00:00
Hello,大家好,我是飞兔科技的MS媛媛。近年来A股机构投资者占比提升,市场交易行为正在慢慢的向美股等发达市场靠拢,量化交易也就越来越受到投资者的关注,阿尔法因子、多因子模型等词汇密集的涌入了大众的视野,那本期视频我们就来聊聊量化因子。首先我们要明白,因子的概念可以简单的理解为是对股票波动有解释能力的指标。这些指标的构建一部分是基于研究员对于公司市场投资行为的理解,一部分是借助数据挖掘和人工智能算法产生的。通常将影响股票价格波动的因素分为四大类因子,市场因子、行业因子、风格因子和阿尔法因子。那前三类呢,被视为是风险因子,这类因子虽然对股票价格波动有显著的影响,但是却难以预测,在统计上表现为因子收益率的均值接近于零,方差较大,无法直接用于投资。而相反,阿尔法因子对于股票未来表现有一定的预测性。
01:05
按照构建阿尔法因子用到的基础数据可以分为量价因子、基本面因子和力量因子。基本面因子主要是基于上市公司发布的财报、业绩预告等公开信息,经过数据清洗等处理,挖掘其中存在的投资逻辑和规律,一般可以从估值水平、盈利能力、成长水平等角度来设计。基本面因子本身所用的数据频率低,所以因子衰减较慢,在实盘交易中换手率较低。量价因子是基于股票的市场表现,如价格变动、成交量、盘口等数据来构建指标。按照数据的颗粒度可以分为level two深度行情分钟K、日K、周K,不同颗粒度下的数据可以挖掘出很多的统计规律。常见的量价因子主要有反转因子、动量因子、波动率因子等等。由于量价数据本身更新频繁,因此也表现出预测性强、变换多、衰减快等特点,所以在实盘交易中,基于量价因子的模型换手率更高。
02:06
量价类因子是各家管理人重点的研究范围,将不同维度相关性低的量价类因子组合在一起,可以显著的提升量化模型的预测能力,相对于单一因子,多因子组合表现会更加稳定。所以上两种数据管理人也会不断的挖掘其他对于股票市场波动有解析能力的新型数据,例如新闻舆情数据、两融数据等等。另类因子正是基于这些另类数据来构建的,但其可能存在覆盖率低、频率低、非结构化等问题,所以数据处理非常关键,也是能否从这些数据中挖掘出真正投资规律的重要前题。已有的阿尔法因子会随着市场进化在不断的衰减,最终变成风险因子。所以量化管理人的核心竞争力不仅体现在有丰富的阿尔法因子库,更体现在长期持续的投研能力,需要不断的挖掘新因子,探索新的因子组合方式。
03:03
过去由矿土、人工挖掘这些线性因子来进行配置设计模型可解释程度很高,方便归因,但随着市场有效性变强,因子就会渐渐的失效。文艺复兴科技很早就将机器学习应用于金融市场,模型使用特征工程来挖掘和设计因子,让机器学习模型优化各个子间的组合方式。各类模型可以使得因子的组合不再是单纯的线性加权,引入交叉因素以及更加复杂的线性因素,让模型有更加的拟合效果和预测能力。有了阿尔法因子和模型,在实盘交易环节也需要稳定的交易系统和反馈处理能力,以及完整的风控体系等等。量化投资涉及金融数学、统计、算法、工程与一体的科学、高度自动化的投资方式,因此其实就是整体量化策略的一个个细胞,各自发挥着作用,又需要不断的进行升级和迭代,正如西蒙斯所说,不管多么复杂的模型,没有一个是可以长期不变的,一直赚钱的。因为市场。
04:03
信息都在不断的变化,我们不是机器的努力,只有通过不断的学习,不断的更新自己的模型和策略,寻找市场上的规律,让我们的交易系统跟上变化,本身还能在交易市场中立于不败之地。好了,那这期视频就到这里了,我们下期视频再见啦。
我来说两句