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”。

作者：Robin Wigglesworth、QIML編輯部

前言

五年前，AQR一度是全球最大的對沖基金，管理著高達 2260 億美元的資金。

目前，AQR的AUM自2018年峰值以來已減少一半以上，目前約為 980 億美元。

在近兩年，AQR開始逐漸回血，Absolute Return策略結合了多種投資方式，2021年的收益率為16.8%；2022年為43.5%；2023年為18.5%。

資料來自：FT

2023年其他量化基金的表現：

資料來自：彭博

儘管被稱為“量化寒冬”的現象已經過去，但它給AQR等基金經理帶來的寒意仍然揮之不去。投資者仍持謹慎態度，業績改善未能驅散2018-2020年撤資的記憶。這迫使許多量化分析師重新審視自己的做事方式。

跨越因子長河

三個多世紀以前，西法爾第的商人Joseph de la Vega寫了第一本關於17世紀阿姆斯特丹興起的金融市場新現象的書，書名叫做《Conusion of Confusion》。Joseph de la Vega闡述了在這個有趣的新領域如何取得成功的幾條規則，比如耐心和平靜地接受盈虧。

從那以後，一系列業餘愛好者、理論家和實踐者創造出了各種選股系統。比如Benjamin Graham的價值投資策略。Charles Dow的道氏理論，該理論催生了例如移動平均線、燭臺、布林帶以及金叉和死叉點等眾多經典策略。

20世紀60年代，計算機在華爾街的出現改變了一切。突然之間，研究人員可以利用更多的資料和嚴謹的數學來進行復雜的實研究分析。少數人抓住了這個機會，以Harry Markowitz為首—— 將量化技術實際應用於投資組合管理，改變了遊戲規則！

隨後，芝加哥大學Eugene Fama提出了一個假設：成千上萬的投資者不斷地試圖比對方更聰明，這意味著股市是“有效的”。這催生了上世紀70年代初的首批指數基金。

但隨後的進一步研究開始揭示了在過去幾十年裡建立起來的學術大廈中的一些斷層。也許市場不是完全有效的，也許確實有辦法在長期內戰勝股市?

1977年，麥克馬斯特大學金融學教授Sanjoy Basu發表了一篇論文，指出股價相對於盈利水平較低的公司，其表現一直好於Fama的有效市場假說所認為的水平。

從本質上講，他證明了Ben Graham在上世紀30年代倡導的價值投資原則——購買價格低於內在價值、不受歡迎的廉價股票——產生了巨大的長期收益。從理論上講，透過系統性地買入所有廉價股票，投資者可以隨著時間的推移跑贏大盤。

後來，物理學家出身的經濟學家Stephen Ross和分析師Barr Rosenberg進一步深化了這一認識。

為簡單起見，Sharpe最初的資本資產定價模型（Capital Asset Pricing Model 簡稱CAPM）規定了一個單一的“市場因子”。CAPM的魅力在於它優雅的極簡主義，儘管它很難描繪出市場的實際運作方式。

Ross的“套利定價理論”理論認為，除了特殊因子外，任何金融證券的收益實際上都是由多種因子驅動的。

1981年，經濟學家Rolf Banz發現，規模較小的上市公司也有類似的優異表現。儘管這些小型股票比大型上市公司的股票波動更大，但在Banz最初研究的1926年至1975年期間，它們的收益率要高得多。

但分水嶺時刻出現在1992年，當時Fama和他的合作伙伴Ken French發表了一篇論文：

懂得都懂

從那時起，學者們已經確定了一系列因子，它們的永續性、強度、定義和接受程度各不相同。

多年來，人們已經“發現”了數百個所謂的因子，這種現象被稱為因子動物園（Factor Zoo）。我們可以看看目前為止，五個最主流的因子在實際中的表現是怎麼樣的：

AQR的創始人Clifford Asness在芝加哥大學師從Fama。儘管如此，他還是傾向於行為學派。

Asness表示：我可能認為市場比一般人更有效，但我認為它們可能沒有我25年前想象的那麼有效。在我的職業生涯中，他們的效率可能越來越低。由於網際網路的出現，無處不在的資訊使事情變得更有效率。但這從來都不是困難的部分。那些認為資訊的無處不在和即時性必然意味著價格更準確的人，正是20年前認為社交媒體會讓我們更喜歡彼此的人。

不管原因是什麼，一些持續性投資因子的存在今天被大多數金融經濟學家和投資者所接受。這種方法或許並不完美，但它是觀察市場的一面有用的稜鏡。

在一些市場營銷中，這些因子有時被稱為“Smart Beta”。但像Asness和Sharpe這樣的人是討厭這個詞的，因為它暗示了其他形式的Beta是愚蠢的。然而，當單因子被單獨捆綁在一起並透過ETF出售時，Smart Beta已成為最常用的指代方式。根據貝萊德的資料顯示，僅就這一個行業，目前就規模達8380億美元。

當然，這些因子並不總是有效的！

表現糟糕的原因

Asness有時表現得像一位和藹可親的金融學教授，深受大家的歡迎，因為他平易近人，能流利地說極客話，還能在Ultra-Nightmare模式下玩《毀滅戰士：永恆》（Doom Eternal）。但眾所周知，他的脾氣也很暴躁。

在金融危機期間，他因砸壞電腦而聲名鵲起（他承認自己只打了三次，聲稱“每次都是電腦螢幕活該”），因為電腦顯示的資料令人不快

今年，Asness的螢幕算是躲過了一截啊~

即使是在大多數億萬富翁都堅持陳詞濫調的社交媒體上，Asness也傾向於跳進網路戰壕，在討論漫威電影、《龍與地下城》和量化投資的同時，也和大佬和網名進行口水戰。經典的例子就是和《黑天鵝》作者塔勒布的：

2020年5月20日一早，塔勒布在推特上突然向AQR發起炮轟：

AQR 釋出了兩篇有問題的報告，聲稱用期權來對沖尾部風險的做法很“貴”，不管用（理論上）然後他們卻沒有告訴大家：

1、他們自己的風險溢價（基於因子投資的多空）策略賠了錢。

2、他們其他的那部分公開“垃圾”（共同基金產品）跑不贏大盤。

是對客戶以及真實世界的侮辱（以上翻譯僅供參考）。

護犢心切的Asness在塔勒布攻擊了Antti Ilmanen之後終於忍無可忍，開始了瘋狂回擊。

上來先說一直想避開跟塔勒布正面交鋒，認為他雖然有時候還挺聰明的，但是錯的時候也很多，而且顯然是個瘋子，人品一等一的差。但是沒辦法，有時候這種瘋子就是要來招惹你

然後他指出塔勒布拿Universa Investments尾部風險對沖產品的業績和AQR風險平價以及其它共同基金產品之間，根本就沒有可比性。（言下之意就是，你拿姚明跟劉翔比身高，欺負我咯LOL）

此外，針對塔勒布說AQR不揭自己短的問題，他強調自己寫了50篇關於價值投資問題的文章，從來沒有因為旗下價值類基金表現不好，而對其避而不談。

其中點贊數最多的是這條，想必也是激起了廣大網友的共鳴。

當然以Asness火爆的性格，不口吐芬芳是不可能的

Asness的脾氣仍然會在社交媒體上爆發——去年倫敦金屬交易所取消了近40億美元的交易，指責它“竊取”了包括AQR在內的公司利潤，Asness在網上大發雷霆，但他堅持認為，激烈的爭吵已經變得很少了：

如果你認為自己擅長三件事——洞察力、速度和智慧，那麼Twitter就是魔鬼。當你想到一些有趣的事情，你認為也可以很好地解釋一些事情時，把它放在那裡的誘惑是相當大的。但在過去的幾年裡，我有了相當大的進步。我不再回應噴子了，我只是迅速地遮蔽掉。

AQR的聯合創始人之一David Kabiller將Asness的溫和程度歸因於該公司領導三人組的第三位成員John Liew。就連Asness也承認，John Liew工作職責中有一小部分是做我的心理醫生。

Kabiller、Liew、Asness

那麼，從2018年開始，像AQR這樣以因子為重點的量化基金到底出了什麼可怕的問題呢?

答案各不相同，但有一些共同的結論：

一些人認為：即使是基於大量歷史資料的投資策略，也不可能永遠有效，因為市場機制變幻無常。

2020年10月，Bernstein的量化策略主管Inigo Fraser-Jenkins撰寫了一份題為《為什麼我不再是一名Quant》的報告，探討了這個問題：

他認為，像他這樣的Quant的原罪在於，他們挖掘歷史資料，尋找長期有效的線索，但卻掩蓋了市場機制的事實。這可能意味著過去有效的方法在未來可能失敗。量化投資的核心是將回測試應用於未來的投資決策。但是，如果規則改變了，進行量研究和回測意味著什麼呢？

另一些人則認為：有些因子實際上可能從來就不可行。它們只是學者們過度熱衷的資料探勘的產物，他們急於找到很酷的東西來發表並獲得職稱，而資管行業總是在尋找一些可以打包出售、收取豐厚費用的東西。

不能復現就是耍流氓！

杜克大學金融學傑出教授，Research Affiliates 合夥人，Man Group投資策略顧問Campbell R. Harvey在論文《The Pitfalls of Asset Management Research》裡寫道:

In my 35 years as an academic, as an advisor to many asset management companies, and as an editor of one of the top academic journals in finance, I now fully appreciate the crucial importance of the role incentives play in the production of research.

激勵問題，加上統計方法的誤用，導致了一個不幸的結論：即金融領域大約一半的實證研究結論可能是錯誤的！

這個觀點其實埃隆·馬斯克也說過，那是在2013年可汗學院的一個採訪上。

馬斯克說：大多數學術論文都毫無價值！究竟有多少PhD論文被人真正用過？

針對這個問題。其實目前在業界與學界引起了大家的廣泛討論。

在Quora上，工程師副總裁Xavier Amatriain針對這問題的回答比較中肯：作為多篇論文的作者以及審稿人，Amatriain 表示：“現行的學術體系並不以提升‘實用性’為基礎，一旦接受了這一設定，那麼多數論文無用（useless）就毫不奇怪了……至少 useful 的部分定義是如此。” Amatriain 繼續說，學術論文主要從是否有新意（novelty）、有意義（significance）和有多少原創性（originality）這幾個方面考量。所以，在評論一篇學術論文的時候，真正應該問的是：這篇論文對這屆學術論文是否有意義，而非問這篇論文是否對全人類有意義。

QIML之前寫過一篇文章大家可以好好看：

換句話說，“因子動物園（Factor Zoo）”充斥著許多假的毛絨玩具，而不是真正的老虎和獅子。

由於Asness認為，量化策略的盈利能力主要植根於人類行為，而人類行為不會發生太大變化。AQR甚至在the Journal of Finance上發表了一篇論文，駁斥了大多數流行的投資因子無法複製的觀點：

最重要的是，自2020年底以來，幾乎所有因子量化策略（僅僅是AQR）的表現都出現了強勁反彈，這顯然讓人很難斷定多因子量化策略的有效性，或者這只是一種統計上的海市蜃樓，某種程度上又重新閃現了出來。

儘管如此，在過去的幾年裡，Asness被迫花了大量時間反思“量化寒冬”的原因，這種自我的反思，在大量的論文、採訪和部落格文章中都能表現出來。

Asness的結論是，Value表現得非常、非常、非常糟糕！就像曼聯0 – 7慘敗給利物浦。不僅僅是Value因子本身——從某些指標來看，Value因子遭遇了至少兩個世紀以來最嚴重的下跌——而且對其他因子的估值也很敏感。

資料來自：FT

這意味著，其他投資風格要麼無法抵消價值暴跌的泡沫，要麼加劇了整體的糟糕局面。

資料來自：彭博

在2020年年初，QIML報道了Two Sigma公佈2020年最糟糕因子：

價值因子是2020年表現最差的因子，已連續4年下跌！價值的四個構成部分都在虧損：

Price to book、Long-Term Reversal、Earnings Yield、Dividend Yield

我們都知道，AQR一直是“價值”的捍衛者！

Asness在2021年洋洋灑灑寫了一篇文章（23頁，1.7萬字）來為價值辯護，提出了另一個支援“價值”的論點。

在這篇論文中解釋了：為什麼長期價值預期收益率大大高於多數投資者可能認為的水平。

根據美國銀行本月的一份研究報告顯示，在購買大票的美國主動基金中，有70%在上個月超過了羅素1000指數，這是自2007年以來的最高水平。大型基金平均表現優於大盤85個點，創下2009年全球金融危機重創市場以來最高Alpha值。

美國銀行分析師將價值型股票的上漲描述為有史以來最強勁的上漲之一！2月份，價值型股票的表現超過了成長型股票。

同時，報告中還強調，量化基金也正逐步向價值股傾斜，2月份表現也十分強勁，其中72%的基金超過基準。分析師還表示，上月成長型基金是選股者的“天堂”，這一點尤為明顯！

回到主題。Asness在論文中寫道：

每個人都知道，自1990年以來，在樣本外，價值策略一直令人非常失望。就連Eugene Fam和Kenneth French也知道這一點

。Asness主要是想表達Fam和French去年寫的一篇論文，具體大家可以有空去讀。

但是，儘管這聽起來可能很奇怪，一個策略的實際平均收益並不一定是其真實長期預期收益的最佳估計值。

Asness解釋道：

為什麼？因為平均收益的主要因素之一是估值的變化！

根據Asness的說法，當估值的極端變化被納入收益預期時，可能會導致投資者高估或低估未來的收益。他指出，來自Research Affiliates、AQR和其他機構的早期研究表明，考慮這些估值變化可以顯著提高估值的精度（不僅僅是一個不同的、偏差較小的估值）。

Asness在論文中繼續論證了這一論點，使用迴歸分析來說明估值變化對標普500指數、美國政府債券和美股相對於其他發達市場股票的實際收益率有多大影響。然後他轉向了價值。

Asness發現，在1990年之後，價值的挫敗很大程度上是價差變化的結果，即價值股票在這段時間內變得比成長型股票便宜得多。如果你認為這種價差不會永久擴大，那麼你對真實價值預期收益率的負面程度就不會像那些只關注時間收益率的人那麼嚴重。

Asness特別研究了2018年至2020年間“可怕的價值崩潰”，他發現：

如果不是因為低估值股票對高估值股票之間令人討厭的大幅模貶值，價值投資者本來應該能夠獲得3.4%的收益，而不是實際每年11.9%的損失。

這些結果表明，過去三年的價值崩潰主要是價差擴大，而不是基本面被破壞。投資者只是為同樣的基本面（估值低的股票 vs. 估值高的股票）支付了更多的錢，與2017年底相比，基本面有了根本性的改善。

總之，Asness認為：

計算估值變化使我們更確信股票市場、債券市場和價值因子的預期收益是良性的正收益（即使我們仍然必須忍受估值變化導致的現實波動）。同樣，它讓我們更確信全球股票的平均收益與美國股票的平均收益並沒有真正的不同。所有這些都對長期資產配置具有重要意義。

我們希望這種分析使價值從歷史的垃圾箱中被拯救出來，許多人則根據1990-2020年樣本外（或更近的）表現將其扔進歷史的垃圾箱中。價值策略比許多人想象的要好得多，我們要增強對價值因子的長期信心，以及我們在艱難時期（有時是非常艱難的時期）的耐心與堅持。

最後，Asness深情的寫到：

最後，一個重要結論就是是策略本身的可持續性，它是否能像我們預期的那樣持續穩定的帶來預期收益，無論是持續的高收益或者是令人失望的低收益。我們所在乎的是策略邏輯的是否如我們預期的那樣。但這在現實中很難實現，很多時候，你會發現你堅持了很長時間的策略，其實邏輯是錯誤的。然而，這就是投資的真實情況，也是我們選擇這份事業所需要的面對的。

這篇論文並不能改變這些事實，堅持長期虧損的投資確實非常困難，正如避免愛上牛市的困難也是如此。確實，過去三十年估值策略的表現低於預期，且在最近三年表現非常差，這主要是由於估值的變化（你預期這不會持續），但我們也挺過來了！但是，這也並不意味著人們不會吵著要你的腦袋！我們希望這種分析可以克服這些困難，避免我們在估值低的時候放棄好的策略，或在估值高的時候超配這些策略。

然而，儘管投資業績出現好轉，投資者仍在繼續從AQR撤出資金，這一點很說明問題。今年，AQR的AUM自2017年以來首次出現增長，但這主要歸功於業績的改善。

資料來自：FT

然而，Asness認為，業績不佳的時期是一個人必須付出的代價，因為這些因子仍然有效，並引用了“no pain, no premium”的格言。正如Asness所說：

任何理性的，多元化的投資策略，歷史上表現良好，從未給你帶來任何痛苦的策略，都可能會有很多人湧入，讓它消失。

然而，這並不意味著因子量化分析師沒有在努力發展。在傳統量化方法無法實現的新資料集上使用人工智慧，這讓整個行業都感到興奮。

即使是Asness，以前對圍繞另類資料和人工智慧的炒作持懷疑態度，到現在也承認自己轉變了。“我是個天生的壞脾氣。但我想我已經有所進步了。”他說。“機器學習正在滲透到我們所做的許多事情中。”

下一個因子前沿

幾年前，機器學習是人工智慧領域最熱門的領域，儘管現在生成式人工智慧佔據了上風，但它仍然是金融領域的主力方法。五年前，AQR開始涉足，看看它是否有所改善。結論是：

人工智慧在資產管理中的應用，比人們想象的更為順利。但隨著時間的推移，方法的不斷發展，計算能力的不斷提高，結果也開始變得更加明顯。

像AQR這樣的因子量化基金並不像高頻交易員或文藝復興這樣的統計套利基金那樣使用機器學習。所有人工智慧方法的原材料都是資料：大量的資料！而現實情況是，市場在很大程度上缺乏資料，而且變幻無常。

對於大多數非結構化資料集，資料歷史很短。例如，使用社交媒體，你可能有十年的資料要處理。有限時間序列對有意義的回測提出了挑戰。由於歷史較短，對策略表現形成準確的估計就更加困難，這最終意味著，即使是非常強烈的訊號，在投資組合中也可能只會謹慎地獲得很小的權重。

另類資料更多的應用於偏股票型的量化對沖基金。近於即時的另類資料流有助資產管理公司提前獲得大量股票買入或賣出的訊號。除此之外，傳統資產管理公司也已經開始使用另類資料來幫助提升人工制定長期投資決策的質量。例如，英國資產管理公司Schroders在2014年推出了一個“資料洞察部門”（Data Insights Unit，以下簡稱“DIU”）。DIU擁有30名資料科學家，他們分析各種另類資料，幫助投資組合管理團隊制定中長期投資決策。

歐美市場也正在形成包括使用另類資料的資產管理經理、資料所有者和供應商的另類資料生態系統。例如，Orbital Insights和Prattle兩家另類資料供應商，前者利用衛星影像估計原油庫存，後者根據文字資料定量分析主要國家貨幣政策情緒。

投資機構為了獲得超額收益，不斷尋找新的市場阿爾法，但主動型基金在尋找市場阿爾法這個核心競爭力上的優勢越來越弱：

1、因為市場有效性不斷增強，基金經理很難找到被錯誤定價的資產；

2、因為大部分基金經理能得到的資訊同質化，導致很難找到獨特的資訊優勢和額外資訊；

3、因為調研高度人工化導致人才的費用越來越高。

目前國內使用另類資料的多為對沖基金、二級市場基金及部分一級市場基金。另類資料可以給基金經理帶來五點優勢：

更大體量的資料和資訊
新的洞察力
競爭優勢
可靠性
效率

雖然基金經理使用另類資料尋找到新的阿爾法只是時間問題，但並不是所有另類資料都有潛力可以幫助基金公司獲取市場阿爾法，因此另類資料公司在收集、清洗資料的同時，需要基金經理來評判資料是否有價值，同時高效的處理和應用將是降低成本和提升效率的關鍵，因此另類資料公司應當具備機器學習等技術開發能力和高效的產品策略。

另類資料 (Alternative Data) 包括傳統資料之外的新的資料，主要成分如下圖。

個人資料

個人資料 (Individual Data) 是由個人網上行為產生的，它還可細分為

社交網路資料 (social media data): Twitter, LinkedIn, 微信
新聞輿論資料 (news & reviews data): 新聞、產品輿論
網頁搜尋資料 (web search data): 谷歌搜尋、百度搜索、郵件

案例：

iSentium 提供交易股票時用到的 Twitter 上的情緒資料指標
RavenPack 提供交易債券、外匯和股票時用到的新聞情緒資料指標

商業資料

商業資料 (Business Process Data) 是由商業流程產生的，它還可細分為

交易資料 (transcation data): 主要是消費者交易資料 (Square,Intuit, Xero 等)
公司資料 (corporate data): 主要是行業資料 (AROQ, Edmunds, SNL Financial, Smith Travel 等)
政府機構資料 (government agency data): 國際級別(IMF, WTO, World Bank)，國家級別(美聯儲, 人民央行)

案例

Eagle Alpha 提供交易個股時用到的使用者電子郵件收據。

感測資料

感測資料 (Sensor Data) 是由手機、無人機、衛星上的感測器產生的，它還可細分為

衛星影像資料 (satellites images data): 衛星、無人機
地理定位資料 (geolocation data): GPS、手機 APP
天氣資料 (weather data)

案例：

Advan Research 提供交易個股時用手機記錄的地理位置資料 (根據人流量預測零售)
RSMetrics 提供交易個股時用無人機拍的停車場和倉庫影像資料 (根據車位佔滿率預測員工)

使用「另類資料」有利有弊

優點是沒被處理過，也沒有為其他使用者提供，因此有很高的價值等待發掘，深度學習裡的「計算機視覺」和「自然語言處理」的技術可以用來處理影像和文字資料
缺點是「獲取昂貴」和「隱私憂患」

另類資料並非神秘的、完全新生的事物，而是人類擴充套件資訊邊界的漫漫過程中的又一次量變性突破。之所以這麼說，是因為另類資料完全是一個具有相對性與變化性的概念。將歷史拉長來看能更好理解：兩百年前，地緣政治事件是另類資料；一百年前，股票價格資料是另類資料；五十年前，路透社公司首次將公司報表數字化之前，公司財務報表資料是另類資料。當時的這些資料和當今的網頁資料等等很相似，都對於投資決策有重要意義，但其獲取成本還未降低到足以使其普及。隨著後來技術的不斷進步，這些資料逐步被正式納入投資決策資料，構成了今天的我們所認為的傳統資料。而隨著今天和未來技術的發展迭代，越來越多之前無法利用的有效資訊、當下我們所稱的“另類資訊”也將逐步常規化，成為未來的傳統資料。

科學家們可以進行新穎的實驗來得出更廣泛的結果，但市場只有一個真實的資料集（實際發生的事情）。

此外，市場並非一塵不變的，它們會隨著其他參與者的行為而不斷變化——通常是故意阻止其他人試圖分析它們。

儘管如此，因子量化已經發現了越來越多部署人工智慧且富有成效的領域。但他們最感興趣的領域是分析文字資訊以獲取訊號，就像他們幾十年來挖掘數字資料一樣。

AQR的機器學習工作主要集中在挖掘全新的交易訊號和增強現有的交易訊號。AQR的投資組合解決方案組全球聯席主管Dan Villalon將新訊號的誕生、測試和實施比作海龜生命的開始。“這是一段緩慢而曲折的道路，並不是每個人都能在這條路上倖存下來。”

知乎上網友的一段話也和大家分享：

2020年mid-frequency quant equity著實不太好做，但AQR從兩年前開始就一直沒有起色，我覺得一定程度上是因為他們做的Factor Investing太傳統了，估計有很大一筆錢都還放在非常古老的Value之類的Factor上，現在隨著市場越來越擁擠，這些傳統Quant Factor早就不好使了。其實連新signal都很不好做，雖然市場上幾乎每個月都會有新的Dataset出現，但是說實話，這個世界上可供使用的金融資訊的理論上限就是有限的，data不可能無限地爆炸增長，現在新dataset的趨勢就是越來越詳細化、但容納的universe越來越小，比如以前某種投資者行為大家都只有aggregated number，現在可能有的data vendor開始提供transaction level number，但與此同時涵蓋的股票變少了，諸如此類，這樣的資訊雖然也不錯，但是能提供的新alpha其實有限。

所以靠著新的Dataset的高人一等的處理手法，實力高超的Quant team還能再堅挺一陣，但我個人是不相信這種做法能持續一個新Quant的整個職業生涯，比如直到40年後的，到時候新data的產出速度肯定已經大幅慢下來，獲得additional value的機會越來越少，因為金融市場上能用資料表達的資訊總共就那麼多，註定有一天是要挖到頭的。

對於那些已經四五十歲的老兵，或許這無關緊要，過段時間就退休了；但是對於剛剛入行的新手Quant，二三十年後該如何恰到飯，為此該怎樣有意培養自己的技能，我覺得是必須思考的問題。而且如今大fund都有成熟的data sourcing團隊，對市場上有哪些data vendor瞭如指掌，任何vendor賣的data都不可能只有一家fund買，即使是新dataset，大家一擁而上搶著用，效果也就不那麼好了。

雖然挖掘是困難的，但使用是快速的！AQR在2020年4月推出了一隻名為“Apex”的新基金，該策略結合了股票、宏觀和套利投資，以容納他們發現的許多新訊號和因子，去年增長了16.2% 。

但Asness仍然相信 AQR 的迴歸還有很長的路要走，考慮到經濟衰退是多麼可怕和漫長。他樂觀地認為，投資者將重返市場，現在他認為，在糟糕的時期堅持下去是值得的，並懷疑 AQR 是否會再次遭遇類似“量化冬季”的情況。

他說，如果真的發生了，很可能他已經不在人世了。