Overview 概述

本文将通过api 返回的数据，对各个量化团队进行分析，试图寻找出最具投资价值的团队。

Report 报告基金表现情况 （Performance Analysis）

本文将从 Alpha、Beta、标准差、Sharpe、IR、Treynor Ratio、Maximum Drawdown、数据总量（天）、总成交数、日均交易、胜率、总亏损/收益、平均每笔收益/亏损 共 13 个维度进行比较（其中，前 8 个维度为净值表现类维度，后 5 个维度为操作表现类维度），并选择出本文作者认为最值得投资的基金。

净值表现类维度：Alpha

Alpha系数是一投资或基金的绝对回报(Absolute Return) 和按照β系数计算的预期回报之间的差额。绝对回报(Absolute Return)或额外回报(Excess Return)是基金/投资的实际回报减去无风险投资收益。绝对回报是用来测量一投资者或基金经理的投资技术。预期回报(Expected Return)贝塔系数β和市场回报的乘积，反映投资或基金由于市场整体变动而获得的回报。

一句话，平均实际回报和平均预期回报的差额即 α 系数。

从上表来看，玉兔自营旗舰 Y 的表现最佳，Alpha 为 68.45。

净值表现类维度：Beta

beta 系数是统计学上的概念，它所反映的是某一投资对象相对于大盘的表现情况。其绝对值越大，显示其收益变化幅度相对于大盘的变化幅度越大；绝对值越小，显示其变化幅度相对于大盘越小。如果是负值，则显示其变化的方向与大盘的变化方向相反；大盘涨的时候它跌，大盘跌的时候它涨。

一般认为，值越高，意味着股票相对于业绩评价基准的波动性越大，我们希望将风险控制的越小越好，所以 beta 越接近零，排名越高。从上表来看，arbitrager 的表现最佳，beta 为-0.012。

净值表现类维度：标准差

标准差是一种表示分散程度的统计观念。标准差已广泛运用在股票以及共同基金投资风险的衡量上，主要是根据基金净值于一段时间内波动的情况计算而来的。一般而言，标准差愈大，表示净值的涨跌较剧烈，风险程度也较大。

与 beta 相似，标准差也是一个风险度量。我们所希望的依旧是标准差越小越好。所以，标准差越接近零，排名越高。从上表来看，arbitrager 的表现最佳，标准差为 0.04。

净值表现类维度：夏普比率

夏普比率（Sharpe Ratio），又被称为夏普指数 --- 基金绩效评价标准化指标。目的是计算投资组合每承受一单位总风险，会产生多少的超额报酬。比率依据资本市场线(Capital Market Line,CML)的观念而来，是市场上最常见的衡量比率。当投资组合内的资产皆为风险性资产时，适用夏普比率。夏普指数代表投资人每多承担一分风险，可以拿到几分报酬；若为正值，代表基金报酬率高过波动风险；若为负值，代表基金操作风险大过于报酬率。这样一来，每个投资组合都可以计算Sharpe Ratio,即投资回报与多冒风险的比例，这个比例越高，投资组合越佳。夏普理论告诉我们，投资时也要比较风险，尽可能用科学的方法以冒小风险来换大回报。

因此，从上表来看，表现最好的是玉兔自营旗舰Y，夏普比率为 81.50。

净值表现类维度：信息比率

信息比率是以马克维茨的均异模型为基础，可以衡量基金的均异特性，它表示单位主动风险所带来的超额收益。信息比率是从主动管理的角度描述风险调整后收益，它不同于夏普比率从绝对收益和总风险角度来描述。信息比率越大，说明基金经理单位跟踪误差所获得的超额收益越高，因此，信息比率较大的基金的表现要优于信息比率较低的基金。

因此，从上表来看，表现最好的是玉兔自营旗舰Y，信息比率为 73.91。

净值表现类维度：特雷诺指数

特雷诺指数（Treynor）：特雷诺指数是以基金收益的系统风险作为基金绩效调整的因子，反映基金承担单位系统风险所获得的超额收益。指数值越大，承担单位系统风险所获得的超额收益越高。特雷诺认为,基金管理者通过投资组合应消除所有的非系统性风险,因此特雷诺用单位系统性风险系数所获得的超额收益率来衡量投资基金的业绩。足够分散化的组合没有非系统性风险，仅有与市场变动差异的系统性风险。

因此，从上表来看，表现最好的是玉兔自营旗舰，特雷诺指数为 76.07。

净值表现类维度：最大回撤率

最大回撤率是指统计周期内的最大产品净值的时点往后推，当产品净值回落到最低点时，产品收益率的回撤幅度。最大回撤率是一个重要的风险指标。

从上表来看，回撤最小的基金为 arbitrager，最大回撤仅为 0.01。

净值表现类维度：数据总量

本文所用计算方法均为年化计算法，所以对于数据总量的要求极高。数据总量在本文环境内代表着数据质量。玉兔自营旗舰 Y 数据总量仅有 38 天，是所有基金中数据质量最差的，其年化后的数据与真实积累数据偏移较大。

相反，APcoin 量化 CTA 由于数据量最大，所积累数据达到 588 天，是所有基金团队中数据质量最好的，其数据稳定度排名为第一。

操作表现类维度：总成交数/记录天数

操作表现类维度：日均交易

总成交数和日均交易都是分析一个基金交易模式的维度。总交易数与日均交易数越大，代表基金更偏向于高频策略。从商标来看，深度量化与冰宽两支团队是典型的高频交易基金。深度量化-稳健二号在记录的 19 天内交易了 13964 次。冰宽3 号则是日均交易量最高，平均每天交易 778 次。

操作表现类维度：胜率/记录天数

胜率是衡量主观交易及量化交易算法准确性的重要标准，玉兔自营旗舰仅有 1 条交易记录，且成功盈利。而 arbitrager 在记录的 6 个合约上胜率均超过 80%，其中 EOS、BSV、LTC合约胜率均为 100%。

操作表现类维度：总亏损/收益/平均每笔收益/亏损-BCH

操作表现类维度：总亏损/收益/平均每笔收益/亏损-BSV

操作表现类维度：总亏损/收益/平均每笔收益/亏损-BTC

操作表现类维度：总亏损/收益/平均每笔收益/亏损-EOS

操作表现类维度：总亏损/收益/平均每笔收益/亏损-ETH

操作表现类维度：总亏损/收益/平均每笔收益/亏损-LTC

操作表现类维度：总亏损/收益/平均每笔收益/亏损-TRX

上面的表通过分币种统计出了各基金团队在单一币种下的操作收益情况。总体来看，在收益亏损情况来讲，冰宽团队与 arbitrager 团队表现最好。

局限性 （Limitations）

本文所用数据存在以下几点局限性：

数据取自获取 api 中的历史数据，由标准共识统计，净值表现类基础数据自 8 月 10 日截止；操作表现类数据自 8 月 17 日截止，其数据与文章发布日之间或存在较大差距，因此时效性上存在局限性。

数据自请求后后，通过 websocket 推送接收，不同交易所推送数据存在冗余、格式不一、某一时段存在时效误差等导致最终数据统计产生差距，因此数据准确性上存在局限性。

大部分交易团队产生的交易数据小于 360 天，本文所采用的计算方法均为年化计算法。由于历史数据长度较短，导致年化数据偏离正常值，因此数据总量上存在局限性。

分析所获数据的过程中，忽略了账户中价值小于 10 USDT 的币种收益，导致在计算上会存在细微区别。

部分交易团队资金量小于 1 BTC，导致团队风险偏好产生区别，因此风险偏好分析中存在局限性。

操作表现类数据统计仅包括在 OKEX、火币、币安三家交易所上的团队，因此数据完整度上存在局限性。

Conclusion 结语

仅从风险角度考虑，arbitrager 无疑是投资者最好的选择。但如果不考虑数据稳定性与数据缺失的问题，仅从收益角度考虑，玉兔自营旗舰Y 是投资者最好的选择。