从 10 倍到 1000 倍——A 股择时的研究方法与实战
这次和大家聊聊择时，在这方面我本人自诩研究还是比较深入的，各类资产择时（股债期）差不多每年都要贡献收益的 30%。正好近期，集思录知名铲子专卖户盛唐风物老师发布了一篇《年化收益 273%的元旦节交易策略，我准备上了》 (opens new window) 的文章。其中提到了一个元旦节做多的日历效应择时策略。大家对此争议很大，有人认为是数据巧合，有人认为赚钱就是王道，事实上的确存在这样的规律。甚至去年一战封神的一扔大师专门写了一篇《年化收益 170%的 519 行情交易策略，你准备上吗》来嘲讽此文的逻辑。今天就从盛唐老师这篇文章出发和大家讨论一下择时以及投资研究的科学方法。
简述： 盛唐老师发现了一个规律，元旦节前两天股市往往倾向于上涨，上涨概率和期望收益都高于平时。同时，结构上，大盘股收益更佳。因此推荐大家在节前 2 日买入获取这部分股市大概率上涨的收益。
2020 年结果： 股市最后两天如期大幅上涨，而且以上证 50 为代表的大盘股上涨幅度高于小盘股
主要质疑点：
（1）有人认为无逻辑支撑的数据统计毫无意义，今年是又蒙对了
（2）一年才一次的策略，天然具有小样本的属性，从而让数据巧合更加容易发生
（3）只要愿意统计，一年中总有某几天的收益是最高的。因此这是先有数据再有结论的屁股决定脑袋的策略。
接下来，我们尝试采用实证的方法去检验或推测，到底元旦效应的超额收益是真实的还是一个数据巧合。
如同做任何一个严肃的研究一样，所有的科研从发现到最终为人所用都需要四步：发现现象、提出假说、验证假说、实践应用。在这个择时策略的研究过程中，盛唐老师之所以被大量诟病的原因就在于仅有第一步和第四步。那么，我这里越俎代庖，把这四步给补全（这里可能和原作者解释不一致，那就作为我本人的研究）。
第一步：观察、发现现象并总结
- 元旦日前容易发生股市的上涨
- 这样的上涨以大盘股最为显著
第二步：提出元旦日历效应产生原因的合理假设（假说）：
- 元旦并不是一个随机日(random day),而是大量金融机构和基金经理的年度考核终结日。同时，各大金融机构的年内头寸基本上在元旦前都要结平。
- 那么假设大家都不太会在最后一刻才结平头寸，往往预先结清，那么可能会产生结清头寸后多余的资金已经闲置而进入股市的可能。
- 这样的情况会导致年末可能的资金潮汐流，而且这样的潮汐流是由主流金融机构的资金流主导的。因此会更多影响机构参与的投资品种，比如上证 50 而非中证 1000。
- 如果用上述假设推演，那么起码在元旦节效应的情况下，似乎可以自圆其说。
第三步：基于假设进行外推，并对外推的样本进行检验
推论 1： 如果第二步的假设成立，那么这种资金流的潮汐性理应不是一次性的。在其他的可类比的情况下应该同样出现类似情况。
推论 2： 年末是考核日，也是重要头寸日。那么理所当然的，每个季末和月末也是类似的日期
由推论 1 和推论 2 结合，我们可以得到：
推论 3： 如果存在元旦效应（年末效应），那么理论上应该还存在季末上涨效应和月末上涨效应。同时，由于驱动的逻辑一致，季末效应和月末效应的大小盘应该依然保持大盘股比小盘股涨得更多的结构。同时，由于季末和月末的考核以及头寸要求没有年末那么高，整个策略的效果应该是元旦上涨效应（年末效应）>季末上涨效应>月末上涨效应。
那么接下来，我们要做的事情就很简单了。就是验证一下推论 3 这个和元旦效应的样本已经完全没关系的策略，是否存在季末和月末上涨效应，尤其是剔除 12 月底的数据后是否依然存在上述效应。如果统计后的结果依然呈现出上涨，且上涨的结构和我们预期的结构一致，那么大概率这就不是一个数据巧合了。
# 正式进行测试（量化回测）
测试对象： 上证 50、沪深 300、中证 500、中证 1000 指数
测试区间： 2005 年 1 月 1 日-2020 年 9 月 30 日
测试策略：
（1）测试元旦效应策略（每年最后一个交易日持仓）平均收益、中位数收益、胜率、样本量以及净值曲线
（2）测试包含元旦效应的季末效应策略（每季度最后一个交易日持仓）平均收益、中位数收益、胜率、样本量以及净值曲线
（3）测试不包含元旦效应的季末效应策略（1、2、3 季度最后一个交易日持仓）平均收益、中位数收益、胜率、样本量以及净值曲线
（4）测试不包含元旦效应的月末效应策略（1-11 月最后一个交易日持仓）平均收益、中位数收益、胜率、样本量以及净值曲线
# 元旦效应测试结果
2005 年至今 15 个样本，统计结论见附图。
可以看出样本过少，净值曲线总体上涨，但难以分辨是否存在过拟合的风险
(opens new window) 
(opens new window)
# 季末效应（一年四个季度的季末最后一个交易日持仓）测试结果
2005 年至今 63 个样本，统计结论见附图。
和元旦效应比较，可以看出样本明显变多，净值曲线稳步上涨，且变得更加平滑。最关键的是，观察净值曲线，最终的总收益比元旦策略更高了。
(opens new window) 
(opens new window)
那么这是否可能主要是元旦效应带来的影响呢？我们接下来测算
# 无元旦的季末效应（仅一、二、三季度末最后一个交易日持仓）
2005 年至今 48 个样本，统计结论见附图。由于这次的策略和元旦效应的持仓完全没有交集，可以说是完全的样本外分析了。从实证数据来看，可以看出净值曲线依然稳步上涨，且由于样本量更大，比元旦效应的净值曲线变得更加平滑。
最关键的是，我们关注 4 个主要宽基指数的相对强弱：依然较为明显地呈现出大盘股强于小盘股的态势，中证 1000 甚至为负收益。这个证据其实已经很大程度上支持了“元旦效应不是数据巧合”的结论。
最后，再拿出剔除元旦效应后的月末效应（除 12 月最后一个交易日外 1-11 月每个月末最后一天持仓）的回测结果：
样本量扩充到 175 个，可以说在任何统计检验中都不能算小样本了。
我们可以观察到：
1）月末持仓的收益曲线开始变得没有那么优美。说明月末考核或资金潮汐流可能并没有那么主要，因此它不再成为股市波动的主要矛盾。
2）曲线依然呈现出明显的大强小弱态势，在月末效应环境下中证 500 已经没有明显的正收益了。但以 50 和 300 为代表的大盘股依然正收益明显。
3）在月末效应下，上证 50 的净值达到了 1.3,而沪深 300 的净值也达到了 1.266。但仅季末持仓时，上证 50 的净值仅 1.209，而沪深 300 的净值仅 1.235。这说明，在剔除了元旦、季末效应的影响后，月末效应对大盘股依然有明显的正收益贡献。
(opens new window) 
(opens new window)
结论已经呼之欲出了。我们再回到假设的推论 3，推论 3 其实可以拆解为以下几个小推论：
**推论 3.1：**如果存在元旦效应（年末效应），那么理论上应该还存在季末上涨效应和月末上涨效应。
验证结果：季末效应在所有指数都极为显著，月末效应在大盘股上显著。
**推论 3.2：**由于驱动的逻辑一致，季末效应和月末效应的大小盘应该依然保持大盘股比小盘股涨得更多的结构。
验证结果：实证结果与推论完全一致，甚至在月末上涨效应中小盘股效应已经基本完全消失。
**推论 3.3：**由于季末和月末的考核以及头寸要求没有年末那么高，整个策略的效果应该是元旦上涨效应（年末效应）>季末上涨效应>月末上涨效应
验证结果：实证结果与推论完全一致
至此，实证的结果更加支持“元旦效应”是真实存在的结论。
# 投资研究的方法思考——知其然知其所以然
回头思考为什么这个择时策略会被大家如此广泛的讨论和质疑，我理解还是因为收益来源的不确定，即使有较好的结果也难以被大家信服。因此，我认为之前对这个策略的质疑是完全合理的。而我对自己研究的要求就是一定要知其然且知其所以然。
因为当你（起码自认为）知其所以然时，你会对自己所运用的策略使用前提的预知能力。举个例子来说，2012-2016 年最有效的投资策略莫过于小市值策略。当时最牛的策略净值曲线就是轮动市值最小的 5 支个股。但如果一个投资者在 2016 年下半年使用该策略至今，可能已经渣都不剩了。
现在，我们回头理解小市值策略的收益来源会发现，小市值策略的本质其实是投资壳资源。当市场流动性泛滥，借壳、再融资活跃时上市公司壳的需求旺盛，壳资源本身就在涨价的过程中。而 2016 年初热炒的中概股回归就将该策略推上了高潮。而 16 年下半年到 17 年期间，刘士余主席不断的限制借壳、限制再融资、压制游资炒作等政策，都导向一个方向。即壳资源价值的收缩。那些死守历史统计回测的朋友，由于没有对策略本质的理解，则将在 2017 年白马股的大牛市中遭遇漫漫熊途。而策略收益来源清晰的投资者，大可以在 2015 年拥抱小市值策略并在 2016 下半年政策风向转变的时候将其抛弃。甚至在 2018 年民企座谈会后再次配置部分该策略，并在注册制开始前退出。
回到元旦策略的收益来源与回测，我们发现一个有趣的现象：主要的策略收益来源均出现在 2011 年以后，这到底暗示了现实投资环境中 2011 年前后怎样的变化？是否可以被蛛丝马迹所印证？如果我们能够做到这一点，相信在未来的某一天，如果元旦策略即将失效，我们也可以第一时间预判而避免净值的回撤。
其实这篇文章中的择时模型早在盛唐老师发布前几年就已经是我 A 股择时投资体系中的一个因子之一，这也是为什么我会比较清楚其分析方法的核心原因。当然这个因子只是我择时体系中很小的一部分。我的系统也不是每个元旦或季末我都会开多头仓位，更不用提收益更不明显的月末了。
这次之所以会写一篇有关择时的文章主要是因为目前国内的投资环境不论是雪球、集思录还是各个投资网站都鼓吹“不择时”，尤其是巴菲特、冯柳等大师公开阐述“择时无效论”的逻辑后，大家对择时都有比较强的偏见。
事实上，我本人每年收益的 30% 都来自长线和短线的择时（长线或可称为大类资产配置），根据我本人过去 3 年的实际操作经验，在 A 股、债市、期货的择时都是行之有效的投资方法。
当然，其难度远高于择股择券也的确是不争的事实，尤其对于资金体量超过 10 亿以上的机构投资者，难度会急剧加大。但仔细思考，资金体量小带来的低冲击成本以及在低市场容量内的中高频交易（日频-周频）正是散户相对机构择时的优势所在，因此作为散户完全放弃择时也相当于放弃了一部分收益风险分散的来源（专注于获取 alpha 却放弃了对 beta 的控制，全部将其当成风险，而未将其作为另一种收益来源）。
尤其对于资金体量在 300 万以上的集思录散户而言，IH、IF、IC 等股指期货是非常好的将 alpha 和 beta 拆分的工具，不仅可以通过正股对冲股指期货的空头获取纯粹的 alpha 收益，更可以利用股指期货表达对 beta 的多空观点，从而达到不放弃 alpha 收益的同时兼顾 beta 收益。
举例说明，正常情况下，要规避 beta 风险（市场下行风险，比如 2018 年的股市）必须卖出股票，从而在规避负向的 beta 同时也丢失了正向的 alpha。但利用正股和股指期货的结合，可以在获取正股 alpha 收益的同时表达 beta 观点。（比如我看空股市但觉得我的持仓会有 alpha，大可以持有 80%的股票多头+160%的股指期货空头，我最终表达的观点就会变成 80%alpha+80%股票空头，这在仅有股票这个工具的时候是无法实现的）
这样可以使得选股和择时成为两个同时贡献收益的低相关因子（它们天然低相关），根据本人在《从 10 倍到 1000 倍——分散投资的数学原理》 (opens new window) 中的论述，可以基本确定在获得同等收益的情况下暴露更小的回撤风险。
# 一个风险更大的资产和一个风险更小的资产组合后形成一个风险更小的组合
不好意思，今天还是在本帖中写文，主要是因为我很尊敬的 @骆驼 1978 (opens new window) 老师昨天就我的文章组图提出疑问，即怎么可能一个风险更大的资产和一个风险更小的资产组合后形成一个风险更小的组合？本文将试图对这个问题进行解释。
（友情提示，本文多图，请在电脑上查看，否则可能影响阅读体验）
我们先假设风险的定义就是波动率，再讨论这个问题。这个问题，我们把它拆解成两个主要问题：
（1）债券和股票比风险是否小，如何认定风险大小
（2）组合资产能否比任何一个资产的风险更小？即组合投资的 1 1 能否小于 2？
为了解释上述两个问题，除了经济学逻辑、数学以外，我将借用 2 个资产作为代理变量，这些资产的走势都在同花顺上能查到，分别是：
（1）股票基金指数：H11021（指代常规权益资产收益）
（2）债券基金指数：H11023（指代常规债券资产收益）
一、风险的度量与比较
我们先来看一下股票基金指数和债券基金指数的走势情况，如下：
可以看出，长期来看，股票收益高，波动大。债券收益低，波动小。我们进一步对其进行统计，得到以下统计量：
可以看出，股票的波动和最大回撤都比债券高很多。所以同等资金量的股票的绝对风险的确高于债券。但是我们发现债券基金指数历史上也出现过最高达 8.3%的最大回撤，估计这可能是很多朋友都没有想到的。
我查找了一下，是发生在 2004 年 2 月 23 日至 2005 年 1 月 20 日期间，整整跌了一年，跌了超过 8%。
所以债券也是风险资产，这点大家必须牢记在心。
下面，我们对股票和债券的风险进行比较，两者主要参数相除：
我们发现有趣的是，最大回撤和标准差两个度量风险的指标比例大致相近，约为 7:1，这里取两个数据的中值即 7.3:1，反算出大致是 88%：12%，即大家常说的 9 债 1 股。这并非我和 @账户已注销 (opens new window) 老师沟通过的心理估计，而是我实证下计算的结果。如下：
那么，如果我们按这样的比例配置后，（12%仓位的）股票和（88%仓位的）债券两个资产以及组合资产的净值走势会如何呢？净值图如下：
可以发现，债券的净值曲线跑赢了股票的净值曲线，这很好理解，因为我们采用的是风险等权法，但根据之前我们计算出的结果，债券的风险收益比高于股票，因此在股票和债券暴露相同风险的情况下，债券的收益必然更高。
同时，我们也可以看出，12：88 股债配置法下，整条收益净值曲线变得更加优美。
那么下面，我们进一步计算上面三条曲线的统计量：
我们发现，12%股票和 88%债券的标准差和最大回撤已经非常接近了。那么这时我们在这两个资产中暴露的风险是大致相当的。这就是达里奥的桥水基金采用全天候策略的基本思想，只不过他的资产涵盖更多，计算更加精密，而且他的总仓位上限是超过 100%的，他们是通过衍生品加杠杆持有债券的。可以类似理解为股债配置为 24%仓位股票+176%仓位债券，总仓位 200%。
这时，由于我们根据历史风险情况把股票和债券的市场风险调整为大致相当，我们可以看出股票的风险未必大于债券，这是可以自由调整的。如果我想获取双倍的 12:88 策略收益，则可以类似桥水那样，配置 24%仓位股票+176%仓位债券，扣除融资成本，你的收益和风险同步放大两倍。
如果按照这个逻辑进一步思考，其实只要脱离了 0-100%仓位的桎梏，你想要暴露多少股票风险和债券风险甚至其他资产风险都是你自由决定的，并不需要受配置 1 元该资产会客观暴露的风险限制。这就涉及资产配置的思考了，今天不再展开。
二、组合风险与组合收益
我们再度回头看看，12：88 股债配置法下的最大回撤和标准差，尤其是最大回撤。我们注意到，12%仓位股票的最大回撤为 9.7%，88%仓位债券的最大回撤为 7.3%，但两个资产加起来形成的 100%仓位资产的最大回撤并不是 9.7%+7.3%=17%，而是 10.7%！
这个事实触及了组合投资的本质，即组合风险的非线性特征。这也是为何马科维兹的投资组合理论的论文开创了金融学这个新的学科的核心原因。
我们知道 A 资产收益 10%，B 资产收益 2%，那么均匀配置两个资产的收益必然是（10%+2%）/2=6%.
但均匀配置两个资产的风险却不是两个资产风险的算数平均值。具体的公式我在《分散投资的数学原理》一文中贴过。是两者之和再扣减两者加权后的协方差系数，或者说取决于两者的相关性。
具体公式如下：
等式右边的前面两个项目是权重和单一资产方差，是线性的。贡献非线性的是最后一项，即协方差的权重。
有兴趣严格证明这个公式的朋友可以看这个链接的二楼：两项资产组合的收益率的方差公式 - 金融学（理论版） - 经管之家(原人大经济论坛) (opens new window)
如果要用一句通俗的话来解释，就是说：如果两者同涨同跌，那么风险和收益都是线性增减的（算数平均值）。如果我涨你跌，我跌你涨，那么风险为 0。如果不是完美的同涨同跌（有时你涨我跌，有时同涨同跌），那么实际风险就介于 0 与两者的线性配置权重所计算出的风险之间。
再举个最简单的例子，刚才说了债券的最大回撤发生在 2004 年 2 月 23 日至 2005 年 1 月 20 日期间，而股票的最大回撤发生在 07 年-08 年股灾期间，两个最大回撤发生的时间都不一样，我组合的最大回撤怎么可能不小于两者之和。
这也是为什么我在《吃 IC 贴水的正确姿势》一文中提出了 IC 空头的价值在于其提供了保险，因为完美的负相关价值胜过黄金。
1+1 的确可以小于 2，甚至可以等于 0。
追加：
骆驼兄补充了一段有关股债负相关性由于货币超发导致资产价格受流动性驱动而非基本面驱动削弱的逻辑，从定价公式上我同意这个是可能发生的，但没法证实或证伪。但大家只要理解：**如果不是完美的同涨同跌（有时你涨我跌，有时同涨同跌），那么实际组合风险就介于 0 与两者的线性配置权重所计算出的风险之间。**就可以明白，组合投资（股债、股期、债期、债房等等）是永远是可以提供等风险下的额外收益，或等收益下的额外负风险的。
附计算表和图表来源于附件中，有需要的朋友可以自己看。
# 择时与资产配置
当我们在说择时时，往往大部分人指的是对股票的仓位进行相机抉择的调整，卖出股票持有现金或买入股票，以期逃过下跌，并在上涨时持仓。
事实上，择时并非仅限于权益类资产。我们也可以对债券、商品、房地产等进行择时，从而形成对应的择时策略。
那样，只要有多个基于多个资产（或广义资产）的策略同时开始运行，我们会发现，从实质上，我们已经在进行资产配置了。
还是举例子说明，
情景（1）：如果我有且仅有一个股票择时策略
假设股票择时策略 1 月看多、2 月看空、3 月看平，那么我们的操作和持仓分别是：
1 月观点：股票看多
1 月操作：买入股票多头 100%，卖出现金 100%
1 月持仓：股票多头 100%，现金 0%
2 月观点：股票看空
2 月操作：暴露股票空头 200%（实际操作：卖出 100%多头+买入 100%空头）
2 月持仓：股票空头 100%，现金 0%
3 月观点：股票看平
3 月操作：暴露股票多头 100%（实际操作：卖出 100%空头），买入现金 100%
3 月持仓：股票 0%，现金 100%
情景（2）：如果我有且仅有一个债券择时策略
假设债券择时策略 1 月看空，2 月看平，3 月看多
那么我们的操作和持仓分别是：
1 月观点：债券看空
1 月操作：买入债券空头 100%，卖出现金 100%
1 月持仓：债券空头 100%，现金 0%
2 月观点：债券看平
2 月操作：暴露债券多头 100%(卖出债券空头 100%),买入现金 100%
2 月持仓：债券 0%，现金 100%
3 月观点：债券看空
3 月操作：买入债券多头 100%，卖出现金 100%
3 月持仓：债券多头 100%，现金 0%
到目前为止，一切正常，这就是我们常规理解下的择时。本质上，这些择时策略都有一个基准，即资产（可以是股票也可以是债券），同时有一个资产的对立面（往往是现金），在这两者之间进行选择。
但如果这两个策略结合时，情况就会显得有些不一样:
情景（3）：如果我有一个股票择时策略，同时还有一个债券择时策略
假设股票择时策略 1 月看多、2 月看空、3 月看平，债券择时策略 1 月看空，2 月看平，3 月看多。假设有观点时策略的持仓应当平均分配，则两个策略同时运行下的满仓为单一资产 50%持仓（股票或债券的满仓为 50%持仓）
那么我们的操作和持仓分别是：
1 月观点：股票看多，债券看空
1 月操作：买入股票多头 50%，买入债券空头 50%，卖出现金 100%
1 月持仓：股票多头 50%，债券空头 50%，现金 0%
2 月观点：股票看空，债券看平
2 月操作：暴露股票空头 100%（实际操作：卖出 50%多头+买入 50%空头），卖出债券空头 50%，买入 50%现金
2 月持仓：股票空头 50%，现金 50%
3 月观点：股票看平，债券看多
3 月操作：暴露股票多头 50%（实际操作：卖出 50%空头），买入债券多头 50%，
3 月持仓：股票 0%，债券多头 50%，现金 50%
你会发现，这个情况下，我们把我们的多个资产择时策略用一种特定规则混合在了一起。在这样的视角下，现金和股票、债券其实是等价的，都是多个资产配置中的某一个资产（对，现金也是一个资产，他的特征是极低波动和极低的名义回报，负的实际回报）。
当我们不断加入新的资产择时策略，我们有 N 个资产择时策略，并同时使用他们对各种资产表达自己的观点时，我们会发现股票、债券、房产、商品、黄金、现金、特定广义资产等资产都是我们配置资产的一个维度，每个维度之间都是平等的。
这时，我们发现我们除了在现金最具有与价值（通缩叠加经济衰退，或者说价值毁灭）的时刻，并不需要特意配置资产在现金上（资产择时的对立面并不一定是现金，可以是债券也可以是商品）。
那么广义的择时视角来看，我们其实只是在衡量不同资产之间的性价比，同时通过现金这个中间媒介，配置我们自己认为最具有性价比的资产而已。站在这个角度，择时就是资产配置，长期的择时就是长期资产配置，短期的择时就是短期资产配置。
再进一步将这个定义推广，如果我们认为投资的目的是通过在不同时刻配置不同资产的方式将所掌握的资源形成的购买力最大化（或不断扩大）。那么所有的选择都是择时，配置的考虑只是希望在获得等量风险的情况下期望收益最大，或者说在获得等量期望收益的情况下风险最小。
从这角度去理解冯柳的满仓择股不择时，可以看成：
（1）他放弃了除股票外其他维度的资产配置（择时），包括现金这个维度
（2）他保留了在股票范围内配置 A 股票，不配置 B 股票的选择权（股票内部的择时或资产配置，择股是另外一种择时，或者说配置）
这也是我所理解的@孔曼子老师和我本人常说的，“我们永远满仓，只用风险衡量我们持有的仓位。”的意义。
#
@骆驼 1978 (opens new window) 骆驼提出了几点质疑，简单回应一下：
**Q1:**量化择时模型很容易掉进自己挖的坑里，模型里那些看起来具有预测性的因子，要么是过度拟合的结果，要么是相关性而非因果性的指标。
关键是，回测效果杠杠的，毫无理由拒绝。
**A1：**对抗过拟合的确是此类模型最大的问题，所以要做几点。
（1）去参数化
没有参数就无从优化，如果没有参数也能有效，说明大概率是有效。
有人质疑，怎么可能无参数？无参数代表自然，或者参数本身具有经济意义，那样就无参数了。比如某策略持有至年报公布日卖出，有没有参数？可以说没有参数，如果有，那么参数是年报公布日。这就是逻辑驱动了。
（2）逻辑驱动
细节太多，没法说全，随便说几个
1.先有观点再有回测，而非数据挖掘。
2.数据好的结果，如果和预测逻辑不符也要剔除模型
3. 好的回测前提是好的代理变量，所以首先要找到好数据。（比如在没有生猪期货的年代，金锣生猪价格指数比 22 省生猪价格指数更快更准）
4. 理解数据的构建方法和逻辑（比如，PMI 是环比指标，天然带有季节性。比如，大厂耗煤量所表征的发电量需根据国家新能源建设规划逐步降权）
5. 从定价公式出发，再回到定价公式。比如大部分生息资产的定价方式都可以用 DCF 模拟。那么把 DCF 要素根据资产属性的拆分就可以得到可能的有效因子。
（3）非相关要素的结合
即使如此，依然无法完全避免过拟合，所以首先要素要多，其次不能有某个要素权重过大，第三要素之间的相关性要低。不细说了，逻辑和《分散投资的数学原理》是一样的。
（4）数学检验对抗过拟合
对于样本量较大的数据，可以用数学方法验证过拟合
1.蒙特卡洛模拟，判断过拟合出现的概率，类似假设检验统计的逻辑
2. 用时序交叉验证的方法验证（华泰金融工程团队在 2018 年写过一篇《华泰证券人工智能系列之十四：对抗过拟合，从时序交叉验证谈起》，有兴趣可以读一读）
**Q2:**另外，这种日内交易策略，不太可能与宏观经济因素相关，引入这些因素只会影响策略的可信度。
**A2：**不是的，就如同@涅槃 2020 兄以前提过的，大家都认为我是做短线技术或趋势的，其实不是的，我是做宏观策略研究的。
你看到的是今天开仓，明天不开。我看的是宏观和微观要素的起起落落，不开仓的时候并不代表他们不存在。而是说他们起起落落在一个中间状态，不重要。
所以，大家看到的是先做多了 2 天，空仓一段时间再做空了 3 天，是 0 或 1 的布尔函数，但我的眼睛里是连续函数，只是你们看不见，我一直在看。
一般而言，只有多个非相关数据共振时，才会出现较强的开仓。这代表多维度的共振。
宏观数据也是可以做统计检验的，但数据结果没有逻辑重要，所以大部分时间需要做的是微观验证，而不是调参数。
比如，今天又公布宏观经济数据了，除了物价数据，基本上没有什么信息增量。
那么为啥宏观数据周频、月频公布，但交易是日频的？因为要控回撤，需要其他维度的数据佐证，宏观是维度，量价是维度，北上资金是维度，时间是维度，多一个低相关维度就多一个可信度，提高一点点夏普比。多个维度的高峰，概率上的最大回撤就是小。
另外提一句，用一般的技术指标做期指是没啥用的，我测过几百个，包括持有封基老师的 Bias2.0 之类的，都没啥用。一般而言，但凡在指数上有点用的指标，在期指上的效果最少打 8 折，越量价的打折越多，越低频打折越多。很多策略在 ETF 上都能跑赢指数，在期货上都是赔钱货。
# 有关择时提供“负收益贡献”的讨论
这期的主要思想其实之前已经些许提到过，但为了有针对性地解释，还是专门写一下。
我们一直听到很多基金大佬说不要择时，因为“择时”长期来看是负收益贡献。下面，我们就针对择时长期来看是否是负收益贡献来讨论。
讨论之前，首先定义一下，今天这里讨论的择时是“狭义择时”，定义为：根据主观判断在资产与现金之间进行配置的操作行为。
这里有这样几个维度：
1》全市场维度
论点：所有人如果都择时，那么择时一定是负贡献。
我的观点：完全同意，择时本就是互摸口袋，本质上和期货是类似的，扣除手续费以后是负和游戏。
即使全股市的人择时全部都赚钱了，那么一定也有人为此买单了。谁？产业人士，或者说企业实际控制人们。因为股民择时的成功代表了他们这个整体集体贱卖了自己的资产。所以从全局视角来看，择时是零和游戏或负和游戏是正确的。
2》个券持仓维度
论点：个人做择时长期来看也是负收益贡献，不如老老实实持有一支股票
我的观点：这个维度下，没有标准答案，或者说剔除择时能力这个核心点，答案还取决于你的择股能力、仓位约束和风险偏好。为什么？下面，我们做一个简单的算术题。
某股票，我做择时，那么本质上我就是在做选择题：
A:持股
B: 持币
两个选择中选择一个，或者在两者之间进行组合配置（比如 50%持股，50%持币，俗称半仓）。如果我的择时水平没有特别高超，那么大概率我的收益应该落在 100%持股与 100%持币之间。
如果这是一个大牛股，那么股票收益率=50%，持币收益率=4%，则择时收益率大概率落在 4-50%之间。
如果这是一个垃圾股，股票收益率=-50%，持币收益率=4%，则择时收益率大概率落在-50-4%之间。
所以，你看择时的结果落到收益和波动端，其实是因为现金的（名义价值）低波动，导致整体资产的收益的波动发生了下降，无论这种波动是正向还是负向。
从另一个角度，我们可以把持股的收益进行如下的拆分：
持股总收益=市场收益（beta1）+择风格收益（alpha1）+择行业收益（alpha2）+择个股收益（alpha3）
大量的基金经理是不能做对冲的，因此他们的仓位约束为 0-100%仓位，那么如果他们择时，他们的代价很大。简单计算如下：
如果他们择时对了，他们仅仅能获得规避 beta1 下跌的补偿，但损失了 alpha1-3 的收益。
如果他们择时错了，他们同时损失了 beta1 的上涨和 alpha1-3 的收益。
经过上面的思考，其实你很容易理解那些基金经理的观点了。对他们而言：
（1）长期来看股权的收益高于现金。
（2）他们具有（或自认为具有）战胜指数的能力，因此他们从持股长期收益高于现金的概率更大。
（3）由于在择时（放弃 beta）的同时会也会失去 alpha，因此对于择风格、择行业、择股能力越强的人而言，择时的机会成本越高。
如果再考虑主流机构单边万 8 的交易成本、千 1 印花税和千 1-千 3（以 10-50 亿规模的资金体量计算）的冲击成本，那么一次择时交易（一个买卖循环）的成本大约可以达到千 6-百 1 左右，综合考虑择时的代价对他们而言的确无比昂贵。
因此他们可能说的也没错，择时太过昂贵，也不容易做，体量一大更没法高频做，因此不值得。
但对于一个择股能力一般但有一定择时能力的散户而言：
（1）你的择股优势没有机构强，你的机会成本低于机构，
（2）你可以通过 IC 获得稳定的 alpha（负基差贴水），
（3）你不考核相对收益，你考核自己的绝对收益（低波动对你有价值，但对比排名的基金经理而言无价值），
（4）公募基金不考核回撤，但你自己考核自己回撤（2015 年二季度、2018 年一季度不择时有很大代价），
（5）你可以通过持有股票多头和股指期货（期权），突破自己的持仓限制至-200%到 200%（保守估计），
（6）如果你自认为自己的择股能力足够强（能够抵御负基差，或者直白点年化超额稳定在 20%以上），也可以通过类似持有 80%股票多头+80%衍生品空头敞口等组合方式，同时表达择时和择股观点。你的择时观点不一定需要以放弃 alpha 为代价。（我本人的操作模式类似此类）
（7）你的一次择时交易（一买一卖）交易成本只有千 1.5-1.8，如果用期指则千 1 都不到，远低于机构
如果上述维度，你有一些相对机构的优势，那么对你而言，择时未必是一个应当完全放弃的领域。
# 策略与股票择时（1）
我一直想在集思录写一篇有关宏观策略分析框架的文章。但这个问题实在太大，每次想到宏观框架的宏大，数据的复杂，逻辑的严密，没有个几万字想来是解释不清的，估计也没几个人想看。
再考虑到宏观模型的精密性，导致对其一知半解还不如完全不懂，而且我也不敢说完全领悟了其中的精髓。怕误人子弟，更怕贻笑大方。
那么今天，我就从最小的角度入手，极简化谈谈宏观和择时之间的关系，先写第一段。
如果要说哪个公式是金融学最伟大的公式，我一定会将这个荣誉送给 DDM 模型或者戈登股利增长模型（Gorden growth model）。公式我不列了，如果公式不懂也不愿意去查，那么下面的文字请不要读，有害无益。
DDM 的三个要素：分子端的 D0、分子端的 g 和分母端的 r，简单可以理解为现金流、现金流增速和折现率。很多人用这个框架去分析个股，殊不知，整个经济体系也可以用这个框架去分析。
我的投资框架是基于宏观策略的，所以这三个要素中对我而言，最不重要的就是价值投资者最看重的 D0。有人说，D0 怎么会不重要，盈利来源于此，现金流来源于此，股息也来源于此。但宏观策略的框架中，没有“价值”的概念，我只做价值投机。
为什么？因为中国这篇土壤对价值投资非常不友好，在 2014 年我看到了 10 多倍的茅台，在今年我看到了 60 倍的茅台，哪个价值错了？在 2007 年我见到过 4-5 倍 PB 的银行股，在 2020 年我见到了 4-5 倍 PE 的银行股，请问哪个价值错了？赛道股今年的盈利增长普遍在 15-30%之间，PE 在 50-100 倍之间，这是否代表其价值的准确定位?
如果一个市场，对定价的错误可以长达 3-5 年不回归，那么做价值投资者，你必须
（1）确保你可以拥有 3-5 年的投资久期（用金融资管的话来说，你的负债端必须要超过 3 年）
（2）你必须预知 3-5 年后的未来
我自认没有等待 3-5 年验证一个观点正确与否的耐心，也没有能力去预知 3-5 年后的未来，因此我选择做最简单的事情：不去判断价值，只做两件事
（1）判断什么时候，什么环境下，同样价值的东西更受人欢迎（估值提升）
（2）判断什么时候，企业盈利在改善。什么时候企业盈利都往下走
简而言之，我做投资，不去判断 DDM 算出来的精确价值，我只判断 DDM 中各个因素的变化方向。如果要将这种研究方法进行分类，或许我能在券商研究所的策略组混一口饭吃。
那么，对我来说，要解决的问题就极端简化了：
（1）g 向上还是向下？
（2）贴现率向上还是向下？
g 向上，r 向下，那么多多多，比如 2020 年。g 向下，r 向上，那么空空空，比如 2018 年。一切就这么简单。（未完待续）
# 宏观策略与股票择时（2）
2021 年，DDM 模型的变量怎么变化呢？我现在就可以告诉大家，是确定性的 g 上升但 r 也上升的年度（2017 年也是此类型的宏观变量结构）。而 2019 年，是典型的折现率（r）下降但 g 也同时下降的年度（2014 年也是此类型的宏观变量结构）。
这种时刻，宏观变量的变化方向相反，很难精确预测整体市场的波动，想明确得出结论必须判断 g 的增速和 r 的增速哪个更快，这类问题往往被我归类为“太难而不去思考”的问题。而更重要的是，这种时刻往往是结构性行情发生的时刻，往往对股市进行整体预测的意义不大（不是说方向或波动不大，而是指预测带来的超额收益的夏普比例太小）。
那么这种时刻，怎么去做择时呢？一句话：结构化分层分析
g 是宏观经济的 g，r 是宏观的 r，但不同的行业不同的市值层次中股价对 g 和 r 的敏感性有很大的不同。这也是为什么我们平时对股票都会进行一个大框架的分类定义：价值股、周期股、成长股、垃圾股等等。
对 g 和 r 分别各举一个例子。
（一）g 的分层：
中国目前的宏观经济研究框架，依然是投资驱动的，未来或许会逐渐转向消费驱动，但目前的框架估计还能用个十年。如果是投资驱动，那么我们观察的宏观变量依然是发电量、水泥产量、地产开工竣工、地方债发行等等与地产基建等投资相关的核心变量。这是驱动中国过往 20 年经济驱动的核心变量。
但这样的经济结构，带动的是与宏观经济高度敏感的相关行业的盈利，煤焦钢、有色以及被按住之前的地产和大金融等，即我们通常理解的大金融大周期股。
这样的盈利周期对于分析酱油之类的必选消费品，指纹识别之类的成长股意义是非常有限的。即使由于投资拉动，你的收入被动增长了，也很难会传导到你家每天的酱油品牌选择和为每 100ml 酱油支付的价格。类似的，指纹识别公司的业绩更易受苹果新手机的技术路线选择、新手机预期销量、技术路线的成本、本次产品被排为一供还是二供以及产品良率等要素，而更少受到人们由于收入增加今年在手机上花 6000 元（减少花 4000 元）的影响。
上面的例子，汇总化、抽象化后可以总结为：远离原始供给、原始需求的行业、公司，由于其产业链盈利链条的权重逐层传递导致业绩弹性与终端需求、上层供给波动之间的低相关性。
将上面的逻辑总结成大家说的“人话”就是：经济好（坏）的时候周期股、金融股往往更受益（受损）；而消费股、成长股往往呈现出“经济增速免疫”的特征，而由自身的需求、产业要素驱动。
那么，回到择时，在经济改善时选择当下盈利的波动方向更加利好的行业，而在经济恶化是选择“经济周期免疫”的行业和公司。这样的逻辑符合《股市择时的影响因素》帖子中情景 4 的“原始择时”逻辑。
《股市择时的影响因素》传送门：[https://www.jisilu.cn/question/407263?show_all_answer-TRUE__item_id-3440444__answer_id-3440444__single-TRUE#!answer_3440444](https://www.jisilu.cn/question/407263?show_all_answer-TRUE__item_id-3440444__answer_id-3440444__single-TRUE rel=)
未完待续
宏观策略与股票择时（2.5）
静态分析与动态分析：
在举 r 的例子前，我先补充一段策略宏观视角分析市场的视角,以便后面更好地理解折现率对择时的影响。
教科书上的财务分析往往喜欢用 WACC（加权平均资本成本）作为 r 的替代来分析一个企业的价值，然而这样的分析虽无可厚非，但有一个致命的缺陷，那就是 WACC 分析往往只能针对静态环境。如果我们是负责估值技术的资产评估师或投行 IBD 人员，那么完全可以利用上面的方法。
但遗憾的是，作为二级市场投资者，尤其是一个策略投资者（非价值投资者）我们更关心的是企业价值的变化方向而非其实际价值。为什么？
因为，短期投资回报率=（买入时企业价值-卖出时企业价值）/买入时企业价值=企业价值变动/买入企业价值
你看，如果在短期（一年以内），我们的模型可以简化为一句话“企业价值变动幅度%=股价波动幅度%=投资收益率%”，为什么长期这句话可能不成立，我们以后再详细聊。
所以，作为投资考核期在一年以内的二级市场投资者，我们更关注投资要素的动态分析，即：各个重要定价要素向哪个方向变化。
因为投资收益率是 delta（变化量），企业价值变动是 delta，重要定价要素的变化方向也是 delta。
# 宏观策略与股票择时
这个系列还差一篇折现率（r）的分层，今天又出去了，所以写不完，先交一篇该文的前置背景文，否则全文太长了。
各类估值方法的数学表达及隐含假设
我们要理解估值的本质，我们需要理解企业价值的定价方式。因为大部分企业、大部分朋友主要看 PE（市盈率），所以今天主要从 PE 的视角写。
PE 的本质，必须回归到 PE 的原理。我很久以前在知乎写过一篇简单讲解 PE 基础原理的小白文，这里篇幅所限不展开讲。有兴趣的可以看：https://www.zhihu.com/question/19847154/answer/193148731 (opens new window)
我们之前已经提过，大部分企业的定价都必须遵循 DDM（股利增长模型），因为我们认为企业的价值在于其给持有人的回报。也许有人会认为企业的价值在于让世界更美好之类的，但我们认为大部分人是来获取回报的，因此我们用 DDM 做为整个策略的底层框架。
然而，这个市场是动态的市场，因此针对不同类型的企业，我们采用不同的估值方法。其实不同的估值方法其实背后隐含了不同的假设，而这样的假设就是简化其他不重要因素后的世界。
教科书中的 DDM：
公式 1：EV=D0/(1+r1)+D1/(1+r2)^2+D2/(1+r3)^3+D3/(1+r4)^4+D4/(1+r5)^5+... +Dn/(1+rn+1)^(n+1)
（泛舟点评：正确但由于极端复杂而无用的公式）
或者
公式 2：EV=D1/(r-g)（泛舟点评：正确但由于过于简单而无用的公式）
其中 D1=D0*（1+g1）,D2=D1*(1+g2),以此类推……
所以教科书说的永远是正确的，可惜只是废话，因为对于公式 1 没有人能精确预测企业的长期现金流及长期折现率，而对于公式 2 现实社会也不会简单到可以用一个长期折现率和一个增长率可以简单描述。
所以大家才有了自己实际真正在用的估值方法：
（1）大妈眼中的企业价值（股价法）
EV=股票的标价*？？？
**估值逻辑：**恕我写不出公式来描述，简单而言，价格约等于价值。
**点评：**简单粗暴的逻辑，所以我们曾经看到过一些基于股价法估值的市场逻辑在演绎，比如高送转填权的逻辑，过去牛市炒低价股的逻辑等等。而这些逻辑的强弱，往往与散户交易占总市场交易比例有关。
（2）粗通股市的散户眼中的企业价值（PE 法）
EV=D0/r=D0*(1/r)=EPS*PE
**估值逻辑：**PE 法估值，**PE 的本质是投资成本回收期。**因为 PE=价格/盈利，因此 PE 倍数的意思就是如果盈利保持不变，那么需要多少年才能收回成本。10 倍就是 10 年收回成本，100 倍就是 100 年收回成本。所以 Fed 模型里可以去把 PE 的倒数和债券收益率进行比较，因为回收期的倒数(1/PE)就是股价隐含静态收益率 r 的意思。
PE 市盈率模型是最简化的静态 DDM 模型，如果我们把 DDM 模型中参数设定为 Dn=D1、g=0，rn=r1，则整个 DDM 模型就坍缩为 PE 法估值。隐含的假设就是：我没有任何预判未来盈利变化的能力，我也没有判断贴现率变化的能力，所以我假设未来等于现在。因为在没有任何信息的情况下对未来最好的估计就是现在的价格。
**点评：**这是一种纯粹的弱者思维，但由于对世界的描述不够精确，往往只有在钟摆进入极端位置的时候才特别有用。其实，大部分时候我们往往对 g 和 r 的变化方向是有一点点预判能力的。根据它的逻辑，一般对于 g 不太变化或约等于 0（低增长），同时对 r 不敏感的行业比较有用（不借钱），比如没啥负债的股票，如公用设施股之类（金融股对 r 高度敏感不适用，地产股是金融股的一种），定价错误的概率会比较小。
（3）看短期（未来 1 年）业绩的基金经理眼中的企业价值（PEG 法）
EV=D0/(1+r1)+ D1/(1+r2)^2+D1/(r-永续 g)
**估值逻辑：**不同增长率的公司应该给予不同的定价，今天 PE20 倍的公司，如果业绩下滑 50%，那么明年 PE 就变成 40 倍。今天 PE50 倍的公司，如果业绩上升 100%，明年 PE 就是 25 倍。我承认自己看不清太远的未来（或者不愿看），所以我就只做未来一年的盈利预测，然后用这个办法匡算增速，打个折扣后给一个公司的定价。
**点评：**就是在 PE 模型上根据 g 增长率做了不同期现金流权重（现值）的再分配。该再分配的过程是一个线性过程。本质上是通过短期现金流对资产进行了一个整体定价。它对能力的要求没有特别高，只需要做未来 1-2 年的预测，但需要看对。同时它依然没有考虑 r 的变化对企业价值的影响。对于一些看不远但盈利波动很大的公司，可以用这个方法。这也是过去 10 年基金经理的主流估值方法。
（4）一个看 5 年公司业绩的基金经理眼中的企业价值（赛道法）
EV=D0/(1+r1)+D1/(1+r2)^2+D2/(1+r3)^3+D3/(1+r4)^4+D4/(1+r5)^5+D4/(r5-永续 g)
**估值逻辑：**和 PEG 法类似，但把预测年限拉长至 5 年甚至更远。这是一个极强的假设，认为自己可以预判未来 5-10 年的未来盈利（5-10 年的 r 波动已经不重要）。所以，隐含的假设要求或者是这家公司的赛道好到它的增速特别确定，要不就是这个基金经理（自以为）特别牛逼，看得特远特准。
由于拉长了现金流观察期，所以对不确定性给的折扣率可以减小，因此估值可以给得特别高。这句话什么意思？举几个场景的例子就清楚了。
PEG 流派的朋友是这样分析股票的：今年业绩 6 个亿，当前估值 300 亿，静态估值 50 倍。但是你看未来 2 年大概率增速 50%以上，预计到 2023 年业绩 6*1.5^2=13.5 个亿，我们保守点给 30 倍估值，所以 2023 年估值 405 亿。，有 35%空间，预期年化收益 17.5%。
赛道流的朋友是这样分析股票的：别看现在 180 倍静态 PE，3000 多亿的市值，但公司如何如何好（往往无法反驳），所以未来 10 年长期稳定 30%的平均增速（难以证伪，因为过去做到了），那么按此推算，现在的估值到了 2030 年只有 14 倍 PE。
**点评：**用时间换来了空间，真是人类智慧的新突破！看未来 10 年，所以今年估值 180 倍，5 年后估值 60 倍就不算贵，因为 10 年后只有 14 倍。那么问题来了：
1.这只股票你会拿十年吗？
2. 十年后，如果一切都兑现（你是诸葛亮），到时候给 28 倍估值。所以未来 10 年的隐含回报是 28/14-1=100%,摊到每一年是 7.1%的预期收益？为了这点收益我冒着看错的风险去持有十年高风险资产？
所以，这和 2015 年看科技股票未来长期的高增速有什么区别？其实都是在高流动性环境下给自己一个拿票的合理理由罢了。
（5）一个价值型基金经理眼中的企业价值（PB-ROE 法）
PB-ROE 法本质上不是单独的一种定价方法，而是对 PE 的一种精细化拆分方法。因为 PB=P/B,ROE=E/B，所以如果我们把 PE 的分子分母同时除以净资产（B），则 PE=P/E=(P/B)/(E/B)=PB/ROE。
为啥要拆分 PB-ROE 而不是直接用 PE？闲的蛋疼吗？
不是的。因为 PB 和 ROE 的驱动是不太一样的，PB 更多偏向于纯粹由 r（折现率）驱动。而 ROE 在大部分情况下往往由行业自身景气及供需情况驱动。PB-ROE 本质上是把构成 PE 的两个驱动来源不太一样的要素进行了拆分，提取两者不同的运动规律，进行未来 PE 运动方向和 PE 相对位置的预判。
基于 PB-ROE，我们可以继续用上面 PEG 以及 DCF 的方法去推演企业的价值。两者解决的是不同的问题。
# 择时的目标与仓位选择
接下来，我们继续回答之前的第二题：
2.一个绝对收益为目标的择时策略 ，它在牛市和熊市的表现的期望收益是否一致？
这个问题其实不好回答。因为它牵涉到了两个比较复杂的问题：
（1）绝对收益策略的评价体系
（2）牛市与熊市对择时策略的期望收益影响因素
好在我们已经通过之前的文章回答了第一个问题，即“绝对收益策略的评价体系”。答案是：我们应该更加关注其实际产生的真实收益，而非关注其相对指数是否跑赢或跑输。所以，我们接下来主要探讨第二点。
第二个问题，大家一般有两种答案：
答案 1：“牛市容易赚钱，熊市不容易赚钱，因为上涨时容易赚钱”
答案 2：“因为是绝对收益策略，所以牛市和熊市的期望收益是一样的”
回答答案 2 的人明显比回答答案 1 人的思考更深邃，然而，现实依然没那么简单。
要回答这个问题，我们必须追究另一个问题的答案：择时的收益来源是什么？
我在 @魔鸡 (opens new window) 的帖子中看到了这个论坛中我最认同的答案。择时的收益来源是“波动”。
当价格出现大幅波动时，无论是合理（基本面驱动）还是不合理的波动（情绪驱动），基于定价模式以及趋势的择时策略总能发现合理定价和价格之间的差异，择时获取的就是那部分定价差扩大或回归时的收益。
所以，择时的收益来源，根据能否做空、是否依赖趋势等要素，是分层次的：
- 市场上涨时是否抓住，决定择时收益（散户的择时收益来源）
- 市场是否出现上涨或下跌趋势以及趋势的长度（幅度），决定择时收益（一般的趋势投资者）
- 市场是否出现较大的波动，决定择时收益（波动率驱动的择时投资者，比如我本人）
那么回到熊市和牛市对择时策略的期望收益影响来看，一般而言，由于交投活跃，牛市的波动率往往更高于熊市。所以落到最后，择时收益较高的时间从结果来看，往往还是与牛市呈现出数学关系上的正相关。
所以，最后的答案是：对于一个多空策略而言，牛市与熊市从涨跌逻辑上与择时策略的收益其实是没有关系的，但市场波动率的大小是决定其收益的核心来源。由于波动率较高的市场环境往往与牛市的上涨期及牛市泡沫破裂阶段的下跌期重叠，因此择时的优势期往往与牛市相伴。
因此，我目前的择时策略贡献收益最低的时间不是 2018 年（因为能做空），不是 2016 年（因为不依赖趋势，不怕来回打脸），是 2017 年（股市缺乏波动的一年，上涨时波动 0.5%，下跌时波动 0.5%，择时机会极少）。
# 择时的目标与仓位选择
似乎从来没有和大家讨论过目前在直播的这个择时策略的投资目标，今天简单聊聊。
有人说择时有啥目标，赚钱就是了。这句话挺好的，但很多时候还是要确定一个基准，那么所有的努力都朝向战胜这个目标。因为同一个策略同一个因素，他的预期收益、预期波动都不太一样，那么在不同的目标下，我们给他的权重都是不一样的。
有些择时策略的目标是战胜指数（跑赢中证 500），有些择时策略的目标是绝对收益（收益一定要大于 0%），这两者目标的不一致就会产生差异，即使掌握的信息和观点是完全一致的。
比如说，你不能要求一个目标为战胜指数的策略年年赚钱，2008 年指数从最高点下跌了 70% ，那么一个以战胜指数为目标的择时策略，如果同期从最高点只下跌了 20%，那它就已经是一个非常非常优秀的策略了，如果这个时候说它还在亏钱很烂，几乎就是耍流氓了。2018 年同理。
但对于一个目标为绝对收益的择时策略，如果 2008 年或 2018 年你的收益小于 0%，那就的确是一个很糟糕的策略了。所以第一点：投资目标决定评价体系。
明确了目标才知道具体努力的方向，而同时在出现两难时就知道放弃哪一头。但最重要的还是如何在已知目标的情况下在给定已知策略框架的时候实现这个目标，下面简单讨论一下。
这里分三个层次：
（1）与目标所匹配的仓位设定
（2）择时因子的研发与评价
（3）择时因子的应用
今天时间所限，先讲第一个层次。
（1）与目标所匹配的仓位设定
如果一个目标为战胜指数的策略，在看多时应该配多少仓位？
如果一时想不出来，很简单，我们假设策略和场景进行测算就知道了。
策略 1（无做空）：看多时 100%仓位，看不确定时 50%仓位，看空时 0%仓位
这个策略是大部分普通散户实盘操作的近似，因为大部分散户不会一直满仓，也不太会一直空仓，更不知道如何做空。很多会做择时的混合类基金经理也大致是采用这种方式进行仓位配置的。
分 6 个情景，结合评价体系（跑赢指数）来观察是否能做到目标：
上涨时，
情景 1.1：指数上涨 1%，看多，100%仓位做多
结果：策略和指数上涨幅度均为 1%
评价：和指数相比没赢没输
情景 1.2：指数上涨 1%，看平，50%仓位做多
结果：策略上涨幅度仅 0.5%
评价：跑输指数，失败
情景 1.3：指数上涨 1%，看空，0%仓位
结果：策略上涨幅度 0%
评价：大幅跑输指数，失败
下跌时，
情景 2.1：指数下跌 1%，看空，0%仓位
结果：策略下跌幅度 0%
评价：大幅跑赢指数，成功
情景 2.2：指数下跌 1%，看多，100%仓位做多
结果：策略和指数下跌幅度均为 1%
评价：和指数相比没赢没输
情景 2.3：指数下跌 1%，看平，50%仓位做多
结果：策略下跌幅度仅 0.5%
评价：跑赢指数，成功
策略 1 总结：只有出现下跌时，该策略才有可能实现战胜指数的目标。所以该策略在牛市环境下很难战胜指数，在熊市环境下很容易战胜指数。因此，该投资策略是否战胜指数其实很少取决于策略的质量（策略的胜率和赔率），而更多取决于当前市场环境。即如果当前牛市，很强的预判能力也几乎无法战胜指数。如果当前是熊市，很弱的预判能力也大概率能战胜指数。
那么从策略角度来看，这不是一个能很好发挥投资者择时能力的策略。因为我们的目标是需要一个无论市场环境怎样都可以跑赢指数的择时策略。
那么什么样的策略可以最大化主观判断能力带来的收益呢？以评价基准为核心进行调整。
什么意思？首先要理解基准，战胜指数=跑赢永远 100%满仓指数。
所以如果是以跑赢指数为目标，无观点时应该怎么做？很简单，100%满仓指数。因为无观点时你不知道未来的走势，所以和基准一样就一定不会跑赢也不会跑输。
由此，进一步推理，看多（看空）时应该怎么配置仓位？那就是以 100%仓位为基准加仓位（看空为减仓位），具体加多少？看你的风险忍受度或者预期收益目标，两者本质上是一样的（风险=收益）
所以一个合理的以战胜指数为目标的策略的仓位设置可以是这样的。
看多：150%（200%）仓位
无观点：100%仓位
看空：50%（0%）仓位
思考题：
1.如果是一个以绝对收益为目标的择时策略，它的合理仓位设置应该是怎么样的？
2.一个绝对收益为目标的择时策略 ，它在牛市和熊市的表现的期望收益是否一致？
3. 我现在正在直播的策略是以什么为目标的？
# 择时的目标与仓位选择（2）
昨天留下了 3 道思考题：
1.如果是一个以绝对收益为目标的择时策略，它的合理仓位设置应该是怎么样的？
2.一个绝对收益为目标的择时策略 ，它在牛市和熊市的表现的期望收益是否一致？
3. 我现在正在直播的策略是以什么为目标的？
今天就围绕这 3 道思考题继续展开。
第一题：
考核目标为绝对收益，翻译成数学语言即：在给定的考核期内实现收益率>0%。注意这里有两个重点，第一点为给定的考核期，第二点为收益率>0%（0%为实际利率，如果以名义利率定义即战胜每个人的折现率）。
先讨论比较简单的第二点，定义已经很清楚了。因为大部分人的折现率（机会成本）一般不会超过 10%，所以我们简化一点，就按 0%计算。
所以答案很简单，无观点时仓位 0%，看多时仓位=0%+风险暴露度（风险加权后的仓位），看空时仓位=0%-风险暴露度
这里简单提一下风险暴露度，为什么我的策略里面有偏多、偏空？背后的思想是每天的风险暴露大致一致的意思。
再进一步解释，有时你非常清楚明天上涨概率很高同时赔率也很大，这时肯定要做多。但有时你知道明天赔率高但胜率不高，但总体而言期望收益还是正数。对于一个不需要考虑回撤的人来说，这两种情况都是满仓做多，因为他的目标是收益率最大化（类似公募基金）。但对于一个追求收益回撤比最大化的人而言，这两者的性价比完全不一样，给同样的仓位明显不合适（类似私募基金）。
问题来了，这时怎么给两个性价比不同的时间赋予仓位权重?
我的解决方案是风险等权，即数学期望上来看，任何两天的承担的期望风险大致相等。我在 1 月 4 日看多（100%仓位）和 2 月 10 日看偏多（50%仓位），在我的框架中，两者暴露的风险是大致相当的，收益率是附带的结果，并不是目标。怎么衡量风险？这取决于每个人的择时系统，没有标准答案了，我自己每年对风险的认知都在进化。
同理，我们可以推理出：
（1）对于追求收益最大化的人，他应该保证自己不爆仓的前提在自己的投资边际中将仓位提到最高。（投资边际为可投资的仓位范围，散户投资边际=0-100%，IC 投资者的理论投资边际按 20%保证金率计算=500%至-500%，考虑爆仓风险后的理论投资边际约为 200%至-200%，可参考我对 IC 的简单研究：https://www.jisilu.cn/question/411924 (opens new window)）
（2）而追求收益风险比例最大化的人，他应该计算出自己的最佳时间下（比如 1 月 4 日满仓做多时）愿意承担的最大风险，然后倒算出其他每个时间他承受同样风险所面临的真实仓位暴露（2 月 10 日 50%仓位做多）。
# 当我们在择时的时候，我们到底在做什么（1）
之前写了一篇“只应对不预测”，最近又和大家分享了我在“看多”、“看空”、“无观点”时，次日收益的描述性统计结果。今天简单聊一下这两者的关系。
在“只应对不预测”一文的最后，我用图演示了不同收益分布函数下对应不同的仓位及操作。但这样一个数学模型到底是怎么和现实社会产生交互并实际应用的呢？下面举一个最简单的例子：
我们从逻辑和大概的感官模糊地知道以下模糊命题：流动性好的时候股市会涨。
那么怎么去验证这个命题呢？还是科学研究的 5 部曲：
1.提出并定义问题,
2.猜想与假设
3.制定计划与设计实验
4.进行实验与收集数据
5.分析与论证,实质就是对探究的数据进行描述,对探究的现象归纳总结的过程,从而将实验结论升华为规律
在这里，我们针对上述模糊命题进行科学研究：
1.定义：流动性好、流动性一般、流动性不好（定义方法略）
2. 猜想：流动性好的时候股市的收益率显著好于流动性不好的时候，甚至显著好于流动性一般的时候。
3. 实验
下图中的蓝色时间是我自己定义的“流动性好”的时刻，将其与中证 500 指数的走势对照：
当我们在择时的时候，我们到底在做什么（2）
可以看出，除了 2018 年，其他大部分时间流动性好约等于股市还不错。进一步，我们对其进行统计，就知道了流动性好的时候股市的收益情况。
从统计数据，我们可以大致画出流动性好的情况下的潜在收益密度函数。然后你就可以“下注”了。
那么什么叫应对呢？
我们验证的情况是“流动性好”，我们知道实证结果大概率是验证“流动性好时股市还不错”的。那么当今天是“流动性好”的情况下，我怎么确认是否开多头仓位？开多少的仓位？根据我们的成功概率（胜率）和我们的潜在亏损（赔率）。
虽然已经说了很多次，这里再说一次，投资的本质是用风险换收益。所以，定义好你所愿意承受的风险后，在给定收益密度函数的情况下，上面的两个问题就迎刃而解了。这叫“只应对不预测”。
散户：只算收益，不看风险
一般投资者：以收益为核心，用仓位定义风险
老韭菜：收益来源于风险，同样的仓位代表不同的风险
风险平价投资者：风险就是收益，找到风险和收益不对称的地方下注，用风险定义自己的资产配置（比如孔曼子老师）
# 择时如何应对意料之外的涨跌（1）
Question：
涅槃 2020 • 2021-01-31 15:55
楼主，当你发现走势与预测不一致的情形怎么办？比如说你看空，指数大涨（当然这种可能你就不参与了）。如果你看涨，建立了仓位，然后指数大跌，这种情况下怎么办？怎么应对？
Answer:
分情况应对，首先如果我模型内外都是“无观点”，那么即使大盘涨停也和我没有关系，因为这不是在我框架之内的东西，即我不能理解它，所以就无视好了，因为反正也无能为力。
如果有观点，比如“看多”时出现下跌，那么要去区分这个下跌的因素是否可以被识别。
情况 1：可识别可建模的事件影响
我们的框架是针对过去的，因此无法完美应对未来，但如果这个未来并不令人意外，只是过去发生的不多或是一种特殊事件，那么观察它是否可以建模。可以建模的就临时建模。
举例，2020 年 1 月末市场由于“新冠疫情”（背景）和“武汉封城”（事件）出现大幅的下跌。这种情况是不可能存在过去的统计模型里的，但是否可以预判股价短期的核心驱动？可以的。
14 天的假期中，我翻阅了中国 SARS 期间的股市、债市走势，阅读了西班牙大流感时英美股市针对各个大事件下的走势。包括发现中国 SARS 时的重大信息拐点是 2003 年 4 月 2 日，股市的走势部分可以由信息的催化而解释。
这个事件基本只能通过演绎法推导，历史上只有很少案例可以用来给归纳法可以借鉴，但可以从逻辑和人们当时的行为（上海一度出现抢菜等等）简单推测。
最后，我得出一个核心结论：新增确诊人数是核心变量，通过影响风险偏好的方式影响股市
然后，我就建了一个预测哪天新冠新增人数的数据模型，发现大概率是 2 月 4 日新增人数见顶，所以我那次的大举加仓日就是 20 年 2 月 4 日。
（未完待续）
# 择时如何应对意料之外的涨跌（2）
情况 2：可识别但不可建模（参数不稳定）的事件影响
比如近两天的央行公开市场操作，正常情况下，除了债券人，否则股市投资者一般是不需要太过于关注这个要素的。因为公开市场操作几乎每个月都有很多，有时净投放有时净回笼。
但现实往往就是这么神奇，在某些临界点的时候，数据对世界的影响是会以乘数方式反映，从而导致其影响权重的快速放大。
回想一下 1 月底发生的事情
（1）央行对前期投放产生资产泡沫的纠偏，公开市场净回笼（货币供给减少）
（2）春节前的取现（红包、回家过年）需求（货币需求增加）
（3）月末轧平头寸的需求（货币需求增加）
（4）前期债券基金经理的加杠杆（货币需求增加）
（5）1 月财政缴税（Q4 的税）效应（货币供给减少）
我们用供需视角分析，上面的 5 件事情对货币价格的影响是同向的（共振），即价格上升。此时，叠加基金经理的隐含货币政策转向的恐高行为（散户不会恐高，因为散户不知道高不高），不仅影响了债市（稳定负相关），同时对股市产生了较大影响（非稳定关系）。
什么叫稳定关系，什么叫非稳定关系？就是说正常情况下，货币一收拢，债市肯定要跌的。但股市并不一定。
什么时候会跌?极值关系下。有一种数据的关系叫极值相关，就是除非大涨大跌，否则没啥关系。但一旦出现大涨大跌，两者基本上都是同向的。比如 2019 年以前的中美股市（还记得 2018 年 2 月初的中美股市吗？），比如货币和股市（2013 年 6 月的钱荒，还有这次）。
这种关系是很难建模的，没法纳入体系，因为参数不稳定。但你可以理解，因为他们的经济学逻辑是很稳固的。
这种情况下怎么办？观察数据，当发现极值发生的时候，去规避。无法量化怎么规避？把它当成一个方差很大但方向也很明确的变量，控制仓位（想想海龟交易法则中的 ATR 思想），按方向操作。
情况 3：不可识别但不可建模的事件影响
大部分情况下都是不可识别的，但如果我有观点，却被打脸了。那么说明“我误以为目前市场的主要矛盾是 A，但其实是 B，但我不知道 B 是什么”。这种情况下，一般而言，如果你沉浸在市场中，且关注所有资产（股、债、商、汇率、波动率）的价格波动，完全不理解价格的波动原因这种事是很少会发生的。但人的知识有边界，而且情绪难以计算（20 年 3 月你能算出何时抄底吗？）
设定止损阈值，暂时离场。直到你开始理解 B（20 年 1 月下旬不理解新冠，离场。2 月初理解新冠并建模，进场），或者 B 消失以后（自己的模型重新开始有预测力），再回到市场。因为你的模型描述的是一个常规状态的下的市场，那么他不会长期偏离，终究会回到正常的运作逻辑。
只应对，不预测
有很多投资牛人都认同一局投资名言“只应对，不预测”。
N 年前初入投资的我对这句话非常困惑，如果不预测，你不知道未来是上涨还是下跌，怎么决定买入还是卖出？但多年后，蓦然回首，发现自己的研究和投资中不知不觉早已使用了这个思想方法。
何谓“只应对，不预测”？在我看来，大家中学时学过的一句英语名言可能比其他的中文解释都要贴切些：“Hope for the best, prepare for the worst”。同时，我们可以从字面上理解，这句话讲的是我们的行为，而我们的行为是针对这个客观世界的。
理解这句话，我们要做两步：
1.认知世界
2.做出决策
人们所能认知的客观世界
我们做投资，对未来一定是要有一个观点的，否则投资决策无法做出的。这样的一个观点可能不一定是一个绝对的观点（买 A 能赚钱），有时可能是一个相对性的观点（我不知道买 A 能不能赚钱但我知道，相比起买 B，买 A 更好）。
但世界是不可以被全部认知的，无论我们的理论多么完备，数据多么详实，统计结果多么显著，都仅仅代表我们的预期。所以我们真正能够确定的是：
1.我们不能完全确定任何事
2. 我们可以大概确定事物发展的方向
3.我们还不知道我们有哪些不能确定
如果把上面的情况用数学语言描述，就是“我们大概可以知道一件事情未来结果的概率密度分布函数，但我们永远测不准这件事的结果会落在哪个点上”。这样的话说起来有点玄学，似乎近似“测不准原理”或“薛定谔的猫”。但事实如此，那么问题就落在，我们怎么去面对这个“可以测但又测不准”的世界了。
决策与行动
假设一个情景：
真实的世界（概率分布函数）：股票的收益为 90%赚 200%，10%亏 100%。（色子 1-90 赚钱，91-100 亏钱）
（1）预测：
观点：我认为这个股票肯定可以赚 200%，虽然赌输了会血本无归，但概率太小了，忽略不计。
行动：全部买入
买定离手后，色字开始旋转
平行世界 A:色子落在 77，大概率事件发生，我赚了 200%。
心态：我掌握了世界的真理，我是股神。
平行世界 B：色子落在 91，小概率事件发生，我亏了 100%。
心态：我的运气太差了、垃圾证监会、狗庄
（2）应对：
观点：我认为这个股票肯定可以赚 200%，我知道赌输了会血本无归。我能承受的最大损失是本金的 20%。
行动：根据我能承受的最大损失，我买入了 20%
平行世界 A:色子落在 77，大概率事件发生，我赚了 40%。
心态：这次果然赢了这个策略是可行的，下次继续。
平行世界 B：色子落在 91，小概率事件发生，我亏了 20%。
心态：这次运气比较差，但我还有再战之力。只要这个游戏能一直玩下去，我总能赢。
最后的最后，根据上面的事例，抽象汇总成数学语言，留下 3 张图。估计比较晦涩，看得懂的人不多，也是赠与有缘人。提示一点，鸭蛋 2020 年 6 月所投资的工具，它的收益概率分布形状是怎么样的？
(opens new window) 
(opens new window) 
(opens new window)
# 交易不同人的风险和收益可能是最好的投资方式
我有一个朋友是我在交大读研时的同学，现在在某中型基金公司担任信用债研究员，借择时主贴写一下最近和朋友交流的感受：
前几天一起吃饭，交流的过程中，我发现大家其实对事物的认知能力的差异是没有那么大的。但由于自身所处的角度以及心理预期的目标不同，会导致在同一事实下做出完全不同的价值判断及交易决策。
# 收益、风险目标及投资约束分析
我对自己的收益及回撤要求是：保底年化 10%以上，目标做到 30%左右，回撤控制在 10%以内。
投资约束：我的投资范围几乎没有什么约束。
我的朋友是债券研究员，以公募债券基金的视角出发，目标是在保证 4-5%的基础上能做出超额收益，目标是跑赢其他基金经理。对回撤没有明确要求，但一般回撤超过 3%就 gg 了。
投资约束：只能使用交易所和银行间的利率债、信用债以及可转债进行投资。
对她而言，也是追求绝对收益，甚至比我更甚，因为亏钱的债券基金经理是要被巨额赎回的，过不了几天就下岗了。研究员的压力也是一样的，因为基金经理会传导。
# 不同目标与不同约束导致的投资重点及观点差异
（1）转债的交易
我们都投资转债，但聊着聊着，发现基本上话不投机。我研究的他们不看，他们研究的我不关注。原因在于我站在股票（期望收益 10%以上）的立场上希望通过可转债获得较为确定性的收益。而她站在债券（期望收益 4-5%）的立场上希望通过可转债获得业绩的弹性。
所以我关注的都是和集思录风格类似的低风险条款博弈，以期获得短周期的确定性小收益（持有期 4-8 周以内，预期收益 2-8%）。而她关注的是正股的质地和潜在上涨空间，以期获得长周期的有较强不确定性的大收益（持有期半年至一年，预期收益 10-30%）。
我仔细思考了一下原因，并罗列了之前已经展现了我们两个人的投资目标及边际约束，发现核心点在于我的出发点在于股票，我拥有较高的预期收益基准和大量的不确定性，对我而言确定性是稀缺的。我需要寻找到一些来自债券的确定性以达成稳健的目标。而她的出发点来自于债券，对她而言，来自债券的收益确定性是过剩的，公募基金的个股研究能力是足够的，但稀缺的是业绩弹性，用以拉开和其他基金经理之间的差距。
所以，我们在可转债这个既可以提供弹性又可以提供确定性的品种上产生了交集，但有意思的是，由于我们的需求不同，有时候我们交易的品种完全不同，而且我这个做股票的人会认为她持有的品种风险太大，而她这个做债券的人会认为我持有的收益太低。
但有的时候，当我们在交易同一个品种时，我们就往往会成为交易对手。而且各自获取了自己认为合适的那部分收益和波动，这意外地和我前几天写的“吃 IC 贴水的本质”一文中的利用 IC 对风险和收益进行交换的逻辑类似。
（2）信用债的交易
我持有南山债，我们对这个品种的观点进行了交流：
她的观点：
1.宏观视角：宏观流动性向下，21 年信用利差扩张（不利）
2. 民企无外部支持（不利）
3. 从 2020 年以来，除了一个疫情特别债以外一直发不出债，获取流动性的能力很弱（不利）
3. 银行端对南山非常歧视，能不抽贷就算挺好的了（不利）
4. 业绩波动性很大，不够稳定（不利）
核心观点：这家公司的券连库都入不了，肯定不会拿。
这个品种对我而言是目前确定性最强的债券品种。我是这样理解的：
- 宏观视角：宏观流动性向下，信用利差扩张（不利）
- 行业角度：大宗周期向上，铝价向上概率大于向下（有利）
- 个股视角：企业资产负债表状态很差，但停止恶化，且盈利和现金流改善（有利）
- 治理角度：股东从 19 年不断处置资产，是收缩的态势（有利）
- 股东视角：大股东质押率很低，且股价在涨，大股东就算没钱难道不能拿股票质押一点换钱吗？（非常有利）
核心观点：这家公司违约概率很小
比较我和她的核心观点差异，我发现主要在于能力圈和投资视角两个维度的差异。能力圈方面主要是我对大宗周期非常确定，这是来自我宏观策略的判断能力。但除此之外，我们的知识结构并无差异，但视角不同，以及各自的固有认知不同导致了我们对同一个品种的观点差异。
视角差异归因分析：
1.她有大把的城投、国企买，为什么要买民企？如果出一个暴雷今年奖金拜拜，两个卷铺盖走人。如果城投违约，那么全市场机构投资者 N 万亿的城投都违约，天塌了整个资管行业大家一起扛。如果南山违约只有基金经理和信评两个人扛。
2. 他们长期拿 N 年的债券，所以他们关注波动性，关注同行业对其的看法，关注银行对其的看法，不愿意做太大的偏离。我只拿几个月内会到期的债券，我只看资产负债表，现金流量表、利润表和我关系不大
3. 我关注股权和公司治理方面的问题，比如股权质押。他们拿的债大部分不是上市公司，所以这个部分不是标准筛选流程，忽略了。
4. 上市公司的公司债在整个债券市场而言，存量和成交量太小，研究和交易性价比不高，不太值得机构投资者花大功夫研究。
回想一下，其实市场有很多类似的由于思维模式不一致导致的 alpha 机会。我曾经遇到一家公司，定增刚发行了 30 个亿，一个月后有 5 亿债券到期，然后债券价格才 97 元。有一些时候，股价不断在涨，而债券价格还在下跌，那么一定是有一方错了，或者出现了投资久期和投资预期的错配。某家已经成功发行转债的上市公司，可转债的资金一分还没用，而当时其信用债的年化一度高达 6%以上等等诸如此类。
所以有些人在用债券的思路玩债券时，用其他视角的思路玩债券或许会发现一些定价错误，而这可能是我们超额收益最容易的来源。
# 金钱永不眠——资产定义与资产配置结合后的化学反应
本篇为在本帖中的最后一篇分享文章，之后的分享文章会在新贴中发布。本文的主要内容其实之前在各个帖子中陆续传达过相关理念，但与资产配置相关，承上启下，因此再次整理写出。因为要整理出完整的逻辑链条，所以会比较长。
在昨天的文章中，我们提出了狭义择时是两个资产的性价比替换，而广义择时是多个资产的性价比替换，因此广义择时的本质就是资产配置。
**下面，我们讨论一下资产的定义。**我们一般所指的某资产（狭义资产）往往指的是某一个特定种类的现金流回报的投资标的。
比如：
债券的现金流往往体现为：第 1 期大额现金流出，N 期稳定可预期的小额现金流入（利息） 最后 1 期大额现金流入。同时第一期与最后一期现金流往往在名义价值上大致相近。
股票的现金流往往体现为：第一期的大额现金流出后，N 期不可预期的小额现金流入
大宗商品的现金流往往体现为：第一期的大额现金流出后，第二期的大额现金流入（非生息资产的特征，通过买入卖出产生现金流）
我们通常把符合这一类现金流模式和现金流权利相近的投资标的成为同一类资产，这就是狭义资产。
接下来，我们承接我在《分散投资的数学原理》一文中的思想，推广资产的定义。
1》广义的资产就是通过一定成本获取的一个可以提供现金回报流的资源。
举个例子，一个套利策略是由 100 元折价 1%的 1 个月后到期的折价基金和 100 元融券空头（或股指期货）构成。
基于构建该策略的逻辑，这个套利策略可以在一个月稳定获得 1%的收益。那么它本身形成了一个特殊的资产，已经不属于股票资产范畴了。因为它的现金流回报方式，收益预期以及收益的波动率已经与我们通常所指的股票类资产有很大的不同。
由此，我们进一步推论：
2》只要回报的收益率分布呈现出不同的结构，那么他们就可以被定义为两个不同的资产。
或者反过来说，回报的收益率分布呈现出相近的结构，那么他们就可以被定义为类似的资产。
因此，在我的眼中，久其转债（回售预期下的下修预期收益率策略驱动资产）和前几天没涨时的中新药业（要约事件驱动下的）是属于同一类资产。它和英科转债反而不是同一个资产，因为前两者的现金流驱动模式、收益预期及波动率的结构更加接近。
你们看到孔曼子老师买了套利股、st 股，好像都是股，我看来，本质上他们买的根本是不同的资产。所以你跌的时候它涨，你涨的时候它跌，实现了低回撤下的相对高收益和稳健的净值曲线。
为什么要复杂化把资产做重新的定义？
因为这样才能更准确地度量组合所承担的风险，以便在买入资产（卖出风险买入收益）时清楚地知道自己所卖出的风险的形状（均值、中位数、极值、偏度等）
如果再进一步推论，股票、债券等资产是离散的两个狭义资产。由于我们可以自由组合各类资产对其进行配比，并定义：10%股票配 90%债券是一种资产，20%股票配 80%债券是一种资产，以此类推。
他们两者之间的风险和收益通过凸函数的形式进行了链接。我们发现：
3》资产的概念可以通过这样的由此从一个个离散的点通过资产组合的方式转化为一个连续函数的概念。
某个资产变化的只是收益率的概率分布函数，他的收益结构可以通过多个“离散资产”的线性组合构成，而波动率则由资产的波动率组合公式决定。
两者结合起来，就是根据当前可知收益风险结构的那些资产（每个人的能力圈不同，这些资产也不同），结合自己的风险偏好与预期收益，对资产进行组合配置，或者说进行择时配置。就好像前几个月 @持有封基 (opens new window) 老师卖出赛道股，买入低估值股票那样。
昨天封基老师在我的帖子下评论说，他永远满仓。孔曼子老师也永远满仓，我也永远满仓。但根据我自己的理解，我们控制的是我们组合的整体风险，而非单一资产的风险。即，由于资产价格的动态变化，曲线（马科维兹有效前沿）会自发移动，因此从数学上，动态地，我们也在通过部分资产的调整，调整整个曲线的形状，以及自己在曲线上的位置。
下一步的问题：
资产和风险的关系解决的过程，风险偏好解决的过程，持有久期问题解决的过程，也就是我们在投资中对自身认知的过程。当这些问题都解决后，我们需要填入具体的资产以及其所附带的风险、收益（结构）了，那么如何预期收益，如何度量风险就是实际的问题，或者说我们对这个客观世界认知（与自身认知对应）的过程。
或者说，用上面的收益风险坐标图来说，
（1）我们要找到我们现在持有的资产到底在资产收益风险图的哪个位置。
（2）马科维兹定义的收益和风险是分别用收益率和标准差来定义的,一维的点估计。而我们定义的收益和风险更加立体，是多维的，通过概率分布的方式定义的潜在特征分布函数。
定位的方法取决于解决的方法的维度：
要度量风险和收益，则需要一套对风险进行评价的系统，通常而言大类资产上用宏观解决风险问题，中观资产上用现金流预期解决问题，微观资产上用逻辑解决问题。解决的问题角度越小，确定性越强，但同时资金容量越小。背后的逻辑很简单，越大的问题影响因素越多，不确定性越强。
集思录上大部分的人都是在解决微观问题，所以我们看到的大部分是规则套利，这符合风险回报比例，因为没有那么多资产需要管理。小问题解决小资产，确定性高，变量少，问题简单，性价比高。
比方说，吸收合并策略，目前整个市场的容量大概也就是 2-5 亿以内。对大部分人而言足够了，需要的工作也就是读完所有相关报告，评估性价比，盯住公告，非常简单。但当我把自己的资产从十万级管理到百万级时我就计划未来有一天要面对管理亿级资产的问题，因此我开始逐渐研究如何解决越来越大的问题。我的解决方案有两个：
1.横向扩充：研究 10 个微观策略，则总资金容量扩大 10 倍=》引导向多策略
2.纵向扩充：把研究的问题放大，则不确定性放大，则资金容量大幅扩大。=》引导研究宏观策略与资产配置之间的关系
当这两年，我的资产从百万级到达千万级时，我已经发现自己开始逐步受益于这些研究。从下一篇投资理论文章开始，我会新开一个帖子，着重介绍我对资产配置以及宏观策略的理解。
本帖会继续日频更新到本周五，然后继续在新贴更新。同时，对更新频率做微调，即每日更新观点，并周频更新净值曲线，以免大家过度关注某一个单一策略。
本文结束
# 原文链接
从 10 倍到 1000 倍——A 股择时的研究方法与实战（择时实盘直播） - 集思录 (opens new window)