“如果我们被形而上学的迷雾蒙蔽了双眼，那么我们就会以短浅、表面的方式承认伟大造物者和万物统领者的存在。”——穆瓦夫尔（在伯恩斯坦“与天为敌”中被引用）
如果只是抱怨分析手段的不可靠，很有可能会落入与读者评价《大师的命门》一样的境地。“有破有立”才是写书的目的。也正因如此，笔者其实一直尝试着较为合理控制前半部分有关“破”方面的篇幅。而把稍微多一点的精力放在介绍应对方法上。笔者在前面几章基本上把主流的分析手段都介绍过了，至少目前还没有办法让笔者特别推崇任何一个。
与价值投资这种宣传“连普通人都可以轻松学会，但普通人还是继续赔钱的同时仍然坚信”的投资方法有铺天盖地的畅销书不同，数量化投资的介绍书籍很少。量化投资的方法固然重要，但其一路走来的很多经验教训在笔者看来要比细节有更高的优先权。有些甚至会直接影响到量化方法的应用。毫不夸张地说，如果没有基本条件的配合，一个量化策略即便有较好的模拟收益水平也仍然可能带不来实际收益。从这个层面出发，了解你所应用的量化系统的优劣势十分重要。故笔者将未在其他书籍中见到的几个问题进行了较为详尽的阐述。读者将会在本章结束后明白为何笔者强调投资者应尽最大可能自行开发算法以避免趋同，并为下章采用贴近个人投资者知识层面的方法实现清理逻辑障碍。
正如本书一开始强调的一样，笔者希望能尽最大努力的做到客观公正的表达每一个观点。此时，如果对长期资本还一言不发就多少有些报喜不报忧的嫌疑。在1998年掀起巨大波澜的这家公司有太多的借鉴意义，以至于任何一个尝试做数量化的人都不应该忽视这段并不光彩的历史。描述这家公司的兴衰用一本书也不为过，笔者就见到过几本。但是很多书至今已经绝版了，这也是笔者把一些基本资料罗列于此的原因，也为读者能更进一步的阅读提供部分线索。另外值得一提的是，读这种金融文学，一定要小心作者的倾向性。《拯救华尔街》一书的倾向性就极强，要时刻分清哪些是事实，哪些只是畅销书作者的个人价值判断。
长期资本究竟是个什么样的公司？维基上的评价指出了其使用绝对收益交易策略和高度杠杆化的特点确实比其他评价要公允。但在这一小节，笔者只想说说他的核心成员。
梅里韦瑟这个人大家应该不会陌生，在“滚雪球”里就有过这个人的身影。所罗门兄弟债券交易部门的领导，并因下属保罗·莫泽违反美国财政部的竞拍规则而连带着被迫离职。梅里韦瑟对聪明人的喜爱成就了他的事业辉煌也摧毁了这一切。用“成也萧何，败也萧何”来形容应该再贴切不过了。“雇佣比自己聪明的人”有利有弊，技术上当然高人一等不用质疑，但聪明人与生俱来的自以为是往往比傲慢更具有杀伤力。为了尽量地避开监管，梅里韦瑟选择了对冲基金的形式来开启“长期资本”，并网罗了日后的两名诺贝尔奖获得者：罗伯特C.莫顿和迈伦·斯科尔斯。尽管有很多资料显示，“莫顿在基金中只是扮演了一个外围角色”，但其“创新螺旋”和斯科尔斯对于杠杆型公司如何管理的思考可不能完全摆脱关系。当然，还是应该指出，如果梅里韦瑟当初接受了莫顿和斯科尔斯关于同时缩减流动和非流动证券的建议，至少长期资本的境况会稍好一些。
从1994年到1997年，长期资本的总价值变化曲线图就如同一个趋于完美的赚钱机器。不过1998年，一场完美的风暴摧毁了这个“固若金汤”盈利神话。接近于挑衅式的所谓“希望给长期资本增加点风险”的话暂时可以吞回肚子里了。一系列在“常态”中理应不出现的事件出现了。有一些关联并不显著（例如所罗门兄弟退出套利交易，当然长期资本的主管们不这么认为），有一些则更像是导火索（例如俄罗斯政府外债违约，禁止国内银行在一定期限内履行外汇合约）。总体来说，除了并购对冲套利交易基本持平外，其他交易品种都是严重亏损，尤其是互换利率利差交易与股票波动幅度交易两者占据了巨额亏损的绝大部分。
写到这里，估计很多人都会有一个阴影。连获得诺贝尔经济学奖的大家都在数量化领域翻了船，我们这些普通的小市民，有什么理由能做到顺利的活下去？毕竟跟这些人斗智商，人家打个五折我们也不见得有胜算。诸如正态分布这种基本的东西都早就还给学校了，更不用说这帮教授们手里用的是“伊藤机枪”了。实际上有一段时间，笔者也觉得这最终会是条死胡同。但稍微细致一点的审视这个案例，就会发现有太多人类丑恶的因素（诸如气急败坏、歇斯底里式的赌博）在角落里潜伏着。
对于国内希望采用数量化分析手段的人来说，还是有几个方面值得注意的。首先，国内的金融市场不具备长期资本管理公司能生长的土壤，衍生品毕竟在普通投资者层面是接触有限的实际上，即便环境具备又有谁愿意重复一遍失败的故事。第二，不以绝对收益为追求目标、不过分利用杠杆也就不会有这样的问题。数量化分析手段和交易辅助只要不用来构建神话，还是可以被用来服务于日常投资的。正如前文所述，聪明人的自以为是与对成功的渴求加在一起会产生出什么结果真是难以预测。长期资本犯过的错误可能是最宝贵的财富之一了。
（第一节）基本情况
数量化分析手段其实发展的并不长久。一般认为罗伯特·C·莫顿是奠定数量化理论应用于金融领域的奠基人。实际上，现代组合理论与B—S期权定价都可以看作是此领域的研究成果。如果读者足够细心就会发现，金融市场似乎有着非常强大的吸引力。希望将各种研究成果应用于实际的教授们不在少数。数量化分析手段的发展是伴随着计算机技术的兴起而逐渐铺开的过程。所以可能读者想要进行数量化研究，首先要具备些计算机知识。如果读者什么基础都没有也不必过于沮丧，没人天生就会这些东西，都是学来的。经过笔者的比较，国内最适合用于数量化分析的软件是EXCEL—VBA。它可以依托EXCEL所提供的环境进行综合效率最高的数理分析，且一般的数据库都有EXCEL插件。而正是后者让EXCEL虽无强大的工具箱支持但仍然超过MATLAB。也有同事看笔者的境况，指出SQL+C#的组合会有改善。笔者确实也有尝试过，但基于wind数据库，目前这份工作的复杂程度并不让人感到轻松。不过，当我们把目光稍微放长远一些时就会发现，不同的商业数量化平台所支持的语言种类并不一致。综合来看，读者开始学习使用C#是一个性价比较为合适的选择。
笔者想在这个章节说一些切身体会，希望那些或许打算要开始进行量化研究的个体能借鉴些什么。笔者不是数量化金融背景出身，纯粹是因为对已有分析手段的不满才开始考虑量化策略的应用。在研究所里做过策略分析师，可仅仅是对数量化策略感兴趣。实际上，当时策略组里要不是一个动笔能力强的同事主抓报告，估计笔者也没有那么多时间花在计算机编程上。这是一个极其耗费时间的过程，在此之前笔者的计算机语言知识简直是少得令人发指。今天回过头来看一切，不过也就是要求用语言实现算法的程度，根本连继承这样的技术都可以不用。可从头开始就远没有那么轻松了。整个过程中，笔者也做过破解他人加密不严的算法并进行更改使之适合于特定使用目的的行为。这多少跟批评逆向工程走捷径的道理类似，可即便如此其时间的消耗仍然是巨大的。“人不可能孤立无援的完成任何事情。”无论是否意识到这一点，它都像公理一样摆在那里。很多时候，教育是有偏向性的，国内和国外都一样。金融投资中的数量化更是如此。好用的算法正在市场中疯狂的敛财，不好用的算法就被学院派攻击为占星术、数据挖掘。其实，这也在侧面说明了为什么这个领域的很多东西要研究员自行探索。
有一些数量化领域的研究员很高产，报告发了一篇又一篇。但是笔者却有几分疑惑，因为他们违背了最基本的数量化投资逻辑——保密。这是笔者见过最逻辑错乱的一种市场现象了。好用的东西为什么不自己留着用呢？或者向公司的自营、资管推荐一下？得到的好处可能比当一个名声在外，可所有的成果都失效的研究员强不是么？笔者也真的没有见过国内这个领域有什么像样的动手能力的牛人真的起到了关键性的推动作用。举个例子来说，截至笔者动手书写本节时，市场上仍然没有一个像样的券商来进行此类服务就是一个奇怪的现象。
“你凭什么向我要千分之三？”这是一次聚会大家多喝了几杯之后，一个金融圈内朋友冒出的多少有些尴尬的问题。笔者作为券商的一分子，维护券商经纪业务的利润来源理所应当。可笔者确实回答不出来。“几条莫名其妙的短信，一堆貌似‘合理’但用处不大的报告和逢年过节客户经理的两声问候就值千分之三？天大的笑话！”笔者无言以对。在这个以收益率论输赢的市场，这些东西确实没有什么实际价值。正如媒体多次指出的那样，很多千分之三的费率维护靠的是地域垄断。北京、上海这样的地区由于竞争激烈，佣金率往往格外的低廉。笔者就曾经碰到过东北证券在北京新设营业部拉客户开口就是万分之三的情况。“这差了10倍的费率水平可不是个小数目，而更为重要的是只要参观一下北京天安门就能省下来何乐而不为啊？”
券商也不是不知道这些问题，想方设法的提供个性化服务，让这费率可以看上去不那么扎眼，道理也部分源于此。从客户的角度评价券商能否达到其预期本身可以先不去考虑。单就行业在“财富中心”以及相应的投资顾问资格序列方面的尝试来说，至少我们还是在努力的。这种尝试也同样在数量化投资领域存在，只是数量化投资技术的推广需要算法交易应用的投入曾经有一位公司领导透露，一般适用于散户投资者的服务器接收算法交易指令容易出现堵单。而没有人愿意轻易冒这个风险这也没什么好奇怪的。企业家对佩恩博士的呐喊——“你们必须停止发明！”——就完全适用于这种状况。没有企业家对短期可能带来的收益有抵触情绪，但短期风险与长期上技术进步所破坏的行业利润也需要考量。西格尔称之为“增长率陷阱”的又一个例证。这里又出现了一个新名词——算法交易。我们不妨先看看维基百科和investopedia是如何解释这个市场词汇的。
维基：在电子金融市场中，算法交易或者自动化交易是使用计算机程序来输入交易单并由计算机算法决定挂单属性的交易——包括时间、价格、交易单数量乃至非人工干预下的开启交易。
investopedia：在金融市场中使用高级数学模型做交易决策的交易系统。严格的规则被纳入到模型中试图来决定交易单的设置时间以最小化其在股票价格上的影响。大单的买入往往会被切分为小单并允许复杂的算法决定小单的买入时机。
不用对这两个定义所强调的不同方面而感到困惑。这种先有应用后有定义的情况很普遍。其共同点在于研究员预先设定的计算机算法驱动交易。从这个意义上来说，算法交易没有离开人的因素。充其量就是看不上善变的分析师给出的垃圾建议和拒绝接受永远打不倒无赖热情帮助而已。当然了，它也可以用来帮助化解一些交易冲击，对稳定市场价格有益处。算法交易也是在监管体系下运行的交易手段，20年的留痕对它也同样受用。就这个角度来说，算法交易也没什么特殊的地方，提供了一个便利的手段而已。至于其所依托的驱动交易的算法往往是经过数据检验的数量化分析模型。也正是因为这一点，才把算法交易与数量化分析连了起来，而且现代资产组合管理理论也只有在算法交易的协助下才能表现的更加完美。设想一下，一个包含几百只股票的组合的动态管理如果只是靠交易员辛勤的手指敲打键盘来完成，如何保证出错率降到最低还真是个问题。这种尴尬就如同武装到牙齿的航母竟然要靠人力划桨驱动这个战争机器一样滑稽。
不过我们更感兴趣的是A股市场出现了一个罕见的情况：大部分券商将技术研发的问题推到了资讯服务商和软件商身上。把其理解为麻烦确实是正常的，如果没有专门的人员来处理技术问题对于券商来说简直就是灾难。然而，越希望彻底摆脱麻烦的同时也就与潜在的利润增长点越远。极端情况是，所有的券商又一次在数量化平台业务前趋同，不难预见再一次价格竞争的接踵而至。有一个小例子是骑士资本集团，这家于1995年起家的公司到了2000年已经是纳斯达克历史上最大的做市商。这种惊人的增长速度背后是它高强度科技驱动型企业属性依照客户个人喜好和要求提供服务的能力在支撑——尽管暗池可能涉及很多潜在的问题。对于中国的券商来说，一个暗示是市场有一块被忽视的需求正在被一些算不上规模的软件服务公司嵌入式的夺走。笔者动手写这一部分的时候，已有多家券商在进行数量化平台招标。从软件商反馈回的部分信息来看，“部分客户的交易量可以相当于轻型营业部的水平”的事实还是证实了笔者之前的关于平台对交易量刺激的推测。但这里还有一个与软件商划定界限的问题，第三方软件商转头就把A公司参与设计的产品卖给B公司的事例已经是公开的秘密。这对于想要建立“护城河”的券商来说不亚于另一个灾难。但这对于券商来说至少已经可以开始组织力量防范了。
