Q003：什么是Alpha和Beta收益？

当没有真正亲力亲为去做一件事情的时候，我总会低估一些事情的难度。这一方面可能是自己妄自尊大，一方面可能是自己并没有实际了解这件事情的完整链路。毛主席说，没有调查就没有发言权，今天反过来看这句话，感觉非常有指导意义。交易也是，没进入前，我也幻想着横扫市场，白日梦里一年翻一倍那是少的了，恨不得一天一倍了。
主动投资的人相信，凭着自己的努力，能够赚超越市场的报酬，主动派投资人会努力做研究，然后挑选出最优质的股票，或研究出有效的策略，并且期望拿到高额的报酬。
被动投资人相信，与其花时间研究，不如跟着市场走。被动投资人认为，就算短期内靠人为操作赚到不少钱，但是如果拉长时间，往往都是赔赔赚赚、运气运气，无法长时间维持，所以比起耗时费工的研究策略，不如选择稳稳投资整体交易市场，像是购买指数型基金(ETF)等策略，每年稳稳地赚取报酬。
1 什么是Alpha和Beta收益？

一般来说，我们的一个投资策略的收益率都可以分为两部分：一个与市场基准完全相关，另一个与市场基准不相关。不相关的就是Alpha,而Beta收益就是与市场完全相关的那部分收益。相对来说Beta收益更容易获得，比如持有成本低廉的指数基金。所以我们可以看出，策略收益相对重要的组成部分就是Alpha收益。
从金融市场层面来说，市场风险往往包括：系统性风险和非系统性风险。
系统性风险又称市场风险，也叫不可分散风险，是指国家因多种外部或内部的不利因素经过长时间积累没有被发现或重视，在某段时间共振导致无法控制使金融系统参与者恐慌性出逃或者抛售，造成全市场投资风险加大。系统性风险对市场上所有参与者都有影响，无法通过分散投资来加以消除。我们常见的系统性风险主要包括政策风险、周期性波动风险、利率风险、购买力风险、汇率风险。系统性风险用Beta来表示。
非系统性风险，一般是指对某一个股或某一类股票发生影响的不确定性因素。如上市公司经营管理、财务状况等，他们的变化会对上市公司股价产生影响，但是与市场其他的股票没有直接联系。
借助资本资产定价模型（CAPM），我们可以从数学角度更好的来描述二者的关系。模型中的alpha反映非系统性风险，beta反映系统性风险。beta反映的是弹性，换句话说，就是资产的收益对市场波动的敏感度。alpha主要反应超额收益水平，当alpha为正时即为正常超越，alpha为负时即为反向超越。因此我们常见的beta和alpha的数学基础均是由CAMP计算出来的。

是资产i的预期收益率，指的是无风险收益率，是市场M的预期收益率。是市场风险溢价，即预期市场回报率与无风险回报率之差。
假设我们的资产是以股票的形式存在，我们可以通过基金来投资整个股票市场，这时候我的投资完全分散了，我也将不承担任何可分散风险。但是，我们将承担那些不可被分散风险。
在进行投资组合建立时，市场行情决定了对beta的选择。在上涨的行情中，量化投资人利用beta值比较高的资产可以得到较高市场上涨带来的盈利。在不算明朗的行情中，beta值较低的资产可以更好的进行防御。
对于多头的交易者来说，不管市场行情如何，资产alpha都是越大越好，交易者都希望能够获得正的超额收益。但是当市场行情下跌时，即使是拥有高超基金选择能力的交易者都抵挡不住市场下跌带来的损失。因此对于希望获得绝对收益的投资者来说，单边持有资产很难避免系统性的风险,这时alpha对冲策略为我们获取绝对收益提供了可能。
保留超额收益，冲掉所有系统性风险是alpha策略的基本思想。
对冲是具有两面性，一方面如果未来一段时间行情上涨，我们不会获得收益，另一方面，如果行情下跌，我们则能够避免市场下跌的风险。beta和alpha值的稳定性决定了alpha策略是否有效，只有当他们两个的值都相对稳定的时候，预期收益才会比较确定。
alpha策略一般被应用在市场效率相对较弱的市场上。因为从以往的经验来看，在强式有效的市场，一般不存在或者很难寻找稳定的alpha。
在量化投资领域，如果想要获得Alpha就要充分利用金融产品，承担风险，追求高收益和最新的投资理论，极其复杂的操作技巧都是最大限度获取难得alpha的关键。
能够初步理解alpha和beta收益的区别，已经非常不错了。更深入的理解这些东西，需要借助数学公式来抽象其普遍意义。
2 的来源

在一些简化的假设下，对于用单因子预测股票收益率，可以得到如下的来源：

为股票在该因子值的标准化得分，IC是衡量一个因子的预测收益率与实际收益率之间的相关性，说大白话就是，这个东西对预测资产后期的走势效果大不大。该公式表达的思想是：

(残差收益率) = 波动率 * IC * 预测得分 =机会 * 预测能力* 预测得分可靠程度
我们假设成交量这样一个因子，该因子通常与随后的股票超额收益（，实际收益率-预期收益率）存在强相关关系，假设IC值为0.8，代表该因子的预测能力相当高，股票A和B在该因子的标准化得分分别为1.2,1.8,相同波动情况下，则B的会更高，因为1.8意味着股票B比A更超预期，故其超原先预期收益的程度会更大。
该公式虽过于严苛的假设，实际应用受很大局限，但它提供了如下非常有意义的洞见：
1)波动率，即机会。没有波动的资产，或者波动低的资产，难以从中得到大的
2）IC，即预测能力，投资不过是一种预测，挖掘更多信息，寻找具有预测能力的因子，是获得更多的前提，这是决定主动投资战胜指数基准的根本因素。
3）预测得分，将IC的预测能力转为对各标的资产的打分，进而做到了正、负的区分。
IC，是所有主动投资策略的核心能力，尤其以量化投资的角度看，无非是运用更多更全的数据、更优化更先进的数学模型，挖掘出更有预测能力的高IC因子，当你具备高IC的因子时，上述公式告诉你，你可以获得高的。内幕消息就是那一类具有非常高IC，而普通人又无法拿到的因子。
3 真实情况是怎样的

前面说了预测因子对获得alpha收益的重要性，那是否我们找到一个好用的预测因子后，就能躺着收割整个市场了呢？
真实的情况并没有这么美好。有一句话说的是，这个世界唯一不变的是变化。预测因子也是一样，任何因子的预测能力是动态变化的，即IC不是固定的数，一段时期该因子预测能力强，一段时期弱，甚至完全不相关。筛选因子不难，利用各种回测平台，可以很快计算各个因子在过去的预测能力，你可以筛选各时间段平均IC绝对值大于某个阈值的因子作为有效因子。但因子择时仍然很困难，决定当下哪些有效因子在起作用，以及其有效性将会维持多久不是简单的事，因子择时仍有“艺术”成分，仍需投资者“拍脑袋”决定。国内券商的因子研究报告引用因子半衰期的概念，按某因子预测收益率排序筛选出来的前N个股票若超过一半的股票不在真实收益率排序top N时，说明该因子在当前开始失效，需要谨慎使用。

= 波动率 * IC * 预测得分 =机会 * 预测能力* 预测得分置信程度
虽然推导该公式相当复杂和些许牵强的假设，但不妨碍其给出了有力的洞见，相当于给出了主动投资管理的框架，对于使用大数据技术来助力主动投资策略的开发，更是相当有指导意义。实际中，可以不必直接预测股票的收益率，只需计算因子秩值及其收益率相关性（或者直接使用秩相关系数），或者自定义一种距离来衡量因子值和收益率之间的关系，当我们获得了高IC的因子时，我们按因子排序取top N的股票即可以作为我们的投资组合了。
写在最后

量化交易听上去就像市场收割机，但实际并非如此。说白了它只是一种工具，就算它用着人工智能的方法，但它还是需要人工来启动，输入并要的参数，做出必要的选择。这似乎很矛盾，传统投资方法说白了不也是要做出选择么，那学这玩意儿有啥用？
一来，交易很多时候需要克服人性，通过量化交易可以克服这一点；
二来，单个人力毕竟有限，你不能看完市场所有消息，不能看完股吧所有评论，不能在众多维度中找到真正影响市场的核心原因，人归纳的结论都是基于自己已学和已知的知识基础上，这个基础的厚度决定了归纳的这个结论的普适性。机器不一样，如果允许，它还真可以把这个厚度做到极致。
我在以上的篇幅里，简单介绍了alpha和beta收益，涉及到了一些抽象公式，可能会有一些难度，但讲真，这仅仅只是量化交易里最最基本的东西。涉及到数学模型的部分，会有更复杂的公式和逻辑，当然，并不是一定要学习，因为毕竟只是工具，有时熟悉其原理，懂得如何使用才是王道。