【转载】
https://new.qq.com/omn/20220420/20220420A09H0R00.html
量化选股投资理念种类繁多,大致可分为学院派模式、金融科技模式与主动量化模式三大类型。学院派更注重“科”,金融科技派更注重“技”,主动量化派更注重“人”。
1
量化选股起源
学院派模式
20世纪70年代,量化投资鼻祖BGI(Barclays Global Investors)发行了全球首只量化选股产品。凭借其学术背景,BGI的主动和被动产品例如IShares等大获成功,成为全球最大的资产管理公司之一,2009年BGI被贝莱德收购,2008年出版的《Active Portfolio Management》公开了BGI控制风险获取超额收益的数量方法,基于此的多因子选股产品被称之为BGI模式,是量化选股领域的学院派。
1998年,学院派对冲基金AQR成立,将行为金融学引入多因子选股,2005年,Smart Beta 概念兴起,AQR基于因子投资理念构建了收费低廉的指数增强产品,其中价值风格是AQR 主要投资风格。
金融科技模式
代表包括Renaissance、Two Sigma、Worldquant等,采用系统化投资框架,数据驱动的纯定量投资模式。Renaissance以数学和统计为特色,采取了高频统计套利模式,他们认为如果一个交易很有逻辑,那么大概率已经被别人发现了,因此他们敢于交易没有逻辑但统计显著的策略,通过频繁交易创造超额收益;Two sigma以大数据闻名,拥有71+ PB的数据体量和过万的数据源;WorldQuant则专注于因子开发,寻找高质量的交易信号。目前国内大部分量化私募采用了此类投资模式。
主动量化模式
代表包括Blackrock、D. E. Shaw等,其交易频率较低,策略容量高。Blackrock以严谨的系统化方式分析投资基本面,使主动投资更具科学性;D. E. Shaw同样将系统化投资与主动投资结合形成混合策略,例如量化预测可能没有考虑到疫情等黑天鹅事件的影响,混合策略有助于减少预测误差,更具灵活性。
2
国内量化私募发展
2005-2009年萌芽期
2004年量化公募基金光大保德信成立,2006年深圳天马资产管理的深国投·天马发行,但受制于量化工具缺乏、股票数量有限,以分散化投资为特点的量化投资难以施展其优势。
2010 -2014年探索期
2010年4月沪深300股指期货挂牌上市,量化策略开始拥有对冲工具,由于小市值风格的异常强势以及股指期货长期升水,绝对收益量化策略开发难度不大,基于学院派BGI模式的量化策略表现优异,量化私募发展进入小高潮。
2015 -2018年蛰伏期
2014年末,沪深300指数高歌猛进,大市值风格崛起,而大量暴露于小市值风格的量化基金损失惨重,许多成立不久的量化产品面临清盘,2017年量化私募再度面临新的挑战:A 股市场出现了极端的一九分化,期间分散化投资优势荡然无存,量化私募产品表现不尽人意,大量产品面临缩水。在当时的不利环境下,以高频策略和机器学习为特色的金融科技模式成为破局之法,基金规模迅速扩张。
2019年至今的过热期
政策方面量化私募迎来春天,2019年6月,证监会发布公募基金转融通业务指引,不久交易所公告两融标的扩充到1600只,再次丰富融券券源的种类和规模。标的证券的扩容有助于改善股票的流动性和波动率,为T0交易策略提供了更广阔的空间,扩大了配对交易的股票池,进一步丰富了量化交易策略;市场方面,股票分化成和成交量的连续攀升成就了丰厚的ALPHA收益空间。量化私募规模借此契机得以快速扩张,截止2021年年末,百亿量化私募超过100家,量化私募进入万亿时代。
3
量化选股策略收益与风险
表面看,量化选股策略收益主要来自于基本面ALPHA、高频量价ALPHA以及T0交易。但从交易行为来看,上述三种收益均来源于非有效市场中投资者的行为偏差。
中长线投资者的行为偏差如保守性偏差等带来了基本面ALPHA;短线交易者的行为偏差如后悔厌恶等造就了高频ALPHA;交易员的行为偏差以及T+1制度产生了T0收益。
根据行为金融学理论,投资者的行为偏差可分为认知上的偏差和情绪上的偏差。认知上的偏差可以通过学习和训练规避,但情绪偏差无法消除。在主动投资主导的市场中,量化选股策略超额收益可能衰减,但不会消失。
如同价值投资收益存在周期性一样,量化策略ALPHA收益本身也存在周期性。随着投资者结构变化、策略拥挤度提升、市场成熟度提高,量化模型存在失效风险;当市场成交量萎靡、个股走势趋同、风格快速切换时,量化策略面临较高的投资风险。
4
判断量化私募赚钱能力
目前主流量化私募基本采用了不做市场择时、不主动风格择时、超分散持股、机器+人工构建特征、线性+非线性算法特征组合、量化模型不断迭代以及完全程序化交易的基本框架。因此,量化私募筛选需了解更多投资细节,包括量化投资流派、团队合作模式、策略研究能力和投资执行力。
辨别量化投资理念与核心方法论
量化私募主要包括学院派、金融科技派与主动量化派。学院派私募创始人通常有学术背景,公司成立时间通常在2015年之前,学院派私募擅长基于公司金融、行为金融等构建基本面因子,特征组合上其模型更具科学性、稳健性,换仓频率相对较低、策略容量较高;金融科技派通常有海外量化巨头工作经验,在IT基础建设上投入大、擅长人工智能算法、高频数据处理与分析、舆情分析,技术优势突出等;主动量化派通常有主动投资、大势研判经验,量化模型更加工具化,主动量化派在行业内选股具有比较优势,策略更加灵活,能够更快地贴近市场。
了解团队合作模式
量化私募团队合作模式主要包括silo PM制和centralized book制。
silo PM制下基金提供完善的回测平台,研究员负责特征挖掘,投资经理负责特征组合和组合优化,不断的ALPHA积累使得成立时间较长的私募在特征挖掘上具有极强的竞争优势。除此之外,PM制下私募基金合伙人通常具备独立开发策略的能力,除核心PM以外的团队离职率对产品影响较小。
centralized book制下,策略研究采用流水线的方式完成,投研人员分为多个小团队,每一个小团共同负责策略中的一环,该模式更加注重团队内部的合作,策略更加精细化,更加重视机器学习算法和交易算法的创新与迭代,因此在特征组合和算法交易上具备比较优势。
策略研究能力评价
特征挖掘方面,我们可以从数据来源、数据体量和数据增速、特征数量、特征相关性、特征质量等多维度对量化私募进行评价,海外优秀量化基金的数据体量在100TB以上,并保持 10%以上的数据体量增速,TwoSigma达到了70PB的体量。特征组合方面,一般私募通常采用“调包”的形式,而优秀的量化私募具备独立开发特征组合算法的能力。组合优化方面,优秀量化私募具有丰富的风险控制工具,例如因子拥挤度模型等。算法交易方面,规模适中的优秀量化私募的冲击成本可控制在10PB以内。
量化私募通常在特征挖掘、特征组合、组合优化以及算法交易中的某一模块具备竞争优势。在不同市场环境以及不同的投资模式下,各个模块的重要性也不尽相同。例如,当市场有效性极弱时,特征挖掘最为关键,一个好因子通常能带来非常不错的收益风险比;在基金规模不断扩大时,算法交易能够大幅降低不断增长的冲击成本;当策略逐渐低频化时,组合优化的价值凸显;当策略较为拥挤时,风险敞口管理更加重要。
投资执行力评价
量化私募交易频繁,我们需要了解量化私募是否实现了实验环境和生产环境的分离,具备完善的交易指令管理体系;除此之外,量化模型无法考虑到未来所有情况,因此我们需要了解量化私募历史的突发事件应对经验;最后,IT 基础建设支持重要性不言而喻。
整体来看,我们应当优先选择策略一致性、与同类产品相关性低、收益来源多元化、风格约束控制严格、IT 基础建设好、策略迭代能力强的量化私募。建议尽量规避规模过大、短期收益率特别高的产品。
注:以上观点均来源于相关机构公开信息,包括但不仅限于官网、公众号、网络公开媒体报道等,不代表朝阳永续观点,仅供参考。
版权声明:部分文章推送时未能与原作者取得联系。若涉及版权问题,敬请原作者联系我们。