20.3 量化交易

量化交易的出发点是把定期重复出现的基本面信息进行数量化定义，然后通过一个统计模型研究这些量化的基本面信息与标的价格或者标的收益率之间的关系。量化交易的核心理论是套利定价理论(Arbitrage Pricing Theory)，它是关于资产定价的一个通用理论。该理论认为资产的期望收益可以用众多因素以及市场指数的线性函数来解释，每一个因素的敏感性都用bela 系数的方式来表示。每一期模型计算得出的收益率都应该是正确的定价，如果市场价格偏离了模型的定价，那么套利行为将使其回归到模型的定价中(Stephen Ross,1976)。著名的五因子模型即可以看做套利定价模型的特例（Eugene Fama， Kenneth French , 2015) 。

自从华尔街的对冲基金Bridgewater 以及AQR 等广泛使用量化模型进行股票交易以来，量化交易在金融交易中得到了快速迅猛的发展，因素(也被称为因子)被分为不同的大类，不同的因素权重代表着组合不同的风险暴露。常见的因素大类有: 宏观类因素，价值类因素，动量类因素，基本面类因素，技术类因素，成长类因素等等。我们分别来举例看一下各大类因素都包含什么。

宏观类因素:指的是影响市场整体估值水平的因素比如国家的GDP 增长率，居民消费品价格指数CPI ， 工业品价格指数PPI ，采购经理人指数PMI ，失业率， 利率水平，国际投资净头寸(马宇， 2017) ， 区域金融发展不平衡度(李建伟， 2017) ，银行垄断水平(董华平、干杏娣， 2015，人口老龄化水平(马宇， 2017) 等。

价值类因素:指的是影响资产价值高低的因素，比如市净率、市盈率、市销率、Tobin Q 、EBITDA 乘数等。

动量类因素:指的是对未来资产收益率起到影响的资产收益率水平的强度，主要包括时间序列动量因素，即过去一个周期内资产收益率的高低水平;界面动量因素，即当期资产收益率的高低在同类资产中的排名情况。

基本面类因素:指的是影响公司整体质量和未来发展、营收状况的因素，比如总资产周转率、净资产周转率、存货周转天数、应收账款周转天数、负债比率、流动比率、投资强度、现金持有比率、商业银行的经营管理水平(董华平和干杏娣， 2015），企业所处省份的金融排除水平(李建伟， 2017) 等。

技术类因素:指常见的技术分析指标类因素，比如均线交叉、突破近期高低点、相对强弱指标、随机指标、成交量、能量潮、背离等等。

成长类因素:指代表公司成长水平的因素，比如销售增长率、毛利率市场份额增长率、单用户贡献等等。

量化定义好相应的因素后，传统的量化交易模型采用两种方法进行组合构建。第一种方法为打分法，即采用主观为因素分配权重，然后根据这一主观权重计算出每个个股的因素得分，最后排序，选择得分高的进入投资组合。

第二种方法为回归法，即按照套利定价理论的原理对因素和个股的收益率进行回归，得到相应的beta 系数，然后据此计算因子的风险滥酬并为个股进行打分排序，得分高的个股进入投资组合。打分法的操作比较简单，使用Excel即可完成，但是主观性比较强，需要打分者有丰富的经验和对市场偏好准确的判断。回归法相对比较客观些，但是由于影响股价的因素众多，容易导致因素不全的情况进而导致回归的可决系数R - Square 不够高，模型解释度不够好，从而影响最终的结果。回归法涉及的回归数量多，需要自行编写程序。

新兴的因素选股方法大量采用机器学习方法。比如基于贝叶斯先验信息的BlC - LOGIT 方法的原理是将因素库中的所有因素都代人Logit 回归模型，然后逐个剔除因素回归，得到每个模型的BIC 信息，然后判断出近期市场最偏好的因素是哪些，下一期使用这些因素进行选股。支持向量机的方法则是构建超平面，对所有的因素进行选择，看哪些因素比较有解释力，然后代入、模型中进行打分选股。由于本章只是提供量化交易的简单入门介绍，不能深入展开进行探讨，有兴趣的读者可以参阅《 Active Portfobo Management》 等书籍深入学习。