量化投资范文

导语：如何才能写好一篇量化投资，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

1987年在美国南卡罗莱纳大学获得国际商业硕士学位，曾出狂台湾获多利詹金盘投资颀问公司(wardleyJamescapel)总经理。1995年。历任加拿大伦敦人寿保险公司(LLIM)权益证券按资副总裁、常务董事等职务。2003年担任荷兰银证券投资信托公司(ABNAMRO)首席投资总监。2006年11月，担任光大保德信基金公司副总经理兼审席投资总监。

一份，“一了夙愿”的情怀，一次机缘巧合的引荐，让袁宏隆开始了他在中国大陆的投资之旅，2006年11月，袁宏隆以副总经理兼首席投资总监的身份加盟光大保德信基金管理有限公司。在此之前，袁宏隆花了二十年时间，在中国台湾和北美不断积累着他的投资经验。而这也使得他成为中国大陆基金业中，全球投资经验最丰富的首席投资总监之一。

对于光大保德信的投研团队而言，袁宏隆的“空降”带来的最大变化，可以浓缩成两个字：量化。这既包括注重量化流转的投研程序，也包括强调量化考察的绩效考核。着力打造量化投研体系，是袁宏隆在光大保德信的得意之作，其效益则体现在三年来的业绩斐然，尤其是刚刚过去的2009年：根据银河证券基金研究中心的报告，在124只成立满一年的可比基金中，光大保德信旗下的量化核心基金、红利基金、新增长基金和优势配置基金分别排名第u位、13位、22位和32位，风格完全不同的股票基金，表现却能够一致，体现了投研流程的合理性和投研团队的实力。

坚守自己的理念

从中国台湾到加拿大，再从加拿大到中国台湾，这是袁宏隆步入中国大陆之前的投资生涯路线图。

1987年，从美国南卡罗莱纳大学获得国际商业硕士学位后，袁宏隆的投资事业从中国台湾起步。在此期间，他曾出任台湾获多利詹金宝投资顾问公司(WardleyJamesCaps)总经理。该公司是一家以汇丰集团为背景的知名证券经纪跨国集团公司，主要为投资于中国台湾地区股票市场的OFII提供投资咨询服务。到了1995年，袁宏隆来到加拿大伦敦人寿保险公司(LLIM)，先后担任权益证券投资副总裁、常务董事等职务。这家寿险公司的资产规模超过150亿加元，在八年半的任职期间，袁宏隆为山H管理约30亿加元的北美证券资产。而思乡之情让袁宏隆在20。3年再度回到中国台湾，担任荷银证券投资信托公司(ABNAMRO)的首席投资总监，该信托公司旗下有20多只基金，资产管理规模达到35亿美元。

二十载的海外投资生涯，拓宽了袁宏隆的投资视野，也让他切身感受到不同地区投资风格的差异。“不同地方的普通投资者心态是不一样的。比如在北美，大家者偏向于长期价值投资，而在中国台湾，则经历了从，早前热衷短线投资渐渐过度至成熟价值投资的过程。”袁宏隆告诉记者，“到了中国大陆以后，我发现这里的投资者对短线收益的要求比其他地方耍高，基金投资风格也常常会受到持有人需求的影响。”

很显然，袁宏隆的中国大陆投资之旅，首先要面对的，就是投资理念的一次碰撞是继续他二十年来的严谨，还是融入本土的投资偏好?在连续三年持续完善光大保德信的量化投研体系之后，袁宏隆用自己的工作表明了态度，他选择了坚守自己的理念。

袁宏隆力推的量化投研体系内涵丰富。如在研究员荐股上，袁宏隆让每位研究员可以艮据自己的研究偏好，选出比较个性的模拟组合，由5只股票组成，这个模拟组合不仅要在投资组合会议上接受其他投研人员的质询，而且还要进行系统追踪。公司则根据每天的实时表现，随时调阅出每个研究员和每个基金经理的投资组合的绩效比较，使得各投研人员的投资能力一目了然。而在考核中，袁宏隆也偏爱用数字说话，尽量使得每个研究员和基金经理的绩效业绩都得以量化，并根据量化考核的结果进行奖惩。

在股票池的建立上，袁宏隆也常强调定量分析的重要性。“实施上，在市场扩容速度加快的背景下，进行定性的分析越来越难，而通过定量分析，则可以发现被市场忽略的投资标的。所以，我们的股票池是采取定性和定量分析结合的办法确定，希望能从被动研究转移到主动研究。”袁宏隆说。“以光大保德信量化核心基金为例，我们会根据模型筛选出具有投资价值的股票，而当数量模型筛选出不熟悉股票时，要借助研究员的定性研究作补充，来决定股票的入库以及是否购买。”

恪守铁的纪律

量化投资最核心的是纪律――这是身兼光大保德信量化核心基金基金经理的袁宏隆在不同场合多次强调的观点。“能够克服基金经理个人主观因素的影响，恪守纪律的量化投资才有可能为投资者带来超额收益。另外，量化投资能够借助计算饥强大的运算能力去筛选个股，捕捉到被市场所忽略的个股或者板块，这是量化投资的魅力所在。”袁宏隆说。

袁宏隆指出，量化投资不会随意对模型进行调整，因为一旦模型建立也就意味着量化投资的风格已经确立，调整量化模型实际上就是改变基金的投资风格，除非经过市场一段时间的验证，新的归因值确实比旧的显示出更多优势，这时候才需要进行一定的调整。但总体而言，成熟的量化模型在运作中不会出现太大变化，量化投资的纪律就在于不能因为一时的市场变化就调整量化模型。

事实上，在二十年的海外投资生涯中，袁宏隆管理过多个投资团队，严守投资纪律是他对团队成员最基本的要求。而在光大保德信，袁宏隆的投资纪律观除了身兼基金经理而必须各守的量化投资纪律外，还包括身为投资总监对旗下其他基金经理“必须注重业绩比较基准”的要求。而对于后者，袁宏隆只用一句话来形容：基金经理必须根据基金合同的要求来管理产品。这其实意昧着，在光大保德信的基金产品中，所谓的投资冈格指的是产品自身的风格，而非基金经理的个人风格。

“如果基金经理持仓品种总是超越基金合同限定的条件，短时间内可能会取得超额收益，但一旦品种选偏、风险释放，无疑会使基金公司的运作产生被动，将无法面对基金持有人。而且，基金经理的行为只有和基金产品合同保持一致，才能让基金持有人有明确的预期，这一点很重要。”袁宏隆严肃地说，“我们是基金持有人的投资伙伴，这是我们必须遵守的最起码的投资纪律。”

这种投资纪律反映在光大保德信的股票池上，就形成了其特色的风格。袁宏隆告诉记者，在光大保德信投研的总股票池中，针对每个基金产品设立了对应的“冈格库”，而这些基金产品的投资对象则多从自己对应的“风格库”中挑选。当有新的股票进入股票池时，则会判断其适合哪个基金产品，将其补充到对应的风格库中。在这种操作模式下，光大保德信旗下的偏股型基金出现了非常明显的风格差异，各基金挣仓吉构完全根据各基金的特点，少有重仓股持股重合的情况。“这就是我们追求的效果。”袁宏隆说。

操刀中小盘基金

今年起，袁宏隆在身兼多职后，还将担任光大保德信中小盘基金的基金经理。这是光大保德信的第一只中小盘基金，袁宏隆的亲自担纲，足见公司对该基金的重视。而在近期各基金公司刮起的中小盘基金发行热中，袁宏隆又将如伺展现自己的独特之处呢?

袁宏隆的方法是使用动量策略模型来考量股票走势的变化趋势，并以定量、定性和动量策略作为选股的依据。定量上，光大保德信专门为中小盘基金研发了价值评估模型，并以此筛选出财务指标、盈利指标等表现较好的公司：与此同时，依托该公司强大的研究团队实现定性研究；动量策略着重考量股票过去的涨跌幅，及其过去一段时间和现在成交量的比较，来确定其盈利增长方向。

值得一提的是，光大保德信基金公司还建立了资产配置小组，其团队式的投资管理机构，是国际成熟投资理念及本土长期投资经验的集中体现。在强调深入挖掘投研团队集体智慧的同时，各层次的投资决策主体各司其职，明确权限设置及分工，对投资决策过程进行严格的风险管理。

篇2

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。

篇3

中国金融业飞速发展，尤其是2010年股指期货的推出，量化投资和对冲基金逐步进入国内投资者的视野。目前，量化投资、对冲基金已经成为中国资本市场最热门的话题之一，各投资机构纷纷开始着手打造各自量化投资精英团队。同时，中国拥有数量庞大的私募基金，部分私募基金利用国内市场定价较弱的特性转化成对冲基金也是必然的趋势。

量化投资是将投资理念及策略通过具体指标、参数的设计，融入到具体的模型中，用模型对市场进行不带任何情绪的跟踪；简单而言，就是用数量化的方法对股票估值，选取适合的股票进行投资。

量化投资的鼻祖是美国数学家西蒙斯（James Simons）教授，从1989年到2006年间，他管理的大奖章基金平均年收益率高达38.5%，净回报率超越巴菲特。

对冲基金（hedge fund）是指运用金融衍生工具，以高风险投机为手段并以盈利为目的的金融基金，采用各种交易手段（卖空、杠杆操作、程序交易、互换交易、套利交易、衍生品种等）进行对冲、换位、套头、套期来赚取巨额利润。

犹抱琵琶半遮面

上海交通大学金融工程研究中心陈工孟教授表示，2010年股指期货推出后，量化投资和对冲基金渐成热门话题，并正在逐步萌芽和发展，但因为是新事物，社会各界还不是很了解。

目前国内约有12只公募量化基金，而深圳和上海也已有不少对冲基金；量化投资和对冲基金离中国投资者如此之近，但又是如此神秘。

长期以来，国内投资者一直存在着一些疑问，例如，量化投资和对冲基金是不是金融业发展的必然？量化投资和对冲基金对金融安全问题会产生什么影响？上海建设国际金融中心，量化投资和对冲基金应该扮演怎样的角色？量化投资和对冲基金为何能取得超额收益？量化投资和对冲基金如何进行规范和监管？对冲基金如何募集、运作和壮大？如何开发策略、如何进行交易如何控制风险？

对于上述问题，国内缺乏进行深度探讨和专业研究的有效途径。近日，国内领先的量化投资和对冲基金专业研究机构，上海交通大学金融工程研究中心主办了2011第一届中国量化投资高峰论坛。众多国际投资家、知名学者、优秀对冲基金经理、量化投资领军人物、交易所研究代表等，与300多位来自于证券、基金、私募、信托、银行、保险界的专业人士、信息技术服务商和民间资本代表，共同分享最新的量化投资和对冲基金的宏观视点及微观技术，以解决金融业发展迫切需要解决的问题。主办机构表示：“我们相信此次高峰论坛的召开，将开创中国量化投资和对冲基金的新纪元。”

无限风光在险峰

上海交通大学安泰经济管理学院院长周林教授在论坛致辞时表示：“通过引进各种各样的产品、各种各样的金融工具，特别是量化投资的方法，逐渐把过去的投资艺术转化到投资科学，这是我们共同关心的问题。”

周林认为，在中国开展量化投资、设立对冲基金将来有可能的空间，当然，可能也会有问题和风险。即使像美国、英国这样的成熟市场也会产生风波，比如金融危机，不能归咎于量化投资、对冲基金，但一些投资手段、金融工具运用不好，也可能对市场带来一些风险。“对于一系列未来可能产生的问题，我们一定要做非常好的分析。”

中国金融期货交易所副总经理胡政博士谈到，由于量化投资导致程序化交易和国外流行的算法交易等，这些新的交易方式是市场发展的基本趋势。通过研究后他认为，有四方面问题值得关注。

第一是对市场公平性的冲击。有人用“大刀长矛“，有人用“导弹、机关枪”，有专家理财，有一般的投机炒家，各种各样的风格构成了市场，投资手段的不平衡，有可能会带来市场交易的不公平。

第二，对市场本身运行的冲击。量化投资的产品，有可能会对市场价格造成冲击。当采用类似的风险止损点或者类似理念时，市场发生某个方向的变动，有可能加剧这种变化。

第三，对市场价格信息的冲击。很多量化投资工具需要收集信息，需要有很多试探性的报价去测市场的深度。大量的试探性报价，不以成交为目的的报价信息，会对市场产生冲击和影响。

第四，对交易系统的冲击。量化投资快速发展的核心因素是计算机技术的发展，现有交易系统都基于计算机系统，各种各样的工具会对交易系统造成冲击。

第一财经传媒有限公司副总经理杨宇东建议，希望媒体把目前机构、专家学者、管理层正在研究的成果报道出来，让更多的人了解；他还呼吁更快地完善有关对冲基金方面的监管政策和法规，并给予量化投资更多的扶持和技术支持。

上海银监局副局长张光平探讨了人民币国际化的话题。湘财证券副总裁兼首席风险官李康的观点鲜明生动，而中国社科院研究员易宪容在演讲时则激情四溢。

韶华休笑本无根

量化投资把资本市场的投资行为从以往定性化的“艺术”升华为数量化的“科学”，运用到高深的数量工具。国外从事量化投资的研究人员和基金经理大多是学金融、计算机和统计学出身，很多物理、数学专业等理工科背景的优秀人才也加入这一行列。野村证券亚太区执行总监周鸿松就是哈佛大学空间物理博士，曾获2011亚洲银行家峰会最佳算法交易系统团队奖。

在美国留学获计算机硕士的刘震现任易方达基金管理公司指数与量化投资部总经理，1995年进入华尔街工作，在与国内父母通电话时，他感到很难解释清楚自己的职业性质，便说跟“投资倒把”差不多，这可把他父母给弄晕了。

国泰君安证券资产管理公司总经理章飙是统计学博士，早在2006年就开始用量化投资工具做ETF套利，最初很难被上司和同事理解，直到做出几个成功案例后，才有了较大的发言权。他曾向公司申请投5000万元做“攀钢钢矾”，还放出“狠话”：如果公司不让做他就辞职，两年后这笔投资为公司赚了3.5亿元。

篇4

近年来，投资领域的众多精英纷纷投身量化投资领域，利用计算机科技并采用一定的数学模型去实现自己的投资理念、投资策略。他们以自己的智慧加数学的方法组成投资策略，设计出自己的赢利模型，来克服交易中人性的弱点，实现稳定的赢利。

不少机构和个人都赢利颇丰，然而从今年8月开始，不少量化投资者都在遇到同一个问题，以前稳定赢利的模型现在开始不灵了，屡屡大幅回撤亏损。

“好奇怪，每一次回撤都打到止损点后，再重新起来，这模型到底怎么了？”渤海证券某分析师告诉记者。

国内如此，国外量化同行也遇到同样的困惑，经常出现很大的回撤。尤其是最近，全球CTA策略都不太景气，很多传统CTA做得比较大的公司，今年都面临倒闭窘境。

倒在反向策略？

2013年11月17日上午，清华大学深圳研究生院报告厅。第四届（2013秋季）中国量化投资国际峰会上，100多位金融界菁英汇聚一堂，交流着量化投资出现的问题。

不少同行都遇到了和渤海证券分析师类似的问题，模型失灵，行情每次回撤都打在止损位后，再重新起来，一次次止损都在亏钱，是模型出了问题吗？

“你的反向策略是如何制定的呢？”在上午的论坛上，台下的提问给嘉宾制造了些许紧张，在量化这个圈子里，大家对模型都是讳莫如深，避而不谈，更何况是反向策略的制定，这位被问嘉宾顾左后而言他，并没有正面回答。

反向策略揭开了近几个月大多数模型亏损的冰山一角。投资界有这样一种说法，投资者都是在赚犯错方钱。显然当量化投资者在逐渐增多时，在市场中这部分人群都在用类似方法，也就有了相同的属性，这时聪明者就针对这部分人群制定出了相应的反向策略，专剪这个人群的羊毛，多数模型失灵也就不足为奇了。

上述提问者没有轻易放弃，又把问题转向了本次论坛的主持人原美国骑士资本董事总经理、高频交易总监明可炜。

“反投资策略的方式我听得很少。现在的问题是很多的量化投资同时进入市场，使得市场的价格实现机制出现了偏差，反策略发现了很多的量化投资策略在做同一件事情的时候，把价格推到了不合理的位置。”如果说主持人上面的回答相对中肯，下面则有意淡化反投资策略。

“犯错误的投资人可以使别的投资人的回报变得更多，但并不是说你要有收益必须是别人犯错误的结果。就像巴菲特说，他买一只股票绝对不是因为这只股票今年便宜点，而是他认为这只股票在未来30年、50年会给他带来很高的利益。我认为量化投资者也不是在寻求别人犯错务的时机，如果是基本面，或者说发现了一个趋势，就可以获得很好的收益，这个时候谁都没有犯错误。”

策略失效另有隐情

反向策略并不是策略模型失效的唯一原因，会场嘉宾各抒己见。

中国量化投资学会理事长丁鹏认为，如果说它是有经济学原理做支撑的策略，它未来一定再次有效。比如说套利策略，平常讲的股指期货套利，它是有经济学原理做支撑的；还有大的趋势性策略，只能抓大牛市或者大熊市的，可能很多年都不会再次有效，像这种策略一旦失效的话，一定要考虑背后的真正驱动因素是什么。

“对于一些趋势策略来讲，它可能是暂时的失效，因为进入趋势振荡阶段，它必然会这样。有一些事件操作的策略，它可能因为事件的消失而长期的失效。”渤海证券金融工程部总经理何翔认为，“对于短期失效的趋势策略，从个人来讲，你要有一个风险容忍度，要清楚能不能坚持这样的策略。”

风控不容忽视

不少的量化交易者，都有过不错的收益，但亏损更甚，原因之一是没有把握住风险控制。会场几位重量级嘉宾畅谈了风控的方法。

“控制风险比收益更重要，控制风险才是投资者最核心的东西。”丁鹏认为，在银行、保险、券商和期货这几大金融行业中，期货的收益应该是最高的，但做期货往往是最穷的；而银行的收益是最低的，银行理财只有5、6个点，但银行是最富的。为什么？因为银行的风控能力是最强的，所以真正的富人敢把钱存在银行，但没人把大钱拿给期货公司玩。通常是把风险控制住之后，靠规模、放大杠杆去赚钱的。

通过多策略的方法降低风险。职业投资人、宽客俱乐部总经理冯正平认为，金融投资的策略体系一定要符合保险学原理。比如你交易200个标的，用了200个策略，其一个标的出了问题，仅影响0.5%。要从这个角度去研发策略、组合策略。

“我们公司对策略风控、模型回撤要求非常严格。” 何翔表示，“我们在策略开发的过程中，特别注重三个方面，一是时间纬度上，要在不同的时间架构上对策略进行分散，有长期、中期、短期，甚至日内的；二是在空间上进行分散；三是在策略的类别上分散，有趋势型策略，也有振荡型策略，多策略使风险最小化。”

算错成本没赢利

张华（化名）是近年从华尔街回来的博士，在国内做了一个阿尔法套利，平均每周交易4次，每次交易扣除交易成本之后可以盈利千分之三，一个月做16次，一年收益率应该是50%。做出来之后，在数据回溯和模拟上都很吻合，但是做进去之后，第一个月亏了，第二个月又亏了，第三个月还是亏损。

“这种情况是没有算清楚冲击成本和交易成本。”上海铸铭投资管理中心总裁张向阳认为，在进行历史数据回溯的时候，他应该是拿一口价格来算账，而那口价格是在买价上成交的还是在卖价上成交的，他是不知道的，只能在卖价上买。这样就形成了误差，导致设计模型时就不能赢利。

好模型如利剑

量化赢利如同一辆好车在路上跑，风险控制如同刹车，计算成本如同估计路况，遇到路况不好时踩刹车放缓速度避免翻车，而好的策略模型则如同油门，路况好时要想跑的快，必须踩油门。

和多数宽客人对自己的模型三缄其口不同，渤海证券金融工程部总经理何翔分享了团队几年来几种模型的赢利情况。“在整个量化策略开发过程中，我们以风控为前提，然后把握一些趋势性的机会，顺势而为，分析市场的行为，做好策略开发的分散，最终严格执行策略，实现了好的收益。”

何翔团队在2010年开发了MT-SVM量化预测模型，结合技术指标、宏观指标，对每个月市场涨跌的情况进行预测。市场本身混沌、非线性的，团队用人工智能的方法，预测每个月上证指数的涨跌，然后得到一个从2001年到现在涨跌方向的预测结果。这是一个比较粗糙的预测方向，给出一个市场方向的大参考。最近的预测是从10月份开始预测市场上涨。用上证指数做一个标的，用这个模型做一个简单的模拟操作，测出来一个净值，预测的效果很好。

另一个是量化定增套利策略。这是何翔和团队在去年年初开发的，他们更关注定向增发前的部分，从董事会预案公告，股东大会公告通过，然后到证监会审核通过，再到定增公告，不同的阶段去分析、统计哪些阶段会有超额收益。基于这样的思路，他们建立了量化定增套利策略模型，年化可以到10%-20%，但是波动也比较大。

最后分享的策略是基于量化均线突破策略——短线交易策略。这个策略用在所有的股票上，分析、识别均线和K线形态，在历史上满足这个形态的样本，就可以满足这个的策略，一般持有1到3天。这个策略效果还不错，只是可容纳的资金有限，如果扩大样本量，还会有比较好的结果的。

何翔对自己团队的策略如数家珍，看得出来，对策略出来的效果巨满意。

明天还能赚钱吗？

随着对量化的熟络，越来越多的投资者进入了这个圈子，“悍马定理”创始人冯正平给这些新的宽客提出了宝贵建议：

原来做主观交易的投资者有盘感、经验、好心态、能够操作大资金，建议他们组建一个团队，和一些做量化投资者结合起来，一起做市场，会少走弯路。

现货投资者，因为原来现货做的好，规模大，拥有丰富的社会资源，基于现货市场的定价机制形成了自己的一些的方式，如果做量化，建议他们先实现程序化，做一些套保或者对冲，无需高深的数学知识也会收入颇丰。

如果是纯量化投资者，因将来的发展趋势会更加智能化，所以要向更复杂的非线性的数据工具倾斜。

对于量化投资的未来发展趋势，丁鹏认为会形成两大流派，一个是策略流派，一个是工具流派。策略流派是开发出各种各样的好策略，发现更多的机会；工具流派是用传统的策略，但工具做得更好、数据更全、效率更高、数据更快。

篇5

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。

篇6

虽然现在量化基金、对冲基金等以量化方法运作的产品慢慢得到机构的重视，但受对冲工具、市场成熟度、投资者成熟度等因素影响，量化投资顶多处在长跑前的预热阶段。

银华基金量化投资部总监周毅曾在华尔街从事量化投资11年，现在他一人管理着两只量化型产品和两只QDII基金，市场上对此有过质疑。

在接受《投资者报》记者采访时，周解释说，与定性投资比，定量投资的优势之一就是人力成本低，每多一个产品，对基金经理来说所增加的时间很少。

周毅认为，与成熟市场相比，A股可做的量化策略或对冲策略空间较大，因为参与的资金较少，机会也大。

优势是人力成本低

《投资者报》：市场上质疑，你一个人同时管理四只产品，能管得过来吗？

周毅：主动型投资较大程度上依赖投研平台，量化投资则主要依靠数量化模型，相比较，量化投资成本较低。对于已成立运作的指数基金来说，在系统建立起来后，相同管理类型的产品都可以共用一套系统，基金经理的工作实际上就是对细节进行微调。比如目前银华管理的分级产品和纯被动的指数基金，大概在上午9点半以前，系统会提交所有的产品的当日交易清单，基金经理的工作只是根据不同基金的一些投资限制在细节上进行调整。

《投资者报》：清单也是靠模型吗？

周毅：不完全是这样，其实是一个最优化的公式。比如跟踪沪深300指数基金，本来就按照每一只股票的权重买就可以，但是一些涉及关联交易等限制性规定的股票不能买，就有一个优化的问题。一部分公司的做法是用线性回归的方式，把受限股票都做线性回归，找到跟其相似度最高的股票，按它的权重买进来。

国外通常的做法是对投资组合进行整体优化，剔除交易受限制的股票，算出剩下股票的最优解，再和现在的组合比，就出来一个交易清单，这是一种优化。

《投资者报》：我了解到国外一些基金公司，虽然规模百亿乃至千亿美元，但基金经理、研究员却非常少，这与国内差别较大。

周毅：主要是大家对投资的理解不一样。按照我的感觉，在国外以传统投研方式（研究员加基金经理）做投资的，相对占少数，而国内公募基金发展也就十来年，传统投资方式依然占绝对大头。

《投资者报》：为什么占少数？

周毅：美国公募基金经历了α（超额收益）与β（市场平均收益）分离的过程，现在公募基金大多都去做β了，而对冲基金去做α了。逻辑很好理解，公募基金是怎么盈利的？规模乘以管理费。所以，基金公司的发展在于规模要大，而且越大越好。现在我把这个事情推到极致，全市场所有的钱都由一家基金公司管，收益是多少？就是市场平均收益，不可能有超额收益，这就是β。

就是说，公募基金想提高盈利，模式是把规模做大、把成本压低，最后得以生存。

所以，美国公募基金经理相对而言比较舒服，但他们的收入在金融业偏下，因为做β个人的因素不是特别大。

国内指数基金空白点多

《投资者报》：你讲到BGI短短十年管理资产就达到2万亿元，有什么可借鉴的地方？

周毅：我一直在思考这个问题。通常认为BGI的成功是靠大量发行交易型指数基金（ETF）做到的，但我觉得不全是。我觉得，其成功的另外一个重要原因是产品设计思路。

美国老牌基金公司先锋集团以指数基金闻名，他几乎把市场各种规模的指数产品都覆盖了，BGI作为一个后来者，指数的先发优势完全没有了，所以它需要找到一个突破口。于是，它打破了传统基于市场平均的指数设计理念，而集中突出特性很明显的产品。

比如寻找15个市值最大的房地产建筑商，然后制定一个指数。对于想投资房地产建筑的机构和个人，没有必要花时间和精力研究个股，而直接买对应的ETF，以至于大家提到建筑的时候提BGI建筑基金就可以了；再比如，BGI开发了很多国家系列指数，都是一个道理。目前国内还没有类似的指数，这方面基金也还是空白。

《投资者报》：对于一个长期从事量化投资的人，你怎么理解投资？

周毅：就投资而言，我个人的理解要稍微宽泛一些，只要能赚到钱，就可以称为投资。至少我在华尔街注意到，比如华尔街交易员的地位都很高，而国内交易员的地位比较低，在华尔街，考核的指标不是是否找到了好股票，而是看结果是否赚到钱。

为什么呢？因为股票交易价格和内在价值之间有很大差别，内在价值是不是最终能反映交易价格，这很难说。

交易员根据盘面上钱的供需关系、短期的交易价格赚钱，这也是投资赚钱的方式。而目前，这类东西在国内属于旁门左道或者另类。

对冲基金大有可为

《投资者报》：你提到，现在主要的创新方向是在A股如何应用对冲策略，你现在的对冲策略是什么？

周毅：现在A股做多的标的很多，全市场两千多个股票都可以买，而做空的工具只有沪深300股指期货。很显然，从理论上可以这样操作，通过放空沪深300股指期货对冲组合基准风险，那么只要组合收益率高于沪深300基准收益，超越部分就属于相对收益能力的绝对部分。

从国内基金公司的过往业绩来看，投研人员能够选出高于基准收益率的组合，这种投研能力传导的结果就是基金公司在大概率上是可以做出相对收益的。

我觉得目前A股可以做出的策略比较多，因为用这种方法做投资的资金比较少，所以机会比较大。

《投资者报》：你觉得做对冲基金最大的风险是什么？

篇7

摘 要 自2010年4月股指期货推出后，数量化投资逐渐成为我国资本市场的一个热点。对此，本文以投资者熟知的MACD指标为基础，运用遗传算法和模拟退火算法，建立了一个数量化投资模型。该模型的仿真投资收益明显超出大盘，而风险明显低于大盘。本文基于MACD指标建立数量化投资模型的方法简单、有效，可操作性强，可方便地推广至其他技术指标，在数量化投资领域中可能具有广泛的发展前景。

关键词 数量化投资 MACD 遗传算法 模拟退火算法

一、研究背景

与传统投资基于各方面信息和个人判断进行操作不同，数量化投资将适当的金融理论、投资经验等反映在数量模型中，然后利用程序软件代替大脑对海量信息进行科学处理，总结归纳市场规律，最终建立可以重复使用的、不依靠个人主观判断的投资策略。

由于数量化投资的操作策略往往经过了严格的验证，具有较强的系统性和规范性，主观随意性较少，风险可测可控，因此随着计算机数据处理能力的迅速提高，数量化投资获得了快速发展，数量化基金的规模亦迅速扩大。据统计，自2003年以来，数量化基金规模的年均增长速度高达15%，而传统型基金规模的增长速度则低于5%。

很显然，科学的数量模型是数量化投资成败的关键。当前，主流的数量模型均考虑了多方面的因素，既包括各种基本面因素，又包括各种技术因素，涉及较为高深的经济学、金融学、技术分析等知识，模型都比较复杂，理解难度较高，甚至令人望而生畏。对此，本文以人们熟知的技术指标为基础，通过引入遗传算法和模拟退火算法对参数进行优化，建立了一种较为简单、有效的数量模型构建方法，希望能为推动我国刚刚起步的数量化投资发展有所帮助。

二、模型框架

由于MACD指标以经平滑后的股票价格为基础，而股票价格包含了绝大部分的基本信息和技术信息，因此本文以MACD指标为基础研究建立相应的数量化投资模型。

（一）MACD公式

MACD是投资者最熟悉的技术指标之一，主要包括EMA、DIF和DEA三个指标，涉及一个已知变量（收盘价P）和三个未知参数（ 和 ），公式较为简单。

（二）决策准则

虽然MACD指标的运用方式有很多种，既存在对指标值的应用（如比较DIF和DEA的大小），又存在对形态的应用（如底背离、顶背离等）。对此，本文制定的决策准则相当简单，即：

时，做多

时，做空

三、模型参数优化

（一）参数的科学取值是决定MACD指标投资决策价值的一个关键因素

在一般的技术分析参考书和交易软件中， 和 通常取12、26和9。然而，该取值并不是最优的。

例如，以2005年1月5日至2010年12月31的沪深300指数为例，根据（公式1）和（公式2），做多业务在 和 取值12、26和9时，可获得的投资收益为230.55%（收益①）；而在 和 取40、195、130时，可获得的投资收益为651.98%（收益②）。

因此，参数取值是否合理决定了使用MACD指标进行投资决策时投资收益的高低，决定了MACD指标的投资决策价值。

（二）人工智能算法在技术指标参数优化领域中的突出优势

运用MACD指标建立数量化投资模型的关键在于对公式中的三个参数进行优化。然而，虽然参数取值与投资收益间存在确定的函数关系，但该关系并不能用一个表达式予以直接阐述，因此传统的解析方法在此并不适用。而其他传统方法如随机法和穷举法的优化效率不高。在此情况下，可运用人工智能算法有效解决此类优化难题。

遗传算法（Genetic Algorithms）和模拟退火算法（Simulated Annealing Algorithms）是人工智能的重要分支，两者均从一定的初始值开始，按照明确的规则搜索最优解，并不要求目标函数存在明确的表达式，且具有高效、鲁棒性强等特点。由于技术指标参数与投资收益间的关系相当复杂，不存在明确的函数关系式，因此遗传算法和模拟退火算法在技术指标参数优化领域中具有很高的应用价值。

此外，遗传算法和模拟退火算法的基本原理和运算过程虽然较为复杂，但其运用却相当简单，MATLAB等数据处理软件均提供了现成的工具箱供用户方便地使用，且即使不掌握参数优化的原理和运算过程，也不会对数量模型的研究产生重大影响，因此运用遗传算法和模拟退火算法对技术指标参数进行优化的可操作性强。

（三）遗传算法和模拟退火算法应用举例

1.MATLAB指令

假设投资收益R和参数 、 间的关系为R=gain( 、 )，则MATLAB的遗传算法指令和模拟退火算法指令分别为：

[x,fval] = ga(@gain,nvars, [],[],[],[],lb,ub,[],options)；

[x,fval] = simulannealbnd(@gain,x0,lb,ub,options)。

其中：

x和fval是程序返回值，分别为参数 、 的最优化取值及其所对应的投资收益；

gain是目标函数，可根据（公式1）、（公式2）和（公式3）编写；

nvars是待优化的参数个数；

x0是参数 、 的初始值；

lb是参数的下界；

ub是参数的上界；

options是MATLAB指令的设置选项。

篇8

基于总绝对偏差法和市盈率法，采用2009—2011年浙江省156家创投机构(包括基金公司)所投的605个知识产权风险投资项目的数据资料，对投资风险状况及其行业差异进行实证量化分析。研究结果显示，知识产权风险投资呈现出明显的投资收益与风险的对称性及行业差异，传播与文化娱乐等是高风险、高收益投资行业，医药保健、通讯设备业等是低风险、低收益的投资行业，而新材料工业则是一个非典型的高风险、低收益行业。

关键词:

知识产权风险投资;风险水平;行业差异;总绝对偏差法

作为一种集资本、技术(知识产权)、管理创新与企业家精神于一体的非传统融资方式，知识产权风险投资目前已成为支持企业技术创新与高新技术成果产业化的一种新型投资模式，对推动我国高新技术产业发展正发挥越来越重要的作用。知识产权风险投资所投行业风险和收益的大小是风险投资家对知识产权项目进行投资决策时要考虑的首要因素［1］。知识产权风险投资所投行业的风险与收益状况究竟如何?是否具有明显的行业差异?哪些行业是属于高风险、高收益的行业?这些都是风险投资家最为关注的问题。目前，有关知识产权风险投资的研究涉及到多个方面，如风险投资与知识产权形成的相互作用与影响［2－4］，风险投资与知识产权的商业化［5－6］，知识产权风险投资契约和风险管理［7－8］，知识产权风险投资环境等［9－10］;但对于知识产权风险投资风险水平量化的实证研究还比较缺乏。在投资决策理论的研究中，学者们提出了多种用于评价投资风险的定量分析方法，如用AHP法和模糊数学分析法来评价投资风险［11］，或用VaR、CvaR法来度量和管理损失，但这些方法只能用于评价或度量风险或损失的大小，不能很好地基于所投项目的投资收益来对风险进行定量的分析和比较［12－13］。因而，很多学者使用方差、标准差、半方差等偏离期望值的各种变形形式来度量风险，但用方差方法不能准确地度量真实风险的大小［14］;使用半方差法进行风险度量时，需要首先设定目标收益率，这种设定具有一定的主观性［15］;绝对偏差法，由于用投资收益率的一阶绝对中心矩来代替二阶中心矩，发散的可能性比较低。因而从理论上说，风险的绝对偏差度量要优于方差度量［16］。对于绝对偏差方法的应用研究，国内学者西爱琴、武敏婷等［17－18］都作了尝试，并通过风险与收益的权衡，很好地解决了农业生产投资决策等问题。鉴于此，笔者认为基于知识产权风险投资项目的投资收益率来度量投资风险，选择“绝对偏差方法”是比较合适的。本文尝试基于浙江省156家创投机构在2009—2011年投资的605个知识产权项目的一手数据资料，采用绝对偏差法和市盈率法对所调查投资项目(企业)的行业分布、各年投资收益率及风险水平状况进行详细的分析，以全面了解和比较创投机构所投行业的整体风险水平和收益状况，为创投机构的投资决策提供依据。

1知识产权风险投资风险水平的量化方法

1.1总绝对偏差法样本值与均值之差即绝对偏差，总绝对偏差就是各样本值与均值之差的绝对值之和，它可以较充分地反映样本的离散程度，因此可用作衡量风险水平的有效指标［19］。

1.2数据处理的具体方法和步骤数据处理的具体方法和步骤是:首先，计算知识产权风险投资项目每年的投资收益率Ctj;接着，计算知识产权风险投资项目的期望收益率珔Cj(项目各年投资收益率的平均值);然后，计算知识产权风险投资项目的收益偏差系数Ctj－珔Cj;再进行知识产权风险投资项目的总绝对偏差Vtj=∑nj=1|Ctj－珔Cj|的计算;最后，计算知识产权风险投资项目的平均绝对偏差MAD=Vtj/n，其中Vtj系知识产权风险投资项目的总绝对偏差，n为知识产权风险投资项目的总数。

1.2.1年投资收益率计算方法。投资收益率是指税后的投资收益与原始投资额的比值。由于这些在2009—2010年间投资的知识产权风险投资项目在2013年调查期间基本都未退出，因此，本文采用市盈率法来计算被投项目的估值，在此基础上计算知识产权风险投资项目年度投资收益，最终计算出年度投资收益率。市盈率法是指用行业平均市盈率对企业价值进行估计，按此估价法，企业的价值得自于可比较资产或企业的定价;假定同一个行业中的其他企业可用作被估价企业的“可比较企业”，且平均市盈率所反映的企业绩效是合理而正确的;市盈率法通常被用于对未上市企业的估价。

1.2.2知识产权风险投资项目每年投资收益率具体计算过程(1)年度投资收益率=年度投资收益/原始投资额;(2)年度投资收益的计算如果是投资第一年:年度投资收益=第1年项目风险投资的估值－原始投资额;从第2年开始:风投年度投资收益=当年项目风险投资的估值－上年项目风险投资的估值;(3)项目风险投资的估值=被投项目的总估值×创投机构年末持股百分比;(4)被投项目的总估值=被投项目(企业)年净利润×w×三年内最低市盈率，w为市盈率修正系数。由于上市公司有流动溢价，未上市被投项目(企业)的估值也要在已上市同类公司平均市盈率的基础上打个折扣。由于知识产权风险投资的项目还没有上市，因此其估值(市盈率)应低于上述熊市的估值(市盈率)，即风投价格、股市的熊市价格、牛市价格的顺序应该是牛市价＞熊市价＞风投价。(5)市盈率=每股股价/每股盈利。市盈率是投资者投资估值的重要参考指标，通常指在一个考察期(一般为12个月的时间)内，股票价格与每股收益的比值;行业市盈率是一个行业上市公司总市值占该行业上市公司净利润总和的比率。(6)确定市盈率修正系数。经调查从事风投的投资专家，普遍认可把最近3年(2010—2012年)的最低市盈率作为熊市的市盈率，把同行业的熊市市盈率的50%作为创投项目的合理估值的市盈率。因此，在这里w为市盈率修正系数，表示打折的比率，取0.5为宜。(7)被投项目(企业)年净利润:指经审计的被投项目(企业)年净利润，由审计报表提供。通过上述方法可计算得出创投机构所投项目每年的投资收益率，并将每个行业内项目的投资收益率求平均，可得到19个行业2010—2012年各年的投资收益率。

2数据来源

本文风险量化数据来源于笔者2013年1—9月对浙江省创投机构比较聚集的杭州、宁波、湖州、绍兴、嘉兴、衢州等6个市的创投机构的调查。在浙江省创业风险投资行业协会的支持和帮助下，通过实地访谈、问卷调查、电话采访、邮件以及省行业协会年会上的现场统计调查等多渠道数据的采集，获得了有关知识产权风险投资的已投项目(企业)名称、所属行业、具体的投资时间、投资额、年净利润、被投项目年末总股数、年末创投机构持股数、每股收益等一手数据资料。笔者一共调查了201家创投机构(包括管理公司、基金公司)，由于各种原因，实际获得了156家创投机构在2009—2011年投资的605个项目(企业)的有效数据和信息，有效率77.6%。2009—2011年浙江省创投机构投资的知识产权项目(企业)分布在26个行业中，除其他行业外，传统制造业、IT服务业、新能源高节能技术、新材料工业和传播与文化娱乐的投资项目数排前5位，而建筑业、批发和零售、交通运输仓储和邮政、房地产业、半导体、核技术、社会服务等行业排倒数1～7位。为了便于统计和分析，笔者将建筑业、批发和零售、交通运输仓储和邮政、房地产业、半导体、核技术、社会服务等投资比例很小的行业统一纳入其他行业，将所调查的浙江省创投机构投资的605个知识产权项目分布在19个行业之中(见表1)。

3结果及分析

通过将实地调查获得的数据按照上述方法和步骤进行计算，得到浙江省156家创投机构投资的605个知识产权项目所处行业2010—2012年的风险水平量化数据(用收益的平均绝对偏差衡量行业风险)，相关结果如表1所示。

3.1知识产权风险投资的总体风险水平从表1给出的2010—2012年收益的平均绝对偏差情况来看，总体风险最大的是传播与文化娱乐业，接着是金融服务业，但同时3年的平均收益它们也排在前二位。其次，风险较大的是新材料工业以及消费产品和服务业，消费产品和服务业的收益排在第三位，因此，传播与文化娱乐、金融服务业、消费产品和服务业是比较典型的高风险、高收益行业，但新材料工业的3年平均收益在19个行业中排在倒数第一位(主要是2011—2012年投资收益率均不理想)，属比较典型的高风险低收益行业。风险最低的是医药保健行业，比较低的是软件产业、通讯设备、环保工程，风险居中的行业中风险从大到小排序依次为:农林牧副渔、采掘业、科技服务、计算机硬件、新能源高节能技术、IT服务业、光电与光电一体化、其他行业、传统制造业、网络产业、生物科技等。由图1可见，2010年知识产权风险投资总风险水平最低，低于3年平均水平;而2011和2012年的总风险水平均高于3年平均水平，且2011年的总风险水平略高于2012年。相应地2010年的各行业平均投资收益率水平也是最低，低于3年平均投资收益率水平;2011年各行业平均投资收益率与2012年持平，均高于3年平均投资收益率水平，符合收益和风险的基本关系，即“高风险、高收益，低风险、低收益”。

3.2知识产权风险投资的行业风险水平(1)2010年行业风险水平。表1的数据显示，2010年浙江省知识产权风险投资所投行业中风险最大的是金融服务业，其次是新材料工业和采掘业;风险最小的是环保工程，比较小的是医药保健、通讯设备、网络产业、软件产业以及传统制造业等。在投资收益率方面，金融服务行业投资收益率达21%，领先于其他行业;新材料工业和采掘业收益率为12%，并列第二，这三个行业在该年中是较典型的高风险带来高收益的行业。总的来说，该年中各行业的风险与收益情况符合收益和风险的基本关系，即所谓“高风险、高收益，低风险、低收益”。(2)2011年行业风险水平。2011年由于国家政策的支持，农林牧副渔、传播与文化娱乐、消费产品与服务成为行业新宠。如2011年政府进一步加强了对“三农”的支持力度，并在“十二五”规划中补充了农业产业结构调整和升级的内容，倡导大力发展现代农业。这些政策导向的作用可以在2011年的投资收益率中体现，该年行业投资收益率排在前四位的是传播与文化娱乐、金融服务业、消费产品与服务、农林牧副渔。同时，该年所投行业中，风险最大的是传播与文化娱乐业，接着是金融服务业和新材料工业，其次是消费产品与服务、农林牧副渔。相对来讲，医药保健、通讯设备、软件产业以及环保工程行业风险较小。总的看来，该年传播与文化娱乐、金融服务以及消费产品和服务业、农林牧副渔具有高风险和高收益的特征，除了新材料工业外的其余行业风险水平与收益水平基本相一致，都处于中间状态;而新材料工业属于高风险、亏损行业，说明高风险不一定带来高收益，有时带来的可能是损失。(3)2012年各行业的风险状况。2012年知识产权风险投资所投行业中风险最大的是金融服务业和传播与文化娱乐业，其次是新材料工业以及消费产品和服务业。风险相对较小的有生物科技、医药保健、环保工程等行业。该年中投资收益率最高的是传播与文化娱乐业为33%，接下来是金融服务业为32%，消费产品和服务业16%，科技服务14%。调查数据显示，除了新材料工业外，风险高的行业，其预期收益率也高，风险低的行业，其预期收益率也低;对于风险喜好者而言，可能会选择风险高、预期收益率也高的行业去投资;而风险低的项目，往往被风险厌恶者所喜爱，其得到的报酬相应也比较低。特别要注意的是对于风险高、收益低的行业可能是所有投资者都要警惕和规避的行业，投资者应该根据风险和收益的情况及时调整投资方向，以更好地规避风险。

4结论

篇9

短期或震荡 明年有好戏

11月17日，拟由卿管理的华泰柏瑞量化优选基金首发。谈及未来的市场表现，卿表现出了她独有的冷静。

今年剩下的一个多月时间市场震荡调整概率偏大。”卿分析指出，“明年的行情我个人比较看好股市，因为从大类资产配置角度看，国内房地产市场价格见顶基本达成共识，投资的需求被遏制；另外信托兑付风险暴露，黄金等大宗商品震荡下行趋势确立；而在国内宏观经济增速走弱的情况下，明年真实利率走势很可能下行，则银行理财产品的预期收益率也会随之下降。”

A股经历了一轮2007年后去泡沫化的漫长调整，现在进入了估值洼地，特别是主板市场，也是布局沪深300指数蓝筹股的良好时机。

十年磨一剑 量化大可为

对于2014年量化基金今年靓丽的业绩表现，卿分析指出：“这可能有两方面原因：一是量化基金在国内十年磨一剑，量变迎来了质变；加之量化投资是国外一种比较主流的投资方式，占比很高，而国内刚起步，加速发展是大势所趋。二从微观角度看，今年的A股市场是非常适合选股的市场，股市热点纷呈，个股表现分化很大。一般而言，当主题频繁切换时，量化基金由于具备较优的数据处理能力以及善于利用模型对个股进行大浪淘金式的选择，可以较好地把握行情。”

对于未来量化基金的发展，她表示，如果未来中证500股指期货、个股期权等金融衍生品相继推出，资本市场的投资工具可以进一步丰富。对量化投资可以起到一定的推动作用。

巾帼再亮剑 表现尤可期

目前，华泰柏瑞量化优选基金正在建行等渠道热销中，这是她继华泰柏瑞量化指数增强基金后的再度亮剑。

篇10

银华大数据拟任基金经理张凯对此表示，人工智能做投资是把已有的人类的投资思维，用计算机程序的方式实现并执行，这样可以拥有更快的计算效率，更少的犯错几率，同时把具有主观能动性的人解放出来去探索更多的投资机会。

大数据应用于选股和择时策略

张凯表示，人工智能的研究已经半个世纪了，随着计算能力的提升和应用场景的丰富，未来有望形成技术供给和应用需求上的共振，对该板块的未来表现非常期待。

大数据既可以用于研发资产配置策略，也可以用于选股策略：不同的数据源，对应不同的策略。张凯表示，从“大数据”到“投资”，是通过基于数据的投资策略来实现的。投资策略的核心逻辑来自长期投资实践中积累的经验，银华用证券大数据对逻辑的有效性进行验证，并找到能反映投资逻辑的具体指标，进而构建出投资策略。

张凯表示，银华大数据基金的优势体现在三方面，信息处理、投资策略以及人为主观性。该基金构建了两种资产配置策略和四种股票选择策略。择时策略第一类是基于宏观及行业景气度数据，包括货币供应量、流动性、PHI、经济同步指标、先导行业景气度、通胀等；第二类是基于市场行为及情绪数据，包括基金仓位、期指持仓及升水率、股票账户活跃度、分析师情绪等。

“基于宏观及行业景气度的数据对应的是中长周期的择时策略，基于市场行为及情绪的数据对应的是短周期的择时策略，二者影响权重各为50%，共同决定基金组合的仓位和大类资产配置，在择时上实现了长周期与短周期的均衡，提升了策略在不同市场波动下的稳定性。”张凯说。

基金的四种选股策略

张凯表示，该基金的选股策略分为四种：股票关注热度策略、分析师荐股策略、财务多因子策略和公告事件驱动策略。

“四种策略对应四类数据来源和四种投资逻辑。”张凯称，“股票关注热度策略选择互联网关注度高的强势股票：卖方分析师推荐策略选择被最多优秀分析师推荐的股票；财务多因子策略选择基本面质地优良且低估最多的股票；公告事件驱动策略选择出现驱动股价走强的突发事件的股票。”