“永远不要冒自己无法承受的风险”——查尔斯D·埃利斯（出自“赢得输家的游戏”）
结构组织和目的：
承接上章的叙述，本章试图将算法实现问题纳入到三个框架下讨论：择时、择股和仓位管理。在给出资金水平决定的优先级别不同的前提下，笔者将对每个框架举一个示例来说明算法设计可以在何等贴近个人投资者分析习惯的层面上展开。进而表明数量化扩展方向的多样性。
在本章开始之前，笔者想谈一下西蒙斯在2007年给投资人的信中提到的两个名词：“波动性较低的基本系统”与“建立在基本系统之上的市场预测系统”。先把猜测基本系统和预测系统的兴趣摆在一边，我们至少能获得两个信息：（1）组合管理采用多策略系统共存的算法池结构；（2）算法池除了松散的并列结构，也可以采用层级式递进结构，又或者是两者的综合体。这两点十分重要，笔者在之前的章节就介绍过策略容量问题，策略算法能有效驱动资金的有限性必然要求在资金基数扩大的同时增加策略算法数量。而到底是否一定要求以“波动性较低的基本系统”作为根基笔者倒觉得也不尽然。当然了，如果能做到如同大奖章一样收益率的策略固然最好，但以相对收益为追求目标仍然可以满足国内投资者的需求。时刻记住，能打败市场本身就已经是一个极为困难的要求。
图11两种基本的算法池结构粗略的说，我们有类似于长期资本的创新螺旋、倒金字塔结构和此处的松散结构两个选项。但笔者显然更倾向于后者。很多人觉得这个问题似乎有些不够“实际”，笔者倒是觉得恰恰相反。因为它直接决定了算法池内算管系统所要采用的设计理念。别忘了，算法适应度的监控，甚至资金权重的部分配给都是由算管系统负责的。其重要性不言自明。
数据来源：宏源证券信用交易部
（第一节）统领之前的概念
在前面的章节，我们将各个部分都予以敲碎以求能单独的给予更清晰的解释。现在到了把支离破碎的零件组装在一起的时刻了。整个交易系统最为基础的组成部分在于依托数量化手段的算法策略。由于数量化本身并不排斥任何投资分析手段，实际上此处就可以纳入宏观数据、行业公司数据、二级市场数据等多个不同层面以支持投资者固有逻辑。整个过程中，由于对分析师一贯的加入新信息事后解读伎俩深恶痛绝实际上，分析师如果真有本事，可以事先把逻辑列好了。这也让报告使用者可以有个检验的方法。如同挤牙膏一样，先说一个模棱两可的逻辑分析判断，对了就顺势解读，错了就加入新的解释变量为自己寻找借口的同时又给出一个分析判断，这种方法基本上就是无赖逻辑。分析师站在了一个永远打不倒的位置，每次新信息都如同一个新系统一样，根本谈不上有效校验。这套把戏其实比占星术还低劣。我们拒绝了随意性。在算法开发阶段，读者需要考虑在之前章节所提到的一系列注意事项。
数据来源：宏源证券信用交易部
在积攒了一定数量的算法之后，我们需要考虑算法池的内部结构设计以及如何进一步管理以实现输出与信息反馈后的调整这两个算法池管理系统要考虑的问题。算管系统实际上也可以由特设的算法程序负责监控实施。
我们先看一下算法池的内部结构设计问题。正如前文所述，算法池结构可以大体分为并列式、递进式和混合式三种。选择哪种模式完全在于算法池内策略算法之间的关系。如果，策略算法从方法到执行都不相关，则并列式的结构显然更为合适。如果策略算法存在一定的依托关系，则递进式的结构较为合适。而混合式则对应于两种关系并存的复杂结构。
算管系统则是承担算法池内算法资金权重分配、输出具体交易指令和分析模拟偏差三重任务。首先，我们应该明确一个简单的概念，算法池本身相当于聚合了研究员劳动成果的集合。但没有任何人可以保证这些劳动成果一定有用。而更为重要的是，现在适应度不良的个体并不意味着以后也会永远如此反过来，道理也还是一样。笔者就碰到过利用过去5年数据做依托，然后信心满满的扩展应用的研究员。这里面其实就属于没有考虑模式迁移。虽然，笔者在前文也提到过这个问题的处理，但还是应该补充两点。首先，即便是考虑模式迁移的因素，其应对方案也不见得是有效的。这是个与具体采用哪种应对算法无关的问题。其次，弥补的手段最好能以捕捉中短期模式为主，并辅助以多参数个体的权重调整结构。以笔者的智商恐怕也只能想到这里。所以，算法池需要一个动态的管理体系来保证作为输出命令依托的算法群整体适应度较高。也正是因为这个原因，算法池在这个层面被一分为二——影池和输出池。在每日累计的判断标准下，影池用来放置适应度不及标准处于暂停执行状态的策略，而输出池则是适应度符合标准的策略集合。算管系统本身的模拟体系需要监控影池和输出池内策略算法的适应度，并进行及时调整。
一个需要特殊强调的问题就在于资金的权重分配问题。这里其实涉及到了我们之前所讨论过的投资操作所必不可少的三个因素：择时、择股、仓位。这三个因素的确定虽然都可以由策略算法来实现，不过仓位问题较为特殊，它的算法重要级别高于其他。实际上，我们需要先通过仓位设定来获取一个总体数量，然后再通过算管系统分配到输出池的算法中，再将输出池中的算法的交易命令汇总即获得命令输出。
执行系统实际上超出了我们可以掌控的范围，正如前文所述，它的实现需要依靠软件商或者券商提供的服务作为依托。而一旦将批量的命令执行后，就会得到相应的收益率反馈。我们将其与算管系统内区别影池和输出池的模拟系统进行对比，来校验我们的模型是否可能存在校验失误问题。
这里还有一个实务中出现的细节问题笔者感谢参与讨论自适应均线问题的温庆华、刘书臻两位财富中心同事。一般来说，学院背景的分析师会采用一种“训练、扩展校验”的模式来做模型。笔者当初的论文也没有逃脱这种模式，后来与一个同事讨论数量化应用的时候也再次得到了确认。这是一个数据段分为两块的模式，一段用来得到模型参数，这多少有些像最优化的过程。另一段用来看看模型的解释能力扩展性如何。到了这里，读者肯定就会发觉一个令人沮丧的问题——模式迁移。一个数据段内的模式能延续多久本身就是个没有定论的事情，在此基础上出现的任何模型，我们都要打一个问号。这也是为什么每年那么多优秀论文却鲜有能真正转化为盈利能力的产品的原因之一。笔者认为解决方案可能还是存在的，实际上本书一直强调的自适应性就是在尝试将参数的敏感程度与模式迁移进行关联，一旦策略通过收益率等指标校验，即可考虑其实际应用。当然，参数用来捕获的模式自身变化程度越缓慢，此种处理方案成功的可能性越大。
到此为止，一个较为完整的算法交易大框架就阐述完毕了。框架内的每一个零件笔者也都予以了详细的介绍。尽管仍然可以在这个框架上进行一定修改，但笔者还是想把剩下的篇幅用来介绍一两个应用问题。毕竟，笔者的能力有限，本书的定位也只是敲门砖式的读物。留下的空白就由读者的想象力来填补吧。
（第二节）浅谈阿尔法策略与择股
阿尔法策略是个历史悠久的词汇。轻易的追溯都可以推至20世纪80年代。不过那时的阿尔法策略还主要是个围绕着财富对抗通胀、税收等风险因素的概念。投资大宗商品追求阿尔法也可以至少追到那个年代。不过，理解今天国内常规意义上的阿尔法策略往往从证券特征线的截距项展开更为便利。
2007年的一份申银万国报告将alpha策略限定为：“寻找到一个alpha的来源，通过衍生品（股指期货、互换等）剥离其含有的beta，获得与市场相关性较低的alpha，围绕alpha进行投资的相关策略。”现实投资层面，在是否使用衍生品这个问题上并没有什么固定要求。比方说，上投摩根阿尔法作为股票型基金在没有股指期货的年代也大可以把阿尔法概念玩得风生水起，这就足以说明操作层面上这个概念要求有多放松。本土化一点，我们也把讨论范围划定为“只要是强调alpha概念——风险调整后超出市场基准的主动性管理收益，为试图捕捉alpha收益而设计的策略，都可以算作alpha策略”。Alpha策略的本质是追求正的超额收益。把握住这一点可能要比纠缠在诸多alpha策略的名称中来得更为实际alpha策略即便是在国外市场的定义也不是十分明确。这种行业词汇意义模糊的现象十分普遍，笔者在前面章节中也提及过。如果读者有兴趣可以参考湘财证券研究所2010年9月9日题为“何为‘可转移 Alpha’与‘Alpha—Beta 分离’？”的专题研究报告，它较为细致的考察了一些相关策略的演化与发展过程。
追求alpha的策略很多，即便是冰山一角的解释，耗去一本书的篇幅也不会让人感到惊奇。笔者只选取几个对国内投资者来说意义重大的概念提示一下。
基于特定事件的alpha策略：依托诸如并购、重组或资产注入等公司事件而构造的投资组合。这是很多基金公司愿意使用的alpha策略，有些市场人士甚至认为王亚伟的投资风格就十分接近这种策略。如同以往一样，笔者还是建议不要盲目抄袭他人的投资方法。这种策略的长期贯彻需要极强大的信息获取能力，触及到普通投资者难以覆盖的领域显然会对投资收益有正向帮助。如果读者对自己的人脉关系有信心，打算尝试一下之前，不妨再等一等。因为市场中还有一股资金势力会搞“主力借利好出货”。尤其是市场走势并不乐观的情况下，这种行为出现的动机要大于走势良好的市况。于是问题变成了耗费时间精力维护的信息渠道在没有一定程度的市场定价实力的前提下，只是一个任由其他资金鱼肉的对象。更不要说，现在监管层对于此类问题的监管力度极大，怎么看都是一个费力又不讨好的事。从现实的角度出发，笔者还是建议普通投资者尽量不要采用此类alpha策略。
alpha与可转移alpha策略：这个领域基本上需要股指期货等衍生品的协助。逻辑也不难理解，就是不喜欢beta就利用衍生品的杠杆特性对冲掉相应的风险。又或者通过增补其他标的头寸来达到该标的的市场风险暴露。这多少有点资金歧视的性质，大资金能玩得风生水起，小资金却被挡在门槛之外。风险对冲工具的小型化才是真正能保护理性投资者的途径。而且，小型化产品由于与原始产品有对应关系，一旦过度偏离将招致套利资金的执行。以笔者的愚钝，笔者看不出迟迟不推出小型化产品的原因，也解释不了通过限制中小投资者进而保护他们的逻辑究竟是如何达到的合理。不过这仍然不是我们的重点，因为这种策略最为困难的核心问题是获取稳定alpha的同时增加资金运转效率。以申万报告曾经出现过的一种alpha策略为例，我们就能发现一些端倪。
“按12%的保证金购买股指期货，考虑到保证金管理，预留12%的资金，用剩下76%的资金投资国债，这样实现跑赢基准指数，同时没有增加市场风险”——《股指期货改变传统投资——alpha策略的应用研究》
先不纠缠那些具体的数值，我们也能发觉出一些问题。首先，追求alpha的资金必定是总资金的一个部分，当考虑到现实中指数涨跌幅度的条件下，将本来就十分有限的alpha再次均摊到资金总体就显得意义有限。当前市场条件下，较为合适的一个提升alpha头寸杠杆水平的领域是融资融券，但这个部分的操作由于受投资标的的限制，又回退到不稳定的alpha身上，而且信用交易的费率是万万不能忽略的截至笔者的写作日2011年6月19日，依照wind基金分类准则，债券型基金总数195，过去52周复权单位净值增长率大于5%的基金仅有30家，一旦将阈值设为8%，基金数将迅速下滑到7家。而融资融券费率往往盯住“金融机构6个月期贷款年利率”并上浮约3个百分点，因此就目前的市场状况来说，这一费率大约在8.60%的水平。也就是说，我们不仅要有依托融资融券标的策略算法能追求稳定盈利，而且还要将自己的稳定盈利能力限定在债券型基金的前3%。难度可想而知！唯有依托统计套利的手段才能稍有胜算。于是，我们自然而然的过渡到了第三个问题——数量化方法追求alpha。
数量化方法追求alpha：如同以往一样，这是个广阔的天地。从数据上来说，宏观、行业公司与二级市场三个层面，宏观数据在此领域的应用往往最不具备明确意义，而且也经常受制于数据量有限的境地很难得到系统校验。所以，笔者打算着重说一下后两者在应用中涉及到的一些问题，一方面也算提示毫无基础的读者可以从哪些方面入手，另一方面也可以帮读者在自由探索的同时少走些弯路。不过，总的来说，探索过程还是充满了乐趣，值得一试的。