|
今天我们——原创文章第154篇，专注“个人成长与财富自由、世界运作的逻辑，AI量化投资"。 日更不难，但在言之有物。 罗胖做“60秒语音”，刚开始也同样面临这个问题。用他自己的话说，更像是一个十年的行为艺术。但他做到了，尤其是在他商业已经很成功了之后，也非常忙之后，这股劲就值得我们学习。 输出倒逼输入，以至于路上没时间刷抖音，而是查看各种资料。 今天还是说说可转债多因子。 01 多因子投资的逻辑 看了很多人的2022投资年终总结，由于大盘下跌20%+，所以多数人的投资并不好，熊市方显资本市场真容。有加杠杆爆仓的，有大V退出社区的——说好多年都无法翻身的。牛市来临，股神遍地，而熊市到达才知道谁在裸泳！ 我是一个需要“强”逻辑的人，所以在资本市场到处都是弱逻辑的情境下总是小心翼翼，这反而是一种保护与正确。 至今大部分的闲置资金，都在大类资产配置与动态平衡的组合中，追求年化10%左右，今天最大回撤是8%左右，全年回撤-7%。符合预期。所以该加仓加仓。 投资三个层次： 一是大类资产配置，追求的是市场beta，组合更多的目的是降低波动而不是提升收益，收益是市场自带的。这种策略有很强的确定性，市场本金多一些的理财保值增值。 二是战术型的配置，以轮动为主。广义来讲，多因子属于此类策略。就是开始加入主动管理的逻辑。天冷了多穿衣服，估值低了，多配置权益等。多因子可以把估值因子与动量因子融合起来。比如都是低估，但选择低估里那个动量强的，既有安全边际，也兼顾进攻性。这种比纯粹低估值的好处是，低估值在牛市会没有标的——所谓“踏空”。而A股“牛短熊长”的节奏，错过一波牛市会少不少收益。 我一度只想做好资产配置，然后更多的时间去做更有意义的事情。——财富只是手段，本质是财务自由带来的精神自由，你可以更加从容地去做自己喜欢做的事情。但加上多因子策略，一则对社群有个交代，二来多因子的逻辑性也比较强，可以增厚收益率。作为“卫星”资产配置是合适的。 市面上通过容易看到两类多因子策略：一类是大V小V，很多非科班出身，按自己的理解，搞一个多因子模型，然后回测看交易还不错，手动凑一凑参数，搞一个看起来不错的策略。另一类是券商和基金的金融工程团队发的研报，会严谨一些。比如因子要做IC分析，做相关性分析，把一些低IC的，高相关的剔除。当然最后凑一个因子都是等权。——这里可以引入机器学习、强化学习模型来整合因子。——未来一段时间我会沿着这个分析框架来推进相关事项。 三是择时，就是传统CTA策略，做波动，做日内，追涨杀跌，止盈止损。这个看起来很刺激，但很容易让人陷入困境。它的不确定性最大。这里有一个根本逻辑就是，你对你认为对的判断，要重仓。遇到黑天鹅事件，会大幅度回撤。若加了杠杆，可能无法翻身。多因子是“横向比较”，比如动量选最强的。CTA是纵向比较，比如动量>0.08，均线金叉，MACD>0等等。“重仓”与“信号驱动”是择时的策略特征。这两者可谓投资这种“不确性”的大忌。投资是一件长期主义的事情，一城一池决定不了结果，十次之功可能在一次决策之间灰飞烟灭。择时策略更适合高频，快进快去，以数据模型，机器决策快速捕抓投资机会——多次交易——大数定律——获得市场的alpha。 第一层次我做到了，并不需要花太多更多的时间。 做做“战术型”配置，也就是多因子轮动。 比同大多数数据驱动型的应用，数据准备是一个费时费力的事情，一开始可以考虑在一些回测平台上进行。 02 多因子实操 因子计算是基础工作，因子一定是一个时间序列，我们以日频为例。季频的财务数据原则上不太合适，因为我们计算IC值，可以使用PB，PEC这样的财务数据与日频数据关联的因子，这样就都包含进来了。 价格数据及其衍生指标，可以直接计算，比如“20日动量”等各种技术指标。 转债的双低指标，需要引入正股价、转股价（这个在序列中会有多个值）。 几个步骤：基础数据日更；最新指标计算；衍生指标计算。
第一部分：准备工作 这些工作比较“繁琐”，重要，技术上不复杂。 但需要好好设计架构。 基本数据更新，最新指标计算；比如计算“双低”，基础数据就是：转债价格，正股价格（不复权），最新转股价； 衍生指标在内存里计算，不进行预计算。要计算“双低”历史时间序列，需要转债序列，正股序列，转股价序列（这里转股价需要需要转股价的调整历史，并转化成日频数据） 序列存储目前使用的mongo，原始数据序列更新比较简单。指标计算读到内存里进行。序列计算需要把数据都读出来而后进行计算，计算量比较大。 mongo/mysql等按行存储数据，最大的问题在于，新增一列（因子）无法批量写入。mongo之上构建的量化框架Arctic可以支持列存。 有点类似大数据的分析架构，从原始数据，分层计算指标备查备用。 也有点类似广告、推荐系统架构。 |
|
|
