量化投资与分析
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇量化投资与分析范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
量化投资与分析范文第1篇
尽管量化投资已经成为市场投资的发展趋势,但是大多数投资者并不是很熟悉量化投资。一方面是由于量化投资一定程度上依赖数学模型,而赚钱的投资模型都是机构的秘密武器,不会轻易披露。另一方面是由于量化投资采用计算机系统,设计各种交易手段,有着较为复杂的数学计算与技术要求,现在许多量化投资都是计算机自动执行的程序交易。另外,量化交易者,俗称宽客(quants)的交易和故事多多少少增加了量化投资的神秘感。所以,人们一般把量化投资称为“黑箱”。纳兰(Narang,R.,2012)描述了量化交易系统的典型构造,打开了量化投资的“黑箱”。纳兰认为阿尔法模型用来预测市场未来方向,风险控制模型用来限制风险暴露,交易成本模型用来分析为构建组合产生的各种成本,投资组合构建模型在追逐利润、限制风险与相关成本之间做出平衡,然后给出最优组合。最优目标组合与现有组合的差异就由执行模型来完成。数据和研究部分则是量化投资的基础:有了数据,就可以进行研究,通过测试、检验与仿真正确构建各个模型。预测市场并制定策略是量化投资的核心,即阿尔法模型在量化投资中处于核心地位。随着量化投资的不断发展,量化投资模型也在不断改进。简单的策略可能就是证券或组合的套利行为,如期现套利组合、市场异象研究中的差价组合等。统计套利策略是经典的量化投资策略,如匹配交易或携带交易。近年来,高频交易成为量化投资的重要内容,基于高速的计算机系统实施高频的程序交易已经是量化投资的重要利器。丁鹏(2012)将量化投资的主要内容分为以下几个方面:量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易、ETF/LOF套利和高频交易等。他认为量化投资的优势在于:纪律性、系统性、及时性、准确性和分散化。
二、量化投资“黑箱”中的构造与证券投资学的差异
在传统的证券投资学中,投资组合理论、资本资产定价模型、套利定价理论和期权定价理论是现代金融理论的四块基石。前两者主要依靠均值-方差组合优化的思想,后两者则主要依靠市场的无套利条件。传统的投资方法主要是基本面分析和技术分析两大类,而量化投资则是“利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程”。从概念看,量化投资既不是基本面分析,也不是技术分析,但它可以采用基本面分析,也可以采用技术分析,关键在于依靠模型来实现投资理念与投资策略。为了分析量化投资对证券投资学的启示,本文从量化投资“黑箱”的各个构成来探讨量化投资与证券投资学中思路和观点的差异。
(一)资产定价与收益的预测
根据组合优化理论,投资者将持有无风险组合与市场风险资产组合,获得无风险利率与市场风险溢价。资本资产定价模型则将此应用到单一证券或组合,认为证券的风险溢价等于无风险利率加上与风险贡献比率一致的风险溢价,超过的部分就是超额收益,即投资组合管理所追求的阿尔法值。追求显着正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中,法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说,在因素定价方面,量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择,证券投资学认为,对资产价格的影响,长期应主要关注基本面因素,而短期应主要关注市场的交易行为,即采用技术分析。在量化投资中,主要强调按照事先设定的规则进行投资,这在一定程度上与技术分析类似。但是,在技术分析中,不同的人会有不同的结论,而量化投资则强调投资的规则化和固定化,不会因人的差异而有较大的不同。另外,量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。
(二)无套利条件与交易成本
在证券投资学里,流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券,投资者可以自由买卖证券。这主要是为了保证各种交易都能实现,如套利交易。根据套利定价理论,一旦市场出现无风险的套利机会,理性投资者会立即进行套利交易,当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中,对市场中套利限制与非流动性的关注较少,这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下,金融资产交易的过程及其结果,旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中,不同的市场微观结构对市场流动性的冲击是不同的。因而,从量化投资的角度看,为了降低交易带来的价格冲击,能实施量化投资策略的证券往往都应有较好的流动性,因为交易时非流动性直接影响投资策略的实施。从这个意义上讲,量化投资时的交易成本不仅包括交易费用,更主要的是要考虑市场交易冲击的流动性成本。
(三)风险控制与市场情绪
在证券市场中,高收益与高风险相匹配。量化投资在追求高收益的同时,不可避免地承担了一定的风险。在证券投资学中,系统性风险主要源于宏观经济因素,非系统性因素则主要源于行业、公司因素,并且不考虑市场交易行为的影响。在量化投资中,较多地使用因素定价模型,不仅会考虑市场经济因素,而且会考虑交易行为等因素,只是不同的模型有不同的侧重点,在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外,量化投资还有自身不可忽视的风险源。一方面,量化交易中,部分交易是采用保证交易的期货、期权等衍生品交易,这种杠杆交易具有放大作用,隐藏着巨大的风险。另一方面,市场冲击的流动性成本也是量化投资的风险控制因素,理所当然地在图1的风险控制模型中体现出来。另外,在一般的投资过程中,市场情绪或多或少会成为风险控制的一个对象。然而,在量化投资中,更多的交易都是通过计算机来实现的,如程序交易等,这样以来,投资者情绪等因素对投资决策的影响相对较小。所以,在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪,主要是通过承担适度的风险来获得超额回报,因为毕竟减少风险也减少了超额回报。
(四)执行高频交易与算法交易
在对未来收益、风险和成本的综合权衡下,实现投资策略成为量化投资的重要执行步骤。为了达到投资目标,量化投资不断追求更快的速度来执行投资策略,这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里,技术分析认为股价趋势有长期、中期和短期趋势,其中,长期和中期趋势有参考作用,短期趋势的意义不大。然而,随着计算机信息科技的创新,量化投资策略之间的竞争越来越大,谁能运作更快的量化模型,谁就能最先找到并利用市场错误定价的瞬间,从而赚取高额利润。于是,就诞生了高频交易:利用计算机系统处理数据和进行量化分析,快速做出交易决策,并且隔夜持仓。高频交易的基本特点有:处理分笔交易数据、高资金周转率、日内开平仓和算法交易。高频交易有4类流行的策略:自动提供流动性、市场微观结构交易、事件交易和偏差套利。成功实施高频交易同时需要两种算法:产生高频交易信号的算法和优化交易执行过程的算法。为了优化交易执行,目前“算法交易”比较流行。算法交易
优化买卖指令的执行方式,决定在给定市场环境下如何处理交易指令:是主动的执行还是被动的执行,是一次易还是分割成小的交易单。算法交易一般不涉及投资组合的资产配置和证券选择问题。 三、对量化投资在证券投资教学中应用的思考
从上述分析可以知道,量化投资的“黑箱”构造与证券投资学之间存在一定的差异,因此,在证券投资的教学中应当考虑量化投资发展的要求。
(一)市场微观结构与流动性冲击
在理性预期和市场有效假说下,市场价格会在相关信息披露后立即调整,在信息披露前后市场有着截然不同的表现。在证券投资学里,一般认为价格的调整是及时准确的,然而,现实的世界里,价格调整需要一个过程。在不同的频率下,这种价格形成过程的作用是不同的。在长期的投资中,短期的价格调整是瞬间的,影响不大。然而,在高频交易中,这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型:存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响,解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程,认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型,这些市场微观结构的研究加强了流动性与资产价格之间的联系,强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容,因而,为了加强证券投资学的实用性,应关注市场微观结构的内容与发展。
(二)业绩评价与高杠杆
对于证券组合而言,不仅要分析其超额收益和成本,还要考虑其风险与业绩。在组合业绩评价中,一方面要考虑风险的衡量,另一方面则要分析业绩的来源。在证券投资学中,组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言,市场时机和管理者的能力依然重要,然而,量化投资的业绩评价还应考虑另一个因素:高杠杆。量化交易中,部分交易是采用保证交易的期货、期权等衍生品交易,这种杠杆交易具有放大作用,在市场好的时候扩大收益,但在市场不好的时候会加速亏损,这些与传统的业绩评价就不太一样。在一般的证券投资学里,业绩评价主要考虑经风险调整的收益,很少考虑其杠杆的作用,这不仅忽略了杠杆的贡献,而且有可能夸大了投资者的技能水平。
(三)人为因素与模型风险
在量化投资中,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。
量化投资与分析范文第2篇
关键词：量化基金；数量化投资；量化策略
中图分类号：F832.51 文献标识码：A doi:10.3969/j.issn.1672-3309（x）.2011.11.38 文章编号：1672-3309（2011）11-84-02
近年来，随着我国资本市场的不断发展，数量化投资在国内越来越受到关注。国内机构投资者逐渐增加量化分析在投资中的应用。在基本面投资的基础上应用数量化策略,成为投资领域发展的新趋势。国内的基金公司在这股潮流下也纷纷推出自己的量化基金产品。
依据资讯商wind的显示，截至2011年9月底市场上一共有14只不同类型的量化基金。
一、国内量化基金的发展
据统计，国外定量投资在全部投资产品中的份额中占30%以上，主动投资产品中大约有20-30%使用量化技术。与国外市场相比，国内基金无论数量还是规模都要小很多。国内大部分量化基金都是在2008年金融危机之后才陆续推出。目前市场上有65家基金公司，正式推出量化基金的也只有13家。
自开始两只量化基金成立后，2006-2008年期间市场上没有任何新的量化基金成立，之后又呈现出一个快速增长的态势。为什么国内量化基金的发展会有如此特点？分析一下其中原因，笔者认为有如下几点：
（一）国内资本市场的发展为量化投资准备了必要条件。2005年以来，证券市场发生了一系列变化：股权分置改革完成、IPO扩容，卖方量化研究能力提高、股指期货及融资融券的推出等。如何在众多的上市公司中迅速、有效地选择投资目标，降低调研和投资成本，成为机构投资者面对的新问题。而通过用量化手段，分析、归纳出相对客观的选股模式，发掘内在的驱动因素，正是量化选股的优势所在。正是在这样的环境下，机构投资者开始重视起量化投资来。作为证券市场上的卖方，券商纷纷在自己的金工团队基础上成立数量化研究团队，推出了大量量化策略报告和量化投资方面的服务（如程序化交易服务）。一些阳光私募基金也开始成立。公募基金作为市场的领头羊，自然在量化投资方面不甘落后，招兵买马为发行量化基金做准备。
（二）国外量化基金的优异表现吸引了众人的目光，特别是2008年金融危机期间，量化基金的优异表现吸引了更多的人关注。当时大部分基金都亏损严重，但部分采用量化策略的基金却获得了非常好的收益。詹姆斯・西蒙斯管理的大奖章基金的年均净回报率高达35%，成为量化基金中令人眼红的明星。国内基金公司正是抓住投资者对量化基金的兴趣，适时推出各自的量化基金产品。
（三）人才队伍的积累，为国内量化基金的推出提供了可能。量化基金是一个舶来品，熟悉量化基金管理的人才在国内相当缺乏。光大保德信和上投摩根之所以能较早推出其量化基金，关键在于其外方股东的支持，其产品采用的是其外方股东提供的量化投资方法。而当时国内的本土基金则缺乏这方面的人才，自然没有实力推出量化基金产品。但金融危机给了国内基金行业机会，危机之后很多国外的投资人才回到国内，他们也带来的国外的一些先进的量化投资知识和经验。目前市场上量化基金经理绝大多数均是有海外背景的。
二、国内量化基金的量化技术
通过基金的招募说明书，我们可以将市场上目前量化基金采用的数量化模型和模型主要使用的选股指标罗列出来。
我们无法了解各基金量化模型的详细内容，但从表2可以看出，目前国内基金采用的模型多是侧重于选股的。其中多因子模型应用最多，通过多因子模型筛选出被低估的股票，进行价值投资是大部分基金所采用的量化方法。这一情况也与海外情况类似。
三、国内量化基金收益及绩效
本文选取了成立以来、最近1年（20100930-20110930）、今年以来这3个时间段来从收益和绩效两个方面对市场上量化基金进行对比。通过比较，我们可以看到富国沪深300、光大保德信核心和中海量化策略这三支基金表现相对较好。但从总体上来说，国内量化基金表现还不是很突出，各只业绩差距也很大。
四、影响国内量化基金发展的因素
国内量化基金的发展毕竟要取决于证券市场的大环境，随着股改的结束、股指期货的推出，市场环境相比之前更有利于量化投资的发展，但仍然有很多的约束，如衍生产品的缺乏，对基金公司、保险公司投资的约束，这些都制约了机构投资者在量化投资方面施展拳脚的空间。当然，我相信随着中国资本市场的发展，这些情况在未来会逐步改善。
数量化模型的应用需要结合实际的市场环境，国内量化投资水平的提高，不能依靠引进模型，最关键的还是要结合本土的实际情况，开发适合国内市场的模型。量化技术的本土化发展是未来量化基金发展的关键，只有设计出符合国内市场环境并能取得不错业绩的量化模型，投资者才能真正认同量化基金。
另外，基金的考核机制也是影响量化基金发展的一个重要因素。量化基金因其特殊性，其绩效考核与普通基金会有不同。设定一个合理的基金考核制度，给其一个宽松的投资环境，只有这样量化基金才能更加健康的发展。
参考文献：
[1] 数量化投资的解读及其本土化―量化基金专题研究之一[R].联合证券，2009-11-17.
[2] 影响量化基金业绩的主要因素[R].海通证券，2009-10-28.
量化投资与分析范文第3篇
关键词：量化；投资；基金
数量化投资（以下简称量化投资）作为一种新兴的投资方法出现于20世纪50年代，千禧年后蓬勃发展，截至2008年，该类投资基金占美国证券市场份额的30%。
近年来，量化投资在中国渐渐引起重视，光大保德信基金、上投摩根基金、嘉实基金、中海基金、长盛基金、华商基金和富国基金等，先后推出了自己的量化基金产品。不少基金公司国内外广揽数量化投资人才，一股“量化基金”的热潮悄然掀起。
正如定性投资的偶像巴菲特一样，量化投资领域的传奇人物为詹姆斯 西蒙斯。据统计，詹姆斯 西蒙斯管理的大奖章基金从1989到2006年的平均年收益率高达38.5%，净回报率超过股神巴菲特（他以连续32年保持战胜市场的纪录，过去20年平均年回报达到20%），即使在2007年次债危机爆发当年，该基金回报都高达85%，西蒙斯也因此被誉为“最赚钱基金经理”，“最聪明亿万富翁”。与巴菲特的“价值投资”不同，西蒙斯依靠数学模型和计算机管理着自己旗下的巨额基金，他称自己为“模型先生”。西蒙斯几乎从不雇用华尔街的分析师，他的文艺复兴科技公司里坐满了数学和自然科学的博士。用数学模型捕捉市场机会，由计算机做出交易决策，是这位超级投资者成功的秘诀。（上海金融学院国际金融研究院 鹿长余）
截至2009年6 月30 日，中国定量投资规模总量大约187 亿元，在全部基金管理规模中占比仅0.6%。可以说量化投资在中国目前还是一块需要开垦的处女地，可以预期的是，量化投资在中国发展前景广阔。
什么是量化投资呢？“通过信息和个人判断（using information and judgment）来管理资产为基本面投资或者传统投资，如果遵循固定规则，由计算机模型产生投资决策则可被视为数量化投资。” ――Fabozzi《Challenges In Quantitative Equity Management》
与传统投资相比，量化投资的优越性主要来自两个方面：其一，现资组合理论强调通过多元化投资组合消除非系统性风险，以实现降低风险的作用。但实际上由于人的视野和精力都相对有限，基金经理或研究员不可能进行大范围的股票甄选和高频率的验证测算，形成的投资策略得不到宽度、广度上的肯定，难免形成一孔之见。靠人力甄选得到的投资组合很难达到最优化配置，无法确保在风险管理和利润追求上的投资目标。而量化投资的视角更广，借助计算机高效、准确地处理海量信息，更广泛地寻找和验证投资机会，消除投资组合配置的局限性。其二，行为金融学认为，投资者是不理性的。任何一个投资个体的判断与决策过程都会不同程度地受到认知、情绪、意志等各种心理因素的影响。基金经理和投资研究员在一段时间跟踪某只股票之后，由于时刻关心股价的表现和基本面的变动，可能出现不同程度的情感依赖，“和股票谈起恋爱”。即使出现了下跌趋势，也可能因为过度自信、抵制心理等不理性的分析出发点而导致投资、荐股时的行为偏差。而量化投资依靠计算机配置投资组合，克服了人性弱点，使投资决策更科学、更理性。
简单的说，量化投资是快速高效、客观理性、个股与组合并重、收益与风险并重的投资方法。
量化投资的一般步骤如下：
数据化模型构建组合
1、 数据化：主要任务是把众多纷繁复杂的数据整理分类归纳成有用的数据；
2、 建立模型：给定一个策略，选择合适的模型预测收益与风险，选择最好的策略建立模型；
3、 构建组合：根据预测结果按照规则选择对象构建组合；
最后我们来看下专业金融人士对量化投资的一些看法。
嘉实基金公司的王永宏博士介绍，定量投资和传统的定性投资本质上是相同的，二者都是基于市场是非有效或弱有效的理论基础，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和主观判断，而定量投资管理则是“定性思想的理性应用”。定量投资的核心投资思想包括宏观周期、估值、成长、盈利质量、市场情绪变化等等。
俗话说，“条条大路通罗马”。巴菲特与西蒙斯的投资理念与成功，说明投资没有一定之规。
以巴菲特为代表的一类投资家认为，“现实世界是极为复杂的，经验与思考才是财富制胜之道”。因此，其成功的关键，不是顶级的科技，而是对市场的理解、洞悉和不随波逐流的勇气，即以“人”的因素造就财富的增值。
西蒙斯代表的一类投资家则被看作是推论公式、信任模型的数学家。他们利用搜集分析大量的数据，利用电脑来筛选投资机会，并判断买卖时机，将投资思想通过具体指标、参数的设计体现在模型中，并据此对市场进行不带任何主观情绪的跟踪分析，借助于计算机强大的数据处理能力来选择投资，以保证在控制风险的前提下实现收益最大化。
目前量化投资观念也在中国兴起，量化产品正开始萌芽。新发行的嘉实量化阿尔法基金就是量化投资产品，其试图将投资专家的锐利洞悉和数学家的严格客观进行整合，在基本面分析的基础上，提炼出产生长期超额收益的投资思想，借助计算机系统强大的信息处理能力构建定量模型及投资组合，并根据市场变化趋势及时动态调整，加上基金经理严格遵守纪律性投资法则，使该基金在融合定性投资思想精髓的同时，能够规避基金经理个人情绪对组合的影响，有效克服人性弱点，力争取得长期、持续、稳定的超额收益。
富国基金另类投资部总经理，前巴克莱（BGI）大中华主动股票投资总监李笑薇认为量化投资的核心仍是“人脑”。尽管量化投资在海外发展已有30 余年。由于种种原因，目前这一投资方式在中国尚处起步阶段，对于量化投资也存在诸如“量化就是模型决定一切”、“量化是完全由计算机选股”等较片面的认识。李笑薇表示，量化投资的核心是模型设计，“模型决定一切”的说法只能说是部分正确。当一个模型已经设计建设好之后，模型所产生的交易单的确需要严格执行，只有在特殊情况下才能对其进行修改。
但量化投资的核心是模型的设计和建设。而人脑无疑是这一过程中的关键。人对市场的理解，对模型构建的了解，对模型在市场中应用的经验，是搭建一个完美“黑匣子”的最关键。“只有模型设计和建设得好，投资业绩的把握才会增加。”李笑薇表示。
此外，不同的市场以及同一个市场的不同阶段对应的投资模型是不一样的。所以模型从开始设计到最后应用要经过不断修改，这是最难的问题。“这需要足够的对市场的理解和对模型的理解。”李笑薇解释到，定性投资人和定量投资人看待市场的角度不同。
量化投资与分析范文第4篇
主动型投资方法面临革新
人的思维在任何时候都只能考虑有限个变量，对传统主动型投资人而言，决策广度的有限性，体现在跟踪股票数量上的限制，以及决策时思考变量上的限制。当然，传统的主动投资方法在决策深度上是有优势的，所以做更加深入的基本面研究，以弥补决策广度的不足，是决定成败的关键。
随着市场信息传递速度的加快，众多分析师对基本面数据的不断挖掘，更加深入的分析，似乎越来越难以弥补决策广度的不足。如果将传统主动型投资比喻为―个“拣西瓜”比赛的话，现在剩下的西瓜越来越小了，那么这时“拣西瓜”的工具与方法就显得非常重要了。
即使投资人有超越市场的预测能力，但现实中收益常常被投资人主观认知上的情绪化波动侵蚀掉了。同时，传统投资的管理者本身情绪难免受到周围环境的影响，常常会做出一些偏离自己判断的交易行为，这样的随机交易常常会侵蚀掉部分应该获得的收益。
数量化投资弥补主观判断的缺陷
与传统基金的基金经理相比，量化基金经理们更愿意将他们的见解与目前速度惊人的计算机技术、统计技术等结合起来作为研究工具，在模型中可以将自己的研究和视野拓展到只要有数据支持的任何地方。比如，量化基金经理们可以把所有股票纳入自己的海选范围内，从多维度的变量空间中找到自己的获利机会，并可以检验这样的获利机会在历史上的成败概率。这样的变量可以包括宏观变量、基本面变量、财务数据以及有关投资者心理的市场行为变量。当然，量化投资跟踪调查的范围可以很广，但是在最终决策上要受到众多限制的，以保证在控制风险水平的前提下，实现收益率的最大化。
另外，量化投资和传统的投资可以找到合理的结合点，这在量化模型的输入变量View上，因为任何观点既可以来自于历史规律的检验，也可以来自于人脑对未来的主观判断。当然，在量化投资的过程中，依赖主观判断的成分相对要小得多，因为大多数量化经理们认为，依靠没有数据支持的主观判断做出的决策总是不可靠的。
量化投资与分析范文第5篇
其实，市场上还有一类被动管理的基金，那就是量化基金。与指数基金不同的是，该基金在被动之前，加入了基金经理的不少主动成分。
近一年表现最好的量化基金是长盛量化红利，获得了11.48%的收益率。
量化投资成未来趋势
量化基金充分发挥人脑和电脑的优势，将定性和定量更好地结合在一起，以得到最优的策略。借助模型通常也可以避免投资过程中的情绪化行为。
量化投资已成为未来的发展趋势。从1970年定量投资在海外全部投资中占比为零，到2009年定量投资在全部投资产品中的份额中占30%以上，量化投资已经成为全球基金业的主流投资方法之一。
国内量化基金投资刚刚起步，截至目前，从基金合约和基金名称分析，做量化投资的基金仅有8只，分别是长盛量化红利策略、南方策略优化、中海量化策略、长信量化先锋、华泰柏瑞量化先行、上投摩根阿尔法、嘉实量化阿尔法、华商动态阿尔法。
一季度收益领先
量化基金的优势在今年一季度体现得比较明显。据《投资者报》数据研究部统计，今年一季度，8只量化基金的收益率远远高于偏股型基金的平均水平。这8只基金的平均收益率为-0.58%，而偏股型基金的平均收益率为-1.97%。截至目前（4月27日），差距依然存在。
一季度，虽然上证指数上涨了4.3%，但是仅有三成的基金获得了正收益，而量化基金获得正收益的比例达五成。
成立满一年的量化基金今年一季度收益率前三名是南方策略优化、中海量化策略和长盛量化红利策略，分别为2.67%、2.16%和1.9%；长信量化先锋去年11月成立，一季度也获得了2%的收益率。
从整体排名看，量化基金也优势明显，8只基金有6只业绩位居偏股型基金的前1/3。在238只股票型基金的业绩排名中，南方策略优化、中海量化策略、长信量化先锋、长盛量化红利策略、上投摩根阿尔法和华泰柏瑞量化先行分别排名第13、第16、第18、第22、第60和第68。
