前言认知的力量以前中学时学我们要“认识世界、改造世界”这句话挺顺口但是比较空。后来我慢慢觉得认识世界这件事并不简单。如果从强化学习的角度出发我们是一个智能体这个智能体是处于一个信息非常不对成的博弈环境下的。本质上也是需要不断的explore才能知道怎么做比较好进而推断这个“世界”是怎样的。所以认知非常难。进行投资其中最重要的一方面就是在于验证你的认知是不是对的。世界上有很多不确定的事但是有一些事又是确定的只是在于你是否认识到了。特别是身在局中是容易短视的。举个例子中东的战争会发生吗如果发生了原油是否会大幅提价如果认知到了仅这一个判断就可以获利。还有很多类似的问题且会一直发生所以认知不是空的概念而是可以变成实际可见的rewards, return 。这篇文章并不打算对细节展开而是希望讨论一些基本模式并能够回答一些基本的问题。量化是什么量化这个词已经被其狭义的应用给占据了很容易被联想到高频自动化交易。我认为量化主要是对一些模糊的概念清晰化比如说煮菜时说盐少许非常模糊用500g 花菜配10g盐这样的描述很清晰这就是量化。在交易中我们如果觉得某个东西价格好多买点然后手一抖全买; 还是说价格好多买点买30%。哪种更好量化不是高频交易而是把模糊决策变成规则化决策。所以从交易的角度出发除了要选对标的还要有时机和仓位。如果我们只选一次(全仓)那么可能漂移会很大或者正好在了低点赚了一大笔或者恰好在了高点亏了一笔。但如果能够分多次的话从期望上看是可以比较稳的获胜当然不会是最大利润。在已知标的完成交易操作的角度上量化的目的是提供一个更稳定的方案。选标的本身也是可以量化的当然这个我认为差异性会很大因为这件事背后蕴含的信息量非常大我们如何把这些信息传递给算法、模型是困难的。但假如我们可以把决策所需的全部信息整理好那么量化就是作出更客观无情感的估计。然后因为可以估计的更多所以可以形成一个组合(portfolio)从而使得选标的这件事也能更加稳定。但量化的这两个功能对于一个成熟的交易员来说都不是新鲜事往往也是人总结出来让算法来执行。这个过程的本质也是AI的本质先人工再智能是为人工智能。冰水为之而寒于水虽然说量化的核心是来自与人的但是量化又能超越人体现在两部分1 更多、更快2 更聪明固定执行这部分是利用程序的不变性严格的执行曾经定下的策略。虽然方法是一样的但是人不可能稳定执行且对于多个标的的同时跟踪很困难。另外就是对于粒度切分做不到太细例如人一般就是1/4,1/3,1/2和全部。粒度做不到太细的一个直接问题就是–“想想都卖了这么多干脆清了吧” – 这样粗糙的决定。还有就是当交易分成多个策略在执行对于同一个标的的买卖会有很多次叠加人一定记不住这10000股里有2000是用来T的高2个点就可以出了这样的细节。所以机器可以做到准确无误。从资金的利用率上达到更高的水平且避免一些失误造成的风险。主动学习能固化优良的策略已经足够好了如果能够让策略自主进化无疑是更完美的。从强化学习的角度固化策略有点类似于贪婪算法找到的一条路径从EE(Explore Exploit)的角度来看是无法迭代的因为不存在探索。而探索客观上会有一定的不稳定性这又和固定执行的初衷和场景有冲突。主动学习应该是更好的选择。有一个场景就是一个类指数的标的策略建议买入然后这次决策输了策略建议卖出此时你亏3个点。一般指数类的修复性还可以一般情况下你再放几天可以回本卖掉。如果直接卖马上亏3个点如果不卖也许不久后回本但也有可能继续下滑。怎么决策以上情况我都碰到过不是孤立事件在主动学习的场景之下第一个需要做的就是进行评估(Evaluate)。例如从通过未来一段时间的价格与当前价格多对比来评估买/卖/持有这些动作所带来的预期收益有多大。如果有不确定性几乎一定有那么目前的决策值得我们放多大的权重呢 这些可以通过历史和在线的数据不断学习和逼近。最终在每个时刻不再会因为不确定无法行动而导致资金的错误流动。两种模式并存可以以一些固定执行作为基线例如保留30%的固定执行不变然后分配更多的比例给到主动学习采用“赛马不相马”的方式找到一种元模式让主动学习可以随着环境变化主动迭代像人一样。随着claw潮流的兴起这些事会变的更可行。主动学习模式将1 不限于给定的数据。主动学习会探寻是否应该使用更多渠道、类型的数据参与决策2 评估流程稳定性。既包含数据源稳定性还有可得性及时性准确性等的评估确保自身的执行环境3 策略分化探索。采用强化学习的方式来找到相对最优解在探索与利用间平衡。投机、投资、生意还是事业不是投机投机更多的是利用灵光乍现的方式决策然后投入大量过多的资金来期望暴利回报。这正是量化所期待避免的量化会通过数据方法使投入和产出符合一个稳定的统计分布。不是投资投资带有很多价值分析追求的是更长期的回报利润通常也不会太高。量化的评率一般会更高期待在长期的时间之下基于稳定的收益而产生复利效应。所以量化的操作一定会比投资频繁很多但远不必是高频而且随着时间推移量化的收益会远远高于传统投资。因为利润稳定且每次的生命周期更短。是生意。司马迁的货殖列传中提过一个行业如果能稳定超过20%的毛利就可以算是一个生意了。量化也是如此再弱的量化一年也不止20%的可以说是生意。《货殖列传》其实已经有非常强的“收益门槛意识”杂业若不足什二便不值得视为可取之财。货殖列传里还提了一下生意3倍5倍10倍的这种更像是投机然后就说这类生意是“以末逐之以本守之”算是风控。量化追求的不是单次高收益而是在可控风险下获得稳定、可重复、可复利的收益流。是事业。要能做这门生意的前提是认知认知需要很长时间的投入需要学昂贵的技能比如AI)第一次知识能够以一种贴近本源的方式来给自己标价。因为这种特殊性导致了要做这件事做好这件事都是按十年来计的。而且一些方法的特殊性非常像秘方在国富论里有提到这类“手艺”、“秘方”甚至可以延续很多代人。也许可口可乐是一个好的例子构建量化系统本质上更接近制造业而非交易业交易只是产品交付的末端真正的价值在于系统化地生产信号、规则与风险控制能力。量化的是风险生意如果说量化是一门生意那么是什么生意我认为是一门交易风险的生意作为生意人你要管理的是什么是资金吗 是但是买理财买债券买大宗商品都是资金而他们之间是显然不同的。无论是哪种标的当你进行买入进货时才会有获利的机会但是你的货如果没卖出去就会承受损失。而市场总是在变化的任何人都无法准确预测市场接下来的变化。所以量化本事上是在交易风险你不进口风险就不会有收益而当你不管理风险仓位那么市场波动时你要么损失也许最后一无所获。也就不满足一年20%的最低门槛简单来说这门生意需要看两个客人的脸色一个是多一个是空。不要去被具体的消息影响从抽象上看多和空会以任何方式出现。另外这门生意的大主顾是乌合之众。因为群体产生了错误的认识才会出现某些风险生意而你的认知则决定是否知道去做这笔生意。大模型还帮我补充了一些量化是决策事业把量化作为一门生意是比较简单的虽然也有一定门槛。但是生意就是生意时过境迁有个人生意好也许会变得不好。人力有时而尽在这个迅速变化的世界里最不缺的就是变化。而想要总是获胜甚至永远获胜那么就要抓住永恒的东西这才是事业。人能够从若干物种的竞争中胜出依靠的是智慧。智慧来自与一次次的观察、总结和实验最终通过一次次的决策得到验证实现价值。人决定了制造房屋最终实现了无惧风雨。所以把量化继续上升就到了决策的本质。在这点上没有哪个行业离决策如此之近这是一个很有趣的地方。当然决策作为事业的成功反过来可不只是量化决策可以用在任何地方。现代AI的发展已经证明了很重要的一点人的决策方式是可以被算法描述也可以被计算机来高速计算的而且可以达成远超人类的结果。比如前几年deepmind快速解析蛋白质结构这些是具有普世价值的成功。或者这么说量化是决策事业的一种实验载体最终的指向的人工智能决策。大模型解释了一下把量化理解为一门生意并不困难。它确实是一门经营风险、追求稳定复利的生意但生意终究会随环境变化而兴衰。市场会变方法会变人的精力也有极限。若想使这件事上升为事业就必须抓住那些不随时势轻易改变的东西。这个更本质的东西不是交易本身而是决策。人类之所以能在诸多物种竞争中胜出依靠的不是力量而是智慧而智慧之所以能转化为现实价值依靠的则是观察、总结、实验与决策。造屋避雨、耕作储粮、发明工具本质上都是更优决策在现实中的累积结果。从这个意义上说量化最深处并不是交易事业而是决策事业。它之所以特殊在于几乎没有哪个行业像量化这样把决策过程以如此清晰的方式暴露出来数据输入、特征抽象、规则生成、行动执行、结果反馈再到持续修正。量化像是一个高频率、强反馈的决策实验室。现代 AI 的发展又进一步证明人的很多决策方式是可以被形式化、被算法描述、被计算机高速计算的甚至在某些复杂问题上取得远超人类的结果。由此看量化并不只是金融领域的一种技巧它更像是决策事业的一种实验载体而它继续向前的终点或许并不是更会交易而是更高层次的人工智能决策。总结量化表面上是一种交易活动实质上却有更深的层次。作为生意它交易的不是资产本身而是风险核心在于承担、管理并定价风险以获得稳定、可重复、可复利的收益流《货殖列传》所谓“不中什二则非吾财也”说的正是生意必须满足基本收益门槛而“以末致财用本守之”则进一步指出了高收益机会与风险控制、资产沉淀之间的关系。作为事业量化又不只是下单和买卖它更接近制造数据、特征、算法、回测、规则引擎和风控系统共同构成了一套持续生产决策的虚拟工厂其价值不在某一次交易而在长期积累的认知、技能、方法和系统能力这也正如《国富论》中所说真正有价值的“手艺”和“秘方”可以长期保有甚至传之后代。而从更高的层面看量化最终指向的是决策本身。市场中的价格波动本质上往往是群体认知偏差和情绪极端的结果《乌合之众》所揭示的正是这种群体轻信、冲动、易受暗示的结构量化所捕捉的正是被群体错误定价的风险。于是量化不再只是金融市场中的一种方法而成为决策事业的一种实验载体。它通过对观察、总结、实验和反馈的持续积累把人的决策能力形式化、系统化、算法化并最终指向更高层次的人工智能决策。归根结底量化不是投机不是简单投资也不仅仅是一门赚钱的生意它是风险生意、制造事业而在更深处它是一条通往决策智能的道路。