利用量化对冲策略构建绝对收益产品

　　丁鹏

　　[ 截至去年12月，银行理财8万亿、保险资产3.7万亿、基金资产2万亿、期货资产数千亿。从这个数据可以简单看出，资产管理的规模和策略的风险是负相关的。越是大资金客户，越是追求稳健收益，因此未来绝对收益产品会得到很大的发展。而绝对收益产品的核心策略就是量化对冲技术 ]

　　随着中国进入中等发达国家的行列，以及中国老龄化社会的到来，越来越多的高净值客户期望自己的资产得到稳健增值。无论是企业年金客户、富裕的人群，或者保险资金，对于他们来说，绝对收益才是第一选择。高风险的相对收益，更多的只是适合一些中小投资者，因为他们期待短期获得较大的收益率。

　　绝对收益产品的构建方法一般有两类：一种是利用量化对冲策略，在不同的市场，或者不同的产品中间，同时进行多空操作，剥离系统性风险，赚取波动差，例如股指期货套利，就是一种典型的量化对冲策略；另外一种是利用规则的漏洞或者系统的优势进行。例如高频交易策略中的自动做市商策略，就是利用了数据到达交易所时间的快慢，从而获得一个稳定的收益。但是这个策略的市场容量有限，并且在中国目前严格监管的市场环境中，机会并不多。因为目前主流的还是量化对冲策略。

　　

　　量化对冲策略

　　1.阿尔法对冲：阿尔法对冲的核心是量化选股模型，就是采用数量的方法判断某个公司是否值得买入的行为。根据某个方法，如果该公司满足了该方法的条件，则放入股票池；如果不满足，则从股票池中剔除。量化选股的方法有很多种，总的来说，可以分为公司估值法、趋势法和资金法三大类。例如2011年上证50指数下跌22%，同期沪深300指数下跌29%。如果年初构建上证50成份股的组合，同时利用沪深300指数期货对冲，持有到年底，则可以获得7%的绝对收益。

　　2.股指期货套利：是指利用股指期货市场存在的不合理价格，同时参与股指期货与股票现货市场交易，或者同时进行不同期限、不同(但相近)类别股票指数合约交易，以赚取差价的行为。股指期货套利主要分为期现套利和跨期套利两种。

　　股指期货套利的特点是无风险，因为交易规则决定了不合理的价差在结算日强制回归。2010年4月份股指期货刚上市的时候，那时候期现的价差很大，从事股指期货套利可以获得超过50%的无风险年化收益率，但是在2011年的时候这个收益率降低到了6%～8%左右。

　　3.商品期货套利：商品期货套利盈利的逻辑原理是基于以下几个方面：（1）相关商品在不同地点、不同时间的对应都有一个合理的价格差价。（2）由于价格的波动性，价格差价经常出现不合理。（3）不合理必然要回到合理。（4）不合理回到合理的这部分价格区间就是盈利区间。

　　由于国内商品期货市场的产品越来越多，适合进行商品期货套利的机会也较多，目前期货公司基金专户已经可以从事商品期货交易，但是由于商品期货投机交易的高风险性，使得套利交易成为商品期货产品的一个最佳选择。

　　4.统计套利：有别于无风险套利,统计套利是利用证券价格的历史统计规律进行套利,是一种风险套利，其风险在于这种历史统计规律在未来一段时间内是否继续存在。例如在2011年初构建上证50成份股的组合，同时融券卖出创业板股票组合，将可以获得超过15%的绝对收益。

　　统计套利在方法上可以分为两类,一类是利用股票的收益率序列建模，目标是在组合的β值等于零的前提下实现alpha收益，我们称之为β中性策略；另一类是利用股票的价格序列的协整关系建模，我们称之为协整策略。

　　随着转融通的开通，未来融券标的大大增加，融券成本大大降低后，统计套利将成为国内对冲基金的一个主流交易模式之一。因为股票的数量很大，具有相关性的股票对也以万计数，存在的套利机会非常多。

　　5.期权套利：是指同时买进卖出同一相关期货但不同敲定价格或不同到期月份的看涨或看跌期权合约，希望在日后对冲交易部位或履约时获利的交易。期权套利的交易策略和方式多种多样，是多种相关期权交易的组合，具体包括：水平套利、垂直套利、转换套利、反向转换套利、跨式套利、蝶式套利、飞鹰式套利等。

　　国内目前已经没有了期权产品，但是随着中国资本市场创新力度的加强，未来大量的期权产品面市后，这种基于期权的套利机会也会很多。在香港市场，牛熊证是目前交易最火热的一个期权品种，利用牛熊证进行套利交易，具有保证金占用少，杠杆灵活的特点，已经成为机构投资者一个重要的盈利方式。

　　

　　量化对冲策略理论基础

　　量化对冲策略涉及到很多数学和计算机方面的知识和技术，总的来说主要有：人工智能、数据挖掘、小波分析、支持向量机、分形理论和随机过程这几种。

　　1.人工智能：金融投资是一项复杂的，综合了各种知识与技术的学科，对智能的要求非常高。所以人工智能的很多技术可以用于量化投资分析中，包括专家系统、机器学习、神经网络、遗传算法等。

　　2.数据挖掘：数据挖掘(data mining)是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的但又是潜在有用的信息和知识的过程。与数据挖掘相近的同义词有数据融合、数据分析和决策支持等。在量化投资中，数据挖掘的主要技术包括关联分析、分类/预测、聚类分析等。

　　3.小波分析：小波分析在量化投资中的主要作用是进行波形处理。任何投资品种的走势都可以看做是一种波形， 其中包含了很多噪音信号。利用小波分析，可以进行波形的去噪、重构、诊断、识别等，从而实现对未来走势的判断。

　　4.支持向量机：支持向量机（Support Vector Machine，SVM）方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间(Hilbert空间)中，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。正因为有这个特点，使得SVM特别适合于进行有关分类和预测问题的处理，这就使得它在量化投资中有了很大的用武之地。

　　5.分形理论：分形理论既是非线性科学的前沿和重要分支，又是一门新兴的横断学科。分形理论在量化投资中得到了广泛的应用，主要可以用于金融时序数列的分解与重构，并在此基础上进行数列的预测。

　　6.随机过程：随机过程(Stochastic Process)是一连串随机事件动态关系的定量描述。随机过程论与其他数学分支如位势论、微分方程、力学及复变函数论等有密切的联系，是在自然科学、工程科学及社会科学各领域研究随机现象的重要工具。其中马尔科夫过程很适于金融时序数列的预测，是在量化投资中的典型应用。

　　总而言之，随着中国衍生品市场大力发展，未来利用量化对冲技术构建绝对收益产品将成为国内资产管理的一个主流方式，前景十分广阔。

　　（作者为《量化投资——策略与技术》的编著者，微博(http://weibo.com)：http://weibo.com/dingpeng999）