20161123-东北证券-金融工程2016年度报告_鸿蒙初辟_如日方升_14页_923kb

报告摘要

证券研究报告总结

核心内容

本报告为东北证券金融工程团队2016年度研究报告，主题为“鸿蒙初辟，如日方升”。报告总结了团队在量化投资领域的研究成果，重点围绕基金分析、择时策略、组合优化和分级基金研究四个方面展开。团队致力于通过深入研究模型原理和细节，提供更精准、更具实用价值的量化产品与分析方法。

主要观点

基金绩效与风险分析
- 采用Barra模型对基金进行绩效与风险分析，提供市场风险预测、因子暴露分析和投资组合优化思路。
- 通过分析基金收益来源，识别其可持续性，并结合风险归因模型，量化各风格因子对投资组合风险的贡献比例。
- 模型支持对特定风格因子的暴露控制，以优化投资组合配置。
择时策略研究
- 引入隐马尔可夫模型（HMM），通过日收益率序列识别市场状态（涨、跌、震荡），生成交易信号。
- 优化后的HMM模型在样本外检验中表现出较好的择时效果，不同交易方式（如允许/不允许做空）对收益、波动率、夏普比率等指标有显著影响。
- 偏度调整的收益率MACD择时信号：将传统价格MACD应用于收益率，通过DIF、DEA和Histogram捕捉动量变化，结合收益率偏度调整信号阈值，以提高信号的准确性。
基金仓位估测及误差修正
- 采用回归模型估算基金仓位，通过逐步回归和误差修正方法，提高估测精度。
- 对比不同报告期的估测结果，发现模型在跟踪市场仓位变化趋势方面表现良好，尤其在三季报中误差显著降低。
- 通过逐步回归打分法，判断市场平均重仓行业，为投资决策提供参考。
分级基金研究
- 分级基金具有结构化收益特征，满足不同风险偏好的投资者需求。
- 分析分级基金的套利机制、理论定价和杠杆效应，并关注其对停牌股票的估值影响。
- 当前产品包括分级基金日报和周报，涵盖套利跟踪、隐含收益率推荐与风险提示。

关键信息

模型与方法

Barra模型：用于基金绩效分析、风险预测和纯因子组合构建，包含10个风格因子，如Size、Beta、Momentum、Residual Volatility等。
HMM模型：通过日收益率序列识别市场状态，输出涨、跌、震荡三类信号，模型参数包括状态转移概率矩阵、观测概率矩阵和初始概率分布。
收益率MACD：将MACD应用于收益率，结合偏度调整信号阈值，提高信号过滤能力。
逐步回归与误差修正：用于基金仓位估测，提升模型的稳定性与准确性。

研究成果与表现

HMM模型在样本外检验中表现良好，年化收益率最高达188.25%，夏普比率最高达6.67。
偏度调整的收益率MACD模型在ZZ500、创业板指等标的上表现较优。
基金仓位估测模型在不同报告期的误差控制良好，尤其在三季报中误差显著下降。

未来研究方向

拓展研究范围，包括FOF策略、组合优化、选股与行业轮动、衍生品研究（如期权、期货）等。
提高择时模型的准确性，探索多标的、多策略的组合择时方法。
深化对市场热点和投资策略的分析，为投资者提供更全面的量化工具。

附录信息

分析师信息：
- 陈亚龙（策略分析师）
- 王琦（金融工程分析师）
- 肖承志（金融工程分析师）
相关报告：
- 《金融工程：基金仓位估测模型之一》
- 《金融工程：偏度调整的收益率MACD择时信号》
- 《金融工程：HMM指数择时研究之实战篇》
重要声明：
- 报告仅供内部客户使用，不构成投资建议。
- 报告内容基于合法合规的数据来源，不保证其准确性和完整性。
- 东北证券及其关联机构可能持有报告中涉及的证券头寸，或为其提供相关服务。