信息和认知对投资来说哪一个更重要？我们认为这是有分类和适用场景的。
此前，我们提到过去几年Buy and Hold策略是比较主流的，我们认为在此策略下认知更重要。但认知在不同公司的表达又是不同的，像对于可口可乐这样的穿越周期的好公司，我们的认知不太需要高频信息和数据去证实。而我们还认为，信息、数据在一些场景下跟认知同样重要，甚至是认知本身。
那么信息与数据是否真的会造成机构和机构之间的核心差异呢？
本期「WhatIf早知道」是IPO早知道和WhatIf联合推出的专栏。「Whatlf」致力于打造信息协同网络，提供充分闭环研究的商业信息和内容，其背后支持者包括家族办公室、资产管理机构、企业家、投资人、行业组织、CXO等。
本期主题为「信噪比的另一种解读」。今天的叙事者是服务于国内一二级市场的另类数据头部企业百观科技的创始人兼CEO陈沐，这位CEO原来也是投资行业的从业者。今天，百观科技将分享他们看到的信息和信噪比的变迁。
我们认为，所有的结构性变化，不是只是说和讨论的，而是持续地运营、模拟，静下心来认知这个世界，不是发一个朋友圈就好了，真正的结构化是在于我们怎么提高我们的大脑，不要只是交易、热闹。
以下为本文目录,建议结合要点进行针对性阅读
01:为什么在当下我们更要讨论信噪比？
02:面对信噪比下降，要改变信息吸收、处理的方式
03:怎么用技术的方式提高信噪比？
04:现在大环境的情况和信噪比的工作
05:未来解决信噪比的方式的发展和影响
Q1：为什么在当下我们更要讨论信噪比？
1、以往一二级投资机构的认知框架是寻找原始信息，去掉噪音，获取信号，再去做投资决策。因为以前的信息量少，市场参与者也少，大家的工作流是看新闻、分析财报，人工处理这些信息。
2、数字化的进程使信息量膨胀，超过了现有的处理能力，很多机构自然地做了减法，但这又会导致信噪比下降。那么如果要维持像以往一样的信噪比水准，要花更多的精力去分辨有效信息。
1）信息量膨胀，来源包括：基础数据、政策动向、新闻媒体、公司沟通、专家访谈、市场调研、卖方信息、宏观环境、社交媒体、另类数据。
另类数据是一种新的信息来源，现在各行各业的经济活动逐渐被数据捕捉到，有很大的数据挖掘价值。在另类数据服务使用上，美国比中国早了大概六七年。据我们看到的统计，美国有500多家另类数据厂商，覆盖了近二十种数据类型，中国有100家左右的另类数据厂商，但中国另类数据的类型多达三四十种。
2）基金AUM变大、投资标的变多，所以要做的投资决策更多，基金对信息挖掘的要求变多。
3）信息之间口径、时间点、角度都不一样，也增加了处理难度。
4）收集信息的时间变长，要处理的不同来源信息之间对齐工作变多，而人的记忆容量也是有限的，如果按照现有的笔记、Excel、机构协作系统等处理方式，会让专业投资者没时间思考。
Q2：面对信噪比下降，要改变信息吸收、处理的方式
信噪比下降，解决办法不是给信息做减法，因为很多有价值的信息确实蕴含在了新信息源里，如美团订单量、Bilibili的付费会员数等另类数据，可以提前两个月给到我们重要信号，这是我们必须去获取的。另一个例子是教培行业，如果我们更早地去读教育行业政策相关的文章，会发现教培行业很早以前就有逐步被监管的可能。
所以，我们应该改变方法论，改变技术，提高信噪比。一些机构里有自己数据科学团队，在国外这里的一个里程碑事件是Citadel曾招了前微软COO成为Citadel Security的CEO。此外，BlackRock的阿拉丁系统现在已经是它的核心业务线之一。
Q3：怎么用技术的方式提高信噪比呢？
1、信息采集层面
1）场景化。投资机构自己决策在哪些环节扩大自己的信息来源，增加信噪比的效率。这些新信息的适用场景主要包括二级市场的idea generation和跟踪研究、一级市场的deal sourcing、尽调、投后管理。
2）自动化。机构有自己的IT部门去自动化采集新的信息，或自己搭建数据中台，或对接服务商，要求自动化推送信息。
3）以终为始&以始为终。以始为终是要开放性地了解各种信息的来源、数据特点。而以终为始，是指要场景化建立自己的决策和认知框架，否则会被带偏。在此基础上，数据采集还要有迭代机制。
2、信息整理需要有结构化的思维。结构化处理是降噪的关键步骤，基金首先应有数据库化思维，对研究的行业与公司做好标准化目录索引，甚至以云端数据库去为规模化的数据存储、处理做准备。在此基础上就可以用自动化工具找到投资时需要的信号。
3、认知框架的自动化。从数据中找到信号最关键是要找到关键指标。信号的提炼可以实现自动化，但基金在认知框架中要确立哪些指标来服务于自己的研究，包括：
1）标准化的微观指标；2）中观指标；3）根据基金的策略建立的自己的宏观北极星，如Ray Dalio宏观指标分析框架、二级市场基金的大盘指标、一级市场的社会指标。
根据各个基金的投资主题，他们关注的数据有差异。有了主观认知框架，加上自动化，在数据决策系统中加减指标通过几行代码就可以达成了。
WhatIf信息官补充
认知的框架应该相对主动和灵活，正如芒格所说，在不同的场景中应该有不同模型去应用和迭代，比如在市场上升通道或者资金流动性较好时，各种另类数据和信息的处理是非常有效的，因为市场的映射会很有效，这些另类数据除了百观上述的各种业务数据外，还有很多其他的定义和来源，比如美国部分量化基金会跟踪部分投资人的13A披露，并加以处理，或者会关注一级市场的投资人的组合来形成一部分信息来源。
而在下行市场或者动荡市场中，多维度的信息会显得非常重要，尤其对于风控而言，比如最近1-2年，对政策和宏观信息的系统化处理尤为重要。
政策：
- 国家级媒体包括包括人民网、新华网、央视网、中国日报等，各级部委也有自己的媒体
- 国际政策等可查看Bloomberg等聚合Portal
宏观：
- 除Fed、PBoC政策外，还有ISM制造业数据、CPI数据等
- 此外部分资金方面数据可看投行PB交易数据、债券市场数据、期货市场数据、空头回补数据、国内南下北上资金数据等
行业自身主要包括：
- 数据库、行业协会
- 金融类：投行信息、Bloomberg等金融信息聚合平台、金融类信息分发平台
通常我们看到做得好的Hedge fund，都会针对一些策略沉淀信息和数据的workflow，过程中包括上述公开信息、另类数据、非结构化信息文本、内部协作信息等。
专业的投资人是有自己的表达的，对行业的看法、对公司的偏好、对风险的理解、对成长的理解等都是需要很好的表达，这种表达远远不仅局限为我喜欢一个公司我要长期持有，而是背后的原因得表达更为重要。
简单说一个公司是好公司已经不足以表达了，更重要的是它在什么情况下、什么价格下是好公司。
4、如何用技术团队实现降噪？基金会通过in-house招人、外包、用第三方产品这几种方式结合来完成。
我们发现大平台的对冲基金管理规模在100亿美元以上，更适合有一个健全的in-house数据科学团队，并且跟第三方数据服务商合作；10亿到100亿美元规模的中型基金，需要一两个内部人员对接数据服务商，再使用外包团队使自己的数据系统能运转起来；更小的基金可以直接使用第三方服务商的服务。
服务商的能力也在变强，未来也是可以实现内部数据科学家的职能的。美国基金在使用另类数据服务商方面的渗透率较高，但中国目前只有头部机构在尝试使用。
5、行业案例与趋势：一级市场在投后资产管理方面会比二级市场更加积极地运用数据去赋能它的被投公司。一级市场投后场景中，机构在控股被投公司后，需要用数据赋能公司的战略决策。Blackstone曾向美国SEC报备，它会将被投公司的数据进行共享。再看国内，高瓴控股百丽后也用数据去指导投后的数字化运营。
我们看到一些基金把自己的认知框架指标做了系统化评分标准。Iconic在对于SaaS的决策中，就将十几个公司的关键指标做成benchmark，遇到新的公司就以benchmark作为参照，用关键指标的比对系统来做降噪处理。做这些比对时，将尽调标的的data pack放进系统里，几个关键指标可以自动化地生成出来。
WhatIf信息官补充
在我们尽调基金的过程中，很多基金强调数据benchmark是没有实际用处的，究其核心原因是「市场并非这么定价」；这里我们发现有两类情况：严格遵守Benchmarking的机构，反向去不断要求自己找到合适的投资方向和标的的，通常风险收益和稳健度都比较好；坚持认知无法框架和benchmark化的机构，也有部分机构赚取了超额收益，同时，部分机构也因为追高损失了节奏，付出了「停滞期」。
在这个层面上，我们觉得投资以及类似的商业决策，确实是科学+艺术的结合，知道自己更偏科学，还是更偏艺术，辅助以适应自己系统的认知、决策设施，是更为重要的。
Q4：现在大环境的情况和信噪比的工作
1、市场环境的变化。中国走到了经济百年不遇的变局，政府在引导投资从to C走向to B、从线上走向线下。信息的大幅增加是不可逆的，决策的变量增多也越来越将大家拉回同一起跑线。
2、修内功的好时机。过去几年，投资资金流动性很强，大家抢项目的时候根本没时间去消化和沉淀。目前经济增速放缓，基金募资难更普遍，而且下决策做多、做空都比以往更难，我们还看到很多基金过去在运行的估值框架现在失效。但它们可以利用这个时候练好内功，借助数字化转型把投资流程重新梳理，复盘、建立新机制和方法论。
Q5：未来解决信噪比的方式的发展和影响
信息的膨胀是不可逆趋势。中国的统一要素市场中，数据是生产要素之一。从国外的NFT、区块链、Web3看，很多物质世界的事物也被数字化了。今后要降低投资研究的信噪比：
1、未来形态是人类与AI的结合。信息采集、处理甚至初步判断都能由机器完成，但人的感性部分没办法被机器取代。
2、分布式决策与赋能。信噪比降低的终局是使每个分析师的产能更强，并且由于技术赋能，某个行业领域会出现更多小的团队或平台进行专业的资管；大平台可以管理好更大的AUM，例如Bridgewater和Citadel都是系统性地管理更大的规模，单体的输出效率也很高。
沒有留言:
張貼留言