河内5分彩是不是骗人的 电动汽车跑滴滴很赚钱 手机挂机赚钱靠不靠谱吗 2018梦幻钓鱼怎么赚钱 dnf在哪里合粉赚钱 电话卡如何注册业务赚钱 投资什么理财安全赚钱 dnf娃娃机抓超速赚钱 养玫瑰花赚钱吗 全民欢乐捕鱼礼包兑换码领取 触手tv直播平台怎么赚钱 正点彩票游戏 郑州工作卖车和卖房哪个赚钱 亿乐彩游戏 又直播游戏有赚钱 斗鱼直播开播怎么赚钱 冰川网络游戏能赚钱吗

基本面因子投資的三點思考

好買說:當樣本外的數據告訴你,你所相信的這些風險的解釋或者行為的解釋,都不能再支撐的時候,你要相信數據還是要相信信仰。從做量化投資、純data-driven的角度來說,永遠要相信數據,但是從基本面因子投資的角度來說,這已經背離了初衷。

基本面因子投資需要先驗

介紹就這么多,開始第一個思考,就是基本面因子投資需要先驗。以前美國金融協會主席John Cochrane的一段話作為開場,他說,我們之前認為資本資產定價模型(CAPM)可以解釋股票預期收益的差異。那些高beta的股票收益應該高,那些低beta的股票收益應該低。這是我們最初的理解,但是現在呢,我們似乎認為CAPM已經失效,因為我們挖出了成百上千個因子。這里的因子僅限于基本面因子,不談更高頻的量價因子。即使對于基本面因子,學術界已經發表出來的也有四百多個了,再加上其他亂七八糟的,上千應該是沒有問題的。也就是說,我們有一千個因子來解釋截面上哪些是好股票、哪些是壞股票,哪些股票收益高、哪些股票收益低。這其實是一個挺反諷的事情。

我們為什么會走到今天這個局面,可以借鑒杜克大學Campbell Harvey教授之前在美國做的一個演講。從基因的角度談,我們是傾向于“過擬合”這件事的,這是從生存、從進化論的角度來說的。假設一只羚羊正在草原上吃草,突然聽到了“沙沙沙”的聲音。這個聲音可能是微風吹過草叢或者樹木,也可能是一只獵豹要捕食。這時它覺得有事,它怕可能是獵豹,所以就跑了兩步。后來發現,這不是獵豹,就是微風吹過,這時它犯了 Type I error,就是False Positive,它認為有獵豹,實際上沒有。為此付出的代價是什么呢,無非就是多跑了兩步,消耗了一定的能量。但如果它不跑,它認為沒事,但最終真的是獵豹來了,那它付出的代價就是被吃掉,這說明它犯Type II error的代價是巨大的。所以,從羚羊的角度,它寧愿多跑兩步。

那么,這件事套在因子上就是,我們挖出的這個因子,Type I error代表它是假的,但我們相信它并使用了。當然,如果控制好風險、控制好倉位,即使這個因子只是一個“過擬合”的產物,那么它在樣本外也不過是一個為零的預期收益。但我們寧愿相信它是一個真的因子,因為如果它是,我們卻沒有用,那就可能少了一個很有效的收益。所以,從進化的角度來說,人似乎也愿意犯Type I error。

在實踐中,多重檢驗讓我們更容易犯這樣的錯誤。Dr. Marcos Lopez de Prado,True PositiveTechnologies的CIO說:“對同一段歷史數據,我們在回測中嘗試大量參數或是測試了大量策略后,找出來效果最好的一組參數或者一個策略總能獲得不錯的效果,但這只是pure luck。”比如,我試了20個因子,找到20個因子里表現最好的。我接著試了50個,找到其中最好的,那肯定比前面20個因子里最好的還要好。我們可以再接著試100個因子,不斷地試,那效果肯定越來越好。而這些都是基本面因子,通過不同的加減乘除方式構建的基本面因子。

那怎么量化上面這種現象,剛才挖因子的過程歸根結底能用兩個誤差來總結——過擬合偏誤(overfitting bias)和選擇偏誤(selection bias)。我舉三個例子:一是假設我試了n個因子,得到平均收益t值的正負號。我不考慮先驗,不考慮基本面原理,使用所有因子。如果 t 值大于零就正著用,小于零就反著用,這就是過擬合偏誤。二是我試了n個因子,選一個最好的,t值的絕對值最大的,這就是選擇偏誤。第三個就是更多人經常實踐的,試了n個因子,挑出k個最好的,那么這兩個偏誤就都犯了。

通過一個簡單的例子就可以看到,犯了這兩個偏誤可以達到什么樣的效果。這是我拿中證500成分股做的實驗,因子都是隨機產生的,即,每期選股的時候都用隨機數。這張圖的橫坐標n是實驗的因子個數,不同顏色的線條對應選擇的因子個數。假如我試了十個因子,然后選一個最好的,那么能達到的t值,最高的也能接近3。

當然,用純隨機來模擬過擬合的效果,通常都是高估的。因為用純隨機來挖掘因子,是可以保證因子之間是相互獨立的。然而,在真實挖因子的過程中,大量因子通常是有相關性的。這個方法雖然高估了過擬合的程度,但也說明過擬合這個問題必須重視。而且,隨著這三條線往上看,選的因子越多,過擬合程度也是單調上升的。

這張圖是換了一個角度看這個問題。橫坐標是k,四個顏色代表因子n的個數。在給定選k個因子的假設下,試的因子總數越多,能獲得的效果也越好。所以僅靠挖掘純隨機的因子,就能得到這么高的效率,可見過擬合是一種穩定存在的現象。

學術界有很多方法來評估是不是過擬合。比如,正交化和自助法就可以在一定程度上達到這個目的。正交化是在截面上把基本面因子真正能預測收益的部分去掉,這樣就可以客觀評價隨機部分。自助法是通過重抽樣來構建一個隨機部分,即,純靠運氣成分得到的概率分布,這樣就可以評價因子在排除運氣成分后是否仍然有效。

即便如此,我們有了方法,也有了警惕性。但是能用的指標,包括通過各種組合方法得到的指標,實在太多了。比如,Chordia,Goyal,Saretto(2017)使用純基本面的指標,通過加減乘除的四則混合運算構建了兩百萬個因子。實驗中,他們對data mining做了懲罰,然后找到17個在統計上和經濟上都非常顯著的因子。這是其中一個,針對美股做的。

這些純粹從基本面指標得來的因子,既沒有什么先驗來支撐,也沒有什么道理。但是在經濟上和統計上很顯著,而且還懲罰了data mining。你能不能相信呢?

為了回答這個問題,我們首先要思考什么是因子?因子背后的驅動是什么?多因子研究的起源是Fama-French三因子模型,現在已經是家喻戶曉了。他們在1993年發表了一篇非常有影響力的文章,內容是,股票截面的預期收益可以被市場、SMB(小市值-大市值)、HML(價值股-成長股)這三個因子來解釋。

看完這篇文章,我們大部分人都記住了三因子模型的公式。但這篇文章最重要的其實是篇尾的這段話。Fama說,第一,我們雖然從empirical data中發現了這個公式,但是我們在這篇文章中并沒有回答是什么導致了和價值、市值相關的這些股票,在收益率上的差異,以及是什么基本面促成了這樣兩個因子。第二,即使我們找到了促成這兩個因子的基本面,它們背后又到底代表了什么樣的風險?最初,無論是CAPM還是Fama-French三因子模型,都是要從風險的角度來解釋這個因子。為什么這個因子會被定價,為什么這個因子能獲得收益?

所以,他們在1996年發表了一篇影響力可能不亞于三因子模型的文章,試圖去解釋,或者說,從風險的角度來將SMB以及HML和財務困境聯系起來。然后,猜想它們代表了投資人需要對沖的某種系統風險。當然,很多人不同意。其中,最知名的當屬Lakonishok, Shleifer,Vishny(1994)。他們認為,比起成長股組合,價值股組合的波動率并不很大。因此,從風險這個角度來解釋HML,似乎站不住腳。他們更愿意從投資者行為偏差和錯誤定價,比如,對成長股好的基本面過度外推,對價值股反應不足,這些方面來解釋。這表明,即便Fama和French很努力地想對SMB和HML做出充分解釋,但是也有很多人提出不同的看法。

“什么是因子”這個問題,隨著五因子模型被提出,變得更加棘手。Fama和French 在2015年發表了五因子模型,他們從Dividend Discount Model(DDM)出發,在三因子模型的基礎上,加上了盈利和投資兩個因子。然后,Hou,Xue,Zhang(2015)從投資理論出發,也提出了盈利和投資兩個因子。這些因子,似乎都能找到非常好的經濟學原理來支撐,但是還是有人會質疑。Fama,French以及Hou,Xue,Zhang都沒有對盈利和投資這兩個因子背后的原因,給出任何解釋。雖然它們來自DDM,來自投資的q-theroy,但是我們仍然不知道為什么ROE高的公司,未來就會有更高的收益;total assetsgrowth低的公司,未來就會有更高的收益。這只是來自實證數據,我們并不知道這背后到底隱含著哪種風險。

這里分享一段來自Robeco的觀點。Robeco是一家起源于荷蘭的大型資產管理公司,大約有90-100年的歷史,中文名叫“荷寶”。他們說,從五因子模型開始,似乎我們對資產定價模型的研究就變了。之前,無論是CAPM還是三因子模型,我們都希望找到一個風險的解釋,找到這些因子背后的邏輯。但是從五因子開始,我們似乎就不再做這件事了。而如果我們不再追求一個風險的解釋,或者放開一點,從行為金融學、從錯誤定價方面的解釋。那是不是任何因子都可以用在模型里,只要好使就行。如果是這樣的話,我們就可以從400個因子里面,找到最小的一個、五個、十個來解釋其他因子,那是不是就是一個定價模型,是不是就可以用了?我認為這是一個很好的問題,也值得我們深入討論。

我們再來回顧一下ROE和剛才從兩百萬個因子中找出來的最好的那一個因子。我自己的看法是,不能因為ROE來自于經濟學模型,來自DDM,來自q-theory,有故事可講,就認為它比前面那個和long-term debt有關的因子更合理。雖然這個因子顯然不合理,但ROE就真的比它更合理嗎?在樣本外一定更有效嗎?

所以,什么是因子,或者說什么是因子的先驗?我自己的看法是,一定要存在以下二者之一的解釋。要么它代表了某種風險,要么它代表了某種定價錯誤的異象。對于三因子模型而言,現在其實無論是美股還是A股,市場這個因子在截面上都已經沒有什么預測能力了。但大家仍然把它放在因子模型里,因為它在時間序列上可以非常好地解釋股票的波動。那么從風險的角度來說,Market這個因子是有效的,而SMB和HML可以解釋截面上股票收益的差異。我們回到ROE,雖然大家都在用,但我只是提出一個思考,它真的非常合理嗎?

基本面因子投資需要方法

第二個思考是基本面因子投資需要方法,主要是這幾方面。我們要使用某個因子,要構建因子的投資組合。如何確定因子暴露,如何計算因子收益率,忽視因子相關性有何種危害,以及如何比較不同的因子?這大概是一些比較基礎的問題。

因子暴露怎么確定?第一種方法學術界用的比較多,就是回歸。先構建一個因子組合,得到因子收益。然后在時序上,拿個股收益率和因子收益率回歸,用回歸的beta作為因子暴露。但是這個方法有兩個問題,一是,回歸總要有一段比較長的時間窗口,才能得到穩定的回歸系數,所以這個系數的變化就會比較慢。二是,這樣計算得到的因子暴露存在誤差,因為回歸本身就有誤差。第二種方法是像MSCI那樣,即Barra那一套,直接使用公司的指標。比如,市值就用對數市值,ROE就用ROE本身。當然,因子還是需要標準化。除此以外,還需要關注的是數據質量問題,像數據缺失或不同行業是否可比。現在,大家非常愿意做的一種處理就是行業中性,但這背后又有多少邏輯。不是因為它好使,或者說講出來特別合理,就用對了。這背后又有多少思考?不過,從學術界最新的研究來看,還是說第二種Barra的方法更好。這也是現在業界普遍使用的一種方法,所以應該沒有什么問題。只是說,在第二種方法的處理上,還是應該有更細微的考慮。

如何計算因子收益率?有了因子暴露,就可以按因子暴露的高低構建組合,并計算因子收益率。最簡單和直接的一種方法,就是組合排序(Portfolio Sort)。排完序以后,做多前百分之十或前百分之三十,做空后百分之十或后百分之三十,得到因子在時序上的收益率。但這種方法最大的問題在于,它無法控制因子在其他因子上的暴露。比如說,以BP為目標構建組合。它在BP上有比較穩健的暴露,大概都是3左右。但是因為沒有控制在其他因子上的暴露,可以看到它在市值和ROE上都有比較明顯的負暴露,而且是時變的。由于在其他因子上有暴露,就會對評價這個因子到底好不好使,掙了誰的錢,是否掙了BP的錢,BP到底有多少收益,產生一定的影響。

第二種計算因子收益率的方法是MSCI/Barra的做法,使用Fama-MacBeth截面回歸得到所謂的純因子組合(pure factor portfolio)。現在,這個概念也已經深入人心了,因為它是可以從數學上得到保證的。假設X是組合的因子暴露矩陣,那么在最簡單的、不考慮任何約束的情況下,得到的純因子組合就是下面這個關系式:。把這個純因子組合乘以X,可以得到一個單位矩陣。這就相當于從數學上保證了,純因子組合只對目標因子有恒定的暴露,對其他因子沒有暴露。這是在數學上非常自洽的一套體系,所以很多人喜歡用。因為這樣得到因子組合每期都非常純凈地暴露在目標因子上,在其他因子上沒有暴露,這也從數學上保證了怎么檢驗都是沒有問題的。比如,Barra的十個因子按純因子組合的方法做,確實能保證只有在目標因子上有暴露,在其他因子上的暴露為0。

因子需不需要正交化?因為大量因子的相關性都是比較高的,而大家在做因子研究的時候,當然希望盡量研究一些相對獨立的因子,這樣就能提供不同的信息。當然,僅從Fama-MacBeth回歸來說,因子是可以有相關性的,它不影響回歸的穩健型和有效性。不過,當我們想評價因子收益率的時候,普遍想知道t值,而t值的計算就要用到標準誤(standard error,se)。因子相關性比較高的時候,se就會比較大。因為對某一個因子j,它的se可以由下面這個公式來表示。

這個公式分母中的Rj^2,是拿因子j對其他所有因子回歸得到的。Rj^2越大,表明因子j和其他因子的相關性越高。而Rj^2越大,分母越小,se越大。這樣一來,就不太好評價這個因子到底是不是有效。它可能是個有效的因子。但是因為在回歸的時候放入了別的和它相關的因子,對它造成了影響。

舉個例子,我之前研究了一下異質波動率。這個應該是學術界自2006年發表以來,目前來看,影響力最高的因子。我在使用截面回歸的時候,除了異質波動率,還加入了波動率。然后,就得到一個非常詭異的結論,我似乎應該選擇波動率高但異質波動率低的股票。但是我仔細檢查后發現,原來異質波動率和波動率在截面上的相關系數達到了0.62,t值達到了7.8。這就迫使我需要思考,想把這個相關性處理掉。當我用波動率對異質波動率正交化后再去回歸,我發現,原來還是異質波動率才能夠獲得超額收益,波動率就沒有非常顯著。所以,這個例子說明,我們不能太相信數據分析出來的結論,還是要思考模型背后的假設是否滿足。

如何比較不同的因子?常用的方法有GRS檢驗、mean-variance spanning檢驗和貝葉斯方法。因子比較的目的是,當同一個模型中有不同的因子時,先要看哪個因子更好。然后再去圍繞那些最好使的因子構建組合,才去做落地化這一步。

以第一個比較方法為例,簡單介紹一下GRS檢驗。最近有一篇非常火的文章,就是中國版的三因子模型。作者在Fama-French三因子模型的基礎上用EP取代BP,然后講了一個非常美麗的故事——殼污染。百分之三十的小市值股票容易受到殼污染,進而影響分組值,所以需要把這百分之三十的股票剔除。在剩余百分之七十的大市值股票中,用EP取代BP,再用市值獲得了新的三因子模型。這個三因子模型在中國市場上的效果非常好。為什么能得到這個結論呢,用的就是GRS檢驗。當他們用中國版三因子模型的兩個因子作為解釋變量,去評價兩個Fama-French的因子時,市值和BP這兩個投資組合無法獲得任何超額收益。反過來,當他們用Fama-French模型中的那兩個因子去評價時,這兩個中國版因子的投資組合獲得了統計意義上非常顯著,且根本無法解釋的收益。所以,他們認為中國版的三因子模型更好。

總結一下,確定因子暴露可以用時序回歸的方法,也可以像Barra一樣,用指標本身。檢驗因子的收益率,最常用的是多空對沖的方法或者回歸的方法。剔除相關性用正交化的方法。因子比較用GRS檢驗,或者mean-variance spanning檢驗和貝葉斯方法,這些都是學術界非常常見的。現在也能看到,它們正被專業投資人越來越廣泛地應用到實際投資中。

基本面因子投資需要信仰?

最后一個思考是帶著問號的,基本面因子投資需不需要信仰?以AQR為例,AQR是我個人非常喜歡和尊敬的一個公司。它可以說是學術界里最會投資的,投資界里做學術最好的,發了很多高質量的學術論文。AQR用估值、動量、質量這三個因子,構建了一個市場中性組合。倡導買低估值、高動量、高質量的股票,然后用它們的反面對沖。但AQR在2018年的日子并不好過,下面這張圖上的白線是這個市場中性組合的凈值,持續下跌,估值因子實在是不好使。藍線是SP500,顯然這個組合沒有跑贏SP500。紫線是其他類似的中性策略的平均水平,組合也處于落后的位置。大約從17年下半年開始,組合持續下跌了一年。到了19年好像也沒有好轉,還在跌。

所以,你就會思考,做因子這件事,AQR肯定是非常專業的。但即便是這樣,他們也無法避免在短到中期內,可能是幾個月、半年甚至一年以上,因子組合持續出現虧損。任何基本面因子都代表了我們對截面預期收益的某種假設,例如,我認為小市值會更好或者便宜的股票會更好。但市場充滿了不確定性,一旦市場背離了這個假設,這個因子就會暫時失效。從我自己非常淺的經驗來說,我非常認同墨菲定律——任何能出錯的事一定會出錯。放到因子層面,就是任何一個因子一定會失效,至少是暫時性的失效。所以,Asness——AQR的創始人也出來說,任何一個策略都不會很容易,市場上沒有容易錢。如果一個策略可以躺著賺錢,那它一定會很快被套利走。任何持續、長期能掙錢的因子,都是時不時會讓你非常疼一下的。這是他寫的一份非常長的報告的大意,用來安撫投資者。

我們可以做幾個實驗。因為不論是樣本內挖因子,還是多因子的組合,都是用歷史數據。我們不可能找一些效果不是很好的因子,構建投資組合。一般都是找相關性比較低,樣本內穩定向上的因子。比如,這張圖中的十個因子,看起來也沒有多好,但是最起碼都穩健向上。把它們捏在一塊兒可以得到這條黑線,也非常穩定。

接下來,我對這10個因子模擬不同的失效個數。如果沒有失效,就是上面那張圖中的黑線。這10張圖分別對應有1到10個因子失效的情況。藍線代表平均水平,陰影部分是5%到95%的區間,最好的情況和最差的情況的邊界。當無效因子的個數越來越多的時候,這個區間會越來越大,表現的波動也會越來越高。有人說,這看起來也很不錯,第二行最右邊的那張圖,所有因子都失效也就是不掙錢。但藍線只是一個平均水平,要是運氣不好就會一直虧,加上交易成本后虧得更多。

這張表總結了前面那張圖。隨著失效的因子個數越來越多,表現的波動也越來越大,而且中位數也是逐漸下降的。

既然因子會失效,大家就會想去做擇時,但我們也要思考到底該不該擇時。不同的機構、不同的研究,學術界、業界,其實大家做擇時的方法也沒有什么神秘的,大概就是這四種,有的人也會把這四種方法捏在一塊。一個是按動量、一個是按估值、一個是按經濟周期、一個是按投資者情緒。大家都是這四種方法,沒有太多新的東西。我主要講前面兩種——動量和估值。

很多人用動量來擇時,這也非常很容易理解。因子過去一段時間漲得好,未來還會漲得更好。AQR研究了因子動量擇時策略和動量因子(UMD)本身的相關性。他們發現,在不同的計算動量的時間窗口下,無論是截面動量還是時序動量,都和動量因子本身有很高的相關性。相關系數普遍在50%或60%,有的甚至更高,達到77%。所以,一個大概的印象是,按動量擇時約等于超配動量因子。

如果按價值來擇時呢?Asness寫了另外一篇文章來證明,估值擇時也不是很好使。這張圖上的綠色虛線是價值因子(HML)的收益,紫線是按估值低來擇時獲得的超額收益。從結果來看,兩者相關性也非常高。由此給我們的粗淺認識是,按估值擇時約等于超配價值因子。

有人說,價值和動量這兩個因子都很好,長期來看都能掙錢,也是負相關的。所以,似乎這兩種擇時方法都很不錯,把它們組合在一起也沒什么毛病。但是它們兩個可以同時失效(together we fall),18年下半年就是這樣一個情況。可以想象,如果在那時按動量或者按估值擇時,也會有一個比較慘的表現。

我們還用剛才那十個因子進行模擬,用最簡單粗暴的方法,每年等權配置過去一年漲幅最高的五個因子。在樣本內,這種方法確實跑贏了十個因子的等權配置。但問題在于,當動量因子無效造成動量擇時無效的時候,因為你擇時了,會導致這十張圖與前面十張圖相比,波動是更高的,5%到95%的區間也變得更寬,收益的中樞也下降得更快。這是因為,樣本外的不確定性不僅來自于因子本身的不確定性,還來自于因子失效而造成的擇時的不確定性。這一點是在做因子擇時的時候,必須要考慮的。任何一種擇時方法在樣本內一定是非常好使的,因為不好使也不會把這種方法提出來。但是在樣本外,如果要評估是否使用因子擇時,就一定要考慮這兩種不確定性的疊加。

 

除了按剛才這種假想的方法擇時外,還可以按照A股因子的估值水平擇時。這是一個簡單的實證,來自CQR。他們對A股常見的六個因子——流動性、質量、價值、市值、反轉以及波動做了一些分析。圖9是這些因子的估值水平,波動十分劇烈。圖10是估值和因子未來收益率的相關性,其中大部分因子還是能夠看到正相關的。

圖11是按照估值擇時得到的因子權重的時間序列,不同的顏色代表不同的因子。可以看到,其實跟等權的差別也不是很大。雖然在時序上有波動,但總體來說還是比較平穩的。

從下圖的效果來看,也是微微戰勝基準(6個因子等權配)。當然,這個過程中沒有調整參數,因為這不是一個datamining的游戲,只是純粹的例子。我只想提出一個問題,按估值因子擇時能取得更好的效果,相當于超配了價值因子。但如果價值因子在未來不好使,我會怎么辦?我一定會非常痛苦,那時我還能不能堅持信仰。

回到這一部分開始的那個問題,數據還是信仰。從貝葉斯的角度來說,信仰就是先驗。我認為這個因子好使,可能是我費了很多勁研究出來的,或者是我從學術文獻中借鑒的,或者是我和別人討論的,這些都可以是我的先驗。新息是樣本外的數據,把這兩個糅在一起,就得到后驗。我們關心的是,后驗中的因子還好不好使。

如果用夏普率(SR)代表因子好不好使,并假設先驗的SR分布是一樣的。那么我們就可以只看最后面一項,也就是在不同SR的假設下,出現這個新息的最大概率來評價因子現在的表現。我們構建了一個LLR指標,它的形式非常簡單。先不考慮log,括號里面是兩個后驗相除。原假設H0是SR=0,因子無效;備擇假設H1是SR=1,因子有效。這兩個后驗的比值越高,代表備擇假設被接受的可能性越大,說明這個因子還持續有效。我們應該接受H1,拒絕H0。加個log并不改變單調性,只是為了把比值變換到正負無窮之間。

這個指標借鑒了元晟(Winton)的做法,只不過他們是用來評價策略的,我把它用來評價單一因子。這張圖中的黃線是A股的SMB因子從01年開始的累計收益率。可以看到,SMB因子前期漲得非常好,但從17年開始就不好使了。

我用滾動兩年的數據去計算LLR指標,就是圖中這條藍線。17年SMB不好使以后,藍線就反復告訴我這一點。到后來,LLR指標都已經下降到了-3、-4了。那么這個時候,我是否應該摒棄小市值因子?信仰告訴我,應該堅持。因為它來自三因子模型,來自財務困境風險的先驗。但數據告訴我,它已經失效了。

我認為這是一個非常值得思考的問題。當樣本外的數據告訴你,你所相信的這些風險的解釋或者行為的解釋,都不能再支撐的時候,你是要相信數據還是要相信信仰。從基本面投資的角度來說,我愿意相信信仰。而從做量化投資、純data-driven的角度來說,永遠要相信數據,那我就會在2017-18年去做大市值。當然這也沒有問題,只要你有一套健全的模型評價體系,并且按照這個模型來做。但是從基本面因子投資的角度來說,這已經背離了初衷。但這兩件事誰是對的,誰是錯的,這是一個非常值得思考的問題。我相信AQR還在堅持,Asness之所以寫這篇文章,AQR的產品之所以到19年還在一直跌,都證明了他們還在堅持。這是非常值得敬佩的,但是對投資人來說卻是非常痛苦的體驗。所以,到底是相信數據還是相信信仰?

免責聲明:本文轉載自量化投資與機器學習,文章版權歸原作者所有,內容僅供參考并不構成任何投資及應用建議。

風險提示:投資有風險。相關數據僅供參考,不構成投資建議。投資人請詳閱基金合同和基金招募說明書,確認您自覺履行投資人的各項義務,并自行承擔投資風險。

版權所有 好買Copyright © howbuy.com, inc 2014. All rights reserved. [滬ICP備08003295號]

關于好買私募 | 聯系我們 | 誠聘英才 | 使用條款 | 隱私條款 | 風險提示
电动汽车跑滴滴很赚钱 手机挂机赚钱靠不靠谱吗 2018梦幻钓鱼怎么赚钱 dnf在哪里合粉赚钱 电话卡如何注册业务赚钱 投资什么理财安全赚钱 dnf娃娃机抓超速赚钱 养玫瑰花赚钱吗 全民欢乐捕鱼礼包兑换码领取 触手tv直播平台怎么赚钱 正点彩票游戏 郑州工作卖车和卖房哪个赚钱 亿乐彩游戏 又直播游戏有赚钱 斗鱼直播开播怎么赚钱 冰川网络游戏能赚钱吗