量化策略的发展、理念与策略架构

量化选股投资思路有很多种，大致可以分为三种：学院派模式、金融科技模式和主动量化模式.学术更注重“科学”，金融科技派更注重“技术”，主动量化派更注重“人”。

1

量化选股起源

学院派模式

20世纪70年代，量化投资的鼻祖BGI,发行了世界上第一个量化选股产品。凭借其学术背景，BGI的主动和被动产品，如IShares，取得了巨大的成功，成为世界上最大的资产管理公司之一。2009年，BGI被贝莱德收购，2008年出版的《Active Portfolio Management》披露了BGI控制风险获取超额收益的量化方法。基于此，多因素选股产品被称为BGI模型，是量化选股领域的一个学术。

1998年，学术对冲基金AQR,成立，将行为金融学引入多因素选股。2005年，Smart Beta概念兴起，AQR基于要素投资理念打造了一款低成本指数增强产品，其中价值风格是AQR的主要投资风格。

金融科技模式

包括Renaissance、Two Sigma、Worldquant,等。采用系统化的投资框架和数据驱动的纯量化投资模型。复兴的特点是数学和统计，采用高频统计套利模型。他们认为，如果一笔交易是符合逻辑的，那么很大概率已经被别人发现了，所以他们敢于交易不合逻辑但有统计意义的策略，通过日内交易创造超额收益。两西格玛以大数据闻名，数据量71 PB，数据源超万个；WorldQuant专注于因子开发，寻找高质量的交易信号。目前国内大多数量化私募都采用了这种投资模式。

主动量化模式

包括交易频率低、策略能力强的Blackrock、D. E. Shaw,贝莱德严谨系统地分析投资基本面，让主动投资更加科学；D. E. Shaw还将系统投资与积极投资相结合，形成混合策略。比如定量预测可能没有考虑疫情等黑天鹅事件的影响。混合策略有助于减少预测误差，并且更加灵活。

2

国内量化私募发展

2005-2009年萌芽期

基金光大保德信量化公募成立于2004年，深圳天马资管发行于2006年。但由于量化工具的缺乏和股票数量的有限，以分散化为特征的量化投资很难发挥优势。

2010 -2014年探索期

2010年4月，沪深300股指期货上市，量化策略开始有了对冲工具。由于小盘股异常强劲的风格和股指期货的长期溢价，开发绝对收益的量化策略并不困难。基于学院派BGI模型的量化策略表现出色，量化私募的发展进入一个小高潮。

2015 -2018年蛰伏期

2014年末，沪深300指数高歌猛进，大市值风格崛起。但大量暴露于小市值风格的量化基金损失惨重，不少新成立的量化产品面临清盘。2017年，量化私募再次面临新的挑战：a股市场出现极端分化，期间分散投资优势消失，量化私募产品表现差强人意，大量产品面临缩水。在当时不利的环境下，以高频策略和机器学习为特征的金融科技模型成为破局之法，基金规模迅速扩张。

2019年至今的过热期

政策量化私募迎来春天。2019年6月，中国证券监督管理委员会发布了《公开募集基金再融资业务指引》。不久后，交易所宣布将两个融资标的扩大至1600个，再次丰富了融券来源的种类和规模。标的证券的扩大有助于提高股票的流动性和波动性，为T0交易策略提供了更广阔的空间，扩大了配对交易的股票池，进一步丰富了量化交易策略；市场方面，股票的分化和交易量的持续增加，为阿尔法创造了巨大的利润空间。截至2021年底，量化私募超过100家，量化私募进入万亿时代。

3

量化选股策略收益与风险

从表面上看，量化选股策略主要来源于基本面ALPHA、高频量价ALPHA以及T0交易.然而，从交易行为的角度来看，上述三种收益都来自于投资者在非效率市场中的行为偏差。

中长线投资者的行为偏离，如保守偏离，带来了基本面ALPHA；短线交易者的行为偏差，如后悔和厌恶，创造高频ALPHA；交易者的行为偏差和t1系统产生了t0收益。

根据行为金融理论，投资者的行为偏差可以分为认知偏差和情绪偏差。认知偏差可以通过学习和训练避免，但情感偏差无法消除。在主动投资主导的市场中，量化选股策略的超额收益可能会下降，但不会消失。

正如价值投资回报具有周期性一样，量化策略ALPHA回报也具有周期性。随着投资者结构的变化、战略拥挤的推动和市场成熟度的提高，量化模型存在失效的风险。当市场成交量低迷，个股走势趋于收敛，风格转变较快时，量化策略面临较高的投资风险。

4

判断量化私募赚钱能力

目前主流量化私募基本采用无市场择时、无主动风格择时、超分散持股、人工机构特征、线性非线性算法特征组合、量化模型不断迭代、完全程序化交易的基本框架。所以量化私募筛选需要了解更多的投资细节，包括量化投资流派、团队合作模式、策略研究能力、投资执行能力等。

辨别量化投资理念与核心方法论

私募主要有学院派、金融科技派、主动量化派。学术私募的创始人通常都有学术背景，公司成立于2015年之前。学术私募擅长基于公司金融和行为金融构建基本面因素，其模型在特征组合上更加科学稳健，换仓频率相对较低，策略能力较高；金融学院通常具有海外量化巨头的工作经验，在IT基础设施方面投入巨大，擅长人工智能算法、高频数据处理与分析、舆情分析，技术优势突出。主动量化派通常有主动投资和大势判断的经验，量化模型工具性更强。主动量化派在行业内选股比较有优势，策略也比较灵活，可以更快的接近市场。

了解团队合作模式

量化私募团队合作模式主要有筒仓PM制和集中订书制。

在silo PM体系下，基金提供完善的回测平台，研究员负责特征挖掘，投资经理负责特征组合和组合优化。ALPHA的不断积累，使得历史悠久的私募在特征挖掘方面具有很强的竞争优势。此外，PM体系下的私募基金合伙人通常具有独立制定策略的能力，核心PM以外的团队流失率对产品影响不大。

在集中订书制下，策略研究采用流水线的方式完成，投研人员分成几个小团队，每个团队负责一部分策略。这种模式更注重内部的合作

在特征挖掘方面，可以从策略研究能力评价等维度对量化私募进行评价。海外优秀量化基金数据量超过100TB，数据量增长率超过10%，TwoSigma达到70PB。数据来源、数据体量和数据增速、特征数量、特征相关性、特征质量一般私募通常采用“包换”的形式，而优秀量化私募则具有自主开发特征组合算法的能力。特征组合方面，优秀的量化私募有丰富的风险控制工具，比如因子拥挤模型。组合优化方面，规模适中的优秀量化私募冲击成本可以控制在10PB以内。

量化私募通常在特征挖掘、特征组合、组合优化、算法交易的某个模块具有竞争优势。在不同的市场环境和不同的投资模式下，每个模块的重要性是不同的。比如，在市场效率极其微弱的时候，特征挖掘是最关键的，一个好的因子通常会带来非常好的收益风险比；当基金规模不断扩大时，算法交易可以大大降低不断增加的冲击成本；当策略逐渐低频化时，组合优化的价值就凸显出来了；当策略拥挤时，风险敞口管理更为重要。

算法交易方面，

量化私募交易频繁，需要了解量化私募是否实现了实验环境和生产环境的分离，有完善的交易指令管理系统；况且量化模型无法考虑到未来的所有情况，需要了解量化私募历史的应急处理经验；最后，IT基础设施支持的重要性不言而喻。

综合来看，优先选择策略一致、与同类产品关联度低、收入来源多元化、风格控制严格、IT基础设施良好、策略迭代能力强的量化私募。建议尽量避免规模过大、短期收益率极高的产品。

注：以上观点均来自相关机构公开信息，包括但不限于官网、微信官方账号、网络公开媒体报道等。不代表朝阳对可持续发展的看法，仅供参考。

版权声明：部分文章推送时无法与原作者取得联系。如涉及版权问题，请联系我们。