作者：郁言债市
题图：郁言债市微信公众号
宇光总金句分享
马克维茨在资产管理方面有一句名言，即“资产配置多元化是投资的唯一免费午餐”。这意味着为了实现特定的收益和风险预算目标，最经济的手段是通过大类资产配置。使用对冲工具、衍生工具或其他方法往往都伴随着成本，所以通过大类资产之间的相关性来构建相应的多资产策略是实现投资目标的便捷方式。
针对预测时间频率，债券和股票有所不同。由于债券的交易频率相对较低，交易节奏较慢，通常以周线级别为主。相比之下，在股票方面尤其是A股，量价和技术因子的有效性更高，股票预测通常是每天进行的。
从历史来看，债券热度通常会维持一个季度左右。但实际上，现在已经超过一个季度了，市场仍然处于多头氛围中。因此，我认为无论是主动还是被动的绝对受益者都需要认真思考收益与风险的权衡问题。
我一直认为投资是一门管理错误的艺术。芒格认为做投资的基金经理一定要学会与“难”相处，只要过得每一分钟都很难，每一天都很难，就是可能走在了正确的道路上。因此，投资实际上就是管理错误的艺术。
要耐心等待市场下跌，因为只要在市场非理性下跌时就一定有资产被错杀，那么在市场下跌的非理性阶段，我们要努力去识别哪些资产被错误低估，可以从履约和信用风险的角度来考虑。
在上半场，我们主要关注城投债估值和地方债化，而下半场的逻辑是看地方债估值是否有差异化。我认为可能会出现一些差异化，这种差异化将为我们创造阿尔法机会。但就像巴菲特所说，他只知道在市场非理性下跌时会有投资机会，但下一次具体会有哪些机会仍然是未知的。
感谢大家对郁见投资的关注，第八十七期非常荣幸地邀请到了泰信基金固收投资部总监郑宇光。
郑宇光，17年证券从业经验。2020年6月加入泰信基金，任固收投资部总监。历任平安资管、太平资管、上投摩根基金、中信保诚基金、长江证券资管投资经理。拥有丰富的固定收益领域从业经验，对债券市场和各类机构投资者行为有着深刻的了解。擅长研判经济基本面、把握债券市场投资机会，亦在投资团队建设管理及机构间合作有所建树。
1
投资产品的收益归因有哪些方向？
我们都熟知马克维茨在资产管理方面的一句名言，即“资产配置多元化是投资的唯一免费午餐”。这意味着为了实现特定的收益和风险预算目标，最经济的手段是通过大类资产配置。使用对冲工具、衍生工具或其他方法往往都伴随着成本，所以通过大类资产之间的相关性来构建相应的多资产策略是实现投资目标的便捷方式。具体而言，落地到基本方法论上，我认为大类资产配置是基石，在此基础上我们可以构建各种策略组合，包括运用模型工具等。
2
做大类资产配置时该如何寻找资产和资产之间的组合？
教科书通常涉及相对基础的模型，最基础的模型是通过对历史收益、风险数据及相关性的适当配比，实现一种相对舒适的投资路径。随后，投资领域出现了一些研究型的投资经理，对传统模型进行了改进。再后来，涌现了多种衍生的投资方法论。
在实际运用中，传统模型的落地路径仍在探讨之中。我们团队目前更多采用的是资产温度计模型，具体使用了长短期记忆网络（LSTM）模型。相对而言，我们的情况是既包括主观型方法论，占比约为70%，也包括量化工具，占比约为30%。在量化工具的运用过程中，我们采用生成式模型来预测未来资产的收益分布，并在此预测的前提下进行最优化组合。BL模型（Black-Litterman模型“简称BL模型”是由Fisher Black和Robert Litterman在1992年首先提出，是基于金融行业对马科维茨（Markowitz）模型数十年的研究和应用的基础上优化。）相对于CAPM模型而言，是一种假定市场已经实现均衡的逆向金融工程，即已经有一个均衡分布的情况下，根据基金经理的主观bias打分来对均衡分布进行SAA比TAA的偏离。
直观地说，资产温度计模型是帮助我研究各类资产估值水平所处的"温度"，假设100度是最高温，0度是最低温，在这样一个标准化区间内对资产未来一段时间的走势或分布进行评分。大语言模型实际上是一个语音识别模型，即我们输入前五个字，它可以预测后面三个字。计算机进行图像识别的本质是将图像分割成像素点，并将每个像素点数字化。这是因为计算机无法直接理解图像，只能接受数字输入。在数字化过程中，每个像素点被拆分成红色、绿色、蓝色的三维坐标轴，这三个轴是正交的，每个颜色都有一个分值，这些分值被输入计算机就形成了一张完整的图像，然后再通过不断的训练，计算机能够形成识别并理解图像的参数矩阵。
类比到金融市场，国外已经应用机器学习和深度学习进行金融市场的识图分析了。在研究了文献的基础上，我思考并演化了一些可能与众不同的方法。与国外学者主要关注K线图的量价不同，我使用的是计算机识别多因子正交后的图，即一个N维图，每个维度代表一个正交因子，其中N取决于正交因子的数量。例如，如果有40个正交因子，图形将是一个40多维的图。这些因子可能涵盖股息率、KDJ指标、量价等多个方面。在正交后，这些因子被数字化，并输入计算机。计算机就会识图，并且跑参数进行生成式预测。
针对预测时间频率，债券和股票有所不同。由于债券的交易频率相对较低，交易节奏较慢，通常以周线级别为主。考虑到债券是一类宏观驱动型资产，基本面因子相比技术面因子在其预测中占据较大权重，而许多基本面因子的发布频率较低，通常是每月甚至每季度发布。在处理这一情况时，我通常以每周重新平衡的方式进行处理。相比之下，在股票方面尤其是A股，量价和技术因子的有效性更高，股票预测通常是每天进行的。至于处理误差的方法，我会采用一些平均化的处理，因为所有模型都存在误差，特别是生成式模型，所以在股票上我会对未来七天的生成结果进行加权处理，然后进行最优化。对于债券，我会对未来三周的结果进行加权处理。
目前通过资产温度计的测算，债券的温度非常高，实际上可达到1.6至1.8的水平（归一化处理后的区间是±1的参考维度）。在历史上，1.8是相当高的数值，而且已经维持了一段时间。在所有交易策略中，不论是主观还是量化，都存在一个经典难题，即动量与均值回归的取舍。具体来说就是在什么样的市场环境下采用动量策略，什么样的市场环境下采用均值回归策略，在这一问题上，主观因素的作用至关重要。
目前，所有的量化模型都未提供更高维度的范式，即对市场是处于动量还是均值回归状态的判断，这一难题都尚未被解决，所以有时会导致交易策略失效。因此，我只能根据自己的经验来感觉和判断。一般来说，当温度计的分值在-1到1之间时，市场是处于动量状态。在实际操作中，过于乐观或者说过热的温度可能会让我开启空头头寸，但这种策略映射到绝对收益策略中并不适用，而是要停掉多头头寸。因为开启空头头寸可能面临着交易中常见的两倍或三倍标准差，如果这种两三倍标准差的情况再持续超过一年，可能会让空头仓位爆仓。因此，在这种情况下，我的思路是反向将风险头寸关掉。
3
在资产温度计的测算下，债券的热度大概会持续多久？
从历史来看，债券热度通常会维持一个季度左右。但实际上，现在已经超过一个季度了，市场仍然处于多头氛围中。因此，我认为无论是主动还是被动的绝对受益者都需要认真思考收益与风险的权衡问题。在这个问题上，我认为即使在今天，在非常成熟的发达市场中，策略的分类、产品逻辑的清晰以及产品风险预算的制定仍然至关重要，这是因为没有人能够永远保证自己的观点是正确的，无论人还是机器。
我一直认为投资是一门管理错误的艺术。芒格认为做投资的基金经理一定要学会与“难”相处，只要过得每一分钟都很难，每一天都很难，就是可能走在了正确的道路上。因此，投资实际上就是管理错误的艺术。如果我们的目标是绝对收益，我们可以容忍错误，即收益偏低的阶段性情况，尤其是在市场温度较高时，我们的收益一定会阶段性偏低，但我相信这种主动降收益是为了在市场出现均值回归或估值修复时，我们的回撤或客户承担损失能够尽可能小，这是我对绝对收益取舍的思考。
4
除了资产温度计模型，是否还有其他的投资模型？
近一两年来我在构建类似于风险识别器的模型。因为我发现资产温度计是可以提示机会的，但在风险识别提示方面还有待提升。我翻阅了AlphaGo的论文，得到了一些启发。AlphaGo的底层策略是识别风险，通过卷积网络来识别全局的风险点。因此，我在思考如何将围棋或象棋的平面图转化为类似K线的二维结构，是否可以让机器通过使用卷积网络，例如VGG模型，来识别图中的风险点，判断是否可能发生变盘。我们的团队在以前的工作中也主观感觉到市场可能会出现问题，例如K线组合在主线出现后市场随即进入了强烈的负反馈下跌阶段。
因此，我在思考是否可以让机器执行类似的任务（像人类主观感受一样判断市场可能会出现问题）。这一领域仍在进行中，但最大的困难在于需要贴标签，因为它涉及到监督学习。我需要告诉机器什么样的情况是有风险的。例如，我需要定义需要机器识别出的市场极端行情。我们需要对历史数据进行贴标签。在此过程中，我发现有个难点是国内市场数据量太小，时间跨度较短，我曾试图将数据时间跨度拉长以获取更多信息。比如将日线转为小时或五分钟的分型结构，但效果并不理想。
这一方面的工作仍在进行中，我将其视作对系统的一个补足。我认为完整的系统应该像太极图一样具备阴阳两极，像人类的左脑和右脑，一个负责宏观，一个负责微观，一个负责创新和一个负责风险，这样的系统才是一个稳定且完整的系统。因而，我认为对于构建风险识别器的工作是必要的，并且会持续下去。
5
如何将模型应用在投资过程中？
这个模型给我的一次提示是在22年的9月份，它提示风险相对较高。因此，我们当时将久期调整得相对较短。另一次提示是在2023年6月，它同样提示了高风险，我们也将久期调整得比较短。所以这个模型在前年给我们带来的是正收益，相当于减缓了一些下跌。但是对于2023年，可以说是功过各半。在7、8月份的那次回撤比较小，但在四季度的那波上涨踏空了。
在2022年9月，看到的信号是债券在资产温度计模型中的评分非常高，并且维持了相当长的一段时间，超过一个季度。通常情况下，我会在看到这种情况超过一个月后开始采取行动，而实际上从超过一个月到市场真正反映风险之间的时间可能接近一个季度，有时短一些，有时长一些。例如，22年四季度那一次调整在三个月左右；2023年6-8月份的调整时间就更短，在8月之后市场迅速反弹，所以当市场过热时，并不一定会立即下跌，可能还需要其他更为明显的信号才能采取空头操作。
债券市场，包括股票市场，有一个有趣的现象，即上涨时上涨较慢，下跌时下跌较快。这本质上反映了一种行为金融学，是交易者或人类的一种偏谨慎的情绪反应。在上涨时大家持续怀疑，但在下跌时却是高度共振的。所以说虽然做空难。但做空的赔率却很高。因此，使用VGG网络来帮助判断何时做空头操作也是我下一个重点方向。
6
混合债基组合中对权益和转债这类偏弹性资产有什么样的思路？
有两次较大的择时操作。第一次发生在2021年11月，当时系统性地将权益仓位全部降低，尽管卖早了两个月，但封控后权益就下跌了。第二次是2023年10月，我的二级债基维持5个点以内的权益仓位逐步加回来了，这是因为当时模型系统性地提示权益市场出现严重低温，处在底部区域了，以上是在大类资产层面。
落实到个股层面，我并没有自下而上的能力和经验，因此在管理二级债基时，我主要购买行业龙头。我的模型实际上也可以支持个股，但由于处理个股因子的输入工作量较大，因此我目前只实现了对一级行业指数的输入和匹配。我每天会用模型进行跑分，然后基于这些分数购买相应行业的龙头股，所以我的方法论主要集中在一级行业指数上。
7
债券投资的思路以及如何管理债券投资组合？
我们是团队协作，我个人是站在一个自上而下的视角。团队内部主要关注久期、风格和一些宏观因子上，如成长价值和行业比较等方面。我们都知道巴菲特的阿尔法收益并非在牛市中实现，他偏好熊市，而非牛市，因为在牛市中很难找到好的投资机会。因此，要耐心等待市场下跌，因为只要在市场非理性下跌时就一定有资产被错杀，那么在市场下跌的非理性阶段，我们要努力去识别哪些资产被错误低估，可以从履约和信用风险的角度来考虑。我们团队会对此进行激烈的讨论，当我们内部达成一致意见时，我们通常会进行布局和采取一些行动，效果都非常不错。
因此，从归因分析的角度来看，我在团队中更多地扮演组合风险管理和市场风险提示的角色。在收益增强和机会挖掘方面，主要是团队内的其他两位成员，包括团队的信用研究员，做出了很多的贡献。对于我们信用研究员，一开始的定位就不是风险提示者，因为我们将风险提示外包给了外部的研究员，我们内部的研究员更像是权益研究员，任务就是挖掘机会，提示机会。
8
组合从哪些风险维度去做管理？
我认为风险可以分为三个层次。第一层是合规风险，必须严格遵守合规标准。第二层是信用风险，对于债券基金而言，信用风险是生命线。但我认为信用风险是阶段性，如果随着我国债券市场的不断成熟，市场对违约的认知足够理性，违约率就可以变成一个可管理的风险因子，在国外高收益债基金若出现违约，只要亏损在整个投资组合一开始预设的范围内，其实并不构成问题。我之前在外资基金工作时，管理违约风险的主要手段是分散度，只要足够分散，负债端足够稳定，就能够控制风险，在这种情况下，没有什么是不可违约的。第三层是市场风险，是大的贝塔风险，主要是久期因子。
在这三个层次中，对于市场风险，虽然模型起到了重要作用，但我认为在资产管理中，需要保持一种平衡，即主动管理和量化分析各占一半。最近我看到一个有趣的访谈录，是美国一家大型量化基金——城堡基金的创始人，他批评目前美国金融市场逐渐被被动投资和量化投资主导，我对这个观点非常认同，因为我认为主动投资者才是金融市场的真正推动者，才是真正的价值发现者。当市场出现错误定价时，主动型策略基于价值投资的逻辑和理念来判断这种错误定价，并通过时间来实现再估值并获取收益。反过来，如果全市场越来越少的人从事主动管理，市场将失去价值发现的力量，无法有效定价。因此，在我们团队中，我个人的方法论始终是主动管理占据至少70%的权重，量化仅仅是一个辅助工具，资产温度计不是资产配置的“医生”，资产配置真正的“医生”是每一位基金经理。
9
70%的主动管理是根据哪些点进行判断和决策的？
基金经理就像医生一样，有中医和西医的区别。西医倾向于借助工具，而中医更注重经验和方法论。每位基金经理都有自己独特的风格和方法论。我个人是中西医结合的风格，会同时运用工具和从数学物理的角度思考金融市场。我最早是在保险资管做债券交易员，对宏观经验和政策也有一些思考。因此，我认为基本上需要将两者（工具分析+经验判断）结合起来，就像西医做诊断，中医开药方一样。
基金经理本质上是一个策略制定者，而策略是应对不确定性的唯一工具。为了应对未来可能发生的不同情况，我需要对各种可能性进行枚举和预判。在这个过程中，我会为每一种可能的情况制定充分的预案，这是合格的基金经理每天都需要做的基本工作。
10
对于今年市场的思考？
我认为可以分为两个阶段去思考，第一个阶段是当前市场阶段，第二个阶段是当市场出现了波动的以后。当前阶段寻找阿尔法实际上是相当困难的，尤其是在整体收益率处于较低水平时。即使我们尝试从特定行业挖掘阿尔法，也难以达到理想的效果。
在市场的下半场，我认为需要考虑一些均值回归的机会，以扩大职业空间。我们经常说自己的职业空间只剩20bp了，已经降至历史低位，并且这个空间还在不断压缩，但我觉得市场始终会向上修复，再次为大家提供更多操作机会和空间。在上半场，我们主要关注城投债估值和地方债化，而下半场的逻辑是看地方债估值是否有差异化。我认为可能会出现一些差异化，这种差异化将为我们创造阿尔法机会。但就像巴菲特所说，他只知道在市场非理性下跌时会有投资机会，但下一次具体会有哪些机会仍然是未知的。
11
主观+量化赛道未来的职业发展如何？
我的本科专业是金融+应用数学双学位，我一直对数学和物理有着浓厚的兴趣。我认为对学术的研究是终身的，只要保持好奇心，就可以不断学习，而不仅仅局限于在学校获取文凭。
对于未来主观+量化赛道，我认为可以回到量化本身，即如何定义量化。最早的算法交易是K线图，通过将股票价格波动画成二维图表，标注均线等信息进行分析。算法交易和主观判断是难以分割的两个方面，以一个以图表为主的基金经理或技术派交易员为例，他们的大脑是一个决策引擎，然后通过算法交易来制定决策。随着机器学习近年来计算能力的提升，以前需要数月才能完成的深度网络训练，现在可能仅需数小时。因此，在机器能够更有效地处理一些重复性运算时，我们的工具箱变得更为强大，这种情况下，我们将数据运算外包给这些工具，使我们能够更专注于更深层次的判断和决策。因此，我认为主观判断+量化分析基本上是每一位基金经理每天都在做的事，通过量化使一些规律更为清晰地呈现出来，然后再结合人脑的主观判断来做决策。
无论是给基金经理铅笔和计算器，还是几块GPU来运行，本质上是一样的，区别仅仅在于计算分数值的差异程度，而非性质。
随着外包计算运用的深化，和计算机算力和算法的不断演进，主观+量化会持续发展。因此，我认为主观+量化赛道将永远存在，从人类开始绘制K线图开始，这一赛道就始终存在，只不过未来它可能会以不同的形式存在，主观和量化之间的比例也可能发生变化。
访谈日期：2024年1月
版权声明：文章版权归原作者所有，部分文章由作者授权本平台发布，若有其他不妥之处的可与小编联系。
