α收益&β收益
量化投资中的 α(收益)和β(收益)最早是从CAPM模型中衍生出来的概念。一个资产投资组合的实际收益率可以用如下回归方程度量:
根据上述公式,可以将资产组合收益率分为两部分:
α收益:由CAPM模型计算得出的因承担系统(市场)风险而获得的收益补偿
α策略&β策略
α策略:
属于主动型投资策略,通过对系统性风险进行度量并将其分离,从而获取超额绝对收益(即收益)的策略组合。实质上,不同策略是在通过在选股、择时、衍生品等方面进行单一或交互的设计来寻找超额收益,方法相对多样。这里举例介绍其中三种:
动量策略:指投资于有价格动量、收益动量或者分析师对收益预期或评级进行调整(动量)等的股票。传统的动量策略是指在一定持有期内,如果某只股票或者某个股票组合在前一段时期表现,那么,下一段时期该股票或者股票组合仍将有良好表现,即动量效应。
可转移策略:在该策略中,投资组合的构建与传统方式相反。投资者不再将资金存放到共同基金,而是选择一个跟踪指数的衍生产品,例如跟踪标准普尔500指数。这些合约使得投资者投到市场中的资金大大减少,让他们能留出多余现金投向共同基金和其他投资工具中,为投资者带来该策略的部分。
多因子选股策略:基于多因子模型(MFM)通过分析各种因子与股票收益率之间的关系建立量化选股体系。影响股票收益的因子按照逻辑通常分为市场风险、行业风险和风格风险三种类型;其中,风格因子又主要分为估值因子、成长因子等十二大类。
多因子模型一般表达式:
策略操作流程大致如下:
α策略:
属于主动型投资策略,通过对系统性风险进行度量并将其分离,从而获取超额绝对收益(即收益)的策略组合。实质上,不同策略是在通过在选股、择时、衍生品等方面进行单一或交互的设计来寻找超额收益,方法相对多样。这里举例介绍其中三种:
动量策略:指投资于有价格动量、收益动量或者分析师对收益预期或评级进行调整(动量)等的股票。传统的动量策略是指在一定持有期内,如果某只股票或者某个股票组合在前一段时期表现,那么,下一段时期该股票或者股票组合仍将有良好表现,即动量效应。
可转移策略:在该策略中,投资组合的构建与传统方式相反。投资者不再将资金存放到共同基金,而是选择一个跟踪指数的衍生产品,例如跟踪标准普尔500指数。这些合约使得投资者投到市场中的资金大大减少,让他们能留出多余现金投向共同基金和其他投资工具中,为投资者带来该策略的部分。
多因子选股策略:基于多因子模型(MFM)通过分析各种因子与股票收益率之间的关系建立量化选股体系。影响股票收益的因子按照逻辑通常分为市场风险、行业风险和风格风险三种类型;其中,风格因子又主要分为估值因子、成长因子等十二大类。
多因子模型一般表达式:
策略操作流程大致如下:
β策略:
属于被动跟踪市场指数的策略。要依靠把握市场大势来获得市场收益(即收益),注重选时,稳健的投资者更适合策略。市场上常见的择时策略有趋势择时、市场情绪择时、SWARCH择时、牛熊线择时等,这里举例介绍其中三种:
Hurst指数择时:Hurst指数是分形理论在趋势判断中的应用,分形市场理论认为,资本市场是由大量具有不同投资期限的投资者组成的,且信息对不同投资者的交易周期有着不同的影响。利用Hurst指数可以将市场的转折点判断出来,从而实现择时。
相位指标择时:相位指标是一个短线择时指标,即在同步指标的基础上构造一个领先指标。在处理指数时先把长期趋势剥离掉,所以相位指标只能对指数短期波动涨跌进行判断,在波段交易的短线择时中运用较多。
牛熊线择时:将大盘的走势划分为两根线,一根为牛线,一根为熊线。在牛熊线之间时大盘不具备方向性,如果突破牛线,则可以认为是一波大的上涨趋势的到来;如果突破熊线,则可以认为是一波大的下跌趋势到来。
α策略——多因子选股模型
多因子模型一般表达式:
多因子模型本质是将对股票的收益-风险预测转变成对于因子的收益-风险预测,将估算个股收益率的协方差阵转化为估算因子收益率的协方差阵,极大地降低了预测工作量,提高了准确度。
(一)因子分类
主要的风格因子暂时分为十二大类:估值因子(Value Factor)、成长因子(Growth Factor)、 财务质量因子(Financial Quality Factor)、杠杆因子(Leverage Factor)、规模因子(Size Factor)、动量因子(Momentum Factor)、波动率因子(Volatility Factor)、换手率因子 (Turnover Factor)、改进的动量因子(Modified Momentum Factor)、分析师情绪因子 (Sentiment Factor)、股东因子(Shareholder Factor)和技术因子(Technical Factor)。
(二)多因子模型构建流程
三)度量因子回报
因子回报即运用股票的超额收益来度量因子的有效性及重要程度。度量方法主要有两种:回归法以及排序法。
回归法将因子的取值(风险暴露)与下期股票收益进行线性回归分析,并以回归得到的因子系数作为该因子的回报。排序法将股票按照在单个因子上暴露值的大小进行排序,然后构造投资组合,计算平均收益率,在每个月的月末进行调整。
(四)如何评价因子的好坏?
一般而言,一个好的因子应当具有较高的IC信息系数绝对值,较高额IR信息比,较高的组合胜率,较高的组合收益率,以及较低的换手率。下面逐一分析各指标的含义。
(1) 因子IC (信息系数) :即每个时点因子在各个股票的暴露值与各股票下期回报的相关系数。IC为正表示该因子与股票的未来收益有正相关关系,应该做多因子暴露值高的股票,反之若IC为负表示该因子与股票的未来收益负相关,则应该做空因子暴露值高的股票。
(2) 因子IR (信息比) :即依据该因子选择的投资组合在样本期间的平均年化收益与年化平均标准差的比值,IR 的绝对值越高,表面该因子在优选个股的收益上效果越好,若IR为正,则代表应该超配因子暴露值高的股票,反之若IR为负,则应该超配因子暴露值低的股票。
(3) 胜率:用于衡量该技术指标因子是否在多数时间内能够获得正收益。胜率越高,说明该因子的效果越好。
(4) 年化收益率:包括因子月平均收益和因子滚动12个月累计收益,用于衡量该技术指标因子是否具有稳定且可持续收益。此处分别考察多空组合和多头组合的收益率。
(5) 换手率:即每个月末投资组合中被更换的股票所占原股票的比例。由于更换投资组合会产生手续费及冲击成本,因子的换手率应在保证收益率的前提下尽量低。
(五)因子参考:
(1) 国泰君安金工刘富兵团队《基于短周期价量特征的多因子选股体系——数量化专题之九十三》
(2)WorldQuant101Alphas因子函数使用说明
(3)广发证券《技术因子海量挖掘》
参考文献:
《华泰证券——多因子系列之一:华泰多因子模型体系初探》
《广发证券——多因子Alpha系列报告之(二十一)——ALPHA因子何处寻觅-掘金海量技术指标》
《国泰君安——基于短周期价量特征的多因子选股体系——数量化专题之九十三》
-----------------------------------------------------------
推荐阅读: