FinTech中國量化金融行業白皮書(2019)
隨着大數據、雲計算、人工智能對金融業的變革，傳統的金融業正與信息技術、數學模型、數據分析相結合，向量化金融發展。量化金融包含量化交易、量化研究、量化定價、量化風控等各個方面。實際上，量化金融已經存在很長時間，如量化投資在海外已經有三十多年的歷史，並且由於量化模型的紀律性和系統性，量化投資收益穩定，市場規模和份額不斷擴大，得到了越來越多投資者的認可。
金融科技在中國的發展階段，可以大致分爲早期信息化階段、互聯網階段、移動化階段、智能化階段和未來全面變革五個階段。目前金融行業已經逐漸邁入“智慧金融”階段，金融機構對科技人員、資源的投入逐漸加深。大數據、雲計算、人工智能等前沿技術將進一步改造金融行業營銷、風控、投研、投顧、產品創新、客戶管理等環節。
1、FinTech和量化金融市場介紹
金融科技，來源於國外“Fintech”一詞，即Finance+Technology的縮寫，沃頓商學院將其定義爲“用技術改進金融體系效率的經濟行業”。
金融科技在中國的發展階段，可以大致分爲早期信息化階段、互聯網階段、移動化階段、智能化階段和未來全面變革五個階段。目前金融行業已經逐漸邁入“智慧金融”階段，金融機構對科技人員、資源的投入逐漸加深。大數據、雲計算、人工智能等前沿技術將進一步改造金融行業營銷、風控、投研、投顧、產品創新、客戶管理等環節。
在互聯網技術逐步成熟的今天，以大數據、雲計算、人工智能爲代表的創新技術正正在席捲衆多傳統行業，金融業以其龐大的市場容量成爲市場焦點。這一次，技術創新的核心目標將聚焦於信用、風控、投資等多個領域。因此，技術創新對於金融業的影響將愈加廣泛和深入，這也是互聯網金融和金融科技(Fintech)的重大差異。
隨着大數據、雲計算、人工智能對金融業的變革，傳統的金融業正與信息技術、數學模型、數據分析相結合，向量化金融發展。量化金融包含量化交易、量化研究、量化定價、量化風控等各個方面。實際上，量化金融已經存在很長時間，如量化投資在海外已經有三十多年的歷史，並且由於量化模型的紀律性和系統性，量化投資收益穩定，市場規模和份額不斷擴大，得到了越來越多投資者的認可。
量化金融分析師從事行業非常廣泛，包括投資銀行、基金公司、券商金融工程、資產管理公司、私募公司、Fintech公司等。工作職能包括量化研究、量化交易、量化風控、數據結構和算法、系統開發和運維、模型和諮詢等。根據Glassdoor統計，美國量化分析師的平均年薪已達到接近13萬美元。下圖展示了量化金融的行業和崗位分佈情況。
資料來源：券商研報
在國外，AI量化投資已經屢見不鮮。據調研公司 LCH 在今年初出具的調研報告，美國業績排前 20 的對沖基金，包括橋水基金、索羅斯基金，全部採用計算機根據算法自動交易。據國際基金評級機構 Morningstar 數據顯示，截止 2017 年 7 月，機器人投顧管理的資產將近 3900 億美元，而在七年前這項數字幾乎爲零。接下來的 10 年，機器人投顧管理的資產將達到 5 萬億美元。
在國內，根據Wind統計，2018年國內券商共有59家設有金融工程團隊，共發佈7425份研報，其中深度研報808份，研報累計閱讀總量超過24萬次。海通證券、天風證券、興業證券的金融工程團隊發佈的研報總量位居前三。
資料來源：Wind
縱觀目前階段下的金融科技創新方向，我們認爲，大數據、人工智能和區塊鏈將是繼互聯網/移動互聯網之後的Fintech發展的三大核心技術基礎。如大數據可以運用於大數據貸款、反欺詐、用戶畫像和精準營銷方面，人工智能可以運用於智能客服、智能投顧、智能風控等，區塊鏈技術可以運用於對賬與結算、電子合同、智能合約等。除此以外，還有云計算、數據庫、爬蟲技術等，都將對金融業產生進一步的變革與創新。
人工智能在金融領域中的應用，相較於大數據而言的核心突破在於深度學習、智能分析和智能決策。大數據、雲計算、智能硬件以及後續的區塊鏈技術等都是支撐人工智能上層技術的基礎。在金融領域，人工智能主要有以下四類應用：①自動報告生成，②金融智能搜索，③量化交易，④智能投顧。
自動報告生成技術主要使用自然語言處理技術，廣泛運用於投資銀行、證券研究。在量化交易中，常運用機器學習、自然語言處理、知識圖譜等作爲量化策略的輔助。在資產管理行業中，智能投顧得到了越來越廣泛的應用。
作爲量化金融從業者，不僅需要過硬的編程技術和數學基礎，更重要的是對金融市場的深刻理解，否則無論數學、編程多厲害，很可能在做無用功，不能得到好的效果。量化金融行業需要的是編程、數學和金融兼修的人才，因此如何進入量化金融行業是許多純金融或純理工背景的從業者感興趣的話題。在這裏我們推薦的量化金融的入門書籍有：《Python金融大數據分析》、《Python金融實戰》、《Python金融數據分析》、《Algorithmic Trading》、《信號與噪聲》等進行學習。此外，如果時間比較緊張，也可以通過報名量化金融分析師AQF課程進行系統性的學習，該證書目前爲量化金融領域較爲權威的水平認證證書，該證書可作爲量化金融職業能力考覈的證明，以及專業技術人員崗位聘用、任職、定級和晉升職務的重要依據。 >>>點擊諮詢AQF實訓課程相關問題
(點擊上圖瞭解課程詳情)
2、量化金融產品發展
量化投資在海外已有三十多年的歷史，而國內量化基金的發展則明顯滯後。在2010年之前，國內量化基金市場發展緩慢，公募基金產品以指數型基金爲主，私募產品主要包括ETF套利和封轉開套利等。量化基金真正爲國內投資者所關注是在2008年金融危機期間，由於美國次貸危機，加上國內期指推出預期，許多海外量化從業人員歸國尋找發展機會，爲市場提供了大量專業化人才。到了2011年之後，量化基金開始快速發展，隨着量化選股和多因子體系在國內落地以及股指期貨和融資融券推出，公募基金中指數增強和主動量化型產品增多，量化對沖類產品如期現套利型產品得到快速發展。但2015年6月股指期貨受限、保證金比例提升，使得量化對沖類策略受到了比較大的衝擊，基金管理人開始向其他方向拓展，促進了如CTA、期權策略、FOF等量化產品的豐富。此外，商品期權、原油期貨等衍生品陸續上線，量化基金開始從原來的低風險量化對沖策略轉向主動量化策略。 截止2018年9月，國內私募量化基金管理規模估算約2000億元，公募量化基金(不含被動指數型基金)產品規模約1200億元。
資料來源：券商研報
截至2018年三季度，國內量化私募產品主要集中在市場中性策略、CTA策略、指數增強策略。
資料來源：券商研報
在Institutional Investor’s Alpha發佈的全球對沖基金百強名單中，管理規模前10名中有多家機構以量化交易而出名。海外對沖基金中，量化策略規模佔比估算約20-30%，與國內目前量化基金佔比只有6%而言，國內量化基金仍有非常巨大的發展空間。長期而言，如果衍生品工具出現進一步的豐富和放鬆，可能是國內量化策略發展的重要拐點。
資料來源：券商研報
二、主流量化交易策略
1、資產收益的拆分
在介紹主流量化交易策略之前，需要先知道資產收益的拆分。資產收益通常可以拆分爲Beta收益和Alpha收益，Beta爲市場風險補償，Alpha則是投資組合的超額收益。JPMorgan將傳統的Alpha進一步拆分，其中將通過指數權重優化和選股優化等指數增強方式取得的超額收益稱爲Enhanced Beta，其中通過投資相關性較低的另類大類資產取得的超額收益稱爲Alternative Beta，剩下的Alpha收益纔是無風險的超額收益True Alpha。
資料來源：券商研報
一般來說，主動型量化策略往往有較高的夏普比率，但策略容量小、成本高，被動型或指數型量化策略則相反。不同的量化投資基金追求不同的風險和收益，因此量化投資策略極爲多樣化，在此我們分享一些主流量化交易策略。
2、統計套利交易策略
統計套利就是基於某投資品種歷史價格數據，尋找其價格規律，從而在一定概率上獲取套利機會。常見思路是找出相關性較高的兩個投資品種，根據它們之間長期均衡的協整關係，當價差偏離一定程度時，買入被相對低估的品種，賣空被相對高估的品種，等到價差迴歸均衡時平倉獲利。有別於無風險套利，統計套利是根據資產的歷史價格規律進行的風險套利，其風險在於資產間的這種協整關係在未來是否會繼續存在。
統計套利主要包含跨資產套利、跨市場套利等。以跨境ETF套利爲例，下圖爲iShares China Large Cap UCITS (FXC)跨境指數基金，該ETF的成分股爲香港交易所上市的按市值排名前50只中國股票，即投資紅籌股、大盤股。
資料來源：iShares
投資者既可以購買該ETF，也可以直接在香港交易所購買成分股。由於ETF和其成分股本質相同，因此ETF淨值和成分股淨值在長期應高度相關，存在協整關係。基於該協整關係，跨境ETF套利策略的思路爲，當ETF淨值和成分股淨值價差超過一定水平時，買入相對低價的一方，等到價差迴歸正常後平倉獲利。該ETF主要成分股及權重如下:
在量化金融分析師AQF中介紹了基於兩隻相關性較高的股票的配對交易策略。下圖左爲兩隻股票的收盤價走勢圖，可以看出兩隻股票價格高度相關;下圖右爲兩股票價差圖，當價差超過上限時買入低估股票，價差迴歸時再賣出獲利，如果市場可以做空則可以獲得雙向收益。
資料來源：量化金融分析師AQF項目
3、CTA交易策略
CTA全稱Commodity Trading Advisor，直譯爲商品交易顧問，一般指投資於期貨的資產管理產品，因此也常稱爲期貨管理基金。最早的CTA只投資於商品期貨，後來CTA產品也投資於股指期貨、期權、國債及利率衍生品等各類衍生品。
從全球看，目前CTA市場最主要的策略是系統化策略，也就是量化策略，系統化CTA基金幾乎佔全部CTA基金規模的90%。與國際市場不同的是，國內CTA產品中主觀策略類產品數量略多於量化產品，但無論是主觀策略產品還是量化產品，趨勢型策略的數量都要遠大於套利型策略。
資料來源：券商研報
根據Barclay Hedge統計，CTA市場規模在本世紀初經歷了井噴式發展，從1980至2016年，全球CTA資產規模從3億美元增加到3370億美元，特別是從2002年至2010年期間，CTA市場規模從500億美元迅速發展爲超過三千億美元。CTA市場的快速發展一個非常重要的原因是資產配置的需求，CTA與主流投資之間相關性非常低。根據巴克萊統計，CTA指數與SP500指數相關性極低，只有0.01相關，與債券的相關性是0.13，同時也擁有不錯的年化收益率與夏普比率，因此隨着資產管理規模的普遍擴大，尋求非相關的資產需求增大，CTA成爲很多資產管理者的配置方向。海外長期數據顯示，CTA策略與其他策略之間呈現出顯著低相關性。除與宏觀對沖、多策略等相關係數(分別爲0.64、0.34)偏高外，與其他策略的相關係數均在0.2以下。
資料來源：券商研報
下圖展現了兩個FOF組合的淨值曲線，投資組合A2爲“60%股票多頭+40%固定收益”，每年再平衡，投資組合B2爲“40%股票多頭+30%固定收益+30%CTA”，每年再平衡。可見加入CTA策略後FOF組合的年化收益率得到了明顯提高，年化波動率和最大回撤下降，夏普比率從原先的0.98提高爲1.52。
總體而言，國內CTA策略整體業績表現較好。2013年1月至2018年8月，CTA策略私募基金指數年化收益率達17.01%，位列各主要策略首位。相對於股票多頭策略而言，年化波動率和最大回撤均具有顯著優勢。夏普比例約爲2，體現了較好的風險收益比。但生存者偏差和選擇性披露因素可能導致CTA策略整體業績被高估。
資料來源：券商研報
根據估算結果，國內CTA策略私募基金在證券類私募基金中規模佔比約1.2%，遠遠低於海外CTA策略對沖基金10~20%的水平。國內部分知名CTA管理人名單如下。
4、事件驅動策略
事件驅動策略是在提前挖掘和深入分析可能造成股價異常波動的事件基礎上，通過充分把握交易時機獲取超額投資回報的交易策略。可以用於事件驅動策略的事件有很多，如CEO或CFO的變更、派息、拆股、回購、定增、指數成分股調整、大股東增持等等，此類事件的特點是具有較爲明確的時間和內容，能夠對部分投資者的行爲產生一定的影響，從而決定股價短期波動的因素。
例如高管增持事件，我們可以採用的一種策略是：在上市公司公佈高管增持公告後，立刻買入並持有一個月，回測該策略是否存在超額收益。
我們也可以對高管增持事件進行一定的優化，如可以增持公告前跌幅最大的一組股票，公告後30日的累計超額收益約爲5%，公告後60日的累計超額收益接近10%，其超額收益要比簡單的高管增持事件明顯。
資料來源：券商研報
對於公募基金業績披露事件，如果某隻股票被多數公募基金購買，則說明多數公募基金看好該只股票。根據業績披露事件，可以構建高共識大小盤組合，即流通市值排在前50%的重倉股池子中，選擇持有主動基金數目最多的前50只標的作爲高共識大盤組合。而流通市值排在後50%的重倉股池子中，選擇持有主動基金數目最多的前50 只標的構建高共識小盤組合。兩個策略的回測收益如下圖所示。
此外，我們也可以基於分析師評級作爲事件驅動策略，如選取中證800股票池中，持續6個月有分析師發佈含有目標價報告的股票。其思路是分析師持續發佈含有目標價報告，說明該個股長期被分析師看好，基本面較優良。同時該策略對分析師報告的數量沒有特別的約束，兼顧了大小市值的個股，對市場大小盤風格切換有較強的適應性。從策略回測收益來看，從2012 年至2018年，該策略年化收益超過20%，相對中證800 指數年化超額收益爲10.45%。從換手率指標來看，該策略的年化換手率在4.5%上下波動，說明該組合的成分股平均持股時間較長，是一個精選個股、中長期持有的投資策略。
資料來源：券商研報
非常多的事件爲傳統因子分析提供了低相關度投資組合的機會，但是研究成本過高(特殊數據庫、相關研究框架)阻礙了此前此類事件的研究。我們按照這種事件驅動思路實現了基於網絡爬蟲的券商評級事件驅動策略。通過爬蟲技術，跟蹤機構研報對個股的評級變化，當個股評級上調爲“強烈推薦”時作爲買入信號，等權持有股票一個月。該策略的回測效果如下：
該策略還可以進一步優化，如對分析師評級進一步分析，篩選出發佈研究報告後個股表現最好和最差的分析師，給表現好的分析師給予更多的配置權重，給表現差的分析師給予更少的配置權重甚至零權重，從而獲取更好的策略收益。
5、市場中性策略
市場中性策略是指同時構建多頭和空頭頭寸以對沖市場風險，從而構成獨立於大盤變動的股票組合。市場中性策略的通常做法是通過多因子模型選股確定多頭股票組合，同時用空頭股指期貨等進行對沖，構建Beta接近於0的投資組合，從而只保留基金的Alpha收益。
該策略在中國的私募基金中佔據了半壁江山，主要原因在於在中國牛短熊長，大部分時間處於熊市交易之中，構建市場中性策略則可以不受到大盤下跌帶來的影響，只要基金經理有較強的Alpha能力就可以獲得相對穩定的策略收益。但在應用該策略時，要注意使用股指期貨空頭時若股指價格貼水帶來的額外對沖成本。
6、指數增強策略
傳統投資策略一般分爲主動投資策略和被動投資策略，被動投資往往選擇跟蹤某一指數，風險較低。然而全完被動跟蹤指數往往收益也較低，因此指數增強策略(或稱Smart Beta、Strategy Beta、Enhanced Beta)受到了越來越多機構投資者的歡迎。指數增強策略是指在被動跟蹤指數的基礎上，通過主動管理的辦法如優化選股和優化權重，以達到獲取超額收益或降低風險的目標，即“增強”指數的效果。
指數增強基金是指數型基金髮展的新階段，從全球市場看，指數增強策略普及度不斷提高。根據ETF.com統計結果，截止2018年12月21日，美國有1025只Smart Beta ETF，總規模爲8239億美元;BlackRock預測到2020年，Smart Beta ETF的資產規模將達到1萬億美元。我國被動指數產品相較於海外市場比較滯後，從2006年華泰柏瑞紅利ETF發行，截止2018年11月27日，國內共發行了68只指數增強型產品，累計規模245億元。
指數增強策略從增強方式上主要有倉位控制(擇時)、優化加權、優化選股(多因子模型)三種，三種思路在實踐方式上都可以區分爲“主動”和“量化”。其中倉位控制就是分析大盤走勢，在上漲期間增加倉位權重，在下行過程中降低倉位以期獲得擇時超額收益;優化加權方法主要有等權重、最小方差、風險平價、最大分散度、基本面加權等;優化選股通常使用多因子模型在指數股票池中篩選預期收益好的股票以增加某些風險因子的暴露，比如我們以能顯著有效的區隔市場特徵的單一因子指標或多因子指標，如價值指標、成長指標、紅利指標、混合財務指標等，作爲選股依據，以此形成的組合能夠爲投資者提供暴露特定市場因子風險的工具，並相應獲得該因子的超額回報。
比如在A股市場等權構建的滬深300組合比真實的滬深300指數表現要好，一個很重要的原因是A股小市值因子效應特別明顯，長期來看小盤股相比大盤股有明顯的超額收益。這樣我們對組合的認識可以上升到因子層面，就可以選擇特定證券使組合盯住某一特定的風險因子，這也是Smart Beta的一種思路。
除了以上三種主流方法，指數增強策略也可以通過配合衍生金融工具或其他方式增強，包括打新、股指期貨、融資融券、期權、可轉債等。如中證500指數增強產品常通過買入股指期貨獲得基差收益，同時降低資金佔用率。
7、量化期權交易策略
不同於成熟的海外市場，我國期權市場纔剛剛起步。2015年2月9日，我國首個場內期權產品上證50ETF期權合約正式上市交易，標誌着我國資本市場期權時代的來臨。2017年以來，期權市場逐漸發展壯大，豆粕和白糖期權上市交易且流動性日漸提升，上證50ETF期權成交量快速增長，預計未來還會有更多的商品期權、金融期權品種上市。隨着期權品種數量的增加和流動性的提升，期權策略將會得到可觀的發展。
期權策略產品和CTA策略產品、事件驅動策略產品等一樣，和主流量化產品的相關度較低，有利於資產分散化投資。由於期權本身產品的複雜性，期權策略也是複雜多樣的。期權策略主要有期權合成套利、期權買賣平價套利、期權價值邊界套利、隱含波動率與實際波動率相對價值套利等，其中期權合成套利又包含了牛市價差、熊市價差、跨式期權、蝶式期權等等組合方式。
我們在此介紹一種基於50股指期權的Straddle波動率策略，策略思路爲，當波動率連續極度收斂時(波動率小於歷史波動率從小到大排序的10%分位點，因爲波動率低時，構建Straddle策略的成本低)，挑選成本最低的、至少晚於下一月到期的Straddle組合進行建倉。建倉後一直持有代漲至持有到期，或下跌超過單筆交易最大值的20%時，移動止損。該策略回測收益如下：
8、機器學習技術和基本面結合策略
許多人認爲機器學習技術是屬於量化分析的範疇，與基本面分析是截然不同的兩種分析方法，從而不可能有交叉的可能。然而實際上，機器學習技術也可以與基本面分析進行有效的結合。例如分析財務報表粉飾時，許多財務指標都可能預示公司財務報表可能存在粉飾情況，部分指標如下：
然而並不是所有指標都是有效的，使用機器學習技術，可以得出在分析上市公司年報是否粉飾造假的時候需要重點關注的幾個指標，從而進行後續的基本面分析。
9、大數據與輿情分析策略
隨着互聯網的快速發展，人類進入大數據時代，可供分析和使用的數據大量增加。海量數據成爲公司的基礎資產，例如，美國專門有一些公司，購買無人機去全國各地偵查，可能要比國家統計局都要更早的知道全國經濟發展的整體狀況，就可以提前基於這條信息進行交易獲利;再如用Google Map去看沃爾瑪的停車場，去判斷沃爾瑪公司的股價和整體經濟的消費水平。
在量化交易中，大數據與輿情分析策略使用NLP自然語言處理，對非機構化數據，如微博、twitter上的博文進行輿情識別和分析，從而作出投資決策。在大數據分析中，自然語言處理是最爲困難的問題之一，如“It’s interesting.”並不是在說我覺得這很有趣，而是在說，我搞不懂發生了什麼，這是怎麼回事。NLP技術針對英語已經相對比較成熟，對中文的研究也在迅速發展中。
我們來看一個基於Google Trends的大數據輿情分析策略，下圖爲策略回測，可見基於Google Trends的策略遠遠優於單純購買並持有。該策略的思想是，如果當週的“Debt”搜索量大於過去三週平均搜索量，則做空道瓊斯指數，持倉一週;如果當週的“Debt”搜索量小於過去三週平均，則做多道瓊斯指數。在國內，類似Google Trends的指數有百度指數等，可以作爲搜索引擎指數進行投資。
THE END