量化投资之多模型应用

今年以来股市将“冰火两重天”演绎的淋漓尽致，一边是成长股的野蛮上涨，另一边是大盘蓝筹的备受冷落，即使是成长股进入市梦率时代，即使是大盘蓝筹低于净资产。有人说，当前传统产业产能过剩，代表经济转型方向的股票更受欢迎。

然而，对于产能过剩的忧虑和对经济转型的期望历史上已有过多次，股市的表现也未曾有当前偏执。从量化的角度来看更是如此，以估值因子为例，在过去10多年里估值因子是比较稳定有效的，当然回撤时有发生，但像今年连续失效半年的情况还是非常异常的。再看成长因子，成长是投资者最渴望的，历史表现也不错，能够贡献较高的超额收益，但由于大面积伪成长时有发生，其稳定性确实是需要提防的。

动量和反转因子也是量化模型中经常使用的，大量的研究结果表明，A股市场存在着较强的反转效应，这可能与A股较为分散的投资者结构有关系，然而今年以来，市场呈现出极强的动量效应。以历史数据为准绳的量化投资，大多采用经过验证的因子构建多因子模型。对于单个量化模型来说，大多数情况下确实能够获得超额收益，但也不可避免地遭遇回撤。提高超额收益、减少回撤幅度是量化投资追求的目标。如何实现这一目标，第一个想到的是优化单一模型。首当其冲的是寻找长效因子，即超额收益高且回撤极小的因子。真的存在这种因子吗，回答是肯定的，但这种因子极为罕见。经过对A股历史数据的测试，发现流动性因子较为接近这一标准。流动性差的股票具有流动性折价，在流动性转好后将折价转换为超额收益。但问题是流动性差导致价格的可获得性变差，交易成本变高，因此能够容纳的资金量很小。还有一种普遍采用的方法是使用数学规划对选出的股票进行权重优化，使得投资组合收益（或相对基准收益）更具稳定性，优化效果是值得肯定的，但优化的边界是受到选股模型制约的。

首先，选股模型的主要因子暴露在优化后仍然保留，因为只有因子暴露才有因子收益，但当因子回撤优化后的组合一样回撤。其次，经过权重优化后，投资组合的收益会受到较大影响，因为大部分优化是以夏普比例、跟踪误差、因子分布等稳定性作为首要目标的，是需要牺牲一定程度收益的。对于单个模型的优化很难兼顾提高超额收益和降低回撤这两个目标，原因在于（1）组合在单个因子上的暴露是绝对而持续的，而具有可操作性的长效因子是极为匮乏的；（2）单个模型选择的股票是综合属性较好的，其实对每个因子来说都是次优选择，导致股票特性不强，牺牲了收益性；（3）组合的股票头寸层次性不强，单个模型捕捉的是市场中某一类投资机会，策略较为单一。

针对单一模型的问题，我们应该尝试多模型同时运作的模式。需要注意的是，每个模型分别捕捉市场中不同的投资机会，且均要有较高的超额收益，模型之间的相关性较低，组成的投资组合在各因子上的暴露不宜过大（或更接近于比较基准）。多模型运用如同木匠师傅的工具箱，榔头、钢锯、刨子一应俱全，各有各的优势又互相协作，整体不偏不倚。