|
【声明】以下内容为个人尽调时做的记录，数据可靠性不作为投资参考意见。如有数据方面的更正或更新请联系小非。 大家好，这里是聊聊直播，我是主播小非。 第二次直播也整理成文字咯~
目录
一、引言 本次直播主要和大家分享【如何做一场有效的尽调】，尽调路上都是坑，点点关注，跟着主播不迷路。 整个专题从大到小分成【公司、策略、产品】三部分，本次直播带来的是第二部分【策略】的专题分享。 作为大部分投资人最关注的一部分，策略也是我们每次尽调时花最多时间和精力去问的。 尽调方式五花八门，也有不少是按照模版流水线式的尽调。但其实策略的问题之间都是有逻辑的，也需要结合各家管理人的特色随机应变。不是追求大而全，把模版中的点全都踩一遍，重点是要挖掘到策略的核心收益来源。 模版只是工具，认知才是阿尔法真正的来源。 那么本次我们主要从3部分展开：1、策略的细分逻辑；2、策略的普适性问题和部分细分策略重点问题；3、问题的内在逻辑。那么第三部分其实是本次直播的核心，就是为什么要问这些问题，目的是什么，有什么作用。 二、策略的细分逻辑 那首先万物分析的第一步就是给他做个分类，然后才能比较，【策略分类】也是上期直播后很多小伙伴在问的问题，这其实不是一个很神秘的事情。
像左边这张图就是一个市场主流的分类方式，很多管理人也会按照这个给自己打标签，对策略不是很熟悉的小伙伴一开始就以这个作为一个抓手点其实就足够了。 但如果从投资角度，我们认为分类还是应该匹配下市场行情，所以根据不同策略的贝塔来源原创了右图的分类方式。主要是把市场按照方向和波动率高低分成四象限。拿衍生品策略举例：他们对市场方向没有太大要求，主要贝塔来自市场的波动大小，比如在高波行情，我们会更关注中短CTA、股指CTA和期权套利策略。当然这个只是作为一个投资参考，这里的波动高低都是相对概念，真到了投资那一步还是要把每一家拆细去看的。 三、策略的普适性问题和部分细分策略重点问题 3.1普适性问题模板 下面是我们普适性问题列表框架。高清图片指引： https://mp.weixin.qq.com/s/j66ZhENsSI8oHRmM3bKOfA 大家可以下来细看，这里不展开说。 3.2部分细分策略重点问题 首先看下策略特征的刻画，通过这些问题的罗列，大致可以了解到整个策略的情况。 第一个先来看CTA，这算是比较大的类别。 3.2.1 CTA策略特征标签
（一）策略层面 首先套利，这个不是做品种，而是做一些品种间的价差；期权也类似；主观和股多也都有一些这样的色彩，因此这些问题大部分可以通用，不绝对，但大部分可以。策略类型单边或套利，这种老生常谈就不说细。 信号有左侧右侧，有做趋势有做反转，也有一些其他的数据类型（另类）去做信号。 投资的贝塔是什么，这个我们等下会展开，因为比较重要。 我们做的是波动率的上或者下，有方向的上或者下，有价差的上或者下，然后再是如何去决定它的量，就是仓位，这个涉及到对机会的识别，能否识别等等，这些不同的方法，可能有些是不识别具体机会好坏的，有些是识别的。 （二）交易层面 然后在交易层面，有一些交易目标行情，就是说我们做半天到底是想抓什么东西，这个也是个具体问题，等下展开。 持仓周期，这个是比较重要的，决定了很多特点。 交易次数、盈亏比、仓位、备选的品种池选出来什么东西等等这些刻画下来基本上做什么东西大致就有一个方向了。 （三）风控层面 第一种根据市场特点来调整策略形式的是主动的风控，因为策略亏钱那不外乎不符合市场，那么是需要一种主动的阶段性调整。 第二个是风控的一些方式也就是被动风控，是否有被动的减仓、什么时候开始、最大回撤的幅度和时间等等，都是比较重要的一些指标。 （四）行情解读 预期收益，不利的行情，业绩解读等等这些都会问一遍。 以上是CTA通用的，量化CTA有一些更为针对它的问题。 3.2.2量化CTA特征标签
首先方法类型来说，这是一个传统的模型涉及一些开平仓的条件，然后得到一个信号，再匹配一定仓位，就是开仓条件，平仓条件。从股票延伸到商品，现在也有一些多因子模型，就是一些定价的模式，发明了一种公式，比如铜的收益等于铜的库存加上跨月的价差加上一个供求等，在前面赋予一个系数，最后你知道一个因子的值，比如库存多少，价差多少等等，就可以推算出，收益的变动方向，这就是从定价的角度。 因子数量和权重这两年越来越兴起，更多是应用在截面策略上，但时序也可以用，时序单品种就可以用，截面是多品种找一个相对关系，多强空弱。 然后是信号类型上，这个容易理解：有量价的，基本面的或者另类的数据——比如新闻或者网站上扒的一些销售数据等。反转因子这些后面都不赘述了。 第三是配置方式上，是什么配置、参数、怎样维护参数、什么时候优化、优化是回溯多久（就是根据过去多久的行情来预测未来的行情）、样本外测试是否足够等，最后一个就是过拟合，也是目前量化最大的问题，它需要解决的问题是回撤，但实际上背后的问题就是模型的过拟合，就是拿着过去刻画出一个模型，用在未来，但是样本非常有限就在未来就会崩掉。 短线占比呢，占比高就是失效的更快，但短期效果更好，效用也更高，但失效的更快，需要维护的成本也高。 交易系统，量化需要问下系统是否很稳定，还有交易成本、算法等等。 额外补充一些问题，就比如去年能耗双控，政策突然停掉黑色系的一些品种，或者手续费增加几十倍，然后因为量化都不是研究基本面，对政策也不是很专长，遇到这种事情的处理，那一般提保或者限仓，这种情况管理人是怎么处理的，相当于交易所改规则，这也是量化比较大的一个问题，就是基于过去总结出一套规则用在未来，那改规则就是对这个规律的基础性破坏，过去的所有都可以失效。比如股指，15年股灾之后，修订了交易时间，缩短了30分钟，平今的手续费增加了一百倍，包括这次能耗双控，凡是改规则这种都需要高度注意量化团队会怎么处理，要有有效的沟通。 我们有接触到有一些很大的基金，他们去年也是很纠结，是坚持模型继续跑还是把模型停掉，那么后来这个团队是没有停，继续在用模型交易，因为当时考虑到去停或者去做改变，那也没有做回测，没有做的话是无法确保能有效的，后来损失还比较大。后来就反思这种情况下其实还是应该先停下来处理。其他的，极端环境下流动性缺失仓位怎么管理，会不会加一些主观，这些都是需要补充在量化团队的可能去问的问题里的。 针对量化CTA大致就这么些问题。 3.2.3 主观CTA特征标签
主观有几个主要的问题
3.2.4 CTA通用策略特征标签的经典语录
3.2.5 股票阿尔法策略特征标签之量化阿尔法 做量化的，指数增强的、股票多头的，要去尽调的话问题类似，因为超额类似。比如因子类型，数量，持仓，机器学习里持仓多少股票决定了它的风格。持仓股票多的话必定是和小盘有关系的。因为没有那么多大盘股。那你持仓多的话肯定也带有市值上的一个风格。 一年多少倍换手来区分周期，是比较重要划分依据。有没有暴露，敞口在什么地方，大还是小，这个并不能代表它好或者不好，只能代表它的风格和波动大小。 然后哪个贝塔指数比较适合这个方法论，比如说有些会说我们这个团队最适合做1000，大量市场销售端需要500，规模上我们可能500更大，但是自己知道是我们这个方法其实是最适合做1000的，这个也是要搞清楚。 然后因子组合的方式一个是机器学习一个是多因子的方式。 预期收益和预期最大回撤，因为他们比较清楚在这个基础上扩大就可以得到最大回撤。当然还有一种是我们自己去观察它最大回撤，等会儿提到。 剩下的就不多说了，也是和风格敞口类似的一些问题。那大的问题就这几块。这个敞口有点细有点专业，总的来说你的收益来自市场的波动，来自你的贝塔的收益还是阿尔法。核心就是问这个。 再看下阿尔法的语录，不说的太细，大的分类一类是搞机器学习，一类是搞多因子就是偏定价的。
举个例子，今年根据Barra因子去选股最多是持平的不会说战胜市场的，我们有很多比如市值、流动性、行情啊按这个做，就是顶多会和市场一样，所以要找一些特别能区分它的，比如你找到董事长学历，这是一个因子，一般来说学历越高公司越好，这个就叫长期的阿尔法因子，尽量去找到这些高质量的因子。 但是这个是很难找的，你要找到另外的东西打败。所以另外一个流派就不是找阿尔法，上次也说到找阿尔法比拿金牌难，他这个有点像价值投资，轮换，每一个其实都是风险因子，它来回切换，拿中间的某一段。
这一万个因子它怎么确定权重呢，就是机器学习。但是呢这个就是量比较小，所以说方向上说法未来还是看这个，看基本面，又有数据，独特的数据。多因子组合可以扔各种各样的因子在机器学习里面，比如20天的标准差，这个因子单列的话就不是一个很好的阿尔法，但你扔进去它也能学到一个比较不错的效果。那这些学出来的因子，它可以被赋予一个正的权重或者负的，就是可以正着用，也可以反着用，总的来说，它对于整个事情就有贡献。这块就演化成了机器学习。 这个模型很重要，找因子没那么重要，原来是找因子很重要，但现在你因子都是不怎么样的，那你合起来这个过程就还是很重要的，就怎么组合。那你组合用机器学习这个又是一个黑匣子，专业度就需要很高。 我认识一个很优秀的管理人，从多因子做机器学习出来的指增，那我问他面对指增问什么核心问题，他认为两块，一你做阿尔法高质量的，你真去找到，你的优势在哪里，比如你老板开数据公司的，对数据很了解那这个就比较容易信服的阿尔法来源，就要么你信息广度强，要么深度。那像他网上扒各种数据做这个多因子，舆情啊政策啊各种，这个就是成立的。第二走机器学习，就要比较懂的人，要有两个配合，不适合大道至简，要真的很熟悉这些模型，熟悉模型，有经验，多因子出身的人来配合。所以回到尽调层面也是很看背景，这属于高难度的一个工作，有多少年经验等。
约不约束，这个加了会降低收益，也降低回撤，但是是否真有必要加，本身做指增，贝塔本身就自带了这么多风险敞口然后在上面找阿尔法，再去约束它，让它阿尔法打折就是一个值得商榷的事情，不同的人有不同的需求。约束是影响它超额收益的，长期你想选全市场前100，就变成选500里面的前100，就不如前者，但就是个风控的事。 有些去验证它有没有漂移，有没有简单可操作的，比如你拿大盘减小盘300-1000，去做个图，然后它超额和你曲线的相关性，就可以看出它是有没有偏小盘，但是行业是看不出的。但是可以看出来有没有市值敞口，比如收益率很多可以做的实验。
最后提一个，好的环境尽量分散，一头一尾差价要大，这个阿尔法最高的一个阶段，它是有很多向好，也有利空，像最近的偏股涨停，它没有普涨，没有千股涨停，他也不是系统性风险，就是这种情况下，有些东西好，有些不好，那这种情况下超额就是比较好，来回荡，开会热点很多切换，热点的持续，一定持续，这种就是最好的市场情况，有利于搞清楚它真正做什么。 四、问题的内在逻辑 那刚讲了很多实的东西，接下来就是开头说的最重要的我们要带着问题去问，带着框架去评判，我们要把它抽象出来，核心是在问什么东西。 第一个就是普适性的。
面对任何一个团队，他都在做某一个细分的贝塔，我们最熟悉的就是股票，股票也是一个策略，比如价值投资，我们看它贝塔走势，另一个股指CTA，也是跟着它的贝塔走，就是做多波动率。那指增某种程度上它成交量大嘛，某种程度上是在做这个成交量的做多，期权的话比如我们看原油的波动率，比如我们放一个空头在这，就是一直做空，就是双卖策略。那对于趋势策略就是做波动的多头，期权我们就是做波动的空头。然后股票的话，我们也可以做一个短线，一个小波动。 总之我们就是做的贝塔，具体什么方法做一段还是怎样，什么依据，那就是各家自己的事情。所以你要清楚你在交易什么东西，不同的东西特征是不一样的，有些贝塔很大有些三年才出一次，比如你做美债，做十多年牛市，现在才熊市，这些贝塔就很大，那像期权的隐含波动率这些贝塔就很短，所以我们在做策略的时候就选自己比较有优势的。我们尽调时候也要搞清楚各家策略核心的这个beta来源。 但有时候我们不能直接问他的贝塔是什么，有时候是通过问他交易的有利行情和不离行情来判断和总结。所以目标行情和次数，这个越多肯定他机会就越多，那三年出一次，十年出一次的话，他的行情依赖度就很大，那就基本知道了它曲线的一个特征。 这些问题我们把它归结为普适性的，因为大部分基金的回撤其实还是来源于它基本的贝塔的东西有没有做对。比如08年的股票，期权的爆仓，原油负油价，它这些东西本身的反向才是最主要导致回撤的，什么下错单这种都不是根本问题，所以要知道行情反向的时候它会怎么做。 那继续，我们知道它的贝塔之后，我们就可以把它分类，分类之后就可以对比，哪一家做的好，因为不同类其实很难比。指增就是最典型的。 第二个就是他的策略盈利特征和方法论。
就是基本要搞清你是基本面还是量化因子，因为这两个回撤周期不一样，你搞清楚之后就知道你量化做趋势做动量有多少敞口。比如已经投了两家了，还剩100万要投第三家，想分散一下，从这个就知道用于敞口的计算有多少。第二就是看盈利模式，问这个你就知道它是主打那种风格的，比如说胜率30%和盈亏比1:3，这种就是止损比较小，止盈比较大，这种往往是等机会的，不是主打开仓的，它开仓没有什么优势，主要是他风控能够扛住衍生品市场这种不利的波动，它止损控的都比较小，风控比较注意，最后抓一波大的贝塔，这种没有什么行情的时候它要做的事情就是趴在那里，就稳着嘛。 再比如一些是关注开仓精准度的，比如我胜率60%多，70%就属于太强了，城堡创始人说过在美国55%就算高的，那其实在中国55-60%也算高的。主打胜率在样本足够多的情况下，一般没有70%80%。主打开仓就不是小止损大止盈，这种就可以看出它的方法论和它收益曲线的特性，比如它趴的时间比较久，那机会不来就一直趴着，保证活在那里。那你主打胜率的话，你的盈亏分布会更均匀一些，你知道这个曲线特性对行情的依赖，你对他的耐心就会不一样。 交易次数，这个也是基本问题，比如指增可以问他换仓的频率，你换一次阿尔法的这些因子调一次仓，一天还是一个月调一次，那主打统计的肯定是希望频率越高越好，这就是高频交易赚钱的原因嘛，就是统计上的大数定律嘛。 然后看他维护什么，比如说平时怎么维护这个系统，投资经理亲自维护的东西一般是他开平仓要用的东西，比如做期权套利的一个短线的团队，照理说是很量化的，但很好的他有一个宏观判断的框架。它也是做高频的，但它里面会判断当前的状态，比如做宏观对冲的它肯定在看这些板块数据嘛，他在每天维护的肯定是能够影响它开平仓，要不要做这种的，所以你也可以看出它用哪些东西决策。环境监测，主观它适应能力比较强，量化就不监控这些，适应性比较弱，就是靠全局优化去战胜全局，以不变应万变。 第三交易流派。
首先信号型，就是针对量化，一致性强，科研能力弱，强调历史全局最优，不太懂切换，也不择时，面对回撤调整比较弱，只能事先算好，让发生的几率比较低。所以要更加注重行情切换时的表现和完整度。 还有一些主观，他们永远在平衡收益和风险，交易和研发不同的是交易是表演杂技，很复杂的平衡的杂技，风险和收益的平衡，它一致性比较强，可控性更强。这种也容易过度稳健，要看机会能不能抓到。 然后是对信号的多元还是对信号的控制，这个交易型的就做得不错，注重过程调整，对单个回撤没有办法，所以就是做很多的策略很多的品种，不同的品种。
多策略基金的这个图可以看到他就越来越平稳但是也过滤掉了很多机会，因为你平均之后可能就是回撤缩小了，适应性更多，规模变大，但对投资人其实是不利的。还是应该做专注的，小而精的。比如说游资，赚10亿以上还是大有人在。每个人有一个方式，不是学院派，带着对过程的控制，比如15年时候的行情，超高回报。 风控说下。
你知道它做什么东西之后，就问他这个东西的长期不利行情时候怎么调整。极端行情要做一些压力测试，也要问下表现，比如俄乌战争这个时候怎么办。另外也可以根据它的波动率去心算最大回撤。 还有市场切换时怎么办。
这个对主观是有优势因为他可以去调整从重仓到0，但是对量化，各种问题都来了，参数失效，那要不要调参数换品种，所以他到底怎么应对的，有没有一个框架，比如美林时钟，就是有一个依据去切换他的做法。 尽调就可以通过不利时段看看他的业绩，做一个解读。组合的话，要关注相关性风险，最大回撤总是被突破。
其他策略也是，比如CTA+股指，比如股指我们会做搭配，但里面相关性不是绝对的，股债一般是负相关嘛，因为一个是做经济增长一个是做经济衰退的，但是也会双杀，像高通胀的时候，比如最近的英国美国，那股债今年就是一起亏损。组合里面的资产效用是否一样，还是没用却更复杂了降低长期稳定性。
最后看差异就看数据佐证有指增就看超额，没有就看同类。混合型看绝对收益。观察之后也可以请投顾再来总结一下他的比较优势和优化方向。还是要看扣除基准之后的阿尔法的波动，也就是不含贝塔的。 最后形成一些结论。
最大回撤、方法类型、方法稳定性、下行风险、可投性以及是否可作为贝塔交易这几个方面。 五、总结 虽然说了一些问题，我们否可以通过一些框架来看。
你是干什么的，beta是什么，基准是什么，怎么干的，以什么方式在抓，行情经验，经历过几次熊市，行情切换后怎么处理的，是否有足够多的经验…再结合数据佐证，收益曲线回顾，它的好中坏行情回顾，期间的超额收益，盈亏归因。 这个话题听起来很复杂，但其实把握到这些也就够了。那么我们今天的分享就到这里结束。 以上是上期直播的全部内容，大家可以当睡前读物看，我们下期见！ |
|
|
