量化投资主要方法大全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篇量化投资主要方法范文，希望它们能为您的写作提供参考和启发。

篇（1）

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。

篇（2）

：请通俗介绍一下什么是量化投资，它的发展情况如何？

叶乐天：中国量化投资研究院院长陈工孟曾做过这样的描述：第一批聪明人叫金融学家，他们发明了各种各样的金融衍生品赚得盆满钵满；第二批聪明人叫数学家，他们通过各种数据模型去发现了一些不合理的现象，同时发现了赚钱的机会，然而数学家不知道怎么把钱赚到手；第三批聪明人就是IT工程师、软件工程师，他们帮助第二批聪明人实现了赚钱的机会。而“量化投资”就是高端的金融人才、数学家和一流的IT工程师的复合。在美国有一种说法，最聪明的人，最高端的技术首先应用在两个领域，一个领域就是国防，第二个领域就是华尔街。

量化投资从20世纪70年代在美国兴起，经过40多年的发展，已经成为西方金融市场最为重要的投资方式之一。从20世纪90年代初期开始，量化投资的资产管理规模迅速增长，2000～2007年，美国的量化投资总规模增长了4倍多。2011年美国的量化投资和对冲基金的规模经过金融危机以后再创新高，达到了2万多亿美元的规模。

2009年被称为中国量化投资元年。随着2010年股指期货的推出，金融衍生品迅速登上中国资本市场的舞台，为量化投资的发展创造了有利的条件，而量化投资的发展为投资者提供了可选择的、非常有优势地位的投资方式。

：量化投资与价值投资有什么关系？

叶乐天：资本市场之大，每位强者都有自己的成功之道。相对于巴菲特过去20年平均20%的年回报率，有位中国人不太熟悉的高手更胜一筹，他就是华尔街的“模型先生”詹姆斯·西蒙斯。西蒙斯创办的大奖章基金从1989年到2006年的平均年收益率高达38.5%，净回报率超过巴菲特，即使在次贷危机爆发市场一片阴霾的2007年，他的基金回报都高达85%。

与股神巴菲特的“价值投资”不同，西蒙斯的投资成就依靠的是“量化投资”。这位24岁起就出任哈佛大学数学系教授的数学天才，依靠数学模型和计算机技术捕捉着市场机会。他认为，数学模型比主动投资能够更有效地降低风险。虽然中国人对西蒙斯这个名字还比较陌生，但量化投资产品在华尔街已经非常普遍。

：为什么说量化投资像西医？

叶乐天：随着计算机运算速度的提高，华尔街的量化投资已经发展到争取几毫秒的机会。同一个套利机会下，谁下单早，谁就能抓住机会。尽管大家争取的可能是万分之一的收益，但是通过每天大量的交易，日积月累，就能取得很高的回报。

与市场熟悉的定性投资相比，量化投资在研究方法上与其有着很大不同。定性投资主要通过公司基本面研究进行投资决策。需要基金经理到企业调研，看研究报告，与高管深入交流、了解大股东诉求，了解公司发展规划之类，有深度。量化投资则注重广度，比如市场上有2000只股票，量化投资会通过计算机比较2000只股票的数据，找出上涨个股共同的特征因子进行投资。与定性投资产品的基金经理经常出差不同，我主要的工作都在案头——搜集数据，处理数据、还有编程。

定性投资和定量投资的差异如同中医和西医的关系。定性投资更像中医，更多地依靠经验和感觉判断病在哪里；定量投资更像西医，依靠模型判断，模型对于基金经理的作用就像CT机对于医生的作用。

：如何选择量化投资产品尤其是指数基金？

叶乐天：目前，量化投资在中国公募基金市场的形态还比较简单，主要可以分为被动型的和主动型的。被动型的量化产品包括了大量的指数基金；主动型的量化产品则主要有3种模式，分别是“多因子型”、“事件型”和“宏观择时型”的。事件型和宏观择时型相对容易理解。多因子型，就是通过比较数据，筛选出个股走势变化的关联因子，然后，在未来个股走势出现类似因子时，触发交易，从中取得收益。

在公募产品中，以指数型产品为主，主动量化的产品数量稀少。公募基金受制于交易监管规则，比如在同一天的交易中，不能对同一标的做反向交易，在衍生品工具的使用上也非常有限，所以做主动量化的产品较少。同时，量化投资不像定性研究，对单个公司研究得很透，经得起很大的波动，追求的涨幅也大。量化投资通常追求很小的涨幅，但业绩比较稳定。而且，历史上指数基金的业绩表现还算稳定，主动量化基金产品的稳定性稍差，而业绩稳定对开放式基金更加重要。此外，市场深度不够也制约了量化产品在中国的发展。公募基金的规模通常比较大，如果做主动型的产品，更换持仓的冲击成本就比较大。

篇（3）

但说起对冲基金，很多人还是不可避免地联想到“量化对冲”、“程序化交易”等相关词汇。那么这些概念之间到底有怎样的关联呢？是不是对冲基金一定要采取对冲或量化投资呢？

并非所有对冲基金都采取对冲手段

顾名思义，对冲基金给人印象是运用对冲工具对冲风险的基金。但是，实际上并非所有对冲基金一定都采取对冲手段。对冲基金相对于传统的公募基金而言，主要是在基金结构方面的区别。

一般来说，对冲基金具有以下特点：

第一，受更少的监管。国内的公募基金要求每季度披露季报，公布基金仓位和重仓股等核心信息，基金投资范围也受到严格的控制。至今我国还没有一只投资商品期货的公募基金，去年底成立的嘉实绝对收益策略是国内目前唯一一只可投资沪深300股指期货的市场中性策略的公募基金。而私募基金可以不公开任何与投资相关的信息，投资范围也广泛的多。

第二，更长的封闭期。国内的对冲基金通常在成立后的半年内处于封闭期，不能申购赎回，或者只许申购不准赎回。此后，走信托通道的产品每月开放申购和赎回，而走公募基金专户或是公募基金子公司的产品每季度才开放一次申购和赎回。降低流动性是为了减少申购与赎回对基金运作的不良影响，有利于保护投资者的收益，有助于基金经理的投资运作。

第三，收取业绩提成。公募基金的收费主要是前端认购费和固定管理费，而私募基金除了这两部分外通常还收取20%的超额业绩提成。有些业绩出色且有溢价能力的对冲基金甚至收取30%的业绩报酬。

第四，偏向于绝对收益的投资方式。我们都知道，公募基金的比较基准往往是沪深300等大盘指数，基金经理的考核通常是同类基金排名。这就是所谓相对收益型的业绩导向。而对冲基金的业绩基准通常是定期存款利率。由于基金管理人为了获得更高的业绩报酬，所以更在乎基金的绝对收益水平，而不是相对大盘指数的相对收益或是业绩排名。这种绩效方式就会引导基金管理人在投资方式上更偏向于绝对收益的方法，能采用对冲工具的可以进行风险敞口的对冲，不运用对冲工具的也会通过调节仓位来控制基金净值的下行风险。

并非所有对冲基金都采用量化投资

量化投资强调的是在投资的过程中加入定量化的方法和手段。

传统的股票型基金经理在投资的过程中更多的是依据自己对宏观经济、行业发展趋势以及企业经营状况的主观判断。虽然在做决策前基金经理也阅读了大量数据，但这些数据转换为投资决策是在人脑里完成的。这个决策过程涉及到很多定性的判断，模糊的处理，是一个非量化的决策过程。

而所谓量化投资就是尽可能将决策过程模型化、可视化、透明化。在模型化的过程中，势必会引入不少定量的方法，用到很多金融、经济、数学以及统计等学科的工具和手段。

举个简单的例子，我们注意到股票市场的投资者对于经济同步数据是比较敏感的。比如，制造业采购经理指数（PMI）如果在50%以上表明经济处在扩张区间，越高反映经济发展得越乐观。此时，主观投资者会在参考PMI当期数值、前期数值以及市场预期值后综合来判断是否该介入购买股票，而量化投资会设一个硬性的标准，比如PMI创出近3月新高即买入股票，或是PMI超过55%才买入股票等等规则，一旦事先设定的规则触发就形成了交易信号。

篇（4）

一、引言

量化投资在国外的实践已经有了40多年的发展，我国的量化投资起步较晚，从2004年开始出现量化投资的产品，由于缺乏有效的对冲手段，直到2010年4月沪深300股指期货上市之后才能算是真正意义上开始涉足量化投资。[1]

2015年的中国股市跌宕起伏，杠杆配资引发了大幅上涨和断崖式下跌，股市出现罕见的千股涨停、千股跌停、千股停牌的奇观，众多机构投资者和散户蒙受了巨大的损失。但其中少数量化投资基金在大幅波动的市场中却表现相对稳定。量化投资基金和量化对冲策略的稳健，很快引起了全市场的关注，也成为近期银行、券商、信托等机构追捧的新的产品模式。

在此背景下，作者在本文中对于量化投资的概念、特点、策略、理论基础和发展做一个总结，希望为量化投资研究和实践做一些参考。

二、量化投资解读

（一）量化投资的定义

量化投资在学术界并没有严格统一的定义，现有的定义对于量化投资的定义的侧重点各有不同。本文对于量化投资的定义为：

量化投资是指将投资者的投资思想或理念转化为数学模型，或者利用模型对于真实世界的情况进行模拟进而判断市场行为或趋势，并交由计算机进行具体的投资决策和实施的过程。

（二）量化投资的特点

1.投资决策中能够客观理性，克服人类心理对投资决策的影响。传统投资的分析决策，大多数方面都由人工完成，而人并非能做到完全理性，在进行投资决策时，很难不受市场情绪的影响。[2]量化投资运用模型对历史和当时市场上的数据进行分析检测，模型一经检验合格投入正式运行后，投资决策将交由计算机处理，一般情况下拒绝人为的干预，这样在进行投资决策时受人的情绪化的影响将很小，投资过程可以做到理性客观。

2.能够通过海量信息的大数据处理，提高投资决策效率。我国股票市场上有近3000只股票，与上市公司相关的各种信息纷繁复杂，包括政策、国内外经济指标、公司公告、研究报告等，投资者靠自己手工的筛选根本就是力不从心。量化投资的出现为这个问题的解决带来了希望。量化投资运用计算机技术快速处理大量数据，对其进行辨别、分析、找出数据之间的关联并做出投资决策，大大减少了人工的工作量，提高了投资决策效率。

3.能够实现精准投资。传统的投资方法中认为投资是一门艺术，投资决策需要的是投资者的经验和技术，投资者的主观评价起到决定作用。而量化投资有所不同，尤其是在套利策略中，它能做到精准投资。例如在股指期货套利的过程中，现货与股指期货如果存在较大的差异时就能进行套利，量化投资策略和交易技术会抓住精确的捕捉机会，进行套利交易来获利。另外，在控制头寸规模方面，传统的投资方法只能凭感觉，并没有具体的测算和界定，而量化投资必须要设定严格精确的标准。[3]

4.能够快速反应和决策，把握市场稍纵即逝的机会。量化投资往往利用高速计算机进行程序化交易，与人脑相比它能够迅速发现市场存在的信息并进行相应的处理，具有反应快速、把握市场稍纵即逝的机会的特点。量化投资在速度上最出色的运用就是高频交易，与低频交易相对，高频交易是通过高速计算机，在极短的时间内对市场的变化做出迅速的反应并完成交易。[4]

5.能够有效地控制风险，获取较为稳定的收益。与传统投资方式不同的是，量化投资在获得较高超额收益的同时能够更好地控制风险，业绩也更为稳定。相关研究显示，1996年至2005年期间，量化投资基金与以所有传统主动型投资基金和偏重于风险控制的传统主动型投资基金的信息比率对比情况中，量化投资基金的信息比率都是最高，说明量化投资相对于传统投资，能够在获得更高的超额收益的同时，有效地控制风险。

三、量化投资的策略

一般的量化投资的策略指的是用来实现投资理念或模拟市场行为判断趋势从而获取收益的模型。量化投资需要权衡收益、风险、交易成本、具体的执行等各个方面，一般情况下这些方面会形成相对独立的模块。有时候量化投资策略模型也会将风险、成本等方面融合在模型中。

（一）国外量化投资策略的分类

国外习惯上将量化投资的策略分成两大类，一类是阿尔法导向的策略，另一类是贝塔导向的策略。阿尔法策略（alpha strategy）是通过量化择时和调整投资组合中不同资产的头寸大小来获取收益的策略;贝塔策略（beta strategy）是通过量化的手段复制指数或者稍微的超出指数收益的策略。[6]相比而言，量化指数的贝塔策略相对更容易，所以一般情况下所说的量化投资的策略指的是阿尔法策略（alpha strategy）。

阿尔法策略主要有两种类型，分别为理论驱动模型和数据驱动模型。

理论驱动模型是比较常见的类型，这些策略是运用已经存在的经济、金融学的理论，构建策略模型，进行投资决策。理论驱动模型根据输入的数据的不同可以进一步分类，主要有基于价格相关数据的策略和基于基本面数据的策略。

数据驱动模型广泛的被运用于股票、期货和外汇市场，因为采用的数学工具更为复杂，相对而言难于理解，目前使用的还不是很多。与理论驱动模型不同，数据驱动模型认为进行投资决策其实是不需要理论的支持，运用数据挖掘技术，可以从数据（例如交易所的价格数据）中识别出某种行为模式或市场趋势，进而进行预测或者解释未来的模式，从中获取收益。

（二）我国量化投资策略的分类

国内比较常见的量化投资策略主要有两种分类方式，一种是按投资标的所在市场分类区分的量化投资策略，分为现货市场和衍生品市场量化投资策略。现货市场包括股票市场、ETF市场和债券市场，衍生品市场包括商品期货市场、股指期货市场、国债期货市场、外汇市场和期权与其他衍生品市场，国内运用较多的是投资于商品期货和股指期货等期货市场。

另一种分类方式是分为两大类：判断趋势的单边投机策略和判断波动率的套利交易策略。[7]单边投机策略主要包括量化选股和量化择时，套利交易策略主要包括股指期货套利、商品期货套利、统计套利、期权套利、另类套利策略等，目前国内普遍采用的是这种分类方式。

四、量化投资理论的发展

（一）投资理论的发展

量化投资的理论基础最早可以追溯到上个世纪50年代，Markowitz（1952）[8]第一次把数理工具引入到金融研究领域，提出了均值――方差模型和风险报酬与有效前沿的相关概念，这是量化投资接受的最早的严肃的学术成果。Sharpe（1964）[9]、Litner（1965）[10]、Mossin（1966）[11]在马克维茨研究的基础上得出了资本资产定价模型（CAPM），这是如今度量证券风险的基本的量化模型。

20世纪60年代，Samuelson（1965）与Fama（1965）[12]提出了有效市场假说（Efficient Markets Hypothesis，EMH），这为后来在新闻量化交易等方面提供了思路和理论支持。20世纪70年代，金融衍生品不断涌现，对于衍生品的定价成为当时研究的重点。Black和Scholes（1973）[13]将数学方法引入金融定价，他们建立了期权定价模型（B-S模型），为量化投资中对衍生品的定价奠定了理论基础。在该理论之后，Ross（1976）[14]根据无套利原则提出了套利定价理论（APT），该理论是资本资产定价模型（CAPM）的完善和发展，为量化投资中的多因素定价（选股）模型提供了基础，这也是Alpha套利的思想基础。

20世纪80年代，期权定价理论倒向微分方程求解;“金融工程”概念得以产生，金融工程着力于研究量化投资和量化交易。同期，学者们从有效市场理论的最基本假设着手，放宽了假设条件，形成了金融学的另一个重要的分支――行为金融学。

20世纪90年代，金融学家更加注重对于金融风险的管理，产生了诸多的数量化模型，其中最为著名的风险管理数量模型是VaR（Value at Risk）模型，这是量化投资对于风险控制的重要理论基础。[15]

20世纪末，数理金融对于数学工具的引入更加的迅速，其中最为重大的突破无疑是非线性科学在数理金融上的运用，非线性科学的出现为金融科学量化手段和方法论的研究提供了强有力的研究工具[16]，尤其在混合多种阿尔法模型而建立混合模型时是非常有效的一种技术。

（二）量化投资的数学和计算基础

量化投资策略模型的建立需要运用大量的数学和计算机方面的技术，主要有随机过程、人工智能、分形理论、小波分析、支持向量机等。[17]随机过程可以用于金融时序数列的预测，在现实中经常用于预测股市大盘，在投资组合模型构建的过程中，可以优化投资组合;人工智能的很多技术，例如专家系统、机器学习、神经网络、遗传算法等，可以运用于量化投资;分形理论用于时间序列进行预测分析;小波分析主要用于波型的处理，从而预测未来的走势;数据挖掘技术可以运用于数据驱动模型，还可以运用于设置模型的细节;支持向量机可以分析数据，识别模式，用于分类和回归分析。

五、国内外量化投资实践的发展

（一）国外量化投资实践的发展

本文认为量化投资在国外的发展已经经历了四个发展阶段：

1.第一阶段从1949年至1968年：对冲阶段。该阶段是量化投资的萌芽阶段，该阶段具体的量化投资实践很少，主要是为量化投资提供的理论基础和技术准备，量化投资脱胎于传统投资，对抗市场波动，通过对冲稳定Alpha收益，但收益率低了。

2.第二阶段从1969年至1974年：杠杆阶段。在该阶段，量化投资从理论走入了实践。在投资思路上，因为原本的Alpha策略收益有限，通过放杠杆扩大第一阶段的稳定收益。实践方面，1969年，前美国麻省理工学院数学系教授爱德华・索普（Ed Thorp）开办了第一个量化对冲基金，进行可转债套利，他是最早的量化投资的者使用者。1971年，巴莱克国际投资公司（BGI）发行了世界上第一只被动量化基金，标志着量化投资的真正开始。

3.第三阶段从1975年至2000年：多策略阶段。在这一阶段，虽有一定的挫折，但总体上量化投资得到了平稳的发展。在投资思路上，由于上一阶段通过杠杆放大收益的副作用产生，放大以后的波动率又增大，从而转向继续追求策略的稳定收益，具体的手段是采用多策略稳定收益。实践方面，1977年，美国的富国银行指数化跟踪了纽约交易所的1500只股票，成立了一只指数化基金，开启了数量化投资的新纪元。[18]1998年，据统计共有21只量化投资基金管理着80亿美元规模的资产。[19]

4.第四阶段从2000年至今：量化投资阶段。这一阶段，量化投资得到了迅猛的发展，并且发展的速度越来越快。投资思路上，运用量化工具，策略模型化，注重风险管理。在实践方面，在2008年全球金融危机以前，全球对冲基金的规模由2000年的3350亿美元在短短的7年时间内上升至危机发生前的1.95万亿美元，受美国次贷危机的影响全球对冲基金规模有较大的回落，直到2008年之后，在全球经济复苏的大背景下对冲基金规模才开始反弹。

（二）我国量化投资的发展

本文认为，到目前为止，我国量化投资的发展的主要经历了三个阶段：

1.第一阶段从2004年至2010年：起步阶段。在这一阶段，由于我国没有足够的金融工具，量化投资在我国发展缓慢。2004年8月，光大保德信发行“光大保德信量化股票”，该基金借鉴了外方股东量化投资管理理念，这是我国最早的涉足量化投资的产品。2010年4月16日，准备多年的沪深300股指期货的在中金所的上市，为许多对冲基金的产品提供了对冲工具，从此改变了以前我证券市场只能单边进行做多的情况。

2.第二阶段从2011年至2013年：成长阶段。2011年，被认为是我国量化对冲基金元年，[21]而随着股指期货、融资融券、ETF和分级基金的丰富和发展，券商资管、信托、基金专户和有限合伙制的量化对冲产品的发行不断出现，这个阶段的量化投资真正意义上开始发展，促使该阶段发展的直接原因就是股指期货的出现。[20]

3.第三阶段从2014年至今：迅猛发展阶段。2014年被认为是“值得载入我国私募基金史册的一年”，基金业协会推行私募基金管理人和产品的登记备案制，推动了私募基金的全面阳光化，加速了私募基金产品的发行，其中包括量化对冲型私募产品。2014年称得上我国量化对冲产品增长最迅速的一年，以私募基金为代表的各类机构在量化对冲产品上的规模均有很大的发展，部分金融机构全年销售的量化对冲基金规模超过了百亿。

2015年，上证50ETF期权于2月9日正式推出，这对于对我国的量化投资有着极大的促进作用。4月16日，上证50与中证500两只股指期货新品种的上市给量化投资带来更多的策略的运用，金融衍生品的不断丰富和发展，为量化投资提供更多的丰富对冲手段，也提供了更多的套利机会。

六、总结

量化投资的技术、策略、硬件设施条件都在飞速的发展，与传统的投资方式相比，量化投资有着自身的特点和优势。尤其是量化对冲产品，以其长期稳健的收益特征，成为目前“资产荒”下对信托、理财产品和固定收益产品良好的替代产品。未来随着我国股指期货、融资融券、国债期货、期权等金融产品的不断创新，以及股指期货市场未来逐步恢复正常，量化投资发展前景不可限量。

参考文献

[1]徐莉莉.量化投资在中国的发展现状[R].渤海证券研究所：金融工程专题研究报告，2012.

[2]廖佳.揭开量化基金的神秘面纱[J].金融博览（财富），2014，（11）：66-68.

[3]王力弘.浅议量化投资发展趋势及其对中国的启示[J].中国投资，2013，（02）：202.

[4]Durbin，M. All About High-Frequency Trading： The Easy Way To Get Started[M]. McGraw-Hill Press，2010.

[5]蒋瑛现，杨结，吴天宇，等.海外机构数量化投资的发展[R].国泰君安证券研究所：数量化系列研究报告，2008.

[6]Rishi K. Narang. Inside the Black Box： The Simple Truth about Quantitative Trading[M]. Wiley Press，2012.

[7]丁鹏.量化投资――策略与技术[M].北京：电子工业出版社，2014.

[8]Markowitz，H.M.. Portfolio Selection[J].Journal of Finance，1952，2：77-91.

[9]Sharpe，W.F. Capital asset prices： A theory of market equilibrium under conditions of risk[J]. Journal of Finance，1964，19（3）：425-442.

[10]Lintner. The valuation of risk assets and the selection of risky investments in stock portfolios and capital budgets[J].Review of Economics and Statistics，1965，47（1）：13-37.

[11]Mossin.Equilibrium in a Capital Asset Market[J]. Econometrica，1966，Vol.34（4）：768-783.

[12]Fama，Jensen，and Roll. Investor sentiment and Stock Returns[J]. Journal of Political Economy，1969，（12）34-36.

[13]Black Fischer，and Myron Scholes，1973.The Pricing of Options and Corporate Liabilities[J].Journal of Political Economy，1973，81（3）：637-654.

[14]Ross.The arbitrage theory of capital asset pricing[J].Journal of Economic Theory，1976，13（3）：341-360.

[15]Jorion，Philippe.Value at Risk：The New Benchmark for Managing Financial Risk （3rd ed.）[M]. McGraw-Hill Press，2006.

[16]戴军，葛新元.数量化投资技术综述[R].国信数量化投资技术系列报告，2008.

[17]丁鹏.量化投资与对冲基金入门[M].北京：电子工业出版社，2014.

[18]郭喜才.量化投资的发展及其监管[J].江西社会科学，2014，（03）：58-62.

[19]Ludwig B.，Chincarini. The Crisis of Crowding： Quant Copycats，Ugly Models，and the New Crash Normal[M]. Wiley Press，2013.

[20]曾业.2014年中国量化对冲私募基金年度报告[R].华宝证券：对冲基金专题报告，2015.

篇（5）

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（6）

据了解，这也是泰达宏利旗下首只量化基金产品。今年以来，跌宕起伏的行情持续考验基金投资管理能力。然而量化基金表现却一枝独秀。银河数据统计显示，2012年一季度，上证综指上涨2.88%，同期标准股票型基金平均业绩为0.31%，而量化基金的平均业绩为2.92%。

逆向投资正当时

“其实对于逆向投资策略，投资者并不陌生，巴菲特名言‘在别人恐惧时贪婪，在别人贪婪时恐惧’就是逆向投资思维的一种表述。”泰达宏利逆向策略基金拟任基金经理焦云告诉时代周报记者，逆向投资策略就是对抗人性从众的心理弱点，避开机构扎堆的热门股、题材股，寻找被市场忽略或股价被严重低估的成长类股票。

在焦云看来，逆向投资强调的不随波逐流，不是简单的和市场趋势作对，也不是简单的掘金冷门股，而是在研判大势的基础上，对上市公司本身的投资价值进行分析，以适当价格介入股价被严重低估的股票，获取估值回归带来的投资收益。

焦云指出，在市场整体震荡，短期内板块频繁轮动的情况下，每一种投资思维都能在市场中占有一席之地。逆向投资策略瞄准被市场忽视、低估、看空的“非主流”股票，极有可能挖掘出一些蕴含着巨大投资潜力的个股，捕捉一些结构性的投资机会。

据焦云介绍，逆向投资在海外已有30多年的发展历史，经过行为经济学先驱丹尼尔・卡纳曼和“逆向投资之父”戴维・德雷曼的努力，逆向投资理论从一种交易策略上升为一种主要的投资策略，据彭博社数据统计，现在全球已有100多只逆向投资基金，规模超过百亿欧元。

1月份，华安基金也申报一只逆向策略股票型基金，目前正在证监会报批程序中。分析认为，受欧债危机、全球经济增长放缓、国内经济结构转型等因素影响，A股在未来较长时期内都将维持宽幅震荡的局面，但其中不乏个股结构性投资机会，这一市场格局为逆向投资策略提供了好机会。

量化基金扩容潮起

除了泰达宏利，今年以来已有多家基金公司已经开始在量化产品方面布局。比如工银瑞信3月刚刚发行了旗下第一只量化基金―工银量化策略股票基金；富国基金开始大力打造旗下围绕量化投资的子品牌。

所谓量化投资，是指通过建立数学模型并应用量化分析方法进行选股和操作管理。量化投资在海外已有逾30年历史，但在国内市场，自2004年光大保德信发行光大保德信量化核心基金才正式起步，至2009年底，量化基金方才相继跟进成立，并迅速发展壮大。据好买基金研究中心数据统计，截至目前，已有16只量化基金成立。

“主要是现在公募基金产品发行越来越多，同质化现象较严重，相较而言，独辟蹊径的量化产品显得吸引力更大。此外，今年年初以来量化基金的不错业绩也支撑了这波扩容。”好买基金研究员刘天天告诉时代周报记者。银河数据统计显示，2012年一季度，上证综指上涨2.88%，同期标准股票型基金平均业绩为0.31%，而量化基金的平均业绩为2.92%。

“在量化投资领域，出现了很多杰出的投资者，如詹姆斯・西蒙斯。” 有着8年海外量化投资经验的工银基本面量化基金经理游凛峰表示，“他们依靠数学模型和神秘的公式扫描市场，捕捉机会。”据了解，詹姆斯・西蒙斯管理的大奖章基金1989-2007年均收益率高达35%，而“股神”巴菲特在同期的平均年回报大约为20%。

篇（7）

从1971年巴克莱投资管理公司发行全球第一只定量投资产品至今，量化投资已走过30年历程。

凭借着良好的业绩表现，这一投资方法已占据全球投资30%的江山，成为主流的投资方法之一。其中著名的大基金自成立起至2006年的17年间，年化收益率达到38.5%。

然而，近两年来，量化基金在全球的业绩并不理想。次贷危机之后，量化基金一直举步维艰。

国内量化基金的兴起，正是在次贷危机之后。

截至目前，国内已成立的采用量化策略的基金有12只，其中9只自2009年以来成立。它们整体面临业绩不尽如人意的尴尬，据《投资者报》数据，它们的年复合增长率为11.78%，远低于平衡类、价值类、成长类基金。

量化基金成败，最关键是量化模型的有效性和投资纪律的执行情况。然而，国内已有的量化基金两方面均无太大优势。

一方面，模型相对较原始，量化投资策略要么机械地借鉴国外已经公开的模式，要么基于基金公司自有的多因子模型；另一方面，与海外量化基金一样，具体的模型并不会公开，这样投资纪律便无处考察。

从现有的几只量化基金过往业绩看，长期业绩较优异的是上投摩根阿尔法，自成立以来，年复合增长率达到35%，算得上是量化基金的龙头。

量化模型无亮点

投资模型是量化基金最核心的竞争力。

定量基金经理基于对市场的理解，提炼出能够产生长期稳定超额收益的投资思想，并用历史数据验证其正确性，再由系统根据提炼出的投资思想，在全市场挑选符合标准的股票，并通过对收益、风险的优化，建构最优股票组合。

“对于中国这样的新兴市场，量化投资的关键是能否根据市场特点，设计好的投资模型。”接受《投资者报》记者采访时，上海一位从事量化投资的基金经理说道。

然而，已有的量化基金中，大多简单地利用国外已公开的模型，或是用基金公司自有的一些简单模型，在考察市场的有效性上普遍比较欠缺。

如中海量化策略和南方策略优化在行业权重配置中均采用的Black-Litterman（BL）模型。

这种模型现是华尔街主流模型，亦是高盛公司资产管理部门在资产配置上的主要工具。

BL模型利用概率统计方法，将投资者对大类资产的观点与市场均衡回报相结合，产生新的预期回报。即由投资者对某些大类资产提出倾向性意见，模型根据投资者的倾向性意见，输出对该大类资产的配置建议。

然而，在国内市场信息搜集等方面局限性较大的情况下，该系统到底是否有效还仅是基金公司体现其“专业性”的一个由头，有待探讨。

国内量化基金模型还具有同质化特点，表现在对个股估值等方法的应用上，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。

另外，模型是量化产品背后“不能说的秘密”，虽然基金契约中对要采用的量化模型做了模糊介绍，作为靠“执行纪律”取胜的产品，实际运作是否执行到位，也无处查证。

量化基金业绩平淡

量化基金的优点首先在于，通过具体的经济模型对经济复苏行业评估并进行行业权重配置，将基金经理的投资理念与分析有效结合。

其次，覆盖全市场，避免因基金经理个人偏见或经理不足造成选择范围局限。

再次，通过基金经理精细化投资运作，较好把握细微的结构性投资机会。

或许是因为模型简单雷同，以及没有较好体现A股的特征，比如说波动性、“政策市”等，现有的量化基金整体业绩优势并不明显。

根据《投资者报》数据，可比较的6只“人脑+电脑”量化产品的年复合增长率为11.78%，低于“人脑”管理的趋势类、回报类、价值类、平衡类（年复合增长率均超过18%）。

今年以来，所有量化基金中，超越指数的仅有采用量化投资的富国沪深300增强指数型基金，截至4月1日，回报率为6.94%。

而在估值修复行情中，以对估值有量化指标要求的华商动态阿尔法、国泰金鼎价值精选、嘉实量化阿尔法大幅跑输业绩大盘，取得负收益，净值分别下跌7.2%、6.7%和4%。

上投摩根阿尔法领衔

从已成立的采用量化策略投资的基金中，年复合增长率大幅超过平均值的仅有上投摩根阿尔法，为35%。但这与该基金是较早采用量化策略的基金之一，成立于2005年10月，经历过2006、2007年的大牛市行情有一定关系。

截至去年底，该基金资产规模44亿元，自成立以来的回报率为425%。该基金受到机构投资者的青睐，持股2.9亿份，占基金总份额的21%。

篇（8）

中图分类号：F832.51 文献标识码：A doi:10.3969/j.issn.1672-3309（x）.2011.11.38 文章编号：1672-3309（2011）11-84-02

近年来，随着我国资本市场的不断发展，数量化投资在国内越来越受到关注。国内机构投资者逐渐增加量化分析在投资中的应用。在基本面投资的基础上应用数量化策略,成为投资领域发展的新趋势。国内的基金公司在这股潮流下也纷纷推出自己的量化基金产品。

依据资讯商wind的显示，截至2011年9月底市场上一共有14只不同类型的量化基金。

一、国内量化基金的发展

据统计，国外定量投资在全部投资产品中的份额中占30%以上，主动投资产品中大约有20-30%使用量化技术。与国外市场相比，国内基金无论数量还是规模都要小很多。国内大部分量化基金都是在2008年金融危机之后才陆续推出。目前市场上有65家基金公司，正式推出量化基金的也只有13家。

自开始两只量化基金成立后，2006-2008年期间市场上没有任何新的量化基金成立，之后又呈现出一个快速增长的态势。为什么国内量化基金的发展会有如此特点？分析一下其中原因，笔者认为有如下几点：

（一）国内资本市场的发展为量化投资准备了必要条件。2005年以来，证券市场发生了一系列变化：股权分置改革完成、IPO扩容，卖方量化研究能力提高、股指期货及融资融券的推出等。如何在众多的上市公司中迅速、有效地选择投资目标，降低调研和投资成本，成为机构投资者面对的新问题。而通过用量化手段，分析、归纳出相对客观的选股模式，发掘内在的驱动因素，正是量化选股的优势所在。正是在这样的环境下，机构投资者开始重视起量化投资来。作为证券市场上的卖方，券商纷纷在自己的金工团队基础上成立数量化研究团队，推出了大量量化策略报告和量化投资方面的服务（如程序化交易服务）。一些阳光私募基金也开始成立。公募基金作为市场的领头羊，自然在量化投资方面不甘落后，招兵买马为发行量化基金做准备。

（二）国外量化基金的优异表现吸引了众人的目光，特别是2008年金融危机期间，量化基金的优异表现吸引了更多的人关注。当时大部分基金都亏损严重，但部分采用量化策略的基金却获得了非常好的收益。詹姆斯・西蒙斯管理的大奖章基金的年均净回报率高达35%，成为量化基金中令人眼红的明星。国内基金公司正是抓住投资者对量化基金的兴趣，适时推出各自的量化基金产品。

（三）人才队伍的积累，为国内量化基金的推出提供了可能。量化基金是一个舶来品，熟悉量化基金管理的人才在国内相当缺乏。光大保德信和上投摩根之所以能较早推出其量化基金，关键在于其外方股东的支持，其产品采用的是其外方股东提供的量化投资方法。而当时国内的本土基金则缺乏这方面的人才，自然没有实力推出量化基金产品。但金融危机给了国内基金行业机会，危机之后很多国外的投资人才回到国内，他们也带来的国外的一些先进的量化投资知识和经验。目前市场上量化基金经理绝大多数均是有海外背景的。

二、国内量化基金的量化技术

通过基金的招募说明书，我们可以将市场上目前量化基金采用的数量化模型和模型主要使用的选股指标罗列出来。

我们无法了解各基金量化模型的详细内容，但从表2可以看出，目前国内基金采用的模型多是侧重于选股的。其中多因子模型应用最多，通过多因子模型筛选出被低估的股票，进行价值投资是大部分基金所采用的量化方法。这一情况也与海外情况类似。

三、国内量化基金收益及绩效

本文选取了成立以来、最近1年（20100930-20110930）、今年以来这3个时间段来从收益和绩效两个方面对市场上量化基金进行对比。通过比较，我们可以看到富国沪深300、光大保德信核心和中海量化策略这三支基金表现相对较好。但从总体上来说，国内量化基金表现还不是很突出，各只业绩差距也很大。

四、影响国内量化基金发展的因素

国内量化基金的发展毕竟要取决于证券市场的大环境，随着股改的结束、股指期货的推出，市场环境相比之前更有利于量化投资的发展，但仍然有很多的约束，如衍生产品的缺乏，对基金公司、保险公司投资的约束，这些都制约了机构投资者在量化投资方面施展拳脚的空间。当然，我相信随着中国资本市场的发展，这些情况在未来会逐步改善。

数量化模型的应用需要结合实际的市场环境，国内量化投资水平的提高，不能依靠引进模型，最关键的还是要结合本土的实际情况，开发适合国内市场的模型。量化技术的本土化发展是未来量化基金发展的关键，只有设计出符合国内市场环境并能取得不错业绩的量化模型，投资者才能真正认同量化基金。

另外，基金的考核机制也是影响量化基金发展的一个重要因素。量化基金因其特殊性，其绩效考核与普通基金会有不同。设定一个合理的基金考核制度，给其一个宽松的投资环境，只有这样量化基金才能更加健康的发展。

参考文献：

[1] 数量化投资的解读及其本土化―量化基金专题研究之一[R].联合证券，2009-11-17.

篇（9）

摘 要：“金融改革”的提出，金融市场的逐步开放，将促进金融创新的步伐，给投资者带来越来越多的投资渠道，同时也将加速中国金融市场与国际金融市场的融合。通过分别建立两个单指标择时策略模型，运用MATLAB模式搜索算法在设定时段内搜索最优参数，并分别对两个单指标策略进行交易仿真回验。实证结果显示，趋势型指标可以抓住大的波段行情，获得超额收益，具有较好的择时效果。实证显示组合指标策略的效益明显高于单指标策略。因此，采用组合指标策略进行个股量化择时交易较单指标策略能获得更优的投资收益。

关键词 ：量化择时；趋势指标；组合指标策略；参数优化

中图分类号：F8 文献标识码：A doi：10．3969／j．issn．1665－2272．2015．12．008

1 绪论

1．1 背景意义

“金融改革”的提出将为中国的量化投资带来发展前景。金融市场的逐步开放将会促进金融创新的步伐，给投资者带来越来越多的投资渠道，同时也将加速中国金融市场与国际金融市场的融合。很多国外成熟的投资工具和投资方法将逐步进入中国市场，以期货市场为代表的衍生品市场将迎来飞速增长，以量化投资为代表的投资方法也将得到投资者更大的关注。

在投资业，各种渠道提供的海量信息以及高频金融交易数据都在深刻地影响这个行业的发展以及金融市场的有效性。金融创新给期待量化投资的投资者提供了丰富的投资工具。自20世纪50年代以来，金融市场出于规避监管，转嫁风险和防范风险等需要，推出了很多创新性的金融产品，提供了越来越丰富的投资工具。金融衍生品在金融市场中占的比例越来越重要。

中国量化投资的前景广阔。党的十八届三中全会提出了“健全多层次资本市场体系”的指示精神，为十二五期间的资本市场发展指明了方向。随着金融投资工具的增加，量化投资将显示出其更大的作用，帮助投资者在更好的风险管控中寻求最佳收益回报。

作为量化投资中的量化择时，是指利用某种方法来判断大势的走势情况以及时采取相应措施，它是收益率最高的一种交易方式。就股票投资者而言，择股和择时都是至关重要的，正确择股是盈利的前提，而正确择时则是盈利的最终实现。因此，从微观角度入手，建立有效的个股量化择时交易策略值得研究。

1．2 文献综述

关于量化投资的研究，国内外更多的研究主要以策略构建和实证为主。易海波、杨向阳、罗业华、曾敏通过将量化指标按照股票属性进行分类排序，以自下而上的选股方式，构建出价值、成长、质量三个基本模型，并在此基础上衍生得到四个叠加模型和GARP模型。利用八个选股模型以不同的参数进行选股，构建出十个量化选股组合，历史回测结果显示这些组合风格各异，适合不同风险偏好的投资者。张登明通过对技术指标的分析，构建了完整的及时指标组合投资策略框架。他从量化的角度，通过样本统计给出了适合中国股市的优化指标组合及参数设置，对提高投资决策有积极意义。路来政通过研究量化基金的绩效及管理能力来研究量化投资策略的应用效果，采用T－M模型、H－M模型和C－L模型对其中9只量化基金的管理能力进行了研究，以评价量化基金使用量化投资策略的择股效果和择时效果，结果表明量化基金采用量化策略进行投资是有意义的。

股票择时属于量化投资的一个分域。刘澜飚、李贡敏研究了市场择时理论在中国的适用性，表明中国上市公司不仅存股票市场的市场择时行为，而且存在债务择时行为，即股票市场高涨时，上市公司倾向于债务融资。林正龙基于效用无差别定价原理，运用实物期权定价理论，研究项目投资收益不可完全复制的不确定性投资机会定价与择时问题，得出不同于指数效用，对具有常值相对风险回避系数效用函数的投资者而言，不确定性投资机会的定价与择时与投资者当前财富数量有关。卓琳玲、胡志强通过对样本公司的研究，发现样本公司股票行为、债券发行和内部融资均呈下降趋势，其中股票不是特别明显，当市值杠杆比率上升时期，股票发行出现显著地下降趋势，此时市场时机选择比较明显，说明我国股市存在明显的市场时机选择行为。刘阳、刘强通过研究我国从上世纪90年代初-2010年1月的上证综指和深证成指，分析异常收益率对整个期间收益的影响及择时的可能，发现极少数具有超常收益的交易日对股票市场的长期收益具有显著的影响，认为理性的投资者应该放弃择时而选择长期投资。王俊杰在择时模型方面分析了行业指数存在的持续性和行业轮动特征，并以时间序列模型为基础，构建动量模型、MS－GARCH行业择时模型等量化择时策略，回测结果MS－GARCH择时模型战胜行业动量模型和指数，表现较好。

温婧茹对移动平均线理论进行改进，构造了最适参数，参考设计了触线交易策略和过滤器交易策略，构建了家电板板块静态与动态相结合的股票池，实证得出，不同股票对应的最适参数不同，用个性化的参数进行决策能获得更好的收益；应用收益率确定最适参数以择股，结合触线交易策略以择时，能够跑赢大盘，取得超额收益。曹力自适应均线更适合于组合类的标的，如指数或者封闭式基金，因为这些标的的走势经过了平均的平滑，没有突然的大起大落，更容易用均线来跟踪趋势的变化。而对于个股，波动形态和指数类表的不同，所以需要使用不同的参数，在大多数个股上能够获得超额收益，特别对强周期性行业的股票自适应均线有很强的择时能力。但是自适应均线也不是万能的，对于某些个股，因为波动形态的复杂，用自适应均线也无法获得超额收益。曹力、徐彪从实证效果来看，利用可交易组合的均线模式识别找出的买入机会成功率较高，能抓住一些市场主要的反弹机会，因此累积收益非常出色。可交易组合的均线模式识别方法是择时交易，特别是熊市中择时的有效方法。

1．3 研究框架

传统的趋势指标择时策略往往是单指标的，并且策略参数通常是约定俗成的。单指标策略局限性和偶然性大，不能有效及时获取收益和及时止损；约定俗成的常用参数值在面对各种波动幅度不同、周期性不同、价格弹性等不同的个股时也有失客观性和灵动性。

所以，在探究一种改进针对个股的传统趋势指标量化择时的策略。首先建立基于各传统趋势指标的单指标择时策略，通过参数优化确定各单指标策略的最适参数；并在单指标的基础上，创新性地通过指标的组合，构建一个综合性且参数最优的组合指标择时策略，以增强策略的稳定性和鲁棒性，获得更优的投资收益。

1．4 术语说明

（1）累计收益率：

（2）年化收益率：年化收益率是把当前收益率（日收益率、周收益率、月收益率）换算成年收益率来计算的，是一种理论收益率，并不是真正的已取得的收益率。

（3）夏普比率：夏普比率是一个可以同时对收益与风险加以综合考虑的经典指标，它反映了单位风险基金净值增长率超过无风险收益的程度。如果夏普比率为正值，说明在衡量期内基金的平均净值增长率超过了无风险利率。夏普比率越大说明基金单位风险所获得的风险回报越高。因此，夏普比率是可以同时对收益与风险加以综合考虑的经典指标之一。

夏普比率=

（5）最大回撤率：在选定周期内任一历史时点往后推，产品净值走到最低点时的收益率回撤幅度的最大值。最大回撤率用来描述买入产品后可能出现的最糟糕的情况，是一个重要的风险指标。

2 理论概述

2．1 量化投资理论

量化投资是运用现代统计学和数学的方法，从大量的历史数据中寻找并获得超额收益的一种投资策略，投资者通过计算机程序，建立可以重复使用并反复优化的投资策略，严格按照这些策略所构建的数量化模型进行投资并形成回报。

量化投资的内容主要包括量化选股、量化择时、股指期货套利、商品期货套利、统计套利、算法交易、ETF／LOF套利、高频交易等。量化投资在国外已有30多年的发展历史，但在国内还是近年出现的新鲜事物。相比其他投资策略，量化投资在国外的运用已取得了更佳的业绩。

与海外成熟市场相比，中国A股市场的发展历史较短，投资理念还不够成熟，相应的留给主动型投资发掘市场的潜力和空间也更大。国内很多实证文献讨论国内A股市场也尚未达到半强势有效市场，因此量化投资理论引入国内证券市场是非常有意义的，它以正确的投资理念为根本，通过各种因素的分析，以全市场的广度、多维度的深度视角扫描投资机会，在中国市场的应用将更显其优势。

2．2 择时理论

量化择时是量化投资的一种，它利用数量化的方法，通过对各种宏观微观指标的量化分析，试图通过回溯历史数据，找到影响大盘走势的关键信息，并且对未来走势进行预测。如果判断是上涨则买入持有；如果判断是下跌则卖出清仓；如果判断是震荡则进行高抛低吸，这样就可以获得远远超越简单买入持有策略的收益率。所以择时交易是收益率最高的交易方式之一。

股票的量化择时是预测市场以后的走势，并由此来判断调整投资组合的风险水平，从而获取更大的收益，具体表现是现金流进出证券市场和在证券间比例变换的时机选择。

2．3 趋势追踪理论

趋势择时的基本思想来自于技术分析，技术分析认为趋势存在延续性，因此只要找到趋势方向，跟随操作即可。

技术指标是技术分析中使用最多的一种方法，通过考虑市场行为的多个方面建立一个数学模型，并给出完整的数学计算公式，从而得到一个体现证券市场的某个方面内在实质的数字，即所谓的技术指标值。指标值的具体数值和相互间关系直接反映证券市场所处的状态，为操作行为提供指导作用。目前证券市场上的技术指标可分为“趋势型指标”、“反趋势型指标”、“能量指标”、“大盘指标”、“压力支撑指标”等类别。

移动平均线（MA）是一种常用的趋势型指标，由Joseph E．Granville于20世纪中期提出来。它是当今运用最普遍的技术指标之一，帮助交易者确认现有趋势、判断将出现的趋势、发现过度延伸而即将发转的趋势。后来又逐渐衍生出其他类型的均线，如平滑异同移动平均线（MACD）、三重指数平滑平均线（TRIX）等。 这些均线理论常用两根线的交叉作为交易信号，并以此作为买卖时点的判断。

均线理论提供了一种简单有效的使价格序列平滑并且使趋势更易于辨认的方法。

因此综合以上理论的优点，在此基础上改进传统趋势指标的量化择时策略，并创新性地开发更优的组合指标量化择时策略，以达到及时获取收益和及时止损的目的。

3 择时策略模型建立

3．1 MA单指标策略模型的建立

MA移动平均是指连续若干交易日收盘价的算术平均，用来显示股价的历史波动情况，进而反映股价指数未来的发展趋势。

其中

利用MA指标进行量化择时，在短期移动均线与长期移动均线的交叉处进行买入或卖出择时交易。以下分别建立买入和卖出法则的模型。

在短期移动均线下穿长期移动均线的黄金交叉处买入，故建立如下数学模型：

mabuy=1，MA（s）t＞MA（s）t-1&MA(s)t＞MA(l)t&MA(s）t-1＜MA（l）t-10,其他（6）

其中mabuy=1，表示满足买进，mabuy=0表示不满足买进。

在短期移动均线上穿长期移动均线的死亡交叉处卖出，故建立以下数学模型：

mabuy=1，MA（l）t＜MA（l）t-1&MA(s)t＜MA(l)t&MA(l）t＞MA（l）t-10,其他

其中mabuy=1，表示满足卖出，mabuy=0表示不满足卖出。

3．2 MACD单指标策略模型的建立

MACD即指数平滑异同移动平均线，是根据均线的构造原理，通过分析短期指数移动平均线与长期指数移动平均线之间的聚合与分离状况，对买进、卖出时机做出判断的趋势型技术指标。

MACD的计算如下：

（1）计算短期（ms）指数移动平均线EMA1和长期（ml）指数移动平均线EMA2。

（2）计算离差值DIF＝EMA1－EMA2。

（3）计算DIF的M日指数移动平均线，即DEA。

（4）计算MACD＝2（DIF－DEA）。

利用MA指标进行量化择时，在DIF与DEA的交叉处进行买入或卖出，分别建立买入和卖出法则的模型。

当DIF、DEA均为正值，DIF向上突破DEA时，为买入信号，建立如下数学模型：

macdbuy=1，DIFt＞DIFt-1&DIF＞DEAt&DIFt-1＜DEAt-1&DIF＞00,其他 （8）

其中，macdbuy=1表示满足买进，macdbuy=0表示不满足买进。

当DIF、DEA均为负值，DIF向下跌破DEA时，为卖出信号，建立如下数学模型：

macdsell=1，DIFt＜DIFt-1&DIFt＜DEAt&DIFt-1＞DEAt-1&DIF＜00,其他（9）

其中macdsell=1，macdsell=0表示满足卖出，表示不满足卖出。

3．3 MA－MACD组合指标策略模型的建立

组合模型构建两个新的信号变量：买入信号个数阈值“buy”（1≤buy≤2，整数）和卖出信号个数阈值“sell”（1≤sell≤2，整数）。

买入信号个数阈值“buy”表示：当MA策略中的“mabuy＝1”的买入信号个数与MACD策略指标中的“macdbuy＝1”的买入信号个数之和至少达到阈值“buy”（1≤buy≤2)数量个时才进行买入交易。

即“buy”阈值取不同值时，买入信号组合满足买入条件的情况如下：

buy=1时，满足买入情况：mabuy=1||macdbuy=1||macdbuy=1||mabuy=1&macdbuy=12时，满足买入情况：mabuy=1&macdbuy=1（10）

卖出信号个数阈值“sell”表示：当MA策略中的“mabsell＝1”的卖出信号个数与MACD策略指标中的“macdsell＝1”的卖出信号个数之和至少达到阈值“sell”数量个时才进行卖出交易。

即“buy”阈值取不同值时，买入信号组合满足卖出条件的情况如下：

sell=1时，满足卖出情况：masell=1||macdsell=1||mabsell=1&macdsell=12时，满足买入情况：masell=1&macdsell=1（11）

3．4 模型最优参数的选择

就个股而言，不同的计算参数，将导致不同的择时效果。面对各种波动幅度不同、周期性不同、价格弹性等不同的股票，如果盲目套用经典参数可能会有失客观性和灵动性。因此， 在进行量化择时策略构建时，需要针对个股进行策略的参数优化，检验指标不同参数的测试效果，并最终选择一个最优的参数组合。

夏普比率是一个可以同时对收益与风险加以综合考虑的经典指标，它反映了单位风险基金净值增长率超过无风险收益的程度。如果夏普比率为正值，说明在衡量期内基金的平均净值增长率超过了无风险利率。夏普比率越大说明基金单位风险所获得的风险回报越高。因此，夏普比率是可以同时对收益与风险加以综合考虑的经典指标之一。

4 个股实证分析

4．1 数据选择

为验证上述模型的有效性，个股实证以深圳证券交易所的华谊兄弟300027为交易标的，选取来源于国泰安2011．1．1－2014．6．30的基本面数据库，包括个股开盘价、收盘价等。

4．2 MA单指标择时策略仿真回验

首先对该股策略进行参数优化：本策略中对于参数，在测试期间内，以2天为间隔，测试范围从2天到20天；以5天为间隔，测试范围从20天到120天；搜索精度为1；测试回验30天，截止日期设为2013－12－31。通过回验得到参数优化结果（见表1）。

如表1所示，最优组合（s，l）＝（2，20），当以2日为短期均线，20日为长期均线，在参数优化测试期间进行交叉择时时效果较好，在回验测试期间内夏普比率达2．4234。

确定最优后，运用国泰安量化交易平台QIA进行策略交易仿真回验。设定合约保证金为1，合约乘数为1，市场参与度为0．5，买方手续费为0．05‰，卖方手续费为0．05‰，交易账户为股票账户并设定初始资金为1 000 000元，以一年期国债利率为无风险利率，并以沪深300为业绩比较基准，以数据库所给时间2011年1月1日-2014年6月30日为策略回验时间区间进行回验。最终结果（见图1、表2）。

回验结果显示，此单指标策略在2011年1月1日-2014年6月30日间的累计收益率达42．26％，年化收益率达11．10％，高出同期的沪深300指数比较基准，并且胜率达60．80％。由此我们可以得出结论，采用MA单指标策略进行个股量化择时交易也能获得较优的投资回报。

4．3 MACD单指标择时策略仿真回验

对该股策略进行参数优化：该策略需要优化确定的参数主要包括短期指数移动平均线的计算天数ms、长期指数移动平均线的计算天数ml，以及DEA的计算天数M。本策略的参数优化依然以最大化夏普比率为最优化目标函数，并使用Matlab的模式搜索算法在设定的回验时段内搜索最优参数组合（ms，ml，M）。

对于参数ms，在测试期间内，以2天为间隔，测试范围从2天到20天；参数ml以5天为间隔，测试范围从20天到120天；参数M以5天为间隔，测试范围从5天到60天；搜索精度为1；测试回验30天，截止日期设为2013－12－31。通过回验得到参数优化结果如下：

如表3所示，最优组合（ms，ml，M）＝（2，25，10），当以2日为短期指数移动平均线计算天数，25日为长期指数移动平均线计算天数，10日为DEA计算天数，进行交叉择时时效果较好，在回验测试期间夏普比率达3．0682。

组合指标择时策略仿真回验。由于组合指标策略是建立在单指标策略基础上的，所以该策略中的参数（s，l）、（ms，ml，M）即为模型一和模型二参数优化后确定的值，而参数（buy，sell）的组合情况有（2，2）、（2，1）、（1，2）和（1，1）四种，阈值组合选取哪个使得策略最优则需要进一步的参数优化。

对于参数buy，初始值设为2，测试最小值为1，最大值为2，步长设为1；参数sell，初始值设为2，测试最小值为1，最大值为2，步长设为1；搜索精度设为1；测试回验90天，截止日期设为2013－12－31。通过回验得到参数优化结果（见表4）。

如表4所示，最优组合（buy， sell）＝（1，1），即当买入信号个数至少有一个时就进行买入交易，卖出信号个数至少有一个时就进行卖出交易，以此进行组合指标择时效果最好，在参数优化回验测试期间夏普比率达2．490 3。

5 结论

从价格沿趋势移动和历史会重演的角度出发，运用传统趋势指标MA和MACD，分别建立MA、MACD的单指标择时策略模型并通过模式搜索算法分别求出两个策略的最优参数，从实证结果看趋势型指标可以抓住大的波段行情，获得超额收益，具有较好的择时效果。在此基础上再创新性的运用通过设置买入和卖出信号个数阈值的方法构建二者的最优组合指标模型，增强了择时的稳定性和鲁棒性，在有效降低风险的同时提高了收益率。

综上所述，基于以上的不足之处，以后将沿着组合指标择时的思路继续深入研究以对目前的研究进行改进。未来的工作主要是：对于用于组合的单指标要进行更为全面的扩展，引进其他经典趋势型指标DMA平均线差指标、TRIX三重指数平滑移动平均指标等，同时把指标类型拓展至其他类型，如反趋势型指标ACCER幅度涨速指标等，量价指标APBP人气意愿指标等，大盘指标OBOS超买超卖指标等，压力支撑指标ENE轨道线指标等。通过增加组合趋势型数量和组合指标类型，以使组合指标策略更全面、更切合实际市场。

参考文献

1 丁鹏．量化投资——策略与技术［M］．北京：电子工业出版社，2012

2 方浩文．量化投资发展趋势及其对中国的启示［J］．宏观管理，2012（5）

3 郭建．论证券投资技术分析中历史会重演的根本原因［J］．商业时代，2007（28）

4 李向科．证券投资技术分析［M］．北京：中国人民大学出版社，2012．

5 张登明．技术指标投资策略的优化及其在量化交易中的应用［D］．武汉：华中科技大学，2010

6 方智．基于多技术指标模型的沪深300指数走势预测［D］．南昌：江西财经大学，2012

7 路来政．量化投资策略的应用效果研究［D］．广州：暨南大学，2012

8 刘澜飚，李贡敏．市场择时理论的中国适用性［J］．财经研究，2005（11）

9 林正龙．项目投资定价与择时理论研究［D］．长沙：湖南大学，2006

10 胡志强，卓琳玲．IPO市场时机选择与资本结构关系研究［J］．金融研究，2008（10）

篇（10）

“在今年股票市场结构化行情中，量化股票策略通过多因子模型选股，能够抓住市场尾部机会，在市场风格和热点板块的迅速切换中保持较高仓位运作。而南方基金量化团队着力打造的主动量化投资，更是通过多模型捉到了广泛的错误定价机会，大概率的战胜市场指数，获取更为稳健的长期收益。这是今年以来，南方基金旗下量化产品取得出色业绩的最主要原因。”南方基金总裁助理、权益投资中总监如是说。

致力于捕捉

“非有效性”的主动量化投资

什么是主动量化投资？

“主动量化投资泛指利用海量数据和依靠计算机的系统支持，挖掘历史规律性，并采用严格的风控来获取稳健收益。”史博告诉《投资者报》记者，南方基金主动量化投资的核心是捕捉市场的“非有效性”，市场中有很多非理性投资者把股票价格抬高或压低，所以股价会根据市场情绪的波动围绕预期价格变化，主动量化投资通过上市公司基本面、一致预期、市场波动与情绪等各个维度综合描述定价的偏差机会，广泛精选个股获取超额收益。

值得一提的是，尽管南方基金旗下量化股票策略基金会为了最大程度获取绝对收益而维持较高的仓位，但单只股票的持仓占比却并不高，几乎都在1%以下。以南方量化成长为例，三季度持仓占比最高的为科隆精化，但仍不到1%，为0.97%，前十重仓股持仓占比合计为7.12%。

“南方基金量化团队基于基本面的量化选股策略是透明的和符合逻辑的。其优点是拥有灵活的市场应变能力、广泛选股的能力，可以管理较大规模，并能有效降低组合波动，保证业绩的可持续性。”史博告诉《投资者报》记者，南方基金旗下量化产品根据组合的不同契约规定等采用不同的数量化策略进行投资，通常单一产品实际投资股票数目有几百只。每只股票的持仓比例一般都比较低，单只股票的波动对净值影响较小，整体表现较为稳健。

对此，业内人士指出，对投资者而言，在无法准确预知未来市况时，长期持有老牌公募的量化股票基金是一个较为明智的投资选择。因为即使是在投资周期中赶上熊市遭遇Alpha和Beta双杀，但只要长期持有基金，在熊市周期过后，震荡市和牛市都可以为投资者赚取一定的绝对收益，在Alpha的复利作用下依然可以获取可观的收益。

以南方策略优化为例，该只量化基金成立于2010年，目前获晨星、银河三年5星评级；最近一年回报率在同类481只可比基金中排名第5 ；最近两年、三年回报率也都在同类400多只可比基金中排名前15。据Wind数据显示，截至11月29日，自成立之日起复权单位净值增长率为68.89%。即使以去年股市异常波动前最高点5100多点来计算，在大盘仍亏损37%多的背景下，该基金的亏损幅度已缩小到10%左右，明显优于大盘。

“团队+系统”炼就金牛量化投资团队

你也许会认为量化投资看上去简单，但实际上并不容易。一个好的量化产品，必须能够结合市场环境的变化等因素，动态调整各个风格之间的比例，进而使得模型适应不同市场。据了解，为了达到上述目的，南方量化团队打造了强大的量化多策略模型，包括从因子模型、事件驱动、价格特征、交易量特征、量价互动、主题轮动、行业轮动、突发事件方面的因素去结合公司基本面、当前市场环境等信息，从而精选股票，不仅如此，该基金还在今年引入了舆情因子，利用大数据捕捉市场情绪。

“总的来说，量化投资是一项复杂的系统工程，其成功依赖于团队成员之间的紧密合作。因其业务链条的严密性和逻辑的环环相扣，许多繁琐的细节实际上都是成功的关键。作为一种复杂的高智能投资方法，目前只有机构投资者才有竞争能力使用此方法。”史博告诉《投资者报》记者。经过多年不懈的努力，目前，南方量化团队已经建立了包含清洗整理过的上市公司财务数据库、因子库、回测平台、样本外跟踪分析平台在内的南方基金量化投资系统。

篇（11）

北京时间2013年8月16日11点05分31秒到05分56秒的短短26秒里，中国石化和工商银行两大权重龙头先后涨停。之后多只权重股迅速跟进大幅拉升；根据事后调查结果，造成这一事件的光大乌龙交易以70亿的成交量，却造成了日均交易量在2000亿以上的A股市场的大盘指数瞬时上涨超过5%的涨幅，这让貌似遥远的量化交易突然出现在国内投资者的面前，很多普通投资者这才发现自己同量化交易战斗已经很久了。如何获得一个拥有高速精准的数据、高性能程式交易以及高度的开放性和前瞻性等特点的专业的交易平台，这正是本文尝试解决的问题。

一、如何选择国内现有平台

目前的量化交易平台可以从开发语言、技术架构、系统架构、策略方向、交易方式等几个方面，分为中低端和高端量化交易平台。

（一）中低端量化交易平台

中低端平台只支持复杂度不高的脚本语言实现策略逻辑，多数的实现只能在图表上加载技术指标进行自动化交易、程序化交易等量化交易方式。它一般采用的技术架构是投资者使用平台商提供的客户端软件，采用互联网接入方式连接平台商或者金融经纪公司提供的行情和基础数据服务器，投资者在本地运行的策略触发后，通过经纪公司的普通交易席位进行交易。国内应用的中低端量化交易平台主要有文华赢智程序化交易、交易开拓者、金字塔决策交易系统等。

（二）高端量化交易平台

高端量化平台除了支持复杂脚本语言实现策略逻辑外，均支持直接使用C++、JAVA等开发语言实现复杂的策略逻辑，采用多进程、多线程方式进行自动化交易、程序化交易、算法交易。行情和交易的延时都要求尽可能最低。它适合机构投资者进行趋势、套利、对冲、高频等对行情和交易要求高、逻辑复杂度高的策略。国内主流的高端量化交易平台主要有龙软DTS、国泰安量化投资平台、天软量化平台等。

总的来说，中低端平台适合投资者进行趋势、反趋势等对行情和交易逻辑要求不高的策略，高端交易平台适合机构投资者进行趋势、套利、对冲、高频等对行情和交易要求高、逻辑复杂度高的策略。同时不同的平台费用也不同，投资者必须根据自己的交易要求和费用承担能力来选择最适合自己的量化交易平台。

二、自己打造量化交易系统。

由于MATLAB、R语言这些新一代面向对象、功能强大的语言的出现，获取免费证券和期货的数据并不难，同时出于交易保密的要求，再加上使用功能强大的现有平台费用很高，越来越多的个人和中小机构选择自己或委托别人开发自己的量化交易系统。

（一）语言选择

很多大的机构都有自己软件团队开发量化交易平台，大多选择C语言、C++、JAVA等开发语言，有的甚至使用机器语言，但MATLAB、R语言逐渐成为主流的开发语言。

1.MATLAB简介：MATLAB的是美国MathWorks公司出品的商业数学软件，用于算法开发、数据分析以及数值计算，主要包括MATLAB和Simulink两大部分。其优势在于：用户可以利用MATLAB进行：（1）交易策略实现和回测、投资组合优化和分析。（2）资产分配、金融时序分析、期权价格和敏感度分析、现金流分析。（3）风险管理、预测和模拟、利率曲线拟合和期限结构建模。（4）Monte Carlo模拟、基于GARCH的波动性分析等

2.R语言：R语言是一个高效率的实验平台：通过R语言可以很高效的实现前沿paper的模型方法，同时R语言又提供与C，C++等传统语言工具的量化结合，作为免费开源的数据处理语言，至少几百名世界知名统计学家在算法上的支持，至少几百名世界顶尖的Fortran，C，C++数学库编程高手在代码上的支持，大数据计算平台的运算支撑，开放金融数据资源的免费接入，前沿期刊与代码工具的协同

（二）量化投资重要支撑：IT系统

一个高水准的量化交易系统，必须实现以下的4种功能：

1.历史数据统计后验。历史数据统计一般以收盘价或者日均价作为买入卖出的交易价格。然后根据设定的交易价格计算出在某一段时间内的收益率、超额收益、夏普率等结果。历史数据统计后验的优势是效率高、简单方便。缺点是不够精确，尤其不能考虑资金量对市场的影响。这个阶段的IT要求：简单的原语/多市场的数据/各种盈亏报表分析。

2.历史高频交易数据后验。历史高频交易数据后验的核心在于根据历史高交易频数据进行模拟撮合，撮合算法主要是判断在某个时段的成交量的成交比例。这个步骤的IT要求：快速撮合能力