《Finding Alphas》逐章閱讀筆記 (三)

更新於 發佈於 閱讀時間約 10 分鐘

近期拜讀Igor Tulchinsky在2019年的著作《Finding Alphas: A Quantitative Approach to Building Trading Strategies》,學習更深入的投資,在這系列文章中,將逐章節摘要書籍重點。此為系列第三篇,涵蓋Part II的Chapter 11到17。

註:此段落是全書最精華的段落之一,非常推薦閱讀


The Triple-Axis Plan (TAP)

  • 藉由三個面向的系統性結構,協助投資人或研究人員更有效率地探索 alpha 空間
    • Ideas & Datasets (想法與資料集)
      • Ideas
        • 均值回歸 (reversion)動能或慣性 (momentum)季節性 (seasonality)領先-落後 (lead-lag)機器學習 (machine learning)配對交易 (pairs trading)價格與成交量 (price & volume)
      • Data
        • 公司財務基本面 (fundamentals)分析師評等或建議 (analyst recommendations)新聞或社交媒體情緒 (sentiment, social media)選擇權資料 (options)
    • Regions & Universes (區域與交易標的)
      • 區域 (美、歐、日本、亞洲其他國家、新興市場 (南美、東歐、...)
      • 交易標的 (Universes)
        • 股票 (可依照流動性:TOP50、TOP100、TOP200…等)產業分類 (金融、科技、工業…等)其他資產 (債券、商品、貨幣、加密貨幣等)
    • Performance Parameters (績效參數)
      • 高報酬 (high returns)
      • 高 Sharpe
      • 低回撤 (drawdowns)
      • 低交易成本 (transaction costs)
  • TAP 的運作與應用
    • 先選定一個軸
      • 比方說,你先決定要專注在「Regions & Universes」軸,選擇了「美國TOP300股票」作為起點,這代表你在區域與交易標的上的選擇已經鎖定。
    • 在剩下的兩個軸做填補
      • 若你已鎖定美國TOP300股票,可接著在「Ideas & Datasets」嘗試不同策略想法(動能、均值回歸等),並同時考慮「Performance Parameters」(想要高 Sharpe?還是想要最大化報酬?)。
      • 這種系統化思考可以讓你同時檢視「有哪些做過了?哪些還沒做?」也能幫你發現先前忽略的策略組合。
    • 反覆回測與優化
      • 開發完初版策略後,藉由回測 (backtest) 評估績效指標,觀察策略是否能帶來預期的報酬與可接受的風險。
      • 若結果不理想,可以回到三軸中的任意軸進行調整,或是嘗試在同一軸下更微觀的細節 (例如改變動能參數、改變資料週期)。
      • 反覆的測試與迭代,也能從小規模、低成本的實驗逐漸擴大到更龐大的資金規模或更複雜的交易標的。
  • 範例
    • 選定軸—Ideas & Datasets
      • 假設你想開發「均值回歸」策略 ;資料集選擇「價格與成交量」為主
      raw-image
        • MA 表示 k 期移動平均。若價格高於均線,即給予負向權重(做空)
    • 考慮Regions & Universe
      • 先選定美國 TOP300 (流動性高、交易成本相對較低)。
      • 未來若要分散,可以複製或延伸同樣的模型到歐洲或亞洲市場。
    • 考慮Performance Parameters:
      • 以「高 Sharpe Ratio」作為目標,盡量降低策略波動度。
      • 觀察最大回撤,若回撤過高,需要調整模型參數。
    • 回測與優化
      • 若 Sharpe Ratio 不到預期,或者回撤過大,則反覆微調模型參數 (如均值週期長度 k、風控機制) 或引入更多資訊 (例如同時考慮成交量)。


Techniques for Improving the Robustness of Alphas

  • 穩健 alpha
    • 對交易標的池變動的不可變性
    • 對極端市場條件的穩定性
  • 常用方法
    • 排序(Ordering)方法
      • 透過Ordinal scale,增強invariance:當輸入資料或交易標的集合因各種原因而改變時,測試結果能盡量保持一致
        • 常常我們只在乎誰高誰低,而不特別關注它們的差距大小,有效減少極端數值對模型的影響
      • e.g. 使用Spearman能有效降低對非常態或存在離群值的敏感度。Pearson對於非平穩或非線性資料就比較不穩定
      • e.g. 分位數(Quantiles)近似: OLS面對非平穩或非線性輸入時,估計量可能非常不穩定;可採用least quantile of squares, LQS或所謂「分位數回歸」方式,鎖定某特定分位數(如中位數)來最小化誤差,常見案例是「最小中位數平方(Median of squares)」等方法
    • 逼近常態分配
      • 即使資料本身「大致」服從常態分配,若混入少量離群值或厚尾情況,也會嚴重影響模型的參數估計
      • Fisher Transform
      • raw-image
      • Z-score標準化
    • 限制(Limiting)方法
      • Trimming (e.g. highest/lowest 5%)
      • Winsorizing
      • L-統計量 (L-statistics): 對排序後的樣本取特定權重線性組合


Alpha and Risk Factors

  • 在歷史演進中,許多早期被認為是α的交易策略,後來因為被廣泛研究並納入風險因子模型,逐漸演化成所謂的「對沖基金β」或「因子風險」。
  • 套利定價理論 (Arbitrage Pricing Theory, APT): 多因子的CAPM
raw-image
  • 常見風險因子
    • Fama–French 三因子: 規模、價值(PE, 帳面市值比, ...)
    • Fama–French 五因子: 獲利能力 (營運利潤對資產的比率)、投資(公司投入資本的保守或積極程度)
    • 動能、流動性、應計異象(應計項目較高的公司在後續期望報酬相對較低)
  • 適應性市場假說: 看似穩定的因子或α,可能隨著投資人行為改變而時好時壞,甚至再度復甦
  • 2007 年的量化危機中,許多普遍持有的量化策略(多為動能因子、價值因子等因子組合)在短短幾天內出現劇烈虧損
  • 分辨α與風險因子:Factor Neutralization
    • 若α本身大部分的報酬是來自已知的因子(如動能、價值、規模等),那麼對這些因子「做中性化處理」後,淨報酬可能會變小,但也更能代表真正的α特質。


Risk and Drawdowns

  • 外在風險
    • 很多α對一些外部性因子有所暴露,與α 本身試圖捕捉的核心收益來源無關
    • e.g. 產業或整體大盤的漲跌
  • 內在風險
    • 常見指標:
      • VaR: 在機率p(常用 5% 或 10%)的水準下,預期的最大潛在單日(或一週、一個交易期)損失。
      • Volatility
      • CVaR
  • 風險估計
    • 持倉集中度
    • 對特定風險因子的暴露


Alphas from Automated Search

  • 在建構自動化 alpha 搜尋系統時,重點在於如何避免或減少過擬合
    • 輸入資料不要來自過多不同類別
      • 聚焦在與策略目標較相關的資料類別。
      • 如果要整合多種資料,也須謹慎考慮其週期或更新特性,避免函數過度複雜。
  • 自動化搜尋的三大問題
    • 運算量龐大、無法人工審核所有組合、對α的信心較低
  • 為了能在cross-section(即不同股票之間)進行比較,通常建議使用「無單位」或「可比性」指標。
    • 比率、與自身歷史值
  • 篩選不必要的搜尋空間
    • 以人為知識先排除:可能為負值的輸入套用對數函數 log⁡(⋅) 就不合理,或像「價格 - 交易量」
    • 資料篩選:若目標是短週期策略,可以排除極慢週期更新(如行業分類、年報)的資料
    • 漸進式搜尋
  • 中介變數與重複利用
    • 研究時,常會先構造一些「中介變數」或「指標」,像是 P/E(本益比)或 EV/EBITDA 等,再基於這些指標做進一步研究
    • 類似 GA 的「組成優良基因片段後再重組」
  • 相較於手動 alpha 搜尋通常想找到「單一表現最佳」的策略,自動化搜尋的目標往往是「廣泛找出多個表現良好的策略」
  • 聚焦「整批 Alpha」而非「單一 Alpha」績效


Machine Learning in Alpha Research

  • 常見問題
    • 回歸、分類(e.g. 上漲/下跌、正常/可疑)、分群(e.g. 將股票分成成長型、價值型或波動度大小不同的群組)


Thinking in Algorithms

  • Digital Filters
    • 透過對離散時間序列(discrete time signals)進行數學運算,來達成對特定頻率成分的增益或衰減
    • 應用
      • 平滑化 (SMA, EMA, ...)
      • 趨勢與週期分解:許多技術分析指標或交易訊號設計,都會先萃取趨勢、季節性或週期性以濾除雜訊。
  • 最佳化與損失函數設計
    • L2, L1, Huber Loss, ...
    • Ridge Regression, Lasso Regression, Elastic Net
  • 偏差–變異權衡 (The Bias–Variance Trade-Off)
    • 維度詛咒
    • High Variance模型 => overfitting
    • High Bias模型 => underfitting









留言
avatar-img
留言分享你的想法!
avatar-img
ECOE的沙龍
4會員
41內容數
ECOE的沙龍的其他內容
2025/02/17
近期拜讀Igor Tulchinsky在2019年的著作《Finding Alphas: A Quantitative Approach to Building Trading Strategies》,學習更深入的投資,在這系列文章中,將逐章節摘要書籍重點。此為系列第四篇
2025/02/17
近期拜讀Igor Tulchinsky在2019年的著作《Finding Alphas: A Quantitative Approach to Building Trading Strategies》,學習更深入的投資,在這系列文章中,將逐章節摘要書籍重點。此為系列第四篇
2025/02/14
近期拜讀Igor Tulchinsky在2019年的著作《Finding Alphas: A Quantitative Approach to Building Trading Strategies》,學習更深入的投資,在這系列文章中將逐章節摘要書籍重點。這篇筆記涵蓋本書的Part II。
Thumbnail
2025/02/14
近期拜讀Igor Tulchinsky在2019年的著作《Finding Alphas: A Quantitative Approach to Building Trading Strategies》,學習更深入的投資,在這系列文章中將逐章節摘要書籍重點。這篇筆記涵蓋本書的Part II。
Thumbnail
2025/02/13
近期拜讀Igor Tulchinsky在2019年的著作《Finding Alphas: A Quantitative Approach to Building Trading Strategies》,學習更深入的投資,在這系列文章中,將逐章節摘要書籍重點
2025/02/13
近期拜讀Igor Tulchinsky在2019年的著作《Finding Alphas: A Quantitative Approach to Building Trading Strategies》,學習更深入的投資,在這系列文章中,將逐章節摘要書籍重點
看更多
你可能也想看
Thumbnail
孩子寫功課時瞇眼?小心近視!這款喜光全光譜TIONE⁺光健康智慧檯燈,獲眼科院長推薦,網路好評不斷!全光譜LED、180cm大照明範圍、5段亮度及色溫調整、350度萬向旋轉,讓孩子學習更舒適、保護眼睛!
Thumbnail
孩子寫功課時瞇眼?小心近視!這款喜光全光譜TIONE⁺光健康智慧檯燈,獲眼科院長推薦,網路好評不斷!全光譜LED、180cm大照明範圍、5段亮度及色溫調整、350度萬向旋轉,讓孩子學習更舒適、保護眼睛!
Thumbnail
創作者營運專員/經理(Operations Specialist/Manager)將負責對平台成長及收入至關重要的 Partnership 夥伴創作者開發及營運。你將發揮對知識與內容變現、影響力變現的精準判斷力,找到你心中的潛力新星或有聲量的中大型創作者加入 vocus。
Thumbnail
創作者營運專員/經理(Operations Specialist/Manager)將負責對平台成長及收入至關重要的 Partnership 夥伴創作者開發及營運。你將發揮對知識與內容變現、影響力變現的精準判斷力,找到你心中的潛力新星或有聲量的中大型創作者加入 vocus。
Thumbnail
本書從短線投資策略、技術分析、到心理素質都完整涵蓋,適合初入股市的上班族。透過學習基本面分析、線圖判讀及成交量變化,找到最佳買賣點,並搭配風險控管策略,有效降低投資風險,提高獲利機會。
Thumbnail
本書從短線投資策略、技術分析、到心理素質都完整涵蓋,適合初入股市的上班族。透過學習基本面分析、線圖判讀及成交量變化,找到最佳買賣點,並搭配風險控管策略,有效降低投資風險,提高獲利機會。
Thumbnail
本書從短線投資策略、技術分析、到心理素質都完整涵蓋,適合初入股市的上班族。透過學習基本面分析、線圖判讀及成交量變化,找到最佳買賣點,並搭配風險控管策略,有效降低投資風險,提高獲利機會。
Thumbnail
本書從短線投資策略、技術分析、到心理素質都完整涵蓋,適合初入股市的上班族。透過學習基本面分析、線圖判讀及成交量變化,找到最佳買賣點,並搭配風險控管策略,有效降低投資風險,提高獲利機會。
Thumbnail
你需要的都在這裡了!幾乎網羅所有投資精華! 作者經過大量閱讀及實戰操盤23年,整理出市場唯一的系統化課程。 這第4課非常重要,尤其是短線交易投資人,一定要讀過這篇,才不會陷入「買最低賣最高」的迷思與騙局。
Thumbnail
你需要的都在這裡了!幾乎網羅所有投資精華! 作者經過大量閱讀及實戰操盤23年,整理出市場唯一的系統化課程。 這第4課非常重要,尤其是短線交易投資人,一定要讀過這篇,才不會陷入「買最低賣最高」的迷思與騙局。
Thumbnail
前言: 投資人在進場任何交易商品之前,建議務必讀過篇,以免落入風險管理不佳的模型而不自知。 對於金融投資理財不知從何開始的人,你需要的都在這裡了!幾乎網羅所有投資書籍的精華! 此為作者經過大量閱讀及實戰操盤23年,整理出市場唯一的投資理財系統化課程。
Thumbnail
前言: 投資人在進場任何交易商品之前,建議務必讀過篇,以免落入風險管理不佳的模型而不自知。 對於金融投資理財不知從何開始的人,你需要的都在這裡了!幾乎網羅所有投資書籍的精華! 此為作者經過大量閱讀及實戰操盤23年,整理出市場唯一的投資理財系統化課程。
Thumbnail
近期拜讀Igor Tulchinsky在2019年的著作《Finding Alphas: A Quantitative Approach to Building Trading Strategies》,學習更深入的投資,在這系列文章中,將逐章節摘要書籍重點。此為系列第三篇
Thumbnail
近期拜讀Igor Tulchinsky在2019年的著作《Finding Alphas: A Quantitative Approach to Building Trading Strategies》,學習更深入的投資,在這系列文章中,將逐章節摘要書籍重點。此為系列第三篇
Thumbnail
近期拜讀Igor Tulchinsky在2019年的著作《Finding Alphas: A Quantitative Approach to Building Trading Strategies》,學習更深入的投資,在這系列文章中將逐章節摘要書籍重點。這篇筆記涵蓋本書的Part II。
Thumbnail
近期拜讀Igor Tulchinsky在2019年的著作《Finding Alphas: A Quantitative Approach to Building Trading Strategies》,學習更深入的投資,在這系列文章中將逐章節摘要書籍重點。這篇筆記涵蓋本書的Part II。
Thumbnail
本書摘整理自《積極型價值投資》,涵蓋價值投資的核心概念、策略及風險管理,適合投資新手及進階投資者閱讀。內容包含:股市報酬組成、本益比分析、公司評估(Q、G、V)、投資流程、風險管理、市場波動、投資心態調整等。
Thumbnail
本書摘整理自《積極型價值投資》,涵蓋價值投資的核心概念、策略及風險管理,適合投資新手及進階投資者閱讀。內容包含:股市報酬組成、本益比分析、公司評估(Q、G、V)、投資流程、風險管理、市場波動、投資心態調整等。
Thumbnail
這是張老師的第三本書,我想前二本應該也有很多朋友們都有讀過,我想絕對是受益良多,而這次在書名上就直接點出,著重在從投資的角度來切入
Thumbnail
這是張老師的第三本書,我想前二本應該也有很多朋友們都有讀過,我想絕對是受益良多,而這次在書名上就直接點出,著重在從投資的角度來切入
Thumbnail
投資的核心在於獲利,而不在於強調用哪一種方法或學說,堅持本位主義的想法與堅持,反而容易陷入窠臼之中,只要有用的方法,就是好方法,依照每個人個性的不同,選擇最適合自己的投資方式。
Thumbnail
投資的核心在於獲利,而不在於強調用哪一種方法或學說,堅持本位主義的想法與堅持,反而容易陷入窠臼之中,只要有用的方法,就是好方法,依照每個人個性的不同,選擇最適合自己的投資方式。
Thumbnail
本書共分成四個部分,投資流程;買進、抱牢和賣出;風險與報酬和智慧型股票投資人。 這是本關於量化和量化-質化投資風格的好書,可惜的是比較像是引導入門的書。雖然什麼都寫到了,但可惜就是比較粗淺的概念。好處是讀者可以一窺所有的東西,在對有興趣的部分找更專門的書籍來閱讀。
Thumbnail
本書共分成四個部分,投資流程;買進、抱牢和賣出;風險與報酬和智慧型股票投資人。 這是本關於量化和量化-質化投資風格的好書,可惜的是比較像是引導入門的書。雖然什麼都寫到了,但可惜就是比較粗淺的概念。好處是讀者可以一窺所有的東西,在對有興趣的部分找更專門的書籍來閱讀。
追蹤感興趣的內容從 Google News 追蹤更多 vocus 的最新精選內容追蹤 Google News