金母鸡量化教学场寻找市场中的Alpha

今天主要是向介绍Alpha的相关基本概念，以及寻找和检验Alpha的主要流程和方法。

一、什么是Alpha?

alpha是一个数学表达式，用来预测各种金融工具的未来走势。alpha同时也是对每种金融证券收益率的预测。如果用alpha反映每日每种金融证券收益率，同时每种金融证券的配置头寸比例与alpha成正比，则组合的回报率与标准差之比(也称为α的信息比率)可以达到最大化。

二、Alpha来自哪里?

如果数据永远不会改变那么就没有alpha。价格数据的变化反应并包含了信息，一个信息变化会导致alpha的变化。每个alpha都是一个表达式，其背后也对应了一个假设或者投资模式。例如：收盘价close这个alpha因子表达式，背后的假设就是股价越高未来收益越大。

市场中存在alpha是由于具有竞争目标的市场参与者之间的信息流不完善的结果。不同的短线、长线投资者之间理念不同且共存，每个投资者在市场中的行为都会合并产生模式。

因此Alpha就是一个表达式，其本质是一个信息流。如果投资组合中每只股票按照这个表达式的值作为投资权重比例并定期更新换仓就会得到一种投资策略，因此alpha也代表了一种投资模式/策略。

例如：收盘价close这个alpha因子表达式，背后的假设就是股价越高未来收益越大，以此因子构建组合的权重比例起始就是定期轮仓购买高价股的投资模式/策略。

三、寻找Alpha

一个非常复杂的系统会表现出某种程度的可预测性。市场不断诞生有效的alpha(投资模式)并随着资金的介入而逐渐缩小，直到其逐渐失效。但这一过程将在市场上引入/创造其它的模式，从而诞生新的alpha。良好的样本内性能无法保证良好的样本外性能。历史数据的校验越多，对alpha的信心越大，但基本市场结构的变化也会让alpha无法继续有效。因此，需要不断在对alpha的验证和使用之间权衡和尝试。

alpha可以根据交易周期分类为：

1、日内alpha：在某个事件后对仓位更新，例如跳空、涨停等

2、每日alpha：使用过去n天的数据对仓位每日更新

3、每周/每月alpha等，每周/每月对仓位更新

四、Alpha的来源

（1）Alpha的典型来源

价格/成交量

基本面

宏观数据

文本：如期刊、新闻、会议记录、社交媒体信息

（2）发现的alpha

Fama和French(1992)在CAMP模型的基础上增加了两个风险溢价，规模和价值，以解释股票回报率。规模效应表示较小的股票倾向于表现优于较大的股票。价值效应表示股票的市净率较高的股票在回报上有一个正的风险溢价。

Amihud和Mendelson（1986）记录了流动性较小的股票具有较高预期收益的流动性效应。

Pastor和Stambaugh(2003)专注于全市场流动性，衡量股票对总流动性的敏感性为“流动性β”。

Jegadeesh和Titman(1993)记录了股票动量效应，最近的赢家往往优于最近的输家。

考虑到这些alpha的高知名度，它们的夏普比率可能不会高，否则聪明的资金就会蜂拥而至，直到收益不再具有吸引力。

（3）有时alpha不是直接从信息模型中获取

1、风险因素模型：通过控制风险暴露或者消除某些因素的风险暴露来提高阿尔法

2、关系模型：某些工具可能导致或滞后于另一些工具，从而产生套利机会

3、微结构模型

五、组合Alpha

每个回报来源都来自一个风险源，因此任何投资组合都可以被看作是风险的组合。

两个投资组合的业绩差异来自于它们所利用的风险来源和回报的数量，以及它们在每个来源上的相对权重。每个alpha提供了一个新的收益来源，并进一步稀释了投资组合的风险负荷(假设它与投资组合中的风险正交)，从而降低了这些单个风险中任何一个对投资组合产生重大影响的可能性。

理想的投资组合将保持对任何一个广为人知的风险因素(Beta)的零负荷，以及对他所能发现的尽可能多的未知因素(Alpha)的非零负载。而搜索新alpha的过程中，需要不断拷证alpha的稀缺性/背后的逻辑/规模和持久性。

任何阿尔法或投资组合的风险都可以通过多样化来降低。值得注意的一点是，任何一个好的阿尔法都是试图分别选择赢家和输家去做多头和做空。但它并不总是100%的准确性。如果投资标的范围不够大应该做好止盈止损的预案。

此外，基本数据通常表现出明确的季度周期，而且价格量是统一的，如果模型包含来自许多不同类别的数据，则显着增加了模型的复杂性，并且模型变得更容易受到数据中的噪声的影响。