当前位置: 首页 > news >正文

大岩资本黄铂:A股量化的未来是细节致胜

大岩资本黄铂:A股量化的未来是细节致胜

近期,嘉石大岩私募证券基金管理有限公司总经理兼首席投资官黄铂出席了东南亚经济与金融论坛。会上,黄博士以量化投资的视角,分享了不同市场环境下Alpha的来源变化,以及量化策略未来演化和迭代的方向。

图:大岩资本总经理兼首席投资官黄铂博士。

一、A股市场Alpha来源的演进:

1)2019年前:来自无效定价的Alpha
在2019年之前,由于散户投资者占比很高,A股市场最主要的alpha来自于“无效定价”。与现在相比,当时的策略整体框架较为简化,基于日频数据的价量因子、相对简单的财务类和分析师类因子的有效性较高,模型端整体还是以线性模型为主。

2)2019-2021:来自交易成本&交易限制的Alpha

资管新规之后,机构投资者占比迅速提高。尽管“无效定价”的机会在迅速减少,但反观量化超额在那几年并没有大幅度衰减,这就引出A股市场第二个Alpha来源:交易成本和交易限制。高成本和日内交易的限制的存在,使得非量化的大机构在日内交易换仓的过程中表现出较为明显的交易规律和习惯,通过对日内高频交易数据的细致分析,可以更好地捕捉到机构投资的长期意向,包括个人和机构投资者的区分。从那时起,A股量化策略开始更多地应用日内高频价量的数据来构造因子,策略对高频价量因子的依赖也逐步增加。

同时,由于底层数据量的大幅度增加,机器学习和深度模型作为更有效的大数据分析的工具,在量化管理人中得到了更广泛的应用。

往后看,机构投资者占比会持续提高,无效定价的机会持续下降,但基于交易规则限制这部分的Alpha会一直存在,这也是部分价量因子长期有效性的前提。

3)2022至今:市场认知的改变

第一,由于量化整体规模迅速增长,许多高频价量策略面临容量上限的问题,加上市场整体交易量缩减,不再是“得高频者得天下”。相比之下,中低频策略具有更大的容量上限,同质化低,并且符合监管方向,因此具有明显的优势。

第二,由于2021年底整体行业的回撤,投资者对于收益和风险的认知有所加强,对于严风控下稳健的pure alpha的需求日益增加。

二、未来的A股量化:细节致胜

大岩资本黄铂:我2016年回国做A股量化,这几年有个感受:目前A股“赛道型”策略几乎不复存在。所谓“赛道型”策略,就是每个阶段“一招鲜”的策略,例如2018年的中低频底仓+T0,或2020-2021年换手率200倍以上的高频策略。这种因研究框架或策略特征不同导致的0和1式的区别,现在已经越来越少。

展望未来,我认为优秀的量化策略应更注重均衡。首先是因子端,无论是监管方向还是市场环境,都推动量化管理人开始降频,这要求量化管理人未来在因子研究方法论、人才的筛选和资源投入上都要尽量均衡。未来优秀的策略是没有标签的:既不是纯基本面/价量策略,也不是全栈式AI策略。均衡的配置才有可能在持仓周期里抓住更多的套利机会。

另外,风控同样至关重要。量化策略本质上是做相对价值的,而相对价值可以从两个维度来定义:“差”股票和“好”股票。“差”股票的定义很大程度取决于可以用来对冲的衍生工具。然而,A股对冲工具的不足导致了可选的“差”股票范围非常有限,对应着多头端可选出的“好”股票池子也比发达市场少得多。因此,在把风控压缩后,从因子到组合的损耗会非常大。

正因如此,我们经常能听到一些优秀管理人的因子库中有成千上万个因子,然而这些因子转化到策略端后,由于风控敞口的压缩,策略表现有时却不及同类型的海外策略。

针对这一问题,有两种解决方案。第一种是延续我们之前的研究方式,在因子端进一步增强,挖掘出更多对组合端有贡献的因子。第二种是思考在构建策略的过程中,哪个环节会有损耗,并深入优化这些细节。在风控严格的条件下,从因子研究到组合优化的过程,是众多细节的累加。在2024年极端行情后,资方和量化管理人更倾向于为投资者提供风险可控的高夏普策略。在这样的大趋势下,投研团队更需精细打磨各个细节。

http://www.cnnetsun.cn/news/115616.html

相关文章:

  • 如何在 Spring Boot 中接入 Amazon ElastiCache
  • 基于51单片机的血糖步数测量仪
  • Linux C/C++ 学习日记(51):内存池
  • AAAI25|基于神经共形控制的时间序列预测模型
  • CATCH:ICLR 2025 最值得关注的时间序列异常检测新框架
  • 开发到生产全链路:Docker containerd Kubernetes 运行时全景指南
  • 文件包含漏洞终极指南
  • #扫雷游戏
  • Java计算机毕设之基于springboot+vue的高校学院校内订餐系统的设计与实现基于JAVA的学院校内订餐系统的实现(完整前后端代码+说明文档+LW,调试定制等)
  • 小程序计算机毕设之基于微信跑腿小程序的设计与实现基于springboot+微信小程序的跑腿小程序的设计与实现(完整前后端代码+说明文档+LW,调试定制等)
  • 小程序计算机毕设之基于springboot+微信小程序的餐厅预约系统设计与实现基于微信小程序的餐厅预约系统设计与实现(完整前后端代码+说明文档+LW,调试定制等)
  • torch报错:ibtorch_cpu.so: cannot enable executable stack as shared object requires: Invalid argument
  • 计算机小程序毕设实战-基于springboot+微信小程序的餐厅预约系统设计与实现基于SpringBoot的在线点餐系统微信小程序【完整源码+LW+部署说明+演示视频,全bao一条龙等】
  • 【课程设计/毕业设计】基于微信小程序跑腿平台的设计与实现代码基于springboot+微信小程序的跑腿小程序的设计与实现【附源码、数据库、万字文档】
  • jquery的基本使用(2)
  • HTML5结合Vue3实现超大文件分片上传的加密传输方案?
  • 基于增量动力分析方法IDA求解易损性曲线的Matlab代码探秘
  • mysql面试题整理
  • 瞄准科技特长生!3 大核心编程考级赛事(CTL/YCL/GESP)深度对比
  • day38打卡
  • JavaEE进阶——SpringBoot日志从入门到精通
  • 结构体简单题
  • 时间序列回归预测:LSTM、CNN - LSTM、PSO - CNN - LSTM、GAPSO - CNN - LSTM大比拼
  • 飞轮储能系统的建模与 MATLAB 仿真:永磁同步电机作为飞轮驱动电机
  • 车间进度总卡壳?生产小工单的3个必备功能,90%企业都用错了
  • 如何用 ShedLock 让 Spring Boot 的定时任务在多实例环境下只执行一次
  • 基于MPC的永磁同步电机非线性终端滑模控制仿真研究
  • ISSA - CNN - BiLSTM多输入单输出回归的Python实现与改进
  • Q学习(Q-learning)路径规划算法实战
  • ANSYS/LS - dyna防爆涂层砂浆砖框架结构爆破荷载损伤响应案例探索