行为经济学的应用 (4) 机器与人性 中篇

2017 0728 James

 

本文接续上篇主题，从人脑到电脑，继续讨论几个常见的自动化机器决策投资方法，主题包括程式化交易、演算法交易、量化投资、智慧选股、AI 投资，以及高频投资，以简要易懂的方式，讨论这些投资方法的原理、优点、局限、与风险。

 

本次重点摘要

• 程式化交易 (Programing Trading) ~ 技术指标的局限
• 演算法交易 (Algorithm Trading) ~ 即时演算寻找某种规律的理论局限，经济预测方法的局限，结构性转向频繁发生，人为介入又成了关键
• 量化投资 ~ hedge fund 走下神坛、financial model 不是万能通用的
• 智慧选股、大数据选股 ~ 电脑处理历史资料很方便，但如何评估未来才是困难
• 区别 交易、投机、投资 : 自己在从事哪一种行为，获利来源与依据何在，潜在风险如何，对于他人或市场的影响又如何?

   

  3. 程式化交易 (Programing Trading)

  原理是事先定下买卖规则，例如某些技术分析指标，写入电脑程式，当市场变动资讯 (如量、价) 触及这些规则，就由电脑自动下单买卖。

   

  设计的主要目的在排除人类主观的判断，仅依据事前设定的规则来买卖。不过这特点有好有坏，如果投资交易有固定公式可循，当多数人都依照公式，那针对公式提早一步出手的人就能稳赚不赔，这个概念，造成各式各样的「已知」交易规则经常会失灵。此外，技术分析的一种是观察线图变化，但线图要怎样画，连接哪两个点，横看成岭侧成峰，向来具有高度的主观，或者经常出现多个技术指标互相冲突时该选用哪一个指标，技术分析老手常称此时主观判断的功力就是高下所在，而这些存乎一心的微妙判断就不是机械化公式能掌握，人为决定又扮演胜败的关键。如果坚持排除人为决定的机械化程式交易，就只能从历史资料的回测中去寻找最 optimize 的规则，但无法保证未来市场走势也能依照这个规则前进，这是此模式的核心矛盾。

   

  比起人工交易，电脑处理的明显优点是可以自动化处理大量且复杂的交易指令，这个优势较无争议。例如在某个价位区间内，快速买卖数十档或更多的股票，传统人工交易员的专业(例如记诵股票代号、Key 单又快又准、判断日内价位有敏感度、分批下单避免被对手看穿等) 就很容易被电脑所超越，但这部分不是投资决策，只是交易执行的技巧。

   

  值得注意的是，过去交易员与基金经理各司其职，交易员负责极短线的执行(Execution) 绩效，基金经理则要负责较长期的投资 (Investment) 绩效，两者功能不同，决策方法也不同。但随著电脑自动交易与衍生性商品的普及，开始也有基金的操作策略完全根据程式化交易来进行，或追求略高于五成的短线胜率，或追求小输大赢，累积起来追求较高的报酬期望值。这样的操作方式，是把交易执行的获利当作「投资」报酬，但这层意义上已经失去投资的本质内涵。

   

  这类型「基金」通常透过私募基金、避险基金、或私下筹资的方式进行，避免向公众公开募资，以省去较严谨的证券监理规定，毕竟这样的操作方式，脱离基本面分析的投资评估，越来越像数学游戏、或者下注胜率的博彩。就整体市场而言，当越来越多的交易指定来自短线的execution 考量，根据投资对象中长期前景而来的长线买卖力量就会受到稀释，甚至形成反淘汰，类似问题在接下来的几个主题中会不断出现。

   

  4. 演算法交易 (Algorithm Trading)

  原理上，利用计量模型来设计演算法，以追踪交易标的，就是演算法交易。

   

  操作的方法，主要透过数学运算与统计分析，从历史的交易资讯 (通常指交易价格与交易量)中，寻找某个、某些变化的规律，尤其是还没有被发现的规律， 交易者就能顺著或逆著(顺势、逆势) 这个规律进行操作，超越传统技术分析的公开已知规则，演算法交易也可看成是进化版的程式交易。

   

  举例 : 即时盘中演算优势比 (Odds ratio)

  优势比或胜算比是统计学概念，拿Bernoulli 成功失败的二元随机变数模型，多空价格取对数后，就会将价格的累进记忆性线性化，出现常态分布的性质。这个数据的多空讯号具备资讯内涵，如下图：上半是随机抽一天的原始台指期秒价格，下方是每180秒移动计算的 log(Odds)：大于2是做空讯号，小于 -2 是做多讯号，画圈圈的是交易区。正负2不但是很简单的指标，而且是领先指标，对于交易员而言，这就是 买/卖/出场 的讯号，把这个讯号写进程式监控、自动交易就可以，从而就能减少交易员的工作量，甚至取代交易员。 (引用自: 何宗武教授)

   

  上述例子所运用的数学方法，对于研究生而言难度不算高，但对于脱离学术生活日久的市场参与者，或从未受过相关数学训练的一般投资者而言，看起来就已经很复杂难懂。实际上，其设计原理跟技术分析中寻找过热或过冷的讯号，概念类似，只是传统技术分析只追踪到日资料，而今日电脑资料处理能力更强大，可以缩短到以分钟、甚至以若干秒钟为单位，透过盘中即时演算的强大运算功能来提供超越对手的资讯，从这些极短期的价格波动中寻找多空规律，并且即时作出交易反应，在同一天内进行多次的买进卖出，累积小金额成较大金额、追求少输多胜的较大期望值。

   

  这只是一个示范的例子，实际操作上还会经过回测，看看这个「指标 」「公式 」「模型 」「算法 」带来的绩效如何，可以如何调整优化，以提高预期报酬率。所以经常有各式各样的数学天才、程式高手不断宣称自己又找到某种演算法、发明某个 model 可以带来超额利润，至于是否能经得起长期的考验，则有待逐一检验，毕竟演算法交易的基金绩效，不容易有公开、长期的资讯提供外界检验。

   

  理论上，技术分析到底能不能创造长期稳定获利，学理上仍是见仁见智，主流的研究显示答案是否定的。根据 漫步华尔街 Random Walk Down Wall Street 书中的论点，长期的交易资料检视各种技术分析，绩效甚至不如猩猩丢飞标的选股法，因为股价走势呈现统计学所定义的随机波动 (Random Walk)，无法找出任何长期有效的规律，或者说，扣除频繁操作的交易成本与风险之后，依据技术分析的操作并不划算。技术分析如此，程式交易如此，同样道理也可以套用到演算法交易上，毕竟回测模型的过去绩效，不等于未来绩效的保证。

  曾接触过计量经济学 (Econometrics) 的研究者应该会注意到，上述的股价预测或投资预测方法，跟总体经济预测的概念非常类似，都是想从观察指标的历史时间序列资料中去寻找某个规律性，再把这个规律性套用到预测未来，总经预测模型的适用度(fitness) 好坏要经过回测 (back testing)，以琢磨出最适当 (optimized) 的预测模型。然而，不论运用如何高深的数学方法，基本上，计量经济学的预测就是一个「复杂精巧的外插法」而已 (*引述自Francis X. Diebold，The Elements of Forecast)，面对经济情势不时出现的结构化转变 (structure change)，这样的方法是无力因应的，预测者必须不断调整模型、或改用新模型来因应新情势，难以一体适用直到永远，此时人工介入又成了必要。

  我们仍借重经济预测模型，当作决策参考，但要弄清楚局限与风险。每次经济情势大变动来临，各大顶尖智库连最基本的GDP预测都常常错得离谱，背后原因就在此，经济预测模型很难应付结构性转折，越庞大复杂的模型 (例如IMF 联结上百个国家的模型) 也越难因应变化即时作出修改。同样的方法论套用来评估股市变动预测，局限同样存在甚至会更严重，毕竟公司、产业、产品的未来前景会不断变化，股市的结构性变动频率会比总经资料更高，尝试从过去的股票量价波动走势预测未来，方法上就有了先天局限，对于投资者而言，使用时要特别留心，不要被复杂的数学模型给吓唬住了，这段是针对投资方法有效性与局限性进行整体性评估。

   

  交易与投资的区别

  过去，技术分析在专业投资界评价并不高，国际机构法人中，只有执行短线、当日交易的交易员 ( trader) 会拿技术分析当参考，主流分析师 (analyst) 不会也不敢提到这些没有太多道理支撑的线图指标，基金经理 (portfolio manager) 不会也不能据此作投资决策。但在台湾股市，散户比重仍高，草莽气氛仍重，技术分析不但长期受第四台解盘老师偏爱，菜篮族也比较容易看著线图就上手炒股，甚至连部分操盘人也相当倚重，连带著影响到未经多少专业训练就在近十多年内大量涌入市场的的理财专员，市场参与者互相影响之下，把技术分析当成彼此沟通的工具，甚至变成主流，这刚好是一个金融市场自我强化 (reinforcement) 的过程，但不一定就是正确的方向。

   

  跳脱出来看，这通常是浅碟市场的特色，当长线投资标的不足，资金转入短线投机炒作，比赛的不是前景判断 (基本面分析)，而是对赌彼此的交易行为 (技术分析)，这个讲法是将市场经验抽象化的论述，如果觉得太抽象，可以回想简单的案例，投资并长期持有台积电、苹果公司、或亚马逊，决策依据的是技术指标吗?

   

  各种投资方法的论战从未休止，整体而言，在大规模资金的移动、大范围的跨国投资布局中，技术分析并没有被大量采纳，顶多是执行交易者的短线参考，这是目前为止的现实，从原理上来看，也比较合乎逻辑。

   

  如今，演算法交易以进阶版的技术分析之姿进入市场，有更高的学术门槛要求，打破过去的草莽形象，西装笔挺的量化专家们继续挑战主流投资方法。不过，从上数的简单例子中，可以让我们跳脱数学、统计学甚至电脑程式的华丽外衣，看到演算法交易的本质，从而作出以下的评估:

   

• 基础版:

  演算法寻找量、价的波动规律，前提是股价走势必须有类似物理学特性，才能找到永恒不变的定律，但这个假设从历史资料中被验证是失败的。从原理上而言，要寻找人类交易行为的固定路径，至今还没有答案，各种精深复杂的经济学、金融学理论，都只能在特定条件下、特定范围内有效，而非一体适用、永恒不变的物理定律。

   

• 改进版:

  倾向支持演算法交易的人，如果也看出上述局限，则改良后的操作方式，是在各式各样的演算法规律中，根据「经验」、「手感 」、「心法 」、「市场直觉」，去快速选用当时适用的算法或规则，从而打败对手。不过，这时候人的决策角色的凸显出来了，演算法成了参考工具，至于要参考哪个指标哪种算法，存乎操盘人一心，这变得跟其他任何投资方法很类似，著重于操盘人的个人判断。

   

• 交易v.s. 投资

  接下来一个问题是，投资如果只是看量价关系，也就是从过去资料中、或从过去的对手交易行为中去推测未来，这样真的能看出真正的投资机会吗? 如同前两篇的文章提出的案例，投资并长期持有台积电、苹果、亚马逊，绩效远胜于大盘指数，但这样的投资决策能够从技术分析、或演算法投资中找到吗?

   

• 投机v.s. 投资

  寻找交易规律的某个缺口，可以看成是投机行为，而非投资行为，或许可以在小范围、有限时间内创造超额获利，但恐怕很难复制放大，也很难持续有效。同样的规律只要被发现，大量复制之后就变得无效，任何量价关系，如同元月效应、选举行情一样，当规律说穿，被大量引用下就会变成无稽之谈。对于这类方法的爱好者，只是在追求一个又一个没有被发现的市场缺口、交易习惯，甚或制度缺陷，暗自从中获利，但这样的方法不能公开、也很难放大给更多人参与。类似这个逻辑下，更极端的作法，将再最后一段 (下篇) 高频交易法来讨论，读者可以有更深体会。

   

  2008 0716 - 投资观念的检视 (1) 元月效应

  2008 0806 - 投资观念的检视 (2) 选举行情

   

• 所以演算法投资要不断忙著去寻找各种新的规律、抛弃旧的规律。至于规律何时有效，在多少范围内有效，随著更动频率越来越频繁，就更能难说清楚。

   

• 传统教科书财务理论并不排斥投机行为，主张这也是市场行为之一，可以创造流动性、提高效率、或促进价格发现。问题在于，如果演算法交易被推演到极致，大规模取代了专业分析判断，市场上将只剩下投机行为、而没有投资行为，这样的资本市场还能发挥原本的功能吗?

   

  这个论点，放到 AI 投资这段来看，将可以看得更明显，请参考下篇。

   

  5. 量化投资

  除了上述种种运用数学模型或电脑程式来辅助、甚至主导投资决策的方法，市场上还有其他各式各样的量化方法，争奇斗艳，或能各领风骚若干年，然后被市场淘汰，以下举几个例子。

   

  对冲策略法

  在衍生性商品当红的时代，除了单纯的多空买卖，也有五花八门的新型操作策略，例如产品线相似的个股A、B之间的股价有一定连动关系，可以买进个股A、放空个股B，锁定两者间的价差关系进行 pair trade，目的在避开两者同步下跌的大盘风险。同样的原理也能应用到各国指数之间的套利交易、或者价差交易，过去仅用期货、现在则可用ETF来赌大盘指数，加上衍生性商品形成种种交易策略，这可以归类成量化投资 (Quantitative Investment ) 的一种类型。

   

  类似Pair Trade 的交易策略成为对冲基金的主要操作方法之一，不过金融海啸后，曾经红极一时的对冲基金也不灵光了，扣除高额的管理费用后绩效不如宣称的亮丽，全球对冲基金的规模也从高点崩跌，海啸后后AUM回升的幅度虽然也不小，但跟全球股债市的市值相比，增幅并不显著， Hedge Fund 已经从神坛走下来，接棒的是更酷炫的各种新名词、新方法，例如 FinTech、Algorithm Investment、Artificial Intelligence，这些在本系列文章中都逐一作重点式讨论。

   

  Source: hedgefundmarketing.com

   

  理论模型法

  另一种常见的量化投资法，则是套用财务理论，快速估算投资标的价值、或建立投资组合，最广泛被运用的理论模型就是资本资产订价模型 CAPM，在统计软体与电脑运算能力大幅进步之后，过去理论上(想像中)的投资决策变得很容易实际操作 (例如推算几百档标的物合起来的效率前缘，需要大量数学运算，过去很难实作)，甚至可以当作懒人投资法推广给一般投资大众。本系列上篇文章谈到 Robo Advisory，业界的主要方法依据就来自于此，优缺点与局限已经讨论过，值得一提的是，机器人理财从本质上来讲并不一定要局限于CAPM ，只是目前规模较大的新创公司刚好采用这个方式而已。

   

  除了基础的CAPM model，专家间的竞赛，可以套用更复杂的财务理论，甚至独门的学说理论，至于能否带来更好的绩效，都有待逐一检验。本文仅从原理上谈，现代财务理论的假设基础，本身有著明显的局限(或缺陷)，能适用到多大范围，要承担怎样的风险，投资者使用前最好要能评估，不宜闭著眼睛就跳下去大量运用，这点前两篇文章都有谈过。

   

  如果理论方法太过复杂难以评估优劣风险，那不妨回想金融海啸的经验，连大多数经济学者与金融专家都看不懂的产品设计、或量化方法、或演算法，如果被当作魔术黑盒子般看待，本身就会带来很大的市场风险以及损失风险。

   

  6. 智慧选股、大数据选股

  这个方法在用 Excel 跑报表的时代就有了，只是透过电脑程式，可以更方便、更快速从财报资料、个股资料、交易资料、产业资料中去抓取有用资讯，再依据各种自订的标准去筛选出潜在的投资标的。例如，想找出连续五年获利良好的、或者ROE 或股票殖利率达到若干水准的、或者财务稳健的、或者本益比落在某个区间的、或者股东结构健康的、或者董监持股异常的、或者出现新闻事件的、或者股价走势异常的，凡此种种，都是常见的选股考量，电脑程式可以帮助使用者更快从资料库中挑出所要的有用资讯，甚至即时监控，不再只靠初阶的Excel 报表去作运算、分类、筛选。

   

  电脑自动化面可以扮演减化繁杂工作的辅助角色，让分析师或基金经理不用浪费大量时间在处理各种报表，但这样的流程只作到基本筛选，并不能够预测或研判未来，后者才是决定投资与否、评估风险大小的关键，也是专业价值所在。投资标的未来的获利前景、财务走向、评估价值、产业变化、国际局势，都有赖基本面分析，必须要蹲下马步去研究推陈出新变化无穷的产业发展与公司营运，这些，从过去的资料库中所能提供的资讯很有限。

   

  目前劵商提供给一般投资人的交易软体，多半也已经有简易的智慧选股功能，概念并不难理解。处理历史资料属于劳力密集的工作，交给电脑处理可以提高效率，但谈到预测未来，就只能各凭本事，这方面还没看到比较有说服力的「自动化」方法，尝试交给电脑处理这么复杂的综合性思考工作，恐怕还遥遥无期。电脑能帮我们有效预测未来三年某家公司的获利吗? 碰到FED 升息则后续美元会升值还是贬值? 油价大跌30%，接下来看多还是看空? 英国会不会脱欧、川普当选机会如何、美国会不会退出 TPP或NAFTA?  交由电脑判断这些问题能行吗?

   

  更花俏酷炫的讲法，甚至会提到大数据选股，不过前述这些看来已经很大量的资料，应该还谈不上大数据这么新颖的领域。历史资料用人力来处理当然很繁杂，但相对于目前电脑运算能力而言，这些资料只能算是小数据，真正要从更大量、更复杂、更即时的资料中交给「机器自动」找到适合的投资决策，概念上应该就会进入 AI 投资法的领域，这在市场上有多少人懂呢 ? 真正实作的程度到哪了? 我们将在下篇中尝试来讨论。

   

  本次重点摘要

• 程式化交易 (Programing Trading) ~ 技术指标的局限
• 演算法交易 (Algorithm Trading) ~ 即时演算寻找某种规律的理论局限，经济预测方法的局限，结构性转向频繁发生，人为介入又成了关键
• 量化投资 ~ hedge fund 走下神坛、financial model 不是万能通用的
• 智慧选股、大数据选股 ~ 电脑处理历史资料很方便，但如何评估未来才是困难
• 区别 交易、投机、投资 : 自己在从事哪一种行为，获利来源与依据何在，潜在风险如何，对于他人或市场的影响又如何?