量化投资

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。

量化投资范文第1篇

量化投资可以理解成在投资时需要用到数学、统计学、信息技术等知识；投资者会搜集大量的数据，然后借助计算机系统强大的信息处理能力，同时采用先进的数学模型替代人为的主观判断，在控制风险的前提下实现最大化的收益。

量化投资的优势有很多，比如投资的策略都是根据大规模的数据得出的，而且在执行时不会受投资者情绪的影响，能够有效克服认知的偏差；可以快速的跟踪市场变化，不断发现能够提供超额收益的新统计模型，寻找新的交易机会。

量化投资的优势还有分散性，在有效控制风险的前提下，量化投资可以起到分散化投资的工具，比如量化投资可以从历史数据中挖掘出一定的规律并且加以利用，这些规律可以较大概率获取投资收益。

（来源：文章屋网 ）

量化投资范文第2篇

在如今每位公民都想通过金融产品投资的方式来增加个人资产的时代，量化基金的高收益率逐渐被投资者所知。西蒙斯，一位世界级的数学家以年净赚15亿美元成为全球收入最高的对冲基金经理，名气可谓超过金融巨鳄索罗斯。大奖章年化以35%超越股神巴菲特年化20%的收益神话。而在2016年5月《机构投资者》旗下出版物《阿尔法》公布的“2016年全球收入最高的对冲基金经理”排行榜中前十位有八位为量化基金经理，前25位有一半属于量化分析。由此可见海外对冲基金的焦点正从宏观对冲基金转向量化对冲基金。

而在国内，量化基金正处于起步阶段，国内对于量化投资策略的研究较少。笔者以量化投资平台上自主开发的策略代码为例，通过对代码的编写优化及检验回测，使读者了解到量化投资的可操作性和高回报性。

1 量化投资策略概述

量化投资是计算机通过开发者编写的程序来进行分析以及交易整个的品种选择、交易时机、交易方向以及仓位管理都是通过计算机完成。它避免了投资者个人的情绪影响，完全自动化操作，和如今的工业2.0类似。一个稳定的量化投资策略往往可以胜任一位投资者的多种操作策略，尤其在风险管理上量化投资更胜一筹。

国内的主流量化交易平台有文华赢智、TB、金字塔决策交易系统和国泰安量化投资平台等。国内的量化交易平台繁多，而与海外动辄数百上千亿美元的量化基金相比，国内目前量化产品规模总体不大，而严格遵循量化投资理念的基金更少。并且A股市场发展时间较短，与发达国家比起来市场效率低太多，所以A股有很大的市场空间和盈利机会。本文以程序化实现简单、性价比高等特点的文华赢智为程序化交易平台为例，为防止成果泄露，以上证指数为模型进行探究。

首先，笔者先阐述如何建立一个量化投资策略。

（1）交易思路的确立。不仅仅是量化投资，就算是普通的投资者也需要一套自己的交易体系。赚不到钱，赔钱，一直观望，总之，所有交易中的不幸都可以归咎于没有一套自己的交易系统或者自己的交易系统有问题。

（2）将思路编写成投资策略。这一项是量化投资的关键，如何将自己的投资思路转变为?C器代码，首先是由你所在的交易平台所搭建的语言决定的，例如文华赢智就是使用的比较简单的麦语言。其次需要对使用的技术指标进行组合搭建，编写出可运行的代码。

（3）在计算机上进行回测，选取最优目标组合和参数。技术指标的参数设置往往决定了整个交易系统的成败，一点点小的误差往往会导致千差万别的结果。笔者格外强调资金管理是投资体系中非常重要的部分，却是大多数投资者忽略的环节，这需要读者进行不断学习研究。

（4）进行实盘操作，在操作中不断完善投资策略，评价该交易代码。评价程序化交易模型性能优劣的指标体系包含很多测试项目，但主要评价指标有年化收益率、最大资产回撤、收益风险比、夏普比率、胜率与盈亏比等。在下文中笔者将对这些评价指标进行分析。

2 量化投资策略代码分析：以文华赢智交易平台为例

在文华赢智中，进入趋势模型跟踪编写平台，利用麦语言中已存在的函数进行编写，现笔者将自行编写的其中的一个策略代码贴出：

MA1：=MA（C，N1）；//多头均线

RSV：=（CLOSE-LLV（LOW，N））/（HHV（HIGH，N）-LLV（LOW，N））×100；//收盘价与N周期最低值做差，N周期最高值与N周期最低值做差，两差之间做比值定义为RSV

K：=EMA（RSV，2×M1-1）；//RSV的指数移动平均

D：=EMA（K，2×M2-1）；//K值的指数移动平均

C>MA1 AND CROSS（K，D）；//MA1均线上方，KD金叉，买入

CROSS（D，K）；//KD死叉卖出平仓

参数设置：[N1=10，N=44，M1=M2=27]

笔者需要对参数的设置进行重点提醒。测试参数的不同会对测试结果产生非常大的影响，对于参数的精确设置影响到交易模型的可行与否。

这其中，笔者进行的是顺势交易的代码编写。顺势交易，是顺着当前的趋势进行交易。如果当前趋势上升就买入开仓，当前趋势下跌就卖出开仓。为了防止恶意做空，本策略只进行多头行情的研究，空头行情并没有叠加进来，所以收益率要比双向行情要低。

下面对此策略代码进行回溯。对交易模型的测试结果是否满意主要与品种、时间、手续费费率有关。不同的品种相同的策略有不同的结果，测试的品种越多，越能检验出策略模型的适用性。在时间上，如果所采用的历史数据越少、时间跨度越短，测试的市场状况就越狭窄，策略的可靠性就越差，反之亦然。手续费费率的影响就不用多提，但是有关滑点的问题也是策略需要多加研究的方面。

交易人员最关注的是策略到底能否盈利，能赚多少。交易的盈亏额能完全反映这一点。在如下的季度统计图和年度统计图中可以看出从2009年8月到2014年11月各有盈亏，比较温和，总体的波动幅度并不大。而从2014年11月开始，出现了一直盈利并且幅度较大的状况，尤其是2016年年初的季度，最高的盈利额达到了110354元，这比2014年前总的盈利还要多。而从2016年第一季度后出现了亏损，但是幅度并不大，而后又出现了盈利的情况。该策略在该时间段是盈利的，符合模型最基本的要求，季度统计图和年统计图如图1所示。

交易者在一个策略中拥有的资产总和也是其关注的重点。假如交易者所用的权益小于某一理想的数值，他可能会停止该策略的继续进行，这也是我们常说的回撤问题。在如下的权益曲线图中，交易者的权益几乎是一直递增，并且在2014年年末后斜率变大，由此我们可以得出使用该策略几乎不存在回撤问题，对于交易者的心态有着积极的作用。权益曲线图如图2所示。

每次交易的盈亏额也是交易者关注的问题，如果亏损数量过大，再加上杠杆的作用，可能就会出现爆仓的问题。首先说明，此回溯并没有加进杠杆因素，国内保证金按保守20%计算，也就是5倍杠杆，虽然不太大，可是影响还是有的。在如下的盈亏分布图中，可以看出最大的一笔亏损出现在第500次左右交易时，亏损额为27523，而最大的盈利额也是出现在附近，盈利为32916，看来这附近的波动很大，应该有政策因素在内的影响。该策略总体来说单次盈亏额波动并不大，比较稳健。盈亏分布图如图3所示。

只有图表并不能准确地反映出策略的完全可行性，下面将此策略的测算报告给予公布。

我们从测算报告中可以很容易得出此策略一共测试了2772天，无杠杆收益率为六年50%，而且只是多头策略。而自2017年2月17日结算时起，沪深300、上证50股指期货非套期保值交易保证金调整为20%，所以5倍杠杆的话就为250%。如果只看重策略的收益率却忽略了回撤风险是极其冒险的激进策略。如果策略的收益风险比相同，但是结果还是要取决于资金管理决策。

笔者在此将夏普比率进行说明。评价策略的优劣应从收益值和风险一起考虑。调险后的收益率就是一个同时考虑进了收益和风险的指标，能够排除风险对评价的不利影响。1966年，夏普提出了著名的夏普比率：S=（R-r）/σ（R为平均回?舐剩?r为无风险投资的回报率，σ为回报率的标准方差）。此公式表示为尽量用最合适的方法用小风险换得大回报。如果为正值就说明投资收益比银行存款利息高。比率越大说明所获的风险回报越高。该策略的夏普比率为22.83，可见是一个理想的策略模型。

3 结 论

量化投资范文第3篇

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”[3]。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[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。

（四）2013年诺贝尔经济学奖的启示

量化投资范文第4篇

一、行业轮动策略

在国外，板块轮动一直作为一种投资策略被广泛应用于投资实践。板块轮动的最基本的特征是，在经济周期的不同阶段，可以系统的预测到不同的经济板块（或行业）跑赢（或差于）市场。而且，运用板块轮动策略的投资者们相信这种相对的绩效，即在经济周期的不同阶段从一个板块转向另一个板块所带来的收益。

国外不少的研究文章发现，板块的表现并不一致，或者说提前（滞后）于经济周期阶段。Hou（2007）发现了板块的提前/滞后效应，原因是新信息经济的到来。Hong，Torous和Valkanov（2007），还有Eleswarapu和Tiwari（1996）的研究认为，和经济活动有着密切联系的板块，如零售，金属材料，服务业和石油板块，引领着市场长达两个月之久。Menzly和Ozbas（2004）证明，行业绩效的时机和该行业在生产消费供应链中的位置有着密切的联系，存在于上游和下游行业间的某种稳定的滞后关系。文章结论表明，基础材料板块是经济复苏阶段第一个启动的板块，随后是制造业。Stovall（1996）发现，处于消费末端的消费者相关的行业，如耐用消费品行业，是从衰退到复苏阶段的过程中最后启动的行业。Sassetti和Tani（2003）关于板块基金收益的研究表明，在经济周期中期，板块转换是个成功的策略。然而，他们同样发现，长期的投资者优于市场指数。相对而言，Tiwari和Vijh（2005）就质疑投资者将资金运用于板块间轮动的能力。他们研究是基于一个板块基金数据，从1972年到1999年的数据，结果显示，板块轮动的投资者缺乏选择板块与时点的能力，并且在修正风险与交易费用的情况下，投资者并不能获得超额收益。

当前，国内的文献研究多是从行为金融学的角度对研究投资者行为推动的板块轮动现象进行研究的。何诚颖（2001）认为我国的股票市场的板块轮动现象具有明显的投机性，并可分为个股投机、板块投机和大盘投机三类，然后文章运用现代资本市场理论和行为金融学理论对板块现象分析，引用Shiller（1989）一文中的两类投资者（噪音交易者和知情下注交易者）的假设对板块现象进行了研究分析，并认为板块现象是一种市场投机，而且其形成与中??股市投资者行为特征密切相关。陈梦根、曹凤岐（2005）一文从市场中不同证券之间的价格关系出发研究股票价格间的冲击传导机制，认为在中国这样的转轨经济新兴市场中，投资者受政策预期主导，决策与行为趋同，一定程度上强化了股价冲击传导的动态作用机制，整个市场显著的表现为板块联动、股价齐涨齐跌现象。文章实证研究表明，在上海证券市场中，不同的行业板块在股价冲击传导机制中的重要性不同，也即存在着板块轮动的特征，但是证券市场股价波动的市场性显著地超过了不同行业板块的独立性，不同行业间的组合投资策略的绩效并非最佳。还有少量的文献研究认为存在着其他一些因素如资金流动，庄家炒作等也可以对板块轮动现象做出一定的解释。

可以看出我国股市板块轮动现象的研究，主要集中于板块现象的描述和测量，以及对板块轮动现象进行解释，且目前这些解释还多是停留在定性理解层面，缺乏系统定量的研究。另一方面将板块轮动现象作为投资策略应用于投资实践的研究则相对较少。尽管板块可以多种形式进行分类，然而以行业属性划分板块是最为基础的，也是投资决策应用最广泛的板块概念。

二、动量策略

动量效应也称惯性效应，是指在过去一段时间收益率高的股票，在未来一段时间的收益率仍然会高于过去收益率较低的股票，即股票的表现情况有延续原来运动方向的趋势。反转效应也称反向效应，是指在过去一段时间内收益率高的股票，会在以后的一段时间会表现较差；表现差的股票在以后的一段时间，其收益率会出现逆转趋势。

国外对于动量效应和反转效应的研究始于1985年，DeBondt和Thaler基于1926年至1982年美国证券市场上的股票交易数据，采用相等权重在赢家组合（也称为赢者组合，是指在一段时间内收益率高的股票）和输家组合（也称为输者组合，是指在一段时间内收益率较低的股票）上的方法，结果证实赢者组合的收益显著小于输者组合。然后，金融经济学者开始对动量效应和反转效应做出进一步探索，分别在不同的市场验证其存在与否。Chan（1988）研究发现股票在前期表现的好或者表现不好，这种表现在后期不能一直持续下去的，这与市场风险随时间的变化有密切联系。随着动量效应和反转效应的研究日益增多，其研究方法也趋于成熟。Jegadeesh和Titaman（1993）基于美国证券市场的股票交易数据对动量效应的存在性验证时所设计的动量策略被后来的研究者广为采用，这种经典方法也称为传统的动量策略。后来大量金融经济学家采用Jegadeesh和Titaman设计的策略，针对所研究市场的实际情况，对动量效应和反转效应进行存在性验证。Chang（1995）研究发现日本证券市场的股票价格具有短期的反转效应。Kaul和Conazd（1998）在研究美国证券交易所和纽约证券交易所1926年至1989年间的股票的动量效应和反转效应时，构造8种不同的投资时间期限，发现大约50%的投资策略组合具有显著性超额收益，在具有显著性收益的策略组合里面，动量策略和反转策略所占的比 例基本相等。Rouwenhorst（1998）在研究欧洲地区的证券市场时，选取了十二个国家的股票市场上的股票作为研究对象，发现股票收益在长期上没有明显的持续现象，而在中短期，股票市场的收益有持续现象；另外，在公司资产规模上做了对比，资产规模大或小的公司都具有动量效应，但是规模较小的公司的股票价格的动量效应在统计上表现更为显著。Schiereck（1999）在针对德国股票市场的日交易数据实证分析动量效应和反转效应，结果显示德国股票价格的动量效应表现在中期，反转效应则表现在短期和长期。Ahme和Nusrct（1999）在基于7个国家的股票市场股价的动量效应和反转效应，发现了股票价格在长期的表现均出现反转效应。Hamed和Ting（2000）以马来西亚的证券市场为研究对象，对股票的动量效应和反转效应做实证研究，研究得出马来西亚证券市场和日本的证券市场的反转效应的时间基本一致，表现在短期。

在国内，吴冲锋和朱战宇（2005）研究我国沪深股票市场股票价格行为时，考虑我国市场的卖空限制，在运用重叠抽样方法，在形成期考虑收益率和交易量对股票进行排序，建立动量策略模型，考察动量策略的盈利情况，研究发现我国A股市场不存在动量效应。郝静轩（2006）通过滞后期、加权收益计算等改进的动量策略，考察改进后的交易策略对赢家组合的影响，实证结果显示，在考虑交易成本的情况下，改进的动量策略对赢家组合的收益有明显的提升。东凯（2010）研究动量策略的改进方法中，通过设定月度市盈率作为阂值来调整投资组合的方法显示，改进的动量投资策略的收益表现好于大盘的表现。张荣武，何丽娟和聂慧丽（2013）就我国股市的实际情况，运用HS模型的基础上，将我国股市中的投资者分为套利惯性投资者、动量交易投资者以及消息观察者，从三者的对技术和基本面的不同的关注视角出发，分别研究他们的投资决策对A股价格的不同影响。经验证，套利惯性投资者的一系列行为决策会加剧股市的反转效应，套利惯性投资者和动量交易者的决策行为均可以引发股市的动量效应。王俊杰（2013）对动量交易策略的择时上做了实证研究，研究发现动量策略交易时，在形成期之后，不直接购买，而是经过一定的滞后期再进入持有期，效果优于市场平均收益和传统动量策略方法。

综合国内外学者对动量效应和反转效应的研究，可以看出无论成熟发达的美证券市场，还是处于发展中的中国证券市场，大部分学者的研究支持证券市上存在动量效应和反转效应。就我国A股市场而言，对于动量效应和反转效的存在期的长短上程度上，由于采用的股票样本和研究时间区间不一样，国内者的研究结果存在差异的。

三、基本面策略

在传统资本市场理论中，价值投资并没显著的地位，当时的主流思想为有效市场假说，即市场能够完全准确的反映资产的价值，即投资者无法通过基本面分析、技术分析等手段得到超额收益。但随着二十世纪八十年代起，越来越多的研究发现，有效市场并不真正存在，投资收益并不能完全由风险来解释；市场中股票的价格存在偏离内在价值的情况，通过研究价格的偏差波动，能够实现正的超额收益，从而驳斥了经典EMH假设。基于市场非有效性，BenjaminGraham提出了价值投资的理念，其在《证券分析》中将其定义为：“基于详尽的分析，对本金的安全和满意回报有保证的操作”，通俗而言就是通过基本面的分析，同时考量一定的安全边际的选择投资策略。

在价值投资理念逐渐普及并被接受之后，国外学者针对价值投资的有效性进行了一系列检验。Fama和French于1992年，针对1963年至1990年在NYSE，AMEX，NASDQ上市的股票，将其分别按B/M与E/P指标进行研究。其研究显示：随着B/M及E/P分组标记的组别增加，其月收益率有明显的递增现象，同时，这一现象无法用公司的beta值来解释，这也就说明价值型的股票确实能够较成长型股票带来超额收益。Lakonishok，Shleifer和Vishny（1994）根据1963年至1990年在NYSE与AMEX上市的股票，针对高B/M的公司?^低B/M公司平均收益更高的现象进行了进一步研究。他们发现不仅在根据B/M排名形成公司组合的投资策略存在明显的超额收益，同时在根据C/P、销售增长率和E/P排名形成公司组合的投资策略也存在明显的超额收益。Fama和French于1998年，针对包括美国、EAFE国家成熟市场以及16个新兴市场国家的股票市场再次进行了实证研究。他们根据B/M，C/P，E/P和D/P区分价值股和成长股，从而形成投资组合。在13个成熟市场以及16个新兴市场中，均发现价值组合相较于成长股组合有明显的超额收益。

国内学者也对利用估值指标进行的投资策略进行了检验。王孝德与彭燕（2002）针对中国股票市场进行了实证研究，结果发现与国外成熟市场类似，价值投资策略在中国也能得到较高的超额收益。卢大印、林成栋、杨朝军（2006）根据股价、B/M、S/P以及E/P作为指标确定投资组合，发现价值型的投资组合确实有高于成长型股投资组合的收益率。林树、夏和平、张程（2011）基于B/M、C/P、E/P及GS，针对我国A股市场构造了投资组合，研究表明以单变量构成的组合中，大多价值型投资组合的收益率两年明显高于成长型投资组合；而以双变量构成的投资组合较单变量的显著性更高。即在中国股票市场，基于估值指标的投资策略仍然使用。

通过国内外众多学者的研究以及实证检验发现，价值投资在国内外的资本市场均能够产生正的投资收益，即根据公司的估值指标、财务指标均能有效的预测将来的公司收益，形成正投资回报的投资策略。

量化投资范文第5篇

【关键词】量化投资；量化投资体系；证券市场

一、量化投资及量化投资体系的定义

什么是量化投资？简单来讲，量化投资就是利用计算机科技并结合一定的数学模型去实现投资理念与投资策略的过程。与传统的投资方法不同的是：传统的方法主要有基本面分析法和技术分析法这两种，而量化投资主要依靠数据和模型来寻找投资标的和投资策略。量化投资系统则是由人设定出某种规则，在计算机当中根据规则构建这种模型，而后由计算机自己去根据市场的情况进行一些投资机会的判断。从他们投资方式的区别当中可以看出，量化投资更依赖于数据，传统投资则更依赖于人的主观判断。从这点上来说，量化投资可以有效的规避一些人为的错误判断。

二、我国量化投资体系的发展

在美国，量化投资方法的发展己经有将近年的历史，量化方法从允嫉较衷谡嫉矫拦市场30%上以上的比重。而在中国，量化投资只是刚刚起步而己。但是已经有很多基金公司允即罅Υ蛟熳约旱牧炕投资团队，期望在传统的基本面研究之外源匆黄新的投资天地。国内证券市场上成立比较早的量化投资基金主要包括：嘉实基金――嘉实量化阿尔法股票、上投摩根基金管理有限公司――上投摩根阿尔法、光大保德信基金――光大量化、富国基金管理有限公司――富国沪深增强、国泰君安资产管理公司――君享量化。近年来，一些公募基金、私募基金也都不断加快了布局量化投资基金的方法。这些量化投资基金，主要研究了基于基本面的多因子选股模型，这些投资组合因子主要包括：公司财务基本面数据，市场行情数据，行业数据等，并在实证中不断完善量化投资指标因子的选取。研究行业以及个股的价格趋势，运用道氏理论、K线理论、波浪理论、切线理论、形态理论等一些常用的技术分析方法建立不同风格的投资模型和投资组合。

三、量化投资的优点

量化投资作为一种有效的主动投资工具，是对定性投资方式的继承和发展。实践中的定性投资是指，以深入的宏观经济和市场基本面分析为核心，辅以对上市公司的实地调研、与上市公司管理层经营理念的交流，发表各类研究报告作为交流手段和决策依据。因此，定性投资基金的组合决策过程是由基金经理在综合各方面的市场信息后，依赖个人主观判断、直觉以及市场经验来优选个股，构建投资组合，以获取市场的超额收益。与定性投资相同，量化投资的基础也是对市场基本面的深度研究和详尽分析，其本质是一种定性投资思想的理性应用。但是，与定性投资中投资人仅依靠几个指标做出结论相比，量化投资中投资人更关注大量数据所体现出来的特征，特别是挖掘数据中的统计特征，以寻找经济和个股的运行路径，进而找出阿尔法盈利空间。与定性投资相比，量化投资具有以下优势：

（一）量化投资可以让理性得到充分发挥

量化投资以数学统计和建模技术代替个人主观判断和直觉，能够保持客观、理性以及一致性，克服市场心理的影响。将投资决策过程数量化能够极大地减少投资者情绪对投资决策的影响，避免在市场悲观或非理性繁荣的情况下做出不理智的投资决策，因而避免了不当的市场择时倾向。

（二）是量化投资可以实现全市场范围内的择股和高效率处理

量化投资可以利用一定数量化模型对全市场范围内的投资对象进行筛选，把握市场中每个可能的投资机会。而定性投资受人力、精力和专业水平的限制，其选股的覆盖面和正确性远远无法和量化投资相比。

（三）是量化投资更注重组合风险管理

量化投资的三步选择过程，本身就是在严格的风险控制约束条件下选择投资组合的过程，能够保证在实现期望收益的同时有效地控制风险水平。另外，由于量化投资方式比定性投资方式更少的依赖投资者的个人主观判断，就避免了由于人为误判和偏见产生的交易风险。当然，无论是定性投资还是量化投资，只要得当的应用都可以获取阿尔法超额收益，二者之间并不矛盾，相反可以互相补充。量化投资的理性投资风格恰可作为传统投资方式的补充。

四、量化投资的局限性

量化投资是一种非常高效的工具，其本身的有效性依赖于投资思想是否合理有效，因此换言之，只要投资思想是正确的，量化投资本身并不存在缺陷。但是在对量化投资的应用中，确实存在过度依赖的风险。量化投资本身是一种对基本面的分析，与定性分析相比，量化分析是一种高效、无偏的方式，但是应用的范围较为狭窄。例如，某项技术在特定行业、特定市场中的发展前景就难以用量化的方式加以表达。通常量化投资的选股范围涵盖整个市场，因此获得的行业和个股配置中很可能包含投资者不熟悉的上市公司。这时盲目的依赖量化投资的结论，依赖历史的回归结论以及一定指标的筛选，就有可能忽略不能量化的基本面，产生巨大的投资失误。因此，基金经理在投资的时候一定要注意不能单纯依赖量化投资，一定要结合对国内市场基本面的了解。

五、量化投资对中国的启示

通过研究国外市场的发展和中国市场的特点，对中国市场上的监管创新，制定相关的法律法规也势在必行。由于市场结构的差异，国内量化投资情况与国外有很大不同。技术型量化投资的应用主要是集中在期货市场，并且有较高的推崇程度；金融型量化投资的应用主要集中在股票市场，由于需要应用的时间数据周期相对较长，实际中应用并不普遍。目前，中国金融市场正处于迅速发展的阶段，很多新的金融工具在不断被引进，用量化投资方式来捕捉这种机会，也是非常合理的。与国外相比，目前国内股票市场仅属于非有效或弱有效市场，非理性投资行为依然普遍存在，将行为金融理论引入国内证券市场是非常有意义的。国内有很多实证文献讨论国内A股市场未达到半强势有效市场。

目前对中国市场特点的一般共识包括：首先，中国市场是一个个人投资者比例非常高的市场，这意味着市场情绪可能对中国市场的影响特别大。其次，中国作为一个新兴市场，各方面的信息搜集有很大难度，有些在国外成熟市场唾手可得的数据，在中国市场可能需要自主开发。这尽管加大了工作量，但也往往意味着某些指标关注的人群少，存在很大机会。其三，中国上市公司的主营比较繁杂，而且变化较快，这意味着行业层面的指标可能效率较低。而中国的量化投资实际上就是从不同的层面验证这几点，并从中赢利。例如，考虑到国内A股市场个人投资者较多的情况，我们可以通过分析市场情绪因素的来源和特征指标，构建市场泡沫度模型，并以此判断市场泡沫度，作为资产配置和市场择时的重要依据。

在中国金融市场的不断发展阶段，融资融券和股指期货的推出结束了中国金融市场不能做空的历史，量化投资策略面临着重大机遇。运用量化投资的机理和方法，将成为中国市场未来投资策略的一个重要发展趋势。量化投资在给投资者进行规避风险和套利的同时，也会带来一定的风险，对证券具有助涨助跌的作用。由于国内股票市场还不够成熟，量化投资在中国的适用性很大程度上取决于投资小组的决策能力和创造力。以经济政策对中国量化投资的影响为例。中国的股市有“政策市”之称，中国股市的变化极大的依赖于政府经济政策的调节，但是经济政策本身是无法量化的。基金建仓应早于经济政策的施行，而基于对经济政策的预期，但预期的影响比经济政策的影响更难以量化。例如，在现阶段劳动力成本不断上升、国际局势动荡、国际大宗商品价格上升的情况下，央行何时采取什么力度的加息手段，对市场有何种程度的影响，这一冲击是既重要又无法量化的。为解决这个在中国利率非市场化特点下出现的问题，需要基金投资小组采取创造性的方式，将对中国经济多年的定性经验和定量的指标体系结合起来，方能提高投资业绩。

参考文献：

[1]方军雄.我国证券投资基金投资策略及绩效的实证研究[J].经济科学，2002.04