量化投资的智能化、科技化趋势

1、人工智能在量化投资的应用方面非线性关系特征识别组合优化/风险分析隐含变量/内部结构Alpha获取仓位管理套期保值评级（Rating）交易执行非结构化数据资料来源： Marcos Lpez de Prado，量化投资与机器学习公众号，中信证券研究部。人工智能/机器学习是一种工具，工具可以拓展、更好的实施我们的投资理念。1资料来源：中信证券研究部机器学习算法导图机器学习算法导图23非线性模型： = + + 其中，线性部分：=+；残差项的非线性结构： = X + ；()为基于线性因子暴露X的非线性函数对于收益率的残差，分别使用random forest，boosted tree，neural net

2、work，以及对几种集成学习模型的集成方法分 别建模。资料来源： Bonne,Wang,Zhang,(2021). Machine Learning Factors: Capturing Nonlinearities in Linear Factor Models. MSCI Research Insights.集成学习模型的历史表现模型对基础因子的边际依赖非线性特征4量化投资理念的两大流派：均值回复 vs. 趋势追踪量化投资两大流派的要点对比均值回复趋势追踪基本假设价格/价差偏离均衡状态后会向均值回复市场发生本质性改变后，价格/价差会从原有的均衡状态飘移至新的均 衡态策略举例统计套利、配对交

3、易、市场中性CTA、事件驱动、宏观对冲收益来源Alpha（叠加于系统性变动之上的小的周期性波动）Beta（系统性的变动）交易技巧左侧交易右侧交易优点（目标）高胜率、高稳定性高盈亏比缺点极端市场环境、黑天鹅平衡市、弱市有些策略种类的命名是基于策略的表现形式，基于原始信号的触发机制，也可归为上述两类。例如，高频交易、多因子 模型。风控：贯穿始终，以最终获得统计意义上的收益。资料来源：中信证券研究部整理5PBMRQ = + ROE + ROE2 + PE = + 净利润增长率 + 净利润增长率2 + 资料来源：Wind，中信证券研究部 注：采用Wind一致预期资料来源：Wind，中信证券研究部注：采

4、用Wind一致预期传统Alpha策略Beta化，探求更高维度的拓展PB-ROE回归式Beta、Gamma系数历史走势BetaGamma（右轴）16.0014.0012.0010.008.006.004.002.000.00454035302520151050PE-净利润增长率回归式Beta、Gamma系数历史走势BetaGamma(右轴）30040250302002015010100050-100-20A股核心宽基指数及中信一级行业指数的PB vs. ROEA股核心宽基指数及中信一级行业指数 PE vs.净利润增长率消费者服务食品饮料农林牧渔医药轻工建制材造中小板指综合金融 沪深300创业板指

5、房地产基础化科工创50传媒中证500电力机设械备及新能源家电国防军工 中证1000电子计算机有色金属非银行金融建筑交通运输银行石油煤石炭化商贸零售通信汽车 综合5.04.54.03.53.02.52.01.51.00.50.00.00%5.00% 电力及1公0.用00事%业纺织服15装.00%钢铁20.00%25.00%30.00%35.00%40.00%PB_MRQ一致预期ROE消费者服务食品饮料农林牧渔建材医药中小板指沪深300房地产有色金属中证1000煤炭科创50电子电力设备及新能源国防军工创业板指计算机基础化工石油石化纺织服装钢铁中证500通信非银行金融家电机械汽车商贸零售100908

6、07060504030201000.00%银10行.00%建筑50.00%60.00%70.00%PE_TTM20.00%30.00%40.00%一致预期净利润增长率6分析师前瞻盈利预测组合盈利预测差异性 =（盈利预测前6个月各家机构最新盈利预测均值）前6个月各家机构最新盈利预测标准差；盈利预测的领先性：该篇报告发布日期前6个月时间内，该报告盈利预测值占全部报告预测的百分位。黑马成长股精选组合：三层精选。1）定位层：长期业绩稳定性一般或较弱，短期业绩显著提升2）过滤层：主营业务扩张幅度、成长趋势、长线投资者认可度；3）精选层：量价特征、分析师行为、上市公司行为。2017-3.1%7.4%-0.

7、49.5%201811.2%7.6%1.55.0%201922.8%8.8%2.63.3%202042.0%10.9%3.95.4%年化超额收益相对收益最大回撤201112.8%8.6%201210.4%5.5%201316.8%4.5%201450.8%9.1%2015135.6%9.6%201610.2%跟踪误差信息比7.0%1.87.4%1.48.6%2.09.3%5.515.2%8.99.5%1.110.2%资料来源：Wind，中信证券研究部。注：2021年截至5月14日。分析师前瞻盈利预测组合历史净值及相对中证500业绩黑马成长股精选组合历史净值及相对中证500业绩量本投资（Quan

8、tamental）量化与主动投资的结合161412108642020100104201008102011032220111026201206042013010720130816201403272014103120150605201601082016081220170323201710272018060420190107201908132020032320201029相对强弱(右轴）组合净值 中证500资料来源：Wind，中信证券研究部。注：2021年截至5月14日。05101520253010209108182030820918304113103140516411275061251225607

9、127012470810802278090690328910150042801113黑马成长股组合 潜在业绩持续增长的黑马成长股组合 黑马成长股精选组合 中证500202112.5%10.5%1.23.7%201201201201201201201201201201201201201201201201201202202202124.7%15.8%1.67.9%Overall23.0%9.5%2.411.8%全部32.3%10.1%3.27.9%年份年化超额收益跟踪误差信息比率相对收益 最大回撤201345.0%11.8%3.86.1%20142.6%8.9%0.35.7%201566.6%13

10、.7%4.97.5%201632.9%8.8%3.75.0%201748.0%7.5%6.43.1%201813.4%9.5%1.46.7%201936.2%9.1%4.04.9%202055.3%10.4%5.35.4%政策支持下融券及转融通机制逐渐完善：两融交易细则修订、转融通、注册制等。融券市场出现爆发式增长。截至2021年5月14日，融券余额为1530亿元，转融券余额1549亿元，融资余额、融券余额与转融券余额相对2019年末 分别增长了51.31%、1010.62%和1233.36%。负向Alpha策略研究价值提升。量化策略专题研究财务视角下的负向组合构建研究（2021年5月19日）

11、中从财务视角出发，构建了一系列财务 风险指标。今年以来，这些指标的负向超额先增后减，表现出现一定分化。资料来源：Wind，中信证券研究部资料来源：Wind，中信证券研究部两融余额及两融标的数量变化部分负向指标组合2021年以来净值及负向组合相对中证800业绩融券市场稳步扩大，负向Alpha策略前景广阔120001000080006000160001400010005000150020002017-012017-052017-092018-012018-052018-092019-012019-052019-092020-012020-052020-092021-012021-05融券余额（亿元

12、） 转融券余额（亿元）融资余额（亿元，右轴）20001800160014001200100080022002017012620170531201709292018013120180531201809282019013120190531201909302020012320200529202009302021012920210514标的数量0.851.051.2512-3101-0801-1501-2201-2902-0502-1902-2603-0503-1203-1903-2604-0204-1204-1904-2605-0605-13 非金融(结构.中信)（右轴）存贷双高资产减值/总资产 经

13、营活动现金流净额/净利润 非主业资产/总资产应收账款周转率年化超额收年化波动信息率负超额收益最大回撤(%)全部-7.3524.62-1.0215.5620218.1718.940.5815.562020-16.4523.73-1.988.042019-22.9123.26-3.268.112018-10.1021.35-1.434.962017-18.3513.85-4.112.302016-1.2628.66-0.303.692015-1.0542.49-0.0810.507益(%)率(%)遗传规划：通过适应度评估个体优劣，精英个体作为父系进一步进化（复制、交叉、变异）。理论上，使用基本数学

14、和逻辑运算符，可以表述所有已知和未知的技术指标和交易经验。但基于现有的运算能力，限定 运算和数据范围能有效提高交易系统开发效率。从因子表现来看，t+2日开盘价相对t+1日开盘价的收益计算口径下，如不考虑交易费用，高频量价因子今年以来多空组 合年化相对收益的均值为83.4%，但2020年以来多空相对收益明显低于前期水平。资料来源：Wind，中信证券研究部。详见多因子量化选股系列专题研究-结合日内分时特征的量价增强模型研究（2020年12月31日）因子名称Alpha1Alpha2Alpha3Alpha4 Alpha5 Alpha6 Alpha7Alpha8遗传规划个体交叉与变异示意图日频量价因子表

15、达式及多空组合年化相对收益的时序变化基于遗传规划的量价因子挖掘ean(closeretavg,3)180%cs_add(cs_mul(ts_mean(closeswapstd,3),ts_max(corrpriceswap,3),cs_sub(closeretavg,ts_min(openretavg,3)160%cs_mul(cs_mul(ts_mean(closeretavg,3),ts_max(closeretavg,3),cs_cub 140%e(ts_mean(swapstd,5)120%cs_div(cs_mul(ts_max(closeswapstd,3),ts_mean(clo

16、seretavg,3),cs_cu rt(ts_mean(openpriceavg,3)100%cs_cube(cs_add(cs_cube(ts_mean(highretstd,3),cs_add(closeretavg,t80%s_max(closeswapstd,3)60%cs_div(cs_mul(ts_max(closeswapstd,3),ts_mean(retavg,3),cs_sqrt(ts_ min(openretavg,3)40%cs_add(cs_cube(ts_max(highswapstd,3),20%cs_curt(ts_minmaxnorm(closeretavg

17、,10)0%cs_mul(cs_mul(ts_max(highswapavg,3), ts_max(closeswapstd,3), cs_mul(highswapstd, ts_minmaxnorm(closeretavg,10)因子表达式cs_add(cs_cube(ts_max(closeswapstd,3),cs_mul(corrpriceswap,ts_m2013年-2019年2020年-2021年5月14日89资料来源：，中信证券研究部资料来源：，中信证券研究部2018年投资机构在另类数据上预算的分布2018年不同管理规模的投资机构在另类数据上的平均预算Alpha源的拓展另类数据资

18、料来源：，中信证券研究部2018年投资机构对各类投资研究方式未来变化的预期Investment bank research Financial information systems (e.g., Thomson Reuters)11%7%50%29%61%18%32%7%7%Conferences Financial publications (e.g., Barrons)Investment newsletters7%4%4%4%4%4%36%68%61%62%57%46%7%4%7%7%4%7%减少保持增加Alternative data sources4%4%21%43%11%50%I

19、ndependent research providers7%29%57%39%43%$357,143$607,143$1,056,250$1,472,222$1,600,000$1,400,000$1,200,000$1,000,000$800,000$600,000$400,000$200,000$037%41%15%7%$5百万预训练微调参数BERT模型：深度提取情绪信息资料来源：，中信证券研究部传统的情绪识别模型存在诸多不足依赖于情绪词库的建立，工程量巨大容易断章取义，对诸如“减少亏损”的表达可能完全理解错误。BERT：2018年Google团队在“BERT: Pre-training

20、 of Deep Bidirectional Transformers for LanguageUnderstanding”提出的一种新的语言模型。能对整句文本进行建模，有效避免传统模型的断章取义的问题通过在大语料比如维基百科上进行预训练，充分学习语言的规律，吸收丰富的知识并进行迁移，从而降低对目标数据量 的要求。预训练和参数微调示意图10情绪指标相对市场具有短期领先效应。情绪指标的短期风险防范效果。情绪指标对热门行业的热点发现作用。资料来源：Wind，中信证券研究部2019-2020情绪指标和中证全指走势基于新闻的舆情指标相关研究5000480046004400420040003800360034003200300000.080.060.040.020.00-0.02-0.04-0.06-0.082019-01-022019-01-222019-02-182019-03-082019-03-282019-04-182019-05-132019-05-312019-06-212019-07-112019-07-312019-08-202019-09-092019-09-302019-10-252019-11-142019-12-