针对主观投资的另类数据

量化基金经理是最早另类数据的使用者，后来采用主观和基本面方法投资的对冲基金经理也开始接受另类数据。主观和基本面投资向着基本面量化（quantamental）方向的转变就反映了这种趋势。基本面量化的兴起和发展意味着以前对于数据科学了解有限的基金经理需要了解量化分析的基本原理。这其中一个关键的挑战就是将数据驱动方法中所强调的广度思想和基本面投资理念中强调的深度思想相互融合。就此而言，Grinold（1989）在《主动管理的基本定理》这一经典文献中用下面的公式指出了广度和深度之间的区别：

这个公式中，采用主动管理的基金经理利用获得的信息比率（information ratio/IR）就度量了经过风险调整后的投资收益，它是两个指标的乘积：

（1）信息系数（information coefficient/IC），这个指标刻画了基金经理的预测和后市收益之间的相关性，因此这个指标衡量了基金经理的技能（skill）；

（2）不相关的投资标的数量N，它刻画了基金经理的投资宽度（breadth）。

简单来说，偏向主观投资的基金经理会专注于信息系数，而偏向量化策略的经理则更重视广度。量化策略可以应用到很多资产类型中，但是就其中某个特定交易而言投资盈利的概率并不大。与之相比，强调基本面的基金经理可以通过深入研究个股的方式获得更高的信息系数，但是相关的方法很难在不同资产类型中进行拓展。这样对于采用主观方法的投资经理而言，他们就需要在不增加投资标的的情况下加深对目标公司的了解。通常每个基金经理和分析师会自行判断另类数据能否实现这个目标。在这种情况下，他们不需要获取覆盖面很广的另类数据，也不需要实时接收这些数据，只是以报告形式获取就可以了。这可以看作是另类数据最为简单的应用方法。

主观投资团队采用的更复杂方式是通过用户界面（user interface/UI）来获取数据。这些用户界面可以提供可视化的另类数据，方便投资经理对股票进行筛选，并且获取涉及投资标的的警示。比如，主观投资经理可以将投资候选标的输入到这样的工具中，从而获取到近期在社交媒体中发现的问题，进而对股票持仓进行调整。当然主观投资经理也可以通过这些用户界面中的数据寻找交易思路。现在这些用户界面工具可以很好地适应和满足主观投资经理以及基本面分析师的工作流程。

最后，一些主观投资团队开始通过内部专人来管理和数据供应商的关系，并且在内部搭建数据科学的工具箱，这不仅包括可视化从另类数据中获取的洞见，而且也包括开发量化模型，从而可以利用新的数据集对股票进行打分和排名。多年以来，采用量化方式的资管团队一直通过传统的数据集来这样做，但是对于主观投资领域，这样的作法还是比较新颖的。

接下来我们将介绍一些用于主观投资的另类数据用例。