量化交易策略的研究范文

导语：如何才能写好一篇量化交易策略的研究，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

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

篇2

在40岁之前，西蒙斯是一位在数学界颇有名望的教授，先后在麻省理工学院、哈佛大学、美国国防分析研究院任职。但从学术研究转型后的西蒙斯，在投资领域的风头更劲。1988年他创立的大奖章基金，曾创下连续20年，平均收益率超过35%的优良业绩。哪怕是在2008年的金融危机中，该基金也获得了80%的净收益。除此之外，美国最大的十大对冲基金，基本上都是依靠量化投资的方式进行分析市场和交易。这在美国是一种常见的投资方式。

国内的量化投资元年应该是2010年股指期货推出之后，从0到有，经过5年的发展，以其超越牛熊的稳定收益获得了众多机构投资者的青睐。今年6月份的这一轮股市深度调整中，大多数量化对冲类的私募基金，不但没有损失，其净值反而创出新高即是明证。

程序化交易不一定会增加波动率

程序化交易大大增加了市场的流动性，是稳定市场的重要力量。金融市场的核心价值在于流动性，无论是价值投资者，还是套保者，都需要对手盘。流动性越好的市场，才具有更好的价值发现功能。程序化交易主要是以短线交易为主，无论是套利还是投机策略，它们的存在大大增加了市场深度。对于套利类的策略，程序化交易是降低波动率的，对于投机类策略，程序化交易是增加波动率的。

例如，目前市场上比较流行的期现套利，它的原理是在基差（编者注：基差是指现货价格与期货价格之差，比如股票市场上沪深300指数与沪深300期指之差）扩大的时候建仓，基差缩小的时候平仓。比如2015年6月初的时候，在散户的推动下，股票指数和股指期货的基差一度扩大到了100点以上，整体市场非常的狂热。这时候套利类交易的策略是，会买入股票，同时做空股指期货。这样如果股指继续上涨，在股票市场的盈利可弥补做空股指期货的损失。于是在双边力量的作用下，基差会慢慢缩小。从而使得市场的波动率恢复到正常。所以这种套利类的策略，是降低波动率。

然而对于做方向易的策略，往往是追涨杀跌的，这个和普通散户的操作方式类似。这种策略下，当市场出现大幅上涨的时候会助涨，大幅杀跌的时候也会助跌，会增加市场的波动率。

其实波动率这个东西，不能太大，也不能太小。没有波动率的市场就缺乏足够的流动性，一个没有流动性的市场，又怎么可能承担金融市场优化资源配置的责任呢？

2010年5月6日，美国纽交所的道琼斯工业指数曾经出现过一次“闪甭”事件，当时道琼斯工业指数曾瞬间狂泻1000点，短时间内造成1万亿美元市值蒸发。事后纽交所虽然对外宣称程序化交易对此事负有责任，但是截至目前，对于此事到底是不是由于程序化交易造成的，美国调查机构并没有一个最终的结论。所以与其说股指大幅调整是因为程序化交易造成的，不如去关注是否是因为市场本身泡沫过大，以至于需要一次调整，市场才能继续上行。

所以并不能一概而论地说程序化交易一定会增加波动率。事实上，2008年的金融危机中，国内的量化投资还很少，而上证综指不也上演了6000点到2000点的戏码？程序化交易只是一个工具，它是中性的，不是说必然做多，也不会必然做空。尤其是7月份以来，股指期货持续贴水，绝大多数的套利类的量化策略因为缺乏机会，都停止交易了，但是这并没有避免股指出现大幅震荡。

中国的量化投资基金现状

量化投资是以数据为基础，以模型为核心，遵守交易纪律，从而具有稳定收益和抵抗风险的能力。事实上，目前中国很多以量化对冲方式运作的私募基金，他们产品的业绩都非常的稳定，就足以说明问题了。普通投资人，不能总是追涨杀跌，靠听消息炒股的时代必将过去，未来的金融市场，一定是靠数据、模型和现代科技。散户也应该学习一些量化投资的理念和方法，否则被市场消灭是迟早的事情。

就拿这次被禁止交易的几个量化对冲私募基金来说，据已公布的资料显示，其中不乏一些历史业绩十分优秀的公司。比如盈融达投资（北京）有限公司，他们主要的量化投资类产品，过去几年年化收益率都在20%左右，无论身处牛熊市，收益都非常的稳定。目前盈融达的资产管理规模已经100亿了。而业内和他们处于同一梯队的，还有十余家之多，再加上券商、基金公司开发的产品，国内量化对冲类的产品，已经有两三千亿元的规模了。

从产品收益来看，2015年初至7月31日公募量化对冲产品的平均收益（剔除6月刚成立的华泰柏瑞量化收益）为12.07%，而同期普通股票型基金的收益为25.08%;在前期市场暴跌期间（取6月15日至7月9日）公募量化对冲产品的平均收益为-0.13%，而同期普通股票型基金的平均收益为-39.06%。

篇3

关键词：量化投资；传统投资；模式数学模型；自变量参数

1量化投资简介

1.1基本概念

量化投资是一种借助于计算机高效计算程序进行复杂运算，以金融产品未来收益与风险为研究对象的新型投资方式。量化投资的基础是以股票价格、日成交额等大数据库数据为参考样本数据并建立数学模型，运用仿真分析及迭代方法不断修正数学模型，直到数学模型可以用来预测指导投资交易。任何一个投资的方案或者设想，都可以为它设计一个数学模型，然后借助大数据库的现有数据进行迭代法测试分析，以此来判别数学模型的有效性。传统投资方式基本上是对传统的技术分析和公司的经营状态基本分析，存在一定的局限性；相比之下量化投资分析是基于对大数据市场数据的，数据样本空间容量足够大，而且可以快速进行运算并排除投资者个人心理因素的主观影响，科学性和时效性更强。此外，量化投资是一种主动性的投资方式，在进行数学模型选择、自变量选取、数学模型的验算迭代都是投资行为的主动部分。

1.2交易内容及方法

量化投资交易的内容主要是量化策略以及交易策略，在制定交易策略时必须立足于投资市场、投资产品以及分配在内等。具体交易平台则是靠以计算机计算程序为基础的线上交易平台系统。进行量化投资交易时通常会遇到各种较为复杂的情况，但是基本前提都是要依据现有的既定的大量数据库数据，灵活采用各种方法来判断投资对象是否值得投资。总体来说，量化投资有估值法、资金法和趋势法三种。

2量化投资现状

从理论上来说，每个量化投资者的决策行为可以被同化为理性预期、风险规避、严格效用基本一致的理想化模型。然而现实情况中每个人的心理活动、出发点、知识水平等都存在差异，进行量化投资时人们作出的决策也存在差异。人的非理性行为与理性行为都是客观存在的，而且非理性行为对理性行为也存在着一定的影响，因此投资人在进行投资决策时并不能完全理性地进行选择。综上所述，非理性人的客观存在使投资人在进行投资决策时不能完全忽视个人的心理因素。既然个人的心理因素无法排除，那么在建立决策分析数学模型时，就应该把个人的心理因素考虑在内。当前我国国内量化投资有以下几个特点：(1)个人投资者占总投资者的比例很高。上文已经提到投资者个人的非理性客观存在且不可避免，那么众多量化投资者的非理性因素间接影响我国量化投资市场。(2)我国的量化投资市场虽然发展迅速但仍不成熟。与美国及欧洲发达国家相比，我国量化投资市场只能是一个新兴的市场，直接表现在各方面的信息不完整且难以搜集，一些基础数据我们只能自己想方设法地去开发获取。(3)量化投资行业的企业构成比较复杂。目前我国量化投资行业的企业种类比较多，跨越众多不同的领域。加上我国量化投资市场还处于新生期，市场不稳定信息变化较快，因此量化投资行业的可用层面指标数目非常少且指标数值经常变化。当前我国量化投资者正是依据当前行业的特点，从不同的层面和角度验证分析，建立泡沫型数学分析模型，才能获得巨大的利润。(4)量化投资策略研究落后。通过把我国量化投资策略与美国及西方发达国家的量化投资策略进行对比，发现我国现有的量化投资策略严重落后。国外的量化策略研究是在大量的事件、数据积累分析的基础上，脚踏实地潜心研究总结出来的。现阶段我国量化策略研究多是借用国外的策略，结合国内的量化投资行业的实际现状进行修正得来的。当前我们还缺少指导量化投资行业的专家、指导著作，为此我国国内的一些高等院校开始着手量化投资策略的研究并取得了初步的成效。

3量化投资优势

量化投资是在定性投资基础上进行继承和延伸的一种主动投资工具。定性投资的核心是对宏观经济和市场基本面进行深入的分析，再加上实地调研上市公司以及与上市公司的管理层进行经验交流，最终把调研结果整理成专题报告，把报告作为决策依据。不难看出定性投资带有很大的个人主观判断性，它完全依赖于投资经理个人经验以及对市场的认知。量化投资在调研层面与定性投资相同，区别在于量化投资更加注重数据库大数据，运用各种方法发现运用大数据所体现出来的有用信息，寻找更优化的投资方式以获得大额收益，完全避免了投资经理个人的主观臆断和心理因素，更加科学合理。综上所述，与定性投资相比，量化投资具有以下优势。

3.1投资方式更加理性

量化投资是采用统计数学与计算机建模分析技术，以行业大数据库为参考，取代了个人主观判断和心理因素的科学客观投资方法。很明显，行业大数据的样本容量已远远高于有限的对上市公司调研所形成的样本容量；在进行投资决策时，把决策过程科学化数量化可以最大程度的减少投资者决策时个人情感等心理因素对决策结果的影响，从而避免了错误的选择方向。

3.2覆盖范围大效率高

得益于因特网的广泛实施应用，与各行各业的运行数据都可以录入大数据系统形成体量巨大的数据库；得益于计算机行业云时代到来对计算分析速度的革命性变革，在极短的时间内就可以得到多种量化投资的投资方法。定性投资方式进行决策时，由于决策人的精力和专业水平都存在一定的局限性，自然其考虑投资的范围要远远低于电脑决策，二者根本没有可比性。综上所述，虽然与定性投资相比，量化投资具有明显的优势，但是二者的目的是相同的，都以获得最大收益为目的，多少情况量化投资与定型投资可以互相补充，搭配使用会起到意想不到的效果。

4量化投资的劣势

上文已经提到量化投资的决策过程依赖于大数据库以及计算机分析系统的科学决策，因此只要投资思想正确量化投资就不会出现错误。然而即使是投资思想及决策过程都没有问题，也不意味着量化投资完美无缺。量化投资本质上是对某一特定基准面的分析，事实上基准面有时范围过小，纵然决策过程合理化、无偏差，量化投资也存在一定的局限性。量化投资的另一特点是进行考察决策时覆盖的市场面非常广泛，在当前国民经济快速发展的时代，人们对市场的认知难免出现盲区或者对某一个局部了解不充分的现象，此种情况下量化投资的正确性就很难保证。

4.1形成交易的一致性

基于量化投资的低风险特性，人们更多地依赖于采用大数据云分析平台进行决策，如此大家对某一行业的市场认知以及投资决策水平就处在同一认知层次上，当遇到极端的市场行情时，人们作出的交易决策往往一致，即容易达成交易的一致性。例如期货行业以及股票行业，在市场行情动荡的特殊时期，人们往往选择在同一时机抛出股票或者期货，这种大规模的一次性抛盘则会造成在预期抛售价格基础上的剧烈波动，导致投资者的实际收益在一定程度上低于预期收益。此种情形下又会引起新一轮投资恐慌，不利于市场的稳定发展。

4.2指标钝化和失效

任何一个行业的某一个市场承载投资者的容量都是有限的，从战略投资的角度来看，当某一个市场的产业链较为成熟、技术门槛较低时，投资者进入该市场就会容易很多，当市场的承载量大大低于投资者进入数量时，既定的投资策略则会失效。例如某一企业的某只股票第一年能获得50%的收益，第二年则降为20%的收益，第三年可能是5%，第四年就没有收益了。诸如趋利反转策略、套利策略现在已经非常大众化且投资者已经达成共识，一拥而上集中式进行投资就会导致投资评价指标钝化甚至失效。

篇4

德意志银行在第十二期年度另类投资调查报告中预测，2014年，对冲基金管理资产总规模将从2013年底的2.6万亿美元增至3万亿美元新高。而反观国内，量化对冲投资才刚刚起步，尤其是公募领域，尚未有一只真正意义上追求绝对收益的量化对冲产品。

受市场有效性和工具种类等因素的限制，国外一些成熟的量化对冲模型无法照搬回A股。我们将国外的模型进行了本土化的改造，4年来，这种改造已初见成效：2013年，我们的8个量化对冲专户组合年化平均收益超过了12%。我们欣慰地看见，中国式的量化对冲投资已见雏形，且羽翼渐丰。

这些专户组合的投资过程，也是我们验证本土化量化对冲模型的过程。在实际运行的组合中，我们大体采取两种模式：阿尔法策略和套利策略。所谓阿尔法策略，是专注于创造绝对收益。根据A股市场的特点，我们将理论上的阿尔法策略进行了改造，以传统的主动型股票研究分析结果为基础，利用多因子模型来控制组合的风险和相关性，追求超越市场平均回报的绝对收益，为投资者提供持续稳定的阿尔法回报；第二类是套利策略，即利用衍生品到期收敛特点进行套利，在国内做得比较多的就是ETF和分级基金套利。这类套利策略基于市场的广度和速度，但囿于公募基金内部防火墙等监管规定的限制，我们采用的多为分级基金套利。这种方法绕开了高频交易对速度的极致追求，能够为组合贡献无风险收益。

更为可贵的是，通过量化对冲专户的实践，我们打造了自己的量化投资流水线，在金融工具、阿尔法策略、套利及实时风控等业务链环节上，我们的团队和模型进一步得到完善，即使在白酒股异动、乌龙指这样的“黑天鹅”事件出现时，也经受住了市场的考验。

篇5

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。

篇6

【关键词】指令流毒性 量化监管 动态调整 股指期货

一、引言

高频交易如风暴一般的席卷了华尔街，据统计2009年之前，美国市场中将近2000个交易公司中几乎2%是高频交易公司，然而2009年开始美国高频交易公司分别占了70%的股票市场交易量和近50%的期货市场交易量，这些高频交易公司通常充当了做市商的角色，向市场提供流动性，也提高流动性。

市场微观结构指出知情交易者可以利用不知情交易者获利。指令流被认为是有毒性的当它逆向选择做市商时，做市商可能在其不知情的情况下在提供流动性的同时承受了损失，而指令流毒性会产生巨大的市场风险。

传统的衡量指令流毒性的PIN值（伊斯利，基弗，奥哈拉和裴普曼提出了一种算法，即通过报价序列中的数据推断出知情交易的概率即PIN值。

学者伊斯利在知情交易概率PIN的基础上，提出了一种新的方法可直接估计高频交易中的指令流毒性（VPIN）。这种方法可以避免估计那些不可观测到的参数，并且可以随着新信息到达市场的速度来随机的更新VPIN，克服了在交易量很大的市场里难以估计PIN的困难，是一种较为简单易操作的测量指令流毒性的处理方法；实证结果表明VPIN可以预测短期毒性诱导的波动，特别是当涉及到大的价格波动的时候。

刘文文，张合金使用VPIN模型，2010年6月17日到2011年7月15日的数据来衡量我国股指期货市场上的指令流毒性；分析结果表明，VPIN可以监测到沪深300指数期货大跌和大涨时候的指令流毒性。

林焕耿试图基于VPIN构造高频交易策略，使用沪深300股指期货2011年11月到2012年10月的高频交易数据，以15分钟为时间框架计算VPIN及收益率。分析结果表明，当VPIN较大时，收益率与其一阶滞后项有显著的负相关关系。这意味着VPIN对于预测股指期货收益率的作用。

综合国内外研究而言，国外研究学者从市场微观结构――信息模型出发，研究得出VPIN模型来直接估计高频交易中的指令流毒性，并基于“闪电崩盘”提供了验证。但VPIN模型中的关键参数设定是由研究者的经验值而定，并非一个科学的值，该模型算法仍有待提升。

二、数据来源与处理

本文选取的是样本为我国沪深300股指期货市场2013年5月2日至12月31日的当月主力合约的高频交易数据。

光大乌龙指事件发生在2013年8月16日，于是决定选择样本期间为2013年5月至12月。其次，在选取样本数据中，对于乌龙指当天的数据经过反复思考论证，决定使用次月主力合约的当天数据而非当月主力合约中的当天数据。因为光大乌龙指事件发生在8月16日，恰逢8月当月主力合约的交割日。上午发生了乌龙指事件光大买入了一揽子股票触发了一系列买卖交易，引致股市出现疯狂的上涨。尽管A股出现了较大的市场异动，但IF1308合约（当月合约）交割一切正常，顺利交割，交割量处于正常水平，未出现异常变动。交易量在小范围内放大，只有极少的大量买卖单入场。并未出现异动。可以看出乌龙指当天的影响主要体现在次月合约中，更能吻合市场的真实情形，于是最终使用次月合约中的当天数据来替换当月合约中的当天数据。

三、模型设定与计算

直观的说，模型解释了不知情交易中正常水平下的一只股票中的买和卖，并且使用数据来定义不知情交易指令流的概率，即ε。异常的买或卖的量解释了知情交易，并用这个量来定义θ。存在异常买量或卖量的交易阶段数用来定义α和β。

随着交易的进行，流动性提供者观察交易并且建模犹如他们使用贝叶斯定律来更新他们对指令流毒性的认知，这些认知在本文中被描述为参数估计。P（t）（Pn（t），Pb（t），Pg（t））我们记这个为流动性提供者对于事件的想法。在时间t，n表示没有消息发生，b表示坏消息发生，g表示好消息发生。于是他的认知（参数估计）在时间0时的P（0）=（1-α，αβ，α（1-β））。

这里，αθ+2ε是所有订单的到达率，αθ是知情交易订单的到达率。PIN非常直白的表现出了在一个信息交易阶段开始交易的可能性。PIN可以计量在整个订单流中，由于知情交易者而引起的部分订单，并且价差等式表示，PIN是决定价差的关键因素。

这些公式阐明了观点流动性提供者为了识别出进出市场的最优的水平需要正确的估计PIN值。PIN值的意外增加将会导致流动性提供者在不调整自己价格的时候蒙受损失。

计算PIN值的模型标准的途径使用了最大似然法来估计不可观测到的参数（α，β，θ，ε）操纵着交易中的随机过程，并且PIN源自于这些参数估计。在Easley（2012）文章中，提出了一个在高频市场中直接的测量毒性的分析估计，并不需要不可观测参数的中间值估计。他们改进了算法，用交易量的时间试图匹配市场中新消息到达的速度。这个以量为基础的算法，我们记为VPIN，为在高频交易环境下测量指令流毒性提供了一个简单的度量方法。

整合交易能减轻交易分裂的影响，使用标准化的价格变化使得交易量分布以概率计算（我们叫做体积分布）。我们计算买量和卖量（VBτ和VSτ）用一分钟的时间条（我们之后会展示我们的研究结果同样适用于其他时间段的整合），但是分析也可以用交易量的分段。

同步交易量篮子使得我们可以很简单的估计这种规范。特别是，回想起我们将一个交易日分割至等规模的交易量篮子并且每一个交易量篮子相当于是一个时期的信息到达。这意味着VBτ+VSτ是一个常量，对于所有时间限制τ来说这个常量等于V。然后我们近似交易不平衡的期望为在n个交易篮子的平均交易不平衡。

计算VPIN是基于成交量划分的时间而非时钟时间。实现基于成交量的取样方法是将交易序列以均匀成交量分组，称为一个“成交量篮子”。一个成交量篮子是成交量加总的一组交易。完成篮子的最后一笔交易如比所需要的大，超过的成交量将被划分到下一个篮子，按照这样的成交量篮子取样后我们获取到一个观测值。构建成交量篮子时对每一笔买入和卖出成交量进行分类，成交量的方向与交易指令单毒性存在潜在联系，结合总成交量水平和成交量的方向可以指示出存在新信息的可能性。因此，买入成交量占多数说明毒性来自好的信息，反之亦然。我们通过观测买单和卖单之间交易的强度和不平衡性来估计出VPIN。

估计VPIN值需要选择V，即每个篮子的交易量，并且n是篮子的数量通常近似交易不平衡的期望。我们初始规定V为日平均交易量的50分之一。如果我们选择n=50，我们将会在50个篮子中估计VPIN指标，日平均交易量相当于找到了一个日VPIN值。我们的研究结果在广泛范围的V和n值选择下是稳健的。

每生成一个交易量篮子都会更新VPIN指标。这样，当51个篮子满了后，我们舍弃掉第一个篮子并且根据2-51个篮子来计算新的VPIN。

四、实证分析

（一）描述性统计

对沪深300指数期货市场计算出的29734个VPIN值做统计，VPIN的偏度为1.341，说明该序列明显右偏；峰度系数为2.440，说明该序列具有厚尾的特征，从这些统计值可以看出样本期VPIN不服从标准正态分布。

对沪深300指数期货市场的计算出的VPIN值做频度统计，VPIN值绝大多数集中在0.1和0.2这样的低位上，小于等于0.2的占了70.29%。说明市场在大部分时间的表现还是较为稳定的。处于0.2到0.6之间的中间值占到了29.37%，说明市场虽有波动，但整体波动在合理范围内。而高于0.6的只占了0.64%，VPIN高位值出现的次数微乎其微，说明异常波动总是占了很小的部分，这就意味着，通过实时监测VPIN值的发展动态，如果VPIN值出现了较高的数字的时候，要引起足够的重视，极有可能市场会发生巨幅异常波动。

（二）流毒性指标波动性分析

检验VPIN波动性指标包括各种各样的参数问题。本将通过在沪深300指数期货市场对不同的交易量篮子选取的过程来展示VPIN计量的稳健性。

选取交易量篮子的量在检验VPIN值中是一个重要影响因素。在过去使用的算法中，因为VPIN包括了交易不平衡和交易强度，聚集一定的时间间隔可以降低变量的噪声并重新调节。可以通过观察在同一天，使用不同的时间间隔聚集篮子内交易量的VPIN值表现，来检验稳健性。

本文中，交易量篮子内采用的是逐笔交易区分买卖交易量来聚合交易量篮子，以交易量篮子滚动计算VPIN值。而交易量篮子的大小（V）会影响到VPIN的计算。因为V越大，篮子数n就越小，滚动计算的次数少，意味着估计有不详尽的可能。如果V的设置选择太小，滚动计算次数太多，虽然更精确了却也是加大了计算量。一方面要保证计算VPIN值得准确性，另一方面也要控制计算量免得做多余无用功还浪费时间。

本文对VPIN模型的关键参数设定添加了动态调整的过程，经过反复的计算与调整，对交易量篮子（V）的值扫描更多的值，得出在更多V值下的VPIN模型计算的稳健性，给出V有效的参数库。以光大乌龙指事件当天2013年8月16日的VPIN来看：沪深300指数期货市场，V取日平均交易量的1/250―1/150之间，VPIN指标能够准确预警出乌龙指事件：

结合上图可知，V选取1/200―1/150日平均交易量，VPIN指标都可以在乌龙指发生前指出市场流毒性高，能够很好的预警出乌龙指事件，具有事前预警效果。

而对于1/200―1/150日平均交易量之外的参数，VPIN输出结果并不如预设中的准确。图2中V取1/100日平均交易量，由于交易量篮子的取值过大，导致滚动的次数少而错失了关键的监测点，从图中可以看出VPIN对乌龙指的到来并没有预警指示；而图3中V取1/250日平均交易量，由于交易量篮子取值过小，篮子滚动次数大大增加，虽然在乌龙指发生之前出现预警指示，但非常遗憾的是，由于滚动次数过多使得VPIN过于敏感，在上午10点多就有预警指示。

五、结论

本文借鉴国外针对新型电子化交易市场的量化监管经验，在等交易量信息交易概率（VPIN）的基础上，优化模型参数的评价过程，提高算法的执行速度。本文基于光大乌龙指事件，运用VPIN模型对我国沪深300指数期货进行实证研究。通过分析光大乌龙指事件当天的VPIN表现，得出VPIN指标在乌龙指发生至少1小时之前就给出预警指示，具有预警性。在沪深300指数期货市场和股票市场的巨大波动性出现之前，VPIN值已经给出预警性指示，说明VPIN指标具有预警作用。并对VPIN进行稳健性检验，稳健性良好，使量化交易市场的事前预警更加准确、可靠。

参考文献

[1]证监会，光大证券异常交易事件的调查处理情况.2013年8月30日.2013.

[2]林焕耿.基于VPIN的沪深300股指期货实证及交易策略研究[D].厦门大学.2014.

[3]王冰，李想.浅议量化投资在国内市场的发展[J].经济视角.2011.7（03）：46～47.

[4]熊熊，袁海亮，张维，张永杰.程序化交易及其风险分析[J].电子科技大学学报（社科版）.2011.12（03）：2～39.

[5]于鹏.一种期货交易模型介绍[J].中国证券期货.2013.21（02）：43～44.

[6]叶伟.我国资本市场程序化交易的风险控制策略[J].证券市场导报.2014.24（08）：43～45.

[7]姚静.我国金融衍生品市场监管模式的选择[J].经济导刊，2011（6）.

[8]方浩文.量化投资发展趋势及其对中国的启示[J].管理现代化.2012.32（05）：3～5.

篇7

关键词：传统动量；增强策略；k近邻

中图分类号：F832.5 文献标识码：A 文章编号：1001-828X（2013）10-0-01

一、引言

动量效应也称惯性效应，是指股票的收益率的表现情况有延续原来运动方向的趋势。对股票价格的动量效应而采用的套利策略称为动量策略。在根据动量策略进行投资时，最常用的方法是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所采用的方法[1]。国内也有一部分学者，对传统动量策略的方法做出改进。吴冲锋和朱战宇（2005）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，改进后收益高于市场平均收益率。郝静轩（2006）通过滞后期、加权收益计算等改进的动量策略，结果显示改进的动量策略对赢家组合的收益有明显的提升。王俊杰（2013）对动量交易策略的择时上做了实证研究，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，效果优于市场收益和传统动量策略方法。本文首先通过传统动量策略，考察投资回报率；然后尝试性将K近邻算法与传统动量策略结合，对策略做出改进，以期提高回报率。

二、传统和增强动量策略方法

1.传统动量策略方法

首先，构造不同形成期和持有期策略组合，形成期和持有期的时间区间为一个研究时间区间整体或一种投资交易策略，即[T，t]。本研究形成期和持有期分别采用重叠取样和非重叠取样法。

其次，在形成期为T时期内，构造赢家组合（收益率排名靠前的一系列股票）。在形成期为T的时间内，计算股票的超额收益率，按超额收益率的高低进行排序，取前10%的股票作为赢者组合。

最后，分别计算赢者组合在持有期t的累积超额收益率以及整个时间区间赢者组合的平均累积超额收益率。

2.增强动量策略计算方法

在传统的动量策略中，计算形成期T内单支股票的累积收益率时，如果第一个交易日和最后一个交易日的价格出现异常波动的话，那么构建的赢家组合不一定具有动量效应。因此，有必要在计算形成期T内的累积收益率时，消除第一个交易日和最后一个交易日价格异常波动的影响。本文采用KNN算法的思想来消除异常波动，这种增强方法可以称之为KNN增强动量策略。

KNN增强动量策略在计算单支股票的形成期T内的累积收益率时，把离最初（最后）日期最近K个交易日作为最初（最后）日期的K个近邻，把最初（最后）日期与其K个近邻的相隔天数作为它们之间的距离，由距离的大小分别计算近邻的权重值，然后计算最初（最后）日期的价格。

公式1和2中，f函数为KNN算法中常用的高斯权重函数；和分别表示最初和最后一个交易日的价格；d表示距离。根据公式1，KNN增强动量策略确定的最初（最后）一个交易日的价格，计算KNN增强策略的形成期T内的累积收益率。然后计算持有期内的赢家组合的收益率，计算过程同传统策略。

三、动量策略和增强动量策略实证研究及结论

1.数据的选择与参数处理

数据的样本区间为2006-7-1至2013-7-31。选取的股票为沪市A股所有股票。形成期和持有期：动量策略和反转策略均采用的形成期分别为1、2、3……12个月，持有期分别为1、3、6、9、12个月。买卖双方的费用分别为千分之二和千分之三。本文的证券市场平均收益参照标准是上证指数。本文的数据源自国泰安数据库。

2.结论

本文运用KNN算法的思想将传统的动量策略做出改进探索，根据实证研究得出以下结论。

（1）KNN增强动量策略的收益大于传统动量策略。根据表实证结果显示，构造60种投资策略组合，55种组合的收益明显提高；KNN增强动量策略的收益统计上显著大于传统动量策略。

（2）KNN增强动量策略保持了传统动量策略的易操作性。KNN算法是数据挖掘算法中最简单的算法之一，与传统动量策略结合之后，增强的动量策略没有变得过于复杂。

因此，增强的动量策略可以为投资者提供参考，具有一定的价值。

参考文献：

篇8

在管理层明确今年经济增长的下限及通胀的上限时，7月汇丰中国制造业采购经理人指数（PMI）初值为47.7，创下11个月以来新低，面对国内宏观经济数据下滑、经济疲软的态势，股票市场围绕2000点上下震荡，多以阴跌收尾，在这样的大背景下有一类产品能跳出投资标的的束缚，在A股震荡下挫的态势下，继续为投资者创造绝对收益，那便是管理期货对冲基金；自1990年中国第一家期货交易所郑州期货交易所成立以来，国内期货市场经历了二十余年资本市场的洗刷，并且有完善的交易机制，不仅可以做多也可以做空，有别于传统股票市场，大多数只能依靠股票上涨赚钱。

国外管理期货CTA是对冲基金投资策略的一种类型，管理期货CTA即商品交易顾问（Commodity Trading Advisor），商品交易顾问可以直接客户在商品期货市场进行交易，抑或提供商品期货、期权及相关衍生品种的买卖建议及研究报告，管理期货的收益来源于各种商品价格的波动，独立于股票、债券等传统投资标的，同时可以多空双向操作，即使在股票市场连续下跌时，也能持续获利。

境外管理期货的基金主要采取以下几种模式进行投资，最主流的是程序化交易，该交易方式主要是依赖事先导入计算机系统的策略模型来做出决策，电脑决策的好处是避免了人性的弱点，防止在市场出现过于繁荣与悲观时，投资者做出不理智的交易行为；目前国际上运用程序交易的基金公司有元盛资产管理公司（Winton Capital Management Ltd.），该公司也是目前世界上最大的商品交易顾问，投资标的囊括商品期货、股指期货，资产管理规模超过250亿美元。旗下产品主要是用计算机进行趋势跟踪，趋势跟踪是一种基于价格分析的技术面投资方法。元盛关注的核心信息是各个期货品种的价格的变化，而非其基本面的信息。趋势跟踪的信奉者相信价格会在很多时候沿着价格变动的趋势继续发展。也正因为此，元盛不少经典的趋势跟踪策略虽然会设置严格的止损策略，但不会进行止盈。纵然大部分的交易会以亏损收场，但元盛那些盈利的交易却可以带来巨额的回报，覆盖了亏损的同时还贡献了足够多的利润。除了程序化交易外，还有多元化交易及自由式交易模式，这类期货管理者通常会对投资标的的基本面进行分析或对一些核心数据进行研究后再做出决策，同时会结合基金经理以往的投资经验，附带一些主观的行情判断，所以该类模式的投资经理只专注于某个他们熟悉的特殊或相关市场领域。

而国内期货市场在经过长达二十余年的发展后，也促发了不少以期货为投资标的的产品，好买基金研究中心收录了一批国内管理期货的私募基金，由于该类对冲基金多由有限合伙方式或单账户期货的形式存在，部分产品信息披露、基金估值体系不完善。

业绩较好的是淘利资产旗下的淘利趋势1号、2号，其中淘利趋势2号成立于今年1月，该产品主要是进行期货的趋势交易及商品期货的现货与期货之间的跨期套利。在趋势交易这一块，淘利量化交易模型都有通用的金融逻辑，包括技术面、行为金融学等理论的支持；在交易模式上，淘利采取“人-机”结合的模式，在参数设置上，交易员有一定的权限，可根据市场临时更改参数，但主要是针对极端的情况发生。在期货交易中，淘利的每个策略都会通过公司自有资金实盘测试后再运用到实际产品中，公司自有资金的实盘运作将会利于调试策略的不足，更好的与市场相契合，今年以来截止于今年7月12日，淘利趋势2号取得了55.37%的绝对收益，大幅跑赢沪深300指数。业绩表现不错的产品还有沈伟光的鸿鼎永富1期，今年以来取得16.48%的绝对收益。

篇9

garp量化选股策略在a股市场中的应用

股票市场千变万化，人脑判断的浅薄显然易见，而且由于人性本身的缺陷，总是容易犯错误。市场投资的越多，越觉得市场的不确定性越大，大部分时间处于未知的状态，无法判断未来会怎么样，唯一能够做到的就是把握大概率的机会，还有就是把控制风险和资产管理放在首位。量化投资是通过一种理性的方式，通过程序选出股票，实现一种大概率化的投资，最大限度的克服人性的恐惧和贪婪。而量化投资中一个非常重要的投资思想或者选股策略是garp（合理价格成长）的选股策略，本文主要阐述garp思想及其在a股市场的量化运用。

在根据garp选股策略进行股票投资时，我们首先确立投资对象范围，构建目标股票库，然后根据公司的成长特性建立股票分类体系，在成长分类的基础上对股票进行评估，对不同成长类别的公司，我们都同时关注于估值和公司基本面确实的或者预期的改变。对每家公司根据其成长性归类，从基本面趋势、估值、基本面趋势的认同度三方面进行综合评估。我们将公司基本面趋势和基本面趋势认同度视为投资契机，目的是帮助我们避免“价值陷阱”。仅仅是有吸引力的估值不足以构成我们买入的充分理由，反过来也一样。如果我们的估值显示目前的市场价格已经过度反映了公司未来的成长性，良好的成长表现或预期、上升的基本面趋势认同度也不能自动构成买入建议。我们买入价格有吸引力且基本面有良性变化、市场认同度逐步提高的公司的股票。总会有一些股票初看上去，不能轻易满足我们的价值评估标准，但是正确评估三方面因素是我们最基本的要求，并且在大多数情况下，已足够得出投资结论。

从garp选股策略的反面来看，为什么高估值的股票表现不佳呢？我们认为主要原因是专家们的预期经常出现错误。当分析师做出收益预测时，他们或者过于悲观，过于乐观是时常发生的事，无论哪一种情形，投资者都会采取过度行为，甚至出现很多投资者的扎堆行为，因为投资者都喜欢从众。同时，也证实了分析师的悲观预测对于高估值个股的业绩损害远远大于对低估值个股的业绩损害；原因在于当某个季度本文由收集整理收益低于预期时，低估值个股一般不会崩盘，因为价格中已经包含了怀疑主义的因素，但是当收益高于预期时，这些股票就会光芒四射；而分析师往往高估高估值个票的未来收益，当这些收益低于预期时，这些股票就会崩溃，因为这些股票往往包含太多的泡沫。

将garp的选股策略应用于量化投资中是一个比较复杂的系统工程，是garp投资思想系统化的体现，首先我们来回答garp选股策略为什么在量化投资中可以更好的成功运用？战胜市场获得超额收益和打败竞争对手是每个机构投资者的目标，为了达到这个目的，时常感到恐惧贪婪及追求短期业绩的机构投资者不得不增加大量的短线交易。最终，这些机构投资者预定了他们的悲惨结局，有时侯还会造成巨大的经济损失，“短线交易”导致市场经常出现“错误定价”的股票。量化投资成功的关键在于能够快速准确找出符合garp选股原则的个股，股票市场不总是有效的，所以愿意研究和学习的机构投资者还是有机会击败市场的。

篇10

关键词：交易策略；风险评估；收益

Abstract：This paper sets up a risk-benefit model based on binomial distribution in order to provide theoretical foundation for risk assessment on securities trading strategy. This model proves from both theoretical and practical views that under some conditions the long-term risks of trading strategy are not relative to the number of transactions or the ratio of the number of positive-benefit transactions over the total number of transactions，they are only rely on the extent of positive benefits over negative benefits. This model as a tool of risk assessment provides basic foundation for securities trading strategies and gives a forecasting method to estimate long-term risks by calculating the value of alpha of trading strategy.

Key Words：trading strategy，risk assessment，benefit

中图分类号：F830 文献标识码：A 文章编号：1674-2265（2012）10-0003-05

一、引言

自上个世纪50年代以来，大量学者研究证券市场中资产风险与收益率的关系。马科维茨（Markowitz，1952）的投资组合理论奠定了风险和收益关系研究的基石，并导致了现代资本市场理论的发展。基于该投资组合理论，夏普（Sharp，1964）、林特纳（Lintner，1965）和莫辛（Jan Mossin，1966）提出CAMP资本资产定价模型，根据市场走势预测选择不同的证券组合以规避市场风险、获得较高收益。随着证券市场的发展，罗斯（Ross，1976）提出APT套利定价理论，默顿（Merton，1973）提出OPT期权定价理论。这些理论模型在投资组合绩效、证券估价、证券投资等领域成为里程碑式的投资模型，得到了广泛应用。然而，这些经典模型以及后来布里登（Breeden，1979）、里昂诺姆（Reinganum，1981）、陈浪南等（2000）、靳云汇等（2001）都集中在对投资组合风险性的研究上，很少涉及到交易策略的风险研究；康拉德和考尔（Conrad和Kaul，1998）研究了交易策略，但没有具体研究交易策略的风险评估方面。投资组合的风险性和交易策略的风险性存在一定差别：前者属于投资标的选择策略范畴，而后者属于操作层面的交易策略范畴；投资标的本身的风险具有不可控性，而操作策略往往能够通过诸如“止盈”或者“止损”等手段来有效控制投资标的自身带来的风险。

尽管目前一些理论试图揭示证券市场复杂行为的原因，并预测投资标的的未来行为，但是这方面的研究进展仍很缓慢，甚至大多数成功的投资者也认为，复杂的市场行为是不可预测的。巴菲特说过，他从不预测市场，也没有人能够预测市场。当人们总结这些投资者投资成功的原因时，会发现他们往往非常注意投资风险的控制，尽管他们也很重视对投资标的的选择，但从不对市场做出坚决的预期。这说明，复杂的市场行为至今仍是人类未解之谜，而包括风险控制和风险评估在内的交易策略的风险研究在实际投资过程中的作用往往重要于投资组合或者投资标的本身的风险研究，也就是交易策略的制定比投资组合策略的选择重要得多。

由于交易策略的制定，每一次投资的收益率往往是可控的，因此我们可以假设其单次投资的收益率是固定的。在本文中，我们以熟悉的二项分布为基础，建立了一个风险—收益模型，结果证明该模型能够作为交易策略风险评估的一个理论基础。该模型把目前关于交易策略风险评估方法中常用的正收益比率与收益率联系起来，改进了评估方法。

二、 交易策略亏损概率的测算

（一）正收益交易的概率函数

我们假设某个投资者按照既定的交易策略，比如设定“止盈”和“止损”收益率等，进行了一系列交易，投资者的初始资金为 ，并且每一次正收益交易的收益率为常数 ，负收益交易的收益率为常数 ，则总收益率可以表示为：

这里， ； 分别代表正收益交易和负收益交易的次数。我们感兴趣的是总收益率小于零的条件：

即：

这里： 。

在 次交易中，我们想知道发生 次正收益交易的概率是多大？显然， 次正收益交易和

次负收益交易的顺序可能不一样，因此，交易次数为 的交易过程将有总共Q种可能的情况出现。

这里C 表示组合数。另外，发生 次正收益交易的可能性有M种。

于是，出现 次正收益交易的概率为：

该概率函数是归一的，即：

显然，这就是人们熟悉的二项分布。累计概率函数于是可以表达为：

（二）辛苦系数

当正增长率 和负增长率 一定时，在 次交易中，正收益的交易次数小于 次将导致总收益率小于零。这是个临界正交易次数，即 ；

又由于 ，因此我们可以把这个临界次数表达为：

这里，符号[]表示取整的意思，并且：

它是一个临界的正交易比率，正交易比率就是正收益的交易次数占总交易次数的比例，也就是所谓的“胜率”。这里我们不妨称这个临界值为“辛苦系数”，它表明投资者在目前的正收益率和负收益率交易水平下，至少要保证总交易次数中的 比例是正收益，才能使最后的总收益率为正。显然根据前面

的表达式，我们可以得到“辛苦系数”与单次收益率的关系：

假设 ，并在图1中画出 曲线。从图中可以看出，单次负收益率相对正收益率越大， 值越大，说明投资者想要最后获得正收益率就需要更多的单次正收益交易，就越“辛苦”。

（三）未来亏损概率

定义未来亏损概率为：假设保持现有的单次正增长率和负增长率的增长模式，未来在一个较大的交易次数 下，总收益率亏损的概率。未来亏损概率实际上就是某一个交易策略的长期风险。根据这个定义，我们知道它等于累计概率函数（7）：

方程（11）的解析表达式为：

这里， 是 Gamma 函数， 是超几何函数，从而构建了交易策略的风险收益模型。

方程 （12） 就是未来亏损概率的表达式，它是一个在交易次数 时与 无关的函数，这就为我们评估交易策略提供了很好的工具，因为未来无论 和

如何配置都不影响未来的亏损概率，它是一个能反映交易策略长期风险的特征函数。图2 根据方程 （12）给出了未来亏损概率与交易次数在不同“辛苦系数”下的关系，显然，当交易次数很大时，未来亏损概率是稳定的；并且投资者越“辛苦”，其未来亏损的概率就越大。

三、Monte Carlo模拟

为了验证前面所述的模型，我们进行了Monte Carlo 模拟。Monte Carlo 模拟是一种用以替代真实随机实验的计算机模拟实验方法，它通过随机抽样的方法来模拟自然界中的各种随机现象或者实现各种计算要求。我们假设一次试验过程包括 次交易，而每次交易的收益率不是正的 就是负的 ；另外，出现正收益和负收益的概率是相等的。于是我们就可以计算出这样一次试验的总收益率 。我们重复这样的试验 次，并且统计每次试验的交易总收益率

的次数 ，就可以得到在常数参数 、 和 的条件下，该交易策略的亏损概率 。当我们在每一次试验中选择很大的交易次数时，便可得到未来亏损概率。图3给出了计算流程图。

方程（12）描述了在交易次数 情况下，亏损概率与辛苦系数 的关系。从图4中可以看出，未来亏损概率与辛苦系数存在正相关的关系，并且这个关系可以划分为三个区域：在辛苦系数小于0.4的区域，未来亏损概率几乎为零；辛苦系数在0.4—0.6之间的区域，未来亏损概率显著上升；而在辛苦系数大于0.6的区域，未来亏损概率几乎为1。事实上，辛苦系数是关于单次收益率 和 的函数，因此我们可以通过某交易策略的单次收益率情况来判断其未来存在的交易风险。

我们分别模拟了对应这三个区域的亏损概率与交易次数 的关系，其结果与方程（12）得到的理论值符合得很好。图5给出了模拟值与理论值的比较。从图中可以看到，当交易次数 很大时，亏损概率趋向一个稳定值，这说明如果一个投资者坚持在一个常数的单次（正负）收益率的交易模式下进行交易，那么这个投资者长期的收益率出现亏损（或者盈利）的风险也是固定的。另外，这个风险与“辛苦系数”有关，“辛苦系数”越大，亏损概率越高；或者说与单次交易的常数收益率有关，负收益率绝对值相对正收益率越高，亏损的风险越大。

未来亏损概率 是在交易次数 时的亏损概率，显然它是个只与参数 ，也就是“辛苦系数”有关的量，而与交易次数 无关，换句话说，它与单次交易的正负收益率有关。我们令单次正收益率

并给出了未来亏损概率和单次负收益率绝对值 之间的关系。图6 给出了理论值和模拟值的比较，可以看到两者符合得很好。这说明，我们的理论模型能够很好地描述这样一个基本的交易风险与收益的事实。

四、交易策略的风险评估

我们提出的这个收益与风险模型为评估交易策略的未来风险提供了有力的理论支持。从上面的分析可以看出，当单次交易的增长率确定时，其交易策略在长期交易下的亏损概率就是确定的，而与交易次数没有关系。这个结论使我们科学地评估策略风险成为可能，因为在这个模型下，策略的风险是一个由策略本身所决定的禀赋性特征，与任何交易次数或者交易时间等细节问题无关。因此，也就可以不必对交易策略进行耗时的实际测试，而直接判断策略的未来风险了。当然，实际的交易往往非常复杂，单次交易收益率经常不会满足这个风险—收益模型的条件，但当交易策略能够长时间保持一个相对稳定的单次收益率时，这个模型确定的风险值就是可靠的。换句话说，本文提出的风险—收益模型为数量化风险评估提供了科学的理论依据。

另外，我们的评估模型也揭示出这样一个关于投资交易的道理：一个交易策略的未来风险仅仅取决于正收益率相对负收益率绝对值的比值，也就是

，这个比值越大，其风险越小。换句话说，交易的风险与发生正（负）交易的次数无关，而只与单次的正负收益率有关。我们必须保证一次或者少数几次很高的正收益率，而其他发生负收益的交易产生的损失都很小，才可以保证我们长期的总交易是正收益。这也就是平常投资者所说的“大赚小赔”的投资法则。

目前，有关交易策略的风险评估方法多集中于考察交易策略所能达到的正交易比率上，也就是所谓的参数“胜率”上，然而本文的模型显示“胜率”高的交易策略不一定未来亏损的风险就低。单次正收益率很低，但获利次数很高，即“胜率”很高，未来亏损概率一样会很大，这是因为单次正收益率很低，尽管正收益次数很多，但未来一次亏损就可能把以前积累的利润消耗尽。我们的模型把正交易比率与交易的收益率联系起来，给出了更加科学的评估方法。

五、在交易策略风险评估中的应用

我们的模型可以应用于交易策略的风险评估。可以根据某个交易策略的历史交易次数和交易收益率，把所有正收益率和负收益率分别折合成两个复合收益率，即 和 ；然后分别根据“辛苦系数”的计算公式（10）算出参数 ；最后按照方程（12 ）可以算出该交易策略的未来风险概率 。这个概率的含义就是，如果交易策略在未来以目前的模式继续运行下去的话，它的亏损概率就是 。

举个例子，假设某个交易策略产生了下列的收益率，如表1。首先，我们可以很容易地计算出复合收益率，即 ， - ；另外根据（10）得到辛苦系数 ；于是可以计算出该策略的未来亏损概率为 。它表明，如果这个交易策略以后仍按这种模式运行下去的话，其未来亏损的概率大概是0.58。这个例子表明我们可以通过计算交易策略的 值来估算它的未来风险，并且在这个例子中我们也看到尽管该交易策略有70%的胜率，但其未来存在的亏损风险仍然高达58%。

值得注意的是，由于实际交易中每次交易收益率是变化的，有时差别还很大，这将影响辛苦系数

值的评估效果，因此我们还需要附加计算单次收益率的方差 和 。方差越小， 值的评估效果越好。另外，用户可以选择市场处于上升阶段或者下跌阶段计算 值，这样评估更易于比较。

六、结论

不同于传统的关于风险的描述，比如定义风险为收益率的方差等，本文试图通过一些基本假设自然地推导出风险的表达式。在二项分布的基础上，我们建立了一个风险收益模型来作为交易策略风险评估的理论依据。这个模型从理论上和数值实验上证明了：在单次交易的收益率不变以及不考虑交易成本的条件下，（1）交易策略的长期风险不依赖于交易次数；（2）交易策略的长期风险不取决于正收益比率；（3）交易策略的长期风险只取决于正收益相对负收益的幅度。模型为风险评估工具提供了坚实的理论基础，并且把目前关于交易策略风险评估方法中常用的正收益比率与收益率联系起来，改进了评估方法。

参考文献：

[1]Banz，R.，1981，“The Relationship between Return and Market Value of Common Stocks”，Journal of Financial Economics，9（1），pp.3-18.

[2]Breeden，D.，1979，“An Intertemporal Asset Pricing Model with Stochastic Consumption and Investment Opportunities”，Journal of Financial Economics，7（3），pp. 265-296.

[3]Markowitz，H.M.，1952，“Portfolio Selection”，The Journal of Finance 7 （1），pp. 77-91.