一、量化投资&主动投资 量化投资是通过统计手段发现历史数据的规律，并基于此进行交易的投资方式，需要注意的是： 1) 规律是大样本的统计规律，样本数量必须足够多。因此量化策略在市场择时和主题投资上的作用有限，因为能使用的样本数量少或者根本就没有历史样本可参考，另外量化策略做的组合股票数量通常会比较多，也是为了保证统计规律的大样本实现。 2) 统计规律背后必须有投资逻辑支持。按照这一原则可以降低历史数据过度挖掘的可能，提高统计规律在样本外适用的可能性。但不可否认的是，量化研究并非都是从一个理论或逻辑出发，然后拿真实数据验证得到一个结果，很多情况下是先从数据中发现了一个规律，然后再从经济意义层面去解释它，解释的力度并不一定很强。因此这个原则在实际运用中会面临个人不同判断尺度的问题。 3) 规律大部分时间会延续，多策略分散失效风险。认为市场未来会完全重复历史和认为市场每天都有新变化的观点都很极端，量化投资采用滚动窗口（例如：一直使用最近两年的数据）的方式跟踪市场规律的变化，从测试结果看，大部分时间历史规律还是会延续，但也有少数突变的时候，模型会失效，因此有必要构建低相关性的多策略组合，减小单个策略的权重，让策略失效时点在时间轴上尽可能分布均匀，降低整个组合风险。 图1：量化投资与主动投资的对比
二、量化专注选股 1.择时收益高难度大 择时，顾名思义，就是在市场低位买入股票，在市场高位卖出股票，从而获得高于市场平均水平的收益率。择时对投资收益的贡献最为直接，对投资者极具诱惑性，学术界也对投资者的择时能力做过充分研究，但绝大多数研究发现，择时没有为投资者创造额外价值，甚至会贡献负收益（参考下图 Woodsford 收集的主流学术期刊上的文献）。 图2：投资者的择时能力研究 数据来源：Woodsford Meta Analysis, 东方证券研究所 诺奖得主William Sharpe认为，择时很难创造价值主要有两方面的原因，一是长期来看，股市大概率是上涨的，如果你择时的准确率还不如股市自然状态下向上的概率，那么你的择时将是徒劳的，另一个原因是，踏空给投资者带来的损失很可能大于逃顶带来的收益，满仓踏空对管理人的压力明显大于跟市场一起下行，对公募基金尤其如此。他在一篇学术论文中提出，要想在择时的游戏中占得便宜，预测者需要至少达到74%的准确率，长期来看，达到如此高的准确率十分困难。最近几年，虽然A股大盘表现一般，但对于投资者更偏好的中小市值成长股，却是收益殷实的牛市行情，按照上面的逻辑类推，要想通过择时获益，也要求极高的预测准确率。 2.股票型基金业绩主要来自于选股 为了考察择时对国内股票型基金的收益贡献，我们采用扩展的HM模型（Henriksson and Merton, 1981; Fama and French, 1993 ）对2010年12月31日前成立的374只普通股票型基金和偏股混合型基金进行了分析。 我们统计了所有的基金（2010年12月31日前成立的374只普通股票型基金和偏股混合型基金）和期间业绩最好的37只基金的估计参数显著性，发现： 1) 374只权益类基金里，择时贡献了显著正收益的只有7.49%，4.01%的基金择时贡献了显著负收益。业绩前10%的基金里，没有一只产品通过择时获得了显著正收益，倒是有5.41%的产品择时贡献了负收益。由此可见在A股的择时难度之大。 2) 权益类基金明显偏好小市值和成长风格股票，这在业绩前10%的基金里，表现更为明显。 3) 剔除择时和风格选择的影响后，全部权益类基金里面只有5.88%的产品展现了显著额外选股能力，业绩最好的10%基金里，这个比例也只有8.11%。这并不是说基金经理的选股能力差，而是最近几年A股的风格特征太强，不论是量化还是主动投资，通过选股战胜市场风格的难度很高。另外，强劲的市场风格给投资管理人带来了非常“廉价”而且充裕的超额收益，在此基础上挖掘额外alpha的动力不大。 图3：权益类公募基金业绩归因 数据来源：东方证券研究所 & Wind 资讯 三、选股指标中性化处理后效果更好 在量化选股中，我们一般采用某些指标来度量股票的好坏，比如股票过去一个月的收益率或者平均换手率等，我们一般称这样的指标为选股因子或alpha因子，但是，要面临的一个问题是，有些选股因子在不同的行业或者大票小票中的可比性差，典型的是EP这样的估值类因子和月均换手率这样和市值高度相关的因子，显然，不同行业的股票估值相差很大，大市值股票的换手率普遍小于小市值股票的换手。 为了解决不同行业和市值范围内股票的可比性问题，同时也为了让因子选出来的股票更加分散，我们建议投资者在使用选股因子前先进行行业和市值的风格中性化处理，具体做法如下： 在每个时间截面上利用所有股票的数据回归一下方程： 其中，Fi为股票i的aphla因子，MktVali为股票i的总市值，indj,i为行业虚拟变量（中信一级），我们以上述回归方程的残差项作为原alpha因子在风格中性下的代理变量。 我们以EP（扣非后TTM净利润/总市值）、净利润季度同比增长率和月均换手率这三个因子为例来说明风格中性处理前后因子的表现差异，具体做法如下。在每月月底根据因子原始值大小将全市场的股票（剔除新股和ST）分为10组，每组内的组合等权构建组合，每月调仓，计算各个分组组合的年化超额收益率（相对全市场等权组合），同样的方法计算风格中性后的因子各分组的表现，比较风格中性化前后因子的表现。样本区间：20051230-20161130。 图4：中性化处理前后因子表现对比 EP（扣非后TTM净利润/总市值） 净利润季度同比增长率 月均换手率 数据来源：东方证券研究所 & Wind 资讯 可以看到中性化处理后，不同组股票超额收益大小的单调性更加明显，也就是说选股因子中性处理后对股票未来收益高低的排序能力越强。中性化处理方法对估值、财务类指标的选股效果改善十分明显，对技术类指标的改进相对有限，部分和市值高度相关的指标（例如流动性因子）做中性化处理后选股能力会变弱。 四、市值之外的aphla 主动量化基金近年来发展迅速，而且业绩亮眼，尤其近三年主动量化基金业绩排名稳定在同类基金前30%左右，总体成绩较为喜人。但如果看那些绩优量化基金的持仓，会发现持仓股票市值明显偏小，甚至会有不少全市场市值最小的股票，而最近几年A股的市值效应又很强，因此会给人造成量化产品靠市值效应赚钱的错觉。 图5：量化基金业绩排名分位数 图6：量化投资中常见的alpha因子
图7：常见alpha因子表现（风格中性，20051230-20161130）
数据来源：东方证券研究所 & Wind 资讯 由于量化是基于近期市场的统计规律做出投资决策，而近几年市场就是小盘股强势，因此量化策略选出的股票整体偏小盘是必然的结果，但除去市值外，A股还有很多可以挖掘的alpha来源。如图6所示，目前A股市场量化选股中常见的有效alpha因子主要有这几类： 1) 估值类因子，当前估值水平较低的股票，后期表现普遍较好，这里我们选取了股票的PB、PE、PS和PCF的倒数（之所以取倒数是为了使PB、PE、PS、PCF为负数时也能保持因子的单调性有意义）； 2) 流动性因子，当前流动性差的股票后期平均收益率更高，我们从过去一个月的日均换手率、ILLIQ非流动性指标（一个亿的资金量造成的股价涨跌幅）、和股票流通市值的自然对数三个维度的因子度量股票的流动性； 3) 技术反转类，过去一段时间内表现较差的股票，后期大概率表现较好，我们通过过去1个月的收益率、3个月的收益率和乒乓球反转因子（过去5日均价与过去60日均价之比）衡量股票过去一段时间的表现； 4) 其他。这里主要指特异度和特质波动率，主要用来衡量股票在过去一段时间表现是否能被市场“看懂”，越看不懂的股票说明突发性事件、炒作因素较多，未来翻转的概率大。指标的具体定义可参考我们前期的专题报告。 我们通常用两个维度来度量选股因子的选股能力，即RankIC和多空组合收益： 1) RankIC。RankIC为当前的因子取值和股票次月收益率的秩相关系数。RankIC的绝对值越大说明因子选股的效果越好，IC_IR为每月RankIC的均值除以标准差，相当于风险调整后RankIC，用来度量因子选股能力在时间上的稳健性。 2) 多空组合。每月月底做多因子数值最大的1/10股票构成的等权组合，同时做空因子数值最小的1/10股票的等权组合。选股能力优秀的因子，其多空组合应该具备长期稳健的收益。 图6提到的选股因子在做风险中性化处理后，分组股票超额情况如下图8所示。总体而言，技术类指标的选股能力强于基本面指标，这可能和A股散户占比大，换手率高的因素有关。 图8：alpha因子分组超额收益（相对市值等权，20051230-20161130）
数据来源：东方证券研究所 & Wind 资讯 五、不追市场热点 A股市场目前尚不成熟，散户交易占比较高，近期机构散户化也比较严重，另外，过去这些年A股市场资金充沛但优良标的较少，等多种原因导致A股市场对信息过度反应，对于热点股票，尤其如此。热点股票，市场关注度高，大量资金涌入导致其高估，导致后期收益率相对较低，相反，前期表现很一般的冷门股后期表现显得惊人。 一般热点股票均表现出换手率高、涨幅较大和特异性较强等特点，但第四章中的因子检验结果展示，流动性差、前期涨幅小、特异性弱的股票表现反而更好，相反，流动性好、前期涨幅过大以及特立独行的股票后期一般表现较差，甚至大幅跑输市场。 第四章的因子检验的股票持有期是一个月，为了验证不同形成期和持有期下A股市场的反转效应，我们采用了Jegadeesh，Titman（1993）的做法，具体为：在样本内，根据股票过去J周（考察期）的收益率，将全市场的股票（剔除新股和ST）分为10组（前期收益最小的组合为loser组合，前期收益率最大的组合为winner组合），持有K周（持有期），滚动调仓，考察做多loser组合、做空winner组合的多空组合的年化收益率和t统计量。 观察不同考察期和持有期的loser、winner多空组合的表现，我们发现A是市场的反转效应普遍存在于各个考察期和持有周期上，前期涨幅较大的股票后期表现相对较差，这也提醒了各位投资者：追逐前期涨幅较大的热点股票其实并不是明智的选择。 需要补充说明的是，图9的考察期和持有期最短是一周，如果进一步缩短到“日”，A股是存在1-2个交易日的动量效应的，但这种频繁进出对机构投资者而言操作难度较大，可以作为一个短线增强策略。 图9：考察期J周持有K周的多空组合年化收益
六、上市公司公告与分析师研报的价值 上市公司公告与分析师研报是主动投资经理最主要的信息来源，不过我们通过量化方法，实证发现这两者里的利好信息只适合用做上市公司长期投资价值的判断，不适合用作短线交易性机会的判断依据，倒是其中的利空消息可以帮助投资者短线排险。 以业绩预增事件为例，2006.01.01-2015.12.31期间上市公司共发布了11656份业绩预增预告，如果以预告发布日为事件日（图10和图11横轴的零点处），考察所有股票在事件日前一个月和后三个月每天相对中证全指的超额收益，做简单算术平均再累加则得到图10中的黑色虚线部分，业绩预增的股票在时间日前后相对市场都获得了非常稳健的超额收益。但是发布业绩预增的公司更多集中在成长性行业和小市值公司中，黑色虚线显示的超额收益中有很多是行业和市场风格偏好带来的，如果把超额收益中行业效应和市值效应的影响剔除（例如，用个股收益减去同行业里市值接近的几只股票的收益率平均值），会得到图10的红色实线。可以看到业绩预增事件的超额收益几乎完全来自于行业和市值效应，事件本身几乎不贡献任何alpha。如果只考察利润同比变动幅度下限大于等于50%的业绩预告，结论也一样，公告后事件不能带来任何额外alpha，事件的alpha几乎都在公告发布前反应完。 与此结果类似的还有业绩快报超预期（和分析师的一致预期数据相比）、年报超预期、分析师大幅上调盈利预测，年报大幅超预期的股票甚至会出现公告后见光死的现象。 与上述利好信息效果形成鲜明对比的是A股市场对利空消息的反应，由于A股没有做空机制，市场对利空消息的反应是长期缓慢的，如图16-图19所示，发布利空消息的股票在公告前后都明显跑输同行业同等市值的股票，利空事件可以帮助投资者对手中持有的个股进行短线筛查。 图10：业绩预增策略公告日前后个股累积收益
图11：业绩预增策略（筛选后）公告日前后个股累积收益
图12：业绩快报超预期事件公告日前后个股累积收益
图13：分析师大幅上调盈利预测事件日前后个股累积收益
图14：年报超预期事件日前后个股累积收益
图15：年报大幅超预期事件日前后个股累积收益
图16：业绩快报低于预期事件公告日前后个股累积收益
图17：分析师大幅下调盈利预测事件日前后个股累积收益
图18：年报低于预期事件日前后个股累积收益
图19：年报大幅低于预期事件日前后个股累积收益
资料来源：东方证券研究所 & Wind资讯 七、量化策略组合绩效展示 目前因子选股是国内量化产品的主流策略，即是通过一些选股因子来预测未来一段时间的股票收益，按照组合的目标风险收益要求，选出相应股票并赋予权重。量化产品有两种主要形式：一种是公募产品里常见的主动量化产品，以搏收益为目标，在全市场范围或某个限定的股票池内选股，用预测收益最高的股票构建组合；另一种是指数增强产品，它要求策略组合与标的指数不能偏离太多，在保证偏离度的前提下追求收益最大化。 我们用自己因子库里的17个alpha因子加上市值和行业两个风险因子，每个月预测一次个股未来一个月的收益，选取预测收益最高的100只股票（剔除停牌、月初涨停、ST和上市不满三个月的股票）等权做组合，构造了月频调仓的MACH-100指数。从图20和图21可以看到，这个指数在2009.01.01-2016.10.31近八年时间里，净值上涨了41.7倍，年化收益率63.9%，84%的月份可以战胜中证500；2016年年初到10月31日，策略指数获得了18.7%的正绝对收益，表现非常优异。策略指数没有扣除交易费用，这取决于产品规模，如果按单边0.3%计算，策略年化收益会降低5%左右。 图20：MACH-100指数净值表现
图21：MACH-100指数数据统计
资料来源：东方证券研究所 & Wind资讯 |
|
|
