股神巴菲特那麼牛，為何他會敗給一位數學家？

造就第283位講者 蔣龍

通聯數據首席科學家

一個多月前，全球股市遭遇了一次迅猛的下跌，道瓊斯工業指數曾在一天內下跌超過一千個點。受美股影響，全球股市也開始下跌。上證指數在不到兩周時間跌回了一年前的水平。很多投資者損失慘重。

大家都在問：這次下跌的元兇是什麼？

有人提到了演算法，甚至有人說這是史上第一次演算法股災。

這次下跌真的是由演算法引起的嗎？演算法在這個過程中到底起了什麼樣的作用？

我想通過我今天的演講，大家心裡會對這個問題有自己的答案。

股神VS 數學家 誰的投資收益率更高？

投資的基礎是預測。如果你預測一座城市的人口流入量會越來越多，同時這個城市的房產土地是受管控的，那麼你就可以提前買入這個城市的房產，通過房價的上漲獲利。

如果你了解一個公司的管理層，發現他們都很能幹，而且非常勤勞，你預測這個公司的業績會越來越好，那你就可以提前買入它的股票，從股票上漲的過程中獲利。

要做到精準的預測並不容易。過去，這種高度智力活動只有人才能完成，但隨著演算法的長足發展，演算法已經參與了部分投資工作，並在某些方面起了主導作用。

根據投資決策是由人還是機器做出，我們可以把投資分成兩大類：一類叫主動投資，一類叫量化投資。

主動投資的決策主要是由人來主導完成的，它的代表人物巴菲特相信大家都非常熟悉。由於巴菲特的基金在過去幾十年保持了25%以上的平均年化回報率，所以他被稱為股神。

因為人的精力總是有限的，所以每個投資經理能夠覆蓋的標的數量非常少，通常能同時關注的股票大概在二十多支左右。但人的優勢在於他會對所關注的每隻股票進行全方位地分析，力爭做出比較準確的預測。

主動投資的方式偏藝術，因為它是難以複製的。儘管巴菲特多次在公開場合去分享他的投資心得，但到目前為止，我們依然沒有發現誰能複製巴菲特的神奇。

與之相對的量化投資就完全不一樣。量化投資的代表人物是詹姆斯·西蒙斯，是一位數學家。他曾經管理的大獎章基金在過去三十年里創造了35%的年化回報率，超過了巴菲特。事實上這是一個費後的回報率，如果按照費前算，他的回報率應該是70%以上，遠遠超過了巴菲特。

由於量化投資藉助了計算機的能力，所以可以同時覆蓋非常多的股票，並且在瞬間完成計算，做出投資決策。只是受限於現在的演算法還達不到人的智力水平，所以在單只股票的預測上稍遜於主動投資的基金經理。

量化投資是非常科學的。為什麼這麼說？因為它是可以複製的，就像科學實驗一樣，可以不斷地重複、調整。

演算法如何帶來更豐厚的回報？

當我們要投資的時候，我們通常首先要做一個重大的決策，那就是要投資哪些品種，以及哪一個品種投大概多少比例。這就是資產配置的問題。

有研究表明，個人財富增長90%的貢獻來自於有效的資產配置。風險平價是當下非常流行的資產配置方法。這種方法因為全球最大的對沖基金——橋水基金的成功而聞名。

風險平價的核心理論是選擇合適的配置，使得組合中各個資產的風險貢獻相等。怎麼理解呢？比如說你的資產組合裡面有一種資產叫房產，那麼你想投30%的資金去買房產，那麼最好是房產在整個組合裡面的風險也是30%。

如果你發現房產在某一刻，風險達到了50%，那麼你就有必要降低房產在組合當中的比例。

以前我們是沒辦法做到這些的，原因是我們說這個資產風險很高，越來越高，但到底有多高？其實是不知道的。

計算技術的發展讓我們有機會利用數據，去精確地知道一個資產的風險以及這個資產和其他資產之間的相關性。這讓我們可以把資產混在一起去對衝風險，得到更穩健的增值回報。

在Alpha Go被矚目以前，其背後的演算法原理，機器的強化學習技術就已被用在了演算法交易裡面。

股票交易和圍棋有點類似。他們都是在一個互動的環境裡面，你需要思考整個市場的參與者在想什麼。你的決策和行為會對他人的決策、行為產生什麼樣的影響？

當你有一百萬股的股票想賣出去，你肯定不指望一次性賣出，因為那樣的話，賣出的股價會很不理想。你可以先賣一百股，以某個價格去試探，看市場的反饋，再根據這些反饋做第二輪的決策。

通過多次與股市的互動，強化學習技術可以讓機器人摸清不同的市場參與者的風格、思考邏輯、心理和行為習慣，從而能夠得到較為合理的投資序列。

大家都知道巴菲特是一個價值投資者。他總能準確地預估股票的合理價值，在股價被低估的時候買入，等到價格恢復到合理價值時再賣出。

現在越來越多的投資者開始嘗試用人工智慧的方法，對上市公司進行合理的估值。其參考的邏輯也是在模仿人的邏輯。

比如對一個航空公司進行估值。我們可以利用人均GDP增長的數據、鐵路客運量的數據、機場建設情況的數據、航線情況的數據等等，用機器學習的方法來擬合一個模型，預測未來幾個月、幾年航空公司的上座率。再用同樣的方法預測每個客人貢獻的收入，最終合成對一個公司營收成本、利潤的估計。

根據我們的實踐，目前在很多的行業里，人工智慧估值已經比一半以上的人工分析師更準確。

演算法真的無辜？

儘管股票市場已經有幾百年歷史，無數人都想破解股價的形成機制之謎，從中獲利。但是時至今日，我們能預測到的股票變化還非常少。就像諾貝爾經濟學獎羅伯特·席勒所說，我們應當牢記股市定價並未形成一門完美的科學。

股票價格波動背後的因素非常多，這些因素之間的關係也是紛紜複雜。

就拿這次美股下跌來說。連續幾個月的上漲讓部分人的心理產生了動蕩，覺得最好是落袋為安；美國經濟數據的公布讓大家發現經濟增長非常強勁，但是通貨膨脹又開始抬頭，大家開始擔憂加息的腳步會越來越近；同時，美國國債收益率突破了短期的高點，讓大家擔心會再分流股市的資金。

這些因素都是促使那一天股票下跌的原因，演算法並不是一個真正的驅動力。

但是演算法真的跟這一切沒有關係嗎？

以前由人來主導股票投資的時候，對同一個信息有不同的分析方式，會花不同的時間。有的人根據直覺一分鐘就做出決策；有的人會引用更多的數據綜合分析，可能幾天之後才會做出決策。所以一個事件對股市的影響是緩慢體現的，可能要幾天，甚至幾周才能完成這個調整。

但是現在越來越多的決策由機器做出，機器基本上是在幾秒之內就能完成決策。再加上現在的演算法還處在比較初級的階段，也很同質，所以當美國國債收益率突破前期高點時，類似的模型會做出同一個指令，那就是賣出股票。結果就是讓股市可能在短期內大跌。

更不幸的是，當股市初步下跌的時候，根據風險平價理論，我們應該在這個時候降低股票資產的倉位。大家再次做出同樣的決策，於是開始了第二波拋售股票。

這一波比之前一波更厲害，造成滾雪球效應。股票越跌，大家越要降低倉位，到後面無法控制。

這是我們觀察到美股第一波下跌其實並不大，但是第二波來得非常迅猛的原因。

所以說，演算法還有很多地方值得去優化。這也是這一次在美股下跌中大家批評演算法的原因。

量化投資帶來一個更完美的世界

隨著大數據和人工智慧技術的發展，量化投資迎來了新的機遇。

物聯網讓我們對客觀世界的變化觀察得更加細微、及時。社交媒體讓我們有機會從文字上觀察到每個人大腦里在想什麼。

去年4月份的時候，美國國家基金中心幾位經濟學家發表了一篇文章，說中國的GDP增長可能比統計局公布的數字還要高。他們認為：

官方並沒有更好的經驗去準確統計第三產業的價值，而中國第三產業正蓬勃發展。

這幾位經濟學家採用了衛星圖像來分析中國城市夜晚燈光的亮度變化。他們之前用同樣的方法，分析了東南亞國家在1998年金融風暴之後經濟恢復的速度與燈光強度變化的關係，發現這是一個很好的指標，於是就用來分析中國。最後得出了這個非常震驚的結論。

除了衛星圖像這些數據外，社交媒體數據早就被對沖基金用來預測股票的價值。通過社交媒體，可以了解股票持有者的觀點。

當我們有了越來越及時的數據，我們發現自己被淹沒在數據的海洋里。憑藉人腦，我們已經很難從裡面發現規律，更不用說預測和做出決策。這個時候，我們就需要演算法的幫助，尤其是像機器學習這樣的技術。

JP.摩根在去年上半年發布了一篇報告，裡面談到了量化的未來。其中重點講到了機器學習對於量化投資的提升作用。

以前做量化投資，我們通常會用多因子模型。如果一個因子增長了一個單位，股價就應該增長。這是一個線性關係。

但實際上，現實生活中很多的因素之間絕不是線性的關係。拿美股對中國A股的影響來看，如果美股是簡單的微調，A股可能完全不為之所動。但如果美股是大漲或者大跌，那麼通常第二天，A股的開盤會有同向的波動。所以這不是一個線性變化，只有當你的變化超過一個閾值之後，你的影響才會體現。

機器學習可以幫助我們把傳統的線性方法更改為非線性的，從而能夠更準確地預測市場的變化。

隨著數據的增加、演算法的成熟，我們有更好的技術去發現數據中的規律，去預測未來。我們有理由相信，演算法在投資中的應用會更加的廣泛和深入。

演算法將讓投資更高效。當社會整體的投資效率提升，會為我們帶來更多的財富。

有了計算機和機器人的幫助，我們投資將變得更簡單。我們不用像以前一樣，每天閱讀幾百篇的新聞，同時盯著幾個屏幕看不同資產的價格變化，也不用天天擔心自己的投資組合會面臨哪些風險。這一切都會有機器人幫我們完成。

而以前只有富人才有可能享受的專業投資顧問服務，也很有可能被普通人享有，技術的進步讓投資更公平。

在更高效、更簡單和更公平的投資時代，我們有理由相信演算法給我們帶來的是一個更完美的世界。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！