数据中心
龙虎榜
大单追踪
资金流向
业绩预告
新股申购
行情中心
沪深市场
香港市场
美国市场
全球市场
行业风云
全球市场
向上 向下

构建量化多因子模型 挖掘细分成长龙头超额收益

2020-09-14 10:33 浏览量:
构建量化多因子模型 挖掘细分成长龙头超额收益


 
 
  不少投资者对指数增强有所耳闻,又相对陌生。简单说来,它介于主动基金和被动指数基金之间,既要求与跟踪的指数不能有太大的偏离,又要有一定的超额收益。在这样的条件限制下,不同的基金经理对指数增强基金的目标有着不同理解,有些人最关注的是超额收益的高低,努力把收益做高。而笔者最关注的是超额收益的稳定性和胜率,希望把产品打造成适合中长期投资的工具型产品。
 
  追求稳定超额收益
 
  要实现较高的超额收益胜率,指数增强产品的策略设计和选择必须有所取舍,收益的稳定性和风险管理显得尤为关键。在这方面,通过量化多因子模型构建投资组合进行指数增强有显著优势。量化多因子模型是通过研究各种数据(包括基本面数据、交易面数据、网络大数据等)与股票走势的关系,提取和归纳出这些数据影响股票的规律,将其抽象为“因子”,再通过多个因子结合的方式构建可以长期超越基准的组合。
 
  上面这段话可以用一组比喻来说明。主动管理型的基金经理就好比是“渔夫”,他们会精选有比较多“大鱼”聚集的区域,看准后用“鱼叉”捕鱼。因而,他们会优选几十只股票做深度研究,重仓超额收益突出的公司。采用量化投资策略的基金经理,则会做大量的数据分析和测试,找出具有某种“特质”、能跑赢市场的一篮子股票。因此,量化基金经理获取收益的方法是编织有规则、有纪律的“渔网”,捕捞到一网鲜活的“鱼”。而“渔网”的编织规则其实就是大家熟悉的各种因子,如价值因子、红利因子、成长因子、盈利因子等。
 
  从这组比喻我们可以了解到,与主动选股通过对几十只个股基本面的深度研究精准制胜不同,量化模型挑出来的股票有几百只,收益更多来自于统计规律的大概率重现,相对比较稳定。同时,量化模型通过组合优化的方式,可以对风险因子进行精准约束,控制相对指数的偏离,实现跟踪误差的定量控制。
 
  由于量化模型的超额收益主要来源于因子,所以因子的选择和构建极为重要。在构建量化模型的因子库时,笔者坚持三个投资原则:第一是分散原则。通过量化方法从股票相关的海量数据(603138)中提炼出多个选股因子,构建量化因子池。第二是因子相对直观,注重构建逻辑和金融学意义,对过度数据挖掘产生的因子保持谨慎。第三是因子之间的相关性要比较低,以达到组合配置整体效果稳定的目的。
 
  具体到因子选择上,由于A股的投资逻辑越来越向国际接轨,预计过去效果较好的基本面因子在未来仍能延续较好表现,如成长、盈利等因子可以进行重点关注。而像行业、市值等对股票收益影响大,且效果不稳定的因子,则要在风险控制层面进行严格的偏离约束,以提高稳定性,降低波动。
 
  捕捉细分行业成长股机会
 
  今年前8个月,在流动性宽松、市场风险偏好提升等因素推动下,A股走出一波显著的结构性行情。代表未来经济发展方向的消费、TMT、医药行业股票由于较好的成长性,受到市场青睐。其中,具有长期空间大、商业模式好、竞争格局清晰等特质的一线白马股涨幅可观,估值也达到历史较高水平。
 
  进入9月以来,市场风格出现轮换迹象,板块之间、板块内部也出现分化,机构投资者的行为亦出现分化。在当前这种“基本面好的股票很贵,便宜的股票基本面有瑕疵”,机构持仓态度分化的市场环境下,选择有一定成长性、估值相对合理的指数为基准的指数增强产品,不失为攻守兼备的稳妥选择。
 
  比较有代表性的就是中证500指数。该指数中医药生物、电子等科技创新相关行业占比居前,成分股汇聚沪、深两市一批高成长性的二线蓝筹股和细分行业的龙头股,指数过去几年的利润复合增速保持在15%以上,有较好的成长性。从估值来看,中证500指数目前的PE为30多倍,处于历史均值附近。从指数结构来看,中证500成分股数量较多,行业与市值分布较均衡,不少股票机构较少覆盖,这也有利于量化选股在大数据样本中能充分发挥其优势,获取稳定持续的超额收益。
 
  采用量化模式来管理指数增强产品,需要投研团队和完备的量化系统提供支持。为此,广发基金量化投资团队内部自主构建了较完善的量化投资研究系统,功能涵盖市场跟踪、因子分析、策略构建和组合跟踪等多个部分。团队中的研究人员和投资人员将自己的研究成果汇集到系统中,通过系统的分析和比较,形成集体智慧以提高公司整体的量化投资水平。以此为基础,团队开发了指数增强策略、量化对冲策略、主动量化策略等多样化的策略以满足不同投资者的需要。