改进你的量化投资策略,只看资本回报率是不够的

QR量化投资

03-0319:17

“罗杰·费德勒用球拍打网球。我也用球拍,这能让我成为罗杰·费德勒吗?”在做量化投资时,尽管我们都想要相信我们自己的智力独特性,但我们都在做同样的事情。当发生这种情况时,很多交易都会变得过于拥挤……”最终导致高杠杆率和更高的风险集中度。

然而,这个问题的核心是一个更基本的问题:逻辑谬误。

定义质量与量化方式

大多数(如果不是全部)量化系统是通过选择在选定的反向测试期间成功投资/交易中存在的因素来设计的。通常,系统开发人员会选择一系列因素并运行模拟,以确定哪些因素与更好的投资回报相关联。

量化交易

为了进一步阐述这一过程,让我们考虑质量作为投资因素的情况,它受到了学者以及量化投资策略开发者的广泛关注,这是投资因素中的最新潮流。

承诺利用质量作为主导选择因素的大多数量化策略都采用资本回报或其一些变化。这是由于发现产生更高资本回报的公司与更高的后续投资回报相关联。当然,由于量化经理试图互相支持以展示他们系统的优越性,他们中的大多数都倾向于更复杂的系统,在他们的模型中引入了多种因素。

量化策略

高质量的企业产生更高的资本回报的想法也通过了常识的集合。假设所有企业的平均资本回报率为10%。这意味着,当您在一项业务中投资10万美元时,平均而言,您的投资将获得10,000美元。但是,如果您投资10万美元的业务收入为15,000美元呢?大多数量化系统,因为他们目前定义质量,可能会得出结论,我们掌握着高质量的业务。

谬论陷阱

显然,对于一个被认为优越的企业,它需要产生大于平均业务的资本回报。虽然这一陈述如果正确,但确定所有高质量的企业都与高资本回报相关联,并不意味着所有获得高资本回报的企业都是高质量的企业。但是,这正是大多数量化系统可能得出的结论。由于每项高质量业务都可能出现高额资本回报,因此量化系统很可能会得出结论,所有获得超额资本回报的企业都是高质量的企业。这个说法和说因为我使用网球球拍,我就是罗杰.费德勒一样没有什么不同!

这种论证结构落入了谬误陷阱,也被称为肯定后果。请考虑以下参数形式:

如果狗,四条腿(另一种说法,狗有四条腿)。

四条腿(我找到了四条腿的东西)。

因此,狗(这东西是狗)。

显然,这是一个无效的论点。不是所有有四条腿的东西都是狗。同样,并非所有以超过资本成本获得资本回报的公司都是高质量的企业。

AI量化

资本回报率高是必要但不充分的条件

无论我们有什么“足够”的信息来建立模型,它都会比大多数人表现得更好。我们在这里提出一个关键问题:虽然获得更高资本回报的能力是高质量业务存在的必要条件,但这是否足够?

早在20世纪70年代,在印度北部的一个小镇,年长的拉姆拉卡先生就开始出售衣服。他的行业表现出色,他很快就能获得远高于资本成本的资本回报。达到了高资本回报的必要条件。但他有高质量的业务吗?

在接下来的几年里,商业格局发生了变化。受到像拉姆拉卡老人这样的商人的成功的吸引,更多的企业家使用他们自己的资本或借款进入了这个行业。这个城市在七十年代有大约五个这样的企业,现在有100多个这样的企业。因此,虽然目标客户群增加了三倍,但竞争对手的数量增加了20多倍!毫不奇怪,这个过程的最终结果是每个参与者的低于平均水平的回报。

量化策略

发生了什么?为什么竞争对手数量增加?答案在于没有进入障碍。进入的障碍,如果有的话,是可以克服的。其他企业家有可能进入这个行业。随着额外资金流入,资本回报率下降。

显然,这不是一项高质量的业务。这是一项正在享受源于供需不匹配的临时竞争优势的企业。一种过度整顿的情况,因为资本流动以获得超额回报。

避免反过来的谬误:反转,总是反转

这里的关键问题是,大多数量化系统都会寻找与产生卓越投资回报的交易/投资相关的因素;同样重要的是,要理解那些具有相同特征但效果不佳的案例。

量化系统

例如,如果要研究拉姆拉卡老人的生意,那么很明显,缺乏进入障碍会导致资本回报下降。这种洞察力得出的结论是,资本的超额收益不是“充分”条件。为了使企业能够维持超额收益,需要存在进入壁垒,并且需要保持强势。

结论

大多数量化投资和交易策略最终失败的根本原因与如何识别这些因素有关。判断是否存在进入障碍最好通过定性的人为判断来处理,而判断资本回报的优越性最好由机器来处理。

返回顶部