前言：中文期刊网精心挑选了量化投资策略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。
量化投资策略分析范文1
中国证券市场早期盛行纯技术分析,前几年风行价值投资,现在数量化投资正在成为新方向,一场新的投资变革也许就在酝酿中。今年8月初沪指从3478点一路暴跌,在市场人士看来如果没有基金的杀跌,股市应该不会有这么惨。而基金引进量化投资,将改善传统基金追涨杀跌的市场常态,实现真正意义上的创新。
量化基金发行提速
今年上半年,嘉实量化阿尔法、中海量化策略两只量化基金的推出,打破了国内量化基金多年的沉寂。而近期,更是有3只量化基金同时登台亮相,且各具特色。截至目前,国内基金市场上已经发行7只量化基金,包括光大保德信量化核心、上投摩根阿尔法、嘉实量化阿尔法、中海量化策略、长盛量化红利策略股票型基金、富国沪深300增强基金及华商动态阿尔法基金。前两只分别成立于2004年8月和2005年10月,而后5只均是今年才成立。量化基金时隔四年后的再次大量推出,引起了市场的密切关注。种种迹象表明,以定性投资为主的国内基金业正在掀起一场量化投资浪潮。
光大保德信量化核心,一方面通过光大保德信的多因素数量模型对股票的预期收益率进行估算,个股预期收益率的高低决定投资组合是否持有股票;另一方面,投资团队从风险控制角度,重点关注数据以来的信息,通过行业分析和个股分析形成对量化的补充;最后由投资组合优化器根据预先设计的风险构建组合。
上投摩根阿尔法基金,同步以“成长”与“价值”双重量化指标进行股票选择,然后研究团队对个股进行基本面审核,结合跟踪误差的紧密监控,以求不论指数高低,市场多空,皆创造主动管理回报。投研团队最终决定进入组合的股票,量化分析是辅助和基础。
嘉实量化基金,以“定量投资”为主,辅以“定性投资”。通过行业选择模型,捕捉具有投资吸引力的行业,然后再在所选行业中运用阿尔法多因素模型筛选个股。定性的辅助作用表现在利用基本面研究成果,对模型自动选股的结果进行复核,剔除掉满足某些特殊条件的股票。
中海量化策略,以量化模型作为资产配置与构建投资组合的基础。根据量化指标实行从一级股票库初选,从二级股票库精选,再根据相关模型计算行业配置权重。结合行业配置权重,组合每只股票的配置比例。
长盛量化红利策略股票型基金,是作为国内首只运用“量化投资”策略投资于红利股票的基金,该产品将给投资者带来不同于传统基金的新体验。该只基金的另一个显著特点是“瞄准红利”。所谓红利,强调的是具有较高安全边际、较低下行风险的价值型投资,在目前市场总体估值处于历史平均水平时,价值型风格更能获得投资者的青睐。
富国沪深300增强基金,以沪深300指数为追踪标的,并对指数基金进行增强,并且是国内第一只采用量化方法进行主动增强的沪深300指数基金。量化增强的方法主要包括:利用多因子阿尔法模型选择股票;通过风险估测模型有效控制风险预算,并通过交易成本模型控制成本、保护业绩。相比定性的方法,定量投资手段在对成份股较多的指数进行增强方面以及控制跟踪误差方面具有很强的优越性。
当前适逢宏观经济、证券市场复苏向上之际,汇集A股市场300只规模大、流动性好、最具代表性股票的沪深300指数,有望迎来较好表现。而以沪深300为跟踪标的,并利用定量投资模型进行主动增强的富国沪深300增强基金,亦面临良好的投资环境与投资时点。
华商动态阿尔法基金,将以高阿尔法值的股票为主要投资目标,采用量化投资的方法,努力在有效控制风险的同时提高基金组合收益。华商动态阿尔法基金的投资将主要采用阿尔法策略和量化策略。阿尔法策略是依靠精选行业和个股,来获取超过大盘表现的超额收益。量化策略是指采用数量化分析方法来对股票进行分析和筛选,基于数量模型来配置行业权重。它具有投资范围更广、纪律性更强、投资思想可验证等优势,更能够限制投资过程中主观随意性可能带来的损失,帮助基金经理进行客观决策。
定量投资适合A股市场
正因为A股市场不是特别有效的市场,数量化投资策略正好可以发挥其纪律性、系统性、及时性、准确性、分散化的各种优点,从而捕获国内市场的各种投资机会。相比定性投资,现阶段A股市场的特点更适合采用客观、公正而理性的定量投资风格。
股票市场复杂度和有效性的增加已对传统定性投资基金经理的单兵作战能力提出了挑战。相对于海外成熟市场,A股市场的发展历史较短,有效性偏弱,市场上被错误定价的股票相对较多,那么,留给定量投资策略去发掘市场的无效性、寻找超额收益的潜力和空间也就更大。事实上,尽管量化基金在国内的发展历程较短,但是从国内已有的两只采用了定量投资方法并且已经运作了一段时间的基金来看,量化基金被证明是适应中国市场的。
量化基金产品包括但不限于数量化共同基金产品、指数基金产品、指数增强型基金产品、行业指数基金产品、风格类指数基金产品、策略指数基金产品、ETF产品、收益分级型产品等等。从数量化投资提供的工具和方法来看,能够给投资者提供的基金产品可以说是百花齐放,还应该做到有的放矢,满足投资者不同风险收益偏好的投资需求。
量化投资需过三道坎
我国A股市场的量化基金仍然才开始起步,各方面都有待进一步的完善。不仅机构需要有完善数量化投资策略各方面的耐心,也需要投资者给数量化基金以耐心。采用数量化策略的共同基金要在中国市场获得成功,仍有很长的路要走,需要不断的修正数量模型以适应中国市场的特征。
对于量化基金的产品设计,虽然量化基金一般都是采用多因素模型对股票进行分析和筛选,但不同的量化基金产品的侧重点是不一样的,也就是说,包括投资思路、观察角度、分析方法等在内都是不同的。在个股筛选和分析的角度、行业分析的角度、大类资产配置的角度等方面,均有不同的思路,因此,不同的量化基金产品可以体现出各自不同的投资理念和各自的投资特色。
具体来说,基金要想真正推行量化投资,主要应该跨越如下“三道门槛”。
首先,目前国内对做空的限制以及投资产品的稀缺,导致很多成熟的数量化投资手段不能在国内得以应用。一些对冲策略可能需要期货类的投资产品,而有些统计套利策略可能需要市场上要有做空的手段,目前这些条件在A股市场上尚不具备,因此,在一定程度上制约了量化投资的施展空间。
其二,中国目前对于基金的考核体系比较短期化,部分量化基金经理有可能迫于短期排名的压力,也去追涨杀跌,不去执行相当于投资纪律的量化策略,这就恰恰偏离了量化基金设计的初衷。量化投资策略成功与否需要从长期来看,不能因为短期内跑不过市场就认为量化基金管理得不好,对于量化基金的评价时间不能太短。
此外,量化投资对人的要求很高。量化投资需要考虑的一个重要因素是预测相对于市场的超额收益,即阿尔法收益,找到阿尔法预测模型。在阿尔法预测上,要保证不断有新的阿尔法策略产生。一个新的阿尔法策略出来后,过一段时间就被市场充分理解,可能阿尔法收益就会逐渐消失,这就需要不断产生新的阿尔法收益模型。
量化基金本土化前景
A股市场的发展历史较短,有效性偏弱,市场上被错误定价的股票相对较多,那么,留给定量投资策略去发掘市场的无效性、寻找超额收益的潜力和空间也就更大。相比定性投资,现阶段A股市场的特点更适合定量投资客观、公正而理性的投资风格。股票市场复杂度和有效性的增加已对传统定性投资基金经理的单兵作战能力提出了挑战。正因为市场的弱有效性,数量化投资才更有发挥的价值。这也是量化基金可以在中国本土化获得成功的有利条件。
数量化投资可以为投资者带来更多、更丰富、更有特色的基金产品,丰富机构的产品线。只有建立完善的产品线,才能满足不同投资者的需求,才能在不同的市场状况下获得发展,才能有强大的基金公司。机构可以从数量化投资所带来的无限量基金产品线上获得丰厚的利益。
数量化投资不仅可以增加基金的产品线,而且数量化投资策略本身也是对传统基金投资的一个强有力的补充和增强。数量化投资的好处是可以将各种适合不同经济环境、不同市场环境的投资理念明确地刻画出来,并可以加以建议。那些成功的投资理念通过数量化方式就可以方便地加入投资决策中去。数量化投资策略对提升基金等机构投资者的投资决策能力无可限量。
量化投资策略分析范文2
关键词：电网投资 综合评价 指标体系
电力工业是国民经济的基础产业，电网投资策略的科学性、合理性是电力企业管理策略研究的核心内容之一。伴随着我国国民经济的稳步发展，人民生活水平的逐年提高，全社会对电力的需求日益增长，电网的投资规模也不断加大，投资管理逐步得到了完善，同时也逐步暴露出电网管理者在评价投资策略时依然存在科学依据不够，其更多的是站在单位财务的角度对电网企业投资策略进行评估。在可预见的未来，随着新能源发电技术水平的改进与消费能源结构调整需求的提高，如何在多不确定性与高风险下客观科学地评估电网投资方案，是一道不可避免的难题[1]。
事实上，电网投资策略评价是一个典型的多维度、多指标综合评价问题。综合评价是指通过一定的数学函数（综合评价函数）将多个评价指标值合成为一个整体性的综合评价值。本文将电网投资策略综合评价指标体系分为经济指标、技术指标、社会指标以及环境指标四个方面进行研究，综合考虑投资策略的各方面的优劣情况。
1.电网投资策略综合评价指标的构建
本文设计的电网投资策略综合评价指标体系重点考虑了电网运行过程中的不确定性、风险、及环保效益对投资方案制定与决策的正反面影响，旨在最大程度挖掘规划方案应对不确定性因素的综合能力，将电网投资策略综合评价指标分为4个一级指标，13个二级指标，如图1所示。
图1 电网投资策略综合评价指标
1.1经济指标
电网投资规划项目作为电力系统投资建设的一个重要组成部分，其经济性分析是必不可少的一环。围绕待建项目从成本、收益、风险等各个侧面开展经济性分析，能够充分发掘规划方案的经济可行性，从而有效实现对规划项目的风险控制。经济性指标包括全寿命周期成本（CLCC）、EVA分析以及综合投资效益分析三个方面。
1.1.1全寿命周期成本。全寿命周期成本主要包括：系统一次投资成本CIC、系统运行成本COC、故障引起的缺供电损失成本CFC、设备报废成本CDC。系统全寿命周期成本计算公式如公式1所示。
公式1
系统一次投资成本CIC指的是在输电规划项目建设、改造和调试期间内、正式投运前付出的一次性成本，包括系统运行期间更换设备的投入成本。系统运行成本COC主要包括能耗费、人工费、环境费用、维护保养费等。故障引起的缺供电损失成本CFC指系统中设备、元件发生随机停运造成电力中断供应所引起的赔偿成本。设备报废成本CDC指设备的寿命周期结束后，为处理该设备所支付的费用。
1.1.2 EVA分析。EVA（Economic Value Added） 是经济增加值模型的简称，其基本理念是：资本获得的收益至少要能补偿投资者承担的风险;也就是说，股东必须赚取至少等于资本市场上类似风险投资回报的收益率，即：
经济附加值（EVA）=息前税后利润-资金总成本 公式2
上述各公式所用指标或名词的含义与我国现行财务管理制度和会计制度的规定相一致，这有利于EVA的正确计算及推广应用。
1.1.3 综合投资效益
图2 电网投资规划项目综合经济效益WBS-分析点
电网投资规划的综合经济效益分析可分为经济效益分析和财务分析。电网投资规划的经济效益主要表现为输变电能力增加带来增供电量的产出效益，可从增供负荷与电量分析、效益分摊分析两方面入手进行系统地分析。对于电网投资规划的财务分析，主要依据财务报表，对电网投资规划项目的投资财务内部收益率、投资财务净现值、投资回收期、投资利润率、投资利税率等指标进行分析，用以判断电网投资规划项目的盈利能力。本文拟运用WBS原理，对电网投资规划的综合经济效益分析点进行识别。WBS-分析点中的WBS（Work Breakdown Structure）指的是作业分解树，作业树中的独立单位就是作业包（Work Package）。分析点指的是结合项目工作分界点识别分析点，进而确定分析指标。电网投资规划项目控制层次多、控制点数量大，是一个典型的复杂多层次大系统，采用WBS-分析点法可以建立合理完整的指标分析层次。电网投资规划综合投资效益WBS-分析点如图2所示。
1.2技术指标
电网的可靠性是指系统稳定运行时，在输变电元件容量、母线电压和系统频率等的允许范围内，考虑电网中元件的计划停运以及合理的非计划停运条件下，向用户提供全部所需的电力和电量的能力。另外，电源出力的波动性与不确定性在电压、频率方面的影响尤甚。在考虑可靠性指标设置时，应当兼顾供电可靠性与供电质量，从时间、频率、质量多方面考核电网供电可靠性。为此，定义了持续供电指标、电能质量指标、输电充裕度指标、适应性4个二级指标，以及10个相应的三级指标。可靠性指标设置的各项指标含义及计算方法可参见权威的定义，这里不再赘述。
1.3社会指标
由于各种不确定性因素使得电网投资规划的方案所需考虑的风险大大增多。其发电控制技术尚未成熟，其发电成本又相对较高而导致市场竞争不占优势，这些因素迫使规划人员考虑项目可能面临的各种风险。最典型的就是停电风险、市场风险及政策风险。多种不确定性汇集使得电网的可靠性水平难以维持，为此与以往相比，停电风险大大提升。另外，由于市场变化及政策变动导致的电源发电规模萎缩，从而造成的项目利用率过低，规划项目的经济性大幅下降。本文将运营风险ROR定义为停电风险指数RF、市场风险指数RM及政策风险指数RP的综合，即：
公式3
公式3中：为自定义算式。
停电风险指数描述的是由于输电系统的运行故障问题引起的停电事故的可能性。可以通过对输电系统的可靠性指标进行统计、分析、综合评估而得到。
市场风险指数描述的是电网投资规划方案对未来市场上电能供需变化引起效用降低的可能性。输电系统作为电能传输的媒介，发电紧缺及电力需求萎缩都将使得输电系统利用率下降，拉低输电系统运营效益。由于市场风险指数难以量化计算，故采用1～9标度法进行评估，具体如表1所示。
表1 市场风险指数等级划分
政策风险指数描述的是电网投资规划方案对未来政策变动引起效用减低的可能性，对政策风险指数的评估同样采取标度法，详见表2。
表2 政策风险指数等级划分
1.4环保指标
根据项目环境情况将环保性属性指标分为噪声、电磁环境以及无线电干扰指标，其权重分别占到40%、30%和30%。具体评价方法如下：
噪声：满足《城市区域环境噪声标准》（GB3096-1993）中1类标准，得5分;否则0分;
电磁环境：满足《辐射环境保护管理导则电磁辐射环境影响评价方法与标准》（HJ/T10.3-96）得5分;否则0分;
无线电干扰：满足《辐射环境保护管理导则电磁辐射环境影响评价方法与标准》（HJ/T10.3-96）得5分;否则0分。
应用综合评价理论方法，可以建立电网投资策略的影响因素指标体系，同时对典型投资方案进行综合评价，通过评价结果反馈修正相应的投资策略。
2.电网投资策略综合评价体系应用步骤
构成综合评价问题有五个要素，分别为被评价对象、评价指标、权重系数、综合评价模型和评价者。综合评价的一般步骤如下：明确评价目的;确定被评价对象;建立评价指标体系（包括评价指标的原始值、评价指标的若干预处理等）;确定与各项评价指标相对应的权重系数;选择或构造综合评价模型;计算各系统的综合评价值，并给出综合评价结果。
2.1被评价对象
被评价对象就是综合评价问题中所研究的对象，或称为系统。
2.2评价指标
评价指标是反映被评价对象的运行状况的基本要素。通常的问题都是有多项指标构成，每一项指标都是从不同的侧面刻画系统所具有某种特征大小的一个度量。
2.3权重系数
每一综合评价的问题都有相应的评价目的，针对某种评价目的，各评价指标之间的相对重要性是不同的，评价指标之间的这种相对重要性的大小可以用权重系数来刻画。如果用 来表示评价指标 的权重系数，则应有 ，且 。 公式4
2.4综合评价模型
对于多指标（或多因素）的综合评价问题，就是要通过建立合适的综合评价数学模型将多个评价指标综合成为一个整体的综合评价指标，作为综合评价的依据，从而得到相应的评价结果。
2.5评价者
评价者是直接参与评价的人，可以是某一个人，也可以是一个团体。对于评价目的选择、评价指标体系确定、评价模型的建立和权重系数的确定都与评价者有关。
2.6评价目的
对某一事物开展综合评价，首先要明确为什么要综合评价，评价事物的哪一方面，评价的精确度要求如何，等等。
2.7评价结果
输出评价结果并解释其含义，依据评价结果进行决策。应该注意的是，应正确认识综合评价方法，公正看待评价结果。综合评价结果只具有相对意义，即只能用于性质相同的对象之间的比较和排序[2]。
按上述步骤，电网投资策略综合评价主要分为以下几步：首先按照经济指标、技术指标、社会指标以及环境指标分为四个方面进行研究，对已满足基本技术经济要求的规划备选方案集进行各个指标的评估计算;然后根据决策偏好对这些指标进行加权综合后得到备选方案的优劣排序，从而得到最优方案。
权重是综合评价中的一个重要的指标体系，合理地分配权重是量化评估的关键。因此，权重的构成是否合理，直接影响到评估的科学性。目前国内外关于评价指标权系数的确定方法有数十种之多，根据计算权系数时原始数据来源以及计算过程的不同，这些方法大致可分为三大类：一类为主观赋权法，一类为客观赋权法，一类为主客观综合集成赋权法。
主观赋权评估法采取定性的方法，由专家根据经验进行主观判断而得到权数，然后再对指标进行综合评估。如层次分析法、专家调查法（Delphi法）、模糊分析法、二项系数法、环比评分法、最小平方法、 序关系分析法（G1法）等方法。其中层次分析法（AHP法）是实际应用中使用得最多的方法，它将复杂问题层次化，将定性问题定量化。
客观赋权评估法则根据历史数据研究指标之间的相关关系或指标与评估结果的关系来进行综合评估。主要有最大熵技术法、主成分分析法、多目标规划法、拉开档次法、均方差法、变异系数法等方法。其中最大熵技术法用得较多，这种赋权法所使用的数据是决策矩阵，所确定的属性权重反映了属性值的离散程度。
理想的指标权重确定方法是综合主客观影响因素的综合集成赋权法，总体来说，经过对已有的综合集成赋权法进行对比分析发现，综合主客观影响因素的综合集成赋权法已有多种形式，但根据不同的原理，主要有以下三种：第一，使各评价对象综合评价值最大化为目标函数。第二，在各可选权重之间寻找一致或妥协，即极小化可能的权重跟各个基本权重之间的各自偏差。第三，使各评价对象综合评价值尽可能拉开档次，也即使各决策方案的综合评价值尽可能分散作为指导思想。
目前对于多指标的综合决策理论繁多，这些方法在进行多指标的权重计算时各有优缺点，在进行电网投资策略综合评价时，决策者可根据实际需求进行选择，对经济指标、技术指标、社会指标、环保指标进行合理科学的综合评价。
3.结语
电网投资策略综合评价体系的建立，使得在不确定性水平大幅增高的情况下对电网投资的全面综合评估成为一种可能，使得在电网投资策略的制定与管理方面获得必备的理论及数据支持。本文研究的电网投资策略综合评价体系，立足于区域电力系统的多不确定性、高风险等特点，能够充分量化表征备选投资方案在经济性、技术性、社会性、环保性等多方面性能的优劣程度，从而有效指导电网投资规划方案的综合评估与决策。
电网投资策略综合评价体系是为了适应管理现代化、科学化、精细化的要求，完善电网企业投资项目的管理程序，提高电网项目的管理水平而产生的，该体系可以减轻相关业务人员面对数量庞大、过程复杂的电网投资项目的技术经济分析评价工作，为电网投资项目的决策者、管理者、建设者和运营人员应用合理的方法和策略，提供科学依据与参考。通过电网投资策略综合评价体系的研究，使工程项目的决策者、管理者、建设者和运营者提高决策、管理、建设和运营水平;进一步完善电网企业的项目决策程序，提高投资项目的决策管理水平[3]。
参考文献：
[1] 曾斌峰，谢传胜，杨晓东.电网建设项目投资效果考核[J].中国电力教育，管理论丛与教育研究专刊，2007： 260-261.
量化投资策略分析范文3
最近一段时间，债市、股市接连走弱。截至2016年12月16日，上证指数累计跌幅为3.91%，创业板指累计跌幅为8.47%，如下图所示。在股市下挫的背景下，大部分采取主动管理的权益类基金净值纷纷走低，同期股票型基金平均净值损失幅度为4.17%，混合型基金平均净值损失幅度为2.82%，混合基金中股票投资仓位为0～95%，且主要进行股票投资的“高度灵配――相对业绩比较基准”类别的净值损失幅度为3.78%。由此可见，股市整体小幅震荡的格局下，各大类基金净值皆有所下滑，未有大类能够逆势上涨。
目前，市场基金存量较多，按照法定分类已不能充分体现基金投资方向的特性。因此，济安金信基金评价中心将公募基金按照投资范围、投资策略等维度进行特色分类。根据济安金信基金评价中心的特色分类统计，量化基金表现突出，该类基金2016年以来的平均净值增长率为1.64%，整体盈利能力较强，且最大回撤较小。
量化基金稳定盈利，各区间业绩优异
根据济安金信基金评价中心的统计，截至2016年12月16日，量化基金在过去1个月、3个月、6个月的平均净值增长率分别为-2.00%、2.38%、10.73%。可以看出，该类基金净值上涨的过程较为稳定平滑，这主要基于其投资策略。多数量化基金的股票选择行为都是基于投资模型而定，坚持数量化的投资策略，专注投资价值低估的股票。这种完全基于模型的数量化投资方法既能更加客观和理性地分析和筛选股票，还能保证不受外部分析师的影响，极大地减少了投资者情绪对基金投资运作的影响，从而保持投资策略的一致性与有效性，使其具有较强的盈利能力。
据笔者统计，现市场上多数量化基金的持仓特点是“持股数量多，重仓股集中度低”。根据基金半年报及年报的股票投资明细，大部分量化基金持仓股票数量在80只以上，且持有市值占基金资产比重较小，投资分散有助于增加抗风险能力，同时平滑了基金的收益，有益于基金净值的稳定，如选股模型较为符合市场形势，则实现较为稳定盈利的可能性较大。
具体来看，目前市场上共有54只采用量化投资策略的公募基金，其中2016年以来具有完整运作周期的共有34只，在2016年以来净值实现上涨的共有24只，占比70.59%。其中，净值增长率排名第1的为长信量化先锋混合，其2016年以来的净值增长率为15.05%。该基金管理公司旗下还有长信量化中小盘股票及长信量化多策略股票两只量化基金，这3只量化基金2016年的表现均较为突出，实现了逆势上涨，且都在量化基金排行的前10名中，3只产品均由基金经理左金宝管理，如表1所示。从其净值表现来看，长信基金管理公司的量化投资模型较为成功，赢得了市场的认可，投资者可对该管理公司旗下的量化产品多加关注。
资金面偏紧，债市承压，需谨慎看待债券基金
进入2016年12月中旬，银行间市场资金价格不断走高、信贷数据不及预期等因素使得银行间债市及5年期、10年期国债期货再度遭遇大跌。此外，银行间拆借利率、隔夜回购利率不断走高，这意味着短期内资金面承压较大，债券市场的走弱使得债券基金的净值走势呈下行趋势，即使新基金发行也频频延长募集期限的公告。海外方面，美联储加息落地，人民币贬值预期持续，年末期资金利率走高，跨年资金上涨尤为明显，逆回购利率品种多数上行，上海银行间同业拆放利率（Shibor）继续全线上涨。尤其值得注意的是，Shibor3个月期收报3.1774%，为2015年10月末以来的高位，并已连续上行41个交易日，创下2010年年底以来最长的连涨周期。另外，中央经济工作会议将2017年货币政策定义为稳健中性，以防范风险为首要，预期2017年货币投放可能比2016年更为谨慎。因此，资金面偏紧的状况短时间内难以改善，此时投资者应对债券市场及债券基金谨慎看待。
2016年年底，债市持续下跌，国债利率平均上行28基点，AAA级和AA级企业债利率平均上行50多个基点，中证转债指数大跌3.86%。周内交易日国债期货多个合约开盘后迅速出现跌停，为国债期货上市3年来首次。纯债基金整w收益水平出现一定回撤，同类基金业绩分化程度也较大，仍处于建仓期内的新基金和部分次新基金短期收益持续好于一些运作周期较长的产品。据笔者的跟踪统计，近几周收益水平较高的产品多为委外基金，甚至出现若干次由于大额赎回所至的净值暴涨，周内收益率超过10%的现象。对于个人投资者，笔者建议回避此类基金，在选择债券基金时，应多关注具备历史中长期业绩，投资运作较为成熟的品种。固定收益类基金累计净值增长率统计如表2所示。
量化投资策略分析范文4
【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.
量化投资策略分析范文5
“华富量子生命力基金自2011年成立以来，一直处于较弱的市场环境中，期间也有阶段性的比较好的表现，但总体来说没有给持有人带来正收益，深表歉意。公司看到了这一点，也一直在努力改变，今年三季度增聘了基金经理，改善了持股结构，逐步调整量化策略，以求找到更适应现阶段市场的量化模型，为持有人带来收益。”面对《投资者报》记者关于华富量子生命力基金业绩的质疑，华富基金公司的相关负责人表示了诚恳的歉意。
据Wind数据，截至今年12月3日，华富量子生命力基金经理朱蓓以负27%的任职总回报在244位同类基金经理中位居232名，另一位基金经理孔庆卿以负7%的任职总回报在357位同类基金经理中位居347名。
量化模型发掘大把牛股 分散投资业绩贡献打折
据了解，与传统的定性投资不同，华富量子生命力基金严格采用量化投资策略进行“择时”与“选股”的操作。其数量化投资策略由于借助高效的计算机系统对市场进行全方位的地毯式扫描，进而构建系统化的投资组合，并且遵守严格的投资纪律，因此可以弥补由于人的精力不足而造成的选择范围局限，最大限度扩大投资视野，并在第一时间发掘新的投资机会。
从实际效果来看，华富量子生命力也确实发掘了众多的大牛股。据Wind数据，从年初至今（11月22日），华富量子生命力第三季度末的十大重仓股中，浙报传媒（上涨176%）、上海钢联（上涨264%）、爱施德（上涨272%）、海越股份（上涨108%）、太极股份（上涨141%）5只股票涨幅均已翻番，然而，华富量子生命力的业绩回报却没有因为这些牛股而遥遥领先。
对此，华富基金相关负责人回答说：“量化投资是借助计算机系统，运用程序化的计算机模型进行全市场数据分析，用模型结论指导投资的一种投资方式。根据基金契约，华富量子生命力基金是一个运用量化模型指导投资的产品。每个模型对不同的市场环境都有不同的适应性，因为其分析基础是各种市场公开数据，所以从一般规律来看，量化投资的产品在震荡向上以及牛市行情中表现比较出挑，而在熊市行情中则普遍弱于市场。同时，量化投资产品持股分散度比较高，单个股票的占比都不高，从正面来看，是有效规避了风险，但同时个股涨幅对基金净值的贡献率也就相应降低了。”
量化投资成熟运用于国内A股还需时间
华富量子生命力基金的基金经理朱蓓，上海交通大学安泰管理学院硕士研究生，曾担任平安资产管理公司量化投资部助理投资经理。多年证券投资研究、保险公司投资从业经历。现任华富基金金融工程研究员、产品经理，华富量子生命力、华富中证100、华富中小板基金经理。
对于华富量子生命力目前的业绩不大理想。华富基金公司相关负责人解释说：“华富量子生命力基金自2011年成立以来，一直处于较弱的市场环境中，虽然期间也有阶段性的比较好的表现，但总体来说没有给持有人带来正收益，深表歉意。公司看到了这一点，也一直在努力改变，今年三季度增聘了基金经理，改善了持股结构，逐步调整量化策略，以求找到更适应现阶段市场的量化模型，为持有人带来收益。”参考华富基金旗下的其他基金业绩情况，今年以来的确收益不错，海通证券统计前三季度权益类基金综合净值增长率达38.07%，在所有基金公司中排名第五，说明华富基金对股票主动管理的能力还是可圈可点的。
量化投资策略分析范文6
随着沪港通的正式实施，中国股市交易量不断创历史新高。同时在世界石油价格持续降低的情况下，投资策略显得十分重要。为此，重点分析策略指数投资在股市投资中的运用。
关键词：
投资组合；股市；策略指数投资
中图分类号：
F83
文献标识码：A
文章编号：16723198（2015）09010803
1策略指数投资介绍
2014年末随着股市行情的走强，指数化产品迅速摆脱前几年净赎回的颓势，呈现爆发式快速增长。伴随着规模的迅速扩张，结构上也出现了一些变化。其中策略指数产品尤其引人关注。广发中证百发100指数基金在开放募集后2天即超过20亿元，显示市场对特定方式策略指数投资的热情追捧。策略指数投资，在国外又称为Smart Beta，即“聪明”的Beta，是相对于“传统”的Beta策略而存在的一种投资理念。传统认知上的Beta是指一种全市场投资组合的系统性风险，在CAPM中以全市场所有股票的市值加权方式计算（market capitalization weighted）。比如标普500指数、日经指数、以及在国内最具代表性的沪深300指数。通过简单的推演，就可以论证市值加权并非是最优的方法。市场对股票的定价并非完全有效，那么市值加权的方式倾向于给高估的股票以更高的权重，而低估的股票以更低的权重，显然这种方式并非是最优的。在这一点上，Hsu（2006）已经给出严格的论证。事实上，市值加权更加注重的是投资机会的市场容量（capacity），因此该类指数更多地被用作投资的业绩基准。那么，如果将投资组合更换成一种非市值加权的方式，其得到的beta就是smart beta，相关的投资策略就称为策略指数投资。这种smart beta指数中的股票权重往往是通过特定的量化算法获得，看起来投资效果会比传统的市值加权beta更加实用，相关的投资策略也往往会选择市值加权指数作为投资业绩的基准。
常见的Smart Beta策略包括价值策略、低波动策略、分散化策略、动量策略等。其中价值策略是以一些股票的价值指标为加权方式，目标是选择一些基本面满足特定属性的股票构成组合。比如基于财务基本面评分的基本面加权，或基于分红率的红利加权等。低波动策略的目标是构建一个最低或较低波动率的投资组合，通常包括最小方差目标加权、波动率倒数加权等方法。分散化策略的目的是提高组合中股票的分散度，应用最广的是等权重策略。动量策略在国外也是一种常见的策略，因为国外市场上验证发现动量因子非常有效，因此会选择以动量因子来作为股票选择和加权的方式，见表1。
据统计，美国近三年新发行的Smart Beta策略投资产品规模约在600亿美元，大致与市值加权的指数产品规模相当，策略也主要以红利、等权重、基本面、低波动为主。而国内近年来策略指数投资产品发展也非常迅速。中证指数公司针对主要的Smart Beta策略进行了验证，证明Smart Beta策略确实能大概率上击败以市值加权的沪深300指数。其中表现最好的是低波动相关策略，包括300最小方差、300低贝塔、300低波动。
2资产配置下的策略指数投资
根据经典的CAPM模型我们知道，股票资产的收益率取决于其承担的市场风险大小Beta，而无法被解释的部分则为Alpha。但随后的诸多研究发现，各种股票之间的Alpha具有异常的高相关性特征，或许存在市场因子以外的其他因素在影响股票资产的收益率。随后发展的Fama-French三因素模型提出在市场因子以外，价值因子和规模因子也是非常显著的。后来又将动量因子补充进来，从而形成四因素模型。
自此，风格因子投资的概念逐渐被学术界与投资界所广泛接受。事实上，自从1970年代以来，国外就开始萌生基于这种理念的主动投资管理。投资业界在三因素模型基础上开发了非常有效的线性因子投资模型，如Barra公司将国家地域因子、宏观因子、概念风险因子等逐步纳入到其风险评估模型中。随后，学术界又逐步发现了更多有效的风险和策略因子，如低波动率、低流动性、基本面因子等。人们也逐渐发现，原来投资界以往的诸多策略产品实际上并非是提供了有效的Alpha，而只不过是将各种风格因子的beta巧妙包装成投资能力的Alpha来推销给投资者。
在这样的视角上，资产配置投资就自然而然地成为投资方法的主流。我们对资产的看法不再是其表面上所呈现出来的风险与收益特征，而是其特定或持续暴露的风险因子敞口，比如价值因子敞口、规模因子敞口等。如果投资者能够设定自己的风险预算，明确其将在各种风险因子上的敞口，就可以从市场上选择合适的股票、策略指数产品，经过合理的搭配而形成组合。这样的投资组合在风险上是可控的，从而将投资引入了一个新的配置时代。
因此，基于特定量化策略的Smart Beta策略指数投资开始风靡。这些指数投资产品不仅能够提供超越传统Beta的收益表现，更重要的是它们满足了投资者的资产配置需求。这些产品的透明性好、费用低廉，并且突出地暴露到某一个特定的风险因子上。比如在红利策略中，通常会选择那些分红率最高的股票进入组合，并给予高分红股票更高的权重，这样就使得组合在价值因子上产生了显著的风险敞口。在等权策略中，全部入选组合的股票无论市值大小都给予相同权重，从而导致小盘股获得比市值加权指数更高的权重，导致组合在规模因子上产生显著的风险敞口。波动率倒数加权策略则会给予波动率较低的股票更高的权重，从而整体上降低组合的波动性风险，因此也在波动率因子上产生显著的敞口。投资者在把握这些策略指数产品的风险特征后，就能够方便地构建自己的组合配置，反过来也促进了策略指数投资的快速兴起。
然而，Smart Beta策略指数产品也并非完全的“聪明”。在某一段时间内，也许特定的策略指数能战胜市值加权组合，使得它看起来非常“聪明”，但在另一段时间内该策略指数可能会落后市值加权组合，使得它看起来也不是那么“聪明”。这是因为策略指数产品通常会有严重的风险因子敞口，因此其业绩也随着风险因子的表现而起伏不定。可能有一些因子长期来看存在明显的超额收益，导致这些策略看起来非常具有吸引力。
针对几个主要的风险因子，测算了2006-2014年间的表现。表3中我们发现小盘因子是中国A股市场上长期表现最好的，但其波动率也比较大。价值因子、反转因子、基本面因子的长期表现也非常好。然而，表4测算了这些因子表现的相关性，发现各种因子之间的相关性非常低。并且单一因子的信息比率都无法达到2以上，这就表明单纯使用一个因子，即使是表现最好的小盘因子也依然无法达到满意的投资效果。
因此，风格偏向非常明显的策略指数投资产品也即往往会随着市场风格的切换而发生特别明显的波动。但是，如果投资者能够设定自己的风险预算约束，就能够合理地选择多个策略指数投资产品来构造自己的组合基金。组合基金利用不同产品风险敞口的低相关性来降低组合的波动风险。
3组合基金投资
组合基金是能充分利用策略指数投资产品的优势，同时又充分控制和分散风险的一种很好的方法。目前国内兴起的量化投资基金很多策略就是试图去搭配不同的风险因子，希望在控制一定的风险暴露基础上，追求更高的收益。然而我们发现，这些策略大多数仍然是存在明显的风险暴露。
我们选择2014年表现最好的三只公募基金：华泰柏瑞量化指数、大摩多因子、长信量化先锋。可以发现，虽然这三只基金在2014年、2013年表现较好，但在2011年、2012年里普遍较弱。其主要原因是这些基金普遍在小盘因子上有很强的暴露，2013-2014年里小盘因子表现很强，但2011-2012年里价值因子表现更好。表6拆解了三只基金的全部持仓的自由流通市值分布，不难看出大摩多因子与长信量化先锋在小盘股上偏向非常明显，而华泰柏瑞量化指数向小盘的偏离较小。
我们选择其中业绩记录较长的大摩多因子、长信量化先锋，另外搭配两只偏向价值的策略指数基金：华宝兴业上证180价值ETF、银河沪深300价值。以等权重在四个产品之间搭配，构造一个混合的组合基金投资产品（FOF）。
经过计算，不难看出两个偏向价值的基金产品在2011和2012年明显好于两只偏向小盘的量化产品，但在2013年和2014年里表现弱于量化产品。经过等权构造后，FOF组合在2011-2014年间均能取得正的超额收益，更重要的是其信息比率提升到了2.20，远远高于四只产品各自的信息比率，这说明经过搭配后，资产组合的收益风险表现得到了明显的提升。
4结论
策略指数投资的Smart Beta正逐渐成为市场上非常重要的一类产品，因其风格特征显著，在特定的市场环境下提供“聪明”的Beta收益而逐渐受到投资者的热捧。然而，单一投资策略指数产品并不能提供稳健的收益，可以考虑在资产配置的目标下合理搭配策略指数投资产品，获取更加稳健的收益。
参考文献
[1]郑鸣，李思哲.我国基金风格投资的积极风险补偿研究[J].厦门大学学报（哲学社会科学版），2010，（02）.
[2]蔡伟宏.我国股票市场行业指数超额联动的实证分析[J].南方经济，2006，（02）.
