沃尔夫研究所王胜：全球量化策略剧变 呈现五大趋势

金融界网2月23日消息 对于传统的量化因子模型来说，最近10年大部分量化因子有了明显的下滑。在一些发达国家和地区，很多传统量化都呈现出了负的回报。未来量化策略的发展趋势成关注话题。Wolfe Research（沃尔夫研究所，华尔街前五大的独立证券和资产研究机构）执行董事，量化与多资产策略分析师王胜近日在创金合信基金主办的“MOM中国主题投资论坛”上就MOM模式下的资产配置新趋势做了深度思考。

本文核心要点：

1. 多资产配置量化建模的两大研究新趋势

2. 全球量化策略趋势观察，聚焦五大方面

以下是对话全文：

多资产配置量化建模的两大研究新趋势

金融界网：近10年全球量化策略有着翻天覆地的变化，结合实践请您谈谈多资产配置的量化趋势。

王胜：我们可从两方面来看，第一，风险管理方面，对于多资产量化的风险模型，很大程度上对于尾部风险可以有一些比较新的建模方式。比如金融危机或者新冠疫情下的特殊市场环境中，很多资产看似相关度比较低，但在一些特殊情况下，他们的关联度会变得很高。对于这些情况下的风险建模，将成为多资产配置未来研究的一大趋势。

第二，对于阿尔法的产生，对多资产配置可以很大程度上应用更多的经济数据以及宏观数据来进行系统的量化建模。因为传统意义上的宏观研究做配置更大程度上是基于主观来决定配置的多少。根据经济数据来进行量化建模，这也是对于资产配置类的量化模型的一大趋势。

全球量化策略趋势观察，聚焦五大方面

金融界网：对于传统的量化多因子模型来说，全球范围内我们可以看到最近10年大部分量化因子都有了明显的表现的下滑。特别是2017年至今，在一些发达国家和地区当中，很多传统量化都呈现出了负的回报。为解决这一问题，谈谈您的观察和实践？

王胜：我们在过去这些年做了很多研究来提升量化模型的表现，总的来说大概有五个不同的趋势。

首先采用一定的量化因子的择时的方法，我们的某些全球选股模型当中会加入基于宏观数据的量化，因此择时也就是说在于在特定的宏观环境下，我们会加大某些量化因子的权重，在某些情况下我们会减小某些量化因子的权重，这样的择时可以提高量化模型整体的表现。

第二方面，我们会采用更多的非传统的量化数据。所谓传统的量化数据也就是基本上可以分为三大类数据，第一类是基于报表上的数据；第二类是基于量价的数据；第三类是基于卖方分析师的数据。而这三类数据以外的大部分数据都可以归结为非传统的量化因子。

因为在对于大部分量化模型当中，我们大家采用的都是传统量化因子，而非传统量化因子，比如说基于机器深度学习以及文本分析得到的一些量化信号。这类数据在传统的量化因此当中是没法表现出来的。所以这类数据往往会有一些比较低的关联度。

和传统的量化数据相比，另一个优势是存在一定的门槛，这类非传统量化数据相对来说使用的人会比较少，也正因为如此，他就没有那么的拥挤。所以我们在很多模型当中会加入一些非传统的量化因素。

第三类量化的趋势就是机器学习的方法来做选股模型。我们团队可以说是全球卖方当中最早采用机器学习做选股模型的，早在2012年，我刚加入团队的第二年就发表了关于机器学习做全球选股模型的系统报告。当时卖方很少用机器学习做选股模型。机器学习做选股模型的最大优势，一方面可以更好地把握一些因子的非线性关系。另外一方面，他可以综合更多的因子。特别是在数据爆炸的年代，传统的线性多因子模型，当因子数量超过10个的时候，往往就容易产生过拟合（overfitting），而某些机器学习的方法相对会比较友好。我们采用了自行开发的一些机器，做出针对选股的一些机器学习的模型，这些模型对于一些发达国家，特别是美国、日本这类传统多因子模型比较拥挤的地区表现特别好。

第四个全球量化策略的趋势是一些基本面的分析和一些行业特定的量化模型。之所以我们要构建一些特定行业的量化模型，是因为某些行业它存在一些特定的数据。所以用传统的量化多因子模型的方法来做来建模，可能对于某些行业并不那么适用，所以我们会采取一些行业特定的量化模型，我们在过去的5年里，对于五六个不同的行业都单独建模，构建了行业特定的模型。我们往往会和一些行业基本面的分析师进行深入的交流，从和他们的交流当中，得到一些行业特定的一些知识，来构建我们的行业特定的因子，以及单独训练一些行业特定的机器学习的模型。

第五，全球风险分散化的趋势。也就是说很多量化模型，如果可以在全球范围内进行投资的话，可以大大的降低同一时刻的风险。

另外我们对于风险管理上也会采取一些特定的风险模型，我们团队也在做一些风险模型方面的研究，比如说对于特定行业或者特定地区，做一些customized的风险模型，这些风险模型比传统的风险模型能够更好的把握特定时刻的一些股票风险，并且我们可以加入一些特定的风险因子，比如说对于新冠时期我们可以加入新冠相关的风险。对于特定的行业，比如能源行业，我们可以加入和石油相关的一些风险因子，然后我们的风险模型就可以更好的把握特定行业和特定时期的某些不同的风险。