摘要：自動(dòng)投顧處理了一項(xiàng)不為人知的出資痛點(diǎn)

短期，媒介連續(xù)報(bào)導(dǎo)香港各大學(xué)醫(yī)學(xué)院對(duì)將來(lái)確診人數(shù)的預(yù)判，引發(fā)了全面的關(guān)心。3月14日港大醫(yī)學(xué)院院長(zhǎng)依據(jù)模型預(yù)計(jì)，在2021年12月31日開(kāi)始的第五波Omicron變種病毒沖擊下，香港實(shí)際傳染人數(shù)為358萬(wàn)。同日，中大醫(yī)學(xué)院一位老師預(yù)計(jì)第五波終極約有500萬(wàn)人傳染。

到3月22日，香港政府發(fā)布第五波疫情確診病例106萬(wàn)人，港大醫(yī)學(xué)院院長(zhǎng)刷新預(yù)計(jì)，認(rèn)定傳染人數(shù)已超越440萬(wàn)，又預(yù)判第六波疫情將在6月初前兩周顯現(xiàn)，連續(xù)約兩個(gè)月，額外傳染220萬(wàn)人。

成為對(duì)照，大家理應(yīng)注重到沿海醫(yī)學(xué)顧問(wèn)很少公布相似的預(yù)判。固然這并非代表沿海沒(méi)有如此的預(yù)判，差異也許來(lái)自媒介的報(bào)導(dǎo)偏好，也也許香港政府等待更多市民接種疫苗，鼓舞醫(yī)學(xué)顧問(wèn)公布他們的預(yù)判。

確診人數(shù)預(yù)計(jì)激發(fā)的爭(zhēng)論

顧問(wèn)預(yù)判的信息高過(guò)政府信息倒是能夠解讀，終究在現(xiàn)在醫(yī)療資源擠兌下，不少自我抗原探測(cè)為陰性的個(gè)體并未在政府公共衛(wèi)生體系上報(bào)。

值得一提的是，醫(yī)學(xué)院在發(fā)布預(yù)判的點(diǎn)預(yù)計(jì)信息之外，還含蓋了95%置信區(qū)間的預(yù)計(jì)，相應(yīng)358萬(wàn)人點(diǎn)預(yù)計(jì)的是230萬(wàn)至460萬(wàn)人的區(qū)間預(yù)計(jì)。但媒介往往只報(bào)導(dǎo)點(diǎn)預(yù)計(jì)，也許是擔(dān)憂讀者不解讀置信區(qū)間的含意。

大家自然注重到不單區(qū)間預(yù)計(jì)的下限要顯著高過(guò)已確診病例，況且區(qū)間預(yù)計(jì)的寬度竟然高達(dá)230萬(wàn)（460萬(wàn)-230萬(wàn)），如何看都會(huì)感知如此的預(yù)判不足準(zhǔn)確。

況且，從3月14日到22日才過(guò)去8天，點(diǎn)預(yù)判的改變就高達(dá)82萬(wàn)，相當(dāng)于政府確診信息的80%，如何看都會(huì)構(gòu)成一類預(yù)判不太靠譜的印象。

因而，有趣的一幕產(chǎn)生了，港大統(tǒng)計(jì)系系主任忍不住撰文批駁港大醫(yī)學(xué)院的預(yù)計(jì)，手印型預(yù)計(jì)過(guò)于浮夸況且偏差大，也許導(dǎo)致市民不用要的恐懼，加大醫(yī)療體系的包袱，結(jié)果事與愿違。

依據(jù)醫(yī)學(xué)院的區(qū)間預(yù)計(jì)信息，系主任乃至反向推導(dǎo)出完全隨機(jī)散布的有效樣件唯獨(dú)大概40人，這樣小的樣件量，可信度自然不高。

同時(shí)，依據(jù)現(xiàn)在香港病毒傳染最高危的樓宇(每棟病例均超越40人)探測(cè)信息來(lái)看，平均初步陰性比例約為11.6%，遠(yuǎn)遠(yuǎn)低過(guò)港大醫(yī)學(xué)院模型推演的48%傳染率（也就是用358萬(wàn)點(diǎn)預(yù)計(jì)除以香港總?cè)丝?41萬(wàn)）。

醫(yī)學(xué)院的區(qū)間預(yù)計(jì)以免了“過(guò)量自大”

在生理學(xué)和言行金融學(xué)里有一個(gè)首要的概念叫做“過(guò)量自大”，指的就是大多數(shù)人在做預(yù)判時(shí)，給出的區(qū)間預(yù)計(jì)過(guò)于局促。這實(shí)質(zhì)上來(lái)歷于對(duì)預(yù)判精度的過(guò)量自大，用統(tǒng)計(jì)術(shù)語(yǔ)表示就是，預(yù)計(jì)的“規(guī)范差”太少。

舉例來(lái)說(shuō)，各大券商在年末公布來(lái)年上證指數(shù)的預(yù)計(jì)，3500-4200的區(qū)間預(yù)判要比3650-3950區(qū)間的缺少信念。各類研發(fā)都顯現(xiàn)，“過(guò)量自大”是出資的首要?dú)⑹种?，頻繁買賣就是最典型的表現(xiàn)。

因而，在我看來(lái)，醫(yī)學(xué)院的區(qū)間預(yù)計(jì)如此寬，恰恰是醫(yī)學(xué)院對(duì)預(yù)判模型不太有信念的一類正面表現(xiàn)，從感性角度來(lái)看，實(shí)則不算是壞事。

為什么疫情預(yù)判模型都很難準(zhǔn)確？

據(jù)我所知，港大醫(yī)學(xué)院并未發(fā)布預(yù)判模型。但假設(shè)回溯過(guò)去，能夠看見(jiàn)2020年疫情暴發(fā)此后世界各國(guó)醫(yī)學(xué)顧問(wèn)基于不同模型給出的預(yù)判結(jié)果，都不是太靠譜。比如港大醫(yī)學(xué)院在2020年就已經(jīng)預(yù)判香港會(huì)有四分之一的人口傳染Covid-19（感染性低過(guò)Omicron變種）。

歸根究竟，不管怎樣建模，疫情預(yù)判都離不開(kāi)一個(gè)要害屬性R0，也就是根本繁衍數(shù)，代表一個(gè)確診病人能夠把病毒平均傳給多少人。假設(shè)R0等于3，如此一個(gè)病人傳遞10輪后，累計(jì)確診就會(huì)到達(dá)29524人。

可是，指數(shù)傳遞有一個(gè)特征就是結(jié)果對(duì)屬性改變十分敏感。假設(shè)R0分別等于2.9和3.1，如此傳遞10輪相應(yīng)的累計(jì)確診就分別是22142和39030人。初始屬性高于約7%，結(jié)果就會(huì)多出76%。況且緊隨傳遞輪數(shù)的加大，結(jié)果的差別性會(huì)放得更大。

在這個(gè)完全不參考防疫手段的最簡(jiǎn)潔模型下，指數(shù)傳遞很快就會(huì)超越一個(gè)地方的總?cè)藬?shù)，而所謂“全民免疫”的意識(shí)就是創(chuàng)建在R0會(huì)緊隨已傳染人數(shù)的加大和未傳染人數(shù)的減小而逐漸減小到小過(guò)1。

因而，改善后的模型理應(yīng)參考到在單（多）次疫情沖擊下，累計(jì)確診隨時(shí)間改變的散布理應(yīng)靠近一個(gè)單海浪S（多海浪）的外形。醫(yī)學(xué)顧問(wèn)也做了如此的嘗試，把R0之外的疫情牽連原因也參考進(jìn)來(lái)，例如防疫手段的力量，方法，個(gè)體言行變量，社會(huì)經(jīng)濟(jì)前提含蓋醫(yī)療，住宿，交通等。

可是，變量越多，模型越高難，結(jié)果的“蝴蝶效應(yīng)”也就愈加顯著，失之毫厘，差之千里。僅就Omicron病毒的R0估值來(lái)看，固然部分研發(fā)認(rèn)定在3左右，可是在2和16之間的預(yù)計(jì)值也一樣存在。如此，縱然基于一個(gè)地方的經(jīng)歷結(jié)構(gòu)出有效模型，換一個(gè)地方就也許完全失靈。

也因而，部分嚴(yán)厲的顧問(wèn)認(rèn)定創(chuàng)建如此的模型價(jià)值不高，況且經(jīng)常會(huì)引發(fā)適得其反的成效。比如預(yù)判偏差太大的研發(fā)也許造成市民對(duì)“顧問(wèn)”、“精英”的反感，不利于科學(xué)常識(shí)的傳遞。

“蝴蝶效應(yīng)”一樣存在于證券出資組合模型

確診人數(shù)預(yù)判模型和證券出資組合模型是風(fēng)馬牛不相及的，但他們之間卻有一個(gè)至關(guān)首要但鮮為人知的類似點(diǎn)，那就是對(duì)屬性的高度敏理性。我相信縱然是金融從業(yè)職員，也很少知曉出資組合理論會(huì)和“蝴蝶效應(yīng)”聯(lián)絡(luò)在一塊。

最簡(jiǎn)潔的出資組合模型會(huì)對(duì)于可選取證券的希望收入率，并且他們之間的反差-協(xié)方差矩陣，來(lái)結(jié)構(gòu)一個(gè)在給定危害下，出資者預(yù)料收入率最大，或者在給定收入率下，危害最小的較優(yōu)組合權(quán)重。從數(shù)學(xué)角度來(lái)說(shuō)，求解如此一組權(quán)重十分簡(jiǎn)潔。

大家也許會(huì)認(rèn)定權(quán)重的敏理性來(lái)歷于將來(lái)的希望收入率難以精確掂量，確實(shí)收入率改變大，很不安穩(wěn)，但實(shí)則是相對(duì)安穩(wěn)的證券反差-協(xié)方差矩陣的估值對(duì)模型結(jié)果的牽連更大。

歸根結(jié)底在于，求解流程中要對(duì)多個(gè)證券的反差-協(xié)方差矩陣求一個(gè)逆矩陣。這個(gè)流程固然不牽扯到任意相似R0指數(shù)遞增帶來(lái)的結(jié)果改變，但矩陣的細(xì)微改變就會(huì)帶來(lái)一個(gè)差別極大的逆矩陣，就造成了較優(yōu)組合權(quán)重的明顯改變。

比如，矩陣中細(xì)微的改變，也許會(huì)使組合中的個(gè)股權(quán)重從10%成為30%，或者從做多轉(zhuǎn)為做空，其余個(gè)股也會(huì)緊隨構(gòu)成改變。顯而易見(jiàn)，模型的不安穩(wěn)性為基金經(jīng)理平常治理出資組合帶來(lái)較大的麻煩。

高難的模型往往會(huì)限定權(quán)重（比如個(gè)股占比不可超越10%），限定做空，或者限定波動(dòng)率，但這類附帶前提根本都不能變化組合權(quán)重的敏感度。

這個(gè)問(wèn)題從Harry Markowitz1952年創(chuàng)建出資組合理論(1990年獲取諾獎(jiǎng))以后不久就被學(xué)者發(fā)掘，因?yàn)槌跗谟?jì)算機(jī)算力不夠，很少有出資機(jī)構(gòu)采取該理論。等到華爾街看重起來(lái)，顧問(wèn)們就把精力放在了怎樣改善根基理論，促使結(jié)果具有安穩(wěn)性。

這類新的“安穩(wěn)”模型用到的數(shù)學(xué)都較為高難，加上大學(xué)教誨并非太看重處理實(shí)際操控中碰到的難題，因而高級(jí)乃至頂級(jí)教科書都不做簡(jiǎn)介。這促使大多數(shù)金融系的結(jié)業(yè)生和金融從業(yè)職員，并非理解教科書重點(diǎn)簡(jiǎn)介的根基模型存在如此的弊病，許多教師也不樂(lè)意點(diǎn)破。

巨匠與人才的處理之道

高難的“安穩(wěn)”理論被締造出去，就連華爾街都不太樂(lè)意嘗試應(yīng)用。過(guò)后也有研發(fā)發(fā)掘，這類高難模型根本上在FOF（母基金）出資上的成效還比但是最簡(jiǎn)潔的“無(wú)邪”模型：只需子基金充足分散，如此等權(quán)重的母基金的收入率幾乎好于各類高難模型。

我在喜馬拉雅FM的《經(jīng)濟(jì)學(xué)家夏春的出資必修課》全面簡(jiǎn)介了華爾街盛行的出資組合模型，比如“巴菲特組合”、“挪威主權(quán)基金組合”（重股輕債）、橋水的“全天候組合”（重債輕股）、“耶魯哈佛組合”（重一級(jí)輕二級(jí)）等等。

這類基于出資巨匠聰慧的方式，幾乎都不牽扯數(shù)學(xué)模型，但全是對(duì)于出資組合根基模型弊病的有效改善。一般出資者較易把握，能夠依據(jù)各自的收益構(gòu)造微風(fēng)險(xiǎn)、流動(dòng)性偏好來(lái)選取。

但偏好數(shù)學(xué)的金融學(xué)界仍舊期望處理根基模型的“蝴蝶效應(yīng)”難題，續(xù)等多年后，分開(kāi)學(xué)界，就任于高盛的人才Fisher Black與明尼蘇達(dá)大學(xué)結(jié)業(yè)的經(jīng)濟(jì)學(xué)博士Robert Litterman另辟蹊徑搜到了一個(gè)幾乎完善的處理計(jì)劃。

他們拋卻了傳統(tǒng)的以證券反差-協(xié)方差矩陣為中心的建模方法，轉(zhuǎn)而從數(shù)值愈加安穩(wěn)的證券beta值入手來(lái)從新求解較優(yōu)組合權(quán)重，獲得的結(jié)果反而是分外安穩(wěn)的。

這是一個(gè)“腦洞大開(kāi)”的創(chuàng)意，由于證券的beta本來(lái)是根基出資組合理論加上均衡前提（出資需要組合的權(quán)重等于各證券在市場(chǎng)上的供應(yīng)權(quán)重）以后構(gòu)成的新理論CAPM下的一個(gè)內(nèi)生結(jié)果，誰(shuí)也沒(méi)有想到，能夠用這個(gè)beta反向倒頒布來(lái)一個(gè)出資組合權(quán)重。

新的Black-Litterman模型不單數(shù)學(xué)形態(tài)要比絕大多數(shù)“安穩(wěn)”模型更簡(jiǎn)潔，還有一個(gè)之前模型都不具有的優(yōu)勢(shì)：它能夠把基金經(jīng)理對(duì)證券將來(lái)希望收入率的信念參考進(jìn)來(lái)（這里的信念十分相似于前文提到的“置信區(qū)間”中的信念）。比如，對(duì)一個(gè)證券表現(xiàn)好于此外一個(gè)的信念是80%。

我猜想，在Black-Litterman模型1992年刊登此前，這也許就是高盛資管的獨(dú)家秘方；但我更相信的是，與高盛樣式格格不入的Black選取公然模型，是由于他的革新并未獲取看重。

在我看來(lái)，Black不單是人才，況且是金融學(xué)界的頭號(hào)人才，絕大多數(shù)獲取諾獎(jiǎng)的經(jīng)濟(jì)學(xué)家都只在經(jīng)濟(jì)學(xué)的一個(gè)分類行業(yè)做出了沖破性的奉獻(xiàn)，而Black幾乎在金融學(xué)的逐個(gè)行業(yè)都做出了沖破性的奉獻(xiàn)，只能惜他英年早逝，與諾獎(jiǎng)無(wú)緣。

理應(yīng)說(shuō)，在他1995年逝世時(shí)，Black-Litterman模型都還沒(méi)有在華爾街盛行起來(lái)。1997年諾獎(jiǎng)?lì)C布給期權(quán)定價(jià)公式時(shí)，學(xué)界之外的天才初次聽(tīng)到Black這個(gè)名稱。而現(xiàn)在偏量化的資管領(lǐng)域，這一模型已然具有了王者的榮譽(yù)，Litterman獲取了至尊的地位。

實(shí)則，身處人工自動(dòng)，金融科技世紀(jì)的咱們，與人才杰作之間的距離很近。假設(shè)你據(jù)說(shuō)過(guò)“自動(dòng)投顧”以及打算嘗試一下，請(qǐng)記住真實(shí)基于算法的自動(dòng)投顧，全是創(chuàng)建在Black-Litterman模型根基之上的，模型的穩(wěn)健性不單能夠減低調(diào)倉(cāng)本錢，況且能夠在持久帶來(lái)優(yōu)于對(duì)標(biāo)指數(shù)的收入。（本文僅代表作家觀念。）