下载掌阅APP，畅读海量书库
立即打开
一种有效的学习方法是整理我们现有的知识。有时，它能很清楚地使我们认识到我们并不了解某些事情。但是即使没有这种明显的差距，想要采取这种分类的想法也是有所帮助的。科学通常从知识分类开始。在我们知道通过自然选择产生的物种之前，我们就知道了物种；在我们知道原子结构之前，我们就知道元素可以被归入周期表；在我们知道DNA结构之前，我们就知道了显性和隐性基因。
我们已经将交易机会划分为市场效率不足和风险溢价两类。这种区别在战略层面很重要。错误定价的风险溢价可以持续很长时间，一项业务可以建立在收获风险溢价的基础上。市场效率不足却不会持续存在，因此需要在它持续的时间内积极交易并假设它们不会持续太久。
同样，我们也可以在战术层面上对交易进行分类（战略定义了高层次的目标，而战术是我们用来实现这些目标的方法）。交易要么是模型驱动，要么是事件驱动。
在模型驱动的交易中，理论模型可以用来计算公允价值或优势。在任何时候，我们都可以根据模型形成一个观点。例如，如果我们有一个期权定价模型，我们就可以不断地为同一标的资产上的所有期权生成一个理论价值。事件驱动型交易是基于特定的异常情况。注意到公司发布收益公告后隐含波动率下降，可以作为事件驱动型交易的基础。
所有类型的交易、投资或赌博都可以这样分类。在21点
中，算牌是由模型驱动的。玩家的算牌方案为发的每张牌分配一个值。当牌被打出时，玩家会更新计数，并相应地修改优势估计。在发牌的任何时候，玩家都会知道自己的优势是什么。但也有另外一种事件驱动的方法：王牌追踪。王牌追踪是基于洗牌并不是完美的随机化方法。在一次洗牌后靠得很近的纸牌往往会在下一次洗牌后依然靠得很近，因此一个王牌追踪者会注意那些靠近王牌的纸牌，当那些纸牌在下一轮出现时，他就可以知道接下来是王牌的概率升高了。因为玩家在21点中的优势来自2∶1的21点赔付，所以一个比随机更好地去发现王牌的点子，足以提供显著的优势。王牌追踪比算牌更有效。
股票投资也可以进行类似的分类，我们可以用Fama-French-Carhart四因子模型对股票进行排序，也可以购买收益高于预期的股票。在赛马比赛中，一个模型的例子是Beyer速度体系，作为一个事件驱动型策略，它将支持那些暂时表现不好的马。
这两种方法都各有优缺点。
为了使模型驱动的方法有效，我们需要一个好的模型，有些情况比其他情况更加需要。例如，存在非常好的期权估值模型，但是股票估值方法却很粗糙。有时，构建模型所需的工作并不值得。但如果我们有一个模型，我们就永远能够交易，对于每一个交易机会，我们都将有对应的理论价值。这意味着该方法具有很好的扩展性和广泛的适用性。我们也将能够根据我们感知到的优势来衡量我们的交易。
这种方法的最大问题是模型必须大大简化对现实的看法。通常情况下，模型明显的有效性并不是因为其自身的有效性，而更多是因为数据收集和处理得到了回报。在20世纪80年代，收集每日收盘价并从中计算波动率就足以在期权市场上获得波动率优势。现在，这种数据是免费的，而且容易自动处理，这种波动率套利模式似乎已经没有了优势。但是这个模型本身根本没有任何优势，优势都在于数据收集和处理。
事件驱动交易有两大优势，发现和测试它们的过程都非常简单。美联储会议后的三天里，股票市场会发生什么变化？周一波动率指数（VIX）的表现如何？深虚期权定价是否过高？我们只需要通过数据和Excel表格就可以测试这些想法。
最重要的是，基于特定事件或情形的交易可能是非常有利可图的。我有一种实际上从未亏损过的交易。这种交易一年只有几次机会，也相当受到流动性的局限，但它的记录是完美无缺的。这种盈利能力可能与一个事实有关：对于这种情况为何是有利可图的，存在巨大的不确定性。
事件驱动型交易的缺点是我们必须等待事件发生，而有些事件并不经常发生。我们很难基于一个几年发生不了一次的交易策略来构建业务，而且通常很难知道这项交易为什么存在。这并不总是正确的。例如，王牌追踪有利的原因是非常清晰的，但有时即使是具有令人信服的统计数据的交易也没有明显的原因。如果我不知道一项交易存在的原因，我就不会做这笔交易，但有时很容易想出一个事后的理由。例如，许多体育迷相信主场优势是由于旅途疲劳造成的。这似乎很有道理，却是错误的。即使球队共用同一个场地，主队也有优势。这一难题没有神奇的答案。一个原因的证据越弱，就越需要有力的统计证据。
与此相关的问题是，如果我们对一项交易为什么有效只有一个模糊的概念，我们将很难知道它是否已无效，或者我们只是在经历一段糟糕的时期。如果提出的原因是心理因素，那就更是如此。人们总是倾向于把异常现象归因于心理因素。这不可避免地导致了对交易的过度自信。毕竟，人类的心理不会改变，那为什么这些交易会无效呢？
最后，我们通常无法在同一类交易中区分出“好”的交易和“坏”的交易。如果我们只知道卖出超额收益的期权是有利可图的，我们就不知道卖出苹果期权还是IBM期权更好。这使得控制规模变得困难。我们只掌握了整个交易类别的统计数据。我们需要非常保守。
模型会给人一种错误的安全感，没有一种模型能解释所有问题。任何事件的原因都不是单一的。大多数事件都有许多原因。情境策略直接承认了这种不确定性，一般来说，能适应不确定性的交易者会做得最好。因此，尽管创建模型不是一个坏主意，但你还是需要适应交易时特定事件所固有的模糊性。
我们在本书中的重点是找到我们可以做得比共识更好的情况。这一点将在第5章中详细介绍。查找和操纵金融数据的简便性大大降低了使用时间序列模型预测波动率的有效性，但以这种方式衡量和预测波动率对于确定交易规模和分配仍然是必要的。计量经济学家仍在没完没了地写关于GARCH模型族不同成员的论文，但在过去20年里，波动率的衡量和预测没有本质上不同的进展。