Alpha策略介紹與展望

復利60年 2020-07-05

展開全文

3.1. Alpha策略的原理簡介

Alpha策略最核心的部分是優(yōu)選一籃子具有超額收益的個股，然后通過賣空股指期貨對沖掉市場風險，從而獲得超越基準指數漲跌幅的絕對收益。

α是和整個市場變動無關的，是一種主動型投資策略，主要依靠精選個股來獲得穩(wěn)健超越大盤的收益。不論牛熊，只要股票組合收益超過指數漲跌幅收益就可以產生絕對收益。

β是指市場風險產生的收益，如大盤漲，個股普漲。只要跟著市場走就能獲得收益，市場跌時也要承擔虧損。

3.2. Alpha因子介紹

理解阿爾法策略離不開阿爾法因子。獲得強于指數的收益來源，即阿爾法因子的來源有三個方面：1.基本面；2.交易層面；3.信息層面。

過去最普遍的重視基本面因子的阿爾法是通過數理統(tǒng)計規(guī)律提高行業(yè)內篩選優(yōu)質公司的效率，并利用分散性持股降低組合整體波動，獲得穩(wěn)定超額收益。

但由于大家所利用的基礎數據嚴重趨同，阿爾法收益隨著模型同質化的增加以及競爭對手的日益涌入，使得基本面類型的Alpha因子超額收益開始大幅下降；同時基本面因子過于關注長期，基本面相關的信息屬于低頻信息：如常見的企業(yè)盈利情況等，來自于財務報表，往往一季度一更新，因此基本面因子對于短期股價波動缺乏直接的解釋能力，造成超額收益的穩(wěn)定性不夠。加之股指期貨負基差嚴重，因此如果以基本面因子策略為主的阿爾法策略產品，在高貼水的現在，無法獲得有效的正收益。

技術面因子（主要指量價因子），相比基本面因子，數據的來源極大的豐富了。從超高頻的股票tick數據，至分鐘線，小時線，日線以及對應的成交量，形成了巨大的數據集。在這個維度里，所有的股票單純的理解成交易工具本身，通過量價指標進行分析，從中尋找對股價變動規(guī)律的有效解釋變量。從最早的動量、反轉到后期的K線圖形組合識別和資金流數據等都是認為交易本身帶來股票漲跌規(guī)律。相比基本面因子，量價因子的變動頻率通常較快。

除此之外，隨著信息技術的進步和信息處理能力的提高，眾多非結構化數據的處理也成為現實。因此通過捕捉一些媒介信息或者多樣化的信息數據，繼而挖掘創(chuàng)建因子的方法，也逐步有可行性了。

3.3. 多因子選股模型

單一的因子往往難以實現穩(wěn)定超越指數的目的。多因子模型是指使用多個因子，綜合考量各因素而建立的選股模型，其假設股票收益率能被一組共同因子和個股特異因素所解釋。多因子選股也是應用最為廣泛的量化選股模型。

在多因子選股模型提出之前，廣泛被市場接受的是Sharp(1964)，Lintner(1965)和Black(1972)年提出的資本資產定價模型(CAPM)，主流觀點認為，股票的收益只與整個股票市場的系統(tǒng)風險存在線性關系。即。然而，后來許多學者發(fā)現股票的收益還與許多其他因素相關，如市盈率、賬面市值比等。其中最為著名的是Fama-French的三因子模型，由此開啟了多因子選股的時代。

在最早的Fama和French的三因子模型中，將市場資產組合、市值因子和賬面市值比因子納入模型中，即：

其中為市場無風險收益率，SMB為市值因子，HML為賬面市值比因子，為市場資產組合風險溢價。、和為三個因子的系數。

然而，三因子模型雖然突破了原CAPM的框架，但依舊有許多變量未被解釋，如短期反轉、中期動量等。于是，多因子模型呼之欲出，其核心思想在于，市場雖然是動態(tài)的、輪動的，但是總會有一些因子在一段時間內發(fā)揮作用。在實踐中，由于每一個分析師對于市場的動態(tài)、因子的理解都有所不同，所以會構建出不同的多因子模型。可以說，多因子模型是三因子模型的拓展。

多因子選股模型通常有兩種判斷方法，一是打分法，二是回歸法。

打分法

打分法即根據各個因子的大小對股票進行打分，然后按照一定的權重加權得到一個總分，最后根據總分再對股票進行篩選。對于多因子模型的評價而言，實際通過評分法回測出的股票組合收益率，就能夠對備選的選股模型做出優(yōu)劣評價。

打分法的優(yōu)點是相對比較穩(wěn)健，不容易受到極端值的影響。但是打分法需要對各個因子的權重做一個相對比較主觀的設定，這也是打分法在實際模型評價過程中，比較困難和需要模型求取的關鍵點所在。除此之外，一些因子可能在過去的市場環(huán)境下比較有效，而隨著市場風格的改變，這些因子可能短期內失效。在這種情況下，對綜合評分選股模型的使用過程中，需要對選用的因子、模型本身做持續(xù)的再評價和不斷的改進以適應變化的市場環(huán)境。在計算綜合評分的過程中，除了各因子得分的權重設計之外，交易成本和風險控制等因素，也同樣需要予以綜合考量。

回歸法

回歸法，就是用過去的股票的收益率對多因子進行回歸，得到一個回歸方程，然后再把最新的因子值代入回歸方程得到一個對未來股票收益的預判，然后再以此為依據進行選股，并對選股模型的有效性和收益率進行評價。

回歸法的優(yōu)點是能夠比較及時地調整股票對各因子的敏感性，而且不同的股票對不同的因子的敏感性也可以不同?；貧w法的缺點，則是容易受到極端值的影響，在股票對因子敏感度變化較大的市場情況下效果也比較差。

從回歸法的流程來看，多因子選股模型的建立、評價和改進流程，大致如下：

3.4. Alpha策略體系變遷

當今主流機構采用的大多是傳統(tǒng)多因子學習+特異因子法。采用該傳統(tǒng)因子與特異因子結合的原因是：1、特異因子開發(fā)難度高；2、如果缺乏堅實的邏輯基礎，穩(wěn)定性難以評估；3、單一特異因子策略容量有限。

3.5. 機器學習與人工智能在阿爾法策略的應用

隨著IT和信息處理能力的增強，機器學習及人工智能技術在量化領域的應用逐步進入軌道。

根據巴克萊做的一項關于對沖基金管理人是否在投資過程中使用機器學習和人工智能的調查情況顯示：超過一半的管理人表示有用到機器學習，且使用時間達到3年以上的占到2/3。

機器學習選股模型與傳統(tǒng)的多因子選股模型的差異在于：機器學習選股的模型構建與因子篩選過程主要依靠數據挖掘技術自動完成，而傳統(tǒng)的多因子選股模型在模型搭建，尤其是因子選擇過程中包含較大的主觀成分，仍需依靠投資經理對市場行情的基本判斷來預選因子。

深度學習選股策略的核心在于對訓練集數據的反復訓練以獲得最優(yōu)模型，該策略的高效運行依賴于多個方面：

（1）模型涉及海量數據的處理與運算，對計算機等硬件設備、算法及其優(yōu)化的要求很高；

（2）考慮到對所有模型結構組合依次訓練而擇優(yōu)不實際，模型結構的優(yōu)化一般采用網格搜索或隨機搜索等方法對提前選定的候選參數組合或范圍依次進行訓練，選出最合理的結構參數組合。因此，對模型構建者選擇候選參數組合的經驗及能力要求較高，最大程度對候選范圍的合理縮小可以大幅減少模型結構參數確認的訓練次數從而提高運行效率。

深度學習多因子選股模型的優(yōu)勢在于：

（1）自學習能力強，自動化程度相對較高。雖然在模型結構的初步構建上仍需依靠一定的主觀經驗確定結構參數范圍，但結構優(yōu)化及因子篩選過程均由計算機自動完成，因此與傳統(tǒng)多因子選股模型相比，該模型受主觀因素影響相對較小。

（2）優(yōu)化能力較強，容錯率較高。與傳統(tǒng)多因子選股模型相比，深度學習模型不局限于線性關系的構建，引入了非線性關系的擬合，模型結構復雜度更高，同時其有系統(tǒng)化、智能化的信息處理系統(tǒng)，在隱藏層的輔助作用下，若基于足夠的訓練集數據，模型最終的擬合程度較好。

（3）對輸入選股因子的數量限制相對較少。對于傳統(tǒng)多因子選股模型來說，模型構建前期就需要預選合適的選股因子，這也是模型包含主觀因素最多的部分，同時考慮到過度擬合的可能性，選擇因子數量不宜過多。而深度學習模型在輸出結果不變的情況下，模型無需預選因子，輸入層可包含的因子個數不受限制，甚至可達上百個選股因子，只需確定隱藏層和各層節(jié)點數量，模型會通過自學習進行因子篩選。當然，深度學習模型不可避免地同樣存在過度擬合的可能性，可通過嵌入 Dropout 等技術在訓練過程中降低模型的過度擬合。

深度學習多因子選股模型的限制在于：

最直接的就是該模型的運行需要更高要求的計算設備以及更多的運算時間，如何能在條件允許的情況下最大程度提高運算效率是策略開發(fā)者最關心的問題之一。

此外，模型內部網絡結構的復雜性也使得模型的運行過程難以用常規(guī)經濟學邏輯來解釋，因此相對于傳統(tǒng)多因子選股模型來說，該模型較難被理解。

4.Alpha策略展望