摩根士丹利對今年參加量化會議的與會者做了一項問卷調查。聚寬量化實驗室最近發現這篇文章並翻譯過來，雖然調查結果是美國市場的情況，但是非常值得我們在中國市場進行預先佈局和思考。

統計結果顯示，與2017年相比，運用機器學習進行量化研究的人數有所上升，同時越來越多的人更看好被動投資，但總體上講，參與量化研究的人數增長率有所放緩。

我們對參加我們第六屆摩根士丹利量化研究和投資大會的與會者做了一項問卷調查。其中一些問題在去年和前年也曾出現在問卷中，這讓我們能看到近些年的一些變化。

一、重要結論：

• 過去一年內採用機器學習方法做量化投資的人有顯著增長。大約10%的被調查者從僅僅將機器學習用在回測和除錯階段，轉為將機器學習實際應用在他們的交易策略中，這順應了2016年以來的趨勢。

• 與去年相比，認為被動投資的方法使主動投資者有獲利空間的人數大幅上升，從8%上升到了46%。但同時，接近半數的被調查者仍然認為被動投資對主動投資者有不利影響。今年幾乎沒有人認為被動投資對主動投資沒有任何影響。

• 57%的被調查者表示，儘管另類資料作為輔助因素越來越有用，但是它們依然不如傳統資料（即財務和價格資料）有效。利用另類資料依然是一個機會，但是也有25%的人表示他們並不使用另類資料。

• 財務資料不再是投資策略的核心，很多公司開始淡化其在策略中的佔比，甚至不再在策略中包含財務資料因子。

• 量化公司員工人數增速放緩，與去年47%的公司選擇增員相比，今年只有40%的公司增加量化研究員人數。同時與去年4%的公司選擇裁員相比，今年有11%的公司選擇裁員。

二、問卷調查結果詳述：

1.另類資料：57%的被調查者表示，儘管另類資料作為輔助因素越來越有用，但是它們依然不如傳統資料（財務和價格資料）有效。利用另類資料依然是一個機會，但是也有25%的人表示他們並不使用另類資料。

2.機器學習：過去一年內採用機器學習方法做量化投資的人有顯著增長。大約10%的被調查者從僅僅將機器學習用在回測和除錯階段，轉為實際應用在他們的交易策略中，這順應了2016年以來的趨勢。

3.被動投資：與去年相比，認為被動投資有利於主動投資者的人數大幅上升，從8%上升到了46%。接近一半的人仍然認為被動投資對主動投資者不利。但是現在幾乎沒有人認為被動投資對主動投資沒有影響。

4.基本面量化投資方法的趨勢：增加量化研究員的公司佔比從47%下降到了40%，同時進行裁員的公司佔比從4%上升到了11%。利用財務資料作為他們投資策略的核心的公司佔比也有所下降，但財務資料研究員的數量幾乎不變。

5.ESG/SRI：與去年相比，越來越少的公司提供ESG/SRI產品，但是越來越多的公司在考慮推出這類產品。被調查者對市場營銷和ESG/SRI產品的表現，能給產品帶來的相對效益大小的觀點與去年保持一致。

注：ESG（Environmental, Social and Governance）通常代表環境、社會和公司治理三大因素，是社會責任投資SRI（Socially Responsible Investment）中投資決策的重要考量因子。

我們查閱資料顯示：社會責任感薄弱，ESG表現並不好的企業，不管盈利能力和發展前景再怎麼優秀，都會面臨一些監管和指數收錄問題。各大金融機構均在其投資決策和工作中納入ESG因子和責任投資相關內容。

6.因子擇時：更多的被調查者表示他們會酌情使用因子擇時（動態調整因子權重），但是與2017年相比，對因子擇時能帶來效益的觀點持否定態度的人有所增加，甚至有15%的人認為因子擇時根本就是一個災難。

7.風險：量化因子的表現被視為影響策略表現的最大風險因素，但28%的被調查者認為像2017年8月的次貸危機事件才是最大的風險。相關反饋與去年相比並無顯著變化。

三、與會發言人演講重點：

• 來自加州大學伯克利分校的Martin Lettau教授展示了利用主成分分析（PCA）做擴充套件應用得到的結果。這種新方法不僅能解釋何為風險，還能解釋為何不同資產有不同的預期回報率。這個方法應用起來非常直接，並且與純主成分分析（PCA）和標準因子模型相比，能從樣本中找出具有更高夏普比率的因子。有趣的是，Lettau教授指出有五個因子能解釋幾乎所有風險和回報，而這正與摩根士丹利機器學習小組的發現不謀而合。

• 由來自摩根士丹利的Michael Kearns主導的機器學習小組澄清了關於機器學習的幾個誤解：

1. 加大機器學習的研究會使得人力成本增加，而不是減少，因為必須有人去分析和解釋資料。

2. 另類資料並不一定需要機器學習。事實上，具有更多特徵的更長曆史的傳統資料更適合使用機器學習作分析。小組成員認為，對於十分詳細的資料，如何保護隱私和緩和可能的偏差是非常重要的考量，這點可以通過使用機器學習中的目標函式裡的限制條件來達到。

• 來自摩根士丹利的Chiente Hsu指出另類資料儘管有一定潛力，但是蒐集這類資料所花費的成本和如何儲存並分析這些資料是更大的挑戰。另一位同樣來自摩根士丹利的Boris Lerner發現量化因子在不同地區效用不同，例如在日本，動量因子的效用就非常糟糕。

=>>到聚寬社群檢視原文，還可獲取英文原版哦