量化投資的分類、演進和發展方向--景順長城量化總監發言紀要

發表時間:2017-12-21 13:09:10

關注:742

景順長城基金管理有限公司量化投資部總監黎海威先生發表了題為《量化投資的分類、演進和發展方向》的主題演講。

2017年12月13日,景順長城基金管理有限公司量化投資部總監黎海威先生,受邀于海通證券年度投資策略會金工&產品分會場發表了題為《量化投資的分類、演進和發展方向》的主題演講。內容詳實、條理清晰,令聽眾獲益匪淺。現將演講內容整理如下,以饗讀者。

高道德(主持人):

我覺得今年量化的業績不太好,主動是量化之間的風格比較單一造成的,也是因為主動量化之間產品不夠豐富、規模不大引起的。我建議公募這邊最好要發工具性比較強的產品,就是說看重自己的基礎,公募基金產品工具化是公募基金里最重要的方向。以滬深300作為基準的很多基金的風格并不明確,而未來的趨勢是公募基金的工具化非常明顯。

今天上午還有一個比較大的基金公司領導請我幫他們內部的產品梳理一下,哪些產品關掉,哪些產品自生自滅,哪些產品重點營銷。特別重要的是公募性產品雖然小但布局進去了也一定要想辦法投入資源做大。所以說公募基金一定要工具化,量化產品有自己的優勢——工具性本來就比較強。所以需要在產品布局上做工作。

下面歡迎景順長城基金管理有限公司量化投資部總監——黎海威,演講的主題是《量化投資的分類、演進和發展方向》。

黎海威 :

很榮幸有機會在海通策略會上和各位同行做交流,這個PPT是9月份在機構策略會上聊過的,我稍微地改了一下。今年以來量化風格切換對各方面還是有挑戰的,如果有一個好的產品線布局,會更加從容一些。我是2012年回國以后加入景順長城的。在海外工作的時候,所在公司(BGI)的90%左右管理規模都是來自于養老金。養老金對于投資的期待很大程度上塑就了我們的投資風格。加入景順長城以來 ,我們的量化產品整體定位在相對基準做相對收益,比如基準是滬深300、中證500、中證1000,等等。在此基礎上爭取做到信息比率最大化,這是基本的出發點。這也是一個慢工出細活逐漸積累的過程。我們的規模從去年到現在有了爆發式的增長,主要的原因在于過去3、4年的慢慢積累,實現了穿越整個市場大幅波動后的穩定業績。

當然,積累的過程是比較漫長的,有的時候必須要忍受短期排名的波動。由于早期對工具型產品的定位比較清晰,使我們能夠契合市場機構化的需求。股東方對我們短期規模要求不高也給了量化業務更加從容的發展空間。

今天演講的題目是《量化投資的分類、演進及發展方向》,是基于我自己粗淺的了解。主要包括以下幾個方面:起源、分類對比、演進挑戰、發展方向及展望。量化的起源沒有什么特別的疑義,主流的資產組合的投資理論都是從30年代到50年代開始的,總的來說是價值投資的基本理論加上組合管理的理論。其后的時間里,很多因素都加速了量化投資的發展。從技術上來講,計算能力的提升使很多工作變得容易。在構建多因子模型時還是有一定的計算量的,如果真的都用手工去計算的話會相對麻煩一些。計算機的出現和應用讓相關工作更加簡便。CPU的速度提升及硬盤成本的下降,各種數據庫的普及、商業化風險模型的出現(比如Barra),使得量化投資越來越具有現實可能性。

在2006年12月,當時所在的團隊開始進行A股量化研究的準備工作。我回到國內拜訪了很多券商和數據提供商。在深圳調研數據提供商時,深深感受到中國人的創造力。我們知道當時交易所還沒有使用統一的格式XML來收集財務數據,還是PDF為主。當時是數據采集是手工輸入的方式,一般有兩個助理研究員輸入,再來一個人比對,如果他們輸入的數據一致就通過,不一致就需要著重檢查。這種模式需要相當的人力,這就是為什么后來數據處理中心會遷到內地的大學城,人員素質較高,但成本地方相對低的地方,而商務中心仍然在一線城市。當采購完相關數據以后,2007年初,我們就有機會在全世界范圍成為最早的一兩家系統性地用量化的方法研究A股的機構。在其后的2,3年時間里,我們團隊從各個角度盡可能仔細地研究A股的收益風險特征。在此基礎上抽象出適合的多因子模型成為團隊每天的主要工作。

和其他很多商業模式一樣,量化投資的風格很大程度上還是客戶驅動、需求驅動的。美國市場在401K法案通過以后市場機構化的趨勢進一步加快了。其中校友基金會、養老金起到了很大的作用。這些配置型資金都要求基金投資風格比較固定比較透明,與量化的基本特征是不謀而合的。你會發現量化的整體規模在90年代以后上來很快,因為它的優勢逐漸展現出來了。其實機構對底層資產的穿透也需要工具進行分析。當各種風險分析工具、分析模型更加成熟以后用起來會容易一些,這也在很大程度上促進了量化的發展。

對于量化投資策略的類型,從不同角度有不同的分類。我們嘗試用自己的理解做一下劃分。被動投資通過ETF和指數基金的方式,全復制或抽樣復制來跟蹤相應指數,爭取提供低成本和高流動性的市場平均收益。如果你想拿到市場平均收益率沒有ETF和指數基金的話工作量是非常大的,一般來說普通機構是非常難做到的。

如果從投資方向來講,我們所說的主動量化的內涵是非常廣泛的。當然很大程度上各類量化投資在框架上具有一致性,具體的風格取決于使用什么樣的因子。比如量化基本面投資更側重于基本面信息。如果你的持倉區間在3到6個月甚至更長,一年換手2、3倍,投資方向必然是偏基本面的。上市公司一年有4次季報,公布季報的時候市場的關注點在基本面信息,這時市場定價肯定是以基本面為主。如果投資偏短線,一兩天的頻繁調倉,這種和基本面關系就不大。這一塊兒關注的多半是短期的定價偏差,比如統計套利。其實沒有說誰一定好誰一定不好,取決于客戶的偏好和資金屬性。2008年以后,高頻交易在美國興起,它更關注市場的微觀結構。但在中國目前的市場環境里是很難出現真正意義上的高頻交易。不僅如此,在亞太市場上我們都很難開展大量的高頻交易,這主要是因為印花稅的存在。

CTA策略大家也相對熟悉,主要投資到各類商品和指數期貨上。過去兩年CTA在中國市場起來很快,在私募里面的運用得更多了一些。大類資產配置更多是偏長線的,通過宏觀、技術、估值等各個維度對大類資產的走勢進行預測,以戰術資產配置(TAA)為例,投資區間一般在12個月以內。現在主流的大類資產配置和FOF投資有一塊會用到量化TAA的。當然我們也可以從資產類別劃分量化投資,比如專門做股票、債券、商品的投資和跨資產領域的資本結構投資,等等。

如果對比一下量化投資其實是很有意思的。很多人認為量化投資是黑匣子,但是我認為恰恰相反,量化基本面投資是非常透明的,只不過語言和框架和傳統的主動投資不一樣。特別是持倉周期稍微長一點的3個月、6個月的量化主動投資,它和傳統主動投資是異曲同工的。從投資的基本法則大家都能了解,如果我有比較好的投資能力的話會希望怎樣做?我自然希望能夠讓我的投資技能更廣泛的應用,更多次數的應用?;褂幸桓鑫侍饈峭蹲始寄茉趺醋匠植腫楹俠?,很多東西看起來不錯,但不一定可以實現。相對于主動投資,除了投資想法,量化投資也需要相關數據來實現。好在現在有大數據以后,很多投資想法實踐起來會相對容易一些,特別是對非結構化的數據,比如文本、語言、圖像的數據識別會比以前好很多。

其實量化投資和傳統主動投資是互補的,可以互相取長補短。傳統主動投資的基本做法是基金經理結合研究員的想法進行篩選和投資。比如核心股票池200只,二級股票池400只。對這些股票進行調研,結合宏觀、行業、管理層、公司基本面等信息,深入了解后集中持倉20只~30只。對量化來講,雖然在個股層面上很難做得那么深入,但只要平均每只股票有55%~60%的把握,可以通過更廣的投資來分散風險,提高整個組合的贏面。持倉100只~200只的股票組合每年換手3倍左右,相當于一年的時間里獨立投資300次~600次,這樣整個基金的穩定性就會上來。量化選股模型相當于一個研究員團隊。全市場30來個行業,每個行業里肯定是有非常TOP的研究員,使用模型來擊敗頂尖的研究員(比如前20%)是有難度的。量化投資的目標是爭取在每個行業里擊敗后面60%的人。這樣一來會有什么好處?雖然在每個行業都不是最頂尖的,但都是中上的,避免木桶的短板。如果量化模型在30個行業的執行是非常有效率的話,就能夠形成一個整體的優勢。

我們每個人因為自己的職場背景、教育背景,會在做投資決策的時候有不同的判斷。比如一個TMT或者醫藥背景的基金經理面對保險股行情的時候,即使金融研究員看的很準,告訴你保險不錯,你多半還是會猶豫。因為你以前的經驗和保險是有一定距離的,但量化模型沒有這樣的距離。這是它的比較優勢,可以把模型的觀點有紀律性地執行到組合里去,通過這樣的方式不斷地爭取領先市場形成收益。

我們簡單比較一下各種量化策略在國內的適用性?;久娑嘁蜃恿炕P馱謚泄擻玫幕故嗆芄惴旱?,至少有接近10年的歷史。相對來說這種策略適用范圍比較廣,換手率是相對比較低的,投資期限可以短期可以長期。CTA在國內市場起來的也非???,風險收益比還是相當不錯的。CTA的主要好處是加杠桿是比較容易的,也許它的信息比率不一定比主動量化多因子的模型高,但收益率可以通過杠桿放大。相比較而言,大類資產配置更多是偏中長期的配置,多頭為主,基本面為主,雖然國內資產類別不夠豐富,但基本方法的適用性也不錯。

有客戶曾經問到過回撤是怎么事前估計的?我跟他說如果能夠事前估計的話就不叫回撤了,既然有回撤肯定是超預期的。傳統的均值方差優化雖然有很多不盡如人意的地方但大部分人還在用,雖然實際的分布有尖峰厚尾的問題,但好處是比較簡單,比較容易做。我們自己多年的觀察是雖然策略的波動性和回撤不是一一對應的,但基本上風險越大回撤越大。另一方面,如果信息比率較高,回撤會相對小一些。目前中國的情況選股策略做到年化3到4的信息比率是有可能的,最大回撤大致相當于年化主動風險或波動率的一半左右。如果信息比率在1到2的話,最大回撤大致相當于年化主動風險或波動率。

量化投資流程大家都比較了解了。這幅圖是海外比較成熟的框架,我們公司也是按照這樣運行的。量化多因子框架還是強調在收益、風險和交易成本之間取得平衡,比較而言傳統主動投資更多強調收益。量化投資本身還是偏機構、偏定投客戶, 工具化的管理。當然模型構造的最核心部分是在收益預測這一塊兒,各家做法不一樣。我們要做的是找到自己的定位。每個人的成長背景不一樣,有不同的比較優勢,怎么樣通過一個框架把自己的比較優勢最大化。有些東西你可能做不好可以不做,完全可以通過模型區分出來。有些方向做得好一點可以放大一點,比如說在價值投資方向有優勢,完全可以把價值敞口給放出來。長期來說,如果有一個靠譜的框架,能夠不斷地積累自己的比較優勢,而不是關注短期的3到6個月的收益。這樣更有可能做得好一些。

我們看到量化作為一個新興事物在發達國家市場上過去30年經歷了一輪重新出發的過程。在中國市場的輪回可能來得會更快一些。1979年量化主動投資開始起步,以多頭為主。量化市場中性和量化宏觀策略1990年以后逐漸出現。2000年以后量化債券投資也開始起來。2007年2008年的時候量化經歷了一輪?;?,規模縮水很多,經過了幾年才逐漸恢復過來。最近幾年,Smart Beta、人工智能、大數據慢慢地進入大家的視野。

介紹一下Alpha和Beta的分離。在美國市場,80年代以后機構客戶的影響力開始上來,定價權也隨之上來。如果你能擊敗基準,你的Alpha的定價可以較高。如果不能的話那就定價較低。其實在70、80年代,美國的基金業投資限制也很少,美國主動管理的基金甚至可以投20%到海外去。當時也是主要看收益,而不太注重基準?;拐急繞鵠匆院?,基準的約束力越來越強。在指數基金和ETF出現的同時,與市場低相關的市場中性基金也在逐漸地興起。在低費率的beta(比如各類基準的ETF,指數期貨和SWAP)的基礎上疊加(overlay)alpha成為各類機構青睞的配置方式。

金融?;院筧虻淖什芾磧幸歡問奔涫潛冉霞枘訓?。低利率甚至負利率環境,alpha越來越稀缺都讓這種方式受到一定的挑戰。強調總收益(total return)的傳統方式出現了一定回流。當然,中國以后一段時間里還是在Alpha和Beta分離的階段。

量化債券投資國內也有非常廣闊的未來。這一塊的很多機會隨著中國信用風險的定價越來越合理而出現。本質上來說,債券和股票都是一個上市公司在不同市場領域里的映射。

多元資產投資在2008年金融?;院笤嚼叢叫似?,管理規模增長很快。這方面主要面對的挑戰是在宏觀層面上隨著系統風險的加劇各大類資產的相關性增加,導致配置的困難。國內的債券、股票、黃金、其他大類資產之間的相關性不高,大類資產配置的空間還是很充裕的。

稍微聊一下Smart Beta和Factor Investing。傳統說來說beta是資本定價非常核心的基石,但大家慢慢地發現beta不能完全解釋資本市場的多元化,需要其他的變量加入,這就逐漸形成了多因子的定價。而整體的定價框架從alpha和beta,逐漸演變為alpha,beta和smart beta。其中有些Smart Beta因子在不是很久以前還是量化模型Alpha的核心因子之一。隨著市場的演變,單獨切割出來以更低的定價提供給機構投資者進行大類資產配置。Smart Beta和Factor Investing在市場上的宣傳是最近幾年起來的,早年是沒有Smart Beta講法的。

Smart Beta和Factor Investing有什么區別?這兩個概念很多時候是交替使用的。Factor Investing的概念更加寬泛一些,更多是以單一因子投資為主,當然也可以進行多因子投資,可以是多頭也可以是多空對沖的。Smart Beta一般情況下是指純多頭,一種指數非市值加權的方式。

Smart Beta的形式主要還是大家非常熟悉的幾類基本面因子,紅利、價值、低波動,等等。美國市場和歐洲市場的Smart Beta的管理規模分布情況看起來差不太多。大家覺得機構進行Smart Beta的配置原因主要是不是因為便宜?其實不一定,根據相關的問卷調查,很大的因素還是風險控制。在核心持倉基礎上加衛星的時候,smart beta提供了一種簡單有效的方式。

Smart Beta和Factor Investing領域里的主要管理人大家都很熟悉了,基本上都是比較出名的量化管理人,比如BlackRock、AQR、Dimensional等。MSCI和Research Affiliates等傳統的指數管理人也切入了Smart Beta的管理領域。

稍微聊兩句量化的發展方向,人工智能大數據最近討論得很多。我自己的觀察是作為大數據來說不管對量化主動性投資還是一般的主動投資都有非常大的幫助,形式非常多元化。前不久去香港參加量化的會議上,看到有一家海外大數據運營商可以提供各種衛星圖片和相關信息,比如可以跟蹤到公司的倉儲和運輸情況。它的核心客戶之一是法國國防部。這里面會有很多信息,包括現在網上各種各樣的使用,只要信息合法能夠合法地獲取,對投資決策都是有幫助的。人工智能和機器學習更多的在高頻和髙維度能發揮作用,在中低頻的投資方面短期發揮的更多的是輔助作用。

很多人問量化會不會替代主動投資,或者之間有沒有什么長期的區別呢?這中間肯定會找到競爭的均衡點。我們看到有相關研究表明在非常長的時間里兩者產生的Alpha的均值在統計意義上沒有區分。但各個類別里都會有有優秀的管理人,都有可能做的很好。另外對機構客戶來說有個好消息,兩者alpha的相關性長期看趨近于0?;蛘咚蕩持鞫屯蹲時硐趾玫氖焙蛄炕鞫蹲時硐植?,量化表現好的時候傳統主動型表現差。在alpha方面,兩種投資方式搭配起來可以充分地分散風險。


免責聲明:對本網站的內容,我們不提供任何形式的關于內容的正確性、有效性、穩定性、不侵犯他人權利等方面的保證;不保證網站內容所包含的文字、圖形、或其它事項的準確性或完整性,也不保證本網站的內容不存在打印、復制及其他輸入方面的錯誤。"安恒量化"可隨時更改本網站內容,但不保證在更新時通知您。用戶使用本網站服務所存在的風險和產生的一切后果 由自己承擔,本網站不承擔任何法律責任,如果本文侵犯了您的知識產權,請與我們取得聯系,我們會及時修改或刪除。

 

官方郵箱:[email protected]

工作時間:周一至周五9:00-18:00


圖片展示


     官方郵箱:[email protected]?

     工作時間 周一至周五9:00—18:00

溫馨提示:國際金融市場交易均存在高風險,并不適合每一位投資者,敬請深入研究,審慎決策。本站所有內容僅出于傳遞更多信息之目的,不構成任何投資建議。本站提供的量化交易系統策略服務僅限于服務,不接觸投資者的資金,投資者需自行承擔風險,詳情查看 【風險聲明】

官方微信