Local EPUB Text
理论驱动型阿尔法模型
绝大多数宽客是理论驱动型的。对于市场为何以现存方式运行，他们给出符合经济学理论的解释，并检验该理论是否可用于预测未来的市场行为。很多宽客认为其理论具有一定的独特性，这也是他们对自己的策略保密的一个重要原因。事实证明，这通常都是错觉。此外，许多量化交易圈外的人士认为宽客们所使用的交易策略都基于复杂高深的数学公式。这种看法也通常是错误的。
事实上，这些交易策略既没有保密的必要，也不是只有那些博士们才能理解。绝大多数理论驱动型交易策略可以较为容易地划分为六类：趋势型（trend）、回复型（reversion）、技术情绪型（technical sentiment）、价值型/收益型（value/yield）、成长型（growth）和品质型（quality）。值得注意的是，宽客所使用的这些交易策略，和追逐阿尔法收益的主观判断型交易者所使用的策略是完全相同的。通过观察这些策略所使用的数据是价格数据还是基本面数据，有助于更加深入地理解这六类策略。在本书中我们将看到，理解一个交易策略所使用的数据比理解策略本身更加重要。趋势型和均值回复型交易策略都依赖于价格数据。技术情绪型策略较为少见，可看作基于价格的第三类型策略。而剩余的价值型/收益型、成长型和品质型策略都基于基本面数据。
很多成功的宽客都是组合使用多种交易策略。但为了更好地理解这些策略，我们将逐个对其进行讨论，然后将其组合。图3-1给出了宽客经常使用的阿尔法模型的框架图。
图3-1 理论驱动型阿尔法模型的分类图
基于价格数据的交易策略
首先，我们研究基于价格数据的阿尔法模型。这里所说的价格数据，一般是指与各种金融产品价格相关的数据，或者交易所产生的其他数据信息（如交易量等）。试图预测价格并从中获利的宽客，通常都是在分析以下两种现象之一：一是已有的趋势是否会延续，二是目前的趋势是否会反转。换句话说，价格是沿着目前的态势继续向前还是会反向波动。前者我们称为趋势跟随策略（trend following）或动量策略（momentum），后者称为反趋势策略（counter-trend）或均值回复策略（mean reversion）。第三类是技术情绪型策略，虽然是阿尔法模型中不太常见的类型，但仍值得进行一些探讨。
1.趋势跟随策略
趋势跟随策略是基于以下基本假定：在一定时间内市场通常是朝着同一方向变化。据此对市场趋势做出判断就可以作为制定交易策略的依据。趋势法存在的经济学基本原理是市场均衡理论。假设美国经济的中期前景具有很大的不确定性。一方面，劳动力市场看着不错，但通货膨胀过于严重，贸易赤字在不断扩大；另一方面，居民消费仍在快速增长，并且房地产市场表现强劲。这种看似相互矛盾的情形是市场的常态，有些指标是利好的，而另一些看起来是利空的。在这个例子中，我们可以想象，通货膨胀失去控制对经济带来很大创伤，市场转入熊市。最早意识到市场动向的交易者，很快就采取了和市场形势保持一致的交易措施，例如卖空债券。随着市场形势越来越朝着预期的方向发展，逐渐明朗化，越来越多的交易者会采取相同的策略，从而债券价格需要经过一个很长的时间达到新的均衡。这种从一个均衡向另一个均衡的缓慢过渡期，正是趋势跟随者苦苦寻觅的机会。
值得一提的是，还存在另一种对趋势的解释，被亲切地称为博傻理论（greater fools theory）。博傻理论认为，人们因为相信趋势才会去追涨杀跌，这种行为反过来又促进了趋势的形成。关键在于将持有的产品卖给更“傻”的下家而避免自身成为最后的持有者。无论是理论解释，还是市场实证分析，看上去都成为相信趋势的充足理由。
典型的趋势跟随者都试图寻找某种金融产品的价格在预期方向上的“显著”变化。他们认为，这种显著变化一旦出现便会持续一段时间，因为这种显著变化很可能是参与者对市场预期更加一致的一个信号。他们之所以注重变化的显著性，是因为趋势跟随策略的绝大部分风险在于市场上的“拉锯战”，即价格上的快速上下波动。例如，由于标准普尔500指数过去3个月都在上涨，你选择了做多策略，你就需要这种上涨趋势在3个月的观察期后仍能够延续下去。如果标准普尔500指数差不多每3个月就发生一次反转，那么在这个时期内依据趋势跟随策略进行的交易基本都会造成损失。对于何种变化是显著的，有很多种定义方式，最为常见的是滤波（filtering）和调理（conditioning）。对于显著的不同理解，也是造成同样推崇趋势跟随策略的不同交易者之间的策略千差万别的原因所在。在“策略实施”部分我们将探讨相关细节。
趋势跟随策略的最典型例子出现在期货交易行业，称为期货管理者或者商品交易顾问（CTA）。图3-2显示了始于2007年第4季度的一次美国股市下跌趋势。以交易为目的，定义趋势的一种方法是移动平均线交叉指标（moving average crossover indicator），通过对比较短期间和较长期间的某个指标来判断趋势，例如通过短期（60天）价格均线和长期（200天）价格均线的交叉点来判断趋势。当短期均线位于长期均线之下时，认为市场处于下跌趋势；反之则认为市场处于上涨趋势。按照这个策略，趋势跟随者在2007年年底应该做空标准普尔500指数，因为这时60日均线开始转入200日均线下方，并且在2008年的大部分时间这种状况一直在持续。
图3-2 标准普尔500指数的趋势
在期货市场，一些大型的量化资产管理公司采用趋势跟随策略，这也正是所有的量化交易策略中最为古老的策略。理查德·唐奇安（Richard Donchian）创造了机械的趋势跟随策略，数年后艾德·史柯达（Ed Seykota）在IBM的大型机上利用卡片打孔的方式将其实现了程序化，那是1970年，1年前他刚从麻省理工学院毕业。他很推崇实务研究，在接下来的12年间，他从5000美元起家赚到了15000000美元。在其长达30年的职业生涯中，他保持了年化收益率60%的骄人业绩[1]。
拉里·海特（Larry Hite）是早期趋势跟随策略实践者的另一个有趣例子。早年，海特在纽约做摇滚歌手，在一个晚上经历了3次夜总会枪击事件后，他决定投身一个规矩的行业。1972年，海特和别人合著了一篇文章，讲述如何利用博弈论在期货市场上进行量化交易[2]。后来他把注意力投向趋势跟随交易策略，在1981年和两个合伙人一起创立了敏特投资管理公司（Mint Investments）。这是第一家管理着10亿美元资产的对冲基金公司，也是第一家和曼氏集团（Man Group）合作的基金公司，最终成功使曼氏集团进入对冲基金领域。在海特的带领下，敏特投资管理公司在13年间创下了年均净收益率达到30%的业绩。更值得一提的是，1987年，敏特投资管理公司的收益率更是高达60%，因为其成功预测了当年10月的大崩盘[3]。
以上我们都在描述趋势跟随策略光鲜的一面，但应该强调指出的是，实际上与这些投资策略的丰厚回报相伴而来的是极高的风险。通常来说，成功的趋势跟随者冒着资产净值减少1%的风险换来的收益达不到1%。换言之，为了得到50%的年化收益率，投资者要做好可能至少损失50%的风险准备。简言之，趋势跟随策略的收益极其不稳定。
这个问题并非只在趋势跟随策略中存在。事实上，本章所介绍的主流阿尔法模型，都可能存在长期低回报的现象。因为交易策略试图寻找的市场机会并不是总存在的，而是具有不稳定性和偶发性。通常的情形是，在市场繁荣（机会出现）时大赚特赚，在市场惨淡的时候控制好损失，从而保证整体的盈利。
在量化交易中，最具持久影响力的趋势跟随者是阿克斯康公司（Axcom），后更名为文艺复兴科技公司。1986年，毕业于麻省理工学院的工程学博士埃尔温·伯利坎普（Elwyn Berlekamp）开始为阿克斯康公司提供关于交易策略开发的咨询服务。那些年，阿克斯康公司一直举步维艰，伯利坎普趁机得到了公司的控制权。经过深入研究，1989年，阿克斯康公司开始以一套优化后的策略进行交易。第1年，扣除5%的管理费和20%的激励费用后，公司的回报率仍高达55%。1990年年底，伯利坎普将公司的股份卖给了詹姆斯·西蒙斯，获得了6倍的收益，但这仍可能是史上最不合算的交易之一。至此，公司更名为文艺复兴科技有限公司，之后进入最成功的量化交易公司之列，业绩极为引人注目。无论是20世纪80年代中期使用的趋势跟随策略，还是20世纪90年代初期使用的更为复杂的期货交易策略，公司都进行了大量交易，获利颇多。1992年公司已经不再接受3亿美元以下的资产管理，20年之后，公司的资产规模已经基本达到了100亿美元，还包含5%的管理费用和44%的激励费用。从1989年起，公司每年的净回报率都在35%左右；更令人惊讶的是，随着市场竞争愈发激烈以及公司管理资金的规模显著增大，公司的业绩表现反而越来越好[4]。
需要指出的是，并非只有宽客才钟情于趋势跟随策略。一直以来，趋势跟随策略都是交易者们广为使用的一种基本交易策略，未来这种情形很有可能仍将继续。无论是从17世纪臭名昭著的郁金香事件还是20世纪末的互联网泡沫，我们都能找到趋势跟随策略的影子，但这两起事件貌似都不是宽客造成的。很多主观判断型交易者都具有强烈的主观偏好去买入热门的交易品种而卖出冷门的品种。
2.均值回复策略
正如前面所提到的，当产品价格波动时，或者沿着已有趋势继续运动，或者反向运动。趋势跟随策略认为价格会沿着已有趋势变化。接下来，我们探讨均值回复策略，该策略认为，价格终究会沿着已有趋势的反方向运动，而不可能一直延续已有趋势。
均值回复策略的基本理论认为，价格围绕其价值中枢而上下波动，判断出这个中枢以及波动的方向便足以捕捉到交易机会。有以下几种理论可以解释均值回复现象的存在。首先，由于流动性，市场上有时会出现买卖之间的短期不均衡，从而出现超买或超卖现象。回到上文提到的例子，假设一只股票进入了某著名指数（如标准普尔500指数）的名单，跟踪该指数的基金便会大举买入该股票，但短期内愿意以以前的价格卖出该股票的卖方就显得相对较少，从而股票价格迅速上涨。而随着价格的上扬，来自买方的需求会逐步消退，上涨速度也会逐渐放缓，到一定价位价格便不再上涨，开始反向下跌的概率不断增大。解释均值回复现象的另一种理论认为，市场参与者并不了解其他人的观点和行为，当他们下单进行买入卖出并促使价格向新的均衡状态移动时，在某个时点可能由于超买或超卖，价格会剧烈波动。
无论造成供需间的短期不均衡的原因何在，由于均值回复交易者都是在逆势交易，他们都给市场带来了流动性。有时候，这一点是明确无误的，尤其体现在其执行技巧上（我们将在第7章和第14章详细讨论）。无论执行技巧如何，均值回复交易者事实上都是在对赌市场趋势，并且得承受逆向选择的风险。
有趣的是，趋势跟随策略和均值回复策略并不一定是相互冲突的。趋势通常是长期的，而短期内围绕着趋势的小范围波动也是很常见的。事实上，一些宽客会组合使用这两种策略。采用均值回复策略的交易者，必须识别出目前的价格中心或均衡点，并判断偏离均衡点多少时值得进行交易。如同趋势跟随策略一样，由很多方法可以用来确定价格的均衡点和反转点。值得注意的是，采用均值回复策略的主观判断型交易者，通常被称为反转交易者（contrarians）。
基于均值回复概念的最为著名的策略恐怕要算统计套利策略了。统计套利策略认为，价格出现背离的类似股票的价差终究会缩小到合理区间范围。普林斯顿/纽波特合伙公司（Princeton/Newport Partner）的创始人埃德·索普（Ed Thorp）可能是最早的量化型股票交易者，但摩根士丹利的农西奥·塔尔塔利亚（Nunzio Tartaglia）的交易柜台才是统计套利的先驱，并对世界金融产生了持续而深远的影响。格里·班伯格（Gerry Bamberger）和大卫·肖（David Shaw）都是塔尔塔利亚团队的成员，他们后来基于股票的相对价格研发了一套交易策略。统计套利策略宣告着交易理念的一个重大变化，不再关注A公司的股票本身便宜或者昂贵，而是关注相对于公司B，公司A的股票是被高估还是低估。这一重大进步导致了基于相对价值预测的交易策略的大量涌现，稍后我们将对其进行详细讨论。
图3-3 嘉信理财和美林的均值回复
图3-3展示了一个简化版的均值回复的案例，是以美林（Merrill Lynch，MER）和嘉信理财（Charles Schwab，SCHW）公司的股票价格为例。从图中可以看到，在较长一段时间内，两家公司的股价价差都在一个较窄的范围内波动。交易者可以把握价差出现显著背离的机会进行交易，等待价差回复到合理区间时获利。
量化交易中很大一部分交易都是基于趋势跟随策略和均值回复策略展开的。毕竟，价格数据是源源不断并且不断变化的，带给宽客很多交易机会。趋势跟随和均值回复策略在理论上是相反的，但在现实中均能奏效，这是很有趣的一个现象。这是如何发生的呢？很大程度上，这主要归因于不同的时间框架。显然，在完全相同的时间段内，这两个截然相反的策略不可能同时获利。但是，我们并不需要在同一投资期限内构建两个策略。趋势通常在较长的投资期限上延续，而均值回归通常适用于短期投资期限。图3-4演示了现实中存在的这种效应。从图中可以看出，标准普尔500指数的确具有长期趋势（上图），在短期内具有均值回复的现象。实际上，可以看出在不同的时间段使用两种策略都有可能奏效。例如，2000~2002年以及在2008年，趋势跟随策略会有较好的收益，因为在这些时间段市场的趋势很强劲。而2003~2007年，均值回复策略会更加奏效。在整个时间段上，如果运用得当，两种策略都可以盈利。这一结论也可以用其他时间段的数据加以验证；在某些情况下，均值回复策略可作为长期指标，而动量（momentum）可以作为速度指标。
图3-4 趋势跟随与均值回复图
3.技术情绪型策略
与价格相关的第三类策略是很有趣的策略，它主要通过追踪投资者情绪相关指标来判断预期回报，这些指标常见的有交易价格、交易量以及波动性指标等。在深入研究这类策略前一定要保持警惕。因为并不像上文的两类策略（趋势跟随策略和均值回复策略）或下文所要提到的其他基本策略，没有明确的经济理论支持这类策略。换言之，对于情绪类信息在预测上的价值和开发利用，有着各种不同的声音。一些交易者认为，对于某些产品过于正面的信息意味着该产品已经超卖，因此未来价格可能会下跌；另一些人则认为，很正面的情绪意味着该项产品具有价格上涨的动力；还有些人认为，情绪只是个条件变量（这一概念将在“条件变量”章节进行详细讨论），只有当价格变动的程度显著时才使用趋势跟随策略，微小的变动可以被忽略。将情绪相关数据作为条件变量，是最为普遍的做法。技术情绪型策略的一些实例也被认为是预测未来价格变动方向的独立方法。
第一个例子是观察期权市场判断市场基本情绪。有两种方式可以“直接”做到这一点。第一种是观察认购量和认沽量，将此作为市场情绪的指标。如果认沽多于认购的程度已经超过正常水平，这可能意味着投资者担心未来的价格会下跌。如果相对于认购期权，认沽期权的数量比正常水平要少，说明市场上主要是看涨情绪。第二个基于期权市场情绪的例子是利用认购和认沽的隐含波动性。认购和认沽期权的隐含波动率具有一定差别，是很常见的现象。股票价格慢涨快跌的特点可以作为一部分原因对此进行解释。对于虚值期权或平值期权，慢涨快跌会造成认沽期权的波动率高于认购期权的波动率，反过来会造成认沽期权的卖方要价高于认购期权卖方的要价，同样对应的隐含波动率也要高一些。对历史上的认沽和认购波动率的比率进行分析可以发现，该比率维持在一个固定水平（由上面所描述的上行和下行波动率的特点可知该比率大于1），通过观察比率偏离该水平就可以了解市场情绪的迹象。一个类似的想法就是利用隐含波动率或其他指标（如信用违约互换等）作为市场情绪的风向标。
另一种技术情绪型策略的做法是，把交易量、公开市场利率或其他相关指标等作为未来价格的风向标。在很短的时间窗内，一些高频交易者通过观察限价指令簿的形态来判断近期市场情绪。限价指令簿的形态包含很多信息，如相对于最优买入/卖出价的买卖单的量而言买方和卖方出价的规模，以及买入卖出报价单的总量等。对于较长期的策略而言，对量的分析包括成交量、交易量、公开市场利率以及对交易活动的其他度量指标等。正如在本部分内容的开头所提到的那样，对于怎样使用这类信息仍存在着较大争议。可以将量的信息作为反向指标（或正向指标）使用，例如，成交量大或换手率很高的股票预计会表现不佳，而低成交量或低换手率的股票将会表现出色。但据我所知，大部分策略都是将其作为反向指标使用的。
依托基本面数据的策略
在其阿尔法模型中使用基本面数据的很多交易策略都可以被归为以下三类中的一种：价值型/收益型、成长型和品质型。尽管这些策略通常都是在分析股票收益中产生的，其实也可以将同样的逻辑用于其他金融产品的分析。债券、货币、商品、期权以及地产，都可以进行买卖，是因为它们都具有诱人的收益、成长性或高品质。长期以来基本面数据都是主观判断型交易者极为看重的，相对而言量化型基本面策略产生的时间要短一些。
在量化股票交易和量化期货交易以及一些宏观交易中所使用的策略，很多要归功于尤金·法玛（Eugene Fama）和肯尼思·弗伦奇（Kenneth French）的研究。在20世纪90年代早期，他们发表了一系列论文，对宽客在基本面策略中经常考虑的因素进行量化分析。在论文《股票期望收益的截面分析》（The Cross Section of Expected Stock Returns）中，他们总结了自己使用量化基本面要素去预测股票方面十多年来的研究成果，极大地推进了该领域的发展[5]。简单地说，法玛和弗伦奇认为，股票的贝塔系数并不足以有效解释股票收益的千差万别；根据股票的账面净值与股价的比率以及股票市值的历史记录，再结合股票的贝塔系数，可以对预期收益做出更准确的预测。略具讽刺意味的是，尤金·法玛的理论奠定了量化阿尔法交易策略的基础，而法玛最为著名的工作是市场有效性理论，该理论认为在有效市场上不可能获得阿尔法收益。
1.价值型/收益型
价值型策略是极为常见的，主要用于股票交易，当然这类策略也可以用在其他市场上。用于度量资产价值的指标有很多，绝大部分是一些基本面数据与资产价格的比率，如市盈率（P/E）等。宽客倾向于使用这些比率的倒数，通常将资产价格放在分母上。如市盈率的倒数（E/P比率）称为盈利收益率（earnings yield）。实际上，投资者很早就开始这样处理股利，计算股息收益率（dividend yield）作为度量价值的另一种常用指标。价值型策略的基本理念是，收益率越高，价格越低。使用将常见比率求倒数得到的收益率的益处是，有利于分析方法的简洁性和一致性。
将收益作为例子。收益的取值可以介于很大的正值和很小的负值之间。如果两只股票的价格都是20美元，但一只的收益为1美元而另一只为2美元，则很容易计算出，第1只股票的市盈率为20，第2只为10。如果使用市盈率进行度量，第2只股票要便宜一些。假设两只股票的收益分别为-1美元和-2美元，则两个市盈率分别为-20和-10。市盈率为-20看起来比市盈率为-10的股票业绩要差，但实际上市盈率为-20的股票只亏损了1美元，而另一只亏损了2美元。因此，在盈利为负时使用市盈率容易让人产生误解。此外，当公司的收益恰好为0时，由于分母为0市盈率便无法定义。将价格放在分子上，基本面数据放在分母上构造的比率，很容易出现诸如此类的问题，因此宽客更倾向于使用这些比率指标的倒数。图3-5展示了E/P比率和P/E比率的对比。假设股票价格大于1美元，无论每股收益如何，E/P比率表现良好；反过来，市盈率（P/E比率）表现就没那么好，当收益为0时甚至无法给出定义。
图3-5 P/E和E/P（盈利收益率）
上面我们所提到的宽客使用收益数据的例子，意味着更多的内容。例如，在构建系统性的阿尔法模型时，很多基本面数据并不能被直接引用或计算。实际上，这些指标产生的时间要早于计算机交易的时间，这些指标的定义和分布都比较随意。宽客必须把这些数据转化成更加规范、更便于使用的变量，从而可以更加便利地用于系统化的交易软件。
通常，人们认为价值型策略就是低价买入的策略，但我认为这个定义过于肤浅。实际上，价值型投资策略认为，市场倾向于高估高风险资产的风险，而低估低风险资产的风险。因此，在适当时间买入高风险资产和（或）卖出低风险资产，可以获得收益。这一理论的依据是，有时候市场需要某类资产具有较高的收益，这些资产可以获得的收益就会比单纯由其基本面数据算出的收益要高。购买具有高收益的金融产品的投资者，在产品价格向更有效率、更加适中的价位变动时可以获利。因为在这一变动过程中，产品价格并非仅仅是下降，因为在其基本面大大改善时价格并不变动。相反，相对于基本面的变化，价格才是价值的重要决定因素。对于低价格的金融产品，这意味着产品的价格已经发生了大幅下降。所以，在某种意义上，价值型投资者是因为承担了价格趋势会延续的风险而获利。芝加哥大学布斯商学院教授雷·鲍尔（Ray Ball）曾写过一篇文章《证券收益及其代理变量之间的异常关系》（Anomalies in Relationships Between Securities？Yields and Yield-Surrogates），指出投资者期望获得高风险和高收益的股票，通常更可能具有高收益率[6]。
在同一相对水平上，买入估值过低的证券并卖出估值过高的证券，这种策略也称为利差交易（carry trade）。投资者通过卖出收益低的资产获取资金，用以买入高收益的资产。两种收益之间的差别称为利差所得（carry）。例如，投资者可以卖空100万美元的美国国债，用其所得买入价值100万美元具有较高收益的墨西哥债券。格雷厄姆和多德在其经典著作《证券分析》中指出，价值型交易带给投资者安全边际。在很多情形下，这个安全边际可以通过利差交易所得进行计算。如果不考虑其他情况，利差交易可以以基准回报率带给投资者收益，这正是格雷厄姆和多德所说的安全边际。
在货币市场上，利差交易是宽客极为常用的一种交易策略，通常是卖出短期收益相对较低的一国货币而买入具有较高短期收益的另一国货币。例如，欧洲央行的目标利率定为4.25%，而美联储设定的联邦基金利率为2%，利差交易者就可以卖出美元买入欧元。这是个价值型交易的典型例子，2.25%的净收益（欧元多头的4.25%收益减去美元空头2%的收益）就是安全边际。如果交易发生亏损，2.25%的亏损可以由多头带来的收益进行弥补。在债券交易中也可以使用类似策略。实际上，在1998年长期资本管理公司倒闭前，这就是其核心交易策略之一。
注意到，无论是货币市场还是债券市场，对于高收益和高风险之间关系的理解都比股票市场要深刻。换句话说，如果某项资产具有比同类产品更高的收益，必定存在投资者要求更高收益的理由。通常来说，理由就是这项产品与同类产品相比具有更高的风险。这一点从政府债券、AAA级的公司债券以及其他低级别的公司债券的收益排序也可以看出。这三类债券的风险依次增大，对应的收益也依次增加，以弥补投资者所承担的风险。
价值型交易的另一个重要例子是在股票交易中。各类投资者都试图寻找指标来度量“便宜”，如税息折旧及摊销前利润（EBITDA）对企业价值（EV）的比率或市净率。每股账面净值对股价的比率（账面收益率）也是个常用指标，自从法玛和弗伦奇在其论文中经常使用这一指标，账面收益率在宽客圈内逐渐流行起来。绝大部分使用股票价值型策略的宽客是在寻找相对价值较低的股票，而不是评估某只股票是便宜还是贵。这个策略通常称为量化多空策略（quant long/short，QLS）。使用QLS的交易者经常会基于价值等多种因素判断股票的吸引力，进而对股票进行评级，买入高评级的股票而卖出低评级的股票。例如，我们根据假设的市净率对主要的集成油公司进行排序如下
根据这一指标排名，可以考虑买入排名高的股票而卖出排名靠后的股票。这里我们假设在接下来的季度中，拥有高市净率的股票可能比低市净率的股票业绩要好。
价值型策略可用于任意可以被度量价值的金融产品。在个股、股指、货币以及债券交易中，价值型策略都比较简单。而在绝大部分商品交易中，价值更多地被当作“便宜/昂贵”分析，通过商品的期望供给和需求的变化表现出来，而不再是收益。在期货市场上，也有各种明确以收益为表现形式的交易策略。展期收益（roll yield）是指在未来某天到期的期货合约价格和现货价格（或在相对较短时间内到期的期货合约）之间的价差。在现货溢价（backwardated）市场上，现货价格高于期货价格，由于期货价格会向现货价格靠拢，所以在这种情形下期货的展期收益大于零；在期货溢价（contango）市场上，现货价格低于期货价格，从而展期收益为负。
2.成长型
成长型策略试图通过对所考虑资产以往的增长水平进行分析而对未来的走势进行预测。国内生产总值（GDP）或收益预测都属于这类预测的范畴。判断一只股票属于成长型资产，并不意味着它的收益会怎么样。成长型策略认为，在其他条件都相同的情况下，应该买入价格正在快速上涨的产品而卖出价格涨幅较慢甚至负增长的产品。一些成长性的度量指标，如市盈率与增长比率（PEG，PE比率与EPS增长率的比值），基本上都是度量价值的前瞻性指标。换句话说，通过比较预期增长与预期价值，在对金融产品可能会经历的正增长或负增长做出预测的基础上来判断金融产品的价格是否合理。假如你预计某项资产会快速升值，但由于这种升值的可能，市场上该资产的价格已经上涨，那么成长型交易的机会便不再存在。事实上，如果市场上该资产的价格已经上涨得远远超出你的预期，卖空该资产才是个合理的选择。当然很多种成长型策略仅仅关注买入价格快速上涨的产品而不考虑价格本身的高低，或者卖出价格停滞不前甚至下降的资产，即便是在价格非常便宜或者具有高收益的情况下也要卖出。
成长型投资策略的理论认为，价格的上涨通常都是存在趋势的，价格上涨最快的产品通常会比同类产品更具有优势。对于公司而言，快速扩张的公司比其增长缓慢的竞争对手更容易占有更多的市场份额。成长型投资者应设法尽早判断出公司的股价处于增长期，从而捕捉到公司股价未来更大的上涨幅度。在量化交易界，既有宏观成长型策略也存在微观成长型策略的实例。在宏观层面，一些外汇交易的策略都是基于这样一种观点：持有经济迅速增长的国家的外汇。至少这些国家的利率比经济增长缓慢或处于复苏期的经济体要高。这是一种前瞻性的利差交易。
在股票量化交易圈中，使用量化股票多空策略的宽客们经常使用与增长（率）相关的指标使得他们的阿尔法模型更加多元化。众多宽客和主观判断型交易者在使用成长型策略时，都会用到的一个重要的变量是关于公司预期收益（或关于市场情绪的预测，如价格目标、推荐等级等）的估计。在各种经纪公司工作的分析师们会公布他们的预测结果，并不定时地发布他们所研究公司的相关报告。买入增长期的公司股票，这一点和其他成长型策略是相同的，略有不同的是在股票交易中希望通过分析师们预测而不是等待公司官方公布其收益信息，从而尽早对公司的增长情况做出预判。由于这个策略主要依赖于市场分析师或经济学家的观点，也称为基于市场情绪的策略（sentiment-based strategy）。宽客群体并不完全相信情绪型策略，例如上文所提及的对收益预测不过是成长型策略所使用的变量而已。但是根据我的经验，情绪型策略和成长型策略在实务中是高度相关的，以至于它们经常被认为没什么差别。毕竟，华尔街的分析师们预测未来收益时经常会参考历史上的增长水平如何。
3.品质型
理论驱动型的基本面阿尔法模型的最后一类我们称为品质型。使用品质型策略的交易者认为，在其他条件相同的情形下，最好买入或持有高品质的产品而做空或减少持有低品质的资产。品质型策略的基本理念是看重资金的安全性，而成长型或价值型策略对这一点都没有予以重视。着眼于持有高品质金融资产的投资策略有利于保护投资者，尤其是在高风险的市场环境中。绝非偶然，这类策略常被称为安全投资转移策略（flight-to-quality）。这类策略在股票量化投资中经常用到，而在宏观性的量化交易中并不常用见到，可能是因为历史上国家违约的风险总是很低的缘故。随着经济危机在欧洲大陆的蔓延，越来越多的宏观型策略中也开始引入品质型模型。
一般地，衡量资产质量的指标可以分为五大类。
第一类是杠杆比率（leverage）。基于对杠杆比率的度量，在其他条件无差别时，应该卖出高杠杆比率的公司的股票而买入低杠杆比率的公司的股票。使用量化股票多空策略的分析师们经常使用债务股本比来判定股票的买卖，这个策略的本质就是认为，在其他条件相同时，杠杆低的企业要比杠杆高的企业更加可靠。
第二类度量品质的指标是收入来源的多样性（diversity of revenue source）。该指标认为，具有多种潜在增长渠道的国家或公司比渠道单一的国家或公司质量要高。所以，同等条件下，为各类用户提供多种产品或服务来盈利的公司，比只为特定目的生产单一产品的公司要更加稳定。对公司而言，收入的波动率（volatility of revenue）就属于这类指标。拿公司收益和股票价格的例子来说，同等条件下，投资者更青睐收益稳定（低波动率）的公司的股票，而不愿购买收益波动较大（高波动率）的公司股票。
第三类度量品质的指标是管理水平（management quality）。该指标认为，应该买入（卖出）具有好（不好）的领导团队的公司的股票。《名利场》（Vanity Fair）中很多文章都会提及这类指标。在《微软逝去的十年》（Microsoft’s Lost Decade）一文中，作者指出，微软在管理上的几次重大失误，导致这个世界上市值最大的公司衰落得“万劫不复”。正如你可能想到的那样，从所需要的信息角度去衡量，这是最难以量化的一类指标。但也有些指标可用来度量管理水平，如公司的财务报表中操纵性应计利润的变化。有观点认为，操纵性应计利润的变化越大，公司高层的管理能力越值得质疑。
第四类度量品质的指标是欺诈风险（fraud risk）。该指标认为，应该买入（卖出）欺诈风险较低（高）的公司股票或国家外汇。量化股票多空策略中的收益质量（earnings quality）指标便是欺诈风险的一个实例。该指标用于度量公司的真实收益（自由现金流等）与财报所公布的每股净收益间的接近程度。自从2001年和2002年接连爆发的会计丑闻（如安然和世通）后，该类策略逐渐引起重视，警示人们：有时候上市公司的高管更关注公司的财报是否漂亮，而不是兢兢业业地管理公司业务。
最后一种类型的策略是有关投资者对产品发行方（公司或国家）实力的情绪型策略。通常，基于品质的情绪型策略关注于与以上4种类型的指标相关的前瞻性评估。换句话说，要前瞻性地关注在杠杆、收益多样性、管理水平以及欺诈风险方面的任何变化。但是，这类策略并不常见，因为这四类指标的变化都具有偶发性，并且关于资产质量的投资者信心，信息来源较少，这些都造成了很难去检测是否具有统计学上的显著性。近年来，信用违约互换市场的逐步发展成为关于投资信心信息的来源渠道。也有一些投资者使用隐含波动率来衡量投资信心，但是隐含波动率的上升可能有很多原因，例如市场走弱，对公司未来增长的预期降低，公司收益低于预期以及其他与公司资产质量无关的原因等。
品质型策略的收益随时间波动很大，并且极度依赖于宏观市场环境。2008年，品质型策略在预测银行股的相对价格中大放异彩，尤其是一些品质型策略帮助投资者识别、避开并卖出具有高杠杆比率或涉猎大量抵押类业务的银行股，从而使投资者避开2008年的信用危机带来的损失，甚至从中获利。上文所提及的21世纪初的会计丑闻，对于品质型策略而言本是有利可图的。但是，对所有这些策略而言，当市场很惨淡时这些策略都可以盈利，当市场状态良好时这些策略都会表现一般，而当市场极度繁荣时这些策略的收益就会很凄惨。
以上我们对理论驱动型阿尔法模型如何盈利进行了介绍。概括起来，价格相关信息可以用在趋势跟随策略或均值回复策略，而基本面信息可用于价值型、成长型和品质型策略。这个划分有助于理解量化交易策略，也有利于理解阿尔法策略。这个划分就像提供了一份策略菜单，宽客们可以“点菜”创造出他们自己的策略。这个划分也有助于分析师们理顺其所用指标并进行分类汇总。有时候宽客们自己也会觉得存在很多阿尔法模型，但实际上并没有想象中那么多。
[1] www.turtletrader.com/trader‐seykota.html.
[2] Larry Hite and Steven Feldman，“Game Theory Applications，”Commodity Journal（May–June 1972）.
[3] Ginger Szala，“Making a Mint：How a Scientist，Statistician and Businessman Mixed，”Futures，March 1，1989.
[4] Gregory Zuckerman，“Renaissance Man：James Simons Does the Math on Fund，”Wall Street Journal，July 1，2005.
[5] Eugene Fama and Kenneth French，“The Cross Section of Expected Stock Returns，”Journal of Finance 47（June 1992）：427.Alpha Models：How Quants Make Money 65
[6] Ray Ball，“Anomalies in Relationships Between Securities’s Yields and Yield‐Surrogates，”Journal of Financial Economics 6，nos.2–3（1978）：103–126.