金融投资量化方法精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的金融投资量化方法主题范文，仅供参考，欢迎阅读并收藏。

第1篇：金融投资量化方法范文

本刊记者专访了建信责任ETF、建信社会责任联接基金经理叶乐天，为我们揭开量化投资的面纱。来自浙江，北大数学系出身的叶乐天，谈起量化投资，如数家珍。在他看来，量化投资与基本面投资在方法论上有较大差别。后者类似中医，通过实地调研考察，望闻问切，接触病人，获取信息，加以判断；前者则把影响投资的各方面情况以及投资逻辑转化为数据和模型，类似西医，用医疗设备对病人进行体检和化验，更重视借助图表和数据对病人的病情做出判断，因此能做到不见病人而对其基本特征了如指掌。

：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。

不过，对于普通投资者而言，要投资量化基金时，并不是非要弄懂基金的运作模型。选择一只量化产品与选择普通的基金产品，方法并没有太大的差异。首先，投资者需要了解量化产品的过往业绩，如果基金持续一段时间业绩表现优秀，说明这种模型相对来说是较为可靠的。其次，就是看基金经理的投资理念和思路方法投资者是否认可，因为基金经理正是模型的制定者。最后应当考虑个人整体的资产配置，从长期的角度对基金产品进行合理配置，不用过多地顾虑投资时机。

第2篇：金融投资量化方法范文

寒暄已毕，坐定后，银华基金量化投资部总监周毅用他惯常的平缓语速说道。

《投资者报》记者第一次采访周毅在2010年3月，那时，银华基金正推出国内第一个杠杆指数基金，作为产品的设计者，基金经理也由他担任。

谈及国内基金产品创新，在华尔街做了11年量化投资并参与过房地美等资产抵押债券设计的周毅自谦道，只是将国外的产品移植到中国市场。

从北大计算机系到华尔街操盘手，1998年到2008年期间，周毅亲身体验了互联网泡沫的“过山车”以及次债的摧枯拉朽。

前一次危机“迫使”他转身做了金融，后一次让他下定决心离开华尔街回国。

传统上人们认为，有完善的投资、研究体系才是投资的内涵，但周毅看来，这是投资的一小部分。

“与传统的基于投研平台的投资不同，量化投资更多依靠模型和程序，所以有时候在华尔街，量化投资交易员的地位比较高。”

这算是一个量化投资者的立场。

从北大到华尔街

周毅的求学之路可谓顺利。高中毕业后，他被保送北大，选了当时热门的计算机专业，四年后，在留学热潮中，又赴美国南卡罗来纳大学继续深造。

但求职之路并不平坦。

1998年毕业时，互联网空前繁荣，华尔街互联网人才紧俏。周毅和他的同学们赶上了好时代，不费力就找到了一份薪水不菲、让人眼红的职业。

但此时，互联网泡沫依稀传出咝咝破裂之声。2000年，泡沫终于破灭。

回忆至此，周毅说：“像坐过山车。”

互联网繁荣带来财富以及身处行业的成就感顷刻消失。巨大的落差袭来，周毅的很多同学被迫改行做了律师，而周毅把职业的方向盘打向了美国发达的金融业，主要做计算机量化投资。

投资生涯由此起航。

1999年，他进入美国约翰・霍普金斯大学学习金融，与此同时，利用计算机强项，在普华永道金融服务部做一些量化模型。

在普华永道的八年里，他曾参与了包括导致次贷危机的房地美、房利美等资产抵押证券产品的设计。

普华永道的客户涉及华尔街各大投行和机构，内容囊括股票、债券、期货以及各种衍生品，这对周毅来说，是难得的学习机会。

“这不仅让我的职业方向转到金融，而且让我全面接触到各类金融产品。”

但他也意识到，必须有深度上的提高。2006年，周毅加入在金融衍生品方面领先的巴克莱银行，并在该部门做量化投资，与在华尔街名声凿凿的李祥林共事。

李祥林现任中金风险管理总监，在加速华尔街资产证券市场化方面贡献卓著。有人说，如果不是金融危机爆发，李很可能问鼎诺贝尔经济学奖，这间接说明巴克莱银行对金融衍生品的重视。

研发、利用先进的量化模型，发现定价有偏差的产品，用巴克莱银行的低成本融资赚取差价，这就是周此时的主要工作。

次贷危机爆发后，金融衍生品遭受摧毁性打击。

2008年，周毅以巴克莱亚太公司副董事身份转战香港，做相对简单的股票及债权衍生品投资。此后，为照顾亲人回到北京。

把海外思路带回国

对一个长期与衍生品打交道的人来说，回国能做什么？

“当时直观感觉，自己能做的其实有限。”对A股不了解，在华尔街擅长的东西也用不上。国内投资领域能与其沾边的只有指数基金占主体的量化投资。

量化投资方法是相对于定性投资而言，后者主要靠人力，前者主要靠计算机以及数据模型。

2009年底，周毅加盟银华基金，当时银华量化投资还是一片空白。

摆在他面前最迫切的问题是，该从哪里切入。

“既然不了解A股，我不大可能直接把美国或中国香港市场用的量化投资模型直接应用到A股投资中，这从逻辑上讲不通。”

指数基金被动化管理成了突破口。

根据华尔街的经验，周毅深切地明白，指数基金的产品研发、创新、先发优势最重要。然而，当时国内跟踪沪深300等优质标的指数基金已经很多，在跟踪标的上难以获得先发优势，产品形式创新成为不二选择。

“看到这种情况，我在想，在形式上要有别于国内其他产品，做别人没有的东西，才有取胜的可能性。”

结合国内证券市场的条件及A 股的特征，周毅把目光放在了国外已经流行的杠杆指数基金上。

虽然在周毅看来，这算不上什么创新，但在国内首次吃螃蟹，总免不了一些曲折。先想到国外普遍采取与券商做互换的方式做杠杆，然而，由于潜在的信用风险被他否定。

“这条路堵死之后，我们选择了当时国内已经有的分级基金，这虽然不能做完美的杠杆指数基金，但是一定程度上可以实现我的想法。”

经过几个月的奔波，2010年3月，银华深证100分级基金发行，在随后的7月到10月，该基金让市场见识了杠杆基金的魅力。其间，银华深证100锐进份额上涨了109%，而其跟踪的指数深证100上涨了50%。

2010年4月，股指期货推出后，引进做空机制成为现实。

目前，用对冲策略做创新是周的一个着力点。记者了解到，银华旗下已有三只专户产品运用了对冲策略。

“具体做法就是用股指期货空头做等量对冲，其实就是做减法，比如，把超越沪深300指数的收益，通过等量对冲变成绝对收益，尽量降低风险。”

第3篇：金融投资量化方法范文

大概没有出现过这么密集的伤心消息了――2月21日，史上最年轻的诺贝尔经济学奖得主肯尼斯・阿罗（Kenneth Arrow）与世长辞；最有影响力的经济学家之一蒂莫西・富尔斯特（Timothy Fuerst）在同一天去世；3月6日，美国金融学会讣告，著名金融学家罗蒂芬・罗斯（Stephen A・Ross）在家因心脏病突发逝世，对接触过现代金融学科的人而言，都知道套利定价理论（APT，Arbitrage Pricing Theory）的伟大之处。

就在人们纷纷对西方财经圈大牛表示缅怀之时，传来一个中国投资大佬境外因病医治无效过世的消息，让整个量化投资圈颇为震惊。

这个大佬就是量游投资创始人朱天华。我打开他的微信，签名“交易是统计游戏”赫然醒目呈现在那里，或许也是他公司名的来由。

朱总是哥伦比亚大学博士，有15年美国顶级投行经验，任美国高盛集团交易和销售部董事总经理。关键是在高盛，朱博负责金融产品量化、程式化和高频化的交易和策略，主管美国的国债期货、国债现货，包括利率期货、外汇、商品期货还曾任瑞士信贷全球自营部的总监、美国雷曼兄弟公司固定收益部副总裁和资深交易员、美国IDC固定收益和金融衍生品资深策略专家。

放眼华人量化投资圈，大概没几个人能有这样丰富而资深的背景了。

一般来说，回国创业的量化创业者有三类，第一类是像朱天华这样真正受过顶尖投行熏陶的扎实大牛，少之又少；第二类是海外大机构做过几年相关工作的，基本知道主要套路；第三类是非主流对冲基金合伙人，或是从策略转投资、从研究转投资的新人。

我后来与朱天华总共有过三面之缘，每次都在讲风控。

第一次见到朱总是上海交大高级金融学院的论坛上，当时话题还算应景――对冲基金在中国的困境与对策。朱总参加的是圆桌讨论环节，穿着松松垮垮的休闲外套，他个头略小，脸上不带微笑，神情略显沧桑。他说话虽声不大，但气场强烈，当时依稀记得的重要观点是：很多人太不敬畏投资了，不知道投资中的不确定性有多难控制。

第二次是在虹口区对冲基金园区附近一家酒店大堂。那时大概是2016年5月，听说朱总很久不见投资人了。我当时像平常一样咨询他一些问题，但我很快就发现，朱总交流起来有自己的频道。他说得更多的是一些形而上学的理念。

最后一次见他，是在去年底上海的一个对冲基金论坛上。他坐在前排一个有名牌的座位上，冷静地观察着这个热闹的世界，周围是喧闹的年轻人。他穿着还是一样朴素，一样不为人所注意，感觉整个人有些消瘦。看他提前要走，我与他打了个招呼，他依旧低调地浅浅一笑。

不过，短短的几次接触，发现朱总仍有几点交易原则值得借鉴。

1.分散化。多品种多交易方法。朱总坚持量化交易，他覆盖的交易品种有期货、股指、商品期权、分级、ETF等，他基本都在做一些多品种的交易策略。这与他在高盛时一脉相承，他当时负责金融产品量化、程式化和高频化的交易和策略，对美国国债期货、国债现货，包括利率期货、外汇、商品期货等各品种也非常精通。

2.寻求趋势相反机会。朱总偏重微观，偏重统计意义上的回归，在量化交易中尽量找一些与趋势策略相反机会的策略，与趋势模型做较好的组合补充。

3.永远敬畏风险。他信服凯恩斯所言的“市场保持不理性的时间可能比你保持不破产的时间更长”。至于具体方法，主要通过对海量数据风控解决方式。他说起过去美国白银市场，曾经从5元涨到80元，后来跌到10元、2元、1元，非常无法想象。他也提到当时高盛躲过次贷危机最强大的是其风控，在他看来，风控才是资产管理的灵魂。

4.人工智能是方向。2003年朱总在雷曼期间就接触了深度学习专家，拥有下棋人工智能，只是没feedback。现在可以通过Led work等神经网络实现策略复兴、优化，也可以通过非结构化思维，进行头寸与风险分配，主要通过历史数据，再用反馈测试。

总之，在朱总眼中，中国市场刚刚起步，阿尔法机会巨大。

想起《黑天鹅》一书的作者纳西姆・塔勒布对他的理念形成重要冲击的一刻――当时，塔勒布在芝加哥商业交易所工作，这份工作让他的喉咙嘶哑。起初，他也没在意，返回纽约后才去看医生。医生语气凝重地告诉他，他得了喉癌。塔勒布听罢心里一沉，外面正好细雨霏霏，他在淅淅沥沥的雨中走了一程又一程。他走进医学图书馆，发疯似地查找医学文献了解自己的病情。衣服上流下的雨水在他脚下形成了一个小水洼，竟然一点儿也没有察觉，因为喉癌通常是那些抽了一辈子烟且烟瘾很大的人，才有可能得的。塔勒布还很年轻，关键是他几乎不吸烟。像他这样的人患喉癌的概率小之又小，连十万分之一都不到。他成了一只黑天鹅！后来，每每他投资的时候，这份深刻的与死亡很近的印象盘踞于他脑中，由此自然发展出了黑天鹅投资体系，对风险中的“肥尾”尤为重视。

第4篇：金融投资量化方法范文

【关键词】 金融风险； 管理； VaR； 评估

一、关于VaR的介绍

风险价值模型（Value—at—Risk，VaR）是近年发展起来的用于测量和控制金融风险的量化模型。VaR技术越来越广泛地用于投资组合风险计量、风险资本配置和绩效评价。金融风险管理者当然最关注VaR技术的精确度。

VaR从统计的意义上讲，本身是个数字，是指面临“正常”的市场波动时“处于风险状态的价值”。即在给定的置信水平（通常是1%或5%）和一定的持有期限内（通常是一天或一周），预期的最大损失量（可以是绝对值，也可以是相对值）。期望损失（Expected Shortfall，ES）指位于超出VaR损失的条件期望。VaR技术在度量尾部风险时是无用的，误差较大。

本文写作目的有两方面：一是评估计算VaR和ES中产生的潜在损失；二是通过VaR和ES的置信区间来量化误差的严重性。

Jorion和Pritsker考虑过VaR风险值的估计。但构造合适的VaR和ES的置信区间，关键问题在于解决投资收益条件方差的动态行为，本文将运用著名的GARCH模型来量化这些动态行为。GARCH模型适用于波动性的分析和预测，已经成为金融风险管理中的主力，在GARCH—VaR模型和ES预测中很少产生参数估计错误。

Pascual，Romo和Ruiz利用GARCH产生的时间序列获得预测密度，提出了一个新的Bootstrap重采样技术。本文发展了该重采样技术，提出的重采样技术相对来说更容易实现，并可扩展到多元风险模型。

二、模型的构建和风险措施

本文对一个给定的金融资产或投资组合建立每日损失（负回报）的动态模型：

Lt=σtεt， t=1，…，T （1）

其中，εt是独立同分布的，均值为0，方差为1，分布函数为G。这里考虑G为标准的Student’s t分布，自由度为d。■εt～t（d）为模拟波动动态，使用对称的GARCH（1，1）模型，σ■■=ω+αL■■+βσ■■，其中α+β

本文关注损失分布的尾部情形，为此考虑两个主流的风险措施：VaR技术和期望损失ES。前者简单说就是损失分布的条件分位数，后者是超过VaR的那部分损失的期望。

已知T时期信息情况下，VaR以覆盖率p度量T+1时期，用VaR■■表示这个正值：

Pr（LT+1>VaR■■■F■）=p （2）

这里FT表示在时间T可用的信息；p通常是一个小数字，如p=0.01或p=0.05。

类似，已知T时期信息情况下，ES以覆盖率p度量T+1时期，用ES■■表示这个正值：

ES■■=E（LT+1■LT+1>VaR■■，FT） （3）

给定模型（1），可以得到VaR■■和ES■■的简化的表达式：

VaR■■=σT+1G■■σT+1c1，p （4）

其中，G■■表示G的（1—p）分位数、标准损失分布εt=Lt/σt，σT+1是T+1时期的条件波动。例如，若G是标准正态分布Φ，p=0.05，则G■■=Φ■■=1.645，从而有VaR■■=1.645σT+1。在一般情况下，当ε～G，方程（4）表明，可以将VaR■■表示为σT+1和常数c1，p=G■■的乘积，其值取决于G和p。

类似地，给定模型（1）：

ES■■=σT+1E（ε■ε>G■■）

σT+1c2，p （5）

其中，ε是独立同分布的随机变量，均值为0，方差为1，分布函数为G。若ε～N（0，1），则对任意常数a，有E（ε■ε>a）=■，其中φ和Φ表示标准正态随机变量的密度函数和分布函数。此时有ES■■=σT+1■和c2，p

■。若ε服从标准的Student’s t分布，自由度为d，则c2，p由不同公式给出。为描述这个公式，令td服从标准的Student’s t分布，自由度为d，Andreev和Kanto给出，对任何常数a，有E（td■td>a）=（1+■）■■，其中f和F表示td的概率密度和累积密度函数。于是有：

c2，pE（ε■ε>G■■）=1+（■G■■）2/d■■■

其中，G■■是ε分布的（1—p）分位数。特别地，G■■=■t■■，其中t■■是td分布的（1—p）分位数。

实际上，无法计算VaR■■和ES■■的真实值，因为它们依赖于数据生成的过程（也就是说，它们依赖于G和条件方差模型σ■■）。因此，需要估计它们，从而估计风险。本文的最终目标就是要通过建立置信区间（或预测区间）来量化风险估计。

三、蒙特卡罗的结果

第5篇：金融投资量化方法范文

指数编制深挖大数据

与互联网的深度融合，对基金业来说，是一次投研系统突破的机会。

中证指数公司、百度和广发基金三方强强联合，通过大数据挖掘和分析、结合可靠量化模型来开发指数化投资，共同打造新的互联网金融产品。南方基金则选择了一家网络媒体新浪财经进行合作。这注定了两家公司尽管在模式上相近，但是选取的策略因子和最终结果将不尽相同。

据百发指数相关研发人员透露，目前传统的指数编制方法是利用市值规模、成交金额、财务及估值等指标进行编制，模拟组合的收益表现不佳；而新的指数编制方法，创新性地融合了百度金融大数据技术，结合相应的量化分析模型，产生了数据层面的化学反应，其历史回溯模拟结果稳健性好、业绩表现优异，未来可以基于指数进行产品化、系列化的投资和运营，“该指数的推出，将给投资者分析市场情绪、参与市场投资提供独特的参照体系，这或将掀起指数界的革命。”

“百度互联网金融大数据与传统金融数据的结合，在某种程度说确实起了化学反应。我们把几类数据做多维度分析，类似于在一个高维空间，利用超平面将价值股和非价值股进行区分。”百发100指数的参与开发者、广发基金数量投资部的季峰告诉记者，通过对过去5年半的数据跟踪，相关摸拟的业绩数据和模型都是比较优秀的。

与此同时，南方基金也宣步联手新浪财经即将推出南方-新浪财经大数据策略指数。大数据首次被嵌入传统金融投资策略中，大数据因子成为指数编制的核心。

南方基金与新浪财经联合推出的财经大数据策略指数，是通过对新浪财经频道和新浪微博“财经大数据”定性与定量分析，找出股票热度预期、成长预期、估值提升预期与股价表现的同步关系，构建策略因子，选出具有超额收益预期的股票，构建、编制并策略指数。

此次南方基金与新浪财经合作，主要用的技术是类似于对相关新闻、内容的关键词“抓取”技术，可能会对相关的公司，以及相关的关键词进行“利好”“利空”的区分，以期对投资进行指导，而广发基金的中证百度百发策略100指数则偏重于数据分析。

大数据指数即将产品化

据悉，百发100指数的想法来自于一次对话。2013年底，广发基金副总经理邱春杨与百度金融事业部总监孟庆魁一次对话中谈到，能否将百度海量金融大数据转化为金融产品，之后双方一拍即合。

此后，中证指数公司、百度和广发基金三方投入大量人力物力进行策略研发，经过上千种的投资策略分析，和4个月时间的反复调试，才找到令人满意的结果。百发100指数的顺利，引发业内关注，多位基金业内人士表示，会关注其后续产品开发，并将在合适的契机下考虑推出类似产品。

在大数据指数产品化的过程中，广发基金速度更快。广发基金表示，百发100指数将互联网基因与量化模型一起植入传统基本面因子的指数选样过程中，是一次指数编制方法的探索和尝试。他们对“百发100”指数非常有信心，除已着手开发依托该标的指数的指数基金外，未来广发基金还将联合百度及中证，推出绝对收益类产品、增强型指数产品、量化对冲产品等。

季峰介绍，“跟踪百发100指数的公募基金产品预期最快9或10月份推出，由于报备产品是走普通通道，希望能比较快拿到募集批复。”而记者了解到，南方基金的计划则是今年将产品上报证监会，明年发行。

业内人士认为，待相关产品问世后，将成为资产管理行业的一个重大创新，因为目前市场上还没有利用大数据成果指导投资行为的产品。此外，这也将是互联网金融的一大创新。

大数据权益类基金领先出击互联网金融

有专业人士指出，大数据来自互联网，指数算法互联网化，未来指数基金的销售也会在互联网上进行，基金业可能先于其他资产管理公司全面步入互联网化。

目前，互联网金融产品主要是各类平台上面的各类“宝宝”们的货币基金产品以及淘宝店、第三方理财平台销售的各类公募基金产品，只是变换了一下销售渠道，本质上仍属于传统的基金产品。而大数据指数产品的将会是真正意义上的第一只权益类互联网金融产品。

第6篇：金融投资量化方法范文

年10月加入华泰柏瑞公司，任专户投资部投资经理

截至5月9日，沪深300指数市盈率仅为11.06倍，低于全市场整体水平。A股的估值中枢明显下移，中国股市的市盈率正逐步向成熟市场的低市盈率水平靠拢。在300指数现今的估值水平下，如何来判断它的投资价值？为此记者采访了华泰柏瑞基金专户投资经理杨景涵。

价值投资也要关注成长性

杨景涵说，简单的结论就是此时的市盈率基本上是在底部了，但是这个底部与其他时候的底部不同。2008年的底部很快就建立起来了，没有经过太久的波折，2005年底部筑成的时间也不是很长，大约有半年的时间，这两个时点之间是4年的大牛市。虽然眼下的底部时间比较长，但不影响对底部的基本判断。

股市迟迟走不出底部的原因在于，投资者对市场的预期是，在经济模式转型的时候，方方面面都需要时间去协调，固有的盈利模式要被打破，新模式的建立不是一朝一夕的功夫。这时的价值投资就是要看企业的成长性，话说起来仿佛是悖论，价值投资和成长性往往是相对立的，其实不然。价值投资时时刻刻都是在衡量企业的内在价值，而决定企业内在价值的，长远来看就是企业的成长性。

“回到沪深300的市盈率，成分股确实有好多目前正处于低估的状态。虽然它们在未来的一段时间里不可能维持前5年的成长性，但是我们可以看到的是，有一部分企业在行业里的垄断地位一时间无法被取代，依然有着优秀的管理层，依然有着比同行业的其他公司更为优质的成长性，我们以此就会计算这家企业到底值多少钱，得出一个结论：目前的11倍左右的市盈率确实是被低估的。所以，市盈率不能简单地一概而论。” 杨景涵介绍。

量化投资也有定性分析

近日成为财经热点的T+0华泰柏瑞沪深300ETF对以量化和对冲为特色的各类投资产品将带来深刻的影响，尤其是在该产品5月28日起在上交所上市以后，T+0、期现套利、一二级市场套利等各类交易策略都可以开始实施了。

第7篇：金融投资量化方法范文

尽管量化投资已经成为市场投资的发展趋势，但是大多数投资者并不是很熟悉量化投资。一方面是由于量化投资一定程度上依赖数学模型，而赚钱的投资模型都是机构的秘密武器，不会轻易披露。另一方面是由于量化投资采用计算机系统，设计各种交易手段，有着较为复杂的数学计算与技术要求，现在许多量化投资都是计算机自动执行的程序交易。另外，量化交易者，俗称宽客（quants）的交易和故事多多少少增加了量化投资的神秘感。所以，人们一般把量化投资称为“黑箱”。纳兰（Narang，R.，2012）描述了量化交易系统的典型构造，打开了量化投资的“黑箱”。纳兰认为阿尔法模型用来预测市场未来方向，风险控制模型用来限制风险暴露，交易成本模型用来分析为构建组合产生的各种成本，投资组合构建模型在追逐利润、限制风险与相关成本之间做出平衡，然后给出最优组合。最优目标组合与现有组合的差异就由执行模型来完成。数据和研究部分则是量化投资的基础：有了数据，就可以进行研究，通过测试、检验与仿真正确构建各个模型。预测市场并制定策略是量化投资的核心，即阿尔法模型在量化投资中处于核心地位。随着量化投资的不断发展，量化投资模型也在不断改进。简单的策略可能就是证券或组合的套利行为，如期现套利组合、市场异象研究中的差价组合等。统计套利策略是经典的量化投资策略，如匹配交易或携带交易。近年来，高频交易成为量化投资的重要内容，基于高速的计算机系统实施高频的程序交易已经是量化投资的重要利器。丁鹏（2012）将量化投资的主要内容分为以下几个方面：量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易、ETF/LOF套利和高频交易等。他认为量化投资的优势在于：纪律性、系统性、及时性、准确性和分散化。

二、量化投资“黑箱”中的构造与证券投资学的差异

在传统的证券投资学中，投资组合理论、资本资产定价模型、套利定价理论和期权定价理论是现代金融理论的四块基石。前两者主要依靠均值-方差组合优化的思想，后两者则主要依靠市场的无套利条件。传统的投资方法主要是基本面分析和技术分析两大类，而量化投资则是“利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程”。从概念看，量化投资既不是基本面分析，也不是技术分析，但它可以采用基本面分析，也可以采用技术分析，关键在于依靠模型来实现投资理念与投资策略。为了分析量化投资对证券投资学的启示，本文从量化投资“黑箱”的各个构成来探讨量化投资与证券投资学中思路和观点的差异。

（一）资产定价与收益的预测

根据组合优化理论，投资者将持有无风险组合与市场风险资产组合，获得无风险利率与市场风险溢价。资本资产定价模型则将此应用到单一证券或组合，认为证券的风险溢价等于无风险利率加上与风险贡献比率一致的风险溢价，超过的部分就是超额收益，即投资组合管理所追求的阿尔法值。追求显著正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中，法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说，在因素定价方面，量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择，证券投资学认为，对资产价格的影响，长期应主要关注基本面因素，而短期应主要关注市场的交易行为，即采用技术分析。在量化投资中，主要强调按照事先设定的规则进行投资，这在一定程度上与技术分析类似。但是，在技术分析中，不同的人会有不同的结论，而量化投资则强调投资的规则化和固定化，不会因人的差异而有较大的不同。另外，量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。

（二）无套利条件与交易成本

在证券投资学里，流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券，投资者可以自由买卖证券。这主要是为了保证各种交易都能实现，如套利交易。根据套利定价理论，一旦市场出现无风险的套利机会，理性投资者会立即进行套利交易，当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中，对市场中套利限制与非流动性的关注较少，这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下，金融资产交易的过程及其结果，旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中，不同的市场微观结构对市场流动性的冲击是不同的。因而，从量化投资的角度看，为了降低交易带来的价格冲击，能实施量化投资策略的证券往往都应有较好的流动性，因为交易时非流动性直接影响投资策略的实施。从这个意义上讲，量化投资时的交易成本不仅包括交易费用，更主要的是要考虑市场交易冲击的流动性成本。

（三）风险控制与市场情绪

在证券市场中，高收益与高风险相匹配。量化投资在追求高收益的同时，不可避免地承担了一定的风险。在证券投资学中，系统性风险主要源于宏观经济因素，非系统性因素则主要源于行业、公司因素，并且不考虑市场交易行为的影响。在量化投资中，较多地使用因素定价模型，不仅会考虑市场经济因素，而且会考虑交易行为等因素，只是不同的模型有不同的侧重点，在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外，量化投资还有自身不可忽视的风险源。一方面，量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，隐藏着巨大的风险。另一方面，市场冲击的流动性成本也是量化投资的风险控制因素，理所当然地在图1的风险控制模型中体现出来。另外，在一般的投资过程中，市场情绪或多或少会成为风险控制的一个对象。然而，在量化投资中，更多的交易都是通过计算机来实现的，如程序交易等，这样以来，投资者情绪等因素对投资决策的影响相对较小。所以，在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪，主要是通过承担适度的风险来获得超额回报，因为毕竟减少风险也减少了超额回报。

（四）执行高频交易与算法交易

在对未来收益、风险和成本的综合权衡下，实现投资策略成为量化投资的重要执行步骤。为了达到投资目标，量化投资不断追求更快的速度来执行投资策略，这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里，技术分析认为股价趋势有长期、中期和短期趋势，其中，长期和中期趋势有参考作用，短期趋势的意义不大。然而，随着计算机信息科技的创新，量化投资策略之间的竞争越来越大，谁能运作更快的量化模型，谁就能最先找到并利用市场错误定价的瞬间，从而赚取高额利润。于是，就诞生了高频交易：利用计算机系统处理数据和进行量化分析，快速做出交易决策，并且隔夜持仓。高频交易的基本特点有：处理分笔交易数据、高资金周转率、日内开平仓和算法交易。高频交易有4类流行的策略：自动提供流动性、市场微观结构交易、事件交易和偏差套利。成功实施高频交易同时需要两种算法：产生高频交易信号的算法和优化交易执行过程的算法。为了优化交易执行，目前“算法交易”比较流行。算法交易优化买卖指令的执行方式，决定在给定市场环境下如何处理交易指令：是主动的执行还是被动的执行，是一次易还是分割成小的交易单。算法交易一般不涉及投资组合的资产配置和证券选择问题。

三、对量化投资在证券投资教学中应用的思考

从上述分析可以知道，量化投资的“黑箱”构造与证券投资学之间存在一定的差异，因此，在证券投资的教学中应当考虑量化投资发展的要求。

（一）市场微观结构与流动性冲击

在理性预期和市场有效假说下，市场价格会在相关信息披露后立即调整，在信息披露前后市场有着截然不同的表现。在证券投资学里，一般认为价格的调整是及时准确的，然而，现实的世界里，价格调整需要一个过程。在不同的频率下，这种价格形成过程的作用是不同的。在长期的投资中，短期的价格调整是瞬间的，影响不大。然而，在高频交易中，这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型：存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响，解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程，认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型，这些市场微观结构的研究加强了流动性与资产价格之间的联系，强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容，因而，为了加强证券投资学的实用性，应关注市场微观结构的内容与发展。

（二）业绩评价与高杠杆

对于证券组合而言，不仅要分析其超额收益和成本，还要考虑其风险与业绩。在组合业绩评价中，一方面要考虑风险的衡量，另一方面则要分析业绩的来源。在证券投资学中，组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言，市场时机和管理者的能力依然重要，然而，量化投资的业绩评价还应考虑另一个因素：高杠杆。量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，在市场好的时候扩大收益，但在市场不好的时候会加速亏损，这些与传统的业绩评价就不太一样。在一般的证券投资学里，业绩评价主要考虑经风险调整的收益，很少考虑其杠杆的作用，这不仅忽略了杠杆的贡献，而且有可能夸大了投资者的技能水平。

（三）人为因素与模型风险

在量化投资中，非常注重计算机对数据和模型的分析，这突出了量化投资的规则性和固定性。然而，实际中，别看量化采用了各种数学、统计模型，但策略设计、策略检测和策略更新等过程都离不开人的决策。量化交易策略与判断型交易策略的主要差别在于策略如何生成以及如何实施。量化投资运用模型对策略进行了细致研究，并借助计算机实施策略，能够消除很多认为的随意性。但是，量化策略毕竟体现投资者的交易理念，这一部分依赖于投资者的经验，一部分依赖于投资者对市场的不断观察与更新。实际上，人始终处于交易之中，对于市场拐点以及趋势反转的判断主要还是依赖投资者的经验。光大的乌龙指事件充分表明了人为因素在量化投资中的两面性：决策实施依赖于人的设定，而人的设定不仅依赖于经验，而且人还会犯错。人之所以会犯错，一方面是因为人们对市场的认知是不完全的，另一方面则是人们使用了错误的模型。经典的证券投资理论中，股票价格的变动被认为是随机的，小概率事件出现的机会比较小，但是经验研究表明股票收益率具有肥尾现象，小概率事件发生的机会超出了人们原先的认识，即市场还会出现“黑天鹅”。更为关键的是，量化投资更依赖数学和统计模型，这就使得量化投资存在较大的模型风险，即使用了错误的模型。为了防范模型风险，应采用更为稳健的模型，即模型的参数和函数应该适应多种市场环境。近年来，研究表明，证券收益及其与风险因素的关系存在较大的非线性，同时，市场中存在一定的“噪声”，采用隐马尔科夫链等随机过程和机器学习等数据挖掘技术进行信息处理成为量化投资的重要技术支持。

（四）2013年诺贝尔经济学奖的启示

第8篇：金融投资量化方法范文

359

2015-4-6

投资者报

近20年来，随着金融信息化建设的不断完善以及金融工程学和金融数学理论的不断发展。量化交易逐渐从幕后走向台前，逐渐被广大投资者认识、接受。据统计显示，在美国的证券市场中有60%的指令是由程序发出的，占比十分可观。

从国内外历史经验上看，量化交易的持仓周期一般较短，频繁地进出操作，要求交易标的必须具有良好的流动性，并且价格波动较大以便获利。

期货合约作为交易所上市的标准资产，往往具有极好的流动性，而且支持做空和T+0结算，交易手续费低廉，是量化投资的理想对象。如国外的标准普尔500指数期货、美国国债期货、布伦特原油期货，国内的股指期货、塑料、白糖、PTA期货等，都是量化交易者青睐的交易标的。

几种典型的期货量化交易策略

经过20余年的发展，期货量化交易的理论和实践有了较大的发展，诞生了多种不同思路的量化交易策略。

1. 期货期限套利策略

期限套利是最常见的期货套利策略，赚取现货和期货的瞬间价差，以股指期货为例，当沪深300股指期货价格显著高于现货时，可以做空股指期货，同时买入沪深300一揽子股票，等待价差减小后将期货和现货头寸平仓。同样对于商品期货，也可以有类似的期现套利操作。笔者在实际应用这种策略操盘时发现，当基差扩大至30基点和负基差时，可明显观察到有大量套利盘平仓。

采用这种策略操作存在的问题是，虽然套利策略相比单边投机策略风险较小，但若期货和现货价差继续扩大，则头寸将面临损失。另外，一手股指期货对应的是100万元左右的现货资产，加上股指期货的保证金，一个套利头寸的建仓成本在115万元左右，仅适合资金量较大的投资者。

2. 跨品种统计套利策略

在期货市场往往存在统计相关性较高的期货品种，如大豆和豆油、豆粕，原油和塑料，菜籽油和菜粕等等。若当前价差显著大于或者小于历史水平时，可以建立头寸，等待二者的价差恢复到正常水平。与期限套利相同，统计套利也面临着当价差扩大后头寸面临损失的风险。

3. 趋势跟踪类策略

与主观交易经常预测未来行情走势不同，趋势跟踪类策略往往不预测也不预见，它们以价格为基础，每当价格有所变动发出趋势信号时，就跟进追涨杀跌。比较经典的趋势跟踪型策略有均线交易系统、MACD交易系统、布林带交易系统等。量化交易员往往使用不止一个指标来识别趋势，并利用多种过滤方法来过滤虚假信号，提高胜率。

4. 事件驱动型量化交易策略

随着自然语言处理和数据挖掘技术的不断增长，出现了基于舆情挖掘的交易策略，量化交易者的服务器会在互联网搜索任何与该期货合约有关的文本的信息，基于搜集到的信息判断该合约在短期内的价格走势。

5. 高频交易策略

随着计算机技术和网络技术的不断发展，传统基于K线交易系统的交易速度，已经无法满足量化交易者的需求。从而产生了以Tick数据为单位的高频交易策略，现有的高频交易策略包括自动做市，订单流跟踪，统计套利等。高频交易成功的关键在于交易速度，为了追求极致，高频交易者往往不惜花重金在期货交易所周边购置服务器，以图达到最快的交易速度。

主观交易VS程序化交易

关于主观交易和量化交易孰优孰劣的问题一直是投资界争论的话题。从经验上看，若交易方法得当，辅以不错的手气，主观交易往往能在短时间内带来巨大的收益，但是由于投资者在主观交易中经常违背交易纪律，不能做到坚决的止盈和止损，“净身出户”的例子屡见不鲜。

与主观交易不同，量化交易的交易纪律是由计算机程序保证的，若价格运行到程序设定的止损点位时计算机会坚决止损，不会出现主观交易者常犯的“死扛等反弹”的情况，其收益曲线一般较主观交易者更为稳定。除了维护交易纪律，量化投资者对比主观人工交易者还有以下几点比较优势：

1. 体力与精力

受制于体力和脑力，主观交易者无法时刻保持最旺盛的精力，进而影响交易绩效。而且当前三大商品期货交易所纷纷推出了夜盘交易，这更对主观交易者的脑力和体力提出了严峻挑战。

2. 交易速度与滑点

主观交易者在投资决策前需要用肉眼收集相关信息，进行思路整理，进行必要的计算，最后打开软件下单，即使是最富有经验的交易员完成这一系列动作平均也需要5秒左右的时间，对于以日内短期交易为主的期货交易来说，5秒延迟的滑点成本巨大，严重影响交易绩效。而由计算机执行的量化交易从收集信息到执行交易，仅仅需要毫秒级别的时间，滑点成本显著小于主观交易者。

3. 理性与感性

按照行为经济学的理论，投资者在投资活动中存在各种认知偏差。如损失厌恶偏差，自确认偏差、参照点偏差、过度自信偏差、后悔厌恶偏差等等，这些负面的认知偏差往往令主观交易者在金钱与身体上面临双层煎熬，而计算机执行的量化交易显然无需考虑此问题。

近日，微量网和国内某媒体合作举办了“首届全国期货全明星人机大战实盘争霸赛”，通过对比主观交易组和程序化交易组的成绩我们发现了有趣的结果。大赛排名前十名的选手中主观交易和程序化交易各一半，其中前3名全部都是主观交易选手，但在11名到50名的选手中，程序化组的选手却占到70%以上，而且即使排名靠前的主观交易选手大都是身经百战，程序化交易选手的平均回撤率也显著小于主观交易选手，达到8%之多。

量化交易发展空间巨大

2005年之后，伴随着量化投资的传播，程序化交易开始出现在内地市场。在开始阶段，量化交易主要利用模型辨别交易信号，并以手工下单为主。

2010年股指期货推出后，由于市场流动性好，交易信号明显，成为程序化交易的主要标的，但参与量化交易的仍然以机构投资者居多。2011年至2012年，市场上涌现出文华财经、交易开拓者、天语等交易软件，他们大多使用简单，上手容易，推动了程序化交易的普及，使采用程序化交易的投资者数量快速增加。2012 年开始，随着期货资管的开闸，私募基金开始大量利用程序化交易参与到期货市场中，程序化交易技术和成交量均得到飞速发展。

第9篇：金融投资量化方法范文

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。受益于计算机技术的提升和市场历史数据供应的完善，进入21世纪后，这一投资方式开始飞跃成长。2000年至2007年间，美国“量化投资”产品的总规模翻了4倍多，超越了同期美国共同基金总规模（定量+定性）的增长速度（翻了1.5倍）。“量化投资”在美国全部投资中的占比，从1970年为零发展到2009年30%以上。

什么是“量化投资”？

可以说“量化投资”是随着计算机科技而发展起来的。简单地说，“量化投资”就是将人的投资思想反应在数量模型中，并利用电脑处理大量信息，从而进行投资决策。建信上证社会责任ETF基金经理叶乐天介绍，“量化投资”在美国的发展比较蓬勃。在华尔街的投资行为中，同一个套利机会下，谁下单早谁就就能抓住机会，这些都得益于计算机运行速度越来越快。也往往就是这几毫秒的领先，就可以挣到万分之一的收益。万分之一虽然不多，但是日积月累，就可能有很高的收益。

目前“量化投资”在中国还是一个新概念，处于起步和发展之间的阶段，可以说是少数派的地位，普通老百姓不太熟悉，产品较少，也缺乏明星产品和明星基金经理。

与市场熟悉的“定性投资”相比，“量化投资”主要是在研究方法上与其不同。“定性投资”的公司基本面研究是靠到企业调研，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，有很深的深度。“量化投资”则注重广度，比如市场上有2000只股票，就把2000只全都抓起来，“量化投资”的数据越多反而越好。叶乐天以市场中一个很形象的比喻来形容上述两种投资的异同：“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”更像是西医，依靠模型判断，模型对于定量投资基金经理的作用就像CT机对于医生的作用。在每一天的投资运作之前，我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。

叶乐天笑称，与定性投资基金经理经常出差不同，他主要的工作都在案头。他主要是搜集数据，进行数据处理，还有编程。虽然表面上看不如定性投资基金经理忙碌，但其实工作量一点不少。

排除“人”的情感

一位“量化投资”基金经理一开始是学习理论方面的知识，比如数学知识和统计学知识；然后对历史数据进行分析；参考市场中已有的成功模型，汲取巨人的智慧；接着是建模；然后测试，测试中有很多细节需要考虑，比如冲击成本等；最后是搭建一个平台，确保数据到达后，模型能够响应，进行处理和输出。每一步都非常复杂。

在这个过程里，不仅数学模型不具备自己的情感，基金经理也要尽可能地剔除“人”的思维。这其中便是对纪律性的超高要求。虽然量化模型是由人设计的，具体的交易单由模型产生，但基金经理在经验总结以及模型设计时容易保持理性，在个股的交易时却不免受制于人性的弱点。叶乐天说，正如西医检查一般，量化模型的最大的特点就是可以克服人性的弱点，他不会有恐慌，也不会有贪婪。所以只要模型和数据是正确的，基金经理平时都不会去干预和控制模型的输出。

2007年次贷危机的爆发，在一定程度上可以说就是人的情感对模型干预造成的失误。华尔街为衍生品定价的模型并没有错，错的是人在设定参数的时候对当时的金融形势过于乐观，过分信任金融衍生品工具。

但尽量不干预也不是完全不干预，比如下面这两种情况：一是程序发生错误，二是模型错误。模型错误主要指的是股票走势与预测相差特别大，超过了统计意义上显著的差别，这时就需要更新一下模型，但一般不会太频繁。

另外一种发挥人的主观能动性的情况就是对虚假数据的剔除。叶乐天介绍，“中国很多数据都经过修饰，对我本人来说，我不喜欢根据宏观数据择时，更多地是相信多因子模型。我们现在有很大一部分工作是进行数据清理，包括上市公司经过修饰的财务数据。但是有一块是没有经过修饰的，就是技术面的数据，比如成交量和成交价格，这是由市场PK决定的。同时由于中国市场有坐庄的人，所以我们在小股票的选择上也会比较慎重。在数据清理方面与基本面有关，所以我们也会和研究员沟通。还包括异常值的去除，取中位数往往比平均数更靠谱。在统计学上有一个大数定律，在数据量很大的情况下，最终会回归一个中性的环境。”

如何选择“量化投资”产品？

依照目前中国市场的情况，“量化投资”主要分为一下几类：一是套利型，比如股指期货套利；二是被动型；三是追求超额收益的产品；四是做高频交易，主要是私募和券商资本。不同的产品对收益率会有不同的要求：指数增强追求的是超额收益，与标的指数之间的差尽量少，还能跑赢指数；对冲基金和套利ETF是在稳定的前提下追求超额收益。

目前中国的量化产品绝大多数还是指数产品，尤其是公募这一块，起码有100来只，但主动量化的可能只有十几只。量化产品的换仓、持仓的规模比较大，那么冲击的成本就比较大。因为量化投资不像基本面研究对单个公司的研究很透，所以禁得起很大的波动，追求的涨幅也大。量化追求比较小的涨幅，但比较稳定。另外，查阅“量化投资”基金的历史业绩可以发现，指数增强型基金的表现还算稳定，主动量化型的稳定性稍差。业绩稳定对开放式基金比较重要。目前市场上认购较好的指数基金，就是因为业绩稳定。

在交易量上，不同的产品会不一样。公募的交易肯定不活跃，因为交易量比较大，冲击的成本也大，另外同日不能反向交易。但私募量化基金主要是做高频交易，深度更大，一天可能往返好几次。

同时，中国的量化产品主要还是受制于投资人才的培养、衍生工具的发展和市场深度不够。因为衍生工具缺乏，在内地市场买可转债，就不能像在香港市场一样去做空股票，做空相应的债券，赚取波动率。市场深度不够则主要表现可投资股票的数量上。

在目前的市场情况下，投资者在选择“量化投资”产品的时候，首先看一下这只基金是属于哪一类的，然后看基金经理的投资理念和思路方法能否在当时的市场上获取收益，如果认同的话就可以选择了。也即是一看历史业绩，二看管理者的投资理念。

很多人担心由于中国股市受政策影响较大，数学模型可能并不能及时对政策变动做出反应。叶乐天说，“政策市对市场肯定会有影响，包括数据不透明，政策变化对股市的影响等。但股市会反映政策的，如果政策有效的话，政策会反映在股市中，为量化模型提供一些最新的数据，只要及时更新数据，还是可以处理得很好。”

另外，基金的规模对业绩也会有影响。叶乐天认为，指数增强产品三四十个亿是比较好的规模。如果规模太小，有些持仓可能会买不足。

投资在选择“量化投资”产品的时候，应当首先考虑资产配置。因为基金是一种长期投资，不需要经常择时，更多地还是做好投资者个人的资产配置。

量化产品的优势

“量化投资”的投资方法本身在海外已经得到了证明，但中国A股市场主要以散户占多数，要把运用模型进行计算操作的量化投资这样复杂的投资方法向他们解释清楚并理解和接受确实不易。但从量化投资的特点上来看，由于量化投资需要不断寻找机会，买入一大批股票，而不会在几只股票上重仓押注，在投资结果上，其换手率和分散化程度都较高，这样一来，相对于散户投资者重仓几只股票来讲，风险性也就更小。同时，由于量化投资就是借助现代统计学、数学的方法，从海量历史数据中寻找能够带来超额收益的多种“大概率”策略，并纪律严明地按照这些策略所构建的数量化模型来指导投资、形成回报，因此具有很高的投资价值。