|
来源：OKCoin & OKLink 联合 雪球 及《证券市场红周刊》主办的 新金融·新经济全球投资策略峰会 最近半年 A 股出现了新的市场变化，指数在一定的范围之内振荡，少数的个股走出趋势性行情，中小盘个股一直走下跌走势，量化投资者如何去应对？如何用量化的方式来解决投资的两个核心问题：获取超额收益和控制系统性风险？个人投资者应该如何进行资产配置，能否将比特币纳入投资组合？ 量化投资的几个特点在进入主题之前，先简单介绍一下量化投资，在我看来量化投资有这么几个特点： 第一，定量。量化投资依靠数理模型和大数据来做出投资判断，信息广度远远超过主观投资，而且投资建议都是定量的，比如说买什么标的，多少仓位，什么时候买，什么价格买，什么时候卖都给出具体定量的建议。 第二，系统化。覆盖了各个层面，从大类资产配置，到行业、风格、标的选择，以及仓位管理都可以进行量化。有成体系的一些效用指标，比如我们经常说的年化收益率，夏普比率，最大回撤等，追求的是风险回报比最大化。 第三，纪律性。量化投资依靠机器来进行投资决策，也可以对接算法交易接口，从决策到执行层面都是电脑操作。人工干预很少，这样避免了人类情绪的波动。我们知道人的情绪化其实是投资最大的敌人，机器在这一方面有非常大的优势。 第四，概率制胜。我们说正统的量化模型一般是高度分散化的，要靠大量的交易来实现统计层面上的稳定盈利。 量化投资的两个核心问题我们说不光是量化投资，任何投资要解决的就是两个核心的问题。 第一，如何获得超额收益。 第二，怎么样能够控制风险。超额收益又叫做阿尔法，我们把能够产生超额收益的因素叫做因子。 第一个问题，现在市场上最主流的量化模型就是多因子模型，多因子模型的底层逻辑非常简单清晰，我们知道底层逻辑越简单越清晰，稳定性就越好，而且多因子模型已经经过长期市场的检验。我们今天主要也是讲多因子模型。 第二个问题，我想跟大家分享的是怎么来控制风险。风险有两个层面，一个是非系统性风险，另外一个是系统性风险。针对非系统性风险，一般来说量化投资是通过分散化来控制的，包括行业、风格、具体标的的分散化。而系统性风险是指数层面，也就是市场层面的风险，我今天主要会讲怎么样控制系统性风险。 中美市场大类因子效用对比我们首先从全球的角度来看，世界上规模最大的两个市场，一个是美股，另外一个是 A 股。我们认为美股是成熟市场，比较理性，A 股是新兴市场，投机性比较强。那么我们就看一下美股的市场状态，也许可以看到 A 股未来的方向。 在这里我引用了一些数据，做了一个大类因子检测结果的比较。我把因子分成八大类，除了市值是单一因子，其他大类都是几个代表性因子的平均。美股的样本空间是罗素 3000，是 20 年的数据，A 股的样本空间是中证全指，是 12 年的数据。我们不用看 IC 均值，这是一个统计量，只看后面三列。 通常我们说因子的效用，可以通过多空组合来判断，这个多空组合是用合成因子前 10% 分位构建多头组合，后 10% 分位构建空头组合。因子的有效性可以通过多空组合的年化收益率来判断，稳定性可以通过最大回撤来判断，而风险回报比可以通过夏普比率来判断。 通过这个表，我们可以得出一个重要的结论：美股就是一个典型的基本面驱动的市场，估值和成长性两类因子是长期有效的，而且稳定性很好，盈利能力类因子也是有一定的效果，但是稳定性不太好。 我们再看 A 股基本面因子的状况，A 股的估值和成长性因子有一定的效果，但不是那么显著，其他大类的基本面因子基本上是无效的。总体来说，在 A 股基本面因子表现不如美股，这其实跟我们的治理结构有关，我们知道 A 股的财务数据很多是有水分的。 我们再看非基本面的因子，就是每组下面这四行。美股的非基本面因子效用很差，而在 A 股，流动性和技术反转两类因子在过去十几年有效性非常好，稳定性也很好，可以看到最大回撤是很小的。 在 A 股和美股都有短期的反转效应（一个月之内），但是在中长期，比如说三个月周期，在美股体现为微弱的动量效应，它没有反转效应，在 A 股正好相反，在中期会体现出强烈的反转效应，而且很稳定。 我们再看市值因子，我们知道 Fama-French 三因子是 90 年代提出来的，理论上认为小市值具有溢价。但如果我们在罗素 3000 样本里进行检测，会发现在前 10% 和后 10% 的分组，长期收益率跟市值是显著正相关的，也就是说在罗素 3000 样本空间里面不存在小市值效应。在 A 股则正好相反，大家都知道有小市值溢价，我们对小市值有偏好，但是市值因子稳定性比较差，经常隔一段时间就出现比较大的回撤。 应用刚才这些结论来进行一下测试。这是我构建的一个美股基本面量化的例子，用了一些纯基本面因子。我们看到，在美股这样的成熟市场用量化还是可以获得不错的超额收益，这个组合在过去 11 年相对于标普 500 有年化 11% 的超额收益，但金融危机期间最大回撤还是很大的。怎么来控制这个回撤？我下面会讲。 中美市场结构性差异对比我刚刚比较了两个市场在因子层面的差异，这种差异是由于什么原因造成的呢？ 可以看这个表，是两个市场结构性差异的比较，这是截止 2015 年底的数据。看我标蓝的数据，一是专业投资者的结构，美股是典型的专业投资者为主的市场，A 股正好相反。 第二个看年度换手率，我们看到A股年度换手率非常分散，尤其是在 2015 年，整个 A 股市场换手率达到 6 倍以上，这是一个很惊人的数值。下面是上市和退市的数量之比，这个大家都有一定的数据，在美股上市和退市的比例是比较均等的，退市通道是很通畅的，在 A 股我们可以看到基本上一个只进不出的市场。 最后一个差异是宽基指数的长期波动特性，我们说美股是牛长熊短的市场，是不是这样呢？数据证明确实是这样，美股的牛熊持续时间比例超过三比一，长期的年化波动率在 20% 左右。A 股正好相反，牛熊持续周期比例是 1：2.3 左右，是一个典型的熊长牛短的市场，年化波动率也很大，接近 30%。 我们说因子层面的差距就是这种结构性差异造成的，在美股是基本面驱动的市场，它的退市机制很完善的，一旦基本面出了问题，股价跌起来非常快，中期走弱意味着基本面出了问题，风险增大，所以没有人做这种小市值或者中长期反转的博弈。 A股内部结构性差异对比比较了两个市场的结构性差异之后，我们再来比较一下 A 股内部的结构性差异，在这里我构建了两个多因子组合，一个是小市值组合，另外是大市值组合，我们比较一下它们之间的差异。 小市值组的样本空间是去掉极值后市值排序后三分之一的个股，而大市值组是去掉极值后市值排序前 30% 的个股。小市值流动性比较差，所以我们对冲击成本做了一些保守的设定，双向各 0.8%，而大市值组是双向各 0.3%。我们再看基本面因子的权重，这里我做了一些基本面强化，因为最近这种情况，如果不做基本面强化，你的多因子模型表现会非常差，做了基本面强化之后，近期表现会好很多。 我们看后面这些关键数据，我下面有一个年化收益率的分解公式，大家看到这个公式，跟基本面投资者用的杜邦公式比较类似。杜邦公式把 ROE 分解成三个因素，一个是利润率，一个是周转率，一个是杠杆率。 投资回报也是可以这么来分解。我们看前面这一长串实际上就是利润率，后面这个年度换手率相当于周转率。我们可以很清楚的看到这种调仓频率偏高的多因子模型是典型的依靠效率制胜的模式，年度换手率基本上在 9-16 倍之间。 我们看小市值组在每一个环节，包括平均胜率、平均正收益、平均盈亏比，还有换手率方面对大市值组都有相对优势，尤其是在效率方面优势更大。我们在因子构建的时候采用了两种因子，非基本面因子一般是价格和成交量构造的统计量，即使是基本面因子，如果类似估值因子这种，也隐含了价格因素，价格的变动会造成因子的快速变动，从而产生了超额收益，波动越大，超额收益就越大。所以我们看到小市值组的超额收益，不光是小市值溢价造成的，有很大一部分是波动造成的。这个数据是 2000+ 次以上的交易产生的，是一个稳定的概率模型。 大家知不知道正规的赌场里面玩百家乐或者 21 点，庄家的胜率是多少呢？大概是 51-53%。这个胜率是受到控制的，因为一旦庄家胜率超过 55% 之后，玩家很快会输光，这样赌场就很少有客户了。所以 10% 的概率偏斜，在大量交易之后就会变成非常大的优势。人类顶尖的交易选手可以达到 80% 以上的胜率，但是在这种信息广度之下（几十只个股）人类不可能保持这种的交易强度，而机器是可以的。 我们再看这两个组合的年度收益率分布对比，看这个图，红色的是沪深 300，蓝色的是组合的年度收益率。我们可以得出两个结论，第一，多因子模型对市场大型波动的依赖性比较大，在市场波动小的时候效果会差一点。第二，A 股存在强烈的风格轮动的特性，在 2007、2009、2013 和 2015 年大小市值组的年度收益率差距是很大的。 量化投资者如何应对当前的市场变化我们刚才做了两组对比，一个是 A 股和美股对比，一个是 A 股内部的对比，那么大家可以大概了解到，最近这种市场状态，很多中小盘量化基金出现了很大回撤，主要原因是常用的市值因子（也就是规模因子），以及反转因子在最近半年失效了。我们怎么样来应对这个状况呢？ 这是我给量化投资者的一些建议： 第一个建议，减少小市值暴露，不要再直接使用市值因子。如果还想利用市值溢价，可以采用市值中性化的方法。中性化通常是进行截面回归，如果市值溢价消失，它会自动调整。 第二个建议，对中期的反转因子，我们可以缩短它的周期，或者用波动率来替代，这两者有相互替代性，或者降低它的权重。 第三个建议，强化基本面因子的权重，传统上我们有一些基本面因子，在A股进行统计检测的时候，阿尔法因子特性不是那么明显，但它们在逻辑上是成立的，那么我们可以尝试把它们加入到多因子模型里面，你会发现近期绩效会获得改善。 第四个建议，大家做一些主观的情景分层和策略组合。我们说价格和成长是永恒的主题，那么我们按照这两个方向去做情景分层，然后把策略组合起来。最近白马股比较强，也可以按照这个情景去构建策略，然后和其他策略进行组合，可以规避极端风格转换的风险。 第五个建议，控制仓位，这个永远要做的，如果因子模型表现不佳，这是最后的控制风险的手段。 如何控制回撤那么刚才我们引出了另一个重要的话题，如何控制回撤。 在二级市场控制回撤主要有三种方法： 第一种是控制仓位，也就是择时的方法； 第二种是用期指或者现货空头对冲； 第三种就是用大类资产配置的方式，用低相关度的资产进行配置。 A 股市场长期波动率很大，择时的效果还是很好的。我们看这个择时前后的比较，同样我构造了一个多因子模型，这个模型的择时基准是中证全值，组合相对基准的弹性比较小，所以效果也比较好。 我们看第二行是进行择时之后的效果，首先收益率大概率会下降，这个是你付出的成本，最后的收益是什么呢？年化波动率会下降一半，最大回撤会压缩到原来的四分之一左右，这种付出是比较划算的。 我们再看一下美股，长期波动率比较小，用同样的波动率或均线系统的算法效果就不太好，可以改用对冲的方式。我这里用刚才的基本面多因子模型构建了两个对冲组合，一个是用罗素 3000 指数对冲，另外一个是用股票空头对冲，我们看效果的比较。同样，收益率肯定会下降，但是波动率会压缩一半，最大回撤也会大幅度压缩，金融危机期间的最大回撤是 20% 多一点的样子。 在对冲的基础上再做资产配置，加杠杆，加在固收部分，因为固收和权益相关性很低。叠加之后可以看到这个收益率曲线，过去 11 年折算的年化收益率是 20% 左右。这里面不含 ADR，纯美国股票，这个收益率在美股已经很好了。 而且这个组合相对标普 500 的 Beta 值只有 0.04，相关度很低，我们可以看到通过对冲和大类资产配置就把刚才那个波动率很大的净值曲线变成这样的一条净值曲线。 个人资产配置与新兴另类资产最后我讲一下个人投资者的资产配置，对于个人投资者来说，资产配置的原则包括这么几点，首先要分散化，资产相关度要低，然后就是流动性要比较好。品种可以包括不动产，权益，固收，贵金属，甚至另类资产等。 美国市场有很多对应不同资产类别，不同国家的投资工具，可以优先考虑，比如房地产信托基金，对应行业和国家的ETF，对应固定收益产品的ETF，还有商品ETF等。所以建议大家配一些美元资产。 最后我想特别提一下另类资产的配置，目前有一类新兴的另类资产就是数字资产，最有代表性的就是比特币。它比较小众，无法承纳规模比较大的资金。我的建议是：对于个人投资者，小规模的配置是可以的。可以增加资产组合的多样性，另类资产一般来说收益率都会比较高。 |
|
|
