金融投资量化方法范文

前言：我们精心挑选了数篇优质金融投资量化方法文章，供您阅读参考。期待这些文章能为您带来启发，助您在写作的道路上更上一层楼。

第1篇

【关键词】金融衍生品 量化投资 相关性 探究

金融衍生品与量化投资之间的相关性是当前经济发展比较重要的研究议题，两者的有效配合在某种程度上能使投资者获得较为丰富的投资收益，并且将风险以及杠杆性将至最低。就当前现状而言，金融衍生品内容越来越多，而量化投资投资工具呈现多元化的趋势，这为投资者提供了较多的投资方式以及渠道，并使其在最小风险值内获取最大的经济收益。文章主要介绍了金融衍生品及量化投资，重点阐述了两者之间的关联性，最后论述了两者有效融合的前提下如何获得最大的经济效益值。

一、金融衍生品与量化投资概念阐述以及其发展

（一）金融衍生品

金融衍生品在我国经济中运用范围不断扩宽，它是基于经济发展而形成的，是社会发展的必然产物，并且对于全球经济有着深远的影响，比如加剧世界经济一体化、促使金融一体化的逐步形成，金融衍生品在我国经济发展中扮演非常重要的角色，带动了我国实体经济的发展。所谓金融衍生品，它是与金融相关，并由其引发的派生物，属于一种金融交易工具。近年来，随着市场经济发展速度不断提升，我国金融市场逐渐趋向完善，这也为金融衍生品的发展提供了良好的契机，使其发展日益壮大并成为金融市场的主力军，并且与信贷以及货币市场联系日益密切，最终促进了金融资产配置的逐渐完善，即风险管理的复杂链条。从目前情况分析，我国经济发展呈现出良好的前景，相对应的工业以及房地产发展相对较好，在此基础之上，依据高杠杆原理，金融产品自身的优势性彻底被展现出来，并为投资者带来相对较好的经济效益值。但是金融产品也存在一定的风险，可谓是一把“双刃剑”，虽然它可促进金融市场的发展，但如果运用不当将会引发极为严重的后果。上世纪90年代以来，就发生了多起由于金融产品运用不当而引发的经济损失，例如：2008年金融危机波及全球，引发金融危机的原因主要是CDS等金融产品，其在美国金融市场运作中出现风险管理不当的现象，也就是风险失控，继而引发了全球性的经济危机。

金融衍生品主要是基于与金融有关产品的通过不同方式衍生而来，主要包含四种基本形式，分别是远期、期货、期权、互换，其价格的变动规律主要是由基础标的物所决定的，随着它的变化而变化的，而金融衍生品的价值主要与基础工具的相关因素有关，比如利率、汇率、市场价格、指数、信用等级等等，从本质上分析，它属于虚拟的有价证券，在某种意义上而言是一种权利证书，给予投资者基础性的权利，且与实物资本有着很大的区别，能够使投资者获得投资收益。与一般金融产品相比，金融产品有了极大的改良与进步，产品结构更为复杂，其定价模式基本比较单一，主要是以复杂数学模型为主，将多种风险以及因子，如Beta、Delta、Rho、久期等，通过多种方式的映射、组合、分解复合等，继而形成金融衍生品，结构层次多样。金融产品虽然为投资者提供了发展契机，但是也存在极大的风险，这种风险的形成与交易与结算有着直接的关联，上述两种交易形式基本发生在将来，基于高杠杆的影响，市场风险难以有效控制，预测就更难以估计。

（二）量化投资

量化投资在我国金融市场发展中得到了进一步推广，相较于定性投资，量化投资科学性更强，并且具备相应的理论依据。在投资过程中，投资者可以利用数学、统计学，还可以借助数据挖掘等方法，以此构建投资策略，管理投资组合，继而实现风险管理，利用数据模型，借助系统交易信号，系统会自动完成相关交易。从本质上分析，量化投资属于工具，投资者可以通过经验累加，然后利用数学模型的功能性，继而实现信息化的表达。量化投资形式具有自身的优势特点，这也是传统投资形式不可比拟的，它主要将投资者经验累积以另外一种方式呈现，即数学模型，继而转化至计算机中，运用相对科学的计算方式，实现产品投资，随着金融市场的日益完善，数学模型也得以不断优化。无论是数量化的投资，还是依靠计算机程序的投资，对于技术的要求极为苛刻，在业界誉为“黑箱交易”，从某种角度分析，量化投资基本不依赖大脑，而是依据交易系统，继而实施具体的决策，上述交易系统是之前确定的，且形式非常复杂的，这样的系统往往具备较高的精准度。与此同时，交易系统开发需要一定的技术支持，即程序算法设计，部分开发者通常会采取相应措施，加密交易系统，以此保障知识产权不受侵害。外界投资者对此并不清楚，具体运行机制也存在极大的疑问。量化投资者基于交易系统的前提下，收集市场最新的数据变化，同时采集与之相关的信息，将其输送至交易模型里，然后通过科学的计算，数据的挖掘，加密信息的处理，最终敲定资产配置方案，确定交易的最佳时机。按照相关公式进行量化投资在某种程度上是一种相对理性的投资，其自身的优势集中体现在分析策略这一环节，突出明晰性以及一致性，与此同时，运用信息与公式，由此获得的结果基本相同，这在某种程度上对交易者非常有利，避免由于其客观性以及随意性而引发的交易失误。

针对量化投资而言，其涵盖多个方面：就现状而言，主要包括量化资产配置、量化投资交易、风险管理。以资产配置为例，必须要基于行业选择的前提下，以此实施有效配置，然后依据策略组合，在行业内开展相关工作，实行资产优化。量化资产投资，它在某种程度上奠定了总体投资方向，确定发展前景最好的行业、风格和产品。换言之，投资者需要根据市场行情变化规律，选择市场以及产品，然后给予最佳资金分配方案。相较于传统的投资形式，量化投资更具一定的优势，更具科学以及合理性，同时兼具高信度。投资者可以依据数据模型，对整个市场进行有效分析，继而给予相对准确的判断，以此进行理性投资决策。

二、两者之间的关联性分析

金融衍生品与量化投资的有效结合能够起到非常关键性的作用，投资者能够选择相对发展较好的金融产品进行量化投资，由此收获了相对丰富的投资收益，因而探讨两者之间的关联性以及有效融合具有划时代意义。近年来，我国金融市场发展形势良好，也因此带动了金融衍生品的迅速扩大，促进了国民经济的迅速增值。但是以我国现有金融衍生品现状来说，无论是从行业总量、规模，还是参与范围及层次方面来看，金融衍生品都还属于小众市场，仍需不断创新与改革。从目前情况分析，对于大部分的投资者而言，他们对于金融衍生品的了解还不够透彻，这也导致了民主对于金融衍生品的了解甚少，基本都停留在电视或是报纸上对于金融衍生品的看法，这于金融衍生品的长远发展是非常不利的。2008年的金融危机，很多实体企业采取了相应的对策，比如参与期货市场，实施套期保值，以此降低生产经营风险，也在某种程度上扩宽市场发展。

金融市场发展速度的加快，股指期货得以大面积扩散，指数期权也扩大了应用范围，这于我国金融市场发展而言是极为有利的因素，为量化投资提供良好的发展契机，迎来发展机遇。借助量化投资原理，运用相关实践方法，通过计算机程序实施投资交易，这将是之后金融衍生品投资的主流方向。

金融衍生品的诞生是社会发展的必然产物，其功能性集中体现在投资风险规避，它形成的主要动因与投资者关系密切，满足其转移风险的需求，同时实现其套期保值实际需求，这一过程又被称为风险对冲，这样可以使投资者运用相对较少的低成本，基于现货价格变动，达到规避风险的目的。从目前形势分析，量化投资在我国金融衍生品上得到了广泛应用，其对冲实践需要借助相关载体，也就是具备一定的期货市场方可实现，但是基于交易品种单一的现状，这使得量化投资产品在某种程度上具有一定的局限性。随着股指期权的诞生，个股期权的逐步实施，扩大了金融市场的投资发展，让更多的投资者增加了风险规避渠道，推动了量化投资范围的不断扩大。量化交易策略也在某种程度上发生了改变，更具创造性，带动实体经济发展。

金融衍生品的诞生以及投入使用促进了我国金融市场交易的逐步完善，这其中金融衍生品的一个非常重要的功能得到了极大的发挥，即价格发现。所谓价格发现功能，主要从参与者角度出发，他们通过获得信息，且基于价格预期，利用公开拍卖形式，或是借助电脑进行撮合交易，这在某种程度上可以获取市场真实需求，供求关系，并且极具竞争性以及预期性的体系。随着世界经济一体化趋势不断加强，世界金融市场不断扩大，与之相关的金融衍生品应用范围也随之不断扩大，金融交易所的相关交易实现跨越式的进步，通过这种形式形成的价格权威性更强。上述价格通过不同的传播工具不断扩散，如报纸、电视、网络等，范围波及全球，俨然成为市场价格的引领者，这为大众提供了良好的平台，让其透过相关经济信息了解经济动态，以便帮助投资者给予正确的决策，借以提升资源配置效率。量化投资相较于传统投资形式具有一定的优势，这主要体现在两个方面：分别是速度与规则，从某种角度分析，我们可以预期，量化交易应用范围，促使市场报价更为紧密，成交更为频繁，从而增强市场流动性。与此同时，基于量化交易策略而言，其中部分交易存在策略的相似性，这对于未来的金融市场影响颇大，集中体现在市场价格波动这一方面，具体表现为高波动性以及规律性，上述改变与量化投资有着非常直接的关联。

金融衍生品是社会发展的阶段性产物，量化投资是基于传统投资形式基础上的创新与变革，两者之间具有一定的关联性，就好比人和人之间的合作，通过量化投资，金融衍生品能够在某种程度上受益，彰显其风险规避功能，量化投资对于投资者而言是巨大的福音，使其更理性地进行投资，从而避免由于自身主观原因而造成的经济损失，与此同时，能够有效消除非预期损失。针对金融衍生品而言，其不断发展对量化投资而言也是非常有益的，为其提供应用平台，借助不同领域资源整合，从总体角度分析，优化金融市场，交易环境不断完善，并且对投资者影响极大，使其投资理念不断升华，投资水平在某种程度上也得到看提高，继而促使投资者通过结合金融衍生品与量化投资获取丰厚的投资收益。总的来说，金融衍生品与量化投资可谓是相辅相成的关系，彼此相互促进又相互影响，协调好两者的关系对金融市场发展益处多多。

三、结语

总体来说，金融衍生品在我国金融市场的广泛运用极大的促进了国民经济的发展，量化投资是一种相对理想的投资理念，将金融衍生品与量化投资有效融合能够获得良好的成效，这于金融市场经济发展而言也是极为有利的因素，为投资者提供了良好的应用平台，促使其获得比较丰富的投资收益。文章主要介绍了金融衍生品以及量化投资的发展，重点阐述了两者之间的相关性。

参考文献：

[1]李东昌.金融衍生品与量化投资相关性研究初探[J].山东工业技术，2015（06）.

[2]张梅.后金融危机时代金融衍生品的风险管理与控制[J].湖南商学院学报，2010（02）.

[3]寇宏，袁鹰，王庆芳.套期保值与金融衍生品风险管理研究[J].金融理论与实践，2010（05）.

[4]林世光.可拓学在金融衍生品市场风险中的量化分析[J].武汉理工大学学报，2010（11）.

[5]薛智胜.金融创新风险的防范与监管探析――以金融衍生品为例[J].云南大学学报（法学版），2012（01）.

第2篇

记者：量化投资有什么特点？

刘钊：量化投资的主要特点是买入、卖出股票，不再是由人的主观判断做出决定，而是由量化模型决定。量化投资是一套科学的方法，有严格的分析、计算，什么好什么不好，不是我们自己说了算，是数据和模型说了算。即使是简单的低市盈率投资方法，只要能严格执行，就能取得超额收益。

记者：排除了人为主观情绪的影响，但由量化模型控制的量化投资基金的收益会如何呢？

刘钊：我们可以看看美国最成功的量化投资大师――詹姆斯・西蒙斯管理的大奖章基金，在1989年―2006年的17年间，大奖章基金平均年收益率达38.5%，而股神巴菲特过去20年的平均年回报率也不过20%。正是鉴于量化投资的巨大威力，摩根士丹利华鑫基金公司经过两年的精心准备，推出了国内真正意义上的量化投资基金――大摩华鑫多因子基金。

记者：量化投资的成败，关键在哪里？

刘钊：普通投资者买卖股票，主要是基于政策、基本面、市场、技术等各种信息和经验来做出交易决定，这些因素属于主观判断，而且往往容易受到情绪的影响。量化投资是将投资思路通过设定的指标、参数体现在量化模型上，通过计算机系统自动买卖股票，因此，量化投资的关键点就在于建立一个好的量化模型。

记者：量化投资和价值投资冲突吗？

刘钊：说到投资，大家首先想到的是巴菲特的价值投资，从长期的历史实践看，价值投资确实比较有效，量化投资也可以建立价值投资类的模型。

举例来说，衡量价值投资的最重要指标是低市盈率，如果以市盈率为标准来建模，以2005年5月为时间点，按市盈率对所有上市公司排序，再按市值比例模拟买入市盈率最低的100只股票，第二年5月，重新计算市盈率最低的100只股票，并调整组合，如此重复，每年调整一次仓位。得到的结果是，从2005年5月至2010年5月，沪深300指数的年化收益率为25.4%，同期量化建模的低市盈率策略基金的年化收益率达到29.46%，与沪深300指数相比，低市盈率策略基金的超额收益为4.06%。以此为基础，再以预期市盈率为基础建立一个模型，并模拟买入当年预期市盈率最低的100只股票，量化模型的年化收益率有36.51%。

记者：大摩华鑫的量化投资模型有何成功之处？

刘钊：大摩华鑫量化投资的模型既有一些过去历史上证明非常有效的投资方法，比如价值投资，也有投资管理团队的支持，大摩华鑫资深基金经理多年的投资经验也为大摩华鑫的量化模型提供了一些思路。此外，我们还通过外方股东摩根士丹利以及通过数据挖掘的方法，找到一些好的投资策略，为建模提供思路和方法。

第3篇

在银华基金副总经理兼量化投资总监周毅看来，量化投资成功的关键在于团队。目前，银华基金已初步完成了量化团队的人员配备和流程建设，未来，将努力打造一只国内领先的专业化、综合性的旗舰量化投资团队。

分级基金为突破口 首战告捷

由于量化投资在股票市场的应用范围较广，包括金融工具设计、指数增强、市场中立阿尔法模型以及套利策略等等多个方面。在反复比较深思熟虑后，周毅选择将金融工具创新作为突破口。

周毅认为，相比于其他的量化投资领域，金融工具与市场地域性特征关联度最低，因此移植性最强，成功概率就越高，同时在中国市场相对比较欠缺。所有的金融工具中，在国外使用得最广泛的就是结构化。

截至今日，银华共推出了三只指数分级基金和一只股票型分级基金，包括银华深100（首只深100分级指基）、银华中证等权重90（首只等权重分级指基）、银华中证内地资源（首只投资主题指数的分级基金）和银华消费主题（首只主动管理的主题类分级基金）。这四只分级占据目前市场上分级基金规模的绝对优势。银华深100是上市首只首日出现双溢价的分级基金，也是目前是场内规模最大的基金，约为150亿元左右；银华中证等权重90是第一个触阀值折算的分级基金，为所有分级产品的发展完善和风险控制提供了可借鉴的宝贵经验。

“市场和投资者以自己的方式证明了分级基金这种金融创新符合A股现阶段的运行特点，满足了国内投资者对杠杆和借贷收益的需求，更坚定了我们在工具型产品的研发和量化投资策略推广上的信心。”

看好中国量化投资“钱”景

不过分级基金只是整个量化投资应用中金融工具设计的一部分，其发展的背景是目前国内衍生品缺乏的现状。周毅表示：“我们想做全方位的量化投资，包含量化投资的各个领域。”

今年以来，银华的多只专户产品已经成功在A股市场上综合应用以上两项策略。据记者了解，银华专户产品中，表现最好的账户年化收益（扣除各种费率后）大幅超越同期沪深300指数。波动率仅约为沪深300波动率的1/3。尽管受现有法规和交易平台限制，在美国应用的量化策略大多数无法在A股实现，但银华在专户对冲产品上的成功尝试，证明了在国内利用量化投资方法可以获得绝对收益，而且随着各种限制的宽松化以及杠杆机制的引入，量化绝对收益产品可以拥有巨大的发展空间，中国式量化投资前景广阔。

志做国内旗舰量化团队

周毅将银华目前在量化投资领域所取得的诸多成就都归功于其全业务线的量化团队打造。银华在业内属于较早开展专门的量化投资研究的公司之一，目前量化投资团队已经达到16人，职责涵盖了金融工具、α策略、套利及实时风控等量化投资的各个业务链。“量化投资成员所搭建的系统平台，形成了稳定的流水线，为量化产品的运作提供了坚实的保障。”

第4篇

（暨南大学信息科学技术学院 广东 广州 510632）

摘 要：“金融改革”的提出，金融市场的逐步开放，将促进金融创新的步伐，给投资者带来越来越多的投资渠道，同时也将加速中国金融市场与国际金融市场的融合。通过分别建立两个单指标择时策略模型，运用MATLAB模式搜索算法在设定时段内搜索最优参数，并分别对两个单指标策略进行交易仿真回验。实证结果显示，趋势型指标可以抓住大的波段行情，获得超额收益，具有较好的择时效果。实证显示组合指标策略的效益明显高于单指标策略。因此，采用组合指标策略进行个股量化择时交易较单指标策略能获得更优的投资收益。

关键词 ：量化择时；趋势指标；组合指标策略；参数优化

中图分类号：F8 文献标识码：A doi：10．3969／j．issn．1665－2272．2015．12．008

1 绪论

1．1 背景意义

“金融改革”的提出将为中国的量化投资带来发展前景。金融市场的逐步开放将会促进金融创新的步伐，给投资者带来越来越多的投资渠道，同时也将加速中国金融市场与国际金融市场的融合。很多国外成熟的投资工具和投资方法将逐步进入中国市场，以期货市场为代表的衍生品市场将迎来飞速增长，以量化投资为代表的投资方法也将得到投资者更大的关注。

在投资业，各种渠道提供的海量信息以及高频金融交易数据都在深刻地影响这个行业的发展以及金融市场的有效性。金融创新给期待量化投资的投资者提供了丰富的投资工具。自20世纪50年代以来，金融市场出于规避监管，转嫁风险和防范风险等需要，推出了很多创新性的金融产品，提供了越来越丰富的投资工具。金融衍生品在金融市场中占的比例越来越重要。

中国量化投资的前景广阔。党的十八届三中全会提出了“健全多层次资本市场体系”的指示精神，为十二五期间的资本市场发展指明了方向。随着金融投资工具的增加，量化投资将显示出其更大的作用，帮助投资者在更好的风险管控中寻求最佳收益回报。

作为量化投资中的量化择时，是指利用某种方法来判断大势的走势情况以及时采取相应措施，它是收益率最高的一种交易方式。就股票投资者而言，择股和择时都是至关重要的，正确择股是盈利的前提，而正确择时则是盈利的最终实现。因此，从微观角度入手，建立有效的个股量化择时交易策略值得研究。

1．2 文献综述

关于量化投资的研究，国内外更多的研究主要以策略构建和实证为主。易海波、杨向阳、罗业华、曾敏通过将量化指标按照股票属性进行分类排序，以自下而上的选股方式，构建出价值、成长、质量三个基本模型，并在此基础上衍生得到四个叠加模型和GARP模型。利用八个选股模型以不同的参数进行选股，构建出十个量化选股组合，历史回测结果显示这些组合风格各异，适合不同风险偏好的投资者。张登明通过对技术指标的分析，构建了完整的及时指标组合投资策略框架。他从量化的角度，通过样本统计给出了适合中国股市的优化指标组合及参数设置，对提高投资决策有积极意义。路来政通过研究量化基金的绩效及管理能力来研究量化投资策略的应用效果，采用T－M模型、H－M模型和C－L模型对其中9只量化基金的管理能力进行了研究，以评价量化基金使用量化投资策略的择股效果和择时效果，结果表明量化基金采用量化策略进行投资是有意义的。

股票择时属于量化投资的一个分域。刘澜飚、李贡敏研究了市场择时理论在中国的适用性，表明中国上市公司不仅存股票市场的市场择时行为，而且存在债务择时行为，即股票市场高涨时，上市公司倾向于债务融资。林正龙基于效用无差别定价原理，运用实物期权定价理论，研究项目投资收益不可完全复制的不确定性投资机会定价与择时问题，得出不同于指数效用，对具有常值相对风险回避系数效用函数的投资者而言，不确定性投资机会的定价与择时与投资者当前财富数量有关。卓琳玲、胡志强通过对样本公司的研究，发现样本公司股票行为、债券发行和内部融资均呈下降趋势，其中股票不是特别明显，当市值杠杆比率上升时期，股票发行出现显著地下降趋势，此时市场时机选择比较明显，说明我国股市存在明显的市场时机选择行为。刘阳、刘强通过研究我国从上世纪90年代初-2010年1月的上证综指和深证成指，分析异常收益率对整个期间收益的影响及择时的可能，发现极少数具有超常收益的交易日对股票市场的长期收益具有显著的影响，认为理性的投资者应该放弃择时而选择长期投资。王俊杰在择时模型方面分析了行业指数存在的持续性和行业轮动特征，并以时间序列模型为基础，构建动量模型、MS－GARCH行业择时模型等量化择时策略，回测结果MS－GARCH择时模型战胜行业动量模型和指数，表现较好。

温婧茹对移动平均线理论进行改进，构造了最适参数，参考设计了触线交易策略和过滤器交易策略，构建了家电板板块静态与动态相结合的股票池，实证得出，不同股票对应的最适参数不同，用个性化的参数进行决策能获得更好的收益；应用收益率确定最适参数以择股，结合触线交易策略以择时，能够跑赢大盘，取得超额收益。曹力自适应均线更适合于组合类的标的，如指数或者封闭式基金，因为这些标的的走势经过了平均的平滑，没有突然的大起大落，更容易用均线来跟踪趋势的变化。而对于个股，波动形态和指数类表的不同，所以需要使用不同的参数，在大多数个股上能够获得超额收益，特别对强周期性行业的股票自适应均线有很强的择时能力。但是自适应均线也不是万能的，对于某些个股，因为波动形态的复杂，用自适应均线也无法获得超额收益。曹力、徐彪从实证效果来看，利用可交易组合的均线模式识别找出的买入机会成功率较高，能抓住一些市场主要的反弹机会，因此累积收益非常出色。可交易组合的均线模式识别方法是择时交易，特别是熊市中择时的有效方法。

1．3 研究框架

传统的趋势指标择时策略往往是单指标的，并且策略参数通常是约定俗成的。单指标策略局限性和偶然性大，不能有效及时获取收益和及时止损；约定俗成的常用参数值在面对各种波动幅度不同、周期性不同、价格弹性等不同的个股时也有失客观性和灵动性。

所以，在探究一种改进针对个股的传统趋势指标量化择时的策略。首先建立基于各传统趋势指标的单指标择时策略，通过参数优化确定各单指标策略的最适参数；并在单指标的基础上，创新性地通过指标的组合，构建一个综合性且参数最优的组合指标择时策略，以增强策略的稳定性和鲁棒性，获得更优的投资收益。

1．4 术语说明

（1）累计收益率：

（2）年化收益率：年化收益率是把当前收益率（日收益率、周收益率、月收益率）换算成年收益率来计算的，是一种理论收益率，并不是真正的已取得的收益率。

（3）夏普比率：夏普比率是一个可以同时对收益与风险加以综合考虑的经典指标，它反映了单位风险基金净值增长率超过无风险收益的程度。如果夏普比率为正值，说明在衡量期内基金的平均净值增长率超过了无风险利率。夏普比率越大说明基金单位风险所获得的风险回报越高。因此，夏普比率是可以同时对收益与风险加以综合考虑的经典指标之一。

夏普比率=

（5）最大回撤率：在选定周期内任一历史时点往后推，产品净值走到最低点时的收益率回撤幅度的最大值。最大回撤率用来描述买入产品后可能出现的最糟糕的情况，是一个重要的风险指标。

2 理论概述

2．1 量化投资理论

量化投资是运用现代统计学和数学的方法，从大量的历史数据中寻找并获得超额收益的一种投资策略，投资者通过计算机程序，建立可以重复使用并反复优化的投资策略，严格按照这些策略所构建的数量化模型进行投资并形成回报。

量化投资的内容主要包括量化选股、量化择时、股指期货套利、商品期货套利、统计套利、算法交易、ETF／LOF套利、高频交易等。量化投资在国外已有30多年的发展历史，但在国内还是近年出现的新鲜事物。相比其他投资策略，量化投资在国外的运用已取得了更佳的业绩。

与海外成熟市场相比，中国A股市场的发展历史较短，投资理念还不够成熟，相应的留给主动型投资发掘市场的潜力和空间也更大。国内很多实证文献讨论国内A股市场也尚未达到半强势有效市场，因此量化投资理论引入国内证券市场是非常有意义的，它以正确的投资理念为根本，通过各种因素的分析，以全市场的广度、多维度的深度视角扫描投资机会，在中国市场的应用将更显其优势。

2．2 择时理论

量化择时是量化投资的一种，它利用数量化的方法，通过对各种宏观微观指标的量化分析，试图通过回溯历史数据，找到影响大盘走势的关键信息，并且对未来走势进行预测。如果判断是上涨则买入持有；如果判断是下跌则卖出清仓；如果判断是震荡则进行高抛低吸，这样就可以获得远远超越简单买入持有策略的收益率。所以择时交易是收益率最高的交易方式之一。

股票的量化择时是预测市场以后的走势，并由此来判断调整投资组合的风险水平，从而获取更大的收益，具体表现是现金流进出证券市场和在证券间比例变换的时机选择。

2．3 趋势追踪理论

趋势择时的基本思想来自于技术分析，技术分析认为趋势存在延续性，因此只要找到趋势方向，跟随操作即可。

技术指标是技术分析中使用最多的一种方法，通过考虑市场行为的多个方面建立一个数学模型，并给出完整的数学计算公式，从而得到一个体现证券市场的某个方面内在实质的数字，即所谓的技术指标值。指标值的具体数值和相互间关系直接反映证券市场所处的状态，为操作行为提供指导作用。目前证券市场上的技术指标可分为“趋势型指标”、“反趋势型指标”、“能量指标”、“大盘指标”、“压力支撑指标”等类别。

移动平均线（MA）是一种常用的趋势型指标，由Joseph E．Granville于20世纪中期提出来。它是当今运用最普遍的技术指标之一，帮助交易者确认现有趋势、判断将出现的趋势、发现过度延伸而即将发转的趋势。后来又逐渐衍生出其他类型的均线，如平滑异同移动平均线（MACD）、三重指数平滑平均线（TRIX）等。 这些均线理论常用两根线的交叉作为交易信号，并以此作为买卖时点的判断。

均线理论提供了一种简单有效的使价格序列平滑并且使趋势更易于辨认的方法。

因此综合以上理论的优点，在此基础上改进传统趋势指标的量化择时策略，并创新性地开发更优的组合指标量化择时策略，以达到及时获取收益和及时止损的目的。

3 择时策略模型建立

3．1 MA单指标策略模型的建立

MA移动平均是指连续若干交易日收盘价的算术平均，用来显示股价的历史波动情况，进而反映股价指数未来的发展趋势。

其中

利用MA指标进行量化择时，在短期移动均线与长期移动均线的交叉处进行买入或卖出择时交易。以下分别建立买入和卖出法则的模型。

在短期移动均线下穿长期移动均线的黄金交叉处买入，故建立如下数学模型：

mabuy=1，MA（s）t＞MA（s）t-1&MA(s)t＞MA(l)t&MA(s）t-1＜MA（l）t-10,其他（6）

其中mabuy=1，表示满足买进，mabuy=0表示不满足买进。

在短期移动均线上穿长期移动均线的死亡交叉处卖出，故建立以下数学模型：

mabuy=1，MA（l）t＜MA（l）t-1&MA(s)t＜MA(l)t&MA(l）t＞MA（l）t-10,其他

其中mabuy=1，表示满足卖出，mabuy=0表示不满足卖出。

3．2 MACD单指标策略模型的建立

MACD即指数平滑异同移动平均线，是根据均线的构造原理，通过分析短期指数移动平均线与长期指数移动平均线之间的聚合与分离状况，对买进、卖出时机做出判断的趋势型技术指标。

MACD的计算如下：

（1）计算短期（ms）指数移动平均线EMA1和长期（ml）指数移动平均线EMA2。

（2）计算离差值DIF＝EMA1－EMA2。

（3）计算DIF的M日指数移动平均线，即DEA。

（4）计算MACD＝2（DIF－DEA）。

利用MA指标进行量化择时，在DIF与DEA的交叉处进行买入或卖出，分别建立买入和卖出法则的模型。

当DIF、DEA均为正值，DIF向上突破DEA时，为买入信号，建立如下数学模型：

macdbuy=1，DIFt＞DIFt-1&DIF＞DEAt&DIFt-1＜DEAt-1&DIF＞00,其他 （8）

其中，macdbuy=1表示满足买进，macdbuy=0表示不满足买进。

当DIF、DEA均为负值，DIF向下跌破DEA时，为卖出信号，建立如下数学模型：

macdsell=1，DIFt＜DIFt-1&DIFt＜DEAt&DIFt-1＞DEAt-1&DIF＜00,其他（9）

其中macdsell=1，macdsell=0表示满足卖出，表示不满足卖出。

3．3 MA－MACD组合指标策略模型的建立

组合模型构建两个新的信号变量：买入信号个数阈值“buy”（1≤buy≤2，整数）和卖出信号个数阈值“sell”（1≤sell≤2，整数）。

买入信号个数阈值“buy”表示：当MA策略中的“mabuy＝1”的买入信号个数与MACD策略指标中的“macdbuy＝1”的买入信号个数之和至少达到阈值“buy”（1≤buy≤2)数量个时才进行买入交易。

即“buy”阈值取不同值时，买入信号组合满足买入条件的情况如下：

buy=1时，满足买入情况：mabuy=1||macdbuy=1||macdbuy=1||mabuy=1&macdbuy=12时，满足买入情况：mabuy=1&macdbuy=1（10）

卖出信号个数阈值“sell”表示：当MA策略中的“mabsell＝1”的卖出信号个数与MACD策略指标中的“macdsell＝1”的卖出信号个数之和至少达到阈值“sell”数量个时才进行卖出交易。

即“buy”阈值取不同值时，买入信号组合满足卖出条件的情况如下：

sell=1时，满足卖出情况：masell=1||macdsell=1||mabsell=1&macdsell=12时，满足买入情况：masell=1&macdsell=1（11）

3．4 模型最优参数的选择

就个股而言，不同的计算参数，将导致不同的择时效果。面对各种波动幅度不同、周期性不同、价格弹性等不同的股票，如果盲目套用经典参数可能会有失客观性和灵动性。因此， 在进行量化择时策略构建时，需要针对个股进行策略的参数优化，检验指标不同参数的测试效果，并最终选择一个最优的参数组合。

夏普比率是一个可以同时对收益与风险加以综合考虑的经典指标，它反映了单位风险基金净值增长率超过无风险收益的程度。如果夏普比率为正值，说明在衡量期内基金的平均净值增长率超过了无风险利率。夏普比率越大说明基金单位风险所获得的风险回报越高。因此，夏普比率是可以同时对收益与风险加以综合考虑的经典指标之一。

4 个股实证分析

4．1 数据选择

为验证上述模型的有效性，个股实证以深圳证券交易所的华谊兄弟300027为交易标的，选取来源于国泰安2011．1．1－2014．6．30的基本面数据库，包括个股开盘价、收盘价等。

4．2 MA单指标择时策略仿真回验

首先对该股策略进行参数优化：本策略中对于参数，在测试期间内，以2天为间隔，测试范围从2天到20天；以5天为间隔，测试范围从20天到120天；搜索精度为1；测试回验30天，截止日期设为2013－12－31。通过回验得到参数优化结果（见表1）。

如表1所示，最优组合（s，l）＝（2，20），当以2日为短期均线，20日为长期均线，在参数优化测试期间进行交叉择时时效果较好，在回验测试期间内夏普比率达2．4234。

确定最优后，运用国泰安量化交易平台QIA进行策略交易仿真回验。设定合约保证金为1，合约乘数为1，市场参与度为0．5，买方手续费为0．05‰，卖方手续费为0．05‰，交易账户为股票账户并设定初始资金为1 000 000元，以一年期国债利率为无风险利率，并以沪深300为业绩比较基准，以数据库所给时间2011年1月1日-2014年6月30日为策略回验时间区间进行回验。最终结果（见图1、表2）。

回验结果显示，此单指标策略在2011年1月1日-2014年6月30日间的累计收益率达42．26％，年化收益率达11．10％，高出同期的沪深300指数比较基准，并且胜率达60．80％。由此我们可以得出结论，采用MA单指标策略进行个股量化择时交易也能获得较优的投资回报。

4．3 MACD单指标择时策略仿真回验

对该股策略进行参数优化：该策略需要优化确定的参数主要包括短期指数移动平均线的计算天数ms、长期指数移动平均线的计算天数ml，以及DEA的计算天数M。本策略的参数优化依然以最大化夏普比率为最优化目标函数，并使用Matlab的模式搜索算法在设定的回验时段内搜索最优参数组合（ms，ml，M）。

对于参数ms，在测试期间内，以2天为间隔，测试范围从2天到20天；参数ml以5天为间隔，测试范围从20天到120天；参数M以5天为间隔，测试范围从5天到60天；搜索精度为1；测试回验30天，截止日期设为2013－12－31。通过回验得到参数优化结果如下：

如表3所示，最优组合（ms，ml，M）＝（2，25，10），当以2日为短期指数移动平均线计算天数，25日为长期指数移动平均线计算天数，10日为DEA计算天数，进行交叉择时时效果较好，在回验测试期间夏普比率达3．0682。

组合指标择时策略仿真回验。由于组合指标策略是建立在单指标策略基础上的，所以该策略中的参数（s，l）、（ms，ml，M）即为模型一和模型二参数优化后确定的值，而参数（buy，sell）的组合情况有（2，2）、（2，1）、（1，2）和（1，1）四种，阈值组合选取哪个使得策略最优则需要进一步的参数优化。

对于参数buy，初始值设为2，测试最小值为1，最大值为2，步长设为1；参数sell，初始值设为2，测试最小值为1，最大值为2，步长设为1；搜索精度设为1；测试回验90天，截止日期设为2013－12－31。通过回验得到参数优化结果（见表4）。

如表4所示，最优组合（buy， sell）＝（1，1），即当买入信号个数至少有一个时就进行买入交易，卖出信号个数至少有一个时就进行卖出交易，以此进行组合指标择时效果最好，在参数优化回验测试期间夏普比率达2．490 3。

5 结论

从价格沿趋势移动和历史会重演的角度出发，运用传统趋势指标MA和MACD，分别建立MA、MACD的单指标择时策略模型并通过模式搜索算法分别求出两个策略的最优参数，从实证结果看趋势型指标可以抓住大的波段行情，获得超额收益，具有较好的择时效果。在此基础上再创新性的运用通过设置买入和卖出信号个数阈值的方法构建二者的最优组合指标模型，增强了择时的稳定性和鲁棒性，在有效降低风险的同时提高了收益率。

综上所述，基于以上的不足之处，以后将沿着组合指标择时的思路继续深入研究以对目前的研究进行改进。未来的工作主要是：对于用于组合的单指标要进行更为全面的扩展，引进其他经典趋势型指标DMA平均线差指标、TRIX三重指数平滑移动平均指标等，同时把指标类型拓展至其他类型，如反趋势型指标ACCER幅度涨速指标等，量价指标APBP人气意愿指标等，大盘指标OBOS超买超卖指标等，压力支撑指标ENE轨道线指标等。通过增加组合趋势型数量和组合指标类型，以使组合指标策略更全面、更切合实际市场。

参考文献

1 丁鹏．量化投资——策略与技术［M］．北京：电子工业出版社，2012

2 方浩文．量化投资发展趋势及其对中国的启示［J］．宏观管理，2012（5）

3 郭建．论证券投资技术分析中历史会重演的根本原因［J］．商业时代，2007（28）

4 李向科．证券投资技术分析［M］．北京：中国人民大学出版社，2012．

5 张登明．技术指标投资策略的优化及其在量化交易中的应用［D］．武汉：华中科技大学，2010

6 方智．基于多技术指标模型的沪深300指数走势预测［D］．南昌：江西财经大学，2012

7 路来政．量化投资策略的应用效果研究［D］．广州：暨南大学，2012

8 刘澜飚，李贡敏．市场择时理论的中国适用性［J］．财经研究，2005（11）

9 林正龙．项目投资定价与择时理论研究［D］．长沙：湖南大学，2006

10 胡志强，卓琳玲．IPO市场时机选择与资本结构关系研究［J］．金融研究，2008（10）

11 王俊杰．量化交易在中国股市的应用［D］．南京：南京大学，2013

第5篇

【关键词】机器学习 量化投资 三因子模型

一、引言

作为人工智能领域主要的研究方向之一，机器学习无疑最受瞩目。尤其是近几年深度学习方法在语音识别、自然语言处理、自动驾驶等方面取得了巨大的成功，使得各行各业都将机器学习方法做为重点的研究方向。特别是在金融领域，以机器学习为主的人工智能已经在量化投资方面得到了广泛的应用。机器学习可以快速海量地进行分析、拟合、预测，人工智能与量化交易联系越来越紧密。如全球最大的对冲基金桥水联合（Bridge water Asspcoates）在2013年就建立了一个基于机器学习的量化投资团队，该团队设计交易算法，利用历史数据预测未来金融市场变化，以人工智能的方式进行投资组合调整。日本的人工智能量化投资公司Alpaca，建立了一个基于图像识别的机器学习技术平台Capitalico，通过该平台，用户可以利用数据库中找到外汇交易图表进行分析，这使得普通投资者也能知道成功的交易员是如何做出交易决策的，从他们的经验中学习并作出更准确的交易。然而在金融领域，已公开的有效的预测模型是基本不存在的，因为无论是机构投资者还是个人投资者一旦公开投资模型，也就意味着投资模型的失效。比如著名数学家西蒙斯1988年成立的文艺复兴公司，就完全依靠数学模型进行投资，公司旗下从事量化投资的大奖章基金回报率也远超过其他对冲基金，然而该公司却从不公开投资模型。虽然金融机构很少公开如何利用机器学习来指导投资的研究成果，但学术界对机器学习在金融投资中的应用的研究却在逐渐增加。

支持向量机（support vector machines，SVM）是Vapnik 1995年提出的新的机器学习算法，该方法有很好的泛化能力，一种非常成功的机器学习方法，性能明显优于传统神经网络。在金融研究领域，支持向量机也是应用最广泛的机器学习模型。即使在国内，利用SVM方法的研究文献也不少。赛英（2013）利用支持向量机（SVM）方法对股指期货进行预测，并用遗传算法（GA）和粒子群算法（PSO）分别优化四种不同核函数的支持向量机，通过大量实验发现，采用粒子群算法化的线性核函数支持向量机对股指期货具有最好的预测效果。黄同愿（2016）通过选择最优的径向基核函数，再利用网格寻参、遗传算法和粒子群算法对最佳核函数参数进行对比寻优，构建最有效的支持向量机模型，并对中国银行未来15日的开盘价格变化趋势进行预测，并认为用支持向量机来预测股票走势是可行的。程昌品（2012）提出了一种基于二进正交小波变换和ARIMA-SVM方法的非平稳时间序列预测方案。用高频数据构建自回归模型ARIMA进行预测，对低频信息则用SVM模型进行拟合；最后将各模型的预测结果进行叠加，并发现这种办法比单一预测模型更加有效。张贵生（2016）提出了一种新的SVM-GARCH预测模型，通过实验发现该模型在时间序列数据去除噪音、趋势判别以及预测的精确度等方面均优于传统的ARMA-GARCH模型。徐国祥（2011）在传统SVM方法的基础上，引入主成分分析方法和遗传算法，构建了新的PCA-GA-SVM模型。并利用该模型对沪深300指数和多只成分股进行了验证分析，并发现该模型对沪深300指数和大盘股每日走势有很好的预测精度。韩瑜（2016）结合时间序列提出了一种基于GARCH-SVM、AR-SVM的股票涨跌预测方法，结果表明，加入GARCH或AR等时间序列模型的初步预测结果可以提高SVM预测准确率。

从国内的研究文献来看，大多数文献都是通过机器学习方法来优化传统的时间序列预测模型，很少去研究如何通过机器学习方法构建有效的量化投资策略。由此，本文将利用SVM算法，结合经典的Fama-Fench三因子模型，设计量化投资策略，探讨机器学习方法在金融投资领域应用的新思路。

二、模型理论介绍

（一）Fama&Fench三因子模型

Sharpe（1964），Lintner（1965）和Mossin（1966）提出的资本资产定价模型（CAPM）是一个里程碑。在若干假定前提条件下，他们严谨地推导出了在均衡状态下任意证券的定价公式：

式中，E（ri）是任意证券i的期望收益率，E（r0）是无风险利率，E（rm）是市场组合（market portfolio）的期望收益率。■。法马（Fama，1973）对CAPM进行了验证，发现组合的β值与其收益率之间的线性关系近似成立，但截距偏高，斜率偏低，说明β不能解释超额收益。之后，Fama&Fench（1992）详细地分析了那些引起CAPM异象的因子对证券横截面收益率的影响。结果发现，所有这些因子对截面收益率都有单独的解释力，但联合起来时，市值和账目价值比（BE/ME）两个因子在很大程度上吸收了估计比值（E/P）以及杠杆率的作用。基于此，Fama&Fench（1993）在构建多因子模型时，着重考虑规模市值（SMB）和账面价值比（HML）这两个因子。因此，三因子模型可以写为：

（二）支持向量机

支持向量机是一种二分类模型，也可以用于多分类，它的基本模型是定义在特征空间上的间隔最大的线性分类器，通过寻求结构化风险最小来提高分类器的泛华能力，实现经验风险和置信范围的最小化，最终可转化为一个凸二次规划的问题求解。支持向量机是90年代最成功的机器学习方法，它的基本思想是求解能够正确划分训练数据集并几何间隔最大的分离超平面，该超平面可以对数据进行分类，分类的标准起源于逻辑回归，logistic回归的目的是从特征学习出一个0/1分类模型，logistic函数（sigmoid函数）的表达形式为：

这个模型是将特征的线性组合作为自变量。由于自变量的取值范围是负无穷到正无穷，因此，sigmoid函数将自变量映射到（0，1）上，对应的类别用y来表示，可以取-1或者1。根据输的概率对数据进行分类，sigmoid函数图像如图1。

支持向量机也是利用上述分类原理对数据进行分类，如图2所示，wTx+b=0为n维空间的一个超平面，该超平面将数据分开，一般来说，一个点距离超平面的远近可以表示为分类预测的准确程度。支持向量机就是求解■的最大值，也就是说，构造最大间隔分类器γ，使两个间隔边界的距离达到最大，而落在间隔边界上的点就叫做支持向量，明显有y（wT+b）>1。

当数据不能线性可分时，就需要利用非线性模型才能很好地进行分类，当不能用直线将数据分开的情况下，构造一个超曲面可以将数据分开。SVM采用的方法是选择一个核函数，通过将数据映射到高维空间，在这个空中构造最优分类超平面，用线性分类法进行数据分类。

然而，在不知道特征映射的形式时，很难确定选择什么样的核函数是合适的。因此，选择不同的核函数可能面临不同的结果，若核函数选择不合适，则意味着将样本映射到了一不合适的特征空间，很可能导致结果不佳。常用的核函数见表1。

三、实证分析与应用

（一）数据说明

训练数据为2012年8月1日至2016年8月1日沪深300成分股在每月最后一个交易日有交易的股票因子值，市值因子SMB（marketValue）和账面价值比HML（PB）比这两个因子见表2，所有因子数据都通过标准化并处理。利用PB和marketValue两个因子，预测下月该股票的涨跌，利用机器学习中的支持向量机进行训练，数据特征为月度股票因子，训练标签为该股票下个月月初第一个交易日的涨跌，上涨为1，下跌和股价不变标记为0，采用交叉验证方法，其中80%的数据为训练集，20%的数据为测试集，利用R语言中的e1071包进行分析。

表2 因子名称与因子说明

■

（二）策略回测

从实验结果看，SVM的测试集预测准确率为62.32%，回测策略为等权重买入当月预测上涨概率排名前20的股票，每月初第一个交易日进行调仓，回测区间共调仓41次。回测区间为2013年7月1日至2017年2月28日，初始资金设为1000000元，利用优矿量化平台进行回测，策略回测的部分持仓记录见表3，策略效果见图3和表4。

表3 策略回测持仓记录

■

■

图3 策略收益率与基准收益率对比

表4 模型回测结果主要数据

■

由于多因子模型通常为稳健策略，因此为了避免频繁交易带来的高额交易费用，本策略采用了月度定期调仓的手法。从表3，图3和表4的策略回测结果来看，利用支持向量机算法结合Fama-Fench三因子模型设计的交易策略，在回测区间年化收益率为22.4%，超越了13.4%的基准市场收益率，获得了8.2%的阿尔法，这也说明Fama-Fench三因子模型在A股市场依然有效。同时我们也能看到，该策略最大回撤为48.1%，说明在不加入止损、止盈条件下，该策略并不能实现很好的对冲效果。从量化投资的角度来看，利用股指期货进行对冲，是多因子策略的一个很好的选择。

四、结论

本文通过利用机器学习中的经典算法支持向量机并结合Fama-Fench三因子模型构建了量化投资策略。通过市值因子和市净率因子，利用机器学习算法，滚动预测下一个月股票的涨跌方向。实验结果发现，支持向量机的预测准确率达到了62.23%，通过预测股票涨跌方向的概率，设计了对应的投资策略，该策略在回测期间的年化收益达到了22.4%，远超过基准年华收益率的13.4%。本文的研究表明，机器学习方法在金融市场有很好的运用空间，在大数据时代的今天，传统统计模型无法从复杂、多维的金融数据中提取出有效的信息特征，而机器学习算法擅长处理复杂、高维数据。这也是人工智能投资在金融行业越来越受到重视的原因。从量化投资这一角度来说，如何将机器学习方法应用到金融投资领域还是一个饱受争议的话题，本文只是从尝试的角度出发，创新的将机器学习方法结合经典的Fama-Fench三因子模型来验证对中国股市的投资效果。而如何将机器学习方法应用到更多的金融投资领域将是本文下一阶段的研究重点。

参考文献

[1]Cortes C，Vapnik V.Support-Vector Networks.[J].Machine Learning，1995，20（3）：273-297.

[2]Fama，E.F.&K.R.French（1992），“The cross-section ofexpected stock returns”，Journal of Finance 47：427-466.

第6篇

【关键词】量化投资；量化投资体系；证券市场

一、量化投资及量化投资体系的定义

什么是量化投资？简单来讲，量化投资就是利用计算机科技并结合一定的数学模型去实现投资理念与投资策略的过程。与传统的投资方法不同的是：传统的方法主要有基本面分析法和技术分析法这两种，而量化投资主要依靠数据和模型来寻找投资标的和投资策略。量化投资系统则是由人设定出某种规则，在计算机当中根据规则构建这种模型，而后由计算机自己去根据市场的情况进行一些投资机会的判断。从他们投资方式的区别当中可以看出，量化投资更依赖于数据，传统投资则更依赖于人的主观判断。从这点上来说，量化投资可以有效的规避一些人为的错误判断。

二、我国量化投资体系的发展

在美国，量化投资方法的发展己经有将近年的历史，量化方法从允嫉较衷谡嫉矫拦市场30%上以上的比重。而在中国，量化投资只是刚刚起步而己。但是已经有很多基金公司允即罅Υ蛟熳约旱牧炕投资团队，期望在传统的基本面研究之外源匆黄新的投资天地。国内证券市场上成立比较早的量化投资基金主要包括：嘉实基金――嘉实量化阿尔法股票、上投摩根基金管理有限公司――上投摩根阿尔法、光大保德信基金――光大量化、富国基金管理有限公司――富国沪深增强、国泰君安资产管理公司――君享量化。近年来，一些公募基金、私募基金也都不断加快了布局量化投资基金的方法。这些量化投资基金，主要研究了基于基本面的多因子选股模型，这些投资组合因子主要包括：公司财务基本面数据，市场行情数据，行业数据等，并在实证中不断完善量化投资指标因子的选取。研究行业以及个股的价格趋势，运用道氏理论、K线理论、波浪理论、切线理论、形态理论等一些常用的技术分析方法建立不同风格的投资模型和投资组合。

三、量化投资的优点

量化投资作为一种有效的主动投资工具，是对定性投资方式的继承和发展。实践中的定性投资是指，以深入的宏观经济和市场基本面分析为核心，辅以对上市公司的实地调研、与上市公司管理层经营理念的交流，发表各类研究报告作为交流手段和决策依据。因此，定性投资基金的组合决策过程是由基金经理在综合各方面的市场信息后，依赖个人主观判断、直觉以及市场经验来优选个股，构建投资组合，以获取市场的超额收益。与定性投资相同，量化投资的基础也是对市场基本面的深度研究和详尽分析，其本质是一种定性投资思想的理性应用。但是，与定性投资中投资人仅依靠几个指标做出结论相比，量化投资中投资人更关注大量数据所体现出来的特征，特别是挖掘数据中的统计特征，以寻找经济和个股的运行路径，进而找出阿尔法盈利空间。与定性投资相比，量化投资具有以下优势：

（一）量化投资可以让理性得到充分发挥

量化投资以数学统计和建模技术代替个人主观判断和直觉，能够保持客观、理性以及一致性，克服市场心理的影响。将投资决策过程数量化能够极大地减少投资者情绪对投资决策的影响，避免在市场悲观或非理性繁荣的情况下做出不理智的投资决策，因而避免了不当的市场择时倾向。

（二）是量化投资可以实现全市场范围内的择股和高效率处理

量化投资可以利用一定数量化模型对全市场范围内的投资对象进行筛选，把握市场中每个可能的投资机会。而定性投资受人力、精力和专业水平的限制，其选股的覆盖面和正确性远远无法和量化投资相比。

（三）是量化投资更注重组合风险管理

量化投资的三步选择过程，本身就是在严格的风险控制约束条件下选择投资组合的过程，能够保证在实现期望收益的同时有效地控制风险水平。另外，由于量化投资方式比定性投资方式更少的依赖投资者的个人主观判断，就避免了由于人为误判和偏见产生的交易风险。当然，无论是定性投资还是量化投资，只要得当的应用都可以获取阿尔法超额收益，二者之间并不矛盾，相反可以互相补充。量化投资的理性投资风格恰可作为传统投资方式的补充。

四、量化投资的局限性

量化投资是一种非常高效的工具，其本身的有效性依赖于投资思想是否合理有效，因此换言之，只要投资思想是正确的，量化投资本身并不存在缺陷。但是在对量化投资的应用中，确实存在过度依赖的风险。量化投资本身是一种对基本面的分析，与定性分析相比，量化分析是一种高效、无偏的方式，但是应用的范围较为狭窄。例如，某项技术在特定行业、特定市场中的发展前景就难以用量化的方式加以表达。通常量化投资的选股范围涵盖整个市场，因此获得的行业和个股配置中很可能包含投资者不熟悉的上市公司。这时盲目的依赖量化投资的结论，依赖历史的回归结论以及一定指标的筛选，就有可能忽略不能量化的基本面，产生巨大的投资失误。因此，基金经理在投资的时候一定要注意不能单纯依赖量化投资，一定要结合对国内市场基本面的了解。

五、量化投资对中国的启示

通过研究国外市场的发展和中国市场的特点，对中国市场上的监管创新，制定相关的法律法规也势在必行。由于市场结构的差异，国内量化投资情况与国外有很大不同。技术型量化投资的应用主要是集中在期货市场，并且有较高的推崇程度；金融型量化投资的应用主要集中在股票市场，由于需要应用的时间数据周期相对较长，实际中应用并不普遍。目前，中国金融市场正处于迅速发展的阶段，很多新的金融工具在不断被引进，用量化投资方式来捕捉这种机会，也是非常合理的。与国外相比，目前国内股票市场仅属于非有效或弱有效市场，非理性投资行为依然普遍存在，将行为金融理论引入国内证券市场是非常有意义的。国内有很多实证文献讨论国内A股市场未达到半强势有效市场。

目前对中国市场特点的一般共识包括：首先，中国市场是一个个人投资者比例非常高的市场，这意味着市场情绪可能对中国市场的影响特别大。其次，中国作为一个新兴市场，各方面的信息搜集有很大难度，有些在国外成熟市场唾手可得的数据，在中国市场可能需要自主开发。这尽管加大了工作量，但也往往意味着某些指标关注的人群少，存在很大机会。其三，中国上市公司的主营比较繁杂，而且变化较快，这意味着行业层面的指标可能效率较低。而中国的量化投资实际上就是从不同的层面验证这几点，并从中赢利。例如，考虑到国内A股市场个人投资者较多的情况，我们可以通过分析市场情绪因素的来源和特征指标，构建市场泡沫度模型，并以此判断市场泡沫度，作为资产配置和市场择时的重要依据。

在中国金融市场的不断发展阶段，融资融券和股指期货的推出结束了中国金融市场不能做空的历史，量化投资策略面临着重大机遇。运用量化投资的机理和方法，将成为中国市场未来投资策略的一个重要发展趋势。量化投资在给投资者进行规避风险和套利的同时，也会带来一定的风险，对证券具有助涨助跌的作用。由于国内股票市场还不够成熟，量化投资在中国的适用性很大程度上取决于投资小组的决策能力和创造力。以经济政策对中国量化投资的影响为例。中国的股市有“政策市”之称，中国股市的变化极大的依赖于政府经济政策的调节，但是经济政策本身是无法量化的。基金建仓应早于经济政策的施行，而基于对经济政策的预期，但预期的影响比经济政策的影响更难以量化。例如，在现阶段劳动力成本不断上升、国际局势动荡、国际大宗商品价格上升的情况下，央行何时采取什么力度的加息手段，对市场有何种程度的影响，这一冲击是既重要又无法量化的。为解决这个在中国利率非市场化特点下出现的问题，需要基金投资小组采取创造性的方式，将对中国经济多年的定性经验和定量的指标体系结合起来，方能提高投资业绩。

参考文献：

[1]方军雄.我国证券投资基金投资策略及绩效的实证研究[J].经济科学，2002.04

第7篇

从上世纪五十年代起，随着股票、债券、期权、期货以及衍生品市场的蓬勃发展，以有价证券为标的物的现资学作为金融学的重要分支在以流动性为主要目的的金融市场中产生了越来越重要的作用。同时一方面能够为投资者转移风险，一方面又能够凭借市场的波动获取客观的超额回报，如何专业化进行投资以及构造低风险高利润的资产组合作为一个重要的课题受到了包括企业政府和个人投资者在内的普遍重视。

从广义上讲，现资学有两个重要的理论分支，其一是以格雷厄姆在其聪明的投资者一书中提出的以价值评估为核心的价值投资，其代表的投资策略使用者是著名的投资大师巴菲特。而另外一个重要的分支就是量化投资学，其基础理论是借助数学建模的理论基础，广泛使用概率测度，统计原理和计算机技术对投资标的物进行模型建立，设定投资策略并由程序来进行择时，估值和选股。其理论基础是上世纪五十年代由马克维茨提出的投资组合模型理论。

二、量化投资的理论基础

事实上，量化投资理论是严格基于经典投资理论的两个假设而建立的，这两个假设分别是市场有效假设和无套利机会原则。市场有效假设认为，在现代有效金融市场中，市场是不可能被打败的，也就是，不存在超额回报，回报与风险必然成正比。市场中天然蕴含着一个风险与收益交换的机制，其中投资者提出需求而市场提供供给，在一个有效地市场中，风险回报机制也意味着超额回报由承担超额风险而来。

与市场有效假设紧密相关的是无套利机会原则，也就是金融市场是不可预测的，无风险套利机会并不存在。主流的金融理论主张市场是不可预测的，因为一旦市场能够被预测，那么它就不再有效，获取超额回报可以不再承担多余的风险。而投资者会蜂拥而至，最终抹平无风险套利机会，市场将重新恢复有效。

事实上量化投资在的基本核心在于其从理论上完成了关证券价值和交易流程的完整概念梳理，并且通过数理模型的方式用计算机程序模拟了出来。最关键的是，量化交易理论认为投资在市场中关于收益与风险的机制是动态的，它并没有排除掉资产回报是有可能超额并且可以预估的这种可能性。在以市场有效假设和无套利机会原则为基础的理论上，量化投资对市场风险和收益模型提出了自己的看法。

三、量化投资的发展现状

从量化投资的角度，为了更好地测度和衡量金融市场风险回报架构，研究者提出了一个量化模型概念，也就是beta回报和alpha回报，其中beta回报用于测度市场风险敞口，而alpha回报用于测度超出市场回报的那部分收益。所有的证券和投资组合收益都可以被看做由市场部分的beta回报和非市场部分的alpha回报组成，市场部分的beta回报是源于投资者所承担的投资风险敞口的基于市场基准风险的收益，与量化模型无关。而alpha回报则是那些超过平均市场回报的超出收益，这取决于量化投资的主动投资水平。

第8篇

在BGI的主动投资领域中， “市场中性”策略取得了巨大成功。黎海威开发的香港、新加坡市场的量化模型正是运用到此类市场中性基金，它们采用的是后来名满天下的基本面量化投资方法。简要地说，基本面量化投资即借助一系列基本面因子构建的量化模型筛选股票，以融资融券的方式实现多空对冲，从市场中获得绝对收益。除此以外，相关模型也运用到指数增强和130/30基金。

在黎海威看来，投资是个概率问题，通过基本面分析，提高找出好股票从而跑赢市场的概率，即赢面。如果挑选的每只股票的赢面在55%，而投资组合由100只这样的股票构成，整个投资组合战胜市场的概率就会接近100%。

量化投资的核心在于维持一个稳定的赢面，而在比较大的范围（即投资的宽度）内运用它。挑选出好股票，需要从合适的维度来筛选，比如估值、盈利质量、情绪等等。这些因子都不是随意挑选的，它们一般有金融理论背景（价值投资、行为金融等）支持， 并结合了当地市场的实际情况。

基本面量化投资并非像人们想象的只是靠跑系统选股和交易，事实上，它的本质是主动投资。这样的投资方法，关注基本面和市场演变，需要基金经理的经验、判断和对市场的理解。黎海威认为，关键在对市场黎海威在量化投资的世界里，华人迄今掌管的最成功基金之一是巴克莱亚洲（除日本）市场中性股票投资基金。2012年8月，曾在巴克莱工作时间最长的华人基金经理黎海威，回国进入景顺长城基金，担任景顺长城基金的量化及ETF投资总监。他即将启动其在国内的第一个量化投资产品——景顺长城沪深300指数增强基金。的理解， 在把量化框架和当地市场的实际情况结合起来，在强调纪律性的前提下， 坚持以量化模型为依托， 不断地将新出现的现象和发现的规律抽象出来，添加到模型中。

与此同时，对于特殊事件，比如数据错误、 收购兼并等量化模型无法及时处理的情况， 需要基金经理在投资组合中控制相关风险。更为重要的是，因子的研究和权重的调整要有前瞻性。例如在次贷危机发生后很长一段时间里，人们对价值股没有任何兴趣，但随着违约风险逐步降低，价值股在2010年迎来了相当强劲的行情。当时，由黎海威担任基金经理的亚洲（除日本）市场中性股票投资基金及时调整了价值股权重，获得很好的业绩。

当然，基本面量化投资有着量化的纪律性，这是业绩稳定性的保障。黎海威认为，量化投资的纪律性首先表现在量化研究的严谨性上。做量化投资并非像大家想象中的多空对决的精彩，反而有点像做金融的博士论文，整个研究过程从课题的提出到研究、回测都是在严密的框架下进行的，是可重复验证的。

第9篇

2011年7月1日，本刊正式引入《今日投资66》专栏，介绍今日投资66的选股逻辑、方法以及挑选出的股票。今日投资66（简称I66）是利用量化投资方法挑选出的一个66只股票的组合。其实早在2005年中今日投资就推出了I66，过去几年累计收益率达到16倍，远超同期市场不到3倍的涨幅。为什么直到今日我们才大张旗鼓地推出I66呢？原因其实很简单，因为市场环境。量化投资近几年在中国快速发展，其投资理念也越来越多地获得认同。

股票市场上形形的各种分析方法总结起来可以归类为三大流派：数量分析、基本面分析和技术分析。关于这三大流派孰优孰劣的争论已经持续了近百年，三方各执一词，百年争论下来也没有争出个结果来。当今世界也是这三种流派大概各占三分之一的格局。而A股市场显然尚未跟上，量化投资远远没有达到三分之一的市场占有率。

第一部分：什么是量化投资

量化投资在海外的发展已有30多年的历史，其投资业绩稳定，市场规模和份额不断扩大、得到了越来越多投资者认可。事实上，互联网的发展，使得新概念在世界范围的传播速度非常快，作为一个概念，量化投资并不算新，国内投资者早有耳闻。但是，真正的量化基金在国内还比较罕见。那么，何为量化投资？

康晓阳：量化就是符合投资常识的投资逻辑和策略

接下来会发生什么？

深圳市天马资产管理有限公司是国内最早开发量化投资模型的资产管理公司，致力于量化投资工作接近十年。作为国内量化投资的“开山鼻祖”，深圳天马的董事长康晓阳先生如下介绍量化投资：

大家看到这个图，鱼跳起来了，风在刮，接下来会是什么？日本发生的9级大地震！2011年3月7日我看到一个报道，有50条鲸鱼在搁浅沙滩，就在发生地震那个县东部的海岸，有的死了，专家解释这些鲸鱼集体迷路了。作为一个地震专家或者学者，其实他们的经验没有告诉他这50条鲸鱼搁浅沙滩跟地震有什么关系。到底有没有关系呢？我们知道5•12四川大地震之前发生了同样的事情，很多癞蛤蟆过马路，这跟地震有什么关系？

投资做股票有两类，讲很多种策略，无外乎就是买你自己喜欢的和买市场喜欢的，买自己喜欢和买市场喜欢的背后逻辑就是找影响股价的要素。

量化是什么？做投资，最终的分析停留在数据上，既然是数据，就可以标准化、固化。从你自己的角度买自己喜欢的东西，其实也可以量化，每个人都有对美的标准，但并不是符合这个指标，你就一定喜欢。如果有一个海选，把符合你喜欢特征的人放在你面前你去选，就可以量化。

鲸鱼搁浅在沙滩上，根据历史数据统计就会发现这个事情跟接下来要发生的事情有什么关联。把人的行为逻辑影响股价所有的要素进行综合分析，预测下一个市场喜欢的东西或者喜欢的策略是什么，简单一句话，量化就是符合投资常识的投资逻辑和策略。就股票来讲，投资标的的数据和因素量化，再用一些模型统计的方法把选出来的标的进行优化，最后成为投资组合，这就是量化的基本逻辑。用数理的方法把你的投资逻辑或者市场的投资逻辑固化，只要有投资逻辑的思想或者策略，都可以量化。

就股票而言，有很多种方法，有价值型股票，分析方法无非是那几种，只是大家的标准不一样，量化的东西可以设一个相对宽松的东西，初选之后再优化，比如成长型股票，肯定关心盈利、收益。选出来10个、20个、50个甚至100、200个股票，然后配比重，怎么优化组合，根据你的风险和预期收益率反推回来怎么优化，最后得出一个比重，哪只股票应该投多少。有些是成本交易，比如套利，什么情况下出现一定条件的时候提示你。

要真正做到量化，首先要有一个基本的理论模型。你要觉得什么样的股票表现好，什么样的股票你愿意投资，这就是量化的基本逻辑。但是，有了这个逻辑之后还不够，还要有复合型人才，因为量化投资不光要懂得投资股票，还要懂得数理分析。打个比方，虽然我很懂股票，但我不懂数理分析，很多计算机模型也不懂，更不懂编程序，要真正做到量化投资，就必须有复合型团队。为什么这么多年华尔街学金融工程、数理、物理的人大受欢迎？因为他们可以用统计工具。前段时间我在英国的一所大学和一些专门做模型分析的教授交流，我发现他们想的东西更加复杂，基本上把市场上任何的东西都想要量化。

我理解，就是去跟踪你的投资逻辑，它只是帮你实现你想法的一种工具。另外还要有高质量的数据，因为，你通常看到的东西和市场本身存在的东西可能并不一样。如果把鲸鱼放到海滩上，这作为数据化，统计过去2000年有多少次鲸鱼搁浅在海滩发生，假如有真实的数据，就可以研究出跟地震的相关性。要懂数理统计工具，建立模型就是纪律，不能改变，改变就不是模型。有人说看到今天不行，换一下，那就不是模型了。我们看过一个电影，造出来的机器人最后自己都控制不了，那就是模型。如果造出来的机器人自己能控制，那不是模型。人为什么能挣得到钱，为什么还要量化？传统是靠个人经验的，而且你看到、听到的东西都是有限的。量化有什么好处？它可以把你知道的东西在整个森林中搜索。计算机是不知疲倦的，晚上你在打鼾，计算机还可以工作。你的模型是你建的，你很理性的情况下建的模型，市场情绪变了，它不会变，那时候你不可能去改模型，所以它不会受情绪的影响。

华泰联合：实现投资理念与策略的过程

国内研究机构中涉足量化投资较早并多次获得新财富最佳分析师评选金融工程第一名的华泰联合证券金融工程团队如是说：

数量化投资是利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程。与传统定性的投资方法不同，数量化投资不是靠个人感觉来管理资产，而是将适当的投资思想、投资经验、甚至包括直觉反映在量化模型中，利用电脑帮助人脑处理大量信息、帮助人脑总结归纳市场的规律、建立可以重复使用并反复优化的投资策略（经验），并指导我们的投资决策过程。

本质上来讲，数量化投资也是一种主动型投资策略，其理论基础在于市场是非有效或弱有效的，基金经理可以通过对个股、行业及市场的驱动因素进行分析研究，建立最优的投资组合，试图战胜市场从而获取超额收益。然而一些定性的投资者却并不太认可定量投资，他们认为，定性研究可以将把股票基本面研究做得很深入，从而在决策深度上具有优势。然而，在当今市场上，信息量越来越大且传播速度极快，单个分析师所能跟踪的股票数量开始显得越发有限，也因此错过了许多优秀的投资机会，可谓是拥有深度的同时错失了广度。量化投资正好弥补了这一缺失，通过使用强大的计算机技术，它能够实时对全市场进行扫描，并依仗其纪律性、系统性、及时性、准确性以及分散化的特点最大概率的捕获战胜市场的投资标的。

事实上，在海外市场，我们看到越来越多的定量与定性完美结合的成功案例。通过向量化模型中加入分析师对未来主观判断的观点（定性的观点），再结合来自于历史规律检验的观点（定量的观点），定量与定性的优势便能得到充分的发挥和融合。我们相信，这也将是未来量化产品发展的主流方向和趋势。

结论

量化研究作为一种研究方法，其本质是使用统计学、数学和计算机工具改进研究效率，使得我们能够在更短的时间、更大的视角领域下，依靠清晰的研究逻辑，获取更为有效和操作性以及复制性更强的研究成果。量化研究的本质是一类发现市场规律的方法体系，其基本功能是认识市场和解释市场，并以做到预测市场为目的。

量化投资简单来讲，它以模型为主体，使用大量数据，并且在很大程度上用电脑这样的投资方式；其以科学性和系统性著称，并将在严格的纪律化模型制约下，紧密跟踪策略，使运作风险最小化，并力争取得较高收益。

第二部分：量化投资在蓬勃发展

量化投资在世界的发展史

美国市场有200多年，从证券市场开始，也有快400――500年了，但是量化的发展是上世纪50――60年代的事。首先有一些理论模型，没有理论模型支撑很难做到量化的东西。

数理化投资于上世纪50~70年论上发芽

Harry Markowitz在上世纪50年表一系列关于投资组合“均值―方差”优化的论文，这使得投资者可以定量化风险，并把风险和预期回报放在一个理论框架下统一考虑；

WilliamSharpe在1964年发表CAPM模型，此模型显示个股的预期回报和个股的风险及市场的预期回报成正比；

Steven Ross在1976年发表APT模型，此模型显示个股的预期回报可以表示成一系列非特定因素预期回报的加权平均，此模型为量化投资者指出了很实用的研究框架；

Black-Scholes在1972年发表关于股票权证的定价模型；

Fama和French在1993年发表三因素模型，此模型显示个股的预期回报由三个因素（市场，个股的市值，个股的市净率）决定；

此后很多研究者做了非常多的实证研究，并发现了一些对个股将来回报有预测作用的因素：比如市盈率，市净率，资产回报率，盈利一致预期，中长期价格动能，短期价格反转等。

数理化投资从上世纪70年代末开始实际运用

Barclays Global Investors(BGI)于1978年创立了全球第一只数量化投资策略基金，到被BlackRocks收购之前BGI以14000亿美元的规模，高居全球资产管理规模之首。

SSgA(道富环球投资管理公司)和 GSAM(高盛国际资产管理公司)为首的一大批以数量化投资为核心竞争力的公司已经成为机构资产管理公司中的“巨无霸”。

“詹姆斯•西蒙斯创办的文艺复兴科技公司花费15年的时间，研发基于数学统计理论的计算机模型，借助该模型，西蒙斯所管理的大奖章基金，从1989 年到2009 年间，平均年回报率高达35％，较同期标普500 指数年均回报率高20 多个百分点，比“金融大鳄”索罗斯和“股神”巴菲特的操盘表现都高出10 余个百分点。

在国外。其他采用量化投资的公司没有获得惊人的表现，并非是量化方法不好，而是他们还没有构建出更好的模型以及正确的策略。作为量化投资的大行家和受益者，西蒙斯承认有效市场的套利机会极少而且会趋同小时，然而，仍然有无数转瞬即逝的很小的机会存在，在证券市场，那些很小的交易，都会对这个庞大的市场产生影响，而每天都会有成千上万这样的交易发生。这个市场看似杂乱无章，却存在着内在规律，而量化操作自从诞生以来，无疑成为捕捉这些规律的一把利器，为海外投资者屡建奇功。

CQA（教育产品内容与数据测试）数据统计：在2002年-2004年三年间，量化产品的平均年收益率为5.6%，比非量化产品的平均年收益率高出1%。从信息比率来看，量化产品为0.37，非量化产品为0.06。此外，量化基金的运作费率相对更低，例如传统产品费率为0.6%，主动量化产品费率在0.45%-5%之间。

理柏(LIPPER)数据显示，2005年到2008年之间，87只大盘量化基金业绩表现好于非量化基金，增强型量化基金在2005年和2006年更是大幅跑赢非量化基金。但2007年和2008年除市场中性基金外，所有基金业绩下滑很快，其中双向策略和大盘量化基金表现差于非量化基金，而增强型和市场中性量化基金表现则优于非量化基金。

量化投资在中国的发展现状

研究力量不断壮大

目前大部分券商研究所都配有金融工程研究小组，成员超过5个的不在少数。根据2010年11月份的《新财富》最佳分析师榜单，国信证券金融工程小组人数有12人，为目前人员配备最多的量化投资研究团队。其他入选金融工程前五名的研究小组中，申银万国8人，华泰联合、安信证券各5人，中信证券4人。

数量化方面的研究报告数量也是逐年增加。据不完全统计，2008-2010年相关报告数量分别有52、142、794篇，今年上半年就达到了633篇，逐年递增趋势非常明显。不过，和2010年研究报告10万多份的总量相比，数量化研究的广度和深度还有很大提升空间。

量化产品初露锋芒

天马旗下的产品中，现有两个信托产品采用量化投资策略，分别是新华―天马成长，和平安―Lighthorse稳健增长。

此外，上投摩根、嘉实、中海基金、长盛基金、光大保德、富国基金、南方基金等都有量化产品推出，但是量化基金的比例还是非常小。即便在2009年，全年新发基金超过100只的情况下，新发的量化基金也仅有4只，数量在2009年的新发基金市场中仅占3％。与指数基金、普通股票基金相比，量化基金可谓是基金市场上的稀缺资源。

2011年，在国内紧缩政策与国外动荡局势的影响下，A股市场呈现结构性震荡上扬的格局。随着市场轮动的提速及内在容量的扩大，精选个股的难度日益加大。在此背景下，定性投资容易受到投资者情绪影响，而定量投资则能够通过计算机的筛选，帮助投资者克服非理性因素，在充分控制风险的前提下应对市场万变。以“人脑＋电脑”为主要构建的量化基金逐渐显现投资优势，今年量化基金异军突起，整体表现不俗。截至4 月6 日， 9 只具有完整业绩的主动型量化基金平均收益率为0.64%，超越同期股票型基金和混合型基金-1.39%、-3.08%的净值增长率。其中，“元老”光大保德信量化核心基金收益率达5.19%。此外，南方策略、中海量化策略、长盛量化红利、长信量化先锋、上投摩根阿尔法、华泰柏瑞量化先行基金也均取得正收益，分别达到4.12%、3.28%、2.60%、2.13%、0.77%和0.16%；仅嘉实量化阿尔法和华商动态阿尔法收益为负，分别为-4.48%、-7.94%。此外，从以往披露的公开信息可以发现，国内量化基金多侧重价值因子，也契合今年低估值大盘蓝筹股领涨的市场格局。

第三部分：解读量化投资

在西蒙斯崛起之前，判断型投资完全占据着主流地位，因为当前全球投资界的三大泰斗当中，无论是价值投资的巴菲特、趋势投资的罗杰斯，还是靠哲学思维的索罗斯，都是判断型投资的代表。但随着西蒙斯的声名鹊起，量化投资开始受到投资大众的重视并呈现出蓬勃的发展态势。但需要指出的是，世界上没有万能的投资方法，任何一种投资方法都有其优缺点，量化投资当然也不例外。定量投资成功的关键是定量投资这个模型的设计好坏，设计的好坏主要由模型设计者对市场的了解、模型构建的了解和模型实践经验来决定的。

量化投资的决策体系

量化基金的成功运作必然依托一个完整而有效的量化体系用来支撑，该体系是数据获取、数据处理、资产配置、组合管理到全程风险控制等诸多环节的有机结合。

我们借鉴海外量化基金运作架构的诸多优点，并结合华泰联合金融工程资深研究员的看法，旨在提供一个适合中国市场特点的量化基金运作架构体系。该体系综合考虑了定性及定量两大主要选股思路，在风险可控下，充分发挥量化投资的优势。

此架构包含以下几个主要层次：

1. 数据提供：量化体系的底层一般是数据接入端口，数据来源于外部数据提供商。

2. 数据预处理：由于中国A 股市场历史较短，数据质量一般，特别是早期的数据较为不规范。因此，在输入模型前必须对数据进行全面的清洗，从而增强数据的有效性和连续性。

3. 资产配置：资产配置是量化基金的核心。不同的投资者具有不同的投资理念，即不同的资产收益率看法。因此，通过构建差异化的因子配置模型来实现差异化的投资理念则充分展现了量化投资的优势和精髓。举例而言，我们可以开发针对不同市场状况（如牛市、熊市、震荡市和转折市）以及不同投资风格（如保守、激进和中庸）的量化模块。这些模块就类似于儿童手中的玩具积木，一旦投资决策委员会确定了战略和战术配置比例，接下来要做的就是简单的选积木和搭积木的过程。模块化投资严格的遵循了投资思路，从而将量化投资的纪律性、系统性、及时性和准确性展露无遗。

4. 投资决策：宏观经济政策对中国A 股市场的表现影响较大，也就是我们常说的“政策市”。针对这一现状，综合考虑定性和定量的宏观判断对于我们选择合适的基金仓位及资产组合将十分必要。一方面，结合宏观及行业分析师对于未来宏观经济的预判以及个别性事件的分析，另一方面，考察既定的一系列量化择时指标和宏观经济指标的最新动向，从而能较为全面的提出投资建议。

5. 组合管理：在对于宏观趋势、战略和战术资产配置的全面考量之后，留给基金管理人的工作将是如何实现在交易成本，投资风险以及组合收益三者之间的最大平衡。

经典量化投资模型综述与评价

目前，由于计算的复杂程度和对速度的要求，量化投资的交易过程通常是由电脑自动来完成的，可在某些方面电脑依然不可能替代人脑。投资若要取得成功，就需要顶尖的大脑来罗织数据、发现规律、编制最快最好的电脑程序；此外，量化投资所使用的模型在用了一段时间之后就会慢慢失效，因为越来越多的“山寨版”会出现，因而需要不断发现新的模型以走在这场军备竞赛的前列，而此时需要的就是配备精良、高速运作的人脑。由此可见，模型在量化投资的整个体系中居于核心地位。近几十年来，西方理论界与实务界均诞生了不少量化投资模型，大力推动了量化投资的发展，这其中又大致可分为三大类：传统的基于经济学意义的模型（structural model）、现代的基于数学、统计学意义以及计算机原理的模型（statistical model）、程序化交易模型。以下就这三者分别予以介绍。

(一)传统的基于经济学意义的模型

这种模型虽然用到了一些数学与统计学的工具， 但其核心思想与前提假设仍然是围绕经济学或金融学原理而展开的。例如，B-S 模型与二叉树模型提供了金融产品定价的新思路，因而也衍生出了所谓的以选择权为基础之投资组合保险策略（option-basedportfolio insurance，OBPI），如欧式保护性卖权（protective put）策略、复制性卖权（synthetic put）策略和一些持仓策略―――买入持有（buy-andhold）策略、停损（stop-loss） 策略、固定比例投资组合保险(constant proportion portfolio insurance，CPPI) 策略、时间不变性组合保障（timeinvariant portfolio protection，TIPP）策略、固定组合（constant mix）策略与GARP（Growth at a Reasonable Price）策略等。

(二)现代的基于数学、统计学意义以及计算机原理的模型

与上述模型相比，这种模型“量化”的倾向愈加明显―――淡化甚至忽略经济学或金融学背景，基本上只是依赖先进的数学、统计学工具与IT 技术构建模型，进而确定投资策略。模型中应用的具体方法主要包括参数法、回归分析、时间序列分析、极值理论、马尔科夫链、历史模拟法、蒙特卡罗模拟法等等。

(三)程序化交易模型

随着金融市场的日益复杂化， 越来越多的复杂交易策略被设计出来，这些交易策略很难通过传统的手工方式执行，于是程序化交易应运而生。程序化交易是指按照预先编制的指令通过计算机程序来完成交易的方式，可以分为决策产生和决策执行两个层面：前者是指以各种实时/历史数据为输入通过事先设计好的算法计算得出交易决策的过程，而后者是指利用计算机算法来优化交易订单执行的过程； 也可以从交易频率的角度，分为高频交易和非高频交易。程序化交易使得复杂的量化交易策略得以实施，优化交易指令的执行，解放人力使之把精力更多地集中到投资策略的研究上， 最重要的是能克服人性的种种弱点与障碍从而保证绝对的“客观性”与“纪律性”。然而，这种交易方式也引起了诸多争议，如对速度的过高要求会造成市场的不公平、巨大的交易量可能会增加市场的波动性、容易产生链式反应、为了盈利可能会制造人为的价格而降低市场的有效性等等。

量化投资的主要策略

增强型指数基金：策略的主要目的还是跟踪指数，希望用量化模型找出能紧跟指数但同时又能小幅超越的组合。

非指数型量化基金：能利用绝大多数好的投资机会，而不需去管组合是否能紧跟指数。

多―空对冲基金：买入模型认为能表现好的股票， 卖空模型认为会表现差的股票。有时可能净多仓， 有时可能净空仓。此策略在对冲基金中很流行。在A股市场中能卖空的股票不多，所以一般只能用期指去对冲。

市场中性的多―空对冲基金：买入模型认为能表现好的股票， 卖空模型认为会表现差的股票。在任何时候净仓位为0，同时在各行业上，大小盘风格上的净仓位都为0。此策略在对冲基金中也比较流行。此策略的波动率非常小，在国外一般会加入杠杆。

130/30基金：一般共同基金采用，即买入130%的多仓， 卖空30%的空仓。

程序化高频交易：利用期指或股价的日内波动进行高频买卖。有些策略是找价格模式，有些是利用交易所规则上的漏洞。

可转移Alpha：主要用在增强型指数基金上，具体是用期货来跟踪指数，一部分多出来的钱投资于风险比较小的能取得绝对正收益的策略上。

市场择时/行业轮动/风格轮动：用数量化模型预测市场/行业/风格的拐点

量化投资和传统投资的比较

天马资产首席数量分析师朱繁林博士表示，量化投资区别于定性投资的鲜明特征就是模型，对于量化投资中模型与人的关系，大家也比较关心。可以打个比方来说明这种关系，我们先看一看医生治病,中医与西医的诊疗方法不同，中医是望、稳、问、切，最后判断出的结果，很大程度上基于中医的经验，定性程度上大一些；西医就不同了，先要病人去拍片子、化验等，这些都要依托于医学仪器，最后得出结论，对症下药。

医生治疗病人的疾病，投资者治疗市场的疾病，市场的疾病是什么？就是错误定价和估值，没病或病得比较轻，市场是有效或弱有效的；病得越严重，市场越无效。

投资者用资金投资于低估的证券，直到把它的价格抬升到合理的价格水平上。但是，定性投资和定量投资的具体做法有些差异，这些差异如同中医和西医的差异，定性投资更像中医，更多地依靠经验和感觉判断病在哪里；定量投资更像是西医，依靠模型判断，模型对于定量投资基金经理的作用就像CT机对于医生的作用。在每一天的投资运作之前，会先用模型对整个市场进行一次全面的检查和扫描，然后根据检查和扫描结果做出投资决策。

传统的定性投资强调的是基金经理的个人经验和主观判断，相对来说强调基金经理的单兵作战能力。而量化投资主要是用来源于市场和基本面的模型指导投资。

量化投资可以最大限度地捕捉到市场上的机会。而传统的定性投资受到研究员，基金经理覆盖范围的限制。

量化投资借助模型进行投资，比较客观和理性，更不会受市场和情绪影响。

量化投资的可复制性更好。传统的定性投资易受到基金经理，资深研究员人动的影响。

其实，定量投资和传统的定性投资本质上是相同的，二者都是基于市场非有效或是弱有效的理论基础，而投资经理可以通过对个股估值，成长等基本面的分析研究，建立战胜市场，产生超额收益的组合。不同的是，定性投资管理较依赖对上市公司的调研，以及基金经理个人的经验及主观的判断，而定量投资管理则是“定性思想的量化应用”,更加强调数据。

国内量化基金投资风险分析

（一）量化模型质量产生的投资风险

投资模型本身的质量，是量化基金最核心的竞争力。专业人士以为，对于中国这样的新兴市场，量化投资的关键是能否根据市场特点，设计出好的投资模型。然而，已有的量化基金中，大多简单地利用国外已公开的模型，或是用基金公司自有的一些简单模型，在考察市场的有效性上普遍比较欠缺。如中海量化策略和南方策略优化在行业权重配置中均采用的Black-Litterman（BL）模型。这种模型现是华尔街主流模型，亦是高盛公司资产管理部门在资产配置上的主要工具。然而，在国内市场信息搜集等方面局限性较大的情况下，该系统到底是否有效，是否仅是基金公司体现其“专业性”的一个由头，还有待观察。

（二）基金经理执行纪律打折扣所产生的道德风险

好买基金研究中心的一份报告指出，大部分量化基金在择时、行业配置和资金管理等方面并没有采用量化模型，更多的是基金经理的主观判断。观察这些量化基金的契约和季度报告可以发现，基金要么不进行择时，要么根据主观经验进行择时，这在很大程度上无法体现出模型选股产生的效果。

（三）数量化模型滞后产生的风险

量化基金效果如何，无法脱离资本市场环境的成熟度。量化模型的运用有重要的前提条件，是必须在一个相对成熟稳定的市场中运行，这种市场环境下基于历史数据设计的模型才可能延续其有效性。国内股市曾经大起大落，市场结构和运行规律都发生过质变。在这种情况下量化模型有可能跟不上市场本身的改变，严格的量化投资也难以适应变化。这或许是这种舶来品水土不服的一大原因。可以说，早期的A股市场并不适合量化投资理念，而随着市场逐渐成熟，量化投资的优势才开始逐渐显现。近两年量化投资基金数量成倍增加，也是对这一趋势的反映。

第10篇

主动型投资方法面临革新

人的思维在任何时候都只能考虑有限个变量，对传统主动型投资人而言，决策广度的有限性，体现在跟踪股票数量上的限制，以及决策时思考变量上的限制。当然，传统的主动投资方法在决策深度上是有优势的，所以做更加深入的基本面研究，以弥补决策广度的不足，是决定成败的关键。

随着市场信息传递速度的加快，众多分析师对基本面数据的不断挖掘，更加深入的分析，似乎越来越难以弥补决策广度的不足。如果将传统主动型投资比喻为―个“拣西瓜”比赛的话，现在剩下的西瓜越来越小了，那么这时“拣西瓜”的工具与方法就显得非常重要了。

即使投资人有超越市场的预测能力，但现实中收益常常被投资人主观认知上的情绪化波动侵蚀掉了。同时，传统投资的管理者本身情绪难免受到周围环境的影响，常常会做出一些偏离自己判断的交易行为，这样的随机交易常常会侵蚀掉部分应该获得的收益。

数量化投资弥补主观判断的缺陷

与传统基金的基金经理相比，量化基金经理们更愿意将他们的见解与目前速度惊人的计算机技术、统计技术等结合起来作为研究工具，在模型中可以将自己的研究和视野拓展到只要有数据支持的任何地方。比如，量化基金经理们可以把所有股票纳入自己的海选范围内，从多维度的变量空间中找到自己的获利机会，并可以检验这样的获利机会在历史上的成败概率。这样的变量可以包括宏观变量、基本面变量、财务数据以及有关投资者心理的市场行为变量。当然，量化投资跟踪调查的范围可以很广，但是在最终决策上要受到众多限制的，以保证在控制风险水平的前提下，实现收益率的最大化。

另外，量化投资和传统的投资可以找到合理的结合点，这在量化模型的输入变量View上，因为任何观点既可以来自于历史规律的检验，也可以来自于人脑对未来的主观判断。当然，在量化投资的过程中，依赖主观判断的成分相对要小得多，因为大多数量化经理们认为，依靠没有数据支持的主观判断做出的决策总是不可靠的。

第11篇

关键词：量化宽松；货币政策；流动性陷阱

量化宽松的根源国际金融危机以来，为应对金融危机带来的经济衰退和严重的失业，按照传统的办法，各央行可以降低基准利率，调节货币供给量，影响消费和投资，扩大社会总需求，最终刺激经济，促使经济的增长和失业率的下降。这也就是常规的货币政策的传导机制。但当经济体陷入了流动性陷阱后，传统的货币政策的传导机制将受到阻碍，中央银行将难以通过传统货币政策来实现宏观调控目标。

流动性陷阱最早由凯恩斯提出，所谓流动性陷阱，是指当一定时期内利率水平降低到不能再低时，人们就会产生利率上升而债券价格下降的预期。货币需求弹性就会变得无限大，即无论增加多少货币都会被人们储存起来，而不会被用于消费和投资。由于政策利率是名义利率，其下限为零，中央银行无法将政策利率下调至低于零的水平。而当政策利率下调后所增加的货币供给量仍不足以改变货币需求时，政策利率就失去了对市场利率的影响作用，进而失去对投资和消费的调控功能，因此当一个经济体陷入流动性陷阱后，则以政策利率为主体的价格型的货币政策工具失效。

在2008年全球经济危机爆发前，很多国家的利率就长期维持在低水平。危机爆发后，各国央行的第一举动就是通过调低准备金率和再贴现率调低市场利率。英格兰银行、美联储等都将利率调至趋于零的水平，但是经济仍没有回暖的迹象。面对银行倒闭，企业破产，投资萎缩，消费减退的形势，各国的利率却早已降至不能再降的地步。可以说，此时，传统的货币政策工具已对振兴经济爱莫能助了。因此必须采用一种新的方式，通过数量型的货币政策来应对新的难题，即量化宽松。

量化宽松所谓量化宽松，是指中央银行在实行零利率或近似零利率政策后，通过购买中长期债券，增加基础货币供给，向市场注入大量流动性的干预方式。它的原理就是央行通过公开市场操作，向银行体系注入超额资金，让基准利率维持在零，从而为经济体系创造新的流动性，以鼓励消费和投资，最终促进经济增长和就业。正如弗里德曼所称，量化宽松实质就是“央行派出直升机从空中撒下钞票”。结合上述定义，量化宽松具有如下特点：①该措施实施的主体是中央银行，即货币当局。②实施的背景是利率为零或接近于零。③采取的方法是购买国债等中长期债券。④目的是增加基础货币供给，提升市场流动性。

（1）伯南克与量化宽松美国的货币政策的实施历来与美联储主席的个人风格有密切关系，伯南克用自己二十年的理论成果，重新审视当下经济危机，力排众议制定通货膨胀指标，处理资产泡沫，以激进的方式进行风险管理。他的主要理论观点是：强大的金融市场和信贷市场和实体经济之间可互相促进，实现经济繁荣。在理论的指导下，伯南克详细列出了美联储应对金融危机。

即量化宽松的步骤：①将联邦基金利率降到零。②在很长一段时间内始终把短期利率的控制在较低的水平，或者是承诺无限量地购买国债直至国债收益率下降为止。③同时使用宽松的货币政策和财政政策，例如在减税的同时提高货币发行量，这样就不会导致政府财政赤字的增加。

（2）对量化宽松货币政策的评价总体上，量化宽松货币政策的主要起到了以下几个积极作用：一是向陷入资金困难的银行提供充足的流动性，救助濒临破产的金融机构，防范系统性金融风险，维护金融稳定，并支持金融体系，鼓励银行放货。二是使利率、特别是长期利率保持在低位，有利于降低企业贷款成本，并促进消费，从而推动经济复苏；三是避免通货紧缩预期，甚至通过产生通货膨胀的预期，降低实际利率，从而避免经济进一步紧缩。四是购买金融机构和社会民众的有价证券，直接向市场注入大量流动性，有效化解市场流动性不足的问题。

而量化宽松货币政策的消极作用主要有：①量化宽松货币政策的本质就是全力印钞票，因此全球基础货币供应量必将上涨，这种较激进的措施，导致全球范围内的通货膨胀。②美元走上下降通道将加大人民币汇率的升值压力，打击中国出口企业。③量化宽松下，资本流出银行，流入金融市场和商品市场，将进一步加剧通货膨胀的程度，并放大金融和资产泡沫，给一国金融体系埋下风险。

第12篇

关键词　金融工程　实践教学　定量化模型

中图分类号：G424 文献标识码：A

1　金融工程专业人才培养现状

1.1　学科特点

金融工程是数学方法在金融问题中的应用，它利用应用数学、计算机科学、统计学和经济理论的手段和方法，解决金融产品开发、衍生证券定价、投资组合构造、风险管理、情景模拟等问题。金融工程专业人才需要通晓与金融工程专业密切相关的金融学、会计学、管理学、法学等学科的基本知识，具有合理的知识结构；同时还必须掌握定性分析与定量分析相结合的科学研究方法与技能，具有较强的金融分析、策划能力和金融创新能力；需要时刻关注了解我国对外方针政策、金融理论前沿和国际金融市场发展动态；具有较强的计算机应用能力，以及获取信息和处理信息的能力；具有扎实的数学、计量经济学基础，掌握基本的数学建模技巧和进行金融市场实证研究的技能。因此，金融工程具有鲜明的定量化分析的特点。

1.2　市场需求

随着中国金融市场的发展，金融工程人才的需求从数量上、结构上都发生了巨大变化。金融业的全面开放将加快金融业的发展速度，从而必然需求更大数量的金融工程人才。①

随着我国金融业国际化和现代化的快速推进，国际上对金融工程人才的需求变化也将影响到国内，对金融工程人才的要求也越来越高。无论是对从业人员的知识、技能和素质方面的要求，还是熟练掌握并自如运用各种技术的能力方面的要求都会越来越高。从总体趋势看，今后对金融工程人才的需求主要集中在对高层次、国际化、复合型的金融工程人才上。

1.3　国内外培养模式

国外一些著名大学目前只设有金融工程相关的本科课程，而没有金融工程本科学位，国外独立的金融工程专业培养设立在硕士研究生阶段。美国高校在实施学位教育时，根据其自身的特点而将金融工程专业硕士学位教育项目开设在不同的院系，其课程设置具有不同的侧重点，培养的相关学位有三种：设在商学院的金融工程硕士，强调金融工程的应用性，注重学生金融工程方案的实施与管理能力的培养；设在工程学院的金融工程硕士，强调金融工程的工程化，注重学生的工程化方法的训练；设在数学学院的金融数学硕士，强调金融工程的数理分析基础。②

20世纪90年代中期，从国外引入金融工程后，国内金融工程的教学和科研迅速发展起来，金融工程在实践中的应用也越来越广泛，经济领域对金融工程人才的需求日益增长。为了适应形势发展的需要，我国的许多大学也开始了金融工程人才培养的探索。

目前，国内外的金融工程专业设置存在很大的区别。截止到2010年，我国共有36所高校开设了金融工程本科专业。其中，财经院校22所、综合性大学6所、理工院校8所。还有更多的高校设置了金融工程硕士和博士专业或者开设金融工程类课程。③

金融工程是具有鲜明实践特性的学科，为了更好地让学生掌握金融工程专业的基本理论和基本技能，必须完善和加强实验教学。因此，设有金融工程专业的院校中大多有自己专门的金融工程实验室，其中相当一批高校的金融管理与金融工程实验室在全国具有一定的影响力，对推进相关教学与科研都起到了重要的作用。④

2　金融工程实验课程设计

依据金融工程专业的学科特性，　从我国目前的实际需求来看，财经类大学培养的金融工程专业的本科生应是属于应用型金融技术人才，应具备全面扎实的经济金融理论基础，具有一定的数学、计量经济学基础，具有一定的计算机应用能力，以及获取信息和处理信息的能力，掌握基本的数学建模技巧和熟练进行金融市场实证研究的技能。⑤

目前我校在实验课程建设方面取得了初步的成果，已经拥有了金融工具模拟设计、证券市场行情分析、证券交易模拟、商业银行业务实训、网络银行实训等实验课程。金融工具模拟设计课程有助于学生深入理解金融工程的基本原理，运用已有产品进行创新设计；证券市场行情分析课程可以使学生运用证券投资分析的基本方法研判市场行情走势并掌握证券投资组合的数量分析方法；证券交易模拟、商业银行业务实训、网络银行实训等课程则可以锻炼学生在证券交易、投资管理、银行业务等金融市场实际业务中的操作能力。

然而，我校金融工程专业的实验课程体系在金融工程专业中涉及到的定量化模型的计算机数值计算还处于空白。为了培养学生熟练运用金融数理模型和信息技术的理论和方法解决金融市场中实际问题的能力，对于该实验课程的设计基本包含金融工程专业的全部数理模型，初步考虑包含如下五个模块：

模块一为股票市场投资分析，主要介绍基于股票市场数据的定量化分析，包括股票收益率的计算、股票波动性分析、Copula函数与相关性度量、股票价值评估与股票市场的有效性检验。模块二为投资组合理论与资本资产定价模型，主要介绍基于投资组合理论的定量化模型，包括投资组合分析、资本资产定价模型与　系数分析以及基于高频数据的　值的计算。模块三为固定收益证券分析与定价，主要对固定收益证券作定量化分析，包括固定收益证券基本概念、固定收益证券定价、敏感性分析与可转债分析。模块四为金融风险分析与度量，主要对金融市场中的信用风险与市场风险作定量化分析，包括VaR的计算、Z评分模型与KMV模型。模块五为金融衍生产品分析与定价，主要介绍衍生产品的定价模型及价格敏感性分析，包括远期与互换定价、B-S期权定价模型、期权定价的二叉树模型以及期权价格的敏感性指标。

以上模块中的每一部分内容从实验目的、实验理论、实验工具、实验过程与实验报告五个方面展开，分别介绍本章实验的目的、金融数理模型、软件的命令与函数、实验的具体内容以及实验报告所应包含的具体内容。

同时，在实验设计与教学手段上，拟设计多层次的教学体系，通过实践教学、案例教学、项目教学相结合的方案来提升教学效果。每一部分的基本的实验教学可以提高学生的动手能力，使学生将金融工程理论结合一定的信息技术方法，通过具体的数据、模型分析解决具体的实际问题。案例教学会使学生更加了解现实世界的复杂性，而项目教学则可以使学生真正参与到解决问题的过程中，系统地解决一个具体问题，这些体验都有利于提高知识的掌握程度，培养学生分析解决实际问题的能力。

3　结束语

金融工程学是融金融理论、工程化方法和信息技术于一体的交叉边缘性学科。金融工程人才不仅需要掌握经济金融的基本理论，还需要掌握现代数学知识，更重要的是能够熟练运用现代计算技术解决金融计算问题。因此，开展定量化模型在金融工程试验课程中的应用研究，开设金融工程实验课程，有利于完善我校的金融工程专业实验课程体系，实现金融工程专业的培养目标，培养适应市场需求的高层次、国际化、复合型的金融工程人才。

基金项目：本文是天津财经大学校级教改项目的中期研究成果

注释

①　徐慧贤，金桩.对金融工程学专业人才培养的探析[J].内蒙古师范大学学报，2009（22）.

②　文忠桥，李阳.金融工程专业的实验教学体系研究[J].中国证券期货，2010.1.

③　李建英.地方财经院校金融工程实验室建设、管理与实践研究[J].中国证券期货，2011.12.

第13篇

揭开定量投资神秘面纱

与定性投资不同，定量投资更多关注“数字”背后的意义，依靠计算机的帮助，分析数据中的统计特征，以寻找股票运行模式，进而挖掘出内在价值。

李延刚总结了定量投资的三大优势：首先是理性。定量投资是对于基于基本面定性投资方法和工具的数量化统计性总结，它在吸收了针对某种投资风格和理念的成功经验的基础上，以先进的数学统计技术替代人为的主观判断，并能够客观理性地坚持，以避免投资的盲目性和偶然性。“完全的数量化分析过程将极大地减少投资者情绪的影响，避免在市场极度狂热或悲观的情况下做出非理性的投资决策，因而在牛熊市的转换中具有很强的自我调节性。”

其次，全市场覆盖。定量投资可以利用数量化模型对垒市场的投资标的进行快速高效的扫捕筛选，把握市场每一个可能的投资机会，而定性投资受人力精力的限制，显然无法顾及如此广的覆盖面。

此外，数量化投资更注重组合控制和风险管理。数量化的个股选择和组合构造过程。实质上就是在严格的约束条件下进行投资组合的过程，先从预先设定的绩效目标的角度来定义投资组合，然后通过设置各种指标参数来筛选股票，对组合实现优化，以保证在有效控制风险水平的条件下实现期望收益。“换言之，数量化投资模型能够很好地体现组合收益与基准风险的匹配和一致，”李延刚解释。

定量投资是否适应中国市场

“谈到定量投资，不得不提量化投资领域中的传奇人物――詹姆斯・西蒙斯。”李延刚并不掩饰其对这位投资大师的崇敬，“他不仅是世界级的数学家，也是最伟大的对冲基金经理之一。他创办的文艺复兴科技公司花费15年时间，研发基于量化数学模型的计算机模型，借助该模型，两蒙斯所管理的大奖章基金，从1989年到2006年的平均年收益率达到了38.5％，甚至超过股神巴非特。”

值得一提的是，李延刚也来自数量化投资的发源地――北美，他有着6年海外一线投资管理的实际工作经验，深刻领会并掌握了量化投资理念与方法，具备数量化投资领域的成功经验。2007年，李延刚回国后加盟中海基余，着手增强中海基金金融工程团队的寅力。在借鉴国外成熟的投资理念与经验的基础上，结合A股实际，他用了近两年时间对数量化模型进行反复修改与调试。目前，中海基金的金融工程部已经形成从择时、配置到选股等方面的一系列研究成果，并在今年顺势推出中海量化策略基金。

詹姆斯・西蒙斯的神话在中国证券市场能否再次实现?“当其他人都摆西瓜摊的时候，我们摆了一个苹果摊。”李延刚用一个形象的比喻来形容定量投资存国内市场的发展机遇。他认为，目前国内证券市场定性投资者太多，竞争激烈，而数量化投资者则太少，机会相对更多，竞争也很小。李延刚表示，大量实征研究证明，中国证券市场为一个弱有效市场，市场上被错误定价的股票相对较多，留给定量投资发掘市场非有效性的空间也就越大。基于这种考虑，定量投资方法在中国的发展极具发展空间。

“今年推出量化基金并非一时的心血来潮，一方面中海基金金融工程部已经逐渐成熟，而另一方面也是出于市场时机的考虑。”李延刚强调。

他认为，在经历2008年的巨幅下跌后，市场底部已经基本确立，目前小盘股估值相对较贵，短期内市场可能会以调整为主，但未来市场走势仍然存在诸多不确定。在此背景下，如何把握结构性机会将是未来投资关键之所在，利用数量模型进行分析和投资的量化基金具备更好的适应性。中海量化策略基金将把握市场调整时机，采用数量化模型选人具有估值优势和成长优势的大中盘股票作为基石，辅之以部分优质的小盘股票。

“量体裁衣”完善全程量化流程

据了解，中海量化策略基金的全程量化流程分三个步骤，即选股策略自下而上，施行一级股票库初选、二级股票库精选以及投资组合行业权重配置的全程数量化。

“就像裁缝做衣服一样，量化基金在投资中也要通过‘量体裁衣’来完善全程量化流程。通过全程量化与基金经理的思想相配合，才能做出优质的量化基金。”李延刚表示。

首先，选取代表性最强的反映公司盈利能力的指标，对于所有的A股上市公司进行筛选从而得到一级股票库。“主要通过对所有A股股票过去三年平均EPS(每股收益)、ROE(净资产收益率)、毛利率三项指标进行筛选，它们能分别较好的反映上市公司的获利能力，从而得到一级股票库。”李延刚说。

其次，通过盈利性指标、估值指标、一致预期指标，熵值法确定指标权重后，对一级库股票进行打分排名，从而筛选出二级股票库。其中，一致预期指标则是通过各券商分析师的调查后，得出上市公司盈利预期数据平均值，以此权威性地反映市场对公司未来盈利的预期水平。“中海量化基金引入一致预期作为选股指标，可以全面、权威的反应市场对上市公司未来盈利的预期水平，为投资决策提供更为真实和前瞻性的依据。与此同时，还可以根据预期的变化及时动态调节，更加适应股市的震荡波动。”李延刚强调。

第14篇

1、各类投资工具及其风险的概要分析

风险越大，回报越大。早在马克思的资本论中便已经从另一个侧面对这一现象做出了很好地诠释。作为投资的一个伴生要素，如何对风险进行有效地控制将直接关乎在投资行为中，获取预期收益的概率和能力。投资风险的根源在于未来可能发生的不利事件，投资行为是谋求未来一段时间的现金流收益，所以投资的预期收益就牵涉到对未来的预测，这一预测是建立在对可能影响未来收益回报的各类驱动因素的分析。然而这些驱动因素通常都会有不确定性，正是这种不确定性导致了风险的发生。所以风险是由风险驱动因素的不确定性产生。而不同的投资工具其不确定性也各不相同。

将个人投资行为分类，常见的类别包括：金融类投资、房产类投资、实业类投资、民间借贷、期货投资这样五种主要类别。以目前的形势来看，房产类投资和金融类投资相对属于低风险投资，实业类投资属于一般风险类投资，期货类投资和民间借贷均属于高风险投资。

金融类投资、房产类投资和期货类投资可以看成是一组投资方式，因为受我国市场政策影响，这三类产业具有联合调控的特点，三个产业中的一个或两个呈上升趋势时，另外两个或一个产业必然会呈下降趋势，这是受我国政府的宏观调控所影响。其中金融类投资主要包括银行存款、债券、股票、基金等，这些投资种类进一步划分可以分成保本投资和非保本投资，存款、债券和部分基金属于此类，此类投资具有收益低，风险小的特点，在搭配个人投资组合时这一类投资可以作为一个抵消风险的投资项纳入考虑。而股票投资和另一部分基金投资则是属于非保本类投资，投资收益随着其风险的等级升高而随之上升。这部分投资除了要看被投资主体的经营情况，历史业绩走势等，还需要充分关注房产市场、期货市场的情况，目前我国是房产市场热，期货市场热，那么股票市场势必低迷。如果这两个市场境况转冷，那么也就预示着金融市场的繁荣，此时加大持有量并制定适当的风险策略无非是一个很好地选择，这一类风险的规避策略应当以量化分析为导向，下文会详细阐述。

对于地产市场来说，热度近年来一直居高不下，最近受政策影响有些转冷，但是分析政策不难看出，我国的政策决定地产市场一直是一个货币的蓄水池，如果蓄水池不再蓄水，那么人民币则会大量升值，如果中国政府为了货币找到另一个蓄水池，那么人民币势必走向世界。如果这两种情况出现，房产市场会有所冷却，但考虑到房产市场的钢需属性，一个位置比较好的房产投资依然是比较稳妥的低风险投资选择。这一类风险的规避策略应当着重于位置的选择上，如果能够提前知道周边政府未来的规划，那么对于风险分析来说将更加准确有效。

另外两种实业类投资和民间借贷，这两种有一个共性，相较地产市场以位置为导向来说，这两种投资是以人为导向，即被投资主体均是人。这两种投资除了要应用到正确的风险量化方法以外，还需要有详细的合同约定以及对被投资人的全面分析。合同约定中包括收益分配、责任、义务等均要做详细的约束，如果是对熟人投资那么更要注意在合同中确定好双方的责任与义务，避免今后权责不明的情况出现。对被投资人的全面分析要关注于此人的风评、业务水平、以及偿债能力。一个连生活都成困难的被投资人在生意不顺时卷款走人这种现象屡屡发生。

对于某些资金充裕的投资人来说，还有一种实业类投资是参股某公司成为股东，这类投资通常牵涉资金量大，行为复杂且个性多于共性，所以本文中不再多做论述。

2、风险的量化分析方法

为了能够有效地规避风险，通常需要经历五个步骤，即风险识别，风险定性分析，风险定量分析，制定风险控制策略，实施风险控制策略。而其中的风险量化分析是非常重要的一个环节。无论哪种投资，投资人都需要明确两个要点，即获得利润的概率如何以及失败时的损失是否能够承受。这两个指标均是风险定量分析要解决的问题。

风险定量分析顾名思义，将投资风险从一个大致的认识变为具体的金钱数字。例如说我投资了某个基金A万元，如果不出意外的话年底我能拿到m万的红利，如果有意外的话我可能会损失n万元。这种认识无助于投资人进行投资决策以及展开风险控制，如果变为年底我有x%的可能获利m万元，y%的可能保本，z%的可能损失n万元，那么投资人就可以通过（A+m）*x%+A*y%+（A-n）*z%这个公式简单计算其综合收益，并与投入进行比对，来决定投资是否可行，以及发生风险的概率及损失程度。再进一步的情况可以将此投资方案和其他投资方案进行对比，来搭配最优化的投资组合。

定量分析方法在投资行业中非常常见，种类也有很多，本文给出两种方法，即综合仿真分析法和基数计算法。其中第一种方法适用可以找到一定规律，即被投资主体已经经历了一段时间的运营，或属于一个长期稳定的行业。第二种方法适用于新兴行业或在某稳定行业中新开展的运营活动。

所谓综合仿真分析法是一种统计学的方法，而且顾名思义，要进行仿真分析。如前文所说，每一种投资都有其风险驱动因素。综合仿真分析法的关键就在于如果想对风险进行量化，那么首先要对这些风险驱动因素进行量化，而量化的手段就是采用统计学的方法，来确定其变化趋势，从而分析因为这些驱动因素变化而导致的风险区间。通常在开展这一方法时多用到数学模型或者统计工具。以某一个零售业的实业投资为例，经过分析认为，这个零售业其风险因素主要有进货市场价格的不稳定、进货量的不确定、购买者数量的不稳定，以及商品库存造成的损耗。也就是说这一零售业共有四个风险因素。经过对相同地区同类市场的调查，以月为单位收集样本点，即针对于一年中各个月份收集四个数据点，放入工具中开展分析，定位每一个驱动因素的变化规律，例如输入Beta分布，正态分布，均匀分布等。再将每一种因素的最悲观和最乐观的估计对盈利能力的影响进行预计，例如最好的购买这数量可以为店内造成m的收益，最不好的情况则造成n的收益（n可以为负），将以上元素放入风险工具/统计工具中，例如水晶球，Matlab等。从而获得一个置信度以及对应的盈利、亏损范围，从而实现上文中所述的分析。

基数计算法和仿真法有些相似，而且都是为了获得盈利亏损范围以及其对应发生的概率。但基数计算法更加粗糙一些，其过程是要首先确定一个利益回报的基准，例如说某只基金年化收益5%。那么这个5%则被视为一个基准，在这个基准的基础上分析可能影响到基金收益的因素，确定这些因素会对利益回报带来的影响的可能，进而获得各个盈利点的置信区间。

3、如何制定有效的风险规避策略

当有了一个很好的分析之后，下一步就是要制定风险规避策略。按照大类来分，可以将风险规避策略区分为事前控制以及事后补救。通常来讲事前控制属于降低风险，事后补救属于降低损失。

对于事前控制来说，其关键点衍生于上文所述的量化风险分析，在量化风险分析过程中，可以开展一个名为“敏感度分析”的工作，即将每个风险因素对收益的影响的能力进行量化。例如说当客流量下降20%时，除了销售量的下降，还会因为存货损耗而造成更大的利润损失，其损失可能达到35%。那么这时就可以给客流量这个风险因素定义敏感度为35%/20%即1.75。通过对所有风险因素进行敏感度分析并排序，筛选出排序靠前的要素建立风险指标追踪表进行重点追踪，重点监控，当指标异常时及时做出应对措施，例如发起讨论会议、增加追踪强度、变更投资比例甚至撤资。

还有一类风险控制手段是通过对资金量的控制，达到降低风险的目的，例如分段投资、固定投资、相对盈利等，这些方法通过控制资金的流入流出量，将风险造成的后果限制在一定范围之内，从而达到降低风险的目的。

当风险发生时，要学会事后补救。事后补救并不一定是指投资期完结后的补救，也可以指风险发生后的补救。主要的方法包括风险回避、损失控制、风险转移和风险保留。

其中补救阶段的风险回避一般情况下是我们常说的止损，即撤资以避免更大的损失发生，这种方式是投资主体有意识地放弃风险行为，完全避免特定的损失风险。简单的风险回避是一种最消极的风险处理办法，因为投资者在放弃风险行为的同时，往往也放弃了潜在的目标收益。如果不是极端恶劣或发生了某些特殊情况例如有新的投资方案明显优于此方案，那么通常不会考虑采用这种方式来补救风险。

损失控制和风险转移则是主动接受风险并采取相应措施来减少风险带来的损失，通过各种手段将风险限制在可接受的范围内。这种方式是风险最常见的处理方式，既然无法消除风险并且还希望获得收益，那么就需要对风险进行有效的控制或转移。

风险保留则是被动接受无法消除的风险，通过先期计划采取手段弥补风险损失。常见的方法有风险储备金。谈到储备金就又要提到上文所述的量化风险分析。由于量化风险分析可以获取各个盈利范围以及对应的置信区间，那么通过将最可能盈利点（如80%可能的概率）和目标盈利点（50%可能的概率）进行相减，其差价即为应当保留的预备金。提前预留出预备金，当风险保留行为发生时利用预备金补入投资项目中，避免由于风险发生、资金缺口造成的更大的恶果。

第15篇

关键词：移动平均线 风险调整收益 量化投资模型

一、高风险资产的长期持有对投资者造成的损失

中国股市向来就是过山车式的走向，尤其是2008年的股市，从最高点6120点一路跌至1664点。同样，作为金融危机的发源地的美国，S&P 500 指数下跌了约37%。更为可怕的是，由于所有类别的资产都大幅度地下跌，不同资产的多样化配置本可以带来的正常利润现在却完全消失殆尽。比如说，摩根史坦利国际远东（MSCI EAFE）指数，高盛商品指数，美国房产投资指数（NAREIT）都有超过了36%的下跌。更为普遍的是，G7国家都经历了股票市场市值短时间蒸发了75%以上的痛苦，而这75%的下跌需要投资者在未来实现300%的正增长才能完全抵消。

从不同国家的经济历史来看，在经济萧条时期的资产都呈现了大幅度下降，这向我们表明了一个事实，长期持有某种特定风险的资产并不一定是个聪明的举动。当分析美国上述各种指数长期收益的时候，我们就会发现，绝大部分的资产收益虽然每段时期波动不同，但长期来看，都可以得到很好的长期收益率，而更为惊人的是，不同资产的长期收益率居然十分接近。当然，由于债券的低风险，其长期的收益要低于其他指数。但从风险的角度来看，当我们仔细分析这些指数的最大跌幅（表一）时，可以看到几乎每个指数在某年都会有超过40%的跌幅，同样，债券除外。

二、量化投资模型用于调整各资产的收益

如前文所述，本文将会通过移动平均时间模型这种非常简单的量化模型来测试其管理风险的能力。为了更好地测试此模型，笔者认为需要如下几个条件以确保此模型简单易行：1、纯粹的计算机制；2、对每个资产类别使用同样的参数和模型；3、价格为唯一的可变量；4、所有数据不包括分红，且每月更新一次。

移动平均线型的交易系统是最为简单和流行的趋势交易系统，最常用的参数是200天移动平均线。因此，笔者采用的计算规则如下：

1、购买原则：当月平均价大于10个月的SMA

2、卖出原则：当月平均价小于10个月的SMA

为了描述本量化时间模型的特点和逻辑，笔者采用了超过100年的各资产市场收益率来进行测试。通过表二看出，本量化时间模型不仅提高了复合收益率，还同时降低了风险。

可见，量化投资模型优化后达到了很好的收益数据。其中一个显著的特征是降低了风险。具体来看，我们使用“购买后长期持有法”和“量化时间交易模型”来进行对比，并对各资产进行均等份额配置。通过对上述指数同段时期的测算，可以发现量化时间交易模型能够在绝大多数时间区间里保证资产组合至少拥有60%以上的净值。而购买后长期持有配置常常会有约50%的资产跌幅。

三、结束语

一个非主观性的，量化交易模型将在降低风险的基础上对收益实现正影响。也就是说从理论上来看，除了通过多样化配置实现低风险收益，还可以尝试通过简单易操作的量化移动平均时间模型来提高风险调整后的收益。

参考文献：

[1]龚六堂：《动态经济学方法》，北大出版社，2002