[原]量化投資教程：股票持倉(cāng)組合優(yōu)化與多因子風(fēng)控模型

概述

本文將分享一些我在實(shí)際生產(chǎn)中使用風(fēng)控模型，并結(jié)合R語(yǔ)言代碼對(duì)模型構(gòu)建過(guò)程一一庖丁解牛。我們?cè)趯?shí)際構(gòu)建風(fēng)控模型時(shí)，結(jié)合自身業(yè)務(wù)特點(diǎn)，我們也基于多因子模型實(shí)現(xiàn)了一套行之有效的基金運(yùn)營(yíng)的風(fēng)控系統(tǒng)。

風(fēng)控系統(tǒng)架構(gòu)

簡(jiǎn)單分析

風(fēng)控系統(tǒng)中的簡(jiǎn)單分析是指針對(duì)策略持倉(cāng)的收益和風(fēng)險(xiǎn)做簡(jiǎn)單計(jì)算，不涉及財(cái)務(wù)或行業(yè)數(shù)據(jù)。我們也選用了常見(jiàn)的幾個(gè)簡(jiǎn)單分析指標(biāo)：

1. 夏普比率

表示每承受一單位總風(fēng)險(xiǎn)，會(huì)產(chǎn)生多少的超額回報(bào)酬。具體計(jì)算方法為 策略年化收益率?回測(cè)起始交易日的無(wú)風(fēng)險(xiǎn)利率策略年化收益率?回測(cè)起始交易日的無(wú)風(fēng)險(xiǎn)利率 / 策略收益波動(dòng)率 。

calcSharpeRatio <- function(neatMat){

        annualYieldRate <- calcAnnualYieldRate(neatMat)
        annualVolatility <- calcAnnualVolatility(neatMat)

        annualYieldRate / annualVolatility
}

2. 年化波動(dòng)率

用來(lái)測(cè)量資產(chǎn)的風(fēng)險(xiǎn)性。具體計(jì)算方法為 策略年化收益的標(biāo)準(zhǔn)差x $\sqrt{252}$。波動(dòng)越大代表投資組合風(fēng)險(xiǎn)越高。(年化波動(dòng)率的計(jì)算時(shí)間為252個(gè)交易日)

calcAnnualVolatility <- function(neatMat){

        dailyReturn <- neatMat[-1,"compoundReturn"] / neatMat[-nrow(neatMat),"compoundReturn"] - 1

        sd(dailyReturn) * sqrt(252)
}

3. 累計(jì)收益率

表示從投資開(kāi)始的預(yù)期收益率。具體計(jì)算方式為 截至分析日的資產(chǎn)凈值/初值（初值為1）。

calcCompoundYieldReturn <- function(neatMat){

    neatMat[nrow(neatMat),"compoundReturn"] / neatMat[1,"compoundReturn"] - 1

}

4. 最大回撤

描述策略可能出現(xiàn)的最糟糕的情況。具體計(jì)算方法為 min(策略當(dāng)日凈值/當(dāng)日之前賬戶(hù)最高價(jià)值-1)

calcMaxDrawbackSeries <- function(neatMat){

        maxDrawback <- matrix(0,nrow(neatMat),ncol=1)

        for(i in 1:nrow(neatMat)){
                if(neatMat[i,2]<max(neatMat[1:i,2])){
                        maxDrawback[i] <- neatMat[i,2] / max(neatMat[1:i,2]) - 1
                }
        }

        data.frame(date=neatMat[,1],maxDrawback=maxDrawback)

}
calcMaxDrawback <- function(neatMat){

        MaxDrawbackSeries <- calcMaxDrawbackSeries(neatMat)
        min(MaxDrawbackSeries$maxDrawback)
}

5. 年化收益率

表示投資期限為一年的預(yù)期收益率。具體計(jì)算方式為 回測(cè)期間策略每日收益率總和 / 回測(cè)交易日數(shù)量 × 252。

calcAnnualYieldRate <- function(neatMat){

        runTime <- as.numeric(difftime(neatMat[nrow(neatMat),"date"],neatMat[1,"date"]),unit="days")

        compoundYieldRate <- (neatMat[nrow(neatMat),"compoundReturn"]/neatMat[1,"compoundReturn"]) - 1

        compoundYieldRate / runTime * 252

}

復(fù)雜分析

復(fù)雜分析主要是采用一些財(cái)務(wù)數(shù)據(jù)、行業(yè)數(shù)據(jù)構(gòu)建一些指標(biāo)和模型對(duì)策略持倉(cāng)做進(jìn)一步細(xì)致的分析。我們?cè)趯?shí)際生產(chǎn)中主要分析以下幾個(gè)方面：

1. 凈敞口暴露分析（現(xiàn)金）

凈敞口 = (股票多頭市值+股指期貨多頭市值-股指期貨空頭市值)/總資產(chǎn)。若采用完全對(duì)沖策略時(shí)，凈敞口非常小，一般在5%附近。但是，當(dāng)股指期貨基差較大，或投資管理人采取放開(kāi)部分敞口策略時(shí)，凈敞口會(huì)較大。

2. 風(fēng)險(xiǎn)因子敞口暴露分析

用10個(gè)風(fēng)險(xiǎn)因子描述市場(chǎng)價(jià)格波動(dòng)風(fēng)險(xiǎn)的主要來(lái)源，一般的，股票持倉(cāng)采用與基準(zhǔn)對(duì)應(yīng)的股指期貨進(jìn)行對(duì)沖，因此相對(duì)基準(zhǔn)的風(fēng)險(xiǎn)因子敞口越大，風(fēng)險(xiǎn)越高。一般風(fēng)險(xiǎn)因子的敞口用標(biāo)準(zhǔn)差的倍數(shù)描述，持倉(cāng)組合數(shù)量較多、控制嚴(yán)格的組合的風(fēng)險(xiǎn)因子敞口通常在0.5個(gè)標(biāo)準(zhǔn)差左右。完全無(wú)風(fēng)險(xiǎn)對(duì)沖會(huì)影響整體長(zhǎng)期收益，因子投資管理人會(huì)根據(jù)其對(duì)市場(chǎng)的理解對(duì)風(fēng)險(xiǎn)因子敞口進(jìn)行放開(kāi)限制

3. 股票相對(duì)滬深300的行業(yè)偏差分析

由于屬于同行業(yè)的股票的跌漲往往具有一定的一致性，國(guó)內(nèi)股票市場(chǎng)具有行業(yè)輪動(dòng)的特點(diǎn)，因此股票持倉(cāng)與其對(duì)沖使用的基準(zhǔn)的行業(yè)偏差是影響對(duì)沖效果的重要因素。一般的，行業(yè)偏差越大，對(duì)沖風(fēng)險(xiǎn)越大。

4. 資產(chǎn)配置比例分析

總資產(chǎn)中，現(xiàn)金、股票、期貨的資產(chǎn)配比，是資產(chǎn)配置的直觀(guān)體現(xiàn)。

5. 證券賬戶(hù)收益歸因分析

分析股票的超額收益、主動(dòng)管理收益、行業(yè)偏差收益、風(fēng)險(xiǎn)暴露收益、現(xiàn)金配置收益等。

6. 期貨賬戶(hù)保證金占用情況分析

由于期貨為當(dāng)日無(wú)負(fù)債結(jié)算、采用保證金制度，一般情況下期貨保證金占用比例為期貨資金賬戶(hù)的60%~80%，占用過(guò)低則資金利用率低，占用過(guò)高則可能無(wú)法覆蓋市場(chǎng)價(jià)格波動(dòng)造成的資金風(fēng)險(xiǎn)。

什么是多因子模型

多因子模型是關(guān)于資產(chǎn)定價(jià)和風(fēng)險(xiǎn)管理的模型，關(guān)于多因子模型的構(gòu)造也根據(jù)不同業(yè)務(wù)有不同的選擇。

多因子模型通常使用下面的公式表示:

Ri = ai + βi(m) Rm + βi(1)F1 + βi(2)F2 +...+βi(N)FN + ei
  • Ri：表示標(biāo)的 i 的單個(gè)標(biāo)的回報(bào)率
  • Rm：表示大盤(pán)整體回報(bào)率
  • F(1,2,3...N) 表示N個(gè)因子的權(quán)值
  • β ：每個(gè)因素對(duì)應(yīng)市場(chǎng)(m)的 beta 值
  • e: 表示隨機(jī)誤差項(xiàng)（白噪聲）
  • a:表示初始值（截距）

多因子風(fēng)控模型

區(qū)別于上述模型，我們根據(jù)自身點(diǎn)業(yè)務(wù)特點(diǎn)，通常，我們將因子主要分為風(fēng)險(xiǎn)因子和行業(yè)因子兩個(gè)大類(lèi)。

風(fēng)險(xiǎn)因子

其中風(fēng)險(xiǎn)因子用10個(gè)風(fēng)險(xiǎn)因子描述市場(chǎng)價(jià)格波動(dòng)風(fēng)險(xiǎn)的主要來(lái)源，根據(jù)市場(chǎng)特點(diǎn)細(xì)分為：

1. Beta因子

2. 大小盤(pán)因子

3. 中盤(pán)因子

4. 估值因子

5. 盈利能力因子

6. 成長(zhǎng)性因子

7. 杠桿因子

8. 流動(dòng)性因子

9. 動(dòng)量因子

10. 殘余波動(dòng)因子

行業(yè)因子

而行業(yè)因子則是根據(jù)申銀萬(wàn)國(guó)的一級(jí)行業(yè)分類(lèi)構(gòu)造28個(gè)行業(yè)的行業(yè)因子。這里需要指出的是，由于我們的 Benchmark 選用了滬深300，所以在行業(yè)敞口上也由于滬深300在銀行和非銀金融的比重較大而影響。

綜合上訴38個(gè)因子，在實(shí)際生產(chǎn)中，經(jīng)過(guò)長(zhǎng)期檢驗(yàn)，該模型能夠比較好的反應(yīng)出基金風(fēng)控情況。當(dāng)然，由于模型是根據(jù)歷史數(shù)據(jù)來(lái)判斷風(fēng)控情況的,所以，它也不可能100％地預(yù)測(cè)未來(lái)值，畢竟模型不是萬(wàn)能的。

股票收益歸因

股票收益歸因表示通過(guò)定量分析總收益反應(yīng)各種因子對(duì)總收益的貢獻(xiàn)情況。（選擇基準(zhǔn)為滬深300）計(jì)算公式為：

  • 總收益 - 基準(zhǔn)指數(shù)收益 = 超額收益（主動(dòng)管理收益）
  • 超額收益 – 行業(yè)偏差收益 – 風(fēng)險(xiǎn)暴露收益 – 現(xiàn)金貢獻(xiàn)收益 = 個(gè)股選擇收益
    其中總收益、基準(zhǔn)指數(shù)收益、行業(yè)偏差收益 、 風(fēng)險(xiǎn)暴露收益 、現(xiàn)金貢獻(xiàn)收益由其他公式計(jì)算。
  • 行業(yè)偏差收益 = 行業(yè)偏差 * 收益
  • 風(fēng)險(xiǎn)暴露收益 =風(fēng)險(xiǎn)暴露 * 收益
  • 現(xiàn)金貢獻(xiàn)收益 = 凈敞口 * 收益

示例

未完

作為分享主義者(sharism)，本人所有互聯(lián)網(wǎng)發(fā)布的圖文均遵從CC版權(quán)，轉(zhuǎn)載請(qǐng)保留作者信息并注明作者 Harry Zhu 的 FinanceR專(zhuān)欄:https://segmentfault.com/blog/harryprince，如果涉及源代碼請(qǐng)注明GitHub地址：https://github.com/harryprince。微信號(hào): harryzhustudio
商業(yè)使用請(qǐng)聯(lián)系作者。

最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時(shí)請(qǐng)結(jié)合常識(shí)與多方信息審慎甄別。
平臺(tái)聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀(guān)點(diǎn)，簡(jiǎn)書(shū)系信息發(fā)布平臺(tái)，僅提供信息存儲(chǔ)服務(wù)。

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容