红海还是蓝海？

总之，指数增强策略，选择一个“优秀”的指数作为对标指数，使用多因子挖掘、机器学习等先进算法作为手段，不断探索、迭代升级策略模型，力争做出超额收益、比对标指数更“优秀”。

路漫漫其修远兮，吾将上下而求索。

科普帖——

“基于多因子框架与机器学习

的量化指数增强策略框架”

量化投资方法，是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。是一种方法论，有两个同等重要的维度：投资逻辑、数理模型。原则：简单、通用、稳定、合理。

那就需要先解释下什么是“alpha”什么是“beta”，不是跟舒克一起开飞机的贝塔。

alpha：表示超越市场基准指数的非系统性收益或风险；

beta：表示基准指数的收益或风险；

那么：指数增强产品收益 = beta收益（选择一个“优秀”的基准指数） + alpha收益（做出超额，即比基准指数“更优秀”）

举个简单的例子，我们要预测明天哪些股票会比另外的股票涨得多，要怎么预测呢？

我们既可以通过公司的财务指标，比如净利润、利润增速、负债、周转率等进行分析；也可以通过股票的行情走势，形成技术指标，比如均线、布林轨等进行分析；还可以整理、汇总市面上的分析师、股吧等等对这只股票的舆论等进行分析。这些“因素”，就是“因子”。一个因子，反映了股票的一个维度的信息。

咱们的“多因子模型”涵盖了千余个因子，从方方面面，从各个角度对股票特征进行反应和度量，综合起来预测股票未来一天或几天的价格走势。

往细致了说，这里涉及两个技术层面的问题，一个是如何挖掘出有意义有价值的因子，即如何挖掘出对未来股价有预测能力的因子；一个是如何持续追踪因子效果，从因子池中排除无效因子。前者称为“因子挖掘”，又可按照挖掘手段分为“人工挖掘”、“机器学习GP算法自动挖掘”等；后者称为“因子每日监控”或者“因子出库标准”。

从定性的“因子覆盖率”、“因子时序IC”、“因子IC分布”、“因子IC衰减”、“quantile换手率”、“quantile收益率”、“quantile净值曲线”、“最大回撤图”；定量的“因子IC均值”、“因子ICIR”、“group 10收益率”、“group 10换手率”、“group 10最大回撤”、“group 10夏普率”、“group 10胜率”等，对因子效果进行度量，判定因子是否能达到入库标准。

 “因子每日监控”图例，成长类因子效果：

图中画出了看因子本周IC、上一季度IC、上一年IC、全量IC，用以持续跟踪因子效果。

数以千计的因子，相当于数以千计的度量股票状况的维度，如何把它们有效的整合到一起呢？

首先想到的，等权，全部等权，再相加。嗯，这确实是一种方案。但这些因子彼此之间存在着或多或少的相关性，几个彼此相关性高的因子应该弱化其中每个单一因子的权重；对未来股价预测能力更高的因子，应该强化其权重。

机器学习算法，源于自然科学领域，研究的是怎样使用计算机模拟或实现人类学习活动，是人工智能中最具智能特征、最前沿的研究领域之一。可以尝试用机器学习算法，“学习”过去各个因子对股价的预测能力，以及它们彼此之间的关系，外沿出各个因子未来对股价有多大的预测性能。

    例如：

指数增强策略，指数增强策略与股票多头策略有何差异呢？或者说，与广大基民朋友熟悉的选股型公募基金有何区别呢？

从原理上讲，“指数增强”，顾名思义，需要控制其与对标指数的跟踪误差。往往持股数量达到数百只甚至上千只，追求：既“像”对标指数（benchmark），又能一点点的，日积月累的超越对标指数。而股票多头策略，无需控制与任何指数的偏离程度，往往持股数量较少。

那么，怎么做到控制与对标指数的跟踪误差呢？这在数理上，是一个解待约束条件的最优化方程问题。最大化预估超额，同时将行业、风格等方面与对标指数的偏离程度作为不等式的限制条件。常规来说，需要控制“行业”与“CNE5-10barra风格因子”的偏离度。

图示以某交易日横截面数据行业偏离度、近2年“CNE5-10barra风格因子”持仓组合与对标的中证500指数时序偏离度为例。前者控制4%偏离度，后者控制1.5倍标准差偏离度。

数据来源：通联数据，新湖巨源

(本资料中的各种信息和数据等仅供参考，并不构成销售要约，或买入任何证券、基金或其它投资工具的建议。)