12  《量化投资》期末考试复习指南

各位同学：

大家好！本学期《量化投资》课程即将结束，为帮助大家更好地准备期末考试，特整理本复习指南。期末考试旨在考察大家对课程核心理论知识的理解和应用能力。

考试形式： 闭卷笔试 题型分布（参考）： 选择题、判断题、简答题、案例分析题 考试范围： 主要覆盖课程讲义及课堂讲解的核心内容。

复习要点：

1. 有效市场假说 (EMH - Efficient Market Hypothesis)

• 核心内容:
  • 理解弱式、半强式、强式有效市场的定义和关键区别。
  • 掌握在不同市场有效性假设下，技术分析、基于公开信息的基本面分析以及内幕信息交易的有效性。（重点关注半强式有效市场及其对基本面分析的影响）
• 考点提示: 选择题可能直接考察定义或不同分析方法的有效性。

2. 资本资产定价模型 (CAPM - Capital Asset Pricing Model)

• 核心内容:
  • 思想: 解释风险与预期收益的关系，强调只有系统性风险（用 Beta $ $ 衡量）才能获得风险溢价。理解系统性风险与非系统性风险的区别，以及分散化投资的作用。
  • 公式: $ E(R_i) = R_f + _i (E(R_m) - R_f) $，理解公式中每一项的含义。
  • 假设: 熟记 CAPM 的主要假设（投资者理性、追求效用最大化、无风险资产存在、同质预期、市场无摩擦等），尤其要清楚哪些不是其假设（例如：存在交易成本和税收）。
  • 局限性: 了解 CAPM 在现实应用中的不足（例如：对市场 Beta 的依赖、对“市场异象”如规模/价值效应解释力不足、假设过于严格等）。
• 考点提示: 选择题考假设、局限性；简答题可能要求解释核心思想、局限性。

3. 三因子模型 (Fama-French Three-Factor Model)

• 核心内容:
  • 动机与改进: 理解 FF3 模型是对 CAPM 的扩展，旨在更好地解释 CAPM 无法解释的股票收益横截面差异。
  • 因子构成: 熟记三个因子：市场风险因子 (MKT)、规模因子 (SMB - Small Minus Big)、价值因子 (HML - High Minus Low)。知道哪些因子属于 FF3，哪些不属于（例如：动量因子 Momentum）。
  • 因子构建:
    • 重点: 详细理解 SMB 和 HML 因子的构建逻辑和步骤（如何根据市值 Size 和账面市值比 B/M 进行排序、分组（2x3交叉分组）、如何计算多空组合的因子收益）。
    • 理解 SMB 旨在捕捉“规模效应”，HML 旨在捕捉“价值效应”。
  • 因子的一般概念: 理解什么是因子（驱动收益的共同来源），因子研究的目的是识别这些来源。
  • 因子模拟投资组合 (Factor Mimicking Portfolio): 理解其构建目的（获得对特定因子的纯粹风险暴露，衡量风险溢价）。
  • 价值因子专题 (结合案例):
    • 理解价值因子为何可能有效（风险补偿 vs. 行为金融学解释）。
    • 熟悉构建价值策略的流程（选指标如 B/M、P/E；排序筛选；构建组合-多头/多空/权重；调仓频率）。
  • 理想因子的特征: 了解一个好的因子应具备的特性（持续性、普遍性、稳健性、可投资性、有经济解释）。
  • 因子模型扩展: 了解 FF3 之后还有其他因子模型（如五因子模型，增加了 RMW、CMA）和重要因子（如动量 MOM）。
  • 中国市场应用: 了解在中国市场构建和应用 FF3 模型时需要考虑的特殊问题（数据质量/长度、市场结构、分组方式调整、因子有效性差异等）。
• 考点提示: 选择题考因子构成、因子特征；判断题考因子定义；简答题重点考 SMB/HML 构建过程、模型比较 (vs CAPM)、中国市场应用；案例分析可能围绕某个具体因子展开。

4. 预测变量选择与投资组合优化 (Predictor Selection & Portfolio Optimization)

• 核心内容:
  • 预测变量选择: 理解此阶段的目标是识别哪些变量（信号）能够有效预测未来股票的横截面收益差异，这些变量可能成为新的因子或策略信号。
  • 回测 (Backtesting):
    • 重要性: 检验因子或策略历史有效性的关键环节。
    • 重点：理解并区分回测偏差:
      • 幸存者偏差 (Survivorship Bias): 定义、产生原因、对结果的影响（高估表现）。
      • 前视偏差 (Look-ahead Bias): 定义、产生原因、对结果的影响（使用未来数据，结果虚高）。
      • 数据窥探偏差 (Data Snooping Bias): 定义（过度测试/挖掘）、对结果的影响（发现伪关系）。
    • 强调进行严格、无偏差回测的重要性。
  • 投资组合优化:
    • 理解在因子投资背景下，优化的目标通常是在给定的风险预算（如对各因子的暴露限制、跟踪误差限制）下最大化预期收益，或者在给定收益目标下最小化风险。
    • 优化过程涉及调整对不同因子的暴露度（权重）。
• 考点提示: 选择题可能考偏差定义、优化目标；判断题考偏差定义；简答题重点考各种偏差的定义、影响及区分。

5. 因子择时与风格分析 (Factor Timing & Style Analysis)

• 核心内容:
  • 因子择时 (Factor Timing):
    • 定义：试图预测不同因子未来的相对表现，并据此动态调整组合的因子暴露。
    • 重点：理解其困难性（预测因子表现本身很难、择时错误代价高、交易成本）。
  • 风格分析 (Style Analysis):
    • 目的：使用因子模型（如回归分析）来判断一个基金或投资组合的主要收益来源和风险暴露（即它主要暴露在哪些因子风格上，如价值、成长、大盘、小盘等）。
    • 因子回归分析 (Factor Regression): 理解其用途是评估组合收益在多大程度上可被已知因子解释，并计算其 Alpha。
  • 绩效评估指标:
    • 重点：Alpha (\(\alpha\)): 必须清晰理解其定义——在控制了已知系统性风险因子暴露后，策略所获得的超额收益，常被视为策略能力的体现。区别于 Beta 带来的收益。
    • Beta (\(\beta\)): 对市场或其他因子的敏感度。
    • 夏普比率 (Sharpe Ratio): 基于总风险的风险调整后收益。
    • 信息比率 (Information Ratio - IR): 基于相对风险（跟踪误差）的风险调整后主动收益，衡量超额收益稳定性。
    • 最大回撤 (Maximum Drawdown - MDD): 衡量极端下行风险。
• 考点提示: 选择题考风格分析目的、Alpha定义、绩效指标含义；判断题考 Alpha 定义、因子回归用途；简答题可能要求解释因子择时及其困难性；案例分析可能要求选择和解释评估策略表现的指标。

6. 另类数据与机器学习 (Alternative Data & Machine Learning)

• 核心内容:
  • 另类数据 (Alternative Data):
    • 定义与例子（卫星图、信用卡交易、网络爬虫、社交媒体情绪等）。
    • 作用：作为传统财务数据之外的新信息来源，可能包含额外的预测价值。
    • 面临的挑战（非结构化、噪声、数据清洗、历史短等）。
  • 机器学习 (Machine Learning):
    • 在量化投资中的潜在优势（处理高维数据、发现复杂非线性关系、识别新模式/预测变量）。
    • 认识到其局限性（不能保证盈利、可能过拟合、模型可解释性问题、不能完全替代研究员、无法消除所有偏差）。
• 考点提示: 选择题考另类数据作用/挑战、机器学习优势。

三、 最后复习建议

• 回归讲义: 以本指南为线索，重点回顾课堂讲义和笔记中对应章节的内容。
• 理解优先: 注重理解概念背后的逻辑和模型推导的思路，而不仅仅是记忆结论。
• 区分概念: 注意区分易混淆的概念，如不同类型的偏差、不同绩效指标的侧重点、Alpha 与 Beta 等。
• 勤加思考: 对于简答题和案例分析，尝试自己组织语言进行回答，锻炼分析和表达能力。

祝大家复习充分，考试成功！