编者按：2021年量化私募管理人整体管理规模突破万亿，随着未来逐渐发展壮大，量化私募将逐渐成长为A股市场的重要参与者和居民财富管理的重要力量。为了更系统阐述量化投资的特点，特推出《汯观量化》栏目，欢迎大家留言互动。
上一期《汯观量化》文章提到，评价量化多头重要指标之一是超额收益，即“跑赢市场”。影响超额收益表现有哪些外部和内在因素？为何超额收益的确定性尤为重要？
Q1：如何理解“超额收益”？
A1：在上一期《汯观量化》文章提到，量化指数增强产品的收益可拆分为跟踪对标的指数收益即系统性收益（Beta）和在其基础上创造的超额收益（Alpha）。简单来说，指数上涨时，量化指增产品争取比指数涨得多；指数下跌时，指增产品争取比指数跌得少。
1、关于业绩比较基准（Benchmark）
■ “超额收益”指的是在投资基金的一个时间段之内所产生的实际收益超过该基金的业绩比较基准。
指数增强产品线的benchmark比较直接，300指增、500指增、1000指增均以相应的沪深300、中证500、中证1000等指数为benchmark。
“全市场选股”产品线一般可设定万得全A指数为benchmark，考虑到“全市场选股”持仓1000-1500只个股，其中小票占比不低，为了跟踪观察更方便、横向对比更直观，也可将中证500或中证1000设为业绩参考基准。
2、关于超额收益的计算：
■ “超额收益率 = 基金收益率 - 基准收益率”，这个方法是通过相减运算得出的，是目前较为常见的一种计算方法，但严谨度不够——在牛市时会出现高估，在熊市时则有所低估。
■ “超额收益率 = 基金收益率/基准收益率-1”，又称为“相对收益”。
假设你年初买入1万元基金A，当前价值1.1万；又假设你年初没有买基金A，而是直接买对标指数，当前价值为1.05万，此时相对收益为1.1/1.05 - 1 = 4.76% ，这种算法相对更为公允，也是我们目前采用的方法。
Q2：量化选股的收益来源？
A2：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。量化选股模型的超额收益来源主要包含两大类：提供市场流动性（中短周期）和提升定价效率（全周期）。
比如，当市场有投资者因各种需要计划调仓卖出某个股票，但如果短期卖出较多，则会对股价形成短期冲击，进而造成股价偏离。量化投资机构通过对市场交易数据及股票微观结构的分析，如果认为导致短期股价低于股票合理价格主要是受流动性冲击而非基本面变化，则会在一定的价格开始买入，从而使交易对手方能以更好的交易价格完成交易，为市场提供一定流动性的同时也平滑了股价的大幅波动。
量化投资机构通过买入股票并持有直到股价回到均衡价格，在实现盈利的同时也提升了市场的定价效率——这类投资策略持仓时间不会太长，分析数据也以价量为主，一般称为“统计套利策略”。目前A股量化私募整体规模并不大，“统计套利策略”占比仍较高，预估70%以上——该类策略也是多家海外著名量化对冲基金如文艺复兴、D.E.Shaw、Two Sigma，Citadel等采用的主要策略。
更准确评估和定价股票基本面信息，既是大部分主观选股策略的超额收益来源，也是量化选股策略超额收益的重要来源。根据引发股价反应的时间跨度差异，又可以分为偏短周期的“事件驱动因子”与偏长周期的“基本面因子”——前者包括财报发布、盈利预增、预计扭亏、突发事件等等，后者一般包括估值、成长性、盈利质量等。
Q3：量化选股策略可分为阿尔法因子和风险因子两大类，应如何理解及区分？
A3：追根溯源，风险因子早期也属于阿尔法因子，只不过很早就被学术界挖掘并公开发表论文，收益风险比快速下降（尤其在美股）——但这些因子还是能够解释很多收益，只是预测能力几乎消失，所以被称为“风险因子”，常见的风险因子包括市值、市盈率、市净率、流动性、残差波动率等。
“阿尔法因子”一般指能较为稳定贡献超额收益的这类因子，其构建相对较为复杂，或数据来源比较独特，一般来说每家机构的阿尔法因子都有所不同，呈现低相关性。阿尔法因子按数据来源可分为价量因子、基本面因子、事件驱动、另类数据等——其中价量因子又可按照预测周期分为短周期和中长周期，短周期多指高频和日内因子，中长周期一般持仓周期在1-20天左右。目前，中周期价量因子在A股的配置占比较高。
以美股为代表的海外市场和A股市场在运行机制、发展阶段、投资者结构、融资成本及约束等方面都存在较大差异，在如何处理阿尔法因子和风险因子也因此有所不同。比如，海外量化产品以“市场中性+杠杆”为主，考虑到风险因子通常会带来较大波动但并不能同时带来显著收益，所以机构在建模过程中会尽量减少风险因子的暴露；国内量化产品则以各类量化多头产品线规模占比最高，对多头产品来说放开风险因子约束并未显著增加净值波动，严控风险因子反而会对阿尔法因子的发挥有所制约。
在上一期《汯观量化》中提到，“全市场选股”产品线放开约束后，产品的整体风险和净值波动并无显著提升——股票多头净值波动受市场本身涨跌幅的影响更大；并且受益于约束放开后带来的自由度，“全市场选股”可最大程度发挥量化选股模型的α收益，取得更好的长期收益表现。
Q4：影响超额收益表现有哪些外部因素？
A4：一般来讲，当市场处于成交量大、波动率高、行情偏中小盘、高流动性股票表现更好的环境中，量化管理人的超额往往表现更突出；而当市场处于“风格急剧转换的阶段”或“一九行情”时，对量化投资来说相对不太友好，获取超额会比较难：
■ 风格急剧转换的阶段：历史上没有发生过（比如2007年8月）或很少发生过的（比如2020年3月），量化很难找到合适的数据进行训练，总结的过往规律在当下不一定有效；
■ 一九行情：只有少量股票涨，大部分股票下跌，这时候量化投资持仓分散均衡的特点反而会变成弱点，该时期的业绩现或不如优秀的主观机构。
受到外部环境影响，超额收益也存在天然波动，呈现一定的周期性——考虑到市场风格转换较快，α的周期大致在季度级别，股票量化模型出现几个月的超额回撤也属于正常范围；而β的周期约为2-3年，所以一般会建议股票多头的投资者持有三年以上的时间，淡化市场短期波动影响。
随着量化投资管理规模的逐渐增加、平均持仓周期的不断拉长，超额收益的周期性可能在未来表现更为明显。投资者也应打破对量化产品的非理性认知，对于量化私募的业绩评价要着眼于长期，不盲目追求短期高回报，也不用为短期波动而焦虑。
Q5：影响超额收益表现有哪些内在因素？
A5：一般来说，股票多头产品长期收益的核心在于超额，而超额收益则与管理人自身的综合投资能力息息相关。对投资机构来说，长期持续跑赢市场并不容易，尤其是近年来A股市场有效性不断提升，行业竞争不断加剧，持续获取稳定超额的难度也在进一步加大，非常考验管理人如何把最前沿的科学技术与市场的深刻理解做到有效结合——内在因素才是核心所在，也是管理人需要不断努力的方向，力求不断提升超额收益的确定性：
■ 结合自身对市场的深刻理解，围绕“全周期、多策略、多品种”持续投入研究力量，以储备更多低相关策略实现超额收益来源多元化——这与明汯自上而下的投研体系有较大关联，除依据当下的研究需求做深入研究外，还会根据公司中长期的战略目标做前瞻性布局。
在第七期《汯观量化》中提到，2018年明汯实现了价量因子“全周期”覆盖。目前中周期价量因子占比较高。
还将持续对基本面因子深入研究，未来有望贡献风险收益比更好的超额（其中“上市公司最新季报”等“快速基本面”，通常我们会将其归类为“事件驱动因子”）。
另类数据因子在海外较为成熟，但在国内目前仍属蓝海。除了与多家数据第三方保持联动外，明汯自己也在收集并持续探索以获得更多突破。
■ 持续对智力和算力的高投入，始终保持业内顶级配置。科技是量化投资的源动力，明汯投资也因此一直非常重视吸纳顶尖人才、加强基础设施等软硬件方面的投入。
■ 持续提升投研流程系统化和精细化程度。国内量化行业已进入高质量发展的新阶段，更加考验量化机构全方位的能力，在投资流程、运营服务、客户沟通、品牌建设等各个环节都要不断优化。
Q6：为何超额收益的确定性尤为重要？
A6：当量化多头产品净值出现回撤时，首先要拆解背后的原因：来自于β还是α？如果净值回撤主要受市场下行影响，而其超额收益相对稳定且同类中较为靠前，建议继续持有，等待市场走强。
由于A股市场波动本身具有不确定性，对于量化多头产品的投资者而言，更重要的还是观察管理人的长期超额收益的稳定性、长期复合的收益率情况；对于量化管理人而言，则需要围绕内在因素持续开发并迭代完善自身投研框架，在不确定的市场中努力寻找确定性。
自成立以来，明汯投资历经资本市场、量化行业极速变化所带来的各种考验和挑战。作为首批突破500亿的量化私募管理人，明汯管理大规模资金的时间较长，未来我们更为追求可持续、可预期的超额。
上一期《汯观量化》文章提到，评价量化多头重要指标之一是超额收益，即“跑赢市场”。影响超额收益表现有哪些外部和内在因素？为何超额收益的确定性尤为重要？
Q1：如何理解“超额收益”？
A1：在上一期《汯观量化》文章提到，量化指数增强产品的收益可拆分为跟踪对标的指数收益即系统性收益（Beta）和在其基础上创造的超额收益（Alpha）。简单来说，指数上涨时，量化指增产品争取比指数涨得多；指数下跌时，指增产品争取比指数跌得少。
1、关于业绩比较基准（Benchmark）
■ “超额收益”指的是在投资基金的一个时间段之内所产生的实际收益超过该基金的业绩比较基准。
指数增强产品线的benchmark比较直接，300指增、500指增、1000指增均以相应的沪深300、中证500、中证1000等指数为benchmark。
“全市场选股”产品线一般可设定万得全A指数为benchmark，考虑到“全市场选股”持仓1000-1500只个股，其中小票占比不低，为了跟踪观察更方便、横向对比更直观，也可将中证500或中证1000设为业绩参考基准。
2、关于超额收益的计算：
■ “超额收益率 = 基金收益率 - 基准收益率”，这个方法是通过相减运算得出的，是目前较为常见的一种计算方法，但严谨度不够——在牛市时会出现高估，在熊市时则有所低估。
■ “超额收益率 = 基金收益率/基准收益率-1”，又称为“相对收益”。
假设你年初买入1万元基金A，当前价值1.1万；又假设你年初没有买基金A，而是直接买对标指数，当前价值为1.05万，此时相对收益为1.1/1.05 - 1 = 4.76% ，这种算法相对更为公允，也是我们目前采用的方法。
Q2：量化选股的收益来源？
A2：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。量化选股模型的超额收益来源主要包含两大类：提供市场流动性（中短周期）和提升定价效率（全周期）。
比如，当市场有投资者因各种需要计划调仓卖出某个股票，但如果短期卖出较多，则会对股价形成短期冲击，进而造成股价偏离。量化投资机构通过对市场交易数据及股票微观结构的分析，如果认为导致短期股价低于股票合理价格主要是受流动性冲击而非基本面变化，则会在一定的价格开始买入，从而使交易对手方能以更好的交易价格完成交易，为市场提供一定流动性的同时也平滑了股价的大幅波动。
量化投资机构通过买入股票并持有直到股价回到均衡价格，在实现盈利的同时也提升了市场的定价效率——这类投资策略持仓时间不会太长，分析数据也以价量为主，一般称为“统计套利策略”。目前A股量化私募整体规模并不大，“统计套利策略”占比仍较高，预估70%以上——该类策略也是多家海外著名量化对冲基金如文艺复兴、D.E.Shaw、Two Sigma，Citadel等采用的主要策略。
更准确评估和定价股票基本面信息，既是大部分主观选股策略的超额收益来源，也是量化选股策略超额收益的重要来源。根据引发股价反应的时间跨度差异，又可以分为偏短周期的“事件驱动因子”与偏长周期的“基本面因子”——前者包括财报发布、盈利预增、预计扭亏、突发事件等等，后者一般包括估值、成长性、盈利质量等。
Q3：量化选股策略可分为阿尔法因子和风险因子两大类，应如何理解及区分？
A3：追根溯源，风险因子早期也属于阿尔法因子，只不过很早就被学术界挖掘并公开发表论文，收益风险比快速下降（尤其在美股）——但这些因子还是能够解释很多收益，只是预测能力几乎消失，所以被称为“风险因子”，常见的风险因子包括市值、市盈率、市净率、流动性、残差波动率等。
“阿尔法因子”一般指能较为稳定贡献超额收益的这类因子，其构建相对较为复杂，或数据来源比较独特，一般来说每家机构的阿尔法因子都有所不同，呈现低相关性。阿尔法因子按数据来源可分为价量因子、基本面因子、事件驱动、另类数据等——其中价量因子又可按照预测周期分为短周期和中长周期，短周期多指高频和日内因子，中长周期一般持仓周期在1-20天左右。目前，中周期价量因子在A股的配置占比较高。
以美股为代表的海外市场和A股市场在运行机制、发展阶段、投资者结构、融资成本及约束等方面都存在较大差异，在如何处理阿尔法因子和风险因子也因此有所不同。比如，海外量化产品以“市场中性+杠杆”为主，考虑到风险因子通常会带来较大波动但并不能同时带来显著收益，所以机构在建模过程中会尽量减少风险因子的暴露；国内量化产品则以各类量化多头产品线规模占比最高，对多头产品来说放开风险因子约束并未显著增加净值波动，严控风险因子反而会对阿尔法因子的发挥有所制约。
在上一期《汯观量化》中提到，“全市场选股”产品线放开约束后，产品的整体风险和净值波动并无显著提升——股票多头净值波动受市场本身涨跌幅的影响更大；并且受益于约束放开后带来的自由度，“全市场选股”可最大程度发挥量化选股模型的α收益，取得更好的长期收益表现。
Q4：影响超额收益表现有哪些外部因素？
A4：一般来讲，当市场处于成交量大、波动率高、行情偏中小盘、高流动性股票表现更好的环境中，量化管理人的超额往往表现更突出；而当市场处于“风格急剧转换的阶段”或“一九行情”时，对量化投资来说相对不太友好，获取超额会比较难：
■ 风格急剧转换的阶段：历史上没有发生过（比如2007年8月）或很少发生过的（比如2020年3月），量化很难找到合适的数据进行训练，总结的过往规律在当下不一定有效；
■ 一九行情：只有少量股票涨，大部分股票下跌，这时候量化投资持仓分散均衡的特点反而会变成弱点，该时期的业绩现或不如优秀的主观机构。
受到外部环境影响，超额收益也存在天然波动，呈现一定的周期性——考虑到市场风格转换较快，α的周期大致在季度级别，股票量化模型出现几个月的超额回撤也属于正常范围；而β的周期约为2-3年，所以一般会建议股票多头的投资者持有三年以上的时间，淡化市场短期波动影响。
随着量化投资管理规模的逐渐增加、平均持仓周期的不断拉长，超额收益的周期性可能在未来表现更为明显。投资者也应打破对量化产品的非理性认知，对于量化私募的业绩评价要着眼于长期，不盲目追求短期高回报，也不用为短期波动而焦虑。
Q5：影响超额收益表现有哪些内在因素？
A5：一般来说，股票多头产品长期收益的核心在于超额，而超额收益则与管理人自身的综合投资能力息息相关。对投资机构来说，长期持续跑赢市场并不容易，尤其是近年来A股市场有效性不断提升，行业竞争不断加剧，持续获取稳定超额的难度也在进一步加大，非常考验管理人如何把最前沿的科学技术与市场的深刻理解做到有效结合——内在因素才是核心所在，也是管理人需要不断努力的方向，力求不断提升超额收益的确定性：
■ 结合自身对市场的深刻理解，围绕“全周期、多策略、多品种”持续投入研究力量，以储备更多低相关策略实现超额收益来源多元化——这与明汯自上而下的投研体系有较大关联，除依据当下的研究需求做深入研究外，还会根据公司中长期的战略目标做前瞻性布局。
在第七期《汯观量化》中提到，2018年明汯实现了价量因子“全周期”覆盖。目前中周期价量因子占比较高。
还将持续对基本面因子深入研究，未来有望贡献风险收益比更好的超额（其中“上市公司最新季报”等“快速基本面”，通常我们会将其归类为“事件驱动因子”）。
另类数据因子在海外较为成熟，但在国内目前仍属蓝海。除了与多家数据第三方保持联动外，明汯自己也在收集并持续探索以获得更多突破。
■ 持续对智力和算力的高投入，始终保持业内顶级配置。科技是量化投资的源动力，明汯投资也因此一直非常重视吸纳顶尖人才、加强基础设施等软硬件方面的投入。
■ 持续提升投研流程系统化和精细化程度。国内量化行业已进入高质量发展的新阶段，更加考验量化机构全方位的能力，在投资流程、运营服务、客户沟通、品牌建设等各个环节都要不断优化。
Q6：为何超额收益的确定性尤为重要？
A6：当量化多头产品净值出现回撤时，首先要拆解背后的原因：来自于β还是α？如果净值回撤主要受市场下行影响，而其超额收益相对稳定且同类中较为靠前，建议继续持有，等待市场走强。
由于A股市场波动本身具有不确定性，对于量化多头产品的投资者而言，更重要的还是观察管理人的长期超额收益的稳定性、长期复合的收益率情况；对于量化管理人而言，则需要围绕内在因素持续开发并迭代完善自身投研框架，在不确定的市场中努力寻找确定性。
自成立以来，明汯投资历经资本市场、量化行业极速变化所带来的各种考验和挑战。作为首批突破500亿的量化私募管理人，明汯管理大规模资金的时间较长，未来我们更为追求可持续、可预期的超额。
| 汯观量化09 | “超额收益”是量化多头产品线重要观察指标 |
| 明汯投资 2023-07-28 17:38:17 |
相关推荐
| 汯观量化08 | 全市场选股可最大发挥量化选股模型α收益 |
| 对投资者来说，该如何理解“全市场选股”与“指数增强”的差异以及选择适合自己的产品线？ |
| 明汯投资 2023-07-28 17:38:17 |
| 汯观量化01 | 把最前沿的科学技术与对市场的深刻理解做有效结合 |
| 当前国内量化投资管理规模已突破万亿，随着量化私募进一步规范发展壮大，并逐渐成长为A股市场重要参与者和居民财富管理的重要... |
| 明汯投资 2023-07-28 17:38:17 |
| 汯观量化09 | “超额收益”是量化多头产品线重要观察指标 |
| 明汯投资 2023-07-28 17:38:17 |
相关推荐
| 汯观量化03 | 从可预期的超额及其稳定性来看 量化依然具备高配置价值 |
| 明汯投资 2023-07-28 17:38:17 |
| 长期来看超额收益逐渐衰减是不可逆趋势，量化多头是否仍有“配置价... |
| 汯观量化05 | 年化波动率是多策略产品线更重要观察指标 |
| 明汯投资 2023-07-28 17:38:17 |
| 这一期《汯观量化》将借助案例对“年化波动率”和“目标波动率”做... |
