精华内容
下载资源
问答
  • 全面解读量化中性策略

    千次阅读 2020-09-01 17:06:04
    相信很多投资者在购买投资产品时,常常会听到一些投资专用词语,例如下文将介绍的“量化中性策略”,这些词语对于投资小白们来说,仅听名称就让人一头雾水,具体什么是量化投资,以及常见的策略如何操作就显得更加...

    相信很多投资者在购买投资产品时,常常会听到一些投资专用词语,例如下文将介绍的“量化中性策略”,这些词语对于投资小白们来说,仅听名称就让人一头雾水,具体什么是量化投资,以及常见的策略如何操作就显得更加神秘了。下面,我们一起走进“量化中性策略”

    一、什么是量化中性策略?

    量化中性策略我们可以把它拆分成“量化”“中性”两个词来理解。

    首先看“中性”,也就是市场中性策略

    当我们买入一只股票,其价格走势由两方面组成:一个是整个市场的走势(β),另一个是股票剥离市场涨跌之外的走势(α)。市场中性策略的目的就是消除市场涨跌对股价的影响,只赚股票自身小趋势的钱。其具体的做法是,买多一个股票组合,同时卖空相同市值的股指期货(如沪深300股指期货、中证500股指期货等),这样整个投资组合中既包括了一篮子的股票多头,又包括了相应的股指期货空头,进而对冲了市场波动。

    接下来是“量化”

    市场上存在两种选股的方式,一种是主观选股,另一种是量化选股。本文所讲的是采用量化选股的方式,即借助统计学和数学的方法,对包括宏观经济、上市公司财务指标等基本面因子,以及股票量价、投资者情绪、分析师预期等市场面因子的海量数据进行全面的分析,从中发现可能可以用来推测未来股价走势的指标,构建数量化策略模型并实现交易执行的程序化。

    所以说,量化中性策略主要在做的就是:1)通过量化模型找到那些表现相对于基准指数有显著超额收益的股票;2)做空基准指数对应的股指期货,对冲掉市场风险,获取Alpha收益。

    二、量化中性策略的前世今生

    (2010年之前)

    初步探索:

    探索阶段,公募基金利用量化手段构造指数性产品,直到股指期货上市为量化对冲提供了新的金融工具。

    (2010-2015年

    高速发展:

    套利及市场中性策略逐渐兴起,创造了一批以低风险稳健收益为主的资产配置策略产品,并随市场活跃高速发展。

    (2016-2018年)

    直面挑战:

    股指期货受到严厉监管之后,导致股指期货贴水扩大、对冲成本提高、市场流动性枯竭,量化中性对冲策略面临极大的挑战。

    2018年至今

    走上正轨:

    伴随股指期货逐步松绑,流动性回归,基差贴水进一步收窄有效的降低了对冲成本,同时量化中性对冲策略也在升级,收益有所上升,市场容量开始扩张。

    量化时代进行中

    近几年,为了应对股指期货的贴水,一部分量化团队开发了股票T+0策略,在原有的股票池中通过日内的股票交易来获取额外收益,同时量化选股模型也开始从传统的低频线性模型转向,建立在机器学习算法上的相对高频非线性模型,旨在提升模型自身的Alpha水平。在目前信息爆炸和软硬件飞速发展的时代,一批优秀的量化团队,凭借先进的设备和策略突出重围,头部聚集效应日趋明显。

     

    三、量化中性策略如何赚钱?

    为什么优质的量化中性产品在不同的牛熊市场环境中均能获得稳健的正收益呢?

    主要有两方面的原因

    第一,量化中性策略追求绝对收益,在持有一组量化选股的股票多头时,通过对冲工具对冲掉市场风险,赚取选股组合带来的Alpha。

    因此,量化中性策略与指数收益率的相关性低,产品净值的波动性也相对较低,优质的量化中性对冲产品都能获取相对稳健的正收益无论市场是牛市还是熊市。

    第二,量化中性策略主要通过利用自身的各种技术优势捕捉市场套利机会来赚钱。

    套利机会主要包括以下三种:

    一是对市场非有效性的套利:例如,市场利好消息出来以后,投资者往往过度反应,股价涨幅远远超过理性的范围,可以适时选择做空进行套利。

    二是对市场交易行为的套利:例如,某些机构或者游资下单有明显的规律,可以让量化策略从中获利。

    三是信息传导的速度套利:例如,新的信息进入市场以后,会对市场产生冲击。某些信息对市场的影响方向是确定的,那么谁反应更快,抢在别人之前下单,谁就能赚到更多的钱。

    首先看“中性”,也就是市场中性策略。

    构建中性策略的具体操作及相应的盈利模式如下:

    假设买入100元股票组合,卖空100元股指期货,多头与空头组合价值相等。

    a、市场上涨:股票组合多头收益+指数空头收益=16%+(-10%)=6%

    b、市场下跌:股票组合多头收益+指数空头收益=(-4%)+10%=6%

    c、市场震荡:股票组合多头收益+指数空头收益=6%+(0%)=6%

     

    了解过投资方法之后,同时我们也不该忘记了解风险。Alpha策略主要风险在于选股策略上和基差的影响。需要管理人能不断完善投资模型和操作技巧以提升获胜概率。量化中性策略虽然可能可以稳稳地穿越牛熊,但对于投资者来说,我们仍需理性对待,在风险承担能力的范围内,选择合适自己的产品。

    ---------------------------------------------------------------------

    推荐阅读:

    1.一个量化策略师的自白(好文强烈推荐)

    2.股票期货经典的量化交易策略都在这里了!(源码)

    3.期货/股票数据大全查询(历史/实时/Tick/财务等)

    4.一个完整的量化交易系统都需要哪些功能?

    5.学习Python有哪些书籍?这里有一份书单送给你

    6.江湖中常说的“网格交易法”到底是什么?

    7.10种经典的日内交易策略模型思路

    8.干货 | 量化选股策略模型大全

    9.量化金融经典理论、重要模型、发展简史大全

    展开全文
  • 本文针对ADC量化对于中性氢(HI)观测的影响进行研究分析。首先对HI观测进行了介绍性描述;在此基础上,对于使用实验室4.5 m天线进行HI观测时的信号接收处理系统进行了描述;重点对ADC量化以及射电望远镜灵敏度的...
  • 量化中性策略追求绝对收益。优质的量化中性产品,在不同的牛熊市场环境中,均能获得稳健的正收益。 量化中性策略通过量化分析 “买低卖高”,构建市场中错误定价的股票投资组合来获得收益。这些投资组合所提供的...

    量化中性策略追求绝对收益。优质的量化中性产品,在不同的牛熊市场环境中,均能获得稳健的正收益。

    量化中性策略通过量化分析 “买低卖高”,构建市场中错误定价的股票投资组合来获得收益。这些投资组合所提供的收益(和风险),不会随市场牛熊而改变。

    优质的量化中性产品具有收益相对稳定、可持续、风险较低的优势。在金融产品打破刚兑、净值化转型的大趋势下,量化中性产品成为稀缺的、风险可控的、提供相对稳定回报的投资品种。

     

    对于不愿暴露在市场风险之中、希望取得相对稳健收益的部分风险厌恶型投资者,量化中性产品可以作为非标固收的替代品。

    量化中性策略

    是如何赚钱的?

    为什么优质的量化中性产品在不同的牛熊市场环境中均能获得稳健的正收益呢?

    主要有两方面的原因。

    第一,量化中性策略追求绝对收益,在持有一组量化选股的股票多头时,通过对冲工具对冲掉市场风险,赚取选股组合上涨所带来的Alpha。

     

    因此,量化中性策略与指数收益率的相关性较低,产品净值的波动性也相对较低,优质的量化中性产品在熊市中亦能获得相对稳健的正收益。

    第二,量化中性策略主要通过利用自身的各种技术优势捕捉市场套利机会来赚钱。

    套利机会主要包括以下三种:

    • 一是对市场非有效性的套利:例如,市场利好消息出来以后,投资者往往过度反应,股价涨幅远远超过理性的范围,可以适时选择做空进行套利。
    • 二是对市场交易行为的套利:例如,某些机构或者游资下单有明显的规律,可以让量化策略从中获利。
    • 三是信息传导的速度套利:例如,新的信息进入市场以后,会对市场产生冲击。某些信息对市场的影响方向是确定的,那么谁反应更快,抢在别人之前下单,谁就能赚到更多的钱。

    A股的参与者结构导致了市场的低有效性。2017年,A股散户投资者贡献了八成以上的交易量,同期美股市场机构投资者则贡献了95%以上的交易量。在这种市场有效性偏低的市场环境下,存在较多的套利机会。

    对于武装上最前沿理论、使用上最先进技术的国内量化中性策略管理人而言,正可以利用自身优势不断捕捉这些套利机会,创造出超额收益。

    关于量化中性策略更详细的介绍,请点击此处。

    甄选优质量化管理人

    量化天团再度集结

    随着市场不断进化,量化行业竞争不断加剧,未来的量化机构的发展将会更加强调人才、技术、平台的作用,只有拥有这些壁垒的管理人才能走得更为长远。

    对投资人而言,如何在纷繁复杂的量化市场上甄别、选择一个靠谱的优质管理人尤为重要。

    考虑到量化管理人的策略收益来源的不同,且有单一模型失效的风险,如果有条件的话,选择一款量化中性FOF产品将不失为一个更好的选择。

    中金财富研究深耕产品研究市场近十年,深度接触市场近百家家量化管理机构,通过系统化的私募研究体系及全方位尽调风控,为投资人提供最优资质的管理人选择,并通过交易数据的实时监控分析、持续的跟踪回访,解决信息不对等的难点,致力于为投资人实现全流程安心投资。

    来源:中金公司财富管理服务号

    -----------------------------------

    拓展阅读:

    1.海龟交易法则策略,多读几遍少走10年路

    2.网格交易法,一个不容易亏钱的投资策略(附源码)

    3.揭开日内回转交易策略做“T+0”的面纱

    4.配对交易——这个股票策略曾年赚5000万美元

    5.被动与主动的完美结合:指数增强策略的魅力

    6.经典量化选股方法——没有秘密的多因子

     

    展开全文
  • 量化交易 实战之市值中性化选股

    多人点赞 2021-03-20 01:58:33
    实战之市值中性化选股概述代码实现 概述 本篇我们会利用我们之学到的因子数据处理的技术来实现一个市值中性化选股的策略. 代码实现 # 可以自己import我们平台支持的第三方python模块,比如pandas、numpy等。 # 1. ...

    实战之市值中性化选股

    概述

    本篇我们会利用我们之学到的因子数据处理的技术来实现一个市值中性化选股的策略.

    代码实现

    # 可以自己import我们平台支持的第三方python模块,比如pandas、numpy等。
    # 1. 获取市值和市净率因子数据
    # 因子: 极值, 标准化, 中性化处理
    # 2. 选定股票池 (根据方向权重)
    # 市净率小的某些股票
    from sklearn.linear_model import LinearRegression
    
    # 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
    def init(context):
        scheduler.run_weekly(get_data, tradingday=1)
        scheduler.run_weekly(trade, tradingday=1)
    
    def get_data(context, bar_dict):
        # 查询两个因子的整数结果
        q = query(
            fundamentals.eod_derivative_indicator.pb_ratio,
            fundamentals.eod_derivative_indicator.market_cap
        ).order_by(
            fundamentals.eod_derivative_indicator.pb_ratio
        )
        fund = get_fundamentals(q)
    
        # 转置
        context.fund = fund.T
    
        # 查看fund格式
        # logger.info(fund.T)
    
        # 进行因子数据的处理, 去极值, 标准化
        treat_data(context)
    
        # 利用市净率进行选股 (市净率小的表现好)
        context.stock_list = context.fund["pb_ratio"][
            context.fund["pb_ratio"] <= context.fund["pb_ratio"].quantile(0.05)  # 取前5%
        ].index
    
        # 调试输出
        logger.info(context.stock_list)
        logger.info(context.stock_list.shape)
    
    def treat_data(context):
        """
        因子数据的处理逻辑
        """
    
        # 去除NaN
        context.fund = context.fund.dropna()
    
        # 对市净率去极极值标准化
        context.fund["pb_ratio"] = mad(context.fund["pb_ratio"])
        context.fund["pb_ratio"] = stand(context.fund["pb_ratio"])
    
        # 调试输出
        logger.info(context.fund.shape)
    
        # 选股的处理, 对市净率进行市值中性化
        # 特征值: 市值
        # 目标值: 市净率因子
        x = context.fund["market_cap"].values.reshape(-1, 1)
        y = context.fund["pb_ratio"]
    
        # 建立线性回归, 中性化处理
        lr = LinearRegression()
        lr.fit(x, y)
        
        y_predict = lr.predict(x)
    
        # 去除残差
        context.fund["pb_ratio"] = y - y_predict
    
    # before_trading此函数会在每天策略交易开始前被调用,当天只会被调用一次
    def before_trading(context):
        pass
    
    # 你选择的证券的数据更新将会触发此段逻辑,例如日或分钟历史数据切片或者是实时数据切片更新
    def handle_bar(context, bar_dict):
    
        # TODO: 开始编写你的算法吧!
        pass
    
    # after_trading函数会在每天交易结束后被调用,当天只会被调用一次
    def after_trading(context):
        pass
    
    def trade(context, bar_dict):
        # ----------------卖出----------------
    
        for stock in context.portfolio.positions.keys():
            # 判断是否还在股票池
            if stock not in context.stock_list:
                order_target_percent(stock, 0)
    
        # ----------------买入-----------------
    
        weight = 1.0 / len(context.stock_list)
    
        for stock in context.stock_list:
            order_target_percent(stock, weight)
    
    # 绝对偏差
    import numpy as np
    
    def mad(factor):
        """
        3倍中位数去极值
        """
        
        # 求出因子值的中位数
        med = np.median(factor)
        
        # 求出因子值与中位数的差值, 进行绝对值
        mad = np.median(abs(factor - med))
        
        # 定义几倍的中位数上下限
        high = med + (3 * 1.4826 * mad)
        low = med - (3 * 1.4826 * mad)
        
        # 替换上下限以外的值
        factor = np.where(factor > high, high, factor)
        factor = np.where(factor < low, low, factor)
        
        return factor
    
    # 标准化
    
    def stand(factor):
        """
        自实现标准化
        """
        mean = factor.mean()
        std = factor.std()
        
        return (factor - mean) / std
    

    输出结果:
    在这里插入图片描述

    展开全文
  • 导语:本文给出以BP(账面市值比)为例的因子缩尾处理和对市值与行业中性化的处理实现代码,展现单因子不同分位处在不同处理方法下的表现。本文是一系列因子研究中的第四篇文章。本系列的文章有:引言因子系列文章...

    导语:本文给出以BP(账面市值比)为例的因子缩尾处理和对市值与行业中性化的处理实现代码,展现单因子不同分位处在不同处理方法下的表现。

    本文是一系列因子研究中的第四篇文章。本系列的文章有:

    引言

    因子系列文章首先展示了不同因子的构建与端点处的股票策略回测结果,本文借助【量化课堂】多回测运行和参数分析框架中给出的分析方法和框架,展示对因子按照市值和行业进行标准化和去极值化的方法和回测结果。

    单因子的对比

    如因子研究系列一~三篇中所示,在单因子策略中我们把股票池中股票按照某个因子从小到大排序,因为我们认为因子指标跟高或更低的股票会取得超额的收益。但很多时候用两支股票的同一因子指标在未经处理的情况下缺乏可比性。一个非常明显的例子就是 BP 值(账面市值比),银行股的 BP 一般平均大于 1 ,而互联网相关服务行业近一年平均 0.1。所以如果只是认为高 BP 就是估值过低,那么就只会买进银行股而不买科技股,但这很明显不是合理的投资思路。同理的,一般大盘股 BP 值都比小盘股要高,但我们并不能根据 BP 的估值方法来断论小市值股票的收益率低于大市值股票,毕竟事实是恰好相反的。

    对单个因子进行分析,我们会发现有一些额外的因素影响了该因子的取值,比如在 BP 值的例子中,投资者对不同行业和规模的上市公司的成长预期以及市场的热点影响了 BP 的取值。我们要做的是把受到影响因素相同的股票归为一堆,然后在每一堆上进行中性化和去极值的处理,这样受到影响不同的股票之间就可以进行相互比较。接下来我们就以 BP 值为例介绍具体的处理方法,并可通过回测看出处理后的因子策略更为有效。

    市值

    首先,我们注意到【量化课堂】多回测运行和参数分析框架中给出的 BP 因子分位回测结果中,虽然从十年回测结果上看 BP 因子不同分位回报率还是比较有区分度,但是查看具体的历史走势显得凌乱混杂。下图是对比等权全指为基准的 BP 分位回报率超额收益(2006 年 2 月 1 日到 2016 年 11 月 1 日,两百万,持仓一个月每月月初调整,具体见链接)。

    q2auiq.jpg

    q2auiq.jpg 正如上面提到的,对于 BP 因子来说,常见的现象就是其分布在不同行业和不同市值的公司存在差异。下图展现的是从2005年到2016年每年年底按照总市值大小分成三种后每组的 BP 均值,其中 group1 是小市值股票,group2 是中市值,group3 是大市值股票。跨年比较的数据表明 BP 指标跟大盘的变动也挺相似,在牛市和熊市变动间不断转换,牛市平均 BP 低于熊市平均 BP。 同时我们可以看出,三个市值组合的平均 BP 相对排名在不同年份中是有变动的,在早年市场对于大盘股较为追捧,估值高 BP 相对小市值较低。从 2008 年之后,趋势发生了变动,小盘股更被关注,估值相对较高 BP 相对较低。感兴趣的朋友可以从相对变动的排名和 BP 值中挖掘处更多的信息。

    m6ZnE3.jpg

    m6ZnE3.jpg 以 2016 年为例,2016 年年底的 BP 按照不同的市值分组的分布情况,根据分布情况我们不止能得到均值的信息,而且能够分析出更多内容。根据分布情况我们可以直观的了解到不同市值分组的 BP 一、二、三、四阶矩都不同,反应为均值、方差、峰度和偏度都存在差异。看起来像是对数正态分布,但实际上我们试过对数转换后发现起始看起来离正态分布也差很远,因此没有使用对数值为基础进行随后的处理,而是使用 BP 的原始值。下图是使用默认设置的核函数绘制的不同市值水平 BP 的分布图。

    VvqMFn.jpg

    VvqMFn.jpg 分布的对数处理后效果

    yyuaIr.jpg

    yyuaIr.jpg 我们接下来要在大、中、小市值股票上分别对 BP 因子进行检测,为此应该分别对大、中、小市值的走势有一个评价标准,所以要构建三个分市值上证全股的回测作为基准。具体回测策略如下:按照当天的市值进行排序分三组,每月初进行调仓持有相同金额一个月上月没有停牌的该组内所有股票,从 2006 年 2 月 1 日开始到 2016 年 11 月 1 日,初始资金 2000000。下图我们可以看出三种不同市值股票的变动情况。从图形中三种策略开始区分我们对应到上图中几个组间 BP 相对排序变化的时点,在 2008 年之后开始,与普遍观测较为一致,小市值带来了很高的收益,尤其是相对于中等市值和大市值股票而言。

    JrAjQf.jpg

    JrAjQf.jpg 根据上图的三个回测结果为新基准,我们引入

    【量化课堂】多回测运行和参数分析框架进一步分析。首先给出一个总体的表现汇总,每个市值的不同分位回报率和最大回撤的结果。策略为:按照当天的市值进行排序分三组,在每个总市值分组中再对 BP 按大小分10组,每月初进行调仓持有相同金额一个月上月没有停牌的该组内所有股票,从 2006 年 2 月 1 日开始到 2016 年 11 月 1 日,初始资金 2000000,使用的是上证的股票。下图中 Max_drawdown 和 Annual_return 分别表示最大回撤和年化收益率,group1、group2 和 group3 分别表示小、中和大市值回测结果。我们可以看出各种表现里小市值具有明显高于另外两组的收益,无论从哪一个 BP 分位而言,同时其也具有相对于其他市值分组更小的最大回撤。

    iYb2Iv.jpg

    iYb2Iv.jpg 结合之前等权的分市值回测结果新基准,超额收益和超额收益的最大回撤率分别如下图所示。其中 Excess_max_drawdown 和 Excess_annual_return 分别表示超额收益率的最大回撤和年化超额收益率,group1、group2 和 group3 分别表示小、中和大市值回测结果。首先,可以看出不同市值水平下,BP 因子还是具有相似的逻辑,BP 因子越大回报率相对较高。其次,高 BP 股票结合新基准对冲之后的超额收益率具有较低的最大回撤,这是我们很高兴看到的。第三,结合不同市值分组的高 BP 因子分位表现,我们可以发现小市值结合 BP 后并没有特别出色的超额收益表现。这说明小市值股票整体具有较好的走势,而小市值中的 BP 因子却不能带来更好的超额收益。相反,在大市值股票中,BP 具有很好的超额收益。

    AbiEfi.jpg

    AbiEfi.jpg

    下图的回报率曲线仅展示针对自定义基准超额收益对数轴的图例(超额收益和对数轴的细节请查看【更新说明】新超额收益 和 对数轴)。从上到下分别是小市值、中市值和大市值。

    小市值

    rE7bia.jpg

    rE7bia.jpg

    中市值

    uu6jIr.jpg

    uu6jIr.jpg 大市值

    IBJzYb.jpg

    IBJzYb.jpg

    通过三个市值对数轴的超额收益我们可以看出,虽然不同市值最后的年化收益因子分位区分度较为明显趋同,但是具体的时序表现而言,不同市值因子表现差异巨大。BP 本质是估值因子,高 BP 分位策略就是持有 BP 因子较高股票,剔除持仓中 BP 因子较低股票,整体反映了价值投资的逻辑。对数轴超额收益最直观的解读是其数值大于零表示超额收益为正,超额收益对数值变大(变小)表示相对于基准收益差异变大(变小)。那么三个市值的超额对数收益率的表现如下:在大市值中高 BP 策略收益相对于大市值等权收益持续扩大;小市值高 BP 策略对于小市值等权收益的超额收益主要产生于 2011 年之前,后来没有扩大的趋势反倒发生了回撤,并且 BP 最大的小市值股票完全没有产生任何的超额收益;中等市值中大小市值中存在的现象并存。结合时间趋势可以看出,市场早期(2011 年以及之前)对于高 BP 的高额回报存在与大中小市值中,但中小市值的回报更多。这体现了早期市场中对于 BP 估值因子体现的公司价值投资的认可;在 2011 年之后的市场对于 BP 的高额回报更多体现在大市值中,小市值股票体现出了炒作影响,高 BP 策略已经难以带来持续的超过小市值等权带来的平均水平收益了。

    行业

    单因子结合行业的分析是另一种常见的分析框架。在聚宽平台中,我们分别有证监会行业分类和聚宽的行业分类。我们提取了 2014 年到 2016 年年底各行业的 BP 数据生成了下图,其中每个字母表示我们根据证监会行业分位的首字母把细分行业合并成上级行业后的行业分类(例如 A01 到 A05 五个次级行业归为一个上级行业 A)。这样处理后,我们给出了 14 个一级行业,分别为 A 农业,B 开采,C 制造业,D 能源,E 建筑,F 零售,G 交通运输,H 餐饮住宿,I IT相关,J 金融,K 房产,L 商务租赁,M 研发,N 公共产品,P 教育,R 文化,S 综合。删除没有行业给定的股票(以 2016 年年底为例,删除约占总股票数目的 9%),删除只有一只股票的行业(因为限制在上证上市股票可能最后出现这样的情况),同时删除同时具有两个行业标签的股票。

    6nIbqm.jpg

    6nIbqm.jpg

    通过上图可以看出,在对行业区别对待 BP 值这种方法上,确实不同行业的 BP 体现了行业估值逻辑的差异性。简单总结图中的几点:第一,行业的估值相对水平基本上比较稳定,例如无论哪年金融都比别的行业 BP 高,而 IT 相关的行业相对 BP 较低;第二 BP 在不同行业都体现了大盘的波动,普遍大部分行业的 BP 水平在 2015 年都低于该行业 2014 年和 2016 年的行业平均水平;第三点是 BP 不遵守上述两点规律的表现体现了市场的投资风向变动,这同时源于不同行业在当时经济发展和制度政策的条件。

    因为行业数量比较多,这里就不分别为每个行业进行分 BP 回测。在后面我们会展示按行业处理后的整体 BP 回测结果。接下来将介绍缩尾和中性化两个处理方法。

    缩尾

    缩尾和截尾是两种处理极值处指标的方法。所谓的 尾 是指上边分布图中拖拉很长但是每个横轴对应的分布概率又很小的部分。缩尾就是把超过阈值的指标值用阈值替换,比如大于 1.5 的 BP 值在后续处理中转化成 1.5 处理。截尾处理一般是把超过阈值的样本删除,然后在保留的样本中进行处理。

    缩尾和截尾一般对应两种阈值生成方法,一种是指定分位,一种是利用概率分布的均值方差处理。分位的方式很直观,当一个指标最大的 1% 和最小的 1% (或其他百分位)被认为属于极值,那么直接设定该值为阈值就可以了。这样的一个阈值选取需要基于既有的经验或习惯。另一种可以称为数据驱动型,就是阈值是由于数据本身的属性生成的而非人为给定,例如均值标准差方法。结合概率论的表述也很好理解,我们使用均值和标准差构建了一个样本值范围,该范围为所有样本中样本在一选定样本的概率(例如本研究中使用均值上下两个标准差的概率选定为 95%)。

    我们根据 2016 年底上证股票 BP 均值上下两个标准差进行缩尾处理,即把出现概率小于 5% 的极端值转化为阈值处的指标水平,然后按照市值分组画出处理前后的对比图。由于原始值的分布尾巴明显往右拖,因此缩尾处理后对于右部影响明显,明显把阈值外部分挤向中间。

    Nfi2ui.jpg

    Nfi2ui.jpg

    这两者对于尾的处理除了主要关注的值本身,还有对于样本的影响。即使不结合对于样本分布的影响讨论,样本量本身的变动差异可以看出,断尾处理与缩尾处理相比,减少了备选的可行股票池,具体减少多少根据预设处理参数决定。在实际的单因子策略中缩尾处理如果指定的标准影响的原始值数量不多,处理与不处理得到的结果影响不大,因为按照排序选取,择股只与相对大小有关而与原始值没关系了。此处就是缩尾与截尾对于结果影响的简单例子,如果使用其他比较复杂方法或模型,两者的差别会更加复杂。

    中性化

    中性化一般的处理方法是把原始值减去均值除以标准差得到,转化后新的分布均值为 0,大于原始值一个标准差的值变为 1,表示与均值一个标准差距离。有的时候研究中给出了中性化、标准化或规范化三个定义,实际上差异主要存在于表述中。简单总结,中性化体现了针对某个标准(例如行业或者市值)规范化/标准化的结果。

    转化的意义在于怎么把鸡和鸭一起比,比如说 3 苹果和 2 橘子哪个好?庸俗点转化成人民币标准就可以比了。不同行业(市值)的 BP 水平不一样,但我们假设每个行业最大 BP 的公司可能存在着相同的估值偏低水平,那么标准化就可以实现这样的效果了。上一幅图展现了数据在是否使用缩尾带来的差异,那么下图展现 2016 年年底 BP 数据在缩尾处理后是否对市值行业中心化的差别,使用默认核函数生成分布图。经过转化的图形看起来就比较正态相似了,那么可能每个不同市值组中提取相同 BP 值对应的股票,具有相似的可比性。

    7RJBji.jpg

    7RJBji.jpg

    行业和市值中性化

    首先看一下市值中性化的结果,在此之前先回忆一下不处理市值中性化前 BP 分位回测结果。

    Yf6JNv.jpg

    Yf6JNv.jpg 对市值中性化处理后 BP 因子策略的分位回测结果显得具有明显区分度,并且在时序变化表现中具有较好的一致趋势。高 BP 策略针对于等权全指策略的超额收益率持续放大。超额收益率的最大回撤也在下面展示了,最小的最大回撤(好拗口,就是第二、三分位的最大回撤)都在 10% 左右,已经还不错了。

    m6RrQj.jpg

    m6RrQj.jpg 不同的行业中性化 BP 分位回测对比等权全指的对数超额回报率。相对于等权全指的,行业中性化的结果和市值中性化的结果都明显好于没有处理的结果,但是行业和市值中性化结果对比而言,不同 BP 回测结果的超额收益率对数表明其区分度更好。反而言之,对于 BP 不能在不处理时具有很好的区分度这一问题,同时包含了市值影响和行业影响:不同市值的 BP 在均值和分布上都有差异,不同行业的估值逻辑导致其 BP 水平具有较大差异。结合对比的回测结果可以看出,市值和行业的 BP 干扰中行业的问题更大。

    uIvI3a.jpg

    uIvI3a.jpg 行业中性处理和市值中性处理的回报率与回撤。

    nmM3ae.jpg

    nmM3ae.jpg 行业中性处理和市值中性处理的超额回报率与超额回报最大回撤。

    73YRfu.jpg

    73YRfu.jpg

    小结

    本文是对于之前调参框架的实用案例,也是对于因子数据处理方法的一个介绍。具体的股票分类和中性标准寻找,需要结合研究的因子而变,因为每个因子受到的影响因素存在差异。本文给出的市值和行业是因子分析中常用的特征指标,但并不是所有因子都这样。当找到合适的标准后,根据上文给出的分析方法,可以进行分组研究并进行中性化处理已得到更加合理科学的结果。

    函数和变量说明书

    fauQn2.jpg

    fauQn2.jpg

    MJvI3y.jpg

    MJvI3y.jpg

    展开全文
  • 因子数据处理之市值中性化概述市值影响怎么去除市值影响回归法简介流程分析代码实现 概述 众所周知, 行业和市值是两个十分显著对因子有影响力的因素. 在进行截面回归判断每个单因子的收益情况和显著性时,需要特别...
  • 对于量化研究而言,拿到一份基础数据,首先需要对数据做预处理,以便于更好的探究数据规律,基于不同目标有不同处理环节,其中去极值、标准化、中性化这三点经常被放在一起讨论。整理网络资料,理解如下。 去极值 ...
  • 更多研究,欢迎关注微信公众号:ForTheLead1. 前言最近在学习Axioma的优化器的用法,主要是gui与它的Python API。Axioma的Python API真的还挺复杂的,使用Axioma的...目前国内也有一些量化平台在提供了一些优化器的...
  • 导语:一般的数据预处理中常提及到三类处理:去极值、标准化、中性化。我们将向大家讲述这常见的 三种数据处理操作。 一、去极值 在分析上市公司当季净利润同比增长率数据时,我们往往会被其中一些公司的数据干扰,...
  • 量化交易 简介

    千次阅读 多人点赞 2021-03-14 23:47:03
    简介概述量化交易的历史量化交易的产生量化交易的兴起量化交易的繁荣国内量化交易的发展史量化交易分类趋势性交易市场中性策略高频交易不同金融产品的投资技术股票期货量化交易的优势严格的纪律性完备的系统靠数据...
  • 量化策略分类

    2020-08-13 10:11:02
    目前国内量化策略类型的划分方式多样,从投资范围和风险收益属性特征差异的角度,可以将市场上主要的量化策略划分为市场中性策略、指数增强、量化选股、CTA、套利类策略、期权策略以及量化多策略等。 国内主流量化...
  • 量化策略的分类

    千次阅读 2019-12-09 10:22:22
    目前国内量化策略类型的划分方式多样,从投资范围和风险收益属性特征差异的角度,可以将市场上主要的量化策略划分为市场中性策略、指数增强、量化选股、CTA、套利类策略、期权策略以及量化多策略等。 国内主流量化...
  • 导语:一般的数据预处理中常提及到三类处理:去极值、标准化、中性化。我们将向大家讲述这常见的 三种数据处理操作。 一、去极值 在分析上市公司当季净利润同比增长率数据时,我们往往会被其中一些公司的数据干扰...
  • 前一篇文章python之快速数值计算,使用...本篇就用Z-score方法来对因子进行行业中性化计算为例子,来看看到底行业中性计算可以达到什么样的速度。 话不多说,先把C的计算代码框架拿出来,然后分析下行业中性化的运
  • 量化交易_1

    千次阅读 2018-05-26 01:03:15
    量化交易 量化交易基础 ...市场中性 高频交易 按照金融产品分类 股票 期货 量化交易历史:产生与上世纪60年代,兴起于70-80年代,繁荣于90年代。中国因为90年代才开市,所以2010年之后才兴起起来。 量...
  • 量化交易基础知识

    2020-06-22 09:49:29
    量化交易 现代统计学和机器学习的结合 计算机技术 用于进行证券投资的方式 主要利用一些数学模型来固化投资规律 需要掌握的技能: 计算机技术 金融基础知识 数据挖掘技术 分类: 我们做的主要是第二步的市场中性...
  • 菜鸡毕业路:量化策略(一)关于选择关于量化... Q-Quant来自于q measure,也就是风险中性测度。在 Q-Quant的协助下,银行把衍生品卖出去,对冲掉所有风险,收客户一笔手续费,这才是sell-side最本职的工作。 而P-Qua
  • 在多因子处理的过程中,对于因子的行业中性计算是运算量比较大,在因子处理时会花费比较多时间的一个环节。本篇就用Z-score方法来对因子进行行业中性化计算为例子,来看看到底行业中性计算可以达到什么样的速度。话...
  • 量化交易 多因子策略理论

    千次阅读 2021-03-17 11:54:45
    股票量化交易策略最基本有两种形式, 趋势交易 (技术分析) 和市场中性 (基本面分析). 经常使用的方法为多因子选股和趋势追踪. 不管是多因子选股策略还在趋势追踪策略, 都是为了获取一定的超额收益. 趋势追踪策略通过...
  • 这些大额亏损、甚至倒闭的量化基金,其策略都理应是“市场中性”的,也就是说,无论市场涨跌,其持仓都不受影响,即所谓beta为0。然而,为什么这次市场暴跌30%,这些市场中性量化策略也随之亏损呢? 举个例子,...
  • 1.一般意义上我们所提及的股票量化对冲策略实际上指的是股票中性策略,国内由于卖空机制的缺乏,个股的做空受限,一般只能通过做空股指期货以及ETF来达到对冲的目的,因此大多数管理人会有意或无意地在一些风格上...
  • 量化研究的流程

    2020-05-29 10:00:21
    在构建信号前进行数据处理、标准化、去极值、中性化 基础信号的研究、分组回测、ic、ir、衰减、行业分布 将基础信号合成复杂信号 四、构建策略 策略模板,兼容不同标的的策略,使用于股票...
  • 个人量化策略整理

    千次阅读 2019-03-11 22:07:39
    平台米框 ...单因子分析模板之二净利增长率(标准化中性化) https://www.ricequant.com/community/topic/36822/ 技术因子(选股,择时) #策略分享#【SAR_择时_发布】 https://www.ricequant.com/...
  • 文章目录p21 因子数据的标准化处理p22 市值中心化处理介绍p23 案例:市值中性化实现以及回测选股结果p24 市值中心化结果总结分析p25 总结 平台:https://www.ricequant.com/quant api1:...
  • 量化交易 因子数据获取

    千次阅读 多人点赞 2021-03-18 00:39:43
    中性化 单因子的有效性检测: 因子 IC 分析 因子收益率分析 因子的方向 多因子相关性和组合分析: 因子相关性 因子合成 回测 多因子选股的权重 调仓周期 平台介绍 我们将使用 RiceQuant 提供的投资研

空空如也

空空如也

1 2 3 4 5
收藏数 91
精华内容 36
关键字:

中性量化