量化分析师和基本面分析师，这两个原本属于不同世界和投资流派的群体，为了获得更高的投资收益，正在加速彼此之间的融合与相互借鉴。
人们把量化（quantitative）和基本面（fundamental）结合在一起，组成了一个新词，即量本（quantamental，量化+基本面）。就这样，量本投资的概念逐渐在投资者中间普及。
从量化的角度选择股票，与从基本面的角度选择股票是不一样的。美林证券的股票量化策略部负责人Savita Subramanian认为，量本投资能够同时利用两者的优势，有效发挥量化和基本面分析的协同效应。
一、巴菲特VS西蒙斯
基本面投资者，会跟踪公司利润、资产负债、行业趋势、宏观经济以及其他信息，然后据此，做出有效的投资决策。
亿万富翁巴菲特以及他的老搭档查理·芒格就是这类投资者的典型代表。
为了践行基本面投资的理念，他们每天都会花大量的精力与时间，并运用常识性的判断，把财务报表的里里外外，研究得透透的。
数十年以来，这种选股模式一直是投资界的主流。
量化分析者则把大部分的功夫花在数学和统计模型的建立上。搭建好模型之后，接着就用计算机语言（如Python、Java、C语言等），将模型代码化，给定输入，电脑程序就会自动做出投资决策。
实际上回过头来看，如果没有量化分析技术的进步，量本投资根本就流行不起来。
全球顶级的量化对冲基金，文艺复兴科技公司的老板西蒙斯，比以往任何时候都更加出名，起码在金融圈是这样。
大学也开始提供关于量化投资的学习课程。位于美国新泽西州的史蒂文斯理工学院就有专门的量化金融学士学位。
根据芝加哥的Hedge Fund Research的数据，2018年以量化为主策略的对冲基金数量已经超过2000个，管理的资金规模也突破了万亿美元，同2010年相比，已经翻番。
于此同时，基本面选股正遭受低成本、被动的、指数跟踪策略的挑战。长期来看，绝大部分主动性选股的基金管理者，都无法击败指数。
标普道琼斯指数公司的数据显示，2012-2017年，在扣除管理费之后，将近97%的主动性、大型股票公募基金，都没有跑赢指数。
二、两种策略的融合
有鉴于此，越来越多依赖传统的基本面分析的基金管理者，开始利用计算机技术、算法，筛选大量数据，以寻找交易信号。不过，他们并没有打算放弃基于人的专业知识和经验的基本面分析。
根据数据分析公司eVestment的报告，多达6800亿美元的主动型做多基金，正在同时使用量化和基本面分析，规模比十年前要翻一倍。
2017年，知名投资机构贝莱德集团宣称，在自己管理的资产中，大约有300亿美元依赖的是计算机程序，而非人为主观的判断。
部分人认为，将量化与基本面结合在一起，是有积极意义的。
一方面，量化分析师需要一些数据和报告，以搜寻异常情况。比如销售数据、公司盈利的预测、宏观经济的报告等。
而这些数据和报告，大部分都是来源于，对公司和行业非常熟悉的基本面分析师。
另一方面，基本面分析师也需要量化分析师的交易策略，尤其是那些具有可操作性的交易策略。
Chiron 的量化研究部主管Brian Cho说：“根据我的日常观察，即便是那些非常注重基本面的基金经理，也会有量化的需求。这是因为计算机程序能减少他们情绪化、非理性的投资决策行为。”
芝加哥大学布斯商学院金融学教授Lin William Cong认为，除了基金经理们的需求，人工智能和大数据技术的发展，也进一步促进了量化技术的推广。
机器学习是人工智能的一种形式，它以计算机程序为中心，这些程序能够自适应外界反馈而无需人为干预。大数据是一个广义术语，指的是在寻找模式和趋势时可能会处理的大量数据集。
三、量本投资，真的很容易？
的确，一些公司能够很好地将基本面和量化分析融合起来，比如像美林证券这种已经运用量化技术长达数十年的投行，或者像Chiron 这种靠量化技术起家的机构投资者。但对其他公司来说，却不一定是这样。
Genpact的合伙人Alon Bochman说，通常，这些公司会招募一组量化研究员，成立一个数据科学团队，然后公司为这些宽客们提供资金和资源，以建立交易模型。
由于量化和基本面分析，在文化理念上有冲突，上述做法可能无法起到一个正面效果。
基本面分析师虽然没有技术恐惧症，但一般会对计算机驱动的投资策略感到厌倦，他们坚持认为，人的主观判断是不可能被电脑程序复制的。
而量化分析人员正好反过来，他们拥有扎实的数学和计算机科学领域的知识，但对证券市场的基础知识，不甚了解。
“价值观上的冲突确实难以解决，信奉基本面的价值投资者，对那些自动化、程序化的决策方案，有种天然的不信任感。”Bochman说到。
过去的二十年，全球资本市场最大的动荡之一，是1998年美国长期资本管理公司（Long-Term Capital Management）的破产。长期资本管理公司的创始人包括两名诺贝尔奖获得者，该公司的套利交易策略正是由计算机程序驱动的。
1998年，俄罗斯爆发金融危机，使用了极高杠杆的长期资本管理公司，瞬间崩溃，短短的150多天资产净值下降90%。为了避免酿成更加严重的后果，美联储迅速召集了一批大型银行，对资本市场开展救助行动。
“现在可获取的数据越来越多，你可以做更加复杂的定量分析，但这不代表你一定能提升自己的商业洞察力。”Brian Cho表示。
四、成本优势
不过，量化技术在成本方面，确实具有一定的优势。
传统的资产管理机构，会雇佣那些高学历人才，然后不断地训练他们，使之成为合格的证券分析师。
这个过程有可能极为漫长，会耗费公司大量的时间与金钱，而且不是每个人都能最终成为基金经理的，尤其是顶级的那种。如果用计算机模型代替人力，去做投资决策，显然可以节省一笔不小的开销。
此外，计算机可以执行一些人很难执行的任务，比如，计算某家公司和行业之间数千个相关系数。
美林证券的Subramanian指出，几乎所有的行业都在使用自动化的电脑程序，进行大规模的成本削减。
Bochman认为，随着量化、人工智能等技术的发展，未来10到20年，华尔街所雇佣的分析师数量可能会急剧下降。
五、能够赚钱的策略就是好策略
不管计算机模型能否完全取代人，我们都应该一如既往地谨慎行事。
人的主观判断也好，程序、算法判断也好，都是为了使我们的投资决策更加明智。
广大的投资者们必须明白，并非所有的策略都有效，有效的策略，也并非始终有效。在这一点上，“量化+基本面”的量本投资，也不例外。
备注：原文刊载于2018年10月29日的MarketWatch。
免责声明：
本报告（文章）是基于上市公司的公众公司属性、以上市公司根据其法定义务公开披露的信息（包括但不限于临时公告、定期报告和官方互动平台等）为核心依据的独立第三方研究；市值风云力求报告（文章）所载内容及观点客观公正，但不保证其准确性、完整性、及时性等；本报告（文章）中的信息或所表述的意见不构成任何投资建议，市值风云不对因使用本报告所采取的任何行动承担任何责任。
联系客服
