群晖性能调优指南
群晖DSM虽然在易用性方面非常不错,但是系统上的很多机制可以说是非常搓了,我的DS918+,自行添加内存到16G双通道,按理来说,NAS上跑的那点东西,16G内存是完全够用了,但就是这样,群晖也特别喜欢用虚拟内存,导致开机久了,我打开docker控制台,都要等7,8秒 原因就在于,群晖的配置都非常寒酸,那么高的价格只舍得配2G,4G的内存,DSM默认的vm.swappiness值设定为10,内存高的建议修改为1 所以,如果想要提高群晖系统的流畅度,首先就是要加大你的内存,之后修改DSM的vm.swappiness数值 ssh 进群晖,输入如下命令即可,不需要重启(对大部分Linux系统也适用) 目录 临时生效版 永久生效版 添加到群晖计划任务中 添加开机时刷新sysctl.conf 简单说一下vm.swappiness vm.swappiness 优化 相关文章推荐 临时生效版 之前的方法方法,虽说是永久生效,但是群晖并不会读取/etc/sysctl.conf,所以实际上,我们还是要重启后刷新一下sysctl.conf。不如直接开机时就执行修改swappiness的命令,这条命令...
深度学习笔记之约束优化
有时候,在 x 的所有可能值下最大化或最小化一个函数 f(x) 不是我们所希望的。相反,我们可能希望在 x 的某些集合 S 中找 f(x) 的最大值或最小值。这被称为约束优化 (constrained optimization)。在约束优化术语中,集合 S 内的点 x 被称为可行 (feasible) 点。 我们常常希望找到在某种意义上小的解。针对这种情况下的常见方法是强加一个范数约束,如 ∥x∥ ≤ 1。约束优化的一个简单方法是将约束考虑在内后简单地对梯度下降进行修改。如 果我们使用一个小的恒定步长 ϵ,我们可以先取梯度下降的单步结果,然后将结果投影回 S。如果我们使用线搜索,我们只能在步长为 ϵ 范围内搜索可行的新 x 点,或者我们可以将线上的每个点投影到约束区域。如果可能的话,在梯度下降或线搜索前将梯度投影到可行域的切空间会更高效 (Rosen, 1960)。 一个更复杂的方法是设计一个不同的、无约束的优化问题,其解可以转化成原始约束优化问题的解。例如,我们要在 x ∈ R2 中最小化 f(x),其中 x 约束为具有单位 L2 范数。我们可以关于 θ 最小化 g(θ) = ...
冷门高频股票因子
一些不常见的高频因子,分享给有缘人。 写得比较随意,大致有几块:Order aggressiveness、order book shape、撤单、事件聚集、订单薄韧性、异常挂单、逐笔。一、Order aggressiveness(1)订单侵略性,其实就是挂单的激进程度。假设你是买家,你挂单的价格越高,你就越激进;反过来,你是卖家,你挂单价格越低,你越是激进的卖家。举个例子,买家挂单越接近bid1,越激进;卖家挂单越接近ask1,越激进; (2)订单侵略性,体现了买家/卖家完成交易的迫切程度。通过整个订单薄,我们可以知道所有买家整体的激进程度、和所有卖家整体的激进程度;通过这个,就能构建一系列因子了。此外,买卖aggressiveness的差异,也是一系列因子; (3)一个订单的执行概率和订单薄的厚度、参与者对即将到来的订单的预期有关;买盘越厚,一个潜在的买家下market order的概率更大;这套说法对卖方同样适用;bid ask的厚度体现了看涨和看跌者的相对力量。 (4)不要用静态的思维来看待订单薄,要从动态的角度来分析。订单薄性质的变化,体现了多空力量的动态变化,是未来价格...
test
群晖性能调优指南
群晖DSM虽然在易用性方面非常不错,但是系统上的很多机制可以说是非常搓了,我的DS918+,自行添加内存到16G双通道,按理来说,NAS上跑的那点东西,16G内存是完全够用了,但就是这样,群晖也特别喜欢用虚拟内存,导致开机久了,我打开docker控制台,都要等7,8秒 原因就在于,群晖的配置都非常寒酸,那么高的价格只舍得配2G,4G的内存,DSM默认的vm.swappiness值设定为10,内存高的建议修改为1 所以,如果想要提高群晖系统的流畅度,首先就是要加大你的内存,之后修改DSM的vm.swappiness数值 ssh 进群晖,输入如下命令即可,不需要重启(对大部分Linux系统也适用) 目录 临时生效版 永久生效版 添加到群晖计划任务中 添加开机时刷新sysctl.conf 简单说一下vm.swappiness vm.swappiness 优化 相关文章推荐 临时生效版 之前的方法方法,虽说是永久生效,但是群晖并不会读取/etc/sysctl.conf,所以实际上,我们还是要重启后刷新一下sysctl.conf。不如直接开机时就执行修改swappiness的命令,这条命令...
深度学习笔记之约束优化
有时候,在 x 的所有可能值下最大化或最小化一个函数 f(x) 不是我们所希望的。相反,我们可能希望在 x 的某些集合 S 中找 f(x) 的最大值或最小值。这被称为约束优化 (constrained optimization)。在约束优化术语中,集合 S 内的点 x 被称为可行 (feasible) 点。 我们常常希望找到在某种意义上小的解。针对这种情况下的常见方法是强加一个范数约束,如 ∥x∥ ≤ 1。约束优化的一个简单方法是将约束考虑在内后简单地对梯度下降进行修改。如 果我们使用一个小的恒定步长 ϵ,我们可以先取梯度下降的单步结果,然后将结果投影回 S。如果我们使用线搜索,我们只能在步长为 ϵ 范围内搜索可行的新 x 点,或者我们可以将线上的每个点投影到约束区域。如果可能的话,在梯度下降或线搜索前将梯度投影到可行域的切空间会更高效 (Rosen, 1960)。 一个更复杂的方法是设计一个不同的、无约束的优化问题,其解可以转化成原始约束优化问题的解。例如,我们要在 x ∈ R2 中最小化 f(x),其中 x 约束为具有单位 L2 范数。我们可以关于 θ 最小化 g(θ) = ...
冷门高频股票因子
一些不常见的高频因子,分享给有缘人。 写得比较随意,大致有几块:Order aggressiveness、order book shape、撤单、事件聚集、订单薄韧性、异常挂单、逐笔。一、Order aggressiveness(1)订单侵略性,其实就是挂单的激进程度。假设你是买家,你挂单的价格越高,你就越激进;反过来,你是卖家,你挂单价格越低,你越是激进的卖家。举个例子,买家挂单越接近bid1,越激进;卖家挂单越接近ask1,越激进; (2)订单侵略性,体现了买家/卖家完成交易的迫切程度。通过整个订单薄,我们可以知道所有买家整体的激进程度、和所有卖家整体的激进程度;通过这个,就能构建一系列因子了。此外,买卖aggressiveness的差异,也是一系列因子; (3)一个订单的执行概率和订单薄的厚度、参与者对即将到来的订单的预期有关;买盘越厚,一个潜在的买家下market order的概率更大;这套说法对卖方同样适用;bid ask的厚度体现了看涨和看跌者的相对力量。 (4)不要用静态的思维来看待订单薄,要从动态的角度来分析。订单薄性质的变化,体现了多空力量的动态变化,是未来价格...
test
Subscribe to Test
Subscribe to Test
Share Dialog
Share Dialog
<100 subscribers
<100 subscribers
前两天和一位投资者聊天,对方说:
“我买的中性产品,最近一直在回撤,还是喜欢多头一些”。
会这样对比,说明对量化对冲/中性产品的理解可能还有一点偏差。我这两天一直思考,能不能用比较简洁明了的办法,真正把这个策略聊明白。
之前写的几篇,可能比喻太多没办法深入,今天尽量不用类比,只说逻辑。事实上,量化对冲基金产品的收益可以用下面这个公式表示:
量化对冲收益=(α+β)-β* -对冲成本
把这个公式里面的三大块搞清楚,理解量化对冲就不会有障碍,对于要不要配置、能不能拿住也非常重要。
随便打开一只股票多头的收益曲线,你会发现不管走得多么漂亮,它的波动走向基本和大盘走势保持一致。事实上,大盘走势反映的是市场整体波动;由于股票在市场交易,股票价格的波动肯定要受到市场波动的影响。
就像一条船,能不能走快当然要去看船大船小,船轻船重,但你肯定还要看看水面是否平静,风浪如何,顺流逆流吧?
水面、风浪这种环境波动,我们就用β表示;船本身的行驶情况,是由船本身质量和水面共同决定的,我们就用 α+β表示。
基本上,所有的股票多头都可以看做一组α+β的组合。如果是主观多头,那就是管理人自己选出来α+β的组合;如果是量化,就是根据不同的模型因子,机器选出来的α+β组合。
别看公式里是α+β,但β有可能是负数,**-5%、-3%不在话下,过去的年份里一年﹣20%甚至跌更多也有。**而且,这个β的正负往往还很难预测。
就比如现在3500点了,你知道下个月究竟是3400还是3600吗?量化对冲策略的核心思路,就是把β部分剥离出去,所以才叫“无视涨跌”。
怎么剥离呢?
要把市场整体的波动抹掉,那就是要通过做空来实现对冲。融券、ETF期权、股指期货、期货期权等手段都可以做空。
但做空有几个现实问题:
一个是, 咱们国家金融衍生品市场不够发达,做空工具不多,流动性也不强。基于各种原因,基金公司主要用沪深300股指期货,也就是IF做空;也有公司把上面几种工具搞成一个组合。
还有一个问题是,做空肯定也是要资金,就会有一定的资金占用。由于股指期货带杠杆,根据一些研报数据显示,一般是要占到20%的仓位。也就是说,仅有80%的资金实际上参与了股票交易,相当于1块钱只能用8毛钱,这是对冲产品都要面临的问题。
现在我们再回到公式:
收益=(α+β)-β *-对冲成本
可以看到,做多部分是β,而做空部分是β*,理论上,想要严格对冲,两个β应该完全相等,但事实上,它们往往不相等。
一种情况是故意让二者不相等,也就是所谓的风险暴露,做多部分2个亿,只下了1.8个亿空单,就会有10%的暴露;这种情况往往不是完全对冲的产品,这个暴露究竟定多少,往往是根据基金公司对目前市场的判断,例如判断接下来β为正的可能性极大,那就可能安排大一点的敞口。
我们常说的**“市场中性”,一般是合同要求完全对冲的,不留风险敞口。**但即使是这样,β部分也没办法相等……
道理也好理解,**因为做多你是现货做多;而做空是期货做空,**也就是你用未来的市场波动,来对冲当下的波动,肯定是有偏差的。
这个偏差,又带来了新的问题,即“对冲成本”。
上面讲了,由于流动性、成本等方面的考虑,大部分公司是用IC、IH、IF期货做对冲的。这就带来了新的问题——期现差,你可以理解成期货和现货的差价。
期现差问题咱们另文聊,这里先略过(基差收敛、升水、贴水等),总之,**这个期现差为正时,做空部分更容易赚到钱,**就像14年左右的行情。期现差为负,做空部分更容易亏钱。
而且,负期现差绝对值越大,亏损越大……
尴尬的是,15年股灾之后,这个期现差几乎没正过……全是负的。根据一些基金公司透露,去年3季度之后,由于基差的波动问题,这一块对冲成本能到10%以上。
现在我们再回过头去看一下公式:
收益=(α+β)-β *-对冲成本
2020年全年,沪深300指数涨了28%;假设完全对冲,我们近似地把两个β等于30%。对冲成本再按照高的10%计算的话,相当于
量化对冲收益=(α+30%)-30% -10%
股票多头收益=(α+30% )
先不管两个α收益如何,由于去年的β 太大,只是对冲部分,就有**40%**的劣势,把这俩策略一块对比,当然不公平了……
那是不是说量化对冲/市场中性是不是一个好策略呢?
别忘了,顺风顺水时,船固然走得飞快;但大风浪来了,泰坦尼克都能沉没。负β是可以吃掉你所有收益的,经历过2015年股灾的人都懂。
说到底,之所以做量化对冲策略,是因为有熊市的存在,有负值β的可能性。
它本身是一个防守型的策略,保证风浪来临时,只要α>对冲成本(模糊计算),我就还是赚钱的。期现差虽然一直在变化,但长期看会稳定在一个合理的区间内,灵活的套利机制保证了这一点。
**在权益类产品中,对冲策略相对是低风险的策略;**一般认为,中性产品回撤到了2%就要拉响策略警报,而最大回撤一般控制在5%以内。承担了这么低的风险,回报上自然也就不可能“进攻型”的股票多头那样刺激。
之所以说中性策略是可以考虑的固收替代策略之一,原因也在这里。固定收益类传统上也是防守型的配置,那中性产品的“收益-波动”特征可能和固收类比较接近。
**但自带“保险”枷锁的对冲策略,绝对不可能是最赚钱的策略。**这一点在投资之前,一定要想明白。
回过头来再去看,手上有中性或者对冲产品,究竟是否还要持有呢?
我个人建议如下:
首先还是要关注你自己的资产配置情况,如果已经配了不少多头产品,想要配置防守型产品,那对冲其实符合需求,而且多头配置获利应该不少,不必过于敏感回撤。
其次,关注回撤的情况,如果回撤一两个点以内,说明管理人α其实做得还不错,长期来看收益曲线还是会稳定向上;事实上,我们《这三只,刚好是前3名》中讨论的三只产品,今年来收益全部是正的。
如果回撤过大,例如7%以上,就要好好沟通下,究竟是α的波动,还是对冲实在太高,基金公司对冲策略是否合适,还是其他因素;再考虑下一步动作。
前两天和一位投资者聊天,对方说:
“我买的中性产品,最近一直在回撤,还是喜欢多头一些”。
会这样对比,说明对量化对冲/中性产品的理解可能还有一点偏差。我这两天一直思考,能不能用比较简洁明了的办法,真正把这个策略聊明白。
之前写的几篇,可能比喻太多没办法深入,今天尽量不用类比,只说逻辑。事实上,量化对冲基金产品的收益可以用下面这个公式表示:
量化对冲收益=(α+β)-β* -对冲成本
把这个公式里面的三大块搞清楚,理解量化对冲就不会有障碍,对于要不要配置、能不能拿住也非常重要。
随便打开一只股票多头的收益曲线,你会发现不管走得多么漂亮,它的波动走向基本和大盘走势保持一致。事实上,大盘走势反映的是市场整体波动;由于股票在市场交易,股票价格的波动肯定要受到市场波动的影响。
就像一条船,能不能走快当然要去看船大船小,船轻船重,但你肯定还要看看水面是否平静,风浪如何,顺流逆流吧?
水面、风浪这种环境波动,我们就用β表示;船本身的行驶情况,是由船本身质量和水面共同决定的,我们就用 α+β表示。
基本上,所有的股票多头都可以看做一组α+β的组合。如果是主观多头,那就是管理人自己选出来α+β的组合;如果是量化,就是根据不同的模型因子,机器选出来的α+β组合。
别看公式里是α+β,但β有可能是负数,**-5%、-3%不在话下,过去的年份里一年﹣20%甚至跌更多也有。**而且,这个β的正负往往还很难预测。
就比如现在3500点了,你知道下个月究竟是3400还是3600吗?量化对冲策略的核心思路,就是把β部分剥离出去,所以才叫“无视涨跌”。
怎么剥离呢?
要把市场整体的波动抹掉,那就是要通过做空来实现对冲。融券、ETF期权、股指期货、期货期权等手段都可以做空。
但做空有几个现实问题:
一个是, 咱们国家金融衍生品市场不够发达,做空工具不多,流动性也不强。基于各种原因,基金公司主要用沪深300股指期货,也就是IF做空;也有公司把上面几种工具搞成一个组合。
还有一个问题是,做空肯定也是要资金,就会有一定的资金占用。由于股指期货带杠杆,根据一些研报数据显示,一般是要占到20%的仓位。也就是说,仅有80%的资金实际上参与了股票交易,相当于1块钱只能用8毛钱,这是对冲产品都要面临的问题。
现在我们再回到公式:
收益=(α+β)-β *-对冲成本
可以看到,做多部分是β,而做空部分是β*,理论上,想要严格对冲,两个β应该完全相等,但事实上,它们往往不相等。
一种情况是故意让二者不相等,也就是所谓的风险暴露,做多部分2个亿,只下了1.8个亿空单,就会有10%的暴露;这种情况往往不是完全对冲的产品,这个暴露究竟定多少,往往是根据基金公司对目前市场的判断,例如判断接下来β为正的可能性极大,那就可能安排大一点的敞口。
我们常说的**“市场中性”,一般是合同要求完全对冲的,不留风险敞口。**但即使是这样,β部分也没办法相等……
道理也好理解,**因为做多你是现货做多;而做空是期货做空,**也就是你用未来的市场波动,来对冲当下的波动,肯定是有偏差的。
这个偏差,又带来了新的问题,即“对冲成本”。
上面讲了,由于流动性、成本等方面的考虑,大部分公司是用IC、IH、IF期货做对冲的。这就带来了新的问题——期现差,你可以理解成期货和现货的差价。
期现差问题咱们另文聊,这里先略过(基差收敛、升水、贴水等),总之,**这个期现差为正时,做空部分更容易赚到钱,**就像14年左右的行情。期现差为负,做空部分更容易亏钱。
而且,负期现差绝对值越大,亏损越大……
尴尬的是,15年股灾之后,这个期现差几乎没正过……全是负的。根据一些基金公司透露,去年3季度之后,由于基差的波动问题,这一块对冲成本能到10%以上。
现在我们再回过头去看一下公式:
收益=(α+β)-β *-对冲成本
2020年全年,沪深300指数涨了28%;假设完全对冲,我们近似地把两个β等于30%。对冲成本再按照高的10%计算的话,相当于
量化对冲收益=(α+30%)-30% -10%
股票多头收益=(α+30% )
先不管两个α收益如何,由于去年的β 太大,只是对冲部分,就有**40%**的劣势,把这俩策略一块对比,当然不公平了……
那是不是说量化对冲/市场中性是不是一个好策略呢?
别忘了,顺风顺水时,船固然走得飞快;但大风浪来了,泰坦尼克都能沉没。负β是可以吃掉你所有收益的,经历过2015年股灾的人都懂。
说到底,之所以做量化对冲策略,是因为有熊市的存在,有负值β的可能性。
它本身是一个防守型的策略,保证风浪来临时,只要α>对冲成本(模糊计算),我就还是赚钱的。期现差虽然一直在变化,但长期看会稳定在一个合理的区间内,灵活的套利机制保证了这一点。
**在权益类产品中,对冲策略相对是低风险的策略;**一般认为,中性产品回撤到了2%就要拉响策略警报,而最大回撤一般控制在5%以内。承担了这么低的风险,回报上自然也就不可能“进攻型”的股票多头那样刺激。
之所以说中性策略是可以考虑的固收替代策略之一,原因也在这里。固定收益类传统上也是防守型的配置,那中性产品的“收益-波动”特征可能和固收类比较接近。
**但自带“保险”枷锁的对冲策略,绝对不可能是最赚钱的策略。**这一点在投资之前,一定要想明白。
回过头来再去看,手上有中性或者对冲产品,究竟是否还要持有呢?
我个人建议如下:
首先还是要关注你自己的资产配置情况,如果已经配了不少多头产品,想要配置防守型产品,那对冲其实符合需求,而且多头配置获利应该不少,不必过于敏感回撤。
其次,关注回撤的情况,如果回撤一两个点以内,说明管理人α其实做得还不错,长期来看收益曲线还是会稳定向上;事实上,我们《这三只,刚好是前3名》中讨论的三只产品,今年来收益全部是正的。
如果回撤过大,例如7%以上,就要好好沟通下,究竟是α的波动,还是对冲实在太高,基金公司对冲策略是否合适,还是其他因素;再考虑下一步动作。
No activity yet