Richard Falk-Wallace – Risk Models for the Front Office with Arcana (S8E1)

发布时间    来源
Episode 设置


登录已过期或未登录,无法修改。请先登录后再试。

这是一场由 Corey Hofstein 主持、播客节目名为《Flirting with Models》的访谈。本期嘉宾是 Arcana 的创始人 Richard Falk-Wallace。以下是对播客中所有细节与讨论内容的全面总结: ### 一、嘉宾背景与 Arcana 简介 * **Richard 的职业经历**: * 早年从事**重组与困境信贷(Restructuring & Distressed Credit)**工作(如 J.P. Morgan 和 Silverpoint),这段经历让他习惯将公司视为具有复杂规则和权衡的“结构化实体”,为后来的因子思维打下了意外的基础。 * 后来转向**股票领域**,在 Viking 从事自然资源研究,随后在 Citadel 担任投资组合经理(PM)。 * **Arcana 的创立初衷**: * Richard 在买方坐席上发现了一个巨大的工具痛点:**传统的因子风险模型和风险工具是为中后台设计的,并不适合前台的 PM 使用**。 * 行业内虽然存在一些由大型多经理(Multi-Manager / Pod)机构内部自建的大型系统,但绝大多数机构(甚至更广泛的市场)并没有好用的、面向客户端的端到端工具。 * **Arcana 的定义**:一个**投资组合智能技术层(portfolio intelligence technology layer)**,可服务于单个 PM、公司层面或风险经理。它将风险、投资组合构建、业绩分解、甚至投资流程(如定额信念分数、价格目标)无缝连接并融为一体。 * **Arcana 的功能栈**: 1. **风险与敞口**:前瞻性波动率(X-ante volatility)、特质性风险与因子风险的占比、各种因子的敞口、通过标签(tags)或类别进行聚合和下钻(drill-down)。 2. **投资组合构建与迭代**:假设分析(what-if analysis)、优化、对冲创意(从宏观层面的高阶对冲到逐笔明细的盈亏前瞻分析,以及利用价格目标和信念分数进行均值方差优化)。 3. **业绩分解**:通过风险模型进行分解,以及深入剖析胜率、仓位规模与选股分离度(sizing vs. selection)、财报日与非财报日表现、多重压缩/扩张、持仓期分析(如 accrued vs. bought momentum)等数百种切片指标。 4. **访问方式**:提供平台前端、Excel 插件、报告系统、API(支持推拉)、MCP 以及 iOS App。 --- ### 二、宏观趋势:为什么风险与投资组合工具正向 PM 桌面迁移? 1. **多经理(Pod)模式的胜率证明**: * 过去存在一种“巴菲特式”的传统观念,认为统计学模型毫无意义,只需集中投资、挑选好股票即可。 * 但现实是,多经理平台在经风险调整后的回报上长期表现优异,用实际的成绩单改变了行业的风向。 2. **因子波动率的长期结构性上升**: * 被动投资的崛起、市场集中度提高,以及核心股票中主题投资的集中,导致因子波动率和相关性呈结构性上升。 3. **Alpha 的相对稀缺**: * 传统的老虎基金式(Tiger Cub)股票多空模型,在过去可以带来“半数波动率下的市场回报”或“相同波动率下的 1.5 到 2 倍市场回报”,但在当前的阿尔法贫瘠市场中,这种红利已很难在大规模下实现。随着球员水平提高,**不能再犯低级错误**,精细化管理变成基本门槛。 --- ### 三、量化与基本面投资的融合与分工 * **投资组合构建的融合**: * **分散化是唯一的免费午餐**。单只基金的 PM 可能没有量化那样天然的广度,但通过管理不同的 PM 并控制总体风险,多经理机构和现代资产管理公司(通过 SMA 等金融科技)实现了等效的分散化广度。 * **研究层面的前移**: * 量化最初做的是“抢跑交易台”(Front-running the trading desk),后来发展到“抢跑基本面数据点”(Front-running fundamental data points)。 * 随着 AI 的兴起,**量化正在向更高栈发展——抢跑基本面投资者的定性洞察(Front-running investment analysis)**。 * 与此同时,基本面投资者也在借助量化工具进行逆向升级,学习投资组合构建,避免被量化和 AI 抢跑。 * **量化教会基本面投资者的第一课**: * **消除已知相关性(Leaking sources of knowable correlation)**。相关性是分散化的反面,等同于集中度。允许前瞻性相关性(如过度的 Beta 或动量敞口)进入投资组合,在数学上必然会拖累夏普比率(Sharpe ratio)。 --- ### 四、反直觉的洞察与因子时间的陷阱 * **做对因子方向也可能拖累夏普比率**: * 即使是像“市场因子”这样长期表现为正收益的最优质因子,其夏普比率(通常在 0.6 到 0.8 之间)也低于许多长期采用市场中性并正确隔离风险的优秀 PM 的夏普比率(长期在 1 到 2 之间)。 * 盲目增加市场因子等正收益因子的敞口,会在最佳情况下**将你的夏普比率向市场的夏普比率拉低(Dilute your Sharpe ratio towards the market Sharpe)**。而许多非市场因子在长期内甚至是负向净拖累。 --- ### 五、Pod 平台的风控约束与长线基准相对管理 * **平台风控约束中最有效的控制**: * **特质性风险占比(Idiosyncratic share of variance / IDEO)**:通常要求达到 70%、80% 或 90% 的阈值。 * **前瞻性 Beta 限制**(维持在一定区间内)。这些是最干净、最容易落地的风控指标。 * **长线基准相对管理者(Long-only benchmark-relative managers)的困境与进化**: * 纯多头基准相对管理者表面上被迫承担因子风险(如大盘股书中的规模风险、市场 Beta),但优秀的纯多头管理者(尤其是虎崽风格背景的管理者)在对待跟踪误差和信息比率(Information ratio)时,其严谨度已经和市场中性基金不相上下。 * 然而,机构制度上给纯多头带来的负担极重(例如:在基准中英伟达占比 7% 意味着零相对敞口,但在实际操作中,持有 7% 的英伟达需要巨大的 IC 辩论和研究审批)。因此纯多头更容易在不知不觉中出现因子敞口严重偏离。 --- ### 六、对业绩记录(Track Record)的解构与发现 当 Arcana 将 PM 的历史业绩进行解构时,通常会发现以下规律: 1. **仓位规模技能 vs. 选股技能(Sizing vs. Selection Skill)**: * **选股收益**通常表现出更高的稳定性。 * **仓位规模收益**往往在达到目标的过程中表现出极高的波动性,绝大多数情况下,仓位规模的调整非但不能带来超额收益(胜率接近硬币抛掷),反而会**拖累夏普比率**。 2. **财报日与非财报日盈亏(Earnings vs. X-earnings P&L)**: * 许多 PM 表现出高度的一致性:例如总是在财报日前赚钱而在财报日后流血,或者反过来。 * 财报日的胜率往往与总体的残差胜率(residual hit rate)惊人地接近。 3. **持仓期模式(Aging buckets)**: * 例如,某些逆向投资者在建仓后的前 15 到 30 天内总是稳定亏损,之后才开始兑现逻辑。识别这些持久的模式是改进流程的捷径。 4. **最简单的提升业绩方法**: * 保持你擅长的“魔法”(那些难以定义的定性洞察),然后**坚决砍掉你一再稳定亏损的陋习或环节**。 --- ### 七、因子模型的选择与应用 * **核心工作马因子模型(The core workhorse factor model)**: * 尽管存在各种主题,但经典风格因子依然不可动摇:**成长(Growth)、价值(Value)、质量(Quality)、动量(Momentum)、Beta、行业(Industry)**。 * 经典的因子模型利用基本面属性和时间序列属性,比纯粹的时间序列相关性更能稳健地预测前瞻性风险(例如:无需单独设立利率因子,通过把控“房屋建筑”行业板块敞口就能正确中和利率大涨带来的风险)。 * **主题与最后一英里的风险(Thematics & Last-mile risk)**: * 像人工智能(AI)或 AI 电力需求这样瞬息万变的主题,可能不会长久存活为经典因子,但在当前极其重要。 * 机构可以通过引入“对 AI 篮子的残差 Beta”(Residual beta to an AI basket)等方法,在因子模型内部对冲掉真正的主题风险,而不是让其与动量或 Beta 混淆。 * **关于过度拥挤与共享镜头的风险**: * 当所有人都使用因子风险模型中和相同因子时,会不会导致市场更加拥挤? * Richard 认为:风险模型告诉你如何中和因子风险,但**不会告诉你做多福特做空通用,还是做多通用做空福特**。它给予了 PM 极大的灵活性,让他们在摆脱死板的配对交易(Pair trades)的同时,依然能找到真实的阿尔法。 --- ### 八、关于信息过载(Information Overload) * **什么时候更多的信息反而让投资者变得更糟?**: * 基金经理每天面临铺天盖地的噪音(Bloomberg 聊天、买方卖方报告、各种微观数据、推特)。 * 核心关键在于**量级(Orders of magnitude)**。单笔交易台的传闻、单条外部数据对 aggregate 结果的影响微乎其微(属于噪音),而**因子风险和投资组合结构则是海啸级别的信号**。 * 优秀投资者的核心工作是过滤噪音。过分沉迷于微观杂音会让人迷失,而将精力聚焦于风险和组合结构的投资者,其业绩表现出明显的正相关性。 --- ### 九、AI 与交互方式的未来 * 随着平台引入大模型(LLM)能力、MCP 以及自然语言查询,PM 可以通过自然语言直接提问(例如:“按这种方式对我的组合进行分类,然后切片查看各维度的表现”)。 * 这种交互并没有消灭过去的报表,而是触发了**杰文斯悖论(Jevons paradox)**——当分析变得更容易、成本更低时,人们会做更多的分析,从而在各个维度上捕获过去被忽视的风险与优化空间。 --- ### 十、对基本面 PM 的最后建议(核心总结) 1. **普及基础知识**:不要把投资组合构建视为量化高阶巫术,优秀的基本面投资者正在将组合构建视为一门必备纪律。 2. **建立常规流程**:核心差距不在于实现细节上的微小差异,而在于**是否将风险、投资组合构建和业绩分析纳入日常、结构化、持久的运行流程中**。从理解基础权衡开始,建立反馈循环,并不断迭代进化。

这是一场由 Corey Hofstein 主持、播客节目名为《Flirting with Models》的访谈。本期嘉宾是 Arcana 的创始人 Richard Falk-Wallace。以下是对播客中所有细节与讨论内容的全面总结: ### 一、嘉宾背景与 Arcana 简介 * **Richard 的职业经历**: * 早年从事**重组与困境信贷(Restructuring & Distressed Credit)**工作(如 J.P. Morgan 和 Silverpoint),这段经历让他习惯将公司视为具有复杂规则和权衡的“结构化实体”,为后来的因子思维打下了意外的基础。 * 后来转向**股票领域**,在 Viking 从事自然资源研究,随后在 Citadel 担任投资组合经理(PM)。 * **Arcana 的创立初衷**: * Richard 在买方坐席上发现了一个巨大的工具痛点:**传统的因子风险模型和风险工具是为中后台设计的,并不适合前台的 PM 使用**。 * 行业内虽然存在一些由大型多经理(Multi-Manager / Pod)机构内部自建的大型系统,但绝大多数机构(甚至更广泛的市场)并没有好用的、面向客户端的端到端工具。 * **Arcana 的定义**:一个**投资组合智能技术层(portfolio intelligence technology layer)**,可服务于单个 PM、公司层面或风险经理。它将风险、投资组合构建、业绩分解、甚至投资流程(如定额信念分数、价格目标)无缝连接并融为一体。 * **Arcana 的功能栈**: 1. **风险与敞口**:前瞻性波动率(X-ante volatility)、特质性风险与因子风险的占比、各种因子的敞口、通过标签(tags)或类别进行聚合和下钻(drill-down)。 2. **投资组合构建与迭代**:假设分析(what-if analysis)、优化、对冲创意(从宏观层面的高阶对冲到逐笔明细的盈亏前瞻分析,以及利用价格目标和信念分数进行均值方差优化)。 3. **业绩分解**:通过风险模型进行分解,以及深入剖析胜率、仓位规模与选股分离度(sizing vs. selection)、财报日与非财报日表现、多重压缩/扩张、持仓期分析(如 accrued vs. bought momentum)等数百种切片指标。 4. **访问方式**:提供平台前端、Excel 插件、报告系统、API(支持推拉)、MCP 以及 iOS App。 --- ### 二、宏观趋势:为什么风险与投资组合工具正向 PM 桌面迁移? 1. **多经理(Pod)模式的胜率证明**: * 过去存在一种“巴菲特式”的传统观念,认为统计学模型毫无意义,只需集中投资、挑选好股票即可。 * 但现实是,多经理平台在经风险调整后的回报上长期表现优异,用实际的成绩单改变了行业的风向。 2. **因子波动率的长期结构性上升**: * 被动投资的崛起、市场集中度提高,以及核心股票中主题投资的集中,导致因子波动率和相关性呈结构性上升。 3. **Alpha 的相对稀缺**: * 传统的老虎基金式(Tiger Cub)股票多空模型,在过去可以带来“半数波动率下的市场回报”或“相同波动率下的 1.5 到 2 倍市场回报”,但在当前的阿尔法贫瘠市场中,这种红利已很难在大规模下实现。随着球员水平提高,**不能再犯低级错误**,精细化管理变成基本门槛。 --- ### 三、量化与基本面投资的融合与分工 * **投资组合构建的融合**: * **分散化是唯一的免费午餐**。单只基金的 PM 可能没有量化那样天然的广度,但通过管理不同的 PM 并控制总体风险,多经理机构和现代资产管理公司(通过 SMA 等金融科技)实现了等效的分散化广度。 * **研究层面的前移**: * 量化最初做的是“抢跑交易台”(Front-running the trading desk),后来发展到“抢跑基本面数据点”(Front-running fundamental data points)。 * 随着 AI 的兴起,**量化正在向更高栈发展——抢跑基本面投资者的定性洞察(Front-running investment analysis)**。 * 与此同时,基本面投资者也在借助量化工具进行逆向升级,学习投资组合构建,避免被量化和 AI 抢跑。 * **量化教会基本面投资者的第一课**: * **消除已知相关性(Leaking sources of knowable correlation)**。相关性是分散化的反面,等同于集中度。允许前瞻性相关性(如过度的 Beta 或动量敞口)进入投资组合,在数学上必然会拖累夏普比率(Sharpe ratio)。 --- ### 四、反直觉的洞察与因子时间的陷阱 * **做对因子方向也可能拖累夏普比率**: * 即使是像“市场因子”这样长期表现为正收益的最优质因子,其夏普比率(通常在 0.6 到 0.8 之间)也低于许多长期采用市场中性并正确隔离风险的优秀 PM 的夏普比率(长期在 1 到 2 之间)。 * 盲目增加市场因子等正收益因子的敞口,会在最佳情况下**将你的夏普比率向市场的夏普比率拉低(Dilute your Sharpe ratio towards the market Sharpe)**。而许多非市场因子在长期内甚至是负向净拖累。 --- ### 五、Pod 平台的风控约束与长线基准相对管理 * **平台风控约束中最有效的控制**: * **特质性风险占比(Idiosyncratic share of variance / IDEO)**:通常要求达到 70%、80% 或 90% 的阈值。 * **前瞻性 Beta 限制**(维持在一定区间内)。这些是最干净、最容易落地的风控指标。 * **长线基准相对管理者(Long-only benchmark-relative managers)的困境与进化**: * 纯多头基准相对管理者表面上被迫承担因子风险(如大盘股书中的规模风险、市场 Beta),但优秀的纯多头管理者(尤其是虎崽风格背景的管理者)在对待跟踪误差和信息比率(Information ratio)时,其严谨度已经和市场中性基金不相上下。 * 然而,机构制度上给纯多头带来的负担极重(例如:在基准中英伟达占比 7% 意味着零相对敞口,但在实际操作中,持有 7% 的英伟达需要巨大的 IC 辩论和研究审批)。因此纯多头更容易在不知不觉中出现因子敞口严重偏离。 --- ### 六、对业绩记录(Track Record)的解构与发现 当 Arcana 将 PM 的历史业绩进行解构时,通常会发现以下规律: 1. **仓位规模技能 vs. 选股技能(Sizing vs. Selection Skill)**: * **选股收益**通常表现出更高的稳定性。 * **仓位规模收益**往往在达到目标的过程中表现出极高的波动性,绝大多数情况下,仓位规模的调整非但不能带来超额收益(胜率接近硬币抛掷),反而会**拖累夏普比率**。 2. **财报日与非财报日盈亏(Earnings vs. X-earnings P&L)**: * 许多 PM 表现出高度的一致性:例如总是在财报日前赚钱而在财报日后流血,或者反过来。 * 财报日的胜率往往与总体的残差胜率(residual hit rate)惊人地接近。 3. **持仓期模式(Aging buckets)**: * 例如,某些逆向投资者在建仓后的前 15 到 30 天内总是稳定亏损,之后才开始兑现逻辑。识别这些持久的模式是改进流程的捷径。 4. **最简单的提升业绩方法**: * 保持你擅长的“魔法”(那些难以定义的定性洞察),然后**坚决砍掉你一再稳定亏损的陋习或环节**。 --- ### 七、因子模型的选择与应用 * **核心工作马因子模型(The core workhorse factor model)**: * 尽管存在各种主题,但经典风格因子依然不可动摇:**成长(Growth)、价值(Value)、质量(Quality)、动量(Momentum)、Beta、行业(Industry)**。 * 经典的因子模型利用基本面属性和时间序列属性,比纯粹的时间序列相关性更能稳健地预测前瞻性风险(例如:无需单独设立利率因子,通过把控“房屋建筑”行业板块敞口就能正确中和利率大涨带来的风险)。 * **主题与最后一英里的风险(Thematics & Last-mile risk)**: * 像人工智能(AI)或 AI 电力需求这样瞬息万变的主题,可能不会长久存活为经典因子,但在当前极其重要。 * 机构可以通过引入“对 AI 篮子的残差 Beta”(Residual beta to an AI basket)等方法,在因子模型内部对冲掉真正的主题风险,而不是让其与动量或 Beta 混淆。 * **关于过度拥挤与共享镜头的风险**: * 当所有人都使用因子风险模型中和相同因子时,会不会导致市场更加拥挤? * Richard 认为:风险模型告诉你如何中和因子风险,但**不会告诉你做多福特做空通用,还是做多通用做空福特**。它给予了 PM 极大的灵活性,让他们在摆脱死板的配对交易(Pair trades)的同时,依然能找到真实的阿尔法。 --- ### 八、关于信息过载(Information Overload) * **什么时候更多的信息反而让投资者变得更糟?**: * 基金经理每天面临铺天盖地的噪音(Bloomberg 聊天、买方卖方报告、各种微观数据、推特)。 * 核心关键在于**量级(Orders of magnitude)**。单笔交易台的传闻、单条外部数据对 aggregate 结果的影响微乎其微(属于噪音),而**因子风险和投资组合结构则是海啸级别的信号**。 * 优秀投资者的核心工作是过滤噪音。过分沉迷于微观杂音会让人迷失,而将精力聚焦于风险和组合结构的投资者,其业绩表现出明显的正相关性。 --- ### 九、AI 与交互方式的未来 * 随着平台引入大模型(LLM)能力、MCP 以及自然语言查询,PM 可以通过自然语言直接提问(例如:“按这种方式对我的组合进行分类,然后切片查看各维度的表现”)。 * 这种交互并没有消灭过去的报表,而是触发了**杰文斯悖论(Jevons paradox)**——当分析变得更容易、成本更低时,人们会做更多的分析,从而在各个维度上捕获过去被忽视的风险与优化空间。 --- ### 十、对基本面 PM 的最后建议(核心总结) 1. **普及基础知识**:不要把投资组合构建视为量化高阶巫术,优秀的基本面投资者正在将组合构建视为一门必备纪律。 2. **建立常规流程**:核心差距不在于实现细节上的微小差异,而在于**是否将风险、投资组合构建和业绩分析纳入日常、结构化、持久的运行流程中**。从理解基础权衡开始,建立反馈循环,并不断迭代进化。

摘要

In this episode, I speak with Richard Falk-Wallace, founder of Arcana. Richard began his career in restructuring at JPMorgan and distressed credit at Silver Point before moving to equities, covering natural resources at Viking and later as a portfolio manager at Citadel. In the seat, he noticed a gap. Factor risk models had been built for the back office, and as Richard put it to me, “the risk tooling doesn’t work for the PMs.” Arcana is his answer. We discuss the convergence of quant and discretionary investing, and why the portfolio construction lessons quants learned long ago are finally landing on the fundamental PM’s desk. Richard explains how a PM can get a factor bet right and still drag down their book’s Sharpe ratio, and what breaking a track record into sizing, selection, and timing reveals about skill. We close by exploring the second-order effects: crowding when everyone neutralizes the same factors, fleeting themes like AI power demand, and when more information starts to make investors worse. Please enjoy my conversation with Richard Falk-Wallace. 00:00:00 Intro 00:02:24 Distressed Credit Lessons 00:06:37 What Arcana Does 00:09:22 Why Analysis Moved Upstream 00:12:09 Quants and Fundamental Converge 00:18:14 Factor Bets That Still Hurt 00:23:03 Long Only and Benchmark Risk 00:29:35 Reading Sizing and Timing 00:35:50 Measuring What Matters 00:44:49 Choosing the Right Factor Model 00:57:18 More Information, Better Decisions

GPT-4正在为你翻译摘要中......

中英文字稿