◎ 投資要點：

　　股票量化策略。本文只探討?yīng)M義的股票量化策略——量化擇股+量化擇時，即：基于大體量的數(shù)據(jù)分析、利用科學(xué)方法形成數(shù)學(xué)模型、結(jié)合計算機技術(shù)構(gòu)建現(xiàn)貨組合，通過靈活的倉位調(diào)整實現(xiàn)穩(wěn)健收益。考慮國內(nèi)空券的非便利性，股票量化更多體現(xiàn)為多頭頭寸，這就使得國內(nèi)股票量化策略更多的是爭取相對指數(shù)的超額收益。

　　股票量化評價的特殊性?？紤]傳統(tǒng)產(chǎn)品評價思路與股票量化策略的實踐特點，對股票量化策略的評價可以沿著“凈值績效——>區(qū)分能力——>盈利模式——>風(fēng)格暴露”的鏈條進行，本質(zhì)上是為了逐步接近策略獲得收益的真實邏輯。

　　股票量化的風(fēng)險暴露分析。股票量化策略通常持股分散、換倉頻率較高，簡單的持股集中度和行業(yè)配置統(tǒng)計難以捕捉產(chǎn)品的真實風(fēng)險暴露。因此，有必要通過對高頻持股信息的整合，集中梳理產(chǎn)品在有限風(fēng)險因子上的暴露情況，了解產(chǎn)品主動頭寸的主要風(fēng)險暴露，進而推導(dǎo)產(chǎn)品適宜的行情，為風(fēng)險管理提供支持。本文以某私募資產(chǎn)管理產(chǎn)品B為例，從風(fēng)險暴露的視角探討其股票主動頭寸的損益。

　　1.股票量化策略

　　“量化”和“對沖”這兩組概念經(jīng)常成對被市場提起，實際上兩者并無必然聯(lián)系、也并非必須同時存在。在此前的《量化私募產(chǎn)品第三季——股票多空》中，我們探討的股票多空策略強調(diào)對沖技術(shù)的應(yīng)用，不區(qū)分現(xiàn)貨的主動或量化選擇。而在本文中，我們將更多的強調(diào)“量化”而非“對沖”。

　　廣義而言，任何運用到數(shù)理分析技巧的股票策略，無論多空，都可以被納入股票量化的策略范疇。依此，股票量化策略與股票多空、股票市場中性等策略容易產(chǎn)生重合區(qū)域，典型的如股票配對交易策略，利用統(tǒng)計套利的結(jié)果博取兩證券或多證券價格區(qū)間異常波動后的回歸，從手法上而言既可以納入股票量化，又可以納入股票多空。為了與此前的股票多空區(qū)分討論，本文重點探討非重合區(qū)域。

　　本文只探討?yīng)M義的股票量化策略——量化擇股+量化擇時，即：基于大體量的數(shù)據(jù)分析、利用科學(xué)方法形成數(shù)學(xué)模型、結(jié)合計算機技術(shù)構(gòu)建現(xiàn)貨組合，通過靈活的倉位調(diào)整實現(xiàn)穩(wěn)健收益。考慮國內(nèi)空券的非便利性，股票量化更多體現(xiàn)為多頭頭寸，這就使得國內(nèi)股票量化策略更多的是爭取相對指數(shù)的超額收益。當(dāng)然，假設(shè)基金投資者在市場強周期的起點購買股票量化產(chǎn)品，或者在弱周期中購買了超額收益足夠豐厚的股票量化產(chǎn)品，同樣可以實現(xiàn)絕對收益目標(biāo)，不過上述情景更多是偏理論的。

　　1.1.股票量化VS股票主觀

　　與市場上占比最大的傳統(tǒng)股票主觀策略(主要指傳統(tǒng)股票多頭主觀策略)相比，股票量化策略的優(yōu)勢體現(xiàn)在幾個方面：

　　1)覆蓋面廣。傳統(tǒng)股票主觀策略的投資標(biāo)的集中度相對較高，考慮到全市場全行業(yè)覆蓋的股票研究需要大量的人力物力，實現(xiàn)難度較大，投資經(jīng)理往往選擇較為擅長的某些行業(yè)或公司進行深入研究，包括公司的基本面、財務(wù)狀況、發(fā)展前景等多個方面，從而挖掘出具有投資價值的投資標(biāo)的；而對于股票量化策略，由于主要基于【海量數(shù)據(jù)(603138)、股吧】（603138）分析與模型構(gòu)建，并且是通過信息技術(shù)實現(xiàn)，可以對大量股票運用數(shù)量化方法篩選出投資機會從而構(gòu)建投資組合。因此與傳統(tǒng)股票主觀策略相比，股票量化策略的投資組合中往往投資標(biāo)的較為分散，個股倉位相對較低。

　　2)風(fēng)險分散與控制?；谏弦稽c，股票量化策略投資標(biāo)的的相對分散化同時也能帶來風(fēng)險分散的效果，由于單票在投資組合中的權(quán)重較低，組合受單票上漲或下跌的影響相對較小。此外，投資經(jīng)理在量化策略的模型構(gòu)建時，都會經(jīng)過大量嚴(yán)謹(jǐn)?shù)臄?shù)據(jù)測試，同時會在實際投資中設(shè)置合理的風(fēng)控指標(biāo)，開發(fā)成熟的系統(tǒng)可隨時監(jiān)控倉位變化，一旦出現(xiàn)異?？裳杆僮龀龇磻?yīng)。

　　3)投資收益穩(wěn)定。基于上一點，由于風(fēng)險分散與嚴(yán)格的風(fēng)險控制，股票量化策略受市場極端或異常情況的影響有限，投資收益相對較為穩(wěn)定。此外，與傳統(tǒng)選股策略相比，股票量化策略始終遵循一定的數(shù)理邏輯，從而有效的避免了主觀交易的弱點，即不易受投資者主觀情緒的擾動而做出非理性的投資決策，收益穩(wěn)定性相對較高。

　　與海外相對成熟的量化投資體系相比，國內(nèi)的股票量化投資起步較晚，初期策略構(gòu)建多為借鑒海外已有的成熟模型，并在此基礎(chǔ)上進行更加適應(yīng)中國資本市場的策略調(diào)整。在私募基金領(lǐng)域，不少投研人員為海外回國人士，策略普及速度遠(yuǎn)高于其他類型機構(gòu)。

　　2012年以來，國內(nèi)量化對沖產(chǎn)品進入高速增長階段，股票量化作為其中主要也是早期的策略分支，同樣經(jīng)歷了產(chǎn)品數(shù)量和規(guī)模的雙發(fā)展。2014~2015年，私募基金陽光化伴隨持續(xù)上漲的牛市行情進一步助推了包括股票量化在內(nèi)的所有策略的產(chǎn)品化進程，盡管在快速上漲的行情中股票量化絕對收益率中位數(shù)不敵股票主觀。2016年在熔斷、熊市的連續(xù)沖擊下，股票類策略整體表現(xiàn)平平，但相較于股票主觀策略，股票量化策略更顯穩(wěn)健。但在緊接著的2017年，市場風(fēng)格分化明顯，少數(shù)熱點白馬股上漲，“二八行情”長期持續(xù)的背景下，股票量化策略再度不敵股票主觀策略，遭遇難以盈利的尷尬，在與指數(shù)的對比中也是大幅跑輸基準(zhǔn)指數(shù)，原因可能是策略調(diào)整未追上行情切換以及因子收益思路與行情的誤匹配。2018年以來，市場連續(xù)下探，盡管收益均在水平線下，但股票量化風(fēng)險控制優(yōu)勢再次顯現(xiàn)，行業(yè)平均虧損較股票主觀而言有明顯優(yōu)勢。歷年統(tǒng)計結(jié)果顯示，股票量化較股票主觀而言業(yè)績波動范圍更窄，主要的優(yōu)勢在于穩(wěn)定而非搏高。

　　盡管對于2017年至今股票量化策略的表現(xiàn)能給出相應(yīng)的解釋，但市場對于股票量化策略的質(zhì)疑之聲迭出，質(zhì)疑多集中在對該類策略“趨同性”和“有效性”的擔(dān)憂。模型或多或少都采用了價值類、量價類等相同的因子是否使得量化投資空間太“擁擠”？依賴于相似的統(tǒng)計學(xué)方法來尋找Alpha收益來源是否會導(dǎo)致策略相似度太高？

　　為了驗證“趨同性”是否存在，我們分年度對2015~2018年上半年滿足條件的股票量化策略產(chǎn)品兩兩之間周收益率序列的相關(guān)性進行了統(tǒng)計，并取所有相關(guān)系數(shù)的平均數(shù)作為該年度相關(guān)系數(shù)情況。考慮到相同管理人發(fā)行的產(chǎn)品之間策略相似度較高的可能性較大，因此對于同一管理人僅隨機挑選一只產(chǎn)品進行統(tǒng)計。

　　統(tǒng)計結(jié)果顯示，從相關(guān)度的角度看，股票量化策略產(chǎn)品并非如大家所質(zhì)疑的一樣相似度很高，各年度同策略產(chǎn)品間的相關(guān)系數(shù)基本維持在0.2~0.3左右，處于較低水平，同時與股票主觀策略相比并非處于劣勢，相反，除了2017年之外，其相關(guān)度都要低于股票主觀策略。當(dāng)然，難以忽略的一點是，隨著行業(yè)進入者的增加，股票量化的相關(guān)系數(shù)是逐年增加的，而股票主觀則較早期有明顯下降。

　　當(dāng)然該統(tǒng)計也存在一定的缺陷，從表格中很容易看到，兩類策略的產(chǎn)品數(shù)量差異較為懸殊，股票主觀策略類產(chǎn)品數(shù)量遠(yuǎn)多于股票量化類產(chǎn)品，因此兩類策略相關(guān)系數(shù)的比較結(jié)果參考意義有限。

　　1.2.股票量化分類

　　在多空技術(shù)都允許的情況下，股票量化策略主要可以分為兩大類：量化選股和量化擇時，其中量化選股又可分為廣義多因子選股和技術(shù)分析選股等。

　　廣義多因子選股的主要邏輯是對證券/證券組合合理收益率的預(yù)測。當(dāng)前常見做法是在經(jīng)典定價模型基礎(chǔ)上做中國化延展。模型間的主要區(qū)別是因子的選擇、因子共線性等問題的處理技巧、因子組合方案等。本文將風(fēng)格輪動、行業(yè)輪動等模型視為對特定幾類因子的投資，納入廣義多因子選股，盡管其中蘊含了量化擇時技術(shù)。

　　技術(shù)分析選股的主要邏輯是基于市場資金行為對證券進行交易。當(dāng)前常見做法偏向圖形交易或主力資金跟蹤交易。模型間的主要區(qū)別是圖形/指標(biāo)交易習(xí)慣、盤口分析方法論等。隨著計算機量化的普及，圖形交易等思路已經(jīng)逐步通過計算機語言實現(xiàn)，并納入因子庫，這使得傳統(tǒng)的技術(shù)分析選股逐漸成為廣義多因子選股的一部分。

　　廣義多因子選股框架若要適用不同二級市場品種，如債券、商品期貨等，需要做較大的模型調(diào)整，因為不同品種的定價邏輯差異很大。即使同樣是股票品種，相同的因子對于不同的行業(yè)而言往往效果也是南轅北轍。而技術(shù)分析選股適用不同品種時，需要做的調(diào)整相對少，原因是研究標(biāo)的本質(zhì)上都是資金情緒與資金行為。

　　除此之外，輿情選股、機器學(xué)習(xí)等方法論近年來日趨火爆。我們理解，輿情選股本質(zhì)上是捕獲市場上關(guān)于特定股票的情緒與信息，是對多因子模型的補充，實際上我們看到很多大數(shù)據(jù)公募基金產(chǎn)品正是將輿情結(jié)論作為股票打分依據(jù)之一。而機器學(xué)習(xí)不是對選股信息源的補充，而是使得定價模型具有自適應(yīng)性。

　　關(guān)于T+0交易：許多T+0交易本質(zhì)上是統(tǒng)計套利，通過現(xiàn)貨基礎(chǔ)持倉或融券打通賣空路徑，觀察不同股票子組合(子組合可由單票構(gòu)成，也可由籃子股票構(gòu)成)之間的價差偏離情況，當(dāng)價差偏離到達(dá)一定閥值時，通過買賣組合操作實現(xiàn)對價差回歸的看法。前文我們提到統(tǒng)計套利屬于多策略重合區(qū)域，因此本文不做展開。

　　本文所指量化擇時是對現(xiàn)貨倉位或風(fēng)險敞口的高低調(diào)整。分析的依據(jù)豐富，包括宏觀基本面研究、中觀行業(yè)景氣度研究、流動性研究、市場情緒研究等。擇時的對象可以是大類資產(chǎn)，也可以是大類資產(chǎn)下屬的細(xì)分資產(chǎn)，或者是合成得到的資產(chǎn)。

　　量化選股與量化擇時并非始終可以完全切割，典型案例是在多因子選股中，因子賦權(quán)既是量化選股的構(gòu)成，也屬于廣義量化擇時。

　　1.3.深度學(xué)習(xí)選股策略

　　隨著機器學(xué)習(xí)理論與技術(shù)的日益成熟，其在量化投資上的應(yīng)用也越發(fā)深入。同樣是基于大量歷史數(shù)據(jù)構(gòu)建選股模型，傳統(tǒng)的多因子選股模型在模型搭建，尤其是因子選擇過程中包含較大的主觀成分，仍需依靠投資經(jīng)理對市場行情的基本判斷來預(yù)選因子，而機器學(xué)習(xí)選股模型與其的差異在于模型構(gòu)建與因子篩選過程主要依靠數(shù)據(jù)挖掘技術(shù)自動完成。

　　盡管目前機器學(xué)習(xí)技術(shù)在國內(nèi)權(quán)益市場投資上的應(yīng)用還處于起步階段，市場上仍以傳統(tǒng)的多因子選股模型為主，但也已有不少私募管理人將機器學(xué)習(xí)模型應(yīng)用到實際投資中。目前應(yīng)用較多的模型主要是相對較易實現(xiàn)的，例如決策樹模型。它主要基于歸納學(xué)習(xí)法的邏輯對數(shù)據(jù)進行分類和預(yù)測，其優(yōu)勢在于分類規(guī)則明確，邏輯關(guān)系簡單易懂，數(shù)據(jù)計算量相對較小，相對較容易實現(xiàn)。但這樣的優(yōu)勢同時也會帶來準(zhǔn)確度欠缺、穩(wěn)定性較差或過度擬合等問題。因此管理人會選擇將其作為輔助工具來應(yīng)用。

　　除了決策樹之外，還有其他更加復(fù)雜的機器學(xué)習(xí)選股模型，比如深度學(xué)習(xí)多因子選股模型(神經(jīng)網(wǎng)絡(luò)模型)。該模型主要通過對大量歷史數(shù)據(jù)(訓(xùn)練集)進行不斷的自學(xué)習(xí)以尋找輸入項與輸出項之間存在的內(nèi)在規(guī)律從而建立預(yù)測模型。模型的輸入項即為各類因子，因子種類與規(guī)模因子、動量因子、估值因子等傳統(tǒng)的選股因子無異，輸入因子的數(shù)量限制較小，而輸出項即為預(yù)測結(jié)果，例如未來股價的變動等。輸入項與輸出項之間不像傳統(tǒng)的多因子模型主要依賴線性方程，而是在輸入層與輸出層之間存在構(gòu)成網(wǎng)絡(luò)的若干個起輔助作用的隱藏層，相鄰兩層的每個神經(jīng)元之間都存在聯(lián)系，對神經(jīng)元之間關(guān)系構(gòu)成的參數(shù)確認(rèn)都是訓(xùn)練優(yōu)化的過程。其中，隱藏層的數(shù)量和每層神經(jīng)元數(shù)量等模型結(jié)構(gòu)參數(shù)需要提前確定，一般會選定若干候選參數(shù)組合或范圍，通過訓(xùn)練篩選出最佳模型結(jié)構(gòu)。

　　深度學(xué)習(xí)選股策略的核心在于對訓(xùn)練集數(shù)據(jù)的反復(fù)訓(xùn)練以獲得最優(yōu)模型，該策略的高效運行依賴于多個方面：

　　(1)模型涉及海量數(shù)據(jù)的處理與運算，對計算機等硬件設(shè)備、算法及其優(yōu)化的要求很高；

　　(2)考慮到對所有模型結(jié)構(gòu)組合依次訓(xùn)練而擇優(yōu)不實際，模型結(jié)構(gòu)的優(yōu)化一般采用網(wǎng)格搜索或隨機搜索等方法對提前選定的候選參數(shù)組合或范圍依次進行訓(xùn)練，選出最合理的結(jié)構(gòu)參數(shù)組合。因此，對模型構(gòu)建者選擇候選參數(shù)組合的經(jīng)驗及能力要求較高，最大程度對候選范圍的合理縮小可以大幅減少模型結(jié)構(gòu)參數(shù)確認(rèn)的訓(xùn)練次數(shù)從而提高運行效率。

　　此外，與傳統(tǒng)多因子選股模型類似的，大體量、高質(zhì)量的歷史數(shù)據(jù)是模型構(gòu)建的前提，因此原始數(shù)據(jù)異常值及缺失值的處理、因子標(biāo)準(zhǔn)化等預(yù)處理工作也是必須的。若策略需要，也可對模型進行行業(yè)中性等處理，即在訓(xùn)練集數(shù)據(jù)中將相關(guān)因子剝離從而減小行業(yè)輪動等情況對預(yù)測模型的影響。

　　深度學(xué)習(xí)多因子選股模型的優(yōu)勢在于：

　　(1)自學(xué)習(xí)能力強，自動化程度相對較高。雖然在模型結(jié)構(gòu)的初步構(gòu)建上仍需依靠一定的主觀經(jīng)驗確定結(jié)構(gòu)參數(shù)范圍，但結(jié)構(gòu)優(yōu)化及因子篩選過程均由計算機自動完成，因此與傳統(tǒng)多因子選股模型相比，該模型受主觀因素影響相對較小。

　　(2)優(yōu)化能力較強，容錯率較高。與傳統(tǒng)多因子選股模型相比，深度學(xué)習(xí)模型不局限于線性關(guān)系的構(gòu)建，引入了非線性關(guān)系的擬合，模型結(jié)構(gòu)復(fù)雜度更高，同時其有系統(tǒng)化、智能化的信息處理系統(tǒng)，在隱藏層的輔助作用下，若基于足夠的訓(xùn)練集數(shù)據(jù)，模型最終的擬合程度較好。

　　(3)對輸入選股因子的數(shù)量限制相對較少。對于傳統(tǒng)多因子選股模型來說，模型構(gòu)建前期就需要預(yù)選合適的選股因子，這也是模型包含主觀因素最多的部分，同時考慮到過度擬合的可能性，選擇因子數(shù)量不宜過多。而深度學(xué)習(xí)模型在輸出結(jié)果不變的情況下，模型無需預(yù)選因子，輸入層可包含的因子個數(shù)不受限制，甚至可達(dá)上百個選股因子，只需確定隱藏層和各層節(jié)點數(shù)量，模型會通過自學(xué)習(xí)進行因子篩選。當(dāng)然，深度學(xué)習(xí)模型不可避免地同樣存在過度擬合的可能性，可通過嵌入Dropout等技術(shù)在訓(xùn)練過程中降低模型的過度擬合。

　　同時，深度學(xué)習(xí)多因子選股模型也存在一定限制。最直接的就是該模型的運行需要更高要求的計算設(shè)備以及更多的運算時間，如何能在條件允許的情況下最大程度提高運算效率是策略開發(fā)者最關(guān)心的問題之一。此外，模型內(nèi)部網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性也使得模型的運行過程難以用常規(guī)經(jīng)濟學(xué)邏輯來解釋，因此相對于傳統(tǒng)多因子選股模型來說，該模型較難被理解。

　　2.國內(nèi)產(chǎn)品現(xiàn)狀

　　2.1.股票量化產(chǎn)品典型

　　如前所述，股票量化由量化選股和量化擇時兩部分構(gòu)成。從各家私募產(chǎn)品管理人的能力建設(shè)和績效結(jié)果看，目前國內(nèi)股票量化策略的能力稟賦主要在量化選股端，尤其是廣義多因子選股領(lǐng)域。常見的因子有貝塔因子、動量因子、規(guī)模因子、波動因子、成長因子等，每類因子可由多個描述性變量構(gòu)成。

　　從交易頻率看，國內(nèi)股票量化策略可分為低頻和中高頻，與使用的因子頻率關(guān)聯(lián)度較大。部分股票量化策略極大沿襲了原主觀投資的思路，注重低頻基本面因子的使用，換手率極低，年換手一般在5倍以內(nèi)；而部分股票量化策略注重多而全的因子組合，囊括常見的十余類因子，換手率一般，年換手一般在10倍以內(nèi)；還有部分股票量化聚焦于量價等高頻因子的組合，換手率偏高，年換手可達(dá)幾十倍甚至上百倍。在無對沖的情況下，盡管個股的系統(tǒng)性風(fēng)險始終存在，但通過不同性質(zhì)的因子組合可以有效降低市場行情對股票組合的不利影響。

　　以某私募資產(chǎn)管理產(chǎn)品A為例，該產(chǎn)品主打中高頻股票量化策略，以巨量數(shù)據(jù)和信息為支持，通過對價量、輿情等短期因素的把握，在2017年下半年連續(xù)把握了周期行情、次新行情、芯片行情等。盡管在2018年2月~3月的2次市場下跌中略有回撤，但回撤幅度遠(yuǎn)低于市場整體回撤，且由于較豐厚的超額收益積累，最終業(yè)績曲線較為穩(wěn)健。

　　觀察區(qū)間內(nèi)，產(chǎn)品A絕對收益28.76%，最大回撤-8.39%，夏普比率1.38，卡瑪比率2.92。

　　與同期其他股票量化產(chǎn)品相比，產(chǎn)品A的絕對收益與兩大性價比指標(biāo)——夏普比率、卡瑪比率均位列前10%分位，顯示產(chǎn)品在擁有較高風(fēng)險收益性價比的基礎(chǔ)上，創(chuàng)造了較好的絕對收益。

　　若將產(chǎn)品放入同期股票多頭產(chǎn)品對比，則產(chǎn)品的業(yè)績優(yōu)勢更為凸顯。除前述指標(biāo)外，最大回撤也躋身前10%分位，年化波動率的相對表現(xiàn)也有所提升，這表明產(chǎn)品A作為股票量化策略的典型，較傳統(tǒng)股票多頭而言，顯示了對風(fēng)險的更大關(guān)切。

　　2.2.股票量化評價的特殊性

　　國內(nèi)股票量化策略在實踐中雖然并行開發(fā)、儲備量化選股策略與量化擇時策略，但有限的對沖工具加重了對量化選股策略的關(guān)注，盡管在量化選股策略內(nèi)部依然無法回避局部擇時問題。這使得國內(nèi)股票量化策略往往主要表現(xiàn)為一籃子股票的頻繁換倉。考慮傳統(tǒng)產(chǎn)品評價思路與股票量化策略的實踐特點，對股票量化策略的評價可以沿著“凈值績效——>區(qū)分能力——>盈利模式——>風(fēng)格暴露”的鏈條進行，本質(zhì)上是為了逐步接近策略獲得收益的真實邏輯。

　　(1)凈值績效：經(jīng)風(fēng)險調(diào)整的超額收益

　　做空工具稀缺性使得國內(nèi)股票量化策略更多的是爭取相對指數(shù)的跑贏，超額收益自然成為衡量股票量化策略的重要指標(biāo)之一。

　　超額收益通常有兩種表達(dá)方式，一是直接扣減基準(zhǔn)收益以后的剩余收益率，即不做風(fēng)險調(diào)整的超額收益率；二是考慮產(chǎn)品收益率承擔(dān)的風(fēng)險，即做風(fēng)險調(diào)整后的超額收益率。其中對產(chǎn)品收益率做風(fēng)險調(diào)整既可以假定產(chǎn)品簡單剩余收益與風(fēng)險呈線性關(guān)系，也可以基于資本資產(chǎn)定價模型對產(chǎn)品做收益預(yù)期，我們選取前者做示例。

　　公式表達(dá)如下：

　　簡單超額收益是基于收益視角的單維尺度，對于多數(shù)專業(yè)投資者而言，風(fēng)險收益性價比指標(biāo)的應(yīng)用頻率很高，基于簡單超額收益的計算，延展開可以得到各類收益風(fēng)險比率指標(biāo)。由于強調(diào)的是相對基準(zhǔn)指數(shù)的能力，此時信息比率比夏普比率更適宜評價股票量化策略。

　　除了總體的超額收益率以外，還可以通過上行/下行捕獲率了解股票量化管理人在不同行情中的簡單超額能力。其中，上行捕獲率捕捉基準(zhǔn)收益率為正時，基金業(yè)績收益率均值與基準(zhǔn)收益率均值的比率。下行捕獲率捕捉基準(zhǔn)收益率為負(fù)時，基金業(yè)績收益率均值與基準(zhǔn)收益率均值的比率。上行捕獲率越大、下行捕獲率越小，說明投資經(jīng)理既可以把握上漲行情，又可謹(jǐn)慎處理下跌行情，簡單超額能力越好。

　　(2)區(qū)分能力：量化擇時+量化選股

　　國內(nèi)股票量化策略更多是多因子選股的思路，當(dāng)然，有時也疊加量化擇時模型。如前所述，多因子選股模型本質(zhì)上也無法回避局部擇時的問題，但為了更清晰的區(qū)分，我們將量化擇時界定為因子輪動以外的擇時，典型如對大類資產(chǎn)的擇時等。

　　據(jù)此，可以探討的一種分析路徑是，先對產(chǎn)品整體做擇時效果的評估，然后就權(quán)益?zhèn)}位部分做風(fēng)格暴露和行業(yè)暴露的測試，一則檢驗擇時模型的有效性，二則模擬接近投資經(jīng)理獲利的倉位暴露。

　　其中，對產(chǎn)品整體做擇時效果的評估，近似于衡量大類資產(chǎn)層面的配置收益，可參考我們此前發(fā)布的專題報告《私募基金配置/選擇分析的適用性思考》。

　　(3)盈利模式：頻率+能力

　　介于產(chǎn)品凈值與底層數(shù)據(jù)之間，可以通過策略表征了解產(chǎn)品的盈利模式。預(yù)期產(chǎn)品表現(xiàn)的一個經(jīng)典公式是，產(chǎn)品最終表現(xiàn)出來的信息率與投資策略的廣度、基金經(jīng)理的預(yù)測能力是相關(guān)的：

　　從策略表征看，股票主觀策略往往更強調(diào)預(yù)測能力的提升，通過對公司基本面與上下游產(chǎn)業(yè)鏈的深度挖掘等方式實現(xiàn)，通常表現(xiàn)為IC值較高、BR較低，也即高勝率、低頻率。而股票量化策略往往更強調(diào)交易機會的提升，通過擴大預(yù)測范圍、縮小預(yù)測間隔等方式實現(xiàn)，頻率的提升更有利于復(fù)現(xiàn)統(tǒng)計規(guī)律，因此表現(xiàn)為BR往往較高。

　　在常見的多因子選股模型中，主要的預(yù)測體現(xiàn)在對下一期因子表現(xiàn)的預(yù)測上，理論上可同時記錄下預(yù)測的結(jié)果與實際的結(jié)果，進而了解股票量化策略的IC與BR，知曉產(chǎn)品獲利的來源是頻繁的預(yù)測還是出色的預(yù)測能力。而不再僅僅基于產(chǎn)品最終的凈值曲線來評價。

　　當(dāng)然，要獲得管理人的“上述配合”在實操中是比較困難的，而且不少私募投資經(jīng)理也僅限于通過最終的業(yè)績曲線來確定和管理模型。

　　(4)風(fēng)險暴露：推導(dǎo)產(chǎn)品適宜的行情

　　股票量化策略通常持股分散、換倉頻率較高，簡單的持股集中度和行業(yè)配置統(tǒng)計難以捕捉產(chǎn)品的真實風(fēng)險暴露。因此，有必要通過對高頻持股信息的整合，集中梳理產(chǎn)品在有限風(fēng)險因子上的暴露情況，了解產(chǎn)品主動頭寸的主要風(fēng)險暴露，進而推導(dǎo)產(chǎn)品適宜的行情，為風(fēng)險管理提供支持。

　　2.3.股票量化的風(fēng)險暴露分析

　　我們以某私募資產(chǎn)管理產(chǎn)品B為例，從風(fēng)險暴露的視角探討其股票主動頭寸的損益。產(chǎn)品主動股票頭寸在觀察區(qū)間的凈值表現(xiàn)如下：

　　觀察區(qū)間內(nèi)，某私募資產(chǎn)管理產(chǎn)品B累計收益率10.17%，區(qū)間單日盈虧比為1，最大單日盈利為4.07%、發(fā)生在月中，最大單日虧損-3.01%、發(fā)生在月初。

　　頭寸的風(fēng)險因子主要有兩類，一是行業(yè)因子，二是風(fēng)格因子，以下我們就產(chǎn)品在上述兩類因子中的暴露做進一步分析。

　　 STEP1：觀察產(chǎn)品行業(yè)因子暴露

　　行業(yè)因子暴露方面，某私募資產(chǎn)管理產(chǎn)品B的主動頭寸在電子、汽車、非銀金融、銀行等行業(yè)上有明顯的正向暴露，表明產(chǎn)品B在上述行業(yè)中的配置較多。從觀察區(qū)間歷史看，經(jīng)歷期初的持倉調(diào)整后，產(chǎn)品B在電子、汽車、非銀金融三個主要行業(yè)上的暴露處于相對穩(wěn)定的區(qū)間，保持在0.1~0.2區(qū)間，顯示產(chǎn)品B在上述三個行業(yè)上的配置是相對穩(wěn)定的。

　　同時，產(chǎn)品B在主要行業(yè)暴露與次要行業(yè)暴露間的差異性是相對較小的，顯示產(chǎn)品B在有暴露的行業(yè)領(lǐng)域內(nèi)配置是相對均衡的。

　　值得注意的是，在這一步的分析上，對主動頭寸行業(yè)暴露的分析實際上與簡單的行業(yè)持倉分析結(jié)果給出的信息是一致的。前提是保持對沖工具是否納入分析的一致性，即同時僅分析現(xiàn)貨或者同時結(jié)合倉位中的對沖品種。

　　 STEP2：行業(yè)因子暴露的收益貢獻(xiàn)

　　行業(yè)因子收益貢獻(xiàn)上，對某私募資產(chǎn)管理產(chǎn)品B形成正向收益貢獻(xiàn)的行業(yè)因子主要是汽車、電子、非銀金融、計算機、銀行等。其中，汽車、電子、非銀金融的正向貢獻(xiàn)最為顯著，這是令人欣喜的，說明產(chǎn)品B在行業(yè)因子上的主要暴露也正是其行業(yè)因子收益貢獻(xiàn)的主要來源。

　　觀察產(chǎn)品B三個主要行業(yè)因子的歷史收益貢獻(xiàn)，發(fā)現(xiàn)在觀察區(qū)間內(nèi)，電子行業(yè)因子累計貢獻(xiàn)由期初的微虧逐漸轉(zhuǎn)正，最終累計貢獻(xiàn)近3%的收益率，與非銀金融因子近似。而汽車行業(yè)因子累計貢獻(xiàn)最大，超過5%。

　　 STEP3：觀察產(chǎn)品風(fēng)格因子暴露

　　風(fēng)格因子暴露方面，以本文搭建的七個風(fēng)格因子為例，私募資產(chǎn)管理產(chǎn)品B的主動頭寸在規(guī)模、估值、成長、非線性規(guī)模上的因子暴露為正，而在動量、波動、貝塔上的因子暴露為負(fù)。

　　從觀察區(qū)間歷史看，經(jīng)歷期初的持倉調(diào)整后，產(chǎn)品B在規(guī)模、估值、成長三個主要風(fēng)格因子上的暴露趨于穩(wěn)定。其中，規(guī)模因子暴露穩(wěn)定在1以上，表明產(chǎn)品B在規(guī)模上有明顯的正向偏離，偏好大規(guī)模個股，而在估值和成長上的正向偏離表明產(chǎn)品B偏好低估值、高成長個股。

　　注意：我們以因子模型解釋私募資產(chǎn)管理產(chǎn)品的風(fēng)險暴露，這些因子并不一定是投資經(jīng)理的收益因子，只是基于我方視角試圖解釋風(fēng)險的因子。

　　 STEP4：風(fēng)格因子暴露的收益貢獻(xiàn)

　　風(fēng)格因子收益貢獻(xiàn)上，對某私募資產(chǎn)管理產(chǎn)品B形成正向收益貢獻(xiàn)的風(fēng)格因子主要是動量因子、估值因子、波動因子，而形成負(fù)向收益貢獻(xiàn)的風(fēng)格因子主要是規(guī)模因子、貝塔因子。

　　令人沮喪的是，產(chǎn)品B在規(guī)模因子上有較大的正向暴露，而觀察區(qū)間內(nèi)該因子表現(xiàn)不佳。而同樣正向暴露的估值因子和成長因子在觀察區(qū)間內(nèi)也僅貢獻(xiàn)了相對微薄的收益。

　　產(chǎn)品B在風(fēng)格因子上相對成功的是：偏好具備反轉(zhuǎn)效應(yīng)的個股帶來了顯著的正向收益回報。

　　此外，特質(zhì)因子收益貢獻(xiàn)不佳表明產(chǎn)品B的選股能力并不如愿。

　　(感謝實習(xí)生余宏偉對本文的貢獻(xiàn))