一文看懂量化投资的特点与优势

       量化投资作为一种新兴的投资方式，已经得到了欧美等成熟股票市场、期货市场多年验证。

　　数据显示，美国资本市场90%的股票交易量都来自于量化，50%的资产是由量化策略管理的，而在中国资本市场，这个占比只有20%。

　　国内知名量化私募幻方量化董事总经理、基金经理蔡力宇认为，量化在中国的未来非常有前景，量化基金的管理规模应该会越来越大，比例越来越高，规模的天花板也会持续突破。

　　那么量化到底有什么好处，让市场如此沉迷？让我们把时间的指针往回拨动，回到90年代的法国。

　　纪律性：量化交易的起源

　　从现存的资料来看，最早采用科学方法试图归纳总结股票规律的人，是法国的朱尔斯·雷格纳特。

　　朱尔斯·雷格纳特是巴黎证券交易所的一名股票经纪人助理，他非常厌恶内幕交易以及那些通过技术图表寻找短线交易机会的投机者。他认为只要频繁地进行短线操作，最后快速破产是必然的事。

　　因为短线交易与赌博很像，有人赚的同时就有另一个亏，再加上有证券交易所在边上抽取高额的手续费，这是一个妥妥的零和博弈游戏。

　　而雷格纳特是牛顿的铁粉，他试图模仿牛顿的天体运行理论用科学的方法去预测股票的涨跌。

　　他通过对过往的交易价格进行分析，得出当时巴黎最大的证券交易品种——3%的永续国债的合理价格为73.4法郎。

　　在低于这个价格的时候他就会果断买入，跌的越多买的越多，高于这个价格就会卖出，涨的越多就卖的越多。就这样他实现了“财务自由”。

　　我们现在可以看到朱尔斯·雷格纳特的策略利用了正态分布和均值回归等统计学理论，做出了一个简易的量化投资策略。

　　这个策略可以避免他追涨杀跌，这也就体现出了量化策略的第一个优势：纪律性。

　　人性的贪婪，亏损的厌恶，都可能带来追涨杀跌的投资结果，但是量化策略是完全基于设定的交易条件进行买卖，可以避免人性弱点导致的亏损，具有很强的纪律性。

　　及时性：爱德华·索普的财富密码

　　雷格纳特看不起短线交易，觉得短线交易就是在赌博。但他没想到在100年后的美国出现了一位传奇赌徒，这个人就是爱德华·索普。

　　爱德华·索普作为麻省理工和加州大学的数学、金融学教授，是个不折不扣的数学天才。他通过IBM计算机和概率论的凯利公式发现了21点的记牌技巧，并发表了论文《21点的优选策略》。

　　爱德华·索普在掌握“技术优势”后一夜之间横扫内华达州雷偌市所有赌场，对普通赌徒展开“量化屠杀”，最后被当地的赌场老板永久禁止进入赌场。

　　一家小小的赌场也满足不了这样一位数学天才，1969年索普创立了全球首家量化对冲基金，他利用量化的数学公式计算出证券的合理价格，一旦偏离就通过计算机立即抢筹。而他的两只对冲基金在30年内，年化收益率稳定在19%~20%左右，无一年亏损。

　　最后在1964 年的和1967年写下了《干掉庄家》、《干掉市场》两本书籍，至今都是金融从业者的必读书籍。

　　这也就是量化策略的第二个优势：及时性。

　　由于量化交易只要触发价格指令就会自动进行交易。相较于人工下单，有效地降低了时滞，可以更快的抓住机会，获得投资收益。

　　特别是在如今量化交易越来越普及的现在，谁能比别人更快的发现市场的定价错误，谁就能取得更高的收益。

　　系统性：桥水基金的全天候策略

　　桥水基金作为全球最大的对冲基金，在2008年成功预测金融危机而一战成名，当年在多支大型基金破产的情况下，桥水基金的收益高达14%。

　　达里欧说自己的桥水基金无视市场波动，不管大盘好坏都能获得稳定的收益，虽然这个牛吹得很响，但是达里欧起码在2020年之前都做到了。

　　而在去年3月份新冠疫情爆发之后，关于“桥水基金爆仓”的传闻在金融圈疯传。随后达利欧辟谣，表示桥水没有爆仓，只是巨亏而已。根据桥水基金3月18日的基金日报显示，桥水基金旗下的纯阿尔法基金于今年已经累计下跌约21%。

　　人们都知道要在把鸡蛋放在不同的篮子，但这批鸡蛋都是同一只母鸡下得怎么办？这个篮子都是同一个工厂生产都有质量问题怎么办？

　　2008年金融危机来临的时候，美国所有的股票都在下跌，因为整个资本市场都出现了问题，如果资本市场这只“大母鸡”都生病了，那么他下出来的这一批蛋都是有问题的。

　　当时的美国市场股债齐跌，那些只在美国市场进行分散的投资基金大多都倒闭了。而桥水基金的全天候策略则是进行了全球配置，美元、黄金、期货、国债、股票，几乎都做了配置，而且桥水不止在美国做资产分散，也在欧洲和新兴市场国家进行了资产配置。

　　这样桥水基金才能保证充分分散风险，他要吃的所有国家的发展红利。直到这次全球性的新冠疫情爆发，让整个全球经济出现了停摆，桥水基金这才出现了亏损。

　　这也就体现了量化策略的第三个优势：系统性。

　　量化策略的规则可根据需求多维度、多角度来进行配置。可以从资产配置、行业分散，也可以从宏观周期、市场结构等角度来进行配置。所以量化策略的系统性，能捕捉到更大的投资机会。

　　量化交易是以数学模型替代人为的主观判断，利用数学公式与计算机技术从庞大的数据中寻找能够带来盈利的“大概率”事件。量化交易的本质上是数学与概率论的利用。

　　百花齐放的国内量化投资机构

　　随着国内资本市场的日益成熟。近些年，国内也涌现出了一批优秀的量化基金。

　　在我们的公募私募里也许许多多的量化策略，大家最常见的公募量化策略大致有指数增强、量化选股、和量化对冲这三种。

　　其中在量化模型中最广泛运用的，是多因子模型。通过对市场进行回测，挑选出那些能够带来丰厚回报的因子。

　　举个例子：我可以通过量化策略来批量挑选那些ROIC常年稳定在20%~30%，并且现在PE低于30的公司。再对这些公司进行数据分析。这种HI与AI相结合的量化选股基金也能取得不错的收益。

　　公募中浙商基金是业内首家提出“AI驱动”的资产管理公司，而浙商基金利用AI赋能的绝对收益策略产品“智多”系列已经成为其明星产品。私募中做的比较好的也有明汯、幻方、灵均等。

　　不同时代有不同时代的量化，一个策略用得多了，收益率也就降低了，没有能永远有效的量化策略，唯有不断在量化投资上不断深耕的优秀投资人才能永恒。

来源：证券之星

浅述因子投资在A股市场的发展

       过去的2020年，成长风格表现突出、盈利性稳定突出的核心资产的优异表现也让“抱团”之争甚嚣尘上，强者恒强的走势在2021年春节前达到了顶峰并在春节后反转，以“茅指数”为代表的绩优龙头股出现了大幅的回撤，取而代之的是银行、钢铁等为代表的高股息和低市净率股票。

       同时，这种极致风格的演变和转化也让“成长”、“动量”、“价值”等字眼深入人心，这些特征在传统投资中叫做风格，在量化投资中则称之为因子。因子可以广泛的用于资产定价、风险管理以及业绩归因中，而多因子选股模型更是量化投资的主流。前文《浅谈因子投资》从量化投资的角度就各类因子、模型的起源以及因子投资的历程进行简要的阐述，本文将继续讲述因子投资在A股市场尤其是公募基金市场的发展现状。

       主动量化、指数增强基金以及SmartBeta ETF是A股市场比较有代表意义的因子投资产品，三者分别从主动、半主动、被动的管理方式来实践因子的投资。经过十多年的发展，这三类基金在A股市场也得到了稳步的布局和规模提升，逐渐成为了主流的公募产品类型。

       十年来，主动量化以及指数增强公募基金只数和规模都在稳步增加，尤其近三年来有着进一步加速的趋势。近年来资金配置化特征越发明显，主动量化及指数增强基金凭借其可控的主动风险管理以及潜在的超额收益空间优势，成为了机构进行资产配置时不可忽略的一类产品，也印证了因子投资在A股市场是一种有效的投资方式，逐步得到资金的青睐。

       与主动量化、指数增强基金经历十多年的稳步增长不同，SmartBeta产品主要从2017年开始快速增长，伴随着A股国际化、机构化的趋势，被动指数基金迎来爆发性增长，伴随各家基金公司在宽基、行业等赛道先后进行了布局，SmartBeta成为了大家开始关注的新赛道和增长极，以SmartBeta ETF为例，2017年以前存量极其有限，而近三四年得到了快速的布局和配置，数量和规模都有着较快速的增长。

       A股市场SmartBeta ETF布局的因子主要在股息率（红利）、质量、低波、价值以及成长等方面，而其中红利ETF无论从数量还是规模都占据了绝对多数，并且很多基金同时选择了红利和低波因子进行配置投资，体现了A股机构投资者对于这类稳健风格的偏好，从而获得了较快的发展，也具有较大的成长空间。

原始数据来源：WIND资讯

来源：北信瑞丰基金

美联储量化宽松或覆水难收，对全球经济金融市场影响巨大

2021财新夏季峰会于2021年6月23-25日在北京举办，中国银行保险监督管理委员会领导于学军出席并演讲。

       于学军表示，全球经济正处于演进变化的敏感时期，短期内难以回归常态。

       他解释称，首先，今年全球经济面临的复杂性和敏感性是受去年新冠肺炎疫情在全球的暴发、蔓延而形成的，“这个冲击太大了”，他引用联合国报告“是自上世纪30年代经济大萧条以来，全球经济最严重的收缩，收缩的程度是2009年国际金融危机的2.5倍”。

       “从我们的记忆来说，这次疫情至少是自第二次世界大战以来对全球经济、人类社会最大的一次冲击”，他说。

       去年全球经济总体下降4.4%，由于中国疫情控制得好，并且防疫和经济工作两手抓，复工复产有力有效，成为了全球前十大经济体中唯一实现正增长的国家，全年经济增长2.3%。于学军说，“这个（增长）2.3%，现在非常有名，我们看电视、报纸，包括国外的一些学者，他们也经常提起来2.3%”。

       第二，由于新冠疫情对全球经济形成的罕见冲击，所以各国政府普遍实行了超宽松的刺激性经济政策，历史比较来看，这些政策力度是空前的，在各国稳定经济和维护社会秩序等方面均发挥了重要作用，但与此同时这些超宽松的政策也带来许多问题。

第三，全球地缘政治的变化和影响。

       于学军表示，控制疫情的关键环节在于疫苗的研发和接种，各国都希望可以毕其功于一役，现在看进展很快，远超出人们之前的预期。未来如何变化取决于两个因素，一是疫苗的有效性，包括有效期，尚有待时间检验。

二是新冠病毒变异的速度和复杂性。“过去我们做银行监管常说的一句话，叫做‘监管就是与风险赛跑’，今天我们把这句话借用过来，我们认为抗击新冠疫情实际上也是与新冠病毒的变异赛跑”，他说，总体来看人类抗击新冠疫情的形势已现光明，现在普遍看起来是乐观情绪主导，相信对经济的负面影响也会逐步减弱。

谈及超宽松的刺激性政策何去何从，于学军分析了美国的情况。

       去年在特朗普执政时期，新冠肺炎在美国大面积传染之后，美联储在3月中旬一次性将联邦储备利率由1.5%-1.75%调低为0%到0.25%，即所谓的“零利率”。年末美联储又加大QE政策，从12月起将其购债规模每月增加到1200亿美元，拜登总统上任之后，进一步加大财政的刺激性政策，最具代表性的就是于今年4月通过的1.9万亿美元的新冠纾困法案。另外，还提出基建投资的复兴计划。开始拟定的是2.25万亿规模，最近有所压缩，预计约1万亿美元。

       去年开始美联储实行超宽松的货币政策，使其资产负债表大幅增加，已从初期的约4万亿美元陡增至年末的7.5万亿美元，最新大概要达到8万亿美元。这使全球的美元流动性不断膨胀，并造成大宗初级商品的价格大幅上涨，包括粮食也出现罕见的涨价现象，全球对通胀的担忧由此产生。

       于学金认为，随着美国抗疫形势出现好转，在货币超宽松刺激政策累加的作用之下，美国经济出现强势反弹，最新据经合组织OECD中期经济展望预测，今年美国经济将增长6.9%，比之前的预测调高了0.4个百分点，针对这些新变化，美联储在6月最新的议息会议上已开始释放鹰派信号，市场预计美联储加息或提前一年至2022年下半年。另外预测通货膨胀大幅上调。预计2021年美国的PCE及个人消费支出价格指数将升到3.4%，较3月的预测值上调1个百分点。

       “我们处于这样一个宏观调控政策有可能随时发生调整变化的窗口期，所以市场表现极为敏感，一个信息、美联储的一句措词都有可能引起市场的巨大波动。现在粮食、铁矿石、石油、黄金、汇率几乎每天都出现上涨、下跌，有不同的变化，没有一致的方向，处在这样的一个敏感期”，于学金称。

       为什么短期常态难回归呢？他给出两个原因，一是新冠疫情的冲击太大，现在疫情控制仍然难以预料。另外，疫情控制之后其对人类社会产生的重大影响，尤其是对经济活动的影响，也需要一个时间进行评估。

       二是各国超宽松的刺激性政策形成了重大影响，这些政策的退出需要一个较长的过程，并且覆水难收，尤其是美联储投放出去的基础货币很难在短期收回，也许会成为一段历史永远保留下去。“2008年美国发生金融危机之后，美联储就实行了量化宽松的货币政策，这个之前美联储的资产负债表不到9000亿美元，后来最高增加到了4.5万亿美元，现在又增加到8万亿美元。这样计算下来，预计最终美联储的资产负债表将比2008年金融危机之前提高10倍以上，这些大量的美元流动性投入到世界各地，对全球经济金融市场形成巨大影响，尤其是下一步对通货膨胀的影响，我认为短期内难以消除也难以准确评估”。

来源：新浪财经

CTA产品按“暂停键” 知名量化私募加码多策略

      6月21日，知名量化私募白鹭资管发出公告，暂停CTA(管理期货策略)单策略产品的募集。作为今年以来私募策略中收益最高的一类产品，CTA产品极其吸引各界眼球。对于暂停单策略产品募集的原因，白鹭资管表示，主要是为了给多策略产品留出空间，并且，对普通投资者而言，多策略产品或许更适合长期投资。

给多策略产品留出空间

       6月21日晚间，知名量化私募白鹭资管发布公告表示，基于保障投资者利益的考虑及公司于多策略领域持续深耕的战略规划，决定将于7月15日起暂停旗下CTA单策略系列产品的新增资金，白鹭量化多策略旗下各子策略均具备容量空间，多策略系列产品的募集暂不受影响。

       未来，白鹭资管将持续关注策略容量的动态变化，在接近策略容量上限前，提前进行相应产品系列的增量限流，暂停募集规划，并提前告知投资人及合作伙伴。

       白鹭资管相关人士在接受记者独家采访时表示：“并不是达到容量上限，CTA策略仍有容量，只是提前把CTA单策略产品停了，主要是为了给多策略产品留出空间。”

       他进一步表示，这样做也是为了持有人着想，今年以来CTA策略一直比较受欢迎，若单纯为了扩大规模，完全可以放开CTA单策略产品。CPA产品保证金只占用百分之二十，若只做单独的CTA产品，剩下资金就成闲置或进行现金管理。但多策略产品相当于剩下资金可以用满，获取一定收益。

       另一方面，他表示，近两年CTA策略大火，受到大量资金追捧，但实际上，很多客户并不理解CTA策略的特征，并没有长期配置的思维，只是被过去的高收益所吸引。对于这类客户，他认为，更适合投资多策略产品，因为回撤更小，收益来源更多元，更有利于客户长期投资。

管理规模是收益“杀手”

       无独有偶，此前，金牛量化私募黑翼资产合伙人邹倚天在一次会议上透露，去年黑翼资产控制短周期CTA规模，主要是出于策略容量上限的考虑，因为短周期交易频率比较快，对应的策略容量比较有限。在他看来，管理规模是收益的“杀手”，为了保障投资者收益，需要暂时封盘。但是，动态规模和行情表现有一定关系，若行情转向，就会有更多资金涌进来，因此，会观察各类数据动态来调整资金容量。

       对于CTA策略投资者而言，国金证券认为，未来防范风险的优先级应高于博取收益，建议投资者在配置期货宏观策略时，关注产品的夏普比和卡尔玛比等指标，多元化整体投资组合。权重方面，建议标配期货宏观策略。

       三方机构数据显示，私募八大策略中，截至5月底，CTA策略前5月平均收益7.32%居于首位，1-5月收益最高的相关私募产品收益高达96.44%。不同规模的相关私募机构平均收益全部为正。其中，百亿规模级期货私募1-5月平均收益7.91%；50亿-100亿元规模的期货私募平均收益为6.33%；20亿-50亿元规模的期货私募平均收益为7.03%。

       此外，CTA产品发行如火如荼，据朝阳永续数据，截至5月27日，今年以来发行CTA产品数量达736只，去年同期仅为458只，同比增长60.70%。

来源：中国金融信息网

财富管理需求猛增，智能投顾成新风口

       当前,百年变局和世纪疫情交织叠加,世界进入动荡变革期,在全球化背景中,尽管中国经济体现出极强韧性,但如何应对不稳定性、不确定性显着上升的外部环境变化,成为金融投资不可避免的话题。

       在过去不平凡的2020年,全球大宗商品开启牛市周期,CTA基金备受青睐,股票市场波动引发参与衍生品热情高涨,中国期货市场万亿规模近在咫尺,财富管理迎来崭新机遇。

       截至2020年底,中国个人金融资产已达205万亿元人民币,创下历史新高,预计未来仍将维持10%的增速,预计2025年这一数字有望达到332万亿。

       而另一方面,对标世界发达经济体,中国居民的金融资产占比明显偏低。据央行统计,2019年中国居民的住房资产占总资产的59%,而金融资产占比仅为20%左右;与美国的24%、71%相比,资产配置仍存在优化空间。

       麦肯锡预测:财富管理将迎来黄金十年,商业模式由产品销售转向“客户需求驱动的投顾模式”。

       如今,投顾模式成为财富管理行业的发展方向。与此同时,智能投顾作为新基建应运而生。作为中国智能财富管理技术服务提供商,理享家为从业机构以及人员打造了一个完整的中后台系统,最终服务于正在快速增长的中国新中产阶层。

       理享家表示,过去5年,中国个人财富的资产配置逐步多元化。一方面,存款、信托和银行理财占比下滑,基金、股票和保险占比持续提升。然而,对比美国市场(储蓄/非现金类的金融资产占比约85%)中国财富管理市场的资产配置结构仍有较大的进步空间。而另一方面,我国居民持有的投资品类较发达市场普遍更少,未来人均持有的金融产品个数有望进一步提升。这两大趋势都预示着资产配置多元化步伐即将加速。

       随资产配置多元化应运而生的,是对资产配置专业性要求的提升。由于国内个人投资者的理财知识、理念尚未赶上供给端的演变,其自主参与投资的难度正在加大,而对专业投顾的需求也日益增加。

       据了解,智能投顾是利用量化算法为客户提供投资顾问服务的一种模式。通过了解投资者的财务状况和风险偏好,为客户制定符合其自身状况的资产配置组合。

       智能投顾将通过技术手段优化投顾业务流程,进而提高从业者工作效率,还可以大幅降低传统财富管理行业中的人力成本,同时为投资组合进行节税安排,降低投资者的税务成本。

       理享家认为,在财富管理规模不断扩大、财富管理需求不断变化的时代,无论是互联网金融机构,还是传统金融机构,例如银行、券商等,都在积极布局财富管理业务,并且智能化、数字化手段被不断应用于财富管理领域,而这也将带给更广人群更智能化、更专业化的财富管理服务。

来源：华财网

Ai数字货币智能量化系统让区块链投资进入3.0时代

       随着数字货币日趋成熟，个人通过早期投资项目达到财富自由的神话越来越难以见到。数字货币市场的大环境已经发生了根本性改变，除了摆正心态，个人投资者们还需要调整策略，迅速进入到区块链投资的新阶段。

       如果我们把低成本囤币叫做区块链投资1.0，个人早期投资项目叫做区块链投资2.0，那么现在我们即将进入区块链投资3.0时代——投资者进行资产合理配置、投资组合优化与专业量化交易。星轨ABVSTAR量化云交易系统正是立足于区块链投资3.0时代而创立的数字资产管理平台，可以帮助广大数字资产投资者与专业的投资经理以及基于AI的智能投资顾问之间建立一个透明而公开的桥梁。

AI如何赋能数字货币量化投资？

       如何以大数据、人工智能技术驱动数字货币量化发展，深度挖掘数字货币市场潜在的机会，并实现其价值最大化，星轨ABVSTAR量化云交易系统的实践给出了详细的阐述。

       星轨ABVSTAR量化云交易系统基于强大的大数据及人工智能技术，对全球海量数据进行精细化分析和深度挖掘，构建量化模型，用量化数据可以处理数字货币交易并监控全球数字货币市场瞬时差价和多种免费的交易机器人群。这意味着投资者不需要做任何事情来监控市场，只需要设置机器人的参数即可开始自动搬砖套利。为投资者提供投资机会分析，从全球角度制定最佳投资策略。

推动数字货币市场新变革

       AI量化的发展推动了数字货币市场的新变革，传统手动搬砖者在新的潮流下还手动搬砖的话，已无利可图，软件搬砖需要人工盯盘，电脑死机重启等问题，不可控制的因素太多早已过时，AI量化凭借其强大的算法能力，可以捕捉行情最快、量价挖掘最准、组合监控最多，风险控制最稳等明显优势。并可以将以前人工较难考虑的因素纳入到投资模型中去，通过机器学习等人工智能方式去挖掘历史规律，发现可行的投资策略。

       借助区块链技术，打造达菲 (DAFEX) 的人工智能交易系统,达菲 (DAFEX) 借助区块链技术，保证真实性和可溯源性，真正确保每个量化交易策略有迹可循，有源可查，并使其金融化、信息化，实现技术与网络的价值连接；借助区块链发行链上的数字加密货币，使人人可以参与、监督、流转、变现和宣传其金融属性价值。同时，达菲 (DAFEX) 的人工智能交易系统,将区块链技术延伸至价值信用体系的互联网，保证私人财产不被侵犯，将高盈亏比的量化交易策略技术上链且不可篡改，保证其本身的真实价值，构建健康高效的量化交易策略链上经济圈。

来源：比特币女王金小雅

量化投资要遵循科学研究的规范

       得益于股神巴菲特多年不遗余力地“推广”，指数基金早已飞入寻常投资者家。不过，比指数基金多了两个字的指数增强基金，似乎多了几分神秘的色彩。

        中泰资管研究部总经理李玉刚表示，指数增强基金是一种以“既要又要”为投资目标的基金。所谓既要，是追求超过基准指数的超额收益，主动性上寻求高配“好”的，低配或放弃“差”的，追求超越于指数的业绩；所谓又要，是控制基金收益率与指数收益率之间的偏离度（跟踪误差），波动上与指数尽量保持一致, 维护收益来源的“基本盘”。

       那么，这种“既要又要”的目标怎么达成？不少人的第一反应是，因子。动量、成长性、质量、价值、市值、分红率……这些因子被认为与股市走势有比较高的相关性，找到它们也就找到了增强的密码。

       不过，在李玉刚看来，如果对这些因子没有梳理出经济逻辑上的因果传导链条，这些因子并不可靠。“以上种种, 都可能是与股市走势关联性较高的因子。但某个因子在具体的时点上起什么作用、作用有多大，往往是后验的，且不同的因子的持久性与可靠性也不同。重要的不是历史表现，而是要经得起各种合理的质疑。我们的行动是基于我们的信念，错误的信念很难保证长期的成功。‘真实的’信念从哪里来？科学的方法是我们知道的最可靠的知识来源。”李玉刚说。

未来并不一定是历史的重复

       投资的世界是概率和不确定性主导的复杂系统，历史数据很难完全刻画和反映这种系统。李玉刚打过一个比方，如果把一块冰放在桌子上，等它融化后，要从桌面上那摊水的形状推测计算原来冰块的形状一样，是很难的事情。

自2001年从业至今，李玉刚见证了国内市场量化投资的兴起与发展，对于量化投资的认识也在逐渐加深。他认为，在投研领域探寻“真知”，同样应该遵循科学研究的规范。在这个过程中，偏见、尊严、权威以及个人经验的扭曲等等因素都会阻碍“真知”的获取。科学方法正是这样一套规范的程序，让我们克服个人认知的缺陷，避免自我欺骗形成错误的信念（认为自己知道，其实并不知道）。

       “大家通常讨论的这个因子有没有效、那个因子有没有效，是指预测超额收益有没有效。这种方法是基于历史检验，是一种统计的思路。历史会在未来重演是这些因子奏效的前提，但未来却并不一定是历史的重复。多数的因子，都经不起合理的质疑。在投资方法论上的基本态度是，寻找Alpha因子的过程是理性主义的，必须按照经济逻辑来寻找，数据挖掘技术只是辅助验证的手段。我们更强调投资的过程，不单纯看数据，还要看数据背后的逻辑，对自己的知识积累有规模效应，这样构造出的模型更持久，经得起反驳和质疑。”李玉刚解释说。

        其所在的中泰资管，在投资方法论上放弃了经验论寻找“因子”的方式，其策略中的多因子不再被用来预测超额收益，而是作为对股票进行分类和比较的工具，这是多因子模型有优势能做好的事情。相反，其在寻找获得超额收益的“好股票”的过程中，反复询问“为什么”，把重点放在厘清数据背后经济逻辑，充分理解数据背后蕴藏的商业逻辑。

        “我们在相同类型股票中做选择的标准只有一条，横向和纵向的估值便宜，同时预期业绩增长良好。很多其它的选择标准，可能会有很漂亮的历史数据实证结果，但是如果弄不明白为什么会有这样的结果，就很难搞清楚未来持续的可能，自然也就很难被采用。”李玉刚坦言，这样做的原因在于，这个标准既与其先验经验一致，也与历史数据的实证经验一致。

了解指数增强的偏离逻辑

       在李玉刚看来，选择指数增强基金的投资者，需要承认两个前提。一是愿意接受市场平均收益率。因为缺乏对单个公司持续创造价值能力的辨识，通过分散化的指数型投资可以降低此类风险。分散化在降低风险的同时，也降低了预期回报。二是以可接受的指数收益率为基准，愿意承担一点小风险，获取适当的超额收益率。

       为了追求超额收益率，指数增强基金必然与业绩比较基准产生偏离，而投资者在选择指数增强基金前，不仅需要考察基金经理的偏离之处，更应该去了解基金经理基于何种理念这样处理偏离。

       李玉刚所在的中泰资管，将相对价值的投资方法运用在了指数增强投资策略上，即通过赚取相同类型公司估值偏差回归的钱来获得超额收益。具体而言，其在同类型的股票中(市值中性和风险因子中性)，选择估值便宜，同时预期业绩增长也比较好的股票，构建一个风格分散、波动低的增强组合。采纳该策略的中泰沪深300指数增强A，成立于2020年4月1日的，截至2021年3月31日的净值增长率为50.71%，同期业绩比较基准增长率34.98%，超过业绩比较基准增长率15.73%。

       不过，在李玉刚看来，对基金投资能力和超额收益持续性的考察，最重要的还是要落脚在对基金经理投资理念和投资策略选择的理解上。而各种历史数据和评价指标，不过是它们的体现。

       “在研究、探索阶段尽可能从各个角度进行反驳质疑，不轻信任何一个观点，除非有足够的理由和证据能排除合理的怀疑；基于排除了合理怀疑的观点和策略而做出的投资决策，在执行过程中应该坚定信念，除非有足够的证据证明并非如此。这既是我们对自己的要求，也是对投资者的建议。”李玉刚说。

来源：腾讯网

深圳科技金融创新 催热“数据智能”建设

       毕马威联合腾讯云日前共同发布《区域性银行数字化转型白皮书》，指出当前区域性银行数字化转型进程仍面临数字化核心人才短缺、业务-技术-数据融合困难、数据基础能力较为薄弱等多重挑战。

       6月16日，毕马威中国金融业大数据咨询服务合伙人开云在接受记者采访时表示，开展数字化转型已经成为区域性银行的共识，有91%的被调研银行开展了数字化转型，但整体上仍处于转型起步阶段和加速阶段。零售和小微是区域性银行数字化转型重点推进的业务领域，对公业务和金融市场业务数字化则刚起步。从资金投入来看，90%被调研银行表示预计在未来3年内持续加大资金投入用于数字化转型，其年平均增长率将达到21%。

       开云指出，当前风控、客户分析应用、数据基础能力建设、技术与基础设施升级是区域性银行数字化能力建设的热门领域。未来更多区域性银行将继续在营销、数字化渠道、产品创新、组织机制转型上发力。

       此次发布的《区域性银行数字化转型白皮书》也提出用新连接、新智能、新基建、新敏捷策略来应对转型挑战。

       其中，“新连接”是指区域性银行应从做强本地特色场景连接，做实客户社交生态连接，做深银行内部经营要素连接三个方面入手，打造以客户为中心的新连接。

       “新智能”指区域性银行亟需补足并构建自身的“数据智能”，通过数据治理、服务共享，以及数据引入夯实行内数字资产化管理基础，并通过加强数据化场景探索力度以积累适合本行业务发展的数据应用场景化能力。

       “新基建”指区域性银行可以通过搭建共享能力平台（包括数据中台、AI中台、移动中台等）、分布式服务化架构、云化架构等多层次驱动的数字化技术架构体系，构建连接前中后台的“变速器”，从而提升对前台业务和市场需求的快速响应能力。

       “新敏捷”指区域性银行须注重组织转型和人才团队培养。传统的固态组织结构、集权的管理模式等已无法适应快速变化的外部环境，敏捷型组织和数字化人才成为区域性银行成功实施数字化转型的两个关键组织要素。

       毕马威中国金融业科技咨询服务合伙人柳晓光表示，当前以云计算、人工智能、区块链、大数据以及移动互联网等为代表的新技术已广泛应用于金融服务领域，促进了智能风控、智能保险、智能投研、智能客服、智能合规等的升级发展。

       他指出，深圳是一座科技之城，科技企业数量众多，科技发展和企业创新都需要大量的资金支持。通过数字化手段，区域性银行可以推出具备本地特色的创新金融解决方案，促进高新技术企业的创新创业。

来源：读创

构建数字经济时代新金融信用评分模型

       权威征信机构的信用评分是国内信贷市场量化风控的基础设施，建议央行征信系统进一步开放个人信用评分。国外发达的征信机构开发的信用评分往往有上百种之多，我国可借鉴相关经验开发更多的基础性信用评分，助力新金融健康和快速发展。

       信用评分是利用数学模型将相关数据转化成某个数值指导信贷决策，是统计学和机器学习在金融和银行业中最成功的应用之一。在西方发达国家，信用评分技术是信用风险管理的有效工具，已逐渐成为消费者征信机构的重要增值产品，广泛应用于中小企业贷款、个人贷款、信用卡和保险业务等方面，是个人经济、金融生活不可分割的一部分。在我国，随着个人信贷和信用卡业务的发展，信用评分也开始用于商业银行的贷款决策、贷款定价和贷后管理等方面。信用评分模型研发在我国起步较晚，近年来在数字经济场景下，新金融飞速发展，需求较为迫切，需要进一步创新和监管政策开放来促进信用评分在新金融中的深入应用。

我国信用评分起步晚，有较大提升空间

       20世纪末，我国信用卡、房贷、车贷等信贷业务发展快速，若仅靠人工审贷，主观经验决策效率低下且风险隐患大，不能完全满足实际需要，在此背景下信用评分引入到了信贷机构。随着个人征信系统的建立，央行征信中心也开发了信用评分，在部分信贷机构测试应用。

       经过多年发展，国内信贷机构利用信用评分模型风险管理的水平持续提升但却参差不齐。具体来说，大型银行信用评分研发较早，自主研发构建了信用评分模型，应用效果较好；股份制银行在引入先进个人信用评分模型和技术基础上，建立了自己的信用评分团队；城市商业银行则多模仿行业成熟的个人信用评分模型，并依据自身客户特点进行改善。部分农商行和村镇银行因个人信贷业务起步较晚，信用评分业务往往采取外包方式。

       小贷公司和网贷机构信用评分水平因平台规模和运营能力不同而存在较大差异，多数情况下由于无法获得央行征信系统数据支持，只能与金融科技公司和大数据公司合作开发基于替代数据的信用评分。总体而言，信贷机构由于业务的迫切性，对于信用评分应用投入较大，但信用评分存在诸多问题：

       国内传统信贷领域应用深度不够。目前，国内信用评分模型的研发，仍处于起步阶段，评分类型单一、缺乏深入应用。例如，国内信用评分主要应用于信贷审批阶段，对于贷中行为、贷后催收评分应用不足，对国外最新信用评分热点——偿债能力评分（Affordability Score）还未涉及。

       信用评分五花八门概念不清。在西方，信用评分是一个较为明确的技术名词，但在国内目前由于央行征信系统的信用评分尚未完全开放，信用评分五花八门，概念上也较为混乱，缺少规范分类，用途也不够清晰。政府机构推出了社会信用评分，互联网公司推出了芝麻信用评分。信用评分研发和应用需要监管，保护消费者隐私，维护公平和正义。

信用评分市场供需不平衡，“有市无价”。尽管信用评分对于信贷机构风控至关重要，但国内信用评分研发还处于“有市无价”阶段，即信贷市场上存在需求，由于国内对分析模型的价值判断以及知识产权保护等问题，仍缺乏合理定价。

数字经济时代信用评分模型面临新挑战

       互联网规模化和虚拟化效应。目前，我国消费金融呈现互联化特点，互联网消费金融占比超过了1/4，一方面带来了消费金融扩张的规模效应，另一方面扩大了信用风险的范围。特别是由于技术复杂化、模式多元化、主体分散化使得风险更为复杂，风险管理难度加大。同时，互联网平台也促使欺诈风险上升，诸多互联网金融平台防范欺诈风险的成本占收入的10%以上。因此，针对互联网信贷平台的信用评分应将此种欺诈风险和信用风险考虑在内。

       消费信贷呈现新特点，需要新风控模型。随着消费信贷的发展，越来越呈现额度小、周期短、频率高等特点。互联网金融监管趋严之前，部分小额信贷利率风控薄弱，利用高收益覆盖高风险，甚至不在少数的现金贷平台不做信用风险评估，业界称之为“裸奔”。随着消费信贷监管政策的陆续出台，风控“裸奔”模式难以继续，需要开发适应小额、短期、循环贷的信用评分模型。

       近七成人群传统征信缺失。当前，我国央行征信系统主要服务于传统信贷机构，覆盖人群为持牌信贷机构消费者。截至2019年4月底，征信系统收录自然人为9.93亿、5.4亿人拥有信用报告，其中能够进行个人信用评分的约有4亿人（有两年信贷记录积累的人群）。按全国人口13.90亿计算，近9亿消费者没有传统信贷信用记录，也没有信用评分。

       金融科技信贷和大科技信贷出现。金融科技信贷（Fintech Credit）即利用电子平台发放的贷款，如P2P网贷近年来应起。大科技（Big Tech）公司金融开始陆续提供面向C端的支付、信贷、保险和资管等金融服务，形成了金融生态环境，还能对信贷消费者形成金融闭环约束。比如，蚂蚁花呗是阿里巴巴集团旗下的重要金融产品，背靠阿里电商平台开展消费金融业务。这两类信贷的信用评分模型有别于传统信用评分模型，面临着监管和网络信息安全的挑战。

建立新金融信用评分模型

       综合考虑多因素，系统理解信用评分。通常信用评分流程包括多个模块，目前业界关注的数据采集和预测建模部分仅是信用评分的一部分。所以，从观念上应从系统角度理解信用评分。同时，也不能简单用部分技术指标对信用评分性能衡量，例如，很多信贷机构迷信KS值衡量信用评分的性能，但并非KS值越大信用评分性能就越好，这需视具体情况而定。

       另外，近年来人工智能和机器学习在金融领域得到越来越多的应用，但与信用评分的融合还在进行中，部分互联网公司直接利用深度神经网络取代传统逻辑回归，虽然某些指标表现不错，但却最终由于无法在实际中应用而放弃。因为信用评分应用不仅要看预测效果，还要综合考虑，特别是信用评分模型的稳定性和可解释性。

       充分利用央行征信数据，开发多种基础性信用评分。目前，国内较大的新金融平台（除了蚂蚁金服、腾讯和京东的金融生态体系形成闭环），其信贷客户消费者90%都在央行征信系统中有个人信用报告，即消费金融所说的“白户”。所以，应充分利用央行征信数据开发信用评分模型，或直接利用央行征信系统信用评分是新金融机构开展风控的首选。

       权威征信机构开发的信用评分是国内信贷市场量化风控的基础设施，建议央行征信系统进一步开放个人信用评分。另外，国外发达的征信机构开发的信用评分往往有上百种之多，我国央行可借鉴相关经验开发更多的基础性信用评分，助力新金融健康和快速发展。例如，可以开发更多针对不同信贷产品的行业评分，并给出不同区域的风控特征。此外，这些信用评分还可以帮助央行进行宏观经济分析和金融市场监管。

       建立符合新金融发展的信用指标体系，提高信用评分准确性。信用评分模型的依据是消费者信用模型，消费者信用模型有不同层级的指标体系，比如，消费者信用模型可通过第一层信用指标体系还款意愿和还款能力来体现，由此向下类推最终形成数千个消费者信用指标，即信贷特征变量，国外三大征信机构的核心专业资源就包含了通过风控经验和统计分析得来的数千项信用指标体系。

       在多层次信用指标体系基础上，授信机构就可以利用信贷特征变量开发出不同预测目标的模型，这些模型针对授信机构内部特定的信贷组合、特定的信贷产品、客户类型开发，同时具有个人征信数据的广度和在特定信贷产品客户行为刻画的深度。在信用评分过程中，信用指标体系可灵活配置确定风险目标，利用机器学习或统计学方法，选择合适的模型变量缩短开发流程。所以，一个完善的信用指标体系对于开展信用评分工作至关重要，可以提高信用评分的准确性、稳定性和开发效率。

       虽然国内征信机构和信用评分公司对消费者构建了相对完善的信用指标体系，但需要指出的是，本土化的指标体系构建，需要符合国内消费者行为模式和信贷特点，以及符合互联网金融场景需要。目前，国内的新金融信贷业务大量尝试部分替代数据进行信用评分，例如，电信数据、租房数据、公共事业数据等，基于这些替代数据信用指标体系的构建不仅是开发信用评分的必要条件，也是一个全新的充满挑战的工作，需要大量的研发和技术人员的投入。

       探索创新的信用评分模式，弥补传统信用评分模式不足。已有60余年历史的信用评分模式主要基于消费者过去的信贷历史来判断未来的信贷还款状况，其缺陷非常明显，如果消费者没有信用历史和银行信贷记录，就很难进行信用风险评估。因此，需要探索创新的信用评分模式，笔者认为可以从两方面入手：

       从信用信息角度，替代数据是目前信用评分研究的热点，作为传统信贷数据的有力补充，可以分为三类：信贷类信用信息；非信贷类信用信息和非信贷类非信用信息。传统信用评分模型主要利用的是与信贷违约直接相关的信贷类信用信息。目前，全球约有30亿消费者没有传统的信贷数据，国内外征信机构和金融科技公司为了解决这一问题，开始大量利用部分非信贷类信用信息和非信贷类非信用信息开发信用评分，例如，美国FICO公司就与两家征信机构合作，利用电信数据和公共事业缴费数据开发了一种新的信用评分成为FICO XD，可以帮助没有信贷记录的消费者享受金融服务。目前国内大约9亿消费者虽然没有传统信贷数据，但却有着丰富的互联网经济数据，包含了丰富的非信贷信用信息，能够体现经济的活力。

       从信用风险评估方法角度出发，部分金融科技公司进行了诸多尝试，颇有借鉴意义。例如，一家名为企业金融实验室（EFL）的公司采用了心理测量学方法对消费者进行信用风险评估，通过与银行以及征信机构合作取得了不错的效果，目前业务已开展十年，范围拓展至亚洲和非洲等新兴市场，截至2017年末，已经服务了90万消费者和小微企业主，放款达15亿美元。需要指出的是，上述创新信用评分模式的性能尚未超越传统信用评分模型，只能作为传统信用评分模式的有效补充。

       应在评估有效性和个人信息保护之间寻求平衡。2018年5月25日，欧盟《通用数据保护条例》（General Data Protection Regulation，GDPR）正式生效。中国也不例外，陆续出台了《网络安全法》，《最高人民法院、最高人民检察院关于办理侵犯公民个人信息刑事案件适用法律若干问题的解释》和《信息安全技术个人信息安全规范》等一系列法规，全球个人信息保护持续加强。在此背景下，个人信用评分的研发和应用面临个人信息保护的挑战，从2017年至今，多个个人数据公司以及开展信用评分业务的公司陆续受到了国内执法部门的调查。目前，国内个人信息保护法尚未出台，《征信业管理条例》中也未对个人信用评分有所规定，但基于个人信息保护持续加强的趋势，国内开展个人信用评分的研发和应用，需要充分考虑个人信息保护并保证评分结果的公平，满足合规性在评估有效性和个人信息保护之间寻求平衡。

来源：亿欧