解析量化投资 果真既能“滋阴”还能“补阳”吗？
美国有过三次量化投资浪潮。目前的第三次浪潮伴随人工智能而来，贝莱德的SAE恰逢其时。SAE自称量化投资是“人机合一”，其量化投资策略，就是整合贝莱德所掌握的大数据。不过，贝莱德内部也有人对此持怀疑态度，而大数据时代的量化投资还有其固有的问题。
贝莱德是全球最大的公募基金管理公司，ETF业务做得热火朝天，财源滚滚。贝莱德静极思动，在系统性主动股权（SystematicActiveEquity或SAE）部门方面狠下工夫，SAE是贝莱德的量化投资（quantitativeinvestment）部门，管理1亿美元资金。SAE开发出研究成果，就是既能用于主动管理的投资，又能用于被动管理的ETF。主动管理和被动管理之间的界线有别，但都利用数据量化投资。主动管理和被动管理之间的最大区别是，主动管理是管理人在事发之后相机行事，做出投资的应对策略。而被动管理则是事先分析数据，推测出突发异常情况，将应对措施编入计算机程序。
量化投资也称算法（algorithm）投资，是指借助计算机和人工智能，在浩如烟海的数据中找出规律，然后以算法加以利用，利用计算机程序设计投资。“量化投资”中的“投资”也可以是“交易”一词。各类基金不断交易，不断买进卖出，被动基金、主动基金、共同基金、对冲基金无不如此。在今天这个世界上，这也“量化”，那也“量化”，量化已成了生存之道。
说起量化的奇妙之处，有个比喻是，这犹如为米开朗基罗平添了现代工具：这位文艺复兴巨匠可利用激光和X光作为度量工具，透视大理石中瑕疵，提高雕塑质量。我国医药宝库中的有些中药煞是神奇：既能滋阴还能补阳。人参对男女病人都是大补。或许，量化投资也有这种神奇效用？在大数据和人工智能时代，至少有这种可能性。
美国有过三次量化投资浪潮。第一波浪潮在上世纪80年代和90年代兴起，其特点是“黑匣”操作，基金经理通常悄悄操作，外人对内情所知甚少。第二次浪潮在2000年前后袭来，以计算机为动力的基金大批涌现，很多理工科背景的教授和博士投身其中，利用计算机设计了许多数学模式，据说按这些模式交易定能跑赢市场。但好景不长，2008年金融危机爆发后，大多数量子基金亏损惨重，史称量子地震，第二次浪潮戛然而止。第三次浪潮伴随人工智能而来，贝莱德的SAE恰逢其时。
TwoSigma是量子对冲基金行业的领军机构，一马当先，敢打敢拼，增长神速，所管理的资产已由2011年的60亿美元增至2017年底的500亿美元。而量子对冲基金行业所管理的资产金额的年增长率为15%，2017年其金额已达约1.5万亿美元。很多传统对冲基金的管理人看得眼热，也开始招揽数据师和程序设计师，大推量化投资，至少是要把自己打扮成量子基金。
贝莱德自然不甘落后，要迎头赶上。贝莱德2015年收购了FutureAdviserrobo-adviser，但在其战略部署中，早先购得的SAE更为重要。起步于1971年的SAE历史比贝莱德还要悠久，最早是富国银行（WellsFargo）设立的一个投资银行部门，被转卖过几次，NikkoSecurities1985年购入其一半股权，1995年又被转卖给巴克莱银行，2009年由贝莱德购得。
SAE工作流程是这样的。由一位分析师先提出一个投资创意，再由SAE专门指定一人以颠覆性思维挑错，最后由一个委员会决定是否使用这一创意。SAE是“三板斧”：（1）高管的既定目标是其资产管理模式的业绩能持续跑赢市场1%；（2）作为创新中心，SAE可孵化出新的数据源和技巧，在贝莱德内部推广；（3）投资决策综合处理。SAE自称量化投资是“人机合一”，为此专门组成了一支队伍，其成员是复合型人才，既懂量子投资，又懂传统投资。
SAE有80位基金管理人，其中30人有计算机或工程学博士学位。他们的长处在于可将传统投资的经验与量子投资的经验结合在一起。从某种意义上说，SAE的优势来自贝莱德，后者管理着6万多亿美元资产，触角伸到全球资本市场的诸多领域，眼观六路，耳听八方，有很大信息优势。SAE的量化投资策略，就是整合贝莱德所掌握的大数据。
从2011年到2017年，SAE所管理的资产中，93%的资产的业绩高于基准线。SAE是贝莱德内部的“试点项目”，成功之后将在公司全面推广。SAE负责人马克·维斯曼（MarkWiseman）是贝莱德挖来的加拿大人。如果维斯曼成功的话，有望继芬克之后成为贝莱德的首席执行官。总体上说，加拿大金融政策比较保守稳健，但也时有奇人奇招。比如，加拿大一些退休基金由其管理人员自己决定投资策略，这些基金有五分之一资金投资房地产，业绩骄人。而美国退休基金大多投资于债券和股票。
不过，贝莱德内部也有人对量化投资持怀疑态度。他们认为，这种投资模式侧重短期行为，而ETF管理人员凡事长处着眼，至少要看两到三年的行情。贝莱德一位传统基金经理就对SAE推出的模型不以为然，说是SAE的数据和模型大多是短期有效，SAE每年至少有五分之一的模型要更新。此外，宏观上大数据时代的量化投资还有其固有问题：众多金融机构开采同样的数据，发现同样的规律，据此设计同样的产品，最后势必大家撞车相克。