
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
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在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29