量化选股模型课件.pptx

1、2 丁鹏 博士中国量化投资学会 理事长 量化投资策略与技术作者 量化投资丛书主编 量化投资与对冲基金副主编 方正富邦基金公司 投资经理部门介绍大纲部门介绍大纲简介简介内容提要 量化选股概述 多因子模型 风格轮动模型 行业轮动模型 资金流模型 动量翻转模型 一致预期模型 趋势追踪模型 筹码选股模型阿尔法策略 阿尔法策略有正向阿尔法和反向阿尔法两种 （1）正向阿尔法就是构建一批超越市场的股票组合，同时做空股指期货 （2）反向阿尔法就是融券做空一批弱于市场股票组合，同时做多股指期货 阿尔法的核心在于：量化选股模型量化选股概述 量化选股策略总的来说可以分为两类：第一类是基本面选股，第二类是市场行为选股

2、。 基本面选股主要有：多因子模型、风格轮动模型和行业轮动模型。 市场行为选股主要有：资金流模型、动量反转模型、一致预期模型、趋势追踪模型和筹码选股模型。多因子模型 经济学解释经济学解释 多因子模型是应用最广泛的一种选股模型，基本原理是采用一系列的因子作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。 例如，当很多投资者认为低PE的价值型的股票是好的投资标时，他们纷纷买入低PE的股票，会使得该股票出现上涨，或者超越大市。这样就使得低PE这个因子的有效性得到体现 多因子模型 一般而言，多因子选股模型有两种判断方法，一是打分法，二是回归法。 （1）打分法就是根据各个因子的大小对股票进行打分，

3、然后按照一定的权重加权得到一个总分，根据总分再对股票进行筛选 （2）打分法是最简单，也是最稳定的筛选因子的方法。其中因子的权重对最终的结果有着至关重要的影响。多因子模型 （3）回归法就是用过去的股票的收益率对多因子进行回归，得到一个回归方程，然后把最新的因子值代入回归方程得到一个对未来股票收益的预判，最后以此为依据进行选股 （4）回归法的问题在于很难找到一个精确拟合的回归方程，存在很大的模型误差，所以实战中用处不广。多因子模型 多因子选股模型的建立过程 1候选因子的选取候选因子的选取 候选因子可能是一些基本面指标，如 PB、PE、EPS 增长率等，也可能是一些技术面指标，如动量、换手率、波动等

4、。 2选股因子有效性的检验选股因子有效性的检验 一般检验方法主要采用排序的方法检验候选因子的选股有效性。多因子模型 （1）对于任意一个候选因子在模型形成期的第1个周期初开始计算各股票该因子的大小，按从小到大的顺序对样本股票进行排序，并平均分为n个组合，一直持有到周期末。 （2）在下个周期再按同样的方法重新构建n个组合并持有到周期末，每个周期如此，一直重复到模型形成期末。 （3）组合构建完毕后，计算这n个组合的年化复合收益、相对于业绩基准的超出收益、在不同市场状况下的高收益组合跑赢基准和低收益组合跑输基准的概率等 多因子模型 3有效但冗余因子的剔除有效但冗余因子的剔除 不同的选股因子可能由于内在

5、的驱动因素大致相同等原因，因此其中的一些因子需要作为冗余因子剔除。 具体的方法有很多，比较典型的是计算相关系数的方式 假设需要选出k 个有效因子，样本期共m 月，那么具体的冗余因子剔除步骤如下： 多因子模型 （1）具体方法：令组合1和n相对基准的超额收益分别为 AR1 和 ARn，如果AR1ARn，组合i的分值为n - i+1 ，即所有组合的分值取1 到n间的连续整数。组合得分确定后，再将其赋给每月该组合内的所有个股。 （2）按月计算个股的不同因子得分间的相关性矩阵，令第t月的个股因子得分相关性矩阵为：( Score _ Corr t, u , v )，u,v = 1, 2, ., k，u 和

6、v 为因子序号。多因子模型 （3）在计算完每月因子得分相关性矩阵后，计算整个样本期内相关性矩阵的平均值，计算公式为： （4）设定一个得分相关性阈值 MinScoreCorr，对得分相关性平均值矩阵中大于该阈值的元素所对应的因子只保留与其他因子相关性较小、有效性更强的因子，而其他因子则作为冗余因子剔除。 。, 2 , 1,）,Score_Corr11（kvumtvutm多因子模型 4综合评分模型的建立和选股综合评分模型的建立和选股 在模型运行期的每个周期初对市场中正常交易的个股计算每个因子的最新得分，并按照一定的权重求得所有因子的平均分。然后根据模型所得出的综合平均分对股票进行排序，然后根据需要

7、选择排名靠前的股票。例如，选取得分最高的前20%股票等。 5模型的评价及持续改进模型的评价及持续改进 由于量选股的方法是建立在市场无效或弱有效的前提之下，随着使用多因子选股模型的投资者数量的不断增加，有的因子会逐渐失效，而另一些新的因素可能被验证有效而加入到模型中，因此需要不断的修订。多因子模型 1. 有效因子的选取有效因子的选取 本案例选取19972010年共14年作为样本期，其中19972004年作为因子检验筛选期（共8年），20052010年作为选股模型的样本外检验期（共6年）。 所选股票样本为所有正常交易且上市时间超过一个季度的A股股票，业绩基准为上证指数。多因子模型案例从估值、成长性

8、、资本结构、技术面等角度，选取了30个较为常见的指标作为模型的候选因子，具体的因子选取如表所示。估值因子成长因子资本结构因子技术面因子账面市值比盈利收益率PEG股息率现金收益率ROE ROAROE 变动ROA 变动EPS 增长主营收入增长率EBITDA 增长率主营毛利率主营毛利率变动收入净利率收入净利率变动再投资率资产负债率固定资产比例流通市值6 个月动量12 个月动量1 个月反转换手率换手率变动波动波动变化震荡指标多因子模型 2. 选股因子有效性的检验选股因子有效性的检验因子年化复合平均收益超额收益收益与分值相关性跑赢概率（所有）跑赢概率（牛市）跑赢概率（熊市）账面市值比5.801.680.

9、9654.1766.6741.67盈利收益率8.294.170.8960.4258.3362.50PEG7.113.000.9756.2547.9264.58股息率0.764.880.6158.3356.2560.42现金收益率2.272.870.9859.7462.1657.50P/SALES6.532.410.9056.2564.5847.92EV/EBITDA3.890.230.8145.8352.0839.58ROE0.183.940.8247.9237.5058.33ROA0.744.850.9047.9239.5856.25ROE 变动5.731.610.9450.0045.835

10、4.17ROA 变动6.872.760.9154.1745.8362.50EPS 增长2.466.580.9946.8839.5854.17主营收入增长0.624.740.8741.6741.6741.67EBITDA 增长1.515.630.9651.0454.1747.92主营毛利率1.312.810.7452.0847.9256.25主营毛利率变动2.626.740.9051.0458.3343.75收入净利率5.711.600.8645.8341.6750.00多因子模型 综合考虑了复合收益、超额收益及相关性后，获得如表所示的经过检验过的有效因子。估值因子成长因子资本结构因子技术面因子

11、账面市值比ROE变动换手率变动盈利收益率ROA变动波动PEG现金收益率EBITDA 增长率主营业务利润率变动P/SALES收入净利率多因子模型3. 剔除相关性过大的因子（1）假定得分相关性阈值取 0.5（2）表中的盈利收益率和PEG相关性为0.89，ROA 变动和ROE变动相关性为0.70，盈利收益率和收入净利率相关性为0.59，（3）相关性均超过阈值，因此取其中超额收益相对较高的因子，最终剔除的因子为PEG、ROE变动和收入净利率，总共剩下9个选股因子估值因子成长因子资本结构因子技术面因子账面市值比ROA变动换手率变动盈利收益率EBITDA增长率波动现金收益率主营业务利润率变动P/SALES

12、多因子模型 4. 模型检验 （1）采用2005年1月到2010年12月共6年的数据验证该模型的有效性。 （2）每月初将样本股票按最新的综合评分从大到小排序，分为Q1到Q5共5个股票数量相同的流通市值加权组合，持有到月末，再在下月初用同样的方法重新构建组合，一直到检验期末 。多因子模型Q1Q2Q3Q4Q5累计收益(%)518.45386.32256.27130.91113.89年化复合收益(%)35.4830.1623.5814.9713.51年化超额收益(%)21.2915.979.390.780.68信息比率1.141.170.610.150.11月最大超额收益(%)21.1819.5813

13、.4116.3815.07月最小超额收益(%) -18.31-8.49-14.61-11.31-16.04跑赢基准月份占比(%)68.0668.0658.3344.4454.17上升市场跑赢基准月份占比(%)76.0971.7460.8747.8360.87下跌市场跑赢基准月份占比(%)53.8561.5453.8538.4642.31正收益月份占比(%)66.6769.4463.8958.3355.56表 多因子模型组合分段收益率多因子模型图 多因子模型净值表现多因子模型 （1）总体而言，多因子选股模型简单易行，有较好的稳健性，样本外的表现也很好 （2）实际模型构建中，可以根据因子在前期的表

14、现、个股所在行业、市场状况等，动态调整因子评分的比重，使得选股模型能更加贴近市场的现实状况。 （3）组合持有期长短的动态调整、交易成本的优化、模型运行过程中的风险控制等都可以考虑到选股模型中，使得模型具有更大的灵活度和更有操作性风格轮动 （1）市场上的投资者是有偏好的 （2）有时候会偏好价值股，有时候偏好成长股 （3）有时候偏好大盘股，有时候偏好小盘股。 由于投资者的这种不同的交易行为，形成了市场风格，因此在投资中，利用市场格的变化，进行轮动投资会比一直持有的效果好很多。 风格轮动 风格鉴别方法风格鉴别方法 国外投资风格鉴别技术一般可为两种： （1）一种是持股特征基础的投资风格鉴别法（HBS）

15、，包括晨星公司的风格箱法和新风格箱法、罗素公司的风格分类系统、富兰克罗素和所罗门兄弟公司开发的风格分类系统等； （2）另一种是收益率基础的投资风格鉴别法，如夏普的鉴别方法等。风格轮动表 晨星市场风格判别法价值混合型成长型大盘价值大盘混合大盘成长中盘价值中盘混合中盘成长小盘价值小盘混合小盘成长表 夏普收益率基础投资风格鉴别股票风格标普500成分股成长股非标普500成分股小市值股风格轮动 2经济解释经济解释 （1）经济周期。宏观经济表现强劲时，小市值公司有一个较好的发展环境，小盘股表现突出的概率高于大盘股。而当经济走弱时，投资者可能会倾向于选择大盘股，起到防御作用。 （2）反应过度/不足。Fama

16、 and French（1995）认为风格的周期性轮换是由于投资者的趋势追逐特性造成的。当某类风格的股票在某段时间内具有较好走势时，趋势投资者就会增加对该风格资产的投资，风格走势得以延续。但过度反应会使得该种风格的股票积累过多风险，泡沫最终破灭，形成了不同风格的周期性表现。风格轮动图 盈利预期生命循环周期模型风格轮动 风格转换策略模型实际上是在建立了一系列基本预测变量的基础上，寻找一个适用于风格转换的合理模型。主要有以下3类方法： （1）将风格相对收益率对相关变量进行回归。但由于建立精确关系较为困难，因此这种方法基本被排除。 （2）Markov Switch 模型。该模型主要关注相对收益率的历

17、史表现（按照Levist的变量分类办法，这些指标主要是技术变量），并不关注其他基本经济变量，因此这种方法可能遗漏了很多可用信息。 （3）Logistic 概率模型。在任意时点，风格转换的结果无非有两种，即转换或不转换。如果预期下期某类风格占优，则将现有风格转化为占优的风格。 风格轮动 （1）如果构建期后一月份的某风格（如价值股）收益率大于另一风格（如成长股）收益率，则yt+1=1，否则yt+1=0。 （2）建立递归预测方法，当构建期往后延伸时，则形成时间序列y1, y2,YTxxtteeypp11111风格轮动 本案例就A 股市场的大小盘风格轮动进行实证研究。 1大小盘风格轮动因子大小盘风格轮

18、动因子 （1）M2 同比增速：M2 同比增速为货币因素，表征市场流动性的强弱。 （2）PPI 同比增速：PPI 反映生产环节价格水平，是衡量通胀水平的重要指标。 （3）大/小盘年化波动率之比的移动均值：波动率表征股票的波动程度，同时也在一定程度上反映投资者情绪；风格轮动 2预测模型预测模型 （1）基于上面所讲的风格因子建立如下回归模型： D(Rt)=+1MGt-1+2PGt-3+3t-3+t 其中： D(Rt)为当月小/大盘收益率差（对数收益率）；MGt-1为上月M2同比增速；PGt-3 为3个月前PPI同比增速；t-3为3个月前小/大盘年化波动率之比的移动平滑值；t为误差项。 （2）本案例采

19、用滚动78个月的历史数据对模型进行回归，得到回归系数后对后一期的D(Rt)进行预测。 （3）数据预测期为2004 年6 月至2010 年11 月。风格轮动 3实证结果实证结果 （1）在78 个月的预测期中，准确预测的月数为42 个月，准确率约为53.85%，并不十分理想。 （2）2009年10月至2010年12月，模型的预测效果非常好，准确预测的月数为12个月（仅在2010年6月和10月出现了差错），该段时间的预测准确率达85.71%，结果如表所示。风格轮动2004.62010.11 月收益率均值 夏普比率 累积收益率 轮动策略 2.41% 0.71 307.16% 大盘策略1.66% 0.4

20、8 135.88% 小盘策略2.40% 0.72 316.97% 上证综指 1.27% 0.37 81.26% 2007.12010.11 月收益率均值 夏普比率 累积收益率 轮动策略 4.45% 1.22 458.65% 大盘策略1.60% 0.39 48.83% 小盘策略3.47% 0.93 256.50% 上证综指 0.75% 0.17 5.41% 大小盘风格轮动策略月收益率均值风格轮动图 大小盘轮动策略收益率曲线行业轮动 （1）研究表明：在环球资产配置中，行业配置对组合收益的贡献的重要性甚至超过了国家配置 （2）行业轮动策略的有效性原因是，资产价格受到内在价值的影响，而内在价值则随着宏

21、观经济因素变化而波动。 （3）板块/行业轮动在机构投资者的交易中最为获利的盈利模式是基于行业层面进行周期性和防御性的轮动配置。 （4）周期性股票在扩张性货币政策时期表现较好，而在紧缩环境下则支持非周期性行业。 根据经济周期来周期和非周期中轮换配置，将有超额收益的表现行业轮动货币周期表 中国货币周期分段（20072011年）起点 终点状态第一阶段2007 年6 月2008 年11 月紧缩第二阶段 2008 年12 月2009 年11 月扩张第三阶段2009 年12 月2010 年7 月紧缩第四阶段 2010 年8月2010 年12月扩张第五阶段2011年1 月2011 年9月紧缩第六阶段 201

22、1 年10 月2011 年12 月扩张行业轮动行业分类（1）选取沪深300行业指数，利用CAPM 模型计算行业的Beta值和均值方差。 （2）根据Beta值来判定行业归属表 沪深300行业指数统计年均收益率 年化波动率Beta类别确定沪深300 能源 -9.85%32.97%1.05周期沪深300 材料 -6.68%31.58%1.07周期沪深300 工业 -12.02%30.39%1.00周期沪深300 可选 -13.20%31.20%0.98非周期沪深300 消费 -6.99%28.83%0.78非周期沪深300 医药 4.09%31.05%0.83非周期沪深300 金融 3.31%34.

23、14%1.04周期沪深300 信息 -10.44%35.58%0.98非周期沪深300 电信 -12.40%35.00%0.87非周期沪深300 公用 -2.02%29.07%0.79非周期行业轮动表 不同货币阶段不同行业的收益率投资时期 状态周期性非周期性行业平均2007.7.22008.11.30 紧缩-61.33%-46.50%-53.14%2008.12.12009.11.30 扩张85.11%76.88%80.23%2009.12.12010.7.30 紧缩-17.28%-3.61%-9.55%2010.8.12010.12.30 扩张15.49%3.85%8.60%2011.1.1

24、20011.9.30 紧缩-21.89%-17.33%-19.23%2011.10.12011.12.30 扩张-11.83%-10.95%-11.18%行业轮动 构建轮动策略如下： （1）信息的同步性：考虑到M2 的披露时间及信息的传导时间，所有投资时段都滞后了一个月的时间。 （2）组合的构建策略：在货币政策处于扩张时等权重配置周期性行业，紧缩时等权配置非周期性行业。 （3）按照顺周期策略构建投资组合并查看组合的收益及对应的逆向投资（扩张时投资非周期性行业，紧缩时投资周期性行业，初始资金一千万）。行业轮动图 顺周期行业轮动策略的收益率资金流模型 资金流模型使用资金流流向来判断股票在未来一段时

25、间的涨跌情况 （1）如果是资金流入的股票，则股价在未来一段时间将可能会上涨； （2）如果是资金流出的股票，则股价在未来一段时间会可能下跌资金流模型 MF指标指标 资金流量（Money Flow，MF）定义如下 其中Volume为成交量，Pi为i时刻收盘价，Pi-1为上一个时刻收盘价MoneyFlow=|) (Volume111iiiiiniPP|PPPi资金流模型表表 资金流模型资金流模型(cmsmf)计算方法计算方法类型条件说明开盘集合竞价流入集合竞价成交价大于昨收盘价的交易金额流出集合竞价的成交价小于昨收盘价的交易金额连续竞价流入成交价大于等于最近卖方最优价的交易金额流出成交价小于等于最近

26、买方最优价的交易金额涨跌停流入涨停时成交价额流出跌停时成交价额尾盘集合竞价流入集合竞价的成交价大于最近卖方最优价的交易金额流出集合竞价成交价小于最近卖方最优价的交易金额资金流模型指标定义意义资金流净额（MF）根据CMSMF模型测算的资金流净额资金流绝对金额资金流信息含量（IC）资金流净额/交易额资金流中有效信息含量资金流强度（MFP）资金流净额/流通市值标准化资金流的强度资金流杠杆倍数（MFP）流通市值/资金流净额衡量资金流的撬动效应表表 资金流模型资金流模型(cmsmf)选股指标定义选股指标定义资金流模型策略方法 （1） 1逆向选择理论逆向选择理论 根据历史数据回溯结果：简单买入资金入的股票

27、组合无法跑赢市场，而是应该采用逆向选择操作。 （2）即卖出前期资金流入、价格上涨的股票，买入前期资金流出、价格下跌的股票 （3）由于市场的有效性逐步提高，资金流的信息优势已经逐步丧失。资金流模型 2策略模型策略模型 以指标排序打分的方式来筛选股票。具体步骤如下： （1）确定待选股票池。 a. 剔除上市不满一个月的股票 b.剔除调仓期涨跌停及停牌的股票。 c. 剔除信息含量小于10%的股票。资金流模型 （2）构建股票组合。 a. 指标打分：以股票在各个指标中所处位置的百分数作为股票对于该指标的得分，前1%得分为1，依次递减，最后1%得分为100。 b. 求和排序：将股票相对于各个指标的得分进行求

28、和，将和值从小到大排序，进行分组比较 c. 选择排名靠前的N只股票构建组合。 d. 股票权重：采用等量权重。资金流模型 （3）组合定期调整 a.调整时间从1到3个月不等。 b. 持有到期后，利用更新后的指标数据重新确定待选股票池，重复步骤（2）即可 （4）统计检验。分别计算各组合的收益率情况，考察组合的效果 资金流模型 （1）本案例的结果来自于D-Alpha量化对冲交易系统的后验平台模拟交易所 （2）该平台可以根据历史高频数据模拟实时撮合，从而尽可能考虑冲击成本和市场机会对策略的影响。 （3）主要数据情况如下： a. 后验开始时间：2007-2-1，后验结束时间：2011-2-18。 b. 股

29、票池范围：沪深300成分股；全市场。 c. 资金规模：现货1亿，3亿，10亿 d. 撮合规则：高频数据撮合，与交易所类似。资金流模型 1案例结果案例结果1：沪深：沪深300成分股成分股现货资金规模调仓间隔股票总收益率（%）股票年化收益率（%）超额收益率（%）超额年化收益率（%）1亿1个月116.2221.2681.5716.081亿2个月83.2116.3448.5610.403亿1个月121.7022.0287.0516.953亿2个月82.7716.2748.1210.323亿3个月144.1024.99109.4520.3010亿2个月81.7816.1147.8010.2610亿3个月

30、138.4524.27103.8019.48资金流模型 2案例结果案例结果2：全市场：全市场现货资金规模调仓间隔股票总收益率（%）股票年化收益率（%）超额收益率（%）超额年化收益率（%）1亿1个月161.7927.20134.3123.721亿2个月158.1526.76123.5022.273亿1个月195.0131.06160.3527.033亿2个月135.4623.87100.8119.043亿3个月134.8323.79100.1818.95资金流模型图图 资金流模型策略收益率曲线（全市场资金流模型策略收益率曲线（全市场-3亿亿-1个月）个月）动量翻转 （1）动量策略就是寻找前期强势

31、的股票，判断它将继续强势后买入持有 （2）反转策略就是寻找前期弱势的股票，判断它将出现逆转后买入持有。 行为金融学理论：羊群效应；小公司效应；反应过度与反应不足；动量效应和翻转效应。动量翻转 1动量效应测试动量效应测试 （1）选择范围：2000年1月1日至2012年6月30日 （2）股票选择：上证180成分股股票的复权价格数据 （3）为了避免生存者偏差的影响，加回了目前已经退市或者被并购的股票的历史价格数据，以求尽可能还原测试时点的真实情况。动量翻转表 动量组合相对基准的平均年化超额收益（部分）持有期1357912形成期1-8.11%-6.91%-7.50%-5.63%-4.25%-3.28%

32、3-13.35%-9.41%-8.10%-4.24%-2.79%-2.39%5-12.17%-10.14%-6.57%-4.19%-3.36%-2.71%7-6.94%-3.97%-2.51%-2.00%-1.29%-1.71%9-8.11%-2.64%-0.26%-0.25%-0.70%-1.89%12-1.93%-0.45%0.56%-0.73%-0.95%-1.52%14-1.69%1.08%0.40%-0.51%-0.64%-2.09%18-3.13%1.00%1.79%0.70%-0.18%-2.33%22-1.21%0.91%1.56%0.32%-2.16%-4.12%24-0.5

33、7%-0.01%-0.57%-2.22%-3.82%-5.79%动量反转 （1）形成期 P为1418个月、持有期Q 为35个月的动量组合可以取得较高的超额收益 （2）当形成期或者持有期过短时，动量组合均没有超额收益。 （3）总的来说，A股市场动量效应不明显，这个和成熟市场有着明显的区别。 可能与A股市场缺乏有效退市制度有关动量翻转 2反转效应测试反转效应测试 （1）以P（P1,2,24）个月为形成期，以Q（Q1,2,12）个月为持有期， （2）验证P个月内累计收益率最低的一组股票，在接下来Q个月内的表现动量翻转表表 反转组合相对基准的平均年化超额收益反转组合相对基准的平均年化超额收益(部分部分

34、)持有期1357912形成期120.76%18.76%22.96%22.11%22.65%22.92%319.93%20.94%22.90%23.00%22.02%22.89%517.16%18.28%22.25%22.17%21.97%24.61%70.40%15.28%18.16%19.40%21.64%23.93%9-14.07%9.26%15.56%17.80%20.32%22.64%12-38.31%3.32%12.57%16.99%19.29%21.07%14-47.46%1.70%12.86%17.31%19.24%21.16%18-28.99%8.74%17.86%19.54%

35、20.67%21.81%22-1.35%16.83%22.51%24.63%24.59%26.22%248.77%21.02%24.45%24.46%24.83%26.61%动量反转 （1）形成期P为1或2个月、持有期Q为1个月或者3个月时，反转组合可以取得较高的超额收益（年化后15%以上） （2）与成熟市场不同的是，A股市场表现出明显的反转效应 可能与A股市场结构有关（散户比重过大）动量翻转 动量组合策略动量组合策略 （1）以2006年9月7日为初始投资组合构建日，选择待选股票池中2006年9月7日至2011年12月5日间累计涨幅最大的前10股票，等权重配置作初始投资组合。 （2）持有投资组

36、合15天，以到期后的第一个交易日为再平衡日，将投资组合中的股票调整为再平衡日前15天内累计涨幅最大的前10的股票，同时将新投资组合内样本股的权重调整至相等。 （3）重复上述过程，直至2011年12月5日 。动量翻转 （1）动量策略取得了258的累计收益，远高于同期沪深300指数取得的89的累计收益。 （2）回测期内的这一动量策略的年化复合增长率为26.07%，同期沪深300指数的年化复合增长率为12.35% 组合累计收益率(考虑交易成本)组合年化收益率（考虑交易成本）沪深300累计收益率沪深300年化收益率组合夏普率沪深300夏普率全阶段258%26.07%89%12.35%1.220.78表

37、 动量策略风险收益率分析动量反转 （1）动量策略在熊市阶段表现出色。 （2）在熊市阶段，动量策略相对于沪深300平均每个月可以取得1.18左右的超额收益 （3）战胜基准的频率在67以上，但是这一策略在牛市和震荡市中并不能显著战胜基准 动量翻转 翻转组合构建翻转组合构建 （1）以2006 年3 月8日为初始投资组合构建日 （2）选择待选股票池中2006年3月8日前22个交易日内累计涨幅最小的前30只股票进行等权重配置作为初始投资组合。 （3）组合的再平衡：持有投资组合22个交易日，以到期后当月的第一个交易日为再平衡日 （4）将投资组合中的股票调整为再平衡日前22个交易日内累计涨幅最大的前30只股

38、票，同时将新投资组合内样本股的权重调整至相等。 （5）重复上述过程，直至2011年12月13日。动量翻转 （1）(2,1)反转策略取得了356.16的累计收益，远高于同期沪深300指数取得的139.96的累计收益。 （2）回测期内的这一反转策略的年化复合增长率为31.77%，同期沪深300指数的年化复合增长率为17.25%。组合累计收益率(考虑交易成本)组合年化收益率（考虑交易成本）沪深300累计收益率沪深300年化收益率组合夏普率沪深300夏普率全阶段356.16%31.77%139.96%17.25%1.270.84动量翻转 （1）反转策略在牛市阶段表现出色。 （2）牛市阶段反转策略相对于

39、沪深300 平均每个月可以取得接近于1.32的超额收益，战胜指数的频率接近于64。 而在震荡市和熊市阶段，反转策略基本上不能战胜指数。 资料来源：D-Alpha量化对冲交易系统一致预期 经济学原理经济学原理 一致预期是指在众多分析师一致预期下，投资者会产生羊群效应，从而使得某股票持续上涨或者持续下跌 一致预期选股策略采用分析师的评级数据来构建相应的组合，试图找出最适合的一致预期参数。 从历史经验来看，市场热衷于追捧一致预期看好的股票，而摒弃预期不好的股票； 也就是说，市场预期本身很重要，因此我们可以利用市场的一致预期数据去挖掘投资的机会。一致预期超预期超预期（1）实际EPS大于一致预期EPS（

40、即“超预期”）的股票在年报后16个月区间的平均收益好于低于预期（即实际EPS小于一致预期EPS）的股票的表现。（2）超预期100%以上的股票在年报后26个月的平均收益远远高于超预期低于50%及低于预期的股票的同期平均收益（3）超预期越多的股票在年报后的走势越好（平均收益）。 图2 12 2006年预期EPS相对于2005年实际EPS的增速一致预期（1）如果实际增长速度加快的话，亦即超于一致预期，那么这些股票在年报后16个月有良好的表现（2）另外，对于那些一致预期增长的股票，如果实际增长速度放缓，即低于一致预期增长速度，那么这些股票在年报后16个月的表现欠佳图 2006年EPS预期增长程度和收益

41、率的关系一致预期 其中比较有名的是Columbine Capital 的预期选股模型（Expectational Model，EM），从该模型的历史表现来看，过去十年此模型选股组合的年超额回报率达到4%。 1传统传统EM模型模型 Columbine Capital 的预期选股模型主要利用一致预期数据构造五大指标，即（1）分析师预期的一致性指标；（2）分析师调整预期的信心指标；（3）分析师调整预期的幅度指标；（4）超预期水平及预估的期望回报率等。 一致预期 修正修正EM模型模型 朝阳永续一致预期数据所构造的一系列指标的计算方法和涵义如下 （1）EG：一致预期EPS的增长速度（EPS Growth

42、） （2）RC：卖方分析师在调整预期EPS时的信心 （3）RA：分析师对个股未来EPS 水平的乐观态度 （4）AN：关注个股的分析师数量 （5）ANV：关注个股的分析师数量的变动率 （6）EY：预估的EPS回报率 一致预期模型构建模型构建 （1）一致预期EPS。一致预期EPS的数据来自朝阳永续，每个月采集一次分析师对个股的下一年度一致预期EPS相关的数据及当月股票收盘价格、涨跌幅度等数据。 （2）考察区间。由于朝阳永续提供的一致预期数据最早从2006年6月开始，所以考察区间也选择这个时间点作为起点，至2011年12月份，以年度作为考察区间，共有6个考察区间。 。 第一个考察区间：2006年1月

43、至2006年12月（每个月调整一次股票组合，一致预期数据为2006年度预期EPS） 第二个考察区间：2007年5月至2008年2月（每个月调整一次股票组合, 一致预期数据为2007年度预期EPS）。 以此类推（3）业绩基准。采用市场上具有代表性的上证综合指数和沪深300指数作为基准。一致预期 （3）备选股票池 a. 每一年度5月份左右，根据上市公司前三年的ROE水平均不低于8%这一条件筛选出备选股票池 b. 采用EM预期选股模型进行进一步的精选。分别利用2005年、2006年、2007年（包括）这三年的ROE水平来进行初步筛选。 （4）指标设置 主要采用EG、RC、RA、AN、ANV、EY六大

44、指标进行EM预期选股模型的构造。在考察区间，每个月采用模型对股票进行排序，然后对前1/5和后1/5的股票均持有一个月。不考虑交易费用（仅供模型测试）。 （5）投资组合配置 分别考察根据EM预期选股模型排序的前1/5和后1/5的股票，并采用等比例配置。一致预期单个指标的效果单个指标的效果收益率曲线如图所示。一致预期实证案例（4）2）EM 模型效果综合评估法。综合评估法设定六大指标按照等比例加，也就是说，认为所有指标是同等重要的情况下，进行选股的效果，此模型记为Ca。从各年来看，综合评估法（等权）所筛选出的Top股票组合并未超业绩基准，同时未战胜Bottom股票组合的表现。收益率曲线如图2-15所

45、示。 图2 15 综合评估法（Ca）一致预期模型的收益率曲线数据来源：卜永强 2012 一致预期实证案例（5）这里考虑EY、EG、RC、RA、AN、ANV 六大指标的比例为2:1:1:1:0:5:0.5，即强化EY指标综合评估法中的作用，记为Cb。模型CA与CB的比较如图2-17所示，可以看到，综合评估法（Cb）模型更为看重EY指标。从筛选股票的效果来看，偏重于显著性指标EY的综合评估法（Cb）模型要好过等比例指标配置的综合评估法（Ca）。这也说明需要观察有效的、显著性的指标，以此可以增强选股模型的效果，从而达到良好的投资收益。图2 17 综合评估法中一致预期模型Ca和Cb之间的比较数据来源：

46、卜永强 2012 趋势追踪 经济学原理经济学原理 趋势追踪的基本思想是羊群效应。当向上突破重要的压力位后可能意味着一波大的上涨趋势行情的到来，或者向下突破某重要的阻力位后，可能意味着一波大的下跌行情的到来。 趋势追踪策略就是试图寻找大的趋势波段的到来，并且在突破的时候进行建仓或者平仓操作，以期获得大的波段收益。 中国股市追涨杀跌气氛较浓，容易形成连续的趋势趋势追踪 建模步骤： （1）找寻出一系列刻画趋势的指标 （2）选择样本内大样本数据进行建模，然后再选择样本外大样本数据（若干年时间）进行外推测试。 （3）模型参数稳定后，则每天可以得到当前发出买入和卖出信号的股票 （4）这样可以给每只股票分配

47、一笔资金，买入BUY信号的股票，卖出SOLD信号的股票，用这种方式来构建股票组合 其实就是将趋势择时的原理用于选股操作。趋势追踪图图 个股趋势追踪策略模型个股趋势追踪策略模型趋势追踪买点判断：买点判断：（1）如果当前低点比前一个低点要高，而且是卖出信号发出后第一次出现低点高于前低点。那么认为目前是一个买入点。（2）如果当前高点比前一个高点要低，而且是买入信号发出后第一次出现高点低于前高点，那么认为目前是一个卖出点。图 万科A在趋势追踪策略下的买点趋势追踪 卖点判断卖点判断： （1）如果经历一段上升后，出现当前高点比前一个高点低，那么当前高点为卖出点 图 万科A在趋势追踪策略下的卖点 趋势追踪

48、漂移项：漂移项： （1）如果当前低点高于前一个低点再加一个附加的漂移项drift，则认为当前是一个买入点； （2）如果当前高点低于前一个高点再加一个附加的漂移项drift，则认为当前高点是一个卖出点。 （3）这个drift是一个时间的函数，比如和时间成正比，drift=time*K（K是模型参数，是用高频数据估计出来的）。（4）当然drift也可以是时间time的其他函数。趋势追踪 如图所示，红线表示高点加漂移项的画线。W线当前高点处高于前低点，但是低于前高点+漂移项的画线（即红线），就认为当前高点处就是一个卖出点。图 带漂移项的万科A的买卖点趋势追踪大波段保护大波段保护（1）当股价从最低点B

49、上涨，从低点延伸出来的带斜率的延伸线（红线）为止损线，（2）如果股价上涨速度比止损线上升要快，那么我们设置大波段保护机制，即到A点，经历了一个较大涨幅的上涨并超过了某个阈值，此时止损线延伸到了C点处，（3）把止损线（红线）从C点处上移到高点的位置。若股价突破止损线（红线）则卖出。图 趋势追踪策略中大波段保护机制的买卖点趋势追踪长均线保护长均线保护（1）当股价处于明显的下降通道中，且股价表现非常弱势时，是不应该贸然买进的，而需要增设长均线的保护机制。（2）当股价位于E日均线之下时，即使其他买入条件成立也不发出入信号。如图所示，在B点以前，股价一直处于E日长均线（E为模型参数）之下，这时发出的买卖

50、信号可以忽略。一直等到B点突破才发出买入信号。图 趋势追踪策略中长均线保护机制趋势追踪1个股模型的建立个股模型的建立本案例的思路是首先对个股建立模型，比如选择股票万科A，用它2001年前的数据作为样本内数据建立模型，2参数的优化参数的优化优化的意义在于寻找到最好的适应历史行情的一组参数，虽然未来的行情并非按照历史的模式去演绎，但是经过优化后的参数能保证模型运行的参数至少不会是一组非常极端的参数值。3组合的构建组合的构建选择了沪深300指数的300只成分股2001年至2009年的复权行情数据作为样本外测试数据。在对个股建立了模型和确定了模型参数以后，每只股票从2001年至今，会按策略产生一系列的