请选择 进入手机版 | 继续访问电脑版

采用数量分析的方式驱动金融投资策略由于其潜在的可观收益,是大数据最早应用的领域,而其也符合大数据最重要的三大思维变革:  
1)  不是随机样本,而是全数据。
在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中,大数据指不用随机分析法(抽样调查)这样的捷径,而采用所有数据的方法。而全数据概念能在金融投资适用的主要原因有二,一是当前的技术能力让人类可以处理海量的数据,二是金融投资决策的时间频率和投资标的的空间密度随着信息获得成本的降低在不断提升,随机抽样调查的方式将使得投资人因为无法获取某些局部时空区间信息而错失投资机遇。
2)  不是精确性,而是混杂性。
大数据时代是用概率而非确凿的单一结果说话,混杂性变成了一种标准途径。对一个交易策略,只要透过全数据分析,在概率上他是有长期稳定盈利趋势和可能的,即可被投资者考虑采纳。而到底哪笔交易赚钱,哪笔交易赔钱,到底什么时候赚多,什么时候赚少,虽然投资者很好奇想知道,但交易策略是无法给出精确的答案。
3)  不是因果,而是相关性
在大数据时代,是什么比为什么更重要。虽然这违背了人类好奇和探索的天性,但在许多情况下知道为什么对决策的帮助确实有限。比如,策略预测某个模式出现后该股票有很大概率上涨,如果执迷于探究股价上涨背后的基本面缘由,则在有限的时间内确实无法得出准确的原因。

大数据时代与投资策略研究
大数据时代对于投资交易策略的研发提出以下几个新的要求:
1)  量化非结构化数据(unstructured data)。国外的对冲基金都尝试量化财经新闻和研究报告中的情感元素的变化用来帮助进行投资决策。虽然迄今为止,这样的尝试的价值尚没有得到非常显著和明确的印证,但是这更多反映的是数据分析的方法还待提升或者在发达市场主流财经媒体和投行分析师的意见已被市场充分吸收。在新兴金融市场或者新兴的金融产品市场,这样类型的分析所具有的潜在价值还将是巨大的。
2)  投资数据的再利用。Amazon利用用户的购书记录推荐新书,投资分析也可以利用投资人的交易记录做协助学习(collaborative filtering),帮助策略作出更好的选择。
3)  数据的重组。把多个数据集的总和重组在一起往往能提高单个数据的价值。这就好像在传统证券投资分析中除了利用股价信息,加上从财务报表提取的因子能提升预测水平一样。

大数据时代与金融投资的未来
1)  投资者的扁平化。随着互联网和移动互联网带来的信息化革命, 个人投资者将能够轻松使用有大数据实证支持,低风险交易策略,投资能力将大幅提升。
2)  金融市场更加高效。大数据时代令有盈利能力的交易策略能够被更快的发现,验证和应用,金融市场也会变得变得更加有效,起到更好的分配财富作用。
3)  平庸的基金公司将消亡。大数据让科技公司第一次有机会能够挑战传统的金融分析师和交易员,利用对各种全体数据的量化,重组和整合,低成本的建立针对各个市场,面向不同用户的交易策略,让投资者能够科学稳定的在全球市场投资。实际上,管理1200亿资产,全球最大的对冲基金Bridge Water已经很接近这一点,他们搜集了近百年的金融数据建立交易模型,覆盖全球外汇,债券,衍生品和股票市场,其99%的交易都由电脑决策作出。不远的将来,普通的共同基金将被根据大数据分析提供交易策略的公司所取代,留下的基金公司将是那些能够提供独特优势(alpha)的对冲基金和自营基金(如高频基金和统计套利型基金)。  
因此,大数据时代对金融投资的革命不仅仅是未来的趋势,而是正在实现的现实,谁能做到这一点,谁就能引领金融投资的未来。

大数据时代对于普通投资大众的挑战
让普通人接受大数据时代的思维。这是最难也是最容易被忽略的部分。普通投资大众,习惯关注每只股票的输赢,关注购买每只股票背后的原因和故事。现在,需要他们忽视这些,转而关注概率和相关性,关注交易策略的整体表现,这就需要金融大数据分析的公司帮助投资者完成信念的飞跃,强调量化投资在解决普通人投资不确定性问题上带来的好处:
1)  执行上的绝对确定性。虽然无法告诉投资者每笔投资背后深层次的原因,但至少可以清楚的让他们了解买卖规则,在执行层面行为简单一致,节省时间。
2)  表现上的相对确定性。虽然无法保证每笔交易盈利,但至少可以透过历史表现让他们了解使用该方法的预期胜率,盈亏比和收益,增加安全感。
简而言之,大数据时代承认金融市场的噪音和随机性,但透过量化和数据资料为投资者找出大概率的交易规律,从而增加操作的确定性和收益的稳定性。

大数据驱动投资策略VS理论驱动投资策略
最后,理论可以在交易策略研发的数据选择,建立和应用假想中起到重大帮助。毕竟,再好的大数据分析也无法替代人类创造性的思维和理解。
例如,在Hedge fund market wizards一书中Jaffray Woodriff描述了数据驱动的大数据分析法。基本想法是尝试千亿种适合不同市场的二次变量组合(如价格的方向和波动率),找出能预测市场位置的统计模型。但是,即使利用此方法,其实也使用了金融的理论创建如波动率这样的关联物,同时也选择了架构合适的时间周期作为搜索的基础(Jaffray使用的是每日数据)。
如果只关注数据,忽视了未来不等于过去的现实,就容易犯长期资本管理公司(LTCM)当年的错误,给自己甚至整个行业造成巨大的损失。因此,在从事大数据研究时,一定要注意对找出的相关性模式进行逻辑分析和样本外测试(out of sample testing),最好是发现的相关性模式不仅在样本外表现稳定,而且又具备理论上的合理性,在金融行业使用无效模式的后果是相当严重的。


|

共0个回复 最后回复于 2014-9-7 16:29

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

发新帖

精彩推荐

更多>
返回顶部 返回列表