前言：中文期刊网精心挑选了量化投资与分析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。
量化投资与分析范文1
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
量化投资与分析范文2
【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）.
量化投资与分析范文3
关键词：量化分析；风险态度相关性；相关系数；理性投资
一、要解决的问题
（1）问题一：根据所给数据量化分析处理公众投资者的个人状况、信息获取方式、媒体信任程度、风险态度。（2）问题二：在量化分析处理公众投资者的个人状况、信息获取方式、媒体信任程度、风险态度的基础上，建立合适的数学模型分析它们之间的相关性；
二、模型的假设
（1）建模时在所有的问题答卷中剔除那些相关性不大的问题，只从中选取具有代表性的问题，以减少建模复杂度。（2）建模过程中的各变量是相互独立的且数据有很强代表性。（3）证券市场是有效的，且价格的变动具有惯性。
三、模型的建立与求解
（一）对问题一的求解
（1）模型的准备。通过对数据的分析，我们从所有47个问题中选出20个具有代表性的问题，将提炼出的问题分成4大类：个人基本信息状况、信息获取方式、媒体信任程度、风险态度。
（2）模型的求解与量化分析。通过对第一大类个人基本信息状况中所选取的5个问题进行量化分析得到个人基本信息状况的量化分析，在所有调查的616名对象中，女性共有236人，女性投资者占总投资人数将近四成。我国投资者的年龄主要集中在30岁以下，占调查总数的36.4%，其次是30～50岁，占比为31.2%，二者之和占到调查总数的近70%。60岁以上投资者仅占8.4%。尽管中高学历投资者居多，但分析表明，教育程度与投资者收益没有明显关系。其次在广大投资者当中97%的投资者属于中产阶级，62%的投资者目的在于改善生活，83.5%的投资者对上市公司只是部分了解，这也显示出了中国投资者投资证券的意愿不强，市场的积极性未完全调动，但同时也说明了我国证券市场还有很大部分未开发，证券市场前景广阔。
通过对第二大类信息获取方式中所选取的5个问题进行量化分析可知65%投资者投资知识来源于时间和杂志，65.5%的投资者做投资时是经过理性分析的，这反映出我国大多数投资者是属于风险厌恶者或者倾向于风险厌恶，在进行投资时还是比较理性的。其次有77.6%的投资者认为以往的投资经验对现在或未来的投资是有用的。73%的投资者会关注财经新闻的报道，85%的投资者主要从网络，电视，报纸杂志等媒体中获得投资信息。
通过对第三大类媒体信任程度中所选取的5个问题进行量化分析得到的媒体信任程度量化分析表如表1所示。
从表1可以看出53%的投资者最初进入股市的原因是认为有利可图，自己决定进入。对于媒体反复推荐的股票，68%投资者不会购买，对媒体的信任程度还是比较低的。其次有76.6%的投资者觉得媒体上推荐的股票是有一定道理的，但有40.4%投资者之所以相信媒体上推荐的股票是因为自身能力的不足，只好相信媒体推荐。同时，在听取各类人士意见时，35%的投资者相信身边熟悉炒股的朋友。总之，我国投资者对于媒体的信任程度还是偏低的，这同时意味着我国的证券业还有着巨大的发展空间。
通过对第四大类风险态度中所选取的5个问题进行量化分析得到的风险态度量化分析表如表2所示。
根据表2分析显示，投资者的操作模式相对稳定，3个月内换手1次或更短的投资者占比最多，总体来看，投资者的持股时间相对较短，长期投资者占投资者比例较小。从趋势上看，在2008年以来的下跌行情中，投资者更倾向于频繁换手，3个月内换手1次或更短的投资者逐渐增加至62.4%，持股半年内的比例明显下降至28.6%。至于持股一年以上的虽有所增加，但平均占比不高，这部分长期投资者的增加不能排除是因套牢产生的被动长期投资。股票下跌时，只有不到20%的股民会选择低价再买入，再一次反映出我国股民大多数属于风险厌恶者。同时，面对股价下跌，但持有目标是五年时，62%的投资者会维持不动，但面对股价下跌，但持有目标是三十年，只有42%的投资者会继续维持不动。总之，投资者个人承担风险的态度还是比较理性的。
（二）对问题二的求解
（1）模型的准备。证券市场市场参与者众多，市场机制更为复杂，信息不对称现象更为明显。对于风险态度的衡量，在影响证券销售量的因素中，有价格，上市公司市场信誉，投资者的风险态度等。本题中着重量化被调查者的风险态度。为了确定投资者分别隶属于风险厌恶，风险中性，风险偏好哪种类型，我们在分析数据的过程中，给每个问题每个选项赋分的原则如下：1）选A、B、C、D的基础得分分别为1、2、3、4。2）将投资者的态度分为（0～30）风险厌恶型，（31～60）风险中立型，和（61～90）风险喜好型。
相关系数用来反映两者之间的相关性，考虑相关系数r时，我们遵循以下准则：1）当r>0时，表示两变量正相关，r
通过数据分析，我国投资者的总体风险态度是介于风险厌恶和风险中立的，由此可以看出投资者较为希望通过风险投资增加其个人收入。但是由于客观、主观因素，投资者中，持观望态度者较多。
（2）模型的建立与求解。根据题目提供的数据以及前面的赋值，算出所有被调查者的风险态度值，并选出问卷中的第二问跟风险态度进行相关性分析，则有：
结果为a=[1 1 1 2 1 1 4 3 2 1 1 1 1 3 2 2 4 3…1]
对应的风险态度值为b=[44 44 46 45 41 42 47 41 54 46 38 49 51 53 53 50 44 44…47]
根据以上分析可知总体个人状况与风险态度的相关性小，由此得出我国近段时间进行投资的民众数量较大，覆盖到不同民众的方方面面。信息获取方式与风险态度之间联系大、得知在我国的投资领域，投资者的信息获取途径和多少对其投资的方向性还是有较大的影响。媒体信任程度与风险态度之间的相关性适中，可知部分投资者对待媒体信息的态度还是比较冷静。
参考文献：
[1] 杨桂元，黄己立.数学建模[M].合肥：中国科学技术大学出版社，2008.
[2] 李柏年，胡守信.基于MATLAB的数学实验[M].北京：科学出版社，2004.
[3] 魏捷.关于调查问卷中定性数据处理方法的探讨[D].中南财经政法大学 2008.
量化投资与分析范文4
华尔街从来不乏传奇。2006年,全球最高薪酬收入再次落入一个华尔街人士之手。前数学家、定量化对冲基金经理西蒙斯年收入达到惊人的15亿美元。2009年,另外一群人――高频交易者――帮高盛银行等金融机构赚得盆满钵溢。
这些人,因其使用高等数学手段决定亿万计资金的投向,而在30年前赢得“火箭科学家”名声。在外人看来,他们有些像中世纪的炼金术师:给他们数据,他们还给你美元!
华尔街的数学传说
实际上,在华尔街上管理资金规模最大的量化技术,并非那么不可捉摸:众多公司使用“因子加总模型”辅助他们选择股票。
这种方法大多基于Fama-French的开创性论文,其基本思想很简单:依据各项基本面指标对于历史上超额回报的贡献程度,来决定这些基本面指标在选出“超级股票”上的“有效性”,并据此赋予这些指标不同的权重;按照上市公司指标在全部篮子股票中的排序,再使用上述步骤中获得的权重对其进行加权加总计算。如果该公司的加权之和排名靠前,则表明该公司的基本面指标符合能够带来超额回报的历史模式,从而有望在未来展现强势。
数学模式大同小异,公司之间的竞争主要集中在两个方面:第一,各公司均投入巨资,研制自己的特有指标;第二,研制更加有效、稳定的加总方式。
传统的基本面分析往往要求基金公司雇佣大量分析师,成本高昂。由于每个分析师能够跟踪的公司数目有限,基金经理不得不在较小的股票篮子中进行选择,有可能错失最好的投资机会,投资组合的分散程度也受到限制。同时,依赖基本面分析进行投资管理要求基金经理进行大量的主观判断,人性弱点(贪婪与恐惧)对投资业绩往往产生较大影响,投资业绩波动较大。使用这种方法建构的投资组合往往无法定量化控制每只个股给投资组合带来的风险。从基金公司的角度而言,这种方法对基金经理个人的依赖较大,一旦出现人员变化,基金业绩也往往随之波动。
量化选股方式将投资决策建立在对历史模式的详尽研究之上,克服了上述缺点。其在美国投资界的应用近20年来大幅提升,管理资产额的上升速度为传统方式的4倍。
回归价值投资
然而,过去数年,定量化基金遭遇了重大打击。2007年,最大的定量化机构对冲基金、高盛名下的Global Alpha遭遇了重大损失,几乎清盘。2008年,众多量化基金再遭滑铁卢。笔者在北美也曾主持研制一个包含上百个指标的量化选股系统,但在实践中,却最终放弃。
实战经历指出该类系统的一个致命弱点是,在实战中,哪一类因子何时发挥作用,是不可预测的。有些时候是价值因子占优,有时候是增长因子占优,而何时其影响力出现变化,难以事先预测。其结果就是分析师与基金经理疲于奔命地试图追赶因子影响力变化的脚步,并据此不断矫正模型。如此,基金经理不得不在使用量化系统的同时,使用个人化的随机判断对量化系统进行纠正――这弱化了它本该享有的优势并导致投资业绩大幅波动。
仔细反思,最主要的问题在于,各预测因子被无机地组织在一起,各个因子之间的互相影响却没有被考虑。也就是说,华尔街模型“从数学到数学”,缺乏对投资哲学的深入理解。
量化技术所具有的优势应该被利用,但数学手段应该被视为手段,而不是主导。一个有希望的发展方向,是将量化技术与价值投资哲学相结合,实现“从哲学到数学”式的投资理念。为此,需要在投资哲学上,梳理价值投资理念的本质。
价值投资在国内市场有众多拥护者,也不乏怀疑者。实际上,国内普通投资者对价值投资的理解有值得深化之处。笔者以为,价值投资的本质有二:
第一,价值投资告诉投资者,市场会犯错。以“5毛钱买进1元钱价值”作为号召,价值投资拒绝接受“有效市场理论”。但事实上,在大多数时候市场是有效的。大多数股票的价格正确反映了所有的信息、知识与预期,当时的价格就是上市公司的内在价值。要获得超额回报,必须去寻找市场可能呈现的“异常”,或者说在何处投资者的平均预期可能落空。价值投资就是寻找“未来”与“预期”之间的歧异。量化系统的设计目标是,要有能力淘汰那95%的普通(有效)情况,而把注意力引导剩余的5%――在那里,“未来”与“预期”有最大的机会出现歧异。
第二,价值投资的另一面,是说任何人都会犯错。当我们集中注意力去寻找“超级股票”的时候,是在下一个极大的赌注。这个赌注是高风险的。所以,请记住索罗斯的告诫:“投资者重要的不是做对还是做错,而是在做对的时候赚多少,做错的时候亏多少。”为对冲第一个赌注的风险,需要寻找最大的安全边际――当我们犯错的时,安全边际将保护我们不致尸骨无存。
安全边际是指,市场涨跌的轮回已经测试过所有情景。该公司在完整的牛熊市周期中,由千千万万投资者的真金实银所测试出来的估值空间。因此,安全边际的定义并非相对市场平均水平更低的PE值这么简单。每家公司都不同于别的公司,将不同公司的估值水平相比较,更多时候带来误导而不是洞察力。应该将公司目前估值水平与该公司调整后的历史范围相比较,并决定“安全边际”存在与否。
在实践中,要寻找在未来可能提供业绩惊喜、而仍在其估值范围下限附近交易的公司。依据此思想,数量化技术可以对所有上市公司的投资机会予以量化评估,进而实现“从哲学到数学”的投资思路。
对中国股市独特性的夸大导致某些论者以为,在中国股市,唯有投机可以赢得超额利润。这其实是伪命题。事实上,正是由于中国股市效率较低且风险奇高,一个系统化评估市场错配与风险衡量的系统,可以发挥最大效率。一切都取决于对市场运行规律的深入把握与技术优势的结合。在实践中,我们开发的量化价值投资体系取得了稳定超越指数的优良业绩。这有力地证明,中国股市的特殊性并没有遮盖其作为投资市场的普遍性。
在股市投资这项人类活动中,同时存在着两类知识。一是客观知识,即可以凭借科学(数学)方法来发现的真实;二是主观价值,即通过对价值的认定来获得的完善。在证券分析方法的演进过程中,这两类知识从最初的混沌不分,到此后的分裂和截然对立,再到两者被有机结合。
量化投资与分析范文5
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。
量化投资与分析范文6
关键词：双向交易；指数基金；量化投资
中图分类号：F832.5 文献标识码：A 文章编号:1003－9031(2012)05－0004－04 DOI:10.3969/j.issn.1003-9031.2012.05.01
一、引言
对大多数普通投资者而言，指数基金是一种比股票更好的投资对象。但实际上，指数化投资本质上只是一种择股策略，可以帮助投资者选出一篮子股票，解决了“买什么”的问题，但对于交易系统中“什么时候买和卖”并没有很好的指示，也不能保证在短期内就能获得良好表现。由于绝大部分基金都不能跑赢指数基金，李海波（2008）建议普通投资者投资指数基金，但是应避免两个误区：一是在局部地区的长期熊市中不适合长期投资指数基金，二是在全球股市的长期熊市中不适合长期投资指数基金[1]。但仍有很多专家在向投资者传递一个错误的信号，即对指数基金应当长期持有。实际上，“长期投资”不等于简单的“持有不卖”。国内多数文献都将重点放在指数基金样本构建和跟踪误差计量方面（张帆，2007；赵勇，2010）[2][3]，而鲜有针对指数基金进行投资组合的研究。本文将在趋势分析的基础上对指数基金的量化投资进行系统研究，分别在单向做多机制和双向交易机制背景下构建指数基金量化交易系统。本文将引入一套“择时”机制，将其与指数基金自身的“择股”优势结合起来，这样可以在长期当中战胜市场和大多数机构投资者。尤其是在2011年12月融资融券标的再次扩容，7只ETF指数基金被纳入交易标的之后，双向交易机制下的盈利模式跟以往相比发生了根本性的改变，基于趋势分析的量化交易将赋予指数基金产品更多的吸引力。
二、理论基础与样本选取
（一）理论基础
指数基金量化交易的基石是趋势分析，而趋势分析是建立在技术分析的三个假设条件之上的，即：所有的信息己反映在价格之上；市场是按趋势运行的；历史将会重演。在技术分析方法中，“趋势”是核心内容之一。趋势交易方法在国内和国外、专业和非专业投资者中都得到了大量的应用，并且取得了良好的成绩，本文将基于趋势交易的思想，来对指数基金进行量化。
（二）指数样本的选择
趋势交易的本质就是“顺势而为”，抓住波段收益。在对指数基金进行量化之前，选择什么样的指数来进行量化是首要问题。通过大量的数据统计分析，笔者发现指数表现有着鲜明的“个性”：大盘指数运行较稳定，波动幅度不大，区间运行时间较长，用它来做趋势交易的收益不高但波动率也较低；中小盘指数表现则更为活跃，趋势变化更快，波动幅度更大，区间运行时间较短。相比较而言，中小盘指数是更为理想的交易标的，因此，在以下的量化分析当中笔者选取沪深300指数代表大盘指数，选取中小板指数代表中小盘指数。
（三）时间周期的选择
笔者选取2006年1月至2011年12月这段时期作为研究样本，其间包含了大牛市、大熊市、盘整震荡市等多种情形，完成了几个完整的牛熊轮回，用这样的数据分析得出的研究结果更具有说服力。
三、实证方法与实证结果
（一）实证方法
首先，笔者选择最简单、最直观的均线交易系统（MA）作为数据分析系统，该系统体现的是“叉点”交易思想：即在短周期均线上穿长周期均线形成“金叉”时买入；短周期均线下穿长周期均线形成“死叉”时卖出。交易周期用日K线①。然后，笔者采用“插值法”的思路对交易系统进行优化，即选择不同的参数组代入交易系统当中来测试效果，评价的标准包括：收益率、标准差、平均盈利、平均亏损、最大盈利、最大亏损、最大回撤幅度、最长滞涨周期等。
（二）实证结果
1.单边做多机制下的统计结果
在单向交易机制下，运用大智慧证券分析软件采用MA交易系统对2006.01―2011.12期间的沪深300指数和中小板指数进行优化可得到表1和图1与图2。
从表1可知，不管是沪深300指数还是中小板指，在MA交易系统中的表现要远优于“一直持有”策略；简单买入中小板指并一直持有的话，收益率为94.40%，而在MA交易系统中的收益率为764.18%。另一个特点就是在MA交易系统中，平均盈利与平均亏损的比值都在2以上，充分体现了“小亏大赢”的投资思想。由图1和图2可以看出MA交易系统的净值表现更加稳定向上，与指数本身的走势相比，回撤幅度更小，波动幅度更小而总收益率更高。
2.在双向交易机制下的统计结果（无空仓）
在即可做多也可做空但无空仓的双向交易机制下，运用华财经Mytrader2009软件采用MA交易系统对2006.01 -2011.12期间的沪深300指数和中小板指数进行优化得到表2和图3与图4。
在双向交易机制下，MA交易系统的表现更优于“一直持有策略”，表现为不仅有“多头盈利”部份，同时还有“空头盈利”部份。同时，平均盈利与平均亏损的比值进一步放大，更多地体现了“小亏大盈”。由于做空带来的收益加上连续获利的复利作用，使得最终收益率比较单向做多交易下又有了较大的提升。与图1、2进行比较可以看出，图3和图4中MA交易系统的净值上升得更加陡峭，也更加平滑，说明在双向交易机制下总收益率更多，同时回撤幅度波动幅度更小。
3.不同投资策略下收益率和风险比较
由表3可知，从收益率角度出发，在单向做多机制下，不管是中小板指还是沪深300指数，采用MA交易系统的表现都要远优于“一直持有”的收益，也远远超过了同期主动型基金的平均收益，而且这还没有将空仓时间的收益计算在内（实际上空仓时间很长，而且在空仓时间资金还可以投入到一些流动性好的固定收益投资品种）。另外，在采用相同的交易系统进行优化的条件下，中小盘指数的表现要优于大盘指数（沪深300），这说明选择什么样的指数非常重要。
总的来看，从波动程度、最大回撤幅度角度看，MA交易系统的净值曲线并没有和指数曲线一样出现大幅震荡，回撤幅度更小，滞涨时间更短，在较长时间内保持稳步向上的增长，符合“长期稳定”的赢利之道。采用MA交易系统对指数基金进行投资，不仅在收益率方面表现更佳，而且风险控制也远优于“一直持有”策略。
四、结语
（一）结论与需要解决的问题
在双边交易机制下采用MA交易系统对指数基金进行操作的结果要远优于单边做多机制，更优于“一直持有”策略，同时也优于同期主动型管理基金的表现。但要将其付诸于实际操作当中，还要解决以下问题。
1.盯住指数是否有可双向交易的交易品种。2011月12月融资融券标的扩容之前，只有泸深300指数可以通过IF股指期货进行做空交易从而实现双向交易，其它指数基金只能做多交易在融资融券标的扩容之后，新加入7只ETF基金可通过融券方式进行做空，但到目前为止，可供做空的指数基金产品数量还比较少，指数产品本身的管理资金规模也有限，难以吸引大规模资金进入。随着融券标的逐步放开，会有更多的指数基金产品纳入做空的标的范畴。
2.交易成本的问题，特别是融券融券的交易成本。以上数据分析都是在低成本假设（佣金费率设为千分之0.3）基础上完成的，对于机构投资者而言，申购指数基金的实际费率还要低（很多指数基金超过500万的申购费只要1000元），若采用融券卖空，则需要支付一笔融券费用，这将增加交易成本，降低交易收益。对中小投资者来说，交易成本最低的还是ETF基金和LOF里面的指数基金，因为可以在场内进行买卖而不用交印花税，远低于在场外申购赎回交易。事实上，现行市场成本最低的卖空方式是股指期货，但目前股指期货交易标的只有沪深300指数，而且交易门槛比较高，不适合广大中小投资者。
3.流动性的问题，即市场容量的问题。指数基金进行量化投资，首先要有一个足够容量足够品种的指数基金市场。而现在，很多投资者对指数化产品在中国的发展前景表示怀疑，新的指数基金产品发行举步维艰，老的指数基金份额也在不断缩水，这对机构投资者特别是FOF（基金中的基金）管理者参与到这个市场带来的难题。
4.模型选择、整合、参数优化问题。一个好的交易模型是量化投资追求的“圣杯”，要构建一个优秀的量化交易系统需要进行大量的数据收集和统计处理工作。过去的良好表现只能代表过去，过去表现良好的模型和参数在将来未必有良好的表现。几乎不存在一如既往表现良好的模型和参数，每过一段时间，就需要对原来的模型和参数进行调整。
（二）建议
1.对于广大中小投资者而言，应该更清晰地理解 “长期投资”的概念，即“长期投资”不等于“长期持有”，理解在原有的单边做多的交易机制下，即使是做长期投资，也会有很多时间是处于空仓状态。在新的双向交易机制下，投资者要学会使用做空工具，利用融资融券，开辟新的盈利模式，熟悉新的投资策略和投资标的。
2.对于基金管理者而言，应使用做空机制来对冲系统风险。据统计，2011年中国FOF产品（主要是券商类FOF）全年平均业绩为-22.5%，几乎与基金的平均亏损持平。可见，大多数FOF基金的管理者没有使用做空机制对冲系统风险，甚至没有进行基本的仓位控制来回避系统风险。事实证明，在现有的中国市场采用“一直持有”的投资策略是无效的。而如果引入基金量化交易系统，特别指数基金具有的成本和选股独特优势，将大大提升FOF产品的业绩，这是未来中国FOF产品发展的方向。
3.对于政策制定者而言，应进一步推动指数基金在中国的发展，促使更多的指数化产品面市，推动金融产品创新和管理创新。从历史看，指数基金产品必将成为中国基金业发展的重点，针对指数基金进行量化投资的需求，将刺激更多的指数基金上市，这将吸引更多的投资者进入到基金市场。
参考文献：
[1]余伟.我国开放式指数基金绩效的实证研究――基于2008年至2010年度数据的分析[J].企业导报，2011（7）.
[2]齐岳,王文超.指数基金投资绩效分析[J].经济问题，2011（2）.
[3]李海波.指数基金投资策略研究[J].西南交通大学学报，2008（10）.
