一、A型阿尔法策略的主要特点和核心要素 A型阿尔法策略最主要的特点是: 严格区分择时和选股; 定期调仓,通过选股因子获取个股阿尔法; 通过个股阿尔法获取组合阿尔法; A型阿尔法策略的核心要素包括: 选股因子:特定时间点上用来选股的量化依据,数量化指标,不同股票的取值具有可比性; 调仓周期:初始选股建仓之后,每间隔一段时间重新用指标选股调仓的时间周期,通常为周、月、季度等; 选股部位:用选股指标排序后,选择的部位,比如头部,尾部,20%-40%分位; 股票权重:选择好股票后,对投资组合里每只股票分配的初始权重。 二、选股因子 选股因子指特定时间点上用来选股的量化依据,数量化指标,不同股票的取值具有可比性,比如常见的MACD指标就不是一个选股因子,因为MACD指标是基于股票价格构建的,不同股票的价格不同。必须对MACD指标进行价格调整,衡量“金叉”的强度,才可以作为一个选股指标。
MACD是最常用的技术分析指标之一,用来衡量趋势是否发生,其计算方法如下: 定义指数平滑: 这样就可以计算MACD指标: 因为MACD指标的单位是价格,这样没法衡量指标本身的相对强度进行选股,因此我可以对指标进行改造,形成选股因子MACDF: 这个因子的本质在衡量快速趋势线和慢速趋势线差值的动量强度。 2.市值因子 另外比如市值,就是一个选股因子,不同股票的市值可比,形成市值从小到大的排序,这样就可以进行选股。 这个因子的本质在衡量不同股票市值的大小,也就是可供交易的总筹码的多少。 3.市净率因子
这个因子的本质在衡量股票的估值水平,用净资产衡量价值的估值水平。 事实上,用来选股的因子从基本面到技术面,往往是包括万象了,这也是投资者探索股票阿尔法的宝库之一。 三、回测细节 当我们真正要验证一个选股因子的有效性时,需要考虑的细节其实非常多,这里面主要包括: 1. 回测股票池:用来选股的最大的池子; 2. 调仓周期:初始选股建仓之后,每间隔一段时间重新用指标选股调仓的时间周期,通常为周、月、季度等; 3. 选股部位:用选股指标排序后,选择的部位,比如头部,尾部,20%-40%分位; 4. 股票权重:选择好股票后,对投资组合里每只股票分配的初始权重。 5. 计算净值:对于每个调仓时点上构造好的组合,计算下一次调仓之前每天或者更精细时间刻度的权益净值。 四、多因子问题 在A型阿尔法策略中,单因子选股的方法清晰明了,主要是寻找更多的因子,做更多的测试。但是如果我们选出来好几个好不错的因子,想进行进一步的对比和分析,以及整合这些因子进行投资时,就需要多因子层面的分析和建模。 (一)多因子对比和筛选 多因子对比的本质其实就是对多个单因子业绩的对比和分析。有这么两种思路进行对比。 1.基于投资业绩的对比
夏普比率:平均日度收益率减去无风险利率除以日收益率标准差 2.基于预测能力的对比 除了上述基于直观业绩的对比,还可以计算本期因子得分对下面持股区间累积收益率的预测能力,这用信息系数衡量: 信息系数:股票池股票本期因子得分和下期累积收益率的相关系数 一般而言,业绩指标是确定排序部位真实的投资业绩,信息系数更多衡量因子对所有股票的综合预测能力。 (二)多因子整合 同时使用多个因子进行综合选股是多因子建模的最后一步,但是这里面有两个基本问题,一个是去除多因子的共线性,一个是对多因子进行恰当的加权,得到一个新的综合因子。 1. 多因子相关性分析 就是计算不同因子的相关系数矩阵,在相关性过强的多个因子中,保留一个即可。 2.多因子加权 对筛选出来的因子,给予等权重,业绩权重等不同的权重,计算综合因子得分。 五、机器学习探索 在所有阿尔法策略里面,A型阿尔法策略的多因子筛选和加权环节最适合机器学习的应用,但效果未知。这里可以构造的机器学习的范式模型是,用下期股票的收益率作为因变量,用选股因子作为自变量,建立机器学习模型。 这个最简单的线性模型表达的核心思想是把不同股票和不同观察期的样本对应混在一起建模(横截面 时间序列),我们认为因子影响不同股票的结构和参数是相同的,并且不随时间变化。在复杂的机器学习模型可以对上述假设进行修改。建立模型的本质目标是用本期因子得分预测下一期股票的收益率,然后根据把预测收益率作为多因子得分,构造投资组合。这个预测收益率实际上扮演前面单因子回测中投资业绩或者信息系数的角色。 六、案例分析 (一)小市值选股策略 策略思路: 从2014年1月1日到2016年12月31日对沪深300成分股进行市值排序,选择市值最小的30只股票,并进行月调仓,按照等权重分配。 策略逻辑: 七、参考资料 股票量化投资入门:从阿尔法本质和三种类型的阿尔法策略谈起 股票量化投资入门(一):A型阿尔法策略 股票量化投资入门(二):B型阿尔法策略 股票量化投资入门(三):X型阿尔法策略 |
|