前天去陆家嘴参加了通联量化的一个公开课。通联量化才两周年,所以我还是比较早的知道这个平台的人,至少一年多以前就知道有这样一个东西,可惜当时太年轻,二级市场的知识也很匮乏,更加重要的是,没有经历过A股暴跌,没有被市场教育过。
简单做一个公开课笔记吧,量化之路还很长。
行研研究员强调的是深度,对行业的深度,一生可能就盯紧了那么一两个行业,而量化则是广度。
一开始,主讲人介绍了对冲基金常用的量化策略:
1、收敛性套利:在市场上寻找两种价格相关的价格,利用市场的失常来套利。例如分级基金,机会少,但是风险小。
2、市场中性Alpha:所谓“中性”就是对前面这个名词没有关联,比如风险中性就是对风险不敏感,与风险没有关系。市场中性,就是与大盘没有关系,无论大盘什么状况我的收益率不变。
3、事件驱动:一些利好消息,例如高管增持,以及一些其他的行业报告。
4、统计套利:历史数据寻找一个规律,然后一旦违背一个规律,那么就做相应的操作。
5、多空策略::通过融券卖空。
6、CTA 这六个策略的风险依次增加,利润当然也是依次增加。比较,在真的市场里,用正常的手段去博弈的时候,还是高风险高收益。 多因子 量化投资中,有一个重要的部分就是量化选股,也就是要引出多因子选股的概念了,主讲人给出的常见的因子池子如下:
基本面:市净率 市盈率 企业估值倍数(EV/EBITDA) 企业负债率
技术:动量趋势 价格反转 流动性 波动率
其他风格:规模 成长 分析师
主讲人使用了李航的机器学习的定义:基于数据构建概率统计模型并运用模型对数据进行预测与分析的一门学科。也称为统计机器学习。
而把机器学习引入量化投资当中一个重要的应用就是挖掘新的因子和给因子配权重。 前者比如探索新的数据源,特别是信噪比高的数据,比如舆情数据舆情系统;后者则容易理解。
因子配权 (Signal Weighting)通常有固定的根据经验的配权和动态的配权。固定权重经验和主观偏好,稳定,对极端值不敏感,但是抓不住短期风格变换;如果引入机器学习进行动态多因子配权,则对于短期风格变化敏感但同时对于极端值敏感。
主讲人还介绍了Alpha的意义:
说白了,Alpha就是用来衡量一个投资经理选股的能力的那一部分收益,与市场收益无关。 当然,还讲了Lasso,岭回归,AdaBoost这些算法。这些以后在机器学习栏目里面讲吧。这篇笔记作为量化投资的开端,半年之后,看到这篇文章,或许有不一样的想法吧。