根据国内一些公开的量化对冲类公募基金产品的历史业绩表现来看，该策略在国内A股市场的有效性已经得到了极大的实操验证。另一方面，随着股市扩容持续保持在较高节奏，中国经济也步入降速转型的长周期，未来市场个股因基本面等因素的持续大幅分化，也将是大概率事件。在此背景下，专业的量化对冲投资人，显然很有必要对该策略进行深入了解，并可将该策略模型的思路，借鉴运用到其他类型的量化投资中。

阿尔法对冲策略的定义

投资者在市场交易中面临着系统性风险（即贝塔或Beta、β风险）和非系统性风险（即阿尔法或Alpha、α风险），通过对系统性风险进行度量并将其分离，从而获取超额绝对收益（即阿尔法收益）的策略组合，即为阿尔法策略。

从广义上讲，获取阿尔法收益的投资策略有很多种，其中既包括传统的基本面分析选股策略、估值策略、固定收益策略等等；也包括利用衍生工具对冲掉贝塔风险、获取阿尔法收益的可转移阿尔法策略，这种策略就被称为阿尔法对冲策略。

根据金融学的相关理论研究，假设市场完全有效，那么根据CAPM模型（资本资产定价模型），可以得到公式：

该公式中，Rs表示股票收益，Rm表示市场收益，Rf表示无风险收益率，βs表示股票相比于市场的波动程度，用以衡量股票的系统性风险。

而在实际资产管理的实践中，市场并非完全有效，个股仍存在alpha（超额收益）。美国经济学家简森（Jensen）在1968年，系统地提出如何根据CAPM模型所决定的期望收益作为基准收益率评价共同基金业绩的方法。根据Jensen's alpha的定义：

除掉被市场解释的部分，超越市场基准的收益即为个股alpha。

简单来说，资产组合的投资收益=alpha收益+beta收益+其他收益。alpha收益指绝对收益，一般是资产管理人通过证券选择和时机选择获得的。beta收益指相对收益，是管理人通过承担系统风险获得的收益。而相当比例的股票量化对冲基金，则就通过阿尔法对冲策略来构建策略模型，追求绝对回报、寻求alpha收益。

阿尔法中性策略模型如何构建

作为量化对冲基金产品在资产管理中采用的一种典型“中性策略”，阿尔法对冲策略在海外市场的资产管理行业已经比比皆是，并且近年来在国内A股市场上也得到广泛应用。一个典型的股市阿尔法策略模型，一般可以划分为两大块。一块是构建一个股票现货组合，另一块则是放空一个股票指数（见下图）。



比较典型的两种阿尔法策略实践情形包括以下两种。一种是在熊市周期中，尽管指数下跌，但由于市场β风险获得对冲，资产组合仍然能够跑赢市场指数基准并获得正收益，见下图（以股指期货作为对冲工具为例）。



第二种，即便在市场牛市周期，阿尔法中性策略一样可以实现资产组合的正收益，见下图（以股指期货作为对冲工具为例）。



而除了熊市和牛市周期外，在震荡市中，股指期货对股票现货头寸的系统波动风险所能起到的保护作用相对有限，阿尔法对冲策略的实际收益，则主要看股票组合自身的价值体现。这与普通的股票型基金单边做多策略大致相同，区别主要在于阿尔法中性对冲策略一般自身并不进行择时和大规模的仓位增减操作。

影响阿尔法策略成败的关键点

一般而言，股市阿尔法策略成败的关键点，主要包括以下四方面因素。专业投资者在实际模型搭建中，应当予以特别关注。

1

股票现货组合的有效性

从阿尔法中性策略在股票投资领域的核心价值方面来说，股票现货组合是否足够优秀，是否能够在模型实施的相当长一段时间内，实现对于市场系统性涨跌的超越，无疑是最为关键的地方。难以想象，一个阿尔法中性策略经过长期运行，却最终发现股票现货组合大幅跑输大盘指数或对应板块指数的状况，这种股票现货组合将直接导致投资人在资产回报上的“双输”。

因此，选股和股票现货组合的搭建，正是决定股市阿尔法中性策略成败的重中之重。不管是完全以基本面为主进行价值、成长选股，还是以多因子策略进行选股，股市阿尔法中性策略都必须保证股票现货组合的有效性，即能够显著跑赢大盘或对应的板块指数。

2

期指的基差

由于股市阿尔法中性策略，最为常见和广泛使用的市场风险对冲工具，往往都会以股指期货为主，因此期指市场的合约价格情况就需要予以重点考量。这其中，当月合约、远月合约相对于现货指数的正基差（升水）、负基差（贴水）等因素，都需要在模型搭建中考虑进去，否则就会影响策略的实际收益率情况，甚至导致策略模型无效。

像2015年9月之后期指长期出现“大多数时间显著贴水”的状况，就意味着阿尔法中性策略在通过期指放空时，就已经出现一定幅度的资产组合损失。

3

选择和组合好放空的指数标的

在阿尔法中性策略的风险对冲方面，实际操作中必然涉及到放空指数标的该如何选择的问题。由于现货市场风格的阶段性变化，策略模型具体应该怎么选择或组合放空指数标的，无疑非常重要。

像2014年下半年牛市刚刚启动，尤其是2014年四季度，以中小板、创业板为代表的个股持续出现阶段性走弱，而以券商股为代表的主板个股则显著走强，如果策略模型持续持有小盘成长股票组合、而单一放空沪深300等大盘蓝筹类的期指，则反而遭遇到了现货与期货的阶段性双杀。

像这种情况就显示出，从期现货模型的搭配来说，选择和组合好放空的指数标的，就相当重要。

4

无风险收益率

阿尔法中性策略在模型回测时，就必须保证能够跑赢金融市场的无风险收益率。如果一年期定期存款利率已经在5%，策略模型却只能长期提供年化4%的正收益率回报，投资人显然不能接受。除此之外，像如果以融券卖空一篮子指数成分股的方式对冲市场系统性指数波动风险，无风险收益率也会影响到融券所支付的资金利息成本。

除了以上四点之外，像资产组合进场和退场的流动性冲击、策略模型的资金容纳规模、策略模型的交易成本、对策略组合净值回撤的把握等方面，也都是影响股市阿尔法中性策略成功与否的其他一些重要因素，当然这些方面的把握，大多数与普通传统的单边做多策略，也大体相同，专业投资人也可以大致按照一般的金融资产管理原则，进行相应的关注和处理

一、对冲基金概况
1、什么是对冲基金（定义和特点）能说出对冲基金的许多别名，如套头基金、套利基金和避险基金，但要说清对冲基金是什么并非易事。90年代以来国内出版的多种大型金融工具书，如《新国际金融辞海》（刘鸿儒主编，1994年）、《国际金融全书》（王传纶等主编，1993年），选入了“对冲（hedging）”、“基金（fund）”、“套利（arbitrage）”、“共同基金（mutual fund）”等条目，却没有“对冲基金”的条目，说明直到90年代中期，虽然对冲基金的一些相关术语早已进入，对冲基金却还闻所未闻。
对冲基金 共同基金
投资者人数严格限制美国证券法规定：以个人名义参加，最近两年里个人年收入至少在20万美元以上；如以家庭名义参加，夫妇俩最近两年的收入至少在30万美元以上；如以机构名义参加，净资产至少在100万美元以上。1996年作出新的规定：参与者由100人扩大到了500人。参与者的条件是个人必须拥有价值500万美元以上的投资证券。避开美国法律的投资人数限制和避税。通常设在税收避难所如处女岛（Virgin Island）、巴哈马（Bahamas）、百慕大（Bermuda）、鳄鱼岛（Cayman Island）、都柏林（Dublin）和卢森堡（Luxembourg），这些地方的税收微乎其微。MAR于1996年11月统计的对冲基金管理的680亿美元中，有317亿美元投资于离岸对冲基金。这表明离岸对冲基金是对冲基金行业的一个重要组成部分。WHFA统计，如果不把“基金的基金”计算在内，离岸基金管理的资产几乎是在岸基金的两倍。不能离岸设立信息披露程度 信息不公开，不用披露财务及资产状况 信息公开经理人员报酬佣金＋提成获得所管理资产的1％－2％的固定管理费，加上年利润的5％－25％的奖励。一般为固定工资经理能否参股 可以参股 不参股投资者抽资有无规定有限制大多基金要求股东若抽资必须提前告知：提前通知的时间从30天之前到3年之前不定。无限制或限制少可否贷款交易 可以自有资产作抵押贷款交易 不可以贷款交易规模大小 规模小 全球资产大约为3000亿。规模大全球资产超过7万亿业绩 较优 1990年1月至1998年8月间年平均回报率为17％，远高于一般的股票投资或在退休基金和共同基金中的投资（同期内华尔街标准－普尔500家股票的年平均增长率仅12％）。据透露，一些经营较好的对冲基金每年的投资回报率高达30－50％。相比要逊色
2、什么是“对冲（hedging）”，为什么要对冲？ “对冲”又被译作“套期保值”、“护盘”、“扶盘”、“顶险”、“对冲”、“套头交易”等。早期的对冲是指“通过在期货市场做一手与现货市场商品种类、数量相同，但交易部位相反之合约交易来抵消现货市场交易中所存价格风险的交易方式”（刘鸿儒主编，1995）。早期的对冲为的是真正的保值，曾用于农产品市场和外汇市场。套期保值者（hedger）一般都是实际生产者和消费者，或拥有商品将来出售者，或将来需要购进商品者，或拥有债权将来要收款者，或负人债务将来要偿还者，等等。这些人都面临着因商品价格和货币价格变动而遭受损失的风险，对冲是为回避风险而做的一种金融操作，目的是把暴露的风险用期货或期权等形式回避掉（转嫁出去），从而使自己的资产组合中没有敞口风险。3、 对冲基金的历史与现状
（1）创始阶段：1949－1966年对冲基金的鼻祖是Alfred Winslow Jones。琼斯最初是一个社会学家，后来成为一个记者，再后来成为基金经理人。1949年Jones任职于《财富》杂志期间，受命调查市场分析的技术方法并撰写文章。结果无师自通，几乎在一夜之间从一个新手成为一个精通者，并在文章发表两个月前，建立起一家合伙的投资公司。公司带有后来的对冲基金的经典特征，所以被认为是世界上第一家对冲基金。存在一个奖励佣金制和把他自己的资本投入基金，向一般经理人员支付的薪水占所实现利润的20%。此外，Jones在随后的十年里还创建了一套模拟指标。 Jones公司起初是一家普通合伙公司，后来则改为有限合伙公司，其运作保持着秘密状态，业绩良好。（2）初步发展和变化阶段：1966－1968年 1966年《财富》的另一位记者Carol Loomis发现了业绩不凡的Jones基金，撰文盛赞 “Jones是无人能比的”。该文详细描述了Jones基金的结构和激励方式，以及jones在后来几年创建的模拟指标，并列出Jones基金的回报率－酬金净额，发现大大超过了一些经营最成功的共同基金。例如，它过去五年的回报率比诚信趋势（Fidelity Trend ）基金高出44%，过去10年的回报率则比Dreyfas基金高87%。这导致了对冲基金数目大增，虽然并不知道在随后几年中所建立的基金的准确数字，但根据SEC的一项调查，截至1968年底成立的215家投资合伙公司中有140家是对冲基金，其中大多数是在当年成立的。虽然对冲基金的迅速成长与强劲的股票市场同步，但一些基金经理发现通过卖空来对冲投资组合不仅难度大、耗时，且成本高昂。结果，许多基金越来越求助于高额头寸来放大股票多头的战略，从而对冲基金开始向多种类别发展，所谓“对冲”，不过是象征性的意义罢了。（3）低潮阶段：1969－1974年 1969—1970年的股市下跌给对冲基金业以灾难性的打击，据报道，SEC在1968年底所调查的28家最大的对冲基金，至70年代末其管理的资产减少了70%(由于亏损和撤资)，其中有5家关门大吉。规模较小的基金情况则更糟。1973—1974年的股市下跌，再次使对冲基金急剧萎缩。（4）缓慢发展阶段：1974－1985年从1974—1985年，对冲基金重新以相对秘密的姿态进行运作。虽然宏观对冲基金在此期间崭露头角，但总的说来发展不是太快。（5）大发展阶段：90年代之后对冲基金是随着金融管制放松后金融创新工具的大量出现兴盛起来的，特别是90年以后，经济和金融全球化趋势的加剧，对冲基金迎来了大发展的年代。1990年，美国仅有各种对冲基金1500家，资本总额不过500多亿美元。90年代以来，对冲基金高速增加，最近两年的发展速度更是惊人。据美国《对冲基金》杂志调查，目前约有4000家基金资产超过4000亿美元。据基金顾问公司TASS的资料表明，目前全球约有4000多对冲基金，比两年前的数目多出逾一倍，所管理的资产总值则由1996年1500亿美元，大幅增加至目前的4000亿美元。而美国先锋对冲基金国际顾问公司的资料则认为，对冲基金目前在全球已超过5000个，管理资产在2500亿美元以上。另据预测，今后5－10年间，美国的对冲基金还将以每年15％的速度增长，其资本总额的增长将高于15％。值得注意的是，美国的对冲基金正在把退休资金以及各种基金会和投资经理人吸引过来，形成更强大的势力。5年前，退休资金和各种基金会的投资在对冲基金资本总额中仅占5％，现在已猛增到80％。
5、目前国际上主要的对冲基金组织
目前，世界上只有美国有对冲基金。欧洲一些国家也有类似的基金，但正式名称不叫对冲基金。对冲基金声名显赫，许多人猜想它一定是“巨无霸”（“600磅的大猩猩”），其实大部分的对冲基金规模并不大。按资本总额来区分：5亿美元以上的仅占5％；5000万－5亿美元的约占30％；500万美元以下的约占65％。约有四分之一的对冲基金总资产不超过1000万美元，有人说，“它们的运作像个小作坊，通常是在仅有一两个人的办公室里工作。” 排名前10位的美国国际对冲基金依次为：美洲豹基金（资产100亿美元）、量子基金（资产60亿美元）、量子工业基金（资产24亿美元）、配额基金（资产17亿美元）、奥马加海外合伙人基金（资产三类17亿美元）、马弗立克基金（资产17亿美元）、兹维格－迪美纳国际公司（资产16亿美元）、类星体国际基金（资产15亿美元）、SBC货币有价证券基金（资产15亿美元）、佩里合伙人国际公司（资产13亿美元）。排名前10位的美国国内对冲基金依次为：老虎基金（资产51亿美元）、穆尔全球投资公司（资产40亿美元）、高桥资本公司（资产14亿美元）、帽际基金（INTERCAP，资产13亿美元）、罗森堡市场中性基金（资产12亿美元）、埃林顿综合基金（资产11亿美元）、套利税收等量基金（资产10亿美元）、定量长短卖资金（资产9亿美元）、SR国际基金（资产9亿美元）、佩里合伙人公司（资产8亿美元）。
二、对冲基金与金融风险
90年代以来，对冲基金行业获得极大的发展，其表现引人瞩目，而90年代也是国际金融动荡不安，风险日增的年代，从1992年欧洲货币危机，1994年债券市场危机机墨西哥危机，到1997年的亚洲金融危机，世界似乎越来越不得安宁。许多人指责对冲基金是金融风险之源，特别是导致了亚洲金融危机。对于这一流行的说法，我们先作一般性的讨论，然后再引证资料，介绍一些对对冲基金在1997年亚洲金融危机中扮演的角色所作的实证分析。
1、对冲基金与金融风险：一般性讨论一般来说，对冲基金并不具有较其他机构投资者更不安全的特性，理由如下：（1）相对较小的规模。到1997年底，对冲基金全球资产仅3000亿美金，而成熟市场的机构投资者所管理的资产超过20万亿美金，其中美国、英国、加拿大、日本、德国的共同基金、退休基金、保险公司及非金融性公司所管理的资金高达11万亿美元，全球共同基金则在1996年就已有7万亿美元之多。（2）大部分对冲基金不用杠杆或所用的杠杆比例小。有人或许会说，对冲基金虽然规模小，但使用杠杆作用大。事实并非如此。VHFA的研究表明，对冲基金整体上运用的杠杆比较适度。约30％的对冲基金不运用杠杆，约54％的对冲基金运用小于2：1的杠杆（1美元当作2美元投资），只有16％的对冲基金运用大于2：1的杠杆（即借贷额超过了其资本额）。极少数的对冲基金的杠杆大于10：1。并且大多数运用高杠杆的对冲基金进行各种各样的套利战略，因此其杠杆的量不一定是其实际市场风险的一个准确尺度。与此同时，银行、公司及机构投资者也运用杠杆，考虑到它们管理的资产加起来数倍于对冲基金，谁的作用更大不难想象。（3）对冲基金信息匮乏。有人认为，对冲基金还可利用“羊群效应”，自己作领头羊。如果这是真的话，将取决于信息及处理信息的能力。
 
转自雅虎知识堂  http://ks.cn.yahoo.com/question/1306110518129.html

			
Source： http://www.morefund.com/a/duichongshidian/2011/0420/321.html

目前，对于量化基金的定义有四种：Bloomberg认为量化基金因使用数量化投资方法而得名，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所定义的量化基金是指投资者在投资决策上较多的依赖于数量化的方法而不仅仅是定性的方法，也就是说量化基金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；Forbes旗下的Investopedia则认为基于量化方法选股的基金即为量化基金；Profitfund认为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。

从上述定义可以看出，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。好买认为在投资过程中使用数量化方法的基金即为量化基金。

数量化投资是将投资理念及策略通过具体指标、参数的设计，体现到具体的模型中，让模型对市场进行不带任何情绪的跟踪；相对于传统投资方式来说，具有快速高效、客观理性、收益与风险平衡和个股与组合平衡等四大特点。量化投资技术几乎覆盖了投资的全过程，包括估值与选股、资产配置与组合优化、订单生成与交易执行、绩效评估和风险管理等，在各个环节都有不同的方法及量化模型：
一、估值与选股

估值：对上市公司进行估值是公司基本面分析的重要方法，在“价值投资”的基本逻辑下，可以通过对公司的估值判断二级市场股票价格的扭曲程度，继而找出价值被低估或高估的股票，作为投资决策的参考。对上市公司的估值包括相对估值法和绝对估值法，相对估值法主要采用乘数方法，如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；绝对估值法主要采用折现的方法，如公司自由现金流模型、股权自由现金流模型和股利折现模型等。相对估值法因简单易懂，便于计算而被广泛使用；绝对估值法因基础数据缺乏及不符合模型要求的全流通假设而一直处于非主流地位。随着全流通时代的到来和国内证券市场的快速发展，绝对估值法正逐渐受到重视。

选股：在当前品种繁多的资本市场中，从浩瀚复杂的数据背后选出适合自己投资风格的股票变得越加困难。在基本面研究的基础上结合量化分析的手段就可以构建数量化选股策略，主流的选股方法如下：

基本面选股：通过对上市公司财务指标的分析，找出影响股价的重要因子，如：与收益指标相关的盈利能力、与现金流指标相关的获现能力、与负债率指标相关的偿债能力、与净资产指标相关的成长能力、与周转率指标相关的资产管理能力等。然后通过建立股价与因子之间的关系模型得出对股票收益的预测。股价与因子的关系模型分为结构模型和统计模型两类：结构模型给出股票的收益和因子之间的直观表达，实用性较强，包括价值型（本杰明•格雷厄姆—防御价值型、查尔斯•布兰迪—价值型等）、成长型（德伍•切斯—大型成长动能、葛廉•毕克斯达夫—中大型成长股等）、价值成长型（沃伦•巴菲特—优质企业选择法、彼得•林奇—GARP价值成长法等）三种选股方法；统计模型是用统计方法提取出近似线性无关的因子建立模型，这种建模方法因不需先验知识且可以检验模型的有效性，被众多经济学家推崇，包括主成分法、极大似然法等。

多因素选股：通过寻找引起股价共同变动的因素，建立收益与联动因素间线性相关关系的多因素模型。影响股价的共同因素包括宏观因子、市场因子和统计因子（通过统计方法得到）三大类，通过逐步回归和分层回归的方法对三类因素进行选取，然后通过主成分分析选出解释度较高的某几个指标来反映原有的大部分信息。多因素模型对因子的选择有很高的要求，因子的选择可依赖统计方法、投资经验或二者的结合，所选的因子要有统计意义上或市场意义上的显著性，一般可从动量、波动性、成长性、规模、价值、活跃性及收益性等方面选择指标来解释股票的收益率。

动量、反向选股：动量选股策略是指分析股票在过去相对短期的表现，事先对股票收益和交易量设定条件，当条件满足时买进或卖出股票的投资策略，该投资策略基于投资者对股票中期的反应不足和保守心理，在投资行为上表现为购买过去几个月表现好的股票而卖出过去几个月表现差的股票。反向选股策略则基于投资者的锚定和过度自信的心理特征，认为投资者会对上市公司的业绩状况做出持续过度反应，形成对业绩差的公司业绩过分低估和业绩的好公司业绩过分高估的现象，这为投资者利用反向投资策略提供了套利机会，在投资行为上表现为买进过去表现差的股票而卖出过去表现好的股票。反向选股策略是行为金融学理论发展至今最为成熟，也是最受关注的策略之一。
二、资产配置

资产配置指资产类别选择、投资组合中各类资产的配置比例以及对这些混合资产进行实时管理。资产配置一般包括两大类别、三大层次，两大类别为战略资产配置和战术/动态资产配置，三大层次为全球资产配置、大类资产配置和行业风格配置。资产配置的主要方法及模型如下：

战略资产配置针对当前市场条件，在较长的时间周期内控制投资风险，使得长期风险调整后收益最大化。战术资产配置通常在相对较短的时间周期内，针对某种具体的市场状态制定最优配置策略，利用市场短期波动机会获取超额收益。因此，战术资产配置是在长期战略配置的过程中针对市场变化制定的短期配置策略，二者相互补充。战略资产配置为未来较长时间内的投资活动建立业务基准，战术资产配置通过主动把握投资机会适当偏离战略资产配置基准，获取超额收益。
三、股价预测

股价的可预测性与有效市场假说密切相关。如果有效市场假说成立，股价就反映了所有相关的信息，价格变化服从随机游走，股价的预测就毫无意义，而我国的股市远未达到有效市场阶段，因此股价时间序列不是序列无关，而是序列相关的，即历史数据对股价的形成起作用，因此可以通过对历史信息的分析来预测股价。

主流的股价预测模型有灰色预测模型、神经网络预测模型和支持向量机预测模型（SVM）。灰色预测模型对股价的短期变化有很强的预测能力，近年发展起来的灰色预测模型包括GM（1,
1）模型、灰色新陈代谢模型和灰色马尔可夫模型。人工神经网络模型具有巨量并行性、存储分布性、结构可变性、高度非线性和自组织性等特点，且可以逼近任何连续函数，目前在金融分析和预测方面已有广泛的应用，效果较好。支持向量机模型在解决小样本、非线性及高维模式识别问题中有许多优势，且结构简单，具有全局优化性和较好的泛化能力，比神经网络有更好的拟合度。
四、绩效评估

作为集合投资、风险分散、专业化管理、变现性强等特点的投资产品，基金的业绩虽然受到投资者的关注，但要对基金有一个全面的评价，则需要考量基金业绩变动背后的形成原因、基金回报的来源等因素，绩效评估能够在这方面提供较好的视角与方法，风险调整收益、择时/股能力、业绩归因分析、业绩持续性及Fama的业绩分解等指标和方法可从不同的角度对基金的绩效进行评估。
五、基于行为金融学的投资策略

上世纪50～70年代，随着马科维茨组合理论、CAPM模型、MM定理及有效市场假说的提出，现代金融经济学建立了一套成熟的理论体系，并且在学术界占据了主导地位，也被国际投资机构广泛应用和推广，但以上传统经济学的理论基石是理性人假设，在理性人假设下，市场是有效率的，但进入80年代以后，关于股票市场的一系列研究和实证发现了与理性人假设不符合的异常现象，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。面对这些金融市场的异常现象，诸多研究学者从传统金融理论的基本假设入手，放松关于投资者是完全理性的严格假设，吸收心理学的研究成果，研究股市投资者行为、价格形成机制与价格表现特征，取得了一系列有影响的研究成果，形成了具有重要影响力的学术流派－行为金融学。

行为金融学是对传统金融学理论的革命，也是对传统投资实践的挑战。随着行为金融理论的发展，理论界和投资界对行为金融理论和相关投资策略作了广泛的宣传和应用，好买认为，无论机构投资者还是个人投资者，了解行为金融学的指导意义在于：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。在大多数投资者认识到自己的错误以前，投资那些定价错误的股票，并在股价正确定位之后获利。目前国际金融市场中比较常见且相对成熟的行为金融投资策略包括动量投资策略、反向投资策略、小盘股策略和时间分散化策略等。
六、程序化交易与算法交易策略

根据NYSE的定义，程序化交易指任何含有15只股票以上或单值为一百万美元以上的交易。程序化交易强调订单是如何生成的，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。程序化交易主要是大机构的工具，它们同时买进或卖出整个股票组合，而买进和卖出程序可以用来实现不同的目标，目前程序化交易策略主要包括数量化程序交易策略、动态对冲策略、指数套利策略、配对交易策略和久期平均策略等。

　　算法交易，也称自动交易、黑盒交易或无人值守交易，是使用计算机来确定订单最佳的执行路径、执行时间、执行价格及执行数量的交易方法，主要针对经纪商。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、套利及趋势跟随交易。算法交易在交易中的作用主要体现在智能路由、降低冲击成本、提高执行效率、减少人力成本和增加投资组合收益等方面。主要的算法包括：交易量加权平均价格算法（VWAP）、保证成交量加权平均价格算法（Guaranteed
VWAP）、时间加权平均价格算法（TWAP）、游击战算法（Guerrilla）、狙击手算法（Sniper）、模式识别算法（Pattern
Recognition）等。

综上所述，数量化投资技术贯穿基金的整个投资流程，从估值选股、资产配置到程序化交易与绩效评估等。结合量化投资的特点及我国证券市场的现状，好买认为量化投资技术在国内基金业中的应用将主要集中在量化选股、资产配置、绩效评估与风险管理、行为金融等方面，而随着包括基金在内的机构投资者占比的不断提高、衍生品工具的日渐丰富（股指期货、融资融券等）以及量化投资技术的进步，基金管理人的投资策略将会越来越复杂，程序化交易（系统）也将有快速的发展。
							
		

期限结构与carry大致定义

简单来说，展期收益就是不同月间合约的价差。这种收益也被称为carry收益，一般意义上的carry是指票息所得和资金成本之间的差。举例说，如果你借钱5%成本买企业债并收到了利息7%，债券利息比借贷利息高的部分，就是一种低风险收益。所以当你看准机会时，展期收益是一种相对低风险的收益，也是和趋势交易几乎完全无关的收益。



通过上图看出，螺纹的远期合约价格更低

carry展期收益是一种重要的收益来源，你可以按照字面理解就是持有它，在很多市场carry都会产生收益。在固定收益领域有句话：Carry is the king。Total Return = Carry Mark to Market P&L（总回报=Carry 市值），其中Carry = 票息 – 融资成本。



公式来自：Carry Ralph S.J. Koijen Tobias J.Moskowitz Lasse Heje Pedersen Evert B. Vrugt November 2016

在商品期货领域期货和现货无风险套利的定义是：远期合约和近期合约，存在套利机会，期货合约到期日之前，期货与现货除受供需影响外，亦受持有成本（cost of carry）的影响。由此可以理解carry收益，由期货的两个特性决定——期限性和收敛性。

今天的文章在聚宽平台上，我们就简单实现这个策略的多品种对冲效果。虽然之前有很多人推荐继续写时间序列策略，但是考虑到聚宽大神太多，我写一两个害怕被看出来水平太菜，所以留个诸位自行发挥吧，我们搞点别的。



远期和近期合约由于交割时间不同，市场需求不同，产生了价差。远期升水Contango的情况较多，因为有资金利息和仓储成本的影响。期货贴水backward也会发生，由于短期供需缺口和产期经济前景看淡，会造成远期合约价格较低。

比如我在2018年12月28日，以3868元平仓1手螺纹钢1901合约多单，然后以3399元买入1手1905合约多单，我的持仓量始终都是1手，但是我降低了持有成本3868 - 3399元，此时可以认为我的展期收益 = 01新合约 - 05老合约 = 469元，全段展期收益率 = 14.04%，折合每月展期收益率 = 14.04% / 4(两个合约之间的相隔月数) = 3.51%。这种展期收益为正的结果叫做远月合约贴水，如果远月比近月贵，则叫做升水。

今天简单介绍一个标准的商品期货市场展期收益率模型，它通过做多贴水最多的合约，做空升水最多的合约，赌升贴水收敛，获得较为稳定的carry收益。

展期收益率解读

展期收益策略是商品期货特有的策略类型。逻辑上，展期收益策略与传统的趋势类策略相关性较差，有较好的互补性，因为他们从根源上不同源。

对于资产管理，商品配置一般不投资于实物商品，业内流行的方式是通过商品期货，然后滚动移仓，达到配置商品的目的。理论上，投资商品期货的收益可以分解成：

Futuresreturn = Spotreturn Rollreturn Collateralreturn

即期货投资收益由3部分构成：对应现货的收益、展期收益和现金收益。这里roll收益和carry收益相对应。

在商品期货市场，同一标的品种对应着不同交割日的期货合约，如螺纹钢每年有1月，5月，10月，这3个主力合约。

商品期货的现货价格（这里常用近月合约代替现货价格）与不同交割月期货合约交易价格之间的价格差，即商品期货的期限结构。若现货价格大于期货价格，或近月合约的期货价格大于远月合约的期货价格，称为期货贴水backward，或现货升水；若现货价格小于期货价格，或近月合约的期货价格小于远月合约的期货价格，称为期货升水Contango，或现货贴水。

我们一般说升贴水，都是针对远期合约。

展期收益率特指两个合约之间的收益差额，它属于期限结构的研究范围内，期限结构是某一个特定品种的期货所有合约的价格按时间排列构成的曲线，如下图：



AL铝期货期限结构（多期合约价格）



螺纹钢期限结构（多期合约价格）

在聚宽研究平台获取价格和绘图代码如下：

import matplotlib.pyplot as plt
import pandas as pd
symbolList = get_future_contracts('RB')
PriceList  = []
SymList = []
for i in symbolList:
    SymList.append(i)
    PriceList.append(attribute_history(i,1,'1d',['close'])['close'][-1])
s_1 = pd.Series(SymList, name='Symbol')
s_2 = pd.Series(PriceList, name="Price")
df = pd.concat([s_1, s_2], axis=1)
df=df.set_index("Symbol")  

plt.figure(figsize=(15, 7))
plt.plot(df)
plt.show()


我们可以通过计算不同标的物的展期收益率来度量不同标的的现货溢价幅度，并根据不同标的之间展期收益率的高低来构建交易策略。

假设 Pt,n 是 t 时刻近月合约的价格，Pt,d 是 t 时刻远月合约的价格，Nt,n 是近月合约在 t 时刻距离交割日的天数，Nt,n 是远月合约在 t 时刻距离交割日的天数。则展期收益率 Rt为：



当 Rt 为正，即近月合约价格大于远月合约价格，当 Rt 为负，即近月合约价格小于远月合约价格。对同一横截面的所有品种来说，最大的 Rt，即对所有品种来说，该标的的近月合约对远月合约涨幅最大，最小的 Rt，即对所有品种来说，该标的的近月合约对远月合约跌幅最大。

按照渤海证券的交易逻辑：若不同合约的展期收益率排名可在一定程度上体现“多强空弱”中的“强”、“弱”概念，即可根据展期收益率排名构建交易策略，从而在展期收益率的角度做到“顺势而为”。

绘制展期收益率的代码如下：

# 以螺纹钢1901 1905合约为例
PriceList1901 = attribute_history('RB1901.XSGE',120,'1d',['close'])
PriceList1905 = attribute_history('RB1905.XSGE',120,'1d',['close'])
df = pd.concat([PriceList1901, PriceList1905], axis=1)
df.columns= ['RB1901.XSGE','RB1905.XSGE']
# 计算展期收益率
df['RY:RB'] = df.apply(lambda x: (x[0] / x[1]-1)*3, axis=1)
plt.figure(figsize=(15, 7))
plt.plot(df['RY:RB'])
plt.legend(['RY:RB'])
plt.show()




螺纹展期收益率



沪铝展期收益率

由于展期收益率的计算不涉及到指数合约，都是在两个相邻的真实合约之间进行，所以我们首先人工写出了历史上的大部分期货品种的主力合约，如这样。

# 历史上的每个合约主力月份
    g.domMonth = {
        'MA': ['01', '05', '09'],
        'IC':['01','02','03','04','05','06','07','08','09','10','11','12'],
        'IF':['01','02','03','04','05','06','07','08','09','10','11','12'],
        'IH':['01','02','03','04','05','06','07','08','09','10','11','12'],
        'TF':['03','06','09','12'],
        'T':['03','06','09','12'],
        'CU':['01','02','03','04','05','06','07','08','09','10','11','12'],
        'AL':['01','02','03','04','05','06','07','08','09','10','11','12'],
        'ZN':['01','02','03','04','05','06','07','08','09','10','11','12'],
        'PB':['01','02','03','04','05','06','07','08','09','10','11','12'],
        'NI':['01', '05', '09'],
        'SN':['01', '05', '09'],
        'AU':['06', '12'],
        'AG':['06', '12'],
        'RB':['01', '05', '10'],
        'HC':['01', '05', '10'],
        'BU':['06', '09', '12'],
        'RU':['01', '05', '09'],
        'M':['01', '05', '09'],
        'Y':['01', '05', '09'],
        'A':['01', '05', '09'],
        'P':['01', '05', '09'],
        'C':['01', '05', '09'],
        'CS':['01', '05', '09'],
        'JD':['01', '05', '09'],
        'L':['01', '05', '09'],
        'V':['01', '05', '09'],
        'PP':['01', '05', '09'],
        'J':['01', '05', '09'],
        'JM':['01', '05', '09'],
        'I':['01', '05', '09'],
        'SR':['01', '05', '09'],
        'CF':['01', '05', '09'],
        'ZC':['01', '05', '09'],
        'FG':['01', '05', '09'],
        'TA':['01', '05', '09'],
        'MA':['01', '05', '09'],
        'OI':['01', '05', '09'],
        'RM':['01', '05', '09'],
        'SF':['01', '05', '09'],
        'SM':['01', '05', '09'],
        'AP':['01', '05', '10'],
    }


然后我们撰写了一个函数，来获取当时的远月合约名称，该函数大家可以直接使用：

# 获得当前远月合约
def get_nextDom(context,ins):
    # 获取当月主力合约
    dom = get_dominant_future(ins)
    if dom !='':
        # 获取合约交割月份时间，如['1601'] 
        YD = re.findall(r"\d \d*",dom)
        try:
            # 获取远月合约——读取“历史上的每个合约主力月份”，读取月份后两位，往后移一位
            nextDomMonth = g.domMonth[ins][g.domMonth[ins].index(YD[0][-2:]) 1]
            # 替换远月合约日期，合成远月合约名，如['RB1601.XSGE'] 
            g.MappingNext[ins]=dom.replace(YD[0][-2:],nextDomMonth)
        except:
            nextDomMonth = g.domMonth[ins][0]
            nextDom = dom.replace(YD[0][:2],str(int(YD[0][:2]) 1))
            g.MappingNext[ins] = nextDom.replace(YD[0][-2:],g.domMonth[ins][0])
    else:
        pass


交易规则方面，我们考虑一定要尽可能简单，我们计算商品池内所有商品的ts（展期收益率）因子，将因子值大于0的商品归为远期贴水backward组，将因子小于0的商品归为远期升水contango组；

因为我们约定常用远期合约描述升水贴水，所以近期比远期高，是远期贴水，近期升水，属于contango。反之，属于backward。

这里的升和贴，和展期收益率的大小，是相反的，这里是比较绕的一点。

# 展期收益率
g.RY[ins] = (g.PriceCurrent-g.PriceNext)/g.PriceNext/g.DM
# 分为远期升水RYS，远期贴水RYB，两组
if g.RY[ins] < 0:
    g.RYS[ins] = g.RY[ins]
elif g.RY[ins] > 0:
    g.RYB[ins] = g.RY[ins]


按照“多强空弱”中的理念，我们做多展期收益率最高的品种，做空展期收益率最低的品种。这里你可以按照某些研报上所说，在两组内再做一个强度区分，比如只做每一组的前50%的品种。当然也可以全部做，我建议在测试模型时，全部交易。

## 交易模块 
def Trade(context):
    # 多头部分的品种，展期收益率大于0
    a = sorted(g.RYB.items(), key=lambda x: x[1],reverse = True)
    # 空头部分的品种，展期收益率小于0
    b = sorted(g.RYS.items(), key=lambda x: x[1],reverse = False)


大家可以看到我们在初始设置里，对于手续费的设定是比较严格的，这个手续费做中长期模型是肯定够用了，如果你担心手续费低，就再加上一倍的冲击成本我也没意见：

# 期货类每笔交易时的手续费是：买入时万分之1,卖出时万分之1,平今仓为万分之1
    set_order_cost(OrderCost(open_commission=0.0001, close_commission=0.0001,close_today_commission=0.0001), type='index_futures')
    # 设定保证金比例
    set_option('futures_margin_rate', 0.15)
    # 设置滑点（单边万5，双边千1）
    set_slippage(PriceRelatedSlippage(0.001),type='future')


期限结构Carry收益性能测试和分析

模型我们最初采用了月度调仓方案，获得如下绩效：



然后我们尝试，对所做的合约进行筛选，比如说，我只做多展期收益率为正的且最高的前50%，做空为负且最低的后50%，在代码这里做调整：

# 将字典进行排序，各买入50%，或者全部交易
    for i in range(int(len(a)*1)):
        BuyList.append(a[i][0])
    for i in range(int(len(b)*1)):
        SellList.append(b[i][0])


我们分别测试了25% 50%和75%，得到这样的绩效：



我感觉这样的测试不利于得到稳定的测试结论，所以还是选择全做了。

在全部交易的时候，我截取了一天的持仓，大家可以看细节：



可以看到，持仓是相对均衡的，也就是说，它基本上实现了多品种多空对冲。这就是Carry收益的策略。

再次总结，它获取的是和趋势完全不相关的收益，通过远期近期合约的收益率差异，计算升贴水，然后全市场分析升贴水率（展期收益率）。做多展期收益率更高（近期比远期更强）的品种，做空展期收益率更低（近期比远期更弱）的品种。

Carry展期收益是有一定风险的，要做好风险控制，在做期货趋势的同时搭配这套模型，综合曲线可能会更好。



最后，我们还测试了周度调仓上图，结果较为理想，回撤控制确实满意。