投資者的入場券

來到本系列的最後一篇，有多少文章是你認同的? 如果你完全相信我，又會聽到什麼說法呢？

你知道利用ETF來被動投資，你知道將股債房結合，你知道透過計算夏普率來搭配出自己喜歡的策略，你知道合理的財務自由意味著什麼。妳可能對技術分析有自己的想法，妳對於貸款行為不感到厭惡，妳懂得利用回測來定量檢驗歷史。市場對你而言，是個人人自危的戰場，而不是讓你靠運氣一夕翻身的賭場。

或許妳還是想要殺進殺出的擇時、選股、投機，也或許妳發現跟隨大盤的好處，但這些行為都不是因為憑感覺，而是因為妳有自己的一套想法。最重要的，各位可能「根本不相信」我寫的文章，於是自己去研究，想找出我出錯的地方。

我相信，「分散投資、長期堅持、控制成本」，是成功投資的不二法門，但我也接受各個面向的反駁和挑戰。大家讀完之前的篇章後，也應該能有最基本的投資和知識架構，知道自己在做什麼。不過，各位有興趣繼續討論或吵架嗎? 還有什麼有趣的議題呢? 妳手中有投資領域的「入場券」了，那麼有什麼好玩的項目可以探索呢?

我提供一些對於未來研究議題的期待，各位讀者可以參考。當然，這是主觀推薦，也歡迎有共同興趣的朋友多加討論交流。

1. 因子投資。

在資產配置的文章中，我提到了CAPM，也就是資本資產定價模型，它把「系統性風險」和「資產報酬」綁在一起。但是，順著定價理論的後續發展脈絡，你可能會發現，並不是所有收益都來自於「風險」承擔。也就是說，所謂高報酬高風險，不一定成立。

有些人像是Fama和French，發現CAPM有缺陷，於是加入了其它「因子」，更完美的解釋了資產報酬。他們發現，市值比較小、市淨率比較低的公司，報酬會更好。於是，這兩者再加上本來的「風險」因素，組成了「三因子模型」。

憑什麼只有兩個 Mr. F 可以加因子，我也可以啊。沒錯，於是後來出現了很多3因子、4因子、5因子....模型，又因為電腦效能和數據品質的進步，讓這些因子快速增長。到了後來，有一些重複的、似是而非的、沒經過謹慎實驗的因子，都被生產出來。這些因子(factors)千奇百怪，多到能變成動物園，所以有人戲稱這個現象為Factor Zoo.

現在問題不在於有沒有因子能夠解釋資產收益，因為我只要設計得夠巧妙、運算能力夠強大，連「今晚來點甜的或鹹的」，都可以變成明天的收益因子。所以我們應該在乎的，是如何篩選出好的因子，以及如何利用有效的因子來獲利。

有些人可能會好奇，金融領域這麼多分支，為何我要提因子投資出來。因為對於散戶而言，研究這些因子的門檻非常低，而且可投資性高。大家最常投資的資產是股票和債券，而我們都可以利用因子分析來檢視自己的配置。這一切只需要筆記型電腦的算力就能應付，而且有許多現成的工具可以使用。

另外一點，我覺得將資產因子化，本身就具有科學精神。唯有知道為什麼，我們才有可能複製成功，否則只是在賭運氣。例如，巴菲特被稱為股神，長期而來他能打敗大盤，但是你知道為什麼嗎?

利用因子分析，我們可以把他的一些超額收益整理出來，讓投資者也能了解，他到底是運用了哪些投資因子和哪些神奇手段。顯然，這些並不是「價值投資哲學」能簡單解釋的。

身為散戶，別妄想靠著軍備競賽來打贏專業機構，但是了解因子投資，就算不實際運用，也能透視各種資產的本質，以及歷來投資大師的策略根基。也許，大家想要嘗試打敗大盤，那麼因子投資會是個比較簡單的切入點。(也或許真正試了之後，才知道多困難。)

2. 程式交易與機器學習。

對於會寫程式的朋友而言，應該都能發現，只要設定得宜，電腦的效率海放所有人類。什麼意思呢? 隨便比個「十位數字開三次根號」速度，人類永遠不會有獲勝的可能。這就像即使是最慢的轎車，也能輕鬆超越跑得最快的人類，比幾場就贏幾場。因此，如果利用電腦程式，結合自己的交易邏輯，那麼就能大幅減少我們花費的精力。

這邊我想打破有些人對於程式交易的錯誤幻想。程式交易，並不是一個神祕的領域，也不是保證獲利的黑箱子，更不會讓主人「躺著輕鬆賺錢」，它就只是一種交易方式。也就是說，程式能幫助人類有紀律的執行交易，不帶個人感情。所以如果策略本來就是會虧錢的，那麼利用程式交易之後，一樣會虧錢，而且是穩定的虧錢。這就像我拿到一本大英辭典，上面羅列許多單字，很方便沒錯，但不代表我就能寫出一本好的英文小說。

為什麼我對於常見的技術分析指標、型態很反感? 因為大多數的指標都經不起驗證。一般人可能沒能力回測並證明這些招式沒效，所以坊間的老師才能大量賣書。有些指標在設計階段就無法量化了，有些則是沒有顯著收益，但靠著程式回測，我們很快就能得到答案。我相信大部分的指標都無效，不過，萬一妳發現能穩定獲利的一招，那程式交易絕對是妳的好朋友。(當然這時候已經和傳統技術分析不太相關了。)想想看，我每天能賺一元，為什麼不擴大規模，賺個一千元? 讓程式自己跑，我負責睡覺就好。

請注意，基本上專業機構都會使用程式交易，所以要靠程式發大財的機率很低。但是我們吃不到肉，還是可以喝點湯，贏過那些使用同樣策略卻不懂程式的人，就有更大獲利的可能。

再來，程式交易我懂，那機器學習呢?

簡單來說，人工智能包含機器學習，機器學習包含深度學習和類神經網路。所謂人工智能(AI)，就是有「人類特徵」的一系列功能，例如動作控制、語言分析、問題處理、自我學習...等。其中的學習分支，也就是「機器學習」，我們可以看做是比較靈活的程式，她厲害的地方在於會自我學習、進化、分析。機器學習之下又有很多分支，我想最有名的就是「深度學習」和「類神經網路」，因為AlphaGo的緣故。

既然機器學習(ML)能夠自我進化，那麼利用它來投資或交易不就是個好主意嗎? 事實上，ML在金融領域真的很神勇。

在數據海裡面，ML能夠發揮特異功能，把潛在機會找出。像是在建構多因子模型的時候，ML擅長處理「非線性」關係。藉由ML，我們可以很輕易的讓程式學習出人類不知道的模式。(順帶一提，學習過程中也可能會過擬合。) 實務運用上，我就常看到用Adaboost(自適應增強)來預測股價的文章。而對於資產配置的收益和風險，除了簡單均分或最小方差法，我們也可以利用ML來算出理想的配置比例。更有趣的是，對於「非結構化數據」，例如一段憤怒的發言或是一張笑臉，ML也能夠學起來，當成對於投資收益的參考資料...

我並不是說利用ML就無敵了，但是它比一般程式多了想像力，又比人類的學習力更好，這讓投資者更有優勢。一樣的，大家不需要使用超級電腦，也不用多快的網路線，就可以藉由ML來探索投資和交易的各種可能。

人類不是靠爪子，而是靠腦子稱霸世界。而科技的進步，讓人類可以靠著頭腦，打敗其它人類。好消息是，只要投入一些心力，我們就能利用既有工具，站在巨人的肩膀上，獲得更多力量和優勢。

3. 衍生性金融商品。

我曾說自己不會在系列文章中提到衍生性金融商品，不是因為我討厭它們，而是因為它們比較特殊。我的大部分文章都在講「投資」而非「交易」，然而對於想要更深入了解各種工具的讀者而言，我覺得有些方向可以嘗試。

就衍生商品的本質而言，「避險」當然是主要用途。(不管是自然人或法人。)有些人抱怨美元貶值造成資產縮水，那麼貨幣期貨就顯得優秀；有些人天生就討厭意外波動，那麼期權應該是實用的工具；有些人想避免利率影響，那麼利率交換類產品(IRS或swaption)便可以派上用場...我認為了解各種工具的用法，對於資產增長會有正面幫助。不要像我，當初聽到什麼「風險有限獲利無限」、「看對行情賺百倍」，就覺得選擇權無敵，而且買方永遠贏。在我眼裡，把避險工具拿來投機，造成更多風險，這就是本末倒置。

大家可能都聽過期貨，但我相信沒有人會去「投資」期貨，因為它並沒有內在價值。不過作為交易工具，它天然帶有槓桿，而且交易成本低，所以適合較頻繁的操作。除了最基本的避險功能外，我覺得它有很便利的「槓桿性」，可以組合出多元的策略，比現貨靈活。

實務上來說，我研究過一個很有趣的案例。我們都知道，槓桿ETF會有耗損，但是市場大盤又是長期上漲。那麼將兩者結合，若我們長期投資槓桿ETF，績效會比大盤更好還是更差? 經過簡單回測，我發現2倍和3倍槓桿ETF，在長期而言能打敗1倍ETF(或說是大盤指數ETF)。不過問題又來了，策略要怎麼優化? 其中一個方向是利用資產彼此間的相關性，降低波動來減少耗損，例如股債結合。事實上有人就測過3倍股債ETF，績效把大盤踩在地上。

另一個方向，我們也可以討論「幾倍槓桿才會有最經濟的效益」，這時候就得運用期貨了，畢竟不會有2.7倍槓桿這種ETF，所以還是得自己組合。顯而易見，雖然期貨不是投資工具，但對我來說，它成為我測試和執行策略的實用工具。

剛剛說到選擇權，後來呢? 經過一段時間的累積知識，我逐漸建立起知識架構，也比較知道自己身處何處。各位也可以嘗試了解看看，什麼是希臘字母? (常用的五個) 怎麼對沖掉? 選擇權組合，各種策略特性和風險收益如何? (跨式、勒式、鐵兀鷹、雙對角..) 然後可以從選擇權平價公式(Put Call Parity)出發，探討可能的套利機會。還有些工具，像是策略模擬器或是芝商所的open interest heatmap，可以讓交易者多個參考依據。以此為分水嶺，若從「波動率」下手，可以往理論發展(例如隨機分析、模型修正)，也可以討論實戰領域(例如動態對沖一書)。我知道對於有些投資人，尤其是交易者而言，真金白銀才是王道。不過其實研究模型也很有意思，基礎如BS模型，我當初看到常態分布就覺得美好而錯誤，但它就是經典。想學習到什麼程度，還得看個人的興趣。這是一條不歸路，但我們若樂在其中，何錯之有?

以上這些領域都值得人們深入研究，也適合我們「散戶」應用。那麼，來個思想練習題吧。大家會「懼高」嗎?

妳是想用傳統常態分佈的風險模型來避險，還是相信肥尾、相信Levy穩定?

也許，你有對於泡沫的研究，像是對數周期冪律模型(LPPL)，想要趁機試驗?

或者妳覺得，透過因子配置分散投資，利用對沖控制風險，能讓策略經得起波動，所以熊市照樣開槓桿穩賺?

也有可能，你利用ML來預測資產價格，相信自己的策略能持續營利?

想著想著，就覺得好玩。

這是最後一篇文章，所以，別再等了。歡迎你重溫我之前的文章，更歡迎你因為我寫得不好而來踢館。希望妳能在市場上立足，幫助朋友、打爆對手，成為最狂的狂徒。