解读量化交易中的理论驱动型阿尔法模型

推荐阅读时间:10min~12min 文章内容:理论驱动型阿尔法模型简介与分类

上一篇:解读宽客和量化交易的世界

阿尔法模型简介

量化投资的目标是为了跑赢市场基准回报,而阿尔法模型则是实现该目标的重要一环。它主要是为了寻找盈利机会。目前对量化交易的研究重点大都集中在对阿尔法模型的研究上。一般来说,阿尔法是指扣除市场基准回报之后的投资回报率,或仅仅是由投资策略所带来的价值。由于市场因素带来的回报率称为贝塔。阿尔法模型就是为了增加盈利,在投资过程中所使用的一系列技巧或者策略。例如,趋势跟随策略,就是系统地分析市场未来的走势,顺应市场趋势进行交易的的一种策略。

这里有关于阿尔法模型的非常规定义:在交易中关于买卖时机把握和持有头寸选择的技巧。阿尔法模型的追捧者都持有这么一个基本观点:没有永远好或者永远坏的金融产品,因此没有任何产品值得一直持有或从不值得持有。

宽客建立和使用的用于系统地进行时机选择的软件系统就是阿尔法模型。这个系统还有其他称谓,如预测、因子、阿尔法、模型、策略、估计等。所有成熟的阿尔法模型都具有一定的局限性,在一定范围内可以对未来的情形有着精确的预测效果,虽然在某些场景下可能会犯错误,但是扣除这些错误所导致的损失和交易成本后,这样的策略仍然是有利可图的。常见的阿尔法模型有:理论驱动型、数据驱动型和混合型。

绝大多数宽客使用的阿尔法模型都是理论驱动型的。对于市场为何以现存方式运行,他们给出符合经济学理论的解释,并检验该理论是否可用于预测未来的市场行为。

绝大多数理论驱动型交易策略可以较为容易地划分为六类:趋势型(trend)、回复型(reversion)、技术情绪型(technical sentiment)、价值型/收益型(value/yield)、成长型(growth)和品质型(quality)。宽客所使用的这些交易策略,和追逐阿尔法收益的主观判断型交易者所使用的策略时完全相同的。理解一个交易策略所使用的数据比理解策略本身更加重要。下图给出了宽客经常使用的阿尔法模型的框架图。

图1 理论驱动型阿尔法模型的分类图

基于价格数据的交易策略

这里说的价格数据,一般是指与各种金融产品价格相关的数据,或者交易所产生的其他数据信息(如交易量等)。试图预测价格并从中获利的宽客,通常都是在分析以下两种现象:一是已有的趋势是否会延续,二是目前的趋势是否会反转。换句话说,价格时沿着当前的趋势继续向前还是会反向波动。前者称为趋势跟随策略动量策略,后者称为反趋势策略均值回复策略。第三类是技术情绪型策略。

趋势跟随策略

趋势跟随型策策略是基于以下假设:在一定时间内,市场通常是朝着同一方向变化。据此对市场趋势做出判断就可以作为制定交易策略的依据。趋势法存在的经济学基本原理是市场均衡理论。

趋势跟随策略的典型例子出现在期货交易航意,称为期货管理者或者商品交易顾问(CTA)。下图显示了始于2007年第四季度的一次美国股市下跌趋势。以交易为目的,定义趋势的一种方法是移动平均线交叉指标,通过对比较短期间和较长期间的某个指标来判断趋势,例如通过短期(60天)价格均线和长期(200天)价格均线的交叉点来判断趋势。当短期均线位于长期均线之下时,认为市场处于下跌趋势;反之则认为市场处于上涨趋势。按照这个策略,趋势跟随者在2007年年底应该做空指标普尔500指数,因为这是60日均线开始转入200日均线下方,并且在2008年的大部分时间这种状况一直在持续。

图2 标准普尔500指数的趋势

通常来说,成功的趋势跟随者冒着资产减少1%的风险换来的收益达不到1%。换言之,为了得到50%的年化收益率投资者要做好可能至少损失50%的风险准备。简言之,趋势跟随的策略收益极其不稳定。这个问题并非只在趋势跟随策略中存在。事实上,常见的主流阿尔法模型,都可能存在长期低回报的现象。

因为交易策略试图寻找的市场机会并不总是存在的,而是具有不稳定性和偶发性。通常的情况是,在市场繁荣时大赚特赚,在市场惨淡时控制好损失,从而保证整体的盈利。

均值回复策略

正如千面所提到的,当产品价格波动时,或者沿着已有趋势继续运动,或者反向运动。趋势跟随策略认为价格会沿着已有趋势变化,均值回复策略认为价格终究会沿着已有趋势的反方向运动,而不可能一直延续已有趋势。

均值回复策略的基本理论认为,价格围绕其价格中枢而上线波动,判断出这个中枢以及波动的方向便足以捕捉到交易机会。

有趣的是,趋势跟随策略和均值回复策略并不一定是相互冲突的。趋势通常是长期的,而短期内围绕着趋势的小范围波动也是很常见的。采用均值回复策略的交易者,必须识别出目前的价格中心或均衡点,并判断偏离均衡点多少时值得进行交易。采用均值回复策略的主观判断型交易者通常被称为反转交易者

基于均值回复概念的最为著名的策略恐怕要算统计套利策略了。统计套利策略认为,价格出现背离的类似股票的价差终究会缩小到合理区间范围。

量化交易很大一部分交易都是基于趋势跟随策略和均值回复策略展开的。趋势跟随和均值回复策略在理论上使相反的,但在现实中均能奏效,这是很有趣的一个现象。这是如何发生的呢?很大程度上,这主要归因于不同的时间框架。显然,在完全相同的时间段内,这两个截然相反的策略不可能同时获利。但是,我们并不需要在同一投资期限内构建两个策略。趋势通常在较长的投资期限上延续,而均值回归通常适用于短期投资期限。

技术情绪型策略

技术情绪型策略主要通过追踪投资者情绪相关指标来判断预期回报,这些指标常见的有交易价格、交易量以及波动性指标等。在深入研究这类策略前一定要保持警惕。因为并不像上文的两类策略(趋势跟随策略和均值回复策略),它没有明确的经济论支持这类策略。

举个例子,观察期权市场判断市场基本情绪。观察认购量和认沽量可以作为市场情绪的指标。如果认沽多于认购的程度已经超过正常水平,这可能意味着投资者担心未来的价格会下跌。如果相对于认购期权,认沽期权的数量比正常水平要少,说明市场上主要是看涨情绪。

另一种技术情绪型策略的做法是,把交易量、公开市场利率或其他相关指标等作为未来价格的风向标。在很短的时间窗口内,一些高频交易者通过观察限价指令薄的形态来判断近期市场情绪。

基于基本面数据的交易策略

长期以来,基本面数据都是主观判断型交易者极为看重的,量化型基本面策略产生的时间要短一些。

价值型/收益型

价值型策略主要用于股票交易,当然可以用在其他市场上。用于度量资产价值的指标有很多,绝大部分是一些基本面数据与资产价格的比率,如市盈率(P/E,股价/每股收益)等。宽客倾向于使用这些比率的导数,通常将资产价格放在分母上。如市盈率的导数(E/P比率)称为盈利收益率。使用将常见比率求倒数得到的收益率的好处是:有利于分析方法的简洁性和一致性。例如:当公司的收益恰好为0时,由于分母为0市盈率便无法定义。下图展示了E/P比率和P/E比率的对比。假设股票价格大于1美元,无论每股收益如何,E/P比率表现良好。

图3 P/E和E/P(盈利收益率)

在同一相对水平上,买入估值过低的证券并卖出估值过高的证券,这种策略称为利差交易。投资者通过卖出收益低的资产获取资金,用于买入高收益的资产。两种收益之间的差别称为利差所得

价值型策略可用于任意可以被度量价值的金融产品。在个股、股指、货币以及债券交易中,价值型策略都比较简单。

成长型

成长型策略视图通过对所考虑资产以往的增长水平进行分析而对未来的走势进行预测。判断一致股票属于成长型资产,并不意味着它的收益会怎么样。成长型策略认为,在其他条件都相同的情况下,应该买入价格正在快速上涨的产品而卖出价格涨幅较慢甚至负增长的产品。一些成长性的度量指标,如市盈率与增长比率(PEG,PE/EPS),基本上都是度量价值的前瞻性指标。举例来说,假如你预计某项资产会快速升值,但由于这种升值的可能,市场上该资产的价格已经上涨,那么成长型交易的机会便不再存在。事实上,如果市场上该资产的价格已经上涨得远远超过你的预期,卖空该资产才是个合理的选择。当然很多成长型策略仅仅关注买入价格快速上涨的产品,而不考虑价格本身的高低。

成长型投资策略的理论认为,价格的上涨通常都是存在趋势的,价格上涨最快的产品通常会比同类产品更具有优势。成长型投资者应设法尽早判断出公司的股价处于增长期,从而捕捉到公司股价未来更大的上涨幅度。

品质型

品质型交易策略认为,在其他条件相同的条件下,最好买入或持有高品质的产品而做空或减少持有低品质的资产。品质型策略的基本理念是看中资金的安全性,而成长型或价值型策略对这一点都没有予以重视。这类策略在股票量化投资中经常用到,而在宏观性的量化交易中并不常见用到。

一般地,衡量资产质量的指标可以分为五大类。

第一类是杠杆比率。基于对杠杆比率的度量,在其他条件无差别时,应该卖出高杠杆比率的公司的股票而买入低杠杆比率的公司的股票。

第二类指标是收入来源的多样性。该指标认为,具有多种潜在增长渠道的公司比单一渠道的公司质量要高。所以,同等条件下,为各类用户提供多种产品或服务来盈利的公司,比只为特定目的生产单一产品的公司要更加稳定。

第三类指标是管理水平。该指标认为,应该买入(卖出)具有好(不好)的领导团队的公司的股票。

第四类指标是欺诈风险。该指标认为,应该买入(卖出)欺诈风险较低(高)的公司股票。量化股票多空策略中的收益质量指标便是欺诈风险的一个实例。

最后一种类型的策略是有关投资者对产品发行方(公司或国家)示例的情绪型策略。

以上就是关于理论驱动型阿尔法模型的介绍。概括来说,价格相关信息可以用在趋势跟随策略或均值回复策略,而基本面信息可以用在价值型、成长型和品质型策略。这个划分有助于理解量化交易,也有利于理解阿尔法策略。

相关推荐:

解读宽客和量化交易的世界

作者:无邪,个人博客:脑洞大开,专注于机器学习研究。

原文发布于微信公众号 - 脑洞科技栈(naodong-open)

原文发表时间:2018-03-04

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

编辑于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏企鹅号快讯

论循证新闻的方法与意义——一种媒体融合背景下新闻生产方式创新

摘要: 本文由北京日报社党组书记、社长傅华撰写。作者认为,完整意义上的循证新闻不仅仅是对数据挖掘、背景调查或逻辑证明的单独运用,它更追求综合采纳上述方法和工具,...

2007
来自专栏AI科技评论

中科院/中科奥森李子青:「AI+安防」的三个最新技术突破

一人一档是人脸监控识别中一个终极核心技术,它是核心算法和大数据产生的结果。通过一人一档可以做很多事情,例如动态人脸识别、目标检索、目标轨迹、关系网络认可。 20...

3836
来自专栏AI科技评论

英国东安格利亚大学邵岭:为什么说BMVC是一场被低估的CV会议?

过去一年间,在多个计算机科学领域的顶会上,从论文发表数、论文影响力、获奖情况上来看,华人力量正在逐渐崛起。而除了在论文上的曝光度越来越高,我们还发现,越来越多的...

5346
来自专栏华章科技

大数据分析的光荣与陷阱——从谷歌流感趋势谈起

本文从谷歌流感趋势2009年前后表现差异谈起,讨论了大数据分析容易面临的大数据自大、算法演化、看不见的动机导致数据生成机制变化等陷阱,以及对我国大数据产业发展的...

1202
来自专栏PPV课数据科学社区

世界杯博彩狂欢你赶上了吗?数据预测还会改变哪些行业?

? 从天气预报看大数据预测的四个条件 在互联网之前便已经有基于大数据的预测分析了:天气预报。因为互联网,天气预报为代表的大数据预测的以下几个特征在更多领域得到...

2113
来自专栏大数据文摘

大数据分析的光荣与陷阱——从谷歌流感趋势谈起

19711
来自专栏人工智能头条

观点 | 深度学习,先跟上再说

871
来自专栏AI科技大本营的专栏

独家 | 一个天才的开挂人生:5年升至华盛顿大学终身教授,直取AAAI最佳论文奖,如今他要拿机器学习攻破全球慢性病难题

采访 | 孟岩 编辑 | 鸽子 他是少年天才,本科就读于中国科技大学少年班;他是华盛顿大学的终身教授,一般牛人也得花个7年时间,而他只需要5年就评上。如今,他一...

3415
来自专栏人工智能快报

2017年人工智能五大预测

据麻省理工《技术评论》网站报道,人工智能和机器学习领域在2016年取得了巨大进步,并有望在2017年取得更为丰硕的成果,包括以下值得期待的五大看点。 1 正向强...

36213
来自专栏罗超频道

旧文重读:大数据预测四个条件,十大行业

世界杯期间各家科技巨头利用大数据预测比赛结果,再现“章鱼保罗”雄风。世界杯结束了但大数据预测还会继续。从夜观天象到气象预报,从童话里的水晶球到今日的科技预言家...

3735

扫码关注云+社区

领取腾讯云代金券