2020年对于很多投资者来说，是非常难忘的一年。新冠疫情的阴霾笼罩全球，央行财政部联手刺激，使全球资本市场经历了史无前例的快速崩盘与迅猛修复。去年年末，我们有幸连线到了大洋彼岸的美国对冲基金QED Alpha Capital Inc的CIO兼合伙人高光华先生。

高光华先生本科毕业于中科大，加州理工大学物理学博士毕业，曾在美银美林、德意志银行等华尔街大行担任高级交易员。高光华先生是美国第一批从事股票量化交易的资深前辈，1998年，他在华尔街量化对冲基金的先驱之一Caxton/ART开始他的职业生涯，在股票量化交易、风控模型构建和投资组合最优化等领域经验丰富，在高频做市和订单流分析方面也有多年的一线研究与实操经验。

在长达两小时的访谈中，高光华先生向我们分享了他的从业经验、投资哲学，以及对量化策略构建和当前市场环境的看法。侃侃而谈而又不失谦卑，我们将分两篇文章，以问答的形式将丰富的访谈内容为大家尽数呈现。

“过去这10年到15年，应用数学、数据挖掘这些领域真的是突飞猛进，现在本科生学的知识，在我们90年代对应的是博士级别，就更不用讲物理或者化学这些学科的前沿研究了……

如果还是用十几年前的技术，虽然因子模型回测时间长表现也可以很好，但如果在样本外跑实盘的话，可能会比回测的结果差很多，所以我认为策略创新层面还是要赶上去。”

“如果我在科学领域的论文中看到了一些不错的想法，就会用与论文中构建方式相近的数据，按照论文中的测试方法去做模拟。如果我自行测试的结果与论文结果有出入的话，那肯定是有某些地方出了问题，这就是去验证论文方法论的一个过程。在验证完之后，就可以使用股票数据测试这个方法在股市中是否有效。”

“量化的好处在于，可以同时对市场上数千只股票进行分析，虽然每一只的alpha只有不到3%的把握，但构建成一个组合，整体的alpha就很可观，也可以上规模……这也是我的投资与人生哲学：第一，自己不懂的东西坚决不要参与；第二，自己懂得东西要谦虚，要认为自己只懂一点点。”

“做投资和做交易是完全不一样的，就我自己而言，我是做投资的，而我的机器才是做交易的。”

01

量化交易夏普过3，

规模每年翻番的年代

Q: 能向我们这些后辈们讲讲您当年从赴美留学一步步走到华尔街华人高管的经历吗？

高光华：我毕业时刚好遇到美国监管放松的年代，保险理财、券商、对冲基金、银行自营的监管都放开了，计算机和投资理论研究都比较成熟，给我们这些理工科背景的人提供了很好的工作机会。

当时也是冷战结束后不久，军工、学校里的研究岗位等都在裁减，找这类工作都比较难，但华尔街刚刚开始向系统化交易转型，数理技能很强的基本上可以挑工作。

喜欢做前台做交易，有相关的岗位的话，你就直接可以跟招聘人讲我要做前台。那时可以说是金融行业的黄金时代，我结合自己的优势，选择了做前台交易。

我的第一份工作就是做对冲基金，那个时候知道对冲基金的人还很少。我去的这个基金当时做得挺好，创始人来自70年代比较有名的公司Commodity Corp.，这个公司在普林斯顿大学附近，当时一些做数学的、做计算机的人，已经用量化的方式做大宗商品交易了。

我第一个公司的创始人就是Commodity Corp.的交易员，他后来自己创立的公司叫Caxton Associates，我在1998年加入，当时他们已经做得相当不错了。

我加入的时候，正值长期资本公司(LTCM)出问题，遇上了危机，我们的基金也比较紧张，但那个时候主要的收益，基本上都是从我们做量化股票交易里边出来的。

我们基金对外面市场和投资人讲的时候，不太讲这些细节，很多外面的投资人以为这个基金是做全球宏观的，其实真正驱动收益增长的是股票量化交易。

那个时候做量化交易的相对来说较少，有名的也就DE Shaw和文艺复兴，Two Sigma可能还没成立。然后美股市场上股票数量又多，可交易的股票在5000-6000只，现在可能只有3000只左右了？市场上也有很多散户，算是量化交易的黄金时代。

我所在的团队比较小，组长来自MIT物理专业，还没毕业就开始做交易，老板虽然不是博士，但数理分析和编程都非常厉害，市场触觉很强，年纪也跟我们差不多大。总共就是三个博士做模型，还有三个交易员、几个IT，共十几个人的一个小组，但做得很成功。

我们组从1997年到2002年，大概每年都在翻倍，夏普比率轻松就到了3以上。2002年，我们的基金规模大概有50亿美元，那时50亿美元就是规模最大的对冲基金了。做的事情也挺有意思，一直做模型。我应该是用基本面做量化交易很早的几个人之一。

我2005年离开了这个公司，原因是想做点新东西，公司当时只做美股的交易，我觉得应该看看欧洲或日本，但老板兴趣不大，因为美股策略已经很好了，为什么还要去其它地方试，还不一定有效。但是我听说是有效的，因为我知道有其他公司在做。

于是我就去了QVT Financial组建团队，账面规模最高峰的时候大概10亿，团队也就七八个人。但是在2007年8月，发生了著名的Quant Quake，华尔街很多量化交易公司都遇上大回撤，我们基金也受到挺大的影响。之后2008年金融危机来了，我们基金其他小组的策略也亏了不少钱，出现了投资者赎回的情况，于是我就离开了。

2009年到2010年，我在中金工作了一年，给他们做了一个香港的自动交易系统。2010年市场恢复，我就又回到纽约，在美林做高级交易员，然后去德意志银行做了几个月，2011年欧洲出了问题，当时希腊差点把欧元区给搞崩，德意志银行的业务受到了很大的影响，它们的自营交易一下就收缩了。

后来我又回到美林，做了一些高频做市交易，通过散户的订单流获利，这让我在高频还有订单流方面积累了不少经验。但是2014年，美林因为沃尔克法则不能做自营交易了，于是我15年底到了现在这个公司，这就是我的一个基本经历。

02

研究方法与时俱进必不可少，

贪婪终将造成毁灭

Q: 您的华尔街经历跨越了好多个不同的时代，能讲讲关于现在的事情吗？

高光华：关于量化交易，在国内，尤其是2020年，不少基金做得都很不错。但在美国或者欧洲，过去几年大家应该普遍比较辛苦，大概只有几个团队做得非常好。

偏高频的策略倒是做得不错，像Citadel这种可以收集散户的数据流再做交易决策的做法，在信息方面有很大的优势。但是这种做法从数据的花费到系统的维护成本都非常高，所以小的团队也很难复制。

我做了这么多年量化交易系统，二十多年前算是走在前面的，但十几年二十年之后，不更新肯定就落后了。如果还是用十几年前的技术，虽然因子模型回测时间长表现可以很好，但如果在样本外跑实盘的话，会比回测的结果差很多，所以在策略创新方法上要更新。

我们几年前就意识到这一点，也更新知识，学习数据科学（data science），包括机器学习、神经网络，以及优化算法， 开始用于策略研发。

过去这10年到15年，应用数学、数据挖掘这些领域真的是突飞猛进，我发现现在本科生学的知识，已经相当于我们90年代的博士级别，就更不用讲物理或者化学这些学科的前沿研究了。

我发现自己很多知识在变得非常老化，只有重新学，跟踪比较前沿的、不同学科的研究，才能在这个领域生存。

Q：能谈谈在大机构做交易员有什么印象深刻的经历吗？

高光华：印象最深刻的是2007年Quant Quake，还有就是欧债危机和希腊政府违约, 我们有不少朋友在这些量化对冲基金做相关的策略。我看到他们因子暴露，心情是很复杂的，因为都是同行，经历过是感同身受的。

还有一个就是骑士资本(Knight Capital)事件，一个交易系统更换就把整个公司给干掉了。

当时我在美林，我们的后台策略生成系统和交易下单系统是完全分开的，两边的IT都是不通的，不可能出现这样的问题。后来我听说他们是系统升级出了问题，因为量化交易是自动下单的，出问题后不断的高买低卖。

所以，自动化交易下单环节的风控尤其重要，一定要有几个很能胜任的人负责，否则后果不堪设想。现在很多大的机构如摩根斯坦利、摩根大通，虽然给基金提供前端风险控制，但在只能是辅助不能依赖它。

量化股票交易之外，2006年，有几个天然气交易员爆仓了，也让我印象深刻。当时对冲基金Amaranth有个叫Brian Hunter的天然气交易员，他建了很大的天然气期货仓位，结果被市场发现了，最后爆仓，一个人的交易毁了整个公司。

Q：您觉得是什么原因导致这些著名公司的风控系统失灵？

高光华：我觉得主要原因就是贪婪站胜了恐惧，贪婪和恐惧在其他领域也有，只是在金融领域人们可以使用杠杆将其放大。其实在政治上也有贪婪和恐惧，比如美联储就已经深陷其中了。

美联储要让经济与就业恢复，却不想让市场承受任何的阵痛。这就好比你的身体不健康导致不太舒服，却并不愿意去锻炼，反而只想吃止痛药，因为锻炼的过程会让你的肌肉撕裂然后再生，也是会带来酸痛感的。当然当你非常疼的时候确实需要吃止痛药，但有好转的时候还是得去锻炼，不然问题是无法根治的。

美联储就一直在吃止痛药这个方向往前走，2008年美联储就开始救银行了，银行把钱存到美联储的利息，比人们将钱存在银行里的利息都高。理论上讲，人们将钱存到银行还是要承担银行倒闭的风险的，所以需要一定的储蓄利息作为补偿，而银行将钱存到美联储是无风险的，结果还能收到更高的利息。

2009-2012年，美联储以银行不愿意将自己的钱借出去为由，说要救银行。但银行都在赚着无风险的利差，又有什么动力将钱借出去承担额外的信用风险呢？

其实救银行也有不同方式，比如美联储拿几万亿美元出来，成立10家新银行，让大银行那帮职业经理人来管理，这些银行可以通过上市获得新的融资。

然后让这10家银行去竞价购买那些将要倒闭的银行的资产，使得这些资产都能得到正确的定价，而因为过于贪婪导致风控做的不好的银行也要付出代价，这就不会有“大而不倒“的问题了。

这些新成立的银行有绝对的动力像社会提供贷款融资，也就能解决个人和小企业借贷难的问题。然而美联储和这些传统金融机构有着千丝万缕的联系以及根深蒂固的利益绑定，并不愿意承受这样的阵痛。

 03

跨学科研究方法测试是常态，

琐碎的日常事务应自动化

Q：您之前在美林、德意志银行等大机构都担任过Senior Trader, 华尔街交易员的一天是怎么样的?

高光华：我之前主要是做量化交易的，所以基本上将日常重复琐碎的工作都自动化了，这有两个好处: 一是这些工作很浪费时间，二是人做这些重复性的事务总可能会出现一些纰漏，而通过程序去自动化，出错的机率会非常小。

所以像收集公司股本变动、常规数据搜索采集分析、生成投资组合这些能够程序自动化实现的，我都会选择自动化。

记得我离开美林的时候，我在美林管的账户在没有人主观干预的情况下，还自动运行了两个月。因为每天的交易记录、仓位报告和风险报告都可以自动生成，哪些任务完成了有自动检查，哪些任务要停止了程序也会自动检查，都有标准化的检查。

另外，在采集数据时也会有标准化的检查，确保这些数据是清洗好的，不会出现”garbage in, garbage out“的情况。

除了这些可自动化的工作之外，我的大多数时间都花在研究上，阅读学术论文并尝试将论文中的测试在投资上复现。

我看的学术论文其实大多跟投资是没有什么关联的，因为我是学物理出身的，对数理化、生物学、医药学这些自然科学一直非常感兴趣。特别是里面使用的一些测试的方法，都是以数学为基础的硬科学，即使测试中有些随机项不可复现，但是整体的分布是可以复现的。

可能在药物方面的测试比较难复现，因为这其中可能存在安慰剂效应，但股市的话就不只是安慰剂效应了。比如股市里alpha 做的人多了，就成了beta；知道这个策略的人都在用这个方法做，那么做这个策略的资金规模就上去，超过了策略容量上限之后，也就做成了beta。

如果我在论文中看到了一些不错的想法，就会用与论文中构建方式相近的数据，按照论文中的测试方法去做模拟。

如果我自行测试的结果与论文结果有出入的话，那肯定是有某些地方出了问题，这就是去验证论文方法论的一个过程。在验证完之后，就可以使用股票数据测试是否这个方法在股市中是否有效。这就是我比较典型的一天。

Q：作为交易员，您每天会看新闻么？

高光华：新闻我平时看得不多，只是偶尔看看彭博终端的新闻。因为这些新闻对于我们做量化来说，用处不是特别大，更多是出于好奇去看看，大部分新闻甚至是噪音干扰。有些量化做得好的机构，可能连彭博都没有。除非是用彭博来下单或者找数据，那就是另外一回事，但是如果是用彭博来关心或者查询实时新闻，我感觉用处是不大的。

不过，08年金融危机之后，彭博雇佣了许多交易员去做分析师或咨询师，其中很多也是量化交易员，所以如果你要做量化分析，例如FOF(Fund of Fund)研究、风险管理或者交易执行的质量分析等，彭博就是一个非常好的工具。我现在也会用彭博做这类型的分析工作，但并不是每个人都必须用彭博。

04

对信仰投资保持警惕，

将众多弱认知组合成强认知可以上规模

Q：“投资是认知的变现“，请问有什么知识与经验，或相关著作，给您的交易体系形成产生了较大的影响？

高光华：投资是认知的变现，这句话我非常同意。美国前国防部长拉姆斯菲尔德将人的认知分成了四个象限：“你知道你知道”，“你知道你不知道”，“你不知道你知道”，和“你不知道你不知道“，我也对这个划分也很认同。

我们做量化投资经常要做风险模型，当我们知道我们不知道未来市场会涨还是会跌，就让自己的投资组合保持市场中性，将市场风险对冲掉，这就是“我知道我不知道“的例子。如果有一些宏观交易员确实有能力判断市场将来大概率会怎么走，那他就可以去交易，因为”他知道他知道“。

我们量化交易，实际上是“Do something we know a little about it”，这就是我们的alpha。为什么只是知道一点呢？因为在量化这个领域中，能产生alpha的因子，一般样本外的R-square能达到3%-5%的确定性已经非常了不起了。

如果跟一个仓位集中、只对少数的重仓股进行深入研究的做主观投资的基金经理说：“你构建的因子只能解释3%-5%的股票波动”，他一定会认为你在浪费时间。

但是，量化的好处在于，可以同时对市场上五六千只股票进行分析，虽然每一只的alpha只有3%的把握，但构建成一个组合，整体的alpha就很可观，也可以上规模。这就是我们做量化的知道自己能做的事情。

这也是我的人生哲学：“第一，自己不懂的东西坚决不要参与；第二，自己懂得东西要谦虚，要认为自己只懂一点点。”

从书籍阅读上来说，我推荐大家看一本书，是著名对冲基金经理、也曾经是摩根斯坦利最大的个人股东Barton Biggs写的，叫《Hedge Hogging》，这本书用小说的口吻讲述一个交易员真实的故事。

我印象最深的是书中讲的一个天才交易员，这也是作者在现实中认识的一个非常杰出的交易员，他对一个公司的项目做了很多非常细致的研究，有点像现在的浑水对中概股进行全方位的侦察。他几乎可以100%断定某个项目存在造假，所以决定做空这个相关公司。

但是，由于这家公司的造假非常高明，几乎没有投资者发现其中的猫腻，即使这个公司不断发行新股融资，也有投资者买账。于是这家公司有钱之后聘请了资深的职业项目经理来打理，让这个造假的项目转型并逐渐走上了正轨。而这个天才交易员，依然认定这是一家造假的公司而继续做空，最终爆仓。

当时看到这一段我感触很深，一般来说，一个公司始于正轨，由于经营不善，走向欺诈与造假是很常见的。而这种始于诈骗造假，却还能成功融资，最终走上正轨的，少之又少。

这件事对我们投资也很有启发，我们应该要时刻对自己的认知进行反省，我们是否真的能分得清“我知道“和”我不知道“。一般而言，如果一个人对某件事情确信无疑，我会对他保持警惕。

所以，当我为想对一个交易下大赌注的时候，或者确切来说是对某个策略调高权重的时候，我会非常谨慎，并充满恐惧。

还有另外一本书讲索罗斯这些金融大鳄每次在做大交易时，都会腰疼得不行，痛苦不堪，因为结果的不确定性让他们感到紧张恐惧。放眼整个投资界，这些传奇人物并不是每年都可以挣多少钱，而是他们历经几十年，依然屹立不倒活下来了。

这些赫赫有名的顶级投资者，也许面对投资者时非常自信，说自己对某个交易做了充分的研究，但实际上他们还是会因结果的不确定性而备受折磨，更何况是我们呢。

所以，“Don‘t be afraid of second guess yourself”，凡是三思而后行。很多交易员能快速推翻自己原有的想法，当他们在做交易的时候，他们只会考虑将来会发生什么。他们知道所有已知的信息，只是交易决策的参考依据，一定不能对此投入感情。

所以，优秀主观交易员必须是一个“冷血动物”，能把工作和生活分得很清楚，只会向前看而不会对过去有任何的羁绊。其实我做不到这一点，所以我做量化投资。做投资和做交易是完全不一样的，就我自己而言，我是做投资的，而我的机器才是做交易的。

最后再提一本书，是塔勒布的《Fooled by Randomness》，我觉得这本书比塔勒布后来的书更经典，读这本书可以让自己变得清醒，但是如果按照书里讲的去做交易就太过痛苦了。

2020年对于很多投资者来说，是非常难忘的一年。新冠疫情的阴霾笼罩全球，央行财政部联手刺激，使全球资本市场经历了史无前例的快速崩盘与迅猛修复。去年年末，我们有幸连线到了大洋彼岸的美国对冲基金QED Alpha Capital Inc的CIO兼合伙人高光华先生。

高光华先生本科毕业于中科大，加州理工大学物理学博士毕业，曾在美银美林、德意志银行等华尔街大行担任高级交易员。高光华先生是美国第一批从事股票量化交易的资深前辈，1998年，他在华尔街量化对冲基金的先驱之一Caxton/ART开始他的职业生涯，在股票量化交易、风控模型构建和投资组合最优化等领域经验丰富，在高频做市和订单流分析方面也有多年的一线研究与实操经验。

在长达两小时的访谈中，高光华先生向我们分享了他的从业经验、投资哲学，以及对量化策略构建和当前市场环境的看法。侃侃而谈而又不失谦卑，我们将分两篇文章，以问答的形式将丰富的访谈内容为大家尽数呈现。

“过去这10年到15年，应用数学、数据挖掘这些领域真的是突飞猛进，现在本科生学的知识，在我们90年代对应的是博士级别，就更不用讲物理或者化学这些学科的前沿研究了……

如果还是用十几年前的技术，虽然因子模型回测时间长表现也可以很好，但如果在样本外跑实盘的话，可能会比回测的结果差很多，所以我认为策略创新层面还是要赶上去。”

“如果我在科学领域的论文中看到了一些不错的想法，就会用与论文中构建方式相近的数据，按照论文中的测试方法去做模拟。如果我自行测试的结果与论文结果有出入的话，那肯定是有某些地方出了问题，这就是去验证论文方法论的一个过程。在验证完之后，就可以使用股票数据测试这个方法在股市中是否有效。”

“量化的好处在于，可以同时对市场上数千只股票进行分析，虽然每一只的alpha只有不到3%的把握，但构建成一个组合，整体的alpha就很可观，也可以上规模……这也是我的投资与人生哲学：第一，自己不懂的东西坚决不要参与；第二，自己懂得东西要谦虚，要认为自己只懂一点点。”

“做投资和做交易是完全不一样的，就我自己而言，我是做投资的，而我的机器才是做交易的。”

01

量化交易夏普过3，

规模每年翻番的年代

Q: 能向我们这些后辈们讲讲您当年从赴美留学一步步走到华尔街华人高管的经历吗？

高光华：我毕业时刚好遇到美国监管放松的年代，保险理财、券商、对冲基金、银行自营的监管都放开了，计算机和投资理论研究都比较成熟，给我们这些理工科背景的人提供了很好的工作机会。

当时也是冷战结束后不久，军工、学校里的研究岗位等都在裁减，找这类工作都比较难，但华尔街刚刚开始向系统化交易转型，数理技能很强的基本上可以挑工作。

喜欢做前台做交易，有相关的岗位的话，你就直接可以跟招聘人讲我要做前台。那时可以说是金融行业的黄金时代，我结合自己的优势，选择了做前台交易。

我的第一份工作就是做对冲基金，那个时候知道对冲基金的人还很少。我去的这个基金当时做得挺好，创始人来自70年代比较有名的公司Commodity Corp.，这个公司在普林斯顿大学附近，当时一些做数学的、做计算机的人，已经用量化的方式做大宗商品交易了。

我第一个公司的创始人就是Commodity Corp.的交易员，他后来自己创立的公司叫Caxton Associates，我在1998年加入，当时他们已经做得相当不错了。

我加入的时候，正值长期资本公司(LTCM)出问题，遇上了危机，我们的基金也比较紧张，但那个时候主要的收益，基本上都是从我们做量化股票交易里边出来的。

我们基金对外面市场和投资人讲的时候，不太讲这些细节，很多外面的投资人以为这个基金是做全球宏观的，其实真正驱动收益增长的是股票量化交易。

那个时候做量化交易的相对来说较少，有名的也就DE Shaw和文艺复兴，Two Sigma可能还没成立。然后美股市场上股票数量又多，可交易的股票在5000-6000只，现在可能只有3000只左右了？市场上也有很多散户，算是量化交易的黄金时代。

我所在的团队比较小，组长来自MIT物理专业，还没毕业就开始做交易，老板虽然不是博士，但数理分析和编程都非常厉害，市场触觉很强，年纪也跟我们差不多大。总共就是三个博士做模型，还有三个交易员、几个IT，共十几个人的一个小组，但做得很成功。

我们组从1997年到2002年，大概每年都在翻倍，夏普比率轻松就到了3以上。2002年，我们的基金规模大概有50亿美元，那时50亿美元就是规模最大的对冲基金了。做的事情也挺有意思，一直做模型。我应该是用基本面做量化交易很早的几个人之一。

我2005年离开了这个公司，原因是想做点新东西，公司当时只做美股的交易，我觉得应该看看欧洲或日本，但老板兴趣不大，因为美股策略已经很好了，为什么还要去其它地方试，还不一定有效。但是我听说是有效的，因为我知道有其他公司在做。

于是我就去了QVT Financial组建团队，账面规模最高峰的时候大概10亿，团队也就七八个人。但是在2007年8月，发生了著名的Quant Quake，华尔街很多量化交易公司都遇上大回撤，我们基金也受到挺大的影响。之后2008年金融危机来了，我们基金其他小组的策略也亏了不少钱，出现了投资者赎回的情况，于是我就离开了。

2009年到2010年，我在中金工作了一年，给他们做了一个香港的自动交易系统。2010年市场恢复，我就又回到纽约，在美林做高级交易员，然后去德意志银行做了几个月，2011年欧洲出了问题，当时希腊差点把欧元区给搞崩，德意志银行的业务受到了很大的影响，它们的自营交易一下就收缩了。

后来我又回到美林，做了一些高频做市交易，通过散户的订单流获利，这让我在高频还有订单流方面积累了不少经验。但是2014年，美林因为沃尔克法则不能做自营交易了，于是我15年底到了现在这个公司，这就是我的一个基本经历。

02

研究方法与时俱进必不可少，

贪婪终将造成毁灭

Q: 您的华尔街经历跨越了好多个不同的时代，能讲讲关于现在的事情吗？

高光华：关于量化交易，在国内，尤其是2020年，不少基金做得都很不错。但在美国或者欧洲，过去几年大家应该普遍比较辛苦，大概只有几个团队做得非常好。

偏高频的策略倒是做得不错，像Citadel这种可以收集散户的数据流再做交易决策的做法，在信息方面有很大的优势。但是这种做法从数据的花费到系统的维护成本都非常高，所以小的团队也很难复制。

我做了这么多年量化交易系统，二十多年前算是走在前面的，但十几年二十年之后，不更新肯定就落后了。如果还是用十几年前的技术，虽然因子模型回测时间长表现可以很好，但如果在样本外跑实盘的话，会比回测的结果差很多，所以在策略创新方法上要更新。

我们几年前就意识到这一点，也更新知识，学习数据科学（data science），包括机器学习、神经网络，以及优化算法， 开始用于策略研发。

过去这10年到15年，应用数学、数据挖掘这些领域真的是突飞猛进，我发现现在本科生学的知识，已经相当于我们90年代的博士级别，就更不用讲物理或者化学这些学科的前沿研究了。

我发现自己很多知识在变得非常老化，只有重新学，跟踪比较前沿的、不同学科的研究，才能在这个领域生存。

Q：能谈谈在大机构做交易员有什么印象深刻的经历吗？

高光华：印象最深刻的是2007年Quant Quake，还有就是欧债危机和希腊政府违约, 我们有不少朋友在这些量化对冲基金做相关的策略。我看到他们因子暴露，心情是很复杂的，因为都是同行，经历过是感同身受的。

还有一个就是骑士资本(Knight Capital)事件，一个交易系统更换就把整个公司给干掉了。

当时我在美林，我们的后台策略生成系统和交易下单系统是完全分开的，两边的IT都是不通的，不可能出现这样的问题。后来我听说他们是系统升级出了问题，因为量化交易是自动下单的，出问题后不断的高买低卖。

所以，自动化交易下单环节的风控尤其重要，一定要有几个很能胜任的人负责，否则后果不堪设想。现在很多大的机构如摩根斯坦利、摩根大通，虽然给基金提供前端风险控制，但在只能是辅助不能依赖它。

量化股票交易之外，2006年，有几个天然气交易员爆仓了，也让我印象深刻。当时对冲基金Amaranth有个叫Brian Hunter的天然气交易员，他建了很大的天然气期货仓位，结果被市场发现了，最后爆仓，一个人的交易毁了整个公司。

Q：您觉得是什么原因导致这些著名公司的风控系统失灵？

高光华：我觉得主要原因就是贪婪站胜了恐惧，贪婪和恐惧在其他领域也有，只是在金融领域人们可以使用杠杆将其放大。其实在政治上也有贪婪和恐惧，比如美联储就已经深陷其中了。

美联储要让经济与就业恢复，却不想让市场承受任何的阵痛。这就好比你的身体不健康导致不太舒服，却并不愿意去锻炼，反而只想吃止痛药，因为锻炼的过程会让你的肌肉撕裂然后再生，也是会带来酸痛感的。当然当你非常疼的时候确实需要吃止痛药，但有好转的时候还是得去锻炼，不然问题是无法根治的。

美联储就一直在吃止痛药这个方向往前走，2008年美联储就开始救银行了，银行把钱存到美联储的利息，比人们将钱存在银行里的利息都高。理论上讲，人们将钱存到银行还是要承担银行倒闭的风险的，所以需要一定的储蓄利息作为补偿，而银行将钱存到美联储是无风险的，结果还能收到更高的利息。

2009-2012年，美联储以银行不愿意将自己的钱借出去为由，说要救银行。但银行都在赚着无风险的利差，又有什么动力将钱借出去承担额外的信用风险呢？

其实救银行也有不同方式，比如美联储拿几万亿美元出来，成立10家新银行，让大银行那帮职业经理人来管理，这些银行可以通过上市获得新的融资。

然后让这10家银行去竞价购买那些将要倒闭的银行的资产，使得这些资产都能得到正确的定价，而因为过于贪婪导致风控做的不好的银行也要付出代价，这就不会有“大而不倒“的问题了。

这些新成立的银行有绝对的动力像社会提供贷款融资，也就能解决个人和小企业借贷难的问题。然而美联储和这些传统金融机构有着千丝万缕的联系以及根深蒂固的利益绑定，并不愿意承受这样的阵痛。

 03

跨学科研究方法测试是常态，

琐碎的日常事务应自动化

Q：您之前在美林、德意志银行等大机构都担任过Senior Trader, 华尔街交易员的一天是怎么样的?

高光华：我之前主要是做量化交易的，所以基本上将日常重复琐碎的工作都自动化了，这有两个好处: 一是这些工作很浪费时间，二是人做这些重复性的事务总可能会出现一些纰漏，而通过程序去自动化，出错的机率会非常小。

所以像收集公司股本变动、常规数据搜索采集分析、生成投资组合这些能够程序自动化实现的，我都会选择自动化。

记得我离开美林的时候，我在美林管的账户在没有人主观干预的情况下，还自动运行了两个月。因为每天的交易记录、仓位报告和风险报告都可以自动生成，哪些任务完成了有自动检查，哪些任务要停止了程序也会自动检查，都有标准化的检查。

另外，在采集数据时也会有标准化的检查，确保这些数据是清洗好的，不会出现”garbage in, garbage out“的情况。

除了这些可自动化的工作之外，我的大多数时间都花在研究上，阅读学术论文并尝试将论文中的测试在投资上复现。

我看的学术论文其实大多跟投资是没有什么关联的，因为我是学物理出身的，对数理化、生物学、医药学这些自然科学一直非常感兴趣。特别是里面使用的一些测试的方法，都是以数学为基础的硬科学，即使测试中有些随机项不可复现，但是整体的分布是可以复现的。

可能在药物方面的测试比较难复现，因为这其中可能存在安慰剂效应，但股市的话就不只是安慰剂效应了。比如股市里alpha 做的人多了，就成了beta；知道这个策略的人都在用这个方法做，那么做这个策略的资金规模就上去，超过了策略容量上限之后，也就做成了beta。

如果我在论文中看到了一些不错的想法，就会用与论文中构建方式相近的数据，按照论文中的测试方法去做模拟。

如果我自行测试的结果与论文结果有出入的话，那肯定是有某些地方出了问题，这就是去验证论文方法论的一个过程。在验证完之后，就可以使用股票数据测试是否这个方法在股市中是否有效。这就是我比较典型的一天。

Q：作为交易员，您每天会看新闻么？

高光华：新闻我平时看得不多，只是偶尔看看彭博终端的新闻。因为这些新闻对于我们做量化来说，用处不是特别大，更多是出于好奇去看看，大部分新闻甚至是噪音干扰。有些量化做得好的机构，可能连彭博都没有。除非是用彭博来下单或者找数据，那就是另外一回事，但是如果是用彭博来关心或者查询实时新闻，我感觉用处是不大的。

不过，08年金融危机之后，彭博雇佣了许多交易员去做分析师或咨询师，其中很多也是量化交易员，所以如果你要做量化分析，例如FOF(Fund of Fund)研究、风险管理或者交易执行的质量分析等，彭博就是一个非常好的工具。我现在也会用彭博做这类型的分析工作，但并不是每个人都必须用彭博。

04

对信仰投资保持警惕，

将众多弱认知组合成强认知可以上规模

Q：“投资是认知的变现“，请问有什么知识与经验，或相关著作，给您的交易体系形成产生了较大的影响？

高光华：投资是认知的变现，这句话我非常同意。美国前国防部长拉姆斯菲尔德将人的认知分成了四个象限：“你知道你知道”，“你知道你不知道”，“你不知道你知道”，和“你不知道你不知道“，我也对这个划分也很认同。

我们做量化投资经常要做风险模型，当我们知道我们不知道未来市场会涨还是会跌，就让自己的投资组合保持市场中性，将市场风险对冲掉，这就是“我知道我不知道“的例子。如果有一些宏观交易员确实有能力判断市场将来大概率会怎么走，那他就可以去交易，因为”他知道他知道“。

我们量化交易，实际上是“Do something we know a little about it”，这就是我们的alpha。为什么只是知道一点呢？因为在量化这个领域中，能产生alpha的因子，一般样本外的R-square能达到3%-5%的确定性已经非常了不起了。

如果跟一个仓位集中、只对少数的重仓股进行深入研究的做主观投资的基金经理说：“你构建的因子只能解释3%-5%的股票波动”，他一定会认为你在浪费时间。

但是，量化的好处在于，可以同时对市场上五六千只股票进行分析，虽然每一只的alpha只有3%的把握，但构建成一个组合，整体的alpha就很可观，也可以上规模。这就是我们做量化的知道自己能做的事情。

这也是我的人生哲学：“第一，自己不懂的东西坚决不要参与；第二，自己懂得东西要谦虚，要认为自己只懂一点点。”

从书籍阅读上来说，我推荐大家看一本书，是著名对冲基金经理、也曾经是摩根斯坦利最大的个人股东Barton Biggs写的，叫《Hedge Hogging》，这本书用小说的口吻讲述一个交易员真实的故事。

我印象最深的是书中讲的一个天才交易员，这也是作者在现实中认识的一个非常杰出的交易员，他对一个公司的项目做了很多非常细致的研究，有点像现在的浑水对中概股进行全方位的侦察。他几乎可以100%断定某个项目存在造假，所以决定做空这个相关公司。

但是，由于这家公司的造假非常高明，几乎没有投资者发现其中的猫腻，即使这个公司不断发行新股融资，也有投资者买账。于是这家公司有钱之后聘请了资深的职业项目经理来打理，让这个造假的项目转型并逐渐走上了正轨。而这个天才交易员，依然认定这是一家造假的公司而继续做空，最终爆仓。

当时看到这一段我感触很深，一般来说，一个公司始于正轨，由于经营不善，走向欺诈与造假是很常见的。而这种始于诈骗造假，却还能成功融资，最终走上正轨的，少之又少。

这件事对我们投资也很有启发，我们应该要时刻对自己的认知进行反省，我们是否真的能分得清“我知道“和”我不知道“。一般而言，如果一个人对某件事情确信无疑，我会对他保持警惕。

所以，当我为想对一个交易下大赌注的时候，或者确切来说是对某个策略调高权重的时候，我会非常谨慎，并充满恐惧。

还有另外一本书讲索罗斯这些金融大鳄每次在做大交易时，都会腰疼得不行，痛苦不堪，因为结果的不确定性让他们感到紧张恐惧。放眼整个投资界，这些传奇人物并不是每年都可以挣多少钱，而是他们历经几十年，依然屹立不倒活下来了。

这些赫赫有名的顶级投资者，也许面对投资者时非常自信，说自己对某个交易做了充分的研究，但实际上他们还是会因结果的不确定性而备受折磨，更何况是我们呢。

所以，“Don‘t be afraid of second guess yourself”，凡是三思而后行。很多交易员能快速推翻自己原有的想法，当他们在做交易的时候，他们只会考虑将来会发生什么。他们知道所有已知的信息，只是交易决策的参考依据，一定不能对此投入感情。

所以，优秀主观交易员必须是一个“冷血动物”，能把工作和生活分得很清楚，只会向前看而不会对过去有任何的羁绊。其实我做不到这一点，所以我做量化投资。做投资和做交易是完全不一样的，就我自己而言，我是做投资的，而我的机器才是做交易的。

最后再提一本书，是塔勒布的《Fooled by Randomness》，我觉得这本书比塔勒布后来的书更经典，读这本书可以让自己变得清醒，但是如果按照书里讲的去做交易就太过痛苦了。