量化策略：理念、策略架构与交易

【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。