Инструмент выживания в условиях волатильности! Статья, которая поможет вам понять стратегию «квантового отбора акций»!

Спросите AI · Какие преимущества у количественного отбора акций по сравнению с индексным бета-добавлением в условиях бокового/волатильного рынка?

По мере того как в стране становится всё больше доступных финансовых данных и одновременно прогрессируют технологии AI, на фоне усиления колебаний на китайском рынке капитала в последние годы, всё более популярными в сфере частных фондов становятся эффективные, объективные и жёстко дисциплинированные стратегии количественного отбора акций — чтобы за счёт системных преимуществ справляться со сложностью рынка.

Итак, каковы конкретные преимущества стратегии количественного отбора акций? Чем она отличается от индексного бета-добавления? Каковы исторические результаты за последние несколько лет? И как обычному инвестору отфильтровать действительно хорошую стратегию количественного отбора акций? Далее автор подробно ответит на эти вопросы.

一**、Суть количественного отбора акций: от «опыта» к «данным»**

Количественный отбор акций — это инвестиционный подход, основанный на математических моделях и компьютерных алгоритмах: он системно анализирует огромные массивы данных, чтобы выбирать акции для инвестиций. В отличие от традиционного субъективного отбора акций, он не опирается на субъективные суждения аналитиков; вместо этого, путём построения системных правил, он объективно отбирает акции в рамках всего рынка. Проще говоря, количественный отбор акций — это «использовать исторические закономерности, чтобы предсказывать будущее, и с помощью алгоритмов компенсировать слабости человеческой природы».

Логика традиционного субъективного отбора акций часто такова: менеджер фонда формирует для конкретной акции суждение «за» или «против» на основе макроэкономики, отраслевых тенденций или фундаментальных показателей компании (например, отчётности, результатов исследований/встреч), а затем строит портфель. Но эта модель ограничена когнитивными искажениями человека и возможностями обработки информации — человеку сложно одновременно анализировать огромные объёмы данных и трудно сохранять абсолютную дисциплину в условиях рыночной волатильности.

Количественный отбор акций полностью переворачивает этот процесс: инвестиционная стратегия превращается в вычислимую «факторную модель». С помощью исторических данных выявляются ключевые переменные, влияющие на динамику цены (например, оценка/стоимость, прибыльность, взаимосвязь K线 и объёма/цены и т. п.), модель обучают предсказывать будущую доходность акций, а затем алгоритм автоматически формирует команды на покупку/удержание.

二、Как работает количественный отбор акций? 3 основных подхода

Стратегии количественного отбора акций могут существенно различаться, но суть можно свести к 3 типам основных методов. Разные частные фонды выбирают разные акценты в зависимости от своих возможностей в инвест- и research-процессе.

Мультифакторные модели: самая классическая «формула отбора акций»

Мультифакторная модель — это «краеугольный камень» количественного отбора акций. Её ключевая идея такова: будущая доходность акций может объясняться несколькими «факторами» (то есть ключевыми показателями, которые влияют на доходность). «Фактор» — это базовая единица в количественном отборе акций. Прогнозирующая сила одного фактора ограничена, к тому же он может перестать работать. Исследователи стратегии проводят обширные исторические тесты (backtesting), чтобы отобрать комбинации факторов, которые в A-share рынке долгое время сохраняют эффективность.

Типичные факторы включают: фактор стоимости (оценочные показатели вроде PE, PB и т. д.), фактор роста (темпы роста результатов), фактор импульса (тенденции по цене и объёму) и др.

Статистический арбитраж: использование спредов «ошибочного ценообразования»

Логика статистического арбитража берёт начало из «возврата к среднему» — некоторые связанные активы (например, акции одной отрасли, компании из смежных звеньев цепочки поставок, ETF и его базовые компоненты) имеют долгосрочно устойчивую ценовую взаимосвязь, но в краткосрочной перспективе из‑за колебаний настроений могут отклоняться от обычного уровня. Количественная модель может уловить это отклонение и провести арбитраж.

Например, A и B — лидеры одной отрасли. Исторически ценовой коэффициент стабилен на уровне 1.5:1. Если в какой-то день из‑за рыночных спекуляций коэффициент A/B поднимается до 1.8:1 (отклонение от исторического среднего), модель продаёт A и покупает B, ожидая возврата коэффициента к 1.5:1, после чего фиксирует прибыль при восстановлении уровня. Эта стратегия зависит от строгой статистической проверки: нужно убедиться, что «связь» действительно существует, а не является случайностью.

Событийный подход: извлечение немедленных возможностей из «новостей»

Публичные компании постоянно сталкиваются с событиями, влияющими на цену акций (например, публикация отчётов, слияния и поглощения/реструктуризация, увеличение доли руководством, позитивные для рынка меры политики). Событийные стратегии с помощью количественных моделей в реальном времени отслеживают эти события и быстро оценивают направление и величину их влияния на цену акций, формируя торговые сигналы. Ключ в таких стратегиях — «чётко определённые события + влияние, которое можно измерить», чтобы избежать субъективных интерпретаций.

三、Преимущества количественного отбора акций и потенциальные вызовы

По сравнению с субъективным отбором акций, ключевые преимущества количественного отбора акций заключаются в следующем:

1. Дисциплина: исключение вмешательства человеческих эмоций (например, погоня за ростом/догоняющие покупки и слишком ранняя фиксация прибыли), строгое следование сигналам модели;

2. Эффективность: компьютер может в масштабе секунд обрабатывать многомерные данные по тысячам акций, покрывая широту, недостижимую человеку;

3. Диверсификация: портфели в стратегиях количественного отбора акций обычно включают сотни акций, что помогает снизить риск по отдельному инструменту.

За последние 5 лет 2021 и 2025 годы были структурно бычьими рынками; 2022–2023 годы относились к медвежьим периодам; а 2024 год — год больших колебаний с переходом от медвежьего к бычьему. На основе вышеуказанных преимуществ за последние 5 лет (2021–2025) количественный отбор акций в частных фондах по сравнению с субъективным отбором акций в целом демонстрировал более низкую величину просадок, более высокую доходность и более высокий коэффициент Шарпа.

Согласно данным частного размещения (私募排排网), кроме того, что в 2024 году, как в поворотный период, медианная доходность количественного отбора акций немного уступала субъективному, в остальные годы количественный отбор акций заметно обгонял субъективный. Если смотреть по среднему значению доходности, то за последние 5 лет количественный отбор акций неизменно был впереди.

В части контроля просадок: с точки зрения и медианы, и среднего значения, количественный отбор акций в 2024 году имел более высокие общие просадки, чем субъективный отбор акций; в остальные 4 года — просадки были меньше.

**** Коэффициент Шарпа — это классический показатель для оценки того, сколько доходности можно получить на каждую единицу риска. Он является «линейкой рентабельности/стоимости» для продуктов фонда: он учитывает как волатильность доходности, так и итоговую доходность. Поскольку за последние 5 лет (кроме 2024 года) у количественного отбора акций в целом была более высокая доходность и лучшее управление просадками, коэффициент Шарпа также оказался выше.****

**** Конечно, выше приведено лишь сравнение общих показателей эффективности, и это не означает, что субъективные стратегии не подходят: у многих частных фондов субъективные стратегии отбора акций тоже демонстрировали отличные результаты. Одновременно стратегии количественного отбора акций сталкиваются с некоторыми вызовами: ******

1. Риск «выхода факторов из строя»: изменение рыночной среды (например, регуляторная политика или корректировки правил торговли) может привести к тому, что ранее работавшие факторы перестанут быть эффективными. Например, раньше при всплеске рыночных «горячих тем» капитал мог отдавать предпочтение компаниям с капитализацией ниже 5 млрд юаней, но на определённом этапе — капитал может начать больше предпочитать акции компаний с капитализацией выше 20 млрд юаней. Это и есть риск того, что фактор рыночной капитализации перестанет работать.

2. Гомогенизация моделей: если несколько частных фондов используют схожие факторы (например, все делают акцент на «низком PE + высокой ROE»), стратегии могут стать переполненными (crowding). Тогда рыночные спреды трудно будет «сделать», а избыточная доходность будет размыта.

3. Риск «чёрного ящика»: логика принятия решений некоторых сложных моделей трудно объяснима, а результаты в реальной торговле могут заметно отличаться от backtesting. Представьте, что вы нашли «гуру/первоклассного трейдера» (股神), который торгует за вас, но он никогда не объясняет, почему он покупает и почему продаёт. Поскольку вы не понимаете логику его действий, вы не знаете, это действительно его мастерство или просто везение; и вы не знаете, когда он внезапно «сдаст» (перестанет работать).

**** Пример: количественная модель обнаруживает, что в тикерах с «цифрами» в названии в течение последних 5 лет вероятность роста по месяцам составляет до 80%. Вы покупаете по этой стратегии в этом месяце «акции с цифрами в тикере», но месяц заканчивается крупными убытками. Вот это и есть риск «чёрного ящика»: вы не знаете, что модель просто уловила случайную закономерность «с цифрами».****

4. Ловушка переобучения (overfitting): модель отбора акций показывает идеальные результаты на исторических данных, но в реальной торговле «не приживается». Причина в том, что при тестировании на истории модель демонстрирует идеальность не потому, что она выучила «закономерности заработка», а потому что она приняла прошлый шум (случайные совпадения) за закономерность. Как только рыночная среда немного изменится, такая модель сразу «не приживётся» и начнёт приносить убытки.

四、Чем отличается количественный отбор акций от индексного бета-добавления？

**** Как стратегия в количественном лонге (quant long), количественный отбор акций — чем он отличается от индексного бета-добавления, которое тоже использует количественные модели?****

И количественный отбор акций, и индексное бета-добавление «из одной семьи», у них одинаковая базовая генетика: обе используют количественные методы — включая количественные модели, машинное обучение и т. п. — чтобы отбирать акции и формировать портфель. Главная разница в том, «есть ли якорь (бенчмарк/ориентир)».

В индексном бета-добавлении есть чёткий базовый индекс (например, CSI 300). Это похоже на танец в «кандалах»: стремятся тесно отслеживать индекс и строго контролировать tracking error, а затем искать возможность усиления доходности. А стратегия количественного отбора акций полностью не ограничена конкретными составными индексных бумаг и стилевыми рамками: свободы больше, а цель — максимизировать абсолютную доходность.

Уникальное преимущество количественного отбора акций как раз и проистекает из этой «вольности без ограничений». Ослабив ограничения, он может в полной мере использовать преимущества количественных моделей в широте покрытия, гибко улавливать ротации возможностей в разных стилях и отраслях, добиваясь более высокой гибкости по доходности, и предоставляет инвесторам, стремящимся к лучшему соотношению риск/доходность, более «чистый» инструмент.

Поэтому количественный отбор акций нацелен на абсолютное превосходство по принципу «отделить зёрна от плевел» (большой отбор победителей), выигрывая за счёт гибкости; индексное бета-добавление — на относительное «улучшение поверх индекса» (добавить сверху), «украшая» результат. Инвесторы, которым важнее определённый индекс, могут выбрать индексное бета-добавление; инвесторы, которые стремятся к более высокой абсолютной доходности и могут выдерживать большие колебания, могут обратить внимание на количественный отбор акций.

五、Как обычным инвесторам отбирать стратегии количественного отбора акций

Обычным инвесторам нет необходимости глубоко разбираться в математических деталях модели, но можно оценивать качество стратегии количественного отбора акций по следующим параметрам:

1. Стабильность избыточной доходности: проверяйте, может ли стратегия в циклах «бычий/медвежий» стабильно обгонять рынок (например, сохраняется ли в течение последних 3 лет положительная среднегодовая избыточная доходность);

2. Способность контролировать риск: обращайте внимание на максимальную просадку и коэффициент Шарпа; (можно参考：)

3. Сила команды и исследовательских компетенций: ключевое конкурентное преимущество количественного отбора акций — добыча факторов и способность к итерациям модели. Обратите внимание, есть ли у команды бэкграунд в финансовой инженерии и возможности по итерации стратегии.

Подводя итог: количественный отбор акций — это не «магия, приносящая гарантированную прибыль без потерь». Это сочетание науки (данные, модели, статистика) и искусства (выбор факторов, настройка параметров, адаптация к изменениям рынка).