量化投资的本质属于价格发现

       量化投资的本质还是属于价格发现，在不同周期上找到投资标的的均衡价格，其中在长周期与基本面调研驱动的主观投资是殊途同归的。不管海外市场还是国内A股市场，量化投资都是市场的重要组成部分，起到了不可替代的作用，而且在获得盈利的同时降低股价短期和长期波动，让市场更有效率。

　　量化投资2013年以后在国内股票市场上占比逐渐提高，特别近几年管理规模增长速度较快，引起市场不少关注。由于量化投资领域在国内兴起较晚，而且较为复杂，大部分投资者对量化投资缺乏足够的理解，有部分市场参与者对量化投资的盈利模式有误解。量化投资的本质还是属于价格发现，在不同周期上找到投资标的的均衡价格——（1）在股票长周期上，主要通过对公司基本面数据的挖掘来找到股票的合理价格，这部分的目的和基本面调研驱动的主观投资相同；（2）股票中周期上，主要通过对市场交易数据以及新闻等另类数据的分析来找到股票中周期上（一般在1-10天）的合理价格；（3）在股票高频方面，主要通过对股票微观结构的分析来找到股票短期的合理价格和提供短期流动性，这部分的交易在美股市场占比在50%以上，由于美股市场以机构投资者为主，个人投资者交易占比长期低于10%，导致市场上没有天然的流动性提供者，短期流动性主要靠股票高频交易公司来提供，所以交易所也以付费的形式补偿流动性提供者。

　　A股市场结构不同，即使在过去几年加速机构化的前提下，A股市场上个人投资者交易占比仍在50%以上，个人投资者给A股市场提供了大量的流动性，所以在现阶段还不需要量化投资机构给市场提供短期的流动性。但随着机构化的加深，个人投资者交易占比会逐年降低，如果个人投资者占比小于30%，市场上将会有不少中小公司的股票缺乏流动性。以港股市场为例，港股市场以机构投资者为主，和美股市场不同，港股市场也没有对流动性提供者给予充分的激励，导致港股市场上大量中小股票缺乏流动性，从而这些公司也丧失了融资能力。

　　在海外主要股票市场上，量化投资的盈利来源主要有：

　　（1）来自于高频做市提供流动性，这部分盈利主要由高频交易公司所获得。高频做市盈利的原因一部分来自于对高频信息的快速准确处理，另外也是提供流动性服务获得的补偿。在国内A股市场由于较高的印花税和撤单的限制，这部分收益并不存在，但在国内期货市场上则是主要盈利来源之一。

　　（2）来自于基于价格和交易量信息的中周期交易模式，一般称之为统计套利模型。这部分盈利主要由量化对冲基金获得。统计套利盈利的原因一部分来自对日级别信息的准确处理，另外一部分也是对提供中期流动性服务的补偿。举个例子，当公募基金或者其他投资者由于各种原因需要迅速调仓，会在一个股票上卖出较多，从而造成股价大跌。量化投资机构通过对市场数据的分析，如果认为主要是因为流动性冲击导致短期股价低于股票合理价格，会在一定的价格开始买入，从而使投资者能以更低的交易成本完成交易，而且也防止了股票价格的大幅波动。海外著名的量化对冲基金比如文艺复兴、D.E.Shaw、Two Sigma ，Citadel LLC主要采用统计套利策略。这种交易也是当前A股市场量化私募采用的主要交易模式。

　　（3）来自于对基本面数据的详细分析：在股票市场上，主要通过对宏观，行业，公司基本面数据的分析来给公司进行价格发现，找到股票的长期合理价格。这种一般称之为基本面量化投资策略。这部分量化投资策略和基于基本面调研的主观投资提供的功能和获取的盈利完全一致，只是侧重不同。基本面量化策略偏重于广度，依赖于历史总结；基本面主观策略偏重于深度，更注重演绎和大量难于结构化的信息收集和处理。由于两者各有擅长，一般来说在大公司定价上基本面主观投资有优势，在中小公司定价上基本面量化投资有优势。在海外市场量化公募基金主要采用基本面量化策略。比如著名的Blackrock、AQR、DFA都主要采用基本面量化策略。国内的公募量化基金也主要采用基本面量化策略。

　　如以上所述，不管海外市场还是国内A股市场，量化投资都是市场的重要组成部分，起到了不可替代的作用，而且在获得盈利的同时降低股价短期和长期波动，让市场更有效率。

来源：新浪财经

什么是风险量化

　　风险量化是指通过风险及风险的相互作用的估算来评价项目可能结果的范围。

　　风险量化的基本内容是确定哪些实践需要制定应对措施。风险量化涉及到对风险和风险之间相互作用的评估，用这个评估分析项目可能的输出。这首先需要决定哪些风险值得反应。

　　有许多因素使得风险量化变锝十分复杂，这些因素包括：

　　1、机会和威胁可能会以不可预计的方式混杂在一起（例如，进度计划的延误可能促使考虑减少整个项目历时的新策略）。

　　2、单一的风险事件可能引发多个后果，由于项目的某一关键部分的延期交付将会导致成本超支，进度计划延误，罚款支出和低质量产品。

　　3、对于某一项目干系人的机遇（降低成本）的事件可能对另一项目干系人是威胁（利润减少）。

　　4、由于使用数学方法，就可能使人们产生精确度和可靠性的错觉。

       风险量化的方法可以有下面四种。

　　1、期望资金额，期望资金额是风险的一个重要指标。

　　2、统计数加总。统计数字加总是将每个具体工作课题的估计成本加总以计算出整个项目的成本的变化范围

　　3、模拟法。模拟法运用假定值或系统模型来分析系统行为或系统表现。较普通的模拟法模式是运用项目模型作为项目框架来制作项目日程表。

　　4、决策树。决策树是一种便于决策者理解的，来说明不同决策之间和相关偶发事件之间的相互作用的图表。

量化对冲的学与问

       “量化对冲”是“量化”和“对冲”两个概念的结合。像闻名天下的索罗斯“量子基金”就属于相当纯粹的量化对冲基金，1992年干翻英镑、1997年狙击泰铢，各国闻之丧胆。

       所谓“量化”，是指通过借助统计学、数学，运用计算机从海量历史数据中寻找曾经发生的“大概率”事件，形成积极稳健的交易策略，并严格地按照这些策略所构建的量化模型来进行投资，力求取得稳定的、可持续的、高于市场平均的超额回报，其本质是消除因投资者主观判断或即时事件带来的情绪化操作。量化投资的最大的特点是强调纪律性。所有采用量化投资策略的产品（包括普通公募基金、私募基金、对冲基金等等）都可以纳入量化基金的范畴。

       所谓“对冲”，是指通过管理并降低组合系统风险以应对金融市场变化。对冲基金一般被定义为利用期货、期权等金融衍生品以及相关联的不同股票，也可以是多种相关联货币进行多空操作，从而预防或降低风险，达成追求绝对收益的目标。量化对冲可以采用市场中性策略、多空对冲策略、宏观对冲策略(这些操作的专业手法就是资金管理人要知道的事情了，就不在这里一一介绍)。说白了，所谓对冲，只要满足“杠杆交易”和“做空机制”这两大特点的基金产品，都可以称之为对冲基金。

       举个栗子，基民A为了管理身材，会根据各种食物的热量数据来安排饮食，比如1/4 碗饭=80千卡；1个煮鸡蛋=80千卡；1个小面包=180千卡……这就类似于“量化”管理。有一天，基民A不小心吃多了一点，怎么办呢？于是选择跑步1小时消耗掉摄入的多余热量，这就类似于“对冲”。

来源：腾讯网

“可解释的”人工智能正在提升金融部门的信任感

       人工智能正在用行动证实其在金融服务行业的价值，如今，其应用范围已经从识别欺诈行为和打击金融犯罪，发展到为客户提供创新的数字化体验。然而，这种从传统的基于规则的模型到利用机器学习模型做决策的演进，也正在为金融机构制造新的难题。

       如果缺乏适当的步骤来确保机器学习模型所做决策的可信度，那么许多企业组织可能会在不知不觉中暴露于声誉和财务风险中。使用缺乏“可解释性”和透明度的“黑盒”AI技术会使企业组织无法获悉决策产生的原因和过程，更无法获悉决策是何时出现问题的。

       AI应用以输出决策判断为目标，随着人们在日常生活中越来越依赖AI，能够理解决策产生的过程也变得愈发重要。这种情况下，“可解释的”AI概念应运而生。所谓“可解释的AI”是指人类能够通过动态生成的图表或文本描述轻松理解AI技术做出决策的路径。AI的可解释性越高，人们越容易理解为什么做出某些决定或判断。

       如今，金融机构正处在十字路口。IBM和Morning Consult的一项新研究发现，金融领域中44%的企业组织表示，有限的专业知识和技能是他们成功部署AI技术最大的挑战。在整个疫情大流行期间，采用新技术来提高运营效率并使金融机构在竞争对手中脱颖而出的压力越来越大。随着越来越多的组织部署AI技术，重要的是要确保输出结果的公平公正，提升对AI决策的信任度，并扩大AI部署规模以优化其业务运营。

金融行业如何提升对人工智能的信任感?

       首先也是最重要的，在任何金融机构开始考虑将AI集成到其业务运营中之前，他们必须先要从最基础的定义政策和规范等方面了解道德和值得信赖的AI技术。金融服务企业已经意识到了这一点，因为在IBM的《2021年全球人工智能采用指数报告》中，85%的受访者表示，能够解释人工智能如何做出决定对他们的业务很重要。

       金融组织应该能够清楚地定义“公平”在其行业中的真正含义以及如何监控公平。同样地，组织还应该清楚他们如今作为公司实体的立场以及哪些政策反映了这种立场。

       完成这第一步，金融机构便可以着手研究采用AI模型的特定用例。例如，考虑AI模型在各种信用风险场景中的表现。哪些参数会影响其决策?它是否不公平地将风险与人口统计相关联?

       所有这些元素都需要仔细考虑，并且需要在AI运行的整个生命周期——从构建和验证模型，到部署和使用它们——牢记这一点。如今，企业组织也可以借助各类相关平台来帮助指导这一过程，确保模型的公正和无偏见(在政策规定的公平范围内)，同时能够为监管机构提供可视化和解释决策的能力。不过，尽管市场上存在这些工具，但63%的受访金融服务组织表示，不适用所有数据环境的AI治理和管理工具是部署可信赖AI模型的障碍。

       金融机构如果对其AI模型更具信心，便可以将更少的精力花费在繁重的任务上，并将注意力集中在价值更高的工作上。例如，欺诈检测是当今金融服务中AI的常见用例，但误报率仍然很高。如果AI系统可以解释为什么它认为一个案例是具有欺诈性的，更重要的是，如果它能够证明自己不会系统地偏袒一个群体，人类员工便可以花费更少的时间来验证结果，而可以将更多的时间用于交付更高价值的工作上。

初创企业是否需要采取与传统金融机构不同的方法?

       归根结底，无论您是传统金融机构还是初出茅庐的初创企业，您都需要同等关注确保公平、道德和透明的AI技术。

       最突出的区别在于，传统金融机构已经拥有现成的模型风险管理实践，通常适用于传统的基于规则的模型。而且，传统金融机构也已经拥有部署到位的技术和流程，因此，改变方法通常更具挑战性。不过，无论使用哪种开发和部署工具，都必须考虑如何扩展现有模型风险管理实践以支持AI/ML模型。

       金融科技初创公司可能没有考虑对这项技术进行现有投资，这也使他们有更多的自由来选择具有内置功能的同类最佳开发、部署和监控平台。

AI在金融行业的未来之路

       对于那些仍将人工智能投资视为“冒险之举”的企业组织而言，此次疫情大流行可谓起到了催化剂的作用，让他们认识到了AI技术对于提高效率、减轻远程工作者压力等诸多好处。目前，金融行业中有28%的企业表示他们已将AI作为业务运营的一部分积极部署。虽然AI技术的渗透速度非常快，而且规模很大，但44%的企业表示他们仍处于探索AI解决方案的初步阶段，22%的企业目前没有使用或探索使用AI解决方案。这就意味着目前，大多数金融公司正在开发概念证明(PoC)或分析其数据以用于未来的增长和使用目的。

       随着步入“后疫情”时代，企业组织需要比以往任何时候都更加警惕，以确保其AI技术正在以“负责任”的方式运行，而非在助长系统性的不公正。世界各国政府即将出台的法律法规也将继续关注组织(尤其是金融行业)如何负责任地使用这项技术。

       总而言之，想要获取对AI决策的广泛信任，根本没有捷径可走，但企业组织可以从采取持续的、深思熟虑的步骤开始，以解决偏见和不公正并提高可解释性。

来源：搜狐网

风口浪尖的量化交易，你需要知道这些

一、当提到量化策略，我们说的是私募量化

       当提到量化投资，人们脑中浮现出的明汯、幻方、九坤、灵均等等一众机构，均为私募，而非公募基金，贝塔数据认为，私募在量化领域能够取得高于公募的成就，有其客观原因存在：

1、收割利器：高频交易

       公募基金由于合规因素，有严格的反向交易限制，高频策略在公募中不适用，因而公募基金多以基本面因子主导的低频策略为主，在目前尚未达到强有效的市场环境下，为私募贡献丰厚利润的高频量价策略在公募基金中并不适用。

2、衍生工具运用

       在衍生工具运用方面，私募基金受到的限制远远小于公募基金。以股指期货为例，目前股指期货参与者有两种编码，投机编码和套保编码。公募基金仅拥有套保编码，这意味着做空股指期货的同时，必须持有相应市值的对应股指成分股，而持有投机编码的私募基金则不受此限制，这使得对冲策略的灵活度大大提高。

3、策略容量

       高收益、低波动、大资金容量被称为投资不可能三角。公募基金依托管理规模的管理费模式下，管理资金体量大，使得许多容量较低的量化策略在公募体系内天然水土不服。

       贝塔研究院观点：由此，公、私募在量化策略领域的竞争可以说本就不在同一起跑线上，造成了公募量化投资以指数基金为主，私募量化策略百花齐放的格局。

二、量化策略类型图谱

1、量化选股

       将选股标准数量化、模型化，借助计算机强大的信息处理能力，筛选出符合条件的股票，即为量化选股。应用到具体到产品类型上，可进一步细分为纯股票多头策略和对冲策略。

       纯股票多头策略中，产品形式以指数增强较为多见。

       区别于主动选股，由于借助了量化手段的选股方式，能够打破股票跟踪数量的限制，使得投资组合得以极度分散。

       今年以来，小盘风格崛起，超额收益更易得的中证500、中证1000指数增强产品整体大幅跑赢主观选股策略，可谓量化大年。

       随着大批资金涌入，量化投资机构管理规模增长迅速，出于策略容量、监管态度和行情展望等多重考虑，多家量化私募于近期宣布停止新增募资。

       对冲策略中，可进一步细分出市场中性策略（持有精选股票多头，同时以股指期货、股指期权等工具做空，分离市场风险，获取选股的α收益）和股票多空策略（做多被低估的股票，做空被高估的股票，对于选股能力强的投资者，可获取双重α）。

       贝塔研究院观点：因资金利用效率的差异和权益资产长期增长的趋势，长期来看，纯多头策略的平均收益率高于对冲策略，而对冲策略的优势在于波动率更低，熊市体验明显优于纯多头策略。

2、套利策略

       策略基本原理是借助程序化手段，捕捉两种理论上价格联系紧密的资产，因短暂的市场失效造成的价格关系和理论不一致的机会进行交易，待市场回归有效时获利了结，例如：ETF套利（一篮子股票—ETF）、可转债套利（可转债—正股）、期现套利（期货—现货）、跨境品种套利等。

       贝塔研究院观点：由于盈利的高确定性，套利机会转瞬即逝，套利机会的捕捉依托于高效的交易系统，因而顶级量化机构每年在硬件设备上投入巨量资金，用以提高交易效率。

3、日内、日间趋势交易

       利用技术指标，而非基本面因素进行趋势交易，追求胜率而非绝对正确，不考虑交易成本的情况下胜率高于50%即可通过海量次数的交易不断积累盈利，本质上是一种统计套利，多应用于T+0交易品种如期货，在CTA（管理期货）产品中多见。

       贝塔研究院观点：在极高的换手率下，由于止盈止损机制严格，策略整体表现出较低的波动性和较小的回撤，预期收益较为稳定。由于和权益、固收等资产的相关性较低，量化CTA策略在资产配置中具有独特价值。

三、量化基金经理均是何方神圣？

       从国内头部量化机构核心人物的学历背景，可以窥见量化投资需要具备的能力：均无一例外地拥有超强的理工科学术背景。

       基金经理多学霸早已不是新闻，但贝塔数据仍能发现量化基金经理区别于其他基金经理的特质，即更为侧重计算机、数理方面的能力，而财务、金融背景则并非必须项。量化交易和主观交易在投资理念上具有显著不同，量化手段除了能将主观交易中归纳的规律抽象化，突破人脑限制，扩大检索范围，还可在海量交易数据中发现并无实际经济意义的统计规律，运用到投资交易中去。

四、结语

       今年七月至九月，A股全市场成交额连续破万亿，市场上出现量化交易额占比达到一半的传言，也出现了对于机器化交易的趋同倾向，将加大市场波动，导致风险的担忧。

       参考海外成熟市场的发展路径，量化交易在增加市场流动性、提升定价效率、提高市场有效性方面具有积极意义。从成交占比看，美国市场量化策略的成交占比达到40%，广义量化的占比更是接近80%。据业内人士测算，当前A股市场量化交易量占比约在10%-20%之间，仍有较大空间。

       从业绩表现历史上来看，贝塔研究院认为：我国量化交易具有明显低谷和高峰期，总体来讲，在小盘风格强势，或热点轮动迅速的市场环境下，量化交易更有优势。

       对于投资者来说，因短期业绩亮眼即冲动进场并不可取，而应从均衡资产配置的角度出发，在了解不同量化策略的原理和特点的基础上，合理配置。

免责声明：文章内容仅供参考，不构成对任何人的投资建议、要约或要约邀请，投资者不应以该等信息取代其独立判断或仅根据该等信息作出决策。市场有风险，投资需谨慎。

来源：贝塔数据

量化组合研究：基于分析师盈利上调的选股研究

　　券商分析师发布公司报告，出具相关盈利预测，这对于量化投资来说是一块非常重要的信息来源，其中盈利预测的上下调就表征了分析师对该公司未来基本面变化的态度。关于如何刻画分析师的盈利预测变化，国内外已经做了大量的相关研究，在此基础上，我们认为有些地方可以做进一步的调整，并给出了我们的度量方法：AFR指标(Adjusted ForecastRevision)。

　　回测期间2010/7/30~2021/10/29，在沪深300、中证500和中证全指三个不同的选股域，原始AFR因子都具有较好的选股效果。其中在中证全指内，该因子的RankIC均值为4.42%，IC_IR为0.58，多空年化收益为17.70%，多空信息比率为1.87，并且从十分组收益统计来看，该因子的多头组能获得较好的绝对收益。

　　基于此，在回测期间2010/7/30~2021/10/29，每月末筛选AFR值大于0的股票构成盈利上调股票池，并且按照盈利上调幅度从高到低选择全部股票、前100只股票、前50只股票构建S1、S2、S3策略，随着持股数量的集中，盈利上调策略的表现也有所提高。类比月度换仓策略，我们在每年3、4、8、10月构建财报季换仓的盈利上调策略，相较而言，财报季换仓策略的年化收益略低一些，但换手率有明显的下降，其中财报季调仓，每期持有盈利上调幅度最大的前50只股票，年化收益率为19.08%，年化双边换手3.43倍。

　　在盈利上调股票池内，我们测试了诸如业绩超预期、短期反转、市值、成长、流动性等因子的选股表现。其中业绩超预期因子具有较好的选股表现，月度RankIC均值为4.37%，IC_IR为0.79，多空年化收益为17.48%，多空信息比率为2.95。

　　进一步，我们构建财报季换仓的盈利上调增强策略：在盈利上调的股票池中，按照盈利上调幅度从高到低筛选前1/3的股票构成精选池，再从精选池中根据业绩超预期SUER从大到小筛选前50只股票构建组合。在回测期间2010/8/31~2021/10/29，财报季调仓的盈利上调增强策略的年化收益率为22.24%，同期普通股票型基金指数的年化收益率为11.91%，最大回撤上两者相当；分年度看，2011年以来基本上每年都能跑赢普通股票型基金指数，除了在2020年表现相对弱一些。

来源：东方财富网

发展绿色金融需精准量化碳减排效果

       央行11月8日宣布创设推出碳减排支持工具，以稳步有序、精准直达方式，支持清洁能源、节能环保、碳减排技术等重点领域的发展，并撬动更多社会资金促进碳减排。这是央行首次推出结构化货币政策工具，引导金融精准支持企业绿色转型发展。

       在“碳达峰、碳中和”目标引领下，高质量发展成为各界共识，绿色金融迎来重要发展契机。9月25日，中国金融学会绿色金融专业委员会主任马骏表示，按2018年不变价计算，在碳中和背景下，中国未来三十年的绿色低碳投资累计需求将达487万亿元。

       投资需要评估。央行要求，金融机构公开披露发放碳减排贷款的情况以及贷款带动的碳减排数量等信息，并由第三方专业机构对这些信息进行核实验证，接受社会公众监督。

       不过，碳减排量核算体系尚未明确，而生态环境部也暂未明确专业机构名单和相关验证资质。第三方评估机构如何量化、评估绿色项目的碳减排量，如何将碳排放量金融化？为此，时代周报专访了第三方评估机构绿融（广州）信息科技有限公司(下称“绿融科技”)总经理张涵。

       绿融科技成立于2018年，是中国首家绿色金融科技服务商，致力于运用区块链、大数据等数字技术提供绿色金融与碳中和解决方案。目前，绿融科技正为南方电网、兴业银行、浦发银行等企业提供绿色金融、碳中和相关数字技术服务。

       “碳减排”如何与金融结合？

       绿色金融产品范围广泛，覆盖绿色债券、绿色信贷、绿色股票、绿色投资基金、绿色担保和碳信用，以及绿色保险、租赁和金融衍生品，还包括向发展中国家提供的双边和多边气候资金。碳减排大背景下，金融业务如何展开？

       张涵向时代周报记者分析指出，目前金融机构面临两个问题：一是如何实事求是地做好碳核算，二是如何真正发挥绿色金融的“影响力”与“额外性”。“以规模最大的绿色信贷来说，绿色信贷是服务绿色发展的信贷，一笔贷款减少了多少碳排放，数值需要科学、精确地计量，这就是央行等监管一直强调的‘可操作、可计算、可验证’。”张涵表示，这也与国际国内碳市场所通行的MRV原则（Monitoring监测、Reporting报告与Verification核查）不谋而合。

       央行货币政策司司长孙国峰也指出，碳减排支持工具的设计按市场化、法治化、国际化原则，充分体现公开透明，做到“可操作、可计算、可验证”，确保工具的精准性和直达性。

       碳减排支持工具只是绿色金融的组成部分之一，但央行定调该货币工具的“可操作、可计算、可验证”定位，对所有绿色金融工具都有启示意义。这意味着，要做好碳核算，金融机构需和第三方评估机构合作，利用数字评估系统解决企业碳排放量的测算问题。

       评估机构根据不同场景研发服务债券、融资租赁与信贷等金融产品的评估认证及碳核算工具、平台，以提高绿色金融产品的碳核算效率，使成本显著下降。“比如我们建立数字化的‘碳-绿色金融’信用模式，替代人工碳核算，以应对人工认证低效高价、道德风险、标准性差等顽疾，解决绿色金融产品的碳核算问题。”张涵说。

       时代周报记者了解到，绿融科技研发出绿色金融智能评估认证系统“绿色金融共识”，利用区块链分布式记账、可追溯等技术特性构建金融信用体系；同时发挥区块链共识机制作用，结合大数据应用，以实现绿色金融产品的智能化认证与ESG风险管理。

       “绿色金融共识”属于智能数字化认证与量化管理系统，利用区块链技术手段确保相关信息、数据的真实、高效、不可纂改、可追溯并规避道德风险；同时，利用智能合约技术实现自动、半自动化认证，从而构建高效、低成本的碳中和绿色金融服务体系。

       金融科技是金融助力碳达峰、碳中和目标的重要力量。比如，科技公司联合金融机构，共同探索基于碳属性的金融产品的风险定价模型，并将碳属性评估嵌入到各类金融产品的发行和交易过程。

       绿融科技与浦发银行合作推出全国首笔碳中和挂钩贷款，基于区块链提供的认证信用基础，设立与碳减排量挂钩的差异化利率机制，信贷申请方光伏发电企业减排量越大，享受的利率也将更低。金融机构利用利率杠杆形成激励机制，推动企业减排。

       绿色金融要充分发挥效力，就要创设与绿色属性、环境效益挂钩的金融定价机制，把环境因素纳入金融投资决策。“利用金融手段正向引导企业重视环境效益，构建影响力，这就实现环境外部性的内部化。”张涵认为，金融机构支持绿色项目的信贷必须体现差异，“如果没有差异，绿色信贷就没有‘影响力’或‘额外性’。”

       “比如，央行推出碳减排支持工具，向商业银行提供1.75%的低成本资金专项支持碳减排项目，这就体现出金融工具给碳减排项目带来‘额外性’，也意味着支持碳减排项目的绿色信贷存在‘影响力’。”张涵进一步表示。

绿色金融科技方兴未艾

       通过海量碳核算认证经验，第三方评估机构构建数字化碳核算系统，以实现碳排放数据的“可操作、可计算、可验证”。

       “任何绿色金融产品的评估认证核心都与绿色债券的‘四大基石’一致，即资金是否用于绿色产业项目、是否建立了适当的绿色项目评估与选择程序、募集资金的跟踪管理是否合格以及信息披露是否合格。”张涵表示，对服务“双碳”的绿色金融，更需要对碳减排效果进行精准量化。

       现实情况是，企业污染排放数据填报并不规范，存在异常数值或空值现象，中小企业排污数据更流于表面。比如，企业能源消耗数据总体披露比例过低，空气质量数据和污染排放数据披露时间过短等。金融机构难以精确识别“漂绿”项目。

       而金融机构较难建立专业团队进行有效评估碳排放量，需要专业机构或专业技术工具的支持。绿色信贷规模大，且碳减排核算、验证的精度要求较高，因此，人工认证难以提供适当的性价比。“绿色金融发展需要新的技术、模式，为企业提供新的解决方案。”张涵说。

       在张涵看来，数字技术的最大作用就是降低成本、提高效率。绿色金融领域已出现数字技术的应用方向，但绿色金融发展尚处初期阶段，绿色金融科技方兴未艾，未来发展空间不可限量。

       金融科技具有场景、渠道、数据和技术优势，能高效形成规范化的绿色信息披露报告，助力企业绿色项目符合监管要求，同时降低企业信息披露成本。

       “金融科技重构信用体系。”他认为，金融机构利用科技实现去中介化，增加直接融资，以进一步降低中小微企业融资成本。绿色金融的普惠性将愈加浓厚，这也将进一步推动绿色低碳转型。另一方面，金融科技将聚焦‘如何更好地将环境外部性内部化’，建立绿色信用体系，用绿色信用来影响金融决策与定价。

       张涵还认为ESG等非财务风险的识别与管理同样不能依靠“人工打分”，这需要基于数字科学搭建适当的方法与体系。环境效益核算要求科学、精确，数字技术比人工更具优势。

来源：时代周报

阿牛智投服务会员 推出“超强大脑”

       股票市场波诡云谲，大量信息让人无所适从。普通股民在投资过程中，往往有四大痛点：选股、择时、仓位、情绪。为了帮助投资者解决投资痛点，阿牛智投服务会员，推出了“名师+大数据”的“超强大脑”产品。

       阿牛智投负责人周凡表示，“超强大脑”具有百人专家团队、大数据研究中心、24小时热点监控、智能风控系统的特性；可以为投资者提供“六个服务”：个股账户诊断、VIP投资周刊、个股买卖提示、仓位风险管控、1对1专属客服、股票大户室。

       在选股阶段，“超强大脑”产品用大数据选股模型初选股票池，资深投顾团队结合实战经验，根据业绩拐点、市场热点、行业风口等选股策略进行二次筛选。在择时方面，根据消息面、资金面、筹码面、技术面、情绪面，五维一体，结合大数据策略参考，选择最佳个股买卖点。在仓位配置上，“超强大脑”采用智能仓位配比，针对不同个股风险收益比不同，合理配置仓位。降低持股过于集中的潜在风险，分散投资，均衡组合收益。同时，“超强大脑”首创股票大户室互动节目，帮助投资者抛开情绪，理性看待当下市场环境，做到该买时不恐惧，该卖时不贪婪。

       阿牛智投，聚焦金融科技及智能投资，致力于为中国亿万普通投资者打造”有温度“的智能投顾平台。公司获中国证监会颁发的《经营证券期货业务许可证（证券投资咨询）》，是中国证监会核准开展证券投资咨询业务的83家证券投资咨询公司之一，也是山东省内仅有的三家合格证券投资咨询机构之一。

基于动态因子调整的可持续量化选股策略

       在开发量化投资策略时，海外优秀论文往往能够提供新的思路和方法，为了能够让各位投资者更有效率地吸收海外的经验，东兴金工团队推出海外文献速览系列报告。我们将定期从海外文献中筛选思路较为新颖且有潜力应用于国内市场投资的文章，以速览的形式呈现给各位投资者，内容涵盖资产配置、量化选股、基金评价以及衍生品投资等多个方面。

　　量化选股是一个热门的学术研究领域。尽管在量化模型和过程方面已经做了很多工作，但仍有一些地方可以改进。首先，在预测目标的设定上，以往的研究往往以股票收益率或价格是上涨还是下跌作为预测目标，但收益率往往包含一些噪声，而两种分类(上涨还是下跌)的设定并没有捕捉到很多现有信息。其次，在因子选择方面，以往的研究往往是静态地选择因子，但因子通常在一段时间内是有效的，之后可能不再有效。在本文中，作者提出了一种可持续的量化选股策略，它能在长期内在熊市、牛市和波动市场上运作良好。

　　在本文中，作者使用随机森林模型为训练集在每个时期动态选择因子，以确保每个时期可以选择的因子是当期的最优因子。

　　同时，对股票收益进行分类概率预测(CPP)。该方法可以有效兼顾收益预测的准确性，避免噪声对收益率的干扰。

　　CPP 量化选股策略设计的基本思路可简单概括为如下几步：第一步，将每只股票按月收益率分入5 个区间，通过随机森林(RF)模型将因子筛选到模型中；第二步，通过重新组合每个时期的因子和收益率区间来构建训练集和测试集；第三步，使用RF 模型来预测每个训练集的因子的重要性，并按重要性降序排列，采用动态因子选择法来选择当期最重要的因子；第四步，使用XGBoost CPP 方法进行分类预测，将每只股票分入5 个收益率区间并按概率降序排列，将概率最高的前20 只股票纳入股票池，调整仓位时卖出股票池之外的股票并买入池中的新股票。

　　作者指出，拟合选股方法容错性相对较低，并且收益中的噪声通常很大，回归错误的概率通常很高，容易造成较大的最大回撤。多类概率预测选股策略不是选择预测收益率最高的股票，而是要在确定预期收益率的区间之后，选择该区间内收益率最高的股票，这种方式使得选股准确率和容错率都得到了提高。历史回测表明，基于动态因子调整的CPP 量化选股策略表现优于传统的机器学习选股方法，在大部分回测期内均能跑赢同期的沪深300 指数。

　　作者对量化选股策略的研究方法值得我们学习和借鉴。作者运用机器学习方法在因子动态调整方面的创新值得我们关注。

　　风险提示：

　　本报告内容来源于相关文献，不构成投资建议。文中的结果基于原作者对历史数据的回测，当市场环境发生变化的时候，存在模型失效的风险。

来源：天天基金网