分类
外汇短线

如何评价一个投资系统或策略的好与坏?

智能出价简介

企业无论规模大小,都适合使用智能出价。智能出价可以根据您所有广告系列的数据进行优化,因此即使是没有数据的新广告系列,在采用智能出价后也可能会取得更好的效果。为准确评估结果,我们建议衡量较长时间段(例如一个月或更长时间)的效果,选用的时间段应至少获得了 30 次转化(对于“目标广告支出回报率”出价策略,则要求至少获得 50 次转化)。可以为转化量较少的广告系列添加一些相关的关键字,以扩大定位范围、增加转化次数。

使用智能出价的广告客户必须遵守适用的法律要求和 Google 广告政策。例如,您必须保证使用智能出价时遵守 Google 的个性化广告政策。请务必熟悉智能出价中使用的各种情境信号,这样才便于判断智能出价是否适合您的业务。

创建智能出价策略

要使用 AdWords 智能出价,您需要启用转化跟踪。了解跟踪转化的不同方法

  • 通过新的广告系列创建
  • 在广告系列设置中创建或更改
  • 通过共享库中的“出价策略”创建

采用智能出价的视频广告的转化归因方式

对于采用智能出价的视频广告,Google Ads 会根据广告系列的转化数据来预测用户与该视频广告互动后完成转化的可能性。

对于 TrueView 行动号召广告,用户点击该广告或观看该广告达 10 秒,即表示发生了互动。如果两种情况均有发生,则只会统计点击。如果用户观看视频广告的时间不少于 10 如何评价一个投资系统或策略的好与坏? 秒,并在这次互动后 3 天内在网站上完成了转化,系统就会将网站转化归因于这次互动。对于点击广告的用户,系统仍按照您当前设置的转化时间范围进行转化归因。

如何评价一个投资策略的好坏?如何对 n 个投资策略进行排序?

巴菲特曾经讲过一个故事:假设全美国 2.7 亿人都下注 1 美元来猜扔硬币的结果(猜对的概率是50%),猜对的人得到 2 块钱,猜错的人出局。在此后的每一轮中,仍未被淘汰的人继续押注它们的所有赌资,猜对后赌资翻倍,猜错出局,以此类推。这样,10 轮过后,大概还会剩下 26 万人(即 10 轮全部猜对);20 轮后,2.7 亿人中还会剩下 250 人左右(即 20 轮全部猜对)。有 250 人连续猜对 20 轮扔硬币的结果,多么不可思议!

连续猜对 20 轮后,剩余的这些人将会有超过 1 百万美元!连续猜对 20 次,打败了剩下的近 2.7 亿人,从 1 元轻松赚到 100万,这些人听起来简直就像是天选之人,从此站上人生巅峰。但他们的成就真的是出于他们自身的某种本领,还仅仅是依靠运气呢?

如果你从大街上随便抓一个人,然后让他连续猜 20 次硬币的正反,那么他全部猜对的概率微乎其微(顺便说一句,如果你真的碰上这么一个全猜对的牛人,那么他很可能是真牛逼!)。但是,如果许多许多人一起猜硬币,那么是否一定会从中脱颖出来一个“牛人”呢?这是 order statistics 保证的,但那个人只是运气好。类似的,从一大堆因子里挑出选股好的,也总有最牛逼的。

假设已经排除了运气的成分,你有 n 个靠谱的策略。进一步的,假设它们的相关度非常低(毕竟,如果相关度高的话,你可以放弃几个,而关注那些真正低相关的)。这时,它们之间的资金配置(即你说的排序)可以按照 r_i/\sigma_i^2 的权重配置,其中 r_i 和 \sigma_i 是策略 i 的(超额)收益率均值和标准差。当然算出来之后,你还可以做个 scaling,让整体权重之和等于 1。

如果我们按照马科维茨的 mean-variance optimization 框架来配置这些策略,假设我们的风险厌恶系数是 \delta ,那么最优(假设无约束优化)的配置是 如何评价一个投资系统或策略的好与坏? \omega^\star=(\delta\Sigma)^\mu ,其中 \Sigma 是这些策略的协方差矩阵(前面说了这些策略之间时低相关的,因此假设这个矩阵是个对角阵), \mu=(\mu_1,\mu_2,\cdots,\mu_n)' 。这个式子展开就是:

\omega^\star=(\delta\Sigma)^\mu=\frac\left[ \begin 1/\sigma_1^2&&&\\ &1/\sigma_2^2&&\\ &&\ddots&\\ &&&1/\sigma_n^2 \end \right]\left[ \begin \mu_1\\ \mu_2\\ \vdots\\ \mu_n \end \right] =\frac\left[ \begin \mu_1/\sigma_1^2\\ \mu_2/\sigma_2^2\\ \vdots\\ \mu_n/\sigma_n^2 \end \right]

可见,单一策略的最优权重就和 \mu_i/\sigma_i^2 成正比。这个看着有点眼生?这其实也可以从大名鼎鼎的凯利公式推出来,见凯利公式,从赌场到量化投资。

这个比例的核心逻辑是依靠长期对数收益率来评价每个策略的水平的,长期对数收益率既考虑了收益、又考虑了波动,所以是一个合理的指标(因为是长期,当然也排除了运气)。按照这个比例来配置,可以最大化组合的长期对数收益率 —— 这是任何配置方法的最终目标。

如何衡量一个量化策略的好坏

[email protected] 于 2019-05-06 17:49:31 发布 2317 收藏 5

一、为什么要了解投资风险

案例长期资:本长期资本(Long Term Capital Management, LTCM)曾是名噪一时的对冲基金,巅峰时期与另外三家基金公司并称“国际四大对冲基金”。它创立于1994年,活跃于国际债券市场,采用计算机建立数学模型,分析价格波动并进行债券套利。LTCM的团队非常豪华,其中包括诺贝尔经济学奖得主、美国前财政部副部长、美联储前副主席、华尔街债券套利之父等等大名鼎鼎的人物。在创立的头四年里,就带来了平均每年40%+的回报。

二、投资中,究竟什么是风险

有的经济学家认为,风险是主观的,它与每个人的风险偏好及实际情况有关。一个人眼里的风险,在另一个人眼里也许不是风险。不过在量化投资中,我们需要对风险有一个可客观描述、被广泛接受、且对个股和组合都适用的定义。业界对于风险最普遍的衡量方式,采用的是收益的标准差

三、如何衡量投资组合的风险

.历史回测环境是一个所有风险已知的环境。回测环境应该运行时间长达2-3年,最好是一轮牛熊,详细的有效的交易次数应当不低于100次,避免偶然性。那么在这样一个环境中,过多的调整参数达到过度拟合,无非就是想巧妙躲避回测环境中的已知风险而已,但是实际上我们的策略需要面对的是未知的风险,于是你会发现很多回测环境中非常优秀的策略,一旦到了实盘就不堪入目。原因就在于哪些优秀的策略不具备应对风险的能力,它只能应付回测环境已知的风险,但是无法应对未来的未知风险,如:投资者都能知道15年6月的股灾,以及牛市前后的各个板块轮动情况,但是他们却不能准确的预知未来的牛市和未来的板块轮动情况。当然,会有很大一部分投资者使用风险指标去衡量一个策略的好坏,但必须清楚的是回测环境的所有风险都是已知的,量化投资者应当更倾向于在模拟环境和实盘交易环境中运用风险指标判断量化策略好坏。因此,从本人的视角看,一个好的策略只需要在回测环境中满足两大条件即可:1.量化策略能严格按照投资者投资逻辑运行2.量化策略在回测环境能稳定获取收益并跑赢基准指数。(有些对冲策略的话,只需要能稳定获取到绝对收益即可)

.模拟交易环境是一个虚拟的环境。模拟交易应该运行时间长达3个月,详细的有效的交易次数应当不低于20次,避免偶然性。模拟交易环境中,量化策略需要直面未知风险。在这一环节,那些参数过度拟合的策略,往往都会暴露出其无法处理和解决未知风险的弊端。因此在模拟交易环境中,检验量化策略应对未知风险的能力是非常重要的,当市场环境出现微妙的变化或者巨大的变化时,量化策略应当能减少未知风险带来的巨大损失,甚至避免。在这整个过程中,我们就需要用到风险指标:年化收益率、最大回撤、夏普比率、信息比例等等。因此,一个好的策略只需要在模拟交易环境中满足两大条件1.量化策略能严格按照投资者投资逻辑运行2.量化策略在模拟交易环境能稳定获取收益并跑赢基准指数。(有些对冲策略的话,只需要能稳定获取到绝对收益即可)3.量化策略在一段时间的运行后,风险指标达到一定标准。如下表:(仁者见仁智者见智,并无公认标准,欢迎讨论!)

.实盘交易是真实的环境。凡是能进行实盘交易的量化策略,必定是经过千锤百炼的,其具备一定的应对未知风险能力。实盘交易中,量化策略必须能有效平衡收益与风险,一味地限制和消除风险只会带来非常低的收益率,那么到头来还不如买入持有策略,或者买个基准指数基金,而无脑的追求收益,则会让量化策略在承担风险的过程中,突然死去。因此在实盘交易的过程中,量化投资者必须意识到收益与风险的平衡的重要性,在风险整体可控的情况下,尽可能追求收益率。在满足输入阶段、回测环境、模拟交易的所有条件下,进行实盘交易,那么一个好的策略应当在实盘交易中,满足三大条件:1.获取正的绝对收益。2.收益率战胜基准指数。3.满足上述表格中的风险指标。

如何评价一个投资系统或策略的好与坏?

大家好,我是[email protected]社区,今天的文章将为大家介绍量化交易策略评价指标。欢迎添加以下微信,加入FinTech社区,提认知,攒人脉,求职招聘,投资有术!

在量化交易策略中,可以从四个方面来进行衡量策略:收益稳定性胜率风险

大部分基金都有一条净值曲线,由基金每天的净值连接而成。每个策略也都有一条净值曲线,由策略每天的净值连接而成。这样一条净值曲线可以表示出这支基金(或策略)的收益、波动率、最大回撤、夏普比率等情况

净值曲线:

净值计算:

计算流程图:

量化策略的评价指标:

1. 年化收益率(Annualized Returns)

年化收益率是衡量策略投资收益的指标,表示投资一年时的预期收益率,它的计算公式如下:

1.1 单利计算公式

年化收益率 = 3% / (30/365)*100%,即36.5%

1.2 复利计算公式

代码:

2. 基准年化收益率(Benchmark Returns)

单独看策略年化收益率并不能体现策略的好坏,因此往往需要参考基准年化收益率。比如可以使用沪深300指数作为策略判断的基准,它的计算公式和年化收益率是一样的。

3. Sharpe Ratio(夏普比率)

——风险与收益的权衡

夏普比率(SHARPE)是指承受一单位总风险带来的超额回报,可以同时对收益与风险加以综合考虑

计算公式:

代码:

4. 最大回撤

最大回撤反映了投资者忍耐亏损的极限,从某种角度上说,最大回撤比收益率、夏普比率和信息比率更加重要。因为每个投资产品都有止损线,一旦短期回撤超过止损线,将会强制平仓

最坏的情况

如何评价一个投资系统或策略的好与坏?

计算公式:

流程图:

代码:

5. Alpha阿尔法系数( α )

Alpha表示与市场波动无关的超额收益,也就是投资者面临的非系统性风险,常常用来衡量一个策略的好坏。

计算公式:

6. Beta贝塔系数( β)

衡量基金收益相对于市场收益的总体波动性,是一个相对指标。 β 越高,意味着基金相对于市场基准的波动性越大。β 大于 1 ,则基金的波动性大于市场基准的波动性。

如果 β 为 1 ,则市场上涨 10 %,基金上涨 10 %;市场下滑 10 %,基金相应下滑 10 %。如果 β 为 1.1, 市场上涨 10 %时,基金上涨 11%, 如何评价一个投资系统或策略的好与坏? ;市场下滑 10 %时,基金下滑 11% 。如果 β为 0.9, 市场上涨 10 %时,基金上涨 9% ;市场下滑 10 %时,基金下滑 9% 。

7. 信息率

信息率用来衡量承担主动风险所带来的超额收益,表示单位主动风险所带来的超额收益。在承担适度风险的情况下,尽量追求高信息率。

计算公式:

信息比率等于策略超额收益和跟踪误差的比值。其中,跟踪误差是策略与基准每日收益差值的年化标准差,如果都选用了同一基准,可以看出信息比率大的策略是优于信息比率低的策略。而且相比夏普比率,信息比率更能反映策略的好坏:夏普比率以无风险收益率作为参考标准,而信息比率是以基准收益率作为参考标准。

代码:

对于风险指标分析而言,还有所提诺比率(Sortino)、策略波动率(Algorithm Volatility)、基准波动率(Bechmark Volatility)、胜率、盈亏比等,这里暂不一一列举。

不同收益类型,对指标的要求:

稳健性:正收益、回撤小

进取型:风险收益平衡、风险至上

激进型(理性的激进型投资者,更看重极端行情下会发生什么,更在乎压力测试,就是最坏情况下

不同交易品种和策略类型的指标要求(推荐):

再来回顾下一个完整的交易系统

买什么(股票池选股)、何时买(技术指标、如金叉买入)、买多少(头寸管理)、何时卖(技术指标、如死叉卖出;止盈止损)、卖多少(头寸管理)