与资产定价金融建模的另类逻辑

量化投资与资产定价

——金融建模的另类逻辑中央财经大学证券期货研究所中央财经大学金融工程系郭剑光2023/5/8主要内容金融与商业决策中建模的共性与抽象资产定价理论量化投资的盈利来源分析2部分参考资料来源声明本报告中的部分资料主要引自于但不限于以下来源：张越，大数据与金融，波士顿咨询郑宇庭等，金融数据挖掘和商业数据挖掘，台湾政治大学丁鹏，量化投资，中国量化投资学会刘富兵，量化投资思路探究，国泰君安证券对以上资料的原创者和加工者表示致谢！3本节主要内容金融与商业决策中建模的共性与抽象“建模与量化分析”无处不在金融中的“建模与量化分析”从“大数据”出发为什么“直觉、思想与原理”非常重要几个简单例子45“建模与量化分析”无处不在金融与商业的决策问题模型算法预测类别变量，例如营销响应、顾客流失、违约预测(巴塞尔资本协定IRB)…决策树贝氏机率分类群集类神经网络罗吉斯回归预测连续变量，例如预测销售量、预测客户价值变动、预测金融资产与商品价格波动...回归树时间序列类神经网络预测序列，例如找出网站使用者的点选路径模式、客户缴款行为模式、商品购物顺序时序群集找出产品交叉销售关联性，又称为购物篮分析关联规则决策树找出潜在相似性，例如市场区隔、侦测晶圆瑕疵分配、文件分类、保险浮滥理赔侦测、伪卡侦测群集时序群集“建模与量化分析”无处不在建模与量化分析的一般流程应用场景与问题大数据与观测及记录直觉、思想与原理业务的逻辑与建模算法的设计与优化IT软件与硬件的实现6金融中的“建模与量化分析”金融建模和量化分析最基础的数据：收入方面：银行的贷款、保险的保费、投资的盈利支出方面银行的不良、保险的理赔、投资的亏损成本方面银行的存款利率视为成本、投资的交易税费等对比金融建模与商业建模在数据上的不同视角：商业建模中的支出数据对比其他领域建模的数据：比如，交通、社交、自然科学领域7金融中的“建模与量化分析”每笔数据的产生，背后总有某种规律驱动使然金融建模和量化分析最底层的原理：个体决策行为的利益最大化，具体而言就是利益最大化的各种准则怎么设定不确定性信息在金融变量中是否得到有效发现对比商业建模和量化分析的最底层原理对比社会科学其他领域对比自然科学领域8从“大数据”出发3V+价值创造+思维模式转变应用领域：自然科学、社会科学、人文科学的研究金融、医疗、制药、消费品、工业品、能源等在金融的应用9从“大数据”出发金融中的“大数据”在各个主要领域中发现了数十项潜在应用，遍布于：支付业务、零售业务、公司业务、资本市场业务、交易银行业务、资产管理业务、财富管理业务、风险管理业务目前，真正能够在传统金融业中得到应用的数据占比约为34%。10从“大数据”出发金融业目前只用到一小部分与客户相关的数据，主要包括：交易数据客户提供的数据（出生日期、地址、婚姻状况等）评分数据渠道使用数据还有许多可以利用的数据，有助金融业提升业务价值：移动银行业务用户的定位数据社交媒体互动信息网站互动信息（交易前）交易数据，用于推测客户的行为往上搜索行为社交网络其他11为什么“直觉、思想与原理”非常重要每笔数据的产生，背后总有某种规律驱动使然；对“直觉、思想与原理”的理解反过来促进对数据的观测和记录自然科学的例子：天文学的第谷、开普勒、牛顿、海王星的发现社会科学的例子：制度要素是否影响经济增长经济学理论一直认为这个命题不言自明阿西莫格鲁为了度量制度类型，在AER2001的论文中采用美洲殖民时代的殖民地的死亡率经济增长跨国比较的基础数据库一个案例：12为什么“直觉、思想与原理”非常重要案例介绍：保险业的盈利模式：收入（保费及其投资收益）-理赔-运营成本LEMONADE对保险业的分析如下：保险公司尤其是股份制保险公司有盈利目标和动机。其保费定价及理赔程序都有为公司利益服务的强烈动机，比如保险公司会尽量拒绝赔保，但会尽量增加保费；而购保者认为保险公司的利润都是拿走自己该得的钱，所以理赔虚报（注意还不是骗保！)十分严重。而保险公司为应对虚高但又不易核实的理赔，只能通过提高保费应对；如此往复循环，形成一个恶性的平衡。因此，如何控制客户的理赔虚报是盈利的关键。LEMONADE打造了一款新的保险产品，试图把保险业推出不断加保费的恶性轨道。运作方式是这样：首先提20%保费作为运作费用（如有剩余即为公司利润）；然后40%用来购买再保险以应对巨额赔付；最后40%作为常规理赔池应对小额理赔；理赔池中如果有结余，会给投保者开始指定的当地一家慈善机构捐款。13为什么“直觉、思想与原理”非常重要案例讨论：LEMONADE除了利用大数据分析、AI技术等新科技提高客户分析的精度，此外LEMONADE的产品还基于DukeUniversity的行为经济学家DanAriely的研究对客户行为进行了建模。仔细梳理了Dan的学术发表及很多相关文献，简单总结如下：1.Dan的大多研究都是关于人在何种情况下欺骗或骗保。比如测试被实验人是否欺骗，一般是让一群人在短时间内从很多小数里找出相加等于10的两个数字。然后随机分成2组，第一组拿到监考那判分；第二组被告知可以撕掉考卷，自己凭“良心”检查并报告答对题目数量。最后根据答对题数领取奖金（比如答对1题得10美分）。2.Dan和他的合作者们做过无数次试验，重点是判断/预测第二组人如何在不同情境下调整欺骗的幅度（加大或减小）。发现了很多社会心理学或行为经济学中常见，但又非常有趣实用的结果，比如群组心理效应。3.还有很多有趣的结果。比如Dan在AER2009中发现，如果公益行为被公开告知有金钱收益，被实验者往往减低做公益的行为（ImageEffect，公共形象效应，担心别人以为自己是为了回报才做公益）；相反，如果私下告知做公益能带来收益，那么实验者就大大加强做公益的频率。14为什么“直觉、思想与原理”非常重要案例讨论：LEMONADE在产品设计中大量运用了行为科学和社会心理学的结论。给慈善机构的捐款，表面看是用慈善做营销手段，但更重要的是利用上文的群组心理给顾客强烈的暗示：我们都是“好人”（慈善捐款），不做“坏事”（虚报保额），从而达到减少欺诈和降低赔付率的目的；在产品设计上，LEMONADE也是简洁明亮的风格，这是基于PsychologicalScience2010一篇文章的研究结论：明亮的色彩可以减少欺诈行为；在申报损失时，用户需要先在开头签署一份诚信公约（PledgeofHonesty），研究表明，在陈述事实之前（而不是之后）签署也可以有效减少欺诈；申报损失的全部过程都是以类似和人对话的形式进行（AIchatbot），而且用户需要录制一段视频陈述经过，这样尽可能地营造一种和人对话的感觉。这种类似面对面交流的形式（而不是机械填写一堆申报表）能更有效的降低欺诈动机。为什么不把剩余保费分还给每个顾客？因为那样就无法让顾客产生强烈的组群效应(GroupAffinity)。分群组还能把保费剩余池分拆成更多的小池，这样即使有个别小组赔付过多，如果分散得当，就不会出现全部小组赔付池耗光的状况。15几个简单例子：客户粘性应用场景与问题：某澳大利亚大型银行应用“大数据”分析为自己的小微企业客户提供了一项免费的增值服务，以提高客户粘性。大数据：分析的基础数据来自于该银行零售业务中的个人支付数据。由于银行掌握的数据海量而精准，这样的分析就比一般的市场分析机构的成果更富有洞察。此项服务不仅为该银行提高了存量客户的粘性，也成为它们吸引新客户的一个重要工具。直觉、思想和原理以及业务的建模与逻辑：提高小微企业客户粘性的增值需求可能是银行为这些客户免费提供它们自己的客户和竞争对手分析：包括客户的财富结构，购买偏好，与竞争对手客户结构的差异等。16几个简单例子：购买行为应用场景与问题：某海外大型银行为自己的卖手机的零售商客户提供营销支持。大数据：银行掌握的客户刷卡地点数据直觉、思想和原理以及业务的建模与逻辑：客户在购买手机前后的其他购买行为。发现客户在购买之前出现频率最高的地方是交通枢纽，而购买之后则最可能出现在食品杂货店里。这样的分析帮助手机零售商明确定义了营销的最佳地点，从而优化了客户的营销资源配置。17几个简单例子：客户细分应用场景与问题：某海外银行通过“大数据”分析优化了自己的客户细分。传统银行做客户细分的主要维度是年龄、性别、职业、财富水平等。基于这样的细分做营销和产品设计容易“误伤一片”，会浪费不少的资源。大数据：在“大数据”分析的帮助下，银行做客户细分的思路开阔了很多，而且细分对于行动的指导性也越来越强。直觉、思想和原理以及业务的建模与逻辑：这家银行按照一个客户使用产品的“广度”（即产品的数量）和“深度”（即使用产品的频率）进行细分。这样的细分帮助该银行发现了一些从前没有注意到的机会。例如，细分中发现了一类“临界点”客户，即很有可能换银行的客户。此外，该银行还发现了一个占比不大（~7%）但很有意思的客群，姑且称之为“败家族”。这类客群的财富水平不高，达不到银行的贵宾门槛，所以常常被银行忽略。“临界点”客户的行为：客户换银行一个重要原因是因为自己的朋友们都在使用目标银行。于是，稳住这些客户的一个手段就是营销他的朋友圈。“败家族”客户的行为：这类客户有个特点，就是交易行为非常活跃。他们的消费习惯能够为银行带来可观的价值。18几个简单例子：客户贡献应用场景与问题：某加拿大银行对于自己的医药零售商客群做了一个分析。大数据：该银行首先将这些客户按照销售额分成八类，进而计算每个药店为银行带来的收入。直觉、思想和原理以及业务的建模与逻辑：分析发现，在同一类中，客户每百万销售额所产生的银行收入之间的落差可高达17倍。这家银行意识到，特征类似的中小客户给银行带来的价值却可以差异巨大。于是，这家银行为每一类客户找到了“标杆”，即对于银行贡献居中的客户，并分析其金融产品的配置情况。然后，这家银行比对每个客户与自己的“标杆”之间的差距，并用这些差距来指导客户经理进营销。而且，客户经理还可以与客户分享这些比对结果，帮助他们认识到自己与同业相比在金融方面的潜在需求。这样的分析既提高了营销的有效性，也为客户带来了金融服务之外的增值。19几个简单例子：大公司信贷风险应用场景与问题：Bankinter是西班牙的一家精品银行，单个客户利润往往比规模领先的大型同业高上几倍。该银行专注于中高端客群，并高度注重技术的应用。大数据：Bankinter应用亚马逊的云服务，借助“大数据”分析进行行业发展模拟以支持对于公司客户的风险控制。直觉、思想和原理以及业务的建模与逻辑：对公客户的信贷风险除了与企业自己的状况有关之外，还会极大地受到行业发展的影响。行业模拟在过去的技术条件下并不能广泛应用。但云服务极大地提高了这种分析的可行性。以前，这家银行做一个行业的宏观模拟分析，一次运算平均耗时可达23个小时，而现在，同样的分析只用20分钟左右。20几个简单例子：风险预警应用场景与问题：“大数据”催生了风险控制领域的创新创业。美国一家创业公司帮助银行进行风险预警。大数据：电梯数据和黄页数据：电梯运行过程中一直会有数据留痕，例如在某栋楼的每一层停了多少次等。而黄页是公开信息，某栋楼的某一层是哪家公司可以很容易查到。匹配这些数据就可以得出某家公司每天电梯停靠的次数。直觉、思想和原理以及业务的建模与逻辑：该公司的“大数据”分析发现，如果某家公司的电梯数据突然发生异常变化，可能代表该公司出现了经营变化。电梯停靠次数异常减少可能意味着员工的减少或者客户拜访次数的减少，无论如何，这样的信号应该引起银行的及时关注。将这样的预警信号植入贷后管理流程无疑会比单纯进行每季度或每年的贷后检查要更有针对性。21几个简单例子：信贷风险中异常行为应用场景与问题：WellsFargo（富国银行）分析识别客户的异常行为作为风险提示信号。大数据：分析的数据基础是银行自己的海量的交易数据，即个人的支付数据、企业的交易数据等。在贷后管理中，“大数据”分析正在帮助银行优化催收管理。直觉、思想和原理以及业务的建模与逻辑：通过量化分析发现，近三成的失败催收源于联系不到借款人。而“大数据”分析能够帮助银行提升联系借款人的成功率。22本节主要内容资产定价理论相对定价的原理因子定价的原理策略性定价模型23相对定价的原理资产定价的无套利原理：拆分出定价基准示性函数拆分状态价格风险中性概率示性函数的不同积分作为风险因子，也即各种不同的定价基准定价基准也即风险因子24相对定价的原理一价法则或线性定价法则三个命题的等价性三个层次的理解市场的完全性基准资产或因子资产的定价类比物理上的“质量守恒”“能量守恒”的恒等式，可以用“价值恒等式”表示一价法则没有摩擦可以理解为可逆，类比能量的熵增25相对定价的原理正定价法则定价与占优、随机占优一阶占优、一阶随占、均值占优：递增效用二阶占优、二阶随占、方差占优：递减边际效用期限上的占优：同样收益下，短期限占优于长期限，常常与流动性占优无法分割占优和溢价：任何两个资产的收益率之间都有溢价，横截面的一个典型是相对于无风险收益率的溢价26因子定价的原理未来状态、定价基准的解释和刻画因素：因子模型与竞争均衡定价（相对定价与绝对定价）的不同27因子定价的原理未来状态的解释和刻画因素：未来状态的抽象性：状态空间未来状态的具体化：西格玛域及其适应性变量（风险因子或称状态变量）未来状态的实例化：适应性变量的经济意义风险因子的相加和相乘例子：产出变量（GDPG）和货币及信贷供应总量（M2）的二分模型例子：涨跌（方向）和涨跌的大小（幅度）的二分模型28因子定价的原理因子模型（或因素模型）因子定价的实证研究：寻找可观测、有经济背景含义的适应性变量发现资产收益各个尺度和分辨率的特征和“基因”残余项因子定价和资产配置、风险管理不同策略之间的交易其实就是各种不同因子的信息的知情者之间的交易29因子定价的原理因子的特征一般性特征空间尺度：横截面上影响资产的分类和分层期限尺度：纵向上影响资产分类，与时间尺度的异同时间尺度：长期、中期、短期、超短期、高频时间序列特性：动量和趋势、反转和均值回复因子的拆分与组合：尺度升级或降级30因子定价的原理因子的阶数和非线性影响线性项和均值非线性项和方差等高阶矩不同因子的交叉混合产生非线性成分：比如债券的到期收益率由不同时期利率连乘（几何平均）得到，再比如价和量的乘积不同因子的协同效应产生非线性成分：比如并购因子风险敞口的非常数性：比如期权，“追涨杀跌”策略31因子定价的原理期限维度上的因子：短期因子vs长期因子：长期债券的风险因子：从未来到更远未来（到期日）无风险收益，也即远期利率因子期限维度上因子的缩并：单因子、两因子、三因子等长期债券的到期收益率vs长期债券的风险溢价一个另类解读：影响长期债券未来价格的因子是更长远未来的贴现32策略性定价模型交易者、交易和市场价格：金融市场就是“贩卖”信息、流动性（资源转移、风险转移）、激励机制（微观、宏观）的市场资产的交易者：不同的范畴，比如微结构视角下的做市商，再比如结合产业关系视角下套期保值者等市场的结构与交易的博弈（竞争市场、寡头市场、垄断市场）33策略性定价模型策略性因子定价：每个优势地位不同的交易者（信息、势力、机制影响力等各方面）对资产的估价就是资产市场价格的一个因子市场未来收益对因子的敞口就是不同交易者实际敞口的中位值占优的交易者策略性的调整目标敞口和实际敞口之间的差，从而引导价格变化34本节主要内容量化投资的盈利来源分析基于定价错误基于时间周期规律基于技术面信息优势基于基本面信息优势基于流动性优势基于信息科技优势35基于定价错误建模的逻辑：各类资产在相对定价水平上出现了背离，在主要因子上的收益和风险不匹配案例：Alpha因子-逻辑与统计的有效结合权重优化-提高业绩稳定性的利器36Alpha因子-逻辑与统计的有效结合成长趋势因子构建MAprofit=(profit1+profit2+profit3+profit4)Eprofit=MAprofit/lag(MAprofit)Profit:单季净利润MAprofit：滚动4季净利润Eprofit：成长趋势因子缺失数据：用现有数据归一化，补足缺失数据37Alpha因子-逻辑与统计的有效结合

股票市场只对公司边际变化定价

公司边际变化大多会体现于财报中业绩的预期变化直接挂钩标的涨跌预期变化存在惯性，不会一次上调到位38因子逻辑39Alpha因子-逻辑与统计的有效结合40Alpha因子-逻辑与统计的有效结合成长趋势因子构建的多头组合收益远高于沪深300、中证500等权、中证800等权。41Alpha因子-逻辑与统计的有效结合对冲指数：沪深300全收益中证800等权中证500等权年化超额收益：22.25%14.75%11.54%信息比：1.62.081.74最大回撤：-22.76%-6.99%-5.66%2009年36.39%13.11%7.98%2010年31.38%8.94%3.09%2011年-2.75%5.64%6.58%2012年19.68%27.21%27.76%2013年36.31%18.69%10.55%2014年0.20%9.48%10.75%2015年10.95%2.11%0.41%对冲沪深300收益最高，但过多的暴露于市值风格对冲中证800波动最小，基于中证800包含了沪深300和中证50042Alpha因子-逻辑与统计的有效结合一致预期变化产生的收益主要来源于三个方面信息挖掘预期冲击分析师基于其专业知识以及在调研中对上市公司更加深入的了解，能够通过其独特的逻辑和信息让投资者更深入的了解上市公司多个卖方分析师共同调整其对标的股票的看法时，其形成的信息流将对投资者原有预期产生正向冲击明星效应新财富上榜的卖方分析师本身就具有明星效应，其推荐股票时也有“明星光环”效应，后续有一定上涨动力资料来源：国泰君安证券研究43Alpha因子-逻辑与统计的有效结合一致预期调整因子构建的组合相对3个指数都有显著的超额收益对冲沪深300、中证800指数年胜率皆为100%44对冲指数：沪深300中证800等权中证500等权年化超额收益：16.36%9.48%6.57%信息比：1.391.160.77最大回撤：-14.20%-13.31%-14.97%2009年27.0%8.5%4.3%2010年16.7%1.1%-3.4%2011年3.9%10.9%11.6%2012年8.6%14.1%14.5%2013年22.5%9.0%2.9%2014年0.9%8.2%9.2%2015年26.2%8.5%3.8%Alpha因子-逻辑与统计的有效结合一致预期调整因子结合PEG因子构建的行业中性组合收益稳定自2008年底，组合累计超额收益达93.6%，信息比2.23，最大回撤5.69%组合整体月超额收益胜率72%，单月最大负收益为-4.03%45Alpha因子-逻辑与统计的有效结合权重优化-提高业绩稳定性的利器46任意股票在同一时刻都暴露于多种不同的风险因素下，它们之间的共同作用形成了股票价格的波动。风险模型的意义在于找到股票价格波动的成因，并将股票收益来源进行分解剥离，并实现对未来股票价格波动的预测。结构化风险模型利用风险因子和特质因子来分解股票收益率，并利用因子收益率的波动来解释股票价格的波动。结构化风险模型大大降低了组合风险的计算复杂度。479大类风格因子：Beta、Momentum、Size、EarningYield、Volatility、Growth、Value、Leverage、Liquidity.组合收益率：组合波动率：权重优化-提高业绩稳定性的利器48因子有效性检验FactorNameAverageAbosolutet-statPercentOvserv|t|>2AnnualFactorReturnAnnualFactorVolatilityFactorReturnSharpratioCorrelWithHS300FactorStabilityCoeffVarianceInflationFactorBeta2.76852.63%10.74%3.49%3.07-0.1060.1191.39Momentum2.05247.37%4.41%2.41%1.830.3560.1631.62Size4.72775.44%-25.79%5.32%-4.850.3210.2411.18EarningYield2.51247.37%6.81%1.58%4.310.0630.1721.20Volatility2.64850.88%-3.74%4.27%-0.880.0690.1702.48Growth1.51929.82%2.18%1.11%1.960.135-0.1391.04Value1.88942.11%-0.97%1.97%-0.49-0.1180.1321.46Leverage2.31550.88%-3.55%1.75%-2.03-0.0540.1751.18Liquidity4.09364.91%-10.79%3.33%-3.24-0.0500.0531.68均值2.72451.26%/////1.47权重优化-提高业绩稳定性的利器49风险模型预测组合波动率

在风险模型的体系中，投资经理可以定量的对风险进行评估，进而帮助其精确的控制组合的风险特征，在获取确定性较高的阿尔法因子收益的同时，剔除不确定性较强的风险因子的干扰。公共因子协方差矩阵预测：特质因子风险矩阵预测：权重优化-提高业绩稳定性的利器50纯因子股票组合纯因子股票组合仅使得单一因子存在风险敞口暴露，其余因子均与对冲基准保持中性化。纯因子股票组合用以检验因子是否存在足够的阿尔法性。纯因子组合年化收益率年化波动率信息比率最大回撤Beta3.89%3.45%1.133.70%Momentum5.89%2.75%2.142.89%Size18.31%6.40%2.8612.15%EarningYield6.29%2.54%2.472.18%Volatility5.36%2.45%2.192.48%Growth3.39%2.43%1.404.14%Value2.16%2.85%0.767.67%Leverage3.20%2.44%1.313.05%Liquidity5.29%2.76%1.923.71%权重优化-提高业绩稳定性的利器51组合权重优化

通过最优化方式构建股票组合，使得组合仅暴露于阿尔法性较强的因子下，其余因子均与对冲基准相匹配，完全剔除市场风格造成的策略波动。

组合目标为经风险调整后的收益率最优风格中性：风险因子与对冲基准相匹配，剔除风格收益波动。行业中性：组合行业权重与对冲基准相匹配，剔除行业收益波动。现金中性：多空市值保持一致，不留方向性敞口。权重优化-提高业绩稳定性的利器实证检验参数设定回测时间从2010年1月至2015年3月，其中2010年1月至2011年1月为样本内时间段，以提取因子组合相关参数；股票池选取全A非ST股票，交易频率每月末调仓；交易成本为单边千分之1，印花税千分之1；组合个股的权重上限设为1%（银行、证券、保险行业占比较大，为实现行业中性配置，权重上限分别设为3%、2%、2%）。优化目标函数我们采用

形式，其中

；；行业中性约束中，因子敞口设定为

；风格中性约束中，9类风格因子敞口设定为：当该期权重优化方程在设定的因子敞口约束下无解时，逐次降低Momentum和EarningYield因子敞口0.1，直至优化方程找到最优解。

52权重优化-提高业绩稳定性的利器53

3种不同的组合配置方式比较组合方式年化收益率年化波动率最大回撤信息比率现金中性32.77%15.67%36.98%2.09现金、行业中性24.75%9.37%21.83%2.64现金、行业、风格中性12.73%3.03%2.09%4.21权重优化-提高业绩稳定性的利器54策略净值1.885最大回撤2.09%交易胜率61.25%最大回撤开始时间2014/11/26年化收益率12.73%最大回撤结束时间2014/12/05年化波动率3.03%日收益率分布偏度-0.08信息比率4.21日收益率分布峰度3.90盈亏比率1.2695%VaR-0.324%组合年均换手率350%平均股票个数100只

年收益率最大回撤信息比率2010年（样本内）16.0%2.04%4.652011年8.4%1.86%3.012012年11.6%0.90%4.902013年18.3%1.17%5.832014年10.7%2.07%3.50策略整体绩效策略逐年绩效权重优化-提高业绩稳定性的利器55因子收益归因风险因子敞口比较因子收益归因比较权重优化-提高业绩稳定性的利器56因子风险归因因子风险归因比较归因分析结果表明，不考虑风格中性的组合配置方式，其风险因子敞口、组合收益收益来源、因子风险贡献均较为集中于Size因子，组合带有较强的小盘股风格特征。在考虑风格中性的组合配置方式下，组合整体不带有明显的风格特征，因子收益来源和因子风险贡献较为平均。归因分析结果表明，风格中性的约束方式对组合整体风险特征有决定性影响。权重优化-提高业绩稳定性的利器57中证500对冲净值权重优化-提高业绩稳定性的利器策略净值2.974最大回撤3.42%策略日胜率60.99%最大回撤开始时间2015/4/16年化收益率21.31%最大回撤结束时间2015/5/12年化波动率5.09%日收益率分布偏度0.28信息比率4.184日收益率分布峰度3.96盈亏比率1.27395%VaR0.546%组合年均换手率450%组合股票个数（均值）85只58控制跟踪误差最优投资组合构建描述：在暴露阿尔法因子敞口，并满足市值中性、行业中性、风格中性约束，同时控制组合年化跟踪误差的约束条件下，最大化经风险调整后组合预期超额收益。权重优化-提高业绩稳定性的利器59不同跟踪误差上限设定条件下组合净值权重优化-提高业绩稳定性的利器60不同跟踪误差上限设定条件下组合适用产品类型不同跟踪误差上限设定条件下波动率预测偏差检验权重优化-提高业绩稳定性的利器基于时间周期规律建模的逻辑：长周期低频因子的变化，短期风险相对而言更小，更容易预测案例：相似匹配-天日之下没有新鲜事价格分段-剖析市场的内在结构LPPL模型-捕捉投资者的贪婪与恐惧关联规则-找寻历史中的行业轮动规律61假设历史是可以重复的，利用机器自我学习机制，寻找所谓“相似集”，分析其后一期的历史走势，并通过最优化方法得出当前组合配置的最优权重1.在历史数据中，定义相似集，找到与当期某一历史窗口相似的历史走势。2.分析所有历史相似集后一期走势，根据优化算法得到下一期各行业的配置权重。3.根据不同历史窗口，得到所有窗口情况下的最优权重，根据策略净值来分配组合所有的最优权重，以此得到最终的下期行业配置权重。相似的定义-相关系数相似匹配-天日之下没有新鲜事资料来源：国泰君安证券研究62相似匹配-天日之下没有新鲜事资料来源：国泰君安证券研究，wind63基于MACD的价格分段择时64资料来源：国泰君安证券研究分段规则：（1）波段低点对应MACD的DEA指标<0，波段顶点对应MACD的DEA指标>0；（2）每个波段中价格的最大值和最小值只出现在波段的起点或终点。价格分段-剖析市场的内在结构价格分段-剖析市场的内在结构日线上一段上涨或下跌对应30分钟段数，记为X。上涨：X=7；下跌：X=5；资料来源：国泰君安证券研究，wind基于MACD的价格分段择时不同周期的对应关系关系图65价格分段-剖析市场的内在结构资料来源：国泰君安证券研究，wind基于MACD的价格分段择时日线级别上涨对应30分钟级别上涨概率分布日线级别下跌对应30分钟级别下跌概率分布66LPPL模型-捕捉投资者的贪婪与恐惧金融市场泡沫的形成与破裂与地震、材料断裂等物理现象有非常多的相似之处，都是复杂系统的自组织临界性行为。地球物理和临界现象研究中所常用的LPPL(Log-PeriodicPowerLaw)模型（对数周期性幂律模型）可以用来研究金融领域的泡沫，该模型认为泡沫的形成是由于交易者之间相互模仿，通过正反馈形成集体效应，最终的崩盘是由市场动力学机制所致LPPL模型的含义基于交易者之间的相互模仿，这些局部相互作用可形成正反馈，从而导致泡沫和反泡沫的产生-金融市场反泡沫价格演化呈现出对数周期性振荡且振荡周期不断延长。金融泡沫恰好与之相反，表现为振荡周期不断缩短地震模型特点-一是对数周期性振荡,在线性尺度下,越接近临界时间,振荡频率越快,但在对数尺度下,振荡频率为常数;-二是幂律增长,或称超指数增长，即价格的增长率不是常数，而是单调递增。67LPPL模型刻画的四种状态LPPL模型-捕捉投资者的贪婪与恐惧资料来源：国泰君安证券研究6869检验步骤1、模型的适用性检验-幂律性与对数周期性2、变换样本起始点与终点，给出泡沫破裂点20/80的置信区间3、给出10条最有可能发生的路径参数估计1、线性参数表示成非线性参数2、非线性最优化求解非线性参数3、利用第一步求出线性参数LPPL模型-捕捉投资者的贪婪与恐惧关联规则-找寻历史中的行业轮动规律宏观关联：宏观指标与股市走势概念关联：沪港通&券商丝绸之路&铁路港口地域板块联动：京津冀粤港澳市场板块联动：A股H股美股欧股行业板块联动：钢铁&煤炭个股间联动效应：行业龙头股日历效应：1月效应周五跌&周一涨关联规则-找寻历史中的行业轮动规律多行业轮动观察单个行业强势的表现有时不只是由一个行业走势引起的，而是多个行业的近期表现和市场条件下引发的，因而考虑加入多个行业和指标作为前提条件，即X1，X2，X3……Xn->Y抓住即将大涨的强势行业，提前买多。抓住即将大跌的弱势行业，提前卖空71条件结果置信度支持度房地产(弱势)有色金属（强势）食品饮料(未来强势)87.5013.67纺织服装（强势）非银行金融（弱势）有色金属(未来强势)87.5013.67钢铁(强势)银行(弱势)通信(未来强势）87.6111.11纺织服装（强势）通信（强势）家电（未来强势）85.7111.96纺织服装（强势）计算机（弱势）非银行金融（未来强势）84.6111.11农林牧渔（弱势）机械（弱势）房地产（未来强势）84.6111.1资料来源：Wind国泰君安证券研究关联规则-找寻历史中的行业轮动规律时间触发规则策略收益基准收益超额收益2013/4规则六0.62%-2.25%2.87%2013/5规则六12.5%10.95%1.55%2013/7规则二3.68%4.81%-1.13%2013/7规则六2.62%4.81%-2.19%2014/3规则一-0.15%-3.23%3.08%2014/4规则五3.99%-1.03%5.02%2014/6规则二4.81%3.22%1.59%2014/6规则三5.50%3.22%2.28%2014/7规则一11.27%8.18%3.09%2014/9规则三14.39%10.90%3.49%2014/10规则四2.60%0.88%1.72%2014/11规则五7.11%-0.61%7.72%平均超额收益率2.88%日波动率0.91%累积绝对收益78.32%累积相对收益28.88%胜率90.00%资料来源：Wind国泰君安证券研究基于技术面信息优势建模的逻辑：无论是知情交易者、流动性交易者还是噪声交易者，交易意图都会在盘面都会留下痕迹，可以通过技术面信息进行挖掘案例：股价异动-深挖交易公开信息阻力模型-刻画多空的力量对比知情交易概率因子-飞鸿踏雪留痕73股价异动-深挖交易公开信息交易公开信息—上交所|深交所74类型标准数量限制有价格涨跌幅限制日收盘价格涨跌幅偏离值达到±7%前三|前五日价格振幅达到15%前三|前五换手率达到20%前三|前五无价格涨跌幅限制首次公开发行上市等无异常波动非ST、*ST和S证券连续三个交易日内日收盘价格涨跌幅偏离值达到±20%无ST、*ST和S证券连续三个交易日内收盘价格涨跌幅偏离值达到±15%|±12%无连续三个交易日内日均换手率与前五个交易日的日均换手率的比值达到30倍，并且连续三个交易日内的累计换手率达到20%的30倍、20%无资料来源：上海证券交易所，深圳证券交易所，国泰君安证券研究收益分析—从披露原因的视角涨跌幅偏离值达正负7%披露当日收盘价涨跌幅较基准指数有较大超额收益记披露日为T日，以T+1日开盘价买入，持有60个交易日75资料来源：Wind，国泰君安证券研究收益分析—从披露原因的视角日振幅达15%记披露日为T日，以T+1日开盘价买入，持有60个交易日76资料来源：Wind，国泰君安证券研究收益分析—从披露原因的视角换手率达20%披露当日换手率较高记披露日为T日，以T+1日开盘价买入，持有60个交易日77资料来源：Wind，国泰君安证券研究收益分析—从披露原因的视角连续3日累积涨跌幅达正负20%记披露日为T日，以T+1日开盘价买入，持有60个交易日78资料来源：Wind，国泰君安证券研究收益分析—机构专用席位机构专用席位披露原因：涨跌幅偏离值达±7%披露的买入交易席位中含有“机构专用”，且卖出席位不含记披露日为T日，以T+1日开盘价买入，持有60个交易日79资料来源：Wind，国泰君安证券研究考虑T+1日是否可买入未考虑T+1日是否可买入收益分析—机构专用席位机构专用席位考察指标：披露的交易席位中，“机构专用”席位的绝对数值设置参数：1、2、380资料来源：Wind，国泰君安证券研究机构专用席位参与越多表现越优异收益分析—机构专用席位机构专用席位考察指标：披露的“机构专用”席位买入金额与当日总成交金额的占比设置参数：10%、20%81资料来源：Wind，国泰君安证券研究机构专用席位买入金额占比高表现更为优异市场的阻力应具有如下性质：阻力应该与过去一段时间的交易量是紧密相关的，以当前的价格为基准，高于当前价格成交量越大，向上的阻力就越大，反之亦然。阻力的大小应该与价格的距离成反向关系，历史交易价格距当前价格越远，形成的阻力便越小，反之则越大。阻力的大小应该与交易时间成反向关系，即交易形成的时间越早,对现在所形成的阻力便越小，反之则越大。阻力模型-刻画多空的力量对比资料来源：国泰君安证券研究，wind82阻力的定义：

绝对阻力=

相对阻力=其中

表示历史第i天的成交额，表示成交额的距离加权，

表示成交额的时间加权，并且：阻力模型-刻画多空的力量对比资料来源：国泰君安证券研究，wind83阻力模型-刻画多空的力量对比资料来源：国泰君安证券研究，wind84以过去120个交易日的价格与成交量来计算市场的相对阻力。阻力基本上以0.5为中轴上下波动，当市场处于牛市时，阻力基本在0值附近运动；当市场处于熊市时，阻力基本在1值附近运动。阻力模型-刻画多空的力量对比资料来源：国泰君安证券研究，wind85阻力模型分别于6月19日、6月25日上穿了牛熊分界值86基于量钟和批量方向判别的方法，ELO于2010年更新了PIN：其中，V为固定的区间成交量，n为估计PIN需要的区间数量。数量V的不同，反映不同层面的信息情况，导致PIN值变化范围的不同。知情交易概率因子-飞鸿踏雪留痕87选取沪深300指数历史成分股作为备选股票池，测算数据时间区间为2009年至2013年，组合实际运行区间为2010年至2013年。根据Alpha因子由低至高进行排序，构建现金中性的多空组合，排在前面n%的股票做多，排在后面n%的股票做空。知情交易概率因子-飞鸿踏雪留痕基于基本面信息优势建模逻辑：信奉市场信息无效的主动投资者在处理信息上需要花费时间、成本和精力，市场价格并不能瞬时反映各种基本面信息，可以利用处理基本面信息的优势案例：文本挖掘-从数字到符号事件选股-预期理论的完美体现违约概率因子-将信用风险引入股票投资8889恐惧贪婪恐惧贪婪抓取股票论坛中所有文本数据。运用文本挖掘的情感分析工具进行情感识别。统计情感识别结果，构建情绪量化指标。文本挖掘-从数字到符号1情绪一个投资者在股票论坛上发的帖子反应了他对当前股市的情绪。所有论坛的帖子反应了整个投资者群体对当前股市的情绪。资料来源：国泰君安证券研究90投资者情绪指标与中证800指数文本挖掘-从数字到符号91抓取股票论坛中所有文本数据。我们统计每日论坛中各主题词出现的频率。计算其20日移动平均值，得到主题热度指标。如何量化投资者的关注度文本挖掘-从数字到符号文本挖掘-从数字到符号资料来源：国泰君安证券研究92“特斯拉”主题热度与比亚迪走势文本挖掘-从数字到符号较少为人问津，很少被投资者关注的股票。公司名称少有耳闻。93冷门股网络论坛不活跃个股子论坛较为活跃，反映出市场对于此只个股的关注度较高。个股子论坛较不活跃，反映出市场对于此只个股的关注度较低。统计每个股票所属的子论坛下每日新发贴的数量。仅按发帖量数值将股票划分为5组，组内等权配置，月度调仓。文本挖掘-从数字到符号资料来源：国泰君安证券研究94关注度第一组第五组起始日期2008/62008/6累计收益570%10%年化收益35%1.5%IC-9.50%五组累积收益率资料来源：国泰君安证券研究95关注度第一组第五组起始日期2008/62008/6累计收益239%11%年化收益15%1.5%IC（spearmen）-6%中证800五组累积收益率文本选股-从数字到符号96文本挖掘-从数字到符号获取最近一段时间内所有含有主题词组的文本。统计该文本中各股票出现次数，得到每个股票的TF值；根据各股票在总文本中出现的次数计算IDF值。计算每只股票的TF-IDF值，根据设定好的阀值，得到主题相关各股。一个主题和一些股票同时出现在一个帖子中，那么这些股票在大概率下是和这个主题相关的。运用包含该主题的的大量帖子，计算所有股票与该主题的文本上的相关关系，确定阀值，挑选出与该主题相关各股。97主要用途新主题出现时，能够迅速地定位出和主题相关的个股；对于旧主题，能够量化主题和个股之间的相关性，在主题投资时精选个股；实时维护一个与主题最相关个股的组合。文本挖掘-从数字到符号文本挖掘-从数字到符号英唐智控安居宝拓邦股份和而泰机器人金亚科技四川长虹乐视网智能家居98时代出版科大讯飞拓维信息新南洋启明信息国脉科技焦点科技二六三资料来源：国泰君安证券研究2014年各主题初期挖掘标的长江投资重庆港九南京港上港集团芜湖港营口港国创高新武汉控股陆家嘴界龙实业锦江股份东方明珠新世界豫园商城中路股份强生控股在线教育黄金水道迪士尼99文本挖掘-从数字到符号基本框架确定该事件能否引起投资者关注以及具体的关注时段。探索事件发生的历史规律，如影响各股、收益变化等。基于历史规律，确认事件再次来临时的操作策略。文本挖掘-从数字到符号资料来源：国泰君安证券研究100事件关注周期性投资机会无处不在101文本挖掘-从数字到符号

“中国国际机器人博览会”是目前国内水平最高、规模最大、专业化程度最高的机器人专业展，目前已经举办3届了。2012年举办的时间为7月3日，2013年举办时间为7月2日，2014年举办时间为7月9日。资料来源：国泰君安证券研究资料来源：国泰君安证券研究国际机器人博览会历史热度历届博览会召开前后20个交易日，机器人主题指数超额收益变化（基准：hs300指数）102文本挖掘-从数字到符号

“世界杯”是世界上最高荣誉、最高规格、最高竞技水平、最高知名度的足球比赛，与奥运会并称为全球体育两大最顶级赛事。2010年举办的时间为6月11日，2014年举办时间为6月13日。资料来源：国泰君安证券研究资料来源：国泰君安证券研究“世界杯”历史热度历届世界杯召开前后20个交易日，世界杯相关股组合超额收益变化（基准：hs300指数）事件选股-预期理论的完美体现思考：为什么利好消息发出后，股价会上涨？或者说，超预期一定导致股价上涨吗？股价反映的是人们对未来收益的预期。DDM模型今天的超预期不直接构成股价上涨的动力。当今天的超预期引发人们上调其对未来的预期时，股价才会动。什么样的股票，今天的超预期容易引发人们上调对未来的预期？数据来源：Wind，国泰君安证券研究预期的第二维属性：风险预期风险：投资者对自己内心预期的不确定性所谓的预期风险，不是卖方分析师的分歧程度，而是每个投资者心中对自己预期的自信程度。预期风险存在于每个人心中，很难用具体数字去描述。当公司实际增速出来后，投资者会在各自预期风险的影响下调整对未来的预期。预期风险越大，则调整未来预期的可能性越大、幅度越大、需要的时间越长。业绩超预期只是催化剂，预期风险的存在才是股价在业绩发布后产生变化的更深层原因。数据来源：Wind，国泰君安证券研究事件选股-预期理论的完美体现事件选股-预期理论的完美体现传统事件投资策略，普遍具有以下几个问题突发性强。造成策略资金如何分配问题。pricein速度极快。往往不是事件提示投资机会，而是股价上涨提示事件发生。造成策略收益比较有限，资金容纳比较有限问题。数据来源：Wind，国泰君安证券研究与众不同的逻辑与众不同的信息超预期价值变化催化剂问题关键在于如何从寻找“催化剂”型事件，转移到寻找“信息”、“逻辑”型事件价格变化高送转公告业绩公告例如数据来源：Wind，国泰君安证券研究whenwhatwhowhynowwhy催化剂型事件信息、逻辑型事件最近我们主推的大宗交易减持策略就是典