量化投资研究PPT
东方证券 数量化策略专题之一 风格投资以及风格轮换(PPT)
数量化投资策略研究之一风格投资与风格轮换东方证券研究所衍生品分析师阚先成公司地址:上海东方国际金融广场公司网址:风格投资与风格轮换目录：¾风格投资z风格投资指标z风格投资分类z风格投资组合表现¾风格轮换z大盘VS小盘z价值VS成长z高市盈率VS低市盈率风格投资•在资本资产定价模型及单因素模型中，市场因素是唯一影响所有证券及投资组合回报的系统风险因素，然而20世纪70年代的一些实证研究表明β并非决定股票预期回报的唯一因素，还存在其他影响证券及投资组合回报的因素，这些因素被称为超市场因素，超市场因素主要包括风格因素和非市场因素。
风格投资•作为组合投资理论的一个分支，风格投资理论为证券投资界带来了全新的理念，并越来越受到国际机构投资者的青睐。
机构投资者运用风格投资理论去寻找市场蕴藏的投资机会和解读过去的投资业绩，所以对于机构投资者而言，风格投资提供了一种高效地进行资产配置和风险管理的全新的角度和方法。
风格投资•风格的概念包括两层含义：首先构成某种风格的股票必须具有一种共同的属性，其次同一风格股票的收益表现必须具有较强的相关性，不同风格相关性较低。
•风格的划分方法，一种是基于股票收益率进行划分，即采用回归方程观察收益率的因素相关性；另一种是基于股票的基本特征进行划分，本文是基于股票的基本特征对股票进行风格划分。
风格投资指标选取•价值指标：账面市值比、盈利收益、市现率、每股息税前利润、ROE以及ROA；•成长指标：EPS增长以及主营业务利润增长；•反向策略指标：前一个月收益和前三个月收益；•其他指标：PEG以及市场β；风格投资分类方法•t时刻，将所有股票按t－1时刻的每一个风格投资指标降序排列，靠前的10％定义为Top组合，靠后的10%定义为Bottom组合；•把Top组合和Bottom组合中的每只成份股的月收益率等权重加权后得出的数据为Top组合和Bottom组合的月收益率；•在统计出每个投资组合月收益的同时，我们还计算出每只股票与其风格投资指标的相关性，为了排除极值的影响，这里的相关性是秩相关性；数据描述•Bottom：风格指标后10%组合月收益的平均值、最大值、最小值以及方差；•Top：风格指标前10%组合月收益的平均值、最大值、最小值以及方差；•Bottom>Top概率：表示样本中Bottom组合月收益大于Top组合月收益的频率；价值指标分类组合表现（2000年1月－2007年12月平均月收益）11.87%-16.16%32.32%1.67%Top39.48%10.51%-19.28%30.88%0.83%BottomROA12.83%-16.62%32.10%1.88%Top 32.58%10.54%-19.23%30.59%0.95%BottomROE10.65%-18.93%31.57%1.31%Top 47.42%8.86%-16.66%32.04%1.18%Bottom每股息税前利润8.83%-16.07%31.76%1.10%Top 71.13%9.01%-14.44%34.18%1.74%Bottom市现率10.03%-18.39%37.44%1.60%Top 59.79%8.51%-14.89%30.37%1.04%Bottom盈利收益8.84%-29.08%32.78%-0.06%Top 69.07%9.44%-16.28%32.44%1.19%Bottom账面市值比Bottom>Top 概率方差最小值最大值均值投资风格价值指标相关性-1.90%2.75%1.18%2.93%3.47%3.08%-3.00%-2.00%-1.00%0.00%1.00%2.00%3.00%4.00%账面市值比盈利收益市现率每股息税前利润ROEROA成长指标分类组合表现（2000年1月－2007年12月平均月收益）10.37%-15.18%31.45%1.18%Top46.39%8.65%-21.88%30.07%0.79%Bottom营业利润增长9.77%-14.76%31.77%1.25%Top 44.33%8.72%-22.05%28.45%1.11%BottomEPS 增长Bottom>Top 概率方差最小值最大值均值投资风格其他指标分类组合表现（2000年1月－2007年12月平均月收益）8.96%-16.72%34.04%1.25%Top68.04%9.31%-13.47%28.17%2.42%BottomR38.91%-14.65%32.88%1.09%Top 55.67%9.36%-17.79%34.50%1.73%BottomR18.60%-16.37%30.35%1.20%Top 38.14%7.15%-14.01%19.47%0.30%Bottombeta8.71%-14.96%25.69%0.72%Top 60.82%8.85%-15.98%32.95%1.27%BottomPEGBottom>Top 概率方差最小值最大值均值投资风格成长指标以及其他指标相关性-3.14%2.99%6.99%5.55%-7.27%-8.52%-10.00%-8.00%-6.00%-4.00%-2.00%0.00%2.00%4.00%6.00%8.00%PEGbetaEPS增长营业利润增长R1R3统计结果评述•按照价值指标分类的投资组合中，ROE大的投资组合表现最优，其次是市现率小的投资组合；•按照成长指标分类的投资组合中，EPS增长快的投资组合表现最优；•反向策略投资组合表现较为抢眼，这说明前一段时间超跌的股票会出现较大涨幅；•PEG小的投资组合表现较好，PEG投资策略也不失为一种有效的投资策略；•高β的投资组合表现要好于低β的投资组合；启示•对于长期投资者：秉承价值投资，选取净资产收益高、盈利增长快的投资组合；•对于短期投资者而言，反向策略较为有效，即选取前一段时间跌幅较大的个股；风格轮换•不同的风格投资导致不同的风格组合，从而导致不同的投资收益，同时风格组合的业绩具有一定的周期性，即市场的投资风格会发生转变，所以积极地进行风格管理，正确地判断、把握以及选择风格倾向，这样才能获得超额的市场收益。
量化投资ppt课件
50% 40% 30% 20% 10%
0% -10% -20% -30% -40% -50%
收益曲线比较：股票 vs Straddle
股票价格变化
股票 Straddle
量化投资策略
Renaissance Technology, 管理资产超过150亿 美元，总部位于纽约长岛，主基金Medallion， 17年年化收益35%
主要市场参与者与产品
几个著名的量化对冲基金产品表现
第21页
国内市场现状
规模占管理资产不到2%
公募15支量化基金，超过200亿管理资产 券商集合理财10支 私募量化基金20多支
需要借助复杂的数学模型。特征过于复杂，不够透明 ，难以被普通投资者理解。
实际应用：
• 期权、奇异期权 • 信用衍生品(CDS等) • 利率掉期(IRS)、货币互换(Swap) • 结构性产品(ABS、CDO)
量化投资策略
一个例子，使用期权组合构造收益
资本收益 -40% -37% -34% -31% -28% -25% -22% -19% -16% -13% -10%
Litterman、Rosenberg Barra、李祥林(David Li)
什么是量化投资
和量化投资有关的故事
量化投资策略
常见的量化投资策略
套利 多因子模型 高频交易 统计套利 衍生品、结构性产品 事件驱动
量化投资策略
套利类策略
利用价格与真实价值之间暂时的背离获取收益 理论上无风险，实际中风险很低，收益取决于套利机
量化投资关注的领域
量化投资CTA策略120807精品PPT课件
股票
债券
平均收益 标准差 偏度 峰度
0.89
0.93
0.64
3.47
4.27
2.45
0.71
-0.34
0.37
4.53
1.81
3.56
Source: Gary Corton, K Greet Rouwenhorst, Fact and Fantasies about Commidty Fuyures
上证综合指数 上证国债指数 豆一连续 沪铜连续
1
0.454
0.61
0.0298
1
0.39
0.515
1
0.62
1
资料来源：wind资讯，齐鲁证券
国外的CTA发展类型简介
根据投资方向的不同，CTA基金可以分为分散型CTA基金和专业化CTA基金。 分散型CTA基金投资的期货品种较多，分散投资往往会使其风险较低；而专业 化的CTA基金则专注于投资某类市场;
• 对中国1995年以来的上证综合指数，期货指数（以豆一与沪铜为代表）与国债指数进行 拟合分析，结果如下表所示。可以发现，股票与商品的相关系数最低，而债券与商品的 相关系数也不高，说明加入商品期货可能有利于大类资产组合分散风险。
表：中国期货与股票、债券市场的相关性
上证综合指数 上证国债指数
豆一连续 沪铜连续
• 商品期货收益与股票、债券的负相关性随着持有区间的延长而增加，这说明商品期货对 投资组合风险的分散作用在长时间里更加显著
• 商品期货与通货膨胀呈正相关关系，意味着商品期货是抵御通货膨胀的有效工具。
表：商品期货与股票债券和通货膨胀的相关系数（1959-2008）
投资期限
股票
债券
通货膨胀
Python量化投资基础教程教学课件第十六章 股指期货期现套利策略
基本信息获取模块
查询期货和现货品种k线收盘价格序列
可利用ContextInfo.get_market_data（）分开查询每个品种的价格
1. IF_closes = ContextInfo.get_market_data(['close'], stock_code=code0,\ period = Cont
# 获取ETF的收盘价时间序列
也可作为品种组合一次获取该组合一段时间的数据，有利于提高速度和价格时间对应。
1. closes=ContextInfo.get_market_data(['close'], stock_code=ContextInfo.trade_pair, per
iod = ContextInfo.period, count=32)
[ (−)(−) − T ， (−)(−) + T ]
当股指期货实际价格′ > (−)(−) + T ,进行正向套利，即做多现货，做空期货;当
股指期货实际价格′ < (−)(−) − T ,进行反向套利，即做空现货，做多期货。
# 获取两个品种的收盘价时间序列
2. IF_closes = closes[ContextInfo.trade_pair[0]]['close’]
#股指期货IF00收盘价
3. ETF_closes = closes[ContextInfo.trade_pair[1]]['close']
#现货ETF收盘价
量化对冲投资ppt课件
对比私募产品
泰达宏利量化对冲2号
某对冲公募基金
20
投资团队与业绩
中证500指数基金 稳定的超额收益
• 今年以来，超额收益已经达到13.4%，年化高达35%；
• 其中5月中旬有一次近2%的回撤，是由于巨额申购，渠道资金T+1不可用，导致仓位大幅降低低，并非 策略因素；
泰达宏利中证500指数基金超额收益率
• 多因子模型本没有秘密，无非是帮助我们更加科学和精确的认识市场，观 察市场，并且用更加准确和严密的思维将投资理念贯彻到投资行为中；
我们对多因子的理解
• 市场由不同投资逻辑的群体构成，不同群体的集体投票表决决定了价格变化； • 每个显著的因子代表一类投资逻辑，通过加权汇总，模拟市场的总体看法； • 不排除某个因子在一定时期内产生波动，但不会所有因子同时失效，从而达成
风
险
模 型
简单选股
对
冲
风险模型处理
风 格
行 业
股指期货 沪深300
风 格
估 值
估 15 值
策略：如何做量化对冲
基本面风险 统计层面风险
Alpha
• 传统的组合构建采用单一基本面风险模型控制风险敞口对市场变化反应迟钝 • 统计风险模型对市场短期风格切换，运行结构变化反映迅速，保护Alpha收益
16
策略：如何做量化对冲
300.0% 250.0% 200.0%
41.28% 31.29%
150.0% 100.0%
50.0%
37.80%
0.0%
选股模型收益（多空Alpha）
24.83%
25.15%
3.63% -1.05% 36.54% 22.17%
24.54% 26.93% 16.56% 10.21%
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。
投资经济学PPT课件
敏感性分析法
分析投资组合中各个资产价格 变动对整体投资组合价值的影 响程度。
蒙特卡洛模拟法
通过模拟资产价格的随机变动 来评估风险，计算风险值。
压力测试法
模拟极端市场环境来评估投资 组合的抗风险能力。
投资风险的管理与控制
01
02
03
04
多样化投资
通过分散投资来降低单一资产 的风险。
止损控制
设定止损点，当资产价格跌破 该点时自动卖出，控制亏损幅
信用利差策略
以利用不同信用评级债券之间的利差为主， 注重信用风险对债券价格的影响，通过买 卖不同信用评级的债券获取利差收益。
期货与期权投资策略
套期保值策略
以降低或锁定未来某一时期采购或销售商品的价格风险为主，通过买 入或卖出期货或期权合约的方式，实现风险的对冲和转移。
杠杆交易策略
以利用杠杆效应获取高收益为主，通过保证金交易的方式，放大资金 的使用效率，获取高收益。
06 未来投资经济学的发展趋 势与挑战
金融科技的崛起与影响
金融科技的发展
随着科技的不断进步，金融科技 行业正在迅速崛起，为投资经济
学带来了新的机遇和挑战。
金融科技的影响
金融科技的发展改变了传统金融 行业的格局，使得金融服务更加 便捷、高效，同时也带来了数据
安全、隐私保护等新问题。
金融科技的未来
随着金融科技的不断发展，未来 将有更多的创新和变革，投资经 济学需要密切关注金融科技的发 展趋势，以应对未来的挑战和机
因素模型
描述影响资产价格的各种因素，以及这些因素 与资产回报率之间的关系。
无套利原则
在有效的市场中，套利机会很快会被消除，因此长期来看，套利不会产生超额 收益。
Python量化投资基础教程教学课件第二十章 算法交易
（2）滑点：就是投资者下单的价格和真实成交之后的价格存 在差距，这种差距就和上述提到的交易成本有着密不可分的关 系
市价单产生滑点：一般下市价单的时候会比较明显，市价单造 成滑点的主要原因是网络延迟，下单时刻的报价，和下单指令 真实到达交易所时的报价因存在时间差发生了变化。
限价单产生滑点：限价单的成交机制是标的价格必须达到或超 过设定价格才会在下一个可成交的Tick成交（先出发后成交） 。
目标：使用算法交易对大额订单进行分拆，寻找最佳的下单时间 、下单数量和最有利的执行价格，以降低市场的冲击成本、提高 执行效率和订单执行的隐蔽性。
交易成本最小化，如降低市场冲击成本。 执行效率最大化。 成交均价最贴近目标价格。 执行效率最大化。 隐藏下单意图。 其他非技术性原因。包括节约人力成本、提高下单效率，确保指令
摩根大通的冲击成本模型
在摩根大通的冲击成本模型中， 为永久性冲击成本。 为暂时性冲击成本。上式表明，冲击成本与方差，相关交易数量和交易速率成正比。
德银的冲击成本模型
根据德银的冲击成本模型，总体冲击成本与相关交易数量、波动率、交易速率和买卖价差呈正性相 关关系。德银的冲击成本模型包含了瞬间冲击成本、暂时性冲击成本和永久性冲击成本。其中
02 算法交易目标 03 冲击成本模型 04 算法交易经典模型
算法交易是相对于普通交易而言的另一种执行订单交易的 方法，相比于手动订单执行，算法交易能够有效减少冲击 成本、自动监控交易机会、隐藏交易意图、避免人的非理 性因素对交易造成的干扰等。同时通过算法交易还可以寻 求最佳的成交执行路径，以获取最大收益。基于算法交易 的思想，又可以将其划分为被动型、主动性和综合性算法 交易。本章以在国际市场上使用最多的被动型算法交易中 的时间加权平均价格（TWAP）、成交量加权平均价格 （VWAP）为例详细介绍具体的交易实施策略
- 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)。
2020/8/16
量化投资
统计学
计算机技术
投资理念
量化投资解读
Quantitative investment interpretation
客观执行，避免情绪因素
量化投资运用模型对历史和当时市场上的 数据进行分析检测，模型一经检验合格投 入正式运行后，投资决策将交由计算机处 理，一般情况下拒绝人为的干预。
行业发展状况
Industry development status
国外发展状况
第一阶段：量 化投资的产生 （60年代）
第二阶段：量 化投资的兴起 （70-80年代）
第三阶段：量 化投资黄金十 年（90年代）
1967年，索普与希恩·卡 索夫合著《战胜市场：一 个科学的股票市场系统》， 该书是第一个精确的纯量 化投资策略，股票市场系 统可以正确地给可转换债 券定价（估值）。
客观
量化投资的特点
分散
标的选择分散多样化，靠概率取胜
一是定量投资不断的从历史中挖掘有望在未来 重复的历史规律并且加以利用，这些历史规律 都是有较大概率获胜的策略。二是依靠筛选出 股票组合来取胜，而不是一个或几个股票取胜 ，从投资组合理念来看也是捕获大概率获胜的 股票，而不是押宝到单个股票上。
支持大数据处理，提高决策效率
量化投资未来发展前景广阔
随着传统投资产品选股策略同质化程度日益增加，并且过度依赖于投资经理个人的主观判断，导致投资风险相对较高，在此背景下越来越多的基金、券商和私 募开始关注量化投资，未来若干年国内量化投资必将迎来蓬勃发展的阶段，这是源于：（1）量化投资在国外已经取得的成功经验；（2）国内基础衍生产品市
量化投资与传统投资的区别
量化投资
量化投资是由计算机自动产生交易策略的一种 投资方法，通过建立数学模型来实现交易理念，
它具有完整的评价体系。 詹姆斯·西蒙斯 依据科学模型
信息来源广泛，海量数据和多层次信息 投资周期偏向短期
标的组合分散化、多样化 在风险最小化前提下实现收益最大化
2020/8/16
VS
代表人物 分析方法 信息来源 投资风格 投资标的 风险处理
2020/8/16
1973年，芝加哥大学教 授费希尔·布莱克和迈·斯 科尔斯提出“布莱克-斯 科尔斯”公式，即期权定 价理论。1983年，格 里·班伯格提出在一组对应 的股票中，价格会暂时出 现异常，通过卖空价格高 的股票，买入价格低的， 在它们的价格恢复到历史 均衡水平时平仓，即可获 利，这就是著名的统计套 利策略。
我国第一只量化投资基金成立于2004年，到2012年，共有18只量化基金产品成立，40只量化型阳光私募产品成立，仅2012年下 半年，券商共发行量化产品132只，2013年上半年就已发行109只。
3 仍处于起步阶段
1、产品总规模仍然较小。量化型理财产品实际发行规模为124.47亿元，仅占所有券商理财产品的4.2%。量化基金产品总体规模为 281.7亿元，仅占全部基金规模的1.06%； 2、量化类产品投资策略较为单一，缺乏多元化策略的支持； 3、现有量化产品中多数产品投资业绩表现分化，缺乏稳定性和持续性。
量化投资 投资策略生成器
QUANTITATIVE INVESTMENT
2020/8/16
01
一、量化投资解读
1 .量化投资的定义 2 .量化投资的特点 3 .量化投资的应用 4 .量化投资与传统 投资的区别
量化投资解读
Quantitative investment interpretation
量化投资定义
量化投资运用计算机技术快速处理大量数 据，对其进行辨别、分析、找出数据之间 的关联并做出投资决策，大大减少了人工 工作量，提高了投资决策效率。
高效
精准
迅速
程序化交易，缩短决策与交易时滞
量化投资往往利用高速计算机进行程序化交 易，能够迅速发现市场存在的信息并进行相 应的处理，把握市场稍纵即逝的机会，在极 短的时间内完成交易。
传统投资
传统的投资方法主要有基本面分析法和技术分 析法这两种，注重人为的分析和投资者的感觉。
沃伦·巴菲特 依据人的经验与判断 信息来源渠道少，仅有基本面和宏观经济信息 投资周期偏向长期 投资于某一只或少量股票 风险考虑不周全
2020/8/16
02
二、行业发展状况
1 .国外发展状况 2 .国内发展状况 3 .国内产品现状 4 .国内产品模式
量化投资是借助现代金融学、统计学和数学的方法，将投资理念和研究成果量化为客观的数理模型，同时利用计算机技术从庞大的历史 数据中海选出能带来超额收益的多种“大概率”事件以制定策略，然后用模型验证及固化这些规律和策略，严格执行已固化的量化策略 来指导投资，以求获取可持续的、稳定且高于市场平均的超额回报的一种投资方式。 量化投资以先进的数理模型代替人为的主观判断，客服人性的弱点，如贪婪、恐惧和侥幸心理，也可以客服认知偏差，借助系统强大的 信息处理能力，极大地减少投资者情绪的波动影响，避免在市场上极度狂热或悲观的情况下做出非理性的投资决策。
2020/8/16
统计模型支撑，策略选股择时精准
量化投资在套利策略中，能做到精准投资。例如在股指 期货套利的过程中，现货与股指期货如果存在较大的差 异时就能进行套利，量化投资策略和交易技术会抓住精 确的捕捉机会，进行套利交易来investment interpretation
行业发展状况
Industry development status
国内发展状况
1 量化投资起步晚
量化投资起步晚的主要原因有：A股市场的发展历史较短，投资者队伍参差不齐，投资理念还不够成熟；国内市场对冲工具单一， 可量化的标的过少；受到交易规则的限制，量化投资不能充分发挥作用，很难引起人们重视。
2 量化产品发行迅速
马可维茨提出了资产组合 选择理论，最早采用风险 资产的期望收益率和用方 差代表的风险来研究资产 组合选择问题。资本资产 定价模型提出系统风险和 非系统风险，用贝塔系数 来衡量系统风险的大小， 并对非系统风险则“不能 把所有鸡蛋放在一只篮子 里”。
第四阶段：量 化投资高速发 展（2000年至今）
量化投资高速发展：2016 年数据统计显示，量化科 技在国外的理财产品管理 规模已达到了3.2万亿美 元，而通过计算机和数字 模型进行下单和下达指令 的比例达到了惊人56%。 量化投资基本实现了从最 初的技术分析手段，逐渐 发展演变为如今有金融理 论支撑的金融设计工具， 以计算机程序算法主导的 高频交易。