真格量化

国际股票市场因子表现2019半年统计

2019-07-02  本文已影响2人  ce2a5fc7b1e4

概述

2019年上半年多数因子取得正收益。

低波动率因子表现最佳。价值因子表现最差。

美国与欧洲股票市场因子表现相似,日本市场因子表现与欧美有明显区别。

因子介绍

我们选取过去10年5个最常用的因子:

价值(Value)

市值(Size)

动量(Momentum)

质量(Quality)

低波动率(Low Volatility)

这些因子已经被学术界证明可以在不同市场周期取得良好表现。而有些因子,比如成长因子,因为其可靠性在学术界还存在争议,所以我们暂不统计。

投资组合构建方法

我们在美国、欧洲和日本股市,以市值超过10亿美元为门槛,选取前10%和后10%股票构建多空对冲Beta中性的投资组合,该组合中另有20%持仓选取自其他国家股市。该投资组合每月调仓,调仓成本设为千分之一。

全球因子表现

下表为全球股市因子表现。此处全球市场包括欧美及亚洲发达国家股票市场。2019年上半年多数因子取得正收益,但价值因子收益明显为负。其中低波动率、质量和动量因子取得最佳表现。这三个因子过去多年都排名领先,可以称为“三驾马车”,而价值因子是连续多年表现不佳,对于投资于价值因子的投资者来说,过去10年可以说是“失去的10年”。

2019年上半年全球股市走势强劲,欧美股市都有双位数上涨。在各个因子中:

价值因子与低波动率因子表现几乎截然相反,特别是2019年5月以后,低波动率因子取得明显正收益而价值因子收益明显为负。

市值、动量和质量因子表现略显平淡,收益为正但表现明显不及低波动率因子。

美国市场因子表现

因为我们构建的全球投资组合中美国市场的权重较大,所以美国市场的因子表现与全球市场很相似。2019年上半年美国市场最佳表现因子为低波动率因子,投资者认为这个可以归结为2018年11月份开始的货币政策的变化及债券市场的走强。低波动率因子在房地产及公用设施板块得到了明显体现,这些板块对货币政策较为敏感,且本身的波动也不大。而动量和质量因子的贡献主要来自高科技板块。

欧洲市场因子表现

欧洲股市因子表现与美国类似。所不同的是复合因子在美国市场表现为正,但在欧洲市场表现为负。投资者认为这和价值因子在欧洲市场表现更差有关,且动量因子和低波动率因子的表现在欧洲市场也不如在美国市场强劲。

日本市场因子表现

虽然从长期看主要因子在日本市场的表现也和全球市场相似,例如价值因子同样表现不佳,不过相同因子的回报在日本市场一般更低。而在2019年上半年,日本股市表现与全球相比偏弱,且日本市场的因子表现也与欧美有明显区别。

在欧美市场表现最佳的因子在日本市场普遍表现不佳,特别是低波动率因子表现最差。投资者认为这可能因为日本的国债收益率早已接近0,其对低风险股票的助益与其他市场相比微乎其微。

因子相关度

相关性矩阵计算了过去一年各个因子及全球股市表现的相关度。我们注意到动量因子与质量因子相关度较高,这可能因为其在高科技板块权重较大。而价值因子与其他因子,特别是动量因子,负相关,可以作为一个分散化投资的选择,并对冲其他因子的风险。

— — — — — — E N D — — — — — —

往期文章:

Numpy处理tick级别数据技巧

真正赚钱的期权策略曲线是这样的

多品种历史波动率计算

如何实现全市场自动盯盘

AI是怎样看懂研报的

真格量化策略debug秘籍

真格量化对接实盘交易

常见高频交易策略简介

如何用撤单函数改进套利成交

Deque提高处理队列效率

策略编程选Python还是C++

如何用Python继承机制节约代码量

十大机器学习算法

如何调用策略附件数据

如何使用智能单

如何扫描全市场跨月价差

如何筛选策略最适合的品种

活用订单类型规避频繁撤单风险

真格量化回测撮合机制简介

如何调用外部数据

如何处理回测与实盘差别

如何利用趋势必然终结获利

常见量化策略介绍

期权交易“七宗罪”

波动率交易介绍

推高波动率的因素

波动率的预测之道

趋势交易面临挑战

如何构建知识图谱

机器学习就是现代统计学

AI技术在金融行业的应用

如何避免模型过拟合

低延迟交易介绍

架构设计中的编程范式

交易所视角下的套利指令撮合

距离概念与特征识别

气象风险与天气衍生品

设计量化策略的七个“大坑”

云计算在金融行业的应用

机器学习模型评估方法

真格量化制作期权HV-IV价差

另类数据介绍

TensorFlow中的Tensor是什么?

机器学习的经验之谈

用yfinance调用雅虎财经数据

容器技术如何改进交易系统

Python调用C++

如何选择数据库代理

统计套利揭秘

一个Call搅动市场?让我们温习一下波动率策略

如何用真格量化设计持仓排名跟踪策略

还不理解真格量化API设计?我们不妨参考一下CTP平台

理解同步、异步、阻塞与非阻塞

隐波相关系数和偏度——高维风险的守望者

Delta中性还不够?——看看如何设计Gamma中性期权策略

Python的多线程和多进程——从一个爬虫任务谈起

线程与进程的区别

真格量化可访问:

https://quant.pobo.net.cn

真格量化微信公众号,长按关注:

遇到了技术问题?欢迎加入真格量化Python技术交流QQ群  726895887

上一篇 下一篇

猜你喜欢

热点阅读