量化投資發展歷史

『壹』 什麼是量化投資

量化投資在海外的發展已有30多年的歷史，其投資業績穩定，市場規模和份額不斷擴大、得到了越來越多投資者認可。事實上，互聯網的發展，使得新概念在世界范圍的傳播速度非常快，作為一個概念，量化投資並不算新，國內投資者早有耳聞。但是，真正的量化基金在國內還比較罕見。其實，定量投資和傳統的定性投資本質上的相同的，二者都是基於市場非有效或是弱有效的理論基礎，而投資經理可以通過對個股估值，成長等基本面的分析研究，建立戰勝市場，產生超額收益的組合。不同的是，定性投資管理較依賴對上市公司的調研，以及基金經理個人的經驗及主觀的判斷，而定量投資管理則是「定性思想的量化應用」,更加強調數據。 第一，紀律性，所有的決策都是依據模型做出的。我們有三個模型：一是大類資產配置模型、二是行業模型、三是股票模型。根據大類資產配置決定股票和債券投資比例；按照行業配置模型確定超配或低配的行業；依靠股票模型挑選股票。紀律性首先表現在依靠模型和相信模型，每一天決策之前，首先要運行模型，根據模型的運行結果進行決策，而不是憑感覺。有人問，模型出錯怎麼辦？不可否認，模型可能出錯，就像CT機可能誤診病人一樣。但是，在大概率下，CT機是不會出錯的，所以，醫生沒有拋棄CT機，我的模型在大概率下是不出錯的，所以，我還是相信我的模型。 紀律性的好處很多，可以克服人性的弱點，如貪婪、恐懼、僥幸心理，也可以克服認知偏差，行為金融理論在這方面有許多論述。紀律化的另外一個好處是可跟蹤。定量投資作為一種定性思想的理性應用，客觀地在組合中去體現這樣的組合思想。一個好的投資方法應該是一個「透明的盒子」。我們的每一個決策都是有理有據的，特別是有數據支持的。如果有人質問我，某年某月某一天，你為什麼購買某支股票的化，我會打開系統，系統會顯示出當時被選擇的這只股票與其他的股票相比在成長面上、估值上、動量上、技術指標上的得分情況，這個評價是非常全面的,只有匯總得分比其他得分要高才有說服力。 第二，系統性。具體表現為「三多」。首先表現在多層次，包括在大類資產配置、行業選擇、精選個股三個層次上我們都有模型；其次是多角度,定量投資的核心投資思想包括宏觀周期、市場結構、估值、成長、盈利質量、分析師盈利預測、市場情緒等多個角度；再者就是多數據，就是海量數據的處理。人腦處理信息的能力是有限的，當一個資本市場只有100隻股票，這對定性投資基金經理是有優勢的，他可以深刻分析這100家公司。但在一個很大的資本市場，比如有成千上萬只股票的時候，強大的定量投資的信息處理能力能反映它的優勢，能捕捉更多的投資機會，拓展更大的投資機會。 第三，妥善運用套利的思想。定量投資正是在找估值窪地，通過全面、系統性的掃描捕捉錯誤定價、錯誤估值帶來的機會。定性投資經理大部分時間在琢磨哪一個企業是偉大的企業，那個股票是可以翻倍的股票；與定性投資經理不同，定量基金經理大部分精力花在分析哪裡是估值窪地，哪一個品種被低估了，買入低估的，賣出高估的。 第四，靠概率取勝。這表現為兩個方面，一是定量投資不斷的從歷史中挖掘有望在未來重復的歷史規律並且加以利用。二是依靠一組股票取勝，而不是一個或幾個股票取勝。在國內市場的發展潛力首先，相較於海外成熟市場，A股市場的發展歷史較短，投資者隊伍參差不齊，投資理念還不夠成熟，留給主動投資發掘市場非有效性，產生阿爾法的潛力和空間也更大。投資理念多元化，也創造出多元分散的alpha機會。 其次，量化投資的技術和方法在國內幾乎沒有競爭者。中醫治療中醫擅長的疾病、西醫治療西醫擅長的疾病；如果把證券市場看作一個病人的話，每個投資者就是醫生，定性投資者挖掘定性投資的機會，治療定性投資的疾病，定量投資者挖掘定量投資的機會，治療定量投資的疾病。現在證券市場上定性投資者太多了，機會太少，競爭太激烈；量化投資者太少了，機會很多，競爭很少。這給量化投資創造了良好的發展機遇——當其他人都擺西瓜攤的時候，我們擺了一個蘋果攤。 總的看來，量化投資和定性投資的差別真的有如中醫和西醫的差別，互有長短、各有千秋。 由此可見，隨著2010年4月股指期貨的出台，量化投資國內市場發展潛力逐漸顯現，目前已有國泰安金融學院，北京大學匯豐商學院，上海交通大學安泰管理學院投入數百萬開設了專業的量化投資金融實驗室，並開辦了量化投資高級研修班，為國內量化投資的市場發展提供了良好學術和實戰環境。相關基金： 光大量化基金（光大量化核心基金），嘉實量化阿爾法基金，長盛量化基金，中海量化基金。

『貳』 學習金融資產管理和量化投資 發展前景如何

相對於美國成熟的資產管理業務發展歷史，中國的資產管理有著12年年輕的歷史。正因為是起步階段，人們能看到其無限發展空間和巨大潛力。一些大的金融機構運用資產管理進行經營，在金融危機期間保持著盈利，業內不乏有成功案例。 資產管理業務有個兩難問題，即業務擴展和風險管理的平衡問題，也就說如果業務擴展太快，太多，風險控制就會弱，如果太關注於風險控制的話，可能業務擴展會慢。其實觀察成功的案例會發現，這兩點是可以做到平衡的。在國外金融機構會發現很多有意思的產品，比如氣象氣候、低碳、降雨量、體育等基金、債券，可是在中國卻是比較空白。其實這是市場細分的結果，舉個例子，如氣象基金，今年冬天會不會冷？如果不冷的話，使用的燃料能源就會少，就會影響這類產品，如果有天然氣產品，就可以進行價格對沖。這也是很多機構追求平穩發展來利用資產管理的原因。 拿期貨公司來說，未來將大大偏向程序化交易策略，由此形成成熟的人才團隊來更好地服務客戶，將會使期貨公司獲得永續發展，拓寬業務利潤獲取的范圍和深度。專家建議中國的資產管理業務應更重視專業性，對行業、公司、個人發展都是最重要的一點。根據麥肯錫的預計，中國的資產管理業務在未來的十年將保持每年24%的增長率，成為中國乃至世界發展最快的金融產業，可以說中國資產管理業將涌現出無限機遇。 目前國內的量化交易大概佔到市場交易量的20%，每年都在增加，特別是這兩年增長迅猛。70%的交易量由程序化交易完成，國內才剛剛起步，因此，國內的發展空間還非常巨大，產品的種類也會更加豐富，策略復雜度和交易工具的精細化也會不斷提高。 從投資者身份來看，目前量化投資者主要人群集中在期貨公司、私募基金以及券商的自營、基金公司的專戶。規模上，以私募基金為主要參與群體。 從操作風格來看，目前期貨市場有四類量化投資者，分別是阿爾法產品的使用者、趨勢性交易者、套利交易者以及高頻交易者。阿爾法產品的使用者，即利用股指期貨與股票現貨進行搭配，獲得股票的超額收益；趨勢性交易者，充分運用各種模型對價格進行預判，這種交易者的資金從幾萬到幾千萬都是存在的；套利交易，包括無風險的股指期現套利和統計套利；高頻交易者，這種一般利用期貨市場價格的微小變動進行快速交易，從而獲得高收益。 量化交易模式越來越被更多的機構投資者所採用，量化交易模式將會成為主流的交易模式。屆時，量化投資產品可能更加多樣化，量化投資將會成為金融機構爭奪客戶資源的主要工具，然後隨著量化工具更新速度的加快，量化投資的應用領域將會不斷拓寬。 由此可見，學習資產管理與量化投資對公司業務和個人的發展是十分迫切並且必要的。

『叄』 什麼是量化交易，未來前景如何知道的講講。

國外量化交易已經發展了40年左右，量化交易程序換交易佔比60%，量化基專金規模達到屬30個億美元，而國內量化交易起步較晚第一隻量化基金在2004年左右，至今量化交易規模不過2萬億RMB，國內現在的量化人才也很缺失，隨著過來一批量化交易的海龜回來從事量化交易會一定程度帶動行業的發展，但是仍需一定時間，加上國內量化交易政策還不夠明朗，整體來說量化交易在國內還是一年藍海，但是路途並非坦途。

『肆』 到底什麼是「量化投資」

量化投資是指通過數量化方式及計算機程序化發出買賣指令，以獲取穩定收益為目的的交易方式。在海外的發展已有30多年的歷史，其投資業績穩定，市場規模和份額不斷擴大、得到了越來越多投資者認可。
事實上，互聯網的發展，使得新概念在世界范圍的傳播速度非常快，作為一個概念，量化投資並不算新，國內投資者早有耳聞。但是，真正的量化基金在國內還比較罕見。同時，機器學習的發展也對量化投資起了促進作用。

『伍』 股票市場中什麼 是量化投資!

微量網：量化投資在海外的發展已有30多年的歷史，其投資業績穩定，市場規模和份額不斷擴大、得到了越來越多投資者認可。
量化投資區別於定性投資的鮮明特徵就是模型，對於量化投資中模型與人的關系，大家也比較關心。我打個比方來說明這種關系，我們先看一看醫生治病，中醫與西醫的診療方法不同，中醫是望、聞、問、切，最後判斷出的結果，很大程度上基於中醫的經驗，定性程度上大一些；西醫就不同了，先要病人去拍片子、化驗等，這些都要依託於醫學儀器，最後得出結論，對症下葯。
醫生治療病人的疾病，投資者治療市場的疾病，市場的疾病是什麼？就是錯誤定價和估值，沒病或病得比較輕，市場是有效或弱有效的；病得越嚴重，市場越無效。投資者用資金投資於低估的證券，直到把它的價格抬升到合理的價格水平上。
但是，定性投資和定量投資的具體做法有些差異，這些差異如同中醫和西醫的差異，定性投資更像中醫，更多地依靠經驗和感覺判斷病在哪裡；定量投資更像是西醫，依靠模型判斷，模型對於定量投資基金經理的作用就像CT機對於醫生的作用。在每一天的投資運作之前，我會先用模型對整個市場進行一次全面的檢查和掃描，然後根據檢查和掃描結果做出投資決策。
量化投資技術幾乎覆蓋了投資的全過程，包括量化選股、量化擇時、股指期貨套利、商品期貨套利、統計套利、演算法交易，資產配置，風險控制等。

『陸』 量化投資的主要方法和前沿進展

量化投資是通過計算機對金融大數據進行量化分析的基礎上產生交易決策機制。設計金融數學和計算機的知識和技術，主要有人工智慧、數據挖掘、小波分析、支持向量機、分形理論和隨機過程這幾種。
1．人工智慧
人工智慧（Artificial Intelligence，AI）是研究使用計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理、製造類似於人腦智能的計算機，使計算機能實現更高層次的應用。人工智慧將涉及計算機科學、心理學、哲學和語言學等學科，可以說幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智慧與思維科學的關系是實踐和理論的關系，人工智慧是處於思維科學的技術應用層次，是它的一個應用分支。
從思維觀點看，人工智慧不僅限於邏輯思維，還要考慮形象思維、靈感思維才能促進人工智慧的突破性發展，數學常被認為是多種學科的基礎科學，因此人工智慧學科也必須借用數學工具。數學不僅在標准邏輯、模糊數學等范圍發揮作用，進入人工智慧學科後也能促進其得到更快的發展。
金融投資是一項復雜的、綜合了各種知識與技術的學科，對智能的要求非常高。所以人工智慧的很多技術可以用於量化投資分析中，包括專家系統、機器學習、神經網路、遺傳演算法等。
2．數據挖掘
數據挖掘（Data Mining）是從大量的、不完全的、有雜訊的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的，但又是潛在有用的信息和知識的過程。
與數據挖掘相近的同義詞有數據融合、數據分析和決策支持等。在量化投資中，數據挖掘的主要技術包括關聯分析、分類/預測、聚類分析等。
關聯分析是研究兩個或兩個以上變數的取值之間存在某種規律性。例如，研究股票的某些因子發生變化後，對未來一段時間股價之間的關聯關系。關聯分為簡單關聯、時序關聯和因果關聯。關聯分析的目的是找出資料庫中隱藏的關聯網。一般用支持度和可信度兩個閾值來度量關聯規則的相關性，還不斷引入興趣度、相關性等參數，使得所挖掘的規則更符合需求。
分類就是找出一個類別的概念描述，它代表了這類數據的整體信息，即該類的內涵描述，並用這種描述來構造模型，一般用規則或決策樹模式表示。分類是利用訓練數據集通過一定的演算法而求得分類規則。分類可被用於規則描述和預測。
預測是利用歷史數據找出變化規律，建立模型，並由此模型對未來數據的種類及特徵進行預測。預測關心的是精度和不確定性，通常用預測方差來度量。
聚類就是利用數據的相似性判斷出數據的聚合程度，使得同一個類別中的數據盡可能相似，不同類別的數據盡可能相異。
3．小波分析
小波（Wavelet）這一術語，顧名思義，小波就是小的波形。所謂「小」是指它具有衰減性；而稱之為「波」則是指它的波動性，其振幅正負相間的震盪形式。與傅里葉變換相比，小波變換是時間（空間）頻率的局部化分析，它通過伸縮平移運算對信號（函數）逐步進行多尺度細化，最終達到高頻處時間細分，低頻處頻率細分，能自動適應時頻信號分析的要求，從而可聚焦到信號的任意細節，解決了傅里葉變換的困難問題，成為繼傅里葉變換以來在科學方法上的重大突破，因此也有人把小波變換稱為數學顯微鏡。
小波分析在量化投資中的主要作用是進行波形處理。任何投資品種的走勢都可以看做是一種波形，其中包含了很多噪音信號。利用小波分析，可以進行波形的去噪、重構、診斷、識別等，從而實現對未來走勢的判斷。
4．支持向量機
支持向量機（Support Vector Machine，SVM）方法是通過一個非線性映射，把樣本空間映射到一個高維乃至無窮維的特徵空間中（Hilbert空間），使得在原來的樣本空間中非線性可分的問題轉化為在特徵空間中的線性可分的問題，簡單地說，就是升維和線性化。升維就是把樣本向高維空間做映射，一般情況下這會增加計算的復雜性，甚至會引起維數災難，因而人們很少問津。但是作為分類、回歸等問題來說，很可能在低維樣本空間無法線性處理的樣本集，在高維特徵空間中卻可以通過一個線性超平面實現線性劃分（或回歸）。
一般的升維都會帶來計算的復雜化，SVM方法巧妙地解決了這個難題：應用核函數的展開定理，就不需要知道非線性映射的顯式表達式；由於是在高維特徵空間中建立線性學習機，所以與線性模型相比，不但幾乎不增加計算的復雜性，而且在某種程度上避免了維數災難。這一切要歸功於核函數的展開和計算理論。
正因為有這個優勢，使得SVM特別適合於進行有關分類和預測問題的處理，這就使得它在量化投資中有了很大的用武之地。
5．分形理論
被譽為大自然的幾何學的分形理論（Fractal），是現代數學的一個新分支，但其本質卻是一種新的世界觀和方法論。它與動力系統的混沌理論交叉結合，相輔相成。它承認世界的局部可能在一定條件下，在某一方面（形態、結構、信息、功能、時間、能量等）表現出與整體的相似性，它承認空間維數的變化既可以是離散的也可以是連續的，因而極大地拓展了研究視野。
自相似原則和迭代生成原則是分形理論的重要原則。它表示分形在通常的幾何變換下具有不變性，即標度無關性。分形形體中的自相似性可以是完全相同的，也可以是統計意義上的相似。迭代生成原則是指可以從局部的分形通過某種遞歸方法生成更大的整體圖形。
分形理論既是非線性科學的前沿和重要分支，又是一門新興的橫斷學科。作為一種方法論和認識論，其啟示是多方面的：一是分形整體與局部形態的相似，啟發人們通過認識部分來認識整體，從有限中認識無限；二是分形揭示了介於整體與部分、有序與無序、復雜與簡單之間的新形態、新秩序；三是分形從一特定層面揭示了世界普遍聯系和統一的圖景。
由於這種特徵，使得分形理論在量化投資中得到了廣泛的應用，主要可以用於金融時序數列的分解與重構，並在此基礎上進行數列的預測。
6．隨機過程
隨機過程（Stochastic Process）是一連串隨機事件動態關系的定量描述。隨機過程論與其他數學分支如位勢論、微分方程、力學及復變函數論等有密切的聯系，是在自然科學、工程科學及社會科學各領域中研究隨機現象的重要工具。隨機過程論目前已得到廣泛的應用，在諸如天氣預報、統計物理、天體物理、運籌決策、經濟數學、安全科學、人口理論、可靠性及計算機科學等很多領域都要經常用到隨機過程的理論來建立數學模型。
研究隨機過程的方法多種多樣，主要可以分為兩大類：一類是概率方法，其中用到軌道性質、隨機微分方程等；另一類是分析的方法，其中用到測度論、微分方程、半群理論、函數堆和希爾伯特空間等，實際研究中常常兩種方法並用。另外組合方法和代數方法在某些特殊隨機過程的研究中也有一定作用。研究的主要內容有：多指標隨機過程、無窮質點與馬爾科夫過程、概率與位勢及各種特殊過程的專題討論等。
其中，馬爾科夫過程很適於金融時序數列的預測，是在量化投資中的典型應用。
現階段量化投資在基金投資方面使用的比較多，也有部分投資機構合券商的交易系統應用了智能選股的技術。

『柒』 量化投資

沒有你想的書

我多年來都有關注這方面的書 可是也沒有在國內找到

數量化投資是將投資理念及策略通過具體指標、參數的設計，體現到具體的模型中，讓模型對市場進行不帶任何情緒的跟蹤；相對於傳統投資方式來說，具有快速高效、客觀理性、收益與風險平衡和個股與組合平衡等四大特點。量化投資技術幾乎覆蓋了投資的全過程，包括估值與選股、資產配置與組合優化、訂單生成與交易執行、績效評估和風險管理等，在各個環節都有不同的方法及量化模型：

一、估值與選股

估值：對上市公司進行估值是公司基本面分析的重要方法，在「價值投資」的基本邏輯下，可以通過對公司的估值判斷二級市場股票價格的扭曲程度，繼而找出價值被低估或高估的股票，作為投資決策的參考。對上市公司的估值包括相對估值法和絕對估值法，相對估值法主要採用乘數方法，如PE估值法、PB估值法、PS估值法、PEG估值法、PSG估值法、EV/EBITDA估值法等；絕對估值法主要採用折現的方法，如公司自由現金流模型、股權自由現金流模型和股利折現模型等。相對估值法因簡單易懂，便於計算而被廣泛使用；絕對估值法因基礎數據缺乏及不符合模型要求的全流通假設而一直處於非主流地位。隨著全流通時代的到來和國內證券市場的快速發展，絕對估值法正逐漸受到重視。

選股：在當前品種繁多的資本市場中，從浩瀚復雜的數據背後選出適合自己投資風格的股票變得越加困難。在基本面研究的基礎上結合量化分析的手段就可以構建數量化選股策略，主流的選股方法如下：

資產配置方法與模型
資產配置類別 資產配置層次 資產配置方法 資產配置模型
戰略資產配置 全球資產配置 大類資產配置 行業風格配置 收益測度 風險測度 估計方法 馬克維茨 MV 模型 均值 -LPM 模型 VaR 約束模型 Black-Litterman 模型
戰術資產配置 ( 動態資產配置 ) 周期判斷 風格判斷 時機判斷 行業輪動策略 風格輪動策略 Alpha 策略 投資組合保險策略

基本面選股：通過對上市公司財務指標的分析，找出影響股價的重要因子，如：與收益指標相關的盈利能力、與現金流指標相關的獲現能力、與負債率指標相關的償債能力、與凈資產指標相關的成長能力、與周轉率指標相關的資產管理能力等。然後通過建立股價與因子之間的關系模型得出對股票收益的預測。股價與因子的關系模型分為結構模型和統計模型兩類：結構模型給出股票的收益和因子之間的直觀表達，實用性較強，包括價值型(本傑明·格雷厄姆—防禦價值型、查爾斯·布蘭迪—價值型等)、成長型(德伍·切斯—大型成長動能、葛廉·畢克斯達夫—中大型成長股等)、價值成長型(沃倫·巴菲特—優質企業選擇法、彼得·林奇—GARP價值成長法等)三種選股方法；統計模型是用統計方法提取出近似線性無關的因子建立模型，這種建模方法因不需先驗知識且可以檢驗模型的有效性，被眾多經濟學家推崇，包括主成分法、極大似然法等。

多因素選股：通過尋找引起股價共同變動的因素，建立收益與聯動因素間線性相關關系的多因素模型。影響股價的共同因素包括宏觀因子、市場因子和統計因子(通過統計方法得到)三大類，通過逐步回歸和分層回歸的方法對三類因素進行選取，然後通過主成分分析選出解釋度較高的某幾個指標來反映原有的大部分信息。多因素模型對因子的選擇有很高的要求，因子的選擇可依賴統計方法、投資經驗或二者的結合，所選的因子要有統計意義上或市場意義上的顯著性，一般可從動量、波動性、成長性、規模、價值、活躍性及收益性等方面選擇指標來解釋股票的收益率。

動量、反向選股：動量選股策略是指分析股票在過去相對短期的表現，事先對股票收益和交易量設定條件，當條件滿足時買進或賣出股票的投資策略，該投資策略基於投資者對股票中期的反應不足和保守心理，在投資行為上表現為購買過去幾個月表現好的股票而賣出過去幾個月表現差的股票。反向選股策略則基於投資者的錨定和過度自信的心理特徵，認為投資者會對上市公司的業績狀況做出持續過度反應，形成對業績差的公司業績過分低估和業績的好公司業績過分高估的現象，這為投資者利用反向投資策略提供了套利機會，在投資行為上表現為買進過去表現差的股票而賣出過去表現好的股票。反向選股策略是行為金融學理論發展至今最為成熟，也是最受關注的策略之一。

二、資產配置

資產配置指資產類別選擇、投資組合中各類資產的配置比例以及對這些混合資產進行實時管理。資產配置一般包括兩大類別、三大層次，兩大類別為戰略資產配置和戰術/動態資產配置，三大層次為全球資產配置、大類資產配置和行業風格配置。資產配置的主要方法及模型如下：

戰略資產配置針對當前市場條件，在較長的時間周期內控制投資風險，使得長期風險調整後收益最大化。戰術資產配置通常在相對較短的時間周期內，針對某種具體的市場狀態制定最優配置策略，利用市場短期波動機會獲取超額收益。因此，戰術資產配置是在長期戰略配置的過程中針對市場變化制定的短期配置策略，二者相互補充。戰略資產配置為未來較長時間內的投資活動建立業務基準，戰術資產配置通過主動把握投資機會適當偏離戰略資產配置基準，獲取超額收益。

三、股價預測

股價的可預測性與有效市場假說密切相關。如果有效市場假說成立，股價就反映了所有相關的信息，價格變化服從隨機遊走，股價的預測就毫無意義，而我國的股市遠未達到有效市場階段，因此股價時間序列不是序列無關，而是序列相關的，即歷史數據對股價的形成起作用，因此可以通過對歷史信息的分析來預測股價。

主流的股價預測模型有灰色預測模型、神經網路預測模型和支持向量機預測模型(SVM)。灰色預測模型對股價的短期變化有很強的預測能力，近年發展起來的灰色預測模型包括GM(1, 1)模型、灰色新陳代謝模型和灰色馬爾可夫模型。人工神經網路模型具有巨量並行性、存儲分布性、結構可變性、高度非線性和自組織性等特點，且可以逼近任何連續函數，目前在金融分析和預測方面已有廣泛的應用，效果較好。支持向量機模型在解決小樣本、非線性及高維模式識別問題中有許多優勢，且結構簡單，具有全局優化性和較好的泛化能力，比神經網路有更好的擬合度。

四、績效評估

作為集合投資、風險分散、專業化管理、變現性強等特點的投資產品，基金的業績雖然受到投資者的關注，但要對基金有一個全面的評價，則需要考量基金業績變動背後的形成原因、基金回報的來源等因素，績效評估能夠在這方面提供較好的視角與方法，風險調整收益、擇時/股能力、業績歸因分析、業績持續性及Fama的業績分解等指標和方法可從不同的角度對基金的績效進行評估。

績效評估模型 / 指標

績效評估准則
擇時 / 股能力
業績歸因分析
風險調整收益
業績持續性
Fama 業績分解

模型 / 指標
T-M 模型

H-M 模型

GII 模型

C-L 模型
資產配置收益

證券選擇收益

行業選擇收益

行業內個股選擇收益
RAROC

Sharp, Stutzer

Treynor, Jensen

, ,
雙向表分析

時間序列相關性
總風險收益

系統風險收益

分散化投資收益

五、基於行為金融學的投資策略

上世紀50～70年代，隨著馬科維茨組合理論、CAPM模型、MM定理及有效市場假說的提出，現代金融經濟學建立了一套成熟的理論體系，並且在學術界占據了主導地位，也被國際投資機構廣泛應用和推廣，但以上傳統經濟學的理論基石是理性人假設，在理性人假設下，市場是有效率的，但進入80年代以後，關於股票市場的一系列研究和實證發現了與理性人假設不符合的異常現象，如：日歷效應、股權溢價之謎、期權微笑、封閉式基金折溢價之謎、小盤股效應等。面對這些金融市場的異常現象，諸多研究學者從傳統金融理論的基本假設入手，放鬆關於投資者是完全理性的嚴格假設，吸收心理學的研究成果，研究股市投資者行為、價格形成機制與價格表現特徵，取得了一系列有影響的研究成果，形成了具有重要影響力的學術流派－行為金融學。

行為金融學是對傳統金融學理論的革命，也是對傳統投資實踐的挑戰。隨著行為金融理論的發展，理論界和投資界對行為金融理論和相關投資策略作了廣泛的宣傳和應用，好買認為，無論機構投資者還是個人投資者，了解行為金融學的指導意義在於：可以採取針對非理性市場行為的投資策略來實現投資目標。在大多數投資者認識到自己的錯誤以前，投資那些定價錯誤的股票，並在股價正確定位之後獲利。目前國際金融市場中比較常見且相對成熟的行為金融投資策略包括動量投資策略、反向投資策略、小盤股策略和時間分散化策略等。

六、程序化交易與演算法交易策略

根據NYSE的定義，程序化交易指任何含有15隻股票以上或單值為一百萬美元以上的交易。程序化交易強調訂單是如何生成的，即通過某種策略生成交易指令，以便實現某個特定的投資目標。程序化交易主要是大機構的工具，它們同時買進或賣出整個股票組合，而買進和賣出程序可以用來實現不同的目標，目前程序化交易策略主要包括數量化程序交易策略、動態對沖策略、指數套利策略、配對交易策略和久期平均策略等。

演算法交易，也稱自動交易、黑盒交易或無人值守交易，是使用計算機來確定訂單最佳的執行路徑、執行時間、執行價格及執行數量的交易方法，主要針對經紀商。演算法交易廣泛應用於對沖基金、企業年金、共同基金以及其他一些大型的機構投資者，他們使用演算法交易對大額訂單進行分拆，尋找最佳路由和最有利的執行價格，以降低市場的沖擊成本、提高執行效率和訂單執行的隱蔽性。任何投資策略都可以使用演算法交易進行訂單的執行，包括做市、場內價差交易、套利及趨勢跟隨交易。演算法交易在交易中的作用主要體現在智能路由、降低沖擊成本、提高執行效率、減少人力成本和增加投資組合收益等方面。主要的演算法包括：交易量加權平均價格演算法(VWAP)、保證成交量加權平均價格演算法(Guaranteed VWAP)、時間加權平均價格演算法(TWAP)、游擊戰演算法(Guerrilla)、狙擊手演算法(Sniper)、模式識別演算法(Pattern Recognition)等。

綜上所述，數量化投資技術貫穿基金的整個投資流程，從估值選股、資產配置到程序化交易與績效評估等。結合量化投資的特點及我國證券市場的現狀，好買認為量化投資技術在國內基金業中的應用將主要集中在量化選股、資產配置、績效評估與風險管理、行為金融等方面，而隨著包括基金在內的機構投資者佔比的不斷提高、衍生品工具的日漸豐富(股指期貨、融資融券等)以及量化投資技術的進步，基金管理人的投資策略將會越來越復雜，程序化交易(系統)也將有快速的發展。

『捌』 什麼是量化投資，量化投資在中國的發展

量化投資是指通過數量化模型建立科學投資體系，以獲取穩定收益。在海外的發展已有30多年的歷史，其投資業績穩定，市場規模和份額不斷擴大、得到了越來越多投資者認可。在國內，量化投資不再是一個陌生的詞彙，近幾年得到了迅猛的發展。可在應用過程中學習量化投資

『玖』 量化投資—策略與技術的作者簡介

丁 鵬
中國量化投資研究的先行者，他開發的D-Alpha量化對沖交易系統，實戰中獲得持續穩健的收益率。
畢業於上海交通大學計算機系獲得工學博士學位，是國際知名的人工智慧研究員，美國電子電氣工程師學會（IEEE）、美國金融學會（AFA）會員。
《CCTV證券資訊》特邀嘉賓
《網易財經》特邀嘉賓
《第一財經日報》特約撰稿人
2001年底進入上海交通大學工作，在金融工程、金融數學領域深入研究多年，在國際頂級刊物和會議上發表過十餘篇學術文章，獲得國家發明專利5項。
2008年進入東方證券股份有限公司工作，從事量化投資研究，包括量化選股、量化擇時等研究。