前言：中文期刊网精心挑选了金融投资量化方法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。
金融投资量化方法范文1
【关键词】量化投资 特点 策略 发展
一、引言
量化投资在国外的实践已经有了40多年的发展，我国的量化投资起步较晚，从2004年开始出现量化投资的产品，由于缺乏有效的对冲手段，直到2010年4月沪深300股指期货上市之后才能算是真正意义上开始涉足量化投资。[1]
2015年的中国股市跌宕起伏，杠杆配资引发了大幅上涨和断崖式下跌，股市出现罕见的千股涨停、千股跌停、千股停牌的奇观，众多机构投资者和散户蒙受了巨大的损失。但其中少数量化投资基金在大幅波动的市场中却表现相对稳定。量化投资基金和量化对冲策略的稳健，很快引起了全市场的关注，也成为近期银行、券商、信托等机构追捧的新的产品模式。
在此背景下，作者在本文中对于量化投资的概念、特点、策略、理论基础和发展做一个总结，希望为量化投资研究和实践做一些参考。
二、量化投资解读
（一）量化投资的定义
量化投资在学术界并没有严格统一的定义，现有的定义对于量化投资的定义的侧重点各有不同。本文对于量化投资的定义为：
量化投资是指将投资者的投资思想或理念转化为数学模型，或者利用模型对于真实世界的情况进行模拟进而判断市场行为或趋势，并交由计算机进行具体的投资决策和实施的过程。
（二）量化投资的特点
1.投资决策中能够客观理性，克服人类心理对投资决策的影响。传统投资的分析决策，大多数方面都由人工完成，而人并非能做到完全理性，在进行投资决策时，很难不受市场情绪的影响。[2]量化投资运用模型对历史和当时市场上的数据进行分析检测，模型一经检验合格投入正式运行后，投资决策将交由计算机处理，一般情况下拒绝人为的干预，这样在进行投资决策时受人的情绪化的影响将很小，投资过程可以做到理性客观。
2.能够通过海量信息的大数据处理，提高投资决策效率。我国股票市场上有近3000只股票，与上市公司相关的各种信息纷繁复杂，包括政策、国内外经济指标、公司公告、研究报告等，投资者靠自己手工的筛选根本就是力不从心。量化投资的出现为这个问题的解决带来了希望。量化投资运用计算机技术快速处理大量数据，对其进行辨别、分析、找出数据之间的关联并做出投资决策，大大减少了人工的工作量，提高了投资决策效率。
3.能够实现精准投资。传统的投资方法中认为投资是一门艺术，投资决策需要的是投资者的经验和技术，投资者的主观评价起到决定作用。而量化投资有所不同，尤其是在套利策略中，它能做到精准投资。例如在股指期货套利的过程中，现货与股指期货如果存在较大的差异时就能进行套利，量化投资策略和交易技术会抓住精确的捕捉机会，进行套利交易来获利。另外，在控制头寸规模方面，传统的投资方法只能凭感觉，并没有具体的测算和界定，而量化投资必须要设定严格精确的标准。[3]
4.能够快速反应和决策，把握市场稍纵即逝的机会。量化投资往往利用高速计算机进行程序化交易，与人脑相比它能够迅速发现市场存在的信息并进行相应的处理，具有反应快速、把握市场稍纵即逝的机会的特点。量化投资在速度上最出色的运用就是高频交易，与低频交易相对，高频交易是通过高速计算机，在极短的时间内对市场的变化做出迅速的反应并完成交易。[4]
5.能够有效地控制风险，获取较为稳定的收益。与传统投资方式不同的是，量化投资在获得较高超额收益的同时能够更好地控制风险，业绩也更为稳定。相关研究显示，1996年至2005年期间，量化投资基金与以所有传统主动型投资基金和偏重于风险控制的传统主动型投资基金的信息比率对比情况中，量化投资基金的信息比率都是最高，说明量化投资相对于传统投资，能够在获得更高的超额收益的同时，有效地控制风险。
三、量化投资的策略
一般的量化投资的策略指的是用来实现投资理念或模拟市场行为判断趋势从而获取收益的模型。量化投资需要权衡收益、风险、交易成本、具体的执行等各个方面，一般情况下这些方面会形成相对独立的模块。有时候量化投资策略模型也会将风险、成本等方面融合在模型中。
（一）国外量化投资策略的分类
国外习惯上将量化投资的策略分成两大类，一类是阿尔法导向的策略，另一类是贝塔导向的策略。阿尔法策略（alpha strategy）是通过量化择时和调整投资组合中不同资产的头寸大小来获取收益的策略;贝塔策略（beta strategy）是通过量化的手段复制指数或者稍微的超出指数收益的策略。[6]相比而言，量化指数的贝塔策略相对更容易，所以一般情况下所说的量化投资的策略指的是阿尔法策略（alpha strategy）。
阿尔法策略主要有两种类型，分别为理论驱动模型和数据驱动模型。
理论驱动模型是比较常见的类型，这些策略是运用已经存在的经济、金融学的理论，构建策略模型，进行投资决策。理论驱动模型根据输入的数据的不同可以进一步分类，主要有基于价格相关数据的策略和基于基本面数据的策略。
数据驱动模型广泛的被运用于股票、期货和外汇市场，因为采用的数学工具更为复杂，相对而言难于理解，目前使用的还不是很多。与理论驱动模型不同，数据驱动模型认为进行投资决策其实是不需要理论的支持，运用数据挖掘技术，可以从数据（例如交易所的价格数据）中识别出某种行为模式或市场趋势，进而进行预测或者解释未来的模式，从中获取收益。
（二）我国量化投资策略的分类
国内比较常见的量化投资策略主要有两种分类方式，一种是按投资标的所在市场分类区分的量化投资策略，分为现货市场和衍生品市场量化投资策略。现货市场包括股票市场、ETF市场和债券市场，衍生品市场包括商品期货市场、股指期货市场、国债期货市场、外汇市场和期权与其他衍生品市场，国内运用较多的是投资于商品期货和股指期货等期货市场。
另一种分类方式是分为两大类：判断趋势的单边投机策略和判断波动率的套利交易策略。[7]单边投机策略主要包括量化选股和量化择时，套利交易策略主要包括股指期货套利、商品期货套利、统计套利、期权套利、另类套利策略等，目前国内普遍采用的是这种分类方式。
四、量化投资理论的发展
（一）投资理论的发展
量化投资的理论基础最早可以追溯到上个世纪50年代，Markowitz（1952）[8]第一次把数理工具引入到金融研究领域，提出了均值――方差模型和风险报酬与有效前沿的相关概念，这是量化投资接受的最早的严肃的学术成果。Sharpe（1964）[9]、Litner（1965）[10]、Mossin（1966）[11]在马克维茨研究的基础上得出了资本资产定价模型（CAPM），这是如今度量证券风险的基本的量化模型。
20世纪60年代，Samuelson（1965）与Fama（1965）[12]提出了有效市场假说（Efficient Markets Hypothesis，EMH），这为后来在新闻量化交易等方面提供了思路和理论支持。20世纪70年代，金融衍生品不断涌现，对于衍生品的定价成为当时研究的重点。Black和Scholes（1973）[13]将数学方法引入金融定价，他们建立了期权定价模型（B-S模型），为量化投资中对衍生品的定价奠定了理论基础。在该理论之后，Ross（1976）[14]根据无套利原则提出了套利定价理论（APT），该理论是资本资产定价模型（CAPM）的完善和发展，为量化投资中的多因素定价（选股）模型提供了基础，这也是Alpha套利的思想基础。
20世纪80年代，期权定价理论倒向微分方程求解;“金融工程”概念得以产生，金融工程着力于研究量化投资和量化交易。同期，学者们从有效市场理论的最基本假设着手，放宽了假设条件，形成了金融学的另一个重要的分支――行为金融学。
20世纪90年代，金融学家更加注重对于金融风险的管理，产生了诸多的数量化模型，其中最为著名的风险管理数量模型是VaR（Value at Risk）模型，这是量化投资对于风险控制的重要理论基础。[15]
20世纪末，数理金融对于数学工具的引入更加的迅速，其中最为重大的突破无疑是非线性科学在数理金融上的运用，非线性科学的出现为金融科学量化手段和方法论的研究提供了强有力的研究工具[16]，尤其在混合多种阿尔法模型而建立混合模型时是非常有效的一种技术。
（二）量化投资的数学和计算基础
量化投资策略模型的建立需要运用大量的数学和计算机方面的技术，主要有随机过程、人工智能、分形理论、小波分析、支持向量机等。[17]随机过程可以用于金融时序数列的预测，在现实中经常用于预测股市大盘，在投资组合模型构建的过程中，可以优化投资组合;人工智能的很多技术，例如专家系统、机器学习、神经网络、遗传算法等，可以运用于量化投资;分形理论用于时间序列进行预测分析;小波分析主要用于波型的处理，从而预测未来的走势;数据挖掘技术可以运用于数据驱动模型，还可以运用于设置模型的细节;支持向量机可以分析数据，识别模式，用于分类和回归分析。
五、国内外量化投资实践的发展
（一）国外量化投资实践的发展
本文认为量化投资在国外的发展已经经历了四个发展阶段：
1.第一阶段从1949年至1968年：对冲阶段。该阶段是量化投资的萌芽阶段，该阶段具体的量化投资实践很少，主要是为量化投资提供的理论基础和技术准备，量化投资脱胎于传统投资，对抗市场波动，通过对冲稳定Alpha收益，但收益率低了。
2.第二阶段从1969年至1974年：杠杆阶段。在该阶段，量化投资从理论走入了实践。在投资思路上，因为原本的Alpha策略收益有限，通过放杠杆扩大第一阶段的稳定收益。实践方面，1969年，前美国麻省理工学院数学系教授爱德华・索普（Ed Thorp）开办了第一个量化对冲基金，进行可转债套利，他是最早的量化投资的者使用者。1971年，巴莱克国际投资公司（BGI）发行了世界上第一只被动量化基金，标志着量化投资的真正开始。
3.第三阶段从1975年至2000年：多策略阶段。在这一阶段，虽有一定的挫折，但总体上量化投资得到了平稳的发展。在投资思路上，由于上一阶段通过杠杆放大收益的副作用产生，放大以后的波动率又增大，从而转向继续追求策略的稳定收益，具体的手段是采用多策略稳定收益。实践方面，1977年，美国的富国银行指数化跟踪了纽约交易所的1500只股票，成立了一只指数化基金，开启了数量化投资的新纪元。[18]1998年，据统计共有21只量化投资基金管理着80亿美元规模的资产。[19]
4.第四阶段从2000年至今：量化投资阶段。这一阶段，量化投资得到了迅猛的发展，并且发展的速度越来越快。投资思路上，运用量化工具，策略模型化，注重风险管理。在实践方面，在2008年全球金融危机以前，全球对冲基金的规模由2000年的3350亿美元在短短的7年时间内上升至危机发生前的1.95万亿美元，受美国次贷危机的影响全球对冲基金规模有较大的回落，直到2008年之后，在全球经济复苏的大背景下对冲基金规模才开始反弹。
（二）我国量化投资的发展
本文认为，到目前为止，我国量化投资的发展的主要经历了三个阶段：
1.第一阶段从2004年至2010年：起步阶段。在这一阶段，由于我国没有足够的金融工具，量化投资在我国发展缓慢。2004年8月，光大保德信发行“光大保德信量化股票”，该基金借鉴了外方股东量化投资管理理念，这是我国最早的涉足量化投资的产品。2010年4月16日，准备多年的沪深300股指期货的在中金所的上市，为许多对冲基金的产品提供了对冲工具，从此改变了以前我证券市场只能单边进行做多的情况。
2.第二阶段从2011年至2013年：成长阶段。2011年，被认为是我国量化对冲基金元年，[21]而随着股指期货、融资融券、ETF和分级基金的丰富和发展，券商资管、信托、基金专户和有限合伙制的量化对冲产品的发行不断出现，这个阶段的量化投资真正意义上开始发展，促使该阶段发展的直接原因就是股指期货的出现。[20]
3.第三阶段从2014年至今：迅猛发展阶段。2014年被认为是“值得载入我国私募基金史册的一年”，基金业协会推行私募基金管理人和产品的登记备案制，推动了私募基金的全面阳光化，加速了私募基金产品的发行，其中包括量化对冲型私募产品。2014年称得上我国量化对冲产品增长最迅速的一年，以私募基金为代表的各类机构在量化对冲产品上的规模均有很大的发展，部分金融机构全年销售的量化对冲基金规模超过了百亿。
2015年，上证50ETF期权于2月9日正式推出，这对于对我国的量化投资有着极大的促进作用。4月16日，上证50与中证500两只股指期货新品种的上市给量化投资带来更多的策略的运用，金融衍生品的不断丰富和发展，为量化投资提供更多的丰富对冲手段，也提供了更多的套利机会。
六、总结
量化投资的技术、策略、硬件设施条件都在飞速的发展，与传统的投资方式相比，量化投资有着自身的特点和优势。尤其是量化对冲产品，以其长期稳健的收益特征，成为目前“资产荒”下对信托、理财产品和固定收益产品良好的替代产品。未来随着我国股指期货、融资融券、国债期货、期权等金融产品的不断创新，以及股指期货市场未来逐步恢复正常，量化投资发展前景不可限量。
参考文献
[1]徐莉莉.量化投资在中国的发展现状[R].渤海证券研究所：金融工程专题研究报告，2012.
[2]廖佳.揭开量化基金的神秘面纱[J].金融博览（财富），2014，（11）：66-68.
[3]王力弘.浅议量化投资发展趋势及其对中国的启示[J].中国投资，2013，（02）：202.
[4]Durbin，M. All About High-Frequency Trading： The Easy Way To Get Started[M]. McGraw-Hill Press，2010.
[5]蒋瑛现，杨结，吴天宇，等.海外机构数量化投资的发展[R].国泰君安证券研究所：数量化系列研究报告，2008.
[6]Rishi K. Narang. Inside the Black Box： The Simple Truth about Quantitative Trading[M]. Wiley Press，2012.
[7]丁鹏.量化投资――策略与技术[M].北京：电子工业出版社，2014.
[8]Markowitz，H.M.. Portfolio Selection[J].Journal of Finance，1952，2：77-91.
[9]Sharpe，W.F. Capital asset prices： A theory of market equilibrium under conditions of risk[J]. Journal of Finance，1964，19（3）：425-442.
[10]Lintner. The valuation of risk assets and the selection of risky investments in stock portfolios and capital budgets[J].Review of Economics and Statistics，1965，47（1）：13-37.
[11]Mossin.Equilibrium in a Capital Asset Market[J]. Econometrica，1966，Vol.34（4）：768-783.
[12]Fama，Jensen，and Roll. Investor sentiment and Stock Returns[J]. Journal of Political Economy，1969，（12）34-36.
[13]Black Fischer，and Myron Scholes，1973.The Pricing of Options and Corporate Liabilities[J].Journal of Political Economy，1973，81（3）：637-654.
[14]Ross.The arbitrage theory of capital asset pricing[J].Journal of Economic Theory，1976，13（3）：341-360.
[15]Jorion，Philippe.Value at Risk：The New Benchmark for Managing Financial Risk （3rd ed.）[M]. McGraw-Hill Press，2006.
[16]戴军，葛新元.数量化投资技术综述[R].国信数量化投资技术系列报告，2008.
[17]丁鹏.量化投资与对冲基金入门[M].北京：电子工业出版社，2014.
[18]郭喜才.量化投资的发展及其监管[J].江西社会科学，2014，（03）：58-62.
[19]Ludwig B.，Chincarini. The Crisis of Crowding： Quant Copycats，Ugly Models，and the New Crash Normal[M]. Wiley Press，2013.
[20]曾业.2014年中国量化对冲私募基金年度报告[R].华宝证券：对冲基金专题报告，2015.
[21]严高剑.对冲基金与对冲策略起源、原理与A股市场实证分析[J].商业时代，2013，（12）：81-83.
金融投资量化方法范文2
胡俊敏是物理学博士，她是怎样跨专业从事投资行业？
她管理的博时特许价值基金，从2012年6月接手到年底，净值增长幅度居同类前20%，她是通过怎样的操作大幅提升基金业绩？
博时特许价值基金是量化基金，量化基金的操作又有怎样特点？
每日基金特邀胡俊敏博士，倾听她的人生经历和投资理念。
张学庆：从您的简历来看，是物理学博士，这是典型的理科学科，当然您后来又做过量化研究的工作，但您目前从事的工作是投资，是属于金融学这类范畴，这两个学科距离特别大。您之前研究的物理学、化学 ，对于投资有何帮助？
胡俊敏：当年念物理，现在做投资，不是事先计划好的，而是当时的历史环境造成的。我大学的时候是八十年代，中国还没有股市，我连股票是什么都没有概念。因为我比较喜欢跟数字打交道，就学了物理。去哈佛后，刚好碰上一些量化金融理论得到应用，华尔街需要有很强数理根基的人才。而由于美国经济不景气，教育经费不足，学术界又人才过剩，于是华尔街就吸引了大批的数学、统计或物理的博士。我在哈佛有机会初步了解到金融投资。
现在回头看，我学物理出身，做过材料研究，做过量化研究，现在做量化投资， 不是必经之路，但是确实每一段经历形成了我自己的知识结构，对我的投资理念的形成有不同程度的影响。
对于市场的理解。市场是否处于均衡的状态，金融界有很多争论。统计物理关于均衡非均衡态的理论以及量子力学的不确定原理我觉得一定程度上也适用于股票市场。股票市场不停地有新的信息，不同投资者对信息的接受和反馈不是瞬时的。另一方面，投资者行为与股价又是互相影响的，所以市场是处在一种不完全均衡的状态。市场过热现象也是不均衡态的一种表现。
数学统计上几率分布的概念在投资中是至关重要的。经常有投资者问我，你觉得下面一个月市场是涨还是跌，其实这是很难预测的，沪深300指数平均月收益为0.5%，但月波动率有9.1%，一个月的收益有2/3的几率分布在-8.6%到9.6%之间，波动性非常大。
逻辑思维方式和分析解决问题的能力。研究生的时候我做的是实验物理。就是通过对一些现象的观察和研究，找出规律，验证和发现基本原理。投资中由于信息多，频繁、且不完全，具备理性的逻辑思维和抓住问题本质的能力就非常重要。
张学庆：除了在学校中所学的知识，在后来工作中，还需要增加哪一方面的训练？才能成为一名合格的基金经理。
胡俊敏：量化基金经理需要的知识面比较广。除了比较强的数理基础和编程能力，下面几个方面的知识也是非常重要的。
基础金融知识：我业余选修金融方面的课，并通过准备CFA的考试补上金融知识的缺。争取到量化分析师的工作机会
量化投资管理：这有一整套理论框架。我当时在巴克莱资产管理公司任基金经理，有幸参加了《主动组合管理》作者Ron Kahn的课程。这本书被认为是量化投资的圣经。
行为金融：指由于投资者心理或思维偏差造成市场不有效的各种现象。量化投资之所以可行，就是因为股价由于各种原因而偏离其真实价格，有一定统计性规律可循。
市场经验：需要积累，我目前也在逐步积累A股市场的经验。
有志加入到量化投资行业中的朋友们可以针对各自的知识结构，制定出自己的准备计划。
张学庆： 您一个人管理5只基金，这可能得益于采用了量化的方法，同时管理五只基金，你会采取怎样的分配方法来统筹自己在五只基金间的精力分配？
胡俊敏：这就是量化投资的优势。首先，整个投资流程高度自动化、系统化。每天开盘前，所有基金及模型所需数据都已更新到基金管理系统里。其次，量化投资团队，基金经理后面有基金经理助理、量化分析师及IT的支持。基金经理只需将时间花在最关键的地方。具体讲，
量化基金，比如我管理的特许价值，以及和王红欣博士共同管理的裕富沪深300基金：更多的是模型管理，而不是个股管理。组合里的股票可能有上百只，但是我需要管理的是有二、三十信号构成的模型和一些组合构建的参数。需要交易的时候，可以根据模型用优化系统进行计算，我会检查模型结果是否正确，然后批量交易，而不是一个股票一个股票地分析、决定。。
张学庆： 您管理的基金比较多，有主动配置型，有被动配置型。能否给基金投资者一些建议，那类基金适合哪些投资者投资？
胡俊敏：特许价值基金是一只主动股票型基金，通过量化多因子选股模型在各行业内精选个股，以期获得长期跑赢市场的超额收益。风险要比纯被动或增强指数型基金高，但是超额收益的空间也高，适于有中等风险承受力，投资期间较长，对收益有较高要求的投资者，也可作为长期资产配置的一个成分。
张学庆：做为基金投资者，如果不看好市场，您认为他们有几个措施能够躲开市场风险。
胡俊敏：根本解决的方法是调整资产配置比例。如果对股票市场的未来不看好，那就降低在股票类资产的配置，将卖出的资金放到债券、其它投资品种、或现金上。因为对于市场的判断很难百发百中，所以在调整配置的时候即使不看好股票市场，仍然建议保留一定的股票类资产，市场走势常是不确定的。
同时，普通投资者择时的能力是比较差的。所以我给普通投资者的建议是1）采取定额定投的策略，牛熊市无阻的坚持投资。2）不要将所有的鸡蛋放在一个篮子里。分散投资，做长期资产配置。长期而言所承受的风险是有收益的。
张学庆： 博时特许价值现在规模是11亿，一个基金经理，他管理的资金到达多大规模之后，就会影响到业绩的增长，这也提醒投资者，选择基金时也要注意规模。
金融投资量化方法范文3
神勇的大奖章
量化投资向世人昭示，挤进超级富豪圈不是梦。对冲基金是量化投资应用最广泛的产品。在福布斯2013全球亿万富豪榜上，对冲基金经理在前1000名富豪里夺得了约21个席位，占比约达2%，更有4名进入了百强榜。
詹姆斯？西蒙斯的文艺复兴公司旗下的大奖章基金，在1998至2008年的20年时间内，年平均净回报率高达38.5%，创造了投资界的神话。西蒙斯本人也成为了20年内最佳赚钱基金经理，成为了新的对冲之王，直至今日，仍居福布斯亿万富豪榜的82位。
大奖章基金以短线操作为主，主要通过统计信息分析方法来判断外汇和债券短期的价格变化，尤其是市场的过激反应类，进行套利活动。这个短线究竟有多短呢，金融投资里面最短的短线的计量单位叫“一笔”，举个例子来说，每秒钟都有可能进行成百上千笔交易。
可以这样说，大奖章基金差不多是量化到头发丝的存在，但这也并不代表着，电脑已经取代了人的角色，成为了人的主宰。西蒙斯自己也曾表示，长期不变还能赚钱的模型是不存在的，模型必须要不断更新，这也完全是通过人来完成的。
黑天鹅击溃完美模型
谈到量化投资，美国长期资本作为最著名的投资案例，不得不提。
约翰？梅里韦瑟在1994年2月创立了美国长期资本公司（LTCM）。公司依托布莱克-舒尔斯-默顿的衍生工具标价理论，采用“市场中性”的交易策略，买入低估的有价证券、卖出高估的有价证券，进行套利活动。LTCM似乎窥探到了量化的奥秘，在1994至1997年，年投资回报率分别达到28.5%、42.8%和17%，净增长2.84倍。巨大的盈利能力让LTCM获得了资本市场的认可，也使梅里韦瑟获得了套利之父的荣誉。
1998年8月17日，黑天鹅降临了，LTCM遭遇了俄罗斯政府外债违约。这场危机引起了全球金融市场的动荡，投资者纷纷退出了发展中国家的市场，转向了美国、德国等风险小、质量高的债券。结果LTCM做错了方向，沽空的德国债券价格上涨，做多的发展中国家债券价格却下降，原本预期收敛的价差却在趋于发散，致使其在资本市场上的滑铁卢。虽然后来美国金融巨头出资接管了公司，但LTCM已是强弩之末，于2000年宣布倒闭清算。
私募专业人士指出，LTCM过于信任自身的投资策略组合，忽略了小概率事件，再加上过高的杠杆，都导致了它的最终灭亡。量化投资其实根本不存在永久的致富秘籍，也没有永葆青春的投资模型，随着市场效率的提升，IT技术的升级，任何投资策略与操作方法从短期或长期来看，都存在误区与漏洞，这时则需要人脑的与时俱进，让系统根据动态不确定的环境进行修正与完善。人脑与电脑应该是相互成全，而不是相互替代。
量化投资的“黑箱”
正如硬币有正反两面，可称得上是赚钱利器的量化投资，也会因计算机的频繁“发疯”面临巨大的投资风险，如华尔街巨头高盛的交易错单、美国第二大股票交易所纽约纳斯达克证券交易所3小时的停止交易、国内8·16乌龙指交易事件。量化投资的高频交易引发了人们对计算机潜在风险的担忧，但它就像血液循环系统一样，加速了资本市场的资金流动，是金融发展历程中不可缺少的。“我们不能因噎废食，因为一个系统的BUG，就舍弃了整个系统。”首善财富管理集团（以下简称首善财富）表示，随着金融产品种类的增多，信息跟踪量的增大，对量化投资的需求也会不断增大。从管理和控制风险的角度来说，这不仅需要投资公司自身完善风控体系，还需要整个产业链的配合。首善财富董事长吴正新曾多次指出，“对冲基金将是中国证券市场最大赢家，而它们多大量采用复杂的量化模型进行程序化交易。”
所谓量化投资，就是指按照事先设定好的逻辑策略或数学公式进行投资，文艺复兴技术公司与美国长期资本公司也都是这样做的。从广义的层次来说，一切使用数学工具、电脑程序的投资方式都包含在量化投资的范畴。其中，争议不断的高频交易本质上是用来消除市场暂时出现的无效率的，它可以促进市场价格更快地反映市场信息。全球最大的知名高频交易公司包括Millennium， DE Shaw， Worldquant和Renaissance Technologies等。
虽然量化投资由于稳定的投资回报获得了越来越多的投资者的青睐，但是投资大众对量化投资的运作流程依然很模糊，这样“黑箱”也就形成了。量化投资的“黑箱”里到底承载着什么奥秘呢？
据华尔街顶级数量金融专家里什？纳兰揭秘，量化投资“黑箱”的基本结构包括人工的数据输入与研究、交易策略模型、风险控制模型、交易成本模型、投资组合构建模型，其中四项构成了交易系统。
如何让量化投资“活”起来？答案是人工的数据输入与研究，和交易系统的配合。通常认为，量化交易最小化了人工因素在系统中的作用，当量化交易员精心研究和开发的系统上线，他们似乎也就英雄再无用武之地。其实不然，计算机只会忠实可靠地按照人们告诉它的做法一步一步地来执行，伴随着时间与市场的不断演进，交易模型瑕疵也将不断扩大，这时量化交易员的主观判断显得尤为重要，人工因素的加入使量化投资具有了人类的正常思维，似乎“活”起来，可以主动灵活地应对外界的瞬息万变。也就是说，一旦市场触发了系统的难以判断的“恐慌”，交易员就会立即现身，通过修改交易清单或降低投资组合规模和相应的杠杆比率，来规避投资的风险。
MOM让量化投资活起来
如今，MOM模式成为欧美主流的资产管理模式，也将是量化投资界人脑与电脑结合的最佳作品。
作为一种间接的资产管理模式MOM（即Manager of Managers）诞生在美国罗素资产管理公司。它的客户可以是机构投资者，也可以是高净值个人。自从被开发出来，已被国外很多机构应用，最成功的当属耶鲁大学基金会，从1980年的两亿美金到了现在的约300亿美金，赚了将近150倍。
所谓MOM模式，也被称为精选多元管理人，通过优中选优的方法，筛选基金管理人或资产管理人，让这些最顶尖的专业人士来管理资产，而自身则通过动态地跟踪、监督、管理他们，及时调整资产配置方案，来收获利益。
“找最优秀的人做最专业的事。”首善财富董事长吴正新指出了MOM模式的本质。首善财富旗下的首善国际资产管理有限公司是国内第一家运用MOM模式做对冲基金和期货的公司，这正得益于其不懈地将技术与研究的双轮驱动作为公司的核心发展战略。
MOM模式降世不过30载，但发展非常迅速，得到了众多国内外投资公司的关注。尚属新鲜事物的MOM模式的相关产品在国内已经开始试水。在2011年中国平安与罗素公司合作设立了平安罗素，并发行了第一期的MOM产品。除此之外，MOM模式还可广泛应用于对冲基金与期货产品。“国内期货资管行业要做大做强，采用MOM模式是一种必然选择。”吴正新也曾表示。
禁不住MOM模式产品的诱惑，国内各投资公司纷纷对它的本土化做出了预先安排。“目前和我们合作的有十多个国内领先、国际一流的投资团队，其中大多是国际水平的程序化交易团队。”吴正新表示，首善财富早在引进MOM模式之际就采取了多元的投资风格与多元的管理团队相结合的经营理念。其中，多元的投资风格是首善财富资产管理的核心特色之一，“我们既有主观的人工交易，也有客观的程序化交易，而且以量化的程序化交易为主。”相对而言，多元的管理团队，即表示公司内部自身的投资团队的主动管理，再加上外部国际精英团队的专业管理。
相比近些年受到推崇的基金中的基金（FOF），信托中的信托（TOT），MOM模式在对资产管理人的数量与专业性的覆盖层面，更具魅力。FOF和TOT从本质上来说依然局限在精选产品上，而MOM模式更偏向于精选管理人，它可以凭借公司的研究能力，相对独立的挑选出更适合投资需求的专业管理人，运用定量与定性相结合的方法，将优选产品管理人和多人管理风险的双重优势发挥得淋漓尽致。
MOM模式既运用多元专业人才打破了量化投资的固有形态，也通过计算机系统的理性判断避免了交易员敏捷感应赢利却迟缓反应损失的习惯性偏差，让专业人才与计算机系统在“黑箱”内相互成全，相互配合，以求收获更加稳定、更加高额的投资回报，使其具有很大的发展空间与潜力。
如此看来，人工的数据输入与研究，和交易系统的互相成全，是量化投资“活”起来的动因，与此同时，在这个神秘的暗箱操作中，我们似乎也窥探到了超级富豪理财的蛛丝马迹。
金融投资量化方法范文4
量化交易到底是什么？
说到量化交易，虽不陌生，但仍懵懂。到底什么是量化交易呢？
量化交易区别于定性投资（过去的投资方法）的鲜明特征，就是充分利用各种各样的数理模型。它是借助现代统计学和数学的方法，利用计算机技术，从庞大的历史数据中海选能带来超额收益的多种“大概率”事件，然后制定策略，并用数量模型验证及固化这些规律和策略，继而再严格执行这些已固化的策略来指导投资，以求获得可持续的、稳定且高于平均的超额回报。
对于量化交易中模型与人到底是什么关系？比如中医与西医的诊疗方法，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；而西医就不同了，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。
以此形容的话，可以说定性投资像中医，更多地凭主观臆断和个人经验判断病在哪里；量化交易像西医，依靠数量模型判断，而这些模型对于使用量化交易的投资者的作用就像CT机对于医生的作用。在每一天的投资运作之前，一般都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。
量化交易靠概率取胜
和传统投资方式相比，量化交易的视角更广，它借助计算机高效、准确地处理海量信息，更广泛地寻找和验证投资机会，消除投资组合配置的局限性，并依靠计算机配置投资组合，克服人性弱点，使投资决策更科学、更理性。
具体来说，这个新兴的投资方法，与我们那些传统的看指标判断、听消息判断、简单看财务报表判断等定性投资方法相比较，主要有以下几大优势：
量化交易有着严格的纪律性。比如，如果有人问你，某年某月某一天，你为什么购买某支股票的话，你就可以打开量化交易系统，系统会显示出当时被选择的这只股票与其他股票在成长面上、估值上、资金上、买卖时机上的综合评价情况，而且这个评价会非常全面，比普通投资者拍脑袋或者简单看某一个指标买卖更具有说服力。
它系统性较完备，具体表现为“三多”，包括多层次、多角度、多数据。因为人脑处理信息的能力是有限的，当一个资本市场只有100只股票，这对定性投资基金经理有优势，他可以深刻分析这100家公司。但当有成千上万只股票时，量化交易就可以充分发挥它强大的信息处理优势，捕捉更多、拓展更大的投资机会。
另外，定性投资大部分时间在琢磨哪一个企业是伟大的企业，那个股票是可以翻倍的股票，而量化交易大部分精力花在分析哪里是估值洼地，哪一个品种被低估了，买入低估的，卖出高估的。
量化交易靠概率取胜。这表现为两个方面，首先量化投资不断地从历史中挖掘，有望在未来重复的历史规律，并且加以利用。其次它在股票实际操作过程中，运用概率分析，提高买卖成功的概率和仓位控制。
量化投资者也有噩梦
事实上，量化交易的方法在海外已有30多年的发展历史，素以投资业绩稳定，抗风险能力强著称，目前已经成为海外基金管理投资市场的重要方法。
而与海外成熟市场相比，量化交易以基本面分析为驱动，以全市场、多维度的视角广度扫描投资机会，在中国市场的应用将更显其优势。
不过，在谈及这么多利好之后，还是要“泼一次冷水”。不要以为不停闪烁的超级电脑自动进行着高速交易，荧幕上滚动着通过高速网络提前获取的最新市场消息，加上通过杠杆放大的头寸，账户的盈利不断上跳，这一切的一切就预示着“可以躺着赚钱的时代”来临了，现实并没有这么美好。
相对来说，量化交易目前还处在初级发展阶段，比如基本面投资者只需简单的基于预测特定事件，比如超过或差于预期的财报做交易即可。而量化交易者则需要搞清楚具体消息对股价的平均影响程度，这就不是一件容易的事了，因为你的研究对象时刻还在变化着。
不仅如此，研究出一套只基于公司财报的交易系统不难，比如基于超出预期的营收或股息来买入。但是供给面的情况、消费者层面的情绪纳入交易模型中，也比较麻烦。
同时，股票、基本面、新闻消息之间的关系也是不停变化着的。记得2009年美股到达低点的时候，很多“低质”公司的回报大大高于“优质”公司的回报。很多3块钱的“垃圾股”可以在很短时间内涨到10块钱，而高价的优质公司的股票想要翻一倍都要花上很久很久。对于基本面投资者来说，这是掘金的好时候，但对于量化投资者来说却是噩梦，因为大多数模型此时都会显示做多“优质股”做空“垃圾股”，后果则可想而知。
另外，量化交易员的精力也是有限的。计算机的消息格式往往不规范，语法也千奇百怪，他们也无法让计算机程序挑选出有效信息并运用于自动交易中。一天只有24个小时，他们也会经常碰到因一个分析无法推进而其他分析也陷入停顿的状况。因此，要在浩如烟海的金融数据中“寻宝”，没那么简单。
金融投资量化方法范文5
摘 要 自2010年4月股指期货推出后，数量化投资逐渐成为我国资本市场的一个热点。对此，本文以投资者熟知的MACD指标为基础，运用遗传算法和模拟退火算法，建立了一个数量化投资模型。该模型的仿真投资收益明显超出大盘，而风险明显低于大盘。本文基于MACD指标建立数量化投资模型的方法简单、有效，可操作性强，可方便地推广至其他技术指标，在数量化投资领域中可能具有广泛的发展前景。
关键词 数量化投资 MACD 遗传算法 模拟退火算法
一、研究背景
与传统投资基于各方面信息和个人判断进行操作不同，数量化投资将适当的金融理论、投资经验等反映在数量模型中，然后利用程序软件代替大脑对海量信息进行科学处理，总结归纳市场规律，最终建立可以重复使用的、不依靠个人主观判断的投资策略。
由于数量化投资的操作策略往往经过了严格的验证，具有较强的系统性和规范性，主观随意性较少，风险可测可控，因此随着计算机数据处理能力的迅速提高，数量化投资获得了快速发展，数量化基金的规模亦迅速扩大。据统计，自2003年以来，数量化基金规模的年均增长速度高达15%，而传统型基金规模的增长速度则低于5%。
很显然，科学的数量模型是数量化投资成败的关键。当前，主流的数量模型均考虑了多方面的因素，既包括各种基本面因素，又包括各种技术因素，涉及较为高深的经济学、金融学、技术分析等知识，模型都比较复杂，理解难度较高，甚至令人望而生畏。对此，本文以人们熟知的技术指标为基础，通过引入遗传算法和模拟退火算法对参数进行优化，建立了一种较为简单、有效的数量模型构建方法，希望能为推动我国刚刚起步的数量化投资发展有所帮助。
二、模型框架
由于MACD指标以经平滑后的股票价格为基础，而股票价格包含了绝大部分的基本信息和技术信息，因此本文以MACD指标为基础研究建立相应的数量化投资模型。
（一）MACD公式
MACD是投资者最熟悉的技术指标之一，主要包括EMA、DIF和DEA三个指标，涉及一个已知变量（收盘价P）和三个未知参数（ 和 ），公式较为简单。
（二）决策准则
虽然MACD指标的运用方式有很多种，既存在对指标值的应用（如比较DIF和DEA的大小），又存在对形态的应用（如底背离、顶背离等）。对此，本文制定的决策准则相当简单，即：
时，做多
时，做空
三、模型参数优化
（一）参数的科学取值是决定MACD指标投资决策价值的一个关键因素
在一般的技术分析参考书和交易软件中， 和 通常取12、26和9。然而，该取值并不是最优的。
例如，以2005年1月5日至2010年12月31的沪深300指数为例，根据（公式1）和（公式2），做多业务在 和 取值12、26和9时，可获得的投资收益为230.55%（收益①）；而在 和 取40、195、130时，可获得的投资收益为651.98%（收益②）。
因此，参数取值是否合理决定了使用MACD指标进行投资决策时投资收益的高低，决定了MACD指标的投资决策价值。
（二）人工智能算法在技术指标参数优化领域中的突出优势
运用MACD指标建立数量化投资模型的关键在于对公式中的三个参数进行优化。然而，虽然参数取值与投资收益间存在确定的函数关系，但该关系并不能用一个表达式予以直接阐述，因此传统的解析方法在此并不适用。而其他传统方法如随机法和穷举法的优化效率不高。在此情况下，可运用人工智能算法有效解决此类优化难题。
遗传算法（Genetic Algorithms）和模拟退火算法（Simulated Annealing Algorithms）是人工智能的重要分支，两者均从一定的初始值开始，按照明确的规则搜索最优解，并不要求目标函数存在明确的表达式，且具有高效、鲁棒性强等特点。由于技术指标参数与投资收益间的关系相当复杂，不存在明确的函数关系式，因此遗传算法和模拟退火算法在技术指标参数优化领域中具有很高的应用价值。
此外，遗传算法和模拟退火算法的基本原理和运算过程虽然较为复杂，但其运用却相当简单，MATLAB等数据处理软件均提供了现成的工具箱供用户方便地使用，且即使不掌握参数优化的原理和运算过程，也不会对数量模型的研究产生重大影响，因此运用遗传算法和模拟退火算法对技术指标参数进行优化的可操作性强。
（三）遗传算法和模拟退火算法应用举例
1.MATLAB指令
假设投资收益R和参数 、 间的关系为R=gain( 、 )，则MATLAB的遗传算法指令和模拟退火算法指令分别为：
[x,fval] = ga(@gain,nvars, [],[],[],[],lb,ub,[],options)；
[x,fval] = simulannealbnd(@gain,x0,lb,ub,options)。
其中：
x和fval是程序返回值，分别为参数 、 的最优化取值及其所对应的投资收益；
gain是目标函数，可根据（公式1）、（公式2）和（公式3）编写；
nvars是待优化的参数个数；
x0是参数 、 的初始值；
lb是参数的下界；
ub是参数的上界；
options是MATLAB指令的设置选项。
金融投资量化方法范文6
从开始的分级基金到如今的量化对冲专户，银华量化投资团队在量化投资的本土化上进行了卓有成效的尝试。如今，银华分级基金规模已经占到市场一半左右份额，而量化对冲专户的规模也已超过10亿元。时间和专户业绩证明了银华量化团队卓越的投资管理能力。2013年，银华量化对冲专户产品的费前平均年化收益超过15%，最高的账户则超过30%。
周毅认为，在中国，量化对冲产品有着广泛的客户基础，只要做好产品和策略，满足客户的投资需求，量化对冲产品将有十分广阔的发展空间。目前，银华在量化对冲策略的本土化上，已经取得了显著的先发优势，随着监管制度的变革以及金融工具的发展，量化对冲事业的春天已经到来。
步步为营 四年精磨优秀团队
2010-2011年，周毅以分级基金作为量化投资的突破口，带领银华量化团队初战告捷。当年，银华的分级基金一鸣惊人，获得了不可动摇的市场地位，也为此后银华的量化之路提供了市场认可度和基础支持。
2012年，周毅向着量化投资本土化进一步迈进，从量化专户开始尝试绝对收益。团队先后建立了侧重阿尔法策略和套利策略的研究小组。
2013年，来自银行渠道的数据显示，银华基金管理的量化对冲专户扣除全部费用后的平均收益率达到12.65%，净值波动率却仅为沪深300指数的1/4，而夏普比率则高达1.95，创造了稳定的绝对收益。
成绩的取得与银华基金量化团队的打造是密不可分的。周毅介绍，2010年，银华基金最早在国内设立量化投资部。2013年，银华量化的团队架构已经相对完整、人才配置齐全，团队中的骨干力量均有海外留学经历和多年海外量化投资相关工作经验。在天时、地利、人和齐备的机遇之下，银华量化团队逐渐发展完善，并在实战中得到了锻炼。
信托“破刚”独门策略巧夺市场
2014年，周毅看中了信托业拐点带给量化对冲的好时机。
周毅认为，信托与量化对冲，看似毫无相关性，但实际上面对的是同一类投资者——追求稳定回报的高净值客户。
“过去几年，信托做得非常好，刚性兑付带来了低风险下的高回报。投资者更热衷于信托产品，而对冲基金则相对显得冷门。”周毅说。
而到了2014年，事情正在发生变化。对非标投资的控制让信托业走入瓶颈，2013年底，信托发展所依赖的房地产业和矿业进入衰退周期，多只信托产品出现兑付危机，打破“信托刚性兑付”的呼声也越来越高，这意味着其投资属性正在改变。
周毅认为，面对这种趋势，未来可能有一部分投资者将从信托产品中脱离，转而选择新的投资方向。而对冲基金相对来说是个新兴投资工具，需要向客户证明自己的绝对收益能力和风控能力。“对于任何新兴的投资种类，重要的是你有过硬的管理业绩，以数字证明自己。”周毅说。
目前银华量化对冲专户产品的投资策略大概分为两种模式：阿尔法策略和套利策略。所谓阿尔法策略，是专注于创造绝对收益。根据A股市场的特点，银华将理论上的阿尔法策略进行了改造，以传统的主动型股票研究分析结果为基础，利用多因子模型来控制组合的风险和相关性，追求超越市场平均回报的绝对收益，为投资者提供持续稳定的阿尔法回报。
第二类策略是套利策略，即利用衍生品到期收敛特点进行套利。银华采用的多为分级基金套利。这种方法能够为组合贡献低风险收益。
不管是阿尔法策略还是套利策略，都不依赖择时，而是在所选的股票和放空的标的之间的相对强弱差上，赚取绝对收益。“对冲并不需要判断某个行业是涨还是跌，只是基于相对强弱，中间的差是回报。对指数也是同样的道理。”周毅介绍，“这也是国外对冲机构广泛使用的投资方法。”
当对冲投资策略程序一旦设定好，就像是一个冷静理性的基金经理，没有贪婪和恐惧等情绪。量化投资可能产生不了历史上最棒的基金经理，但是确实是一种回报稳定的投资方式。
对冲春天期待机制与产品创新
周毅表示，他十分期待中证500股指期货、个股期权以及股指期权的推出。他坚信，从发展趋势来讲，中国的衍生工具会越来越多，国外成熟的量化对冲投资模式未来在中国大有用武之地，同时量化投资管理的资金规模也会变大。
在目前的阶段，周毅并不认可过快提升对冲类产品的规模。国际经验表明，任何一个优秀的对冲基金公司的管理规模都是有上限的。不管多好的策略，它所能支持的资金量，所能支持的衍生品存货量和股票量都是有限的。
周毅测算，仅就目前的投资标的而言，银华团队可以有效管理的量化对冲基金规模极限或为50多亿元，而单只对冲基金的理想规模大约是5亿元左右。但随着中证500股指期货、股指期权等衍生工具诞生，这个规模会大幅增加。
