beta交易策略

『壹』 什么是量化投资交易策略

一文看懂量化投资策略

闲话基

量化投资在近些年受到越来越多的关注，包括规模、策略、业绩。量化投资，是指通过借助统计学、数学方法，运用计算机从海量历史数据中，寻找能够带来超额收益的多种“大概率”策略，按照策略构建的数量模型严格执行投资，力求获得长期稳定可持续高于平均的超额回报。

跨市场策略涉及外汇兑换、国际期货交易对冲，交易实现难度大，国内用得少。

由于期货具有杠杆属性，这类策略持仓的市值往往很大，有时候甚至超过产品资产总值，导致收益率的波动率是所有量化策略中最大的。在市场出现连续震荡行情时，这样策略由于杠杆属性会出现较大的回撤。另外一个对这类策略的一个限制是，目前市场上活跃交易的期货品种不多，高频交易很大程度倚重于品种成交量，开平仓时间间隔较短，使得策略容量不大。

『贰』 有哪些经典的程序化交易策略

长期策略都是薄利的，靠硬性条件优势。
短期策略如果测试有效也不会公之于众，用的人多必然逐渐陷入低效区甚至无效区。
还是那句话，世上本没有beta，追求alpha的人多了，也就有了beta。

『叁』 量化交易都有哪些主要的策略模型

随着量化交易的发展，单一技术指标的策略会面临失效的问题。所以现在的策略都是复合型的。
经典量化交易策略(包括价值投资、技术指标、配对轮动、机器学习等)、研究型文章等

『肆』 在对冲基金中,当我们添加滞后 beta 时,alpha 会发生什么变化

『伍』 “聪明基金“Smart beta策略能赚大钱吗

自2000年以后，股票已经经历了两轮大熊市，而现在又开始有走软迹象。养老基金，保险公司以及捐献基金寻找新的回报来源就没什么奇怪的了。“smart-beta”正是最新的基金管理业的术语。
“Alpha”是选择单个标的资产超越大盘的技能。
“beta”则是资产组合相对于整体市场(如以某个指数基金为代表)的相对收益。
传统的“市值加权”法，是投资者按市值等比例购买股票或者债券的方法，
而“smart beta”则是尝试在跟踪某一大类资产的同时，调整成份证券权重，以获取增强性收益的投资方法。

[Smart Beta]
众所周知，beta在CAPM模型中衡量了相对于持有整个市场所带来的风险溢价（risk premium）的大小。整个市场通常用市场投资组合（market portfolio）或市场指数基金（market index fund）来表示。市场指数通常都是市值加权（market capitalization weighted）。如果把市场指数换成按非市值加权的指数或投资组合，其得到的beta即为smart beta，又被称为alternative beta或exotic beta。理由是因为这些新指数的权重是由某些量化算法得出的，看上去比最普通简单的市值加权要更“聪明”些。

现在比较流行的算法有：
等权重加权（Equal Weight, EW）:

等风险加权（Risk Parity），可以看作是调节波动率后的等权重

等风险贡献加权（Equal Risk Contribution ，ERC），可以看作是考虑了资产回报率之间协方差后的risk parity

最小方差加权（Minimum Variance, MV

最大多样化加权（Maximum Diversification，MD

如下图所示，从左至右，这些加权法需要的参数逐渐增加。ERC，MV，和MD都属于“robust risk parity”因为它们把协方差考虑在内。最经典的均值-方差优化法（mean-variance optimization）需要知道预期回报，方差与协方差，因为此优化法同时使风险最小化，预期回报最大化，不过，这里涉及到因子对准问题（Factor Alignment Problem, FAP），下文中会提到。smart beta策略只考虑波动率与协方差，所以，我们把它们看作只关注风险（risk-based）而不关注预期回报（return-based）的策略。

[随机折现因子，SDF]
事实上，CAPM模型是资产定价模型（asset pricing model）的一个比较有名的特例，因为广义的随机折现因子（stochastic discount factor，SDF）在CAPM中被狭义的市场投资组合所代表了。

按资产定价模型的定义：p = E(mx)，任何资产的价格就是折现后所得回报的期望，其中x是资产在未来的回报，m就是随机折现因子SDF。利用协方差的定义，我们得到

所以，任何资产的价格等于用无风险率折现后所得回报的期望再加上一个风险溢价（risk premium），而这个溢价是SDF与未来回报的协方差。

按照芝加哥大学经济学教授John Cochrane的说法，投资者的状态有‘好’和‘坏’之分（good vs. bad times）。‘坏’的状态一般指个人财富降低，导致其发生的原因可以是由于个人负债过高，或收入降低等等造成的。而SDF是定义这个状态‘坏’时的指标，状态越‘坏’，指标越高。由于大部分资产在状态‘好’时，回报很高，所以这个协方差通常为负。更重要的是，如果一个资产的回报与个人状态好坏无关，即与SDF无关（风险中性状态，risk-neutral），那它的价格只能由无风险率决定（协方差为零）。

把上式写成预期回报率（expected return）的形式，会更直观些

进一步推导得到预期资产回报率的“beta表达式”

换句话说，人们只有承担系统性风险（systemic risk，与SDF相关）才能取得收益。如果承担非系统性风险（idiosyncratic risk），则无任何益处。

由此可见，SDF作用很重要，但是它只存在于理论中。人们千方百计地在真实世界里寻找替代品，即所谓的风险因子（risk factor）。所以，我们也可以这样认为：人们承担的（系统性）风险越大（尤其在状态‘坏’时），作为补偿的因子风险溢价（factor risk premium）也越大（尤其在状态‘好’时）。高风险的资产必须有足够高的预期回报率，即足够低的价格，才能吸引人们来购买并持有它。

[多因子模型]
由于我们在CAPM中假设SDF只与市场投资组合回报有关，所以市场投资组合是CAPM中唯一的因子。在此基础上，我们也可以进一步假设SDF与多个因子线性相关

由此得到多因子模型。因子不同，对投资者状态‘坏’时的定义也不同，由此承担的风险敞口以及获得的溢价也会不同。Fama-French三因子模型是多因子模型中的经典代表。诺奖得主Gene Fama和Dartmouth大学教授Ken French通过对大量股票中某些共同特征进行筛选，从而得到有别于大盘因子的两个新因子：规模与价值（HML，SMB）用以组成三因子模型。这个模型恰好能很好地解释股票的预期回报。后来，该模型又加上了动量因子（momentum），遂成四因子模型。从结构上讲，这与Stephen Ross提出的套利定价理论（arbitrage pricing theory）相似。唯一不同的是，APT直接从统计的层面入手，假设资产回报率可以由一系列因子表示。

[基于因子的资产配置策略]
前面啰里啰唆说了这么多，我只想强调因子的重要性。需要指出的是，上文中提到的广义资产定价模型与风险因子不只局限于股票市场，而是适合任何资产和资本市场。可以这么说，风险因子才是资产之间联动的根本原因，资产配置实际上是因子的配置。

我们可以把各种资产比作各种食物，把各种因子比作各种营养，比如维生素。理论上来说，我们既可以通过摄取不同食物来获得不同维生素，也可以通过直接服用维生素来获得所需营养。比如，为了治疗脚气，人们即可以多吃谷物，猕猴桃，蓝莓等富含维生素B1的食物，也可以直接服用维生素B1药片。

如同某一食物含有多种营养一样，买入并持有某一个资产可能会带来不同的因子风险敞口（factor risk exposure）。比如，在美国NASDAQ上市的网络，它的股票价格即包含了科技板块的风险，也包含了中小版块的风险，另外，由于公司的总部在中国，它还包含了中国经济发展的风险。当然，还可能包括一些其他未知风险。这也是多因子模型中资产表现评估（performance assessment）的精髓。

同样道理，如果我们只想要某单一风险，如同维生素B1药片，我们就要巧妙选取资产来达到此目的。在上文提到的Fama-French三因子模型中，Fama和French为我们很好地展示了如何对大量股票进行筛选，把具有共性的多支股票组合在一起，构造出所需要的因子（factor mimicking portfolio）。人们根据不同的风险偏好选择不同因子，以获得不同的因子风险敞口从而赚取不同的因子风险溢价，比如，动量因子，基本面指数。

至于如何发现新的有用的风险因子，则不在本帖讨论范围内。不过，下图展示了资产配置策略的发展过程与新风险因子的发现密不可分。这些新因子现在已被大众广泛应用于投资中了

70年代，人们开始将投资组合用于主动投资管理中（active management）。

80年代，市场指数基金的流行使人们更加便捷且廉价地投资整个市场，因为CAPM模型让他们意识到只有承担系统性风险（systemic risk）才能取得收益，其风险及收益的大小由beta来衡量。而那些市场超额回报则由alpha来衡量。

90年代，人们不再局限于市场这个单一因子，APT和Barra多因子模型扩大了人们选择因子的范围，其中包括国家地域因子，行业因子，宏观因子等。

2000年之后，人们对因子的认识又扩展到了新领域：风格因子与策略因子。比如，Fama-French三因子及Carhart四因子模型中的规模，价值，和动量因子。新的因子又比如carry，低波动率，流动性（liquidity），基本面因子，以及本帖介绍的smart beta策略等。更重要的是，人们意识到之前他们认为的alpha，其中有很大一部分是非传统的beta。那些业内人士把这些beta包装成alpha在推销（sell beta as alpha，见下文“另类投资”部分）。

随着ETF的流行，人们能够越来越方便地接触到不同因子并直接应用于投资中，尤其是应用于被动投资中。与对冲基金，共同基金，期货等相比，ETF的优点是更透明，成本更低，进入市场的门槛更低。一些较受欢迎的因子ETF或smart beta ETF包括：RSP（标准普尔500等权ETF），SPLV（标准普尔500低波动率ETF），FNDB（Schwab美国基本面指数ETF）等等。

[全天候式投资组合（All-weather Portfolio）]
上文中提到了宏观因子（macro factors），就不得不提一下与之有关的资产配置策略：全天候式投资组合（All-weather Portfolio）。此策略是美国知名对冲基金Bridgewater的负责人Ray Dalio长期研究的成果，其核心观点是将宏观因子，经济情景（economic scenario），和上文中提到的等风险权重（risk parity）结合在一起。

宏观因子与资产回报之间的相关性很低，尤其是在短期，但使用经济情景可以在长线投资中弥补这个不足。另外，由于一般投资者不喜欢借钱来投资（leverage aversion），这造成了投资组合中股票等高风险资产的权重高于理论中的最优值。使用等风险权重可以纠正这一偏差。

这里，宏观因子主要考察的是经济增长和通货膨胀，并由此定义四种经济情景：
（1）经济增长上升，通胀上升
（2）经济增长上升，通胀下降
（3）经济增长下降，通胀上升
（4）经济增长下降和通胀下降。
然后，从历史数据中找出资产价格的变化与这些经济情景的关系，从而确定可投资的资产以及相应的权重，使得投资组合在每个经济情景中分配到的风险相等（如下图所示）。这样，随着时间的推移，该投资组合能够经受住各种宏观风险的冲击，“全天候式”的名称由此而来

不过，全天候式投资组合在2013年遇到了些小麻烦。在标准普尔500指数增长30%的情况下，Ray Dalio旗下的全天候式投资组合基金的回报率为-3.9%。于是，全天候式投资这个概念也遭受了质疑 。但我认为资产配置的重要功能之一就是帮助保护投资者的财富，防范风险。所以其分散风险的优势要在长线投资中才能显现出来，人们不应该太在意短期的失利，下文中会提到。

[耶鲁模式 Yale Model]
耶鲁大学捐赠基金（Yale Endowment）由于其在同行中长期傲人的投资表现，已经被视为是资产配置行业的一个榜样，简称耶鲁模式（Yale Model）或常春藤投资组合（Ivy Portfolio）。耶鲁模式之所以能取得不错的收益，主要得益于其在另类投资（alternative investment）中的高配置，包括各种私募基金，对冲基金，风险资本（venture capital），房地产等。近年来，其占整个投资组合的比重高达60%。耶鲁基金从上世纪90年代就开始投资当时颇具神秘色彩的私募基金和对冲基金了。这些基金的特点是乏人问津，投资准入门槛高，因此其收益可以说是来源于价值因子和低流动性因子。

虽然，这些因子给耶鲁基金带来了可观的回报，但在08金融危机中，由于人们的恐慌性抛售，低流动性资产重创了该基金。从理论上来讲，这符合上文中提到的因子投资的特性，即人们承担的（系统性）风险越大（尤其在状态‘坏’时），作为补偿的因子风险溢价（factor risk premium）也越大（尤其在状态‘好’时）。

然而08金融危机过后，在标准普尔500屡创新高的情况下，耶鲁基金的资产始终没有超过08年的最高点。一个很重要的原因是因为耶鲁基金的成功模式开始被不少养老金机构和规模较小的大学捐赠基金效仿，导致了在另类投资中的风险溢价大幅减少。耶鲁基金在其年报中也承认了这一点。但它近年来仍能在投资表现上对同行保持微弱的优势，其成功的关键在于它能够找到最优秀的基金经理来管理投资，这在其年报中也提到了。可惜的是，这些最优秀的基金经理中的大部分都已不接受新的资金。因此，这个成功的关键只适用于耶鲁自己而无法被他人复制。

由此可见，耶鲁基金在可预见的未来仍可能继续领跑这个行业，但它作为一种已被大众所熟悉的投资模式不可能在短期内重塑辉煌。

[另类投资不另类]
随着耶鲁基金的成功，那些往日不为人知的另类投资（alternative investment）也掀开了它们神秘的面纱。以其中的对冲基金为例，其高回报及低相关性吸引了人们来研究它。

研究结果显示对冲基金的回报能提供的alpha非常有限，而有很大一部分是来自各种beta，我有一个帖子专门讨论了这个现象。除去少数明星基金，大部分对冲基金能取得回报的一个重要原因并不是因为它们能提供下行风险的对冲（protection on downside risk），恰恰相反，而是因为它们在市场下行的时候回报足够糟糕，也就是说它们对尾部风险（tail risk）的敞口很大。这与我们之前的认知不太一样，但符合因子投资的特征。

大家可能都知道股神巴菲特与另类投资公司Protege Partners之间的十年赌约吧。巴菲特在2008年初跟对方打赌说“an index fund will beat a fund of hedge funds over ten years”。那到目前为止（2014年）结果怎样呢？有“好事”者把两者做了一个比较，发现巴菲特建议的投资暂时领先（见下图）

进一步的研究发现，如果我们把指数基金降低杠杆并收取费用，我们竟然得到了与对冲基金同样的收益！（见下图）

另一方面，如果想要得到私募基金的回报，我们只有增加杠杆并收取费用即可。由此可见，另类投资行业经常把已知的beta当成alpha来推销。然而，随着因子研究的不断深入，人们对另类投资的理解也越来越深刻。另类投资已变得不再另类。

[重新审视Smart Beta]
在了解了因子与资产之间的关系后，我们现在再来重新审视一下Smart Beta策略，看看它们是不是有特别之处呢？回答是否定的。

研究显示这些Smart Beta策略其实都是某些因子的组合。比如，等权重加权法偏向于规模因子。这个很容易理解，因为这种加权法使小盘股获得与大盘股同样的权重。又比如，最小方差加权法偏向于低beta因子与低波动率因子。然而，等风险加权法与等风险贡献加权法更偏向于低beta因子和规模因子。

如下图所示，Smart Beta策略与上文中提到的其他因子策略同属一个均值-方差框架内，但正如上文中提到的，Smart Beta策略的着重点是风险，而其他因子策略的着重点是预期回报（risk-based vs. return-based）。不过，最后的效果是相似的，都具有某些因子偏向（factor tilt）

更令人意想不到的是，与Smart Beta正好反向操作的策略竟然也能赚钱。究其原因，原来这些反向策略仍就偏向规模与价值因子。即使是随机投资组合（random portfolio，即著名的“猩猩掷飞镖选股法”，在《漫步华尔街》一书中屡次被提及）也有类似的因子偏向（factor tilt，下图所示）。由此可见，Smart Beta策略能跑赢大盘就不足为奇了，因为它们承担了一定的因子风险。

既然谈到了均值-方差优化框架，这里就顺便提一下因子对准的问题（Factor Alignment Problem）。此问题的出现是因为在均值-方差优化法中的预期回报，风险与优化问题的约束条件（optimization constraints）三者所侧重的因子有时不尽相同（misalignment）。比如，在预测预期回报中使用的因子可能在风险模型中没有被使用到。当我们运用优化算法时，更恶化了这个问题，因为我们可能低估了那部分因子的风险，从而在使预期回报最大化的过程中，高估了与风险模型无关的那部分因子的预期回报。庆幸的是，Smart Beta策略和其他因子策略都只侧重均值-方差优化法中的一部分，从而避免了此问题。

虽然Smart Beta策略只是普通的因子配置，但它如此受欢迎有它的道理。我认为主要原因有下列几个：
（1）美联储的QE大幅降低了固定收益类资产的回报，使得投资者不得不寻找其他投资门道来增加收益。
（2）08金融危机中的恐慌和之后美联储的QE都影响了市场对各种资产的真实定价功能，资产与资产间原有的联系减弱了。取而代之的是，大部分资产都随着美联储的货币政策起舞。“risk-on/off”模式使得传统的资产分散化投资（diversification）失灵了。
（3）投资者们仍然对08金融危机时财富大幅缩水记忆犹新，所以比起资产的预期回报，他们更注重风险的控制，更偏爱能控制风险的策略。
（4）08金融危机后，投资者希望在投资中减少人为操纵的因素，更偏爱透明度高，原理简单的投资产品。
（5）依照某些算法或规则产生的投资策略（rule-based strategy）可以大大降低由于人们行为上的偏差（behaviour bias）而造成的损失。
（6）传统的对冲基金和共同基金的高费用一直受人诟病。
因此，这些主题明确，成本更低，且看上去能控制风险的Smart Beta策略在经过精心包装后迅速受到了大众的追捧。目前掌握着金融市场大部分资金的机构投资者（institutional investors），比如养老基金，大学捐赠基金，资产管理公司，保险公司等都在往这个方向发展，这股趋势对人们投资理念的影响深远。

[市场与因子风险溢价]
虽然因子投资有种种优点，但是，我们没有任何理论可以保证某一个因子策略可以始终跑赢市场。
事实上，我们经常看到的是这样的情形：某一个策略或资产在某一段时间内的表现持续地领先整个市场，通过媒体的报道和业界专业人士的包装，普通投资者们立刻对它们趋之若鹜。于是，这些策略中对应的资产价格井喷式地被抬高，预期回报大幅降低，直到泡沫破裂，重新回归长期均线为止。这样的例子比比皆是，比如90年代的增长型股票策略，08金融危机前的新兴市场策略，危机后的黄金，低波动率策略，高股息策略等等。

投资者持有资产时因为包含了风险因子才会得到风险溢价，用以补偿他们所承担的某一种系统性风险，我们知道风险溢价是随时间变动的（time varying），我们不知道何时能够得到补偿。这也是为什么股神巴菲特不断鼓励人们不要在意一时的得失也不要随意改变投资风格，而要做长线投资。只有这样获得溢价补偿才是大概率事件。巴菲特本人就用他大半生的经历来证明这个理念的正确性。如果我们用多个因子构造出一个投资组合，我们就可以利用它们之间稳定的低关联性等优点进行分散化投资，以避免上述单因子策略出现的损失。美国著名对冲基金AQR就巧妙地利用了因子的这些优点构造投资组合并取得了持久且不错的收益。

市场是个零合游戏（zero-sum game），任何异于市场的投资，必定有一个与之对应的反向投资，而它们在长期都将回归到市场这个动态的均衡点上（equilibrium）。任何想跑赢市场的投资策略（包括因子策略，择时策略等）只适用于一部分人，因为这需要另一部分人反向操作来支持他们。如果市场内的大部分人都采用同一种策略，那新的市场均衡点就形成了，投资策略也就失去了意义。这也是为什么包括对冲基金在内的另类投资在被大众熟悉后就失去了往日的光环。

有人担心如果市场上大量的资金流向指数基金和被动投资策略，主动投资的交易减少会导致市场失去发现资产真实价值的功能。我倒不这么认为，因为从本帖的分析中我们了解了，只有长期持有整个市场投资组合才是真正的被动投资。除此之外的其它异于市场权重加权的策略或指数都是主动投资，因为它们都具有某些因子的偏向。为了保持这些因子敞口，人们要定期地主动地进行再平衡调整（rebalance，即始终持有对某个因子偏向最强的资产，抛弃偏向最弱的资产）。只不过，主动投资的控制权不在投资者而在指数或ETF管理公司那里。无论如何，主动投资仍是市场中的大多数。

另一方面，传统意义上的主动投资（包括共同基金，对冲基金）从长远看并不会消失。尽管主动投资的表现不尽如意，收费也较高。如下图所示，以代表对冲基金整体水平的指数HFRX已经连续十年跑输仅由股票和债券组成的简单投资组合了

但是投资者们寄希望于将来能够选到更优秀的基金经理来跑赢被动投资，而且主动投资的参与者越少，能跑赢的概率越大，因此，投资者们仍然坚守着自己的主动投资仓位尽管有一些下降。投资者的这个看似愚蠢的决定其实是经过理性思考后做出的。

这就是主动投资与被动投资之间此消彼长的辩证关系，假设在极端情况下，资产的价格反映了所有信息，那么人们就没有动力去主动寻找新的信息。大家都被动接受信息的结果是整个市场没有信息。那么，这时候主动寻找新信息就可以占得先机。此关系可以看作是对有效市场假说（EMH）的一个注解。所以，完全有效的市场是不稳定的均衡点，永远不可能达到。市场始终处在半informative 半uninformative的状态，两者的人数多少取决于信息的成本和市场本身的结构。比如，在像中国这样不成熟市场中，由于种种原因使得获得信息的成本较高，从而使主动投资者更可能取得较高的回报。不过，随着市场的不断完善，获得信息的成本降低，越来越多的投资者会加入到被动投资的阵营中。

[结语]
总而言之，风险因子才是资产之间联动的根本原因，它描述了资产间某些共同特征。资产配置的实质是因子的配置。大规模的资产配置投资很难不涉及到某些因子敞口，而且，因子投资的特性会不断激励人们挖掘新的因子。随着资产定价理论的不断发展，我们不知道的beta会越来越少。

『陆』 银行证卷资金流向alpha是什么意思

你说的应该是Alpha（阿尔法）模型。
下面的文字请参考：
1、什么是阿尔法策略？
投资者在市场交易中面临着系统性风险（即贝塔或Beta、β风险）和非系统性风险（即阿尔法或Alpha、α风险），通过对系统性风险进行度量并将其分离，从而获取超额绝对收益(即阿尔法收益)的策略组合，即为阿尔法策略。从广义上讲，获取阿尔法收益的投资策略有很多种，其中既包括传统的基本面分析选股策略、估值策略、固定收益策略等等，也包括利用金融衍生工具对冲交易贝塔风险、获取阿尔法收益的可转移阿尔法策略。后者在国内通常被称为阿尔法对冲交易策略，并在近年A股市场上得到广泛应用。
2、阿尔法策略是如何构建的？
阿尔法策略所涉及的市场领域非常广泛，在股市、债市、商品市场等各类金融市场都有应用。而目前国内市场上最常见的还是股市阿尔法对冲交易策略，其通常利用选股、择时等方面优势，寻找具有稳定超额收益的现货组合，通过股指期货等金融衍生工具来分离贝塔，进而获得与市场相关度较低的阿尔法收益。尤其是在熊市或者盘整期，可以采用“现货多头＋期货空头”的方法，一方面建立能够获取超额收益的投资组合的多头头寸，另一方面建立股指期货的空头头寸以对冲现货组合的系统风险，从而获取正的绝对收益。此外，还有机构根据获取阿尔法的途径，采取统计套利交易、事件驱动、高频交易等策略来获取阿尔法收益。而在上述各种策略构建过程中，基于大类资产配置、行业配置、择时与选股体系的量化策略均得到了广泛应用。
3、阿尔法对冲交易策略成功的关键是什么？
Alpha策略成败的两个关键要素是：其一，现货组合的超额收益空间有多大；其二，对冲交易成本的高低。两者相抵的结果，才是Alpha策略可获得的利润空间。在股市Alpha策略中，最考验策略制定者水平的因素在于选股方法和能力。
4、阿尔法策略在我国市场的发展空间如何？
从国内外的经验来看，阿尔法策略一般运用在市场效率相对较弱的市场上，如新兴股票市场、创业板市场等。我国的股票市场正是一个新兴的市场，效率相对较低，特别是伴随着股指期货、融资融券等衍生品种的推出，的确存在利用风险对冲来获取超额收益Alpha的巨大需求和空间。
用量化模型构建个股组合
在构建个股组合方面，投资者可以采用量化模型的方法来选股。量化模型的优势在于能覆盖全部股票，业绩的稳定性和可复制性高。基金公司运用最多的量化模型是多因子模型。影响股票收益的因子有多种，大致可分为长期因子和短期因子。长期因子包括价值因子，盈利质量因子等，短期因子则包括市场技术分析以及动量等因子。将这些因子有机地结合起来，就构成了对每一只股票的打分，此打分也称股票的预期收益。用此方法计算出来的预期收益尽管不像狙击步枪一样精准，却可像冲锋枪一样，在大概率上具有较高的胜率。
在构建投资组合过程中，与预期收益同等重要的是预期风险。有些股票尽管有很高的预 期收益，但如果预期风险也很高，在历史上收益的波动率很大，那么在投资组合中所占的权重也不应太高。在预测风险方面，专业机构往往会购买商业模型或开发自己的风险模型来预测每一只股票的风险，进而计算组合风险。
在确定组合中个股权重时，专业机构会根据投资者的收益要求和风险承受能力，从量化因子库中选择适当的因子为投资者量身定做预期收益模型，同时兼顾股票的预期风险和交易成本，用优化的方法计算组合中每只股票的权重。
阿尔法对冲策略是选择具有超额收益能力的个股组合，同时运用沪深300股指期货对冲市场风险以获得超额收益的绝对收益策略。此种策略追求的是与市场涨跌相关性较低的绝对收益。
用股指期货对冲市场风险
确定了股票的最优组合并不代表一定能有正的收益。即使我们有最好的预期收益模型和最好的风险模型，我们也只可能做到战胜所有股票的平均值，即战胜指数。如果指数下跌了百分之二十，我们的模型即使战胜指数百分之十，我们最终还是亏损了百分之十。那么我们有没有办法在市场上获得正的收益呢？答案就在于运用股指期货对冲掉市场风险。
在股指期货市场，投资者可以在购买股票现货的同时卖空同等金额的股指期货，即所谓的套期保值策略。如果市场上涨，现货随着市场的上涨而盈利，股指期货则由于我们卖空而出现亏损。由于我们的股票组合能够战胜市场，所以现货方面的盈利多于股指期货方面的亏损，最终我们盈利。反之，如果市场下跌，现货方面亏损，股指期货方面会出现盈利。由于我们股票组合战胜市场，亏损的比市场小，那么股指期货的盈利要大于股票方面的亏损，我们还是盈利。
主要风险在于选股策略
下面让我们看两个实例。以2012年2月为例，自2月1日至2月17日期间沪深300指数上涨3.13%， 此期间根据简单的多因子模型组合测算，模型上涨3.59%，战胜市场。如果我们在2月1日以2469点收盘价卖空1202合约，2月17日合约到期时以2537点平仓。期间股指期货亏损2.76%，股票盈利3.59%，最终我们盈利0.83%。
以2012年5月为例，自5月2日至5月18日沪深300指数下跌4.06%，此期间模型组合下跌3.74%，跌幅小于市场。如果我们5月2日以2686点卖空1205合约，至5月18日合约到期时以2576点平仓，期间股指期货盈利4.12%，减去3.74%的股票亏损，最终我们盈利0.38%。
从以上两个实例中可见，不管市场上涨还是下跌，卖空股指期货总能对冲掉大部分现货股票组合的市场风险。阿尔法对冲策略的主要风险在选股策略上。由于股票市场的规律性变化、一些突发事件的影响和统计模型本身的概率属性，选股模型在某些月份或特殊时期有可能失去效用，出现做多的股票跑输市场的情形，从而产生短期的亏损。这需要投资者有正确的认识，也要求基金经理能不断完善投资模型和操作技巧，增强获胜概率。
熊市和震荡市表现最佳
下面我们看看阿尔法对冲交易策略和贝塔策略的对比。贝塔策略是指被动跟踪指数的策略，从长期来讲，贝塔策略是可能盈利的，但由于股票市场波动比较大，在某段特定时间内往往会出现亏损或被套住的情况。以A股市场2011年1月4日到2012年11月29日的表现，沪深300指数在2129点到3372点之间波动，日收益率最高为4.9%，最低为-3.8%，年化风险高达20%。同期的阿尔法对冲策略，日最高收益率为2.16%，最低为-0.31%，年化风险为2.1%，风险仅为指数的十分之一。从累计收益来对比，2011年到现在沪深300指数亏损近30%，而阿尔法对冲策略则累计上涨23%。
很多投资者对贝塔风险的防范意识往往不足。市场跌50%以后需要100%的收益来回填。而投资者往往不能有足够的信念和理由来坚持，客观上造成了追涨杀跌、市场涨而投资者亏损的局面。阿尔法对冲策略则有效地回避了市场过山车式的震荡，使投资者能长期稳定地参与经济的发展、股市的成长和个股的机会。
阿尔法对冲交易策略在操作中需要注意以下几个事项。第一，现货与期货头寸之前的差额，即风险暴露敞口不宜过大，否则会影响套期保值的效果。第二，由于现货是长期持有，而股指期货合约有到期日，所以在股指期货合约到期时需要向下一个合约展期，从而维持套期保值的延续性。第三，股指期货有日盯市保证金制度，投资者需要密切注意股指期货的保证金，以免被强制平仓。第四，对冲交易策略在熊市和震荡市中表现最佳，在牛市中投资者可适当调整对冲比例，在拿到alpha收益的同时适当收获整个市场的上涨收益。

『柒』 套利策略和市场中性策略不是一回事吗

市场中性策略(Market Neutral Strategy)是国际对冲基金的常用投资策略，近年来也越来越多的被应用到普通开放式基金之上。虽然美国这类市场中性基金目前总市值不超过为150亿美元，其发展与现状仍值得我们学习研究。

简单的说，市场中性投资策略通过同时构建多头和空头头寸中性化市场风险，以谋求任何市场环境下稳定的绝对受益，它是多空仓策略（Long-Short Strategy）的极端形式。理想状态下，50%的多头头寸和50%的空头头寸就构成了一个市场中性组合，基金经理通过寻找市场或商品间效率落差而形成的套利空间，利用价值回归理性的时间差，在股市波动中把握细微的投资机会，从而获得持续的业绩增长。

最早在上世纪70年代就有一些基金经理开始尝试应用市场中性策略进行投资套利。由于其应用需要比较完备的市场条件，例如一定深度和广度的市场、良好的买空卖空机制、充分多的衍生金融工具降低交易费用等，同时还要求基金经理掌握先进的数量分析方法，因此直到上世纪90年代中期，这一投资策略才开始得到广泛的应用。根据晨星统计，美国市场上现存的81只市场中性基金中，就有71只是2000年以后发行的，其中2009年之后发行的新基金占到一半以上。

现实中的市场中性投资策略远没有以上描述的那么简单。基金经理必须构建严谨的统计套利模型对市场及单只证券的风险进行估算，以保证其多头头寸和空头头寸的风险敞口相等。比如，某基金持有价值1亿美元的多头股票和价值5000万美元的空头股票，然而空头股票的波动性非常大，其市场风险（即Beta值）是多头头寸的两倍，在这种情况下该基金仍然是市场中性的；反之，若该基金持有相等金额的多头与空头股票头寸，而其中某一方的波动性远大于另一方，则不构成市场中性组合。

理论上，市场中性基金的Beta值应该为零，即其业绩完全不受市场波动所影响。但在实际操作中，单只证券或市场未来的波动性是很难被准确预测的，尤其是下行风险，更难以准确量化并做出预判，因此市场中性策略只能无限接近于理论值。晨星对美国开放式市场中性基金分类Beta值的要求就是-0.3与0.3之间，对其净股票头寸的要求是-20%与20%之间。

历史数据表明，较之大起大落的市场环境，市场小幅震荡时市场中性策略基金能获得更高的收益。我们可以理解为当市场小幅震荡时，股票的价值回归体现的更加明显，因此该策略的获利能力表现的更强。反之，市场出现非理性的大起大落时，股价更易脱离其价值本身，中性策略就反而抑制了收益。同时，由于整体风险暴露度低，几乎所有的市场中性基金都会使用杠杆，放大收益。

『捌』 量化交易策略有哪些

01、海龟交易策略

海龟交易策略是一套非常完整的趋势跟随型的自动化交易策略。这个复杂的策略在入场条件、仓位控制、资金管理、止损止盈等各个环节，都进行了详细的设计，这基本上可以作为复杂交易策略设计和开发的模板。

02、阿尔法策略

阿尔法的概念来自于二十世纪中叶，经过学者的统计，当时约75%的股票型基金经理构建的投资组合无法跑赢根据市值大小构建的简单组合或是指数，属于传统的基本面分析策略。

在期指市场上做空，在股票市场上构建拟合300指数的成份股，赚取其中的价差，这种被动型的套利就是贝塔套利。

03、多因子选股

多因子模型是量化选股中最重要的一类模型，基本思想是找到某些和收益率最相关的指标，并根据该指标，构建一个股票组合，期望该组合在未来的一段时间跑赢或跑输指数。如果跑赢，则可以做多该组合，同时做空期指，赚取正向阿尔法收益；如果是跑输，则可以组多期指，融券做空该组合，赚取反向阿尔法收益。多因子模型的关键是找到因子与收益率之间的关联性。

04、双均线策略

双均线策略，通过建立m天移动平均线，n天移动平均线，则两条均线必有交点。若m>n，n天平均线“上穿越”m天均线则为买入点，反之为卖出点。该策略基于不同天数均线的交叉点，抓住股票的强势和弱势时刻，进行交易。

双均线策略中，如果两根均线的周期接近，比如5日线，10日线，这种非常容易缠绕，不停的产生买点卖点，会有大量的无效交易，交易费用很高。如果两根均线的周期差距较大，比如5日线，60日线，这种交易周期很长，趋势性已经不明显了，趋势转变以后很长时间才会出现买卖点。也就是说可能会造成很大的亏损。所以两个参数选择的很重要，趋势性越强的品种，均线策略越有效

05、行业轮动

行业轮动是利用市场趋势获利的一种主动交易策略其本质是利用不同投资品种强势时间的错位对行业品种进行切换以达到投资收益最大化的目的。

06、跨品种套利

跨品种套利指的是利用两种不同的、但相关联的指数期货产品之间的价差进行交易。这两种指数之间具有相互替代性或受同一供求因素制约。跨品种套利的交易形式是同时买进和卖出相同交割月份但不同种类的股指期货合约。主要有相关商品间套利和原料与成品之间套利。

跨品种套利的主要作用一是帮助扭曲的市场价格回复到正常水平；二是增强市场的流动性。

07、指数增强

增强型指数投资由于不同基金管理人描述其指数增强型产品的投资目的不尽相同，增强型指数投资并无统一模式，唯一共同点在于他们都希望能够提供高于标的指数回报水平的投资业绩。为使指数化投资名副其实，基金经理试图尽可能保持标的指数的各种特征。

08、网格交易

网格交易是利用市场震荡行情获利的一种主动交易策略，其本质是利用投资标的在一段震荡行情中价格在网格区间内的反复运动以进行加仓减仓的操作以达到投资收益最大化的目的。通俗点讲就是根据建立不同数量.不同大小的网格，在突破网格的时候建仓，回归网格的时候减仓，力求能够捕捉到价格的震荡变化趋势，达到盈利的目的。

09、跨期套利

跨期套利是套利交易中最普遍的一种，是股指期货的跨期套利（Calendar Spread Arbitrage）即为在同一交易所进行同一指数、但不同交割月份的套利活动。

10、高频交易策略

高频交易是指从那些人们无法利用的极为短暂的市场变化中寻求获利的计算机化交易，比如，某种证券买入价和卖出价差价的微小变化，或者某只股票在不同交易所之间的微小价差。这种交易的速度如此之快，以至于有些交易机构将自己的“服务器群组”安置到了离交易所的计算机很近的地方，以缩短交易指令通过光缆以光速旅行的距离。

『玖』 使用python做量化交易策略测试和回验，有哪些比较成熟一些的库

pybacktest
pyalgotrader
zipline
bt
backtrader

pybacktest基于vector，不是event based，快得多得多，缺点也明显。

『拾』 阿尔法量化是什么意思

一种交易方式。
在传统交易市场的诸多弊端下，一种结合运用数学模型代替人为主观判断的量化交易方式应运而生。

Alpha智能量化平台在量化交易的基础上，结合区块链、AI、大数据、云计算等技术，旨在实现DeFi跨平台交易的最佳利率，为全球用户提供非托管智能合约。通过先进的数学模型从庞大的历史数据中海选出能够带来超额收益的多种“大概率”事件来定制策略。智能优化利率机制通过检测功能定时在不用平台间为沉淀资产寻找最佳收益率，自动将投资者的部分资金迁移到更高收益率的平台，以更低的风险，收获更高的收益。系统化的投资模型和严格的投资纪律规避了投资行为中的人为偏误，极大地减少了因投资者情绪波动造成的影响，同时也避免了在市场极度狂热或悲观的情绪下投资者们做出不理性的投资动作。

阿尔法量化交易是指在D-Alpha系统中，从一个有效的策略到最后的实际交易的过程，而此过程需要经过四个步骤：
1、历史数据统计后验。
2、历史高频数据后验。
3、实时高频数据模拟交易。
4、实盘交易。

阿尔法量化交易其实和绝大多数炒币机器人没有太大的区别，数字货币自动交易机器人无非就是三种类型

一种是行情监控
最简单的行情收集，分析信息，无需人工盯盘，从海量的币以及价格当中筛选出重要的指标信号出现的代币

第二种是交易决策
这种类型的程序是当前几种当中最为复杂的，通过给出可能交易的信号来收集重要的信息，不需要人工主观的

判断，为交易决策提供支持，以前的话，这种情况只有特别专业的交易者才能做到。

第三种就是自动交易
自动交易又分为三种，交易所和项目方所使用的相对简单一些，比较复杂的还是属于散户所使用的量化交易机器人，因为既要迎合行情又要针对这个交易所和项目方的行为进行调整。