在接下来对问题的描述以及对两位大佬回答的阐述上，本文不选择直译，而是会用本人的语言高浓缩的概括核心观点。参考文献中给出了 panel session 的视频连接，供感兴趣的读者查询。
整体 session 听下来，Griffin 谈吐从容、观点犀利，较 Asness 更胜一筹，且频频抛出金句。因此，下文也在适当处会直接引用 Griffin 的金句，供小伙伴体会。
好了，让我们开始吧。
Moskowitz 抛出的第一个问题是……
Q1. 资产管理中有很多尚待回答的问题。二位如何看待学术界在这方面能起到的作用？
Asness 提到的第一点是投资中最重要的问题是识别 structural break（e.g. 是否这一次不一样了？），但是目前没有一套自洽且统一的方法来检验，因此只能通过一次性假设（one-off hypothesis）来检验。这么做的缺陷是，人们无法考虑所有的可能。
面对潜在问题，AQR 的做法检验他们能够想到的一切 one-off hypotheses，如果不能发现任何单一原因证明出现了 structural break，那么他们就假设没有出现变化，进而继续坚持原有的策略。Asness 强调，这并不意味着他们就一定对了，只是缺乏更好的工具来应对这个问题。
对于 Asness 说的这一点，我想补充的资料是 AQR 关于价值因子是否已死的讨论，他们通过系统性地检验多个 one-off hypotheses 得到结论认为价值并没有死。公众号之前对此也进行了解读，链接在此。
对于这个问题，Asness 的第二点是人们往往难以在实盘中坚持在回测中看上去很好的策略。人们对于回测中策略的回调似乎能欣然接受，这是因为他们看到在回测中策略又继续上行。然而在实盘当中则是完全不同的。他认为人们对回测和实盘的心理感受的差异造成的交易行为如何影响市场有效性，是值得研究的。
Griffin 认同 Asness 的看法，并指出对于任何策略，瞬息万变的世界如何影响策略的预期收益是非常重要的问题。他以近年来大量资金从主动管理涌入被动管理这一现象为例，抛出了一系列灵魂问题：这个现象对金融市场影响几何？对证券如何吸收信息影响几何？在主动管理规模日益被被动投资蚕食的背景下，如何维持金融市场的价格发现和资本配置的作用？Griffin 认为这些问题对 policy maker 格外重要。
他举例说，比如在去年 COVID 初期，为了维护金融市场稳定，世界各国市场都禁止做空，这影响了价格发现。在他看来，主动和被动投资之间应该存在某个均衡点（equilibrium point）。太多的被动投资（超过均衡点）绝非最佳答案，它会破坏金融市场的结构，影响价格发现。
The world cannot end up one hundred percent passive. —— Ken Griffin
Q2. 你们的团队如何使用学术研究成果？
对于这个问题，Asness 的回答非常 AQR-style。他说 AQR 几乎会阅读所有高质量期刊的论文（包括业界的期刊），不放过任何可能影响他们的研究成果。AQR 有一套行之有效且标准化的流程来复现学术研究。
Griffin 的回答则更有开放性和给人启发。他答道 Citadel 把研究成果分门别类，比如 data science、econometrics、machine learning 等。一旦出现能够推动知识进步的革新性最新研究成果时，他们的研究能力保证他们可以迅速的采取行动：
We can move really quickly when we see what we perceive to be a game-changing evolution in the body of knowledge of humanity. —— Ken Griffin
在 Griffin 看来，学术论文对知识水平的高低和灵感来源同样重要；Citadel 产生的大量想法并非源自读了某一篇论文，而是从大量论文中获得的灵感在之后开花结果。
上面两个问题过后，嘉宾渐入佳境，Moskowitz 也有针对性地向他们二人各自抛出了一个问题。首先是对 Griffin。
Q3. 学术研究往往关注流动性和提供流动性。关于这方面的研究，业界有什么建议？
Griffin 指出对于股票市场，有足够多的数据和信息（涉及所有国家的每一笔交易），因此股票市场没有太大的问题。有问题的是缺乏透明度的市场，比如债券。这方面他的诉求是希望学术界的研究能推动每个资产类别的实时报告，以便人们拥有更好的数据，以了解不同市场制度下的流动性和流动性变化。
更好的流动性有助于防止信息泄露（information leakage）和市场冲击（market impact），这一点对大资金机构格外重要。在回答中，Griffin 多次强调了市场透明度的重要性。市场透明度可以极大降低 bid-ask spread，降低 transaction cost。One of the underpinnings of successful markets of vibrant markets is transparency. When you have a market that has a richness of information, people have more confidence how the market functions, people are morning willing to transact in such market and everyone who's part of that market is a winner. —— Ken Griffin
接下来是抛给 Asness 的问题，关于因子投资。这个问题虽然是抛给 Asness，但两位大佬就这个问题你来我往，金句频出。
Q4. 过去 10 年出现了因子拥挤、因子动物园等问题，你对今后因子的预期收益率有何看法？
关于这个问题 Asness 洋洋洒洒说了一大堆，总结起来有以下几点：（1）金融学先验 样本外测试至关重要。（2）因子动物园这个概念被 oversold，因为学术界罗列的大部分因子都来自有限的几类（比如 500 个因子里面有 200 个不同版本的价值因子、100 个不同版本的动量因子），当然仍然要正视过度挖掘的问题，此外人们要对因子的预期收益率有合理的预期，rule of thumb 是实盘只是回测的一半。（3）拥挤是一个大问题，且最近几年 long/short valuation spread 也在增加。
此处，Griffin 补充说，如果实盘能达到回测的一半，那就是巨大的胜利：
Anyone who wants to get 100 percent out of sample is out of their mind. Random luck of the draw will happen, but it will not happen as a function of wow you have some brilliant research process. —— Ken Griffin
Griffin 继续谈到他们经常思考如何改进研究流程以降低过拟合的影响，并指出如果机器学习用法不当，那么它就变成了 capital reduction 而非 capital generation process。他强调了无论是传统方法还是机器学习，他都看中基于检验的研究（hypothesis based research）。他强调了通过假设检验发现因果关系的重要性，并反复强调他要的是因果关系而非仅仅是相关性：
When we have hypothesis upfront, we see it come through in the data, we see the causality, we are far more confident that we are on a path that will lead to somewhere than just an ad-hoc correlation that looks really attractive. —— Ken Griffin
对此，Asness 的看法和 Griffin 一致。他谈到 AQR 有很多数据，很多地方可以应用机器学习。然而，AQR 使用机器学习是因为存在理论依据，而非源自实证原因（如挖掘非线性相关性）。
谈到因子投资，AQR 的一系列多因子产品在近年来的惨淡表现众人皆知，而 Asness 之前也多次撰文，通过数据客观分析这些策略的表现。Griffin 对 AQR 和 Asness 在这种处境下表现出的自省和对投资人负责的态度表示了极大的肯定：
In the area of factors, I read some of Cliff's letters to investors and I give Cliff credit for the intellectual honesty in what he writes.
AQR has had some tough runs in the last couple of years against a phenomenal history and yet the intellectual succinctness and ownership of that is rare to find in the business.
It's important to have that intellectual clarity because it allows you to remain open to how you can improve what you do. —— Ken Griffin
此外，Griffin 补充了 one-time event（如 macroeconomic shift）对传统因子投资的冲击。他举例说，由于疫情的冲击 American Airlines 出现了亏损。一旦疫情被控制，航空业复苏后，它就会重新盈利。因此，从 forward-looking valuation 的角度来说，因子投资会把它视为成长股。但是投资人真的会把它视为成长股吗？投资人会认为它和诸如 Amazon、Zoom、Google 以及 Facebook 这些公司一样吗？
之后 Asness 也谈到了科技更迭（以及这个过程被 COVID 极大加速了）对因子投资的影响，以及如何识别这种影响。Asness 的回答主要是以价值因子为例论述，小伙伴请阅读《价值因子已死?》。除此之外，Asness (2020) 最新的文章研究了除价值因子之外的其他因子（包括动量、质量和低波动）在美股上最近的惨淡表现。
Asness (2020) 这篇小文非常值得一读，尤其是 To the Pain 一节。Asness 通过自述形象地刻画了一个非完全理性的普通人（我们都是这样的人）在面对回撤时的心境。读完此文给我的感受是：Every Cliff Asness needs his own John Liew（读完 Asness (2020) 你就能明白我在说什么）。
接下来 Moskowitz 延伸发问：
Q5. 我们谈论了很多，其中包括数据的重要性，这是否意味着数据本身已经成为了一种昂贵的资产？另外是否意味着要使用新的估值方法？
Griffin 首先说道，最近几年，revenue over employee 似乎是个很好的因子，围绕着知识产权和数据的护城河在持续增长。对于数据的重要性，他以 Tesla 为例指出每天在路上行驶的每一辆 Tesla 都无时无刻的不在收集信息和数据，这为他们提升自动驾驶技术提供了巨大优势。他认为这种巨变将持续产生作用。
Asness 认为翻天覆地的变化不假，但相关资产一路走高的背后也有 behavioral stories —— 人们过度外推了过去 3 – 5 年的情况。这个情况可能依然会持续很长一段时间，造成相关资产继续走高，但“很长一段时间”并非“永远”。不过他也打趣到，即便在金融领域之外，这个世界也没有好到哪去，也没有比金融领域更加理性。
大佬的回答似乎没有满足 Moskowitz，他继续追问道：
Q6. 这会改变你们对模型的看法吗？是否会改变你衡量事物的方式？
Griffin 指出他们在研究如何把这些新的变化、新的概念融入到他们的模型之中。举例来说，如何评价疯狂的 Elon Musk（他用的词是 audacity）？你的 audacity 因子又是怎样的？
A lot of the success stories over the last 20 years have been won by those who are just more audacious. —— Ken Griffin
Moskowitz 最后对这个问题做了小结：面对全新的数据，学术界开始思考全新的估值的方法，以及预测收益率和管理风险的方法。得到更快、更准确的测量是学术界的研究目标。
在接下来的两个问题中，Moskowitz 改变了发问的方向，均涉及决策者。
Q7. 学者们希望自己的工作能够影响政策。在资产管理方面，你认为学术界能为哪些决策者提供一些有用的证据，以帮助他们做出更明智的决策？
Asness 和 Griffin 同时使用 ESG 投资作为反例。他们认为 ESG mandates 并非约束相关投资的最佳办法，反而造成了市场的非有效性。他们强调决策者应该时刻考虑解决这个问题最经济有效的方式是什么，而学术界的研究应该以提供这方面的证据为目标。
How economically inefficient trying to achieve some of these policy goals are by having ESG mandates? A carbon tax will do far more to deal with the efficient production or reduction of production of carbon than an ESG score from XX agency that says you shouldn't buy the stocks of a natural gas producer. —— Ken Griffin
We should be trying to solve those for a policy perspective right down the fairway rather than through very attenuated indirect methods by creating ESG mandates for capital around the world. —— Ken Griffin
Q8. 决策者往往试图在危机发生时来控制危机的影响。这方面学术研究能否助一臂之力？
Griffin 认为，危机来临时，学术界在第一时间（real-time）通过数据和客观事实帮助决策者设定 narrative 和 policy response 的基调至关重要。这里插一句，去年 Robert Shiller 的新书《叙事经济学》引起了很大的反响，它分析了故事如何传播并推动重大经济事件，这些故事可能会改变人们对经济事件的决策方式。对于正确决策而言，客观的数据和时效性二者缺一不可。
Time is of the essence because the policymakers will in some sense be driven to a narrative by the popular press or will be driven to a narrative by certain entrenched interests and having facts and having academic research substantiated by really powerful facts helps to make sure that we make the right decisions as a society on what our thoughtful regulatory frameworks. —— Ken Griffin
Asness 指出道德风险也是需要考虑的。对于决策者而言，拯救危机的 pay-off function 是非常不对称的。当采取了决策并控制了危机，他可能也不会被当成英雄；但如果没有采取措施进行补救，他一定会为此背黑锅。因此决策者往往会采取措施，尽管有时选择不救助可能是更正确的应对。
针对 Griffin 的时效性的观点，Moskowitz 补充说 COVID 是实时高质量研究的例子，而且其中有一些研究和经济学以及资产管理密切相关。这种在危机出现时第一时间就同步出现的研究是他从来没有经历过的，在他看来是史无前例的，其中的原因可能是全世界在 COVID 面前空前一致的共享了数据和信息。他询问二位大佬是否了解相关研究以及这些研究是否对二位应对当下的危机起到了帮助。
Griffin 提到 Citadel 的 biotech team 追踪了相关研究结果并把其中最重要的观点和基金经理分享。除此之外这些研究对维持安全的工作环境也至关重要。高质量的研究成果在很多方面都起着巨大的作用，例如了解病毒的变种如何以及是否影响当前的疫苗？变种病毒在美国传播的速度将会怎样？这将如何影响 GDP？学术界关于 COVID 的实时研究发现对回答这些问题至关重要，发挥的作用涉及投资组合管理到生命安全决策的方方面面。
在讨论的最后，Moskowitz 从听众留言中挑选了几个代表性问题进行了发问。以下选取两个。
Q9. 你认为使用机器学习的最大好处是什么？是与交易信号相关的研究吗？还是和风险管理或者交易算法相关？你在哪些地方进行了广泛的研究？
Asness 强调了使用机器学习的必要条件：（1）有足够多的数据；（2）机器学习的可解释性。他举例说 AQR 使用机器学习预测信用违约以及决定 rolling positions。对于前者，其中有很多非线性关系，机器学习可以发现这些关系；而后者则更加偏实证。如果实证结果非常显著，那么他对先验逻辑的要求就低一些；如果实证结果一般，那就要求更多的先验逻辑。总的来说，机器学习能在不同的地方可以发挥作用，但在 Asness 看来，它并不是发现下一个 Google 的灵丹妙药。
Griffin 同意先决条件是有超级多的数据，他举例说 Citadel 拥有 petabytes 这个量级的数据集，并认为如今大量所谓的机器学习应用中并没有足够多的数据：
People are lured into thinking that what they are what they are doing has substance and it just doesn't. There is not enough data there.
You are better off in the world of just simple regressions and understanding the problem from a holistic perspective than just relying upon what the machine kicks out the other end of the process engine. —— Ken Griffin
此外，Griffin 还强调了数据的平稳性（stationary）：
When underlying process is stationary, machine learning is much more powerful because it's able to find the patterns. —— Ken Griffin
对此，他举例说自动驾驶算法在美国南方比在美国北方更有效，为什么？因为北方有暴风雪。Asness 补充说，人们都知道 alpha go 的神迹。然而如果要问未来两年应该持有哪些股票，比起国际象棋来说，这个问题更像是在暴风雪环境下研究自动驾驶。
Q10. 你们是否在风险管理和压力测试上投入很多研究？
Asness 强调短期尾部风险和长期的风险管理就像火和冰一样，但同样重要。说到这里，他还调侃了一下之前在网上和 Taleb 的互怼。他说业界事实上非常了解 fat tail 和尾部风险，并非像某个大佬想象的那样。
Asness 承认，某个策略不好的表现通常持续（会 trend，且 trend even more than one can think）。因此对于多因子策略来说，如何应对长时间（几年这个级别）的回撤（比如价值因子多年的失效）也是风险管理的重要方面。
参考文献
Asness, C. S. (2020). A gut punch. AQR research note.
https://www.youtube.com/watch?v=8r39Q-VgXeA
（完）
文章来源：微信公众号“川总写量化”，2021年2月17日（本文仅代表作者观点）
联系客服
