联合证券-数量化投资：Alpha策略系列研究之二_寻找超越指数的选股指标-080819
阿尔法策略产品——量化选股模型课件
76.09 53.85 66.67
71.74 61.54 69.44
60.87 53.85 63.89
47.83 38.46 58.33
60.87 42.31 55.56
PPT学习交流
27
多因子模型
图 多因子模型净值表现
PPT学习交流
28
多因子模型
▪ （1）总体而言，多因子选股模型 简单易行，有较好的稳健性，样本外的表现也很好
PPT学习交流
4
无风险利率
▪ 举个例子： ▪ 长江上有一条船，船上有一个人在行走，
那么这个人的速度多少？ ▪ V=v1+v2+v3，其中： ▪ V1：江水的速度（无风险利率） ▪ V2：船的速度（贝塔收益） ▪ V3：人的速度（阿尔法收益）
PPT学习交流
5
无风险利率产品
▪ 银行存款 ▪ 国债 ▪ 货币基金 ▪ 逆回购 ▪ 长江水一直向东流。
▪ 3. 剔除相关性过大的因子
▪ （1）假定得分相关性阈值取 0.5
▪ （2）表中的盈利收益率和PEG相关性为0.89，ROA 变动和ROE变动相关性 为0.70，盈利收益率和收入净利率相关性为0.59，
▪ （3）相关性均超过阈值，因此取其中超额收益相对较高的因子，最终剔除 的因子为PEG、ROE变动和收入净利率，总共剩下9个选股因子
取阿尔法 ▪ 对冲基金，通过量化研究获取阿尔法。 ▪ 阿尔法的大小证明了基金经理的核心价值
PPT学习交流
8
各种产品的费率
▪ 举个例子：肉包子，由面粉做成包子，再 加上肉馅。
▪ 面粉最便宜（无风险利率产品：0.3%管理 费）
▪ 包子其次（贝塔产品，1%管理费） ▪ 肉最贵（对冲基金产品，2%管理费+20%
2-指数追踪、指数增强与市场中性策略
4/20
统计套利与系列研究二.doc
May-200 7
2.基于协整的经典指数追踪
首先，采用协整进行投资组合构建的是 Axlander（1999），在文中第一次用到 了股票价格的所有信息，而不是差分序列。基于股票价格同指数之间的协整关系建 立投资组合基于如下三点：第一，股票组合和标的指数价格差异是平稳的，因此， 追踪组合与标的指数在长期中是紧密关联的；第二，根据较长历史数据计算的组合 中的股票权重是相对稳定的；第三，经协整建立的组合，其跟踪误差是均值回复的 随机过程，不存在系统性的误差。
益率，ck 是持仓权重，而 et 代表追踪误差，一般的优化方法就是在约束条件——跟
踪误差期望（均值）等于 0 和股票权重和等于 1 的条件下，利用数值方法使得跟踪 误差的方差最小化。
而优化方法在被动投资中的缺点比较显著：首先，股票指数是组合内股票的一 个线性组合，针对股票指数的追踪误差最小化的包含了许多噪音，依赖于样本数据。 并且在高波动的市场中极不稳定；其次，由于采用了相关系数来衡量协同波动 （co-movement），产生了如下的缺点：首先，只能用平稳（stationary）数据，如 股票收益率，由于是股票价格的差分序列损失了一些有用信息；其次，只是一个短 期的统计量，缺乏稳定性；第三，依赖于估计模型，相关系数易于受到异常值，非 平稳序列或是波动率聚集的影响，因此在长期时间序列中可能会得出错误的结论。 对金融时间序列中相依性的测度，Embrechts，Lindskog 和 McNeil（2001）进行 了一个全面综述。
本研究可以继续拓展的地方：第一，加入选股思路；第二，对于调整频 率的更改；第三，进行市场中性策略时，采用更多的股票进入组合。
下一步的研究将着力于研究 alpha 转移，即如何将统计套利中获得的 alpha 如何转移到其他组合上，以及利用除协整外的其他一些方法进行 统计套利。
量化 alpha
量化 alpha
《量化alpha》是指利用计算机科学、数学和统计学等技术，通过系统性的策略和算法，寻找股票、期货等市场中的优质投资机会，实现超越市场平均水平的收益。
量化alpha的核心是通过建立数学模型，利用历史数据和市场情况，预测未来的趋势和机会，从而进行投资。
量化alpha的投资策略通常是基于大量的历史数据、技术指标和市场因素进行分析和研究，利用算法和模型来辅助决策，以期实现更高的投资收益率。
量化alpha的优势在于其系统性、可重复性和自动化程度。
通过建立规则和指标，投资者可以在不需要过多主观判断的情况下进行投资决策，从而避免了投资者情感波动和主观偏见的影响。
同时，量化alpha的自动化程度也大大提高了投资效率，缩短了交易周期，减少了人工错误的风险。
不过，量化alpha也存在一定的风险和局限性。
首先，市场情况和数据的变化可能会导致模型的失效，从而影响投资效果。
其次，量化alpha的投资策略通常较为复杂，需要一定的专业知识和技能，对于普通投资者而言较难掌握。
另外，量化alpha的投资决策也可能受到黑箱效应的影响，难以理解和解释。
总的来说，量化alpha是一种基于科学技术的投资策略，具有一定的优势和局限性。
投资者需根据自己的情况和风险偏好，谨慎选择适合自己的投资方式。
- 1 -。
基于量化投资策略下超额收益ALPHA模型的建立与实践
基于量化投资策略下超额收益ALPHA模型的建立与实践1. 引言1.1 研究背景在金融市场中，投资者常常利用量化投资策略来提高投资效率和获取超额收益。
量化投资策略是通过数学、统计和计算机技术来分析和制定投资策略，以期在金融市场中获得更好的投资回报。
随着信息技术和数据科学的发展，量化投资策略在金融领域中的应用越来越广泛。
超额收益ALPHA模型是一种常见的量化投资模型，旨在通过对市场各种因素和变量的分析和计算，预测和获取超额收益。
该模型基于历史数据和市场情况，通过建立数学模型和算法，找出投资组合中的优势和劣势，从而获取超额收益。
针对当前金融市场存在的挑战和机遇，本研究旨在建立一个基于量化投资策略下的超额收益ALPHA模型，通过对市场数据和因素的分析和建模，探索如何利用量化方法提高投资效率和获取更好的投资回报。
通过本研究的实践和验证，将为投资者提供一种新的投资思路和策略，促进金融市场的健康发展和投资者的长期收益。
1.2 研究目的研究目的是通过建立基于量化投资策略下的超额收益ALPHA模型，探讨如何利用数据科学和算法优化投资组合，实现较传统投资方法更为稳定和可持续的超额收益。
具体目的包括：通过量化投资策略概述，深入了解量化投资的理念和方法，为后续建立模型奠定基础；通过对超额收益ALPHA模型的原理进行分析，探讨如何利用市场数据和技术指标预测股票涨跌情况，以获取超额收益；通过搭建超额收益ALPHA 模型，实现投资组合的优化，并通过实践验证模型的有效性和可行性；通过对实验结果与分析的总结，评估模型的表现及潜在风险，为投资者提供参考和决策依据。
通过本研究的实施，旨在为投资者提供一种更为科学和有效的投资策略，帮助他们获得更稳定和可持续的收益，同时也拓展了量化投资领域的研究与应用。
1.3 研究意义量化投资策略在金融领域中扮演着越来越重要的角色，通过利用大量数据和复杂的算法来指导投资决策，可以帮助投资者在波动剧烈的市场中获取更高的收益。
alpha量化选股模型
Alpha量化选股模型是一种利用数量化建模方法来捕捉投资者所考虑交易的金融产品的短期错误定价，并通过投资组合的方式在充分考虑风险收益比的情况下来进行一揽子金融品种的投资的模型。
该模型主要目的是为了博取投资绝对收益率。
在Alpha量化选股模型中，通常会使用一系列的因子来筛选股票，这些因子可能包括公司的财务数据、市场趋势、宏观经济指标等。
通过这些因子的筛选，模型可以选出在一定时间内表现超过市场平均水平的股票。
Alpha量化选股模型的实现通常需要强大的数据处理和分析能力，以及对市场趋势和投资策略的深入理解。
同时，该模型也需要不断优化和调整，以适应市场的变化和投资者的需求。
需要注意的是，任何投资模型都存在风险，投资者在使用Alpha量化选股模型时需要充分了解其原理和风险，并根据自己的风险承受能力和投资目标做出合理的决策。
常见的指数增强策略
常见的指数增强策略
常见的指数增强策略主要包括以下几种：
1. Alpha策略：利用个股的基本面和技术面因素，通过选股和择时的方式，超越市场指数的表现。
2. Beta策略：通过使用股指期货或其他衍生品，进行杠杆操作，以追求与市场指数相比超额回报的策略。
3. 对冲策略：利用股指期货或其他相关工具进行对冲操作，以降低市场波动对投资组合的影响，并保持市场中性的策略。
4. 动态风险调整策略：根据市场风险水平的变化，调整投资组合的权重，以保持风险水平较低的策略。
5. 分散化策略：通过投资多种资产类别，如股票、债券、商品等，以实现投资组合的分散化，降低风险并提高回报。
6. 组合交易策略：通过同时买入一只股票而卖出另一只相关的股票，利用两者之间的价格差异获得收益的策略。
7. 投资风格策略：根据不同的投资风格，如价值投资、成长投资、指数投资等，进行股票选取和组合调整的策略。
这些策略在实施上可以根据投资者的需求和实际市场状况进行组合使用，以实现超越市场指数的投资回报。
量化投资中的阿尔法策略
基于趋势跟踪
量化择时策略之一是基于趋势跟踪，通 过识别市场趋势，利用技术指标和机器 学习算法来预测市场走势，指导投资决 策。
VS
基于统计套利
另一种量化择时策略则是基于统计套利， 通过分析市场数据、对冲风险等手段，寻 找具有套利机会的投资组合。
组合优化策略
基于马科维茨投资组合理 论
组合优化策略之一是基于马科维茨投资组合 理论，通过分散投资、风险控制等方法，优 化投资组合的收益风险比。
总结词：互补性
详细描述：人工智能和传统投资策略具有很强的互补性。传统投资策略在人的经验、判断和决策方面具有优势，而人工智能 在数据处理、模式识别和预测方面具有优势。两者的结合可以更好地应对市场的复杂性和不确定性。
人工智能在量化投资中的用
要点一
总结词
要点二
详细描述
挑战与风险
虽然人工智能在量化投资中的应用具有广阔的前景，但也 面临着一些挑战和风险。例如，人工智能算法的透明度和 可解释性不足，可能会导致投资者对算法的不信任；同时 ，人工智能算法的过度拟合和泛化能力不足，也可能会影 响其在实际投资中的表现。因此，投资者需要谨慎选择和 使用人工智能算法。
模型过拟合与欠拟合
总结词：阿尔法策略可能面临模型过拟合与欠拟合的 问题。过拟合是指模型过于复杂，导致在训练数据上 表现良好，但在测试数据上表现较差；欠拟合则是指 模型过于简单，无法捕捉到重要的市场特征。
详细描述：在量化投资中，阿尔法策略的复杂性和适用 性之间存在权衡关系。如果投资者使用过于复杂的模型 ，他们可能会面临过拟合的风险。这意味着模型在训练 数据上可能表现出色，但在真实市场环境中可能无法获 得超额收益。相反，如果投资者使用过于简单的模型， 他们可能会面临欠拟合的风险。这意味着模型可能无法 捕捉到重要的市场特征，从而无法做出准确的投资决策 。因此，投资者需要仔细选择合适的模型复杂性和特征 集来避免过拟合和欠拟合的问题。
广发 多因子alpha系列 基于筹码分布的选股策略
广发多因子alpha系列基于筹码分布的选股策略广发多因子alpha系列基于筹码分布的选股策略在投资领域，选股策略一直是投资者们关注的焦点之一。
广发多因子alpha系列提出的基于筹码分布的选股策略，正是一种新颖而又实用的方法。
这一策略不仅能够帮助投资者找到具有潜在增长空间的个股，还能够在一定程度上规避风险，是一种有着广阔应用前景的方法。
在进行这一选股策略的评估时，我们需要从多个角度进行全面的分析。
我们需要理解并掌握广发多因子alpha系列的具体方法和原理。
我们需要对基于筹码分布的选股策略进行深入的研究和探讨，了解其在实际操作中的应用。
我们需要对此策略的优势和局限性进行客观的评价，并提出个人观点与建议。
1. 广发多因子alpha系列的方法和原理广发多因子alpha系列是基于广发基金多年的研究和实践经验，提出了一套包括风险因子、估值因子、成长因子等多种因子的选股模型。
这一模型综合了多个因子的影响，能够更全面地评估个股的投资价值，为投资者提供了更加科学的选股方法。
在这一多因子模型中，基于筹码分布的选股策略占据着重要的位置。
它通过分析股票持有者的成本价与市场价格的关系，来判断股票的操纵程度、筹码分布情况以及操纵者的进出时点。
这一策略强调了对市场情绪和资金流向的把握，从而更加准确地判断个股的投资价值。
2. 基于筹码分布的选股策略的实际应用基于筹码分布的选股策略并不是简单的理论模型，而是在实际操作中能够发挥作用的有效策略。
通过对该策略的实际应用案例进行研究，我们可以发现它在不同市场环境下都能够取得较好的效果。
在牛市中，基于筹码分布的选股策略能够帮助投资者捕捉到操纵力度较大的个股，从而获得更高的收益。
而在熊市中，该策略则能够帮助投资者规避风险，避免跟随市场情绪盲目操作，从而保持较好的资产状况。
这一策略的灵活性和稳健性使其在实际操作中能够适应不同的市场环境，为投资者带来更好的投资体验。
3. 优势和局限性然而，基于筹码分布的选股策略也并非完美无缺。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
分 析 师王红兵(0755) 8249 2185 wanghb@谢江(0755) 8249 2392 xiejiang@ 我们采用选股策略来寻找超越市场的超额收益，但是要完成这样的目标就要设计出适当的alpha策略。
而要实现这种策略，更为重要的是发掘出各个指标的重要性。
正如适应性市场假说那样，市场中的各个指标因素的重要性是在不断发生变化的，而我们的工作也就是要找出这样的规律。
本报告通过对选股指标最优权重的回溯检验来分析哪些指标在最近4年一直表现优异以及不同行情下单个选股指标话语权的变化。
备选股票池为沪深300指数上海成份股，目标股票组合的规模为30只，所有的研究结论皆基于此目标组合规模。
选股指标涵盖6个方面，分别是价值、质量、成长性、市场表现、一致预期以及流通市值规模，其中价值指标采用PE和PB，市场指标采用3月反转和12月动量两个子指标。
关于市场行情的划分，本报告根据市场表现把2005－2008年以5月份为间隔依次分为盘整行情、牛市行情、转折行情和下跌行情。
在本报告遴选小规模股票组合的案例中，我们研究发现，一套选股指标体系一般难以适应所有行情，最有效的选股指标在不同行情下各有差异，在估值水平较低的盘整行情下最有效指标是PE，在牛市行情下是3月反转指标，在转折行情下是成长性指标和3月反转指标，在下跌行情下是3月反转指标。
在经历了较低估值水平的2005年后，PE指标的选股能力直线下降，取而代之的是3月反转指标和成长性指标以及一致预期收益率指标，这三大指标对甄选优质小规模股票组合有近70%的话语权。
相关研究《alpha策略系列研究之一;百花齐放的Alpha策略》发表日期（2008/08/18）寻找超越指数的选股指标 Alpha策略系列研究之二金融工程-数量化投资 080819：Alpha策略系列研究之二_寻找超越指数的选股指标.docAug-2008目 录一、研究思路与选股指标 (3)二、选股指标2005－2008回溯的最优权重 (4)1、2005.5-2006.4期间最优指标权重 (4)2、2006.5-2007.4期间最优指标权重 (4)3、2007.5-2008.4期间最优指标权重 (5)4、2008.5-2008.8.15期间最优指标权重 (5)三、选股指标在不同行情下的话语权 (6)1、估值指标 (6)2、市场指标 (7)3、公司质量指标 (8)4、成长性指标 (8)5、市值规模 (9)6、一致预期 (9)7、选股指标的平均最优权重 (9)四、结论 (10)数量化选股一般遵循这样的过程：选择合适的选股指标、根据指标的重要性对指标赋权形成选股指标体系、利用该指标体系对股票池中的股票进行评分，根据投资组合规模选定评分靠前的若干只股票。
如何给选股指标赋权重是其中最重要的环节，指标权重高低反映了选股体系构建者对于后市股票强弱特征的基本判断，判断的正确性直接决定股票组合未来能否战胜业绩基准，故选股指标的权重配置值得深入研究。
本报告从选股指标最优权重的回溯检验来分析哪些指标在最近几年一直表现优异，以及不同行情下选股指标话语权的大小。
用来选股的股票池为沪深300指数成份股中在上交所交易的股票，假定目标股票组合的规模为30只，即从沪深300指数的上海成份股中通过选股体系筛选出得分靠前的30只股票。
一、研究思路与选股指标回溯检验的思路是这样的，在构建的选股指标体系下30只股票组合收益率达到最优时的指标权重，股票收益率为选股时点未来一年的收益率，个股在组合中的权重采用自由流通股本的分级靠档来配置。
回溯频率为1次/1年，选股时点为每年的4月30日，因为在4月底所有上市公司完成了年报披露。
选股指标的如下所示，从六个角度刻画一个股票的特征，其中估值指标我们认为越低越好，当然股票池剔除了当期年报亏损的个股，其余指标我们认为越大越好。
二、选股指标2005－2008回溯的最优权重1、2005.5-2006.4期间最优指标权重2005年5月9日－2006年4月30日市场表现为盘整行情，在上面的选股框架下，在此期间30只股票规模组合的最大收益率为52.64%，最优指标权重如图1所示，低PE 的特征非常显著，另外12月动量特征也比较明显 。
图146.28%7.03%7.72%22.40%0.06%2.04%0.47%13.99%0.00%10.00%20.00%30.00%40.00%50.00%P E P B P M3P M12R OE 2004G rowth C ap E Y数据来源：联合证券研究所。
2、2006.5-2007.4期间最优指标权重2006年5月8日－2007年4月30日市场表现为单边上扬行情，在上面的选股框架下，在此期间30只股票规模组合的最大收益率为292.23%，最优指标权重如图2所示，3月反转的特征非常显著，另外分析师一致预期在牛市行情下对股票收益率的影响也非常大 。
图24.34%11.33%41.60%0.33%3.23%15.73%0.06%23.37%0.00%10.00%20.00%30.00%40.00%50.00%P E P B P M3P M12R OE 2005G rowth C ap E Y数据来源：联合证券研究所。
3、2007.5-2008.4期间最优指标权重2007年5月7日－2008年4月30日市场表现为转折行情，在上面的选股框架下，在此期间30只股票规模组合的最大收益率为47.26%，最优指标权重如图3所示，净利润增长率和3月反转特征较为明显，没有哪个因素特别出色。
图34.68%0.28%28.37%7.90%17.82%31.59%0.67%8.69%0.00% 5.00%10.00%15.00%20.00%25.00%30.00%35.00%P EP B P M3P M12R OE 2006G rowth C ap E Y数据来源：联合证券研究所。
4、2008.5-2008.8.15期间最优指标权重2008年5月5日－2008年8月15日市场表现为单边下跌行情，在上面的选股框架下，在此期间30只股票规模组合的最大收益率为-28.06%，最优指标权重如图4所示，市场指标要优于其余指标，其中3月反转的特征最显著。
图43.02%7.99%38.29%17.53%1.76%16.05%14.09%1.26%0.00%10.00%20.00%30.00%40.00%50.00%P E P B P M3P M12R OE 2007G rowth C ap E Y 数据来源：联合证券研究所。
三、选股指标在不同行情下的话语权上述各年份选股指标最优权重的度量是以30只股票规模的组合为基础的，也就是说该选股体系是针对小规模股票组合是最优的，如果股票组合规模扩大，各因素的最优权重将发生变化，以下关于单个选股指标的讨论也是基于30只股票规模这一前提。
我们把20050509－20060430间的市场表现定义为盘整行情，把20060508－200704 30间市场单边上扬定义为牛市行情，把20070507－20080430的市场表现定义为转折行情，把20080505－20080815间的市场表现定义为下跌行情，整个期间可以近似看作股票市场变迁的一个周期，下面就单个指标进行分析。
1、估值指标PE 在盘整行情下对高收益股票的区分最为突出，低PE 的股票在未来一年内表现更为优异，而随着大盘的抬升、市场整体估值水平的上移，PE 指标的重要性急转直下，PB 指标则在所有行情下均不突出。
图5、PE46.28%4.34% 4.68%3.02%0.00%5.00%10.00%15.00%20.00%25.00%30.00%35.00%40.00%45.00%50.00%盘整行情牛市行情转折行情下跌行情数据来源：联合证券研究所。
图6、PB7.03%11.33%0.28%7.99%0.00%2.00%4.00%6.00%8.00%10.00%12.00%盘整行情牛市行情转折行情下跌行情数据来源：联合证券研究所。
2、市场指标市场指标在所有行情下都是不可或缺的选股指标，尤其是3月反转指标，多数行情下该指标对优势股票的甄选非常有效，12月动量指标则在盘整行情下较3月反转指标更优。
在完整的1年期间内市场指标对所有选股指标中占有30%以上的重要性，在最近的3个半月的下跌行情下市场指标的重要性达55％，远比基本面、估值等指标更能甄选表现优异的股票。
图7、PM37.72%41.60%28.37%38.29%0.00%5.00%10.00%15.00%20.00%25.00%30.00%35.00%40.00%45.00%盘整行情牛市行情转折行情下跌行情数据来源：联合证券研究所。
图8、PM1222.40%0.33%7.90%17.53%0.00%5.00%10.00%15.00%20.00%25.00%盘整行情牛市行情转折行情下跌行情数据来源：联合证券研究所。
3、公司质量指标ROE 作为经典的基本面指标在精选小规模股票组合的能力上并无过人之处，只有在转折行情下才有必要纳入选股指标体系，在其它行情下似乎难以甄别优势股票。
图9、ROE0.06% 3.23%17.82%1.76%0.00%2.00%4.00%6.00%8.00%10.00%12.00%14.00%16.00%18.00%20.00%盘整行情牛市行情转折行情下跌行情数据来源：联合证券研究所。
4、成长性指标本报告采用年报披露的净利润同比增长率来刻画上市公司业绩的成长性，在优势股票甄选中成长性指标的作用仅次于市场指标，尤其在转折行情下成长性好的股票其未来收益率相对更高。
图10、Growth2.04%15.73%31.59%16.05%0.00%5.00%10.00%15.00%20.00%25.00%30.00%35.00%盘整行情牛市行情转折行情下跌行情数据来源：联合证券研究所。
5、市值规模市值规模在大部分行情下对优选股票的贡献甚微，表明大流通市值的个股在未来并不一定能获取较高的收益率，主要因为股票市场存在风格轮动，强势风格不能永久持续，故长期投资单一风格并不能产生Alpha 。
图11、Cap0.47%0.06%0.67%14.09%0.00%2.00%4.00%6.00%8.00%10.00%12.00%14.00%16.00%盘整行情牛市行情转折行情下跌行情数据来源：联合证券研究所。
6、一致预期对于分析师的一致预期，可以发现，只有上涨行情才能充分体现分析师盈利预测的价值，而在转折和下跌行情下，对于遴选小规模优质股票组合，分析师一致预期数据的价值并不显著。
图12、EY13.99%23.37%8.69%1.26%0.00%5.00%10.00%15.00%20.00%25.00%盘整行情牛市行情转折行情下跌行情数据来源：联合证券研究所。