提升实盘的仓位管理策略
由bigquant创建，最终由small_q 被浏览 653 用户
作者：woshisilvio
导语
在以往的认知中我们认为一个量化策略的选股>择时>风控，但经过多次的实盘交易发现风控处理不当会导致我们牛市赚的少、熊市亏更多。因此提出一种次优解的风控思路：风控>择时>选股。根据人工择时的经验，设计执行的固定量化风控准则（交易纪律），可以决定我们收益的下限，以及回撤的上限。
在本次分享中，将从以下四个方面展开：
1.仓位管理的策略。同时，优化上期分享的超跌反弹策略。
2.常用来做优化的工具和方法
3.对抗过拟合的方法
4.彩蛋策略：资金流大单追涨策略。预告下一期meetup
仓位管理策略
一个完整的AI-量化模型由三部分组成：选股、择时、风控。
在进行风险量化之前，大部分投资者的排序是选股>择时>风控。选股的准确率决定了我们的收益上限，但整体市场环境的下行风险却很难通过选股来化解（俗称，弱势行情多做多错，怎么选都是错），由此导致在实盘中，无法在行情上涨的时候获取更多收益，行情退潮时回撤又持续扩大。对此，进行了归类总结发现三种情况：
- 选到了牛股，因为择时没有卖在最好时机，或者没有重仓，赚取零星的利润，在别的股票上亏掉了利润。
- 选到了牛股，因为没风控及时平仓，利润在震荡中磨损消失。
- 选到了牛股，因为风控和择时没有选择出最佳的持仓时间，导致无法获利。
分析各种原因后发现大部分亏损的原因是风险控制没有处理好，根据我个人近几年实盘的量化选股模型来看，可以发现：
- 有风控的策略效果优于无风控的策略。无风控择时策略的回撤和波动大于择时策略，收益和夏普比低于带风控的策略。
- 有择时的策略并不总是优于不择时策略。T+1的操作机制让择时的困难大于选股的，个股的波动受到股票本身的特质收益率，或者说股性的影响，我们很难能每次都精准提前捕捉到每一天个股的所有波动。择时在短时间可以捕捉到行情的收益，但长时间看来，择时的策略可能比不择时的表现更差。
- 如果用人工对模型做择时的话，不如不择时。纯人工择时容易带有情绪影响和主观偏见，难以跑赢模型 。
- 多策略并行，并不能完全分散风险。多策略组合可以降低风险，但同时也容易忽略策略之间的高度相关性。比如有在同一时间段，策略同时回撤。特别是单只的量化策略，随机性太强，如果没有合理的风控机制，基本上就是对冲手续费
因此，在实盘上取得一个较为稳健的收益必须设计一个带有风险控制的系统，前面提到的三部分的重要顺序调整为：风控>择时>选股。 提出次优解的解决方案：根据人工择时的经验，设计一个可以便于执行的固定量化风控准则，也可以称为交易纪律，通过这种方式来规范模型的交易。通过此种方法可以决定我们收益的下限，以及回撤的上限。
假设模型多因子选股解决的是进攻问题，那么风控择时和仓位管理解决的就是防守问题。如何平衡两者之间的关系？
\
仓位管理策略设计逻辑
结合前几期的分享，风控可以采用均线来描述趋势，同时跟踪指数涨跌的方向。为此，本次采用综合的均线追踪系统对风控准则进行平滑处理。
主要方法
通过股票或者指数的形态、涨跌幅、成交量进行综合打分，每天计算得分score，得分高的就加仓，得分低，甚至负分就减仓。灵活运用两种方式：
1.对指数来做仓位风控。
2.对模型本身的预测值做仓位风控。