社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

深度学习赋能市场中性基金,量化对冲类产品前景广阔

量化智投 • 1 年前 • 606 次点击  






+

目录


一、市场中性基金前景广阔

1、市场中性基金的运作原理

2、近三年市场中性基金收益优势突出且稳定

3、量化策略赋能市场中性基金

二、工银优选对冲灵活配置混合发起基金投资价值分析

1、基金基本信息

2、基金长期业绩优异,当前配置性价比凸显

3、2023年4月以来基金收益风险指标大幅优化

4、基金份额大增,规模仍有增长空间

5、基金持股和行业集中度较低

6、基金换手率较低

7、基金股票仓位动态调整,有效控制期货对冲成本

8、近一年来基金Barra因子风险暴露程度显著降低

9、基金微盘股暴露水平较低

三、基金经理和基金管理人介绍

1、基金经理

2、基金管理人

四、风险提示


摘要


投资逻辑 

2024年市场中性基金具有市场优势

市场中性基金在近三年的业绩优异且稳定。近三年市场中性基金指数累计收益为-4.13%,远高于偏股混合型基金指数-27.52%的累计收益,市场中性基金的最大回撤仅为9.24%,而偏股混合型基金指数最大回撤为42.11%。若2024年股票市场持续波动,市场中性基金能通过其更稳健的收益来源持续获得相对优势。

随着量化方法在市场中性基金的深入应用,多因子选股量化模型、风险控制量化模型和机器学习方法得以为投资者带来更佳的投资体验。使用机器学习算法在选股策略中能带来显著的超额收益优势,配合严格的风险控制手段,使基金产品收益更加稳健。

工银优选对冲灵活配置混合发起投资价值分析

工银优选对冲灵活配置混合发起成立于2020年12月30日,基金管理人依据对市场的展望,灵活选择股票、债券、股指期货等金融工具,力争通过多元化策略避免单一策略的超额收益率波动风险,构造低波动率、低下方风险的投资组合。基金自2023年4月份基金经理变更为刘子豪先生,对所采用的投资策略进行了改造,更多的采用了量价类的选股因子以及深度学习模型等因子组合方法,同时严格控制风格偏离,较为有效的提升了组合收益的稳定性。基金的夏普比率、卡玛比率等相较于之前有明显的提升。自2023年4月至今,基金累计收益率为5.19%,夏普比率为1.44。同时,基金的持股集中度和行业集中度较低,对所有Barra风险因子数据具有整体较低的暴露水平。

近一年来,基金规模不断扩大,受到投资者的青睐,而相较于其历史最大规模,仍有增长空间。随着2023年4月基金策略优化以来,较高的收益水平迎来了投资者的广泛关注,基金的持有总份额大幅反弹。个人持有份额占比达到63.74%,反映了市场中广大投资者对基金未来发展的看好。该基金依据市场情况与期货基差水平对仓位不断动态调整,有效控制了风险收益水平。同时该基金与万得微盘股指数的相关性较低,不受微盘极端行情影响。

基金经理和基金管理人介绍

张乐涛先生,硕士研究生,2018年加入工银瑞信,2022年开始担任基金经理。目前张乐涛先生共管理6只基金,总管理规模合计4.37亿元。刘子豪先生,硕士研究生,2022年加入工银瑞信,2023年开始担任基金经理。目前刘子豪先生共管理2只基金,总管理规模合计1.84亿元。工银瑞信基金管理有限公司是由中国工商银行和瑞士信贷合资设立的基金管理公司,成立于2005年6月。截至2023年12月31日,工银瑞信基金的总管理规模为7338.33亿元,旗下有245个基金产品。工银瑞信基金基金管理的各类产品中,偏股混合型基金的管理规模占比最高,占比达到28.9%。

风险提示

以上结果通过历史数据统计和测算完成,在市场环境发生变化时模型存在失效的风险。统计假设条件发生变化时,统计结果可能会发生变化的风险。历史收益不代表未来,需警惕基金未来业绩不及预期的风险。


正文





一、市场中性基金前景广阔

1、市场中性基金的运作原理

市场中性基金一般指同时持有同样或者相近β敞口的“多头”即股票现货组合和“空头”即股指期货,通过持仓多头中股票现货部分相对空头部分股指期货的α超额收益来进行获利,即在股票池中构建投资组合通过对冲β系统波动来获取α超额收益。通常来说,超额收益的来源取决于两部分:股票现货组合α的大小以及其持续性和稳定性、空头股指期货部分对冲成本的把握和控制。目前中国金融期货交易所共推出四个系列股指的期货:沪深300指数股指期货、上证50股指期货、中证500股指期货、中证1000股指期货。

2、近三年市场中性基金收益优势突出且稳定

市场中性基金在近三年的业绩优异且稳定。近三年市场整体波动较大,受益于β系统波动被对冲掉,市场中性基金整体收益优于偏股混合型基金,业绩表现更好。截至2024年3月27日的近三年,市场中性基金累计收益为-4.13%,远高于偏股混合型基金-27.52%的累计收益。并且相对于偏股混合型基金,市场中性基金的收益波动更小。

通过比较市场中性基金和偏股混合型基金风险收益指标的中位数可以发现,市场中性基金近三年年化收益率中位数是-0.78%,远高于偏股混合型基金的同类指标。同样的,市场中性基金年化夏普比率、近三年最大回撤和年化波动率中位数表现均优于偏股混合型基金的对应指标。因此近三年市场中性基金在收益和风险两方面表现均较为突出。我们预期在2024年股票市场仍将保持较大分歧,市场波动会随之较大。在这样的行情下,市场中性基金的优势会继续保持。

3、量化策略赋能市场中性基金

越来越多的公募产品采用量化策略,市场中性基金也多将量化分析纳入投资原则。目前主要应用的是多因子选股量化模型、风险控制量化模型和机器学习方法,近些年AI也在逐渐渗透市场中性基金的策略构建。

多因子选股量化模型是量化投资领域中一个重要的策略,它通过综合考量多个预测因子来选择股票,旨在实现超越市场平均水平的收益。这类模型试图捕捉股票价格中的规律性,以数学和统计方法为基础,结合计算机技术进行高效的数据处理和分析。

风险控制是量化投资管理中的核心部分,旨在识别、评估和管理投资组合的风险,以最大化风险调整后的回报。量化模型在风险控制中扮演着关键角色,通过应用数学和统计方法,能够精确度量和管理各种风险。常见的风险控制量化模型有VAR模型、CVAR模型、风险预算模型、压力测试和情景分析等。

近年来,机器学习在量化投资领域迅速发展,成为了投资者的强大工具。通过分析大规模数据、识别模式、预测趋势以及自动执行交易,机器学习技术为投资决策提供了更准确、更高效的支持。从预测价格走势到风险管理,再到情绪分析和市场微结构分析,机器学习在量化投资中的应用范围日益扩大,为投资者提供了更多的机会和优势,推动着投资策略的创新和优化。

我们尝试探索并比较各类模型在A股各股票池中的选股效果,包括基于决策树的GBDT和神经网络模型。每类模型又分别使用4个模型进行训练测试,发现通过适当的训练方式和特征数据投喂,模型给出预测信号所构建的投资策略有着出色的收益。我们将GBDT类和NN类模型进行分别合成,因子在中证1000股票池的主要指标如下:

机器学习在量化投资中将继续发挥关键作用,为投资者提供更精确、更智能的决策支持,推动着投资策略的不断创新和优化。而中性基金则可以将机器学习模型所给出Alpha因子作为其收益来源,进行行业市值等风格约束后,利用期货对冲掉市场的Beta风险,从而能够使产品仅在机器学习因子上暴露,避免了市场和风格的因素对于净值走势的影响。

二、工银优选对冲灵活配置混合发起基金投资价值分析

1、基金基本信息

工银优选对冲灵活配置混合发起基金成立于2020年12月30日,现任基金经理张乐涛、刘子豪分别于2022年2月18日、2023年4月12日开始任职,该基金借助于数量化投研团队在模型计算、组合构建、风险管理的专业能力,优选多种策略,通过合理匹配收益与风险水平构建投资组合。基金管理人依据对市场的展望,灵活选择股票、债券、股指期货等金融工具,力争通过多元化策略避免单一策略的超额收益率波动风险,构造低波动率、低下方风险的投资组合。基金自2023年4月份基金经理变更后,对所采用的投资策略进行了改造,更多的采用了量价类的选股因子以及深度学习模型等因子组合方法,较为有效的提升了组合收益的稳定性。

2、基金长期业绩优异,当前配置性价比凸显

自2021年3月29日起的近三年中,工银优选对冲整体跑赢偏股混合型基金指数,并且优于股票多空基金指数的整体表现。截至2024年3月27日,基金累计收益率为4.18%,远高于市场中性基金的-4.13%和偏股混合型基金的-27.52%累计收益率。

从近一年、近三年的时间区间来看,工银优选对冲相对于市场中性基金和偏股混合型均有收益优势,长期业绩优异,当前配置性价比凸显。

工银优选对冲作为市场中性基金,得益于系统波动被对冲,其年化波动率远小于偏股混合型基金的中位数;而在市场中性基金中,工银优选对冲也具有优势,其年化波动率要比市场中性基金年化波动率中位数低。

在风险收益指标上,工银优选对冲也具有优势。近三年来看,工银优选对冲的夏普尽管较小但是为正,而市场中性基金和偏股混合型基金的年化夏普都为负。近六个月和近一年来看,工银优选对冲均有超越同类基金和偏股混合型基金的夏普比率,风险收益比较高。

而从最大回撤这一指标来看,工银优选对冲防控风险能力也较强。该基金的最大回撤水平在近六个月、近一年、近三年均低于偏股混合型基金中位数及市场中性基金的中位数。

相比于市场中性基金及偏股混合型基金,工银优选对冲灵活配置混合发起在风险控制及风险收益比两方面也更有优势。

3、2023年4月以来基金收益风险指标大幅优化

2023年4月基金经理发生变更为刘子豪先生后,重新调整投资策略,使得基金的收益有了大幅提高的同时风险得以控制。2023年4月之后工银优选对冲与市场中性基金和偏股混合型基金的收益差距拉大,而工银优选对冲年化夏普比率同样保持最高,收益风险比远优于市场中性基金和偏股混合型基金。

可以看出,工银优选对冲基金在进行投资策略的调整后,收益稳健性得到明显提升,年化波动率为2.78%,区间最大回撤仅为2.09%,年化夏普比率为1.44,卡玛比率为2.47。可以说明使用量价因子和深度学习的方式叠加严格的风格偏离控制能够得到有效的改进,给投资者带来稳健的收益水平。

4、基金份额大增,规模仍有增长空间

在合并工银优选对冲灵活配置混合发起A和工银优选对冲灵活配置混合发起C的规模、持有人份额后,我们对其规模和持有人份额数量以及结构进行了分析。自成立以来,工银优选对冲规模呈现先减后增的趋势。近一年来,其规模不断扩大,受到投资者的青睐,而相较于其历史最大规模,仍有增长空间,工银优选对冲具备管理更大规模资金的能力。

2023年年报显示,工银优选对冲基金的持有总份额在经历2022缩水后大幅反弹,已超过2021年年报所公布的持有总份额,获得广大投资者的关注和青睐。除此之外,基金的持有人结构也出现变化,个人持有份额占比达到63.74%,持有总户数达到1353户,反映了市场中广大投资者对工银优选对冲未来发展的看好。

5、基金持股和行业集中度较低

通过考察基金的持仓集中度可以看出该基金的投资方法和风险分散程度,一般而言,集中度越低,则基金所受单只股票波动越低。投资集中度按照如下公式计算。

与持股集中度一致,工银优选对冲的行业配置集中度在2023年中期回落,这一点和该基金在2023年4月份开始进行投资策略改造从而降低行业风险暴露相吻合,反映了基金目前维持了较低的集中度,有效避免了单个行业所造成的净值波动。

6、基金换手率较低

与其他市场中性基金不同的是,工银优选对冲报告期持仓换手率偏低,2021年底以来,工银优选对冲的换手率未达到市场中性基金的中位数。而2023年底,工银优选对冲的报告期持仓换手率仅有313.16%,而市场中性基金的中位数为367.75%。

7、基金股票仓位动态调整,有效控制期货对冲成本

工银优选对冲的持股集中度在2023年第一季度达到33.13%的顶峰后回落,反映了基金管理对持股集中度的动态优化调整。值得注意的是,工银优选对冲在2023年第四季度进行了组合仓位调整:经过三季度股指期货基差大幅走阔后,四季度股指期货基差逐渐收敛,为控制组合因基差收敛导致的回撤,四季度组合仓位有所降低,空余的资金用作逆回购等资金操作。针对后市,2024年开年基差可能会停止收敛甚至转向走阔,因此组合仓位将及时回归正常。

工银优选对冲整体呈低仓位运行,基金成立以来各季度基金仓位均低于80%。需要注意的是,工银优选对冲在2023年第四季度进行了组合仓位调整,因此股票仓位变化大幅降低,后续随着市场形势变化,基金仓位会及时调整。

8、近一年来基金Barra因子风险暴露程度显著降低

2023年4月基金经理发生变更为刘子豪先生后,调整了投资策略,对基金持仓的风格偏离进行了控制。我们将t值是否大于1.96,即p值是否小于0.05作为衡量基金收益是否在某个因子上有暴露。通过对2023年4月前后基金收益进行Barra因子归因可以发现,近一年来基金的风格因子风险暴露程度显著降低,在11个Barra因子中,从原本的7个显著暴露下降至2个,分别为Beta因子(t值为2.31)和Liquidity因子(t值为2.61),整体暴露处于较低水平。而行业因子暴露程度由原本33个行业中的1个变为0个,在行业因子上没有显著的风险暴露。

9、基金微盘股暴露水平较低

我们将工银优选对冲的日度复权单位净值增长率与万得微盘股指数收益率,以向前滚动60 个交易日的方式,计算了该基金与微盘股指数的相关系数。不同于部分市场中性基金大规模投资于微盘股,工银优选对冲与万得微盘股指数的相关性较低,近一年相关系数均值仅有0.33。由此可见,工银优选对冲在近一年的主要收益来源并不是来源于微盘股的暴露。

三、基金经理和基金管理人介绍

1、基金经理

张乐涛先生,硕士研究生,2018年加入工银瑞信,现任指数投资中心主动量化投资团队成员。2022年开始担任基金经理。截至2024年一季度末,张乐涛先生共管理6只基金,既包括市场中性基金,也包括灵活配置型、指数增强型基金产品,总管理规模合计4.37亿元。

刘子豪先生,硕士研究生,曾在华兴证券担任量化研究员。2022年加入工银瑞信。2023年开始担任基金经理。截至2024年一季度末,刘子豪先生共管理2只基金,包括市场中性基金和混合债券型(二级)基金产品,总管理规模合计1.84亿元。

2、基金管理人

银瑞信基金管理有限公司是由中国工商银行和瑞士信贷合资设立的基金管理公司,成立于2005年6月。自成立以来,公司坚持“以稳健的投资管理,为客户提供卓越的理财服务”为使命,依托强大的股东背景、稳健的经营理念、科学的投研体系、严密的风控机制和资深的管理团队,立足专业化、国际化、规范化,坚持“稳健投资、价值投资、长期投资”,致力于为广大投资者提供一流的投资管理服务。公司秉持“以人为本”的理念,全方位引入国内外优秀人才,组建了一支风格稳健、诚信敬业、创新进取、团结协作的专业团队。

经过十多年的发展,工银瑞信已成为一家拥有公募基金、专户管理、企业年金、社保基金境内外委托投资、基本养老保险基金委托投资、保险资金委托投资、企业年金养老产品、QDII、QFII、RQFII等多项业务资格的全能型资产管理公司,公司为逾1600万境内外个人和机构投资者提供涵盖公募与私募、上市与非上市、境内与跨境业务的全方位财富管理服务。公司成立以来以持续优秀的投资业绩、完善周到的客户服务,赢得了广大基金投资人、社保理事会、企业年金客户、专户客户等的认可和信赖。公司已经发展成为国内业务资格全面、产品种类丰富、经营业绩优秀、资产管理规模领先、业务发展均衡的基金管理公司之一。

截至2023年12月31日,工银瑞信基金的总管理规模为7338.33亿元,旗下有245个基金产品。工银瑞信基金基金管理的各类产品中,偏股混合型基金的管理规模占比最高,占比达到28.9%。

风险提示

1)以上结果通过历史数据统计和测算完成,在市场环境发生变化时模型存在失效的风险。

2)统计假设条件发生变化时,统计结果可能会发生变化的风险。

3)历史收益不代表未来,需警惕基金未来业绩不及预期的风险。


往期报告


主动量化系列

  1. 《主动量化研究之二:当绩优基金重仓股遇到调研会发生什么“共振”?》

  2. 主动量化研究之一:择时、选股、选基——自主可控概念量化投资指南


Alpha掘金系列

  1. 《Alpha掘金系列之九:基于多目标、多模型的机器学习指数增强策略》

  2. 《Alpha掘金系列之八:FinGPT对金融论坛数据情感的精准识别——沪深300另类舆情增强因子》

  3. Alpha掘金系列之七:ChatGLM医药行业舆情精选策略——大模型微调指南》

  4. Alpha掘金系列之六:弹性与投资者耐心——基于高频订单簿的的斜率凸性因子

  5. 《Alpha掘金系列之五:如何利用ChatGPT挖掘高频选股因子?》

  6. 《Alpha掘金系列之四:基于逐笔成交数据的遗憾规避因子》

  7. Alpha掘金系列之三:高频非线性选股因子的线性化与失效因子的动态纠正

  8. 《Alpha掘金系列之二:基于高频快照数据的量价背离因子》

  9. Alpha掘金系列:多维度卖方分析师预测能力评价——券商金股组合增强策略


Beta猎手系列

  1.Beta猎手系列之七:追上投资热点——基于LLM的产业链图谱智能化生成

  2.Beta猎手系列之六:基于宏观量价信号叠加的微盘股茅指数择时轮动策

  3.Beta猎手系列之五:Beta猎手系列之五:基于机构调研热度和广度视角的行业配置策略 

  4.Beta猎手系列之四:如何利用ChatGPT解析卖方策略观点并构建行业轮动策略? 

  5.《Beta猎手系列之三:行业超预期的全方位识别与轮动策略》

  6.《Beta猎手系列之二:熵池模型:如何将纯主动观点纳入量化配置模型》

  7.Beta猎手系列:基于动态宏观事件因子的股债轮动策略


智能化选基系列

  1. 《智能化选基系列之五:如何如何刻画基金经理的交易动机并进行基金优选?》

  2. 《智能化选基系列之四:如何用LLM生成基金经理调研报告并构建标签体系?》

  3. 《智能化选基系列之三:基金经理多维度能力评价因子优化》

  4. 《智能化选基系列之二:风格轮动型基金的智能识别与量化优选》

  5. 《智能化选基系列:如何通过全方位特征预测基金业绩并构建跑赢指数的基金组合》


量化漫谈系列

  1. 《量化漫谈系列之八:传统因子如何通过线性转换增强因子表现?》

  2. 《量化漫谈系列之六:为大模型插上翅膀——ChatGLM部署与Langchain知识库挂载》

  3. 量化漫谈系列之六:如何精确跟踪微盘股指数?——低成交量下的抽样复制策略》

  4. 量化漫谈系列之五:中证2000指数发布,如何构建微盘股指数增强策略?》

  5. 《量化漫谈系列之四:成长价值和大小盘双风格轮动基金如何识别与优选?》

  6. 《量化漫谈系列之三:有多少基金从新能源切换到了AI?》

  7. 《量化漫谈:卖方分析师团队评价体系与特征全景》

  8. 量化漫谈:预期差视角下的业绩预喜个股机会梳理


量化掘基系列

  1. 《量化掘基系列之十九:量化视角下,央企概念有哪些投资机会?

  2. 《量化掘基系列之十八:汇聚龙头,启航新境——华泰柏瑞中证A50ETF

  3. 《量化掘基系列之十七:红利叠加低波会碰撞出怎样的火花?

  4. 《量化掘基系列之十六:控制微盘风格暴露,机器学习赋能量化投资

  5. 《量化掘基系列之十五:低波因子是否才是中证 500 选股真正利器?

  6. 《量化掘基系列之十四:“哑铃”策略的一头,红利策略哪只强?》

  7. 《量化掘基系列之十三:多重利好驱动小微盘行情,中证2000指数迎配置机遇》

  8. 《量化掘基系列之十二:高成长高弹性,掘金科创100估值底》

  9. 《量化掘基系列之十一:高股息+低估值,顺周期行业配置首选》

  10. 《量化掘基系列之十:行业龙头强强联合,中韩半导体产业迎布局机遇

  11. 《量化掘基系列之九:量化视角把握专精特新“小巨人”投资机会》

  12. 量化掘基系列之八:国企改革持续推进,现代能源产业投资正当其时

  13. 量化掘基系列之七:低利率环境下的投资法宝——招商中证红利ETF

  14. 量化掘基系列之六:如何从多个维度衡量ETF的景气度特征》

  15. 《量化掘基系列之五:震荡行情下的投资利器——华泰柏瑞中证红利低波动ETF》

  16. 《量化掘基系列之四:量化择时把握创业板50指数投资机会》

  17. 量化掘基系列之三:ChatGPT概念加速起飞,大数据产业链投资指南

  18. 量化掘基系列之二:量化择时把握港股通大消费板块投资机会

  19. 量化掘基:银河基金罗博:机器学习赋能主动量化投资


CTA金点子系列

  1. 《CTA金点子系列之二:基于日内高频博弈信息的商品CTA策略

  2. 《CTA金点子系列之一:基于ChatGPT新闻情感分析的原油期货策略》


年度投资策略

  1. 《金融工程2023年度投资策略:拨云见日终有时》

  2. 《金融工程2024年度策略:小盘股为帆,AI量化掌舵》



报告信息

证券研究报告:《量化掘基系列之二十:深度学习赋能市场中性基金,量化对冲类产品前景广阔》

对外发布时间:2024年04月04日

报告发布机构:国金证券股份有限公司


证券分析师:高智威

SAC执业编号:S1130522110003

邮箱:gaozhiw@gjzq.com.cn



点击下方阅读原文,获取更多最新资讯





Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/168907
 
606 次点击