在过去的12个月里，我用了三份备忘录来讨论宏观发展、市场前景和投资者行为建议。这些都是重要的话题，但通常不是我最感兴趣的话题；我更喜欢讨论可能在未来几年影响市场运行的事情。由于环境与我在这三份备忘录中所描述的几乎没有变化，我觉得我现在有权转向一些更大的问题。

这份备忘录涵盖了证券市场似乎正在朝着减少人的角色的三个方向发展：（a）指数投资和其他形式的被动投资，（b）定量和算法投资，以及（c）人工智能和机器学习。

在深入探讨之前，我想大声明确地说，我并不自称是这些方面的专家。上述第一点我已经研究了几十年；我最近对第二点有了一些了解；我正在努力赶上第三点。另一方面，由于这些领域的许多“专家”都参与其中，我认为他们可能倾向于将他们作为传统积极投资的潜在接班人。接下来的只是我的意见；你应该一如既取你所需。

一、被动投资与ETF

我已经多次讲过这个故事，但我想在此重复一下，为接下来的故事打下基础。我在50多年前的1967年9月来到芝加哥大学商学院（还不是布斯商学院）。金融与投资理论的“芝加哥学派”在60年代初在芝加哥发展起来，刚刚开始教授。它有条不紊地建立在理论基础上，同时也建立在对投资者此前所做的事情持相当怀疑态度的基础上。

其中一个主要的基础部分是“有效市场假说”及其结论：“你不能击败市场。”首先有一个合乎逻辑的论据：很明显，所有的投资者都必须在费用和费用之前做平均值，然后在平均以下。然后有经验证据表明，几十年来，大多数共同基金的表现都落后于标准普尔500指数（Standard&Poor's 500）等股指。

我的教授们在20世纪60年代末的回答很简单，尽管是假设性的和幻想性的：为什么不买指数中每家公司的股票呢？这样做可以让投资者避免大多数人犯下的错误，以及与其努力相关的绝大多数费用和成本。而且，至少他们可以确信，他们的表现符合指数，而不是落后于指数。据我所知，当时没有人这样投资，也没有公开的机构（实体）来做：没有“指数基金”，也没有“被动投资”。我认为这些术语甚至不存在。但这些逻辑清晰而令人信服，根据维基百科的以下引文（向Richard Masson道歉，我对消息来源的愧疚，因为我依赖它）：

1973年，伯顿·马尔基尔（Burton Malkiel）在《华尔街随机漫步》（Random Walk Down Wall Street）一书中向公众展示了学术研究成果。众所周知，大多数共同基金都没有超过市场指数。马尔基尔写道：我们需要的是一只无负载、最低管理费的共同基金，它只需购买构成广泛股市平均水平的数百只股票，不进行从证券到证券的交易，试图抓住赢家。每当发现任何一只共同基金的业绩低于平均水平时，基金发言人都会迅速指出“你买不到平均水平”。现在是公众能够做到的时候了...（纽约证交所）能提供的最大服务莫过于赞助这种基金，并在非盈利的基础上运作. . .这种基金是非常需要的，如果纽约证券交易所（顺便提一句，它曾考虑过这种基金）不愿意这么做，我希望其他机构也会这么做。

第一只指数基金出现在那时。维基百科再次指出，旨在追踪道琼斯工业平均指数的Qualidex基金的注册声明于1972年生效。我没有理由相信它吸引了许多投资者。

但后来杰克·博格尔(Jack Bogle)在1974年成立了先锋集团，先锋的第一个指数投资信托基金于1975年的最后一天开始运作。当时，它被竞争对手嘲笑为“非美国人”，基金本身也被视为“博格尔的愚蠢行为”。富达投资（Fidelity Investments）董事长爱德华•约翰逊（Edward Johnson）说，他“不相信广大投资者会对获得平均回报感到满意。”博格尔的基金后来更名为先锋500指数基金，跟踪标准普尔500指数。它最初的资产相对较少，为1100万美元，但在1999年11月跨越了1000亿美元的里程碑。（维基百科）

指数投资的优点是显而易见的：大大降低了管理费用，将交易和相关的市场影响和费用降到最低，避免了人为失误。因此，指数投资是一个“不能输”的策略：你不能不跟上指数。当然，这也是一个“赢不了”的策略，因为你也赢不了指数（两者往往走在一起）。

指数或被动投资起步相对缓慢。在早些年，我觉得这被当作是一个奇怪的现象或副业：也许是一个候选人取代了一个或两个机构投资者的积极管理者。与传统股票和债券投资（如新兴市场股票、私人股本、风险投资、高收益债券、不良债务、木材和贵金属）的许多潜在替代品一样，一些机构向指数基金投入了少量资本，但很少能有意义地改变其整体投资组合的表现。极少机构（如果有的话）将被动投资作为其投资组合的重要组成部分：因此，它增加了一点情趣，但不是一道主菜。

资产继续流向被动管理的经验证据表明，许多主动管理者仍落后于指数。在过去的十几年中，有很多年出现了明显的落后，而我不知道有多少年恰恰相反。因此，被动投资的趋势稳步增强（例如，先锋500指数基金目前为4100亿美元）。晨星数据显示，从2005年到2011年，投入主动和被动股票型共同基金的金额大致相似，但2012年流入被动基金的速度加快，而流入主动基金的资金开始减少，2015年变成了流出。根据《洛杉矶时报》，2017年4月9日：

被动投资的传统美国股票共同基金目前持有1.9万亿美元资产，是2007年的三倍。再加上另一种指数投资组合美国股票交易所（U.S.equity exchangetraded funds）的1.7万亿美元，被动型基金的总资产占美国股票基金总资产的42%，较2010年的24%和2000年的12%大幅上升。

鉴于上述《洛杉矶时报》的报导，我现在想介绍交易所交易基金。上世纪90年代，为了与指数共同基金竞争，基金经理们想出了一种参与市场的新方法。尽管投资者只能在每天交易结束时投资或赎回共同基金，但在计算每日收盘净资产价值（或资产净值）时，ETF可以在任何交易所开放时像公司股票一样买卖。交易更加自由的能力吸引了ETF的大量关注。尽管指数型ETF开创了这一新领域并在ETF份额中仍然占比很高，但如今还有许多其他类型的ETF。

在20世纪末，“指数投资”和“被动投资”是同义词：旨在被动模仿市场指数的工具。但现在不同了。今天这叫做指数投资。被动投资已经不仅仅包括指数基金和指数ETF，还包括根据投资组合构建规则进行投资的“智能贝塔”ETF。把它们看作是积极设计的、基于规则的工具。一旦制定了规则，他们就会毫无顾忌地遵守。就像我一年前写的：

为了发展业务，ETF的保荐人已经转向了“更聪明”的被动投资工具。因此，ETF的组织是为了满足（或创造）对特定领域的资金需求，例如各种股票类别（价值或增长）、股票特征（低波动性或高质量）、公司类型或地理位置。有些ETF是为那些想要增长、价值、高质量、低波动性和动力的人而设计的。到了极端，投资者现在可以从那些被动投资于具有性别多元化高级管理层的公司的基金中进行选择，实行“殿堂级负责任的投资”，或者专注于医用大麻、肥胖解决方案、为千禧一代服务、威士忌和烈酒等。

但是，当投资工具的焦点被定义得如此狭窄时，“被动”意味着什么？与广义指数的每一个偏离都会引入定义性问题和非被动的自由裁量决定。强调反映特定因素的股票的被动型基金被称为“聪明的beta基金”，但谁能说，制定选股规则的人比如今受到如此不尊重的主动型基金更聪明呢？地平线动力公司的史蒂文·布雷格曼（Steven Bregman）称之为“语义投资”（semantic investment），意思是股票的选择是基于标签，而不是定量分析。[例如，他指出，由于埃克森美孚规模庞大且流动性强，因此它既包括在增长型ETF中，也包括在价值型ETF中。]没有绝对标准可以证明股票具有上述许多特征。

根据维基百科的数据，“截至2014年1月，美国共有超过1500只ETF交易。与之相比，威尔希尔5000总市场指数中有3599只股票（按巴伦指数计算）。对我来说，ETF的数量和种类提醒我，金融业习惯上渴望在好时机满足人们在市场上“采取行动”的愿望。另外，我们应该如何看待那些被设计成以指数的倍数升值或贬值的杠杆ETF呢？

以上就是背景。现在我要谈谈被动投资的含义及其日益流行。第一个问题是，“被动投资明智吗？”

在被动投资中，没有人在研究公司，评估它们的潜力，或者思考什么样的股票价格是合理的。也没有人会主动决定是否将特定股票纳入投资组合，如果是，应该如何加权。他们只是在模仿指数。

投资时完全不考虑公司基本面、证券价格或投资组合权重，这是个好主意吗？当然不是。但是，被动投资通过依靠主动投资者来履行这些职能，从而消除了这种担忧。关键在于记住为什么有效的市场假说说主动管理是行不通的，因此为什么它期望每个人（不管是好运气还是坏运气）最终都能得到对风险承担者公平的回报。不多也不少。我在“他们又来了”一文中提到了这个。同样，这将是接下来三篇引文的来源：

“. . . 被动投资的智慧来源于这样一种信念：主动投资者的努力会使资产定价合理——这就是为什么找不到便宜货的原因。”

股票在指数中的权重来自哪里？从活跃投资者分配给股票的价格。简言之，在产生指数投资和被动投资的世界观中，主动投资者承担着证券分析和定价的重任，而被动投资者通过持有完全由主动投资者决定的投资组合而获得自由。没有积极投资者的努力，就没有资本化权重可以效仿。

具有讽刺意味的是，正是积极的投资者——被消极的投资人群嘲笑——决定了指数投资者购买股票和债券的价格，从而建立了决定指数基金所仿效的证券指数权重的市场资本结构（market capitalizations），如果主动投资者如此缺乏洞察力，那么被动投资者听从他们的指令真的有意义吗？

如果活跃的投资者放弃了这项工作会怎么样？因此，第二个问题是，“被动投资对主动投资有什么影响？“如果广泛的主动投资使主动投资不可能成功（根据有效市场假设，使市场过于有效，证券价格过于公平），那么被动投资的日益普遍是否会使主动投资再次潜在地盈利？

“. . 当大部分股权投资被被动管理时会发生什么？然后，价格将更自由地偏离“公平”，便宜（和定价过高）应该变得更加普遍。这并不能保证积极管理者的成功，但肯定会满足他们努力有效的必要条件。”

为了使价格发现不足以使价格与公允价值保持一致，有多少投资必须是被动的？没人知道答案。目前，约有40%的股票型共同基金资本是被动投资的，而机构间的投资可能正朝着这个方向发展。这可能还不够；大多数资金仍在积极管理，这意味着许多价格发现仍在进行。当然，100%的被动投资就足够了：你能想象一个没有人研究公司或评估其股票公允价值的世界吗？我很乐意成为这个世界上唯一的投资者。但是，如果价格在40%到100%之间开始偏离内在价值，那么积极投资的价值又有多大呢？这就是问题所在。我不知道，但我们可能会知道的。. . 为了积极投资的利益。

第三个关键问题是：“被动投资和指数投资是否扭曲了股价？“这是一个有趣的问题，可以从几个层面上回答。

第一个层次是资本加权指数（cap-weighted）中股票的相对价格。人们经常会问，流入指数基金的资本是否会导致指数中权重最高的股票相对于其他股票的价格上涨。我认为答案是“不”。假设给定指数中股票的市值总计为1万亿美元。进一步假设指数中一只受欢迎的股票（可能是FAANGs之一）的市值为800亿美元（占总市值的8%），一只较小、不受欢迎的股票的市值为100亿美元（1%）。这意味着，每10万美元的指数基金中，8000美元在前一只股票中，1000美元在后一只股票中。这进一步意味着，每增加100美元的指数投资，8美元将进入前者，1美元进入后者。因此，由资金流入引起的对这两只股票的购买不应改变它们的相对价格，因为它代表了它们各自资本化的相同百分比。

但这并不是故事的全部。第二个层次的分析涉及的是属于指数的股票与不属于指数的股票。显然，随着被动投资的增加，流入指数组成部分的资本将比流入其他股票的资本更多，资本可能会从不属于指数的股票中流出，从而流入那些属于指数的股票。很明显，这可能导致指数中的股票相对于非指数股票的升值，原因并非基本面因素。

第三个层次涉及聪明贝塔（smart-beta）基金的股票。一只股票在接受资金流入的非指数被动工具（ceteris paribus，在其他条件都不变的情况下）中持有的越多，相对于非指数被动工具，它升值的可能性就越大。而像亚马逊这样被大量各类聪明贝塔基金的持有的股票，相对于那些不被持有或只被持有少数的股票，可能会升值。

综上所述，一只股票被加入指数基金或聪明贝塔基金是人气增加的一种人为形式，是相对人气决定了短期内股票的相对价格。

“近期表现最好的基金所持有的大量头寸（市值不断膨胀）意味着，随着ETF吸引资金，它们必须购买大量此类股票，从而进一步推动其上涨。因此，在当前的上涨周期中，过度加权、流动性强的大盘股受益于被动工具的强制购买，被动工具没有选择权仅仅因为股价过高就不购买股票。

就像2000年的科技股一样，这台看似永动机的机器不可能永远工作下去。如果资金从股票和ETF中流出，那么被不成比例地买入的股票将不得不被不成比例地卖出。目前尚不清楚，如果指数基金和ETF必须在危急关头抛售，它们的超权重、高升值资产将在哪里找到买家。通过这种方式，被动购买推动的升值最终很可能是轮动性的，而不是永久性的。”

ETF的大幅增长及其受欢迎程度与大约9年前开始的市场反弹不谋而合。因此，我们还没有一个有意义的机会看到它们在市场下行时的运转情况。在ETF中，市场宠儿的加入和权重过高（这可能是推高其价格的一个需求来源）是否会成为宠儿在市场退潮期间承受高于平均水平的抛售压力的来源？它是否会进一步压低它们的价格，并导致投资者越来越多地转而反对它们和持有它们的ETF？我们不知道，直到它真的发生，但不难想象的是，在繁荣时期推动ETF增长的受欢迎程度在不景气时期对ETF不利。

第四个问题：“随着指数的形成，相对于简单地按市值比例购买股票，投资指数的过程能否得到改善？“多年来，我在加州的朋友罗布·阿诺特（Rob Arnott）在研究分支机构中一直主张在基本面指数的基础上进行被动投资，而不是市场加权指数。罗伯是我们这一领域真正的思想家之一，我不会试图重述他的全部论点，我也没法公平的做这件事儿。

不过，可以说，一家拥有一定收益的公司，市盈率（PE）越高，其（在指数中的）市占率越高， 被“爱”得更多。因此，在其他条件相同的情况下，价格越高的股票在指数中权重越重。你想把更多的指数投资投入更昂贵的股票还是那些更便宜的股票？我宁愿选后者。因此，按照纳入指数股票的收益而不是市值的比例来投资指数股是有意义的。

第五个问题：“ETF及其受欢迎程度有什么天生的问题吗？“ETF只是另一种购买股票和债券的工具。它们本身既不好也不坏。但我对ETF的一种影响怀有担心，要解释清楚，得从投资ETF的人的期望（expectations）谈起。

我的想法可以追溯到ETF最初受欢迎的原因：在市场开放的任何时候买卖ETF的能力。我敢打赌，很多使用ETF的人之所以这么做，原因很简单，他们认为ETF“流动性更强”，这里面有几个问题。

首先，正如我在《流动性》（2015年3月）一文中所写的那样，某物能够合法出售，或有市场可供出售，这一事实可能与它总是可以以本质上公平或接近其最后售价的价格出售的事实大不相同。如果坏消息或投资者心理的低迷导致市场下跌，ETF持仓者总是会有一个可以卖出的价格，但这可能不是一个“好的交易执行”（good execution）。收到的价格可能代表标的资产价值的折价，也可能低于市场运行时的价格平稳的中枢（even keel）。

如果你从共同基金中退出，你会得到当日标的股票或债券的收盘价、资产净值或资产净值。但当你卖出一只ETF时，你得到的价格——就像交易所里的任何证券一样——只会是买家愿意为之付出的价格，我怀疑在混乱中，这个价格可能会低于标的证券的NAV（资产净值）。他们的设计者说，机制已经到位，可以防止ETF价格与NAV出现实质性背离。但在市场严重崩盘之前，我们不知道“应该”和“将”是否相同。

有些人可能错误地认为ETF的流动性比其标的资产更高。例如，高收益债券ETF非常受欢迎，可能是因为购买ETF比组合单个债券要容易得多。但在危机中，高收益债券ETF比标的债券（它们本身可能变得相当缺乏流动性）更有流动性的可能性有多大？弱点在于，假设一个工具能够提供比其基础资产更多的流动性。事实上，ETF可能被证明缺乏流动性，这并没有错。如果投资他们的人在他们需要流动性的时候没有流动性的预期，问题就会出现。

今年3月，我注意到彭博社的一则报道，内容是Matt Pasts管理的价值9亿美元的BTS战术固定收益基金（Tactical Fixed Income Fund），该基金在2月9日从“几乎全是垃圾债券”变成了现金：

“[BTS]没有雇佣信贷分析师来研究债券的基本面。Pasts是一个市场计时器，试图判断整个高收益资产类别的价值是上升还是下降。他观察趋势和动量指标，比如跟踪垃圾债券市场的交易所交易基金价格的移动平均值。如果不是垃圾，BTS要么是美国国债，要么是现金。

完全在市场内外交易对BTS来说很简单，因为基金并不直接持有债券。相反，它几乎完全通过ETF进行投资（这对于基金很少见）。1月下旬，在出售之前，BTS在两大垃圾债券ETF中拥有约95%的资产。"

抛开经理人是否能通过预测市场短期走向来增值的问题不谈，我对此持高度怀疑态度。我想，总有一天，这位投资者可能会希望进行一项在“真正的”高收益债券市场上行不通的交易，他会发现这项交易不可能通过ETF实现或者。简言之，在我看来，建立一个策略，围绕着这样一个假设，即ETF总是可以指望以公平的价格让你迅速进入或退出一个流动性不足的市场，这似乎是不现实的。当潮水退去时，这件事的真相将变得清楚。

                                                   * * *

被动/指数投资之所以起步，是因为有一种观点认为，随着积极投资者为证券设定“适当”的价格，股市将一如既往地继续发展下去。这将使被动投资者能够参与市场——组合模仿指数的投资组合，在主动投资者所做的工作和价格发现上“搭便车”——而不必承担他们在分析报告中的份额。

但这忽略了乔治·索罗斯自反性理论背后的现实：市场参与者的行为改变了市场。一个市场中的任何事物都不会永远持续、独立和不变。市场只不过是其中的人和他们所做的决定，而这些人的行为塑造了市场。当人们对某些股票的投资超过其他股票时，这些股票的价格就会相对上涨。当每个人都决定不履行分析、价格发现和资本配置的职能时，市场价格的适当性就会消失（这是被动投资的结果，就像在盲目的繁荣或萧条中一样）。归根结底，具有讽刺意味的是，被动投资的智慧取决于一些人的积极投资。当主动投资完全退出，所有主动投资都停止时，被动投资就会变得轻率，主动投资获得更高回报的机会就会重新出现。至少我是这么看的。

二、量化投资

我的下一个主题——正如我所说，我只是在学习（因此我写得有些忐忑不安）——用了诸如量化、算法和系统投资等名称。在这个备忘录中，我将使用其中的第一个。据我所知，量化投资包括建立一套规则（也许在计算机的帮助下），并让计算机执行这些规则。

量化投资至少有两种主要形式。第一种可能被称为“系统因素投资”。过程如下：

1、管理者对历史上的一段时期进行检查，结果表明，较高的回报率与某些“因素”有关。因素是证券的特征属性，如价值、质量、规模和动量。也许在一个特定的时期，表现最好的股票的特点是价值高，质量高，资本化大，最近的升值（或“动量”）。因此，经理的结论是，他的投资组合应该包括在这些因素中排名靠前的股票。（当然，这些因素并不总是导致高于平均水平的回报；如果情况发生变化，增长、低质量、小规模和最近的表现不佳可能与更高的回报有关。）

2、经理指示计算机搜索能提供大部分资金要素的证券。因此，例如，计算机可以基于包括市盈率、企业价值/EBITDA、市净率和价格/自由现金流比率在内的度量，以及特定行业的度量，例如石油公司的价格与储量的比率，来搜索价值。

3、然后，管理者告诉计算机以什么比例来加权搜索条件，然后计算机系统地继续向投资组合中填充证券，以提供最佳的组合因素。

4、最后，指示计算机评估伴随的风险。投资组合是优化的，甚至约束了最具吸引力的组成部分，以限制个股或行业的代表性，以及股票之间可能存在的相关性所带来的风险。投资组合是根据规则公式推导出来的，通常不需要人为干预。

该过程的最终产品是一个组合，根据算法，该组合将以最小的风险提供最高的预期回报（假设与过去较高回报相关的因素在未来将继续如此相关，并且资产将像过去一样具有波动性和相关性）。

定量投资的另一种主要形式是“统计套利”或“统计套利”。例如统计套利，假设一个投资者想购买10万股XYZ，而该股的市场价格为20.00美元/20.01美元（可能5000股的出价为20.00美元，8000股的出价为20.01美元）。经纪人以20.01美元的价格买进8000股。下一次发行价为6000股，每股20.02美元，由经纪人认购。然后卖家以20.03美元的价格提供5000股股票，经纪人也会接受。这一购买可能会使市场涨到20.03/20.04美元。

quants们的计算机注意到了这样一个事实：市场已经上涨，股票已经以越来越高的价格买进。

1、如果其他股票没有以类似的方式移动，计算机得出结论，这些事件是“特殊的”——与那只股票有关——而不是“系统的”，或者在整个市场上都存在。

2、如果该股票的价格有异乎寻常的上涨，而公司没有任何消息可以解释，电脑会得出结论，股价上涨是因为投资者买入，而不是基本面的发展。

3、计算机将价格变动视为经纪人努力填补投资者订单造成的短期混乱。

4、它还根据迄今为止的交易、当前市场和订单簿（order book）的状态来决定，为此目的进行的购买很可能继续以高于在没有购买的情况下股票价格进行。（It also decides on the basis of the trading to date, the current market, and the status of the order book that buying for that purpose is likely to continue to take place at prices above where the stock would be in the absence of that buying.）

5、因此，计算机决定数量应该“卖空”股票（出售不拥有的股票）给提高价格的买方，前提是数量能够覆盖后者，当购买停止，价格下降。今天有可能以20.03美元或20.04美元的价格卖出股票，这些股票可以在几天内以20.00美元或20.01美元的价格回购。

6、因此，量化交易者提供了流动性（否则将不存在流动性），并愿意隔夜持仓。作为交换，他所提供的股票比买回所需支付的要多出几分钱。

我们可以说，在很大程度上，统计套利（stat-arb）计算机对一只股票的价格与其他股票或整个市场的价格之间的不平衡做出了反应，它的作用是假定这种关系将恢复正常。所赚的“每一分钱”并不是什么大不了的事情（在上面的例子中，可能是0.1%的利润），正如文艺复兴在2014年就其核心大奖章基金向参议院小组委员会发表的一份声明中所说，“文艺复兴开发的模型...做出盈利预测的频率要比没有盈利的频率稍高。"但如果你做得足够频繁，杠杆率足够高，统计套利可以产生有意义的股本回报。

这就像上世纪90年代末长期资本管理公司（Long-Term Capital Management）所做的那样，寻找可以套利的统计差异。该公司的一位高管称，该公司所做的是环游世界，捡拾五分镍币和一角硬币。但在1998年，长期资本管理公司杠杆率极高的投资组合遇到了一个不太可能长的时期，在这段时期内，双方的关系非但没有融合，反而进一步分化。按市值计价的损失导致长期贷款机构要求增加资本；无法做到这一点，该基金就崩溃了；证券行业的领导者不得不接手其投资组合。结果发现，LTCM在一个蒸汽压路机前捡到了硬币和一角硬币，蒸汽压路机赶上了(把他压扁了)。

从长期资本管理经验中吸取的经验教训包括：（a）统计资产负债表的机会在规模上是有限的，（b）针对其的资本同样也必须是有限的，（c）所采用的杠杆必须是合理的，以便投资者能够在那些历史关系和概率不成立的时期生存下来，以及（d）同样，适当对冲市场的整体方向性风险是很重要的。

           * * *

定量投资者对他们的电脑进行编程，以模仿过去盈利或未来预期盈利的行为。换言之，他们为自己的计算机制定了生存规则或公式。关键问题是，在像投资这样一个竞争性、动态性和相互关联的领域，盈利的途径是否可以用一个公式来捕捉，投资环境的变化（也许是因为公式的实施）是否不会否定这个公式的有效性。

就在前几天，我收到了Rosalie J. Wolf的一封电子邮件，她是我们一些客户董事会的前首席信息官兼顾问，询问哪份备忘录中有一段她喜欢用的引语。结果是出自《敢作敢为》（zx-shi翻译）（2006年9月），具有讽刺意味的是，这与上面提出的问题极为相关：

"如何才能取得优异的投资效果？答案很简单：我不仅不知道任何一个公式会导致高于平均水平的投资绩效，但我相信这样的公式是不可能存在的。根据我最喜欢的灵感来源之一，已故的约翰·肯尼斯·加尔布雷斯：赚钱没有可靠的学问可学。如果有的话，学习会很紧张，每个智商为正的人都会很富有。（If there were, study would be intense and everyone with a positive IQ would be rich.）

当然，不可能有一个投资成功的路线图。首先，那些跟随地图的人的集体行动会改变地形，使之无效。其次，每个人都会达到同样的效果，人们仍然会渴望看到前四分之一。必须通过其他途径找到的路线。“

在进一步讨论之前，请允许我详细说明我对一个公式的潜在性的怀疑，这个公式将导致高于平均水平的投资表现。

首先，虽然有一些我认为行不通的投资方式，但也有一些杰出的人在其中取得了成功。我在这里包括积极的贸易，宏观投资和数量投资。最后，文艺复兴和二西格玛（Renaissance Technologies and Two Sigma）因其卓越的表现而享有盛誉。我母亲常说：“只有少数人能做一些事，这证明了大多数人做不到。所以，虽然我不认为我的怀疑总是有道理的，但我确实认为这通常是适当的。从定义上讲，认为大量的人能够得出能够产生优异性能的公式是没有意义的。

第二，关键词是“孤独”（alone），任何旧的公式都无法解开投资成功的秘密。一个特殊的公式，基于特殊的智力和洞察力得出，可以想象，可以做这项工作，虽然可能只是有限的时间。

很明显，一个公式的应用和推广最终会结束它的有效性。假设（在一个极其简单的例子中）你对市场的研究表明，小公司的股票在一段时间内击败了市场，所以你增持了它们。

a） 由于“跑赢大盘”、“超值升值”和“超值表现”往往只是“变得相对昂贵”的反面，我怀疑任何一组股票都能长期跑赢，而不会完全或过高定价，从而为表现不佳做好准备。

b） 似乎同样清楚的是，最终其他公司也会检测到同样的“小盘效应”，并投入其中。在这种情况下，小盘股投资将变得广泛，从定义上讲，不再是优势来源。

重申一下，乔治索罗斯的自反性理论说，市场参与者的行为改变了市场。因此，没有一个公式永远是赢家。对我来说，这意味着通过量化投资获得更高的回报需要不断正确更新公式的能力。由于投资是动态的，定量投资所依赖的规则必须是动态的。

据我在这些问题上的首席导师、高盛（Goldman Sachs）的Raj Mahajan所说，“随着环境的变化和因素的动态变化，当今最好的模型将改变风险敞口。”（例如，它们变得更便宜或更贵）。规则变得越来越复杂，它们能够“学习”（即，它们是“有条件的”或“有背景的”），因为它们了解更多的环境。“持续的更新——而不是仅仅是一个公式”——似乎是任何量化投资人获得长期成功的最低要求。

                                                   * * *

在我看来，虽然这两个”兄弟会的成员“（fraternities）可能会拒绝这种比较，但量化投资与智能beta ETF投资有一些共同点：

1、两者都是基于规则的，追求管理人希望在其持有的股票中拥有的属性。

2、一旦制定了规则，人类（很大程度上）就会把手从方向盘上移开，把实现留给计算机。

我看到的主要区别——它们非常重要——是：

1、数量投资有更多的交易。由于指数基金和ETF是“被动”的，因此对公司基本面和证券价格的吸引力漠不关心，它们基本上是买入并持有的。另一方面，量化投资者的电脑不断地根据算法或规则重新检查他们的投资组合。

2、量化过程更”定量“。正如Steven Bregman所说，聪明beta ETF是基于“语义（semantics）”来购买的：即证券是如何被标记的（对于组内证券没有任何的量化标准without any quantitative standards for membership in groups）。另一方面，量化投资者则是基于对证券基本面和价格的量化评估。

在结束关于量化投资的话题时，我想提到一些与时间框架有关的问题（其中一些问题是我儿子安德鲁提出的）。

1、大多数量化投资都是利用标准模式（taking advantage of standard patterns）（与表现优异相关的因素）和正常关系（如一只股票与另一只股票或市场的通常比率）。

2、Quants们根据这些东西的历史数据进行投资。但如果未来的模式和关系与过去不同，会发生什么呢？

3、大多数量化投资者只在利率下降、通胀率低、波动率低以及这些方面的趋势相当稳定的时期进行过操作，这重要吗？如果利率、通胀和波动率上升或变得更加多变，它们的方法是否会被证明具有足够的灵活来进行调整？如果它们真的上升或变得更加多变，那么quants在制定规则时会使用哪些历史数据？

4、同样，在受数量影响的时期内，投资业绩的历史有限，这是否重要？换句话说，定量投资的增加是否会影响定量投资的有效性，从而改变成功所需要的要素？

我们拭目以待，但肯定不能说大多数量化投资者在这方面都得到了试炼。

三、人工智能与机器学习

由于我现在已经远远超出了我的技术专长的限制，我将再次依靠维基百科来介绍以下主题的讨论：

”人工智能是由机器表现出来的智能，而不是由人类和其他动物表现出来的自然智能。在计算机科学中，人工智能研究被定义为对“智能体”的研究：任何感知环境并采取行动使其成功实现目标的机会最大化的设备。通俗地说，术语“人工智能”是当机器模仿“认知”功能，即人类与其他人类头脑的联系，如“学习”和“解决问题”。截至2017年，人工智能的能力通常包括成功理解人类语言、在战略游戏系统（如国际象棋和围棋）中的最高水平竞争、汽车自动驾驶、内容交付网络中的智能路由和军事模拟（intelligent routing in content delivery network and military simulations.）。人工智能研究的传统问题（或目标）包括推理、知识表示、规划、学习、自然语言处理、感知以及移动和操作对象的能力。”

换句话说，人工智能意味着机器的思考能力。定量投资包括给计算机下达指令。但是，一台具有人工智能的计算机可以自己想办法做什么。正如《投资者商业日报》（Investor's Business Daily）5月10日所说，“人工智能使用计算机算法复制人类学习和预测的能力。”

Bernard Marr在《福布斯》（Forbes）杂志（2016年12月6日）上对人工智能和机器学习进行了区分：

“简而言之，最好的答案是，人工智能是一个更广泛的概念，即机器能够以我们认为“智能”的方式执行任务。机器学习是当前人工智能的一个应用，其基础是我们应该真正能够让机器访问数据并让它们自己学习。 两个重要的突破导致了机器学习的出现，它正以目前的速度推动着人工智能的发展。其中之一是，1959年亚瑟·塞缪尔（Arthur Samuel）意识到，与其教计算机他们所需要的关于世界和如何执行任务的一切知识，还不如教他们自己学习。第二，最近，互联网的出现，以及产生、存储和提供给分析的数字信息数量的巨大增长。

一旦这些创新到位，工程师们意识到，与其教计算机和机器如何做每件事，不如让它们像人类一样思考，然后把它们插到互联网上，让它们能够接触到世界上所有的信息，这样做的效率要高得多。”

因此，正如这位非技术人员（non-techie）所见，人工智能可以使机器学习成为可能，计算机通过筛选大量数据，识别通往成功的道路。他们不必像量化投资那样遵守美联储的规则；他们自己制定规则。（最优秀的棋手成为大师的方法之一是研究过去的棋赛，观察所做的动作，记住在每种情况下哪个动作最成功，以及对那个动作的最佳反应。但一个人可以学习的游戏数量和可以记住的动作数量显然是有限制的。这就是问题所在：一台足够强大的计算机可以审查每一个游戏，评估每一个动作的后果，并决定将导致成功的动作。因此，如今计算机正在击败大师级的计算机，当他们击败大师级的计算机时，没有人再感到惊讶了。）

机器学习仍处于初级阶段。也许有一天，人工智能和机器学习将允许计算机作为市场的完全参与者，实时分析和反应大量的数据，其判断和洞察力水平相当于或优于许多投资者。但我怀疑它会很快出现，索罗斯的自反性理论提醒我们，所有这些电脑都有可能以某种方式影响市场环境，使它们更难取得成功。

四、对投资的影响

直到第十四页，我才开始讨论促使我开始写这篇备忘录的问题：这些事情对我们职业的未来意味着什么。

对我来说，指数和被动投资的情况很明显：

1、大多数人不能也不会打败市场，特别是在效率更高的市场。平均而言，在考虑成本之前，所有投资组合的回报都是平均的。

2、主动管理引入了一些考虑因素，如管理费；与交易相关的佣金和市场影响；以及经常导致投资者在错误的时间比在正确的时间买卖更多的人为错误。这些都对净结果有负面影响。

3、积极管理的唯一一个方面是阿尔法（alpha）或个人技能，有可能抵消上述负面因素。然而，相对来说，很少有人有此才能。

4、由于这个原因，大量活跃的经理人未能击败市场，并以此来证明他们的收费是合理的。这不仅仅是我的结论：如果不是这样，资本就不会像以前那样从主动基金流向被动基金。

5、不管怎样，几十年来，积极的管理者一直在收取费用，就好像他们挣到了一样。因此，活跃的投资管理行业的许多部分的盈利能力都没有考虑到它是否为客户增加了价值。

值得注意的是，被动投资的趋势并非因为那里的回报巨大而出现。被动投资被关注的原因仅仅因为积极管理的结果很差，或者至少不足以证明收费的合理性。

现在，客户已经明白了，除非上述情况有所改变，否则被动投资的趋势将继续下去。什么能阻止它？

1、更积极的管理者可能有能力提供alpha（但这不太可能）。

2、市场可能变得更容易被击败（这可能会不时发生）。

3、费用可能会降低，以便与被动投资费用竞争（但在这种情况下，尚不清楚如何支持主动管理基础设施）。

除非上述理由存在缺陷，否则被动投资的趋势可能会继续下去。至少，它减少或消除了管理费、交易成本、过度交易和人为失误：这是一个不错的组合。（not a bad combination）

当然，也有积极的投资者表现出色。不是大多数，也不是一半。但也有少数人能挣到他们的费用，而且他们应该继续有需求。

                                                   * * *

接下来是量化投资，评估未来尤其有趣。量化投资的好消息是，它纠正了主动管理的许多缺点：

1、它可以做很多人们做的事情，通常不会犯“人为错误”。

2、它可以处理无限多的数据。

3、它排除了情感；它从不在兴奋时买进，也从不在恐慌中卖出。

4、它从不忘记重新平衡（rebalence）：卖掉昂贵的东西，买便宜的东西。

量化投资很好地利用了计算机处理大量数据的能力以及它们不受人为错误的影响。简而言之，我认为电脑比绝大多数投资者做得更多，做得更好。

从局限性方面看。我认为量化投资也是一种搭便车的策略：它从他人造成的不平衡中获利。“镍币和一角钱”的供应仅限于这些不平衡的程度，因此只有有限的资本才能以这种方式获得巨大的优势。最好的量化公司文艺复兴从其旗舰大奖章基金中返还了所有外部资本，这肯定是有原因的；如果一种投资方法具有无限的可扩展性，根据定义，限制管理下的资本永远不经济。（当然，所有“阿尔法策略”都是基于利用他人的错误；因此，机会仅限于错误的规模——请参阅2012年6月20日的“这都是一个大错误”）

还有更大的问题：定量投资能否做出更高质量的决策？它能长期投资吗？

这让我想起了我最喜欢的一句话。这是社会学家William Bruce Cameron写的，尽管很多人把它归因于阿尔伯特·爱因斯坦（我过去也这么做过）：

“. . . 不是所有可以计数的东西都能计数，也不是所有可以计数的东西都能计数。”

计算机可以做一项无与伦比的工作，处理可以计算的事情：定量和客观的事情。但还有很多其他的东西——定性的、主观的东西——都很重要，我怀疑电脑能做最好的投资者所做的事情：

1、他们能不能和一个CEO坐下来，看看他是否是下一个史蒂夫•乔布斯？

2、他们能听一听风险投资的宣传，知道下一个亚马逊是什么吗？

3、他们能不能看看几栋新建筑，告诉他们哪栋最能吸引租户？

4、他们能预测破产重组的结果吗？在破产重组中，各方可能有经济最大化以外的动机？

此外，量化投资强调从短期混乱中获利，这就留下了很多有待挖掘的地方。现在的投资大多只考虑短期，所以我认为优秀的积极投资者有很大的空间就长期而言作出增值决策。我没有理由相信计算机能以更优越的方式做好这些东西。

最伟大的投资者并不一定比其他人在算术、会计或金融方面更优秀；他们的主要优势在于，他们在质量属性和/或从长远来看，看到了普通投资者所忽略的优点。如果电脑也错过了它们，我想少数最好的投资者不会很快退休。

机器学习能使计算机研究整个金融历史，找出最成功的投资是什么，并找出什么将在是有效的（因子）？我不知道，但即使知道，我认为这还不够。计算机、人工智能和大数据将帮助投资者了解更多信息，并做出更好的量化决策。但在电脑具备创造力、品味、洞察力和判断力之前，我认为阿尔法投资者将继续扮演重要角色。

（然而，我对我们的工作安全的信心并不是无限的。有趣的是，2016年，斯坦福大学的一个小组开发了一个计算机程序，在81%的时间里，正确区分了悬念性（suspenseful）和非悬念性书面语段。研究人员通过就哪些特征会导致悬念达成一致，然后让程序识别这些特征并学习识别新特征来做到这一点。）

重要的是，无论是定量投资还是人工智能的趋势，都是以大量基本面和价格数据的可用性为前提的。上市公司及其证券方面有大量此类数据。另一方面，Oaktree和其他另类投资者所涉及的很多事情都是私人的、非交易的和相对无证的：比如不良债务、直接贷款、私募股权、房地产和风险投资。人工智能/机器学习最终会进入这些领域，但在它足够复杂和数据足够可用以允许计算机自主操作之前，可能还需要很长一段时间。

最后，我认为这种情况有点像指数投资：如果有一天智能机器管理所有的钱，他们会不会（a）看到所有的东西都一样，（b）得出相同的结论，（c）设计相同的投资组合，从而（d）执行相同的投资？那么，通往卓越表现的道路是什么呢？具有超凡洞察力的人类。至少这是我的希望。

June 18，2018