基金量化选择策略(基金量化投资工具)
内容导航:
Q1:量化策略在基金中是什么意思?
是基金的一种名称
Q2:如何选择量化对冲基金
选择对冲基金,考虑的是以下这些风险指标,事实上,从绝对收益来看,可能包含着多种信息,我们需要穿过业绩迷雾,把最有价值的信息提炼出来,才能做出一个科学的选择。
一、收益波动率最小的产品,才是首选产品
收益波动率是对收益变化幅度的测量。收益的波动率越大,说明基金承担的风险越大。
我们不可盲目地去追买收益率最高的产品,因为当大盘下跌时,也许这个收益率奇高的基金往往会以更快的速度下跌,下跌的幅度比其业绩比较基准可能大很多。投资者如果投资这种基金将会承担比较高的风险。原因在于,在投资者需要资金而被迫赎回产品份额时,高波动率的产品意味着有较大的可能会以亏损“割肉”方式赎回。
二、回撤最小的产品,才是最佳产品。
最大回撤表示一只产品在一段时间内资产净值最大的下跌百分比。
这个指标的含义是这样的:在选定周期内任一历史时点往后推,产品净值走到最低点时的收益率回撤幅度的最大值。最大回撤用来描述买入产品后可能出现的最糟糕的情况。最大回撤是一个重要的风险指标,对于对冲基金和数量化策略交易,该指标比波动率还重要。
不管怎么定义,至少这两点是目前的主流认识:
1.最大回撤越小越好;
2.回撤和风险成正比,回撤越大,风险越大,回撤越小,风险越小
三、夏普比率比较高的产品,才是最靠谱产品
夏普比率是由斯坦福大学的金融学教授William F.Sharpe于1966年发明,主要用于衡量共同基金的收益表现。目前已成为国际上用以衡量基金绩效表现的最为常用的一个标准化指标。
夏普比率的计算方法为用每期的平均回报减去无风险回报率得到的差,再除以收益回报的标准差。它反映了单位风险基金净值增长率超过无风险收益率的程度。如果夏普比率为正值,说明在衡量期内基金的平均净值增长率超过了无风险利率,在以同期银行存款利率作为无风险利率的情况下,说明投资基金比银行存款要好。而夏普比率越高,说明基金单位风险所获得的风险回报越高。
而无论是在国内还是国外,长期来看,比如至少一年期限,能实现靠谱比率超过2的投资业绩,可持续性很高,难度也很大。投资者应该密切关注,这类能长期实现靠谱比率超过2的基金;我们不建议投资者投资任何靠谱比率低于0.5的基金。
Q3:量化基金怎么选
由于量化策略都是保密的,只能从业绩好的选
Q4:量化基金的投资策略
量化投资技术几乎覆盖了投资的全过程,包括量化选股、量化择时、股指期货套利、商品期货套利、统计套利、算法交易,资产配置,风险控制等。
1、量化选股
量化选股就是采用数量的方法判断某个公司是否值得买入的行为。根据某个方法,如果该公司满足了该方法的条件,则放入股票池,如果不满足,则从股票池中剔除。量化选股的方法有很多种,总的来说,可以分为公司估值法、趋势法和资金法三大类
2、量化择时
股市的可预测性问题与有效市场假说密切相关。如果有效市场理论或有效市场假说成立,股票价格充分反映了所有相关的信息,价格变化服从随机游走,股票价格的预测则毫无意义。众多的研究发现我国股市的指数收益中,存在经典线性相关之外的非线性相关,从而拒绝了随机游走的假设,指出股价的波动不是完全随机的,它貌似随机、杂乱,但在其复杂表面的背后,却隐藏着确定性的机制,因此存在可预测成分。
3、股指期货套利
股指期货套利是指利用股指期货市场存在的不合理价格,同时参与股指期货与股票现货市场交易,或者同时进行不同期限,不同(但相近)类别股票指数合约交易,以赚取差价的行为,股指期货套利主要分为期现套利和跨期套利两种。股指期货套利的研究主要包括现货构建、套利定价、保证金管理、冲击成本、成分股调整等内容。
4、商品期货套利
商品期货套利盈利的逻辑原理是基于以下几个方面 :(1)相关商品在不同地点、不同时间对应都有一个合理的价格差价。(2)由于价格的波动性,价格差价经常出现不合理。(3)不合理必然要回到合理。(4)不合理回到合理的这部分价格区间就是盈利区间。
5、统计套利
有别于无风险套利,统计套利是利用证券价格的历史统计规律进行套利,是一种风险套利,其风险在于这种历史统计规律在未来一段时间内是否继续存在。统计套利在方法上可以分为两类,一类是利用股票的收益率序列建模,目标是在组合的β值等于零的前提下实现alpha 收益,我们称之为β中性策略;另一类是利用股票的价格序列的协整关系建模,我们称之为协整策略。
6、期权套利
期权套利交易是指同时买进卖出同一相关期货但不同敲定价格或不同到期月份的看涨或看跌期权合约,希望在日后对冲交易部位或履约时获利的交易。期权套利的交易策略和方式多种多样,是多种相关期权交易的组合,具体包括:水平套利、垂直套利、转换套利、反向转换套利、跨式套利、蝶式套利、飞鹰式套利等。
7、算法交易
算法交易又被称为自动交易、黑盒交易或者机器交易,它指的是通过使用计算机程序来发出交易指令。在交易中,程序可以决定的范围包括交易时间的选择、交易的价格、甚至可以包括最后需要成交的证券数量。根据各个算法交易中算法的主动程度不同,可以把不同算法交易分为被动型算法交易、主动型算法交易、综合型算法交易三大类。
8、资产配置
资产配置是指资产类别选择,投资组合中各类资产的适当配置以及对这些混合资产进行实时管理。量化投资管理将传统投资组合理论与量化分析技术的结合,极大地丰富了资产配置的内涵,形成了现代资产配置理论的基本框架。它突破了传统积极型投资和指数型投资的局限,将投资方法建立在对各种资产类股票公开数据的统计分析上,通过比较不同资产类的统计特征,建立数学模型,进而确定组合资产的配置目标和分配比例。
Q5:目前对量化投资非常感兴趣 所以想请教下各位大神
模型仅仅是方法论,不是说模型本身能解决投资问题.
模型能否有效,主要还是看你的模型背后的逻辑思路是否有效.
你去看看:经济学(曼昆)金融学(博迪);金融工程(约翰希尔);在学学量子力学、计算机编程+你的本行(实变函数、复变函数、测度论、鞅、随机过程等等)。
你的数学基础会派上用途的,前途路漫漫,加油吧!
Q6:以股票多头私募基金为例:私募FOF投资如何玩
1. 风格捕捉与投资决策
自2014年私募基金登记备案制度实行以来,我国私募基金行业发展迅速,目前已经进入到规范化、制度化发展阶段。如果说2014年~2015年是制度规则密集出台的“起步规范年”,那么2015年至今可谓风生水起的“FOF投资年”。据统计,2015年在上半年行情的推动下,私募FOF市场迎来大爆发,全年私募FOF产品发行数量达到836只,几乎是2014年的5倍。2016年,私募FOF发行数量增长趋势仍在延续,但增长通道趋于平稳。我们估算,当前市场上存续的私募FOF初始规模超1500亿元,FOF投资的方法论成为市场追捧热点。
私募FOF长期稳健的资本增值需要通过合理的资产配置和有效的组合来实现,相对完整的路径是:大类资产配置——>类别资产的选择——>具体资产的挑选,同时还包括根据市场环境变化进行的动态配置。风格捕捉在私募FOF投资链条上可充当多个角色:在类别资产选择阶段可以作为风格轮动策略具体实施的参考依据,在具体资产挑选阶段有助于更准确地评价基金业绩,在动态配置阶段可以监测标的基金风格变动情况从而及时做出调整,有效降低了选择成本。
若抛开私募FOF复杂的流程形式不谈,对私募基金投资个体而言,风格捕捉在直观上也有助投资决策的确定。由于不同风格类型的标的基金在相同市场环境下的表现有差异,风险收益特征不同,因此对标的基金及时的风格捕捉有利于根据投资者不同的风险偏好与需求选择相应的标的基金。另外,在一定时间段业绩较好的基金,基本都是切合当下基础市场行情市场风格的产品,因此对全市场基金产品的风格捕捉或许可以从一定程度上帮助判断当前市场风格走势。
本文对风格捕捉方法在投资决策上的应用进行了探讨。感谢吴昱璐同学对本文的贡献。
2. 模型构建与因子选取
2.1. 模型选择
对基金投资风格的研究方法主要有基于持仓的分析方法和基于净值收益的分析方法两种。其中,基于持仓的分析方法穿透至底层、搭建了基于持仓数据的横截面统计模型和多期叠加模型,准确性较高。但由于私募基金的信息获取存在一定限制,无法获得高频率的具体持仓信息,因此本文选用基于净值收益的分析方法。
基于净值收益的分析方法较多,典型的有Sharpe资产分类因子模型、Fama-French三因素模型、Carhart四因素模型等。Sharpe模型将基金的历史收益与风格资产收益联系起来,根据基金的收益率对各类风格资产的暴露度来判断基金的风格。Fama-French三因素模型以市场风险溢价因子、市值因子和账面市值比因子来解释基金获得的超额收益。Carhart四因素模型在Fama-French三因素模型的基础上,增加了动量因子。
上述方法具有相似的一般形式,即多因子模型,但在具体的因子选择和可得到的统计结论上各有侧重。Fama-French三因素模型和Carhart四因素模型对风格判定的维度侧重于规模风格、成长风格、动量风格。而Sharpe模型通过对风格资产的切分、可从更个性化的多个维度考察基金风格,通过对各类风格资产的敏感度来判断产品风格较为直观。因此本文选择Sharpe模型对私募基金产品进行风格捕捉。
Sharpe资产分类因子模型的一般表达式为:
其中,R_i表示私募基金i的收益率;因子F_i表示各种类别资产的收益率;其系数b_ij表示私募产品i的收益率对各风格资产j的敏感度,而ε_i代表私募基金i的非因子收益部分,包括了基金经理的主动管理alpha和残差项等在内。按照Sharpe的说法,模型表明基金收益率由风格收益和选择收益两个关键部分组成。
2.2 因子选取与风格界定
Sharpe资产分类因子模型要求类别资产(也即风格因子)满足三个条件:互斥性、全面性、收益差异性。具体而言,任何一个底层证券不应被同时纳入多个类别资产;应将尽可能多的证券纳入所选资产类别;类别资产间或是相关度较低,或是有不同的标准差。由于类别资产构成往往会更替,一定程度上会引起私募基金收益率和风格收益率的偏差。
本文重点探讨风格研究以后的应用问题,因此选择最简单的规模维度做示例:大盘因子、中盘因子、小盘因子。具体应用中使用申万大盘指数、申万中盘指数、申万小盘指数分别作为大盘、中盘、小盘三种风格资产组合,这样的类别资产划分满足三条件的互斥性和收益差异性,但在全面性上存在一定缺陷。Sharpe在1992年的论文中采用了价值股票、成长股票、中等规模股票、小规模股票、欧洲股票、日本股票等12个类别资产做风格探讨。
本文以40天为一个回归周期,通过对回归后的风格因子系数设定一个阈值来判定基金在该段时间内的风格类型。在回归结果拟合度较高的基础上,若某一风格因子系数大于或等于0.5,则判定基金在该周期内为此类风格;若系数均小于0.5,则认为该基金无明显风格,较为均衡。
3. 数据选取与清洗
本文选取私募排排数据库内净值披露频率为天,且净值数据不少于41个的股票多头私募基金作为样本,共计937只。考察期为2016年1月4日至2017年3月31日,以40天为一个回归周期按天进行滚动回归,即每天都将得到一个风格判定。
数据清理过程中涉及以下几点:
(1)考虑到存在数据缺失问题,在提取初始数据时,若该工作日无数据,则选取前10日内最靠近该日的净值数据作为该日数据,若前10日内均无数据,则标记为无数据。
(2)对于每只基金,回归将从考察期内净值披露的首日后40日算起,该日前所有日期标记为无风格数据。
(3)若40天的回归期内有超过5天无净值数据,则不进行回归,即无风格数据。若符合回归要求,则对缺失数据进行插值处理。
4. 股票多头私募全貌:持续显著个体不及一成
本文对符合条件的937只股票多头私募基金在2016年1月4日至2017年3月31日内的日收益率进行以40天为周期的滚动回归,每只基金共计264次回归。经过检验后,据上述风格界定方法判断基金每日相对应风格类型。
在所有937只基金中,共有310只产品有至少一次拟合度符合条件的回归结果,约占所有基金的33.1%。在这310只产品中,符合拟合度要求的回归结果占比低于50%的有252只基金,约占81.3%;符合拟合度要求的显著回归结果占比高于50%的有58只,约占18.7%,其中有两只基金的所有回归结果均符合拟合度要求。
结果表明,多数股票多头私募基金的风格特征无法通过显著性检验,我们理解原因主要有:
一是私募基金仓位设定灵活,在建仓期、风险规避期、策略调整期、多策略分散期、人员调整期都有可能低仓位运行,而产品的存续期限往往是1年~3年,因此在较长的时期(如40个交易日内)持续八成仓位及以上的情况较少,影响了模型的有效性。
二是私募基金投资风格多变,除了少数持续深耕优势行业的私募基金以外,多数私募基金从历史投资周期看均经历过全市场、全行业的投资,随风而动与守株待兔型的风格切换实属常态。另外,如果基金经理在行业和市值风格上持续保持分散,也会导致风格判定的失败。
三是量化交易理念的普及一定程度上扩大了私募基金选股的风格面,其中择时模型和行业轮动模型往往会提升私募基金换手率,加速私募基金仓位和选股的切换。量化交易信号往往随市而动,会减少持续的风格暴露。
由于未通过检验的分析结果不具备统计意义,我们重点探讨如何利用显著性的风格结果辅助私募基金FOF投资。
5. 玩转风格捕捉,辅助私募FOF投资
5.1. 单产品风格漂移监测
风格漂移是私募FOF投资关切的重点之一,高低风险品种的切换、策略重心和集中度的改变等都会造成私募实盘中的风格漂移。对于股票多头私募基金的投资而言,在无法获得高频持仓信息的情况下(往往是投前,投后也常如此),基于净值的风格监测记录了产品的投资轨迹、可作为投资经理所宣称策略的重要印证。对于同一公司管理的多个股票多头产品,风格监测可侧面反映私募基金投资决策会是否有效达成了一致结论、产品间是否有效控制了差异度。某种程度上,后者也反映了私募是否公平对待各类投资者。
从单产品来看,回归结果最直观显示的是该产品在观察期内的风格变化情况,从而能够对产品风格漂移进行监测,反映该产品是否有投资策略的变化。
在通过显著性检验的观察样本中,我们发现某私募基金公司旗下几乎所有的股票多头产品都表现出了相似的风格轨迹:2016年7月份以前,该私募旗下股票多头产品明显偏向大盘风格,而2016年8月份以后,旗下股票多头产品风格逐步向中小盘倾斜,2017年初以来,大市值偏好再度提升。
我们认为,同策略产品净值走势的趋同、风格轨迹的趋同可帮助私募FOF在投资中有效识别纯平台型或投资管理不集中的私募基金,当然,若产品处于截然不同的投资周期例外。
5.2. 从产品风格统计看市场风格倾向
从全市场基金产品的维度看,通过对当前有明显风格表现的基金数量分别进行统计,可以判断当前市场风格倾向。
理论上,全市场股票多头私募基金的风格倾向表明了其当前的配置情况,进一步,隐含了私募基金对市场的看法与预期。作为二级市场的重量级参与者,这种风格倾向或将为投资提供一定参考。然而,如前所述,2016年以来,绝大多数股票多头私募基金的市值风格并不明显,仅基于显著小群体的风格统计极有可能偏离行业的真实看法。
由于经过回归后显著表现出风格属性的私募基金产品个数有限,我们仅陈述结果,而不讨论意义。从百分比堆积图看,2016年以来,显著样本对市场的风格倾向逐步由大盘转向中小盘。
5.3. 寻找风格胜率较高的单产品
传统上,我们以各类绩效指标衡量私募基金的业绩表现,典型的如收益率、最大回撤、波动率、夏普比率等。对于股票多头而言,风格的成功切换可侧面验证择时择股逻辑的有效性,可考虑成为绩效评价的维度之一。
风格胜率指在一定观察期内产品风格与市场风格相符的比例。
大多数产品的风格胜率在10%以下,胜率大于10%小于等于30%的有95只,另外有16只基金产品风格胜率大于30%,最高达40.53%。当然,我们此处统计考虑的是基于历史数据计算的风格与当前风格资产表现之间的关系,更为合理的做法可能是基于历史数据计算风格与未来一段时间风格资产表现计算胜率。
5.4. 配置风格资产可以获得预期效果吗?
在对产品以及市场风格进行观测的基础上,更进一步,可以在选取当前市场中符合投资者风格偏好的产品以后,观测未来产品的表现是否与市场风格走势一致。但是由于基金产品风格切换频率较高或持仓变化较快,我们认为该模型存在一定局限性,无法准确判断产品未来风格走势。
我们发现,对不同的考察期运用该模型会得到不同的结果。本文选取风格资产组合走势同向和分化阶段两种典型情况分别观察,走势分化阶段以2016年11月17日至2016年12月1日为例。走势同向阶段以2017年1月16日至2017年2月17日为例。
在2016年11月17日至2016年12月1日阶段,大盘与中小盘指数走势出现明显分化,大盘指数持续走高,中小盘指数基本持平。统计该阶段显示为大盘和小盘风格的产品收益率,大盘风格收益率从普遍高于小盘风格收益率,且小盘风格产品收益率均小于零,与指数走势一致。
在2017年1月16日至2017年2月17日阶段,大盘与中小盘指数走势基本相同,小盘指数收益率相对最高,大盘指数收益率相对最低。统计该阶段显示为大盘和小盘风格的产品收益率,发现大盘风格产品收益率普遍高于小盘风格产品收益率,与市场风格走势相悖。
5.5观测单产品的风格追踪误差
Sharpe曾提出,在尽可能描绘基金的风格全貌以后,可以考虑搭建一条模拟的风格基准,观测产品未来表现相对风格基准的偏离。但我们认为,私募基金追求的是更为宽泛的投资理念与绝对收益的实现,本身极少考虑对模拟的风格基准的追踪问题,因此我们此处不讨论这一话题,仅作为开阔思路提出。
6.总结
综上所述,将Sharpe资产分类因子模型应用于股票多头私募基金、辅助FOF投资,目前较为可行的用法是监测单产品风格漂移,在观测市场风格倾向方面面临可用样本占比过低的问题、在寻找风格胜率较高的产品方面可能面临方法缺陷对结果的扰动、在配置风格资产方面可能面临追踪误差较大的风险。我们将持续关注完善基于风格捕捉的私募FOF投资改进。
此外,就数量模型本身而言,由于R^2仅能反映模型对整个回归周期的拟合度,而无法显示周期内模型估计值偏离程度的走势,因此当回归周期末模型估计值偏离程度较高时,对未来风格趋势的判断可能存在偏差。
Q7:什么是量化投资?
《量化投资:策略与技术(修订版)》是国内少有的有关量化投资策略的著作。首先,介绍了量化投资大师西蒙斯的传奇故事(连续20年,每年赚60%)。然后,用60多个案例介绍了量化投资的各个方面的内容,主要分为策略篇与理论篇两部分。策略篇主要包括:量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易和资产配置等。理论篇主要包括:人工智能、数据挖掘、小波分析、支持向量机、分形理论、随机过程及IT技术等。最后介绍了作者开发的D—Alpha量化对冲交易系统,该系统全球市场验证显示具有长期稳健的收益率。
本文由锦鲤发布,不代表本站立场,转载联系作者并注明出处:/showinfo-3-60118-0.html