不靠人的投资

第 111 篇 · 2018-06-18 · Investing Without People

过去十二个月里，我用三篇备忘录讨论了宏观动态、市场前景，以及对投资者行为的建议。这些都是重要的主题，但通常不是我最感兴趣的；我更愿意讨论那些可能在今后许多年影响市场运转方式的事情。既然环境与我在这三篇备忘录里所描述的相比几乎没有什么变化，我觉得现在已有余裕，可以转向一些更大的图景问题了。

这篇备忘录涉及证券市场似乎正在「减少人的角色」的三种方式：(a) 指数投资与其他形式的被动投资；(b) 量化与算法投资；(c) 人工智能与机器学习。

在深入之前，我要响亮而清楚地说一句：我并不是这些主题的专家。第一种我看了几十年；第二种我最近才学了一点；第三种我正在努力追赶。另一方面，既然这些领域里的许多「专家」都身处其中，我想他们可能对这些领域抱有好感——把它们看作传统主动投资的潜在继任者。以下只是我的看法；一如既往，取舍随你。

被动投资与 ETF

这个故事我讲过很多遍，但我想在这里再讲一遍，为后文打下基础。五十多年前——1967 年 9 月——我进入芝加哥大学商学院研究生院（当时还不叫 Booth 商学院）。「芝加哥学派」的金融与投资理论——大部分于 60 年代初在那里发展起来——当时刚开始被讲授。它系统地建立在一套理论基础之上，也建立在对投资者此前所作所为的大量怀疑之上。

其中一大基础构件是「有效市场假说」（Efficient Market Hypothesis）及其结论：「你无法战胜市场。」首先是逻辑论证：集体而言，所有投资者在扣除费用与开支之前必然只能取得平均业绩，因而扣除之后必然低于平均——这看起来显而易见。然后还有经验证据：几十年来，大多数共同基金的业绩都落后于标准普尔 500 之类的股票指数。

我的教授们在上世纪 60 年代末的回答简单明了——尽管纯属假设与空想：为什么不干脆买入某个指数里每一家公司的股票呢？这样做可以让投资者避开大多数人会犯的错误，以及他们为此付出的绝大部分费用与成本。而且至少可以保证他们取得与指数一致的业绩——而不是落后于指数。据我所知，当时没有人那样投资，市场上也没有可供这样做的公开工具：没有「指数基金」，没有「被动投资」。我想连这些词都不存在。但这里的逻辑清晰而有说服力，以下引文出自维基百科（引用维基百科，要向我的资料来源兼良心理查德·马森道歉）：

1973 年，伯顿·马尔基尔（Burton Malkiel）写了《漫步华尔街》（A Random Walk Down Wall Street），把学术界的发现呈现给普通公众。在大众财经媒体上，大多数共同基金没能跑赢市场指数，这已广为人知。马尔基尔写道：

我们需要的是一只免佣金的（no-load）、管理费用最低的共同基金，它只是买入构成宽基股市平均数的数百只股票，不做任何为抓住赢家而进行的换股交易。每当某只共同基金出现低于平均的表现时，基金发言人总是急于指出：「你买不到平均数。」如今该是公众能买到它的时候了。

……【纽约证券交易所】能提供的最大的服务，莫过于发起这样一只基金，并以非营利的方式运作它……这样的基金非常有必要；如果纽约证券交易所（顺带一提，它考虑过这样一只基金）不愿意做，我希望别的机构来做。（着重号为原文所加）

第一只指数基金大约出现在那时。同样据维基百科，为追踪道琼斯工业平均指数而设计的 Qualidex 基金的注册声明于 1972 年生效。我没有理由相信它吸引了很多投资者。

但随后杰克·博格尔（Jack Bogle）于 1974 年创立了先锋集团（Vanguard Group），先锋的「第一指数投资信托」（First Index Investment Trust）于 1975 年的最后一天开始运作。

在当时，它被竞争对手斥为「不合美国精神」（un-American），基金本身也被视为「博格尔的蠢行」（Bogle's folly）。有人引述富达投资（Fidelity Investments）董事长爱德华·约翰逊（Edward Johnson）的话说，他「无法相信广大投资者会满足于仅仅获得平均回报」。博格尔的基金后来更名为先锋 500 指数基金（Vanguard 500 Index Fund），追踪标准普尔 500 指数。它起步时的资产相对寒酸，只有 1,100 万美元，但在 1999 年 11 月突破了 1,000 亿美元大关。（维基百科）

指数投资的优点显而易见：管理费用大幅降低、交易及相关市场冲击与成本极少、规避人为错误。因此指数投资是一种「不可能输」的策略：你不可能跟不上指数。当然，它也是一种「不可能赢」的策略，因为你也无法战胜指数（两者往往相伴而生）。

指数或被动投资起步相对缓慢。早些年，我觉得它被当作一种怪东西或边角料：至多是机构投资者旗下某一两位主动型经理人的替补。就像对待许多传统股票与债券投资的潜在替代品——新兴市场股票、私募股权、风险投资、高收益债券、困境债务、林木与贵金属——那样，一些机构往指数基金里放了一小笔资本，但很少多到足以真正改变整体组合业绩。几乎没有哪家机构把被动投资作为组合的重要部分：它添了一点风味，却算不上主菜。

资金持续流向被动管理这一事实表明，许多主动型经理人仍然落后于指数。过去十几年里，有很多年这种落后相当显著，而据我所知反向的年份不多。其结果是，向被动投资靠拢的趋势一直在稳步增强（例如，先锋 500 指数基金如今已坐拥 4,100 亿美元）。据晨星（Morningstar）的数据，2005 年至 2011 年间，流入主动与被动股票型共同基金的资金量大致相当；但流入被动基金的资金在 2012 年加速，流入主动基金的资金则开始下降，并于 2015 年转为净流出。据《洛杉矶时报》2017 年 4 月 9 日报道：

以被动方式投资于美国常规股票型共同基金的资金，如今持有 1.9 万亿美元资产，是 2007 年的三倍。再加上 1.7 万亿美元的美股交易所交易基金（ETF，另一种形式的指数组合），被动基金总额占全部美国股票基金资产的 42%——较 2010 年的 24%、2000 年的仅 12% 大幅上升。

这些数字主要适用于「零售」投资，尚未计入被动投资同样大幅增长的机构组合。被动投资如今已不再是只占组合资产几个百分点的稀奇增配项，而是机构中的主流——往往占到总资产的两成左右。

鉴于上面的《洛杉矶时报》引文，我现在想介绍 ETF，即交易所交易基金。上世纪 90 年代，资金管理机构想出一种参与市场的新方式，与指数共同基金竞争。投资者只能在每个交易日收盘时——当日收盘净值（NAV）算出来时——申购或赎回共同基金，而 ETF 可以像公司股票一样在交易所开放期间的任何时刻买卖。这种自由得多的交易方式为 ETF 吸引来大量关注。尽管指数 ETF 开创了这个新领域、至今仍占 ETF 的绝大部分，如今市面上已有许多其他类型的 ETF。

在 20 世纪末，「指数投资」与「被动投资」是同义词：都是指那些被动模仿市场指数的工具。但现在两者有了区别。今天，前者仍被称为指数投资；而被动投资的范围已扩大，不仅包括指数基金与指数 ETF，还包括依据组合构建规则进行投资的「聪明贝塔」（smart-beta）ETF。可以把它们想成「主动设计、规则驱动」的工具——规则一旦设定，便不加裁量地执行。正如我一年前所写的：

为了把生意做大，ETF 发起人转而求助于「更聪明」的、并不完全被动的工具。于是，ETF 被组织起来去满足（或创造）对专门领域基金的需求——比如各类股票风格（价值或成长）、股票特征（低波动或高质量）、公司类型、或地理区域。想要成长、价值、高质量、低波动与动量的人，都有对应的被动 ETF 可选。走到极端，投资者如今可以买到被动投资于这类公司的基金：高级管理层性别多元的公司、「合乎圣经原则的投资」、医用大麻、肥胖解决方案、服务千禧一代，乃至威士忌与烈酒。

但当一只工具的关注范围收得如此之窄，「被动」又是什么意思呢？每一次对宽基指数的偏离，都会引入定义问题，以及非被动的、自主裁量的决定。那些强调反映特定因子之股票的被动基金，被称为「聪明贝塔基金」，可谁又能说，制定其选股规则的人，比如今备受轻蔑的主动型经理人更聪明呢？Horizon Kinetics 的史蒂文·布雷格曼（Steven Bregman）把这称为「语义投资」——意思是，股票是依据标签、而非量化分析选出来的。（例如，他指出现代埃克森美孚因为体量巨大、流动性好，既被纳入成长类 ETF，也被纳入价值类 ETF。）上面列出的许多特征，哪些股票具备，并没有绝对的标准。（《他们又来了……又来了》，2017 年 7 月）

据维基百科，「截至 2014 年 1 月，美国市场上交易的 ETF 已超过 1,500 只……」相比之下，威尔希尔 5000 全市场指数（Wilshire 5000 Total Market Index）中的股票是 3,599 只（据《巴伦周刊》）。在我看来，ETF 的数量与种类之多，时时提醒着人们：金融行业惯于在好光景里迎合人们想在市场里「找点事做」的欲望。而那些被设计成按指数涨跌幅的若干倍数升值或贬值的杠杆 ETF，我们又该怎样看待呢？

以上是背景。现在我要转向被动投资，以及它日益流行所带来的影响。第一个问题是：「被动投资明智吗？」

在被动投资中，基金里没有人在研究公司、评估其潜力、思考什么样的股价才算合理。也没有人在做主动决定：某些股票是否应被纳入组合、若纳入又该如何加权。他们只是在模仿指数。

完全不考虑公司基本面、证券价格或组合权重地去投资，是个好主意吗？当然不是。但被动投资靠指望主动投资者履行这些职能，让自己不必操心这件事。关键是要记住：有效市场假说为何认为主动管理行不通——因此它预期所有人（撇开好运坏运）最终都只得到一个与所承担风险相称的回报……不多也不少。我在《他们又来了……又来了》里触及过这一点，以下三条引文都出自该篇：

……被动投资的智慧源于这样一种信念：主动投资者的努力让资产得到公允定价——这正是找不到便宜货的原因。

而指数中股票的权重又从何而来？来自主动投资者赋予股票的价格。简言之，在催生指数与被动投资的那个世界观里，主动投资者承担了证券分析与定价的重活，被动投资者则搭便车——持有完全取决于主动投资者决定的组合。倘若没有主动投资者的努力，根本没有什么市值加权可供模仿。

具有讽刺意味的是，正是主动投资者——被动投资阵营如此鄙夷的这群人——设定了指数投资者为股票和债券支付的价格，也因此确立了决定指数权重（指数基金所模仿的正是这些权重）的市值。如果主动投资者如此缺乏洞见，被动投资者追随他们的指令，真的说得通吗？

而如果主动投资者不再做那份工作，又会怎样？于是第二个问题是：「被动投资对主动投资意味着什么？」如果广泛的主动投资会让主动投资无法奏效（按照有效市场假说，主动投资把市场变得过于有效、证券价格变得过于公允），那么被动投资的日益普及，会不会让主动投资重新变得有利可图？

……当股票投资的大多数都由被动方式管理时，会发生什么？那时价格将更自由地偏离「公允」，便宜货（与高估）应当变得更加常见。这不会保证主动型经理人成功，但肯定能满足他们的努力奏效所必需的一个条件。

在全部投资中，要有多少比例是被动进行的，价格发现才会不足以让价格与公允价值保持对齐？没人知道答案。眼下，全部股票型共同基金资本中约有 40% 是被动投资的，这个数字在机构中可能也在朝这个方向移动。这大概还不够；多数资金仍由主动方式管理，意味着仍有大量价格发现在发生。100% 被动投资当然足够了：你能想象一个没人研究公司、没人评估其股票公允价值的世界吗？在那个世界里，我很乐意做唯一的投资者。但在 40% 到 100% 之间，要到哪一点，价格才会开始偏离内在价值足够远，让主动投资重新值得一做？这才是问题所在。我不知道，但我们可能会找到答案……而那将有利于主动投资。

第三个关键问题是：「被动与指数投资会扭曲股价吗？」这是一个有趣的问题，可以在好几个层面上作答。

第一个层面关乎市值加权指数内各股票的相对价格。人们常问：流入指数基金的资金，会不会导致指数中权重最重的股票相对其余股票上涨？我认为答案是「不会」。假设某个指数的成分股总市值为 1 万亿美元。再假设指数中某只热门股——也许是某只 FAANG——市值 800 亿美元（占总数的 8%），另一只更小、更不受宠的股票市值 100 亿美元（1%）。那意味着，指数基金里每 10 万美元，就有 8,000 美元投在那只股票上、1,000 美元投在后者上。它还意味着，每新增 100 美元投入指数，就有 8 美元流入前者、1 美元流入后者。因此，由资金流入引发的对这两只股票的买入，不应改变它们的相对定价——因为买入量占各自市值的百分比是相同的。

但故事并未到此结束。第二个层面的分析关乎指数内的股票与指数外的股票。显然，随着被动投资的兴起，更多资本会流入指数成分股而非其他股票；而资本要流入指数成分股，可能就得先从不在指数中的股票流出。显而易见，这可能让指数内的股票出于基本面以外的原因、相对非指数股而升值。

第三个层面关乎聪明贝塔基金中的股票。一只股票被那些正接收资金流入的非指数被动工具持有得越多（其余条件相同——又是那个 ceteris paribus），它相对那些不被持有的股票升值的可能性就越大。而像亚马逊这样被大量不同种类的聪明贝塔基金持有的股票，很可能相对那些不被任何一只、或只被少数几只持有的股票升值。

以上种种意味着：一只股票被纳入指数或聪明贝塔基金，是一种人为形式的「人气上升」——而在短期，正是相对人气决定股票的相对价格。

近期表现最佳的股票所占据的大仓位——连同它们膨胀的市值——意味着：随着 ETF 吸引到资本，它们必须大量买入这些股票，进一步助燃其上涨。因此，在当前这个上行周期里，超配、流动、大盘的股票受益于被动工具的被动买入——这些工具没有「仅仅因为一只股票定价过高就不买它」这个选项。

与 2000 年的科技股一样，这台貌似永动机的东西不太可能永远运转。如果资金真有一天流出股票、从而流出 ETF，那些被不成比例地买进的东西，就将不得不被不成比例地卖出。在紧缩行情中，如果指数基金与 ETF 必须卖出，它们要到哪儿为那些超配、大幅增值的持仓找到买家，就说不清了。这样看来，由被动买入驱动的升值，最终很可能被证明是轮动性的，而非永续的。

ETF 的爆发式增长及其受欢迎，恰与约九年前开始的市场反弹同步。因此，我们还没有像样的机会去观察它们在下跌行情中如何运转。把市场宠儿纳入 ETF 并给予超配的需求，或许推高了它们的价格——那么这股需求会不会在回落中成为压在宠儿们身上、比平均水平更强的卖压来源？会不会把它们的价格打压得更狠，并让投资者越来越反感它们、反感持有它们的 ETF？不到事情发生我们不会知道，但不难想象：那些在好光景里助长 ETF 增长的人气，在坏光景里会反噬它们自身。

问题四：「能否改进指数投资的过程——而不只是像指数构成那样、按市值比例买入那些股票？」多年来，我那位在加州的朋友、Research Affiliates 的罗布·阿诺特（Rob Arnott）一直主张以「基本面指数」而非「市值加权指数」为基础的被动投资。罗布是我们这个领域里真正的思想家之一，我不打算复述他的全部论证，也不奢望把它讲透。

但这样说就够了：一家盈利既定的公司，其市盈率越高——也就是它越受人喜爱——市值就越大。因此，在其他条件相同的情况下（又是那个 ceteris paribus），指数中权重越大的股票，很可能越是定价偏高的股票。你愿意把更多指数投资的钱投到更贵的股票上，还是更便宜的股票上？我宁可选后者。因此，按盈利这类东西的比例——而不是按市值——来投资指数成分股，是说得通的。

问题五：「ETF 本身，以及它的受欢迎，有什么内在问题吗？」ETF 不过是又一种买入股票和债券的工具。它们本身无所谓好坏。但 ETF 的影响有一处让我担心，而那关乎投资 ETF 的人的预期。

我的思路要回到 ETF 最初流行起来的原因：在市场开放的任何时刻都能买入或卖出的能力。我敢打赌，很多人使用 ETF，仅仅是因为觉得 ETF「更具流动性」。这里有几个问题。

第一，正如我在《流动性》（2015 年 3 月）里所写的，某样东西能够合法卖出——或者存在一个市场——并不意味着它总能以内在公允的价格、或接近上一笔成交价的价格卖出；这两者可能相去甚远。如果坏消息或投资者心理的转向导致市场下跌，一个 ETF 持有者总归会有一个可以卖出的价格，但那未必是什么「好的执行」。拿到的价格可能相对底层资产的价值打了折扣，也可能低于市场平稳运转时本会达到的价格。

如果你从共同基金赎回，你会拿到底层股票或债券当日收盘时的价格，即净值（NAV）。但当你卖出 ETF——就像卖出交易所里的任何证券一样——你拿到的只会是买方愿意付的价格；我怀疑在混乱中，那个价格可能低于底层证券的净值。设计这些产品的人说，有些机制应当能防止 ETF 价格实质性地偏离底层净值。但在这些机制经受一次严重的市场破裂考验之前，我们不会知道「应当」是否等于「将会」。

有些人可能是抱着「ETF 天生比其底层资产更具流动性」的错误信念来投资 ETF 的。例如，高收益债券 ETF 一直非常受欢迎，大概是因为买一只 ETF 远比拼出一篮子个债容易。但在危机中，一只高收益债券 ETF 有多大可能被证明比底层债券（后者本身很可能变得相当不流动）更具流动性？其弱点在于这个假设：一只工具能提供的流动性，会多于其底层资产所提供的。ETF 可能被证明不流动——这本身并无过错。问题会出在：投资它们的人，是抱着一种需要时并不在场的流动性预期来的。

三月份，我注意到彭博（Bloomberg）报道了马特·帕斯特斯（Matt Pasts）管理的、规模 9 亿美元的 BTS 战术固定收益基金（BTS Tactical Fixed Income Fund）——它在 2 月 9 日从「几乎全部持有垃圾债」变成了全现金持仓：

【BTS】不雇信用分析师去研究债券的基本面。帕斯特斯是一名市场择时者，试图判断整个高收益资产类别会涨还是会跌。他观察趋势与动量指标，例如追踪垃圾债市场的交易所交易基金价格的移动平均线。不持有垃圾债时，BTS 要么持有国债，要么持有现金。

对 BTS 来说，完全进出市场很简单，因为基金并不直接持有债券。相反，它采取了一种对基金而言非同寻常的策略：几乎完全经由 ETF 投资。1 月下旬，在卖出之前，BTS 约 95% 的资产都在两只最大的垃圾债 ETF 里。

暂且撇开「一位经理人能否靠预测市场的短期方向来增值」这个问题不谈——对此我高度怀疑——我想总有一天，这位投资者会想执行一笔在「真实的」高收益债券市场里做不了的交易，然后他会发现，通过 ETF 同样做不成。简言之，把策略建立在「ETF 总能被指望、以公允价格让你迅速进出某个不流动的市场」这一假设之上，在我看来是不现实的。这方面的真相，要等潮水退去才会清楚。

被动/指数投资之所以起步，是因为一种看法：股市将一如既往地缓慢前行，由主动投资者为证券设定「恰当」的价格。这会让被动投资者得以参与市场——搭建模仿指数的组合，免费搭上主动投资者所做的分析与价格发现的便车——而不必分担那份分析账单。

但那忽略了乔治·索罗斯（George Soros）反身性理论背后的现实：市场参与者的行为会改变市场。市场中没有什么是永远持续、独立且不变的。一个市场不过是身处其中的人以及他们所做的决定；那些人的行为塑造了市场。当人们投资于某些股票多于其他股票时，那些股票的价格就会相对上涨。而当所有人都决定不再履行分析、价格发现与资本配置的职能时，市场价格是否恰当就可能被抛到窗外（这是被动投资造成的，正如在没头没脑的繁荣或崩盘中一样）。底线是：被动投资的智慧，讽刺的是取决于有些人主动投资。当主动投资被彻底鄙弃、一切主动努力都停止时，被动投资将变得不明智，而主动投资的卓越回报机会将重新浮现。至少我是这么看的。

量化投资

我的下一个主题——如我所说，我刚接触它不久（因此下笔时战战兢兢）——有量化（quantitative）、算法（algorithmic）、系统化（systematic）投资这几个名目。本文中我用第一个。据我理解，量化投资就是制定一套规则（也许借助计算机），然后让计算机去执行。

量化投资至少有两种主要形式。第一种可以叫作「系统化因子投资」。其过程如下：

• 经理人考察一段历史时期，发现某些「因子」与卓越回报相关联。因子是刻画证券的属性，比如价值、质量、规模与动量。也许在某一时期，表现最好的股票具备这样的特征：强价值、高质量、大市值、以及近期的上涨（即「动量」）。于是经理人得出结论：他的组合应当由在这些因子上得分很高的股票构成。（当然，这些因子并不总是带来高于平均的回报；如果情形变化，成长、低质量、小市值与近期表现不佳，反而可能与卓越回报相关联。）
• 经理人指示他的计算机，去寻找那些能以最划算的价格提供最多此类因子的证券。例如，计算机可能依据这些指标寻找价值：市盈率、企业价值/EBITDA 比、市净率、股价/自由现金流比，以及行业特有指标——比如石油公司股价与储量的比率。
• 然后，经理人告诉计算机各项搜索标准的加权比例，计算机便系统地用能提供最优因子组合的证券填满组合。
• 最后，计算机受命评估随之而来的风险。组合会被最优化——即便最具吸引力的成分也受到约束，以限制单只股票、或许还有单一行业的占比，以及股票之间可能存在的关联所带来的风险。组合按公式化的规则生成，通常无须人工干预。

这一过程的终产物，是一个按算法的说法将带来最高期望回报、最低风险（假设过去与卓越回报相关联的因子未来仍如此，且资产将如过去一样波动、一样彼此关联）的组合。

量化投资的另一种主要形式是「统计套利」（statistical arbitrage），或称「stat arb」。举一个统计套利的例子：假设一位投资者想买入 10 万股 XYZ 股票，而该股的市场价差是「一分钱」，报在 20.00/20.01 美元（也许 20.00 美元有 5,000 股买盘、20.01 美元有 8,000 股卖盘）。经纪商吃下 20.01 美元价位的 8,000 股。下一个卖单是 20.02 美元的 6,000 股，经纪商也吃下。接着一位卖家在 20.03 美元卖出 5,000 股，经纪商照单全收。这番买入可能把市场推到 20.03/20.04 美元。

量化派的计算机会注意到这样一个事实：市场已经上移，有人正以节节走高的价格买入这只股票。

• 如果其他股票没有类似地上移，计算机会断定这些事件是「特质性的」（idiosyncratic）——只与这一只股票相关——而非「系统性的」（systematic）——也就是说，它并非弥漫于整个市场。
• 如果那只股票的走高属于特质性，且公司没有可以解释它的消息，计算机会断定价格变动源于投资者买入，而非基本面变化。
• 计算机把这一价格变动视为一次由经纪商为执行投资者订单而造成的短期错位。
• 它还依据迄今的交易、当前的市场以及订单簿的状态断定：这类买入很可能继续在高于「没有这番买入时股价本会处于的水平」的价格上发生。
• 于是计算机决定，量化派应当向那位正在推高价格的买家「做空」这只股票（卖出量化派并不拥有的股票），其假设是：等买入停止、价格回落之后，量化派能够回补。今天或许能以 20.03 或 20.04 美元卖出股票，几天后能以 20.00 或 20.01 美元买回来。
• 于是，量化派提供了原本不会存在的流动性，并愿意隔夜持仓。作为交换，量化派所赚的比日后回补所需支付的略多几分钱。

我们或许可以说，在大多数情况下，统计套利计算机应对的是「一只股票的价格与另一些股票或整个市场的价格之间的失衡」，并假设这些关系会回归常态，据此采取行动。赚到的几分钱不是什么大事（在上面的例子里或许只有 0.1% 的利润），正如文艺复兴科技公司（Renaissance Technologies）2014 年向参议院一个小组委员会就其核心「大奖章基金」（Medallion Fund）发表声明时所说：「文艺复兴开发的模型……做出的预测，只是『略多于半数时候』有利可图。」但如果你做得足够频繁、且上了足够的杠杆，统计套利就能在权益上产生可观的回报。

这与长期资本管理公司（LTCM）在 1990 年代末所做的如出一辙——寻找可以被套利的统计性背离。它的一位高管曾把公司所做的事描述为「走遍全世界，捡那些五分一角的硬币」。但在 1998 年，LTCM 杠杆极高的组合遭遇了一段长得离谱的时期：那些关系非但没有收敛，反而背离得更远。按市值计价的亏损，导致长期资本的贷方要求追加资本；由于无力追加，基金熔毁了；证券行业的领袖们不得不接下它的组合。结果发现，LTCM 一直在一台压路机前面捡五分一角的硬币——而压路机追上了它。

LTCM 经历的教训包括：(a) 统计套利的机会规模有限；(b) 投向它的资本同样必须有限；(c) 杠杆必须合理，投资者才能挺过历史关系与概率失效的那些时期；(d) 同样重要的是，要恰当地对冲掉市场的整体方向性风险。

量化投资者给他们的计算机编程，去模仿过去有利可图、或预期未来有利可图的行为。换句话说，他们为计算机设定规则或公式，让计算机照此行事。关键问题是：在投资这样一个竞争性、动态、彼此相连的竞技场里，通往盈利的道路能否被装进一个公式？投资环境的变化（也许正是公式本身的实施所引起的变化）会不会否定公式的有效性？

就在前几天，我收到罗莎莉·J·沃尔夫（Rosalie J. Wolf）的一封电邮——她曾是一位首席投资官，也是我们一些客户董事会的顾问——她想知道自己爱引用的那句话出自哪篇备忘录。结果那出自《敢于伟大》（2006 年 9 月），而讽刺的是，它与上面提出的问题极其相关：

我们怎样才能取得卓越的投资业绩？答案很简单：我不仅不知道有哪一种配方能单独带来高于平均的投资业绩，而且我确信这样一种配方不可能存在。我最喜欢引用的一段灵感来源——已故的约翰·肯尼斯·加尔布雷思——这样说：

「关于赚钱，没有什么是真正可靠的。如果有，研究会变得激烈，每个正 IQ 的人都会变富。」

当然不可能存在通往投资成功的路线图。首先，沿着地图走的那些人的集体行动，会改变风景本身，使地图失效。其次，沿着它走的人都会得到同样的结果，而人们仍会眼巴巴地看着前 25%……通往那里的道路必须靠别的方式找到。

在继续之前，让我详细说说我对「存在某种能单独带来高于平均业绩的公式」的怀疑。

第一，虽然有些投资方式我认为行不通，但总有一些出类拔萃的人能在其中成功。我这里指的是主动交易、宏观投资与量化投资。就最后一种而言，文艺复兴科技公司与 Two Sigma 都因其业绩享有极好的声誉。我母亲常说：「例外证明了规则。」她的意思是，比如说，只有极少数人能做到某件事，这恰恰证明大多数人做不到。所以，虽然我不会说我的怀疑在任何地方都站得住脚，但我确实认为它大体上是对的。按定义，认为大量人群能得出产生卓越业绩的公式，是说不过去的。

第二，关键词是「单独」。任何一个老公式都无法解锁投资成功的秘密。一个非凡的公式——源自非凡的智力与洞见——或许可以胜任，尽管可能只在有限的一段时间里。

看起来显而易见的是，一个公式的应用与普及，终将终结它的有效性。假设（用一个极其简化的例子）你对市场的研究表明，小公司股票在某一时期战胜了市场，于是你超配它们。

(a) 既然「战胜市场」「升值更多」「业绩更好」往往只是「变得相对昂贵」的另一面，我怀疑任何一组股票能长期跑赢而不变得充分定价乃至定价过高——从而为跑输埋下伏笔。

(b) 而且同样明显的是，终究会有别人发现同样的「小盘股效应」，蜂拥而入。那样的话，小盘股投资将变得普遍——而按定义，它不再是优势的来源。

再重申一遍：乔治·索罗斯的反身性理论说，市场参与者的行为会改变市场。因此没有任何公式能永远当赢家。对我来说，这意味着通过量化投资取得卓越回报，要求具备持续、正确地更新公式的能力。既然投资是动态的，量化投资所依赖的规则也必须是动态的。

据高盛（Goldman Sachs）的拉杰·马哈詹（Raj Mahajan）说——他是我在这些事情上的主要导师——「今天最好的模型，会随着环境的变化、随着因子动态的变化而改变暴露（例如，随着因子变得更便宜或更昂贵）。规则已变得越来越复杂，而且它们能够『学习』（也就是说，它们是『条件式』或『情境式』的），因为它们对环境了解得更多。」持续更新——而非「一个单独的公式」——似乎是任何量化派长期成功的最低要求。

在我看来——尽管两个兄弟会的成员或许都会拒绝这种比较——量化投资与聪明贝塔 ETF 投资有一些共同之处：

• 两者都基于规则，追求经理人希望其持仓具备的那些属性。
• 在两者中，规则一旦设定，人（大体上）就把手从方向盘上拿开，把执行交给计算机。

我看到的差异——而且这差异相当实质——在于：

• 量化投资中的交易多得多。既然指数基金与 ETF 是「被动的」，因而对公司的基本面与证券价格是否划算漠不关心，它们基本上是买入并持有。另一方面，量化投资者的计算机则会不断拿组合去对照算法或规则。
• 量化的过程要「量化」得多。正如史蒂文·布雷格曼所说，聪明贝塔 ETF 依据「语义」买入：看证券被贴上什么标签（对于「哪些证券属于哪个组」，没有量化标准）。另一方面，量化投资者则是依据对证券基本面与价格的量化评估来买入。

关于量化投资这个话题，最后我想提几个与时间框架有关的问题（其中一些是我儿子安德鲁建议的）。

• 大多数量化投资，就是利用标准模式（那些与跑赢相关联的因子）与常态关系（比如一只股票与另一只股票、或与市场之间的惯常价格比率）。
• 量化派依据这些东西的历史数据投资。但如果未来的模式与关系和过去不一样，会发生什么？
• 有一点很重要：大多数量化投资者只曾在利率下降、通胀低迷、波动率低、且这些趋势相当稳定的时期里运作过吗？如果利率、通胀与波动率上升或变得更加多变，他们的方法会不会被证明足够动态、足以调整？而如果它们真的上升或变得更多变，量化派在制定规则时又该用哪些历史数据？
• 同样，这一点是否要紧：有量化派参与的历史时期里，投资业绩记录十分有限？换句话说，量化投资的增加，会不会影响量化投资自身的有效性，从而改变成功的条件？

我们会看到的，但肯定不能说，多数量化投资者在这些方面已经得到验证。

人工智能与机器学习

既然我早已越过自己技术专长的边界，下面的话题我仍要借助维基百科来引入：

人工智能（artificial intelligence）是由机器展示的智能，与人类及其他动物所展现的自然智能相对。在计算机科学中，AI 研究被定义为对「智能体」（intelligent agents）的研究：任何能够感知自身环境并采取行动、以最大程度提高成功实现目标之机会的设备。通俗地说，当机器模仿人类与其他人类心智相联系的「认知」功能——比如「学习」和「解决问题」——时，就用「人工智能」这个词。

……截至 2017 年，通常被归类为 AI 的能力包括：成功理解人类言语；在战略博弈系统（如国际象棋与围棋）中以最高水平竞技；自动驾驶汽车；内容分发网络与军事模拟中的智能路由。

……AI 研究的传统问题（或目标）包括推理、知识表示、规划、学习、自然语言处理、感知，以及移动和操纵物体的能力。

换句话说，人工智能意味着机器思考的能力。量化投资是给计算机下达它必须遵守的指令；而一台拥有人工智能的计算机，可以自己想出该做什么。正如《投资者商报》（Investor's Business Daily）5 月 10 日所说：「AI 使用计算机算法，去复制人类学习与做出预测的能力。」

伯纳德·马尔（Bernard Marr）随后在《福布斯》（2016 年 12 月 6 日）上对人工智能与机器学习做了区分：

简言之，最好的答案是：人工智能是一个更宽泛的概念——机器能够以我们认为「聪明」的方式执行任务。

而机器学习（Machine Learning）是 AI 当前的一种应用，其核心思想是：我们其实应该能够给机器数据访问权，然后让它们自己学习……

有两个重要突破，促成了机器学习兴起，成为以当前速度推动 AI 前进的载体。

其中之一是这样一个认识——功劳归于 1959 年的阿瑟·塞缪尔（Arthur Samuel）——与其把计算机需要知道的一切关于世界的知识、以及执行任务的一切方法都教给它们，不如让它们学会自己学习。

第二个突破出现得更晚：互联网的问世，以及被生成、存储、可供分析的数字化信息量大幅增长。

这些创新一旦到位，工程师们便意识到：与其把每件事怎么做都教给计算机和机器，不如把它们编码成能像人类那样思考，再接入互联网，让它们接触世界上所有的信息——这样效率要高得多。（着重号为原文所加）

所以，在这位非技术人士看来，AI 能够实现机器学习，让计算机筛选海量数据、辨别通往成功之路。它们不必像在量化投资中那样等人喂给它们规则；它们自己琢磨出规则。

（最优秀的棋手成为国际特级大师的途径之一，是研究过去的对局、观看每一步棋、记住每种局面下哪一步最成功、以及应对那一步的最佳着法。但一个人能研究的棋局数、能记住的着数显然有限。关键正在于此：一台足够强大的计算机可以回顾下过的每一局棋、评估每一步的后果、并决定哪些着法将通向胜利。于是如今计算机已经能击败国际特级大师，而且当它们取胜时，再也没有人感到惊讶了。）

机器学习仍处于婴儿期。或许有一天，AI 与机器学习会让计算机作为市场的正式参与者，以等于或优于许多投资者的判断力与洞察力，实时分析并应对海量数据。但我怀疑那不会很快发生；而索罗斯的反身性理论提醒我们，所有这些计算机很可能会以某种方式影响市场环境，让它们更难取得成功。

对投资的影响

我直到第十四页才谈到促使我动笔写这篇备忘录的那个问题：以上这些对我们这行职业的未来意味着什么。

在我看来，关于指数与被动投资，情况是清楚的：

• 大多数人不能、也没有战胜市场——尤其是在更有效的市场里。平均而言，所有组合在计入成本之前，回报都是平均的。
• 主动管理会引入一些因素：管理费；交易相关的佣金与市场冲击；以及常让投资者在错误时点买进卖出（多于在正确时点）的人为错误。这些对净结果都有负面影响。
• 主动管理中唯一有潜力抵消上述负面因素的，是阿尔法——个人的技艺。然而，拥有很多阿尔法的人相对很少。
• 正因如此，大量主动型经理人未能战胜市场、未能配得上他们收的费用。这不只是我的结论：倘若不是如此，资本就不会像一直以来那样，从主动基金流向被动基金。
• 无论如何，几十年来，主动型经理人一直在收费，仿佛他们挣得了这些费用。因此，主动管理行业许多环节的盈利能力，一直与「是否为客户增值」无关。

重要的是要指出：向被动投资的这一趋势之所以发生，并不是因为被动投资的回报很出色。而是因为主动管理的结果很差——或者至少差到不足以配得上所收的费用。

如今客户们变聪明了，除非上述情况有所改变，否则向被动投资的趋势还会继续。什么能遏制它？

• 更多主动型经理人能够交付阿尔法（但这不太可能）。
• 市场变得更容易战胜（这大概会时不时地发生）。
• 费用降到能与被动投资的费用相竞争的水平（但在那种情况下，主动管理的基础设施要靠什么支撑，就不清楚了）。

除非上述推理有缺陷，否则向被动投资的趋势很可能会继续。至少，它减少或消除了管理费、交易成本、过度交易与人为错误——这不是个坏组合。

当然，确实有跑赢的主动投资者。不是多数，也不是半数。但确实有一个少数派挣得了他们的费用，而他们理应继续被需要。

再谈量化投资——评估它的未来尤其有趣。量化投资的好消息是：它弥补了主动管理的许多缺陷：

• 它能做人们能做的许多事，通常还不会犯「人为错误」。
• 它能处理多出无数倍的数据。
• 它排除了情绪；它绝不在亢奋中买入、也不在恐慌中卖出。
• 它从不忘记再平衡：卖掉贵的东西、买入便宜的东西。

量化投资很好地利用了计算机处理海量数据的能力，以及它们不受人为错误影响这一优势。简言之，我认为计算机能比绝大多数投资者做得更多，而且做得更好。

现在说说局限。我把量化投资也看作一种搭便车策略：它从别人造成的失衡中获利。「五分一角」的供应量取决于那些失衡的规模，因此能靠这种方式取得巨大优势的资本必然是有限的。最好的量化公司——文艺复兴科技公司——之所以把外部资本全部退还出它的旗舰大奖章基金，必有其原因：如果一种投资方法可以无限扩容，那么按定义，限制管理规模就永远不划算。（当然，所有「阿尔法策略」都建立在利用他人错误的基础上；因此机会的规模以错误的规模为限——参见 2012 年 6 月 20 日的《一切都是大错》。）

还有更大的问题：量化投资能做出卓越的定性决策吗？它能做长期投资吗？

这让我回到我最喜爱的一段引语。它出自社会学家威廉·布鲁斯·卡梅伦（William Bruce Cameron）——尽管许多人把它归于阿尔伯特·爱因斯坦（过去我也这样引过）：

……并非一切可以被计数的东西都重要，也并非一切重要的东西都可以被计数。

在处理可以被计数的事物——那些量化的、客观的东西——上，计算机无人能敌。但还有大量别的东西——定性的、主观的东西——极其重要，而我怀疑计算机能否做到最优秀的投资者所做的那些事：

• 它们能和一位 CEO 坐下来，判断他是不是下一个史蒂夫·乔布斯吗？
• 它们能听一堆风险投资的推介，知道哪一个是下一个亚马逊吗？
• 它们能看几栋新楼，说出哪一栋会吸引最多的租户吗？
• 它们能预测一场破产重组的结局吗——在那种场合，各方的动机未必是经济利益最大化？

再者，量化投资对从短期错位中获利的强调，留下了多得多的东西可供挖掘。如今太多投资只看短期，以至于我认为，卓越的主动投资者在长期问题上做增值决策，有着巨大的空间。我没有理由相信计算机能更出色地做出这些决策。

最伟大的投资者未必在算术、会计或金融上比别人更强；他们的主要优势在于，他们能看到普通投资者错过的定性特质和/或长期价值。而如果计算机同样会错过它们，我怀疑最好的那几个百分点的投资者短期内还不会退休。

机器学习会不会让计算机得以研究整个金融史、搞清楚什么造就了最成功的投资、并嗅出未来什么会奏效？我无从知道；但即便会，我认为那还不够。计算机、人工智能与大数据，将帮助投资者知道得更多、做出更好的量化决策。但在计算机拥有创造力、品味、洞察力与判断力之前，我认为拥有阿尔法的投资者仍有用武之地。

（不过，我对我们饭碗安全的信心并不是无限的。值得注意的是，2016 年，斯坦福的一个团队开发出一个计算机程序，能正确区分「扣人心弦」与「并不扣人心弦」的文字段落，正确率 81%。研究人员能让它做到这一点，靠的是先就哪些特征算得上扣人心弦达成一致，然后让程序识别这些特征，并学会辨认新的特征。）

重要的是，量化投资与人工智能这两个趋势，都预设了大量关于基本面与价格的数据可以获取。关于上市公司及其证券，此类数据已经大量可得。另一方面，橡树资本与其他另类投资者所涉足的许多东西，是私人的、非交易的、相对缺乏文字记录的：比如困境债务、直接放贷、私募股权、房地产与风险投资。AI/机器学习最终会进入这些领域，但要等到它足够精密、数据也足够可得、能让计算机自主行动，很可能还要过上好一段时间。

最后，我看待这种局面有点像看待指数投资：如果有一天，智能机器掌管了所有资金，它们难道不会 (a) 看到同样的东西、(b) 得出同样的结论、(c) 设计出同样的组合，从而 (d) 取得同样的表现吗？到那时，通往卓越表现之路又是什么？是拥有卓越洞见的人。至少，这是我的希望。

2018 年 6 月 18 日