世坤投資-Find Alpha-5-設計Alpha實例2

原文為世坤投資出的一本書，Finding Alpha, 中的第6章節。翻譯作為學習筆記和交流參考。

alpha有多種定義。我們使用最廣泛的定義是：用於預測金融工具未來走勢的計算機算法。另一個常用的術語是alpha值，它是我們分配給每個工具的價值，與我們用來投資它的資金成比例。當我們談論alpha時，我們通常指的是第一個定義。當我們談論alpha值時，我們指的是第二個。

在我們進一步討論alpha設計之前，讓我們研究一個簡單的例子，以更好地理解alpha的外觀。

假設我們有100萬美元的資本，並希望繼續投資於由谷歌（Google）和蘋果（Apple）兩支股票組成的投資組合。我們需要知道如何在這兩種股票之間分配資金。如果我們每天對投資組合進行再平衡，我們需要預測每隻股票未來幾天的回報率。我們怎麼做？

影響股票價格的因素很多，如交易者行為、新聞、基本面變化、內幕行為等。為了簡單起見，我們可以將預測過程分解為兩個步驟：一是利用新聞等單一因素預測股票收益率；二是綜合各種不同的預測。

作為第一步，我們需要一個數據加載器來加載新聞。下一步，我們需要找出一個算法，把文本新聞轉換成一個向量，向量的值就是我們想投資於每隻股票的資金。如果我們預測股票價格會上漲，我們就加大投資；否則，我們就會做空更多的股票。用來做這個預測的計算機算法就是所謂的alpha。

在前面的示例中，假設我們的算法得到以下值：

α（GOOG）=2     αAAPL）=–1

以上數值的比值為2:1。這意味著我們希望持有的GOOG的數量是AAPL的兩倍，而正符號意味著

我們希望持有多頭頭寸，而負號意味著我們要持有空頭頭寸。因此，以100萬美元的資本為例，我們希望在今天的交易結束時做多100萬美元的GOOG，做空-50萬美元的AAPL。當然，這個例子假設交易成本為零。

所以alpha模型實際上是一種算法，它將輸入數據（價格/成交量、新聞、基本面等）轉換成一個向量，這個向量與我們希望在每種工具中持有的資金成比例。

Alpha（輸入數據）→Alpha值向量

既然我們理解了alpha的含義，那麼讓我們寫第一個alpha。

我們將在此過程中引入更多概念。

最重要的是，我們需要定義一個宇宙，即我們想要用來構建阿爾法模型的金融工具集。讓我們關注一下美國股市。有不同的方法可以做到這一點，比如使用標準普爾500指數的成分，使用流動性最強的3000隻股票，等等。假設我們使用美國流動性最強的3000隻股票作為我們的研究領域，稱之為TOP3000。

接下來，我們需要一個預測股票價格的想法。行為金融學認為，在短期內，由於交易者的過度反應，股票價格趨於回升。我們如何實現這個想法？有很多方法可以做到。為了演示，我們將嘗試一個非常簡單的實現：

Alpha1=–（今天收盤）–收盤價（5天前））/收盤價（5天前）

這個實現意味著我們假設股票價格將恢復到五天前的價格。如果今天的價格低於五天前的價格，我們要做多這隻股票，反之亦然。我們用五天的回報作為我們想持有的資金數額。這意味著，如果在回報方面的差異更大，我們預測回歸將更高。

現在我們有了第一個阿爾法，很簡單。

為了測試這個想法是否有效，我們需要一個模擬器來做回溯測試。我們可以使用WebSim™ 為此目的。

使用WebSim™，我們得到了此alpha的示例結果，如中所示 >Figure 6.1.

>Figure 6.1 Sample simulation result of Alpha1 by WebSim™

在>表6.1中有一些新概念，如下頁所示。為了評估alpha，我們列出了我們需要學習的最重要的東西。

註：僅供說明

回溯測試是從2010年到2015年進行的，因此每行輸出都列出了當年的年度表現。模擬書的總規模總是固定在2000萬美元；PnL是年度PnL。

年收益定義為：

Ann_return:=Ann_pnl/（booksize/2）

它衡量的是阿爾法的盈利能力。信息比率是我們要研究的唯一最重要的指標。它的定義是：

信息比率：=（日均收益率）/（日波動率）*sqrt（256）

它衡量阿爾法的信息，這大致意味著阿爾法盈利能力的穩定性；越高越好。最大提款量衡量從最高PnL點到最低PnL點的損失，以booksize/2的百分比表示。利潤百分比衡量每年積極工作日的百分比。每日營業額衡量您重新平衡投資組合的速度，其定義如下：

每日交易額：=（平均每天交易美元）/帳面價值

每美元交易利潤衡量的是你每交易一美元的利潤，其定義如下：

每股交易利潤：=pnl/交易總額

對於這個alpha，總信息比率約為1，高回報率約為30%，最大下降率為39%。這意味著風險很高，所以PnL不是很穩定。為了減少最大下降，我們需要消除一些風險。我們可以通過使用一些風險中和技術來實現這一點。行業風險和市場風險是股票市場最大的風險。我們可以通過要求我們的投資組合在每個行業中始終保持多空平衡來部分地消除它們。

所以基本上，我們通過要求：

Alpha2=字母1

和（同行業內Alpha2值）=0

As can be seen in Table 6.2,

信息比率提高到1.4，收益率降低到10%，但最大下降卻顯著降低到只有9%。這是一個很大的進步！

為了進一步提高α值，我們注意到α值的大小是5天的回報率，作為一個預測值並不十分準確。也許相對大小作為一個預測因子更準確。接下來我們介紹等級的概念。Rank意味著使用alpha值的相對秩作為新的alpha。

Alpha3=等級（Alpha1）

和（同行業內Alpha3值）=0

結果如圖6.3所示。

如表6.3所示，我們得到了另一個顯著的改進！現在業績看起來好多了，但營業額還是有點高。我們可以用衰變來減少它。衰變意味著在一個時間窗口內平均你的α信號。

表6.3 Alpha3模擬結果評估

基本上，它意味著：

新α=新α+加權α

通過在WebSim上嘗試三天的衰退™，我們得到的圖表如圖6.4所示。

Figure 6.4 Sample simulation result of New_alpha by WebSim™

表6.4看起來太好了！不僅是營業額減少，而且信息比率，回報率和下降也得到改善！

我們現在知道了如何將alpha思想轉化為算法，並學習了一些技術來改進它。你可以想出更多的方法來改善它，只要有創意。

這就是阿爾法研究的基本方法。

下一步是探索其他想法和數據集，尋找真正獨特的東西。一個獨特的想法是好的，因為你可以在別人之前交易，潛在地帶來更多的利潤。

祝你好運！

注意

所述的阿爾法和回報樣本僅用於說明目的，並不代表WorldQuant或其附屬公司採用的任何策略。