股票量化對沖策略發展與展望

目錄

1. 海外量化投資基金的發展

1.1. 量化的起源

1.2. 量化基金的歷史發展

1.3. 量化對沖基金管理規模

1.4. 國外量化投資管理人

2. 國內量化投資基金的發展

2.1. 國內量化市場回顧

2.2. 國內量化市場的發展

2.3. 股票量化VS股票主觀

3. Alpha策略介紹

3.1. Alpha策略的原理簡介

3.2. Alpha因子介紹

3.3. 多因子選股模型

3.4. Alpha策略體系變遷

3.5. 機器學習與AI在阿爾法策略的應用

4. Alpha策略展望

4.1. 過往業績表現好的投顧

4.2. 投顧業績可持續性的考量

4.3. Alpha策略的市場展望

1、海外量化投資基金的發展

1.1 量化的起源

證券市場的歷史悠久，由此形成了各式各樣的投資流派。而基於股票的本質是代表股東對企業的所有權，本傑明·格雷厄姆領銜的價值投資方式，最為大眾所熟悉。格雷厄姆因此也被稱為「現代證券之父」，他著作的《證券分析》和《聰明的投資者》，至今仍是經典。格雷厄姆的經典價值策略分為兩個部分，一方面關注投資價值，有五條準則用於表現價值要求;另一方面關注安全邊際，有五條準則用於表現安全要求。整個十條準則中包含了對估值、股息率、成長性、償債能力、股價泡沫等多個維度的衡量。

作為新型的投資流派，量化投資的歷史並不長，其學術依據可追朔於1952年馬克維茨提出的投資組合理論（該理論於90年代獲得諾貝爾經濟學獎）。投資組合理論，主要包含均值－方差分析方法和投資組合有效邊界模型兩個內容，在傳統投資回報的基礎上，第一次提出了風險的概念，並提出了組合優化方法。此後，學術界陸續提出了資本資產定價模型，有效市場假說，期權定價模型，套利定價理論，行為金融理論等，它們共同構成了現代投資組合理論，豐富了量化投資的理論基礎。

1.2 量化基金的歷史發展

量化理論的不斷擴充完善伴隨著量化對沖基金的發展，上世紀60年代，在僅有電腦主機和打孔卡片的環境下，量化工具已應用在投資中。但在80年代末之前，由於數據、計算機和網路等環境和技術的限制，量化投資的發展相對緩慢。1988年，詹姆斯·西蒙斯成立了大獎章基金，從事高頻交易和多策略交易，基金成立20多年來年化收益達到70%左右，除去業績報酬後年化收益達到40%以上。因此，西蒙斯被稱為"量化對沖之王"。1991年，彼得·穆勒發明瞭alpha系統策略。此後，各種以量化策略為主的對沖基金公司陸續成立。可以說，90年代至2008年金融危機前是量化投資的繁榮發展期。這一期間，陸續誕生了現在量化投資領域的巨頭。2008年的金融危機對於量化基金而言是個挫折，眾多連續多年盈利的量化基金由於槓桿或市場流動性的消失，出現虧損。但在金融危機過後，多數公司恢復了增長。尤其是隨著近十年來計算機技術、網路技術、人工智慧技術的迅速發展，量化投資在策略的豐富度、模型的複雜度、交易的速度等方面，均有所突破，迎來了新的繁榮期。

1.3 量化對沖基金管理規模

對沖基金由於其追求絕對收益、波動性往往較小、可數量化評價等特點，備受機構投資者喜歡。在互聯網泡沫破滅後，眾多資金陸續進入對沖基金。據巴克萊的統計，全球對沖基金管理的資產規模從2000年的3千多億美元增長到2008年金融危機前夕的2萬多億美元。2008年金融危機後，資產管理行業受到抑制，對沖基金同樣被重創，管理規模縮水明顯，對沖基金在此後3年規模停滯不前。至2010年，全球對沖基金的總規模仍停留在1.4萬億美元附近。2011年以來，對沖基金再次受到熱捧。經過幾年的快速發展，至2018年，國際上對沖基金總規模已達到3萬億美元，佔全球基金規模的比例接近30%，對沖基金已經成為全球資產管理領域最重要的一支力量。

作為對沖基金的分支，量化對沖基金的規模我們暫時沒有詳盡的統計數據。但根據數據提供商HFR的報告，截至2017年10月底，其可追蹤的量化對沖基金管理的資金已增長至逾9400億美元，約佔對沖基金總規模的1/3，接近2010年管理規模水平的兩倍。

另據巴克萊的統計，市場中性類策略（即主要指股票Alpha策略）至2018年的整體規模約為1000億美元。

1.4 國外量化投資管理人

目前頂級的量化對沖基金管理人主要集中在美國和英國：

註：Bridgewater Associates 橋水聯合基金，是目前管理規模最大的對沖基金管理人，其提出的全天侯策略理論為大眾所使用；Millennium Management 千禧管理，注重風險，更偏向於在一定的風險（比如低的夏普率）之下有較高的收益；D.E. Shaw& Co. 德劭，十分注重量化交易，其高速交易系統曾多次被媒體報道；Two Sigma，遵循技術與創新的原則，在機器學習、分散式計算的引領下進行決策。

2、國內量化投資基金的發展

2.1 國內量化市場回顧

國內私募基金髮展較晚，而受限於衍生品工具，量化策略發展更為緩慢。儘管如此，但作為後來者，避免了較長的學習曲線。國內的股票量化策略整體上經歷了萌芽期、起步期、飛速發展期、分水嶺後的停滯期、新時代等不同階段。

1) 量化萌芽期

國內量化對沖基金起源於2004年，當時華寶信託發行了國內第一支量化對沖基金產品「基金優選套利」。由於當時國內股票市場缺乏做空的對沖工具，期貨市場也較小，因此「基金優選套利」在投資策略上以封閉式基金為主，主要是針對封閉式基金交易折價率偏高，價值與價格不匹配的套利機會進行交易。

「基金優選套利」在運行的兩年時間裡獲得28.27%的年化收益。相比同期股票市場指數的情況，其收益略高於指數的收益，波動低於指數的波動率。

國內早期的量化產品大部分以套利策略為主，且發展速度緩慢。

2) 2010年股指上市，量化起步

2010年滬深300股指期貨上市，量化基金終於具備了可行的對沖工具，開啟國內股票量化對沖基金的時代。股指期貨的三大功能是風險規避、價格發現和資產配置，它為企業和機構大戶套期保值對衝風險。當股市出現下跌時，為避免企業和機構大量拋售股票而引起股市動蕩，通過做空股指期貨獲利，對沖股票多頭下跌帶來的損失。因此，通過持有股票組合，結合股指期貨做空，即阿爾法策略，逐步進入國內投資者的視野。

但股指上市後，新增的量化對沖產品並非完全意義上的Alpha策略，儘管這些產品從凈值觀察已經接近嚴格的股票 alpha 產品，但依然保留有較大風險敞口，比如浙江寧聚投資管理公司在2010年發行的「中融-寧聚穩進」。直至 2011 年 3 月 28 日，天津民晟資產發行了「民晟」A、B 和 C 三個系列產品，該產品表現穩定，歷史年化收益率為 6.6%。從波動率來看，該系列產品是第一隻公開可查的較為嚴格的股票中性的 alpha 基金。此產品完全以量化手段進行行業配置及選股，然後運用股指期貨進行中性對沖，可謂早期較為成熟的一隻量化 alpha 對沖基金，具有歷史性的意義。同年發行的其它股票市場中性策略的基金產品還有十幾支，以朱雀投資、北京尊嘉資管等私募公司產品為代表。

圖3 首批股票Alpha策略基金產品2011-2013年業績表現

通過以上凈值走勢和收益風險分析，可以發現民晟、朱雀、尊嘉的產品收益穩定，年化收益在6-7%之間，最大回撤也控制在5%以內。其波動遠小於指數的波動幅度。而寧聚投資的產品與指數的相關性明顯高於其他3支產品，應該是保留有風險敞口，並不是完全中性。

至此，股票量化對沖策略憑藉較低的波動性，亦吸引了一部分客戶，主要是風險偏好較低的高凈值客戶。整體上，2010年至2013年，股票市場缺乏投資機會，股票量化對沖策略的推出，迎合了一些客戶的需求。但同時，該期間整個國內市場處於非標業務發展的黃金時期，大量的信託計劃以年化10%左右的收益進行「保本保收」，搶佔了絕大多數個人及機構投資者的固收配置需求。阿爾法策略提供的回報並不足以支持該產品進入熱銷。

3) 2013-2014飛速發展

2013-2014年，股指期貨的成交量和交易額穩步上升，機構的入市制度進一步放寬，海外量化對沖投資團隊回國發展。以及基金業協會推行私募基金管理人和產品的登記備案制，推動了私募基金的全面陽光化。這些因素都加速了國內私募量化對沖基金的發展。

與此同時，不得不提的時代背景是，始於2013年的金融創新，開創了資管產品發行的熱潮，其中結構化業務也伴隨而生。量化對沖策略具備低波動、回撤小、持倉分散等種種特點，但其本身的回報可能並不足以吸引一些高凈值客戶的關注。因此通過結構化形式，分成優先順序和劣後級，優先以企業或銀行投資為主，劣後以私募自有資金或募集為主。客觀上也助推了股票量化對沖策略的規模迅速發展。

從策略表現上，2013年開始的以創業板為代表的成長股（小市值股票）牛市讓alpha量化對沖策略也大賺不少。一方面，當時對沖工具僅有滬深300股指期貨，而滬深300的成份構成以大市值股票為主。因此，依賴小市值因子，通過暴露因子風險，就能獲取較好的對沖收益。直至2014年11月，A股市場出現了銀行股、券商股等持續拉昇，帶動滬深300指數顯著上漲。一方面alpha量化對沖策略持倉往往極為分散，在權重股上揚帶動股指快速上行的階段股票組合難以獲得超額收益；另一方面，一些過分依賴小市值因子的量化對沖策略，更是雪上加霜。因此2014年11月算是量化對沖策略的黑天鵝事件，眾多阿爾法策略瞬間失去盈利能力，出現了大幅回撤，部分產品的回撤甚至達到了10%以上。這是股票阿爾法策略在國內發展遭遇的第一次挫折。

這場量化黑天鵝事件也說明瞭國內量化對沖市場發展中存在的問題，即量化對沖基金管理規模的日益增長與市場金融工具相對缺失的矛盾。當時市場的對沖工具僅有滬深 300 股指期貨和融券，且由於融券的券源和規模限制，融券在量化對沖產品中的運用率並不高。

圖5 2014年股票Alpha策略基金產品業績表現

4) 分水嶺-2015年股災

經歷黑天鵝事件後，阿爾法策略繼續大放光彩。牛市的來臨，使得市場波動率水平急劇上升，這種環境十分有利於阿爾法策略的發揮。股票組合的超額收益始終維持在良好水平。更可喜的是，牛市氛圍下，部分股指期貨合約升水，也進一步增加了阿爾法策略收益。

2015年4月，上證50股指期貨和中證500股指期貨正式推出，有力填補了對沖工具的空缺。在此之前，alpha策略基金習慣於從中小市值股票中尋找 alpha 收益，然而這在市場風格出現明顯轉換的時候容易出現巨大損失，2014 年下半年股票市場中性策略的集體倒戈根源之一就是市值錯配。上證50股指期貨和中證 500股指期貨推出後，通過三大股指期貨單獨或組合的應用，可以設計出期現風格更匹配、更多元化的中性策略。

2015年的股災對阿爾法策略的影響較小，由於阿爾法策略是通過全市場選股，持倉分散，並對沖股指期貨，來降低市場系統風險的投資策略。所以，股指期貨經常跌停，很多阿爾法策略收益在股災中不跌反升。

但在股災2.0後，九月份，中金所連續出臺對股指期貨市場管控措施，包括將交易量超過十手認定為「日內開倉交易量較大」異常行為，並且提高非套期保值保證金標準到40%，提高套期保值保證金標準到20%，當日開倉又平倉的平倉手續費標準提高至平倉成交額的萬分之二十三。股指期貨下單超過十手便會凍結賬戶，而多數阿爾法策略產品規模上億，股指期貨的限制交易使得阿爾法策略的每月對沖頭寸調倉都變得非常艱難。同時股指期貨限倉及市場急劇下跌後股指期貨也大幅貼水，使對沖成本大大增加，且高額的保證金降低了資金使用效率。種種不利因素直接導致大部分阿爾法策略產品好幾個月無法交易。可以說2015年的股災是整個阿爾法策略的分水嶺，其不利影響至今仍未能消除。

從上圖看，在2015年上半年增加指數對沖工具後，市場中性策略基金產品收益得到明顯提升。但在股指限倉和保證金政策調整後，對沖端受到限制，很多產品都停止交易或者低倉位交易。

5) 深度貼水年代

2016年初股市大跌直接觸發熔斷機制，阿爾法策略也無可避免的受到下跌影響，從圖6我們也可以直觀的看出基金產品在一月份有一個明顯的回撤。主要因為熔斷讓股票可以跌停，但是股指期貨卻最多跌7%，使得有額外3%的敞口無法被對沖。熔斷之後，中國股市進入了震蕩市場行情，本是Alpha策略適應的市場行情，但市場的悲觀情緒及流動性的不足，使股指期貨每月出現2-3%的貼水狀態，深度貼水擠壓了股票阿爾法策略的絕對收益。通常而言，股災前絕大多數阿爾法策略的年化回報在10-20%區間，這也意味著絕大多數投顧團隊開發的阿爾法策略的股票組合戰勝中證500指數的比例在10-20%，當對沖工具股指期貨的年化貼水幅度達到20%以上時，股票組合對沖股指期貨後就無法盈利了。即使部分投顧仍然能獲得較好的超額收益，但股指期貨的高保證金，也使得整體資金使用效率低。Alpha策略運行的環境十分惡劣，投資人頗為失望。此外，在2016年下半年貼水收斂後，結合線下打新的賺錢效應，阿爾法+線下打新+日內迴轉的模式，一度又重新點燃了一些投資人的希望。可惜的是，線下打新的紅利期過短，碰上2017年上半年的阿爾法策略低谷，使得這類產品多數在到期時無法獲得收益。這讓之前不少誤以為該策略無風險爆賺的客戶，又失望而歸。

深度貼水的不利環境，也促進了投顧的洗牌。此前有不少量化對沖公司規模在百億附近，在高貼水時代並不能維持符合客戶預期的收益水平，出現了規模上的下滑。這些投顧的策略主要以基本面因子為主，由於基本面因子的同質性較大，超額回報並不足以跑贏基差。

而在股災前一些以自營高頻股指期貨、或者自營阿爾法為主的投顧或團隊，逐步開展管理基金業務，走向前臺，在近三年的深度貼水及快速的風格輪動中，均可收穫正收益。此外，很多投資管理人開始從產品設計層面著手，以擇時對沖或者放棄對沖直接做指數增強策略來獲取貝塔收益及相對指數的超額收益，開闢了一些新的投資產品。也有些投資管理人開始通過與日內迴轉交易策略合作，在持有的股票組合上捕捉股票的日內價差，獲得增強收益。

6) 高頻阿爾法時代

深度貼水以及衍生工具匱乏，使得絕大多數投顧在量化對沖策略上無法獲得有效的收益。投資人一度也會質疑，量化對沖策略還能賺錢嗎？欣喜的是，近幾年我們觀測到仍然有不少團隊，可以獲得足夠的超額指數收益對抗股指基差：其中有些團隊，擅長阿爾法因子的挖掘、積累；有些團隊利用前沿的機器學習演算法優化因子組合；有些團隊從行為金融學角度建模；有些團隊開發程序化高頻，將高頻統計套利和日內迴轉交易與阿爾法策略結合。

這批機構在近幾年還能維持年化20%左右的阿爾法策略收益，帶領著行業發展。

2.2 國內量化市場的發展

我們對2010年1月1號以來股票市場中性指數與上證全指的累計收益率進行對比，從圖7可以看出國內股票量化對沖市場的發展具有明顯的階段性。股災前，股票市場中性策略基金收益十分穩健，儘管有2014年底量化黑天鵝引發的回撤，但此後牛市的高波動性使得阿爾法策略收益也大為躍升。考慮到當時較多的投資人是投資於阿爾法策略的劣後份額，年化收益在50%以上也不為誇張。但股災後，整個市場頓時陷入無法盈利的困局。

從基金產品的發行數量看，Alpha基金產品的數量已從最初2010年的2支產品發展到現在近350支產品。在2012年至2015年期間，產品發行數量迅速增長。考慮到由於不少產品通過信託或基金子公司等通道發行，實際產品發行數量應該大於上述統計值。而在2015-2016年期間，由於股指限倉、基差等原因，使Alpha策略基金產品的增長速度有所放緩。2017-2018年期間，基差逐步改善 ，對沖成本降低，外加500ETF融券作為對沖工具，Alpha策略基金產品又逐步興起，回歸投資者視線。

從Alpha策略整體的收益回撤情況來看，其收益和風險特性接近於固收策略，體現為較低的波動率。

2.3 股票量化VS股票主觀

與市場上佔比最大的傳統股票主觀策略（主要指傳統股票多頭主觀策略）相比，股票量化策略目前仍然是市場小眾策略。相對主觀策略，股票量化策略的優勢體現在幾個方面：

1）覆蓋面廣。傳統股票主觀策略的投資標的集中度相對較高，考慮到全市場全行業覆蓋的股票研究需要大量的人力物力，實現難度較大。投資經理往往選擇較為擅長的某些行業或公司進行深入研究，包括公司的基本面、財務狀況、發展前景等多個方面，從而挖掘出具有投資價值的投資標的；而對於股票量化策略，由於主要基於海量數據分析與模型構建，並且是通過信息技術實現，可以對大量股票運用數量化方法篩選出投資機會從而構建投資組合。因此與傳統股票主觀策略相比，股票量化策略的投資組閤中往往投資標的較為分散，個股倉位相對較低。

2）風險分散與控制。基於上一點，股票量化策略投資標的的相對分散化同時也能帶來風險分散的效果，由於單票在投資組閤中的權重較低，組合受單票上漲或下跌的影響相對較小。即使出現個股黑天鵝，整體組合受影響程度也較輕。此外，投資經理在構建量化策略的模型時，都會經過大量嚴謹的數據測試，同時會在實際投資中設置合理的風控指標，開發成熟的系統可隨時監控倉位變化，一旦出現異常可迅速做出反應。

3）投資收益穩定。基於以上兩個特點，由於風險分散與嚴格的風險控制，股票量化策略受市場極端或異常情況的影響有限，股票量化策略相對指數的超額收益較為穩定。所以股票量化對沖策略基金產品，投資絕對收益較為穩定，是可以作為固收增強型的配置。

2018 年以來，市場連續下探，儘管收益均在水平線下，但股票量化風險控制優勢再次顯現，行業平均虧損較股票主觀而言有明顯優勢。歷年統計結果顯示，股票量化較股票主觀而言業績波動範圍更窄，主要的優勢在於穩定而非搏高收益。

華寶證券對 2015-2018 年上半年滿足條件的股票量化策略產品兩兩之間周收益率序列的相關性進行了統計，並取所有相關係數的平均數作為該年度相關係數情況。對於同一管理人僅隨機挑選一隻產品進行統計。

統計結果顯示，從相關度的角度看，股票量化策略產品並非如大家所質疑的一樣相似度很高，各年度同策略產品間的相關係數基本維持在 0.2~0.3 左右，處於較低水平。同時與股票主觀策略相比並非處於劣勢，相反，除了 2017 年之外，其相關度都要低於股票主觀策略。

當然，難以忽略的一點是，隨著行業進入者的增加，股票量化的相關係數是逐年增加的，而股票主觀則較早期有明顯下降。

3、Alpha策略介紹

3.1 Alpha策略的原理簡介

Alpha策略最核心的部分是優選一籃子具有超額收益的個股，然後通過賣空股指期貨對衝掉市場風險，從而獲得超越基準指數漲跌幅的絕對收益。

α是和整個市場變動無關的，是一種主動型投資策略，主要依靠精選個股來獲得穩健超越大盤的收益。不論牛熊，只要股票組合收益超過指數漲跌幅收益就可以產生絕對收益。

β是指市場風險產生的收益，如大盤漲，個股普漲。只要跟著市場走就能獲得收益，市場跌時也要承擔虧損。

3.2 Alpha因子介紹

理解阿爾法策略離不開阿爾法因子。獲得強於指數的收益來源，即阿爾法因子的來源有三個方面：1.基本面；2.交易層面；3.信息層面。

過去最普遍的重視基本面因子的阿爾法是通過數理統計規律提高行業內篩選優質公司的效率，並利用分散性持股降低組合整體波動，獲得穩定超額收益。

但由於大家所利用的基礎數據嚴重趨同，阿爾法收益隨著模型同質化的增加以及競爭對手的日益湧入，使得基本面類型的Alpha因子超額收益開始大幅下降；同時基本面因子過於關注長期，基本面相關的信息屬於低頻信息：如常見的企業盈利情況等，來自於財務報表，往往一季度一更新，因此基本面因子對於短期股價波動缺乏直接的解釋能力，造成超額收益的穩定性不夠。加之股指期貨負基差嚴重，因此如果以基本面因子策略為主的阿爾法策略產品，在高貼水的現在，無法獲得有效的正收益。

技術面因子（主要指量價因子），相比基本面因子，數據的來源極大的豐富了。從超高頻的股票tick數據，至分鐘線，小時線，日線以及對應的成交量，形成了巨大的數據集。在這個維度裏，所有的股票單純的理解成交易工具本身，通過量價指標進行分析，從中尋找對股價變動規律的有效解釋變數。從最早的動量、反轉到後期的K線圖形組合識別和資金流數據等都是認為交易本身帶來股票漲跌規律。相比基本面因子，量價因子的變動頻率通常較快。

除此之外，隨著信息技術的進步和信息處理能力的提高，眾多非結構化數據的處理也成為現實。因此通過捕捉一些媒介信息或者多樣化的信息數據，繼而挖掘創建因子的方法，也逐步有可行性了。

3.3 多因子選股模型

單一的因子往往難以實現穩定超越指數的目的。多因子模型是指使用多個因子，綜合考量各因素而建立的選股模型，其假設股票收益率能被一組共同因子和個股特異因素所解釋。多因子選股也是應用最為廣泛的量化選股模型。

在多因子選股模型提出之前，廣泛被市場接受的是Sharp(1964)，Lintner(1965)和Black(1972)年提出的資本資產定價模型(CAPM)，主流觀點認為，股票的收益只與整個股票市場的系統風險存在線性關係。即

然而，後來許多學者發現股票的收益還與許多其他因素相關，如市盈率、賬面市值比等。其中最為著名的是Fama-French的三因子模型，由此開啟了多因子選股的時代。

在最早的Fama和French的三因子模型中，將市場資產組合、市值因子和賬面市值比因子納入模型中，即：

其中r(f)為市場無風險收益率，SMB為市值因子，HML為賬面市值比因子，r(m)-r(f)

為市場資產組合。

然而，三因子模型雖然突破了原CAPM的框架，但依舊有許多變數未被解釋，如短期反轉、中期動量等。於是，多因子模型呼之欲出，其核心思想在於，市場雖然是動態的、輪動的，但是總會有一些因子在一段時間內發揮作用。在實踐中，由於每一個分析師對於市場的動態、因子的理解都有所不同，所以會構建出不同的多因子模型。可以說，多因子模型是三因子模型的拓展。

多因子選股模型通常有兩種判斷方法，一是打分法，二是回歸法。

1) 打分法

打分法即根據各個因子的大小對股票進行打分，然後按照一定的權重加權得到一個總分，最後根據總分再對股票進行篩選。對於多因子模型的評價而言，實際通過評分法回測出的股票組合收益率，就能夠對備選的選股模型做出優劣評價。

打分法的優點是相對比較穩健，不容易受到極端值的影響。但是打分法需要對各個因子的權重做一個相對比較主觀的設定，這也是打分法在實際模型評價過程中，比較困難和需要模型求取的關鍵點所在。除此之外，一些因子可能在過去的市場環境下比較有效，而隨著市場風格的改變，這些因子可能短期內失效。在這種情況下，對綜合評分選股模型的使用過程中，需要對選用的因子、模型本身做持續的再評價和不斷的改進以適應變化的市場環境。在計算綜合評分的過程中，除了各因子得分的權重設計之外，交易成本和風險控制等因素，也同樣需要予以綜合考量。

2) 回歸法

回歸法，就是用過去的股票的收益率對多因子進行回歸，得到一個回歸方程，然後再把最新的因子值代入回歸方程得到一個對未來股票收益的預判，然後再以此為依據進行選股，並對選股模型的有效性和收益率進行評價。

回歸法的優點是能夠比較及時地調整股票對各因子的敏感性，而且不同的股票對不同的因子的敏感性也可以不同。回歸法的缺點，則是容易受到極端值的影響，在股票對因子敏感度變化較大的市場情況下效果也比較差。

從回歸法的流程來看，多因子選股模型的建立、評價和改進流程，大致如下：

3.4 Alpha策略體系變遷

當今主流機構採用的大多是傳統多因子學習+特異因子法。採用該傳統因子與特異因子結合的原因是：1、特異因子開發難度高；2、如果缺乏堅實的邏輯基礎，穩定性難以評估；3、單一特異因子策略容量有限。

3.5 機器學習與AI在阿爾法策略的應用

隨著IT和信息處理能力的增強，機器學習及人工智慧技術在量化領域的應用逐步進入軌道。

根據巴克萊做的一項關於對沖基金管理人是否在投資過程中使用機器學習和人工智慧的調查情況顯示：超過一半的管理人表示有用到機器學習，且使用時間達到3年以上的佔到2/3。

1、是否在投資過程中使用機器學習或人工智慧？

2、機器學習（人工智慧）一般用於投資的那個環節？

機器學習選股模型與傳統的多因子選股模型的差異在於：機器學習選股的模型構建與因子篩選過程主要依靠數據挖掘技術自動完成，而傳統的多因子選股模型在模型搭建，尤其是因子選擇過程中包含較大的主觀成分，仍需依靠投資經理對市場行情的基本判斷來預選因子。

深度學習選股策略的核心在於對訓練集數據的反覆訓練以獲得最優模型，該策略的高效運行依賴於多個方面：

（1）模型涉及海量數據的處理與運算，對計算機等硬體設備、演算法及其優化的要求很高；

（2）考慮到對所有模型結構組合依次訓練而擇優不實際，模型結構的優化一般採用網格搜索或隨機搜索等方法對提前選定的候選參數組合或範圍依次進行訓練，選出最合理的結構參數組合。因此，對模型構建者選擇候選參數組合的經驗及能力要求較高，最大程度對候選範圍的合理縮小可以大幅減少模型結構參數確認的訓練次數從而提高運行效率。

深度學習多因子選股模型的優勢在於：

（1）自學習能力強，自動化程度相對較高。雖然在模型結構的初步構建上仍需依靠一定的主觀經驗確定結構參數範圍，但結構優化及因子篩選過程均由計算機自動完成，因此與傳統多因子選股模型相比，該模型受主觀因素影響相對較小。

（2）優化能力較強，容錯率較高。與傳統多因子選股模型相比，深度學習模型不侷限於線性關係的構建，引入了非線性關係的擬合，模型結構複雜度更高，同時其有系統化、智能化的信息處理系統，在隱藏層的輔助作用下，若基於足夠的訓練集數據，模型最終的擬合程度較好。

（3）對輸入選股因子的數量限制相對較少。對於傳統多因子選股模型來說，模型構建前期就需要預選合適的選股因子，這也是模型包含主觀因素最多的部分，同時考慮到過度擬合的可能性，選擇因子數量不宜過多。而深度學習模型在輸出結果不變的情況下，模型無需預選因子，輸入層可包含的因子個數不受限制，甚至可達上百個選股因子，只需確定隱藏層和各層節點數量，模型會通過自學習進行因子篩選。當然，深度學習模型不可避免地同樣存在過度擬合的可能性，可通過嵌入 Dropout 等技術在訓練過程中降低模型的過度擬合。

深度學習多因子選股模型的限制在於：

最直接的就是該模型的運行需要更高要求的計算設備以及更多的運算時間，如何能在條件允許的情況下最大程度提高運算效率是策略開發者最關心的問題之一。

此外，模型內部網路結構的複雜性也使得模型的運行過程難以用常規經濟學邏輯來解釋，因此相對於傳統多因子選股模型來說，該模型較難被理解。

4、Alpha策略展望

4.1 過往業績表現好的投顧

以下是各個年度表現較好的阿爾法策略的投顧，我們可以看到名單的公司在2015年前後發生了較大的變化（每一年的排名不分先後）：

4.2 投顧業績可持續性的考量

結合我們對阿爾法策略投顧的研究盡調，我們認為在阿爾法策略領域，可以從以下幾個方面判斷投顧持續競爭力：

投資團隊：重點關注決策人，也就是對業績負責的關鍵人。同一決策人是否有長期的業績記錄並且仍負責該策略，管理人管理的資產規模在比對期是否有大幅增加或變動。

策略研發能力：因子挖掘能力、因子積累、策略持續開發能力、策略優化的能力、IT實力、市場洞察力。

IT系統配置：在交易系統及行情數據反應速度穩定高效；系統整合及開發易用性方面要高。尤其是對於使用高頻量價因子和機器學習的策略。

風險管理：流動性風險、大幅下跌風險、操作風險，止損機制等。

4.3 Alpha策略的市場展望

從市場表現來看， Alpha策略仍將持續提供較好的回報。參照國外的情況，未來隨著對沖工具的豐富，未來Alpha策略管理會進一步擴大。從長遠看，隨著市場有效性的提升及整體阿爾法規模的增加，收益率也許會稍有降低，但仍然不會改變其獲取穩定絕對收益的優勢。

備註：本報告版權歸FOF牛牛所有，已取得FOF牛牛授權。未經許可，嚴禁轉載，歡迎轉發。獲取更多精彩內容，請關注微信公眾號「FICC與資產配置」。

推薦閱讀：

相關文章