量化投资与分析模板(10篇)

时间:2023-05-24 17:12:59

导言:作为写作爱好者,不可错过为您精心挑选的10篇量化投资与分析,它们将为您的写作提供全新的视角,我们衷心期待您的阅读,并希望这些内容能为您提供灵感和参考。

量化投资与分析

篇1

传统的证券风险分析当中必然会同一个与之如影随形的概念联系在一起,那就是收益,同时,在西方传统的经济学当中风险和报酬存在着这么一个函数关系,甚至在一些传统的经济学课本上作者为了简化两者之间的关系,将两者简单的归结为一个完美的线性关系,即风险与收益之间是一对一的数学关系,并且存在着这样一个逻辑:风险越大,报酬或者收益也就越大,反之亦然。即使是稍微尊重事实一些的经济学教材也运用了高等数学当中线性回归的方法将两者的关系从非线性回归为一对一的线性关系。除了学界对于风险的分析是从报酬或者收益出发的以外,在国外或者国内的民间也有类似的对于两者关系的表达,例如我国有句老百姓口中经常说到的“富贵险中求”就是对两者的关系的简单认识。因此,传统证券风险分析的源头明显是来源于对于报酬的分析。

(二)传统证券风险量化指标的数学方法的应用

传统的证券风险理论认为证券的总风险=可分散的风险+不可分散的风险,其中可分散的风险主要指的是个别证券自身存在的风险,而不可分散的风险则是指市场风险,下面笔者介绍一下传统证券风险量化的两个重要的指标――标准差与贝塔值。

第一,标准差。传统证券风险理论认为个别证券的风险可以从单个证券的报酬率为起点进行分析。财务投资专家从高等数学当中引入了一个衡量证券报酬率的波动性量化分析的指标――标准差来进行对单项证券风险的判断,进而判断出相同期望报酬率和不同期望报酬率时对于不同投资的选择。测算的步骤如下:第一步,确定各种市场需求下各类需求发生的概率;第二步,计算出期望报酬率,其实质上是对于各类市场需求下的报酬率的加权平均数。第三步:根据标准差的数学公式计算出标准差,σ=[Σ(ri-?)2×Pi]1/2其中ri是第i只证券的报酬率,?是期望报酬率,Pi是第i只证券的报酬发生的概率。结论是在期望报酬率相同的时候,标准差越大证明该证券波动越大,风险也就越大,反之亦然。在期望报酬率不同时引入了另外一个概念即离差,由于基本原理也是根据标准差衍生而得,在此不再赘述。[1]

第二,代表市场风险的贝塔值。我们在第一点中提到的标准差主要衡量的是单项证券的风险,而贝塔值的引入主要是考虑到了证券组合的风险构成当中不可分散的风险即市场风险。而贝塔值的测算公式从数学的角度来说实际上是利用了标准差的升级版公式即协方差,协方差主要是衡量了两组数据之间的相关程度,以此来判断证券组合的报酬率与市场报酬率之间的数理联系,进而判断出不可分散的风险。理论上贝塔值的计算是βi=(σi /σm)ρim,其中βi第i个证券组合的市场风险程度,σi,σm分别第i个证券组合的标准差与市场证券组合的标准差,ρim代表第i个证券组合的报酬与市场组合报酬的相关系数。实际当中β系数可以通过将股票报酬对市场报酬做回归得到,拟合得到的回归线的斜率就是证券的β系数,即β=Ri /Rm。[2]

二、价值投资理念下风险与报酬的关系

价值投资理念是华尔街之父本杰明格雷厄姆所创立,在其传世之作《证券分析》当中明确提出了有关投资与投机概念,其中论及投资界老生常谈的收益与风险的问题时结论与传统证券风险分析有着本质的不同,格雷厄姆明确指出收益与风险之间不存在着数学关系,并且认为证券的价格与收益并非取决于对于其风险的精确数学的计算,而是取决于该证券的受欢迎程度,而这种受欢迎程度本身包含了投资者对于风险的认识,但很大程度上还受到如公众对公司和证券的熟悉程度,证券发行与购买的容易程度等。[3]并进一步指出,无论是理论上还是实际当中,对投资风险进行精确的计算都是不可能成功的,现实当中并没有所谓的期望报酬率的概率经验表,即使存在也是基于对于历史数据的分析得到了,而历史数据之于未来决策的有用性或相关性的大小还有待考证,其研究范围不同于保险公司对于保单的精确测算,例如人寿保险能够明确的了解年龄与死亡率之间的关系是明确的。而证券的风险与报酬之间的关系则没有如此的确定。[4]

三、价值投资理念下传统证券风险量化分析的反思

以上笔者对于传统的证券风险理论与量化方法以及价值投资理念下关于风险与收益的关系进行了论述。笔者认为,价值投资理念下有关论述对于我们重新审视证券投资中风险因素的衡量有着非常重要的意义。

首先,笔者认为,标准差的计算过程本身就存在着无法避免的瑕疵,这一个公式至少有两个基本假设,第一,计算的人必须能够客观的预测出各种市场情况发生的需求概率,并且准确的在各种概率下发生的报酬率;第二,假定历史数据对于未来的投资决策具有确定的相关性。但是在现实生活中根本是无法预测的,这种算法实质上是硬将自然科学当中的数学模型强加到社会问题的研究当中,不可否认的是,目前来说大量的社会问题是无法通过数学来量化的,因为证券的风险当中不仅仅只有报酬因素的影响,还有各种在不同市场条件下的因素决定的,而这些因素又相互的的影响和动态的变化。因此,标准差的方法受到了质疑,后续的离差率、β值的计算自然也就没有了根基。

篇2

近几年,国内基金公司都在积极推出量化投资产品。但市场人士认为,目前国内的常见“量化”基金,实质上大多是“量化选股”基金,从量化的风险控制到量化的交易,整个决策流程依然靠传统的方法。

国内著名投行宏观策略研究员的工作积累,华尔街量化投资的历练,使华商大盘量化拟任基金经理费鹏对量化投资的A股应用有着自己的心得。他认为,量化投资最大的优势在风险控制上。与传统的价值投资“越跌越买”的理念不同,他认为量化投资应该是主动对市场风险进行判断,通过技术分析、量化模型分析等判定风险,在确定风险之后,及时对仓位进行控制,及时止损。

费鹏认为,目前市场上的量化产品将研究的重点放在择股和行业配置上,缺乏有效及时的风险响应体系,而从国外的经验看,量化的一大特点就是对风险的预判。因此,华商基金量化投资团队在吸收国内外先进经验的同时,在模型设计之初,便将核心定为风险控制。

在设计中,华商基金量化投资团队借助了包括从统计信息学角度出发的信息熵值(Entropy)的变化、从分形理论出发的市场模式(P atter n)的变化、从金融物理学角度出发的金融泡沫统计指标的变化、从市场微观结构出发的分析师一致预期分歧的变化和趋势等,构建风险模型,对中短期系统风险进行定量分析,依靠基金经理和研究员对宏观经济发展状况、人口与社会的结构性特征、经济产业周期等因素的分析,对长期风险进行定性分析。

量化投资坚持追求绝对收益

提及量化投资,人们就会想到西蒙斯用公式打败市场的经典案例。但这一投资工具在被引入国内投资市场之后,并没有展现其神奇的威力。根据wi n d数据分类显示,目前市场上有19只量化基金,2 012年可统计的15只量化基金平均收益率仅为2 . 5 5%(同期沪指上涨3 .17%),国内发行的量化基金的表现不尽如人意。

在费鹏看来,国内的量化基金仅仅是“量化选股”,追求相对收益。他认为,量化投资的核心应该是风控,坚持追求的则应该是绝对收益。

相比而言,目前国内公募量化基金多采用多因子模型,而多因子模型的设计原理是把价值投资理论通过数字模型加以表达。在实际测算中,华商基金量化团队每日涨幅居前的股票中,会有所谓投资价值较少的“垃圾股”,很难通过价值投资理论解释。

篇3

一、量化投资及量化投资体系的定义

什么是量化投资?简单来讲,量化投资就是利用计算机科技并结合一定的数学模型去实现投资理念与投资策略的过程。与传统的投资方法不同的是:传统的方法主要有基本面分析法和技术分析法这两种,而量化投资主要依靠数据和模型来寻找投资标的和投资策略。量化投资系统则是由人设定出某种规则,在计算机当中根据规则构建这种模型,而后由计算机自己去根据市场的情况进行一些投资机会的判断。从他们投资方式的区别当中可以看出,量化投资更依赖于数据,传统投资则更依赖于人的主观判断。从这点上来说,量化投资可以有效的规避一些人为的错误判断。

二、我国量化投资体系的发展

在美国,量化投资方法的发展己经有将近年的历史,量化方法从允嫉较衷谡嫉矫拦市场30%上以上的比重。而在中国,量化投资只是刚刚起步而己。但是已经有很多基金公司允即罅Υ蛟熳约旱牧炕投资团队,期望在传统的基本面研究之外源匆黄新的投资天地。国内证券市场上成立比较早的量化投资基金主要包括:嘉实基金――嘉实量化阿尔法股票、上投摩根基金管理有限公司――上投摩根阿尔法、光大保德信基金――光大量化、富国基金管理有限公司――富国沪深增强、国泰君安资产管理公司――君享量化。近年来,一些公募基金、私募基金也都不断加快了布局量化投资基金的方法。这些量化投资基金,主要研究了基于基本面的多因子选股模型,这些投资组合因子主要包括:公司财务基本面数据,市场行情数据,行业数据等,并在实证中不断完善量化投资指标因子的选取。研究行业以及个股的价格趋势,运用道氏理论、K线理论、波浪理论、切线理论、形态理论等一些常用的技术分析方法建立不同风格的投资模型和投资组合。

三、量化投资的优点

量化投资作为一种有效的主动投资工具,是对定性投资方式的继承和发展。实践中的定性投资是指,以深入的宏观经济和市场基本面分析为核心,辅以对上市公司的实地调研、与上市公司管理层经营理念的交流,发表各类研究报告作为交流手段和决策依据。因此,定性投资基金的组合决策过程是由基金经理在综合各方面的市场信息后,依赖个人主观判断、直觉以及市场经验来优选个股,构建投资组合,以获取市场的超额收益。与定性投资相同,量化投资的基础也是对市场基本面的深度研究和详尽分析,其本质是一种定性投资思想的理性应用。但是,与定性投资中投资人仅依靠几个指标做出结论相比,量化投资中投资人更关注大量数据所体现出来的特征,特别是挖掘数据中的统计特征,以寻找经济和个股的运行路径,进而找出阿尔法盈利空间。与定性投资相比,量化投资具有以下优势:

(一)量化投资可以让理性得到充分发挥

量化投资以数学统计和建模技术代替个人主观判断和直觉,能够保持客观、理性以及一致性,克服市场心理的影响。将投资决策过程数量化能够极大地减少投资者情绪对投资决策的影响,避免在市场悲观或非理性繁荣的情况下做出不理智的投资决策,因而避免了不当的市场择时倾向。

(二)是量化投资可以实现全市场范围内的择股和高效率处理

量化投资可以利用一定数量化模型对全市场范围内的投资对象进行筛选,把握市场中每个可能的投资机会。而定性投资受人力、精力和专业水平的限制,其选股的覆盖面和正确性远远无法和量化投资相比。

(三)是量化投资更注重组合风险管理

量化投资的三步选择过程,本身就是在严格的风险控制约束条件下选择投资组合的过程,能够保证在实现期望收益的同时有效地控制风险水平。另外,由于量化投资方式比定性投资方式更少的依赖投资者的个人主观判断,就避免了由于人为误判和偏见产生的交易风险。当然,无论是定性投资还是量化投资,只要得当的应用都可以获取阿尔法超额收益,二者之间并不矛盾,相反可以互相补充。量化投资的理性投资风格恰可作为传统投资方式的补充。

四、量化投资的局限性

量化投资是一种非常高效的工具,其本身的有效性依赖于投资思想是否合理有效,因此换言之,只要投资思想是正确的,量化投资本身并不存在缺陷。但是在对量化投资的应用中,确实存在过度依赖的风险。量化投资本身是一种对基本面的分析,与定性分析相比,量化分析是一种高效、无偏的方式,但是应用的范围较为狭窄。例如,某项技术在特定行业、特定市场中的发展前景就难以用量化的方式加以表达。通常量化投资的选股范围涵盖整个市场,因此获得的行业和个股配置中很可能包含投资者不熟悉的上市公司。这时盲目的依赖量化投资的结论,依赖历史的回归结论以及一定指标的筛选,就有可能忽略不能量化的基本面,产生巨大的投资失误。因此,基金经理在投资的时候一定要注意不能单纯依赖量化投资,一定要结合对国内市场基本面的了解。

五、量化投资对中国的启示

通过研究国外市场的发展和中国市场的特点,对中国市场上的监管创新,制定相关的法律法规也势在必行。由于市场结构的差异,国内量化投资情况与国外有很大不同。技术型量化投资的应用主要是集中在期货市场,并且有较高的推崇程度;金融型量化投资的应用主要集中在股票市场,由于需要应用的时间数据周期相对较长,实际中应用并不普遍。目前,中国金融市场正处于迅速发展的阶段,很多新的金融工具在不断被引进,用量化投资方式来捕捉这种机会,也是非常合理的。与国外相比,目前国内股票市场仅属于非有效或弱有效市场,非理性投资行为依然普遍存在,将行为金融理论引入国内证券市场是非常有意义的。国内有很多实证文献讨论国内A股市场未达到半强势有效市场。

目前对中国市场特点的一般共识包括:首先,中国市场是一个个人投资者比例非常高的市场,这意味着市场情绪可能对中国市场的影响特别大。其次,中国作为一个新兴市场,各方面的信息搜集有很大难度,有些在国外成熟市场唾手可得的数据,在中国市场可能需要自主开发。这尽管加大了工作量,但也往往意味着某些指标关注的人群少,存在很大机会。其三,中国上市公司的主营比较繁杂,而且变化较快,这意味着行业层面的指标可能效率较低。而中国的量化投资实际上就是从不同的层面验证这几点,并从中赢利。例如,考虑到国内A股市场个人投资者较多的情况,我们可以通过分析市场情绪因素的来源和特征指标,构建市场泡沫度模型,并以此判断市场泡沫度,作为资产配置和市场择时的重要依据。

在中国金融市场的不断发展阶段,融资融券和股指期货的推出结束了中国金融市场不能做空的历史,量化投资策略面临着重大机遇。运用量化投资的机理和方法,将成为中国市场未来投资策略的一个重要发展趋势。量化投资在给投资者进行规避风险和套利的同时,也会带来一定的风险,对证券具有助涨助跌的作用。由于国内股票市场还不够成熟,量化投资在中国的适用性很大程度上取决于投资小组的决策能力和创造力。以经济政策对中国量化投资的影响为例。中国的股市有“政策市”之称,中国股市的变化极大的依赖于政府经济政策的调节,但是经济政策本身是无法量化的。基金建仓应早于经济政策的施行,而基于对经济政策的预期,但预期的影响比经济政策的影响更难以量化。例如,在现阶段劳动力成本不断上升、国际局势动荡、国际大宗商品价格上升的情况下,央行何时采取什么力度的加息手段,对市场有何种程度的影响,这一冲击是既重要又无法量化的。为解决这个在中国利率非市场化特点下出现的问题,需要基金投资小组采取创造性的方式,将对中国经济多年的定性经验和定量的指标体系结合起来,方能提高投资业绩。

参考文献:

篇4

股票市场上形形的各种分析方法总结起来可以归类为三大流派:数量分析、基本面分析和技术分析。关于这三大流派孰优孰劣的争论已经持续了近百年,三方各执一词,百年争论下来也没有争出个结果来。当今世界也是这三种流派大概各占三分之一的格局。而A股市场显然尚未跟上,量化投资远远没有达到三分之一的市场占有率。

第一部分:什么是量化投资

量化投资在海外的发展已有30多年的历史,其投资业绩稳定,市场规模和份额不断扩大、得到了越来越多投资者认可。事实上,互联网的发展,使得新概念在世界范围的传播速度非常快,作为一个概念,量化投资并不算新,国内投资者早有耳闻。但是,真正的量化基金在国内还比较罕见。那么,何为量化投资?

康晓阳:量化就是符合投资常识的投资逻辑和策略

接下来会发生什么?

深圳市天马资产管理有限公司是国内最早开发量化投资模型的资产管理公司,致力于量化投资工作接近十年。作为国内量化投资的“开山鼻祖”,深圳天马的董事长康晓阳先生如下介绍量化投资:

大家看到这个图,鱼跳起来了,风在刮,接下来会是什么?日本发生的9级大地震!2011年3月7日我看到一个报道,有50条鲸鱼在搁浅沙滩,就在发生地震那个县东部的海岸,有的死了,专家解释这些鲸鱼集体迷路了。作为一个地震专家或者学者,其实他们的经验没有告诉他这50条鲸鱼搁浅沙滩跟地震有什么关系。到底有没有关系呢?我们知道5•12四川大地震之前发生了同样的事情,很多癞蛤蟆过马路,这跟地震有什么关系?

投资做股票有两类,讲很多种策略,无外乎就是买你自己喜欢的和买市场喜欢的,买自己喜欢和买市场喜欢的背后逻辑就是找影响股价的要素。

量化是什么?做投资,最终的分析停留在数据上,既然是数据,就可以标准化、固化。从你自己的角度买自己喜欢的东西,其实也可以量化,每个人都有对美的标准,但并不是符合这个指标,你就一定喜欢。如果有一个海选,把符合你喜欢特征的人放在你面前你去选,就可以量化。

鲸鱼搁浅在沙滩上,根据历史数据统计就会发现这个事情跟接下来要发生的事情有什么关联。把人的行为逻辑影响股价所有的要素进行综合分析,预测下一个市场喜欢的东西或者喜欢的策略是什么,简单一句话,量化就是符合投资常识的投资逻辑和策略。就股票来讲,投资标的的数据和因素量化,再用一些模型统计的方法把选出来的标的进行优化,最后成为投资组合,这就是量化的基本逻辑。用数理的方法把你的投资逻辑或者市场的投资逻辑固化,只要有投资逻辑的思想或者策略,都可以量化。

就股票而言,有很多种方法,有价值型股票,分析方法无非是那几种,只是大家的标准不一样,量化的东西可以设一个相对宽松的东西,初选之后再优化,比如成长型股票,肯定关心盈利、收益。选出来10个、20个、50个甚至100、200个股票,然后配比重,怎么优化组合,根据你的风险和预期收益率反推回来怎么优化,最后得出一个比重,哪只股票应该投多少。有些是成本交易,比如套利,什么情况下出现一定条件的时候提示你。

要真正做到量化,首先要有一个基本的理论模型。你要觉得什么样的股票表现好,什么样的股票你愿意投资,这就是量化的基本逻辑。但是,有了这个逻辑之后还不够,还要有复合型人才,因为量化投资不光要懂得投资股票,还要懂得数理分析。打个比方,虽然我很懂股票,但我不懂数理分析,很多计算机模型也不懂,更不懂编程序,要真正做到量化投资,就必须有复合型团队。为什么这么多年华尔街学金融工程、数理、物理的人大受欢迎?因为他们可以用统计工具。前段时间我在英国的一所大学和一些专门做模型分析的教授交流,我发现他们想的东西更加复杂,基本上把市场上任何的东西都想要量化。

我理解,就是去跟踪你的投资逻辑,它只是帮你实现你想法的一种工具。另外还要有高质量的数据,因为,你通常看到的东西和市场本身存在的东西可能并不一样。如果把鲸鱼放到海滩上,这作为数据化,统计过去2000年有多少次鲸鱼搁浅在海滩发生,假如有真实的数据,就可以研究出跟地震的相关性。要懂数理统计工具,建立模型就是纪律,不能改变,改变就不是模型。有人说看到今天不行,换一下,那就不是模型了。我们看过一个电影,造出来的机器人最后自己都控制不了,那就是模型。如果造出来的机器人自己能控制,那不是模型。人为什么能挣得到钱,为什么还要量化?传统是靠个人经验的,而且你看到、听到的东西都是有限的。量化有什么好处?它可以把你知道的东西在整个森林中搜索。计算机是不知疲倦的,晚上你在打鼾,计算机还可以工作。你的模型是你建的,你很理性的情况下建的模型,市场情绪变了,它不会变,那时候你不可能去改模型,所以它不会受情绪的影响。

华泰联合:实现投资理念与策略的过程

国内研究机构中涉足量化投资较早并多次获得新财富最佳分析师评选金融工程第一名的华泰联合证券金融工程团队如是说:

数量化投资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。与传统定性的投资方法不同,数量化投资不是靠个人感觉来管理资产,而是将适当的投资思想、投资经验、甚至包括直觉反映在量化模型中,利用电脑帮助人脑处理大量信息、帮助人脑总结归纳市场的规律、建立可以重复使用并反复优化的投资策略(经验),并指导我们的投资决策过程。

本质上来讲,数量化投资也是一种主动型投资策略,其理论基础在于市场是非有效或弱有效的,基金经理可以通过对个股、行业及市场的驱动因素进行分析研究,建立最优的投资组合,试图战胜市场从而获取超额收益。然而一些定性的投资者却并不太认可定量投资,他们认为,定性研究可以将把股票基本面研究做得很深入,从而在决策深度上具有优势。然而,在当今市场上,信息量越来越大且传播速度极快,单个分析师所能跟踪的股票数量开始显得越发有限,也因此错过了许多优秀的投资机会,可谓是拥有深度的同时错失了广度。量化投资正好弥补了这一缺失,通过使用强大的计算机技术,它能够实时对全市场进行扫描,并依仗其纪律性、系统性、及时性、准确性以及分散化的特点最大概率的捕获战胜市场的投资标的。

事实上,在海外市场,我们看到越来越多的定量与定性完美结合的成功案例。通过向量化模型中加入分析师对未来主观判断的观点(定性的观点),再结合来自于历史规律检验的观点(定量的观点),定量与定性的优势便能得到充分的发挥和融合。我们相信,这也将是未来量化产品发展的主流方向和趋势。

结论

量化研究作为一种研究方法,其本质是使用统计学、数学和计算机工具改进研究效率,使得我们能够在更短的时间、更大的视角领域下,依靠清晰的研究逻辑,获取更为有效和操作性以及复制性更强的研究成果。量化研究的本质是一类发现市场规律的方法体系,其基本功能是认识市场和解释市场,并以做到预测市场为目的。

量化投资简单来讲,它以模型为主体,使用大量数据,并且在很大程度上用电脑这样的投资方式;其以科学性和系统性著称,并将在严格的纪律化模型制约下,紧密跟踪策略,使运作风险最小化,并力争取得较高收益。

第二部分:量化投资在蓬勃发展

量化投资在世界的发展史

美国市场有200多年,从证券市场开始,也有快400――500年了,但是量化的发展是上世纪50――60年代的事。首先有一些理论模型,没有理论模型支撑很难做到量化的东西。

数理化投资于上世纪50~70年论上发芽

Harry Markowitz在上世纪50年表一系列关于投资组合“均值―方差”优化的论文,这使得投资者可以定量化风险,并把风险和预期回报放在一个理论框架下统一考虑;

WilliamSharpe在1964年发表CAPM模型,此模型显示个股的预期回报和个股的风险及市场的预期回报成正比;

Steven Ross在1976年发表APT模型,此模型显示个股的预期回报可以表示成一系列非特定因素预期回报的加权平均,此模型为量化投资者指出了很实用的研究框架;

Black-Scholes在1972年发表关于股票权证的定价模型;

Fama和French在1993年发表三因素模型,此模型显示个股的预期回报由三个因素(市场,个股的市值,个股的市净率)决定;

此后很多研究者做了非常多的实证研究,并发现了一些对个股将来回报有预测作用的因素:比如市盈率,市净率,资产回报率,盈利一致预期,中长期价格动能,短期价格反转等。

数理化投资从上世纪70年代末开始实际运用

Barclays Global Investors(BGI)于1978年创立了全球第一只数量化投资策略基金,到被BlackRocks收购之前BGI以14000亿美元的规模,高居全球资产管理规模之首。

SSgA(道富环球投资管理公司)和 GSAM(高盛国际资产管理公司)为首的一大批以数量化投资为核心竞争力的公司已经成为机构资产管理公司中的“巨无霸”。

“詹姆斯•西蒙斯创办的文艺复兴科技公司花费15年的时间,研发基于数学统计理论的计算机模型,借助该模型,西蒙斯所管理的大奖章基金,从1989 年到2009 年间,平均年回报率高达35%,较同期标普500 指数年均回报率高20 多个百分点,比“金融大鳄”索罗斯和“股神”巴菲特的操盘表现都高出10 余个百分点。

在国外。其他采用量化投资的公司没有获得惊人的表现,并非是量化方法不好,而是他们还没有构建出更好的模型以及正确的策略。作为量化投资的大行家和受益者,西蒙斯承认有效市场的套利机会极少而且会趋同小时,然而,仍然有无数转瞬即逝的很小的机会存在,在证券市场,那些很小的交易,都会对这个庞大的市场产生影响,而每天都会有成千上万这样的交易发生。这个市场看似杂乱无章,却存在着内在规律,而量化操作自从诞生以来,无疑成为捕捉这些规律的一把利器,为海外投资者屡建奇功。

CQA(教育产品内容与数据测试)数据统计:在2002年-2004年三年间,量化产品的平均年收益率为5.6%,比非量化产品的平均年收益率高出1%。从信息比率来看,量化产品为0.37,非量化产品为0.06。此外,量化基金的运作费率相对更低,例如传统产品费率为0.6%,主动量化产品费率在0.45%-5%之间。

理柏(LIPPER)数据显示,2005年到2008年之间,87只大盘量化基金业绩表现好于非量化基金,增强型量化基金在2005年和2006年更是大幅跑赢非量化基金。但2007年和2008年除市场中性基金外,所有基金业绩下滑很快,其中双向策略和大盘量化基金表现差于非量化基金,而增强型和市场中性量化基金表现则优于非量化基金。

量化投资在中国的发展现状

研究力量不断壮大

目前大部分券商研究所都配有金融工程研究小组,成员超过5个的不在少数。根据2010年11月份的《新财富》最佳分析师榜单,国信证券金融工程小组人数有12人,为目前人员配备最多的量化投资研究团队。其他入选金融工程前五名的研究小组中,申银万国8人,华泰联合、安信证券各5人,中信证券4人。

数量化方面的研究报告数量也是逐年增加。据不完全统计,2008-2010年相关报告数量分别有52、142、794篇,今年上半年就达到了633篇,逐年递增趋势非常明显。不过,和2010年研究报告10万多份的总量相比,数量化研究的广度和深度还有很大提升空间。

量化产品初露锋芒

天马旗下的产品中,现有两个信托产品采用量化投资策略,分别是新华―天马成长,和平安―Lighthorse稳健增长。

此外,上投摩根、嘉实、中海基金、长盛基金、光大保德、富国基金、南方基金等都有量化产品推出,但是量化基金的比例还是非常小。即便在2009年,全年新发基金超过100只的情况下,新发的量化基金也仅有4只,数量在2009年的新发基金市场中仅占3%。与指数基金、普通股票基金相比,量化基金可谓是基金市场上的稀缺资源。

2011年,在国内紧缩政策与国外动荡局势的影响下,A股市场呈现结构性震荡上扬的格局。随着市场轮动的提速及内在容量的扩大,精选个股的难度日益加大。在此背景下,定性投资容易受到投资者情绪影响,而定量投资则能够通过计算机的筛选,帮助投资者克服非理性因素,在充分控制风险的前提下应对市场万变。以“人脑+电脑”为主要构建的量化基金逐渐显现投资优势,今年量化基金异军突起,整体表现不俗。截至4 月6 日, 9 只具有完整业绩的主动型量化基金平均收益率为0.64%,超越同期股票型基金和混合型基金-1.39%、-3.08%的净值增长率。其中,“元老”光大保德信量化核心基金收益率达5.19%。此外,南方策略、中海量化策略、长盛量化红利、长信量化先锋、上投摩根阿尔法、华泰柏瑞量化先行基金也均取得正收益,分别达到4.12%、3.28%、2.60%、2.13%、0.77%和0.16%;仅嘉实量化阿尔法和华商动态阿尔法收益为负,分别为-4.48%、-7.94%。此外,从以往披露的公开信息可以发现,国内量化基金多侧重价值因子,也契合今年低估值大盘蓝筹股领涨的市场格局。

第三部分:解读量化投资

在西蒙斯崛起之前,判断型投资完全占据着主流地位,因为当前全球投资界的三大泰斗当中,无论是价值投资的巴菲特、趋势投资的罗杰斯,还是靠哲学思维的索罗斯,都是判断型投资的代表。但随着西蒙斯的声名鹊起,量化投资开始受到投资大众的重视并呈现出蓬勃的发展态势。但需要指出的是,世界上没有万能的投资方法,任何一种投资方法都有其优缺点,量化投资当然也不例外。定量投资成功的关键是定量投资这个模型的设计好坏,设计的好坏主要由模型设计者对市场的了解、模型构建的了解和模型实践经验来决定的。

量化投资的决策体系

量化基金的成功运作必然依托一个完整而有效的量化体系用来支撑,该体系是数据获取、数据处理、资产配置、组合管理到全程风险控制等诸多环节的有机结合。

我们借鉴海外量化基金运作架构的诸多优点,并结合华泰联合金融工程资深研究员的看法,旨在提供一个适合中国市场特点的量化基金运作架构体系。该体系综合考虑了定性及定量两大主要选股思路,在风险可控下,充分发挥量化投资的优势。

此架构包含以下几个主要层次:

1. 数据提供:量化体系的底层一般是数据接入端口,数据来源于外部数据提供商。

2. 数据预处理:由于中国A 股市场历史较短,数据质量一般,特别是早期的数据较为不规范。因此,在输入模型前必须对数据进行全面的清洗,从而增强数据的有效性和连续性。

3. 资产配置:资产配置是量化基金的核心。不同的投资者具有不同的投资理念,即不同的资产收益率看法。因此,通过构建差异化的因子配置模型来实现差异化的投资理念则充分展现了量化投资的优势和精髓。举例而言,我们可以开发针对不同市场状况(如牛市、熊市、震荡市和转折市)以及不同投资风格(如保守、激进和中庸)的量化模块。这些模块就类似于儿童手中的玩具积木,一旦投资决策委员会确定了战略和战术配置比例,接下来要做的就是简单的选积木和搭积木的过程。模块化投资严格的遵循了投资思路,从而将量化投资的纪律性、系统性、及时性和准确性展露无遗。

4. 投资决策:宏观经济政策对中国A 股市场的表现影响较大,也就是我们常说的“政策市”。针对这一现状,综合考虑定性和定量的宏观判断对于我们选择合适的基金仓位及资产组合将十分必要。一方面,结合宏观及行业分析师对于未来宏观经济的预判以及个别性事件的分析,另一方面,考察既定的一系列量化择时指标和宏观经济指标的最新动向,从而能较为全面的提出投资建议。

5. 组合管理:在对于宏观趋势、战略和战术资产配置的全面考量之后,留给基金管理人的工作将是如何实现在交易成本,投资风险以及组合收益三者之间的最大平衡。

经典量化投资模型综述与评价

目前,由于计算的复杂程度和对速度的要求,量化投资的交易过程通常是由电脑自动来完成的,可在某些方面电脑依然不可能替代人脑。投资若要取得成功,就需要顶尖的大脑来罗织数据、发现规律、编制最快最好的电脑程序;此外,量化投资所使用的模型在用了一段时间之后就会慢慢失效,因为越来越多的“山寨版”会出现,因而需要不断发现新的模型以走在这场军备竞赛的前列,而此时需要的就是配备精良、高速运作的人脑。由此可见,模型在量化投资的整个体系中居于核心地位。近几十年来,西方理论界与实务界均诞生了不少量化投资模型,大力推动了量化投资的发展,这其中又大致可分为三大类:传统的基于经济学意义的模型(structural model)、现代的基于数学、统计学意义以及计算机原理的模型(statistical model)、程序化交易模型。以下就这三者分别予以介绍。

(一)传统的基于经济学意义的模型

这种模型虽然用到了一些数学与统计学的工具, 但其核心思想与前提假设仍然是围绕经济学或金融学原理而展开的。例如,B-S 模型与二叉树模型提供了金融产品定价的新思路,因而也衍生出了所谓的以选择权为基础之投资组合保险策略(option-basedportfolio insurance,OBPI),如欧式保护性卖权(protective put)策略、复制性卖权(synthetic put)策略和一些持仓策略―――买入持有(buy-andhold)策略、停损(stop-loss) 策略、固定比例投资组合保险(constant proportion portfolio insurance,CPPI) 策略、时间不变性组合保障(timeinvariant portfolio protection,TIPP)策略、固定组合(constant mix)策略与GARP(Growth at a Reasonable Price)策略等。

(二)现代的基于数学、统计学意义以及计算机原理的模型

与上述模型相比,这种模型“量化”的倾向愈加明显―――淡化甚至忽略经济学或金融学背景,基本上只是依赖先进的数学、统计学工具与IT 技术构建模型,进而确定投资策略。模型中应用的具体方法主要包括参数法、回归分析、时间序列分析、极值理论、马尔科夫链、历史模拟法、蒙特卡罗模拟法等等。

(三)程序化交易模型

随着金融市场的日益复杂化, 越来越多的复杂交易策略被设计出来,这些交易策略很难通过传统的手工方式执行,于是程序化交易应运而生。程序化交易是指按照预先编制的指令通过计算机程序来完成交易的方式,可以分为决策产生和决策执行两个层面:前者是指以各种实时/历史数据为输入通过事先设计好的算法计算得出交易决策的过程,而后者是指利用计算机算法来优化交易订单执行的过程; 也可以从交易频率的角度,分为高频交易和非高频交易。程序化交易使得复杂的量化交易策略得以实施,优化交易指令的执行,解放人力使之把精力更多地集中到投资策略的研究上, 最重要的是能克服人性的种种弱点与障碍从而保证绝对的“客观性”与“纪律性”。然而,这种交易方式也引起了诸多争议,如对速度的过高要求会造成市场的不公平、巨大的交易量可能会增加市场的波动性、容易产生链式反应、为了盈利可能会制造人为的价格而降低市场的有效性等等。

量化投资的主要策略

增强型指数基金:策略的主要目的还是跟踪指数,希望用量化模型找出能紧跟指数但同时又能小幅超越的组合。

非指数型量化基金:能利用绝大多数好的投资机会,而不需去管组合是否能紧跟指数。

多―空对冲基金:买入模型认为能表现好的股票, 卖空模型认为会表现差的股票。有时可能净多仓, 有时可能净空仓。此策略在对冲基金中很流行。在A股市场中能卖空的股票不多,所以一般只能用期指去对冲。

市场中性的多―空对冲基金:买入模型认为能表现好的股票, 卖空模型认为会表现差的股票。在任何时候净仓位为0,同时在各行业上,大小盘风格上的净仓位都为0。此策略在对冲基金中也比较流行。此策略的波动率非常小,在国外一般会加入杠杆。

130/30基金:一般共同基金采用,即买入130%的多仓, 卖空30%的空仓。

程序化高频交易:利用期指或股价的日内波动进行高频买卖。有些策略是找价格模式,有些是利用交易所规则上的漏洞。

可转移Alpha:主要用在增强型指数基金上,具体是用期货来跟踪指数,一部分多出来的钱投资于风险比较小的能取得绝对正收益的策略上。

市场择时/行业轮动/风格轮动:用数量化模型预测市场/行业/风格的拐点

量化投资和传统投资的比较

天马资产首席数量分析师朱繁林博士表示,量化投资区别于定性投资的鲜明特征就是模型,对于量化投资中模型与人的关系,大家也比较关心。可以打个比方来说明这种关系,我们先看一看医生治病,中医与西医的诊疗方法不同,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;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。

医生治疗病人的疾病,投资者治疗市场的疾病,市场的疾病是什么?就是错误定价和估值,没病或病得比较轻,市场是有效或弱有效的;病得越严重,市场越无效。

投资者用资金投资于低估的证券,直到把它的价格抬升到合理的价格水平上。但是,定性投资和定量投资的具体做法有些差异,这些差异如同中医和西医的差异,定性投资更像中医,更多地依靠经验和感觉判断病在哪里;定量投资更像是西医,依靠模型判断,模型对于定量投资基金经理的作用就像CT机对于医生的作用。在每一天的投资运作之前,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。

传统的定性投资强调的是基金经理的个人经验和主观判断,相对来说强调基金经理的单兵作战能力。而量化投资主要是用来源于市场和基本面的模型指导投资。

量化投资可以最大限度地捕捉到市场上的机会。而传统的定性投资受到研究员,基金经理覆盖范围的限制。

量化投资借助模型进行投资,比较客观和理性,更不会受市场和情绪影响。

量化投资的可复制性更好。传统的定性投资易受到基金经理,资深研究员人动的影响。

其实,定量投资和传统的定性投资本质上是相同的,二者都是基于市场非有效或是弱有效的理论基础,而投资经理可以通过对个股估值,成长等基本面的分析研究,建立战胜市场,产生超额收益的组合。不同的是,定性投资管理较依赖对上市公司的调研,以及基金经理个人的经验及主观的判断,而定量投资管理则是“定性思想的量化应用”,更加强调数据。

国内量化基金投资风险分析

(一)量化模型质量产生的投资风险

投资模型本身的质量,是量化基金最核心的竞争力。专业人士以为,对于中国这样的新兴市场,量化投资的关键是能否根据市场特点,设计出好的投资模型。然而,已有的量化基金中,大多简单地利用国外已公开的模型,或是用基金公司自有的一些简单模型,在考察市场的有效性上普遍比较欠缺。如中海量化策略和南方策略优化在行业权重配置中均采用的Black-Litterman(BL)模型。这种模型现是华尔街主流模型,亦是高盛公司资产管理部门在资产配置上的主要工具。然而,在国内市场信息搜集等方面局限性较大的情况下,该系统到底是否有效,是否仅是基金公司体现其“专业性”的一个由头,还有待观察。

(二)基金经理执行纪律打折扣所产生的道德风险

好买基金研究中心的一份报告指出,大部分量化基金在择时、行业配置和资金管理等方面并没有采用量化模型,更多的是基金经理的主观判断。观察这些量化基金的契约和季度报告可以发现,基金要么不进行择时,要么根据主观经验进行择时,这在很大程度上无法体现出模型选股产生的效果。

(三)数量化模型滞后产生的风险

篇5

量化投资是投资者借助计算机信息化建立数学模型,把最新市场数据和相关信息输入到模型中,通过公式计算出投资对象,做出最优投资决策。量化投资不依靠投资者的感觉直觉,不依赖个人判断,而是将其经验利用信息通过模型实现投资理念。同时,投资者期望达到收益和风险的合理配比,利用夏普比率等科学方法控制收益和风险。量化投资者不用每天重复的分析琐碎信息,只需要不断完善这个模型并不断创造新的可以盈利的模型。

二、量化投资策略

(一)量化投资策略分类

量化投资策略,主要包括量化择时策略、统计套利策略、算法交易策略、组合套利策略、高频交易策略等。

(1)量化择时策略是收益率最高的一种交易策略,通过对宏微观指标的量化分析判断未来经济走势并确定买入、卖出或持有,按照高抛低吸原则获得超额收益率。在量化择时策略中,趋势跟踪策略是投资者使用最多的策略。量化择时分析策略包括:趋势跟踪策略、噪音交易策略、理易策略。

(2)统计套利是风险套利的一种,通过对历史数据的统计分析,利用统计学理论,估计相关变量的概率分布,判断规律在未来一段时间内是否继续存在。统计套利策略包括协整策略和配对利差策略、均值回归策略以及多因素回归策略。

(3)算法交易又称为自动交易,主要是研究如何利用各种下单方法,降低冲击成本的交易策略,将一个大额交易通过算法拆分成数个小额交易,以此来减少对市场价格造成冲击,降低交易成本。算法交易策略包括交易量加权平均价格策略、时间加权平均价格策略、盯住盘口测量、执行落差策略、下单路径优选策略。

(4)组合套利策略主要针对期货市场上的跨期、跨市及跨品种套利的交易策略。组合套利策略包括均衡价格策略、套利区间策略、牛市跨期套利、熊市跨期套利等。

(5)高频交易是一种持仓时间短、交易量巨大、交易次数多、单笔收益率低的投资策略,人们从无法利用的极为短暂的市场变化中寻求获利的计算机化交易,依靠快速大量的计算机交易以获取高额稳定的收益。高频交易策略包括流动性回扣交易策略、猎物算法交易策略和自动做市商策略。

如下是量化投资中几种主要的投资交易策略:

(1)趋势跟踪策略。趋势跟踪策略追随大的走势,向上突破重要的压力线可能预示着更大一波的上涨趋势,向下突破重要的支撑线可能预示着更大一波的下跌趋势。趋势跟踪策略试图寻找大趋势的到来,在突破的时候进行相应的建仓或平仓的投资操作来获得超额收益。

趋势型指标进行择时的基本理念是顺势而为,跟踪市场运行趋势。在趋势策略中使用的技术指标是最多的,常用有:移动平均线(MA)、平滑异动移动平均线(MACD)、平均差(DMA)、趋指标(DMI)等。

(2)噪音交易策略。噪声交易是指交易者在缺乏正确信息的情况下进行密集交易的行为。有效市场中噪声只是一个均值为零的随机扰动项,但市场并不总是有效的,市场上有很多异常信息,往往有人能够提前获得这些异常信息,很可能对投资的判断提供重要的价值。噪声交易策略的运用主要是机构投资者通过计算得到市场的噪声交易指数,监测该指数的变化,根据其变化来设计量化交易策略。

(3)协整策略。在统计套利策略中,协整策略是应用最广泛的一种策略。协整套利的主要原理,是找出相关性最好的几组产品,再找出每一组的协整关系,当某一组投资产品的价差偏离到一定程度时建仓,买入被低估的资产、卖出被高估的资产,当价差均衡时获利了结平仓。协整策略包括协整检验、GARCH检验、TARCH检验以及EGARCH检验。

(4)多因素回归策略。多因素回归策略,也是一种被广泛使用的投资策略。这一策略利用影响投资收益的多种选择因素,并根据其与收益的相关性,建立多元回归模型,简化投资组合分析所要求的证券相关系数的输入,这类方法的代表是套利定价模型。

(二)量化投资策略组合

量化投资策略组合综合考虑交易商品、策略类别、策略数量、时间周期因素。量化投资策略组合相比较单一投资策略有以下优势:

(1)策略组合降低了对单一策略的依赖,当单一策略失去竞争力,使用策略组合的方式,可以利用不同产品价格变化、变化幅度、周期等多个方面把握投资机会,在一定程度上保证了稳定的收益率,盈利机会更多;

(2)策略组合可以分散单一策略的交易风险,降低风险,通过策略组合将投资风险分散化,尽可能规避市场风险、策略风险及系统风险等。

三、量化投资资产配置

资产配置是指资产类别选择,即投资组合中各类资产的适当配置及对这些混合资产进行实时管理。量化投资管理打破了传统投资组合的局限,它与量化分析结合,将投资组合作为一个整体,确定组合资产的配置目标和分配比例,深化了资产配置的内涵。

资产配置包括战略资产配置和战术资产配置两大类。战略资产配置是长期资产配置,针对较长时间的市场情况,控制长期投资风险以达到收益最大化。战术性资产配置是依据资产预期收益的短期变化,获取超额收益的机会。因此,战术资产配置是建立在长期战略资产配置过程中的短期分配策略,二者相辅相成。在长期投资活动的战略资产配置下,战术性资产配置利用其积极的灵活的投资机会,适当的配合战略资产配置,获取较高收益。

四、前景展望

在量化投资飞速发展的今天,它己经成为金融市场中不可忽视的一个领域,中国的金融市场在逐步发展及完善,中国的量化投资也会继续发展和前进,随着量化投资方面的加大投入,量化投资的进程加快,中国量化投资的前景无限。

篇6

量化模型是工具,投资理念是灵魂

“如果把投资比作吃饭的话,那么‘吃什么’由投资理念来决定,再根据所吃的食物决定使用的吃饭工具,即量化模型。”张靖认为,在量化投资领域,投资理念才是量化投资的灵魂,决定了投资的逻辑。只有将最根本的逻辑融入适当的量化方法中才能将量化投资的“魔力”发挥出来,创造最大的投资收益。

谈到模型在量化投资中的作用,张靖有其独到的见解,“量化模型的采用必须与投资理念密切结合,并不是越复杂的模型越好,有时简单易操作的模型反而更加有效。正如吃西餐要用刀叉,吃中餐要用筷子一样,与投资理念相匹配的模型才是最好的模型。”

用量化的方法做有把握的事

张靖对量化投资最通俗的解释就是“用量化的方法做有把握的事儿”。换句话说,就是通过对大量样本数据和市场环境的量化分析,通过平衡投资的风险和收益,建立量化模型,捕捉大概率事件,有把握地获取市场上普遍的、稍高于平均水平的超额收益。

另外,张靖提到,量化模型并不是固定不变的,需要逐步提升,不断改进,在变化中总结经验和规律,使得量化模型能够适应市场和投资者投资习惯的变化。以大摩多因子基金模型中现有的动量因子为例,从总体来看,随着市场逐渐回归理性,其效应应该是逐渐递减的。所以随着该因子效应的递减,未来可能会将其从模型中剔除掉。相应地,另外一些新的因子可能会加入模型中。

量化选股、量化择时、量化交易

篇7

与定性投资不同,定量投资更多关注“数字”背后的意义,依靠计算机的帮助,分析数据中的统计特征,以寻找股票运行模式,进而挖掘出内在价值。

李延刚总结了定量投资的三大优势:首先是理性。定量投资是对于基于基本面定性投资方法和工具的数量化统计性总结,它在吸收了针对某种投资风格和理念的成功经验的基础上,以先进的数学统计技术替代人为的主观判断,并能够客观理性地坚持,以避免投资的盲目性和偶然性。“完全的数量化分析过程将极大地减少投资者情绪的影响,避免在市场极度狂热或悲观的情况下做出非理性的投资决策,因而在牛熊市的转换中具有很强的自我调节性。”

其次,全市场覆盖。定量投资可以利用数量化模型对垒市场的投资标的进行快速高效的扫捕筛选,把握市场每一个可能的投资机会,而定性投资受人力精力的限制,显然无法顾及如此广的覆盖面。

此外,数量化投资更注重组合控制和风险管理。数量化的个股选择和组合构造过程。实质上就是在严格的约束条件下进行投资组合的过程,先从预先设定的绩效目标的角度来定义投资组合,然后通过设置各种指标参数来筛选股票,对组合实现优化,以保证在有效控制风险水平的条件下实现期望收益。“换言之,数量化投资模型能够很好地体现组合收益与基准风险的匹配和一致,”李延刚解释。

定量投资是否适应中国市场

“谈到定量投资,不得不提量化投资领域中的传奇人物――詹姆斯・西蒙斯。”李延刚并不掩饰其对这位投资大师的崇敬,“他不仅是世界级的数学家,也是最伟大的对冲基金经理之一。他创办的文艺复兴科技公司花费15年时间,研发基于量化数学模型的计算机模型,借助该模型,两蒙斯所管理的大奖章基金,从1989年到2006年的平均年收益率达到了38.5%,甚至超过股神巴非特。”

值得一提的是,李延刚也来自数量化投资的发源地――北美,他有着6年海外一线投资管理的实际工作经验,深刻领会并掌握了量化投资理念与方法,具备数量化投资领域的成功经验。2007年,李延刚回国后加盟中海基余,着手增强中海基金金融工程团队的寅力。在借鉴国外成熟的投资理念与经验的基础上,结合A股实际,他用了近两年时间对数量化模型进行反复修改与调试。目前,中海基金的金融工程部已经形成从择时、配置到选股等方面的一系列研究成果,并在今年顺势推出中海量化策略基金。

詹姆斯・西蒙斯的神话在中国证券市场能否再次实现?“当其他人都摆西瓜摊的时候,我们摆了一个苹果摊。”李延刚用一个形象的比喻来形容定量投资存国内市场的发展机遇。他认为,目前国内证券市场定性投资者太多,竞争激烈,而数量化投资者则太少,机会相对更多,竞争也很小。李延刚表示,大量实征研究证明,中国证券市场为一个弱有效市场,市场上被错误定价的股票相对较多,留给定量投资发掘市场非有效性的空间也就越大。基于这种考虑,定量投资方法在中国的发展极具发展空间。

“今年推出量化基金并非一时的心血来潮,一方面中海基金金融工程部已经逐渐成熟,而另一方面也是出于市场时机的考虑。”李延刚强调。

他认为,在经历2008年的巨幅下跌后,市场底部已经基本确立,目前小盘股估值相对较贵,短期内市场可能会以调整为主,但未来市场走势仍然存在诸多不确定。在此背景下,如何把握结构性机会将是未来投资关键之所在,利用数量模型进行分析和投资的量化基金具备更好的适应性。中海量化策略基金将把握市场调整时机,采用数量化模型选人具有估值优势和成长优势的大中盘股票作为基石,辅之以部分优质的小盘股票。

“量体裁衣”完善全程量化流程

据了解,中海量化策略基金的全程量化流程分三个步骤,即选股策略自下而上,施行一级股票库初选、二级股票库精选以及投资组合行业权重配置的全程数量化。

“就像裁缝做衣服一样,量化基金在投资中也要通过‘量体裁衣’来完善全程量化流程。通过全程量化与基金经理的思想相配合,才能做出优质的量化基金。”李延刚表示。

首先,选取代表性最强的反映公司盈利能力的指标,对于所有的A股上市公司进行筛选从而得到一级股票库。“主要通过对所有A股股票过去三年平均EPS(每股收益)、ROE(净资产收益率)、毛利率三项指标进行筛选,它们能分别较好的反映上市公司的获利能力,从而得到一级股票库。”李延刚说。

篇8

不过,虽然国内量化基金业绩不俗,这两年来规模也有显著提升,但是与国外市场量化基金在共同基金总资产中占比16%相比,国内量化基金还有非常大的发展空间。而伴随着中国市场有效性的逐步增强,量化基金未来的业绩也有很大想象空间。

此前国内量化基金产品数量多达12只,但是大多以大中盘股票作为投资标的,而申万菱信量化小盘基金则是一只专注于小盘股投资的量化策略基金。将投资目光锁定小盘股,主要是看中小盘股长期优秀的业绩以及高成长性。1996年到2001年的A股长牛市中,小盘股大幅超越市场;2009年之前,小盘股整体走势与大中盘股接近;从2009年中开始,小盘股走势大幅超越大盘股;到了2010年,虽然A股市场整体表现不佳,但许多小盘股涨幅却仍然翻番。

篇9

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。

篇10

[DOI]10.13939/ki.zgsc.2015.25.083

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。