京公网安备 11010802034615号
经营许可证编号:京B2-20210330
基本面量化投资如何实现阿尔法收益
阿尔法收益:在投资领域,阿尔法这个词通常用于度量投资者的投资技艺,及投资者获得的与市场波动无关的汇报。根据传统定义,阿尔法是指扣除市场基准回报以后的投资回报,或者实惠仅仅由投资者决策所增加或减少的那部分价值。比如,如果投资者获得了15%的投资回报,选定基准取得10%的回报,那么阿尔法就是5%。追求阿尔法回报的策略,本质上就是投资组合的资产配置决策及设置其头寸规模的择时策略。阿尔法模型是量化投资最重要的模型结构之一。
基于基本面的量化投资有很大的市场应用,是最近30年的兴起的投资方式,有着鲜明的特点。基本面量化投资如何实现阿尔法收益,我们知道当然不存在一个万能的黑箱子帮助基金经理解决一切问题,但具体的玩法又是怎样呢?
不一样的切法有不一样的结果
如果用一个形象的比喻,可以将找寻阿尔法回报象征为找寻西瓜中的西瓜籽的过程。事实上基本面量化投资与主动基本面投资面对的是同一个西瓜,但是他们切西瓜的方式是不一样的。如果说主动基本面投资是横向切,那么基本面量化投资就是纵向切,不能说哪一种方法更好,但在主动基本面投资占市场主流的情况下,可以说是大家都在横向切西瓜,这样自己找到找到西瓜籽的难度会增大,这个时候纵向切就相对容易找到西瓜籽。
从这个角度来看,在中国A股市场, 量化投资刚刚开始,可以说纵向切西瓜的投资人还比较少,量化投资可以下刀的地方还很多,有着比较广阔的市场应用空间。从境外的投资实践来看,量化投资要有适合它的环境,而中国市场的特点恰恰提供了一片沃土。经过资本市场20年的发展,中国的上市公司数量已经从最初的8家成长成为2000多家,总市值更是位居世界第二位。2000多家上市公司覆盖国民经济上下游各个行业, 提供了非常好的投资宽度。A股流动性良好,非常适合大资金的操作。而作为典型的新兴市场,A股市场较强的非有效性也使得量化投资相对容易产生超额收益。
市场有效性:市场有效性假说是尤金·法玛于1970年深化并提出的,按照市场有效性假说,一个市场是有效的,如果它能够正确定、完全地反映与价格有关的所有信息。更正式地讲,如果证券价格不会因为信息的披露而受到影响,则市场是有效的。进一步讲,如果市场是有效的,则人们不可能通过信息分析和发掘获得额外的经济利益。
选好股票就像挑西瓜
找到西瓜籽之前,我们首先要做的是挑西瓜。从长期来看,好的股票通常都会有较大的概率跑赢差的股票。如何挑选出好的股票?这就好象去超市挑选西瓜: 形状、大小、色泽、挤压的声音、 弹性、比重等因素都是我们判断的标准。股票不是西瓜,但也有很多数据让我们来做比较, 在挑选股票的时候,市盈率、市净率等等因素都是量化投资考虑的因子。而这些因子从来都不是随意挑选的,它们一般有金融理论背景(例如价值投资、行为金融等)的支持, 并结合了本地市场的实际情况。
接下来量化投资者的工作就是外界说的最多的模型,运用专业知识制作一个多因子模型。单个因子挑选的时候有失偏颇。就像老故事里经常说的一样,一根筷子容易折断,而一把筷子就牢固得多。通过多因子,优秀的量化投资者能够找到在整个市场周期都比较稳定的模型。
提升赢的概率 拉长赢的时间
对于投资者而言,投资永远是一个概率问题,只不过投资并不是掷骰子猜大小,影响股价走势的因素很多。但在选择投资什么样的股票时,肯定是要通过分析来选择跑赢市场的股票。基于基本面分析的量化投资,就是通过对基本面细致的研究,提高找到好股票的概率,从而提升投资跑赢市场的概率,也就是行业里经常说的赢面。如果用数据来举例,如果挑选的每只股票的赢面在55%,而投资组合由100只这样的股票构成,整个投资组合战胜市场的概率就会接近100%。而对于量化投资而言,最核心的就在于维持一个稳定的赢面,而在比较大的范围(即投资的宽度)内运用它,通过包括月度胜率、年度胜率以及长期胜率的考验。
对于一个公司而言,现在会讲到小胜靠智大胜靠德,而对于量化投资这一领域,则可以说短赢靠智常赢靠律。量化投资的纪律性是其业绩稳定性的保障。表现在首先量化研究具备严谨性,整个研究过程从课题的提出、研究、回测都是在严密的框架下进行的,是可重复验证的。任何一个因子的加入和调整,都要经历一系列的研究和测试过程。其次,量化投资管理具备严密性,量化投资管理是通过模型和系统完成的,基金经理的决策一般是通过模型实现的,很少直接干预模型的日常运行,绝大部分都是电脑在操作,在量化交易过程中有纪律性,因为量化交易清单比较分散,一般通过程序化执行,容易控制市场冲击和交易成本。
可以看到,基于基本面的量化投资,在追求阿尔法收益因其自身鲜明的特点,已经越来越被内地投资者所接受,而借用量化基金的渠道,追求超额回报也正成为越来越多成熟投资的一个选择
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在实验检测、质量控制、科研验证等场景中,“方法验证”是确保检测/分析结果可靠、可复用的核心环节——无论是新开发的检测方法 ...
2026-03-04在数据分析、科研实验、办公统计等场景中,我们常常需要对比两组数据的整体差异——比如两种营销策略的销售额差异、两种实验方案 ...
2026-03-04在数字化转型进入深水区的今天,企业对数据的依赖程度日益加深,而数据治理体系则是企业实现数据规范化、高质量化、价值化的核心 ...
2026-03-04在深度学习,尤其是卷积神经网络(CNN)的实操中,转置卷积(Transposed Convolution)是一个高频应用的操作——它核心用于实现 ...
2026-03-03在日常办公、数据分析、金融理财、科研统计等场景中,我们经常需要计算“平均值”来概括一组数据的整体水平——比如计算月度平均 ...
2026-03-03在数字化转型的浪潮中,数据已成为企业最核心的战略资产,而数据治理则是激活这份资产价值的前提——没有规范、高质量的数据治理 ...
2026-03-03在Excel办公中,数据透视表是汇总、分析繁杂数据的核心工具,我们常常通过它快速得到销售额汇总、人员统计、业绩分析等关键结果 ...
2026-03-02在日常办公和数据分析中,我们常常需要探究两个或多个数据之间的关联关系——比如销售额与广告投入是否正相关、员工出勤率与绩效 ...
2026-03-02在数字化运营中,时间序列数据是CDA(Certified Data Analyst)数据分析师最常接触的数据类型之一——每日的营收、每小时的用户 ...
2026-03-02在日常办公中,数据透视表是Excel、WPS等表格工具中最常用的数据分析利器——它能快速汇总繁杂数据、挖掘数据关联、生成直观报表 ...
2026-02-28有限元法(Finite Element Method, FEM)作为工程数值模拟的核心工具,已广泛应用于机械制造、航空航天、土木工程、生物医学等多 ...
2026-02-28在数字化时代,“以用户为中心”已成为企业运营的核心逻辑,而用户画像则是企业读懂用户、精准服务用户的关键载体。CDA(Certifi ...
2026-02-28在Python面向对象编程(OOP)中,类方法是构建模块化、可复用代码的核心载体,也是实现封装、继承、多态特性的关键工具。无论是 ...
2026-02-27在MySQL数据库优化中,索引是提升查询效率的核心手段—— 面对千万级、亿级数据量,合理创建索引能将查询时间从秒级压缩到毫秒级 ...
2026-02-27在数字化时代,企业积累的海量数据如同散落的珍珠,若缺乏有效的梳理与分类,终将难以发挥实际价值。CDA(Certified Data Analys ...
2026-02-27在问卷调研中,我们常遇到这样的场景:针对同一批调查对象,在不同时间点(如干预前、干预后、随访期)发放相同或相似的问卷,收 ...
2026-02-26在销售管理的实操场景中,“销售机会”是核心抓手—— 从潜在客户接触到最终成交,每一个环节都藏着业绩增长的关键,也暗藏着客 ...
2026-02-26在CDA数据分析师的日常工作中,数据提取、整理、加工是所有分析工作的起点,而“创建表”与“创建视图”,则是数据库操作中最基 ...
2026-02-26在机器学习分析、数据决策的全流程中,“数据质量决定分析价值”早已成为行业共识—— 正如我们此前在运用机器学习进行分析时强 ...
2026-02-25在数字化时代,数据已成为企业决策、行业升级的核心资产,但海量杂乱的原始数据本身不具备价值—— 只有通过科学的分析方法,挖 ...
2026-02-25