时间：2023-08-09 09:20:23
序论：速发表网结合其深厚的文秘经验，特别为您筛选了11篇金融量化策略范文。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！
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。
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.
中图分类号：F830 文献标志码：A 文章编号：1673-291X（2016）17-0106-01
量化投资理论是从20世纪50年代由马克维茨创造性地提出了用均值方差最优的数字方法来选择最优投资组合。由于当时对数据的处理量过大而复杂，因此，直到1990年后随着计算机被广泛使用，以量化作为核心的投资基金才逐渐超越传统的基金。量化选股策略是针对中国股票市场特性，从众多的指标参数中找出能够较为合理解释股票收益率的有效且不冗余的因子，并根据这些因子在选股策略中所占的权重来构建量化投资策略。随着信息技术的日异发展，资本市场深化改革步伐加快，证券市场间同业经营，居民消费等领域也迎来了信息数据量呈现几何级数增加现状。运用大数据思维分析众多股民的知识结构、行为习惯对股票投资形式的认知而形成固有模式思维，“大数据”思维正以不同形式、路径的方式影响着证券选股策略。大数据技术的战略意义不在于其庞大的信息数据量，而在于对含有意义的数据根据建模权重进行专业量化处理，帮助大家对于股票进行优化选股有着重要研究意义。因此，基于大数据思维模式分析多因子量化选股策略更加适用这样的市场，给投资者提供更好的参考模型。
作为量化投资界的传奇人物詹姆斯・西蒙斯，他曾因“用公式打败市场”的故事在金融界中为人津津乐道。在1989年由他创办的基金成立至今的20年时间里，该基金持续地获得了每年平均35%（扣除费用后）净回报率，而同期被称为“股神”的巴菲特每年平均回报率也才大约在20%左右。即使在金融危机的2008年，该基金仍然获得了80%的高额回报，“最赚钱基金经理”对西蒙斯来说无出其右。
目前，国内对量化投资策略研究还比较少，做量化交易的基金也相对较少，投资者对量化投资仍持怀疑态度。另外，中国目前的资本市场还不完善，做空机制以及金融衍生工具相对较少，股票市场上仍然采用T+1的交易模式，这些都导致了量化投资在中国市场的发展弊端。但是，随着股指期货等新的做空金融衍生工具的推出，量化投资开始走入“中国大妈们”的视野。
运用量化思维投资证券选股策略在国外已有四五十年。量化投资从无到有一直是很神秘的，人们把它叫做“黑匣子”。但是，当时的量化投资证券选股策略大多仅仅是数学模型，并不是人们想象的那么神秘。量化投资证券选股策略之所以弄得这样神秘是因为：（1）是为了保护其知识产权，防止侵权；（2）是为了防止其策略扩散后影响整个投资比率的失衡，缩短该策略的寿命；（3）是为了控制投资风险，如果该策略细节被投资对立面获得，则有可能会造成被动的投资效果。因此，投资公司、基金经理是不会说出其量化投资策略的。这是由于金融动荡中如果没有好的投资策略及对风险的控制力就有可能把老本亏个精光。
随着时间流逝，任何投资策略的盈利模式都会被市场所消化，量化投资策略也会随着时间的变化而改变。在量化投资证券选股这方面，重要的不是策略这一表面形式，而是掌握量化投资证券选股的研究模式。大家不必要去追逐那些形式的数学公式、策略模型，而应该根据现在大数据时代下对海量证券股票信息的合理分析整合，去学习、改进新的证券选股模式，以适应未来发展需要。
大数据时代的到来也给新形势下运用多因子量化模式选股带来极佳的发展机遇。
一、背景介绍
量化投资是金融领域相对前沿的一门学科，它强调将数学、物理、统计、计算机等数量的方法与投资结合赚取收益。在国外，量化投资已经有几十年的发展历史，但是在国内由于市场因素等方方面面的限制，该领域处于朝阳期，发展的机会巨大。目前狭义的量化投资包括追求股票中性收益的阿尔法对冲策略，追求高收益的期货策略（包括股指期货和商品期货策略），以及在国内市场尚未成型的做市场策略等。
二、量化投资理论阐述
（一）经典量化投资理论
阿尔法对冲策略的理论模型来自于CAPM模型以及APT模型，其基本思想就是选出具有正阿尔法收益的股票：将来自市场的贝塔风险对冲，最终获取阿尔法收益。具有阿尔法收益的股票在生活中随处可见，在大牛市中，如果前期涨的比较好的股票在之后也会有很好地表现，这样的股票具有动量因子；在超跌的行情中，前期跌的过于凶猛的股票在后期有比较好的表现，这样的股票具有反转因子；诺比尔经济学奖得主法玛和弗兰奇曾经发现小市值成长因子具有显著超额收益，并提出了著名的法玛弗兰奇三因子模型。阿尔法策略的核心一方面在于选取合适的数学模型，另一方面在于从投资的经验中寻找能够带来超额收益的因子。
阿尔法对冲策略在大牛市当中不及股票纯多头策略。以2015年上半年大牛市为例，阿尔法策略基本跑不赢指数；反之，一些比较抢眼的股票纯多头策略取得了100%以上的收益。但是在接下来的几次黑天鹅事件中，股票纯多头产品纷纷清盘，其中不乏一些大牛；但是比较稳定的阿尔法产品在市场大跌时净值依然在稳步上升。目前阿尔法对冲策略的压力来自于两方面，一方面由于投资者对市场的悲观情绪导致股指期货持续贴水，另一方面监管层对于股指期货的限制使得阿尔法策略开发者变得更加谨慎。但是鉴于其科学的方法和可靠的控制风险的能力，阿尔法策略的未来非常光明。目前国内阿尔法对冲策略的顶级私募包括尊嘉资产、宁聚资产、金锝资产等；公募阿尔法的权威包括富国量化基金经理李笑薇女士等。
期货多空策略主要包括股指期货与商品期货策略。期货的T+0的交易机制使得程序交易可以更为方便的进行。最基本的期货策略就是穿越均线策略，例如当期货上穿60分钟均线则认为其上升势头已经形成，进而做多；如果期货下穿60分钟均线，则认为其下降势头已经形成，平多头同时做空头。主观投资者的亏损很大一部分原因来自于交易缺乏纪律性，但是程序化期货成功的克服了交易者的这一行为金融学弊端。最直接的例子仍然是这次股灾，由于股市期货在股灾期间存在着明显的下行趋势，多数成熟的期货多空策略均发现这一下行趋势并多空。股灾期间股指期货多空策略赚得盆满钵满，但是某种程度上程序化交易也加重了市场的趋势效应。目前国内期货策略的顶级私募包括淘利资产、黑翼投资等。
做市场算法在国外是一个高速发展的领域，最为杰出的代表就是西蒙斯的文艺复兴基金。索罗斯、巴菲特为大家所熟知，但是西蒙斯这个名字就要低调得多。在过去十几年，文艺复兴基金获得了年化35%的收益。文艺复兴基金雇用了大量数学、物理、统计学博士，通过机器学习算法等，对市场上的微观交易行为进行细致的分析，以‘薅羊毛’的方式不断吸取收益。我们传统投资者很难捕捉交易当中微观交易结构，但是高频交易者可以从一系列的买卖竞价单中挖掘市场中的交易动态，发觉我们肉眼难以发现的蛛丝马迹。
（二）广义量化投资理论
更为广义的量化金融包括一切基于数量理论对金融市场的研究。万物皆数，学科相通，无数的智慧可以应用于金融市场。股市泡沫对于广大散户而言是一个虚无缥缈的事物，但是物理学中的模型却可以将股票泡沫以一个数量的形式呈现。LPPL模型，就是地球物理系中的对数周期性幂律模型，其创始人Sornette曾多次成功预言股灾的产生；刘淳等将贝叶斯方法应用于股市的变结构研究，并得出具有参考价值的理论：重大金融事件的发生往往会带来股市内在结构的变化；人类的智慧是相通的，现在化学、物理学、生物学、计算机科学、数学等学科的跨学科领域研究已经取得了重大进步，相信在将来金融学这一社会科学领域的学科将会越来越多的出现自然科学的身影。
目前国内金融市场正在逐渐走向大资管时代，越来越多的投资者会通过专业的投资者将资金投入市场。量化投资与传统主动投资乃是武侠中的“剑宗”与“气宗”，两者各有长短。在大资管时代两大流派将会各霸江山。巴菲特般股神将会不断创造着财富神话，西蒙斯般的科学达人们也会不断将人类的智慧充分的应用于金融市场；并且随着市场竞争的加剧，成熟的投资者将管控着更多的财富。未来如何风云剧变？我们拭目以待。
参考文献：
[1]EUGENE，F.“The Cross-Section of Expected Stock Returns.”The Journal of Finance，47.2 （1992）：427-465
[2] Sornette，Didier，Ryan Woodard，and Wei-Xing Zhou.“The 2006C2008 oil bubble：Evidence of speculation，and prediction.”PhysicaA：Statistical Mechanics and its Applications，388.8 （2009）：1571-1576
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。
金融衍生品与量化投资之间的相关性是当前经济发展比较重要的研究议题，两者的有效配合在某种程度上能使投资者获得较为丰富的投资收益，并且将风险以及杠杆性将至最低。就当前现状而言，金融衍生品内容越来越多，而量化投资投资工具呈现多元化的趋势，这为投资者提供了较多的投资方式以及渠道，并使其在最小风险值内获取最大的经济收益。文章主要介绍了金融衍生品及量化投资，重点阐述了两者之间的关联性，最后论述了两者有效融合的前提下如何获得最大的经济效益值。
一、金融衍生品与量化投资概念阐述以及其发展
（一）金融衍生品
金融衍生品在我国经济中运用范围不断扩宽，它是基于经济发展而形成的，是社会发展的必然产物，并且对于全球经济有着深远的影响，比如加剧世界经济一体化、促使金融一体化的逐步形成，金融衍生品在我国经济发展中扮演非常重要的角色，带动了我国实体经济的发展。所谓金融衍生品，它是与金融相关，并由其引发的派生物，属于一种金融交易工具。近年来，随着市场经济发展速度不断提升，我国金融市场逐渐趋向完善，这也为金融衍生品的发展提供了良好的契机，使其发展日益壮大并成为金融市场的主力军，并且与信贷以及货币市场联系日益密切，最终促进了金融资产配置的逐渐完善，即风险管理的复杂链条。从目前情况分析，我国经济发展呈现出良好的前景，相对应的工业以及房地产发展相对较好，在此基础之上，依据高杠杆原理，金融产品自身的优势性彻底被展现出来，并为投资者带来相对较好的经济效益值。但是金融产品也存在一定的风险，可谓是一把“双刃剑”，虽然它可促进金融市场的发展，但如果运用不当将会引发极为严重的后果。上世纪90年代以来，就发生了多起由于金融产品运用不当而引发的经济损失，例如：2008年金融危机波及全球，引发金融危机的原因主要是CDS等金融产品，其在美国金融市场运作中出现风险管理不当的现象，也就是风险失控，继而引发了全球性的经济危机。
金融衍生品主要是基于与金融有关产品的通过不同方式衍生而来，主要包含四种基本形式，分别是远期、期货、期权、互换，其价格的变动规律主要是由基础标的物所决定的，随着它的变化而变化的，而金融衍生品的价值主要与基础工具的相关因素有关，比如利率、汇率、市场价格、指数、信用等级等等，从本质上分析，它属于虚拟的有价证券，在某种意义上而言是一种权利证书，给予投资者基础性的权利，且与实物资本有着很大的区别，能够使投资者获得投资收益。与一般金融产品相比，金融产品有了极大的改良与进步，产品结构更为复杂，其定价模式基本比较单一，主要是以复杂数学模型为主，将多种风险以及因子，如Beta、Delta、Rho、久期等，通过多种方式的映射、组合、分解复合等，继而形成金融衍生品，结构层次多样。金融产品虽然为投资者提供了发展契机，但是也存在极大的风险，这种风险的形成与交易与结算有着直接的关联，上述两种交易形式基本发生在将来，基于高杠杆的影响，市场风险难以有效控制，预测就更难以估计。
（二）量化投资
量化投资在我国金融市场发展中得到了进一步推广，相较于定性投资，量化投资科学性更强，并且具备相应的理论依据。在投资过程中，投资者可以利用数学、统计学，还可以借助数据挖掘等方法，以此构建投资策略，管理投资组合，继而实现风险管理，利用数据模型，借助系统交易信号，系统会自动完成相关交易。从本质上分析，量化投资属于工具，投资者可以通过经验累加，然后利用数学模型的功能性，继而实现信息化的表达。量化投资形式具有自身的优势特点，这也是传统投资形式不可比拟的，它主要将投资者经验累积以另外一种方式呈现，即数学模型，继而转化至计算机中，运用相对科学的计算方式，实现产品投资，随着金融市场的日益完善，数学模型也得以不断优化。无论是数量化的投资，还是依靠计算机程序的投资，对于技术的要求极为苛刻，在业界誉为“黑箱交易”，从某种角度分析，量化投资基本不依赖大脑，而是依据交易系统，继而实施具体的决策，上述交易系统是之前确定的，且形式非常复杂的，这样的系统往往具备较高的精准度。与此同时，交易系统开发需要一定的技术支持，即程序算法设计，部分开发者通常会采取相应措施，加密交易系统，以此保障知识产权不受侵害。外界投资者对此并不清楚，具体运行机制也存在极大的疑问。量化投资者基于交易系统的前提下，收集市场最新的数据变化，同时采集与之相关的信息，将其输送至交易模型里，然后通过科学的计算，数据的挖掘，加密信息的处理，最终敲定资产配置方案，确定交易的最佳时机。按照相关公式进行量化投资在某种程度上是一种相对理性的投资，其自身的优势集中体现在分析策略这一环节，突出明晰性以及一致性，与此同时，运用信息与公式，由此获得的结果基本相同，这在某种程度上对交易者非常有利，避免由于其客观性以及随意性而引发的交易失误。
针对量化投资而言，其涵盖多个方面：就现状而言，主要包括量化资产配置、量化投资交易、风险管理。以资产配置为例，必须要基于行业选择的前提下，以此实施有效配置，然后依据策略组合，在行业内开展相关工作，实行资产优化。量化资产投资，它在某种程度上奠定了总体投资方向，确定发展前景最好的行业、风格和产品。换言之，投资者需要根据市场行情变化规律，选择市场以及产品，然后给予最佳资金分配方案。相较于传统的投资形式，量化投资更具一定的优势，更具科学以及合理性，同时兼具高信度。投资者可以依据数据模型，对整个市场进行有效分析，继而给予相对准确的判断，以此进行理性投资决策。
二、两者之间的关联性分析
金融衍生品与量化投资的有效结合能够起到非常关键性的作用，投资者能够选择相对发展较好的金融产品进行量化投资，由此收获了相对丰富的投资收益，因而探讨两者之间的关联性以及有效融合具有划时代意义。近年来，我国金融市场发展形势良好，也因此带动了金融衍生品的迅速扩大，促进了国民经济的迅速增值。但是以我国现有金融衍生品现状来说，无论是从行业总量、规模，还是参与范围及层次方面来看，金融衍生品都还属于小众市场，仍需不断创新与改革。从目前情况分析，对于大部分的投资者而言，他们对于金融衍生品的了解还不够透彻，这也导致了民主对于金融衍生品的了解甚少，基本都停留在电视或是报纸上对于金融衍生品的看法，这于金融衍生品的长远发展是非常不利的。2008年的金融危机，很多实体企业采取了相应的对策，比如参与期货市场，实施套期保值，以此降低生产经营风险，也在某种程度上扩宽市场发展。
金融市场发展速度的加快，股指期货得以大面积扩散，指数期权也扩大了应用范围，这于我国金融市场发展而言是极为有利的因素，为量化投资提供良好的发展契机，迎来发展机遇。借助量化投资原理，运用相关实践方法，通过计算机程序实施投资交易，这将是之后金融衍生品投资的主流方向。
金融衍生品的诞生是社会发展的必然产物，其功能性集中体现在投资风险规避，它形成的主要动因与投资者关系密切，满足其转移风险的需求，同时实现其套期保值实际需求，这一过程又被称为风险对冲，这样可以使投资者运用相对较少的低成本，基于现货价格变动，达到规避风险的目的。从目前形势分析，量化投资在我国金融衍生品上得到了广泛应用，其对冲实践需要借助相关载体，也就是具备一定的期货市场方可实现，但是基于交易品种单一的现状，这使得量化投资产品在某种程度上具有一定的局限性。随着股指期权的诞生，个股期权的逐步实施，扩大了金融市场的投资发展，让更多的投资者增加了风险规避渠道，推动了量化投资范围的不断扩大。量化交易策略也在某种程度上发生了改变，更具创造性，带动实体经济发展。
金融衍生品的诞生以及投入使用促进了我国金融市场交易的逐步完善，这其中金融衍生品的一个非常重要的功能得到了极大的发挥，即价格发现。所谓价格发现功能，主要从参与者角度出发，他们通过获得信息，且基于价格预期，利用公开拍卖形式，或是借助电脑进行撮合交易，这在某种程度上可以获取市场真实需求，供求关系，并且极具竞争性以及预期性的体系。随着世界经济一体化趋势不断加强，世界金融市场不断扩大，与之相关的金融衍生品应用范围也随之不断扩大，金融交易所的相关交易实现跨越式的进步，通过这种形式形成的价格权威性更强。上述价格通过不同的传播工具不断扩散，如报纸、电视、网络等，范围波及全球，俨然成为市场价格的引领者，这为大众提供了良好的平台，让其透过相关经济信息了解经济动态，以便帮助投资者给予正确的决策，借以提升资源配置效率。量化投资相较于传统投资形式具有一定的优势，这主要体现在两个方面：分别是速度与规则，从某种角度分析，我们可以预期，量化交易应用范围，促使市场报价更为紧密，成交更为频繁，从而增强市场流动性。与此同时，基于量化交易策略而言，其中部分交易存在策略的相似性，这对于未来的金融市场影响颇大，集中体现在市场价格波动这一方面，具体表现为高波动性以及规律性，上述改变与量化投资有着非常直接的关联。
金融衍生品是社会发展的阶段性产物，量化投资是基于传统投资形式基础上的创新与变革，两者之间具有一定的关联性，就好比人和人之间的合作，通过量化投资，金融衍生品能够在某种程度上受益，彰显其风险规避功能，量化投资对于投资者而言是巨大的福音，使其更理性地进行投资，从而避免由于自身主观原因而造成的经济损失，与此同时，能够有效消除非预期损失。针对金融衍生品而言，其不断发展对量化投资而言也是非常有益的，为其提供应用平台，借助不同领域资源整合，从总体角度分析，优化金融市场，交易环境不断完善，并且对投资者影响极大，使其投资理念不断升华，投资水平在某种程度上也得到看提高，继而促使投资者通过结合金融衍生品与量化投资获取丰厚的投资收益。总的来说，金融衍生品与量化投资可谓是相辅相成的关系，彼此相互促进又相互影响，协调好两者的关系对金融市场发展益处多多。
三、结语
总体来说，金融衍生品在我国金融市场的广泛运用极大的促进了国民经济的发展，量化投资是一种相对理想的投资理念，将金融衍生品与量化投资有效融合能够获得良好的成效，这于金融市场经济发展而言也是极为有利的因素，为投资者提供了良好的应用平台，促使其获得比较丰富的投资收益。文章主要介绍了金融衍生品以及量化投资的发展，重点阐述了两者之间的相关性。
参考文献：
[1]李东昌.金融衍生品与量化投资相关性研究初探[J].山东工业技术，2015（06）.
[2]张梅.后金融危机时代金融衍生品的风险管理与控制[J].湖南商学院学报，2010（02）.
[3]寇宏，袁鹰，王庆芳.套期保值与金融衍生品风险管理研究[J].金融理论与实践，2010（05）.
[4]林世光.可拓学在金融衍生品市场风险中的量化分析[J].武汉理工大学学报，2010（11）.
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。
股票市场上形形的各种分析方法总结起来可以归类为三大流派：数量分析、基本面分析和技术分析。关于这三大流派孰优孰劣的争论已经持续了近百年，三方各执一词，百年争论下来也没有争出个结果来。当今世界也是这三种流派大概各占三分之一的格局。而A股市场显然尚未跟上，量化投资远远没有达到三分之一的市场占有率。
第一部分：什么是量化投资
量化投资在海外的发展已有30多年的历史，其投资业绩稳定，市场规模和份额不断扩大、得到了越来越多投资者认可。事实上，互联网的发展，使得新概念在世界范围的传播速度非常快，作为一个概念，量化投资并不算新，国内投资者早有耳闻。但是，真正的量化基金在国内还比较罕见。那么，何为量化投资？
康晓阳：量化就是符合投资常识的投资逻辑和策略
接下来会发生什么？
深圳市天马资产管理有限公司是国内最早开发量化投资模型的资产管理公司，致力于量化投资工作接近十年。作为国内量化投资的“开山鼻祖”，深圳天马的董事长康晓阳先生如下介绍量化投资：
大家看到这个图，鱼跳起来了，风在刮，接下来会是什么？日本发生的9级大地震！2011年3月7日我看到一个报道，有50条鲸鱼在搁浅沙滩，就在发生地震那个县东部的海岸，有的死了，专家解释这些鲸鱼集体迷路了。作为一个地震专家或者学者，其实他们的经验没有告诉他这50条鲸鱼搁浅沙滩跟地震有什么关系。到底有没有关系呢？我们知道5•12四川大地震之前发生了同样的事情，很多癞蛤蟆过马路，这跟地震有什么关系？
投资做股票有两类，讲很多种策略，无外乎就是买你自己喜欢的和买市场喜欢的，买自己喜欢和买市场喜欢的背后逻辑就是找影响股价的要素。
量化是什么？做投资，最终的分析停留在数据上，既然是数据，就可以标准化、固化。从你自己的角度买自己喜欢的东西，其实也可以量化，每个人都有对美的标准，但并不是符合这个指标，你就一定喜欢。如果有一个海选，把符合你喜欢特征的人放在你面前你去选，就可以量化。
鲸鱼搁浅在沙滩上，根据历史数据统计就会发现这个事情跟接下来要发生的事情有什么关联。把人的行为逻辑影响股价所有的要素进行综合分析，预测下一个市场喜欢的东西或者喜欢的策略是什么，简单一句话，量化就是符合投资常识的投资逻辑和策略。就股票来讲，投资标的的数据和因素量化，再用一些模型统计的方法把选出来的标的进行优化，最后成为投资组合，这就是量化的基本逻辑。用数理的方法把你的投资逻辑或者市场的投资逻辑固化，只要有投资逻辑的思想或者策略，都可以量化。
就股票而言，有很多种方法，有价值型股票，分析方法无非是那几种，只是大家的标准不一样，量化的东西可以设一个相对宽松的东西，初选之后再优化，比如成长型股票，肯定关心盈利、收益。选出来10个、20个、50个甚至100、200个股票，然后配比重，怎么优化组合，根据你的风险和预期收益率反推回来怎么优化，最后得出一个比重，哪只股票应该投多少。有些是成本交易，比如套利，什么情况下出现一定条件的时候提示你。
要真正做到量化，首先要有一个基本的理论模型。你要觉得什么样的股票表现好，什么样的股票你愿意投资，这就是量化的基本逻辑。但是，有了这个逻辑之后还不够，还要有复合型人才，因为量化投资不光要懂得投资股票，还要懂得数理分析。打个比方，虽然我很懂股票，但我不懂数理分析，很多计算机模型也不懂，更不懂编程序，要真正做到量化投资，就必须有复合型团队。为什么这么多年华尔街学金融工程、数理、物理的人大受欢迎？因为他们可以用统计工具。前段时间我在英国的一所大学和一些专门做模型分析的教授交流，我发现他们想的东西更加复杂，基本上把市场上任何的东西都想要量化。
我理解，就是去跟踪你的投资逻辑，它只是帮你实现你想法的一种工具。另外还要有高质量的数据，因为，你通常看到的东西和市场本身存在的东西可能并不一样。如果把鲸鱼放到海滩上，这作为数据化，统计过去2000年有多少次鲸鱼搁浅在海滩发生，假如有真实的数据，就可以研究出跟地震的相关性。要懂数理统计工具，建立模型就是纪律，不能改变，改变就不是模型。有人说看到今天不行，换一下，那就不是模型了。我们看过一个电影，造出来的机器人最后自己都控制不了，那就是模型。如果造出来的机器人自己能控制，那不是模型。人为什么能挣得到钱，为什么还要量化？传统是靠个人经验的，而且你看到、听到的东西都是有限的。量化有什么好处？它可以把你知道的东西在整个森林中搜索。计算机是不知疲倦的，晚上你在打鼾，计算机还可以工作。你的模型是你建的，你很理性的情况下建的模型，市场情绪变了，它不会变，那时候你不可能去改模型，所以它不会受情绪的影响。
华泰联合：实现投资理念与策略的过程
国内研究机构中涉足量化投资较早并多次获得新财富最佳分析师评选金融工程第一名的华泰联合证券金融工程团队如是说：
数量化投资是利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程。与传统定性的投资方法不同，数量化投资不是靠个人感觉来管理资产，而是将适当的投资思想、投资经验、甚至包括直觉反映在量化模型中，利用电脑帮助人脑处理大量信息、帮助人脑总结归纳市场的规律、建立可以重复使用并反复优化的投资策略（经验），并指导我们的投资决策过程。
本质上来讲，数量化投资也是一种主动型投资策略，其理论基础在于市场是非有效或弱有效的，基金经理可以通过对个股、行业及市场的驱动因素进行分析研究，建立最优的投资组合，试图战胜市场从而获取超额收益。然而一些定性的投资者却并不太认可定量投资，他们认为，定性研究可以将把股票基本面研究做得很深入，从而在决策深度上具有优势。然而，在当今市场上，信息量越来越大且传播速度极快，单个分析师所能跟踪的股票数量开始显得越发有限，也因此错过了许多优秀的投资机会，可谓是拥有深度的同时错失了广度。量化投资正好弥补了这一缺失，通过使用强大的计算机技术，它能够实时对全市场进行扫描，并依仗其纪律性、系统性、及时性、准确性以及分散化的特点最大概率的捕获战胜市场的投资标的。
事实上，在海外市场，我们看到越来越多的定量与定性完美结合的成功案例。通过向量化模型中加入分析师对未来主观判断的观点（定性的观点），再结合来自于历史规律检验的观点（定量的观点），定量与定性的优势便能得到充分的发挥和融合。我们相信，这也将是未来量化产品发展的主流方向和趋势。
结论
量化研究作为一种研究方法，其本质是使用统计学、数学和计算机工具改进研究效率，使得我们能够在更短的时间、更大的视角领域下，依靠清晰的研究逻辑，获取更为有效和操作性以及复制性更强的研究成果。量化研究的本质是一类发现市场规律的方法体系，其基本功能是认识市场和解释市场，并以做到预测市场为目的。
量化投资简单来讲，它以模型为主体，使用大量数据，并且在很大程度上用电脑这样的投资方式；其以科学性和系统性著称，并将在严格的纪律化模型制约下，紧密跟踪策略，使运作风险最小化，并力争取得较高收益。
第二部分：量化投资在蓬勃发展
量化投资在世界的发展史
美国市场有200多年，从证券市场开始，也有快400――500年了，但是量化的发展是上世纪50――60年代的事。首先有一些理论模型，没有理论模型支撑很难做到量化的东西。
数理化投资于上世纪50~70年论上发芽
Harry Markowitz在上世纪50年表一系列关于投资组合“均值―方差”优化的论文，这使得投资者可以定量化风险，并把风险和预期回报放在一个理论框架下统一考虑；
WilliamSharpe在1964年发表CAPM模型，此模型显示个股的预期回报和个股的风险及市场的预期回报成正比；
Steven Ross在1976年发表APT模型，此模型显示个股的预期回报可以表示成一系列非特定因素预期回报的加权平均，此模型为量化投资者指出了很实用的研究框架；
Black-Scholes在1972年发表关于股票权证的定价模型；
Fama和French在1993年发表三因素模型，此模型显示个股的预期回报由三个因素（市场，个股的市值，个股的市净率）决定；
此后很多研究者做了非常多的实证研究，并发现了一些对个股将来回报有预测作用的因素：比如市盈率，市净率，资产回报率，盈利一致预期，中长期价格动能，短期价格反转等。
数理化投资从上世纪70年代末开始实际运用
Barclays Global Investors(BGI)于1978年创立了全球第一只数量化投资策略基金，到被BlackRocks收购之前BGI以14000亿美元的规模，高居全球资产管理规模之首。
SSgA(道富环球投资管理公司)和 GSAM(高盛国际资产管理公司)为首的一大批以数量化投资为核心竞争力的公司已经成为机构资产管理公司中的“巨无霸”。
“詹姆斯•西蒙斯创办的文艺复兴科技公司花费15年的时间，研发基于数学统计理论的计算机模型，借助该模型，西蒙斯所管理的大奖章基金，从1989 年到2009 年间，平均年回报率高达35％，较同期标普500 指数年均回报率高20 多个百分点，比“金融大鳄”索罗斯和“股神”巴菲特的操盘表现都高出10 余个百分点。
在国外。其他采用量化投资的公司没有获得惊人的表现，并非是量化方法不好，而是他们还没有构建出更好的模型以及正确的策略。作为量化投资的大行家和受益者，西蒙斯承认有效市场的套利机会极少而且会趋同小时，然而，仍然有无数转瞬即逝的很小的机会存在，在证券市场，那些很小的交易，都会对这个庞大的市场产生影响，而每天都会有成千上万这样的交易发生。这个市场看似杂乱无章，却存在着内在规律，而量化操作自从诞生以来，无疑成为捕捉这些规律的一把利器，为海外投资者屡建奇功。
CQA（教育产品内容与数据测试）数据统计：在2002年-2004年三年间，量化产品的平均年收益率为5.6%，比非量化产品的平均年收益率高出1%。从信息比率来看，量化产品为0.37，非量化产品为0.06。此外，量化基金的运作费率相对更低，例如传统产品费率为0.6%，主动量化产品费率在0.45%-5%之间。
理柏(LIPPER)数据显示，2005年到2008年之间，87只大盘量化基金业绩表现好于非量化基金，增强型量化基金在2005年和2006年更是大幅跑赢非量化基金。但2007年和2008年除市场中性基金外，所有基金业绩下滑很快，其中双向策略和大盘量化基金表现差于非量化基金，而增强型和市场中性量化基金表现则优于非量化基金。
量化投资在中国的发展现状
研究力量不断壮大
目前大部分券商研究所都配有金融工程研究小组，成员超过5个的不在少数。根据2010年11月份的《新财富》最佳分析师榜单，国信证券金融工程小组人数有12人，为目前人员配备最多的量化投资研究团队。其他入选金融工程前五名的研究小组中，申银万国8人，华泰联合、安信证券各5人，中信证券4人。
数量化方面的研究报告数量也是逐年增加。据不完全统计，2008-2010年相关报告数量分别有52、142、794篇，今年上半年就达到了633篇，逐年递增趋势非常明显。不过，和2010年研究报告10万多份的总量相比，数量化研究的广度和深度还有很大提升空间。
量化产品初露锋芒
天马旗下的产品中，现有两个信托产品采用量化投资策略，分别是新华―天马成长，和平安―Lighthorse稳健增长。
此外，上投摩根、嘉实、中海基金、长盛基金、光大保德、富国基金、南方基金等都有量化产品推出，但是量化基金的比例还是非常小。即便在2009年，全年新发基金超过100只的情况下，新发的量化基金也仅有4只，数量在2009年的新发基金市场中仅占3％。与指数基金、普通股票基金相比，量化基金可谓是基金市场上的稀缺资源。
2011年，在国内紧缩政策与国外动荡局势的影响下，A股市场呈现结构性震荡上扬的格局。随着市场轮动的提速及内在容量的扩大，精选个股的难度日益加大。在此背景下，定性投资容易受到投资者情绪影响，而定量投资则能够通过计算机的筛选，帮助投资者克服非理性因素，在充分控制风险的前提下应对市场万变。以“人脑＋电脑”为主要构建的量化基金逐渐显现投资优势，今年量化基金异军突起，整体表现不俗。截至4 月6 日， 9 只具有完整业绩的主动型量化基金平均收益率为0.64%，超越同期股票型基金和混合型基金-1.39%、-3.08%的净值增长率。其中，“元老”光大保德信量化核心基金收益率达5.19%。此外，南方策略、中海量化策略、长盛量化红利、长信量化先锋、上投摩根阿尔法、华泰柏瑞量化先行基金也均取得正收益，分别达到4.12%、3.28%、2.60%、2.13%、0.77%和0.16%；仅嘉实量化阿尔法和华商动态阿尔法收益为负，分别为-4.48%、-7.94%。此外，从以往披露的公开信息可以发现，国内量化基金多侧重价值因子，也契合今年低估值大盘蓝筹股领涨的市场格局。
第三部分：解读量化投资
在西蒙斯崛起之前，判断型投资完全占据着主流地位，因为当前全球投资界的三大泰斗当中，无论是价值投资的巴菲特、趋势投资的罗杰斯，还是靠哲学思维的索罗斯，都是判断型投资的代表。但随着西蒙斯的声名鹊起，量化投资开始受到投资大众的重视并呈现出蓬勃的发展态势。但需要指出的是，世界上没有万能的投资方法，任何一种投资方法都有其优缺点，量化投资当然也不例外。定量投资成功的关键是定量投资这个模型的设计好坏，设计的好坏主要由模型设计者对市场的了解、模型构建的了解和模型实践经验来决定的。
量化投资的决策体系
量化基金的成功运作必然依托一个完整而有效的量化体系用来支撑，该体系是数据获取、数据处理、资产配置、组合管理到全程风险控制等诸多环节的有机结合。
我们借鉴海外量化基金运作架构的诸多优点，并结合华泰联合金融工程资深研究员的看法，旨在提供一个适合中国市场特点的量化基金运作架构体系。该体系综合考虑了定性及定量两大主要选股思路，在风险可控下，充分发挥量化投资的优势。
此架构包含以下几个主要层次：
1. 数据提供：量化体系的底层一般是数据接入端口，数据来源于外部数据提供商。
2. 数据预处理：由于中国A 股市场历史较短，数据质量一般，特别是早期的数据较为不规范。因此，在输入模型前必须对数据进行全面的清洗，从而增强数据的有效性和连续性。
3. 资产配置：资产配置是量化基金的核心。不同的投资者具有不同的投资理念，即不同的资产收益率看法。因此，通过构建差异化的因子配置模型来实现差异化的投资理念则充分展现了量化投资的优势和精髓。举例而言，我们可以开发针对不同市场状况（如牛市、熊市、震荡市和转折市）以及不同投资风格（如保守、激进和中庸）的量化模块。这些模块就类似于儿童手中的玩具积木，一旦投资决策委员会确定了战略和战术配置比例，接下来要做的就是简单的选积木和搭积木的过程。模块化投资严格的遵循了投资思路，从而将量化投资的纪律性、系统性、及时性和准确性展露无遗。
4. 投资决策：宏观经济政策对中国A 股市场的表现影响较大，也就是我们常说的“政策市”。针对这一现状，综合考虑定性和定量的宏观判断对于我们选择合适的基金仓位及资产组合将十分必要。一方面，结合宏观及行业分析师对于未来宏观经济的预判以及个别性事件的分析，另一方面，考察既定的一系列量化择时指标和宏观经济指标的最新动向，从而能较为全面的提出投资建议。
5. 组合管理：在对于宏观趋势、战略和战术资产配置的全面考量之后，留给基金管理人的工作将是如何实现在交易成本，投资风险以及组合收益三者之间的最大平衡。
经典量化投资模型综述与评价
目前，由于计算的复杂程度和对速度的要求，量化投资的交易过程通常是由电脑自动来完成的，可在某些方面电脑依然不可能替代人脑。投资若要取得成功，就需要顶尖的大脑来罗织数据、发现规律、编制最快最好的电脑程序；此外，量化投资所使用的模型在用了一段时间之后就会慢慢失效，因为越来越多的“山寨版”会出现，因而需要不断发现新的模型以走在这场军备竞赛的前列，而此时需要的就是配备精良、高速运作的人脑。由此可见，模型在量化投资的整个体系中居于核心地位。近几十年来，西方理论界与实务界均诞生了不少量化投资模型，大力推动了量化投资的发展，这其中又大致可分为三大类：传统的基于经济学意义的模型（structural model）、现代的基于数学、统计学意义以及计算机原理的模型（statistical model）、程序化交易模型。以下就这三者分别予以介绍。
(一)传统的基于经济学意义的模型
这种模型虽然用到了一些数学与统计学的工具， 但其核心思想与前提假设仍然是围绕经济学或金融学原理而展开的。例如，B-S 模型与二叉树模型提供了金融产品定价的新思路，因而也衍生出了所谓的以选择权为基础之投资组合保险策略（option-basedportfolio insurance，OBPI），如欧式保护性卖权（protective put）策略、复制性卖权（synthetic put）策略和一些持仓策略―――买入持有（buy-andhold）策略、停损（stop-loss） 策略、固定比例投资组合保险(constant proportion portfolio insurance，CPPI) 策略、时间不变性组合保障（timeinvariant portfolio protection，TIPP）策略、固定组合（constant mix）策略与GARP（Growth at a Reasonable Price）策略等。
(二)现代的基于数学、统计学意义以及计算机原理的模型
与上述模型相比，这种模型“量化”的倾向愈加明显―――淡化甚至忽略经济学或金融学背景，基本上只是依赖先进的数学、统计学工具与IT 技术构建模型，进而确定投资策略。模型中应用的具体方法主要包括参数法、回归分析、时间序列分析、极值理论、马尔科夫链、历史模拟法、蒙特卡罗模拟法等等。
(三)程序化交易模型
随着金融市场的日益复杂化， 越来越多的复杂交易策略被设计出来，这些交易策略很难通过传统的手工方式执行，于是程序化交易应运而生。程序化交易是指按照预先编制的指令通过计算机程序来完成交易的方式，可以分为决策产生和决策执行两个层面：前者是指以各种实时/历史数据为输入通过事先设计好的算法计算得出交易决策的过程，而后者是指利用计算机算法来优化交易订单执行的过程； 也可以从交易频率的角度，分为高频交易和非高频交易。程序化交易使得复杂的量化交易策略得以实施，优化交易指令的执行，解放人力使之把精力更多地集中到投资策略的研究上， 最重要的是能克服人性的种种弱点与障碍从而保证绝对的“客观性”与“纪律性”。然而，这种交易方式也引起了诸多争议，如对速度的过高要求会造成市场的不公平、巨大的交易量可能会增加市场的波动性、容易产生链式反应、为了盈利可能会制造人为的价格而降低市场的有效性等等。
量化投资的主要策略
增强型指数基金：策略的主要目的还是跟踪指数，希望用量化模型找出能紧跟指数但同时又能小幅超越的组合。
非指数型量化基金：能利用绝大多数好的投资机会，而不需去管组合是否能紧跟指数。
多―空对冲基金：买入模型认为能表现好的股票， 卖空模型认为会表现差的股票。有时可能净多仓， 有时可能净空仓。此策略在对冲基金中很流行。在A股市场中能卖空的股票不多，所以一般只能用期指去对冲。
市场中性的多―空对冲基金：买入模型认为能表现好的股票， 卖空模型认为会表现差的股票。在任何时候净仓位为0，同时在各行业上，大小盘风格上的净仓位都为0。此策略在对冲基金中也比较流行。此策略的波动率非常小，在国外一般会加入杠杆。
130/30基金：一般共同基金采用，即买入130%的多仓， 卖空30%的空仓。
程序化高频交易：利用期指或股价的日内波动进行高频买卖。有些策略是找价格模式，有些是利用交易所规则上的漏洞。
可转移Alpha：主要用在增强型指数基金上，具体是用期货来跟踪指数，一部分多出来的钱投资于风险比较小的能取得绝对正收益的策略上。
市场择时/行业轮动/风格轮动：用数量化模型预测市场/行业/风格的拐点
量化投资和传统投资的比较
天马资产首席数量分析师朱繁林博士表示，量化投资区别于定性投资的鲜明特征就是模型，对于量化投资中模型与人的关系，大家也比较关心。可以打个比方来说明这种关系，我们先看一看医生治病,中医与西医的诊疗方法不同，中医是望、稳、问、切，最后判断出的结果，很大程度上基于中医的经验，定性程度上大一些；西医就不同了，先要病人去拍片子、化验等，这些都要依托于医学仪器，最后得出结论，对症下药。
医生治疗病人的疾病，投资者治疗市场的疾病，市场的疾病是什么？就是错误定价和估值，没病或病得比较轻，市场是有效或弱有效的；病得越严重，市场越无效。
投资者用资金投资于低估的证券，直到把它的价格抬升到合理的价格水平上。但是，定性投资和定量投资的具体做法有些差异，这些差异如同中医和西医的差异，定性投资更像中医，更多地依靠经验和感觉判断病在哪里；定量投资更像是西医，依靠模型判断，模型对于定量投资基金经理的作用就像CT机对于医生的作用。在每一天的投资运作之前，会先用模型对整个市场进行一次全面的检查和扫描，然后根据检查和扫描结果做出投资决策。
传统的定性投资强调的是基金经理的个人经验和主观判断，相对来说强调基金经理的单兵作战能力。而量化投资主要是用来源于市场和基本面的模型指导投资。
量化投资可以最大限度地捕捉到市场上的机会。而传统的定性投资受到研究员，基金经理覆盖范围的限制。
量化投资借助模型进行投资，比较客观和理性，更不会受市场和情绪影响。
量化投资的可复制性更好。传统的定性投资易受到基金经理，资深研究员人动的影响。
其实，定量投资和传统的定性投资本质上是相同的，二者都是基于市场非有效或是弱有效的理论基础，而投资经理可以通过对个股估值，成长等基本面的分析研究，建立战胜市场，产生超额收益的组合。不同的是，定性投资管理较依赖对上市公司的调研，以及基金经理个人的经验及主观的判断，而定量投资管理则是“定性思想的量化应用”,更加强调数据。
国内量化基金投资风险分析
（一）量化模型质量产生的投资风险
投资模型本身的质量，是量化基金最核心的竞争力。专业人士以为，对于中国这样的新兴市场，量化投资的关键是能否根据市场特点，设计出好的投资模型。然而，已有的量化基金中，大多简单地利用国外已公开的模型，或是用基金公司自有的一些简单模型，在考察市场的有效性上普遍比较欠缺。如中海量化策略和南方策略优化在行业权重配置中均采用的Black-Litterman（BL）模型。这种模型现是华尔街主流模型，亦是高盛公司资产管理部门在资产配置上的主要工具。然而，在国内市场信息搜集等方面局限性较大的情况下，该系统到底是否有效，是否仅是基金公司体现其“专业性”的一个由头，还有待观察。
（二）基金经理执行纪律打折扣所产生的道德风险
好买基金研究中心的一份报告指出，大部分量化基金在择时、行业配置和资金管理等方面并没有采用量化模型，更多的是基金经理的主观判断。观察这些量化基金的契约和季度报告可以发现，基金要么不进行择时，要么根据主观经验进行择时，这在很大程度上无法体现出模型选股产生的效果。
（三）数量化模型滞后产生的风险
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。
世界首家基于社交媒体Twitter的对冲基金Derwent Capital Markets创始人保罗・赫汀（Paul Hawtin）曾说：“长期以来，投资者已经广泛地认可金融市场由恐惧和贪婪驱使，但我们从未有一种技术或数据来量化人们的情感。”
一直被金融市场非理性举动所困惑的投资者，现在终于有了一扇可以了解心灵世界的门户――“南方新浪财经大数据策略指数”，在大数据时代，行为金融理论终于可以在投资领域有了更具操作性的应用。
据了解，2013年底，南方基金即与新浪财经讨论双方在上述领域合作的可能性并达成合作意向，拟充分挖掘双方在各自领域的专业优势，在股票量化研究及合作开发指数方面展开方向性合作。
新浪财经作为国内领先的财经数据平台，其股票频道、财经新闻、股吧论坛、尤其是新浪微博相关财经账号，对上市公司有着更及时全面的资讯覆盖、其财经数据的互动信息来自专业的投资者，较普通的互联网媒体有着更具有价值的信息。其体现的市场情绪变化涵盖了宏观经济、行业动向、个股关注、财经新闻报道曝光度、股票论坛用户参与度，全方位地展现了投资者与股票间的互动情况，隐含了海量的投资辅助信息。
“互联网经济造就了大数据时代，唯有那些在数据获取、形成洞察力和将洞察力转化为行动方面表现优秀的企业才能有持续的绩效表现，基于此，我们选择了在此领域积累了资深经验的南方基金合作。”新浪网副总编辑、财经中心总监邓庆旭表示。
南方基金数量化投资部总监刘治平介绍道，从目前国内量化投资现状来看，传统的基于财务数据、估值成长因子、技术指标因子的多因子模型研究框架已经非常成熟，越来越难以获得超额收益，因此近几年新闻事件、公司事件对于股价的影响成为量化投资者研究热点，但传统的量化投资者由于数据获取局限，研究更多的止于事件本身对于股价的影响，数据量极其有限，对于新闻事件所带来的互动信息数据研究更是严重缺位。
南方基金数量化投资部资深研究员雷俊表示，前期南方数量化投资部通过对财经大数据的分析，发现追踪市场热点变化，结合南方量化研究成果，挑选出更具有投资价值股票作为投资组合，日前已经完成了综合宽基指数、主题行业指数的历史模拟业绩测算。内部测算结果显示，该指数具有较好的市场代表性、收益性和流动性。
打造互联网金融版图新坐标
互联网金融创新浪潮来袭，其对基金业的影响最初体现在销售层面。余额宝的成功让基金公司开始跟风，热衷于包装各类“宝宝”。事实上，互联网的价值并非仅仅体现在用户的购买行为上，南方基金以敏锐的视角将眼光投向了互联网平台之下的宝藏――大数据应用。
南方基金新闻发言人、董秘常克川表示，公司自去年便组织相关部门研讨，如何更深度地将互联网行业信息优势与传统金融机构的研发优势相结合这一新的课题，南方新浪财经大数据策略指数的推出将填补国内在互联网大数据投资应用领域的空白。“公司未来或将开发跟踪该类指数的系列基金产品，为基金投资者提供多元化、专业化的投资工具，不遗余力地为客户捕捉市场机会，创造价值。”
量化投资向世人昭示，挤进超级富豪圈不是梦。对冲基金是量化投资应用最广泛的产品。在福布斯2013全球亿万富豪榜上，对冲基金经理在前1000名富豪里夺得了约21个席位，占比约达2%，更有4名进入了百强榜。
詹姆斯？西蒙斯的文艺复兴公司旗下的大奖章基金，在1998至2008年的20年时间内，年平均净回报率高达38.5%，创造了投资界的神话。西蒙斯本人也成为了20年内最佳赚钱基金经理，成为了新的对冲之王，直至今日，仍居福布斯亿万富豪榜的82位。
大奖章基金以短线操作为主，主要通过统计信息分析方法来判断外汇和债券短期的价格变化，尤其是市场的过激反应类，进行套利活动。这个短线究竟有多短呢，金融投资里面最短的短线的计量单位叫“一笔”，举个例子来说，每秒钟都有可能进行成百上千笔交易。
可以这样说，大奖章基金差不多是量化到头发丝的存在，但这也并不代表着，电脑已经取代了人的角色，成为了人的主宰。西蒙斯自己也曾表示，长期不变还能赚钱的模型是不存在的，模型必须要不断更新，这也完全是通过人来完成的。
黑天鹅击溃完美模型
谈到量化投资，美国长期资本作为最著名的投资案例，不得不提。
约翰？梅里韦瑟在1994年2月创立了美国长期资本公司（LTCM）。公司依托布莱克-舒尔斯-默顿的衍生工具标价理论，采用“市场中性”的交易策略，买入低估的有价证券、卖出高估的有价证券，进行套利活动。LTCM似乎窥探到了量化的奥秘，在1994至1997年，年投资回报率分别达到28.5%、42.8%和17%，净增长2.84倍。巨大的盈利能力让LTCM获得了资本市场的认可，也使梅里韦瑟获得了套利之父的荣誉。
1998年8月17日，黑天鹅降临了，LTCM遭遇了俄罗斯政府外债违约。这场危机引起了全球金融市场的动荡，投资者纷纷退出了发展中国家的市场，转向了美国、德国等风险小、质量高的债券。结果LTCM做错了方向，沽空的德国债券价格上涨，做多的发展中国家债券价格却下降，原本预期收敛的价差却在趋于发散，致使其在资本市场上的滑铁卢。虽然后来美国金融巨头出资接管了公司，但LTCM已是强弩之末，于2000年宣布倒闭清算。
私募专业人士指出，LTCM过于信任自身的投资策略组合，忽略了小概率事件，再加上过高的杠杆，都导致了它的最终灭亡。量化投资其实根本不存在永久的致富秘籍，也没有永葆青春的投资模型，随着市场效率的提升，IT技术的升级，任何投资策略与操作方法从短期或长期来看，都存在误区与漏洞，这时则需要人脑的与时俱进，让系统根据动态不确定的环境进行修正与完善。人脑与电脑应该是相互成全，而不是相互替代。
量化投资的“黑箱”
正如硬币有正反两面，可称得上是赚钱利器的量化投资，也会因计算机的频繁“发疯”面临巨大的投资风险，如华尔街巨头高盛的交易错单、美国第二大股票交易所纽约纳斯达克证券交易所3小时的停止交易、国内8·16乌龙指交易事件。量化投资的高频交易引发了人们对计算机潜在风险的担忧，但它就像血液循环系统一样，加速了资本市场的资金流动，是金融发展历程中不可缺少的。“我们不能因噎废食，因为一个系统的BUG，就舍弃了整个系统。”首善财富管理集团（以下简称首善财富）表示，随着金融产品种类的增多，信息跟踪量的增大，对量化投资的需求也会不断增大。从管理和控制风险的角度来说，这不仅需要投资公司自身完善风控体系，还需要整个产业链的配合。首善财富董事长吴正新曾多次指出，“对冲基金将是中国证券市场最大赢家，而它们多大量采用复杂的量化模型进行程序化交易。”
所谓量化投资，就是指按照事先设定好的逻辑策略或数学公式进行投资，文艺复兴技术公司与美国长期资本公司也都是这样做的。从广义的层次来说，一切使用数学工具、电脑程序的投资方式都包含在量化投资的范畴。其中，争议不断的高频交易本质上是用来消除市场暂时出现的无效率的，它可以促进市场价格更快地反映市场信息。全球最大的知名高频交易公司包括Millennium， DE Shaw， Worldquant和Renaissance Technologies等。
虽然量化投资由于稳定的投资回报获得了越来越多的投资者的青睐，但是投资大众对量化投资的运作流程依然很模糊，这样“黑箱”也就形成了。量化投资的“黑箱”里到底承载着什么奥秘呢？
据华尔街顶级数量金融专家里什？纳兰揭秘，量化投资“黑箱”的基本结构包括人工的数据输入与研究、交易策略模型、风险控制模型、交易成本模型、投资组合构建模型，其中四项构成了交易系统。
如何让量化投资“活”起来？答案是人工的数据输入与研究，和交易系统的配合。通常认为，量化交易最小化了人工因素在系统中的作用，当量化交易员精心研究和开发的系统上线，他们似乎也就英雄再无用武之地。其实不然，计算机只会忠实可靠地按照人们告诉它的做法一步一步地来执行，伴随着时间与市场的不断演进，交易模型瑕疵也将不断扩大，这时量化交易员的主观判断显得尤为重要，人工因素的加入使量化投资具有了人类的正常思维，似乎“活”起来，可以主动灵活地应对外界的瞬息万变。也就是说，一旦市场触发了系统的难以判断的“恐慌”，交易员就会立即现身，通过修改交易清单或降低投资组合规模和相应的杠杆比率，来规避投资的风险。
MOM让量化投资活起来
如今，MOM模式成为欧美主流的资产管理模式，也将是量化投资界人脑与电脑结合的最佳作品。
作为一种间接的资产管理模式MOM（即Manager of Managers）诞生在美国罗素资产管理公司。它的客户可以是机构投资者，也可以是高净值个人。自从被开发出来，已被国外很多机构应用，最成功的当属耶鲁大学基金会，从1980年的两亿美金到了现在的约300亿美金，赚了将近150倍。
所谓MOM模式，也被称为精选多元管理人，通过优中选优的方法，筛选基金管理人或资产管理人，让这些最顶尖的专业人士来管理资产，而自身则通过动态地跟踪、监督、管理他们，及时调整资产配置方案，来收获利益。
“找最优秀的人做最专业的事。”首善财富董事长吴正新指出了MOM模式的本质。首善财富旗下的首善国际资产管理有限公司是国内第一家运用MOM模式做对冲基金和期货的公司，这正得益于其不懈地将技术与研究的双轮驱动作为公司的核心发展战略。
MOM模式降世不过30载，但发展非常迅速，得到了众多国内外投资公司的关注。尚属新鲜事物的MOM模式的相关产品在国内已经开始试水。在2011年中国平安与罗素公司合作设立了平安罗素，并发行了第一期的MOM产品。除此之外，MOM模式还可广泛应用于对冲基金与期货产品。“国内期货资管行业要做大做强，采用MOM模式是一种必然选择。”吴正新也曾表示。
禁不住MOM模式产品的诱惑，国内各投资公司纷纷对它的本土化做出了预先安排。“目前和我们合作的有十多个国内领先、国际一流的投资团队，其中大多是国际水平的程序化交易团队。”吴正新表示，首善财富早在引进MOM模式之际就采取了多元的投资风格与多元的管理团队相结合的经营理念。其中，多元的投资风格是首善财富资产管理的核心特色之一，“我们既有主观的人工交易，也有客观的程序化交易，而且以量化的程序化交易为主。”相对而言，多元的管理团队，即表示公司内部自身的投资团队的主动管理，再加上外部国际精英团队的专业管理。
相比近些年受到推崇的基金中的基金（FOF），信托中的信托（TOT），MOM模式在对资产管理人的数量与专业性的覆盖层面，更具魅力。FOF和TOT从本质上来说依然局限在精选产品上，而MOM模式更偏向于精选管理人，它可以凭借公司的研究能力，相对独立的挑选出更适合投资需求的专业管理人，运用定量与定性相结合的方法，将优选产品管理人和多人管理风险的双重优势发挥得淋漓尽致。
MOM模式既运用多元专业人才打破了量化投资的固有形态，也通过计算机系统的理性判断避免了交易员敏捷感应赢利却迟缓反应损失的习惯性偏差，让专业人才与计算机系统在“黑箱”内相互成全，相互配合，以求收获更加稳定、更加高额的投资回报，使其具有很大的发展空间与潜力。
量哲创始人魏明岚先生很早就与量化结缘，但由于种种原因他的量化之路并不平坦，中间甚至一度中断。
魏明岚，台湾人，具有深厚的专业教育背景，本科就读财政专业计量组，MBA毕业于美国Emory大学商学院，主修金融工程方向，获金融管理硕士学位。Emory大学是美国十大老牌名校之一，培养了终端政商界杰出人士，如前美国总统吉米？卡特、前韩国总理李洪九、第十届人大副委员长及九三学社中央主席韩启德等，其商学院在美国排名前十。魏明岚在金融工程领域有深厚的功底，对期权期货等金融衍生品有独到的见解。
回到中国之前，魏明岚先在美国ING做过金融产品研究，2000年左右，为了爱情，他远渡重洋来到上海。“当时中国经济发展得很好，心想回来应该也有不错的发展，但回来后才发现，金融行业还比较稚嫩，根本没有做对冲的条件。”魏明岚如此描述当时的情景。后经人引荐到当时还是周鸿祎控制的3721做财务总监，直到3721公司卖给雅虎，期间做了大量PE相关工作，和IDG等PE界人士亦非常熟悉。
对于这段时间量化生涯的中断，魏明岚坦言“大环境所限迫不得已，但实业的经验时期对企业的价值有更清晰的认识，对日后的投资是有一定帮助的”。尽管如此，他的量化投资之路却没有中断过，这期间他一直在用自己的资金做量化交易，逐渐形成一套完整的模型，就是现在“优势”系列，后面在产品模块中将做详细介绍。
之后，随着中国金融行业的发展，期货、期指、融资融券等衍生品工具的一步步放开，魏明岚的量化之路逐渐走上正轨。2012年5月，他成立了上海量哲投资管理有限公司，骨干人员主要是来自高校的金融工程或数学系教授，除了深厚的学术背景，都具备丰富的投资经验。
魏明岚说，“我们的核心竞争力就是行之有效的策略和完善的模型，这来源于团队深厚的数学以及金融工程功底，以及丰富的投资经验。只要辅以合适的平台，实现我们的策略，一定可以获得让投资人满意的回报。”
多层次的产品组合
传统的观念中量化交易会有效地分散、降低风险，但其收益率也是相对较低的。魏明岚认为这是市场对量化的误解，他认为“好的量化应当是风险和收益的组合，既可以是低风险低收益的，也可以是高风险高收益的，应满足不同的投资需求和偏好”。
量哲的产品组合很好地体现了他的观点。从量哲的产品介绍表格可以看出，量哲的产品层次清晰，组合很丰富，既有高收益的，也有相对低收益，但风险也相对较低的产品。这样一来就可以满足不同客户的需求，有些客户如高净值人群或机构投资者更看重长期的回报，就可以选择优势或优渥系列，而一些对资金流动性要求较高或一些不愿承担太高风险的公司专户就可以选择优安或优利系列。
谈到产品的发行和运营情况，魏明岚说，“经过这几年的培育，国内投资者改变了以往只看收益的做法，越来越多的开始关注风险状况。总的来说，国内的客户不太愿意承担过高的风险，即使有获得高收益的可能。出发点是在保值的基础上再想办法增值，所以优渥、优安比较受欢迎，一只优渥产品已于4月正式启动，5月启动了一只优安产品。而优势系列主要是自己和朋友的资金一直在做，收益不错。”
为了实现不同系列产品的投资目标，量哲团队制定了不同的量化模型，“为实现较高收益，优势系列保留了相对较大的对冲敞口，而优安及优利的基本没有敞口，除非是特殊情况下会留一点点”，同时在模型设计时，预留了能容纳较大的资金规模，也就是说其产品的资金容量是足够大的。
总体而言，量哲的投资策略主要是基于α套利，通过模型进行因子分析，选出具有潜在超额收益的股票，通常股票池的量都比较大，能够很好地分散风险，同时通过对冲交易规避系统性风险。魏明岚透露，“今年10～11月份，高频交易模型将投入使用，成为公司投资组合中的一个策略群，到时整体的风险系数将会进一步降低。”
面临的发展问题
和所有量化基金一样，魏明岚也面临着这样那样的问题。尽管已经过了最艰难的时期，但仍然有各种各样的问题亟待解决。
首先是观念问题，券商是量化基金发行和交易过程中的重要环节，很多的券商还在沿用固有思维，对于量化基金的理解比较浅，有时甚至抱怀疑态度。这使得基金在发行和交易之前要花大量的时间和精力去做调研工作，降低了工作效率。
