阿尔法策略总结

11-14 周三
1.阿尔法与贝塔：
资本资产定价模型（CAPM）中，贝塔是相对于整体市场的收益（市场风险因子）：市场收益上升，特定资产通过贝塔系数跟随市场收益；阿尔法是特定资产的超额收益（特定风险）。

法玛（Fama）三因子中，阿尔法同样是常数项，贝塔由市场风险因子，市值，规模三个因子分解，当外界熟知这些因子后，其代表的风险就从特定风险转变为市场风险；存在的阿尔法可以认为都是未被解释的贝塔，即当解释因子不充足时，会有显著的阿尔法，因此Barra模型将alpha定义为smart beta。

最初的均值方差模型（MV模型）是资产配置模型，延伸出CAPM作为定价模型，也称为单因子模型，之后进一步延伸出多种多因子定价模型；根据定价模型能对系统风险进行更为全面的度量，因此定价模型中因子的构建逐渐成为量化领域的重心。

阿尔法策略是通过对系统性风险进行度量并将其分离，从而获取超额绝对收益的策略组合
总结
1)阿尔法来源于特定风险；贝塔来源于市场风险；特定风险被逐渐解释和开发之后就
是市场风险
2)beta收益是市场收益，即随着市场的变动获得的被动收益；不仅是市场收益率，
还包括众多因子，这些因子被人们所熟知后就成为了系统性的收益（风险）；alpha
收益是特定收益，通过自有的知识，或者是找到了不为市场所知的因子，因此获得
的超额收益，当这个潜在因子被市场所知后就成为了beta收益，需要寻找新的因
子
3)风险因子和收益因子在时间上会相互转化
2.阿尔法策略分类
1)A型阿尔法策略：用指标对股票排序，选取其中一个组合，定期调仓，获取阶段性
超越大盘的收益。

特征是策略永远满仓，但需要股指期货对冲。

2)X型阿尔法策略：来源于技术分析和民间，也叫做战法，不区分选股和择时，往往
通过择时指标来选股，也就是把择时或有上涨的股票选出来，持有一段时间，时间
不确定，通过择时或者止损重构组合。

3)B型阿尔法策略：对所有股票建立可以解释波动来源的线性风险模型（即因子模型），
然后通过对风险因素未来走势的看法，优化目标投资组合整体承担的各种风险暴露，这样自然确定了股票的权重，选择出来了股票，这种阿尔法策略，其实也是一种
Smart Beta策略，这种策略中阿尔法就是贝塔
3.B型阿尔法策略的权重计算
1)第一步：选择解释因子（f）{每个股票作为样本，f即每只股票在相应的因子上的
暴露（取值），b是对应因子的风险补偿，即b可以看出横截面上股票收益率与因
子大小的关系}
2)第二步：对第一步中的因子在每个时间周期（t）做横截面回归，得到每个因子在
每个时间周期（t）的系数（b），即t时刻的风险补偿：
f为第i支股票t时刻的第k个因子，b为对应的风险补偿
3)第三步：将获得的每个时刻的风险补偿（b）作为因子（f），对每只股票进行时间
序列回归，得到每支股票在每个因子上的风险暴露比例（贝塔）：
4)第四步：求每只股票的权重（w），下式为基于第一个因子暴露求出的权重：
W为每只股票的权重；上半部分是拉格朗日等式：代表一定预期收益下到达风险最小。

4.市场中性策略
属于统计套利，需要同时构建多头和空头的头寸来对冲市场风险，期望达到的目标是在市场单边上涨或单边下跌的环境下均能获得稳定收益。

1)阿尔法套利：做多具有阿尔法值的证券产品，做空指数期货，实现回避系统性风险
下的超越市场指数的阿尔法收益。

2)贝塔套利：期指市场上做空，在股票市场上构建拟合300指数或其他指数的成份股，
赚取其中的价差，是被动型的套利。

11-15 周四
5.风险因子
我目前理解的风险因子是具体构建出来的股票的特征，用来解释不同股票同一时期收益率的差异，有市场风险因子、基本面风险因子、技术面和宏观面因子几个大类，每个大类有具体的多个因子，有各自的计算方法。

使用风险因子作为解释变量在横截面上对选定股票池中所有股票回归，对股票收益率解释性强的就是一定时期比较好的风险因子。

风险因子一般都是被投资界熟知的，如果不为人知，这个因子就会是个别人的阿尔法因子，能帮助获得超额收益
6.IC，information coefficient，信息系数：因子当期的值和标的未来一期收益率的相关系
数的绝对值，即因子的值对未来一期的预测能力
7.IR，information ration，信息比率：IC的均值和标准差的比例；因为有多个因子所以有
多个IC
11-17 周六
8.（风险）多因子模型：
因子暴露factor exposure；因子收益率factor return
（风险）因子就是描述股票某些方面特征的因素：行业因素描述股票是否属于某个行业；PE描述股票的PE值（因子值需要归一化）。

因子暴露：股票在因子所代表的特征上的取值。

因子收益率：基于某个因子，按照一定的权重组合股票形成一个投资组合，该投资组合的收益率就是该因子的收益率
这是更为直观更为基础的表现方式。

横截面：在某个时间段，以股票池所有股票作为样本，因变量是收益率-无风险收益，自变量是股票在因子上的取值，即因子暴露。

回归得到因子的系数，因子的系数是因子在某一时间段的因子补偿。

纯因子模型：
横截面上，通过加权使得某个因子的加权风险暴露为1，其他因子的加权风险暴露为0，就达到了纯因子的目的。

9.风险因子和阿尔法因子
根据某个特征（因子）进行投资，长期来看其收益的表现。

1)图一，收益大部分为正，但收益的波动性较大；该因子能贡献超额收益，但是也带
来了系统性风险（高波动）
2)图二，收益率大部分时间是正的，且波动小。

稳定的超额收益和低系统性风险
3)图三，因子收益正负基本五五分，且波动大，无法获得超额收益，但可以描述某种
系统性风险，是个风险因子
4)图四，过去是显著的阿尔法因子，能获得稳定的超额收益，但是近期反转成为风险
因子。

可能是外界环境政策的变化以及该因子的广为人知
5)。