【金融投资分析必看】诺贝尔经济学奖得主迈伦•斯科尔斯谈分析师常犯的错误

4163

收藏 2014-11-13

诺贝尔经济学奖得主迈伦•斯科尔斯访谈记录共有两个部分。在第一部分里，斯科尔斯分享了创建布莱克–斯科尔斯期权定价模型的灵感，以及模型的各种扩展(详见http://www.seekinglogic.com/article/67 )。在接下来的第二部分中，我们讨论了研究方法中的一些哲学层面问题，比如分析师常犯的错误。我觉得这是一次发人深省的谈话。

CFA协会:对于基本面分析师和量化分析师来说，他们都擅长做的是些什么事情？

迈伦•斯科尔斯:我觉得有三个维度。第一个维度是预测未来，也就是大家常说的alpha部分，那个超额收益的部分。要预测未来需要掌握许多技术，而且在做预测的时候基金管理者会受到许多因素的制约。他们能够预测多长时间的走势？这个预测是基于长期的还是短期的预测平台？许多主动型基金经理只在特定的行业内寻找被低估的股票，以期获得超额收益。

第二个维度是管理风险。哪些因素会影响投资回报？这些因素是否正在发生变化？原因是什么？大部分量化投资者没花多少时间去关注风险的变化。量化投资基金经理确实在测量和监控各种风险因素，他们在使用量化技术分析现金流、盈利、小盘股、估值等影响投资回报的因素。大部分基金经理都会把他们的业绩与某个基准做比较，得出相对业绩，有时会忽略绝对业绩和风险。有的基金经理要努力使业绩贴近基准。这些都会影响投资回报。

第三个维度是中介业务——我称之为“欧米茄”。在欧米茄世界里,投资者愿意支付费用让别人代为承担风险。这里的例子包括合并套利、信贷质量、资产分割或企业重组等。这些投资者愿意放弃部分收益，付费让别人承担风险。基本面分析师和风险建模师不懂欧米茄业务——他们缺乏深入研究这些机会所需要的专业知识。

在你看来，分析师在建立模型的时候经常会犯的错误是什么呢？

量化分析技术面临着三个重要的问题，这些问题不仅在金融领域有，其它领域也同样存在。而且同样的问题在我们处理关于世界的观念和模型的时候同样会遇到。

其中第一点是数据挖掘：我们利用历史数据来建立观点和模型，据此识别异常现象。但问题在于，我们在建立和检验这些观点的时候使用的是历史数据，它们能提供多大的价值呢？运气好的时候，我们会使用一段随机的历史数据，但往往情况不是这样（我们可能会使用带有偏见的数据）。所以我们得出的结果可能会有偏差，不能有效地预测走势。这就是时间序列分析方法的隐忧。正确的数据应该能提供一些对未来的参考，但我们不知道需要挖掘多长时间的数据。有人认为，只要挖掘的时间够长，比如50-60年，我们有望识别出能够带来回报的风险。和你一样，我也很怀疑这一点。最好的做法是使用经济学原理建立一个模型，弄清楚有些事情为什么会发生，然后收集数据来测试这个模型。哪怕到了这个时候我们还是要保持谨慎，因为我们的观点总是受到前人观点的影响。

第二点是截面分析。截面数据（或切片）会产生带有“NP完全”特性的集群，让人觉得只要我知道了这个集群，就可以把各种元素放到这个集群中。然而到底存在着多少个集群仍然是未知的。如果你事先不知道这些集群的存在，你可能就会用错误的量化分析方法得出错误结论。人们相信把元素放入集群中比较容易，这要小心。例如2008年金融危机之前，评级机构认为，加州斯托克顿市和迈阿密、拉斯维加斯的房主在房贷违约问题上是互不相干的、西班牙陷入困境对意大利没有影响、分散持股会保护投资者免受危机影响，但不管是时间序列分析还是截面分析都错了。

第三个问题在于，模型的定义是基于对现实不完整的描述。任何模型都有误差项。人们会对模型进行逆向工程，并试图利用其中的误差项来赚钱模型创建者的钱。

你能给我们举个例子吗？

评级机构刚开始给美国抵押贷款池做评级的时候，他们使用了时间序列分析法，用历史违约数据来做分析。此外，他们假定集群之间是相互独立的，贷款分散到各个集群中可以降低违约风险。他们的评估模型还认为，贷款池要想达到AAA评级，必须包含一定数量的优质房贷。结果，结构性房贷产品提供商对评级机构的模型进行了逆向工程，推算出了把产品包装成AAA级的方法。他们“往粮食里掺沙子”的做法愈演愈烈，他们的结构性产品里包含的贷款质量越来越差，最后堪堪能达到AAA级评价。评级机构没能及时调整他们的模型来纠正这个错误。

后来违约发生了。首先贷款的质量比预计的要差得多。其次拉斯维加斯、斯托克顿和迈阿密同时出现了违约，它们之间不是相互独立的，不想预想的那样风险能够相互抵消。最后评估机构用来估算违约可能性的数据太短，实际上的违约数量比他们估计的要大得多。房价下跌的幅度比他们的模型预估的最大可能还要大。在建模或进行定性或定量分析的时候，我总会考虑到这三个问题。在科学中、在我们生活的某些方面，总是存在着风险。

解决时间序列分析法问题的一个方法是，从思考现实环境的运行原理开始，基于我们的经验建立一个模型，然后收集数据来对该模型进行测试，尽量避免扭曲它。当然就是这样我们也没有做到完全客观，因为我们的经验和其他数据并没有太大的差别，我们运用的仍然是数据挖据的方法。

是的，每个人都喜欢偷看。[笑] 科学首先是归纳，然后是推论。在做任何推论之前我们都要先做归纳。我们的经验就是归纳，这已经是在做数据挖掘了。所有科学都存在这个问题，所以我们要小心。

没有方法可以绕过这个问题

要想绕过这一点必须要先有一个基本的模型，所以这是没办法的。这就是做量化分析的艰难之处。基本面分析法和其他的定性分析法同样存在这三个问题。最好的处理方法是能靠运气建立起一个假设不太复杂的模型，用这个模型来帮助我们提高对问题的认识。

在精神方面，情况是一样的

对，在精神方面是一样的。这也正是让投资世界变得很有趣的地方。

投资是一项非常艰难的事情。把基本面分析方法和量化分析方法结合起来能不能帮我们找到出路呢？

我觉得有可能。我认为基本上每个模型都会有错。所以，如果我把我的模型告诉你，你就能逆向破解模型并找出其中的错误来攻击我。从某种意义上来说,市场在保护你。如果你以市场价买入股票，（根据你的模型）认为它被低估了，实际上并没有被低估。只要你的模型不太离谱，有时还能获得一些的回报。如果某个投资者使用一个系统性的模型，按照这个模型来确定价格，他很容易遭到损失，因为其他人可能感觉更敏锐，或者拥有更加新的数据，可以用来对付这个模型。这就是非市场化方式定价很难的原因。打高尔夫球的时候，我有一套打高尔夫比赛的模型，但是里面包含的错误比泰格伍兹所用的模型更多。那么究竟是使用单个模型，还是组合使用多个模型更好呢？纯粹主义者会说，你不能这样用。我们可以告诉他的是，他的模型也错了。[笑]

你知道风险模型是错误的,但它仍会给了你一个很好的起点。当你参照风险模型来尝试搞清楚真实情况时，你将能更好地理解为什么这一项在变化、为什么那一项没有变化，为什么某一种可能性只是反映了模型过于细致的事实。与此同时，你还是需要把握总体的进展情况。

直觉也是一种模型

是的，正如你说过的，每个人都喜欢偷看。自全球金融危机以来,世界已经改变了许多，一些旧的模型似乎已经不再起作用。

投资界在进步。投资者有模型，他们经常改变位置。这也使得科学变得更有趣。如果我们什么都知道，一切都是静态的，那我们都会放弃的，因为这太无聊了。

这是永远的追求。非常感谢！这太吸引人了。