capital generation process。他強調(diào)了無論是傳統(tǒng)方法還是機器學習，他都看中基于檢驗的研究（hypothesis based research）。他強調(diào)了通過假設(shè)檢驗發(fā)現(xiàn)因果關(guān)系的重要性，并反復(fù)強調(diào)他要的是因果關(guān)系而非僅僅是相關(guān)性：
When we have hypothesis upfront, we see it come through in the data, we see the causality, we are far more confident that we are on a path that will lead to somewhere than just an ad-hoc correlation that looks really attractive. —— Ken Griffin
對此，Asness 的看法和 Griffin 一致。他談到 AQR 有很多數(shù)據(jù)，很多地方可以應(yīng)用機器學習。然而，AQR 使用機器學習是因為存在理論依據(jù)，而非源自實證原因（如挖掘非線性相關(guān)性）。
談到因子投資，AQR 的一系列多因子產(chǎn)品在近年來的慘淡表現(xiàn)眾人皆知，而 Asness 之前也多次撰文，通過數(shù)據(jù)客觀分析這些策略的表現(xiàn)。Griffin 對 AQR 和 Asness 在這種處境下表現(xiàn)出的自省和對投資人負責的態(tài)度表示了極大的肯定：
In the area of factors, I read some of Cliff's letters to investors and I give Cliff credit for the intellectual honesty in what he writes.?AQR has had some tough runs in the last couple of years against a phenomenal history and yet the intellectual succinctness and ownership of that is rare to find in the business.?It's important to have that intellectual clarity because it allows you to remain open to how you can improve what you do. —— Ken Griffin
此外，Griffin 補充了 one-time event（如 macroeconomic shift）對傳統(tǒng)因子投資的沖擊。他舉例說，由于疫情的沖擊 American Airlines 出現(xiàn)了虧損。一旦疫情被控制，航空業(yè)復(fù)蘇后，它就會重新盈利。因此，從 forward-looking valuation 的角度來說，因子投資會把它視為成長股。但是投資人真的會把它視為成長股嗎？投資人會認為它和諸如 Amazon、Zoom、Google 以及 Facebook 這些公司一樣嗎？
之后 Asness 也談到了科技更迭（以及這個過程被 COVID 極大加速了）對因子投資的影響，以及如何識別這種影響。Asness 的回答主要是以價值因子為例論述，小伙伴請閱讀《價值因子已死?》。除此之外，Asness (2020) 最新的文章研究了除價值因子之外的其他因子（包括動量、質(zhì)量和低波動）在美股上最近的慘淡表現(xiàn)。
Asness (2020) 這篇小文非常值得一讀，尤其是 To the Pain 一節(jié)。Asness 通過自述形象地刻畫了一個非完全理性的普通人（我們都是這樣的人）在面對回撤時的心境。讀完此文給我的感受是：Every Cliff Asness needs his own John Liew（讀完 Asness (2020) 你就能明白我在說什么）。
接下來 Moskowitz 延伸發(fā)問：
Q5. 我們談?wù)摿撕芏?，其中包括?shù)據(jù)的重要性，這是否意味著數(shù)據(jù)本身已經(jīng)成為了一種昂貴的資產(chǎn)？另外是否意味著要使用新的估值方法？
Griffin 首先說道，最近幾年，revenue over employee 似乎是個很好的因子，圍繞著知識產(chǎn)權(quán)和數(shù)據(jù)的護城河在持續(xù)增長。對于數(shù)據(jù)的重要性，他以 Tesla 為例指出每天在路上行駛的每一輛 Tesla 都無時無刻的不在收集信息和數(shù)據(jù)，這為他們提升自動駕駛技術(shù)提供了巨大優(yōu)勢。他認為這種巨變將持續(xù)產(chǎn)生作用。
Asness 認為翻天覆地的變化不假，但相關(guān)資產(chǎn)一路走高的背后也有 behavioral stories —— 人們過度外推了過去 3 – 5 年的情況。這個情況可能依然會持續(xù)很長一段時間，造成相關(guān)資產(chǎn)繼續(xù)走高，但“很長一段時間”并非“永遠”。不過他也打趣到，即便在金融領(lǐng)域之外，這個世界也沒有好到哪去，也沒有比金融領(lǐng)域更加理性。
大佬的回答似乎沒有滿足 Moskowitz，他繼續(xù)追問道：
Q6. 這會改變你們對模型的看法嗎？是否會改變你衡量事物的方式？
Griffin 指出他們在研究如何把這些新的變化、新的概念融入到他們的模型之中。舉例來說，如何評價瘋狂的 Elon Musk（他用的詞是 audacity）？你的 audacity 因子又是怎樣的？
A lot of the success stories over the last 20 years have been won by those who are just more audacious. —— Ken Griffin
Moskowitz 最后對這個問題做了小結(jié)：面對全新的數(shù)據(jù)，學術(shù)界開始思考全新的估值的方法，以及預(yù)測收益率和管理風險的方法。得到更快、更準確的測量是學術(shù)界的研究目標。
在接下來的兩個問題中，Moskowitz 改變了發(fā)問的方向，均涉及決策者。
Q7. 學者們希望自己的工作能夠影響政策。在資產(chǎn)管理方面，你認為學術(shù)界能為哪些決策者提供一些有用的證據(jù)，以幫助他們做出更明智的決策？
Asness 和 Griffin 同時使用 ESG 投資作為反例。他們認為 ESG mandates 并非約束相關(guān)投資的最佳辦法，反而造成了市場的非有效性。他們強調(diào)決策者應(yīng)該時刻考慮解決這個問題最經(jīng)濟有效的方式是什么，而學術(shù)界的研究應(yīng)該以提供這方面的證據(jù)為目標。
How economically inefficient trying to achieve some of these policy goals are by having ESG mandates? A carbon tax will do far more to deal with the efficient production or reduction of production of carbon than an ESG score from XX agency that says you shouldn't buy the stocks of a natural gas producer. —— Ken Griffin
We should be trying to solve those for a policy perspective right down the fairway rather than through very attenuated indirect methods by creating ESG mandates for capital around the world. —— Ken Griffin
Q8. 決策者往往試圖在危機發(fā)生時來控制危機的影響。這方面學術(shù)研究能否助一臂之力？
Griffin 認為，危機來臨時，學術(shù)界在第一時間（real-time）通過數(shù)據(jù)和客觀事實幫助決策者設(shè)定 narrative 和 policy response 的基調(diào)至關(guān)重要。這里插一句，去年 Robert Shiller 的新書《敘事經(jīng)濟學》引起了很大的反響，它分析了故事如何傳播并推動重大經(jīng)濟事件，這些故事可能會改變?nèi)藗儗?jīng)濟事件的決策方式。對于正確決策而言，客觀的數(shù)據(jù)和時效性二者缺一不可。
Time is of the essence because the policymakers will in some sense be driven to a narrative by the popular press or will be driven to a narrative by certain entrenched interests and having facts and having academic research substantiated by really powerful facts helps to make sure that we make the right decisions as a society on what our thoughtful regulatory frameworks. —— Ken Griffin
Asness 指出道德風險也是需要考慮的。對于決策者而言，拯救危機的 pay-off function 是非常不對稱的。當采取了決策并控制了危機，他可能也不會被當成英雄；但如果沒有采取措施進行補救，他一定會為此背黑鍋。因此決策者往往會采取措施，盡管有時選擇不救助可能是更正確的應(yīng)對。
針對 Griffin 的時效性的觀點，Moskowitz 補充說 COVID 是實時高質(zhì)量研究的例子，而且其中有一些研究和經(jīng)濟學以及資產(chǎn)管理密切相關(guān)。這種在危機出現(xiàn)時第一時間就同步出現(xiàn)的研究是他從來沒有經(jīng)歷過的，在他看來是史無前例的，其中的原因可能是全世界在 COVID 面前空前一致的共享了數(shù)據(jù)和信息。他詢問二位大佬是否了解相關(guān)研究以及這些研究是否對二位應(yīng)對當下的危機起到了幫助。
Griffin 提到 Citadel 的 biotech team 追蹤了相關(guān)研究結(jié)果并把其中最重要的觀點和基金經(jīng)理分享。除此之外這些研究對維持安全的工作環(huán)境也至關(guān)重要。高質(zhì)量的研究成果在很多方面都起著巨大的作用，例如了解病毒的變種如何以及是否影響當前的疫苗？變種病毒在美國傳播的速度將會怎樣？這將如何影響 GDP？學術(shù)界關(guān)于 COVID 的實時研究發(fā)現(xiàn)對回答這些問題至關(guān)重要，發(fā)揮的作用涉及投資組合管理有關(guān)到生命安全決策的方方面面。
在討論的最后，Moskowitz 從聽眾留言中挑選了幾個代表性問題進行了發(fā)文。以下選取兩個。
Q9. 你認為使用機器學習的最大好處是什么？是與交易信號相關(guān)的研究嗎？還是和風險管理或者交易算法相關(guān)？你在哪些地方進行了廣泛的研究？
Asness 強調(diào)了使用機器學習的必要條件：（1）有足夠多的數(shù)據(jù)；（2）機器學習的可解釋性。他舉例說 AQR 使用機器學習預(yù)測信用違約以及決定 rolling positions。對于前者，其中有很多非線性關(guān)系，而機器學習能夠發(fā)現(xiàn)它們；而后者則更加偏實證。如果實證結(jié)果非常顯著，那么他對先驗邏輯的要求就低一些；如果實證結(jié)果一般，那就要求更多的先驗邏輯?？偟膩碚f，機器學習能在不同的地方發(fā)揮作用，但在 Asness 看來，它并不是發(fā)現(xiàn)下一個 Google 的靈丹妙藥。
Griffin 同意先決條件是有超級多的數(shù)據(jù)，他舉例說 Citadel 擁有 petabytes 這個量級的數(shù)據(jù)集，并認為如今大量所謂的機器學習應(yīng)用中并沒有足夠多的數(shù)據(jù)：
People are lured into thinking that what they are what they are doing has substance and it just doesn't. There is not enough data there.?You are better off in the world of just simple regressions and understanding the problem from a holistic perspective than just relying upon what the machine kicks out the other end of the process engine. —— Ken Griffin
此外，Griffin 還強調(diào)了數(shù)據(jù)的平穩(wěn)性（stationary）：
When underlying process is stationary, machine learning is much more powerful because it's able to find the patterns. —— Ken Griffin
對此，他舉例說自動駕駛算法在美國南方比在美國北方更有效，為什么？因為北方有暴風雪。Asness 補充說，人們都知道 alpha go 的神跡。然而如果要問未來兩年應(yīng)該持有哪些股票，比起國際象棋來說，這個問題更像是在暴風雪環(huán)境下研究自動駕駛。
Q10. 你們是否在風險管理和壓力測試上投入很多研究？
Asness 強調(diào)短期尾部風險和長期的風險管理就像火和冰一樣，但同樣重要。說到這里，他還調(diào)侃了一下之前在網(wǎng)上和 Taleb 的互懟。他說業(yè)界事實上非常了解 fat tail 和尾部風險，并非像某個大佬想象的那樣。
Asness 承認，某個策略不好的表現(xiàn)通常持續(xù)（會 trend，且 trend even more than one can think）。因此對于多因子策略來說，如何應(yīng)對長時間（幾年這個級別）的回撤（比如價值因子多年的失效）也是風險管理的重要方面。
（完）
以上就是我對這個 panel session 的梳理。希望其中的某些觀點能對你有幫助。如果有條件，我也強烈建議去聽一聽，相信會有不一樣的收獲。
參考文獻
Asness, C. S. (2020). A gut punch. AQR research note.
https://www.youtube.com/watch?v=8r39Q-VgXeA
免責聲明：入市有風險，投資需謹慎。在任何情況下，本文的內(nèi)容、信息及數(shù)據(jù)或所表述的意見并不構(gòu)成對任何人的投資建議。在任何情況下，本文作者及所屬機構(gòu)不對任何人因使用本文的任何內(nèi)容所引致的任何損失負任何責任。除特別說明外，文中圖表均直接或間接來自于相應(yīng)論文，僅為介紹之用，版權(quán)歸原作者和期刊所有。