数量化投资理论与技术

null数量化投资理论与技术 Theory and Technology of Quantitative Investment数量化投资理论与技术 Theory and Technology of Quantitative Investment 张金林 博士 教授金融学院金融工程系null内容提要 引言 数量化投资理论 现代金融理论的数量化 数量化投资及其产品 数量化投资技术 估值与选股 资产配置与组合优化 基于指数预测的时机选择 基于行为金融的投资策略 程序化交易及算法交易 绩效评价技术 数量化投资在中国的应用 null引 言 投资及其管理 （ Investment and management）？ 投资 投资、理财与投机：品种与方式 基本分析与技术分析 传统投资与数量化投资 投资管理 目标与调整 资产配置：投资组合及其优化 效率评价：风险与收益 投资及其管理 （ Investment and management）？ null理财曲线投资曲线投资曲线与理财曲线银行存款null投资理财“战胜” 通货膨胀 只有“战胜”通货膨胀，才能使您的财富保值，乃至不断增值。投资理财就是我们寻求的秘密武器，长期来看，如果您的资产收益率超过通胀率，您的资产才能确保安然无恙。null青年期 20-30岁 有能力承担较高风险 配置较高比例的流动性好的风险类产品 较少配置债券类产品 壮年期 30-50岁 现金流充足，财务负担增加 考虑中长期（3年以上）投资风险类产品 债券类产品保持流动性 老年期 50岁以后 控制风险为首要目标 配置较高比例债券类产品 较少比例投资周期在3年以上的风险产品 不同人生阶段，不同投资组合null投资 “魔戒”：贪婪和恐惧 在投资过程中，您会发现，坚持一个长期的投资计划相当不容易。这源于人类的两大情绪：恐惧和贪婪。 市场下跌的时候，哀声一片，害怕亏钱的心理往往会让您改变长期投资计划； 市场飙升时，似乎人人都能一夜暴富，贪婪的心理可能会驱使您为了追求更多的收益而承担过高的风险。投资管理发展趋势：技术优化 投资管理发展趋势：技术优化 降低运作成本，提升竞争优势，以更好的业绩回报投资者，这是投资管理永恒的主题。 2005年股改以来，随着我国资本市场市值的迅速扩大、上市公司数量的急剧增加，以及QDII陆续出海，如何在众多的境内外上市公司中迅速、有效地选择投资目标，降低调研和投资成本，更科学地分配规模庞大的资产，成为机构投资者面对的新问题。因此，投资管理技术优化迫在眉睫。 数量化投资（Quantitative Investment）？数量化投资（Quantitative Investment）？数量化投资在基金、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,成为投资经理共同关心的问题。 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；越来越多的投资经理也在采用计算机模型来选股、择时、构建组合、优化组合、风险管理等，以此来提高投资收益。 数量化投资技术正成为投资领域发展的新趋势。 null 一、数量化投资理论1. 现代金融理论的数量化历程1. 现代金融理论的数量化历程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。 以EMH为基础,通过运用各种数理工具, 已建立起了一套比较完整的体系，形成了一门新的学科,称为“金融数学” (Mathematics of Finance) 。1.1 二十世纪50～60 年代1.1 二十世纪50～60 年代 Markowitz于1952年建立的均值—方差模型, 第一次把数理工具引入金融研究。在Markowitz工作的基础上, Sharpe (1964)、Litner(1965)、Mossin (1966) 研究了资产价格的均衡结构，导出了资本资产定价模型(Capital Asset Pricing Model, CAPM ) , 已成为度量证券风险基本的数量化模型。随后, CAPM 形成了度量金融投资领域投资绩效的理论基础。 Samuelson(1965) 与Fama (1965) 的有效市场假说(EMH ) , EMH 构成了60 年代以来证券理论研究的基石。1.2 二十世纪70～80 年代 1.2 二十世纪70～80 年代 20世纪70年代, 随着金融创新的不断进行, 衍生产品的定价成为理论研究的重点。 1973年, Black—Scholes建立了期权定价模型, 实现了金融理论的又一大突破。该模型迅速被运用于金融实践, 使金融创新工具的品种和数量迅速增多, 金融市场创新得到空前规模的发展。 此后, Ross (1976) 建立了套利定价理论(Arbitrage Pricing Theory, APT )。在投资实务中，多因素定价（选股）模型可以看作是APT理论最典型的代。1.3 二十世纪80～90 年代1.3 二十世纪80～90 年代二十世纪80年代, 金融创新进入鼎盛时期，诞生了所谓的“国际金融市场四大发明”,即票据发行便利（NIFs）、互换交易、期权交易和远期利率协议。金融理论的一个新概念 —“金融工程”也诞生了。随后，金融工程作为一个新的学科从金融学独立出来。 20世纪90年代以来风险管理是对金融机构管理的中心论题。最著名的风险管理数学模型是VaR 模型，这种方法已被全球各主要的银行、公司及金融监管机构所接受, 并成为最重要的金融风险管理方法之一。 股票市场一系列经验研究发现了与有效市场理论不相符合的“异常现象(Anoma1ies)”，例如，日历效应、股权溢价之谜、期权微笑、封闭式基金折溢价之谜、小盘股效应等等。 面对这一系列金融市场的异常现象，研究者放松 “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，形成了具有重要影响力的学术流派—行为金融学。 1.4 二十世纪90 年代末以来1.4 二十世纪90 年代末以来非线性科学的研究方法和理论，极大地丰富了金融科学数量化的手段和方法论的研究。不仅在金融理论研究方面开辟了崭新的非线性范式的研究领域, 而且在金融实践和金融经验上也取得累累硕果。 Doyne Farmer (多因·法默) 和Norman Packard (诺曼·帕卡德) 不仅在系统地表述混沌理论的结构方面做出了主要贡献,而且还使用不同的方法, 比如，遗传算法、决策树、神经网络和其他非线性回归方法等建立数理模型。 非线性科学的研究方法和理论, 为数量化投资理论提供了最有力的研究武器。2. 数量化投资及其产品2. 数量化投资及其产品 2.1 数量化投资的起源 数量化投资策略从20 世纪70 年代开始兴起，以1971年美国富国银行（Wells Fargo）发行跟踪纽约证券交易所1500 只股票的指数基金为标志。特别是最近30 年来，随着计算机处理能力的提高，我们看到越来越多的物理学家和数学家被华尔街雇佣，基金经理也开始依靠电脑技术来分析、评估、筛选股票。 数量化投资的应用产品主要包括对冲基金、指数基金和量化共同基金。数量化投资产品的发展历程：对冲基金率先破壳，而指数基金紧随其后，到现在的量化共同基金的稳健发展。null对冲基金 hedge fund 是投资基金的一种形式，属于免责市场(exempt market)产品。对冲基金采用各种交易手段(如卖空、杠杆操作、程序交易、互换交易、套利交易、衍生品种等)进行对冲、换位、套头、套期来赚取巨额利润。对冲基金大多数都是采用数量化的分析工具盒方法进行资产的筛选和交易。 进入21 世纪之后，计算机技术的飞速发展，为数量化投资提供了更为良好的平台。 2.2 数量化投资的深度分析 2.2 数量化投资的深度分析文艺复兴科技公司(Renaissance Technologies)的詹姆斯.西蒙斯(James.H.Simons)是华尔街最成功的对冲基金经理之一，他是纽约州立大学石溪分校数学系的前系主任，率领一批数学家、物理学家和统计学家，运用数量化的方法进行投资，在华尔街获得巨大成功。西蒙斯的基金自1988 年后年收益率达到35%，超过了巴菲特。 西蒙斯对其投资方法刻意保密。迄今为止人们只知道，他的大奖章基金的赚钱方法是：针对不同市场设计数量化的投资管理模型，并在全球各种市场上进行短线交易。不是“黑盒子”不是“黑盒子”数量化投资是基于对市场深入理解而形成的合乎逻辑的投资理念和投资方法。 有一套规范而透明的做法，并采用科学、公正而理性的方法对市场进行研究并制定适应市场状况的投资模型和投资策略，并不断进行调整和优化。 海外数量化投资的经验是数量化投资模型90%考虑的是基于基本面因素，同时考虑市场因素、技术因素等。 数量化投资是基于市场非有效的或弱有效理论的一种主动型投资策略。基金经理可以通过对个股、行业及市场的驱动因素进行分析研究，建立最优的投资组合，试图战胜市场从而获取超额收益。 数量化主动投资策略以正确的投资理念为根本，通过基本面分析，以全市场的广度、多维度的深度视角扫描投资机会，在中国市场的应用将更显其优势。投资模型不是一切投资模型不是一切 数量化投资不是靠一个投资模型就能一劳永逸，也不是使用一个模型就能解决一切问题，更不是一个模型就能胜任任何市场状况。 数量化投资模型只是一种工具、一种方法、一种手段去实现成熟而有效的投资理念，并不断因应投资理念的变化、市场状况的变化而进行修正、改善和优化。我们需要建立很多的数量化模型，比如选股模型、行业配置模型、择时模型、交易模型、风险管理模型及资产配置模型等等。 同时，数量化投资模型都必须经历不断的跟踪检验、优化、实证等等过程。我们知道数量化投资是一个不断改进的过程，数量化投资中最重要的就是投资者的投资思想，包括对投资的理解、理念、经验，所以模型都是建立在这些投资思想上。量化只是一种方式和工具，正是采用这种工具和方法来获取经验或者检验经验。捕获大概率捕获大概率 数量化投资模型着重考虑对资产未来收益的估计和辨别，而且主要包括对个股、行业等估计的准确性。在确定投资品种后，数量化投资策略需要考虑具体的交易策略和风险控制策略等方面。较好的交易策略能最大程度的降低交易成本（包括佣金、税费及冲击成本等）。交易策略主要解决的是冲击成本问题。 数量化投资需要综合考虑资产的鉴别（个股选择、行业配置、资产配置等）、交易（包括择时）和风控（包括对风险收益的平衡等）等方面因素，寻找到成功概率最大的投资组合，达到收益最大化。 2.3 数量化基金 （Quantitative Funds or Quant Funds） 2.3 数量化基金 （Quantitative Funds or Quant Funds） Bloomberg 认为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。 Lipper认为数量化基金的投资行为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。 Investopedia认为，基于量化方法选股的投资基金即为数量化基金。它通过计算机模型判断某个投资行为是否具有吸引力。其最终的买卖决策完全依赖于数量化模型。 Profitfund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。 可以看出，Bloomberg和Lipper的定义相对比较广义，只是强调在投资的过程中使用了数量化方法；而Investopedia和Profitfund的定义相对狭义，除了强调投资过程中使用数量化方法外，还强调投资决策是定量化的。 数量化基金的发展 数量化基金的发展 null二、数量化投资技术 一个典型的投资流程 一个典型的投资流程 1 . 估值与选股1 . 估值与选股公司估值方法是上市公司基本面分析的重要利器，在“基本面决定价值，价值决定价格” 基本逻辑下，通过比较公司估值方法得出的公司股票理论价格与市场价格的差异，判断股票的市场价格是否被高估或者低估，从而寻找出被价值低估或价值被高估的股票，指导投资者具体投资行为，如买入、卖出或继续持有。 公司估值方法主要分两大类，一类为相对估值法，特点是主要采用乘数方法，较为简便，如PE估值法、PB估值法、PEG估值法、PS 估值法、PSG估值法、EV/EBITDA估值法等。另一类为绝对估值法，特点是主要采用折现方法，较为复杂，如现金流量折现方法等。 估值模型的体系 估值模型的体系1.1 相对估值模型 1.1 相对估值模型 相对比较估值法是寻找可比较资产，根据某个共同的变量，如收入、现金流、帐面价值或者销售收入，通过可比较资产的价值来估计标的资产的价值，包括PE估值法、PB估值法、PS估值法、PEG估值法、PSG估值法、EV/EBITDA估值法等。相对比较法是人们采用最为广泛的股票估值方法，但是这种估值方法缺乏明确的理论基础。 股票定价与经济、政治、文化、资金供求状况甚至人们的心理因素息息相关，不同国家、不同公司间的股票并不具备充分的可比基础。每一种相对估值法都有其一定的应用范围，并不是适用于所有类型的上市公司。 相对估值法的适用范围 相对估值法的适用范围 1.2 绝对估值模型1.2 绝对估值模型绝对估值法（折现方法）一直被认为是“理论虽完美，但实用性不佳”，主要因为：一是中国上市公司相关的基础数据比较缺乏，取得准确的模型比较困难。二是中国上市公司的流通股不到总股本1/3，与产生于发达国家的估值模型中全流通的基本假设不符。 2005 年以来，中国股权分置问题开始分步骤解决。股权分置问题解决后，未来全流通背景下的中国上市公司价值通过绝对估值法来估计价值的可靠性上升，进一步推动了投资者，尤其是机构投资者对绝对估值法的关注。 1.2.1 股利折现模型（DDM）1.2.1 股利折现模型（DDM） 股利折现模型是对股权资本进行估值的基本模型，该模型假设股票价值是预期股利的现值。投资者购买股票，通常期望获得两种现金流，持有股票期间的股利和持有股票期末的预期股票价格。由于持有期期末股票的预期价格是由股票未来股利决定的，所以股票当前价值应等于无限期股利的现值。1.2.2 股权自由现金流模型（FCFE） 1.2.2 股权自由现金流模型（FCFE） 公司股权资本投资者拥有的是对该公司产生的现金流的剩余要求权，即他们拥有公司在履行了包括偿还债务在内的所有财务义务和满足了再投资需要之后的全部剩余现金流。 公司每年不仅需要偿还一定的利息或本息，同时还要为其今后的发展而维护现有的资产、购置新的资产，当将所有这些费用从现金流收入中扣除之后，剩余的现金流就是股权自由现金流。 股权自由现金流的计算公式为： FCFE = 净收益+ 折旧－资本性支出－营运资本追加额－债务本金偿还+新发行债券 1.2.3 公司自由现金流模型（FCFF）1.2.3 公司自由现金流模型（FCFF）公司的全部价值属于公司各种权利要求者。这些权利要求者主要包括股权资本投资者、债券持有者和优先股股东。因此，公司自由现金流是所有这些权利要求者的现金流的总和。 FCFF=股权自由现金流 + 利息费用×(1－税率)+债券本金归还－新发行的债券 + 优先股股利。1.3 数量化选股1.3 数量化选股在不断创新、券种繁多选择越来越艰难的资本市场，我们希望理解纷繁复杂的市场数据背后的规律与意义，希望通过用量化手段、结合基本面研究相融合的方法为投资标的价值的判断、券种的选择进行相关的实证分析，通过长期的跟踪与持续不懈的研究，挖掘资本市场的运行规律，构建真正适合中国资本市场的数量化选股策略。 量化选股的方法体系 量化选股的方法体系 1.3.1 基本面选股方法1.3.1 基本面选股方法1) 指标的筛选 首先，传统财务理论中对于股票价值的分析最常用的是股利贴现模型，该模型通过对股票现在以及将来股利的变化对股票的盈利能力以及相应的内在价值作出分析和判断。 公式含义为：公司价值与分红比率、当前的每股收益、公司业绩的增长率、以及资本成本（或折现率）有关。 用增长率的经济模型可以得到影响增长率的因素为利润留存比率和净资产收益率； 净资产收益率（ROE）又决定于营业利润率、资产周转率、财务杠杆乘数； 资本成本可以用根据CAPM定价模型计算。 null其次，大量基于传统财务理论的研究认为，股票的净值和市值比对于股票价格有很大的影响。因此，每股净资产、每股公积金、每股未分配利润作为要素定价投资理念（资产、盈利能力和利润增长率）中代表公司本身的资产指标，也加入到指标体系中。 再次，自由现金流量模型是由自由现金流替代股利的现金流折现方法。因此将现金流指标纳入指标体系。 最后，虽然流动比率和速动比率没有在各种估值模型中涉及，但其关系到企业的变现能力，所以在构建指标体系时，将其保留。nullnull 2) 建模方法 根据公司财务理论和估值理论，我们得出了公司估值的大致影响因子，接着可以使用结构模型和统计模型建立因子与股价之间的联系。 结构模型给出股票的收益和某些特定变量之间的关系，这些变量包括股票基本面变量、市场相关变量等。由于结构模型可以将特定的变量和因子联系起来，具有直观意义，所以实际工作者往往更倾向于使用结构模型。众多的国际投资大师都倾向于使用此类模型，选择他们的投资标的。 统计模型指的是用统计方法提取出因子所建立的模型，这是经济学家们更加倾向于使用的建模方法，因为这种方法在建模以前不需要先验知识，可以通过建立统计模型来检验市场有效性的各种假设，也可以检验CAPM模型的有效性等等。 图7 投资大师的选股方法图7 投资大师的选股方法1.3.2 动量反转选股方法1.3.2 动量反转选股方法 动量反转策略可以追溯到有效市场理论的起源。学术界对有效市场假说的检验分为两类：一是股价收益率分布的检验；二是市场有效性的检验。正是对市场弱式有效的检验产生了动量反转策略。 股票价格的变动方式有两类很重要的模式，即动量效应和反转效应。 动量效应(Momentum Effect)指的是投资策略或组合的持有期业绩方向和形成期业绩方向一致的股价波动现象；而反转效应(Contrarian Effect)则指的是投资策略或组合的持有期业绩方向和形成期业绩方向相反的股价波动现象。null 对于动量和反转效应，学术界有很多解释，其中比较具有说服力的是行为金融学的解释：反应不足和反应过度。如果在市场上发现了动量效应，说明股价对信息反应不足，股价在消息公布后不是第一时间上涨或下跌至其应有的位置，而是较为缓慢的移动至其应有的位置；同理，如果在市场上发现了反转效应，则可说明股价对信息反应过度。可见，动量效应和反转效应可以看作是反应不足与反应过度的实证支持。 在使用动量反转方法选股的时候，需要考虑以下几个问题：样本选择的区间、不同策略在不同市况下的表现、持有期的长短、显著性检验等。1.3.3 多因素选股方法 1.3.3 多因素选股方法 多因素模型力图通过捕捉那些引起证券共同变动的因素，然后开发基于这些因素的模型，简化投资组合分析所要求的关于证券之间相关系数的输入。只不过，多因素模型进一步提出，证券之间的联动性，除了源于市场因素的影响之外，还取决于其他一些非市场因素。 多因素模型将那些引起证券价格联动的因素直接加入到收益率公式之中。 null根据多因素模型，单只证券的期望收益率、方差及任意两只证券之间的协方差分别可以表示成： null对于因素的选取可以采用逐步回归和分层回归的方法进行筛选，然后进行主成分分析，从众多因素中找出解释度较高的某几个指标，尽可能反映原来所有的信息。 可以将影响股票价格的因素分为三类： 外部经济环境的影响，即宏观因子。经济学家们都认为：宏观经济环境会对证券市场产生影响； 截面对比。这类因子描述了股票的不同特征，大致可以分为两类：基本面因子以及市场因子； 统计因子。这类因子由统计方法得到，比如主成分分析、极大似然估计等。 因子识别的方法可以是统计方法，也可以是投资经验，或者是两者的结合。所选定的因子或者具有统计意义上的显著性，或者具有市场意义的显著性，或者兼而有之。 一般来说，我们可以从动量、波动性、成长性、规模、价值、活跃性、收益性以及收益的变异性等方面选择指标来解释股票的收益率。2. 资产配置与组合优化2. 资产配置与组合优化资产配置(Asset Allocation)是指资产类别选择、投资组合中各类资产的适当配置以及对这些混合资产进行实时管理。 Brinson，Hood，Beebower（1991）《投资业绩的决定因素》指出资产配置策略可以解释91.5%的基金回报率的波动，市场时机选择可以解释1.8%，而证券选择可以解释4.6%。 随着时间的推移和现代投资理论的发展，资产管理的重心从单个证券逐渐转移到将投资组合作为一个整体来看。通过控制组合中股票、债券这些特性迥异的资产的比例，可以有效地规避和调节风险，这就是最早的资产配置的涵义。 随着投资组合整体属性的进一步挖掘，形成了资产类的概念，深化了资产配置的内涵，出现了行业资产配置和风格资产配置，在不同行业(如交通运输业、医疗保健业、金融地产业等)，以及不同风格(如价值型和成长型、小盘股和大盘股)的资产类之间进行合理配置。 null特别是自70年代初，传统投资组合理论与量化分析技术的结合，极大地丰富了资产配置的内涵，形成了现代资产配置理论的基本框架。它突破了传统积极型投资和指数型投资的局限，将投资方法建立在对各种资产类股票公开数据的统计分析上，通过比较不同资产类的统计特征，建立数学模型，进而确定组合资产的配置目标和分配比例。 资产配置一般包括两大类别、三大层次，两大类别分别为战略资产配置和战术资产配置，三大层次分别为全球资产配置、大类资产配置以及行业风格配置。 资产配置的两大类别看成是资产配置的种类； 资产配置的三个层次看成是资产配置的方法。资产配置的具体过程 资产配置的具体过程 2.1 战略资产配置 2.1 战略资产配置 战略资产配置( Strategic Asset Allocation,SAA)，根据基金的投资目标和所在国的法律限制，确定基金资产配的主要资产类型以及各种资产类型所占的长期均衡比率； 战略性资产配置是基于长期的数据和最优化模型，即一个长期平均的配置比率，或者可以看作是一个均衡配置比率 战术资产配(Tactical Asset Allocation, TAA)，指在确定了战略资产配置之后，是否根据市场情况在短期内适时调整资产分配比例，以及如何调整的问题。显然，战术资产配置含有对市场时机的选择。 战术性资产配置是基于短期的数据和评估而对战略性资产配置比率的暂时性偏离，也可以看作是短期内的非均衡比率，是对战略性资产配置比率的“微调”。2.1.1 马科维茨资产配置模型 2.1.1 马科维茨资产配置模型 用数学语言表示如下： 2.1.2 均值-LPM资产配置模型2.1.2 均值-LPM资产配置模型哈洛的LPM方法是半方差方法的典型代表。LPM是Lower Partial Moments的简称，即用收益分布的左尾部分来度量风险。在某个目标收益率T下，用LPM衡量一项投资的风险，其离散情形的表达式为： 2.1.3 VaR约束下的资产配置模型 2.1.3 VaR约束下的资产配置模型 VaR是一种各种头寸和风险因素通用的度量方法，可度量股票、债券、以及各种衍生品的风险，提供了一种风险的比较，有利于投资机构有效的控制总体风险。VaR方法的缺陷是只能度量市场正常波动情况下的风险，因此市场发生重大变动的实际损失可能远远大于VaR模型的预测值。这就要求用压力测试和情景分析法作为VaR的补充。 VaR的计算方法分为三大类：历史模拟法、方差协方差方法（其中以JP Morgan的RiskMetrics方法为主要代表）和蒙特卡罗方法。2.1.4 基于贝叶斯估计的资产配置模型 （Black-Litterman）2.1.4 基于贝叶斯估计的资产配置模型 （Black-Litterman）在Markowitz的均值方差模型中，由于期望收益率与投资组合权重间复杂的设定，在优化的时候经常发现，在给定的期望收益率下所构造的投资组合，其权重并不合理。原因：一是期望收益率非常难以估计；二是每次优化的权重对输入参数(期望收益率)太敏感，经常导致各成分权重的大幅波动。 20世纪90年代初，高盛资产管理公司 Black and Litterman（1992）提出一套决策方式，结合了Markowitz（1952）的均值方差最优化（Mean-Variance Optimization）及Sharpe-Lintner 的资本资产定价模型（CAPM）两套现代投资理念，被称为Black-Litterman 模型。 在 Black-Litterman 的模型中，采用贝叶斯方法，结合投资人的主观看法和市场均衡条件下的期望收益率来进行资产配置。使用者可以任意输入投资组合期望收益率，模型将均衡进行组合，同时产出资产期望收益率的集合和最佳投资组合的权重。2.2 战术资产配置2.2 战术资产配置 首先，战术资产配置一般都倾向于客观的分析而不是依赖于主观的判断。往往通过运用包括回归分析和最优化方法在内的分析工具来帮助预测和决策。 其次，战术资产配置主要是通过对资产未来价格的衡量来完成的，也就是说，战术资产配置在很大程度上是“价值导向”买进那些被认为是低估价值的证券，卖出那些被认为是高估价值的证券。 基金的管理者对某些资产类别的短期收益即风险水平进行预测，如果这种预测偏离了长期平均的预期水平，则可以利用短期预测做出战术性资产配置，调整资产类别的权重。2.2.1 行业轮动策略2.2.1 行业轮动策略市场在不同的阶段运行，都会经历相同的周期：上涨，顶部，下跌，底部，而每个阶段都会对不同的行业产生不同的影响。 行业配置是获取超额收益的重要来源，据国外的实证研究统计，共同基金大部分超额收益都可以用行业配置来解释，其作用强于个股的选择。 进行动态的行业配置或者行业轮动策略会创造出客观的超额收益。事实上，从资产配置的视角看，我们也可以把行业轮动策略看成是基于行业景气周期的资产配置策略。 行业景气周期分析 行业景气周期分析 行业景气变化的内在影响因素可归为两个方面：周期性因素和结构性因素。周期性因素主要包括行业的宏观经济周期波动敏感性、产业生命周期；结构性因素则包括行业的增长动力、行业的集中度、行业在国民经济中的地位等。 中国GDP的增长周期及经济周期中各产业链景气轮动情况 中国GDP的增长周期及经济周期中各产业链景气轮动情况 行业配置方法 行业配置方法 战略资产配置的所有模型都可以用来进行行业配置，如马科维茨MV模型、均值-LPM模型、VaR约束下的资产配置模型、Black-Litterman模型等。需要解决的关键问题依然是（行业）期望收益率的预测问题，我们可以采用一致预期的行业收益率，也可以使用多因素方法获得行业预期收益率。对于数量化方法而言，则更倾向于使用多因素模型来预测行业的预期收益率。前文对于行业景气周期影响因素的分析，就是为了建立多因素模型所作的铺垫。 2.2.2 风格轮动策略 2.2.2 风格轮动策略风格投资是组合投资理论研究中的一个重要分支。所谓风格（style）实际是分类方法在证券投资中的应用，投资者可以按照行业属性或者公司规模属性的不同将股票分成不同属性的资产类别，这种赖以分类的股票群体的某种共同特征，称为股票风格，而以某种具体的风格而不是以单只股票为基础进行资产配置行为，就是风格投资。风格的分类 风格的分类 最常用的基金分类标准有ICI和Morningstar公司、Lipper公司的标准。 MorningStar是一种典型的风格划分系统，其划分办法是按照基金组合中持股内容的加权市值为纵轴，分为大盘、中盘及小盘三类，而以市净率、市盈率为横轴，分为价值型、平衡型与成长型三类，将基金按照持股特征投入此3×3的分析方格中再确定基金风格类属。 按照MorningStar的方法，所有的基金可分成大盘成长、大盘平衡、大盘价值、中盘成长、中盘平衡、中盘价值、小盘成长、小盘平衡、小盘价值九个分类。 风格的周期风格的周期大多数实证研究都表明价值型组合和成长型股票组合、小盘股组合和大盘股股票组合之间有显著的收益差异，且累计收益的差异对价值型组合和小盘股组合有利。 不同风格投资收益率差异存在周期性。1998～1999年成熟股市中成长型股票组合的收益显著高于价值型组合，平均年收益率差异高达25%，更出乎大多数金融学者的意料，这促使理论界和资产管理者重新审视价值投资和小盘股更有优势的观点，并最终认识到价值型组合不可能永远超越成长型组合，小盘股组合不可能永远超越大盘股组合，也就是价值型和成长型的收益以及小盘股和大盘股的收益都存在着周期性。 正因为风格周期性存在，所以积极地进行风格管理，正确地判断、把握以及选择风格倾向，这样才能获得超额的市场收益。 风格轮动模型 风格轮动模型在可以预测的前提下，积极的风格管理在不同风格股票组合中进行轮动（style rotation）的策略有机会击败消极的风格管理策略。 这种预测的前提是需要知晓转换的相关变量，也就是说是什么变量决定了各种投资风格在不同时期内的收益差异，这方面的研究主要有二类，第一类是从研究宏观经济周期入手，研究宏观变量和投资风格之间的关系；另外一类是从行为金融角度入手，认为风格表现只不过是过度反应的结果，因此可从过去风格的表现推断未来风格表现，未来风格收益是以往风格表现的一个正动量外推函数（风格动量）。 文献追踪 文献追踪一个真实的风格转换策略必须对大额头寸转换所产生的流动性成本有充分的认识。对此，Bause（2002，2003）、陈琪龙(2003)和Georgi（2003）分别给出了三种考虑交易成本的风格转换模型。 Basue（2002）在总结前人研究的基础上，从早期研究中认为和风格转换相关有关的17个因子中，在比较三种回归（简单相关性、最小二乘回归和Logit回归）模型的优缺点后，选择Logit模型对风格优势进行判断，在以1990年1月和2001年12月的样本基础上，形成一种风格转换策略模型。 陈琪龙（2003）则采用Markov Switch模型对1946～1998年美国标准普尔指数月度数据的风格转换进行了研究，采用1946～1969年的数据建立风格转换模型，再利用1970～1998年的数据进行检验，发展出马尔科夫转换概率模型。 Bause（2003）和Georgi（2003）则分别利用最新的人工智能学习方法中的支持向量机模型（Support Vector Machines）给出了美国股市的风格转换模型，尽管是独立研究，但两者的方法基本相同，都在宏观因子和一些技术分析数据中进行数据挖掘，采用多次统计学习方法给出了一个实证风格转换模型，并有一个非常好的转换结果。 2.2.3（可转移）Alpha策略 2.2.3（可转移）Alpha策略理论上，资产的收益可以分成两个部分：来自市场风险部分的期望收益称作beta；而与市场风险无关的主动风险的那部分收益称作alpha。 alpha策略就是寻找到一个alpha的来源，通过衍生品（股指期货、互换等）剥离其含有的beta,获得与市场相关性较低的alpha,围绕alpha进行投资的相关策略。最常用的方法有纯粹的alpha策略和可转移alpha策略，一般分寻找、分离、转移、管理alpha四个步骤。 寻找alpha有两种方法：一种是选择投资经理，另一种是依靠数量模型。通过预测alpha来选择、分离、管理alpha是比较直接的一个想法，根据前期研究发现基础变量法是一个比较可靠的预测方法。 nullAlpha策略的本质是，选取具有超额能力的现货组合、同时利用股指期货对冲现货组合的系统风险，从而留下了现货组合的非系统风险，而这种非系统风险表现为超越市场的选股收益。 以股市Alpha策略为例，可以采用“现货多头＋期货空头”构建。操作上，一方面建立能够获取超额收益的投资组合的多头头寸，同时，建立股指期货的空头头寸以对冲现货组合的系统风险。 可转移Alpha策略的主要目的在于将Beta收益从投资组合中完全分离出来，而将策略的重点放在寻找Alpha引擎上，从而提高Alpha的收益。 在使用可转移Alpha策略时需要注意的是，Alpha类资产和Beta类资产的相关性必须很低。可转移Alpha策略已经在全球范围内得以应用，特别是在对冲基金的资产管理策略上。 2.2.4 投资组合保险策略 2.2.4 投资组合保险策略投资组合保险理论（Portfolio Insurance）是由Leland 和Rubinstein（1976）提出，总的思想是通过欧式看跌期权对冲风险资产投资组合所面对的市场风险。Leland 和Rubinstein（1981）对该理论进行了完善，创立了复制看跌（synthetic put）投资组合保险模型,标志着投资组合保险理论的一个研究分支—以期权为基础的组合保险理论（Option-based Portfolio Insurance—OBPI）的形成。 投资组合保险包括的具体的策略 恒定比例投资组合保险策略(Constant Proportion Portfolio Insurance，CPPI) 时间不变性投资组合保险策略(Time Invariant Portfolio Protection， TIPP) 基于期权的投资组合保险策略(Option Based Portfolio Insurance，OBPI) 经验方法买入持有（buy-and-hold） Bird & Demnis等（1988）提出的止损策略（stop-loss strategy） 3. 基于指数预测的时机选择 3. 基于指数预测的时机选择股市的可预测性问题与有效市场假说（EMH)密切相关。大多数研究结论支持中国股票市场尚未达到弱势有效，即股票价格时间序列并非序列无关，而是序列相关的，即历史数据对股票的价格形成起作用。因此，通过对历史信息的分析预测价格。 随着计算机技术、混沌、分形理论的发展，人们开始将股票的市场行为纳入非线性动力学研究范畴。众多的研究发现我国股市的指数收益中，存在经典线性相关之外的非线性相关，从而拒绝了随机游走的假设，指出股价的波动不是完全随机的，它貌似随机、杂乱，但在其复杂表面的背后，却隐藏着确定性的机制，因此存在可预测成分。 认为股价可预测，并不等于说可以100%的准确预见，而是指可以使用经济预测的方法，建立起能在一定误差要求之下的预测股价变动的预测模型。 3.1灰色预测模型 3.1灰色预测模型 我们知道自变量和因变量之间可能满足某种数学关系和满足某种特定条件，但由于历史数据不全面和不充分或某些变量尚不清楚和不确定，使预测处于一种半明半暗的状态。由此，利用灰色模型来预测股票市场价格成为目前比较可行的办法， 我们可以把股价动态变化看作一个灰色系统，主要针对受多种不确定因素影响的股票价格建立GM(l, l)模型，利用此模型可以更好的预测股票价格短期发展变化趋势。除了灰色GM(1, 1)模型外，近来发展起来的灰色预测模型还有：灰色新陈代谢模型和灰色马尔可夫模型。 3.2 神经网络预测模型 3.2 神经网络预测模型 股市的建模与预测所处理的信息量往往十分庞大，因此对算法有很严格的要求，它的非线性动力学特性也非常复杂，所以一般传统的方法对于股市的预测往往难如人意。 人工神经网络因具有广泛的适应能力、学习能力和映射能力，在多变量非线性系统的建模方面取得了惊人的成就，成为新兴的预测时间序列的方法。人工神经络模型具有巨量并行性、存储分布性、结构可变性、高度非线性、自学习性和自组织性等特点，而且可以逼近任何连续函数，目前广泛应用神经网络作为非线性函数的逼近模型。 神经网络目前在国际上已广泛应用于金融分析和预测，并取得了较好的效果。 4 . 行为金融及其指导下的投资策略 4 . 行为金融及其指导下的投资策略 西方投资管理经历了三个发展阶段，即20世纪30年代以前的投机阶段，以美国1933年《证券法》和1934年《证券交易法》为起始标志的职业化阶段，以及1952年后的科学化阶段。 金融经济学已经基本建立起了一套成熟的理论体系，所有这些经典金融理论，都是建立在一个基本的假设基础之上，即“理性人”假设。 理性人假设是传统金融经济学的理论基石，而有效市场则是在理性人假设下的符合逻辑的基本信念，如果市场不是有效率的，则各种传统经典金融理论都存在致命的缺陷。 我们可以采取针对非理性市场行为的投资策略来实现投资目标。行为金融投资策略包括反向投资策略、动量投资策略、成本平均策略和时间分散策略等。 4.1 反向投资策略与动量交易策略 4.1 反向投资策略与动量交易策略 反向投资策略(Contrarian Investment Strategy，CIS)就是买进过去表现差的股票而卖出过去表现好的股票(Buying past loser and Selling past winners)来进行套利的投资方法。其主要论据是投资者心理的锚定和过度自信特征。 行为金融理论认为，由于投资者在实际投资决策中，往往过分注重上市公司近期表现的结果，通过一种质朴策略(Naive Strategy)—也就是简单外推的方法，根据公司的近期表现对其未来进行预测，从而导致对公司近期业绩情况做出持续过度反应，形成对绩差公司股价的过分低估和对绩优公司股价的过分高估现象，这一点为投资者利用反向投资策略提供了套利的机会。它是行为金融理论发展至今最为成熟，同时也是最受关注的论点之一，主要源于人们对信息过度反应的结果。null动量交易策略(Momentum Trading Strategy)是指分析股票在过去的相对短时期的时间内(一般指一个月至一年之间)的表现，事先对股票收益和交易量设定“筛选”条件，只有当条件满足时才买入或卖出股票的投资策略。 动量策略：购买过去几个月中表现良好的股票，卖出过去几个月中表现糟糕的股票。动量交易策略能够获利，存在着许多解释：一是“收益动量”，即当股票收益的增长超过预期，或者当投资者一致预测股票未来收益的增长时，股票的收益会趋于升高。因此，动量交易策略所获得的利润是由于股票基本价值的变动带来的。 反转策略正好相反。 4.2 捕捉并集中投资策略 4.2 捕捉并集中投资策略行为金融理论指导下的投资者追求的是努力超越市场，获取超额收益.通过三种途径来实现: 获取相对于市场来说要超前的优势信息，尤其是未公开的信息。投资者可以通过对行业、产业以及政策、法规、相关事件等多种因素的分析、权衡与判断，综合各种信息来形成自己的独特信息优势; 选择利用较其他投资者更加有效的模型来处理信息。而这些模型也并非是越复杂就越好，关键是实用和有效; 利用其他投资者的认识偏差或锚定效应等心理特点来实施成本集中策略。行为金融投资者则在捕捉到市场价格被错误定价的股票后，率先集中资金进行集中投资，赢取更大的收益。 对这一策略最好的解释就是巴菲特的投资理念，集中持股，长期持有。巴菲特一向反对过度分散投资。 4.3 小盘股策略 4.3 小盘股策略20世纪70年代，芝加哥大学的两位博士R·班尼和M·瑞格曼提出了小盘股的高回报效应来挑战有效市场理论。他们的论文验证了小盘股股票收益长期优于市场平均水平。 法码(Fama)、法兰奇(French)等人1993年的研究表明，小盘股效应很可能是由小盘价值股引起。小盘股分小盘价值股和小盘成长股。当名义收益增长时，小盘股的收益倾向于超过大盘股的收益。 普拉德夫曼(Pradhuman)与伯恩斯坦(Bernstein)的研究也证实当工业产值增加时、通货膨胀加速、债券等级利差缩小、经济高涨时，投资者应转向有利的小盘股的投资。 4.4 成本平均策略 4.4 成本平均策略 成本平均策略是指在一个相对完整的股价波浪运动中，投资者将投资资金分为不同的份额，在投资期限内根据不同的价格分批投资同一股票，并且在股票价格较高时投资资金数额较少，当价格较低时投资资金数额较多，从而降低投资成本，以避免一次性投资带来的风险，实现较高的收益。 1996年菲利普斯等人对美国纽约股票市场1977~1988年的交易情况进行实证研究发现，运用成本平均策略的投资者在股票价格较高时投资资金数额较少，当价格较低时投资资金数额较多，当股指运行到高位时抛出股票，获得了非常好的收益。 4.5 时间分散化策略 4.5 时间分散化策略 时间分散化是指在一个长波投资周期中，如50年，投资者在年轻时将资产组合中的较大比例投入股市中，随着投资者年龄的增长则将股票的比例逐步减少的策略。 时间分散化策略是基于行为金融学的一个重要的结论，即时间会分散股票的风险，也就是说，股市的风险会随着投资期限的增加而有所降低。 1995年，迈哈维和普雷斯科特的实证研究发现，1926～1992年美国股票对短期政府债券的资产溢价每年平均为6.l%，也就是说，在一个长波投资周期中，股票的历史回报率远高于债券及国债的历史回报率。但在短期内，股票的价格走势常常出现非理性的上涨或下跌，具有极大的风险。投资者由于噪声和非理性的认知和行为偏差，会遭受巨大的资产损失。因此，如果不考虑代际遗产问题，年老的投资者应当在自己的资产组合中降低股票投资的比例。 4.6 设立止损点的交易策略 4.6 设立止损点的交易策略 设立止损点策略是指投资者针对证券市场投资者的“处置效应”在投资活动中设立一个合理的获利或亏损“了结点”，当股价上涨或下跌到该价位时，投资者即将持有的股票卖出的策略和方法。 每一次入市买卖时投资者都应该订下“停损点”，即当证券价格跌至某个预定的价位“立即平仓”以限制损失的进一步扩大。因此“设立止损点”策略的关键是合理确定获利了结点。 5. 程序化交易与算法交易 5. 程序化交易与算法交易程序化交易（Program Trading）起源于1975年美国出现的“股票组合转让与交易”，即专业投资经理和经纪人可以直接通过计算机与股票交易所联机，来实现股票组合的一次性买卖交易。由此，金融市场的订单实现了电脑化。 电子信息网络（Electronic Communication Networks，ECNs）在70年代迅速兴起。1978年，SEC又一纸法令，催生了ITS（Inter-market Trading System）。ITS以电子网络为基础，让证券交易下单在全美各个交易市场之间互联。NASDQ立即响应，为ITS提供与NASDQ互联的计算机辅助执行系统 (ComputerAssisted Execution System)。这样，ITS/CAES以及已经形成气候的各个ECNs，组成了全美国的电子交易网络平台。技术的发展和网络的建立，给程序化交易创造了条件。 程序化交易更多强调的是订单是如何生成的，即通过某种策略生成交易指令，以便实现某个特定的投资目标。 算法交易更多强调的是交易的执行，即如何快速、低成本、隐蔽的执行大批量的订单；欧美市场典型的交易网络连接图 欧美市场典型的交易网络连接图 5.1 程序化交易（Program Trading） 5.1 程序化交易（Program Trading） 程序化交易策略主要包括： 指数套利策略 数量化程序交易策略 动态对冲策略 配对交易策略 久期平均策略指数套利具体的业务流程 指数套利具体的业务流程 5.2 算法交易（Algorithmic Trading） 5.2 算法交易（Algorithmic Trading） 算法交易，也被称为自动交易（Automated Trading）、黑盒交易（Black-boxTrading）、无人值守交易（Robo Trading），是使用计算机来确定订单最佳的执行路径、执行时间、执行价格以及执行的数量一种交易方法。 算法交易广泛应用于对冲基金、企业年金、共同基金以及其他一些大型的机构投资者，他们使用算法交易对大额订单进行分拆，寻找最佳的路由和最有利的执行价格，以降低市场的冲击成本、提高执行效率和订单执行的隐蔽性。任何投资策略都可以使用算法交易进行订单的执行，包括做市、场内价差交易、套利、或者纯粹的投机（包括趋势跟随交易Trend Following）。 6 .绩效评估技术 6 .绩效评估技术建立基金绩效综合评价指标，全面客观地评价证券投资基金的管理绩效，既有助于基金产品设计人员评估模拟组合的风险收益特征、投资的分散化程度、资产配置的效果等，更有助于投资管理人准确把握基金本身的投资效果，及时修改投资策略、改善投资绩效。主要内容包括： 风险调整收益分析。主要包括常用指标如RAROC指标、Sharpe比率、Treynor指数、Jensen指数、M2指数、Information Ratio的指标出处、指标实现方法、指标的优缺点等； 投资管理人的投资才能分析的指标与方法。该方法主要评价证券选择能力（stock selection）、时机选择能力(market timing)和投资分散化程度（diversification）； 投资业绩持续性分析，主要包括双向表分析和自相关系数检验；第三部分介绍超额收益归因分析，包括证券选择贡献、行业选择贡献、行业内个股选择贡献等等。 绩效评估体系 绩效评估体系 6.1 风险调整收益分析 6.1 风险调整收益分析 RAROC指标 指标出处： RAROC(Risk Adjusted Return on Capital)最初为信孚银行所采用的一种业绩评估方法，全称为风险调整的资本收益率。 指标简介：该指标是一种基于VaR方法计算风险调整收益的方法，常用于业绩评价。其一般公式为： RAROC=调整后的收入/在险资本 RAROC＝组合已实现收益/绝对VaR 指标应用：投资者投资某种资产组合，冒其市值可能下跌一元的风险，看其市值最好能涨几元。对于一种投资组合而言，如果RAROC≥1，那么投资该组合是可取的；如果RAROC<1，那么投资该组合就不可取。Sharpe比率Sharpe比率 指标出处：Sharpe, William E., 1966,“Mutual Fund Performance,” Journal of Business, 指标简介：夏普指数以资本市场线（SML）作为基准基金业绩，是对基金业绩评价时最经常使用的方法。其计算公式为： 指标应用：夏普系数实际上是衡量投资组合承担单位风险（包括系统风险和非系统风险）所获得的超额收益,当然是越大越好。＝（组合平均收益率－无风险收益率）/组合收益率标准差 M2测度 M2测度指标出处：Franco Modigliani & Leah Modigliani , Winter 1997, ‘’Risk -Adjusted Performance’’. The Journal of Portfolio Management 指标简介：M2测度是对夏普比的一种改进。其计算公式是： 指标应用：该指标的目的是纠正投资者只考虑基金原始业绩的倾向，鼓励他们应同时注意基金业绩中的风险因素，从而帮助投资者挑选出能带来真正最佳业绩的的投资基金。 Treynor指数 Treynor指数 指标出处：Treynor, Jack L., 1965, “How to Rate Management of Investment Funds,” Harvard Business Review. 指标简介：特雷诺（Treynor）指数基于资本资产定价模型（CAPM），用β作为风险度量的标准，β是投资组合收益率与市场投资组合收益率的回