发布时间：2023-06-26 16:14:54
序言：写作是分享个人见解和探索未知领域的桥梁，我们为您精选了8篇的量化交易策略的研究样本，期待这些样本能够为您提供丰富的参考和启发，请尽情阅读。
关键词：双向交易；指数基金；量化投资
中图分类号：F832.5 文献标识码：A 文章编号:1003－9031(2012)05－0004－04 DOI:10.3969/j.issn.1003-9031.2012.05.01
一、引言
对大多数普通投资者而言，指数基金是一种比股票更好的投资对象。但实际上，指数化投资本质上只是一种择股策略，可以帮助投资者选出一篮子股票，解决了“买什么”的问题，但对于交易系统中“什么时候买和卖”并没有很好的指示，也不能保证在短期内就能获得良好表现。由于绝大部分基金都不能跑赢指数基金，李海波（2008）建议普通投资者投资指数基金，但是应避免两个误区：一是在局部地区的长期熊市中不适合长期投资指数基金，二是在全球股市的长期熊市中不适合长期投资指数基金[1]。但仍有很多专家在向投资者传递一个错误的信号，即对指数基金应当长期持有。实际上，“长期投资”不等于简单的“持有不卖”。国内多数文献都将重点放在指数基金样本构建和跟踪误差计量方面（张帆，2007；赵勇，2010）[2][3]，而鲜有针对指数基金进行投资组合的研究。本文将在趋势分析的基础上对指数基金的量化投资进行系统研究，分别在单向做多机制和双向交易机制背景下构建指数基金量化交易系统。本文将引入一套“择时”机制，将其与指数基金自身的“择股”优势结合起来，这样可以在长期当中战胜市场和大多数机构投资者。尤其是在2011年12月融资融券标的再次扩容，7只ETF指数基金被纳入交易标的之后，双向交易机制下的盈利模式跟以往相比发生了根本性的改变，基于趋势分析的量化交易将赋予指数基金产品更多的吸引力。
二、理论基础与样本选取
（一）理论基础
指数基金量化交易的基石是趋势分析，而趋势分析是建立在技术分析的三个假设条件之上的，即：所有的信息己反映在价格之上；市场是按趋势运行的；历史将会重演。在技术分析方法中，“趋势”是核心内容之一。趋势交易方法在国内和国外、专业和非专业投资者中都得到了大量的应用，并且取得了良好的成绩，本文将基于趋势交易的思想，来对指数基金进行量化。
（二）指数样本的选择
趋势交易的本质就是“顺势而为”，抓住波段收益。在对指数基金进行量化之前，选择什么样的指数来进行量化是首要问题。通过大量的数据统计分析，笔者发现指数表现有着鲜明的“个性”：大盘指数运行较稳定，波动幅度不大，区间运行时间较长，用它来做趋势交易的收益不高但波动率也较低；中小盘指数表现则更为活跃，趋势变化更快，波动幅度更大，区间运行时间较短。相比较而言，中小盘指数是更为理想的交易标的，因此，在以下的量化分析当中笔者选取沪深300指数代表大盘指数，选取中小板指数代表中小盘指数。
（三）时间周期的选择
笔者选取2006年1月至2011年12月这段时期作为研究样本，其间包含了大牛市、大熊市、盘整震荡市等多种情形，完成了几个完整的牛熊轮回，用这样的数据分析得出的研究结果更具有说服力。
三、实证方法与实证结果
（一）实证方法
首先，笔者选择最简单、最直观的均线交易系统（MA）作为数据分析系统，该系统体现的是“叉点”交易思想：即在短周期均线上穿长周期均线形成“金叉”时买入；短周期均线下穿长周期均线形成“死叉”时卖出。交易周期用日K线①。然后，笔者采用“插值法”的思路对交易系统进行优化，即选择不同的参数组代入交易系统当中来测试效果，评价的标准包括：收益率、标准差、平均盈利、平均亏损、最大盈利、最大亏损、最大回撤幅度、最长滞涨周期等。
（二）实证结果
1.单边做多机制下的统计结果
在单向交易机制下，运用大智慧证券分析软件采用MA交易系统对2006.01―2011.12期间的沪深300指数和中小板指数进行优化可得到表1和图1与图2。
从表1可知，不管是沪深300指数还是中小板指，在MA交易系统中的表现要远优于“一直持有”策略；简单买入中小板指并一直持有的话，收益率为94.40%，而在MA交易系统中的收益率为764.18%。另一个特点就是在MA交易系统中，平均盈利与平均亏损的比值都在2以上，充分体现了“小亏大赢”的投资思想。由图1和图2可以看出MA交易系统的净值表现更加稳定向上，与指数本身的走势相比，回撤幅度更小，波动幅度更小而总收益率更高。
2.在双向交易机制下的统计结果（无空仓）
在即可做多也可做空但无空仓的双向交易机制下，运用华财经Mytrader2009软件采用MA交易系统对2006.01 -2011.12期间的沪深300指数和中小板指数进行优化得到表2和图3与图4。
在双向交易机制下，MA交易系统的表现更优于“一直持有策略”，表现为不仅有“多头盈利”部份，同时还有“空头盈利”部份。同时，平均盈利与平均亏损的比值进一步放大，更多地体现了“小亏大盈”。由于做空带来的收益加上连续获利的复利作用，使得最终收益率比较单向做多交易下又有了较大的提升。与图1、2进行比较可以看出，图3和图4中MA交易系统的净值上升得更加陡峭，也更加平滑，说明在双向交易机制下总收益率更多，同时回撤幅度波动幅度更小。
3.不同投资策略下收益率和风险比较
由表3可知，从收益率角度出发，在单向做多机制下，不管是中小板指还是沪深300指数，采用MA交易系统的表现都要远优于“一直持有”的收益，也远远超过了同期主动型基金的平均收益，而且这还没有将空仓时间的收益计算在内（实际上空仓时间很长，而且在空仓时间资金还可以投入到一些流动性好的固定收益投资品种）。另外，在采用相同的交易系统进行优化的条件下，中小盘指数的表现要优于大盘指数（沪深300），这说明选择什么样的指数非常重要。
总的来看，从波动程度、最大回撤幅度角度看，MA交易系统的净值曲线并没有和指数曲线一样出现大幅震荡，回撤幅度更小，滞涨时间更短，在较长时间内保持稳步向上的增长，符合“长期稳定”的赢利之道。采用MA交易系统对指数基金进行投资，不仅在收益率方面表现更佳，而且风险控制也远优于“一直持有”策略。
四、结语
（一）结论与需要解决的问题
在双边交易机制下采用MA交易系统对指数基金进行操作的结果要远优于单边做多机制，更优于“一直持有”策略，同时也优于同期主动型管理基金的表现。但要将其付诸于实际操作当中，还要解决以下问题。
1.盯住指数是否有可双向交易的交易品种。2011月12月融资融券标的扩容之前，只有泸深300指数可以通过IF股指期货进行做空交易从而实现双向交易，其它指数基金只能做多交易在融资融券标的扩容之后，新加入7只ETF基金可通过融券方式进行做空，但到目前为止，可供做空的指数基金产品数量还比较少，指数产品本身的管理资金规模也有限，难以吸引大规模资金进入。随着融券标的逐步放开，会有更多的指数基金产品纳入做空的标的范畴。
2.交易成本的问题，特别是融券融券的交易成本。以上数据分析都是在低成本假设（佣金费率设为千分之0.3）基础上完成的，对于机构投资者而言，申购指数基金的实际费率还要低（很多指数基金超过500万的申购费只要1000元），若采用融券卖空，则需要支付一笔融券费用，这将增加交易成本，降低交易收益。对中小投资者来说，交易成本最低的还是ETF基金和LOF里面的指数基金，因为可以在场内进行买卖而不用交印花税，远低于在场外申购赎回交易。事实上，现行市场成本最低的卖空方式是股指期货，但目前股指期货交易标的只有沪深300指数，而且交易门槛比较高，不适合广大中小投资者。
3.流动性的问题，即市场容量的问题。指数基金进行量化投资，首先要有一个足够容量足够品种的指数基金市场。而现在，很多投资者对指数化产品在中国的发展前景表示怀疑，新的指数基金产品发行举步维艰，老的指数基金份额也在不断缩水，这对机构投资者特别是FOF（基金中的基金）管理者参与到这个市场带来的难题。
4.模型选择、整合、参数优化问题。一个好的交易模型是量化投资追求的“圣杯”，要构建一个优秀的量化交易系统需要进行大量的数据收集和统计处理工作。过去的良好表现只能代表过去，过去表现良好的模型和参数在将来未必有良好的表现。几乎不存在一如既往表现良好的模型和参数，每过一段时间，就需要对原来的模型和参数进行调整。
（二）建议
1.对于广大中小投资者而言，应该更清晰地理解 “长期投资”的概念，即“长期投资”不等于“长期持有”，理解在原有的单边做多的交易机制下，即使是做长期投资，也会有很多时间是处于空仓状态。在新的双向交易机制下，投资者要学会使用做空工具，利用融资融券，开辟新的盈利模式，熟悉新的投资策略和投资标的。
2.对于基金管理者而言，应使用做空机制来对冲系统风险。据统计，2011年中国FOF产品（主要是券商类FOF）全年平均业绩为-22.5%，几乎与基金的平均亏损持平。可见，大多数FOF基金的管理者没有使用做空机制对冲系统风险，甚至没有进行基本的仓位控制来回避系统风险。事实证明，在现有的中国市场采用“一直持有”的投资策略是无效的。而如果引入基金量化交易系统，特别指数基金具有的成本和选股独特优势，将大大提升FOF产品的业绩，这是未来中国FOF产品发展的方向。
3.对于政策制定者而言，应进一步推动指数基金在中国的发展，促使更多的指数化产品面市，推动金融产品创新和管理创新。从历史看，指数基金产品必将成为中国基金业发展的重点，针对指数基金进行量化投资的需求，将刺激更多的指数基金上市，这将吸引更多的投资者进入到基金市场。
参考文献：
[1]余伟.我国开放式指数基金绩效的实证研究――基于2008年至2010年度数据的分析[J].企业导报，2011（7）.
[2]齐岳,王文超.指数基金投资绩效分析[J].经济问题，2011（2）.
[3]李海波.指数基金投资策略研究[J].西南交通大学学报，2008（10）.
2011年7月1日，本刊正式引入《今日投资66》专栏，介绍今日投资66的选股逻辑、方法以及挑选出的股票。今日投资66（简称I66）是利用量化投资方法挑选出的一个66只股票的组合。其实早在2005年中今日投资就推出了I66，过去几年累计收益率达到16倍，远超同期市场不到3倍的涨幅。为什么直到今日我们才大张旗鼓地推出I66呢？原因其实很简单，因为市场环境。量化投资近几年在中国快速发展，其投资理念也越来越多地获得认同。
股票市场上形形的各种分析方法总结起来可以归类为三大流派：数量分析、基本面分析和技术分析。关于这三大流派孰优孰劣的争论已经持续了近百年，三方各执一词，百年争论下来也没有争出个结果来。当今世界也是这三种流派大概各占三分之一的格局。而A股市场显然尚未跟上，量化投资远远没有达到三分之一的市场占有率。
第一部分：什么是量化投资
量化投资在海外的发展已有30多年的历史，其投资业绩稳定，市场规模和份额不断扩大、得到了越来越多投资者认可。事实上，互联网的发展，使得新概念在世界范围的传播速度非常快，作为一个概念，量化投资并不算新，国内投资者早有耳闻。但是，真正的量化基金在国内还比较罕见。那么，何为量化投资？
康晓阳：量化就是符合投资常识的投资逻辑和策略
接下来会发生什么？
深圳市天马资产管理有限公司是国内最早开发量化投资模型的资产管理公司，致力于量化投资工作接近十年。作为国内量化投资的“开山鼻祖”，深圳天马的董事长康晓阳先生如下介绍量化投资：
大家看到这个图，鱼跳起来了，风在刮，接下来会是什么？日本发生的9级大地震！2011年3月7日我看到一个报道，有50条鲸鱼在搁浅沙滩，就在发生地震那个县东部的海岸，有的死了，专家解释这些鲸鱼集体迷路了。作为一个地震专家或者学者，其实他们的经验没有告诉他这50条鲸鱼搁浅沙滩跟地震有什么关系。到底有没有关系呢？我们知道5•12四川大地震之前发生了同样的事情，很多癞蛤蟆过马路，这跟地震有什么关系？
投资做股票有两类，讲很多种策略，无外乎就是买你自己喜欢的和买市场喜欢的，买自己喜欢和买市场喜欢的背后逻辑就是找影响股价的要素。
量化是什么？做投资，最终的分析停留在数据上，既然是数据，就可以标准化、固化。从你自己的角度买自己喜欢的东西，其实也可以量化，每个人都有对美的标准，但并不是符合这个指标，你就一定喜欢。如果有一个海选，把符合你喜欢特征的人放在你面前你去选，就可以量化。
鲸鱼搁浅在沙滩上，根据历史数据统计就会发现这个事情跟接下来要发生的事情有什么关联。把人的行为逻辑影响股价所有的要素进行综合分析，预测下一个市场喜欢的东西或者喜欢的策略是什么，简单一句话，量化就是符合投资常识的投资逻辑和策略。就股票来讲，投资标的的数据和因素量化，再用一些模型统计的方法把选出来的标的进行优化，最后成为投资组合，这就是量化的基本逻辑。用数理的方法把你的投资逻辑或者市场的投资逻辑固化，只要有投资逻辑的思想或者策略，都可以量化。
就股票而言，有很多种方法，有价值型股票，分析方法无非是那几种，只是大家的标准不一样，量化的东西可以设一个相对宽松的东西，初选之后再优化，比如成长型股票，肯定关心盈利、收益。选出来10个、20个、50个甚至100、200个股票，然后配比重，怎么优化组合，根据你的风险和预期收益率反推回来怎么优化，最后得出一个比重，哪只股票应该投多少。有些是成本交易，比如套利，什么情况下出现一定条件的时候提示你。
要真正做到量化，首先要有一个基本的理论模型。你要觉得什么样的股票表现好，什么样的股票你愿意投资，这就是量化的基本逻辑。但是，有了这个逻辑之后还不够，还要有复合型人才，因为量化投资不光要懂得投资股票，还要懂得数理分析。打个比方，虽然我很懂股票，但我不懂数理分析，很多计算机模型也不懂，更不懂编程序，要真正做到量化投资，就必须有复合型团队。为什么这么多年华尔街学金融工程、数理、物理的人大受欢迎？因为他们可以用统计工具。前段时间我在英国的一所大学和一些专门做模型分析的教授交流，我发现他们想的东西更加复杂，基本上把市场上任何的东西都想要量化。
我理解，就是去跟踪你的投资逻辑，它只是帮你实现你想法的一种工具。另外还要有高质量的数据，因为，你通常看到的东西和市场本身存在的东西可能并不一样。如果把鲸鱼放到海滩上，这作为数据化，统计过去2000年有多少次鲸鱼搁浅在海滩发生，假如有真实的数据，就可以研究出跟地震的相关性。要懂数理统计工具，建立模型就是纪律，不能改变，改变就不是模型。有人说看到今天不行，换一下，那就不是模型了。我们看过一个电影，造出来的机器人最后自己都控制不了，那就是模型。如果造出来的机器人自己能控制，那不是模型。人为什么能挣得到钱，为什么还要量化？传统是靠个人经验的，而且你看到、听到的东西都是有限的。量化有什么好处？它可以把你知道的东西在整个森林中搜索。计算机是不知疲倦的，晚上你在打鼾，计算机还可以工作。你的模型是你建的，你很理性的情况下建的模型，市场情绪变了，它不会变，那时候你不可能去改模型，所以它不会受情绪的影响。
华泰联合：实现投资理念与策略的过程
国内研究机构中涉足量化投资较早并多次获得新财富最佳分析师评选金融工程第一名的华泰联合证券金融工程团队如是说：
数量化投资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。与传统定性的投资方法不同，数量化投资不是靠个人感觉来管理资产，而是将适当的投资思想、投资经验、甚至包括直觉反映在量化模型中，利用电脑帮助人脑处理大量信息、帮助人脑总结归纳市场的规律、建立可以重复使用并反复优化的投资策略（经验），并指导我们的投资决策过程。
本质上来讲，数量化投资也是一种主动型投资策略，其理论基础在于市场是非有效或弱有效的，基金经理可以通过对个股、行业及市场的驱动因素进行分析研究，建立最优的投资组合，试图战胜市场从而获取超额收益。然而一些定性的投资者却并不太认可定量投资，他们认为，定性研究可以将把股票基本面研究做得很深入，从而在决策深度上具有优势。然而，在当今市场上，信息量越来越大且传播速度极快，单个分析师所能跟踪的股票数量开始显得越发有限，也因此错过了许多优秀的投资机会，可谓是拥有深度的同时错失了广度。量化投资正好弥补了这一缺失，通过使用强大的计算机技术，它能够实时对全市场进行扫描，并依仗其纪律性、系统性、及时性、准确性以及分散化的特点最大概率的捕获战胜市场的投资标的。
事实上，在海外市场，我们看到越来越多的定量与定性完美结合的成功案例。通过向量化模型中加入分析师对未来主观判断的观点（定性的观点），再结合来自于历史规律检验的观点（定量的观点），定量与定性的优势便能得到充分的发挥和融合。我们相信，这也将是未来量化产品发展的主流方向和趋势。
结论
量化研究作为一种研究方法，其本质是使用统计学、数学和计算机工具改进研究效率，使得我们能够在更短的时间、更大的视角领域下，依靠清晰的研究逻辑，获取更为有效和操作性以及复制性更强的研究成果。量化研究的本质是一类发现市场规律的方法体系，其基本功能是认识市场和解释市场，并以做到预测市场为目的。
量化投资简单来讲，它以模型为主体，使用大量数据，并且在很大程度上用电脑这样的投资方式；其以科学性和系统性著称，并将在严格的纪律化模型制约下，紧密跟踪策略，使运作风险最小化，并力争取得较高收益。
第二部分：量化投资在蓬勃发展
量化投资在世界的发展史
美国市场有200多年，从证券市场开始，也有快400――500年了，但是量化的发展是上世纪50――60年代的事。首先有一些理论模型，没有理论模型支撑很难做到量化的东西。
数理化投资于上世纪50~70年论上发芽
Harry Markowitz在上世纪50年表一系列关于投资组合“均值―方差”优化的论文，这使得投资者可以定量化风险，并把风险和预期回报放在一个理论框架下统一考虑；
WilliamSharpe在1964年发表CAPM模型，此模型显示个股的预期回报和个股的风险及市场的预期回报成正比；
Steven Ross在1976年发表APT模型，此模型显示个股的预期回报可以表示成一系列非特定因素预期回报的加权平均，此模型为量化投资者指出了很实用的研究框架；
Black-Scholes在1972年发表关于股票权证的定价模型；
Fama和French在1993年发表三因素模型，此模型显示个股的预期回报由三个因素（市场，个股的市值，个股的市净率）决定；
此后很多研究者做了非常多的实证研究，并发现了一些对个股将来回报有预测作用的因素：比如市盈率，市净率，资产回报率，盈利一致预期，中长期价格动能，短期价格反转等。
数理化投资从上世纪70年代末开始实际运用
Barclays Global Investors(BGI)于1978年创立了全球第一只数量化投资策略基金，到被BlackRocks收购之前BGI以14000亿美元的规模，高居全球资产管理规模之首。
SSgA(道富环球投资管理公司)和 GSAM(高盛国际资产管理公司)为首的一大批以数量化投资为核心竞争力的公司已经成为机构资产管理公司中的“巨无霸”。
“詹姆斯•西蒙斯创办的文艺复兴科技公司花费15年的时间，研发基于数学统计理论的计算机模型，借助该模型，西蒙斯所管理的大奖章基金，从1989 年到2009 年间，平均年回报率高达35％，较同期标普500 指数年均回报率高20 多个百分点，比“金融大鳄”索罗斯和“股神”巴菲特的操盘表现都高出10 余个百分点。
在国外。其他采用量化投资的公司没有获得惊人的表现，并非是量化方法不好，而是他们还没有构建出更好的模型以及正确的策略。作为量化投资的大行家和受益者，西蒙斯承认有效市场的套利机会极少而且会趋同小时，然而，仍然有无数转瞬即逝的很小的机会存在，在证券市场，那些很小的交易，都会对这个庞大的市场产生影响，而每天都会有成千上万这样的交易发生。这个市场看似杂乱无章，却存在着内在规律，而量化操作自从诞生以来，无疑成为捕捉这些规律的一把利器，为海外投资者屡建奇功。
CQA（教育产品内容与数据测试）数据统计：在2002年-2004年三年间，量化产品的平均年收益率为5.6%，比非量化产品的平均年收益率高出1%。从信息比率来看，量化产品为0.37，非量化产品为0.06。此外，量化基金的运作费率相对更低，例如传统产品费率为0.6%，主动量化产品费率在0.45%-5%之间。
理柏(LIPPER)数据显示，2005年到2008年之间，87只大盘量化基金业绩表现好于非量化基金，增强型量化基金在2005年和2006年更是大幅跑赢非量化基金。但2007年和2008年除市场中性基金外，所有基金业绩下滑很快，其中双向策略和大盘量化基金表现差于非量化基金，而增强型和市场中性量化基金表现则优于非量化基金。
量化投资在中国的发展现状
研究力量不断壮大
目前大部分券商研究所都配有金融工程研究小组，成员超过5个的不在少数。根据2010年11月份的《新财富》最佳分析师榜单，国信证券金融工程小组人数有12人，为目前人员配备最多的量化投资研究团队。其他入选金融工程前五名的研究小组中，申银万国8人，华泰联合、安信证券各5人，中信证券4人。
数量化方面的研究报告数量也是逐年增加。据不完全统计，2008-2010年相关报告数量分别有52、142、794篇，今年上半年就达到了633篇，逐年递增趋势非常明显。不过，和2010年研究报告10万多份的总量相比，数量化研究的广度和深度还有很大提升空间。
量化产品初露锋芒
天马旗下的产品中，现有两个信托产品采用量化投资策略，分别是新华―天马成长，和平安―Lighthorse稳健增长。
此外，上投摩根、嘉实、中海基金、长盛基金、光大保德、富国基金、南方基金等都有量化产品推出，但是量化基金的比例还是非常小。即便在2009年，全年新发基金超过100只的情况下，新发的量化基金也仅有4只，数量在2009年的新发基金市场中仅占3％。与指数基金、普通股票基金相比，量化基金可谓是基金市场上的稀缺资源。
2011年，在国内紧缩政策与国外动荡局势的影响下，A股市场呈现结构性震荡上扬的格局。随着市场轮动的提速及内在容量的扩大，精选个股的难度日益加大。在此背景下，定性投资容易受到投资者情绪影响，而定量投资则能够通过计算机的筛选，帮助投资者克服非理性因素，在充分控制风险的前提下应对市场万变。以“人脑＋电脑”为主要构建的量化基金逐渐显现投资优势，今年量化基金异军突起，整体表现不俗。截至4 月6 日， 9 只具有完整业绩的主动型量化基金平均收益率为0.64%，超越同期股票型基金和混合型基金-1.39%、-3.08%的净值增长率。其中，“元老”光大保德信量化核心基金收益率达5.19%。此外，南方策略、中海量化策略、长盛量化红利、长信量化先锋、上投摩根阿尔法、华泰柏瑞量化先行基金也均取得正收益，分别达到4.12%、3.28%、2.60%、2.13%、0.77%和0.16%；仅嘉实量化阿尔法和华商动态阿尔法收益为负，分别为-4.48%、-7.94%。此外，从以往披露的公开信息可以发现，国内量化基金多侧重价值因子，也契合今年低估值大盘蓝筹股领涨的市场格局。
第三部分：解读量化投资
在西蒙斯崛起之前，判断型投资完全占据着主流地位，因为当前全球投资界的三大泰斗当中，无论是价值投资的巴菲特、趋势投资的罗杰斯，还是靠哲学思维的索罗斯，都是判断型投资的代表。但随着西蒙斯的声名鹊起，量化投资开始受到投资大众的重视并呈现出蓬勃的发展态势。但需要指出的是，世界上没有万能的投资方法，任何一种投资方法都有其优缺点，量化投资当然也不例外。定量投资成功的关键是定量投资这个模型的设计好坏，设计的好坏主要由模型设计者对市场的了解、模型构建的了解和模型实践经验来决定的。
量化投资的决策体系
量化基金的成功运作必然依托一个完整而有效的量化体系用来支撑，该体系是数据获取、数据处理、资产配置、组合管理到全程风险控制等诸多环节的有机结合。
我们借鉴海外量化基金运作架构的诸多优点，并结合华泰联合金融工程资深研究员的看法，旨在提供一个适合中国市场特点的量化基金运作架构体系。该体系综合考虑了定性及定量两大主要选股思路，在风险可控下，充分发挥量化投资的优势。
此架构包含以下几个主要层次：
1. 数据提供：量化体系的底层一般是数据接入端口，数据来源于外部数据提供商。
2. 数据预处理：由于中国A 股市场历史较短，数据质量一般，特别是早期的数据较为不规范。因此，在输入模型前必须对数据进行全面的清洗，从而增强数据的有效性和连续性。
3. 资产配置：资产配置是量化基金的核心。不同的投资者具有不同的投资理念，即不同的资产收益率看法。因此，通过构建差异化的因子配置模型来实现差异化的投资理念则充分展现了量化投资的优势和精髓。举例而言，我们可以开发针对不同市场状况（如牛市、熊市、震荡市和转折市）以及不同投资风格（如保守、激进和中庸）的量化模块。这些模块就类似于儿童手中的玩具积木，一旦投资决策委员会确定了战略和战术配置比例，接下来要做的就是简单的选积木和搭积木的过程。模块化投资严格的遵循了投资思路，从而将量化投资的纪律性、系统性、及时性和准确性展露无遗。
4. 投资决策：宏观经济政策对中国A 股市场的表现影响较大，也就是我们常说的“政策市”。针对这一现状，综合考虑定性和定量的宏观判断对于我们选择合适的基金仓位及资产组合将十分必要。一方面，结合宏观及行业分析师对于未来宏观经济的预判以及个别性事件的分析，另一方面，考察既定的一系列量化择时指标和宏观经济指标的最新动向，从而能较为全面的提出投资建议。
5. 组合管理：在对于宏观趋势、战略和战术资产配置的全面考量之后，留给基金管理人的工作将是如何实现在交易成本，投资风险以及组合收益三者之间的最大平衡。
经典量化投资模型综述与评价
目前，由于计算的复杂程度和对速度的要求，量化投资的交易过程通常是由电脑自动来完成的，可在某些方面电脑依然不可能替代人脑。投资若要取得成功，就需要顶尖的大脑来罗织数据、发现规律、编制最快最好的电脑程序；此外，量化投资所使用的模型在用了一段时间之后就会慢慢失效，因为越来越多的“山寨版”会出现，因而需要不断发现新的模型以走在这场军备竞赛的前列，而此时需要的就是配备精良、高速运作的人脑。由此可见，模型在量化投资的整个体系中居于核心地位。近几十年来，西方理论界与实务界均诞生了不少量化投资模型，大力推动了量化投资的发展，这其中又大致可分为三大类：传统的基于经济学意义的模型（structural model）、现代的基于数学、统计学意义以及计算机原理的模型（statistical model）、程序化交易模型。以下就这三者分别予以介绍。
(一)传统的基于经济学意义的模型
这种模型虽然用到了一些数学与统计学的工具， 但其核心思想与前提假设仍然是围绕经济学或金融学原理而展开的。例如，B-S 模型与二叉树模型提供了金融产品定价的新思路，因而也衍生出了所谓的以选择权为基础之投资组合保险策略（option-basedportfolio insurance，OBPI），如欧式保护性卖权（protective put）策略、复制性卖权（synthetic put）策略和一些持仓策略―――买入持有（buy-andhold）策略、停损（stop-loss） 策略、固定比例投资组合保险(constant proportion portfolio insurance，CPPI) 策略、时间不变性组合保障（timeinvariant portfolio protection，TIPP）策略、固定组合（constant mix）策略与GARP（Growth at a Reasonable Price）策略等。
(二)现代的基于数学、统计学意义以及计算机原理的模型
与上述模型相比，这种模型“量化”的倾向愈加明显―――淡化甚至忽略经济学或金融学背景，基本上只是依赖先进的数学、统计学工具与IT 技术构建模型，进而确定投资策略。模型中应用的具体方法主要包括参数法、回归分析、时间序列分析、极值理论、马尔科夫链、历史模拟法、蒙特卡罗模拟法等等。
(三)程序化交易模型
随着金融市场的日益复杂化， 越来越多的复杂交易策略被设计出来，这些交易策略很难通过传统的手工方式执行，于是程序化交易应运而生。程序化交易是指按照预先编制的指令通过计算机程序来完成交易的方式，可以分为决策产生和决策执行两个层面：前者是指以各种实时/历史数据为输入通过事先设计好的算法计算得出交易决策的过程，而后者是指利用计算机算法来优化交易订单执行的过程； 也可以从交易频率的角度，分为高频交易和非高频交易。程序化交易使得复杂的量化交易策略得以实施，优化交易指令的执行，解放人力使之把精力更多地集中到投资策略的研究上， 最重要的是能克服人性的种种弱点与障碍从而保证绝对的“客观性”与“纪律性”。然而，这种交易方式也引起了诸多争议，如对速度的过高要求会造成市场的不公平、巨大的交易量可能会增加市场的波动性、容易产生链式反应、为了盈利可能会制造人为的价格而降低市场的有效性等等。
量化投资的主要策略
增强型指数基金：策略的主要目的还是跟踪指数，希望用量化模型找出能紧跟指数但同时又能小幅超越的组合。
非指数型量化基金：能利用绝大多数好的投资机会，而不需去管组合是否能紧跟指数。
多―空对冲基金：买入模型认为能表现好的股票， 卖空模型认为会表现差的股票。有时可能净多仓， 有时可能净空仓。此策略在对冲基金中很流行。在A股市场中能卖空的股票不多，所以一般只能用期指去对冲。
市场中性的多―空对冲基金：买入模型认为能表现好的股票， 卖空模型认为会表现差的股票。在任何时候净仓位为0，同时在各行业上，大小盘风格上的净仓位都为0。此策略在对冲基金中也比较流行。此策略的波动率非常小，在国外一般会加入杠杆。
130/30基金：一般共同基金采用，即买入130%的多仓， 卖空30%的空仓。
程序化高频交易：利用期指或股价的日内波动进行高频买卖。有些策略是找价格模式，有些是利用交易所规则上的漏洞。
可转移Alpha：主要用在增强型指数基金上，具体是用期货来跟踪指数，一部分多出来的钱投资于风险比较小的能取得绝对正收益的策略上。
市场择时/行业轮动/风格轮动：用数量化模型预测市场/行业/风格的拐点
量化投资和传统投资的比较
天马资产首席数量分析师朱繁林博士表示，量化投资区别于定性投资的鲜明特征就是模型，对于量化投资中模型与人的关系，大家也比较关心。可以打个比方来说明这种关系，我们先看一看医生治病,中医与西医的诊疗方法不同，中医是望、稳、问、切，最后判断出的结果，很大程度上基于中医的经验，定性程度上大一些；西医就不同了，先要病人去拍片子、化验等，这些都要依托于医学仪器，最后得出结论，对症下药。
医生治疗病人的疾病，投资者治疗市场的疾病，市场的疾病是什么？就是错误定价和估值，没病或病得比较轻，市场是有效或弱有效的；病得越严重，市场越无效。
投资者用资金投资于低估的证券，直到把它的价格抬升到合理的价格水平上。但是，定性投资和定量投资的具体做法有些差异，这些差异如同中医和西医的差异，定性投资更像中医，更多地依靠经验和感觉判断病在哪里；定量投资更像是西医，依靠模型判断，模型对于定量投资基金经理的作用就像CT机对于医生的作用。在每一天的投资运作之前，会先用模型对整个市场进行一次全面的检查和扫描，然后根据检查和扫描结果做出投资决策。
传统的定性投资强调的是基金经理的个人经验和主观判断，相对来说强调基金经理的单兵作战能力。而量化投资主要是用来源于市场和基本面的模型指导投资。
量化投资可以最大限度地捕捉到市场上的机会。而传统的定性投资受到研究员，基金经理覆盖范围的限制。
量化投资借助模型进行投资，比较客观和理性，更不会受市场和情绪影响。
量化投资的可复制性更好。传统的定性投资易受到基金经理，资深研究员人动的影响。
其实，定量投资和传统的定性投资本质上是相同的，二者都是基于市场非有效或是弱有效的理论基础，而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及主观的判断，而定量投资管理则是“定性思想的量化应用”,更加强调数据。
国内量化基金投资风险分析
（一）量化模型质量产生的投资风险
投资模型本身的质量，是量化基金最核心的竞争力。专业人士以为，对于中国这样的新兴市场，量化投资的关键是能否根据市场特点，设计出好的投资模型。然而，已有的量化基金中，大多简单地利用国外已公开的模型，或是用基金公司自有的一些简单模型，在考察市场的有效性上普遍比较欠缺。如中海量化策略和南方策略优化在行业权重配置中均采用的Black-Litterman（BL）模型。这种模型现是华尔街主流模型，亦是高盛公司资产管理部门在资产配置上的主要工具。然而，在国内市场信息搜集等方面局限性较大的情况下，该系统到底是否有效，是否仅是基金公司体现其“专业性”的一个由头，还有待观察。
（二）基金经理执行纪律打折扣所产生的道德风险
好买基金研究中心的一份报告指出，大部分量化基金在择时、行业配置和资金管理等方面并没有采用量化模型，更多的是基金经理的主观判断。观察这些量化基金的契约和季度报告可以发现，基金要么不进行择时，要么根据主观经验进行择时，这在很大程度上无法体现出模型选股产生的效果。
（三）数量化模型滞后产生的风险
量化基金效果如何，无法脱离资本市场环境的成熟度。量化模型的运用有重要的前提条件，是必须在一个相对成熟稳定的市场中运行，这种市场环境下基于历史数据设计的模型才可能延续其有效性。国内股市曾经大起大落，市场结构和运行规律都发生过质变。在这种情况下量化模型有可能跟不上市场本身的改变，严格的量化投资也难以适应变化。这或许是这种舶来品水土不服的一大原因。可以说，早期的A股市场并不适合量化投资理念，而随着市场逐渐成熟，量化投资的优势才开始逐渐显现。近两年量化投资基金数量成倍增加，也是对这一趋势的反映。
【关键词】机器学习 量化投资 三因子模型
一、引言
作为人工智能领域主要的研究方向之一，机器学习无疑最受瞩目。尤其是近几年深度学习方法在语音识别、自然语言处理、自动驾驶等方面取得了巨大的成功，使得各行各业都将机器学习方法做为重点的研究方向。特别是在金融领域，以机器学习为主的人工智能已经在量化投资方面得到了广泛的应用。机器学习可以快速海量地进行分析、拟合、预测，人工智能与量化交易联系越来越紧密。如全球最大的对冲基金桥水联合（Bridge water Asspcoates）在2013年就建立了一个基于机器学习的量化投资团队，该团队设计交易算法，利用历史数据预测未来金融市场变化，以人工智能的方式进行投资组合调整。日本的人工智能量化投资公司Alpaca，建立了一个基于图像识别的机器学习技术平台Capitalico，通过该平台，用户可以利用数据库中找到外汇交易图表进行分析，这使得普通投资者也能知道成功的交易员是如何做出交易决策的，从他们的经验中学习并作出更准确的交易。然而在金融领域，已公开的有效的预测模型是基本不存在的，因为无论是机构投资者还是个人投资者一旦公开投资模型，也就意味着投资模型的失效。比如著名数学家西蒙斯1988年成立的文艺复兴公司，就完全依靠数学模型进行投资，公司旗下从事量化投资的大奖章基金回报率也远超过其他对冲基金，然而该公司却从不公开投资模型。虽然金融机构很少公开如何利用机器学习来指导投资的研究成果，但学术界对机器学习在金融投资中的应用的研究却在逐渐增加。
支持向量机（support vector machines，SVM）是Vapnik 1995年提出的新的机器学习算法，该方法有很好的泛化能力，一种非常成功的机器学习方法，性能明显优于传统神经网络。在金融研究领域，支持向量机也是应用最广泛的机器学习模型。即使在国内，利用SVM方法的研究文献也不少。赛英（2013）利用支持向量机（SVM）方法对股指期货进行预测，并用遗传算法（GA）和粒子群算法（PSO）分别优化四种不同核函数的支持向量机，通过大量实验发现，采用粒子群算法化的线性核函数支持向量机对股指期货具有最好的预测效果。黄同愿（2016）通过选择最优的径向基核函数，再利用网格寻参、遗传算法和粒子群算法对最佳核函数参数进行对比寻优，构建最有效的支持向量机模型，并对中国银行未来15日的开盘价格变化趋势进行预测，并认为用支持向量机来预测股票走势是可行的。程昌品（2012）提出了一种基于二进正交小波变换和ARIMA-SVM方法的非平稳时间序列预测方案。用高频数据构建自回归模型ARIMA进行预测，对低频信息则用SVM模型进行拟合；最后将各模型的预测结果进行叠加，并发现这种办法比单一预测模型更加有效。张贵生（2016）提出了一种新的SVM-GARCH预测模型，通过实验发现该模型在时间序列数据去除噪音、趋势判别以及预测的精确度等方面均优于传统的ARMA-GARCH模型。徐国祥（2011）在传统SVM方法的基础上，引入主成分分析方法和遗传算法，构建了新的PCA-GA-SVM模型。并利用该模型对沪深300指数和多只成分股进行了验证分析，并发现该模型对沪深300指数和大盘股每日走势有很好的预测精度。韩瑜（2016）结合时间序列提出了一种基于GARCH-SVM、AR-SVM的股票涨跌预测方法，结果表明，加入GARCH或AR等时间序列模型的初步预测结果可以提高SVM预测准确率。
从国内的研究文献来看，大多数文献都是通过机器学习方法来优化传统的时间序列预测模型，很少去研究如何通过机器学习方法构建有效的量化投资策略。由此，本文将利用SVM算法，结合经典的Fama-Fench三因子模型，设计量化投资策略，探讨机器学习方法在金融投资领域应用的新思路。
二、模型理论介绍
（一）Fama&Fench三因子模型
Sharpe（1964），Lintner（1965）和Mossin（1966）提出的资本资产定价模型（CAPM）是一个里程碑。在若干假定前提条件下，他们严谨地推导出了在均衡状态下任意证券的定价公式：
式中，E（ri）是任意证券i的期望收益率，E（r0）是无风险利率，E（rm）是市场组合（market portfolio）的期望收益率。■。法马（Fama，1973）对CAPM进行了验证，发现组合的β值与其收益率之间的线性关系近似成立，但截距偏高，斜率偏低，说明β不能解释超额收益。之后，Fama&Fench（1992）详细地分析了那些引起CAPM异象的因子对证券横截面收益率的影响。结果发现，所有这些因子对截面收益率都有单独的解释力，但联合起来时，市值和账目价值比（BE/ME）两个因子在很大程度上吸收了估计比值（E/P）以及杠杆率的作用。基于此，Fama&Fench（1993）在构建多因子模型时，着重考虑规模市值（SMB）和账面价值比（HML）这两个因子。因此，三因子模型可以写为：
（二）支持向量机
支持向量机是一种二分类模型，也可以用于多分类，它的基本模型是定义在特征空间上的间隔最大的线性分类器，通过寻求结构化风险最小来提高分类器的泛华能力，实现经验风险和置信范围的最小化，最终可转化为一个凸二次规划的问题求解。支持向量机是90年代最成功的机器学习方法，它的基本思想是求解能够正确划分训练数据集并几何间隔最大的分离超平面，该超平面可以对数据进行分类，分类的标准起源于逻辑回归，logistic回归的目的是从特征学习出一个0/1分类模型，logistic函数（sigmoid函数）的表达形式为：
这个模型是将特征的线性组合作为自变量。由于自变量的取值范围是负无穷到正无穷，因此，sigmoid函数将自变量映射到（0，1）上，对应的类别用y来表示，可以取-1或者1。根据输的概率对数据进行分类，sigmoid函数图像如图1。
支持向量机也是利用上述分类原理对数据进行分类，如图2所示，wTx+b=0为n维空间的一个超平面，该超平面将数据分开，一般来说，一个点距离超平面的远近可以表示为分类预测的准确程度。支持向量机就是求解■的最大值，也就是说，构造最大间隔分类器γ，使两个间隔边界的距离达到最大，而落在间隔边界上的点就叫做支持向量，明显有y（wT+b）>1。
当数据不能线性可分时，就需要利用非线性模型才能很好地进行分类，当不能用直线将数据分开的情况下，构造一个超曲面可以将数据分开。SVM采用的方法是选择一个核函数，通过将数据映射到高维空间，在这个空中构造最优分类超平面，用线性分类法进行数据分类。
然而，在不知道特征映射的形式时，很难确定选择什么样的核函数是合适的。因此，选择不同的核函数可能面临不同的结果，若核函数选择不合适，则意味着将样本映射到了一不合适的特征空间，很可能导致结果不佳。常用的核函数见表1。
三、实证分析与应用
（一）数据说明
训练数据为2012年8月1日至2016年8月1日沪深300成分股在每月最后一个交易日有交易的股票因子值，市值因子SMB（marketValue）和账面价值比HML（PB）比这两个因子见表2，所有因子数据都通过标准化并处理。利用PB和marketValue两个因子，预测下月该股票的涨跌，利用机器学习中的支持向量机进行训练，数据特征为月度股票因子，训练标签为该股票下个月月初第一个交易日的涨跌，上涨为1，下跌和股价不变标记为0，采用交叉验证方法，其中80%的数据为训练集，20%的数据为测试集，利用R语言中的e1071包进行分析。
表2 因子名称与因子说明
■
（二）策略回测
从实验结果看，SVM的测试集预测准确率为62.32%，回测策略为等权重买入当月预测上涨概率排名前20的股票，每月初第一个交易日进行调仓，回测区间共调仓41次。回测区间为2013年7月1日至2017年2月28日，初始资金设为1000000元，利用优矿量化平台进行回测，策略回测的部分持仓记录见表3，策略效果见图3和表4。
表3 策略回测持仓记录
■
■
图3 策略收益率与基准收益率对比
表4 模型回测结果主要数据
■
由于多因子模型通常为稳健策略，因此为了避免频繁交易带来的高额交易费用，本策略采用了月度定期调仓的手法。从表3，图3和表4的策略回测结果来看，利用支持向量机算法结合Fama-Fench三因子模型设计的交易策略，在回测区间年化收益率为22.4%，超越了13.4%的基准市场收益率，获得了8.2%的阿尔法，这也说明Fama-Fench三因子模型在A股市场依然有效。同时我们也能看到，该策略最大回撤为48.1%，说明在不加入止损、止盈条件下，该策略并不能实现很好的对冲效果。从量化投资的角度来看，利用股指期货进行对冲，是多因子策略的一个很好的选择。
四、结论
本文通过利用机器学习中的经典算法支持向量机并结合Fama-Fench三因子模型构建了量化投资策略。通过市值因子和市净率因子，利用机器学习算法，滚动预测下一个月股票的涨跌方向。实验结果发现，支持向量机的预测准确率达到了62.23%，通过预测股票涨跌方向的概率，设计了对应的投资策略，该策略在回测期间的年化收益达到了22.4%，远超过基准年华收益率的13.4%。本文的研究表明，机器学习方法在金融市场有很好的运用空间，在大数据时代的今天，传统统计模型无法从复杂、多维的金融数据中提取出有效的信息特征，而机器学习算法擅长处理复杂、高维数据。这也是人工智能投资在金融行业越来越受到重视的原因。从量化投资这一角度来说，如何将机器学习方法应用到金融投资领域还是一个饱受争议的话题，本文只是从尝试的角度出发，创新的将机器学习方法结合经典的Fama-Fench三因子模型来验证对中国股市的投资效果。而如何将机器学习方法应用到更多的金融投资领域将是本文下一阶段的研究重点。
参考文献
[1]Cortes C，Vapnik V.Support-Vector Networks.[J].Machine Learning，1995，20（3）：273-297.
[2]Fama，E.F.&K.R.French（1992），“The cross-section ofexpected stock returns”，Journal of Finance 47：427-466.
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。
关键词：分析 短线
中图分类号：F832 文献标识码：A 文章编号：1672-3791（2012）09（c）-0252-02
2012年以来，以量化分析技术投资著称的量化基金表现得一枝独秀，逐渐从振荡市中脱颖而出。一季度，上证综指上涨2.88%，同期标准股票型基金平均业绩为0.31%，而按照Wind分类的13只量化基金，其平均业绩为2.92%，五行基金更是取得7.65%的正收益，在亚洲量化基金中排名第一，超越同期上证指数4.77个百分点。
美国私募基金复兴科技公司的第一支纯粹的量化投资基金—— 大奖章基金，从1988年3月成立至2008年的21年里，平均年度净收益高达36%，远远跑赢同期道指年均8.81%的涨幅，比索罗斯、巴菲特同期的业绩高出10%，原因：一是数学家基金经理；二是量化分析技术。
1 基本面分析量化分析是投资机构先后采用的2种投资技术
基本面分析，是分析员和基金经理通常采用研究财务报表，与公司高层会谈，与相关人员荷香业专家讨论等方式，对少数几家公司股票（约10到100只股票）进行非常深入的研究分析，来决定要投资哪些股票以及如何投资。在基本面分析分类中，会根据行业不同，有专员长期跟踪和深入研究其中一个行业，而这几名专员最后则会成投资这个行业的专家。在股票市场成立以来长期采用的较为传统的分析和投资方式就是基本面分析。基本面投资，通过企业内部财务报表的形式，来发现企业的潜在价值，以求企业得到稳定持续的高额收益，一旦买入，长期持有。
量化分析，借助数学、物理学、几何学、心理学甚至仿生学的知识，通过建立模型，进行估值、择时选股。量化分析员和量化基金经理，通常会同时研究全盘数千支股票，分析的方式也可以是基于公司基本面的，但是会强调量化财务指标。量化的指标（又称因子）也可以是其他更有特色的数据。从事量化分析投资的基金经理通常不去上市公司实地调研，而是将精力放在不断完善模型上，量化分析投资的模型是决定投资业绩的关键，投资模型始终处于绝密状态，不同市场设计不同的量化分析投资管理模型，在全球各种市场上进行短线交易。
2 量化分析技术获取超额投资收益之道
在变幻莫测的市场经济中，能否理性思考投资、不受情绪影响，将是成功的关键。而利用计算机的筛选得出的量化分析基金，不受投资中非理性因素影响，使投资更有计划行、纪律性、规律性，基金管理人要做到不贪婪、不恐惧、不放弃，不受情绪影响，以一颗平常心追求利益瘦小。
量化分析，有一套完整、科学的投资体系。严格的纪律性是量化投资明显区别于主动投资的重要特征。在量化分析基金的运作中，主观判断也会出现和量化分析模型相左的情兄，但会坚持量化分析投资的纪律，相信模型判断的长期稳定性，不会盲目去调整改变。与传统偏股型基金不同，量化分析基金采用独特的投资组合管理方式，渐进动态调整基金组合。这样不仅可以顺应瞬息万变的市场，还可以降低个股集中度，平稳投资业绩。因此，这种方式并不会产生传统意义的重仓股，也就大大降低了重仓个股的风险。
量化分析业绩，来自于量化分析模型批量选股的成功率大于失败率。量化分析的模型敏锐的“发觉”了开场环境的转变，自动调高了评估因子、预期因子及市场反转因子的权重，量化分析模型依此逻辑选择的股票大部分取得较好收益，提升了整体业绩。
3 量化分析技术创始人并非经济学家。
量化分析技术并非发端于华尔街，不少人最初并非经济学家，如巴契里耶和布莱克原先是数学家，夏普则从事医学，奥斯伯恩为天文学家，沃金与坎德尔是统计学家，而特雷诺则是数学家兼物理学家。1970年代美国债券市场和股票市场全面崩盘，当时提出用量化分析方法管理投资组合的人是作家彼得·伯恩斯坦。1952年3月发表“投资组合选择”论文、提出现代财务和投资理论最著名远见的马克维茨，以该理论勉强通过博士答辩，到1990年10月，这些人中才有三位获得诺贝尔经济学奖。
2012年，美国伦斯理工学院金融工程硕士李炬澎，依据5000年中国古老的《易经八卦数理》研发立体数量模型分析微观经济，用超高频率政治外交词汇、交易数据、股票期权数据、公司债务数据来做个股分析，用《五行相克相生原理》来分析自然、社会、政治、人文如何影响宏观经济。比如用计算机分析新闻报道中天地雷风水火山泽8中自然天文现象与宏观经济关联程度，使五行基金取得亚洲量化分析投资行业第一名的业绩。
4 量化分析技术应用的载体是计算机软硬件技术的发展
马克维茨的投资组合现代金融理论，提出了风险报酬和效率边界概念，并据此建立了模型，成为奠基之作。托宾随后提出了分离理论，但仍需要利用马克维茨的系统执行高难度的运算，1961年，与马克维茨共同获得1990年诺贝尔奖的夏普用IBM最好的商用电脑，解出含有100只证券的问题也需要33mim。夏普1963年1月提出了“投资组合的简化模型”（单一指数模型），简化模型只用30s。1964年夏普又开发出资本资产定价模型（CAPM），不仅可以作为预测风险和预期回报的工具，还可以衡量投资组合的绩效，以及衍生出在指数型基金、企业财务和企业投资、市场行为和资产评价等多领域的应用和理论创新。1976年，罗斯在CAPM的基础上，提出“套利定价理论”（APT），提供一个方法评估影响股价变化的多种经济因素。布莱克和斯克尔斯提出了“期权定价理论”。莫顿则发明了“跨期的资本资产定价模型”。
5 量化分析应用的关键是基本面分析无法快速精确处理丰富的金融产品和巨大交易量
1970年代以前，华尔街认为投资管理需要天赋、直觉以及独特的驾驭市场的能力，基本面分析师、基金经理可以独力打败市场，而无需依靠那些缺乏灵魂、怪异的数学符号和缥缈虚幻的模型。华尔街对学术界把投资管理的艺术，转化成通篇晦涩难懂的数学方程式一直持有敌意，1970年代初期，美国表现最佳的基金经理人从未听过贝塔值，并认为那些拥有数学和电脑背景的学者只是一群骗子。
量化分析投资不会出现在个人投资者为主的时代。个人投资者既缺乏闲暇的时间，也普遍无此能力。仅有现资理论的建立，及各类模型的完善与推陈出新，并不会直接催生出量化分析投资，它还需要其他几个重要前提条件，比如：机构投资者在市场中占据主导，随着社保基金和共同基金资产的大幅增加，成为市场上的主要机构投资者，专业机构管理大规模资产，需要新的运作方式和金融创新技术，专业的投资管理人有能力和精力专注地研究、运用这些量化分析技术。
1970年代后期的Wells Fargo银行，率先用量化分析技术管理投资组合，投资高股息股票，用较少的风险获得了较大的收益，不用这些模型，不用电脑运算这些公式，会陷于困境。1980年代以来，面对数不胜数的各类证券产品和期权类产品，以及庞大的成交量，许多复杂的证券定价，必须靠大容量高速运算的电脑来完成。到2007年美国股市近一半的机构基金都是由量化模型来管理的。从2000年初到2007年全球量化分析基金市场连续8年表现远远超过其他投资方式。
6 量化分析在应对经济危机和突发经济事件中开拓前进
1987年10月大股灾，当天股市和期货成交量高达令人吃惊的410亿美元，价值瞬间缩水6000亿美元。很多股票直接通过电脑而不是经由交易所交易。一些采用投资组合保险策略的公司，在电脑模式的驱使下，不问价格机械卖出股票。很多交易员清楚这些投资组合会有大单卖出，宁愿走在前面争相出逃，加剧了恐慌。针对整个投资组合而非单个证券，机械式的交易，电脑的自动操作，大量的空单在瞬间涌出，将市场彻底砸垮。
1997年至1998年亚洲金融危机股市暴跌，量化分析投资的算法交易也起到了同样的坏作用。著名的长期资本管理公司，遭遇俄罗斯国债违约这一小概率事件，也陷入破产之境，迫使美联储集华尔街诸多投资银行之力，加以救助。
2007年8月金融危机中，许多量化基金出现巨额损失。其原因主要是几家大型对冲基金大量卖出它们的量化分析基金股票，去弥补其在其他投资方式上的损失。由于很大相同仓位的股票在很短的时间内被廉价卖出，从而加剧了很多投资指标的损失，尤其是价值和动量指标的损失。
2011年即使欧债金融危机发生，量化分析基金也再次表现优异，超过其他投资方式，虽然能否就此再度复兴仍属未知，此一趋势已不可逆转。
7 量化分析技术今后几年全球应用的热点在中国的A股市场
中国金融、资本、股市投资者结构很不合理，A股市场的专业投资机构持有市值的15.6%，而发达市场这一比例大致为70%。更为不合理的是交易结构，A股市场个人投资者持有市值占比26%，但却完成了85%的交易。根据Wind分类，目前我国市场上共有13只量化基金，包含11只普通股票型基金，1只指数基金和1只偏股混合基金。
中国现有的人才和技术都难以支持完全的量化分析投资，在缺乏国际化人才和成熟模型的情况下，经营业绩自然也差强人意。
量化分析今后几年全球热点在中国的A股市场。现在主要发达国家的股市很大程度上由量化基金所控制。为了寻找更高收益的市场，很多大型量化基金也开始大量投资于发展中国家市场，中国的A股市场是今后几年全球量化分析投资热点，所以近年来很多北美和欧洲的高层量化分析基金经理和分析员纷纷到中国大陆、香港和新加坡推广量化投资技术。这是国际国内的金融市场和投资者，都要面对的机会和挑战。
量化分析基金2002年才在中国刚刚起步，到2009年和2010年，才真正进入快速发展期，2010年末量化基金的总规模达到了779亿元。虽然规模有显著提升，但是与国外市场量化分析基金占共同基金总资产16%相比，国内量化分析基金还有非常大的发展空间。
在讲究技术创新、制度创新、理念创新的“创新”时代中,基金创新无可厚非,但这种创新是否真正符合投资者利益、满足投资者需要呢?这又另当别论。
量化基金,有点尴尬
参考国外历史,量化投资的确是优秀的投资方法。量化基金基金经理詹姆斯・西蒙斯管理下的大奖章(Medallion)基金的年均净回报率是35.6%,比巴菲特、索罗斯等投资大师同期的年均回报率要高出10个百分点。看似风光的量化基金在国内的表现,却有点尴尬。
首先是身份的尴尬。国内的量化基金被冠以“类量化基金”的称谓,“最近我去银行,一个客户经理向我推荐南方小康ETF。说是非常创新,是国内第一款可投资股指期货的基金。我有点心动。”晓钊,某通讯器材公司售后工程师,已到而立之年的他,对投资理财报以更多的关注。
原因是目前国内还缺乏完全意义上的量化基金产品,这些产品对量化投资策略的运用,更多还是停留在概念层面,管理人的主观因素占据了主导地位,缺乏数量化选股的应用,“完全量化”也并不现实;量化投资中,模型是关键。标准的量化基金即是将投资专家的思想、经验和直觉反映在量化模型中,利用电脑帮助人脑处理大量信息,并进行投资决策。然而翻阅季报,却难找到关于量化模型选股的具体介绍。
当然还有业绩的尴尬。依据银河证券基金研究中心统计,2010年第二季度,已有的8只量化基金亏损幅度在12%与21%之间。上半年在可比的166只标准股票型基金中,除了中海量化排在34名,其余量化基金均在100名以后。
分级基金,一把双刃剑
2010年的7月,分级基金可谓是一骑绝尘。
截至7月29日,7月份表现最好的前5只股票型基金依次为银华锐进、国泰估值进取、国投瑞银瑞福进取、国联安双禧B和长盛同庆B,这5只基金毫无例外地都是带有杠杆性质的基金。其中,银华锐进净值增长高达28.28%,成为7月最牛基金。
7月股市的反弹上涨,较高水平的杠杆设计,是分级基金获得较高收益的主要原因。银河证券首席基金分析师王群航指出,在反弹行情来临之时,杠杆产品是博取波段收益的最好选择。而银华锐进等分级基金积极表现也印证了这样的特点。
在上涨市场中,分级基金利用杠杆作用放大投资收益,可是到了熊市,杠杆作用的效果同样存在,基金亏损也会放大。以国投瑞银瑞福进取为例,尽管7月份净值增长率高达20.66%,但国投瑞金进取这只杠杆基金今年以来(截至7月29日)净值下跌幅度仍然高达23.61%。
成也“分级”,败也“分级”,所以投资者不能因为分级基金的高回报性从而忽略其高风险性。
基金参与股指期货,多一种投资工具而已
自4月21日《证券投资基金参与股指期货交易指引》正式实施以来,中证南方小康ETF及联接基金(简称南方小康)成为国内首只在法律文件中明确约定了投资股指期货的基金。
基金可以参与股指期货交易,是否意味着以后无论市场涨跌与否,都可以获得正收益呢?很多投资者对这款产品表现出浓厚的兴趣,纷纷咨询,这也成为了目前冷清市场里较为难得的状况。
而本文要告诉你的是,不要对其期望过高,参与股指期货,只不过是基金增加了一种投资工具而已。
为什么这么说?首先,参与股指期货投资不会成为基金投资的主要行为,更不会大幅度增加基金的投资业绩。这是因为《证券投资基金参与股指期货交易指引》对基金参与股指期货的持仓规模、投资杠杆、日渐回转交易都有严格控制,即参与股指期货交易的份额只是基金投资份额中很少一部分。如南方小康在契约中规定“南方小康投资于股指期货的比重最多不会超过基金资产的5%。”
同时,这部分较少份额基金只能利用股指期货进行套保,它的作用主要是平缓市场波动,不会进行更大风险的投机交易,所以基金参与股指期货的获利空间很有限。
另外,参与股指期货交易,基金管理人势必要具备很强的择时能力和期货交易能力,这对基金管理人是一个不小的挑战。
所以说,基金参与股指期货交易,只不过是原来的投资工具中(如股票、债券、短期票据、权证等)增加了一种投资工具而已,不用对其有太多的期望。相信不久的将来,基金参与股指期货交易会成为一种普遍现象。
类保本基金:没有保本承诺
2010年7月28日,国内第一款“类保本”基金――嘉实稳固收益债券型基金公开募集。
说它类保本,是其本质上还是一只债券型基金,但采用了与保本基金一致的CPPI的保本策略。简单来说,嘉实稳固就是一只采用保本技术的债券型基金。
应该说,类保本基金兼顾了债券型基金和保本基金的特点。首先是成本较低。相较于保本基金1%~1.5%的申购费,嘉实稳固收益在各阶段的申购费均为0,且管理费、托管费也低于保本基金,还无需承担担保费。其次是流动性较高,嘉实稳固虽然具有类似保本基金的3年期运作周期,但可随时灵活变现。
同时我们也该看到,类保本基金毕竟不是保本基金,没有相应的保本条款和担保人机制,所以不承诺保本;此外,虽然类保本基金对外宣称“处于保本而胜保本”,强调本金的安全。然而债券型基金本身就具备收益稳定、风险较低的固定收益特征。既然债券型基金本身已经非常安全,再去强调本金安全,吸引力不够大。
主题类基金:看上去很美
如今市面上开始涌现出一批主题类基金,他们凭借明显个性特征的投资目标和投资标的,深深吸引着投资者的眼球。
纵观主题类基金,有的主要投向某一行业或者领域的优质股票,比如地产、消费、低碳等,有的则根据经济周期或者国家政策导向来指定投资决策,比如通胀通缩等,有的则更关注上市公司的本身的持续发展与道德责任。
拥有比普通基金(比如稳定增利、优势增长、大盘蓝筹等)更炫目耀眼的基金名称,有明确导向的投资决策,吸引投资者自然不在话下。
那么抛开这层美丽的外衣,我们应该思索:主题类基金的创新对投资者的意义有多大?
其实主题类基金的内核无外乎就是投资自己看好的优质股票,说白了这与普通股票型基金并无区别。主题类基金看好的股票,普通股票型基金如果看好,照样倾入资产进行投资,可能只是资产投入的比重不同而已;另外,主题类基金可能只专攻某一行业股票,其余行业可能不做选择或者投入比重很少,股市瞬息万变,很难找到长期保持优秀表现的股票。
――马可・奥勒留，《沉思录》
文艺复兴公司的奠基人詹姆斯・西蒙斯（James Simons）认为，宽客带给投资领域最伟大的成就在于解决问题的系统化方法。正如西蒙斯博士所说的：
“科学家带入这场游戏中的并不是他们的数学或者计算机技巧，而是科学思考的能力。”
研究宽客最主要的原因之一是，宽客会深入思考那些非量化投资者认为理所当然的策略的许多方面。为什么会这样？毫无疑问，计算机是一种工具，但是如果没有绝对精确的指令，计算机也将一无是处。因此，为了让计算机完成黑箱交易，必将付出艰苦的努力。你不能告诉计算机“发现廉价的股票”，你必须明确指出发现指的是什么，廉价指的是什么，股票是什么。
例如，发现可能包括搜索含有股票信息的数据库，然后在市场行业内部对股票进行排序（按照行业对股票进行分类）。廉价可能意味着市盈率（P/E），投资者必须明确指出廉价的度量方法，以及满足何种条件才可以被认为廉价。
照此，宽客可以建立一个系统，设置10倍市盈率为廉价，或者在行业内部排名，市盈率位于最后10%的被认为廉价。股票是模型的核心部分，可能是美国股票、全球股票、欧洲市场大市值股票或者宽客想交易的其他任何股票。
所有这些定义会督促我们去深入思考一些问题，策略是什么，如何实施策略等。在前面的例子中，宽客可以选择不是在行业内部对股票进行排序。股票可以在行业内进行比较，也可以在全市场范围内，还可以与其他有意义的股票群体内股票进行比较。重点是宽客要注意到这些，因为计算机不能自动填写这些空白。
这样做的好处是不言而喻的。对策略进行深入思考是一件好事情。更胜一筹的是，对于宽客和主观判断型交易者而言，通过对策略细致缜密的思考，能够弄清楚问题的本质，进而执行投资策略，这是非常重要的。
在整个交易过程中，这都被认为是投资和交易成功的主要组成部分。相反，许多主观判断型交易者，在他们的策略说明和执行中，做得并不够精确，看上去像临时做出一个决定。
在BGI的主动投资领域中， “市场中性”策略取得了巨大成功。黎海威开发的香港、新加坡市场的量化模型正是运用到此类市场中性基金，它们采用的是后来名满天下的基本面量化投资方法。简要地说，基本面量化投资即借助一系列基本面因子构建的量化模型筛选股票，以融资融券的方式实现多空对冲，从市场中获得绝对收益。除此以外，相关模型也运用到指数增强和130/30基金。
在黎海威看来，投资是个概率问题，通过基本面分析，提高找出好股票从而跑赢市场的概率，即赢面。如果挑选的每只股票的赢面在55%，而投资组合由100只这样的股票构成，整个投资组合战胜市场的概率就会接近100%。
量化投资的核心在于维持一个稳定的赢面，而在比较大的范围（即投资的宽度）内运用它。挑选出好股票，需要从合适的维度来筛选，比如估值、盈利质量、情绪等等。这些因子都不是随意挑选的，它们一般有金融理论背景（价值投资、行为金融等）支持， 并结合了当地市场的实际情况。
基本面量化投资并非像人们想象的只是靠跑系统选股和交易，事实上，它的本质是主动投资。这样的投资方法，关注基本面和市场演变，需要基金经理的经验、判断和对市场的理解。黎海威认为，关键在对市场黎海威在量化投资的世界里，华人迄今掌管的最成功基金之一是巴克莱亚洲（除日本）市场中性股票投资基金。2012年8月，曾在巴克莱工作时间最长的华人基金经理黎海威，回国进入景顺长城基金，担任景顺长城基金的量化及ETF投资总监。他即将启动其在国内的第一个量化投资产品——景顺长城沪深300指数增强基金。的理解， 在把量化框架和当地市场的实际情况结合起来，在强调纪律性的前提下， 坚持以量化模型为依托， 不断地将新出现的现象和发现的规律抽象出来，添加到模型中。
与此同时，对于特殊事件，比如数据错误、 收购兼并等量化模型无法及时处理的情况， 需要基金经理在投资组合中控制相关风险。更为重要的是，因子的研究和权重的调整要有前瞻性。例如在次贷危机发生后很长一段时间里，人们对价值股没有任何兴趣，但随着违约风险逐步降低，价值股在2010年迎来了相当强劲的行情。当时，由黎海威担任基金经理的亚洲（除日本）市场中性股票投资基金及时调整了价值股权重，获得很好的业绩。
当然，基本面量化投资有着量化的纪律性，这是业绩稳定性的保障。黎海威认为，量化投资的纪律性首先表现在量化研究的严谨性上。做量化投资并非像大家想象中的多空对决的精彩，反而有点像做金融的博士论文，整个研究过程从课题的提出到研究、回测都是在严密的框架下进行的，是可重复验证的。
