时间:2023-12-02 09:28:37
序论:好文章的创作是一个不断探索和完善的过程,我们为您推荐十篇量化投资基本面分析方法范例,希望它们能助您一臂之力,提升您的阅读品质,带来更深刻的阅读感受。
什么是量化投资?简单来讲,量化投资就是利用计算机科技并结合一定的数学模型去实现投资理念与投资策略的过程。与传统的投资方法不同的是:传统的方法主要有基本面分析法和技术分析法这两种,而量化投资主要依靠数据和模型来寻找投资标的和投资策略。量化投资系统则是由人设定出某种规则,在计算机当中根据规则构建这种模型,而后由计算机自己去根据市场的情况进行一些投资机会的判断。从他们投资方式的区别当中可以看出,量化投资更依赖于数据,传统投资则更依赖于人的主观判断。从这点上来说,量化投资可以有效的规避一些人为的错误判断。
二、我国量化投资体系的发展
在美国,量化投资方法的发展己经有将近年的历史,量化方法从允嫉较衷谡嫉矫拦市场30%上以上的比重。而在中国,量化投资只是刚刚起步而己。但是已经有很多基金公司允即罅Υ蛟熳约旱牧炕投资团队,期望在传统的基本面研究之外源匆黄新的投资天地。国内证券市场上成立比较早的量化投资基金主要包括:嘉实基金――嘉实量化阿尔法股票、上投摩根基金管理有限公司――上投摩根阿尔法、光大保德信基金――光大量化、富国基金管理有限公司――富国沪深增强、国泰君安资产管理公司――君享量化。近年来,一些公募基金、私募基金也都不断加快了布局量化投资基金的方法。这些量化投资基金,主要研究了基于基本面的多因子选股模型,这些投资组合因子主要包括:公司财务基本面数据,市场行情数据,行业数据等,并在实证中不断完善量化投资指标因子的选取。研究行业以及个股的价格趋势,运用道氏理论、K线理论、波浪理论、切线理论、形态理论等一些常用的技术分析方法建立不同风格的投资模型和投资组合。
三、量化投资的优点
量化投资作为一种有效的主动投资工具,是对定性投资方式的继承和发展。实践中的定性投资是指,以深入的宏观经济和市场基本面分析为核心,辅以对上市公司的实地调研、与上市公司管理层经营理念的交流,发表各类研究报告作为交流手段和决策依据。因此,定性投资基金的组合决策过程是由基金经理在综合各方面的市场信息后,依赖个人主观判断、直觉以及市场经验来优选个股,构建投资组合,以获取市场的超额收益。与定性投资相同,量化投资的基础也是对市场基本面的深度研究和详尽分析,其本质是一种定性投资思想的理性应用。但是,与定性投资中投资人仅依靠几个指标做出结论相比,量化投资中投资人更关注大量数据所体现出来的特征,特别是挖掘数据中的统计特征,以寻找经济和个股的运行路径,进而找出阿尔法盈利空间。与定性投资相比,量化投资具有以下优势:
(一)量化投资可以让理性得到充分发挥
量化投资以数学统计和建模技术代替个人主观判断和直觉,能够保持客观、理性以及一致性,克服市场心理的影响。将投资决策过程数量化能够极大地减少投资者情绪对投资决策的影响,避免在市场悲观或非理性繁荣的情况下做出不理智的投资决策,因而避免了不当的市场择时倾向。
(二)是量化投资可以实现全市场范围内的择股和高效率处理
量化投资可以利用一定数量化模型对全市场范围内的投资对象进行筛选,把握市场中每个可能的投资机会。而定性投资受人力、精力和专业水平的限制,其选股的覆盖面和正确性远远无法和量化投资相比。
(三)是量化投资更注重组合风险管理
量化投资的三步选择过程,本身就是在严格的风险控制约束条件下选择投资组合的过程,能够保证在实现期望收益的同时有效地控制风险水平。另外,由于量化投资方式比定性投资方式更少的依赖投资者的个人主观判断,就避免了由于人为误判和偏见产生的交易风险。当然,无论是定性投资还是量化投资,只要得当的应用都可以获取阿尔法超额收益,二者之间并不矛盾,相反可以互相补充。量化投资的理性投资风格恰可作为传统投资方式的补充。
四、量化投资的局限性
量化投资是一种非常高效的工具,其本身的有效性依赖于投资思想是否合理有效,因此换言之,只要投资思想是正确的,量化投资本身并不存在缺陷。但是在对量化投资的应用中,确实存在过度依赖的风险。量化投资本身是一种对基本面的分析,与定性分析相比,量化分析是一种高效、无偏的方式,但是应用的范围较为狭窄。例如,某项技术在特定行业、特定市场中的发展前景就难以用量化的方式加以表达。通常量化投资的选股范围涵盖整个市场,因此获得的行业和个股配置中很可能包含投资者不熟悉的上市公司。这时盲目的依赖量化投资的结论,依赖历史的回归结论以及一定指标的筛选,就有可能忽略不能量化的基本面,产生巨大的投资失误。因此,基金经理在投资的时候一定要注意不能单纯依赖量化投资,一定要结合对国内市场基本面的了解。
五、量化投资对中国的启示
通过研究国外市场的发展和中国市场的特点,对中国市场上的监管创新,制定相关的法律法规也势在必行。由于市场结构的差异,国内量化投资情况与国外有很大不同。技术型量化投资的应用主要是集中在期货市场,并且有较高的推崇程度;金融型量化投资的应用主要集中在股票市场,由于需要应用的时间数据周期相对较长,实际中应用并不普遍。目前,中国金融市场正处于迅速发展的阶段,很多新的金融工具在不断被引进,用量化投资方式来捕捉这种机会,也是非常合理的。与国外相比,目前国内股票市场仅属于非有效或弱有效市场,非理性投资行为依然普遍存在,将行为金融理论引入国内证券市场是非常有意义的。国内有很多实证文献讨论国内A股市场未达到半强势有效市场。
目前对中国市场特点的一般共识包括:首先,中国市场是一个个人投资者比例非常高的市场,这意味着市场情绪可能对中国市场的影响特别大。其次,中国作为一个新兴市场,各方面的信息搜集有很大难度,有些在国外成熟市场唾手可得的数据,在中国市场可能需要自主开发。这尽管加大了工作量,但也往往意味着某些指标关注的人群少,存在很大机会。其三,中国上市公司的主营比较繁杂,而且变化较快,这意味着行业层面的指标可能效率较低。而中国的量化投资实际上就是从不同的层面验证这几点,并从中赢利。例如,考虑到国内A股市场个人投资者较多的情况,我们可以通过分析市场情绪因素的来源和特征指标,构建市场泡沫度模型,并以此判断市场泡沫度,作为资产配置和市场择时的重要依据。
在中国金融市场的不断发展阶段,融资融券和股指期货的推出结束了中国金融市场不能做空的历史,量化投资策略面临着重大机遇。运用量化投资的机理和方法,将成为中国市场未来投资策略的一个重要发展趋势。量化投资在给投资者进行规避风险和套利的同时,也会带来一定的风险,对证券具有助涨助跌的作用。由于国内股票市场还不够成熟,量化投资在中国的适用性很大程度上取决于投资小组的决策能力和创造力。以经济政策对中国量化投资的影响为例。中国的股市有“政策市”之称,中国股市的变化极大的依赖于政府经济政策的调节,但是经济政策本身是无法量化的。基金建仓应早于经济政策的施行,而基于对经济政策的预期,但预期的影响比经济政策的影响更难以量化。例如,在现阶段劳动力成本不断上升、国际局势动荡、国际大宗商品价格上升的情况下,央行何时采取什么力度的加息手段,对市场有何种程度的影响,这一冲击是既重要又无法量化的。为解决这个在中国利率非市场化特点下出现的问题,需要基金投资小组采取创造性的方式,将对中国经济多年的定性经验和定量的指标体系结合起来,方能提高投资业绩。
参考文献:
国内的公募量化基金在沉寂4年之后重现江湖:2月份,嘉实量化阿尔法发行,于4月成立;5月份中海量化发行,于6月份成立。私募基金也不甘落后,中国第一只量化阳光私募产品――“山东信托•红色量化一号”证券投资集合资金信托计划6月1日正式成立。
据悉,国内一些公司正在积极申报量化产品不久将还会有量化基金发行。
作为“舶来品”的量化基金,其前世今生如何?
国外量化基金发展迅速
量化基金即以数量化投资来进行管理的基金,数量化投资区别于基本面投资,它不是通过“信息和个人判断”来管理资产,而是遵循固定规则,由计算机模型产生投资决策。量化投资并不是基本面分析的对立者,90%的模型是基于基本面因素,同时考虑技术因素。由此可见,它也不是技术分析,而是基于对市场深入理解形成的合乎逻辑的投资方法。
数量化技术发源于20世纪70年代,以1971年富国银行发行跟踪纽约证券交易所1500只股票的指数基金为标志,此后随着计算机处理能力的提高,越来越多的物理学家和数学家离开学校被华尔街雇佣,基金经理们开始依靠电脑来筛选股票。
1979年巴克菜全球投资成立了第一支主动数量投资基金标志着量化投资由草根实践走到了公募基金历史舞台聚光灯下。
根据Bloomberg的数据,截至2008年底,1184只数量化基金管理的总资产高达1848亿美元,相比1998年21只数量化基金管理的80亿美元资产来说,平均增长速度高达20%,而同期非数量化基金的年增长速度仅为8%。
2000年之后是数量化基金发展的黄金时期,无论是个数还是管理规模都有了跨越式的发展。1998年数量化基金仅136只,至2002年增长一倍多,达316只,2008年底更是达到1848只,1988年至1998年年平均增长率为46%,2000年至2008年年平均增长幅度达54%。从规模上来看,1988年至1998年年平均增长率为32%,2000年至2008年年平均增长幅度达49%。
其中的原因有二:一是,2000年之后计算机技术飞速发展,为数量化的应用提供了良好的平台。更为主要的是主动管理型基金很难战胜大盘,于是投资指数基金以及采用数量化方法筛选股票逐渐流行起来。而且数量化基金的表现也非常不错。2002年至2007年5年间,相比美国市场主动型管理基金每年5.93%的超额收益,那些覆盖所有资产的数量化基金每年的超额收益可以达到6.95%。二是,有研究表明,2004年至2007年,投资美国大盘股的数量化基金产品的表现平均超越非大盘主动型基金103个基点。
量化基金的心脏
数量化基金的兴起,建立在数量化投资技术的发展之上。
数量化基金最明显的优势之一就是计算机处理数据的能力远远胜过人脑,这使电脑在海量股票选择中占有绝对优势。例如,在嘉信证券的股票评级系统跟踪的股票超过3000只,并且每只股票都综合了基本面、估值、动量和风险因素进行打分,并按分数高低给A至F不同的评级。其次,量化基金是以定量投资为主,用纪律性较强的精细化定量模型,代替了基金经理或分析师在定性层面的主观判断,使投资业绩较少受到个人“熟悉度偏好”的影响。最后,数量化基金收取的费率及管理费用比传统的主动型基金低很多,因为他们需要的研究人员更少,成本更低。据Lipper调查,数量化基金的平均费用是1.32%,相比而言,主动型基金的管理费用平均达到1.46%。
针对不同市场设计数量化的投资管理模型,以电脑运算为主导,并在全球各种市场上进行短线交易,正是西蒙斯的成功秘诀。
然而量化基金并非在所有市场都能有效战胜非量化基金。Lipper把基金分为4类型,将每一类型的量化投资与传统投资进行比较,2005年量化投资基金全面战胜传统基金,而2006年在增强指数型基金中,量化投资落后于传统型基金,到2007年则情况发生较大转弯,除市场中立基金外,其余量化投资基金全部跑输传统型基金。在考虑了风险、跟踪误差后,数量化投资具有更小的跟踪误差和更高的回报。研究表明数量投资基金业绩具有很强的轮动特点。大部分数量投资基金具有很强的价值投资偏好,因此,他们在价值型市场下表现良好,而1998-1999年是成长型市场,数量化投资基金大部分跑输传统型基金。2001-2005年是价值型市场,数量化投资基金普遍表现优异。
国内量化基金端倪
目前,国内基金市场上有4只量化基金,光大保德信量化核心、上投摩根阿尔法、嘉实量化阿尔法、中海量化策略,其中后两只均是今年才成立,前两只分别成立于2004年8月和2005年10月。
光大保德信量化核心一方面通过光大保德信的多因素数量模型对股票的预期收益率进行估算,个股预期收益率的高低决定投资组合是否持有股票;另一方面,投资团队从风险控制角度,重点关注数据以来的信息,通过行业分析和个股分析形成对量化的补充;最后由投资组合优化器根据预先设计的风险构建组合。
上投摩根阿尔法基金的描述则是同步以“成长”与“价值”双重量化指标进行股票选择,然后研究团队将对个股进行基本面审核,结合跟踪误差的紧密监控,以求不论指数高低,市场多空皆创造主动管理回报。投研团队最终决定进入组合的股票,量化分析是辅助和基础。
嘉实量化基金“定量投资”为主,辅以“定性投资”。通过行业选择模型,捕捉具有投资吸引力的行业,然后再在所选行业中运用Alpha多因素模型筛选个股。定性的辅助作用表现在利用基本面研究成果,对模型自动选股的结果进行复核,剔除掉满足某些特殊条件的股票。
这些人,因其使用高等数学手段决定亿万计资金的投向,而在30年前赢得“火箭科学家”名声。在外人看来,他们有些像中世纪的炼金术师:给他们数据,他们还给你美元!
华尔街的数学传说
实际上,在华尔街上管理资金规模最大的量化技术,并非那么不可捉摸:众多公司使用“因子加总模型”辅助他们选择股票。
这种方法大多基于Fama-French的开创性论文,其基本思想很简单:依据各项基本面指标对于历史上超额回报的贡献程度,来决定这些基本面指标在选出“超级股票”上的“有效性”,并据此赋予这些指标不同的权重;按照上市公司指标在全部篮子股票中的排序,再使用上述步骤中获得的权重对其进行加权加总计算。如果该公司的加权之和排名靠前,则表明该公司的基本面指标符合能够带来超额回报的历史模式,从而有望在未来展现强势。
数学模式大同小异,公司之间的竞争主要集中在两个方面:第一,各公司均投入巨资,研制自己的特有指标;第二,研制更加有效、稳定的加总方式。
传统的基本面分析往往要求基金公司雇佣大量分析师,成本高昂。由于每个分析师能够跟踪的公司数目有限,基金经理不得不在较小的股票篮子中进行选择,有可能错失最好的投资机会,投资组合的分散程度也受到限制。同时,依赖基本面分析进行投资管理要求基金经理进行大量的主观判断,人性弱点(贪婪与恐惧)对投资业绩往往产生较大影响,投资业绩波动较大。使用这种方法建构的投资组合往往无法定量化控制每只个股给投资组合带来的风险。从基金公司的角度而言,这种方法对基金经理个人的依赖较大,一旦出现人员变化,基金业绩也往往随之波动。
量化选股方式将投资决策建立在对历史模式的详尽研究之上,克服了上述缺点。其在美国投资界的应用近20年来大幅提升,管理资产额的上升速度为传统方式的4倍。
回归价值投资
然而,过去数年,定量化基金遭遇了重大打击。2007年,最大的定量化机构对冲基金、高盛名下的Global Alpha遭遇了重大损失,几乎清盘。2008年,众多量化基金再遭滑铁卢。笔者在北美也曾主持研制一个包含上百个指标的量化选股系统,但在实践中,却最终放弃。
实战经历指出该类系统的一个致命弱点是,在实战中,哪一类因子何时发挥作用,是不可预测的。有些时候是价值因子占优,有时候是增长因子占优,而何时其影响力出现变化,难以事先预测。其结果就是分析师与基金经理疲于奔命地试图追赶因子影响力变化的脚步,并据此不断矫正模型。如此,基金经理不得不在使用量化系统的同时,使用个人化的随机判断对量化系统进行纠正――这弱化了它本该享有的优势并导致投资业绩大幅波动。
仔细反思,最主要的问题在于,各预测因子被无机地组织在一起,各个因子之间的互相影响却没有被考虑。也就是说,华尔街模型“从数学到数学”,缺乏对投资哲学的深入理解。
量化技术所具有的优势应该被利用,但数学手段应该被视为手段,而不是主导。一个有希望的发展方向,是将量化技术与价值投资哲学相结合,实现“从哲学到数学”式的投资理念。为此,需要在投资哲学上,梳理价值投资理念的本质。
价值投资在国内市场有众多拥护者,也不乏怀疑者。实际上,国内普通投资者对价值投资的理解有值得深化之处。笔者以为,价值投资的本质有二:
第一,价值投资告诉投资者,市场会犯错。以“5毛钱买进1元钱价值”作为号召,价值投资拒绝接受“有效市场理论”。但事实上,在大多数时候市场是有效的。大多数股票的价格正确反映了所有的信息、知识与预期,当时的价格就是上市公司的内在价值。要获得超额回报,必须去寻找市场可能呈现的“异常”,或者说在何处投资者的平均预期可能落空。价值投资就是寻找“未来”与“预期”之间的歧异。量化系统的设计目标是,要有能力淘汰那95%的普通(有效)情况,而把注意力引导剩余的5%――在那里,“未来”与“预期”有最大的机会出现歧异。
第二,价值投资的另一面,是说任何人都会犯错。当我们集中注意力去寻找“超级股票”的时候,是在下一个极大的赌注。这个赌注是高风险的。所以,请记住索罗斯的告诫:“投资者重要的不是做对还是做错,而是在做对的时候赚多少,做错的时候亏多少。”为对冲第一个赌注的风险,需要寻找最大的安全边际――当我们犯错的时,安全边际将保护我们不致尸骨无存。
安全边际是指,市场涨跌的轮回已经测试过所有情景。该公司在完整的牛熊市周期中,由千千万万投资者的真金实银所测试出来的估值空间。因此,安全边际的定义并非相对市场平均水平更低的PE值这么简单。每家公司都不同于别的公司,将不同公司的估值水平相比较,更多时候带来误导而不是洞察力。应该将公司目前估值水平与该公司调整后的历史范围相比较,并决定“安全边际”存在与否。
在实践中,要寻找在未来可能提供业绩惊喜、而仍在其估值范围下限附近交易的公司。依据此思想,数量化技术可以对所有上市公司的投资机会予以量化评估,进而实现“从哲学到数学”的投资思路。
对中国股市独特性的夸大导致某些论者以为,在中国股市,唯有投机可以赢得超额利润。这其实是伪命题。事实上,正是由于中国股市效率较低且风险奇高,一个系统化评估市场错配与风险衡量的系统,可以发挥最大效率。一切都取决于对市场运行规律的深入把握与技术优势的结合。在实践中,我们开发的量化价值投资体系取得了稳定超越指数的优良业绩。这有力地证明,中国股市的特殊性并没有遮盖其作为投资市场的普遍性。
不过,虽然国内量化基金业绩不俗,这两年来规模也有显著提升,但是与国外市场量化基金在共同基金总资产中占比16%相比,国内量化基金还有非常大的发展空间。而伴随着中国市场有效性的逐步增强,量化基金未来的业绩也有很大想象空间。
此前国内量化基金产品数量多达12只,但是大多以大中盘股票作为投资标的,而申万菱信量化小盘基金则是一只专注于小盘股投资的量化策略基金。将投资目光锁定小盘股,主要是看中小盘股长期优秀的业绩以及高成长性。1996年到2001年的A股长牛市中,小盘股大幅超越市场;2009年之前,小盘股整体走势与大中盘股接近;从2009年中开始,小盘股走势大幅超越大盘股;到了2010年,虽然A股市场整体表现不佳,但许多小盘股涨幅却仍然翻番。
主板基本面展望:上半年稳健
虽然2013年全年,自上而下的市场分析方法面临了严峻的考验,如2012年四季度经济回升力度超出市场普遍预期,经济拐点提前到来,但在市场一片乐观呼声中却仅持续了一个季度,2013年上半年经济迅速转弱。下半年,在经历了6月资金面“压力测试”后,诸多宏观经济预判都对此后的经济走势极为悲观,但实际情况却再次偏离市场一致预期,7.8%的三季度GDP相对于二季度大幅回升0.3个百分点。
我们的宏观经济量化预测结果显示,2013年四季度GDP在7.6%附近,且2014年一季度也保持同样增速水平。虽然2013年市场风格差异极大,代表传统经济的主板指数在“三中全会经济结构调整”、“利率市场化改革”、“地方债务平台整治”、“美国逐渐退出国债购买计划”、“环境保护和大气治理”等负面信息的压制下表现欠佳,但至少到2014年一季度经济没有大幅下行风险。
定性分析下,我们也认为目前处在政策敏感期,在三中全会《决议》对各改革方向提出指导性意见后,具体细则落实情况成为影响未来一年政策整体松紧的关键因素,例如市场比较关心的“优先股推进时点及方式”、“自贸区资本项放开程度和时点”、“注册制IPO的推进和方式”、“房产税收制度的推进和落实”、“利率市场化后银行的业务范围变化”、“资产证券化和地方融资债务的处置”等问题,其中每一个都有可能在公布和落实中成为市场进一步走强的重要催化剂。
作为量化研究,我们希望在细分数据上得到更多的逻辑验证。图中罗列了我们较为关心的中国经济四大周期行业数据,分别是电力、钢铁、水泥、煤炭。在投资导向型经济体中,上述指标走势基本能够反映经济整体走向,图中框选部分为2013年2-6月,可清晰看出一段显著下行趋势,这也是众多宏观经济分析的错判区间,在库存周期波动干扰下,始于2012年末的经济反弹提前终结!但从量化维度上,我们却早在3月上旬便敏锐发现了其中的变化,这得益于众多周期行业模型的跟踪结果。
基于我们量化基本面预测体系的最新数据,各行业产量增速走向存在一定差异。如发电量增速未来3个月内将小幅下行,预计高点在10-11月形成;钢铁行业未来三个月基本面走势或也将趋于谨慎,预计产量增速也将出现下行;水泥行业谨慎乐观,预计原有产量、价格增速的上行趋势仍将延续,但提升幅度有限;煤炭行业相对乐观,预计2013年6月后的基本面回暖趋势有望至少延续至2014年一季度,包括产量和价格的同比增速继续改善。
综合以上四行业走向,两降两升的预判若完全兑现,基本预示着宏观经济整体的平稳过渡。考虑到当前市场估值中蕴含了对中国经济最悲观的预期,因此我们判断2014年上半年市场整体将延续估值修复特征,整体重心继续上移,对应上证综指参考波动区间为2100-2500点。
创业板基本面展望:或现短期指数调险
我们过去的研究结果表明,沪深300、中小板、创业板等市场板块的业绩同价格指数走势存在显著的对应关系,两者高低点之间领先滞后关系稳定。
上述研究的重要意义在于,其反映出市场对于业绩的高度敏感性,也进一步明确了基本面研究和预测工作的重要性。尤其是创业板上的业绩与股价对应关系也没有出现例外,这说明在故事和题材之外,在进行3个月以内的中短期投资中,业绩波动仍旧是必须关注的重点因素之一。从创业板业绩与股价对应关系可以看出,2011年一季度、2012年四季度两次出现业绩、股价下滑的双重拐点,2013年全年创业板则基本呈现两个序列同步提升状态,我们需要关心的是下一个拐点出现的位置。
业绩预测模型给出了令人担忧的结果,虽然2013年四季度仍能看到业绩的进一步提升,但2014年一季度将有可能看到较为显著的增速下降情况即“业绩低于预期”。
考虑到2013年四季度和2014年一季度的业绩预测结果以及当前1200点以上的指数点位,我们对2014年上半年的创业板行情从6月中报时的乐观转为谨慎,预计创业板综指波动中枢将下降到1100点附近,参考波动区间1000-1300点,超预期上行风险可能在2014年5-6月之后。
中长期角度下,我们对改革红利释放对于国内中小企业的正面影响也充满信心,但中短期市场则难免受到消息和业绩披露的影响,2014年一季度可能出现的业绩减速将大概率上对指数产生负面影响,届时市场的预期也将逐渐回复到一个更理性的水平上。
量化情绪面维度下的中短期市场状态分析
量化资产配置情绪面,主板折溢价创历史低位,否极泰来。虽然市场2013年7月便开始触底回升,但我们监控的主板折溢价指数依旧处于历史最低水平,反映市场情绪极度谨慎,预计2014年的情绪修复将带来估值提升;持续跟踪的市场“恐慌贪婪”指标目前指向大众投资者的“羊群效应”短期内还不足以独立引导市场走势,建议更多关注市场基本面和政策面变化影响;最后,目前机构对创业板的相对持仓水平已从上半年的单边增持转变为高位震荡,预示创业板/主板轮动关系已进入平稳期,需警惕未来业绩不达预期风险下的机构减持可能对板块带来的负面冲击。
近几年,国内基金公司都在积极推出量化投资产品。但市场人士认为,目前国内的常见“量化”基金,实质上大多是“量化选股”基金,从量化的风险控制到量化的交易,整个决策流程依然靠传统的方法。
国内著名投行宏观策略研究员的工作积累,华尔街量化投资的历练,使华商大盘量化拟任基金经理费鹏对量化投资的A股应用有着自己的心得。他认为,量化投资最大的优势在风险控制上。与传统的价值投资“越跌越买”的理念不同,他认为量化投资应该是主动对市场风险进行判断,通过技术分析、量化模型分析等判定风险,在确定风险之后,及时对仓位进行控制,及时止损。
费鹏认为,目前市场上的量化产品将研究的重点放在择股和行业配置上,缺乏有效及时的风险响应体系,而从国外的经验看,量化的一大特点就是对风险的预判。因此,华商基金量化投资团队在吸收国内外先进经验的同时,在模型设计之初,便将核心定为风险控制。
在设计中,华商基金量化投资团队借助了包括从统计信息学角度出发的信息熵值(Entropy)的变化、从分形理论出发的市场模式(P atter n)的变化、从金融物理学角度出发的金融泡沫统计指标的变化、从市场微观结构出发的分析师一致预期分歧的变化和趋势等,构建风险模型,对中短期系统风险进行定量分析,依靠基金经理和研究员对宏观经济发展状况、人口与社会的结构性特征、经济产业周期等因素的分析,对长期风险进行定性分析。
量化投资坚持追求绝对收益
提及量化投资,人们就会想到西蒙斯用公式打败市场的经典案例。但这一投资工具在被引入国内投资市场之后,并没有展现其神奇的威力。根据wi n d数据分类显示,目前市场上有19只量化基金,2 012年可统计的15只量化基金平均收益率仅为2 . 5 5%(同期沪指上涨3 .17%),国内发行的量化基金的表现不尽如人意。
在费鹏看来,国内的量化基金仅仅是“量化选股”,追求相对收益。他认为,量化投资的核心应该是风控,坚持追求的则应该是绝对收益。
相比而言,目前国内公募量化基金多采用多因子模型,而多因子模型的设计原理是把价值投资理论通过数字模型加以表达。在实际测算中,华商基金量化团队每日涨幅居前的股票中,会有所谓投资价值较少的“垃圾股”,很难通过价值投资理论解释。
他分析目前市场上的量化产品将研究的重点放在择股和行业配置上,实质上大多是“量化选股”基金,缺乏有效及时的风险响应体系,而从国外的经验看量化的一大特点就是对风险的预判。费鹏介绍,华商基金量化投资团队在设计该基金投资模型时就将风险量化模型作为重中之重。在设计中他们借助了包括统计信息学角度出发的信息熵值(Entropy)的变化、分形理论出发的市场模式(Pattern)的变化、金融物理学角度出发的金融泡沫统计指标的变化、市场微观结构出发的分析师一致预期分歧的变化和趋势等构建风险模型,对中短期系统风险进行定量分析。依靠基金经理和研究员对宏观经济发展状况、人口与社会的结构性特征、经济产业周期等因素的分析对长期风险进行定性分析。
在产品结构设计上,华商大盘量化基金独具特色,其一,仓位比较灵活,股票投资比例可为0—95%,也就是说当市场趋势性下跌时,可以空仓应对;其二,产品结构多样性,虽然目前公募基金已开展了股指期货,但基本上作为流动性管理的手段,而该基金将把股指期货作为一个有效的风控或者对冲工具应用到投资中;其三,在投资标的上,华商大盘量化主要选择流动性好的沪深300成分股,以保证在极端情况下可以及时调仓;其四,经过测算,在目前A股市场中利于量化操作规模在10亿左右,因此一旦华商大盘量化基金募集额达到10亿时便会停止。
而据记者了解,华商大盘量化基金在择股方面也有别于一些量化类基金。相较而言,目前国内公募量化基金多采用多因子模型,而多因子模型的设计原理是把价值投资理论通过数字模型加以表达。而在实际测算中,华商基金量化团队每日涨幅居前的股票中会有所谓投资价值较少的“垃圾股”,很难通过价值投资理论解释。对此华商大盘量化基金在设计选股模型时更多的是通过捕捉市场的异常波动,寻找股价波动的非基本面的因素。通过对数据挖掘,建立初选股票池,然后按照行业分类,结合基本面研究,通过行业研究员调研,寻找相互印证支持依据,最终进行择时投资。
从目前市场趋势看,越来越多的基金公司倾向于推出量化策略。相对于海外成熟市场,A股市场不是特别有效的市场,量化投资策略可以发挥其纪律性、系统性、及时性、准确性、分散化的有点而捕获国内市场的各种投资机会。同时A股市场的深度和广度都与前几年不可同日而语,市场上有两千多家上市公司,基金经理加研究员再加卖方,能把握和持续跟踪的公司也不过几百家。量化投资多层次,多角度,海量数据观察,可以捕捉更多的投资机会,拓展更大的投资空间。
巧理压岁钱
ETF联接基金生财有道
新春又至,在成人感叹春节成“春劫”时,孩子们的压岁钱水涨船高,越来越多的小朋友在春节长假后晋升为“小财神”。这笔贺岁红包若巧妙打理,则有望成为个人的梦想基金。在理财人士看来,作为儿童成长的见证,让压岁钱生钱也需要寻觅具有成长基因的理财产品。
摘要:随着沪港通的正式实施,中国股市交易量不断创历史新高.同时在世界石油价格持续降低的情况下,投资策略显得十分重要.本文重点分析策略指数投资在股市投资中的运用.
关键词 :投资组合;股市;策略指数投资
中图分类号:F830.59文献标识码:A文章编号:1673-260X(2015)05-0068-03
1 策略指数投资介绍
2014年末随着股市行情的走强,指数化产品迅速摆脱前几年净赎回的颓势,呈现爆发式快速增长.伴随着规模的迅速扩张,结构上也出现了一些变化.其中策略指数产品尤其引人关注.广发中证百发100指数基金在开放募集后2天即超过20亿元,显示市场对特定方式策略指数投资的热情追捧.策略指数投资,在国外又称为Smart Beta,即“聪明”的Beta,是相对于“传统”的Beta策略而存在的一种投资理念.传统认知上的Beta是指一种全市场投资组合的系统性风险,在CAPM中以全市场所有股票的市值加权方式计算(market capitalization weighted).比如标普500指数、日经指数、以及在国内最具代表性的沪深300指数.通过简单的推演,就可以论证市值加权并非是最优的方法.市场对股票的定价并非完全有效,那么市值加权的方式倾向于给高估的股票以更高的权重,而低估的股票以更低的权重,显然这种方式并非是最优的.在这一点上,Hsu(2006)已经给出严格的论证.事实上,市值加权更加注重的是投资机会的市场容量(capacity),因此该类指数更多地被用作投资的业绩基准.那么,如果将投资组合更换成一种非市值加权的方式,其得到的beta就是smart beta,相关的投资策略就称为策略指数投资.这种smart beta指数中的股票权重往往是通过特定的量化算法获得,看起来投资效果会比传统的市值加权beta更加实用,相关的投资策略也往往会选择市值加权指数作为投资业绩的基准.
常见的Smart Beta策略包括价值策略、低波动策略、分散化策略、动量策略等.其中价值策略是以一些股票的价值指标为加权方式,目标是选择一些基本面满足特定属性的股票构成组合.比如基于财务基本面评分的基本面加权,或基于分红率的红利加权等.低波动策略的目标是构建一个最低或较低波动率的投资组合,通常包括最小方差目标加权、波动率倒数加权等方法.分散化策略的目的是提高组合中股票的分散度,应用最广的是等权重策略.动量策略在国外也是一种常见的策略,因为国外市场上验证发现动量因子非常有效,因此会选择以动量因子来作为股票选择和加权的方式,见表1.
据统计,美国近三年新发行的Smart Beta策略投资产品规模约在600亿美元,大致与市值加权的指数产品规模相当,策略也主要以红利、等权重、基本面、低波动为主.而国内近年来策略指数投资产品发展也非常迅速.中证指数公司针对主要的Smart Beta策略进行了验证,证明Smart Beta策略确实能大概率上击败以市值加权的沪深300指数.其中表现最好的是低波动相关策略,包括300最小方差、300低贝塔、300低波动.
2 资产配置下的策略指数投资
根据经典的CAPM模型我们知道,股票资产的收益率取决于其承担的市场风险大小Beta,而无法被解释的部分则为Alpha.但随后的诸多研究发现,各种股票之间的Alpha具有异常的高相关性特征,或许存在市场因子以外的其他因素在影响股票资产的收益率.随后发展的Fama-French三因素模型提出在市场因子以外,价值因子和规模因子也是非常显著的.后来又将动量因子补充进来,从而形成四因素模型.
自此,风格因子投资的概念逐渐被学术界与投资界所广泛接受.事实上,自从1970年代以来,国外就开始萌生基于这种理念的主动投资管理.投资业界在三因素模型基础上开发了非常有效的线性因子投资模型,如Barra公司将国家地域因子、宏观因子、概念风险因子等逐步纳入到其风险评估模型中.随后,学术界又逐步发现了更多有效的风险和策略因子,如低波动率、低流动性、基本面因子等.人们也逐渐发现,原来投资界以往的诸多策略产品实际上并非是提供了有效的Alpha,而只不过是将各种风格因子的beta巧妙包装成投资能力的Alpha来推销给投资者.
在这样的视角上,资产配置投资就自然而然地成为投资方法的主流.我们对资产的看法不再是其表面上所呈现出来的风险与收益特征,而是其特定或持续暴露的风险因子敞口,比如价值因子敞口、规模因子敞口等.如果投资者能够设定自己的风险预算,明确其将在各种风险因子上的敞口,就可以从市场上选择合适的股票、策略指数产品,经过合理的搭配而形成组合.这样的投资组合在风险上是可控的,从而将投资引入了一个新的配置时代.
因此,基于特定量化策略的Smart Beta策略指数投资开始风靡.这些指数投资产品不仅能够提供超越传统Beta的收益表现,更重要的是它们满足了投资者的资产配置需求.这些产品的透明性好、费用低廉,并且突出地暴露到某一个特定的风险因子上.比如在红利策略中,通常会选择那些分红率最高的股票进入组合,并给予高分红股票更高的权重,这样就使得组合在价值因子上产生了显著的风险敞口.在等权策略中,全部入选组合的股票无论市值大小都给予相同权重,从而导致小盘股获得比市值加权指数更高的权重,导致组合在规模因子上产生显著的风险敞口.波动率倒数加权策略则会给予波动率较低的股票更高的权重,从而整体上降低组合的波动性风险,因此也在波动率因子上产生显著的敞口.投资者在把握这些策略指数产品的风险特征后,就能够方便地构建自己的组合配置,反过来也促进了策略指数投资的快速兴起.
然而,Smart Beta策略指数产品也并非完全的“聪明”.在某一段时间内,也许特定的策略指数能战胜市值加权组合,使得它看起来非常“聪明”,但在另一段时间内该策略指数可能会落后市值加权组合,使得它看起来也不是那么“聪明”.这是因为策略指数产品通常会有严重的风险因子敞口,因此其业绩也随着风险因子的表现而起伏不定.可能有一些因子长期来看存在明显的超额收益,导致这些策略看起来非常具有吸引力.
针对几个主要的风险因子,测算了2006-2014年间的表现.表3中我们发现小盘因子是中国A股市场上长期表现最好的,但其波动率也比较大.价值因子、反转因子、基本面因子的长期表现也非常好.然而,表4测算了这些因子表现的相关性,发现各种因子之间的相关性非常低.并且单一因子的信息比率都无法达到2以上,这就表明单纯使用一个因子,即使是表现最好的小盘因子也依然无法达到满意的投资效果.
因此,风格偏向非常明显的策略指数投资产品也即往往会随着市场风格的切换而发生特别明显的波动.但是,如果投资者能够设定自己的风险预算约束,就能够合理地选择多个策略指数投资产品来构造自己的组合基金.组合基金利用不同产品风险敞口的低相关性来降低组合的波动风险.
3 组合基金投资
组合基金是能充分利用策略指数投资产品的优势,同时又充分控制和分散风险的一种很好的方法.目前国内兴起的量化投资基金很多策略就是试图去搭配不同的风险因子,希望在控制一定的风险暴露基础上,追求更高的收益.然而我们发现,这些策略大多数仍然是存在明显的风险暴露.
我们选择2014年表现最好的三只公募基金:华泰柏瑞量化指数、大摩多因子、长信量化先锋.可以发现,虽然这三只基金在2014年、2013年表现较好,但在2011年、2012年里普遍较弱.其主要原因是这些基金普遍在小盘因子上有很强的暴露,2013-2014年里小盘因子表现很强,但2011-2012年里价值因子表现更好.表6拆解了三只基金的全部持仓的自由流通市值分布,不难看出大摩多因子与长信量化先锋在小盘股上偏向非常明显,而华泰柏瑞量化指数向小盘的偏离较小.
我们选择其中业绩记录较长的大摩多因子、长信量化先锋,另外搭配两只偏向价值的策略指数基金:华宝兴业上证180价值ETF、银河沪深300价值.以等权重在四个产品之间搭配,构造一个混合的组合基金投资产品(FOF).
经过计算,不难看出两个偏向价值的基金产品在2011和2012年明显好于两只偏向小盘的量化产品,但在2013年和2014年里表现弱于量化产品.经过等权构造后,FOF组合在2011-2014年间均能取得正的超额收益,更重要的是其信息比率提升到了2.20,远远高于四只产品各自的信息比率,这说明经过搭配后,资产组合的收益风险表现得到了明显的提升.
4 结论
策略指数投资的Smart Beta正逐渐成为市场上非常重要的一类产品,因其风格特征显著,在特定的市场环境下提供“聪明”的Beta收益而逐渐受到投资者的热捧.然而,单一投资策略指数产品并不能提供稳健的收益,可以考虑在资产配置的目标下合理搭配策略指数投资产品,获取更加稳健的收益.
参考文献:
〔1〕郑鸣,李思哲.我国基金风格投资的积极风险补偿研究[J].厦门大学学报(哲学社会科学版),2010(02).
(一)资产定价与收益的预测
根据组合优化理论,投资者将持有无风险组合与市场风险资产组合,获得无风险利率与市场风险溢价。资本资产定价模型则将此应用到单一证券或组合,认为证券的风险溢价等于无风险利率加上与风险贡献比率一致的风险溢价,超过的部分就是超额收益,即投资组合管理所追求的阿尔法值[4]。追求显著正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中,法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说,在因素定价方面,量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择,证券投资学认为,对资产价格的影响,长期应主要关注基本面因素,而短期应主要关注市场的交易行为,即采用技术分析。在量化投资中,主要强调按照事先设定的规则进行投资,这在一定程度上与技术分析类似。但是,在技术分析中,不同的人会有不同的结论,而量化投资则强调投资的规则化和固定化,不会因人的差异而有较大的不同。另外,量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。
(二)无套利条件与交易成本
在证券投资学里,流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券,投资者可以自由买卖证券。这主要是为了保证各种交易都能实现,如套利交易。根据套利定价理论,一旦市场出现无风险的套利机会,理性投资者会立即进行套利交易,当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中,对市场中套利限制与非流动性的关注较少,这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下,金融资产交易的过程及其结果,旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中,不同的市场微观结构对市场流动性的冲击是不同的。因而,从量化投资的角度看,为了降低交易带来的价格冲击,能实施量化投资策略的证券往往都应有较好的流动性,因为交易时非流动性直接影响投资策略的实施。从这个意义上讲,量化投资时的交易成本不仅包括交易费用,更主要的是要考虑市场交易冲击的流动性成本。
(三)风险控制与市场情绪
在证券市场中,高收益与高风险相匹配。量化投资在追求高收益的同时,不可避免地承担了一定的风险。在证券投资学中,系统性风险主要源于宏观经济因素,非系统性因素则主要源于行业、公司因素,并且不考虑市场交易行为的影响。在量化投资中,较多地使用因素定价模型,不仅会考虑市场经济因素,而且会考虑交易行为等因素,只是不同的模型有不同的侧重点,在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外,量化投资还有自身不可忽视的风险源。一方面,量化交易中,部分交易是采用保证交易的期货、期权等衍生品交易,这种杠杆交易具有放大作用,隐藏着巨大的风险。另一方面,市场冲击的流动性成本也是量化投资的风险控制因素,理所当然地在图1的风险控制模型中体现出来。另外,在一般的投资过程中,市场情绪或多或少会成为风险控制的一个对象。然而,在量化投资中,更多的交易都是通过计算机来实现的,如程序交易等,这样以来,投资者情绪等因素对投资决策的影响相对较小。所以,在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪,主要是通过承担适度的风险来获得超额回报,因为毕竟减少风险也减少了超额回报。
(四)执行高频交易与算法交易
在对未来收益、风险和成本的综合权衡下,实现投资策略成为量化投资的重要执行步骤。为了达到投资目标,量化投资不断追求更快的速度来执行投资策略,这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里,技术分析认为股价趋势有长期、中期和短期趋势,其中,长期和中期趋势有参考作用,短期趋势的意义不大。然而,随着计算机信息科技的创新,量化投资策略之间的竞争越来越大,谁能运作更快的量化模型,谁就能最先找到并利用市场错误定价的瞬间,从而赚取高额利润。于是,就诞生了高频交易:利用计算机系统处理数据和进行量化分析,快速做出交易决策,并且隔夜持仓。高频交易的基本特点有:处理分笔交易数据、高资金周转率、日内开平仓和算法交易。[5]高频交易有4类流行的策略:自动提供流动性、市场微观结构交易、事件交易和偏差套利。成功实施高频交易同时需要两种算法:产生高频交易信号的算法和优化交易执行过程的算法。为了优化交易执行,目前“算法交易”比较流行。算法交易优化买卖指令的执行方式,决定在给定市场环境下如何处理交易指令:是主动的执行还是被动的执行,是一次易还是分割成小的交易单。算法交易一般不涉及投资组合的资产配置和证券选择问题。
二、对量化投资在证券投资教学中应用的思考
从上述分析可以知道,量化投资的“黑箱”构造与证券投资学之间存在一定的差异,因此,在证券投资的教学中应当考虑量化投资发展的要求。
(一)市场微观结构与流动性冲击
在理性预期和市场有效假说下,市场价格会在相关信息披露后立即调整,在信息披露前后市场有着截然不同的表现。在证券投资学里,一般认为价格的调整是及时准确的,然而,现实的世界里,价格调整需要一个过程。在不同的频率下,这种价格形成过程的作用是不同的。在长期的投资中,短期的价格调整是瞬间的,影响不大。然而,在高频交易中,这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型:存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响,解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程,认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型,这些市场微观结构的研究加强了流动性与资产价格之间的联系,强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容,因而,为了加强证券投资学的实用性,应关注市场微观结构的内容与发展。
(二)业绩评价与高杠杆
对于证券组合而言,不仅要分析其超额收益和成本,还要考虑其风险与业绩。在组合业绩评价中,一方面要考虑风险的衡量,另一方面则要分析业绩的来源。在证券投资学中,组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言,市场时机和管理者的能力依然重要,然而,量化投资的业绩评价还应考虑另一个因素:高杠杆。量化交易中,部分交易是采用保证交易的期货、期权等衍生品交易,这种杠杆交易具有放大作用,在市场好的时候扩大收益,但在市场不好的时候会加速亏损,这些与传统的业绩评价就不太一样。在一般的证券投资学里,业绩评价主要考虑经风险调整的收益,很少考虑其杠杆的作用,这不仅忽略了杠杆的贡献,而且有可能夸大了投资者的技能水平。
(三)人为因素与模型风险
在量化投资中,非常注重计算机对数据和模型的分析,这突出了量化投资的规则性和固定性。然而,实际中,别看量化采用了各种数学、统计模型,但策略设计、策略检测和策略更新等过程都离不开人的决策。量化交易策略与判断型交易策略的主要差别在于策略如何生成以及如何实施。量化投资运用模型对策略进行了细致研究,并借助计算机实施策略,能够消除很多认为的随意性。但是,量化策略毕竟体现投资者的交易理念,这一部分依赖于投资者的经验,一部分依赖于投资者对市场的不断观察与更新。实际上,人始终处于交易之中,对于市场拐点以及趋势反转的判断主要还是依赖投资者的经验。光大的乌龙指事件充分表明了人为因素在量化投资中的两面性:决策实施依赖于人的设定,而人的设定不仅依赖于经验,而且人还会犯错。人之所以会犯错,一方面是因为人们对市场的认知是不完全的,另一方面则是人们使用了错误的模型。经典的证券投资理论中,股票价格的变动被认为是随机的,小概率事件出现的机会比较小,但是经验研究表明股票收益率具有肥尾现象,小概率事件发生的机会超出了人们原先的认识,即市场还会出现“黑天鹅”。更为关键的是,量化投资更依赖数学和统计模型,这就使得量化投资存在较大的模型风险,即使用了错误的模型。为了防范模型风险,应采用更为稳健的模型,即模型的参数和函数应该适应多种市场环境。近年来,研究表明,证券收益及其与风险因素的关系存在较大的非线性,同时,市场中存在一定的“噪声”,采用隐马尔科夫链等随机过程和机器学习等数据挖掘技术进行信息处理成为量化投资的重要技术支持。
2007年7月17日国内首只创新型封闭式分级基金面世,目前市场上共有7只分级基金,包括3只封闭式、3只指数及2010年3月发行的1只主动开放式,其中3只封闭式基金的近期收益见附表。纵观这7只基金,既有封闭式基金也有开放式基金,设计方式类似,都有满足相对保守投资者设计的低风险份额和相对激进投资者设计的高风险份额。另外,又有一条主线将它们区分开来,即收益分配方式。从国内分级产品的特色来看,其核心主要是针对基金份额进行收益风险的重新设计,将基金份额分成具有明显风险收益属性的不同级别,从而满足不同投资者的需求,单从设计层面上讲具有一箭双雕之功用。目前分级基金正如火如荼,某种程度上也说明适应了市场的投资需求。
某种程度上,杠杆效应可能是吸引投资者关注分级基金的一大因素。简单来讲,杠杆效应相当于高风险份额向低风险份额借入资金,将两份额资产混合起来投资,以期获得超额收益,同时允诺低风险份额某一基准收益率。需要警惕的是,高风险份额在放大了投资收益的同时也提高了风险。最后的结果是高风险份额可能获得超额收益,也可能损失翻倍。简单来说,高风险份额向低风险份额借入资金的成本为2%,如果基金的收益率为5%,高风险份额相当于获得了额外的3%的收益,相反如果基金的收益率为-1%,高风险份额除了要承受基金的损失还需要支付2%的融资成本。
在关注分级基金特色的同时,也应关注基金的投资目标和策略等。分级基金首先是基金,其次才是其创新性。分级基金的杠杆效应是在基金收益的基础上面做设计,少了基金本身获取收益的能力,分级基金的杠杆效应也如空中楼阁,有时会起到相反的效果。
量化基金:挑战传统的基本面分析
量化基金,简单理解就是依据数量化的技术进行资产管理,有别于传统的基本面分析,主要运用数学理论和复杂的统计手段构建投资策略。自1971年富国银行发行跟踪纽约证券交易所1500只股票的指基以来,数量化技术便逐渐被人们认识,量化基金应运而生。海外量化基金的优异表现曾经一度引起了许多人的关注,这种设计思路也逐步被引入国内基金产品设计中。
量化基金有别于普通基金的运作模式,普通基金依靠基金经理做决策该买卖哪些股票,在什么时候交易,量化基金最明显的优势在于计算机模型的处理效率远高于人脑,在海量股票选择中占有绝对优势。量化基金的研究成本比主动管理型基金要低得多,成千上万只股票如果单靠分析师去研究并挑选,研究成本会很高。而量化基金主要依靠计算机模型来做决策,相对而言,研究成本会降低。多数量化基金的模型会按照基准指数的投资组合去挑选具体的行业和股票。这个流程会降低主动管理型基金经理凭主观推断和情绪化去选择某一行业或者某只股票的风险,这也是其优势之一。
由于量化基金的这些优势以及业绩上的优异表现,此类产品在国外一度被很多投资者所津津乐道。据一份研究资料表明,1981~2000年,使用量化技术的增强型指数基金普遍战胜了业绩基准。然而近年来海外量化基金失效及黑箱子现象使所有人开始重新审视量化基金的有效性和未来(失效主要是指2007年8月以来量化基金的业绩相比非量化基金普遍表现不佳;黑箱子是对某些量化基金操作方式的一种形象地描述,量化基金的模型和投资方法并不是公开的,基金经理就好像在一个黑箱子里面进行操作一样)。模型结构的相似性将直接影响模型的有效性及流动性。模型最主要的功能是通过有效识别因素寻找被低估的股票。发展之初,可能证券间的相关性不是很强,模型对识别错误定价的证券是有效的,但随着市场的发展,相关程度也不断增加,有效性可能会减弱。从模型的具体操作来看,量化模型主要是根据历史数据来构建,它吸收新信息的能力比较缓慢和迟钝。一旦外部环境发生变化或发生某些重大事件,如基本面上的变化等,其有效性可能就会受影响。
指数型QDII:另辟蹊径的QDII