1.2 稳步上升的资金曲线是否存在

资金曲线在行业交流中不仅是模型盈利能力的体现，也是建模者实力的体现。我们被行业高手的资金曲线所吸引的同时，也会产生类似以下疑问：回测规则是否合理？是否有虚假成分？在实际投资中，该业绩能否保证？我们甚至会认为这种资金曲线是完全不存在的。

而实际上这种资金曲线不仅存在，而且可以被复制。

特别是在本书开头部分，希望给予读者信心，我们以量化为工具进行投资，目标就是面向这样的资金曲线开发模型，这深藏于我们内心，不敢表达或者怕被同行耻笑的目标，也是我们投身于此行业最原始的驱动力，本书将以数量化模型投资的方式向你解读如何靠近这一目标。

为达成稳步上升的资金曲线，本节简单表达我们的观点。

1．基于强壮稳健的投资逻辑

确保自己的模型拥有清晰的逻辑是立于市场不被轻易击败的重要保证。我们看到业界和学界大部分知名投资模型或者投资方法，都有可以解释的、非常贴合市场（模型所针对的各类资产）的逻辑。

比如沃伦·巴菲特的选股逻辑，程序化交易行业最坚定执行模型，创造可观回报的理查德·丹尼斯，以及已经被反复举例、名扬海外的詹姆斯·西蒙斯博士。他们分别以基本面价值选股、程序化多品种趋势追踪交易、市场多维度信息量化分析作为自己的投资逻辑，通过选取合理的数据、精细加工、科学建模计算，得到了稳健的、可被验证有效的，特别是可被证伪的投资模型。

所以通过阅读书本知识了解金融市场规则，然后通过实践了解股票、期货、外汇、数字货币等市场的不同波动特性，或者通过数学工具，抽取市场价量信息分析这些特性，是量化投资的第一步。我们要敏感地看待测试结果，发掘市场到底是偏向趋势还是反转趋势，是偏向价值投资还是价格投机，才能初步形成下一步的模型构建方向。

在此过程中你要做的是不断产生假设，反复提出各种投资逻辑，并设定严格的回测条件，证实和证伪你的假设。同时，阅读大量金融服务行业研究报告也是必须的，他们是策略开发的思路来源。但是也要清醒地、有针对性地看待这些报告，其中混杂着很多逻辑错误，市场解释力度弱，没有持续性支撑的投资逻辑，仅靠特定的数据样本和规则回测得到的资金曲线，可能在实盘阶段面临巨大风险。

刚才我们谈到了经济学逻辑方面的稳健，在量化模型的构建过程中，还要保证另一层面的稳健，这就是模型对于不同样本有盈利的共性，且模型参数有限、有效、有合理参数解释，或者你拿出先进的工具保障模型构建过程中能够驾驭多种市场变量。

比如参数的稳健，参数最好能够确定固化（或者使其自适应），最好降低对于性能的影响，比如针对商品期货类模型，尽管各类资产波动特征不同，但是如果能找到尽可能通用的参数，回测出一条平稳上升的资金曲线（而不是靠多参数拟合），则实盘赢面会大幅度上升。

再比如股票量化建模，机器学习理论认为：如果不考虑除金融市场行情历史数据外的其他数据，只考虑行情股票价格内部数据，投资公式可以简化为Yt+1=F(Pt-s, …Pt-1,Pt)。如图1-5所示。

量化建模的实质是通过现有训练数据，以适当的方法模拟人脑分析学习的神经网络，模仿大脑解决问题的机制来解决数据问题，无限逼近金融市场的真实函数。看似黑箱的机器学习，在此解释和训练方法的约束下，以及通过后文要讲解的套利定价理论APT产生的多因子模型框架，也具有稳健的投资逻辑。

2．基于“时间的玫瑰”

《时间的玫瑰》原是一本诗集，在投资领域这本书知名度不高，但另一本书《时间的玫瑰：但斌投资札记》成为很多基本面投资者的信仰，作者是知名投资人、私募基金管理人但斌先生，其穿越历史、穿越牛熊表达出自己的观点：投资像孤独的乌龟与时间竞赛。

我们从原理方面不切分量化与非量化投资，因为基本面分析者目前也大量借助量化工具辅助决策，而且我们要学习基本面投资者和知名投资公司的发展历程，特别是投资产品历程，他们都经过漫长的坚守，才最终打磨出一条可以被投资人接受的资金曲线。

如图1-6所示是一段CTA商品期货量化投资模型资金曲线，如果我们缩短时间范围，会发现看似光滑平整的曲线充满坎坷，如果精确到更短时间段内，表现会更差，但是从长时间范围内观察，它又令人满意。原因在于，不同市场阶段的波动率和波动特征不同，只有水平极高的投资模型才能做到在每个阶段（比如每季度、甚至每月）都有较好的上升和低回撤表现，而大部分模型需要靠时间来弥合各种回撤，形成一条效果较好的资金曲线。

所以时间的重要性，在这里更加被强调。尤其是针对个人投资者和量化投资爱好者，投资研发能力和信息获取能力不比机构投资者，但是我们能忍受的回撤期较长，没有固定开发成本（如高额的公司运营成本），资金属性也决定了个人的可承受回撤风险大于机构投资者（机构投资者多接受实业资本、保险资本等刚性兑付资本的资金，因此小幅度亏损也无法接受），所以我们可以用时间作为工具，通过时间长出投资的玫瑰。也同样借助此观点和读者共勉，坚守自己的模型，保持强大的连续性和投资定力，这在一定程度上比开发更先进的模型更重要。

3．基于多资产多策略配置

我们应该了解国家的货币供应总量是逐步递增的，这是经济正常上行的必然结果，其反应在日常生活中的表现是资产价格上涨和货币购买力缓慢降低（温和通胀），很多人因为自己没能抓住房地产上涨、股票牛市而自责，认为自己没能跑赢通胀或者没能跑赢国家货币供应量，因为这些大类金融资产都是货币体系的最终流向和流动性储藏容器。如图1-7所示。

试问我们在不掌握货币发行权的情况下，能否稳健跑赢货币供应的增长速度？答案是我们可以通过配置多种资产，从流动性容器终端拦截，以达到资产升值方式，进而逼近货币供应增长，获得较为长期稳健的资产增长，这就是资产配置的魅力。在本书发行之前，电子工业出版社于2017年发行了王前锋所著的《量化大类资产配置》一书，书中描述了大量的资产配置案例和量化处理方法。

如图1-8所示是我们基于保险资管行业资产配置要求所做的简单模拟，首先确定产品投资期限，并给出一个固定收益率，如年化6.5%。其次我们精选股票和债券的投资策略。举例来说，股票指数相比于沪深300指数，选取中证高红利低波动指数（历史上该指数显著跑赢沪深300指数）；债券指数选择上证企债指数（长期来看企债指数的收益率高于国债）并放两倍杠杆，且根据风险平价策略配置股票和债券的比例。由于需要进行比较，我们将中证风险平价指数和两倍企业债杠杆加入进来。

修改后的风险平价策略收益率更加可观，最大回撤大幅下降，同时收益率更高；同中证风险平价相比，主要是收益率大幅增加，同时波动率和最大回撤在可控范围之内。行业内还有知名度更高的耶鲁基金，其通过最优化资产配置，完全资产配置式满仓持有不同市场（本国股票、全球股票、固定收益债券、大宗商品、私募股权、房地产等）权益，打造出一个高回报基金会，以实际投资回报说明了资产配置是最赚钱的方式。

将资产配置下降一个层级，我们在一个市场内，比如商品期货市场（可以理解为一个迷你版本的多资产配置市场），也可以做类似操作。首先我们主张一定要进行多品种模型覆盖，其次就是在每个品种上，部署多套不同源模型，以获取该资产不同波动情况下的不同收益来源。如图1-9所示。

比如某类商品或股票价格长期以趋势波动为主，但是短期经常产生均值回复，又有相当长一段时间，该商品或股票定价并非受自身因素影响，而是受到其他上下游或者行业影响，这就产生了趋势交易、均值回复交易、套利交易。它们的利润来源不同，出现时机不同，建议对其进行并行部署，不要错过机会。

多品种配置原因还在于货币流动性游走于不同资产（品种）上。比如美国大选驱动的工业复苏和大宗商品价格上涨，2018年美中贸易战驱动的工业品价格快速下跌，历史上还有经济危机和自然灾害驱动的农产品价格异常波动，所以当我们不知道波动即将在什么时候、什么市场发生时，选择并行持有各市场头寸，等待模型将波动转化成利润，是最稳妥的方案。如果这些头寸之间还带有必然的对冲性质，比如股票多头和股指期货空头，再上一个层面到股票多头和期权，他们会形成更稳健的对冲结构。