田汉卿：量化投资与风险控制（会议纪要）

正文

日月同辉 | 田汉卿：量化投资与风险控制（会议纪要）

主题演讲：量化投资与风险控制

演讲人：华泰柏瑞基金副总经理田汉卿

田汉卿：

感谢，今天由于在这里很多都是同行，做量化的，也有很多咱们量化投资的大佬，所以在这我班门弄斧，把我们的一些小小的体会和大家分享一下。我尽量把时间控制的比较好一些，如果大家有问题的话我们可以提问。开了几天会，大家也比较辛苦，尤其是下午，因为我讲的内容也会比较枯燥，所以希望大家能多多谅解。

杨总说让我过来讲讲，这个不是那么好讲，我想来想去，量化最大的特点是它是有风险控制下获得超额收益，或者说获得收益的特点。相对于其它类型的投资，风控是量化投资的一个优势，，所以我今天也着重强调一下风控。

在讲风控之前，实际上我们还是要看一下量化的分类，在座的各位做的量化可能不一样。这张图我也在很多场合分享过，这是我个人根据自己的理解对于量化的一个分类。

这张图主要的目的不在于谈其它的量化策略，而在于说清楚我今天讲的是哪种量化，我们的定位是什么，因为量化和量化之间的区别是很大的，我们说隔行如隔山，量化策略之间也有很大的分别，所以在界定我们属于哪一类量化之前，可能比较难理解我下面说的一些内容。根据我自己的理解，我认为可以把量化分为两大类，一类是基于基本面的，这个以看基本面信息为主，另一类是要基于算法。这两类的根本区别是它的逻辑不一样，基于算法的话是可以从数据开始找规律，找一些统计规律，或者其它规律，你去做样本外的验证，之后决定这个规律（策略）是否可用。基于基本面的量化投资则不同，任何时候不能从数据开始，要从逻辑开始，就是说你首先有一个投资的逻辑，根据你的观察或者其他人研究认为这个逻辑是可以获得超额收益的，你通过数据去验证这个逻辑是否能像预期的那样产生超额收益，如果是的话你就可以用，不是就暂时不能用。这是这两类量化投资最大的区别。基于基本面它也有不少的分类，我不一一细讲，这里面我们做的是这个红的标识出来的，我们说自己是基于基本面的多因子的选股，我们不做行业轮动，不做市场择时，模型本身没有择时功能。从国外的量化发展来看，这种量化策略属于容量可以做到比较大，稳定性也比较好的策略，当然，比较好是相对而言。另外一个容量可以比较大的基本面量化投资我们叫它宏观配置，不是我们国内目前讲的宏观配置，因为这个宏观配置是全球的，要做量化投资的话，必须有足够样本（Breadth），如果你在国内做的话，你想想我们只有几个样本，股票、债券和现金(即货币)，股票只能做空股指期货，债券只能做空国债期货，现金的话人民币还没有做空工具，所以在这里用量化模型的话，你的样本很少，胜率不高，或者说你没有足够的样本来支持。

国外的宏观配置有做的好的，基本是全球的，将近30个国家和地区可以自由投资，每个市场三类资产（股票、债券和货币），每个资产可以做空，基本180个维度，再加上换手，但它的波动依然很大，所以我之前工作的公司，去年年初还是什么时候把它宏观策略关掉了，主要是因为它的收益波动太大，它的机构投资人不能承受这个波动率，所以就关掉了，之前也是曾经风靡了很长一段时间。我这里讲的分类，因为其它我不做，所以我今天没有资格在这里讲，比如说一些套利策略，一会儿会有其它的量化大佬他们在这方面比较擅长，我今天讲的主要是针对基于基本面多因子的选股模型。

多因子选股模型，从另一个维度稍微细分一下，我们可以分为长期的和中期的，中期的换手率比较高，长期的换手率比较低，4——6个月持有期限的，平均换手双向都算是每年400%——600%的换手率，即我们平时所说的2——3倍。我个人认知范围内，目前国内除了这个基本面多因子选股之外，CTA策略也比较多，这个领域也有很多公司是做的很漂亮的，还有一些其它套利策略，当然目前因为我们有一些市场管制措施，加上衍生工具不够，所以这方面的容量目前是很受限的，收益也受影响，其它的像高频策略，我认为目前国内股票市场中不存在，高频交易目前在国内股票市场还没法做。事件驱动可以做，但容量比较少。这是我的基本认识。

下一步讲一下基于基本面量化投资可以支持什么产品，刚才说多因子选股它是一种投资方法，这个方法你可以做什么样的策略，什么样的产品，首先我们在讲这个之前，我们说一定要强调阿尔法和贝塔，这个在专业投资范围内每个人都是非常清楚的，但是我们目前国内的产品设计，这方面强调还不够。以前咱们国内市场阿尔法和贝塔是不分的，记得2009年的时候，那时我们公募基金公司每年只能拿两个产品的批文，之后才慢慢放开，变成目前基本接近注册制的情况。之前每个基金公司一年两只产品，那时的产品基本是全能型的，即在一个基金中你既要做择时又要选股，还要负责资产配置，相当于希望这个基金经理是一个全能的投资人，但这种是有局限性的。特别是这几年发展过来以后，我们知道每个基金经理都有擅长的一部分，不可能是全能型的，或者说全能型，各方面都好的人是极少数，你不可能每年都选中这样的基金经理。目前来说公募基金已经有四五千只，在这种情况下再做全能型的基金就非常难。还有就是这几年我们的机构投资人发展是非常快的，这里面最大头的是银行资管，有将近30万亿，保险公司的量也很大，这些机构投资人要做资产配置，他们很难配置到全能型的产品上，他们一定要分清楚阿尔发和贝塔，因我刚进这个行业的时候，我也不分阿尔法和贝塔，但后来我才明白在海外市场做资产配置的话，阿尔发和贝塔一定要分清楚，因为贝塔产品是非常容易获得，不需要有太多的技术含量，所以贝塔产品管理费和各方面的费用很低。阿尔法相对来说比较难以获得，一般市场给予阿尔法的费率非常高，所以为什么海外对冲基金可以拿到2%的管理费，主要是因为拿阿尔法不容易。ETF产品甚至有零管理费的，当然不是完全零费用，这些产品可以通过融券来获得收益，弥补管理上的费用。

目前，国内的发展正在向阿尔法和贝塔分离的方向走。这两年我们也有和机构交流，也看到这方面的趋向。机构投资人也希望我们的产品风险收益特征很明确，这样才方便进入他们资产配置的池子，要不然他们不知道你的风险在哪，不知道你什么风格，他们没办法做自己的资产配置。所以我们这里首先就是说咱们要分清阿尔法和贝塔是什么，实际上行业指数也是贝塔，包括后面将来要发展的SMART贝塔也是贝塔，但是SMART贝塔中已经暗含了一部分阿尔法的东西在里面。在评价基金的时候，将来特别是对机构投资人来讲，永远不能只说它的绝对收益是多少，你是做成长的基金，就要看你相对你的成长风格的超额收益是多少，这才是你真正的管理能力。当然有的管理人择风格的能力和择时能力都很强，可以例外。这个很强的能力需要多年验证，并不是说你一年强代表后面就很强，我们不否认市场上有这样的奇才，他们可以做的很好，但大部分人很难做到择风格和择时各方面都很好的。

从阿尔法和贝塔的角度，几乎所有的量化策略都可以获得绝对收益。但要在股票市场获得相对收益加绝对收益的，在列出的这些分类中，应该只有多因子选股模型，它既可以设置成阿尔法产品也设置成阿尔法加贝塔，也可以设置成一部分贝塔加阿尔法。这个图可以看出来，在这个平台上你可以做贝塔的产品，国外的ETF可以通过量化模型进行优化复制，没有像我们国内现在都是全复制的，国内不管是300ETF或者是500ETF，都是全复制的，Black Rock的大部分Ishare ETF是优化复制的。你也可以加一些主动风险，做成指数增强类产品。在国外的话，指数增强类产品的跟踪误差是很低的。在国内，证监会有一个审核指引，就是8%以下的跟踪误差都可以叫指数增强。所以目前国内的指数增强类产品，大部分实现的跟踪误差都在2%以上，我们其实可以把它们归为主动量化的范畴，而不是指数的范畴。在国际上，通常认为指数增强产品跟踪误差应该是在2%左右。在这个图上，再往前的话我们说你要贝塔加更多阿尔法，即130/30策略，这个在海外有一段时间是比较受欢迎的，但后来没有发展起来，主要可能是因为阿尔法和贝塔分的不彻底。在指数增强类里，我刚才说其实可以有主动量化这个范围，主动量化的话，像我们的量化基金跟踪误差是在5%-8%的范围，在海外来讲是非常主动的。但因为国内8%以下都是指数增强，所以这些基金也可以归类在指数增强范围内。

如果投资人不想要贝塔的话就可以把贝塔对冲掉，做绝对收益。通常国外是通过融券做空来做，在国内市场，融券做空几乎不可能，一是借不到券，二是借到的话成本也很高，所以这种策略在国内基本是不可能做的，可行性很差，有一些人可以偶尔做一下融券可以，但如果你长期持有的话，一年年化8%——10%，成本太高。国内绝对收益对冲策略一般通过多因子选股构建股票长仓，同时使用相应股指期货对冲。2015年之后这类策略的管理规模有所收缩，主要有两大原因，一个是基差大，二是股灾以后有救市行为介入市场，一般救市的时候主要拉升权重股，拉的股票不见得是基本面好的股票。在这种情况下，市场的有效性有所下降。当然，之前以散户为主要交易参与者的市场，市场有效性也不强。

从去年到现在量化也经历了一些波折，有一些不近人意的地方，这并不是说量化就不行了，量化还是会很好的，只是说在市场中做主动管理的话，没有任何一个主动策略是永远工作的，一个策略特别好的时候要多加小心，有低谷的时候也总有走出来的那一天，做主动投资，不要指望任何一个主动策略可以穿越所有的市场环境，除非是像麦道夫那样做假的才能做的出来，否则不大可能是这样的。每一类策略都是有一定周期的。从2014年以后，量化基金有一些发展，但总的还是初级阶段，还远远没有到很拥挤的程度，很拥挤之后你就很难获得超额收益了，大家就应该把规模减下来了。在A股市场，量化选股获得超额收益的能力还是很强的，当然这并不排除短期有回撤。

怎么去评价一个量化基金，我们说评价的话不能单看短期的阿尔法，短期的阿尔法有时会有其它的因素决定，你也不能单看短期的风险，要看一个比较长期的风险调整后的收益，所以我们觉得评价要看几方面。一是阿尔法，是否短期和长期比较持续，稳定性怎么样；二是看风险控制，你的跟踪误差是否控制在目标范围之内；三是要看信息比率，你获得超额收益的情况下有多少主动风险。这几个指标综合评价下来以后，才能说这个基金相对来说在这个阶段是好还是不好，评价下来也不见得未来它一定是最好的。但三五年业绩下来基本可以判断它在什么范围之内。

下面是海外实证研究得出的结论，量化和基本面比较的话，不见得就说量化的超额收益一定比所有的基本面都好，但是考虑到风险，量化在风险调整后的收益方面，比基本面的投资策略要好一些，这是在统计上是比较显著的。

下面我讲一下今天比较重点讲的，也是杨总给我提的任务，我们风险控制怎么控。2016年有些量化基金表现非常好，2017年有回撤，有人立马就说这个量化基金不行了，但我个人认为这样下结论有些偏颇。对于一个基金，需要真正了解它，在合适的时间去配置它。我们自己也会跟踪业内同类产品，有些产品虽然去年有回撤，但我个人很尊重他们的团队，至少他们坚持了自己的风格，风格没有飘移，这是很重要的。只有风格稳定，等你的市场机会来了，机构投资人就会重新进行配置，但你飘了之后人家看不明白，就没办法配置了。其实有些团队去年坚持了自己的风格，我是觉得是值得赞赏的。

刚才我讲到阿尔法和贝塔，这和风险控制是有关系的。我们首先说一下怎么控贝塔风险，哪些时候会涉及贝塔风险。从我们的理念来讲，贝塔风险是全市场决定的，是任何一个投资参与人都决定不了的，除非是救市资金。所以贝塔对于我们来讲是外在变量，任何一个参与人都是没办法直接控制的。所以我们说这个风险是很难去控制的。对我们来讲，在产品设计上，如果投资人喜欢这个贝塔，它能承担贝塔风险，那就给它阿尔法加贝塔的产品，如果投资人不喜欢贝塔不愿意承受贝塔波动的风险，那就要把贝塔对冲掉。每个投资人的风险约束是不同的，很多机构有自己的风险预算，每个产品贡献多少风险，在配置层面做了规划。在这个意义上，我们的产品主要提供配置工具，不需要在这个层面来做日常的贝塔风险的管理。

在资产配置的角度，贝塔有很多选择，比如是选沪深300、中证500，还是创业版。在我们基本面量化选股策略范围，我认为贝塔风险是很难控制的，一般不控制，除非极端情况。什么极端情况控制? 就是预期要有系统风险了，像2015年这种情况，你能事先减仓那是最好了，因为投资人有时来不及赎回，如果市场预期15%以上的调整，我们希望能从保护投资人本金的角度做减仓操作。阿尔法风险实际上是我们量化层面多因子选股模型最希望能控制的风险，我下面一页会详细的去说，超额收益的风险，是我们做管理人希望能控制的。我们控制的是超额收益的下行风险。还有一个风险是流动性风险，我们主动量化这边管理规模共有200多亿，我们要防范最坏的情况，考虑假设它一次性全部赎回的话，我们在多长时间内可以全部兑现，并且不对市场引起很大冲击。所以我们自己是要控制对每一只股票总的持仓量的，保证能够为产品顺利提供流动性。

控制冲击成本，除了控制主动的跟踪误差，我们还要控制交易成本调整之后的收益。因为我们的换手率应该算比较高的，年化平均400%-600%，交易成本也很关键，特别是当管理规模比较大的情况下，你更需要控制交易成本，我们目前来说，当天交易的所有的股票市场参与度不会超过20%，通常是15%。

杨总也提到了政策性风险，在国内市场会碰到，我们在设计第一批对冲产品时，没有考虑到股指期货交易规则会发生变化，政策风险在国内市场我们也是要面对的。

下面就说一下怎么面对这些风险。这也是杨总提的问题，发生这种风险的时候是否坚持原模型、原策略或者原产品。首先我们看这几类风险涉及的是什么，阿尔法风险涉及的是你的量化模型，其它的风险其实涉及的是你的产品或者策略，只有发生阿尔法风险的时候我们才涉及到要不要去改模型，怎么改模型，怎么调整，贝塔风险的话，刚才我说了这个我们是没法控制的，是一个外生变量，外生变量的话要在投资策略上体现出来，贝塔风险在不能控制的情况下，要根据客户需求在投资策略中明确化，，投资人看到这个投资策略就知道有这个贝塔风险，他会决定要不要配置这个投资策略。

流动性风险和政策性风险我们认为它不涉及模型，主要是涉及产品。如果这个产品有流动性风险，管理人要自己制限规模，每个产品都有自己的容量限制，这个容量限制不光看自己的持仓和自己的规模，还要看全市场同类策略的。所以这个是全行业自律的结果。

每一类资产都有自己的容量，如果配置资金超过了容量，一定拿不到预期的收益率，所以我们做资产配置也好，做主动管理也好，特别拥挤的地方就不能去，或者太拥挤了要主动退出，要撤回来。有一个例子是日本2008年的情况，这也是我亲身经历的，2008年之前几年的高收益吸引了大量资金涌入日本市场，同类策略表现特别好，因为后面不停有资金推着往前走。但到了金融危机的时候，有些资金要撤出日本市场，大家一撤的话，引起连锁反应，所以有一段时间，多因子选股模型在日本市场不工作。在这种情况下，就和市场容量有关系，不能说这个东西好，大家都去都热闹，要注意撤出拥挤的市场。

政策性风险，在我们这个团队，股指期货不能做的时候，改模型是没有用的，我们怎么做，把资金退回给客户，把产品暂时收缩。因为我们是集中精力做我们擅长做的事，我们现在只擅长做基于基本面多因子选股模型这一块，CTA没有涉猎，其它的也没有做。就目前的投研力量，我们不认为我们在其它领域可以做成行业最好的，所以我们也不会去做，多因子选股模型不行的情况下，我们是把客户的钱退回去，有的客户暂时不赎回，我们也要把风险特征说明，和以前的预期不一样。

这几个风险管理，有的涉及策略有的涉及产品，最关键的是阿尔法的风险管理，这涉及到量化模型，很多人会说这个风险怎么管理，这个风险的管理很多人感受比较深的是小盘因子反转的风险，做回测的话，A股市场绝大部分时间小盘因子跑的非常好，特别是非线性的小盘因子一直是非常强的，国内有的的量化团队也把小盘因子用作阿尔法因子，我认为这也是无可厚非的。但这个因子是有风险的，，海外比较成熟的市场，这个市值因子本身是非常关键的风险因子，风险因子就意味着它可以有回撤，它可以反转我们A股经历了小盘因子的失效，这个因子我们是不用的，所以没有切身感受。但是，对于任何模型，因子失效的风险都是会有的。这就涉及在因子不工作的情况下，你要不要坚持，什么情况下坚持，什么情况下不坚持，这是要根据经验去判断的。有时因子失效是短期的，比如一般持续两三个月就过去了，有时是中长期的，如果判断是中长期的话，就要做模型调整，短期的就要忍过去，这也是对我们每个量化团队很挑战的地方。

还有一个风险是风格的变化，我们要对风格做中性化处理，做中性化处理之后还有阿尔法才用这些因子，相对来说你风格方面的风险就会下降。还有一个是极端行情的风险，极端行情从我们做产品以来，我们经历了两次对我们这种策略来讲的极端行情，一次是2014年12月，这个月大家都记忆犹新，行情也是非常极端的，大家会说满仓踏空，当时的行情是指数驱动的，一些行业分级基金和300ETF规模增长很快，你会非常明确那是指数驱动的的极端行情；第二个极端行情就是说去年四季度的行情，总的来讲几乎持续了一个季度，去年这种情况是龙头涨，这种极端行情对阿尔法也很挑战，量化的投资比较分散，很难扎中这些龙头股，扎不中你的超额收益就会受影响。极端行情也是另外一个挑战阿尔法的很大因素。

在这种情况下，你要做归因分析的话，因子是工作的，但因子解释不了负收益很大，所以在这种情况下调整因子是没有用的，只能收缩风险暴露，来控制下行风险。当然你也可以不调整，忍耐等待这个行情过去。所以我们说在这几类风险中只有阿尔法风险和模型相关。

这是之前给机构路演的PPT，这里面就讲的首先我所有的阿尔法因子对风险因子，包括市值等，要做中性化处理，处理了以后你的因子还有超额收益，这才是阿尔法因子，否则的话你不知道这个因子带来的超额收益，是因为你对小盘的暴露还是其它暴露带来的。第二个是我们会控制策略的主动风险。

我们还会有一个行业暴露和个股暴露的风险控制，这是风险控制的手段。我们自己不做基本面的深入研究，但是对市场热点我们是关注的，特别是当你认为这个热点的持续时间会比较长，持续时间比较短的热点我们叫它噪音，市场噪音是阿尔法来源。持续时间长的热点我们叫它是比较显著的短期风险因子，我们会控制它的暴露。阿尔法风险控制从技术手段来讲的话我们会有多因子，我们从方方面面来看市场，可以说市场上没有任何一个阿尔法因子的超额收益是直线向上的，它都是有风险的。多个因子绑在一起的话，可以获得比较稳定的超额收益曲线。比如说右边是3组因子的回测结果，波动比较大，把7组因子绑在一起就是左手这个，要平滑很多。通过多因子来增加模型的稳定性，这是另一个控制阿尔法风险很重要的方面。

我今天就讲这么多，后面是我们的业绩情况，我简单说一下我们的风控结果。这是我们300的增强的基金，代码000172，我们的目标风险是5%，大家可以看一下表里，我实现的风险是4.72%，很接近目标5%的风险。说明这方面的风险控制是有效的。

然后再看500增强。我们这个500增强产品的目标跟踪误差是6%——8%，实现的是6.57%，也是在我们的控制范围之内。

我想分享的就这么多，因为没有时间了，大家看有什么问题，，我们可以会下讨论。

田汉卿：量化投资与风险控制（会议纪要）相关推荐

科普｜浅谈量化投资的发展及其监管
量化投资发展的前提条件 - (1)量化投资因为其固有的专业性和技术性,很难在普通的中小规模的散户中推广开来,所以个人投资者主导的市场难以盛行量化投资.因为一方面个人投资者有着自己的工作故专心投资的时间 ...
python量化投资培训深圳你了解多少？
2021年,国内量化投资得到了高速的发展,量化产品在持续扩容的同时也保持了优秀的业绩,市场关注度不断提升. 到底什么是量化投资?以下书籍不容错过哦,可以助你开启量化投资的大门,快来看看吧! 01 &l ...
python量化投资必背代码-基于python的开源量化交易，量化投资架构
原标题:基于python的开源量化交易,量化投资架构 github地址:https://github.com/bbfamily/abu abu能够帮助用户自动完善策略,主动分析策略产生的交易行为,智能 ...
python assert 用法_Python量化投资实战营大咖开讲！
点击上方蓝字,关注宽客空间 Python量化投资实战营进入第二周.经过周中的线上交流,同学们已经提前完成上周作业.信心满满开始了本周课程. 本周,某知名资管量化总监金焰博士带领量化投资团队来到实战营. ...
如何利用ChatGPT学习量化投资？
引言最近,ChatGPT持续火了很长时间,占领各大热点和头版头条,成为A股开年以来最大的热点之一.ChatGPT是OpenAI开发的一种语言生成模型,可以理解为智能问答机器人.最近围绕量化投资在上面 ...
量化投资教父爱德华·索普人生路:打败赌场战胜股市
打败赌场,战胜股市,拆穿巨骗,如此大牛怎能不识? 平凡的人各有各的平凡, 而天才则基本上都一样. 早慧.记忆力强.数学好几乎是金融投资市场里所有天才的共性, 量化投资教父--爱德华·索普(Edwar ...
【入门笔记】量化投资是什么？
基本概念量化投资是指通过数量化方式及计算机程序化发出买卖指令,以获取稳定收益为目的的交易方式 .即借助现代统计学.数学的方法 ,利用计算机技术从海量历史数据中寻找能够带来超额收益的多种&qu ...
【量化课程】01_投资与量化投资
文章目录 1.1 什么是投资 1.1.1 经济意义上的投资 1.1.2 投资的分类 1.1.3 金融投资 1.1.4 个人投资者投资品种 1.1.5 投资VS投机 1.2 股票投资的基本流程 1.3 ...
【方法论述】量化投资——神话、黑箱与真谛
编者语:文艺复兴基金的创始人西蒙斯(Jim Simons)是数学教授,他领导的量化对冲基金长期超越市场,是世界上最成功的对冲基金之一.旗下的"大奖章基金"(Medallion Fu ...
一文读懂程序化交易算法交易量化投资高频交易统计利
转一文读懂程序化交易.算法交易.量化投资.高频交易. 统计套利在央行发布的<中国金融稳定报告(2016)>中,对于高频交易的解释为程序化交易的频率超过一定程度,就成为高频交易.而对程序 ...

田汉卿：量化投资与风险控制（会议纪要）

田汉卿：量化投资与风险控制（会议纪要）相关推荐

最新文章

热门文章