2021年量化大事件

简介: 百亿量化私募扩容,最新百亿级量化私募达到25家,其中明汯投资、幻方量化、九坤投资、灵均投资等私募规模靠前。

2021年量化大事件
1.量化基金规模头部效应显著
2021 年以来公募量化基金集中度提升,截至2021年三季报,规模前30%的公募量化对冲基金规模集中度提升至81.2%,公募中证500增强基金的规模集中度提升至83.9%。百亿量化私募扩容,最新百亿级量化私募达到25家,其中明汯投资、幻方量化、九坤投资、灵均投资等私募规模靠前。
2.公募量化的“主动”转型
量化拥抱主动成为重要趋势,2018年以来,公募量化基金对于业绩超预期股票池的配置权重呈现明显上升趋势。同时部分量化基金超配抱团股。
3.量化基金的两波回撤与抱团瓦解有关
量化基金2021年2-3月份以及9月份经历了两波回撤,风格切换和抱团瓦解是重要原因。量化基金两波回撤分别与茅指数和周期股的抱团瓦解有关。
4.市场交易结构变化:公募和私募交易活跃度提升
公募基金等机构参与交易型行情比例增加,在不同市值股票分组内,机构专用参与龙虎榜交易比例均增加,平均增加比例为3.2%。量化私募基金龙虎榜交易活跃度显著提升,2020年以来,量化私募月度上榜次数和平均上榜交易金额呈现上升趋势。
5.量化成交贡献尚不足以撼动主动交易地位
根据情景假设下的分析,量化私募成交占比约占全市场20%左右的量级。
6.量化私募监管政策与时俱进
在量化私募行业蓬勃发展的当下,监管政策亦在慢慢演进,以契合行业的发展。从证监会主席易会满的会议讲话,到中基协和中证协关于量化私募交易数据上报的发文,监管政策的演进将有利于量化私募行业未来行稳致远。
7.公募FOF产品创新提速
2021年以来,公募FOF产品不断增加新成员,从FOF-LOF到ETF-FOF,再到QDII-DOD-LOF,各种创新产品的涌现,不仅是顺应市场需求的结果,更是监管层大胆创新的体系。
8.ETF赛道竞争白热化
ETF作为工具型产品,逐渐受到投资者的广泛欢迎,存量规模亦显著提升,各家基金公司纷纷入场布局。热门宽基指数、行业或主题ETF是各家基金公司布局的切入点,竞争激励。
01量化私募数量.png
02量化回撤.png
03量化私募占比.jpeg
04量化私募收益.png
05量化私募交易金额.png
06行业轮动.png

相关文章
|
4月前
|
机器学习/深度学习 数据可视化 数据建模
使用ClassificationThresholdTuner进行二元和多类分类问题阈值调整,提高模型性能增强结果可解释性
在分类问题中,调整决策的概率阈值虽常被忽视,却是提升模型质量的有效步骤。本文深入探讨了阈值调整机制,尤其关注多类分类问题,并介绍了一个名为 ClassificationThresholdTuner 的开源工具,该工具自动化阈值调整和解释过程。通过可视化功能,数据科学家可以更好地理解最优阈值及其影响,尤其是在平衡假阳性和假阴性时。此外,工具支持多类分类,解决了传统方法中的不足。
61 2
使用ClassificationThresholdTuner进行二元和多类分类问题阈值调整,提高模型性能增强结果可解释性
|
3月前
|
数据采集 机器学习/深度学习 Python
心跳信号分类预测Task3 特征处理
心跳信号分类预测Task3 特征处理
54 0
|
6月前
|
机器学习/深度学习 运维 算法
Doping:使用精心设计的合成数据测试和评估异常检测器的技术
在这篇文章中,我们将探讨测试和评估异常检测器的问题(这是一个众所周知的难题),并提出了一种解决方案被称为“Doping”方法。使用Doping方法,真实数据行会被(通常是)随机修改,修改的方式是确保它们在某些方面可能成为异常值,这时应该被异常检测器检测到。然后通过评估检测器检测Doping记录的效果来评估这些检测器。
60 0
|
8月前
|
机器学习/深度学习 算法
ATFNet:长时间序列预测的自适应时频集成网络
ATFNet是一款深度学习模型,融合时域和频域分析,捕捉时间序列数据的局部和全局依赖。通过扩展DFT调整周期性权重,结合注意力机制识别复杂关系,优化长期预测。模型包含T-Block(时域)、F-Block(频域)和权重调整机制。实验证明其在时间序列预测任务中表现优越,已发布于arXiv并提供源代码。
299 4
|
8月前
|
机器学习/深度学习 数据可视化
生存分析模型的时间依赖性ROC曲线可视化
生存分析模型的时间依赖性ROC曲线可视化
|
8月前
|
机器学习/深度学习 运维 算法
R语言用ARIMA模型滑动时间窗口识别网络流量时间序列异常值
R语言用ARIMA模型滑动时间窗口识别网络流量时间序列异常值
|
8月前
|
机器学习/深度学习
工具变量法(两阶段最小二乘法2SLS)线性模型分析人均食品消费时间序列数据和回归诊断(上)
工具变量法(两阶段最小二乘法2SLS)线性模型分析人均食品消费时间序列数据和回归诊断
|
8月前
|
机器学习/深度学习 前端开发 数据挖掘
工具变量法(两阶段最小二乘法2SLS)线性模型分析人均食品消费时间序列数据和回归诊断3
工具变量法(两阶段最小二乘法2SLS)线性模型分析人均食品消费时间序列数据和回归诊断
|
8月前
工具变量法(两阶段最小二乘法2SLS)线性模型分析人均食品消费时间序列数据和回归诊断2
工具变量法(两阶段最小二乘法2SLS)线性模型分析人均食品消费时间序列数据和回归诊断
|
编解码 算法 数据可视化
【多重信号分类】超分辨率测向方法——依赖于将观测空间分解为噪声子空间和源/信号子空间的方法具有高分辨率(HR)并产生准确的估计(Matlab代码实现)
【多重信号分类】超分辨率测向方法——依赖于将观测空间分解为噪声子空间和源/信号子空间的方法具有高分辨率(HR)并产生准确的估计(Matlab代码实现)
121 0