量化价值投资精选(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量化价值投资主题范文，仅供参考，欢迎阅读并收藏。

第1篇：量化价值投资范文

简单地说，就是利用基于数据模型的量化投资策略运作的基金。基金公司宣传此类产品时，习惯于用“电脑+人脑”进行解释。

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%。

近两年的市场表明，价值投资和成长投资在不同的市场环境中都存在各自的发展周期，并呈现出一定的适应性。而上投摩根阿尔法量化模型适应了这一市场特点。

第2篇：量化价值投资范文

摘 要 自2010年4月股指期货推出后，数量化投资逐渐成为我国资本市场的一个热点。对此，本文以投资者熟知的MACD指标为基础，运用遗传算法和模拟退火算法，建立了一个数量化投资模型。该模型的仿真投资收益明显超出大盘，而风险明显低于大盘。本文基于MACD指标建立数量化投资模型的方法简单、有效，可操作性强，可方便地推广至其他技术指标，在数量化投资领域中可能具有广泛的发展前景。

关键词 数量化投资 MACD 遗传算法 模拟退火算法

一、研究背景

与传统投资基于各方面信息和个人判断进行操作不同，数量化投资将适当的金融理论、投资经验等反映在数量模型中，然后利用程序软件代替大脑对海量信息进行科学处理，总结归纳市场规律，最终建立可以重复使用的、不依靠个人主观判断的投资策略。

由于数量化投资的操作策略往往经过了严格的验证，具有较强的系统性和规范性，主观随意性较少，风险可测可控，因此随着计算机数据处理能力的迅速提高，数量化投资获得了快速发展，数量化基金的规模亦迅速扩大。据统计，自2003年以来，数量化基金规模的年均增长速度高达15%，而传统型基金规模的增长速度则低于5%。

很显然，科学的数量模型是数量化投资成败的关键。当前，主流的数量模型均考虑了多方面的因素，既包括各种基本面因素，又包括各种技术因素，涉及较为高深的经济学、金融学、技术分析等知识，模型都比较复杂，理解难度较高，甚至令人望而生畏。对此，本文以人们熟知的技术指标为基础，通过引入遗传算法和模拟退火算法对参数进行优化，建立了一种较为简单、有效的数量模型构建方法，希望能为推动我国刚刚起步的数量化投资发展有所帮助。

二、模型框架

由于MACD指标以经平滑后的股票价格为基础，而股票价格包含了绝大部分的基本信息和技术信息，因此本文以MACD指标为基础研究建立相应的数量化投资模型。

（一）MACD公式

MACD是投资者最熟悉的技术指标之一，主要包括EMA、DIF和DEA三个指标，涉及一个已知变量（收盘价P）和三个未知参数（ 和 ），公式较为简单。

（二）决策准则

虽然MACD指标的运用方式有很多种，既存在对指标值的应用（如比较DIF和DEA的大小），又存在对形态的应用（如底背离、顶背离等）。对此，本文制定的决策准则相当简单，即：

时，做多

时，做空

三、模型参数优化

（一）参数的科学取值是决定MACD指标投资决策价值的一个关键因素

在一般的技术分析参考书和交易软件中， 和 通常取12、26和9。然而，该取值并不是最优的。

例如，以2005年1月5日至2010年12月31的沪深300指数为例，根据（公式1）和（公式2），做多业务在 和 取值12、26和9时，可获得的投资收益为230.55%（收益①）；而在 和 取40、195、130时，可获得的投资收益为651.98%（收益②）。

因此，参数取值是否合理决定了使用MACD指标进行投资决策时投资收益的高低，决定了MACD指标的投资决策价值。

（二）人工智能算法在技术指标参数优化领域中的突出优势

运用MACD指标建立数量化投资模型的关键在于对公式中的三个参数进行优化。然而，虽然参数取值与投资收益间存在确定的函数关系，但该关系并不能用一个表达式予以直接阐述，因此传统的解析方法在此并不适用。而其他传统方法如随机法和穷举法的优化效率不高。在此情况下，可运用人工智能算法有效解决此类优化难题。

遗传算法（Genetic Algorithms）和模拟退火算法（Simulated Annealing Algorithms）是人工智能的重要分支，两者均从一定的初始值开始，按照明确的规则搜索最优解，并不要求目标函数存在明确的表达式，且具有高效、鲁棒性强等特点。由于技术指标参数与投资收益间的关系相当复杂，不存在明确的函数关系式，因此遗传算法和模拟退火算法在技术指标参数优化领域中具有很高的应用价值。

此外，遗传算法和模拟退火算法的基本原理和运算过程虽然较为复杂，但其运用却相当简单，MATLAB等数据处理软件均提供了现成的工具箱供用户方便地使用，且即使不掌握参数优化的原理和运算过程，也不会对数量模型的研究产生重大影响，因此运用遗传算法和模拟退火算法对技术指标参数进行优化的可操作性强。

（三）遗传算法和模拟退火算法应用举例

1.MATLAB指令

假设投资收益R和参数 、 间的关系为R=gain( 、 )，则MATLAB的遗传算法指令和模拟退火算法指令分别为：

[x,fval] = ga(@gain,nvars, [],[],[],[],lb,ub,[],options)；

[x,fval] = simulannealbnd(@gain,x0,lb,ub,options)。

其中：

x和fval是程序返回值，分别为参数 、 的最优化取值及其所对应的投资收益；

gain是目标函数，可根据（公式1）、（公式2）和（公式3）编写；

nvars是待优化的参数个数；

x0是参数 、 的初始值；

lb是参数的下界；

ub是参数的上界；

options是MATLAB指令的设置选项。

第3篇：量化价值投资范文

关键词：托宾Q理论 美联储 货币宽松政策

中图分类号：F820

文献标识码：A

文章编号：1004-4914（2016）09-180-02

国际货币基金组织的研究报告对货币政策通过房地产行业进行传输的渠道进行了总结。一国利率的变化将直接或间接影响国内的需求，直接的方式是：通过成本的改变以及信贷获得的难易程度影响住宅建设和家庭支出；间接的方式是：通过改变房屋价格来实现。房屋价格的变化反过来会影响整体需求，方式是改变住房投资的激励机制（托宾的Q理论效应）和改变家庭使用抵押物价值的能力来减少其获得消费的资金量。货币的传导中有关大国货币政策影响小国经济表现的文献中，利用冲击反应函数及变数分解等，探讨美国货币政策对美国本身的贸易收支和总体经济的实质效果。实证结果显示，美国货币政策短期会造成美国贸易赤字，而在长期贸易会呈现盈余的情形。

一、托宾Q理论的概述

托宾的Q理论和投资支出之间有着一种关联。Q理论是一种投资模型，一般用于财政，假定投资任何资产是一个函数Q比率：资产的市值与其重置成本的比。

MVt：市场价值；MCt边际成本或重置成本。

因资产多样化外加层层包装的架构下，一般投资大众对于该项凭证所产生的风险根本搞不清楚。当时的美国由于低利率政策，加上大量的外资不断的流入，创造出宽松的信贷条件，而政府又鼓励负债融资性消费，导致投资银行为了赚取高利房贷，不断对其信评较差的客户进行贷放，但当这些信评较差的客户还不出钱时，银行只好拍卖这些因次级房贷所形成抵押债权重新包装后所形成的商品，也就是所谓的不动产投资信托凭证。

二、基于托宾Q理论的美联储货币宽松政策

金融危机过后，美国联邦储备系统（Federal Reserve System，简称美联储），对外以刺激经济复苏和支持劳工市场为由，通过多次量化宽松政策，逐步增加每月对美元抵押贷款支持证券的购买量。经济学家提出，货币政策通过对普通股价格的影响而影响投资支出。詹姆斯・托宾发展了一种有关股票价格和投资支出相互关联的理论，通常称作托宾的Q理论。托宾把Q定义为企业的市场价值除以资本的重置成本。如果Q很高，那么企业的市场价值要高于资本的重置成本，新厂房和设备的资本要低于企业的市场价值。这种情况下，公司可发行股票，而且能在股票上得到一个比正在购买的设施和设备要高一些的价格。由于厂商可以发行较少股票而买到较多新的投资品，投资支出便会增加。

货币政策如何会影响股票价值呢？很简单，当货币供给增加时，社会公众发现他们持有的货币比所需要的多，于是就会通过支出来花掉这些货币。去处之一就是股票市场，社会公众会增加对股票的需求从而提高股票的价格。把这一点和上述事实――股票价格（Ps）愈高，则Q愈高，从而投资支出I也愈高――相结合，得出下面的货币政策传递机制：

当Q>1时，股价高，公司价值高于重置成本，相对企业市值而言，新的厂房和设备比较便宜，企业愿意通过购买资产来扩大投资。

当Q

在传统货币政策受阻时，美国Fed采取直接向民间商银购入中长期资产，并设定目标来直接影响中长期利率（及实质利率），通过通膨预期、财富管道、信用与汇率管道等，来传递货币政策效果。当量化宽松（QE）政策实施后使得市场上产生了预期的通货膨胀率，当预期的通货膨胀率产生时，市场上同时预期了中长期利率将会下降，导致市场上资金流出美国，当资金流出时造成市场上利率降低。因利率降低反而造成市场上需求增加，同时使得当期的股票价格和不动产价格上升。由于实质利率下降，当资产价格上扬时也造成家庭财富、资产净值以及银行担保品价值增加。最终造成消费、投资以及银行放款增加。而预期长期利率降低同时使得国内资金流出，造成美国汇率贬值，促进出口增加，且当长期利率降低时也造成民间投资增加。进一步激励美国国内经济活动而改善失业率。

采用美国房贷违约率、房价成长率、失业率、实质国内生产毛额及联邦基准利率为变量，利用模型中的因果关系检定、冲击反应分析及预测误差变异数分解法，进行研究美国货币政策对总体经济变量和房屋市场的传递效果。结果发现在紧缩性货币政策下会造成房贷违约率的增加以及房价的下跌。而全局变量中可知，失业率、国内生产毛额对房屋市场也有一定程度的影响。从冲击反应分析中可以发现房价与房贷违约率呈负向关系。托宾Q理论贯穿资本市场的价格机制与套利投资机制之中，把企业与资本市场紧密地联系起来。托宾Q理论的含义是丰富的：企业的市场价值发现和价值确定不仅是企业投资决策的依据，而且还是企业优化资本配置和优化产权或所有权结构配置的依据。股票价格的高低成为了左右企业进行套利投资的关键因素，也就Q定了企业能否利用资本市场达到资本升值，迅速扩大规模的目的。同时，资本市场在企业资本配置与产权或所有权动态转换中也必然将达到均衡――资本市场在托宾Q值等于1时达到无套利均衡，企业股票价格反映了资本的真实价值，企业在重置资本与并购企业之间的选择没有差异。托宾Q值也必将围绕资本市场的均衡点上下波动。

三、结论

综上，量化宽松政策的最直接的目的，是增加货币供给，刺激支出；但是，中央银行同时还有目的地选择它用新创造的货币购买的证券的类型，影响这些证券的价格，改变经济中的信贷条款。托宾Q理论更新了传统的投资理念，企业之间并购和出售的套利行为是一种全新的投资思维，企业产权或所有权也在动态转换中达到最优配置。

参考文献：

[1] 向松祚.从三大经典货币理论看量化宽松政策[J].金融博览，2016（4）

[2] 胡晓，蒋华丰.宽松货币政策对我国要素收入分配的影响――基于经济非瓦尔拉斯特征的理论分析与实证检验[J].西部论坛，2016（2）

[3] 姚婷.2008-2014年美联储量化宽松货币政策的理论价值和政策意义：文献述评[J].金融理论与教学，2015（2）

[4] 李宗怡.试析美联储量化宽松货币政策的理论基础及矛盾――现代货币数量论视角的批判[J].河北经贸大学学报，2013（6）

[5] 刘瑞.日本长期通货紧缩与量化宽松货币政策――理论争论、政策实践及最新进展[J].日本学刊，2013（4）

[6] Forrest Capie，Terence C.Mills，Geoffrey Wood.Gold as a hedge against the dollar[J].Journal of International Financial Markets，Institutions & Money.2013（4）

[7] 马冀勋.托宾的Q投资理论与资本市场均衡机制.中央财经大学学报，2008（10）

第4篇：量化价值投资范文

（辽宁对外经贸学院，辽宁 大连 116052）

摘要：随着沪港通的正式实施，中国股市交易量不断创历史新高.同时在世界石油价格持续降低的情况下，投资策略显得十分重要.本文重点分析策略指数投资在股市投资中的运用.

关键词 ：投资组合；股市；策略指数投资

中图分类号：F830.59文献标识码：A文章编号：1673-260X（2015）05-0068-03

1 策略指数投资介绍

2014年末随着股市行情的走强，指数化产品迅速摆脱前几年净赎回的颓势，呈现爆发式快速增长.伴随着规模的迅速扩张，结构上也出现了一些变化.其中策略指数产品尤其引人关注.广发中证百发100指数基金在开放募集后2天即超过20亿元，显示市场对特定方式策略指数投资的热情追捧.策略指数投资，在国外又称为Smart Beta，即“聪明”的Beta，是相对于“传统”的Beta策略而存在的一种投资理念.传统认知上的Beta是指一种全市场投资组合的系统性风险，在CAPM中以全市场所有股票的市值加权方式计算（market capitalization weighted）.比如标普500指数、日经指数、以及在国内最具代表性的沪深300指数.通过简单的推演，就可以论证市值加权并非是最优的方法.市场对股票的定价并非完全有效，那么市值加权的方式倾向于给高估的股票以更高的权重，而低估的股票以更低的权重，显然这种方式并非是最优的.在这一点上，Hsu（2006）已经给出严格的论证.事实上，市值加权更加注重的是投资机会的市场容量（capacity），因此该类指数更多地被用作投资的业绩基准.那么，如果将投资组合更换成一种非市值加权的方式，其得到的beta就是smart beta，相关的投资策略就称为策略指数投资.这种smart beta指数中的股票权重往往是通过特定的量化算法获得，看起来投资效果会比传统的市值加权beta更加实用，相关的投资策略也往往会选择市值加权指数作为投资业绩的基准.

常见的Smart Beta策略包括价值策略、低波动策略、分散化策略、动量策略等.其中价值策略是以一些股票的价值指标为加权方式，目标是选择一些基本面满足特定属性的股票构成组合.比如基于财务基本面评分的基本面加权，或基于分红率的红利加权等.低波动策略的目标是构建一个最低或较低波动率的投资组合，通常包括最小方差目标加权、波动率倒数加权等方法.分散化策略的目的是提高组合中股票的分散度，应用最广的是等权重策略.动量策略在国外也是一种常见的策略，因为国外市场上验证发现动量因子非常有效，因此会选择以动量因子来作为股票选择和加权的方式，见表1.

据统计，美国近三年新发行的Smart Beta策略投资产品规模约在600亿美元，大致与市值加权的指数产品规模相当，策略也主要以红利、等权重、基本面、低波动为主.而国内近年来策略指数投资产品发展也非常迅速.中证指数公司针对主要的Smart Beta策略进行了验证，证明Smart Beta策略确实能大概率上击败以市值加权的沪深300指数.其中表现最好的是低波动相关策略，包括300最小方差、300低贝塔、300低波动.

2 资产配置下的策略指数投资

根据经典的CAPM模型我们知道，股票资产的收益率取决于其承担的市场风险大小Beta，而无法被解释的部分则为Alpha.但随后的诸多研究发现，各种股票之间的Alpha具有异常的高相关性特征，或许存在市场因子以外的其他因素在影响股票资产的收益率.随后发展的Fama-French三因素模型提出在市场因子以外，价值因子和规模因子也是非常显著的.后来又将动量因子补充进来，从而形成四因素模型.

自此，风格因子投资的概念逐渐被学术界与投资界所广泛接受.事实上，自从1970年代以来，国外就开始萌生基于这种理念的主动投资管理.投资业界在三因素模型基础上开发了非常有效的线性因子投资模型，如Barra公司将国家地域因子、宏观因子、概念风险因子等逐步纳入到其风险评估模型中.随后，学术界又逐步发现了更多有效的风险和策略因子，如低波动率、低流动性、基本面因子等.人们也逐渐发现，原来投资界以往的诸多策略产品实际上并非是提供了有效的Alpha，而只不过是将各种风格因子的beta巧妙包装成投资能力的Alpha来推销给投资者.

在这样的视角上，资产配置投资就自然而然地成为投资方法的主流.我们对资产的看法不再是其表面上所呈现出来的风险与收益特征，而是其特定或持续暴露的风险因子敞口，比如价值因子敞口、规模因子敞口等.如果投资者能够设定自己的风险预算，明确其将在各种风险因子上的敞口，就可以从市场上选择合适的股票、策略指数产品，经过合理的搭配而形成组合.这样的投资组合在风险上是可控的，从而将投资引入了一个新的配置时代.

因此，基于特定量化策略的Smart Beta策略指数投资开始风靡.这些指数投资产品不仅能够提供超越传统Beta的收益表现，更重要的是它们满足了投资者的资产配置需求.这些产品的透明性好、费用低廉，并且突出地暴露到某一个特定的风险因子上.比如在红利策略中，通常会选择那些分红率最高的股票进入组合，并给予高分红股票更高的权重，这样就使得组合在价值因子上产生了显著的风险敞口.在等权策略中，全部入选组合的股票无论市值大小都给予相同权重，从而导致小盘股获得比市值加权指数更高的权重，导致组合在规模因子上产生显著的风险敞口.波动率倒数加权策略则会给予波动率较低的股票更高的权重，从而整体上降低组合的波动性风险，因此也在波动率因子上产生显著的敞口.投资者在把握这些策略指数产品的风险特征后，就能够方便地构建自己的组合配置，反过来也促进了策略指数投资的快速兴起.

然而，Smart Beta策略指数产品也并非完全的“聪明”.在某一段时间内，也许特定的策略指数能战胜市值加权组合，使得它看起来非常“聪明”，但在另一段时间内该策略指数可能会落后市值加权组合，使得它看起来也不是那么“聪明”.这是因为策略指数产品通常会有严重的风险因子敞口，因此其业绩也随着风险因子的表现而起伏不定.可能有一些因子长期来看存在明显的超额收益，导致这些策略看起来非常具有吸引力.

针对几个主要的风险因子，测算了2006-2014年间的表现.表3中我们发现小盘因子是中国A股市场上长期表现最好的，但其波动率也比较大.价值因子、反转因子、基本面因子的长期表现也非常好.然而，表4测算了这些因子表现的相关性，发现各种因子之间的相关性非常低.并且单一因子的信息比率都无法达到2以上，这就表明单纯使用一个因子，即使是表现最好的小盘因子也依然无法达到满意的投资效果.

因此，风格偏向非常明显的策略指数投资产品也即往往会随着市场风格的切换而发生特别明显的波动.但是，如果投资者能够设定自己的风险预算约束，就能够合理地选择多个策略指数投资产品来构造自己的组合基金.组合基金利用不同产品风险敞口的低相关性来降低组合的波动风险.

3 组合基金投资

组合基金是能充分利用策略指数投资产品的优势，同时又充分控制和分散风险的一种很好的方法.目前国内兴起的量化投资基金很多策略就是试图去搭配不同的风险因子，希望在控制一定的风险暴露基础上，追求更高的收益.然而我们发现，这些策略大多数仍然是存在明显的风险暴露.

我们选择2014年表现最好的三只公募基金：华泰柏瑞量化指数、大摩多因子、长信量化先锋.可以发现，虽然这三只基金在2014年、2013年表现较好，但在2011年、2012年里普遍较弱.其主要原因是这些基金普遍在小盘因子上有很强的暴露，2013-2014年里小盘因子表现很强，但2011-2012年里价值因子表现更好.表6拆解了三只基金的全部持仓的自由流通市值分布，不难看出大摩多因子与长信量化先锋在小盘股上偏向非常明显，而华泰柏瑞量化指数向小盘的偏离较小.

我们选择其中业绩记录较长的大摩多因子、长信量化先锋，另外搭配两只偏向价值的策略指数基金：华宝兴业上证180价值ETF、银河沪深300价值.以等权重在四个产品之间搭配，构造一个混合的组合基金投资产品（FOF）.

经过计算，不难看出两个偏向价值的基金产品在2011和2012年明显好于两只偏向小盘的量化产品，但在2013年和2014年里表现弱于量化产品.经过等权构造后，FOF组合在2011-2014年间均能取得正的超额收益，更重要的是其信息比率提升到了2.20，远远高于四只产品各自的信息比率，这说明经过搭配后，资产组合的收益风险表现得到了明显的提升.

4 结论

策略指数投资的Smart Beta正逐渐成为市场上非常重要的一类产品，因其风格特征显著，在特定的市场环境下提供“聪明”的Beta收益而逐渐受到投资者的热捧.然而，单一投资策略指数产品并不能提供稳健的收益，可以考虑在资产配置的目标下合理搭配策略指数投资产品，获取更加稳健的收益.

参考文献：

〔1〕郑鸣,李思哲.我国基金风格投资的积极风险补偿研究[J].厦门大学学报(哲学社会科学版)，2010(02).

〔2〕蔡伟宏.我国股票市场行业指数超额联动的实证分析[J].南方经济，2006(02).

第5篇：量化价值投资范文

2016年以来，A股震荡明显加剧。如何更好地规避风险、保住前期浮盈，成为投资者最关心的话题。在此背景下，一些收益稳定、回撤控制能力强的量化产品就成了投资者稳健配置的首选。据《投资者报》数据研究中心对全市场成立于2016年前的67只量化产品（A、C类分开计算）的区间复权单位净值增长率、以及区间复权单位净值相对大盘增长率的统计数据显示，截至5月13日，华宝兴业基金旗下的华宝兴业量化对冲策略混合型发起式基金A/C（以下简称“华宝量化对冲”）在全部67只量化产品中业绩表现最好，其区间复权单位净值相对大盘增长率均超过了20%。

震荡市场上的投资利器

对于旨在获取绝对回报的华宝量化对冲来说，完全称得上是震荡市场上的投资利器。

据公开资料显示，自2014年9月成立以来，华宝量化对冲基金已成功穿越4次股市大劫：在2015年1月下旬、4月下旬、6月中旬、以及2016年1月上旬的A股大幅调整中，平稳规避了风险，历次净值涨幅超越沪指均在5个百分点以上（数据来源：Wind；截至：2016.4.22）。

此外，值得一提的是，现任基金经理徐林明，证券从业经历14年，除了担任华宝兴业量化对冲基金、上证180价值ETF及联接基金、华宝兴业事件驱动的基金经理外，还是华宝兴业基金的助理投资总监兼量化投资部总经理。据业内人士介绍，徐林明长期从事主动量化策略研究和量化投资工作，在择时、行业配置和选股领域有较深入的思考和研究，总体负责量化对冲的投资运作和量化模型开发。

谈及当前的投资操作，徐林明表示，“2016年以来股指期货负基差结构仍然存在，在此局面下，华宝量化对冲继续保持低仓位运作，股票部分用于满足申购新股的市值要求，同时对这部分头寸，利用股指期货对冲系统性风险。一季度华宝量化对冲的资金主要投资于低风险的标的或者现金管理，并积极参与新股申购、可转债申购、协议存款、隔夜回购等，力争在风险可控的前提下实现净值的稳健增长。”

业内创新量化投资专家

实际上，华宝量化对冲成立自以来，其净值一直稳步上升，虽然，期间受到市场基差扰动有一定回撤，但很快就回归正常，这显然得益于旗下强大的创新量化投资专家团队。

第6篇：量化价值投资范文

计算机给投资带来的改变

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。

中海量化策略以量化模型作为资产配置与构建投资组合的基础。根据量化指标实行从一级股票库初选、二级股票库精选，再根据相关模型计算行业配置权重。结合行业配置权重，组合中每只股票的配置比例。

第7篇：量化价值投资范文

[关键词] 风险评估；风险处置；投资回报率；安全投资回报率

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2014 . 12. 031

[中图分类号] G934 [文献标识码] A [文章编号] 1673 - 0194（2014）12- 0050- 03

0 引 言

信息安全风险评估是信息安全管理中的重要环节，评估采用系统化的流程，从识别资产开始，到识别威胁、脆弱性及现有的控制措施，从而估算风险发生的可能性和影响级别，最后得到风险值的大小，其结果实际上是一个相对的等级列表（rank）[1-5]，随后的信息安全风险处置过程，则是根据这个相对的风险等级列表选择减缓、接受、规避或转移等选项[6]。

但对组织的决策者而言，仅仅根据风险的相对大小列表，实际上只能决定资源调配的优先级，并不能对某个具体风险是否进行处理这类决策有所帮助[7]。例如，信息安全风险评估的结果显示，没有IDS（入侵检测系统）使核心业务系统的风险值为70（满分为100，70划入中风险区域）。这可能告诉决策者应该着手处理这个风险，但不是最重要的。以组织目前的规模，购买IDS 的价格可能为30万元，那么这30万元的支出是否值得，就必须进行系统分析并确定风险造成的损失到底有多大，需要确定实际的财务价值，而不仅仅是用高、中或低的模糊序列概念来定义。

公司的决策者在选择购买技术设备后用于服务的时候，通常会以投资回报率、现金净流量等方法衡量技术设备购买支出的必要性，此时技术人员应该提供信息安全投资影响企业收益的安全度量数据。如果解决方法的支出大于风险处置的支出时，信息安全应对方法是没有实施必要的，选择风险接受可能就是最优的风险处置决策。本文借鉴传统的投资回报率模型（Return On Investment， ROI），提出了安全投资回报率（Return On Security Investment， ROSI）计量模型，并对各个输入变量的计算方法做详细的讨论，为组织信息安全决策者及信息安全服务商提供了更为直观的决策依据。

1 安全投资回报率（ROSI）模型

目前，公司决策者在评估选择投资战略的时候大多采用ROI（投资回报率）模型判断公司资金支出获得的收益回报率，见式（1）。ROI模型首先要判断资金支出后的获得预期收入金额，其次就是确定需要的投资成本，在不考虑资金的时间价值前提下，最终确定投资回报的收益率。

ROI=■×100%（1）

ROI模型在引进新技术及新技术升级换代方面同样具有应用价值，但是信息安全的预期收益并不像其他收益能够清晰地体现在财务数据的增长上，信息安全技术和服务的目的是避免信息安全事件发生的可能性，具体到财务数据上表现为避免公司财务损失可能性，而不是表现为财务数据的增长[8-9]。因此，信息安全的投资收益回报率的预期收益应该表现为风险预期损失与信息安全风险降低预期比率的乘积，信息安全投资收益回报率可以表述为式（2）。

ROSI=■×100%（2）

案例：某组织的某资产价值为100 000元，一场意外火灾可能损坏其价值的25%，那么火灾的单一风险预期损失为25 000元。按照经验统计这种火灾一般每5年发生一次，那么年发生次数即为1/5，年预期损失为元。

公司可以购买干粉灭火器和火警预警器来降低火灾的发生概率或损害程度。假设购买成本为6 000元，寿命为3年，不需要额外的维护费用。那么年度安全控制支出本为2 000元（6 000/3）。

实施控制后，火灾的损坏程度将为5%，而发生的次数降为1/10次，那么单一风险预期损失将降低为5 000元（100 000*5%），年预期损失为元。

在不考虑关联风险的情况下，其安全投资回报率计算如下：

ROSI=■=125%

从125%的安全投资回报率来看，这个安全控制措施是可以实施的。但是在ROSI的计算过程中存在以下问题：

（1）风险预期损失数据如何获取？目前风险预期损失数据并没有统一的标准，保险索赔、学术研究以及一些独立数据调查公司会零星地信息安全事件损失的报告，但大多仅仅汇报信息安全事件事后统计的损失平均值[10]，对发生概率则多只有定性的判断，因此，组织需要计算风险预期损失。

（2）安全控制支出如何获取？虽然安全控制会集中的表现为产品或服务采购，合同额明确，但是安全控制一般不会只针对单一产品的单一风险，不能直接对应到风险预期损失上去，可以选择分解合同金额进行分配，或者将安全控制所影响的风险预期损失进行整合。前者的分配比例显然难以确定，因此，本研究选择后一种方法，式（2）转变为：

ROSI=■（3）

2 风险预期损失的量化

2.1 年度预期损失（ALE）法

在风险预期损失的量化（或信息安全风险评估定量化）领域，文献[11]引入了层次分析法、信息熵、神经网络以及小波分析，文献[12]引入了免疫进化算法、基于区间数和理想点法的决策技术，决策实验和评价实验室法、模糊理论和群体决策法，文献[13]引入了贝叶斯概率风险分析，类似文献还有文献[14-16]等，但上述文献多关注风险的计算过程，并未过多关注数据来源，而数据来源的定量化才是最关键的环节。文献[17]提出了一个利用软件漏洞的网络攻击行为所导致的系统宕机风险模型，在这个模型中，利用MX/G/1队列来预计宕机时间，用脆弱性矩阵和配置矩阵计算攻击发生的可能性，该模型是目前比较好的量化思路，但是该文献的目的是探讨软件多样化所带来的优势，因此应用范围非常窄，对量化的风险处置决策研究贡献有限。

目前，信息安全行业内比较认可的风险预期损失的模型为ALE（Annual Loss Expectancy， ALE）法[17]，即年度预期损失法。

ALE=■SLE[i]×ARO[i]（4）

式中，n为单次风险所影响的资产数量；SLE（Single Loss Expectancy）为单一风险预期损失；ARO（Annual Rate of Occurrence）为年度发生率。

单一风险预期损失又可以细化为资产价值与单一风险的破坏程度的乘积，由于对于组织而言，n是确定的客观数据，式（4）的未知参数为：①资产价值；②破坏程度；③年度发生率。

2.2 几个主要参数的确定

资产的价值不是资产的购置价或者账面价，而是基于对业务的重要性计算出来的虚拟价值。可以认为待评估资产的价值是通过信息安全的途径造成了影响组织业务的假设价值。对于如何参考财务账面价值来得到资产在信息安全中的价值并没有现成的公式可以用。文献[7]中使用美国证券交易委员会（SEC， US Security Exchange Commission）在Staff Accounting Bulletin No. 99（99号专职会计公告）中认可的一般准则，引用参考的一般准则是财务报告净收入值的 5%。按照这个指导原则，如果组织每年约有 20 000 000元的净收入，重要资产可以被指定为1 000 000元的价值。

破坏程度和年度发生率经验数据可以从以下途径获取[7]：

（1）通过组织中发生过的历史信息安全事件报告或记录，统计各种发生过的威胁和其发生频率；

（2）在评估对象的实际环境中，通过IDS等系统获取的威胁发生数据的统计和分析，各种日志中威胁发生的数据的统计和分析；

（3）过去一年或两年来国际公司（如Symantec）或机构（例如：CERT和CNCERT等）、业务关联公司的对于整个社会或特定行业安全威胁及其发生频率的统计数据。

2.3 实施前/后风险预期损失

实施前的风险预期损失要根据风险评估的结果及建议的控制措施进行估算，并以此作为风险处置选项的依据，而实施后的风险预期损失则根据残余风险进行估算。

3 安全控制支出的量化

3.1 成本的组成

最明确的安全控制支出表现为产品或服务采购合同，但是安全控制支出的总金额肯定不仅仅表现为合同额，其他相关的因素也应该纳入考虑。当然，安全控制支出的量化除了合同额之外的部分，可能含有一定的主观因素。

文献[17]认为信息系统是信息技术和人类行为的结合体，所以产品的部署会带来的一系列问题，都应该考虑在内。这其中可能包括购买成本、实施成本、持续维护成本、通信成本、培训成本和检查验证有效性的成本等[4，18]。

3.2 购买和实施成本

购买成本在ROSI模型中指产品或服务的合同金额，也是最普遍被认识到的成本。如果安全控制不需要产品，而需要第三方服务，这时候购买成本就体现为服务购买成本。

实施成本指安装或维护所带来的人工成本。某些控制措施可能需要大量的人力来进行正确的指定、设计、测试和部署。

3.3 维护与通信成本

维护成本与新控制措施的持续活动有关，例如管理、监控和维护。这需要考虑：任务需要多少人参与？每周（或每月、每年）需要多少时间？这些成本都需要进行尽量精确的考虑，甚至某些时候比购买成本更加巨大，尤其是咨询服务，更应该注意，内部人员的时间成本必须进行考虑，例如：信息安全规划咨询等。

通信成本与向用户通知新的策略或程序有关。对于只有几百名员工的组织而言，如果组织为其服务器机房安装了电子锁，向 IT 员工和高级经理发送几封电子邮件可能已经足够。 但是对于任何部署智能卡的组织而言，例如，在分发智能卡和读卡器之前、期间和之后，将需要大量的通信，因为用户将必须学习全新的计算机登录方式，并且毫无疑问，会遇到大量新的或不可预计的情形。

3.4 培训成本

这些成本与需要实施、管理、监控和维护新控制措施的员工有关。组织内的各个小组肩负不同的责任，因此需要不同类型的培训。例如：帮助台员工必须知道如何帮助最终用户解决常见问题，例如智能卡或读卡器损坏以及忘记 PIN码；桌面系统支持人员必须知道如何安装、疑难解答、诊断和更换智能卡读卡器等。

此外，培训成本可能不但与员工相关，还可能涉及到用户，需要支付用户培训成本。

3.5 有效性检验成本

安全控制应该称为一个有效的闭环，就必须有检验和持续改进的过程。组织必须能够证明没有人已经无意地或恶意地修改或禁用控制措施，并且必须确定由谁负责此验证工作。 对于极其敏感的资产，有必要由多人负责验证结果。这些都会增加额外的成本支出。

4 考虑净现值以及其他因素

由于资金使用是有时间价值的，因此在一般的投资收益率测算过程中，应该考虑其时间价值，以努力实现收益计算的最大化和精确化。在信息安全投资决策中，由于其损失本来就是潜在的，而且随着计算机的使用时间，这种潜在损失的发生率会越来越显著，因此在决策时，需要考虑净现值NPV（Net Present Value）等更多因素。由于本文的重点是初步建立ROSI模型，因此净现值等因素不是本研究考虑的重点，这将在后续研究中继续讨论。

5 确定风险处置选项

计算安全投资回报率的最终目的是为了给决策者提供者提供决策依据，在本研究中沿用文献[6]中给出的风险处置选项：风险减缓、风险接受、风险规避和风险转移。例如，在本文案例中，如果选择干粉灭火器和火警预警器是作为风险减缓的选项，也可以采取资产托管的方式，即将重要设备托管到写字楼的统一机房中，假设租费为2 000元/年，这样该资产的风险就被转移到写字楼物业，在不考虑关联风险的情况下，其安全投资回报率计算如下：

ROSI=■=150%

在本案例中，风险减缓的ROSI值为125%，风险转移的ROSI值为150%，显然应该选择后者。

无论选择上述4个选项中的哪一项，由于控制前风险预期损失用的值都是一致的，因此就决策选择而言，控制前风险预期损失不会影响风险处置选项的选择过程，这是本模型的一个重要优势。

6 结束语

为了解决信息安全风险处置阶段的投资决策问题，本文给出了基于投资回报率（ROI）改进的安全投资回报率（ROSI）模型，ROSI模型是基于财务的风险价值测算模型，作为目前通用的六因素（资产、威胁、脆弱性、控制措施、可能性和影响）信息安全风险评估方法的辅助。计算过程中主要依据安全控制实施前后的风险预期损失差额和安全控制支出的估算值的比较，首先，ROSI模型是全定量数据模型，可以直观地表达投资与回报的比率，有利于组织快速做出投资决策；其次，该模型中数据来源相对比较客观，而且有效地利用了专家知识库数据，有利于组织做出正确的投资决策；最后，该模型中利用了风险预期损失在控制措施实施前后的差额，使得ROSI模型在使用过程中，实际上取决于风险处置选项的比较值，而不是绝对值，使投资决策更加准确有效。

主要参考文献

[1]ISO/IEC. ISO/IEC 27005：2011 Information Security Risk Management [S]. 2011.

[2]NIST. NIST Special Publication 800-30 Revision 1. Guide for Conducting Risk Assessments [S]. 2011.

[3]Alberts Christopher， Dorofee Audrey， James Stevens，etc.Introduction to the OCTAVE ■ Approach[EB/OL]. http：///octave/approach_intro.pdf.

[4]Microsoft. the security risk management guide1.1[R].2004.

[5]GB/T 20984-2007 信息安全风险评估规范[S].2007.

[6]ISO/IEC. ISO/IEC 27001：2005 Information Security Management System Requirments[S]. 2005.

[7]赵战生，谢宗晓. 信息安全风险评估概念、方法与实践[M]. 北京：中国标准出版社，2007.

[8]M Bishop.计算机安全学[M].王立斌，译. 北京：电子工业出版社，2005.

[9]谢宗晓.信息安全管理体系实施指南[M].北京：中国标准出版社，2012.

[10]W Sonnenreich，J Albanese，B Stout. Return on Security Investment （ROSI）： A Practical Quantitative Model [J]. Journal of Research and Practice in Information Technology，2005， 38（1）： 45-56.

[11]赵冬梅. 信息安全风险评估量化方法研究[D]. 西安：西安电子科技大学，2007.

[12]黄景文. 基于知识的信息安全风险评估研究[D].沈阳：东华大学，2008.

[13]谷勇浩. 信息系统风险管理理论及关键问题研究[D]. 北京：北京邮电大学，2007.

[14]程建华. 信息系统管理、评估与控制研究[D]. 长春：吉林大学，2008.

[15]李志伟. 信息系统风险评估及风险管理对策研究[D]. 北京：北京交通大学，2010.

[16]彭俊好. 信息安全风险评估及网络蠕虫传播模型[D].北京：北京邮电大学，2007.

第8篇：量化价值投资范文

如何解读新数据？本周《投资者报》“基金经理面对面”专栏邀请的嘉宾分别是摩根士丹利华鑫基金量化投资团队负责人刘钊、华泰柏瑞指数投资部总监张娅、信诚周期轮动张光成、嘉实沪深300ETF杨宇、富国新天锋赵恒毅、交银资源郑伟辉、国投瑞银融华债券徐炜哲以及天弘基金固定收益总监、天弘永利陈钢。

CPI意外反弹

《投资者报》：怎么看新出炉的CPI？

张光成：CPI数据是国家宏观政策调控的风向标。CPI不跌，而国家的GDP出现下降，说明中国经济处于滞涨阶段，使得政策处于两难局面，这也是近期市场表现不佳的主要原因。但目前A股估值处于底部，指数没多少下跌空间。同时，我国经济具备持续增长的条件，在稳健的货币政策和积极的财政政策的预期下，明后年股市或将迎来又一个“黄金投资期”。

赵恒毅：3月份CPI指数3.6%的反弹，主要是由于蔬菜价格大幅上涨所致，不具可持续性，加之去年上半年的高物价基数，因此，未来几个月内同比涨幅的反弹也难以持续。这对信用债投资而言，比较有利。在宏观经济层面，尽管目前处于触底过程，未来往上走的概率依然较大。这种情况下，我们认为，通过信用债获得相对比较稳定的票息，是比较好的选择。

《投资者报》：新的CPI数据让很多投资者又开始担心通胀的问题，对债基关注度也进一步提高。国投瑞银融华债券基金累计收益率超过216%，作为经验丰富的管理人，徐炜哲怎么看固定收益类投资？

徐炜哲：我们延续了去年四季度提出的慢牛观点，经济从底部回升，通胀也将逐步回落。但本轮经济周期的复苏将非常缓慢，原因在于通胀虽回落但通胀中枢仍将上行，而其根源在于全球发展中国家的工业化过程中资源的供给不足，而这种情况在短期内无法改变。债券方面，基本面对债市有支撑，但不同品种表现将有所分化，我们将根据经济增速、通胀、政策等变量对组合进行灵活调整。

陈钢：债券市场应该还不错，仍有机会，尤其4月是个较好的机会。我们比较看好高收益的债券走势，利率品种和高等级债有波段性的机会，高收益的债券收益率下降空间相对大一些，机会多一些。货币政策有所放松，但放松有限，所以利率产品收益率有一定下降空间，但下降有限。城投债不错，违约风险在减弱。

一季度QDII与量化“双秀”

《投资者报》：一季度QDII可谓一枝独秀，51只QDII基金平均回报率达6.7%，站在现在时点，是否还能乐观看待QDII？

郑伟辉：目前经济增长不确定性和欧债危机依然存在，但海外投资在政策面上出现些积极因素。经济的基本面改善程度可能会制约股市的上涨空间，但海外市场特别是自然资源投资或将存在阶段性、结构性的机会。现阶段，包括中国在内的新兴市场面临经济增速下滑的风险，但支持商品价格趋势上涨的因素依然存在，只不过可能需要更长时间来演绎。

《投资者报》：除了QDII，量化基金也不错。一季度，上证综指涨2.88%，同期标准股基为0.31%，而按Wind分类的13只量化基金，平均业绩为2.92%，大摩多因子基金取得7.65%的正收益，在量化基金中排名第一。量化基金何以成为震荡市的赢家？

刘钊：在复杂多变的市场中，克服情绪影响、坚守理性投资才是制胜的关键。而量化基金恰恰是通过计算机的筛选，克服投资中的非理性因素，有计划、有纪律、有原则地投资，不贪婪、不恐惧、不放弃，心平气和地追求超额收益，避免了基金管理人的情绪干扰。

除了抗情绪干扰，量化投资的优势还在于有一套完整、科学的投资体系。以大摩多因子基金量化模型举例，多因子量化基金将大量数据或实践证明的有效策略通过数量化模型固定下来。进而按照模型指令，通过计算机将大量股票收集到一起统一分析，较传统的研究员选股可覆盖更广泛的股票。在考察个股投资价值时，收集与计算多方面的数据和信息，分析体系更完整。同时，投资流程和分析方法高度科学，避免过分夸大的个体性事件，从数据与事实出发寻找价值。

严格的纪律性是量化投资区别于主动投资的重要特征。在基金运作中，我们的主观判断也会出现和量化模型相左的情况，但我们会坚持量化投资的纪律，相信模型判断的长期稳定性，不会盲目调整。

需要强调的是，与传统偏股型基金不同，我们一季度的业绩并不来自重仓股的业绩拉升。大摩多因子采用独特的投资组合管理方式，渐进动态调整基金组合。这样不仅可顺应瞬息万变的市场，还可降低个股集中度，平稳投资业绩。因此，这种方式并不会产生传统意义上的重仓股，也就大大降低了重仓个股的风险。

伴随量化投资在国内的发展，量化基金也面临更多挑战。当越来越多的基金参与进来，特定因子就可能被更多地应用，其带来超额收益的可能性也就降低了。因此，持续发掘新因子，不断对模型进行优化，也是量化基金长期制胜的密码所在。

沪深300ETF玩法解密

《投资者报》：近期我们讨论了多次沪深300ETF这一创新产品，ETF的本质在于一揽子股票和ETF份额的替换，所以实物申购赎回是其一个核心特征，实物申赎的运作到底有什么特点？

杨宇：更为透明，风险可控性更佳。对投资者来说，实物申购、实物赎回的运作模式，降低了大规模申购赎回造成基金经理被迫调整资产组合而形成被动的跟踪误差，因而其跟踪效果要优于普通的开放式指数基金。另外，作为期现套利成本的一部分，跟踪误差的降低有利于降低套利风险，在同等条件下使无套利区间收窄，提升套利操作的准确性和获利能力。

第9篇：量化价值投资范文

股票走势图分析

1) 白色曲线：表示大盘加权指数，即证交所每日公布媒体常说的大盘实际指数。

2) 黄色曲线：大盘不含加权的指标，即不考虑股票盘子的大小，而将所有股票对指数影响看作相同而计算出来的大盘指数。

参考白黄二曲线的相互位置可知：

A)当大盘指数上涨时，黄线在白线之上，表示流通盘较小的股票涨幅较大;反之，黄线在白线之下，说明盘小的股票涨幅落后大盘股。

B)当大盘指数下跌时，黄线在白线之上，表示流通盘较小的股票跌幅小于盘大的股票;反之，盘小的股票跌幅大于盘大的股票。

3) 红绿柱线：在红白两条曲线附近有红绿柱状线，是反映大盘即时所有股票的买盘与卖盘在数量上的比率。红柱线的增长减短表示上涨买盘力量的增减;绿柱线的增长缩短表示下跌卖盘力度的强弱。

4) 黄色柱线：在红白曲线图下方，用来表示每一分钟的成交量，单位是手(每手等于100股)。

5) 委买委卖手数：代表即时所有股票买入委托下三档和卖出上三档手数相加的总和。

6) 委比数值：是委买委卖手数之差与之和的比值。当委比数值为正值大的时候，表示买方力量较强股指上涨的机率大;当委比数值为负值的时候，表示卖方的力量较强股指下跌的机率大。

股票分析方法

技术分析

技术分析是以预测市场价格变化的未来趋势为目的，通过分析历史图表对市场价格的运动进行分析的一种方法。技术分析是证券投资市场中普遍应用的一种分析方法。

所有的技术分析都是建立在三大假设之上的。

一、市场行为包容消化一切。这句话的含义是：所有的基础事件--经济事件、社会事件、战争、自然灾害等等作用于市场的因素都会反映到价格变化中来。二、价格以趋势方式演变。三、历史会重演。

《股市趋势技术分析》是技术分析的代表著作。初版1948年，作为经典中的经典、技术分析的权威之作，《股市趋势技术分析》至今仍牢牢处于无法超越的地位。

基本分析

基本分析法通过对决定股票内在价值和影响股票价格的宏观经济形势、行业状况、公司经营状况等进行分析，评估股票的投资价值和合理价值，与股票市场价进行比较，相应形成买卖的建议。

演化分析

演化分析是以演化证券学理论为基础，将股市波动的生命运动特性作为主要研究对象，从股市的代谢性、趋利性、适应性、可塑性、应激性、变异性和节律性等方面入手，对市场波动方向与空间进行动态跟踪研究，为股票交易决策提供机会和风险评估的方法总和。

量化分析法

量化分析法是利用数学和计算机的方法对股票进行分析，从而找出涨跌的概率，将量化分析方法设定为:

a. 趋势判断型量化投资策略

判断趋势型是一种高风险的投资方式，通过对大盘或者个股的趋势判断，进行相应的投资操作。如果判断是趋势向上则做多，如果判断趋势向下则做空，如果判断趋势盘整，则进行高抛低吸。这种方式的优点是收益率高，缺点是风险大。一旦判断错误则可能遭受重大损失。所以趋势型投资方法适合于风险承受度比较高的投资者，在承担大风险的情况下，也会有机会获得高额收益。

b.波动率判断型量化投资策略

判断波动率型投资方法，本质上是试图消除系统性风险，赚取稳健的收益。这种方法的主要投资方式是套利，即对一个或者N个品种，进行买入同时并卖出另外一个或N个品种的操作，这也叫做对冲交易。这种方法无论在大盘哪个方向波动，向上也好，向下也好，都可以获得一个比较稳定的收益。在牛市中，这种方法收益率不会超越基准，但是在熊市中，它可以避免大的损失，还能有一些不错的收益。

股指期货套利是在股票和股指期货之间的对冲操作，商品期货是在不同的期货品种之间，统计套利是在有相关性的品种之间，期权套利则是在看涨看跌期权之间的对冲。

看过“如何观看股票走势”的人还看了：

1.如何看股票走势图视频

2.怎么看懂股票走势图

3.怎么根据大盘走势看个股