艾玛在之前的很多篇文章里都提到，我们投资是一场概率游戏，我们需要选择去做大概率会赢的事情。
通过量化模型做出的选择，并不是说根据这个策略，每次都能赚钱，而是在大量的交易中，大多数交易会赢，因此，长期而言，就能赚钱。
1. 模型假设
一种常见的量化投资模型是：识别市场过激反应，并反向操作。
这种模型的假设是：市场经常对一些消息反应过激，过激之后，回调的可能性较大。那么，就在发现过激的时候，做相应的反向操作即可。
举个例子：如果有一天，某个汇率的价格突然大跌或者大涨，那么，它们返回原地的机会也就比较高。那么，就在大涨的时候，卖出，大跌的时候买入。
复兴技术创始人之一斯特劳斯曾经在2007年对外透露过他们的做法。复兴技术公司，就是由艾玛提过几次的量化投资代表人西蒙斯创立的。
他告诉大家：如果某个期货的价格在开盘时远远高于前一天的收盘价，复兴技术的大奖章基金就会沽空这个期货；如果开盘价远低于上一天的收盘价，大奖章就会买入 。
因为这个策略广为人知，很多人就从事这类交易。做的人多了，套利空间就小了。不仅如此，还容易矫枉过正，使得策略失效。所以，大奖章基金在2007年对外公开的时候，已经放弃了这个模型。
如何同样利用这个策略，却能跑赢大家，继续赚钱呢？这里的关键有三点：（1）判断什么样的反应算是“过激”；（2）在什么时间点进行操作；（3）什么操作？。对这三点的判断不同，就会产生不同的输赢结果。而量化投资，就是依赖电脑来进行大量的计算，找出其中的最优选择项。
2. 量化模型搭建的几个步骤
大多数的量化模型的搭建过程分以下几个步骤：
（1）根据以往的投资经验来制订不同规则；
（2）由电脑来用历史数据对规则进行回测，删掉不符合历史数据的规则，选出候选模型；
（3）放入新的市场数据，来检测候选模型的有效性；
（4）如果候选模型在新的真实数据中继续有效，就开始用于真实的投资；如果候选模型无效，则回到最开始，重新调整规则，再来一次。
以上文提到的大奖章基金的投资规则为例：如果开盘价远低于上一天的收盘价，大奖章就会买入 。假设这个“远低于”的比例是8%（8%只是假设，并非大奖章当年的操作指标）。
电脑会用历史市场的数据（一年、三年或五年），对跟这个规则验证，如果验证发现，大几率是正确的。那么，就会放入新的市场数据，进行检测。
还记得上一篇文章，艾玛提到的量化投资方法的优势吗？如果是人手计算，历史数据这么多，能计算得了多少？电脑就不同，可以每秒钟进行几千几万次的计算。数据越多，最后筛选下来的模型，成功几率也就越高。
3. 靠机器学习来自建模型
依赖人工智能技术的发展，电脑的能力越来越强大，也有一个流派，赋予了电脑更多的权力。这也是艾玛最近在尝试的量化投资方法。
有的机构称之为“遗传编程”。艾玛更喜欢用另外一个名称，叫“机器学习”。因为这个名称特别形象，它说的是，电脑可以像人一样学习成长，不再只是一个靠程序命令机械操作的工具。
这种方法和传统的量化模型搭建方法不同的是：在最开始不预设规则，而是由机器自己发现规则。
传统的建模方法是自上而下的，机器学习方法则是自下而上的。
自上而下的方法，由人根据投资理论和自己的经验来预设规则，总是存在局限性。市场上的影响因素千千万，我们能够考虑到的都是有限的。因为个人偏见，可能过分重视了某个因素，或者完全忽略了一些因素。
但是，机器不会。机器会自己对各种信息和数据进行排列组合，生产出来无数模型和规则，经过多轮优胜劣汰，最后剩下一组或者几组最适应环境的模型。
以刚刚大奖章的模型为例，机器不再去验证今天的开盘价与昨天的收盘价之前的互动，而可能是今天的开盘价与前几天的平均价，或者昨天的中午收市价，或者昨天的开盘价来比较。
操作除了验证买入，也可以验证卖出，或者早上买入，中午卖出；又或者早上卖出，中午买入，收市前再卖出。总之，这种组合是无穷无尽的，产生出来的模型也就无穷无尽。
电脑根据统计规则，淘汰掉大批验证失败的模型，剩下效果比较好的模型，再进行新一轮的重组和突变。这样重复下去，直到选出的候选模型趋于稳定，不再变化的时候，就可以进入下一个环节，用新的市场数据进行验证。
候选模型里面可能有很多不同的子模型，因为电脑已经对模型进行了多轮重组，非常复杂，人脑可能根本看不出里面究竟有什么样的逻辑关系。
不过，没关系，不管是黑猫还是白猫，能抓老鼠的就是好猫。还记得之前那篇文章提过：大奖章基金会研究天气与股票市场的关系，江恩会利用占星学来建模吗？只要模型能赚钱，管它背后是什么逻辑关系？
网友评论