读书笔记 | FINDING ALPHAS（2）

作者：墨城的小宇宙

题图：墨城的小宇宙微信公众号

最近有朋友问我什么时候把这本书的读书笔记写完 读书笔记 | FINDING ALPHAS（1），其实我自己都没意识到上一次更新读书笔记已经差不多是半年前了，确实一件事情一旦在Todo List中被拆分，就很容易被旁置。

实际上，这本书本身跟IGOR TULCHINSKY关系并不大，大部分是团队的成员各自负责几个章节来写，导致内容出品并不稳定。如果说第一部分是Alpha的Design and Evaluation的话，第二部分Extended Topics就是讲不同领域的Alpha，实战性更强。需要说明的是，以下并不是全书内容的概述，只是我的笔记和思考，仅供大家参考：

股票量价的Alpha

Momentum-reversion Effect

- 跟主流学界不同的是，这本书倾向于认为资产在短期（intraday or daily horizon)是偏mean-reversion的，而长期（weeks or months)是偏momentum的；

- 除了在时序上的特征以外，在行业/子行业中，个股的mean-reversion会更加显著，可以根据这个特征来构建行业内截面Alpha；

Integer Effect

- 对于human traders来说，整数点位是很重要的心里关口：无论是经济数据（5% VS 4.9%)、指数点位（3000 VS 2999）、股票价格（100 VS155.29）、均线参数（5，10，20）、甚至购买的股票数量等，一旦突破了整数点位，在经济意义上未必有十分显著的信号，但在心里意义上确是十分显著，从而推动human traders的交易行为；

- 从这个角度来说，量价的Alpha在设计参数时可以参考human trader常用的整数，尤其是人为交易参与占比较高的市场；

Momentum Alphas

- Momentum效应除了信息传播速度不同以及行为金融学的解释以外，书中提到在实践中，股票的Momentum常是因为卖方分析师的覆盖不足所导致，这些股票往往是冷门股票（特征是high bid-ask spread)，在Momentum策略上更容易outperform；

- 行业动量其实是一种group momentum。相较于个股，group momentum在industry return中更为稳定，尤其在6个月的时间周期下；

财报中的Alpha

- 本质上是建立在对不同行业经营模式的理解上。

- 不同行业、不同成长周期的股票的财报因子差异较大，有些是适合用绝对值过滤，有些适合行业内做相对值排序，只有少数的财报因子才能跨行业去做比较；

- 考虑到部分财报会修正数据，所以在回测的时候一定要用PIT数据，避免用到未来数据。

- 一些footnotes有时候很值得去挖掘；

社交媒体的Alpha

- 社交媒体的数据量要相较于传统媒体大得多，但也会带来更多的噪音；

- 它的优势在于信息的快速传递以及覆盖面几乎是全市场，但准确度确不如一名分析师；

- 在行业中性的前提下，构建社交媒体的Sentiment Alpha会比基于全市场来构建更稳健；

- No New is Good News? 诚然，新闻带来更多的曝光，从而导致成交量、波动率、关注度上升，以及带来更多的新闻。但如果一家公司短期出现异常多数量的新闻，那么做空它可能会更好的选择。

股票期权市场的Alpha

- 标的期权可能比标的资产本身有更大的信息量。期权这种非线性工具可以让资产定价以及投资观点的表达更为精准，从而其中的增量信息会作为标的资产的Alpha；

- 波动率微笑：来源于市场情绪和期权的供需。一般会认为，skew和股票未来收益有负向的联系，所以如果要构建一个long-short策略，可以考虑Long一个lower volatility skew option的股票，short一个higher volatility skew option的股票；

- 在构建skew alpha时，要考虑坏消息与好消息对skew影响的非对称性；

日内的Alpha

- 资本市场的交易可以分为报价驱动和订单驱动，大部分日内Alpha的研究围绕在订单驱动市场的微观结构上；

- 从订单的类型又可以分为限价单和市价单；前者提供流动性，而后者消耗流动性，两种类型的订单共同驱动了订单簿，形成了不同订单簿的形态；

- Bid-ask Spread无论在时间序列还是在截面上都在不断变化，成为了日内Alpha的主要来源之一；

- 如果考虑交易成本，由于日内成交量的U型结构以及Spread的反J型结构，最好的交易时间依然是开盘以及收盘附近；

- 日内的Alpha比日间的Alpha在统计意义上更显著；同时，也不需要像日间Alpha一样去考虑隔夜的风险因子。

指数和ETF的Alpha

- 成分股调整的Alpha：比如在Russell 2000上，在成分股调整日买入新选入的股票、卖出新选出的股票，可以较稳定地获得每年28bps的负alpha（2007 - 2015）；这个特性有些反常识，反向操作即可以获得稳定的正alpha —— 可以把它看作是赚ETF rebalance cost的钱；需要注意的是：这个特性只在小盘股ETF身上体现，大盘股的ETF比如S&P 500则没有出现，可能是和流动性有关；

- 指数成分内外的估值差异：文中对比了同样行业中，指数成分股与非指数成分股的估值差异，发现一个有趣的现象：罗素2000的成分股比非罗素2000成分股几乎在每个行业都存在估值溢价，而S&P 500的成分股却都存在估值折价。

- 可能存在的原因除了市值差异以外，罗素2000的成分股可能包含了近期表现较弱的中盘股以及表现较好的尾盘股，而S&P 500则只包含了近期表现较好的中盘股。这两者某种意义上会暴露一部分股票的中期动量/反转因子。

- 实际上，由于ETF天然性分散的特质，在ETF领域可以获得的Alpha含量要远低于股票；如果在ETF层面获得的Alpha绩效很好，那么你就要思考是不是存在过拟合或者它本身是一个“Fake Alpha"了。文中以2009年金融危机以后的VXX为例（做空VIX策略），除了欧债危机以外，该指数表现非常好，在长达10年的时间里有1.1夏普的绩效。

当然，看看这两年国内的期权卖权策略，我们都清楚做空波动率意味着什么。但事实上，即使它稳定地长期暴露某个因子敞口、即使它是所谓的Fake Alpha，在特定的环境下也能拥有不错的绩效表现，需要我们做好区分。

期货和远期的Alpha

- 在条件相同的情况下，Alpha的Sharpe与Universe宽度的平方根成正比；期货市场的宽度远不如股票市场，所以做截面Alpha的难度要远比股票市场高；所以期货的Alpha更多应该在深度上做挖掘。

- 由于期货市场不如股票市场有个市场Beta存在，所以finding the right-siz group 去test alpha很重要；

- 一个比较好的去test fake alpha的方式是做AB test :即把要测试的alpha放在它逻辑上影响最大的组，以及影响相对较小的组甚至不相关的组上测试，做绩效对比，来增加因子的robustness；

- Follow the (Smart) Money。证券市场有北向资金，海外市场有CFTC公布的COT(Commitment of Traders)。COT的持仓分为Commercial Traders（生产商、贸易商等实体企业）、Noncommercial Traders(大型投资者)和Nonreportable Traders(小型投机者）；实体企业的持仓变化主要反映了对冲需求，而后两者更多反应的是投资和投机需求；分析在哪些品种上，哪种交易对象的持仓变化会对价格产生明显影响，是基于Smart Money构建截面Alpha的来源之一；

- Seasonality。我不确定这个算Alpha还是算异象。从理论上说，商品在一年中的供需波动必然会呈现一定的季节性特征，最典型的是农产品和能源市场。当然，也包括外汇市场的AUD。从策略构建的角度上来说，Seasonality因子更适配于1-3个月周期，太短可能无法过滤短期噪音。当然，这种策略无法应对突如其来的供应冲击（比如飓风、地震等等）。

以上，作业交完，负债清零，神清气爽。

封面仅为了支持国产游戏（虽然本人不懂游戏），与本文内容无关。

版权声明：文章版权归原作者所有，部分文章由作者授权本平台发布，若有其他不妥之处的可与小编联系。