2024年金工团队的探索与实践：解码量化投资

量化选股系列

高频数据和处理软件介绍:KDB+是国外著名软件，学习曲线陡峭;DoiphinDB是国内自主开发软件，广泛应用头部金融机构。

分钟因子逻辑主要是错误定价、承担风险溢价;因子类别有收益率分布、成交量分布、残差波动率、量价相关性等。

量价特征按照算子-数据-参数的形式转化为公式树结构，借助其结构拓展性生成新的量价特征，通过反复进化,筛选得到优质因子。我们使用了传统因子构建量化选股模型作为基准模型，并将遗传规划因子加入模型，构建综合量化选股模型:加入遗传规划因子的综合策略在样本外相比于基准模型获得21.24%的超额收益次日VWAP成交、交易成本双边千三)。

遗传规划适应度函数选择决定了种群进化的方向和量价因子构建的效果:使用年化收益/夏普比率作为适应度函数时挖掘效果最优算法结构优化可以提升种群多样化，进而提升因子挖掘效率:東搜索、家庭竞争和排挤算法三者组合的效果最优，因子多空组合年化夏普平均值相比于无优化算法时提升0.88。

对进化-筛选过程进行多进程并行运算，可以充分利用CPU多核资源。

中证系列指数每年两次定期调整，我们按照中证公司的官方规则进行调整预测，复盘预测准确率较高。今年以来沪深300ETF规模大幅扩张，截止2024年4月底规模已超过6000亿元;截止2024年6月12日，调入股票大部分累计收益为正。

价量因子跟小市值高度相关，小市值占优时价量因子表现均较好，小市值失效(2017年初-2021年初)时，价量因子也失效。估值、股息率因子整体上在震荡市和没有行情时超额表现较好。牛市期间，超额较少，市场不关心估值高低，特别是2013年创业板牛市、20192020年大盘蓝筹股的结构性牛市。没有行情时估值、股息率因子防守性较好，超额较好。震荡市估值、股息率因子的超额也较好。基本面因子整体上看有效性较强;主要回撤发生在2022年2023年)时，基本面因子均也大幅跑输。在控制市值行业暴露的最大化因子得分组合的超额收益看，2021年10月以后基本面因子就已经开始失效，2022年10月超额持续回撤，2023年11月超额开始反弹，未来或有望重新有效。

行业配置模型

2011年1月至2022年8月25日，复合模型:多头组合年化收器为26%，最头撤为28.11%，超额年化收益为20.90%，超额年度胜率为100%，月度胜率为67.14%。

基于映射法+组合优化法将行业指数组合转化为ETF投资组合。建立行业指数与ETF基金的映射关系:根据收益相近、成分股持仓相近的原则，建立行业ETF映射表。确定各ETF的持仓权重:以映射关系为基础，采用行业内等权配置或组合优化的方法，确定各只ETF的持仓权重。

量化择时系列

多头信号:主要产生于2011年10月、2012年1月初、2012年9月底、2013年6月底、2014年1月中旬、2019年1月初、2020年3月下旬、2022年3月中、2022年4月底、2022年10月中旬等市场底部位置。空头信号:主要产生于2015年4到6月、2018年2月初、2021年2月等市场顶部区域。拥挤度信号:主要集中于2011年4月下旬、2015年1月中旬、2015年6月中旬、2016年1月初、2017年4月中旬、2017年11月下旬。2018年2月初、2018年5月下旬、2020年2月底、2021年11月初等市场阶段顶部区域。

技术分析的基础是市场微观结构，从定量视角捕捉微观结构的变化，通过回测验证框架有效性，可用于行业轮动和行业择时。计算流通股本分布时，我们在传统方法基础上做了四点优化:(1)时间上来看短期投资者换手率更高。(2)空间上来看获利盘比亏损盘换手率更高。(3)改变日内价格分布假设。(5)利用level2数据优化。利用流通股本刻画市场抛压变化，滚动选择上行抛压较小的行业等权构建组合，可以稳定跑赢大盘指数。

基于流通股本分布模型提取特征用于行业板块择时。

超跌反弹信号:将符合以下三个条件的定义为触发超跌反弹信号(1)累计获利股本比例为10%以内。(2)当前价格和上方20%区间内累计股本分布不超过15%。(3)出现底分型。

平台突破信号:同时满足以下两个条件(1)当日换手率处于过去40个交易日的70%分位以内。(2)过去一周内获利盘比率提升30%以上。

价格本质上反应的是预期，行业数据的更新会影响市场对铜行业所处状态的判断，导致预期的变化，最终导致价格的变化。探索定价规律的方法为:观察在不同指标状态下做多铜价的表现。状态划分的步骤如下：

step1:对指标进行滞后一阶处理。以下游行业的产量数据为例，当月数据往往于次月中下旬公布。所以在t月底，我们实际上拿到的是t-1月的数据。此外，如产量、产能等一直上升的指标取其累计同比数据。

Step2 :在t时点，首先对t之前的时间序列进行低参数的HP滤波平滑。这是因为一些指标序列往往波动剧烈，从而导致信息解读结果的频繁切换。

Step3:划分当前(时点t)的指标状态，分为边际和绝对两类。若t点的值大于t-1点的值，则边际状态为“上”，反之为“下”。若t点的值排名最近24个数据点的60%以上，绝对状态为“高”排名40%-60%为“中”，排名40%以下为“低”

大类资产配置策略系列

资产价格的变动是受到经济、通胀、利率等一组共同的风险因子的驱动的，从因子角度出发进行配置可以做到更好地风险分散。

我们借鉴贝莱德的做法，通过因子资产化的方式，搭建了增长、通胀、利率、信用、汇率、流动性的宏观六因子体系。

解决了宏观因子应如何选择、高频因子怎样生成、因子暴露如何计算、宏观风险如何归因等核心问题。

宏观因子战术配置策略:每月计算资产的因子暴露矩阵，通过对宏观因子的方向性预测，在基准组合基础之上调整组合因子暴露目标，再通过最优化求解得到资产组合。宏观因子打分方法:将宏观因子的观点从上行至下行分为5档，表示宏观观点，随后为每档分数设定不同的调整系数。策略的效果取决于对于宏观预测的准确性。

宏观风险平价策略:借鉴桥水全天候策略的核心思想，将组合的宏观风险均匀地分布在各个宏观风险因子之中，使得每个因子对组合整体风险的贡献相等。策略优势:将组合面临的宏观风险均匀分配，能够减少组合面临极端宏观环境时造成的回撤。策略表现:2010年以来宏观风险平价策略年化收益为6.28%6，年化波动2.41%，最大回撤为-3.72%，夏普比1.48;同期资产平价策略年化收益为5.78%，年化波动2.5%，最大回撤为-4.92%，夏普比1.23.

总结:由于资产风险平价在利率和增长风险上的过高暴露，使得其在面对极端宏观情形时出现了一定的回撤(如2013年“钱荒”导致的股债双杀以及2015年的股市异常波动)。而相对于资产风险平价而言，宏观风险平价策略的宏观风险暴露更加均匀，回撤大幅降低，风险调整后收益提高。

报告节选：

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）