利用相对资产表现
加密货币是一种高度波动的资产类别,其中 投资组合的整体回报通常与由 $BTC 价格变动主导的整体市场高度相关。这个市场的特性使得投资者构建能够缓和波动性影响的多元化投资组合变得复杂。然而,这也 创造了在某些时间间隔内从相对超额表现中获利的机会。当催化剂出现和新闻展开时,市场开始定价未来的预期,导致某些资产超额表现而其他资产落后于它们。这就是为什么配对交易可以成为我们从像加密货币这样的新兴市场低效中提取价值的有力工具。
配对交易策略关注资产的相对表现,并且通常设计为无论市场状况如何都能获利—无论是熊市、牛市还是横盘市场—通过利用选定资产之间的差异价格行动。采用这些策略的投资组合通常通过在两个或更多资产上的多头/空头头寸,通常旨在实现市场中性。然而,它们也可以进行微调以反映投资者的方向性偏好,这在利用新闻或所谓的“叙事交易”方面非常有效。
大多数针对市场中性的策略可以通过 系统性和统计方法,这些方法依赖于数学模型 来识别并对通常同步移动的资产之间暂时的价格偏差采取行动。或者,它们也可以由 更多自由裁量或基本因素引导,这些被称为“narratives trading”。因此,长/短投资组合被定制以反映投资者基于的市场动态观点催化剂、行业趋势、主题发展或重大新闻事件。
本系列报告将涵盖构建此类投资组合的各种方法,包括 配对交易和多空策略。为了实现这一点,它将讨论市场中性背后的基础模型、构建此类投资组合的机制,以及这些策略在加密货币中的实际应用,并通过真实世界的示例和用例进行说明。
关键要点
- 报告强调了构建多空 (L/S) 投资组合的价值,以利用一段时间内资产表现的差异。这些策略是投资者工具箱中的多功能工具,根据您自己的经验和技能,可以以不同程度的复杂性应用。
- 回顾资本资产定价模型 (CAPM) 对于为 L/S 策略建立理论基础很重要。诸如 beta 和“市场组合”概念等关键概念对于理解风险和回报动态至关重要。
- 在检查从2022年起选定永续合约的beta动态后,可以确认一个广为人知的现象,即加密货币代币通常比市场组合表现出更高的beta值,这表明相对于更广泛的市场具有更大的波动性,并对市场体制的变化高度敏感。
- 传统金融中对冲基金采用的策略,用于实现各种级别的市场中性,这些策略提供了宝贵的见解,可以应用于构建加密货币中的L/S投资组合。这些策略的复杂程度从pairs trading和statistical arbitrage到基于fundamental analysis或新闻驱动的方法。
- 三种不同的L/S策略的创建展示了投资者如何实施基于叙事的投资策略,同时旨在实现对市场的不同暴露水平。
- L/S策略提供了一个全面的框架,使投资者能够以更高的精度应对任何市场条件。这些策略有助于降低市场风险、增加多样化,并改善风险调整后的回报。
背景
市场凭借其无穷无尽的变量和不可预测的特性,需要一种广泛、多方面的方法才能真正被理解。金融市场本质上复杂,由众多影响资产价格和市场走势的因素所特征。这些因素包括经济指标、企业或协议表现、地缘政治事件、催化剂以及投资者情绪等。
为了应对这种复杂性,投资者和分析师采用一系列方法论,每种方法都有其自身的焦点和假设。这些方法论大致可分为技术分析、基本面分析、量化方法等类别,以及其他如情绪分析或宏观经济论点。
没有一种方法能提供万能解决方案;每种方法都有其优势和局限性。就像拼凑拼图一样,理解市场需要从各种分析框架中拼凑洞见。这些方法中的每一种都提供了一个不同的视角,让投资者能够审视市场,从而提供更丰富、更细致的对机会和风险的理解。尽管有各种意见和方法论——从技术分析到基本估值模型——每一种都只提供部分观点,这强调了市场的复杂性和不可预测性。
这说明了书中“Pairs Trading: Quantitative Methods and Analysis”一书中的故事,由 Ganapathy Vidyamurthy所著,其中六个盲人接触到大象的不同部位,每个人对大象的外貌得出独特的结论。每个人会触摸大象的不同部位,并根据接触到的部位得出它类似于某些物体(墙、矛、蛇、树、扇、绳)的结论,这突显了他们部分理解的局限性。
图 1:对世界运作方式的部分理解。

来源: 配对交易,定量方法和分析
六位盲人想要知道大象长什么样子,但他们每个人只感知到大象的一个方面
大象的一个方面。尽管他们以自己的方式是正确的,但他们没有人知道整只大象真正是什么样子。这种多样性反映了市场容纳不同、有时甚至冲突的信念系统的能力。
虽然一些投资者基于特定公司的信息购买股票,但其他人则利用基于对股票市场及其总体行为的理解来获利的策略。在加密货币领域也是如此,一些投资者非常重视费用和收入,而其他人则更喜欢交易“narratives”。无论如何,pairs trading 仍然是投资者可以利用的最强大的策略之一,以从 两个或更多资产的相对资产表现中获利。
什么是相对资产表现
旨在利用两种或多种资产相对表现的策略涉及 多头(买入)和空头(卖出)头寸的组合。投资者将在他们认为被低估并可能升值的资产上采取多头头寸,并在他们认为被高估并预计会贬值的资产上采取空头头寸。
这就是为什么 long/short (L/S) 投资通常被称为 double alpha strategy – 这里的术语“alpha”用于指代投资的超额表现。在 long/short 投资中,一个 alpha 可能来自 long side(被低估的资产增值),另一个 alpha 可能来自 short side(被高估的资产贬值)。
L/S 投资的一个显著特性是,投资者在绝对基础上对资产的选择可能部分错误,但头寸仍可能盈利,即使 long 和 short 头寸在绝对意义上都下降或升值。事实上,重要的是 long leg 在相对基础上优于 short leg(或反之),旨在从这些头寸之间价差的任何变化中获利。
图 2: 适用于所有市场状况的交易策略

来源: Pear Protocol.
L/S 策略的另一个关键特性是它们能够 最小化整体市场敞口(又称“市场中性”),允许投资者在各种市场条件下——无论是熊市、牛市还是横盘——潜在获利。然而,需要注意的是,并非所有 L/S 策略都是市场中性的。这种灵活性允许投资者根据所需的市场风险水平调整其投资组合的敞口。
要理解这些策略的工作原理及其差异,有必要讨论几个关键术语和概念。
图 3: 理解 L/S 策略的几个关键术语和概念。

来源: Revelo Intel.
一个好的起点是资本资产定价模型 (CAPM)。虽然本报告不会深入讨论 CAPM 或评估其实用性,但它确实引入了重要概念,例如 beta 和 market portfolio。这些概念在实践中特别有价值,特别是因为 市场中性在本文系列报告将探讨的所有 L/S 策略中发挥着关键作用。
理解投资风险与回报:从基础到 CAPM
风险分解:系统性 vs 非系统性
在金融中,风险源于实际回报与预期回报的偏差,这种偏差可能有多种原因,可以分为两类:
- 系统性风险
- 非系统性风险
系统性风险,也称为不可分散风险或市场风险,是无法避免且固有于整体市场的风险。它是不可分散的,因为它包括市场内在的风险因素,这些因素影响整个市场。构成系统性风险的因素示例包括利率、通货膨胀、经济周期、政治不确定性和广泛的自然灾害。这些事件影响整个市场,没有办法避免它们的影响。所有风险投资都承受一定程度的这种风险(市场风险)。
非系统性风险 是特定资产或行业局部的风险,或局限于特定资产或行业,不会影响该资产类别以外的资产。非系统性风险的例子可能包括药物试验失败、大型石油发现或航空公司坠机事故。所有这些事件都会直接影响各自的公司以及可能影响行业,但对远离这些行业的资产没有影响。投资者可以通过多元化来避免非系统性风险,即通过构建一个资产组合,这些资产之间不高度相关。
一般来说,可以将风险分解为:
总方差 = 系统性方差 + 非系统性方差
图 4: 风险分解

来源: Corporate Finance Institute。
在构建投资组合时,理解相关性的概念以及不完美的相关性如何分散投资组合的风险非常重要。因此,单一持有的资产风险可能大于该资产作为投资组合一部分时的风险。
多元化显著降低,或者在某些情况下,完全中和非系统性风险 这归因于两个关键因素:(1) 每项投资仅构成多元化投资组合的一小部分,以及 (2) 影响单个资产价格的公司特定行动在不同时期可能产生不同的影响(既可能是积极的,也可能是消极的)。在大规模投资组合中,这些风险往往会相互抵消,平均归零,从而对投资组合的整体价值产生最小影响。相反,市场整体趋势通常会以相同方向影响大多数(如果不是全部)投资,尽管影响程度在不同资产之间可能有所差异。虽然多元化无法消除市场风险,但将投资分散到各种行业可以缓解其影响。
Ray Dalio,Bridgewater Associates的创始人,该公司是全球最大的对冲基金之一,在他的书《Principles》中将多元化称为“投资的圣杯”。为了说明这一概念,他包含了以下图表并分享了他的见解:

图 5: 多元化 – 投资的圣杯。

来源: 雷·达里奥的《原则》。
多元化投资降低投资者风险敞口的观点已被广泛接受。然而,金融风险和回报模型更深入地表明,边际投资者,其影响投资定价,通常是高度多元化的。因此,只有此类投资者感知的风险才反映在市场价格中。这一概念基于这样一个前提:未多元化的投资者相对于多元化投资者,会感知到投资中更高的风险,主要因为非系统性风险影响前者但不影响后者。
话虽如此,大多数在投资和金融领域开发的的风险和回报模型都同意测量过程的前两个步骤:(1) 风险来自于实际回报围绕预期回报的分布,(2) 风险应从一个充分分散投资的边际投资者的视角来衡量。然而,这些模型在如何衡量不可分散或市场风险。
这四个基本模型 处理衡量市场风险问题的方法是资本资产定价模型 (CAPM)、套利定价模型 (APM)、多因子模型和回归模型。
回报生成模型
回报生成模型是一种 一种可以根据某些参数提供资产预期回报估计的模型。 如果系统性风险是回报的唯一相关参数,那么回报生成模型将根据系统性风险水平估计任何资产的预期回报。
与任何模型一样,预期回报估计的质量将取决于输入估计的质量和模型的准确性。回报生成模型的最一般形式是多因子模型。
一个多因子模型允许在估计回报时考虑不止一个变量,并且可以使用不同类型的因子构建,例如宏观经济因子、基本面因子和统计因子。
像这样的通用回报生成模型表示为:

该模型有 k 个因子,

系数,,被称为因子权重或因子载荷 与每个因子相关联。模型的左侧是超额回报,或超过无风险利率的回报。右侧提供了会产生回报或承担该风险所需溢价的风险因子。该E(Rm) 因子 与其他因子分开,因为它代表市场回报。所有模型都包含市场组合回报作为关键因子。

定义市场:代理指数的作用
理论上,“市场”包括所有风险资产或任何有价值的东西,其中包括股票、债券、房地产,甚至人力资本。理想情况下,它应该包括尽可能多的资产,但将每一个风险资产都纳入一个投资组合是不切实际的。此外,并非所有资产都是可交易的,也并非每一个可交易资产都适合投资。
为了实用性和便利性,“市场”的定义通常更加具体。 当地或区域股票市场指数通常用作 代理 ,由于交易量高及其对本地投资者的可见性。例如,在美国,S&P 500指数通常用于代表市场。该指数包括500家领先公司,反映了美国约80%的可用市值,每家公司根据其相对于总市值的市值加权。在加密货币领域,大多数投资者通常使用 $BTC 作为基准。
资本资产定价模型 (CAPM)
回报生成模型的最简单形式是单因素线性模型,也称为 单指数模型或资本资产定价模型 (CAPM),其中 仅考虑一个因素。
CAPM 是一种简单的风险和回报模型,它的使用时间比其他模型更长,并且仍然是大多数现实世界分析的标准。像任何模型一样,CAPM 有其局限性,并不总是有效准确地建模资产回报。尽管如此,它提供了一个直接的框架,使我们能够估计回报并评估绩效。虽然较新的模型为 CAPM 提供了替代方法,但它们并非在每个场景中都普遍优越,或者在现实世界应用中始终实用。
该模型在金融领域的影响显而易见,这体现在单词 beta 的广泛使用中。除了 beta 的概念外,CAPM 还正式化了 market portfolio 的概念。在 CAPM 术语中,market portfolio 是一个充当 proxy for the market 的资产组合。
该模型提供了一个线性预期回报-beta 关系,该关系精确地确定了给定资产的 beta 的预期回报。通过这样做,它从总风险过渡到系统风险,这是预期回报的主要决定因素。因此,CAPM 断言,资产的预期回报仅因其系统风险而异,该系统风险由 beta 衡量,相对于 market portfolio:

其中 是资产的预期回报 i(变量), 是无风险利率(常量), 是市场投资组合的预期回报(变量,市场风险来源),以及 是资产的系统性风险因子 i(常量)。




如果我们从预期回报转向已实现回报,那么在CAPM框架下,资产的回报可以分解为两个组成部分。一个是市场或系统性组成部分,另一个是残差或非系统性组成部分。显示实现这种回报分离关系的公式如下所示:

这里是资产i(变量,不可预测的随机误差 其平均值为零,非系统性风险的来源。)

Beta:衡量市场风险
系统性风险可以使用 beta:

如上所示,beta 是 资产回报对市场的敏感度整体而言,并计算为资产 i 的回报与市场回报的协方差除以市场回报的方差。换言之,beta 捕捉了资产的系统性风险,即资产风险中无法通过多元化消除的部分。
简而言之,beta 的正值表明资产的回报与市场同向变动,而 beta 的负值表明资产的回报与市场反向变动。例如,如果资产的 beta 为 2,那么市场投资组合价格突然 1% 的上涨预计将导致资产价格 2% 的上涨。
因为市场组合与其自身的协方差就是其方差,所以 市场组合的贝塔值——进而,其中的平均资产,也是 1。比平均水平更具风险的资产将具有超过 1 的贝塔值,而比平均水平更安全的资产将具有低于 1 的贝塔值。无风险资产的贝塔值为零。 贝塔值为零表示该资产的回报与市场变动无关。作为参考,大多数股票往往与市场高度相关,因此,由于市场对所有资产的广泛影响,找到具有持续负贝塔值的资产是不寻常的。
最后,还可以使用 CAPM 方差方程将资产的总方差分解为系统性方差和非系统性方差:

其中 是 的总方差资产 i, 是系统性方差 资产 i, 和 是 的非系统性方差 资产 i。



因为非系统性风险是 对于良好分散的投资组合来说是零,如市场投资组合,市场投资组合和其他类似投资组合的总风险是 仅为系统性风险,这是

证券市场线
证券市场线是 CAPM 的图形表示。如前所述,市场的 beta 为 1,市场获得预期回报为 使用这条线,可以计算资产的预期回报。线的斜率等于


图 6:证券市场线

来源: CFA Institute.
投资组合语境中的回报和贝塔
在包含 n 种资产的投资组合中,根据 CAPM 给出的投资组合回报可以轻松计算为:

其中投资组合贝塔是组成部分资产贝塔的加权和,由以下公式给出:

最终想法
总之,要使用 CAPM 模型,需要三个输入。首先,一个“无风险资产”(注意,真正的风险永远无法完全消除,只能被转化)投资者可以确定地知道其在分析时间范围内的预期回报。其次,风险溢价,这是投资者投资市场组合而不是投资无风险资产所要求的溢价。该溢价通常使用风险资产回报和无风险回报的历史数据来估计。第三,beta,它由资产的协方差除以市场组合的方差给出。它也可以通过将资产的过去回报对市场组合的过去回报(通常是股票指数)进行回归直接获得;回归的斜率就是 beta(见下图)。
图 7: 苹果股票回报与 S&P 500 回报有助于说明苹果的 beta 值作为其回归线的斜率。

来源: Investopedia。
一般来说,各种风险和回报模型基于这样一个原则,即只有与市场相关的风险才会得到补偿。这些模型基于量化这种风险的指标来计算预期回报。其中,CAPM 依赖于最多的假设,但提供了最简单的方法,仅使用一个因素来衡量和估计风险。
加密货币中的 Beta 动态
为了提供加密货币中 beta 水平的一些背景,Binance Perpetuals 的历史数据已被使用,该数据可追溯到 2022 年 3 月。此数据涵盖自那时起积极交易的代币。
这些代币的滚动 beta 值是在 60 天窗口内计算的。作为市场的代理,使用了 $BTC 和 $ETH 的等权重投资组合,因为这两个代币约占总市值的 70%。
下面的图表展示了 这些代币范围的 beta 的滚动平均值,以及第 10 和第 90 百分位数。值得注意的是,在 2022 年 5 月左右,平均 beta 值达到了峰值(超过 1.5),当时正值加密熊市中期。此后,平均 beta 值下降,并最终稳定在 1.0 左右。
图 8:来自 Binance Perps 子集的滚动(均值、第 10 和第 90 百分位)60 天贝塔值

来源: Binance 历史价格数据,Revelo Intel。
为了进一步理解 beta 动态,下图显示了一个概率密度函数,用于估计 此次分析所用代币宇宙中平均 beta 值的分布。
密度曲线上出现的峰值,这些峰值是 最频繁观察到的 beta 值,按流行度降序发生在 1.15、0.9 和 1.65。这些数据点证实了众所周知的事实,即加密货币代币通常比市场组合表现出更高的 beta 值,表明相对于更广泛的市场具有更大的波动性。最后,这种 beta 值的变异性强调了加密货币代币的 beta 值是如何 对市场状况的变化敏感,反映了它们在不同市场环境下的波动风险特征。
图 9:Binance Perps 子集从 mar-22 到 may-24 的平均 beta 密度分布

来源: Binance 历史价格数据,Revelo Intel。
市场中性策略的行业展望:多头/空头策略中的多样化方法。
概述
诸如 long-short、市场中性(market neutral)和美元中性(dollar neutral)投资等术语经常被使用,并且常常被误解为同义词。然而,这些策略可能存在显著差异。一个投资组合既可以是 long-short 和 dollar neutral,同时仍对市场具有非零 beta。这表明存在影响投资组合回报的市场成分,意味着它并非真正 market neutral。
为了解决这些区别,我们将采用 传统金融的术语和分类。具体来说,我们将探讨对冲基金使用的各种策略,并试图阐明它们的差异。
在传统金融中,L/S 策略通常被对冲基金使用,并被归类为“Equity Hedge”(EH)策略。可以采用多种投资流程来做出投资决策,包括定量和基本面技术;策略可以广泛分散或狭隘地专注于特定行业,并且在净敞口水平、所用杠杆、持有期、市场资本化集中度和典型投资组合估值范围等方面可以有广泛的范围。
总体而言,这些策略与仅做多策略相比,往往会降低整体投资组合风险(波动性),并旨在实现与市场方向无关的回报目标。这扩展了回报生成的机遇集,使投资者能够对投资宇宙中的每只股票表达更广泛的主动观点(积极、不那么积极或消极)。
图10:市场中性投资扩展投资机遇集

来源: BlackRock.com
EH 策略可以进一步细分为七种不同的子策略,每种都有其独特特征。然而,为了我们的讨论目的,我们将根据它们寻求实现的市场中性程度,将它们分类为两种主要类型。
基本面 / 量化方向性策略采用技术和基本面分析或复杂的量化技术来识别被低估和被高估的公司,以及理解不同证券之间的关系。根据预期的市场方向和市场周期阶段,对冲基金调整其净多头或空头敞口。这种方法旨在通过相应调整敞口水平来利用市场 / 行业趋势和周期。
因此,这些基金通常具有净多头或净空头敞口,这取决于可用机会的集合以及经理对整体市场近期方向的展望。在任何一种情况下,其投资组合表现都取决于市场方向性变动。
为了减少可能错误的股票选择带来的后果,L/S 权益经理在多头和空头方面都对他们的投资组合进行多元化。
另一方面,Equity Market Neutral 策略涉及使用量化(技术)和/或基本面分析来区分被低估和被高估的股权证券。目标是维持市场风险中性的净头寸,力求投资组合贝塔接近零。这些策略旨在从个别证券的变动中获利,同时中和更广泛的市场风险。
当讨论市场中性策略时,我们经常提到诸如统计套利和配对交易等方法。
Statistical arbitrage 指的是多种策略和投资方法,其特点包括几个关键要素。首先,交易信号是系统性和基于规则的,而不是受基本面分析的影响。其次,投资组合保持市场中性或beta中性立场。第三,超额回报的产生主要基于统计方法。目标是通过放置众多赌注,每一注都有正的预期回报,利用跨各种股票的多元化来创建低波动性的投资策略,该策略与更广泛的市场波动无关。这些持有的持续时间可能差异很大,从几秒钟到几天、几周甚至更长的时期。
Pairs-trading 被广泛认为是 statistical arbitrage 的“祖先”,它跟踪两个历史上相关的证券。当它们的correlation减弱时(例如,当一只股票上涨而另一只下跌时),该策略涉及做空表现更好的股票并买入表现较差的股票,押注它们的价差收敛。这种分歧可能源于暂时的市场波动、大额订单或关于公司的重大新闻。将股票组与其他股票组进行交易是 pairs-trading 的自然扩展,它被称为“generalized pairs-trading”.
图 11:一个示例,展示了两个资产的价格序列,这些价格序列在一段设定的历史时期内共同移动。预期是,在分歧后,所选工具的价格将回归到先前观察到的水平。

来源: Hudson and Thames.
多头和空头头寸会定期平衡,以始终保持市场中性,从而使投资组合的所有回报纯粹来源于股票选择,而不再受市场状况影响。事实上,当正确实施时,它提供了真正的绝对回报(alpha)的承诺,而无需承受市场敏感性(beta)。
然而,值得注意的是,“market neutral”这一术语已经演变为一个更广泛的术语,它包含了多种不同的投资方法,这些方法具有不同程度的 risk 和 neutrality,正如我们将在下面讨论的。
美元中性
要实现美元中性,我们需要拥有 多头和空头头寸中相等的美元投资,例如多头 $100k 和空头 $100k。从今以后,我们还需要定期重新平衡我们的多头和空头头寸,以维持美元中性。事实上,如果我们在资产选择上正确,多头头寸将增值,而空头头寸将缩小规模,从而使投资组合偏向净多头。
美元中性由于其简单性而极具吸引力。它具有直接可验证的巨大优势,因为投资的初始价值是可观察的。然而,正如稍后讨论的,它不足以使投资组合市场中性。
贝塔中性
市场中性的一种常用基于风险的定义依赖于 beta:如果一个投资组合产生的回报与某个市场指数的回报不相关,则该投资组合被认为是市场中性的。
由于 beta 是从相关系数计算得出的,零相关意味着零 beta。正如前几节所预期的,资产(或资产组合)的波动性可以分解为系统性(市场风险)成分和非系统性(特定风险)成分。系统性成分取决于市场的波动性以及市场风险敞口,后者通过 beta 系数来衡量。非系统性成分独立于市场,并且通常在投资组合层面被分散掉。
股票组合的 beta 是其组成部分股票 betas 的加权平均值。 因此,dollar-neutral 并不一定保证组合对市场回报不敏感,即 beta 等于零。这一切取决于 long 和 short positions 的 beta。例如,如果 long position 的 beta 为 1.4,short position 的 beta 为 0.7,那么两者之间的等额美元分配将有净 beta 为 0.35 = (50%) × (1.4) − (50%) × (0.7)。这个正 beta 表明我们 dollar-neutral 组合的市场风险不是零的,它实际上与股票市场有正相关。
为了使我们的投资组合真正实现贝塔中性,我们需要适当调整多头和空头头寸的规模. 在我们的例子中,鉴于两个贝塔的比率(1.4 versus 0.7),我们需要将空头头寸的规模相对于多头头寸加倍。也就是说,对于多头头寸中的每一美元,我们需要在空头头寸中持有两美元。在这种情况下,贝塔将精确为零,这意味着投资组合的系统性风险已被中和。
今后,如果我们的多头头寸增值而空头头寸贬值,我们仍需要定期调整头寸规模,以避免贝塔向正向漂移。
最终思考
总之,L/S 策略通过各种方法和技术来实施。它们的主要目标是构建一个多头和空头头寸的投资组合,以微调所需的市场的暴露程度,从方向性偏好到市场中性。
这些策略对投资者如此吸引人,原因众多,例如:
- 降低市场风险:通过构建一个(近似)beta-neutral的投资组合,投资者可以减少对市场风险的暴露,使投资组合相对于市场的波动性降低。
- 增加多元化:一个beta中性投资组合通常涉及投资于具有不同beta水平的资产组合。这可以导致增加的多元化,从而有助于降低投资组合的整体风险。
- 改善风险调整后回报:通过平衡投资组合的beta,投资者可以潜在地实现更好的风险调整后回报。这意味着投资组合实现的回报相对于承担的风险量更高。
- 生成 alpha 的潜力:通过主动管理投资组合的 beta 敞口,投资者可能能够生成 alpha,即基准以上的超额回报。这可以通过熟练的安全选择和/或市场时机来实现,无论市场方向如何,都能相对于更广泛的市场实现超额表现。
图 12:Long/Short 策略在不同市场中性水平方面的特征

来源: MorganStanley.com
在加密货币(一种特别波动性的资产类别)的背景下,使用这些策略可以带来显著的好处。投资者可以通过多种方式表达他们的观点和策略,例如配对交易、基于叙事的交易、行业轮动,以及基于新闻事件的交易。
用例:用于叙事交易的三个多空投资组合
在本节中,讨论了三种简单的多空策略在加密货币市场中的应用,重点关注具有不同市场敞口目标的投资组合的绩效和风险动态。
分析围绕构建三个不同的投资组合,这些组合涉及 FETUSDT(AI 部门)和 ETHUSDT。目标是调查 不同策略如何通过做多 $FET 同时做空 $ETH 来利用 AI 叙事,同时使用不同程度的市场中性。
图 13: 利用 AI 叙事相对表现 (FET/ETH)

来源: TradingView.
设计了三个具有不同目标的投资组合:
- 投资组合 1: 目标 beta = 0
- 投资组合 2: 美元中性敞口
- 投资组合 3: 目标 beta = 0.5
这些投资组合是根据以下特征和假设构建的:
- Beta: 滚动 beta 是在 60 天窗口内计算的。
- Rebalancing: 实施每日再平衡,以根据预定义的风险参数调整投资组合权重,并维持预期的市场敞口。
- 杠杆:最大杠杆为 1。
- 分析周期:投资组合从 2023 年 10 月到 2024 年 5 月进行评估,捕捉了与 AI 领域相关的重大市场波动和趋势。
该用例突显了 L/S 投资组合在管理波动性加密货币市场中的敞口和风险方面的战略效用。通过采用不同的 beta 目标或美元中性方法,投资者可以根据其风险偏好和市场展望,精细调整其市场敞口和风险水平。
下面的图表说明了三个投资组合之间的性能差异。从‘Portfolio Betas’ 子图中可以看出,设计用于针对特定beta的投资组合有效地维持了其预期的暴露。然而,正如“ Dollar Neutrality ”部分所示,dollar-neutral投资组合显示出可变的beta(绿色线),表明适度的方向性多头偏差,这微妙地影响了其整体性能,并将其置于beta-neutral投资组合(蓝色线)和针对beta为0.5的投资组合(红色线)之间。
图 14:AI 叙事交易 (FET/ETH) – 三个 L/S 投资组合的比较

来源: Binance 历史价格数据,Revelo Intel。
如预期的那样,投资组合 1 (beta = 0) 显示出最低的波动性,表明其在缓解市场风险方面的有效性。其次是投资组合 2 (dollar-neutral portfolio),由于其可变 beta,它表现出适中的波动性。最后,投资组合 3 (beta = 0.5),其旨在维持更高的 beta,在三个投资组合中显示出最大的波动性。
回顾来看,仅专注于 $FET 的多头仓位本可以带来更高的利润,受益于整个分析期间看涨的 AI 叙事。尽管如此,这种策略也导致了大幅更高的波动性,并几乎使回撤翻倍,这清楚地说明了风险与回报之间固有的权衡。
图 15:L/S 投资组合对比 FETUSDT 绩效指标

来源: Binance 历史价格数据,Revelo Intel。
结论
本报告探讨了 相对资产绩效的概念,强调构建 L/S 投资组合以利用资产之间绩效差异。我们通过资本资产定价模型(CAPM)回顾了基础概念,包括 beta 和市场投资组合,这些在开发 L/S 策略中至关重要。
我们还讨论了 对冲基金用于创建不同水平市场中性的 L/S 投资组合的各种策略。借鉴传统金融经验,这些策略展示了不同的市场参与方法。
此外,我们呈现了一个实际的 加密货币市场中的用例,分析了从 2022 年至今选定永续合约的平均 betas 的动态。此外,我们开发了三种简单的 L/S 策略,展示了如何实施基本的叙事交易策略。
总体而言,L/S 策略为在任何条件下应对波动剧烈的加密货币市场提供了一个稳健的框架。这些策略允许投资者从技术/统计角度到更注重基本面以及叙事/行业交易视角来定制他们的方法,提供诸如降低市场风险、增强多元化、改善风险调整回报以及产生 alpha 的潜力等几项优势。L/S 策略是投资者工具箱中多功能的工具,适用于不同程度的复杂性,我们将在本系列的后续报告中继续探讨。
参考文献
- Avellaneda M., Lee J.H., (2008) Statistical Arbitrage in the U.S. Equities Market, SSRN。在线可用:ssrn.com
- Bernstein P.L., Damodaran A., (1998) Investment Management. Wiley. 在线可用地址:wiley.com
- CFA Institute, (2015) Corporate Finance and Portfolio Management. Wiley.
- CFA Institute, (2015) 衍生品和另类投资。Wiley。
- Dalio R., (2017) 原则:生活与工作。Avid Reader Press / Simon & Schuster。可在以下地址获取: amazon.com
- Equity Long-Short,(2012) BarclayHedge.com。可在网上获取:barclayhedge.com
- Ganapathy V.,(2011) Pairs Trading: Quantitative Methods and Analysis。Wiley Finance。可在网上获取:wiley.com
- HFR Hedge Fund Strategy Classification System。可在网上获取:hfr.com
- Lhabitant F.-S., (2006) Handbook of hedge funds. Wiley Finance。可在网上获取:wiley.com
- 在新的制度下进行市场中性投资,(2023)。BlackRock。可在线获取:blackrock.com
- Stampfel E., (2023) 长短仓权益策略:“对冲”您的赌注。可在线获取 morganstanley.com.
- 统计套利实验室。Hudson and Thames,可在线获取于:hudson-and-thames
- 估值模型:使用 CAPM 对苹果股票的分析,(2022)。可在线获取于:Investopedia.com
- 为什么进行配对交易,如果我可以只是巨额做多?(2024)。在线可用:Pear Protocol
披露事项
Revelo Intel 与 Pear Protocol 保持商业关系,作为教育倡议的一部分,本报告是该合作的一部分而委托撰写的。
Revelo Intel 团队成员,包括直接参与上述分析的人员,可能持有所讨论的代币头寸。
本内容仅供教育目的提供,不构成财务或投资建议。您应进行自己的研究,仅投资您能承受损失的金额。Revelo Intel 是一个研究平台,并非投资或财务顾问。


