
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
如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-15CDA 精益业务数据分析:驱动企业高效决策的核心引擎 在数字经济时代,企业面临着前所未有的数据洪流,如何从海量数据中提取有 ...
2025-07-15MySQL 无外键关联表的 JOIN 实战:数据整合的灵活之道 在 MySQL 数据库的日常操作中,我们经常会遇到需要整合多张表数据的场景 ...
2025-07-15Python Pandas:数据科学的瑞士军刀 在数据驱动的时代,面对海量、复杂的数据,如何高效地进行处理、分析和挖掘成为关键。 ...
2025-07-15用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-11数据透视表中两列相乘合计的实用指南 在数据分析的日常工作中,数据透视表凭借其强大的数据汇总和分析功能,成为了 Excel 用户 ...
2025-07-11尊敬的考生: 您好! 我们诚挚通知您,CDA Level I和 Level II考试大纲将于 2025年7月25日 实施重大更新。 此次更新旨在确保认 ...
2025-07-10BI 大数据分析师:连接数据与业务的价值转化者 在大数据与商业智能(Business Intelligence,简称 BI)深度融合的时代,BI ...
2025-07-10SQL 在预测分析中的应用:从数据查询到趋势预判 在数据驱动决策的时代,预测分析作为挖掘数据潜在价值的核心手段,正被广泛 ...
2025-07-10数据查询结束后:分析师的收尾工作与价值深化 在数据分析的全流程中,“query end”(查询结束)并非工作的终点,而是将数 ...
2025-07-10CDA 数据分析师考试:从报考到取证的全攻略 在数字经济蓬勃发展的今天,数据分析师已成为各行业争抢的核心人才,而 CDA(Certi ...
2025-07-09【CDA干货】单样本趋势性检验:捕捉数据背后的时间轨迹 在数据分析的版图中,单样本趋势性检验如同一位耐心的侦探,专注于从单 ...
2025-07-09year_month数据类型:时间维度的精准切片 在数据的世界里,时间是最不可或缺的维度之一,而year_month数据类型就像一把精准 ...
2025-07-09CDA 备考干货:Python 在数据分析中的核心应用与实战技巧 在 CDA 数据分析师认证考试中,Python 作为数据处理与分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 检验:数据趋势与突变分析的有力工具 在数据分析的广袤领域中,准确捕捉数据的趋势变化以及识别 ...
2025-07-08备战 CDA 数据分析师考试:需要多久?如何规划? CDA(Certified Data Analyst)数据分析师认证作为国内权威的数据分析能力认证 ...
2025-07-08