量化投資與分析范文

前言：我們精心挑選了數篇優質量化投資與分析文章，供您閱讀參考。期待這些文章能為您帶來啟發，助您在寫作的道路上更上一層樓。

第1篇

（一）傳統證券風險量化指標的理論源頭

傳統的證券風險分析當中必然會同一個與之如影隨形的概念聯系在一起，那就是收益，同時，在西方傳統的經濟學當中風險和報酬存在著這么一個函數關系，甚至在一些傳統的經濟學課本上作者為了簡化兩者之間的關系，將兩者簡單的歸結為一個完美的線性關系，即風險與收益之間是一對一的數學關系，并且存在著這樣一個邏輯：風險越大，報酬或者收益也就越大，反之亦然。即使是稍微尊重事實一些的經濟學教材也運用了高等數學當中線性回歸的方法將兩者的關系從非線性回歸為一對一的線性關系。除了學界對于風險的分析是從報酬或者收益出發的以外，在國外或者國內的民間也有類似的對于兩者關系的表達，例如我國有句老百姓口中經常說到的“富貴險中求”就是對兩者的關系的簡單認識。因此，傳統證券風險分析的源頭明顯是來源于對于報酬的分析。

（二）傳統證券風險量化指標的數學方法的應用

傳統的證券風險理論認為證券的總風險=可分散的風險+不可分散的風險，其中可分散的風險主要指的是個別證券自身存在的風險，而不可分散的風險則是指市場風險，下面筆者介紹一下傳統證券風險量化的兩個重要的指標――標準差與貝塔值。

第一，標準差。傳統證券風險理論認為個別證券的風險可以從單個證券的報酬率為起點進行分析。財務投資專家從高等數學當中引入了一個衡量證券報酬率的波動性量化分析的指標――標準差來進行對單項證券風險的判斷，進而判斷出相同期望報酬率和不同期望報酬率時對于不同投資的選擇。測算的步驟如下：第一步，確定各種市場需求下各類需求發生的概率；第二步，計算出期望報酬率，其實質上是對于各類市場需求下的報酬率的加權平均數。第三步：根據標準差的數學公式計算出標準差，σ=[Σ（ri-?）2×Pi]1/2其中ri是第i只證券的報酬率，?是期望報酬率，Pi是第i只證券的報酬發生的概率。結論是在期望報酬率相同的時候，標準差越大證明該證券波動越大，風險也就越大，反之亦然。在期望報酬率不同時引入了另外一個概念即離差，由于基本原理也是根據標準差衍生而得，在此不再贅述。[1]

第二，代表市場風險的貝塔值。我們在第一點中提到的標準差主要衡量的是單項證券的風險，而貝塔值的引入主要是考慮到了證券組合的風險構成當中不可分散的風險即市場風險。而貝塔值的測算公式從數學的角度來說實際上是利用了標準差的升級版公式即協方差，協方差主要是衡量了兩組數據之間的相關程度，以此來判斷證券組合的報酬率與市場報酬率之間的數理聯系，進而判斷出不可分散的風險。理論上貝塔值的計算是βi=（σi /σm）ρim，其中βi第i個證券組合的市場風險程度，σi，σm分別第i個證券組合的標準差與市場證券組合的標準差，ρim代表第i個證券組合的報酬與市場組合報酬的相關系數。實際當中β系數可以通過將股票報酬對市場報酬做回歸得到，擬合得到的回歸線的斜率就是證券的β系數，即β=Ri /Rm。[2]

二、價值投資理念下風險與報酬的關系

價值投資理念是華爾街之父本杰明格雷厄姆所創立，在其傳世之作《證券分析》當中明確提出了有關投資與投機概念，其中論及投資界老生常談的收益與風險的問題時結論與傳統證券風險分析有著本質的不同，格雷厄姆明確指出收益與風險之間不存在著數學關系，并且認為證券的價格與收益并非取決于對于其風險的精確數學的計算，而是取決于該證券的受歡迎程度，而這種受歡迎程度本身包含了投資者對于風險的認識，但很大程度上還受到如公眾對公司和證券的熟悉程度，證券發行與購買的容易程度等。[3]并進一步指出，無論是理論上還是實際當中，對投資風險進行精確的計算都是不可能成功的，現實當中并沒有所謂的期望報酬率的概率經驗表，即使存在也是基于對于歷史數據的分析得到了，而歷史數據之于未來決策的有用性或相關性的大小還有待考證，其研究范圍不同于保險公司對于保單的精確測算，例如人壽保險能夠明確的了解年齡與死亡率之間的關系是明確的。而證券的風險與報酬之間的關系則沒有如此的確定。[4]

三、價值投資理念下傳統證券風險量化分析的反思

以上筆者對于傳統的證券風險理論與量化方法以及價值投資理念下關于風險與收益的關系進行了論述。筆者認為，價值投資理念下有關論述對于我們重新審視證券投資中風險因素的衡量有著非常重要的意義。

首先，筆者認為，標準差的計算過程本身就存在著無法避免的瑕疵，這一個公式至少有兩個基本假設，第一，計算的人必須能夠客觀的預測出各種市場情況發生的需求概率，并且準確的在各種概率下發生的報酬率；第二，假定歷史數據對于未來的投資決策具有確定的相關性。但是在現實生活中根本是無法預測的，這種算法實質上是硬將自然科學當中的數學模型強加到社會問題的研究當中，不可否認的是，目前來說大量的社會問題是無法通過數學來量化的，因為證券的風險當中不僅僅只有報酬因素的影響，還有各種在不同市場條件下的因素決定的，而這些因素又相互的的影響和動態的變化。因此，標準差的方法受到了質疑，后續的離差率、β值的計算自然也就沒有了根基。

其次，β值的測算除了上述由于標準差的非客觀性導致的不確定性的缺陷以外，筆者也針對實操當中第二種公式進行分析，β的第二種公式是β=Ri /Rm，從公式上來看，存在著明顯的邏輯上的可疑性，單個股票的收益率假如大于市場整體的收益率，則該只股票的風險就比市場風險大？這個觀點在《證券分析》當中就已經被很好地反駁了，在此，筆者只需要舉一個例子就足夠反駁這一個觀點，伯克希爾哈撒韋上市公司每股截至2017年6月5日是249660美元，每股收益率如果從上市之初可以用天文數字來形容，并且這家公司經歷了無數次大大小小的金融危機，依然以遠遠超過市場平均的業績笑傲群雄，難道說他的風險要遠遠大于市場？這家公司是以價值投資的理念進行風險評估和投資的。因此，筆者認為中國的證券行業乃至我們有關的證券專家和學者們有必要從價值投資的理念來重新審視目前證券風險量化的指標在實際當中的效用。

第2篇

關鍵詞：分析 短線

中圖分類號：F832 文獻標識碼：A 文章編號：1672-3791（2012）09（c）-0252-02

2012年以來，以量化分析技術投資著稱的量化基金表現得一枝獨秀，逐漸從振蕩市中脫穎而出。一季度，上證綜指上漲2.88%，同期標準股票型基金平均業績為0.31%，而按照Wind分類的13只量化基金，其平均業績為2.92%，五行基金更是取得7.65%的正收益，在亞洲量化基金中排名第一，超越同期上證指數4.77個百分點。

美國私募基金復興科技公司的第一支純粹的量化投資基金—— 大獎章基金，從1988年3月成立至2008年的21年里，平均年度凈收益高達36%，遠遠跑贏同期道指年均8.81%的漲幅，比索羅斯、巴菲特同期的業績高出10%，原因：一是數學家基金經理；二是量化分析技術。

1 基本面分析量化分析是投資機構先后采用的2種投資技術

基本面分析，是分析員和基金經理通常采用研究財務報表，與公司高層會談，與相關人員荷香業專家討論等方式，對少數幾家公司股票（約10到100只股票）進行非常深入的研究分析，來決定要投資哪些股票以及如何投資。在基本面分析分類中，會根據行業不同，有專員長期跟蹤和深入研究其中一個行業，而這幾名專員最后則會成投資這個行業的專家。在股票市場成立以來長期采用的較為傳統的分析和投資方式就是基本面分析。基本面投資，通過企業內部財務報表的形式，來發現企業的潛在價值，以求企業得到穩定持續的高額收益，一旦買入，長期持有。

量化分析，借助數學、物理學、幾何學、心理學甚至仿生學的知識，通過建立模型，進行估值、擇時選股。量化分析員和量化基金經理，通常會同時研究全盤數千支股票，分析的方式也可以是基于公司基本面的，但是會強調量化財務指標。量化的指標（又稱因子）也可以是其他更有特色的數據。從事量化分析投資的基金經理通常不去上市公司實地調研，而是將精力放在不斷完善模型上，量化分析投資的模型是決定投資業績的關鍵，投資模型始終處于絕密狀態，不同市場設計不同的量化分析投資管理模型，在全球各種市場上進行短線交易。

2 量化分析技術獲取超額投資收益之道

在變幻莫測的市場經濟中，能否理性思考投資、不受情緒影響，將是成功的關鍵。而利用計算機的篩選得出的量化分析基金，不受投資中非理性因素影響，使投資更有計劃行、紀律性、規律性，基金管理人要做到不貪婪、不恐懼、不放棄，不受情緒影響，以一顆平常心追求利益瘦小。

量化分析，有一套完整、科學的投資體系。嚴格的紀律性是量化投資明顯區別于主動投資的重要特征。在量化分析基金的運作中，主觀判斷也會出現和量化分析模型相左的情兄，但會堅持量化分析投資的紀律，相信模型判斷的長期穩定性，不會盲目去調整改變。與傳統偏股型基金不同，量化分析基金采用獨特的投資組合管理方式，漸進動態調整基金組合。這樣不僅可以順應瞬息萬變的市場，還可以降低個股集中度，平穩投資業績。因此，這種方式并不會產生傳統意義的重倉股，也就大大降低了重倉個股的風險。

量化分析業績，來自于量化分析模型批量選股的成功率大于失敗率。量化分析的模型敏銳的“發覺”了開場環境的轉變，自動調高了評估因子、預期因子及市場反轉因子的權重，量化分析模型依此邏輯選擇的股票大部分取得較好收益，提升了整體業績。

3 量化分析技術創始人并非經濟學家。

量化分析技術并非發端于華爾街，不少人最初并非經濟學家，如巴契里耶和布萊克原先是數學家，夏普則從事醫學，奧斯伯恩為天文學家，沃金與坎德爾是統計學家，而特雷諾則是數學家兼物理學家。1970年代美國債券市場和股票市場全面崩盤，當時提出用量化分析方法管理投資組合的人是作家彼得·伯恩斯坦。1952年3月發表“投資組合選擇”論文、提出現代財務和投資理論最著名遠見的馬克維茨，以該理論勉強通過博士答辯，到1990年10月，這些人中才有三位獲得諾貝爾經濟學獎。

2012年，美國倫斯理工學院金融工程碩士李炬澎，依據5000年中國古老的《易經八卦數理》研發立體數量模型分析微觀經濟，用超高頻率政治外交詞匯、交易數據、股票期權數據、公司債務數據來做個股分析，用《五行相克相生原理》來分析自然、社會、政治、人文如何影響宏觀經濟。比如用計算機分析新聞報道中天地雷風水火山澤8中自然天文現象與宏觀經濟關聯程度，使五行基金取得亞洲量化分析投資行業第一名的業績。

4 量化分析技術應用的載體是計算機軟硬件技術的發展

馬克維茨的投資組合現代金融理論，提出了風險報酬和效率邊界概念，并據此建立了模型，成為奠基之作。托賓隨后提出了分離理論，但仍需要利用馬克維茨的系統執行高難度的運算，1961年，與馬克維茨共同獲得1990年諾貝爾獎的夏普用IBM最好的商用電腦，解出含有100只證券的問題也需要33mim。夏普1963年1月提出了“投資組合的簡化模型”（單一指數模型），簡化模型只用30s。1964年夏普又開發出資本資產定價模型（CAPM），不僅可以作為預測風險和預期回報的工具，還可以衡量投資組合的績效，以及衍生出在指數型基金、企業財務和企業投資、市場行為和資產評價等多領域的應用和理論創新。1976年，羅斯在CAPM的基礎上，提出“套利定價理論”（APT），提供一個方法評估影響股價變化的多種經濟因素。布萊克和斯克爾斯提出了“期權定價理論”。莫頓則發明了“跨期的資本資產定價模型”。

5 量化分析應用的關鍵是基本面分析無法快速精確處理豐富的金融產品和巨大交易量

1970年代以前，華爾街認為投資管理需要天賦、直覺以及獨特的駕馭市場的能力，基本面分析師、基金經理可以獨力打敗市場，而無需依靠那些缺乏靈魂、怪異的數學符號和縹緲虛幻的模型。華爾街對學術界把投資管理的藝術，轉化成通篇晦澀難懂的數學方程式一直持有敵意，1970年代初期，美國表現最佳的基金經理人從未聽過貝塔值，并認為那些擁有數學和電腦背景的學者只是一群騙子。

量化分析投資不會出現在個人投資者為主的時代。個人投資者既缺乏閑暇的時間，也普遍無此能力。僅有現資理論的建立，及各類模型的完善與推陳出新，并不會直接催生出量化分析投資，它還需要其他幾個重要前提條件，比如：機構投資者在市場中占據主導，隨著社保基金和共同基金資產的大幅增加，成為市場上的主要機構投資者，專業機構管理大規模資產，需要新的運作方式和金融創新技術，專業的投資管理人有能力和精力專注地研究、運用這些量化分析技術。

1970年代后期的Wells Fargo銀行，率先用量化分析技術管理投資組合，投資高股息股票，用較少的風險獲得了較大的收益，不用這些模型，不用電腦運算這些公式，會陷于困境。1980年代以來，面對數不勝數的各類證券產品和期權類產品，以及龐大的成交量，許多復雜的證券定價，必須靠大容量高速運算的電腦來完成。到2007年美國股市近一半的機構基金都是由量化模型來管理的。從2000年初到2007年全球量化分析基金市場連續8年表現遠遠超過其他投資方式。

6 量化分析在應對經濟危機和突發經濟事件中開拓前進

1987年10月大股災，當天股市和期貨成交量高達令人吃驚的410億美元，價值瞬間縮水6000億美元。很多股票直接通過電腦而不是經由交易所交易。一些采用投資組合保險策略的公司，在電腦模式的驅使下，不問價格機械賣出股票。很多交易員清楚這些投資組合會有大單賣出，寧愿走在前面爭相出逃，加劇了恐慌。針對整個投資組合而非單個證券，機械式的交易，電腦的自動操作，大量的空單在瞬間涌出，將市場徹底砸垮。

1997年至1998年亞洲金融危機股市暴跌，量化分析投資的算法交易也起到了同樣的壞作用。著名的長期資本管理公司，遭遇俄羅斯國債違約這一小概率事件，也陷入破產之境，迫使美聯儲集華爾街諸多投資銀行之力，加以救助。

2007年8月金融危機中，許多量化基金出現巨額損失。其原因主要是幾家大型對沖基金大量賣出它們的量化分析基金股票，去彌補其在其他投資方式上的損失。由于很大相同倉位的股票在很短的時間內被廉價賣出，從而加劇了很多投資指標的損失，尤其是價值和動量指標的損失。

2011年即使歐債金融危機發生，量化分析基金也再次表現優異，超過其他投資方式，雖然能否就此再度復興仍屬未知，此一趨勢已不可逆轉。

7 量化分析技術今后幾年全球應用的熱點在中國的A股市場

中國金融、資本、股市投資者結構很不合理，A股市場的專業投資機構持有市值的15.6%，而發達市場這一比例大致為70%。更為不合理的是交易結構，A股市場個人投資者持有市值占比26%，但卻完成了85%的交易。根據Wind分類，目前我國市場上共有13只量化基金，包含11只普通股票型基金，1只指數基金和1只偏股混合基金。

中國現有的人才和技術都難以支持完全的量化分析投資，在缺乏國際化人才和成熟模型的情況下，經營業績自然也差強人意。

量化分析今后幾年全球熱點在中國的A股市場。現在主要發達國家的股市很大程度上由量化基金所控制。為了尋找更高收益的市場，很多大型量化基金也開始大量投資于發展中國家市場，中國的A股市場是今后幾年全球量化分析投資熱點，所以近年來很多北美和歐洲的高層量化分析基金經理和分析員紛紛到中國大陸、香港和新加坡推廣量化投資技術。這是國際國內的金融市場和投資者，都要面對的機會和挑戰。

量化分析基金2002年才在中國剛剛起步，到2009年和2010年，才真正進入快速發展期，2010年末量化基金的總規模達到了779億元。雖然規模有顯著提升，但是與國外市場量化分析基金占共同基金總資產16%相比，國內量化分析基金還有非常大的發展空間。

第3篇

關鍵詞：量化投資；傳統投資；模式數學模型；自變量參數

1量化投資簡介

1.1基本概念

量化投資是一種借助于計算機高效計算程序進行復雜運算，以金融產品未來收益與風險為研究對象的新型投資方式。量化投資的基礎是以股票價格、日成交額等大數據庫數據為參考樣本數據并建立數學模型，運用仿真分析及迭代方法不斷修正數學模型，直到數學模型可以用來預測指導投資交易。任何一個投資的方案或者設想，都可以為它設計一個數學模型，然后借助大數據庫的現有數據進行迭代法測試分析，以此來判別數學模型的有效性。傳統投資方式基本上是對傳統的技術分析和公司的經營狀態基本分析，存在一定的局限性；相比之下量化投資分析是基于對大數據市場數據的，數據樣本空間容量足夠大，而且可以快速進行運算并排除投資者個人心理因素的主觀影響，科學性和時效性更強。此外，量化投資是一種主動性的投資方式，在進行數學模型選擇、自變量選取、數學模型的驗算迭代都是投資行為的主動部分。

1.2交易內容及方法

量化投資交易的內容主要是量化策略以及交易策略，在制定交易策略時必須立足于投資市場、投資產品以及分配在內等。具體交易平臺則是靠以計算機計算程序為基礎的線上交易平臺系統。進行量化投資交易時通常會遇到各種較為復雜的情況，但是基本前提都是要依據現有的既定的大量數據庫數據，靈活采用各種方法來判斷投資對象是否值得投資。總體來說，量化投資有估值法、資金法和趨勢法三種。

2量化投資現狀

從理論上來說，每個量化投資者的決策行為可以被同化為理性預期、風險規避、嚴格效用基本一致的理想化模型。然而現實情況中每個人的心理活動、出發點、知識水平等都存在差異，進行量化投資時人們作出的決策也存在差異。人的非理性行為與理性行為都是客觀存在的，而且非理性行為對理性行為也存在著一定的影響，因此投資人在進行投資決策時并不能完全理性地進行選擇。綜上所述，非理性人的客觀存在使投資人在進行投資決策時不能完全忽視個人的心理因素。既然個人的心理因素無法排除，那么在建立決策分析數學模型時，就應該把個人的心理因素考慮在內。當前我國國內量化投資有以下幾個特點：(1)個人投資者占總投資者的比例很高。上文已經提到投資者個人的非理性客觀存在且不可避免，那么眾多量化投資者的非理性因素間接影響我國量化投資市場。(2)我國的量化投資市場雖然發展迅速但仍不成熟。與美國及歐洲發達國家相比，我國量化投資市場只能是一個新興的市場，直接表現在各方面的信息不完整且難以搜集，一些基礎數據我們只能自己想方設法地去開發獲取。(3)量化投資行業的企業構成比較復雜。目前我國量化投資行業的企業種類比較多，跨越眾多不同的領域。加上我國量化投資市場還處于新生期，市場不穩定信息變化較快，因此量化投資行業的可用層面指標數目非常少且指標數值經常變化。當前我國量化投資者正是依據當前行業的特點，從不同的層面和角度驗證分析，建立泡沫型數學分析模型，才能獲得巨大的利潤。(4)量化投資策略研究落后。通過把我國量化投資策略與美國及西方發達國家的量化投資策略進行對比，發現我國現有的量化投資策略嚴重落后。國外的量化策略研究是在大量的事件、數據積累分析的基礎上，腳踏實地潛心研究總結出來的。現階段我國量化策略研究多是借用國外的策略，結合國內的量化投資行業的實際現狀進行修正得來的。當前我們還缺少指導量化投資行業的專家、指導著作，為此我國國內的一些高等院校開始著手量化投資策略的研究并取得了初步的成效。

3量化投資優勢

量化投資是在定性投資基礎上進行繼承和延伸的一種主動投資工具。定性投資的核心是對宏觀經濟和市場基本面進行深入的分析，再加上實地調研上市公司以及與上市公司的管理層進行經驗交流，最終把調研結果整理成專題報告，把報告作為決策依據。不難看出定性投資帶有很大的個人主觀判斷性，它完全依賴于投資經理個人經驗以及對市場的認知。量化投資在調研層面與定性投資相同，區別在于量化投資更加注重數據庫大數據，運用各種方法發現運用大數據所體現出來的有用信息，尋找更優化的投資方式以獲得大額收益，完全避免了投資經理個人的主觀臆斷和心理因素，更加科學合理。綜上所述，與定性投資相比，量化投資具有以下優勢。

3.1投資方式更加理性

量化投資是采用統計數學與計算機建模分析技術，以行業大數據庫為參考，取代了個人主觀判斷和心理因素的科學客觀投資方法。很明顯，行業大數據的樣本容量已遠遠高于有限的對上市公司調研所形成的樣本容量；在進行投資決策時，把決策過程科學化數量化可以最大程度的減少投資者決策時個人情感等心理因素對決策結果的影響，從而避免了錯誤的選擇方向。

3.2覆蓋范圍大效率高

得益于因特網的廣泛實施應用，與各行各業的運行數據都可以錄入大數據系統形成體量巨大的數據庫；得益于計算機行業云時代到來對計算分析速度的革命性變革，在極短的時間內就可以得到多種量化投資的投資方法。定性投資方式進行決策時，由于決策人的精力和專業水平都存在一定的局限性，自然其考慮投資的范圍要遠遠低于電腦決策，二者根本沒有可比性。綜上所述，雖然與定性投資相比，量化投資具有明顯的優勢，但是二者的目的是相同的，都以獲得最大收益為目的，多少情況量化投資與定型投資可以互相補充，搭配使用會起到意想不到的效果。

4量化投資的劣勢

上文已經提到量化投資的決策過程依賴于大數據庫以及計算機分析系統的科學決策，因此只要投資思想正確量化投資就不會出現錯誤。然而即使是投資思想及決策過程都沒有問題，也不意味著量化投資完美無缺。量化投資本質上是對某一特定基準面的分析，事實上基準面有時范圍過小，縱然決策過程合理化、無偏差，量化投資也存在一定的局限性。量化投資的另一特點是進行考察決策時覆蓋的市場面非常廣泛，在當前國民經濟快速發展的時代，人們對市場的認知難免出現盲區或者對某一個局部了解不充分的現象，此種情況下量化投資的正確性就很難保證。

4.1形成交易的一致性

基于量化投資的低風險特性，人們更多地依賴于采用大數據云分析平臺進行決策，如此大家對某一行業的市場認知以及投資決策水平就處在同一認知層次上，當遇到極端的市場行情時，人們作出的交易決策往往一致，即容易達成交易的一致性。例如期貨行業以及股票行業，在市場行情動蕩的特殊時期，人們往往選擇在同一時機拋出股票或者期貨，這種大規模的一次性拋盤則會造成在預期拋售價格基礎上的劇烈波動，導致投資者的實際收益在一定程度上低于預期收益。此種情形下又會引起新一輪投資恐慌，不利于市場的穩定發展。

4.2指標鈍化和失效

任何一個行業的某一個市場承載投資者的容量都是有限的，從戰略投資的角度來看，當某一個市場的產業鏈較為成熟、技術門檻較低時，投資者進入該市場就會容易很多，當市場的承載量大大低于投資者進入數量時，既定的投資策略則會失效。例如某一企業的某只股票第一年能獲得50%的收益，第二年則降為20%的收益，第三年可能是5%，第四年就沒有收益了。諸如趨利反轉策略、套利策略現在已經非常大眾化且投資者已經達成共識，一擁而上集中式進行投資就會導致投資評價指標鈍化甚至失效。