前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的金融投資量化方法主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：金融投資量化方法范文

本刊記者專訪了建信責任ETF、建信社會責任聯接基金經理葉樂天，為我們揭開量化投資的面紗。來自浙江，北大數學系出身的葉樂天，談起量化投資，如數家珍。在他看來，量化投資與基本面投資在方法論上有較大差別。后者類似中醫，通過實地調研考察，望聞問切，接觸病人，獲取信息，加以判斷；前者則把影響投資的各方面情況以及投資邏輯轉化為數據和模型，類似西醫，用醫療設備對病人進行體檢和化驗，更重視借助圖表和數據對病人的病情做出判斷，因此能做到不見病人而對其基本特征了如指掌。

：請通俗介紹一下什么是量化投資，它的發展情況如何？

葉樂天：中國量化投資研究院院長陳工孟曾做過這樣的描述：第一批聰明人叫金融學家，他們發明了各種各樣的金融衍生品賺得盆滿缽滿；第二批聰明人叫數學家，他們通過各種數據模型去發現了一些不合理的現象，同時發現了賺錢的機會，然而數學家不知道怎么把錢賺到手；第三批聰明人就是IT工程師、軟件工程師，他們幫助第二批聰明人實現了賺錢的機會。而“量化投資”就是高端的金融人才、數學家和一流的IT工程師的復合。在美國有一種說法，最聰明的人，最高端的技術首先應用在兩個領域，一個領域就是國防，第二個領域就是華爾街。

量化投資從20世紀70年代在美國興起，經過40多年的發展，已經成為西方金融市場最為重要的投資方式之一。從20世紀90年代初期開始，量化投資的資產管理規模迅速增長，2000～2007年，美國的量化投資總規模增長了4倍多。2011年美國的量化投資和對沖基金的規模經過金融危機以后再創新高，達到了2萬多億美元的規模。

2009年被稱為中國量化投資元年。隨著2010年股指期貨的推出，金融衍生品迅速登上中國資本市場的舞臺，為量化投資的發展創造了有利的條件，而量化投資的發展為投資者提供了可選擇的、非常有優勢地位的投資方式。

：量化投資與價值投資有什么關系？

葉樂天：資本市場之大，每位強者都有自己的成功之道。相對于巴菲特過去20年平均20%的年回報率，有位中國人不太熟悉的高手更勝一籌，他就是華爾街的“模型先生”詹姆斯·西蒙斯。西蒙斯創辦的大獎章基金從1989年到2006年的平均年收益率高達38.5%，凈回報率超過巴菲特，即使在次貸危機爆發市場一片陰霾的2007年，他的基金回報都高達85%。

與股神巴菲特的“價值投資”不同，西蒙斯的投資成就依靠的是“量化投資”。這位24歲起就出任哈佛大學數學系教授的數學天才，依靠數學模型和計算機技術捕捉著市場機會。他認為，數學模型比主動投資能夠更有效地降低風險。雖然中國人對西蒙斯這個名字還比較陌生，但量化投資產品在華爾街已經非常普遍。

：為什么說量化投資像西醫？

葉樂天：隨著計算機運算速度的提高，華爾街的量化投資已經發展到爭取幾毫秒的機會。同一個套利機會下，誰下單早，誰就能抓住機會。盡管大家爭取的可能是萬分之一的收益，但是通過每天大量的交易，日積月累，就能取得很高的回報。

與市場熟悉的定性投資相比，量化投資在研究方法上與其有著很大不同。定性投資主要通過公司基本面研究進行投資決策。需要基金經理到企業調研，看研究報告，與高管深入交流、了解大股東訴求，了解公司發展規劃之類，有深度。量化投資則注重廣度，比如市場上有2000只股票，量化投資會通過計算機比較2000只股票的數據，找出上漲個股共同的特征因子進行投資。與定性投資產品的基金經理經常出差不同，我主要的工作都在案頭——搜集數據，處理數據、還有編程。

定性投資和定量投資的差異如同中醫和西醫的關系。定性投資更像中醫，更多地依靠經驗和感覺判斷病在哪里；定量投資更像西醫，依靠模型判斷，模型對于基金經理的作用就像CT機對于醫生的作用。

：如何選擇量化投資產品尤其是指數基金？

葉樂天：目前，量化投資在中國公募基金市場的形態還比較簡單，主要可以分為被動型的和主動型的。被動型的量化產品包括了大量的指數基金；主動型的量化產品則主要有3種模式，分別是“多因子型”、“事件型”和“宏觀擇時型”的。事件型和宏觀擇時型相對容易理解。多因子型，就是通過比較數據，篩選出個股走勢變化的關聯因子，然后，在未來個股走勢出現類似因子時，觸發交易，從中取得收益。

在公募產品中，以指數型產品為主，主動量化的產品數量稀少。公募基金受制于交易監管規則，比如在同一天的交易中，不能對同一標的做反向交易，在衍生品工具的使用上也非常有限，所以做主動量化的產品較少。同時，量化投資不像定性研究，對單個公司研究得很透，經得起很大的波動，追求的漲幅也大。量化投資通常追求很小的漲幅，但業績比較穩定。而且，歷史上指數基金的業績表現還算穩定，主動量化基金產品的穩定性稍差，而業績穩定對開放式基金更加重要。此外，市場深度不夠也制約了量化產品在中國的發展。公募基金的規模通常比較大，如果做主動型的產品，更換持倉的沖擊成本就比較大。

不過，對于普通投資者而言，要投資量化基金時，并不是非要弄懂基金的運作模型。選擇一只量化產品與選擇普通的基金產品，方法并沒有太大的差異。首先，投資者需要了解量化產品的過往業績，如果基金持續一段時間業績表現優秀，說明這種模型相對來說是較為可靠的。其次，就是看基金經理的投資理念和思路方法投資者是否認可，因為基金經理正是模型的制定者。最后應當考慮個人整體的資產配置，從長期的角度對基金產品進行合理配置，不用過多地顧慮投資時機。

第2篇：金融投資量化方法范文

寒暄已畢，坐定后，銀華基金量化投資部總監周毅用他慣常的平緩語速說道。

《投資者報》記者第一次采訪周毅在2010年3月，那時，銀華基金正推出國內第一個杠桿指數基金，作為產品的設計者，基金經理也由他擔任。

談及國內基金產品創新，在華爾街做了11年量化投資并參與過房地美等資產抵押債券設計的周毅自謙道，只是將國外的產品移植到中國市場。

從北大計算機系到華爾街操盤手，1998年到2008年期間，周毅親身體驗了互聯網泡沫的“過山車”以及次債的摧枯拉朽。

前一次危機“迫使”他轉身做了金融，后一次讓他下定決心離開華爾街回國。

傳統上人們認為，有完善的投資、研究體系才是投資的內涵，但周毅看來，這是投資的一小部分。

“與傳統的基于投研平臺的投資不同，量化投資更多依靠模型和程序，所以有時候在華爾街，量化投資交易員的地位比較高。”

這算是一個量化投資者的立場。

從北大到華爾街

周毅的求學之路可謂順利。高中畢業后，他被保送北大，選了當時熱門的計算機專業，四年后，在留學熱潮中，又赴美國南卡羅來納大學繼續深造。

但求職之路并不平坦。

1998年畢業時，互聯網空前繁榮，華爾街互聯網人才緊俏。周毅和他的同學們趕上了好時代，不費力就找到了一份薪水不菲、讓人眼紅的職業。

但此時，互聯網泡沫依稀傳出咝咝破裂之聲。2000年，泡沫終于破滅。

回憶至此，周毅說：“像坐過山車。”

互聯網繁榮帶來財富以及身處行業的成就感頃刻消失。巨大的落差襲來，周毅的很多同學被迫改行做了律師，而周毅把職業的方向盤打向了美國發達的金融業，主要做計算機量化投資。

投資生涯由此起航。

1999年，他進入美國約翰?霍普金斯大學學習金融，與此同時，利用計算機強項，在普華永道金融服務部做一些量化模型。

在普華永道的八年里，他曾參與了包括導致次貸危機的房地美、房利美等資產抵押證券產品的設計。

普華永道的客戶涉及華爾街各大投行和機構，內容囊括股票、債券、期貨以及各種衍生品，這對周毅來說，是難得的學習機會。

“這不僅讓我的職業方向轉到金融，而且讓我全面接觸到各類金融產品。”

但他也意識到，必須有深度上的提高。2006年，周毅加入在金融衍生品方面領先的巴克萊銀行，并在該部門做量化投資，與在華爾街名聲鑿鑿的李祥林共事。

李祥林現任中金風險管理總監，在加速華爾街資產證券市場化方面貢獻卓著。有人說，如果不是金融危機爆發，李很可能問鼎諾貝爾經濟學獎，這間接說明巴克萊銀行對金融衍生品的重視。

研發、利用先進的量化模型，發現定價有偏差的產品，用巴克萊銀行的低成本融資賺取差價，這就是周此時的主要工作。

次貸危機爆發后，金融衍生品遭受摧毀性打擊。

2008年，周毅以巴克萊亞太公司副董事身份轉戰香港，做相對簡單的股票及債權衍生品投資。此后，為照顧親人回到北京。

把海外思路帶回國

對一個長期與衍生品打交道的人來說，回國能做什么？

“當時直觀感覺，自己能做的其實有限。”對A股不了解，在華爾街擅長的東西也用不上。國內投資領域能與其沾邊的只有指數基金占主體的量化投資。

量化投資方法是相對于定性投資而言，后者主要靠人力，前者主要靠計算機以及數據模型。

2009年底，周毅加盟銀華基金，當時銀華量化投資還是一片空白。

擺在他面前最迫切的問題是，該從哪里切入。

“既然不了解A股，我不大可能直接把美國或中國香港市場用的量化投資模型直接應用到A股投資中，這從邏輯上講不通。”

指數基金被動化管理成了突破口。

根據華爾街的經驗，周毅深切地明白，指數基金的產品研發、創新、先發優勢最重要。然而，當時國內跟蹤滬深300等優質標的指數基金已經很多，在跟蹤標的上難以獲得先發優勢，產品形式創新成為不二選擇。

“看到這種情況，我在想，在形式上要有別于國內其他產品，做別人沒有的東西，才有取勝的可能性。”

結合國內證券市場的條件及A 股的特征，周毅把目光放在了國外已經流行的杠桿指數基金上。

雖然在周毅看來，這算不上什么創新，但在國內首次吃螃蟹，總免不了一些曲折。先想到國外普遍采取與券商做互換的方式做杠桿，然而，由于潛在的信用風險被他否定。

“這條路堵死之后，我們選擇了當時國內已經有的分級基金，這雖然不能做完美的杠桿指數基金，但是一定程度上可以實現我的想法。”

經過幾個月的奔波，2010年3月，銀華深證100分級基金發行，在隨后的7月到10月，該基金讓市場見識了杠桿基金的魅力。其間，銀華深證100銳進份額上漲了109%，而其跟蹤的指數深證100上漲了50%。

2010年4月，股指期貨推出后，引進做空機制成為現實。

目前，用對沖策略做創新是周的一個著力點。記者了解到，銀華旗下已有三只專戶產品運用了對沖策略。

“具體做法就是用股指期貨空頭做等量對沖，其實就是做減法，比如，把超越滬深300指數的收益，通過等量對沖變成絕對收益，盡量降低風險。”

第3篇：金融投資量化方法范文

大概沒有出現過這么密集的傷心消息了――2月21日，史上最年輕的諾貝爾經濟學獎得主肯尼斯?阿羅（Kenneth Arrow）與世長辭；最有影響力的經濟學家之一蒂莫西?富爾斯特（Timothy Fuerst）在同一天去世；3月6日，美國金融學會訃告，著名金融學家羅蒂芬?羅斯（Stephen A?Ross）在家因心臟病突發逝世，對接觸過現代金融學科的人而言，都知道套利定價理論（APT，Arbitrage Pricing Theory）的偉大之處。

就在人們紛紛對西方財經圈大牛表示緬懷之時，傳來一個中國投資大佬境外因病醫治無效過世的消息，讓整個量化投資圈頗為震驚。

這個大佬就是量游投資創始人朱天華。我打開他的微信，簽名“交易是統計游戲”赫然醒目呈現在那里，或許也是他公司名的來由。

朱總是哥倫比亞大學博士，有15年美國頂級投行經驗，任美國高盛集團交易和銷售部董事總經理。關鍵是在高盛，朱博負責金融產品量化、程式化和高頻化的交易和策略，主管美國的國債期貨、國債現貨，包括利率期貨、外匯、商品期貨還曾任瑞士信貸全球自營部的總監、美國雷曼兄弟公司固定收益部副總裁和資深交易員、美國IDC固定收益和金融衍生品資深策略專家。

放眼華人量化投資圈，大概沒幾個人能有這樣豐富而資深的背景了。

一般來說，回國創業的量化創業者有三類，第一類是像朱天華這樣真正受過頂尖投行熏陶的扎實大牛，少之又少；第二類是海外大機構做過幾年相關工作的，基本知道主要套路；第三類是非主流對沖基金合伙人，或是從策略轉投資、從研究轉投資的新人。

我后來與朱天華總共有過三面之緣，每次都在講風控。

第一次見到朱總是上海交大高級金融學院的論壇上，當時話題還算應景――對沖基金在中國的困境與對策。朱總參加的是圓桌討論環節，穿著松松垮垮的休閑外套，他個頭略小，臉上不帶微笑，神情略顯滄桑。他說話雖聲不大，但氣場強烈，當時依稀記得的重要觀點是：很多人太不敬畏投資了，不知道投資中的不確定性有多難控制。

第二次是在虹口區對沖基金園區附近一家酒店大堂。那時大概是2016年5月，聽說朱總很久不見投資人了。我當時像平常一樣咨詢他一些問題，但我很快就發現，朱總交流起來有自己的頻道。他說得更多的是一些形而上學的理念。

最后一次見他，是在去年底上海的一個對沖基金論壇上。他坐在前排一個有名牌的座位上，冷靜地觀察著這個熱鬧的世界，周圍是喧鬧的年輕人。他穿著還是一樣樸素，一樣不為人所注意，感覺整個人有些消瘦。看他提前要走，我與他打了個招呼，他依舊低調地淺淺一笑。

不過，短短的幾次接觸，發現朱總仍有幾點交易原則值得借鑒。

1.分散化。多品種多交易方法。朱總堅持量化交易，他覆蓋的交易品種有期貨、股指、商品期權、分級、ETF等，他基本都在做一些多品種的交易策略。這與他在高盛時一脈相承，他當時負責金融產品量化、程式化和高頻化的交易和策略，對美國國債期貨、國債現貨，包括利率期貨、外匯、商品期貨等各品種也非常精通。

2.尋求趨勢相反機會。朱總偏重微觀，偏重統計意義上的回歸，在量化交易中盡量找一些與趨勢策略相反機會的策略，與趨勢模型做較好的組合補充。

3.永遠敬畏風險。他信服凱恩斯所言的“市場保持不理性的時間可能比你保持不破產的時間更長”。至于具體方法，主要通過對海量數據風控解決方式。他說起過去美國白銀市場，曾經從5元漲到80元，后來跌到10元、2元、1元，非常無法想象。他也提到當時高盛躲過次貸危機最強大的是其風控，在他看來，風控才是資產管理的靈魂。

4.人工智能是方向。2003年朱總在雷曼期間就接觸了深度學習專家，擁有下棋人工智能，只是沒feedback。現在可以通過Led work等神經網絡實現策略復興、優化，也可以通過非結構化思維，進行頭寸與風險分配，主要通過歷史數據，再用反饋測試。

總之，在朱總眼中，中國市場剛剛起步，阿爾法機會巨大。

想起《黑天鵝》一書的作者納西姆?塔勒布對他的理念形成重要沖擊的一刻――當時，塔勒布在芝加哥商業交易所工作，這份工作讓他的喉嚨嘶啞。起初，他也沒在意，返回紐約后才去看醫生。醫生語氣凝重地告訴他，他得了喉癌。塔勒布聽罷心里一沉，外面正好細雨霏霏，他在淅淅瀝瀝的雨中走了一程又一程。他走進醫學圖書館，發瘋似地查找醫學文獻了解自己的病情。衣服上流下的雨水在他腳下形成了一個小水洼，竟然一點兒也沒有察覺，因為喉癌通常是那些抽了一輩子煙且煙癮很大的人，才有可能得的。塔勒布還很年輕，關鍵是他幾乎不吸煙。像他這樣的人患喉癌的概率小之又小，連十萬分之一都不到。他成了一只黑天鵝！后來，每每他投資的時候，這份深刻的與死亡很近的印象盤踞于他腦中，由此自然發展出了黑天鵝投資體系，對風險中的“肥尾”尤為重視。

第4篇：金融投資量化方法范文

【關鍵詞】 金融風險； 管理； VaR； 評估

一、關于VaR的介紹

風險價值模型（Value—at—Risk，VaR）是近年發展起來的用于測量和控制金融風險的量化模型。VaR技術越來越廣泛地用于投資組合風險計量、風險資本配置和績效評價。金融風險管理者當然最關注VaR技術的精確度。

VaR從統計的意義上講，本身是個數字，是指面臨“正常”的市場波動時“處于風險狀態的價值”。即在給定的置信水平（通常是1%或5%）和一定的持有期限內（通常是一天或一周），預期的最大損失量（可以是絕對值，也可以是相對值）。期望損失（Expected Shortfall，ES）指位于超出VaR損失的條件期望。VaR技術在度量尾部風險時是無用的，誤差較大。

本文寫作目的有兩方面：一是評估計算VaR和ES中產生的潛在損失；二是通過VaR和ES的置信區間來量化誤差的嚴重性。

Jorion和Pritsker考慮過VaR風險值的估計。但構造合適的VaR和ES的置信區間，關鍵問題在于解決投資收益條件方差的動態行為，本文將運用著名的GARCH模型來量化這些動態行為。GARCH模型適用于波動性的分析和預測，已經成為金融風險管理中的主力，在GARCH—VaR模型和ES預測中很少產生參數估計錯誤。

Pascual，Romo和Ruiz利用GARCH產生的時間序列獲得預測密度，提出了一個新的Bootstrap重采樣技術。本文發展了該重采樣技術，提出的重采樣技術相對來說更容易實現，并可擴展到多元風險模型。

二、模型的構建和風險措施

本文對一個給定的金融資產或投資組合建立每日損失（負回報）的動態模型：

Lt=σtεt， t=1，…，T （1）

其中，εt是獨立同分布的，均值為0，方差為1，分布函數為G。這里考慮G為標準的Student’s t分布，自由度為d。■εt～t（d）為模擬波動動態，使用對稱的GARCH（1，1）模型，σ■■=ω+αL■■+βσ■■，其中α+β

本文關注損失分布的尾部情形，為此考慮兩個主流的風險措施：VaR技術和期望損失ES。前者簡單說就是損失分布的條件分位數，后者是超過VaR的那部分損失的期望。

已知T時期信息情況下，VaR以覆蓋率p度量T+1時期，用VaR■■表示這個正值：

Pr（LT+1>VaR■■■F■）=p （2）

這里FT表示在時間T可用的信息；p通常是一個小數字，如p=0.01或p=0.05。

類似，已知T時期信息情況下，ES以覆蓋率p度量T+1時期，用ES■■表示這個正值：

ES■■=E（LT+1■LT+1>VaR■■，FT） （3）

給定模型（1），可以得到VaR■■和ES■■的簡化的表達式：

VaR■■=σT+1G■■σT+1c1，p （4）

其中，G■■表示G的（1—p）分位數、標準損失分布εt=Lt/σt，σT+1是T+1時期的條件波動。例如，若G是標準正態分布Φ，p=0.05，則G■■=Φ■■=1.645，從而有VaR■■=1.645σT+1。在一般情況下，當ε～G，方程（4）表明，可以將VaR■■表示為σT+1和常數c1，p=G■■的乘積，其值取決于G和p。

類似地，給定模型（1）：

ES■■=σT+1E（ε■ε>G■■）

σT+1c2，p （5）

其中，ε是獨立同分布的隨機變量，均值為0，方差為1，分布函數為G。若ε～N（0，1），則對任意常數a，有E（ε■ε>a）=■，其中φ和Φ表示標準正態隨機變量的密度函數和分布函數。此時有ES■■=σT+1■和c2，p

■。若ε服從標準的Student’s t分布，自由度為d，則c2，p由不同公式給出。為描述這個公式，令td服從標準的Student’s t分布，自由度為d，Andreev和Kanto給出，對任何常數a，有E（td■td>a）=（1+■）■■，其中f和F表示td的概率密度和累積密度函數。于是有：

c2，pE（ε■ε>G■■）=1+（■G■■）2/d■■■

其中，G■■是ε分布的（1—p）分位數。特別地，G■■=■t■■，其中t■■是td分布的（1—p）分位數。

實際上，無法計算VaR■■和ES■■的真實值，因為它們依賴于數據生成的過程（也就是說，它們依賴于G和條件方差模型σ■■）。因此，需要估計它們，從而估計風險。本文的最終目標就是要通過建立置信區間（或預測區間）來量化風險估計。

三、蒙特卡羅的結果

第5篇：金融投資量化方法范文

指數編制深挖大數據

與互聯網的深度融合，對基金業來說，是一次投研系統突破的機會。

中證指數公司、百度和廣發基金三方強強聯合，通過大數據挖掘和分析、結合可靠量化模型來開發指數化投資，共同打造新的互聯網金融產品。南方基金則選擇了一家網絡媒體新浪財經進行合作。這注定了兩家公司盡管在模式上相近，但是選取的策略因子和最終結果將不盡相同。

據百發指數相關研發人員透露，目前傳統的指數編制方法是利用市值規模、成交金額、財務及估值等指標進行編制，模擬組合的收益表現不佳；而新的指數編制方法，創新性地融合了百度金融大數據技術，結合相應的量化分析模型，產生了數據層面的化學反應，其歷史回溯模擬結果穩健性好、業績表現優異，未來可以基于指數進行產品化、系列化的投資和運營，“該指數的推出，將給投資者分析市場情緒、參與市場投資提供獨特的參照體系，這或將掀起指數界的革命。”

“百度互聯網金融大數據與傳統金融數據的結合，在某種程度說確實起了化學反應。我們把幾類數據做多維度分析，類似于在一個高維空間，利用超平面將價值股和非價值股進行區分。”百發100指數的參與開發者、廣發基金數量投資部的季峰告訴記者，通過對過去5年半的數據跟蹤，相關摸擬的業績數據和模型都是比較優秀的。

與此同時，南方基金也宣步聯手新浪財經即將推出南方-新浪財經大數據策略指數。大數據首次被嵌入傳統金融投資策略中，大數據因子成為指數編制的核心。

南方基金與新浪財經聯合推出的財經大數據策略指數，是通過對新浪財經頻道和新浪微博“財經大數據”定性與定量分析，找出股票熱度預期、成長預期、估值提升預期與股價表現的同步關系，構建策略因子，選出具有超額收益預期的股票，構建、編制并策略指數。

此次南方基金與新浪財經合作，主要用的技術是類似于對相關新聞、內容的關鍵詞“抓取”技術，可能會對相關的公司，以及相關的關鍵詞進行“利好”“利空”的區分，以期對投資進行指導，而廣發基金的中證百度百發策略100指數則偏重于數據分析。

大數據指數即將產品化

據悉，百發100指數的想法來自于一次對話。2013年底，廣發基金副總經理邱春楊與百度金融事業部總監孟慶魁一次對話中談到，能否將百度海量金融大數據轉化為金融產品，之后雙方一拍即合。

此后，中證指數公司、百度和廣發基金三方投入大量人力物力進行策略研發，經過上千種的投資策略分析，和4個月時間的反復調試，才找到令人滿意的結果。百發100指數的順利，引發業內關注，多位基金業內人士表示，會關注其后續產品開發，并將在合適的契機下考慮推出類似產品。

在大數據指數產品化的過程中，廣發基金速度更快。廣發基金表示，百發100指數將互聯網基因與量化模型一起植入傳統基本面因子的指數選樣過程中，是一次指數編制方法的探索和嘗試。他們對“百發100”指數非常有信心，除已著手開發依托該標的指數的指數基金外，未來廣發基金還將聯合百度及中證，推出絕對收益類產品、增強型指數產品、量化對沖產品等。

季峰介紹，“跟蹤百發100指數的公募基金產品預期最快9或10月份推出，由于報備產品是走普通通道，希望能比較快拿到募集批復。”而記者了解到，南方基金的計劃則是今年將產品上報證監會，明年發行。

業內人士認為，待相關產品問世后，將成為資產管理行業的一個重大創新，因為目前市場上還沒有利用大數據成果指導投資行為的產品。此外，這也將是互聯網金融的一大創新。

大數據權益類基金領先出擊互聯網金融

有專業人士指出，大數據來自互聯網，指數算法互聯網化，未來指數基金的銷售也會在互聯網上進行，基金業可能先于其他資產管理公司全面步入互聯網化。

目前，互聯網金融產品主要是各類平臺上面的各類“寶寶”們的貨幣基金產品以及淘寶店、第三方理財平臺銷售的各類公募基金產品，只是變換了一下銷售渠道，本質上仍屬于傳統的基金產品。而大數據指數產品的將會是真正意義上的第一只權益類互聯網金融產品。

第6篇：金融投資量化方法范文

年10月加入華泰柏瑞公司，任專戶投資部投資經理

截至5月9日，滬深300指數市盈率僅為11.06倍，低于全市場整體水平。A股的估值中樞明顯下移，中國股市的市盈率正逐步向成熟市場的低市盈率水平靠攏。在300指數現今的估值水平下，如何來判斷它的投資價值？為此記者采訪了華泰柏瑞基金專戶投資經理楊景涵。

價值投資也要關注成長性

楊景涵說，簡單的結論就是此時的市盈率基本上是在底部了，但是這個底部與其他時候的底部不同。2008年的底部很快就建立起來了，沒有經過太久的波折，2005年底部筑成的時間也不是很長，大約有半年的時間，這兩個時點之間是4年的大牛市。雖然眼下的底部時間比較長，但不影響對底部的基本判斷。

股市遲遲走不出底部的原因在于，投資者對市場的預期是，在經濟模式轉型的時候，方方面面都需要時間去協調，固有的盈利模式要被打破，新模式的建立不是一朝一夕的功夫。這時的價值投資就是要看企業的成長性，話說起來仿佛是悖論，價值投資和成長性往往是相對立的，其實不然。價值投資時時刻刻都是在衡量企業的內在價值，而決定企業內在價值的，長遠來看就是企業的成長性。

“回到滬深300的市盈率，成分股確實有好多目前正處于低估的狀態。雖然它們在未來的一段時間里不可能維持前5年的成長性，但是我們可以看到的是，有一部分企業在行業里的壟斷地位一時間無法被取代，依然有著優秀的管理層，依然有著比同行業的其他公司更為優質的成長性，我們以此就會計算這家企業到底值多少錢，得出一個結論：目前的11倍左右的市盈率確實是被低估的。所以，市盈率不能簡單地一概而論。” 楊景涵介紹。

量化投資也有定性分析

近日成為財經熱點的T+0華泰柏瑞滬深300ETF對以量化和對沖為特色的各類投資產品將帶來深刻的影響，尤其是在該產品5月28日起在上交所上市以后，T+0、期現套利、一二級市場套利等各類交易策略都可以開始實施了。

第7篇：金融投資量化方法范文

盡管量化投資已經成為市場投資的發展趨勢，但是大多數投資者并不是很熟悉量化投資。一方面是由于量化投資一定程度上依賴數學模型，而賺錢的投資模型都是機構的秘密武器，不會輕易披露。另一方面是由于量化投資采用計算機系統，設計各種交易手段，有著較為復雜的數學計算與技術要求，現在許多量化投資都是計算機自動執行的程序交易。另外，量化交易者，俗稱寬客（quants）的交易和故事多多少少增加了量化投資的神秘感。所以，人們一般把量化投資稱為“黑箱”。納蘭（Narang，R.，2012）描述了量化交易系統的典型構造，打開了量化投資的“黑箱”。納蘭認為阿爾法模型用來預測市場未來方向，風險控制模型用來限制風險暴露，交易成本模型用來分析為構建組合產生的各種成本，投資組合構建模型在追逐利潤、限制風險與相關成本之間做出平衡，然后給出最優組合。最優目標組合與現有組合的差異就由執行模型來完成。數據和研究部分則是量化投資的基礎：有了數據，就可以進行研究，通過測試、檢驗與仿真正確構建各個模型。預測市場并制定策略是量化投資的核心，即阿爾法模型在量化投資中處于核心地位。隨著量化投資的不斷發展，量化投資模型也在不斷改進。簡單的策略可能就是證券或組合的套利行為，如期現套利組合、市場異象研究中的差價組合等。統計套利策略是經典的量化投資策略，如匹配交易或攜帶交易。近年來，高頻交易成為量化投資的重要內容，基于高速的計算機系統實施高頻的程序交易已經是量化投資的重要利器。丁鵬（2012）將量化投資的主要內容分為以下幾個方面：量化選股、量化擇時、股指期貨套利、商品期貨套利、統計套利、期權套利、算法交易、ETF/LOF套利和高頻交易等。他認為量化投資的優勢在于：紀律性、系統性、及時性、準確性和分散化。

二、量化投資“黑箱”中的構造與證券投資學的差異

在傳統的證券投資學中，投資組合理論、資本資產定價模型、套利定價理論和期權定價理論是現代金融理論的四塊基石。前兩者主要依靠均值-方差組合優化的思想，后兩者則主要依靠市場的無套利條件。傳統的投資方法主要是基本面分析和技術分析兩大類，而量化投資則是“利用計算機科技并采用一定的數學模型去實現投資理念、實現投資策略的過程”。從概念看，量化投資既不是基本面分析，也不是技術分析，但它可以采用基本面分析，也可以采用技術分析，關鍵在于依靠模型來實現投資理念與投資策略。為了分析量化投資對證券投資學的啟示，本文從量化投資“黑箱”的各個構成來探討量化投資與證券投資學中思路和觀點的差異。

（一）資產定價與收益的預測

根據組合優化理論，投資者將持有無風險組合與市場風險資產組合，獲得無風險利率與市場風險溢價。資本資產定價模型則將此應用到單一證券或組合，認為證券的風險溢價等于無風險利率加上與風險貢獻比率一致的風險溢價，超過的部分就是超額收益，即投資組合管理所追求的阿爾法值。追求顯著正的阿爾法是資產定價理論給實務投資的一大貢獻。基于因素模型的套利定價理論則從共同風險因素的角度提供了追求阿爾法的新思路。其中，法瑪和佛倫齊的三因素定價模型為這一類量化投資提供了統一的參考。可以說，在因素定價方面，量化投資繼承了資產定價理論的基本思想。對于因素定價中因素的選擇，證券投資學認為，對資產價格的影響，長期應主要關注基本面因素，而短期應主要關注市場的交易行為，即采用技術分析。在量化投資中，主要強調按照事先設定的規則進行投資，這在一定程度上與技術分析類似。但是，在技術分析中，不同的人會有不同的結論，而量化投資則強調投資的規則化和固定化，不會因人的差異而有較大的不同。另外，量化交易更強調從統計和數學模型方面尋找資產的錯誤定價或者進行收益的預測。

（二）無套利條件與交易成本

在證券投資學里，流動性是證券的生命力。組合投資理論、資本資產定價模型以及套利定價理論等都認為市場中存在大量可交易的證券，投資者可以自由買賣證券。這主要是為了保證各種交易都能實現，如套利交易。根據套利定價理論，一旦市場出現無風險的套利機會，理性投資者會立即進行套利交易，當市場均衡時就不存在套利機會。現實市場中往往存在套利限制。一是因為凱恩斯說的“市場的非理性維持的時間可能會長到你失去償付能力”。二是因為市場總是存在交易費用等成本。但證券投資學中，對市場中套利限制與非流動性的關注較少，這是因為傳統金融理論中簡化了市場結構。市場微觀結構理論研究在既定的交易規則下，金融資產交易的過程及其結果，旨在揭示金融資產交易價格形成的過程及其原因。在市場微觀結構理論中，不同的市場微觀結構對市場流動性的沖擊是不同的。因而，從量化投資的角度看，為了降低交易帶來的價格沖擊，能實施量化投資策略的證券往往都應有較好的流動性，因為交易時非流動性直接影響投資策略的實施。從這個意義上講，量化投資時的交易成本不僅包括交易費用，更主要的是要考慮市場交易沖擊的流動性成本。

（三）風險控制與市場情緒

在證券市場中，高收益與高風險相匹配。量化投資在追求高收益的同時，不可避免地承擔了一定的風險。在證券投資學中，系統性風險主要源于宏觀經濟因素，非系統性因素則主要源于行業、公司因素，并且不考慮市場交易行為的影響。在量化投資中，較多地使用因素定價模型，不僅會考慮市場經濟因素，而且會考慮交易行為等因素，只是不同的模型有不同的側重點，在多模型的量化投資系統中自然包括了這兩方面的因素。除了各種基本面和市場交易的因素風險外，量化投資還有自身不可忽視的風險源。一方面，量化交易中，部分交易是采用保證交易的期貨、期權等衍生品交易，這種杠桿交易具有放大作用，隱藏著巨大的風險。另一方面，市場沖擊的流動性成本也是量化投資的風險控制因素，理所當然地在圖1的風險控制模型中體現出來。另外，在一般的投資過程中，市場情緒或多或少會成為風險控制的一個對象。然而，在量化投資中，更多的交易都是通過計算機來實現的，如程序交易等，這樣以來，投資者情緒等因素對投資決策的影響相對較小。所以，在量化投資的風險控制模型中較少地考慮市場情緒以及投資者自身的情緒，主要是通過承擔適度的風險來獲得超額回報，因為畢竟減少風險也減少了超額回報。

（四）執行高頻交易與算法交易

在對未來收益、風險和成本的綜合權衡下，實現投資策略成為量化投資的重要執行步驟。為了達到投資目標，量化投資不斷追求更快的速度來執行投資策略，這就推動了采用高速計算機系統的程序化交易的誕生。在證券投資學里，技術分析認為股價趨勢有長期、中期和短期趨勢，其中，長期和中期趨勢有參考作用，短期趨勢的意義不大。然而，隨著計算機信息科技的創新，量化投資策略之間的競爭越來越大，誰能運作更快的量化模型，誰就能最先找到并利用市場錯誤定價的瞬間，從而賺取高額利潤。于是，就誕生了高頻交易：利用計算機系統處理數據和進行量化分析，快速做出交易決策，并且隔夜持倉。高頻交易的基本特點有：處理分筆交易數據、高資金周轉率、日內開平倉和算法交易。高頻交易有4類流行的策略：自動提供流動性、市場微觀結構交易、事件交易和偏差套利。成功實施高頻交易同時需要兩種算法：產生高頻交易信號的算法和優化交易執行過程的算法。為了優化交易執行，目前“算法交易”比較流行。算法交易優化買賣指令的執行方式，決定在給定市場環境下如何處理交易指令：是主動的執行還是被動的執行，是一次易還是分割成小的交易單。算法交易一般不涉及投資組合的資產配置和證券選擇問題。

三、對量化投資在證券投資教學中應用的思考

從上述分析可以知道，量化投資的“黑箱”構造與證券投資學之間存在一定的差異，因此，在證券投資的教學中應當考慮量化投資發展的要求。

（一）市場微觀結構與流動性沖擊

在理性預期和市場有效假說下，市場價格會在相關信息披露后立即調整，在信息披露前后市場有著截然不同的表現。在證券投資學里，一般認為價格的調整是及時準確的，然而，現實的世界里，價格調整需要一個過程。在不同的頻率下，這種價格形成過程的作用是不同的。在長期的投資中，短期的價格調整是瞬間的，影響不大。然而，在高頻交易中，這種價格調整過程影響很大。市場微觀結構就是研究這種價格形成過程。市場微觀結構理論中有兩種基本的模型：存貨模型和信息模型。存貨模型關注商委托單簿不平衡對訂單流的影響，解釋沒有消息公布時價格短暫波動的原因。信息模型關注信息公布后信息反映到價格中的這一過程，認為含有信息的訂單流是導致價格波動的原因。無論是關注委托訂單的存貨模型還是關注市場參與者信息類型的信息模型，這些市場微觀結構的研究加強了流動性與資產價格之間的聯系，強調流動性在量化投資決策中的重要作用。一般的證券投資學中基本沒有市場微觀結構的內容，因而，為了加強證券投資學的實用性，應關注市場微觀結構的內容與發展。

（二）業績評價與高杠桿

對于證券組合而言，不僅要分析其超額收益和成本，還要考慮其風險與業績。在組合業績評價中，一方面要考慮風險的衡量，另一方面則要分析業績的來源。在證券投資學中，組合業績來自于市場表現以及管理者的配置與選股能力。對于量化投資而言，市場時機和管理者的能力依然重要，然而，量化投資的業績評價還應考慮另一個因素：高杠桿。量化交易中，部分交易是采用保證交易的期貨、期權等衍生品交易，這種杠桿交易具有放大作用，在市場好的時候擴大收益，但在市場不好的時候會加速虧損，這些與傳統的業績評價就不太一樣。在一般的證券投資學里，業績評價主要考慮經風險調整的收益，很少考慮其杠桿的作用，這不僅忽略了杠桿的貢獻，而且有可能夸大了投資者的技能水平。

（三）人為因素與模型風險

在量化投資中，非常注重計算機對數據和模型的分析，這突出了量化投資的規則性和固定性。然而，實際中，別看量化采用了各種數學、統計模型，但策略設計、策略檢測和策略更新等過程都離不開人的決策。量化交易策略與判斷型交易策略的主要差別在于策略如何生成以及如何實施。量化投資運用模型對策略進行了細致研究，并借助計算機實施策略，能夠消除很多認為的隨意性。但是，量化策略畢竟體現投資者的交易理念，這一部分依賴于投資者的經驗，一部分依賴于投資者對市場的不斷觀察與更新。實際上，人始終處于交易之中，對于市場拐點以及趨勢反轉的判斷主要還是依賴投資者的經驗。光大的烏龍指事件充分表明了人為因素在量化投資中的兩面性：決策實施依賴于人的設定，而人的設定不僅依賴于經驗，而且人還會犯錯。人之所以會犯錯，一方面是因為人們對市場的認知是不完全的，另一方面則是人們使用了錯誤的模型。經典的證券投資理論中，股票價格的變動被認為是隨機的，小概率事件出現的機會比較小，但是經驗研究表明股票收益率具有肥尾現象，小概率事件發生的機會超出了人們原先的認識，即市場還會出現“黑天鵝”。更為關鍵的是，量化投資更依賴數學和統計模型，這就使得量化投資存在較大的模型風險，即使用了錯誤的模型。為了防范模型風險，應采用更為穩健的模型，即模型的參數和函數應該適應多種市場環境。近年來，研究表明，證券收益及其與風險因素的關系存在較大的非線性，同時，市場中存在一定的“噪聲”，采用隱馬爾科夫鏈等隨機過程和機器學習等數據挖掘技術進行信息處理成為量化投資的重要技術支持。

（四）2013年諾貝爾經濟學獎的啟示

第8篇：金融投資量化方法范文

359

2015-4-6

投資者報

近20年來，隨著金融信息化建設的不斷完善以及金融工程學和金融數學理論的不斷發展。量化交易逐漸從幕后走向臺前，逐漸被廣大投資者認識、接受。據統計顯示，在美國的證券市場中有60%的指令是由程序發出的，占比十分可觀。

從國內外歷史經驗上看，量化交易的持倉周期一般較短，頻繁地進出操作，要求交易標的必須具有良好的流動性，并且價格波動較大以便獲利。

期貨合約作為交易所上市的標準資產，往往具有極好的流動性，而且支持做空和T+0結算，交易手續費低廉，是量化投資的理想對象。如國外的標準普爾500指數期貨、美國國債期貨、布倫特原油期貨，國內的股指期貨、塑料、白糖、PTA期貨等，都是量化交易者青睞的交易標的。

幾種典型的期貨量化交易策略

經過20余年的發展，期貨量化交易的理論和實踐有了較大的發展，誕生了多種不同思路的量化交易策略。

1. 期貨期限套利策略

期限套利是最常見的期貨套利策略，賺取現貨和期貨的瞬間價差，以股指期貨為例，當滬深300股指期貨價格顯著高于現貨時，可以做空股指期貨，同時買入滬深300一攬子股票，等待價差減小后將期貨和現貨頭寸平倉。同樣對于商品期貨，也可以有類似的期現套利操作。筆者在實際應用這種策略操盤時發現，當基差擴大至30基點和負基差時，可明顯觀察到有大量套利盤平倉。

采用這種策略操作存在的問題是，雖然套利策略相比單邊投機策略風險較小，但若期貨和現貨價差繼續擴大，則頭寸將面臨損失。另外，一手股指期貨對應的是100萬元左右的現貨資產，加上股指期貨的保證金，一個套利頭寸的建倉成本在115萬元左右，僅適合資金量較大的投資者。

2. 跨品種統計套利策略

在期貨市場往往存在統計相關性較高的期貨品種，如大豆和豆油、豆粕，原油和塑料，菜籽油和菜粕等等。若當前價差顯著大于或者小于歷史水平時，可以建立頭寸，等待二者的價差恢復到正常水平。與期限套利相同，統計套利也面臨著當價差擴大后頭寸面臨損失的風險。

3. 趨勢跟蹤類策略

與主觀交易經常預測未來行情走勢不同，趨勢跟蹤類策略往往不預測也不預見，它們以價格為基礎，每當價格有所變動發出趨勢信號時，就跟進追漲殺跌。比較經典的趨勢跟蹤型策略有均線交易系統、MACD交易系統、布林帶交易系統等。量化交易員往往使用不止一個指標來識別趨勢，并利用多種過濾方法來過濾虛假信號，提高勝率。

4. 事件驅動型量化交易策略

隨著自然語言處理和數據挖掘技術的不斷增長，出現了基于輿情挖掘的交易策略，量化交易者的服務器會在互聯網搜索任何與該期貨合約有關的文本的信息，基于搜集到的信息判斷該合約在短期內的價格走勢。

5. 高頻交易策略

隨著計算機技術和網絡技術的不斷發展，傳統基于K線交易系統的交易速度，已經無法滿足量化交易者的需求。從而產生了以Tick數據為單位的高頻交易策略，現有的高頻交易策略包括自動做市，訂單流跟蹤，統計套利等。高頻交易成功的關鍵在于交易速度，為了追求極致，高頻交易者往往不惜花重金在期貨交易所周邊購置服務器，以圖達到最快的交易速度。

主觀交易VS程序化交易

關于主觀交易和量化交易孰優孰劣的問題一直是投資界爭論的話題。從經驗上看，若交易方法得當，輔以不錯的手氣，主觀交易往往能在短時間內帶來巨大的收益，但是由于投資者在主觀交易中經常違背交易紀律，不能做到堅決的止盈和止損，“凈身出戶”的例子屢見不鮮。

與主觀交易不同，量化交易的交易紀律是由計算機程序保證的，若價格運行到程序設定的止損點位時計算機會堅決止損，不會出現主觀交易者常犯的“死扛等反彈”的情況，其收益曲線一般較主觀交易者更為穩定。除了維護交易紀律，量化投資者對比主觀人工交易者還有以下幾點比較優勢：

1. 體力與精力

受制于體力和腦力，主觀交易者無法時刻保持最旺盛的精力，進而影響交易績效。而且當前三大商品期貨交易所紛紛推出了夜盤交易，這更對主觀交易者的腦力和體力提出了嚴峻挑戰。

2. 交易速度與滑點

主觀交易者在投資決策前需要用肉眼收集相關信息，進行思路整理，進行必要的計算，最后打開軟件下單，即使是最富有經驗的交易員完成這一系列動作平均也需要5秒左右的時間，對于以日內短期交易為主的期貨交易來說，5秒延遲的滑點成本巨大，嚴重影響交易績效。而由計算機執行的量化交易從收集信息到執行交易，僅僅需要毫秒級別的時間，滑點成本顯著小于主觀交易者。

3. 理性與感性

按照行為經濟學的理論，投資者在投資活動中存在各種認知偏差。如損失厭惡偏差，自確認偏差、參照點偏差、過度自信偏差、后悔厭惡偏差等等，這些負面的認知偏差往往令主觀交易者在金錢與身體上面臨雙層煎熬，而計算機執行的量化交易顯然無需考慮此問題。

近日，微量網和國內某媒體合作舉辦了“首屆全國期貨全明星人機大戰實盤爭霸賽”，通過對比主觀交易組和程序化交易組的成績我們發現了有趣的結果。大賽排名前十名的選手中主觀交易和程序化交易各一半，其中前3名全部都是主觀交易選手，但在11名到50名的選手中，程序化組的選手卻占到70%以上，而且即使排名靠前的主觀交易選手大都是身經百戰，程序化交易選手的平均回撤率也顯著小于主觀交易選手，達到8%之多。

量化交易發展空間巨大

2005年之后，伴隨著量化投資的傳播，程序化交易開始出現在內地市場。在開始階段，量化交易主要利用模型辨別交易信號，并以手工下單為主。

2010年股指期貨推出后，由于市場流動性好，交易信號明顯，成為程序化交易的主要標的，但參與量化交易的仍然以機構投資者居多。2011年至2012年，市場上涌現出文華財經、交易開拓者、天語等交易軟件，他們大多使用簡單，上手容易，推動了程序化交易的普及，使采用程序化交易的投資者數量快速增加。2012 年開始，隨著期貨資管的開閘，私募基金開始大量利用程序化交易參與到期貨市場中，程序化交易技術和成交量均得到飛速發展。

第9篇：金融投資量化方法范文

與股神巴菲特的“價值投資”不同，西蒙斯的投資成就依靠的是“量化投資”。這位24歲起就出任哈佛大學數學系教授的數學天才，依靠數學模型和計算機技術捕捉著市場機會。他認為，數學模型比主動投資能夠更有效地降低風險。

雖然中國人對西蒙斯這個名字還比較陌生，但“量化投資”產品在華爾街已經非常普遍。受益于計算機技術的提升和市場歷史數據供應的完善，進入21世紀后，這一投資方式開始飛躍成長。2000年至2007年間，美國“量化投資”產品的總規模翻了4倍多，超越了同期美國共同基金總規模（定量+定性）的增長速度（翻了1.5倍）。“量化投資”在美國全部投資中的占比，從1970年為零發展到2009年30%以上。

什么是“量化投資”？

可以說“量化投資”是隨著計算機科技而發展起來的。簡單地說，“量化投資”就是將人的投資思想反應在數量模型中，并利用電腦處理大量信息，從而進行投資決策。建信上證社會責任ETF基金經理葉樂天介紹，“量化投資”在美國的發展比較蓬勃。在華爾街的投資行為中，同一個套利機會下，誰下單早誰就就能抓住機會，這些都得益于計算機運行速度越來越快。也往往就是這幾毫秒的領先，就可以掙到萬分之一的收益。萬分之一雖然不多，但是日積月累，就可能有很高的收益。

目前“量化投資”在中國還是一個新概念，處于起步和發展之間的階段，可以說是少數派的地位，普通老百姓不太熟悉，產品較少，也缺乏明星產品和明星基金經理。

與市場熟悉的“定性投資”相比，“量化投資”主要是在研究方法上與其不同。“定性投資”的公司基本面研究是靠到企業調研，看研究報告，與高管深入交流、了解大股東訴求，了解公司發展規劃之類，有很深的深度。“量化投資”則注重廣度，比如市場上有2000只股票，就把2000只全都抓起來，“量化投資”的數據越多反而越好。葉樂天以市場中一個很形象的比喻來形容上述兩種投資的異同：“定性投資”和“定量投資”的差異如同中醫和西醫的關系。“定性投資”更像中醫，更多地依靠經驗和感覺判斷病在哪里；“定量投資”更像是西醫，依靠模型判斷，模型對于定量投資基金經理的作用就像CT機對于醫生的作用。在每一天的投資運作之前，我會先用模型對整個市場進行一次全面的檢查和掃描，然后根據檢查和掃描結果做出投資決策。

葉樂天笑稱，與定性投資基金經理經常出差不同，他主要的工作都在案頭。他主要是搜集數據，進行數據處理，還有編程。雖然表面上看不如定性投資基金經理忙碌，但其實工作量一點不少。

排除“人”的情感

一位“量化投資”基金經理一開始是學習理論方面的知識，比如數學知識和統計學知識；然后對歷史數據進行分析；參考市場中已有的成功模型，汲取巨人的智慧；接著是建模；然后測試，測試中有很多細節需要考慮，比如沖擊成本等；最后是搭建一個平臺，確保數據到達后，模型能夠響應，進行處理和輸出。每一步都非常復雜。

在這個過程里，不僅數學模型不具備自己的情感，基金經理也要盡可能地剔除“人”的思維。這其中便是對紀律性的超高要求。雖然量化模型是由人設計的，具體的交易單由模型產生，但基金經理在經驗總結以及模型設計時容易保持理性，在個股的交易時卻不免受制于人性的弱點。葉樂天說，正如西醫檢查一般，量化模型的最大的特點就是可以克服人性的弱點，他不會有恐慌，也不會有貪婪。所以只要模型和數據是正確的，基金經理平時都不會去干預和控制模型的輸出。

2007年次貸危機的爆發，在一定程度上可以說就是人的情感對模型干預造成的失誤。華爾街為衍生品定價的模型并沒有錯，錯的是人在設定參數的時候對當時的金融形勢過于樂觀，過分信任金融衍生品工具。

但盡量不干預也不是完全不干預，比如下面這兩種情況：一是程序發生錯誤，二是模型錯誤。模型錯誤主要指的是股票走勢與預測相差特別大，超過了統計意義上顯著的差別，這時就需要更新一下模型，但一般不會太頻繁。

另外一種發揮人的主觀能動性的情況就是對虛假數據的剔除。葉樂天介紹，“中國很多數據都經過修飾，對我本人來說，我不喜歡根據宏觀數據擇時，更多地是相信多因子模型。我們現在有很大一部分工作是進行數據清理，包括上市公司經過修飾的財務數據。但是有一塊是沒有經過修飾的，就是技術面的數據，比如成交量和成交價格，這是由市場PK決定的。同時由于中國市場有坐莊的人，所以我們在小股票的選擇上也會比較慎重。在數據清理方面與基本面有關，所以我們也會和研究員溝通。還包括異常值的去除，取中位數往往比平均數更靠譜。在統計學上有一個大數定律，在數據量很大的情況下，最終會回歸一個中性的環境。”

如何選擇“量化投資”產品？

依照目前中國市場的情況，“量化投資”主要分為一下幾類：一是套利型，比如股指期貨套利；二是被動型；三是追求超額收益的產品；四是做高頻交易，主要是私募和券商資本。不同的產品對收益率會有不同的要求：指數增強追求的是超額收益，與標的指數之間的差盡量少，還能跑贏指數；對沖基金和套利ETF是在穩定的前提下追求超額收益。

目前中國的量化產品絕大多數還是指數產品，尤其是公募這一塊，起碼有100來只，但主動量化的可能只有十幾只。量化產品的換倉、持倉的規模比較大，那么沖擊的成本就比較大。因為量化投資不像基本面研究對單個公司的研究很透，所以禁得起很大的波動，追求的漲幅也大。量化追求比較小的漲幅，但比較穩定。另外，查閱“量化投資”基金的歷史業績可以發現，指數增強型基金的表現還算穩定，主動量化型的穩定性稍差。業績穩定對開放式基金比較重要。目前市場上認購較好的指數基金，就是因為業績穩定。

在交易量上，不同的產品會不一樣。公募的交易肯定不活躍，因為交易量比較大，沖擊的成本也大，另外同日不能反向交易。但私募量化基金主要是做高頻交易，深度更大，一天可能往返好幾次。

同時，中國的量化產品主要還是受制于投資人才的培養、衍生工具的發展和市場深度不夠。因為衍生工具缺乏，在內地市場買可轉債，就不能像在香港市場一樣去做空股票，做空相應的債券，賺取波動率。市場深度不夠則主要表現可投資股票的數量上。

在目前的市場情況下，投資者在選擇“量化投資”產品的時候，首先看一下這只基金是屬于哪一類的，然后看基金經理的投資理念和思路方法能否在當時的市場上獲取收益，如果認同的話就可以選擇了。也即是一看歷史業績，二看管理者的投資理念。

很多人擔心由于中國股市受政策影響較大，數學模型可能并不能及時對政策變動做出反應。葉樂天說，“政策市對市場肯定會有影響，包括數據不透明，政策變化對股市的影響等。但股市會反映政策的，如果政策有效的話，政策會反映在股市中，為量化模型提供一些最新的數據，只要及時更新數據，還是可以處理得很好。”

另外，基金的規模對業績也會有影響。葉樂天認為，指數增強產品三四十個億是比較好的規模。如果規模太小，有些持倉可能會買不足。

投資在選擇“量化投資”產品的時候，應當首先考慮資產配置。因為基金是一種長期投資，不需要經常擇時，更多地還是做好投資者個人的資產配置。

量化產品的優勢

“量化投資”的投資方法本身在海外已經得到了證明，但中國A股市場主要以散戶占多數，要把運用模型進行計算操作的量化投資這樣復雜的投資方法向他們解釋清楚并理解和接受確實不易。但從量化投資的特點上來看，由于量化投資需要不斷尋找機會，買入一大批股票，而不會在幾只股票上重倉押注，在投資結果上，其換手率和分散化程度都較高，這樣一來，相對于散戶投資者重倉幾只股票來講，風險性也就更小。同時，由于量化投資就是借助現代統計學、數學的方法，從海量歷史數據中尋找能夠帶來超額收益的多種“大概率”策略，并紀律嚴明地按照這些策略所構建的數量化模型來指導投資、形成回報，因此具有很高的投資價值。