本篇報(bào)告構(gòu)建了一個(gè)完整的可復(fù)用的 人工智能阿爾法策略框架。
本篇報(bào)告用AI對(duì)基本面、財(cái)務(wù)、交易型等 282個(gè)因子 做了單因子策略研究和多個(gè)維度上的績(jī)效分析，并 發(fā)掘了在短、中、長(zhǎng)周期上多個(gè)夏普超過(guò)1.5 、年化收益超過(guò) 30% 的因子。
本篇報(bào)告也對(duì)AI和傳統(tǒng)方法的效果做了對(duì)比，相同因子下，AI的效果遠(yuǎn)超傳統(tǒng)方法，收益有100%以上的提升，這主要得益于StockRanker非線性模型學(xué)習(xí)能力、大數(shù)據(jù)和強(qiáng)大計(jì)算資源等方面相較于傳統(tǒng)人工的優(yōu)勢(shì)， 能最大限度的發(fā)掘因子的價(jià)值。
1、引言
2、阿爾法體系
?2.1 多因子模型的發(fā)展及基本理論
?2.2 傳統(tǒng)阿爾法體系
?2.3 交易型阿爾法體系
?2.4 阿爾法體系模型的評(píng)價(jià)標(biāo)準(zhǔn)
?2.5 阿爾法體系預(yù)測(cè)的一致性問(wèn)題
3、AI阿爾法體系
?3.1 AI阿爾法構(gòu)建思路
?3.2 一些顯著的因子舉例
?3.3 AI阿爾法體系構(gòu)建
4、AI策略構(gòu)建
?4.1 AI策略開(kāi)發(fā)流程
?4.2 AI Alphas研究設(shè)計(jì)
?4.3 策略參數(shù)設(shè)置
?4.4 分析結(jié)果
??4.4.1 總體概覽
??4.4.2 按時(shí)間段劃分
??4.4.3 按因子周期劃分
??4.4.4 因子收益發(fā)掘能力對(duì)比
??4.4.5 風(fēng)格因子暴露分析
??4.4.6 交易成本敏感性分析
5、總結(jié)與展望
6、參考文獻(xiàn)
7、附錄
近年來(lái)，量化投資行業(yè)得到了迅速的發(fā)展，隨著理論升級(jí)和技術(shù)更新，Barra風(fēng)險(xiǎn)結(jié)構(gòu)模型逐步得到更廣泛和更深度的應(yīng)用。多因子模型為Barra風(fēng)險(xiǎn)結(jié)構(gòu)模型的一個(gè)簡(jiǎn)化模型，其基本假設(shè)就是相似的資產(chǎn)會(huì)有相似的回報(bào)。由于某些特定的原因（因子），資產(chǎn)的收益也會(huì)表現(xiàn)出一致性，例如價(jià)量變化、行業(yè)、規(guī)?；蛘呃首兓?。多因子模型旨在發(fā)掘能夠帶來(lái)超額收益的阿爾法因子，并且確定收益率隨因子變化的敏感程度。
傳統(tǒng)多因子模型在 A 股過(guò)去若干年內(nèi)也獲得較為穩(wěn)健的超額收益。然而，由于市值效應(yīng)在 A 股市場(chǎng)的影響過(guò)于明顯，導(dǎo)致傳統(tǒng)多因子模型或多或少都受其影響。 尤其是自2016年11月以來(lái)，隨著A股市場(chǎng)風(fēng)格的急劇變化，策略穩(wěn)定性受到了一定沖擊。從目前市值因子的收益波動(dòng)性而言，小市值因子超額收益的黃金時(shí)代可能已經(jīng)過(guò)去。2017，券商研報(bào)構(gòu)建了交易型阿爾法選股體系，旨在挖掘短期盈利機(jī)會(huì)，對(duì)原有傳統(tǒng)阿爾法選股體系形成極大補(bǔ)充。
本篇報(bào)告將開(kāi)創(chuàng)性地構(gòu)建全新的多因子模型體系——人工智能阿爾法選股體系，這又將成為傳統(tǒng)阿爾法選股體系和交易型阿爾法選股體系的極大補(bǔ)充，從而更深入地推進(jìn)多因子模型體系的理論和實(shí)證研究。人工智能阿爾法選股體系簡(jiǎn)稱(chēng)AI阿爾法體系，是利用人工智能領(lǐng)域中的機(jī)器學(xué)習(xí)技術(shù)，將挖掘因子收益的潛力發(fā)揮極致。
本篇報(bào)告中，我們對(duì)基本面因子、財(cái)務(wù)因子、交易型因子共計(jì)282個(gè)因子在短期、中期、長(zhǎng)期的因子收益進(jìn)行了測(cè)試，因子一部分來(lái)自WorldQuant、券商研報(bào)，一部分來(lái)自于BigQuant因子庫(kù)，因子數(shù)據(jù)都為個(gè)股日頻數(shù)據(jù)。本文采取的是StockRanker AI策略，以2011.01.01-2015.12.31的數(shù)據(jù)作為訓(xùn)練集，以2016.01.01的數(shù)據(jù)作為測(cè)試集，并驗(yàn)證模型在測(cè)試集上回測(cè)的績(jī)效結(jié)果。其中策略收益率最高的為持倉(cāng)40天的總市值排序因子，2016.01.01到2017.07.18期間年化收益為108%,遠(yuǎn)遠(yuǎn)超過(guò)了傳統(tǒng)阿爾法體系下的小市值策略。
AI阿爾法體系是對(duì)傳統(tǒng)阿爾法體系和交易型阿爾法體系的補(bǔ)充，也是以機(jī)器學(xué)習(xí)為代表的人工智能技術(shù)在量化交易領(lǐng)域比較成熟的應(yīng)用，是一種有全新思路、獨(dú)立設(shè)計(jì)的交易體系。希望AI阿爾法體系的構(gòu)建，能夠展現(xiàn)人工智能技術(shù)在金融量化領(lǐng)域發(fā)揮真正威力。
在介紹AI阿爾法體系之前，我們有必要對(duì)阿爾法體系的發(fā)展及基本理論進(jìn)行梳理。
資本資產(chǎn)定價(jià)模型（Capital Asset Pricing Model, CAPM）是現(xiàn)代金融市場(chǎng)價(jià)格理論的支柱，由美國(guó)學(xué)者威廉· 夏普（William Sharpe） 等人于1964年在資產(chǎn)組合理論的基礎(chǔ)上發(fā)展起來(lái)。它開(kāi)啟了資產(chǎn)風(fēng)險(xiǎn)分類(lèi)的研究進(jìn)程。
E(ri)=rf βi?(E(rm)?rf)
套利定價(jià)理論是一種均衡模型，用來(lái)研究證券價(jià)格是如何決定的。它假設(shè)證券的收益是由一系列產(chǎn)業(yè)方面和市場(chǎng)方面的因素確定的。當(dāng)兩種證券的收益受到某種或某些因素的影響時(shí)，兩種證券收益之間就存在相關(guān)性。
套利定價(jià)理論模型為：
ri=ai k∑j=1bijFj ?i,i=1,2,...,N
現(xiàn)代金融理論認(rèn)為，股票的預(yù)期收益是對(duì)股票持有者所承擔(dān)風(fēng)險(xiǎn)的補(bǔ)償，多因子模型正是對(duì)于風(fēng)險(xiǎn)——收益關(guān)系的定量表達(dá)。多因子模型定量刻畫(huà)了股票預(yù)期收益率與股票在每個(gè)因子上的因子載荷（風(fēng)險(xiǎn)敞口），以及每個(gè)因子每單位因子載荷（風(fēng)險(xiǎn)敞口）的因子收益率之間的線性關(guān)系。 多因子模型（Multiple-Factor Model, MFM）正是基于 APT 模型的思想發(fā)展出來(lái)的完整的風(fēng)險(xiǎn)模型。
多因子模型的一般表達(dá)式：
ri=K∑k=1Xik?fk μi
量化投資以策略績(jī)效為目標(biāo)導(dǎo)向，因此策略最后實(shí)現(xiàn)的收益風(fēng)險(xiǎn)特征是衡量阿爾法體系好壞的最終標(biāo)準(zhǔn)。但是，阿爾法體系的本質(zhì)即是收益預(yù)測(cè)，因此在觀察策略實(shí)際收益率之前，我們可以通過(guò)一些定量的方法，計(jì)算阿爾法體系的收益預(yù)測(cè)是否精確、是否顯著，這樣的判斷將更有利于我們了解阿爾法體系的特性，提高投資成功的概率。
在選股型體系中，收益率分解是基本的假設(shè)前提。我們認(rèn)為任意股票在同一時(shí)刻暴露于多種不同的風(fēng)險(xiǎn)因素下，它們之間的共同作用形成了股票價(jià)格的波動(dòng)。因此，我們致力于尋找對(duì)絕大部分股票價(jià)格波動(dòng)都有影響的共同因素，即風(fēng)格因子，這部分收益則被稱(chēng)為風(fēng)格收益。 而風(fēng)格因子不可解釋的部分，則被認(rèn)為是個(gè)股自身特有的屬性，即特質(zhì)因子，這部分收益則被稱(chēng)為阿爾法收益。
即，股票收益率 = 風(fēng)格收益 阿爾法收益。
阿爾法收益包含了模型之外的風(fēng)格因子的收益，一旦將該因子加入模型，其目的為捕獲該因子的阿爾法收益，因子傳統(tǒng)阿爾法體系的很大一部分工作是挖掘新的有效阿爾法因子，使其阿爾法收益得到釋放，因此該體系稱(chēng)為傳統(tǒng)阿爾法體系 。
傳統(tǒng)阿爾法體系最基本的假設(shè)是：具有類(lèi)似“屬性”的股票，即因子類(lèi)似，在市場(chǎng)上應(yīng)該有相似的收益率。這些類(lèi)似的屬性可以是相同的行業(yè)、相似的交易屬性（比如交易價(jià)格、交易量、市值大小、波動(dòng)率等）、相似的財(cái)務(wù)屬性（來(lái)自于三張財(cái)務(wù)報(bào)表的各種比例或者增長(zhǎng)率等）、相似的估值屬性（PB、PE、PS、PCF 等）。
假設(shè)一個(gè)投資組合由N個(gè)股票組成，它們?cè)诮M合中的權(quán)重分別為hP1,hP2,...,hPN，則組合的收益率為：
rP=K∑k=1XPk?fk N∑i=1hPi?μi
其中，XPk=∑Ni=1hPi?Xik
傳統(tǒng)阿爾法體系的收益來(lái)源，往往集中于財(cái)務(wù)數(shù)據(jù)的挖掘、分析師一致預(yù)期數(shù)據(jù)的挖掘，而只有一小部分是中低頻價(jià)量特征的數(shù)據(jù)。而在 A 股，市場(chǎng)交易行為具有很強(qiáng)的隨機(jī)性，機(jī)構(gòu)投資者的交易效率較之成熟市場(chǎng)亦不十分有效，加之 T 0、融券賣(mài)空等交易機(jī)制的缺乏，導(dǎo)致在短周期由于交易行為所產(chǎn)生的定價(jià)非有效十分常見(jiàn)。只要是投資者交易產(chǎn)生的價(jià)格序列，就一定不是隨機(jī)序列，而這一特征在 A 股更為明顯。
交易型阿爾法體系關(guān)注的特征主要是價(jià)格和成交量。對(duì)價(jià)量特征進(jìn)行因子化處理的最大優(yōu)勢(shì)在于，避免了利用單一模式在時(shí)間序列上進(jìn)行買(mǎi)點(diǎn)和賣(mài)點(diǎn)的選擇，因?yàn)檫@牽涉到開(kāi)平倉(cāng)參數(shù)的敏感性問(wèn)題等，會(huì)帶來(lái)很大的不確定性和參數(shù)過(guò)擬合的問(wèn)題。交易型阿爾法體系精髓在于，以當(dāng)前市場(chǎng)的運(yùn)行特征，尋找價(jià)格運(yùn)行的規(guī)律。如果說(shuō)傳統(tǒng)阿爾法體系更加重視因子背后的價(jià)值投資邏輯，那么交易型阿爾法體系則更加重視交易行為背后的規(guī)律顯著性，從某種意義上而言，這恰恰是最為直白樸素的投資邏輯。
在介紹AI阿爾法新體系之前，我們有必要對(duì)阿爾法體系的評(píng)價(jià)標(biāo)準(zhǔn)再做些許的梳理，而這樣的標(biāo)準(zhǔn)既適用于傳統(tǒng)阿爾法體系和交易型阿爾法體系。因?yàn)锳I阿爾法體系不同之處在于更能充分挖掘因子收益，因此基于IC值的評(píng)價(jià)標(biāo)準(zhǔn)同樣也適用于AI阿爾法體系。
阿爾法體系的目標(biāo)應(yīng)是針對(duì)阿爾法收益的預(yù)測(cè)，而不是針對(duì)股票整體收益率的預(yù)測(cè)。而評(píng)價(jià)阿爾法體系的標(biāo)準(zhǔn)也應(yīng)是計(jì)算其對(duì)阿爾法收益的預(yù)測(cè)是否可靠，而業(yè)界衡量這一可靠性最常用的指標(biāo)就是因子IC值。
因子的 IC 值一般是指?jìng)€(gè)股第t期在因子上的暴露度與t 1期的收益率的相關(guān)系數(shù)。因子 IC 值反映的是個(gè)股下期收益率和本期因子暴露度的線性相關(guān)程度，表現(xiàn)出使用該因子進(jìn)行收益率預(yù)測(cè)的穩(wěn)健性；而回歸法中計(jì)算出的因子收益率本質(zhì)上是一個(gè)斜率，反映的是從該因子可能獲得的收益的大小，這并不能代表任何關(guān)于穩(wěn)健性的信息。當(dāng)?shù)玫礁饕蜃?IC 值序列后，我們可以進(jìn)行計(jì)算：
IC 值序列的均值及絕對(duì)值均值：判斷因子有效性；
IC 值序列的標(biāo)準(zhǔn)差：判斷因子穩(wěn)定性；
IC 值序列大于零（或小于零）的占比：判斷因子效果的一致性。
如上分析可視為對(duì)一個(gè)阿爾法體系的定量評(píng)價(jià)，那么對(duì)于若干不同的阿爾法體系就可以有嚴(yán)格的好壞區(qū)分。并且，從經(jīng)驗(yàn)上而言， 預(yù)測(cè)能力較強(qiáng)的阿爾法體系，其所對(duì)應(yīng)的實(shí)際組合獲取超額收益的概率也越高。
傳統(tǒng)阿爾法體系和交易型阿爾法體系都是對(duì)因子阿爾法收益進(jìn)行線性模型的挖掘。其一，其預(yù)測(cè)能力在剔除市值因子的效用之后究竟有多強(qiáng)的顯著性，值得深思。其二，因子阿爾法收益的挖掘，目前行業(yè)內(nèi)同質(zhì)化策略嚴(yán)重，未來(lái)是否還能取得穩(wěn)定超額收益率還待觀察。其三，隨著以機(jī)器學(xué)習(xí)、深度學(xué)習(xí)為代表的人工智能技術(shù)的快速發(fā)展，對(duì)阿爾法收益的挖掘的潛力進(jìn)一步提高，傳統(tǒng)的阿爾法體系和交易型阿爾法體系為因子收益率和因子暴露的線性模型，可挖掘的因子阿爾法收益有限，而AI阿爾法體系更多是非線性模型，對(duì)因子阿爾法收益的挖掘能力更強(qiáng)。
至今為止，沒(méi)有任何一個(gè)投資模型可以解釋市場(chǎng)運(yùn)行的一切變化規(guī)律。在整個(gè)阿爾法體系中，策略的構(gòu)建分為選股和組合兩個(gè)步驟。選股即為預(yù)測(cè)阿爾法收益，組合則為實(shí)現(xiàn)阿爾法收益，兩者互相獨(dú)立卻又一脈相承。
所謂阿爾法模型預(yù)測(cè)的一致性問(wèn)題，指的是阿爾法因子的預(yù)測(cè)目標(biāo)與組合實(shí)現(xiàn)的收益目標(biāo)相一致。也就是說(shuō)，阿爾法模型的預(yù)測(cè)過(guò)程與組合構(gòu)造的實(shí)現(xiàn)過(guò)程需要有共同的目標(biāo)。阿爾法體系的定量評(píng)估和一致性問(wèn)題是我們因子模型的理念基礎(chǔ)，在此基礎(chǔ)上，我們下面將介紹具體的AI阿爾法新體系。
無(wú)論是傳統(tǒng)阿爾法體系，還是交易型阿爾法體系，都盡可能做到在因子檢驗(yàn)、收益預(yù)測(cè)的過(guò)程中，剔除所有風(fēng)格因素的影響，而在組合構(gòu)建過(guò)程中，保持所有大類(lèi)風(fēng)格的中性化處理，最大程度的體現(xiàn)阿爾法模型的預(yù)測(cè)作用。但AI阿爾法體系有所不同，因?yàn)椴⒎莻鹘y(tǒng)的線性模型，深度學(xué)習(xí)、機(jī)器學(xué)習(xí)相關(guān)的收益預(yù)測(cè)模型又大多是非線性模型，因此其模型的直觀解釋力不如線性模型，但是這并不影響阿爾法體系的預(yù)測(cè)一致性問(wèn)題，從本文4.4.5也可以看出，風(fēng)格因子暴露分析也能夠佐證AI阿爾法體系的預(yù)測(cè)一致性。AI阿爾法體系本質(zhì)上也是因子模型，與傳統(tǒng)阿爾法體系和交易型阿爾法體系同屬阿爾法體系框架，都是基于因子預(yù)測(cè)獲取超額收益率的阿爾法體系。
傳統(tǒng)阿爾法體系的收益來(lái)源，往往集中于財(cái)務(wù)數(shù)據(jù)、基本面數(shù)據(jù)的挖掘，而只有一小部分是中低頻價(jià)量特征的數(shù)據(jù)。交易型阿爾法體系由于因子主要為價(jià)量相關(guān)的行情因子，因子體現(xiàn)出短周期的交易行為，所以從超額收益來(lái)源、因子有效周期、策略交易頻率、組合換手率、受市場(chǎng)風(fēng)格影響等方面有很大不同。AI阿爾法體系不僅僅局限在財(cái)務(wù)數(shù)據(jù)、基本面數(shù)據(jù)和交易行情數(shù)據(jù)，只要是可能影響股票收益率的任何數(shù)據(jù)，都是AI阿爾法體系的研究范疇。
哪些因子具有阿爾法收益？有經(jīng)驗(yàn)的專(zhuān)業(yè)投資者很容易回答這個(gè)問(wèn)題，這是機(jī)器學(xué)習(xí)中特征選擇問(wèn)題。特征選擇非常關(guān)鍵，只有把握關(guān)鍵特征才能對(duì)數(shù)據(jù)達(dá)到重要性認(rèn)識(shí)，選擇好的因子，才能獲取超額收益率。
Fama和French 1992年對(duì)美國(guó)股票市場(chǎng)決定不同股票回報(bào)率差異因素的研究發(fā)現(xiàn)，股票市場(chǎng)的beta值不能解釋不同股票回報(bào)率的差異，而上市公司的市值、賬面市值比、市盈率可以解釋股票回報(bào)率的差異。 因此市值、賬面市值比、市盈率就是風(fēng)格因子。隨著理論和實(shí)踐地進(jìn)一步發(fā)展，已經(jīng)挖掘出來(lái)的風(fēng)格因子有：估值因子、成長(zhǎng)因子、財(cái)務(wù)質(zhì)量因子、盈利能力因子、杠桿因子、規(guī)模因子、動(dòng)量因子、換手率因子等。
WorldQuant在2015年發(fā)布文章《101 Formulaic Alphas》，通過(guò)具體因子公式公開(kāi)了101個(gè)價(jià)量因子，這可以看作交易型阿爾法體系的重要里程碑。2017年6月發(fā)布的券商研報(bào)文章《基于短周期價(jià)量特征的多因子選股體系》，文章構(gòu)建了191個(gè)短周期價(jià)量因子，更是將交易型阿爾法體系的研究向前推了重大一步。比如，價(jià)量背離、開(kāi)盤(pán)缺口、異常成交量等。
阿爾法體系本質(zhì)上就是挖掘因子阿爾法收益的過(guò)程，其目標(biāo)是不斷構(gòu)造出新的因子。AI阿爾法體系借助于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的最新技術(shù)能夠?qū)⑼诰蛞蜃拥娜蝿?wù)完成得更加高效。
本篇報(bào)告構(gòu)建的阿爾法體系中，總共構(gòu)建了282個(gè)因子，其中數(shù)據(jù)維度均為日頻率交易數(shù)據(jù)。本節(jié)中，我們對(duì)因子的構(gòu)建給出了詳細(xì)的定義方式，因子明細(xì)詳見(jiàn)附錄。
表1 因子明細(xì)預(yù)覽(部分)
注：包含282個(gè)因子的完整因子明細(xì)表請(qǐng)查看附錄，在這282個(gè)因子中，部分因子來(lái)自于WorldQuant，例如‘wq_41’對(duì)應(yīng)的即為《101 Formulaic Alphas 》第41個(gè)因子，同理，'gtja_9‘則為券商研報(bào)《基于短周期價(jià)量特征的多因子選股體系》第9個(gè)因子，以此類(lèi)推。BigQuant55 提供了多面向?qū)α炕顿Y的AI算法 (后續(xù)將發(fā)布各算法benchmark報(bào)告)，本文主要使用其中的 StockRanker 算法。StockRanker 是 BigQuant55 為選股量化而設(shè)計(jì)，核心算法主要是排序?qū)W習(xí)和梯度提升樹(shù)
StockRanker = 選股 排序?qū)W習(xí) 梯度提升樹(shù)StockRanker有如下特點(diǎn)：
StockRanker的領(lǐng)先效果還得益于優(yōu)秀的工程實(shí)現(xiàn)，我們?cè)趯W(xué)習(xí)速度、學(xué)習(xí)能力和泛化性等方面，都做了大量的優(yōu)化，并且提供了參數(shù)配置，讓用戶(hù)可以進(jìn)一步根據(jù)需要調(diào)優(yōu)。
如下是一個(gè)AI策略主要流程的示意圖：
圖1 AI策略開(kāi)發(fā)流程圖
BigQuant55 對(duì)AI策略開(kāi)發(fā)做了抽象，設(shè)計(jì)了如下開(kāi)發(fā)流程 (以 StockRanker 算法為例，也可以使用其他算法)：
本文的目的是用AI找出在A股有效的因子，實(shí)驗(yàn)設(shè)計(jì)如下：
本節(jié)，我們將對(duì)AI阿爾法體系進(jìn)行實(shí)證回測(cè)分析，其中StockRanker AI策略相關(guān)參數(shù)設(shè)置如下：
我們一共對(duì)282個(gè)財(cái)務(wù)因子、基本面因子、交易型因子做了因子有效性測(cè)試，驗(yàn)證其在2016年1月1日至2017年7月18日的策略表現(xiàn)。我們會(huì)從關(guān)鍵幾個(gè)指標(biāo)對(duì)這282個(gè)因子做總體描述性介紹，然后通過(guò)按時(shí)間段劃分和按因子周期劃分，分析夏普比率靠前的20個(gè)因子。接下來(lái)，我們選取若干有效因子進(jìn)行因子收益挖掘能力對(duì)比，檢查AI阿爾法體系較之于傳統(tǒng)阿爾法體系而言，是否在因子收益挖掘方面具有明顯優(yōu)勢(shì)。然后，我們對(duì)持倉(cāng)組合進(jìn)行因子風(fēng)格暴露分析，驗(yàn)證其因子收益預(yù)測(cè)一致性。最后，我們按因子周期分類(lèi)，分別對(duì)各個(gè)周期上表現(xiàn)最好的因子進(jìn)行交易成本敏感性統(tǒng)計(jì)。
夏普比率、年化收益率、最大回撤、策略波動(dòng)率是衡量一個(gè)策略的最主要的幾個(gè)關(guān)鍵指標(biāo)。我們從這四個(gè)維度來(lái)對(duì)本文全部282個(gè)因子進(jìn)行分析，從整體上把握所有因子的表現(xiàn)。
表2 所有因子在短期、中期、長(zhǎng)期的因子測(cè)試匯總表
圖2 夏普比率分布圖
圖3 年化收益率分布圖
圖5 收益波動(dòng)率分布圖
策略收益率在不同的時(shí)間段會(huì)受市場(chǎng)環(huán)境有明顯的影響，不同的年份策略表現(xiàn)也會(huì)有顯著差異，表7到表10是以夏普比率排序，羅列出的不同時(shí)間段表現(xiàn)優(yōu)異的因子。
2016年前20因子
表7 2016年前20因子
2017年前20因子
表8 2017年前20因子
2016-2017前20因子
表9 2016?2017前20因子
因子可以分為短期因子、中期因子和長(zhǎng)期因子，因子周期的差異也會(huì)影響策略收益率，表10到表12為不同長(zhǎng)度周期中表現(xiàn)優(yōu)異的因子。
短期因子
表10 短期因子
中期因子
表11 中期因子
長(zhǎng)期因子
表12 長(zhǎng)期因子
和傳統(tǒng)阿爾法體系及交易型阿爾法體系一樣，AI阿爾法體系也是對(duì)于因子收益的挖掘，其根本目的是通過(guò)因子篩選出優(yōu)異股票，從而獲得超額收益。本文以2016年表現(xiàn)優(yōu)異的市值因子和2017年表現(xiàn)的市凈率因子為例，簡(jiǎn)單地對(duì)比了傳統(tǒng)阿爾法體系和AI阿爾法體系對(duì)于因子收益挖掘能力，發(fā)現(xiàn)AI阿爾法體系對(duì)于因子收益的挖掘能力更強(qiáng)。
為保證策略的可比性，我們需要擬定比較基準(zhǔn)，除了運(yùn)用的策略算法不一樣，其他條件應(yīng)保持完全一致。因此，為比較AI阿爾法體系和傳統(tǒng)阿爾法體系在因子挖掘能力的差異，我們的策略算法都采取相同的平均持有天數(shù)，以及相同的持倉(cāng)股票數(shù)量。
2016.01-2017.07 市值因子對(duì)比
2016.01-2017.07 市凈率因子對(duì)比
具體策略指標(biāo)，請(qǐng)看表13。
表13： 對(duì)比結(jié)果匯總
可以看出，就小市值而言，StockRanker AI策略和傳統(tǒng)阿爾法策略一樣，2016年表現(xiàn)優(yōu)異，但是2017年風(fēng)格突變，兩策略紛紛失效，符合市場(chǎng)基本狀況。從年化收益、夏普比率、最大回撤、收益波動(dòng)率這幾項(xiàng)指標(biāo)都可以看出，StockRanker AI策略在兩個(gè)階段都比傳統(tǒng)阿爾法策略好。就市凈率因子而言，該因子在2016年和2017年表現(xiàn)都不錯(cuò)，從幾項(xiàng)策略指標(biāo)而言，其效果也比傳統(tǒng)阿爾法策略好。
在2016年小市值因子表現(xiàn)優(yōu)異，2017年市凈率因子表現(xiàn)優(yōu)異。接下來(lái)，將各個(gè)時(shí)間段上表現(xiàn)優(yōu)異的因子單獨(dú)拎出來(lái)進(jìn)行對(duì)比。
藍(lán)線是StockRanker AI策略的收益率曲線，黑線是傳統(tǒng)小市值策略的收益率曲線，可以看出在2016年，AI阿爾法體系下的Atockranker AI策略較傳統(tǒng)小市值策略而言，因子收益挖掘能力大概是兩倍以上，兩者走勢(shì)相關(guān)性很高。
同上，藍(lán)線是StockRanker AI策略的收益率曲線，黑線是傳統(tǒng)市凈率選股策略的收益率曲線，在2017年上半年，AI阿爾法體系下的Atockranker AI策略較傳統(tǒng)市凈率選股策略而言，因子收益挖掘能力大概是兩倍以上，并且策略穩(wěn)定性更強(qiáng)，回撤也較小，收益曲線更加平滑。
風(fēng)格因子暴露分析屬于風(fēng)險(xiǎn)分析的一部分，與收益分析、組合優(yōu)化共同組成了Barra風(fēng)險(xiǎn)結(jié)構(gòu)模型的主體框架。風(fēng)險(xiǎn)分析也可以用來(lái)作為檢驗(yàn)因子策略一致性的重要依據(jù)。比如在挖掘因子有效性的時(shí)候，發(fā)現(xiàn)該因子越小，收益越高，那么基于該因子開(kāi)發(fā)的策略。不管是傳統(tǒng)阿爾法體系策略、交易型阿爾法體系策略還是AI阿爾法體系，持倉(cāng)組合在該因子上的充分暴露將是因子潛力得到充分挖掘的重要佐證。
因子定義：20日成交量標(biāo)準(zhǔn)差
因子來(lái)源：券商研報(bào)第100個(gè)因子
因子定義：總市值升序排名
因子來(lái)源：基本面因子
因?yàn)橐蜃颖旧砭褪强偸兄迪嚓P(guān)的因子，因此持倉(cāng)組合在規(guī)模因子上風(fēng)險(xiǎn)暴露值很小也很好理解，策略?xún)A向于選擇小市值股票。這與傳統(tǒng)小市值策略是完全一致的，只是AI阿爾法體系對(duì)其收益的挖掘更加充分。
因子定義：市凈率升序排名
因子來(lái)源：財(cái)務(wù)因子
市凈率為每股股價(jià)與每股凈資產(chǎn)的比率，屬于價(jià)值因子，因此市凈率因子對(duì)于股票的選擇應(yīng)該聚集在價(jià)值型公司股票中。從風(fēng)險(xiǎn)暴露來(lái)看，持倉(cāng)組合在規(guī)模因子上數(shù)值很大，即傾向于規(guī)模很大的股票，一般而言，價(jià)值型公司確實(shí)是這類(lèi)股票。同時(shí)，該持倉(cāng)組合在市場(chǎng)因子和流動(dòng)性因子上風(fēng)險(xiǎn)暴露數(shù)值很小，這是因?yàn)閮r(jià)值型大市值公司的市場(chǎng)因子（貝塔值）很小。由于在 BigQuant55 平臺(tái)上，流動(dòng)性因子類(lèi)別有兩個(gè)子因子：換手率和當(dāng)日成交額占總市值的百分比，這樣就很好理解為什么市凈率因子策略選出的股票在流動(dòng)性因子上暴露很小。
本節(jié)，我們將考慮交易成本的敏感性問(wèn)題，以檢驗(yàn)策略可承受的交易成本（包括沖擊成本）的理論極限空間 。我們按長(zhǎng)期因子、中期因子和短期因子進(jìn)行分類(lèi)分析，并以各個(gè)周期內(nèi)夏普比率最高的因子作為代表因子，分析其對(duì)交易成本的敏感性，其中，短期因子以‘grja_100’為例，中期以‘rank_market_cap_0為例’，長(zhǎng)期以‘rank_pb_lf_0’為例。
注：數(shù)字1-8表示交易成本逐漸增加，具體見(jiàn)表格14，買(mǎi)入費(fèi)用和賣(mài)出費(fèi)用都是成交金額的百分比，以下同理。不同交易成本設(shè)定下長(zhǎng)期因子策略績(jī)效統(tǒng)計(jì)：
表14 長(zhǎng)期因子策略績(jī)效統(tǒng)計(jì)
從結(jié)論來(lái)看，隨著設(shè)定的交易成本不斷增加，策略的夏普比率、年化收益率在逐漸下降。由于因子周期越短，調(diào)倉(cāng)頻率越高，策略對(duì)交易成本越敏感。對(duì)于持倉(cāng)較短，調(diào)倉(cāng)較為頻繁的短期因子，其受交易成本影響非常明顯，交易成本的改變會(huì)使得一個(gè)完全盈利的策略變成虧損的策略，尤其是在市場(chǎng)下跌的時(shí)間段。
本篇報(bào)告創(chuàng)造性地將機(jī)器學(xué)習(xí)這項(xiàng)人工智能技術(shù)應(yīng)用在金融量化交易領(lǐng)域，構(gòu)建出了能夠挖掘因子非線性阿爾法收益的AI阿爾法體系。其中，較之于傳統(tǒng)阿爾法體系選股策略和交易型阿爾法體系選股策略，我們的超額收益不僅來(lái)源于更為復(fù)雜的StockRanker AI算法，同時(shí)來(lái)自于基本面因子、財(cái)務(wù)因子、交易型因子的更豐富地組合構(gòu)造。
本篇報(bào)告對(duì)282個(gè)因子進(jìn)行了驗(yàn)證測(cè)試，發(fā)現(xiàn)了一部分能夠到來(lái)超額收益率的因子，比如在2016年的總市值排序因子和2017年的市凈率排序因子，他們對(duì)于收益率的挖掘比傳統(tǒng)阿爾法體系的選股策略更加充分。此外，還捕獲了一些收益不錯(cuò)的短周期因子，比如券商研報(bào)的第100因子（20日成交量標(biāo)準(zhǔn)差），該因子帶來(lái)了65%的年化收益。通過(guò)不同類(lèi)型因子、不同周期因子的組合，相信能夠獲得一個(gè)資金曲線更為平滑、同質(zhì)性極低的策略組合。此外，本文還發(fā)現(xiàn)，除了短周期因子對(duì)交易成本比較敏感之外，中長(zhǎng)期因子對(duì)交易成本并不敏感。
雖然本文得出不少成果，但依然存在改進(jìn)空間。例如，本文未對(duì)因子進(jìn)行相關(guān)性檢驗(yàn)以及并沒(méi)有測(cè)試AI阿爾法體系對(duì)多因子收益的挖掘效果，本文未進(jìn)行風(fēng)險(xiǎn)中性行業(yè)中性地調(diào)整，這將成為我們下一期報(bào)告分析的重點(diǎn)。不僅如此，在下一期報(bào)告，我們還將測(cè)試AI阿爾法體系尤其是短期因子的策略容量以及構(gòu)建多因子阿爾法體系。
聯(lián)系客服
