导读：过去的12个月，我写了三篇备忘录，主要探讨了宏观经济环境、市场展望和投资者行为。这些点虽然重要，但都不是我最感兴趣的。我更愿意探讨未来市场形态的变化。既然过去几个月宏观面发生的变化不大，那么我这次想探讨一些更大的主题。

 

这篇备忘录将覆盖资本市场的三个主题：1）指数和其他被动化投资；2）量化和算法投资；3）人工智能和机器学习。

 

在进入主题之前，我需要声明自己并不是这些主题的专家。

 

被动投资和指数基金

 

关于这个故事我说了很多次了。大约50年前的1967年9月，我进入到芝加哥商学院。那时候芝加哥流派的经济学思维刚刚开始在那里向学生授课。芝加哥流派的主要观点是，市场是有效的，你无法战胜市场。首先，从逻辑上来说，所有投资者在扣费前的平均收益率，就是市场收益率。但你把费率扣掉后，你就是跑输市场的。其次，有充足的证据说明多年以来大部分共同基金都无法战胜标普500指数。

 

在60年代我教授的观点很简单：为什么不创建一个指数，这个指数购买每一个公司。这样帮助投资者规避了大部分人犯下的错误，同时也规避了高昂的成本。这种做法，至少你和市场是一致的，你不会跑输市场。在那个时候，根本还没有指数基金和被动化产品的出现。甚至“被动投资”这个名词都没有发明。

 

1973年Burton Malkiel写过一本书《漫步华尔街》（A Random Walk Down Wall Street），提出了大部分共同基金无法战胜市场的观点。这本书中提到，我们需要一个低管理费的共同基金，只要买入市场所有的股票，不要在择时中出现损耗，给投资者提供一个市场平均水平的产品。

 

在那个时候，市场上的第一支指数基金成立了。根据维基百科，第一支跟踪道琼斯的指数基金成立于1972年，那时候似乎没有吸引到许多持有人。然后约翰.博格在1974年成立了先锋基金，并且在1975年最后一天推出了先锋基金的第一个指数产品。当时这是一只极具争议的产品，富达基金主席Edward Johnson公开抨击，用户不会对一个平均收益的产品满意。这个产品之后改名叫先锋500指数基金，从1100万规模起步，到了1999年变成了1000亿美元规模。

 

指数基金的好处很明显：大幅削减的管理费，最低的交易成本和冲击成本，以及避免了人性弱点。指数基金是“不会输”的策略。当然，这也是一个“不会赢”的策略。指数基金一开始发展并不快，一直被市场认为非主流产品。类似于当时的新兴市场股票基金、高收益债券、风险投资等。

 

但是今天，被动化产品成为了市场的主流。越来越多人开始意识到主动管理基金跑不赢指数产品。今天先锋基金的500指数已经达到了4100亿规模。2012年以来资金加速流向了被动化产品，并且从2015年开始从主动管理基金撤离。

 

目前美国共同基金中的被动化规模已经达到了1.9万亿，相比2007年增长了三倍。被动化产品占美国股票市场规模为42%，相比2010年的24%和2000年的12%，出现了持续的提高。

 

这些数据都说明越来越多的零售客户离开主动管理产品，开始进入被动化产品。而机构投资者中，持有被动化产品的规模也占到了20%。

 

但是在20世纪后期，被动化产品已经不等同于指数基金了。被动化产品已经发展出了各种各样的“smart-beta”产品。这些产品是主动设计的，有明确的规则。这些产品符合大量客户的特殊需求。比如有人需要成长风格的产品，有人需要价值风格的产品。这种基于风格的Smart-Beta产品被作为一个工具，运用到各类的资产配置组合中去。这类产品其实并非完全意义的被动化产品，他们的设计有主动管理的风格，这些smart-beta产品都有明确的风格标签。

 

在介绍了行业背景后，我们来讨论第一个问题，被动化投资到底是否明智？

 

在被动化投资中，没有人会做公司研究，看市场空间或者估值是否合理。没有人会做主动管理的决策去思考这个公司是否应该被纳入组合，以及在组合中的权重。

 

这到底是不是一个好的主意，不去关注公司的基本面，组合权重和股票价格。当然不是。但是被动化投资的出发点，认为主动管理者在这方面的考量中，会出现错误。问题的关键在于市场有效性假设中为什么主动管理投资无效。最终大家拿到的是基于市场回报率和风险的定价。这种定价不多也不少。

 

被动化产品的行为是基于主动管理投资者为市场创造的流动性，以及在交易中为股票市值创造的定价。被动化投资不会对组合管理进行任何的主动思考，完全是跟随市场。而跟随的一部分驱动力，就是主动管理投资者创造的定价机制。

 

如果这个市场上没有主动管理投资者，那么被动化投资还能给存在于市场中吗？那么被动化投资者也无法进行有效的市场定价。也就是说，被动化投资是无法脱离主动管理而单独存在的。那么市场上主动管理基金的占比要达到多少比例，才能让被动化投资继续保持有效性呢？这个问题的答案不得而知，但是目前共同基金产品中，有40%的权重来自被动化投资。如果这个市场上只有我一个主动管理投资者，那我一定是能够战胜市场的。

 

被动化投资会不会扭曲股票价格呢？

 

第一层思考基于指数权重的考量。人们常常会问，如果指数基金被申购，那么权重大的股票是否会表现比权重小的股票更好呢？答案是否定的。假设某个指数的市值1万亿美元，然后有一只叫做FAANG的权重股市值800亿，占权重8%。然后还有一个小点市值的公司100亿，占比1%。那么申购基金的每10万美元，有8000美元会购买FAANG，另外1000美元购买小市值公司。所以，对公司股价产生的影响，是一样的。

 

但这并非故事的结果。第二层思维是，越来越多的钱进入被动化投资，越来越多的钱离开主动管理投资。那么，那些在指数权重的股票更容易有资金流入，而那些不在指数权重的股票，就不太会有资金流入。

 

第三层思考是基于smart-beta风格基金。更多的在非指数化产品中持有的风格基金股票，资金流入后会导致其产生一种正反馈。同时，有大量的股票被许多种风格基金纳入。比如亚马逊，可以在成长风格基金，科技风格基金，大盘风格基金等。这也会导致股票价格出现比其他公司更快的上涨。

 

上面所说的结论是，被纳入指数或者风格基金的股票，会被人为增加其市场流行度，短期内会导致股票价格相对走强的表现。于是，指数基金正在进入某种正向自我循环：表现好收到资金流入，买入这些成分股，成分股上涨再推动指数基金优异表现。这些大盘股也明显受益于被动化产品配置，表现远超没有纳入被动化产品的股票。

 

如同2000年的科技股泡沫，这一切就像一个“永动机”，不可能永远持续下去。一旦资金从被动化产品撤出，那就会产生一系列的负反馈。

 

指数基金的大跃进和9年前市场开始的牛市不无关系。所以目前我们还无法观察这个现象会带来什么负面作用。是不是某一天市场真正调整的时候，指数基金大跃进会加速市场的下跌？这些我们都不得而知。但是我们不难想象牛市中对于指数基金利好的因素，会在熊市中利空。

 

第四个问题，指数基金组合的构建科学吗？目前指数基金组合都是基于市值。但是我们发现市值越大，被大家购买的越多，估值也越贵。你是愿意拥有一个贵的股票，还是一个便宜的股票？我当然是选择后者。那么指数基金的构建更应该基于盈利权重，而非市值权重，这样会更加合理。

 

那么如何看待指数基金的流动性问题呢？指数基金随时可以买卖，许多人都觉得指数基金的流动性很好。但事实可能并非如此。我们拿一个高收益债的指数基金做案例。其实高收益债的流动性并不好，但是指数基金流动性很好。但是你看到的是牛市中的流动性。一旦市场出现问题后，指数基金的流动性可能不会那么好。事实上，大量案例也证明过，指数基金也有流动性很差的一天，只是我们目前没有经历过而已。

 

当潮水退去时，真相会变得更加清晰。

 

被动化产品的发展是基于一个观点，他们能享受到主动管理基金基于基本面研究后，对于公司股价做出的买卖决策，却不需要去支付研究账单。他们是完全基于市场有效的假设之上。但是这里又忽视了一个问题：索罗斯的反身性理论。索罗斯认为市场参与者的行为能改变市场。没有一个独立和不可改变的事件，能够在市场中永远持续下去。市场本身就是所有人在做决策的统一反馈。当人们在某个股票上的投资比其他股票多，这个股票相对其他股票就有相对收益。所以这里的结论很有意思，被动化投资的行为，是基于主动管理投资的人。如果主动管理投资消失，被动化产品也会变得无效。

 

量化和算法投资

 

下一个问题我们讨论量化和算法投资。量化投资有两个元素，第一个元素叫做系统因子。一般是基金经理基于历史数据观察，找出有超额收益的因子，这些因子包括价值、成长、动能等等。当基金经理看到这些因子在过去有效后，将这些因子纳入到其组合中。然后基金经理会让电脑搜索符合这些因子的公司。比如价值因子，基金经理和设置相关的指标，类似估值，EV/EBITDA，市净率等。然后系统就会去进行检索，列出符合条件的股票。最后基金经理再做一层组合的优化，降低组合的风险。

 

最终的产品，根据算法，将提供最好的预期收益率，以及最低的风险。

 

第二个量化投资的因素叫做“统计套利”。简单来说，就是计算一个股票的买入和卖出差价。定量交易是通过统计技术（或者别的技术）来分析历史数据，从而来识别交易的机会。定量交易适用于宏观经济事件和证券价格数据等可量化的信息。当定量交易模型被算法交易者使用时，证券交易将严格基于计算机算法进行买卖决策。统计套利决策就是利用定量技术应用于算法交易的一个例子。统计套利已经成为许多大型投资银行和对冲基金的一个巨大的盈利定量交易策略。统计套利是包含一套定量驱动的交易策略，可以用简单的术语进行定义。这些策略通过分析价格模式和金融工具之间的价格差异来获利。这种策略的最终目的是产生 alpha 的交易利润（高于正常值）。

 

全世界最著名的统计套利有两家公司。一家是对冲基金行业收益率最高的文艺复兴大奖章基金。另一个是曾经的长期资本管理公司。长期资本管理基于非常微薄的利润，但是没有风险，然后大量的加杠杆。最终这家对冲基金也是死于高杠杆和他自己认为的“无风险套利”。长期资本的失败也告诉我们，统计套利市场的容量并不大，而且不应该加太大杠杆。

 

量化投资者将过去有超额收益的行为进行编程，并且预期这个行为在未来还会有超额收益。换句话说，他们会给电脑设置明确的规则。问题的关键是，在投资这个竞争如此激烈的领域，到底能不能有一个长期稳定赚取收益的必然公式？我曾经在过去的备忘录说过一句话：我们如何取得超额收益》这个答案是我并不知道有任何法则能确定取得超额收益，我相信没有一条投资圣杯的公式。如果真的有长期可靠的方法，那么这个世界上所有高智商的人，都会足够富有。

 

说说我对依靠公式取得长期超额收益的看法。

 

首先，虽然我并不认为存在依靠一个公司就能长期赚钱，但的确有人已经成功了。比如文艺复兴和Two Sigma的业绩就是非常亮眼。我的母亲曾经告诉我“是那些最优秀的人设置规则”。她的意思是，只有极少数的人能够证明做到大部分人做不到的事情。这也意味着，大部分并不能靠这种方式成功。

 

第二，关键词是唯一。这些机构的成功是基于复制的量化投资模型和策略，这个世界上没有一种单一的方式，可以长期持续的获得成功。单一方式的成功，必然是在一个有限的时间段内。

 

很明显，单一策略用的越多，最终结果就是超额收益越差，最后的结果就是变得无效。

 

索罗斯的反身性理论认为，市场参与者会改变市场本身。所以，没有一种单一模式是长期可靠有效的。量化投资要取得持续超额收益，必须不断优化和修正模型。因为投资是多元化的，基于量化投资的发展也必须是多元化的。

 

量化投资和Smart-Beta策略的指数基金有相似的地方。他们都是设定某种规则，而且管理人完全相信系统。他们的不同点在于，量化投资的换手率更高，交易更频繁。量化投资的数量更多，Smart-Beta策略相对来说，里面的数学成分会少一些。

 

最后关于量化投资我的总结是：

 

1）大部分量化投资都是基于市场的某种行为特征

 

2）量化投资都是基于过去，但并不知道未来这种特征的形成环境是否改变

 

3）大部分量化投资者都是在利率下行，低通胀和低波动的环境下操作的。如果宏观环境发生变化，也将对他们的量化交易规则产生影响

 

4）量化投资崛起的本身，是否会导致量化投资的有效性降低？

 

人工智能和机器学习

 

人工智能和量化投资的区别是，量化投资告诉电脑该如何交易，而人工智能会自己根据市场来学习，设立交易规则。机器学习是人工智能的一部分，过去几年通过互联网和大量数据，出现了很快速的发展。通过对于大量数据进行分析，人工智能能自己知道该如何进行交易。

 

就像下棋一样，成为下棋大师必须要学习对手的每一场比赛，看每一个下棋的动作。但是人脑是有限的。机器不同，他可以学习上百万场比赛，记住所有的动作。所以人类没办法和机器在下棋上抗衡了。

 

当然在投资中，机器学习还是刚刚开始。而且，要记住索罗斯的反身性理论，市场本身就是由交易者的行为组成，进而互相影响，这会让机器学习的难度更大。

 

对于投资的影响

 

基于前面的分析，我说三点结论：

 

1）被动化投资和指数基金最终带来的结果是，更多的指数基金产品，最终是行业管理费的不断下滑，交易成本降低，人为错误减少。对于持有人并不算坏事。大部分主动管理基金由于没有超额收益，所以无法说服投资者给他支付高昂的管理费。但是还是有小部分主动管理投资者，能够持续赚取管理费。

 

2）量化投资产生的问题是，没有定性的分析。这个世界上最伟大的投资者并不是会计多好，数学多好，他们是能够对于伟大公司进行定性的分析。量化投资的另一个风险是，认为历史会在未来重复。但是如果历史环境改变了呢？

 

3）由于人的无法取代性，我并不认为机器最终会代替人。我们对于公司的调研，和管理层的接触，对于产品的感知，这些都不是机器能做的。而这些是投资中重要的环节。

 

作者交流，请加微信：dianshi830，请告知职业和公司。