《量化投资研究方法.ppt》由会员分享，可在线阅读，更多相关《量化投资研究方法.ppt（42页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、量化投资研究方法,金融工程首席分析师胡浩2010.08,目录,2,量化投资研究的定位 量化投资：仓位与情绪监控量化投资：行业配置与行业轮动量化投资：大小盘风格轮动监测量化投资：驱动因子及量化选股量化投资：事件驱动交易,1.1 量化投资的思想就在你身边,量化投资强调纪律性、系统性和大概率事件打个比方，漏斗Vs.筷子,3,1.2 定位：一张复杂的图表,4,目录,5,量化投资研究的定位量化投资：仓位与情绪监控量化投资：行业配置与行业轮动量化投资：大小盘风格轮动监测量化投资：驱动因子及量化选股量化投资：事件驱动交易,2.1 中信证券基金仓位监测方法介绍,可以分为净值收益估计和净值波动率估计两种方法实际
2、：股票S、债券B、现金C；假设：忽略现金部分，股票仓位a，则债券仓位1-a,震荡市线形趋势不明显时效果不好，此时波动率估计效果更好,确定估计方法之后最为重要的就是确定不同资产的收益，尤其是股票头寸指数替代法、基金重仓股替代法、风格重仓指数替代法等,净变动更值得关注股票S、债券B价格变动幅度不同导致仓位自然变化；基金主动调整组合导致仓位变动，我们称为净变动。（增仓行为：增加股票头寸/减少债券或者现金头寸应对赎回；减仓行为：卖出股票/申购资金没有转化成相应股票头寸）,6,2.2 基金仓位估计误差控制在正负1%,中信基金仓位监测所跟踪基金数量与分类,数据来源：中信证券数量化投资分析系统,保本型,偏债
3、型,中信证券基金仓位精度分析,总体来看，基金仓位估计存在正负1%的误差；由于采用了更加适用的模型，07年2季度以后跟踪误差出现显著下降,7,2.3 仓位峰谷值与仓位趋势判断,全部样本基金与股票型样本基金历史仓位测算走势,数据来源：中信证券数量化投资分析系统,仓位的谷值与峰值可以帮助我们判断趋势的反转。,8,2.4 情绪影响投资决策，导致投资行为偏差,投资者并非完全理性，受制于情绪波动心理因素在投资决策和市场演绎中起着重要作用情绪的大幅度波动导致认知偏差和情绪偏差，从而放大乐观或者悲观的情绪投资者情绪也是产生一些金融“异象”的原因之一投资者行为存在各种各样的偏差过度自信过度反应与反应不足损失厌恶
4、与处置效应从众心理与羊群心理暴富心理与新股炒作安全心理与低价股效应,洛杉机时报市场情绪周期,9,2.5 建立投资者情绪监控指标体系，拟合成情绪指数,数据来源及频率数据来源：Wind，中信数量化投资分析系统，中登等；周频率A股净开户数历史较短，以前四类指标为主,10,2.6 采用主成份法拟合情绪指数，形成可持续更新,采用主成份法，提取第一和第二主成份第一主成份，称之为“投资者情绪水平指数”第二主成份，称之为“投资者情绪变动指数”主成份拟合步骤周频率数据；标准化数据来源及频率数据来源：Wind，中信数量化投资分析系统，中登等；周频率A股净开户数历史较短，以前四类指标为主,11,2.7 情绪指数的多
5、种应用,投资者情绪水平指数在2之间波动可以提前12月预测股市的大顶和大底投资者情绪变动指数衡量投资者情绪的变动幅度历史经验表明，当情绪变动指数的值突破5时（其值一般在1.46，5.69之间波动），后续铁定出现一个跌幅超过6的调整。当情绪指数从负值上升到3附近时，后续可能出现调整，调整幅度在历史经验上不一，或不超过1，或达到5。,投资者情绪水平指数Vs.中标A股综合指数,投资者情绪水平指数Vs.未来一周涨跌幅,数据来源：中信证券数量化投资分析系统,数据来源：中信证券数量化投资分析系统,12,目录,13,量化投资研究的定位量化投资：仓位与情绪监控量化投资：行业配置与行业轮动量化投资：大小盘风格轮动
6、监测量化投资：驱动因子及量化选股量化投资：事件驱动交易,3.1 行业比较的自上而下VS自下而上,A股市场行业结构股改前后发生很大变化,产业转型与整合大量市场外存量资产上市,3.2 从多个角度入手分析A股市场行业轮动规律,A股市场具有独特的投资时钟和行业轮动特征行业间的高度联动行业轮动快速切换,行业配置结果,15,3.3 行业选择：业绩驱动+估值回复+动量反转,结果回溯：66.7%的月份配对66%以上行业。长期看能配好57.8%的行业。超配情况：08年11月耐用消费/能源/原材料09年4月金融地产/能源09年7月消费（零售、医药、半导体、传媒）09年8月食品医药、健康设备、软件服务、公用事业,定
7、量组合的历史配置情况,数据来源：中信证券数量化投资分析系统,3.4 主要基于业绩驱动和估值回复进行中期行业配置,数据来源：中信证券数量化投资分析系统,2009年4月30日行业配置策略不同行业超配/低配情况（按GICS行业划分）,根据财务数据披露节奏季度调整历史成功概率58.9%,17,3.5 积极利用动量反转把握短期行业轮动,数据来源：中信证券数量化投资分析系统,持有期和观测期均为一个月的动量反转效应,A股市场行业动量反转效应分析短期动量效应显著：持有期和观察期均为一个月的动量效应最显著中期反转效应存在：持有期和观察期均为六个月的反转效应更明显,定量行业模型建议短期超配行业,数据来源：中信证券
8、数量化投资分析系统,18,目录,19,量化投资研究的定位量化投资：仓位与情绪监控量化投资：行业配置与行业轮动量化投资：大小盘风格轮动监测量化投资：驱动因子及量化选股量化投资：事件驱动交易,4.1 确定大小盘轮动指标体系，计算月度风格指针,大小盘风格轮动判断指标体系,风格指针的值通过加权计算各项指标而得到计算公式：大于5时，意味着投资风格倾向于大盘股；小于5时，意味着投资风格倾向于小盘股,20,4.2 通过风格指针的值判断风格轮动趋势,小盘股/大盘股Vs.月度规模风格轮动指标（1996年至今）,风格指针在大趋势走向上判断准确Hit Ratio达到近60%据此调整投资组合，超越全市场约80%,21
9、,目录,22,量化投资研究的定位量化投资：仓位与情绪监控量化投资：行业配置与行业轮动量化投资：大小盘风格轮动监测量化投资：驱动因子及量化选股量化投资：事件驱动交易,5.1 投资收益可以分解为市场因子、情绪因子、规模因子等,多因素模型：除市场因子外，规模、价值、动能等因子对业绩均有贡献典型的因素模型Fama三因素模型 包含动量的四因素模型Two Factor ：The Little Book that Beats The MarketEarning Yield(Modified)/Return on Capital(Modified)Barra模型 59-FactorVanguards 70-F
10、actor Model,23,5.2 通过量化因子监控体系洞悉A股演绎路径,经过三次修改和完善形成目前的监控体系已跟踪六大类共24个因子从99年以来市场表现，正在覆盖更多因子,PEPBPSEV/EBIDTA,EPS增长净利润增长营业利润增长利润总额增长,销售净利率ROEROAROIC,1 M Price3 M Price6 M Price12 M Price,3M Beta6M Beta3M Vol6M Vol,财务杠杆利息覆盖倍数,资金动量盈余动量成交动量,预测EPS增长,毛利率期间费用率,PCF,总股本,持股集中度流通股本,24,5.3 最新体系综合考虑因子收益率和模型稳定性,L/S Ac
11、cumulative Performance,Difference of L/H PostAlpha Prob.,Accumulative Excess Return,Ranked Information Coefficients(IC),Avg. ReturnVolatilitySharp RatioHit RatioDuration,IRsICs,Avg. Prob.T-Testing,25,5.4 长期表现：估值/成长/风险因子贡献显著,股市场长期驱动因素表现对比,数据来源：中信证券数量化投资分析系统,长期：估值/成长/风险轮动：规模阶段：盈利其他：动量,进一步分大盘和小盘进行细化研究,
12、26,5.5 不同因子表现存在周期性,27,5.6 量化个股精选模型之一：GARP选股策略研究,GARP策略意味着所有的股票都值得投资？GARP策略可以取代价值策略和成长策略？价值和成长会发生轮动，不同市场环境具有不同表现GARP策略兼顾成长与价值，可以平滑不同市场阶段表现更具持续性价值/成长策略更加注重基本面分析，分析其内在价值，成长性GARP策略更加适合量化投资,28,5.7 GARP选股策略研究：量化流程,29,5.8 寻找适合国内市场的一种模型设定：指标设定,价值成长矩阵数据来源：财务指标和价格数据来自中信证券数量化分析系统预测数据来自一致预期,依单一财务指标高低构造组合表现,数据来源
13、：中信证券研究部整理,30,5.9 寻找适合国内市场的一种模型设定：打分方法,打分方法排序按秩打分：排名越靠前得分越高，排名越靠后得分越低（打分不考虑行业差异）五个价值指标和ROE波动按倒序排序打分除ROE波动外四成长指标按顺序排序打分总分：每个指标秩值得分加总分别得出价值度和成长性（金融业价值指标不考虑EV/EBITDA，因此四个价值得分加总之后*5/4进行恒等变换）,价值成长矩阵打分示意,数据来源：中信证券数量化投资分析系统,31,5.10 我们的选股策略展现出持续的增强效果,中信证券量化策略组合走势（2006年8月之前为后验的模拟，之后则是“真枪实弹”的show）,32,5.11 价值动
14、量模型的逻辑,价值因子入选股票同时具备高E/P和高B/P的特征,动量因子长期动量信号捕捉强势行业和个股的“惯性”反转因子作为短期信号修正,33,5.12 量化个股精选模型之二：价值动量策略,基础股票池：沪深300；交易成本：0.3%月平均收益率为0.95%，超额收益的标准差为0.0262每期换手率平均是52.07%，入选的股票数量31.46支,34,20032009价值动量模型历史表现,模型历年超额收益,目录,35,量化投资研究的定位量化投资：仓位与情绪监控量化投资：行业配置与行业轮动量化投资：大小盘风格轮动监测量化投资：驱动因子及量化选股量化投资：事件驱动交易,6.1 事件驱动交易、时机创造
15、价值,分红送配、股权激励、成分股调整、股东增持等事件带来交易机会事件冲击能带来超额收益，但是把握时机和节奏很关键,36,6.2 事件驱动交易研究方法,事件驱动研究方法的定量部分基准指数：沪深300指数估计期：以事件公告日为第0天，以-T为公告日前第T个交易日，T为公告日后第T个交易日。事件分析期：以事件发生日前后各N个交易日为分析期，分析事件发生前后是否出现超额收益以及出现超额收益的具体时间区段定义好参数以后，通过事件研究方法计算出考察样本的超额收益和累计超额收益情况事件驱动研究方法的定性部分剔除异常因素带来的干扰值，寻找定量分析结果的背后机理建立事件驱动的常态跟踪机制，发现事件驱动机会并捕捉
16、交易时机,37,6.3 案例分析：可分离债发行、高送配,在可分离债的发行过程中，存在事件驱动交易机会发审委过会、募集说明书发布、股权登记和债券权证上市四个事件对股价有显著的影响高送配对于股价具有短期影响分配预案信息提前走漏的可能性较大，预案公布前进入可以获得一定的超额收益,可分离债发行前后存在的超额收益机会,送配预案公告事件前后累计超额收益走势,38,6.4 事件驱动交易，时机创造价值,事件驱动交易，时机创造价值事件导致股价短期变化分析事件，定位交易时机抓住时机，捕获交易价值融资融券推出之后获取事件对股价的负面影响收益引入股指期货，锁定价值对冲系统风险，锁定超额收益,系统风险（）,股指期货空头
17、（-）,仅留下超额收益（alpha）,超额收益（）,39,中信证券金融工程团队：不积跬步，无以至千里,胡浩（010-84588430，）02年加入中信证券，中国人民大学统计学硕士、金融工程专业博士。早年征战于金融产品开发小组，后转入研究部，国内横跨指数开发、基金评级、基金产品设计、股指期货、量化策略等多领域的专业人士之一，现为金融工程团队负责人。严高剑（010-84588430，）06年加入中信证券，中国人民大学应用数学学士、数量经济学硕士。具有深厚的金融数学、计量经济学功底，在因子驱动及量化选股、行业配置、事件驱动策略等方面推出了很多有影响力的报告。马坚（010-84588685，）,40,
18、00年毕业于清华大学计算机科学与技术系，同年加入中信证券，见证了中信证券数量化分析系统的创立与演进。曾从事中信标普系列指数的编制与开发、数量化投资系统的设计开发，具备扎实的计算机编程功底和多年的数据库管理经验，现主要从事指数及衍生品的研究，负责金融工程研究成果的软件化。,中信证券金融工程团队：不积跬步，无以至千里,李栋（010-84588397，）09年加入中信证券，清华大学自动化系学士及硕士。加入中信证券前曾服役于对冲基金千年资本管理公司两年有余，主要工作是开发适用于美股、欧股和日股的量化交易模型，对统计套利具有较深的理解。现主要从事A股的多空量化交易研究。林小驰（010-84588425，）07年加入中信证券，北京大学会计学博士。具有深厚的会计学功底，在财务分析、财务造假识别、财务因子特性等方面进行长期的研究。现主要负责财务培训及财务因子在A股的应用研究。岳子义（010-84588054，）,41,07年毕业于清华大学软件工程系，10年加入中信证券，加入中信证券前曾服役于IBM软件开发中心，具备扎实的计算机编程功底和多年的数据库管理经验，现主要从事金融工程的数据库建设及研究成果的软件化。,联系人：胡 浩 010-84588430 致谢！,42,