时间:2023-07-13 16:36:13
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主要方法范例。如需获取更多原创内容,可随时联系我们的客服老师。
刚开始的时候,西蒙斯的投资方法和许多人类似:通过对宏观基本面的分析来判断外汇和商品的价格走势,然后进行相应的买卖。但是投资开始还没过两年,西蒙斯就决定完全离开校园,全职进行投资活动。1978年,他离开石溪大学,成了专业投资人。他成立了一个叫林姆若伊的基金,专门从事各种投资,其中主要是外汇交易,但是也包括投资各种小公司的现在统称创投基金的投资活动。10年间,林姆若伊基金的投资回报是25倍,相当于每年增长38%左右,这和后来西蒙斯管理的大奖章基金的回报差不多。那时候西蒙斯还是花很多时间来关注宏观经济事件,比如美联储什么时候加息啦、加息之后美国债券的长期利率和短期利率都分别会有什么变化啦之类的东西。他当年的投资方法是判断型的,直到10年以后的1988年,大奖章基金鸣锣开张,西蒙斯的投资方法才完全转型,从判断型转到量化型。
这里我们要岔开话题,说说投资方法都有哪些类型。其实分起来也很容易,按照投资决策的方式,可以分成判断型和量化型两类。判断型投资者根据各种信息以及个人过去的经验来确定买卖什么、买卖多少、什么价位执行、交易如何退场(止损、止盈)等,这里面最有代表性的人物正是西蒙斯在纽约的邻居索罗斯。股神巴菲特也应该算是判断型的投资者。
投资行业一般把量化型的投资称做“黑箱”。简单来说,量化投资者不依靠大脑的判断,而是靠数学公式来投资。比如:量化投资者把最新的市场及其他相关信息输入到他的秘密公式里,公式得出的结果说买中石化,量化投资者就出去买中石化。过了一段时间,一天或者个把月,也可能是几秒之后,量化投资者又把最新的信息输入他的秘密公式,公式的结果说卖中石化,量化投资者就卖了。量化投资者和判断型投资者的最主要的区别在于,不用判断,而是完全依照公式。公式的好处是它的一致性:同样的信息输入同样的公式,得出的结果是一样的,跟输入的人是谁没有关系。西蒙斯正是量化型投资者的代表。量化型的投资方法还很年轻,它的发展壮大也不过是最近30年的事情。
投资方法还可以根据投资决策所凭借的信息类别来分,分成基本面型和技术型两类。基本面型的投资方法按照宏观经济或者公司盈利的各类指标来进行投资决策,而技术型的投资方法则一般是按照过去的价格走势来判断的。也有许多投资方法既不靠基本面,也不靠过去的价格走势,为了定义的严谨,我们把任何使用非宏观经济指标和公司营运指标来分析投资的方法都归入技术型投资之中。
据2007年的统计,全球70%的钱都是凭借基本面型的投资方法来操作的,30年之前,这个比率应该超过90%。技术型、量化型的投资虽说可以溯源到20世纪初,但是它们的发展和壮大是近30多年的事情,尤其是使用数学工具和电脑的量化投资方法。在金融危机的影响之下,很多投资行业受到影响,但是量化投资(包括指数投资)仍然是基金管理里面增长最快的一个部类。
综合上面两组分类方法,投资方法可以细分为基本面判断法、基本面量化法、技术判断法和技术量化法。索罗斯和巴菲特都应该属于基本面判断法,从目前了解的信息来判断西蒙斯属于技术量化法。技术判断法的追随者很多,它有另外一个名字:技术分析法,或者图线法。人们对技术分析这个行当的态度其实也类似于对金庸小说的态度:有人说好得不得了,有人则不屑一顾,认为这和占星术没什么不同。其实这类投资方法和西蒙斯的大奖章基金有很多相似之处,西蒙斯的林姆若伊基金在1978~1988年之间的投资方法很大程度上都可以归于技术判断方法,后来的大奖章基金也可以说继续走技术型投资的道路。
【关键词】量化投资 量化投资策略 资产配置
量化投资是投资者借助计算机信息化建立数学模型,把最新市场数据和相关信息输入到模型中,通过公式计算出投资对象,做出最优投资决策。量化投资不依靠投资者的感觉直觉,不依赖个人判断,而是将其经验利用信息通过模型实现投资理念。同时,投资者期望达到收益和风险的合理配比,利用夏普比率等科学方法控制收益和风险。量化投资者不用每天重复的分析琐碎信息,只需要不断完善这个模型并不断创造新的可以盈利的模型。
二、量化投资策略
(一)量化投资策略分类
量化投资策略,主要包括量化择时策略、统计套利策略、算法交易策略、组合套利策略、高频交易策略等。
(1)量化择时策略是收益率最高的一种交易策略,通过对宏微观指标的量化分析判断未来经济走势并确定买入、卖出或持有,按照高抛低吸原则获得超额收益率。在量化择时策略中,趋势跟踪策略是投资者使用最多的策略。量化择时分析策略包括:趋势跟踪策略、噪音交易策略、理易策略。
(2)统计套利是风险套利的一种,通过对历史数据的统计分析,利用统计学理论,估计相关变量的概率分布,判断规律在未来一段时间内是否继续存在。统计套利策略包括协整策略和配对利差策略、均值回归策略以及多因素回归策略。
(3)算法交易又称为自动交易,主要是研究如何利用各种下单方法,降低冲击成本的交易策略,将一个大额交易通过算法拆分成数个小额交易,以此来减少对市场价格造成冲击,降低交易成本。算法交易策略包括交易量加权平均价格策略、时间加权平均价格策略、盯住盘口测量、执行落差策略、下单路径优选策略。
(4)组合套利策略主要针对期货市场上的跨期、跨市及跨品种套利的交易策略。组合套利策略包括均衡价格策略、套利区间策略、牛市跨期套利、熊市跨期套利等。
(5)高频交易是一种持仓时间短、交易量巨大、交易次数多、单笔收益率低的投资策略,人们从无法利用的极为短暂的市场变化中寻求获利的计算机化交易,依靠快速大量的计算机交易以获取高额稳定的收益。高频交易策略包括流动性回扣交易策略、猎物算法交易策略和自动做市商策略。
如下是量化投资中几种主要的投资交易策略:
(1)趋势跟踪策略。趋势跟踪策略追随大的走势,向上突破重要的压力线可能预示着更大一波的上涨趋势,向下突破重要的支撑线可能预示着更大一波的下跌趋势。趋势跟踪策略试图寻找大趋势的到来,在突破的时候进行相应的建仓或平仓的投资操作来获得超额收益。
趋势型指标进行择时的基本理念是顺势而为,跟踪市场运行趋势。在趋势策略中使用的技术指标是最多的,常用有:移动平均线(MA)、平滑异动移动平均线(MACD)、平均差(DMA)、趋指标(DMI)等。
(2)噪音交易策略。噪声交易是指交易者在缺乏正确信息的情况下进行密集交易的行为。有效市场中噪声只是一个均值为零的随机扰动项,但市场并不总是有效的,市场上有很多异常信息,往往有人能够提前获得这些异常信息,很可能对投资的判断提供重要的价值。噪声交易策略的运用主要是机构投资者通过计算得到市场的噪声交易指数,监测该指数的变化,根据其变化来设计量化交易策略。
(3)协整策略。在统计套利策略中,协整策略是应用最广泛的一种策略。协整套利的主要原理,是找出相关性最好的几组产品,再找出每一组的协整关系,当某一组投资产品的价差偏离到一定程度时建仓,买入被低估的资产、卖出被高估的资产,当价差均衡时获利了结平仓。协整策略包括协整检验、GARCH检验、TARCH检验以及EGARCH检验。
(4)多因素回归策略。多因素回归策略,也是一种被广泛使用的投资策略。这一策略利用影响投资收益的多种选择因素,并根据其与收益的相关性,建立多元回归模型,简化投资组合分析所要求的证券相关系数的输入,这类方法的代表是套利定价模型。
(二)量化投资策略组合
量化投资策略组合综合考虑交易商品、策略类别、策略数量、时间周期因素。量化投资策略组合相比较单一投资策略有以下优势:
(1)策略组合降低了对单一策略的依赖,当单一策略失去竞争力,使用策略组合的方式,可以利用不同产品价格变化、变化幅度、周期等多个方面把握投资机会,在一定程度上保证了稳定的收益率,盈利机会更多;
(2)策略组合可以分散单一策略的交易风险,降低风险,通过策略组合将投资风险分散化,尽可能规避市场风险、策略风险及系统风险等。
三、量化投资资产配置
资产配置是指资产类别选择,即投资组合中各类资产的适当配置及对这些混合资产进行实时管理。量化投资管理打破了传统投资组合的局限,它与量化分析结合,将投资组合作为一个整体,确定组合资产的配置目标和分配比例,深化了资产配置的内涵。
资产配置包括战略资产配置和战术资产配置两大类。战略资产配置是长期资产配置,针对较长时间的市场情况,控制长期投资风险以达到收益最大化。战术性资产配置是依据资产预期收益的短期变化,获取超额收益的机会。因此,战术资产配置是建立在长期战略资产配置过程中的短期分配策略,二者相辅相成。在长期投资活动的战略资产配置下,战术性资产配置利用其积极的灵活的投资机会,适当的配合战略资产配置,获取较高收益。
四、前景展望
在量化投资飞速发展的今天,它己经成为金融市场中不可忽视的一个领域,中国的金融市场在逐步发展及完善,中国的量化投资也会继续发展和前进,随着量化投资方面的加大投入,量化投资的进程加快,中国量化投资的前景无限。
参考文献:
2013年可谓我国对冲基金快速发展的一年。越来越多成熟的投资者关注到这个投资品类,并认可其投资机会及资产配置功能。
但说起对冲基金,很多人还是不可避免地联想到“量化对冲”、“程序化交易”等相关词汇。那么这些概念之间到底有怎样的关联呢?是不是对冲基金一定要采取对冲或量化投资呢?
并非所有对冲基金都采取对冲手段
顾名思义,对冲基金给人印象是运用对冲工具对冲风险的基金。但是,实际上并非所有对冲基金一定都采取对冲手段。对冲基金相对于传统的公募基金而言,主要是在基金结构方面的区别。
一般来说,对冲基金具有以下特点:
第一,受更少的监管。国内的公募基金要求每季度披露季报,公布基金仓位和重仓股等核心信息,基金投资范围也受到严格的控制。至今我国还没有一只投资商品期货的公募基金,去年底成立的嘉实绝对收益策略是国内目前唯一一只可投资沪深300股指期货的市场中性策略的公募基金。而私募基金可以不公开任何与投资相关的信息,投资范围也广泛的多。
第二,更长的封闭期。国内的对冲基金通常在成立后的半年内处于封闭期,不能申购赎回,或者只许申购不准赎回。此后,走信托通道的产品每月开放申购和赎回,而走公募基金专户或是公募基金子公司的产品每季度才开放一次申购和赎回。降低流动性是为了减少申购与赎回对基金运作的不良影响,有利于保护投资者的收益,有助于基金经理的投资运作。
第三,收取业绩提成。公募基金的收费主要是前端认购费和固定管理费,而私募基金除了这两部分外通常还收取20%的超额业绩提成。有些业绩出色且有溢价能力的对冲基金甚至收取30%的业绩报酬。
第四,偏向于绝对收益的投资方式。我们都知道,公募基金的比较基准往往是沪深300等大盘指数,基金经理的考核通常是同类基金排名。这就是所谓相对收益型的业绩导向。而对冲基金的业绩基准通常是定期存款利率。由于基金管理人为了获得更高的业绩报酬,所以更在乎基金的绝对收益水平,而不是相对大盘指数的相对收益或是业绩排名。这种绩效方式就会引导基金管理人在投资方式上更偏向于绝对收益的方法,能采用对冲工具的可以进行风险敞口的对冲,不运用对冲工具的也会通过调节仓位来控制基金净值的下行风险。
并非所有对冲基金都采用量化投资
量化投资强调的是在投资的过程中加入定量化的方法和手段。
传统的股票型基金经理在投资的过程中更多的是依据自己对宏观经济、行业发展趋势以及企业经营状况的主观判断。虽然在做决策前基金经理也阅读了大量数据,但这些数据转换为投资决策是在人脑里完成的。这个决策过程涉及到很多定性的判断,模糊的处理,是一个非量化的决策过程。
而所谓量化投资就是尽可能将决策过程模型化、可视化、透明化。在模型化的过程中,势必会引入不少定量的方法,用到很多金融、经济、数学以及统计等学科的工具和手段。
举个简单的例子,我们注意到股票市场的投资者对于经济同步数据是比较敏感的。比如,制造业采购经理指数(PMI)如果在50%以上表明经济处在扩张区间,越高反映经济发展得越乐观。此时,主观投资者会在参考PMI当期数值、前期数值以及市场预期值后综合来判断是否该介入购买股票,而量化投资会设一个硬性的标准,比如PMI创出近3月新高即买入股票,或是PMI超过55%才买入股票等等规则,一旦事先设定的规则触发就形成了交易信号。
量化投资可以很简单,也可以很复杂。像前面提到的这个例子就是个极为简单的量化投资方法,连计算器这样简单的工具都不用就可以实现。如果规则较多,涉及的步骤较多,或是需要大量的计算,那么就要借助电脑程序来实现。
与股神巴菲特的“价值投资”不同,西蒙斯的投资成就依靠的是“量化投资”。这位24岁起就出任哈佛大学数学系教授的数学天才,依靠数学模型和计算机技术捕捉着市场机会。他认为,数学模型比主动投资能够更有效地降低风险。
虽然中国人对西蒙斯这个名字还比较陌生,但“量化投资”产品在华尔街已经非常普遍。受益于计算机技术的提升和市场历史数据供应的完善,进入21世纪后,这一投资方式开始飞跃成长。2000年至2007年间,美国“量化投资”产品的总规模翻了4倍多,超越了同期美国共同基金总规模(定量+定性)的增长速度(翻了1.5倍)。“量化投资”在美国全部投资中的占比,从1970年为零发展到2009年30%以上。
什么是“量化投资”?
可以说“量化投资”是随着计算机科技而发展起来的。简单地说,“量化投资”就是将人的投资思想反应在数量模型中,并利用电脑处理大量信息,从而进行投资决策。建信上证社会责任ETF基金经理叶乐天介绍,“量化投资”在美国的发展比较蓬勃。在华尔街的投资行为中,同一个套利机会下,谁下单早谁就就能抓住机会,这些都得益于计算机运行速度越来越快。也往往就是这几毫秒的领先,就可以挣到万分之一的收益。万分之一虽然不多,但是日积月累,就可能有很高的收益。
目前“量化投资”在中国还是一个新概念,处于起步和发展之间的阶段,可以说是少数派的地位,普通老百姓不太熟悉,产品较少,也缺乏明星产品和明星基金经理。
与市场熟悉的“定性投资”相比,“量化投资”主要是在研究方法上与其不同。“定性投资”的公司基本面研究是靠到企业调研,看研究报告,与高管深入交流、了解大股东诉求,了解公司发展规划之类,有很深的深度。“量化投资”则注重广度,比如市场上有2000只股票,就把2000只全都抓起来,“量化投资”的数据越多反而越好。叶乐天以市场中一个很形象的比喻来形容上述两种投资的异同:“定性投资”和“定量投资”的差异如同中医和西医的关系。“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,我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。
叶乐天笑称,与定性投资基金经理经常出差不同,他主要的工作都在案头。他主要是搜集数据,进行数据处理,还有编程。虽然表面上看不如定性投资基金经理忙碌,但其实工作量一点不少。
排除“人”的情感
一位“量化投资”基金经理一开始是学习理论方面的知识,比如数学知识和统计学知识;然后对历史数据进行分析;参考市场中已有的成功模型,汲取巨人的智慧;接着是建模;然后测试,测试中有很多细节需要考虑,比如冲击成本等;最后是搭建一个平台,确保数据到达后,模型能够响应,进行处理和输出。每一步都非常复杂。
在这个过程里,不仅数学模型不具备自己的情感,基金经理也要尽可能地剔除“人”的思维。这其中便是对纪律性的超高要求。虽然量化模型是由人设计的,具体的交易单由模型产生,但基金经理在经验总结以及模型设计时容易保持理性,在个股的交易时却不免受制于人性的弱点。叶乐天说,正如西医检查一般,量化模型的最大的特点就是可以克服人性的弱点,他不会有恐慌,也不会有贪婪。所以只要模型和数据是正确的,基金经理平时都不会去干预和控制模型的输出。
2007年次贷危机的爆发,在一定程度上可以说就是人的情感对模型干预造成的失误。华尔街为衍生品定价的模型并没有错,错的是人在设定参数的时候对当时的金融形势过于乐观,过分信任金融衍生品工具。
但尽量不干预也不是完全不干预,比如下面这两种情况:一是程序发生错误,二是模型错误。模型错误主要指的是股票走势与预测相差特别大,超过了统计意义上显著的差别,这时就需要更新一下模型,但一般不会太频繁。
另外一种发挥人的主观能动性的情况就是对虚假数据的剔除。叶乐天介绍,“中国很多数据都经过修饰,对我本人来说,我不喜欢根据宏观数据择时,更多地是相信多因子模型。我们现在有很大一部分工作是进行数据清理,包括上市公司经过修饰的财务数据。但是有一块是没有经过修饰的,就是技术面的数据,比如成交量和成交价格,这是由市场PK决定的。同时由于中国市场有坐庄的人,所以我们在小股票的选择上也会比较慎重。在数据清理方面与基本面有关,所以我们也会和研究员沟通。还包括异常值的去除,取中位数往往比平均数更靠谱。在统计学上有一个大数定律,在数据量很大的情况下,最终会回归一个中性的环境。”
如何选择“量化投资”产品?
依照目前中国市场的情况,“量化投资”主要分为一下几类:一是套利型,比如股指期货套利;二是被动型;三是追求超额收益的产品;四是做高频交易,主要是私募和券商资本。不同的产品对收益率会有不同的要求:指数增强追求的是超额收益,与标的指数之间的差尽量少,还能跑赢指数;对冲基金和套利ETF是在稳定的前提下追求超额收益。
目前中国的量化产品绝大多数还是指数产品,尤其是公募这一块,起码有100来只,但主动量化的可能只有十几只。量化产品的换仓、持仓的规模比较大,那么冲击的成本就比较大。因为量化投资不像基本面研究对单个公司的研究很透,所以禁得起很大的波动,追求的涨幅也大。量化追求比较小的涨幅,但比较稳定。另外,查阅“量化投资”基金的历史业绩可以发现,指数增强型基金的表现还算稳定,主动量化型的稳定性稍差。业绩稳定对开放式基金比较重要。目前市场上认购较好的指数基金,就是因为业绩稳定。
在交易量上,不同的产品会不一样。公募的交易肯定不活跃,因为交易量比较大,冲击的成本也大,另外同日不能反向交易。但私募量化基金主要是做高频交易,深度更大,一天可能往返好几次。
同时,中国的量化产品主要还是受制于投资人才的培养、衍生工具的发展和市场深度不够。因为衍生工具缺乏,在内地市场买可转债,就不能像在香港市场一样去做空股票,做空相应的债券,赚取波动率。市场深度不够则主要表现可投资股票的数量上。
在目前的市场情况下,投资者在选择“量化投资”产品的时候,首先看一下这只基金是属于哪一类的,然后看基金经理的投资理念和思路方法能否在当时的市场上获取收益,如果认同的话就可以选择了。也即是一看历史业绩,二看管理者的投资理念。
很多人担心由于中国股市受政策影响较大,数学模型可能并不能及时对政策变动做出反应。叶乐天说,“政策市对市场肯定会有影响,包括数据不透明,政策变化对股市的影响等。但股市会反映政策的,如果政策有效的话,政策会反映在股市中,为量化模型提供一些最新的数据,只要及时更新数据,还是可以处理得很好。”
另外,基金的规模对业绩也会有影响。叶乐天认为,指数增强产品三四十个亿是比较好的规模。如果规模太小,有些持仓可能会买不足。
投资在选择“量化投资”产品的时候,应当首先考虑资产配置。因为基金是一种长期投资,不需要经常择时,更多地还是做好投资者个人的资产配置。
量化产品的优势
“量化投资”的投资方法本身在海外已经得到了证明,但中国A股市场主要以散户占多数,要把运用模型进行计算操作的量化投资这样复杂的投资方法向他们解释清楚并理解和接受确实不易。但从量化投资的特点上来看,由于量化投资需要不断寻找机会,买入一大批股票,而不会在几只股票上重仓押注,在投资结果上,其换手率和分散化程度都较高,这样一来,相对于散户投资者重仓几只股票来讲,风险性也就更小。同时,由于量化投资就是借助现代统计学、数学的方法,从海量历史数据中寻找能够带来超额收益的多种“大概率”策略,并纪律严明地按照这些策略所构建的数量化模型来指导投资、形成回报,因此具有很高的投资价值。
[关键词]量化投资;Alpha策略;意义;方法
[DOI]10.13939/ki.zgsc.2015.25.083
Alpha策略最初的理论基础是套期保值,是由美国经济学家H.working提出的,随后股指期货的面市,量化研究便激发了人们浓厚的兴趣。传统的资产管理者理念的哲学基础大部分为追求收益风险平衡,然而平均市场收益与超额收益又很难达到绝对的均衡,因此将超额收益也即Alpha分离出来,建立起基于Alpha策略的量化投资,有助于指导投资实践。
1 Alpha策略在量化投资中的应用意义
量化投资指的是以现代计算机技术为依托,通过建立科学的数学模型,在充分掌握投资环境的基础上践行投资策略,达到预期的投资效果。采用量化投资方式的优点包括其具有相当严格的纪律性、系统性,并且对投资分析更加准确与及时,同时还具有分散化的特点,这使得策略的实施过程更加的机动灵活。量化投资过程使用的具体策略通常有量化选股、量化择时、统计套利、高频交易等,每一种策略在应用过程各有千秋,而Alpha策略属于量化选股的范畴。传统的定性投资也是投资人基于一种投资理念或者投资策略来完成整个投资活动的,最终的目的是要获得市场的占有率,并从中取得丰厚的利润。从这个角度来衡量,量化投资与传统投资的本质并无多大差别。唯一不同的是量化投资对信息处理方式上和传统定性投资有着很大的差异性,它是基于现代信息技术、统计学和现代金融工程理论的基础上完成对各类数据信息的高效处理,在对信息处理的速度、广度上是传统定性投资无法比拟的。在对投资风险的控制方面也具有很大的优势,是国际投资界兴起的新型投资理念和应用方法,也在日益成为机构投资者和个人投资者共同选用的有效投资方案。现阶段量化投资的技术支撑和理论建设的基础包括人工智能技术、数据挖掘、支持向量机、分形理论等,这些现代信息处理与数据统计方式为量化投资的可操作性提供了坚实的基础。
Alpha策略在量化投资中的使用优点主要是对投资指数所具有的价值分析与评定。它不是依赖于对大盘的走向变化或者不同股票组合策略趋势的分析,对投资价值的科学分析与合理评估更能吸引投资者的目光。Alpha策略重视对冲系统风险所获得的绝对收益,在股票投资市场上是一种中性的投资方式,具体的程序有选择资产、对资产的优化组合、建立具体组合方式、定期进行调整。为了促进该策略在投资市场中获得良好的收益,就必须先要重视优秀的选股策略,其次是重视期货对冲平均市场收益的时候所产生的风险控制问题。对冲系统风险时,若是能够及时地对投资组合与相关的股指期货的平均市场收益指进行精准地判定和预测,那么将会对整个投资行为产生积极的影响。
2 基于Alpha策略的量化投资具体策略和实践方法
通常情况下,Alpha策略所获得的实际收益并不是一成不变的,这与该策略本身的特定有关,具体表现在周期性与时变性上。
Alpha策略的时变性主要是指当时间产生变化时,超额收益也会随之而改变。需要清除的是Alpha反映的就是上市公司超越市场的预期收益,因此属于公司资产未来估值预期的范畴,所以上市公司自身所处的发展阶段和发展环境不同,那么就会给Alpha带来影响。由于时变性的特点,这就给策略的具体估计模型的设立带来了更多不可确定的因素,为此,参照对Alpha满足不同动态假设的理论基础,建立起一个可以获得不同种类估算的模型,同时假定在同一个时间范围内,超额收益和市场平均收益都保持恒定不变,这就极大地简化了计算的过程与步骤。也就是说在该段时间内,市场上股票投资组合基本面不会有太大的变化与波动,这就与实际的投资状况基本达成一致。对于投资策略的调整则要根据上市公司重大事项发生情况而定,那么估算的时间单位周期可以采用每日或者每周估算,对每一个季度的历史数据进行调整也可以作为一种调整方式,反映公司季度行情。对于具体证券而言,采用季度或者每周的调整频率则不是最为理想的,还要针对公司情况与市场行情综合调整。
Alpha的周期性特点在交替出现的正负号上最为突出,导致这一情况产生的原因主要是行业的周期性特征与套利效应共同造成的。具体而言,首先不同类型的证券分别属于不同的行业所有,当行业处于景气周期循环状态下会影响Alpha的符号与大小,同时景气程度的深与浅也会对此产生影响。其次一个股票组合产生非常大的超额收益情况下,市场中的其他机构投资者或者个人投资者就会不断地参与到该组合的投资中来,最后会导致Alpha逐渐接近于零。因此在建立不同策略的组合方面,要针对每一个季度的具体情况和波动率,进行综合性地评价与分析,并及时地做出必要的调整,以便最大限度地获得市场收益。
量化投资中的Alpha策略并不是一种单一类型的策略,不同的策略都在寻求获得超额收益的市场机会和可能性。现阶段市场上采用的Alpha策略主要有多因子选股策略、动量策略或者反转策略、波动性策略、行业轮动策略、行为偏差策略等,每一种策略在具体实施过程中都有其特征性,并且可以相互结合使用,发挥出综合预测和评价的作用。
多因子选股策略是必要和常用的选股方式,最大的优势是可以将不同种类和模块的信息进行高效化综合分析与评价后,确定一个选股最佳方案,从而对投资行为进行指导。该种选股策略的模型在建立方面比较容易,是量化投资中的常用方式。同时多因子模型对反映市场动向方面而言具有一定的稳定和可靠性,这是因为所选取的衡量因子中,总有一些可以把握住市场发展行情的特征,从而体现其本来就有的参考价值。所以在量化投资过程中,很多投资者都使用多因子模型对其投资行为进行评估,无论是机构投资者或者是个人投资者,都能够从中受益。多因子选股策略模型的建立重点在于对因子的剔除和选择上,并要合理判断如何发挥每一个因子的作用,做出综合性的评定。
动量策略的投资方式主要是根据价格动量、收益动量的预期与评定,对股票的投资进行相应的调整,尤其是针对本身具有价格动量的股票,或者分析师对股票的收益已经给予一定评级的股票,动量策略的应用效果会比较理想。在股票的持有期限内,某一只股票在或者股票投资的组合在上一段时间内的表现均佳,那么则可以判断在下一段时间内也会具有同样的理想表现,这就是动量效应的评价依据,从而对投资者的行为起到一定的影响作用。反转策略和动量策略恰好相反,是指某一只股票或者股票投资组合在上一段时间内表现很不理想,然而在下一个时期反而会有突出的表现,这也给投资者带来了一线希望,并对影响到下一步的投资策略的制定。
波动性策略也是Alpha策略的一种方式,主要是利用对市场中的各股运动和发展状态的细致观察与理智分析后,列出一些具有相当大的波动性的股票,同时这些股票的收益相关性也比较低,对此加以动态化的调整和规划,从而逐渐获得超额收益的过程。在一些多因子选股策略中也有机构投资者或者个人投资者将股票具有的波动性作为考察与评价因子之一,波动性策略经常和其他策略相结合来评价,这说明股票投资市场本身就具有一定的波动性,因此在投资过程中要慎重对待。
行业轮动策略和行为偏差策略的应用频率不似前面几种高,但也会和另外几种策略相互结合使用。行业轮动策略主要是为了充分掌握市场行业轮动机制与特征,从而可以获得高额的收益,对行业之间的投资也可以非常高效和准确地进行,对把握正确的时机有很大的优势。行为偏差策略目的是窥探到股票市场中存在的过度反应或者反应不足等现象,这些都属于股票投资市场的偏差,从而可以通过投资者对不同股票抱有的差异化评价来实现超额收益。
“与汇添富那只产品的纯主动性相比,我们这只产品是有量化约束的。” 泰达宏利逆向策略股票型证券投资基金焦云在接受时代周报记者采访时表示,该基金运用定量分析和定性分析相结合的方法构建股票备选库,以明确定量、定性分析的具体运用领域把量化策略贯彻到投资的全过程中,回避受市场热捧而价格超高的个股,把握事件冲击等逆向投资机会。
据了解,这也是泰达宏利旗下首只量化基金产品。今年以来,跌宕起伏的行情持续考验基金投资管理能力。然而量化基金表现却一枝独秀。银河数据统计显示,2012年一季度,上证综指上涨2.88%,同期标准股票型基金平均业绩为0.31%,而量化基金的平均业绩为2.92%。
逆向投资正当时
“其实对于逆向投资策略,投资者并不陌生,巴菲特名言‘在别人恐惧时贪婪,在别人贪婪时恐惧’就是逆向投资思维的一种表述。”泰达宏利逆向策略基金拟任基金经理焦云告诉时代周报记者,逆向投资策略就是对抗人性从众的心理弱点,避开机构扎堆的热门股、题材股,寻找被市场忽略或股价被严重低估的成长类股票。
在焦云看来,逆向投资强调的不随波逐流,不是简单的和市场趋势作对,也不是简单的掘金冷门股,而是在研判大势的基础上,对上市公司本身的投资价值进行分析,以适当价格介入股价被严重低估的股票,获取估值回归带来的投资收益。
焦云指出,在市场整体震荡,短期内板块频繁轮动的情况下,每一种投资思维都能在市场中占有一席之地。逆向投资策略瞄准被市场忽视、低估、看空的“非主流”股票,极有可能挖掘出一些蕴含着巨大投资潜力的个股,捕捉一些结构性的投资机会。
据焦云介绍,逆向投资在海外已有30多年的发展历史,经过行为经济学先驱丹尼尔・卡纳曼和“逆向投资之父”戴维・德雷曼的努力,逆向投资理论从一种交易策略上升为一种主要的投资策略,据彭博社数据统计,现在全球已有100多只逆向投资基金,规模超过百亿欧元。
1月份,华安基金也申报一只逆向策略股票型基金,目前正在证监会报批程序中。分析认为,受欧债危机、全球经济增长放缓、国内经济结构转型等因素影响,A股在未来较长时期内都将维持宽幅震荡的局面,但其中不乏个股结构性投资机会,这一市场格局为逆向投资策略提供了好机会。
量化基金扩容潮起
除了泰达宏利,今年以来已有多家基金公司已经开始在量化产品方面布局。比如工银瑞信3月刚刚发行了旗下第一只量化基金―工银量化策略股票基金;富国基金开始大力打造旗下围绕量化投资的子品牌。
所谓量化投资,是指通过建立数学模型并应用量化分析方法进行选股和操作管理。量化投资在海外已有逾30年历史,但在国内市场,自2004年光大保德信发行光大保德信量化核心基金才正式起步,至2009年底,量化基金方才相继跟进成立,并迅速发展壮大。据好买基金研究中心数据统计,截至目前,已有16只量化基金成立。
“主要是现在公募基金产品发行越来越多,同质化现象较严重,相较而言,独辟蹊径的量化产品显得吸引力更大。此外,今年年初以来量化基金的不错业绩也支撑了这波扩容。”好买基金研究员刘天天告诉时代周报记者。银河数据统计显示,2012年一季度,上证综指上涨2.88%,同期标准股票型基金平均业绩为0.31%,而量化基金的平均业绩为2.92%。
“在量化投资领域,出现了很多杰出的投资者,如詹姆斯・西蒙斯。” 有着8年海外量化投资经验的工银基本面量化基金经理游凛峰表示,“他们依靠数学模型和神秘的公式扫描市场,捕捉机会。”据了解,詹姆斯・西蒙斯管理的大奖章基金1989-2007年均收益率高达35%,而“股神”巴菲特在同期的平均年回报大约为20%。
在游凛峰看来,量化投资的优势非常突出,未来将会有更多的基金经理进入数量化选股这个领域,通过采用计算机辅助的投资组合优化模型。
摘 要 自2010年4月股指期货推出后,数量化投资逐渐成为我国资本市场的一个热点。对此,本文以投资者熟知的MACD指标为基础,运用遗传算法和模拟退火算法,建立了一个数量化投资模型。该模型的仿真投资收益明显超出大盘,而风险明显低于大盘。本文基于MACD指标建立数量化投资模型的方法简单、有效,可操作性强,可方便地推广至其他技术指标,在数量化投资领域中可能具有广泛的发展前景。
关键词 数量化投资 MACD 遗传算法 模拟退火算法
一、研究背景
与传统投资基于各方面信息和个人判断进行操作不同,数量化投资将适当的金融理论、投资经验等反映在数量模型中,然后利用程序软件代替大脑对海量信息进行科学处理,总结归纳市场规律,最终建立可以重复使用的、不依靠个人主观判断的投资策略。
由于数量化投资的操作策略往往经过了严格的验证,具有较强的系统性和规范性,主观随意性较少,风险可测可控,因此随着计算机数据处理能力的迅速提高,数量化投资获得了快速发展,数量化基金的规模亦迅速扩大。据统计,自2003年以来,数量化基金规模的年均增长速度高达15%,而传统型基金规模的增长速度则低于5%。
很显然,科学的数量模型是数量化投资成败的关键。当前,主流的数量模型均考虑了多方面的因素,既包括各种基本面因素,又包括各种技术因素,涉及较为高深的经济学、金融学、技术分析等知识,模型都比较复杂,理解难度较高,甚至令人望而生畏。对此,本文以人们熟知的技术指标为基础,通过引入遗传算法和模拟退火算法对参数进行优化,建立了一种较为简单、有效的数量模型构建方法,希望能为推动我国刚刚起步的数量化投资发展有所帮助。
二、模型框架
由于MACD指标以经平滑后的股票价格为基础,而股票价格包含了绝大部分的基本信息和技术信息,因此本文以MACD指标为基础研究建立相应的数量化投资模型。
(一)MACD公式
MACD是投资者最熟悉的技术指标之一,主要包括EMA、DIF和DEA三个指标,涉及一个已知变量(收盘价P)和三个未知参数( 和 ),公式较为简单。
(二)决策准则
虽然MACD指标的运用方式有很多种,既存在对指标值的应用(如比较DIF和DEA的大小),又存在对形态的应用(如底背离、顶背离等)。对此,本文制定的决策准则相当简单,即:
时,做多
时,做空
三、模型参数优化
(一)参数的科学取值是决定MACD指标投资决策价值的一个关键因素
在一般的技术分析参考书和交易软件中, 和 通常取12、26和9。然而,该取值并不是最优的。
例如,以2005年1月5日至2010年12月31的沪深300指数为例,根据(公式1)和(公式2),做多业务在 和 取值12、26和9时,可获得的投资收益为230.55%(收益①);而在 和 取40、195、130时,可获得的投资收益为651.98%(收益②)。
因此,参数取值是否合理决定了使用MACD指标进行投资决策时投资收益的高低,决定了MACD指标的投资决策价值。
(二)人工智能算法在技术指标参数优化领域中的突出优势
运用MACD指标建立数量化投资模型的关键在于对公式中的三个参数进行优化。然而,虽然参数取值与投资收益间存在确定的函数关系,但该关系并不能用一个表达式予以直接阐述,因此传统的解析方法在此并不适用。而其他传统方法如随机法和穷举法的优化效率不高。在此情况下,可运用人工智能算法有效解决此类优化难题。
遗传算法(Genetic Algorithms)和模拟退火算法(Simulated Annealing Algorithms)是人工智能的重要分支,两者均从一定的初始值开始,按照明确的规则搜索最优解,并不要求目标函数存在明确的表达式,且具有高效、鲁棒性强等特点。由于技术指标参数与投资收益间的关系相当复杂,不存在明确的函数关系式,因此遗传算法和模拟退火算法在技术指标参数优化领域中具有很高的应用价值。
此外,遗传算法和模拟退火算法的基本原理和运算过程虽然较为复杂,但其运用却相当简单,MATLAB等数据处理软件均提供了现成的工具箱供用户方便地使用,且即使不掌握参数优化的原理和运算过程,也不会对数量模型的研究产生重大影响,因此运用遗传算法和模拟退火算法对技术指标参数进行优化的可操作性强。
(三)遗传算法和模拟退火算法应用举例
1.MATLAB指令
假设投资收益R和参数 、 间的关系为R=gain( 、 ),则MATLAB的遗传算法指令和模拟退火算法指令分别为:
[x,fval] = ga(@gain,nvars, [],[],[],[],lb,ub,[],options);
[x,fval] = simulannealbnd(@gain,x0,lb,ub,options)。
其中:
x和fval是程序返回值,分别为参数 、 的最优化取值及其所对应的投资收益;
gain是目标函数,可根据(公式1)、(公式2)和(公式3)编写;
nvars是待优化的参数个数;
x0是参数 、 的初始值;
lb是参数的下界;
ub是参数的上界;
options是MATLAB指令的设置选项。
量化交易到底是什么?
说到量化交易,虽不陌生,但仍懵懂。到底什么是量化交易呢?
量化交易区别于定性投资(过去的投资方法)的鲜明特征,就是充分利用各种各样的数理模型。它是借助现代统计学和数学的方法,利用计算机技术,从庞大的历史数据中海选能带来超额收益的多种“大概率”事件,然后制定策略,并用数量模型验证及固化这些规律和策略,继而再严格执行这些已固化的策略来指导投资,以求获得可持续的、稳定且高于平均的超额回报。
对于量化交易中模型与人到底是什么关系?比如中医与西医的诊疗方法,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;而西医就不同了,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。
以此形容的话,可以说定性投资像中医,更多地凭主观臆断和个人经验判断病在哪里;量化交易像西医,依靠数量模型判断,而这些模型对于使用量化交易的投资者的作用就像CT机对于医生的作用。在每一天的投资运作之前,一般都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。
量化交易靠概率取胜
和传统投资方式相比,量化交易的视角更广,它借助计算机高效、准确地处理海量信息,更广泛地寻找和验证投资机会,消除投资组合配置的局限性,并依靠计算机配置投资组合,克服人性弱点,使投资决策更科学、更理性。
具体来说,这个新兴的投资方法,与我们那些传统的看指标判断、听消息判断、简单看财务报表判断等定性投资方法相比较,主要有以下几大优势:
量化交易有着严格的纪律性。比如,如果有人问你,某年某月某一天,你为什么购买某支股票的话,你就可以打开量化交易系统,系统会显示出当时被选择的这只股票与其他股票在成长面上、估值上、资金上、买卖时机上的综合评价情况,而且这个评价会非常全面,比普通投资者拍脑袋或者简单看某一个指标买卖更具有说服力。
它系统性较完备,具体表现为“三多”,包括多层次、多角度、多数据。因为人脑处理信息的能力是有限的,当一个资本市场只有100只股票,这对定性投资基金经理有优势,他可以深刻分析这100家公司。但当有成千上万只股票时,量化交易就可以充分发挥它强大的信息处理优势,捕捉更多、拓展更大的投资机会。
另外,定性投资大部分时间在琢磨哪一个企业是伟大的企业,那个股票是可以翻倍的股票,而量化交易大部分精力花在分析哪里是估值洼地,哪一个品种被低估了,买入低估的,卖出高估的。
量化交易靠概率取胜。这表现为两个方面,首先量化投资不断地从历史中挖掘,有望在未来重复的历史规律,并且加以利用。其次它在股票实际操作过程中,运用概率分析,提高买卖成功的概率和仓位控制。
量化投资者也有噩梦
事实上,量化交易的方法在海外已有30多年的发展历史,素以投资业绩稳定,抗风险能力强著称,目前已经成为海外基金管理投资市场的重要方法。
而与海外成熟市场相比,量化交易以基本面分析为驱动,以全市场、多维度的视角广度扫描投资机会,在中国市场的应用将更显其优势。
不过,在谈及这么多利好之后,还是要“泼一次冷水”。不要以为不停闪烁的超级电脑自动进行着高速交易,荧幕上滚动着通过高速网络提前获取的最新市场消息,加上通过杠杆放大的头寸,账户的盈利不断上跳,这一切的一切就预示着“可以躺着赚钱的时代”来临了,现实并没有这么美好。
相对来说,量化交易目前还处在初级发展阶段,比如基本面投资者只需简单的基于预测特定事件,比如超过或差于预期的财报做交易即可。而量化交易者则需要搞清楚具体消息对股价的平均影响程度,这就不是一件容易的事了,因为你的研究对象时刻还在变化着。
不仅如此,研究出一套只基于公司财报的交易系统不难,比如基于超出预期的营收或股息来买入。但是供给面的情况、消费者层面的情绪纳入交易模型中,也比较麻烦。
同时,股票、基本面、新闻消息之间的关系也是不停变化着的。记得2009年美股到达低点的时候,很多“低质”公司的回报大大高于“优质”公司的回报。很多3块钱的“垃圾股”可以在很短时间内涨到10块钱,而高价的优质公司的股票想要翻一倍都要花上很久很久。对于基本面投资者来说,这是掘金的好时候,但对于量化投资者来说却是噩梦,因为大多数模型此时都会显示做多“优质股”做空“垃圾股”,后果则可想而知。
另外,量化交易员的精力也是有限的。计算机的消息格式往往不规范,语法也千奇百怪,他们也无法让计算机程序挑选出有效信息并运用于自动交易中。一天只有24个小时,他们也会经常碰到因一个分析无法推进而其他分析也陷入停顿的状况。因此,要在浩如烟海的金融数据中“寻宝”,没那么简单。
(暨南大学信息科学技术学院 广东 广州 510632)
摘 要:“金融改革”的提出,金融市场的逐步开放,将促进金融创新的步伐,给投资者带来越来越多的投资渠道,同时也将加速中国金融市场与国际金融市场的融合。通过分别建立两个单指标择时策略模型,运用MATLAB模式搜索算法在设定时段内搜索最优参数,并分别对两个单指标策略进行交易仿真回验。实证结果显示,趋势型指标可以抓住大的波段行情,获得超额收益,具有较好的择时效果。实证显示组合指标策略的效益明显高于单指标策略。因此,采用组合指标策略进行个股量化择时交易较单指标策略能获得更优的投资收益。
关键词 :量化择时;趋势指标;组合指标策略;参数优化
中图分类号:F8 文献标识码:A doi:10.3969/j.issn.1665-2272.2015.12.008
1 绪论
1.1 背景意义
“金融改革”的提出将为中国的量化投资带来发展前景。金融市场的逐步开放将会促进金融创新的步伐,给投资者带来越来越多的投资渠道,同时也将加速中国金融市场与国际金融市场的融合。很多国外成熟的投资工具和投资方法将逐步进入中国市场,以期货市场为代表的衍生品市场将迎来飞速增长,以量化投资为代表的投资方法也将得到投资者更大的关注。
在投资业,各种渠道提供的海量信息以及高频金融交易数据都在深刻地影响这个行业的发展以及金融市场的有效性。金融创新给期待量化投资的投资者提供了丰富的投资工具。自20世纪50年代以来,金融市场出于规避监管,转嫁风险和防范风险等需要,推出了很多创新性的金融产品,提供了越来越丰富的投资工具。金融衍生品在金融市场中占的比例越来越重要。
中国量化投资的前景广阔。党的十八届三中全会提出了“健全多层次资本市场体系”的指示精神,为十二五期间的资本市场发展指明了方向。随着金融投资工具的增加,量化投资将显示出其更大的作用,帮助投资者在更好的风险管控中寻求最佳收益回报。
作为量化投资中的量化择时,是指利用某种方法来判断大势的走势情况以及时采取相应措施,它是收益率最高的一种交易方式。就股票投资者而言,择股和择时都是至关重要的,正确择股是盈利的前提,而正确择时则是盈利的最终实现。因此,从微观角度入手,建立有效的个股量化择时交易策略值得研究。
1.2 文献综述
关于量化投资的研究,国内外更多的研究主要以策略构建和实证为主。易海波、杨向阳、罗业华、曾敏通过将量化指标按照股票属性进行分类排序,以自下而上的选股方式,构建出价值、成长、质量三个基本模型,并在此基础上衍生得到四个叠加模型和GARP模型。利用八个选股模型以不同的参数进行选股,构建出十个量化选股组合,历史回测结果显示这些组合风格各异,适合不同风险偏好的投资者。张登明通过对技术指标的分析,构建了完整的及时指标组合投资策略框架。他从量化的角度,通过样本统计给出了适合中国股市的优化指标组合及参数设置,对提高投资决策有积极意义。路来政通过研究量化基金的绩效及管理能力来研究量化投资策略的应用效果,采用T-M模型、H-M模型和C-L模型对其中9只量化基金的管理能力进行了研究,以评价量化基金使用量化投资策略的择股效果和择时效果,结果表明量化基金采用量化策略进行投资是有意义的。
股票择时属于量化投资的一个分域。刘澜飚、李贡敏研究了市场择时理论在中国的适用性,表明中国上市公司不仅存股票市场的市场择时行为,而且存在债务择时行为,即股票市场高涨时,上市公司倾向于债务融资。林正龙基于效用无差别定价原理,运用实物期权定价理论,研究项目投资收益不可完全复制的不确定性投资机会定价与择时问题,得出不同于指数效用,对具有常值相对风险回避系数效用函数的投资者而言,不确定性投资机会的定价与择时与投资者当前财富数量有关。卓琳玲、胡志强通过对样本公司的研究,发现样本公司股票行为、债券发行和内部融资均呈下降趋势,其中股票不是特别明显,当市值杠杆比率上升时期,股票发行出现显著地下降趋势,此时市场时机选择比较明显,说明我国股市存在明显的市场时机选择行为。刘阳、刘强通过研究我国从上世纪90年代初-2010年1月的上证综指和深证成指,分析异常收益率对整个期间收益的影响及择时的可能,发现极少数具有超常收益的交易日对股票市场的长期收益具有显著的影响,认为理性的投资者应该放弃择时而选择长期投资。王俊杰在择时模型方面分析了行业指数存在的持续性和行业轮动特征,并以时间序列模型为基础,构建动量模型、MS-GARCH行业择时模型等量化择时策略,回测结果MS-GARCH择时模型战胜行业动量模型和指数,表现较好。
温婧茹对移动平均线理论进行改进,构造了最适参数,参考设计了触线交易策略和过滤器交易策略,构建了家电板板块静态与动态相结合的股票池,实证得出,不同股票对应的最适参数不同,用个性化的参数进行决策能获得更好的收益;应用收益率确定最适参数以择股,结合触线交易策略以择时,能够跑赢大盘,取得超额收益。曹力自适应均线更适合于组合类的标的,如指数或者封闭式基金,因为这些标的的走势经过了平均的平滑,没有突然的大起大落,更容易用均线来跟踪趋势的变化。而对于个股,波动形态和指数类表的不同,所以需要使用不同的参数,在大多数个股上能够获得超额收益,特别对强周期性行业的股票自适应均线有很强的择时能力。但是自适应均线也不是万能的,对于某些个股,因为波动形态的复杂,用自适应均线也无法获得超额收益。曹力、徐彪从实证效果来看,利用可交易组合的均线模式识别找出的买入机会成功率较高,能抓住一些市场主要的反弹机会,因此累积收益非常出色。可交易组合的均线模式识别方法是择时交易,特别是熊市中择时的有效方法。
1.3 研究框架
传统的趋势指标择时策略往往是单指标的,并且策略参数通常是约定俗成的。单指标策略局限性和偶然性大,不能有效及时获取收益和及时止损;约定俗成的常用参数值在面对各种波动幅度不同、周期性不同、价格弹性等不同的个股时也有失客观性和灵动性。
所以,在探究一种改进针对个股的传统趋势指标量化择时的策略。首先建立基于各传统趋势指标的单指标择时策略,通过参数优化确定各单指标策略的最适参数;并在单指标的基础上,创新性地通过指标的组合,构建一个综合性且参数最优的组合指标择时策略,以增强策略的稳定性和鲁棒性,获得更优的投资收益。
1.4 术语说明
(1)累计收益率:
(2)年化收益率:年化收益率是把当前收益率(日收益率、周收益率、月收益率)换算成年收益率来计算的,是一种理论收益率,并不是真正的已取得的收益率。
(3)夏普比率:夏普比率是一个可以同时对收益与风险加以综合考虑的经典指标,它反映了单位风险基金净值增长率超过无风险收益的程度。如果夏普比率为正值,说明在衡量期内基金的平均净值增长率超过了无风险利率。夏普比率越大说明基金单位风险所获得的风险回报越高。因此,夏普比率是可以同时对收益与风险加以综合考虑的经典指标之一。
夏普比率=
(5)最大回撤率:在选定周期内任一历史时点往后推,产品净值走到最低点时的收益率回撤幅度的最大值。最大回撤率用来描述买入产品后可能出现的最糟糕的情况,是一个重要的风险指标。
2 理论概述
2.1 量化投资理论
量化投资是运用现代统计学和数学的方法,从大量的历史数据中寻找并获得超额收益的一种投资策略,投资者通过计算机程序,建立可以重复使用并反复优化的投资策略,严格按照这些策略所构建的数量化模型进行投资并形成回报。
量化投资的内容主要包括量化选股、量化择时、股指期货套利、商品期货套利、统计套利、算法交易、ETF/LOF套利、高频交易等。量化投资在国外已有30多年的发展历史,但在国内还是近年出现的新鲜事物。相比其他投资策略,量化投资在国外的运用已取得了更佳的业绩。
与海外成熟市场相比,中国A股市场的发展历史较短,投资理念还不够成熟,相应的留给主动型投资发掘市场的潜力和空间也更大。国内很多实证文献讨论国内A股市场也尚未达到半强势有效市场,因此量化投资理论引入国内证券市场是非常有意义的,它以正确的投资理念为根本,通过各种因素的分析,以全市场的广度、多维度的深度视角扫描投资机会,在中国市场的应用将更显其优势。
2.2 择时理论
量化择时是量化投资的一种,它利用数量化的方法,通过对各种宏观微观指标的量化分析,试图通过回溯历史数据,找到影响大盘走势的关键信息,并且对未来走势进行预测。如果判断是上涨则买入持有;如果判断是下跌则卖出清仓;如果判断是震荡则进行高抛低吸,这样就可以获得远远超越简单买入持有策略的收益率。所以择时交易是收益率最高的交易方式之一。
股票的量化择时是预测市场以后的走势,并由此来判断调整投资组合的风险水平,从而获取更大的收益,具体表现是现金流进出证券市场和在证券间比例变换的时机选择。
2.3 趋势追踪理论
趋势择时的基本思想来自于技术分析,技术分析认为趋势存在延续性,因此只要找到趋势方向,跟随操作即可。
技术指标是技术分析中使用最多的一种方法,通过考虑市场行为的多个方面建立一个数学模型,并给出完整的数学计算公式,从而得到一个体现证券市场的某个方面内在实质的数字,即所谓的技术指标值。指标值的具体数值和相互间关系直接反映证券市场所处的状态,为操作行为提供指导作用。目前证券市场上的技术指标可分为“趋势型指标”、“反趋势型指标”、“能量指标”、“大盘指标”、“压力支撑指标”等类别。
移动平均线(MA)是一种常用的趋势型指标,由Joseph E.Granville于20世纪中期提出来。它是当今运用最普遍的技术指标之一,帮助交易者确认现有趋势、判断将出现的趋势、发现过度延伸而即将发转的趋势。后来又逐渐衍生出其他类型的均线,如平滑异同移动平均线(MACD)、三重指数平滑平均线(TRIX)等。 这些均线理论常用两根线的交叉作为交易信号,并以此作为买卖时点的判断。
均线理论提供了一种简单有效的使价格序列平滑并且使趋势更易于辨认的方法。
因此综合以上理论的优点,在此基础上改进传统趋势指标的量化择时策略,并创新性地开发更优的组合指标量化择时策略,以达到及时获取收益和及时止损的目的。
3 择时策略模型建立
3.1 MA单指标策略模型的建立
MA移动平均是指连续若干交易日收盘价的算术平均,用来显示股价的历史波动情况,进而反映股价指数未来的发展趋势。
其中
利用MA指标进行量化择时,在短期移动均线与长期移动均线的交叉处进行买入或卖出择时交易。以下分别建立买入和卖出法则的模型。
在短期移动均线下穿长期移动均线的黄金交叉处买入,故建立如下数学模型:
mabuy=1,MA(s)t>MA(s)t-1&MA(s)t>MA(l)t&MA(s)t-1<MA(l)t-10,其他(6)
其中mabuy=1,表示满足买进,mabuy=0表示不满足买进。
在短期移动均线上穿长期移动均线的死亡交叉处卖出,故建立以下数学模型:
mabuy=1,MA(l)t<MA(l)t-1&MA(s)t<MA(l)t&MA(l)t>MA(l)t-10,其他
其中mabuy=1,表示满足卖出,mabuy=0表示不满足卖出。
3.2 MACD单指标策略模型的建立
MACD即指数平滑异同移动平均线,是根据均线的构造原理,通过分析短期指数移动平均线与长期指数移动平均线之间的聚合与分离状况,对买进、卖出时机做出判断的趋势型技术指标。
MACD的计算如下:
(1)计算短期(ms)指数移动平均线EMA1和长期(ml)指数移动平均线EMA2。
(2)计算离差值DIF=EMA1-EMA2。
(3)计算DIF的M日指数移动平均线,即DEA。
(4)计算MACD=2(DIF-DEA)。
利用MA指标进行量化择时,在DIF与DEA的交叉处进行买入或卖出,分别建立买入和卖出法则的模型。
当DIF、DEA均为正值,DIF向上突破DEA时,为买入信号,建立如下数学模型:
macdbuy=1,DIFt>DIFt-1&DIF>DEAt&DIFt-1<DEAt-1&DIF>00,其他 (8)
其中,macdbuy=1表示满足买进,macdbuy=0表示不满足买进。
当DIF、DEA均为负值,DIF向下跌破DEA时,为卖出信号,建立如下数学模型:
macdsell=1,DIFt<DIFt-1&DIFt<DEAt&DIFt-1>DEAt-1&DIF<00,其他(9)
其中macdsell=1,macdsell=0表示满足卖出,表示不满足卖出。
3.3 MA-MACD组合指标策略模型的建立
组合模型构建两个新的信号变量:买入信号个数阈值“buy”(1≤buy≤2,整数)和卖出信号个数阈值“sell”(1≤sell≤2,整数)。
买入信号个数阈值“buy”表示:当MA策略中的“mabuy=1”的买入信号个数与MACD策略指标中的“macdbuy=1”的买入信号个数之和至少达到阈值“buy”(1≤buy≤2)数量个时才进行买入交易。
即“buy”阈值取不同值时,买入信号组合满足买入条件的情况如下:
buy=1时,满足买入情况:mabuy=1||macdbuy=1||macdbuy=1||mabuy=1&macdbuy=12时,满足买入情况:mabuy=1&macdbuy=1(10)
卖出信号个数阈值“sell”表示:当MA策略中的“mabsell=1”的卖出信号个数与MACD策略指标中的“macdsell=1”的卖出信号个数之和至少达到阈值“sell”数量个时才进行卖出交易。
即“buy”阈值取不同值时,买入信号组合满足卖出条件的情况如下:
sell=1时,满足卖出情况:masell=1||macdsell=1||mabsell=1&macdsell=12时,满足买入情况:masell=1&macdsell=1(11)
3.4 模型最优参数的选择
就个股而言,不同的计算参数,将导致不同的择时效果。面对各种波动幅度不同、周期性不同、价格弹性等不同的股票,如果盲目套用经典参数可能会有失客观性和灵动性。因此, 在进行量化择时策略构建时,需要针对个股进行策略的参数优化,检验指标不同参数的测试效果,并最终选择一个最优的参数组合。
夏普比率是一个可以同时对收益与风险加以综合考虑的经典指标,它反映了单位风险基金净值增长率超过无风险收益的程度。如果夏普比率为正值,说明在衡量期内基金的平均净值增长率超过了无风险利率。夏普比率越大说明基金单位风险所获得的风险回报越高。因此,夏普比率是可以同时对收益与风险加以综合考虑的经典指标之一。
4 个股实证分析
4.1 数据选择
为验证上述模型的有效性,个股实证以深圳证券交易所的华谊兄弟300027为交易标的,选取来源于国泰安2011.1.1-2014.6.30的基本面数据库,包括个股开盘价、收盘价等。
4.2 MA单指标择时策略仿真回验
首先对该股策略进行参数优化:本策略中对于参数,在测试期间内,以2天为间隔,测试范围从2天到20天;以5天为间隔,测试范围从20天到120天;搜索精度为1;测试回验30天,截止日期设为2013-12-31。通过回验得到参数优化结果(见表1)。
如表1所示,最优组合(s,l)=(2,20),当以2日为短期均线,20日为长期均线,在参数优化测试期间进行交叉择时时效果较好,在回验测试期间内夏普比率达2.4234。
确定最优后,运用国泰安量化交易平台QIA进行策略交易仿真回验。设定合约保证金为1,合约乘数为1,市场参与度为0.5,买方手续费为0.05‰,卖方手续费为0.05‰,交易账户为股票账户并设定初始资金为1 000 000元,以一年期国债利率为无风险利率,并以沪深300为业绩比较基准,以数据库所给时间2011年1月1日-2014年6月30日为策略回验时间区间进行回验。最终结果(见图1、表2)。
回验结果显示,此单指标策略在2011年1月1日-2014年6月30日间的累计收益率达42.26%,年化收益率达11.10%,高出同期的沪深300指数比较基准,并且胜率达60.80%。由此我们可以得出结论,采用MA单指标策略进行个股量化择时交易也能获得较优的投资回报。
4.3 MACD单指标择时策略仿真回验
对该股策略进行参数优化:该策略需要优化确定的参数主要包括短期指数移动平均线的计算天数ms、长期指数移动平均线的计算天数ml,以及DEA的计算天数M。本策略的参数优化依然以最大化夏普比率为最优化目标函数,并使用Matlab的模式搜索算法在设定的回验时段内搜索最优参数组合(ms,ml,M)。
对于参数ms,在测试期间内,以2天为间隔,测试范围从2天到20天;参数ml以5天为间隔,测试范围从20天到120天;参数M以5天为间隔,测试范围从5天到60天;搜索精度为1;测试回验30天,截止日期设为2013-12-31。通过回验得到参数优化结果如下:
如表3所示,最优组合(ms,ml,M)=(2,25,10),当以2日为短期指数移动平均线计算天数,25日为长期指数移动平均线计算天数,10日为DEA计算天数,进行交叉择时时效果较好,在回验测试期间夏普比率达3.0682。
组合指标择时策略仿真回验。由于组合指标策略是建立在单指标策略基础上的,所以该策略中的参数(s,l)、(ms,ml,M)即为模型一和模型二参数优化后确定的值,而参数(buy,sell)的组合情况有(2,2)、(2,1)、(1,2)和(1,1)四种,阈值组合选取哪个使得策略最优则需要进一步的参数优化。
对于参数buy,初始值设为2,测试最小值为1,最大值为2,步长设为1;参数sell,初始值设为2,测试最小值为1,最大值为2,步长设为1;搜索精度设为1;测试回验90天,截止日期设为2013-12-31。通过回验得到参数优化结果(见表4)。
如表4所示,最优组合(buy, sell)=(1,1),即当买入信号个数至少有一个时就进行买入交易,卖出信号个数至少有一个时就进行卖出交易,以此进行组合指标择时效果最好,在参数优化回验测试期间夏普比率达2.490 3。
5 结论
从价格沿趋势移动和历史会重演的角度出发,运用传统趋势指标MA和MACD,分别建立MA、MACD的单指标择时策略模型并通过模式搜索算法分别求出两个策略的最优参数,从实证结果看趋势型指标可以抓住大的波段行情,获得超额收益,具有较好的择时效果。在此基础上再创新性的运用通过设置买入和卖出信号个数阈值的方法构建二者的最优组合指标模型,增强了择时的稳定性和鲁棒性,在有效降低风险的同时提高了收益率。
综上所述,基于以上的不足之处,以后将沿着组合指标择时的思路继续深入研究以对目前的研究进行改进。未来的工作主要是:对于用于组合的单指标要进行更为全面的扩展,引进其他经典趋势型指标DMA平均线差指标、TRIX三重指数平滑移动平均指标等,同时把指标类型拓展至其他类型,如反趋势型指标ACCER幅度涨速指标等,量价指标APBP人气意愿指标等,大盘指标OBOS超买超卖指标等,压力支撑指标ENE轨道线指标等。通过增加组合趋势型数量和组合指标类型,以使组合指标策略更全面、更切合实际市场。
参考文献
1 丁鹏.量化投资——策略与技术[M].北京:电子工业出版社,2012
2 方浩文.量化投资发展趋势及其对中国的启示[J].宏观管理,2012(5)
3 郭建.论证券投资技术分析中历史会重演的根本原因[J].商业时代,2007(28)
4 李向科.证券投资技术分析[M].北京:中国人民大学出版社,2012.
5 张登明.技术指标投资策略的优化及其在量化交易中的应用[D].武汉:华中科技大学,2010
6 方智.基于多技术指标模型的沪深300指数走势预测[D].南昌:江西财经大学,2012
7 路来政.量化投资策略的应用效果研究[D].广州:暨南大学,2012
8 刘澜飚,李贡敏.市场择时理论的中国适用性[J].财经研究,2005(11)
9 林正龙.项目投资定价与择时理论研究[D].长沙:湖南大学,2006
10 胡志强,卓琳玲.IPO市场时机选择与资本结构关系研究[J].金融研究,2008(10)
11 王俊杰.量化交易在中国股市的应用[D].南京:南京大学,2013