时间:2023-05-25 10:42:55
引言:寻求写作上的突破?我们特意为您精选了4篇量化投资与分析范文,希望这些范文能够成为您写作时的参考,帮助您的文章更加丰富和深入。
我国现行的招投标资格预审主要是种定性的考察、筛选做出投标人优劣的判断。如何根据对投标人提供的资格预审文件,从定性研究转化为一种定量的分析,对招标人和投标人都是有好处的。它既可以避免以往对投标人的资格预审不合理,又可以使招投标资格预审更具科学合理性和公正性。如果要用科学合理的定量分析投标人优劣的情况,就必须设计与之相配套的科学的评价方法。
基于上述考虑,本文所阐述的量化评价法就是为招标人进行招投标资格预审所设计的,尤其是对于一般性技术要求不高、结构不复杂的建设工程项目,采用量化评价法进行招投标资格预审就比传统的定性评价显得更加科学、简单、快捷。
二、量化评价法
没有量化的资格预审方法是不能称其为标准的。笔者结合我国大多数招标人在工程项目招标的成功经验,提出采用量化评价法确定通过资格预审的投标人的评价方法。量化评价法的招投标资格预审方法适用于技术难度不高、工艺较简单的工程项目招投标的资格预审。招标人根据工程自身实际需要,对投标人的各项信息根据预先设量化好的分值,得出投标人资格预审文件分值的排序。
量化评价法的评分项目共四项,总分100分,四项得分相加即为投标人资格预审的总得分,若投标人总分相同,则同时入围参与投标过程的竟标过程。对于各投标单位的参与资格预审的评分细则现以评分表形式列出,如表1所示。
采用量化评价法由招标人预先制定供投标人使用的资格预审文件,并在资格预审书中告知,对投标人某些相关信息进行量化的评分,并最终根据资格预审的得分排名择优合格的投标人。
运用量化评价法科学的引导投标企业健康的发展,对于招标人也可以在经过长期积累后形成自己的投标企业资格预审合格库。对于那些被招标人认可的投标企业和项目经理免于进行重复审查。投标人参与投标过程中,若投标人已进入招标人的资格预审合格库中,则可直接参与投标过程。若投标人有违反或其他不良行为,则招标人可立即将其从资格中直接删除。
此外,运用量化评价法对投标人参与资格预审时的假借资质、人员、资料弄虚作假等行为,招标人可通过下述方式处理:
第一,要求投标人提供参与招标阶段的保函,同时递交资格预审保证金,以便对投标人在招标阶段的不良行为做出经济处罚。而通过递交资格预审保证金,也可以削弱乱借资质的行为,招标人只需对资格预审保证金的汇款方限定为投标人即可。
第二,对于项目负责人所从事企业的认定可通过多方面适当的途径来获得。实际中有些项目负责人同时从事于不同的企业也是事实存在的,因此,招标人可要求投标人提供拟参与该项目的项目负责人及项目机构人员的社会保险资料,利用我国劳动法规定的“用人单位必须与劳动者签订劳动用工合同”,“必须为企业员工缴纳各类规定社会保险”等条款,为规范“借资”、“挂壳”等投机行为提供有力的辨别方式。
第三,完善对于投标人递交资格预审资料中关于企业或者项目负责人从事过以往工程的业绩材料及相关资质证书的核查。建设行政主管部门应做好备案的工作,确保招标人进行项目招标时可以顺利判断投标人对本工程所提供资料的真实性、准确性,杜绝一个项目机构同时服务于若干不同招标人。对于证件造假弄虚作假,行政主管部门应建立电子信息IC卡制度,并录入数据库黑名单。
三、量化评价法应用于实际的案例分析
某项目招标公告简要信息如下:
1.招标人单位名称公开招标的XX工程(项目名称)已经由该市发展和改革委员会批准建设。工程所需资金来源现已落实。现邀请合格的投标人参加本工程的资格预审。
2.工程概况:
(1)工程规模:XXX城市快速路工程,本道路规划为城市A级道路,道路总长约2000米,规划路宽50米,该工程主要包括道路、桥梁及道路以下综合管线等工程。工程总投资约4000万元。
(2)计划开、竣工时间:XXXX年X月至XXXX年X月。
3.本招标工程不分标段,每位申请人可申请参与该工程的资格预审。
4.申请人应当具备的主要资格条件
(1)申请人资质类别和等级:主项市政公用工程施工总承包贰级及贰级以上资质。
(2)拟选派项目经理的资质等级:市政公用工程贰级以上资质。
(3)企业业绩:有过同类道路工程施工业绩。
(4)项目经理业绩:有过同类道路工程施工业绩。
配合本工程招标公告的资格预审文件要求投标人提供该企业上一年度财务报表、该企业准备投入本项目管理人员的名单附职称证明,并要求投标人提供本企业获IS09000证书或提供本企业获地市级工商管理局重合同守信誉证书或本企业在银行获得的资信等级证书(以上证书非必须提供)。招标人在资格预审文件中规定了对投标人采用资格预审量化评价法择优选择排名前60%的投标人为合格投标人。投标人的各项信息得分以表1为评分标准。
最终参与本工程有9名投标人参与本工程的资格预审,经汇总将9名投标人情况表如表2所示。
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。
对年轻的A股市场来说,量化投资还是一个新概念。而在国外,定量投资已经走过了近40年的道路,其中的标杆人物正是著名的詹姆斯・西蒙斯(James Simons)。
量化投资的神秘故事
文艺复兴科技公司(Renaissance Technologies)的詹姆斯・西蒙斯(James Simons)是华尔街最成功的对冲基金经理之一。他所管理的大奖章基金对冲基金,从1989年到2006年的17年间,平均年收益率达到了38.5%,而股神巴菲特过去20年的平均年回报率为20%。其20年来年均35%的傲人业绩大幅超过了巴菲特。
然而,颇具神秘色彩的西蒙斯对其投资方法刻意保密。迄今为止人们只知道,他的大奖章基金的赚钱方法是:针对不同市场设计数量化的投资管理模型,并在全球各种市场上进行短线交易。而为了让这些“模型”始终处于绝密状态,西蒙斯甚至不惜代价对那些离职创业的员工强硬地提讼。但实际上,数量化投资的背后并不是神秘而不可知的。数量化投资本身有一套规范而透明的做法,并采用科学、公正而理性的方法对市场进行研究并制定适应市场状况的投资模型和投资策略,并不断进行调整和优化。
其实,数量化投资不是黑盒子,也不是神秘主义,更不是一个战无不胜的秘笈。数量化投资不是靠一个投资模型就能一劳永逸地去赚钱,而且也不是使用一个模型就能解决一切问题,更不是一个模型就能胜任任何市场状况。数量化投资模型只是一种工具,数量化投资的成功与否在于使用这种数量化工具的投资者是否真正掌握了数量化投资。同时,数量化投资模型都必须经历不断的跟踪检验、优化、实证等等过程。数量化投资是一个不断改进的过程,数量化投资中最重要的就是投资者的投资思想,包括对投资的理解、理念、经验,所以模型都是建立在这些投资思想上的。量化只是一种方式和工具,正是采用这种工具和方法来获取经验或者检验经验。
有效规避传统投资短板
人脑在思考问题的时候所能考虑到的因素总是有限的,那么决策的广度肯定是不足的。从选股上来看也有这种问题,每个分析师所能跟踪的股票数量也有限制,不可能看太多的股票,这是传统投资的短板。当然,传统的主动投资方法在决策深度上是有优势的,因为可以把基本面研究做得很深入,从而弥补决策广度的不足,这也是决定成败的关键。信息多,信息快,这是当今资本市场的一大特点。市场中信息的传递速度非常快,而且众多分析师对基本面数据进行不断的挖掘,虽然对个股有深入的分析,但是仍然越来越难以弥补决策广度的不足。
另外,或许有的投资者对市场的预测能力非常不错,从理论上说可以获得很好的超额收益(特别是很多事后看来确实预测准确的情况),但现实中收益常常被投资者主观认知上的情绪化波动侵蚀掉。比如说,大多数投资者可能有自己的判断,但是市场短期的表现可能与其判断相左。这个时候,投资者可能会受市场表现的影响而很容易怀疑自己的判断,此时大多数投资者宁愿相信羊群效应―追涨杀跌。
因此,传统定性投资的短板大致在于我们思考的范围总是有限的、较难以处理信息量多而快的问题、难以避免自身的投资情绪等等,这些都将最终影响到投资者的投资收益状况。然而,科学、公正、客观而理性的数量化投资策略却可以规避这些传统主动型投资策略的短板。
量化技术的五大优势
数量化投资与传统的定性投资方法相比,相同点是,二者都致力于建立战胜市场、产生超额收益的投资组合;不同点是,传统的定性投资方法侧重对上市公司的调研、基金经理个人的经验及其对市场的主观判断,而量化投资管理则更加强调数据的分析和应用,以先进的数学统计技术和模型替代人为主观判断。所以,与传统的定性分析方法相比,数量化投资方法能更为理性、客观地分析和筛选股票,避免投资的盲目性和偶然性,以及主观认识的局限性,它能更有效地控制非系统性风险及一些人为因素导致的风险。定量投资管理将定性思想与定量规律进行量化应用,具有如下五大方面的优势:
纪律性:严格执行数量化投资模型所给出的投资建议,而不是随着投资者情绪的变化而随意更改。纪律性的好处很多,可以克服人性的弱点,如贪婪、恐惧、侥幸心理;也可以克服认知偏差,行为金融理论在这方面有许多论述;纪律化的另外一个好处是可以跟踪和修正。定量投资作为一种定性思想的理性应用,客观地在组合中去体现这样的组合思想。一个好的投资方法应该是一个“透明的盒子”,而不是“黑盒子”。每一个决策都是有理有据的,无论是股票的选择,行业选择,还是大类资产的配置等等,都是有数据支持、模型支持及实证检验的。
系统性:数量化投资的系统性特征主要包括多层次的量化模型、多角度的观察及海量数据的观察等等。多层次模型主要包括大类资产配置模型、行业选择模型、精选个股模型等等。多角度观察主要包括对宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等多个角度的分析。定量投资的系统性还有一方面就是数据多,即要对海量数据进行处理。人脑处理信息的能力是有限的,当一个资本市场只有100只股票,这对定性投资基金经理来说是有优势的,他可以深刻分析这100家公司,这可以表现出定性基金经理深度研究的优势。但在一个很大的资本市场,比如有成千上万只股票的时候,强大的定量投资的信息处理能力能反映它的优势,能捕捉更多的投资机会,拓展更大的投资机会。
及时性:及时快速地跟踪市场变化,不断发现能够提供超额收益的新的统计模型,寻找新的交易机会。
(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[4]。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。[5]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。
二、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。