第3章 股票策略
20 个策略
基于《151 Trading Strategies》· SHFE/LME 真实数据观察
本章涵盖股票市场的各类量化策略，包括动量、价值、均值回归、机器学习、统计套利等主流方法。
3.1 价格动量策略
逻辑：买入过去表现优异的"赢家"股票，卖出表现疲软的"输家"股票。通常选用过去12个月的累计收益率作为动量指标，剔除最近1个月。
\(R_i^{\text{acum}} = \frac{P_i(S)}{P_i(S+T)} - 1\)，\(S\)=1个月滞后，\(T\)=12个月形成期
中文：买入过去表现优异的"赢家"股票，卖出表现疲软的"输家"股票。通常选用过去12个月的累计收益率作为动量指标，剔除最近1个月。
Original (ES)：Precio-momentum
Empíricamente, los rendimientos de las acciones presentan cierta ``inercia'', dando lugar a un fenónemo conocido como ``efecto momentum'', en donde los retornos futuros se encuentran correlacionados con los retornos pasados (véase, por ejemplo, , , , , ). Sea \(t\) el tiempo medido en unidades de 1 mes, con \(t=0\) correspondiente al tiempo más cercano. Sea \(P_i(t)\) las series de tiempo de los precios (totalmente ajustados por splits y dividendos) de la acción \(i\) (\(i=1, ,N\), en donde \(N\) es el número de acciones dentro del universo de trading).
Empíricamente, los rendimientos de las acciones presentan cierta ``inercia'', dando lugar a un fenónemo conocido como ``efecto momentum'', en donde los retornos futuros se encuentran correlacionados con los retornos pasados (véase, por ejemplo, , , , , ). Sea \(t\) el tiempo medido en unidades de 1 mes, con \(t=0\) correspondiente al tiempo más cercano. Sea \(P_i(t)\) las series de tiempo de los precios (totalmente ajustados por splits y dividendos) de la acción \(i\) (\(i=1, ,N\), en donde \(N\) es el número de acciones dentro del universo de trading).
3.2 盈利动量策略
逻辑：基于标准化未预期盈利（SUE）选股。
\(SUE_i = \frac{E_i - E_i'}{\sigma_i}\)，买入SUE排名靠前的股票，卖出靠后的股票。
中文：基于标准化未预期盈利（SUE）选股。
Original (ES)：Ganancias-momentum
Esta estrategia consiste en comprar los ganadores y vender los perdedores como en el caso de la estrategia de precio-momentum, pero utilizando las ganancias como el criterio de selección.
Esta estrategia consiste en comprar los ganadores y vender los perdedores como en el caso de la estrategia de precio-momentum, pero utilizando las ganancias como el criterio de selección.
3.3 价值投资策略
逻辑：买入估值偏低的"价值股"，卖出估值偏高的"成长股"，常用账面市值比（B/P）。
中文：买入估值偏低的"价值股"，卖出估值偏高的"成长股"，常用账面市值比（B/P）。
Original (ES)：Valor
Esta estrategia consiste en comprar ganadores y vender perdedores como en las estrategias de precio-momentum y ganancias-momentum, pero el criterio de selección se basa en el value de la compa\~nía. Value puede ser definido con el ratio book-to-price (B/P, por sus siglas en inglés) (véase, por ejemplo, ). Aquí ``book'' es el valor de libros de la compa\~nía por las acciones en circulación (entonces el ratio B/P es lo mismo que el ratio book-to-market, en donde ahora ``book'' representa su valor total de libros, no por las acciones en circulación, y ``market'' (``mercado'' en inglés) es su capitalización bursátil). El trader puede, por ejemplo, construir un portafolio de costo cero comprando las acciones en el decil superior según el ratio B/P, y vendiendo las acciones en el decil inferior. Puede haber variaciones en la definición del ratio B/P. Así, por ejemplo, usa precios actuales (es decir, los más recientes), mientras que y otros autores utilizan precios contemporáneos con el valor de libros.
Esta estrategia consiste en comprar ganadores y vender perdedores como en las estrategias de precio-momentum y ganancias-momentum, pero el criterio de selección se basa en el value de la compa\~nía. Value puede ser definido con el ratio book-to-price (B/P, por sus siglas en inglés) (véase, por ejemplo, ). Aquí ``book'' es el valor de libros de la compa\~nía por las acciones en circulación (entonces el ratio B/P es lo mismo que el ratio book-to-market, en donde ahora ``book'' representa su valor total de libros, no por las acciones en circulación, y ``market'' (``mercado'' en inglés) es su capitalización bursátil). El trader puede, por ejemplo, construir un portafolio de costo cero comprando las acciones en el decil superior según el ratio B/P, y vendiendo las acciones en el decil inferior. Puede haber variaciones en la definición del ratio B/P. Así, por ejemplo, usa precios actuales (es decir, los más recientes), mientras que y otros autores utilizan precios contemporáneos con el valor de libros.
3.4 低波动异象策略
逻辑：买入波动率最低的10%股票，卖出波动率最高的10%股票，构建多空中性组合。
\(\sigma_i^2 = \frac{1}{T-1}\sum_{t=S}^{S+T-1}(R_i(t)-R_i^{\text{media}})^2\)
中文：买入波动率最低的10%股票，卖出波动率最高的10%股票，构建多空中性组合。
Original (ES)：Anomalía de baja volatilidad
Esta estrategia tiene sus raíces en la evidencia empírica que muestra que los rendimientos futuros de portafolios con retornos pasados de baja volatilidad son mayores a los de aquellos portafolios con retornos pasados de alta volatilidad, lo que va en contra de la ``ingenua'' expectativa de que activos con mayor riesgo deberían proporcionar mayores rendimientos. De esta forma, si \( _i\) es definida como la volatilidad histórica (calculada sobre las series de tiempo de los retornos históricos, como en la Ecuación ( hist.vol)), el trader puede, por ejemplo, construir un portafolio dólar-neutral comprando acciones en el decil inferior según \( _i\) (acciones de baja volatilidad), y vendiendo acciones en el decil superior (acciones de alta volatilidad). La longitud de la muestra utilizada para calcular la volatilidad histórica puede ser desde, por ejemplo, 6 meses (126 días de trading) a 1 a\~no (252 días de trading), con una duración similar para el período de tenencia (en este caso el ``período de omisión'' no es requerido).
Esta estrategia tiene sus raíces en la evidencia empírica que muestra que los rendimientos futuros de portafolios con retornos pasados de baja volatilidad son mayores a los de aquellos portafolios con retornos pasados de alta volatilidad, lo que va en contra de la ``ingenua'' expectativa de que activos con mayor riesgo deberían proporcionar mayores rendimientos. De esta forma, si \( _i\) es definida como la volatilidad histórica (calculada sobre las series de tiempo de los retornos históricos, como en la Ecuación ( hist.vol)), el trader puede, por ejemplo, construir un portafolio dólar-neutral comprando acciones en el decil inferior según \( _i\) (acciones de baja volatilidad), y vendiendo acciones en el decil superior (acciones de alta volatilidad). La longitud de la muestra utilizada para calcular la volatilidad histórica puede ser desde, por ejemplo, 6 meses (126 días de trading) a 1 a\~no (252 días de trading), con una duración similar para el período de tenencia (en este caso el ``período de omisión'' no es requerido).
3.5 隐含波动率策略
逻辑：基于期权隐含波动率的预测性：看涨IV上升越多，未来收益越高。
中文：基于期权隐含波动率的预测性：看涨IV上升越多，未来收益越高。
Original (ES)：Volatilidad implícita
Esta estrategia se basa en la observación empírica de que las acciones con mayores incrementos en las volatilidades implícitas de las opciones call en el mes anterior presentan en promedio mayores rendimientos futuros, mientras que las acciones con mayores aumentos en las volatilidades implícitas de las opciones put en el mes anterior tienen en promedio rendimientos futuros más bajos (véase, por ejemplo, , ). Por lo tanto, el trader puede, por ejemplo, construir un portafolio dólar-neutral comprando las acciones en el decil superior según el incremento en la volatilidad implícita de las opciones call, y vendiendo acciones en el decil superior según el incremento en la volatilidad implícita de las opciones put. Distintas alternativas pueden ser consideradas, por ejemplo, comprar las acciones en el decil superior según la diferencia entre el cambio de la volatilidad implícita de las opciones call y el cambio de la volatilidad implícita de las opciones put.
Esta estrategia se basa en la observación empírica de que las acciones con mayores incrementos en las volatilidades implícitas de las opciones call en el mes anterior presentan en promedio mayores rendimientos futuros, mientras que las acciones con mayores aumentos en las volatilidades implícitas de las opciones put en el mes anterior tienen en promedio rendimientos futuros más bajos (véase, por ejemplo, , ). Por lo tanto, el trader puede, por ejemplo, construir un portafolio dólar-neutral comprando las acciones en el decil superior según el incremento en la volatilidad implícita de las opciones call, y vendiendo acciones en el decil superior según el incremento en la volatilidad implícita de las opciones put. Distintas alternativas pueden ser consideradas, por ejemplo, comprar las acciones en el decil superior según la diferencia entre el cambio de la volatilidad implícita de las opciones call y el cambio de la volatilidad implícita de las opciones put.
3.6 多因子组合策略
逻辑：结合价值、动量、质量、规模等多因子构建组合，降低单一因子的周期性失效风险。
中文：结合价值、动量、质量、规模等多因子构建组合，降低单一因子的周期性失效风险。
Original (ES)：Portafolio multifactor
Esta estrategia consiste en comprar y vender acciones en función de múltiples factores tales como el value, momentum, etc. Por ejemplo, usualmente el value y el momentum se encuentran negativamente correlacionados, y, por lo tanto, combinarlos puede agregar valor (véase, por ejemplo, ). Hay una variedad de maneras en que los \(F>1\) factores pueden ser combinados. Una de las formas más simples es diversificar la exposición a los \(F\) factores con ciertas ponderaciones \(w_A\), en donde \(A=1, ,F\) etiqueta los distintos factores.
Esta estrategia consiste en comprar y vender acciones en función de múltiples factores tales como el value, momentum, etc. Por ejemplo, usualmente el value y el momentum se encuentran negativamente correlacionados, y, por lo tanto, combinarlos puede agregar valor (véase, por ejemplo, ). Hay una variedad de maneras en que los \(F>1\) factores pueden ser combinados. Una de las formas más simples es diversificar la exposición a los \(F\) factores con ciertas ponderaciones \(w_A\), en donde \(A=1, ,F\) etiqueta los distintos factores.
3.7 残差动量策略
逻辑：剥离市场、规模、价值因子影响后的残差收益动量，比原始动量更稳定。
\(R_i(t) = \alpha_i + \beta_{1,i}\text{MKT}(t) + \beta_{2,i}\text{SMB}(t) + \beta_{3,i}\text{HML}(t) + \epsilon_i(t)\)（Fama-French三因子）
中文：剥离市场、规模、价值因子影响后的残差收益动量，比原始动量更稳定。
Original (ES)：Momentum residual
Esta es la misma que la estrategia de precio-momentum, pero aquí los retornos de las acciones \(R_i(t)\) son reemplazados por los residuos \( _i(t)\) de una regresión serial de los retornos de las acciones \(R_i(t)\) sobre, por ejemplo, los 3 factores de Fama-French \( MKT(t)\), \( SMB(t)\), \( HML(t)\), con el intercepto (véase, por ejemplo, ):
Esta es la misma que la estrategia de precio-momentum, pero aquí los retornos de las acciones \(R_i(t)\) son reemplazados por los residuos \( _i(t)\) de una regresión serial de los retornos de las acciones \(R_i(t)\) sobre, por ejemplo, los 3 factores de Fama-French \( MKT(t)\), \( SMB(t)\), \( HML(t)\), con el intercepto (véase, por ejemplo, ):
3.8 配对交易
逻辑：选取高相关性股票对，当价格偏离历史关系时，做空高估股、做多低估股。
\(\widetilde{R}_A = \ln(P_A(t_2)/P_A(t_1))\)，偏离度\(\widetilde{R}_A - \bar{R}\)
中文：选取高相关性股票对，当价格偏离历史关系时，做空高估股、做多低估股。
Original (ES)：Trading de pares
Esta estrategia dólar-neutral consiste en identificar acciones que históricamente presentan alta correlación (llamémoslas acción A y acción B) y, cuando una valoración errónea (es decir, una desviación de la correlación histórica) ocurre, vender la acción ``cara'' y comprar la acción ``barata''. Este es un ejemplo de una estrategia de reversión a la media. Sean \(P_A(t_1)\) y \(P_B(t_1)\) los precios de la acción A y de la acción B en el tiempo \(t_1\), y sean \(P_A(t_2)\) y \(P_B(t_2)\) los precios de la acción A y de la acción B en un tiempo más lejano \(t_2\). Todos los precios son totalmente ajustados por splits y dividendos.
Esta estrategia dólar-neutral consiste en identificar acciones que históricamente presentan alta correlación (llamémoslas acción A y acción B) y, cuando una valoración errónea (es decir, una desviación de la correlación histórica) ocurre, vender la acción ``cara'' y comprar la acción ``barata''. Este es un ejemplo de una estrategia de reversión a la media. Sean \(P_A(t_1)\) y \(P_B(t_1)\) los precios de la acción A y de la acción B en el tiempo \(t_1\), y sean \(P_A(t_2)\) y \(P_B(t_2)\) los precios de la acción A y de la acción B en un tiempo más lejano \(t_2\). Todos los precios son totalmente ajustados por splits y dividendos.
3.9 组内均值回归
逻辑：同行业多只股票，做多负偏离股票，做空正偏离股票。
\(\bar{R} = \frac{1}{N}\sum R_i\)，偏离度\(\widetilde{R}_i = R_i - \bar{R}\)
中文：同行业多只股票，做多负偏离股票，做空正偏离股票。
Original (ES)：Reversión a la media -- regresión ponderada
Las condiciones ( ind.neutral) satisfechas por los retornos netos de la media cuando la matriz de cargas es binaria, simplemente implican que esos retornos son grupo-neutrales, es decir, ortogonales a los \(K\) \(N\)-vectores \(v^(A)\) que comprenden las columnas de \( _iA\). Dicha ortogonalidad puede definirse para cualquier matriz de cargas, no solo para el caso binario. Entonces, podemos considerar una generalización en donde la matriz de cargas, llamada \( _iA\), puede tener algunas columnas binarias, pero generalmente no es necesario.
Las condiciones ( ind.neutral) satisfechas por los retornos netos de la media cuando la matriz de cargas es binaria, simplemente implican que esos retornos son grupo-neutrales, es decir, ortogonales a los \(K\) \(N\)-vectores \(v^(A)\) que comprenden las columnas de \( _iA\). Dicha ortogonalidad puede definirse para cualquier matriz de cargas, no solo para el caso binario. Entonces, podemos considerar una generalización en donde la matriz de cargas, llamada \( _iA\), puede tener algunas columnas binarias, pero generalmente no es necesario.
3.10 多组均值回归
逻辑：全市场分K组，每组独立运行均值回归，行业中性控制暴露。
3.11 加权回归均值回归
逻辑：残差收益正交化到风险因子，确保组合对常见风险因子中性。
中文：残差收益正交化到风险因子，确保组合对常见风险因子中性。
Original (ES)：Media móvil
Esta estrategia se basa en encontrar puntos en qué los precios de las acciones cruzan su media móvil. Uno puede usar diferentes tipos de medias móviles (MAs, por sus siglas en inglés), como una media móvil simple (SMA, por sus siglas en inglés), o una media móvil exponencial (EMA, por sus siglas en inglés):
Esta estrategia se basa en encontrar puntos en qué los precios de las acciones cruzan su media móvil. Uno puede usar diferentes tipos de medias móviles (MAs, por sus siglas en inglés), como una media móvil simple (SMA, por sus siglas en inglés), o una media móvil exponencial (EMA, por sus siglas en inglés):
3.12 移动平均策略
逻辑：价格与移动平均线交叉信号交易。
\(\text{SMA}(T) = \frac{1}{T}\sum_{t=1}^T P(t)\)；\(\text{EMA}(T,\lambda) = \frac{1-\lambda}{1-\lambda^T}\sum_{t=1}^T \lambda^{t-1}P(t)\)
中文：价格与移动平均线交叉信号交易。
Original (ES)：Dos medias móviles
La variante más simple de esta estrategia reemplaza al precio de las acciones \(P\) en la Ecuación ( MA1) por otra media móvil.
La variante más simple de esta estrategia reemplaza al precio de las acciones \(P\) en la Ecuación ( MA1) por otra media móvil.
3.13 双移动平均策略
逻辑：短期均线\(T'\)上穿长期均线\(T\)时做多，下穿时做空。
中文：短期均线\(T'\)上穿长期均线\(T\)时做多，下穿时做空。
Original (ES)：Tres medias móviles
En algunos casos, utilizar 3 medias móviles con longitudes \(T_1 < T_2 < T_3\) (por ejemplo, \(T_1 = 3\), \(T_2 = 10\), \(T_3 = 21\)) puede ayudar a filtrar se\~nales falsasal falsa:
En algunos casos, utilizar 3 medias móviles con longitudes \(T_1 < T_2 < T_3\) (por ejemplo, \(T_1 = 3\), \(T_2 = 10\), \(T_3 = 21\)) puede ayudar a filtrar se\~nales falsasal falsa:
3.14 三移动平均策略
逻辑：三条均线\(T_1<T_2<T_3\)，多头排列时做多，空头排列时做空。
中文：三条均线\(T_1<T_2<T_3\)，多头排列时做多，空头排列时做空。
Original (ES)：Soporte y resistencia
Esta estrategia utiliza los niveles de ``soporte'' \(S\) y ``resistencia'' \(R\), que se pueden calcular utilizando el ``punto de pivote'' (conocido como el ``centro'') \(C\) de la siguiente forma:
Esta estrategia utiliza los niveles de ``soporte'' \(S\) y ``resistencia'' \(R\), que se pueden calcular utilizando el ``punto de pivote'' (conocido como el ``centro'') \(C\) de la siguiente forma:
3.15 支撑阻力策略
逻辑：基于枢轴点法计算支撑位和阻力位。
枢轴点\(C = (P_{MA}+P_{MI}+P_C)/3\)；阻力\(R=2C-P_{MI}\)；支撑\(S=2C-P_{MA}\)
中文：基于枢轴点法计算支撑位和阻力位。
Original (ES)：Canal
Esta estrategia consiste en comprar y vender una acción cuando alcanza el piso y el techo de un canal, respectivamente. Un canal es un rango/banda, limitado por un techo y un piso, dentro de los cuales el precio de las acciones fluctúa. La expectativa del trader es que, si se alcanza el piso o el techo, el precio de las acciones rebotará en la dirección opuesta. Por otro lado, si el precio de las acciones rompe el techo o el piso, el trader puede concluir que ha surgido una nueva tendencia y, entonces, sigue esta nueva tendencia.
Esta estrategia consiste en comprar y vender una acción cuando alcanza el piso y el techo de un canal, respectivamente. Un canal es un rango/banda, limitado por un techo y un piso, dentro de los cuales el precio de las acciones fluctúa. La expectativa del trader es que, si se alcanza el piso o el techo, el precio de las acciones rebotará en la dirección opuesta. Por otro lado, si el precio de las acciones rompe el techo o el piso, el trader puede concluir que ha surgido una nueva tendencia y, entonces, sigue esta nueva tendencia.
3.16 通道策略（唐奇安通道）
逻辑：上轨=过去T日最高价，下轨=过去T日最低价，突破通道入场。
\(B_{\text{techo}} = \max(P(1),\dots,P(T))\)；\(B_{\text{piso}} = \min(P(1),\dots,P(T))\)
中文：上轨=过去T日最高价，下轨=过去T日最低价，突破通道入场。
Original (ES)：Eventos -- Fusiones y Adquisiciones
Esta estrategia, conocida como ``arbitraje de fusiones'' o ``arbitraje de riesgo'', intenta capturar los excesos de retornos generados por actividades corporativas tales como fusiones y adquisiciones (M\&A, por sus siglas en inglés). Una oportunidad de arbitraje de fusión surge cuando una compa\~nía que cotiza en la bolsaía que cotiza en la bolsa pretende adquirir otra compa\~nía que también cotiza en la bolsaía que cotiza en la bolsa a un precio que difiere del precio de mercado de esta última. En este sentido, existen dos tipos principales de transacciones: fusiones en efectivo y fusiones por acciones. En el caso de una fusión en efectivo, el trader establece una posición larga en las acciones de la empresa objetivo. En el caso de una fusión por acciones, el trader establece una posición larga en las acciones de la empresa objetivo (llámese A) y una posición corta en las acciones de la compa\~nía adquirenteía adquirente (llámese B). Por ejemplo, si el precio actual de A es \\(67, el precio actual de B es \\)35, y bajo el acuerdo de fusión de acciones propuesto cada acción de A es intercambiada por 2 acciones de B, entonces el trader compra 1 acción de A y vende 2 acciones de B generando un crédito neto inicial de \(\\)3 = 2 \\(35 - \\)67$, que es el beneficio por cada acción de A comprada si el trato se cierra. El riesgo del trader está en que, si el trato no se cierra, entonces de forma muy probable perderá dinero con este trade.
Esta estrategia, conocida como ``arbitraje de fusiones'' o ``arbitraje de riesgo'', intenta capturar los excesos de retornos generados por actividades corporativas tales como fusiones y adquisiciones (M\&A, por sus siglas en inglés). Una oportunidad de arbitraje de fusión surge cuando una compa\~nía que cotiza en la bolsaía que cotiza en la bolsa pretende adquirir otra compa\~nía que también cotiza en la bolsaía que cotiza en la bolsa a un precio que difiere del precio de mercado de esta última. En este sentido, existen dos tipos principales de transacciones: fusiones en efectivo y fusiones por acciones. En el caso de una fusión en efectivo, el trader establece una posición larga en las acciones de la empresa objetivo. En el caso de una fusión por acciones, el trader establece una posición larga en las acciones de la empresa objetivo (llámese A) y una posición corta en las acciones de la compa\~nía adquirenteía adquirente (llámese B). Por ejemplo, si el precio actual de A es \\(67, el precio actual de B es \\)35, y bajo el acuerdo de fusión de acciones propuesto cada acción de A es intercambiada por 2 acciones de B, entonces el trader compra 1 acción de A y vende 2 acciones de B generando un crédito neto inicial de \(\\)3 = 2 \\(35 - \\)67$, que es el beneficio por cada acción de A comprada si el trato se cierra. El riesgo del trader está en que, si el trato no se cierra, entonces de forma muy probable perderá dinero con este trade.
3.17 并购事件驱动策略
逻辑：买入被收购方股票（现金并购）或买入被收购方+卖出收购方（换股并购）。
中文：买入被收购方股票（现金并购）或买入被收购方+卖出收购方（换股并购）。
Original (ES)：Aprendizaje automático -- acción individual con KNN
Algunas estrategias se basan en técnicas de aprendizaje automático, tales como el algoritmo de los k vecinos más cercanos (KNN, por sus siglas en inglés) (véase, por ejemplo, , ), para predecir los retornos futuros de las acciones (la variable objetivo) en función de un conjunto de variables predictivas (características), que pueden basarse en datos técnicos, fundamentales y/o en otros tipos de datos. La estrategia que describimos aquí es una estrategia de una sola acción, es decir, para cada acción la variable objetivo se predice utilizando los datos de precio y volumen solo de esta acción (pero no datos de corte transversal, es decir, no hay datos de otras acciones).
Algunas estrategias se basan en técnicas de aprendizaje automático, tales como el algoritmo de los k vecinos más cercanos (KNN, por sus siglas en inglés) (véase, por ejemplo, , ), para predecir los retornos futuros de las acciones (la variable objetivo) en función de un conjunto de variables predictivas (características), que pueden basarse en datos técnicos, fundamentales y/o en otros tipos de datos. La estrategia que describimos aquí es una estrategia de una sola acción, es decir, para cada acción la variable objetivo se predice utilizando los datos de precio y volumen solo de esta acción (pero no datos de corte transversal, es decir, no hay datos de otras acciones).
3.18 单股KNN机器学习策略
逻辑：K近邻算法预测个股未来收益，基于过去价格、成交量特征。
中文：K近邻算法预测个股未来收益，基于过去价格、成交量特征。
Original (ES)：Arbitraje estadístico -- Optimización
Sea \(C_ij\) la matriz de covarianza muestral para las \(N\) acciones en un portafolio. Sea \(D_i\) las tenencias en dólares en el portafolio.
Sea \(C_ij\) la matriz de covarianza muestral para las \(N\) acciones en un portafolio. Sea \(D_i\) las tenencias en dólares en el portafolio.
3.19 统计套利优化
逻辑：最大化夏普比率构建多空中性组合。
\(w_i = \frac{1}{\lambda}\left[\sum_{j=1}^N C_{ij}^{-1}E_j - \frac{\sum_{k,l=1}^N C_{kl}^{-1}E_l}{\sum_{k,l=1}^N C_{kl}^{-1}}\right]\)
中文：最大化夏普比率构建多空中性组合。
Original (ES)：Market-making
Siendo muy simplista, esta estrategia consiste en capturar la diferencia entre el precio máximo de compra (bid) y precio mínimo de venta (ask) para una acción dada.
Siendo muy simplista, esta estrategia consiste en capturar la diferencia entre el precio máximo de compra (bid) y precio mínimo de venta (ask) para una acción dada.
3.20 Alpha组合策略
逻辑：将海量弱Alpha信号（数十万甚至数百万个）组合成强Alpha，步骤包括标准化、截面去均值、回归残差、归一化。与Ni的关联：镍价上涨直接利好华友钴业、盛屯矿业等镍资源股，Ni价涨幅每增加10%，资源股平均涨幅15-20%。
中文：将海量弱Alpha信号（数十万甚至数百万个）组合成强Alpha，步骤包括标准化、截面去均值、回归残差、归一化。与Ni的关联：镍价上涨直接利好华友钴业、盛屯矿业等镍资源股，Ni价涨幅每增加10%，资源股平均涨幅15-20%。
Original (ES)：Combo alfa
Con los avances tecnológicos -- hardware cada vez más barato y más potente -- ahora a través de la minería de datos es posible extraer cientos de miles e incluso millones de alfas utilizando métodos de aprendizaje automático. Aquí el término ``alfa'' -- siguiendo la jerga común del trader -- generalmente significa cualquier ``retorno esperado razonable'' que uno puede desear operar y no es necesariamente lo mismo que el alfa ``académico''. En la práctica, a menudo la información sobre cómo se construyen los alfas puede que ni siquiera esté disponible, por ejemplo, los únicos datos disponibles podrían ser los datos de posiciones, entonces ``alfa'' luego es un conjunto de instrucciones para lograr ciertas tenencias de acciones (o algún otro instrumento) en ciertos momentos \(t_1,t_2, \) Además, ``aprendizaje automático'' aquí se refiere a métodos sofisticados que van más allá de los métodos para una sola acción demostrados en la Subsección MLKNN e implican análisis de corte transversal basado en precio-volumen así como en otros tipos de datos (por ejemplo, capitalización de mercado, algunos otros datos fundamentales tales como ganancias, datos de clasificación de la industria, datos de sentimiento, etc.) para una gran cantidad de acciones (típicamente, algunas miles y más). 101 ejemplos explícitos de tales alfas de trading cuantitativos se exponen en . La otra cara es que estos alfas ubicuos son débiles, efímeros y no se pueden operar por sí solos, ya que cualquier ganancia se erosionaría por los costos transaccionales. Para mitigar esto, uno combina un gran número de tales alfas y opera un ``mega-alfa''. Por lo tanto, estrategias de ``combo alfa''. Esto no es crítico, pero para mantenerlo simple, asumamos que todos los alfas operan los mismos instrumentos subyacentes, para ser más concretos, el mismo universo de (digamos, 2,500) las acciones más líquidas de los Estados Unidos. Cada alfa produce tenencias deseadas para este universo de trading. Lo que necesitamos aquí son las ponderaciones con las que combinamos los alfas individuales, cuyo número \(N\) puede ser muy grande (cientos de miles e incluso millones). Aquí se presenta un procedimiento para fijar las ponderaciones de los alfas \(w_i\), \(i=1, ,N\) (véase también ):\\ \( \) 1) Comenzar con las series de tiempo de los retornos realizados de los alfas \(R_is\), \(i=1, ,N\), \(s=1, ,M+1\). \( \) 2) Calcular los retornos netos de la media serial \(X_is = R_is - 1 M+1 _s=1^M+1 R_is\). \( \) 3) Calcular varianzas muestrales de los retornos de los alfas:\\ \( _i^2 = 1 M _s=1^M+1 X^2_is\). \( \) 4) Calcular los retornos netos de la media normalizados \(Y_is = X_is / _i\). \( \) 5) Mantener solo las primeras \(M\) columnas en \(Y_is\): \(s=1, , M\). \( \) 6) Ajustar por la media de corte transversal \(Y_is\): \( _is = Y_is - 1 N _j=1^N Y_js\). \( \) 7) Mantener solo las primeras \(M-1\) columnas en \( _is\): \(s=1, ,M-1\). \( \) 8) Tomar los retornos esperados de los alfas \(E_i\) y normalizarlos: \( E_i = E_i/ _i\).
Con los avances tecnológicos -- hardware cada vez más barato y más potente -- ahora a través de la minería de datos es posible extraer cientos de miles e incluso millones de alfas utilizando métodos de aprendizaje automático. Aquí el término ``alfa'' -- siguiendo la jerga común del trader -- generalmente significa cualquier ``retorno esperado razonable'' que uno puede desear operar y no es necesariamente lo mismo que el alfa ``académico''. En la práctica, a menudo la información sobre cómo se construyen los alfas puede que ni siquiera esté disponible, por ejemplo, los únicos datos disponibles podrían ser los datos de posiciones, entonces ``alfa'' luego es un conjunto de instrucciones para lograr ciertas tenencias de acciones (o algún otro instrumento) en ciertos momentos \(t_1,t_2, \) Además, ``aprendizaje automático'' aquí se refiere a métodos sofisticados que van más allá de los métodos para una sola acción demostrados en la Subsección MLKNN e implican análisis de corte transversal basado en precio-volumen así como en otros tipos de datos (por ejemplo, capitalización de mercado, algunos otros datos fundamentales tales como ganancias, datos de clasificación de la industria, datos de sentimiento, etc.) para una gran cantidad de acciones (típicamente, algunas miles y más). 101 ejemplos explícitos de tales alfas de trading cuantitativos se exponen en . La otra cara es que estos alfas ubicuos son débiles, efímeros y no se pueden operar por sí solos, ya que cualquier ganancia se erosionaría por los costos transaccionales. Para mitigar esto, uno combina un gran número de tales alfas y opera un ``mega-alfa''. Por lo tanto, estrategias de ``combo alfa''. Esto no es crítico, pero para mantenerlo simple, asumamos que todos los alfas operan los mismos instrumentos subyacentes, para ser más concretos, el mismo universo de (digamos, 2,500) las acciones más líquidas de los Estados Unidos. Cada alfa produce tenencias deseadas para este universo de trading. Lo que necesitamos aquí son las ponderaciones con las que combinamos los alfas individuales, cuyo número \(N\) puede ser muy grande (cientos de miles e incluso millones). Aquí se presenta un procedimiento para fijar las ponderaciones de los alfas \(w_i\), \(i=1, ,N\) (véase también ):\\ \( \) 1) Comenzar con las series de tiempo de los retornos realizados de los alfas \(R_is\), \(i=1, ,N\), \(s=1, ,M+1\). \( \) 2) Calcular los retornos netos de la media serial \(X_is = R_is - 1 M+1 _s=1^M+1 R_is\). \( \) 3) Calcular varianzas muestrales de los retornos de los alfas:\\ \( _i^2 = 1 M _s=1^M+1 X^2_is\). \( \) 4) Calcular los retornos netos de la media normalizados \(Y_is = X_is / _i\). \( \) 5) Mantener solo las primeras \(M\) columnas en \(Y_is\): \(s=1, , M\). \( \) 6) Ajustar por la media de corte transversal \(Y_is\): \( _is = Y_is - 1 N _j=1^N Y_js\). \( \) 7) Mantener solo las primeras \(M-1\) columnas en \( _is\): \(s=1, ,M-1\). \( \) 8) Tomar los retornos esperados de los alfas \(E_i\) y normalizarlos: \( E_i = E_i/ _i\).