时间：2023-08-14 09:24:54
序论：速发表网结合其深厚的文秘经验，特别为您筛选了11篇量化投资与基本面分析方法范文。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！
今年7月中下旬以来，尽管对于未来股市究竟能冲到多高点位，市场分歧一直不断，但一直保持较高仓位的量化产品，已经呈现出越来越明显的赚钱效应。相关数据表明，量化基金今年以来整体业绩平均回报已经占胜了主动权益产品。据Wind数据统计，自2004年国内诞生第一只量化基金以来，目前市场有24只主动量化概念基金产品，涉及19家基金公司。截至9月12日，量化基金今年以来平均收益为12.46%，而同期全部权益类产品的平均收益为9.48%。其中，华泰柏瑞量化指数今年以来收益20.37%，排名前十分之一。
此前，“量化投资”这个词虽还不为大多数投资者熟悉，相对海外量化基金，国内公募的量化基金起步较晚，之后的发展也一直非常缓慢。但在2005年～2009年指数型基金带动公募量化崛起之后，随着融资融券的成熟及期权的推出以及量化基金在A股市场现今的优异表现，市场人士预计，必然将再度在中国资本市场催生第二波“量化投资”热。
有鉴于此，《投资者报》“基金经理面对面栏目”本期特别邀请到华泰柏瑞量化指数基金的基金经理卿女士，就当下量化投资的一些热点问题、投资技巧以及四季度行情的走势判断等相关问题进行交流。
卿认为，量化投资不能做加法，人为将某个个股加入买入清单；又必须经常结合基本面，对量化模型进行合理的改善。同时她还指出，A股主板市场经历了长时间低迷，估值已经反映经济中的问题和增长的放缓，除非经济发生重大或系统性风险，下行空间有限。
华泰柏瑞量化初露峥嵘
《投资者报》：我们关注到，华泰柏瑞量化指数自2013年8月2日成立以来，特别是自今年2月成立满6个月以来，已经连续5个月蝉联海通证券超额收益榜“增强股票指数型基金”冠军。截至9月19日，在短短一年多点的时间里取得了24%的收益，在同类产品中遥遥领先。请问是什么原因让华泰柏瑞量化指数业绩回报如此出色？
卿：我们的量化模型一年多运作下来比较成功，除了模型本身设计上的优越性之外，也归功于我们团队的努力。我们开发的量化模型是基于基本面的量化选股模型，并且针对A股市场的特点作了调整，加入了一些独特的基本面因子。这些因子是华泰柏瑞团队投资技能的体现，希望以此区别于市场中其他的量化投资策略，华泰柏瑞未来也会进一步研究新的因子，并加入到投资模型中去。
我们的投资目标有两个，一是战胜市场，二是提高单位风险带来的收益。事实证明，基金成立以来的回撤数据和信息比率都十分良好。
量化投资不能做“加法”
《投资者报》：您曾称目前业内一线的量化投资思路是做“聪明的量化投资”，即既要坚守量化投资的流程底线和投资本质，也要做必要主动决策和风险管理。请问您是如何把握这个主动的动作幅度和范围的？换言之，这个主动的动作幅度具体是什么比例？多大范围？
卿：这里我们所说的聪明量化是指和基本面相结合的量化。主要体现在三个层面：一是模型构建方面跟踪市场变化做出适时调整。在有市场观察验证并有数据支持的情况下，调整模型不同因子间的权重，并淘汰不再适用的因子，根据反映市场独特特点的基本面信息，开发新的独有的因子，不断改进完善模型。二是结合基本面信息，在投资组合构建过程中，控制组合对一些模型尚未反映的风险因素的暴露，并把个别交易标的从交易清单中剔除，以反应模型尚未捕捉的重要信息，像临时重大信息披露、涨停板等，但决不会人为挑选个股加入交易清单，以坚守量化投资的纪律性。三是在极端情况下为保护投资人利益需要尽最大能力做出对投资人最为有利的决策，以应对市场大的转折。主要是指危机状态下，不会机械地固守模型，如果是只做多的策略，会相应做出减仓等应对措施，而不是为坚守不择时的纪律而让投资人蒙受损失。这主要是来自2008年金融危机的教训。
同时，我们与基本面结合，不以牺牲纪律为代价。正常情况下，主要以改善模型为主，把基本面观点通过模型反映到投资组合中。在个股层面，只能结合市场信息，从模型给出的交易清单中剔除个股，而不可以人为将某个个股加入买入清单，以坚守纪律性。
量化投资在国外被广泛应用
《投资者报》：在您眼里，中国的量化投资才刚刚起步。您曾表示“中国的量化投资管理的资产规模至少5年内还看不到发展的天花板”。那么，时至今日，您认为中国的量化投资管理的资产规模的天花板应在什么位置？为什么？
卿：国际市场上，量化投资是区别于基本面投资的另一种主要投资模式，和基本面投资相比，有它自身的优势。量化分析在境外资产管理公司中得到非常广泛的应用。一些资产管理公司像过去的BGI（巴克莱旗下资产管理部门巴克莱全球投资者）和AQR（华尔街表现最突出的量化对冲基金之一）等等，全部采用量化投资策略；另外一些公司，像GMO（知名的全球投资管理公司，管理规模上千亿美元），Pimco（全球最大债券基金――太平洋投资管理公司）和Citadel（美国芝加哥大城堡对冲基金公司）等则把量化分析和基本面分析结合在一起运用。 总的来说，境外几乎所有大的资产管理公司都会或多或少依赖量化分析的方法。
目前，A股市场绝大部分投资策略都是基本面投资，真正做量化投资的资金很少，其获得超额收益的市场机会很多，发展空间很大；并且国内市场样本多，利用量化手段来捕捉超额收益的胜率也有保障，因此未来的前景是比较乐观的。
量化投资能够战胜A股市场
《投资者报》：今年以来量化基金的杰出表现，让不少投资人惊呼“量化的春天已经到来”，对于市场上的这种乐观情绪，田总又是怎么看的？
卿：在国际市场，量化投资在投资领域已经占有了重要的一席之地。当前的A股市场中量化分析的运用程度还非常低，所以我们相信量化投资的市场份额一定会逐步增大，未来的发展空间是巨大的。另外，随着市场的完善，量化投资有机会为市场提供像绝对收益等的新产品，使得市场中的投资产品更加丰富，投资人可以有更多的选择。
《投资者报》：相对于其它主动管理的基金，量化基金在A股市场具有哪些优势，以致其能在今年的A股市场整体领先？
卿：A股市场的特性十分适合基本面量化投资。
第一个原因是A股市场处于弱有效状态，战胜市场的机会较大。A股市场的发展历史较短，市场效率相比发达经济体低很多，因此有很多发现阿尔法因子的机会。
第二个特点是目前量化投资的市场份额小。国内目前的基本面量化产品规模总体不大，其中严格遵循量化投资理念的基金更少，因此有很大的市场空间和盈利机会。
第三是A股市场容量大，而且还在快速扩容中，给量化投资提供了足够的投资宽度和行业宽度。
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。
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。
二、基本分析与技术分析
现资理论主要区分为基本分析与技术分析两大领域，近年来研究偏向于技术分析居多，但事实上两者各有其优劣，但在不同时机各有其适合发挥的空间，如同投资大师索罗斯把景气与股价比喻为老人与狗，虽然终究价格与景气最终会抵达相同的地方，但也代表是常会有被高估和被低估的现象。总之基本分析是我们用来衡量投资期价内含价值的方法，而技术分析却常是我们用来决定买卖时机的方法。因此，两者各有其研究价值。
（1）基本分析：是指投资分析人员根据经济学、金融学、财务管理学及投资学的基本原理，对决定投资价值及价格的基本要素如宏观经济指标、经济政策走势、行业发展状况、产品市场状况、公司销售和财务状况，评估投资价值，判断合理价位，从而提出相应的投资建议的一种分析方法。基本分析的理论基础建立在以下一个前提条件之下，即任何金融资产的“真实”（或“内在”）价值等于这项资产所有者的所有预期收益流量的现值。基本分析的架构可分为三部分，包括宏观经济分析，产业分析及公司分析，总体经济分析又可以从经济增长率、物价指数、利率、汇率、货币供给额来做研究。
（2）技术分析。技术分析是通过图表型态解析（Chart analysis），或计量化技术指标（Technical index）的买卖信号，分析过去及现在价格变化的走势，以推演未来价格的变动趋势（Trend），但不予深入探讨其变动的理由。图表型态解析的技术分析，是运用股价变化走势所构成的各种图形，以推测未来价格的变动趋势。例如，道氏理论、波浪理论及由趋势线所画出的支撑线、阻力线、W底、M头等价格型态，皆属于此种技术指标。技术分析是以统计学为工具，发展出一些可以帮助投资人，以较客观及科学化的市场信息，通过明确的数值及机械化的买卖信号来研判买卖时机，寻找能预测出期市买卖点及超买超卖现象的指标。因此，技术分析的目的，在决定买卖时机。技术分析在以交易资料侦测市场供需变化，掌握套利机会并借此获取超额报酬。技术分析的基本假设如下：一是价格由供需关系决定，以形成趋势型态变动。二是历史将会一再地重演，投资人可利用过去价格的变动资料或趋势，预测未来价格的变动趋势。也就是贪婪与恐惧（或害怕）是影响投资人的主要情绪。实务上，技术分析的方法很多，主要可分为图表型态及计量化指标分析。
三、研究设计与结论分析
本研究运用移动平均线和VIX指数结合的方法，对我国期货市场上的农产品、能源化工和金属三大类期货品种的综合表现进行分析。研究区间为金融危机之后的2008年11月至2014年7月。
主板基本面展望：上半年稳健
虽然2013年全年，自上而下的市场分析方法面临了严峻的考验，如2012年四季度经济回升力度超出市场普遍预期，经济拐点提前到来，但在市场一片乐观呼声中却仅持续了一个季度，2013年上半年经济迅速转弱。下半年，在经历了6月资金面“压力测试”后，诸多宏观经济预判都对此后的经济走势极为悲观，但实际情况却再次偏离市场一致预期，7.8%的三季度GDP相对于二季度大幅回升0.3个百分点。
我们的宏观经济量化预测结果显示，2013年四季度GDP在7.6%附近，且2014年一季度也保持同样增速水平。虽然2013年市场风格差异极大，代表传统经济的主板指数在“三中全会经济结构调整”、“利率市场化改革”、“地方债务平台整治”、“美国逐渐退出国债购买计划”、“环境保护和大气治理”等负面信息的压制下表现欠佳，但至少到2014年一季度经济没有大幅下行风险。
定性分析下，我们也认为目前处在政策敏感期，在三中全会《决议》对各改革方向提出指导性意见后，具体细则落实情况成为影响未来一年政策整体松紧的关键因素，例如市场比较关心的“优先股推进时点及方式”、“自贸区资本项放开程度和时点”、“注册制IPO的推进和方式”、“房产税收制度的推进和落实”、“利率市场化后银行的业务范围变化”、“资产证券化和地方融资债务的处置”等问题，其中每一个都有可能在公布和落实中成为市场进一步走强的重要催化剂。
作为量化研究，我们希望在细分数据上得到更多的逻辑验证。图中罗列了我们较为关心的中国经济四大周期行业数据，分别是电力、钢铁、水泥、煤炭。在投资导向型经济体中，上述指标走势基本能够反映经济整体走向，图中框选部分为2013年2-6月，可清晰看出一段显著下行趋势，这也是众多宏观经济分析的错判区间，在库存周期波动干扰下，始于2012年末的经济反弹提前终结！但从量化维度上，我们却早在3月上旬便敏锐发现了其中的变化，这得益于众多周期行业模型的跟踪结果。
基于我们量化基本面预测体系的最新数据，各行业产量增速走向存在一定差异。如发电量增速未来3个月内将小幅下行，预计高点在10-11月形成；钢铁行业未来三个月基本面走势或也将趋于谨慎，预计产量增速也将出现下行；水泥行业谨慎乐观，预计原有产量、价格增速的上行趋势仍将延续，但提升幅度有限；煤炭行业相对乐观，预计2013年6月后的基本面回暖趋势有望至少延续至2014年一季度，包括产量和价格的同比增速继续改善。
综合以上四行业走向，两降两升的预判若完全兑现，基本预示着宏观经济整体的平稳过渡。考虑到当前市场估值中蕴含了对中国经济最悲观的预期，因此我们判断2014年上半年市场整体将延续估值修复特征，整体重心继续上移，对应上证综指参考波动区间为2100-2500点。
创业板基本面展望：或现短期指数调险
我们过去的研究结果表明，沪深300、中小板、创业板等市场板块的业绩同价格指数走势存在显著的对应关系，两者高低点之间领先滞后关系稳定。
上述研究的重要意义在于，其反映出市场对于业绩的高度敏感性，也进一步明确了基本面研究和预测工作的重要性。尤其是创业板上的业绩与股价对应关系也没有出现例外，这说明在故事和题材之外，在进行3个月以内的中短期投资中，业绩波动仍旧是必须关注的重点因素之一。从创业板业绩与股价对应关系可以看出，2011年一季度、2012年四季度两次出现业绩、股价下滑的双重拐点，2013年全年创业板则基本呈现两个序列同步提升状态，我们需要关心的是下一个拐点出现的位置。
业绩预测模型给出了令人担忧的结果，虽然2013年四季度仍能看到业绩的进一步提升，但2014年一季度将有可能看到较为显著的增速下降情况即“业绩低于预期”。
考虑到2013年四季度和2014年一季度的业绩预测结果以及当前1200点以上的指数点位，我们对2014年上半年的创业板行情从6月中报时的乐观转为谨慎，预计创业板综指波动中枢将下降到1100点附近，参考波动区间1000-1300点，超预期上行风险可能在2014年5-6月之后。
中长期角度下，我们对改革红利释放对于国内中小企业的正面影响也充满信心，但中短期市场则难免受到消息和业绩披露的影响，2014年一季度可能出现的业绩减速将大概率上对指数产生负面影响，届时市场的预期也将逐渐回复到一个更理性的水平上。
量化情绪面维度下的中短期市场状态分析
量化资产配置情绪面，主板折溢价创历史低位，否极泰来。虽然市场2013年7月便开始触底回升，但我们监控的主板折溢价指数依旧处于历史最低水平，反映市场情绪极度谨慎，预计2014年的情绪修复将带来估值提升；持续跟踪的市场“恐慌贪婪”指标目前指向大众投资者的“羊群效应”短期内还不足以独立引导市场走势，建议更多关注市场基本面和政策面变化影响；最后，目前机构对创业板的相对持仓水平已从上半年的单边增持转变为高位震荡，预示创业板/主板轮动关系已进入平稳期，需警惕未来业绩不达预期风险下的机构减持可能对板块带来的负面冲击。
二、量化投资“黑箱”中的构造与证券投资学的差异
在传统的证券投资学中，投资组合理论、资本资产定价模型、套利定价理论和期权定价理论是现代金融理论的四块基石。前两者主要依靠均值-方差组合优化的思想，后两者则主要依靠市场的无套利条件。传统的投资方法主要是基本面分析和技术分析两大类，而量化投资则是“利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程”。从概念看，量化投资既不是基本面分析，也不是技术分析，但它可以采用基本面分析，也可以采用技术分析，关键在于依靠模型来实现投资理念与投资策略。为了分析量化投资对证券投资学的启示，本文从量化投资“黑箱”的各个构成来探讨量化投资与证券投资学中思路和观点的差异。
（一）资产定价与收益的预测
根据组合优化理论，投资者将持有无风险组合与市场风险资产组合，获得无风险利率与市场风险溢价。资本资产定价模型则将此应用到单一证券或组合，认为证券的风险溢价等于无风险利率加上与风险贡献比率一致的风险溢价，超过的部分就是超额收益，即投资组合管理所追求的阿尔法值。追求显著正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中，法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说，在因素定价方面，量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择，证券投资学认为，对资产价格的影响，长期应主要关注基本面因素，而短期应主要关注市场的交易行为，即采用技术分析。在量化投资中，主要强调按照事先设定的规则进行投资，这在一定程度上与技术分析类似。但是，在技术分析中，不同的人会有不同的结论，而量化投资则强调投资的规则化和固定化，不会因人的差异而有较大的不同。另外，量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。
（二）无套利条件与交易成本
在证券投资学里，流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券，投资者可以自由买卖证券。这主要是为了保证各种交易都能实现，如套利交易。根据套利定价理论，一旦市场出现无风险的套利机会，理性投资者会立即进行套利交易，当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中，对市场中套利限制与非流动性的关注较少，这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下，金融资产交易的过程及其结果，旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中，不同的市场微观结构对市场流动性的冲击是不同的。因而，从量化投资的角度看，为了降低交易带来的价格冲击，能实施量化投资策略的证券往往都应有较好的流动性，因为交易时非流动性直接影响投资策略的实施。从这个意义上讲，量化投资时的交易成本不仅包括交易费用，更主要的是要考虑市场交易冲击的流动性成本。
（三）风险控制与市场情绪
在证券市场中，高收益与高风险相匹配。量化投资在追求高收益的同时，不可避免地承担了一定的风险。在证券投资学中，系统性风险主要源于宏观经济因素，非系统性因素则主要源于行业、公司因素，并且不考虑市场交易行为的影响。在量化投资中，较多地使用因素定价模型，不仅会考虑市场经济因素，而且会考虑交易行为等因素，只是不同的模型有不同的侧重点，在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外，量化投资还有自身不可忽视的风险源。一方面，量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，隐藏着巨大的风险。另一方面，市场冲击的流动性成本也是量化投资的风险控制因素，理所当然地在图1的风险控制模型中体现出来。另外，在一般的投资过程中，市场情绪或多或少会成为风险控制的一个对象。然而，在量化投资中，更多的交易都是通过计算机来实现的，如程序交易等，这样以来，投资者情绪等因素对投资决策的影响相对较小。所以，在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪，主要是通过承担适度的风险来获得超额回报，因为毕竟减少风险也减少了超额回报。
（四）执行高频交易与算法交易
在对未来收益、风险和成本的综合权衡下，实现投资策略成为量化投资的重要执行步骤。为了达到投资目标，量化投资不断追求更快的速度来执行投资策略，这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里，技术分析认为股价趋势有长期、中期和短期趋势，其中，长期和中期趋势有参考作用，短期趋势的意义不大。然而，随着计算机信息科技的创新，量化投资策略之间的竞争越来越大，谁能运作更快的量化模型，谁就能最先找到并利用市场错误定价的瞬间，从而赚取高额利润。于是，就诞生了高频交易：利用计算机系统处理数据和进行量化分析，快速做出交易决策，并且隔夜持仓。高频交易的基本特点有：处理分笔交易数据、高资金周转率、日内开平仓和算法交易。高频交易有4类流行的策略：自动提供流动性、市场微观结构交易、事件交易和偏差套利。成功实施高频交易同时需要两种算法：产生高频交易信号的算法和优化交易执行过程的算法。为了优化交易执行，目前“算法交易”比较流行。算法交易优化买卖指令的执行方式，决定在给定市场环境下如何处理交易指令：是主动的执行还是被动的执行，是一次易还是分割成小的交易单。算法交易一般不涉及投资组合的资产配置和证券选择问题。
三、对量化投资在证券投资教学中应用的思考
从上述分析可以知道，量化投资的“黑箱”构造与证券投资学之间存在一定的差异，因此，在证券投资的教学中应当考虑量化投资发展的要求。
（一）市场微观结构与流动性冲击
在理性预期和市场有效假说下，市场价格会在相关信息披露后立即调整，在信息披露前后市场有着截然不同的表现。在证券投资学里，一般认为价格的调整是及时准确的，然而，现实的世界里，价格调整需要一个过程。在不同的频率下，这种价格形成过程的作用是不同的。在长期的投资中，短期的价格调整是瞬间的，影响不大。然而，在高频交易中，这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型：存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响，解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程，认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型，这些市场微观结构的研究加强了流动性与资产价格之间的联系，强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容，因而，为了加强证券投资学的实用性，应关注市场微观结构的内容与发展。
（二）业绩评价与高杠杆
对于证券组合而言，不仅要分析其超额收益和成本，还要考虑其风险与业绩。在组合业绩评价中，一方面要考虑风险的衡量，另一方面则要分析业绩的来源。在证券投资学中，组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言，市场时机和管理者的能力依然重要，然而，量化投资的业绩评价还应考虑另一个因素：高杠杆。量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，在市场好的时候扩大收益，但在市场不好的时候会加速亏损，这些与传统的业绩评价就不太一样。在一般的证券投资学里，业绩评价主要考虑经风险调整的收益，很少考虑其杠杆的作用，这不仅忽略了杠杆的贡献，而且有可能夸大了投资者的技能水平。
（三）人为因素与模型风险
在量化投资中，非常注重计算机对数据和模型的分析，这突出了量化投资的规则性和固定性。然而，实际中，别看量化采用了各种数学、统计模型，但策略设计、策略检测和策略更新等过程都离不开人的决策。量化交易策略与判断型交易策略的主要差别在于策略如何生成以及如何实施。量化投资运用模型对策略进行了细致研究，并借助计算机实施策略，能够消除很多认为的随意性。但是，量化策略毕竟体现投资者的交易理念，这一部分依赖于投资者的经验，一部分依赖于投资者对市场的不断观察与更新。实际上，人始终处于交易之中，对于市场拐点以及趋势反转的判断主要还是依赖投资者的经验。光大的乌龙指事件充分表明了人为因素在量化投资中的两面性：决策实施依赖于人的设定，而人的设定不仅依赖于经验，而且人还会犯错。人之所以会犯错，一方面是因为人们对市场的认知是不完全的，另一方面则是人们使用了错误的模型。经典的证券投资理论中，股票价格的变动被认为是随机的，小概率事件出现的机会比较小，但是经验研究表明股票收益率具有肥尾现象，小概率事件发生的机会超出了人们原先的认识，即市场还会出现“黑天鹅”。更为关键的是，量化投资更依赖数学和统计模型，这就使得量化投资存在较大的模型风险，即使用了错误的模型。为了防范模型风险，应采用更为稳健的模型，即模型的参数和函数应该适应多种市场环境。近年来，研究表明，证券收益及其与风险因素的关系存在较大的非线性，同时，市场中存在一定的“噪声”，采用隐马尔科夫链等随机过程和机器学习等数据挖掘技术进行信息处理成为量化投资的重要技术支持。
（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[4]。追求显著正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中，法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说，在因素定价方面，量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择，证券投资学认为，对资产价格的影响，长期应主要关注基本面因素，而短期应主要关注市场的交易行为，即采用技术分析。在量化投资中，主要强调按照事先设定的规则进行投资，这在一定程度上与技术分析类似。但是，在技术分析中，不同的人会有不同的结论，而量化投资则强调投资的规则化和固定化，不会因人的差异而有较大的不同。另外，量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。
（二）无套利条件与交易成本
在证券投资学里，流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券，投资者可以自由买卖证券。这主要是为了保证各种交易都能实现，如套利交易。根据套利定价理论，一旦市场出现无风险的套利机会，理性投资者会立即进行套利交易，当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中，对市场中套利限制与非流动性的关注较少，这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下，金融资产交易的过程及其结果，旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中，不同的市场微观结构对市场流动性的冲击是不同的。因而，从量化投资的角度看，为了降低交易带来的价格冲击，能实施量化投资策略的证券往往都应有较好的流动性，因为交易时非流动性直接影响投资策略的实施。从这个意义上讲，量化投资时的交易成本不仅包括交易费用，更主要的是要考虑市场交易冲击的流动性成本。
（三）风险控制与市场情绪
在证券市场中，高收益与高风险相匹配。量化投资在追求高收益的同时，不可避免地承担了一定的风险。在证券投资学中，系统性风险主要源于宏观经济因素，非系统性因素则主要源于行业、公司因素，并且不考虑市场交易行为的影响。在量化投资中，较多地使用因素定价模型，不仅会考虑市场经济因素，而且会考虑交易行为等因素，只是不同的模型有不同的侧重点，在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外，量化投资还有自身不可忽视的风险源。一方面，量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，隐藏着巨大的风险。另一方面，市场冲击的流动性成本也是量化投资的风险控制因素，理所当然地在图1的风险控制模型中体现出来。另外，在一般的投资过程中，市场情绪或多或少会成为风险控制的一个对象。然而，在量化投资中，更多的交易都是通过计算机来实现的，如程序交易等，这样以来，投资者情绪等因素对投资决策的影响相对较小。所以，在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪，主要是通过承担适度的风险来获得超额回报，因为毕竟减少风险也减少了超额回报。
（四）执行高频交易与算法交易
在对未来收益、风险和成本的综合权衡下，实现投资策略成为量化投资的重要执行步骤。为了达到投资目标，量化投资不断追求更快的速度来执行投资策略，这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里，技术分析认为股价趋势有长期、中期和短期趋势，其中，长期和中期趋势有参考作用，短期趋势的意义不大。然而，随着计算机信息科技的创新，量化投资策略之间的竞争越来越大，谁能运作更快的量化模型，谁就能最先找到并利用市场错误定价的瞬间，从而赚取高额利润。于是，就诞生了高频交易：利用计算机系统处理数据和进行量化分析，快速做出交易决策，并且隔夜持仓。高频交易的基本特点有：处理分笔交易数据、高资金周转率、日内开平仓和算法交易。[5]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。
二、对量化投资在证券投资教学中应用的思考
从上述分析可以知道，量化投资的“黑箱”构造与证券投资学之间存在一定的差异，因此，在证券投资的教学中应当考虑量化投资发展的要求。
（一）市场微观结构与流动性冲击
在理性预期和市场有效假说下，市场价格会在相关信息披露后立即调整，在信息披露前后市场有着截然不同的表现。在证券投资学里，一般认为价格的调整是及时准确的，然而，现实的世界里，价格调整需要一个过程。在不同的频率下，这种价格形成过程的作用是不同的。在长期的投资中，短期的价格调整是瞬间的，影响不大。然而，在高频交易中，这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型：存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响，解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程，认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型，这些市场微观结构的研究加强了流动性与资产价格之间的联系，强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容，因而，为了加强证券投资学的实用性，应关注市场微观结构的内容与发展。
（二）业绩评价与高杠杆
对于证券组合而言，不仅要分析其超额收益和成本，还要考虑其风险与业绩。在组合业绩评价中，一方面要考虑风险的衡量，另一方面则要分析业绩的来源。在证券投资学中，组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言，市场时机和管理者的能力依然重要，然而，量化投资的业绩评价还应考虑另一个因素：高杠杆。量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，在市场好的时候扩大收益，但在市场不好的时候会加速亏损，这些与传统的业绩评价就不太一样。在一般的证券投资学里，业绩评价主要考虑经风险调整的收益，很少考虑其杠杆的作用，这不仅忽略了杠杆的贡献，而且有可能夸大了投资者的技能水平。
（三）人为因素与模型风险
在量化投资中，非常注重计算机对数据和模型的分析，这突出了量化投资的规则性和固定性。然而，实际中，别看量化采用了各种数学、统计模型，但策略设计、策略检测和策略更新等过程都离不开人的决策。量化交易策略与判断型交易策略的主要差别在于策略如何生成以及如何实施。量化投资运用模型对策略进行了细致研究，并借助计算机实施策略，能够消除很多认为的随意性。但是，量化策略毕竟体现投资者的交易理念，这一部分依赖于投资者的经验，一部分依赖于投资者对市场的不断观察与更新。实际上，人始终处于交易之中，对于市场拐点以及趋势反转的判断主要还是依赖投资者的经验。光大的乌龙指事件充分表明了人为因素在量化投资中的两面性：决策实施依赖于人的设定，而人的设定不仅依赖于经验，而且人还会犯错。人之所以会犯错，一方面是因为人们对市场的认知是不完全的，另一方面则是人们使用了错误的模型。经典的证券投资理论中，股票价格的变动被认为是随机的，小概率事件出现的机会比较小，但是经验研究表明股票收益率具有肥尾现象，小概率事件发生的机会超出了人们原先的认识，即市场还会出现“黑天鹅”。更为关键的是，量化投资更依赖数学和统计模型，这就使得量化投资存在较大的模型风险，即使用了错误的模型。为了防范模型风险，应采用更为稳健的模型，即模型的参数和函数应该适应多种市场环境。近年来，研究表明，证券收益及其与风险因素的关系存在较大的非线性，同时，市场中存在一定的“噪声”，采用隐马尔科夫链等随机过程和机器学习等数据挖掘技术进行信息处理成为量化投资的重要技术支持。
“股市在绝望中落地,在欢乐中升腾,在疯狂中结束”,这是索罗斯先生的不朽名句之一。以沪指6124点区间的交易量均值为“疯狂系数”,以沪指1664点区间的交易量均值为“绝望系数”,二者的比值为1:0.20。以此为参数,2009年7-8月沪指3478点区间的交易量均值为疯狂,今年5-6月的交易量均值为绝望,二者相比的比值为1:0.24,因此可判断股市大幅下跌的空间有限,得出结论是6月就是底部。
股市的绝望与疯狂指标具有双重参考意义。第一,参考其他基本面分析数据,预测超跌企稳。第二,参考其他基本面分析数据,防范股市的过度疯狂。具体说来,如果沪深两市的合计成交量连续数日为底部区间交易量的4-5倍之时,股市的“情绪性顶部”可能形成。从长期趋势看,具体的量化数据如交易额的数量将逐步提高,但疯狂与绝望之间的交易量比例则大致不变,因此可作为辅的股市预测工具。股市分析有三大流派,基本面研究的优点在于选股,技术面研究的优点在于选价,行为面的研究则重于看“势”,三者缺一不可,分别对应于股市的“三驾马车”,即业绩增长、资金流量和情绪状态。
2011年以来，随着投资者对股指期货、融资融券等做空工具认识的深入，对券商自营参与股指期货不俗表现的考察，基金专户、信托、券商资管甚至有限合伙制的“量化对冲”型产品不断发行。但是由于“量化”相对来说对于数学、计算机等技能要求比较高、模型化程度较高，往往产品管理人或营销渠道还故意渲染其“黑盒子”特征，让它们产生更多的神秘感和高深度。事实上“量化对冲”并不复杂，其中量化是获取收益的方法，是和基本面、技术分析相并列的几个证券投资分析方法之一；而对冲才是关键，它是管理风险的手段，通过对冲来规避市场系统性风险，从而在市场整体下跌过程中还能获利。
由此可见，量化和对冲并非同一回事情。量化不仅可以管理对冲型产品，也可以在公募基金中很好的运用。比如，2012年8月底成立的交银阿尔法核心股票基金就是以量化的方法进行管理的，在成立不到三个月的时间中就超越沪深300指数1.5%。同样，对冲基金可以用量化的方法来管理，比如文艺复兴科技公司的大奖章基金等；也可以用基本面方法来打造，比如鲍尔森基金、索罗斯的量子基金等。运用基本面方法进行管理的对冲基金同样有不俗的表现，美国市场1998-2008年十年间基本面中性对冲基金平均年收益9.1%，远超过很多共同基金、量化的对冲基金。本文希望能够通过对对冲基金策略逻辑及原理的分析，为投资者和学术研究人员进一步了解市场及新兴的资产管理模式提供帮助。
共同基金与对冲基金――低利率高波动环境下的专业化分工选择
（一）共同基金
共同基金早于对冲基金诞生，它起源于英国，盛行于美国。在美国，共同基金的发展得到了法律的支持与推动（如1933年的《证券法》、1934年的《证券交易法》、1940年的《投资公司法》和《投资顾问法》），形成了完整的制度体系与运作流程。在长达数十年的发展过程中，共同基金为投资者带来了丰富的回报，但同时也暴露了自身的缺陷，即共同基金无法规避系统风险，它们在熊市来临时只能减少但不能消灭损失。也就是说，共同基金的收益率与股票、债券等基础市场的相关性较高。而且，并不是所有的共同基金都可以跑赢基准（即所谓的相对收益），先锋基金公司鲍格尔研究发现，1942-1997年间，主动型共同基金平均落后标普500指数约1.3%，即主动型共同基金在平均意义上无法跑赢比较基准。
（二）对冲基金
在出现低利率、高波动性与低证券投资收益的背景下，投资者需要寻找另类的投资工具，以满足其追求绝对收益的需求。对冲基金投资范围广、投资策略灵活，既可以在经济繁荣时获利，也可以在经济萧条时获利，因此获得了较好的投资效果。对冲基金（Hedge Fund）又称套利基金或避险基金。对冲（Hedge）一词，原意指在赌博中为防止损失而采用两方下注的投机方法，因而把在金融市场既买又卖的投机基金称为对冲基金。美国的对冲基金是随着美国金融业的发展、特别是期货和期权等交易的出现而发展起来的。对冲基金起源于20世纪50年代初的美国，原意是指广泛利用金融衍生产品进行风险对冲的一类基金。然而，对冲基金后来的发展大大超出其原本含义。如今人们普遍认为，对冲基金是利用各种金融衍生产品的杠杆效用，承担高风险、追求高收益的一种投资模式。
那么，对冲基金到底是什么呢？实际上，对冲基金具有十分丰富的内涵，很难进行精确定义。不过，通过考察和比较各类对冲基金，依然可以发现以下共同特征：
采取有限合伙制，多为私募形式。由于操作上要求高度的隐蔽性和灵活性，因此，对冲基金采取有限合伙制且以私募形式募集资金，这样可以避开针对公募基金的监管需求例如信息披露、投资组合限制等。投资者以资金入伙，但是不参与投资活动；发起人同样以资金入伙，但负责基金的投资决策与销售管理。一般来说，合伙人的数量受到严格控制，例如美国要求控制在100人以下。
追求绝对收益。追求绝对收益是对冲基金的典型特征，这一点与共同基金明显不同。共同基金的业绩评价一般采取“相对收益”，以跑赢市场、获得高于市场基准的收益为目标，而对冲基金则以“绝对收益”为目标，不强调与市场基准的关联度。
发起人放入自己的资金，采用激励管理费率。对冲基金的发起人会将自有资金放入所管理的基金中，管理费率则采取“固定费率+业绩提成”的方式，这便使得对冲基金的发起人与投资者建立起“风险共担，收益共享”的关系。
使用杠杆，多头/空头，操作非常灵活。对冲基金的投资范围非常广，涉足利率、汇率、股市等多个市场。对冲基金的投资策略非常灵活，不仅建立多头头寸，也会根据市场判断和策略需要建立空头头寸。而且，由于追求绝对收益，因此对冲基金常常使用杠杆，包括杠杆借贷（利用银行信用放大资金倍数）、杠杆投资（利用衍生品放大投资系数）等，以追求最大程度的高回报。由于操作上的高度隐蔽性、灵活性以及杠杆效应，对冲基金在现代国际金融市场的投机活动中担当了重要角色。
综上所述，对冲基金经过几十年的不断演变，已经成为一种新的投资模式的代名词―即采取有限合伙人制和激励管理费率，基于前沿的投资策略与复杂的投资技巧，充分利用金融衍生品的杠杆效应，追求绝对收益的投资模式。
（三）共同基金与对冲基金的比较
对冲基金与共同基金的比较如表1所示，其本质区别是法律结构的差异。共同基金具有更加透明的信息披露，更加严格的监管环境。而对冲基金由于其私下募集性质，因此具有更加灵活的操作方式。从风险管理水平来看，共同基金通过组合分散来管理风险，但是无法规避系统性风险；而对冲基金则通过对冲来规避风险。
对冲策略原理与实证分析
对冲策略通过构建多空头寸进行风险规避，是最常见的获得准绝对收益的手段。最传统的对冲策略是套利策略，通过寻找市场错误定价的机会，建立相反方向的头寸来获取收益。最典型的对冲策略是Alpha策略，通过构建相对价值策略来超越指数，然后通过指数期货或期权等风险管理工具来对冲系统性风险。另外，中性策略也是比较典型的对冲策略，通过构造股票多空组合减少对某些风险的暴露，可以分为基于基本面和基于统计的两种类型，配对交易就属于后者。第四类对冲策略是事件驱动型策略，通过寻找可能进行重组、收购、兼并、破产清算或者其他事件的公司，买入股价受事件正面影响的公司，卖出股价受事件负面影响的公司。
（一）套利策略：最传统的对冲策略
套利策略包括转债套利、股指期货期现套利、跨期套利、ETF套利等，是最传统的对冲策略。其本质是金融产品定价“一价原理”的运用，即当同一产品的不同表现形式之间的定价出现差异时，买入相对低估的品种、卖出相对高估的品种来获取中间的价差收益。因此，套利策略所承受的风险是最小的，更有部分策略被称为“无风险套利”。
A股市场发展最为成熟的套利策略应该是ETF套利，虽还不能称产业化，但是已经有专业化从事ETF套利的投资公司。套利者通过实时监测ETF场内交易价格和IOPV之间的价差，当场内价格低于IOPV一定程度时，通过场内买入ETF，然后执行赎回操作转换成一篮子股票卖出，来获取ETF场内价格和IOPV之间的价差。反之，当IOPV低于场内价格时，通过买入一篮子股票来申购ETF份额，然后场内卖出ETF来获利。除此之外还有ETF新发阶段、成份股停牌等情形都可能出现套利机会。当然，随着套利资金的参与，ETF套利机会在不断收窄，因此，即使是专业从事套利的投资公司也开始向统计套利或延时套利策略延伸。
股指期货、融资融券等衍生品和做空工具的推出创造了更多的套利机会。2010年和2011年套利收益最大的来源是股指期货和现货之间的套利机会。沪深300股指期货上市以来大部分时间处于升水状态，因此通过买入沪深300一篮子股票同时卖出期货合约，当期货合约到期时基差收缩就能获利。除了买入沪深300股指期货之外还可以通过上证50、上证180和深证100等ETF来复制股票现货，这也是这三支ETF在股指期货推出之后规模快速增长的原因之一。当然随着沪深300ETF的上市，期现套利便利性进一步得到提升，这或许也是最近沪深300指数期货升水水平快速下降的原因之一。
当前市场中比较热的套利机会来自分级基金。分级基金是国内基金业特有的创新产品，它从出现开始就受到广泛投资者的追捧。比如2012年截至三季度末，在上证指数下跌5%，大量股票基金规模萎缩的情况下，股票型分级基金场内份额增长了108%。其主要原因是分级基金在将传统的共同基金拆分成稳定收益和杠杆收益两种份额的同时，给市场提供了众多的套利机会―上市份额和母基金之间的套利机会、稳定收益份额二级市场收益套利机会、定点折算和不定点折算带来的套利机会。部分基金公司已经在发行专门从事分级基金套利的专户产品。
（二）Alpha策略：变相对收益为绝对收益
Alpha策略成功的关键就是寻找到一个超越基准（具有股指期货等做空工具的基准）的策略。比如，可以构造指数增强组合+沪深300指数期货空头策略。这种策略隐含的投资逻辑是择时比较困难，不想承受市场风险。图1和图2是根据一个定量增强策略对冲系统性风险之后的月度Alpha收益和滚动年Alpha收益。通过对冲策略，组合63.16%的月份获得正的收益，而从年滚动收益来看，获取正回报的概率是89.32%。从收益来看，2000年以来平均每个月高达0.98%，2006年以来月收益达2.18%，而2000年以来滚动年收益平均为16.05%，2006年以来滚动年收益平均为36.73%。其中获取负收益的时间主要集中在2005-2006年股改期间，定量策略失效，未能成功战胜沪深300。在国内基金运行的这几年中，基金表现出卓越的选股能力，通过Alpha策略可以成功地放大基金公司这方面的专业技能。
（三）中性策略：从消除Beta的维度出发
市场中性策略可以简单划分为统计套利和基本面中性两种，中性策略表现数据相对有限，主要是这一类策略数据常常包含基本面多空、波动率套利等策略的表现。中性策略和多空策略很多情况下方法和思想比较类似，只是中性策略尝试在构造避免风险暴露的多空组合的同时追求绝对回报。因此，多头头寸和空头头寸的建立不再是孤立的，甚至是同步的。多头头寸和空头头寸严格匹配，构造出市场中性组合，因此其收益都源于选股，而与市场方向无关―即追求绝对收益（Alpha），而不承受市场风险（Beta）。
基于统计套利的市场中性表现往往优于基于基本面的市场中性，主要原因是统计套利的信息来源更加广泛，换手率也较高。在市场中性策略方面，中信证券金融工程及衍生品组研究也分两个方面进行，一方面是研究境外市场中性策略的发展及其最近的进展，另一方面也在做本土化的尝试。尤其是融资融券推出之后，在国内市场开发中性策略产品已经成为可能。图3和图4分别给出基于组合的统计套利策略表现和基于配对的统计套利交易案例，可以发现，在融资融券标的中运用统计套利能够获得非常稳定的收益，这和境外市场表现很相近。
（四）事件驱动策略：分享事件冲击的“红利”
在任何一个市场，事件发生在影响企业基本面之前首先影响的是市场参与者的预期，然后就会直接冲击股价，A股市场也不例外。事件驱动策略通过关注正在或可能会进行重组、收购、兼并、破产清算或其他特殊事件的公司，当股价受到这些事件冲击时，就能从中获利。股改时期寻找下一个股改的公司、司空见惯的寻找具有重组题材的公司等都是事件驱动策略的体现。中信证券金融工程及衍生品组针对A股市场上分离债发行、分红送配、股权激励、成分股调整等都进行过事件研究，通过捕捉事件在不同环节对股价的冲击节奏来获取超额收益。
图5和图6分别给出白酒行业和钢铁行业过去发生的两个可以运用事件驱动策略的案例。2009年9月8日水井坊公告全兴集团中外双方股东自2009年9月9日起举行正式会谈；2001年3月2日DHHBV将持有全兴集团53%的股权，并将间接控制全兴集团现时持有的公司39.71%的股权，从而触发要约收购义务。这个事件本身对于水井坊而言应该属于利好，市场预期应该是会强于行业。因此可以选择公告出来之后做多水井坊卖空其他白酒公司来对冲风险，比如贵州茅台、五粮液等行业比较有代表性的公司。从图5可以发现，水井坊公告之后，股价走势明显强于贵州茅台等同业公司。水井坊2009年9月16日股价复牌之后三个月内上涨了20%，而贵州茅台股价基本没有发生大幅波动。同样，2008年12月28日唐钢股份与邯郸钢铁、承德钒钛签署换股吸收合并。唐钢股份（吸收合并完毕后为河北钢铁）在短短的2个月时间内股价就从4.1元上涨到6.30元，涨幅超过50%；到2009年8月份股价最高达到11.32元。而同期钢铁行业代表性公司宝钢股份表现相对落后。在这两个事件中，买入受事件刺激的股票、卖出行业代表性公司，可以不承受市场系统性风险获取事件影响带来的超额收益。
当然，事件驱动策略收益和事件发生频率密切相关。从CS/Tremont并购套利策略表现来看，当全球并购事件交易量较高时，并购驱动策略表现会更好。根据花旗集团和汤森路透等机构等的统计，近几年并购事件多发区域从欧美市场向亚太等新兴市场转移，预计擅长事件驱动策略的资金也会随之转移，并且强化事件对于股票价格的冲击。并购事件也是A股市场永恒的主题之一，尤其是近几年央企整合在加速。同时，融资融券业务的试点，各个行业的代表性大公司大多数是属于融资融券标的，买入具有事件发生的公司卖出行业代表性公司来获取事件驱动收益是切实可行的。
结论
迄今，互联网对各传统产业的颠覆性影响已得到广泛认知。与一些业态被完全改写的行业相比，互联网对金融领域的冲击才刚刚开始――公募基金首当其冲；而在整个证券投资领域，互联网在资讯、研究、产品、销售等各方面，都在推动市场转型；甚至连银行这样的金融领域“巨无霸”都险些被余额宝撼动。
随着互联网金融方面的创新不断涌现，金融机构与互联网公司合作的深度、广度将极大拓展，创新能力将决定金融机构在未来行业中的竞争地位。
量化“投资者情绪”成创新热点
按照宣传，“新浪-南方”指数是“在南方基金量化投资研究平台的基础上，通过对新浪财经频道和微博财经大数据予以分析，找出股票热度预期、成长预期、估值提升预期的关系，构建策略因子，精选出具有超额收益预期的股票，编织成最终指数”；而“百度-广发”指数，是“以百度网页搜索和百度新闻搜索为基础的数据分析应用指标，可以反映不同关键词在过去一段时间的用户关注度和媒体关注度，也是利用互联网大数据挖掘投资者金融行为的工具。”两者皆指向互联网上投资者情绪的量化应用。
投资者情绪受到重视有内外两方面的因素：一方面，传统、教科书式的投资理论没有纳入对投资者非理的分析，因此，对股价的解释力差强人意。这在过去数年A股市场表现得特别明显。股价很大程度上是被“事件――情绪”所驱动，A股投资者越来越意识到了非基本面的市场情绪因素的重要性，迫切需要对其进行分析。另一方面，互联网进入大数据时代，为投资者情绪的挖掘和量化准备了技术条件。
股市中有一个说法，叫做“唯一确定的事情就是不确定”。而股市之变幻莫测，外部事件冲击固然纷至沓来，但投资者对事件的理解和反应，其复杂性往往更胜一筹。面对类似事件，投资者反应甚至截然相反。其中一些财经政策和数据的，市场反应还可以用预期来说明；而更多事件的反应脱离了当时市场心理状态则完全无从解释。
例如，“上海自贸区”概念股走出了一波大幅上涨的行情，同为区域经济政策题材的“京津冀一体化”概念股却表现一般。再比如，近一年多来驱动军工股、信息安全概念股的热点事件不断，两类股票总体上也表现强势，但若试图将事件强度与股价表现做一一对应，则难免失望。从某种程度来说，投资者的反应比事件的发生更难预料。
简而言之，在事件和股价之间，并不必然存在按图索骥的对应关系，必须考虑到投资者情绪所带来市场反应的复杂性。按事件分类，少数事件重要到足以成为股价变化的充分条件，投资者情绪无法不被引爆，这就像是一个物理反应；而多数事件对股价的影响可看做一个化学反应，投资者情绪就是催化剂――情绪爆发就发生反应；没有情绪就悄无声息。
风险偏好频谱
从理性角度看，A股市场上存在着太多无厘头的“因果关系”。例如，文章出事，网民支持马伊，伊利股份（600887.SH）上涨；奥巴马两次当选美国总统，澳柯玛（600336.SH）均涨停；局势紧张，名字中带“日”的股票下跌；李某某出事，ST天一（000908.SZ）跌停……上述现象用一种极端方式凸显了投资者情绪对股价的影响力，而与基本面完全无关。
市场情绪其来有自，所谓“投机如山岳般古老”，揭示的是人性不变。市场情绪来自于人性，很多投资者不完全由意识层面的理性做主，来进行分析判断和选择，而是屈从于潜意识的驱使，潜意识起作用的表现是激素水平激增，导致放纵情绪、任性而为。
很多投资者在买卖股票时，自认为有着合乎理性的诉求，例如，财务需要；以及恰当的操作理由，例如，基本面、政策、消息等。但真正的推动力来自潜意识层面，是激素水平的作用。其行为于是背离了财务需要的初衷，表现出赌徒心理或娱乐心理（寻找刺激）。这种非理性情绪时刻在寻找宣泄突破口，借助某个事件，再凭借意识层面的借口（比如以往经验），走向非理性操作。绝大多数投资者没有意识到上述情况，或者意识到了却无法自控，在股市中成为自身情绪的俘虏，即使建立了交易系统也难以执行。
A股基本盈利模式主要是做多，个股做空实现难度大，所以投资者情绪的宣泄在买股票方面体现得更加淋漓尽致，各种炒作类型应有尽有。在真实的A股市场中，恪守基本分析原则的理性投资者固然是极少数；看见奥巴马当选就去买澳柯玛的也并不多。如果建立一个A股投资者风格的频谱，那么按照“炒名字”、“炒代码”、“炒题材”、“炒概念”、“炒地图”、“炒行业”、“炒业绩”的次序，风格由完全的非理性而渐入理性。
而在总体上，市场风格也在理性和情绪之间摇摆。价值投资占主流的2002年-2007年，投机炒作依然不断；而在投机气氛甚嚣尘上的近两年，事件和股价的因果关系上也非全无逻辑。
只不过由于近两年极端投机行为屡屡得逞，市场情绪愈发肆无忌惮、不顾逻辑。相对应的是，投资者对于情绪的重要性也愈发重视。
尤其是市场短期内大幅波动、而基本面并没有巨变时，情绪影响显然是更好的解释。诺贝尔经济学奖得主罗伯特・希勒对1987年10月19日美股大暴跌的问卷调查中问到“哪一个理论更能描述你对股市的看法：关于投资者心理的理论，还是关于基本面的理论（例如企业利润和利率影响股价）？”调查样本中67.5%的机构投资者和64%的个人投资者选择了投资者心理理论。
不过，以时间为轴，假如A股出现风格转变迹象，则风格频谱也将发生相应改变。
把时间拉得更长，不同时资者身上也可以看到巨大的风险偏好差异。
1949年后，中国第二次人口高峰出现在1962年-1976年，2007年大牛市出现之际，这批人是购买股票和基金的主力军。大致上说他们的成长期，无论中国经济还是个人际遇，总体上处于上升。这难免助长个人盲目自信和过分乐观，这也是2007年A股达到惊人估值的因素之一。
其中很多投资者其实是抱着娱乐态度在炒股，表面上是为了财务原因，但实际上是在寻求刺激。他们所生活的时代娱乐还远没有产业化和专业化，股市涨跌带来的刺激还相当有吸引力。
80后、90后就完全不同了，他们拥有丰富、较高质量的娱乐服务，根本没必要在股市中“找乐子”，因此，对股票投资的诉求更多基于财务上的需求。当股票不能提供年化的稳定收益时，干脆去买余额宝。
虽然80后、90后的绝对生活水平肯定高于前一代人，但由于连续遭遇了升学、就业、买方等方面的激烈竞争，因为对世界的相对感受不如前一代人乐观，所以对待投资将会更理性一些。
也就是说，若对未来A股投资者风险偏好变化做预测，较大可能是情绪化和风险偏好的降低。这也被很多成熟市场已走过的历程所验证。
情绪化炒作
投资者情绪不但在“马伊”、“奥巴马”这样的人名炒作中发挥着作用，也从根本上影响着市场结构。
首先，从现象来看，股市中或多或少存在着索罗斯所称的“主流偏向”，即有别于事实的投资者带有倾向性的认知。假如投资者整体上表现理性，就可以自行纠偏，使得股价不至于过分偏离基本面。可事实上，由于情绪（比如贪婪和恐惧）的作用，投资者不但未能纠偏，反而任由“主流偏向”越走越远，严重地偏离了基本面，形成股价泡沫。可以说，在各类资产泡沫中，市场情绪有着比基本面更强的影响。而且不乏推波助澜的“主动投机者”，即看到了市场情绪可以利用，于是制造舆论、影响情绪、操纵股价，从中牟利。
其次，在上述现象中，投资者之所以无法冷静面对市场波动，能力不足是根本。主观上懒惰是能力没有得到提高的重要因素，而懒惰也是一种任性而为的情绪化表现。对于多数投资者来说，由于驱动买股票的是激素水平，根本没耐心、没能力做出基本面的研究和判断，只能随着情绪妄动，追逐短线强势股。能力需要培养，“低能力”之下的冒险操作，与缺乏培养能力的主动意识和意志力，二者都是懒惰的任性之举，并有可能形成恶性循环――越缺乏能力就越情绪化，以及越情绪化就越无法提高能力。
最后，造成上述现象的，除了懒惰的主观因素外，信息爆炸的冲击也不可小视。面临各种观念和海量资讯冲击时，如果认知体系没办法将所有这些信息包容消化，就必须采取一些自我保护措施，将绝大部分信息屏蔽在外，以免认知系统陷入矛盾和混乱。这是一般人的正常反应。但这样一来，就不可能保留较高的开放性，而错失了学习知识、整合信息、提高综合判断能力的机会。
可以说，人的记忆力、注意力，乃至心智模式的有限性，是提高能力的根本性客观约束，如果再与主观上的懒惰叠加，走向情绪化操作不可避免。在此情况下，当投资者产生买股票的需求时，就只能在有限认知和无意识选择性接受的信息中寻找目标。此时起作用的信息，一定简单、易得、易懂，股票名字的炒作就是一个例子。
综上，情绪驱动下的操作必然与简化粗陋的认知判断相伴，导致投机盛行。炒人名是情绪化炒作的极致。
投资者情绪研究
传统投资理论精确化的数学模型是建立在“理性人假设”基础上；而在真实的投资行为中，潜意识层面难以自控的情绪驱动，是很多买卖操作的深层原因，是根深蒂固内在人性的外在表现。由是，如何将“非理性主导”的“行为金融学”作为起点，对投资者情绪进行量化分析、建立模型、挖掘商业价值，成为迫切任务。
以往投资者对市场情绪影响的重要性也有定性认识，并且发展出一些草根调研式的调查方法，例如，在营业部数人头等。此外，也发掘出了一些相对专业的投资者情绪研究方法，却各有缺陷。一是对特定对象的问卷调查，调查对象包括媒体、机构投资者、个人投资者（以及上述的综合），样本多在几百个上下。存在的问题除了样本太小，还有受调查者是否诚实作答，以及知行是否一致等。
二是通过“交易类型指数”和“衍生品交易指数”来分析，例如，保证金借款变化（Change in Margin Borrowing）、未补抛空差额变化（Change in Short Interest）、认沽认购比率（ PU T/ CALL）、期望与当前波动率比（VOL）等。从逻辑关系上看，这是一个“结果指数”，是用交易后的数据来预测未来，与大数据技术可能实现的前瞻性研究不同。此外，这也取决于金融市场衍生品发达的程度，这样才能从“做空”、“加杠杆”等操作行为中提炼数据。
三是市场价格所反映的“隐形投资者情绪”，例如，封闭式基金折价率、IPO上市首日收益率等。这受到特定因素的影响较大，比如封闭式基金折价率可能与封闭式基金的投资者结构有关，中国的新股不败神话让IPO上市首日收益率也没有那么大的差异。
总之，固有的分析方法受到技术条件限制，无法对投资者情绪进行高质量的研究。而大数据时代这个局面有望打破，近年来国外一系列相关应用多取得了很好的预测效果，例如，2012年美国总统大选、Facebook上市首日表现等。
构建前瞻指标
与既往的投资者情绪研究方法相比，大数据预测在表征上有着采样数据庞大、样本多维等差别。更根本的，是大数据预测在逻辑上确实有可能找到前瞻指标。
2012年5月18日，Facebook（NASDQ：FB）上市，社交媒体监测平台DataSift监测了当天Twitter上的情绪倾向与Facebook股价波动的关联：在Facebook开盘前，Twitter上的情绪逐渐转向负面，25分钟之后，Facebook股价便开始下跌；而当Twitter上的情绪转向正面，Facebook股价在8分钟之后也开始了回弹；接近收盘时Twitter上的情绪再度转向负面，10分钟后Facebook的股价又开始下跌。该机构得出结论：Twitter上每一次情绪的转向都会影响Facebook股价的波动。
过去的投资者情绪研究和一些股市技术分析（例如波浪理论）事后解释有一定作用，却很难在逻辑上被证明是前瞻指标。而大数据技术，通过采集投资者在互联网上留下的痕迹，按照“情绪表达――买卖操作――股价变化”的逻辑顺序，将投资者情绪量化，从而完成对股价的预测。
如前文所述，激素驱动、难以自知和自制的情绪，深深埋藏于基因中，是根深蒂固的人性表现。因此，投资者情绪逻辑上有成为股价的前瞻指标。
不但投资者情绪的量化有一定内在逻辑性，在大数据应用的其他领域，同样有着较直接的因果关系。
例如，淘宝上的不同类别商品的询价行为，按照一定转化率，准确地导向购买行为。询盘数在逻辑上和事实上是购买数的前瞻指标。
马云曾表示其提前8-9个月预测到了金融危机。海关要实际出货后才能获得数据，而阿里提前半年从询盘数急剧下滑推断出世界贸易情况将变盘。这才有了2008年7月马云给阿里员工的公开信，预言“冬天来了”。
最近一年备受关注的打击基金老鼠仓，同样是证监会、交易所通过数据挖掘来发现的异常操作。在缺乏其他手段和证据的情况下，仅凭借大数据和基本的逻辑推断，就挖出了不少老鼠仓。
看到市场的“底牌”
当然，上述前瞻指标特征是从总体来说的。对个人而言，不但理性投资者（能够控制情绪）不属于这个研究范畴，就是不用互联网发言的人（有情绪但不在网上表达）也没法研究。好在大数据之“大”，就在于挖掘能力不一般，例如Datasift每秒可实时挖掘12万条Twitter内容，足以找到所需的样本数量。
还有，以往的量化投资方法在因果关系上也缺乏明显的逻辑性，特别是仅以交易数据进行的挖掘，当市场结构发生转变，参数只能是后知后觉地跟随调整。
运用大数据进行的投资者情绪量化挖掘，因果关系清楚，一旦模型成熟，就等于看到了市场的“底牌”。
如果说以往的量化投资是金融学和数学的结合，那么通过大数据，新的量化投资可以实现金融、数学、心理学的跨学科应用。
大数据甚至可能对社会学研究构成颠覆。哲学家卡尔.波普尔曾经指出，与自然科学不同，社会学不能称之为一门科学，自然科学的研究方法也不能用于社会学。原因之一，是人的行为会影响社会演进的结果，当人的行为不可预测时，社会演进的结果也不可预测。
但是，就像一些科幻电影所表现的那样，当机器足够强大时，通过人群生活痕迹的高度互联网化，机器预测人群的整体行为特征和影响就成为可能。这甚至会颠覆社会学研究的某些既有观念。
如何量化投资者情绪
大数据有各种定义，研究机构Gartner Group给出的定义是：大数据是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
要具备发现规律和预测未来的核心能力，大数据要具备四个典型的特征：1.数据量巨大；2.数据类型多样；3.数据中富含价值；4.在尽可能短的时间内发掘出价值。
大量、多维、价值、高速同样是对投资者情绪挖掘和量化所需数据的要求。所以投资者情绪量化的第一步是拥有满足上述要求的数据资源。
第二步，通过对互联网上文本、图片、色彩等非结构化数据进行赋值定义，来完成数据结构化。目前相关技术模块日趋成熟，与其他行业相结合的应用已有若干案例。对于投资者情绪研究来说，只需要将与金融投资有关的特定语义与其他行业的语义加以区分，对互联网上的有效文本信息按照“悲观――乐观”的维度给予“1-10”的赋值，变为可计算数据。同样，也可以从别的情绪维度来研究。
第三步是用传统量化方法建模，先达到对过去股价能够事后解释的效果，再看未来实践中是否具有真实的预测能力。这个过程中需要不断调整模型。
两个指数的异同
以上述数据标准和研究过程来看“百度-广发”和“新浪-南方”两个指数，两者有较多的相似性。
首先，从数据质量来看，大量、高速毫无疑问；国内最大搜索引擎的网页搜索和新闻搜索，以及微博数据也肯定能保证数据价值；唯一的缺憾是数据维度单薄，“百度-广发”指数的数据仅来自百度，“新浪-南方”指数的数据仅来自新浪。这可以理解――两家都希望实现闭环应用，而无需借助自身之外的数据资源。但缺乏多维数据计算结果的互相印证，无论如何是一个遗憾，这将对研究结果的有效性造成损害。
其次，在建模方面，两个指数抛弃了过去单纯用市值、成交量、财务指标等基本面和交易数据做因子进行选股的思路。
据媒体报道，中证指数研究公司开发部总监宋红雨透露，“百度-广发”指数在选取样本的时候综合考虑了多种指标，基本上可以分为财务因子（基本面因子）、动量因子（交易数据因子）和金融大数据因子。在因子分析框架下，将金融大数据信息与股票信息进行综合测度，采用量化算法构造基于百度互联网金融大数据的综合情绪模型（BF Sentiment Model）进行指数选样。其中的金融大数据因子来自百度，即“分别计算每一只股票最近一个月内在百度金融大数据里所体现出来的搜索增量或者搜索的总量。”
“新浪-南方”指数主要是将基金公司股票研究优势与互联网“大数据”结合，在南方基金量化投资研究平台的基础上，通过对新浪财经频道和微博“财经大数据”予以分析，找出股票热度预期（大数据因子）、成长预期（基本面因子）、估值提升预期的关系，构建策略因子，精选出具有超额收益预期的股票，编织成最终指数。其中的股票热度因子来自新浪，成长因子和估值提升因子来自南方基金。
由此可见，两个指数都是将大数据因子纳入金融机构原有的量化模型中，作为新的重要因子加以考虑。其逻辑是投资者情绪只是影响股价的部分因素。
作为专业投资机构，基金当然不会完全抛弃传统因子，不过大数据因子与基本面因子和交易数据因子也不乏重叠之处，例如投资者情绪很可能也反映了一部分对基本面的预期。随着互联网公司在金融领域专业化程度的加深，未来不排除大数据因子和传统因子地位互换的可能，甚至出现纯粹大数据因子的量化模型。
最后，两个指数的既往业绩都不错，具有较好的事后解释能力。模拟数据显示，“百度-广发”指数自2009年以来年化收益为40.9%，远高于同期沪深300以及中证全指；据媒体报道，南方基金内部人士称，“做了相关数据的回溯测算，收益率和广发的不相上下。”
两个指数的差别在于，合作中互联网公司和公募基金的地位不同。在“新浪-南方”项目中，互联网公司方面参与进来的只是一个财经频道，因此在模型构建上是以南方基金为主导，宣传中也一再突出了南方量化平台的重要性。相比之下，百度作为“BAT”巨头之一，在合作中明显强势。至于上述差别对两者收益率方面的影响，目前还无从判断。
量化“投资者情绪”产业链
大数据技术投入实际运用的时间还不长，在国内的相关行业应用更少。尽管有各种尝试，但该项技术与传统行业融合仍需要一定过程。
以投资者情绪的量化为例，如前文所述，一旦模型构建成功，等于是看到了市场的底牌。如此巨大的利益必将驱使众多互联网公司和金融机构进行相关项目的开发；同样是巨大利益，决定了这项研究的艰巨，没那么容易翻开市场的底牌。
投资者情绪量化需要实现金融学、心理学、数学的跨学科研究应用，而且产业链很长，这就决定了其收入模式的多元化和阶段化，阶段化是指在不同研究阶段和市场阶段，取得收入的侧重点不一样。
如果把组建对冲基金作为投资者情绪量化的终极目标，那么在整个产业链上，也有着若干阶段性目标。
首先，大数据是在互联网时代应运而生。中国80后-90后的新一代股民同时也是网民，他们的行为习惯都互联网化。对于老股民（60后-70后）来说，当他们情绪化时，买股票的根本原因是激素驱动，但仍有着意识层面的“借口”，比如看K线、技术指标、听消息、跟随股神等等。新一代股民在情绪化上没有根本不同，但他们意识层面的买股票理由一定会更新。从认知来看，互联网技术以及互联网塑造的神话，才更能契合他们的思维模式。因此，大数据技术所产生的投资预测，即使不够准确，也很能吸引新一代股民的眼球。从而使得投资者情绪量化的初级产品可以提供互联网平台上大众化的免费服务，例如点击个股，可以看到简单化的“个股情绪指数”为平台贡献流量。
其次，金融机构看到新一代股民的明显特质后，必然促使其服务和技术更加互联网化，以适应客户的习惯，快速开户、极速交易等固然可以提升用户体验，但咨询、投资建议等相对专业化领域更有必要互联网化。而这些领域很难进行形式上的触网，以互联网技术重新搭建研究咨询和经纪业务体系才是出路。所以，当投资者情绪的量化模型达到一定水平后，就将成为经纪业务和投资咨询的重要卖点。
第三，接下来顺理成章的，更好的研究成果，包含预测结果和基本分析框架，可以成为独立的卖方研究报告、或者作为策略报告的重要组成部分。
第四，金融机构可以根据研究模型发行产品，比如“百度-广发”和“新浪-南方”两个指数可以发行公募产品，至于收益率是否能验证其对投资者情绪的量化研究已经达到了很高水平，目前还不得而知。
第五，作为单独或者附加的价值，从大数据中发现不同偏好的投资人群，可以提供数据给第三方机构，供后者进行针对性极强的个性化营销之用。
第六，通过建立投资者应用平台，实现数据闭环，构建应用模型的独特和不可替代性。
最后，成立对冲基金。一旦技术成熟到这一步，机器通杀机构和散户的时代将会到来。
概念先行？？效果难料
基于产业链长、研究型开发耗时旷日持久等理由，进行投资者情绪量化的机构不必要求技术完美后再进行商业应用，而应该边研究边应用。
众多机构显然看到了这项研究的颠覆性和巨大商业价值，纷纷投身其中。
2014年4月1日，雪球“情绪宝”，称“当某只股票首次进入雪球热股榜后，它的股价在短期内会出现剧烈震荡。统计数据显示，买入2013年81只首次进入雪球热股榜的A股股票，统一两周后卖出，最后平均收益率达到惊人的7%”。将由此构建“情绪宝”股票组合。
事后得知，“情绪宝”是一个愚人节玩笑。但在当时，很多投资者都信以为真，因为这在逻辑上是成立的。直至三个月后，还有人跟帖要“预约购买”。而雪球受到的最主要质疑，也是认为其百万级的数据不足以完成高质量的量化研究。
借助“情绪宝”这个“探空气球”，雪球赚到了眼球，探明了投资者对此类产品的兴趣高低。两个月后，招商证券就推出了研究报告《基于雪球情绪指标的择时模型》。三个多月后，“百度-广发”和“新浪-南方”两个指数。
以互联网思维来看，虽然关于投资者情绪的研究还远未成熟，但先占据这一概念，边研究边应用，是“磨刀不误砍柴工”的有效策略。至于实现最终的完美模型确实困难不小。
首先，尽管有金融人才、大数据人才的鼎力合作，但要在纷繁复杂的互联网文本中发掘出有效信息，将是一项艰巨的工作。而且需要理论研究的相应推进，才能避免重复挖掘。
其次，即使找到了效果较好的模型，使用者仍处于“知其然不知其所以然”的状态，要把握模型的原理，还需要整合心理学资源，从行为金融学的视角，对投资者情绪与相应行为之间的联系进行解码，这其中又有天量的工作要完成。
第三，投资者情绪的量化模型反映了人性的因素，其参数稳定性要好于基本面数据和交易数据构建的模型。但时代变迁、市场结构转化依然会影响到模型的效果，所以要将对市场结构的变化也纳入到大数据量化的研究中，以做出预判。
最后，投资者情绪再重要，也不能完全解释股价走势，大数据因子与基本面因子、交易因子在不同市场结构下的比重如何调整也是一个课题。
机构各取所需
不同类型的机构，在投资者情绪量化的研究和实践中，其侧重点与所得不同。
互联网公司的长项是占有数据和流量资源、对用户体验的敏感和对创新的渴望，短板是金融业务方面专业性不足。用大数据实现对“投资者情绪”的量化，可以让互联网公司强势切入金融市场中高端的投资和研究领域，全面颠覆原有的投资研究模式。并且最大限度地贴近其用户（新一代股民也是网民），反映他们与上一代截然不同的思维模式和选择标准。技术驱动的产品和服务手段对互联网公司来说没有接受上的障碍，其创新冲动和占有“大数据”、“投资者情绪”两项心智资源的前景，比较容易促成互联网公司对研究的投入。
国内券商目前的品牌只是规模品牌，缺乏差异化的定位。从低端的经纪业务到高端的卖方研究，区别度都不大。一旦有券商能够转型为“大数据驱动的创新型投资、研究和服务”机构，将成就其独特定位和杀手锏，在全方位的业务（特别是经纪业务和卖方研究）竞争中占据主动。
股票型基金的投资能力是公募基金立足的核心能力。2007年以来，公募基金的整体股票投资能力并不出色，难以支持基金的持续销售。通过与互联网公司的合作，将“投资者情绪”量化的研究成果投入实践，有可能找到股票型基金销售的突破口。一直以来，相比择股，公募基金的择时能力较差。而且从基本面出发，也难以为择时行为找到理论依据。而“投资者情绪”量化的成果，将为公募基金提供择时的理论依据和现实帮助。
对于软件公司、第三方机构等服务商来说，可以将大数据转化为优势服务产品，在行业中脱颖而出。
从所需资源来看，数据是进行“投资者情绪”研究的首要、决定性的资源。因此，目前的相关研究应用都离不开互联网公司的参与，例如雪球、新浪、百度。金融、技术、数学、心理学人才是不同研究阶段所需的次要配置资源。
颠覆近在眼前
据媒体报道，在北京召开的“大数据背景下的计算机和经济发展高层论坛”上，中国工程院院士李国杰表示：“生物信息学、脑科学、空间科学等基础研究早就采用以PB级计的大数据，却没能引发大数据浪潮。大数据如今引起各方重视，主要还是因为它蕴藏着巨大的经济价值。”
目前看来，大数据技术应用极有可能在金融投资领域引爆，金融很有可能成为继电商之后又一个互联网应用的热点领域。原因一是金融业商业价值体量巨大，互联网公司虎视眈眈；二是金融行业的互联网化程度还远远不够，可以挖掘的潜在应用领域众多。微博客 @陈如是说 写道：“互联网这一教门，正从自然、多神崇拜的初级阶段向一神崇拜的高级阶段演化。从目前的斗争情况看，金融神成为主神的机会最大。”
对于互联网公司来说，此前的“余额宝阶段”只是互联网金融试水，是简单将金融业务进行物理嫁接，互联网仅仅作为渠道，并没有对金融机构的专业地位造成冲击。“宝宝”们的生存有赖于中国金融体系漏洞的存在，一旦金融监管篱笆扎紧、金融机构积极应变，“美国版余额宝”Paypal的前车之鉴未必不会重演。
互联网公司要想在金融领域具备核心竞争力，就要从渠道迈向更高端的专业化部门。以大数据技术直接切入金融机构垄断的投资研究业务，是互联网公司迅速提升专业化能力以及在金融领域扩张的捷径。
另一方面，在互联网金融新一波浪潮中，金融机构若不能立足于自身专业化的强项，而只是跟随互联网公司的布局而动，则只能充当配角，渐渐失去主动，甚至被互联网公司吞噬。私募基金经理、微博客@神农陈宇写道：“我们必须把神农投资搬到海淀区去。我们要到创业者中间去，并且离金融街那些炒股票的远点。我们要和更多将改变中国的年轻人站在一起。”
如果说金融中的银行业因为重要性和所有制因素还难以在短期内被互联网根本改变，那么，互联网对于投资领域的颠覆已经近在眼前。中国股市的一个特点，是用20年时间走过了美国股市百年所走的道路，当A股投资者还在津津乐道于巴菲特（代表个人资产管理最高水平）、彼得・林奇（代表公募基金最高水平）时，索罗斯（代表对冲基金最高水平）、西蒙斯（代表量化投资最高水平）的模仿者也将在A股出现。
互联网颠覆投资，投资互联网化。
一场投资领域的革命开始了。
新闻对
股价的影响
按照一般思维方式，不但认为重大新闻对股价有着决定性影响，而且也认为股价的短期巨大波动一定与重大新闻有直接关联。
事实并非如此。
对于前者，并非每一个重大新闻都能够引发股价剧烈波动。最近的一个例子是，8月13日中国7月份的信贷融资数据公布，存款和新增贷款大跌，M1和M2走低。货币政策和信贷数据所反映的流动性状况一向对A股影响巨大，然而数据公布后，A股并没有出现大幅波动。
对于后者，罗伯特・希勒通过研究1929年和1987年美股崩盘时的新闻，发现并没有被公认影响了市场的重大新闻。1989年戴维・卡特勒等人列出了二战后美股50次最大短期波动，结果发现基本没有重大新闻可以作为合理借口，甚至得出一个极端结论：“重大价格变化日无新闻”。
这当然可以用“有效市场”来解释，即后者是重大新闻已经在公布前被先知先觉的投资者知晓，或者被市场“聪明地”预期到了。而前者是还没有公开的重大消息让股市产生了反应。
与上述学究气十足的理论解释不同，真实情况是，无论消息（未公开的新闻）还是新闻（已经公开的消息），其内容的重要性与传播力相对来说是两个独立变量――重要的新闻不一定有很强传播力；产生“病毒式”传播效果的未必都是传统意义上的重要新闻。
所以，一个真正重要的新闻，无论它是否提前泄露或被预期到，如果未能形成有效传播，就不能引发投资者“正常”的情绪反应，当然就无法扰动股价。所谓有效传播，并不是说了就算，甚至不完全取决于被多少人看见，而是真的引起关注。殊不知有多少新闻，读者只瞄了一眼标题就不再关注，时间、精力、心智资源的有限，决定了读者对大多数新闻视若无睹，其中不乏一些传统意义上的重要新闻。
反过来，一个看似很无聊的娱乐新闻，按照“正常”逻辑，跟投资八竿子打不着的事情，却凭借其传播威力，挑动市场神经，造成了股价波动。马伊与伊利股份的因果关系即在于此。
任何人都不可能掐死自己，这句话常被用来形容某一行业的从业者无法舍弃自身积累多年的认知和资源，转而认同和遵守更合理的行业逻辑。这同样适用于部分传统媒体人。
一些传统媒体人之所以抱住“内容为王”不松口，原因之一是他们的认知、能力、特质……都只适合做内容。当然，从纯粹新闻学学科的角度说，内容确实最重要。一旦涉及新闻的商业价值（例如对股价的影响力），传播才是真正的“王者”。如果说此前媒体人还可以掩目自欺，互联网时代则完全不可能了。
虽然为了适应网络传播，内容也做了一些适应性改变，但并没有真正颠覆新闻内容的一般生产规律；传播技术则翻天覆地变化了。两者相比较，就是内容更新方式的改变远不及传播技术的改变。于是，从新闻的现实效果来看，传播的作用远大于内容。
例如，从互联网的去中心化来考虑，任何被专业编辑选择提供的新闻，都不符合互联网上的新闻传播特质。即使是门户网站编辑充分考虑网民阅读偏好之后做出的选择，也难以避免编辑（新闻信息中心）的主观性。于是，适应互联网的计算传播学应运而生。
对此，豆瓣“计算传播学”小组的解释是：“传播学必须走出传统的研究套路，获得在网络上保存、抓取、分析、可视化大规模电子化数据的能力，也需要支持这些工作的工具。毫无疑问，传播学因此将和计算机科学开始交汇，至少需要程序员投入到这种大规模数据的挖掘工作中来。”（Cheng-jun Wang，2012）
“今日头条”App使用的就是计算式传播技术，对其新闻推荐技术的描述是“更快更全更懂你”，即通过用户反复使用留下的信息，让后续推荐越来越接近于用户个人的阅读偏好，从而达到私人定制资讯的效果。尽管其推荐技术仍显粗糙，却被投资者认可为未来传播技术的发展方向，获得了5亿美元的估值（2014年6月3日消息）。
而从传统餐饮业转型互联网的湘鄂情（002306.SZ）进军视频搜索业务，使用的也是计算式传播技术。消息公布后，股价八个交易日大涨60%。
针对美国明晟公司（MSCI）日前表示正在重新考虑将A股纳入其一系列指数的方案，中欧基金认为，这表明A股相对价值并非此前市场预想得那么糟糕。未来，鉴于A股各主要指数震荡的概率较大，市场将更看重企业的盈利能力、投资标的的稳定性和安全性。市场回归业绩和价值崇拜，说明资金的心态倾向于“稳健回报”。总体而言，延续对春季行情的乐观态度。
展望A股走势，汇丰晋信基金表示，从基本面来看，今年上半年，经济有望维持稳定增长，企业盈利改善趋势料能持续。4月份上市公司即将披露季报，预计企业业绩也将为A股提供支撑。在货币政策方面，市场预期下半年经济可能面临压力，但是出于保增长考虑，下半年货币政策预计不会太紧。
淡看短期博弈 聚焦长期投资
面对A股市场以结构性行情为显著特征的窄幅波动，上投摩根核心基金经理李博指出，在结构分化行情中，要做“睡得着觉”的投资，从更长远的视角看待投资，从更深入的基本面分析核算价值。投资的核心目标是要选出未来盈利能持续增长、同时估值不贵的标的，即PE/G小于1，这其中包括三重要求：第一，要求行业空间足够大；第二，要求管理层有企业家精神；第三，盈利数据能与公司的发展战略相印证。李博认为，在一些投资者越来越看重短期博弈的时候，长期投资、价值投资的优势逐渐凸显。
对于后市A股走势，上投摩根基金认为，经济和股市在2017年年初都出现向好趋势，一方面市场对中国经济增长担忧情绪逐步缓解，在PPP项目、“一带一路”、国企改革等政策措施的拉动下，投资增长开始恢复，同时在过去几年的去产能政策让不少行业的供求关系发生变化，盈利能力开始恢复。自2016年三季度以来，不少上市公司结束了连续几个季度的下行趋势，转入增长阶段。另一方面，经过较长时间的下跌之后，A股市场估值回落到历史上较为中性的水平，其吸引力开始提高。
震荡市业绩为王 捕捉主题投资机会
国企改革东风渐起，相关主题更是多点开花。业内人士表示，尽管国企改革将是贯穿全年的大主题，但其内部板块轮动速度快，不同行业及地区都有自己的时间表，推进执行的力度也会参差不齐，如何有效把握投资机会成为难题。泰达宏利改革动力基金经理刘欣表示，今年A股小碎步上行，但投资热点仍比较凌乱且持续性较差，这种震荡行情有利于量化投资的发挥。采用量化选股的方法，可以全市场捕捉国企改革的投资机会，分享国企改革红利。未来国有企业改革、金融改革、、企业兼并重组等主题将持续不断地为市场提供投资机会，量化基金有助于投资人全面把握这类主题。
华宝兴业基金总经理助理郭鹏飞表示，A股的估值下降阶段基本结束，处于震荡市阶段，在震荡市环境中，业绩最重要。基本面变化和业绩预期调整成为股价运行的最重要决定因素，风格板块属性不再重要；基本面良好、业绩确定性高、估值合理的品种，都具有较好投资机会。成长对周期和消费的估值溢价已经回落到合理偏低水平，白马成长股整体上应该有绝对收益，但小市值高估值公司仍风险较大，成长与价值并重的精选个股策略可能效果较好，白马成长股机会更大，黑马成长股谨慎选择。保持谨慎态度，通过深入研究，选择基本面良好、业绩增长较快、同时估值较低的优质标的，采取灵活的交易策略适当进行逆向操作。
对于近期火热的港股投资机会，华宝兴业基金周欣表示，基本面、资金面因素支持港股继续向好。具体来看，中国宏观经济数据近期表现较好，显示中国经济可能已经筑底回升，有助于缓解港股市场中对于中国经济和人民币汇率过于悲观的预期；港股相对于A股拥有明显的估值优势，与港股估值的历史数据纵向对比也并不贵；深港通的实施、港股通总额度的取消将进一步提升内地与港股的互联互通，给港股市场带来显著的增量资金，并提升市场整体的估值水平。
把握结构性机会 看好“泛消费”
目前，国企改革、“一带一路”、周期股等主题已成为A股市场上炙手可岬耐蹲驶疤狻5国联安锐意成长基金经理王超伟却有自己独特的见解，坚定看好“泛消费”行业投资机会。年初至今，上证综指呈震荡上行趋势，许多热炒板块目前仍处拉伸状态。预计A股下阶段大概率将处于横盘整理之中。横盘期间，重点应把握结构性机会、区间行情。家电、白酒、食品饮料、调味品、衣柜、橱柜等低估值、稳增长的股票，将会成为市场热点。2017年春节过后，在热点切换频率较快的A股市场上，消费板块盈利能力复苏基本确定，不断增长的需求使得消费类股票颇有市场价值。配置消费类对于投资者的心态上会比较稳当，在整体侧重比较大的市场情况下，消费类的公司从长周期来看仍是比较有优势的。
