股票主动投资组合管理思想和框架
由ypyu创建，最终由ypyu 被浏览 430 用户
这是关于股票主动投资组合管理的第一篇教程。在开始介绍正式内容之前，我先简要简要说一下《Alpha系列》的初衷。
近年来，随着国内大数据和人工智能的迅速崛起，量化交易领域也有了长足的发展。 从原来的指标驱动型程序化交易，演化到现在的以机器学习、人工智能为代表的新型量化交易。同时，量化交易的门槛与过去相比下降了许多。 不仅是因为这些年数据科学的发展带动了python及其生态的成熟和推广，更由于类似tushare、vnpy、zipline等开源项目以及像quantopian、bigquant等量化平台的出现， 使得以前做量化先造轮子到现在量化从业者可以专注于策略的研发，使得更多的人能够进入到这个领域。
这些年，量化理论的发展，也有了突破性的成果。从经典的CAPM、APT到Grinold和Kahn在2000年提出的主动管理基本法则，简称FLAM，于是主动投资开始席卷投资界。 这套教程的核心便是介绍主动管理的基本框架和应用，从而让更多的量化从业者、量化爱好者可以从一个方法论的角度去研究量化。
好了，不啰嗦了，进入正题。
主动投资流程
- Alpha模型：首先，也是最为重要的，就是预测股票的超额收益。股票的收益分布由预测收益和离散程度组成，预测收益决定了我们对这只股票买入还是卖出、 超配还是低配，收益离散程度（例如标准差）决定了它在组合中的配置。alpha模型之所以如此重要，是因为它是我们投资收益的核心来源，如果不是全部的话。 其实，alpha更多的是一种超额收益的生成机制，业界主流的有用统计模型的，也有现在新兴起来的机器学习。当然，也不一定全部都要用量化的方式，毕竟有一些因素 是模型难以考虑的，但本质都是对股票超额收益的预测，只不过利用量化的方法，我们可以尽可能做到预测流程的可控性、有效性和稳健性。
- 风险模型：风险模型，尤其是结构化风险模型，可以帮助我们更加深入地进行风险分析。根据《主动投资组合管理》作者的观点，风险模型可以被应用于在三大场景， 分别是当前组合风险分析、评估投资组合过去的业绩表现以及帮助我们设计未来的投资组合。如果说alpha模型是收益来源的话，风险模型则能够定义我们承担风险的方式。
- 组合优化：组合优化则把收益和风险紧密的连接在一起了。如果说alpha模型代表投资者的能力，风险模型代表投资者的风险偏好，那么组合优化则是权衡两者 实现投资目标的工具和利器。经常看到很多的量化策略，貌似具有不错的alpha能力，但是在风险和组合优化上几乎没有花什么精力，大多是等权重投资或换仓。有些 则是借鉴的CTA策略的仓位管理，大多是线性的固定规则加减仓。当然，这里并不是要批判这些策略，而是在主动投资的框架下，这些显然都不是均值方差最优的选择。 另外，组合优化还可以考虑到交易成本、风险预算、多空策略限制等因素对组合收益的影响，这部分可能也是靠投资者的个人经验难以在投资策略中面面俱到的，但它们 能给投资效益，尤其是实盘业绩产生决定性的影响。当然，要实现组合优化也有一些门槛，需要一些最优化方面建模和数学知识，这可能也是不怎么普及的原因。不过， 这个系列教程的目的就是普及和降低门槛，在后面的教程中我会详细地介绍这方面的内容，并引入一些简单上手的工具。
- 交易执行：投资和交易都是一个动态的过程。随着预期收益和风险的变化，我们需要对组合进行调整，来捕捉最新的alpha预期。然而组合调整就涉及到仓位的变化， 对于具体的交易执行的方式或许会影响到我们整体的投资收益，比如大量交易对市场价格的冲击、对于低流动性股票的交易执行策略等。交易执行模型的目标就是要最小化 不确定性环境下的交易成本。 当然，这些主要针对机构交易者，个人交易者一般影响不大，所以这方面的内容我们会涉及，但不会作为重点。
- 业绩分析：业绩分析也是相当重要的，并不局限于看下策略的alpha、最大回撤、夏普比及资金曲线，最重要的是我们要进行alpha和风险的细化分解，找到我们的 alpha来源和风险暴露。在这个课题中，可能就会涉及到各种风险计量方法（如Var、CVar、ES等），以及风险预算框架。
Alpha系列教程大纲
这里只是先给一个教程大纲，具体的计划还在构思当中，后续的教程会大致按照这个方向。如果大家有什么补充或者建议，也可以随时给我留言。
课程大纲:
- 现代投资组合理论MPT
- alpha因子评估框架
- 量化因子简介
- 风险模型与风险分析
- 多因子alpha模型
- 高级alpha建模技巧
- 因子择时
- 信息尺度
- 组合再平衡问题
- 交易成本建模
- 约束条件下组合优化问题
- 基准择时
- 稳健组合优化技术
Alpha系列教程方式
现阶段，主要通过notebook的方式，我会尽可能阐述清楚主动投资理论背后的数学，并以python的方式来实现、演示相关概念，最后我还会尽可能地用BigQuant平台回测框架来展示相关概念的一个完整策略。 在大多数的教程中，我们将只关注核心概念而故意简化一些假设条件，当然会和实际投资场景有一些差距，别着急，最后我们会把相关概念和工具都结合起来，构建一个完整的主动投资管理案例。 在每篇教程的最后，我们讲给出推荐阅读的材料，供感兴趣的读者来了解进一步的理论和技术细节。同时，我们还会给出少量的开放性问题，供大家思考和讨论。
文献索引
\