1、貌似 Alpha 的超额收益
假如某天，我们通过指标筛选和实证检验，找到了一个投资组合，其表现如图 1： 图 1：一个有超额收益的组合表现
资料来源：Wind 资讯，长江证券研究部
从图中我们发现这个组合从 07 年开始一直到 2010 年中期都相当不错，稳定跑赢大盘。 如果我们对其中的股票进行单因子(沪深 300)的归因分析，发现组合的 Beta 是在 1 附近的， 而平均的年化 Alpha 超过 8%。 表 1：单因子归因一个有超额收益的组合
-1.1159 -0.9790 -0.8865 -1.0679 -1.1414 -0.5709 -1.0255
-0.4204 -0.5469 -0.6378 -0.4517 -0.3718 -0.9416 -0.5679
资料来源：Wind 资讯，长江证券研究部
我们发现三因子模型的结果与单因子有很大的区别，用三因子归因以后，发现这个组合 的 Alpha 其实是负的。 同时这个组合的股票在大小盘因子和高低估值因子上都有很明显的负 的 Beta。这说明这些股票都是典型的小盘+低估值的股票，但是组合中的股票并没有达到同 类型股票的平均水平。 因此，这个组合的“超额收益”实际上来自于小盘+低估值的风格属性，而无巧不巧的 是，在样本模拟期内，这个风格的确表现出了明显的强势。而如果我们用这个时间段作为建 模区间，去筛选财物或者估值指标，很容易就找出类似的模型，但是这样的模型其实并不靠 谱，在其他时间，这个组合并没有表现出明显的超额收益。
4
请阅读最后一页评00248 000150 600165 000975 600225 均值
实达集团 延长化建 宜华地产 宁夏恒力 科学城 天津松江
-33.6115% 6.7971% 8.2883% 8.8051% 2.2180% -2.5417% 8.4844%
2
请阅读最后一页评级说明和重要声明
金融工程
一、Alpha 真的存在么？
在我们做数量化研究的过程中，数量化选股总是一个很有吸引力的题目，大家都希望能 找到某一个或者一组指标，可以筛选出长期跑赢市场的股票。那么是不是真的能找到这样的 指标呢？或者说这样的方法适用性到底有多大呢？ 其实这是一个很难证伪的命题，因为哪怕我们可以证明 N 种选股模型或者指标无效， 也不能证明这个方法完全无效。但是从目前来看，选股策略带来的超额收益是有局限性的。
表 1：单因子归因一个有超额收益的组合 ................................................................... 3 表 2：三因子归因一个有“超额收益”的组合 ........................................................... 4 表 3：因子相关性表 ................................................................................................... 7
1.0029 1.1492 1.2240 0.9855 1.0286 1.1444 1.0675
-46.8496% -0.5736% -6.0976% -5.4609% -2.6807% -0.8467% -7.1883%
0.9820 0.9328 1.0800 0.9016 0.9560 1.1351 0.9711
怎么用数量化的方法寻找 Alpha? 如果用静态的方法把 Alpha 视为一个 “黑箱” ， 并不能很好的获得超额收益， 很容易陷入数量化方法的陷阱。因此我们更倾向于用因子的方法分解收益， 并且监控这些因子的变化。
因子的选择 因子的选择必须考虑足够的维度，避免共线性，当然还需要有经济学意义。 在这里我们选择了沪深 300，大小盘和高低估值三个因子。
yuwb@
请阅读最后一页评级说明和重要声明
正文目录
一、Alpha 真的存在么？ ...................................................................... 3
1、貌似 Alpha 的超额收益 .................................................................................... 3 2、关于数量化方法寻找 Alpha 的思考 .................................................................. 5
金融工程 研究报告 多因子选股系列报告(一)
2010-10-21
不要迷恋 Alpha
报告要点
是否真的能产生 Alpha? 我们研究发现， 很多貌似产生 Alpha 的定量化方法找到的其实只是一些市场 风格因子的超额收益， 如果用多因子模型来归因的话， 会发现这些股票其实 并没有战胜它们的同类，而只是“幸运”的处在了某一个市场阶段的热门风 格中。
交易代码 000925 600093 600553 600074 000909 股票简称 众合机电 禾嘉股份 太行水泥 中达股份 数源科技 年化 Alpha 24.5583% 35.9479% 21.3387% -2.9525% 11.3182% Beta 0.8670 0.9704 1.2273 0.9752 1.1101
力合股份 亚盛集团 武汉塑料 长百集团 江苏索普 中茵股份 湖南海利 格力地产 永安林业 实达集团 延长化建 宜华地产 宁夏恒力 科学城 天津松江
9.9229% 5.7168% 11.5995% 13.7033% 2.8638% 3.4202% 22.8887% 4.1822% 15.2237% -33.6115% 6.7971% 8.2883% 8.8051% 2.2180% -2.5417% 8.4844%
请阅读最后一页评级说明和重要声明
3
000532 600108 000665 600856 600746 600745 600731 600185 000663 600734 600248 000150 600165 000975 600225 均值
注：收益率以周为单位 资料来源：Wind 资讯，长江证券研究部
1.1123 0.9612 1.0450 1.2808 1.0647 0.9909 1.0024 1.1596 1.0483 1.0029 1.1492 1.2240 0.9855 1.0286 1.1444 1.0675
看上去是一个不错的结果，但是如果我们做一个三因子的模型来分解收益，如表 2 所 示： 表 2：三因子归因一个有“超额收益”的组合
二、用多因子模型解释超额收益 ........................................................... 5
1、超额收益的来源 ............................................................................................... 6 2、选择合适的因子 ............................................................................................... 6 3、更高的拟合效果，更低的 Alpha ...................................................................... 7 4、因子的可预测性 ............................................................................................... 9
单因子模型 交易代码 000925 600093 600553 600074 000909 000532 600108 000665 600856 600746 600745 600731 600185 000663 股票简称 众合机电 禾嘉股份 太行水泥 中达股份 数源科技 力合股份 亚盛集团 武汉塑料 长百集团 江苏索普 中茵股份 湖南海利 格力地产 永安林业 年化 Alpha 24.5583% 35.9479% 21.3387% -2.9525% 11.3182% 9.9229% 5.7168% 11.5995% 13.7033% 2.8638% 3.4202% 22.8887% 4.1822% 15.2237% Beta 0.8670 0.9704 1.2273 0.9752 1.1101 1.1123 0.9612 1.0450 1.2808 1.0647 0.9909 1.0024 1.1596 1.0483 年化 Alpha -7.0722% -0.8227% -0.9431% -10.6612% -5.1756% -4.9990% -6.5441% -9.1756% -8.4538% -2.2495% -13.3286% -4.8014% -5.4014% -1.6289% 多因子模型 市场 因子 0.8670 0.8605 1.1283 0.8582 1.0183 1.0389 0.9154 0.9268 1.1003 0.9396 0.8684 0.8553 1.0703 0.9873 大小盘 因子 -1.4703 -1.2803 -1.0140 -1.0030 -1.1414 -1.2542 -1.1454 -0.9233 -1.0392 -0.9770 -0.8482 -1.0387 -0.7256 -0.8875 高低估值 因子 -0.5910 -0.3898 -0.6511 -0.6284 -0.4609 -0.3305 -0.4356 -0.6504 -0.5325 -0.5913 -0.7151 -0.5243 -0.8266 -0.6605