京公网安备 11010802034615号
经营许可证编号:京B2-20210330
量化投资背后的投资理念
最近介绍了不少用量化投资去选股的方法,中间用到不少实证研究(empirical analysis),详细分析一些用既定因子(factor)去选股的投资策略;这些分析一般都会利用歷史数据,去验证某些特定的选股因子,能否真的為投资者带来额外回报。
值得注意的是︰任何量化方法如果没有合理的投资理念去支撑,其效用是成疑的。事实上,通过数据挖掘(data mining),有辉煌歷史表现(historical performance)的投资方法不难找,未来的投资表现是否合格,才是关键所在。
假设我们叫电脑胡乱地作出100个风马牛不相及的因子,如果用5%的显著性来做检验的话,根据统计学理论,检验结果很大机会显示其中五个具有预测能力,虽然这五个因子都是无厘头的,这就是在量化投资里常提到的数据挖掘陷阱。
因此量化投资一个成功关键点,就是在量化方法背后需要有良好的投资理念来支持,难怪有人说量化投资既是一门科学,但也是一门艺术。
选成长股或选价值股
最近就有很多研究,把因子投资法(factor investing)应用到smart beta上,发展了一些以跑赢市值加权指数為目标的聪明指数。
本栏读者如不是基金经理,对这些系统性的因子投资法,可能兴趣不大,但了解一下是什麼因素令採用smart beta的基金能跑赢大市,对做好选股(stock picking)这门功课,应有一定的啟发作用。
Factor investment的前身,应是所谓style investment。早在七八十年代时,便有两类的投资风格(investment styles),就是选择「成长股」(growth stocks)还是选择「价值股」(value stocks)。
所谓「成长股」,指的是上市公司的前景甚為亮丽,盈利将有所增长,公司的股价稳步上扬,投资者愿意以较昂贵的价格买入股票,期望有较好的回报。而所谓「价值股」,指的是股价被低估的一些股票,很多时候它们有较低的市盈率(P/E ratio),较低的市净率(P/B ratio),或有较高的派息率(dividend ratio)。
以上两类投资风格,其实就是后期因子投资(factor investment)的前身。以上提到的市盈率、市净率、派息率等都成了某些smart beta策略内的重要组成部分,其投资理念是选择那些不是当前最炙手可热但有潜在价值的股票,由於价值被低估,以之作长线投资应有作為。
其实选择这些价值股,是一个务实的表现。一个很好的比喻是︰光顾一间价格便宜但有优质食物供应的餐馆,应该是一个不错的选择。
至於投资於成长股,后期就演变成以「动量」(momentum)作為选股的因子。Jegadeesh and Titman於九十年代指出︰买入近期(三至九个月)表现佳的股票又同时沽出表现差的股票可以得到正回报。
「动量」之所以能成為一个成功的选股因子,其实是有跡可寻的。根据行為财务学者的分析,反应不足(under-reaction)和反应过度(over-reaction)都可以用来作為解释动能的原因。
小投资者在升市的早期,一般都会后知后觉,因而反应不足(under-reaction),到了升幅较明显时就开始关注走势,再有「从眾」的心理,当股价有相当升幅的时候买入。
挑选具有质量股票
另一方面,当很多人叫好的时候,小投资者一般都不能把持自己的判断力,容易反应过度(over-reaction),也会跟风买入,短期内可能有所斩获使得股价有升完再升的动量。
但要注意的是︰动量不能长期存在,De Bondt and Thaler指出,买入五年内表现差的股票又同时沽出表现好的股票可以得到正回报。
所以股市存在着「动量效应」的同时,也存在着「逆势效应」(contrarian effect),逆势就是来源於投资者的反应过度。股价有「短线动量、长线反转」(short-term momentum and long-term contrarian)的倾向。
其中一个不可不提的因子就是质量(quality)。採用质量因子的投资法就是要仿效传统的选股策略,挑选一些具有质量的股票。具有质量的股票又应具备什麼特质呢?
根据传统投资智慧,优质股应有以下特点:稳定盈利、高边际利润、低槓桿、营运效率高。
量化投资者的目标就是要把这些定性特徵转化成可量化的因子,作為选股的指标,而年报上的资料往往成為这量化过程的重要数据。盈利可以利用年报上的股本回报率来呈现,槓桿则可以利用负债比率来表示。
持有优质股在眾多因子当中是比较容易理解和接受的一个理念,原因很简单,优质的股票谁都想拥有。话虽如此,优质的股票是不是等於跑赢市场,还需要更深入的实证。
除了以上的选股因子外,Factor investment也钟情於小型公司(small cap)的投资。市场对小型公司的研究覆盖率偏低,未能引起投资大眾的注目,很多小型公司都沦為冷门股,其价格因而偏低,但守得云开见月明,有朝一日,可能突然受到注目,亦可能被卷入併购活动,股价可以咸鱼翻生。
整个组合都用因子
另一选股因子是挑选波动率低(low volatility)的股票。有业界人士研究了1996年12月至2015年12月的股价,依其波动率的大小划分為十个等份,发觉波动率最低的三等份的回报率, 远高於波动率最高的三等份,而且不同地区的股票都有类似的结果。
投资者一般偏爱关注高波动率的股票,股价快速地上升时所带来的快感委实吸引,低波动率的股票价格不会大上大落,市场关注度也不会过高,持有它们收稳扎稳打之效。
上期提到量化投资用上股票期权的价格作為选股的一个因子,建议选择那些期权有较小波幅倾斜(volatility skew)的股票。
波幅倾斜指的是价外认沽(out of the money put)及在价认购(at the money call)的价差(波幅倾斜=IVOTM PUT-IVATM CALL)。
让我们分析一下其背后的投资理念。假如有两隻股票A和B,A的波幅倾斜较大,那就表示A的价外认沽期权比B贵,也同时表示期权买家热中於买A的认沽甚於买B的认沽。
认沽买家主要分两类︰一是為手上持有股票作套戳、二是预期股价大跌期望以小博大的投机者,两者都是看淡A的前景,既然A的前景比B来的黯淡,B未来的回报应比A高。
以上的选股因子,很多都是操作smart beta 基金经理的宠儿,当读者试图利用相同工具去选股时,要切记的是基金经理是对整个组合都用上这些因子,效果会比较明显,但如果只针对组合的其中一两隻股票用上以上的因子,那麼功效就会有很大的局限性了。
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14在Python网络编程、接口测试、爬虫开发等场景中,HTTP请求的发送与响应处理是核心需求。Requests库作为Python生态中最流行的HTTP ...
2026-04-14 很多新人学完Python、SQL,拿到一张Excel表还是不知从何下手。 其实,90%的商业分析问题,都藏在表格的结构里。 ” 引言:为 ...
2026-04-14在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13在数据驱动商业升级的今天,商业数据分析已成为企业精细化运营、科学决策的核心手段,而一套规范、高效的商业数据分析总体流程, ...
2026-04-13主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-13在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-13在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09