量化交易策略的研究模板(10篇)

导言：作为写作爱好者，不可错过为您精心挑选的10篇量化交易策略的研究，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。

篇1

二、量化投资“黑箱”中的构造与证券投资学的差异

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2

摘 要：“金融改革”的提出，金融市场的逐步开放，将促进金融创新的步伐，给投资者带来越来越多的投资渠道，同时也将加速中国金融市场与国际金融市场的融合。通过分别建立两个单指标择时策略模型，运用MATLAB模式搜索算法在设定时段内搜索最优参数，并分别对两个单指标策略进行交易仿真回验。实证结果显示，趋势型指标可以抓住大的波段行情，获得超额收益，具有较好的择时效果。实证显示组合指标策略的效益明显高于单指标策略。因此，采用组合指标策略进行个股量化择时交易较单指标策略能获得更优的投资收益。

关键词 ：量化择时；趋势指标；组合指标策略；参数优化

中图分类号：F8 文献标识码：A doi：10．3969／j．issn．1665－2272．2015．12．008

1 绪论

1．1 背景意义

“金融改革”的提出将为中国的量化投资带来发展前景。金融市场的逐步开放将会促进金融创新的步伐，给投资者带来越来越多的投资渠道，同时也将加速中国金融市场与国际金融市场的融合。很多国外成熟的投资工具和投资方法将逐步进入中国市场，以期货市场为代表的衍生品市场将迎来飞速增长，以量化投资为代表的投资方法也将得到投资者更大的关注。

在投资业，各种渠道提供的海量信息以及高频金融交易数据都在深刻地影响这个行业的发展以及金融市场的有效性。金融创新给期待量化投资的投资者提供了丰富的投资工具。自20世纪50年代以来，金融市场出于规避监管，转嫁风险和防范风险等需要，推出了很多创新性的金融产品，提供了越来越丰富的投资工具。金融衍生品在金融市场中占的比例越来越重要。

中国量化投资的前景广阔。党的十八届三中全会提出了“健全多层次资本市场体系”的指示精神，为十二五期间的资本市场发展指明了方向。随着金融投资工具的增加，量化投资将显示出其更大的作用，帮助投资者在更好的风险管控中寻求最佳收益回报。

作为量化投资中的量化择时，是指利用某种方法来判断大势的走势情况以及时采取相应措施，它是收益率最高的一种交易方式。就股票投资者而言，择股和择时都是至关重要的，正确择股是盈利的前提，而正确择时则是盈利的最终实现。因此，从微观角度入手，建立有效的个股量化择时交易策略值得研究。

1．2 文献综述

关于量化投资的研究，国内外更多的研究主要以策略构建和实证为主。易海波、杨向阳、罗业华、曾敏通过将量化指标按照股票属性进行分类排序，以自下而上的选股方式，构建出价值、成长、质量三个基本模型，并在此基础上衍生得到四个叠加模型和GARP模型。利用八个选股模型以不同的参数进行选股，构建出十个量化选股组合，历史回测结果显示这些组合风格各异，适合不同风险偏好的投资者。张登明通过对技术指标的分析，构建了完整的及时指标组合投资策略框架。他从量化的角度，通过样本统计给出了适合中国股市的优化指标组合及参数设置，对提高投资决策有积极意义。路来政通过研究量化基金的绩效及管理能力来研究量化投资策略的应用效果，采用T－M模型、H－M模型和C－L模型对其中9只量化基金的管理能力进行了研究，以评价量化基金使用量化投资策略的择股效果和择时效果，结果表明量化基金采用量化策略进行投资是有意义的。

股票择时属于量化投资的一个分域。刘澜飚、李贡敏研究了市场择时理论在中国的适用性，表明中国上市公司不仅存股票市场的市场择时行为，而且存在债务择时行为，即股票市场高涨时，上市公司倾向于债务融资。林正龙基于效用无差别定价原理，运用实物期权定价理论，研究项目投资收益不可完全复制的不确定性投资机会定价与择时问题，得出不同于指数效用，对具有常值相对风险回避系数效用函数的投资者而言，不确定性投资机会的定价与择时与投资者当前财富数量有关。卓琳玲、胡志强通过对样本公司的研究，发现样本公司股票行为、债券发行和内部融资均呈下降趋势，其中股票不是特别明显，当市值杠杆比率上升时期，股票发行出现显著地下降趋势，此时市场时机选择比较明显，说明我国股市存在明显的市场时机选择行为。刘阳、刘强通过研究我国从上世纪90年代初-2010年1月的上证综指和深证成指，分析异常收益率对整个期间收益的影响及择时的可能，发现极少数具有超常收益的交易日对股票市场的长期收益具有显著的影响，认为理性的投资者应该放弃择时而选择长期投资。王俊杰在择时模型方面分析了行业指数存在的持续性和行业轮动特征，并以时间序列模型为基础，构建动量模型、MS－GARCH行业择时模型等量化择时策略，回测结果MS－GARCH择时模型战胜行业动量模型和指数，表现较好。

温婧茹对移动平均线理论进行改进，构造了最适参数，参考设计了触线交易策略和过滤器交易策略，构建了家电板板块静态与动态相结合的股票池，实证得出，不同股票对应的最适参数不同，用个性化的参数进行决策能获得更好的收益；应用收益率确定最适参数以择股，结合触线交易策略以择时，能够跑赢大盘，取得超额收益。曹力自适应均线更适合于组合类的标的，如指数或者封闭式基金，因为这些标的的走势经过了平均的平滑，没有突然的大起大落，更容易用均线来跟踪趋势的变化。而对于个股，波动形态和指数类表的不同，所以需要使用不同的参数，在大多数个股上能够获得超额收益，特别对强周期性行业的股票自适应均线有很强的择时能力。但是自适应均线也不是万能的，对于某些个股，因为波动形态的复杂，用自适应均线也无法获得超额收益。曹力、徐彪从实证效果来看，利用可交易组合的均线模式识别找出的买入机会成功率较高，能抓住一些市场主要的反弹机会，因此累积收益非常出色。可交易组合的均线模式识别方法是择时交易，特别是熊市中择时的有效方法。

1．3 研究框架

传统的趋势指标择时策略往往是单指标的，并且策略参数通常是约定俗成的。单指标策略局限性和偶然性大，不能有效及时获取收益和及时止损；约定俗成的常用参数值在面对各种波动幅度不同、周期性不同、价格弹性等不同的个股时也有失客观性和灵动性。

所以，在探究一种改进针对个股的传统趋势指标量化择时的策略。首先建立基于各传统趋势指标的单指标择时策略，通过参数优化确定各单指标策略的最适参数；并在单指标的基础上，创新性地通过指标的组合，构建一个综合性且参数最优的组合指标择时策略，以增强策略的稳定性和鲁棒性，获得更优的投资收益。

1．4 术语说明

（1）累计收益率：

（2）年化收益率：年化收益率是把当前收益率（日收益率、周收益率、月收益率）换算成年收益率来计算的，是一种理论收益率，并不是真正的已取得的收益率。

（3）夏普比率：夏普比率是一个可以同时对收益与风险加以综合考虑的经典指标，它反映了单位风险基金净值增长率超过无风险收益的程度。如果夏普比率为正值，说明在衡量期内基金的平均净值增长率超过了无风险利率。夏普比率越大说明基金单位风险所获得的风险回报越高。因此，夏普比率是可以同时对收益与风险加以综合考虑的经典指标之一。

夏普比率=

（5）最大回撤率：在选定周期内任一历史时点往后推，产品净值走到最低点时的收益率回撤幅度的最大值。最大回撤率用来描述买入产品后可能出现的最糟糕的情况，是一个重要的风险指标。

2 理论概述

2．1 量化投资理论

量化投资是运用现代统计学和数学的方法，从大量的历史数据中寻找并获得超额收益的一种投资策略，投资者通过计算机程序，建立可以重复使用并反复优化的投资策略，严格按照这些策略所构建的数量化模型进行投资并形成回报。

量化投资的内容主要包括量化选股、量化择时、股指期货套利、商品期货套利、统计套利、算法交易、ETF／LOF套利、高频交易等。量化投资在国外已有30多年的发展历史，但在国内还是近年出现的新鲜事物。相比其他投资策略，量化投资在国外的运用已取得了更佳的业绩。

与海外成熟市场相比，中国A股市场的发展历史较短，投资理念还不够成熟，相应的留给主动型投资发掘市场的潜力和空间也更大。国内很多实证文献讨论国内A股市场也尚未达到半强势有效市场，因此量化投资理论引入国内证券市场是非常有意义的，它以正确的投资理念为根本，通过各种因素的分析，以全市场的广度、多维度的深度视角扫描投资机会，在中国市场的应用将更显其优势。

2．2 择时理论

量化择时是量化投资的一种，它利用数量化的方法，通过对各种宏观微观指标的量化分析，试图通过回溯历史数据，找到影响大盘走势的关键信息，并且对未来走势进行预测。如果判断是上涨则买入持有；如果判断是下跌则卖出清仓；如果判断是震荡则进行高抛低吸，这样就可以获得远远超越简单买入持有策略的收益率。所以择时交易是收益率最高的交易方式之一。

股票的量化择时是预测市场以后的走势，并由此来判断调整投资组合的风险水平，从而获取更大的收益，具体表现是现金流进出证券市场和在证券间比例变换的时机选择。

2．3 趋势追踪理论

趋势择时的基本思想来自于技术分析，技术分析认为趋势存在延续性，因此只要找到趋势方向，跟随操作即可。

技术指标是技术分析中使用最多的一种方法，通过考虑市场行为的多个方面建立一个数学模型，并给出完整的数学计算公式，从而得到一个体现证券市场的某个方面内在实质的数字，即所谓的技术指标值。指标值的具体数值和相互间关系直接反映证券市场所处的状态，为操作行为提供指导作用。目前证券市场上的技术指标可分为“趋势型指标”、“反趋势型指标”、“能量指标”、“大盘指标”、“压力支撑指标”等类别。

移动平均线（MA）是一种常用的趋势型指标，由Joseph E．Granville于20世纪中期提出来。它是当今运用最普遍的技术指标之一，帮助交易者确认现有趋势、判断将出现的趋势、发现过度延伸而即将发转的趋势。后来又逐渐衍生出其他类型的均线，如平滑异同移动平均线（MACD）、三重指数平滑平均线（TRIX）等。 这些均线理论常用两根线的交叉作为交易信号，并以此作为买卖时点的判断。

均线理论提供了一种简单有效的使价格序列平滑并且使趋势更易于辨认的方法。

因此综合以上理论的优点，在此基础上改进传统趋势指标的量化择时策略，并创新性地开发更优的组合指标量化择时策略，以达到及时获取收益和及时止损的目的。

3 择时策略模型建立

3．1 MA单指标策略模型的建立

MA移动平均是指连续若干交易日收盘价的算术平均，用来显示股价的历史波动情况，进而反映股价指数未来的发展趋势。

其中

利用MA指标进行量化择时，在短期移动均线与长期移动均线的交叉处进行买入或卖出择时交易。以下分别建立买入和卖出法则的模型。

在短期移动均线下穿长期移动均线的黄金交叉处买入，故建立如下数学模型：

mabuy=1，MA（s）t＞MA（s）t-1&MA(s)t＞MA(l)t&MA(s）t-1＜MA（l）t-10,其他（6）

其中mabuy=1，表示满足买进，mabuy=0表示不满足买进。

在短期移动均线上穿长期移动均线的死亡交叉处卖出，故建立以下数学模型：

mabuy=1，MA（l）t＜MA（l）t-1&MA(s)t＜MA(l)t&MA(l）t＞MA（l）t-10,其他

其中mabuy=1，表示满足卖出，mabuy=0表示不满足卖出。

3．2 MACD单指标策略模型的建立

MACD即指数平滑异同移动平均线，是根据均线的构造原理，通过分析短期指数移动平均线与长期指数移动平均线之间的聚合与分离状况，对买进、卖出时机做出判断的趋势型技术指标。

MACD的计算如下：

（1）计算短期（ms）指数移动平均线EMA1和长期（ml）指数移动平均线EMA2。

（2）计算离差值DIF＝EMA1－EMA2。

（3）计算DIF的M日指数移动平均线，即DEA。

（4）计算MACD＝2（DIF－DEA）。

利用MA指标进行量化择时，在DIF与DEA的交叉处进行买入或卖出，分别建立买入和卖出法则的模型。

当DIF、DEA均为正值，DIF向上突破DEA时，为买入信号，建立如下数学模型：

macdbuy=1，DIFt＞DIFt-1&DIF＞DEAt&DIFt-1＜DEAt-1&DIF＞00,其他 （8）

其中，macdbuy=1表示满足买进，macdbuy=0表示不满足买进。

当DIF、DEA均为负值，DIF向下跌破DEA时，为卖出信号，建立如下数学模型：

macdsell=1，DIFt＜DIFt-1&DIFt＜DEAt&DIFt-1＞DEAt-1&DIF＜00,其他（9）

其中macdsell=1，macdsell=0表示满足卖出，表示不满足卖出。

3．3 MA－MACD组合指标策略模型的建立

组合模型构建两个新的信号变量：买入信号个数阈值“buy”（1≤buy≤2，整数）和卖出信号个数阈值“sell”（1≤sell≤2，整数）。

买入信号个数阈值“buy”表示：当MA策略中的“mabuy＝1”的买入信号个数与MACD策略指标中的“macdbuy＝1”的买入信号个数之和至少达到阈值“buy”（1≤buy≤2)数量个时才进行买入交易。

即“buy”阈值取不同值时，买入信号组合满足买入条件的情况如下：

buy=1时，满足买入情况：mabuy=1||macdbuy=1||macdbuy=1||mabuy=1&macdbuy=12时，满足买入情况：mabuy=1&macdbuy=1（10）

卖出信号个数阈值“sell”表示：当MA策略中的“mabsell＝1”的卖出信号个数与MACD策略指标中的“macdsell＝1”的卖出信号个数之和至少达到阈值“sell”数量个时才进行卖出交易。

即“buy”阈值取不同值时，买入信号组合满足卖出条件的情况如下：

sell=1时，满足卖出情况：masell=1||macdsell=1||mabsell=1&macdsell=12时，满足买入情况：masell=1&macdsell=1（11）

3．4 模型最优参数的选择

就个股而言，不同的计算参数，将导致不同的择时效果。面对各种波动幅度不同、周期性不同、价格弹性等不同的股票，如果盲目套用经典参数可能会有失客观性和灵动性。因此， 在进行量化择时策略构建时，需要针对个股进行策略的参数优化，检验指标不同参数的测试效果，并最终选择一个最优的参数组合。

夏普比率是一个可以同时对收益与风险加以综合考虑的经典指标，它反映了单位风险基金净值增长率超过无风险收益的程度。如果夏普比率为正值，说明在衡量期内基金的平均净值增长率超过了无风险利率。夏普比率越大说明基金单位风险所获得的风险回报越高。因此，夏普比率是可以同时对收益与风险加以综合考虑的经典指标之一。

4 个股实证分析

4．1 数据选择

为验证上述模型的有效性，个股实证以深圳证券交易所的华谊兄弟300027为交易标的，选取来源于国泰安2011．1．1－2014．6．30的基本面数据库，包括个股开盘价、收盘价等。

4．2 MA单指标择时策略仿真回验

首先对该股策略进行参数优化：本策略中对于参数，在测试期间内，以2天为间隔，测试范围从2天到20天；以5天为间隔，测试范围从20天到120天；搜索精度为1；测试回验30天，截止日期设为2013－12－31。通过回验得到参数优化结果（见表1）。

如表1所示，最优组合（s，l）＝（2，20），当以2日为短期均线，20日为长期均线，在参数优化测试期间进行交叉择时时效果较好，在回验测试期间内夏普比率达2．4234。

确定最优后，运用国泰安量化交易平台QIA进行策略交易仿真回验。设定合约保证金为1，合约乘数为1，市场参与度为0．5，买方手续费为0．05‰，卖方手续费为0．05‰，交易账户为股票账户并设定初始资金为1 000 000元，以一年期国债利率为无风险利率，并以沪深300为业绩比较基准，以数据库所给时间2011年1月1日-2014年6月30日为策略回验时间区间进行回验。最终结果（见图1、表2）。

回验结果显示，此单指标策略在2011年1月1日-2014年6月30日间的累计收益率达42．26％，年化收益率达11．10％，高出同期的沪深300指数比较基准，并且胜率达60．80％。由此我们可以得出结论，采用MA单指标策略进行个股量化择时交易也能获得较优的投资回报。

4．3 MACD单指标择时策略仿真回验

对该股策略进行参数优化：该策略需要优化确定的参数主要包括短期指数移动平均线的计算天数ms、长期指数移动平均线的计算天数ml，以及DEA的计算天数M。本策略的参数优化依然以最大化夏普比率为最优化目标函数，并使用Matlab的模式搜索算法在设定的回验时段内搜索最优参数组合（ms，ml，M）。

对于参数ms，在测试期间内，以2天为间隔，测试范围从2天到20天；参数ml以5天为间隔，测试范围从20天到120天；参数M以5天为间隔，测试范围从5天到60天；搜索精度为1；测试回验30天，截止日期设为2013－12－31。通过回验得到参数优化结果如下：

如表3所示，最优组合（ms，ml，M）＝（2，25，10），当以2日为短期指数移动平均线计算天数，25日为长期指数移动平均线计算天数，10日为DEA计算天数，进行交叉择时时效果较好，在回验测试期间夏普比率达3．0682。

组合指标择时策略仿真回验。由于组合指标策略是建立在单指标策略基础上的，所以该策略中的参数（s，l）、（ms，ml，M）即为模型一和模型二参数优化后确定的值，而参数（buy，sell）的组合情况有（2，2）、（2，1）、（1，2）和（1，1）四种，阈值组合选取哪个使得策略最优则需要进一步的参数优化。

对于参数buy，初始值设为2，测试最小值为1，最大值为2，步长设为1；参数sell，初始值设为2，测试最小值为1，最大值为2，步长设为1；搜索精度设为1；测试回验90天，截止日期设为2013－12－31。通过回验得到参数优化结果（见表4）。

如表4所示，最优组合（buy， sell）＝（1，1），即当买入信号个数至少有一个时就进行买入交易，卖出信号个数至少有一个时就进行卖出交易，以此进行组合指标择时效果最好，在参数优化回验测试期间夏普比率达2．490 3。

5 结论

从价格沿趋势移动和历史会重演的角度出发，运用传统趋势指标MA和MACD，分别建立MA、MACD的单指标择时策略模型并通过模式搜索算法分别求出两个策略的最优参数，从实证结果看趋势型指标可以抓住大的波段行情，获得超额收益，具有较好的择时效果。在此基础上再创新性的运用通过设置买入和卖出信号个数阈值的方法构建二者的最优组合指标模型，增强了择时的稳定性和鲁棒性，在有效降低风险的同时提高了收益率。

综上所述，基于以上的不足之处，以后将沿着组合指标择时的思路继续深入研究以对目前的研究进行改进。未来的工作主要是：对于用于组合的单指标要进行更为全面的扩展，引进其他经典趋势型指标DMA平均线差指标、TRIX三重指数平滑移动平均指标等，同时把指标类型拓展至其他类型，如反趋势型指标ACCER幅度涨速指标等，量价指标APBP人气意愿指标等，大盘指标OBOS超买超卖指标等，压力支撑指标ENE轨道线指标等。通过增加组合趋势型数量和组合指标类型，以使组合指标策略更全面、更切合实际市场。

参考文献

1 丁鹏．量化投资——策略与技术［M］．北京：电子工业出版社，2012

2 方浩文．量化投资发展趋势及其对中国的启示［J］．宏观管理，2012（5）

3 郭建．论证券投资技术分析中历史会重演的根本原因［J］．商业时代，2007（28）

4 李向科．证券投资技术分析［M］．北京：中国人民大学出版社，2012．

5 张登明．技术指标投资策略的优化及其在量化交易中的应用［D］．武汉：华中科技大学，2010

6 方智．基于多技术指标模型的沪深300指数走势预测［D］．南昌：江西财经大学，2012

7 路来政．量化投资策略的应用效果研究［D］．广州：暨南大学，2012

8 刘澜飚，李贡敏．市场择时理论的中国适用性［J］．财经研究，2005（11）

9 林正龙．项目投资定价与择时理论研究［D］．长沙：湖南大学，2006

10 胡志强，卓琳玲．IPO市场时机选择与资本结构关系研究［J］．金融研究，2008（10）

篇3

这群人多数都不是学金融而是学数学或者物理出身，当他们进入华尔街后，被认为是华尔街名副其实的淘金者，1980年到2007年，是他们势不可挡的黄金年 代。

2005年左右，量化投资在国内出现。

从事量化投资的人被称为宽客，则是最近两三年的事情。一方面是一些介绍华尔街宽客的书籍被翻译引进，另一方面，因为2008年金融危机爆发，一些华尔街的宽客开始转战中国。

短短几年，随着中国衍生品市场的日渐开放，自称宽客的人越来越多。券商、基金、期货、私募……一句市场玩笑话，谁家要是没有一个两个宽客，都觉得不太好意思。

宽客的春天真的来到了？

年轻的中国宽客们

一间不到20平方米的房间，没有任何隔断，每张办公桌上都放着两到三台电脑，五张办公桌呈扇形分布在落地窗前，每个人扭头就可以和其他人说话。

这就是永安期货研究所量化投资团队的办公室。和国内不少量化投资团队一样，他们在公司具有相对独立的空间。

30岁的张冰，2009年毕业于北京大学，理论物理博士，是这个团队的负责人。有着一张娃娃脸的他，举手投足之间流露出来的依然是浓浓的书生气。不仅是他，屋子里的其他人也都像是在大学机房里安静地做研究、编程序。

事实上，要想进入这个团队，必须有熟练的计算机编程能力。2012年7月加盟张冰团队的李洋是北师大应用数学硕士，他经过一天近十个小时的笔试和面试才最终被团队接纳。笔试中80%的题目都是用计算机编程。

“量化投资是聪明人的游戏。”张冰说，量化投资实际上是一种在证券市场上找规律、找错误的游戏。谁先找到新规律、新错误，谁先获得超额收益的可能性就越高。

这个团队除了一位数学硕士，一位计算机硕士，还有三位是物理博士。数学和计算机能力都超强。

还在北京大学攻读博士学位的时候，张冰就听导师马伯强提到他有不少同学、学生，赴美留学继续深造物理之后，没有继续学术研究，而是转战华尔街做投资，做得相当成功。

物理学一直关注的是动态，寻求规律，目的是为了预测并掌握未来。把物理学理论知识运用到金融实践中，寻找证券定价变动的规律，其实并没有越过物理学的研究范畴。

这让本来就对金融有兴趣的张冰，开始想自己今后的路。他还专门去一个私募基金实习了半年。“在物理学中，你是和上帝玩游戏，在金融领域，你是和上帝的造物玩游戏。”

这句话并不是张冰原创，而是来自他的前辈，同样也是理论物理博士出身的伊曼纽尔·德曼（Emaneul Derman）。

德曼的自传《宽客人生：华尔街的数量金融大师》在2007年被引介到中国。德曼自1985年进入华尔街之后，就致力于把物理学理论和数学技巧及计算机编程技术结合起来，建构数量模型，寻找金融证券的定价，指导证券交易。

张冰看过这本书之后，更加确信，自己可以选择像德曼一样去当宽客。不过，当他决定做宽客时，发现中国突然间就涌现出很多量化投资专家。而事实上这些人多数是营销专家，根本就不懂量化投资，最后都亏得一塌糊涂。

2009年，他决心成为真正的宽客，于是拉着同班同学陈星和师妹钱文，成立了这个以北大理论物理博士为班底的宽客团队。这是国内期货公司中第一批成立的宽客团队。目前国内三分之一的期货公司有量化投资团队。

团队平均年龄27岁，成立至今一直比较稳定。张冰也没有扩容的打算。因为要找到对数字的敏感，善于发现数字之间的规律和联系，还能把这些规律变成数量模型指导证券交易的人，很难。他这个团队也还处于自我培养的过程中。

“中国宽客以年轻人居多。”中国量化投资学会理事长丁鹏说。

丁鹏是上海交通大学计算机博士，方正富邦基金的资深量化策略师。2012年初，他推出一本《量化投资：策略和技术》，成为国内最早一本专门介绍量化投资的专业书籍，被一些人认为是宽客圣经。

一年前，丁鹏建了一个QQ群，隔三差五与对量化研究感兴趣的人进行讨论，没想到经过口口相传，QQ群迅速发展壮大，线上讨论也发展到线下交流。他便牵头成立了中国量化投资学会。

学会如今在全国拥有十几个分会，近八千人，大部分都是有着一定数理知识基础的年轻人，这些人都打定主意要成为中国的宽客。

在丁鹏看来，在中国当宽客，生活很简单，只需要潜下心来，发挥个人聪明才智，做研究，建模型。真正找到好的可以赚钱的模型之后，都是别人求你。

这让很多纯理工背景人的人很向往。在现在的社会格局下，要想出头并不容易，但当宽客可以掌握自己掌握命运，完全凭自己取得成功。

赚钱之道

丁鹏一天典型的工作状态是：查看模型前一天的运转结果，考虑是否要对策略进行修正。如果没有需要修正的，则着手准备为下一个模型的开发。其他的都是电脑的事情，不用他管。他根本就不看基本面。

张冰团队的办公室放眼望去，也没有交易时间最常见的五颜六色的股票K线图和大盘走势图，电脑屏幕上显示的多数是白底黑字的编程界面。

不过，他们并不像丁鹏那么轻松。团队每人按特长各有分工：有的主要处理数据，有的做策略设计，有的做策略建模。因期货公司目前不能直接做交易，张冰团队每天主要做的就是衍生品量化投资分析工作，把研究的结果开发成产品供客户购买。

而通常能够进行交易的宽客团队一天的工作流程大致如此：有人在交易头一天晚上就负责收集并更新、处理好交易所公告的数据；第二天开盘之前，通过选定的模型，经相关软件自动给出交易策略。开盘后，按照模型给定的策略进行交易。早上10点左右，交易员、基金经理盯盘最忙碌的时候，量化投资团队一天的最主要工作—投资决策、交易下指令的工作已经完成。

丁鹏认为，进入量化投资门槛之后，找到好的方法，会比较轻松，理论上讲，“一台笔记本一个U盘就可以赚钱了”。

真实交易还是需要一个团队的支持，不过核心的交易模型和思想，确实一张U盘就可以存储完成。有朋友曾拿U盘拷下他设计的量化投资模型到香港股市去实践，半年间盈利最高点达到了120%，不过，这个高风险的策略只适合于小资金操作，并不适合于大规模的资产管理。丁鹏解释：”资本市场没有神话，需要不断地修订自己的模型和策略 “。

张冰目前也不敢奢望那样的赚钱状态。

事实上，量化投资在国内最早也就是2005年才萌芽。业内公认，2005年开始的ETF套利拉开了量化投资在中国的序幕，而股指期货等衍生品2010年才逐步放 开。

因为无可借鉴，张冰团队只能从零做起。从收集数据到建构模型到交易的风险控制，都是他们自己一个代码一个代码写的。

这是个系统工程，在这个体系中，先观察事件之间的联系—通过观察或实验去取得数据；再假设一个结论—构建理论去解释数据；然后去预测分析—构建量化模型并回测；最后检验并证实这个结论—实盘交易。

所有这些都需要资本和人力的大量投入。从华尔街回来的宽客—北京名策数据处理有限公司执行董事祝清大致估计了一下，一个真正从事量化投资的宽客团队运作起来，前期至少要投入5000万。

祝清曾在美国的全球证券投资基金工作多年，有三年，他是一个40人宽客团队的负责人，要从全球9000多只股票池里找出投资品种。这让他有机会对量化投资从数据、代码到模型、系统进行深入地接触和运用，甚至对系统的漏洞也了如指掌。

这些是他当时所在公司花了十几年，经过大量的投入才建构的一个系统工程。而建构整个系统的基础就是数据，华尔街其他有着进行量化投资的宽客团队的公司，无不在数据上有很大的支出。

2008年祝清从华尔街回国，创办专注于金融数量分析和程序化交易的数据处理公司。这几年，他带领30人的团队，主要做了四件事：建立专供量化投资的量化数据库、量化决策终端、高速量化交易平台、量化策略研发服务。他希望借助强大的分析工具平台，以及日益完善的数据库系统来改变行业的经营模 式。

目前他的公司尚未到盈利阶段。

春天尚未到来

1月19日，中国量化投资学会的50多名资深会员在北京郊区举办了一次聚会，聚会的主题是“拥抱量化投资的春天”。丁鹏表示：冬天已经过去，宽客的春天已经到来。

丁鹏是有理由乐观的：国家政策层面支持金融衍生品市场放开；2012年，玻璃、原油、国债期货、CTA以及沪深300指数期权等一系列金融衍生品加速推进；随着投资品种增多，越来越多的金融机构意识到量化投资的重要性和紧迫性。

另外，国内打算做宽客的人也暴增—从中国量化投资学会的壮大就可看出端倪。

不过，同是中国量化投资学会成员的张冰和祝清都持谨慎态度。

张冰不认为宽客短期可形成一股力量。毕竟，美国发展了四十年，而中国只做了四五年而已。没有足够的投入，不可能那么快有收入。没有收入，坚持来做的人就不会太多。

祝清更严苛。他并不认为会建模型的人就可称为宽客。他认为目前中国真正的宽客，尚不足100人。祝清按照华尔街的标准来定义中国宽客：作为宽客，最起码要满足三个条件—有高净值客户；有量化投资研究平台（有数据有人有模型）；有交易通道。

按照这个标准，目前，真正的中国宽客都在过冬，都还在烧钱阶段，活下去都很难。即使是初春，最早也至少要三年之后—这还要看有没有一两位真正经受住市场检验、收益率排名靠前的标杆性宽客脱颖而 出。

据祝清了解，因为国内多数金融机构的高层并不懂量化，在这方面投入太少，即使一些数一数二的大型券商，历史的数据都不存。没有历史数据无法验证模型，量化投资就是句空话。

取得数据，还需要有人来处理数据，建构模型。金融机构的投入不会很快有结果，另一方面，宽客很有可能做出成果之后就走人，中国在这方面尚无知识产权保护。而在美国，只要有人敢在服务器上拷一行代码，就有FBI介入了。

2008年中金公司从华尔街花重金请回来的知名宽客李祥林，如今他已去做私募了。

祝清介绍，西方宽客主要分三类：从事高频交易的、采用对冲策略的、预测趋势的。而他们所有的交易、投融资决策都是通过数量模型进行，由电脑决策并完成下单。

篇4

国内的量化投资元年应该是2010年股指期货推出之后，从0到有，经过5年的发展，以其超越牛熊的稳定收益获得了众多机构投资者的青睐。今年6月份的这一轮股市深度调整中，大多数量化对冲类的私募基金，不但没有损失，其净值反而创出新高即是明证。

程序化交易不一定会增加波动率

程序化交易大大增加了市场的流动性，是稳定市场的重要力量。金融市场的核心价值在于流动性，无论是价值投资者，还是套保者，都需要对手盘。流动性越好的市场，才具有更好的价值发现功能。程序化交易主要是以短线交易为主，无论是套利还是投机策略，它们的存在大大增加了市场深度。对于套利类的策略，程序化交易是降低波动率的，对于投机类策略，程序化交易是增加波动率的。

例如，目前市场上比较流行的期现套利，它的原理是在基差（编者注：基差是指现货价格与期货价格之差，比如股票市场上沪深300指数与沪深300期指之差）扩大的时候建仓，基差缩小的时候平仓。比如2015年6月初的时候，在散户的推动下，股票指数和股指期货的基差一度扩大到了100点以上，整体市场非常的狂热。这时候套利类交易的策略是，会买入股票，同时做空股指期货。这样如果股指继续上涨，在股票市场的盈利可弥补做空股指期货的损失。于是在双边力量的作用下，基差会慢慢缩小。从而使得市场的波动率恢复到正常。所以这种套利类的策略，是降低波动率。

然而对于做方向易的策略，往往是追涨杀跌的，这个和普通散户的操作方式类似。这种策略下，当市场出现大幅上涨的时候会助涨，大幅杀跌的时候也会助跌，会增加市场的波动率。

其实波动率这个东西，不能太大，也不能太小。没有波动率的市场就缺乏足够的流动性，一个没有流动性的市场，又怎么可能承担金融市场优化资源配置的责任呢？

2010年5月6日，美国纽交所的道琼斯工业指数曾经出现过一次“闪甭”事件，当时道琼斯工业指数曾瞬间狂泻1000点，短时间内造成1万亿美元市值蒸发。事后纽交所虽然对外宣称程序化交易对此事负有责任，但是截至目前，对于此事到底是不是由于程序化交易造成的，美国调查机构并没有一个最终的结论。所以与其说股指大幅调整是因为程序化交易造成的，不如去关注是否是因为市场本身泡沫过大，以至于需要一次调整，市场才能继续上行。

所以并不能一概而论地说程序化交易一定会增加波动率。事实上，2008年的金融危机中，国内的量化投资还很少，而上证综指不也上演了6000点到2000点的戏码？程序化交易只是一个工具，它是中性的，不是说必然做多，也不会必然做空。尤其是7月份以来，股指期货持续贴水，绝大多数的套利类的量化策略因为缺乏机会，都停止交易了，但是这并没有避免股指出现大幅震荡。

中国的量化投资基金现状

量化投资是以数据为基础，以模型为核心，遵守交易纪律，从而具有稳定收益和抵抗风险的能力。事实上，目前中国很多以量化对冲方式运作的私募基金，他们产品的业绩都非常的稳定，就足以说明问题了。普通投资人，不能总是追涨杀跌，靠听消息炒股的时代必将过去，未来的金融市场，一定是靠数据、模型和现代科技。散户也应该学习一些量化投资的理念和方法，否则被市场消灭是迟早的事情。

就拿这次被禁止交易的几个量化对冲私募基金来说，据已公布的资料显示，其中不乏一些历史业绩十分优秀的公司。比如盈融达投资（北京）有限公司，他们主要的量化投资类产品，过去几年年化收益率都在20%左右，无论身处牛熊市，收益都非常的稳定。目前盈融达的资产管理规模已经100亿了。而业内和他们处于同一梯队的，还有十余家之多，再加上券商、基金公司开发的产品，国内量化对冲类的产品，已经有两三千亿元的规模了。

篇5

程序化交易产生于美国，早期的程序化交易分为程序化买入和程序化卖出两种，用于纽约股票交易所同时买卖15支以上的股票组合的交易。因此，有时也被称为篮子交易。

随着投资管理业的资金管理规模扩大，投资经理和基金经理们发现凭经验和手工操作无法应对市场风险加大、价格变动频繁等挑战，程序化交易刚好可以解决这些难题，因为它具有速度快、避免个人情绪干扰、量化等优势，投资机构纷纷投入重金研发自动交易模型，其在提高投资决策质量和速度、交易辅助等方面大展身手。

时至今日，西方发达国家已经研发出不少成熟的自动化交易系统，譬如美国有70%的交易是由程序化交易完成的，而且交易量占比连年来还有不断上升的趋势，交易模型的功能也日趋强大和完善。量化投资及程序化交易大师西蒙斯默默无闻地在十几年间大量使用量化系统的交易方法，取得了比巴菲特、索罗斯等市场传奇更高的年收益率。譬如海龟交易创始人丹尼斯不断通过自动化交易实现其从400美金到2亿美金的个人传奇，还培训出一支海龟投资团队（现在还活跃在各大投资机构），他们为早期大胆吃螃蟹者的投资客无声无息地带来了可观的投资回报。

我国的程序化交易起步较晚，发展缓慢，开发出来的比较成熟的交易系统也相对缺乏，但最近几年发展也很迅猛，这得益于新的投资理念的导入、应用平台开发迅速成熟，如tb（交易开拓者）、文化财经、金字塔等平台已经深受广大自动交易者所喜爱和认同。由于程序化交易规避了人性中的贪婪和恐惧等弱点，交易速度快、系统性强，国内自动化交易量占比最近几年也在快速上升。据统计，我国当前金融产品的程序化交易占比为20%～30%，程序化交易的发展空间将会越来越广阔。

一、程序化交易策略为什么要创新

（一）策略效用的边际递减

使用策略的人多了效果就会越来越差。细心的投资者会发现，国内的股指期货越来越难做。在2010年国内刚推出股指期货时就有人使用台湾的一些比较成熟的程序化交易策略而大赚其钱，但在最近两年却发现不容易赚钱了，甚至遭到了比较大的回撤。这是什么原因呢？金融市场本身就是一个众多策略博弈的一个场所，某个策略一旦成功并被多人使用了，其有效性就会越来越低，而且道高一尺魔高一丈，市场上会出现针对某种策略的猎杀者。从技术指标层面看，例如20年前，通过一条20天均线的交易策略是有利可图的，紧接着，越来越多人开始使用均线来做投资决策。但是，每个交易策略和买卖机会都是有容量限制的，这使得策略使用的人越多，单个K线的波动则越大，例如突破20天均线的当根K线的波动极大，这使得中间的利润空间迅速收缩，最终使得策略失效。也可以理解成，当一个策略使用的人越多，知道的人越多，它的盈利能力则越低，最终变得无利可图。在基本面分析上，同样存在自毁性，例如20年前，只要买账面有利润的公司都能赚钱，紧接着所有人都认准了公司账面利润进行投资，这使得所有账面有利润的公司股价都很高，这时候，人们只能通过预测未来利润获得投资回报了。而随着越来越多人熟知各种预测利润的方法，导致价值被低估的公司越来越难找了，最终变成了一个均衡市场。笔者认为，这可以认为是交易策略效用的边际递减。

（二）行情特点发生变化

金融市场的复杂性表现在行情的多变性。还是以国内的股指期货为例，在2010年是一个双边大震荡的行情，2011年单边下跌，2012年、2013年宽幅震荡，2014年上半年窄幅震荡，可以看出无论是单边行情还是震荡行情，由于国内A股的市场容量越来越大，股指期货的日内变动幅度呈现出越来越小的特点，这就给日内趋势易策略带来不小的挑战。

知名投资人、“悍马理论”的创始人冯正平表示：世界上没有交易圣杯，这是他的悍马定律里的第一条。他说2008年前的市场特征与之后的就很不一样，一些原来赚钱的模型后来都赔钱了，而有一些原来赔钱的反倒变成赚钱了。他打了个比方很生动：“就像我们造一个工具，是拿来切菜的还是砍骨头的，还是拿来修指甲的，这个要想清楚。”意思是设计模型时要清楚自己设计出来的交易模型适用于哪种市场环境，要考虑模型的针对性、适应性。

基于多年期货量化交易的经验，上海泛金投资管理有限公司董事长杭国强认为，程序化的本质是给自己的交易列出一系列规矩，让自己的交易更有规则，并利用计算机提高交易速度，其中成败的关键在于对细节的处理。“利用程序界定、评价和预测未来的收益，建立有效的评估体系，不断适应市场的变化，才是程序化交易的灵魂”。

普天投资机构创始人吴转普也认为：自动化交易不存在永远的圣杯，不可能做出一个类似印钞机一样让交易者获利的程序化交易模型，自动化交易更多地被看成是一种管理控制系统，要加入对基本面和技术面的理解，要考虑市场参与者结构的变化，交易程序要不断优化和创新。

在国外，一些成熟的投资公司配备了众多数学和计算机专业人才，他们的主要任务就是针对市场的变化不断完善模型，这正体现了金融机构存在的必要性与重要性。80%～90%的工作人员是在做量化模型的建模、数据处理工作，交易执行人员比较少。由于要处理庞杂的数据，在量化交易中，团队的价值得到充分体现。每隔一段时间他们就会开发出新的交易模型。

即使在高性能硬件与软件结合的高频交易领域，也不存在可以长久不变的“交易圣杯”。高频交易策略对技术要求比较高，在网络速度、硬件反应速度及网络监测等方面都有近乎苛刻的要求。作为高频程序化交易者，Cyc partner公司创始人柳峰介绍说，高频交易者对市场的监测，以及对策略的修改一直不曾停止，“只有不断发现并保持自己的比较优势，才可能在变化的市场中保持盈利”。而高频交易背后的逻辑结构相对来说是简单的，盈利率比较高，有些策略在三年之内运行会比较适用。但是，在市场中采用同种高频交易策略的数量增加之后，交易者必须对策略加以改进。

二、程序化交易策略创新的思路

（一）交易哲学的革新

程序化交易本质上是交易者交易思想的体现，程序化是一种控制手段。有什么样的交易哲学就有什么样的程序化交易策略，所以审视自己的交易哲学的逻辑性就显得尤为重要。策略的优劣对比实际上是背后交易哲学的较量。优秀的交易策略创新来自于交易哲学的突破与革新，而做到这一点并不容易，需要交易者对世界、对自然、对市场有一种深邃的洞察力并能理解转换成为市场语言，物化为交易指标体系。笔者几年来一直致力于对市场背后推动力的研究，市场的上涨和下跌并非随机和无序。比如说，我们可以把市场按照形态分为单边和震荡，在单边市中趋势性模型就能大显身手，而趋势性模型在震荡市中由于来回止损会产生比较大的回撤。而震荡模型策略的表现刚好相反，所以用什么模型不是关键，判断对时段性的单边行情还是震荡行情成为交易策略提高胜率和盈亏比的关键。至于用什么模型来判断单边和震荡是笔者多年研究的成果，有比较高的准确性。

（二）从全自动到半自动的尝试

笔者认为，交易策略不易过于死板。众多程序化交易策略坚持不下去的原因是全自动带来的众多劣质交易，频繁止损。其实法无定法，笔者认为可以半自动化交易提高胜率和盈亏比，至于何时开启程序化何时关闭程序化背后的规则和逻辑也必须是严密的、一贯的，譬如在背后规则市场进入单边市时开启程序，市场重归震荡市时关闭程序，需要一切有章可循。正如世上没有永动机一样，没有一个自动化交易策略能一如既往地战胜市场，能够在资本市场有骄人业绩的一定是半自动交易程序策略。

（三）交易周期、参数的调整

可以针对不同金融市场的特点，变革不同的交易周期，充分认识到金融市场博弈的本质。当多数人使用某个交易周期的时候，我们可以回避它改变交易周期，比如在股指期货中大家常用1分钟图、10秒钟图，笔者觉得不烦尝试15秒图，既保持了一定的反应速度，又能减少频繁交易的问题，对于大家在交易中常用的macd指标、dmi指标、均线指标，我们可以通过测试调整其参数设置以达到阶段性优化交易的目的，更重要的是避开了大众常用参数，可以避开程序化交易猎杀者的屠刀。建议策略框架的核心参数不要超过三个，超过三个以上的参数有拟合历史行情的嫌疑。著名的海龟策略创始人也曾在海龟策略遭受比较大的亏损时修改技术参数才渡过难关的。

（四）创新交易技术指标

使用独创的交易技术指标来设计交易系统能在金融市场上提高交易胜率和盈亏比，其原因在于创新的交易技术指标相对保密，不具有从众性，相反具有出其不意的优势。比如在趋势交易系统里面大家认为均线是一个很好的趋势跟踪指标，但它的缺点也很突出，除具有其他趋势跟踪指标一样的滞后性外，对付慢涨急跌或者慢跌急涨的行情是一个弱项，所以有人创造了自适应均线来对付这种行情，这就是创新交易指标的做法。笔者举出这个例子意在抛砖引玉，创新和改良指标的方法和技术有赖于开发者的细心、耐心和汗水。

三、程序化交易策略创新后测试要注意的问题

首先，避免对交易策略的参数过度优化。过度优化是以拟合历史取得比较高的胜率和盈亏比的，这种过度优化的策略对付现实或者未来变化的行情反倒会产生比较大的回撤甚至亏损，这是由于形态的周期性反复原理产生的。

其次，核心框架策略可以试着应用于其他金融交易品种，观察其表现。

再次，某一参数取值的盈利远远高于或低于附近的参数值就要引起高度警惕。

最后，不要对一两次巨亏或比较长的连续亏损单独做优化，否则即使减小了最大回撤也是不可靠的。

参考文献：

篇6

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.

篇7

1量化投资简介

1.1基本概念

量化投资是一种借助于计算机高效计算程序进行复杂运算，以金融产品未来收益与风险为研究对象的新型投资方式。量化投资的基础是以股票价格、日成交额等大数据库数据为参考样本数据并建立数学模型，运用仿真分析及迭代方法不断修正数学模型，直到数学模型可以用来预测指导投资交易。任何一个投资的方案或者设想，都可以为它设计一个数学模型，然后借助大数据库的现有数据进行迭代法测试分析，以此来判别数学模型的有效性。传统投资方式基本上是对传统的技术分析和公司的经营状态基本分析，存在一定的局限性；相比之下量化投资分析是基于对大数据市场数据的，数据样本空间容量足够大，而且可以快速进行运算并排除投资者个人心理因素的主观影响，科学性和时效性更强。此外，量化投资是一种主动性的投资方式，在进行数学模型选择、自变量选取、数学模型的验算迭代都是投资行为的主动部分。

1.2交易内容及方法

量化投资交易的内容主要是量化策略以及交易策略，在制定交易策略时必须立足于投资市场、投资产品以及分配在内等。具体交易平台则是靠以计算机计算程序为基础的线上交易平台系统。进行量化投资交易时通常会遇到各种较为复杂的情况，但是基本前提都是要依据现有的既定的大量数据库数据，灵活采用各种方法来判断投资对象是否值得投资。总体来说，量化投资有估值法、资金法和趋势法三种。

2量化投资现状

从理论上来说，每个量化投资者的决策行为可以被同化为理性预期、风险规避、严格效用基本一致的理想化模型。然而现实情况中每个人的心理活动、出发点、知识水平等都存在差异，进行量化投资时人们作出的决策也存在差异。人的非理性行为与理性行为都是客观存在的，而且非理性行为对理性行为也存在着一定的影响，因此投资人在进行投资决策时并不能完全理性地进行选择。综上所述，非理性人的客观存在使投资人在进行投资决策时不能完全忽视个人的心理因素。既然个人的心理因素无法排除，那么在建立决策分析数学模型时，就应该把个人的心理因素考虑在内。当前我国国内量化投资有以下几个特点：(1)个人投资者占总投资者的比例很高。上文已经提到投资者个人的非理性客观存在且不可避免，那么众多量化投资者的非理性因素间接影响我国量化投资市场。(2)我国的量化投资市场虽然发展迅速但仍不成熟。与美国及欧洲发达国家相比，我国量化投资市场只能是一个新兴的市场，直接表现在各方面的信息不完整且难以搜集，一些基础数据我们只能自己想方设法地去开发获取。(3)量化投资行业的企业构成比较复杂。目前我国量化投资行业的企业种类比较多，跨越众多不同的领域。加上我国量化投资市场还处于新生期，市场不稳定信息变化较快，因此量化投资行业的可用层面指标数目非常少且指标数值经常变化。当前我国量化投资者正是依据当前行业的特点，从不同的层面和角度验证分析，建立泡沫型数学分析模型，才能获得巨大的利润。(4)量化投资策略研究落后。通过把我国量化投资策略与美国及西方发达国家的量化投资策略进行对比，发现我国现有的量化投资策略严重落后。国外的量化策略研究是在大量的事件、数据积累分析的基础上，脚踏实地潜心研究总结出来的。现阶段我国量化策略研究多是借用国外的策略，结合国内的量化投资行业的实际现状进行修正得来的。当前我们还缺少指导量化投资行业的专家、指导著作，为此我国国内的一些高等院校开始着手量化投资策略的研究并取得了初步的成效。

3量化投资优势

量化投资是在定性投资基础上进行继承和延伸的一种主动投资工具。定性投资的核心是对宏观经济和市场基本面进行深入的分析，再加上实地调研上市公司以及与上市公司的管理层进行经验交流，最终把调研结果整理成专题报告，把报告作为决策依据。不难看出定性投资带有很大的个人主观判断性，它完全依赖于投资经理个人经验以及对市场的认知。量化投资在调研层面与定性投资相同，区别在于量化投资更加注重数据库大数据，运用各种方法发现运用大数据所体现出来的有用信息，寻找更优化的投资方式以获得大额收益，完全避免了投资经理个人的主观臆断和心理因素，更加科学合理。综上所述，与定性投资相比，量化投资具有以下优势。

3.1投资方式更加理性

量化投资是采用统计数学与计算机建模分析技术，以行业大数据库为参考，取代了个人主观判断和心理因素的科学客观投资方法。很明显，行业大数据的样本容量已远远高于有限的对上市公司调研所形成的样本容量；在进行投资决策时，把决策过程科学化数量化可以最大程度的减少投资者决策时个人情感等心理因素对决策结果的影响，从而避免了错误的选择方向。

3.2覆盖范围大效率高

得益于因特网的广泛实施应用，与各行各业的运行数据都可以录入大数据系统形成体量巨大的数据库；得益于计算机行业云时代到来对计算分析速度的革命性变革，在极短的时间内就可以得到多种量化投资的投资方法。定性投资方式进行决策时，由于决策人的精力和专业水平都存在一定的局限性，自然其考虑投资的范围要远远低于电脑决策，二者根本没有可比性。综上所述，虽然与定性投资相比，量化投资具有明显的优势，但是二者的目的是相同的，都以获得最大收益为目的，多少情况量化投资与定型投资可以互相补充，搭配使用会起到意想不到的效果。

4量化投资的劣势

上文已经提到量化投资的决策过程依赖于大数据库以及计算机分析系统的科学决策，因此只要投资思想正确量化投资就不会出现错误。然而即使是投资思想及决策过程都没有问题，也不意味着量化投资完美无缺。量化投资本质上是对某一特定基准面的分析，事实上基准面有时范围过小，纵然决策过程合理化、无偏差，量化投资也存在一定的局限性。量化投资的另一特点是进行考察决策时覆盖的市场面非常广泛，在当前国民经济快速发展的时代，人们对市场的认知难免出现盲区或者对某一个局部了解不充分的现象，此种情况下量化投资的正确性就很难保证。

4.1形成交易的一致性

基于量化投资的低风险特性，人们更多地依赖于采用大数据云分析平台进行决策，如此大家对某一行业的市场认知以及投资决策水平就处在同一认知层次上，当遇到极端的市场行情时，人们作出的交易决策往往一致，即容易达成交易的一致性。例如期货行业以及股票行业，在市场行情动荡的特殊时期，人们往往选择在同一时机抛出股票或者期货，这种大规模的一次性抛盘则会造成在预期抛售价格基础上的剧烈波动，导致投资者的实际收益在一定程度上低于预期收益。此种情形下又会引起新一轮投资恐慌，不利于市场的稳定发展。

4.2指标钝化和失效

篇8

就在人们纷纷对西方财经圈大牛表示缅怀之时，传来一个中国投资大佬境外因病医治无效过世的消息，让整个量化投资圈颇为震惊。

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9

中图分类号：F83091文献标识码：A文章编号：10084096（2015）05008506

一、引言

奥斯本的随机漫步理论和法玛[1]的有效市场假说认为，技术分析是无效的，在证券交易中，一个根据证券历史价格构造的投资策略，不会比一个消极的买入并持有策略取得更好的收益。然而，技术分析的支持者却认为，按照证券的历史信息进行交易会比仅仅跟随市场交易取得更高的收益。近年来，国内外出现了很多支持技术分析有效性的实证研究，为技术分析提供了理论支持。随着计算机技术的迅猛发展，技术分析通过与之结合，其应用范围与功效都得到了前所未有的进步，算法交易与量化投资作为市场上的新兴产物，得到了很多投资者的青睐。

量化投资在国外的发展已经有三四十年的历史，投资业绩稳定，市场份额不断扩大，得到越来越多投资者的认可。然而，国内的量化投资领域还处于发展起步阶段，量化投资占金融投资的比重不超过5%。随着中国2010年沪深300股指期货的出台，量化投资在国内市场的发展潜力逐渐显现，各大券商和机构投资者纷纷对量化交易展开深度研究。

随着2010年4月中国沪深300股指期货的推出，国内金融衍生产品市场逐渐完善，沪深300股指期货的上市交易宣告了中国股市不能做空的单边市场的结束，也为投资者提供了套期保值规避风险的工具。同时，股指期货的上市，提高了对国内投资者的投资要求，机构投资者在交易中面临着更大的考验，因而新兴的算法交易和量化投资等投资策略在此时显现出更大的优势和更好的发展前景。

本文对沪深300股指期货的日开盘价和收盘价数据进行研究，发现了二者之间的分形协整关系，通过建模、预测，构建一个基于最高价和最低价之间关系的量化投资反转策略。在理论意义上，本文将分形协整的概念应用于对证券价格的预测中，将局限于整数维差分的误差修正模型拓展到基于分数维差分的分整误差修正模型，提高了预测精度，为日后金融或其他领域的非平稳时间序列的研究和时间序列之间长期趋同性的研究拓宽了思路。在实用价值上，本文提出的基于证券最高价和最低价预测的反转策略会为市场上的投资者提供一种新的参考方法和新的投资思路，有利于推行量化投资在股指期货市场的发展。

二、文献综述

国外的一些研究在几年前已经开始着眼于最高价和最低价之间的协整关系，Brandt 和 Diebold[2]认为最高价和最低价之间的差价是股价波动率的一个重要的指标，Brunetti 和 Lildholdt[3]将差价这一变量加入到一些随机波动模型中来获得有用的信息。Murphy[4]通过对投资者心理的研究分析得出了技术分析中压力线和支撑线的存在。Cheung等[5]认为差价的两个组成部分最高价和最低价也是值得深入研究的，他根据二者之间长期均衡的关系，提出了用向量误差修正模型VECM对其建模并预测。1980 年前后，陆续有学者将长记忆模型引入到经济和金融问题的研究中来，Stakenas[6]针对一些存在长记忆性的时间序列，提出了分形协整的概念。Johansen和Nielsen[7]提供了分整向量误差修正模型的条件最大似然估计方法，将传统的滞后算子L改进为分形滞后算子，估计出协整阶数d、b，调整参数矩阵α等参数。Caporin等[8]以美国道琼斯工业指数中的成分股价日数据为样本，运用分整向量误差修正模型估计了最高价和最低价并且证明了二者之间的分形协整关系，实现了分整向量误差修正模型在股票市场上的应用。Brock等[9]发现大多数的基于技术分析指标的交易策略与买入并持有策略相比，会得到更高的收益和更低的波动率，Gradojevic和Gentay[10]讨论了交易的不确定性，并用基于模糊交易的指标解决了这一问题。

近年来国内的一些研究将时间序列之间的协整关系转移到了分形协整关系。孙青华和张世英[11]在一般的协整关系研究中加入了分形理论，解释了时间序列的长记忆性和分形协整之间的关系，提出可以据此建立相应的长记忆性协整系统的误差修正模型。吴大勤[12]将一般时间序列的整数阶差分扩展到长记忆性序列中的分数维差分，以沪深股市为例，提出了长记忆性下的分形协整，进而将协整建模的技术同FIGARCH结合，得出了二阶基础上长期均衡的一些性质。赵进文和庞杰[13]通过实证分析证明了中国等发展中国家的股市大多存在明显的长记忆性，对中国内地A股和香港地区H股两个分隔市场分别建立能够反映其收益率波动的FIGARCH模型，证明了两个市场的联动性。曹广喜[14]以中国股市的长记忆性和分形特征为基础，分析宏观经济政策对股市波动性的影响。以往的技术分析多是利用证券的日收盘价数据进行的，而王锦[15]证明了一个结合了最高价、最低价的股票预测方法比单纯的以收盘价为基础的预测方法有意义，因为它们分别代表了市场的支撑位与阻挡位，要比其他交易价格包含了更多的关于市场反转点的信息，并且通过VAR 模型分析了 最高价、最低价、收盘价三者之间存在着明显的协整关系。技术分析中一个重要的方法就是基于压力线和支撑线的反转策略。陈卓思和宋逢明[16]得到股票价格的局部极值点，结合Murphy的研究说明了基于压力线和支撑线的反转交易策略是可行的。谢丁[17]对六类压力支撑类股票技术分析指标进行了实证研究，通过计算股价波动与压力支撑类指标各分析量之间的相关关系，验证股价波动与该类技术指标的相关性，从而实证了压力支撑类指标的有效性。

从以上文献中可以看出，国内对分形协整研究的应用局限于不同市场间的收益率波动，而很少有研究单种证券日最高价和最低价之间的分形协整关系，而且一个结合了最高价、最低价的预测方法比单纯依靠收盘价更为可靠，因而本文将根据最高价和最低价的分形协整关系构造一个反转交易策略，并证明该策略的超额收益。

二、沪深300股指期货最高价和最低价的分形协整关系检验

（一）协整关系检验

协整过程是针对具有单位根的非平稳时间序列提出的。对于一个n维向量时间序列yt，如果每一个分量序列yit （i= 1，2， ，n ），均为一单变量单位根过程（即满足yit～I（1）），且存在非零的 n 维向量α ，使得各序列组成的线性组合α′yt为一稳定过程，即α′yt～I（0），则称向量时间序列yt是协整的，α为其协整向量。以两个变量y 和x 为例，设y 和x 都是一阶单整序列，则 EG 两步法的具体检验步骤为：第一步，利用最小二乘法估计模型，并计算相应的残差序列。第二步，检验残差序列的平稳性。

常用的单整检验有DF检验（Dickey Fuller检验）、ADF检验（Augmented Dickey Fuller检验）和PP检验（Phillips Perron）。如果经过 DF 检验（或 ADF 检验）拒绝了原假设残差序列是平稳序列，则意味着y 和x 存在着协整关系；如果接受了存在单位根的原假设，则残差序列是非平稳的，y 和x 之间不可能存在协整关系。

2沪深300股指期货最高价和最低价的协整关系检验

本文对沪深300股指期货最高价和最低价数据进行协整检验，选取日数据，样本区间从2010年4月16日到2014年12月31日。分别对沪深300股指期货最高价和最低价以及差价做ADF检验，结果如表1所示。

从表1可以看出，最高价和最低价都是一阶单整序列，对二者线性回归后的残差序列μ进行ADF检验，可以看出残差序列是平稳的，最高价和最低价之间存在协整关系。对二者线性组合后的序列R=H-L进行ADF检验，可以看出，差价R序列也是平稳的。

（二）长记忆性检验

Hurst最先提出了一种长记忆性的度量方法――重标极差分析法（Rescaled Ranger Statistic，简称R/S统计量），Mandelbrot对R/S统计量做进一步的研究。设时间序列Xt，则τ个时间序列观测点的极差为R（τ）=max y（i，τ）-min y（i，τ），标准差为S（τ）={1τ∑τi=1[xi-（Ex）τ]2}12，R/S统计量为Q0=Rτ/Sτ。

Hurst、Mandelbrot和Wallis分别证明了：

plimτ∞{τ-HR（τ）/S（τ）}=C（1）

其中，C为常数，H为Hurst指数。H的估计公式为 ：

H=log[R（τ）/S（τ）]/log（τ）（2）

当 H ≤05时，时间序列为短记忆性的；当H>05时，时间序列为长记忆性的。

用R/S分析法计算差价的Hurst指数，可得05

（三）分形协整检验

近年来的研究表明，如果将协整关系局限于整数维差分框架下来分析问题，则会造成分析结果的不准确，特别是高频的金融数据下，单整阶数为整数值的条件过于苛刻。Granger和Hosking给出了一个ARFIMA（Fractional Integrated Auto-Regressive Moving Average，分整自回归移动平均）模型。ARFIMA模型是一个前沿性的长记忆性模型，该模型是放宽ARIMA模型整数维差分到分数维差分后得到的。该模型表示，对一个时间序列{yt}，我们可以建立如下分整过程： yt=（1-L）tμt，其中，L是滞后因子，μt是一个均值为零、方差恒定的独立同分布过程，即白噪声过程，d = H-1/ 2是分整系数。如果引入 ARMA项，则该分整模型就可以变换成为一个更为一般性的模型：Φ（L）（1-L）d（Xt-μ）=θ（L）εt ，其中，d为分数维差分参数。0

从上文的研究中可以看出，沪深300股指期货最高价和最低价的线性组合，即二者的差价存在长记忆性特征。目前人们对金融向量时间序列协整的研究集中在整数维差分，而长记忆性时间序列的差分阶数往往是分数维的，因而本文针对差价序列的长记忆性特征，对协整阶数进行拓展，探讨最高价和最低价之间的分数维协整关系。

为了验证最高价和最低价的分形协整关系，本文对分形单整自回归滑动平均模型ARFIMA（1，d，1）中的分数维差分参数d进行估计，用SAS软件中的FARMAFIT函数，结果为dR=03878，dH=09685，dL=09651。可以看出对最高价和最低价线性组合后的差价序列的差分参数降低，dR

综上所述，差价的长记忆性以及最高价和最低价之间的分形协整关系，可以说明最高价和最低价都是可预测的。存在一种合适的模型可以对最高价和最低价进行建模和预测。

三、分形协整模型构建及模型预测能力分析

（一）分整误差修正模型介绍

本文使用Johansen改进后的向量误差修正模型（VECM），运用基于分数维差分的分整向量误差修正模型（FVECM）来拟合最高价和最低价之间的分形协整关系。模型形式如下：

ΔdXt=（1-Δb）Δd-bαβ'Xt+∑Kj=1ΓjΔdLjbXt+εt

（4）

其中，L为分形滞后算子，Lb=1-（1-L）b，本文中Xt=（pHt，pLt），εt=（εHt，εLt），α=（αH，αL）是调整系数矩阵，β=（1，γ）是协整向量。α的分量表示变量对短期背离的调整程度，本文对长期趋势的短期背离可用差价来表示。因此，此模型既拟合了证券最高价和最低价之间的长期趋同性，也包含了证券价格离散性的信息。我们通过这个模型可以研究差价的长记忆性，可以根据过去的历史价格对未来的最高价和最低价进行更准确的预测。

本文假设d=1，表示强分形协整；β=（1，-1），从而最高价和最低价之间的协整关系是基于差价，即二者相减后序列是平稳性的。如果b>05，差价平稳且为d-b阶单整。如果b

ΔPHt=αH（1-Δb）Δ1-bRt+γ11LbΔPHt+γ12LbΔPLt+εHt

（5）

ΔPLt=αL（1-Δb）Δ1-bRt+γ21LbΔPHt+γ22LbΔPLt+εLt（6）

对此模型的估计采用Johansen和Nielsen提出的条件极大似然估计方法，用matlab程序估计出模型中的α、γ、d、b等参数，估计结果如表2所示。

从表2可以看出，b =045

投资者会对任何影响股票价格波动的因素产生过度反应。这种现象也被称为“赢家―输家组合效应”。利用这种效应，投资者可以通过卖空过去表现得好的股票组合（赢家组合Winners），同时买进过去表现得差的股票组合（输家组合Losers）而获得超额收益。这种投资策略只是以过去的股票价格作为信息进行操作，通过这种反向操作的策略获得持续的超常收益与市场的有效性不一致，这就意味着市场的弱有效性并不成立。

（二）分整误差修正模型预测能力检验

Diebold和Mariano提出Diebold-Mariamo 检验法。假设两个模型的预测误差为e1，t和e2，t（t=1，2，3，…，T），g（e1，t）和g（e2，t）代表它们相关的损失函数，则两模型的相对损失函数可表示为d=g（e1，t）-g（e2，t）。定义零假设H0：E（dt）=0。

如果{dt}是协方差平稳和短记忆性的数列，则根据中央极限定理，可用下列分配：

T（d-u）N（0，2πfd（0））（7）

其中，d为样本平均数，fd（0）为样本的零点谱密度。检验统计量为：

DM=2πd（0）T（8）

其中，d（0）是fd（0）的一致估计，经过标准化后，DM检验统计量是近似N（0，1）的标准正态分布，DM检验统计量为负数且显著时，则表明拒绝零假设H0：E（dt）=0。

根据FVECM模型的预测结果，我们构造一个基于最高价和最低价预测结果的反转投资策略，我们对2013年和2014年两年483个数据进行样本外预测，2010―2012年的数据估计出模型的参数后，用一步向前预测方法，预测出2013―2014年的最高价和最低价数据。

运用Diebold-Mariano检验（简写为D-M检验）将VECM、GARCH（1，1）、RW、MA5、MA22模型和FVECM的预测能力进行比较。D-M检验结果如表3所示。

从表3可以看出，FVECM的预测误差显著小于其他对比模型，MA5和MA22通常是用来观察股价走势的，而非用来估计和预测未来的股价。与随机游走模型RW比较时，统计量也是显著的，说明基于FVECM的预测结果好于基于强式有效市场的价格预测，说明技术分析是有效的。VECM局限于整数维差分，没有考虑到差价的长记忆性，说明本文对分数维差分和长记忆性的考虑可以提高模型的价格预测能力。

四、基于分形协整模型的反转交易策略分析

由于最高价和最低价是交易策略的核心组成部分，与压力线和支撑线的概念有紧密联系，我们利用上文模型的预测结果构造一个反转策略。

（一）反转交易策略分析

上文中对最高价和最低价的预测结果可以构造一个带状区间，我们将股价一日内的走势与基于差价的带状区间的交点作为买入和卖出的信号。在一个给定的交易日内，价格向上穿过上界，则为卖出的信号，向下穿过下界，则为买入的信号，这种策略称之为反转策略。这种策略也可以解释为从价格波动时的短期均值回复的流动性储备。从前文中可以看出，差价的上升会拉低第二日的最高价，提升第二日的最低价，因而降低第二日的差价。因此，选取反转交易策略是合理的。之所以选择日内交易，是为了避免隔夜市场操作带来的价格波动风险。

1模拟交易

本文中的反转策略为日内交易，通过FVECM对最高价和最低价的预测，计算出差价的估计值T，以日开盘价为基础，构造最高价和最低价形成的带状区间，作为买入或卖出的信号，区间的上下界分别为PU=POt+Rt和PL=POt-Rt。在某一交易日，如果股指点数向上穿过上界，就是卖出的信号，如果股指点数向下穿过下界，就是买入的信号。一旦买入，就会产生两条新的带，即获利带和止损带，SL=P+δRt和TP=P-δRt。如果股指点数穿过SL或TP，应该平仓；如果直到收盘时都没有穿过这两条带，就在收盘时将持有合约平仓。这种策略类似于Holmberg将差价作为开盘价到收盘价之间的分位数，根据差价的波动进行交易，只是他们的研究没有做像本文中的最高价和最低价的预测。

2反转策略超额收益的验证

为证明FVECM的预测结果对交易收益的提高，本文按照上述交易策略编写matlab程序对沪深300股指期货进行模拟交易，选取2013年1月1日至2013年12月31日作为样本区间，用1分钟分时数据进行模拟，δ取075。沪深300股指期货的报价单位为沪深300股指的指数点，合约乘数为每点300元，最少交易005合约数，最多交易100合约数。本文的模拟交易只对主力合约进行交易，为了简便起见，不考虑保证金交易和手续费问题，用点数×合约乘数×交易合约数作为价格，交易单位选择005个合约。每日收益为（卖出成交价-买入成交价）×300×005。期末收益为两年间每日收益之和。

比较期末几种模型的收益情况，结果如表4所示。

五、结语

本文主要的贡献是证明了证券最高价和最低价的可预测性，用分形协整向量误差修正模型FVECM对最高价和最低价之间的分形协整关系进行建模，符合最高价和最低价之间的分形协整关系和差价的长记忆性。为证明技术分析的有效性，我们将一个基于FVECM的预测结果的交易策略用于沪深300股指期货交易中，提供买入或卖出的信号。主要结论为最高价和最低价的预测可以提高交易的收益，降低交易时的风险。在未来的研究中，希望能进行最高价和最低价的预测能否提高风险分析能力和风险管理的研究。希望构建更灵活的模型，可以实现最高价、最低价、差价的分别估计和预测。可用于衍生产品定价等领域。

此外，由于本文中的交易策略是日内交易，中国股票市场T+1制度的限制使得无法将此研究策略扩展于股票市场，应用的广泛性还有待提高。希望今后的研究中能出现基于股票市场的对本文的改进，这样将会使本文更有实用价值。

参考文献：

[1]

Fama，EFEfficient Capital Markets： A Review of Theory and Empirical Work [J ]Journal of Finance， 1970，25（2）：383-417

[2]Brandt， MW， Diebold，FXA No-Arbitrage Approach to Range-Based Estimation of Return Covariances and Correlations [J ]Journal of Business， 2006，79（1）：61-73

[3 ]Brunetti，C，Lildholdt，PMRelative Efficiency of Return and Range-Based Volatility Estimators [J ]Johns Hopkins University，2005，33（7）：1890-1933

[3]Brunetti，C.，Lildholdt，P.M.Time Series Modeling of Daily Log-Price Ranges for CHF/USD and USD/GBP[J]Journal of Derivatives，2007，15（3）：39-59

[4 ]Murphy，JTechnical Analysis of the Financial Markets [M ]New York：Prentice Hall Press，1999132-259

[5 ]Cheung，YL， Cheung， YW， He， AW， Wan， ATA High-Low Model of Daily Stock Price Ranges [J ] Journal of Forecasting，2009，28（1）：103-119

[6 ]Stakenas，PFractional Integration and Cointegration in Financial Time Series [J ]The Institutional Repository of the University of Amsterdam，2010，33（2）：1890-1933

[7 ]Johansen，S， Nielsen， MLikelihood Inference for a Fractionally Cointegrated Vector Autoregressive Model [J ]Econometrica，2012，34（6）：2667-2732

[8 ]Caporin，M，Ranaldo，A，Magistris，PSOn the Predictability of Stock Prices： A Case for High and Low Prices [J ]Journal of Banking and Finance，2013，37（1）：5132-5146

[9 ]Brock，W，Lakonishok，J，LeBaron，BSimple Technical Trading Rules and Thestochastic Properties of Stock Returns [J ] Journal of Finance，1992，47（1）： 1731-1764

[10 ]Gradojevic， N， Gentay， RFuzzy Logic， Trading Uncertainty and Technical Trading [J ] Journal of Banking and Finance， 2013， 37 （2）：578-586

[11 ]孙青华，张世英长记忆向量时间序列的非线性协整关系研究 [J ]天津大学学报，2002，（3）：30-32

[12 ]吴大勤金融时间序列的长记忆性与分形协整关系研究 [J ]管理世界，2006，（3）： 30-32

[13 ]赵进文，庞杰中国A股与H股收益率波动的分形协整研究 [J ]财经问题研究，2009，（8）：30-32

[14 ]曹广喜基于分形分析的我国股市波动性研究 [M ]北京：经济科学出版社，2008152-157

[15 ]王锦探讨股票市场上技术分析的有效性：基于最高价、最低价、收盘价 [J ]华中科技大学学报，2009，（8）：30-32

[16 ]陈卓思，宋逢明技术分析中压力线与支撑线的存在性检验 [J ]统计与决策，2006，（22）：30-32

[17 ]谢丁压力支撑类股票技术分析指标的实证研究及评测 [J ]经济研究，2009，（3）： 30-32

Analysis of A Contratian Strategy based on the Predictability of High and Low Prices of Securities

――A Case for IF300 Index Futures

CHEN Qian

篇10

受市场有效性和工具种类等因素的限制，国外一些成熟的量化对冲模型无法照搬回A股。我们将国外的模型进行了本土化的改造，4年来，这种改造已初见成效：2013年，我们的8个量化对冲专户组合年化平均收益超过了12%。我们欣慰地看见，中国式的量化对冲投资已见雏形，且羽翼渐丰。

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。