五年前，AQR一度是全球最大的对冲基金，管理着高达 2260 亿美元的资金。
目前，AQR的AUM自2018年峰值以来已减少一半以上，目前约为 980 亿美元。
尽管被称为“量化寒冬”的现象已逝去，但它给AQR等基金经理带来的寒意仍然挥之不去。投资者仍持谨慎态度，业绩改善未能驱散2018-2020年撤资的记忆。这迫使许多量化分析师重新审视自己的做事方式。
三个多世纪以前，西法尔第的商人Joseph de la Vega写了第一本关于17世纪阿姆斯特丹兴起的金融市场新现象的书，书名叫做《Conusion of Confusion》。Joseph de laVega阐述了在这个有趣的新领域如何取得成功的几条规则，比如耐心和平静地接受盈亏。
从那以后，一系列业余爱好者、理论家和实践者创造出了各种选股系统。比如Benjamin Graham的价值投资策略。Charles Dow的道氏理论，该理论催生了例如移动平均线、烛台、布林带以及金叉和死叉点等众多经典策略。
20世纪60年代，计算机在华尔街的出现改变了一切。突然之间，研究人能利用更多的数据和严谨的数学来进行复杂的实研究分析。少数人抓住了这个机会，以Harry Markowitz为首—— 将量化技术实际应用于投资组合管理，改变了游戏规则！
随后，芝加哥大学Eugene Fama提出了一个假设：成千上万的投资者不断地试图比对方更聪明，这在某种程度上预示着股市是“有效的”。这催生了上世纪70年代初的首批指数基金。
但随后的进一步研究开始揭示了在过去几十年里建立起来的学术大厦中的一些断层。也许市场不是完全有效的，也许确实有办法在长期内战胜股市?
1977年，麦克马斯特大学金融学教授Sanjoy Basu发表了一篇论文，
从本质上讲，他证明了Ben Graham在上世纪30年代倡导的价值投资原则——购买价格低于内在价值、不受欢迎的廉价股票——产生了巨大的长期收益。
从理论上讲，通过系统性地买入所有廉价股票，投资的人能跟着时间的推移跑赢大盘。
后来，物理学家出身的经济学家Stephen Ross和分析师Barr Rosenberg进一步深化了这一认识。
资本资产定价模型（Capital Asset Pricing Model 简称CAPM）规定了一个单一的“市场因子”。CAPM的魅力在于它优雅的极简主义，尽管它很难描绘出市场的实际运作方式。
Ross的“套利定价理论”理论认为，除了特殊因子外，任何金融证券的收益实际上都是由多种因子驱动的。
1981年，经济学家Rolf Banz发现，规模较小的上市公司也有类似的优异表现。尽管这些小型股票比大型上市公司的股票波动更大，但在
从那时起，学者们已经确定了一系列因子，它们的持久性、强度、定义和接受程度各不相同。
多年来，人们已经“发现”了数百个所谓的因子，此现状被称为因子动物园（F
sness表示：我可能认为市场比一般人更有效，但我认为它们可能没我25年前想象的那么有效。在我的职业生涯中，他们的效率可能越来越低。
不管原因是什么，一些持续性投资因子的存在今天被大多数金融经济学家和投资者所接受。
在一些市场营销中，这些因子有时被称为“Smart Beta”。但像Asness和Sharpe这样的人是讨厌这个词的，因为它暗示了别的形式的Beta是愚蠢的。然而，当单因子被单独捆绑在一起并通过ETF出售时，Smart Beta已成为最常用的指代方式。根据贝莱德的多个方面数据显示，仅就这一个行业，目前就规模达8380亿美元。
Asness有时表现得像一位和蔼可亲的金融学教授，深受大家的欢迎，因为他平易近人，能流利地说极客话，还能在Ultra-Nightmare模式下玩《毁灭战士：永恒》（Doom Eternal）。但众所周知，他的脾气也很暴躁。
Asness也倾向于跳进网络战壕，在讨论漫威电影、《龙与地下城》和量化投资
AQR 发布了两篇有问题的报告，声称用期权来对冲尾部风险的做法很“贵”，不管用（理论上）然后他们却没有告诉大家：
护犊心切的Asness在塔勒布攻击了Antti Ilmanen之后终于忍无可忍，开始了疯狂回击。
上来先说一直想避开跟塔勒布正面交锋，认为他虽然有时候还挺聪明的，但是错的时候也很多，而且显然是个疯子，人品一等一的差。但是没办法，有时候这种疯子就是要来招惹你
然后他指出塔勒布拿Universa Investments尾部风险对冲产品的业绩和AQR风险平价以及其它共同基金产品之间，根本就没有可比性。（言下之意就是，你拿姚明跟刘翔比身高，欺负我咯LOL）
此外，针对塔勒布说AQR不揭自己短的问题，他强调自己写了50篇关于价值投资问题的文章，从来就没因为旗下价值类基金表现不好，而对其避而不谈。
的脾气仍然会在社会化媒体上爆发——去年伦敦金属交易所取消了近40亿美元的交易，指责它“窃取”了包括AQR在内的公司利润，
如果你觉得自身擅长三件事——洞察力、速度和智慧，那么Twitter就是魔鬼。当你想到一些有趣的事情，你认为也可以很好地解释一些事情时，把它放在那里的诱惑是相当大的。但在过去的几年里，我有了相当大的进步。我不再回应喷子了，我只是迅速地屏蔽掉。
Asness的温和程度归因于该公司领导三人组的第三位成员John Liew。
那么，从2018年开始，像AQR这样以因子为重点的量化基金到底出了什么可怕的问题呢?
即使是基于大量历史数据的投资策略，也不可能永远有效，因为市场机制变幻无常。
他认为，像他这样的Quant的原罪在于，他们挖掘历史数据，寻找长期有效的线索，但却掩盖了市场机制的事实。这可能意味着过去有效的方法在未来可能失败。量化投资的核心是将回测试应用于未来的投资决策。但是，如果规则改变了，进行量研究和回测意味着什么呢？
有些因子实际上可能从来就不可行。它们只是学者们过度热衷的数据挖掘的产物，他们急于找到很酷的东西来发表并获得职称，而资管行业
激励问题，加上统计方法的误用，导致了一个不幸的结论：即金融领域大约一半的实证研究结论可能是错误的！
在Quora上，工程师副总裁Xavier Amatriain针对这问题的回答比较中肯：作为多篇论文的作者和审稿人，Amatriain 表示：“现行的学术体系并不以提升‘实用性’为基础，一旦接受了这一设定，那么多数论文无用（useless）就毫不奇怪了……至少 useful 的部分定义是如此。”Amatriain 继续说，学术论文主要从是否有新意（novelty）、有意义（significance）和有多少原创性（originality）这几个方面考量。所以，在评论一篇学术论文的时候，真正应该问的是：这篇论文对这届学术论文是否有意义，而非问这篇论文是否对全人类有意义。
由于Asness认为，量化策略的盈利要植根于人类行为，而人类行为不可能会发生太大变化。AQR甚至在the Journal of Finance上发表了一篇论文，驳斥了大多数流行的投资因子无法复制的观点：
最重要的是，自2020年底以来，几乎所有因子量化策略（仅仅是AQR）的表现都出现了强劲反弹，这显然让人很难断定多因子量化策略的有效性
Asness被迫花了大量时间反思“量化寒冬”的原因，这种自我的反思，在大量的论文、采访和博客文章中都能表现出来。
Asness的结论是，Value表现得非常、非常、很糟糕！就像曼联0 - 7惨败给利物浦。不仅仅是
Value因子遭遇了至少两个世纪以来最严重的下跌——而且对其他因子的估值也很敏感。
这意味着，其他投资风格要么无法抵消价值暴跌的泡沫，要么加剧了整体的糟糕局面。
价值因子是2020年表现最差的因子，已连续4年下跌！价值的四个构成部分都在亏损：
Asness在2021年洋洋洒洒写了一篇文章（23页，1.7万字）来为价值辩护，提出了另一个支持“价值”的论点。
在这篇论文中解释了：为什么长期价值预期收益率大大高于多数投资者可能认为的水平。
根据美国银行本月的一份研究报告显示，在购买大票的美国主动基金中，有70%在上个月超过了罗素1000指数，这是自2007年以来的顶配水平。大型基金平均表现优于大盘85个点，创下2009年全球金融危机重创市场以来最高Alpha值。
美国银行分析师将价值型股票的上涨描述为有史以来最强劲的上涨之一！2月份，价值型股票的表现超过了成长型股票。
同时，报告中还强调，量化基金也正逐步向价值股倾斜，2月份表现也十分强劲，其中72%的基金超过基准。分析师还表示，上月成长型基金是选股者的“天堂”，这一点尤为明显！
每个人都知道，自1990年以来，在样本外，价值策略一直令人非常失望。就连Eugene Fam和Kenneth French也知道这一点
但是，尽管这听起来可能很奇怪，一个策略的实际平均收益并不一定是其真实长期预期收益的最佳估计值。
根据Asness的说法，当估值的极端变化被纳入收益预期时，有几率会使投资者高估或低估未来的收益。他指出，来自Research Affiliates、AQR和其他机构的早期研究表明，考虑这些估值变化能明显提高估值的精度（不单单是一个不同的、偏差较小的估值）。
Asness在论文中继续论证了这一论点，使用回归分析来说明估值变化对标普500指数、美国政府债券和美股相对于其他发达市场股票的实际收益率有多大影响。然后他转向了价值。
Asness发现，在1990年之后，价值的挫败很大程度上是价差变化的结果，即价值股票在最近一段时间内变得比成长型股票便宜得多。如果你认为这种价差不会永久扩大，那么你对真实价值预期收益率的负面程度就不会像那些只关注时间收益率的人那么严重。
Asness特别研究了2018年至2020年间“可怕的价值崩溃”，他发现：
如果不是因为低估值股票对高估值股票之间令人讨厌的大幅模贬值，价值投资者本来应该能轻松的获得3.4%的收益，而不是实际每年11.9%的损失。
这些根据结果得出，过去三年的价值崩溃主要是价差扩大，而不是基本面被破坏。投资者只是为同样的基本面（估值低的股票 vs. 估值高的股票）支付了更多的钱，与2017年底相比，基本面有了根本性的改善。
计算估值变化使我们更确信股票市场、债券市场和价值因子的预期收益是良性的正收益（即使我们仍就必须忍受估值变化导致的现实波动）。同样，它让我们更确信全球股票的平均收益与美国股票的平均收益并没有真正的不同。所有这些都对长期资产配置具备极其重大意义。
我们希望这种分析使价值从历史的垃圾箱中被拯救出来，许多人则根据1990-2020年样本外（或更近的）表现将其扔进历史的垃圾箱中。价值策略比许多人想象的要好得多，我们要增强对价值因子的长期信心，以及我们在艰难时期（有时是很艰难的时期）的耐心与坚持。
最后，一个重要结论就是是策略本身的可持续性，它是否能像我们预期的那样持续稳定的带来预期收益，无论是持续的高收益或者是令人失望的低收益。我们所在乎的是策略逻辑的是否如我们预期的那样。但这在现实中很难实现，很多时候，你会发现你坚持了很久的策略，其实逻辑是错误的。然而，这就是投资的真实情况，也是我们最终选择这份事业所需要的面对的。
这篇论文并不能改变这些事实，坚持长期亏损的投资确实十分艰难，正如避免爱上牛市的困难也是如此。确实，过去三十年估值策略的表现低于预期，且在最近三年表现很差，这主要是由于估值的变化（你预期这不会持续），但我们也挺过来了！但是，这也并不代表人们不会吵着要你的脑袋！我们大家都希望这种分析可以克服这些困难，避免我们在估值低的时候放弃好的策略，或在估值高的时候超配这些策略。
然而，尽管投资业绩出现好转，投资者仍在继续从AQR撤出资金，这一点很说明问题。今年，AQR的AUM自2017年以来首次出现增长，但这主要归功于业绩的改善。
Asness认为，业绩不佳的时期是一个人必须付出的代价，因为这些因子仍然有效，并引用了
任何理性的，多元化的投资策略，历史上表现良好，从未给你带来任何痛苦的策略，都可能会有很多人涌入，让它消失。
然而，这并不代表因子量化分析师没有在努力发展。在传统量化方法没办法实现的新数据集上用AI，这让整个行业都感到兴奋。
Asness，以前对围绕另类数据和人工智能的炒作持怀疑态度，到现在也承认自己转变了。“我是个天生的坏脾气。但我想我已经有所进步了。”他说。“机器学习正在渗透到我们所做的许多事情中。”
几年前，机器学习是AI领域最热门的领域，尽管现在生成式人工智能占据了上风，但它仍然是金融领域的主力方法。五年前，AQR开始涉足，看看它是否有所改善。
人工智能在资产管理中的应用，比人们想象的更为顺利。但跟着时间的推移，方法的持续不断的发展，计算能力的逐步的提升，结果也开始变得更明显。
像AQR这样的因子量化基金并不像高频交易员或文艺复兴这样的统计套利基金那样使用机器学习。
对于大多数非结构化数据集，数据历史很短。例如，使用社会化媒体，你可能有十年的数据要处理。有限时间序列对有意义的回测提出了挑战。由于历史较短，对策略表现形成准确的估计就更加困难，这最终意味着，即使是非常强烈的信号，在投资组合中也可能只会谨慎地获得很小的权重。
另类数据更多的应用于偏股票型的量化对冲基金。近于实时的另类数据流有助资产管理公司提前获得大量股票买入或卖出的信号。除此之外，传统资产管理公司也慢慢的开始使用另类数据来帮助提升人工制定长期投资决策的质量。例如，英国资产管理公司Schroders在2014年推出了一个“数据洞察部门”（Data Insights Unit，以下简称“DIU”）。DIU拥有30名数据科学家，他们分析各种另类数据，帮助投资组合管理团队制定中长期投资决策。
欧美市场也正在形成包括使用另类数据的资产管理经理、数据所有者和供应商的另类数据ECO。例如，Orbital Insights和Prattle两家另类数据供应商，前者利用卫星图像估计原油库存，后者根据文本数据定量分析主要国家货币政策情绪。
投资机构为了获得超额收益，不断寻找新的市场阿尔法，但主动型基金在寻找市场阿尔法这个核心竞争力上的优势越来越弱：
2、因为大部分基金经理能得到的信息同质化，导致特别难找到独特的信息优势和额外信息；
目前国内使用另类数据的多为对冲基金、证券交易市场基金及部分一级市场基金。另类数据可以给基金经理带来五点优势：
虽然基金经理使用另类数据寻找到新的阿尔法只是时间问题，但并不是所有另类数据都有潜力能够在一定程度上帮助基金公司获取市场阿尔法，因此另类数据公司在收集、清洗数据的同时，需要基金经理来评判数据是不是有价值，同时高效的处理和应用将是减少相关成本和提升效率的关键，因此另类数据公司应当具备机器学习等技术开发能力和高效的产品策略。
另类数据 (Alternative Data)包括传统数据之外的新的数据，主要成分如下图。
个人数据 (Individual Data) 是由个人网上行为产生的，它还可细分为
传感数据 (Sensor Data) 是由手机、无人机、卫星上的传感器产生的，它还可细分为
Advan Research提供交易个股时用手机记录的地理位置数据 (根据人流量预测零售)
RSMetrics提供交易个股时用无人机拍的停车场和仓库图像数据 (根据车位占满率预测员工)
优点是没被处理过，也没有为其他使用者提供，因此有很高的价值等待发掘，深度学习里的「计算机视觉」和「自然语言处理」的技术能用来处理图像和文本数据
另类数据并非神秘的、完全新生的事物，而是人类扩展信息边界的漫漫过程中的又一次量变性突破。之所以这么说，是因为另类数据完全是一个具有相对性与变化性的概念。将历史拉长来看能更好理解：两百年前，地理政治学事件是另类数据；一百年前，股票在市场上买卖的金额数据是另类数据；五十年前，路透社公司首次将公司报表数字化之前，公司财务报表数据是另类数据。当时的这一些数据和当今的网页数据等等很相似，都对于投资决策有重要意义，但其获取成本还未降低到足以使其普及。随着后来技术的慢慢的提升，这一些数据逐步被正式纳入投资决策数据，构成了今天的我们所认为的传统数据。而随着今天和未来技术的发展迭代，慢慢的变多之前没办法利用的有效信息、当下我们所称的“另类信息”也将逐步常规化，成为未来的传统数据。
科学家们能够直接进行新颖的实验来得出更广泛的结果，但市场只有一个真实的数据集（实际发生的事情）。
此外，市场并非一尘不变的，它们会随着其他参与者的行为而一直在变化——通常是故意阻止其他人试图分析它们。
他们最感兴趣的领域是分析文本信息以获取信号，就像他们几十年来挖掘数字数据一样。
AQR的投资组合解决方案组全球联席主管Dan Villalon将新信号的诞生、测试和实施比作海龟生命的开始。“这是一段缓慢而曲折的道路，并不是任何一个人都能在这条路上幸存下来。”
知乎上网友的一段线年mid-frequency quant equity着实不太好做，但AQR从两年前开始就一直没有起色，我觉得某些特定的程度上是因为他们做的Factor Investing太传统了，估计有很大一笔钱都还放在非常古老的Value之类的Factor上，现在随市场越来越拥挤，这些传统Quant Factor早就不好使了。其实连新signal都很不好做，虽然市场上几乎每个月都会有新的
ataset出现，但是说实话，这样一个世界上可供使用的金融信息的理论上限就是有限的，data不可能无限地爆炸增长，现在新dataset的趋势就是越来越详细化、但容纳的universe越来越小，比如以前某种投资者行为大家都只有aggregated number，现在可能有的data vendor开始提供transaction level number，但与此同时涵盖的股票变少了，诸如此类，这样的信息虽然也不错，但是能提供的新alpha其实有限。
所以靠着新的Dataset的高人一等的处理手法，实力高超的Quant team还能再坚挺一阵，但我个人是不相信这样的做法能持续一个新Quant的整个职业生涯，
比如直到40年后的，到时候新data的产出速度肯定已经大幅慢下来，获得additional value的机会慢慢的变少，因为金融市场上能用数据表达的信息总共就那么多，注定有一天是要挖到头的。
对于那些已四五十岁的老兵，或许这无关紧要，过段时间就退休了；但是对于刚刚入行的新手Quant，二三十年后该如何恰到饭，为此该怎样有意培养自己的技能，我觉得是必须要思考的问题。而且如今大fund都有成熟的data sourcing团队，对市场上有哪些data vendor了如指掌，任何vendor卖的data都不可能只有一家fund买，即使是新dataset，大家一拥而上抢着用，效果也就不那么好了。
虽然挖掘是困难的，但使用是快速的！AQR在2020年4月推出了一只名为“Apex”的新基金，
但Asness仍然相信 AQR 的回归还有非常长的路要走，考虑到经济衰退是多么可怕和漫长。他乐观地认为，投资者将重返市场，现在他认为，在糟糕的时期坚持到底是值得的，并怀疑 AQR 是否会再次遭遇类似“量化冬季”的情况。