敬请参阅报告结尾处免责 声 明 华宝证券 1/14 table_page 私募基金专题报告 分析师：奕丽萍 执业证书编号： S0890515090001 电话： 021-20321300 邮箱： yilipingcnhbstock 研究助理：吴昱璐 电话： 021-20321075 邮箱： wuyulucnhbstock 销售服务电话： 021-20321259 table_product 1 私募基金：股票策略难扭颓势，相对价值稳中取胜 - 私募基金月报 201806 2018-07-30 2 私募基金：私募配置 /选择分析的思考与实战 - 私募产品持仓分析系列 2018-07-25 3 私募基金：延续资管新规思路， MOM释放积极信号 - 证券期货私募资管业务新规点评 2018-07-25 table_main 华宝 财经评论 类模板 投资要点： 股票 量化策略 。 本文只探讨狭义的股票量化策略 量化择股 +量化择时 ，即：基于 大 体量的 数据分析 、利用科学方法形成数学模型、结合 计算机技术 构建现货组合，通过 灵活的仓位调整实现 稳健 收益 。 考虑国内 空 券的非便利性， 股票 量化更多 体现 为多头头寸 ， 这就使得国内 股票 量化策略更多的是 争取 相对指数的超额收益 。 股票 量化 评价 的特殊性 。 考虑传统 产品评价思路与股票量化策略的 实践 特点， 对 股票量化策略的 评价可以 沿着 “净值绩效 >区分 能力 >盈利模式 >风格暴露 ”的 链条 进行 ， 本质 上是 为了逐步 接近策略获 得收益 的真实 逻辑。 股票量化 的风险暴露分析 。 股票 量化 策略通常 持股分散、换仓频率较高， 简单的持股 集中度和行业配置统计 难以 捕捉 产品 的真实 风险 暴露 。因此 ，有 必要 通过对 高频 持股信息的整合，集中梳理产品在有限风险因子上的暴露情况，了解产品主动头寸的主要 风险 暴露，进而推导产品 适宜 的行情 ， 为风险管理提供支持 。 本文以某私募资产管理产品 B 为例，从 风险暴露的视角探讨其 股票主动头寸 的损益 。 风险 提示 ： 产品绩效 与风险 暴露 分析仅供参考，要结合具体投资案例 。 相关研究报告 table_subject 2018 年 08 月 15 日 证券研究报告 -私募基金专题报告 量化私募产品 第四季 股票量化 中国 量化 私募 产品系列报告 敬请参阅报告结尾处免责 声 明 华宝证券 2/14 table_page 私募基金专题报告 内容目录 1. 股票量化策略 . 3 1.1. 股票量化 VS 股票主观 . 3 1.2. 股票量化分类 . 5 1.3. 深度学习选股策略 . 6 2. 国内产品现状 . 8 2.1. 股票量化产品典型 . 8 2.2. 股票量化评价的特殊性 . 9 2.3. 股票量化的风险暴露分析 . 11 图表目录 图 1： 20142018.06 股票量化与主观策略收益率中位数情况 . 4 图 2：股票量化分类 . 6 图 3：包含两个隐藏层的神经网络结构 . 7 图 4：净值曲线 -某私募资产管理产品 A . 9 图 5：主动股票头寸净值 -某私募资产管理产品 B . 11 图 6：平均行 业暴露分布 -某私募资产管理产品 B . 12 图 7：主要行业暴露 -某私募资产管理产品 B . 12 图 8：行业因子累计贡献 -某私募资产管理产品 B . 12 图 9：主要行 业因子累计贡献 -某私募资产管理产品 B . 12 图 10：平均风格暴露分布 -某私募资产管理产品 B . 13 图 11：主要风格暴露 -某私募资产管理产品 B . 13 图 12：风格因子累计贡献 -某私募资产管理产品 B . 13 图 13：主要风格因子累计贡献 -某私募资产管理产品 B . 13 表 1：股票量化与主观策略相关性分布情况 . 5 表 2：绩效指标排名 -某私募资产管理产品 A . 9 敬请参阅报告结尾处免责 声 明 华宝证券 3/14 table_page 私募基金专题报告 1. 股票 量化策略 “量化”和“对冲”这两组概念经常成对被市场提起，实际上两者并无必然联系、也并非必须同时存在。在此前的量化私募产品第三季 股 票多空中，我们探讨的股票多空策略强调对冲技术的应用，不区分现货的主动或量化选择。而在本文中，我们将更多的强调“量化”而非“对冲”。 广义而言， 任何运用到 数理 分析技巧的 股票 策略，无论多空，都可以 被 纳入股票量化的策略 范畴。 依 此， 股票量化策略与股票多空、 股票 市场中性等 策略 容易产生 重合 区域 ， 典型的如 股票配对 交易策略， 利用 统计套利的 结果博取 两证券或多证券价格 区间 异常波动 后 的回归， 从手法上 而言既可以纳入股票量化，又可以纳入股票多空 。 为了 与此前的股票多空区分讨论，本文 重点 探讨非重合区域。 本文只探讨狭义的股票量化策略 量化择股 +量化择时 ，即：基于 大 体量的 数据分析 、利用科学方法形成数学模型、结合 计算机技术 构建现货组合， 通过 灵活的仓位调整 实现 稳健收益 。 考虑国内 空 券的非便利性， 股票 量化 更多 体现 为多头头寸 ， 这就使得国内 股票 量化策略更多的是 争取 相对指数的超额收益 。 当然 ， 假设基金投资者在市场强周期的起点购买股票量化产品，或者在弱周期中 购买了超额收益足够丰厚的股票量化产品，同样可以实现绝对收益目标，不过 上述 情景 更多是偏理论的。 1.1. 股票量化 VS 股票主观 与市场上占比最大的传统股票主观策略（主要指 传统 股票多头 主观 策略）相比 ， 股票量化策略的优势体现在几个方面： 1）覆盖面广。传统股票主观策略的投资标的集中度相对较高，考虑到全市场全行业覆盖的股票研究需要大量的人力物力，实现难度较大，投资经理往往选择较为擅长的某些行业或公司进行深入研究，包括公司的基本面、财务状况、发展前景等多个方面， 从而挖掘出具有投资价值的投资标的；而对于股票量化策略，由于主要基于海量数据 分析与模型构建，并且是通过信息技术实现，可以对大量股票运用 数量化方法筛选出投资机会从而构建投资组合。因此与传统股票主观策略相比，股票量化策略的投资组合中往往投资标的较为分散，个股仓位相对较低。 2）风险分散与控制。基于上一点，股票量化策略投资标的的相对分散化同时也能带来风险分散的效果，由于单票在投资组合中的权重较低，组合受单票上涨或下跌的影响相对较小。此外，投资经理在量化策略的模型构建时，都会经过大量严谨的数据测试，同时会在实际投资中 设置合理的风控指标，开发成熟的系统可随时监控仓位变化，一旦出现异常可迅速做出反应。 3）投资收益稳定。基于上一点，由于风险分散与严格的风险控制，股票量化策略受市场极端或异常情况的影响有限，投资收益相对较为稳定。此外，与传统选股策略相比，股票量化策略始终遵循一定的数理逻辑，从而有效的避免了主观交易的弱点，即不易受投资者主观情绪的扰动而做出非理性的投资决策，收益稳定性相对较高。 与海外相对成熟 的量化投资体系相比，国内的股票量化投资起步较晚，初期策略构建多为借鉴海外已有的成熟模型，并在此基础上进行更加适应中国资本 市场的策略调整。 在 私募基金领域，不少投研人员为海外 回 国 人士 ， 策略 普及 速度 远高于其他 类型 机构 。 2012 年以来 ， 国内 量化对冲产品进入高速增长阶段，股票量化作为其中主要也是早期的敬请参阅报告结尾处免责 声 明 华宝证券 4/14 table_page 私募基金专题报告 策略分支， 同样 经历了产品数量和规模 的 双 发展 。 20142015 年 ，私募基金阳光化伴随持续上涨的牛市行情 进一步 助推了 包括 股票量化在内的所有策略的产品化进程， 尽管 在快速 上涨的行情中股票量化绝对收益率 中位数 不敌 股票 主观。 2016 年在熔断、熊市的连续冲击下，股票类 策略 整体表现平平，但相较于 股票主观策略，股票量化策略更显稳健 。但在紧接着的 2017年，市场风格分化明显，少数热点白马股上涨，“二八行情”长期持续的背景下，股票量化策略 再度 不敌股票主观策略，遭遇难以盈利的尴尬，在与指数的对比中也是大幅跑输基准指数，原因可能是策略调整未追上行情切换以及因子收益思路与行情的误匹配。 2018 年 以来，市场连续 下探， 尽管 收益 均 在水平线下，但股票量化风险控制 优势 再次显现， 行业 平均亏损较 股票 主观而言有明显优势。 历年统计结果显示，股票量化 较 股票主观而言 业绩 波动范围更窄，主要 的 优势 在于稳定而非 搏高 。 图 1： 20142018.06 股票量化 与主观策略 收益率 中位数情况 资料来源：华宝证券研究创新部 尽管对于 2017 年 至今 股票量化策略的表现能给出 相应 的解释，但市场对于股票量化策略的质疑之声迭出，质疑多集中在对该 类策略“趋同性”和“ 有效性 ”的担忧。模型或多或少都采用了价值类、量价 类等相同的 因子是否使得量化投资空间太“拥挤”？依赖于相似的 统计学方法来寻找 Alpha 收益来源是否会导致策略相似度太高？ 为了验证 “趋同性” 是否存在，我们分年度对 20152018 年上半年 满足条件 的 股票量化策略产品两两之间周收益率 序列 的相关性进行了统计 ，并取 所有相关系数的 平均数 作为该年度相关系数情况 。考虑到相同管理人发行的产品之间策略相似度较高的可能性较大，因此对于同一管理人仅随机挑选一只产品进行统计。 统计结果显示 ， 从相关度的角度看， 股票 量化策略 产品 并非如大家所质疑的一样 相似度很高， 各年度同策略 产品间的相关系数基本维持在 0.20.3 左右，处于 较低水平，同时与股票 主观 策略相比并非 处于 劣势 ， 相反，除了 2017 年 之外 ， 其相关度 都 要 低于股票主观 策略 。当然， 难以忽略的一点是，随着 行业 进入 者 的增加，股票量化的相关系数是逐年增加的，而股票主观 则 较早期有明显下降。 -10.00%-5.00%0.00%5.00%10.00%15.00%20.00%25.00%30.00%35.00%2014 2015 2016 2017 2018.06股票主观股票量化敬请参阅报告结尾处免责 声 明 华宝证券 5/14 table_page 私募基金专题报告 表 1：股票 量化与 主观 策略相关性分布情况 年份 股票量化 股票主观 相关系数 数量 相关系数 数量 2015 0.25 27 0.50 418 2016 0.24 77 0.35 1027 2017 0.22 99 0.21 1387 2018.06 0.33 118 0.35 1712 资料来源：华宝证券研究创新部 当然 该统计也存在一定的缺陷， 从表格 中很容易看到，两类策略的产品数量 差异 较为悬殊， 股票主观策略 类产品数量远多于股票量化类产品 ， 因此两类策略相关系数的比较结果参考意义有限。 1.2. 股票量化分类 在 多空技术都允许的情况下， 股票 量化策略 主要 可以分为 两大类 ： 量化 选股和量化择时，其中量化选股 又 可分为 广义 多因子选股 和 技术分析 选股 等 。 广义 多 因子 选股 的 主要逻辑 是对证券 /证券 组合 合理收益率的 预测 。 当前 常见 做法是在 经典定价 模型基础上做 中国 化 延展。 模型 间 的主要区别是 因子 的选择、因子共线性等问题的处理技巧、因子组合 方案 等。 本文 将风格轮动 、行业 轮动等模型 视为对 特定 几类因子 的 投资 ，纳入广义多因子选股 ， 尽管其中蕴含了 量化 择时技术。 技术 分析选股 的主要 逻辑是 基于 市场 资金 行为对证券进行交易 。 当前 常见 做法 偏向图形交易 或 主力 资金跟踪交易。 模型间 的主要区别是 图形 /指标交易 习惯、 盘口分析 方法论 等。 随着计算机 量化 的 普及， 图形 交易等思路已经逐步通过计算机语言 实现 ， 并 纳入因子库 ， 这使得传统的技术分析 选股 逐渐成为广义多因子 选股 的一部分。 广义 多因子 选股框架 若要 适用 不同 二级市场品种，如债券、 商品 期货等，需要做较大的模型调整， 因为不同 品种的定价逻辑差异很大。 即使同样 是股票品种， 相同 的因子对于不同的行业而言往往效果也是南辕北辙。 而 技术 分析 选股 适用 不同 品种 时 ，需要 做 的调整 相对 少 ，原因是 研究 标的 本质 上都是 资金 情绪与资金行为。 除此 之外，舆情选股 、机器 学习 等 方法 论近年来 日趋火爆 。 我们 理解， 舆情选股本质上是 捕获市场 上关于特定股票的情绪与信息， 是 对多 因子 模型的补充 ，实际 上我们看到很多大数据 公募 基金产品正 是 将舆情结论 作为股票 打分依据之一。而 机器 学习 不是 对 选股 信息 源 的补充， 而是 使得 定价模型具有自适应性 。 关于 T+0 交易：许多 T+0 交易本质上是统计套利，通过现货基础持仓或融券打通卖空路径， 观察不同股票子组合（子组合可由单票构成，也可由篮子股票构成）之间的价差偏离情况，当价差偏离 到达一定 阀值 时，通过买卖组合操作实现对价差回归的看法。前文我们提到统计套利 属于多策略 重合区域 ，因此 本文 不做展开。 本文 所指 量化 择时 是 对现货仓位 或 风险敞口 的 高低 调整 。 分析 的 依据丰富，包括宏观基本面研究、 中观 行业景气度研究、 流动性 研究 、 市场情绪研究等。 择时 的 对象 可以是大类资产，也可以是大类资产 下属 的细分资产， 或者 是 合成 得到的资产 。 量化 选股与量化择时并非始终可以完全切割 ，典型 案例 是在多因子选股 中 ，因子 赋权既是 量化 选股 的构成，也 属于 广义量化择时。 敬请参阅报告结尾处免责 声 明 华宝证券 6/14 table_page 私募基金专题报告 图 2：股票 量化分类 资料来源：华宝证券研究创新部 1.3. 深度 学习选股策略 随着机器学习理论与技术的日益成熟，其在量化投资上的应用也越发深入。同样是基于大量历史数据构建选股模 型，传统的多因子选股模型在模型搭建，尤其是因子选择过程中包含较大的主观成分 ，仍需依靠投资经理对市场行情的基本判断来预选因子，而机器学习选股模型与其的差异在于模型构建与因子筛选 过程 主要 依靠数据挖掘技术 自动 完成。 尽管目前机器学习技术在国内权益市场投资上的应用还处于起步阶段，市场上仍以传统的多因子选股模型为主，但也已有不少 私募 管理人将机器学习模型应用到实际投资中。目前应用较多的模型主要是相对较易实现的，例如决策树模型。它主要基于归纳学习法的逻辑对数据进行分类和预测，其优势在于分类规则明确，逻辑关系简单易懂，数据计算量相对较小，相对较容易实现。但这样的优势同时也会带来准确度欠缺、稳定性较差或过度拟合等问题。因此管理人会选择将其作为辅助工具来应用。 除了决策树之外，还有其他更加复杂的机器学习选股模型，比如深度学习多因子选 股模型（神经网络模型）。该模型主要通过对大量历史数据（训练集）进行不断的自学习以寻找输入项与输出项 之 间存在的内在规律从而建立预测模型。模型的输入项即为各类因子，因子种类与规模因子、动量因子、估值因子等传统的选股因子无异， 输入因子 的 数量限制较小，而输出项即为预测结果，例如未来股价的变 动等。输入项与输出项之间不像传统的多因子模型主要 依赖 线性 方程，而是在输入层与输出层之间存在构成网络的若干个起辅助作用的隐藏层，相邻两层的每个 神经元之间都存在联系， 对神经元 之间 关系构成的参数确认都是训练优化的过 程 。 其中 ， 隐藏 层的数量 和每层神经元 数量 等模型结构 参数需要 提前确定， 一般会 选定若干 候选 参数组合或 范围， 通过 训练筛选出 最佳 模型结构。 股票 量化量化选股 量化择时广义多因子选股 技术分析选股基本 面、资金面、市场情绪 逐步转移有重合敬请参阅报告结尾处免责 声 明 华宝证券 7/14 table_page 私募基金专题报告 图 3： 包含两个 隐藏层的神经网络结构 资料来源：华宝证券研究创新部 深度学习 选股策略的 核心在于对训练集 数据 的反复训练以 获得 最优模型， 该 策略的 高效运行 依赖于 多个 方面 ： （ 1）模型涉及海量数据的 处理 与 运算，对 计算机 等硬件设备 、 算法及其优化 的要求 很 高 ； （ 2）考虑 到对所有 模型结构组合依次 训练 而择优 不实际， 模型 结构 的 优化 一般 采用网格搜索或随机搜索等方法 对提前 选定的候选参数组合 或 范围 依次 进行训练 ，选出最合理 的 结构参数组合。因此 ，对 模型构建者 选择候选 参数组合 的经验 及能力要求较高 ，最大程度 对候选范围的 合理 缩小 可以 大幅减少模型结构参数确认的训练 次数 从而提高运行效率。 此外， 与 传统 多因子选股模型类似的， 大体量 、高质量的 历史 数据 是 模型构建的前提，因此原始数据 异常值及缺失值的 处理、 因子 标准化 等 预处理工作也是必须的。 若策略需要 ，也 可对模型 进行 行业中性 等处理， 即 在 训练集数据 中 将相关因子剥离 从而减小 行业轮动等情况对 预测 模型的影响 。 深度学习多因子选股模型的优势在于 ： （ 1） 自学习能力强，自动化程度 相对 较 高。虽然 在模型 结构 的 初步构建 上仍需依靠 一定的主观 经验 确定 结构参数范围，但结构优化及 因子 筛选过程 均 由计算机自动完成 ， 因此 与 传统多因子选股 模型相比 ，该模型受主观因素影响 相对 较小。 （ 2）优化能力较强， 容错率 较 高 。与 传统多因子选股模型相比，深度学习模型 不 局限于线性关系的构建，引入了非线性关系的拟合，模型 结构 复杂度 更 高， 同时 其有系统化、智能化的 信息处理系统 ， 在 隐藏层的辅助 作用下 ， 若 基于足够 的 训练集数据，模型最终 的 拟合程度 较好。 （ 3） 对输入选股因子的数量限制相对较少。对于传统多因子选股模型来说，模型构建前期就需要预选合适的选股因子，这也是模型包含主观因素最多的部分，同时考虑到过度拟合的可能性，选择因子数量不宜过多。而深度学习模型在输出结果不变的情况下，模型无需预选因子，输入层可包含的因子个数不受限制，甚至可达上百个选股因子，只需确定隐藏层和各层节点数量，模型会通过自学习进行因子筛选。当然，深度学习模型不可避免地同样存在过度拟合的可能性，可通过嵌入 Dropout 等技术在训练过程中降低模型的过度拟合。 同时，深度学习多因子选股模型也存在一定 限制。最 直接的就是该模型的运行需要 更高要求 的计算设备以及更多的运算时间 ，如何 能在 条件 允许的情况下最大程度提高运算效率是敬请参阅报告结尾处免责 声 明 华宝证券 8/14 table_page 私募基金专题报告 策略开发者 最关心的问题之一。此外 ， 模型内部网络结构的复杂性 也 使得模型的运行过程 难以 用 常规 经济学逻辑 来 解释 ， 因此 相对于 传统多因子选股模型来说 ，该 模型 较难 被理解。 2. 国内 产品 现状 2.1. 股票 量化 产品 典型 如前 所述， 股票量化由量化 选股和量化择时两部分 构成 。 从 各家 私募 产品 管理人的 能力建设和 绩效 结果看， 目前 国内股票量化策略的 能力 禀赋主要在量化选股 端 ，尤其是 广义 多因子 选股 领域 。 常见的因子有 贝塔因子、动量因子、规模因子、 波动因子、成长因子等，每类因子可由多个描述性变量构成 。 从 交易频率看， 国内 股票 量化策略可分为 低频和 中高频 ， 与 使用 的因子 频率 关联度较大 。部分 股票 量化 策略极大沿袭了原 主观 投资的思路， 注重低频 基本面因子的 使用 ，换手率极低，年换手 一般 在 5 倍 以内；而 部分股票 量化策略注重 多而全 的因子组合，囊括常见的 十 余类因子，换手率一般，年换手一般在 10 倍 以内； 还有 部分股票量化 聚焦 于 量价 等高频因子的 组合 ，换手率 偏高 ，年换手 可达 几十倍甚至上百 倍 。 在 无对冲的情况下， 尽管 个股的系统性风险始终存在 ， 但通过不同性质的因子组合可以有效降低 市场行情 对股票组合的不利影响。 以 某私募资产管理产品 A 为例，该产品 主打 中高频股票量化策略， 以 巨量数据 和 信息 为支持， 通过 对价量、舆情等短期 因素 的把握， 在 2017 年下半年 连续把握了 周期行情、次新行情、芯片行情 等 。 尽管在 2018 年 2 月 3 月的 2 次市场下跌中略有回撤，但回撤幅度远低于市场整体回撤，且由于较丰厚的超额收益积累，最终业绩曲线较为稳健 。 观察 区间 内 ，产品 A 绝对收益 28.76%，最大 回撤 -8.39%， 夏普比率 1.38，卡玛比率 2.92。 与同期其他 股票 量化 产品 相比 ， 产品 A 的绝对收益与两大性价比指标 夏普 比率、卡玛比率均 位列 前 10%分位，显示 产品在拥有较高风险收益性价比的基础上， 创造 了较好的绝对收益 。 若 将产品放入同期股票多头 产品 对比，则产品的业绩优势更为凸显 。 除 前述指标 外 ，最大 回撤也跻身前 10%分位， 年化 波动率的 相对 表现也有所提升， 这 表明 产品 A 作为股票 量化策略 的 典型， 较 传统股票多头 而言 ，显示了对风险的更大关切。 敬请参阅报告结尾处免责 声 明 华宝证券 9/14 table_page 私募基金专题报告 图 4： 净值曲线 -某 私募资产管理产品 A 资料来源：华宝证券研究创新部 表 2：绩效 指标 排名 -某 私募资产管理产品 A 指标名称 绝对收益率 年化波动率 最大回撤 盈亏比 夏普比率 卡玛比率 产品 A 绩效指标 28.76% 16.66% -8.39% 1.43 1.38 2.92 在 同期股票多头产品中 排名 （共 2808 只） 10.30% 38.40% 10.94% 21.34% 7.13% 5.77% 在 同期股票量化产品中 排名 （共 125 只） 8.80% 61.60% 27.20% 19.20% 10.40% 10.40% 资料来源：华宝证券研究创新部 2.2. 股票 量化 评价的特殊性 国内 股票量化策略在实践中 虽然 并行开发 、 储备 量化 选股 策略 与 量化 择时策略 ， 但 有限的对冲工具 加重 了对量化选股策略的关注， 尽管 在量化选股策略内部依然无法回避局部择时问题 。这使得国内股票 量化策略往往 主要 表现为一 篮子 股票的 频繁 换仓。 考虑传统 产品评价思路与股票量化策略的 实践 特点， 对 股票量化策略的 评价可以 沿着 “净值绩效 >区分 能力>盈利模式 >风格暴露 ”的 链条 进行 ， 本质 上是 为了逐步 接近策略获 得 收益 的 真实 逻辑。 （ 1） 净值 绩效 ：经 风险调整的超额收益 做空 工具稀缺性使得 国内股票量化策略更多的是争取相对指数的跑赢， 超额 收益自然 成为衡量股票量化策略的重要指标之一。 超额 收益 通常有 两种表达方式，一是直接扣减 基准 收益 以后的 剩余 收益率 ， 即不做风险调整的 超额 收益率； 二是 考虑产品收益率承担的风险，即做风险调整后的超额收益率 。 其中对 产品收益率做风险调整 既 可以假定产品简单 剩余 收益与 风险 呈线性关系，也可以 基于 资本资产定价模型 对产品 做收益 预期，我们 选取前者 做 示例。 公式 表达如下： 敬请参阅报告结尾处免责 声 明 华宝证券 10/14 table_page 私募基金专题报告 超额收益 ER1 = 超额收益 ER2 = 2 = ( +( ) 简单 超额 收益是基于 收益 视角的 单 维尺度， 对于 多数 专业 投资者而言，风险收益性价比指标 的 应用 频率 很 高，基于 简单 超额收益的计算， 延展 开可以得到各类 收益 风险比率指标 。由于 强调 的是 相对 基准指数的能力， 此时 信息比率 比 夏普比率更适宜评价股票量化 策略。 除了 总体的 超额 收益率以外，还可以通过 上行 /下行 捕获率 了解 股票量化管理人在不同行情中的 简单超额能力 。其中 ， 上行捕获率捕捉基准收益率为正时，基金业绩收益率均值与基准收益率均值的比率。下行捕获率捕捉基准收益率为负时，基金业绩收益率均值与基准收益率均值的比率。 上行 捕获率越大 、 下行捕获率越小，说明 投资 经理 既可以 把握上涨行情，又可谨慎处理下跌行情 ， 简单超额能力越好 。 上行捕获率 = ( > 0)( > 0)下行捕获率 = ( < 0)( < 0)（ 2） 区分 能力： 量化 择时 +量化选股 国内 股票 量化策略 更多 是 多因子选股 的 思路 ， 当然 ， 有时 也叠加量化择时 模型 。 如前 所述， 多因子选股 模型本质上也无法 回避 局部择时的问题， 但 为了 更 清晰的区分，我们将量化择时界定为 因子 轮动以外的择时 ， 典型如对大类资产 的 择时等。 据此， 可以探讨的一种分析路径是，先对 产品 整体 做 择时效果的评估，然后就 权益 仓位部分做风格暴露 和 行业暴露的测试，一则检验 择时 模型 的 有效性，二则 模拟接近 投资经理获利的仓位暴露。 其中 ，对产品整体做择时效果的评估 ，近似于衡量 大类资产 层面 的配置收益 ，可 参考我们此前发布的专题报告 私募 基金配置 /选择分析的适用性思考 。 （ 3） 盈利模式： 频率 +能力 介于产品净值与底层数据 之间 ， 可以通过 策略 表征了解产品 的 盈利 模式。 预期 产品 表现的 一个 经典 公式是 ， 产品 最终表现出来的信息率与投资策略的广度、 基金 经理 的 预测能力 是相关的 ： IR = IC 从 策略表征看， 股票主观 策略 往往更 强调 预测能力 的提升，通过对公司基本面 与 上下游产业链的深度挖掘等方式 实现 ， 通常 表现为 IC 值 较高、 BR 较低 ， 也即高胜率、低 频率 。 而股票 量化策略往往 更强调交易 机会的提升， 通过 扩大 预测 范围 、缩小 预测间隔等方式实现，频率 的提升 更有利于 复现 统计 规律 ， 因此 表现 为 BR 往往 较高 。 在 常见的多 因子 选股 模型 中 ， 主要 的预测体现在 对 下一期因子 表现 的预测上 ， 理论 上 可同时 记录下预测的结果与实际的结果 ， 进而 了解股票 量化策略的 IC 与 BR， 知晓 产品获利的来源是 频繁 的 预测 还 是出色 的 预测 能力。 而 不再仅仅 基于 产品最终的 净值 曲线来 评价 。 当然 ，要获得 管理人 的 “ 上述配合 ”在 实操中是比较困难的 ，而且 不少 私募投资 经理 也仅限于 通过最终的 业绩 曲线来 确定 和 管理 模型 。