量化投資與多因子Alpha選股策略(上)－數量化投資月訊

一.數量化投資

數量化基金即是以量化的方法作為投資組合建構的主要依據，伴隨著電腦的進步，基金經理人可以透過電腦運算的輔助，計算龐大的資料，分析全市場上所有的股票，所以比起傳統的質化(quality)分析，數量化投資核心的優勢在於“寬度(breadth)”上。透過數量化投資過程，投資組合的建構時皆遵循有紀律的規則，如此一來也可以避免基金經理人過度主觀的判斷所造成的偏差。Fabozzi教授在其所撰寫的challenges in quantitative equity management一書中提到，透過訊息與個人判斷，來管理資產則為基本面投資或是傳統投資方法，如果遵循規則，透過模型以及電腦運算所產生的投資決策即可視為數量化投資。

一般的數量化投資大致上可以分為以下的五個流程:
1. Alpha model:
   透過alpha model，我們試圖對我們的投資標的之超額報酬做預測，當然我們的理想就是在投資組合建構時就能夠挑選適當的投資標的做出正確的決策，透過對報酬的預測，決定買或賣，加碼或減碼，然而這也是最困難的。
2. Risk model:
   在投資組合建構的過程中，我們要考慮到整個投資組合所承受的風險，量化分析的一大優勢就是透過風險模型，對投資組合的風險進行拆解，從許多不同的面向來分析風險來源。
3. Portfolio optimization
    透過以上兩個模型分析進而建構投資組合，接下來我們會面對一個最重要的問題，投資組合內的股票該加減碼多少，利用Alpha model與Risk model給予我們的訊息，結合實際上投資操作的限制，我們必須透過投資組合最佳化，得到一個投資組合以滿足我們所期望的報酬，與所能承受的風險。
4. Portfolio implementation
   經過以上分析與投資組合的建構，接下來就面對到實際操作的問題，周轉率與交易成本很有可能吞噬掉我們的獲利，此外真實的市場，有太多我們無法掌握的變數，我們應當考慮如何建構實際的投資組合部位，如何進行交易，才是有效率的。
5. Performance attribution
   績效是我們所最關心的，若經過一連串的分析，與投資組合建構，卻無法帶來績效，那一切都是枉然。然而當我們獲得績效時，仍要以數量的方法進行歸因，以了解報酬來源，進而讓投資組合的運作更完善，穩定。
    以上所提及的五個步驟，大概是一般量化基金所應該具備的，每一個環節都是都是值得深入探討的議題，當然對於每一個基金公司都有其獨特的模型以處理上述的量化分析，所謂量化分析，除了有嚴謹的分析架構，還要加上 “創意”，才可以超越標竿指數與其他同類型的基金。

本研究著重於探討量化模型的第一個階段Alpha model，而我們所發展的是多因子Alpha選股策略。我們將多因子Alpha選股策略分為三個部分來探討，(1) 多因子的篩選、(2)多因子的合成、(3)投資組合的建構，本篇文章將探討第一部分:何謂多因子，為何要使用多因子，以及如何篩選多因子。

二.多因子alpha選股策略

當我們做了一系列的分析之後，建構投資組合，分散了風險，最主要的還是回歸於α的找尋，有α才能為我們創造更好的績效，但我們真的能找到α? Fama (1970)提出了效率市場假說(EMH)，簡單說就是在考量成本與風險之後我們無法依靠我們過去或現有的資訊擊敗市場，Lorie and Hamilton (1973)也提出股價是沒有記憶性的隨機漫步。

但是近來財務研究學者經由長時間的觀察發現，股票的報酬可以經由確定的因子進行某種程度的預測，不再是隨機漫步型態。許多國內外學者(例如：Fama、French、Ross)已經找出在長期下能夠穩定且持續去預測股票報酬的因子，且利用這些因子預測股票報酬也確實能帶給了投資人額外的報酬。也就是說，在我們多因子選股策略之下，我們相信市場存在某種程度的不效率性，我們可以透過多因子組合成篩選股票的依據，篩選出具有投資潛力的股票。

所謂因子，我們可以看作是一個指標，一檔股票所釋放出來的訊息，我們從各個面向去分析個股所計算出來，例如基本面的財報資料、籌碼面、市場交易面的價量資訊…等等，廣泛的搜尋國內外學者曾經做個的實證與研究，將文獻上所發現對股票報酬具有顯著影響的因子皆納入計算，以確保我們所做的多因子分析是具有經濟上意義而不是只是做資料採礦。

數量化投資最重要的就是藉由電腦運算，作定量的分析，資料庫的建構是最為重要也是最耗時費力的工作，在這方面我們以中山財務管理研究所與富盈財務科技合作之計量團隊所建構的Tai-Chi股票投資研究系統，該系統已具備台灣上市上櫃所有股票的因子資料庫，為了配合不同頻率的操作特性，包含了月頻率與周頻率，該資料庫也包含了大陸上海與深圳兩個交易所之掛牌交易股票。下列表一與表二列出我們所初步篩選過在台灣市場對報酬影響較為顯著的因子。

表一:月頻率因子分類表，月頻率因子分為十四類

圖片10.jpg

表二:周頻率因子分類表，周頻率因子分為五類

圖片9.jpg

三.因子有效性檢定與篩選

對於上述的因子就是提供給我們的訊息，有效的利用訊息，才能使我們獲得超額報酬。Information separates active managers from passive mangers. Information, properly applied, allows active managers to outperform their informationless benchmarks (Grionld & Kahn 2000)，

Grionld & Kahn 提出了FLAM :

指出投資成功與否的關鍵在於穩定的 “skill”與 “breadth”，衡量“skill”就是information coefficient (IC)，指的是橫斷面對每檔股票的預期報酬，與下一期實際報酬的相關係數，而N為股票的數目。而穩定的 “skill”，就是我們衡量因子品質的主要依據。
我們之前有提到，數量化投資核心的優勢在於“寬度(breadth)”，但如上所述，在訊息的“深度”上，我們還需要慎重的考量，面對同樣的訊息，不同的基金經理人會有不同解讀與利用方式。充分認識訊息並排除不必要的噪音是運用數量化模型前置作業，這對我們的量化分析的品質有決定性的影響。
在因子有效性的檢定上，我們建構的一個因子有效性檢定模組，主要以IC計算與Quintile分析，再依據我們所計算出來的統計值給予每一個因子評分，動態監控每一個因子的品質。透過我們所建構的因子有效性檢定模組，每一期會對每一個因子計算AvgIC、Success Rate、T-test、Quintile累積報酬，以報表或圖形的形式呈現。