应对COVID-19危机:这些量化策略经验你必须了解!

好买说:受疫情影响,即使在股票市场中性空间中,许多量化公司也遭受了重大损失。在这场危机中我们能学到什么教训与经验?这三个量化策略经验你必须了解!

1

背景

新冠COVID-19的零号患者已追溯到2019年12月1日出现症状的个人。然而,该病毒直到2020年2月11日才被分离出并将其命名为SARS-CoV-2。2月19日,标准普尔500指数达到3393.52的历史收盘价。在撰写本文时,该指数在一个多月的时间里下跌了35%,经过空前的2万亿干预之后,它比峰值低了24%。即使在股票市场中性空间中,许多量化公司也遭受了重大损失。在这场危机中我们能学到什么教训与经验?在其中几个中,我们重点介绍以下几个。

2

多临近预测,少预测

传统上,量化策略主要基于价格时间序列动态(例如统计数据套现)或基于横截面数据(例如因子投资)来预测价格。几年前,预测很有意义,当时数据集有限,大部分覆盖了价格序列,披露很少,通常是季度会计报表。如今,我们可以访问各种各样的实时数据源,使我们可以“临近预测”相关金融变量的价值。

预测和临近预测之间的关键区别在于,预测使用结构化数据进行长期预测,而临近预测则依靠非结构化观测进行短期预测。例如,基于每天通过网络抓取数百万在线价格而得出的通货膨胀的预测,比从复杂的计量经济学模型得出的预测准确得多。同样,停车场占用的卫星图像提供了零售商的收益预测,工程数据集用于即时预测下一个炼油厂产量或汽车生产数量等。

对于市场预测者而言,这种抛售可能是一场黑天鹅,但对于市场临近预测者而言,这是可预见的结果。现在是时候让量化分析师将临近预测添加到他们的武器库中了。

3

发展理论,而非交易规则

学界和业界通常要进行成千上万次回测,以确定一个有前景的投资策略。然后,报告表现最好的回测,就好像进行了一次单独试验一样,并选择发布或发行一个新基金。由于这种选择偏差,大多数发表在金融领域的研究发现都是错误的,即使我们无法确切知道是哪一种。这个事实很容易解释为什么许多基金表现不如预期,包括但不限于在COVID-19危机期间许多量化基金的近期表现。

在科学方法中,测试在试图驳斥一个错误假设方面起着至关重要的作用。但是,在金融领域,研究人员已针对相反的目标(即建立假设)进行了回测。这意味着回测被错误地视为研究过程的一部分,而不是验证过程的一部分。这种情况超出了投资领域,包括所有经济模型。例如,宏观经济理论被广泛认为是无用的,并且对金融建模者没有任何帮助。

解决此问题的方法是使用对过拟合具有稳健的特征重要性分析方法来开发无需回测的理论。引用英国著名科学家Isaac Newton爵士的话:
“就像在数学中一样,在自然哲学中,对困难事物的分析方法应该比合成方法先行”。

功能理论通过揭示精确的因果机制来解释现象。可以使用比回测更强大的验证工具来测试这种因果机制的有效性。例如,我们可以调查在恐慌性抛售之前是否存在持续的订单流失衡,例如在COVID-19抛售或2010年5月6日的闪电崩崩盘观察到的那种。微观结构理论告诉我们,失衡的订单流不利地选择了做市商,他们最初通过以出价形式提供流动性来保持价格,但最终自己成为卖方,从而导致价格急剧下跌。为了检验这一理论,我们可以调查在这些恐慌中哪些做市商亏损了,他们是否监控订单流失衡,我们可以在当日的FIX消息中搜索它们突然撤退的证据。没有一个交易规则的历史模拟(即回测)能为我们提供这种洞察力水平。总之,假定基础理论是正确的,回测仅可用于评估交易规则的经济价值,但不能证明理论。

每个机制都有一个特定的数据生成过程(DGP)。现在,我们可以预测从每个DGP提取当前观测值的概率,并使用这些概率构建这些最佳策略的集合投资组合。随着时间的推移,这些概率从一个DGP转移到另一个DGP,集成投资组合会动态调整并适应当前的市场条件。例如,在COVID-19抛售期间,集成投资组合将减少对为经济扩张而优化的模型的配置,而增加对经济衰退和市场动荡而优化的模型的配置。

COVID-19危机可能有助于启动一个量化模型的新时代,该模型可以利用更全面的数据集,更符合科学方法,并且更具适应性。

免责声明:本文转载自量化投资与机器学习,文章版权归原作者所有,内容仅供参考并不构成任何投资及应用建议。

风险提示:投资有风险。相关数据仅供参考,不构成投资建议。投资人请详阅基金合同和基金招募说明书,确认您自觉履行投资人的各项义务,并自行承担投资风险。

版权所有 好买Copyright © howbuy.com, inc 2014. All rights reserved. [沪ICP备08003295号]

关于好买私募 | 联系我们 | 诚聘英才 | 使用条款 | 隐私条款 | 风险提示