这篇访谈讲的是量化投资（用电脑模型选股）的进化史。管理460亿美元的Eric Sorensen认为，量化策略必须不断更新，不能死守老方法。他看好生物科技和制药行业，因为他们自己建了个模型，用马尔可夫链（一种概率计算工具）分析新药试验成功率，这个模型已经跑了10年。他还提醒，价值投资长期有效，但近几年信号有时会失灵。提到的重点标的：①生物科技/制药公司——他们用模型专门投资成功率高的公司；②商业银行——2008年金融危机时，他们用FDIC（美国存款保险公司）的贷款逾期数据，比同行表现好；③中国A股——他们用NLP（自然语言处理，让电脑读文字）分析中文聊天室情绪，但没赚到钱，只是学到了东西。
Eric Sorensen（Panagora资产管理CEO，管理规模超460亿美元）在节目中探讨了量化投资策略的演变。核心观点包括：量化研究经历了从早期简单因子（如价值、动量）到复杂机器学习模型的演进；他提出“5C”框架（Character、Capacity、Collateral、Conditions、Covenants）用于风险溢价分析；当前风险溢价已大幅压缩，传统因子失效，需结合自然语言处理等新数据源。重要结论：量化策略需持续迭代，建立“研究墓地”记录失败信号；主动管理应融合专家系统与组合构建；年轻量化研究者需培养提出好问题的创造力。
Eric Sorensen（Panagora资产管理CEO，管理超460亿美元）拥有空军飞行员背景和40年量化研究经验。本期探讨量化策略从简单因子模型到机器学习、自然语言处理等前沿技术的演进，核心判断是：量化研究必须持续迭代，建立“研究墓地”记录失败信号，同时主动管理应融合专家系统与组合构建——Eric Sorensen认为“发现”与“美元”是驱动优秀量化机构的双重动力。
Eric Sorensen将量化金融研究划分为四个演进阶段：
1. 资产定价均衡理论——CAPM模型（Treynor、Sharpe、Mossin、Lintner），描述“世界应该怎样”
2. 有效市场假说——Fama等人，描述“竞争使市场难以战胜”
3. 异常现象与行为金融——小盘股、盈利惊喜等实证发现，行为解释（人们错误时点买卖）
4. 资产定价计量经济学——Sorensen本人的研究领域：“能否更好地知道债券或股票应该在哪里交易？”
Sorensen指出，他的博士论文研究市政债券定价，使用多元回归模型，因变量为债券收益率/价格，自变量包括信用评级、市政信息、收益率曲线斜率、发行结构等。关键原则：模型必须有直观因果性——“即使使用高级工具，也不能只是价格与任何可能相关的东西之间的相关。”
Eric Sorensen提出风险溢价策略的生命周期框架——“5C”：
| 阶段 | 描述 |
|---|---|
| Character（特征） | 创造性想法被发现，可能真正有效 |
| Capacity（容量） | 策略被复制，资金涌入 |
| Collateral（抵押） | 变得拥挤，可买资产供应有限 |
| Conditions（条件） | 外部催化剂（如美联储政策）使假设失效 |
| Capitulation（投降） | 流动性枯竭，最终崩溃 |
历史案例： 1987年股灾中的投资组合保险策略（Leland、Rubinstein、O'Brien的LOR策略）。该策略使用期货市场对冲股票，规模过大。1987年10月市场下跌时，投资组合保险程序触发，期货与现货市场连环下跌，最终道指单日暴跌22%。关键教训： 使用期权对冲（如BEA公司卖出虚值看跌期权）本可避免此灾难——自那天起，S&P平值看跌期权的隐含波动率始终存在偏斜，再未便宜过。
Sorensen认为价值投资是“真正的长期命题”——如果30-40年前开始做价值投资，让客户持有5年，会始终积累更多财富（随机占优）。但问题在于信号有时会失效（如近两年量化股票策略表现不佳），可能是拥挤或其他因素导致。
Eric Sorensen强调“智能数据”优于“大数据”：
> “我把这称为智能数据和大贝塔。数据必须是智能的。大数据的供应商平均收入巨大，但很多没有明确定义的商业模式——他们恰好知道某些数据。”
关键原则： 智能数据必须满足三个条件：
1. 直观性——有道理（如卖方分析师正在做的事情）
2. 可收集性——能够优先获取（不从知名供应商购买）
3. 合理回报期——很少以“明天价格”作为因变量（非平稳性）
案例1：生物科技模型
团队构建了专家系统，模拟分析师对FDA审批流程的理解。使用马尔可夫链分析、概率模型评估药物试验成功率——生物科技公司成功率极低，模型买入“高于平均成功率”的公司。该模型已运行10年，现已成为独立生物科技/制药投资组合。
案例2：金融股模型（2007-2008年）
团队发现FDIC（联邦存款保险公司）收集了商业银行贷款组合的逾期率数据（1个月、2个月、3个月逾期百分比）。通过获取这些数据，可以对银行资产价值进行折价，从而更准确估值。Sorensen表示：“2007-2008年，我们的金融股表现比大多数好得多。” 但该数据现在已被商业化——供应商从FDIC购买后转售。
案例3：中国A股市场NLP
团队使用自然语言处理读取中文聊天室内容，识别情绪。由于中国存在审查制度，投资者使用俚语表达负面情绪（如“辣鸡”代替“垃圾”）。通过无监督机器学习识别这些表达模式。Sorensen坦言：“我不认为我们从中赚到了钱，但我们学到了很多。”
Eric Sorensen对AI/机器学习在金融市场的应用持谨慎态度：
> “无论国际象棋或自动驾驶有多少可能性，它们都是有限的、基于规则的、确定性的。金融市场中，这两点都不成立——你有布朗运动、随机过程，证券价格的结果几乎是无限的，而且不是基于规则的。”
适用领域：
Sorensen强调： “如果工程师或设计者不知道潜在的限制和陷阱，树必须被修剪——你不能让它们完全填充，否则会过拟合，得到虚假结果。”
Eric Sorensen提出“研究墓地”概念——记录所有失败假设的地方。
失败案例：波动率预测
团队与诺贝尔奖得主Robert Engle合作，使用ARCH/GARCH模型预测波动率。Sorensen坦言：“我知道我们不会从中赚钱，但它非常吸引人。” 市场在应用波动率与统计预测波动率之间相当有效。
成功信号的识别标准：
关于数据采购的决策框架：
> “如果供应商说这要花20万美元一年……你可以买这些数据，非常贵。或者你可以去街对面找一个洗窗户的人或做管道生意的人——那栋楼有40个租户，那个人有渠道知道租户是谁。贸易组织有这些信息。它是免费的。”
Panagora的主动权益策略分为两种：
1. 动态权益（Dynamic Equity）
2. 深度行业模型
模型更新频率： 因子可能持续4-5年，半衰期约2年。团队持续监控表现，并使用商业模型评估新数据集的边际价值。
Eric Sorensen认为集中投资组合是非量化投资者的安全港：
> “集中投资组合。忘记阿尔法贝塔分离——那正在消失。你不能有一个所有人都必须跟踪的单一市值加权MSCI。那些真正能选股并拥有集中投资组合的人，我认为有他们的整个世界。”
关键条件：
现代奥运会类比： 智能贝塔就像现代奥运会的专业化——不再是五项全能（一个运动员做所有事），而是短跑运动员、链球运动员、跨栏运动员等专业选手的集合。“你不会让165磅的短跑运动员去扔标枪，或让300磅的铅球运动员去短跑。”
Eric Sorensen提出“三个圆圈”的维恩图框架：
| 圆圈 | 内容 |
|---|---|
| 领域知识 | 了解行业：交易员做什么？什么让价格每天变动？了解做市商、买方客户、粘性、周期 |
| 分析/算法 | 在学校学到的计算专长和算法 |
| 数据 | 了解数据质量——商业可用数据与大学能负担的数据不同 |
Sorensen指出： “我认识一个管理大型资管公司的人，他问我：‘你们有很好的量化分析师。我们去大学招聘有高级统计学学位的人。他们并不都成功。’——他们只得到了一个圆圈（技术），不了解行业，也不了解数据质量。”
建议： 理解所有三个圆圈都重要。“我的同事George Masali的故事是：他花了很多时间思考基本面分析师在做什么。他因此成为了一个好的量化分析师。”
| 标的 | 嘉宾态度 | 关键数据 |
|---|---|---|
| 生物科技/制药公司（行业） | 看好（有独立模型） | 模型运行10年，使用马尔可夫链分析药物试验成功率 |
| 商业银行（行业） | 风险提示（但模型有效） | 2007-2008年使用FDIC贷款逾期数据，表现优于同行 |
| 中国A股市场 | 中性（实验性） | NLP读取50,000个中文字符，识别“辣鸡”等俚语情绪 |
| 投资组合保险策略（LOR） | 风险提示（历史案例） | 1987年股灾中策略崩溃，市场单日跌22% |
1. Eric Sorensen： “量化研究有四个历史阶段——从CAPM到有效市场假说，到异常现象，再到资产定价计量经济学。我们目前处于第四阶段，但工具和数据已根本不同。”
2. Eric Sorensen： “风险溢价策略经历5C生命周期：特征→容量→抵押→条件→投降。1987年的投资组合保险是经典案例——策略变得太大，外部催化剂触发，最终流动性枯竭。”
3. Eric Sorensen： “智能数据优于大数据。它必须直观、可优先获取、有合理回报期。FDIC的贷款逾期数据是智能数据的典范——它免费、独特、有因果逻辑，但现在已被商业化。”
4. Eric Sorensen： “机器学习在金融市场有根本限制——证券价格的结果几乎是无限的，且不是基于规则的。但决策树/随机森林和NLP是有效应用，前提是工程师知道限制并修剪树以防止过拟合。”
5. Eric Sorensen： “因子可能持续4-5年，半衰期约2年。你需要持续监控，并使用商业模型评估新数据集的边际价值——‘它会增加3个基点还是4个基点？成本是多少？’”
6. Eric Sorensen： “非量化投资者的安全港是集中投资组合——忘记阿尔法贝塔分离。那些真正能选股并拥有集中投资组合的人有他们的整个世界，但你不能束缚他们（不能要求贝塔为1）。”
7. Eric Sorensen： “年轻量化研究者需要理解三个圆圈：领域知识、分析/算法、数据。只懂技术（一个圆圈）的人不会成功——花时间思考基本面分析师在做什么，才能成为好的量化分析师。”
8. Eric Sorensen： “研究墓地很重要——我们做了很多波动率预测工作（与诺贝尔奖得主Robert Engle合作），知道不会赚钱，但学到了很多。失败信号和成功信号同样有价值。”