量化投资与分析大全11篇

绪论：写作既是个人情感的抒发，也是对学术真理的探索，欢迎阅读由发表云整理的11篇量化投资与分析范文，希望它们能为您的写作提供参考和启发。

篇（1）

1量化投资简介

1.1基本概念

量化投资是一种借助于计算机高效计算程序进行复杂运算，以金融产品未来收益与风险为研究对象的新型投资方式。量化投资的基础是以股票价格、日成交额等大数据库数据为参考样本数据并建立数学模型，运用仿真分析及迭代方法不断修正数学模型，直到数学模型可以用来预测指导投资交易。任何一个投资的方案或者设想，都可以为它设计一个数学模型，然后借助大数据库的现有数据进行迭代法测试分析，以此来判别数学模型的有效性。传统投资方式基本上是对传统的技术分析和公司的经营状态基本分析，存在一定的局限性；相比之下量化投资分析是基于对大数据市场数据的，数据样本空间容量足够大，而且可以快速进行运算并排除投资者个人心理因素的主观影响，科学性和时效性更强。此外，量化投资是一种主动性的投资方式，在进行数学模型选择、自变量选取、数学模型的验算迭代都是投资行为的主动部分。

1.2交易内容及方法

量化投资交易的内容主要是量化策略以及交易策略，在制定交易策略时必须立足于投资市场、投资产品以及分配在内等。具体交易平台则是靠以计算机计算程序为基础的线上交易平台系统。进行量化投资交易时通常会遇到各种较为复杂的情况，但是基本前提都是要依据现有的既定的大量数据库数据，灵活采用各种方法来判断投资对象是否值得投资。总体来说，量化投资有估值法、资金法和趋势法三种。

2量化投资现状

从理论上来说，每个量化投资者的决策行为可以被同化为理性预期、风险规避、严格效用基本一致的理想化模型。然而现实情况中每个人的心理活动、出发点、知识水平等都存在差异，进行量化投资时人们作出的决策也存在差异。人的非理性行为与理性行为都是客观存在的，而且非理性行为对理性行为也存在着一定的影响，因此投资人在进行投资决策时并不能完全理性地进行选择。综上所述，非理性人的客观存在使投资人在进行投资决策时不能完全忽视个人的心理因素。既然个人的心理因素无法排除，那么在建立决策分析数学模型时，就应该把个人的心理因素考虑在内。当前我国国内量化投资有以下几个特点：(1)个人投资者占总投资者的比例很高。上文已经提到投资者个人的非理性客观存在且不可避免，那么众多量化投资者的非理性因素间接影响我国量化投资市场。(2)我国的量化投资市场虽然发展迅速但仍不成熟。与美国及欧洲发达国家相比，我国量化投资市场只能是一个新兴的市场，直接表现在各方面的信息不完整且难以搜集，一些基础数据我们只能自己想方设法地去开发获取。(3)量化投资行业的企业构成比较复杂。目前我国量化投资行业的企业种类比较多，跨越众多不同的领域。加上我国量化投资市场还处于新生期，市场不稳定信息变化较快，因此量化投资行业的可用层面指标数目非常少且指标数值经常变化。当前我国量化投资者正是依据当前行业的特点，从不同的层面和角度验证分析，建立泡沫型数学分析模型，才能获得巨大的利润。(4)量化投资策略研究落后。通过把我国量化投资策略与美国及西方发达国家的量化投资策略进行对比，发现我国现有的量化投资策略严重落后。国外的量化策略研究是在大量的事件、数据积累分析的基础上，脚踏实地潜心研究总结出来的。现阶段我国量化策略研究多是借用国外的策略，结合国内的量化投资行业的实际现状进行修正得来的。当前我们还缺少指导量化投资行业的专家、指导著作，为此我国国内的一些高等院校开始着手量化投资策略的研究并取得了初步的成效。

3量化投资优势

量化投资是在定性投资基础上进行继承和延伸的一种主动投资工具。定性投资的核心是对宏观经济和市场基本面进行深入的分析，再加上实地调研上市公司以及与上市公司的管理层进行经验交流，最终把调研结果整理成专题报告，把报告作为决策依据。不难看出定性投资带有很大的个人主观判断性，它完全依赖于投资经理个人经验以及对市场的认知。量化投资在调研层面与定性投资相同，区别在于量化投资更加注重数据库大数据，运用各种方法发现运用大数据所体现出来的有用信息，寻找更优化的投资方式以获得大额收益，完全避免了投资经理个人的主观臆断和心理因素，更加科学合理。综上所述，与定性投资相比，量化投资具有以下优势。

3.1投资方式更加理性

量化投资是采用统计数学与计算机建模分析技术，以行业大数据库为参考，取代了个人主观判断和心理因素的科学客观投资方法。很明显，行业大数据的样本容量已远远高于有限的对上市公司调研所形成的样本容量；在进行投资决策时，把决策过程科学化数量化可以最大程度的减少投资者决策时个人情感等心理因素对决策结果的影响，从而避免了错误的选择方向。

3.2覆盖范围大效率高

得益于因特网的广泛实施应用，与各行各业的运行数据都可以录入大数据系统形成体量巨大的数据库；得益于计算机行业云时代到来对计算分析速度的革命性变革，在极短的时间内就可以得到多种量化投资的投资方法。定性投资方式进行决策时，由于决策人的精力和专业水平都存在一定的局限性，自然其考虑投资的范围要远远低于电脑决策，二者根本没有可比性。综上所述，虽然与定性投资相比，量化投资具有明显的优势，但是二者的目的是相同的，都以获得最大收益为目的，多少情况量化投资与定型投资可以互相补充，搭配使用会起到意想不到的效果。

4量化投资的劣势

上文已经提到量化投资的决策过程依赖于大数据库以及计算机分析系统的科学决策，因此只要投资思想正确量化投资就不会出现错误。然而即使是投资思想及决策过程都没有问题，也不意味着量化投资完美无缺。量化投资本质上是对某一特定基准面的分析，事实上基准面有时范围过小，纵然决策过程合理化、无偏差，量化投资也存在一定的局限性。量化投资的另一特点是进行考察决策时覆盖的市场面非常广泛，在当前国民经济快速发展的时代，人们对市场的认知难免出现盲区或者对某一个局部了解不充分的现象，此种情况下量化投资的正确性就很难保证。

4.1形成交易的一致性

基于量化投资的低风险特性，人们更多地依赖于采用大数据云分析平台进行决策，如此大家对某一行业的市场认知以及投资决策水平就处在同一认知层次上，当遇到极端的市场行情时，人们作出的交易决策往往一致，即容易达成交易的一致性。例如期货行业以及股票行业，在市场行情动荡的特殊时期，人们往往选择在同一时机抛出股票或者期货，这种大规模的一次性抛盘则会造成在预期抛售价格基础上的剧烈波动，导致投资者的实际收益在一定程度上低于预期收益。此种情形下又会引起新一轮投资恐慌，不利于市场的稳定发展。

4.2指标钝化和失效

篇（2）

一、量化投资及量化投资体系的定义

什么是量化投资？简单来讲，量化投资就是利用计算机科技并结合一定的数学模型去实现投资理念与投资策略的过程。与传统的投资方法不同的是：传统的方法主要有基本面分析法和技术分析法这两种，而量化投资主要依靠数据和模型来寻找投资标的和投资策略。量化投资系统则是由人设定出某种规则，在计算机当中根据规则构建这种模型，而后由计算机自己去根据市场的情况进行一些投资机会的判断。从他们投资方式的区别当中可以看出，量化投资更依赖于数据，传统投资则更依赖于人的主观判断。从这点上来说，量化投资可以有效的规避一些人为的错误判断。

二、我国量化投资体系的发展

在美国，量化投资方法的发展己经有将近年的历史，量化方法从允嫉较衷谡嫉矫拦市场30%上以上的比重。而在中国，量化投资只是刚刚起步而己。但是已经有很多基金公司允即罅Υ蛟熳约旱牧炕投资团队，期望在传统的基本面研究之外源匆黄新的投资天地。国内证券市场上成立比较早的量化投资基金主要包括：嘉实基金――嘉实量化阿尔法股票、上投摩根基金管理有限公司――上投摩根阿尔法、光大保德信基金――光大量化、富国基金管理有限公司――富国沪深增强、国泰君安资产管理公司――君享量化。近年来，一些公募基金、私募基金也都不断加快了布局量化投资基金的方法。这些量化投资基金，主要研究了基于基本面的多因子选股模型，这些投资组合因子主要包括：公司财务基本面数据，市场行情数据，行业数据等，并在实证中不断完善量化投资指标因子的选取。研究行业以及个股的价格趋势，运用道氏理论、K线理论、波浪理论、切线理论、形态理论等一些常用的技术分析方法建立不同风格的投资模型和投资组合。

三、量化投资的优点

量化投资作为一种有效的主动投资工具，是对定性投资方式的继承和发展。实践中的定性投资是指，以深入的宏观经济和市场基本面分析为核心，辅以对上市公司的实地调研、与上市公司管理层经营理念的交流，发表各类研究报告作为交流手段和决策依据。因此，定性投资基金的组合决策过程是由基金经理在综合各方面的市场信息后，依赖个人主观判断、直觉以及市场经验来优选个股，构建投资组合，以获取市场的超额收益。与定性投资相同，量化投资的基础也是对市场基本面的深度研究和详尽分析，其本质是一种定性投资思想的理性应用。但是，与定性投资中投资人仅依靠几个指标做出结论相比，量化投资中投资人更关注大量数据所体现出来的特征，特别是挖掘数据中的统计特征，以寻找经济和个股的运行路径，进而找出阿尔法盈利空间。与定性投资相比，量化投资具有以下优势：

（一）量化投资可以让理性得到充分发挥

量化投资以数学统计和建模技术代替个人主观判断和直觉，能够保持客观、理性以及一致性，克服市场心理的影响。将投资决策过程数量化能够极大地减少投资者情绪对投资决策的影响，避免在市场悲观或非理性繁荣的情况下做出不理智的投资决策，因而避免了不当的市场择时倾向。

（二）是量化投资可以实现全市场范围内的择股和高效率处理

量化投资可以利用一定数量化模型对全市场范围内的投资对象进行筛选，把握市场中每个可能的投资机会。而定性投资受人力、精力和专业水平的限制，其选股的覆盖面和正确性远远无法和量化投资相比。

（三）是量化投资更注重组合风险管理

量化投资的三步选择过程，本身就是在严格的风险控制约束条件下选择投资组合的过程，能够保证在实现期望收益的同时有效地控制风险水平。另外，由于量化投资方式比定性投资方式更少的依赖投资者的个人主观判断，就避免了由于人为误判和偏见产生的交易风险。当然，无论是定性投资还是量化投资，只要得当的应用都可以获取阿尔法超额收益，二者之间并不矛盾，相反可以互相补充。量化投资的理性投资风格恰可作为传统投资方式的补充。

四、量化投资的局限性

量化投资是一种非常高效的工具，其本身的有效性依赖于投资思想是否合理有效，因此换言之，只要投资思想是正确的，量化投资本身并不存在缺陷。但是在对量化投资的应用中，确实存在过度依赖的风险。量化投资本身是一种对基本面的分析，与定性分析相比，量化分析是一种高效、无偏的方式，但是应用的范围较为狭窄。例如，某项技术在特定行业、特定市场中的发展前景就难以用量化的方式加以表达。通常量化投资的选股范围涵盖整个市场，因此获得的行业和个股配置中很可能包含投资者不熟悉的上市公司。这时盲目的依赖量化投资的结论，依赖历史的回归结论以及一定指标的筛选，就有可能忽略不能量化的基本面，产生巨大的投资失误。因此，基金经理在投资的时候一定要注意不能单纯依赖量化投资，一定要结合对国内市场基本面的了解。

五、量化投资对中国的启示

通过研究国外市场的发展和中国市场的特点，对中国市场上的监管创新，制定相关的法律法规也势在必行。由于市场结构的差异，国内量化投资情况与国外有很大不同。技术型量化投资的应用主要是集中在期货市场，并且有较高的推崇程度；金融型量化投资的应用主要集中在股票市场，由于需要应用的时间数据周期相对较长，实际中应用并不普遍。目前，中国金融市场正处于迅速发展的阶段，很多新的金融工具在不断被引进，用量化投资方式来捕捉这种机会，也是非常合理的。与国外相比，目前国内股票市场仅属于非有效或弱有效市场，非理性投资行为依然普遍存在，将行为金融理论引入国内证券市场是非常有意义的。国内有很多实证文献讨论国内A股市场未达到半强势有效市场。

目前对中国市场特点的一般共识包括：首先，中国市场是一个个人投资者比例非常高的市场，这意味着市场情绪可能对中国市场的影响特别大。其次，中国作为一个新兴市场，各方面的信息搜集有很大难度，有些在国外成熟市场唾手可得的数据，在中国市场可能需要自主开发。这尽管加大了工作量，但也往往意味着某些指标关注的人群少，存在很大机会。其三，中国上市公司的主营比较繁杂，而且变化较快，这意味着行业层面的指标可能效率较低。而中国的量化投资实际上就是从不同的层面验证这几点，并从中赢利。例如，考虑到国内A股市场个人投资者较多的情况，我们可以通过分析市场情绪因素的来源和特征指标，构建市场泡沫度模型，并以此判断市场泡沫度，作为资产配置和市场择时的重要依据。

在中国金融市场的不断发展阶段，融资融券和股指期货的推出结束了中国金融市场不能做空的历史，量化投资策略面临着重大机遇。运用量化投资的机理和方法，将成为中国市场未来投资策略的一个重要发展趋势。量化投资在给投资者进行规避风险和套利的同时，也会带来一定的风险，对证券具有助涨助跌的作用。由于国内股票市场还不够成熟，量化投资在中国的适用性很大程度上取决于投资小组的决策能力和创造力。以经济政策对中国量化投资的影响为例。中国的股市有“政策市”之称，中国股市的变化极大的依赖于政府经济政策的调节，但是经济政策本身是无法量化的。基金建仓应早于经济政策的施行，而基于对经济政策的预期，但预期的影响比经济政策的影响更难以量化。例如，在现阶段劳动力成本不断上升、国际局势动荡、国际大宗商品价格上升的情况下，央行何时采取什么力度的加息手段，对市场有何种程度的影响，这一冲击是既重要又无法量化的。为解决这个在中国利率非市场化特点下出现的问题，需要基金投资小组采取创造性的方式，将对中国经济多年的定性经验和定量的指标体系结合起来，方能提高投资业绩。

参考文献：

篇（3）

一、量化投资的涵义

从实践的角度上看。量化投资即是利用模型来投资。任何一个完整的关于投资的想法，我们都可以开发成投资模型，然后通过一定的测试过程来检验这个模型是否有效。如果最终有效，它就是一个可以用作量化投资的投资模型。量化投资为我们提供了检验和选股的数学工具。也可以帮助我们规避人为的情绪化和低效率。

其次，量化投资的各种工具包括系统的投资决策手段和数学模型。从中国量化策略基金的实践来看。金融数量化的程度还处于初步阶段，量化投资的流程还比较简单。中国量化策略基金的量化投资途径多采用从一级股票库初选、并从二级股票库精选。最后对行业进行动态的配置的三步法。以中海量化策略基金的量化投资风格为例，第一步是根据公司盈利能力。选择代表性较强的公司盈利能力指标。如过去三年平均每股收益、资产回报率以及毛利率，以所有A股上市公司为样本。筛选得到一级股票库。第二步是通过相关指标体系，如估值指标和一致预期指标体系。并借助熵值法确定指标权重后。对一级股票库中的股票进行打分和排名，进一步筛选得到二级股票库。其中，一致预期指标值选取各大券商的估值结论，得出市场对上市公司的平均预期值，以此作为市场对公司未来现金流的权威预期。第三步。采用B-L行业量化模型对股票组合进行动态行业配置，对每一个行业形成最佳的权重股组合，提高投资的夏普比率。

最后，量化投资与现在已经很普遍的指数型基金不同。是一种主动投资。这是因为量化投资和指数化投资的理论基础完全不同。指数化等被动投资的理论基础认为市场是完全有效的，这一理论的依据是基金的历史业绩除去基金的管理费用。要弱于大市。因此。对投资者来说，更合理的手段是试图复制市场，以获得和市场相同的长期收益。同时规避所有的非系统性风险。而量化投资的理论基础认为市场是无效的，或者是弱有效的，这一理论的依据在于总有优秀的基金经理可以发现市场的阿尔法收益。支持量化投资的基金经理认为可以通过对经济环境、行业基本面以及公司的分析，主动构建能够超过市场平均收益率的超额收益组合。因此。量化投资属于主动投资的一种策略。综上所述，量化投资并不是一种被动投资，数量化模型的选择、指标的运用就是量化投资中的主动部分。好的量化投资是主动的人为判断和被动的模型筛选的结合。

二、量化投资的优点

量化投资作为一种有效的主动投资工具，是对定性投资方式的继承和发展。实践中的定性投资是指，以深入的宏观经济和市场基本面分析为核心，辅以对上市公司的实地调研、与上市公司管理层经营理念的交流，发表各类研究报告作为交流手段和决策依据。因此。定性投资基金的组合决策过程是由基金经理在综合各方面的市场信息后，依赖个人主观判断、直觉以及市场经验来优选个股，构建投资组合。以获取市场的超额收益。与定性投资相同，量化投资的基础也是对市场基本面的深度研究和详尽分析，其本质是一种定性投资思想的弼!性应用。但是，与定性投资中投资人仅依靠几个指标做出结论相比，量化投资中投资人更关注大量数据所体现出来的特征，特别是挖掘数据中的统计特征，以寻找经济和个股的运行路径，进而找出阿尔法盈利空间。与定性投资相比。量化投资具有以下优势：

一是量化投资可以让理性得到充分发挥。量化投资以数学统计和建模技术代替个人主观判断和直觉，能够保持客观、理性以及一致性。克服市场心理的影响。将投资决策过程数量化能够极大地减少投资者情绪对投资决策的影响。避免在市场悲观或非理性繁荣的情况下做出不理智的投资决策。因而避免了不当的市场择时倾向。

二是量化投资可以实现全市场范围内的择股和高效率处理。量化投资可以利用一定数量化模型对全市场范围内的投资对象进行筛选。把握市场中每个可能的投资机会。而定性投资受人力、精力和专业水平的限制，其选股的覆盖面和正确性远远无法和量化投资相比。

三是量化投资更注重组合风险管理。量化投资的三步选择过程，本身就是在严格的风险控制约束条件下选择投资组合的过程，能够保证在实现期望收益的同时有效地控制风险水平。另外。由于量化投资方式比定性投资方式更少的依赖投资者的个人主观判断，就避免了由于人为误判和偏见产生的交易风险。

当然。无论是定性投资还是量化投资，只要得当的应用都可以获取阿尔法超额收益，二者之间并不矛盾，相反可以互相补充。量化投资的理性投资风格恰可作为传统投资方式的补充。

三、量化投资的局限性

量化投资是一种非常高效的工具，其本身的有效性依赖于投资思想是否合理有效。因此换言之，只要投资思想是正确的，量化投资本身并不存在缺陷。但是在对量化投资的应用中，确实存在过度依赖的风险。量化投资本身是一种对基本面的分析，与定性分析相比，量化分析是一种高效、无偏的方式，但是应用的范围较为狭窄。例如，某项技术在特定行业、特定市场中的发展前景就难以用量化的方式加以表达。通常量化投资的选股范围涵盖整个市场，因此获得的行业和个股配置中很可能包含投资者不熟悉的上市公司。这时盲目的依赖量化投资的结论，依赖历史的回归结论以及一定指标的筛选，就有可能忽略不能量化的基本面。产生巨大的投资失误。因此，基金经理在投资的时候一定要注意不能单纯依赖量化投资，一定要结合对国内市场基本面的了解。

篇（4）

国内的公募量化基金在沉寂4年之后重现江湖:2月份,嘉实量化阿尔法发行,于4月成立;5月份中海量化发行,于6月份成立。私募基金也不甘落后,中国第一只量化阳光私募产品――“山东信托•红色量化一号”证券投资集合资金信托计划6月1日正式成立。

据悉,国内一些公司正在积极申报量化产品不久将还会有量化基金发行。

作为“舶来品”的量化基金,其前世今生如何?

国外量化基金发展迅速

量化基金即以数量化投资来进行管理的基金,数量化投资区别于基本面投资,它不是通过“信息和个人判断”来管理资产,而是遵循固定规则,由计算机模型产生投资决策。量化投资并不是基本面分析的对立者,90%的模型是基于基本面因素,同时考虑技术因素。由此可见,它也不是技术分析,而是基于对市场深入理解形成的合乎逻辑的投资方法。

数量化技术发源于20世纪70年代,以1971年富国银行发行跟踪纽约证券交易所1500只股票的指数基金为标志,此后随着计算机处理能力的提高,越来越多的物理学家和数学家离开学校被华尔街雇佣,基金经理们开始依靠电脑来筛选股票。

1979年巴克菜全球投资成立了第一支主动数量投资基金标志着量化投资由草根实践走到了公募基金历史舞台聚光灯下。

根据Bloomberg的数据,截至2008年底,1184只数量化基金管理的总资产高达1848亿美元,相比1998年21只数量化基金管理的80亿美元资产来说,平均增长速度高达20%,而同期非数量化基金的年增长速度仅为8%。

2000年之后是数量化基金发展的黄金时期,无论是个数还是管理规模都有了跨越式的发展。1998年数量化基金仅136只,至2002年增长一倍多,达316只,2008年底更是达到1848只,1988年至1998年年平均增长率为46%,2000年至2008年年平均增长幅度达54%。从规模上来看,1988年至1998年年平均增长率为32%,2000年至2008年年平均增长幅度达49%。

其中的原因有二:一是,2000年之后计算机技术飞速发展,为数量化的应用提供了良好的平台。更为主要的是主动管理型基金很难战胜大盘,于是投资指数基金以及采用数量化方法筛选股票逐渐流行起来。而且数量化基金的表现也非常不错。2002年至2007年5年间,相比美国市场主动型管理基金每年5.93%的超额收益,那些覆盖所有资产的数量化基金每年的超额收益可以达到6.95%。二是,有研究表明,2004年至2007年,投资美国大盘股的数量化基金产品的表现平均超越非大盘主动型基金103个基点。

量化基金的心脏

数量化基金的兴起,建立在数量化投资技术的发展之上。

数量化基金最明显的优势之一就是计算机处理数据的能力远远胜过人脑,这使电脑在海量股票选择中占有绝对优势。例如,在嘉信证券的股票评级系统跟踪的股票超过3000只,并且每只股票都综合了基本面、估值、动量和风险因素进行打分,并按分数高低给A至F不同的评级。其次,量化基金是以定量投资为主,用纪律性较强的精细化定量模型,代替了基金经理或分析师在定性层面的主观判断,使投资业绩较少受到个人“熟悉度偏好”的影响。最后,数量化基金收取的费率及管理费用比传统的主动型基金低很多,因为他们需要的研究人员更少,成本更低。据Lipper调查,数量化基金的平均费用是1.32%,相比而言,主动型基金的管理费用平均达到1.46%。

针对不同市场设计数量化的投资管理模型,以电脑运算为主导,并在全球各种市场上进行短线交易,正是西蒙斯的成功秘诀。

然而量化基金并非在所有市场都能有效战胜非量化基金。Lipper把基金分为4类型,将每一类型的量化投资与传统投资进行比较,2005年量化投资基金全面战胜传统基金,而2006年在增强指数型基金中,量化投资落后于传统型基金,到2007年则情况发生较大转弯,除市场中立基金外,其余量化投资基金全部跑输传统型基金。在考虑了风险、跟踪误差后,数量化投资具有更小的跟踪误差和更高的回报。研究表明数量投资基金业绩具有很强的轮动特点。大部分数量投资基金具有很强的价值投资偏好,因此,他们在价值型市场下表现良好,而1998-1999年是成长型市场,数量化投资基金大部分跑输传统型基金。2001-2005年是价值型市场,数量化投资基金普遍表现优异。

国内量化基金端倪

目前,国内基金市场上有4只量化基金,光大保德信量化核心、上投摩根阿尔法、嘉实量化阿尔法、中海量化策略,其中后两只均是今年才成立,前两只分别成立于2004年8月和2005年10月。

光大保德信量化核心一方面通过光大保德信的多因素数量模型对股票的预期收益率进行估算,个股预期收益率的高低决定投资组合是否持有股票;另一方面,投资团队从风险控制角度,重点关注数据以来的信息,通过行业分析和个股分析形成对量化的补充;最后由投资组合优化器根据预先设计的风险构建组合。

上投摩根阿尔法基金的描述则是同步以“成长”与“价值”双重量化指标进行股票选择,然后研究团队将对个股进行基本面审核,结合跟踪误差的紧密监控,以求不论指数高低,市场多空皆创造主动管理回报。投研团队最终决定进入组合的股票,量化分析是辅助和基础。

嘉实量化基金“定量投资”为主,辅以“定性投资”。通过行业选择模型,捕捉具有投资吸引力的行业,然后再在所选行业中运用Alpha多因素模型筛选个股。定性的辅助作用表现在利用基本面研究成果,对模型自动选股的结果进行复核,剔除掉满足某些特殊条件的股票。

篇（5）

量化模型是工具，投资理念是灵魂

“如果把投资比作吃饭的话，那么‘吃什么’由投资理念来决定，再根据所吃的食物决定使用的吃饭工具，即量化模型。”张靖认为，在量化投资领域，投资理念才是量化投资的灵魂，决定了投资的逻辑。只有将最根本的逻辑融入适当的量化方法中才能将量化投资的“魔力”发挥出来，创造最大的投资收益。

谈到模型在量化投资中的作用，张靖有其独到的见解，“量化模型的采用必须与投资理念密切结合，并不是越复杂的模型越好，有时简单易操作的模型反而更加有效。正如吃西餐要用刀叉，吃中餐要用筷子一样，与投资理念相匹配的模型才是最好的模型。”

用量化的方法做有把握的事

张靖对量化投资最通俗的解释就是“用量化的方法做有把握的事儿”。换句话说，就是通过对大量样本数据和市场环境的量化分析，通过平衡投资的风险和收益，建立量化模型，捕捉大概率事件，有把握地获取市场上普遍的、稍高于平均水平的超额收益。

另外，张靖提到，量化模型并不是固定不变的，需要逐步提升，不断改进，在变化中总结经验和规律，使得量化模型能够适应市场和投资者投资习惯的变化。以大摩多因子基金模型中现有的动量因子为例，从总体来看，随着市场逐渐回归理性，其效应应该是逐渐递减的。所以随着该因子效应的递减，未来可能会将其从模型中剔除掉。相应地，另外一些新的因子可能会加入模型中。

量化选股、量化择时、量化交易

篇（6）

量化模型是工具，投资理念是灵魂

“如果把投资比作吃饭的话，那么‘吃什么’由投资理念来决定，再根据所吃的食物决定使用的吃饭工具，即量化模型。” 张靖认为，在量化投资领域，投资理念才是量化投资的灵魂，决定了投资的逻辑。只有将最根本的逻辑融入适当的量化方法中才能将量化投资的“魔力”发挥出来，创造最大的投资收益。

谈到模型在量化投资中的作用，张靖有其独到的见解，“量化模型的采用必须与投资理念密切结合，并不是越复杂的模型越好，有时简单易操作的模型反而更加有效。正如吃西餐要用刀叉，吃中餐要用筷子一样，与投资理念相匹配的模型才是最好的模型。”

用量化的方法做有把握的事

张靖对量化投资最通俗的解释就是“用量化的方法做有把握的事儿”。换句话说，就是通过对大量样本数据和市场环境的量化分析，通过平衡投资的风险和收益，建立量化模型，捕捉大概率事件，有把握地获取市场上普遍的、稍高于平均水平的超额收益。

另外，张靖提到，量化模型并不是固定不变的，需要逐步提升，不断改进，在变化中总结经验和规律，使得量化模型能够适应市场和投资者投资习惯的变化。以大摩多因子基金模型中现有的动量因子为例，从总体来看，随着市场逐渐回归理性，其效应应该是逐渐递减的。所以随着该因子效应的递减，未来可能会将其从模型中剔除掉。相应地，另外一些新的因子可能会加入模型中。

大摩多因子：量化选股，量化择时，量化交易

篇（7）

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

篇（8）

说到量化交易，虽不陌生，但仍懵懂。到底什么是量化交易呢？

量化交易区别于定性投资（过去的投资方法）的鲜明特征，就是充分利用各种各样的数理模型。它是借助现代统计学和数学的方法，利用计算机技术，从庞大的历史数据中海选能带来超额收益的多种“大概率”事件，然后制定策略，并用数量模型验证及固化这些规律和策略，继而再严格执行这些已固化的策略来指导投资，以求获得可持续的、稳定且高于平均的超额回报。

对于量化交易中模型与人到底是什么关系？比如中医与西医的诊疗方法，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；而西医就不同了，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。

以此形容的话，可以说定性投资像中医，更多地凭主观臆断和个人经验判断病在哪里；量化交易像西医，依靠数量模型判断，而这些模型对于使用量化交易的投资者的作用就像CT机对于医生的作用。在每一天的投资运作之前，一般都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。

量化交易靠概率取胜

和传统投资方式相比，量化交易的视角更广，它借助计算机高效、准确地处理海量信息，更广泛地寻找和验证投资机会，消除投资组合配置的局限性，并依靠计算机配置投资组合，克服人性弱点，使投资决策更科学、更理性。

具体来说，这个新兴的投资方法，与我们那些传统的看指标判断、听消息判断、简单看财务报表判断等定性投资方法相比较，主要有以下几大优势：

量化交易有着严格的纪律性。比如，如果有人问你，某年某月某一天，你为什么购买某支股票的话，你就可以打开量化交易系统，系统会显示出当时被选择的这只股票与其他股票在成长面上、估值上、资金上、买卖时机上的综合评价情况，而且这个评价会非常全面，比普通投资者拍脑袋或者简单看某一个指标买卖更具有说服力。

它系统性较完备，具体表现为“三多”，包括多层次、多角度、多数据。因为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有优势，他可以深刻分析这100家公司。但当有成千上万只股票时，量化交易就可以充分发挥它强大的信息处理优势，捕捉更多、拓展更大的投资机会。

另外，定性投资大部分时间在琢磨哪一个企业是伟大的企业，那个股票是可以翻倍的股票，而量化交易大部分精力花在分析哪里是估值洼地，哪一个品种被低估了，买入低估的，卖出高估的。

量化交易靠概率取胜。这表现为两个方面，首先量化投资不断地从历史中挖掘，有望在未来重复的历史规律，并且加以利用。其次它在股票实际操作过程中，运用概率分析，提高买卖成功的概率和仓位控制。

量化投资者也有噩梦

事实上，量化交易的方法在海外已有30多年的发展历史，素以投资业绩稳定，抗风险能力强著称，目前已经成为海外基金管理投资市场的重要方法。

而与海外成熟市场相比，量化交易以基本面分析为驱动，以全市场、多维度的视角广度扫描投资机会，在中国市场的应用将更显其优势。

不过，在谈及这么多利好之后，还是要“泼一次冷水”。不要以为不停闪烁的超级电脑自动进行着高速交易，荧幕上滚动着通过高速网络提前获取的最新市场消息，加上通过杠杆放大的头寸，账户的盈利不断上跳，这一切的一切就预示着“可以躺着赚钱的时代”来临了，现实并没有这么美好。

相对来说，量化交易目前还处在初级发展阶段，比如基本面投资者只需简单的基于预测特定事件，比如超过或差于预期的财报做交易即可。而量化交易者则需要搞清楚具体消息对股价的平均影响程度，这就不是一件容易的事了，因为你的研究对象时刻还在变化着。

不仅如此，研究出一套只基于公司财报的交易系统不难，比如基于超出预期的营收或股息来买入。但是供给面的情况、消费者层面的情绪纳入交易模型中，也比较麻烦。

同时，股票、基本面、新闻消息之间的关系也是不停变化着的。记得2009年美股到达低点的时候，很多“低质”公司的回报大大高于“优质”公司的回报。很多3块钱的“垃圾股”可以在很短时间内涨到10块钱，而高价的优质公司的股票想要翻一倍都要花上很久很久。对于基本面投资者来说，这是掘金的好时候，但对于量化投资者来说却是噩梦，因为大多数模型此时都会显示做多“优质股”做空“垃圾股”，后果则可想而知。

篇（9）

1997年5月11日，国际象棋世界冠军卡斯帕罗夫与1BM公司的国际象棋电脑“深蓝”的六局对抗赛降下帷幕。在前五局以2.5对2.5打平的情况下，卡斯帕罗夫在第六盘决胜局中仅走了19步就向“深蓝”拱手称臣。整场比赛进行了不到一个小时，卡斯帕罗夫赛后说，在最后一局时，“我已经无力再战。”于此同时，利用计算机和数学模型来进行数量化投资的基金正迈入高速增长期。

量化基金即以数量化投资来进行管理的基金。数量化投资区别于基本面投资，他不是通过“信息和个人判断”来管理资产，而是遵循固定规则，由计算机模型产生投资决策。量化投资并不是基本面分析的对立者，90％的模型是基于基本面因素，同时考虑技术因素。由此可见，它也不是技术分析，而是基于对市场深入理解形成的合乎逻辑的投资方法。

数量化技术发源于20世纪70年代，以1971年富国银行发行跟踪纽约证券交易所1500只股票的指数基金为标志，此后随着计算机处理能力的提高，越来越多的物理学家和数学家离开学校被华尔街雇佣，基金经理们开始依靠电脑来筛选股票。

1979年巴克莱全球投资(Barclays Global Investor)成立了第一支主动数量(Quantitative & Active)投资基金标志着量化投资由草根实践走到了公募基金历史舞台聚光灯下。此后，Vanguard，Federated，Janus，American Century,Alliance Bernstein，Evergreen以及Schwab都开始在运作数量化基金，他们也都开始加入Barclays Global Investors和LSVAsset Management的阵营，后两者是数量化基金管理中最大的两家公司。另外，NumericInvestors和AQR CapitalManagement是增长最快的数量化基金公司。

根据Bloomberg的数据，截至2008年底，1184只数量化基金管理的总资产高达1848亿美元，相比1988年21只数量化基金管理的80亿美元资产来说，平均增长速度高达20％，而同期非数量化基金的年增长速度仅为8％。

2000年之后是数量化基金发展的黄金时期，无论是个数还是管理规模都有了跨越式的发展。1998年数量化基金仅136只，至2002年增长一倍多，达316只，2008年底更是达到1848只，1988年至1998年年平均增长率为46％，2000年至2008年年平均增长幅度达54％。从规模上来看，1988年至1998年年平均增长率为32％，2000年至2008年年平均增长幅度达49％。

其中的原因有二：一是，2000年之后计算机技术飞速发展，为数量化的应用提供了良好的平台；更为主要的是主动管理型基金很难战胜大盘，于是投资指数基金以及采用数量化方法筛选股票逐渐流行起来。而且数量化基金的表现也非常不错。2002年至2007年5年间，相比美国市场主动型管理基金每年5.93％的超额收益，那些覆盖所有资产的数量化基金每年的超额收益可以达到6.95％。另外，有研究表明，2004年至2007年，投资美国大盘股的数量化基金产品的表现平均超越非大盘主动型基金103个基点。

模型――量化基金的心脏

数量化基金的兴起，建立在数量化投资技术的发展之上。在20世纪80年代，大量复杂模型得以发展，这包括：混沌理论(chaos theory)、分形(fraetals)、多维分形(multi-fractals)、适应过程(adaptive programming)、学习理论(leaming theory)、复杂性理论(complexity theory)、复杂非线性随机理论(complex nonlinear stochasticmodels)、数据挖掘(data mining)和智能技术(artificial intelligence)。然后，回归分析(regression analysis)和动量模型(momentum modeling)仍然是被调查者使用最广泛的数量化投资方式。

数量化基金最明显的优势之一就是计算机处理数据的能力远远胜过人脑，这使电脑在海量股票选择中占有绝对优势。例如在嘉信证券的股票评级系统跟踪的股票超过3000只，并且每只股票都综合了基本面、估值、动理和风险因素进行打分，并按分数高低给A至F不同的评级。其次。量化基金是以定量投资为主，用纪律性较强的精细化定量模型，代替了基金经理或分析师在定性层面的主观判断，使投资业绩较少受到个人“熟悉度偏好”的影响。最后，数量化基金收取的费率及管理费用比传统的主动型基金低很多，因为他们需要的研究人员更少，成本更低。据Lipper调查，数量化基金的平均费用是1.32％，相比而言，主动型基金的管理费用平均达到1.46％。

数量化投资理念成就了一大批数量化基金经理，詹姆斯・西蒙斯无疑是其中的佼佼者。他所管理的大奖章基金对冲基金(Medallion)，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％。从1988年成立到1999年12月大奖章基金总共获得2478.6％的净回报率，超过第二名索罗斯的量子基金一倍，而同期的标准普尔指数仅有9.6％。即使在次贷危机全面爆发的2007年，该基金的回报率仍高达85％。

然而量化基金并非所有市场都能有效战胜非量化基金。Lipper把基金分为四类型，每一类型量化投资与传统投资比较，2005年量化投资基金战胜传统基金，而2006年在增强指数型基金中，量化投资落后于传统型基金，到2007年情况则发生较大转弯，除市场中立基金外，其余量化投资基金全部跑输传统型基金。在考虑了风险、跟踪误差后，数量化投资具有更小的跟踪误差和更高的回报。研究表明数量投资基金业绩具有很强的轮动特点。大部分数量投资基金具有很强的价值投资偏好(value bias)，因此，他们在价值型市场下表现良好，而1998-1999年是成长型市场，数量化投资基金大部分跑输传统型基金。2001-2005年是价值型市场，数量化投资基金普遍表现优异。

用数学创造财富

国内基金业虽然历史较短，但发展迅速。美国等成熟基金市场的现状，也很可能会是我们未来的发展方向。指数基金、量化基金以及免佣基金等品种，在未来有望陆续发展壮大，受到越来越多投资者的认可。

目前，国内基金市场上有4只量化基金，光大保德信量化核心、上投摩根阿尔法、嘉实量化阿尔法、中海量化策略，其中后两只均是今年才成立，前两只分别成立于2004年8月和2005年10月。

光大保德信量化核心一方面通过光大保德信的多因素数量模型对股票的预期收益率进行估算，个股预期收益率的高低决定投资组合是否持有股票；另一方面，投资团队从风险控制角度，重点关注数据以来的信息，通过行业分析和个股分析形成对量化的补充；最后由投资组合优化器根据预先设计的风险构建组合。

上投摩根阿尔法基金的描述则是同步以“成长”与“价值”双重量化指标进行股票选择，然后研究团队将对个股进行基本面审核，结合跟踪误差的紧密监控，以求不论指数高低，市场多空皆创造主动管理回报。投研团队最终决定进入组合的股票，量化分析是辅助和基础。

嘉实量化基金“定量投资”为主，辅以“定性投资”。通过行业选择模型，捕捉具有投资吸引力的行业，然后再在所选行业中运用Alpha多因素模型筛选个股。定性的辅助作用表现在利用基本面研究成果，对模型自动选股的结果进行复核，剔除掉满足某些特殊条件的股票。

篇（10）

他分析目前市场上的量化产品将研究的重点放在择股和行业配置上，实质上大多是“量化选股”基金，缺乏有效及时的风险响应体系，而从国外的经验看量化的一大特点就是对风险的预判。费鹏介绍，华商基金量化投资团队在设计该基金投资模型时就将风险量化模型作为重中之重。在设计中他们借助了包括统计信息学角度出发的信息熵值（Entropy）的变化、分形理论出发的市场模式（Pattern）的变化、金融物理学角度出发的金融泡沫统计指标的变化、市场微观结构出发的分析师一致预期分歧的变化和趋势等构建风险模型，对中短期系统风险进行定量分析。依靠基金经理和研究员对宏观经济发展状况、人口与社会的结构性特征、经济产业周期等因素的分析对长期风险进行定性分析。

在产品结构设计上，华商大盘量化基金独具特色，其一，仓位比较灵活，股票投资比例可为0—95%，也就是说当市场趋势性下跌时，可以空仓应对；其二，产品结构多样性，虽然目前公募基金已开展了股指期货，但基本上作为流动性管理的手段，而该基金将把股指期货作为一个有效的风控或者对冲工具应用到投资中；其三，在投资标的上，华商大盘量化主要选择流动性好的沪深300成分股，以保证在极端情况下可以及时调仓；其四，经过测算，在目前A股市场中利于量化操作规模在10亿左右，因此一旦华商大盘量化基金募集额达到10亿时便会停止。

而据记者了解，华商大盘量化基金在择股方面也有别于一些量化类基金。相较而言，目前国内公募量化基金多采用多因子模型，而多因子模型的设计原理是把价值投资理论通过数字模型加以表达。而在实际测算中，华商基金量化团队每日涨幅居前的股票中会有所谓投资价值较少的“垃圾股”，很难通过价值投资理论解释。对此华商大盘量化基金在设计选股模型时更多的是通过捕捉市场的异常波动，寻找股价波动的非基本面的因素。通过对数据挖掘，建立初选股票池，然后按照行业分类，结合基本面研究，通过行业研究员调研，寻找相互印证支持依据，最终进行择时投资。

从目前市场趋势看，越来越多的基金公司倾向于推出量化策略。相对于海外成熟市场，A股市场不是特别有效的市场，量化投资策略可以发挥其纪律性、系统性、及时性、准确性、分散化的有点而捕获国内市场的各种投资机会。同时A股市场的深度和广度都与前几年不可同日而语，市场上有两千多家上市公司，基金经理加研究员再加卖方，能把握和持续跟踪的公司也不过几百家。量化投资多层次，多角度，海量数据观察，可以捕捉更多的投资机会，拓展更大的投资空间。

巧理压岁钱

ETF联接基金生财有道

新春又至，在成人感叹春节成“春劫”时，孩子们的压岁钱水涨船高，越来越多的小朋友在春节长假后晋升为“小财神”。这笔贺岁红包若巧妙打理，则有望成为个人的梦想基金。在理财人士看来，作为儿童成长的见证，让压岁钱生钱也需要寻觅具有成长基因的理财产品。

篇（11）

截至5月21日，上证指数今年以来累计下跌0.42%，创业板指累计下跌8.02%，沪深300指数表现较好，年内上涨2.83%。沪深300指数的标的股多为蓝筹股，顺应了今年的蓝筹行情，推升了指数的上涨，见图1。

在A股市场整体表现不佳的背景下，大部分采取主动管理的权益类公募基金逆市盈利，净值增长率实现正收益并跑赢市场主要指数。今年以来，股票基金平均净值增长率为2.02%，混合型基金平均净值增长率为1.10%。统计结果显示，2017年，量化主题基金净值表现较前期下滑明显，该类基金今年以来的平均净值损失幅度达2.72%，远低于股票基金和混合基金的平均水平。虽然大部分量化主题基金平均表现回落，但部分基金管理公司旗下的量化基金的表现较为稳定，例如华泰柏瑞基金管理公司旗下的7只量化基金，其平均净值增长率达4.51%，大幅跑赢同类平均水平。

发行速度加快

2004年，国内首只采用量化对冲策略的基金成立，至2011年市场存量超过10只，下页图2描述了该类基金历年量化主题基金市场存量及发行数量。自2015年起，这类基金的数量明显增多，截至2017年5月23日，年内已有15只量化基金成立，超过2016年全年发行水平。较早成立的产品多采用量化选股，量化模型和策略较为单一。而近年来量化技术和投资策略不断丰富，由早期尝试阶段逐渐走向成熟和创新。因此，在进行统计分析时，笔者着重关注今年以来的表现，选择已进入常规运作周期，具备可查、完整信息披露的产品进行业绩统计和研究。

多数量化基金的股票选择行为是基于投资模型而定，坚持数量化的投资策略，这种完全基于模型的数量化投资方法既能客观、理性地分析和筛选股票，也能保证不受外部分析师的影响，减少了投资者情绪对基金投资运作的影响，从而保持投资策略的一致性与有效性。利用机械化的数量化模型进行投资更具有纪律性，但使得基金选股择时的能力下滑。在今年的政策驱动行情中，多数量化主题基金依旧重仓中小盘股票，使得该类基金净值表现不佳。

净值遭遇滑铁卢

根据济安金信基金评价中心的统计，截至2017年5月21日，市场上共有71只主动权益类的量化主题基金，过去1个月、过去3个月、过去6个月的平均净值损失幅度分别为-3.35%、-3.41%、-2.96%，远低于其他主动权益类基金的平均水平。具体来看，具有今年以来持续运作记录的共有56只，今年以来的平均净值损失幅度为2.72%，17只净值上涨，39只净值下跌，净值下跌幅度超10%的高达6只。2016年整体表现较为优异的量化主题基金在2017年为何会遭遇滑铁卢呢？

据笔者统计，2017年，业绩下滑的量化主题基金普遍重仓了高估值、小市值的成长股，可见量化基金未能及时适应行情转变。这源于量化主题基金大多采用使用数量化模型计算来M行投资，量化基金模型结构上的相似性将直接影响模型的有效性及流动性问题。

从模型的具体操作来看，量化模型主要根据历史数据构建，其吸收新信息的能力比较缓慢，一旦外部环境出现变化或发生某些重大事件，例如设立雄安新区等，其有效性很可能受到影响。

少数基金表现突出