草叶网量化模型介绍



一。草叶网量化模型的结构



每一个量化模型,由多个量化策略组成。


1.选股


1)选股特点:优质低估


在选股环节就已经包含了风险控制,不会买入昂贵的、普遍看好、许多人在追的股票,而更倾向于发现被低估的二三线优质股票,或者大盘超跌时被错杀的好股票


选股核心是找出市场大概率错误定价的股票(基本面中高品质+低估、超跌、折价),在市场发现价格错误并纠正时离场,更换另一个错误定价的股票。


通过数据回溯,验证每种联合打分的算法,历史上曾经有很好的价值回归回报(胜率、盈亏比、周转率)。


策略不追求每一次都成功,只追求统计意义上的大概率成功。



2)不断轮动


当某个股票基本面改变,或者价格上升,使得其总分降低,则会被其他总分更高的股票替换,称为“轮动”。

由于持续轮动,量化策略交易频次较高,周转速度较快,可能十几天到几十天就会换手。

这是一种薄利多销的交易方式,每个股票可能赚得不多,但架不住轮动快,因此累计收益往往高于追求单个股票赚得多的价投模式


但这种方式的佣金消耗也高,因此如果资金量不大,尽量要用佣金免5的证券账户,以降低佣金损耗。



2.防雷


草叶网通过过滤分散来防雷。


1) 过滤


过滤就是直接避开具有潜在风险的股票,根本不持仓。

草叶网常用的过滤包括:流动比率偏低、负债资产率高于行业平均、商誉比净资产偏高、股权质押比例偏高、近期有配股计划、流动性不足,等等。

这样过滤之后,安全性就基本得到了保证。



2)分散


分散就是尽量在行业、个股上做分散。由于股票跌最多跌到0(极少发生),涨可以涨几倍,涨跌是不对称的,因此只要不是大比例遇雷,仅仅通过分散就可以通过上涨的股票的收益,来对冲遇到黑天鹅的个别股票的损失。




3.仓位管理


草叶网量化模型,最大的特色是仓位管理。仓位管理的核心是“上涨参与,下跌规避”。


草叶网采取三种仓位管理逻辑:右侧择时、估值网格、左右网格。每个量化策略,采用这三种仓位管理的一种。


1)采取右侧择时的模型,在牛市大波段中获取绝对收益(吃全鱼身),在熊市通过空仓超越指数。付出的代价是牛市初期仓位低(鱼头吃得少),牛市最后的大跌回吐部分利润(鱼尾吃得少),而且在振荡市、熊市后期的诱多中,会被反复打脸、损耗。

另外,右侧择时存在较大的拟合风险(市场风格变化,使得过去的均线经验失效),我们通过右侧择时参数的分散化,适当化解择时风险。


2)采取估值网格的策略,在振荡市场中获取低吸高抛收益,在牛市最后的大跌前轻仓或空仓避险。付出的代价是牛市中后期的仓位较低,而熊市要承受浮亏。


3)采取左右网格的策略,在风险大时空仓、风险小时满仓、其他时候网格,在各种市场中都如鱼得水。付出的代价是调仓频繁、佣金损耗大,而且遇到大盘突发黑天鹅,有重仓打脸的风险(很快会止损离场,不会伤筋动骨)。



上述三种仓位逻辑,各有各的优点,也各有各的缺点。但无论任何一种,都比不做仓位管理强。


草叶网的每个量化模型,通过多个量化策略组合,形成三种仓位管理逻辑的不同配比,构成适合不同市场环境的多面体



4.纪律化和机械化


通过量化选股、高度分散、防雷过滤、仓位管理,草叶网的量化模型具有“风控很稳,全天候适应市场“的特点。但这个不是它的最大价值。

草叶网模型的最大价值,在于纪律化和机械化的执行


散户之所以经常被收割,就是因为被市场噪音所左右。

通过无脑执行系统指令,可以摆脱投资者受到各种市场噪音干扰所产生的贪婪和恐惧。


草叶网的风控操作是层层分解的,例如减仓、加仓,往往不是一次性发出指令,而是分次分批。

例如,风险概率加大(左右网格,往往提前发出信号)就减一部分,风险产生征兆(敏感的右侧择时发出信号)再减一部分,风险比较确定了(迟钝的右侧择时发出信号)再减剩下的。

这样投资者比较容易接受,在不知不觉中完成了避险。




二。如何理解回测数据



回测就是利用历史数据统计,如果6年前(2011.1.1)你就开始使用这套模型,到现在的收益情况是怎样的。



1.


年化收益:

按复利收益计算,也就是假设每一笔利润都必须继续投入同一个策略。


最大回撤:

在历史上曾经遇到过的净值最高回撤,也就是从阶段高点跌到阶段低点的最大幅度。

最大回撤如果发生在大幅赢利之后(有了利润缓冲垫),一般是比较容易忍受的。但如果刚开始使用策略就遇到大盘下跌,回撤就比较难忍,跟运气有关。




2.

回测时假设了每天开盘就完成交易,单边交易成本(含交易滑点)为股票千三、基金千一,没有最低佣金。

实盘不一定能满足上述要求,例如无法开盘就完成交易,实际交易滑点大于预期,账户有最低佣金(可以通过开通免5账户解决),等等,

另外,散户在执行过程中经常会走形,例如大涨之后不等回调就迫切增加资金、股票亏损后不舍得卖出换股。。。等等。

总之,回测只是大致模拟的理论数值,实盘要大大地打折扣。





3.

年化收益的很大一部分,是牛市(或局部牛市)创造的。

看曲线就能够知道,在没有牛市的日子里,模型并不那么红火,虽然也不一定很糟糕。大多数的日子是平淡的。

长期回测的年化20%并不是年年20%,也不是未来某个周期内一定有20%,只是曾经(借助牛市)得到过20%,未来还不知道呢。


另外需要特别注意,大部分模型的调仓频率较高而动作幅度大,更适合于船小容易掉头的小资金。

大资金如果要使用本站的风控方法,需要对模型进行调整。




4.


历史不重复未来,未来可能有很多意外。历史回测只表明模型适合历史环境,实盘有可能遇到不匹配的环境,使得模型失效。

一般实盘采取分散原则降低模型风险,尽量分散使用多个模型(分别对应不同的券商账户)。

就好像在不同方向放不同类型的陷阱,抓到猎物的机会就更大一些。