鸣熙9月路演全文QA

鸣熙9月路演全文+QA 时间：2023年9月14日主题：鸣熙路演全文+QA公司大致情况 鸣熙资产成立于2014年，是一家高频起家的量化公司，过去8年多的时间，公司一直稳定经营，公司具有3+3的投顾资质，目前的管理规模在20亿左右。团队方面目前有40余人，投研团队有30余人，投资经理主要是来自国外顶尖的对冲基金公司。目前公司运营的策略主要包含两个方面，一个是股票阿尔法策略，其中包括指增策略以及中性策略，另一个是一直都在做的期货高频策略。在2020年之前，主要是以自营业务为 投研团队 主，深耕股指及商品的高频策略以及商品的CTA策略，那业绩也保持在业内的第一梯队。2021年随着几位股票量化合伙人的加入，公司在战略定位上也做出了调整，希望为投资人提供以长期确定的优质阿尔法为核心的指增策略，在未来也会在资产管理业务上去着力发展。 介绍下公司的核心投研团队情况，张祥方是公司的创始人，目前担任公司的总经理，毕业于清华大学的信息管理专业，09年的时候开始专注于全球的日内波动率交易，截止目前张总在行业深耕了10多年的时间，有非常丰富的教育经验和管理经验，证券交易额超过1万亿，有300个交易日无回撤的历史业绩，目前主要负责统筹公司的投研交易、战略规划、人才培养和策略配置相关的工作。 三位股票策略的合伙人，分别是陈昊炜、吴比亚和陈开泰。陈昊炜和吴比亚加入鸣熙的时间比较早，他们是21年正式加入鸣熙资产。陈昊炜本科就读于美国普渡大学，并且以专业排名第一的身份获得精算科学学士学位，研究生就读于卡耐基梅隆大学的金融工程专业。毕业之后，陈昊炜先是在德意志银行的量化研究组工作，专注开发量化多因子阿尔法股票策略，参与管理近2，000亿美元的量化投顾资产，那么之后他是来到了Point72，担任投资经理。吴比亚本科就读于北京大学，本科期间获得物理和经济学的双学位，研究生就读于纽约城市大学的金融工程专业，他是该专业在全美的排名是第一，毕业之后吴比亚先是在高盛集团和花旗银行做量化策略的开发和交易工作，之后也是来到了Point72，和陈昊炜共同担任投资经理，管理策略账户，管理规模在30亿美金。那Point72这家公司的前身是塞克，这家公司有很多的组，每个组之间做的策略也都不尽相同，但是讲究的是组内的基因传承。陈昊炜和吴比亚所在的组，他们的领导是2000年国债危机的从德邵出来的一位元老级人物，也是德邵中频量化策略的创始人，后来年纪比较大退居二线，整个团队就全权交给了陈昊炜和吴比亚负责。所以说相对比较幸运，他们继承了德邵完整的中频量化策略框架。陈开泰是今年上半年刚刚加入鸣熙的另一位合伙人，本科就读于上海交通大学研究生，同样就读于卡耐基梅隆大学的金融工程专业，他是陈昊炜研究生时期的同班同学，也是室友，那么陈开泰的工作履历也非常丰富，先是在巴克莱银行做量化策略的开发，之后又来到了城堡公司，做中频量化套利和日内高频以及期权策略的开发，之后又来到了千禧年作为部门的负责人开发策略，目前担任的是鸣熙的投研总监。鸣熙整体的核心投研主要是来自这4家公司，Piont72、德邵、千禧年、城堡，这4家公司在2022年全球的基金管理规模上来看 排在靠前的位置，每家的管理规模都超过了千亿美金，以及2022年全球对冲基金的净收益排名也是排在靠前。 股票阿尔法的核心优势 Ⅰ复合逻辑层。复合逻辑层指的是在预测模型生成的环节上使用的创新的方式方法，区别于大部分管理人。 Ⅱ策略风格属于攻守兼备。进攻性主要是体现在当市场相对比较好做的时候，可以获取比较丰厚的超额收益。防守主要是体现在市场相对难做的时候，大家的情绪都非常低迷，交易量也非常不活跃的时候，这个时候的防守可以体现出来。在过去两年多的实盘业绩表现来看，超额最大回撤在3%左右。Ⅲ策略的低相关性。无论从策略的底层逻辑来看，还是从超额收益率的统计对比，与其它机构的相关性是非常低的。 策略方面 500指增到现在是一年零9个月，累计超额在30%+，今年的超额在15%以上，年化超额在18%，最大超额回撤在3.27%。值得一提的是，21年四季度受新能源板块的影响，很多投顾机构都出现了比较大的超额回撤，可能有10%-20%。但是21年四季度，鸣熙的超额回撤在2%左右，并且在21年四季度做出了5%的超额。今年以来也有效捕捉到了行业和板块的持续性热度，今年以来的经营性体现相对比较淋漓尽致一点。1000指增是今年4月初开始做的，截止目前，今年的超额在18%左右，最大超额回撤在1.77%。中性策略多头用的是1000指增，空头用的股指期货IM，目前累计收益4%+，最大回撤在2.73%。 无论500指增、1000指增还是中性策略还是DMA，鸣熙在股票阿尔法方面，所有的产品都是同一个策略和同一个预测模型，只不过在产品结构设计上做出了改变和调整，希望为不同的投资人提供不同的投资工具。 产品成立到现在，以周超额去与头部优秀的管理人去做对比，很明显鸣熙与其它机构的相关性是最低的，那么我们是如何做出策略低相关性？主要是从策略的框架以及信号提取的方式方法上，来为大家做进一步解析。在策略框架方面，包含4个部分，第一个是数据处理，有自建的数据库，多维度的采集数据，包括量价、基本面、另类等等。最重要的是要保证每个时间点的数据都正确。也就是说无论是自己扒取的数据，还是外部服务商采购的数据，都需要使用没有被处理过的数据。第二个是信号提取，是总结规律的过程，是要求每个信号都是要完全基于经济学和投资学逻辑，也就是每个信号的逻辑都是可以追溯，业绩是非常好归因的。其次目前有200多个高质量多维度的信号，每个信号都相当于一个子策略，每一个信号单独拿出来，它的预测能力都是非常强的。其次是信号与信号之间的相关性是比较低，平均下来只有10%左右。第三个在组合优化阶段，也就是股票交易清单生成的环节上，有自研的风险优化器，它在涵盖Barra10个维度的基础上，添加了自己的行业分类和不同的风格因子，这样可以相对更好得去了解策略在不同的市场环境下的风格暴露情况，更好得管理敞口。第四个在交易执行阶段，也有资源交易系统，具有全天候的风控和优化。进一步了解在信号提取也就是预测模型生成的环节上，使用创新的方式方法。那么很多投资人会认为量化本身是黑箱，中间是策略的逻辑，是没有办法真正了解。那么这一部分我想尽可能让大家了解鸣熙的底层逻辑。 提到因子挖掘和信号提取，目前市场上有两种比较主流的方法论：①通过暴力数据挖掘来挖掘因子，这种方式的效率是非常高的，可以在短的时间内获取成千上万的因子，但是往往这样的因子是没有逻辑作为支撑的，可解释度是比较差的。它做的是端到端的直接预测，把数据挖掘出来放到黑箱，直接产生对股票的预测，那么很明显这种方式很难作为解释。一旦因子失效，它需要通过定期的周期性的迭代来挖掘新的因子，替代掉时效因子。②偏学术派，国外早年间很多大厂会用的第二种方式，他们往往是通过单一指标或者说是几个指标的结合来对股票进行预测，那么这种方式它是有逻辑作为支撑的，但是往往逻辑过于简单，通过这种方式形成的信号很难做出高夏普的业绩，随着时间的流逝往往会变成风格因子的存在。我们的做法是要完全遵循投资逻辑本质，会从清晰的投资逻辑切入点切入，将投资逻辑进行拆分和细化，形成复合逻辑层的概念。每一个逻辑层中又会运用到多维度的数据和多维度的算法去进行验证，最终再通过复合逻辑层的搭建，形成可以长期有效指导投资和交易的信号。 在信号构成方面，量价信号占比在65%左右，基本面信号占15%，突发事件型号和另类信号各占10%。由于每一个信号都是通过复合逻辑层去搭建和形成，所以即使是量价信号，也有一半有另类信号去作为协同去提高它的预测能力。 最后是关于股票阿尔法策略的基本的信息。第一个是超额来源，完全来自于选股，并不是通过做T、打新和高频的方式，完全是通过持有股票来获取收益。第二个是专注在中频量化策略，既不做高频也不做低频。目前策略的容量预估在150亿左右。第三个是年化双边换手在80~100倍，持仓相对比较分散，在500~1000只股票，单支股票持仓不会超过1%，并且选股池是流动性最好的前2500只股票，不会做超小票和微盘股，行业敞口的暴露上，最大暴露在0.5个标准差左右，所以说并不依赖于某行业和板块。 Q＆A Q2：人员的补充上是以社招为主，还是以应届生培养招聘为主？ Q1：现在投研人员大概有30位，股票这块的IT大概有多少位？答：25位左右。 答：主要是应届生培养为主，因为尝试过社招，但效果不好，因为鸣熙的体系可能社会上的大部分有经验的人很难兼容，大家已经习惯了单打独斗，自己开发因子，自己享受所有的收益，竞争比较激烈的这种模式。鸣熙的体系偏课题制信号，它需要很多个人从自己专业的维度上去贡献，研发共享平等的这种模式。人会在多个小组之中，每小组也有多个人，然后大家互相交叉，各自有各自擅长的地方。从21年开始培养应届生，现在已经是第三代了。 Q3：模型生成的信号，在盘中会持续生成吗？还是盘前做好后在盘中分散交易？ 答：盘中生成信号，你可以理解为信号并不是触发式的，它是预测式的型号，所以在任何时间点都可以产生最新预测。举例9：3010：0011：00，任何时间点都可以，一般来讲不同的信号时间点会有强度上的差异，一般来讲最优的时间点一定是想要的数据已经更新完，但是不能太晚，最好的时间点是收盘前的1小时左右，大部分投资者已经把自己的交易行为通过下单表达结束，因为绝大部分投资者都是开 盘后交易，然后收盘之前流动性又不错，已经把最新的数据更新好了，然后这个时候基于最新的预测结果产生最好的持仓，然后通过1小时左右分几笔算法下单将它交易完毕，得到最优的持仓，所有的阿尔法都是基于最后持股得来。 Q4：刚才介绍的200多个复杂的信号，咱们是通过线性模型去组合，还是非线性的机器学习算法去组合？ 答：组合涉及到这200个信号怎么把它们整合成1个信号。在这个过程中是偏线性的，因为当每个信号的预测质量都非常高，而且相关性都比较低的时候，组合能发挥的价值就不是很大了。举个例子，可能很多人都是做FOF，想象一下你选的基金全都是夏普2夏普3，然后而且相关性都很低，最简单的方式就是直接等权，也不需要花太多功夫。但如果你的基金都是夏普1甚至亏钱的，波动很大，那么显而易见要用非常复杂的模型不断调仓和组合，才能够产生比较高夏普的最终收益。所以我们把它前置，把每个信号的预测力都做得非常高，夏普都非常稳定，相关性都比较低，在组合层面上追求稳定、简单、线性，这样能够做到归因清晰、定位准确、相互紧密合作。组合层面上重点还是放在前面。 Q5：这200个信号已经经历了很长时间的打磨，如果长期发现表现不佳的话，会剔除吗？还是有比较强的容忍度，再去降权，再持续观察？ 答：这个有自动化的模型去识别。因为这里面会有非常微妙的存在，可以想象一下，如果底层构建出来的这些信号，它本身的预测力不是非常强的话，一旦出现了长时间的表现不好，你是不太清楚它到底是它自己的原因失效了，还是正常的表现，因为夏普1的策略可能会在一年的时间里面都没有收益，这是很正常的。但如果你本身这个策略是夏普3，如果它有一段时间表现不好，它已经异常了。也就是说你的前置，你的信号预测力越强，夏普越高，你识别异常的灵敏度就会越高，你更容易识别到是否异常。这就是为什么追求每个信号做得非常极致，因为这样更容易去定位和识别它现在是否异常，所以会有自动化的模型，去监控持仓，去监控现在正在交易的所有信号是否是正常的状态，异常状态会给它赋权的过程。赋权会基于它近一段时间的表现，看看它是否跟历史回测保持一致，如果明显出现异常，我们的模型会给它自动降权，然后慢慢剔除，这种过程不会影响到整体表现。但是这种模式并不是在所有的策略里面都适用，它必须要每个信号预测力都非常强，而且你的组合模型不能过于复 杂，才能够起到比较好的效果。 Q6：风控大概是怎么做的？会关注超额波动率吗？ 答：风控方面有自研的风险优化器，一般来讲在做风险控制的时候，主要是通过风险优化器来表达和识别，因为风险