TUSHARE 金融與技術學習興趣小組
翻譯 | Apathy
本期編輯 | Little monster
譯者簡介：國防科技大學控制工程與科學專業(yè)研二在讀，目前在學習python爬蟲和量化投資。
作者：StuartReid
在我看來，量化金融應該被視作為一門科學而不是一門專業(yè)。這就意味著知道如何成為一名Quant比知道如何變成一名Quant更重要。前者涉及量化金融的原則和意識（我相信這些東西可以成功的應用到金融或技術的任何領域），而后者涉及為了獲得“量化”的工作所需要的實際活動。
在一個基本層面上，作為Quant不僅僅知道在給定一些隨機模式的情況下如何推導閉合形式公式估計外來期權的價值，也不僅僅是知道如何開發(fā)、訓練和測試使用統(tǒng)計回歸模型的系統(tǒng)化交易策略。作為Quant就是相信并將科學方法應用到一般的金融市場的研究中。
這種意識在衍生品（量化分析師）的估值中受到歡迎，但很快蔓延到風險管理（量化風險分析師），資產(chǎn)管理和交易（強化交易和策略師）。我預計，在未來幾十年，這種意識將繼續(xù)擴展到企業(yè)金融，投資銀行，私募股權，甚至風險投資領域。在每個領域，它可能采取不同的形式，稍微演變，甚至可能采取新的名稱（數(shù)據(jù)科學？），但是這種意識將保持不變。
本文的其他部分將嘗試闡明我認為什么意味著成為一名Quant。話雖如此，我成為Quant也僅僅幾年時間，所以我的觀點仍在發(fā)展，所以如果您發(fā)現(xiàn)任何不同意的或希望增加的內容，請在下面的評論部分告訴我。本文分為四部分：
一、科學哲學
二、科學方法
三、思考模型
四、結論和總結
一、科學哲學
如何成為Quant～了解經(jīng)驗科學和歸納推理的局限性。明白所有金融理論是易出錯的，所有的量化模型都是脆弱的。
在我計算機科學榮譽學位期間，我和我的其他同學被迫做了一個為期一年，稱作“研究方法論”的模塊。這個模塊的兩本教科書是Mario Bunge的著作《科學哲學：從問題到理論和科學哲學》，《從解釋到理由》。盡管我們的教授盡最大努力使這個主題盡可能無聊，但我很高興能夠學習科學哲學，并且發(fā)現(xiàn)模塊中許多思想對我作為Quant十分有用。
科學哲學是哲學的一個分支，它涉及科學的邏輯基礎，方法和含義。從廣義上講，它試圖回答這些問題：“什么是科學？”，“為什么科學有效”，“科學的局限性是什么？”。隨著時間的推移，形成了不同的，有時相互矛盾的科學哲學。這些包括但不限與科學現(xiàn)實主義、建設性經(jīng)驗主義與工具主義，歸納、演繹與推理，甚至邏輯實證主義與可證偽性。
有關這些哲學相對于彼此的有趣圖表如下：
CHRIS BLATTMAN
現(xiàn)實主義 VS. 經(jīng)驗主義
現(xiàn)實主義認為，科學描述的世界是現(xiàn)實世界，而不是現(xiàn)實世界所認為的世界。另一方面，經(jīng)驗主義認為，因為知識是基于經(jīng)驗的，所有知識都是試探性和概率性的，因此需要進行修改和證偽。確實存在各種形式的現(xiàn)實主義和經(jīng)驗主義，它們的嚴格程度不同。e.g. 科學 vs.結構現(xiàn)實主義。
支持現(xiàn)實主義而不是經(jīng)驗主義的主要論點是科學理論的準確性。換句話說，如果理論是準確的，意味著它可以用來預測現(xiàn)實世界中發(fā)生的事情，那么它必須描述現(xiàn)實世界。雖然這在物理學中可能基本上是正確的，但鑒于金融理論的不足，我認為我們應該認識到金融理論本質上是試探性的，并且需要進行改進和證偽。
演繹、歸納與推理
科學哲學區(qū)分了集中不同形式的邏輯推理。
演繹推理(演繹)涉及從一個或多個邏輯前提推理以達到某個邏輯結論。演繹推理是在數(shù)學和計算機科學的形式方法中找到的推理形式，它將合理的前提與必然是真實的結論聯(lián)系起來。
誘導推理(誘導)是一種稍微弱一點的演繹推理形式，它認為通過演繹推理得出的結論可能不是必然的，但鑒于現(xiàn)有的數(shù)據(jù)和前提，它們總是最好的結論。
歸納推理(歸納)涉及從一個或多個強有力的前提進行推理，這些前提基于證據(jù)和觀察，得出的結論在給定支持證據(jù)的情況下是概率上真實的。歸納推理永遠不會被證明是正確的，只有在觀察到相互矛盾的證據(jù)時才會被證偽。
歸納推理的缺陷是通過歸納獲得的知識是脆弱的。這是黑天鵝的故事的縮影。如果到目前為止觀察到的每只天鵝都是白色的，我們可以用這個證據(jù)來推斷“所有天鵝都必須是白色的”; 然而，只需要觀察一只黑天鵝來偽造理論。因此，據(jù)說通過歸納原因獲得的知識是脆弱的。這是Nassim Taleb研究的前提。
關于市場的量化理論建立在經(jīng)驗觀察的歸納推理之上。因此，這些理論通常是脆弱的，并且在存在相互矛盾的證據(jù)（模型未預測的異常值和黑天鵝）的情況下可能無效或偽造。然而，這在理論上是正確的，并且在實踐中，大多數(shù)理論都是虔誠的，而且相互矛盾的證據(jù)往往被忽略。
您可能想知道科學哲學如何幫助您成為Quant？我認為它很重要，因為它迫使我們認識到我們的局限性，它使我們保持客觀，但最重要的是它提醒我們，即使一些金融理論根深蒂固到我們的專業(yè)中，它們對于反駁它們的實證結果似乎是絕對可靠的，他們不是完全正確的。在做出這一陳述之后，我們會想到一些經(jīng)濟模型和流行的量化模型假設，即無拋補利率平價（UIP），正態(tài)分布的回報，線性和平穩(wěn)性，以及隨機游走假設/有效市場假設。
二、科學方法
如何成為一名Quant～使用科學方法。它有助于指導科學思考，并將改善模型的整體可測性及其假設（假設）。
科學方法被定義為一個持續(xù)的過程，通常涉及系統(tǒng)觀察，定量測量，實驗，假設公式，假設檢驗和假設改進。在本節(jié)中，我們將針對隨機游走假設進行此過程。
這是一個非常有用的幻燈片【1】，解釋了科學方法。它也是下圖的來源。
進行觀察
觀察通常是我們看到的事情，但是在金融市場的背景下，觀察可以擴展到我們在書籍，電視上或者甚至在閱讀好（或壞）博客時遇到的想法。按照我們的例子，我們可能會觀察到許多學術論文和流行書籍已經(jīng)發(fā)表，其中表明市場回報是根據(jù)隨機游走/隨機過程演變而來的。
提出有趣的問題
提出有趣的問題幾乎總是有點懷疑。首先提出最簡單的問題：誰？什么？哪里？什么時候？為什么？以及如何？只是問這些問題可以發(fā)現(xiàn)進一步研究的有趣途徑。讓我們問一下隨機游走假設的這些問題：
1、就市場而言，這適用于誰？所有市場都是隨機的嗎？流動性和其他相對效率指標如何與市場隨機性的衡量相關聯(lián)？
2、使市場隨機化的潛在力量是什么？效率是否真的導致隨機性？如果市場是隨機的，那么代理商就沒有動力在市場中競爭，那么市場是否會停止高效，這意味著它不是隨機的？
3、市場在哪里隨機？這與問題1有關。世界上是否存在市場不那么隨機的地方，例如發(fā)展中市場？如果是這樣，為什么？動力學不同嗎？
4、市場何時隨機？市場總是隨機的，或者在某些非隨機制度中這種隨機性是否會中斷？如果市場并非總是隨機的，這是否意味著存在盈利機會？
5、為什么市場是隨機的？這與問題2有關。保持市場隨機性的市場力量是什么？假設主要驅動因素是市場效率那么......
6、我們如何衡量效率并測試隨機游走假設？我們能否使用基于代理的模型模擬有效的經(jīng)濟，并測試價格發(fā)現(xiàn)機制是否隨機？
正如您所看到的，具有諷刺意味的是，這個過程非常隨機，許多問題可能已由先前的研究人員全部或部分回答。這就是進行文獻綜述很重要的原因。一旦你提出了足夠多的問題并閱讀了關于該主題的現(xiàn)有文獻，一些“好主意”就會開始形成。這些是我們想要形成可測試的科學假設的想法。
形成假設
假設是聲明性陳述，它斷言一組變量之間的特定關系。好的假設應該簡潔，陳述，易于檢驗，并考慮到以前的科學研究（以避免無聊的追求）。舉例來說，以下有趣的想法，實際上是由一位非常熱情的讀者在我以前的博客文章中提出的：
“市場回報表現(xiàn)出隨機性，因為市場迅速適應以消除任何弱點。”
盡管這是一個好主意，但它會產(chǎn)生一個可怕的假設。它留下了許多未定義的術語，不是很容易測試或反駁，實際上是一堆拼湊在一起的假設。
讓我們嘗試從中做出一些假設：
【假設1】市場運動（向上或向下）與二元Martin Lof隨機序列無法區(qū)分。?
當然，這是我之前的文章Hacking the Random Walk Hypothesis背后的假設。與大多數(shù)研究一樣，我的研究得出了一個脆弱的結論，即“市場不是隨機的，至少根據(jù)上述定義”，以及更多的問題。這些問題通常會帶來更多假設和更多研究。正如您所看到的，研究，特別是使用科學方法完成的研究，是一個永遠不會真正停止的持續(xù)過程。讓我們將這個假設分解為兩個部分：
【假設2】 市場效率，及時訪問所有信息，需要市場隨機發(fā)展。
我們將在下一節(jié)討論如何測試這個假設。但是，我想請你注意LeRoy在1973年寫的兩篇論文，風險規(guī)避和股票價格的鞅屬性，以及盧卡斯在1978年寫的交換經(jīng)濟中的資產(chǎn)價格。這些文件旨在測試在交易經(jīng)濟中行事的理性代理人是否能夠及時獲得所有相關信息，這使得股票價格隨機變動。他們的結論是，雖然有可能構建一個隨機行走的市場，但也有可能不能。因此，效率并不一定意味著市場必須是隨機的。
“關于股票價格的隨機性，顯而易見的是，人們可以構建嚴格的經(jīng)濟模型，其中價格序列具有這種特征，而且具有同樣理性和知情的代理商，而這些特征是他們沒有的。這表明結果 關于實際價格系列是否具有鞅屬性的測試本身并未闡明市場“效率”這一普遍提出的問題。' ——Lucas
【假設3】無論市場是否隨機演變，所有有利可圖的機會都擠得過快，投資者隨著時間的推移會產(chǎn)生一致的α。......嗯，這是一個多么有趣的想法。
如果我們將上述假設約束到特定的時間范圍，例如：5年，定義alpha也許我們可以測試這個假設。話雖如此，這個假設肯定比其他假設更簡潔，更具說服力，并且更難以反駁，即它不是一個很好的假設，可以被打破。
制定可測的預測
通過假設您的假說是真或假來開始預測?，F(xiàn)在計算出您期望或不期望存在的數(shù)量。例如，如果我提出的第一個假設是正確的，那么我們可以預期市場收益（上升或下降）在NIST加密測試套件中也會像已知行為被稱為二元Martin Lof序列的序列一樣。在我之前的文章中，我使用Mersenne Twister RNG進行比較，并證明這不是真的。反過來，這暗示假設是錯誤的。
許多人陷入的一個錯誤是，他們認為他們錯誤地認為做研究的目標是正確的。實際上，假設是真是假并不重要，重要的是我們?yōu)樘囟▎栴}的現(xiàn)有科學知識體系提供了新穎的信息。
如果我要測試第二個假設，我可能會更進一步，開發(fā)一個可以保證效率的基于模型的算法【2】。從這個模型中我將提取返回序列，并再次測試它們以查看它們是否是隨機的。我們將在本文中進一步討論模型的思考。
收集數(shù)據(jù)以測試預測
這是自我解釋的。我想補充的唯一一點是，用于測試預測的數(shù)據(jù)既可以從現(xiàn)實世界中收集（經(jīng)驗），也可以使用與假設相匹配的模型進行模擬。這兩種方法都有利有弊。經(jīng)驗數(shù)據(jù)受到衡量，收集和維護的偏差; 模擬數(shù)據(jù)是假設模型正確實現(xiàn)。
重新定義，改變或拒絕假設
根據(jù)收集的數(shù)據(jù)，我們可以說“是的，我們的預測是正確的，這個證據(jù)支持假設”或“不，我們的預測是錯誤的，假設是錯誤的”。請注意，在第一個結果中，證據(jù)僅支持該假設，而在第二個結果中，證據(jù)偽造了該假設。這又回到了科學哲學。假設（或理論）可能是偽造的，但它無法證明。
發(fā)展一般理論
一旦開發(fā)出足夠數(shù)量的假設并進行嚴格測試，它們就可以合并為更一般的理論。例如，在現(xiàn)代投資組合理論被普遍接受之前，它需要對風險與收益之間的關系進行數(shù)十年的科學研究。事實上，在出版他的博士研究時，Markowitz的投資組合理論幾乎被拒絕了：
“當我作為芝加哥大學經(jīng)濟系的學生為自己的論文進行答辯時，米爾頓弗里德曼教授認為投資組合理論不是經(jīng)濟學，他們不會授予我要拿經(jīng)濟學博士學位，因為這篇論文與經(jīng)濟學無關。我認為他只有一半話時認真的，因為他們確實授予我博士學位，而我沒有長時間答辯。關于他論點的優(yōu)點，在我為我的博士論文答辯的時候，投資組合理論不是經(jīng)濟學的一部分，在這一點上我非常愿意承認。但是現(xiàn)在它是經(jīng)濟學的一部分” ——Markowitz
我想我們都可以從這個故事中學到一些東西。僅僅因為你的想法不受歡迎，或者沒有被廣泛接受，并不一定意味著你錯了。在我看來，金融界非常過時，喜歡堅持幾乎具有宗教信仰的某些理想。Quant的作用是客觀地看待金融世界，慢慢發(fā)現(xiàn)金融市場的真相。尋求真相不是共識。
我必須將LeRoy和Lucas的Markowitz引用和關于論文的知識歸功于Andrew Lo和Craig MacKinlay所著的A Non Random Walk down Wall Street一書。
三、思考模型
如何成為Quant?將您的想法形式化為模型。然后使用這些模型進行更清晰的思考，測試您的想法的有效性，并識別隱藏的模式。
本文的最后一部分涉及思考模型。模型是現(xiàn)實世界中某個對象或過程的表示。Quant建立模型所使用的工具是數(shù)學和計算機科學。例如，Quant可能維護與特定資產(chǎn)組合相關的風險模型。但為什么首先使用模型呢？特別的是，他們是2008年金融危機的最大貢獻者之一。
模型幫我們更清楚地思考
把想法發(fā)展成一個合適的模型，無論是代碼，數(shù)學還是兩者，都迫使我們非常清楚地定義這個想法。模型迫使我們在輸入，處理和輸出方面考慮理想。這個過程本身有助于我們識別缺失的組件并糾正損壞的組件。
模型是可測的、直覺不可測
一旦一個想法被編纂為模型，它就是可測的。對每個模型的最終測試是看它與現(xiàn)實世界的疊加程度。以資產(chǎn)的幾何布朗運動隨機模型為例。模型與現(xiàn)實世界相比如何？是否有市場崩潰？它是否有更高和更低波動的時期？答案當然不是沒有。這些差異促使我們開發(fā)出更復雜的隨機模型，如默頓跳躍擴散模型和赫斯頓隨機波動模型。
模型的另一個更常見的測試是看它是否在過去有效，即它是否適合數(shù)據(jù)。以一個簡單的價值偏見的投資策略為例。只要該策略基于基金經(jīng)理的直覺（自由裁量權），您就無法對其進行回測，以確定它是否會在過去產(chǎn)生更高的回報。你所能做的就是希望基金經(jīng)理和他說的一樣好。對于那些有趣的人來說，兩個極棒的Quant博客經(jīng)常爭論基于模型的交易的優(yōu)點是Alpha Architect和Flirting with Models。
模型幫助我們解決隱藏的模式
永遠不要忘記使用神經(jīng)網(wǎng)絡等機器學習模型【3】進行模式識別的所有驚人發(fā)展; 即使失效的簡單模型也可以幫助我們發(fā)現(xiàn)隱藏的模式和洞察我們的世界。
例如，以下一個簡單的問題：為了使一個城市的種族隔離達到80％，有多少人需要種族主義？結果可能會讓你感到驚訝，因為事實證明，如果30％的個人是種族主義者，那么在城市或城鎮(zhèn)就會出現(xiàn)種族隔離。這就是一個簡單模型的美麗，例如謝林隔離模型; 他們可以幫助我們獲得我們在沒有模型的情況下永遠不會有的見解。請查看以下視頻，了解謝林模型的解釋，如果您喜歡，請注冊Coursera上的Model Thinking。這是一個很棒的課程；我也需要抽出時間來完成它。
最后，我要說數(shù)學和計算模型的最大好處是它們允許我們擺脫頭腦中不精確的心理模型，并且這樣做可以顯著降低個體的認知負擔?；旧衔蚁胝f它們讓我們更聰明。
四、結論和總結
量化金融是一種意識形態(tài)，Quant不僅僅是擅長數(shù)學和知道如何編碼；它是關于相信并應用科學方法來研究金融市場。
鑒于這種信念，我對希望成為Quant的個人的建議很簡單：無論你是否擁有頭銜，都要成為一個Quant。坦率地說，我想不出為什么量化金融的基本原則和方法不能成功地應用于其他非量化金融服務領域甚至非金融服務公司的原因。在我看來，這是量化金融的下一個合乎邏輯的步驟，從現(xiàn)在開始的幾十年，我認為量化風險資本主義和量化投資銀行業(yè)將風靡一時。
最后我要說的是，即使你只學會了一種轉變思維的方式，或者說能在面試中運用這些原則，你也能出類拔萃。
