量化投资系列之多因子策略--1.概述

金融二级市场是一个高度复杂的非线性动态系统，投资标的价格的变化既有内在的规律性，同时也受到市场、经济和非经济等诸多因素的影响。下面我会介绍几个概念，然后阐述多因子策略与这几个概念之间的关系。

1. 量化

量化投资这个概念大家应该都或多或少听过，就是用代码、程序自动化地发出买卖指令，进行投资标的交易，这个投资标的可以是股票，也可以是期货、期权等。量化投资的对立面就是主观投资，就是行业分析员通过自己的研究给出推荐的投资标的，然后投资经理进行抉择，我们通常所买的一些公募基金，它的运作模式是“投资经理 + 行业分析员”的模式。

多因子策略就是一种量化选股策略，就是如何用代码高效、自动地选择优质股票，其他常见的量化策略还有：统计套利、期货CTA策略等。

2.   一级市场 V.S. 二级市场

这里，首先解释一下，什么是一级市场，什么是二级市场。以我们常见的公司股票、股权交易为例，如果我们直接与公司进行股权交易，比如PE、VC等直接从标的公司购买公司股权，进行股权投资，这就属于一级市场行为；如果我们与股票持有者进行买、卖，比如我们在证券交易所进行股票交易，这就属于二级市场行为。

本文所讲的多因子策略，就是用程序在二级市场买、卖股票，从而获取自身的最大收益。

3. 超额收益(阿尔法收益)

我们的股票投资组合所获的收益，一般可以粗略地分为两部分：贝塔收益和阿尔法收益。贝塔收益可以看作承担市场风险所带来的收益，我们可近似地认为该收益就是大盘指数的收益，因为大盘指数是基于市场上大量股票的收益率计算得到的，它是能够代表市场的整体收益情况的。比如常见的沪深300指数，就是包含了A股市场中市值大、流动性较好的300只股票。

当我们从自身的收益中，将系统性风险(贝塔收益)分离出去后，就能够获得自身的超额绝对收益(即阿尔法收益)。这种获取阿尔法收益的策略通常被称为阿尔法策略。目前国内市场上最常见的股市阿尔法对冲策略，其通常利用选股、择时等方面的技术，寻找具有稳定超额收益的股票组合，通过股指期货等衍生工具来分离贝塔，进而获得与市场相关度较低的阿尔法收益。即采用“现货多头＋期货空头”的方法，一方面建立能够获取超额收益的投资组合的多头头寸，另一方面建立股指期货的空头头寸以对冲现货组合的系统风险，从而获取正的阿尔法绝对收益。

具体来说，步骤分为：

A.  我们通过多因子策略选择优质的、强于市场表现的股票投资组合，然后调仓买进这些股票；

B.  在期货市场，卖空股指期货，比如沪深300指数所对应的股指期货(IF期货)，从而将贝塔收益剥离出去。当然根据投资组合风格的不同，我们还可以选择中证500指数期货(IC)进行对冲。当我们忽略期货的升、贴水后，股指期货的收益率与股指收益率认为是近乎相等的。

C.  最终我们获得收益即为阿尔法超额收益。

4. 多因子模型

以上，我们分别从量化、二级市场、超额收益这3个角度对多因子策略进行了阐述，多因子模型的基本原理是采用一系列的因子(也就是特征)作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。其主要优点是能够综合各方面信息得出一个优化结果。按照样本窗口的选择方式、有效因子的选择和因子权重的设定方法，可以将多因子模型分为静态多因子模型和动态多因子模型。

静态选股模型的建模机制仅使用固定窗口期中的样本，代入选股模型中拟合，估计因子权重（回归系数），然后对全部样本外数据采用相同因子和权重预测下一期收益率。静态模型简单易行，具有一定的稳健性，但是由于市场是变化的，风格是轮动的，而静态模型过于僵化，不能根据市场的当前状况调整自己的风格，而且，静态多因子模型在设置因子权重时，许多权重的设定都是依赖于经验与主观的偏好，因而难以发挥各个因子的优势。

动态选股模型的建模机制则与静态模型不同，该模型每次在对当前时期股票收益率进行预测后，都要重新选择样本区间，重复模型拟合过程，然后计算出相应的因子权重，并算出下一期收益率的预测值。相较于静态模型，动态模型的选股机制能够对复杂多变的股票市场做出及时的反应，从而能够更加贴近市场的最新变化。目前市场上的多因子模型都是动态选股模型。

下期我们会从因子的分类出发，介绍各类因子的意义和使用方法。

人工智能

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。