量化投资的步骤

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篇量化投资的步骤范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

量化投资的步骤范文第1篇

曾在全球量化资产管理规模最大的巴克莱投资管理公司（BGI）管理量化基金、现任富国基金公司另类投资部总经理的李笑薇，以自己多年的海内外成功投资经历，与《投资者报》记者分享了量化投资的神秘与魅力所在。

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。

三是运气，好的质量和经验不等于好的业绩。尽管它们可以提高好业绩的概率。投资结果在任何时候都有运气的影响，这对所有管理人都是公平的。不过，今年这样的业绩基本上属于正常运气范围内。

量化投资的步骤范文第2篇

本篇报告的量化投资策略主要采用的方法与理论有以下几种：1、线性回归。2、多因素模型。3、CAPM（资本资产定价模型）。4、假设检验与置信区间估计。5、蒙特卡洛模拟。6、VaR（风险价值）方法。7、Matlab（矩阵实验室，用于数据的处理与图形的分析）技术。主体内容主要分为四大部分。第一部分为模型建立阶段，主要是挑选影响股票收益率的相关因素。第二部分主要是挑选出收益率排名前20%的股票，并运用CAPM模型进行组合搭配，以求降低非系统性风险，最大化股票的收益。第三部分采用统计学的知识，对上述建立的模型的相关参数进行范围上与概率上的估计。并采用VaR方法与蒙特卡洛模拟，进行风险的评估与控制，并运用多种评估绩效的方式（夏普比率、特雷诺比率、简森阿尔法等指标），对股票的风险与收益做出客观的评判。第四部分为模型的评价阶段，即由宏观到微观对该模型做出全面的解释。与此同时，运用matlab技术对参数进行适当的动态更新，使其尽量符合市场的波动情况，并进行回溯测试，用市场的实际结果来解释模型的合理之处。

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。

因此，针对本篇策略报告的模型，我们可以采用类似的方法，引入二阶导来进行估计。这一点可以通过matlab不断拟合收益率的曲线来进一步精确估计收益率未来的变化趋势。然而，与蒙特卡洛模拟类似，这需要相当大的计算量。我们通常会采用样本大小与时间的平方根的乘积来衡量最有效率的估计方式。

量化投资的步骤范文第3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。

（四）2013年诺贝尔经济学奖的启示

量化投资的步骤范文第4篇

[关键词] 投资环境 变权综合法 房地产投资环境

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

[4]罗福周马楠许飞:模糊综合评判法在房地产住宅小区投资环境评价中的应用[J].商场现代化2006 年4月（上旬刊）:230～231

量化投资的步骤范文第5篇

关键词: 赢得值 成本 进度 综合控制。

1　赢得值分析法

1. 1 赢得值分析法的含义及构成

在项目进行过程中监控计划成本支出与实际成本支出无法判断投资是否超支或有节余,因为成本消耗量大的原因可能是进度超前,也可能是因为成本超出预算;反之亦然。因此有必要引入成本/进度综合度量指标和控制方法对项目的成本/进度状态进行有效的监控。

赢得值分析法是一种能全面衡量工程进度、成本状况的整体方法,其基本要素是用货币量代替工程量来测量工程的进度,它不以投入资金的多少来反映工程的进展,而是以资金已经转化为工程成果的量来衡量,是一种完整和有效的工程项目监控指标和方法。

赢得值法用三个基本值来表示项目的实施状态,并以此预测项目可能的完工时间和完工时的可能费用,三个基本值是: 拟完工程计划费用（BCWS）,某一时点应当完成的工作所需投入资金或花费成本的累计值。它等于计划工程量与预算单价的乘积之和。该值是衡量工程进度和工程费用的一个标尺或基准。已完工程计划费用（BCWP）,某一时点已经完成的工作所需投入资金的累计值。它等于已完工程量与预算单价的乘积之和。它反映了满足质量标准的工程实际进度和工作绩效,体现了投资额到工程成果的转化。已完工作量实际费用（ACWP）,某一时点已完成的工作所实际花费成本的总金额。它等于已完工程量与实际支付单价(合同价)的乘积之和。通过三个基本值的对比(见图1,它们分别是三个关于时间的函数),可以对工程的实际进展情况作出明确的测定和衡量,有利于对工程进行监控,也可以清楚地反映出工程管理和工程技术水平的高低:理想状态下,上述三条函数曲线应该重合于“实现投资额”;如果管理不善,“实际成本额”会在“实现投资额”曲线之上,说明成本已经超支;如果进度已经滞后,“完成投资额”会在“计划投资额”曲线之下

1. 2　赢得值分析法的具体步骤

1. 2. 1　项目预算和计划

首先要制订详细的项目预算,把预算分解至每个分部分项工程,尽量分解到详细的实物工作量层次,为每个工作包建立总预算成本TBC（Total budgeted cost）。第二步是将每一项TBC分配到各工作包的整个工期中去。每期的成本计划依据各工作包的各分项工作量进度计划来确定。当每一工作包所需完成的工程量分配到工期的每个区间,就能确定何时需用多少预算。这一数字通过截止到某期的过去每期预算成本累加得出,即得累计计划预算成本BC-WS。

1. 2. 2　收集实际成本

项目执行过程中,会通过合同委托每一工作包的工作给相关承包商。合同工程量及价格清单形成承付款项。承包商在完成相应工作包的实物工程量以后,会按合同进行进度支付。在项目每期对已发生成本进行汇总,即累计已完工程量与合同单价之积,就形成了累计实际成本ACWP,它反映了工程的实际成本花费。为记录项目的实际成本,必须建立及时和定期收集资金实际支出数据的制度,包括收集数据的步骤、报表规范,建立合同执行台帐。

1. 2. 3　计算赢得值BCWP

如前所述,仅监控以上两个参数并不能准确地估计项目的状况,有时甚至会导致错误的结论和决策。赢得值是整个项目期间必须确定的重要参数。对项目每期已完工程量与预算单价之积进行累计,即可确定累计赢得值BCWP,它反映了工程实际绩效的价值。与跟踪项目的实际成本一样重要,也必须建立经常及时地收集数据的相应制度来确定项目每一工作包工作绩效的价值,主要是必须对每一合同的承付项(报价单项)预先对应相应的预算项目,确定其预算单价,通过合同实际工程量完成情况,计算出赢得值,建立投资完成台帐。

利用以上几个指标即可以比较分析项目的成本、进度绩效和状况: BCWP与ACWP实际是在同样进度下的价值比较,它反映了项目成本控制的状况和效率。

1. 2. 4　成本、进度控制

有效成本、进度控制的关键是经常及时地分析成本、进度绩效,及早地发觉成本、进度差异和无效率,以便在情况变坏之前能够采取纠偏措施。

要做好成本、进度综合控制,应十分关注CPI或CV的走势,当CPI小于1或逐渐变小、CV为负且绝对值越来越大时,就应该及时制定纠偏措施并加以实施。应集中注意力在那些有负成本差异的工作包或分项工程上,根据CPI或CV值确定采取纠正措施的优先权,也就是说, CPI最小或CV负值最大的工作包或分项工程应该给予最高优先权。总体进度控制可使用相同原理和方法。

2综合控制法

综合控制法是根据赢得值原理和建设工程实践而总结出来的一种新的控制方法。主要有控制要素量化处理、建立控制规则、导出方案等四个步骤。

2.1 控制要素量化处理：

根据工程实际情况将工程进度、人员、资金、物资、材料供应、环境和其他因素等多个因素进行量化处理。

2.2 建立控制规则：

根据工程实际情况及以往的实际经验，结合赢得值分析法建立起来一套控制规则：安全与质量作为第一大类风险要素，成本作为第二大类风险要素，进度作为第三大类风险要素，其他要素作为一般要素。

控制规则采用的是IF—THEN—ELSE逻辑来实现：工程进度必须根据安全、质量、成本情况来综合判断；资金的投入必须根据进度与资金供应情况来确定；人员投入与退出应根据计划及工程人员素质来确定。控制规则必须根据不同的具体工程相应调整。

2.3 导出方案：

按照控制规则对各项指标数据进行推理，做出符合工程实际情况的判断，进而导出科学合理的控制方案。