
看透了!这才是真正的量化投资
量化投资在中国的发展时间不长,很多机构和投资者都还对量化投资非常陌生,而那时又恰逢2016、2017年的震荡市,量化对冲产品的业绩表现不是很好,使得本来对于量化投资有质疑的投资者有了更深的误解。
就像当时人们对互联网的态度一样,将其视为洪水猛兽,颠覆很多行业。可现在回过头来看看,互联网不仅没有所谓的“颠覆”行业,反而给社会提供了众多便利。所以切勿妖魔化量化投资,你所看到的量化投资不一定就是你以为的量化投资。
什么是真正的量化投资?
简单的说,量化投资就是通过对所有能公开获得的数据进行数量化分析而获得对投资标的未来价格走势进行预测的一种投资方法。但如果你认为量化投资仅仅是用数理模型来进行选股的话,那你就大错特错了!
比如大类资产配置、保险产品定价、商品期货、股指期货、国债期货、外汇、期权、可转债、信用债、利率债等等,甚至包括比特币,都是量化投资的运用范围。而量化投资的目的不是别的,而是实现超越市场平均水平(β)的超额收益(α)。在有超额收益能力的基础上,量化对冲类产品可以获得相对收益α,而量化多头类产品可以获得绝对收益β+α。
(详见:《5分钟读懂高大上的量化投资》)
择时和选股是量化投资超额收益的主要来源
在股票市场,量化投资超额收益的主要来源分为选股与择时:
选股,就是在市场的所有股票中选出能在某段时间获得高出市场平均收益的股票。择时,又包括Beta择时和风格择时。Beta 择时就是判断市场的整体走势,抓住上涨的股而规避下跌的股。风格择时就是抓住市场近期的风格取向,提高配置来获得超额收益。
明汯投资总监裘博士认为,以中国市场为例,如果能在2009年到2016年11月配置最小市值的股票,从2016年11月开始配置大盘蓝筹,即使不用精选个股,也能获得非常高的收益。
量化和对冲不是一码事
此前的对冲工具少,只有沪深300股指和中证500股指,而这两者对应的是股票市场上市值最大的800只股票,所以只要不把选股标的限制在大市值股票内,基本上都能赚一部分做多小市值股票做空大市值股票对应的股指期货的钱。但把这种收益称之为绝对收益是不科学的,因为一方面是个股本身超越大盘指数的收益,另一方面是赚了不完全对冲市值规模风险的钱(即通过对市场规模风险的暴露去赚钱)。而市场的风险其实除了包括市值规模的风险,也包括行业和风格的风险。真正的中性策略是即包括市值的中性,也包括行业和风格的中性。
量化投资在中国市场的水土不服
由于2016,2017年的震荡市,很多人开始质疑量化投资是否能在国内行得通。明汯投资总监裘博士认为主要是基于两点:
1、对冲成本高昂。除了股票市场的波动外,股指的贴水也是量化收益的一大杀手。明汯投资总监裘博士表示,股指的大幅贴水在2015年9月到2017年6月这段时间内很大程度影响了市场中性产品的业绩,这部分主要是对冲成本的高昂抵消了量化选股模型的大部分超额收益,这个是市场环境的外在客观原因。
简单说,股指的贴水就是期货价格比现货价格要低,但如果是对冲的话,则需要卖出期货。也就是说,你在对冲时卖出了低价的期货,而买入了高价的现货,因此则会大大影响量化策略的超额收益。比如基差(现货价格-期货价格)为5%,那么就意味着对冲策略要白白损失5%的收益。
2、2017年股票市场分化明显。有数据显示,代表大盘蓝筹的沪深300指数上涨21.78%,中证500指数下跌0.2%,代表小市值股票的中证1000指数下跌17.35%。因此如果你做空沪深300或者中证500的话,将面临着巨大的损失。再加上量化投资在国内的水土不服,可以说2017年的市场环境是考量量化机构选股投研实力的一个很好的标准。优秀的量化对冲私募在2017、2018年都会有不俗的表现。
某量化私募旗下的多策略旗舰基金,采用量化选股+股指期货对冲策略,并以CTA策略作为辅助,表现如下。
某量化私募旗下中性策略旗舰基金,采用量化选股+股指期货对冲策略,并以股票日内策略为辅助,表现如下。
量化私募缺乏长期的历史经验
由于国内有股指期货的时间比较短,自2012年起基本上算国内量化投资的元年,国内量化私募普遍成立时间较短,公开业绩不够长,市场对量化投资的认识和普及也不够。类似于明汯投资总监裘博士这样在国内外自营、私募机构有过基金经理从业经历、投资经验超过17年之久的基金经理更是少之又少。
投资是个长期的过程,从短期业绩上来说,在任何时候都有比巴菲特业绩好的基金经理,因此量化私募人应该更注重长期业绩,积累足够长的投资记录,才会得到机构和个人投资者的认可
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