欢迎来到速发表网!

关于我们 登录/注册 购物车(0)

期刊 科普 SCI期刊 投稿技巧 学术 出书

首页 > 优秀范文 > 量化投资与分析

量化投资与分析样例十一篇

时间:2023-05-15 16:08:32

序论:速发表网结合其深厚的文秘经验,特别为您筛选了11篇量化投资与分析范文。如果您需要更多原创资料,欢迎随时与我们的客服老师联系,希望您能从中汲取灵感和知识!

量化投资与分析

篇1

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2

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。追求显着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

篇3

对年轻的A股市场来说,量化投资还是一个新概念。而在国外,定量投资已经走过了近40年的道路,其中的标杆人物正是著名的詹姆斯・西蒙斯(James Simons)。

量化投资的神秘故事

文艺复兴科技公司(Renaissance Technologies)的詹姆斯・西蒙斯(James Simons)是华尔街最成功的对冲基金经理之一。他所管理的大奖章基金对冲基金,从1989年到2006年的17年间,平均年收益率达到了38.5%,而股神巴菲特过去20年的平均年回报率为20%。其20年来年均35%的傲人业绩大幅超过了巴菲特。

然而,颇具神秘色彩的西蒙斯对其投资方法刻意保密。迄今为止人们只知道,他的大奖章基金的赚钱方法是:针对不同市场设计数量化的投资管理模型,并在全球各种市场上进行短线交易。而为了让这些“模型”始终处于绝密状态,西蒙斯甚至不惜代价对那些离职创业的员工强硬地提讼。但实际上,数量化投资的背后并不是神秘而不可知的。数量化投资本身有一套规范而透明的做法,并采用科学、公正而理性的方法对市场进行研究并制定适应市场状况的投资模型和投资策略,并不断进行调整和优化。

其实,数量化投资不是黑盒子,也不是神秘主义,更不是一个战无不胜的秘笈。数量化投资不是靠一个投资模型就能一劳永逸地去赚钱,而且也不是使用一个模型就能解决一切问题,更不是一个模型就能胜任任何市场状况。数量化投资模型只是一种工具,数量化投资的成功与否在于使用这种数量化工具的投资者是否真正掌握了数量化投资。同时,数量化投资模型都必须经历不断的跟踪检验、优化、实证等等过程。数量化投资是一个不断改进的过程,数量化投资中最重要的就是投资者的投资思想,包括对投资的理解、理念、经验,所以模型都是建立在这些投资思想上的。量化只是一种方式和工具,正是采用这种工具和方法来获取经验或者检验经验。

有效规避传统投资短板

人脑在思考问题的时候所能考虑到的因素总是有限的,那么决策的广度肯定是不足的。从选股上来看也有这种问题,每个分析师所能跟踪的股票数量也有限制,不可能看太多的股票,这是传统投资的短板。当然,传统的主动投资方法在决策深度上是有优势的,因为可以把基本面研究做得很深入,从而弥补决策广度的不足,这也是决定成败的关键。信息多,信息快,这是当今资本市场的一大特点。市场中信息的传递速度非常快,而且众多分析师对基本面数据进行不断的挖掘,虽然对个股有深入的分析,但是仍然越来越难以弥补决策广度的不足。

另外,或许有的投资者对市场的预测能力非常不错,从理论上说可以获得很好的超额收益(特别是很多事后看来确实预测准确的情况),但现实中收益常常被投资者主观认知上的情绪化波动侵蚀掉。比如说,大多数投资者可能有自己的判断,但是市场短期的表现可能与其判断相左。这个时候,投资者可能会受市场表现的影响而很容易怀疑自己的判断,此时大多数投资者宁愿相信羊群效应―追涨杀跌。

因此,传统定性投资的短板大致在于我们思考的范围总是有限的、较难以处理信息量多而快的问题、难以避免自身的投资情绪等等,这些都将最终影响到投资者的投资收益状况。然而,科学、公正、客观而理性的数量化投资策略却可以规避这些传统主动型投资策略的短板。

量化技术的五大优势

数量化投资与传统的定性投资方法相比,相同点是,二者都致力于建立战胜市场、产生超额收益的投资组合;不同点是,传统的定性投资方法侧重对上市公司的调研、基金经理个人的经验及其对市场的主观判断,而量化投资管理则更加强调数据的分析和应用,以先进的数学统计技术和模型替代人为主观判断。所以,与传统的定性分析方法相比,数量化投资方法能更为理性、客观地分析和筛选股票,避免投资的盲目性和偶然性,以及主观认识的局限性,它能更有效地控制非系统性风险及一些人为因素导致的风险。定量投资管理将定性思想与定量规律进行量化应用,具有如下五大方面的优势:

纪律性:严格执行数量化投资模型所给出的投资建议,而不是随着投资者情绪的变化而随意更改。纪律性的好处很多,可以克服人性的弱点,如贪婪、恐惧、侥幸心理;也可以克服认知偏差,行为金融理论在这方面有许多论述;纪律化的另外一个好处是可以跟踪和修正。定量投资作为一种定性思想的理性应用,客观地在组合中去体现这样的组合思想。一个好的投资方法应该是一个“透明的盒子”,而不是“黑盒子”。每一个决策都是有理有据的,无论是股票的选择,行业选择,还是大类资产的配置等等,都是有数据支持、模型支持及实证检验的。

系统性:数量化投资的系统性特征主要包括多层次的量化模型、多角度的观察及海量数据的观察等等。多层次模型主要包括大类资产配置模型、行业选择模型、精选个股模型等等。多角度观察主要包括对宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等多个角度的分析。定量投资的系统性还有一方面就是数据多,即要对海量数据进行处理。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来说是有优势的,他可以深刻分析这100家公司,这可以表现出定性基金经理深度研究的优势。但在一个很大的资本市场,比如有成千上万只股票的时候,强大的定量投资的信息处理能力能反映它的优势,能捕捉更多的投资机会,拓展更大的投资机会。

及时性:及时快速地跟踪市场变化,不断发现能够提供超额收益的新的统计模型,寻找新的交易机会。

篇4

国内的公募量化基金在沉寂4年之后重现江湖:2月份,嘉实量化阿尔法发行,于4月成立;5月份中海量化发行,于6月份成立。私募基金也不甘落后,中国第一只量化阳光私募产品――“山东信托•红色量化一号”证券投资集合资金信托计划6月1日正式成立。

据悉,国内一些公司正在积极申报量化产品不久将还会有量化基金发行。

作为“舶来品”的量化基金,其前世今生如何?

国外量化基金发展迅速

量化基金即以数量化投资来进行管理的基金,数量化投资区别于基本面投资,它不是通过“信息和个人判断”来管理资产,而是遵循固定规则,由计算机模型产生投资决策。量化投资并不是基本面分析的对立者,90%的模型是基于基本面因素,同时考虑技术因素。由此可见,它也不是技术分析,而是基于对市场深入理解形成的合乎逻辑的投资方法。

数量化技术发源于20世纪70年代,以1971年富国银行发行跟踪纽约证券交易所1500只股票的指数基金为标志,此后随着计算机处理能力的提高,越来越多的物理学家和数学家离开学校被华尔街雇佣,基金经理们开始依靠电脑来筛选股票。

1979年巴克菜全球投资成立了第一支主动数量投资基金标志着量化投资由草根实践走到了公募基金历史舞台聚光灯下。

根据Bloomberg的数据,截至2008年底,1184只数量化基金管理的总资产高达1848亿美元,相比1998年21只数量化基金管理的80亿美元资产来说,平均增长速度高达20%,而同期非数量化基金的年增长速度仅为8%。

2000年之后是数量化基金发展的黄金时期,无论是个数还是管理规模都有了跨越式的发展。1998年数量化基金仅136只,至2002年增长一倍多,达316只,2008年底更是达到1848只,1988年至1998年年平均增长率为46%,2000年至2008年年平均增长幅度达54%。从规模上来看,1988年至1998年年平均增长率为32%,2000年至2008年年平均增长幅度达49%。

其中的原因有二:一是,2000年之后计算机技术飞速发展,为数量化的应用提供了良好的平台。更为主要的是主动管理型基金很难战胜大盘,于是投资指数基金以及采用数量化方法筛选股票逐渐流行起来。而且数量化基金的表现也非常不错。2002年至2007年5年间,相比美国市场主动型管理基金每年5.93%的超额收益,那些覆盖所有资产的数量化基金每年的超额收益可以达到6.95%。二是,有研究表明,2004年至2007年,投资美国大盘股的数量化基金产品的表现平均超越非大盘主动型基金103个基点。

量化基金的心脏

数量化基金的兴起,建立在数量化投资技术的发展之上。

数量化基金最明显的优势之一就是计算机处理数据的能力远远胜过人脑,这使电脑在海量股票选择中占有绝对优势。例如,在嘉信证券的股票评级系统跟踪的股票超过3000只,并且每只股票都综合了基本面、估值、动量和风险因素进行打分,并按分数高低给A至F不同的评级。其次,量化基金是以定量投资为主,用纪律性较强的精细化定量模型,代替了基金经理或分析师在定性层面的主观判断,使投资业绩较少受到个人“熟悉度偏好”的影响。最后,数量化基金收取的费率及管理费用比传统的主动型基金低很多,因为他们需要的研究人员更少,成本更低。据Lipper调查,数量化基金的平均费用是1.32%,相比而言,主动型基金的管理费用平均达到1.46%。

针对不同市场设计数量化的投资管理模型,以电脑运算为主导,并在全球各种市场上进行短线交易,正是西蒙斯的成功秘诀。

然而量化基金并非在所有市场都能有效战胜非量化基金。Lipper把基金分为4类型,将每一类型的量化投资与传统投资进行比较,2005年量化投资基金全面战胜传统基金,而2006年在增强指数型基金中,量化投资落后于传统型基金,到2007年则情况发生较大转弯,除市场中立基金外,其余量化投资基金全部跑输传统型基金。在考虑了风险、跟踪误差后,数量化投资具有更小的跟踪误差和更高的回报。研究表明数量投资基金业绩具有很强的轮动特点。大部分数量投资基金具有很强的价值投资偏好,因此,他们在价值型市场下表现良好,而1998-1999年是成长型市场,数量化投资基金大部分跑输传统型基金。2001-2005年是价值型市场,数量化投资基金普遍表现优异。

国内量化基金端倪

目前,国内基金市场上有4只量化基金,光大保德信量化核心、上投摩根阿尔法、嘉实量化阿尔法、中海量化策略,其中后两只均是今年才成立,前两只分别成立于2004年8月和2005年10月。

光大保德信量化核心一方面通过光大保德信的多因素数量模型对股票的预期收益率进行估算,个股预期收益率的高低决定投资组合是否持有股票;另一方面,投资团队从风险控制角度,重点关注数据以来的信息,通过行业分析和个股分析形成对量化的补充;最后由投资组合优化器根据预先设计的风险构建组合。

上投摩根阿尔法基金的描述则是同步以“成长”与“价值”双重量化指标进行股票选择,然后研究团队将对个股进行基本面审核,结合跟踪误差的紧密监控,以求不论指数高低,市场多空皆创造主动管理回报。投研团队最终决定进入组合的股票,量化分析是辅助和基础。

嘉实量化基金“定量投资”为主,辅以“定性投资”。通过行业选择模型,捕捉具有投资吸引力的行业,然后再在所选行业中运用Alpha多因素模型筛选个股。定性的辅助作用表现在利用基本面研究成果,对模型自动选股的结果进行复核,剔除掉满足某些特殊条件的股票。

篇5

中图分类号:F832.51 文献标识码:A doi:10.3969/j.issn.1672-3309(x).2011.11.38 文章编号:1672-3309(2011)11-84-02

近年来,随着我国资本市场的不断发展,数量化投资在国内越来越受到关注。国内机构投资者逐渐增加量化分析在投资中的应用。在基本面投资的基础上应用数量化策略,成为投资领域发展的新趋势。国内的基金公司在这股潮流下也纷纷推出自己的量化基金产品。

依据资讯商wind的显示,截至2011年9月底市场上一共有14只不同类型的量化基金。

一、国内量化基金的发展

据统计,国外定量投资在全部投资产品中的份额中占30%以上,主动投资产品中大约有20-30%使用量化技术。与国外市场相比,国内基金无论数量还是规模都要小很多。国内大部分量化基金都是在2008年金融危机之后才陆续推出。目前市场上有65家基金公司,正式推出量化基金的也只有13家。

自开始两只量化基金成立后,2006-2008年期间市场上没有任何新的量化基金成立,之后又呈现出一个快速增长的态势。为什么国内量化基金的发展会有如此特点?分析一下其中原因,笔者认为有如下几点:

(一)国内资本市场的发展为量化投资准备了必要条件。2005年以来,证券市场发生了一系列变化:股权分置改革完成、IPO扩容,卖方量化研究能力提高、股指期货及融资融券的推出等。如何在众多的上市公司中迅速、有效地选择投资目标,降低调研和投资成本,成为机构投资者面对的新问题。而通过用量化手段,分析、归纳出相对客观的选股模式,发掘内在的驱动因素,正是量化选股的优势所在。正是在这样的环境下,机构投资者开始重视起量化投资来。作为证券市场上的卖方,券商纷纷在自己的金工团队基础上成立数量化研究团队,推出了大量量化策略报告和量化投资方面的服务(如程序化交易服务)。一些阳光私募基金也开始成立。公募基金作为市场的领头羊,自然在量化投资方面不甘落后,招兵买马为发行量化基金做准备。

(二)国外量化基金的优异表现吸引了众人的目光,特别是2008年金融危机期间,量化基金的优异表现吸引了更多的人关注。当时大部分基金都亏损严重,但部分采用量化策略的基金却获得了非常好的收益。詹姆斯・西蒙斯管理的大奖章基金的年均净回报率高达35%,成为量化基金中令人眼红的明星。国内基金公司正是抓住投资者对量化基金的兴趣,适时推出各自的量化基金产品。

(三)人才队伍的积累,为国内量化基金的推出提供了可能。量化基金是一个舶来品,熟悉量化基金管理的人才在国内相当缺乏。光大保德信和上投摩根之所以能较早推出其量化基金,关键在于其外方股东的支持,其产品采用的是其外方股东提供的量化投资方法。而当时国内的本土基金则缺乏这方面的人才,自然没有实力推出量化基金产品。但金融危机给了国内基金行业机会,危机之后很多国外的投资人才回到国内,他们也带来的国外的一些先进的量化投资知识和经验。目前市场上量化基金经理绝大多数均是有海外背景的。

二、国内量化基金的量化技术

通过基金的招募说明书,我们可以将市场上目前量化基金采用的数量化模型和模型主要使用的选股指标罗列出来。

我们无法了解各基金量化模型的详细内容,但从表2可以看出,目前国内基金采用的模型多是侧重于选股的。其中多因子模型应用最多,通过多因子模型筛选出被低估的股票,进行价值投资是大部分基金所采用的量化方法。这一情况也与海外情况类似。

三、国内量化基金收益及绩效

本文选取了成立以来、最近1年(20100930-20110930)、今年以来这3个时间段来从收益和绩效两个方面对市场上量化基金进行对比。通过比较,我们可以看到富国沪深300、光大保德信核心和中海量化策略这三支基金表现相对较好。但从总体上来说,国内量化基金表现还不是很突出,各只业绩差距也很大。

四、影响国内量化基金发展的因素

国内量化基金的发展毕竟要取决于证券市场的大环境,随着股改的结束、股指期货的推出,市场环境相比之前更有利于量化投资的发展,但仍然有很多的约束,如衍生产品的缺乏,对基金公司、保险公司投资的约束,这些都制约了机构投资者在量化投资方面施展拳脚的空间。当然,我相信随着中国资本市场的发展,这些情况在未来会逐步改善。

数量化模型的应用需要结合实际的市场环境,国内量化投资水平的提高,不能依靠引进模型,最关键的还是要结合本土的实际情况,开发适合国内市场的模型。量化技术的本土化发展是未来量化基金发展的关键,只有设计出符合国内市场环境并能取得不错业绩的量化模型,投资者才能真正认同量化基金。

另外,基金的考核机制也是影响量化基金发展的一个重要因素。量化基金因其特殊性,其绩效考核与普通基金会有不同。设定一个合理的基金考核制度,给其一个宽松的投资环境,只有这样量化基金才能更加健康的发展。

参考文献:

[1] 数量化投资的解读及其本土化―量化基金专题研究之一[R].联合证券,2009-11-17.

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前言

随着我国股市体制改革,股票市场迅猛发展,股票投资新增账户和新股扩张飞速,截止到2015年7月,股票账户数已经突破2亿,两市A股约有多2700多只股票,并推行多种利好政策逐步为股票投资者铺平了道路。在牛短熊长的中国股票市场,众多依赖传统方法进行投资的投资者往往会损失惨重,此时利用量化投资策略以寻求较为稳定超额收益的投资方法愈来愈受到投资者青睐,其中尤其是超额收益Alpha量化投资策略广为受到关注。

2量化投资与超额收益Alpha投资策略

量化投资就是通过收集整理现有已发生的大量数据,并利用数学、统计学、信息技术建立数学模型对收集到的数据进行分析研究,从而构建最优投资组合以获得超额收益。简而言之,它是一个将传统投资理念、风险、收益等进行量化并付诸实现的过程。在国内量化投资起步较晚,但随着国内金融市场的不断对外开放并与国际接轨,在国际上较为盛行的金融研究技术也逐步在国内铺展开来,但目前投资策略的系统化研究仍是我国量化投资长远发展的薄弱之处。因此,更加系统的投资策略研究和实践成为当下迫切的需求。系统投资策略及组合能推动量化投资的快速发展,对中国金融生态系统的良性循环起到积极的作用。

所谓超额收益Alpha指的就是实际收益率中高于对应的预期收益率的超额收益部分,严格地来讲,超额收益Alpha是用来衡量一个在风险调整下由投资所产生的“主动收益”。超额收益Alpha量化投资策略主要来源于CAPM模型,在CAPM模型中,投资组合的收益率等于无风险利率加上风险溢价,只有承担更多的风险才能获得更高的收益。资产的收益主要取决于β值,β值越高,期望收益相对越高,β值越低,期望收益相对越低。

在CAPM模型的基础上,超额收益Alpha常被用来衡量基金的业绩,具体公式如下:α=HPR-Rf-βi[E(Rm)-Rf]。

其中HPR为持有期实际收益率,在众多的投资实践操作中已经得到证明,当选择股票投资组合适当时,股票基金能够获得高于市场平均水准的超额回报。随着资产市场的发展与成熟,超额收益的理念被广泛接受,从而促使愈来愈多的投资者采取投资组合主动管理的方式来获取超额收益,与之相关的策略称之为超额收益Alpha策略。

3双因子模型量化投资策略

不同的具有投资价值的因子(包括盈利性、估值、现金流、成长性、资产配置、价格动量和危险信号等类别)组合便构成了不同的因子模型,如单因子模型、双因子模型以及多因子模型等,其中单因子模型具有不可靠性且多因子模型建模较为复杂,双因子模型则以较高的可靠性且操作较为简便而受到重视。双因子模型典型的有盈利性和估值、成长性和估值、估值和价格动量、现金流和估值、估值和估值、盈利性和盈利性、盈利性和价格动量、估值和资产配置以及估值和危险信号等,其中盈利性和估值、成长性和估值、估值和价格动量和现金流和估值四种双因子模型效果最强。

3.1盈利性和估值

盈利性和估值是两个具有较强投资价值的因子,且两者在一定程度上相互孤立,盈利性用来衡量基本面,决定了公司资源的质量,而估值则是与市场因素(价格)相结合的基本因子,确定了投资者为这些资源必须付出的价格,这两个因子不论以什么顺序组合都是有效的。盈利性因子具有较好的普适性,能产生显著收益,具有良好的一致性和低波动性。

在众多的能反映盈利性和估值的因子中,可以选取进行自由组合从而构建双因子模型。其中由现金流价格比和现金投入资本回报率、企业价值倍数与投入资本回报率、市净率和经济利润、净资产收益率和市净率、投入资本回报率和市销率、现金投入资本回报率和市销率、现金投入资本回报率和价格资本、自由现金流加股息和净资产收益率以及市净率和经营性现金流比股东权益等组合最为常用。

3.2成长性和估值

所谓成长性是指公司收入或现金流产生能力的增加。分析成长性的目的在于观察企业在一定时期内的经营能力发展状况。成长性比率是衡量公司发展速度的重要指标,也是比率分析法中经常使用的重要比率。在成长性因子与估值因子结合时,估值因子则是确保投资者不会为公司的增长付出过高的价格,从而得到合理价格增长策略。

3.3估值与价格动量

投资者情绪对股价走势产生重要影响,而价格动量在一定程度上反映了投资者情绪。动量就是一种专门研究股价波动的技术分析指标,它以分析股价波动的速度为目的,研究股价在波动过程中加减速与惯性作用以及股价动静相互转换的现象。动量指数的理论基础是价格和供需量的关系,如果股票的价格动量为正,说明需求超过了供给,投资者情绪会变得更加积极。如果股价的价格动量为负,则表明供给超过了需求,投资者悲观态度会占据上风,转向看跌,估值倍数则有可能降低。因此价格动量因子常用于衡量投资者情绪和作出投资时机决策的重要工具。估值因子能反应股票的价格高低,但不能解释股票价格高低的根本原因。当估值因子与价格动量因子相结合时,能更好解释股票价格变化,弥补了估值因子不足之处。

3.4现金流和估值

在投资策略研究中的现金流指的是经营活动中的现金流,融资投资等活动产生的现金流不包括在内。现金流能反映公司盈利的真实性。当然单独使用现金流因子的投资策略有时候会失效,但与估值因子结合,能避免分析失效现象的发生。现金流因子能遴选出产生大量盈余现金的公司,而估值因子则确保投资者不会现金生成能力支付过高的价格。

4结后语

篇8

数量化投资(以下简称量化投资)作为一种新兴的投资方法出现于20世纪50年代,千禧年后蓬勃发展,截至2008年,该类投资基金占美国证券市场份额的30%。

近年来,量化投资在中国渐渐引起重视,光大保德信基金、上投摩根基金、嘉实基金、中海基金、长盛基金、华商基金和富国基金等,先后推出了自己的量化基金产品。不少基金公司国内外广揽数量化投资人才,一股“量化基金”的热潮悄然掀起。

正如定性投资的偶像巴菲特一样,量化投资领域的传奇人物为詹姆斯 西蒙斯。据统计,詹姆斯 西蒙斯管理的大奖章基金从1989到2006年的平均年收益率高达38.5%,净回报率超过股神巴菲特(他以连续32年保持战胜市场的纪录,过去20年平均年回报达到20%),即使在2007年次债危机爆发当年,该基金回报都高达85%,西蒙斯也因此被誉为“最赚钱基金经理”,“最聪明亿万富翁”。与巴菲特的“价值投资”不同,西蒙斯依靠数学模型和计算机管理着自己旗下的巨额基金,他称自己为“模型先生”。西蒙斯几乎从不雇用华尔街的分析师,他的文艺复兴科技公司里坐满了数学和自然科学的博士。用数学模型捕捉市场机会,由计算机做出交易决策,是这位超级投资者成功的秘诀。(上海金融学院国际金融研究院 鹿长余)

截至2009年6 月30 日,中国定量投资规模总量大约187 亿元,在全部基金管理规模中占比仅0.6%。可以说量化投资在中国目前还是一块需要开垦的处女地,可以预期的是,量化投资在中国发展前景广阔。

什么是量化投资呢?“通过信息和个人判断(using information and judgment)来管理资产为基本面投资或者传统投资,如果遵循固定规则,由计算机模型产生投资决策则可被视为数量化投资。” ――Fabozzi《Challenges In Quantitative Equity Management》

与传统投资相比,量化投资的优越性主要来自两个方面:其一,现资组合理论强调通过多元化投资组合消除非系统性风险,以实现降低风险的作用。但实际上由于人的视野和精力都相对有限,基金经理或研究员不可能进行大范围的股票甄选和高频率的验证测算,形成的投资策略得不到宽度、广度上的肯定,难免形成一孔之见。靠人力甄选得到的投资组合很难达到最优化配置,无法确保在风险管理和利润追求上的投资目标。而量化投资的视角更广,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。其二,行为金融学认为,投资者是不理性的。任何一个投资个体的判断与决策过程都会不同程度地受到认知、情绪、意志等各种心理因素的影响。基金经理和投资研究员在一段时间跟踪某只股票之后,由于时刻关心股价的表现和基本面的变动,可能出现不同程度的情感依赖,“和股票谈起恋爱”。即使出现了下跌趋势,也可能因为过度自信、抵制心理等不理性的分析出发点而导致投资、荐股时的行为偏差。而量化投资依靠计算机配置投资组合,克服了人性弱点,使投资决策更科学、更理性。

简单的说,量化投资是快速高效、客观理性、个股与组合并重、收益与风险并重的投资方法。

量化投资的一般步骤如下:

数据化模型构建组合

1、 数据化:主要任务是把众多纷繁复杂的数据整理分类归纳成有用的数据;

2、 建立模型:给定一个策略,选择合适的模型预测收益与风险,选择最好的策略建立模型;

3、 构建组合:根据预测结果按照规则选择对象构建组合;

最后我们来看下专业金融人士对量化投资的一些看法。

嘉实基金公司的王永宏博士介绍,定量投资和传统的定性投资本质上是相同的,二者都是基于市场是非有效或弱有效的理论基础,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和主观判断,而定量投资管理则是“定性思想的理性应用”。定量投资的核心投资思想包括宏观周期、估值、成长、盈利质量、市场情绪变化等等。

俗话说,“条条大路通罗马”。巴菲特与西蒙斯的投资理念与成功,说明投资没有一定之规。

以巴菲特为代表的一类投资家认为,“现实世界是极为复杂的,经验与思考才是财富制胜之道”。因此,其成功的关键,不是顶级的科技,而是对市场的理解、洞悉和不随波逐流的勇气,即以“人”的因素造就财富的增值。

西蒙斯代表的一类投资家则被看作是推论公式、信任模型的数学家。他们利用搜集分析大量的数据,利用电脑来筛选投资机会,并判断买卖时机,将投资思想通过具体指标、参数的设计体现在模型中,并据此对市场进行不带任何主观情绪的跟踪分析,借助于计算机强大的数据处理能力来选择投资,以保证在控制风险的前提下实现收益最大化。

目前量化投资观念也在中国兴起,量化产品正开始萌芽。新发行的嘉实量化阿尔法基金就是量化投资产品,其试图将投资专家的锐利洞悉和数学家的严格客观进行整合,在基本面分析的基础上,提炼出产生长期超额收益的投资思想,借助计算机系统强大的信息处理能力构建定量模型及投资组合,并根据市场变化趋势及时动态调整,加上基金经理严格遵守纪律性投资法则,使该基金在融合定性投资思想精髓的同时,能够规避基金经理个人情绪对组合的影响,有效克服人性弱点,力争取得长期、持续、稳定的超额收益。

富国基金另类投资部总经理,前巴克莱(BGI)大中华主动股票投资总监李笑薇认为量化投资的核心仍是“人脑”。尽管量化投资在海外发展已有30 余年。由于种种原因,目前这一投资方式在中国尚处起步阶段,对于量化投资也存在诸如“量化就是模型决定一切”、“量化是完全由计算机选股”等较片面的认识。李笑薇表示,量化投资的核心是模型设计,“模型决定一切”的说法只能说是部分正确。当一个模型已经设计建设好之后,模型所产生的交易单的确需要严格执行,只有在特殊情况下才能对其进行修改。

但量化投资的核心是模型的设计和建设。而人脑无疑是这一过程中的关键。人对市场的理解,对模型构建的了解,对模型在市场中应用的经验,是搭建一个完美“黑匣子”的最关键。“只有模型设计和建设得好,投资业绩的把握才会增加。”李笑薇表示。

篇9

叫它噱头不仅仅是因为现在近千个正在发行的私募产品中有50%以上是套用各种量化的名头,更为重要的一点是,很多这些所谓的私募量化基金产品其实做的还是以前的信息优势,关系优势,坐庄手法等传统主观和资金推动的老把戏。仅仅利用一些比较初级和简单的量化工具作为借口,勉强地把换汤不换药的老手段用新量化概念加以包装而已。

量化三策

真正的量化投资领域里还可以较为粗略的分成量化套利、量化对冲和量化趋势三个主要的大本营。

其中量化套利属于听起来很高大上,但是经过本土化之后,会发现一个惨酷的事实即所有套利空间都会在比任何市场短很多的时间里被数以亿计的群众们瞬间抹杀。所以量化套利几乎沦落为一个没什么头发的中年IT男在一个喧闹的金融中心的暗淡孤独的角落里含胸偷笑的瞬间。

量化对冲看上去更加接近市场,甚至从某种角度而言胜于市场。因为量化对冲者们嘴里充满了Alpha,Beta,Tracking Error,Sharp Ratio等听起来比营业部老大爷高级很多的术语。他们最基础的理论就是自己可以通过各种手段找到上涨时比大盘上涨更多的股票,同时利用各种衍生产品对冲资产池中的市场整体收益敞口(简单说卖空大盘)。

这是一个听起来很好的主意。这也是最多假量化的存身之所。可是他们真正的选股手段其实还是消息和看K线。同时,他们最痛苦的就是大盘股没有底线疯涨的同时小盘股疯狂的下跌。两边一同积压的结果就是双重亏损。这时如果这个投资组合里再来点中国最近流行的股票质押配资杠杆,那么一个高大上的投资组合马上濒临崩溃。

其实这种量化对冲本身就是一个伪命题。在国外发达市场中的Market Neutral 战略基金也是有一个很本质的问题。那就是在一个被视为捕捉社会经济发展趋势的股票市场里,我们真的需要一个躲避市场趋势的投资方法吗?答案不是绝对的。

最后一个是量化趋势投资。其中量化选股的表现一般情况下比量化择时的策略要更加有效和稳定。

量化三维度

无论哪一种量化投资的方式,其重要的因素都是在如何量化。而笔者能够总结出来的就是量化的三个阶段和水平:

第一、归纳总结量化;第二、线性分析量化;第三、非线性量化;第一种归纳总结性的量化是我们最常见到的一些分析方式。其中广大炒股群众喜闻乐见的各种线和各种指标都是一种归纳总结性的量化。他们主要是一些比较直观经验的总结。例如最为常见的是以移动平均线(MA)和蜡烛图为代表的各种历史价格走势的总结。

其实我们仔细想想这些图本身没有任何神奇的地方,各种MA仅仅是总结了一个价格曲线的过去走势而已。蜡烛图就是用两个维度的方式一次性的展现出一个证券的开盘价,最高价,最低价和收盘价。这些传统的指标其实不具备简单信息总结以外的任何内容。我们可以说30日均线和125日均线相交会时代表了短期价格趋势和较长期价格趋势的背离,但是这种总结又有什么除此类表述以外的任何意义吗?

它们既不会告诉我们这个证券的价格为什么走到今天,也不会对未来有任何有实质性的预期。人们借助对这些线和图发挥出自己很多主观愿望。这不是研究,也不是分析而是简单的自欺欺人。

第二维度体是线性量化分析的世界。在这里,我们最为在意的是两个以上序列之间的相关性和因果性。世界上绝大部分当代量化分析都停留在这个维度里。

首先,我们需要把相关性和因果性有效的区别开来。相关性是一种数据上有效的关系。这种简单的相关性不一定表示两个序列有因果关系。这种仅仅在数据上呈现出的相关性很可能是万千缤纷世界中的一个个巧合。他们不仅仅存在而且会像突来的爱情一样强壮和美丽。例如,美国股市有一段时间里和美国棒球比赛中的某些结果两者之间具有接近于90%以上的相关性。它可能是一个非常有趣的饭后话题,但是没有人敢用一生的积蓄或者数以万计投资者的血汗钱来证明它下次的正确与否。

而今天,我们在互联网和很多领域上都在用数据挖掘的方式对这个世界的各个方面进行探索与发现。职业投资者们在建立各种主观的因果关系后使用数据回测的方法验证这些思路。

但它其实仍然是一个简单跨界的线性相关性的量化方式。同时,这种策略的另一个基础是心理和行为之间的因果性。在一个散户为主的发展中市场,这两个假设暂时较为有效。

最后一种量化投资是非线性的。非线性的量化分析简单而言就是利用复杂体系来解释市场的方法。很多这些复杂系统都会有质变和临界点等特色。

篇10

他分析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,实质上大多是“量化选股”基金,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。费鹏介绍,华商基金量化投资团队在设计该基金投资模型时就将风险量化模型作为重中之重。在设计中他们借助了包括统计信息学角度出发的信息熵值(Entropy)的变化、分形理论出发的市场模式(Pattern)的变化、金融物理学角度出发的金融泡沫统计指标的变化、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。

在产品结构设计上,华商大盘量化基金独具特色,其一,仓位比较灵活,股票投资比例可为0—95%,也就是说当市场趋势性下跌时,可以空仓应对;其二,产品结构多样性,虽然目前公募基金已开展了股指期货,但基本上作为流动性管理的手段,而该基金将把股指期货作为一个有效的风控或者对冲工具应用到投资中;其三,在投资标的上,华商大盘量化主要选择流动性好的沪深300成分股,以保证在极端情况下可以及时调仓;其四,经过测算,在目前A股市场中利于量化操作规模在10亿左右,因此一旦华商大盘量化基金募集额达到10亿时便会停止。

而据记者了解,华商大盘量化基金在择股方面也有别于一些量化类基金。相较而言,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。而在实际测算中,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。对此华商大盘量化基金在设计选股模型时更多的是通过捕捉市场的异常波动,寻找股价波动的非基本面的因素。通过对数据挖掘,建立初选股票池,然后按照行业分类,结合基本面研究,通过行业研究员调研,寻找相互印证支持依据,最终进行择时投资。

从目前市场趋势看,越来越多的基金公司倾向于推出量化策略。相对于海外成熟市场,A股市场不是特别有效的市场,量化投资策略可以发挥其纪律性、系统性、及时性、准确性、分散化的有点而捕获国内市场的各种投资机会。同时A股市场的深度和广度都与前几年不可同日而语,市场上有两千多家上市公司,基金经理加研究员再加卖方,能把握和持续跟踪的公司也不过几百家。量化投资多层次,多角度,海量数据观察,可以捕捉更多的投资机会,拓展更大的投资空间。

巧理压岁钱

ETF联接基金生财有道

新春又至,在成人感叹春节成“春劫”时,孩子们的压岁钱水涨船高,越来越多的小朋友在春节长假后晋升为“小财神”。这笔贺岁红包若巧妙打理,则有望成为个人的梦想基金。在理财人士看来,作为儿童成长的见证,让压岁钱生钱也需要寻觅具有成长基因的理财产品。

篇11

人的思维在任何时候都只能考虑有限个变量,对传统主动型投资人而言,决策广度的有限性,体现在跟踪股票数量上的限制,以及决策时思考变量上的限制。当然,传统的主动投资方法在决策深度上是有优势的,所以做更加深入的基本面研究,以弥补决策广度的不足,是决定成败的关键。

随着市场信息传递速度的加快,众多分析师对基本面数据的不断挖掘,更加深入的分析,似乎越来越难以弥补决策广度的不足。如果将传统主动型投资比喻为―个“拣西瓜”比赛的话,现在剩下的西瓜越来越小了,那么这时“拣西瓜”的工具与方法就显得非常重要了。

即使投资人有超越市场的预测能力,但现实中收益常常被投资人主观认知上的情绪化波动侵蚀掉了。同时,传统投资的管理者本身情绪难免受到周围环境的影响,常常会做出一些偏离自己判断的交易行为,这样的随机交易常常会侵蚀掉部分应该获得的收益。

数量化投资弥补主观判断的缺陷

与传统基金的基金经理相比,量化基金经理们更愿意将他们的见解与目前速度惊人的计算机技术、统计技术等结合起来作为研究工具,在模型中可以将自己的研究和视野拓展到只要有数据支持的任何地方。比如,量化基金经理们可以把所有股票纳入自己的海选范围内,从多维度的变量空间中找到自己的获利机会,并可以检验这样的获利机会在历史上的成败概率。这样的变量可以包括宏观变量、基本面变量、财务数据以及有关投资者心理的市场行为变量。当然,量化投资跟踪调查的范围可以很广,但是在最终决策上要受到众多限制的,以保证在控制风险水平的前提下,实现收益率的最大化。