量化策略大概率失败-有效的团队分工

来源：腾讯网　　2022-03-09 10:08:28

1. 策略大概率失败

机器学习和人工智能制造的量化策略大概率失败，只有少数成功者闷声发大财，某人成功的策略罕见到在市场上只有流言，某某人告诉你某个人做出了代码，在家里躺平交易。

市场上也很难找到漂亮优美高收益的曲线并且同时还是开放购买。因为公司大多展示一两个成功，且容量小的绩优策略来获取客户，但是真正去购买发现，展示策略并不开放，只有同一基金经理的新发策略。但是新发策略是否能维持广告上展示的曲线是一个非常大的问号。

基金经理们自有一套投资逻辑，每个人的每次下注背后都有一个故事，旁人很难理解他们的动机，大多数公司的基金经理都在独立工作，而他们每个人都注重于某一段过去信息，很多理论都是基于无法被证实猜想。虽然不能完全说这么做没道理，但是最终公司要付出50个人的薪水，而得到的是其中一个人的成功之作。独立工作虽然可行，但是效率低下。

如果用这种方法展开量化工作，结果大概率是disaster。管理层的心态是，我们先雇佣50个博士，然后让他们每个人在几个月内交出一套策略。所以几个月后，公司大概率得到的是假阳性策略，或者某种过度拥挤的因子策略。

我这里说假阳性，是因为，这种策略基本上过拟合，在过去的数据上表现较好，同时在验证集上也不错，但真正交易起来得到的结果可能不是想象的那样。而过度拥挤的因子策略会带来低夏普率，因为因子挖掘是个人力活，这就像用CPU来做人工智能一样，浪费资源。但至少PHD的东西有学术依据。最终，两种结果都不是管理层想看到的，哪怕其中有5个PHD取得有用的结果，这也基本覆盖不了50个人的成本。

2. 规模化优势

对于个人来说，如果公司让你单独开发策略，你的工作很可能不是围绕着策略研发工作。就像造一台车，开头不是造发动机，会先要学会做电焊，学油漆，学机械工程，学会成为一个好的电工，最后才是发动机设计，但中间充斥着各种负反馈，失败和重来。

成功的量化公司应该采用元战略范式（Meta Strategy (Lopez de Prado[2014])）。每个Quant都应专注于某项任务，工厂化的研发策略，而非依赖于某个幸运的员工。虽然建立金融实验室需要时间和金钱的投入，但是避免了西西弗斯式推巨石的的方案，能够有效的推进团队合作。

3. 工业化的团队分工

在16世纪，西班牙的寻金舰队从世界掠夺财富，将欧洲的贵金属流通量连翻几倍，粗暴简单的金银提取如今已经不可能，现代挖掘技术需要大规模筛查金含量，从巨大的且金含量稀少的矿物中提取。黄金的含量极其稀少，我们现在每年大概开采2500吨黄金，而16世纪的西班牙舰队能达到1.54吨。就像如今通过数据搜寻alpha的人，曾经通过宏观alpha都可能取得正向收益，但这种机会急剧收敛，几乎已经是0，如果还用宏观数据寻找alpha，面对的竞争和压力是无比巨大的。

在宏观数据提供不了足够insight的情况下，我们只能寻求更加细小的颗粒，通过显微镜观察数据，就像开采金矿一样，不断的卷设备，人员，以及技术来挖掘那么一丝可能性。

如何从人员结构实现工业化目的：

3.1 数据分析团队

负责数据的收集，清理，索引，储存，调整和交付。团队成员需要理解数据出处以及后续生产链条。比如说每种资产都有自己的性格，债券经常会被互换或者召回，股票会拆分，期货和期权需要展期等等。

3.2 特征分析团队

这里将数据转换成信号。团队成员需要提取，处理，可视化数据，给数据打标签，加权，分类以及制造其他的特征。打个比方：报价被大量取消并被卖单取代会对应超高的抛售概率，或者买单报价被取消，而限价单大量出现则会取代买单报价。虽然说这种发现本身并不是策略，但是可以在做市，流动性监控，持仓管理这些方面使用。

所以某些常见的错误式让特征分析师制定策略。

3.3 策略团队

这里特征会被提取转化成实际的算法。策略分析师需要观察所有特征库存，寻找制造策略的方案。不同的资产都有不同的特征，而策略团队需要综合不同的资产和他们的特征，寻找他们的解析。

策略成员需要很深的市场，金融和经济的理解，而这些理解必须符合市场的规律，深析策略是否存在bias，是否有信息差，监管限制。

黑箱特征需要被策略团队打开并放在阳光下，如果仅仅是把几个特征粘在一起，这种不是策略。

最终当策略定型之后，策略团队需要把他们算法逻辑以及原型提供给后续的回测团队。