胡思乱想20220623

1. 中美贸易战关税相关（参考资料）

2017：美对中开展“301”调查；

2018.1：美对中洗衣机、光伏、钢铁等多类产品增收关税

2018.7.6：中美相互实施第一轮加征关税，标志中美关税争端实质展开

第二轮关税清单——美国对中国加征关税主要针对《中国制造2025》中航空、新能源汽车、新材料等高科技产业；中国反击：对美农产品及低技术制造业等初级品行业加征关税；

第三、四轮关税清单中，除了中国高科技制造业产品外，纳入了大量低技术制造业产品，包括机电产品（52%）、纺织服装品（14%）、玩具（10%）、鞋靴（5%）、塑料及其制品（4%）等劳动密集型产品（中国传统制造业中最具备竞争优势的产品）

第五轮关税清单中，美国已将征税范围扩大到全行业，特别是纺织品和鞋类制品、蔬菜制品等与中国具有显著贸易互补性的产品上。受制于对美进口产品规模远远低于美国对华进口规模，中国的反制措施主要集中在能源产品。

从美国CPI结构来看，能源和食品涨价贡献了CPI同比涨幅的35%-45%，是拉动美国通胀的主要因素。住宅项占CPI权重超30%。

拉动通胀的动力：

• 能源——能源、食品涨价贡献了CPI同比涨幅的35%-45%
  
  • 油价指标：2022S2布伦特原油季均价同比增长146%
  • 海外防疫政策取消、旅游出行需求增加，机票等交通服务价格上涨
• 食品——能源、食品涨价贡献了CPI同比涨幅的35%-45%
  • 指标：2022S2CBOT小麦季均价同比增长82%
• 核心商品
  • 芯片短缺
  • 全球供应阻塞
  • 新车、二手车价格↑20%
• 住宅项（房屋居住、租赁）——占CPI权重超30%
  • 凯斯-席勒指数（衡量美国主要城市平均房价）↑20.6%
  • 20大城市房价综合指数↑21.2%
  • 租房网站Apartment List--全美租房价格的中位数2021年上半年上升11.4%，同比涨幅的3倍多
  • 30年贷款利率回落到历史低位

重要事件：

• 印太经济框架（IPEF）
• 3月国情咨文
• 6月议息决议
• 11月8日中期选举

2. yzl随笔系列文章读后总结与感悟
——————————————————————————————————————

• 风格因子（赚取风险暴露收益）、alpha因子（赚取“真正”或自认为是真正的超额alpha）
• 因子中性化
  • 风格中性化：用风格因子对alpha因子回归，残差项是增加的信号
  • 行业中性化：用N-1个哑变量对alpha因子回归，和风格因子一起放在多元回归模型中，同理取残差作为新因子
• 对冲（充分利用高度相关性，对冲共同风险），分散化（对冲异质性风险）
• 因子表现指标含义
  • 夏普率本质是承担单位风险所获得的回报（一般的定义里，要有无风险利率或其他benchmark）。yzl的文章里假设无风险利率为3%
  • 年化IC
    每一个投资周期（这里指每个交易日）因子值与回报率的相关系数的平均值，衡量因子信息率
  • 年化ICIR
    对年化IC计算调整年化相关系数波动率（年化波动率=sqrt(days)*日频波动率）后的值
    【注1】统计学上常常认为这年化IC，年化ICIR指标大于1.96就可以认为因子是有效的
  • rankIC, rankICIR
    注意：使用分组多空策略且等权重持仓时，实际上应该用因子值排序对应的rankIC衡量因子信息率、是否有持续稳定的预测能力
    【注2】当年化ICIR与年化rankICIR差异较大时（往往是年化IC绝对值较大去情况），说明因子绩效受到极端值影响较大；当年化ICIR的绝对值过大（如两位数以上）时，说明因子值变化太快、换手率可能较大
  • 其他：最大回撤、胜率（当日盈利交易日数量/总交易日数量）
• 交易费用的估计
  • 调仓时间点：每日开盘前就计算得到当日因子值，每日开盘调整仓位
  • 费率设为双边万分之十三，也即买入和卖出时都缴纳交易额的万分之十三作为费用。原因是，投资机构支付给券商的佣金是双边万分之八，卖出股票的印花税是千分之一，平均加总起来便是双边万分之十三
  • 调仓后，计算策略从当日开盘到后一交易日开盘的收益率。这一收益率减去费用率即为当日的扣费收益率
• 策略实盘的相关考虑
  • 资金规模
    资金规模越小，由于仓位无法理想化而导致的实盘与回测绩效不一致的问题就越为明显
  • 冲击成本
    量化基金的规模普遍小于主观基金规模，因为量化交易受到更多冲击成本限制。冲击成本就是立即成交价格与市场公允价格之间的差值成本，只要坚持主动交易方式（为了尽可能快地实现目标仓位）、就会带来冲击成本
    • 流动性：在一定价格区间内未成交订单的数量。流动性越充足，冲击成本越低
    • 自身的交易量：根据具体市场的订单薄情况，交易量越多、越有可能需要与远离买卖盘口的挂单进行匹配，冲击成本越高
  • 逆向选择
    达成交易的交易对手采取相反的判断，是否拥有更多的信息、更合理的推断（这与回测时没有交易对手完全不同，即，回测时不需要匹配其他投资者的供给需求）

——————————————————————————————————————

• 动量因子的研究结论1~2（参考文章链接）
  • 产生动量或反转的理论
    市场反应不足和反应过度，对应短期动量、中期反转
  • 简单优化的尝试
    • 用收益波动率、收益绝对值作为分母调整，优化效果不明显
  • 成交量修正动量/反转因子
    • 与上述理论一致，但是更精细化，逻辑是缩量很有可能代表市场反应不足，放量则可能预示着反转
    • ①对30日动量/反转因子按交易量排序后分6组，分组测试因子；②但要充分利用30日的信息，对①中信息比率绝对值最大的几组做多空策略，效果较好，信息比率也有显著增加
    • 【注】30日、6组这些超参数设定虽然重要（对策略上实盘后长期的收益有影响），但是更多是数学、统计模型上的优化，对数值的微小调整本质上不改变因子逻辑（进一步说，在因子库的规模较小时，因子比模型重要）
• 动量因子的研究结论3（参考文章链接）
  • 隔夜收益与日内收益的逻辑
    • 隔夜收益使用的今日开盘价是今日开盘前的集合竞价结果，也反应了积累的交易需求
  • 分钟频日内分段收益在中间时段的反转效应较强
    • 剔除前两个时段（2个30分钟）的因子（动量效应，但不稳定）
  • A股测试结论：
    • 5日隔夜收益因子绩效一般
    • 30日日内30分钟频段因子效果较好，且与《动量因子的研究结论1~2》中的成交量修正30日动量反转因子相关性不高（约0.3）
• 动量因子的研究结论4
  • 日内分钟频交易量加权反转因子，剔除第一个15分钟时段的表现较好
  • 注意日内开盘后一段时间内的动量和交易量的关系未必符合动量理论，不能用交易量加权（没有意义）

———————————————————————————————————————

• 换手率因子的研究结论1
  • A股年化换手率相比于其他地区市场，处于高位（2020，The World Bank）
  • 市值越大的股票，换手率一般也越低
  • 换手率与未来几日回报率有负相关关系
    • 20日换手率之和作为因子
    • 优化：对换手率十分组建立多空策略
    • 可能的问题：收益大部分来源于第一组换手率最高的股票，但这部分股票大部分是小盘股、流动性未必好，可能在实盘上会有问题
  • 除了与对数流通市值以及各换手率因子高相关以外，换手率还与波动率高相关
  • 2017年后进行市值中性化、波动率中性化的因子选股效果不明显，猜测波动率在2017年后有一波行情（暂未研究）
• 其他

 

3. 早上看到的一篇量化投资策略的回答_知乎hft

其他