
Wind数据显示,截至5月9日,公募基金中的量化产品已经达到78只。众多基金中,华商大盘量化精选自其成立以来业绩始终处于相对领先的位置,其采用的量化模型基于对交易数据的挖掘。而正在发行的混合型基金也延续了华商“量化”产品的优势。华商新量化拟任基金经理费鹏认为,在震荡市中,个股和结构化的行情比较多,高频的交易数据较低频的宏观数据适用性更强。从交易数据中寻找被资金认可的个股,再从基本面进行验证,由此形成独树一帜、回报可观的股票组合。
通过交易数据挖掘个股秘密
费鹏介绍,虽然目前已有的量化公募基金产品中,大部分的量化模型基于基本面因子,然而,华商的量化则通过每一笔交易数据,监测异常表现的个股,并寻找背后的因素。这些因素可能是基本面的拐点,也可能是主题性投资机会或者是特殊事件。
通过量化交易数据筛选的股票与传统主动基金经理通过自上而下主动挖掘的股票有明显不同,这一点从华商大盘量化精选的前十大重仓股就可以窥探一二,多只重仓股都兼具基本面拐点和事件性机会。
费鹏透露,在2013年成长股“一统天下”的行情中,华商大盘量化精选并没有过多押宝创业板的股票,但是仍然创造了逾30%的回报,而贡献收益的大部分个股都是通过挖掘交易数据而来。
不同于其他公司的研究员荐股机制,华商量化团队通常是通过量化模型分析具有两年以上完整交易记录的个股形成初选股票池,然后经过行业研究员的实地调研和深入分析获得基本面信息,最终形成投资池。如果这些股票在基本面也有支撑,那么可能成为前十大重仓股,获得重配。
在风险控制方面,费鹏运用金融物理学的方法来判断市场风险。为此他制作了一个反映市场信息混乱程度的模型——信息熵值模型。费鹏发现,当市场的信息越混乱的时候,市场就越稳定,而熵值越小,短期风险就越大。经过历次验证,这个熵值模型在控制风险方面是非常有效的。
目前费鹏管理的另一只基金——华商新量化灵活配置混合型基金正在发行,将采用同样的量化策略。他认为,基于交易数据的量化投资更适合震荡市,因为在震荡市中,更容易出现个股的行情。个股的涨跌受大盘的影响也不大,而资金也更推崇个股。
普涨单边市出现概率较小
费鹏认为,今年出现普涨的单边市概率比较小。从宏观经济层面,经济疲软依然持续,宏观数据继续探底;从资金面角度,流通市值处于高位,场内资金不足以支撑大幅上涨;同时IPO重启等事件性因素对大盘依然承压,因此A股目前不具备普涨的条件。
但当经济低于预期,政策的对冲预期会升温,近期常州等地方政府在购房政策上的放松,说明地方在采取对冲策略。
“只有在对冲失效的时候,对投资者的打击才是最大的。”费鹏说,“在有对冲预期的时候,由于出来什么样的政策的不确定性,反而不会出现特别大的悲观,毕竟还有腾挪的空间。”
费鹏认为,今年的市场将保持情绪化,震荡格局仍然持续。但是从大类资产配置的角度,股市值得关注。黄金现在处于明显的下跌周期,房地产也已经出现拐点,信托产品也将受制于违约风险。因此,股市在财富管理中是优势资产。股市中一定有一部分资金较为灵活,在不同的资产中做腾挪,因此,只要有赚钱效应,比如热点板块,则股市仍然有可为之处。
对于IPO重启,费鹏认为,投资人士不用过于悲观,但也不能太过乐观。早在2005年股权分置改革和2009年的创业板设立,都曾经带来对资金分流的恐慌,但事后都被证明是过于悲观了。随着IPO时间表的逐步明确,场内资金的投资行为将敢于“落地”,成交量也将逐步有所扩大。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02