引论：我们为您整理了13篇量化投资的步骤范文，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
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2
量化不是“黑匣子”
《投资者报》：提及量化投资，国内投资者总认为很神秘。它与主动的定性投资差别到底有哪些？
李笑薇：量化模型的特点之一是抽象，但它称不上是一个“黑匣子”，与传统基金的投资区别也并非像投资者认为的那样大。
传统基金经理在做市场判断时，脑子中会闪过好几个模型，比如如何选定行业、个股，实质这都是一个个模型。严格说，他们脑子里的模型比量化模型中能看到的都要多，只是他们没有把这些模型提炼出来而已。
投资者购买传统主动股票基金，并不代表他们对基金经理的操作完全熟悉。基金经理在哪个时间段，配置了哪些行业、个股，投资人无法确切知道，只是能看到每个季度的报告和最终的投资结果。
相比之下，量化投资进出市场的每一个步骤，都非常清晰明了。在我的眼里，这个过程不是“黑匣子”，而是团队里每一个人按流程逐步去完成的。
《投资者报》：量化投资的详细工作流程是怎样的？
李笑薇：量化投资对团队合作要求更高。一般来说，有一部分人专门进行数据的清洗、整理、输送等，这需要计算机信息技术较强的人才；模型的设计和研究，往往需要很强的金融及数学背景；基金的日常管理往往需要金融及工程方面的专才。因此，通常量化投资团队的成员学历都较高，但不是说学位很重要，而是需要一定的技术积累。
具体流程中，提取数据的人看数据，有人专做研究，有的做优化或者交易下单。每个人都有自己的侧重点，在整个团队中起不同的作用。一个人可能干多件事情，但想要全部完成是不可能的。
《投资者报》：量化投资能否稳定地战胜市场？
李笑薇：在不同的市场阶段，市场的有效性会不同，需要用特定的方法，寻找不同阶段的不同机会。
市场上的各种方法，捕捉的内容都不一样。比如巴菲特，他的风格更趋近于一级市场中VC、PE的思维；西蒙斯则是完全抛开基本面，从纯技术的角度，将全球货币的走势、衍生品等林林总总的东西作为投资标的。
从A股市场来说，当前的发展阶段需要有独特的投资方式，富国基金量化增强的定位也有市场需求存在，满足了一部分配置指数基金的需求。从运作经验看，量化增强后的收益会好于一般指数的收益，上半年超额收益有8%。总体来看，这个收益稳定在5%~10%间，是很多基金难以做到的。
超额收益从何而来
《投资者报》：我们也注意到，多家基金公司都构建了独立的量化投资团队和模型，富国基金量化投资模型的独特之处在哪里？
李笑薇：量化投资最重要的是人的思想，量化只是一个方式和工具，真正在挣钱的，是人的投资思想。
从富国量化模型的特点来看，首先是自下而上精选个股，不做仓位选择。由于这是一只指数产品，投资人买时就要买到这样的仓位，我们一直是用95%的仓位操作。
其次，严格风险控制，精细成本管理。再次，系统化的投资流程，科学化的投资管理。量化投资从开始到结束，是一个庞大复杂的工程，团队里面专门有人负责清洗、研究数据，做一系列的回撤，实现交易单。
最后还要尊重模型出来的结果。在操作过程中，主动干预非常少，人的干预更多在整个模型的设计上。
《投资者报》：你们今年近8%的超额收益是如何实现的？不同市场环境下，模型是否会有大的调整？
李笑薇：对我们来说，发现哪些因子在最近的市场更有效，并保持一定的前瞻性，是量化团队的主要工作。
比如，大家都很熟悉的估值因子，在2006年到2009年都有比较优异的表现。但是到了2010年，估值因子的作用突然发生了变化，估值并不能起到明显推动作用，我们也提前做了适当的调整。
责任心决定能否做好
《投资者报》：除了模型外，量化投资成功还取决于什么？
李笑薇：一般而言，量化投资策略是否成功取决于三大因素。一个因素是质量，重点取决于数据和研究。第一步是要保证数据的质量没有问题。对于任何一个数据源，我们基本是用一家数据商，但会用两家来互相检验，检验后的结果才进入到自己的数据库里。
研究质量的好坏，其实是工作责任和态度的问题。量化虽然有门槛，但对理工科硕士以上的人来说门槛并不高，能否做好靠的是责任心。
第二是经验和判断。我们会做大量研究、看历史业绩，但历史不代表未来。当你做了大量细致的研究，发现可能有五个因子影响，表现最好的是A，后面有BCDE，其他因子哪些权重更大？做决定要基于经验和判断。但归根到底，判断与决策要有很强的实践来做支撑。
篇3
本文首先对风险投资项目风险产生的机理进行科学诠释，其次，通过构建科学指标体系从而使投资者在项目选择过程中避免由于信息不充分带来损失。
从风险投资行为整个过程分析（如图1），了解并解决两个主要环节的信息不对称问题对于保障投资者的利益至关重要。其中第一个关键环节主要是风险投资者与风险投资家（风险投资机构）的信息不对称问题。第二个关键环节主要是风险投资家（风险投资机构）与风险企业（或者是备选项目）之间的信息不对称问题。
如何解决第一层委托――关系，很多专家（南立新，2002；杨艳萍，2003；乔桂明，2004；应瑞瑶，2004；黄孝武，2002）借鉴国外风险投资公司的成功经验，提出在我国建立合伙制有限责任公司的风险投资公司运行机制解决第一层次的委托――矛盾。这种公司治理模式已经得到一致认可并且在实践中逐步推广。
第二层委托――关系中，如何合理确定对象（或者项目）是保障风险投资资金得到预期回报的重要环节，是本文研究的重点内容。
本文依据风险投资的特点，结合德尔菲法、层次分析法以及主成分分析法，提出一种针对风险投资项目评价的主客观权重法。运用这种方法对风险投资项目进行决策，不仅可以防范决策者主观臆断，而且注重吸收风险投资专家的经验，对项目风险进行客观地识别和量化，从而对诸多备选项目进行优劣排序。
二、本文中项目风险量化模型的基本假设
为了研究方便，消除歧义理解，本以下假设：
（一）假设风险投资家和风险企业家都是风险中性的
（二）假设各投资决策的使用效果是不可观测的，但是可以进行估计
（三）风险量化模型必须遵从经济计量模型中建模的基本原理，考虑模型的综合性、通用性、简洁性和可操作性等基本要求
（四）风险投资公司存在行业偏好情况外，各个备选方案竞争环境公平、透明
三、风险投资多项目抉择模型――原理和方法
本文构建的模型：Ri=δi /Vi
其中：Ri为第i个风险投资项目风险收益系数；δi为第i个风险投资项目风险程度值；Vi为第i个风险投资项目收益值指标系数。
R值越小越好。相同风险程度的不同项目，收益系数越大，对应的R值越小，项目相对越好；相同收益系数的不同项目，风险越小，对应R值越小，项目越好。
（一）风险程度值δi的计算
为了很好的度量项目风险程度δi，运用层次分析法，把项目的风险影响因素分为四层处理。它们是：目标层；制约因素层；制约子因素层和备选方案层（或称为措施层）（如图2）。其中，项目风险评估指标体系中指标数值由专家一次性打分后，运用加权平均法确定。指标对应权重向量确定方法是由专家组成员运用Delphi法经过2到3轮形成一组一致性的判断矩阵，然后运用方根法求出判断矩阵特征向量作为指标对应权重向量。
风险程度值δi的计算方法，大体可以分为五个步骤。
步骤1：建立制约因素、子因素评判等级和相应的评语集
由图2构建的层次分析模型，项目风险主要由{U1，U2，U3，U4，U5，U6，U7}等七个方面的制约因素确定。而U1（政策风险）取决于U11国家政治经济环境和U12项目与政策法规的相容度两个子因素。记为：
U1={U11，U12}
将每个制约子因素按照实际可能情况分为5个等级，每个等级代表不同的情况。各个因素等级按照影响评判对象的趋势一致原则来排列，选择使投资风险程度由低至高的顺序排列。风险影响因素对应评语集：
V=（1，2，3，4，5）
如“企业营销能力”这一因素等级按照“强、较强、中、稍低、低”排列。如果企业营销能力等级对应“强”则对应的评语应该为1，如果企业营销能力等级对应“较强”则对应的评语应该为2，如果企业营销能力等级对应“中”则对应的评语应该为3，企业营销能力等级对应“稍低”则对应的评语应该为4，企业营销能力等级对应“低”则对应的评语应该为5。评语值越小，代表风险投资项目该领域的风险也较小，相反，则代表较大风险。
步骤2：确定制约因素、子因素指标值
确定制约因素指标值是指根据项目风险因素实际情况，由专家给定相应指标数值，然后对评判结果进行加权统计得到各因素对应指标值bij。
bij=bij1×1+bij2×2+bij3×3+bij4×4+bij5×5
bijk的值以参评专家中认为因素uij属于uijk等级的人数除以参加评判的总人数所得到的商数（即进行归一化处理）确定。bij值介于1～5之间。bij值越接近5，代表风险越大；bij值越接近1，代表风险越小。这种确定指标值的方法不仅可以考虑各个专家的专业判断倾向，而且顾及到专家判断的集中趋势，参考价值更大。
步骤3：确定各个制约因素、子因素权重向量集
制约因素与制约子因素权重向量是用来衡量影响项目风险诸因素相互比较相对重要程度的。本模型首先必须构造项目因素两两比较的判断矩阵，由专家团采用Delphi法经过2～3轮投票完成，采用9/9～9/1比例标度构造判断矩阵更接近实际情况。即两因素比较同等重要值为9/9；稍微重要9/7；明显重要9/5；强烈重要9/3；极端重要为9/1（侯岳衡（1995）和何（1997）），其次求解判断矩阵对应特征向量即为项目因素对应权重向量。
根据各个备选方案在制约子因素的条件下两两因素的比较重要程度，给出U11和其他制约子因素比较的判断矩阵（记作A11）。
其中，a11ij是指第i方案和第j因素与制约子因素U11比较重要程度。若第j方案与第i方案比较，得到判断值为a11ij＝1/a11ij，a11ij＝1（i＝1，2，……n；j＝1，2，3，……，n）。
依次类推，分别给出Uij和其他制约子因素比较的判断矩阵Aij，i＝1，2，……，7。
方根法是近似计算各个判断矩阵的最大特征值和特征向量最简洁的方法。下面以A11的特征向量计算过程说明方根法使用原理。
（1）计算判断矩阵每行所有元素的几何平均值
从而得到ω11＝（ω111，ω112，ω113，……，ω11n），为所求特征向量的近似值，也就是考虑制约子因素U11时对应各个备选项目的排序向量。
目标层对于制约因素层判断矩阵A的特征向量为λ：
λ=（λ1，λ2，λ3，λ4，λ5，λ6，λ7）
步骤4：确定各个制约因素相对项目方案指标向量值
U1对应各个项目方案的指标值为b1：
依次类推，计算出U2、U3、U4、U5、U6、U7的对应指标值。
步骤5：确定各个方案风险程度向量值δ
其中，δ中包含了n个备选风险投资方案对应的风险程度指标值。
（二）确定备选方案投资收益系数Vi
备选风险投资方案投资收益利用项目财务指标度量评价。首先计算各个投资项目未来报酬总现值TPVi和风险投资初始投资资本总量Ci。其次，利用现值指数法求出收益值指标系数Vi：
在计算TPVi指标时，贴现率的确定至关重要，不同阶段进入风险投资项目肯定会要求一个不同的收益率。风险补偿率的问题，方英（2003）和王立国（2003）等，进行了详细的分析研究，图3是不同时期贴现率的研究结论。
对于贴现率采用平均贴现率为计算TPVi值各个时期的贴现率参数标准。而项目投资成本Ci是比较容易得到的数据。然后利用Vi=TPVi/Ci计算出项目投资收益系数Vi。
（三）考虑风险和收益的最优投资项目的排序
根据项目风险与收益匹配的原则，用公式Ri=δi /Vi计算综合投资风险与收益的项目得分值，对各个备选项目进行客观、科学排序，从而确定备选项目的优先选取顺序。
四、模型实证分析
在实际调查过程中发现，风险投资公司在项目选择方向存在行业的偏好，所以本实证研究以江苏省2003年度申报科技型中小企业技术创新基金的光电一体化行业为例对模型的可靠性进行论证。
研究对象由江苏省2003年度光电一体化申报创新基金所有项目构成。其次，确定样本。对98个申报项目进行编号（按照先后次序编号），按照随机抽样的原则，利用随机数字表从总体集合中选取了10个项目组成样本。包括编号为43、55、56、27、16、07、77、26、50、20的项目单位组成样本集合。
利用介绍方法，确定项目收益指数Vi以及综合的风险收益系数Ri=δi /Vi，从而对备选方案进行排序。项目风险收益指标由小到大的顺序为R27，R50，R55，R16，R77，R26，R7，R20，R43，R56。（如表1项目风险收益值计算表）
五、结论
篇4
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。
篇5
第一部分：模型建立阶段。
2.1 影响收益率的因子初选
我们采用以下收益率因子。
以上表格反映了影响收益率的主要四大类因子，较好地包括了影响收益率的主要因素。虽然从宏观层面上我们挑选出了一些影响收益率的主要因子，然而，在现实过程中，影响某个具体公司收益率的因素很可能只是其中某几个。因此，我们应当试图找出影响每个股票的收益率的个别关键因素，这里我们采用matlab技术以及线性回归的方法，以融捷股份（002192）与暴风科技（300431）为例进行说明。笔者根据深圳证券交易所统计的数据通过EXCEL表格进行合并整理后得到融捷股份的收益率数据，将该数据导入matlab中，以市盈率为横轴、收益率为纵轴，建立图形关系。
根据统计学的知识可知，我们用决定系数R2来反应自变量解释因变量力度的强弱，而决定系数与相关系数之间存在平方关系，即2=R2。因此，在matlab中我们通过计算一组数据之间的相关系数，反求出其决定系数，从而说明该特定自变量能从多大程度上解释因变量。代码运行的结果如下：
从上述运行结果可知，市盈率与股票收益率之间的R2只有0.0934，遠小于1，因此市盈率这一项指标在融捷股份里并不能对收益率的变动起到决定性作用。
类似地，我们对表1-1中所有的因子进行相同的操作方法，在此由于篇幅原因不再赘述，仅展示操作步骤与过程。
2.2 剔除冗余因子
在进行上述步骤的过程中，值得一提的是，各个因子之间可能本身就具有一定的相关性。比如，ROE指标与ROA指标本身就满足一个等式：ROE=ROA*EM， 其中EM为权益乘数，计算公式为EM=1/（1-负债率）。如果因素之间的相关性甚小，我们可以忽略不计，但是当相关性大到一定程度时，便会对之后的多因素模型分析过程产生误导，因此在这里我们需要补充的一步是利用matlab软件，建立不同指标之间的关系方程，判断是否存在多重共线性。
2.3 多因素模型体系的建立
在进行完影响收益率的因子选择以及剔除完冗余因子之后，便是最为重要的建立综合评分体系，将所有的因子共同反映到一个方程中，用来解释股票收益率与因子之间的具体变化。
多因素模型的建立过程分为如下几个步骤：
（1）. 标准化原始数据
（2）. 建立相关性矩阵
（3）. 计算相关性矩阵的特征值和特征向量
（4）. 得出总方程表达式
通过对上述运行结果的分析我们可以看出，月最大超额收益的影响最大，而累计收益的影响最小。这样，我们便量化出了影响该股票收益率的方程式。
第二部分：交易标的股票的选取
2.4 选取收益率前20%的股票
通过第一部分的论述，我们最终可以得到影响不同公司股票收益率的方程式，可以用matlab或者数据库技术进行保存，当需要更新参数或者进行预测决策时，调用相关函数即可。
在第二部分中，我们将选取的标的股票资产池的相关数据输入到方程式中，即可得到未来一段时间的预期收益率。假设我们从每个板块中选取出了20支股票，我们保留预期收益率排在前20%的股票，优中选优，尽量最大化我们的收益。
2.5 利用CAPM模型进行资产组合
20世纪诞生的资本资产定价模型（CAPM）为广大投资者选择资产组合提供了良好的理论基础与依据。威廉夏普（William F. Sharpe，1934-）与马克维茨（Harry M. Markowitz）等人所建立的组合管理理论核心即为以下等式：
E（Rn）=R
f+（E（Rm）-Rf）
其中，E（Rn）为股票的预期收益率，Rf为无风险利率，为单个股票与市场之间的相关性，E（Rm）为某一基准的收益率。通过该理论，我们可以建立多个资产的不同搭配情况。
在第三部分，我们会进一步讨论运用各项绩效评估指标，来权衡风险与收益。
第三部分：风险控制
2.6 对各项参数进行区间估计和假设检验。
前两部分重点关注了组合的收益情况，力求在市场处于无效或弱有效的情况下，取得超越市场的收益率。然而，对风险的把握仍为非常重要的方面，自从2007-2009年间发生的金融灾难以后，人们对于风险控制的意识又提高到一个新的水平。下面具体介绍如何利用统计学知识，对风险以及收益的取值范围做出评估与估计。
假设由第一部分模拟出的收益率方程满足如下等式：
Yi = -4.451 +2.057 * X1i + 2.008 * X2i
我们可以看到，在这个等式中出现了三个参数，分别是截距项-4.451、X1i的系数2.057以及X2i的系数2.008。然而，这毕竟是模拟出来的结果，或多或少会存在着一定的误差，那么对这种误差水平的度量就显得尤为重要。特别是对于X1i与X2i的参数的估计，其改变直接决定了Yi的变化的方向以及程度。在这里，我们运用统计学上的假设检验与置信区间估计的方式，判断我们有多大的信心，或者说有多大的概率，该参数可以满足我们的要求，从而对我们的决策活动形成指导意义。见下图：
如上图所示，该图为用统计软件所得出的上式的相关统计学分析，可以看出上式的R2（R-squared）为0.934，并且调整后的R2（Adj R-squared）为0.890，说明该式的所有系数，作为一个整体，对Yi具有较好的解释力度。其中ESS（Explained Sum of Squared）为模型模拟出的曲线与平均值的差的平方和，而SSR（Squared Sum of Residual）为真实点与估计点的差的平方和。Matlab图示如下：
上图是通过最小二乘法拟合出来的一条回归曲线，其中蓝色的点与实线之间的距离的平方和即为SSR，而实线与所有实际点的均值之间的距离的平方和即为ESS。R2=ESS/（ESS+SSR）。
由图6-1还可以看到，2.057所处的95%置信区间范围为0.984-3.130。其中，P值与t统计量用来判断在95%的把握下，是否可以拒绝一项参数，即判断该参数在一定概率条件下的真假情况。我们通常可以通过查对应的t分布表来找到对应的关键值，或者采用比较p值大小的方式进行判断。比如说，要判断图6-1中Experience的参数2.008在95%的概率条件下的合理性，我们计算出其t统计量如图上的2.664，而对应的置信区间范围中包括了2.664这个值，因此我们可以得出如下结论：Experience的系数2.008在95%的置信水平下是无法拒绝的。这一结论同样可以通过判断p值的大小得出，p值为0.076，大于显著性水平0.05（通过1-95%得到），因此有足够的自信可以保证该系数的合理性。
通过上述方法，我们可以对之前模拟出的收益率方程的系数的合理性做出判断与评估，使我们对其有一个更为深入的了解。
2.7 基于蒙特卡洛模拟的风险控制。
在风险管理领域，VaR方法一直在各大金融機构被视为进行风险度量的首选，因为其可以提供在一定的置信区间下所发生的最大损失的大小。然而，实践证明，在市场出现剧烈波动的情况下（比如2007-2009的金融危机），资产之间的相关性会增强，以前可能相关性很弱的资产在市场不稳定时期出现了高度关联的相关性。而普通的线性估算VaR的方法在金融危机期间，对于风险的度量不再准确与合理。因此，出现了后来的情景分析方法（scenario analysis ）以及这里要讨论的蒙特卡洛模拟。
所谓蒙特卡洛模拟，是对一项资产的所有可能取值进行随机数模拟，来计算产品的价格以及计算风险价值的大小。其应用领域十分广泛，不仅可以用来模拟复杂金融产品的价格（例如，含权债券的定价、住房抵押贷款证券化产品的定价），在风险管理领域还可以用来度量风险的大小。在此，我们给出详细的解释，来说明怎样进行基于蒙特卡洛模拟的风险的度量。
重复上述代码四次，模拟出不同收益率的图形，每次模拟都可以得到一条收益率的曲线，当我们从股票收益率的总体曲线中随机抽出N个样本的收益率曲线，对其进行算术平均，便可以得到最终模拟出的收益率曲线，通过正态分布或对数正态分布作图，我们可以在竖直方向上做出一条辅助线，该辅助线对应的分位点即是VaR所处的位置，如此一来我们便可以得到VaR的结果。
第四部分：模型的改进与实时更新
2.8 模型评价
在这一部分，我们主要对上述建立的收益风险模型进行评价，包括引进一些至关重要的绩效评估指标，例如夏普比率，特雷诺比率，简森阿尔法，信息比率，索提诺指标等。
夏普比率来自于CAPM模型，其基本内涵是单位风险所对应的超额收益。在CAPM模型中，夏普比率即是资本市场线的斜率。因此，对于一个组合的风险收益的评估，我们可以通过计算其夏普比率，再与其他组合比较，选出夏普比率最大的那一个，即是我们满意的组合（单位风险承担了更多的超额收益）。
特雷诺比率与夏普比率类似，但其分母上所对应的是系统性风险，而不是总风险。这反应了一项组合其内在的超额收益，因为非系统性风险是可以通过组合规避掉的，而系统性风险则更多的由市场、行业以及经济周期等不可控因素所决定。因此，特雷诺比率也被广泛应用于组合绩效的评估。
简森阿尔法描述的是一项组合的市场收益与CAPM计算出的理论收益之间的差额。在CAPM图形上描述出来便是资本市场线上的点与实际的点之间的距离。简森阿尔法直接反应了一项组合的收益与其理论收益的偏差，因此投资者可以进行无风险的套利交易，低买高卖，赚取超额收益。值得一提的是，用简森阿尔法来描述两个组合的风险收益时，要求两个组合的系统性风险处于同一水平，即CAPM模型中的相同。特雷诺比率将系统性风险单位化，因此可以直接进行比较，这是简森阿尔法与特雷诺比率之间的区别。
信息比率也是实际工作中用到的比较多的领域，通常会和夏普比率搭配使用。信息比率的计算公式为：信息比率=超额收益/跟踪误差。
索提诺指标的计算公式为：索提诺指标=（组合收益-最小收益）/下半方差，其中下半方差只考虑风险的影响，因为价格上涨的风险可以不考虑，只考虑下跌的风险。
2.9 利用matlab动态更新参数
上述建立的多因素模型的参数一般会随着市场条件的变化而发生变化，例如金融危机期间，金融产品之间的相关性增强，可能会使得参数的估计不再准确。因此，我们需要通过不断的测算市场数据，来保证模型参数的合理性。在matlab中不断更新改进参数的步骤是不能省略的。
2.10 回溯测试
在完成了模型的構建以后，我们通常会进行一段时间的回溯测试期，目的是为了对模型的合理性进行检验。即采用从市场上观察得到的数据，与模型估计出的数据进行比较。这是回溯测试的主要思想。通常在一些交易平台上我们可以进行回溯测试。Matlab平台上也为我们提供了相关的回测计算的功能，目的是尽可能地还原市场的真实情况，以检测策略的准确性。
2.11 模型评价
已上便是笔者构建的投资策略的基本框架与内容，按照上文指导的内容进行投资，可以在一定程度上获取超额收益。量化的方法相比较传统的基本面分析、技术分析，具有其自身的合理性。然而量化投资并不是时时刻刻百分百有效，但根据历史经验来看，量化投资的收益已经远超其他投资方式。量化投资还具有更为高深的理论，例如结合了心理学、生物学与计算机科学的神经网络、遗传算法等，使用机器代替人脑进行投资决策，这样可以减少人的主观性，客观的根据一些标准、指标严格执行投资策略。这里只是使用了量化投资领域中的冰山一角，即使用综合模型评分方法来构建投资组合的预期收益。
然而，该模型仍有其自身的局限性。例如，模型本身采用的是线性回归的基本思想，即最高次幂为1次幂。然而在现实过程中，很多金融产品的收益曲线并不是一条严格的直线，而更多的是具有二阶导的曲线。举例如下图所示：
上图是包含了期权时间价值在内的利润图，可以看到，在引进期权的时间价值以后，其图形不再是直线，而是带有弧度。因此，我们通常采用的方法是利用泰勒级数进行估计，引入二阶导来进一步估计金融产品的价格。例如在债券中一阶导采用久期进行计算，二阶导采用凸性进行调整。
篇6
流动性陷阱最早由凯恩斯提出，所谓流动性陷阱，是指当一定时期内利率水平降低到不能再低时，人们就会产生利率上升而债券价格下降的预期。货币需求弹性就会变得无限大，即无论增加多少货币都会被人们储存起来，而不会被用于消费和投资。由于政策利率是名义利率，其下限为零，中央银行无法将政策利率下调至低于零的水平。而当政策利率下调后所增加的货币供给量仍不足以改变货币需求时，政策利率就失去了对市场利率的影响作用，进而失去对投资和消费的调控功能，因此当一个经济体陷入流动性陷阱后，则以政策利率为主体的价格型的货币政策工具失效。
在2008年全球经济危机爆发前，很多国家的利率就长期维持在低水平。危机爆发后，各国央行的第一举动就是通过调低准备金率和再贴现率调低市场利率。英格兰银行、美联储等都将利率调至趋于零的水平，但是经济仍没有回暖的迹象。面对银行倒闭，企业破产，投资萎缩，消费减退的形势，各国的利率却早已降至不能再降的地步。可以说，此时，传统的货币政策工具已对振兴经济爱莫能助了。因此必须采用一种新的方式，通过数量型的货币政策来应对新的难题，即量化宽松。
量化宽松所谓量化宽松，是指中央银行在实行零利率或近似零利率政策后，通过购买中长期债券，增加基础货币供给，向市场注入大量流动性的干预方式。它的原理就是央行通过公开市场操作，向银行体系注入超额资金，让基准利率维持在零，从而为经济体系创造新的流动性，以鼓励消费和投资，最终促进经济增长和就业。正如弗里德曼所称，量化宽松实质就是“央行派出直升机从空中撒下钞票”。结合上述定义，量化宽松具有如下特点：①该措施实施的主体是中央银行，即货币当局。②实施的背景是利率为零或接近于零。③采取的方法是购买国债等中长期债券。④目的是增加基础货币供给，提升市场流动性。
（1）伯南克与量化宽松美国的货币政策的实施历来与美联储主席的个人风格有密切关系，伯南克用自己二十年的理论成果，重新审视当下经济危机，力排众议制定通货膨胀指标，处理资产泡沫，以激进的方式进行风险管理。他的主要理论观点是：强大的金融市场和信贷市场和实体经济之间可互相促进，实现经济繁荣。在理论的指导下，伯南克详细列出了美联储应对金融危机。
即量化宽松的步骤：①将联邦基金利率降到零。②在很长一段时间内始终把短期利率的控制在较低的水平，或者是承诺无限量地购买国债直至国债收益率下降为止。③同时使用宽松的货币政策和财政政策，例如在减税的同时提高货币发行量，这样就不会导致政府财政赤字的增加。
（2）对量化宽松货币政策的评价总体上，量化宽松货币政策的主要起到了以下几个积极作用：一是向陷入资金困难的银行提供充足的流动性，救助濒临破产的金融机构，防范系统性金融风险，维护金融稳定，并支持金融体系，鼓励银行放货。二是使利率、特别是长期利率保持在低位，有利于降低企业贷款成本，并促进消费，从而推动经济复苏；三是避免通货紧缩预期，甚至通过产生通货膨胀的预期，降低实际利率，从而避免经济进一步紧缩。四是购买金融机构和社会民众的有价证券，直接向市场注入大量流动性，有效化解市场流动性不足的问题。
篇7
运动、旅游、购买健康的果蔬食品，这些也能和保险产生关系？
没错，现如今，这些行为也能和你的健康险保单“挂钩”了。
根据中国平安集团旗下专业健康险公司平安健康险董事长兼CEO陆敏的介绍，今年5月份开始，平安健康险在业内首创的“健行天下（Vitality）”健康促进计划已经在北京和上海两地上市，后续将逐步拓展至全国，帮助更多国人改善健康。
此次“健行天下”健康促进计划的推出，旨在倡导健康、科学、文明的生活方式，通过提供易懂、易用的技能和适宜工具，以提高全民健康科学素养。
据介绍，“健行天下”健康计划建立了食品，运动和旅行等领域的科学激励体系，与许多国际知名公司建立合作关系，包括阿迪达斯、沃尔玛、乐购和携程网等公司，为会员（也就是保单持有人）提供一流品质的健康奖励。
根据平安健康险产品创业总监盛安久（Andrew Scott）的具体介绍，平安“健行天下”计划通过对保单持有人健康行为和健康饮食的干预，鼓励保单持有人持续改善健康并享受奖励。通过该计划简单的3个步骤，保单持有人可以轻松和持续改善健康。
第一步，认知自身的健康状况。“健行天下”计划为客户提供了在线评估和医院专业体检等多种灵活方式，帮助客户了解健康。
第二步，改善自身的健康状况。通过运动干预和饮食优选等持续改善健康，并获取会员积分。客户可通过计步器运动，或在一兆韦德专业健身机构来改善健康。另外，客户还可在合作商户选购果蔬并获取会员积分。
第三步，享受健康奖励。客户为健康努力和付出越多，获得的会员积分响应也会越多，所能享受到的健康奖励就越大。根据会员累计积分的不同，“健行天下”会员分为5个等级，即蓝牌，铜牌，银牌，金牌和白金，各种不同的等级对应不同的商户折扣比例，可以直接为保单持有人节省经济成本。
可以说，通过保单持有人自身为健康进行的持续不断的努力，被保险人的身体更健康了，保险理赔率也会相应降低，这对客户和平安健康险公司而言可谓“双赢”。
据悉，2010年8月，平安健康险与南非最大的健康保险公司Discovery签署合作协议，引进战略投资者。通过对南非Discovery公司业务系统和医疗风险管理工具等知识产权的引进，平安健康险已逐步建立专业医疗风险管理平台和产品及服务创新基础，同时凭借专业和人才优势，利用现代技术，致力于探索健康保险与健康服务模式，帮助客户有效管理健康风险，增进国人健康，保障个人和家庭生活以及企业员工的福利。
信泰“恒星”投连险：“量化投资”是王牌
信泰人寿则于近期开发了 “信泰恒星终身寿险（投资连结型）”产品。该投连险主要面向高收入人群，兼具投资理财与保险保障功能，最低认购门槛1000万元。它以量化投资为主要投资手段，是国内首款高端量化投连险。
近年来，量化投资作为一种创新的投资管理模式，已经越来越受到投资界重视。量化投资的优势在于使用现代的数理统计作为工具，投资注重纪律性、科学性和广度，这就对投资团队的专业性提出了更高的要求。
作为一家新兴的全国性寿险公司，信泰人寿也一直在通过引进人才、完善体系、规范流程和制度、建立具有差异化的核心投研策略、强化风险管理等一系列举措，打造自己的量化投资管理团队。信泰人寿的资产管理团队目前在首席投资官王连平博士（原国内某大型资产管理公司量化投资团队负责人）的带领下，量化投资和量化研究的范围目前已涵盖宏观、中观（行业、板块）、微观（公司）和市场四个层面，已不再直接采用海外成型的量化模型，而是结合中国资本市场实际特点，独立研究开发出对应的量化投研体系，建立了一系列可操作性强、实战效果优良、在业内具差异化领先的投资模型和指标。
据介绍，如果把传统的“定性投资”比作中医，那“量化投资”则可以看作是西医。中医是望、闻、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；西医就不同了，先要病人去拍片子、化验等，依托于精密的医学仪器拿到精确的数据指标，最后据此得出结论，对症下药。两种方法各有千秋，其中“定性投资”代表人物沃伦·巴菲特，其过去20年投资收益率平均每年20%；而“定量投资”代表人物詹姆斯·西蒙斯，过去20年投资收益率达到平均每年35%。
新华“祥瑞一生”：回归保险本原
新华人寿保险日前推出其最新研发的核心保障型寿险产品“祥瑞一生终身保障计划”。祥瑞一生终身保障计划由保额分红型终身寿险与提前给付重大疾病附加险组合而成，可提供身故、意外、健康、养老等多重保障，从根本上为客户搭建涵盖一生的风险防范体系。
新华保险总裁何志光向记者介绍说：“这是在新的行业监管导向和公司发展战略下推出的一款战略性产品，标志新华保险产品结构转型的开始。”
该产品主附险结合的设计模式，不仅可提供多层次保障，而且令费用更经济实惠，“低费高保”，可谓功能强，价值大。其具体功能与优势体现如下：首先，该计划为客户提供终身生命保障，转嫁未知风险，体现生命价值；其次，对重大疾病给予救治资金支持。重疾保障范围达35种（类），并设有癌症特别关爱金，对治疗费用高昂的恶性肿瘤加强保障；第三，特别增设了“养老年金转换”功能，客户可选择将保单适时转换为养老年金，增加保单的可见利益，灵活实现养老规划；第四，“祥瑞一生”采用新华保险经典的保额分红方式，通过复利的长期积累，使保障额度不断增长，体现出资金的时间价值。此外，该产品还能帮助客户作为遗产规划的一部分，有效传承财富。
行业动态：
篇8
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9
Alpha策略最初的理论基础是套期保值，是由美国经济学家H.working提出的，随后股指期货的面市，量化研究便激发了人们浓厚的兴趣。传统的资产管理者理念的哲学基础大部分为追求收益风险平衡，然而平均市场收益与超额收益又很难达到绝对的均衡，因此将超额收益也即Alpha分离出来，建立起基于Alpha策略的量化投资，有助于指导投资实践。
1 Alpha策略在量化投资中的应用意义
量化投资指的是以现代计算机技术为依托，通过建立科学的数学模型，在充分掌握投资环境的基础上践行投资策略，达到预期的投资效果。采用量化投资方式的优点包括其具有相当严格的纪律性、系统性，并且对投资分析更加准确与及时，同时还具有分散化的特点，这使得策略的实施过程更加的机动灵活。量化投资过程使用的具体策略通常有量化选股、量化择时、统计套利、高频交易等，每一种策略在应用过程各有千秋，而Alpha策略属于量化选股的范畴。传统的定性投资也是投资人基于一种投资理念或者投资策略来完成整个投资活动的，最终的目的是要获得市场的占有率，并从中取得丰厚的利润。从这个角度来衡量，量化投资与传统投资的本质并无多大差别。唯一不同的是量化投资对信息处理方式上和传统定性投资有着很大的差异性，它是基于现代信息技术、统计学和现代金融工程理论的基础上完成对各类数据信息的高效处理，在对信息处理的速度、广度上是传统定性投资无法比拟的。在对投资风险的控制方面也具有很大的优势，是国际投资界兴起的新型投资理念和应用方法，也在日益成为机构投资者和个人投资者共同选用的有效投资方案。现阶段量化投资的技术支撑和理论建设的基础包括人工智能技术、数据挖掘、支持向量机、分形理论等，这些现代信息处理与数据统计方式为量化投资的可操作性提供了坚实的基础。
Alpha策略在量化投资中的使用优点主要是对投资指数所具有的价值分析与评定。它不是依赖于对大盘的走向变化或者不同股票组合策略趋势的分析，对投资价值的科学分析与合理评估更能吸引投资者的目光。Alpha策略重视对冲系统风险所获得的绝对收益，在股票投资市场上是一种中性的投资方式，具体的程序有选择资产、对资产的优化组合、建立具体组合方式、定期进行调整。为了促进该策略在投资市场中获得良好的收益，就必须先要重视优秀的选股策略，其次是重视期货对冲平均市场收益的时候所产生的风险控制问题。对冲系统风险时，若是能够及时地对投资组合与相关的股指期货的平均市场收益指进行精准地判定和预测，那么将会对整个投资行为产生积极的影响。
2 基于Alpha策略的量化投资具体策略和实践方法
通常情况下，Alpha策略所获得的实际收益并不是一成不变的，这与该策略本身的特定有关，具体表现在周期性与时变性上。
Alpha策略的时变性主要是指当时间产生变化时，超额收益也会随之而改变。需要清除的是Alpha反映的就是上市公司超越市场的预期收益，因此属于公司资产未来估值预期的范畴，所以上市公司自身所处的发展阶段和发展环境不同，那么就会给Alpha带来影响。由于时变性的特点，这就给策略的具体估计模型的设立带来了更多不可确定的因素，为此，参照对Alpha满足不同动态假设的理论基础，建立起一个可以获得不同种类估算的模型，同时假定在同一个时间范围内，超额收益和市场平均收益都保持恒定不变，这就极大地简化了计算的过程与步骤。也就是说在该段时间内，市场上股票投资组合基本面不会有太大的变化与波动，这就与实际的投资状况基本达成一致。对于投资策略的调整则要根据上市公司重大事项发生情况而定，那么估算的时间单位周期可以采用每日或者每周估算，对每一个季度的历史数据进行调整也可以作为一种调整方式，反映公司季度行情。对于具体证券而言，采用季度或者每周的调整频率则不是最为理想的，还要针对公司情况与市场行情综合调整。
Alpha的周期性特点在交替出现的正负号上最为突出，导致这一情况产生的原因主要是行业的周期性特征与套利效应共同造成的。具体而言，首先不同类型的证券分别属于不同的行业所有，当行业处于景气周期循环状态下会影响Alpha的符号与大小，同时景气程度的深与浅也会对此产生影响。其次一个股票组合产生非常大的超额收益情况下，市场中的其他机构投资者或者个人投资者就会不断地参与到该组合的投资中来，最后会导致Alpha逐渐接近于零。因此在建立不同策略的组合方面，要针对每一个季度的具体情况和波动率，进行综合性地评价与分析，并及时地做出必要的调整，以便最大限度地获得市场收益。
量化投资中的Alpha策略并不是一种单一类型的策略，不同的策略都在寻求获得超额收益的市场机会和可能性。现阶段市场上采用的Alpha策略主要有多因子选股策略、动量策略或者反转策略、波动性策略、行业轮动策略、行为偏差策略等，每一种策略在具体实施过程中都有其特征性，并且可以相互结合使用，发挥出综合预测和评价的作用。
多因子选股策略是必要和常用的选股方式，最大的优势是可以将不同种类和模块的信息进行高效化综合分析与评价后，确定一个选股最佳方案，从而对投资行为进行指导。该种选股策略的模型在建立方面比较容易，是量化投资中的常用方式。同时多因子模型对反映市场动向方面而言具有一定的稳定和可靠性，这是因为所选取的衡量因子中，总有一些可以把握住市场发展行情的特征，从而体现其本来就有的参考价值。所以在量化投资过程中，很多投资者都使用多因子模型对其投资行为进行评估，无论是机构投资者或者是个人投资者，都能够从中受益。多因子选股策略模型的建立重点在于对因子的剔除和选择上，并要合理判断如何发挥每一个因子的作用，做出综合性的评定。
动量策略的投资方式主要是根据价格动量、收益动量的预期与评定，对股票的投资进行相应的调整，尤其是针对本身具有价格动量的股票，或者分析师对股票的收益已经给予一定评级的股票，动量策略的应用效果会比较理想。在股票的持有期限内，某一只股票在或者股票投资的组合在上一段时间内的表现均佳，那么则可以判断在下一段时间内也会具有同样的理想表现，这就是动量效应的评价依据，从而对投资者的行为起到一定的影响作用。反转策略和动量策略恰好相反，是指某一只股票或者股票投资组合在上一段时间内表现很不理想，然而在下一个时期反而会有突出的表现，这也给投资者带来了一线希望，并对影响到下一步的投资策略的制定。
波动性策略也是Alpha策略的一种方式，主要是利用对市场中的各股运动和发展状态的细致观察与理智分析后，列出一些具有相当大的波动性的股票，同时这些股票的收益相关性也比较低，对此加以动态化的调整和规划，从而逐渐获得超额收益的过程。在一些多因子选股策略中也有机构投资者或者个人投资者将股票具有的波动性作为考察与评价因子之一，波动性策略经常和其他策略相结合来评价，这说明股票投资市场本身就具有一定的波动性，因此在投资过程中要慎重对待。
篇10
资金流是一种反映股票供求关系的指标，是指证券价格在约定的时间段中处于上升状态时产生的成交额是推动指数上涨的力量，这部分成交额被定义为资金流入；证券价格在约定的时间段中下跌时的成交额是推动指数下跌的力量，这部分成交额被定义为资金流出；若证券价格在约定的时间段前后没有发生变化，则这段时间中的成交额不计入资金流量。当天资金流入和资金流出的差额可以认为是该证券当天买卖两种力量相抵之后，推动价格变化的净作用量，被定义为当天资金净流量。
有效市场假说的概念是说证券价格已经能够完全反映所有可获得的信息，即在有效的证券市场中，不论选择何种证券，投资者只能获得与证券风险相当的正常收益。然而完美的有效市场存在的可能性是很小的，同样对于中国证券市场而言，市场并不十分有效，并且股价在短期内可能受到某些消息的影响，或者某些市场内在因素的改变从而产生剧烈波动带来的差价投资机会，因而在市场中经常存在交易性机会，从而在量化投资选股方面也有很多种选股策略，根据资金流选股便是其中一种。
资金流策略是指根据资金流这一指标进行选股的一种量化投资策略。该模型使用资金流向主要通过衡量当前市场上的股指或股票的资金流入或者流出的状态，从而进一步去衡量未来股票的涨跌情况：如果是资金流入的股票，则股价在未来一段时间可能会上涨；如果是资金流出的股票，则股价在未来一段时间可能会下跌。这样就可以根据资金流向来构建相应的投资策略。
二、资金流策略具体操作及结果分析
（一）资金流策略指标含义及操作步骤
对于资金流向的判断，根据买卖双方的力量对比来衡量。资金流分为流入流出两个方向，如果当前的成交价格在买方，则认为是卖方出卖股票的意愿较强，资金流出；如果当前的成交价格是在卖方，则认为是买方买股票的意愿较强，资金流入。对于资金流的测算，采取日数据计算，即当日价格上涨全部计算为流入，若当日价格下跌则计算为流出。本文采用的选股指标包括：1. 资金流信息含量IC（资金流中有效信息含量），将资金流向标准化，用当天的资金流净额除以当天的股票成交量，即资金流净额/交易额。2. 资金流强度MFP，资金流净额/流通市值，即标准化资金流的强度。3. 资金流杠杆倍数MFL，流通市值/资金流净额，即衡量资金流的撬动效应。
操作步骤：选股策略基于沪深300指数成分股，并将股票按照各指标进行排序，去除数据计算无效的股票；研究的时间从2014年10月1日到2016年8月31日，共6期；组合调整的日期为4月30日（一季报披露完成）、8月31日（二季报披露完成）、10月31日（三季报披露完成）；剔除在组合调整日前后长期停牌的股票；组合构建时为等权重；组合构建时股票的买入卖出价格为组合调整日收盘价，若调整日为非交易日，则向前顺延；在持有期内，若某只成分股被调出沪深300指数，不对组合进行调整；将各成分股的季收益率与其相应指标进行合并，去除无效数据；将已合并好的沪深300成分股按照指标按照从高低的顺序排列；分为6组：排名前10的成分股、排名前20的成分股、排名前50的成分股、排名在50～100的成分股、排名在100～200的成分股、排名在200以后的成分股；计算出各组平均季收益率，将各组平均的季收益率与同期沪深300指数的收益率作对比，考察跑赢概率。在2014年10月1日至2016年8月31日共进行了12期组合的调整，不计交易成本。
（二）资金流信息含量假说及检验
1. 资金流信息含量假说
信息无效――回归拟合优度很差
信息泄露――回归拟合优度很好，资金流系数为正
信息反应过度――回归拟合优度很好，资金流系数为负
R■=MFPt，iβ1，j+MFLt，iβ2，j+R■β3，j+αi
其中，R■表示第t期股票i的超额收益率；R■表示第t+1期股票i的超额收益率；β表示各公示因子的回归系数；MFPt，i表示第t期股票i的标准化资金流；MFLt，i表示资金流杠杆倍数。
2. 对资金流信息含量假说的检验
本文以浦发银行（600000）为例，设第t期为2016年3月10日到20日，则第t+1期为2016年3月20日到30日，对于非交易日顺延并剔除无效数据信息；首先计算出第t期的资金流强度MFP和资金流杠杆倍数MFL；然后计算出第t期和第t+1期浦发银行的超额收益率；最后用Eviews进行多元回归分析检验。检验结果如表1所示。
由表1可知，线性回归系数为0.965963，拟合系数为0.933085，接近于1，说明拟合程度很好，第t期的股票超额收益率、资金流强度和资金流杠杆倍数这三个自变量对于第t+1期的股票超额收益率的解释程度很高。
由表2可知，F值为6.97219，F>F0.01（5.64），即方程极其显著，各自变量对因变量有很显著的影响，方差值很小，比较稳定。
由表3可知，资金流信息含量IC的回归系数为-1.05399，与t+1期超额收益率呈负相关，资金流强度MFP的回归系数为257.5974，与t+1期超额收益率呈正相关，资金流杠杆倍数MFL为-4.6E-07，与t+1期超额收益率呈负相关。从而回归方程为：
R■=257.5974MFPt，i-（4.6E-07）MFLt，i β2，j-2.05606+R■+αi
综上所述，当期的超额收益率、资金流强度、资金流杠杆倍数这三个指标对于下一期的股票有着很好的预测效果。
3. 根据资金流信息含量IC选股策略结果
由表4可知，整体上看，资金流信息含量较低的组合表现较好，其中资金流信息含量排名200之后的成分股构成的组合表现较好，记为组合IC（200）。在2014年10月1 日至2016年8 月31 日间，不考虑交易成本，组合IC（200）年化收益率为8.97%，高于同期沪深300 指数的表现。在6期中，组合IC（200）有5期跑赢了沪深300 指数，跑赢概率为83.33%。
（三）资金流强度MFP
1. 根据资金流强度MFP选股策略结果
2. 根据资金流强度MFP选股策略结论
由表5可知，整体上看，资金流强度较低的组合表现较好，其中资金流强度排名200之后的成分股构成的组合表现较好，记为组合MFP（200）。在2014年10月1 日至2016年8 月31 日间，不考虑交易成本，组合MFP（200）年化收益率为10.62%，高于同期沪深300 指数的表现。在6期中，组合MFP（200）有5期跑赢了沪深300 指数，跑赢概率为83.33%。
（四）资金流杠杆倍数
1. 根据资金流强度MFL选股策略结果
2. 根据资金流强度MFL选股策略结论
由表6可知，整体上看，资金流杠杆倍数较低的组合表现较好，其中资金流强度排名100～200的成分股构成的组合表现较好，记为组合MFL（100，200）。在2014年10月1 日至2016年8 月31 日间，不考虑交易成本，组合MFL（100，200）年化收益率为-2.93%，高于同期沪深300 指数的表现。在6期中，组合MFL（100，200）有4期跑赢了沪深300 指数，跑赢概率为66.67%。
三、各策略比较分析
将根据不同指标所选股的结果放到一起进行比较，时间是从2014年10月1日到2016年8月31日，由进一步的比较分析可知，按照低资金流强度选股的策略表现最好，年化收益率达10.62%，在6期的分析中有5期的收益率超过大盘，跑赢概率为83.33%。
四、资金流策略的有效性分析
正因为中国的A股市场不是特别有效的市场，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、分散化的优点而不惑国内市场的各种投资机会。相比定性分析，现阶段A股市场的特点更适合采用客观、公正而理性的量化投资风格。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，留给量化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，尽管在国内发展历程较短，从国内已有的采用了量化投资方法并且已经运作了一段时间的基金来看，量化基金可以被证明是适应中国市场的。
本文采用现代计量经济学的方法研究了从2014年10月1 日到2016年8 月31 日间沪深300成分股的情况，探讨了资金流信息含量的预测作用，研究了根据资金流三个指标进行选股所做策略组合的收益情况。主要涉及资金流信息含量IC、资金流强度MFP、资金流杠杆倍数MFL这三个指标，分别根据每个指标进行选股，观察其组合走势情况，得出的主要结论有：第一，资金流信息含量对下一期的股价走势有一定的预测作用；第二，根据上述的三个指标进行选股所做策略，在一定程度上是可以获得超过大盘的收益率。
作为量化投资的一个组成部分――策略指数基金已经发展起来，其中选股策略就包括本文所论述的资金流策略。不仅能够做到有的放矢，而且可以满足投资者不同风险收益偏好的投资需求。
参考文献：
[1]（美）罗伯特・A・哈根.金融学――有效市场的反例[M].清华大学出版社，2002.
[2]（美）罗伯特・阿诺德，许仲翔，约翰・韦斯特.基本面指数投资策略[M].社会科学文献出版社，2010.
[3]丁鹏.量化投资――策略与技术[M].电子工业出版社，2012.
[4]朱世武.基于SAS系统的金融计算[M].清华大学出版社，2004.
[5]曹立著.透视无形之手――中国证券市场资本流量运动解析[M].深圳出版发行集团海天出版社，2009.
[6]田存志，王聪.证券市场信息非对称问题的理论与实证研究[M].中国社会科学出版社，2013.
[7]陈威杰，蔡志成.数量化投资指标之资金流策略指标研究[J].时代金融，2013（12）.
[8]石建辉，基于资金流的股指期货投资策略[J].中国证券期货，2014（01）.
篇11
对于任何一项投资，环境条件的优劣直接影响了投资效益的好坏。 投资环境是影响房地产投资行为的外部因素的总体,是理性的房地产投资活动赖以进行的前提。在一定的条件下,投资环境因素对房地产投资的成败起着关键的作用。由于高投入、高风险、复杂性、开发周期长及影响因素多等方面的原因,所以科学的对投资环境进行分析并对投资的前景进行预测,是防止风险和确保高收益、高回报的必要前提与基础。房地产投资环境评价工作在经济生活中日益受到人们的重视，评价方法的研究也在逐步展开。目前，常见的房地产投资环境定量评价方法包括初级因素打分法、多因素系统评估法、综合性定量方法、雷达图分析法、关键因素评估法等。但这些评价方法对于主观性指标处理得比较粗糙。变权综合法由于所需数据少,评价准确性高；而且更能突出指标体系中个别指标的明显变化，比常权综合法更接近专家评估的思维模式，所以它在社会各行业得到广泛应用。本论文建立了一个基于变权综合评价方法的投资环境评价模型,并以河北省某地区为例,给出了一个实证分析。
二、变权综合法
定义2.1称为一个m维常权向量，如果对于任意,有,且满足。
定义2.2 给定映射，称向量,为m维局部变权向量，如果满足:
(1)归一性
(2)惩罚激励性：对每个，存在，且，使得关于在内单调递减，在内单调递增。
定义2.3 给定映射,称向量,为m维局部状态变权向量，如果对于每个，存在，且，满足条件：
(1)对于每个，对于常权向量,在上关于递减，在上关于递增。
(2)当时，;当时，。
定理2.1 设为一个m维局部状态变权向量,为任一常权向量，则, 为一个m维局部变权向量。
给定指标集,各指标的常权分配为，某被评价对象各指标的评价值为：，取定局部状态变权向量:,可得局部变权向量：,于是综合评价值为：
三、基于变权综合法的房地产投资环境评价模型
房地产投资环境评价指标体系是对投资环境进行综合评价的依据和标准。它的设置应符合系统全面、简明科学、稳定可比、灵活可操作的原则。因此，本文按隶属关系、层次结构，将影响投资环境的因素加以系统分析和合理综合，其构成要素一般分为政治、经济、自然、基础设施和社会因素四大方面。欲建立房地产投资环境测评模型，应遵循：构建评价指标体系评价指标定量化建立测评模型。根据以上分析，本文借助层次分析法确定了权重向量，基于变权综合法建立一类测量房地产投资环境的定量化模型，具体步骤如下：
1.运用层次分析法，建立层次结构模型，确定权重系。如表1所示，
表1 河北省房地产投资环境指标体系
2. 下面我们通过对河北省某地区房地产投资环境进行评价。我们邀请了10位专家，分别对各指标进行按评分标准打分，得到二级指标状态值。
比如我们首先取定:
得到房地产投资环境评价过程如表2:
表2
按照上述步骤，经过计算得出：虽然该地区社会政治环境和基础设施环境都较好，但由于自然环境和经济环境稍差，采用变权综合法达到了惩罚的目的，而常权综合却未能达到此效果。
四、结束语
由于房地产投资环境复杂性，不确定的影响因素众多，投资者对环境的选择尤为慎重，投资环境的好坏直接影响到投资者的收益。对投资环境做一个公正合理的评价至关重要。本论文所采用的变权综合评价法，运用定性和定量相结合，专家评价和科学计算互相补充的分析方法，比常权评价法更为准确，具有一定的适用价值。
参考文献:
[1]姚炳学李洪兴:局部变权公理体系[J].系统工程理论与实践,2000,20(1):106～112
[2]罗萍，投资环境的变权综合评价法[J].商场现代化, 2006年10月(中旬刊）:183～184
[3]王晓玲:素质教育评价中的变权综合方法[J]．系统工程理论与实践，2004.4(4):136～140
篇12
一、引言
1983年郭开仲教授提出了消错学，消错理论研究的对象是错误。研究的内容是错误的发生原因和机制，错误的传递，转化的方法和规律，预测、避免、减少、消除错误的方法和规律。在理论上，既研究一般的错误概念和性质，又研究如何把一个一般的错误抽象为一个对象系统，从而研究系统错误的理论；研究如何建立定量化描述错误的一种方法等。在应用上，既要研究如何把理论方法应用于实际的应用理论、应用方法、应用技术，又要重点研究建立有关领域、判别、预测、避免、和消除错误的专家系统和专家系统的应用推广等。消错理论采用数学（高等数学、离散数学、模糊数学、微分方程，数理统计、系统科学、系统工程等）方法研究错误的定量化，采用逻辑（逻辑学、形式逻辑、数理逻辑、模糊逻辑，辩证逻辑、辩证数理逻辑等）的方法研究错误的关系，利用各学科的理论、方法和研究成果与错误理论相结合的方法研究各学科领域的错误，建立了一个独具特色的消错学理论体系[1]。
消错学为定量化研究错误奠定了理论基础。该理论在许多领域进应用研究、检验其科学性，这些领域涉及企业固定资产投资、复杂大系统冲突、证券投资、组织沟通、企业危机管理等。可以期待的是，研究者针对更多的具体问题应用消错学理论，消避错的方法在实际问题的研究过程中，会得到丰富。
二、消错理论主要内容简介[2-7]
1） 消除错误的步骤
消除错误的步骤是指消错学时如何应用到实际消除错误当中去的步骤。
2） 消除错误的步骤
消除错误必须要从需解决的问题入手。 在已知问题的基础上，把该问题抽象为一个对象系统。同时，在该研究问题所界定的论域上建立一组相应的科学的判别规则。 建立错误函数。 计算错误值，若错误值小于零，则该问题在所建立的判别规则下无错误，该问题结束。 若错误值大于零，就要寻找错误，且要寻根究底。即找出发生错误的根本原因。 变换系统或规则，找出消除错误的方案。 计算消除错误的效益及代价。 进行综合评价，若满意，则得到一组消除错误的方案，且实施，直到结束。若不满意，则返回到第四步继续进行，直到方案满意为止。
（3） 消除错误的方法
从综合变换可知，对于研究的系统 X ，出错的要素有四个：
论域， 系统， 时间， 判别规则。
因此，我们不但可以单独对这些要素进行变换，而且还可以同时对它们中的若干个进行变换，由此有：
1） 变换论域；2） 变换系统； 3） 变换时间； 4） 调整判别规则； 5） 同时变换论域与系统；6） 同时变换论域与时间；7） 变换论域与调整规则同时进行； 8） 同时变换系统与时间； 9） 变换系统与调整规则同时进行；10） 变换时间与调整规则同时进行； 11） 同时变换系统、论域和时间；12） 变换论域，系统和调整规则同时进行；13） 变换论域，时间和调整判别规则同时进行；14） 变换系统，时间和调整判别规则同时进行；15） 变换论域，系统，时间和调整判别规则同时进行；
对每一个要素的变换，一般又可以进行六种基本变换。
1） 扩缩（相似或等价）；2） 置换； 3） 分解；4） 单位变换；5） 增加； 6） 毁灭。
对于这些基本变换又具有三种组合方式：
1） 积， 2） 或，3） 逆。
我们称这种消除错误的方法为“十五、六、三”法。
三、消错学的研究方法和目标[8-13]
我们采用数学方法研究错误的定量化，采用逻辑的方法研究错误的关系，利用各学科的研究成果和消错学理论相结合的办法研究各学科领域的错误。即我们采用理论与实践相结合，取各家之长为我所用，建立一个独具特色的消错学理论体系。
从1983年到现在， 消错学理论的基本框架已基本建立， 并得到了国内外许多著名专家的高度评价。因此， 今后除继续完善和深入研究理论框架外， 还要大力研究消错理论在决策科学里的应用。 因为我们已在本科和专科班中开设“消错学”的选修课； 在研究生中开设“消错学”的理论课；所以在组织机构上， 我们希望能建立消错理论研究室和有稳定的资金来源， 承担《消错学》的教学和消错理论的研究工作。
2001年之前， 我们出版了《消错学引论》，《判别企业固定资产投资决策错误的理论和方法》，《复杂大系统冲突与错误的理论方法及应用》，《错误集论》等消错理论的四本专著， 在国内外发表有关论文100多篇。在此基础上， 今后特别要完成消错理论在决策领域的应用方法研究的有关课题。
长远目标是： 建立《消错学理论》的完整的理论体系， 为全社会减少或避免错误给人们带来的损失或灾难而奋斗。为此，我们要进行广泛的调研和参加国内外有关学术会议，特别要加强国内外的联合研究， 有计划、有组织地开展研究工作。
消错学研究的对象是错误。研究的内容是错误的发生原因和机制，错误的传递，转化的方法和规律，预测、避免、减少、消除错误的方法和规律。在理论上，我们既研究一般的错误概念和性质，又研究如何把一个一般的错误抽象为一个对象系统，从而研究系统错误的理论；研究如何建立定量化描述错误的一种方法等。在应用上，我们既要研究如何把理论方法应用与实际的应用理论，应用方法，应用技术；而又要重点研究建立有关领域、判别、预测、避免、和消除错误的专家系统和专家系统的应用推广等。
四、消错学在管理科学中的应用理论[8-9]
1 判别错误
要判别错误，在一般情况下，我们需要把我们的研究对象抽象为一个相应的对象系统：
X=X（Wi，T（t1，t2），J，GY，MG，R），
即找出研究对象所涉及的所有问题构成的集。
2分析错误的发生原因和机制
在上面步骤完成之后，我们就找出了对象系统的错误发生在哪里，错误的程度如何？根据这些信息，我们需要进一步分析错误的原因和错误在对象系统中的各种作用，找出该对象系统的结构。
3 预测错误
用预测学中的各种技术，预测对象系统中的各要素在 t0 时刻的状态，同时要预测规则在 t0 时刻的状态，建立在 t0 时刻的错误函数，从而计算在 t0 时刻的错误值。
4研究错误的传递、转化的方法和规律
利用错误系统、错误集、错误函数等理论去研究该对象系统的传递、转化的方法和规律。
5 消除错误
要消除错误，先要找出消除错误的方法，即找出消除错误的各种方案后计算各方案消除错误的代价。再由系统的效益和代价来评价消除错误的方案，最后确定消除错误的最终方案，从而达到我们研究错误的最终目的，减少、避免、消除错误。
五、结语
本文对错误理论的研究背景、动机和国内外的研究现状作了阐述，并系统地介绍了该理论的研究方法和研究工具，给出了消错学理论的相关概念以及其算子。再者，探讨了消错理论对管理实践、社会科学当中应用的具体步骤，以及其应用的前景。消错理论及其在管理与决策中的应用正在愈来愈多地受到学术界和业界的关注，特别是在管理中的应用已经引起了国际许多学者的关注。鉴于这个理论的独创性和创新性，因此，该理论具有巨大的研究空间，期待有更多的有识之士和感兴趣的学者能加入这个研究中来。
参考文献
[1] 郭开仲，张式强. 判别企业固定资产投资决策错误的理论和方法[M]. 华南理工大学出版社， 1995.
[2] 刘永清，郭开仲. 复杂大系统的冲突与错误的理论及应用[Z]. 广州： 华南理工大学出版社， 2000.
[3] 刘红兵. 模糊错误逻辑研究及其在防范证券投资风险中的应用[D]. 广东工业大学， 2000.
篇13
在任何一家公司进行一笔大的投资前，都应该对新技术和新设备能够节省的成本，以及对运营可能造成的影响有个清晰的认识。“工程学”的方法相对于“最佳状况”法更能有效地评估潜在的投资。“工程学”的方法需要从“微观”的角度或者因素层面上研究运营现状（和工程师在建立工程劳动标准时所用的方法类似），还需要准确地找到新技术的引入会对哪些因素造成影响。而新技术对每种因素的影响程度会由主题专家通过“工作效率研究”技术或者实际估算得出。
简而言之，评估新技术或者新设备的“工程学”方法能预测将来劳动标准所需要的成果，而这些成果则与新技术能够带来的劳力成本节约直接相关。这一方法即指构建一个成本预算体系以反映某一特定设备和运营的实际情况，减少因失误带来的经济损失。
考虑运营影响
在着手对仓库和分拨中心的新技术或新设备进行评估前，公司需要对当前从接收到发运的运营绩效有个充分的认识。在掌握这些信息后，公司就能通过“工程学”的方法对采用新技术或新设备前后进行对比。
“工程学”方法的第一步是确定公司的运营改进目标都有哪些特定方面，并且搞清这些方面在引入新技术或者新设备后会发生哪些变化，这些变化有可能是变得更好也可能是变得更糟。有时候一些厂商会把推销说辞也归入运营改进目标的一方面，但大部分有专业技能和熟悉运营的管理者都会明确那些方面是确实需要改进的。
每一项大型投资对运营的某个单独方面带来的不仅仅只有积极影响。比如，引入托盘自动包装机虽然能够减少每个托盘的包装时间，但又会增加包装前的准备时间；远程控制的物料搬运设备虽能通过减少一些步骤来加快拣选过程，但也会在操作员等待设备响应系统命令时产生延迟。
“工程学”方法第二步是要考虑新技术的引入如何对运营的其他方面造成影响，这些方面包括了上游和下游工序，有可能也包括设备维护和技术支持功能。仍然以前文所述的托盘自动包装机为例，虽然包装机比手工操作更有效率，但它在包装前的准备阶段存在瓶颈。如果研究表明这个瓶颈是由人员等待使用设备而产生的，则购买者需要估算应该购买多少台设备才能防止延迟产生。
另一个需要考虑的重要因素是解决方案会对工厂的实体布局以及交通线路会造成什么样的影响，这包括了以下几个问题：设备的摆放位置是否会阻断交通流？新设备与工作区中其他设备是怎样交互运作的？是否需要调整/引入设备的前后期检查或预防性检修程序，以保证设备周围的安全性。
此外，了解新方案的可靠程度以及需要什么样的维护也很重要。当设备在停机和维护期间，为了使运营正常，在需要某些技能的同时，定义其它程序时也会带来额外的成本增加，然而很多人往往忽视了这些需求。这些都是在销售和商业案例评估中容易被购买者忽略的因素。
基准VS 未来
一旦购买者了解了新技术或者新设备的潜在影响后，他们需要为检测任务的每一个步骤采集一个基准值（比如节省的劳力通常以时间来衡量）。每一个步骤还得细分，称为元素。那些不受新技术影响的元素可以忽略，但这些元素可以使购买者找出在新技术和新设备引入前后运营上的差别。有很多种方法可以采集到每个元素的执行时间，比如码表研究法、时间-动作研究法等。只要现有的工程劳动标准足够准确，并且在18到24个月内更新过，公司就可以利用该标准来量化当前的环境。那些没有适当的工程劳动标准的公司也可以采用这一方法，但预先需要收集更多数据。
对于公司来说，理解新技术是怎么影响工程标准的架构以及如何用适当的激励机制来管理员工是非常重要的。如果公司不通过调整工程劳动标准或激励机制来应对新技术的影响，则很有可能达不到期望中节省费用的目的，也不能获得预期收益。
掌握了运营现状的基准信息，购买者就可以预测到新技术会如何对每个元素造成影响。在理想状况下，潜在的购买者通常会在工厂中引入新技术或者新设备，培训员工如何使用这些新技术，并会研究这些技术会对周围环境造成什么样的影响。对新技术或设备进行测试不仅能发现无法预料的缺陷，还能为后续与供应商洽谈提供事实依据。
由于许多技术和设备需要大量的资金投入，所以不可能在工厂中进行“测试运行”。在这种情况下，仿真模型则大有用处。但在使用仿真模型时，必须记录下所有的假设，因为这些假设为那些从数据中得出的结论构造了框架。
在估算了受影响区域当前值和未来值之后，下一步需要计算偏差，然后将其用到劳动力模型和受影响的过程中，来计算新技术或新设备的成本和生产率。如果一家公司拥有带仿真能力的劳动力管理系统，则可以通过未来状态的模型来进行实际作业分配，并且能准确调整劳动力分配，比如每个地区的劳动力，每项作业的劳动力，每项作业所需的托盘，以及步行和骑行所占的百分比。对于没有仿真能力的公司，则需要收集尽可能大的数据样本以确保劳动力假设条件能够反应长期的运营环境。
一旦购买者对新技术或者新设备的影响进行了量化，就会发现数据带来的便利。因为花费了大量努力去计算出一个精确的节约费用，所以高管们都希望能立即将得出的数据用于投资回报率（ROI）的模型中并开始将节省的费用转化成现金。但是在上述模型的量化过程中，以下几个问题必须考虑：新技术的引入是否会在货物流的运营中带来新的瓶颈？新技术是否存在“过程限制”，即这些新技术是否会在提高总体平均水平的同时限制了仓库的高绩效。对于上述问题，采用更为传统的方法来估算未来收益是一种明智的做法。
与供应商谈判时，能够准确预测从资本投资中节省费用的方法将是非常有用的工具。假如引入的新技术和新设备不能够达到要求的ROI，购买者则会压低价格，把新技术或新设备作为可行的选择。如果价格没有可以变动的空间，购买者就会要求供应商调整新设备以补偿ROI的差额。
