报告通过对10家量化私募的超额收益相关性分析,发现量价因子主导的量化模型存在高度同质化,且长期表现周期性强。基于机器学习构建三组量价因子组合,预测不同交易周期股票收益,结果显示多空组合在样本外表现趋同且受手续费影响显著。行业收益不显著,风格暴露呈周期性,长期负向流动性敞口和较大正向市值与动量敞口表明模型倾向持有流动性差的大市值股票,可能面临微观结构恶化风险。
图1(普通股票型基金超额收益与动量相关性)
展示了2010年至2020年期间,普通股票型基金指数的超额收益与动量因子收益的走势及相关度。红色动量因子曲线与蓝色基金指数高度同步,特别在2014~2016年间动量崩溃明显,揭示基金收益高度依赖动量风格,长周期相关达0.7以上,佐证趋同交易现象。
图2(私募量化指增超额收益相关性矩阵)
10家私募中证500增强产品超额收益相关性矩阵,矩阵中大部分相关系数在0.5以上,中位数0.6,表明私募产品间表现极度趋同,存在同质性交易风险。
图3(私募量化指增超额收益累计走势)
私募产品超额累积收益时间序列,多个私募表现走势高度重合,进一步说明实证量价模型在私募体系中广泛采用,存在共性市场风格。
图4(公募量化指增相关性矩阵)
公募同类产品相关矩阵较私募显著分散,相关性中位数0.4,较私募低,说明公募因交易限制采用更多差异化选股策略。
图5(公募与私募指增超额相关性)
公募与私募增强产品超额收益相关性较低,平均约0.3,反映两类产品模型和选股思路存在本质差异。
图6(量化选股模型框架)
线性加权与非线性机器学习模型和端到端深度学习模型技术路径示意,呈现不同模型间偏好和技术路线差异,说明本报告使用的是比较保守的机器学习方法。
图7(Beam Search示意)
遗传算法中Beam Search操作流程,演示从多个高适应度父代生成后代,获取局部最优解的过程,展示了算法对初始种群质量的敏感度及提升策略。
图8(PCA-Similarity示意)
三维立方体降维到二维、二维降到一维的过程示例,形象说明PCA降维提升相关性计算效率的原理。
图9(Family Competition示意)
家族内竞争机制示意,两对亲代A,B和C,D繁殖后代,新子代适应度若高于父代最高,替换父代,维持整体基因多样性。
图10-12(T1、T3、T5特征相关性分布)
显示三个特征集合内部相关度分布,说明生成的特征组相关性未完全稳定,说明后续机器学习模型在特征选择上有空间以提高鲁棒性。,9]
图13(机器学习因子合成框架)
展示多基模型融合(Random Forest、GBDT、MLP)的高层网络架构,说明复合模型策略提高预测准确率与泛化能力。
图14-16(不同周期样本外预测能力)
对数收益曲线表明1日预测表现最强,中证800+1000组合更稳定,沪深300表现次之,集成模型优于等权模型。
图17-18(费后收益)
扣除手续费后,中证800+1000组合仍保持正绩效,沪深300组合出现明显回撤,反映高换手率对手续费敏感性(费后负收益现象), 12]
图19(费后改进,筛选高预测值个股交易)
仅交易预测值超过95%分位个股显著提升沪深300样本外表现,表明策略聚焦极端预测信号能减少手续费损耗,提高净收益。
图20(行业收益周期性,无明显超额)
不同周期样本外行业超额收益波动,整体趋于零,表明量价模型主要不依赖行业选股。
图21-23(风格暴露周期性,敞口近零)
涵盖流动性、杠杆率、盈利质量、市值、动量等多因子,均呈明显波动周期,整体净敞口小,显示模型自身不稳定风格敞口特征,周期性暴露是风险特征。, 14]
图24(市值-流动性敞口差值与回撤关联)
该差值曲线与回撤时间点高度相关,反映持仓于低流动性大市值股票时,模型面临微观流动性恶化风险。该信号为量价模型的关键预警指标。
本报告并未涉及传统意义上的公司估值或估值模型计算,而主要针对量价模型本身的特征挖掘、预测与风险敞口的分析。因此,本报告中没有涉及如DCF、P/E或EV/EBITDA等估值方法,也无目标价或评级价格区间。
本报告系统揭示了中国量化私募量价策略的同质化现象,通过机器学习技术挖掘量价特征组合并多周期预测股票未来收益,验证了这些组合样本外表现的稳定性和高度一致性。量价模型表现出周期性行业收益缺失和周期性风格敞口,尤其是长期负向流动性敞口和正向大市值敞口及动量敞口组合形成了投资组合流动性风险的重要维度。该风险指标已在2021年中体现为超额回撤的警示信号。
图表分析从量价策略的收益波动、相关性矩阵到算法框架再到风格暴露等全方位展开,揭示了量价模型很难成为一套“躺着赚钱”的策略,面对手续费冲击和流动性陷阱,策略收益极具周期性波动风险。量价因子在私募范围内的风格化加剧了市场的拥挤风险,投资者应警惕其潜藏的周期性和流动性风险,合理降低策略的alpha预期,将其视为一种风格指数配置,而非稳健的收益源。
整体来看,报告在严谨的数据分析和机器学习技术支持下,为投资者提供了量价策略风险动态的深刻洞察,具有重要的理论研究和实际投资指导价值。
以上分析忠实基于报告内容,恪守客观分析原则,力求对每个论点、数据及图表做出详尽且深入解释,助力理解量价因子量化策略的本质与投资风险。
数量化专题报告:高频量价策略不等于躺着赚钱.pdf