流动性私募股权的定位
这就是我认为流动性私募股权这个想法如此有力的原因。你会发现，它并不需要与传统私募股权竞争。我们的意思不是说：“天哪，大家都应该抛掉私募股权，转去买流动性私募股权。”它面向的是那些无法投资私募股权的人，因为他们的财富还不足以满足百万美元级别的最低投资门槛。这可以帮助他们把投资组合从传统的“60/40”配置调整为“50/30/20”。对于已经投资私募股权的机构投资者和富裕家族，它也能成为工具箱里很有用的一件工具，比如充当流动性缓冲，或用于完善投资组合，以及满足传统私募股权难以实现的其他需求。
今天和我一起的是 Randy Cohen。他是哈佛商学院金融与创业学教授，也是 PEO Partners 的联合创始人。Randy，最近能和你重新联系真好，也很高兴欢迎你来到节目。
谢谢你邀请我，Dean。你我早在上世纪九十年代芝加哥大学读博士时就认识了。当时我在那里读书，你也在那里，我们从一开始就围绕哲学、政治、金融，什么都争论。近些年能重新联系、接着聊下去，真的很开心。
我当时在芝加哥大学是个 24 岁的年轻人，也是少数敢去上 Fama 课的人之一。我给学校商学院的报纸写稿——不记得当时它叫什么了——你我还就此来回讨论。后来我才知道，你是 Fama 那门课的助教。
如果你还有那些文章，扫描一下发给我吧，我很想看看。最近发生了一件挺有趣的事：我哥哥给我发短信，说他在地下室翻旧东西，发现了一份我们高中报纸的复印件。他还问：“我怎么还留着这个？”一看，原来上面有我写的一篇评论文章。他把它扫描后发给我。我读了读，那是我 15 岁时写的，心想：“天哪，听起来简直跟现在的我一模一样。”我 15 岁时就是这样的人，看到这点还挺有意思。
一直很一致，这点我喜欢。你在芝加哥大学拿了博士学位，职业生涯一直在做学术研究和教学，也在实证金融领域开展了很多不同的研究。能不能带我们简单回顾一下你的经历？可以从芝加哥大学讲起，再谈谈后来创办 PEO Partners——这也是我们今天要聊的内容。
既然你我都跟 Gene Fama 学过，那我后来走上这条路也不奇怪。他是如此出色的思想家和老师，跟他学习后，人自然会想做他那样的研究。我们当然做不到他那么好，但他给了我们一个努力追求的标准。职业生涯早期，我写过一些沿着 Fama 风格、或者 Fama–French 风格开展的论文，做实证研究，试图理解哪些股票表现更好；如果它们确实表现更好，我们能否用风险来解释？能不能说，这些股票的平均回报更高，是因为风险更大，所以它们取得这样的表现完全合乎理性？
Richard Thaler 是诺贝尔奖得主，他当时也在芝加哥大学，和 Gene 同一时期。他很有说服力地提出行为层面的解释：并不是所有现象都能用完美理性来解释。我是家里的中间孩子，我常开玩笑说自己就是典型的快乐中间孩子，总是在寻找妥协和第三条路。我的博士论文研究的是一个大家熟悉的谜题：市场崩盘、市场下跌、经济也走弱时，似乎……
市场定价、投资者行为与教学经历
股市下跌、经济走弱时，股票的预期回报似乎非常高。这好像意味着市场在糟糕时期会跌得过头；而在景气时期，预期回报通常很低，市场可能又涨得过头。对此有基于风险的解释，但也可能是人们在市场下跌时恐慌，在市场涨得很高时变得非理性乐观——借用 Robert Shiller 的说法，就是“非理性繁荣”。
我的博士论文想找一条折中解释。我设想市场上有两类人：个人投资者，以及专业机构投资者。机构投资者有老板，也有可能被解雇的工作。所以，这或许是一个典型的代理问题：每个人都在理性行事，但机构投资者会想：“市场下跌时，养老金或捐赠基金的经理可能因此丢掉工作。那我还是稳妥点，趁市场低迷卖掉股票，这样就不会遭遇糟糕到让我被解雇的结果。等市场涨起来，我再多持有些股票，努力补回来。”这可以解释为什么市场似乎在底部被人为压得过低，在顶部又被人为推得过高。
我在理论上很喜欢这个想法，但数据就是数据，它告诉你的是什么，你就得接受什么，不能让它迎合你的期望。我常开玩笑说，金融学教授能做的最棒的事就是提出一个谜题：这样一来，成群的研究生和教授都会写论文来解释它，你就能收获一大堆引用。第二好的事是解开一个谜题。引用可能没那么多，因为问题不再热门了，但你至少会因解题而得到认可。我做的是远远排第三的事：把谜题变得更深了。
因为我的发现和假设恰恰相反：似乎是个人投资者在市场底部卖得太多，而机构投资者从他们手里买入。这个现象也可以用理性来解释。你可以想：“我的股票已经跌得很厉害了，即使我知道股票的预期回报特别高，我还是不能不付房贷。如果股票再跌，我可能得让孩子退学，或者搬离自己的房子。我承担不起这种风险，得稳妥一些；就算知道股票很便宜，我还是要卖。”这完全可能是理性的。当然，人们也可能只是因为恐慌而卖出，理由并不理性。
这就是我的博士论文，也概括了我看待问题的方式：先提出理论，试着理解世界；如果数据告诉你别的事情，就承认事实并不一样。
你大概是 1998 年拿到博士学位的，对吗？
是的。
1998 年，好的。你刚拿到芝加哥大学博士学位，就开始找工作。你在哈佛待过，也在 MIT 待过，我记得是这样。能不能谈谈你这些年来的教学经历？你曾关注基金经理业绩的持续性，也可以从更广的角度聊聊。
我喜欢教学，而且一直都喜欢。我大学毕业后还代过高中课程的课，那时我不知道自己该做什么，正试着创业，也需要挣点钱。大学期间，我在一门计算机科学课上当过助教。当然，我还当过 G. Palama 的助教，那是我人生中最荣耀的事之一。我做了三年助教。所以到哈佛任教时，我对自己的教学能力还算有信心，觉得自己懂得怎么教，也有经验，应该算是个好老师。第一学期我开始授课时，有一位学生……
一次糟糕的教学评价
那位学生是班里的教育代表，也就是由她所在的小组提名，代表一起上这门课的九十来名学生和教授沟通、反馈问题。整个学期，她定期来找我，告诉我哪些地方可以做得更好。说实话，我当时有点恼火，心想：“这人怎么老来烦我？我明明教得不错。”
学期结束时，学生要填表给老师打分，每项从 1 到 7 分，也有一个总体评价。那时还是纸质表格，现在当然都数字化了。我拿到表格后迫不及待地想看看自己教得怎么样，看到 7 分里我得了 6.2 分，心想：“嗯，长远来说当然想做得更好，但第一次教课能有这个分数也不算差。”我感觉还可以。后来才发现，我看错了表格那一面：那是课程平均分，我得翻过来才看得到自己的成绩。
我的成绩是 7 分里的 2.6 分。随后我经历了人生中最令人震惊的顿悟：课程平均分里还包括我自己。除了我之外，教当时称作一年级金融学的入门课程的老师，平均分是 6.7 分，而且里面也有其他新老师。课程本身这么好，连新老师都能拿到 6.5、6.7 分，而我只有 2.6 分。
首先，我想向那位教育代表致敬。我不说她的名字，但如果她听到这段话，我想告诉她：她当时敢来指出我的问题，真的很有勇气。我不愿意听，还要给她打分，所以她坦诚地告诉我实情，实在非常大胆。我感谢她，也希望自己当时更愿意听劝。这件事给我上了一课。
当时哈佛有个叫 Derek Bok 教学与学习中心的机构，为文理学院的教师提供支持。哈佛商学院的教授原本不能使用这项资源，因为哈佛有四百年的传统，用十七世纪的俚语说就是“每只桶都得靠自己的桶底”——大概就是各家自顾自的意思。哈佛各个学院在财务等方面彼此独立。这个中心是给文理学院的，比如物理系、英语系，不包括商学院。不过一位同事帮我打通了关系，让我也能参加。那里的人非常出色，教会了我许多以前不懂的教学方法。
我学到的最重要一件事是——我跟孩子们说时会用开玩笑的口吻——人生中很少有问题是投入 100 个小时的努力还解决不了的。事实上，我每节课可能只准备两三个小时，实际应该准备 10 到 20 个小时。当然，不是永远都要花这么久，主要是第一次备课；之后可以少一些。我需要把知识钻研得深入得多，当然还有其他需要改进的地方。我用了一年就把教学扭转过来了。
顺带一提，现在哈佛商学院有克莱·克里斯滕森教学与学习中心。我喜欢想象，自己当年或许对他们创办这个中心起过一点点启发作用。中心以我以前的同事、杰出的 Clay Christensen 命名。
总之，我教了很多年金融学导论，后来教投资学，也就是投资管理课程。我记得这门课是前任院长 Jay Light 创立的，之后交给了我的导师 André Perold。Jay 也是很好的导师。André 很好地把课程交给我，我教了好些年。后来我去了 MIT，也把这门课带了过去。在 MIT 教这门课算是新鲜事，因为我采用案例教学法，而 MIT 和大多数学校都不常用案例教学法；当然，我们在芝加哥时也基本不用这种方法……
从教学方法到投资管理课程
我在 MIT 任教的第一年就获得了年度教师奖。不是因为我是什么特别出色的老师——我大概连哈佛商学院教师里的前一半都排不进去——而是因为这很像有效前沿：我扩展了前沿，让学生接触到他们此前没能充分获得的一种学习方式。我觉得这很棒。我在 MIT 教了好几年投资学。
最后补充一点，不好意思，我说得太多了。我有一种退化性眼疾，视网膜色素变性，这辈子视力一直在慢慢退化。去 MIT 任教时，我的视力已经差得不得了；六年后回到哈佛商学院时，我几乎是个只能看见一点点东西的盲人。那样的视力让我无法再教哈佛商学院的案例课程，所以我不得不赶紧想办法，开发一门即使看不见也能教的课。哈佛商学院对我特别支持，我因此开发了 Field X，一门面向初创企业的课程。过去十年我一直在教这门课，它本质上是一个孵化器，帮助哈佛商学院、哈佛其他院系以及周边学校的团队创办公司。塔夫茨、MIT 的学生都很出色，法学院、设计研究生院也有学生参加，不过大多数还是哈佛商学院的学生。比如这学期，班里有 73 支团队，正在创办真正的企业。它们不一定都会融资，也不一定每家公司都会让创始人在毕业后全职投入；但按近年的情况，大概一半或更多会做到，其他的也会成为很棒的学生项目。所以抱歉，这回答可能比你想要的长了点，不过这就是我的教学经历。
从早期经验中学习——我不把它们叫作错误，而是可以改进的地方——并且批判性地审视自己能改进什么，这点很重要。我也很喜欢你说的那个例子：原来每节课准备两三个小时，后来发现得准备十个小时。这很有意思，也很直接；正如你所说，这是你能掌控的。你提到教投资管理。回想八九十年代，资本市场环境中利率一直为正，衍生产品还没这么多，更没有央行大规模干预、告诉你政策利率会连续几年维持在负 50 个基点。作为商学院教授，你现在教的投资管理课程是什么样？和我当年在芝加哥大学商学院跟你一起时相比，有什么变化？
是啊，这挺有意思。每当世界上发生什么疯狂的事，金融学教授当然也是普通人，会想到那些亏钱、丢工作、面临困境的人会承受什么痛苦。但我们心里也有一小部分会想：“哇，这是个有趣的自然实验。”过去我们从没遇到过这种情况。人们以前还在讨论负的实际利率是否真的可能出现，后来竟然出现了负的名义利率，没人预料到——当然，我不该说没人，学界确实有很多聪明人研究过它在什么情况下会发生。可它真的发生时，还是让人震惊。
这显然是许多糟糕事件的一部分，毁掉了很多人的生活；那很令人痛心。但单从研究角度看，观察到新现象特别有意思。这些年我们见过很多新情况：负利率、加密货币及其在市场中的作用，还有私募股权规模的巨大增长，以及如今让私募股权成为……
新市场与定价机会的演变
……让私募股权成为每个人投资组合的一部分，而不只是大型机构和超级富豪的配置。总会有新鲜又有意思的事情发生。我等会儿再回到你提到的负利率，脑子里还在想有没有什么有趣的说法。先说说，有人有时会问我：“Randy，资产管理是不是快要消亡了？人越来越聪明，电脑越来越先进，大家是不是会越来越理性地发现错误定价，并且越来越快地把它纠正？你我认识一些最聪明的人，他们就在做纠正错误定价的事，有些机构规模已经很大，每天能交易天文数字般的金额。投资机会怎么还能存在？”
我逐渐意识到，总会有新东西出现。也许美国大型股会变得非常有效定价，可能已经如此，也可能未来某个时候才会如此。但之后也许中国会出现机会，因为中国不能卖空，这会造成某些类型的错误定价；也许巴基斯坦会出现机会，因为美国资产管理机构过去根本没法实际投资当地市场，后来情况变了，投资变得可行。人们还会发明新的衍生品，衍生品市场随之形成；还有加密货币——噢，我还没提预测市场，以及那里正在发生的一切和其中的机会。
所以，新事物总会出现。我确实认为，新出现的市场一开始往往效率很低，之后会逐步变得更有效。想想可转债套利：据我了解，九十年代刚进入这个领域的人，做可转债套利能轻松赚到一些钱。如今仍有人经营可转债套利基金，也做得不错，但没人会说这是轻松钱。他们必须拼命工作，才能为投资者挤出一点 alpha。随着时间推移，一切都在变化。
至于利率变成负数，这确实很有意思，因为我们的直觉会误导我们。比如，乍看之下，做空这些债券显然是笔好投资：它们本质上是在付钱请你借钱。结果却未必如此。有人会说：“利率刚刚跌破零，不可能再降太多了。”可后来它有时会变得非常负。所以，检验和挑战我们的直觉、看看会出现哪些不同情况、拓宽我们的认知，在思想层面上很有价值。
我再讲个简短的故事。我的同事 Mark Mitchell 对一件事很感兴趣。他现在是大型资产管理机构的人，但当年在芝加哥大学读博士时是我的教授，你也可能上过他的课。后来他来到哈佛商学院，和我一起教了好几年。他想写一篇关于 Palm–3Com 事件的论文。
你应该记得：3Com 基本上是一家生产电脑调制解调器的公司，它有个部门开发了 Palm Pilot——一种可以说是前 iPhone 的设备，大家很喜欢，手持设备能做很多酷炫的事。3Com 把 Palm 分拆成一家独立公司，但自己仍持有大部分股份。Palm 后来成了一只炙手可热的科技股，股价涨得很高；但拥有 Palm 大部分股份的 3Com 股价却没涨到那么高。原因是有些买 Palm 的人并不知道 3Com 持有它的大部分股份。实际上，买 3Com 就能更便宜地间接买到 Palm，还能顺带得到 3Com 的其他资产。于是就出现了一种套利交易：你会说……
市场谜题与动量效应
“好，我们买便宜的 3Com，再做空 Palm。因为 3Com 持有 Palm 的股份，这样利润应该就锁定了。”Mark 决定写一篇论文，研究市场上这一类情况；当时发现其实有很多类似案例。他想：“如果我不亲自买这些股票，就永远不会真正理解可能出什么问题。”于是他拿出一小部分自己的钱，把每一笔交易都放进自己的账户里做了一遍，结果发现了各种可能发生的怪事。比如，在这种情况下，母公司 3Com 可能回购股票，甚至以高于市场交易价的价格买下整个子公司，导致你在交易的两边都亏钱。你得亲自参与，才能看到这些事情。所以，亲身经历非常重要。
真有意思。这个例子确实很有意思。我记得当时借券也很受限制。你得做空 Palm 那一边，这非常困难。
而且成本很高，没错。这是另一个问题。还会出现这样的情况：你买入经营不善、但交易价格低于资产负债表现金余额的公司，心想：“我怎么可能亏？”结果公司却把现金花在你觉得“这怎么可能拿去做这个”的事情上，最后你还是会亏。市场真的很复杂，必须了解这些情况。这也是为什么大家都会读 Matt Levine 的文章、持续做各种功课跟上变化，因为总有新事情发生。
你用了“谜题”这个词，我觉得很贴切。市场上有很多谜题：股票溢价之谜、远期利率之谜，外汇市场也有不少。至少有一段时间还存在一月效应，不知道现在还剩多少。Cliff Asness 说，他现在也不太相信规模效应了，因为它似乎可以由其他因子解释。你觉得市场里最重要的谜题有哪些？如果只举一两个，你会选什么？另外，随着时间推移，你对它们的理解又有什么变化？再提一下 Cliff：他说自己觉得市场变得没那么有效率了，这是个很有意思的说法。我们一直在观察，也一直更新看法。能不能谈一两个谜题，以及你对它们的思考如何演变？
我们可以把谜题放在一个范围里看：一端是有相当合理的解释——不代表解释一定正确，但至少说得通、也可能是真的；另一端则是明显的行为错误。通常后一类的现象规模都比较小。
要谈最有意思的现象，我想先说，理性解释本身也有不同层次。我们先聊聊动量。我曾和 Cliff 的团队一起写过一个关于 AQR 动量基金的案例，这是我最喜欢的案例之一，因为我原以为写出来会很无聊，结果却特别有趣。
你很清楚，股票回报历史上一直有一种通常称作“动量效应”的现象。人们通常把它概括为“2 到 12”：最近一个月的赢家往往会回落，输家则往往会反弹，也就是存在一个月的反转；但如果看过去一年、忽略最近一个月，就会发现之前表现好的股票……
动量效应：反应过度还是不足？
……在那段时期涨得好的股票，之后往往还会继续涨。有一种解释认为，这是反应过度：一家公司表现不错、传出好消息，股价马上上涨。随后报纸和杂志纷纷报道这家公司，写 CEO 有多聪明、公司有多出色。之前没注意到消息的人看到后会想：“这股票听起来真不错。”他们买入，把股价推到合理价值之上。比如，好消息的价值是 10%，股价先跳涨 10%，接下来一年，之前没跟上消息的人又把它推高 3%。这就是用反应过度解释动量的说法。
另一种说法是反应不足。我用下跌的例子来讲，但两种解释都适用于上涨和下跌。我爸爸有时会买股票，也会看财经新闻。他会说：“你看，他们盈利比预期少了一美分，股价就跌了 5%，太夸张了。这不是买入机会吗？”但我们知道存在动量效应，也有盈利公告后的动量效应：盈利方面的坏消息出来后，股价往往跌得不够。反应不足的解释会说，坏消息的影响应该让股价跌 10%，但它只跌了 7%，因为像我爸爸这样的人在逢低买入，没有让股价跌得那么多；之后一年，股价再慢慢跌完剩下的 3%。
我想问你——我也不认为这有确定答案——你的直觉是什么？动量是反应不足还是反应过度？
我觉得是反应不足。
我也喜欢反应不足这个说法。你知道我为什么觉得你我都喜欢它吗？因为反应不足几乎是理性的，只是多花了一点时间才反映出来。反应过度则是个相当不理性的解释。我们很容易被接近理性的说法吸引，即使它可能并没有把一切都解释清楚。我不知道我们对不对。上次我研究这个问题时，反应过度的证据似乎稍微更有力；但那已经是五年前的事了，之后可能有新发现，也可能是我误读了研究结果。
说到 AQR 的动量基金。AQR 多年来一直在交易动量策略，也写过很棒的相关论文。他们后来决定推出一只以动量为基础的共同基金。共同基金只能做多，所以不能同时买入赢家、卖出输家，只能站在一边。我想这可以成为一个很好的教学案例：一方面教学生动量效应的历史，另一方面教他们共同基金如何设立。他们还做了一件很聪明的事：创建一个指数。共同基金不能用回测结果做营销，但可以展示指数的历史表现，于是他们推出了 AQR 动量指数来配合基金。这些做法都很周全，AQR 确实很擅长把事情做好。
我和三位很棒的同事一起写了这个案例，大概在 2008 年底完成。2009 年我第一次讲授时，案例里的基本发现是：做多动量最高的十分位组合、做空动量最低的十分位组合，年回报大约 15%，数据回溯了 80 年。整整 80 年，每年 15%。我让学生讨论、问他们怎么看，大家都觉得太棒了，每个人都举手赞同。然后我说：“那我们来看看动量在 2009 年的表现。”我展示结果：如果在 2009 年做多最高十分位、做空最低十分位，你知道回报是多少吗？
极端行情、收益计算与名称混淆
我猜，表现会差得惊人。
“差得惊人”说对了，回报是负 120%。
对。那是不是“垃圾股狂飙”那段时期？
可以这样理解。还记得花旗集团吗？如果我没记错，它曾跌到 99 美分，后来涨到 4 美元。在这笔交易里，这相当于对你不利地变动了 300%。当时那些大幅下跌的金融股都反弹了，所以你最终亏了 120%，难以置信。我问学生：“你们现在怎么看动量？”他们会说：“太糟了，钱全亏光了，甚至亏得更多。”我就说：“那我们算算 81 年的平均回报吧。”我问：“有人能在脑子里算吗？”当然有人能算出来：80 年每年加上 15%，再加上一年负 120%，结果约为正 13.5%。这策略年回报 13.5%，有什么糟糕的？学生会说：“可是你的钱都没了。”
我们再想想：假设 81 年前把钱投进 10 种策略，其中一种是动量。由于动量策略表现好得惊人，后来可能占了绝大多数资金，然后一年把钱全亏掉，这会是毁灭性的打击。另一方面，如果把钱分投到 10 种不同策略，并且每年再平衡，让每种策略年初都占十分之一，那么动量策略亏 120% 时，整个投资组合只亏 12%——就是总资产的十分之一乘以 120%。再加上那些表现极好的年份，整体结果还是不错的。这归根结底涉及几何平均和算术平均的区别，也涉及如何计算 IRR。写案例时我完全没料到会出现这些深层教训，但它说明一个现象可以带出许多不同的观察角度。
我再说说光谱另一端那种极端、明显的谜题。市场上有很多因名称混淆而导致明显错误的历史案例。比如市政债券市场：在我们还很年轻的时候，加州橙县做了许多衍生品交易，导致市政债券遭受重创。但佛罗里达州橙县、纽约州橙县，我想还有印第安纳州橙县的市政债券也都受了打击。这其实没什么道理。
更极端的例子之一，是我们有位研究生写过一篇很棒的论文，题目是《大规模困惑的投资者做出显而易见的无知选择》（Massively Confused Investors Making Conspicuously Ignorant Choices），简称 “MCI-mcing”。
是的。
MCI Communications，也就是微波通信公司，曾遇到很大的问题。它的股票代码似乎是 MCIC，因为它在纳斯达克上市。另有一家毫不相关的公司，股票代码是 MCI，每次出事时它的股价也会暴跌。
我记得那好像是封闭式基金之类的东西。
最后一个故事也和封闭式基金有关。大概是十年前吧，时间过得真快。当时 Barack Obama 还是总统，他宣布与古巴恢复关系，代码是 CUBA 的一只封闭式基金因为这个消息上涨了 100% 以上，而且可能持续了几周甚至几个月。基金代码虽然拼出了 CUBA，但基金本身与古巴毫无关系。只是因为代码写着 CUBA，股价就暴涨了。如果你能借到券做空它，确实可以赚大钱；但风险是，在股价跌回来之前，它可能先涨到原来的三倍。所以，这类机会并没有想象中那么容易利用。
好，我们谈了因子和市场谜题。接下来我想用它们来收尾，花些时间聊聊你……
用因子复制私募股权的思路
……你在私募股权复制方面做的工作。我先从 Cliff Asness 对 Warren Buffett 表现的研究谈起。他通过多种分析说明，Buffett 是一位价值型经理人，他不少超额回报都与价值因子有关，我想质量因子也可能起了作用。我们另一位朋友、你在哈佛的同事 Eric Stafford，在私募股权因子复制方面做过开创性研究。他是我跟你一起读书、你给 Fama 那门课当助教时认识的。能不能谈谈你如何看待这件事、他做了什么，以及你和商业伙伴如何沿着这个方向继续推进？
你看，这又回到了我们先前谈的主题：一个假想的经理人押注小盘股；Buffett 则押注价值和质量。我们会说：“这个人真是天才，想到了价值和质量的概念。”还是说：“噢，买入价值股和质量股就行，表现也能和 Buffett 一样好？”我认为 Buffett 值得获得很多肯定，因为当时并不是所有人都在做这些事。说到质量投资，他大概应该被视为价值投资之父。当然，他也会把功劳归给更早期的人。对这些问题并没有显而易见的答案。
我很多年前就开始沿着这个思路思考。2000 年，我在哈佛商学院做过一次演讲，提出一个问题：如果把收购交易的特征放到公开市场上，会怎么样？我说“流动性私募股权”时，或许应该更准确地说“流动性 LBO”。流动性风险投资、流动性房地产也都是有意思的概念，不过它们各有不同。为了方便讨论，我说流动性私募股权时，指的就是 LBO。
想想一笔 LBO 交易是什么样：通常会买下一家私人公司。相当大比例的交易是私有公司之间的交易。收购资金可能有三分之二来自债务；过去可能接近四分之三，现在由于利率上升，更接近三分之二。债务成本大约是 9% 到 12%，也可能是 7% 或 8%，但目前利率较高。按公司价值的三分之二借款、利率为 9% 到 12% 来算，每年支付的利息相当于企业价值的 6% 到 8%。
那么什么样的公司能承受这种交易？首先必须非常赚钱。公司如果赚不到很多钱，每年怎么拿出相当于企业价值 6%、7%、8% 的现金付利息？它必须有盈利能力。同时，估值倍数也得低。如果你按 30 倍利润买入，利润收益率只有 1/30，也就是 3.3%，达不到 6% 到 8% 的利息成本。所以这些公司必须是高利润、低估值倍数的公司，也就是我们说的高质量和价值型公司。
还可以继续往下推。公司需要有较高的派息比例。如果一家像 Amazon 这样的公司赚很多钱，却把每一分钱都重新投入增长，朝着“征服世界”的目标扩张，它可能是很好的投资，但不适合做 LBO。因为你会把原本用于增长的钱拿去付利息，反而扼杀公司的增长计划。因此，公司需要高盈利、高派息，同时估值倍数较低。风险也要低：如果风险高得离谱，没有人会愿意以适中的利率借给你相当于公司价值三分之二的资金。而且，这些还是私人公司，所以它们……
五项特征、行业选择与杠杆
……整个国家符合“大盘股”规模的私人公司也只有少数几家。如果它们上市，才会被归为大盘股。因此，这些公司通常更像小盘股、中盘股，或者更小的公司。高利润、高派息、低估值倍数、低风险、小规模——这五项特征构成了我所谓“适合做 LBO”的公司。
你也注意到了，因为我们一起读过书：这恰好是 Fama–French 五因子。Gene 和 Ken 确认的、与公开市场超额表现有关的五项特征，也正是 LBO 经理必须寻找的特征。这其实挺有意思：你可以想象有个极其传统的杠杆收购人，是个老派华尔街人士，讨厌学术界、讨厌量化、讨厌 Gene、讨厌我、讨厌诺贝尔奖；但他仍然会押注这五个因子，因为它们已经内嵌在商业模式里。
现在我们也就能理解为什么私募股权表现不错：首先，他们非常擅长识别经济中发展良好的行业，因为他们在经济的各个领域都持有公司。我的 MIT 同事 Markman 做过相关研究。随着时间推移，经济故事中的不同部分会轮流发挥作用。我们现在懂得更多了；Mark 当时只是用了最基础的行业倾斜方法，如今能做得更好。我们可以利用私募股权人士真正拥有的行业判断力——他们确实很有才干、也非常努力，能找到值得押注的经济领域；然后在这些领域里挑选那些同时符合五项 Fama–French 因子的公司。虽然这些都是私人市场的公司，但把这套方法用在公开市场上，似乎也应该奏效。
Eric 还写过一篇很棒的论文。他的做法是，先买入中盘价值股，或者其他版本的组合，视你是否使用全部五个因子或其中一部分而定；然后适当加杠杆，因为这些收购本来就有杠杆。LBO 隐含杠杆究竟有多大，学界仍有争论。有人认为杠杆是 2 比 1 或更高，也有人说它们实际并没有比市场更高的杠杆。我认为，一家典型的上市公司债务大概只占 30%；而这些公司并不典型，它们是适合 LBO 的上市公司，债务可能占 40% 到 50%。如今典型 LBO 交易可能有 60% 到 70% 的债务。因此，复制策略所需的杠杆回报大约是 0.3 或 0.4。
我第一次做这场演讲时，加拿大养老金计划投资委员会 CPPIB 的首席策略师 Don Raymond 也在场。他后来走过来告诉我：“我们做过分析，合适的杠杆比例是 0.3 或 0.4。”现在已经过了 26 年。我当时觉得：“Don 说得对。我过去以为杠杆应该更高，现在认为 Don 是对的。”关键是，你不需要加很多杠杆；即使是 0.3 或 0.4，也能每年增加 2% 到 3% 的表现。
所以，私募股权做得很出色：挑选正确的行业，再从中挑选正确的公司，然后加杠杆。这些事都能在公开市场做。问题是：照着做，表现能和私募股权一样好吗？答案是：在某些方面不能，因为私募股权还做其他能创造价值的事。他们对公司有内部信息，公开市场投资者永远拿不到；即便拿到了，也不能据此交易，否则就是错误且违法的。他们也能改善公司的运营。不过，他们为了取得控制权，必须支付控制权溢价。扣除这笔溢价后，我认为运营改进仍为投资者留下了一些价值。
因此，传统私募股权的优势来自内部信息，也来自运营改进扣除控制权溢价后的净收益。此外还有估值平滑。Cliff 在这方面说得最有说服力，也在 Oxford 做了很出色的研究。他很会遣词造句。他会说，市场崩盘、行情下跌时……
波动率平滑、费用与持仓数据
……市场下跌 20% 时，我们知道 LBO 私募股权的杠杆高于市场，因此理论上跌幅应该在 25% 到 30%。但他们之后宣布：“我们只跌了 10%。”Cliff 把这种现象叫作“波动率洗白”（volatility laundering），这个说法很机智。如果你想在公开市场复制私募股权的做法，人们会期待你也提供那种平滑的表现。市场跌 20%，私募股权说自己跌了 10%，而你的流动性私募股权跌了 25% 到 30%，投资者会非常愤怒。他们会说：“你这不过是加了杠杆的市场，并不是流动性私募股权。”
所以，如果投资者担心表现不够平滑，你就需要叠加一层对冲来满足他们的期待；当然，不是所有投资者都会担心这件事。对冲也有成本。你可能会问：“Randy，你说要实现类似私募股权的表现。”我的看法是，自从我做那场演讲以来，这种方法确实奏效了，能够实现类似私募股权的表现。但你会因为衍生品成本而落后。即使有像 Dean Curnutt 这样顶尖的衍生品顾问帮忙，保险通常也不是赚钱的生意。你还拿不到私募股权拥有的内部信息，也无法获得扣除控制权溢价后的运营改进收益。所以，相对于私募股权，你会有这些损失。
答案是：按总回报计算，流动性私募股权可能每年比传统私募股权低 3 到 6 个百分点。但把各类运营费、监控费、发起费、管理费和业绩分成算进去，根据 CalPERS 的研究，私募股权每年收取的费用超过 700 个基点。如果一只流动性私募股权 ETF 或共同基金收取约 100 个基点，两边就差了 600 个基点。即使总回报低 3 到 6 个百分点，扣除费用后也可能和私募股权持平，甚至更好。
这就是我认为流动性私募股权这个想法如此有力的原因。它不必和传统私募股权竞争。我们的意思不是说：“天哪，大家都应该抛掉私募股权，转去买流动性私募股权。”它面向的是那些无法投资私募股权的人，因为他们的财富还不足以满足百万美元级别的最低投资门槛。这可以帮助他们把投资组合从传统的“60/40”配置调整为“50/30/20”。对于已经投资私募股权的机构投资者和富裕家族，它也能成为工具箱里很有用的一件工具，比如充当流动性缓冲，或用于完善投资组合，以及满足传统私募股权难以实现的其他需求。
“波动率洗白”这个说法确实很好。Cliff 也会说，这已经变成一个特点，而不是缺陷；但它其实是缺陷。很难看到这种平滑，就相信自己免费得到了什么。作为一名关注衍生品的投资者，我非常重视按市值计价的风险，这和我关系很大。我想了解一下组合构建的过程：我们有这五个因子，你们也有一个私募股权回报数据库，所以你们是在拟合一条回报序列——
而且不只是回报，还有持仓。这一点至关重要：如果你要买私募股权买的东西，就得知道他们持有什么，而这类数据通常不公开。市场上能买到一些数据，但非常贵，而且只能让你有限地窥见私募股权的持仓。如果想真正知道他们持有什么，就得和全球少数几家掌握私募股权完整数据的公司合作。这样你才能深入了解私募股权现在在做什么、下季度要做什么，以及 20 年前做过什么，并据此开展分析。
你刚才提到了 SpaceX。我猜 SpaceX 不会出现在私募股权筛选结果里。这些应该是传统行业，也许有点老派，不如你说的那些高增长领域那么吸引眼球……
从私募持仓到公开市场组合
……不过 SpaceX 现在在软件和服务领域的投资比重也很大。他们之所以做得这么成功，其中一个原因是很早就看出软件行业发生了变化：过去充斥着各种“虚无软件”，后来软件开始稳定地产生利润。当然，现在我们经历了所谓的“SaaS 末日”，而最近又听说“SaaS 复兴”，没人确定未来会怎样。每家公司都会自己编写所有业务软件吗？还是商业软件的市场反而会变得更大？私募股权正在这个领域下注，我们密切关注他们在做什么，好在公开市场做类似的投资。要做到这一点，真的必须跟上最新变化。这些私募股权人士的位置比任何人都更有利，能深入研究并发现机会。
你能不能介绍一下这个流程：先看他们持有什么，再把这些因子纳入分析？我不是说要预测他们将持有什么，但我想这些因子至少能帮助解释他们的回报。
没错。首先要找出他们买的是什么类型的公司，然后在公开市场找到业务相似的公司。比如，看看哪些行业需求巨大、增长迅速，再找出在这些方面相匹配的上市公司。符合行业条件的公司会很多，接着还得筛选其中的子集：这家公司看起来合适，但以 40 倍利润交易，就不符合我们的目标。市场已经发现它了。得找一家还没涨到 40 倍利润的公司；还要找一家已经盈利的公司，而不是业务看起来相似但还没赚钱的公司。必须同时匹配这些特征。
假设你最终找出一个由 200 家公司组成的组合。美国大概有 1,000 家 LBO 基金，合计持有约 10,000 个投资项目。流动性私募股权的目标，是找到大约 200 家上市公司，让它们在组合层面尽可能接近这 10,000 家私人公司的整体组合。然后再适当加杠杆。比如基金有 10 亿美元，可以买入价值 13 亿美元的股票，再叠加经过周密设计的对冲。
对冲可能简单到买入看跌价差，比如 95/85 的看跌价差；但更可能需要更聪明的做法。我联系你，就是因为知道你对衍生品问题想得很深入。我是金融学教授，当然懂一些衍生品，但衍生品不是业余人士能随便玩的。如果要聪明地选择最有效的对冲方式，我们需要和你这样的专业人士交流。对冲必须满足两个要求：一是确实有效，二是不能花费太高，否则就会把好不容易建立的优势消耗殆尽。
从因子角度看，五因子会告诉你组合随着时间推移大致应该是什么样。你提到了软件，这在十年前可能不会成为重点。行业会变化，公司的特征会变化，私募股权组合也会变化。能不能谈谈这个过程？另外，你们要复制回报，肯定做了很多回归分析。你觉得自己复制得有多接近？对这个过程有多满意？
没错。比如在 2000 年代初，私募股权对软件的配置严重不足，投资的基本都是棕地工业项目之类的行业。这个行业随着时间发生了巨大变化，而且事实上……
行业分散与市场集中度
说起来很有意思，我们读研究生时，我和好朋友 Christopher Pulk 写过一篇论文，题目叫《行业因子对资产定价检验的影响》——可能是史上最糟糕的论文标题。不过，当时我们还是很亲近的研究生。论文的想法是：如果要买低估值组合、也就是价值股组合，最好的办法不是买估值倍数最低的 100 只股票，而是去经济中的每个行业，买该行业估值倍数最低的股票。这样能得到分散得多的组合。若我没记错，论文发现波动率会低很多，约为原来的三分之二；九十年代的数据也不少。与其只买估值倍数最低的公司，不如在各行业分散投资，因为前一种做法会让你的组合过度集中在不受欢迎的行业。我们发现，即使买入的公司估值倍数没有那么低，平均回报反而还略高。
也就是说，你不仅要挑选这些特征，还得把它们放在私募股权关注的经济领域里。这能让你利用他们在行业选择和公司筛选两方面的判断，从而得到分散得不错的组合。当然，公开市场里的行业权重和私募股权组合很不一样。公开市场中，医疗保健行业规模大于银行业，但据我上次查看，还不到银行业的两倍。在私募股权和 LBO 领域，医疗保健的规模大约是银行业的 15 倍。所以你会对某些行业大幅超配、对另一些行业低配。正如你所说，这些变化一直在发生，必须跟上，可能也得做一些交易。还要考虑常见问题：每周、每月、每季度还是每年交易？愿意付多少交易成本，才能得到自己最满意的组合？这些都是我们一直在思考的艰难投资组合管理问题。
我喜欢这个概念的另一个原因是，标普指数顶部的“七巨头”势头太强，你不想站在它们面前。但你也希望持有不同的东西，表现方式有所不同。我们必须强迫自己认真考虑分散投资，不能把所有钱都放在排名前七到十的股票上。流动性私募股权涉及的仍然是股票，但底层企业和回报驱动因素都不一样。
没错。现在确实是个有意思的时期，只有少数几家公司高度集中在软件、高科技等领域。即使是 Tesla，也可以说它的大部分价值都在软件；Nvidia 可能也是如此。我不是 Nvidia 专家，但和懂行的人交流后，我的印象是软件一直是它们非常重要的差异化优势。回头看，不久前的情况完全不一样。大概三年前，我做过一次分析，往前看十年，应该是查看 2013 年的数据。当时市值最大的十家公司合计占市场约 17%，而不是如今大约 30% 的水平。最近我看到的数字是七家公司就占了市场约 30%，而过去十家公司才占 17%，集中度翻了一倍还不止。
而且，2013 年市值最大的十家公司里有 JPMorgan Chase、ExxonMobil、Johnson & Johnson、Microsoft。换句话说，很难想象当时那一组公司表现不佳，经济还能很好；或者说，那些公司表现良好……
组合定位与人工智能研究
……这说明经济有好消息。当然，市场也可以预测经济，不一定是同步发生，但如今的情况确实大不相同：少数公司聚集在一起。我不是要告诉你该买多少 Tesla 或 Nvidia，而是说这应该是投资组合的一部分；投资组合还应有另一部分，而流动性私募股权可以放在那一部分里。
有人会问：“它相对标普 500 表现如何？”但如果这个月大家都讨厌 Tesla，导致它大跌，那我们相对于标普看起来就会像天才。这不是很恰当的比较。对了，你问过组合匹配得有多接近。其实并不那么接近。私募股权每个季度都可以自行决定当季的估值数字。长期来看，风险和回报模式相似：我认为，这类策略的波动率水平、下行波动，在历史上接近私募股权，未来也很可能接近；扣费后的平均回报，历史上和私募股权的平均水平相当，但比不上私募股权的前四分位数。
如果你是能挑中顶尖基金的天才，那就尽管投资顶尖基金。我们只是想提供工具箱里的另一件工具，帮投资者更好地管理投资组合。可是逐季度来看，你不会和私募股权的表现紧密匹配。关键是，市场大涨、私募股权上涨时，你也应该上涨；市场崩盘、私募股权能替你抵挡一部分跌幅时，你也要有相应保护。如果某个季度私募股权涨了 3%，而你跌了 2%，或者反过来，只要长期平均表现相似，就不值得太担心。毕竟私募股权的数字本质上来自人们的估值判断，而不是市场价格，想要季度数据完全一致并不现实。
最后一个小话题。我们刚才谈到标普 500 里排名前七或前十的公司，以及人工智能交易。AI 和新型大语言模型能提供的工具，对金融学术研究意味着什么？你怎样使用它们？对什么最感到兴奋？
我最近和同事 Lauren Cohen 聊到这件事。我们没有亲属关系。他既是出色的学者，也是非常好的人。Lauren 在生成式 AI 出现之前写过一篇很棒的论文。他收集了 10-K 年报里的风险因素章节，用相对传统、简单的机器学习方法比较公司今年和去年披露的内容有没有变化——哪怕只改了一个词也算。当然，之后可以人工检查，确认这不是漏了逗号之类的小差异，而是真正的风险陈述发生了变化。
然后他挑出每年发生变化的一小部分公司，问：“之后这些公司的股票怎么样了？”答案是：这些股票表现很差。只要风险陈述发生任何方向的变化，相关公司平均而言就没有好结果。律师每年都想保持风险陈述不变，因为他们会说：“风险都列全了，没问题，不用改。”如果修改了，很可能是有令人担忧的事情正在逼近。这不代表风险一定会发生，但它严重到律师认为必须修改披露。平均来看，这些公司的结果确实不好。
那是一篇非常出色的论文，而且是在 AI 出现之前用旧技术完成的。光是把这个研究介绍给你，你不觉得下周我们可以一起吃午饭，专门花整整一小时，想想用……
AI 如何改变金融研究
……像 Lauren 这项研究的想法，现在可以用 Claude 来做；在生成式 AI 时代之前，可能需要数千小时的研究助理工作。现在我们坐下来想一个小时，可能就能提出六个很好的想法。显然，现在可以做很多过去难以完成的事。这令人非常兴奋，相关论文也正在不断出现。当然，聪明的量化基金也在内部做这些研究，不发表论文，而是直接利用研究发现进行交易。这彻底改变了游戏规则。
我和一位朋友聊过，他是位出色的学者，现在在一家顶尖量化基金工作。他说，过去自己有了一个想法，就会想：“天哪，我得请一位资历不浅的年轻同事帮忙。他是非常聪明、非常有才华的人，可能有十年经验；我让他整个周末都去跑数据，真不好意思开口。”现在，他只要请 Claude 来做。尽管仍然会满怀感激、觉得有点抱歉，他还是会让 Claude 帮忙，而 Claude 确实能完成，真是不可思议。
当然，如果可以的话，还是应该让人来检查结果，即使要花几百小时也值得。假如你能先提出 50 个想法，让 Claude 找出其中真正可行的 6 个，那么你就可以投入几百小时研究人员的时间，仔细核查这 6 个想法，再据此交易或发表论文，而不是核查全部 50 个。AI 真正改变了游戏规则。
太棒了。Randy，很高兴邀请你做客。我们聊了很多内容。你在私募股权复制方面做着令人兴奋的工作，最近能重新联系也很开心。感谢你来做客。
我也一直很开心。我们很快再聊。好。