今天的讨论颇具趣味，我想探讨如何进行稳健的低频策略。在相对收益方面，这并没有太多新意，依然要依赖多因子模型。从2015年开始管理300增强策略的实盘以来，我深刻认识到
多因子模型在控制相对收益回撤和信息比率方面的优势。
如今，量化从业人员的整体素质显著提升。过去以事件驱动为主，现在已发展到模型动物园。底层因子的挖掘依然依靠人工，但在此基础上，模型融合得到了发展。我们从线性模型拓展到Boosting、深度学习和随机森林等更复杂的模型，策略融合采用Stacking、静态等权以及Contextual Modeling等方法。
在顶层结构中，我们通过结构化的风险模型进行权重优化，以实现个股权重超低配置。
在执行800或中证1000的指数增强策略时，通常持仓数量在100至200只股票甚至更多。每只股票的配置可能仅为1到2个百分点，这样可以将非系统性风险降至最低。同时，基于Barra模型的分析，十个风险因子加上30个行业因子的风险暴露，确保跟踪误差控制在5%以内，从而有效跟踪指数。
接下来，
我们利用大数据统计模型来挖掘潜在的Alpha。
目前，我们的因子主要依赖人工挖掘，机器辅助，现有因子超过500个，主要聚焦于基本面和量价，另类数据相对较少。所有数据均录入数据库进行分析。
从模型动物园的角度来看，模型分为三类，分别为全市场模型、横截面与时序分域模型。
首先为传统全市场模型，该模型的优势在于市场宽度，利用经济学的广泛统计意义。当前市场上已有超过5000只股票。若策略在单只股票上的胜率为51%，扩展至5000只股票时，多空判断的胜率将显著提高。
尽管全市场模型表现强劲，但历史上也经历过回撤阶段。因此，
横截面和时序分域模型在一定程度上可以弥补全市场模型相对表现的低谷。
综上所述，模型融合旨在提升策略的稳定性。
在优化器方面，过去的模型未进行优化时，双边换手率可能达到30倍以上。
然而，通过优化器，我们可以在Alpha和换手惩罚之间找到平衡。
施加换手惩罚后，超额收益从15.3提升至18.2，同时双边换手率降至12倍。该模型在初始规模约为20亿时运行。如果规模达到上百亿，换手率可能会降低至1到2倍。
在风险控制方面，量化交易通过分散交易来降低非系统性风险。剩余的系统性风险需要通过控制相关因子暴露来管理。
今年，量化策略普遍经历了显著的回撤阶段，尤其是非线性市值因子波动较大。下图中今年市场中Beta和Size因子均出现了两次超过四倍标准差的大规模波动，这对量化模型构成了严峻挑战。以往依赖风险暴露获取Alpha的策略，可能会经历显著回撤。例如，2017年在Size因子上的暴露同样出现了前高后低的情况，导致无法获得Alpha。
然而，如果能将Size因子控制在严格中性状态下，超额收益的走势会相对恢复，表明底层Alpha模型依然有效。这可能是由于风险因子的控制超出了历史模型的统计范围，因为黑天鹅事件总会发生。
下图是我们相对收益策略的历史回测情况，结合全市场模型、截面分域和时序分域模型进行等权合成。在施加风险约束的情况下，我们对成分股暴露和个股行业超配进行了严格控制，得到了历史Alpha的表现。
近期确实出现了一定的回撤，尤其是9月底以后散户主导市场的现象，这与以往的历史统计规律有所不同。亏损的股票上涨，而盈利的股票下跌，这种现象对模型造成了影响。然而，我认为这种回撤是可以接受的。
从长期来看，相对收益策略整体Alpha表现依然稳定，年均超额收益相对稳定。
绩效归因显示，在Barra结构化风险模型的超额暴露方面，我们基本控制在正负0.2以内。累计的Alpha表明，主要的超额贡献来自于纯Alpha，而市值因子也有正贡献。行业暴露控制得较为严格，基本在正负1个点左右。
我曾在2019年4月底实施的500增强策略中，观察我们策略Alpha的表现。过去五年中，价值因子相较于成长因子表现逊色，但我们的Alpha依然保持向上趋势。有趣的是，在价值股短暂表现突出的时刻，我们的模型表现良好，基本能够精准把握时机。然而，价值股回调时也会经历较大回撤，但总体上仍可保持相对稳定。
我希望能够向投资者或资金方传达我的目标：
在价值股表现良好的时候，我希望能够大幅超越市场；而在价值股表现不佳时，尽量减少亏损或跟随市场波动。
为了跟住市场，我认为首先需要坚持多因子策略，并定期进行绝对估值评估。绝对估值可以有效纳入量化模型中。此外，加入季节效应、事件驱动和套利策略的融合，可以帮助我们度过价值投资的低迷期。通过将500增强的日度收益率与中证500、HML和SMB指数进行日度回归，我们发现我们的日度Alpha大约为4个基点，累计年化Alpha约为11%。在价值股上的暴露T统计量为2.43，而小盘股的T统计量则相对不显著，为1.3。
3.
3.1巴菲特与格林布拉特的价值投资理念
接下来，我想讨论绝对收益策略。这种策略并不像私募普遍采用的市场中性方式，而是受到巴菲特投资组合的启发。在1962年，巴菲特在合伙人信中详细介绍了他的投资方法。研究显示，巴菲特在早中期的收益表现稳定，尽管后期有一年或两年出现亏损，总体依然正向增长。
AQR进行了一项研究，探讨如何将巴菲特的Alpha用量化语言复现。研究发现，如果不包含著名的量化因子，其Alpha大约为5个百分点。这反映了伯克希尔哈撒韦早期阶段的表现。但如果我们将量化因子进行分析，比如SMB（小盘股暴露）、HML（价值股暴露）、UMD（动量减去反转）、BAB（低波动）、QMJ（高质量）的暴露。其中越小的UMD值表示偏好左侧交易，而BAB因子则反映低波动股票的暴露，代表对稳定组合的偏好。QMJ（质量股减去垃圾股）是AQR的一篇著名论文，研究表明，将这些量化因子与投资组合业绩进行回归后，其Alpha接近于零。
我们可以发现巴菲特主要关注的是价值股和高质量股票的组合，这些策略为他带来了显著的超额收益。
此外，乔尔·格林布拉特也是量化界知名的人物，他的年限约为二十多年，年化超额回报约为30%。
巴菲特和格林布拉特有许多相似之处，例如，他们都有相似的学术背景，并深受本杰明·格雷厄姆的影响。
在选股策略上，巴菲特倾向于低估值和高质量的股票，而格林布拉特在其著作《The Little Book That Still Beats the Market》中提到的投资组合同样是以低估值和高质量股票为主。这种共通的投资理念显示了价值投资在实践中的一致性。
巴菲特在追求绝对收益的策略中，通常包括两到三类主要策略。第一类是低估策略，这种策略通常指的是对低估股票的投资。如果这些低估股票持续下跌，巴菲特会在价格进一步下跌时继续买入，形成所谓的左侧交易。当持有的股票达到一定程度后，他可能会对整个公司达到控制，进而通过清算公司的有形资产来实现盈利。
第二类的套利策略与低估策略有些相似，在界定上可能比较模糊。如果能够控制到公司，进入董事会后，通过套利行为可以在短时间内变卖公司，获得现金。格林布拉特在其书籍《You Can Be a Stock Market Genius》中深入探讨了量化套利机会，包括重组股和分拆股票等，强调持有20到30只股票，每年可以实现约40%的收益，并且每年都能保持正收益。
上面两个例子中
无论是定性组合还是定量组合，核心都是坚守价值投资。
在价值投资表现不佳时，通过套利机会获取绝对收益，并平抑价值股低迷期的风险。
3.
3.2量化与定性分析相结合挖掘投资机会
