扫码登录手机登录

首页 > 我要参赛 > 冠名奖

第十二届广东大中专学生科技学术节-

第四届广东大学生金融建模大赛暨全国邀请赛 

冠名奖:王雄混沌量化投资创新奖

【冠名奖宗旨】

金融建模与量化投资有着极为丰富的内容,策略品种丰富多彩,金融市场是一个复杂的生态系统,不同的投资理念有不同的策略类型,都可以用量化模型的方法加以检验和实现。为鼓励策略创新,拓展策略思路,避免策略同质化,深圳大学混沌量化投资中心主任王雄教授特别在本次大赛中,增设冠名奖以额外奖励在市场研究与策略开发上有特别创新的参赛队伍。

【申请方法】

本奖励是基于大赛原试题,为原试题提供更加细致和丰富的思路拓展参考,参赛者是在完成原试题过程中,若策略满足任一个分项申请要求的请撰写一份详细的冠名奖申请策略研究报告,包括策略改进过程和由浅入深的每一个分项任务完成的过程,可将策略报告.doc、策略代码等全部支持文件,打包发送到wangxiong8686@szu.edu.cn,标题:最佳XX奖申请--申请人--队伍名--论文题目,邮件截止日期820日,以上仅供提供策略思路,特别冠名奖将给予包括但不限于上述问题做出卓越创新的参赛队伍额外奖励。

【评比方法】

特等冠名奖在总决赛答辩会上予以评比公布,评比方法为满足以下条件的申请者中择优奖励:1参赛者需获得总决赛邀请 2参赛者需提供完整的策略报告代码等支撑资料 3需提供截止到答辩日期的最新模拟交易曲线作为辅助评判,以检验是否满足申请指标

【奖励办法】

特别冠名奖独立评比,从有效申请者中择优奖励,在决赛当天公布和颁奖,可与一二三等奖叠加,也可授予某个方面杰出而未获得一二三等奖的队伍,每个冠名奖奖励5000元(税后)和荣誉证书,若某个奖没有满足要求的申请则该奖项空缺,单个队伍若在超过一个方面有创新也可叠加获得多个冠名奖,参赛队伍还可以获得量化相关辅导、横琴全球量化比赛指导报名和实习工作孵化机会等。

1最佳风险控制奖

仓位管理与风险控制是量化投资获取稳健收益的根本,同时程序化的执行力也是量化投资的优势,参赛者需完成由浅入深以下模型:

1. 对于股票类纯多型单股票标的,开发一个日线级全仓买入卖出择时策略,画出收益曲线和回撤图

2. 对于股票类纯多型单股票标的,开发一个日线级有仓位管理的分批买入卖出择时策略,目标是较1有更平滑的曲线,可统计在全股票池里这种回撤的改进

3. 对于股票类纯多型单股票标的,开发分钟级日内分散建仓策略,每日择高分批卖出昨日仓位,择低买入今日仓位,以进一步减小成本和控制回撤,特别是日内短时期暴跌的风险控制,对比2的收益回撤改进

4. 以上3步都以“方大炭素”为例以对比改进情况如何,并推广到更大股票池,为了统一对比这里以沪深300为例,统计在大样本池里每只股票改进情况,每只股票每一版本的收益回撤夏普等,以检验风控模型的普适性

5. 将上述方法应用到自行选定的一揽子股票中,通过组合继续减少回撤,注意这里是纯多头的回撤,不是对冲后的回撤,对比平均资金简单持有此一揽子股票与做仓位择时风控的效果差别改进

6. 通过大盘择时等其他风控继续优化组合回撤,对比改进效果,最终建立任给一组股票池,可以尽可能比平均资金简单持有此一揽子股票更多的附加收益和更小的回撤。

7. 对于期货类多空型单品种标的,建立多品种多周期多策略组合,控制回撤

奖项申请要求:近五年历史回测,通过基本模型附加上此仓位管理风控模块,期货多空类模型组合回撤不超过15%,股票类策略纯多头回撤不超过10%,回撤修复时间不超过3个月,同时夏普不低于2

此奖项评判要点:最终考察的是模型中仓位管理风控模块的效力,建立模型使得任给一组股票池,可以尽可能比平均资金简单持有此一揽子股票有更多的附加收益和更小的回撤;期货类模型也是追求多周期多品种组合控制风险。为了方便对比仓位管理与风控效果,请先以“方大炭素”为例演示仓位管理模块的一步步改进,再将最终改进完善的个股风控模型,应用到沪深300所有个股,统计整体表现并分析改进效果;最后以上证50股票池为例,对股票池做仓位管理和风控,超越指数。

 

2最佳风格轮动奖

没有模型可以适应所有市场风格,市场的风格轮动即是风险也是机会,唯有能迅速适应并捕捉市场风格的策略才可以获得持久活力,此模型针对股票类策略,旨在研究市场风格切换与捕捉,追求市场的风格或行业的贝塔机会,参赛者需由浅入深完成以下模型:

1. 大小盘风格轮动规律研究,参赛者以上证50与中证500股指为标的,合理调整分配资金到上证50股指、中证500股指和现金上,根据大小盘轮动规律切换风格以捕捉正确的行情,可主要看做多收益,除了用股指量价数据,最好利用宏观经济数据来辅助理解大小盘轮动

2. 根据1的大小盘轮动规律,分别对大小盘股风格采用相应的量化选股策略,并适时切换风格,配合止损风控,构成二八轮动股票策略

3. 基于量化模型算法对市场风格做进一步划分,如分成大中小盘和价值成长等六种组合,或按行业风格将一级行业分为若干五六个板块,或按照市值、市盈率、ROE等财务指标聚类,类似于动态多因子策略,再研究这若干个少数板块之间的轮动规律,并据此产生策略。注意这里的划分需要是基于数据的量化聚类,而不是主观的行业或概念划分,合理的划分很重要,合理的划分后才可能看到清晰的轮动规律,从数据中发掘的真实存在的轮动规律能予以经济学解释最佳

4. 进一步在大的划分里继续聚类,对市场结构细化地聚类,如一分为三,三分为九,九分为二十七个板块等等,在宏观大的风格轮动里,力求捕捉更细节的微观轮动

5. 分别对不同市场风格来产生针对性的操作策略,最终完成轮动模型

奖项申请要求:大小盘轮动策略需超越上证50与创业板等指数走势,如17年的风格切换可以顺利切换捕捉到,风格轮动策略本质上是去追逐市场的风格行业贝塔,所以要求近五年多头总收益超过500%2017年化不低于20%

此奖项评判要点:能从数据中挖掘出市场结构划分,并捕捉到轮动规律,应用到策略上,在各个时期可以切换捕捉到相对正确的行情,同时予以相应的风险控制。

3最佳因子创新奖

多因子选股是传统的量化选股模型之一,量化因子分析体系也是非常的完善,如何根据传统的因子构建出创新因子,如何组合利用传统因子,如何挖掘新的因子,是此类策略的目标,参赛者需由浅入深完成以下因子创新尝试:

1. 不同的因子有效期不同,将传统因子按近期、中期、长期来测试,分别得到近中长期有效的因子,并完成初步的调仓周期为每天、一周、两周、一个月、三个月等不同周期的多因子选股策略

2. 基于数学算法对传统因子的开发改进,传统的财务指标直接作为因子测试可能会有大量的指标无效,通过对这些指标的改进,如考察指标的变化率,考察指标的组合,利用主成分分析对因子降维组合,产生新的有效因子

3. 基于经济财务原理对传统因子的开发改进,比如相对市盈率因子,考察的股票市盈率在同行业市场中的分位位置和自身历史上的相对位置的变化,就比单纯用市盈率因子要更有效,更多基于经济学原理的因子的加工和改进创新

4. 除了全局有效的因子,在特定市场条件下、在特定行业分别去挖掘局部有效因子

5. 因子没有一劳永逸和放之四海而皆准,但可以得到在特定市场条件下、特定时间周期下、特定股票池里的显著有效的因子,并据此分别在各种条件下完成因子选股模型

奖项申请要求:因子创新策略本质上是去追求基本面相对优质的公司,追求相对收益,所以在纯选股、全仓持有、定期调仓的情况下,期望80%的月度战胜大盘。

此奖项评判要点:因子的挖掘,既可以基于自下而上的数据挖掘机器学习等方法,也可以基于自上而下的先有财务逻辑再数据检验。

4最佳量化基本面奖

基本面量化投资Quantamental是结合基本面分析与量化模型优势的研究方向,股票价格有很大的波动但长远看还是取决于股票发行公司的基本面内在价值,此题目要求参赛者用数量化建模的方法利用财务数据对个股公司目标价格区间做出建模估计,由浅入深依次完成以下目标:

1. 基于相对估值模型,总结出市场上合理的各可比公司,基于各行业的财务特性,找到相对被低估的公司并写成策略检验

2. 基于相对估值模型和绝对估值模型,以贵州茅台为例,基于16年年报及过往数据,对2017年茅台的目标价位进行分析

3. 类似于Black-Litterman模型利用概率统计方法,将投资者对大类资产的观点与市场均衡回报相结合,股价区间估计模型的输入可以结合客观的每个公司的财务数据,也可以加上对某个具体行业或概念的打分给予溢价或折价,最理想的是通过历史模型与市场表现的差异来给出这个溢价或折价,自适应地调整这个预测

4. 由于中小市值股票受市场影响较大,所以以上模型对沪深300所有股票都进行目标价位区间预测,统计预测涨跌方向准确率、涨跌幅准确率等

5. 基于个股的价格区间预测来完成策略,长期持有若干股票,并优化绩效曲线

奖项申请要求:能给出长期大概率的方向性判断是基本面分析的目标,历史五年每年基于过往年报等数据对当年沪深300所有股票做一个价格区间判断,即每年预测300只股票的目标股价区间,其中超过60%在预测后一年内真实到达了预测区间,其中预测涨的股票有80%以上最终涨过了股价下区间。

此奖项评判要点:基本面看好的股票短期仍然可能受市场影响而波动,但此模型的目标就是通过自动化模型对全市场各个股票给出参考价,重点还是基于财务和行业研究的知识如何给出不同行业的合理估值预测,最终目标在于基本面看好的大多数在充分时间后达到了目标价格区间。

5最佳人工智能奖

近年来,人工智能技术突飞猛进,人工智能方法在量化投资里的应用也有很多的应用,如支持向量机、决策树、随机森林、AdaBoost、神经网络、深度学习、强化学习等等。一般流程包括数据获取、特征提取、数据转换、模型训练、模型选择和模型预测,但投资和金融市场的问题不同于图像处理语言识别,获利还是要靠对市场的理解分析判断。除了用机器学习的监督学习来做多因子选股,人工智能算法在量化投资中还有很多其他的应用场景,参赛者需从以下题目中选择若干个选择完成:

1. 利用无监督学习聚类算法,基于每只股票的量价数据,对市场上的股票进行板块划分

2. 利用监督学习支持向量机、决策树、随机森林、AdaBoost等建立动态多因子选股模型,注意提高模型的可解释性与自适应性

3. 利用无监督学习降维算法,对单个股票的诸多数百个因子进行PCA压缩,构建少数几个维度的合成因子,并尝试解释这些合成因子的经济学意义;任一只股票则是这个合成因子的几个维度张成的空间中的一点,在此空间中对市场上的股票进行聚类分析,并研究基于此分类的选股策略

4. 利用人工智能算法,基于分钟级的量价数据,对日内走势形态进行聚类,对下一个交易日的日内走势形态进行预测,针对上证50指数检验准确率

5. 利用人工智能算法,对股票主升浪前若干天的量价和基本面等数据进行分析并提取特征,并检验测试准确率,据此完成策略检验

6. 利用人工智能算法,对历史上股票或指数暴跌前的若干天的分钟级量价信息进行分析,提取暴跌特征,进行预警,并检验准确率

7. 利用深度学习,自行数据预处理和特征提取完成学习生成有效策略

8. 利用强化学习,构建一个虚拟交易环境,由算法自我进化学习生成有效策略

9. 其他的一切有助于智能理解市场和可以指导操作的创新方法

奖项申请要求:能在样本外有稳定的超越大盘的表现,人工智能算法有自适应性

此奖项评判要点:利用人工智能算法辅助开发策略,使得策略更加智能,同时模型有较好的可解释性和自适应性。

 

 

注:本策略思路与试题由王雄提供,仅供此次大赛使用,本冠名奖最终解释权归王雄所有

 

 

高校金融建模大赛组委会 

2018327日星期二