金融工程研究

主要内容 全球对冲基金规模 •截止2011年三季末，全球对冲基金所管理的资产规模约为19700亿美元。 国内对冲基金规模 •2003-2011年，我国阳光私募发行规模年复合增长率为51%。 •结构化与非结构化产品成立数量（2003.3-2011.12）：截至11年底，证券投资类私募产品个数总计达1398只，其中非结构化产品占比73%。 l国内阳光私募中的量化对冲类产品不到100亿元。国内券商集合理财的量化对冲类产品不到50亿元。截至2011年6月底，已有37家基金公司取得特定资产管理业务资格，管理专户资产约1000亿元。 各策略对冲基金资产占比：多空头、事件驱动策略规模较大 股票多空头策略：CISDM股票多空头指数 股票市场中性：HFR股市中性指数 对冲基金是海外融券的主要需求方 •截止2010年，全球可用于证券出借业务的股票和债券的供给已经恢复到了金融危机前的水平。2008年总供应量为9万亿美元，现在已经达到了12万亿美元。美国市场证券出借业务的需求主要来自于对冲基金，其需求仍然受到抑制，总供给量大约是总需求量的12倍。（Vanguard research，July 2011） •证券出借人通常是拥有大量投资组合的机构投资者，例如共同基金，养老金计划，保险公司，捐赠基金等；证券借入人主要是经纪商、对冲基金等。（Vanguard research，July 2011） •证券出借市场是一个有序监管的场外交易市场。市场规模非常庞大，拥有超过7万亿欧元的可借贷资产，每天在借资产超过1万亿欧元（dataexplorers,Q32011）。 美国市场证券出借 美国市场证券出借 数据来源：dataexplorers,Q3 2011 增强型主动策略：130/30策略 •130/30策略是一种增强型主动投资策略（Active ExtensionStrategies）,将100%的资金投资于一揽子股票，同时从市场中融入相当于原有总资金的30%的股票做空，所得卖空收入再投资到投资者看涨的股票中。因此总的多头头寸为130%，空头头寸为30%，策略的净投资额仍为100%。 130/30策略相比纯多头（long-only)策略的特点： l有效提高了信息的利用效率；l更为有效的投资组合配置，使得投资者有效前沿（efficient frontier)向更为有利的方向位移；l通过卖空增加投资组合的多样化和分散化；l投资策略的相关费用并未显著提高 130/30指数成分股选择标准：以Credit Sussie 130/30 Index (US)为例 130/30指数成分股选择标准：以Credit Sussie 130/30 Index (US)为例 海外主要130/30指数的编制：指数多空投资比例 主要内容 国内对冲策略框架 对冲工具 •股指期货•融资融券•利用ETF卖空 组合构建 •统计套利•指数增强/抽样•量化选股•基本面选股•事件套利•程序化交易 风险头寸 •市场/现金中性•多空头•做多/卖空•现货/衍生品：正向反向对冲 期指价差变化 跨期套利 融资融券市场规模 ETF在融券业务中的作用日渐明显 主要内容 国泰君安金融工程的量化研究 1、配对统计套利 适宜配对组的选择： l基本面选择法；l相关系数法；l协整法；l标准差法 配对交易策略参数的设定： l交易信号的计算方法；l采样期的选择；l交易期的选择；l建仓线的选择；l止损线的选择；l获利平仓线的选择；l交易费率的敏感性。 适宜配对组的选择：相关系数法 适宜配对组的选择：协整法 配对交易策略参数的设定：最优参数 •最优交易参数组（1）——交易信号计算方法——滚动、采样期——60个交易日、交易期——60个交易日、建仓线——99%、止损平仓线——5倍sigma、获利平仓线——1.5倍sigma、买入费率——0.1%、卖出费率——0.2%。 •最优交易参数组（2）——交易信号计算方法——滚动、采样期——240个交易日、交易期——60个交易日、建仓线——99%、止损平仓线——4倍sigma、获利平仓线——0.5倍sigma、买入费率——0.1%、卖出费率——0.2%。 •最优交易参数组（3）——交易信号计算方法——滚动、采样期——360个交易日、交易期——240个交易日、建仓线——85%、止损平仓线——4倍sigma、获利平仓线——0.5倍sigma、买入费率——0.1%、卖出费率——0.2%。 最优交易参数的配对交易收益 配对交易结果：相关系数法——最优交易参数组(1)(2)(3) 数据来源：国泰君安证券，wind 配对交易结果：协整法 ——最优交易参数组(1)(2)(3) 举例：工商银行&建设银行——相关系数 工商银行&建设银行:交易明细(60/60,240/60,360/240) 2、基于动量和阻力的短期择时 模型特点 •结合动量和阻力判断市场短期走势 动量反映了市场趋势的强弱，而阻力能反映维持原有趋势的难度，两者结合应用在理论上和直观上都比较合理。 •通过测算特定价格区间的持仓占比来度量阻力大小 与大多数技术指标直接采用各种均线作为压力位或支撑位不同，我们通过测算过去一年在当前价位上方（或下方）一定价格区间内的持仓占比，来度量上方压力（或下方支撑力）的大小。 •对成交额按时距加权取平均来计算指定价格区间内的持仓占比 成交额反映了以当天价格持仓的市值规模，由于每天会有换手，离当前日期越远的成交额越有可能已经换手了，其反映当前持仓成本分布的权重应该越小，所以我们对不同日期的成交额按时距加权，即离现在越远日期的成交额权重越小。 模型框架 模型流程 基于动量和阻力测算的短线择时模型的构建流程： Step1：构建测算指定价格区间的持仓占比的方法，以当前价格上方或下方一定价格区间内的持仓占比来度量阻力或支撑力的大小。 Step2：通过历史数据测算，确定当前价格上方和下方哪些价位区间的持仓占比对下期收益有较明显的影响，即确定几档阻力。 Step3：确定当前的价格趋势，即动量的方向和大小。 Step4：以动量和step2中确定的几档阻力为自变量，下期收益为因变量建立logit回归模型。 Step5：应用建立的logit模型预测持有期收益率，并检验模型效果。 模型框架 Step1测算指定价格区间持仓占比的方法： 对过去50周（1年）中HS300指数价格落在指定价格区间的成交额（图中黄色部分）按时距权重求和，除以前50周所有成交额按时距加权的总和，即 模型框架 Step1测算指定价格区间持仓占比为了使时距权重更平缓，我们对时距取对数，再计算时距权重。 即当前日期的前第k周的权重为 模型框架 Step2通过测算确定了4档阻力（或支撑力）为了确定哪些价格区间的持仓占比对下期收益率有较明显的影响，我们对 当前价位下方30%至上方30%之间，以1%为区间宽度，测算了各价位区间与下期收益的相关性，最后确定了4个区间的持仓占比对下期收益有较明显的影响。我们将这4个区间的持仓占比定义为4档阻力（或支撑力）。 说明：区间中“-”表示当前价格的下方，相关系数是指相应区间的持仓占比与下一持有期（2周）收益率的相关系数。采用08年7月份至11年7月份期间（震荡市）HS300指数的数据测算的。 模型框架 Step3确定当前动量 我们取前两周的价格变化趋势作为当前的动量。即取前两周的收益率作为动量因子。 Step4建立logit回归模型 以动量因子，以及step2中确定的4档阻力（或支撑）共5个变量作为自变量，下一持有期收益率的方向（正为1，负为0）为因变量，建立logit回归模型。回归模型采用的数据为09年7月至10年7月（由于测算持仓占比需要用到前50周的数据，因此实际用到的数据为08年7月开始的）。 Logit模型的系数估计值： 从系数的P-value来看，系数的显著性不是很理想，我们认为在不同的时期各变量的有效性会不同，因此有必要每隔一段时间重新训练logit模型，得到最新的系数估计值。 主要结果 Step5应用logit模型预测我们09年7月4日至10年7月2日共50周的数据做第一次logit回归，用于预测接 下来的8周，然后每隔8周重新训练logit模型，再预测接下来的8周，如此滚动。 l09年7月至10年7月间我们只能采用样本内的检测来评估模型效果，l而自10年7月9日，我们采用的是样本外的检验。检验的结果见表3。 说明：样本内的时间区间为09年7月至10年7月，样本外的区间是指10年7月至11年7月，分别为1年左右。判断临界值（0.6,0.4）是指当logit模型预测下一持有期（2周）涨的概率大于0.6时我们判断下期涨，当预测涨的概率小于0.4时我们判断下期跌。每周滚动预测。 主要结果 模型预测效果图： 数据来源：国泰君安证券，wind。说明：判断的临界值为0.7和0.3，其中2010年7月2日之后的为样本外的预测，之前的为样本内预测。 模拟策略 仓位调整规则（指数增强型策略）： •持有的组合始终为HS300指数，根据模型结果调整仓位。•当模型预测下一持有期上涨概率大于0.6时，仓位调整至120%（假设可以用股指期货做杠杆）。•当模型预测下以持有期上涨概率小于0.4时，仓位调整至80%（也可用股指期货对冲掉20%）。•若预测下期上涨的概率在0.4-0.6之间，则不对市场做判断，仓位为100%。 换仓频率：每2周（模型持有期为2周）根据最新的预测结果调整仓位。 模拟时间段：起始时间为2009年7月3日，截止时间是2011年8月10日。 3、基于宏观变量的多因子二维化行业配置 基于宏观经济变量的多因子模型 备选因子库 CPI,PPI,PMI，RPI（商品零售价格指数），规模以上工业增加值，用电量，发电量，社会消费品零售总额，宏观经济景气指数一致指数，出口总额，M1，金融机构各项贷款余额同比增速，金融机构各项存款余额增速、存贷款增速差，7日拆借利率，7日回购利率，1年期国债与5年期国债收益率之差，1年期国债与10年期国债收益率之差。 收益率因子库 PPI、工业增加值（VIA）、商品零售价格指数（PPI）、M2。 Logit因子库 PPI、M1、宏观景气指数一致指数以及金融机构各项贷款余额增速 基于宏观经济变量的多因子模型 收益率预测模型 基于宏观经济变量的多因子模型 概率预测模型 二维化模型走势 数据来源：国泰君安证券，wind 多因子配置的统计结果 多空组合交易策略 三种配对交易走势 配对交易多头对冲空头对冲 4、大小盘风格轮动 模型结果 风格轮动影响因素 1.CPI、PPI。上升的通货膨胀带来货币紧缩，因此大盘股表现相对好些。对比CPI、PPI与大小盘相对强弱发现，PPI、CPI越大越有利于大盘板块。究其原因，我们认为，PPI以及CPI增加时通胀压力增大，央行采取紧缩的货币政策可能性加大，由于大盘股相对而言财务更稳健，冲击相对较小。此外，由于大小盘的轮动与经济周期存在一定的联系，而通货膨胀在一定程度上能够反映经济周期的更替。 3.工业增加值。工业增加值同比环比（滞后3期）增长越高，大盘股的走势越好。这个关系是符合经济学直观的，因为小盘股更容易受到市场情绪，资金面等因素的影响，这些噪声降低了实体经济与小盘股之间的相关系数。大盘股则相对不容易受到市场情绪的影响，而更多地受实体经济的影响，二者的相关系数也比较高。4．市场估值。观察沪深300市场整体估值与大小盘相对强弱发现，除了10以后 年的情况有点特殊外，整体而言，市场的整体估值越高越有利于小盘板块。究其原因，我们认为短期市场环境会影响到投资者对大小盘风格的偏好，当市场整体估值加大，表明投资者情绪比较乐观，此时投资者会对风险偏高的小盘股更偏好 风格轮动实证效果 5、多因子选股模型 •分不同股票池选股 我们分别在hs300