理解量化策略的底层框架

作者：精忠，好投学堂专栏作家

题图：精忠微信公众号

前言：

对于很多金融从业者和投资者而言，量化已经成为再寻常不过的词汇。

但是越是寻常的词汇，其真实含义往往容易被忽视。其包含的内核总是容易感知，却不好清晰定义。就像我们容易感知爱，却不知道什么是爱；我们容易感知痛苦，却不懂得自己痛苦的源泉。

简而言之，这是一个非常朴素的问题，但是并不好回答。我只能谈谈自己粗浅的理解。

这篇文章的定位会有些尴尬。对于业内大佬来说太简单，对于业内新人来说专业词汇（都标记了）太多，可能只适合那些在这个行业浸泡了一段时间，但是还无法将知识点串联在一起的人（比如我）。个人认为，分析任何事物都需要分析框架，下面就是我为量化策略分析框架所做的尝试。

言归正传。在我看来，几乎所有的量化策略都可以被分成三个组成成分。

第一，预测信号：预测未来的价格走势或者规律；

如果可以做到预测一个资产未来的价格走势，这样就可以高卖低买，利用价差来赚钱。时序策略做的就是这样的预测。

或者，虽然不能直接预测某一个资产的价格走势，但是可以预测多个资产价格之间的波动关系，这样就可以通过多空组合实现收益。截面策略和套利策略做的就是这样的预测。

普通的技术指标或者触发式的趋势策略，做的更多的是方向的判断。

打分模型，做的一般是强弱排序，其实是多个标的之间的价格的关系。

定价模型，是使用数学模型进行更加精准的定价，发现的是不合理的定价，实现的是“价格之间”或“价格与价值”之间的套利空间。

而复杂的多因子和深度学习算法，一般是通过因子挖掘发现投资规律，并对价格的涨跌幅或者相对涨跌幅进行直接预测。

在预测这个领域领域，最重要的是数据量和市场的成熟度。

数据量越大，市场的成熟度越低，预测的可行性就会越高。所以我们可以观察到，在同样的频段，量化股票策略超额的夏普值明显高于CTA策略的夏普值，因为股票策略横截面宽，数据维度多，数据量要比CTA策略大了n个量级。另外还可以观察到，股票量化策略在中国市场的表现要比美国市场强劲很多，因为中国市场的有效程度比美国市场低很多。

第二，组合优化配置：通过分配权重实现预期的收益/风险。

如果一个可以持续盈利的策略是一种可以食用的食材，那么组合优化就可以将这些食材做成一道真正的菜肴。

首先是组合，在一个完整的策略中，不同的预测信号需要组合在一起，这样可以给出更加精准的预测，也能够抵消一些交易成本。

例如，两个信号都长期具备抗住交易成本的预测力，此时此刻一个做多一个做空，如果各分配50%权重组合在一起就会省去这笔交易，但是其预测力已经得到了表达，长期看组合在一起的收益会比分开更高。在预测信号的组合上，如果每个信号的预测力很强，那么即使简单的线性组合依然也可以取得良好的效果。但如果每个信号的预测力并不强，就需要相对比较复杂的组合方式来提高组合后的预测力。当然这也是一把双刃剑，因为复杂的组合大大提示了模型的复杂度，过拟合的风险也大大提高了。

其次是优化，经过预测信号的组合后，每个资产只生成一个预测信号，下一步就涉及到资金头寸的分配，即这次交易用多少资金交易这个资产（例如股票）的问题。一般我们会使用优化器来实现头寸的分配。因为头寸分配是一个不可能三角的最优解的求解过程。我们希望收益越高越好，风险越小越好，容量越大越好，然而这三者不可能同时达到最优。没有一个绝对的最优点，是否最优是基于投资者本身的偏好来决定的。有的投资者追求收益率最高，有的追求总利润最大化，有的追求波动足够小，或者有的追求多重条件下的最优（例如在容量一个亿以上，回撤小于5%的前提下，夏普越高越好）。

最后是配置，除了以上两者之外，我们还可以通过对相关性较低的策略进行组合配置实现更高的收益回撤比和更大的容量。其实这就是资产组合理论所涉及到的内容。业内的FOF或者量化复合策略通常都会使用策略组合的方式进行投资。一般常用的量化组合理论包括风险平价、波动率中性等等。

第三，交易执行：通过程序化交易实现利润；

前面的两者只是让量化投资变得理论上可行，而只有良好的执行，才能真正得将利润实现。

如果策略的预期买卖价差大，且在这个价差内市场的流动性非常充裕，那么就可以轻易的按照预期的价格达成交易（滑点小），从而获得预期的利润。反之，即使预测到了价格的波动，也无法以满意的价格成交，就依然难以通过交易实现预期的利润。值得注意的是，市场的流动性不可能是无限的，任何赚钱的策略所能够承载的容量也一定是有限的。

在一个相同的市场里，低频的策略难做的是预测，好做的是交易。高频的策略好做的是预测，难做的是交易。

以买房为例，预测十年的房价是很难的，因为影响的因素几乎是无穷的，任何一个小的变量都可能因为蝴蝶效应放大n倍。但是假设能够预测未来十年的房价，那投资交易会变得非常容易，只需要选择涨幅最大的房子买入并持有十年即可。如果把预测周期缩短为十天，大部分的影响因素都会稳定。此时，价格的预测将变得容易，但同时交易执行就会变得很难。买入再卖出一栋房子的交易周期都不止十天，价差小，交易的手续费极高，这意味着预测到的价差实现不了的概率很大。

在同样的市场内，一个中长期预测能力极好的策略，交易可以变得非常不重要，只需要最普通的下单能力即可。同理，一个交易执行能力极强的团队，也可以完全不依赖预测来赚钱，比如不做预测，通过做市策略或者已经存在的明显套利机会赚钱（如ETF套利），这对其交易速度是一个巨大的考验。所以交易能力较强的团队往往由一群IT工程师组成，他们可能都不怎么懂投资，但在代码、硬件管理上具备过硬的实力。

量化方法确实包罗万象，我所能讲的不及其真实复杂度的万一。然而以上这三个维度确实帮助我更好的解构和分析了很多量化策略，给了我自己一个较为清晰的切入点。希望对大家有所帮助。

下一次你看到一个量化策略，可以尝试去回答：

1.它的预测信号是怎样做的？是否具备逻辑上的可持续性？

2.它的组合优化配置这三个环节分别是怎么样设计的？是否与整体的策略定位匹配？

3.它的交易执行的实力是否匹配其策略需求？是否有配套的人员和硬件？

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。