私募量化策略大盘点-2024年初

看了十几家私募路演报告，总结出2023年最有效的策略！

因子挖掘还是以手工为主，最有效的因子（策略）仍然是技术类的趋势+反转，无论是CTA还是量化多头都是如此。模型构成基本上都是机器学习。其中树模型比神经网络占比更大一些，有的机构中使用率高达90%。

在CTA策略中，如果仅按基本面、技术和另类因子进行划分，各家主要使用的因子还是来自于技术面，趋势跟踪策略往往是收益的主要贡献者，而基本面因子则对策略收益有所拖累。

在CTA中，半鞅的策略构成层次最丰富，同时利用了期限结构、事件驱动、技术因子、日历效应、量价协同和反转。总的来说，还是以技术类为主（技术因子 -- 这里专指经典技术指标、日历效应、量价协同和反转都属于技术因子这一大类）。

半鞅的策略的另一个特色是运用NLP对海外数据进行加工，构建了事件驱动模型。

在量化多头策略归类中，因子来源主要是人工挖掘，主打一个可解释性。量价类因子仍然占据主流，也是策略收益的主要贡献者。因子数量一般在几百，但也有个别主打机器挖掘的，因子库就比较大，比如上海卓胜，就搞了一个10W+的特征库。

因子检验仍然在用IC单因子，但模型组合上，多数私募都升级为机器学习（90%），有的还开始使用神经网络，以达到非线性组合的效果。

因子挖掘中一个值得注意的点是，高频数据低频化使用。比如翰荣对L2数据进行挖掘，因子在中频交易中使用。高频数据常常隐含可以暴露主力攻击意图的信号，因此，不仅仅可以用在高频交易中，翰荣证实了其在中频交易中也有价值。

多头标的一般选择300，500和1000指增，也有像云起这样做空气指增（即不跟踪任何指数，全市场选股）的。

中性策略也有亮点。上海卓胜在500指增的量化对冲策略上，去年夏普到达2.22，这也与全年市场走势相关。

机器学习如何迭代？比如云起，他们是在遇到超预期回撤时，就对模型进行大的迭代。如何定义超预期回撤没有细讲。但我们知道的一种方法，就是根据策略的夏普率，通过蒙特卡洛方法，推断出最大回撤的概率分布，然后通过最大回撤来判断是否超出正常水平。

比较另类的有上海盛冠达，主打一个小盘量化策略。基本面多因子（季频）+技术指标（月频）。年换手10倍。从换手和交易手法看，应该还是人工选股加手工执行。但效果不错。

风控模型上，barra制霸全场。几乎所有的量化多头策略都使用的是barra模型。