量化投資與機器學習微信公眾號，是業內垂直於量化投資、對沖基金、Fintech、人工智慧、大資料等領域的主流自媒體。公眾號擁有來自公募、私募、券商、期貨、銀行、保險、高校等行業30W+關注者，曾榮獲AMMA優秀品牌力、優秀洞察力大獎，連續4年被騰訊雲+社群評選為“年度最佳作者”。
Cliff Asness，AQR Capital Management的創始人兼首席投資官，是量化投資領域的領軍人物。他在金融市場中積累了豐富的經驗和深刻的見解，尤其在市場效率、認知失調、風險管理和創新方面，有著獨到的理解。在最近Capital Allocators的一次採訪中，Asness深入探討了這些主題，並分享了他對量化投資和職業發展的寶貴建議。
以下是公眾號對本次採訪內容的脫水解讀。
關於市場的有效性
Cliff在討論市場效率與非效率時，以深入淺出的方式揭示了投資世界的複雜性。儘管市場效率理論認為所有可用資訊都會立即反映在價格中，使得套利機會幾乎不存在，但克里夫指出，這種完美的市場狀態在現實中很難實現。即使是著名的市場效率理論創始人尤金·法瑪（Eugene Fama）也承認，市場幾乎不可能完全有效，總會存在一些微小的非效率。這些非效率正是聰明的投資者可以利用的獲利機會。
Cliff進一步解釋了為何市場非效率會存在。他提到，市場參與者在進行套利時需要付出成本，因此在達到某種平衡後，他們會停止套利，從而導致非效率的持續存在。例如，在1999-2000年的科技泡沫和2019-2020年的價值股崩潰期間，市場的價格波動顯然不能完全用理性行為解釋。這些時期的非理性行為如過度自信和從眾心理，顯著影響了市場的走勢，導致了顯著的非效率。
除此之外，Cliff還強調了技術進步和資訊傳播的變化對市場效率的複雜影響。儘管我們可以更快、更廣泛地獲取資訊，但這並沒有使市場變得更加有效。相反，資訊的泛濫和社交媒體的影響，反而可能加劇市場的非效率。例如，在網際網路泡沫和“迷因股票”現象中，投資者的非理性行為導致了價格的極端波動。這些例子表明，儘管技術創新帶來了更多的資訊渠道，但市場參與者並未因此變得更加理性，市場反而變得更加動盪和不可預測。
總的來說，Cliff的觀點深刻揭示了市場效率理論的侷限性，同時也強調了理解和利用市場非效率的重要性。他認為，雖然市場通常趨向於效率，但由於種種原因，總是存在一些非效率，這些非效率為投資者提供了寶貴的機會。透過仔細研究和把握這些機會，投資者可以在市場中獲得超額回報。這種洞察力不僅需要理論的支援，更需要對市場實際情況的深刻理解和敏銳洞察。
關於機器學習與量化投資
Cliff在採訪中詳細闡述了機器學習在量化投資策略中的應用及其侷限性。他指出，機器學習可以幫助更好地整合和分析大量資料，但不能完全依賴它來尋找投資機會，而是將其作為輔助工具。例如，他們透過自然語言處理（NLP）技術分析公司的財務報告，判斷市場情緒和公司前景，從而提升策略的準確性。機器學習還在趨勢跟蹤和因子模型中發揮重要作用，透過從多個維度（如財務資料、市場資料和宏觀經濟資料）中提取特徵，機器學習能更靈活地適應市場變化。Cliff特別強調了機器學習在處理非結構化資料方面的優勢，例如透過自然語言處理技術分析公司財務報告，從中提取出有價值的資訊。
此外，Cliff解釋瞭如何透過機器學習技術選擇最優因子組合，從而提高因子模型的預測能力。他們不會讓機器學習隨意篩選資料，因為這會導致過擬合，而是從已經驗證的因子開始，透過機器學習技術最佳化因子組合。Cliff提到，他們起初可能有十幾個因子家族和200個因子，這些因子都是他們基於經驗和研究驗證過的，透過機器學習或更簡單的貝葉斯技術，可以有效選擇和組合這些因子，從而形成更強大的投資策略。
儘管機器學習在許多方面有顯著優勢，Cliff也指出其侷限性。例如，對於一些小資料問題，如股票的風險溢價，機器學習可能並不能提供更多的洞見。
透過這種方法，機器學習在建立和組合因子方面展示了強大的能力，顯著提升了量化策略的效果。然而，Cliff提醒不能盲目依賴機器學習，而應結合已有的經濟理論和資料進行分析，以確保策略的可靠性和有效性。
關於量化投資中的風險與挑戰
Cliff在採訪中詳細探討了量化策略和風險管理的重要性。他強調多因子投資和風險分散在量化策略中的核心地位。透過結合不同的投資因子（如價值因子、動量因子和質量因子），可以更好地分散風險並提高投資組合的穩定性。Cliff指出，傳統因子有時會經歷非常糟糕和非常好的時期，這使得堅持這些策略變得非常困難。他們在策略研究中，不僅依賴回測資料，還會考慮策略的經濟合理性和可解釋性，以確保這些策略在長期內是可持續的。例如，他們在研究價值因子時，不僅考慮價格與賬面價值比（P/B ratio），還會綜合多個指標如市盈率（P/E ratio）和市銷率（P/S ratio）等。這種多維度的分析方法使他們能夠在不同的市場環境中保持相對穩定的表現。
在應對市場波動和挑戰方面，Cliff分享了他們在AQR應對市場波動的經驗。比如，在科技泡沫和金融危機期間，他們的價值因子表現不佳，但透過持續驗證和改進模型，最終證明了這些因子的有效性。Cliff強調，堅持科學的研究方法和持續的創新能夠幫助應對市場波動。此外，他們透過多樣化投資來降低風險，將資金分散到多個策略和市場中，以減少單一市場或策略波動對整體投資組合的影響。他指出，市場波動和挑戰是量化投資中無法避免的部分，但透過科學的研究和創新，能夠有效應對這些挑戰。管理者的職責在於不斷問自己是否正確，並在確定策略正確時堅定不移地堅持下去，努力說服他人也這樣做。
Cliff還討論了在量化投資中使用槓桿和集中風險的平衡。他認為，很多投資者過於害怕槓桿風險，而對集中風險接受度過高。儘管槓桿使用不當可能帶來巨大風險，但適度使用槓桿可以提高風險調整後的回報。他們在AQR的策略中，透過適度增加槓桿和分散投資，來最佳化投資組合的風險調整回報。真正有效的風險管理在於找到最優的槓桿使用水平，以實現風險與收益的平衡。
此外，Cliff提到，他們的研究團隊不斷探索新方法和新領域，透過創新和改進策略，來應對市場變化和不確定性。他們相信，透過結合科學的研究方法和創新思維，能夠在複雜的市場環境中實現更好的投資效果。
關於創新
Cliff在採訪中詳細討論了創新在量化研究中的關鍵作用。他強調，創新是量化研究的核心驅動力，在AQR，他們鼓勵研究團隊不斷探索新方法和新領域。例如，他們在趨勢跟蹤策略上進行了大量創新，不僅拓展了市場覆蓋範圍，還引入了新的風險控制機制。他們透過將傳統的價格動量與基本面動量相結合，利用機器學習技術來分析公司財務報告和市場情緒，從而提高策略的準確性。
Cliff還特別提到，機器學習在量化投資中的應用是近年來的一大創新。他們透過自然語言處理技術解析公司報告，從中提取出正面或負面的資訊，顯著改進了因子模型的預測能力。儘管如此，Cliff也指出，機器學習並非萬能，特別是在處理小資料問題時可能會遇到瓶頸。例如，股票風險溢價等問題，機器學習可能無法提供更多洞見。
此外，Cliff談到，他們透過創新最佳化因子組合，使用機器學習技術從多個維度提取特徵，並動態調整因子的權重，從而確保投資組合的穩定性和高效性。真正有效的創新不僅在於技術的進步，更在於思維方式的變革。在AQR，他們不斷反思和改進策略，始終保持在行業中的領先地位。Cliff強調，創新並不僅僅是為了追求新奇，而是為了在科學和實踐中找到更優的解決方案，以應對市場的複雜性和不確定性。
關於量化這份工作
Cliff在採訪中分享了他對量化職業發展的見解，強調了數學和統計基礎的重要性以及職業發展中的關鍵要素。他回顧了自己的職業選擇，提到他的父親在他本科期間建議他利用自己的數學才能，這最終促使他決定從事金融研究而不是法律。他的父親鼓勵他進入賓夕法尼亞大學的管理與技術專案，這一雙學位專案讓Cliff同時學習計算機科學和金融，為他的職業生涯奠定了堅實的基礎。
Cliff對量化投資領域從業者的職業發展提出了幾點建議：
1、他強調紮實的數學和統計基礎是進行量化研究的基本工具。
2、他鼓勵保持好奇心和開放心態，願意接受新知識和新技術。此外，耐心和堅持也是成功的關鍵，因為量化研究需要大量的實驗和驗證，成功往往來自於不斷的嘗試和改進。
3、他指出團隊合作的重要性，量化投資是一個跨學科的領域，只有透過團隊的協作，才能實現最優的結果。他強調，在AQR的許多成功經驗都離不開團隊的共同努力，每個成員的獨特視角和專業知識對研究起到了關鍵作用。
Cliff還分享了他在職業生涯中的一些挑戰和應對策略。他提到，在經歷市場波動時，保持長遠的視角和堅定的信念是非常重要的。管理者的職責在於不斷問自己是否正確，並在確定策略正確時堅定不移地堅持下去，努力說服他人也這樣做。Cliff還討論了在量化投資中使用槓桿和集中風險的平衡。他認為，很多投資者過於害怕槓桿風險，而對集中風險接受度過高。儘管槓桿使用不當可能帶來巨大風險，但適度使用槓桿可以提高風險調整後的回報。透過適度增加槓桿和分散投資，AQR優化了投資組合的風險調整回報。
