量化分析师的 Python 日记

Alpha 对冲模型，分以下四个部分展开：

Alpha 对冲模型简介

优矿“三剑客”简介

如何在优矿上做 Alpha 冲对模型 (多信号合成)

关于大赛

1 、 Alpha 对冲模型简介

A 、假设市场完全有效，那么根据 CAPM 模型有， Rs=Rf+βs∗(Rm−Rf)。式中， Rs 表示股票收益， Rf 表示无风险收益率， Rm 表示市场收益，βs 表示股票相比于市场的波动程度，用以衡量股票的系统性风险。

B 、遗憾的是，市场并非完全有效，个股仍存在 alpha （超额收益）。 根据 Jensen's alpha 的定义：αs=Rs−[Rf+βs∗(Rm−Rf)]，除掉被市场解释的部分，超越市场基准的收益即为个股 alpha 。

C 、实际中，股票的收益是受多方面因素影响的，比如经典的 Fama French 三因素就告诉我们，市值大小、估值水平、以及市场因子就能解释股票收益，而且低市值、低估值能够获取超额收益。那么，我们就可以通过寻找能够获取 alpha 的驱动因子来构建组合。

D 、假设我们已经知道了哪些因子能够获取超额收益，那么我们根据这些因子构建股票组合（比如持有低市值、低估值的股票）。那么组合的收益理论上是能够获取超额收益的，简单来讲就是，组合的累计收益图应该是在基准（比如沪深 300 ）累计收益图之上的，而且两者的差应该是扩大的趋势。

E 、由于组合的涨跌我们是不知道的，我们能够确保的是组合与基准的收益差在不断扩大，那么持有组合，做空基准，对冲获取稳定的差额收益（ alpha 收益）,这就是传说中的市场中性策略

2 、优矿“三剑客”

针对上述研究流程，优矿提供全程服务，从金融大数据，模型的研究开发到实盘交易和组合管理：

DataAPI ：提供近 300 个高质量的因子数据（基本面因子,技术面因子和大数据因子），为模型提供充足的原材料和让用户自己研究因子提供了基础

RDP ：提供标准的因子到信号的处理函数（去极值、中性化、标准化）同时，还提供了功能强大的组合构建函数

Quartz ：提供标准的、更贴近实际的回测框架，一键查看对冲模型历史表现

3 、实例：优矿上的对冲模型

回测框架&基础工作简介：

回测区间从 2011 年 8 月 1 日~2015 年 8 月 1 日，基准为沪深 300 ，策略每月第一个交易日开盘之后建仓

因子选取：净利润增长率（ NetProfitGrowRate ）、权益收益率（ ROE ）、相对强弱指标（ RSI ）

因子到信号的处理：用到了去极值（ winsorize ）、中性化（ neutralize ）、标准化（ standardize ）处理

组合构建：用到了 RDP 里的 simple_long_only()

PS ：关于函数的详细使用说明，可以新建 cell 输入 函数名+? ，运行得到 API 使用文档。比如，运行下面的代码便可以得到 simple_long_only 的使用说明。





接下来，绘制组合和基准的累计收益图之差，得到 alpha 收益，看看效果如何。

高清源代码请移步： https://uqer.io/community/share/55e662f9f9f06c1ea481f9cf

可以看到，在如上三个因子驱动下的 alpha 收益相对来说还是比较稳定的，由于有对冲，策略是市场中性的，不论市场涨跌对我们的收益是不受影响的（当然排除一些极端情况，比如所有股票收益没有任何差异性，例如流动性危机）。

4 、关于大赛

大赛的一些规则设计：

单子股票持股不超过 10%： alpha 收益并不是全仓某一只股票，然后涨停；可以看到，由于有股指期货的对冲，那么组合的持仓也应该像股指期货一样各行业配置很均匀，组合构建函数 simple_long_only()充分考虑了行业配置、各因子 alpha 贡献等因素

股票仓位在任意三个以上收盘日低于 80%则不达标：因为 alpha 收益已经非常稳健，那么增加本金的投入只会带来更多的收益，何乐而不为呢？

相对 HS300 ，强制平仓线 90%：近似于强平线为 0.9 ，当所选因子不能持续带来 alpha 收益时，有必要对因子要仔细考虑了。

不能投资流动性过差以及刚上市的股票： alpha 收益追求的是稳定性，没有必要去承受额外的流动性风险以及其他风险。

5 、后话

优矿提供了将近 300 个基础因子(包含价值 /动量 /质量 /成长 /情绪等维度)供用户研究和合成：

可以在如下帮助页面找到这些因子 https://uqer.io/help/api/search/MktStockFactors?page=1

在投资研究寻找新的因子就是专业量化研究员日常的工作，在研究过程中希望找到：有故事的因子，符合经济学原理，有投资逻辑