量化投资与传统主动管理的对比
量化投资是一种涉及到可量化公司特征或能够解释股票收益差异的“因子”的投资方法。与基于行业和公司研究的投资策略不同,基于因子的投资策略是定量的,完全基于可观测的数据,而不包含个人的观点和意见。
量化投资是一种涉及到可量化公司特征或能够解释股票收益差异的“因子”的投资方法。与基于行业和公司研究的投资策略不同,基于因子的投资策略是定量的,完全基于可观测的数据,而不包含个人的观点和意见。
量化投资的优缺点
关注具备共性的因子、决策的客观性较高、操作失误 风险较低、投资宽度较大、可复制性强、成本较低
依赖历史数据、可能导致过度数据挖掘、对市场变化的反应较慢
传统主动组合管理的优缺点
关注公司及个股本身、操作失误风险较高、投资宽度较小、决策较为主观、难以复制、成本很高
对历史数据依赖较低、基本不存在数据挖掘、对市场动态的反应较快
量化投资的优缺点
关注具备共性的因子、决策的客观性较高、操作失误风险较低、投资宽度较大、可复制性强、成本较低
依赖历史数据、可能导致过度数据挖掘、对市场变化的反应较慢
传统主动组合管理的优缺点
关注公司及个股本身、操作失误风险较高、投资宽度较小、决策较为主观、难以复制、成本很高
对历史数据依赖较低、基本不存在数据挖掘、对市场动态的反应较快
股票高频量化策略优势
低波动
算法交易完善,解决了每日换仓导致较大冲击成本的问题;
从海量数据中发现规律用于投资,高换手策略不受行情涨跌影响
低回撤
实盘最大回撤3%左右;回测业绩在16年熔断的极端情况时最大回撤4%+,15年、18年行情无大影响
适应力强
策略股票每日换仓,更适宜当下市场;
当下高换手策略收益较高
策略容量大
最高容量可到10亿
股票高频量化策略逻辑
股票高频量化策略类似传统Alpha策略,此策略基于量价因子短期有效性进行短周期预测。策略组合大量的低相关因子,提高策略稳定性,同时结合机器学习预测模型提高预测的准确性。策略剥离了市值行业的风格影响,在低风险前提下追求超额收益。策略可根据客户需求及风险偏好进行定制,可采用中证500指数进行对冲,控制产品风险敞口。
选股池
市值最大的前2000只股票,且剔除st, 亏损股
因子池
构建近千个因子的日线量价因子库,以收集日内高频信息,从而提炼分钟数据和逐笔成交信息用于筛选股票
因子筛选
通过因子检验模型衡量因子表现并结合机器学习预测模型,根据市场环境,每月自动筛选适合当下市场的因子
组合优化
利用最新的机器学习算法组合因子,并以中证500作为基准,加入风险模型控制对中证500超额的回撤
股票高频量化策略风险控制
股票高频量化策略类似传统Alpha策略,此策略基于量价因子短期有效性进行短周期预测。策略组合大量的低相关因子,提高策略稳定性,同时结合机器学习预测模型提高预测的准确性。策略剥离了市值行业的风格影响,在低风险前提下追求超额收益。策略可根据客户需求及风险偏好进行定制,可采用中证500指数进行对冲,控制产品风险敞口。
关注项:
  • 每日风险控制指标
  • 行业内同类型策略对比
  • 当策略暂时失效,超额大回撤的时候提高策略风险厌恶系数,对和中证500指数市值行业偏离控的更加严格
限制项:
  • 个股集中度:股票数量100-200只,最大权重不超过2%,最小权重不低于0.3%
  • 换手率:限制换手率不超过年化130倍