引论：我们为您整理了13篇金融量化策略范文，供您借鉴以丰富您的创作。它们是您写作时的宝贵资源，期望它们能够激发您的创作灵感，让您的文章更具深度。
篇1
水平型产业集群两化融合模式大致根据业务模式与运营模式来详细划分。在此基础上上也还可以再次细分。
业务模式分析
以市场开拓为主的业务模式。在水平型产业集群中，大多数企业都生产相同或相似产品，产品销路是最大问题。而网络营销、电子商务正好迎合中小企业开拓市场的需求。为此，在地方政府的支持下，一些服务机构建立了针对当地产业集群的电子商务平台，为产业集群内的中小企业开拓国内外市场提供市场信息、网络营销和电子商务服务。如中国搜丝网等。
以技术创新为主的业务模式。在水平型产业集群中，绝大多数企业都是中小企业。企业的技术研发力量一般都较弱，往往需要借助第三方力量来攻克技术难题，许多中小企业对公共技术平台有着强烈需求。在当地政府的推动下，为提升产业集群内的中小企业技术水平提供服务的一批中小企业公共技术平台应运而生，如顺德的华南家电研究院、三明的先进制造公共技术服务平台，澄海的玩具技术创新中心等。
以管理升级为主的业务模式。这种业务模式是指为产业集群内的中小企业提供管理软件在线应用服务。2008年国际金融危机以来，中小企业普遍暴露出管理不规范、管理手段落后等问题，亟待进行管理升级。中小企业缺信息化人才，又没有充裕的资金投资信息化。SaaS平台运营商将管理软件统一部署在服务器上，中小企业可以根据自己的实际需求，通过互联网应用管理软件。中小企业不需要购买管理软件，只需要支付少量的服务费，有效降低了中小企业的信息化门槛。
运营模式分析
面向中小企业的信息化公共服务平台是推进水平型产业集群两化融合的重要载体。从投资主体来看，水平型产业集群两化融合公共服务平台多数由地方政府出资，如大连市模具共性技术支持平台；有的由企业出资，如中国搜丝网；有的由科研院所出资，如顺德工业与信息技术研究中心。
从建设和运维方式来看，水平型产业集群两化融合公共服务平台分为自行建设和运维、委托建设和运维两种方式。对于政府部门投资的平台，一般由其下属事业单位负责建设和运维，如中小企业局下属的中小企业服务中心。对于企业和科研院所出资的平台，一般自行建设并自行运维，有的则把运维工作外包给专业机构。
从赢利模式来看，产业集群两化融合公共服务平台分为赢利性和非赢利性两类。绝大多数政府部门投资的平台，中小企业可以免费使用，收费的很少。而企业和科研院所出资的平台一般是赢利性的，收入来源包括广告费、会员费、增值服务费、交易佣金等。
水平型产业集群两化融合推进策略
通过对全国多个产业集群的实地调研以及对两化融合的深入研究，对如何推进水平型产业集群两化融合提出如下一些对策：
篇2
量化投资理论是从20世纪50年代由马克维茨创造性地提出了用均值方差最优的数字方法来选择最优投资组合。由于当时对数据的处理量过大而复杂，因此，直到1990年后随着计算机被广泛使用，以量化作为核心的投资基金才逐渐超越传统的基金。量化选股策略是针对中国股票市场特性，从众多的指标参数中找出能够较为合理解释股票收益率的有效且不冗余的因子，并根据这些因子在选股策略中所占的权重来构建量化投资策略。随着信息技术的日异发展，资本市场深化改革步伐加快，证券市场间同业经营，居民消费等领域也迎来了信息数据量呈现几何级数增加现状。运用大数据思维分析众多股民的知识结构、行为习惯对股票投资形式的认知而形成固有模式思维，“大数据”思维正以不同形式、路径的方式影响着证券选股策略。大数据技术的战略意义不在于其庞大的信息数据量，而在于对含有意义的数据根据建模权重进行专业量化处理，帮助大家对于股票进行优化选股有着重要研究意义。因此，基于大数据思维模式分析多因子量化选股策略更加适用这样的市场，给投资者提供更好的参考模型。
作为量化投资界的传奇人物詹姆斯・西蒙斯，他曾因“用公式打败市场”的故事在金融界中为人津津乐道。在1989年由他创办的基金成立至今的20年时间里，该基金持续地获得了每年平均35%（扣除费用后）净回报率，而同期被称为“股神”的巴菲特每年平均回报率也才大约在20%左右。即使在金融危机的2008年，该基金仍然获得了80%的高额回报，“最赚钱基金经理”对西蒙斯来说无出其右。
目前，国内对量化投资策略研究还比较少，做量化交易的基金也相对较少，投资者对量化投资仍持怀疑态度。另外，中国目前的资本市场还不完善，做空机制以及金融衍生工具相对较少，股票市场上仍然采用T+1的交易模式，这些都导致了量化投资在中国市场的发展弊端。但是，随着股指期货等新的做空金融衍生工具的推出，量化投资开始走入“中国大妈们”的视野。
运用量化思维投资证券选股策略在国外已有四五十年。量化投资从无到有一直是很神秘的，人们把它叫做“黑匣子”。但是，当时的量化投资证券选股策略大多仅仅是数学模型，并不是人们想象的那么神秘。量化投资证券选股策略之所以弄得这样神秘是因为：（1）是为了保护其知识产权，防止侵权；（2）是为了防止其策略扩散后影响整个投资比率的失衡，缩短该策略的寿命；（3）是为了控制投资风险，如果该策略细节被投资对立面获得，则有可能会造成被动的投资效果。因此，投资公司、基金经理是不会说出其量化投资策略的。这是由于金融动荡中如果没有好的投资策略及对风险的控制力就有可能把老本亏个精光。
随着时间流逝，任何投资策略的盈利模式都会被市场所消化，量化投资策略也会随着时间的变化而改变。在量化投资证券选股这方面，重要的不是策略这一表面形式，而是掌握量化投资证券选股的研究模式。大家不必要去追逐那些形式的数学公式、策略模型，而应该根据现在大数据时代下对海量证券股票信息的合理分析整合，去学习、改进新的证券选股模式，以适应未来发展需要。
大数据时代的到来也给新形势下运用多因子量化模式选股带来极佳的发展机遇。
篇3
有鉴于此，《投资者报》特别找出了三季度末仍然重仓银行股的基金名单，希望通过对其的详细梳理，能够对投资人借道基金坐享银行股牛势行情有所助益。
《投资者报》统计发现，三季度末仍重仓银行股的基金一共有230只。其中，持有仓位比例最高的是国泰上证180金融ETF、华夏上证金融地产ETF、华宝兴业上证180成长，均持有7只银行股，仓位全在40%以上，持有仓位分别是46%、44%、42%。
从近6个月净值增长来看，宝盈策略增长、工银瑞信金融地产、招商大盘蓝筹、新华钻石品质企业、诺安中小盘精选、新华优选分红、华泰柏瑞上证中小盘E、南方策略优化、大摩量化配置、易方达上证中盘ETF等10只基金位列净值增长前十。值得一提的是，这10只基金近6个月的净值增长均超过了30%。
工银瑞信金融地产暂时领先
从今年以来净值增长情况来看，工银瑞信金融地产在上述230只重仓银行股的基金中暂时领先。其今年以来的净值增长为45%，近一个季度净值增长19.83%，均位居230只重仓银行股基金第一。
从持仓股票来看，工银瑞信金融地产持有3只银行股，分别是318万股浦发银行、500万股光大银行、250万股交通银行。
从这3只银行股的涨幅来看，其年初至今的涨幅分别为24.5%、23.2%、29.5%。均未能跑过银行类板块指数年初至今32%的涨幅，显然向上空间还很大。从10日涨跌情况来看，上述3只银行股的近10日涨幅分别为11.52%、8.9%、8.41%。据此测算，这三只个股近10日分别为工银瑞信金融地产的净值增长供献了320万元、113万元、83万元，合计516万元的浮盈。
从同类排名来看，工银瑞信金融地产今年以来在365只同类基金中净值涨幅排名第7。这对于成立一年多、又是新人基金经理管理的基金来说，这样的成绩还是相当可以的。
公开资料显示，工银瑞信金融地产为双基金经理制，基金经理鄢耀，6年证券从业经验，先后在德勤华永会计师事务所担任高级审计员，中国国际金融公司分析员，2010年加入工银瑞信担任研究部研究员；另一基金经理王君正，5年证券从业经验。曾任泰达宏利基金公司研究员，2011年加入工银瑞信任研究部研究员。尽管两位基金经理均拥有多年证券从业经验，研究经历丰富，不过，该基金仍然是他们管理的首只基金。
与工银瑞信金融地产持有三只银行股不同，在上述230只重仓银行股中同样表现优异的宝盈策略增长，则仅持有了一只银行股――中信银行。对比其近一年来的持仓可以发现，截至去年年末，宝盈策略增长的前十大重仓股中没有中信银行的身影，到了今年一季度末，宝盈策略增长的前十大重仓股中已持有5000万股的中信银行，上半年加仓至5800万股。
从盘面来看，中信银行在2014年2月7日这周筑底完毕，随后展开了一波强势上攻，由3.57元每股一路上攻到2月28日这周的最高5.58元，上涨了56%。据此算出，宝盈策略成长在中信银行这只股票的建仓成本价应在4.5元附近。值得一提的是，截至今年三季度末，宝盈策略成长在中信银行股票上的持仓重新回到了5000万股，从盘面上来看，这期间中信银行一直处于横盘状态，宝盈策略成长的减持，更大可能是前期部分获利盘的落袋为安。
相关量化、ETF基金可高度关注
哪怕知道银行股要走出牛市行情，但要在16只上市银行股中选中涨得最高、涨得最快的龙头并不容易，特别是对于消息滞后、缺少时间的工薪族，经常是“只赚指数不赚钱”。这时，直接投资指数型基金或量化基金也就成为了更加实用的投资选择。
《投资者报》统计得来的数据也对上述观点形成了较为有力的支撑。据《投资者报》测算，230只重仓银行股的基金中，持仓仓位前十的基金分别为国泰上证180金融ETF、华夏上证金融地产ETF、华宝兴业上证180成长、海富通上证周期ETF、信诚中证800金融、华宝兴业上证180价值、建信上证社会责任ETF、国投瑞银沪深300金融、汇添富中证金融地产E、嘉实中证金融地产ETF。
其中，除了嘉实中证金融地产ETF持有银行股的仓位占比为29.63%外，另外9只基金持有银行股的仓位占比均超过30%。显然，如此高的仓位占比，一旦银行股板块大幅齐涨，这些基金的受益程度也将明显超过其他同类基金。
篇4
量化投资在股票市场的运用范围较广，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。周毅首战试水分级基金。这是在当时法规允许范围内可实现的融资性结构化产品，其A类份额具有类固定收益特征，B类份额具有杠杆特征，满足3类投资者的需求。
截至今日，银华共推出了3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）。据金牛理财网统计，这4只分级基金占据目前市场上分级基金规模的绝对优势，并且创造了多个第一：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。
看好中国量化投资“钱景”
不过，分级基金只是整个量化投资运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。”
2012年以来，银华的多只专户产品已经成功在A股市场上，综合运用以上两项策略。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，在美国运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
篇5
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）.
篇6
这个大佬就是量游投资创始人朱天华。我打开他的微信，签名“交易是统计游戏”赫然醒目呈现在那里，或许也是他公司名的来由。
朱总是哥伦比亚大学博士，有15年美国顶级投行经验，任美国高盛集团交易和销售部董事总经理。关键是在高盛，朱博负责金融产品量化、程式化和高频化的交易和策略，主管美国的国债期货、国债现货，包括利率期货、外汇、商品期货还曾任瑞士信贷全球自营部的总监、美国雷曼兄弟公司固定收益部副总裁和资深交易员、美国IDC固定收益和金融衍生品资深策略专家。
放眼华人量化投资圈，大概没几个人能有这样丰富而资深的背景了。
一般来说，回国创业的量化创业者有三类，第一类是像朱天华这样真正受过顶尖投行熏陶的扎实大牛，少之又少；第二类是海外大机构做过几年相关工作的，基本知道主要套路；第三类是非主流对冲基金合伙人，或是从策略转投资、从研究转投资的新人。
我后来与朱天华总共有过三面之缘，每次都在讲风控。
第一次见到朱总是上海交大高级金融学院的论坛上，当时话题还算应景――对冲基金在中国的困境与对策。朱总参加的是圆桌讨论环节，穿着松松垮垮的休闲外套，他个头略小，脸上不带微笑，神情略显沧桑。他说话虽声不大，但气场强烈，当时依稀记得的重要观点是：很多人太不敬畏投资了，不知道投资中的不确定性有多难控制。
第二次是在虹口区对冲基金园区附近一家酒店大堂。那时大概是2016年5月，听说朱总很久不见投资人了。我当时像平常一样咨询他一些问题，但我很快就发现，朱总交流起来有自己的频道。他说得更多的是一些形而上学的理念。
最后一次见他，是在去年底上海的一个对冲基金论坛上。他坐在前排一个有名牌的座位上，冷静地观察着这个热闹的世界，周围是喧闹的年轻人。他穿着还是一样朴素，一样不为人所注意，感觉整个人有些消瘦。看他提前要走，我与他打了个招呼，他依旧低调地浅浅一笑。
不过，短短的几次接触，发现朱总仍有几点交易原则值得借鉴。
1.分散化。多品种多交易方法。朱总坚持量化交易，他覆盖的交易品种有期货、股指、商品期权、分级、ETF等，他基本都在做一些多品种的交易策略。这与他在高盛时一脉相承，他当时负责金融产品量化、程式化和高频化的交易和策略，对美国国债期货、国债现货，包括利率期货、外汇、商品期货等各品种也非常精通。
2.寻求趋势相反机会。朱总偏重微观，偏重统计意义上的回归，在量化交易中尽量找一些与趋势策略相反机会的策略，与趋势模型做较好的组合补充。
3.永远敬畏风险。他信服凯恩斯所言的“市场保持不理性的时间可能比你保持不破产的时间更长”。至于具体方法，主要通过对海量数据风控解决方式。他说起过去美国白银市场，曾经从5元涨到80元，后来跌到10元、2元、1元，非常无法想象。他也提到当时高盛躲过次贷危机最强大的是其风控，在他看来，风控才是资产管理的灵魂。
4.人工智能是方向。2003年朱总在雷曼期间就接触了深度学习专家，拥有下棋人工智能，只是没feedback。现在可以通过Led work等神经网络实现策略复兴、优化，也可以通过非结构化思维，进行头寸与风险分配，主要通过历史数据，再用反馈测试。
总之，在朱总眼中，中国市场刚刚起步，阿尔法机会巨大。
篇7
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.
篇8
这些专户组合的投资过程，也是我们验证本土化量化对冲模型的过程。在实际运行的组合中，我们大体采取两种模式：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，我们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；第二类是套利策略，即利用衍生品到期收敛特点进行套利，在国内做得比较多的就是ETF和分级基金套利。这类套利策略基于市场的广度和速度，但囿于公募基金内部防火墙等监管规定的限制，我们采用的多为分级基金套利。这种方法绕开了高频交易对速度的极致追求，能够为组合贡献无风险收益。
篇9
一、如何选择国内现有平台
目前的量化交易平台可以从开发语言、技术架构、系统架构、策略方向、交易方式等几个方面，分为中低端和高端量化交易平台。
（一）中低端量化交易平台
中低端平台只支持复杂度不高的脚本语言实现策略逻辑，多数的实现只能在图表上加载技术指标进行自动化交易、程序化交易等量化交易方式。它一般采用的技术架构是投资者使用平台商提供的客户端软件，采用互联网接入方式连接平台商或者金融经纪公司提供的行情和基础数据服务器，投资者在本地运行的策略触发后，通过经纪公司的普通交易席位进行交易。国内应用的中低端量化交易平台主要有文华赢智程序化交易、交易开拓者、金字塔决策交易系统等。
（二）高端量化交易平台
高端量化平台除了支持复杂脚本语言实现策略逻辑外，均支持直接使用C++、JAVA等开发语言实现复杂的策略逻辑，采用多进程、多线程方式进行自动化交易、程序化交易、算法交易。行情和交易的延时都要求尽可能最低。它适合机构投资者进行趋势、套利、对冲、高频等对行情和交易要求高、逻辑复杂度高的策略。国内主流的高端量化交易平台主要有龙软DTS、国泰安量化投资平台、天软量化平台等。
总的来说，中低端平台适合投资者进行趋势、反趋势等对行情和交易逻辑要求不高的策略，高端交易平台适合机构投资者进行趋势、套利、对冲、高频等对行情和交易要求高、逻辑复杂度高的策略。同时不同的平台费用也不同，投资者必须根据自己的交易要求和费用承担能力来选择最适合自己的量化交易平台。
二、自己打造量化交易系统。
由于MATLAB、R语言这些新一代面向对象、功能强大的语言的出现，获取免费证券和期货的数据并不难，同时出于交易保密的要求，再加上使用功能强大的现有平台费用很高，越来越多的个人和中小机构选择自己或委托别人开发自己的量化交易系统。
（一）语言选择
很多大的机构都有自己软件团队开发量化交易平台，大多选择C语言、C++、JAVA等开发语言，有的甚至使用机器语言，但MATLAB、R语言逐渐成为主流的开发语言。
1.MATLAB简介：MATLAB的是美国MathWorks公司出品的商业数学软件，用于算法开发、数据分析以及数值计算，主要包括MATLAB和Simulink两大部分。其优势在于：用户可以利用MATLAB进行：（1）交易策略实现和回测、投资组合优化和分析。（2）资产分配、金融时序分析、期权价格和敏感度分析、现金流分析。（3）风险管理、预测和模拟、利率曲线拟合和期限结构建模。（4）Monte Carlo模拟、基于GARCH的波动性分析等
2.R语言：R语言是一个高效率的实验平台：通过R语言可以很高效的实现前沿paper的模型方法，同时R语言又提供与C，C++等传统语言工具的量化结合，作为免费开源的数据处理语言，至少几百名世界知名统计学家在算法上的支持，至少几百名世界顶尖的Fortran，C，C++数学库编程高手在代码上的支持，大数据计算平台的运算支撑，开放金融数据资源的免费接入，前沿期刊与代码工具的协同
（二）量化投资重要支撑：IT系统
一个高水准的量化交易系统，必须实现以下的4种功能：
1.历史数据统计后验。历史数据统计一般以收盘价或者日均价作为买入卖出的交易价格。然后根据设定的交易价格计算出在某一段时间内的收益率、超额收益、夏普率等结果。历史数据统计后验的优势是效率高、简单方便。缺点是不够精确，尤其不能考虑资金量对市场的影响。这个阶段的IT要求：简单的原语/多市场的数据/各种盈亏报表分析。
2.历史高频交易数据后验。历史高频交易数据后验的核心在于根据历史高交易频数据进行模拟撮合，撮合算法主要是判断在某个时段的成交量的成交比例。这个步骤的IT要求：快速撮合能力
篇10
量化宽松；低利率；进出口贸易；流动性
1 量化宽松货币政策概述
1.1 量化宽松货币政策的概念
简单地说，量化宽松就是一种货币政策，央行通过公开市场操作来增加货币供给，是指政府发行固定金额的货币，也可简单地认为是间接地增发钞票，央行通过公开市场操作买入国债和证券等手段，导致中央银行的各商业银行的结算户头的资金增加，为银行体系创造了新的流动性。
1.2 量化宽松货币政策的原理
在一般情况下，央行降息将引发一系列资产替代行为，从而产生了普遍下降的证券收益率。但是，在经济低迷时期，时常会出现很低甚至为零的短期名义利率，短期名义利率已经无法再降低了，上述作用机制也许会失效，陷入所谓的“流动性陷阱”。然而，货币政策并不会就此丧失作用。不少研究指出，即使短期名义利率为零，货币政策的作用仍然至关重要，而且其作用是不可推卸的，量化宽松政策就是选择之一。
1.3 美国量化宽松货币政策的措施
美国在这次金融危机以来总共进行了两次量化宽松货币政策。
第一次量化宽松政策： 2008年9月，雷曼兄弟倒闭后，美联储就急忙制定了量化宽松政策。在接下来的三个月中，美联储发行了多过一万亿美元的储备，主要是通过直接购买其附属机构的抵押贷款支持证券。
第二次量化宽松政策：2010年11月3日，为了进一步刺激美国经济的复苏，美联储宣布实行第二次量化宽松货币政策，截止2011年6月底，购买6000亿美元的美国长期国债。
2009年3月到2010年11月，在美联储持有大量国债，以及公开市场操作受到限制的情况下，美国政府不断采取多种量化宽松手段来对付国内的经济危机。
2 美国量化宽松政策对我国的影响
2.1 使得我国的外汇储备缩水严重
我国是美国最大的债权国，其实施宽松货币政策一定会导致美元的大幅贬值，从而使得中国的财产大幅缩水。2011年3月，美国财政部公布的数据，在2010年6月，我国持有的美国国债数量已突破万亿，到2010年末增加到了1.16万亿美元，占外汇储备的40.74%。美国推行第二次量化宽松政策以来，人民币相对于美元不断升值，导致外汇储备的购买力因不断缩水而下降。
2.2 对我国外贸出口影响巨大
首先由于美元贬值就意味着人民币的相对升值，国内出口产品的价格就变得昂贵，导致了出口量的减少；另外由于美国实行的是宽松货币政策，美国国内美元供给会超过需求，就会导致过多的美元追逐不足的商品，这又会导致美国国内物价上升，我们国家拿着已经贬值的美元进口比原来要贵的商品，这势必也会导致我国进口的减少。综合上面两个分析我们还不能得出到底是出现了经常账户的顺差还是逆差，但是我们要知道我国是个对外贸易依存度极高的国家，那么不难得到这种变化会导致我国经济的萎靡。
2.3 引起大宗商品价格上升
当我们看到美国宣布实施量化货币宽松政策的时候，以美元计价的大宗商品价格已经上涨了。2010年11月4日，在世界大宗商品市场中，美国黄金期货价格盘中最高涨幅3.4%，已接近1400美元大关；原油价格大涨，纽约商品交易所12月份轻质原油期货价格逼近87美元，涨幅约3%；大豆、玉米和铜、铝、锡、镍等金属涨幅明显。
2.4 会使中国通货膨胀压力加大
现在美国的货币宽松政策只是给美国经济打的一只强心剂，由于现在美国市场上坏账的不断增加，为了保证金融市场的流动性，美国就要不断地发行货币，而一旦美国金融市场趋于稳定，到时候超发的这些货币的坏处立马显现出来，由于市场上有过度的货币，立马就会有现在的通货紧缩变成通货膨胀，到时候又是新一轮的金融危机席卷全球，我国也不可避免地会受其影响。
3 美国量化宽松货币政策下我国的应对策略
3.1 增强监管国际资本流动
鉴于美国采取了量化宽松的货币政策，我国可能会涌入大量资金，因此，我国加强监管外汇的流入和流出，增强对流入我国的热钱的目标、路径和形式的评估和分析的力度，加强富有针对性和有效性的应对措施，从而有效地控制热钱流入。由于加息，我国的利差已处于有史以来的至高点，表现不错的经济以及具有升值预期的人民币，显著地加大了对资本进行监管的难度。
3.2 探求安全和利益的均衡，实行外汇储备多元化
美国量化宽松政策，不仅提高了我国对未来外汇储备管理的难度，也进一步增加了风险。因此，迫在眉睫的是创新外汇储备的管理方式以及分散外汇储备投资。对于美元以后的贬值必须保持相当的警觉，既要加大资产结构的调整力度，又要加大购买海外资产，从而扩大直接投资。在使我国持有美国国债数量保持基本稳定的前提下，进一步扩展外汇储备增量的使用范围，主动调节国债的期限结构，提防利率波动风险。
3.3 人民币“盯美元，稳汇率”
既然主动的“低廉美元”政策是量化宽松政策，那么被动的“低廉人民币”政策就是人民币重新盯住美元。此外，我国可以考虑转换汇率制度，将参考一篮子货币的制度逐渐转变为盯住一篮子货币，使升值幅度相对平稳，稳定人民币汇率，减轻美国量化宽松政策对人民币产生的升值压力将受益于这个制度转换的完成。
综上所述，量化宽松政策先不管它到底管不管用，就算是管用也只是暂时缓解了眼下的问题，但这也只是治标不治本的。在中国货币与国际货币紧密相连的今天，美国的量化宽松政策必然会导致中国政府丧失一部分货币政策的自主性。这进一步地督促了中国应适时地进行金融体制改革，同时丰富国家宏观调控的方式，加大金融监管和调控的力度。
【参考文献】
[1]潘成夫，“论美联储量化宽松的退出策略”，《农村金融研究》，2009年07期。
[2]张晓军，赵璧，“量化宽松政策是损人不利己的“毒药””，《财会研究》，2010年22期。
篇11
魏明岚，台湾人，具有深厚的专业教育背景，本科就读财政专业计量组，MBA毕业于美国Emory大学商学院，主修金融工程方向，获金融管理硕士学位。Emory大学是美国十大老牌名校之一，培养了终端政商界杰出人士，如前美国总统吉米？卡特、前韩国总理李洪九、第十届人大副委员长及九三学社中央主席韩启德等，其商学院在美国排名前十。魏明岚在金融工程领域有深厚的功底，对期权期货等金融衍生品有独到的见解。
回到中国之前，魏明岚先在美国ING做过金融产品研究，2000年左右，为了爱情，他远渡重洋来到上海。“当时中国经济发展得很好，心想回来应该也有不错的发展，但回来后才发现，金融行业还比较稚嫩，根本没有做对冲的条件。”魏明岚如此描述当时的情景。后经人引荐到当时还是周鸿祎控制的3721做财务总监，直到3721公司卖给雅虎，期间做了大量PE相关工作，和IDG等PE界人士亦非常熟悉。
对于这段时间量化生涯的中断，魏明岚坦言“大环境所限迫不得已，但实业的经验时期对企业的价值有更清晰的认识，对日后的投资是有一定帮助的”。尽管如此，他的量化投资之路却没有中断过，这期间他一直在用自己的资金做量化交易，逐渐形成一套完整的模型，就是现在“优势”系列，后面在产品模块中将做详细介绍。
之后，随着中国金融行业的发展，期货、期指、融资融券等衍生品工具的一步步放开，魏明岚的量化之路逐渐走上正轨。2012年5月，他成立了上海量哲投资管理有限公司，骨干人员主要是来自高校的金融工程或数学系教授，除了深厚的学术背景，都具备丰富的投资经验。
魏明岚说，“我们的核心竞争力就是行之有效的策略和完善的模型，这来源于团队深厚的数学以及金融工程功底，以及丰富的投资经验。只要辅以合适的平台，实现我们的策略，一定可以获得让投资人满意的回报。”
多层次的产品组合
传统的观念中量化交易会有效地分散、降低风险，但其收益率也是相对较低的。魏明岚认为这是市场对量化的误解，他认为“好的量化应当是风险和收益的组合，既可以是低风险低收益的，也可以是高风险高收益的，应满足不同的投资需求和偏好”。
量哲的产品组合很好地体现了他的观点。从量哲的产品介绍表格可以看出，量哲的产品层次清晰，组合很丰富，既有高收益的，也有相对低收益，但风险也相对较低的产品。这样一来就可以满足不同客户的需求，有些客户如高净值人群或机构投资者更看重长期的回报，就可以选择优势或优渥系列，而一些对资金流动性要求较高或一些不愿承担太高风险的公司专户就可以选择优安或优利系列。
谈到产品的发行和运营情况，魏明岚说，“经过这几年的培育，国内投资者改变了以往只看收益的做法，越来越多的开始关注风险状况。总的来说，国内的客户不太愿意承担过高的风险，即使有获得高收益的可能。出发点是在保值的基础上再想办法增值，所以优渥、优安比较受欢迎，一只优渥产品已于4月正式启动，5月启动了一只优安产品。而优势系列主要是自己和朋友的资金一直在做，收益不错。”
为了实现不同系列产品的投资目标，量哲团队制定了不同的量化模型，“为实现较高收益，优势系列保留了相对较大的对冲敞口，而优安及优利的基本没有敞口，除非是特殊情况下会留一点点”，同时在模型设计时，预留了能容纳较大的资金规模，也就是说其产品的资金容量是足够大的。
总体而言，量哲的投资策略主要是基于α套利，通过模型进行因子分析，选出具有潜在超额收益的股票，通常股票池的量都比较大，能够很好地分散风险，同时通过对冲交易规避系统性风险。魏明岚透露，“今年10～11月份，高频交易模型将投入使用，成为公司投资组合中的一个策略群，到时整体的风险系数将会进一步降低。”
面临的发展问题
和所有量化基金一样，魏明岚也面临着这样那样的问题。尽管已经过了最艰难的时期，但仍然有各种各样的问题亟待解决。
首先是观念问题，券商是量化基金发行和交易过程中的重要环节，很多的券商还在沿用固有思维，对于量化基金的理解比较浅，有时甚至抱怀疑态度。这使得基金在发行和交易之前要花大量的时间和精力去做调研工作，降低了工作效率。
篇12
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。
篇13
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。
