應對COVID-19危機：這三個量化策略經驗你必須了解！

• 2020 年 4 月 1 日
• 筆記

作者：Alex Lipton、Marcos López de Prado

編譯：方的饅頭、Allen

1

背景

新冠COVID-19的零號患者已追溯到2019年12月1日出現癥狀的個人。然而，該病毒直到2020年2月11日才被分離出並將其命名為SARS-CoV-2。2月19日，標準普爾500指數達到3393.52的歷史收盤價。在撰寫本文時，該指數在一個多月的時間裡下跌了35％，經過空前的2萬億干預之後，它比峰值低了24％。即使在股票市場中性空間中，許多量化公司也遭受了重大損失。在這場危機中我們能學到什麼教訓與經驗？在其中幾個中，我們重點介紹以下三個。

2

多臨近預測，少預測

傳統上，量化策略主要基於價格時間序列動態（例如統計數據套現）或基於橫截面數據（例如因子投資）來預測價格。幾年前，預測很有意義，當時數據集有限，大部分覆蓋了價格序列，披露很少，通常是季度會計報表。如今，我們可以訪問各種各樣的實時數據源，使我們可以「臨近預測」相關金融變數的價值。

預測和臨近預測之間的關鍵區別在於，預測使用結構化數據進行長期預測，而臨近預測則依靠非結構化觀測進行短期預測。例如，基於每天通過網路抓取數百萬在線價格而得出的通貨膨脹的預測，比從複雜的計量經濟學模型得出的預測準確得多。同樣，停車場佔用的衛星影像提供了零售商的收益預測，工程數據集用於即時預測下一個煉油廠產量或汽車生產數量等。

對於市場預測者而言，這種拋售可能是一場黑天鵝，但對於市場臨近預測者而言，這是可預見的結果。現在是時候讓量化分析師將臨近預測添加到他們的武器庫中了。

3

發展理論，而非交易規則

學界和業界通常要進行成千上萬次回測，以確定一個有前景的投資策略。然後，報告表現最好的回測，就好像進行了一次單獨試驗一樣，並選擇發布或發行一個新基金。由於這種選擇偏差，大多數發表在金融領域的研究發現都是錯誤的，即使我們無法確切知道是哪一種。這個事實很容易解釋為什麼許多基金表現不如預期，包括但不限於在COVID-19危機期間許多量化基金的近期表現。

在科學方法中，測試在試圖駁斥一個錯誤假設方面起著至關重要的作用。但是，在金融領域，研究人員已針對相反的目標（即建立假設）進行了回測。這意味著回測被錯誤地視為研究過程的一部分，而不是驗證過程的一部分。這種情況超出了投資領域，包括所有經濟模型。例如，宏觀經濟理論被廣泛認為是無用的，並且對金融建模者沒有任何幫助。

解決此問題的方法是使用對過擬合具有穩健的特徵重要性分析方法來開發無需回測的理論。引用英國著名科學家Isaac Newton爵士的話：

「就像在數學中一樣，在自然哲學中，對困難事物的分析方法應該比合成方法先行」。

功能理論通過揭示精確的因果機制來解釋現象。可以使用比回測更強大的驗證工具來測試這種因果機制的有效性。例如，我們可以調查在恐慌性拋售之前是否存在持續的訂單流失衡，例如在COVID-19拋售或2010年5月6日的閃電崩崩盤觀察到的那種。微觀結構理論告訴我們，失衡的訂單流不利地選擇了做市商，他們最初通過以出價形式提供流動性來保持價格，但最終自己成為賣方，從而導致價格急劇下跌。為了檢驗這一理論，我們可以調查在這些恐慌中哪些做市商虧損了，他們是否監控訂單流失衡，我們可以在當日的FIX消息中搜索它們突然撤退的證據。沒有一個交易規則的歷史模擬（即回測）能為我們提供這種洞察力水平。總之，假定基礎理論是正確的，回測僅可用於評估交易規則的經濟價值，但不能證明理論。

4

避免全天候策略

學界和業界通常會尋找在許多不同市場體系中都表現良好的投資策略。這種搜索暗示了這樣一種假設，即這種策略確實存在。但是為什麼會這樣呢？為什麼不管潛在的市場和經濟狀況如何，Alpha的來源都會持續存在？引用Napoleon Bonaparte的話：

「如果要保持自己的優勢，就必須每十年改變一次策略」。

我們都知道他不再聽從這個建議後發生了什麼。

這種「全天候」的假設不一定有效的，這一事實已被許多成功的基金在零利率環境中以及最近在COVID-19危機期間陷入困境的事實所證明。鑒於市場具有適應性，並且投資者可以從錯誤中吸取教訓，因此，真正存在全天候演算法的可能性很小（該觀點通常由可自由支配的投資組合經理提出）。即使存在全天候演算法，它們也可能是跨一個或多個方案運行的演算法群體中相當微不足道的子集。此外，美聯儲從狹窄的做法到部分準備金的做法進行了史無前例的轉變，使得許多（如果不是全部的話）「全天候」的假設成為現實。

相反，資產管理者應將精力集中在尋找在明確的市場體制下表現最佳的投資策略。每個機制都有一個特定的數據生成過程（DGP）。現在，我們可以預測從每個DGP提取當前觀測值的概率，並使用這些概率構建這些最佳策略的集合投資組合。隨著時間的推移，這些概率從一個DGP轉移到另一個DGP，集成投資組合會動態調整並適應當前的市場條件。例如，在COVID-19拋售期間，集成投資組合將減少對為經濟擴張而優化的模型的配置，而增加對經濟衰退和市場動蕩而優化的模型的配置。

我們希望Quant們採納這三個經驗。COVID-19危機可能有助於啟動一個量化模型的新時代，該模型可以利用更全面的數據集，更符合科學方法，並且更具適應性。

參考文獻

• Hebrew University of Jerusalem; Massachusetts Institute of Technology (MIT)
• Cornell University; Lawrence Berkeley National Laboratory. [email protected]
• https://bit.ly/2WHQmao
• https://bit.ly/2WGOhvb
• https://bit.ly/2UvhAyc
• Lipton, A. 2016 「Macroeconomic theories: not even wrong」, Risk Magazine.
• https://ssrn.com/abstract=3544431
• http://ssrn.com/abstract=1695596
• Lipton, A., Pesavento, U., Sotiropoulos, M. 2014 「Trading strategies via book imbalance」, Risk Magazine.10 https://ssrn.com/abstract=3558728
• https://ssrn.com/abstract=3459866