行為經濟學的應用 (4) 機器與人性 中篇

2017 0728 James

本文接續上篇主題，從人腦到電腦，繼續討論幾個常見的自動化機器決策投資方法，主題包括程式化交易、演算法交易、量化投資、智慧選股、AI 投資，以及高頻投資，以簡要易懂的方式，討論這些投資方法的原理、優點、侷限、與風險。

本次重點摘要

• 程式化交易 (Programing Trading) ~ 技術指標的侷限
• 演算法交易 (Algorithm Trading) ~ 即時演算尋找某種規律的理論侷限，經濟預測方法的侷限，結構性轉向頻繁發生，人為介入又成了關鍵
• 量化投資 ~ hedge fund 走下神壇、financial model 不是萬能通用的
• 智慧選股、大數據選股 ~ 電腦處理歷史資料很方便，但如何評估未來纔是困難
• 區別 交易、投機、投資 : 自己在從事哪一種行為，獲利來源與依據何在，潛在風險如何，對於他人或市場的影響又如何?

   

  3. 程式化交易 (Programing Trading)

  原理是事先定下買賣規則，例如某些技術分析指標，寫入電腦程式，當市場變動資訊 (如量、價) 觸及這些規則，就由電腦自動下單買賣。

   

  設計的主要目的在排除人類主觀的判斷，僅依據事前設定的規則來買賣。不過這特點有好有壞，如果投資交易有固定公式可循，當多數人都依照公式，那針對公式提早一步出手的人就能穩賺不賠，這個概念，造成各式各樣的「已知」交易規則經常會失靈。此外，技術分析的一種是觀察線圖變化，但線圖要怎樣畫，連接哪兩個點，橫看成嶺側成峯，向來具有高度的主觀，或者經常出現多個技術指標互相衝突時該選用哪一個指標，技術分析老手常稱此時主觀判斷的功力就是高下所在，而這些存乎一心的微妙判斷就不是機械化公式能掌握，人為決定又扮演勝敗的關鍵。如果堅持排除人為決定的機械化程式交易，就只能從歷史資料的回測中去尋找最 optimize 的規則，但無法保證未來市場走勢也能依照這個規則前進，這是此模式的核心矛盾。

   

  比起人工交易，電腦處理的明顯優點是可以自動化處理大量且複雜的交易指令，這個優勢較無爭議。例如在某個價位區間內，快速買賣數十檔或更多的股票，傳統人工交易員的專業(例如記誦股票代號、Key 單又快又準、判斷日內價位有敏感度、分批下單避免被對手看穿等) 就很容易被電腦所超越，但這部分不是投資決策，只是交易執行的技巧。

   

  值得注意的是，過去交易員與基金經理各司其職，交易員負責極短線的執行(Execution) 績效，基金經理則要負責較長期的投資 (Investment) 績效，兩者功能不同，決策方法也不同。但隨著電腦自動交易與衍生性商品的普及，開始也有基金的操作策略完全根據程式化交易來進行，或追求略高於五成的短線勝率，或追求小輸大贏，累積起來追求較高的報酬期望值。這樣的操作方式，是把交易執行的獲利當作「投資」報酬，但這層意義上已經失去投資的本質內涵。

   

  這類型「基金」通常透過私募基金、避險基金、或私下籌資的方式進行，避免向公眾公開募資，以省去較嚴謹的証券監理規定，畢竟這樣的操作方式，脫離基本面分析的投資評估，越來越像數學遊戲、或者下注勝率的博彩。就整體市場而言，當越來越多的交易指定來自短線的execution 考量，根據投資對象中長期前景而來的長線買賣力量就會受到稀釋，甚至形成反淘汰，類似問題在接下來的幾個主題中會不斷出現。

   

  4. 演算法交易 (Algorithm Trading)

  原理上，利用計量模型來設計演算法，以追蹤交易標的，就是演算法交易。

   

  操作的方法，主要透過數學運算與統計分析，從歷史的交易資訊 (通常指交易價格與交易量)中，尋找某個、某些變化的規律，尤其是還沒有被發現的規律， 交易者就能順著或逆著(順勢、逆勢) 這個規律進行操作，超越傳統技術分析的公開已知規則，演算法交易也可看成是進化版的程式交易。

   

  舉例 : 即時盤中演算優勢比 (Odds ratio)

  優勢比或勝算比是統計學概念，拿Bernoulli 成功失敗的二元隨機變數模型，多空價格取對數後，就會將價格的累進記憶性線性化，出現常態分佈的性質。這個數據的多空訊號具備資訊內涵，如下圖：上半是隨機抽一天的原始臺指期秒價格，下方是每180秒移動計算的 log(Odds)：大於2是做空訊號，小於 -2 是做多訊號，畫圈圈的是交易區。正負2不但是很簡單的指標，而且是領先指標，對於交易員而言，這就是 買/賣/出場 的訊號，把這個訊號寫進程式監控、自動交易就可以，從而就能減少交易員的工作量，甚至取代交易員。 (引用自: 何宗武教授)

   

  上述例子所運用的數學方法，對於研究生而言難度不算高，但對於脫離學術生活日久的市場參與者，或從未受過相關數學訓練的一般投資者而言，看起來就已經很複雜難懂。實際上，其設計原理跟技術分析中尋找過熱或過冷的訊號，概念類似，只是傳統技術分析只追蹤到日資料，而今日電腦資料處理能力更強大，可以縮短到以分鐘、甚至以若干秒鐘為單位，透過盤中即時演算的強大運算功能來提供超越對手的資訊，從這些極短期的價格波動中尋找多空規律，並且即時作出交易反應，在同一天內進行多次的買進賣出，累積小金額成較大金額、追求少輸多勝的較大期望值。

   

  這只是一個示範的例子，實際操作上還會經過回測，看看這個「指標 」「公式 」「模型 」「算法 」帶來的績效如何，可以如何調整優化，以提高預期報酬率。所以經常有各式各樣的數學天才、程式高手不斷宣稱自己又找到某種演算法、發明某個 model 可以帶來超額利潤，至於是否能經得起長期的考驗，則有待逐一檢驗，畢竟演算法交易的基金績效，不容易有公開、長期的資訊提供外界檢驗。

   

  理論上，技術分析到底能不能創造長期穩定獲利，學理上仍是見仁見智，主流的研究顯示答案是否定的。根據 漫步華爾街 Random Walk Down Wall Street 書中的論點，長期的交易資料檢視各種技術分析，績效甚至不如猩猩丟飛標的選股法，因為股價走勢呈現統計學所定義的隨機波動 (Random Walk)，無法找出任何長期有效的規律，或者說，扣除頻繁操作的交易成本與風險之後，依據技術分析的操作並不划算。技術分析如此，程式交易如此，同樣道理也可以套用到演算法交易上，畢竟回測模型的過去績效，不等於未來績效的保證。

  曾接觸過計量經濟學 (Econometrics) 的研究者應該會注意到，上述的股價預測或投資預測方法，跟總體經濟預測的概念非常類似，都是想從觀察指標的歷史時間序列資料中去尋找某個規律性，再把這個規律性套用到預測未來，總經預測模型的適用度(fitness) 好壞要經過回測 (back testing)，以琢磨出最適當 (optimized) 的預測模型。然而，不論運用如何高深的數學方法，基本上，計量經濟學的預測就是一個「複雜精巧的外插法」而已 (*引述自Francis X. Diebold，The Elements of Forecast)，面對經濟情勢不時出現的結構化轉變 (structure change)，這樣的方法是無力因應的，預測者必須不斷調整模型、或改用新模型來因應新情勢，難以一體適用直到永遠，此時人工介入又成了必要。

  我們仍借重經濟預測模型，當作決策參考，但要弄清楚侷限與風險。每次經濟情勢大變動來臨，各大頂尖智庫連最基本的GDP預測都常常錯得離譜，背後原因就在此，經濟預測模型很難應付結構性轉折，越龐大複雜的模型 (例如IMF 聯結上百個國家的模型) 也越難因應變化即時作出修改。同樣的方法論套用來評估股市變動預測，侷限同樣存在甚至會更嚴重，畢竟公司、產業、產品的未來前景會不斷變化，股市的結構性變動頻率會比總經資料更高，嘗試從過去的股票量價波動走勢預測未來，方法上就有了先天侷限，對於投資者而言，使用時要特別留心，不要被複雜的數學模型給嚇唬住了，這段是針對投資方法有效性與侷限性進行整體性評估。

   

  交易與投資的區別

  過去，技術分析在專業投資界評價並不高，國際機構法人中，只有執行短線、當日交易的交易員 ( trader) 會拿技術分析當參考，主流分析師 (analyst) 不會也不敢提到這些沒有太多道理支撐的線圖指標，基金經理 (portfolio manager) 不會也不能據此作投資決策。但在臺灣股市，散戶比重仍高，草莽氣氛仍重，技術分析不但長期受第四臺解盤老師偏愛，菜籃族也比較容易看著線圖就上手炒股，甚至連部分操盤人也相當倚重，連帶著影響到未經多少專業訓練就在近十多年內大量湧入市場的的理財專員，市場參與者互相影響之下，把技術分析當成彼此溝通的工具，甚至變成主流，這剛好是一個金融市場自我強化 (reinforcement) 的過程，但不一定就是正確的方向。

   

  跳脫出來看，這通常是淺碟市場的特色，當長線投資標的不足，資金轉入短線投機炒作，比賽的不是前景判斷 (基本面分析)，而是對賭彼此的交易行為 (技術分析)，這個講法是將市場經驗抽象化的論述，如果覺得太抽象，可以回想簡單的案例，投資並長期持有臺積電、蘋果公司、或亞馬遜，決策依據的是技術指標嗎?

   

  各種投資方法的論戰從未休止，整體而言，在大規模資金的移動、大範圍的跨國投資佈局中，技術分析並沒有被大量採納，頂多是執行交易者的短線參考，這是目前為止的現實，從原理上來看，也比較合乎邏輯。

   

  如今，演算法交易以進階版的技術分析之姿進入市場，有更高的學術門檻要求，打破過去的草莽形象，西裝筆挺的量化專家們繼續挑戰主流投資方法。不過，從上數的簡單例子中，可以讓我們跳脫數學、統計學甚至電腦程式的華麗外衣，看到演算法交易的本質，從而作出以下的評估:

   

• 基礎版:

  演算法尋找量、價的波動規律，前提是股價走勢必須有類似物理學特性，才能找到永恆不變的定律，但這個假設從歷史資料中被驗證是失敗的。從原理上而言，要尋找人類交易行為的固定路徑，至今還沒有答案，各種精深複雜的經濟學、金融學理論，都只能在特定條件下、特定範圍內有效，而非一體適用、永恆不變的物理定律。

   

• 改進版:

  傾向支持演算法交易的人，如果也看出上述侷限，則改良後的操作方式，是在各式各樣的演算法規律中，根據「經驗」、「手感 」、「心法 」、「市場直覺」，去快速選用當時適用的算法或規則，從而打敗對手。不過，這時候人的決策角色的凸顯出來了，演算法成了參考工具，至於要參考哪個指標哪種算法，存乎操盤人一心，這變得跟其他任何投資方法很類似，著重於操盤人的個人判斷。

   

• 交易v.s. 投資

  接下來一個問題是，投資如果只是看量價關係，也就是從過去資料中、或從過去的對手交易行為中去推測未來，這樣真的能看出真正的投資機會嗎? 如同前兩篇的文章提出的案例，投資並長期持有臺積電、蘋果、亞馬遜，績效遠勝於大盤指數，但這樣的投資決策能夠從技術分析、或演算法投資中找到嗎?

   

• 投機v.s. 投資

  尋找交易規律的某個缺口，可以看成是投機行為，而非投資行為，或許可以在小範圍、有限時間內創造超額獲利，但恐怕很難複製放大，也很難持續有效。同樣的規律只要被發現，大量複製之後就變得無效，任何量價關係，如同元月效應、選舉行情一樣，當規律說穿，被大量引用下就會變成無稽之談。對於這類方法的愛好者，只是在追求一個又一個沒有被發現的市場缺口、交易習慣，甚或制度缺陷，暗自從中獲利，但這樣的方法不能公開、也很難放大給更多人參與。類似這個邏輯下，更極端的作法，將再最後一段 (下篇) 高頻交易法來討論，讀者可以有更深體會。

   

  2008 0716 - 投資觀唸的檢視 (1) 元月效應

  2008 0806 - 投資觀唸的檢視 (2) 選舉行情

   

• 所以演算法投資要不斷忙著去尋找各種新的規律、拋棄舊的規律。至於規律何時有效，在多少範圍內有效，隨著更動頻率越來越頻繁，就更能難說清楚。

   

• 傳統教科書財務理論並不排斥投機行為，主張這也是市場行為之一，可以創造流動性、提高效率、或促進價格發現。問題在於，如果演算法交易被推演到極致，大規模取代了專業分析判斷，市場上將只剩下投機行為、而沒有投資行為，這樣的資本市場還能發揮原本的功能嗎?

   

  這個論點，放到 AI 投資這段來看，將可以看得更明顯，請參考下篇。

   

  5. 量化投資

  除了上述種種運用數學模型或電腦程式來輔助、甚至主導投資決策的方法，市場上還有其他各式各樣的量化方法，爭奇鬥艷，或能各領風騷若干年，然後被市場淘汰，以下舉幾個例子。

   

  對沖策略法

  在衍生性商品當紅的時代，除了單純的多空買賣，也有五花八門的新型操作策略，例如產品線相似的個股A、B之間的股價有一定連動關係，可以買進個股A、放空個股B，鎖定兩者間的價差關係進行 pair trade，目的在避開兩者同步下跌的大盤風險。同樣的原理也能應用到各國指數之間的套利交易、或者價差交易，過去僅用期貨、現在則可用ETF來賭大盤指數，加上衍生性商品形成種種交易策略，這可以歸類成量化投資 (Quantitative Investment ) 的一種類型。

   

  類似Pair Trade 的交易策略成為對沖基金的主要操作方法之一，不過金融海嘯後，曾經紅極一時的對沖基金也不靈光了，扣除高額的管理費用後績效不如宣稱的亮麗，全球對沖基金的規模也從高點崩跌，海嘯後後AUM回升的幅度雖然也不小，但跟全球股債市的市值相比，增幅並不顯著， Hedge Fund 已經從神壇走下來，接棒的是更酷炫的各種新名詞、新方法，例如 FinTech、Algorithm Investment、Artificial Intelligence，這些在本系列文章中都逐一作重點式討論。

   

  Source: hedgefundmarketing.com

   

  理論模型法

  另一種常見的量化投資法，則是套用財務理論，快速估算投資標的價值、或建立投資組合，最廣泛被運用的理論模型就是資本資產訂價模型 CAPM，在統計軟體與電腦運算能力大幅進步之後，過去理論上(想像中)的投資決策變得很容易實際操作 (例如推算幾百檔標的物合起來的效率前緣，需要大量數學運算，過去很難實作)，甚至可以當作懶人投資法推廣給一般投資大眾。本系列上篇文章談到 Robo Advisory，業界的主要方法依據就來自於此，優缺點與侷限已經討論過，值得一提的是，機器人理財從本質上來講並不一定要侷限於CAPM ，只是目前規模較大的新創公司剛好採用這個方式而已。

   

  除了基礎的CAPM model，專家間的競賽，可以套用更複雜的財務理論，甚至獨門的學說理論，至於能否帶來更好的績效，都有待逐一檢驗。本文僅從原理上談，現代財務理論的假設基礎，本身有著明顯的侷限(或缺陷)，能適用到多大範圍，要承擔怎樣的風險，投資者使用前最好要能評估，不宜閉著眼睛就跳下去大量運用，這點前兩篇文章都有談過。

   

  如果理論方法太過複雜難以評估優劣風險，那不妨回想金融海嘯的經驗，連大多數經濟學者與金融專家都看不懂的產品設計、或量化方法、或演算法，如果被當作魔術黑盒子般看待，本身就會帶來很大的市場風險以及損失風險。

   

  6. 智慧選股、大數據選股

  這個方法在用 Excel 跑報表的時代就有了，只是透過電腦程式，可以更方便、更快速從財報資料、個股資料、交易資料、產業資料中去抓取有用資訊，再依據各種自訂的標準去篩選出潛在的投資標的。例如，想找出連續五年獲利良好的、或者ROE 或股票殖利率達到若干水準的、或者財務穩健的、或者本益比落在某個區間的、或者股東結構健康的、或者董監持股異常的、或者出現新聞事件的、或者股價走勢異常的，凡此種種，都是常見的選股考量，電腦程式可以幫助使用者更快從資料庫中挑出所要的有用資訊，甚至即時監控，不再只靠初階的Excel 報表去作運算、分類、篩選。

   

  電腦自動化面可以扮演減化繁雜工作的輔助角色，讓分析師或基金經理不用浪費大量時間在處理各種報表，但這樣的流程只作到基本篩選，並不能夠預測或研判未來，後者纔是決定投資與否、評估風險大小的關鍵，也是專業價值所在。投資標的未來的獲利前景、財務走向、評估價值、產業變化、國際局勢，都有賴基本面分析，必須要蹲下馬步去研究推陳出新變化無窮的產業發展與公司營運，這些，從過去的資料庫中所能提供的資訊很有限。

   

  目前劵商提供給一般投資人的交易軟體，多半也已經有簡易的智慧選股功能，概念並不難理解。處理歷史資料屬於勞力密集的工作，交給電腦處理可以提高效率，但談到預測未來，就只能各憑本事，這方面還沒看到比較有說服力的「自動化」方法，嘗試交給電腦處理這麼複雜的綜合性思考工作，恐怕還遙遙無期。電腦能幫我們有效預測未來三年某家公司的獲利嗎? 碰到FED 升息則後續美元會升值還是貶值? 油價大跌30%，接下來看多還是看空? 英國會不會脫歐、川普當選機會如何、美國會不會退出 TPP或NAFTA?  交由電腦判斷這些問題能行嗎?

   

  更花俏酷炫的講法，甚至會提到大數據選股，不過前述這些看來已經很大量的資料，應該還談不上大數據這麼新穎的領域。歷史資料用人力來處理當然很繁雜，但相對於目前電腦運算能力而言，這些資料只能算是小數據，真正要從更大量、更複雜、更即時的資料中交給「機器自動」找到適合的投資決策，概念上應該就會進入 AI 投資法的領域，這在市場上有多少人懂呢 ? 真正實作的程度到哪了? 我們將在下篇中嘗試來討論。

   

  本次重點摘要

• 程式化交易 (Programing Trading) ~ 技術指標的侷限
• 演算法交易 (Algorithm Trading) ~ 即時演算尋找某種規律的理論侷限，經濟預測方法的侷限，結構性轉向頻繁發生，人為介入又成了關鍵
• 量化投資 ~ hedge fund 走下神壇、financial model 不是萬能通用的
• 智慧選股、大數據選股 ~ 電腦處理歷史資料很方便，但如何評估未來纔是困難
• 區別 交易、投機、投資 : 自己在從事哪一種行為，獲利來源與依據何在，潛在風險如何，對於他人或市場的影響又如何?