金融量化策略范文

引言：寻求写作上的突破？我们特意为您精选了12篇金融量化策略范文，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。

篇1

水平型产业集群两化融合模式分析

水平型产业集群两化融合模式大致根据业务模式与运营模式来详细划分。在此基础上上也还可以再次细分。

业务模式分析

以市场开拓为主的业务模式。在水平型产业集群中，大多数企业都生产相同或相似产品，产品销路是最大问题。而网络营销、电子商务正好迎合中小企业开拓市场的需求。为此，在地方政府的支持下，一些服务机构建立了针对当地产业集群的电子商务平台，为产业集群内的中小企业开拓国内外市场提供市场信息、网络营销和电子商务服务。如中国搜丝网等。

以技术创新为主的业务模式。在水平型产业集群中，绝大多数企业都是中小企业。企业的技术研发力量一般都较弱，往往需要借助第三方力量来攻克技术难题，许多中小企业对公共技术平台有着强烈需求。在当地政府的推动下，为提升产业集群内的中小企业技术水平提供服务的一批中小企业公共技术平台应运而生，如顺德的华南家电研究院、三明的先进制造公共技术服务平台，澄海的玩具技术创新中心等。

以管理升级为主的业务模式。这种业务模式是指为产业集群内的中小企业提供管理软件在线应用服务。2008年国际金融危机以来，中小企业普遍暴露出管理不规范、管理手段落后等问题，亟待进行管理升级。中小企业缺信息化人才，又没有充裕的资金投资信息化。SaaS平台运营商将管理软件统一部署在服务器上，中小企业可以根据自己的实际需求，通过互联网应用管理软件。中小企业不需要购买管理软件，只需要支付少量的服务费，有效降低了中小企业的信息化门槛。

运营模式分析

面向中小企业的信息化公共服务平台是推进水平型产业集群两化融合的重要载体。从投资主体来看，水平型产业集群两化融合公共服务平台多数由地方政府出资，如大连市模具共性技术支持平台；有的由企业出资，如中国搜丝网；有的由科研院所出资，如顺德工业与信息技术研究中心。

从建设和运维方式来看，水平型产业集群两化融合公共服务平台分为自行建设和运维、委托建设和运维两种方式。对于政府部门投资的平台，一般由其下属事业单位负责建设和运维，如中小企业局下属的中小企业服务中心。对于企业和科研院所出资的平台，一般自行建设并自行运维，有的则把运维工作外包给专业机构。

从赢利模式来看，产业集群两化融合公共服务平台分为赢利性和非赢利性两类。绝大多数政府部门投资的平台，中小企业可以免费使用，收费的很少。而企业和科研院所出资的平台一般是赢利性的，收入来源包括广告费、会员费、增值服务费、交易佣金等。

水平型产业集群两化融合推进策略

通过对全国多个产业集群的实地调研以及对两化融合的深入研究，对如何推进水平型产业集群两化融合提出如下一些对策：

篇2

证券投资基金是一种特殊的投资方式，在实际的投资过程中，采用的是共同进行风险承担以及利益共享的方式，这一基金类型也被称为“证券基金”。证券投资基金作为一种投资工具，进入门槛低，服务专业，且积累性强，即使投资成本较低，也可将投资分散于不同证券，这样就极大的分散了投资风险。因此，正确投资基金得到了人们的广泛关注。

1 积极开发130/30等数量化投资模型

对国内从事证券基金投资业的基金公司等及时顺应金融形势，尽早开始研发130/30等科学有效的数量化投资产品，从而满足公司旗下众多投资者的投资需求。为了追赶世界先进的潮流，加快中国金融创新，从根本上增强国内基金业的企业竞争实力，研发130/30空头扩展模型等证券投资基金数量化投资模型势在必行。随着国内经济形势高速发展，金融市场形势亦是日新月异。目前，中国证券基金投资业中的卖空改革已经在逐渐开启，在此形势下，相关资产福利业也应抓紧时间，抓住机会，积极开发出符合中国国情和投资者实际需求的基金产品，抓紧研发空头扩展模型等数量化投资模型，以更好的顺应金融市场的发展趋势和实际需求。在数量化投资模型开发过程中，应该注意“拿来主义”，不能一味的照抄国外数量化投资模型，开发时首先要考虑实事求是，符合中国的相关法律法规以及中国金融市场的实际情况，做到既学习了外国的先进经验，又兼顾国内市场现实。从而开发出符合中国实际的数量化投资模型。现实中，130/30数量化投资模型只是众多数量化投资模型中的一种。

2 合理应用数量化投资策略

投资者及受理委托基金公司等资产管理者应用正确数量化投资策略进行投资，可分散减小风险，增加收益。并基于此进行更加科学高效拟合金融市场实际收益率模型和数量化投资策略的开发。基于数量化投资策略不断创新发觉全新投资策略的特点，伴随广大投资者针对这一投资机会的广泛追捧开发，此动量策略的存在的情况会逐渐消失，弱势有效这一中国股市缺失的状况会逐渐改变。数量化投资策略模型只是理想状况下的数字模型，在实际投资中投资者及基金管理者还应注意定期检验，不能生搬硬套模型及应用公式，应根据市场形势，谨慎研究确定投资策略，才能在金融趋势改变时有效规避风险，增加收益。在金融市场中，基金公司应根据市场环境及现实情况，基于相应合理化科学化的数量投资策略，基于数字化投资的有效性制定相应的投资策略，才能有效提高证券市场投资效率，规避风险，增强投资收益。同时应注意听取专业人员根据经验所得出的合理人工判断，拒绝照搬模型公式的错误做法，杜绝全部投资由模型决策，密切注意规避数量化投资策略的趋势改变、相似性及肥尾性。

3 开放卖空政策

国家政策对金融市场存在巨大影响。为了从根本上提高中国证券金融市场效率，对金融市场发展起到积极意义，国家政策要给予支持，譬如对卖空政策采取加大开放政策。如此才能逐渐改善中国证券市场卖空限制大，除指数基金外，其他投资者参与卖空所受禁锢较多，公募基金甚至不能参与卖空，信息表达不充分，远远没有达到弱势有效等诸多限制中国证券市场有效性的不完善方面政策开放属社会实验，对政策所针对方面的影响不言而喻。在政策制定方面目前国内的相应管理层做的还是很好的。譬如，根据当前形势，相应管理层便会制定并开始试行各种转融通业务。在这样的政策环境下，对广大证券金融公司而言，便可以通过相互之间的内部交流与合作的方式，将自身原有的或者通过各种合法途径募集而来的证券和资金进行出借，为需求方提供所需的资金和证券，帮助其更好的开展各种经营活动。 对广大证券基金类公司而言，可以通过此类活动，可有效整合金融市场资源，解决眼下难题。通过复杂严禁的实施设计方案，保证市场的良好发展。

4 降低融券费率

为了提高中国金融证券市场效率，缩短相应价格恢复平衡所需时间，提高中国金融资本市场的有效性，建议相关管理层采取积极措施，譬如对券商降低融券率的政策持鼓励态度。但在一定的条件下，130/30组合的收益率会出现极大的改变。例如，在融券费率处于10%和5%水平的时候，融券率会对130/30组合的收益率产生十分显著的影响。为了避免对中国证券市场的发展产生不好影响，相关管理层在制定政策时要注意规避券商间通过不顾成本盲目降低融券费率等不良手段抢占市场的恶意竞争。鼓励科学的正当竞争。目前国内金融市场中，各证券公司的融资利率基本相同，截至2013年3月19日，业务遍布全国的较大证券公司中，国信、国泰君安、广发、海通这四家公司年融券率和融资利率均为8.6%，相比之下，华安、上海、江海、华泰四家的融资利率虽然也达到同样的水平，但在融券率方面，却呈现出显著高于大证券公司的情况，达到10.6%。综上所述，小证券公司采用较高档，融券费率规模大的公司则采用相同的较低档，相比之下，大证券公司具备较大优势。若小证券公司要在激烈的金融市场竞争中站稳脚跟，建议其利用融券费率存在较大降低空间的优势制定相关政策。

5 结束语

综上所述，研究证券投资基金数量化投资战略决策，可帮助大家进一步提高对证券投资基金以及数量化投资相关问题的理解水平，了解130/30策略对基金业绩的影响，具有一定实践意义。

参考文献：

篇3

一、背景介绍

量化投资是金融领域相对前沿的一门学科，它强调将数学、物理、统计、计算机等数量的方法与投资结合赚取收益。在国外，量化投资已经有几十年的发展历史，但是在国内由于市场因素等方方面面的限制，该领域处于朝阳期，发展的机会巨大。目前狭义的量化投资包括追求股票中性收益的阿尔法对冲策略，追求高收益的期货策略（包括股指期货和商品期货策略），以及在国内市场尚未成型的做市场策略等。

二、量化投资理论阐述

（一）经典量化投资理论

阿尔法对冲策略的理论模型来自于CAPM模型以及APT模型，其基本思想就是选出具有正阿尔法收益的股票：将来自市场的贝塔风险对冲，最终获取阿尔法收益。具有阿尔法收益的股票在生活中随处可见，在大牛市中，如果前期涨的比较好的股票在之后也会有很好地表现，这样的股票具有动量因子；在超跌的行情中，前期跌的过于凶猛的股票在后期有比较好的表现，这样的股票具有反转因子；诺比尔经济学奖得主法玛和弗兰奇曾经发现小市值成长因子具有显著超额收益，并提出了著名的法玛弗兰奇三因子模型。阿尔法策略的核心一方面在于选取合适的数学模型，另一方面在于从投资的经验中寻找能够带来超额收益的因子。

阿尔法对冲策略在大牛市当中不及股票纯多头策略。以2015年上半年大牛市为例，阿尔法策略基本跑不赢指数；反之，一些比较抢眼的股票纯多头策略取得了100%以上的收益。但是在接下来的几次黑天鹅事件中，股票纯多头产品纷纷清盘，其中不乏一些大牛；但是比较稳定的阿尔法产品在市场大跌时净值依然在稳步上升。目前阿尔法对冲策略的压力来自于两方面，一方面由于投资者对市场的悲观情绪导致股指期货持续贴水，另一方面监管层对于股指期货的限制使得阿尔法策略开发者变得更加谨慎。但是鉴于其科学的方法和可靠的控制风险的能力，阿尔法策略的未来非常光明。目前国内阿尔法对冲策略的顶级私募包括尊嘉资产、宁聚资产、金锝资产等；公募阿尔法的权威包括富国量化基金经理李笑薇女士等。

期货多空策略主要包括股指期货与商品期货策略。期货的T+0的交易机制使得程序交易可以更为方便的进行。最基本的期货策略就是穿越均线策略，例如当期货上穿60分钟均线则认为其上升势头已经形成，进而做多；如果期货下穿60分钟均线，则认为其下降势头已经形成，平多头同时做空头。主观投资者的亏损很大一部分原因来自于交易缺乏纪律性，但是程序化期货成功的克服了交易者的这一行为金融学弊端。最直接的例子仍然是这次股灾，由于股市期货在股灾期间存在着明显的下行趋势，多数成熟的期货多空策略均发现这一下行趋势并多空。股灾期间股指期货多空策略赚得盆满钵满，但是某种程度上程序化交易也加重了市场的趋势效应。目前国内期货策略的顶级私募包括淘利资产、黑翼投资等。

做市场算法在国外是一个高速发展的领域，最为杰出的代表就是西蒙斯的文艺复兴基金。索罗斯、巴菲特为大家所熟知，但是西蒙斯这个名字就要低调得多。在过去十几年，文艺复兴基金获得了年化35%的收益。文艺复兴基金雇用了大量数学、物理、统计学博士，通过机器学习算法等，对市场上的微观交易行为进行细致的分析，以‘薅羊毛’的方式不断吸取收益。我们传统投资者很难捕捉交易当中微观交易结构，但是高频交易者可以从一系列的买卖竞价单中挖掘市场中的交易动态，发觉我们肉眼难以发现的蛛丝马迹。

（二）广义量化投资理论

更为广义的量化金融包括一切基于数量理论对金融市场的研究。万物皆数，学科相通，无数的智慧可以应用于金融市场。股市泡沫对于广大散户而言是一个虚无缥缈的事物，但是物理学中的模型却可以将股票泡沫以一个数量的形式呈现。LPPL模型，就是地球物理系中的对数周期性幂律模型，其创始人Sornette曾多次成功预言股灾的产生；刘淳等将贝叶斯方法应用于股市的变结构研究，并得出具有参考价值的理论：重大金融事件的发生往往会带来股市内在结构的变化；人类的智慧是相通的，现在化学、物理学、生物学、计算机科学、数学等学科的跨学科领域研究已经取得了重大进步，相信在将来金融学这一社会科学领域的学科将会越来越多的出现自然科学的身影。

目前国内金融市场正在逐渐走向大资管时代，越来越多的投资者会通过专业的投资者将资金投入市场。量化投资与传统主动投资乃是武侠中的“剑宗”与“气宗”，两者各有长短。在大资管时代两大流派将会各霸江山。巴菲特般股神将会不断创造着财富神话，西蒙斯般的科学达人们也会不断将人类的智慧充分的应用于金融市场；并且随着市场竞争的加剧，成熟的投资者将管控着更多的财富。未来如何风云剧变？我们拭目以待。

参考文献：

[1]EUGENE，F.“The Cross-Section of Expected Stock Returns.”The Journal of Finance，47.2 （1992）：427-465

[2] Sornette，Didier，Ryan Woodard，and Wei-Xing Zhou.“The 2006C2008 oil bubble：Evidence of speculation，and prediction.”PhysicaA：Statistical Mechanics and its Applications，388.8 （2009）：1571-1576

篇4

以分级基金为突破口　首战告捷

量化投资在股票市场的运用范围较广，包括金融工具设计、指数增强、市场中立阿尔法模型以及套利策略等多个方面。在反复比较、深思熟虑后，周毅选择将金融工具创新作为突破口。

周毅认为，相比于其他量化投资领域，金融工具与市场地域性特征关联度最低，因此移植性最强，成功概率越高，同时在中国市场相对比较欠缺。所有的金融工具中，在国外使用得最广泛的就是结构化。周毅首战试水分级基金。这是在当时法规允许范围内可实现的融资性结构化产品，其A类份额具有类固定收益特征，B类份额具有杠杆特征，满足3类投资者的需求。

截至今日，银华共推出了3只指数分级基金和一只股票型分级基金，包括银华深100（首只深100分级指基）、银华中证等权重90（首只等权重分级指基）、银华中证内地资源（首只投资主题指数的分级基金）和银华消费主题（首只主动管理的主题类分级基金）。据金牛理财网统计，这4只分级基金占据目前市场上分级基金规模的绝对优势，并且创造了多个第一：银华深100是上市首只首日出现双溢价的分级基金，也是目前场内规模最大的基金，约为150亿元左右；银华中证等权重90是第一个触阀值折算的分级基金，为所有分级产品的发展完善和风险控制，提供了可借鉴的宝贵经验。

看好中国量化投资“钱景”

不过，分级基金只是整个量化投资运用中金融工具设计的一部分，其发展的背景是目前国内衍生品缺乏的现状。周毅表示：“我们想做全方位的量化投资，包含量化投资的各个领域。”

2012年以来，银华的多只专户产品已经成功在A股市场上，综合运用以上两项策略。据记者了解，银华专户产品中，表现最好的账户年化收益（扣除各种费率后）大幅超越同期沪深300指数，波动率仅约为沪深300波动率的1/3。尽管受现有法规和交易平台限制，在美国运用的量化策略大多数无法在A股实现，但银华在专户对冲产品上的成功尝试，证明了在国内利用量化投资方法，可以获得绝对收益。而且随着各种限制的宽松化以及杠杆机制的引入，量化绝对收益产品可以拥有巨大的发展空间，中国式量化投资前景广阔。

志做国内旗舰量化团队

篇5

周毅认为，在中国量化对冲产品有着广泛的客户基础，投资者对这类产品的需求潜力很大。只要做好产品和策略，满足客户的投资需求，量化对冲产品将有十分广阔的发展空间，而且随着监管制度的变革以及金融工具的发展，量化对冲事业的春天已经到来。

4年精磨优秀团队

2010～2011年，周毅以分级基金作为量化投资的突破口，带领银华量化团队初战告捷。2012年，周毅向着量化投资本土化进一步迈进，这一年的目标是——从量化专户开始尝试绝对收益，团队先后建立了侧重阿尔法策略和套利策略的研究小组，在克服了高频交易限制、数据库不完善、集中交易制度、佣金费率等多方面约束的情况下，当年银华专户产品中表现最好的账户的年化收益率（扣除各种费率后）大幅超越同期沪深300指数，而波动率仅约为沪深300指数的1/3。

2013年，来自银行渠道的数据显示，银华基金管理的量化对冲专户扣除全部费用后的平均收益率达到12.65%，净值波动率却仅为沪深300指数的1/4，而夏普比率则高达1.95，创造了稳定的绝对收益。此时，银华的量化专户规模已超过10亿元。

“分级养量化”策略大获成功。金牛理财网的最新数据显示，截至3月6日，银华的分级基金场内规模达到234.56亿份，占市场规模的45.43%。今年以来的日均交易额近4亿元，占全市场的一半以上。与此同时，也为公司带来了非常可观的利润贡献。

成绩的取得与银华基金量化团队的打造密不可分。作为一名拥有15年从业经验的量化投资者，周毅深知，严格意义上的量化团队应该是一条流水线产业链，锻造这样的团队，绝非一朝之功，而靠“一笔钱挖一两个人”来建设量化团队也非长久之策，他立志要打造一个和国外一流对冲基金建制类似、水平相同的团队。

瞄准需求勇夺市场

在练好“金刚钻”的同时，2014年，信托业拐点也带给量化对冲更好的发展时机。周毅认为，信托与量化对冲，看似毫无相关性，但实际上面对的是同一类投资者——追求稳定回报的高净值客户。

“过去几年，信托做得非常好，刚性兑付带来了低风险下的高回报。投资者更热衷于信托产品，而对冲基金则相对显得冷门。”周毅说。而到了2014年，事情正在发生变化。对非标投资的控制让信托业走入瓶颈，2013年年底，信托发展所依赖的房地产业和矿业进入衰退周期，多只信托产品出现兑付危机，打破信托刚性兑付的呼声也越来越高，这意味着其投资属性正在改变。

周毅认为，面对这种趋势，未来可能有一部分投资者将从信托产品中脱离，转而选择新的投资方向，而对冲基金则恰恰能够满足此类客户的需求。此外，与信托产品的投资标的不同，量化对冲产品的投资主要基于二级市场，从市值披露和流动性来讲，更加透明，更加清晰。

然而，对于任何新兴的投资种类，要想取得投资者的信赖，需要的是过硬的管理业绩。银华基金便是凭借专户产品在过去3年持续优异的业绩表现，在市场上逐渐获得了追求稳健回报的投资者的认同。

银华量化对冲专户的优秀业绩表现源于其独门策略。周毅表示，国外有很多成熟的对冲策略模型，但要应用在A股的投资实践中，还需要很长的本土化过程和探索。3年来，银华的量化团队一直致力于探索适合A股的量化对冲策略和投资模型，并在实践中对其进行检验和不断完善。

具体而言，就是根据A股市场的特点，将理论上的阿尔法策略加以改造，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。

周毅表示，对冲投资策略程序一旦设定好，就像是一个冷静理性的基金经理，没有贪婪和恐惧等情绪。投资在这种情况下变成流水线，它可能做不到最好，但从质量稳定性角度来看，它就是最优的选择。量化投资可能产生不了历史上最棒的基金经理，但确实是一种回报稳定的投资方式。

机制创新预示对冲“春来到”

周毅认为，对冲基金在国外已经发展成为一个成熟的投资领域，整个市场的有效性比较高，同时有大量的金融工具可以使用。投资组合中的任何一种风险，都可以找到对应的衍生工具进行对冲，有很多种工具能够精准地满足客户对风险收益的要求。但在国内，A股市场的融资融券成本过高，衍生品起步相对较晚，可用的对冲工具也非常少，这些都制约着对冲基金的发展。

例如目前A股能够用来对冲系统性风险的工具只有沪深300股指期货，在操作中，只能通过放空沪深300股指期货来对冲组合风险。这就意味着，应用这种策略的组合在市场呈现大蓝筹股单边牛市的情况下投资难度较大，这也是量化投资能够在2013年的结构性行情（创业板、中小板表现明显好于主板）中表现优异的客观原因。此外，对冲工具的匮乏也制约着对冲基金规模的发展，周毅测算，仅就目前的投资标的而言，银华团队可以有效管理的量化对冲基金规模极限或为50多亿元，而单只对冲基金的理想规模大约是5亿元左右。

篇6

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。

篇7

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.

篇8

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。

篇9

世界首家基于社交媒体Twitter的对冲基金Derwent Capital Markets创始人保罗・赫汀（Paul Hawtin）曾说：“长期以来，投资者已经广泛地认可金融市场由恐惧和贪婪驱使，但我们从未有一种技术或数据来量化人们的情感。”

一直被金融市场非理性举动所困惑的投资者，现在终于有了一扇可以了解心灵世界的门户――“南方新浪财经大数据策略指数”，在大数据时代，行为金融理论终于可以在投资领域有了更具操作性的应用。

据了解，2013年底，南方基金即与新浪财经讨论双方在上述领域合作的可能性并达成合作意向，拟充分挖掘双方在各自领域的专业优势，在股票量化研究及合作开发指数方面展开方向性合作。

新浪财经作为国内领先的财经数据平台，其股票频道、财经新闻、股吧论坛、尤其是新浪微博相关财经账号，对上市公司有着更及时全面的资讯覆盖、其财经数据的互动信息来自专业的投资者，较普通的互联网媒体有着更具有价值的信息。其体现的市场情绪变化涵盖了宏观经济、行业动向、个股关注、财经新闻报道曝光度、股票论坛用户参与度，全方位地展现了投资者与股票间的互动情况，隐含了海量的投资辅助信息。

“互联网经济造就了大数据时代，唯有那些在数据获取、形成洞察力和将洞察力转化为行动方面表现优秀的企业才能有持续的绩效表现，基于此，我们选择了在此领域积累了资深经验的南方基金合作。”新浪网副总编辑、财经中心总监邓庆旭表示。

南方基金数量化投资部总监刘治平介绍道，从目前国内量化投资现状来看，传统的基于财务数据、估值成长因子、技术指标因子的多因子模型研究框架已经非常成熟，越来越难以获得超额收益，因此近几年新闻事件、公司事件对于股价的影响成为量化投资者研究热点，但传统的量化投资者由于数据获取局限，研究更多的止于事件本身对于股价的影响，数据量极其有限，对于新闻事件所带来的互动信息数据研究更是严重缺位。

南方基金数量化投资部资深研究员雷俊表示，前期南方数量化投资部通过对财经大数据的分析，发现追踪市场热点变化，结合南方量化研究成果，挑选出更具有投资价值股票作为投资组合，日前已经完成了综合宽基指数、主题行业指数的历史模拟业绩测算。内部测算结果显示，该指数具有较好的市场代表性、收益性和流动性。

打造互联网金融版图新坐标

互联网金融创新浪潮来袭，其对基金业的影响最初体现在销售层面。余额宝的成功让基金公司开始跟风，热衷于包装各类“宝宝”。事实上，互联网的价值并非仅仅体现在用户的购买行为上，南方基金以敏锐的视角将眼光投向了互联网平台之下的宝藏――大数据应用。

南方基金新闻发言人、董秘常克川表示，公司自去年便组织相关部门研讨，如何更深度地将互联网行业信息优势与传统金融机构的研发优势相结合这一新的课题，南方新浪财经大数据策略指数的推出将填补国内在互联网大数据投资应用领域的空白。“公司未来或将开发跟踪该类指数的系列基金产品，为基金投资者提供多元化、专业化的投资工具，不遗余力地为客户捕捉市场机会，创造价值。”

篇10

【关键词】

量化宽松；低利率；进出口贸易；流动性

1 量化宽松货币政策概述

1.1 量化宽松货币政策的概念

简单地说，量化宽松就是一种货币政策，央行通过公开市场操作来增加货币供给，是指政府发行固定金额的货币，也可简单地认为是间接地增发钞票，央行通过公开市场操作买入国债和证券等手段，导致中央银行的各商业银行的结算户头的资金增加，为银行体系创造了新的流动性。

1.2 量化宽松货币政策的原理

在一般情况下，央行降息将引发一系列资产替代行为，从而产生了普遍下降的证券收益率。但是，在经济低迷时期，时常会出现很低甚至为零的短期名义利率，短期名义利率已经无法再降低了，上述作用机制也许会失效，陷入所谓的“流动性陷阱”。然而，货币政策并不会就此丧失作用。不少研究指出，即使短期名义利率为零，货币政策的作用仍然至关重要，而且其作用是不可推卸的，量化宽松政策就是选择之一。

1.3 美国量化宽松货币政策的措施

美国在这次金融危机以来总共进行了两次量化宽松货币政策。

第一次量化宽松政策： 2008年9月，雷曼兄弟倒闭后，美联储就急忙制定了量化宽松政策。在接下来的三个月中，美联储发行了多过一万亿美元的储备，主要是通过直接购买其附属机构的抵押贷款支持证券。

第二次量化宽松政策：2010年11月3日，为了进一步刺激美国经济的复苏，美联储宣布实行第二次量化宽松货币政策，截止2011年6月底，购买6000亿美元的美国长期国债。

2009年3月到2010年11月，在美联储持有大量国债，以及公开市场操作受到限制的情况下，美国政府不断采取多种量化宽松手段来对付国内的经济危机。

2 美国量化宽松政策对我国的影响

2.1 使得我国的外汇储备缩水严重

我国是美国最大的债权国，其实施宽松货币政策一定会导致美元的大幅贬值，从而使得中国的财产大幅缩水。2011年3月，美国财政部公布的数据，在2010年6月，我国持有的美国国债数量已突破万亿，到2010年末增加到了1.16万亿美元，占外汇储备的40.74%。美国推行第二次量化宽松政策以来，人民币相对于美元不断升值，导致外汇储备的购买力因不断缩水而下降。

2.2 对我国外贸出口影响巨大

首先由于美元贬值就意味着人民币的相对升值，国内出口产品的价格就变得昂贵，导致了出口量的减少；另外由于美国实行的是宽松货币政策，美国国内美元供给会超过需求，就会导致过多的美元追逐不足的商品，这又会导致美国国内物价上升，我们国家拿着已经贬值的美元进口比原来要贵的商品，这势必也会导致我国进口的减少。综合上面两个分析我们还不能得出到底是出现了经常账户的顺差还是逆差，但是我们要知道我国是个对外贸易依存度极高的国家，那么不难得到这种变化会导致我国经济的萎靡。

2.3 引起大宗商品价格上升

当我们看到美国宣布实施量化货币宽松政策的时候，以美元计价的大宗商品价格已经上涨了。2010年11月4日，在世界大宗商品市场中，美国黄金期货价格盘中最高涨幅3.4%，已接近1400美元大关；原油价格大涨，纽约商品交易所12月份轻质原油期货价格逼近87美元，涨幅约3%；大豆、玉米和铜、铝、锡、镍等金属涨幅明显。

2.4 会使中国通货膨胀压力加大

现在美国的货币宽松政策只是给美国经济打的一只强心剂，由于现在美国市场上坏账的不断增加，为了保证金融市场的流动性，美国就要不断地发行货币，而一旦美国金融市场趋于稳定，到时候超发的这些货币的坏处立马显现出来，由于市场上有过度的货币，立马就会有现在的通货紧缩变成通货膨胀，到时候又是新一轮的金融危机席卷全球，我国也不可避免地会受其影响。

3 美国量化宽松货币政策下我国的应对策略

3.1 增强监管国际资本流动

鉴于美国采取了量化宽松的货币政策，我国可能会涌入大量资金，因此，我国加强监管外汇的流入和流出，增强对流入我国的热钱的目标、路径和形式的评估和分析的力度，加强富有针对性和有效性的应对措施，从而有效地控制热钱流入。由于加息，我国的利差已处于有史以来的至高点，表现不错的经济以及具有升值预期的人民币，显著地加大了对资本进行监管的难度。

3.2 探求安全和利益的均衡，实行外汇储备多元化

美国量化宽松政策，不仅提高了我国对未来外汇储备管理的难度，也进一步增加了风险。因此，迫在眉睫的是创新外汇储备的管理方式以及分散外汇储备投资。对于美元以后的贬值必须保持相当的警觉，既要加大资产结构的调整力度，又要加大购买海外资产，从而扩大直接投资。在使我国持有美国国债数量保持基本稳定的前提下，进一步扩展外汇储备增量的使用范围，主动调节国债的期限结构，提防利率波动风险。

3.3 人民币“盯美元，稳汇率”

既然主动的“低廉美元”政策是量化宽松政策，那么被动的“低廉人民币”政策就是人民币重新盯住美元。此外，我国可以考虑转换汇率制度，将参考一篮子货币的制度逐渐转变为盯住一篮子货币，使升值幅度相对平稳，稳定人民币汇率，减轻美国量化宽松政策对人民币产生的升值压力将受益于这个制度转换的完成。

综上所述，量化宽松政策先不管它到底管不管用，就算是管用也只是暂时缓解了眼下的问题，但这也只是治标不治本的。在中国货币与国际货币紧密相连的今天，美国的量化宽松政策必然会导致中国政府丧失一部分货币政策的自主性。这进一步地督促了中国应适时地进行金融体制改革，同时丰富国家宏观调控的方式，加大金融监管和调控的力度。

【参考文献】

[1]潘成夫，“论美联储量化宽松的退出策略”，《农村金融研究》，2009年07期。

[2]张晓军，赵璧，“量化宽松政策是损人不利己的“毒药””，《财会研究》，2010年22期。

篇11

刘钊：量化投资的主要特点是买入、卖出股票，不再是由人的主观判断做出决定，而是由量化模型决定。量化投资是一套科学的方法，有严格的分析、计算，什么好什么不好，不是我们自己说了算，是数据和模型说了算。即使是简单的低市盈率投资方法，只要能严格执行，就能取得超额收益。

记者：排除了人为主观情绪的影响，但由量化模型控制的量化投资基金的收益会如何呢？

刘钊：我们可以看看美国最成功的量化投资大师――詹姆斯・西蒙斯管理的大奖章基金，在1989年―2006年的17年间，大奖章基金平均年收益率达38.5%，而股神巴菲特过去20年的平均年回报率也不过20%。正是鉴于量化投资的巨大威力，摩根士丹利华鑫基金公司经过两年的精心准备，推出了国内真正意义上的量化投资基金――大摩华鑫多因子基金。

记者：量化投资的成败，关键在哪里？

刘钊：普通投资者买卖股票，主要是基于政策、基本面、市场、技术等各种信息和经验来做出交易决定，这些因素属于主观判断，而且往往容易受到情绪的影响。量化投资是将投资思路通过设定的指标、参数体现在量化模型上，通过计算机系统自动买卖股票，因此，量化投资的关键点就在于建立一个好的量化模型。

记者：量化投资和价值投资冲突吗？

刘钊：说到投资，大家首先想到的是巴菲特的价值投资，从长期的历史实践看，价值投资确实比较有效，量化投资也可以建立价值投资类的模型。

举例来说，衡量价值投资的最重要指标是低市盈率，如果以市盈率为标准来建模，以2005年5月为时间点，按市盈率对所有上市公司排序，再按市值比例模拟买入市盈率最低的100只股票，第二年5月，重新计算市盈率最低的100只股票，并调整组合，如此重复，每年调整一次仓位。得到的结果是，从2005年5月至2010年5月，沪深300指数的年化收益率为25.4%，同期量化建模的低市盈率策略基金的年化收益率达到29.46%，与沪深300指数相比，低市盈率策略基金的超额收益为4.06%。以此为基础，再以预期市盈率为基础建立一个模型，并模拟买入当年预期市盈率最低的100只股票，量化模型的年化收益率有36.51%。

记者：大摩华鑫的量化投资模型有何成功之处？

篇12

1前言

随着我国股市体制改革，股票市场迅猛发展，股票投资新增账户和新股扩张飞速，截止到2015年7月，股票账户数已经突破2亿，两市A股约有多2700多只股票，并推行多种利好政策逐步为股票投资者铺平了道路。在牛短熊长的中国股票市场，众多依赖传统方法进行投资的投资者往往会损失惨重，此时利用量化投资策略以寻求较为稳定超额收益的投资方法愈来愈受到投资者青睐，其中尤其是超额收益Alpha量化投资策略广为受到关注。

2量化投资与超额收益Alpha投资策略

量化投资就是通过收集整理现有已发生的大量数据，并利用数学、统计学、信息技术建立数学模型对收集到的数据进行分析研究，从而构建最优投资组合以获得超额收益。简而言之，它是一个将传统投资理念、风险、收益等进行量化并付诸实现的过程。在国内量化投资起步较晚，但随着国内金融市场的不断对外开放并与国际接轨，在国际上较为盛行的金融研究技术也逐步在国内铺展开来，但目前投资策略的系统化研究仍是我国量化投资长远发展的薄弱之处。因此，更加系统的投资策略研究和实践成为当下迫切的需求。系统投资策略及组合能推动量化投资的快速发展，对中国金融生态系统的良性循环起到积极的作用。

所谓超额收益Alpha指的就是实际收益率中高于对应的预期收益率的超额收益部分，严格地来讲，超额收益Alpha是用来衡量一个在风险调整下由投资所产生的“主动收益”。超额收益Alpha量化投资策略主要来源于CAPM模型，在CAPM模型中，投资组合的收益率等于无风险利率加上风险溢价，只有承担更多的风险才能获得更高的收益。资产的收益主要取决于β值，β值越高，期望收益相对越高，β值越低，期望收益相对越低。

在CAPM模型的基础上，超额收益Alpha常被用来衡量基金的业绩，具体公式如下：α=HPR-Rf-βi[E（Rm）-Rf]。

其中HPR为持有期实际收益率，在众多的投资实践操作中已经得到证明，当选择股票投资组合适当时，股票基金能够获得高于市场平均水准的超额回报。随着资产市场的发展与成熟，超额收益的理念被广泛接受，从而促使愈来愈多的投资者采取投资组合主动管理的方式来获取超额收益，与之相关的策略称之为超额收益Alpha策略。

3双因子模型量化投资策略

不同的具有投资价值的因子（包括盈利性、估值、现金流、成长性、资产配置、价格动量和危险信号等类别）组合便构成了不同的因子模型，如单因子模型、双因子模型以及多因子模型等，其中单因子模型具有不可靠性且多因子模型建模较为复杂，双因子模型则以较高的可靠性且操作较为简便而受到重视。双因子模型典型的有盈利性和估值、成长性和估值、估值和价格动量、现金流和估值、估值和估值、盈利性和盈利性、盈利性和价格动量、估值和资产配置以及估值和危险信号等，其中盈利性和估值、成长性和估值、估值和价格动量和现金流和估值四种双因子模型效果最强。

3.1盈利性和估值

盈利性和估值是两个具有较强投资价值的因子，且两者在一定程度上相互孤立，盈利性用来衡量基本面，决定了公司资源的质量，而估值则是与市场因素（价格）相结合的基本因子，确定了投资者为这些资源必须付出的价格，这两个因子不论以什么顺序组合都是有效的。盈利性因子具有较好的普适性，能产生显著收益，具有良好的一致性和低波动性。

在众多的能反映盈利性和估值的因子中，可以选取进行自由组合从而构建双因子模型。其中由现金流价格比和现金投入资本回报率、企业价值倍数与投入资本回报率、市净率和经济利润、净资产收益率和市净率、投入资本回报率和市销率、现金投入资本回报率和市销率、现金投入资本回报率和价格资本、自由现金流加股息和净资产收益率以及市净率和经营性现金流比股东权益等组合最为常用。

3.2成长性和估值

所谓成长性是指公司收入或现金流产生能力的增加。分析成长性的目的在于观察企业在一定时期内的经营能力发展状况。成长性比率是衡量公司发展速度的重要指标，也是比率分析法中经常使用的重要比率。在成长性因子与估值因子结合时，估值因子则是确保投资者不会为公司的增长付出过高的价格，从而得到合理价格增长策略。

3.3估值与价格动量

投资者情绪对股价走势产生重要影响，而价格动量在一定程度上反映了投资者情绪。动量就是一种专门研究股价波动的技术分析指标，它以分析股价波动的速度为目的，研究股价在波动过程中加减速与惯性作用以及股价动静相互转换的现象。动量指数的理论基础是价格和供需量的关系，如果股票的价格动量为正，说明需求超过了供给，投资者情绪会变得更加积极。如果股价的价格动量为负，则表明供给超过了需求，投资者悲观态度会占据上风，转向看跌，估值倍数则有可能降低。因此价格动量因子常用于衡量投资者情绪和作出投资时机决策的重要工具。估值因子能反应股票的价格高低，但不能解释股票价格高低的根本原因。当估值因子与价格动量因子相结合时，能更好解释股票价格变化，弥补了估值因子不足之处。

3.4现金流和估值

在投资策略研究中的现金流指的是经营活动中的现金流，融资投资等活动产生的现金流不包括在内。现金流能反映公司盈利的真实性。当然单独使用现金流因子的投资策略有时候会失效，但与估值因子结合，能避免分析失效现象的发生。现金流因子能遴选出产生大量盈余现金的公司，而估值因子则确保投资者不会现金生成能力支付过高的价格。

4结后语