第11章　对量化交易的批评

开场：宽客被周期性憎恨#

作者用毕加索的题记开篇——「计算机是无用的，它只能给你答案。」（章首题记）——随后给出一条被憎恨的时间线：1987 年 10 月崩盘归咎于投资组合保险（portfolio insurance）；1998 年长期资本管理公司危机归咎于量化模型；2007 年夏天，舆论从猜疑转为公开的负面情绪。他把敌意的来源分成三类：小学阶段对数学课的憎恶、对未知的恐惧、对黑箱崩盘的害怕。定调是双面的：“反对量化交易的声音有的是完全正当的，有的是彻底荒谬可笑的。“——这句自我设限值得记住，因为全章的真正内容，就是他划分”正当”与”荒谬”的那条线画在哪里。

批评一：交易是艺术不是科学#

批评的逻辑是：市场由人对信息的反应驱动，同一条信息不同人读出相反结论。他举 CEO 被解雇的例子：一个交易员读成领导层不稳（坏消息），另一个读成董事会明智决策（好消息），事前无法证明谁对。所以”人类行为不能被模型化”。

他的回应分两层。第一层是修辞——把批评者比作迫害伽利略、哥白尼的人，并诉诸自动化的普遍趋势（造汽车、开飞机、股票交易都已系统化）。第二层才是实质：量化技术在别处确实成功，亚马逊按浏览记录推书、CRM 软件做客户数据挖掘、人力资源部找出哪所大学产出最好的雇员。他随即让了一步——模型只是对真实世界的模拟而非复制，“我们不能期望量化模型有多完美，就像不能期望亚马逊每次都推荐正确的书”。他的证据是第 2 章提到的长期异常表现者：埃德·斯柯达、文艺复兴科技、普林斯顿新港合伙公司、肖氏公司（D.E.Shaw）、Two Sigma。

注意这里的回应结构：批评说的是”人类反应无法建模”，他答的是”建模在别的领域有效 + 有几家公司长期赚钱”。前者是机制问题，后者是结果问题——他用幸存者的业绩绕开了机制。

批评二：宽客低估风险、放大波动——承认一半，把另一半骂成无稽之谈#

这是全章让步最多的一节。他直接写道这个批评”既包含真实成分，也包含虚假成分”，然后逐项认领：宽客会提错问题、会用错技术（点名 VaR）、会对市场做错误假设；“试图将风险表示为一个数字，这个目标看上去是毫无意义的”；2007 年 8 月量化清算危机中，宽客确实低估了大规模、拥挤交易策略中的下跌风险。他还给出一个自嘲的设例：假设本书卖 5000 万册、他拿 50% 收入、投进交通工具每年 100% 复利——模型能算出任意时刻的精确财富，但所有假设都高度可疑。结论是”给定计算机一个被很好地设定或者做出很多假设的问题，计算机可能给出一个极其精确但完全错误的答案”。

但让步立刻拐弯。他把责任推给使用者与需求方：判断假设不是计算机的工作；VaR 之所以流行，是因为风险经理和银行监管者想要一个数字，而不愿做多角度、有细微差别的困难工作。然后是本章最典型的转移句式——“他们并不孤单”：几乎所有领域的决策者都低估最坏情况、在灾难后高估风险，因为极端风险罕见、概率与损坏程度都难以确定。于是”宽客低估风险”被重新定性为人类本性 + 极端事件的问题，而非量化的特有属性。这是承认了症状、否认了病因归属。

对后半句”低估风险 → 推高波动性”，他毫不让步。理由有二。其一，第 2 章已论证正常时期宽客倾向于降低波动性和无效性，不能因为非正常时期就忽视这一事实。其二，极端事件远早于量化交易：计算机广泛使用之前，道指经历五次大跌，最糟超过 40%；大萧条时期跌近 90%，直到 1954 年才恢复；1973 年 1 月起跌、1974 年 12 月见底、跌幅 45%，到 1982 年 11 月仍未完全恢复；此后是 2000 年 3 月至 2002 年 10 月互联网泡沫的熊市。债券端最严重的是 1998 年俄罗斯债务危机——影响了一些”量化”公司（他重申第 10 章的立场：不认为 LTCM 是量化交易公司），但不是宽客引起的。1995 年墨西哥危机、1997 年亚洲金融危机同样与量化无关；他还刺了一句，亚洲各国当年把矛头指向的是主观型宏观交易员乔治·索罗斯。

然后是反向验证，聚焦 2007 年 8 月——他说这是”迄今为止仅有的一个好例子”。那两周道指历史波动率确实上升，但只是从远低于平均的水平回到 1990 年以来的平均水平；8 月 3~9 日量化清算最惨烈的时段，道指反而上涨约 1.1%；VIX 从 25.16 升到 26.48，四天内不算显著。他的结论是把波动性归因于量化交易是”天马行空的想象”，真正的驱动是政策决定、外部冲击（战争、恐袭）、经济周期、狂热与恐惧。

这段数据是真的，但选择的标尺值得读者自己掂量：量化清算危机主要发生在股票市场中性策略的内部，多空两腿同时反向绞杀，而道指是宽基单向指数——用道指的平静证明量化没搅动市场，衡量的并不是同一个东西。他也没有回应”拥挤交易在去杠杆时相互踩踏”这一批评的核心机制，尽管他在前一页刚刚承认了拥挤交易的下跌风险被低估。

2008 年：他把问题窄化成”是不是宽客干的”#

他明说讨论 2008 只有两个目的：①评估宽客是否应该负责；②讨论宽客境况如何——“并不是想对危机进行彻底的检查”。这个自我限定本身就是回应策略的一部分。

他先列真凶：不做尽职调查就向不合格客户放贷的银行、视而不见的监管者、会计准则漏洞、大量杠杆、贪婪鲁莽的人、错误的报酬机制、极度的自我。背景是他写书当时的实况：股市十年内第二次跌超 40%，几十家银行破产或国有化（含美国五大投行中的两家），房价暴跌，货币市场基金巨亏，保险和抵押公司被国有化或求救，冰岛实际破产、需俄罗斯救助。他引了时任财政部长亨利·保尔森对国会的话——「这是彻底崩溃的时间段。」（「2008 年的市场混乱」小节）

接着是他最有力的一击：反驳”卖空者和对冲基金引发危机”。他指出为取缔卖空和对冲基金大肆游说的人，本身就在转移注意力；并给出一个可检验的自然实验——美国证监会禁止 799 只金融股在 2008 年 9 月 19 日至 10 月 8 日卖空，这段时间金融 ETF（XLF）继续下跌 23%（剔除约 1% 红利后更糟）；禁令解除、允许卖空后的一周，XLF 相对 10 月 8 日收盘价反而略有上涨。他也顺手嘲讽：没人提议取缔传谣的网站。

对”宽客造成房地产泡沫”的说法（他引 Scott Patterson《The Quants》一书，把肯·格里芬、博阿兹·温斯坦与危机挂钩），他指出两个漏洞：第一，涉信用交易的基金根本不是系统化交易——格里芬和温斯坦数学好，但策略”完全主观型”；城堡基金和萨巴基金做的是资本结构（股票与各类债务）不同部分之间的错误定价套利，靠的是法律和会计技能，没有系统化过程，城堡还以收购 Amaranth、Sowood 的不良资产出名。第二，即便称他们为宽客，其投资行为也没有促成 2008 实体经济危机的任何环节。他用了一个刻薄的类比：推断他们是危机创造者，就像说世界是圆的是因为加利福尼亚能出产好的鳄梨。

然后是全章最关键的切割。他承认结构化产品在危机中”确实发挥着重要角色的作用”，并把病根说得很准：多样化概念的滥用——做一笔不良贷款是坏想法，做大量不良贷款却被当成好想法，因为背后是一个低劣假设：不会所有贷款同时变坏账，即不存在让所有债务同时违约的系统性风险。他也承认这个领域的数学很成熟（copulas 函数、Lévy 模型、鞍点逼近理论）。

但结论是切割：量化交易与结构化产品的创新”几乎没有关系”；量化交易和金融工程都只是”在金融领域利用数学”，重叠仅在微观层面。他划的分工线是——量化交易者不创设证券、不去评级公司路演、不把产品推销给养老金；金融工程师不预测产品未来走势、不执行交易；量化交易者通常不必操心估价，因为他们交易的工具流动性极强、价格确定可知。

这条线在职能分工上站得住，但它回答的是”谁签了字”，而不是”那套数学的信誉该由谁分担”。他自己承认 copula 那套定价数学是成熟的、假设是低劣的，却把”用数学包装了一个坏假设”的账全部记在金融工程师头上。此外他还留下一句含糊其辞的表态：“我并不确定是不是房价可能下跌以及严重的经济衰退被忽视了。“——在一段本可以明确的地方，他选择了不明确。

至于宽客 2008 年过得如何：他说”比大多数人表现都要好”。许多量化股票公司苦苦挣扎、年损失达 10%；但许多做统计套利、短期交易乃至部分长期策略的宽客获得可观利润；量化商品交易基金（CTA）和各资产类别的短期交易者表现相当出色。他反问：既然下跌 10% 是正常水平，为什么算坏结果？过去 10 年股票市值两次蒸发一半、许多传奇基金破产，那才是极端投资风险。他补充这不是第一次——1998 年夏天、2000~2002 熊市，宽客表现抢眼，部分人业绩超过历史水平；即便 1987 年 10 月大崩盘，许多量化趋势跟踪 CTA 也录得强势收益。收尾是一句指控：“在考虑风险时，相对于更传统的市场甚至于对冲基金，宽客采用的是非常好的双重标准。”

（存疑：本节结尾出现一句”正如前面所提到的，宽客在 2008 年苦苦挣扎是绝对不真实的”，与同段开头”许多量化股票公司苦苦挣扎，年损失达到 10%“直接冲突；同理”宽客采用的是非常好的双重标准”在中文里意思刚好反了——按上下文，作者要说的应是宽客被套用了双重标准。两处均疑为中译错漏，读者宜按上下文理解，不必当作作者自相矛盾。）

批评三：宽客扛不住突变——作者亲口认这条最合理#

他直接写”这或许是对量化交易最合理的批评”。机制很清楚：宽客必须依赖历史数据预测未来，市场发生重大或突然改变时就可能亏钱。但他立刻加限定：“除非市场体制变化特别大并且没有任何警示，否则对宽客的影响会比较小”——这个限定其实是循环的：正是”特别大且无预警”的时候才叫体制突变，说其余时候影响小，等于没有削弱批评。

他给出了具体时段与图（图 11-1，价值-成长型价差）：2004 年中到 2007 年初价值型优于成长型；2007 年 5 月中旬趋势反转，7 月下旬加剧，很可能就是宽客表现不佳、面临清算的原因；2007 年 5 月到 2008 年 1 月成长型反超的趋势比之前更剧烈。2007 年秋天许多量化策略已适应新环境，年末表现很好。但 2008 年 1 月和 2008 年 7 月两次（图中圈出）是 2007 年 5 月以来强势趋势的剧烈反转，是价差历史中最剧烈的部分，对股票类宽客构成巨大下行风险——原因就是宽客基于市场的主导模式做预测，而模型恰在此时被反转。他把 2007 年 7 月下旬到 2008 年 8 月这约 13 个月称为量化交易最具挑战的时期，宽客（尤其股票市场中性）面对流动性危机和至少三次剧痛。

（存疑：正文说”2007 年 7 月下旬到 2008 年 8 月”却称”大概 13 个月”，两者对不上；按上下文推测原意应为 2007 年 7 月下旬至 2008 年 8 月共 13 个月，日期表述疑有译印误差。）

他也给出例外：少数策略能穿越体制变化。短期策略靠在长期趋势的短期反转与随后恢复中获利，这类反趋势交易能让宽客在困难时段赚钱（但并非全都如此）。另一类是正常时期不交易、专等大规模混乱信号的旁观者——关键点交易（breakout trading），两类都以流动性最好的期货市场为主。

这是全章最诚实的一节：承认了机制、给出了时点、给出了图、也没有把亏损说成别人的错。

批评四：“宽客都一样”——唯一用硬数据正面碰撞的一节#

他称这个说法”明显错误”，并分理论与实证两路。

理论路：他把全书列过的决策点重述一遍——交易什么工具和资产类别、数据来自哪里与如何清洗、研发策略的方法、预测如何组合、预测提前多久、赌注如何结构化、风险如何定义与管理、交易成本如何建模、组合如何构建、交易如何执行。自由度极大。虽然策略种类不多（表面上都是找异常获利），但这些维度足以区分彼此。加上规模效应：按时间因素和持仓水平，每年交易可达数百万次，据他所知许多交易者每个交易日执行 10000 到 100000 笔——“当一年有数以百万计的交易时，一个交易的微小差异将会被放大。”

实证路（这是全章信息密度最高的地方）：

• 他自己公司的数据：量化股票账户同一时间持有 30% 方向相反的头寸；考虑到只有 75% 的头寸投在同一国家，则同一国家内约 40% 的头寸是反向的。
• 2008 年，先是马修·罗思曼、后是雷曼兄弟，分析 25 家最大量化股票市场中性交易者一年的组合数据，发现约 30% 的头寸与组内其他头寸方向相反；较小的公司差异更明显，反向头寸占 1/3 到 1/2。
• 日收益相关性：几十位量化经理（数据回溯到 1997 年）两两平均相关仅 0.03；252 组中只有 9 组超过 0.20；2008 年 9~11 月危机最烈时相关也只有 0.05。对照组是 8 个 HFRX 对冲基金指数（可转债到风险套利到宏观），平均相关 0.21；28 对中 11 对超 0.20、5 对超 0.40，股票对冲与事件驱动之间高达 0.81。
• 月收益相关性：53 个量化股票市场中性交易者（至少 25 个月历史），平均相关 0.13，且这还没算会进一步拉低相关的量化期货；对照 22 个 HFRI 对冲基金指数（剔除广义指数、基金中的基金、卖空基金）平均 0.48。

他的收束逻辑很锋利：如果宽客真的完全相同，一个宽客的多头不可能是另一个宽客的空头。

读者需要留意的落差：自家公司的 30%/40% 数据无法外部核验，而可核验的罗思曼/雷曼数据与之数量级一致，这一点对他有利。但相关性对比也有一处不对称——他拿”一群同类型的量化经理”和”跨风格的对冲基金指数”比，指数是聚合物，个体经理是原子，聚合本身就会抬高相关性。另外，2007 年 8 月的清算恰恰证明了低平均相关不排除尾部同步：平时相关 0.03，去杠杆时照样一起被踩。他用的是常态期的相关，回应的却是危机期的指控。

批评五：长远来看只有少数巨头能活#

批评的推理链他复述得很完整：最大最有钱的宽客能把最多最好的资源（从数据到执行算法）注入黑箱，还能跟服务商谈到更好条款，所以理应跑赢小同行；小宽客最终因业绩差或投资者摩擦被淘汰；跑得好的大宽客最终会用自有资金替换外部资金，于是想投量化的投资者陷入两难——投小而差的、挤不进大的、还是干脆避开这个领域。

他给了五条反驳：

1. 规模是负债。2007 年 8 月和 2008 年证明，困难时期重新调整巨大的组合耗资巨大——“在获得规模的同时牺牲了柔韧性”。
2. 最好的策略容量太小。大宽客做不了最吸引人的策略，因为可有效管理的资金量小到不值得他们出手。他举例：大宽客很少在澳大利亚、中国香港这类市场做统计套利，因为投不进足够资金；任何市场的高频容量都十分有限，所以高频在大宽客组合中很罕见。
3. 小基金实际跑赢大基金，有合理证据支持。一些观察者归因于小基金由渴望成功的经理管理，而非已经成功、自满的经理。他进一步说：没有好理由认为资源匮乏对宽客是比对主观型交易者更大的障碍——这是所有小交易者共同的处境。他引一位小型主观交易员的话（大意）：经纪人拿到有用信息时总想着”我不可能第一个得到这个消息，我只有努力工作靠自己发现”。
4. 规模逼迫大经理离开能力圈。小经理专注熟悉的事，大经理为了扩容必须多元化，越走越远离专长。多数成功策略容量有限，所以大交易者必须叠加与其成功之本不同的策略——他点名长期资本管理公司和 Amaranth 就是如此，也提到肖氏公司、卡克斯顿（Caxton）、城堡；他的结论是”有利于大型多策略对冲交易基金的证据是含糊不清的”。
5. 人比资源重要。绝大多数量化策略的成败取决于负责人的判断力和有效的研究过程；“拥有重要的应用科学知识、交易经验和良好判断力的优秀宽客比数十个缺乏这些品质的博士更有价值”。

他还岔开一段讲专业化的反直觉之处：工业革命以来各行业都在专业化，对量化交易而言意味着大公司倾向于雇专才做特定工作——但他认为现实并非如此。与其雇一个不懂软件开发（或硬件、网络优化）、可能也没交易经验的数学家，不如与横跨数学、计算机科学、金融的资深合伙人合作。理由是跨专家沟通会丢信息：术语不同、沟通方向不同、假设经常不同，最要命的是各方对”问题能否被解决”的理解不在同一层次。他举自己在金融业的第一份实习为证——在一个为交易柜台开发技术的团队里，大量时间精力花在堵程序员、统计学家和交易者之间的沟通漏洞上，很多工作徒然。他强调这不是控诉那个团队，而是任何需要多学科专家的领域的通病。反过来，学科交叉需要创造力：计算机科学、物理、统计、遗传学、博弈论、工程学等已大量应用于资本市场，而”深入了解许多专业的人在使用多学科技术时更得心应手”。

他还举了一个具体的反例：最小的公司总是依赖数据供应商，但一些业绩好的小宽客实际上自己收集和清洗数据——这件事很多人以为只有最大型公司才做得了。

最后他收得相当克制：这不是说大公司没有优势（这些优势他在本节开头就列过了）；结论是小宽客和大宽客之间没有本质不同——有的大公司投资更好的基础设施，有的没有；有的小公司有大量专业知识，有的因缺资源而受损。所以这归结为对经理自下而上的评估，没有有效的自上而下证据支持谁更优——而经理评估正是下一章的话题。

（存疑：本节末尾标注的参考文献 [1]，其文字与前一节讨论结构化产品数学时的 Brigo 文献注释完全相同。按上下文，这里本应是支撑”小对冲基金跑赢大对冲基金”的文献，疑为原书排印或中译时的注释错置，该论点的具体出处因此无法从本章文本确认。）

批评六：数据挖掘的错误与过度拟合#

他做的第一件事是拆分这个批评：数据挖掘在金融业臭名昭著，但”最应该进行批评的是与它可交换的另一种术语：过度拟合”。两者不是一回事。

先替数据挖掘正名。数据挖掘是实证科学，是第 6 章主要学科框架之一：用大量数据获取”发生了什么”的信息，不关心”为什么发生”。它与理论驱动型科学的区别在于理论家想理解原因——但他随即指出这条界限并不干净：理论家也要用历史数据检验何种理论能解释所发生的事。唯一可辨的区别是，理论科学期望推导出看上去合理的解释，实证科学则以分析数据的方法为主要研究内容。他的结论很直白：几乎所有人都在做数据挖掘，哪怕只是不严谨的数据分析，这本身不是问题——“我们从没有听过便宜的股票表现优于昂贵的股票，除非有数据支持这个结论”；如果数据强力反驳，也没人会认为它是有效的投资方向。

外部佐证他列了一串：国防反恐（政府用算法在数百万电话与邮件里识别既定模式，而不是雇人逐个偷听）、亚马逊按购买与浏览记录推书、CRM 软件帮商家把销售精力集中在最具潜力的客户上、人力资源部研究哪所高校的毕业生成为最优秀雇员（“优秀”由生产力和品质衡量）、科学界尤其遗传学（用遗传信息模式建立具体基因与人类健康及行为的关系）。既然数据挖掘在社会科学和自然科学多个领域广泛应用，说它唯独不能用于资本市场”是有失公平的”。

然后是一个反转式的辩护：他说更重要的是——正如第 3 章所述，大部分宽客对数据挖掘策略并不感兴趣，他们用的是基于强大的潜在经济准则的相关策略；许多宽客对拟合参数等环节十分认真。所以”数据挖掘在金融领域不应该臭名昭著，但它很大程度上是一个悬而未决的问题，因为许多宽客不会首先进行数据挖掘”。这是本章的一个典型走位：先花大篇幅论证数据挖掘是正当的，再说其实我们大多不用它——两条辩护指向不同方向，同时端出反而稀释了各自的力量。

对过度拟合，他不含糊：“完全是另外一回事”。定义是研究者试图从数据中提取太多信息：足够复杂的模型总能很好地解释过去，但这与未来的关系是”完全没有”。他的设例是美联储：设想每次美联储宣布利率决定，标普 500 平均跌 1%；但观察样本很少，且全部是加息通告。过度拟合就会得出”美联储通告总是负面新闻”；只要未来方向与过去一致，结论就还灵；一旦下次宣布降息，策略很可能亏钱，因为它主要建立在加息样本上。

他还做了一个亲手实验：在亚马逊新建一个账户，随意点了些感兴趣的书，返回的推荐远不如主账户理想——因为主账户有大量真实数据，新账户不到 20 本且是随意点的不同类型。新账户的推荐很可能过度拟合，旧账户则不太可能。

根本原因他说得很干脆：估计既定参数需要大量数据，过度拟合忽略了这个基本事实——用有限数据解释过多信息是不现实的。这类模型能很好刻画过去，但未来一旦与过去步调不一致就会失败；在量化金融里，过度拟合的必然结果就是亏钱。他同时守住边界：“说所有宽客都过度拟合他们的模型是不正确的。对过度拟合有过错的大都是进行数据挖掘的宽客。”

最后他给了一条可操作的准则：周期越短，越经得起数据挖掘，理由有三——

• 第一是样本量。持仓平均 1 年的策略，需要数百年数据才能做出实质性的统计分析；而持仓 1 分钟的美股策略，每只股票每天有 390 个交易周期（每交易日 390 分钟），每年约 100000 个（每年 250~260 个交易日），交易 1000 只股票则每年约 1 亿个观测。模型复杂度既定时，可分析数据越多，过度拟合概率越小。
• 第二，短周期内理论家对交易行为给不出有用解释，所以持有周期少于 1 天的策略，数据挖掘可能更有用；持有周期约一星期的，把数据挖掘与健全的市场理论结合的混合策略更有用。
• 第三，期望持有周期为数月或数年的策略，若依赖数据挖掘可能不奏效。

收尾是一句方法论上的公道话：过度拟合不只是可能，而是实际发生在一些量化交易者身上；但正如不能因为有些人易于过度分析就拒绝分析，我们也不能因为有些人可能（或很容易）做得不好，就快速驳回量化模型甚至数据挖掘。

小结：他自己承认的清单#

本章最后一段的自我认账最集中，值得原样记住：“量化交易不是万能的，确定有宽客应该对这一章所提到的某一个批评或者所有批评承担责任。“具体是：一些人做的是伪科学；一些人低估风险；一些人在市场条件突变时亏钱；一些人执行陈腐的被反复使用的策略；一些人用有限数据过度拟合。

但下一句就是本章的核心辩护姿势——“这些批评中的大部分同样适用于主观型交易者”。这不是否认，是把量化的问题重新归类为交易的普遍问题。读者要自己判断这个”你也一样”论证在多大程度上成立：它对”波动性归因""风险低估”这类指控确实有效（人性不分手工与自动），但对”拥挤交易同步去杠杆""模型在体制突变时集体失灵”这类量化特有的、由自动化与规模放大的机制，它的解释力就弱得多——而这恰恰是 2007 年 8 月真正发生的事，也是他在第三条批评里亲口承认为”最合理”的那条。

他给宽客自己开的四条药方（也是全章最后的落点）：

1. 警惕成为错误精确度的牺牲品，尤其在风险管理上——“打印出来的风险数字并不暗示这个数字是精确的或者正确推导出来的”。
2. 对市场里的各种关系保持警惕心，对所投的东西、以及在组合中如何操作它们有详尽理解，以便在市场突变时也能安全驰骋。
3. 对阿尔法策略和整个黑箱做创新性研究，减少所有量化模型中都存在的共同风险。
4. 明确使用数据挖掘时，不要对历史数据规模及其预测能力过分自信。

关于本章文本的几处存疑#

本章内容完整、无乱码，但中译本身有三处明显的内部矛盾或错置，已在上文对应位置就地标出，此处汇总以便读者对照：一是 2008 年宽客表现的段落里”苦苦挣扎”前后自相矛盾、“双重标准”的主客关系疑似译反；二是”2007 年 7 月下旬到 2008 年 8 月”与”大概 13 个月”的时间跨度对不上；三是”只有少数几个大型量化公司能够蓬勃发展”一节末尾的参考文献 [1]，与上一节的 Brigo 文献注释完全重复，本应支撑”小基金跑赢大基金”的出处因此无法确认。这些不影响作者论点的可读性，但引用具体数字与出处时宜留意。