实用性与科学性的平衡

2016年8月19日补
关于英文原版和中文翻译的选择。
个人意见是：对于专业性书，译者要看懂原文才好作翻译。
举例而言，一致预期收益率。为何它翻译成一致预期收益率，经过维基百科等的搜索，似乎这不是一个专业词汇。
然后英文版中有这么一句，This is in fact what we mean by "consensus." The market portfolio is the consensus portfolio, and the CAPM leads to the expected returns which make the market mean/variance optimal.
这种翻译的时候，少一个一致上面的引号都不行。要不然不容易读懂。

=====================================
首先，一样东西要是真理，才值得看。
其次，它最好显得简单，我看得懂。
这大概就是一本企图做到这两点的书。

翻译的水平总体来讲还行。如果有疑问，可以对照网上的英文原版。但是缺少一个中英的索引，这个很关键，比如因子暴露，有许多人翻译成因子载荷，因子敏感度等等……有些可能中文名词与英文直译不相关的，可以来个译者注，比如我现在还不知道EPS鱼雷是什么。

用python做了里面讲到的许多分析，但是看得懂不表示实现的了，理解了背后的思想，不懂线性代数，有些代码要写起来，总是觉得费力。
在这个里面，统计学很重要，可惜python对于统计的库statsmodel还不是完美。向逐步回归等等似乎还没有包括进去，主成分分析也没有，虽然matplotlib.mlab里有……但是一个统计库的不完善就讨论的人少。越到后来，实现起来越难。

举个理解容易写代码难的问题，结构化风险模型，大致可以看到是在降低维度，将一个协方差矩阵用因子矩阵来代替。但是，因子确定，因子估计，模型实现，不头疼是不可能的。

另外虽然现在国内出现了tushare这样好用的股市相关的库，但是，还有更多的东西需要处理。比如复权。

如果做量化分析，这本书可以是一个良好的开始。如果不以此为职业，这本书也有用的地方，比如，降低自己的投资风险，我们拿方差来衡量风险的话。给个例子：一般常在说的一句话是，不要把鸡蛋放在同一个篮子里，需要分散化投资。
但是其实如果有两个强正相关的股票，假设99%，那么实际上这种风散投资完全没有降低风险，但是如果两个完全不相关的股票，那么风险就只有方差之和的平方根。这就切切实实的降低了风险。
然后如果我们假定行业是一个影响风险的重要因子，那么我们可以大致根据历史数据做个相关性的衡量。比如铁路和空运的行业，就有比较大的相关性……

为何我说这本书是起点，而不是终点。举个自己做的例子，拿信息率作为衡量，对三年的历史数据做回归分析，发现一堆高信息率的都是曾经的ST公司……我不喜欢借壳上市的赌，赌自己有没有买对壳。所以对于这种公司，前期应该把它筛选掉。这部分在数据挖掘中被谈到很多。

当心书中对于数据挖掘的批判。因为这年头，数据挖掘也是前沿学科。向书中提到的神经网络等等，也被应用到数据挖掘中。对于不正常数据的筛选，数据挖掘可能的方法有许多优势。但总体来讲是，需要的知识要命啊。

客户承担市场风险，主动经理承担残差风险。这是书中的一句原话。书中没有告诉你市场风险的确定，但对于客户来讲，有时候市场风险比残差风险大很多。以译者的序为例就是，牛市的时候似乎炒股的人人都赚钱。

通常，barra的结构化风险模型，只在其他的金融建模的书中占小的一节。就如它谈到ARMA等等算法的时候，只是稍稍说了下。