发帖
雷达卡
薛剑波 – FRM研究方向：
全球大类资产配置以及优化模型
自动化交易系统以及量化交易策略
教育背景：
1998年上海交通大学本科机电一体化
2001年德国斯图加特大学信息工程学硕士
2006年瑞士联邦理工大学计算机 博士候选人
2008年瑞士洛桑大学商学院 金融工程硕士
职业背景：
2007-2008瑞士UBS银行财富管理部 实习
2008-2011 瑞士再保险全球资产管理部 量化分析师（助理副总裁， 副总裁）
2011-2015 瑞士Julius Baer银行亚洲财富管理部 投资经理（副董事）
2016 北京宜信金融产品创新部 – 智能投顾（总监）
2017 达尔文量化科技 – 创始人
问答汇总：
Q1: 坛友dahai229：
尊敬的薛老师您好，麻烦请教个问题。最近几年有些研究讨论risk parity 和smart beta 的应用，但是也有人提出一些批判，不知道实务界怎么看待这些策略，尤其是一些有批判的地方会怎么处理？非常感谢，祝您一切顺利！
A1:
risk parity 以及相关的应用，应该是随之bridgewater的成功， 逐渐为业界所了解的。但是risk parity的核心， 其实是基于risk风险的资产配置模型， 在业界一直在被采用。 我们可以这么理解， 传统的资产配置模型， 是根据可用的资本金， 构建一个投资组合 - 在不同资产上的投资额度。 这种方法可以叫做Asset Allocation。这种方法普遍为大多数的基金和资管公司所接受。 采用的方法主要是Mean-Variance Optimization, 给定总资本的限定。
现在对于众多如保险基金， 养老基金，以及需要得风险控制更为严格的机构来讲， 基于风险的资产配置也就是是Risk Allocation, 就更为重要了。 举个例子， 比如一家基金公司管理了1亿元资产， 用Asset Allocation的方法做的资产配置是（股票70%=7千万， 债券30%=3千万）。 如果这家公司要求VaR（99%的几率下每天损失）<100万， 那我们就需要用Risk Allocation的配置方法： 配置的目标是化收益率， 而限制条件是总VaR< 100万。 这样配置方案也许变成（股票30%=VaR 30万， 债券70%=VaR 70万）
采用Risk Allocation的方法， 对于普通投资机构来说， 复杂度很高。 通常采用的Risk Capital为VaR，DV01， CR01等。 但是跟传统Asset Allocation相比， 对风险管理的更为精准。 比如，如果公司需要投资如Swaps，以及其他复杂的结构化产品， 这类产品的特点是买入是账面金额为0， 但是风险和收益巨大。 如果用传统的Asset Allocation， 基于投资金额进行投资组合分配的话， 这类资产的资本金配置额度与实际需要配置的配置额度完全不符合。 但是如果通过Risk Allocation对VaR的额度来配置的话， 结果就一致了。
大型基金如养老金， FOF等， 都在采用Risk Allocation的配置方法，据我所知。
Smart beta 是另外一个趋势： 就是金融市场分层化的趋势。 传统理论将资产的风险回报，分为beta和alpha。 beta为市场相关的回报， alpha为资产管理者所带来的超额回报。 随着越来越来机构和个人掌握了金融投资的能力， 就发现以前alpha所涵盖的超额回报， 可以通过其他比较简单的手段获得。比如通过特定风格， 如投资中小盘股票， 成长型股票， 可以系统获得的回报。 这些回报， 就被定义为Alternative Beta。 现在越来越来机构， 将这类Beta实现在ETF基金产品上， 叫做smart beta。
对于对冲基金而言， smart beta的出现当然会减少他们的Alpha的量，迫使他们寻找其他的alpha来源， 是一个挑战。 对于普通的基金，尤其是养老金以及以风险管理为主要特征的资管公司而言， smart beta的出现， 可以更有效且经济的管理风险， 对冲风险， 是一个好事儿。
Q2: 坛友futuretrunks：
薛老师您好！想请教三个关于股票alpha策略的问题：
1. 目前广泛使用的多因子模型， 在学术界有不少相关的论文， 但关于因子组合时权重的确定， 却少有文献提及， 不知业界在因子权重优化方面有哪些实用的方法？
2. 从构建策略使用的数据出发， 大致分成量价数据和基本面数据， 但量价数据的研究众多， 策略更拥挤， 而基本面， 尤其是基于财报的数据， 频率太低， 不知老师觉得未来股票alpha策略的研究， 哪一个方向的数据会更有前景？或是哪个新的领域更值得探究？
3. 老师对基于机器学习的策略如何看？未来前景怎样？
A2:
1. 通常而言， 股票策略的核心在于寻找好的因子， 以及如何配比因子。 因子组合权重的配比，应该是一个随着市场状态的变化进行动态调整的过程。方法可以参见交易算法的调参方法， 通过机器学习以及其他非线性自适应的方法，都可以尝试一下。 问题的核心还是在于你的因子有效性是否好。
2. 我觉得，基于舆情sentiment的实时信息， 是一个很有效的短期因子。 基本面因子通常对股票价格有预测作用， 但是数据量小， 预测偏差大。 量价样子通常是对股票价格运行趋势的确认作用， 对价格走势而言比较滞后。 实时舆情有利于填补两者空白， 美国不少基金公司通过利用这个因子，获得不错的收益。
3. 机器学习在量化股票投资领域大有可为。 股票由于数据量大， 维度多，数量多， 传统的相关性分析和统计模型， 对于选股而言，使用起来有一定困难。 但是利用机器学习的模型， 可以比较有效的挖掘出股票价格相关性的模式。
Q3: 坛友zhouguobin：
老师好，做为一个量化从业者，想请教一下几个问题：
1.大类资产配置方面目前有哪些模型可以用，能详细说一下，我只知道凯利模型，美林时钟，桥水基金的全天候策略，全球资产配置的话，有哪些渠道，一般券商开通购买海外资产交易成本高吧！
2.FOF也相当于是一个大类资产模型的一种，从马克茨威利组合来看，求受益或者最小风险，除掉线性方面，有没有其它非线性，如果是非线性如何处理！
3.alpha策略偏选股，在alpha选股里可以加上择时吗，或者市场上有有没有既择股又择时的策略？
A3:
针对第二个问题， 我不理解你所讲的线性与非线性，是指什么？
我猜想你的问题是， FOF是否可以作为大类资产配置的一个品类？
大类资产配置通常涵盖几个维度：
资产维度：主要是股票， 债券（特指无信用风险，单纯的利率风险）， 信用债，对冲基金（各类风格如long-short， market-neutral， risk-arbitrage，CTA 等等）， PE（股权类）， VC， 房地产， 大宗商品以及特定的金融衍生物和结构化产品
国家维度： 美国， 英国， 日本， 中国等等。
大类资产配置的品类配置， 取决于投资公司希望配置的方向。 同时在选择品类时，要确保风险分离。 也就是说，一个品类就代表了一个独特的风险因子。 只有你的大类资产配置品类选对了，选好了， 你做出来的配置结果才有用。 我以前负责的大类资产模型， 选择的风险因子有300多个， 反复讨论了1年多才初步定下来。
举个例子吧：
如果你打算投资美国的国债， 同时海外的人民币公司债也是投资范围， 我们是否可以把两个品类都放在我们的大类资产配置里面呢？ 可以放， 但是必须要调整。
首先美国国债 的风险因子， 其实是美国的利率风险，而这个风险包含了短期风险（１－３个月， ６个月， １年的风险）， 中期（2，5， 7年）， 乃至长期（10，15，20， 30年）。如果你打算投资美国的国债， 不限期限的话， 你就需要把代表这些周期的资产品类，都放入配置模型才可以。
不能直接把这些债券的回报率直接放到模型中！不能直接把这些债券的回报率直接放到模型中！不能直接把这些债券的回报率直接放到模型中！重要的事情说3变 ， 债券的价格是随着时间推演回归到principle的，它们回报率的分布不是高斯分布。 所以你需要利用构建一个虚拟的品类， 跟踪债券的收益（包含了利息accruded,以及价格变动）， 这个虚拟品类的收益率， 才可以放入模型
那我们希望投资的人民币公司债，可以直接作为一个品类放入资产配置模型吗？ 当然不行。你需要将人民币公司债的收益，分解为中国国债利率风险（与之前美国国债利率风险方法一样），以及信用风险（根据风险评级，从AAA - CCC）
针对FOF， 一般情况下， 我们不会把FOF作为大类资产配置的品类： FOF已经包含了各种基金的风险， 所以通常FoF的风险定义不确定。 但是我们会把各种有代表性的基金指数纳入配置模型，如果我们的大类资产配置模型告诉我们：１０％应该是ＣＴＡ， ２０％是market neutral. 我们会根据这个宏观的配置（叫做SAA，战略资产配置）， 来寻找或者自己构建相应比例的FOF。
有不少朋友问， 是否可以把国内的P2P产品放入配置： 目前做不了。 国内的P2P产品，其实是利率风险类+信用风险类产品， 现在的P2p产品没有做过评级， 都号称刚性兑付， 所以无法评估信用风险。 而P2p的风险就是信用风险。 所以无法放到资产模型里。
同样的， 保险类产品， 目前无法放入大类资产配置模型。
外汇通常不做为大类资产配置模型的品类： 如果你同时配置港币资产， 美金资产， 建议把港币资产价格转换成美元资产价格。
针对第3个问题： 好的量化股票策略， 都是既选股又择时的。 选股是用来确认有未来超额收益预期的股票， 择时可能控制买入卖出点， 从而优化收益曲线。 尤其是在回撤控制上，好的择时方法可以极大减少回撤。
通常我们会首先确定择股条件， 寻找到好的择股方法， 作为策略的基本框架。 然后再进一步利用择时方法，来过滤波动性， 过滤不好的买入卖出点。 然后在优化回测，以及稳定度测试等等。
Q4: 坛友weinamaleny：
薛老师：
您好，很高兴可以与您直接交流，请教你们做国内期货市场的自动化交易理念是？
谢谢您的回复。
A4:
国内的期货市场自动化交易的前景非常好。首先国内的期货市场还是比较年轻， 目前主要有的交易合约为大宗商品， 包括金属，矿物，农产品等。 股指期货在过去几年发展迅猛， 但是目前可以交易的手数还是受到限制。 总体而言， 未来我们国家的金融市场进一步发展， 期货市场一定会做的更大， 品类更多。
对于自动化交易/量化交易来说， 有一个说法是“2016年是中国量化投资的元年”。 很多量化团队， 包括我自己的达尔文量化团队都是2016年开始的。 现在参与期货市场的仍以主观交易中小交易者为主， 所以从自动化交易者而言， 这样的市场投资机会很多， 未来的收益还会持续。
当然， 现在量化交易，人工智能已经成为了中国乃至世界的热点。 我的预期是未来3-5年是中国量化投资的大爆发， 参与的人数水平都会远远高于现在的水平。 将人工智能的分析手段，放在期货市场里，就是未来我们最能期望的最令人兴奋的领域。 我们的团队也一直在采用各种前沿的机器学习方法来帮助我们预测市场， 产生交易信号， 以及控制风险。 未来我们更希望可以用机器学习的方法， 可以为广大的投资人定制符合个人喜好的人工智能投资机器人。
同样， 量化投资行业也继续大量高素质的人才加入。 这个行业往往需要很强的理工科背景， 统计数学能力， 编程能力。同时要具有相当的金融知识， 对最前沿的机器学习，人工智能的技术有很深理解。 所以这个要求其实挺高的。 所以未来量化投资的教育十分重要， 需要能够将各个交叉学科的知识，以及量化数据分析的技术，传授给学员。 帮助他们掌握核心的理念， 为广大的投资机构提供大量的优质人才。
Q5: 坛友扶夏：
薛老师您好！
我想请教下，在国内fof基金大发展之际，您对fof基金对投顾选择上有什么看法呢？谢谢
A5:
FOF 的投顾选择，首先是取决于FOF基金自身的要求，风险以及回报风格。 通常来说， FOF的目标是以风控为首，收益为辅。
对于FOF而言， 选择的投顾最重要的特点是：风格明确且稳定， 而不是单纯的收益高。 FOF做的工作主要是大类资产配置， 对各种类型的资产FOF做出配置的决定。 然后根据这样的配置决定， 去寻找先对应的投顾。 如果FOF需要的是一个做房地产投资REITs的投顾， 而这个投顾其实投资的一大半是在股票市场的话， 这个投顾的风格就跟FOF的预期产生了重大的偏差。 这就会造成FOF资产配置的巨大风险。
所以，FOF在选择投顾的时候， 会使用量化和主观判断的方法，来筛选投顾。 比如， 筛选REITs类的投顾的时候， 会使用Reits类的指数来拟合投顾的收益曲线， 如果有很大的误差， 则说明该投顾的投资风格与期望不符。 同时， 可以对投顾的团队做尽职调查， 书面澄清他们的投资风格和方向。 大的FOF甚至可以要求投顾的投资流程和基准，按照FOF给出的指引来操作， 如果偏差，可以有相应的措施。 等等。
在筛选好了符合FOF风格要求的投顾以后， FOF通常会倾向于选择投资历史长， 管理层稳定， alpha高，风险性小， 甚至沟通顺畅的投顾。 这里的选择就跟传统的基金选择类似了。
Q6: 坛友千叶月：
薛老师好 现在国内商品策略的思路同质化现象很普遍 请问cta 策略 如何 克服震荡期的回撤的问题
捕捉拐点有没有什么好的方法
A6:
你好， 很高兴回答这个问题。
首先，cta策略趋同是正常现象。 当市场的趋势来了， 赚钱的策略都是一样的，就是跟着趋势走。 最近市场的状态跟2016年相比发生了很大变化， 我想市场上大多数的趋势跟踪策略都不怎么赚钱， 包括我们的。
震荡期的回撤是无法避免的， 这是趋势跟踪策略付出的试错成本。 减小回撤的方法， 往往是通过采用不同合约的策略，来分散风险。 单一策略，我们会采用2层控制： 一个是采用动态跟踪止损的方法， 止损的距离应该与当前的波动性成反比：也就是说如果在大趋势上， 我们可以把止损放的大些， 争取更长时间在市场中。 在震荡行情下，波动比较大， 我们把止损放小， 争取每次假突破后尽快退出。 另一个控制是在策略上进行仓位控制， 进入震荡行情后 我们的趋势策略很明显连续交易失败比例高了， 这样我们就把仓位降下来。 如果市场走出震荡行情的华， 连续交易成功比例提高， 就可以逐渐加仓了。
捕捉拐点没有太好的方法， 我们做的基本都是右侧交易， 等市场确认趋势再进去。
Q7: 坛友Crsky7：
薛老师您好！
我也是量化投资领域的从业者之一，目前正在给公司开发智能投顾模型，由于智能投顾推荐的是基金组合，许多人想当然地把智能投顾当作FOF，我看到薛老师曾负责整个智能投顾产品的研发，有着丰富的经验，所以想请教一下智能投顾和FOF的本质区别在哪里？
此外在开发过程中我还遇到一些痛点问题：
1、由于市场环境的变化，投资组合经常需要再平衡，据我了解调仓算法主要分两类，定期调仓和触发阈值调仓，一般会选用哪些因素作为调仓触发条件，阈值又是如何设置的呢
2、模型在落地的过程中会碰到很多交易细节的问题，申购赎回费率、赎回到账时间、封闭期等因素会如何影响组合构建、再平衡以及收益计算呢，如何在模型中考虑这些因素
3、策略的表现很大程度上取决于基础资产池的整体表现，基础资产池一般是如何构建的呢，通过哪些指标来筛选基金
4、智能投顾的组合会匹配投资者的风险等级，对于每种等级投资者的组合是不同的，那应该如何选取合适的基准来衡量组合业绩表现呢，简单地采用沪深300肯定是不合适的，像招行摩羯智投完全不公布业绩衡量的基准也是不合适的
希望薛老师耐心解答，非常感谢！
A7:
哈哈， 其实您的这些问题， 是现在国内智能投顾业界的面临的主要问题。 坦白的说， 我也没有什么太好的方案。
0. FOF跟智能投顾有什么区别？ 从资产配置上而言， FOF其实是有一个框架的， 就是在给定什么样的风险情况下， 什么样的投资品类限制下， 什么样的申购赎回条件下， 我们可以实现收益最小风险。 智能投顾，按照国内的通行方法呢， 没有品类限制（主要是公募基金，ETF）， 没有风险下线定义， 没有调仓限制（从一周到n个月随便）， 在这样的无限制条件下， 要化收益。
理论上， 两者类似。 但是实现上，智能投顾很难做：因为面对的是小白散户， 资产很少， 投资品类基本＜５．因为不能想ＦＯＦ一样收取投资人管理费业绩费， 所以就不得不通过基金平台通过来回交易赚钱。 同时， 因为这些散户的投资没有锁定期，可以随时通过智能投顾手机ａｐｐ买卖 ，所以客户对回报狠敏感。结果是，投资建议通常不能狠频繁调仓，因为申购赎回费用太高。除此以外， 智能投顾公司往往都是ＩＴ创业风气，不是金融投研环境，对市场了解有限， 对基金了解更有限。 简单通过ＭＶＯ， Asset ａｌｌｏｃａｔｉｏｎ的模型来操作， 我个人觉得很难帮客户赚到钱。
当然，本身中国的公募基金就不太容易投资。 记得我看过一个晨星的报告， 讲到中国公募基金的表现，历史相关性很低。 去年还是冠军， 今年就跌倒榜末。 我们做ＦＯＦ或者智能投顾， 对投资的基金产品的非常重要的要求就是：基金的表现和风格要稳定， 只有基金的风格稳定， 我们在基金组合上的FOF和智能投顾组合表现才可能更好。
总结一下， 我个人认为，目前市场上的智能投顾的投资思路是死胡同（也就是提供给客户公募基金组合， 对客户没有太多投资锁定期，投资额度的要求， 也没有风格和风险定义的这种模式）。可能的模式是， 智能投顾自己组合风格风险可控的其他投顾， 将调仓成本降下来， 将调仓频率调上去 ，对选择的投顾的风险和投资风格管起来， 这样有可能会有比较好的效果。
当然，有人要问， 为啥美国的智能投顾可以做起来呢？ 人家一般做的是ＥＴＦ组合， ＥＴＦ基金的表现是跟着指数来的。 美国的公募基金表现， 风格和稳定度，也远高于我们中国的基金。
这就是现在的情况。
其他的问题， 都是智能投顾的实际问题， 有机会可以线下交流把， 线上想知道的人不多， 问题也不是一两句话说的明白的。
总体而言， 目前国内的智能投顾框架， 有根本性的问题。 在这些根本性问题下，做出来的模型再好， 也好不到哪里去。
所以怎么办？思路有两个：一个是开拓出一套全新的智能投顾框架， 在新框架下做出好的策略， 并且要让客户为了这些好策略付钱。 二个是彻底别做这个“伪命题”作文啊， 智能投顾目前的模式就是一个基金兄销售的前端。如果是基金公司自己做智能投顾还有可能是个好事儿，人家自己推自己的基金， 智能投顾不赚钱也无所谓。纯做智能投顾的互联网创业者们， 有点过分低估了传统金融界的智商了。 我们的人生有太多地方可以浪费。
说话有点直，纯粹代表自己的观点， 让谁不开心了， 我先道个歉。
经管之家“量化投资学院”：http://q.peixun.net/
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
