坐标原点

要想如量化算法一般用心若镜，你需要学习量化算法的工具体系。今天就借着一个日常生活中与每个人都息息相关的重要问题，来分享如何使用因子分析，与因子可视化的量化技巧来解决复杂问题。

全文1300字，阅读时间4分钟

01. 问题缘起

02. 研究方法

03. 理想状态

01. 问题缘起

前文发出后，我问一位精粹群友，你希望品哥小作文接下来写什么。她回答说：解构自己。我说，这个题目很好。解构自己，最应该先做的就是分解自己情绪和行为。只要你对自己诚实，就能列出自己头脑中的所思所想，和感受其对应的情绪。我马上自己动手列了列，一些能想到的脑中之事，肯定不全，仅做个示例：拖沓，担忧，愤怒，回忆，预想，后悔，怅惘，埋怨，焦虑，恐惧，积怨，希冀，回味，纠结，拖延，犹豫。

02. 研究方法

单单文字一排看过去，似乎没什么规律，也不知道该如何入手分析。而如果我们此时运用量化工具箱中的特征因子打分的方式，选取两个特征因子制作二维坐标轴，把上述概念，按X轴含时量，Y轴含二量（主客二元）做一个映射。得到如下图示：也就是将上述头脑中对应发生事情，按其所想内容对应的时间定义“含时量”作为X轴；所想之内容中“我”与其他客体之间站位的明晰程度，定义“含二量”作为Y轴，即代表主客二元对立的可辨识性。举例说明，希冀肯定含时量正很多，因为关乎遥远未来。同理，积怨含时量负的绝对值也大。同时，积怨一定有明晰的积怨客体对象，比如对原生家庭中的母亲。这时其含二量因子绝对值很大，而且因其情绪集中针对的是具体客体而非对我自己，故符号为负。希冀就没有特别明确的对象客体，可能就是希冀一个星辰大海的伟大时代，所以含二量因子值就趋近于0。假如还要加个期许进来，取决于对自己还是对别人，会有上下两个可能坐标位置。同样，对不同具体事项的恐惧也会确定四象限中不同的坐标位置。我画那个坐标位置时，想象中的具体恐惧是从天而降的一场治不好的大病。纠结和犹豫，看上去好像都是对未来马上要做的决策的一种情绪，两种含时量差不多，稍微正一点。但是含二量很不一样，纠结的客体可选项情况要具体很多，因各种SWOT情况分析，可能都已经列出来待决策选择的正反论据。而犹豫可能就是一种朦胧的感觉。我对每个情绪的具体坐标值定位可能和您自己认为的不一样。这就好像不同量化管理人对同名因子同一逻辑，只因数据处理流程不同造成因子值有差异。但这不妨碍说清楚问题的本质和应用于实战。

03.  理想状态

而一旦画出对应的坐标系映射，我双眼放光，立刻盯上了坐标原点的那点绿。那里，一定是我大脑日常待机最想待的状态，这样一定是最不费力的。

同时，所有的外在行为也只能等大脑状态归位到了原点，才可能指挥发出行动。即，如果你现在正处于其他坐标位置的情绪中，也必须顺着两个坐标轴摸回到原点，才能对外有所行动。

举例说明：希冀本身是没法具体行动的。你必须拆解到对空气动力学和火箭发动机材料学的具体学习才能向前。对某人的极端愤怒也是，你必须转换为拿起电话或手边花瓶的即时动作。并且我们也都清楚这样的动作，并非冷静下来时回归原点后会做的最优行动选择。

对有些含时量为负的情绪，要做这种转换为行动的归位，还真不太容易。比如后悔，要转换为行动并消化情绪，需要有更大的想象力和自我突破，不然就会一直陷在二象限死循环出不来。

没有行动时，头脑状态逸出原点太远，其实就是想太多做太少了。跑开越远，真要到行动时，还必须归位反向做的功也就越多。只因这样的逸出状态本质上是阻碍当下做出行动反应的。大家常说的顾虑太多就是这么回事。你可以回顾下那些用心若镜的量化程序，看看是不是能从他们选择的状态和行动逻辑得到更多启示。

打造大脑在上述坐标原点位置的强大定力，与映照世事的算法模型体系，这就是量化投资底层逻辑和本质优势给本问题的核心启示。不仅有让人信服的结论，还给出了可操作的具体路径。

编辑按：

如果你喜欢本文和前文，敬请关注交易门品哥小作文专栏。本文打赏过十万后，品哥将继续写作分享下一个关键问题：如何行动，和这背后的算法模型体系打造。

Technical Appendix：本文使用因子可视化只是完成了量化策略研发中寻找想法的第一步。即通过重新按因子值排列数据，发现含时量和含二量两个因子的绝对值小的状态，看上去相比离原点更远的其他态更好。有了这样的想法后，就需要有如下的数据准备和实证步骤：

1. 将含时量和含二量做取绝对值的数值变化，或者直接整合两者为一个变量，比如取离开原点的欧氏距离，过于极端的原始数据还要截取极值，来生成易于实证考察的数据。
2. 影响因素有了，还需要有个状态变量。或拍脑袋估个体的主观愉悦程度，或拿收入、消费这样的客观数据，作为这个状态好坏的代理变量。不同于金融市场，我们这里直接观察不到时刻变动的价格。作为状态好坏的代理变量选取本身也一定掺杂着研究者你自己的价值观。而前文提到量化投资的价值观就是“价格即价值”，这个好与坏的标准就明晰很多。
3. 如果对单一个体，可以在人生的时间线上连续记录上述数据，构成时间序列。这样你就可以看自变量对状态好坏的影响关系了。时间序列越长越有说服力。我周围确实有人这样在记录这些值，他从自己的记录中得到的信息和对自己的了解程度惊人。品哥没这么勤快，我就是经常问问我的理解和他的实证是否匹配。不匹配时，我一定是严肃考虑是否调整我的理解。毕竟作为实证派，我周围也就这一份长达25年的数据。
4. 如果有更多的人开始记录，时间对齐后还可以构成多个主体之间可对比的数据，即多个可比的时间序列的整体，术语称为Panel Data。不同主体的数值就可以横向可比了。这种比较，在量化中术语叫横截面比较。为了横向对比，需要做一些额外的处理，来控制其他因素的影响。比如对收入，单单讲收入高低对人生质量的影响还是不够。于是很多人说要看挣钱的效率，这时就要去除上不同人每周的平均工作时间。如果每个人的平均工作时间不可考，除数分母可以是该职业的平均估计。比如卖方研究员90小时，买方研究员100小时，卖方销售80小时，买方老板10小时等等。这个处理就叫中性化处理。股票做横截面因子值比较时，比如做按价值选股时，银行股和高科技股的市盈率因子值就能差的很多，这时做行业中性的操作还很重要。
5. 有了必要数据准备的时间序列或Panel Data，你要实证去研究个什么问题是不是很容易。大脑哪里需要陷在离坐标原点很远的那些地方出不来？所以万事不决问量化。自己动手，解决自己的问题。