优势的来源

让我们绕道一分钟，看看多年来的一些优势来源。还有许多其他的优势来源，特别是在微观层面。这份清单是为了让你思考你自己的优势。重点不是通过列表来挑选一个。它是思考和了解你个人交易优势的一个起点。

有一句老生常谈的话，如果你在牌桌上，而你不知道谁是傻瓜......你就是那个傻瓜。同样，如果你是一个交易员，而你不知道你的优势是什么，你可能就没有优势了。我将重点介绍人类交易者的优势来源，我提供的日期范围是我对该优势来源最普遍的时间的最佳估计。

这些优势来源中的大多数仍然存在，但与高峰期相比已大大减少。

#趋势跟踪（1984年至2003年）#

在20世纪80年代和90年代，趋势跟踪系统是人类（和计算机）盈利的首选来源。许多大型的趋势跟踪商品交易顾问（CTA）在二十多年里提取了有意义的异常回报。在过去的40年里，趋势跟踪系统的回报率已经稳步下降了。许多研究报道了趋势跟踪性能的缓慢下降。温顿研究中的这个表格显示了趋势跟踪的夏普比率随着时间的推移而下降：

这并不表明现在有零利润的趋势跟踪策略，但显然，随着时间的推移，优势已经下降。考虑到20世纪90年代和21世纪关于该主题的学术文献的激增，这并不令人惊讶。当一个策略变得众所周知时，它的夏普比率就会逐渐走向零。

#信息不对称和缺乏透明度（1980年至1996年）#

在互联网出现之前，市场是不透明的，金融机构以外的人很难准确了解价格。鉴于银行和大型投资公司的交易员对准确价格水平的了解，并由于买卖差价较大，他们拥有有意义的优势。

同时，相对较少的宏观交易员拥有大量的研究预算和接触政策制定者的机会。那些拥有这些资源的人比那些不了解情况和不太成熟的公司和投机者有巨大的优势。

瞬息万变的通信速度，近乎无限的信息可用性，以及对非公开信息的严格遵守和监测，已经极大地拉平了宏观和银行交易商的格局。

#技术分析（1980年至2006年）#

在2006年之前，我所工作的大多数交易桌上最常见的交易策略是技术分析。大多数技术是相当基本的，而一些听起来比较聪明的人可能会在Lotus 1-2-3中建立一些艾略特波浪或更深奥的系统。这些策略中的大多数产生了相当于趋势跟踪或突破的信号。延续模式、突破、头肩顶等是最受欢迎的设置，这些都是在那个时代趋势跟踪策略的高夏普基础上产生的附加效应。

随着算法策略在2000年代中期变得越来越普遍，趋势跟踪夏普也逐渐消失，使用简单技术分析的交易者失去了他们的优势，因为技术策略很容易用电脑复制，而且在风险管理和无偏见的交易选择方面，电脑比人类更好。现在，我认为技术分析已经沦为一种风险管理工具，对于交易选择或预测并不有效。

#分析价格行动（1970年代到2015年（？）） #

在我看来，近年来的价格行为已经变得越来越没有意义。某物"交易良好"或"看起来很好"的想法几乎只意味着它现在处于高位，而不是说它会走高。价格行为已经失去了大部分的预测价值。我认为在非常短期的情况下，好消息/坏消息的设置仍然有意义（即，当某个东西不能因好消息而反弹时，这就是暂时的看跌），但这种效果的半衰期很短。

这是斯坦·德鲁肯米勒对2018年作为信号的价格行为的下降所作的评论。

这些算法已经把所有的节奏从市场中剔除，对我来说已经变得非常混乱。当你从一个35年来一直使用价格行为作为其主要纪律工具的人那里拿走价格行为和新闻时，这很难，而且变得非常难。我不知道这一切会如何发展。如果它继续下去，我不会很快回到每年30%的水平，反正我不认为我可能，但人们总是可以梦想，当免费资金结束时，我们会回到正常的宏观交易环境。

我认为，也许算法不那么情绪化，对新闻的反应不那么可预测，是价格行为重要性下降的部分原因，但也可能是一个简单的事实，即每个人都知道这种分析风格，所以它已经失去了优势。目前这一代30-45岁的交易员都是在《股票经纪人回忆录》和《市场奇才》中长大的，因此我们总是在搜寻价格行动的信号。

再加上非价格敏感的中央银行对各种资产的购买造成的大规模价格扭曲，就不难看出，过去价格行为可能带有的任何信号都被中央银行破坏了，并被那些从相同书籍和访谈中了解到的投机者套利了。

#全球宏观（20世纪70年代到？）#

全球宏观非常拥挤，因为对冲基金和互联网宏观战略家的激增在2005年左右将全球宏观推入主流，并留下了太多的资本追逐太少的利润。如果你假设任何市场策略或无效率有X量的利润空间可用，那么，试图吞噬这种利润的行为者越多，随着时间的推移，平均回报和平均夏普斯必须下降。太多的竞争和低利率是2008年以来全球宏观对冲基金回报的两大挑战。

在美联储QE、安倍经济学和欧洲央行QE的推动下，资产价格的大规模变动在2010年代的不同时期给对冲基金带来了巨大的利润空间，但这些史诗般的事件在最近几年已经很少。

#相关性和市场间分析（2004年至2014年）#

这是我在雷曼兄弟时代的面包和黄油，但在2008年全球金融危机之后，每个人都敏锐地意识到了相关性和市场间分析对短期交易的重要性。

现在世界上几乎所有的全球宏观交易员（和博客）都非常精通这种分析方式。而且有很多很多的计算机系统使用动态相关来交易每一个资产类别。再说一遍。太多的钱追逐太少的利润空间。

我仍然使用相关性作为我交易想法的一个重要输入，但我认为在过去20年里，它的有用性已经大大下降了。

#数据交易（1990年至2005年）#

现在是1997年。我预计会有一个强劲的非农就业（NFP）数字，美元指数为118.80/85。随着上午8:30:00的临近，我在119.01键入了1亿美元的美元指数出价。我紧张地盯着彭博社的美国经济发布页面。

5, 4, 3, 2, 1...

如果这个数字明显好于预期，我就点击发送。如果不是，我就什么都不做。通常情况下，在2005年左右，你可以挖出所有厌恶风险的交易者留下的懒惰报价，并在任何重大经济发布后的几秒钟内立即赚取10万或20万美元。现在，有数以百计的算法设置了一系列的指令，比如。(如果NFP超过1个标准差+失业率下降，买入100美元日元，限额X）。所有可用的流动性在微秒内被吸走，因为算法大军将战场清理干净了。

现在有一些交易经济数据的第二种衍生方式可以赚钱，但现在95%的盈利是由算法拥有的。这创造了一种奇异的形式，在经济数据进入市场后，价格几乎瞬间就能找到新的平衡点。在试图找到正确的价格时，美元兑日元不会到处乱晃，而是在几分钟内达到新的"正确"价格，因为类似的调整程序以比人类更快的速度做出反应。

#模式识别（1980年到？）#

有一个著名的故事，保罗·图德·琼斯和彼得·鲍里什利用价格和成交量模式，发现了1987年股市的价格和成交量模式与1929年股市的价格和成交量之间的类比。利用这个类比、宏观分析以及他对衍生品、投资组合保险和没有价格限制的股票期货的担忧，图德预测了87年的崩溃，并在1987年10月回报了62%！

在2019年，这种类型的比喻会被日内交易员和在线博主推送二十二次，并且会在世界每个对冲基金和银行的每台机器学习、人工智能和模式识别机器的输出中显示出来。在无偏见的模式识别方面，计算机明显优于人类。

不过，我确实相信，在模式识别方面仍有优势。有经验的人类交易员仍然可以将复杂的信息结合起来，形成最好的计算机都无法企及的结论。

#杠杆、套利和出售风险溢价（永远）#

以2%的价格借款，购买收益率为7%的资产。向套期保值者出售保险。卖出SPX看跌期权。这些都是久经考验的、经过测试的、产生稳定回报的真实方法。这些策略产生非正常的回报，并导致偶尔的爆炸和崩溃，而且往往是β值多于α值。不过，诸如把握进场和出场时机以及卓越的风险管理等战术，可以使简单的杠杆套利和期权销售策略更像是阿尔法而不是贝塔。

#量化/全权委托组合（2012 -）#

虽然定量分析曾经主要是系统和算法交易程序的领域，但人类交易者现在使用更复杂的定量方法。将最好的量化分析师、最好的数据集和最好的全权交易员结合到一个业务舱中，在我看来是当前时代全权阿尔法捕获的理想模式。有经验的人能够提出正确的问题，大大加强了定量分析。模型对许多类型的交易来说是很好的，但在其他任务上，如预测或应对制度变化或处理一次性事件，就不那么好了。

所有这些交易风格仍然有效，断断续续。挑战在于找到一种能在当前市场上给你带来优势的交易风格，然后保持清醒的头脑、开放的心态和适应性，这样你就能随着市场的变化而过渡或转折。你这个月的优势可能不是你下个月或明年的优势。

迂回绕道完毕！我希望这个关于优势的历史来源的简短综述能帮助你思考和识别你目前的优势。