时间：2023-08-29 09:19:26
序论：速发表网结合其深厚的文秘经验，特别为您筛选了11篇量化投资步骤范文。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！
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。
自李笑薇加盟富国以来，富国A股量化投资模型于2009年底投入实战，并获得了不俗的战绩。截至2011年6月30日，富国旗下两只指数增强基金――天鼎中证红利、富国沪深300分别获得了4.32%与 3.79%的收益，在所有指数型基金中位居前两名。而同期沪深300指数、中证红利指数分别下跌2.69%、2.1%。这一团队，正推出第三只指数增强基金――富国中证500指数增强。
量化不是“黑匣子”
《投资者报》：提及量化投资，国内投资者总认为很神秘。它与主动的定性投资差别到底有哪些？
李笑薇：量化模型的特点之一是抽象，但它称不上是一个“黑匣子”，与传统基金的投资区别也并非像投资者认为的那样大。
传统基金经理在做市场判断时，脑子中会闪过好几个模型，比如如何选定行业、个股，实质这都是一个个模型。严格说，他们脑子里的模型比量化模型中能看到的都要多，只是他们没有把这些模型提炼出来而已。
投资者购买传统主动股票基金，并不代表他们对基金经理的操作完全熟悉。基金经理在哪个时间段，配置了哪些行业、个股，投资人无法确切知道，只是能看到每个季度的报告和最终的投资结果。
相比之下，量化投资进出市场的每一个步骤，都非常清晰明了。在我的眼里，这个过程不是“黑匣子”，而是团队里每一个人按流程逐步去完成的。
《投资者报》：量化投资的详细工作流程是怎样的？
李笑薇：量化投资对团队合作要求更高。一般来说，有一部分人专门进行数据的清洗、整理、输送等，这需要计算机信息技术较强的人才；模型的设计和研究，往往需要很强的金融及数学背景；基金的日常管理往往需要金融及工程方面的专才。因此，通常量化投资团队的成员学历都较高，但不是说学位很重要，而是需要一定的技术积累。
具体流程中，提取数据的人看数据，有人专做研究，有的做优化或者交易下单。每个人都有自己的侧重点，在整个团队中起不同的作用。一个人可能干多件事情，但想要全部完成是不可能的。
《投资者报》：量化投资能否稳定地战胜市场？
李笑薇：在不同的市场阶段，市场的有效性会不同，需要用特定的方法，寻找不同阶段的不同机会。
市场上的各种方法，捕捉的内容都不一样。比如巴菲特，他的风格更趋近于一级市场中VC、PE的思维；西蒙斯则是完全抛开基本面，从纯技术的角度，将全球货币的走势、衍生品等林林总总的东西作为投资标的。
从A股市场来说，当前的发展阶段需要有独特的投资方式，富国基金量化增强的定位也有市场需求存在，满足了一部分配置指数基金的需求。从运作经验看，量化增强后的收益会好于一般指数的收益，上半年超额收益有8%。总体来看，这个收益稳定在5%~10%间，是很多基金难以做到的。
超额收益从何而来
《投资者报》：我们也注意到，多家基金公司都构建了独立的量化投资团队和模型，富国基金量化投资模型的独特之处在哪里？
李笑薇：量化投资最重要的是人的思想，量化只是一个方式和工具，真正在挣钱的，是人的投资思想。
从富国量化模型的特点来看，首先是自下而上精选个股，不做仓位选择。由于这是一只指数产品，投资人买时就要买到这样的仓位，我们一直是用95%的仓位操作。
其次，严格风险控制，精细成本管理。再次，系统化的投资流程，科学化的投资管理。量化投资从开始到结束，是一个庞大复杂的工程，团队里面专门有人负责清洗、研究数据，做一系列的回撤，实现交易单。
最后还要尊重模型出来的结果。在操作过程中，主动干预非常少，人的干预更多在整个模型的设计上。
《投资者报》：你们今年近8%的超额收益是如何实现的？不同市场环境下，模型是否会有大的调整？
李笑薇：对我们来说，发现哪些因子在最近的市场更有效，并保持一定的前瞻性，是量化团队的主要工作。
比如，大家都很熟悉的估值因子，在2006年到2009年都有比较优异的表现。但是到了2010年，估值因子的作用突然发生了变化，估值并不能起到明显推动作用，我们也提前做了适当的调整。
责任心决定能否做好
《投资者报》：除了模型外，量化投资成功还取决于什么？
李笑薇：一般而言，量化投资策略是否成功取决于三大因素。一个因素是质量，重点取决于数据和研究。第一步是要保证数据的质量没有问题。对于任何一个数据源，我们基本是用一家数据商，但会用两家来互相检验，检验后的结果才进入到自己的数据库里。
研究质量的好坏，其实是工作责任和态度的问题。量化虽然有门槛，但对理工科硕士以上的人来说门槛并不高，能否做好靠的是责任心。
第二是经验和判断。我们会做大量研究、看历史业绩，但历史不代表未来。当你做了大量细致的研究，发现可能有五个因子影响，表现最好的是A，后面有BCDE，其他因子哪些权重更大？做决定要基于经验和判断。但归根到底，判断与决策要有很强的实践来做支撑。
这个MFCA国际标准框架，只包括一般术语、目标、原则、基本要素和实施步骤，并不包含改善物质或能源效率的详细的计算步骤或相关信息。该标准涉及的成本仅包括内部成本,并不包括外部成本。以下就MFCA的基本要素与实施步骤进行解释。
(一)MFCA的基本要素
MFCA的基本要素包括物量中心、物料平衡、成本计算与物质流转模型。
（1)物量中心。它是生产过程中选定的一个或多个环节，以对生产过程的输人输出物料以实物单位和货币单位进行量化。在MFCA方法里,物量中心充当数据收集的功能。首先,对物量中心的物质流转与能源使用进行实物量化;其二,对物量中心物质成本、能源成本、系统成本和废弃物管理成本进行货币量化。
(2) 物料平衡。S卩“输出数=输人数+期初数-期末数”平衡公式。以仅包括原材料为例，50kg的原材料进人物量中心，物量中心期初有150kg,在期末还有100kg的原材料,那么,输出数=50+150-100=100。
(3) 成本计算。承上例，加人能源成本、系统成本与废弃物管理成本。如图1所示：
别有原材料500元、能源50元、系统成本800元和废弃物处理成本80元，输出物质有产品（正产品）70kg和物质损失（负产品)30kg,材料成本、能源成本和系统成本按材料比重在正产品与负产品之间进行分摊,而废弃物管理成本全部归在负产品——物质损失成本里。
4)物质流模型。在MFCA里,通过视觉模型来显示
物料在不同物量中心的储存、使用或移动。如图2所示
图2描述了一个流转系统，提供了一个清晰的流转图。产品既包括产成品也包括半成品。可见,MFCA对流程内的各种物质从投入到产出进行全程跟踪，立足于企业资源输出的合格产品和废弃物的流向与流量，将资源成本按照一定的标准(这里是重量）在两者之间进行分配，可以准确地确定物质流的有效利用成本与损失成本。按传统的产品计算方法，计算费用的对象仅为正产品一项,而在MFCA中对于制造过程中排放的废弃物也作为一种产品（负产品）以计算单价的方式来进行评价。从而，传统的生产管理信息中看不到的损耗或浪费的产品成本就可视化了。
(二）MFCA的实施步骤
成功的MFCA要求许多实施步骤。分析的详略程度及复杂性视情况而定，比如组织大小、产品的特点、所选择的物量中心的数量等。
以下用一个p^CA(Plan-Do-Check-Action)循环勾勒MFCA实施步骤。此外，MFCA的PDCA循环也可内含并应用于不同阶段的环境管理系统。
以货币单位量化物质流为例，其量化的对象有:材料成本、能源成本、系统成本和废弃物管理成本。材料成本量化有不同的方式选择，比如，历史成本、标准成本和重置成本等，一旦确定以哪种方式，就要一贯使用。以上是标准的简介，更加详细的计算方法在早前的应用指南及案例分析里体现得更全面。
由以上标准解释可以总结得出：(1)将输人物质成本按输出流向分别核算正产品与负产品，明确物质损失成本;（2)形成物质损失的“逐步结转”，可明确各物量中心的有效利用成本与损失成本;（3)除材料、燃料等直接成本按输出正产品、负产品比例划分外，人工、折旧等间接成本也按此方式划分,体现了完全成本分类核算思想,这因于投入与产出的因果关系的原理。
MFCA量化企业资源损失成本,使资源损失结构淸晰化，可挖掘企业改善的潜力⑴。因为MFCA是从数量和价值两方面使流程中各物量中心的材料损失与其他成本“可视化”，而传统成本核算将废弃物损失包含于完工产品中，处于隐形状态。正因此如此，MFCA可揭示资源损失的环节及金额;揭示生产工艺全流程的成本流，包括流向及流量。因而可帮助企业判断资源损失的重点环节，提出优先或重点改造项目，另外，在制造企业中，MFCA还是材料选择替代、工艺流程优化、产品结构设计及废弃物再生循环等系统决策与控制的重要参考信息。
二 MFCA应用范围
ISO/TC207/WG8的召集人K.Kokubu(日本）负责MFCA的标准化问题。2010年他在日本《质量管理》杂志发表了“物质流成本会计的重要意义”，并认为由MFCA方法提供的信息可以有效地应用于企业经营的各种场合。以往的环境管理手段大多局限于在环境污染发生后再采取无害化以及回收利用等“末端治理”手段，而MFCA则能够促进以生产过程本身的革新为目的的“过程内在型”的环境对策。对企业来说，能够同时达到减轻环境负荷和降低成本的双重目标，因而有效性更为明显。MFCA可从设备投资、原材料采购、变更产品设计和生产计划、进行现场活动的改进等四个方面进行应用。
(1) 在设备投资方面的应用
设备投资在企业决策中占据非常大的比重。当决定引进新设备时,一般都要最大限度地追求生产效率的提高。然而，一旦设备投资项目实施后，就以该设备设定了管理标准，因而往往忽视了设备本身的效率性能。
与以往的环境管理方法不同，由于MFCA能够准确地掌握某工序中废弃物的经济价值大小，因而可以从制造设备本身的效率性能来解决问题。因设备原因造成的废弃物的发生，通过MFCA对该废弃物进行成本评价，使设备的经济评价成为可能。即，以减少废弃物而进行设备更新为前提，采用MFCA方法从废弃物的成本观点出发对设备本身的效率性能进行分析，由此引进还是不引进设备这两种替代方案就可以进行比较。这是MFCA提供的信息在设备投资上最为有效的一个应用。
(2) 在原材料采购方面的应用
废弃物产生的原因在于设备方面的情景不少，由于所购原材料的形状和性质的情况也很多。在生产现场发生的废弃物多数是购入材料在加工时被挖或被削的瑕疵造成的。如能减少这类情况，废弃物也就能够减少不少，可更进一步地达到资源保护的目的。有关原材料购入形状等问题,需要与供应商进行交涉。假如供应商认为材料的形状和性质的变更对他们有利的话，也许就会考虑改变；而如果供应商也引入MFCA方法，就要计算需要花费多少成本来实现这一改进。可见,运用MFCA方法向供应链的这种延伸，使原材料的变更问题可得到更为有效的解决。
(3) 在产品设计和生产计划上的应用
产品设计不当也会成为产生废弃物的根源。在这种情况下，重要的是要将MFCA方法获得的信息反馈给产品的设计开发人员，寻找改进的可能性。另外，生产线上程序的更换也可能成为工序中产生废弃物的原因之一。比如:在同一生产线上对产品种类进行变更时，对机械设备进行清洗和试运转等作业,会产生一定的废弃物。从环境管理角度看，最好避免生产线的交替作业，但从生产管理的角度看，则希望尽可能地减少不必要的库存。在这种情况下，运用MFCA方法，将废弃物形成造成的成本增加与库存的增多造成的成本增加进行比较,然后可进行取舍。
(4) 在现场改进活动中的应用
在企业生产现场,一般都以提高生产效率和降低成本为目标。引进MFCA方法后,能够以经济单位来评价现场的改进活动,并对各活动的有效性做出评价，进行统一规范的指导。MFCA具有超越现有管理思想的趋势。通常在生产现场，损耗的设定都在管理者能够正常管理的范围之内，主要以次品等为中心，但是，随着制造规格书设定的投人材料与输出之间出现的差额，因为在现场无法管理,所以有时就不作为管理对象，而MFCA可将这种损耗显示出来,扩大了损耗的范围。
可见，MFCA可有效应用于企业生产的各个阶段。企业在决定引进时,通常从一件产品的一条生产线、向整个工厂整个企业，进而向整个供应链扩展和延伸的手段，应用范围越广泛，延伸后获得的效果就更明显。
三.MFCA未来应用前景：用于生产管理循环
由以上分析可以看出，在MFCA方法里，物质损失是研究重点，物质损失的减少在降低成本上体现了明显的效果。MFCA对物质损失的发生原因和处理方式如图4所示：
可见,物质损失的改进大体上可分为两大课题。一是通过现场改进就可以实现物质损失的减少,一般不需要投资，二是需要变更制造方法或者需要新的设备投资才能解决物质损失减少的问题。MFCA使因制造方法或生产设备引起的物质损失大小和成本削减的可能性实现了可视化。
中图分类号：TP301文献标识码：A文章编号：1672-7800（2012）010-0006-03
作者简介：朱方方（1989-），女，北京工商大学计算机与信息工程学院硕士研究生，研究方向为信息工程监理；刘宏志（1964-），男，博士，北京工商大学计算机与信息工程学院教授，研究方向为信息工程监理、电子政务、软件工程。
0引言
信息工程监理是信息工程领域的一种社会治理结构，它是指在信息工程建设过程中，利用自己在信息工程建设方面的知识、技能和经验为建设单位提供服务。为了提高监理水平，监理工程师需要对信息工程监理的服务质量进行评价。目前对信息工程监理服务质量进行评价的方法主要是模糊综合评价法，但模糊综合评价法运算量大、计算复杂。本文使用一种基于相似度的评价方法对监理服务质量进行评价。根据D+Pearson相关公式计算各个指标的实际与预期监理服务质量之间的相似度。在计算相似度的过程中将使用数据分为两种，一种是以专家的主观评价作为数据来源的主观数据，另一种是客观数据。根据计算得出各指标的相似度，进而对每个指标评分，然后将指标的评分作为实际数据对服务质量监理效果进行综合评价。
1信息工程监理服务质量评价模型
监理服务是一系列活动和动作，具有无形性，评价较困难，至今没有统一标准的评价体系。本文从与信息工程项目有关的三方（建设方、承建方、监理方）角度对监理服务质量进行评价。评价模型如图1所示。
在上述模型中，最外层描述监理单位、建设单位和承建单位三者之间的关系。内层描述对监理服务质量进行整体评价的评价指标、建设单位及承建单位的评价依据。
2监理服务质量评价指标体系
信息工程项目的监理服务质量是信息工程监理在信息工程项目建设过程中实施情况的最终反映。监理服务质量可根据监理内容的实际情况判断，将监理内容作为评价的指标。在监理评价指标中，有些指标无法直接量化，因此，在文中根据是否能够量化将指标分为两大类：间接量化评价指标和直接量化评价指标。
2.1间接量化评价指标
间接量化评价指标是在进行相似度计算时将专家给出的分数作为数据，这些指标有监理组织机构及工作制度（U1）、质量控制（U2）、监理合同及信息（U3）。为了保证监理服务的有效性，可以对这些指标进行细分，如图2所示。
2.2直接量化评价指标
直接量化评价指标包括进度控制（U4）和投资控制（U5）。信息工程监理的全过程分为4个阶段，分别为决策阶段、设计阶段、实施阶段、维护阶段。进度控制和投资控制可以根据各个阶段进行量化。
3D+Pearson相关评价法
D+Pearson相关评价是指以评价指标在整个监理过程中的实际情况与预期情况为数据，根据相似度D+Pearson相关公式得到评价指标的相似度。其中，D+pearson相关是由相似度D公式和Pearson相关系数组成。
3.1确定评价指标集
一级指标集：U={U1，U2，…，Um}。Ui（其中i=1，2，…，m）为评价指标体系中一级指标中第i个评价指标，其中m表示一级指标的个数。
二级指标集：uij={ui1，ui2，…，uik}。uij（其中j=1，2，…，k）为第i个一级指标下第j个二级指标，k为二级指标的个数。
3.2确定评分集和评语集
评分集是专家对各个指标进行打分或根据各个指标的相似度大小转换成相应的评分而组成的集合。评语集是通过分析评价指标可能做出的各种评价结果的集合。以W表示评分集，V表示评语集。W={W1，W2，…，Wm}（其中W1
3.3一级指标的相似度计算
根据一级指标是否可以直接量化将其分为直接量化和间接量化评价指标。在计算指标相似度时从直接量化指标和间接量化指标两个方向来计算一级指标的相似度。
（1）间接量化评价指标的相似度计算。由于不能对一级指标U1、U2、U3进行直接量化，计算其相似度时相关机构需邀请专家，并凭借专家经验根据监理的实际情况对二级指标给出评分aij（k），aij（k）表示第k个专家对第i个一级指标下的第j个二级指标的评分，从而得到第i个一级指标的评分表，如表1所示。
（2）直接量化评价指标的相似度计算。进度控制指标和投资控制指标可根据信息工程监理的各个阶段进行量化。在项目开始之前，项目承建者首先制定一个预期进度表和投资表，这两个表主要说明在这4个阶段中预计每个阶段所需要的时间和资金。随着项目的逐步推进，记录项目在每个阶段实际所用的时间和资金，记为实际进度表和实际投资表。为方便起见，将这4个表的数据整合成一个进度/投资阶段情况表。根据这个表中的数据，使用Pearson相关系数公式得到实际进度与预算进度之间的相似度以及实际投资和预算投资之间的相似度。
3.4综合评价
4实例分析
根据相似度评价法的一般步骤，现对某项目的监理服务质量进行评价。
4.1确定评价集
根据最终相似度对信息工程监理的综合评价给出评语集V={很好、较好、一般、较差、很差}，对应的评价集W={1，2，3，4，5}。
4.2间接量化指标的相似度计算
某项目邀请10位专家，根据10位专家对各个指标做出的评价表来获得每个指标的评价结果。然后根据公式（1）计算间接量化一级指标的相似度。
表2是组织10位专家对某项目的各指标进行评分的评分结果。
4.3直接量化指标的相似度计算
根据公式（3）计算直接量化一级指标的相似度，从而得到指标服务质量的评分，如表2所示。
项目要求在4个月内完成，根据项目规模大小、软硬件需求等因素制定预期进度和投资，然后在监理工程师的监理和指导下制定该项目的实际进度和投资情况。项目的预期和实际进度/投资情况如表3所示。
4.4综合评价
根据图3，由一级指标相似度得到一级指标评价得分，再由一级指标评价得分计算综合相似度，得到整个监理项目综合评分。
5结语
D+Pearson评价法结合主观数据和客观数据对监理服务质量进行评价，计算量小、高效，更符合人们的思维模式。该方法从两种角度使用不同的计算方法得到指标相似度，使评价结果更准确。它不仅对综合监理的效果进行了评价，而且还对影响综合监理服务质量的各个指标进行了评价。
参考文献：
[1]刘宏志，葛逎康.信息化工程监理[M].北京：中国电力出版社，2009.
[2]刘洋.信息工程监理的目标控制及效果评价研究[D].天津：天津大学，2004.
[3]李忠平，沈红艺，苏越，等.相似度分析方法在亚健康状态症状指标分析中的应用[J].中国卫生统计，2011（5）.
[4]张凯，苏剑波.基于相似度分布的开集人脸识别方法[J].模式识别与人工智能，2011（1）.
[5]LINDEKANG.Aninformation-theoreticdefinitionofsimilarity[C].inproceedingofthe15thinternationalConferenceonMachineLearning，Madi-son，1998.
2 策略步骤
第一部分：模型建立阶段。
2.1 影响收益率的因子初选
我们采用以下收益率因子。
以上表格反映了影响收益率的主要四大类因子，较好地包括了影响收益率的主要因素。虽然从宏观层面上我们挑选出了一些影响收益率的主要因子，然而，在现实过程中，影响某个具体公司收益率的因素很可能只是其中某几个。因此，我们应当试图找出影响每个股票的收益率的个别关键因素，这里我们采用matlab技术以及线性回归的方法，以融捷股份（002192）与暴风科技（300431）为例进行说明。笔者根据深圳证券交易所统计的数据通过EXCEL表格进行合并整理后得到融捷股份的收益率数据，将该数据导入matlab中，以市盈率为横轴、收益率为纵轴，建立图形关系。
根据统计学的知识可知，我们用决定系数R2来反应自变量解释因变量力度的强弱，而决定系数与相关系数之间存在平方关系，即2=R2。因此，在matlab中我们通过计算一组数据之间的相关系数，反求出其决定系数，从而说明该特定自变量能从多大程度上解释因变量。代码运行的结果如下：
从上述运行结果可知，市盈率与股票收益率之间的R2只有0.0934，遠小于1，因此市盈率这一项指标在融捷股份里并不能对收益率的变动起到决定性作用。
类似地，我们对表1-1中所有的因子进行相同的操作方法，在此由于篇幅原因不再赘述，仅展示操作步骤与过程。
2.2 剔除冗余因子
在进行上述步骤的过程中，值得一提的是，各个因子之间可能本身就具有一定的相关性。比如，ROE指标与ROA指标本身就满足一个等式：ROE=ROA*EM， 其中EM为权益乘数，计算公式为EM=1/（1-负债率）。如果因素之间的相关性甚小，我们可以忽略不计，但是当相关性大到一定程度时，便会对之后的多因素模型分析过程产生误导，因此在这里我们需要补充的一步是利用matlab软件，建立不同指标之间的关系方程，判断是否存在多重共线性。
2.3 多因素模型体系的建立
在进行完影响收益率的因子选择以及剔除完冗余因子之后，便是最为重要的建立综合评分体系，将所有的因子共同反映到一个方程中，用来解释股票收益率与因子之间的具体变化。
多因素模型的建立过程分为如下几个步骤：
（1）. 标准化原始数据
（2）. 建立相关性矩阵
（3）. 计算相关性矩阵的特征值和特征向量
（4）. 得出总方程表达式
通过对上述运行结果的分析我们可以看出，月最大超额收益的影响最大，而累计收益的影响最小。这样，我们便量化出了影响该股票收益率的方程式。
第二部分：交易标的股票的选取
2.4 选取收益率前20%的股票
通过第一部分的论述，我们最终可以得到影响不同公司股票收益率的方程式，可以用matlab或者数据库技术进行保存，当需要更新参数或者进行预测决策时，调用相关函数即可。
在第二部分中，我们将选取的标的股票资产池的相关数据输入到方程式中，即可得到未来一段时间的预期收益率。假设我们从每个板块中选取出了20支股票，我们保留预期收益率排在前20%的股票，优中选优，尽量最大化我们的收益。
2.5 利用CAPM模型进行资产组合
20世纪诞生的资本资产定价模型（CAPM）为广大投资者选择资产组合提供了良好的理论基础与依据。威廉夏普（William F. Sharpe，1934-）与马克维茨（Harry M. Markowitz）等人所建立的组合管理理论核心即为以下等式：
E（Rn）=R
f+（E（Rm）-Rf）
其中，E（Rn）为股票的预期收益率，Rf为无风险利率，为单个股票与市场之间的相关性，E（Rm）为某一基准的收益率。通过该理论，我们可以建立多个资产的不同搭配情况。
在第三部分，我们会进一步讨论运用各项绩效评估指标，来权衡风险与收益。
第三部分：风险控制
2.6 对各项参数进行区间估计和假设检验。
前两部分重点关注了组合的收益情况，力求在市场处于无效或弱有效的情况下，取得超越市场的收益率。然而，对风险的把握仍为非常重要的方面，自从2007-2009年间发生的金融灾难以后，人们对于风险控制的意识又提高到一个新的水平。下面具体介绍如何利用统计学知识，对风险以及收益的取值范围做出评估与估计。
假设由第一部分模拟出的收益率方程满足如下等式：
Yi = -4.451 +2.057 * X1i + 2.008 * X2i
我们可以看到，在这个等式中出现了三个参数，分别是截距项-4.451、X1i的系数2.057以及X2i的系数2.008。然而，这毕竟是模拟出来的结果，或多或少会存在着一定的误差，那么对这种误差水平的度量就显得尤为重要。特别是对于X1i与X2i的参数的估计，其改变直接决定了Yi的变化的方向以及程度。在这里，我们运用统计学上的假设检验与置信区间估计的方式，判断我们有多大的信心，或者说有多大的概率，该参数可以满足我们的要求，从而对我们的决策活动形成指导意义。见下图：
如上图所示，该图为用统计软件所得出的上式的相关统计学分析，可以看出上式的R2（R-squared）为0.934，并且调整后的R2（Adj R-squared）为0.890，说明该式的所有系数，作为一个整体，对Yi具有较好的解释力度。其中ESS（Explained Sum of Squared）为模型模拟出的曲线与平均值的差的平方和，而SSR（Squared Sum of Residual）为真实点与估计点的差的平方和。Matlab图示如下：
上图是通过最小二乘法拟合出来的一条回归曲线，其中蓝色的点与实线之间的距离的平方和即为SSR，而实线与所有实际点的均值之间的距离的平方和即为ESS。R2=ESS/（ESS+SSR）。
由图6-1还可以看到，2.057所处的95%置信区间范围为0.984-3.130。其中，P值与t统计量用来判断在95%的把握下，是否可以拒绝一项参数，即判断该参数在一定概率条件下的真假情况。我们通常可以通过查对应的t分布表来找到对应的关键值，或者采用比较p值大小的方式进行判断。比如说，要判断图6-1中Experience的参数2.008在95%的概率条件下的合理性，我们计算出其t统计量如图上的2.664，而对应的置信区间范围中包括了2.664这个值，因此我们可以得出如下结论：Experience的系数2.008在95%的置信水平下是无法拒绝的。这一结论同样可以通过判断p值的大小得出，p值为0.076，大于显著性水平0.05（通过1-95%得到），因此有足够的自信可以保证该系数的合理性。
通过上述方法，我们可以对之前模拟出的收益率方程的系数的合理性做出判断与评估，使我们对其有一个更为深入的了解。
2.7 基于蒙特卡洛模拟的风险控制。
在风险管理领域，VaR方法一直在各大金融機构被视为进行风险度量的首选，因为其可以提供在一定的置信区间下所发生的最大损失的大小。然而，实践证明，在市场出现剧烈波动的情况下（比如2007-2009的金融危机），资产之间的相关性会增强，以前可能相关性很弱的资产在市场不稳定时期出现了高度关联的相关性。而普通的线性估算VaR的方法在金融危机期间，对于风险的度量不再准确与合理。因此，出现了后来的情景分析方法（scenario analysis ）以及这里要讨论的蒙特卡洛模拟。
所谓蒙特卡洛模拟，是对一项资产的所有可能取值进行随机数模拟，来计算产品的价格以及计算风险价值的大小。其应用领域十分广泛，不仅可以用来模拟复杂金融产品的价格（例如，含权债券的定价、住房抵押贷款证券化产品的定价），在风险管理领域还可以用来度量风险的大小。在此，我们给出详细的解释，来说明怎样进行基于蒙特卡洛模拟的风险的度量。
重复上述代码四次，模拟出不同收益率的图形，每次模拟都可以得到一条收益率的曲线，当我们从股票收益率的总体曲线中随机抽出N个样本的收益率曲线，对其进行算术平均，便可以得到最终模拟出的收益率曲线，通过正态分布或对数正态分布作图，我们可以在竖直方向上做出一条辅助线，该辅助线对应的分位点即是VaR所处的位置，如此一来我们便可以得到VaR的结果。
第四部分：模型的改进与实时更新
2.8 模型评价
在这一部分，我们主要对上述建立的收益风险模型进行评价，包括引进一些至关重要的绩效评估指标，例如夏普比率，特雷诺比率，简森阿尔法，信息比率，索提诺指标等。
夏普比率来自于CAPM模型，其基本内涵是单位风险所对应的超额收益。在CAPM模型中，夏普比率即是资本市场线的斜率。因此，对于一个组合的风险收益的评估，我们可以通过计算其夏普比率，再与其他组合比较，选出夏普比率最大的那一个，即是我们满意的组合（单位风险承担了更多的超额收益）。
特雷诺比率与夏普比率类似，但其分母上所对应的是系统性风险，而不是总风险。这反应了一项组合其内在的超额收益，因为非系统性风险是可以通过组合规避掉的，而系统性风险则更多的由市场、行业以及经济周期等不可控因素所决定。因此，特雷诺比率也被广泛应用于组合绩效的评估。
简森阿尔法描述的是一项组合的市场收益与CAPM计算出的理论收益之间的差额。在CAPM图形上描述出来便是资本市场线上的点与实际的点之间的距离。简森阿尔法直接反应了一项组合的收益与其理论收益的偏差，因此投资者可以进行无风险的套利交易，低买高卖，赚取超额收益。值得一提的是，用简森阿尔法来描述两个组合的风险收益时，要求两个组合的系统性风险处于同一水平，即CAPM模型中的相同。特雷诺比率将系统性风险单位化，因此可以直接进行比较，这是简森阿尔法与特雷诺比率之间的区别。
信息比率也是实际工作中用到的比较多的领域，通常会和夏普比率搭配使用。信息比率的计算公式为：信息比率=超额收益/跟踪误差。
索提诺指标的计算公式为：索提诺指标=（组合收益-最小收益）/下半方差，其中下半方差只考虑风险的影响，因为价格上涨的风险可以不考虑，只考虑下跌的风险。
2.9 利用matlab动态更新参数
上述建立的多因素模型的参数一般会随着市场条件的变化而发生变化，例如金融危机期间，金融产品之间的相关性增强，可能会使得参数的估计不再准确。因此，我们需要通过不断的测算市场数据，来保证模型参数的合理性。在matlab中不断更新改进参数的步骤是不能省略的。
2.10 回溯测试
在完成了模型的構建以后，我们通常会进行一段时间的回溯测试期，目的是为了对模型的合理性进行检验。即采用从市场上观察得到的数据，与模型估计出的数据进行比较。这是回溯测试的主要思想。通常在一些交易平台上我们可以进行回溯测试。Matlab平台上也为我们提供了相关的回测计算的功能，目的是尽可能地还原市场的真实情况，以检测策略的准确性。
2.11 模型评价
已上便是笔者构建的投资策略的基本框架与内容，按照上文指导的内容进行投资，可以在一定程度上获取超额收益。量化的方法相比较传统的基本面分析、技术分析，具有其自身的合理性。然而量化投资并不是时时刻刻百分百有效，但根据历史经验来看，量化投资的收益已经远超其他投资方式。量化投资还具有更为高深的理论，例如结合了心理学、生物学与计算机科学的神经网络、遗传算法等，使用机器代替人脑进行投资决策，这样可以减少人的主观性，客观的根据一些标准、指标严格执行投资策略。这里只是使用了量化投资领域中的冰山一角，即使用综合模型评分方法来构建投资组合的预期收益。
然而，该模型仍有其自身的局限性。例如，模型本身采用的是线性回归的基本思想，即最高次幂为1次幂。然而在现实过程中，很多金融产品的收益曲线并不是一条严格的直线，而更多的是具有二阶导的曲线。举例如下图所示：
上图是包含了期权时间价值在内的利润图，可以看到，在引进期权的时间价值以后，其图形不再是直线，而是带有弧度。因此，我们通常采用的方法是利用泰勒级数进行估计，引入二阶导来进一步估计金融产品的价格。例如在债券中一阶导采用久期进行计算，二阶导采用凸性进行调整。
1风险管理及对外资源型投资项目风险管理
所谓项目风险管理是指人们的主观行为，使各行为主体通过对某一项目实施过程中将要遇到的风险事件进行识别、衡量、分析，在此基础上制订出适宜的防范控制措施，用合理的手段综合处理风险，以最大限度地实现项目实施的既定目标的科学管理过程。
投资项目风险指的是项目投资建设运营过程中项目可能给项目投资者、项目债权人等相关利益群体所造成的损失及对国民经济和经济环境、环境等所造成的破坏程度。投资项目面临着大量的不确定性风险因素，对这方面的也颇多，一般来说主要分为市场风险、管理风险、技术风险、自然环境风险、经济风险、社会文化风险等。每一大类风险因素又可划分为若干小类，这些风险因素对不同的项目，甚至是同一项目不同阶段的程度也都是不同的，但任何一种风险都有可能造成项目建设的失败。
对外资源型投资项目风险管理是指对外资源型投资对勘探、开发、投资项目实施过程中存在的各种各样的风险事件进行识别、衡量、分析评价，并适时采取各种有效的方法进行处理，以保障该项目安全正常实施，达到预期收益，并保证本企业及国家的经济利益免受损失的科学管理过程。
2对外资源型投资项目风险管理的基本程序和步骤
对外资源型投资项目风险管理的基本程序与一般风险管理程序一样，包括风险的识别、风险的评价、风险的决策和风险的控制与防范这四个主要步骤。
风险的识别是整个风险管理活动的前提和基础。它包括调查投资项目面临的所有潜在风险是否存在、分析产生风险的各种原因。识别风险应尽可能全面按照系统分析的方法，项目风险可分为筹融资风险、建设期风险、生产期风险和项目决策风险。
风险的评价是指对投资项目所面临的各种特定风险发生的可能性或风险发生造成的损失的范围与程度进行的测算和估计。它包括风险大小的定量估计与风险危害基准的设定等。
风险的决策是指针对投资项目所面临的各种特定风险及其大小，运用适当的方法加以分析，从而做出是否投资，何时投资以及如何投资等的决策过程。
风险的控制与防范是指人们力求规避或改变那些可能引起或加重损失的因素，采取安全有效、积极合理的措施来对付各种风险。风险的控制与防范要根据风险管理主体对风险的态度、风险承受能力、管理者的素质、风险的性质和影响程度等许多因素，运用各种相应的方法来进行处理。其中风险的防范主要偏重于对风险的事前、损前处理，风险的控制则是在投资项目运作过程中，随时监视项目的进展，注视风险的动态，一旦有新情况，马上对新出现的风险进行识别、评价和决策，并采取必要的行动。
风险管理的这四个步骤之间不是孤立存在的，在实际运用过程中通常下一步骤的进行是以前一步骤的结果为依据而紧密联系在一起的。由于风险尤其是经济风险的影响因素是瞬息万变的，旧的风险因素会不断改变，新的风险因素又会不断产生，因此必须定期、不定期地进行风险识别、风险评价，不断修改和完善风险决策方案及风险控制方法。换句话说，风险管理活动的四个基本步骤是一个连续不断、循环往复的管理过程。
3对外资源型投资项目面临的主要风险
3.1项目筹融资风险
这是指项目管理者在筹融资活动中改变筹资结构，使其偿债能力丧失和资金利润率降低的可能性。项目筹融资风险主要来源于生产经营、资金组织和外汇汇率变动。如果生产经营中项目亏损，就使得筹融资中借入的资金偿还需用自有资金支付；如果资金安排不合理，购货付款与偿债付款较集中，就会出现临时性的经营困难；对外资源型投资项目还主要面临着汇率升降所带来的风险。
3.2建设期风险
在对外投资项目的整个建设周期中，由于资金的不断投入，而项目还未获得任何收益，这就使得项目一旦因为某些因素造成建设成本超支，不能按期完工或无法完成，就会给投资者带来损失。为此需考虑以下几方面的因素：管理者必须具备丰富的管理经验和一定的技术能力，否则导致项目的投资成本、完工质量及生产效率方面出现不确定性；原材料、燃料涨价，资金、人员和物资调配环节出现，都会造成建设成本增加、工程延期，投资回收期延长；土地、建筑材料及运输的可获得性出现困难，无法按计划开工，就会拖延工期；不可抗力风险自然灾害、战争、政局变动等都会影响工程开工，并对投资项目未来产品市场产生影响。
3.3生产期风险
项目建设完成，进入正常经营状态，通过产品的销售来偿还债务和回收投资，实现预期的经济效益和社会效益。这一时期的风险主要表现在生产、市场、政策、汇率变动、政治波动等方面。
一、省级电网企业投资效能管理的背景和必要性
电网企业承担保障安全可靠用电的公共事业职能，随着社会经济的发展，长期以来需要较高水平的投资以维持电网的扩张、更新和技术进步，投资管理便成为日常经营管理的重点。当前，其投资活动呈现以下特点：
一是电网投资持续高位，可持续性受到关注。随着社会经济的不断发展和广大电力用户对电能质量、用电可靠性等技术服务性能要求的不断提升，近年来电网投资保持在较高水平。以华东地区的省级电网为例，近五年来年均投资额在200-300亿元，电量的复合增长率在10%以上。投资有力地带动和发挥了电量的增量效应，电网网架结构得到升级优化，安全供用电及优质服务水平进一步提升，满足了经济社会发展的需要。但受宏观经济形势和地区产业结构调整影响，电量的增量效益逐步减弱，长期大规模的高位投资难以为继。如何兼顾当前和未来的发展需求，用好有限的资源，满足特高压、智能电网和地区电网建设所需，是电网企业必须面对和解决的难题。
二是投资的效能引领薄弱，需要重点强化。在当前实际的投资决策中，通常在开展投资决策时会对投资能力、投资规模、投资的必要性及可行性进行论证。但专业部门都是对项目的单体考察，关注技术因素，而对整体性和经济性考虑不足。客观上，电网投资受电量增长、电网安全等市场需求和运行水平等因素影响较大，是投资决策时主要的考虑因素，但长期来看都会体现为对经济效益的影响，对当期经营效益影响不大。而目前，科学的投资评价体系尚未完全建立，现有的考评体系主要是对当期的技术绩效进行评价，导致投资决策时较多凭经验判断，缺乏长远考虑，忽视投资能力及投资效益等效能指标，需要重点强化。且具体工作开展时重经验判断、轻数量化分析，投资决策过程的可验证性和可重复性较差。
三是不同公司投资管理模式差异较大，需要可普适的分析模式。当前我国有国家电网和南方电网两大电网公司，同时按照国家行政区划设置了省市县三级电力公司或供电公司。以规模较大的国家电网为例，各省级电网企业是两大电网公司的全资子公司，总部对各省级电网企业实行总体的投资预算管控，以按照财务分析方法测算投资能力为主，要求各单位实际投资不得超过其投资能力。而各市县供电公司和省级电网企业的关系较为复杂，有分公司、子公司、趸售公司等。对于省级电网企业而言：对子公司依旧可以按照上述方法进行分析；趸售公司通常自行负责经营管理，大电网企业实行代管时也可以视同为子公司进行分析；但分公司无完整的经营管理权限，尤其在统一购电、资金统贷统还等前提下，无法独立核算其经营效益，因此需要探索新的投资管控方法。
另外，对于省级电网企业来说，还需要在其供电区域内调剂投资，统筹发展，因此对投资管理提出了更高的要求。鉴于此，随着近年来集团化、精细化管理水平的不断提升，对投资安排合理性和投资活动效益的要求不断提高，电网企业提出了投资效能管理。虽然一直以来电网企业均秉持效益导向安排投资，且其中的效益是多元目标，包括技术效益、社会效益、经济效益等，但如何按照科学合理的方法统筹兼顾实现综合平衡，达到高水平的投资效能，且形成规范的工作机制，是需要重点探索的。
二、投资效能分析的技术路径选择
（一）要求和目标。基于上述要求和背景，省级电网企业投资效能的分析，需要满足以下目标和要求：一是引入数量化分析方法，改变以往单纯按照经验判断的传统做法。虽然在以往的投资决策过程中设置了多维度的众多指标，但是对指标的分析判断依然采用对关键指标的确定值或区间等进行分析的做法，尚未建立起系统有效、科学合理的量化分析方法，各类分析工具的应用也较少。因此，此次投资效能分析的重点是引入量化分析模型和方法，由标准、统一的分析过程得到可供参考的数据分析结论，并使之与传统的经验判断相结合。二是确定统一的标准，便于各维度比较。传统按照经验判断的方法中虽然有标准，但受主观因素影响较大，且在不同项目之间、不同决策周期之间的变化较大。引入量化分析方法后，一旦设定模型，便可以确定算法、关键指标及其标准值，模型测算结果的数值高低能够按照统一标准反映不同项目的差异，真正实现可比。三是依托公司信息系统，将前述分析过程固化、自动化，既提高工作效率，又使之可重复、可验证，更加可信，能够不断重复并调整优化、持续改进。四是要在实现上述要求的同时，使投资效能分析的原理、过程、步骤等尽量清晰明了简单易行，便于在实务工作中推广应用。
（二）具体技术方法的选择。在投资决策领域，常用的方法有关键变量（如未来售电量）的灰色预测法、模糊分析法、层次分析法、专家法、基于价值链的贡献度评价法等，但这些方法的共同特点是需要对关键变量进行打分赋值、设置权重等，高度依赖使用人员的业务能力、技术水平和职业素养，可重复性和可验证性较差，受主观因素影响较大。因此，需要寻找最大限度减少主观因素的方法。此外，国外私有化的电网企业往往采用基于IRR、NPV等关键财务指标的分析法，重点强调投资的财务回报，和我国电网企业的定位与管理模式也不尽符合。综合分析比较各种方法，基于电网企业当前的数据可得性和数据质量，也考虑到后续操作的便利性，并便于操作人员理解，本文认为可以选择常用的多变量回归分析预测法作为投资效能分析工具。
对其说明如下：回归分析预测法是在分析市场现象自变量和因变量之间相关关系的基础上，建立变量之间的回归方程，并将回归方程作为预测模型，根据自变量在预测期的数量变化来预测因变量关系。回归分析预测的关键点在于找到主要自变量，并获取足够的数量资料。自变量的选取建立在一定逻辑推理的基础上，同时结合回归系数进行判断，然而在实际操作过程中，有些变量数据难以获得，这种情况下我们一般以可得性较高的相似变量进行替代，例如用财务指标代替技术指标。最关键的是，多元回归预测时，避免了设置权重这一受主观因素影响较大的步骤。同时，本文认为初始阶段直接采用最受广泛应用的线性模型，避免设置非线性模型中的参数设置，最大限度做到不同时点、不同类型分析的纵向横向比校。
三、投资效能分析模型的开发
按照前述思路和多元回归预测方法的要求，本文设计了电网企业投资效能分析的具体步骤：
（一）明确投资的目标和导向。电网企业的投资决策目标是多元的，包含满足客户用电需求、保障可靠的电力供应、提高电网技术服务能力、创造经济效益等多个维度的目标，且从短期、中期和长期来看也呈现不同的目标导向。尤其在当前发策、运检、营销、调度等专业部门基本以单体项目立项的方式形成投资，在主要关注技术性指标的背景下，关注投资活动对公司整体财务绩效（经营效率、经营绩效、资产状况等）的影响便显得尤为重要。因此，按照技术和经济并重的思路，在构建投资需求测算模型、量化投资决策的过程中，便需要综合考虑各方面因素，使投资决策更加科学合理。
（二）分析投资活动影响因素并确定指标。电网投资的目标是多元的，故其影响因素也是多元的。因此，投资决策制定需要考虑多方面指标。在指标分类和具体的指标选择方面，参考借鉴了美国的智能电网评估体系、国网系统“一强三优”对标体系、各电网企业的主网与配网效益评价和“一流配网评价体系”以及其他配网评价体系等成果中的指标分类和具体指标的确定。综合分析电网企业投资的理论研究成果、实践经验分析和本公司投资决策的实际考虑方面，本文明确了以下六方面及具体指标：
1.反映电力需求的社会经济发展指标和电量、负荷以及电网发展情况等指标。这些指标主要用来衡量电网投资的驱动因素和电网本身的特征，比如GDP、电网中各类设备的规模（容量、长度），这些是从根本上对电网投资起到决定作用的因素。
2.反映经营管理水平的经营效率类指标。用来衡量电网投资带来的成本变化，比如线损率、单位电量成本、每万元资产输配电成本等，这些指标对于按照成本加成定价的电网企业而言，促进其在保障安全可靠电力供应的同时降低成本、提高经济性。
3.反映经营绩效的综合效益类指标。用来衡量投资产生的综合收益，包括单位电量贡献毛益、成本费用利用率（耗费效率）、销售收入利润率（产出效率）、资产报酬率（资产占用率）、资本收益率（投入资本效益）、人均利润等。这些指标越大，说明投资的综合效益越好，未来可以多分配投资。
4.反映电网运行状态的技术类指标。包括电网的合理性、安全性、可靠性、经济性、优质性和电网发展的协调性等多个方面，是从技术角度对电网进行的综合考察，也是立项时的直接依据。
5.反映服务水平的社会满意度指标。顾客对服务的满意程度是衡量电网投资最终成果的重要指标，具体包括居民满意度、用电企业满意度和政府满意度三个方面。这些指标的测量往往存在较大误差或人为调整空间。但由于电压合格率、可靠性水平、安全性等技术指标是满意度指标的基础，通过对技术指标的考察，也就间接考察了满意度指标。
6.根据经验判断设定的管理性指标（哑变量）。如江苏省内不同地区发展差异较大，通常分为苏南、苏中、苏北三个区域，近年来对不同地区投入的倾斜力度有差异，其投资也有明显差异。
（三）构建投资效能分析模型。首先，在众多投资影响因素和变量的基础上，通过相关分析初步识别影响因素，为回归分析奠定基础。其次，酌情运用主成分分析对众多变量中的同类指标进行综合简化，构建新的综合因子。最后，应用多元回归预测方法中的随机效应模型，经过多次拟合比较，由软件自动析出明显影响投资效能的因素，形成模型。投资效能i+1=α+β1社会经济发展i+β2物理状态（资产状况）i+β3技术水平i+β4经营效率i+β5经营效益i+β6已有的投资活动i+β7管理因素i+μi本文在实际的分析过程中，选取了200多个初始指标进行筛选，最后进入模型有显著影响的指标集中在预期售电量、成本水平、资产成新率、供电可靠性、造价水平、以前年度投资规模、经济效益、地域因素等方面，模型结果与实际情况高度契合，也与经验判断和常识相一致，说明该模型是较为合理的。
（四）数据分析、精度验证和模型调整。首先，在每次分析中，通常都会选择一个省级电网企业所有市县公司及本部多期数据，因此不是样本，而是“全体”，使得利用多元回归方法估计出主要模型（包含具体变量及参数）的科学性和可靠性较高。除此之外，意识到历史数据本身及其分析方法可能存在的不足，分析时往往保留了从经济含义角度出发较为重要、但未能稳定地保留在模型中的个别变量（典型的如预测的下一年售电量，在实际投资决策中其发挥重要影响），使得投资效能分析模型更加符合实际情况。在利用历史数据对模型进行训练时，遵循通行的模型验证程序，分别采用了样本内预测和样本外预测方法检验预测精度，其中：样本内预测（in-sampleforecasts）指使用模型预测样本内的值，其与实际观测值的差异即残值，体现了模型本身的合理性；样本外预测（out-sampleforecasts）指使用模型预测样本外的值，体现了模型对现实世界的预测能力。两者相互印证是对模型合理性和对未来预测能力的全面检验。根据精度验证结果，对模型的变量及算法中的具体细节进行调整，直至精度达到管理要求为止。
四、分析模型的功能特点与应用场景
根据以上分析步骤，得到了投资效能模型，该模型综合考虑了多种投资活动影响因素，且经过统计过程检验，同时包括在数量分析和经济含义分析两个考量过程中认为的显著和重要因素。该模型一方面能够评价以前已经完成的投资效能，另一方面能够被改造为跨期模型，基于当前年度数据和未来售电量等关键指标预测现有投资在未来能够产生的效能，促进投资决策优化。此外，模型中通常包含若干业绩评价或公司系统的同业对标指标，可以相应调整其权重，使投资活动能够促进公司经营业绩的提升。基于当前电网企业实际的投资管理工作，尤其是投资决策过程，该方法具有的功能特点和应用场景如下：
一是兼顾严谨性与灵活性。该模型首先收集某个省级电网企业全部市县公司的相关财务数据和技术服务类指标，利用多元回归预测模型设定公式，其产生过程遵循严格的统计分析要求。另外，根据不断提升的管理要求和投资的未来导向，允许在后续实际应用时调整变量和参数，是开放、动态可调的。由此两方面相结合，既尊重客观事实又可开放动态灵活调整，模型能够较好起到决策支持作用。
二是实现“自学习”和动态完善。基于“大数据”的理念，分析过程中尽量搜集大量指标和基础数据，数据基础较好。进一步的，随着时间的推移和数据的不断积累，模型包含的观测值会不断增加（每个“公司-年”为观测值），基于更大数据量生成的模型也会更加稳定并全面反映真实情况，发挥更强的投资辅助决策功能。
三是适宜推广应用。前文构建的多元回归预测模型原理简单、方便易行，是对此类问题的通用解决方案和工具。各省级电网企业利用自身历史数据可以得到满足本公司管理要求的模型，而非统一套用某个模型，以达到因地制宜的效果。同时，对于同一省市的不同市县，又可采用统一模型测算，实现了灵活性和原则性的较好统一。
参考文献
1.冯亚民、蒋跃强、齐晓曼等.2009.基于LCC的输变电资产的集成运维管理探讨［J］华东电力,6。
2.黄华炜、陆一春.2009.资产全寿命周期管理标准体系的研究［J］,华东电力,10。
3.李欣然.2007.基于灰色理论的地区电网建设规模评估研究及系统实现[D].湖南大学。
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。
纵观历史原因，首席营销官往往发现自己处境十分艰难，即使做了一些营销项目，也很难将这些项目对企业销售收益的影响进行量化，很多时候这几乎就是一项“不可能完成的任务”。目前大家的共识是，因为这两者间存在“代沟”，导致企业营销负责人经常更换。随着科技的发展及数字化渠道的普及，企业对于营销负责人能做什么、以及应该做什么都很难进行预估，虽然大家期望在数字化时代下营销成果将能够被量化，也能让负责人都心里有数。幸运的是，随着科技的发展，未来营销者将能够满足这个要求。
如果首席营销官能够将自己的营销成果更具体量化，创造良好的销售业绩，那么首席营销官的任职寿命将会延长。以数据化为驱动的首席营销官们，一旦能够展示出自己的营销行动对投资回报率、销售流水线的影响力，那么所处的企业高层将对他们更为看重，将他们放在重要的战略性地位，他们在企业的地位也将超出以往任何任职者。当然，即使是在数字化时代，要展现自己的价值仍然非常有挑战性，尤其是对于B2B组织机构而言――在这些机构里，大部分销售仍是通过线下实现。在对营销者的企业销售贡献做量化时，精确、及时性分销非常重要。
就因为“贡献”这词对营销负责人非常重要（也的确必须很看重），这个词在营销界里一直被大家翻来覆去地讲，几乎已经有点变味了。从未来营销的复杂发展情况看，“贡献”在业界甚至是在内部团队中会有不同的含义。但是，我们还是对这个词做了定义：贡献，作为一个营销术语而言，在互联网营销上，仅仅被当成一种授信方法，用以传递特定的营销驱动交互体验或是打造一种品牌印象触点。
同理，推到运动界，“贡献”这词通常用于帮助观众将运动员的贡献概念化，不管是在哪种运动，足球、篮球还是终极飞盘，概念都是一样的。在运动中，许多玩家和步骤都要涉及得分系统，那么最终由谁得分呢？在营销界里，这个问题变成了：“市场上有这么多的企业、渠道，大家有各自的销售手法和保留客户的战术，哪一家企业能在销售上得高分呢，究竟凭什么得高分？”这个问题意味深长，很难给出明确的答案。但是问题一旦解答出来，将会给企业的营销影响、预算优化、客户偏爱带来很多价值启示。
为什么？
营销者的营销实践给企业带来的价值是有目共睹的。其中一些价值可在整个组织范围内体现出来，另一些价值可以具体体现在营销团队上。
组织范围内：
・在企业里发出更令人敬重的强有力声音
・营销者能够表现出自己对销售业绩的影响和贡献
・企业能够定期看到营销的成果和投资回报情况
・改进营销或销售的关系
营销团队上：
・营销渠道和战略将被视为一套投资组合，能够实时进行调整和优化
・对于额外预算能进行简单快速的配置
・对企业活动、渠道和战术有丰富的看法，能够最终优化企业整个客户体验旅程
・改进营销投资回报率
根据美国电子商务调研公司Forrester的报告表明，这种在营销者贡献的洞见基础上做的营销优化，能够将企业的每行动成本削减30%～50%，并且最终将投资回报率提升为50%～100%。
怎么做？
一、引言
对于任何一项投资，环境条件的优劣直接影响了投资效益的好坏。 投资环境是影响房地产投资行为的外部因素的总体,是理性的房地产投资活动赖以进行的前提。在一定的条件下,投资环境因素对房地产投资的成败起着关键的作用。由于高投入、高风险、复杂性、开发周期长及影响因素多等方面的原因,所以科学的对投资环境进行分析并对投资的前景进行预测,是防止风险和确保高收益、高回报的必要前提与基础。房地产投资环境评价工作在经济生活中日益受到人们的重视，评价方法的研究也在逐步展开。目前，常见的房地产投资环境定量评价方法包括初级因素打分法、多因素系统评估法、综合性定量方法、雷达图分析法、关键因素评估法等。但这些评价方法对于主观性指标处理得比较粗糙。变权综合法由于所需数据少,评价准确性高；而且更能突出指标体系中个别指标的明显变化，比常权综合法更接近专家评估的思维模式，所以它在社会各行业得到广泛应用。本论文建立了一个基于变权综合评价方法的投资环境评价模型,并以河北省某地区为例,给出了一个实证分析。
二、变权综合法
定义2.1称为一个m维常权向量，如果对于任意,有,且满足。
定义2.2 给定映射，称向量,为m维局部变权向量，如果满足:
(1)归一性
(2)惩罚激励性：对每个，存在，且，使得关于在内单调递减，在内单调递增。
定义2.3 给定映射,称向量,为m维局部状态变权向量，如果对于每个，存在，且，满足条件：
(1)对于每个，对于常权向量,在上关于递减，在上关于递增。
(2)当时，;当时，。
定理2.1 设为一个m维局部状态变权向量,为任一常权向量，则, 为一个m维局部变权向量。
给定指标集,各指标的常权分配为，某被评价对象各指标的评价值为：，取定局部状态变权向量:,可得局部变权向量：,于是综合评价值为：
三、基于变权综合法的房地产投资环境评价模型
房地产投资环境评价指标体系是对投资环境进行综合评价的依据和标准。它的设置应符合系统全面、简明科学、稳定可比、灵活可操作的原则。因此，本文按隶属关系、层次结构，将影响投资环境的因素加以系统分析和合理综合，其构成要素一般分为政治、经济、自然、基础设施和社会因素四大方面。欲建立房地产投资环境测评模型，应遵循：构建评价指标体系评价指标定量化建立测评模型。根据以上分析，本文借助层次分析法确定了权重向量，基于变权综合法建立一类测量房地产投资环境的定量化模型，具体步骤如下：
1.运用层次分析法，建立层次结构模型，确定权重系。如表1所示，
表1 河北省房地产投资环境指标体系
2. 下面我们通过对河北省某地区房地产投资环境进行评价。我们邀请了10位专家，分别对各指标进行按评分标准打分，得到二级指标状态值。
比如我们首先取定:
得到房地产投资环境评价过程如表2:
表2
按照上述步骤，经过计算得出：虽然该地区社会政治环境和基础设施环境都较好，但由于自然环境和经济环境稍差，采用变权综合法达到了惩罚的目的，而常权综合却未能达到此效果。
四、结束语
由于房地产投资环境复杂性，不确定的影响因素众多，投资者对环境的选择尤为慎重，投资环境的好坏直接影响到投资者的收益。对投资环境做一个公正合理的评价至关重要。本论文所采用的变权综合评价法，运用定性和定量相结合，专家评价和科学计算互相补充的分析方法，比常权评价法更为准确，具有一定的适用价值。
参考文献:
[1]姚炳学李洪兴:局部变权公理体系[J].系统工程理论与实践,2000,20(1):106～112
[2]罗萍，投资环境的变权综合评价法[J].商场现代化, 2006年10月(中旬刊）:183～184
[3]王晓玲:素质教育评价中的变权综合方法[J]．系统工程理论与实践，2004.4(4):136～140
