利用量化分析和基础研究的投资过程一直都存在。许多基础研究使用量化方法帮助其筛选出一定量的可以重点考虑的公司。有一些量化方法使得分析师能够超越那些仅仅依赖非金融数据的分析。量化策略一直被认为在市场发生转变时其表现并不佳，而基础研究策略则一直被认为增加了一些基于过往经验的人为的偏差。以下是与威廉姆布莱尔投资管理公司合伙人、全球策略和投资经理乔治.葛里格的对话，讨论了一个经过认真构建的投资过程是如何利用并增强量化和基本面分析两者的优势。

　　这两种方法的优势和劣势是什么？

　　任何一种量化选股方法的主要优势包括宽度、纪律性以及对个人情感的消除。量化方法的评估范围更广泛，而不仅仅限于一小部分的公司或者议题。他们还可以调查任何一个问题，而不用担心偏见、表面现象或者不正确的文化过滤。这种没有偏差的特点对使用统一的方法在不同月份对一系列公司进行分析是有益的。那种某天醒来感觉今天是“估值股票”的一天，或者某天醒来感觉是“积极成长股”的一天的缺陷被消除掉了。

　　量化分析的主要缺点是它可能会对环境的变化非常敏感和脆弱。比如说，政治制度的变化，如果一个量化分析的框架是基于某一特定阶段的数据的，当它所处的环境发生变化时，它就不能很好地处理这种变化。

　　量化的另一个缺陷就是连贯性和灵活性的两难选择。如果一个模型的目标是连贯性，那么它就不是灵活的；如果它是灵活的，它就不是一致的。这种分歧导致了一个永无休止的辩论：是构建一个覆盖每一个行业或国家的统一的模型，还是针对不同的行业或者国家构建不同的模型。最终，这个话题是没有答案的，也是一直以来一直存在的担忧。不论是构建统一的还是具体的模型，都有一方要做出让步。

　　现在看一下基本面分析的优势和劣势。基于无形的主观判断的分析框架的优势是能够预料变化，并感觉到由历史数据或者历史市场表现所不能揭示的这些的变化的可能性。一个人看到和感觉到这些因素的能力是与其个性、心理和文化相关的，这些是单纯的量化模型所不能察觉到的。

　　基本面分析的弱势是情绪影响、有偏差以及能力有限。基本面分析受制于个体的认知力和判断力。说起来有点矛盾，这些劣势也可以成为优势。

　　你的投资过程是如何演变的？

　　威廉•布莱尔的“非美股”团队最初由三人组成。我负责投资组合管理，一位分析师负责关注发达市场，另一位负责关注新兴市场。这些分析师每人平均覆盖23个股票市场的研究。在有限的资源条件下，为了有效地达到统一，唯一方法是找出每个公司拥有的优点，并且找到一个方法进行预分析。在一般情况下，即使无限的研究资源可利用，这种方法也是可取的。建立一个统一的研究体系，对于研究大量公司来说是有必要的，否则大量的公司很难在一个纯粹的基本面基础上进行比较。

　　我们的方法是定义特定的属性：高质量，高于平均水平的长期增长，正向的当期收益趋势和表现，价格的强劲势头，以及有吸引力的估值。这些特点是我们早期模型的构建块。通过选择不同的指标和发展维度，我们最终构建了多因子模型，将这些因子进行加权评分。这一工作的头两年几乎涵盖了现如今的定量分析工具的80%。剩下的20%模型评估并没有重新定义模型，而是更多地进行模型测试、监督和质量控制。

　　为了说明这种方法，需要考虑到威廉•布莱尔对公司质量特征的看法的演变过程。最初，我们有指定的因子范围，我们认为这个范围之内的因子与公司质量有关，包括长期的回报，正向收益趋势，资产负债表实力以及一些其他方面的考虑。这些因子被选中是因为他们是分析师认为的传统意义上的好公司因子。事实上，我们并不确定哪些因子是重要的，哪些因子是不重要的。

　　2007年，威廉•布莱尔建立了一个定量研究小组后，我们能够更清楚的将这些变量量化。这也是我们首次能够区分出这些因子在哪个市场效用最大，这些因子对风险控制和收益形成的贡献是多少。在这之前，这个团队只是进行一些定性的分析。我们大致朝着正确的方向前进，但是并不确定这些因子的选择是否正确，该取怎样的权重。我们也不知道如何准确的对每个模型进行评估。

　　在聘用定量研究团队之后我们需要考虑的第一个关键问题是，是否需要完全改变我们的模型还是通过测试不断修正现有模型。这一决定位于一个重要的十字路口。有两个关键的选择：一个选择是这个系统更依赖于股票价格相关的变量，而非基本面的变量。这种结构需要一个复杂的、以多元回归分析为基础的系统来预测回报率、风险等指标；另一个选择体现了团队初始的运用基本面特点作为基础的模型，这个模型根据公司的特点进行排序。我们最终决定保留原有的流程，但更多进行测试改良。这个就是我们一直沿用至今的模型。

　　建立一个专门的量化团队最大的好处是什么？

　　这个团队帮助我们开发了一种否则我们无法创建的方法。定性模型在华尔街并没有广泛使用。我们设计了一个盈余惯性模型，但我们还不能测试它。我们确实不了解它是如何运作的。我们不知道我们是否用了正确的参数，但我们知道我们的模型和别的研究人员开发的很多收益惯性模型是相似的。可以客观的说，我们的方法是合理的。创建一个模型来评估公司的好坏比定义和测试它难得多。这样一个模型很少被用作投资过程的核心，体现了这个团队的一个重大突破。

　　尽管开发这些量化模型的最初目的在于更容易的去评估更多的公司以及检查研究思路，但是现在他同样为分析师在对经验做出判断时提供了一种框架。此外，从投资组合的层面来看，它还成为了我们战略流程的基础之一。我们设计该量化研究模式的最初目的并不在于产生管理资产组合的能力。然而，一旦我们看到这个过程是如何很好的整合和运作的，我们便决定这个好的流程是不容忽视的，并开始用它来产生一个投资组合。自2011年1月推出系统性的研究战略以来，它已在实践和测试中均产生了良好的效果。

　　这样，我们的系统性研究(量化)工具被整合到了我们的流程中。我们认为保持这些工具的透明度，以及与研究团队分析结果的一致度是非常重要的。随着国际系统性研究基金的推出，它提供了另一种或许我们没有考虑过的研究思路的来源，一个比较投资组合持仓和基金并评估其间差异的工具，同时也可以作为基本面决策制定过程的一种配合。

　　量化分析在基本面研究过程中扮演了什么角色？

　　旁观者经常倾向于将团队研究方法归为一类或者另一类；一个公司要么是量化团队要么是基本面团队。他们把这两种方法看成是截然不同的而非统一的。

　　威廉.布莱尔的量化研究过程就完全地融入到了基本面研究过程中。我们并不是仅作一个量化分析秀而实质上却依然使用陈旧的方法做研究。我们也不是为了客户的利益试图创造一些量化分析方法但实际上专业的投资人士并不在乎这些方法。事实上在我们这里正好是相反的。我们试图研究出对我们自身的研究过程非常重要的量化分析方法而并这种量化分析并不需要对外界有很实质的影响。客户和咨询师能够直观地理解这些分析，但他们通常对模型建立的细节并不感兴趣。

　　我们的目标是创造能够改善投资效果的工具，同时也能涵盖那些我们的团队能够理解其来龙去脉的因素。这在量化投资中是相当普遍的准则：如果方法有效但你不能解释原因，那么就丢弃它。如果方法直觉上可行但实质不奏效，也丢弃它。这就是反馈回路。

　　在测试目前量化工具的改进的时候，威廉.布莱尔将投资组合经理，战略和研究人员的反馈融入到开发个体因素以及评估结果中。该团队每周与量化团队进行数次会议去商讨结果。比如，在测试质量模型最新的改进中，该团队设计了能够直观分类质量的框架，在思考潜在影响因素的时候考虑到几个指标：持续的价值创造，盈利质量和财务优势。这个框架帮助量化团队将他们的重点放在测试这些指标上并且保证他们的计算能够与该团队的哲学思考过程匹配。许多的改进是从一个宏观的地区，行业和规模的角度出发来进行评估从而证明这些改进的持续性和有效性，同时也能够使其与前一版本的质量模型对比。这个分析方法被推广到了公司层面，用于察觉任何在更广的层面上不能察觉的异常现象。只有在激烈的讨论和反馈后这些改变才能真正被实施。虽然很费时间，但是我们相信一直以来这种持续改进模型的过程以及不断融合各个团队思想的方法对于确保未来工作的持续良好预期是非常重要的。

　　由于量化研究团队了开发这些工具，而且他们与我们的思维逻辑匹配，该团队已经将这些工具融合到我们评价各个公司特征甚至评价整个行业和部门的层面中，从而帮助我们优化研究，突出投资机会与风险，同时也为我们提供了部门战略的框架。

　　在纯粹量化的团队如何创造一个模型的途径上，以上的方法有重大的不同。不管一个基本面投资者是否认为这些结果是直观的，我们相信这个量化团队会变得更有经验。

　　如何在构建投资组合，头寸规模以及交易中应用量化工具

　　这个过程不同于选股研究中的模型。在提出利用定量研究进行投资组合管理这个想法后，下一个问题是：“我们该怎样做呢？”我们不能仅仅简单地创建一份公司名单，而是应该设计一个围绕模型的投资组合管理流程。通过我们设计的算法得到的头寸规模应该与市值的自由浮动水平和股票交易量成一定比例，因为这是模型告诉我们的。但是问题是“为什么不将它应用在所有策略中，并用它评价我们的准确性呢？”这样的流程对在交易中评估流动性限制时也适用。它对整个投资过程都是十分有用的输入变量，不仅仅在系统性的(量化)策略之中。

　　当我们在评估一个市场或者行业时，往往是通过各个部分的加总。策略团队应用量化策略为基础的研究方法来决定公司数据累加的信息。这些数以千计的公司和几十个因素聚集产生的信息告诉团队这个行业和历史正常水平相比是否或多或少有吸引力。它是重组策略概述的另一种方法。不过这个过程的复杂之处是以相等权重和以市值为权重两种方法评价公司是不同的。公司的评价也可以通过投资组合的贡献或者通过对模型组合和实际组合的比较。

　　我们试图构建一个流程能够有效使用这种定量战略分析方法来定义投资组合结构，然后用我们最好的思想来构建这个结构。不幸的是，我们不能这样做的。尽管我们通过分析这些数据已经有很多深入地了解。它只是不能转化为实际的投资组合结构的公式。这个流程仍然必须在投资组合经理级别进行。

　　如前所述，使用这些定量研究工具是有益的。它们提供给我们研究大数据和大投资组合总体样本的信心。试想一个纯量化投资的过程，投资组合中往往有数百种股票，因为它的目标是在大约5000家公司中选出最好的20%。一个纯粹的定量模型只对提高模型表现的概率感兴趣。一个投资组合经理一般拥有30至70只股票。如果它小于30 ，那么有可能有多样化的担忧。虽然如果投资组合超过70只股票，这不一定再是问题，但另一个问题出现了。在这一点上投资经理可能开始不适应，因为他就像是一个老师在一个拥挤的教室，有太多的学生需要看管。一个投资组合经理在监管太多公司后可能会开始思考：“嗯，我可以跟踪那个公司，还有这边这个……”但很快，这就变成“我不记得为什么我买那一个公司。”一个用定量分析工具的投资组合经理更适应于较大的研究范围和投资组合总体样本。

　　这种方法演变的下一步是什么？

　　在接下来的几个月内，我们将完成对模型结构背后基本原理的检验。当项目完成后，我们将进一步研究如何使该模型更敏感、更具交互式、更灵活。

　　比如说，我们目前有(公司)质量、估值、收益趋势及价格动能模型；而我们的目标是要使这些变量之间产生交互作用。在估值模型中，(公司)质量是一个输入变量，因为优质股总是享有更高的估值，但我们目前并不考虑这点。同时，估值并不明确直接地根据公司质量进行调整，同样也不直接地根据周期性来调整。

　　又比如，目前我们将盈利及价格动能看作是两个不同的因素。然而，他们并非完全不同，因为在许多情况下，价格动能已经提前反映了盈利势头。可以说，它们仅仅是显示相同信息的两种不同的方式。我们试图将这两个因素合二为一，用来表示对周期性的不同反应。之所以这么做，是为了使主要模型、子模型以及之前提到的辅助模型，更有效地产生交互作用，并把这些因素之间复杂的交互作用引入模型中。这是一个艰巨的任务，可能需要几年来完成。

　　最终的目标是建立一个定量分析框架，分析师可以从各种信息及任何逻辑出发，来评估该模型，但都几乎无法拒绝。他们看到模型就会清晰地明白各变量都代表什么以及为什么要这样构建模型。在某些特定的情况下，该模型也可以用来比较公司、行业以及同类公司。在威廉布莱尔的研究体系中，有一个涵盖公司量化变量的工具。理想状况下下一代模型将包含这些因素及其它各种相关因素，以展现一个整体的、完全成型的公司的量化特征。其目标是调整输出结果，使模型不仅能够独立地显示各公司的情况，而且能够对行业中的竞争者进行比较。这样，研究团队就能迅速确定哪些(公司的)特征比较好。模型将更好地构建得到一个已经完全成型的统计分布，并将成为一种真正意义上的定量与定性相结合的方法。那么，最终的结果将充分吸收了整个研究过程中的量化工具，并充分利用这些输出结果更快并且更精准地做出决策。