量化金融领域的失败率很高，其中的金融机器学习更是如此。只有极少数成功的机构积累了大笔的资产，并持续为它们的投资者提供超乎寻常的业绩回报。
在过去的20年中，我已经见识了太多人进来又出去，一个个公司起来又倒下。从我个人的经验看，那些失败案例都犯了同一个致命错误。
★ 关键词：单打独斗
全权委托投资组合管理人做投资决策时，不会遵循一个特别的定律或基本原则（如果有的话，那就是普通管理人）。
他们获取原始信息并进行分析，不过主要还是依赖他们自己的判断或直觉。他们为这些决策找的借口是基于一些故事，但每一个决策都是一个故事。因为没人能完全理解他们投注背后的逻辑，投资公司让他们各自独立工作，以保证多元化投资。
如果你曾经参加过全权委托投资组合管理人的会议，很可能已注意到了他们的会议冗长并且缺乏目标导向。参会人各执一词，巨大的分歧在没有实证的情况下被忽视。
当然，这并不意味着全权委托投资组合管理人不可能成功。相反，有些确实成功了。问题在于，他们天然地不能进行团队工作：叫来50名全权委托投资组合管理人，他们的观点会互相影响，最终结果是老板不得不付50个人的工资，而他们完成的却是一个人的工作。
因此，让他们独立工作，尽可能减少他们之间的互相影响，是非常合理的。
不管在哪里，很多公司采用全权委托投资组合管理人模式去做量化或机器学习的项目，最终结果都很糟糕。董事会的心态是，全权委托投资组合管理人都在用这种方式，那我们就用这种模式做量化吧。雇用50个博士，要求他们每人在6个月内制定一套投资策略。
这个方法往往事与愿违，因为每个博士都会疯狂地寻找投资机会，结果通常是：（1）拥有亮丽回测结果的过拟合；（2）标准的因子投资，一种低夏普比率（SR）的过饱和投资，但至少有理论支撑。这两种结果都会让投资委员会失望，致使项目最终被取消。
即使有5个博士发现了有效的投资策略，5个人的收益也无法支付50个博士的费用，因此这5个博士也要另谋高就。
这就是所谓的让每个员工日复一日搬石头上山的西西弗斯（Sisyphus）范式，这种范式的投入产出比极低。
★ 关键词：组织协作
如果你被要求自行制定一套机器学习策略，成功的概率是极其低的。
制定一套真正的投资策略所付出的努力完全不亚于制定100套投资策略所付出的努力，而且复杂度是超乎想象的：数据策划、处理、高性能计算架构、软件开发、特征分析、执行模拟、回测等。
即使公司在这些领域提供了共享服务，你的处境也如同宝马公司的一个工人被要求利用身处的车间单独造出一辆完整的汽车一样困难。你必须在一星期内是一个高级的焊工，另一星期又必须成为一个电工，下一星期又需要成为一个机械工程师，然后是油漆工……你不得不不断尝试，失败，然后又回到焊工。这种感觉如何？
我所了解的每个成功的量化公司都使用了元策略（Meta Strategy）范式。
通过《金融机器学习》这本书，你将学到如何设立一个研究工厂以及装配线上的各种岗位。每个数据分析师的角色应专注于特定的任务，成为该任务的最佳人选，但同时也应该对整个过程有个全局的视野。
《金融机器学习》概括了工厂计划，其中团队以可预测的速度产生新的发现，并且不依赖于运气。
这也是美国劳伦斯·伯克利国家实验室以及其他美国国家实验室在科学研究中常用的方法，比如在元素周期表上新增16种元素，或者进行磁共振成像（MRI）以及正电子发射断层扫描（PET）的基础研究。因为新发现是团队共同努力的结果，团队中的个体都有所贡献，所以没有一个特定的个人需要为整个研究负责。
当然，设立这样的金融实验室需要很多时间，也需要了解自己所从事的工作以及有经验的从业者。但是，你认为哪个成功的机会更大呢？是这个已得到证明的组织协作范式，还是单打独斗的西西弗斯范式——让每个量化分析师将他们手中的巨石推上山顶？
* 本文节选自《金融机器学习》
[西]马科斯·洛佩斯·德普拉多 著
中信出版集团
2021年5月
这是一本将机器学习算法应用于金融建模的实战指南。过去几十年，金融业一直过于依赖简单的统计技术来识别数据中的模式，机器学习有望改变这种现状。在未来几年，机器学习算法将会给金融领域带来颠覆性变化。
《金融机器学习》这本书的作者马科斯·洛佩斯·德普拉多集投资经理、教授、研究员三重身份于一身，20多年来致力于通过普及机器学习算法和超级计算的使用，以及开发识别错误投资策略（假阳性）的统计测试，实现金融领域的现代化。
在这本书中，他结合学术视角和丰富的行业经验，提供了一系列科学合理的工具和方法，解释了投资组合经理如何使用机器学习来推导、测试和使用交易策略。
-近期好文推荐-
↓↓↓点击阅读原文，收获《金融机器学习》