
量化和大数据将在金融创新中崛起
高盛指出,量化和基本面分析结合选股有利于为更细节的商业问题提供简洁回答,这是通过数据取得超额回报的关键。大部分投资者只关心收益结果,并不关心收益从哪来。另外,替代型数据比如信用卡、谷歌搜索甚至卫星图像等约有10%的正确率。
本月稍早,高盛举办了第二届创新研讨会。针对金融产品创新,研讨会得出“量化和大数据在投资中已然崛起”的结论。数据爆炸和计算效率成本的下降,支撑起大量创新投资方法(例如:网络数据/替代性数据支撑新的财务模型)来获得更有效的决策。
据1月贝莱德总裁Rob Kapito及董事长兼执行长Larry Fink签署的备忘录显示,贝莱德将两个选股部门合二为一。其中一个是更为传统的“基本面”选股团队(fundamental equity team),另一个为专注于复杂数据分析的“量化”选股团队(quantitative equity team)。
高盛在研讨会报告中指出,贝莱德内部选股部门的合并是由于两个考虑:其一,大部分投资者只关心收益结果,并不关心收益从哪来。第二,两个团队可以互相学习。目前来看,投资决策对基本面数据(大数据,机器学习)的依赖度正在增加。有大数据支撑,更有利于主动型投资发现正确估值。
华尔街见闻稍早提及,今年以来美股乃至全球市场出现的巨震,以及包括阿克曼在内的多位对冲基金投资大佬折戟沉沙,让投资者的选择更加谨慎。另外,随着美股从连年持续上涨进入滞涨,投资者对跑赢指数的需求比前几年更加强烈。
高盛在报告中指出,我们所在的市场类型在扩张周期,市场动作反应较迟缓,投资者分歧较少,资产配置较为类似。比如,油价最近的走势可以说是在市场预料中的。通常市场消息过去一到两个月,基金策略才会有所应对。基金从单一策略到多策略并行,事实上增加了不透明度(是一种去风险化)。而越来越多投资者青睐ETF中Smart Beta产品,或者说以Smart Beta的策略来交易。
在量化分析领域,一般股票的beta系数代表该股票的系统性风险,反映的是某一投资对象相对于大盘的表现情况。而alpha系数则代表该股票出去系统性风险以后的额外回报。
因此不妨简化理解,“beta”指广泛的大市表现,“alpha”则指代跑赢大盘的超额收益。事实上,Smart Beta策略的崛起就是在被动型投资中增加主动投资的优势。
据高盛,Smart Beta产品已经占到美国上市ETF市场的四分之一。特别是去年,三分之一新发行ETF产品都是采用Smart Beta策略。晨星公司(Morningstar)统计显示,使用smart beta策略的基金规模已经从2008年的1030亿美元飙升至2015年底的6160亿美元。
华尔街见闻稍早提到,具体来说,采用“Smart Beta”为策略的基金本质上追求的不再是对指数的紧密跟踪,而是希望通过指数编制过程中对选股和权重安排的优化,获得跑赢传统市值加权指数的超额收益。它结合了主动投资和被动投资两个优点,能够突破市值加权指数的限制,为投资者提供更加灵活的、多样化的投资组合策略。
高盛指出,将量化和基本面分析策略结合,可以为更细节的商业问题提供简洁的回答,这才是通过数据取得行业超额利润(Alpha Generation)的关键。
不过,走红就意味着备受质疑,Smart Beta策略也是如此。见闻上月曾提到,Research Affiliates是美国最先开发出smart beta指数的公司之一,其首席执行官Rob Arnott表示,该策略的愈发流行可能导致投资表现剧烈下滑,“在未来三到五年里,我预计(一些smart beta投资者)将以非常失望的结局收场。”
Arnott指出,很多smart beta基金超越大盘的表现是因为它们投资了更贵的股票,而不是这些股票本身的基本面有多好,“这些smart beta追逐高收益的行为实际上是要承担额外风险。”
他还称很多smart beta策略是“在beta的名义下实则追逐收益”的,即按照过去的表现来判断股票强势与否。“如果你因为一个股票以前的涨势判断他之后也能涨,这些理由跟基本面没什么关系,因此你很容易买在泡沫的顶部。”
因此,Arnott认为,一旦当资金推出的高估值股票无法再延续涨势,其泡沫会很快消解,或者早早被透支掉了未来的涨势,这些smart beta策略将加大这些股票的估值回归历史均价的风险。
无独有偶,安联集团(Allianz)全球投资者部门联席负责人Andreas Utermann本月早些时候也表示,smart beta并不一定能够让投资者受益。他说:“Smart beta既不smart也不beta。”
除了Smart Beta 策略的崛起,高盛在报告中还提出一个观点:利用网站数据。
它指出,第三方网站和移动APP公司可以帮助投资公司从短期和长期等角度来判断趋势。比如纽约数据公司YipitData通常是整合和分析公司挂在网站上的信息。高盛援引YipitData指出,(在传统市场数据以外,)替代型数据(比如信用卡、twitter、谷歌搜索甚至卫星图像等等),大约有 10%的正确率。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30