数量化投资技术

国信证券经济研究所研究经验分享与交流国信证券数量化投资论坛数量化投资技术2009-5-15葛新元内容概要¾数量化投资因其成本节约、绩效不俗的优势，正在海外市场流行开来。国内股权分置改革的完成、市场规模的扩大以及卖方研究覆盖范围的扩展，给量化投资技术提供了现实的基础，也提出了迫切的要求。¾数量化投资目前在基金、保险资产、QFII、QDII等机构投资者中的应用大大增加，在基本面投资的基础上应用数量化策略正在成为投资经理共同关心的问题。¾数量化投资技术覆盖投资的全部流程，从量化选股、资产配置、组合优化、交易执行，到风险控制、绩效评估等环节都可以看到量化投资技术的身影。¾目前在国内，量化投资技术还处于起步阶段。结合量化投资技术的特点以及国内的现实情况，未来量化投资技术在国内最有前景的发展方向是量化选股、资产配置、行为金融以及程序化交易。我们的工作目标是为国内机构投资者提供全方位的数量化投资技术支持!目录¾现代金融理论的数量化¾数量化基金的发展¾投资中的数量化技术运用¾数量化投资技术在国内的应用状况与前景¾我们的工作规划和近期研究产品¾具体使用案例现代金融理论的数量化¾现代金融理论是随着金融市场的发展而不断成熟起来的,其显著的特征是不断在金融经济学中引入数量化的理论与方法,用它们来研究金融风险防范与控制、资本市场的运营、资本资产的结构与定价。¾二十世纪50-60年代：有效市场假说（EMH）和资产定价模型（CAPM）¾二十世纪70年代：期权定价模型（BS）和套利定价理论（APT）¾二十世纪80-90年代：金融工程、VAR模型、行为金融理论等¾二十世纪90年代末-今：非线性科学在金融领域的运用1技术分析基本面分析宏观经济模型投资组合理论资产配置管理组合优化日内交易均值方差模型CAPM模型有效市场假说APT理论期权定价理论VaR模型行为金融学非线性科学金融理论的数量化投资技术的数量化时间二十世纪50～60年代二十世纪70～80年代二十世纪80～90年代二十世纪90年代末～现代金融理论的数量化数量化基金的发展¾对于数量化基金（QuantitativeFundsorQuantFunds）并没有严格的定义。¾Bloomberg认为数量化基金因使用数量化投资方法而得名，数量化基金通过数理统计分析，选择那些未来回报可能会超越基准的证券进行投资，以期获取超越指数基金的收益。¾Lipper所定义的数量化基金的投资行为仅仅依赖于数量化的方法而不是定性的方法，也就是说数量化基金较少考虑公司的具体商业操作，而更多的考虑公司股票在市场上的表现。¾Forbes旗下的Investopedia（投资百科）则认为，基于量化方法选股的投资基金即为数量化基金。¾Profitfund认为数量化基金通常会对市场行为建立计算机化的统计模型，基于数理统计分析对组合进行管理。数量化基金的发展¾根据Bloomberg的数据，截至2008年11月4日，1184只数量化基金管理的总资产高达1848亿美金，相比1988年21只数量化基金管理的80亿美元资产来说，年均增长速度高达到20%。而同期非数量化基金的年增长速度仅为8%。020040060080010001200数量化基金数目基金数21293764901362173165458561184198819901992199419961998200020022004200620080400800120016002000数量化基金规模亿USD809115419926430369182612081657184819881990199219941996199820002002200420062008数据来源：Bloomberg，国信证券经济研究所数量化投资与传统投资的比较¾数量化投资就是将投资思想通过具体指标、参数的设计体现到具体的模型中，让模型对市场进行不带任何情绪的跟踪。其相对传统投资有四大特点：¾快速高效¾客观理性¾收益与风险的平衡¾个股与组合的平衡战略资产配置组合构建/证券选择交易指令投资室/组合经理风控室交易室策略备选库证券备选库业绩评估报告研究室核算/绩效评估风险管理委员会战略企划部投资决策委员会战术资产配置投资研究联席会议稽核部/法律合规部合规控制风险政策风险报告核算室估值与选股资产配置与组合优化算法、程序化交易绩效评估风险管理投资中的数量化技术¾数量化投资技术几乎覆盖了投资的全过程，包括估值与选股、资产配置与组合优化、订单生成与交易执行、绩效评估和风险管理上市公司估值相对估值模型绝对估值模型公司自由现金流模型股权自由现金流模型股利折现模型关键问题WACC、永续增长率、Beta单阶段模型两阶段模型三阶段模型高速成长期过渡期稳定成长期逐步提高低股利高股利T逐步降低高增长率永续增长率利润增长率股利分配率PE估值法PB估值法PS估值法PEG估值法PSG估值法EV/EBITDA投资中的数量化技术——估值与选股基本面因素盈利能力、成长性盈利质量资产运行效率股本扩张能力、偿债能力、现金情况市场表现动量波动性活跃性外部环境宏观经济形势行业发展情况不同方法的适应性样本区间和持有期基本面选股结果动量反转选股结果多因素选股结果指标层（输入）规则层（逻辑）选股结果（输出）宏观经济周期行业景气周期统计模型主成分分析逐步回归分层回归成长型价值型GARP结构模型投资中的数量化技术——估值与选股GrowthValue价值型BenjaminGraham本杰明·格雷厄姆—防御价值型CharlesBrandes查尔斯·布兰迪—价值型DavidDreman戴维·卓曼—反向操作价值型价值成长型WarrenE.Buffett沃伦·巴菲特—优质企业选择法PeterLynch彼得·林奇—GARP价值成长法MarkL.Yockey马克·约克奇—GARP价值成长法GeraldineWeiss杰瑞黛·威斯—蓝筹股选择法成长型DerwoodS.ChaseJr.德伍·切斯—大型成长动能GlenE.Bickerstaff葛廉·毕克斯达夫—中大型成长股WilliamJ.O'Neil威廉·欧尼尔—CANSLIM投资法则JackBrush杰克·布拉希—稳定成长股投资中的数量化技术——估值与选股投资中的数量化技术——资产配置资产配置流程经济增长前景供求关系市场相关性分析政治前景资产估值模型基本面分析公司估值模型地区及行业配置个股个债选择多元化投资组合全球环境¾地区主题¾通胀情况¾经济增长¾政治¾货币国家基本因素预测¾利率¾公司盈利¾政治、社会因素国家估值¾盈利分析¾近期表现技术因素¾市场风险¾流动性¾波动性¾主要指数表现资产配置战略资产配置战术资产配置收益测度风险测度估计方法资产配置类别资产配置层次资产配置方法资产配置模型周期判断风格判断时机判断马克维茨MV模型均值-LPM模型VaR约束模型Black-Litterman模型行业轮动策略风格轮动策略(可转移)Alpha策略投资组合保险策略全球资产配置大类资产配置行业风格配置投资中的数量化技术——资产配置战略资产配置技术：9马科维茨资产配置模型9均值-LPM资产配置模型9VaR约束下的资产配置模型9基于贝叶斯估计的资产配置模型（Black-Litterman）投资中的数量化技术——资产配置战术资产配置技术：9行业轮动策略9风格轮动策略9（可转移）Alpha策略9投资组合保险策略投资中的数量化技术——资产配置时机选择有效的基础：市场非线性和非有效性9灰色预测模型9神经网络预测模型9支持向量机预测模型投资中的数量化技术——时机选择从传统金融理论的最基本假设入手，放松关于投资者是完全“理性”的严格假设，吸收心理学的研究成果，研究股票市场投资者行为、价格形成机制与价格表现特征，取得了一系列有影响的研究成果，形成了具有重要影响力的学术流派——行为金融学。9反向投资策略与动量交易策略9捕捉并集中投资策略9小盘股策略9成本平均策略9时间分散化策略9设立止损点的交易策略投资中的数量化技术——行为金融投资策略投资者端交易系统EMS经纪商证券交叉网络CrossingNetwork(LiquidnetHarborside+)电子交易网络ECNs(Inet,ArcaEXNASDAQ/BRUTBloombergTradeBook)固定收益电子经纪商（TradeWeb、BrotherTecBondVision、eSpeed）电话传真邮件程序化交易FIX引擎交易市场直连DirectMarketAccessFIX–FixedIncome引擎OMSDDNInternetFIX网络FIX算法交易引擎投资中的数量化技术——程序化交易1投资中的数量化技术——绩效评估绩效评估Fama业绩分解风险调整收益业绩持续性股票选择回报率风险回报率净股票选择回报分散化投资回报RAROCSharpTreynorJensonR2M2时间序列相关性双向矩阵分析业绩归因分析资产配置收益证券选择收益总超额收益目标层目标层准则层准则层指标层指标层择时选股能力T-M模型H-M模型C-L模型数量化技术已经渗透到整个投资流程的方方面面，无论是股票的选择还是资产的配置，亦或交易指令的执行以及事后的绩效评估等。结合量化投资技术的特点以及中国市场的现状，我们认为数量化技术在以下几个方面在大陆市场有广泛的应用前景：9量化选股9资产配置9行为金融9程序化交易数量化投资在国内的应用我们的研究路线:资产配置时机选择股票筛选其他专题研究近期研究产品:基于行业景气指标的行业筛选与资产配置指数化投资的优化分析资金流分析与个股筛选……我们的工作规划和近期研究产品A股市场运行分析及资产配置建议我们的工作规划和近期研究产品市场运行全貌基于景气度和beta分析进行的行业配置通过风格和行业指数差异化判断的市场热点转移全市场资金进出状况行业配置资产组合的beta结构调整投资建议行业配置重点多头和空头组合个性化服务内容：1、在行业指数和风格指数中引入基金定制的指数，为特定资产组合单独做市场评价及资金进出状况。2、在基于beta值所制定的策略和重点公司中引入不同基金对资产组合差异化程度和beta值的个性要求。3、为特定概念和专题编制成份股，并建立开放式的选股测评模型，进行主观因素的分值和可量化因素的综合测评。4、产品设计数量化分析与评估服务。个性化服务提供方式：在定期报告之外单独为客户提供开放式模板、email或者路演。数量化投资技术沙龙：三地定期的同行交流平台和阶段性研究成果展示平台。我们的工作规划和近期研究产品指数基金的跟踪误差具体使用案例——跟踪误差()NiforxRFRTSFRIRTTEMiniNiiNitiitTttt,,3,2,101..111,12L=≥==−=∑∑∑===φφφ2211..21BABATSHGMinTT≥=+φφφφφ()TIRG2−=TRRH2=[]1221110001000001000010000111,,1,1××⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡===NNBABAMLOLLLLLLL⎥⎦⎤⎢⎣⎡⎟⎠⎞⎜⎝⎛++=TTTHGIITTEφφφ211()TTiiHGTTEMTEφφ+=∂∂=1，控制跟踪误差的关键点？实证结论具体使用案例——资金流向01020300102030-4-3-2-101测试周期(天)采样周期(天)Beta-Top01020300102030-2-1.5-1-0.500.511.5测试周期(天)采样周期(天)Beta-Bottom0102030010203000.10.20.30.4测试周期(天)采样周期(天)RTop2051015202530010203000.050.10.150.20.250.30.35测试周期(天)采样周期(天)RBottom20102030010203000.20.40.60.81测试周期(天)采样周期(天)Top-P-Value05101520253005101520253000.51测试周期(天采样周期(天)Bottom-P-Value样本内检验具体使用案例——资金流向收益率相对收益LongPortfolio-52.04%15.85