下载掌阅APP，畅读海量书库
立即打开
技术分析研究价格和交易量以预测回报。
技术分析
阿伦森将技术分析分为主观分析和客观分析。这是一个有用的区分。
主观的技术分析结合了交易员对数据的判断和解释。例如，“如果价格超过指数加权平均值，我可能会做多，这取决于很多其他因素”。这些方法没有错，它们甚至都不是方法。主观性在科学中不一定是个问题。研究人员主观地选择要研究的内容，然后主观地选择合理的方法，但是如果将主观性作为交易方法的一部分，而不是作为研究的一部分，那么就没有办法可以检验什么是有效的，什么是无效的。存在交易员因为使用主观方法而成功的吗？显然是有的，但是在我们弄清楚有多少人失败之前，我们无法判断这种方法是否有效。此外，不同投资者即使表面上使用相同的方法，甚至基于相同的输入参数，其做出的决策也不相同。实际上，基本没有办法检验主观分析的有效性。
例如，日本的K线图、艾略特波浪、江恩角、趋势线和图形（旗、三角旗、头、肩等），这些东西本质上是主观的。这些并不是方法。以最善意的方式解释，它们（从字面上）是观察市场的框架。使用这些方法可能可以帮助交易员隐约学习如何预测市场。但是更现实的是，主观的技术分析几乎可以肯定是垃圾。我无法证明这些想法行不通，没有人可以证明。它们无法自圆其说是因为它们并没有严格意义上的定义。但是大量的间接证据表明这种分析是毫无价值的。大型交易公司或银行都没有专门针对此类分析的业务部门，它们有基于统计套利、风险套利、做市、跨期、收益率曲线交易和波动率的业务，没有一家知名的大型公司拥有日本K线图业务部门。
正如我的前任老板所说：“那不是分析，那是猜测。”
任何方法都可以主观地应用，但是只有部分可以客观地应用。阿伦森将客观的技术分析定义为“发出明确信号的定义清晰的可重复程序”。可以根据历史数据测试这些信号，并衡量其有效性。这本质上是定量分析。
似乎其中一些方法可以用来在股票和期货市场中赚钱。但是，每个单独的信号都将非常微弱，要赚取任何稳定的资金，就需要将各种信号进行组合，这就是统计套利的基础。这不在本书讨论的范围之内。
但是，在对价格或收益数据进行定量分析时，我们确实需要注意一个糟糕的经典错误：数据挖掘。
在数据挖掘中，我们使用许多方法、参数和时间尺度去筛选数据。这几乎可以确定会产生某些具有样本内获利能力的策略。当此问题仅限于选择单个给定策略的参数时，通常称为过度拟合。如果加入足够的变量，则可以得到一个多项式来更好地拟合数据。即使你预先选择了函数或策略，通过“优化”变量，你也将获得最佳的样本内拟合度。但在样本外这可能不是最好的。恩里科·费米尼（Enrico Fermini）分享了数学家兼经济学家约翰·冯·诺伊曼（John von Neumann）所说的“用四个参数我可以拟合出一头大象，用五个参数我可以让大象的鼻子动起来”。
不仅交易员会犯这个错误，学术界也陷入了陷阱。Ioannidis在2005年首次发表有关此问题的报告，随后，Harvey等和Hou等讨论了数据挖掘对金融异常研究的影响。
有几种方法可以避免这个陷阱：
► 样本外的规则回测检验的最好的表现将是正偏。即使基本前提是正确的，规则的未来表现也会比样本中的结果差。
► 这种偏差的大小随着样本内数据集的增大而减小。
► 规则（包括参数）的数量越大，偏差越大。
► 使用样本外数据检验的最佳规则，这样可以更好地了解其真实表现。
► 理想的情况是数据集大且检验规则少。
即使在应用了这些规则之后，也应谨慎应用偏差校正方法。
最简单的是邦费罗尼（Bonferroni）校正，通过除以检验的规则数量来缩放任何统计显著性数量。因此，如果在95%置信水平（5%拒绝水平）下的显著性测试显示最佳规则是显著的，但该规则是100条规则中表现最好的，那么调整后的拒绝水平将为5%/100或0.005%。因此在这种情况下， t 值为2的最佳规则并不表示95%的置信水平。我们需要一个 t 值为2.916，对应于单一规则的99.5%置信水平。这个测试很简单，但功能并不强大。它过于保守，对好的规则持怀疑态度。当被用于制定交易策略时，它是有优势的。
怀特的真实性检验（White’s reality check，WRC）是一种更高级的测试。这是一种自举方法，可产生适当的采样分布以测试最佳策略的显著性。这项测试已获得专利，可以购买可执行该测试的商业软件包。当然，也可以用一个简单的例子来说明其基本算法。
我们有两种策略，A和B，分别产生2%和1%的日收益，都是通过观察100个历史收益得出的。我们可以使用WRC来确定策略A的明显优势是否来源于数据挖掘：
► 使用重置抽样法，从历史数据中生成100个系列收益数据。
► 将策略（A和B）应用于此历史数据，以获取虚拟策略A′和B′。
► 用A′减去A的平均收益，用B′减去B的平均收益。
► 计算收益调整策略A″和B″的平均收益。
► A″和B″中较大的收益是样本分布的第一个数据点。
► 重复该过程 N 次以生成完整的分布，这是统计的抽样分布，两个预期收益为零的规则的最大平均收益。
► p 值（最佳规则是两者中更好的概率）是（收益）超过A的收益（即2%）的抽样分布比例。
现实情况将涉及许多规则的比较，花钱买这个软件可能是值得的。
还有一种完全不同且互补的方法可用来避免过度拟合。忘掉数据的时间序列，研究潜在现象。猎人并不太在乎鸭子的生物化学成分，但他们会非常了解鸭子的实际行为。在这方面，交易员是猎人，而不是科学家。忘掉波动率是遵循GARCH（1,1）还是T-GARCH（1,2）过程，重要的观察结果是它在短期内聚集并且在长期内均值回归。如果该现象足够突出，可以用于交易，那么使用哪种精确模型就不重要了。一些模型在样本中总是更好的，但这并不能保证它们在样本外的表现是最好的。
上文这个例子阐明了找到交易策略的正确方法。
有压倒性的证据表明股票具有动量，表现出色的股票往往会继续表现出色。从我们有数据时起就可以观察到这一点，许多国家和地区也是如此。对于动量的定义和测量的时间尺度而言，观测结果是可靠的。在交易世界中，股票动量的证据不胜枚举。从这个事实出发，设计一个简单的模型来衡量动量（例如6个月的回报），然后根据这个指标对股票进行分类，并购买得分较高的股票。
最糟糕的事情是采取一个预定义的模型，看它是否有效。30天、200天移动平均线交叉是否可以预测VIX期货的走势？如果我们将第一个周期改为50天会怎样？我不知道也并不在乎。
基本面分析
基本面分析旨在通过查看金融、经济和政治等变量来预测回报。例如，股票基本面分析师可能会查看利润、收益率、销售额和负债率，全球宏观交易员可能会考虑GDP、货币水平、贸易逆差和政治稳定性。
基本面分析，尤其是全球宏观分析，特别容易受到主观性的影响。这也会诱使其他聪明的人根据他们在《华尔街日报》或《经济学人》上读到的内容做出投资决策。无论故事的来源多么可靠，或者读者有多么聪明，都不太可能有人能从这些公共分析中持续获利。
考虑一下“专家”的以下陈述：
金融风暴肯定已经过去了。
——伯纳德·巴鲁克1929年11月致丘吉尔的电报
股票价格在接下来的三年中连续下跌，道琼斯指数1930年下跌了33%，1931年下跌了52%，1932年下跌了23%。
不能轻视1987年10月的信息，大牛市已经过去了。
——艾略特波浪理论家罗伯特·普莱切特于1987年11月提出
在接下来的12年中，道琼斯指数有11年都在上涨，收益率（不包括股息）超过490%。
可能会出现熊市……可能会下跌30%或40%。
——巴顿·比格斯，1997年10月27日
道琼斯指数在1997年10月28日创下最大单日涨幅，并在接下来的6个月里继续强劲反弹。
在大多数情况下，取笑别人的错误是刻薄的。我们都会犯错。我所引用的人都自称是这一领域的专家，而事实上，真正的专家非常少。
这方面的证据可不是空穴来风。
专家的预测能力普遍是比较差的。Gray总结了许多研究的结果，这些结果表明，简单、系统的模型在军事战术、重罪累犯和疾病诊断等领域的表现都优于专家。建立模型需要专业知识，但专家不应对每一种情形逐个做判断。
Koijen等的研究表明，经济专家（为企业、智库、商会和非政府组织工作）的调查与未来的股票收益率呈负相关关系，也与货币和债券收益率呈负相关关系。该情况适用于13个股票市场、19种货币和10个固定收益市场。一个简单的“去专家化”策略会给出1989～2012年0.78的夏普比率。
财务顾问的表现也同样糟糕，Jenkinson等研究过财务顾问在挑选共同基金方面的表现，他们的结论是：“我们没有证据表明这些建议会增加价值，这表明在投资顾问的鼓励和指导下寻找赢家是徒劳的。”而且，基金经理本身的业绩表现也无法始终超过平均水平，因为交易成本，大多数基金经理的表现不佳，而且本年与下年的表现也没有相关性。因此，基金经理没办法挑选出好股票，而试图挑选优秀的基金经理也毫无意义。
基本面分析生成的大部分Alpha也很可能是聪明Beta
，这是对暴露于特定风险因素的补偿。无论来自聪明Beta还是Alpha，交易利润就是利润。这绝对没错。但在我们把交易员的成果归功于技能之前，我们应该知道是什么产生了利润。Beta的成本应该比Alpha低很多。