宏观量化笔记2：主观如何和模型结合？

作者：Yaqi的宏观策略观点

题图：Yaqi的宏观策略观点的微信公众号

之所以谈这个话题，一方面是因为行业对于宏观因子的重视度有所上升，开始使用包括了宏观因子在内的数据进行主动择时（而不只是基于风险平价那套理论进行被动配置），但另一方面，从我有限的了解来看，大家似乎又比较难摆脱首先靠人工选经济象限(regime)，再来用模型落地策略的框架。

这种人脑先定宏观方向（例如基于美林时钟及其各种衍生框架，给出未来一段时间最有可能的宏观象限/状态)，再用模型定具体资产和仓位的方法，我认为逻辑上还是有瑕疵的，因为等于还是“拍脑袋”来回答最重要的问题。而一旦开始“拍脑袋”了，那么人类各种生理上的限制就又开始起作用了，量化所能带来的“客观性”，“全局性”，“准确性”，“可复现性”等优点就无法体现了。虽然在确定宏观象限之后，是有量化模型来跟进，但“择时”中最重要的部分并不是由量化模型完成的。就例如假设我能够先知未来一年就是一个高增长低通胀的环境，ALL-IN 风险资产这一点并不难判断，至于具体资产的选择和仓位比例问题，那是一个”锦上添花“的事情，但不是”生死攸关“的事。

就宏观量化/主动择时这个领域而言，对于主观如何和模型结合，我自己的看法是：主观应该起前端的指导性的作用，但是最终的择时的决定还是应该由模型来做出。这样做的好处是一方面模型的设计本身就体现了/隐含了主观的理论/逻辑，另一方面又能够最大程度上保证模型的量化优势。

具体来说，就是在因子选择/特征构建/模型选择/模型参数选择等方面，也即在整个模型框架如何搭建这个问题上，基于经济理论/交易逻辑/市场逻辑/统计学理论的主观判断应该最大程度的参与进来。也就是说，我们应该主动去引导模型应该学习什么，不应该学习什么，应该用什么工具学习可能最合适，主动引导模型去高效的建立”有意义“的因子和资产/投资组合之间的关系。在做完这些”准备性”工作之后，主观就应该完全退出来，让模型自主学习，自主判断，自主给出结论。

举个例子，要预测明天会不会下雨，那应该看最近几天的风速，湿度，附近地区的云层移动情况，目前的季节等等，所以在训练一个天气预测模型的时候，我们基于已经知道的理论，去让模型看到所有这些因子，然后让模型自主学习自主判断，而不是在有如此多复杂变量（以及复杂非线性关系）的情况下，我们自己去只看其中的几个因子，然后说我觉得明天大概率会下雨，然后只是让模型告诉我雨会多大。

总而言之，我认为合意的量化模型（包括宏观量化模型）还是应该遵循简单的“数据——模型——信号”这样一个框架，而不是“数据——人工给方向——模型——信号”这样一个实际上对量化大打折扣的框架。

那么如何才能在宏观量化模型中做到呢？我认为一些特定的机器学习模型是非常适用于我所提到的“宏观引导，模型决定”的框架的，它们既能够捕捉复杂的非线性关系（包括不同宏观状态下资产的表现/特征的差异），又能够适应囊括了宏观因子的数据集常有的“数据量相对较小，特征维度相对较大”的特征。不过可惜的是，这又回到了要不要用机器学习模型（还是坚持只使用线性模型）这一绕不开的问题上了。