量化交易策略的研究范文

引言：寻求写作上的突破？我们特意为您精选了12篇量化交易策略的研究范文，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

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。追求显着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

篇2

而在国内，量化基金正处于起步阶段，国内对于量化投资策略的研究较少。笔者以量化投资平台上自主开发的策略代码为例，通过对代码的编写优化及检验回测，使读者了解到量化投资的可操作性和高回报性。

1 量化投资策略概述

量化投资是计算机通过开发者编写的程序来进行分析以及交易整个的品种选择、交易时机、交易方向以及仓位管理都是通过计算机完成。它避免了投资者个人的情绪影响，完全自动化操作，和如今的工业2.0类似。一个稳定的量化投资策略往往可以胜任一位投资者的多种操作策略，尤其在风险管理上量化投资更胜一筹。

国内的主流量化交易平台有文华赢智、TB、金字塔决策交易系统和国泰安量化投资平台等。国内的量化交易平台繁多，而与海外动辄数百上千亿美元的量化基金相比，国内目前量化产品规模总体不大，而严格遵循量化投资理念的基金更少。并且A股市场发展时间较短，与发达国家比起来市场效率低太多，所以A股有很大的市场空间和盈利机会。本文以程序化实现简单、性价比高等特点的文华赢智为程序化交易平台为例，为防止成果泄露，以上证指数为模型进行探究。

首先，笔者先阐述如何建立一个量化投资策略。

（1）交易思路的确立。不仅仅是量化投资，就算是普通的投资者也需要一套自己的交易体系。赚不到钱，赔钱，一直观望，总之，所有交易中的不幸都可以归咎于没有一套自己的交易系统或者自己的交易系统有问题。

（2）将思路编写成投资策略。这一项是量化投资的关键，如何将自己的投资思路转变为?C器代码，首先是由你所在的交易平台所搭建的语言决定的，例如文华赢智就是使用的比较简单的麦语言。其次需要对使用的技术指标进行组合搭建，编写出可运行的代码。

（3）在计算机上进行回测，选取最优目标组合和参数。技术指标的参数设置往往决定了整个交易系统的成败，一点点小的误差往往会导致千差万别的结果。笔者格外强调资金管理是投资体系中非常重要的部分，却是大多数投资者忽略的环节，这需要读者进行不断学习研究。

（4）进行实盘操作，在操作中不断完善投资策略，评价该交易代码。评价程序化交易模型性能优劣的指标体系包含很多测试项目，但主要评价指标有年化收益率、最大资产回撤、收益风险比、夏普比率、胜率与盈亏比等。在下文中笔者将对这些评价指标进行分析。

2 量化投资策略代码分析：以文华赢智交易平台为例

在文华赢智中，进入趋势模型跟踪编写平台，利用麦语言中已存在的函数进行编写，现笔者将自行编写的其中的一个策略代码贴出：

MA1：=MA（C，N1）；//多头均线

RSV：=（CLOSE-LLV（LOW，N））/（HHV（HIGH，N）-LLV（LOW，N））×100；//收盘价与N周期最低值做差，N周期最高值与N周期最低值做差，两差之间做比值定义为RSV

K：=EMA（RSV，2×M1-1）；//RSV的指数移动平均

D：=EMA（K，2×M2-1）；//K值的指数移动平均

C>MA1 AND CROSS（K，D）；//MA1均线上方，KD金叉，买入

CROSS（D，K）；//KD死叉卖出平仓

参数设置：[N1=10，N=44，M1=M2=27]

笔者需要对参数的设置进行重点提醒。测试参数的不同会对测试结果产生非常大的影响，对于参数的精确设置影响到交易模型的可行与否。

这其中，笔者进行的是顺势交易的代码编写。顺势交易，是顺着当前的趋势进行交易。如果当前趋势上升就买入开仓，当前趋势下跌就卖出开仓。为了防止恶意做空，本策略只进行多头行情的研究，空头行情并没有叠加进来，所以收益率要比双向行情要低。

下面对此策略代码进行回溯。对交易模型的测试结果是否满意主要与品种、时间、手续费费率有关。不同的品种相同的策略有不同的结果，测试的品种越多，越能检验出策略模型的适用性。在时间上，如果所采用的历史数据越少、时间跨度越短，测试的市场状况就越狭窄，策略的可靠性就越差，反之亦然。手续费费率的影响就不用多提，但是有关滑点的问题也是策略需要多加研究的方面。

交易人员最关注的是策略到底能否盈利，能赚多少。交易的盈亏额能完全反映这一点。在如下的季度统计图和年度统计图中可以看出从2009年8月到2014年11月各有盈亏，比较温和，总体的波动幅度并不大。而从2014年11月开始，出现了一直盈利并且幅度较大的状况，尤其是2016年年初的季度，最高的盈利额达到了110354元，这比2014年前总的盈利还要多。而从2016年第一季度后出现了亏损，但是幅度并不大，而后又出现了盈利的情况。该策略在该时间段是盈利的，符合模型最基本的要求，季度统计图和年统计图如图1所示。

交易者在一个策略中拥有的资产总和也是其关注的重点。假如交易者所用的权益小于某一理想的数值，他可能会停止该策略的继续进行，这也是我们常说的回撤问题。在如下的权益曲线图中，交易者的权益几乎是一直递增，并且在2014年年末后斜率变大，由此我们可以得出使用该策略几乎不存在回撤问题，对于交易者的心态有着积极的作用。权益曲线图如图2所示。

每次交易的盈亏额也是交易者关注的问题，如果亏损数量过大，再加上杠杆的作用，可能就会出现爆仓的问题。首先说明，此回溯并没有加进杠杆因素，国内保证金按保守20%计算，也就是5倍杠杆，虽然不太大，可是影响还是有的。在如下的盈亏分布图中，可以看出最大的一笔亏损出现在第500次左右交易时，亏损额为27523，而最大的盈利额也是出现在附近，盈利为32916，看来这附近的波动很大，应该有政策因素在内的影响。该策略总体来说单次盈亏额波动并不大，比较稳健。盈亏分布图如图3所示。

只有图表并不能准确地反映出策略的完全可行性，下面将此策略的测算报告给予公布。

我们从测算报告中可以很容易得出此策略一共测试了2772天，无杠杆收益率为六年50%，而且只是多头策略。而自2017年2月17日结算时起，沪深300、上证50股指期货非套期保值交易保证金调整为20%，所以5倍杠杆的话就为250%。如果只看重策略的收益率却忽略了回撤风险是极其冒险的激进策略。如果策略的收益风险比相同，但是结果还是要取决于资金管理决策。

笔者在此将夏普比率进行说明。评价策略的优劣应从收益值和风险一起考虑。调险后的收益率就是一个同时考虑进了收益和风险的指标，能够排除风险对评价的不利影响。1966年，夏普提出了著名的夏普比率：S=（R-r）/σ（R为平均回?舐剩?r为无风险投资的回报率，σ为回报率的标准方差）。此公式表示为尽量用最合适的方法用小风险换得大回报。如果为正值就说明投资收益比银行存款利息高。比率越大说明所获的风险回报越高。该策略的夏普比率为22.83，可见是一个理想的策略模型。

篇3

量化投资向世人昭示，挤进超级富豪圈不是梦。对冲基金是量化投资应用最广泛的产品。在福布斯2013全球亿万富豪榜上，对冲基金经理在前1000名富豪里夺得了约21个席位，占比约达2%，更有4名进入了百强榜。

詹姆斯？西蒙斯的文艺复兴公司旗下的大奖章基金，在1998至2008年的20年时间内，年平均净回报率高达38.5%，创造了投资界的神话。西蒙斯本人也成为了20年内最佳赚钱基金经理，成为了新的对冲之王，直至今日，仍居福布斯亿万富豪榜的82位。

大奖章基金以短线操作为主，主要通过统计信息分析方法来判断外汇和债券短期的价格变化，尤其是市场的过激反应类，进行套利活动。这个短线究竟有多短呢，金融投资里面最短的短线的计量单位叫“一笔”，举个例子来说，每秒钟都有可能进行成百上千笔交易。

可以这样说，大奖章基金差不多是量化到头发丝的存在，但这也并不代表着，电脑已经取代了人的角色，成为了人的主宰。西蒙斯自己也曾表示，长期不变还能赚钱的模型是不存在的，模型必须要不断更新，这也完全是通过人来完成的。

黑天鹅击溃完美模型

谈到量化投资，美国长期资本作为最著名的投资案例，不得不提。

约翰？梅里韦瑟在1994年2月创立了美国长期资本公司（LTCM）。公司依托布莱克-舒尔斯-默顿的衍生工具标价理论，采用“市场中性”的交易策略，买入低估的有价证券、卖出高估的有价证券，进行套利活动。LTCM似乎窥探到了量化的奥秘，在1994至1997年，年投资回报率分别达到28.5%、42.8%和17%，净增长2.84倍。巨大的盈利能力让LTCM获得了资本市场的认可，也使梅里韦瑟获得了套利之父的荣誉。

1998年8月17日，黑天鹅降临了，LTCM遭遇了俄罗斯政府外债违约。这场危机引起了全球金融市场的动荡，投资者纷纷退出了发展中国家的市场，转向了美国、德国等风险小、质量高的债券。结果LTCM做错了方向，沽空的德国债券价格上涨，做多的发展中国家债券价格却下降，原本预期收敛的价差却在趋于发散，致使其在资本市场上的滑铁卢。虽然后来美国金融巨头出资接管了公司，但LTCM已是强弩之末，于2000年宣布倒闭清算。

私募专业人士指出，LTCM过于信任自身的投资策略组合，忽略了小概率事件，再加上过高的杠杆，都导致了它的最终灭亡。量化投资其实根本不存在永久的致富秘籍，也没有永葆青春的投资模型，随着市场效率的提升，IT技术的升级，任何投资策略与操作方法从短期或长期来看，都存在误区与漏洞，这时则需要人脑的与时俱进，让系统根据动态不确定的环境进行修正与完善。人脑与电脑应该是相互成全，而不是相互替代。

量化投资的“黑箱”

正如硬币有正反两面，可称得上是赚钱利器的量化投资，也会因计算机的频繁“发疯”面临巨大的投资风险，如华尔街巨头高盛的交易错单、美国第二大股票交易所纽约纳斯达克证券交易所3小时的停止交易、国内8·16乌龙指交易事件。量化投资的高频交易引发了人们对计算机潜在风险的担忧，但它就像血液循环系统一样，加速了资本市场的资金流动，是金融发展历程中不可缺少的。“我们不能因噎废食，因为一个系统的BUG，就舍弃了整个系统。”首善财富管理集团（以下简称首善财富）表示，随着金融产品种类的增多，信息跟踪量的增大，对量化投资的需求也会不断增大。从管理和控制风险的角度来说，这不仅需要投资公司自身完善风控体系，还需要整个产业链的配合。首善财富董事长吴正新曾多次指出，“对冲基金将是中国证券市场最大赢家，而它们多大量采用复杂的量化模型进行程序化交易。”

所谓量化投资，就是指按照事先设定好的逻辑策略或数学公式进行投资，文艺复兴技术公司与美国长期资本公司也都是这样做的。从广义的层次来说，一切使用数学工具、电脑程序的投资方式都包含在量化投资的范畴。其中，争议不断的高频交易本质上是用来消除市场暂时出现的无效率的，它可以促进市场价格更快地反映市场信息。全球最大的知名高频交易公司包括Millennium， DE Shaw， Worldquant和Renaissance Technologies等。

虽然量化投资由于稳定的投资回报获得了越来越多的投资者的青睐，但是投资大众对量化投资的运作流程依然很模糊，这样“黑箱”也就形成了。量化投资的“黑箱”里到底承载着什么奥秘呢？

据华尔街顶级数量金融专家里什？纳兰揭秘，量化投资“黑箱”的基本结构包括人工的数据输入与研究、交易策略模型、风险控制模型、交易成本模型、投资组合构建模型，其中四项构成了交易系统。

如何让量化投资“活”起来？答案是人工的数据输入与研究，和交易系统的配合。通常认为，量化交易最小化了人工因素在系统中的作用，当量化交易员精心研究和开发的系统上线，他们似乎也就英雄再无用武之地。其实不然，计算机只会忠实可靠地按照人们告诉它的做法一步一步地来执行，伴随着时间与市场的不断演进，交易模型瑕疵也将不断扩大，这时量化交易员的主观判断显得尤为重要，人工因素的加入使量化投资具有了人类的正常思维，似乎“活”起来，可以主动灵活地应对外界的瞬息万变。也就是说，一旦市场触发了系统的难以判断的“恐慌”，交易员就会立即现身，通过修改交易清单或降低投资组合规模和相应的杠杆比率，来规避投资的风险。

MOM让量化投资活起来

如今，MOM模式成为欧美主流的资产管理模式，也将是量化投资界人脑与电脑结合的最佳作品。

作为一种间接的资产管理模式MOM（即Manager of Managers）诞生在美国罗素资产管理公司。它的客户可以是机构投资者，也可以是高净值个人。自从被开发出来，已被国外很多机构应用，最成功的当属耶鲁大学基金会，从1980年的两亿美金到了现在的约300亿美金，赚了将近150倍。

所谓MOM模式，也被称为精选多元管理人，通过优中选优的方法，筛选基金管理人或资产管理人，让这些最顶尖的专业人士来管理资产，而自身则通过动态地跟踪、监督、管理他们，及时调整资产配置方案，来收获利益。

“找最优秀的人做最专业的事。”首善财富董事长吴正新指出了MOM模式的本质。首善财富旗下的首善国际资产管理有限公司是国内第一家运用MOM模式做对冲基金和期货的公司，这正得益于其不懈地将技术与研究的双轮驱动作为公司的核心发展战略。

MOM模式降世不过30载，但发展非常迅速，得到了众多国内外投资公司的关注。尚属新鲜事物的MOM模式的相关产品在国内已经开始试水。在2011年中国平安与罗素公司合作设立了平安罗素，并发行了第一期的MOM产品。除此之外，MOM模式还可广泛应用于对冲基金与期货产品。“国内期货资管行业要做大做强，采用MOM模式是一种必然选择。”吴正新也曾表示。

禁不住MOM模式产品的诱惑，国内各投资公司纷纷对它的本土化做出了预先安排。“目前和我们合作的有十多个国内领先、国际一流的投资团队，其中大多是国际水平的程序化交易团队。”吴正新表示，首善财富早在引进MOM模式之际就采取了多元的投资风格与多元的管理团队相结合的经营理念。其中，多元的投资风格是首善财富资产管理的核心特色之一，“我们既有主观的人工交易，也有客观的程序化交易，而且以量化的程序化交易为主。”相对而言，多元的管理团队，即表示公司内部自身的投资团队的主动管理，再加上外部国际精英团队的专业管理。

相比近些年受到推崇的基金中的基金（FOF），信托中的信托（TOT），MOM模式在对资产管理人的数量与专业性的覆盖层面，更具魅力。FOF和TOT从本质上来说依然局限在精选产品上，而MOM模式更偏向于精选管理人，它可以凭借公司的研究能力，相对独立的挑选出更适合投资需求的专业管理人，运用定量与定性相结合的方法，将优选产品管理人和多人管理风险的双重优势发挥得淋漓尽致。

MOM模式既运用多元专业人才打破了量化投资的固有形态，也通过计算机系统的理性判断避免了交易员敏捷感应赢利却迟缓反应损失的习惯性偏差，让专业人才与计算机系统在“黑箱”内相互成全，相互配合，以求收获更加稳定、更加高额的投资回报，使其具有很大的发展空间与潜力。

篇4

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。

篇5

她管理的博时特许价值基金，从2012年6月接手到年底，净值增长幅度居同类前20%，她是通过怎样的操作大幅提升基金业绩？

博时特许价值基金是量化基金，量化基金的操作又有怎样特点？

每日基金特邀胡俊敏博士，倾听她的人生经历和投资理念。

张学庆：从您的简历来看，是物理学博士，这是典型的理科学科，当然您后来又做过量化研究的工作，但您目前从事的工作是投资，是属于金融学这类范畴，这两个学科距离特别大。您之前研究的物理学、化学 ，对于投资有何帮助？

胡俊敏：当年念物理，现在做投资，不是事先计划好的，而是当时的历史环境造成的。我大学的时候是八十年代，中国还没有股市，我连股票是什么都没有概念。因为我比较喜欢跟数字打交道，就学了物理。去哈佛后，刚好碰上一些量化金融理论得到应用，华尔街需要有很强数理根基的人才。而由于美国经济不景气，教育经费不足，学术界又人才过剩，于是华尔街就吸引了大批的数学、统计或物理的博士。我在哈佛有机会初步了解到金融投资。

现在回头看，我学物理出身，做过材料研究，做过量化研究，现在做量化投资， 不是必经之路，但是确实每一段经历形成了我自己的知识结构，对我的投资理念的形成有不同程度的影响。

对于市场的理解。市场是否处于均衡的状态，金融界有很多争论。统计物理关于均衡非均衡态的理论以及量子力学的不确定原理我觉得一定程度上也适用于股票市场。股票市场不停地有新的信息，不同投资者对信息的接受和反馈不是瞬时的。另一方面，投资者行为与股价又是互相影响的，所以市场是处在一种不完全均衡的状态。市场过热现象也是不均衡态的一种表现。

数学统计上几率分布的概念在投资中是至关重要的。经常有投资者问我，你觉得下面一个月市场是涨还是跌，其实这是很难预测的，沪深300指数平均月收益为0.5%，但月波动率有9.1%，一个月的收益有2/3的几率分布在-8.6%到9.6%之间，波动性非常大。

逻辑思维方式和分析解决问题的能力。研究生的时候我做的是实验物理。就是通过对一些现象的观察和研究，找出规律，验证和发现基本原理。投资中由于信息多，频繁、且不完全，具备理性的逻辑思维和抓住问题本质的能力就非常重要。

张学庆：除了在学校中所学的知识，在后来工作中，还需要增加哪一方面的训练？才能成为一名合格的基金经理。

胡俊敏：量化基金经理需要的知识面比较广。除了比较强的数理基础和编程能力，下面几个方面的知识也是非常重要的。

基础金融知识：我业余选修金融方面的课，并通过准备CFA的考试补上金融知识的缺。争取到量化分析师的工作机会

量化投资管理：这有一整套理论框架。我当时在巴克莱资产管理公司任基金经理，有幸参加了《主动组合管理》作者Ron Kahn的课程。这本书被认为是量化投资的圣经。

行为金融：指由于投资者心理或思维偏差造成市场不有效的各种现象。量化投资之所以可行，就是因为股价由于各种原因而偏离其真实价格，有一定统计性规律可循。

市场经验：需要积累，我目前也在逐步积累A股市场的经验。

有志加入到量化投资行业中的朋友们可以针对各自的知识结构，制定出自己的准备计划。

张学庆： 您一个人管理5只基金，这可能得益于采用了量化的方法，同时管理五只基金，你会采取怎样的分配方法来统筹自己在五只基金间的精力分配？

胡俊敏：这就是量化投资的优势。首先，整个投资流程高度自动化、系统化。每天开盘前，所有基金及模型所需数据都已更新到基金管理系统里。其次，量化投资团队，基金经理后面有基金经理助理、量化分析师及IT的支持。基金经理只需将时间花在最关键的地方。具体讲，

量化基金，比如我管理的特许价值，以及和王红欣博士共同管理的裕富沪深300基金：更多的是模型管理，而不是个股管理。组合里的股票可能有上百只，但是我需要管理的是有二、三十信号构成的模型和一些组合构建的参数。需要交易的时候，可以根据模型用优化系统进行计算，我会检查模型结果是否正确，然后批量交易，而不是一个股票一个股票地分析、决定。。

张学庆： 您管理的基金比较多，有主动配置型，有被动配置型。能否给基金投资者一些建议，那类基金适合哪些投资者投资？

胡俊敏：特许价值基金是一只主动股票型基金，通过量化多因子选股模型在各行业内精选个股，以期获得长期跑赢市场的超额收益。风险要比纯被动或增强指数型基金高，但是超额收益的空间也高，适于有中等风险承受力，投资期间较长，对收益有较高要求的投资者，也可作为长期资产配置的一个成分。

张学庆：做为基金投资者，如果不看好市场，您认为他们有几个措施能够躲开市场风险。

胡俊敏：根本解决的方法是调整资产配置比例。如果对股票市场的未来不看好，那就降低在股票类资产的配置，将卖出的资金放到债券、其它投资品种、或现金上。因为对于市场的判断很难百发百中，所以在调整配置的时候即使不看好股票市场，仍然建议保留一定的股票类资产，市场走势常是不确定的。

同时，普通投资者择时的能力是比较差的。所以我给普通投资者的建议是1）采取定额定投的策略，牛熊市无阻的坚持投资。2）不要将所有的鸡蛋放在一个篮子里。分散投资，做长期资产配置。长期而言所承受的风险是有收益的。

篇6

四年精磨

优秀团队步步为营

据了解，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。当年，银华的分级基金一鸣惊人，获得了不可动摇的市场地位，也为此后银华的量化之路提供了市场认可度和基础支持。

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——克服A股市场对冲工具少，公募基金交易限制多的难题，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，尽管有高频交易限制、数据库不完善、集中交易制度、佣金费率等多方面的约束，但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）仍然大幅超越同期沪深300指数，而波动率仅约为沪深300指数的1/3。

2013年，一切更加完善，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”的策略大获成功。金牛理财网的最新数据显示，截至2014年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。而银华的分级基金大多以被动跟踪指数为主，管理成本较低，因此，为公司带来的利润贡献非常可观。

成绩的取得与银华基金量化团队的打造是密不可分的。作为团队领头人，周毅本人曾在巴克莱资本等机构从事数量化投资相关工作，拥有15年从业经验。他深知，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，在策略不断过时、市场前景广大的中国量化投资市场，靠“一笔钱挖一两个人”来建设量化团队非长久之策。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。

据周毅介绍，2010年，银华基金最早在国内设立量化投资部，2012年，量化投资团队已经达到16人，职责涵盖了策略研发、投资管理、金融IT、交易下单、系统风控等领域。2013年，银华量化的团队架构已经相对完整、人才配置齐全，团队中的骨干力量均有海外留学经历和多年海外量化投资相关工作经验。银华量化团队抓住了分级基金的发展机遇，赢得了市场和投资者对分级产品的认可，得到了公司对量化投资的大力支持。在天时、地利、人和齐备的机遇之下，银华量化团队逐渐发展完善，并在实战中得到了锻炼。

信托“破刚”

独门策略巧夺市场

金刚钻已成，就到了“海阔凭鱼跃”的时候。而2014年信托业打破刚性兑付的案例出现，在带来信托业拐点的同时也带给量化对冲的好时机。

周毅认为，面对“信托刚性兑付”被打破的这种趋势，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。而经过一两年的市场培育，量化对冲产品重复信托快速发展的故事正在成为一种可能。银华量化对冲专户的优秀业绩表现，更是让其倍受市场关注。

据了解，目前银华量化对冲专户产品的投资策略大概分为两种模式：阿尔法策略和套利策略。所谓阿尔法策略，是专注于创造绝对收益。根据A股市场的特点，银华将理论上的阿尔法策略进行了改造，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。

银华在实践中与卖方研究员建立广泛的合作，这些研究员对A股情况非常了解，选股模型的数据输入实际已经融合了本地特点。再利用量化技术对这些结果进行优化，并降低组合的风险性和相关性。周毅指出，这就相当于雇用了两个不同的基金经理，一个人是对本地情况很熟悉，另一个人是数学统计专家。从投资上来讲就是强强联合，既能有效地控制风险，又能最大限度地保持超额收益。两者结合产生的阿尔法既包括本地特点又相对稳定，能做到风险和回报的相对优化。

第二类策略是套利策略，即利用衍生品到期收敛特点进行套利。周毅介绍，目前，套利在国内做得比较多的就是ETF和分级基金套利。这类套利策略基于市场的广度和速度，但囿于公募基金内部防火墙等监管规定的限制，银华采用的多为分级基金套利。这种方法绕开了高频交易对速度的极致追求，能够为组合贡献低风险收益。

不管是阿尔法策略还是套利策略，都不依赖择时，而是在所选的股票和放空的标的之间的相对强弱差上，赚取绝对收益。“对冲并不需要判断某个行业是涨还是跌，只是基于相对强弱，中间的差是回报。对指数也是同样的道理。”周毅介绍，“这也是国外对冲机构广泛使用的投资方法。”

对冲春天

期待机制与产品创新

从发展趋势来讲，中国的衍生工具会越来越多，国外成熟的量化对冲投资模式未来在中国大有用武之地，同时量化投资管理的资金规模也会变大。

在目前的阶段，周毅并不认可过快提升对冲类产品的规模。他指出，不管多好的策略，它所能支持的资金量，所能支持的衍生品存货量和股票量都是有限的。对冲基金更在乎超额收益是多少，而不在乎规模有多大。

据周毅测算，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。但随着中证500股指期货、股指期权等衍生工具诞生，这个规模会大幅增加。

篇7

“Master”是2016年底先后登陆中国国内两大围棋网站。起初，他悄无声息、接二连三地击败中日韩三国围棋高手。当人们发现这个神秘人物时，他已将世界声名显赫的50多名高手“腰斩”。 其中包括目前中韩“第一人”的柯洁和朴廷桓，以及古力、常昊等十多位过往的世界冠军。即使是这些全球顶尖级围棋高手，聚集在围棋平台上，群起抵抗Master，他们还是一败涂地，就像是针对全球公认智力级别最高的围棋界一次集体的定向“屠杀”。其中，围棋世界冠军朴庭恒连败5次，古力、陈耀华连败三局，还有曾经放言“就算 AlphaGo（“围棋狗”）赢了李世h，但它A不了我”的现世界“第一棋手”柯洁也连败三局。

在Master取得46连胜之后，“棋圣”聂卫平针对Master棋路撰文点评说，这一招“直接点角很奇怪，明显不符棋理，但意外成立”；那一招“左上角撞实黑棋的下法难以苟同，然而它就这么下了，还能赢”…… ；在充分研究了Master战例后，“棋圣”也按耐不住内心的冲动，在1月4日下午亲自出马对弈。再次吸引了全球公众的眼球。尽管“棋圣”的宝刀未老，尽管他很沉着稳健，尽管战况比之前52场更加胶着，但还是在坚持到254手后，以7.5目败给了Master。此时，连胜54局的Master第一次用繁体中文显示出了五个大字：谢谢聂老师！

直到Master拿下第59场胜利后，才突然宣布自己就是人工智能的“围棋狗”，就是2016年3月在韩国首尔以4：1大比分战胜围棋前世界冠军、韩国名将李世h九段的、举世瞩目围棋“人机世界大战”的主角。随即，谷歌DeepMind团队也声明证实，“Master”是最新版本人工智能的AlphaGo程序。并表示这次将过半世界围棋冠军掀翻“马”下的挑战仅是“一次非正式测试”。

由于围棋变化极其复杂，即便是算力无双的计算机，也无法穷尽黑白两子在棋盘里361个点位上的所有变化。所以，一度曾被认为是人类智慧的最后堡垒。国际象棋人工智能（Artificial Intelligence，AI）用了不到10年时间完成了AI战胜人类的战绩，而今天，围棋AI只用了不到10个月就以“一次非正式测试”的形式完败了人类。

在众围棋高手惊呼看不懂“围棋狗”的一些落子意图时，围棋古谱、棋理及以往的经验已经失效了；在众高手与“围棋狗”对弈不超过平均240手就败北时，已经宣告了人类算法和算力都已落伍。以至于，谷歌DeepMind团队不无讽刺地称，这仅是“一次非正式测试”。暗含着当下没必要再进行正式比赛了。因为，需要给围棋界甚至是人类自己留下些许面子和尊严。而更重要的是，面对已经获得的通杀战绩，穷尽黑白两子在棋盘里361个点位上的所有变化要比与高手一较高下更有价值。

从算法交易到人工智能与量化交易相结合

史上最早使用算法交易的案例可追溯到1949年。那时，对冲基金之父阿尔弗雷德・琼斯用空多3：7的比例进行资产配置交易。从1955年到1964年间，其综合年化回报率竟高达28%。进入上世纪60年代，投资者又开始引用计算机进行周期分析与价格预测。进而，使这类交易系统不断完善，逐渐发展成后来的算法交易。很快，这种算法交易策略在华尔街生根开花，并带来可观收益。

随着计算机的普及和大量使用，华尔街各大交易平台都开始允许执行算法交易，由于这种算法交易能快速有效地降低交易成本，控制市场冲击成本，并还具有较高的执行效率，而且还能隐藏交易意图规避监管。致使算法交易在股票、包括原油在内的大宗商品期货以及外汇等市场中成为不可或缺的组成部分。

2009年有投资银行研究报告称，超过50%，甚至是75%的股票交易都是通过算法进行自动交易的，商品期货市场也有类似的应用规模。2016年5月，《机构投资者》旗下出版物《阿尔法》公布的“2016年全球收入最高的对冲基金经理”排行榜显示，前十位收入最高的对冲基金经理中，有八位是量化基金经理，前25位有一半属于量化交易。因此，在索罗斯的名气被数学家西蒙斯超过时，在股神巴菲特年化20%的收益神话被大奖章年化35%（1989-2007）打败时，量化交易的神秘才更受市场关注。

随着大量计算机IT工程师的加入，使金融机构原有通过编写简单函数，设计一些指标，观察数据分布，再进行“简陋”的量化交易模式不能满足市场的实际需要。为此，陆续走上引进机器学习、大数据分析以及人工智能（Artificial Intelligence，AI）与量化交易相结合的模式上，特别是将人工智能中的4个子领域：图谱识别，机器学习，自适应功能以及策略遗传基因优化等贯穿整个量化交易的始终。并在自动报告生成、金融智能搜索、人工智能辅助量化交易和智能投顾等四个领域大显身手，更甚者，正在开始模拟人的某些思维过程和智能行为（如学习、推理、思考和规划等）。

在了解了上述信息后，也就不难理解“围棋狗”为何不费吹灰之力就能“屠杀”世界围棋众多泰斗们了。

游荡在国际石油市场上的“原油狗”们

随着实物石油贸易中的石油价格成为无疆界金融资本投机套利的标的后，油价就从微观经济学的层面上升到了宏观经济学的领域，并相继成为各市场主体进行资产配置与进行避险的标的。正因宏观经济层面新增了油价这一驱动因子，所以，每当一轮全球性金融经济危机爆发，油价无一例外地要同步发生一轮大幅震荡。反过来，又增加着各市场主体进行资产配置和避险的内生动力。同时，美国监管机构也不会丧失这种天赐的“良机”，不失时机地要根据其国内经济运行情况，进行一纵市场的违规稽查和巨额处罚，用以补充其财政收入和打击他国的竞争对手，特别是针对欧洲的竞争者，进而又增加了监管风险和对价格的扰动。

自2008年全球经济金融危机以来，已公开查处了针对Libor（伦敦银行间拆放款利率）、WM/Reuters基准汇率、ISDAfix利率指数和包括原油在内的商品期货的操纵行为。涉罪主体除巴克莱、瑞银、德银、汇丰、高盛、摩根大通等全球顶尖级投资银行和金融机构外，甚至还有世界级的综合性石油公司，如英国石油公司（BP）等。为了规避风险，这些金融机构和交易所创新出了众多权证类、期货、期权、二元期权和各种商品指数的金融工具，又依此组成了各种场内及场外的资产组合与配置策略。

比如针对NYMEX市场WTI原油与ICE市场Brent原油进行的跨市场套利策略。两者虽都是原油，且同处全球大的宏观经济背景下，但因受各自不同货币、财税等宏观驱动因子的影响，致使二油价波动幅度不同，且又运行在相应的价差区间内。进而为投机套利提供了可能与机会，也为有实力的实体公司提供了避险和资产配置的可能――用道硗臣频姆椒ǎ进行量化交易。

例如，可将WTI和Brent价差波动区间计算出来，给出一个置信区间，如99%。即在99%的情况下WTI和Brent的价差波动是在该区间。当价差触发上限时，做空这个价差，触发下限时，做多这个价差。尽管NYMEX和ICE交易所已将这种量化策略制成了标准的价差交易合约（工具），但因这种被量化的价差合约过于透明，易暴露在监管者的“放大镜”下，进而迫使更多投资银行与石油公司躲进场外市场进行交易，以规避监管。一旦场外交易达成，这些投行等市场主体会用计算机时时刻刻跟踪计算此价差，然后在其设定的区间上下限完成自动开平仓交易。同时，为确保其统计得出的置信区间价差的安全性，他们还会积极携巨资进入场内期货等市场对油价涨跌施加影响，确保其在场外进行资产配制的头寸安全。

其实，为了牟取暴利，各投行等金融机构还用计算机量化研发并使用了大量高杠杆的商品指数金融工具（参见笔者在本杂志2016年第三期刊发的“商品指数金融工具化对石油市场的影响”）。随着全球性货币的超发，包括原油在内的所有大宗商品和资源资产价格一路盘升，但随量宽的收缩，油价又会受到这类金融政策调控的影响而下跌，因此，这种政策风险又迫使着更多实体企业进入市场寻求规避主级上涨正向波中风险。

为此，这种量化后的石油金融工具应运而生，其中，瑞信就曾经推出过三倍于标普高盛原油指数ETN（VelocityShares Daily 3x Long Crude，交易代码为，UWTI），因其有令人难以置信的流动性和可获取暴利的期望值，而备受市场欢迎。但好事多磨，在2014年7月以后，油价暴跌了50%，但UWTI的价值却陡降99.6%。特别是，那些没有量化能力的投资者原想通过使用这类投资工具进行资产配置或避险，但却忽视了这类产品本身的缺陷（高杠杆和短期产品特性），造成自身的巨大风险。于是，瑞信不得不在2016年12月8日退出纽交所。将有需求的实体企业重新逼回场外市场进行交易。

今天，在国际石油市场上，无论是进行资产配置还是进行避险操作，量化交易已经是一种重要的交易手段，而“原油狗”也早已悄悄登陆。虽然笔者仅是从去年才开始研究和开发这类“狗”的，但却很快理解了既往无法解释的价格频繁在瞬间（一分钟或数秒内）暴涨暴跌的原因，其实，它就是程序化交易与反程序化交易博弈时大量程序化止损指令被触发的结果。而这种可怕的后果通常会造成价格在超短期的巨幅震荡，直接引起弱势反向一方暴仓并给其带来巨额亏损。

有鉴于此，它不仅要求参与者能够看得懂价格瞬间变动的内在逻辑，还需要有能够将其转化为可量化策略予以应对的“原油狗”，只有如此方能提高在石油市场上的生存机会。

能否诞生超级“原油狗”？

篇8

这是近几年才形成的一个低调的金融圈子，尤其是今年来，这个圈子似乎风生水起。算法、编程、想法、策略、模型成了这个圈子中的常用语，他们分布在券商、公私募基金、期货等金融行业，他们在创新中摸索前进，优秀的团队也不少见。

谨慎的宽客人

量化投资圈的人喜欢自己被称为“宽客人”或“矿工”。所谓“宽客”即金融工程师，他们靠编程序去设计模型，用数学的方法分析金融市场，找出影响价格涨跌的相关因素，规避其中的风险，获得收益。

徐明（化名）是上海艾革瑞投资团队的创始人之一，有着大多数编程人员的内秀和儒雅，自信的微笑又暗示着自己不是普通的“码农”。清华大学数学系学士，香港科技大学工业工程与物流管理系博士，精通数学建模、金融工程、组合优化和人工智能算法，这些标签和不少量化“宽客人”类似，他们具备这个行业的先天优势。

徐明在中山大学管理学院管理科学系任教期间，对金融工程产生了浓厚的兴趣，西蒙斯的经历和成功给了他极大的鼓舞，逐渐走上专业量化交易这条路。

十月，天气渐冷。《中国证券期货》记者联系上徐明时，他正带着自己的团队参加海通期货2013年的“笑傲江湖”实盘赛，目前成绩位列投资家组第三名，这不是第一次参加海通期货的实盘赛，去年以总收益89%、总收益额189万，获得程序化组亚军。

“艾革瑞”，源自“Algorithm”（算法）的译音，创始人的量化定位可见一斑。团队主要成员在2012年开始全职投身于程序化交易，多具有证券期货投资、金融工程研究和IT项目开发经验。艾革瑞团队主要做股指期货日内交易，交易频率比较低，平均一天做1个来回的交易，持有时间一般都要超过1个小时。

量化交易和人工交易有一个很大的不同，就是模型的建立。“程序化交易更像一门科学，需要投资者具有较高的模型开发和系统开发能力，以及对于交易规律的深刻认识。”徐明认为，人工交易更像一门艺术，需要对经济周期和行业发展有独到的眼光。

对于模型，“宽客人”都视为自己最核心的秘密武器，往返于华尔街和上海的徐明和其他讳莫至深的受访者不同，对模型提出了自己的看法，“模型是用数学方法找规律，而数学方法找规律很容易过度优化。”

对于投资行业的深刻认识更为重要。徐明表示，“国内金融市场和华尔街还是有本质的不同，对于中国市场期货交易的认识和理解，比运用各种数学模型更为重要。很多系统在数学上是最优的，但是在实践中并不是最优的，而且还可能是有极大风险的（即过度优化）。”

策略是量化“宽客人”的另一个交易核心。“如果交易经常不盈利，就不能仅仅认为是利润回吐了，要考虑策略是否失效。”金华强调。

策略是否失效是所有程序化交易者面对的一个非常难的问题。“失效”本身就很难定义。日内趋势的策略胜率一般都不到50%，所以总是有赔有赚的。赔钱的连在一起，就连续回撤了，这其实只是亏损连在了一起而已。不同的时间，市场的规律也会呈现不一样的特征，所以也很难判断暂时表现不好的策略是否就永久不好了。

所以，最重要的不是判断策略是否已经失效，而是在策略表现不好的时候可以找到原因和解决办法。

在2013年第二季度，艾格瑞团队就经历了一个较大级别的回撤，后来发现系统的很多亏损来自于“过度预测”。直观的理解就是市场还没有开始趋势的时候，系统就进行了未来趋势方向的预测。这一能力在过去的一年都不错，可以获取超额收益；但是可能是因为市场氛围变了，现在不仅不管用，还会带来连续的亏损。

后来艾格瑞团队对策略进行了调整：其一，相关性小的多周期、多系统非常必要。其二，用一套系统的方法去辨别哪些是市场里稳定的规律，哪些是不稳定的规律。其三，在风险控制上更为严格和保守，在谨慎保护本金的基础上，实现盈利。

调整策略后，解决了“过度预测”的问题，然后系统就又恢复了正常。从运行两个多月来看，表现比较稳定。

摸着石头过河的机构

机构投资者对量化投资的关注也越来越多，光大证券“816”事件揭开了冰山一角。8月16日，光大证券量化套利资金超过了200亿，乌龙事件一度引发国内A股和股指剧烈地震。据中国量化投资学会理事长、量化投资经理丁鹏透露，“目前国内量化投资资金的体量已经达到1000亿元。” 这些资金或主要来自券商和险资自营的量化套利资金，以及公私募的量化基金。

业内人士指出，国内某另一家券商在量化上投入的套利策略资金超过了300亿，远超出光大的投入资金，目前，不少券商也在用巨额资金更新IT设备，加上公私募资金，在量化上的投入远超过1000亿。

据悉，光大和海通等券商经营量化套利这项业务上，年度收益约10%-12%，甚至达到10%-15%或更高。如果按200亿元的管理资金来看，带给券商的直接收益就达到20亿-30亿元。这一盈利数字可能近年来熊市中某些券商一年的营业收入。

由于A股市场实施T+1交易，券商量化交易部门在A股从事高频交易的资金较少，据业内人士推算，大约有20亿左右。如果A股市场实施了T+0操作，估计更多券商大资金投入。

公募基金排名的压力，参与股指期货对冲仓位比例不超过20%限制，都成了公募基金量化投资无形的镣铐，短期内难有多大规模。

“公募基金做量化很费劲。”王萌（化名）坦诚表示。

王萌，上海交通大学计算机硕士，资深软件工程师，具有多年软件开发和管理经验，以及金融市场投资经验。已经在资本投资市场10年了，目前是上海某公募基金的总监。

“由于参与公募基金的排名，不可能完全做到量化管理，大多都有主动管理的因素在面。”王萌坦言，这和采访国内某期货公司量化部经理时的话，颇有几分相似，“目前国内公募基金的业绩也没有听说那个做的业绩挺好，更多的是一种宣传噱头。”

而私募则相对轻松的多。私募资金私募基金在量化基金设计上，主要侧重于量化多空策略的经营，目前国内有数十款产品在做，虽然规模算不上太大，但收益稳定保持在9%-15%还是容易做到。

张强（化名）在华尔街做量化投资多年，回国后成立了自己的私募公司，量化操作股指期货。15个月来，资金收益保持在25%，这个业绩在行业里可能算不上多高，但是出奇的稳定，这正是量化投资追求的最高境界，关键是稳定收益。远比上半年盈利50%，下半年亏60%好的多。更难得的是，15个月来回撤仅仅1.5%。这和公募基金带着“镣铐”跳舞形成了鲜明的对比。

无法阻挡狼来了

目前国内的量化投资刚刚起步，发展还受诸多因素困扰。

政策性因素扰动、历史数据不足、数据准确性差、T+1的限制，金融衍生工具不够丰富，风控的完善、系统软硬件的限制等，这些都是量化投资在国内市场的瓶颈。

政策性因素扰动也很明显，证监会对光大证券“816”的巨额罚款，对光大证券在券商中量化的领先地位颇有打击，同行不得不放慢了量化的步伐。

对于数据的不充足以及准确性差，也深受其害，财报质量和国外压根就不在一个档次，查阅数据也只能追溯到最近6、7年，这对用数学的方法统计数据建模型造成了直接的影响。

而某期货公司的董事总经理则直言，目前国内期货市场还是T+1，还没有开通夜盘交易，而国内期货市场又受国外盘影响巨大，国内盘受其影响隔夜暴涨暴跌再正常不过，而依靠数据、模型的量化交易只能是无可奈何，这也是国内商品期货量化操作业绩不理想的原因之一。

金融衍生工具不够丰富，也是国内量化投资的一大影响。目前国内量化投资仅能运用在商品期货、股指期货和国债期货上，还限制颇多。比如股指期货，国内每天挂单不能超过500手；国债期货开通不久，成交量有限；期货市场虽然套利客观，但容纳资金量有限。

据业内传闻，光大证券的量化部门前期运行投入资金是1500万元，如果再加上维护费用，数目不容小觑。

这在券商同行中绝不是孤例。尽管如此，因经验不足，还是在风控上闹出了震惊中外的（816）乌龙事件，对量化的影响可见一斑。

光大乌龙事件暴露出机构投资人在追求创新时忽略了风控的完善。“光大虽被证监会罚款5个亿，但券商用自营资金做量化的赚钱能力也被大众所知，未来会有大量的钱涌入。”一位机构人士认为。

丁鹏认为，“不能因为光大事件，就将先进技术和理念拒之门外，绝对收益是未来趋势。”

国内金融市场，尽管在量化上还存在着不少的问题，但这引人注目的量化投资前景依然引起了国外大鳄的注意，我们无法阻挡：狼来啦！上述某期货公司人士透露，“韩国成熟的量化投资团队，已经进入国内市场开始剪羊毛，据说比国内的量化机构能量要大的多。”还有更恐怖的团队，国外量化操作鼻祖巴克莱已经在国内完成了前期量化测试，不久也会携带巨额资金和先进的理念来分一杯羹。

篇9

在金融衍生品基本不成熟的中国，宽客能做的事也比较有限，但成效还算不错。我认识的几个还算厉害的宽客，基本都逃不过以下三种盈利模式――

一类是高频交易者，虽然高频交易的种类很丰富，比如期货套利、大宗商品套利等，但我觉得，其中比较有代表性、而且实践下来比较稳定的，道冲投资算是一家。他们是国内做ETF交易量最大的私募之一。一个主创人员经历非常丰富，做过公务员，还做过超市总经理，后来他把薄利多销的思路放到了ETF套利上。他们早在2006年之前，就开始进行套利交易。刚开始的时候，因为参与ETF套利的人并不多，而且正逢股权分置改革，套利机会非常多――大部分套利是事件套利。近期，他们主要的优势在于设备的先进，我看过他们办公室的照片，硕大的机箱中间，约有几十个技术人员，这已经过渡到了ETF的瞬间套利等高频交易的模式中。听闻他们在2011年的交易量达到2000亿元，让与他们合作的券商全国名次提升了2位。比较成熟的对冲基金，会同时运用很多种高频统计套利策略，国际上比较厉害的大奖章也是采用这个策略。不过，因为当前中国很多交易系统的速度比较慢，这个风格中的竞争优势主要体现在速度――比如交易速度达到毫秒、微秒甚至纳秒，从而达到统计学意义上高概率的长期盈利。

另外一类是选股模型。这在当前的中国宽客中最为主流，现在公募基金与券商集合理财产品也基本属于这一模式。我认识的一个加拿大裔华人高手，自己开发了一套选股程序。他们的思路是，做高阿尔法（与市场平均无关的收益），降低贝塔（市场平均）。他们会通过自己的模型，先从2000多只股票中筛选出几百只，然后再结合趋势模型，再选出50只左右，做自己的股票组合，从而让这个股票组合实现超额收益。连续几年，他们的选股模型实现的投资组合，达到每年20%以上收益。国内的量化先行者天马投资康晓阳也大致属于这一类型。不过，在这个选股模型中，策略非常多样，比如情绪统计、分析师统计、事件驱动策略等等，从而分散风险。

篇10

他最早研究量化的时间是2005年，当时他刚从加拿大回来，很受券商欢迎――当时背景主要是股改背景下的权证推出。2005年8月，宝钢权证的推出，让与中国股市阔别9年后的权证重出江湖。在宽客看来，权证就是个类似于期权的玩意儿，只不过国外是期货交易所发行，国内的权证是上海交易所与深圳交易所发行。

有了权证这新鲜玩意儿，很多券商都觉得是个赚钱好机会，于是邀请了一大帮懂金融工程的高手，当时在研究方面有些成绩的贺金凌就被邀请在列。当年他被国信证券邀请。

那时候，一些有远见的券商也纷纷开始设立量化部，其中比较资深的还有国泰君安，当时的牵头人是章飚，现在章飚已经成为国泰君安资产管理公司的总经理。另外还有个比较出名的券商是申银万国，主要负责人是现在担任金融部总监的提云涛。

权证在中国资本市场很快就成了疯狂投机的工具，券商在其中赚了很多钱。最疯狂的大概要数2007年5月30日。虽然，“5・30”是令很多投资者记忆犹新的两市暴跌日，但对于权证投机者而言，则是个暴利的日子――两市权证集体暴涨。甚至因为有些投资者发现股市机会变得不确定后，反倒把主战场拉到了权证。“5・30”还成了权证交易的分水岭。5月30日前，权证换手率相对平缓，基本在50%至150%区间震荡，从5月30日之后，换手率从前一日的39%陡升至355%。

用贺金凌的话来说，一个权证交易量就至少几个亿。当时国信证券交易量很大。那段时间，券商靠权证确实赚了不少，起码手续费也绝对赚够。但真正从权证交易中获利的投资者却寥寥无几，大多数都被专业级玩家“玩死”了。

对他们这类跟着政策走的宽客在那两年还遇见一件重要的事――2006年9月8日，上海成立了中国金融期货交易所。这个时候，中国金融期货交易所专门成立了一个量化部，想为之后股指期货等推出做一些准备。

然而，因为股指期货迟迟未推出，很多量化工作只能是纸上谈兵。这群宽客就像是政府与券商养的闲兵。于是，在2008年前后，不少券商裁掉了这个部门，只有一些财力雄厚又富有远见的大券商，如国泰君安的量化部还幸存下来。

原本，贺金凌也是中国金融期货交易所定向培养的宽客，然而，他也受不了迟迟没有工具的煎熬，又跑回加拿大去了。不过他在加拿大也没放弃此前金融工程的事业，去那里更多是学习更多策略与工具运用。

这两年，他又从加拿大回来，因为2010年4月，量化套利的工具终于出来了，就是股指期货。因为一般量化投资很重要的一部分就是套利，而能与股票市场形成对冲对立的工具就是股指期货。如今，他还在筹备第一个产品。

篇11

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12

然而，2017年市场行情突然逆转，中小市值股票超跌乐兀模型建立于“回测数据”的量化基金发展再次陷入困境。据iFinD不完全统计显示，截至6月末，53只主动型量化基金有半数以上业绩告负。

其中，2016年最为热门的量化基金产品长信量化先锋A，今年年初至6月30日，以-12.32%亏损幅度垫底。值得关注的是，经过一轮宣传推介和持续营销，长信量化先锋在2016年成为市场上第一只规模突破百亿的量化基金，这也意味着量化投资业绩稍显起色，即在高位套牢为数不少的投资人。

同期，曾在2016年表现突出的创金合信量化多因子股票A、大摩多因子策略年内分别亏损-9.78%、-13.37%。

截至一季度末，东方启明量化先锋混合、东兴量化多策略混合、华润大元医疗保健量化混合等基金规模已低于5000万元的清盘线。

多位受访业内人士表示，对于量化基金的发展，基金业再度陷入“是否适合国内市场”、“回测数据的可靠性”、“人和机器如何结合”等深度困境。

从“风光无限”到“狂跌”

2015年以来，A股市场持续震荡与低迷，加之“资产荒”的资产配置难题，量化投资成为公募基金必争之地，特别是一些中小型公司，迫于同质化竞争压力，奋力打造“量化”特色。

以长信基金公司为例。“公司一直很重视量化产品的开发。”长信基金一位负责人介绍，长信基金从2010年起开始发行量化产品，到2017年一季度，旗下4只量化类权益类基金规模合计达到137.53亿元，占全部权益类总规模的近50%，较2015年同期20.28亿元规模大幅增长。

同长信基金一样，富国基金、南方基金等也都曾表态重点建设“量化基金”产品线。

2016年，量化基金表现尤为突出，成立于2016年前的68只量化基金，有28只2016年取得了正收益，在40只下跌的基金中，跌幅超过5%的有19只，占比不足四分之一。与此同时，天相投顾的统计数据显示，2016年股票型基金全年平均下跌13.38%，混合型基金平均下跌8.61%。

根据上海一家大型基金公司管理层人士透露，长信基金量化团队组建于2008年，约有10余人团队，尽管这一配置在业内并不算太高，但是借助长信量化先锋短期业绩优秀，长信基金专门针对量化展开一系列的宣传攻势。

《财经国家周刊》记者统计数据，2016年，每个季度末长信量化先锋规模分别为31.16亿元、46.16亿元和74.47亿元，当年末，其规模已达到109.44亿元，一度因为申购火爆不得不“限购”和分红来降低基金规模。

“该基金成立以来多数时间内偏重于投资中小盘成长风格个股。不少季度内基金持有大盘、价值风格个股占比几乎为0，成长风格占绝对优势。”中银国际证券有限责任公司孙昭杨表示。

因此，2016年四季度以来，市场风格转而寻求那些基本面扎实、业绩稳定的公司， 长信量化先锋在2016年11月突破高点后，便一路下滑直至垫底。这也意味着长信量化先锋背后接近最高点申购，被套牢在高位。 进入2017年之后，多家此前一直致力于量化投资研究的第三方机构，开始纷纷转向FOF等研究领域，与新一个交易年量化基金业绩萎靡大有关系。

而这并非市场个案，根据记者统计，从今年年初至6月30日跌幅垫底的光大保德信量化股票（-9.02%）、大摩量化多策略股票（-7.68%），其披露的持仓风格都是偏爱“中小创”。

同时，截至今年一季度，与长信量化先锋规模缩水至69.47亿元的遭遇一样，多个基金公司旗下量化产品还将面临“清盘”，例如上述成立于2016年10月27日的东兴量化多策略混合，2016年末规模为1.61亿元，成立不到一年时间，其规模已至清盘线下。

另外，据《财经国家周刊》记者了解，进入2017年之后，多家此前一直致力于量化投资研究的第三方机构，开始纷纷转向FOF等研究领域，与新一个交易年量化基金业绩萎靡大有关系。

“量化式”亏损反思

“目前A股市场，最为流行的量化股基的投资策略就是基于历史回测确定对股价影响较大的因子，但今年以来，价值股、大盘蓝筹股涨声一片，小盘股业绩不佳，于是大面积出现‘量化式’亏损。”富国基金一位量化投资负责人坦言，富国基金也是一家侧重量化投资的基金公司。

除了能够高效寻找上千只股票价格上涨或下跌的概率，量化投资最核心的卖点，莫过于使投资不再受基金经理的主观情绪影响，用量化模型抵御投资者内心的贪婪和恐惧。

如今，市场的突然反转，传统 alpha 策略当中最有效的市值及成长因子都遭受了不同程度的回撤。经过此次洗礼，量化基金却必须面对如何“主观灵活配置”的难题。

纵观长信量化先锋A持仓，自去年四季度以来基本上还是延续偏爱中小盘成长风格个股的投资风格。根据其年报，截至2016年年末，该基金股票仓位为84.05%，在其持有的154只个股中，中小板股和创业板股合计85只，占基金净值的比例达到50.06%。

到今年一季度，长信量化先锋A前十大重仓持股包括深桑达A、建研集团、雪莱特等，也均是以中小创股票为主。

如果放在更长的维度，从2010年11月成立至今年6月30日，长信量化先锋A的收益率为138.94%，超过同期沪深300指数近73%。同样的，从2011年至今，申万量化、长盛量化红利混合也分别达到138.95%、113.56%。

“量化交易通过回测，假设未来能够重演，更适用于长期投资，而大多数投资者的需求是在一定期限内获得回报，更考验配置能力与效率。”富国基金上述人士表示。

部分基金公司负责人透露，目前公司已着手试点，量化团队与其他团队的融合，量化与人工的优势结合始终是重点课题。