• 퀀트 펀드는 고급 정량 분석을 기반으로 투자 결정을 내립니다.
• 관리자는 알고리즘과 맞춤형 컴퓨터 모델을 활용하여 투자를 선택합니다.
• 최근 몇 년 동안 시장 데이터의 가용성 증가로 인해 펀드 내에서 정량적 분석의 인기가 높아졌습니다.
• 퀀트 펀드는 최첨단 기술을 활용하지만 정량 분석의 사용은 80 년 전으로 거슬러 올라갑니다.

퀀트 투자의 작동 원리

퀀트 펀드는 알고리즘 또는 체계적으로 프로그래밍 된 투자 전략에 의존합니다. 퀀트 펀드는 대규모 자산 관리자가 지원하는 많은 투자 제안 중 하나 일 수 있습니다. 그러나 이는 전문 투자 관리자의 중앙 관리 초점이 될 수도 있습니다.

퀀트 펀드 투자시장은 성장하고 있고, 사업이 퀀트 펀드 매니저와 업계에 설립되었다 소문에 의하면 2017의 모든 미국 주식 거래의 분기 책임의 TABB 그룹은 말했다.

대규모 자산 관리자는 시간이 지남에 따라 지속적으로 시장 벤치 마크를이기는 데 어려움을 겪는 펀드 관리자로서 퀀트 투자 전략에 대 늘리려고 했습니다 . 소규모 헤지 펀드 매니저는 또한 투자 시장에서 총 퀀트 펀드 오퍼링을 마무리합니다. 전반적으로 퀀트 펀드 매니저 는 공인 된 학위와 수학 및 프로그래밍 분야에서 고도로 기술적 인 경험을 가진 재능있는 인재를 찾습니다.

2. 퀀트 투자로 높은 수익이 가능할까?

결론부터 말씀드리면 어렵습니다. 새로운 양적 펀드는 전문 거래자가 이용하고 이익을 얻을 수있는 몇 가지 제한이 있습니다. 고용량 요구 사항, 낮은 베타 제약, 학문적 조언에 의존하고 알고리즘 거래가 만병 통치약이라고 생각하는 것도 그중 일부입니다. 양적 헤지 펀드는 그들을 운영하는 사람들이 똑똑하고 고등 교육을 받았음에도 불구하고 새로운 멍청한 돈입니다. 제로섬 게임은 무자비합니다.

양적 헤지 펀드의 한계

숙련 된 전문 트레이더가 이용할 수있는 양적 헤지 펀드에는 몇 가지 제한 사항이 있습니다.

1. 고용량 거래 알고리즘

펀드는 자금 유입을 기대하므로 전략이이를 수용해야합니다. 이는 사용할 수있는 전략 유형에 제약을 부과합니다. 생산 능력을 높이기 위해서는 다양한 상품을 거래해야하며, 선물 시장의 유동성이 훨씬 낮기 때문에 일반적으로 주식 시장에서 사용할 수 있습니다. S & P 500 구성 요소는 적합한 우주를 구성하는 예입니다. 큰 규모의 증권을 거래하면 편향 분산 트레이드 오프로 인해 약한 모델을 적용하여 수익 분산을 줄이면서 기대 수익도 줄일 수 있습니다. 요컨대, 고용량 제약은 일반적으로 높은 거래 마찰에서 약한 모델과 낮은 수익으로 이어집니다.

전문 트레이더는 상대적으로 빠른 모델로 지수 ETF 거래에 집중함으로써이 제한을 활용할 수 있습니다. 이러한 ETF의 가격 행동은 재조정으로 인한 밑줄 가격 행동에 영향을 미칩니다. 결과적으로 헤지 펀드는 개별 주식을 더 나쁜 가격으로 거래하게됩니다.

용량 제한에서 이익을 얻는 또 다른 고급 방법은 매우 빠른 알고리즘을 사용하는 것입니다. HFT 거래자들은 이미 그렇게하고 있지만 지연이 작은 경우 중저 빈도 거래자들이 혜택을 볼 수 있습니다.

2. 낮은 베타 제한

대부분의 양적 헤지 펀드는 시장과의 상관 관계가 낮은 성과를 요구합니다. 이것은 가능한 한 0에 가까운 베타로 변환됩니다. 그러나 이는 위험 조정 기준으로 수익성이 높은 대규모 모델을 배제합니다. 예를 들어, SPY의 시작 이후 1-12 개월 이동 평균 모멘텀 규칙은 매수 및 보유의 0.55에 비해 0.90의 Sharpe 비율을 갖지만 베타는 원하는 임계 값보다 훨씬 높은 0.48입니다.

전문 트레이더는 베타가 높지만 낮은 베타를 요구하는 헤지 펀드의 수익 잠재력을 낮추는 효과가있는 유사한 모델을 사용할 수 있습니다.

위의 모델은 예시로 제시되었지만 멍청한 돈의 운과 중앙 은행 지원으로 인해 향후 성능에 부정적인 영향을 미칠 가능성이 높습니다. 이를 “보행자”전략이라고하며 이는 단지 예일뿐입니다.

3. 학술 연구자 조언에 의존

학술 연구자에게 의존하는 것은 헤지 펀드가 할 수있는 최악의 일일 것입니다. 학계 연구원과 스킨 인 더 게임을 가진 전문 숙련 된 거래자 사이에는 마음의 틀에 큰 차이가 있습니다.

저는 최근에 기계 학습 사용에 관한 자금을 헤지하기 위해 한 학술 연구원의 프레젠테이션을 보았습니다. 연구원이 고급 수학 기술을 가진 똑똑한 사람이지만 과대 광고를 만들고 인상을 남기기 위해 이상한 용어를 사용한다는 것이 분명했습니다.

데이터 마이닝 편향과 p- 해킹이 문제이지만 학술 연구 솔루션은 모호하며 과도하게 장착 된 모델이 수십 년 동안 잘 작동 할 수 있다는 사실을 무시하고 추후에 p- 해킹이 분명해지기 전에 상당한 부를 실현할 수 있습니다. 거래에서 시장 상황이 언제 변하는 지 아는 것이 데이터 마이닝 편향을 추정하는 것보다 훨씬 더 중요합니다. 실제로 시장 상황이 동일하게 유지되는 한 과적 합 모델이 좋은 솔루션이 될 수 있습니다. 나는 나의 논문 Limitations of Quantitative Claims About Trading Strategy Evaluation에 예가 있습니다. 이 문서가 전략 개발과 시장에 대한 전체적인 견해를 어떻게 바꾸 었는지 알려주는 사람들로부터 이메일을받습니다. 그리고 말할 필요도없이 : 나는 그들의 목표가 다르기 때문에 학술 연구자들로부터 어떠한 칭찬도 기대하지 않습니다.

4. 많은 양적 자금이 파멸

이것을 제한으로 나열하는 이유는 무엇입니까? 제 생각에는 algos로 쉽게 돈을 벌 수 있다고 믿는 사람은 결국 잃을 것입니다. 스킨 인 더 게임을 가진 사람이 알고 있듯이 거래는 알고리즘 그 이상입니다. 성능에 영향을 미칠 수있는 여러 요인이 있습니다. 모든 것을 레이더 ​​아래에 두는 것은 어려운 일이며 고도로 훈련 된 대규모 직원 그룹과 작업 공유 (Ray Dalio 및 Bridgewater의 원칙)가 필요하거나 운영 규모를 작게 유지해야합니다. 한 사람이 몇 가지 유동적 시장에 초점을 맞추는 모습을 보여줍니다. 요인, 기능, 기계 학습, 알고리즘, 백 테스팅, 데이터 마이닝 편향, 멋진 플랫폼 등은 작업의 50 % 미만일 수 있습니다. 나머지 50 %는 실행, 유지 관리 및 예기치 않은 처리에 관한 것입니다.