数量化选股——以alpha模型为例.docVIP

数量化选股——以alpha模型为例一、引言 随着资产管理学科的不断更新和发展，数量化资产管理的策略如今被广泛的运用，越来越多的基金管理人采用了这一成本较低、客观性较强的策略进行资产选择和配置。同时，都在很大程度上推进了数量化选股的进程。国际上一些著名的资产管理机构，如巴克莱（Barclays Global Investors），，都有各自的数量化模型并且也发行了许多相关的金融投资商品。 二、数量化选股 目前世界上有很多基金经理人开始采用数量化选股模型进行投资决策。数量化选股，是指利用市场指标、经营指标、财务指标等可以数量化的因素，在众多上市公司中选出符合条件的公司股票进行投资。数量化选股的模型主要有线性回归模型、主成分分析模型等。国内外很多学者都运用了这些模型进行实证分析。如Fama-French(1993) 的三因子模型认为，资产组合的超额回报率由上市公司的市值因子(SMB)、账面市值比因子(HML)以及市场资产组合(Rm ? Rf)决定。数量化选股的优势在于，利用客观数据进行分析做出判断，避免了因基金经理人的主观判断错误而可能造成的偏误，一旦模型构建完毕，需要维护和修改所需要的人力物力远小于传统的基本面分析，对于基金公司而言，可有效节省成本，增加公司利润。 三、选股策略：以Alpha model为例 1.介绍 Alpha选股模型是一种将信息转变成Alpha分数的方法，据此经理人能够判断投资于哪些资产以及该如何配置投资组合。本文所说的Alpha选股策略是采用 Qian (2004)的方法，利用两阶段的方法结合多个因子产生Alpha分数，建构多因子模型不仅包含讯息相关系数(Information Coefficient, IC)的时间序列，也包括同时期因子讯号之间的相关性，透过模型求解极大化IR的目标。 2.要素筛选及数据处理 对于基金管理而言，信息运用的成功与否往往是决定成败的重要因素。在alpha 模型中，所选的要素可以被看做信息，它们可以帮助基金管理人分析股票报酬的预期走势，从而利用这些信息构建多因子选股模型。然后，如何选择正确的信息并非易事，因此，信息的分析和评估对于模型的简历有着至关重要的作用。 模型将整个数据的区间分为样本区间和回测区间，通过数据库获取整个区间内各个上市公司的财务、发展等各项指标，并进行数据预处理。为了消除各要素不同量纲的差异，将所有数据先进行标准化处理。此外，在数据分析时，个别极端值对于结果可能会产生较大影响，而极端值的产生往往没有规律可循，据此得出的结论不具有普遍的适用性。Shyu and Jeng (2006)使用了winsorization进行处理，针对每一项要素，计算得出各自的平均值和标准差。将平均值加减5.2倍的标准差作为各项要素的上下极限，如果数据大于上极限或小与下极限，则认为这是一个极端值，而分别使用上极限或下极限的值代替极端值。类似的方法还可以将数据按数值大小排列，取上下5%分点，分别代替大于上5%以及小于下5%分点的值。此类方法的目的都在于消除极端值的影响，使得模型的解释力更强，偏误更小。 由于要素的数据频率不同，将要素分成若干个周要素与月要素。除此之外，要素筛选后于比较长期的样本内期间，针对这些要素做t检验，若要素结果呈现显著，称为核心要素。剩下未被筛选的要素并不表示无效，在回测的样本外期间有效的要素，为卫星要素。再通过两阶段方法，将要素合成因子，因子再合成Alpha Score。最后，将周、月要素合并，并且做平滑化动作，以降低每期权重重新调整的周转率。 3.选股及资产组合构建 首先确立股池，剔除流通量过低、企业信用等级较低的股票，还可结合产业等因素，根据需要构建的资产组合确定。根据最后的Alpha Score进行选股的动作。模型认为得分较高的个股具有较高的投资价值，根据股池大小选择相应数目的个股进入资产组合中。各股权重的配置有多种方案，比较简单的方法是将入选组合的股票平均分配权重，这样的方法可有效分散风险，但是不利于获得更高的超额回报。另一种方法是根据得分分配权重，得分越高的股票权重越高，在模型建立准确，预测能力较好的情况下，往往可以获得更高的超额报酬。 四、实证分析与结论 很多学者已对量化选股这一策略进行过实证分析。袁捷（2008）以沪深A股为研究对象，形成了市场大势判断指标、板块热点评判指标、技术分析评判指标、基本分析评判指标和主力机构支撑评判指标等五个指标体系的评判分析工具，得出了一套可以量化的投资评判标准。通过实证分析该交易规则在2008年7月至11月期间规避了熊市的系统性风险，建立的投资组合绩效优于上证指数，对于投资者有一定的参考价值。随着越来越多模型的出现和不断完善以及计算机算法技