前言：中文期刊网精心挑选了量化投资范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
量化投资范文1
量化投资是投资者借助计算机信息化建立数学模型，把最新市场数据和相关信息输入到模型中，通过公式计算出投资对象，做出最优投资决策。量化投资不依靠投资者的感觉直觉，不依赖个人判断，而是将其经验利用信息通过模型实现投资理念。同时，投资者期望达到收益和风险的合理配比，利用夏普比率等科学方法控制收益和风险。量化投资者不用每天重复的分析琐碎信息，只需要不断完善这个模型并不断创造新的可以盈利的模型。
二、量化投资策略
（一）量化投资策略分类
量化投资策略，主要包括量化择时策略、统计套利策略、算法交易策略、组合套利策略、高频交易策略等。
（1）量化择时策略是收益率最高的一种交易策略，通过对宏微观指标的量化分析判断未来经济走势并确定买入、卖出或持有，按照高抛低吸原则获得超额收益率。在量化择时策略中，趋势跟踪策略是投资者使用最多的策略。量化择时分析策略包括：趋势跟踪策略、噪音交易策略、理易策略。
（2）统计套利是风险套利的一种，通过对历史数据的统计分析，利用统计学理论，估计相关变量的概率分布，判断规律在未来一段时间内是否继续存在。统计套利策略包括协整策略和配对利差策略、均值回归策略以及多因素回归策略。
（3）算法交易又称为自动交易，主要是研究如何利用各种下单方法，降低冲击成本的交易策略，将一个大额交易通过算法拆分成数个小额交易，以此来减少对市场价格造成冲击，降低交易成本。算法交易策略包括交易量加权平均价格策略、时间加权平均价格策略、盯住盘口测量、执行落差策略、下单路径优选策略。
（4）组合套利策略主要针对期货市场上的跨期、跨市及跨品种套利的交易策略。组合套利策略包括均衡价格策略、套利区间策略、牛市跨期套利、熊市跨期套利等。
（5）高频交易是一种持仓时间短、交易量巨大、交易次数多、单笔收益率低的投资策略，人们从无法利用的极为短暂的市场变化中寻求获利的计算机化交易，依靠快速大量的计算机交易以获取高额稳定的收益。高频交易策略包括流动性回扣交易策略、猎物算法交易策略和自动做市商策略。
如下是量化投资中几种主要的投资交易策略：
（1）趋势跟踪策略。趋势跟踪策略追随大的走势，向上突破重要的压力线可能预示着更大一波的上涨趋势，向下突破重要的支撑线可能预示着更大一波的下跌趋势。趋势跟踪策略试图寻找大趋势的到来，在突破的时候进行相应的建仓或平仓的投资操作来获得超额收益。
趋势型指标进行择时的基本理念是顺势而为，跟踪市场运行趋势。在趋势策略中使用的技术指标是最多的，常用有：移动平均线（MA）、平滑异动移动平均线（MACD）、平均差（DMA）、趋指标（DMI）等。
（2）噪音交易策略。噪声交易是指交易者在缺乏正确信息的情况下进行密集交易的行为。有效市场中噪声只是一个均值为零的随机扰动项，但市场并不总是有效的，市场上有很多异常信息，往往有人能够提前获得这些异常信息，很可能对投资的判断提供重要的价值。噪声交易策略的运用主要是机构投资者通过计算得到市场的噪声交易指数，监测该指数的变化，根据其变化来设计量化交易策略。
（3）协整策略。在统计套利策略中，协整策略是应用最广泛的一种策略。协整套利的主要原理，是找出相关性最好的几组产品，再找出每一组的协整关系，当某一组投资产品的价差偏离到一定程度时建仓，买入被低估的资产、卖出被高估的资产，当价差均衡时获利了结平仓。协整策略包括协整检验、GARCH检验、TARCH检验以及EGARCH检验。
（4）多因素回归策略。多因素回归策略，也是一种被广泛使用的投资策略。这一策略利用影响投资收益的多种选择因素，并根据其与收益的相关性，建立多元回归模型，简化投资组合分析所要求的证券相关系数的输入，这类方法的代表是套利定价模型。
（二）量化投资策略组合
量化投资策略组合综合考虑交易商品、策略类别、策略数量、时间周期因素。量化投资策略组合相比较单一投资策略有以下优势：
（1）策略组合降低了对单一策略的依赖，当单一策略失去竞争力，使用策略组合的方式，可以利用不同产品价格变化、变化幅度、周期等多个方面把握投资机会，在一定程度上保证了稳定的收益率，盈利机会更多；
（2）策略组合可以分散单一策略的交易风险，降低风险，通过策略组合将投资风险分散化，尽可能规避市场风险、策略风险及系统风险等。
三、量化投资资产配置
资产配置是指资产类别选择，即投资组合中各类资产的适当配置及对这些混合资产进行实时管理。量化投资管理打破了传统投资组合的局限，它与量化分析结合，将投资组合作为一个整体，确定组合资产的配置目标和分配比例，深化了资产配置的内涵。
资产配置包括战略资产配置和战术资产配置两大类。战略资产配置是长期资产配置，针对较长时间的市场情况，控制长期投资风险以达到收益最大化。战术性资产配置是依据资产预期收益的短期变化，获取超额收益的机会。因此，战术资产配置是建立在长期战略资产配置过程中的短期分配策略，二者相辅相成。在长期投资活动的战略资产配置下，战术性资产配置利用其积极的灵活的投资机会，适当的配合战略资产配置，获取较高收益。
四、前景展望
在量化投资飞速发展的今天，它己经成为金融市场中不可忽视的一个领域，中国的金融市场在逐步发展及完善，中国的量化投资也会继续发展和前进，随着量化投资方面的加大投入，量化投资的进程加快，中国量化投资的前景无限。
参考文献：
量化投资范文2
【关键词】量化投资；阿尔法策略；期货策略；做市商策略
一、背景介绍
量化投资是金融领域相对前沿的一门学科，它强调将数学、物理、统计、计算机等数量的方法与投资结合赚取收益。在国外，量化投资已经有几十年的发展历史，但是在国内由于市场因素等方方面面的限制，该领域处于朝阳期，发展的机会巨大。目前狭义的量化投资包括追求股票中性收益的阿尔法对冲策略，追求高收益的期货策略（包括股指期货和商品期货策略），以及在国内市场尚未成型的做市场策略等。
二、量化投资理论阐述
（一）经典量化投资理论
阿尔法对冲策略的理论模型来自于CAPM模型以及APT模型，其基本思想就是选出具有正阿尔法收益的股票：将来自市场的贝塔风险对冲，最终获取阿尔法收益。具有阿尔法收益的股票在生活中随处可见，在大牛市中，如果前期涨的比较好的股票在之后也会有很好地表现，这样的股票具有动量因子；在超跌的行情中，前期跌的过于凶猛的股票在后期有比较好的表现，这样的股票具有反转因子；诺比尔经济学奖得主法玛和弗兰奇曾经发现小市值成长因子具有显著超额收益，并提出了著名的法玛弗兰奇三因子模型。阿尔法策略的核心一方面在于选取合适的数学模型，另一方面在于从投资的经验中寻找能够带来超额收益的因子。
阿尔法对冲策略在大牛市当中不及股票纯多头策略。以2015年上半年大牛市为例，阿尔法策略基本跑不赢指数；反之，一些比较抢眼的股票纯多头策略取得了100%以上的收益。但是在接下来的几次黑天鹅事件中，股票纯多头产品纷纷清盘，其中不乏一些大牛；但是比较稳定的阿尔法产品在市场大跌时净值依然在稳步上升。目前阿尔法对冲策略的压力来自于两方面，一方面由于投资者对市场的悲观情绪导致股指期货持续贴水，另一方面监管层对于股指期货的限制使得阿尔法策略开发者变得更加谨慎。但是鉴于其科学的方法和可靠的控制风险的能力，阿尔法策略的未来非常光明。目前国内阿尔法对冲策略的顶级私募包括尊嘉资产、宁聚资产、金锝资产等；公募阿尔法的权威包括富国量化基金经理李笑薇女士等。
期货多空策略主要包括股指期货与商品期货策略。期货的T+0的交易机制使得程序交易可以更为方便的进行。最基本的期货策略就是穿越均线策略，例如当期货上穿60分钟均线则认为其上升势头已经形成，进而做多；如果期货下穿60分钟均线，则认为其下降势头已经形成，平多头同时做空头。主观投资者的亏损很大一部分原因来自于交易缺乏纪律性，但是程序化期货成功的克服了交易者的这一行为金融学弊端。最直接的例子仍然是这次股灾，由于股市期货在股灾期间存在着明显的下行趋势，多数成熟的期货多空策略均发现这一下行趋势并多空。股灾期间股指期货多空策略赚得盆满钵满，但是某种程度上程序化交易也加重了市场的趋势效应。目前国内期货策略的顶级私募包括淘利资产、黑翼投资等。
做市场算法在国外是一个高速发展的领域，最为杰出的代表就是西蒙斯的文艺复兴基金。索罗斯、巴菲特为大家所熟知，但是西蒙斯这个名字就要低调得多。在过去十几年，文艺复兴基金获得了年化35%的收益。文艺复兴基金雇用了大量数学、物理、统计学博士，通过机器学习算法等，对市场上的微观交易行为进行细致的分析，以‘薅羊毛’的方式不断吸取收益。我们传统投资者很难捕捉交易当中微观交易结构，但是高频交易者可以从一系列的买卖竞价单中挖掘市场中的交易动态，发觉我们肉眼难以发现的蛛丝马迹。
（二）广义量化投资理论
更为广义的量化金融包括一切基于数量理论对金融市场的研究。万物皆数，学科相通，无数的智慧可以应用于金融市场。股市泡沫对于广大散户而言是一个虚无缥缈的事物，但是物理学中的模型却可以将股票泡沫以一个数量的形式呈现。LPPL模型，就是地球物理系中的对数周期性幂律模型，其创始人Sornette曾多次成功预言股灾的产生；刘淳等将贝叶斯方法应用于股市的变结构研究，并得出具有参考价值的理论：重大金融事件的发生往往会带来股市内在结构的变化；人类的智慧是相通的，现在化学、物理学、生物学、计算机科学、数学等学科的跨学科领域研究已经取得了重大进步，相信在将来金融学这一社会科学领域的学科将会越来越多的出现自然科学的身影。
目前国内金融市场正在逐渐走向大资管时代，越来越多的投资者会通过专业的投资者将资金投入市场。量化投资与传统主动投资乃是武侠中的“剑宗”与“气宗”，两者各有长短。在大资管时代两大流派将会各霸江山。巴菲特般股神将会不断创造着财富神话，西蒙斯般的科学达人们也会不断将人类的智慧充分的应用于金融市场；并且随着市场竞争的加剧，成熟的投资者将管控着更多的财富。未来如何风云剧变？我们拭目以待。
参考文献：
[1]EUGENE，F.“The Cross-Section of Expected Stock Returns.”The Journal of Finance，47.2 （1992）：427-465
[2] Sornette，Didier，Ryan Woodard，and Wei-Xing Zhou.“The 2006C2008 oil bubble：Evidence of speculation，and prediction.”PhysicaA：Statistical Mechanics and its Applications，388.8 （2009）：1571-1576
[3] 刘淳，刘庆，张晗.使用 Bayes 方法识别股市变结构模型[J].清华大学学报：自然科学版，2011，51（2）：245-249
量化投资范文3
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。
量化投资范文4
尽管量化投资已经成为市场投资的发展趋势，但是大多数投资者并不是很熟悉量化投资。一方面是由于量化投资一定程度上依赖数学模型，而赚钱的投资模型都是机构的秘密武器，不会轻易披露。另一方面是由于量化投资采用计算机系统，设计各种交易手段，有着较为复杂的数学计算与技术要求，现在许多量化投资都是计算机自动执行的程序交易。另外，量化交易者，俗称宽客（quants）的交易和故事多多少少增加了量化投资的神秘感。所以，人们一般把量化投资称为“黑箱”。纳兰（Narang，R.，2012）描述了量化交易系统的典型构造，打开了量化投资的“黑箱”。纳兰认为阿尔法模型用来预测市场未来方向，风险控制模型用来限制风险暴露，交易成本模型用来分析为构建组合产生的各种成本，投资组合构建模型在追逐利润、限制风险与相关成本之间做出平衡，然后给出最优组合。最优目标组合与现有组合的差异就由执行模型来完成。数据和研究部分则是量化投资的基础：有了数据，就可以进行研究，通过测试、检验与仿真正确构建各个模型。预测市场并制定策略是量化投资的核心，即阿尔法模型在量化投资中处于核心地位。随着量化投资的不断发展，量化投资模型也在不断改进。简单的策略可能就是证券或组合的套利行为，如期现套利组合、市场异象研究中的差价组合等。统计套利策略是经典的量化投资策略，如匹配交易或携带交易。近年来，高频交易成为量化投资的重要内容，基于高速的计算机系统实施高频的程序交易已经是量化投资的重要利器。丁鹏（2012）将量化投资的主要内容分为以下几个方面：量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易、ETF/LOF套利和高频交易等。他认为量化投资的优势在于：纪律性、系统性、及时性、准确性和分散化。
二、量化投资“黑箱”中的构造与证券投资学的差异
在传统的证券投资学中，投资组合理论、资本资产定价模型、套利定价理论和期权定价理论是现代金融理论的四块基石。前两者主要依靠均值-方差组合优化的思想，后两者则主要依靠市场的无套利条件。传统的投资方法主要是基本面分析和技术分析两大类，而量化投资则是“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”。从概念看，量化投资既不是基本面分析，也不是技术分析，但它可以采用基本面分析，也可以采用技术分析，关键在于依靠模型来实现投资理念与投资策略。为了分析量化投资对证券投资学的启示，本文从量化投资“黑箱”的各个构成来探讨量化投资与证券投资学中思路和观点的差异。
（一）资产定价与收益的预测
根据组合优化理论，投资者将持有无风险组合与市场风险资产组合，获得无风险利率与市场风险溢价。资本资产定价模型则将此应用到单一证券或组合，认为证券的风险溢价等于无风险利率加上与风险贡献比率一致的风险溢价，超过的部分就是超额收益，即投资组合管理所追求的阿尔法值。追求显著正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中，法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说，在因素定价方面，量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择，证券投资学认为，对资产价格的影响，长期应主要关注基本面因素，而短期应主要关注市场的交易行为，即采用技术分析。在量化投资中，主要强调按照事先设定的规则进行投资，这在一定程度上与技术分析类似。但是，在技术分析中，不同的人会有不同的结论，而量化投资则强调投资的规则化和固定化，不会因人的差异而有较大的不同。另外，量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。
（二）无套利条件与交易成本
在证券投资学里，流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券，投资者可以自由买卖证券。这主要是为了保证各种交易都能实现，如套利交易。根据套利定价理论，一旦市场出现无风险的套利机会，理性投资者会立即进行套利交易，当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中，对市场中套利限制与非流动性的关注较少，这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下，金融资产交易的过程及其结果，旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中，不同的市场微观结构对市场流动性的冲击是不同的。因而，从量化投资的角度看，为了降低交易带来的价格冲击，能实施量化投资策略的证券往往都应有较好的流动性，因为交易时非流动性直接影响投资策略的实施。从这个意义上讲，量化投资时的交易成本不仅包括交易费用，更主要的是要考虑市场交易冲击的流动性成本。
（三）风险控制与市场情绪
在证券市场中，高收益与高风险相匹配。量化投资在追求高收益的同时，不可避免地承担了一定的风险。在证券投资学中，系统性风险主要源于宏观经济因素，非系统性因素则主要源于行业、公司因素，并且不考虑市场交易行为的影响。在量化投资中，较多地使用因素定价模型，不仅会考虑市场经济因素，而且会考虑交易行为等因素，只是不同的模型有不同的侧重点，在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外，量化投资还有自身不可忽视的风险源。一方面，量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，隐藏着巨大的风险。另一方面，市场冲击的流动性成本也是量化投资的风险控制因素，理所当然地在图1的风险控制模型中体现出来。另外，在一般的投资过程中，市场情绪或多或少会成为风险控制的一个对象。然而，在量化投资中，更多的交易都是通过计算机来实现的，如程序交易等，这样以来，投资者情绪等因素对投资决策的影响相对较小。所以，在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪，主要是通过承担适度的风险来获得超额回报，因为毕竟减少风险也减少了超额回报。
（四）执行高频交易与算法交易
在对未来收益、风险和成本的综合权衡下，实现投资策略成为量化投资的重要执行步骤。为了达到投资目标，量化投资不断追求更快的速度来执行投资策略，这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里，技术分析认为股价趋势有长期、中期和短期趋势，其中，长期和中期趋势有参考作用，短期趋势的意义不大。然而，随着计算机信息科技的创新，量化投资策略之间的竞争越来越大，谁能运作更快的量化模型，谁就能最先找到并利用市场错误定价的瞬间，从而赚取高额利润。于是，就诞生了高频交易：利用计算机系统处理数据和进行量化分析，快速做出交易决策，并且隔夜持仓。高频交易的基本特点有：处理分笔交易数据、高资金周转率、日内开平仓和算法交易。高频交易有4类流行的策略：自动提供流动性、市场微观结构交易、事件交易和偏差套利。成功实施高频交易同时需要两种算法：产生高频交易信号的算法和优化交易执行过程的算法。为了优化交易执行，目前“算法交易”比较流行。算法交易优化买卖指令的执行方式，决定在给定市场环境下如何处理交易指令：是主动的执行还是被动的执行，是一次易还是分割成小的交易单。算法交易一般不涉及投资组合的资产配置和证券选择问题。
三、对量化投资在证券投资教学中应用的思考
从上述分析可以知道，量化投资的“黑箱”构造与证券投资学之间存在一定的差异，因此，在证券投资的教学中应当考虑量化投资发展的要求。
（一）市场微观结构与流动性冲击
在理性预期和市场有效假说下，市场价格会在相关信息披露后立即调整，在信息披露前后市场有着截然不同的表现。在证券投资学里，一般认为价格的调整是及时准确的，然而，现实的世界里，价格调整需要一个过程。在不同的频率下，这种价格形成过程的作用是不同的。在长期的投资中，短期的价格调整是瞬间的，影响不大。然而，在高频交易中，这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型：存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响，解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程，认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型，这些市场微观结构的研究加强了流动性与资产价格之间的联系，强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容，因而，为了加强证券投资学的实用性，应关注市场微观结构的内容与发展。
（二）业绩评价与高杠杆
对于证券组合而言，不仅要分析其超额收益和成本，还要考虑其风险与业绩。在组合业绩评价中，一方面要考虑风险的衡量，另一方面则要分析业绩的来源。在证券投资学中，组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言，市场时机和管理者的能力依然重要，然而，量化投资的业绩评价还应考虑另一个因素：高杠杆。量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，在市场好的时候扩大收益，但在市场不好的时候会加速亏损，这些与传统的业绩评价就不太一样。在一般的证券投资学里，业绩评价主要考虑经风险调整的收益，很少考虑其杠杆的作用，这不仅忽略了杠杆的贡献，而且有可能夸大了投资者的技能水平。
（三）人为因素与模型风险
在量化投资中，非常注重计算机对数据和模型的分析，这突出了量化投资的规则性和固定性。然而，实际中，别看量化采用了各种数学、统计模型，但策略设计、策略检测和策略更新等过程都离不开人的决策。量化交易策略与判断型交易策略的主要差别在于策略如何生成以及如何实施。量化投资运用模型对策略进行了细致研究，并借助计算机实施策略，能够消除很多认为的随意性。但是，量化策略毕竟体现投资者的交易理念，这一部分依赖于投资者的经验，一部分依赖于投资者对市场的不断观察与更新。实际上，人始终处于交易之中，对于市场拐点以及趋势反转的判断主要还是依赖投资者的经验。光大的乌龙指事件充分表明了人为因素在量化投资中的两面性：决策实施依赖于人的设定，而人的设定不仅依赖于经验，而且人还会犯错。人之所以会犯错，一方面是因为人们对市场的认知是不完全的，另一方面则是人们使用了错误的模型。经典的证券投资理论中，股票价格的变动被认为是随机的，小概率事件出现的机会比较小，但是经验研究表明股票收益率具有肥尾现象，小概率事件发生的机会超出了人们原先的认识，即市场还会出现“黑天鹅”。更为关键的是，量化投资更依赖数学和统计模型，这就使得量化投资存在较大的模型风险，即使用了错误的模型。为了防范模型风险，应采用更为稳健的模型，即模型的参数和函数应该适应多种市场环境。近年来，研究表明，证券收益及其与风险因素的关系存在较大的非线性，同时，市场中存在一定的“噪声”，采用隐马尔科夫链等随机过程和机器学习等数据挖掘技术进行信息处理成为量化投资的重要技术支持。
（四）2013年诺贝尔经济学奖的启示
量化投资范文5
关键词：量化投资；传统投资；模式数学模型；自变量参数
1量化投资简介
1.1基本概念
量化投资是一种借助于计算机高效计算程序进行复杂运算，以金融产品未来收益与风险为研究对象的新型投资方式。量化投资的基础是以股票价格、日成交额等大数据库数据为参考样本数据并建立数学模型，运用仿真分析及迭代方法不断修正数学模型，直到数学模型可以用来预测指导投资交易。任何一个投资的方案或者设想，都可以为它设计一个数学模型，然后借助大数据库的现有数据进行迭代法测试分析，以此来判别数学模型的有效性。传统投资方式基本上是对传统的技术分析和公司的经营状态基本分析，存在一定的局限性；相比之下量化投资分析是基于对大数据市场数据的，数据样本空间容量足够大，而且可以快速进行运算并排除投资者个人心理因素的主观影响，科学性和时效性更强。此外，量化投资是一种主动性的投资方式，在进行数学模型选择、自变量选取、数学模型的验算迭代都是投资行为的主动部分。
1.2交易内容及方法
量化投资交易的内容主要是量化策略以及交易策略，在制定交易策略时必须立足于投资市场、投资产品以及分配在内等。具体交易平台则是靠以计算机计算程序为基础的线上交易平台系统。进行量化投资交易时通常会遇到各种较为复杂的情况，但是基本前提都是要依据现有的既定的大量数据库数据，灵活采用各种方法来判断投资对象是否值得投资。总体来说，量化投资有估值法、资金法和趋势法三种。
2量化投资现状
从理论上来说，每个量化投资者的决策行为可以被同化为理性预期、风险规避、严格效用基本一致的理想化模型。然而现实情况中每个人的心理活动、出发点、知识水平等都存在差异，进行量化投资时人们作出的决策也存在差异。人的非理性行为与理性行为都是客观存在的，而且非理性行为对理性行为也存在着一定的影响，因此投资人在进行投资决策时并不能完全理性地进行选择。综上所述，非理性人的客观存在使投资人在进行投资决策时不能完全忽视个人的心理因素。既然个人的心理因素无法排除，那么在建立决策分析数学模型时，就应该把个人的心理因素考虑在内。当前我国国内量化投资有以下几个特点：(1)个人投资者占总投资者的比例很高。上文已经提到投资者个人的非理性客观存在且不可避免，那么众多量化投资者的非理性因素间接影响我国量化投资市场。(2)我国的量化投资市场虽然发展迅速但仍不成熟。与美国及欧洲发达国家相比，我国量化投资市场只能是一个新兴的市场，直接表现在各方面的信息不完整且难以搜集，一些基础数据我们只能自己想方设法地去开发获取。(3)量化投资行业的企业构成比较复杂。目前我国量化投资行业的企业种类比较多，跨越众多不同的领域。加上我国量化投资市场还处于新生期，市场不稳定信息变化较快，因此量化投资行业的可用层面指标数目非常少且指标数值经常变化。当前我国量化投资者正是依据当前行业的特点，从不同的层面和角度验证分析，建立泡沫型数学分析模型，才能获得巨大的利润。(4)量化投资策略研究落后。通过把我国量化投资策略与美国及西方发达国家的量化投资策略进行对比，发现我国现有的量化投资策略严重落后。国外的量化策略研究是在大量的事件、数据积累分析的基础上，脚踏实地潜心研究总结出来的。现阶段我国量化策略研究多是借用国外的策略，结合国内的量化投资行业的实际现状进行修正得来的。当前我们还缺少指导量化投资行业的专家、指导著作，为此我国国内的一些高等院校开始着手量化投资策略的研究并取得了初步的成效。
3量化投资优势
量化投资是在定性投资基础上进行继承和延伸的一种主动投资工具。定性投资的核心是对宏观经济和市场基本面进行深入的分析，再加上实地调研上市公司以及与上市公司的管理层进行经验交流，最终把调研结果整理成专题报告，把报告作为决策依据。不难看出定性投资带有很大的个人主观判断性，它完全依赖于投资经理个人经验以及对市场的认知。量化投资在调研层面与定性投资相同，区别在于量化投资更加注重数据库大数据，运用各种方法发现运用大数据所体现出来的有用信息，寻找更优化的投资方式以获得大额收益，完全避免了投资经理个人的主观臆断和心理因素，更加科学合理。综上所述，与定性投资相比，量化投资具有以下优势。
3.1投资方式更加理性
量化投资是采用统计数学与计算机建模分析技术，以行业大数据库为参考，取代了个人主观判断和心理因素的科学客观投资方法。很明显，行业大数据的样本容量已远远高于有限的对上市公司调研所形成的样本容量；在进行投资决策时，把决策过程科学化数量化可以最大程度的减少投资者决策时个人情感等心理因素对决策结果的影响，从而避免了错误的选择方向。
3.2覆盖范围大效率高
得益于因特网的广泛实施应用，与各行各业的运行数据都可以录入大数据系统形成体量巨大的数据库；得益于计算机行业云时代到来对计算分析速度的革命性变革，在极短的时间内就可以得到多种量化投资的投资方法。定性投资方式进行决策时，由于决策人的精力和专业水平都存在一定的局限性，自然其考虑投资的范围要远远低于电脑决策，二者根本没有可比性。综上所述，虽然与定性投资相比，量化投资具有明显的优势，但是二者的目的是相同的，都以获得最大收益为目的，多少情况量化投资与定型投资可以互相补充，搭配使用会起到意想不到的效果。
4量化投资的劣势
上文已经提到量化投资的决策过程依赖于大数据库以及计算机分析系统的科学决策，因此只要投资思想正确量化投资就不会出现错误。然而即使是投资思想及决策过程都没有问题，也不意味着量化投资完美无缺。量化投资本质上是对某一特定基准面的分析，事实上基准面有时范围过小，纵然决策过程合理化、无偏差，量化投资也存在一定的局限性。量化投资的另一特点是进行考察决策时覆盖的市场面非常广泛，在当前国民经济快速发展的时代，人们对市场的认知难免出现盲区或者对某一个局部了解不充分的现象，此种情况下量化投资的正确性就很难保证。
4.1形成交易的一致性
基于量化投资的低风险特性，人们更多地依赖于采用大数据云分析平台进行决策，如此大家对某一行业的市场认知以及投资决策水平就处在同一认知层次上，当遇到极端的市场行情时，人们作出的交易决策往往一致，即容易达成交易的一致性。例如期货行业以及股票行业，在市场行情动荡的特殊时期，人们往往选择在同一时机抛出股票或者期货，这种大规模的一次性抛盘则会造成在预期抛售价格基础上的剧烈波动，导致投资者的实际收益在一定程度上低于预期收益。此种情形下又会引起新一轮投资恐慌，不利于市场的稳定发展。
4.2指标钝化和失效
任何一个行业的某一个市场承载投资者的容量都是有限的，从战略投资的角度来看，当某一个市场的产业链较为成熟、技术门槛较低时，投资者进入该市场就会容易很多，当市场的承载量大大低于投资者进入数量时，既定的投资策略则会失效。例如某一企业的某只股票第一年能获得50%的收益，第二年则降为20%的收益，第三年可能是5%，第四年就没有收益了。诸如趋利反转策略、套利策略现在已经非常大众化且投资者已经达成共识，一拥而上集中式进行投资就会导致投资评价指标钝化甚至失效。
量化投资范文6
尽管量化投资已经成为市场投资的发展趋势,但是大多数投资者并不是很熟悉量化投资。一方面是由于量化投资一定程度上依赖数学模型,而赚钱的投资模型都是机构的秘密武器,不会轻易披露。另一方面是由于量化投资采用计算机系统,设计各种交易手段,有着较为复杂的数学计算与技术要求,现在许多量化投资都是计算机自动执行的程序交易。另外,量化交易者,俗称宽客(quants)的交易和故事多多少少增加了量化投资的神秘感。所以,人们一般把量化投资称为“黑箱”。纳兰(Narang,R.,2012)描述了量化交易系统的典型构造,打开了量化投资的“黑箱”。纳兰认为阿尔法模型用来预测市场未来方向,风险控制模型用来限制风险暴露,交易成本模型用来分析为构建组合产生的各种成本,投资组合构建模型在追逐利润、限制风险与相关成本之间做出平衡,然后给出最优组合。最优目标组合与现有组合的差异就由执行模型来完成。数据和研究部分则是量化投资的基础:有了数据,就可以进行研究,通过测试、检验与仿真正确构建各个模型。预测市场并制定策略是量化投资的核心,即阿尔法模型在量化投资中处于核心地位。随着量化投资的不断发展,量化投资模型也在不断改进。简单的策略可能就是证券或组合的套利行为,如期现套利组合、市场异象研究中的差价组合等。统计套利策略是经典的量化投资策略,如匹配交易或携带交易。近年来,高频交易成为量化投资的重要内容,基于高速的计算机系统实施高频的程序交易已经是量化投资的重要利器。丁鹏(2012)将量化投资的主要内容分为以下几个方面:量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易、ETF/LOF套利和高频交易等。他认为量化投资的优势在于:纪律性、系统性、及时性、准确性和分散化。
二、量化投资“黑箱”中的构造与证券投资学的差异
在传统的证券投资学中,投资组合理论、资本资产定价模型、套利定价理论和期权定价理论是现代金融理论的四块基石。前两者主要依靠均值-方差组合优化的思想,后两者则主要依靠市场的无套利条件。传统的投资方法主要是基本面分析和技术分析两大类,而量化投资则是“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”。从概念看,量化投资既不是基本面分析,也不是技术分析,但它可以采用基本面分析,也可以采用技术分析,关键在于依靠模型来实现投资理念与投资策略。为了分析量化投资对证券投资学的启示,本文从量化投资“黑箱”的各个构成来探讨量化投资与证券投资学中思路和观点的差异。
(一)资产定价与收益的预测
根据组合优化理论,投资者将持有无风险组合与市场风险资产组合,获得无风险利率与市场风险溢价。资本资产定价模型则将此应用到单一证券或组合,认为证券的风险溢价等于无风险利率加上与风险贡献比率一致的风险溢价,超过的部分就是超额收益,即投资组合管理所追求的阿尔法值。追求显着正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中,法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说,在因素定价方面,量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择,证券投资学认为,对资产价格的影响,长期应主要关注基本面因素,而短期应主要关注市场的交易行为,即采用技术分析。在量化投资中,主要强调按照事先设定的规则进行投资,这在一定程度上与技术分析类似。但是,在技术分析中,不同的人会有不同的结论,而量化投资则强调投资的规则化和固定化,不会因人的差异而有较大的不同。另外,量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。
(二)无套利条件与交易成本
在证券投资学里,流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券,投资者可以自由买卖证券。这主要是为了保证各种交易都能实现,如套利交易。根据套利定价理论,一旦市场出现无风险的套利机会,理性投资者会立即进行套利交易,当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中,对市场中套利限制与非流动性的关注较少,这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下,金融资产交易的过程及其结果,旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中,不同的市场微观结构对市场流动性的冲击是不同的。因而,从量化投资的角度看,为了降低交易带来的价格冲击,能实施量化投资策略的证券往往都应有较好的流动性,因为交易时非流动性直接影响投资策略的实施。从这个意义上讲,量化投资时的交易成本不仅包括交易费用,更主要的是要考虑市场交易冲击的流动性成本。
(三)风险控制与市场情绪
在证券市场中,高收益与高风险相匹配。量化投资在追求高收益的同时,不可避免地承担了一定的风险。在证券投资学中,系统性风险主要源于宏观经济因素,非系统性因素则主要源于行业、公司因素,并且不考虑市场交易行为的影响。在量化投资中,较多地使用因素定价模型,不仅会考虑市场经济因素,而且会考虑交易行为等因素,只是不同的模型有不同的侧重点,在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外,量化投资还有自身不可忽视的风险源。一方面,量化交易中,部分交易是采用保证交易的期货、期权等衍生品交易,这种杠杆交易具有放大作用,隐藏着巨大的风险。另一方面,市场冲击的流动性成本也是量化投资的风险控制因素,理所当然地在图1的风险控制模型中体现出来。另外,在一般的投资过程中,市场情绪或多或少会成为风险控制的一个对象。然而,在量化投资中,更多的交易都是通过计算机来实现的,如程序交易等,这样以来,投资者情绪等因素对投资决策的影响相对较小。所以,在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪,主要是通过承担适度的风险来获得超额回报,因为毕竟减少风险也减少了超额回报。
(四)执行高频交易与算法交易
在对未来收益、风险和成本的综合权衡下,实现投资策略成为量化投资的重要执行步骤。为了达到投资目标,量化投资不断追求更快的速度来执行投资策略,这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里,技术分析认为股价趋势有长期、中期和短期趋势,其中,长期和中期趋势有参考作用,短期趋势的意义不大。然而,随着计算机信息科技的创新,量化投资策略之间的竞争越来越大,谁能运作更快的量化模型,谁就能最先找到并利用市场错误定价的瞬间,从而赚取高额利润。于是,就诞生了高频交易:利用计算机系统处理数据和进行量化分析,快速做出交易决策,并且隔夜持仓。高频交易的基本特点有:处理分笔交易数据、高资金周转率、日内开平仓和算法交易。高频交易有4类流行的策略:自动提供流动性、市场微观结构交易、事件交易和偏差套利。成功实施高频交易同时需要两种算法:产生高频交易信号的算法和优化交易执行过程的算法。为了优化交易执行,目前“算法交易”比较流行。算法交易
优化买卖指令的执行方式,决定在给定市场环境下如何处理交易指令:是主动的执行还是被动的执行,是一次易还是分割成小的交易单。算法交易一般不涉及投资组合的资产配置和证券选择问题。 三、对量化投资在证券投资教学中应用的思考
从上述分析可以知道,量化投资的“黑箱”构造与证券投资学之间存在一定的差异,因此,在证券投资的教学中应当考虑量化投资发展的要求。
(一)市场微观结构与流动性冲击
在理性预期和市场有效假说下,市场价格会在相关信息披露后立即调整,在信息披露前后市场有着截然不同的表现。在证券投资学里,一般认为价格的调整是及时准确的,然而,现实的世界里,价格调整需要一个过程。在不同的频率下,这种价格形成过程的作用是不同的。在长期的投资中,短期的价格调整是瞬间的,影响不大。然而,在高频交易中,这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型:存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响,解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程,认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型,这些市场微观结构的研究加强了流动性与资产价格之间的联系,强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容,因而,为了加强证券投资学的实用性,应关注市场微观结构的内容与发展。
(二)业绩评价与高杠杆
对于证券组合而言,不仅要分析其超额收益和成本,还要考虑其风险与业绩。在组合业绩评价中,一方面要考虑风险的衡量,另一方面则要分析业绩的来源。在证券投资学中,组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言,市场时机和管理者的能力依然重要,然而,量化投资的业绩评价还应考虑另一个因素:高杠杆。量化交易中,部分交易是采用保证交易的期货、期权等衍生品交易,这种杠杆交易具有放大作用,在市场好的时候扩大收益,但在市场不好的时候会加速亏损,这些与传统的业绩评价就不太一样。在一般的证券投资学里,业绩评价主要考虑经风险调整的收益,很少考虑其杠杆的作用,这不仅忽略了杠杆的贡献,而且有可能夸大了投资者的技能水平。
(三)人为因素与模型风险
在量化投资中,非常注重计算机对数据和模型的分析,这突出了量化投资的规则性和固定性。然而,实际中,别看量化采用了各种数学、统计模型,但策略设计、策略检测和策略更新等过程都离不开人的决策。量化交易策略与判断型交易策略的主要差别在于策略如何生成以及如何实施。量化投资运用模型对策略进行了细致研究,并借助计算机实施策略,能够消除很多认为的随意性。但是,量化策略毕竟体现投资者的交易理念,这一部分依赖于投资者的经验,一部分依赖于投资者对市场的不断观察与更新。实际上,人始终处于交易之中,对于市场拐点以及趋势反转的判断主要还是依赖投资者的经验。光大的乌龙指事件充分表明了人为因素在量化投资中的两面性:决策实施依赖于人的设定,而人的设定不仅依赖于经验,而且人还会犯错。人之所以会犯错,一方面是因为人们对市场的认知是不完全的,另一方面则是人们使用了错误的模型。经典的证券投资理论中,股票价格的变动被认为是随机的,小概率事件出现的机会比较小,但是经验研究表明股票收益率具有肥尾现象,小概率事件发生的机会超出了人们原先的认识,即市场还会出现“黑天鹅”。更为关键的是,量化投资更依赖数学和统计模型,这就使得量化投资存在较大的模型风险,即使用了错误的模型。为了防范模型风险,应采用更为稳健的模型,即模型的参数和函数应该适应多种市场环境。近年来,研究表明,证券收益及其与风险因素的关系存在较大的非线性,同时,市场中存在一定的“噪声”,采用隐马尔科夫链等随机过程和机器学习等数据挖掘技术进行信息处理成为量化投资的重要技术支持。
