基金择时策略浅析

基金择时策略浅析

基本概念

a)   选品

选品简单来说指的是投资者在决策时点对所有备选标的优先级排序,通常这种排序会按资产大类,小类,具体资产等划分为几个层次。一些复杂投资策略的选品还会考虑各个标的之间的权重分配问题。

对于股民来说,选品的标的集合是A股股票(更可能是A股的一个子集),股民可能会首先按各种维度来分析细分市场之间的行情差异,确定“大盘股和小盘股哪个更强势”,“化工行业和消费行业哪个更好”,“人工智能和区块链哪个更火”等问题,这是第一个层次,然后在具体细分市场内挑选股票,确定“大盘股该买哪个”,“消费行业哪个强”等问题,这是第二个层次。

对于某些基金来说,第一个层次是由基金投资范围所限定的,例如“XX低碳环保股票基金”,“XX价值精选基金”等,这些基金的一个重要功能是帮投资者解决特定细分行业内的选股问题,如果投资者看好环保行业,又没有精力或能力自己去挑股票,那么可以直接买环保行业的基金,把挑股票的任务交给基金经理。

b)    择时

择时指的是在具体操作某个资产类别或投资标的时的出入场时点。严格的讲,选品和择时并不是完全“正交”的划分,二者有交集,有时可以相互替代。

在上面的例子里,股民决定要买大盘股,并在大盘股中进行选股决策,如果他的选股策略中包含了短期技术面特征的话,那么这个选股决策其实也是个择时决策。如果股民在入市之前对整个大盘进行择时判断,进而决定应该买股票还是债券,那么这个择时决策也可以看成是一个大类资产的选品决策。

对于普通投资者,更一般的情况是在选品决策选定了少数股票之后,再根据择时决策来“炒作”这些股票。申购了环保基金的投资者在把选股的任务交给基金经理之后,仍然需要自己来决定什么时候退出市场,以及何时要重新入场。

选品策略和择时策略都可以做的很简单或者很复杂,但是一般而言,择时策略可以采用更简单有效的形式。

择时的必要性

a)“A”股过山车

国内A股市场历史上两个扎手的“A”不知成就了多少股神,也不知让多少人站上天台。股民们整天追随着各路股神股仙,只为求一只明天能够涨停的票。然而面对几千支股票,数不清的各种变量因子,以及各种无法预测的变数,有多少人能够找到稳定获利的“选品”策略呢。到头来恐怕大部分人都比不上那些成功“逃顶”的人——如果两个“A”都能在顶部附近退出的话,粗略算算现在应该至少有12000点了。

图1:A股市场过山车般的行情

b)    基金经理们

基金投资者通常会因为手续费、赎回延时等因素降低操作频率,甚至受所谓“长期投资”概念影响,长期不做任何操作。这种长期持有策略在国内A股市场显然会受到大波段下跌行情的严重影响,我们先来看看这种影响的严重性。

图2是在2013-2015年表现非常抢眼的两支基金,他们在2013-2014年的盘整行情中都有不错的正收益表现,并在牛市中一路冲上很高的净值水平。然而在接下来的股灾中,他们都没有幸免,净值在剧烈震荡中损失了30%,最大回撤超过50%,投资者承受了很大压力。

图2:2013-2015年的牛基金在股灾中的表现举例
统计时间从2014年1月至2016年12月

上面两支曾经的牛基金至少还没有将牛市的战绩完全损失掉,2016年7月相对2014年7月的收益率仍维持在100%以上,一些不那么幸运的基金损失掉了几乎全部成果,净值回到了接近牛市前夕的水平,例如图3的基金。

c)     逃顶的幸运儿

优秀的基金的确可以在长期熊市或者震荡的行情中获得明显正收益,然而这种相对优势一般不会保持长久。事实上,如果用累计净值来衡量基金的长期总收益的话,那么从2004年8月到现在,累计净值超过10的开放式基金只有1只(见图4),而那个不会选股但是两次成功逃顶的幸运者的累计收益差不多就是10倍(假设空仓期间将全部资金投入货币市场,年化收益3%),与目前累计净值排名第2的基金持平,他的年化收益接近20%,战胜了几乎所有基金经理。择时的必要性到这里不言自明。

对于大多数偏股型基金来说,由于A股的剧烈波动,长期持有是很受伤的。那么如果投资者坚持长期投资基金的理念,或者没精力关注市场动向,又想要维持牛市的战果,应该怎么办呢?答案不外乎1)选择有择时能力的基金,或者2)自己来做择时。

一、 基金经理的择时行为

基金经理的择时能力既包括对整个股票市场的牛熊状态判断,也包括对各个细分行业板块的机会判断和对具体股票的操作判断。一个基金经理如果总是能够准确把握热点行业和股票,那么他的业绩在熊市中也会很漂亮,受股灾的影响也会较小。然而这样的人和基金可遇不可求,大多数基金都会跟着大盘剧烈波动。因此,对于大多数偏股型基金来说,最靠谱的办法只有一个——仓位控制,这考验的是基金经理对整个市场行情的判断能力,即对大盘的择时能力。下面我们来看看基金的仓位控制行为是如何体现的。

a) 通过分红来控制仓位

对于偏股型基金(股票型和偏股混合型等),由于有股票投资比例的限制,所以即使在熊市中也只能重仓坚守。这类基金无法通过灵活的仓位控制来降低单位净值的波动风险,但可以通过分红来间接降低投资者的股票仓位,同时可以降低累计净值的波动风险。我们先通过图1来看看分红的基本原理。

图1:基金分红原理示意

假设投资者在基金净值为1的时候申购了10000份,在净值达到2.2的时候,基金分红1元每份,同时单位净值变为2.2-1=1.2,投资者获得10000元现金分红,同时仍然持有10000份基金,总资产是10000元现金+12000元基金。之后股市下跌50%,基金单位净值从1.2腰斩到0.6,此时投资者的总资产为10000元现金+6000元基金,相对期初的总投资收益为60%。如果基金没有分红,则净值将会从2.2腰斩到1.1,投资者的总资产为11000元基金,总投资收益只有10%。

因此,分红之后,尽管基金的单位净值仍然会受到股灾的冲击,但是累计净值会保持在较高的水平。这样做即保护了投资者的收益,又能够把累计净值曲线做的漂亮一些。虽然基金分红不总是为了躲过熊市,但从长期来看,分红的确能够保护投资者的累计收益。图2列举了一支经营时间超过10年的股票型基金的净值曲线,其中蓝线是累计净值,黄线是单位净值,红色竖线标记了分红的时间点。从图中可以看出几次在熊市前期的分红有效降低了累计净值的下跌幅度。

图2:分红对基金累计净值的长期影响

然而,不幸的是很多投资者会选择自动红利再投的方式,即用现金分红重新申购更多的基金份额,这样一来,分红减仓的效果就呵呵了。事实上,基金分红的时候不会告诉投资者分红的原因究竟是不看好后市还是仅仅想拉低单位净值,因此长期投资者的最佳操作方式要么是关闭自动红利再投,像股东一样靠分红来获得长期收益,要么是根据自己的判断决定要不要红利再投,以博取更多资本增值的收益。

b) 主动仓位控制

如果说分红是一种较为被动且意图不是很明确的仓位控制手段,那么什么样的基金有积极控制仓位的能力呢?图3显示的是从2010年起各种偏股型基金的数量占比,值得注意的是,从2015年开始,“灵活配置型混合基金”的比例迅速增加,目前已经占到全部偏股型基金的60%以上。根据银河证券的基金分类体系,灵活配置型混合基金指的是:

基金名称或者基金管理公司自定义为混合基金的,且基金合同载明或者合同本义是股票和债券大类资产之间较大比例灵活配置的基金。

图3:偏股型基金的数量占比演变趋势

从分类定义来看,灵活配置型基金是有主动仓位控制的可能性的,图4展示了近3年表现较好的几支纯股票型基金和灵活配置型基金的累计净值表现,从图中很容易看出二者2015年股灾时的差异:第一幅图是2支表现中上的股票型基金,在股灾后它们均有两次较大幅度的回撤;第二幅图是2支灵活配置型混合基金,其中红色的基金在牛市定点准确的把握减仓机会,以几乎空仓的状态平静的度过接下来几个月的剧烈震荡行情,然后在股市平稳之后重新入场,蓝色基金则保留了部分仓位,震荡期波动幅度较小。

图4:股票型基金和灵活配置型混合基金对比

不过即使是灵活配置型基金,真正能做到准确择时的也是少数。下面我们来看看如何通过基金的基本风险和收益指标来挑选出这样的基金。

二、 如何筛选有择时能力的基金

由于本文的目的是筛选出既能够获得股票高收益又能及时退场的基金,因此需要同时考虑基金的收益能力和风险控制能力,可行的方案有两种:使用风险调整后收益指标如夏普比率,或者分别考察收益指标和风险指标。另外,为了考察基金在各种市场环境下的表现,统计时间窗口设定为最近3年,这样就包含了牛市、熊市、震荡市等各种情况。

a) 风险调整后收益

我们选用夏普比率作为风险调整后收益的代表。图5是十种常见基金类型的3年期夏普比率分布图,竖线表示指标最小值到最大值的范围(负值已截掉),方块表示平均值。

图5:常见基金类型的夏普比率分布

从图中可以明显看到,债券型基金的夏普比率波动范围很大,股票型基金的平均夏普比率较低。因此这个指标仅适合在同类型基金之间进行比较,如果将股票和债券型基金混在一起,那么夏普比率最高的都是债券型基金。灵活配置型基金由于资产比例范围很灵活,所以既有长期收益平稳上升的“偏债型”基金,也有净值剧烈波动的“偏股型”基金。因此,夏普比率并不适合直接对全部灵活配置型基金进行排序(这也反映出了指标本身的合理性问题,所谓单位风险究竟应该怎么定义)。

b) 收益-风险二步法

比较接近投资者日常操作的做法是分别考察收益和风险指标,我们用3年期复权净值增长率作为收益指标,用3年期最大回撤作为风险指标,图6是按收益指标从高到低排序的前30支灵活配置型基金的指标数值,红线是3年期增长率,蓝线是最大回撤。我们的目标就是在相似的收益水平下找到回撤的局部极小值点。事实上多种常见风险指标都能得到类似的结果,比如收益标准差。

图6:灵活配置型基金的收益风险排名

很多基金投资网站都有按收益指标进行排序的功能,但是风险指标却比较少见。尽管如此,上述操作仍然是较为可行的判断方法,可以快速找到如图4(下)那样的基金。

三、 结语

a) 股市有风险,上述所有分析都是对历史的过拟合,历史表现不代表未来。

b) 但基金与股票不完全相同,上述分析的基本假设是基金公司的研究团队和基金经理的能力具备一定延续性。

c) 挑选有择时能力的基金适合那些希望长期参与股票市场,又没有精力自己做择时的投资者。本系列下一篇我们将介绍几种投资者较容易操作的简单择时策略。

常见择时方法

本系列第一篇文章中曾介绍过选品和择时的概念,并且提到过这两个其实都是定义比较宽松的概念,任何投资者在任何市场中做的投资决策,无论是依据基本面因素,技术指标,还是量化模型,都可以看作择时。由于本文所针对的是中长期基金投资,所以这里讨论的择时方法带有更明确的目的:即判断整个股票市场目前的走势方向/热度/牛熊,因此本文涉及的择时方法都是中长期的技术类方法。

a) 自下而上的方法

自下而上的方法判断市场走向,就是要从市场中的每个成分入手,通过市场中每个成分股的状态来判断市场总体的状态。这种方法适用于对全市场或者某个细分市场/指数的走势进行判断。这种分析方法的一般流程如下:

自下而上的方法需要的输入变量包括成分股集合S,个股指标f,个股判断条件t,总体指标F,总体判断条件T,那么此方法可以一般化表示为F(S,f,t)>T,其中指标值F可用于输出连续型结果,F>T可用来输出分类型结果。

自下而上方法的具体实现主要依赖于如何选择f和t,一般来说,用来判断个股趋势的各类技术指标都可以作为f使用,t只要保证与f配套即可。下面我们用一个具体的例子来演示指标计算过程和效果。

为了验证上述择时方法有效性,我们进一步根据输出F>T构建了一个简单的交易策略,即当F>T的时候买入,当F<T的时候卖出,操作标的设定为上证指数。图1显示了上述择时交易策略从2001年至今的累计收益曲线(蓝线)和上证指数的对比(红线),可以看到该策略目前的净值约为3.9(上证指数为1.5),总体年化收益率约为8.7%(上证指数约为2.6%),显然策略是有效的,虽然它并没有完全躲避开熊市的暴跌行情,但是长期累积下来的优势使它能够显著超过大盘指数的表现。

图1:自下而上的择时交易策略与大盘指数对比

图1中下方的蓝色竖线表示的是入场时点,在整个回测的17年中,该策略入场次数达330次,因此如果将上述方法应用于基金投资,那么交易成本的影响将会是显著的。从这个角度来看,该策略(或者策略参数的选择)并不能满足基金投资的中长操作周期,它的操作信号过于频繁。

对于这个策略来说,降低操作频率只需要对参数进行微调,例如可以将原策略T=0.5调整为T=(0.4,0.6),当F>0.6时判断为牛市,如果此时为空仓则买入,当F<0.4 的时候判断为熊市,如果此时满仓则卖出,0.4~0.6之间作为操作弹性空间,图2显示了调整参数后的结果,虽然整体净值下降到3.5,但操作次数下降为41次,考虑交易成本之后的表现应该比T=0.5强不少。

图2:调整参数后的自下而上的择时策略

b) 直接技术指标

相比自下而上的择时方法,使用单一技术指标直接对大盘指数或者投资标的行情曲线进行分析是更直接更容易操作的方法。这种方法对任何能获取到行情曲线的资产都可以使用,无论是指数,基金,还是股票。用于判断趋势的常用技术指标有很多,这类指标的共同点是滞后性,即在趋势出现一段时间之后才给出信号,因此使用这类指标进行交易也常被称作(底部)右侧交易。

图3是以双均线系统作为择时方法对上证指数进行操作的回测结果,策略参数使用指数收盘价的35日和70日移动平均线,将35日均线向上穿越70日均线作为牛市开始的信号(买入),将35日均线向下穿越70日均线作为熊市开始的信号(卖出)(参见图4,红色箭头为买入信号,绿色为卖出信号)。该策略在回测的17年中共发生28次入场,期末净值达到7,年化收益率约为12.7%。

图4:双均线系统原理示意

相比于自下而上的例子,直接对上证指数应用双均线系统得到的策略更接近基金中长期投资的操作方式,操作频率更低并且收益更高些。从净值曲线上能明显看出有多个空仓的区间(净值曲线水平无波动的部分),这些时间段大都处在指数下跌的过程中,因此该策略的择时效果是比较明显的。

择时方法的比较

自下而上的方法适用于能够准确获得成分股的大盘或细分市场指数,具体应用的情景一般有两种:1)通过对全市场股票的分析得到整个市场的运行状态,然后将这个全局状态作为一个变量输入到具体的投资模型中,或者用这个状态来指导股票投资或股票型基金投资的仓位;2)通过对细分市场指数成分股的分析得到细分市场的运行状态,然后用这个状态直接决定对该细分市场指数基金的操作。这两种情景的差异在于,第2种情景里自下而上分析的对象就是投资标的本身,而第1种情景中分析的是全市场,投资标的可以是任何相关的资产。

直接技术指标的应用范围则更广一些,它还可以用来分析基础资产(无成分)或者非指数基金(成分不确定),操作上也要更简单一些。

在第1种情景下,自下而上的方法由于平等考虑了每个股票的状态,因此它能够更准确的表达市场的热度信息。直接使用单一技术指标来对大盘指数进行分析则会受到指数成分取样以及成分权重带来的干扰,即指数不是总能反映真实的市场状态,尤其是在极端行情下。而在第2种情景下,直接技术指标的使用会更便捷和容易把握。

需要注意的是,这两种方法都是滞后的,仅适用于特定的市场环境。细心的读者会发现,尽管上面例子的总收益很好,但是这些收益大都来自于两轮大牛市。在长期盘整或熊市中,策略会有多次错误入场,这使得净值遭受损失。

结语

a) 上述方法都是基于有滞后性的技术指标,策略的收益主要来自于大牛市以及牛市之后的正确离场。在不存在大牛市的市场中,这样的策略将会因为频繁的错误入场而失效。

b) 这些策略的短期回撤幅度仍然较大,因此必须长期执行才能获得正的期望收益。

c) 在股票市场的建模过程中,样本数据是相对稀缺,因此模型的稳定性比参数最优化更重要。文中例子的参数并未经过充分优化,然而这并不影响它们的有效性和实用性。

参数优化

回顾一下之前我们列举的自下而上择时方法的实例:1)首先计算目标集合S中每只成分股近K=30日的收盘价极大值和极小值,2)然后统计昨日收盘价等于极大值的股票数量M1和昨日收盘价等于极小值的股票数量M2,3)计算指标F=(M1-M2)/size(S)用来表示股票集合S的市场热度,4)设定阈值T=50%,如果F>T则市场状态为牛市,反之为熊市。

在这个策略框架下,可调整的参数有两个:个股的近期股价极值取最近K=30日还是其他区间,以及阈值T应该设为50%还是其他值。其中K的变动要作用到集合中的每一只股票,所以它的优化比较麻烦一些,在实际操作中可以直接根据经验将K固定到少数几种取值上进行对比测试,而不是进行大范围的调整,就像机器学习模型中的超参数。因此我们这里以T为例来阐述模型参数的优化过程。

在上文中我们曾经提到,如果简单的将T设为50%,那么策略出入场信号会比较频繁,导致较高的交易成本,而将T拆分成出场阈值和入场阈值,可以起到缓冲的作用,在保证策略总收益的前提下,可以大幅降低交易成本。因此我们将优化问题的可变参数设定为2个,即入场阈值t1和出场阈值t2。完整的优化问题描述如下:

上述优化问题是一个典型的量化策略优化问题,由于这类问题的场景定义比较自由,所以一般不容易套用严谨的数学优化方法。实际操作中可以选用各类编程或数据分析工具来解决这个问题,比如目前流行的基于python或者java的云端量化策略开发工具,或者使用python/R语言自行开发回测系统,对于不熟悉编程工具的初学者也可以用excel的规划求解工具来实现。下面以excel为例简要介绍参数优化的过程。

图1:用excel求解策略参数最优化问题示例

其中第三列为指标原值,即F=(M1-M2)/size(S)的值;第四列为出入场信号,由F值通过公式计算得到,公式逻辑为“如果当前已经入场,并且F达到出场阈值t2,那么卖出资产,卖出后每日的净值增长率为1,如果当前没有入场,并且F达到入场阈值t1,那么买入资产,买入后每日的净值增长率等于目标资产的日增长率”;第五列为策略累计净值,即为第四列日增长率的累乘值。可变参数为t1和t2,目标变量为策略期末累计净值增长率与沪深300增长率的差。工具选择规划求解加载项,优化方法选择演化。设定好参数之后运行规划,很快会得到最优的可变参数值t1=0.536,t2=0.522,最大超额收益526%(年化收益约12%)。

模型稳定性

金融市场虽然看似数据丰富,但在实际的建模应用中数据并不总是“丰富”的:一方面,金融市场属于由人的行为构成的社会科学,其本身的规律性和可预测性比较差,大量的不可预测因素主导着市场的波动;另一方面,数据的丰富程度还受模型周期的影响,模型频率越高可用样本数据就相对越丰富,而对于本文讨论这类基于技术指标的低频率交易策略来说,其捕获的行情模式和交易机会在训练数据(历史数据)中的出现次数都十分有限,因此从统计意义上讲样本数据并不丰富。

数据的相对缺失使得这类交易策略在训练过程中很容易发生过拟合,常见的情景可能是这样的:参数的微调导致交易系统恰好捕捉到某次大级别的行情,而这一笔成功的交易使回测的整体收益大幅度提高,建模人员非常开心的上线实盘模拟,然而这个策略在实盘中并没有预期那样出色的表现。因此,在建立量化交易模型的时候,必须要重视模型的稳定性,避免过拟合。

图2显示的是上述策略在最优参数附近的表现,其中底面的坐标分别是t1和t2,高度表示期末总收益。红色圈的位置就是优化工具找到的全局最优点T=(0.536,0.522)(由于作图精度的问题,真实的最高点比图中要高一些),红色箭头表示全局最优点沿三个不同方向变化的梯度,很容易看出参数值的微小变化将导致总收益明显下降,另外一个局部最高点(蓝色圈)也存在类似的问题,参数每变动0.05,总收益的可能从500%下降到400%。

图2:自下而上策略参数的局部最优及梯度变化

图3显示的是双均线交易策略的最优参数以及其附近的表现,在其最优点附近也存在梯度急剧变化的情况。

图3:双均线策略参数的局部最优及梯度变化

上述局部最优值的尖峰特征说明回测期间的最高收益通常来自于偶然事件,不能直接推广到未来的实盘应用。如果把策略参数优化看成是对真实最优参数进行估计的话,那么回测结果最优的那个极值点往往不是最优的估计值。我们应该找到参数的一个合理范围——在这个范围内,策略总能有不错的表现,最终选定的参数值应满足“在任何一个方向上的小幅度变化都不能使策略崩溃”——这样才能降低参数估计错误的代价。

行情简评

我们实现了一个基于自上而下指标的大盘热度模型,模型近期(4月份至今)的热度判断见图4,图中暂以0.5作为出入场判断的分界线(实际操作中可以加上缓冲区间),绿色箭头表示模型的卖出时点,红色箭头表示买入时点。在图中所示区域,模型成功躲避了长达一个月的下跌行情以及个别短期暴跌的行情。同时模型显示当前时点(2017年7月28日收盘)是一个潜在的入场机会。

图4:大盘热度模型4月份至今的表现

结语

在股票市场的建模过程中,样本数据是相对稀缺,回测很容易受过拟合的影响,因此模型的稳定性比参数最优化更重要。在实际的建模过程中应避免直接将最优回测参数应用于实盘,应该重点考察参数的稳定性。

发表评论

关闭菜单