时间:2023-06-22 09:24:16
引言:易发表网凭借丰富的文秘实践,为您精心挑选了九篇量化投资与分析范例。如需获取更多原创内容,可随时联系我们的客服老师。
(一)传统证券风险量化指标的理论源头
传统的证券风险分析当中必然会同一个与之如影随形的概念联系在一起,那就是收益,同时,在西方传统的经济学当中风险和报酬存在着这么一个函数关系,甚至在一些传统的经济学课本上作者为了简化两者之间的关系,将两者简单的归结为一个完美的线性关系,即风险与收益之间是一对一的数学关系,并且存在着这样一个逻辑:风险越大,报酬或者收益也就越大,反之亦然。即使是稍微尊重事实一些的经济学教材也运用了高等数学当中线性回归的方法将两者的关系从非线性回归为一对一的线性关系。除了学界对于风险的分析是从报酬或者收益出发的以外,在国外或者国内的民间也有类似的对于两者关系的表达,例如我国有句老百姓口中经常说到的“富贵险中求”就是对两者的关系的简单认识。因此,传统证券风险分析的源头明显是来源于对于报酬的分析。
(二)传统证券风险量化指标的数学方法的应用
传统的证券风险理论认为证券的总风险=可分散的风险+不可分散的风险,其中可分散的风险主要指的是个别证券自身存在的风险,而不可分散的风险则是指市场风险,下面笔者介绍一下传统证券风险量化的两个重要的指标――标准差与贝塔值。
第一,标准差。传统证券风险理论认为个别证券的风险可以从单个证券的报酬率为起点进行分析。财务投资专家从高等数学当中引入了一个衡量证券报酬率的波动性量化分析的指标――标准差来进行对单项证券风险的判断,进而判断出相同期望报酬率和不同期望报酬率时对于不同投资的选择。测算的步骤如下:第一步,确定各种市场需求下各类需求发生的概率;第二步,计算出期望报酬率,其实质上是对于各类市场需求下的报酬率的加权平均数。第三步:根据标准差的数学公式计算出标准差,σ=[Σ(ri-?)2×Pi]1/2其中ri是第i只证券的报酬率,?是期望报酬率,Pi是第i只证券的报酬发生的概率。结论是在期望报酬率相同的时候,标准差越大证明该证券波动越大,风险也就越大,反之亦然。在期望报酬率不同时引入了另外一个概念即离差,由于基本原理也是根据标准差衍生而得,在此不再赘述。[1]
第二,代表市场风险的贝塔值。我们在第一点中提到的标准差主要衡量的是单项证券的风险,而贝塔值的引入主要是考虑到了证券组合的风险构成当中不可分散的风险即市场风险。而贝塔值的测算公式从数学的角度来说实际上是利用了标准差的升级版公式即协方差,协方差主要是衡量了两组数据之间的相关程度,以此来判断证券组合的报酬率与市场报酬率之间的数理联系,进而判断出不可分散的风险。理论上贝塔值的计算是βi=(σi /σm)ρim,其中βi第i个证券组合的市场风险程度,σi,σm分别第i个证券组合的标准差与市场证券组合的标准差,ρim代表第i个证券组合的报酬与市场组合报酬的相关系数。实际当中β系数可以通过将股票报酬对市场报酬做回归得到,拟合得到的回归线的斜率就是证券的β系数,即β=Ri /Rm。[2]
二、价值投资理念下风险与报酬的关系
价值投资理念是华尔街之父本杰明格雷厄姆所创立,在其传世之作《证券分析》当中明确提出了有关投资与投机概念,其中论及投资界老生常谈的收益与风险的问题时结论与传统证券风险分析有着本质的不同,格雷厄姆明确指出收益与风险之间不存在着数学关系,并且认为证券的价格与收益并非取决于对于其风险的精确数学的计算,而是取决于该证券的受欢迎程度,而这种受欢迎程度本身包含了投资者对于风险的认识,但很大程度上还受到如公众对公司和证券的熟悉程度,证券发行与购买的容易程度等。[3]并进一步指出,无论是理论上还是实际当中,对投资风险进行精确的计算都是不可能成功的,现实当中并没有所谓的期望报酬率的概率经验表,即使存在也是基于对于历史数据的分析得到了,而历史数据之于未来决策的有用性或相关性的大小还有待考证,其研究范围不同于保险公司对于保单的精确测算,例如人寿保险能够明确的了解年龄与死亡率之间的关系是明确的。而证券的风险与报酬之间的关系则没有如此的确定。[4]
三、价值投资理念下传统证券风险量化分析的反思
以上笔者对于传统的证券风险理论与量化方法以及价值投资理念下关于风险与收益的关系进行了论述。笔者认为,价值投资理念下有关论述对于我们重新审视证券投资中风险因素的衡量有着非常重要的意义。
首先,笔者认为,标准差的计算过程本身就存在着无法避免的瑕疵,这一个公式至少有两个基本假设,第一,计算的人必须能够客观的预测出各种市场情况发生的需求概率,并且准确的在各种概率下发生的报酬率;第二,假定历史数据对于未来的投资决策具有确定的相关性。但是在现实生活中根本是无法预测的,这种算法实质上是硬将自然科学当中的数学模型强加到社会问题的研究当中,不可否认的是,目前来说大量的社会问题是无法通过数学来量化的,因为证券的风险当中不仅仅只有报酬因素的影响,还有各种在不同市场条件下的因素决定的,而这些因素又相互的的影响和动态的变化。因此,标准差的方法受到了质疑,后续的离差率、β值的计算自然也就没有了根基。
其次,β值的测算除了上述由于标准差的非客观性导致的不确定性的缺陷以外,笔者也针对实操当中第二种公式进行分析,β的第二种公式是β=Ri /Rm,从公式上来看,存在着明显的逻辑上的可疑性,单个股票的收益率假如大于市场整体的收益率,则该只股票的风险就比市场风险大?这个观点在《证券分析》当中就已经被很好地反驳了,在此,笔者只需要举一个例子就足够反驳这一个观点,伯克希尔哈撒韦上市公司每股截至2017年6月5日是249660美元,每股收益率如果从上市之初可以用天文数字来形容,并且这家公司经历了无数次大大小小的金融危机,依然以远远超过市场平均的业绩笑傲群雄,难道说他的风险要远远大于市场?这家公司是以价值投资的理念进行风险评估和投资的。因此,笔者认为中国的证券行业乃至我们有关的证券专家和学者们有必要从价值投资的理念来重新审视目前证券风险量化的指标在实际当中的效用。
尽管量化投资已经成为市场投资的发展趋势,但是大多数投资者并不是很熟悉量化投资。一方面是由于量化投资一定程度上依赖数学模型,而赚钱的投资模型都是机构的秘密武器,不会轻易披露。另一方面是由于量化投资采用计算机系统,设计各种交易手段,有着较为复杂的数学计算与技术要求,现在许多量化投资都是计算机自动执行的程序交易。另外,量化交易者,俗称宽客(quants)的交易和故事多多少少增加了量化投资的神秘感。所以,人们一般把量化投资称为“黑箱”。纳兰(Narang,R.,2012)描述了量化交易系统的典型构造,打开了量化投资的“黑箱”。纳兰认为阿尔法模型用来预测市场未来方向,风险控制模型用来限制风险暴露,交易成本模型用来分析为构建组合产生的各种成本,投资组合构建模型在追逐利润、限制风险与相关成本之间做出平衡,然后给出最优组合。最优目标组合与现有组合的差异就由执行模型来完成。数据和研究部分则是量化投资的基础:有了数据,就可以进行研究,通过测试、检验与仿真正确构建各个模型。预测市场并制定策略是量化投资的核心,即阿尔法模型在量化投资中处于核心地位。随着量化投资的不断发展,量化投资模型也在不断改进。简单的策略可能就是证券或组合的套利行为,如期现套利组合、市场异象研究中的差价组合等。统计套利策略是经典的量化投资策略,如匹配交易或携带交易。近年来,高频交易成为量化投资的重要内容,基于高速的计算机系统实施高频的程序交易已经是量化投资的重要利器。丁鹏(2012)将量化投资的主要内容分为以下几个方面:量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易、ETF/LOF套利和高频交易等。他认为量化投资的优势在于:纪律性、系统性、及时性、准确性和分散化。
二、量化投资“黑箱”中的构造与证券投资学的差异
在传统的证券投资学中,投资组合理论、资本资产定价模型、套利定价理论和期权定价理论是现代金融理论的四块基石。前两者主要依靠均值-方差组合优化的思想,后两者则主要依靠市场的无套利条件。传统的投资方法主要是基本面分析和技术分析两大类,而量化投资则是“利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程”。从概念看,量化投资既不是基本面分析,也不是技术分析,但它可以采用基本面分析,也可以采用技术分析,关键在于依靠模型来实现投资理念与投资策略。为了分析量化投资对证券投资学的启示,本文从量化投资“黑箱”的各个构成来探讨量化投资与证券投资学中思路和观点的差异。
(一)资产定价与收益的预测
根据组合优化理论,投资者将持有无风险组合与市场风险资产组合,获得无风险利率与市场风险溢价。资本资产定价模型则将此应用到单一证券或组合,认为证券的风险溢价等于无风险利率加上与风险贡献比率一致的风险溢价,超过的部分就是超额收益,即投资组合管理所追求的阿尔法值。追求显著正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中,法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说,在因素定价方面,量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择,证券投资学认为,对资产价格的影响,长期应主要关注基本面因素,而短期应主要关注市场的交易行为,即采用技术分析。在量化投资中,主要强调按照事先设定的规则进行投资,这在一定程度上与技术分析类似。但是,在技术分析中,不同的人会有不同的结论,而量化投资则强调投资的规则化和固定化,不会因人的差异而有较大的不同。另外,量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。
(二)无套利条件与交易成本
在证券投资学里,流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券,投资者可以自由买卖证券。这主要是为了保证各种交易都能实现,如套利交易。根据套利定价理论,一旦市场出现无风险的套利机会,理性投资者会立即进行套利交易,当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中,对市场中套利限制与非流动性的关注较少,这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下,金融资产交易的过程及其结果,旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中,不同的市场微观结构对市场流动性的冲击是不同的。因而,从量化投资的角度看,为了降低交易带来的价格冲击,能实施量化投资策略的证券往往都应有较好的流动性,因为交易时非流动性直接影响投资策略的实施。从这个意义上讲,量化投资时的交易成本不仅包括交易费用,更主要的是要考虑市场交易冲击的流动性成本。
(三)风险控制与市场情绪
在证券市场中,高收益与高风险相匹配。量化投资在追求高收益的同时,不可避免地承担了一定的风险。在证券投资学中,系统性风险主要源于宏观经济因素,非系统性因素则主要源于行业、公司因素,并且不考虑市场交易行为的影响。在量化投资中,较多地使用因素定价模型,不仅会考虑市场经济因素,而且会考虑交易行为等因素,只是不同的模型有不同的侧重点,在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外,量化投资还有自身不可忽视的风险源。一方面,量化交易中,部分交易是采用保证交易的期货、期权等衍生品交易,这种杠杆交易具有放大作用,隐藏着巨大的风险。另一方面,市场冲击的流动性成本也是量化投资的风险控制因素,理所当然地在图1的风险控制模型中体现出来。另外,在一般的投资过程中,市场情绪或多或少会成为风险控制的一个对象。然而,在量化投资中,更多的交易都是通过计算机来实现的,如程序交易等,这样以来,投资者情绪等因素对投资决策的影响相对较小。所以,在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪,主要是通过承担适度的风险来获得超额回报,因为毕竟减少风险也减少了超额回报。
(四)执行高频交易与算法交易
在对未来收益、风险和成本的综合权衡下,实现投资策略成为量化投资的重要执行步骤。为了达到投资目标,量化投资不断追求更快的速度来执行投资策略,这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里,技术分析认为股价趋势有长期、中期和短期趋势,其中,长期和中期趋势有参考作用,短期趋势的意义不大。然而,随着计算机信息科技的创新,量化投资策略之间的竞争越来越大,谁能运作更快的量化模型,谁就能最先找到并利用市场错误定价的瞬间,从而赚取高额利润。于是,就诞生了高频交易:利用计算机系统处理数据和进行量化分析,快速做出交易决策,并且隔夜持仓。高频交易的基本特点有:处理分笔交易数据、高资金周转率、日内开平仓和算法交易。高频交易有4类流行的策略:自动提供流动性、市场微观结构交易、事件交易和偏差套利。成功实施高频交易同时需要两种算法:产生高频交易信号的算法和优化交易执行过程的算法。为了优化交易执行,目前“算法交易”比较流行。算法交易优化买卖指令的执行方式,决定在给定市场环境下如何处理交易指令:是主动的执行还是被动的执行,是一次易还是分割成小的交易单。算法交易一般不涉及投资组合的资产配置和证券选择问题。
三、对量化投资在证券投资教学中应用的思考
从上述分析可以知道,量化投资的“黑箱”构造与证券投资学之间存在一定的差异,因此,在证券投资的教学中应当考虑量化投资发展的要求。
(一)市场微观结构与流动性冲击
在理性预期和市场有效假说下,市场价格会在相关信息披露后立即调整,在信息披露前后市场有着截然不同的表现。在证券投资学里,一般认为价格的调整是及时准确的,然而,现实的世界里,价格调整需要一个过程。在不同的频率下,这种价格形成过程的作用是不同的。在长期的投资中,短期的价格调整是瞬间的,影响不大。然而,在高频交易中,这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型:存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响,解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程,认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型,这些市场微观结构的研究加强了流动性与资产价格之间的联系,强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容,因而,为了加强证券投资学的实用性,应关注市场微观结构的内容与发展。
(二)业绩评价与高杠杆
对于证券组合而言,不仅要分析其超额收益和成本,还要考虑其风险与业绩。在组合业绩评价中,一方面要考虑风险的衡量,另一方面则要分析业绩的来源。在证券投资学中,组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言,市场时机和管理者的能力依然重要,然而,量化投资的业绩评价还应考虑另一个因素:高杠杆。量化交易中,部分交易是采用保证交易的期货、期权等衍生品交易,这种杠杆交易具有放大作用,在市场好的时候扩大收益,但在市场不好的时候会加速亏损,这些与传统的业绩评价就不太一样。在一般的证券投资学里,业绩评价主要考虑经风险调整的收益,很少考虑其杠杆的作用,这不仅忽略了杠杆的贡献,而且有可能夸大了投资者的技能水平。
(三)人为因素与模型风险
在量化投资中,非常注重计算机对数据和模型的分析,这突出了量化投资的规则性和固定性。然而,实际中,别看量化采用了各种数学、统计模型,但策略设计、策略检测和策略更新等过程都离不开人的决策。量化交易策略与判断型交易策略的主要差别在于策略如何生成以及如何实施。量化投资运用模型对策略进行了细致研究,并借助计算机实施策略,能够消除很多认为的随意性。但是,量化策略毕竟体现投资者的交易理念,这一部分依赖于投资者的经验,一部分依赖于投资者对市场的不断观察与更新。实际上,人始终处于交易之中,对于市场拐点以及趋势反转的判断主要还是依赖投资者的经验。光大的乌龙指事件充分表明了人为因素在量化投资中的两面性:决策实施依赖于人的设定,而人的设定不仅依赖于经验,而且人还会犯错。人之所以会犯错,一方面是因为人们对市场的认知是不完全的,另一方面则是人们使用了错误的模型。经典的证券投资理论中,股票价格的变动被认为是随机的,小概率事件出现的机会比较小,但是经验研究表明股票收益率具有肥尾现象,小概率事件发生的机会超出了人们原先的认识,即市场还会出现“黑天鹅”。更为关键的是,量化投资更依赖数学和统计模型,这就使得量化投资存在较大的模型风险,即使用了错误的模型。为了防范模型风险,应采用更为稳健的模型,即模型的参数和函数应该适应多种市场环境。近年来,研究表明,证券收益及其与风险因素的关系存在较大的非线性,同时,市场中存在一定的“噪声”,采用隐马尔科夫链等随机过程和机器学习等数据挖掘技术进行信息处理成为量化投资的重要技术支持。
(四)2013年诺贝尔经济学奖的启示
关键词:量化投资;数量模型;定量投资
一、量化投资的涵义
从实践的角度上看。量化投资即是利用模型来投资。任何一个完整的关于投资的想法,我们都可以开发成投资模型,然后通过一定的测试过程来检验这个模型是否有效。如果最终有效,它就是一个可以用作量化投资的投资模型。量化投资为我们提供了检验和选股的数学工具。也可以帮助我们规避人为的情绪化和低效率。
其次,量化投资的各种工具包括系统的投资决策手段和数学模型。从中国量化策略基金的实践来看。金融数量化的程度还处于初步阶段,量化投资的流程还比较简单。中国量化策略基金的量化投资途径多采用从一级股票库初选、并从二级股票库精选。最后对行业进行动态的配置的三步法。以中海量化策略基金的量化投资风格为例,第一步是根据公司盈利能力。选择代表性较强的公司盈利能力指标。如过去三年平均每股收益、资产回报率以及毛利率,以所有A股上市公司为样本。筛选得到一级股票库。第二步是通过相关指标体系,如估值指标和一致预期指标体系。并借助熵值法确定指标权重后。对一级股票库中的股票进行打分和排名,进一步筛选得到二级股票库。其中,一致预期指标值选取各大券商的估值结论,得出市场对上市公司的平均预期值,以此作为市场对公司未来现金流的权威预期。第三步。采用B-L行业量化模型对股票组合进行动态行业配置,对每一个行业形成最佳的权重股组合,提高投资的夏普比率。
最后,量化投资与现在已经很普遍的指数型基金不同。是一种主动投资。这是因为量化投资和指数化投资的理论基础完全不同。指数化等被动投资的理论基础认为市场是完全有效的,这一理论的依据是基金的历史业绩除去基金的管理费用。要弱于大市。因此。对投资者来说,更合理的手段是试图复制市场,以获得和市场相同的长期收益。同时规避所有的非系统性风险。而量化投资的理论基础认为市场是无效的,或者是弱有效的,这一理论的依据在于总有优秀的基金经理可以发现市场的阿尔法收益。支持量化投资的基金经理认为可以通过对经济环境、行业基本面以及公司的分析,主动构建能够超过市场平均收益率的超额收益组合。因此。量化投资属于主动投资的一种策略。综上所述,量化投资并不是一种被动投资,数量化模型的选择、指标的运用就是量化投资中的主动部分。好的量化投资是主动的人为判断和被动的模型筛选的结合。
二、量化投资的优点
量化投资作为一种有效的主动投资工具,是对定性投资方式的继承和发展。实践中的定性投资是指,以深入的宏观经济和市场基本面分析为核心,辅以对上市公司的实地调研、与上市公司管理层经营理念的交流,发表各类研究报告作为交流手段和决策依据。因此。定性投资基金的组合决策过程是由基金经理在综合各方面的市场信息后,依赖个人主观判断、直觉以及市场经验来优选个股,构建投资组合。以获取市场的超额收益。与定性投资相同,量化投资的基础也是对市场基本面的深度研究和详尽分析,其本质是一种定性投资思想的弼!性应用。但是,与定性投资中投资人仅依靠几个指标做出结论相比,量化投资中投资人更关注大量数据所体现出来的特征,特别是挖掘数据中的统计特征,以寻找经济和个股的运行路径,进而找出阿尔法盈利空间。与定性投资相比。量化投资具有以下优势:
一是量化投资可以让理性得到充分发挥。量化投资以数学统计和建模技术代替个人主观判断和直觉,能够保持客观、理性以及一致性。克服市场心理的影响。将投资决策过程数量化能够极大地减少投资者情绪对投资决策的影响。避免在市场悲观或非理性繁荣的情况下做出不理智的投资决策。因而避免了不当的市场择时倾向。
二是量化投资可以实现全市场范围内的择股和高效率处理。量化投资可以利用一定数量化模型对全市场范围内的投资对象进行筛选。把握市场中每个可能的投资机会。而定性投资受人力、精力和专业水平的限制,其选股的覆盖面和正确性远远无法和量化投资相比。
三是量化投资更注重组合风险管理。量化投资的三步选择过程,本身就是在严格的风险控制约束条件下选择投资组合的过程,能够保证在实现期望收益的同时有效地控制风险水平。另外。由于量化投资方式比定性投资方式更少的依赖投资者的个人主观判断,就避免了由于人为误判和偏见产生的交易风险。
当然。无论是定性投资还是量化投资,只要得当的应用都可以获取阿尔法超额收益,二者之间并不矛盾,相反可以互相补充。量化投资的理性投资风格恰可作为传统投资方式的补充。
三、量化投资的局限性
量化投资是一种非常高效的工具,其本身的有效性依赖于投资思想是否合理有效。因此换言之,只要投资思想是正确的,量化投资本身并不存在缺陷。但是在对量化投资的应用中,确实存在过度依赖的风险。量化投资本身是一种对基本面的分析,与定性分析相比,量化分析是一种高效、无偏的方式,但是应用的范围较为狭窄。例如,某项技术在特定行业、特定市场中的发展前景就难以用量化的方式加以表达。通常量化投资的选股范围涵盖整个市场,因此获得的行业和个股配置中很可能包含投资者不熟悉的上市公司。这时盲目的依赖量化投资的结论,依赖历史的回归结论以及一定指标的筛选,就有可能忽略不能量化的基本面。产生巨大的投资失误。因此,基金经理在投资的时候一定要注意不能单纯依赖量化投资,一定要结合对国内市场基本面的了解。
四、置化投资在中国
2011年7月1日,本刊正式引入《今日投资66》专栏,介绍今日投资66的选股逻辑、方法以及挑选出的股票。今日投资66(简称I66)是利用量化投资方法挑选出的一个66只股票的组合。其实早在2005年中今日投资就推出了I66,过去几年累计收益率达到16倍,远超同期市场不到3倍的涨幅。为什么直到今日我们才大张旗鼓地推出I66呢?原因其实很简单,因为市场环境。量化投资近几年在中国快速发展,其投资理念也越来越多地获得认同。
股票市场上形形的各种分析方法总结起来可以归类为三大流派:数量分析、基本面分析和技术分析。关于这三大流派孰优孰劣的争论已经持续了近百年,三方各执一词,百年争论下来也没有争出个结果来。当今世界也是这三种流派大概各占三分之一的格局。而A股市场显然尚未跟上,量化投资远远没有达到三分之一的市场占有率。
第一部分:什么是量化投资
量化投资在海外的发展已有30多年的历史,其投资业绩稳定,市场规模和份额不断扩大、得到了越来越多投资者认可。事实上,互联网的发展,使得新概念在世界范围的传播速度非常快,作为一个概念,量化投资并不算新,国内投资者早有耳闻。但是,真正的量化基金在国内还比较罕见。那么,何为量化投资?
康晓阳:量化就是符合投资常识的投资逻辑和策略
接下来会发生什么?
深圳市天马资产管理有限公司是国内最早开发量化投资模型的资产管理公司,致力于量化投资工作接近十年。作为国内量化投资的“开山鼻祖”,深圳天马的董事长康晓阳先生如下介绍量化投资:
大家看到这个图,鱼跳起来了,风在刮,接下来会是什么?日本发生的9级大地震!2011年3月7日我看到一个报道,有50条鲸鱼在搁浅沙滩,就在发生地震那个县东部的海岸,有的死了,专家解释这些鲸鱼集体迷路了。作为一个地震专家或者学者,其实他们的经验没有告诉他这50条鲸鱼搁浅沙滩跟地震有什么关系。到底有没有关系呢?我们知道5•12四川大地震之前发生了同样的事情,很多癞蛤蟆过马路,这跟地震有什么关系?
投资做股票有两类,讲很多种策略,无外乎就是买你自己喜欢的和买市场喜欢的,买自己喜欢和买市场喜欢的背后逻辑就是找影响股价的要素。
量化是什么?做投资,最终的分析停留在数据上,既然是数据,就可以标准化、固化。从你自己的角度买自己喜欢的东西,其实也可以量化,每个人都有对美的标准,但并不是符合这个指标,你就一定喜欢。如果有一个海选,把符合你喜欢特征的人放在你面前你去选,就可以量化。
鲸鱼搁浅在沙滩上,根据历史数据统计就会发现这个事情跟接下来要发生的事情有什么关联。把人的行为逻辑影响股价所有的要素进行综合分析,预测下一个市场喜欢的东西或者喜欢的策略是什么,简单一句话,量化就是符合投资常识的投资逻辑和策略。就股票来讲,投资标的的数据和因素量化,再用一些模型统计的方法把选出来的标的进行优化,最后成为投资组合,这就是量化的基本逻辑。用数理的方法把你的投资逻辑或者市场的投资逻辑固化,只要有投资逻辑的思想或者策略,都可以量化。
就股票而言,有很多种方法,有价值型股票,分析方法无非是那几种,只是大家的标准不一样,量化的东西可以设一个相对宽松的东西,初选之后再优化,比如成长型股票,肯定关心盈利、收益。选出来10个、20个、50个甚至100、200个股票,然后配比重,怎么优化组合,根据你的风险和预期收益率反推回来怎么优化,最后得出一个比重,哪只股票应该投多少。有些是成本交易,比如套利,什么情况下出现一定条件的时候提示你。
要真正做到量化,首先要有一个基本的理论模型。你要觉得什么样的股票表现好,什么样的股票你愿意投资,这就是量化的基本逻辑。但是,有了这个逻辑之后还不够,还要有复合型人才,因为量化投资不光要懂得投资股票,还要懂得数理分析。打个比方,虽然我很懂股票,但我不懂数理分析,很多计算机模型也不懂,更不懂编程序,要真正做到量化投资,就必须有复合型团队。为什么这么多年华尔街学金融工程、数理、物理的人大受欢迎?因为他们可以用统计工具。前段时间我在英国的一所大学和一些专门做模型分析的教授交流,我发现他们想的东西更加复杂,基本上把市场上任何的东西都想要量化。
我理解,就是去跟踪你的投资逻辑,它只是帮你实现你想法的一种工具。另外还要有高质量的数据,因为,你通常看到的东西和市场本身存在的东西可能并不一样。如果把鲸鱼放到海滩上,这作为数据化,统计过去2000年有多少次鲸鱼搁浅在海滩发生,假如有真实的数据,就可以研究出跟地震的相关性。要懂数理统计工具,建立模型就是纪律,不能改变,改变就不是模型。有人说看到今天不行,换一下,那就不是模型了。我们看过一个电影,造出来的机器人最后自己都控制不了,那就是模型。如果造出来的机器人自己能控制,那不是模型。人为什么能挣得到钱,为什么还要量化?传统是靠个人经验的,而且你看到、听到的东西都是有限的。量化有什么好处?它可以把你知道的东西在整个森林中搜索。计算机是不知疲倦的,晚上你在打鼾,计算机还可以工作。你的模型是你建的,你很理性的情况下建的模型,市场情绪变了,它不会变,那时候你不可能去改模型,所以它不会受情绪的影响。
华泰联合:实现投资理念与策略的过程
国内研究机构中涉足量化投资较早并多次获得新财富最佳分析师评选金融工程第一名的华泰联合证券金融工程团队如是说:
数量化投资是利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程。与传统定性的投资方法不同,数量化投资不是靠个人感觉来管理资产,而是将适当的投资思想、投资经验、甚至包括直觉反映在量化模型中,利用电脑帮助人脑处理大量信息、帮助人脑总结归纳市场的规律、建立可以重复使用并反复优化的投资策略(经验),并指导我们的投资决策过程。
本质上来讲,数量化投资也是一种主动型投资策略,其理论基础在于市场是非有效或弱有效的,基金经理可以通过对个股、行业及市场的驱动因素进行分析研究,建立最优的投资组合,试图战胜市场从而获取超额收益。然而一些定性的投资者却并不太认可定量投资,他们认为,定性研究可以将把股票基本面研究做得很深入,从而在决策深度上具有优势。然而,在当今市场上,信息量越来越大且传播速度极快,单个分析师所能跟踪的股票数量开始显得越发有限,也因此错过了许多优秀的投资机会,可谓是拥有深度的同时错失了广度。量化投资正好弥补了这一缺失,通过使用强大的计算机技术,它能够实时对全市场进行扫描,并依仗其纪律性、系统性、及时性、准确性以及分散化的特点最大概率的捕获战胜市场的投资标的。
事实上,在海外市场,我们看到越来越多的定量与定性完美结合的成功案例。通过向量化模型中加入分析师对未来主观判断的观点(定性的观点),再结合来自于历史规律检验的观点(定量的观点),定量与定性的优势便能得到充分的发挥和融合。我们相信,这也将是未来量化产品发展的主流方向和趋势。
结论
量化研究作为一种研究方法,其本质是使用统计学、数学和计算机工具改进研究效率,使得我们能够在更短的时间、更大的视角领域下,依靠清晰的研究逻辑,获取更为有效和操作性以及复制性更强的研究成果。量化研究的本质是一类发现市场规律的方法体系,其基本功能是认识市场和解释市场,并以做到预测市场为目的。
量化投资简单来讲,它以模型为主体,使用大量数据,并且在很大程度上用电脑这样的投资方式;其以科学性和系统性著称,并将在严格的纪律化模型制约下,紧密跟踪策略,使运作风险最小化,并力争取得较高收益。
第二部分:量化投资在蓬勃发展
量化投资在世界的发展史
美国市场有200多年,从证券市场开始,也有快400――500年了,但是量化的发展是上世纪50――60年代的事。首先有一些理论模型,没有理论模型支撑很难做到量化的东西。
数理化投资于上世纪50~70年论上发芽
Harry Markowitz在上世纪50年表一系列关于投资组合“均值―方差”优化的论文,这使得投资者可以定量化风险,并把风险和预期回报放在一个理论框架下统一考虑;
WilliamSharpe在1964年发表CAPM模型,此模型显示个股的预期回报和个股的风险及市场的预期回报成正比;
Steven Ross在1976年发表APT模型,此模型显示个股的预期回报可以表示成一系列非特定因素预期回报的加权平均,此模型为量化投资者指出了很实用的研究框架;
Black-Scholes在1972年发表关于股票权证的定价模型;
Fama和French在1993年发表三因素模型,此模型显示个股的预期回报由三个因素(市场,个股的市值,个股的市净率)决定;
此后很多研究者做了非常多的实证研究,并发现了一些对个股将来回报有预测作用的因素:比如市盈率,市净率,资产回报率,盈利一致预期,中长期价格动能,短期价格反转等。
数理化投资从上世纪70年代末开始实际运用
Barclays Global Investors(BGI)于1978年创立了全球第一只数量化投资策略基金,到被BlackRocks收购之前BGI以14000亿美元的规模,高居全球资产管理规模之首。
SSgA(道富环球投资管理公司)和 GSAM(高盛国际资产管理公司)为首的一大批以数量化投资为核心竞争力的公司已经成为机构资产管理公司中的“巨无霸”。
“詹姆斯•西蒙斯创办的文艺复兴科技公司花费15年的时间,研发基于数学统计理论的计算机模型,借助该模型,西蒙斯所管理的大奖章基金,从1989 年到2009 年间,平均年回报率高达35%,较同期标普500 指数年均回报率高20 多个百分点,比“金融大鳄”索罗斯和“股神”巴菲特的操盘表现都高出10 余个百分点。
在国外。其他采用量化投资的公司没有获得惊人的表现,并非是量化方法不好,而是他们还没有构建出更好的模型以及正确的策略。作为量化投资的大行家和受益者,西蒙斯承认有效市场的套利机会极少而且会趋同小时,然而,仍然有无数转瞬即逝的很小的机会存在,在证券市场,那些很小的交易,都会对这个庞大的市场产生影响,而每天都会有成千上万这样的交易发生。这个市场看似杂乱无章,却存在着内在规律,而量化操作自从诞生以来,无疑成为捕捉这些规律的一把利器,为海外投资者屡建奇功。
CQA(教育产品内容与数据测试)数据统计:在2002年-2004年三年间,量化产品的平均年收益率为5.6%,比非量化产品的平均年收益率高出1%。从信息比率来看,量化产品为0.37,非量化产品为0.06。此外,量化基金的运作费率相对更低,例如传统产品费率为0.6%,主动量化产品费率在0.45%-5%之间。
理柏(LIPPER)数据显示,2005年到2008年之间,87只大盘量化基金业绩表现好于非量化基金,增强型量化基金在2005年和2006年更是大幅跑赢非量化基金。但2007年和2008年除市场中性基金外,所有基金业绩下滑很快,其中双向策略和大盘量化基金表现差于非量化基金,而增强型和市场中性量化基金表现则优于非量化基金。
量化投资在中国的发展现状
研究力量不断壮大
目前大部分券商研究所都配有金融工程研究小组,成员超过5个的不在少数。根据2010年11月份的《新财富》最佳分析师榜单,国信证券金融工程小组人数有12人,为目前人员配备最多的量化投资研究团队。其他入选金融工程前五名的研究小组中,申银万国8人,华泰联合、安信证券各5人,中信证券4人。
数量化方面的研究报告数量也是逐年增加。据不完全统计,2008-2010年相关报告数量分别有52、142、794篇,今年上半年就达到了633篇,逐年递增趋势非常明显。不过,和2010年研究报告10万多份的总量相比,数量化研究的广度和深度还有很大提升空间。
量化产品初露锋芒
天马旗下的产品中,现有两个信托产品采用量化投资策略,分别是新华―天马成长,和平安―Lighthorse稳健增长。
此外,上投摩根、嘉实、中海基金、长盛基金、光大保德、富国基金、南方基金等都有量化产品推出,但是量化基金的比例还是非常小。即便在2009年,全年新发基金超过100只的情况下,新发的量化基金也仅有4只,数量在2009年的新发基金市场中仅占3%。与指数基金、普通股票基金相比,量化基金可谓是基金市场上的稀缺资源。
2011年,在国内紧缩政策与国外动荡局势的影响下,A股市场呈现结构性震荡上扬的格局。随着市场轮动的提速及内在容量的扩大,精选个股的难度日益加大。在此背景下,定性投资容易受到投资者情绪影响,而定量投资则能够通过计算机的筛选,帮助投资者克服非理性因素,在充分控制风险的前提下应对市场万变。以“人脑+电脑”为主要构建的量化基金逐渐显现投资优势,今年量化基金异军突起,整体表现不俗。截至4 月6 日, 9 只具有完整业绩的主动型量化基金平均收益率为0.64%,超越同期股票型基金和混合型基金-1.39%、-3.08%的净值增长率。其中,“元老”光大保德信量化核心基金收益率达5.19%。此外,南方策略、中海量化策略、长盛量化红利、长信量化先锋、上投摩根阿尔法、华泰柏瑞量化先行基金也均取得正收益,分别达到4.12%、3.28%、2.60%、2.13%、0.77%和0.16%;仅嘉实量化阿尔法和华商动态阿尔法收益为负,分别为-4.48%、-7.94%。此外,从以往披露的公开信息可以发现,国内量化基金多侧重价值因子,也契合今年低估值大盘蓝筹股领涨的市场格局。
第三部分:解读量化投资
在西蒙斯崛起之前,判断型投资完全占据着主流地位,因为当前全球投资界的三大泰斗当中,无论是价值投资的巴菲特、趋势投资的罗杰斯,还是靠哲学思维的索罗斯,都是判断型投资的代表。但随着西蒙斯的声名鹊起,量化投资开始受到投资大众的重视并呈现出蓬勃的发展态势。但需要指出的是,世界上没有万能的投资方法,任何一种投资方法都有其优缺点,量化投资当然也不例外。定量投资成功的关键是定量投资这个模型的设计好坏,设计的好坏主要由模型设计者对市场的了解、模型构建的了解和模型实践经验来决定的。
量化投资的决策体系
量化基金的成功运作必然依托一个完整而有效的量化体系用来支撑,该体系是数据获取、数据处理、资产配置、组合管理到全程风险控制等诸多环节的有机结合。
我们借鉴海外量化基金运作架构的诸多优点,并结合华泰联合金融工程资深研究员的看法,旨在提供一个适合中国市场特点的量化基金运作架构体系。该体系综合考虑了定性及定量两大主要选股思路,在风险可控下,充分发挥量化投资的优势。
此架构包含以下几个主要层次:
1. 数据提供:量化体系的底层一般是数据接入端口,数据来源于外部数据提供商。
2. 数据预处理:由于中国A 股市场历史较短,数据质量一般,特别是早期的数据较为不规范。因此,在输入模型前必须对数据进行全面的清洗,从而增强数据的有效性和连续性。
3. 资产配置:资产配置是量化基金的核心。不同的投资者具有不同的投资理念,即不同的资产收益率看法。因此,通过构建差异化的因子配置模型来实现差异化的投资理念则充分展现了量化投资的优势和精髓。举例而言,我们可以开发针对不同市场状况(如牛市、熊市、震荡市和转折市)以及不同投资风格(如保守、激进和中庸)的量化模块。这些模块就类似于儿童手中的玩具积木,一旦投资决策委员会确定了战略和战术配置比例,接下来要做的就是简单的选积木和搭积木的过程。模块化投资严格的遵循了投资思路,从而将量化投资的纪律性、系统性、及时性和准确性展露无遗。
4. 投资决策:宏观经济政策对中国A 股市场的表现影响较大,也就是我们常说的“政策市”。针对这一现状,综合考虑定性和定量的宏观判断对于我们选择合适的基金仓位及资产组合将十分必要。一方面,结合宏观及行业分析师对于未来宏观经济的预判以及个别性事件的分析,另一方面,考察既定的一系列量化择时指标和宏观经济指标的最新动向,从而能较为全面的提出投资建议。
5. 组合管理:在对于宏观趋势、战略和战术资产配置的全面考量之后,留给基金管理人的工作将是如何实现在交易成本,投资风险以及组合收益三者之间的最大平衡。
经典量化投资模型综述与评价
目前,由于计算的复杂程度和对速度的要求,量化投资的交易过程通常是由电脑自动来完成的,可在某些方面电脑依然不可能替代人脑。投资若要取得成功,就需要顶尖的大脑来罗织数据、发现规律、编制最快最好的电脑程序;此外,量化投资所使用的模型在用了一段时间之后就会慢慢失效,因为越来越多的“山寨版”会出现,因而需要不断发现新的模型以走在这场军备竞赛的前列,而此时需要的就是配备精良、高速运作的人脑。由此可见,模型在量化投资的整个体系中居于核心地位。近几十年来,西方理论界与实务界均诞生了不少量化投资模型,大力推动了量化投资的发展,这其中又大致可分为三大类:传统的基于经济学意义的模型(structural model)、现代的基于数学、统计学意义以及计算机原理的模型(statistical model)、程序化交易模型。以下就这三者分别予以介绍。
(一)传统的基于经济学意义的模型
这种模型虽然用到了一些数学与统计学的工具, 但其核心思想与前提假设仍然是围绕经济学或金融学原理而展开的。例如,B-S 模型与二叉树模型提供了金融产品定价的新思路,因而也衍生出了所谓的以选择权为基础之投资组合保险策略(option-basedportfolio insurance,OBPI),如欧式保护性卖权(protective put)策略、复制性卖权(synthetic put)策略和一些持仓策略―――买入持有(buy-andhold)策略、停损(stop-loss) 策略、固定比例投资组合保险(constant proportion portfolio insurance,CPPI) 策略、时间不变性组合保障(timeinvariant portfolio protection,TIPP)策略、固定组合(constant mix)策略与GARP(Growth at a Reasonable Price)策略等。
(二)现代的基于数学、统计学意义以及计算机原理的模型
与上述模型相比,这种模型“量化”的倾向愈加明显―――淡化甚至忽略经济学或金融学背景,基本上只是依赖先进的数学、统计学工具与IT 技术构建模型,进而确定投资策略。模型中应用的具体方法主要包括参数法、回归分析、时间序列分析、极值理论、马尔科夫链、历史模拟法、蒙特卡罗模拟法等等。
(三)程序化交易模型
随着金融市场的日益复杂化, 越来越多的复杂交易策略被设计出来,这些交易策略很难通过传统的手工方式执行,于是程序化交易应运而生。程序化交易是指按照预先编制的指令通过计算机程序来完成交易的方式,可以分为决策产生和决策执行两个层面:前者是指以各种实时/历史数据为输入通过事先设计好的算法计算得出交易决策的过程,而后者是指利用计算机算法来优化交易订单执行的过程; 也可以从交易频率的角度,分为高频交易和非高频交易。程序化交易使得复杂的量化交易策略得以实施,优化交易指令的执行,解放人力使之把精力更多地集中到投资策略的研究上, 最重要的是能克服人性的种种弱点与障碍从而保证绝对的“客观性”与“纪律性”。然而,这种交易方式也引起了诸多争议,如对速度的过高要求会造成市场的不公平、巨大的交易量可能会增加市场的波动性、容易产生链式反应、为了盈利可能会制造人为的价格而降低市场的有效性等等。
量化投资的主要策略
增强型指数基金:策略的主要目的还是跟踪指数,希望用量化模型找出能紧跟指数但同时又能小幅超越的组合。
非指数型量化基金:能利用绝大多数好的投资机会,而不需去管组合是否能紧跟指数。
多―空对冲基金:买入模型认为能表现好的股票, 卖空模型认为会表现差的股票。有时可能净多仓, 有时可能净空仓。此策略在对冲基金中很流行。在A股市场中能卖空的股票不多,所以一般只能用期指去对冲。
市场中性的多―空对冲基金:买入模型认为能表现好的股票, 卖空模型认为会表现差的股票。在任何时候净仓位为0,同时在各行业上,大小盘风格上的净仓位都为0。此策略在对冲基金中也比较流行。此策略的波动率非常小,在国外一般会加入杠杆。
130/30基金:一般共同基金采用,即买入130%的多仓, 卖空30%的空仓。
程序化高频交易:利用期指或股价的日内波动进行高频买卖。有些策略是找价格模式,有些是利用交易所规则上的漏洞。
可转移Alpha:主要用在增强型指数基金上,具体是用期货来跟踪指数,一部分多出来的钱投资于风险比较小的能取得绝对正收益的策略上。
市场择时/行业轮动/风格轮动:用数量化模型预测市场/行业/风格的拐点
量化投资和传统投资的比较
天马资产首席数量分析师朱繁林博士表示,量化投资区别于定性投资的鲜明特征就是模型,对于量化投资中模型与人的关系,大家也比较关心。可以打个比方来说明这种关系,我们先看一看医生治病,中医与西医的诊疗方法不同,中医是望、稳、问、切,最后判断出的结果,很大程度上基于中医的经验,定性程度上大一些;西医就不同了,先要病人去拍片子、化验等,这些都要依托于医学仪器,最后得出结论,对症下药。
医生治疗病人的疾病,投资者治疗市场的疾病,市场的疾病是什么?就是错误定价和估值,没病或病得比较轻,市场是有效或弱有效的;病得越严重,市场越无效。
投资者用资金投资于低估的证券,直到把它的价格抬升到合理的价格水平上。但是,定性投资和定量投资的具体做法有些差异,这些差异如同中医和西医的差异,定性投资更像中医,更多地依靠经验和感觉判断病在哪里;定量投资更像是西医,依靠模型判断,模型对于定量投资基金经理的作用就像CT机对于医生的作用。在每一天的投资运作之前,会先用模型对整个市场进行一次全面的检查和扫描,然后根据检查和扫描结果做出投资决策。
传统的定性投资强调的是基金经理的个人经验和主观判断,相对来说强调基金经理的单兵作战能力。而量化投资主要是用来源于市场和基本面的模型指导投资。
量化投资可以最大限度地捕捉到市场上的机会。而传统的定性投资受到研究员,基金经理覆盖范围的限制。
量化投资借助模型进行投资,比较客观和理性,更不会受市场和情绪影响。
量化投资的可复制性更好。传统的定性投资易受到基金经理,资深研究员人动的影响。
其实,定量投资和传统的定性投资本质上是相同的,二者都是基于市场非有效或是弱有效的理论基础,而投资经理可以通过对个股估值,成长等基本面的分析研究,建立战胜市场,产生超额收益的组合。不同的是,定性投资管理较依赖对上市公司的调研,以及基金经理个人的经验及主观的判断,而定量投资管理则是“定性思想的量化应用”,更加强调数据。
国内量化基金投资风险分析
(一)量化模型质量产生的投资风险
投资模型本身的质量,是量化基金最核心的竞争力。专业人士以为,对于中国这样的新兴市场,量化投资的关键是能否根据市场特点,设计出好的投资模型。然而,已有的量化基金中,大多简单地利用国外已公开的模型,或是用基金公司自有的一些简单模型,在考察市场的有效性上普遍比较欠缺。如中海量化策略和南方策略优化在行业权重配置中均采用的Black-Litterman(BL)模型。这种模型现是华尔街主流模型,亦是高盛公司资产管理部门在资产配置上的主要工具。然而,在国内市场信息搜集等方面局限性较大的情况下,该系统到底是否有效,是否仅是基金公司体现其“专业性”的一个由头,还有待观察。
(二)基金经理执行纪律打折扣所产生的道德风险
好买基金研究中心的一份报告指出,大部分量化基金在择时、行业配置和资金管理等方面并没有采用量化模型,更多的是基金经理的主观判断。观察这些量化基金的契约和季度报告可以发现,基金要么不进行择时,要么根据主观经验进行择时,这在很大程度上无法体现出模型选股产生的效果。
(三)数量化模型滞后产生的风险
量化基金效果如何,无法脱离资本市场环境的成熟度。量化模型的运用有重要的前提条件,是必须在一个相对成熟稳定的市场中运行,这种市场环境下基于历史数据设计的模型才可能延续其有效性。国内股市曾经大起大落,市场结构和运行规律都发生过质变。在这种情况下量化模型有可能跟不上市场本身的改变,严格的量化投资也难以适应变化。这或许是这种舶来品水土不服的一大原因。可以说,早期的A股市场并不适合量化投资理念,而随着市场逐渐成熟,量化投资的优势才开始逐渐显现。近两年量化投资基金数量成倍增加,也是对这一趋势的反映。
【关键词】金融衍生品 量化投资 相关性 探究
金融衍生品与量化投资之间的相关性是当前经济发展比较重要的研究议题,两者的有效配合在某种程度上能使投资者获得较为丰富的投资收益,并且将风险以及杠杆性将至最低。就当前现状而言,金融衍生品内容越来越多,而量化投资投资工具呈现多元化的趋势,这为投资者提供了较多的投资方式以及渠道,并使其在最小风险值内获取最大的经济收益。文章主要介绍了金融衍生品及量化投资,重点阐述了两者之间的关联性,最后论述了两者有效融合的前提下如何获得最大的经济效益值。
一、金融衍生品与量化投资概念阐述以及其发展
(一)金融衍生品
金融衍生品在我国经济中运用范围不断扩宽,它是基于经济发展而形成的,是社会发展的必然产物,并且对于全球经济有着深远的影响,比如加剧世界经济一体化、促使金融一体化的逐步形成,金融衍生品在我国经济发展中扮演非常重要的角色,带动了我国实体经济的发展。所谓金融衍生品,它是与金融相关,并由其引发的派生物,属于一种金融交易工具。近年来,随着市场经济发展速度不断提升,我国金融市场逐渐趋向完善,这也为金融衍生品的发展提供了良好的契机,使其发展日益壮大并成为金融市场的主力军,并且与信贷以及货币市场联系日益密切,最终促进了金融资产配置的逐渐完善,即风险管理的复杂链条。从目前情况分析,我国经济发展呈现出良好的前景,相对应的工业以及房地产发展相对较好,在此基础之上,依据高杠杆原理,金融产品自身的优势性彻底被展现出来,并为投资者带来相对较好的经济效益值。但是金融产品也存在一定的风险,可谓是一把“双刃剑”,虽然它可促进金融市场的发展,但如果运用不当将会引发极为严重的后果。上世纪90年代以来,就发生了多起由于金融产品运用不当而引发的经济损失,例如:2008年金融危机波及全球,引发金融危机的原因主要是CDS等金融产品,其在美国金融市场运作中出现风险管理不当的现象,也就是风险失控,继而引发了全球性的经济危机。
金融衍生品主要是基于与金融有关产品的通过不同方式衍生而来,主要包含四种基本形式,分别是远期、期货、期权、互换,其价格的变动规律主要是由基础标的物所决定的,随着它的变化而变化的,而金融衍生品的价值主要与基础工具的相关因素有关,比如利率、汇率、市场价格、指数、信用等级等等,从本质上分析,它属于虚拟的有价证券,在某种意义上而言是一种权利证书,给予投资者基础性的权利,且与实物资本有着很大的区别,能够使投资者获得投资收益。与一般金融产品相比,金融产品有了极大的改良与进步,产品结构更为复杂,其定价模式基本比较单一,主要是以复杂数学模型为主,将多种风险以及因子,如Beta、Delta、Rho、久期等,通过多种方式的映射、组合、分解复合等,继而形成金融衍生品,结构层次多样。金融产品虽然为投资者提供了发展契机,但是也存在极大的风险,这种风险的形成与交易与结算有着直接的关联,上述两种交易形式基本发生在将来,基于高杠杆的影响,市场风险难以有效控制,预测就更难以估计。
(二)量化投资
量化投资在我国金融市场发展中得到了进一步推广,相较于定性投资,量化投资科学性更强,并且具备相应的理论依据。在投资过程中,投资者可以利用数学、统计学,还可以借助数据挖掘等方法,以此构建投资策略,管理投资组合,继而实现风险管理,利用数据模型,借助系统交易信号,系统会自动完成相关交易。从本质上分析,量化投资属于工具,投资者可以通过经验累加,然后利用数学模型的功能性,继而实现信息化的表达。量化投资形式具有自身的优势特点,这也是传统投资形式不可比拟的,它主要将投资者经验累积以另外一种方式呈现,即数学模型,继而转化至计算机中,运用相对科学的计算方式,实现产品投资,随着金融市场的日益完善,数学模型也得以不断优化。无论是数量化的投资,还是依靠计算机程序的投资,对于技术的要求极为苛刻,在业界誉为“黑箱交易”,从某种角度分析,量化投资基本不依赖大脑,而是依据交易系统,继而实施具体的决策,上述交易系统是之前确定的,且形式非常复杂的,这样的系统往往具备较高的精准度。与此同时,交易系统开发需要一定的技术支持,即程序算法设计,部分开发者通常会采取相应措施,加密交易系统,以此保障知识产权不受侵害。外界投资者对此并不清楚,具体运行机制也存在极大的疑问。量化投资者基于交易系统的前提下,收集市场最新的数据变化,同时采集与之相关的信息,将其输送至交易模型里,然后通过科学的计算,数据的挖掘,加密信息的处理,最终敲定资产配置方案,确定交易的最佳时机。按照相关公式进行量化投资在某种程度上是一种相对理性的投资,其自身的优势集中体现在分析策略这一环节,突出明晰性以及一致性,与此同时,运用信息与公式,由此获得的结果基本相同,这在某种程度上对交易者非常有利,避免由于其客观性以及随意性而引发的交易失误。
针对量化投资而言,其涵盖多个方面:就现状而言,主要包括量化资产配置、量化投资交易、风险管理。以资产配置为例,必须要基于行业选择的前提下,以此实施有效配置,然后依据策略组合,在行业内开展相关工作,实行资产优化。量化资产投资,它在某种程度上奠定了总体投资方向,确定发展前景最好的行业、风格和产品。换言之,投资者需要根据市场行情变化规律,选择市场以及产品,然后给予最佳资金分配方案。相较于传统的投资形式,量化投资更具一定的优势,更具科学以及合理性,同时兼具高信度。投资者可以依据数据模型,对整个市场进行有效分析,继而给予相对准确的判断,以此进行理性投资决策。
二、两者之间的关联性分析
金融衍生品与量化投资的有效结合能够起到非常关键性的作用,投资者能够选择相对发展较好的金融产品进行量化投资,由此收获了相对丰富的投资收益,因而探讨两者之间的关联性以及有效融合具有划时代意义。近年来,我国金融市场发展形势良好,也因此带动了金融衍生品的迅速扩大,促进了国民经济的迅速增值。但是以我国现有金融衍生品现状来说,无论是从行业总量、规模,还是参与范围及层次方面来看,金融衍生品都还属于小众市场,仍需不断创新与改革。从目前情况分析,对于大部分的投资者而言,他们对于金融衍生品的了解还不够透彻,这也导致了民主对于金融衍生品的了解甚少,基本都停留在电视或是报纸上对于金融衍生品的看法,这于金融衍生品的长远发展是非常不利的。2008年的金融危机,很多实体企业采取了相应的对策,比如参与期货市场,实施套期保值,以此降低生产经营风险,也在某种程度上扩宽市场发展。
金融市场发展速度的加快,股指期货得以大面积扩散,指数期权也扩大了应用范围,这于我国金融市场发展而言是极为有利的因素,为量化投资提供良好的发展契机,迎来发展机遇。借助量化投资原理,运用相关实践方法,通过计算机程序实施投资交易,这将是之后金融衍生品投资的主流方向。
金融衍生品的诞生是社会发展的必然产物,其功能性集中体现在投资风险规避,它形成的主要动因与投资者关系密切,满足其转移风险的需求,同时实现其套期保值实际需求,这一过程又被称为风险对冲,这样可以使投资者运用相对较少的低成本,基于现货价格变动,达到规避风险的目的。从目前形势分析,量化投资在我国金融衍生品上得到了广泛应用,其对冲实践需要借助相关载体,也就是具备一定的期货市场方可实现,但是基于交易品种单一的现状,这使得量化投资产品在某种程度上具有一定的局限性。随着股指期权的诞生,个股期权的逐步实施,扩大了金融市场的投资发展,让更多的投资者增加了风险规避渠道,推动了量化投资范围的不断扩大。量化交易策略也在某种程度上发生了改变,更具创造性,带动实体经济发展。
金融衍生品的诞生以及投入使用促进了我国金融市场交易的逐步完善,这其中金融衍生品的一个非常重要的功能得到了极大的发挥,即价格发现。所谓价格发现功能,主要从参与者角度出发,他们通过获得信息,且基于价格预期,利用公开拍卖形式,或是借助电脑进行撮合交易,这在某种程度上可以获取市场真实需求,供求关系,并且极具竞争性以及预期性的体系。随着世界经济一体化趋势不断加强,世界金融市场不断扩大,与之相关的金融衍生品应用范围也随之不断扩大,金融交易所的相关交易实现跨越式的进步,通过这种形式形成的价格权威性更强。上述价格通过不同的传播工具不断扩散,如报纸、电视、网络等,范围波及全球,俨然成为市场价格的引领者,这为大众提供了良好的平台,让其透过相关经济信息了解经济动态,以便帮助投资者给予正确的决策,借以提升资源配置效率。量化投资相较于传统投资形式具有一定的优势,这主要体现在两个方面:分别是速度与规则,从某种角度分析,我们可以预期,量化交易应用范围,促使市场报价更为紧密,成交更为频繁,从而增强市场流动性。与此同时,基于量化交易策略而言,其中部分交易存在策略的相似性,这对于未来的金融市场影响颇大,集中体现在市场价格波动这一方面,具体表现为高波动性以及规律性,上述改变与量化投资有着非常直接的关联。
金融衍生品是社会发展的阶段性产物,量化投资是基于传统投资形式基础上的创新与变革,两者之间具有一定的关联性,就好比人和人之间的合作,通过量化投资,金融衍生品能够在某种程度上受益,彰显其风险规避功能,量化投资对于投资者而言是巨大的福音,使其更理性地进行投资,从而避免由于自身主观原因而造成的经济损失,与此同时,能够有效消除非预期损失。针对金融衍生品而言,其不断发展对量化投资而言也是非常有益的,为其提供应用平台,借助不同领域资源整合,从总体角度分析,优化金融市场,交易环境不断完善,并且对投资者影响极大,使其投资理念不断升华,投资水平在某种程度上也得到看提高,继而促使投资者通过结合金融衍生品与量化投资获取丰厚的投资收益。总的来说,金融衍生品与量化投资可谓是相辅相成的关系,彼此相互促进又相互影响,协调好两者的关系对金融市场发展益处多多。
三、结语
总体来说,金融衍生品在我国金融市场的广泛运用极大的促进了国民经济的发展,量化投资是一种相对理想的投资理念,将金融衍生品与量化投资有效融合能够获得良好的成效,这于金融市场经济发展而言也是极为有利的因素,为投资者提供了良好的应用平台,促使其获得比较丰富的投资收益。文章主要介绍了金融衍生品以及量化投资的发展,重点阐述了两者之间的相关性。
参考文献:
[1]李东昌.金融衍生品与量化投资相关性研究初探[J].山东工业技术,2015(06).
[2]张梅.后金融危机时代金融衍生品的风险管理与控制[J].湖南商学院学报,2010(02).
[3]寇宏,袁鹰,王庆芳.套期保值与金融衍生品风险管理研究[J].金融理论与实践,2010(05).
[4]林世光.可拓学在金融衍生品市场风险中的量化分析[J].武汉理工大学学报,2010(11).
[5]薛智胜.金融创新风险的防范与监管探析――以金融衍生品为例[J].云南大学学报(法学版),2012(01).
大摩华鑫基金公司首只量化基金――大摩多因子策略基金自5月17日成立以来,截至9月16日,上证综指跌幅达到12.98%,大摩多因子基金净值仅下跌0.3%,在今年同期(4月至6月)成立的偏股型基金中排名第2位,经受住了市场的考验,也更加坚定了大摩量化投资团队“将量化进行到底”的决心。那么,量化是不是等同于模型,量化投资到底有何过人之处呢?带着这样的疑问,记者走访了大摩多因子策略基金经理张靖,让他为投资者解密量化投资的“黑匣子”。
量化模型是工具,投资理念是灵魂
“如果把投资比作吃饭的话,那么‘吃什么’由投资理念来决定,再根据所吃的食物决定使用的吃饭工具,即量化模型。” 张靖认为,在量化投资领域,投资理念才是量化投资的灵魂,决定了投资的逻辑。只有将最根本的逻辑融入适当的量化方法中才能将量化投资的“魔力”发挥出来,创造最大的投资收益。
谈到模型在量化投资中的作用,张靖有其独到的见解,“量化模型的采用必须与投资理念密切结合,并不是越复杂的模型越好,有时简单易操作的模型反而更加有效。正如吃西餐要用刀叉,吃中餐要用筷子一样,与投资理念相匹配的模型才是最好的模型。”
用量化的方法做有把握的事
张靖对量化投资最通俗的解释就是“用量化的方法做有把握的事儿”。换句话说,就是通过对大量样本数据和市场环境的量化分析,通过平衡投资的风险和收益,建立量化模型,捕捉大概率事件,有把握地获取市场上普遍的、稍高于平均水平的超额收益。
另外,张靖提到,量化模型并不是固定不变的,需要逐步提升,不断改进,在变化中总结经验和规律,使得量化模型能够适应市场和投资者投资习惯的变化。以大摩多因子基金模型中现有的动量因子为例,从总体来看,随着市场逐渐回归理性,其效应应该是逐渐递减的。所以随着该因子效应的递减,未来可能会将其从模型中剔除掉。相应地,另外一些新的因子可能会加入模型中。
大摩多因子:量化选股,量化择时,量化交易
提到张靖管理的大摩多因子基金,不得不说该基金将量化投资的特点和优越性展现得淋漓尽致。大摩多因子基金是一只纯量化基金,不但量化选股,也量化择时,并且能够客观地选择交易策略,降低情绪影响,可以说是量化选股、量化择时以及量化交易三位一体的有效结合。
揭开定量投资神秘面纱
与定性投资不同,定量投资更多关注“数字”背后的意义,依靠计算机的帮助,分析数据中的统计特征,以寻找股票运行模式,进而挖掘出内在价值。
李延刚总结了定量投资的三大优势:首先是理性。定量投资是对于基于基本面定性投资方法和工具的数量化统计性总结,它在吸收了针对某种投资风格和理念的成功经验的基础上,以先进的数学统计技术替代人为的主观判断,并能够客观理性地坚持,以避免投资的盲目性和偶然性。“完全的数量化分析过程将极大地减少投资者情绪的影响,避免在市场极度狂热或悲观的情况下做出非理性的投资决策,因而在牛熊市的转换中具有很强的自我调节性。”
其次,全市场覆盖。定量投资可以利用数量化模型对垒市场的投资标的进行快速高效的扫捕筛选,把握市场每一个可能的投资机会,而定性投资受人力精力的限制,显然无法顾及如此广的覆盖面。
此外,数量化投资更注重组合控制和风险管理。数量化的个股选择和组合构造过程。实质上就是在严格的约束条件下进行投资组合的过程,先从预先设定的绩效目标的角度来定义投资组合,然后通过设置各种指标参数来筛选股票,对组合实现优化,以保证在有效控制风险水平的条件下实现期望收益。“换言之,数量化投资模型能够很好地体现组合收益与基准风险的匹配和一致,”李延刚解释。
定量投资是否适应中国市场
“谈到定量投资,不得不提量化投资领域中的传奇人物――詹姆斯・西蒙斯。”李延刚并不掩饰其对这位投资大师的崇敬,“他不仅是世界级的数学家,也是最伟大的对冲基金经理之一。他创办的文艺复兴科技公司花费15年时间,研发基于量化数学模型的计算机模型,借助该模型,两蒙斯所管理的大奖章基金,从1989年到2006年的平均年收益率达到了38.5%,甚至超过股神巴非特。”
值得一提的是,李延刚也来自数量化投资的发源地――北美,他有着6年海外一线投资管理的实际工作经验,深刻领会并掌握了量化投资理念与方法,具备数量化投资领域的成功经验。2007年,李延刚回国后加盟中海基余,着手增强中海基金金融工程团队的寅力。在借鉴国外成熟的投资理念与经验的基础上,结合A股实际,他用了近两年时间对数量化模型进行反复修改与调试。目前,中海基金的金融工程部已经形成从择时、配置到选股等方面的一系列研究成果,并在今年顺势推出中海量化策略基金。
詹姆斯・西蒙斯的神话在中国证券市场能否再次实现?“当其他人都摆西瓜摊的时候,我们摆了一个苹果摊。”李延刚用一个形象的比喻来形容定量投资存国内市场的发展机遇。他认为,目前国内证券市场定性投资者太多,竞争激烈,而数量化投资者则太少,机会相对更多,竞争也很小。李延刚表示,大量实征研究证明,中国证券市场为一个弱有效市场,市场上被错误定价的股票相对较多,留给定量投资发掘市场非有效性的空间也就越大。基于这种考虑,定量投资方法在中国的发展极具发展空间。
“今年推出量化基金并非一时的心血来潮,一方面中海基金金融工程部已经逐渐成熟,而另一方面也是出于市场时机的考虑。”李延刚强调。
他认为,在经历2008年的巨幅下跌后,市场底部已经基本确立,目前小盘股估值相对较贵,短期内市场可能会以调整为主,但未来市场走势仍然存在诸多不确定。在此背景下,如何把握结构性机会将是未来投资关键之所在,利用数量模型进行分析和投资的量化基金具备更好的适应性。中海量化策略基金将把握市场调整时机,采用数量化模型选人具有估值优势和成长优势的大中盘股票作为基石,辅之以部分优质的小盘股票。
“量体裁衣”完善全程量化流程
据了解,中海量化策略基金的全程量化流程分三个步骤,即选股策略自下而上,施行一级股票库初选、二级股票库精选以及投资组合行业权重配置的全程数量化。
“就像裁缝做衣服一样,量化基金在投资中也要通过‘量体裁衣’来完善全程量化流程。通过全程量化与基金经理的思想相配合,才能做出优质的量化基金。”李延刚表示。
首先,选取代表性最强的反映公司盈利能力的指标,对于所有的A股上市公司进行筛选从而得到一级股票库。“主要通过对所有A股股票过去三年平均EPS(每股收益)、ROE(净资产收益率)、毛利率三项指标进行筛选,它们能分别较好的反映上市公司的获利能力,从而得到一级股票库。”李延刚说。
其次,通过盈利性指标、估值指标、一致预期指标,熵值法确定指标权重后,对一级库股票进行打分排名,从而筛选出二级股票库。其中,一致预期指标则是通过各券商分析师的调查后,得出上市公司盈利预期数据平均值,以此权威性地反映市场对公司未来盈利的预期水平。“中海量化基金引入一致预期作为选股指标,可以全面、权威的反应市场对上市公司未来盈利的预期水平,为投资决策提供更为真实和前瞻性的依据。与此同时,还可以根据预期的变化及时动态调节,更加适应股市的震荡波动。”李延刚强调。
关键词:量化分析;风险态度相关性;相关系数;理性投资
一、要解决的问题
(1)问题一:根据所给数据量化分析处理公众投资者的个人状况、信息获取方式、媒体信任程度、风险态度。(2)问题二:在量化分析处理公众投资者的个人状况、信息获取方式、媒体信任程度、风险态度的基础上,建立合适的数学模型分析它们之间的相关性;
二、模型的假设
(1)建模时在所有的问题答卷中剔除那些相关性不大的问题,只从中选取具有代表性的问题,以减少建模复杂度。(2)建模过程中的各变量是相互独立的且数据有很强代表性。(3)证券市场是有效的,且价格的变动具有惯性。
三、模型的建立与求解
(一)对问题一的求解
(1)模型的准备。通过对数据的分析,我们从所有47个问题中选出20个具有代表性的问题,将提炼出的问题分成4大类:个人基本信息状况、信息获取方式、媒体信任程度、风险态度。
(2)模型的求解与量化分析。通过对第一大类个人基本信息状况中所选取的5个问题进行量化分析得到个人基本信息状况的量化分析,在所有调查的616名对象中,女性共有236人,女性投资者占总投资人数将近四成。我国投资者的年龄主要集中在30岁以下,占调查总数的36.4%,其次是30~50岁,占比为31.2%,二者之和占到调查总数的近70%。60岁以上投资者仅占8.4%。尽管中高学历投资者居多,但分析表明,教育程度与投资者收益没有明显关系。其次在广大投资者当中97%的投资者属于中产阶级,62%的投资者目的在于改善生活,83.5%的投资者对上市公司只是部分了解,这也显示出了中国投资者投资证券的意愿不强,市场的积极性未完全调动,但同时也说明了我国证券市场还有很大部分未开发,证券市场前景广阔。
通过对第二大类信息获取方式中所选取的5个问题进行量化分析可知65%投资者投资知识来源于时间和杂志,65.5%的投资者做投资时是经过理性分析的,这反映出我国大多数投资者是属于风险厌恶者或者倾向于风险厌恶,在进行投资时还是比较理性的。其次有77.6%的投资者认为以往的投资经验对现在或未来的投资是有用的。73%的投资者会关注财经新闻的报道,85%的投资者主要从网络,电视,报纸杂志等媒体中获得投资信息。
通过对第三大类媒体信任程度中所选取的5个问题进行量化分析得到的媒体信任程度量化分析表如表1所示。
从表1可以看出53%的投资者最初进入股市的原因是认为有利可图,自己决定进入。对于媒体反复推荐的股票,68%投资者不会购买,对媒体的信任程度还是比较低的。其次有76.6%的投资者觉得媒体上推荐的股票是有一定道理的,但有40.4%投资者之所以相信媒体上推荐的股票是因为自身能力的不足,只好相信媒体推荐。同时,在听取各类人士意见时,35%的投资者相信身边熟悉炒股的朋友。总之,我国投资者对于媒体的信任程度还是偏低的,这同时意味着我国的证券业还有着巨大的发展空间。
通过对第四大类风险态度中所选取的5个问题进行量化分析得到的风险态度量化分析表如表2所示。
根据表2分析显示,投资者的操作模式相对稳定,3个月内换手1次或更短的投资者占比最多,总体来看,投资者的持股时间相对较短,长期投资者占投资者比例较小。从趋势上看,在2008年以来的下跌行情中,投资者更倾向于频繁换手,3个月内换手1次或更短的投资者逐渐增加至62.4%,持股半年内的比例明显下降至28.6%。至于持股一年以上的虽有所增加,但平均占比不高,这部分长期投资者的增加不能排除是因套牢产生的被动长期投资。股票下跌时,只有不到20%的股民会选择低价再买入,再一次反映出我国股民大多数属于风险厌恶者。同时,面对股价下跌,但持有目标是五年时,62%的投资者会维持不动,但面对股价下跌,但持有目标是三十年,只有42%的投资者会继续维持不动。总之,投资者个人承担风险的态度还是比较理性的。
(二)对问题二的求解
(1)模型的准备。证券市场市场参与者众多,市场机制更为复杂,信息不对称现象更为明显。对于风险态度的衡量,在影响证券销售量的因素中,有价格,上市公司市场信誉,投资者的风险态度等。本题中着重量化被调查者的风险态度。为了确定投资者分别隶属于风险厌恶,风险中性,风险偏好哪种类型,我们在分析数据的过程中,给每个问题每个选项赋分的原则如下:1)选A、B、C、D的基础得分分别为1、2、3、4。2)将投资者的态度分为(0~30)风险厌恶型,(31~60)风险中立型,和(61~90)风险喜好型。
相关系数用来反映两者之间的相关性,考虑相关系数r时,我们遵循以下准则:1)当r>0时,表示两变量正相关,r
通过数据分析,我国投资者的总体风险态度是介于风险厌恶和风险中立的,由此可以看出投资者较为希望通过风险投资增加其个人收入。但是由于客观、主观因素,投资者中,持观望态度者较多。
(2)模型的建立与求解。根据题目提供的数据以及前面的赋值,算出所有被调查者的风险态度值,并选出问卷中的第二问跟风险态度进行相关性分析,则有:
结果为a=[1 1 1 2 1 1 4 3 2 1 1 1 1 3 2 2 4 3…1]
对应的风险态度值为b=[44 44 46 45 41 42 47 41 54 46 38 49 51 53 53 50 44 44…47]
根据以上分析可知总体个人状况与风险态度的相关性小,由此得出我国近段时间进行投资的民众数量较大,覆盖到不同民众的方方面面。信息获取方式与风险态度之间联系大、得知在我国的投资领域,投资者的信息获取途径和多少对其投资的方向性还是有较大的影响。媒体信任程度与风险态度之间的相关性适中,可知部分投资者对待媒体信息的态度还是比较冷静。
参考文献:
[1] 杨桂元,黄己立.数学建模[M].合肥:中国科学技术大学出版社,2008.
[2] 李柏年,胡守信.基于MATLAB的数学实验[M].北京:科学出版社,2004.
[3] 魏捷.关于调查问卷中定性数据处理方法的探讨[D].中南财经政法大学 2008.
计算机给投资带来的改变
1997年5月11日,国际象棋世界冠军卡斯帕罗夫与1BM公司的国际象棋电脑“深蓝”的六局对抗赛降下帷幕。在前五局以2.5对2.5打平的情况下,卡斯帕罗夫在第六盘决胜局中仅走了19步就向“深蓝”拱手称臣。整场比赛进行了不到一个小时,卡斯帕罗夫赛后说,在最后一局时,“我已经无力再战。”于此同时,利用计算机和数学模型来进行数量化投资的基金正迈入高速增长期。
量化基金即以数量化投资来进行管理的基金。数量化投资区别于基本面投资,他不是通过“信息和个人判断”来管理资产,而是遵循固定规则,由计算机模型产生投资决策。量化投资并不是基本面分析的对立者,90%的模型是基于基本面因素,同时考虑技术因素。由此可见,它也不是技术分析,而是基于对市场深入理解形成的合乎逻辑的投资方法。
数量化技术发源于20世纪70年代,以1971年富国银行发行跟踪纽约证券交易所1500只股票的指数基金为标志,此后随着计算机处理能力的提高,越来越多的物理学家和数学家离开学校被华尔街雇佣,基金经理们开始依靠电脑来筛选股票。
1979年巴克莱全球投资(Barclays Global Investor)成立了第一支主动数量(Quantitative & Active)投资基金标志着量化投资由草根实践走到了公募基金历史舞台聚光灯下。此后,Vanguard,Federated,Janus,American Century,Alliance Bernstein,Evergreen以及Schwab都开始在运作数量化基金,他们也都开始加入Barclays Global Investors和LSVAsset Management的阵营,后两者是数量化基金管理中最大的两家公司。另外,NumericInvestors和AQR CapitalManagement是增长最快的数量化基金公司。
根据Bloomberg的数据,截至2008年底,1184只数量化基金管理的总资产高达1848亿美元,相比1988年21只数量化基金管理的80亿美元资产来说,平均增长速度高达20%,而同期非数量化基金的年增长速度仅为8%。
2000年之后是数量化基金发展的黄金时期,无论是个数还是管理规模都有了跨越式的发展。1998年数量化基金仅136只,至2002年增长一倍多,达316只,2008年底更是达到1848只,1988年至1998年年平均增长率为46%,2000年至2008年年平均增长幅度达54%。从规模上来看,1988年至1998年年平均增长率为32%,2000年至2008年年平均增长幅度达49%。
其中的原因有二:一是,2000年之后计算机技术飞速发展,为数量化的应用提供了良好的平台;更为主要的是主动管理型基金很难战胜大盘,于是投资指数基金以及采用数量化方法筛选股票逐渐流行起来。而且数量化基金的表现也非常不错。2002年至2007年5年间,相比美国市场主动型管理基金每年5.93%的超额收益,那些覆盖所有资产的数量化基金每年的超额收益可以达到6.95%。另外,有研究表明,2004年至2007年,投资美国大盘股的数量化基金产品的表现平均超越非大盘主动型基金103个基点。
模型――量化基金的心脏
数量化基金的兴起,建立在数量化投资技术的发展之上。在20世纪80年代,大量复杂模型得以发展,这包括:混沌理论(chaos theory)、分形(fraetals)、多维分形(multi-fractals)、适应过程(adaptive programming)、学习理论(leaming theory)、复杂性理论(complexity theory)、复杂非线性随机理论(complex nonlinear stochasticmodels)、数据挖掘(data mining)和智能技术(artificial intelligence)。然后,回归分析(regression analysis)和动量模型(momentum modeling)仍然是被调查者使用最广泛的数量化投资方式。
数量化基金最明显的优势之一就是计算机处理数据的能力远远胜过人脑,这使电脑在海量股票选择中占有绝对优势。例如在嘉信证券的股票评级系统跟踪的股票超过3000只,并且每只股票都综合了基本面、估值、动理和风险因素进行打分,并按分数高低给A至F不同的评级。其次。量化基金是以定量投资为主,用纪律性较强的精细化定量模型,代替了基金经理或分析师在定性层面的主观判断,使投资业绩较少受到个人“熟悉度偏好”的影响。最后,数量化基金收取的费率及管理费用比传统的主动型基金低很多,因为他们需要的研究人员更少,成本更低。据Lipper调查,数量化基金的平均费用是1.32%,相比而言,主动型基金的管理费用平均达到1.46%。
数量化投资理念成就了一大批数量化基金经理,詹姆斯・西蒙斯无疑是其中的佼佼者。他所管理的大奖章基金对冲基金(Medallion),从1989年到2006年的17年间,平均年收益率达到了38.5%,而股神巴菲特过去20年的平均年回报率为20%。从1988年成立到1999年12月大奖章基金总共获得2478.6%的净回报率,超过第二名索罗斯的量子基金一倍,而同期的标准普尔指数仅有9.6%。即使在次贷危机全面爆发的2007年,该基金的回报率仍高达85%。
然而量化基金并非所有市场都能有效战胜非量化基金。Lipper把基金分为四类型,每一类型量化投资与传统投资比较,2005年量化投资基金战胜传统基金,而2006年在增强指数型基金中,量化投资落后于传统型基金,到2007年情况则发生较大转弯,除市场中立基金外,其余量化投资基金全部跑输传统型基金。在考虑了风险、跟踪误差后,数量化投资具有更小的跟踪误差和更高的回报。研究表明数量投资基金业绩具有很强的轮动特点。大部分数量投资基金具有很强的价值投资偏好(value bias),因此,他们在价值型市场下表现良好,而1998-1999年是成长型市场,数量化投资基金大部分跑输传统型基金。2001-2005年是价值型市场,数量化投资基金普遍表现优异。
用数学创造财富
国内基金业虽然历史较短,但发展迅速。美国等成熟基金市场的现状,也很可能会是我们未来的发展方向。指数基金、量化基金以及免佣基金等品种,在未来有望陆续发展壮大,受到越来越多投资者的认可。
目前,国内基金市场上有4只量化基金,光大保德信量化核心、上投摩根阿尔法、嘉实量化阿尔法、中海量化策略,其中后两只均是今年才成立,前两只分别成立于2004年8月和2005年10月。
光大保德信量化核心一方面通过光大保德信的多因素数量模型对股票的预期收益率进行估算,个股预期收益率的高低决定投资组合是否持有股票;另一方面,投资团队从风险控制角度,重点关注数据以来的信息,通过行业分析和个股分析形成对量化的补充;最后由投资组合优化器根据预先设计的风险构建组合。
上投摩根阿尔法基金的描述则是同步以“成长”与“价值”双重量化指标进行股票选择,然后研究团队将对个股进行基本面审核,结合跟踪误差的紧密监控,以求不论指数高低,市场多空皆创造主动管理回报。投研团队最终决定进入组合的股票,量化分析是辅助和基础。
嘉实量化基金“定量投资”为主,辅以“定性投资”。通过行业选择模型,捕捉具有投资吸引力的行业,然后再在所选行业中运用Alpha多因素模型筛选个股。定性的辅助作用表现在利用基本面研究成果,对模型自动选股的结果进行复核,剔除掉满足某些特殊条件的股票。
中海量化策略以量化模型作为资产配置与构建投资组合的基础。根据量化指标实行从一级股票库初选、二级股票库精选,再根据相关模型计算行业配置权重。结合行业配置权重,组合中每只股票的配置比例。