本文翻译自图书：The 3 Simple Rules of Investing—Why Everything You've Heard about Investing Is Wrong and What to Do Instead，作者: 迈克尔・埃德塞斯（Michael Edesess） 、 崔国禄（Kwok L. Tsui）、卡罗尔・法布里（Carol Fabbri） 、 乔治・皮科克（George Peacock）， 翻译者：安福双
致命诱惑 #7 使用数学化的金融理论
这通常是最致命的诱惑之一——也是最厚颜无耻的诱惑之一。科学涵盖了一系列严肃、发展成熟的领域，如物理学、化学和生物学。现代金融与其中任何一个领域都不相似。将“科学”一词应用于现代金融领域是对所有科学的玷污。科学和工程都以实用和合理的方式使用数学。这些领域中使用的数学远比投资领域使用的数学更复杂、更实用。
让我们探讨一下华尔街和金融业销售的投资产品和服务使用——或假装使用——数学和“现代科学金融理论”的一些方式。
纪律严明的量化投资策略的表现
你有时可能会听到“量化投资策略”，并想知道由数学和计算机程序约束的方法是否会增加价值。这听起来当然没错——你宁愿让一个上过医学院、了解人体解剖学、知道如何使用最新医疗技术的外科医生，而不是一个不具备这些知识的外科医生。
但请记住，投资行业的一般规则完全违反直觉：专业知识无济于事；专业性无济于事；成熟度无济于事；事实上，一般来说，技术也无济于事。也就是说，如果你的目标是“战胜市场”，它们至少不会帮助你做到这一点。
使用量化投资策略也不例外。一个问题是这个术语不清楚。“量化投资策略”到底是什么？嗯，这是咨询公司Greenwich Associates受大型投资管理公司贝莱德（BlackRock）委托进行的一项研究中提供的一个定义：“量化策略”这个术语是一个通用标签，应用于广泛而动态的一系列方法，这些方法对投资应用严格和系统的分析。量化投资者使用多种信息源来设计一致应用的投资流程，以管理通常比基本面策略更广泛的投资组合。许多量化经理的方法与所谓的“黑箱”策略的区别在于，投资团队有能力在市场条件需要时进行干预以动态分配风险，而不是实施纯粹由模型驱动的流程。
嗯？一堆胡言乱语，不是吗？但这正是你在描述“成熟”投资方法的文章中通常得到的。出于某种原因，人们认为如果你不理解解释，你会认为它是成熟的。
有些人仍然坚持认为计算机程序会帮助他们保持一些投资纪律，避免只随大流。《华尔街日报》记者埃莉诺・莱斯（Eleanor Laise）在2010年一篇关于量化基金表现令人失望的文章中否定了这种观点，这些基金当时正试图——猜猜是什么？——变得不那么“量化”，更人性化：
“受一连串糟糕的结果和赎回浪潮的打击，计算机驱动的共同基金正在努力为它们的投资决策带来更多的人性化触感。”
“这些所谓的量化基金，主要依赖计算机模型选择投资，已经出了好几年的故障。投资研究公司晨星公司（Morningstar Inc.）追踪的一组65只此类基金，在截至8月27日的三年中，平均落后于其类别竞争对手的72%。”
这是一个相当糟糕的记录。考虑到（或者你会认为）它们各自追求一种有纪律的客观策略，而不是像愚蠢的人类那样仅仅随大流，它们怎么会做得这么差呢？根据莱斯的说法，“最近几年变得非常痛苦地明显，许多量化基金都在关注相同类型的数据来挑选股票。因此，当这些投资组合中的一些开始失败时，它们都一起遭殃。”
那么，他们的回应是什么？变得更像人类。“许多基金的管理者正试图让他们的模型更像人一样，”莱斯写道，“通过使它们对不断变化的环境更敏感。这可能意味着更频繁地重新审视计算机模型，调整其组件，或纳入宏观经济风险衡量指标，而不仅仅是特定股票信息。”换句话说，他们正试图重新加入那个人类主观因素，而量化基金的整个使命就是将其排除。
基于专业指数的指数基金的表现
最近另一个获得动力的营销话术是围绕所谓的聪明贝塔（smart beta）策略构建的。这种营销通常很有效，导致许多投资者购买它。营销这些策略的人经常暗示存在一个数学真理证明该策略是优越的。但像投资领域的许多此类说法一样，这只是伪数学——没有这样的真理。让我们回溯到这个骗局的起源。
指数化的趋势
目前，只有少数投资者投资于指数基金，尽管这样做的个人和机构投资者数量正在增长，因为有压倒性的证据表明指数基金在扣除费用后始终比其他基金表现更好。虽然指数基金获得越来越多的追随者，但许多投资者可能没有听到关于指数基金为什么更好的解释——他们只是记得听说指数基金不错。因此，一些营销人员试图通过使用“指数”这个词来帮助营销新产品而跟风——即使这些产品并不真正像指数基金，并且有更高的费用。
在我们深入探讨之前，需要定义一些术语，包括“价值股”、“市值加权”和“基本面指数化”。
价值股
价值股是指其股票价格相对于其“账面价值”较低的公司股票，“账面价值”大致是公司资产的总和——它的桌子、椅子、建筑、机器等——单独估价并加总。
历史上，价值股的表现好于预期。有人推测了一些可能的原因。一个是价值股具有MPT唯一的风险衡量指标——波动性——不能很好捕捉的风险，正如我们之前指出的，波动性并不是一个很好的风险衡量指标。另一个被提出的原因是人们是非理性的。根据这种假设，他们不理解如果一只股票的价格被压低，那意味着它是好的购买，而不是坏的购买。
无论如何，由于这种观察到的趋势，许多资金经理宣布自己是“价值”经理——也就是说，他们倾向于购买价值股，并认为这样会战胜市场指数。结果，与任何投资策略一样，好坏参半；但在某种程度上，这种方法可能与任何其他投资策略一样好——除了这种策略的经理投资组合多元化程度较低，并且收费比真正的指数基金高。
市值加权指数
“市值加权”是“资本化加权”的缩写。一只股票——或发行它的公司——的资本化是每股价格乘以流通股数量。换句话说，这是如果其股票可以按当前市场价格一次性全部出售的公司的总市值。所有股票的总市值是其资本化的总和。因此，整个市场是“资本化加权”的。一只市值加权指数基金镜像整个市场——也就是说，它是市场的一个缩影。它将与整个市场的表现完全相同。大多数市场指数，如标准普尔500指数，都是市值加权的。（“市场加权”是另一个有时用来表示“市值加权”的术语。）
其他加权方法是可能的。例如，等权重指数持有一家公司的1股——或者也许每家公司的等额美元金额。因此，在等权重指数中，小公司将被加权与大公司大致相同。因此，相对于整个市场，小公司在等权重指数中所占的比例将比在市值加权指数中大得多。因此，等权重指数相对于整个市场具有向小公司倾斜的偏差。
只有市值加权指数镜像整个市场——它是唯一每个人可以同时拥有的指数。而且，市值加权指数会自动调整以继续镜像市场，即使股票价格发生变化。这就是为什么它是指数基金最常用的指数类型。
基本面指数化
有人提出了“基本面指数化”这个术语，意指通过消除“专家”并使用简单算法来自动化选股的一种方法。基本面指数化通过算法将投资组合“倾斜”，通常是向价值股倾斜，因为价值股过去往往表现更好。
但正如那些真正了解股票市场的人所知，过去的表现并不能预测未来的表现。因此，即使价值股效应在这种效应中具有某种程度的持续性，也不能保证它将来不会消失——特别是如果很多人购买它。人们已经注意到某种选股策略有效这一事实，往往意味着它将开始不再有效。
很多人确实知道价值股过去良好的表现并不能保证它们将来会表现良好——尤其是在投资方面足够“成熟”以至于知道为什么指数基金比其他基金有巨大优势的人。需要更有力的论据说服人们基本面指数化确实更好。这种情况催生了听起来像数学的论点，声称任何非市值加权的指数，即使权重是随机选择的，也将表现优于市值加权指数。这些论点中的一些实际上设法发表在著名的学术金融期刊上——尽管正如我们将看到的，这些论点完全是胡说八道。
投资领域伪数学的问题
你可能想知道，发表在有声望期刊上的论文和有声望机构进行的研究怎么可能声称用数学证明了不真实的事情；但你可能不了解投资行业及其学术分支。金融领域的数学并不复杂，大部分也没有实际用途。其他领域——例如空气动力学和流体动力学，以及许多其他工程和科学领域——使用的数学要复杂得多得多。此外，它被非常有效地用于实际应用，比如让飞机飞行。
金融业并非如此。金融期刊中的数学——与普通人的普遍看法和甚至在金融领域内部的普遍看法相反——通常质量极差，而且往往是错误的。数学家们终于开始关注这个问题。最近，一篇批评投资领域伪数学的文章的作者宣称：“我们想提出一个问题，即数学家是否应该继续容忍那些误导性营销为有数学基础的投资产品的激增。”
任何随机选择的投资组合都必然跑赢市值加权市场指数的想法是没有道理的。原因如下。
假设你为某个投资组合随机选择一些股票权重。称这个投资组合为A。现在考虑一个比投资组合A大得多的指数基金投资组合。我们将指数基金做得足够大，使得其中每只股票的数量都大于投资组合A中的数量。如果你从指数基金中取出投资组合A，称剩下的为投资组合B。指数基金的两个部分——投资组合A和投资组合B——不能都跑赢指数基金。如果一个跑赢它，另一个必然跑输它，因为它们加在一起就是指数基金。因此，任何随机加权的投资组合都会跑赢市值加权市场指数的说法是荒谬的。
卡斯商学院研究
尽管如此，《经济学人》杂志报道，一所著名商学院——伦敦城市大学卡斯商学院（Cass Business School）的一项研究以某种方式得出结论：“一个为股票随机选择成分权重的系统，就像黑猩猩向股价列表投掷飞镖一样，战胜了市场。” 其中令人惊讶的部分——除了这个结论不可能成立之外——是“随机选择成分权重”这个短语。有很多方法可以随机选择成分权重。所以我们找到了这项研究，看看他们是怎么做的。
卡斯研究将自己限制在1,000只股票上。它构建了这些股票的市值加权指数，并计算了在其研究的时间段内的表现。然后它开始为随机选择的投资组合定义一个随机选择机制。他们是这样做的。
想象1,000只股票是瓮中的1,000个编号的球。他们从瓮中一个一个地取出球（即股票），创建一个“随机选择”的投资组合。但每次取球后，他们都将球放回，所以它可以再次被选中。他们用这种方法选择了1,000只股票。
但如果他们一次又一次地这样选择投资组合，并将它们全部加在一起，他们会得到一个所有权重都相同的大投资组合。因此，他们的“随机加权”投资组合的构建方式使得它们在总体上是一个等权重指数。换句话说，他们随机生成的投资组合在小盘股上持有的美元比整个市场多。
碰巧的是，在1990年代之后，小盘股的表现优于大盘股。这个时期在卡斯研究中被赋以很大的权重。（在1990年代，小盘股的表现逊于大盘股。）因此，卡斯研究的结果并不是——它们似乎是的——一个关于市值加权指数劣等性的普遍数学陈述。它们仅仅关乎小盘股在他们研究的历史时期的表现如何。
但“基本面指数化”的营销者欣喜若狂。他们错误的说法——存在某种数学原因使得任何非市场市值加权指数都会跑赢市值加权指数——似乎得到了验证——而且是在一份受人尊敬且广泛阅读的出版物上。
使用3因子（或4因子或18因子）模型进行科学投资
因子模型的想法以某种方式俘获了投资界中喜欢相信自己从事“科学”投资的那部分人。在线词典http://Investopedia.com这样定义“因子模型”：
“多因子模型用于构建具有某些特征（如风险）的投资组合，或用于跟踪指数。在构建多因子模型时，很难决定应该包含多少因子以及哪些因子。一个例子是Fama和French模型[以金融学者尤金・法马（Eugene Fama）和肯・弗伦奇（Ken French）命名]，它有三个因子：公司规模、账面市值比和市场超额回报。此外，模型将根据历史数字进行判断，这可能无法准确预测未来值。”
法马和弗伦奇的论文是在进行“回归”分析。回归分析是迄今为止社会科学中最常用——也最滥用——的数学建模技术。
回归分析通常在高中二年级左右向学生解释——至少在我们高中是这样。在那里，它被称为“最小二乘拟合”。你有一些数据点，在图形上像这样（图8a）：
图8A xy图上的点
你试图画一条直线穿过它们，并测量它与每个点的距离，像这样（图8b）：
图8B 回归分析（最小二乘拟合）
通过一点数学，你可以找到最小化这些距离平方和的直线。这就给出了所谓的最小二乘拟合（图8c）：
图8C 最小二乘拟合线（回归线）
这也称为“运行回归”。这条线称为“回归线”。
让我们看看运行回归如何应用于投资。例如，想象横轴上的变量是任何给定月份整个股票市场的回报率，纵轴是特定股票投资组合的回报率。那么回归线应该是投资组合回报率与市场回报率之间的潜在关系。线的斜率称为投资组合的“贝塔”。点到线的距离是随机的特定于投资组合的变化。线与纵轴相交的地方是投资组合的“阿尔法”，或风险调整后的表现。
你可以在三维空间中想象这些点。想象三维空间中的点，通过它们画一个平面，使得点到平面的距离平方和最小。那么该平面将表示其中一个变量对其他两个变量的线性依赖。这两个变量被称为“因子”。同样的操作可以在更高维度上用更多变量完成，但你无法想象。
法马-弗伦奇研究
在图8a-8c的简单例子中，投资组合回报仅对一个变量进行回归，即整个市场的回报。这就是资本资产定价模型（CAPM），是威廉・F・夏普对现代投资组合理论的贡献。夏普的模型说，如果你承担更多的市场相关风险（即如果你有更高的贝塔），你会获得更高的预期回报。
在1992年和1993年的两项研究中，法马和弗伦奇对股票投资组合的回报率进行了回归，不是只对一个变量，而是三个变量：整个市场的回报、“价值”股（那些市场价格与账面价值比率低的股票）的回报，以及“小盘”股（那些资本化低的股票）的回报。他们的回归得出结论，历史上仅有两个因子——价值股回报和小盘股回报——解释了投资组合回报的大部分变异性。这一观察倾向于暗示，你的投资组合波动越像价值股投资组合（或者它越是一个价值股投资组合），并且它波动越像小盘股投资组合（或者它越是一个小盘股投资组合），它的回报就越好。
应该指出，法马和弗伦奇都以类似的警告结束了这两篇论文，在1992年的论文中说，“我们的结果……在经济上并不令人满意。”他们继续说，“规模和账面市值比在平均回报中的作用的经济解释是什么？” 换句话说，当他们运行回归时，他们没有解释为什么他们应该会在数据中发现这些依赖关系。
尽管如此，尽管缺乏对这些结果发生的合理解释，大多数金融专业人士——正如法马和弗伦奇自己指出的，没有充分的理由——得出结论，价值股和小盘股不仅在过去跑赢市场，而且将来也会跑赢。
法马和弗伦奇在2011年发表的一篇较新的论文“国际股票回报中的规模、价值和动量”中更新了他们的工作。 遗憾的是，这篇论文仍然没有试图解释任何股票的回报与其“小盘性”和/或“价值性”程度之间应该存在依赖关系的原因。相反，它是运行回归的延续。
作者确实添加了一个他们早期论文中没有出现的因子：动量因子。这个添加是由于相对较新的观察——在致命诱惑#1中提到——如果股票前一月或前一年的回报跑赢市场，它们在随后一个月或一年往往表现更好。法马和弗伦奇的数据表明存在动量效应的证据（日本除外）——正如在其他研究中发现的那样。他们说，添加动量作为第四个因子可以在某些地区更好地拟合回报。2011年研究的结论是一个结论和非结论的大杂烩。因为尝试了这么多国家和因子，一些产生了看似显著的结果，而另一些则没有。
在法马和弗伦奇的论文中，合著者假设了一种科学的客观姿态——甚至不试图解释或说明他们的结果。原因之一，当然是他们无法解释。另一个原因是任何解释都纯粹是推测，因此不属于科学论文——这另一种说法是他们没有一个好的解释。
呈现结果不加解释，并留待他人尝试解释，这本身没有错。这是开创性研究的理念；如果你的发现引发讨论和解释的努力，最终导致新的改进的理论，那就太好了。（事实上，在这本书写作期间，法马因其50年前写的一篇关于“有效市场假说”的不同且更重要的开创性论文获得了诺贝尔奖。）
然而，仅仅回归公式并不是一个理论。它们仅仅是在数据中感知到的模式——没有解释，而且可能是随机性的偶然。然而不幸的是，这些回归的结果被当作似乎它们本身就是理论。这不是法马和弗伦奇的错——他们说过他们无法对这些结果给出经济解释。但这就是他们的结果被对待的方式，好像它们是理论，而不仅仅是未解释的回归结果。
缺乏理论，这些结果没有持久或实际的意义。没有对它们的解释，没有理由相信从历史投资数据中挖掘出的结果可以预测未来，从而识别出战胜市场的策略。
高盛的18因子模型
尽管如此，一个好的销售话术不可小觑，尤其是当它涉及代表推销者所在公司有多么成熟和科学时。当然，高盛必须和任何公司一样成熟和科学。因此，当我们从高盛内部人士那里听说他们在投资策略中使用“18因子模型”时，我们一点也不惊讶。
你需要知道高盛的投资表现——即其客户投资的表现。2011年的一篇文章描述了客户与高盛一起投资时的表现有多糟糕：
“GSAM（高盛资产管理公司）资产的很大一部分是其独立账户——为机构和富人投资的资金池。总部位于亚特兰大的研究公司EVestment Alliance LLC追踪了这些账户中持有的约3000亿美元，发现在截至9月30日的五年中，高盛在其EVestment考察的73.8%的类别中落后于同行。”
“总部位于芝加哥的金融出版商晨星公司（Morningstar Inc.）追踪高盛共同基金，发现在截至12月31日的3年、5年和10年期间，其考察的338只基金份额类别在每个广泛类别中都落后于各自同行的平均回报，这些类别包括美国多元化股票、非美国股票和应税债券。”
应该指出，晨星发现高盛共同基金落后于“各自同行”意味着它们的表现远远落后于低成本指数基金，后者通常跑赢约80%或更多的同行。
然而，正如这篇文章所指出的，“科学”的销售话术——以及高盛这样的大型金融行业品牌名称——仍然吸引着那些要么不知道要么不关心这种糟糕表现记录的投资者。
小盘股的表现
1981年，一位名叫罗尔夫・班茨（Rolf Banz）的学者在《金融经济学杂志》上发表了一篇关于1936-1975年小盘股回报的文章。班茨的论文表明，小盘股不仅跑赢大盘股，而且在风险调整后的基础上也跑赢了大盘股——它们有一个正的“阿尔法”。但在班茨研究之后，小盘股效应——小盘股阿尔法——基本上消失了。小盘股总体上仍然经常表现更好，但不是在风险调整的基础上。
很久以后，研究人员加里・米勒（Gary Miller）和斯科特・麦基洛普（Scott MacKillop）决定对历史小盘股回报做一个快速回归。 他们发现了其他人已经发现的东西：在班茨研究之后的几年里，它们没有表现出多少阿尔法（如果有的话）。
这真的不应该令人惊讶。如果某只特定的股票或某组股票变得流行得多——通常是因为其过去的表现——想买它的人会推高价格。当股票价格被推高时，其未来的回报率就不会像价格被推高之前那么好。
米勒和麦基洛普随后决定，只是为了好玩，对班茨的原始数据运行他们的回归。他们没有发现阿尔法。他们感到困惑。为什么班茨得到了阿尔法，而他们没有？
我们可以回答这个问题，因为我们复制了他们的研究。 他们在研究中使用了不同种类的回报率。但这是你应该使用的回报率。
回报率可能非常令人困惑。例如，抵押贷款机构必须说明贷款的年度百分比率（APR）。该利率是通过取月利率乘以12个月计算的。
一个月周期是任意的。你也可以取周利率乘以52，或小时利率乘以8,760，或秒利率乘以31,536,000。如果你持续分割时间，你最终会收敛到“连续复利回报率”（CCR）。
我们称普通的月利率为“持有期回报”或HPR。通过说HPR是“普通的月利率”，我们的意思是，例如，如果你月初有100美元，没有添加任何东西，月底你有101美元，那么你的HPR是1%。相比之下，CCR是1.005%。HPR和CCR略有不同。但是CCR有一个HPR没有的属性。它是“对称的”。它值为-20%的概率与值为+20%的概率大致相同。这对于HPR不成立。HPR是偏斜的——它值为+20%的可能性显著大于-20%。
班茨和金融领域几乎所有其他使用回归分析的人都使用了HPR。回溯他数据的研究人员（以及我们在复制他们工作时）使用了CCR。
哪个更好？它们都是回报率。一个是等价的另一个，在可以轻松相互转换的意义上。但对于回归分析——特别是为了测试你发现的阿尔法是否显著——统计学家认为使用对称的数字（CCR）更好。
数学统计的一个深奥领域深入研究了这类问题，但我们无需在此深究。然而，在科学和工程领域应用回归的人通常假设，如果分布严重偏斜——即不对称——那么结果可能不可靠。（严格来说，分布应该是正态的——也称为高斯分布——以便应用像t统计量这样的显著性检验统计量。）
结果证明，回归中使用的HPR常常在CCR不给出正阿尔法时给出正阿尔法，尤其是当“因变量”——在我们的例子中是小盘股回报——特别不稳定时。因此，某组股票子集的回报变化越大，使用HPR显示它们有阿尔法的可能性就越大。
这个讨论不应该让你对金融研究人员获得的统计结果有太多信心。他们研究中使用的数学方法不满足数学家对“严谨性”的定义。金融研究人员经常不明确界定他们数学中特定变量或符号的含义，并且没有充分检查他们使用方法的假设是否得到满足。他们会因为我们的说法而感到被冒犯，因为他们认为自己是严谨的——但他们不是。
关于投资行业使用数学及其对“科学”宣称的问题，我们可以写更多。我们甚至还没有涵盖在2007-2009年金融危机中惨败的数学模型，或金融领域数学模型的许多其他失败。
我们的底线建议保持不变：当你听到投资领域正在使用复杂的数学或科学时，屏蔽噪音。
致命诱惑#7总结
-
与大多数科学或技术领域相比，金融领域的数学并不复杂；它通常漏洞百出或完全错误，而且大部分甚至没有任何实际用途。 -
听起来像数学的投资策略，如“量化策略”、“聪明贝塔”和“四因子模型”——像其他非量化的投资策略一样——不会产生优越的投资表现，除非偶然。
后记
无形的挤压
作者：迈克尔・埃德塞斯（Michael Edesess）和乔治・皮科克（George Peacock）
自2007-2009年全球金融危机以来，世界越来越意识到两个主要问题。第一个是系统性金融风险和崩溃的危险。由于全球金融体系的复杂性和相互关联性，似乎随时可能发生突然的多米诺骨牌式一连串失败。第二个问题是对金融业通过向政治候选人捐款、金融业与政府职位之间的旋转门、易于接触在职官员以及用于媒体宣传的资金所实现的集中的政治影响力的合理担忧。我们在第一部分中向你推荐的简单建议可以通过一个重要的次要效益（我们称之为无形的挤压）来帮助缓解这些问题。
在18世纪晚期，经济哲学家亚当・斯密（Adam Smith）创造了“看不见的手”这个术语，用来描述人们为了自身利益最大化而行动，即使这些人没有善意意图，也可能造福社会。以大致相同的方式，当个人和机构（投资者）通过追求我们在第二部分中倡导的简单、低成本策略来最大化他们的收益时，我们断言，随着利润从华尔街和金融部门被挤压出来，社会将受益。这种利润挤压将在投资者追求实现自身目标的最佳途径时无形地、无意地发生。
产品和价格混淆：问题的关键原因
正如我们在引言中指出的，金融领域获得的高额利润是产品和价格混淆独特结合的结果，使该行业能够以极高的价格销售普通、劣质、有时甚至毫无价值的产品。这类产品和服务的激增，加上巧妙的营销，是投资者困惑的主要原因。
金融业的客户可以而且应该忽略那些不创造价值却增加巨额收费的听起来复杂且不透明的产品、服务和建议。我们希望能够帮助你理解，在金融领域，绝大多数情况下，与简单的低成本替代品相比，大多数功能不增加任何价值。避免这些产品和服务将有助于提高透明度、降低复杂性，并阻止费用从客户流向金融业的滔滔洪流。
除了建议你避开那些相对容易识别的复杂投资产品和服务外，我们还希望能够证明，即使是主流的投资选择，对你的长期财务健康也可能有巨大的成本。例如，许多基本共同基金能够每年收取1%及更高的费用，基于对其将大幅跑赢低成本替代品的预期，而这种预期不可能承诺，也很少实现。这些基本投资选择不必要地消耗了你的投资账户，数额之大超乎大多数投资者的想象。
广泛采用第一部分中推荐的投资策略将显著减少这些问题的影响。怎么做？很简单。越多投资者采用避免额外成本和复杂性（及其隐藏风险）的策略，系统将变得越不脆弱，并保持这种状态。而且，每个人选择有效且低成本的投资选项越多，行业收入和规模就会收缩得越多，其影响力也会减少。每个遵循我们建议的人可以减少其对投资行业收入的贡献高达75%到90%。投资于简化华尔街投资组合将通过简化金融体系（而不使其变得不那么有用或高效），以及通过减少从大小投资者流向金融超级富豪的巨大且非生产性的资金流，帮助解决系统性风险和失控政治影响力的问题。
金融业超级富豪的崛起，轶事证据
2011年年中，加州大学圣克鲁兹分校社会学教授G・威廉・多姆霍夫（G. William Domhoff）的网站上发表了一篇客座文章，作者是多姆霍夫多年前认识的一位投资经理，他与非常富有的客户合作，并出于显而易见的原因选择匿名。 该文章由文章作者于2013年12月更新。 这位作者，一位非常成功的投资顾问，说：“我在金融服务行业坐着一把有趣的椅子。我们的客户主要属于前1%，净资产在5,000,000美元或以上，并且——如果工作——每年收入超过300,000美元。我对他们财富来源和关注的观察来自我在这个群体中的专业和社交活动。”
作者指出，然而，1%的人并不真正富有，直到他们达到前1%的前半部分。而且：
“我们越往上进入前0.5%，他们的财富以某种方式与投资行业相关的可能性就越大。……前0.1%的人来自许多背景，但很少遇到其财富不是通过直接或间接参与金融和银行业获得的人。”
在2013年的更新中，作者总结道：“财富和收入正流向系统的最顶层，特别是那些直接或间接从金融业受益的人……2009-2012年见证了财富向上大规模转移到前1%，特别是前0.1%。”
作者还分享了其他观察。
“最近，我与一位年轻客户交谈，她三十出头就从一家大型投资银行退休，净资产约800万美元……因为我知道她对投资银行持批评态度，我问她的同事是否讨论或理解他们的活动对更广泛的经济造成了多大的损害。她的回答是，没有人公开谈论这件事，但几乎所有人都理解，并且令人难以置信地愤世嫉俗，希望在他们变得足够富有后退出这个系统。”
作者总结道：“我认为强调财富集中的危险之一很重要：顶层人士对其行为的更广泛经济后果不负责任。”
金融业超级富豪的崛起，经验证据
由于几位勤奋的经济研究人员最近的工作，已经收集了大量经验证据，显示了资金从客户流向金融业如何极大地增加了其财富。例如，经济学家、纽约大学斯特恩商学院副教授托马斯・菲利彭（Thomas Philippon）为国家经济研究局撰写的一篇论文中，编制了美国非金融部门向金融部门的总付款。 2010年，这些付款几乎达到美国GDP的9%，是自1980年以来金融业份额的近两倍。2010年美国GDP为14.5万亿美元；因此，其中的9%，即超过1.3万亿美元，是2010年非金融部门支付给整个美国金融业的。
在另一篇论文中， 菲利彭和合著者、弗吉尼亚大学经济学助理教授阿里尔・雷谢夫（Ariell Reshef）指出，直到1990年，金融业工人的薪酬与教育水平相同的其他行业工人相同。但到2006年，金融业的普通工人比其他行业多获得50%。金融业并没有改善得那么多或以那种方式，以至于可以解释或证明这种显著的增长是合理的。菲利彭和雷谢夫说，这种差异在薪酬等级的上层更为明显。金融业前10%的工人比其他行业前10%的工人多赚80%，金融业高管比其他行业高管多赚250%。
谁获得了这些增加的收入？
证据指向这样的结论：过去30到40年中，美国从非金融部门流向金融业的巨额增加的资金中，大部分流向了国家收入阶梯的最顶层。
巴黎经济学院的托马斯・皮凯蒂（Thomas Piketty）和加州大学伯克利分校的伊曼纽尔・赛斯（Emmanuel Saez）发现，“高收入群体获得的国家收入份额在最近几十年急剧增加，尤其是在美国……这主要来自最顶层。前百分之一收入份额本身已经翻了一倍多，从1970年代的不到10%到最近几年的20%以上。”此外，皮凯蒂和赛斯说，“仅前1%就吸收了1976年至2007年间美国总收入增长的近60%。”
由威廉姆斯学院的乔恩・巴基亚（Jon Bakija）、美国财政部的亚当・科尔（Adam Cole）和印第安纳大学的布拉德利・海姆（Bradley Heim）这三位其他研究人员提供的证据，将这一点缩小到收入最高的前0.1%。 这些研究人员指出：
“在美国，前0.1%收入者获得的税前总收入（不包括资本利得）的百分比从1981年到2006年间显著上升，从2.2%升至8.0%……我们发现，高管、经理、主管和金融专业人士近年来约占前0.1%收入者的60%，并且可以解释1979年至2005年间流向收入分配前0.1%的国民收入份额增加的70%。”
其中，最大部分18.4%直接受雇于金融行业；15.0%是受薪的非金融业高管；13.6%是非金融相关密切持股公司的高管。
金融业和金融专业人士增加的收入是否产生了任何好处？该行业的捍卫者认为，它已经发展出高度有效的系统来转移和分散风险，并将金融资源配置到需要的地方。
然而，菲利彭在对这个问题的研究中发现，金融业在其金融中介工作——将金融资源从来源处转移并分配给用途——方面的效率并不比几十年前高，当时它只占GDP的一半份额。 它只是得到了更多的报酬。
当然，在任何行业，大多数公司和大多数人都寻求尽可能多地产生利润。但是，当一个行业在短短几年内将其在国民GDP中的份额翻倍，其普通工人相对于其他工人的薪酬提高了50%时，我们必须问这是为什么。我们认为这很简单。该行业受益于一系列谎言、神话和误导，这些使消费者感到困惑，而消费者本应是市场定价的自然检查者和仲裁者。但你可以改变这一点——至少对你自己的投资而言。
日益复杂化的螺旋
正如我们在引言中指出的，金融产品和服务的日益复杂性创建了一堵难以穿透、误导和欺骗的信息墙。这种困惑大大增加了客户获得正确和真实信息以及进行金融交易的成本。此外，产品、策略和营销噪音的激增往往使得即使是更主流的投资选项也更难评估，因为它们漂浮在难以理解的浩瀚信息海洋中。
当投资者感到困惑时，他们会寻求理解甚至利用这种复杂性的方法。反过来，机会主义的金融产品和服务提供商通过生产越来越听起来复杂且通常成本更高的产品，并配以巧妙设计的营销话术，来利用投资者对这种难以捉摸且诱人的“优势”的追求。这种自我喂养的循环只会不断地延续困惑和复杂性。
正如我们都刚刚看到和经历的，这种复杂性并没有有益地在整个金融体系内分散风险；相反，它增加了全球金融系统性风险。例如，在GFC之前的几年里，投资者和监管者都没有——而且更糟的是，更可能的是无法——正确评估被称为债务抵押债券（CDO）的打包次级抵押贷款和贷款以及被称为信用违约互换（CDS）的保险合同等产品的个体和系统性风险。评级机构也无法评估它们——或者至少他们有动机允许其评估被客户（发行CDO的大型投资银行）操纵。投资者和监管者都不知道发生了什么。但金融业知道——或者应该知道。
当这种不透明性在金融体系中积累时，它使整个体系面临风险。全球金融危机，仍然太近、阴影太长而无法忘记，正表明了它的风险有多大。
通往解决方案的生命线
正如我们所看到的，金融业是某些人所说的“流氓行业”， 给整个全球金融体系带来了可怕的风险。金融业的薪酬与其他行业的薪酬之间的巨大差异，加上该行业的巨大规模，促成并巩固了其经济和政治权力，以及经济不平等的扩大。一个上层阶级已经出现，与绝大多数公民的社会经济现实日益孤立。此外，太多有才华的大学毕业生被高薪吸引到一个非生产性的行业——这些人才本可以在其他领域为社会做出贡献。
这些问题的解决方案一直是通过加强监管；拆分银行；恢复道德价值观和良好的商业道德来寻求。但银行已经控制了监管体系，并且没有任何有意义的尝试来缩小它们（从而缩小风险）。事实上，最大的银行比危机前更大了。至于恢复道德价值观和良好的商业道德，我们只能说这不在你的控制范围内，而且这是一个绝对不容易实现的目标。
但是有一个简单、有效且更明显（一旦你想到它）的解决方案，它遵循基本的经济学定律：第一部分中介绍的简化华尔街（SWS）投资组合。它不仅是你可以投资的最好的投资组合，对你自己的财务有益；而且越多的人采用它，就越能从华尔街挤压出大量的利润，这些利润使其能够维持对监管过程的寡头控制，并维持其在美国经济中过大的影响力。
投资于SWS投资组合不必是明确的“抵制”华尔街或主流金融业。你应该为了自己的利益而追求SWS——因为它是可用的最佳投资策略。然而，如同被亚当・斯密的“看不见的手”引导一样，每个追求自己最佳投资利益的投资者都将导致社会的最佳利益，因为这些选择共同可以显著降低系统性金融风险和经济权力的集中。个人自由行动所能完成的，是任何监管都无法做到的。
我们希望我们已经切断了大量困惑，并向你表明，一个非常简单、成本最低的选项对所有投资者（无论是个人还是机构）都是容易获得的。它将使你受益——也使我们所有人受益。
关于作者
迈克尔・埃德塞斯（Michael Edesess） 是一位成就卓著的数学家和经济学家，在投资、能源和可持续发展领域拥有丰富经验。他是香港城市大学系统工程与工程管理系系统信息学工程中心的访问学者，丹佛Fair Advisors的合伙人兼首席投资官，EDHEC-Risk Institute的研究员，以及两个香港智库的高级研究员和项目顾问。他还在http://Franklnsight.com任职。他定期为在线杂志《顾问视角》撰稿，并著有《投资的弥天大谎》（Berrett-Koehler, 2007）。他是Lockwood Financial Group的创始合伙人兼首席经济学家，直至2002年该公司被纽约银行收购。此前，埃德塞斯博士曾担任机构投资者的顾问和数学计算机系统提供商，与几家最大的银行和咨询公司合作。他曾在四所大学教授国际金融、环境经济学、数学和统计学。他曾接受广播和电视采访，并在《华尔街日报》、《投资组合管理杂志》和《技术评论》等出版物上发表文章。
除了在投资领域的工作，埃德塞斯博士还积极参与非营利组织。他曾担任International Development Enterprises USA的董事会主席，该组织关注发展中国家的小农，还担任知名能效智库落基山研究所的董事会主席以及环境保护基金落基山顾问委员会主席。埃德塞斯博士拥有麻省理工学院学士学位和西北大学纯粹数学博士学位。
崔国禄（Kwok L. Tsui） 是一位杰出的统计学家，其工作重点是质量统计、信息学和数据挖掘，他是大数据中虚假模式问题的专家。他曾在多所主要大学担任教授和系主任24年，也是一名实践应用研究员。在担任大学职位之前，他曾在AT&T贝尔实验室质量保证中心担任技术人员4年。崔博士现任香港城市大学系统工程与工程管理系主任兼讲席教授，此前他是佐治亚理工学院工业与系统工程学院的教授。他是美国国家科学基金会青年研究员奖的获得者，曾在多个专业统计学会担任职务，包括美国统计协会和美国质量学会会士；国际统计学会当选成员；ISO统计方法技术委员会的美国代表；IIE Transactions的部门编辑；INFORMS质量、统计和可靠性分会的主席；以及INFORMS数据挖掘分会的创始主席。除了在统计质量和可靠性方面的工作，崔博士目前的研究包括健康信息学、数据挖掘、医疗保健和公共卫生中的监测、预测与健康管理、计算机模型的校准和验证、生物信息学、过程控制和监控，以及工业工程中的稳健设计和田口方法。崔博士拥有威斯康星大学博士学位。
卡罗尔・法布里（Carol Fabbri） 是一位经验丰富的财务顾问、注册财务规划师和注册慈善顾问，于2008年共同创立了Fair Advisors。作为独立财务咨询公司Fair Advisors LLC的管理合伙人，她与个人和非营利组织合作。在此职位之前，她曾在美林证券担任顾问，并在获得麻省理工学院斯隆管理学院MBA后，在管理咨询领域工作了十年。她利用自己的咨询经验来教育她的受众，并简化看似复杂的金融环境。她还与个人合作，利用财务、遗产规划和慈善工具实现他们的目标。法布里女士对个人理财问题的独特而清晰的见解经常被全国性媒体引用，包括《福布斯》、《精明钱》和《华尔街日报》。她是《个人投资：缺失的手册》（O'Reilly, 2010）的合著者。为了解决对金融素养课程的广泛需求，她创立了Fair Advisors Institute（FAI），一个致力于通过教育和研究提高金融素养的非营利组织。2012年，FAI因其为寄养青年提供金融教育的工作而获得了“Right on the Money”奖。她在教育个人理财方面的努力得到了地方和全国的认可。法布里女士因在经济上赋予女性权力而获得了TIAW World of Difference奖，并被公认为科罗拉多州顶级财富顾问。她最近获得了跆拳道黑带，与丈夫和儿子住在科罗拉多州的山区。
乔治・皮科克（George Peacock） 拥有27年投资行业经验，是Compendium Financial Investment Advisory的负责人，购买力投资组合的创始人和管理者，《投资瑜伽》博客的作者，以及在线金融网站http://FrankInsight.com的投资板块总编辑。他作为美国运通金融服务公司（现为Ameriprise）的合伙人进入财务咨询行业。他还曾在Wallace Financial Group（一家地区性保险、投资、退休和财务规划公司）和Mullin Consulting工作，为财富1000强公司的高级管理人员提供利基薪酬福利建议。当他加入US Trust的华盛顿办事处（后被美国银行收购）时，他重新开始为高净值个人和家庭提供咨询。当该公司（如同投资行业的其他公司一样）开始越来越多地依赖数学模型（其输出取决于无数不可知的假设）时，皮科克先生离开了美国银行。在Euclid，他立即建立了购买力投资组合，这是本书中描述的简化华尔街方法的先驱。皮科克先生是乔治城大学校友会主席，并担任大学董事会当然成员。他还是乔治城大学校友和学生联邦信用合作社（全国最大的学生经营的信用合作社）的外部顾问委员会成员，以及The Georgetown Chimes（一个全男性无伴奏合唱团）的成员。他是一名兼职单口喜剧演员，与他的四个孩子邓肯、琼、海莉和麦肯齐住在马里兰州贝塞斯达。