时间：2023-07-18 09:36:09
序论：速发表网结合其深厚的文秘经验，特别为您筛选了11篇量化投资主要方法范文。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！
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。
量化基金发行提速
今年上半年,嘉实量化阿尔法、中海量化策略两只量化基金的推出,打破了国内量化基金多年的沉寂。而近期,更是有3只量化基金同时登台亮相,且各具特色。截至目前,国内基金市场上已经发行7只量化基金,包括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、长盛量化红利策略股票型基金、富国沪深300增强基金及华商动态阿尔法基金。前两只分别成立于2004年8月和2005年10月,而后5只均是今年才成立。量化基金时隔四年后的再次大量推出,引起了市场的密切关注。种种迹象表明,以定性投资为主的国内基金业正在掀起一场量化投资浪潮。
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,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,以“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阿尔法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。
中海量化策略,以量化模型作为资产配置与构建投资组合的基础。根据量化指标实行从一级股票库初选,从二级股票库精选,再根据相关模型计算行业配置权重。结合行业配置权重,组合每只股票的配置比例。
长盛量化红利策略股票型基金,是作为国内首只运用“量化投资”策略投资于红利股票的基金,该产品将给投资者带来不同于传统基金的新体验。该只基金的另一个显著特点是“瞄准红利”。所谓红利,强调的是具有较高安全边际、较低下行风险的价值型投资,在目前市场总体估值处于历史平均水平时,价值型风格更能获得投资者的青睐。
富国沪深300增强基金,以沪深300指数为追踪标的,并对指数基金进行增强,并且是国内第一只采用量化方法进行主动增强的沪深300指数基金。量化增强的方法主要包括:利用多因子阿尔法模型选择股票;通过风险估测模型有效控制风险预算,并通过交易成本模型控制成本、保护业绩。相比定性的方法,定量投资手段在对成份股较多的指数进行增强方面以及控制跟踪误差方面具有很强的优越性。
当前适逢宏观经济、证券市场复苏向上之际,汇集A股市场300只规模大、流动性好、最具代表性股票的沪深300指数,有望迎来较好表现。而以沪深300为跟踪标的,并利用定量投资模型进行主动增强的富国沪深300增强基金,亦面临良好的投资环境与投资时点。
华商动态阿尔法基金,将以高阿尔法值的股票为主要投资目标,采用量化投资的方法,努力在有效控制风险的同时提高基金组合收益。华商动态阿尔法基金的投资将主要采用阿尔法策略和量化策略。阿尔法策略是依靠精选行业和个股,来获取超过大盘表现的超额收益。量化策略是指采用数量化分析方法来对股票进行分析和筛选,基于数量模型来配置行业权重。它具有投资范围更广、纪律性更强、投资思想可验证等优势,更能够限制投资过程中主观随意性可能带来的损失,帮助基金经理进行客观决策。
定量投资适合A股市场
正因为A股市场不是特别有效的市场,数量化投资策略正好可以发挥其纪律性、系统性、及时性、准确性、分散化的各种优点,从而捕获国内市场的各种投资机会。相比定性投资,现阶段A股市场的特点更适合采用客观、公正而理性的定量投资风格。
股票市场复杂度和有效性的增加已对传统定性投资基金经理的单兵作战能力提出了挑战。相对于海外成熟市场,A股市场的发展历史较短,有效性偏弱,市场上被错误定价的股票相对较多,那么,留给定量投资策略去发掘市场的无效性、寻找超额收益的潜力和空间也就更大。事实上,尽管量化基金在国内的发展历程较短,但是从国内已有的两只采用了定量投资方法并且已经运作了一段时间的基金来看,量化基金被证明是适应中国市场的。
量化基金产品包括但不限于数量化共同基金产品、指数基金产品、指数增强型基金产品、行业指数基金产品、风格类指数基金产品、策略指数基金产品、ETF产品、收益分级型产品等等。从数量化投资提供的工具和方法来看,能够给投资者提供的基金产品可以说是百花齐放,还应该做到有的放矢,满足投资者不同风险收益偏好的投资需求。
量化投资需过三道坎
我国A股市场的量化基金仍然才开始起步,各方面都有待进一步的完善。不仅机构需要有完善数量化投资策略各方面的耐心,也需要投资者给数量化基金以耐心。采用数量化策略的共同基金要在中国市场获得成功,仍有很长的路要走,需要不断的修正数量模型以适应中国市场的特征。
对于量化基金的产品设计,虽然量化基金一般都是采用多因素模型对股票进行分析和筛选,但不同的量化基金产品的侧重点是不一样的,也就是说,包括投资思路、观察角度、分析方法等在内都是不同的。在个股筛选和分析的角度、行业分析的角度、大类资产配置的角度等方面,均有不同的思路,因此,不同的量化基金产品可以体现出各自不同的投资理念和各自的投资特色。
具体来说,基金要想真正推行量化投资,主要应该跨越如下“三道门槛”。
首先,目前国内对做空的限制以及投资产品的稀缺,导致很多成熟的数量化投资手段不能在国内得以应用。一些对冲策略可能需要期货类的投资产品,而有些统计套利策略可能需要市场上要有做空的手段,目前这些条件在A股市场上尚不具备,因此,在一定程度上制约了量化投资的施展空间。
其二,中国目前对于基金的考核体系比较短期化,部分量化基金经理有可能迫于短期排名的压力,也去追涨杀跌,不去执行相当于投资纪律的量化策略,这就恰恰偏离了量化基金设计的初衷。量化投资策略成功与否需要从长期来看,不能因为短期内跑不过市场就认为量化基金管理得不好,对于量化基金的评价时间不能太短。
此外,量化投资对人的要求很高。量化投资需要考虑的一个重要因素是预测相对于市场的超额收益,即阿尔法收益,找到阿尔法预测模型。在阿尔法预测上,要保证不断有新的阿尔法策略产生。一个新的阿尔法策略出来后,过一段时间就被市场充分理解,可能阿尔法收益就会逐渐消失,这就需要不断产生新的阿尔法收益模型。
量化基金本土化前景
A股市场的发展历史较短,有效性偏弱,市场上被错误定价的股票相对较多,那么,留给定量投资策略去发掘市场的无效性、寻找超额收益的潜力和空间也就更大。相比定性投资,现阶段A股市场的特点更适合定量投资客观、公正而理性的投资风格。股票市场复杂度和有效性的增加已对传统定性投资基金经理的单兵作战能力提出了挑战。正因为市场的弱有效性,数量化投资才更有发挥的价值。这也是量化基金可以在中国本土化获得成功的有利条件。
数量化投资可以为投资者带来更多、更丰富、更有特色的基金产品,丰富机构的产品线。只有建立完善的产品线,才能满足不同投资者的需求,才能在不同的市场状况下获得发展,才能有强大的基金公司。机构可以从数量化投资所带来的无限量基金产品线上获得丰厚的利益。
量化投资最典型的特征就是通过建立数学量化模型进行交易，它是建立在大量历史数据的基础上、建立反应某种特定规律的数学模型、在此基础上进行程序化交易。具体而言，就是从那些瞬息万变的市场变化中去寻找能够获得微小利润的计算机化交易，关键在于捕捉到人们无法利用的短暂价差来实现套利。模型可以看作医院里面的各种先进的医学诊断仪器，医生通过这些先进诊断仪器对病人进行扫描化验，获取反映病人的身体状况的指标数据，然后通过获取的数据去判断病人所患的疾病，从而对症下药。类似地，量化投资就是在市场中不断去寻找套利机会，其实就像是在发现市场的不易察觉的“疾病”，依托于模型的扫描和检测，获得市场的各项关键指标数据，从而找出套利机会，然后做出投资决策。量化投资需要精湛的计算机编程技术，其主要形式是程序化交易。程序化交易绝大多数都是高频数据交易，其特点是：计算机自动完成；交易量巨大；持仓时间很短，当日频繁交易；每笔收益率很低，但总体收益稳定。高频数据交易的核心是模型算法，负责策略及机会，速度是关键保障，因此大机构一般在交易所大楼旁租高速光缆建立交易室。目前，美国股市总体成交量约70%是高频交易，而涉及机构仅占2%。
具体到股票市场，目前，股票市场上有很多风格各异的分析流派，其中最为人们熟知的有两个分析流派。其一是技术分析，其二就是基本面分析。但是另外一种在国外已经非常的成熟的方法即量化投资方法却很少为人们所知。
二、量化投资在A股市场的发展
相对于量化投资交易量占据70%的发达金融市场，国内量化投资的发展才刚刚起步。在中国A股市场在整个投资市场所占据的规模又有绝对的优势，所以，量化投资在A股市场的发展前景就决定了量化投资在整个金融市场的发展前景。
目前，量化投资在A股市场的发展还有很多局限性。首先，我国A股市场的投资主体仍是噪声交易的的中小规模散户，导致资金规模不够集中，无法发挥资金的规模效应，不利于程序化规模交易的推广。其次，量化投资具有频繁交易，持仓时间较短的特点。由于A股市场还不是T+0的交易制度，这就决定了量化投资在A股市场还不备大规模运用的前提。最后，创新能力不足。即使是目前已经开发的几只量化投资基金，同质化现象也非常明显。核心策略仍然局限于技术指标和均线系统的搭配运用，缺乏多元化程序化交易策略库的支持。
在看到局限性的同时，我们也应该看到其广阔的发展前景：
第一，与欧美比较成熟的金融市场相比，我国证券市场的发展历史还很短，只有区区二十多年的时间，随着A股市场的进一步发展，比如规模进一步扩大，实行T+0的交易制度等，量化投资的发展前景就会愈发宽广。同时，量化投资是一种套利交易，这就决定了弱有效市场是其耐以生存的土壤。由于我国投资者队伍参差不齐、不够成熟，这就给通过发掘市场非有效性来获取阿尔法收益带来了更多机会；
第二，量化投资的技术和方法在国内还是新手事物，竞争者很少。相对于目前证券市场上传统的定性投资者太多，机会很少，竞争过于激烈而言，量化投资者较少，机会很多，这就给量化投资创造了良好的发展机遇。在这方面，只要引进成熟的量化投资人才，增强开发差异化模型的创新性，避免模型过于单一，就会为量化投资的发展带来新的曙光。
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.
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。
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
从1971年巴克莱投资管理公司发行全球第一只定量投资产品至今，量化投资已走过30年历程。
凭借着良好的业绩表现，这一投资方法已占据全球投资30%的江山，成为主流的投资方法之一。其中著名的大基金自成立起至2006年的17年间，年化收益率达到38.5%。
然而，近两年来，量化基金在全球的业绩并不理想。次贷危机之后，量化基金一直举步维艰。
国内量化基金的兴起，正是在次贷危机之后。
截至目前，国内已成立的采用量化策略的基金有12只，其中9只自2009年以来成立。它们整体面临业绩不尽如人意的尴尬，据《投资者报》数据，它们的年复合增长率为11.78%，远低于平衡类、价值类、成长类基金。
量化基金成败，最关键是量化模型的有效性和投资纪律的执行情况。然而，国内已有的量化基金两方面均无太大优势。
一方面，模型相对较原始，量化投资策略要么机械地借鉴国外已经公开的模式，要么基于基金公司自有的多因子模型；另一方面，与海外量化基金一样，具体的模型并不会公开，这样投资纪律便无处考察。
从现有的几只量化基金过往业绩看，长期业绩较优异的是上投摩根阿尔法，自成立以来，年复合增长率达到35%，算得上是量化基金的龙头。
量化模型无亮点
投资模型是量化基金最核心的竞争力。
定量基金经理基于对市场的理解，提炼出能够产生长期稳定超额收益的投资思想，并用历史数据验证其正确性，再由系统根据提炼出的投资思想，在全市场挑选符合标准的股票，并通过对收益、风险的优化，建构最优股票组合。
“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，设计好的投资模型。”接受《投资者报》记者采访时，上海一位从事量化投资的基金经理说道。
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。
BL模型利用概率统计方法，将投资者对大类资产的观点与市场均衡回报相结合，产生新的预期回报。即由投资者对某些大类资产提出倾向性意见，模型根据投资者的倾向性意见，输出对该大类资产的配置建议。
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还仅是基金公司体现其“专业性”的一个由头，有待探讨。
国内量化基金模型还具有同质化特点，表现在对个股估值等方法的应用上，如PE估值法、PB估值法、PS估值法、PEG估值法、PSG估值法、EV/EBITDA估值法等。
另外，模型是量化产品背后“不能说的秘密”，虽然基金契约中对要采用的量化模型做了模糊介绍，作为靠“执行纪律”取胜的产品，实际运作是否执行到位，也无处查证。
量化基金业绩平淡
量化基金的优点首先在于，通过具体的经济模型对经济复苏行业评估并进行行业权重配置，将基金经理的投资理念与分析有效结合。
其次，覆盖全市场，避免因基金经理个人偏见或经理不足造成选择范围局限。
再次，通过基金经理精细化投资运作，较好把握细微的结构性投资机会。
或许是因为模型简单雷同，以及没有较好体现A股的特征，比如说波动性、“政策市”等，现有的量化基金整体业绩优势并不明显。
根据《投资者报》数据，可比较的6只“人脑+电脑”量化产品的年复合增长率为11.78%，低于“人脑”管理的趋势类、回报类、价值类、平衡类（年复合增长率均超过18%）。
今年以来，所有量化基金中，超越指数的仅有采用量化投资的富国沪深300增强指数型基金，截至4月1日，回报率为6.94%。
而在估值修复行情中，以对估值有量化指标要求的华商动态阿尔法、国泰金鼎价值精选、嘉实量化阿尔法大幅跑输业绩大盘，取得负收益，净值分别下跌7.2%、6.7%和4%。
上投摩根阿尔法领衔
从已成立的采用量化策略投资的基金中，年复合增长率大幅超过平均值的仅有上投摩根阿尔法，为35%。但这与该基金是较早采用量化策略的基金之一，成立于2005年10月，经历过2006、2007年的大牛市行情有一定关系。
截至去年底，该基金资产规模44亿元，自成立以来的回报率为425%。该基金受到机构投资者的青睐，持股2.9亿份，占基金总份额的21%。
【关键词】
量化交易；风险；控制
0 引言
2103年8月16日上午11点05分，原本平静的证券市场开始急剧放量，沪指突然瞬间飙升逾100点，涨幅超5%，最高冲至2198.85点。包括中国石油、中国石化、工商银行、农业银行、招商银行等71只权重股出现集体“秒杀”涨停奇观。霎时间，市场涌出无数种猜测，各种“利好”消息漫天飞舞，一时间人心振奋。然而下午，光大证券公告承认其套利系统存在缺陷，并证实其衍生品部门在做量化投资的一个ETF套利交易时下单失误，将3000万股写成3000万手，并接入实盘，下单总额达到234亿，实际成交72.7亿。至此，这场中国股市史无前例的“乌龙指”事件终于浮出水面，也由此引发了社会对于量化交易这个中国证券市场的新兴事物的广泛关注以及其对市场可能产生的巨大冲击和由此引发的风险的热烈讨论。
1 量化交易的发展
量化交易的出现始于20世纪70年代初。1972年，纽约证券交易所推出了指定交易循环系统（DOT）。电子化交易己经受到公众的关注，但受到计算机软硬件的限制，和高昂的计算机设备成本，量化交易直到上世纪80年代才发展起来。80年代，摩根士丹利的纳齐奥塔尔塔利亚的量化小组开创了配对交易法。上世纪90年代至今，系统化交易进入了高速发展阶段。高盛，摩根士丹利，文艺复兴科技等公司利用系统化交易在市场中获得巨额利润。随后，诸多体制的优交易所使用股票小数报价等。暗池（Dark Pool）是一种为买卖双方匿名配对大宗股票交易的平台，参与者主要为机构投资者，其运作方式并不透明，不但不会展示买卖盘价及报价人士的身份，也不会向公众披露己执行交易的详情。目前暗池交易量约为总交易量的16%。这些举措为量化交易的发展扫平了道路，量化交易也朝着交易速度更快，交易量更大的方向发展。截至目前，量化交易已经成为证券交易的主要力量。在纽交所，量化交易占市场总交易量的30%左右。
2 量化交易的类别
2.1 久期平均
久期平均方法通常用于债券市场，该方法旨在动态调整保险公司债券组合的久期，减小资产价格波动。当利率上升，上调债券平均到期时间和久期，这样可以从未来市场收益率下跌中获得收益；相反，当利率下降，下调债券平均到期时间和久期。
2.2 投资组合保险
投资组合保险是对冲投资组合风险的主要方法，投资者将股票、债券、衍生品组合起锁定资产价值。
2.3 指数套利
指数套利策略是一种尝试从股票指数现货和期货的差值中获得利润的策略。该策略通常同时买入（卖出）现货、卖出（买入）期货合约。
2.4 统计套利
统计套利采用空头对冲的方法构建资产组合，根据数量模型所预测的理论价值与证券价格进行对比，构建证券投资组合，从而规避市场波动系统性风险，获取一个稳定的超额收益。
2.5 算法交易
算法交易是指事先设计好交易策略，然后将其编制成计算机程序，利用计算机程序的算法来决定交易下单的时机、价格和数量等。
2.6 高频交易
高频交易是对之前量化交易的继承和发展。高频交易指交易者利用先进的计算机软硬件设备优势和自动化交易策略，实时获取和处理市场行情信息、并快速生成和发送交易指令，在短时间内多次进行买入卖出下单，以获得利润的交易过程。
3 量化交易的主要风险
现代量化交易的概念广泛，种类也日趋多样化，因此不同的量化交易产生的风险也不尽相同，因此本文仅就“8.16事件”中光大证券使用的量化交易系统存在的风险进行论述总结。
此次事件中光大证券的策略交易系统其实就是一种高频量化交易系统。高频交易借助强大的计算机系统和复杂的程序运算，在百分之一或千分之一秒内自动完成大量订单，从极小的价格波动区间中获得利润。
高频交易风险来自三个部分：
3.1 一、二级市场“级差”风险
一二级市场的“级差”是整个套利交易的核心。在现有规则下，ETF套利模式分为两种：一种是通过购买一揽子股票，按照兑换比例在一级市场换得相应的ETF份额，然后在二级市场上将ETF卖出；另一种则是在二级市场上购买ETF份额，通过兑换比例换得相应数量的股票，然后在二级市场卖出股票。
因为套利的空间非常小，通常只有万分之几，因此套利交易为了获取适中的收益，参与的资金量都比较大。如果交易员把握不当顺序做反，则投资将出现亏损，这便是级差风险。
3.2 交易员操作失误风险
交易员操作失误是目前为止高频交易中出现频率最高的风险，此前世界各国的证券市场大多都出现过因此类事故而引发的市场剧烈波动，给投资者造成不小的损失。这次光大的乌龙指事件，也是交易员在输入数量的时候出现了失误所导致。
3.3 系统软件风险
系统软件风险与交易员操作失误风险是相伴而生的。现代量化交易系统经过多年的发展，已经日趋完善，特别是在交易权限的设置及监控方面。每个交易员在系统中都有相应的交易权限，包括数量、金额。然而在此次光大事件中，交易员由于输错买入数量，使交易金额从区区几亿猛增至868亿，而数量如此巨大的金额是如何绕过系统权限完成交易的？这个问题的暴露，也导致业内质疑光大风控并未做足。
4 量化交易风险控制的主要手段
从上文可以看出，上述三个主要风险中，交易员操作失误风险在现实中几乎无法避免，所以最有效的风控方式就是建立完善的交易监控系统，同时在交易规则上通过消除关联品种的交易差异逐渐消除一二级市场的“级差”风险。
4.1 建立和完善交易监控和预警系统
很明显，高频交易的技术风险是可以通过建立和完善交易监控和预警系统得到有效防范的。就现代计算机技术和金融软件的开发和技术水平而言，建立一套完整且安全的量化交易系统并非难事，但是由于资本逐利的天然本性及人类难以压制的贪欲，在实际的资本运作过程中人们都会尽可能的躲避规则的限制，甚至钻规则的空子，以获取尽可能大的收益。加之建立系统所要花费的成本，以及将各个机构之间分散独立的系统相互联网组成一个完整的监控体系，都需要耗费大量的人力物力来完成。因此想要建立一套完整的监控及预警系统就会面对许多现实的阻碍。尤其是在中国，当前证券市场本身尚不完善，量化交易更是新生事物，建立交易监控和预警系统的难度较西方发达国家更为困难。
有鉴于“8.16事件”的教训，在参考国外成熟经验的基础上，结合中国自身国情，笔者认为在建立和完善交易监控和预警系统的具体实施过程中政府应该起主导作用。目前中国掌控巨额资金的机构，如基金、券商、保险等大都是国有控股企业，因此在交易监控系统的建立和推广上政府具有先天的优势，这种优势既有利于系统的快速建立和推广，也有利于降低成本，易于为机构和投资者接受等。其次，在系统建立的同时，相应的监控、预警、事故调查及违规惩罚机制也要同时建立，这也有赖于国家迅速出台相应的发规法条。
4.2 逐渐消除关联品种交易差异
在现行的股票市场存在T+1交易限制以及ETF特殊的市场和交易机制下，通过ETF实现T+0交易并非新的交易方法。ETF存在两个可以交易的市场，一个是申购赎回市场，即一级市场，另一个是场内买卖市场，即二级市场。
根据我国证券交易所的相关规定，买卖、申购、赎回ETF基金份额时，当日申购的基金份额，同日可以卖出，但不能赎回；当日买入的基金份额，同日可以赎回，但不能卖出；当日赎回的证券，同日可以卖出，但不能申购基金份额；当日买入的证券，同日可以用来申购基金份额。
如此一来，投资者就可以利用ETF特殊的市场设置和交易规则实现股票买卖的T+0交易，从而实现资金的高效运转。这就是此次事件中光大证券利用ETF在同一天实现风险对冲的具体操作方法。不过，通过ETF实现T+0日内回转交易并非普通投资者可以做到的，因为ETF一级市场中设置了较高的准入门槛，因此，目前ETF的T+0套利机制还只是“有钱人”的游戏。
关联品种和关联市场存在相互影响的可能，而交易规则的差异会对不同类型投资者的控制风险能力和方式造成差异化影响，就像此次光大事件表现出的那样，实力雄厚的投资者是可以通过跨市场、跨品种交易来锁定收益、对冲风险的，而普通投资者则没有这种能力和机会，在此类事件中只能坐等风险的降临。因此，监管层应该考虑适时地消除关联品种和关联市场在交易机制上的差异，为广大投资者营造一个平等竞争的机会。
5 结论
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
“在今年股票市场结构化行情中，量化股票策略通过多因子模型选股，能够抓住市场尾部机会，在市场风格和热点板块的迅速切换中保持较高仓位运作。而南方基金量化团队着力打造的主动量化投资，更是通过多模型捉到了广泛的错误定价机会，大概率的战胜市场指数，获取更为稳健的长期收益。这是今年以来，南方基金旗下量化产品取得出色业绩的最主要原因。”南方基金总裁助理、权益投资中总监如是说。
致力于捕捉
“非有效性”的主动量化投资
什么是主动量化投资？
“主动量化投资泛指利用海量数据和依靠计算机的系统支持，挖掘历史规律性，并采用严格的风控来获取稳健收益。”史博告诉《投资者报》记者，南方基金主动量化投资的核心是捕捉市场的“非有效性”，市场中有很多非理性投资者把股票价格抬高或压低，所以股价会根据市场情绪的波动围绕预期价格变化，主动量化投资通过上市公司基本面、一致预期、市场波动与情绪等各个维度综合描述定价的偏差机会，广泛精选个股获取超额收益。
值得一提的是，尽管南方基金旗下量化股票策略基金会为了最大程度获取绝对收益而维持较高的仓位，但单只股票的持仓占比却并不高，几乎都在1%以下。以南方量化成长为例，三季度持仓占比最高的为科隆精化，但仍不到1%，为0.97%，前十重仓股持仓占比合计为7.12%。
“南方基金量化团队基于基本面的量化选股策略是透明的和符合逻辑的。其优点是拥有灵活的市场应变能力、广泛选股的能力，可以管理较大规模，并能有效降低组合波动，保证业绩的可持续性。”史博告诉《投资者报》记者，南方基金旗下量化产品根据组合的不同契约规定等采用不同的数量化策略进行投资，通常单一产品实际投资股票数目有几百只。每只股票的持仓比例一般都比较低，单只股票的波动对净值影响较小，整体表现较为稳健。
对此，业内人士指出，对投资者而言，在无法准确预知未来市况时，长期持有老牌公募的量化股票基金是一个较为明智的投资选择。因为即使是在投资周期中赶上熊市遭遇Alpha和Beta双杀，但只要长期持有基金，在熊市周期过后，震荡市和牛市都可以为投资者赚取一定的绝对收益，在Alpha的复利作用下依然可以获取可观的收益。
以南方策略优化为例，该只量化基金成立于2010年，目前获晨星、银河三年5星评级；最近一年回报率在同类481只可比基金中排名第5 ；最近两年、三年回报率也都在同类400多只可比基金中排名前15。据Wind数据显示，截至11月29日，自成立之日起复权单位净值增长率为68.89%。即使以去年股市异常波动前最高点5100多点来计算，在大盘仍亏损37%多的背景下，该基金的亏损幅度已缩小到10%左右，明显优于大盘。
“团队+系统”炼就金牛量化投资团队
你也许会认为量化投资看上去简单，但实际上并不容易。一个好的量化产品，必须能够结合市场环境的变化等因素，动态调整各个风格之间的比例，进而使得模型适应不同市场。据了解，为了达到上述目的，南方量化团队打造了强大的量化多策略模型，包括从因子模型、事件驱动、价格特征、交易量特征、量价互动、主题轮动、行业轮动、突发事件方面的因素去结合公司基本面、当前市场环境等信息，从而精选股票，不仅如此，该基金还在今年引入了舆情因子，利用大数据捕捉市场情绪。
“总的来说，量化投资是一项复杂的系统工程，其成功依赖于团队成员之间的紧密合作。因其业务链条的严密性和逻辑的环环相扣，许多繁琐的细节实际上都是成功的关键。作为一种复杂的高智能投资方法，目前只有机构投资者才有竞争能力使用此方法。”史博告诉《投资者报》记者。经过多年不懈的努力，目前，南方量化团队已经建立了包含清洗整理过的上市公司财务数据库、因子库、回测平台、样本外跟踪分析平台在内的南方基金量化投资系统。
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。
