阿尔法策略产品——量化选股模型课件

阿尔法策略、阿尔法套利、贝塔策略在现在资本市场定价理论中，投资组合的收益率(rp)可以表达为右边第一项beta*rm 也就是贝塔收益，第二项alpha 也就是阿尔法策略收益（尽管这两部分都是随机变量）。

所谓市场是牛市还是熊市看的是rm；beta对于一个投资组合来说短时间内是固定的；而阿尔法策略就是beta＝0，即rp＝alpha的策略。

1、（1）什么是阿尔法策略？投资者在市场交易中面临着系统性风险（即贝塔或Beta、β风险）和非系统性风险（即阿尔法或Alpha、α风险），通过对系统性风险进行度量并将其分离，从而获取超额绝对收益(即阿尔法收益)的策略组合，即为阿尔法策略。

从广义上讲，获取阿尔法收益的投资策略有很多种，其中既包括传统的基本面分析选股策略、估值策略、固定收益策略等等，也包括利用衍生工具对冲掉贝塔风险、获取阿尔法收益的可转移阿尔法策略。

后者在国内通常被称为阿尔法对冲策略，并在近年A股市场上得到广泛应用。

（2）阿尔法策略是如何构建的？阿尔法策略所涉及的市场领域非常广泛，在股市、债市、商品市场等各类市场都有应用。

而目前国内市场上最常见的还是股市阿尔法对冲策略，其通常利用选股、择时等方面优势，寻找具有稳定超额收益的现货组合，通过股指期货等衍生工具来分离贝塔，进而获得与市场相关度较低的阿尔法收益。

尤其是在熊市或者盘整期，可以采用“现货多头＋期货空头”的方法，一方面建立能够获取超额收益的投资组合的多头头寸，另一方面建立股指期货的空头头寸以对冲现货组合的系统风险，从而获取正的绝对收益。

此外，还有机构根据获取阿尔法的途径，采取统计套利、事件驱动、高频交易等策略来获取阿尔法收益。

而在上述各种策略构建过程中，基于大类资产配置、行业配置、择时与选股体系的量化策略均得到了广泛应用。

2、阿尔法套利阿尔法套利是指指数期货与具有阿尔法值的证券产品之间进行反向对冲套利，也就是做多具有阿尔法值的证券产品，做空指数期货，实现回避系统性风险下的超越市场指数的阿尔法收益。

阿尔法量化1. 什么是阿尔法量化阿尔法量化是指利用计算机技术和数学模型，对金融市场数据进行分析和挖掘，通过寻找并实施一系列投资策略，以获取超额收益的一种投资方法。

该方法主要基于大量数据和复杂的算法模型，旨在捕捉市场的非理性行为、历史走势和市场中的价格差异，帮助投资者更加科学地进行决策。

阿尔法量化投资的理念是，通过系统性的建模和分析，发现市场的非有效性和价差，从而获取相对于市场平均收益的“阿尔法”收益。

阿尔法是指与市场无关的收益，即超过市场基准的收益。

量化投资的核心在于不断寻找和实施能够创造阿尔法收益的策略，并将其运用于实际的投资组合管理中。

2. 阿尔法量化的基本原理阿尔法量化投资的基础是建立一个合理的数学模型，通过对投资标的和市场行为的分析，找到相对于市场平均收益的差异。

基本原理包括：2.1 数据收集和处理阿尔法量化投资的第一步是收集和处理大量的金融市场数据，包括股票价格、市场指数、财务数据等。

这些数据将通过计算机技术进行整理和存储，以便后续的分析和挖掘。

2.2 建立数学模型在阿尔法量化投资中，数学模型是非常重要的工具。

通过对历史数据和市场行为的分析，建立数学模型可以帮助投资者发现市场的非有效性和价差。

常用的数学模型包括回归模型、时间序列分析、神经网络等。

2.3 策略设计和回测在建立数学模型的基础上，投资者需要设计一系列的交易策略，以获取超额收益。

策略的设计包括选择适当的交易标的、设置交易信号和止损点等。

设计好策略后，需要进行回测，即对历史数据进行测试和验证，以评估策略的有效性和稳定性。

2.4 实施和执行当策略通过回测验证后，投资者可以将其应用于实际的投资中。

实施策略的方式有多种，可以是全自动化的交易系统，也可以是半自动化的交易决策。

在实施和执行过程中，需要不断监测和调整策略，以适应市场的变化。

3. 阿尔法量化的优势和风险3.1 优势阿尔法量化投资相较于传统投资方法具有以下优势：•量化投资可以充分利用大数据和高速计算的优势，对市场进行全面、深入的分析和挖掘，降低主观判断的影响。

阿尔法策略传统的基本面分析策略。

积极型的管理者依靠团队优势和经济分析能力，相信能够强于市场或更加深刻地理解公司的基本情况，通过选取品质良好、处于业绩成长期间的优秀企业，寻找内在价值被市场低估的潜力企业，以此来战胜和超越市场。

这主要依赖于管理者的能力和素质。

市场轮动策略。

承认市场是风格轮动转换的，先人一步发现受市场追捧的题材、热点因素，把握相应的市场机会。

这依赖于管理者准确把握市场变动时点的能力。

估值策略。

与基本面策略类似，但倾向于投资低估值股票，也就是相对便宜的股票，低市盈率、低市净率等是主要的目标。

动量策略。

基于动量效应，选择投资目标。

动量效应理论认为，如果某只股票或组合在前一个时期表现较好，那么在后续的一段时间里它或它们也将有较好的表现。

波动捕获策略。

基于数理统计模型，寻找相关度低、波动和收益较大的股票进行组合，以获取较好的收益同时承担相对较小的风险。

这是根据马科维茨组合选择理论的数学技术。

行为偏差策略。

根据行为金融理论，市场投资者根据对信息的不同理解存在行为偏差，所以市场经常过度反应或反应不足，而市场最终会进行纠正。

这要靠经理人敏锐的市场触觉和智慧。

可转移Alpha策略。

在该策略中，Alpha是移动的，附加于Beta之上的，因此可以将他们分离。

移动Alpha策略的操作较为复杂，但它的基本思路很简单。

投资者不再将资金存放到共同基金、委托它们去投资金融市场，而是选择一个跟踪指数的衍生产品，例如跟踪标准普尔500指数。

这些合约使得投资者投到市场中的资金大大减少，让他们能留出多余现金投向共同基金和其他投资工具中，为投资者带来该策略的“阿尔法”部分。

除了能够发挥规避股票现货市场系统性风险的基础功能外，股指期货的顺利推出为投资领域的策略研发和应用拓展了极大的施展空间。

移动Alpha策略从上世纪80年代起，已在国际机构投资领域逐步崭露头角。

由于这类策略多具有表现形式多样、手段灵活的特点，可用于满足各类型投资者的不同风险偏好，因此长期来持续受到市场的广泛关注。

阿尔法策略―――股指期货熊市投资行之有效的实务操作作者:蓝昭钦来源: 日期:2009年07月06日声明：本公司网站提供的任何信息仅供参考，投资者使用前请予以核实，风险自负。

在本文作者所知情的范围内，本机构、本人以及财产上的利害关系人与所评价的证券没有任何利害关系。

综合来看，阿尔法策略的成功存在两个关键点：一是稳定超额收益Alpha的寻找；二是阿尔法投资组合系统风险Beta的对冲。

稳定的Alpha可以确保选择的资产在执行阿尔法策略期间依然能跑赢市场基准（一般为市场大盘指数，如沪深300指数），获取超额收益；但要将资产的Alpha收益转变为正的绝对收益，还取决于组合系统风险Beta的对冲情况。

目前对于寻找稳定Alpha的工作，很多人已经做了大量研究，但对对冲系统风险Beta 的研究则少之又少。

阿尔法策略的根本思想就是分离市场的系统风险，获取稳定的Alpha收益。

因此，投资组合系统风险的对冲至关重要。

本文将主要研究阿尔法策略应用于开放式基金与股指期货组合时，利用股指期货对冲系统风险Beta的具体细节。

一、开放式基金与沪深300股指期货投资组合的收益我们注意到影响组合收益的主要因素有：（1）持有期的超额收益。

基金持有期的超额收益越高，阿尔法投资组合的收益越高。

基金能取得正的超额收益是阿尔法策略成功的第一步。

关于寻找稳定Alpha收益的研究主要集中于股票、基金等证券资产的分析，本文暂不做讨论。

（2）保证金比例。

保证金比率越低，组合的收益越高。

这往往跟交易所的规定以及期货市场的风险有关，较为被动。

（3）组合的系统风险β。

期货头寸盈利时，β增大，组合的收益增高；而期货头寸出现亏损时，β减小，组合的收益增高。

组合的系统风险β就是我们使用股指期货对冲系统风险时的对冲比例，是对冲效果的关键。

这类似于资产进行套期保值时套期比例的确定，目前已有诸多文献进行过研究，我们前期关于股指期货套期保值的文章也做了深入探讨。

两者最大的不同点在于，套期保值是对现有资产被动地对冲风险，而阿尔法策略中的对冲，则更多是一种主动的策略，主动地规避系统风险寻求稳定的绝对收益。

探究alpha策略、beta策略和FOF的配置1、固定风险额度下，alpha-beta 合成策略优于单一策略对于任意两个有效的Alpha 策略和Beta 策略，在给定的跟踪误差（或者偏离风险）额度下，alpha-beta 合成策略的风险调整后收益，通常优于任意一个单一策略。

一个最直接的例子就是行业内选股的Alpha 策略，与行业配臵Beta 策略。

只要两个策略都是有效的，那么将两个策略合成，通常会比任意单一策略的风险调整后收益要高。

这是因为在绝大多数情况下，Alpha 策略与 Beta 策略的相关性非常接近于 0。

在同样的风险暴露下，Alpha-Beta 合成策略的风险调整后收益更具有吸引力。

2、动态风险管理：牺牲少量长期收益，有效降低最大回撤如果将基金平均收益水平视为基准，存在FOF 的配臵方法，使得该FOF 可以收敛于(或者至少不亚于)这个基准。

那么，在现有Alpha 策略和 Beta 策略均相对基准回撤的前提下，FOF 则具有了相对的配臵价值。

此类FOF 是对现有策略的补充，对降低相对排名的回撤具有重要的作用。

3、市场参与者的博弈对于风险厌恶的基金经理，在所关心的时间尺度下，首先来判断FOF 基准配臵和已有策略之间哪个更具有优势。

如果 FOF 基准更具有优势，则配臵FOF，优先降低风险；如果策略更具有优势，则配臵Alpha 和 Beta 策略，优先提高收益。

策略的配臵比例通过“固定风险额度下的收益最大化”来解决，得出的投资组合为风险调整后收益最优的投资组合。

投资摘要市场参与者之间的博弈是一个很重要的课题。

本报告以基金的相对排名为基准研究对象，分析了对于不同风险偏好的市场参与者，特别是风险厌恶者的理性投资决策。

假设市场参与者拥有三类资产可供投资：（1）Alpha 策略（2）Beta 策略（3）基金4、市场参与者可以分两步改善收益风险比：（1）通过静态风险管理实现同等风险条件下，收益水平的提升。

【常用量化策略】市场中性alpha策略
1，介绍：
市场中性alpha策略是指同时构造多头和空头以对冲市场风险。

无论市场处于上涨还是下跌的环境中，都能获得稳定收益的一种投资策略。

市场中性alpha策略是一类收益与市场涨跌无关，致力于获取绝对收益的低风险量化策略。

主要通过同时持有股票的多头和期货空头，以获取多头组合超越期货所对应的
benchmark的收益。

2，思想：
alpha策略最初由William Sharpe 在1964年的《投资组合理论与资本市场》中提出。

即著名的CAPM模型。

文章认为，投资组合的预期收益来自于无风险利率和系统性风险溢价的和。

alpha策略的思想就是通过期货对冲掉系统性风险beta，锁定超额收益alpha。

其隐含的策略逻辑是，择时是困难的，不想承担市场风险。

3，方法：
实践中，alpha策略的构造方法：
多头：多采用多因子模型构造股票组合
空头：做空一个指数（HS300，ZZ500等）
策略成功的关键：
找到一个超越做空工具基准收益率的多头组合策略。

4，评价：
市场中性alpha策略是一种科学成熟的策略。

实际使用中，往往采用多因子模型构造股票组合的多头并同时看空指数，以对冲系统性风险beta，获得超额收益alpha。

采用多因子模型能有效结合基本面和技术面，可能让策略更稳健可靠。

该策略标的广、市场容量大，基本没有产品规模限制。

基于量化投资策略下超额收益ALPHA模型的建立与实践一、超额收益ALPHA模型的理论基础超额收益ALPHA模型是一种衡量资产组合相对于市场基准的超额收益能力的量化模型。

它通常通过收益率的统计分析和基准组合的构建，评估资产组合中的ALPHA值以及ALPHA对各项风险的敏感度。

在量化投资中，ALPHA被认为是衡量投资组合相对于市场表现的一个重要指标，可以帮助投资者评估投资组合的超额收益能力。

ALPHA模型的建立基于CAPM（资本资产定价模型）和FAMA-FRENCH三因子模型等经典理论。

CAPM认为资产预期收益率由市场风险溢价决定，而超额收益ALPHA则是资产在超出市场风险之外的额外收益。

FAMA-FRENCH三因子模型则加入了市值和账面市值比两个因子，对投资组合的超额收益进行解释。

在实践中，超额收益ALPHA模型的建立需要对投资组合的历史数据进行收益率和风险的计算，构建市场基准和风险因子模型，进而通过回归分析等统计方法计算出ALPHA值和ALPHA对各项风险因子的敏感度。

1. 数据收集与处理超额收益ALPHA模型的建立首先需要对资产组合的历史数据进行收集和处理。

这包括各种资产的价格、成交量、分红等市场数据，以及市场基准的收益率数据和风险因子的历史数据。

在数据处理方面，除了常规的数据清洗和去除异常值外，还需要进行收益率和风险的计算，比如对资产的日收益率进行计算，并进行累积得到期末的累计收益率。

还需要计算风险因子的收益率和市场基准的收益率，并对其进行标准化处理。

2. 市场基准和风险因子的构建在构建超额收益ALPHA模型中，市场基准和风险因子是非常重要的。

市场基准通常选择市场指数作为代表，比如股票市场可以选择沪深300指数或标普500指数等。

而风险因子通常选择市值因子、账面市值比因子等，也可以根据具体情况选择其他因子。

在实践中，市场基准和风险因子的构建需要对历史数据进行统计分析，并加以验证和修正，在确定了市场基准和风险因子后，可以进一步进行模型的建立。

数量化选股——以alpha模型为例作者：王郁来源：《中国经贸·下半月》2012年第03期一、引言随着资产管理学科的不断更新和发展，数量化资产管理的策略如今被广泛的运用，越来越多的基金管理人采用了这一成本较低、客观性较强的策略进行资产选择和配置。

同时，都在很大程度上推进了数量化选股的进程。

国际上一些著名的资产管理机构，如巴克莱（Barclays Global Investors），，都有各自的数量化模型并且也发行了许多相关的金融投资商品。

二、数量化选股目前世界上有很多基金经理人开始采用数量化选股模型进行投资决策。

数量化选股，是指利用市场指标、经营指标、财务指标等可以数量化的因素，在众多上市公司中选出符合条件的公司股票进行投资。

数量化选股的模型主要有线性回归模型、主成分分析模型等。

国内外很多学者都运用了这些模型进行实证分析。

如Fama-French(1993) 的三因子模型认为，资产组合的超额回报率由上市公司的市值因子(SMB)、账面市值比因子(HML)以及市场资产组合(Rm ? Rf)决定。

数量化选股的优势在于，利用客观数据进行分析做出判断，避免了因基金经理人的主观判断错误而可能造成的偏误，一旦模型构建完毕，需要维护和修改所需要的人力物力远小于传统的基本面分析，对于基金公司而言，可有效节省成本，增加公司利润。

三、选股策略：以Alpha model为例1.介绍Alpha选股模型是一种将信息转变成Alpha分数的方法，据此经理人能够判断投资于哪些资产以及该如何配置投资组合。

本文所说的Alpha选股策略是采用 Qian (2004)的方法，利用两阶段的方法结合多个因子产生Alpha分数，建构多因子模型不仅包含讯息相关系数(Information Coefficient, IC)的时间序列，也包括同时期因子讯号之间的相关性，透过模型求解极大化IR的目标。

2.要素筛选及数据处理对于基金管理而言，信息运用的成功与否往往是决定成败的重要因素。

阿尔法 (ALPHA)策略Alpha策略是典型的对冲策略,通过构建相对价值策略来超越指数，然后通过指数期货或期权等风险管理工具来对冲系统性风险。

中性策略也是比较典型的对冲策略,通过构造股票多空组合减少对某些风险的暴露。

Alpha策略和中性策略在本质上差异最小，Alpha策略可以看成中性策略的一种。

但是Alpha策略的约束更小,其Alpha来源可能是行业的、风格的或者其他的；而中性策略则将更多无法把握的风险中性化了。

一、阿尔法(ALPHA)策略1.什么是阿尔法 (ALPHA)策略？投资者在市场交易中面临着系统性风险(β风险)和非系统性风险(α风险)，通过对系统性风险进行度量并将其分离，从而获取超额绝对收益的策略组合，即为阿尔法策略。

从广义上讲，获取阿尔法收益的投资策略有很多种，其中既包括传统的基本面分析选股策略、估值策略、固定收益策略等，也包括利用衍生工具对冲掉贝塔风险、获取阿尔法收益的可转移阿尔法策略。

2.阿尔法策略有哪些关键要素？Alpha策略的成败有两个关键要素：其一是现货组合的超额收益空间有多大；其二是交易成本的高低。

两者相抵的结果，才是Alpha策略可获得的利润空间。

在股市Alpha 策略中，最考验策略制定者水平的因素在于选股方法和能力。

阿尔法策略就是买入一组未来看好的股票，然后做空相应价值的期货合约，组合对冲掉系统性风险，组合的收益完全取决于投资者的选股能力，而与市场的涨跌无关，做到了市场中性。

3.阿尔法策略的优势？阿尔法策略有三大优势：一是回避了择时这一难题，仅需专注于选股；二是波动较单边买入持有策略要低；三是在单边下跌的市场下也能盈利，阿尔法与市场的相关性理论上为0。

在熊市或者盘整期，可以采用“现货多头＋期货空头”的方法，一方面建立能够获取超额收益的投资组合的多头头寸，另一方面建立股指期货的空头头寸以对冲现货组合的系统风险，从而获取正的绝对收益。

4.如何构建阿尔法策略？阿尔法策略所涉及的市场领域非常广泛，在股市、债市、商品市场等各类市场都有应用。

Alpha策略Alpha策略是通过因子模型来获取超额收益的策略，这里的超额收益往往是指没有经过风险调整的,单纯衡量资产组合收益率超过基准指数收益率的部分。

获取这种超额收益的目的主要是通过卖空股指期货构造对冲策略。

可转移alpha 策略不同于alpha策略，需要投资组合能够获取经风险调整后的超额收益，即CAPM模型中的alpha.所谓因子模型，就是通过因子来解释股票收益率，每只股票都有相同的无数个因子，在不同时期不同个股能有效解释收益率的因子是不一样的。

衡量因子有效性的指标是信息比.每个因子的更新时期不同，有些因子要隔一段时间才能得到最新的数据，因此随着时间的推移,直到数据更新之前，因子的有效性也会逐渐下降。

除了时效性,还有一种因子的有效性下降情况,就是因子的轮动，有效性高的因子种类可能会发生改变，原来用于资产选择的因子有效性会降低，如果需要根据最新的有效因子进行资产重新配置，将会因为提高资产组合的换手率造成大量的交易成本，因此还需要权衡因子有效性和交易成本，一些研究报告也做了诸如此类的研究，提出了因子的半衰期.半衰期是指因子IC_IR下降到一半的时间。

因子还有可能如果是多因子模型,还需要考虑因子的加权方式,根据加权结果得出最终评分,再将个股进行分档，构建投资组合.行业配置也可以用alpha策略进行配置，同样也是根据因子模型对行业进行筛选和加权构建投资组合.Alpha策略因子选择Alpha策略因子有多种，可分为统计因子、宏观经济因子、基本面因子。

统计因子包括动量和反转等；宏观经济因子有通货膨胀率和无风险利率等;基本面因子有PE、PB、ROE等。

运用最多的是alpha因子，即通过CAPM模型计算的经风险调整后的超额收益，运用已实现的alpha因子可以构建alpha动量组合和alpha反转组合。

Alpha动量组合、alpha反转组合及基准指数往往可以构建大盘方向性指标，有研究报告做出过相关分析，运用Alpha动量与反转策略与基准指数的相互比较，可以研判市场目前所处的状态和未来的走势，即识别市场是处于牛市、熊市还是盘整市。

1.阿尔法基金的原理阿尔法基金的目的是建立一个能够充分利用基金经理人选股技巧的投资组合，同时使基金业绩不受系统风险的影响，即用股指期货空头分散掉整个组合的系统性风险(Beta风险)，使组合不论大盘涨跌，都能获得绝对收益，其收益率为无风险利率加上由于基金经理人的选股技巧而获得的超额利润率。

该基金面临的风险是由选择的股票组成的投资组合的非系统性风险。

阿尔法基金的设计原理来源于资本资产定价模型(CAPM)。

E(ri)是资产i的预期回报率,rf是无风险利率,βim是[[Beta系数]]，即资产i 的系统性风险,E(rm)是市场m的预期市场回报率,E(rm)−rf是市场风险溢价，即预期市场回报率与无风险回报率之差。

补充：阿尔法值是计算在同一风险水准(贝他值)之下，基金的实际回报与预期回报之间的差距。

若阿尔法值为正数，表示基金的表现优于在同一风险水准之下的预期回报；如阿尔法值为负数，则表示基金没有达到贝塔值所预期的回报。

一些投资者将阿尔法值视为计算基金经理表现的指标。

不过，阿尔法值有时并不能完全准确地反映基金经理的表现。

例如，在某些情况下，阿尔法值为负数的原因是基金计算回报时已将收费包括在内，但用作比较的指数则没有。

阿尔法值的准确性取决於贝塔值。

如果投资者接受贝塔值能反映出所有风险，则阿尔法值为正数即表示基金表现良好。

当然，贝塔值的准确性还要取决于另一数据－R平方值。

贝塔值用来量化个别投资工具相对整个市场的波动，将个别风险引起的价格变化和整个市场波动分离开来。

贝塔值采用回归法计算，将整个市场波动带来的风险确定为1。

当某项资产的价格波动与整个市场波动一致时，其贝塔值也等于1；如果价格波动幅度大于整个市场，其贝塔值则大于1；如果价格波动小于市场波动，其贝塔值便小于1。

阿尔法就是高于经β调整后的预期收益率的超额收益率。

其最初是由William Sharpe在其著作《投资组合理论与资本市场》中首次提出的，他认为投资者在市场中交易面临系统性风险和非系统性风险，公式表达为：E(Rp)=Rf+β×(Rm-Rf)，其中β=Cov(Ri，Rm)/Var(Rm)，E(Rp)表示投资组合的期望收益率，Rf为无风险报酬率，E(Rm)表示市场组合期望收益率，β为某一组合的系统风险系数。

量化选股模型——阿尔法动量模型在证券市场上，早期收益较高的股票在接下来的表现仍会超过早期收益率低的股票，这就叫动量效应；证券市场上还有一种效应叫反转效应，它是指买进过去收益差的股票，而卖空收益好的股票，来进行套利。

动量效应常出现在一些高成长股票上，而且其股价没有完全反映其基本面和业绩预期，例如蓝色光标等。

而反转效应常出现在经过高成长后的开始衰退的公司，例如四川长虹等。

1993年，美国学者Je-gadeeshkg 与Titman 在对资产股票组合的中间收益进行研究时发现以3-12个月为间隔所构造的股票组合收益呈连续性，即中间价格具有向某一个方向连续的动量效应。

一些研究显示，如果选择低市盈率(PE)的股票，选择股票市值比账面价值低的、历史收益率低的股票，往往可以得到比预期收益率高很多的收益，而且这种收益是一种长期异常的收益。

在中国股票市场，热点切换及投资者的风险偏好会常常发生转变，这也使得动量效应和反转效应不断出现。

例如在2012年初的这一波反弹中，酿酒类和房地产类股票持续上涨，表现出明显的动量效应。

可是说了这么多，如何去把握这种效应呢？传统证券组合管理理论中，应用基本分析和技术分析可以把握市场的动量收益，但基本分析太过繁琐，需要大量资料，而人的时间有限，经历有限。

技术分析又太过表面，很难把握。

而现代证券组合管理理论中，CAMP （资本资产定价模型）中的证券特征线，阐述了这个动量，即动量效应是来自Alpha 收益的，并非市场所带来的风险溢价收益。

阿尔法动量模型1） 阿尔法动量通过证券特征线，我们可以将一只股票未来预期回报拆为Alpha 、Beta 、残差3个部分，用公式描述为：E(r p )=αj +βj r m +ε (式1.1)式中αj ——证券j 的偏离市场回报βj ——证券j 的风险系数ε——证券j 的残差从量化投资的角度来说，积极型股票投资者的目标可以理解为寻找正的Alpha 动量，这个过程通常是由基本面分析完成的。