HI,欢迎来到学术之家股权代码  102064
0
首页 精品范文 量化投资与分析

量化投资与分析

时间:2023-05-30 09:36:00

开篇:写作不仅是一种记录,更是一种创造,它让我们能够捕捉那些稍纵即逝的灵感,将它们永久地定格在纸上。下面是小编精心整理的12篇量化投资与分析,希望这些内容能成为您创作过程中的良师益友,陪伴您不断探索和进步。

量化投资与分析

第1篇

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2篇

【关键词】金融衍生品 量化投资 相关性 探究

金融衍生品与量化投资之间的相关性是当前经济发展比较重要的研究议题,两者的有效配合在某种程度上能使投资者获得较为丰富的投资收益,并且将风险以及杠杆性将至最低。就当前现状而言,金融衍生品内容越来越多,而量化投资投资工具呈现多元化的趋势,这为投资者提供了较多的投资方式以及渠道,并使其在最小风险值内获取最大的经济收益。文章主要介绍了金融衍生品及量化投资,重点阐述了两者之间的关联性,最后论述了两者有效融合的前提下如何获得最大的经济效益值。

一、金融衍生品与量化投资概念阐述以及其发展

(一)金融衍生品

金融衍生品在我国经济中运用范围不断扩宽,它是基于经济发展而形成的,是社会发展的必然产物,并且对于全球经济有着深远的影响,比如加剧世界经济一体化、促使金融一体化的逐步形成,金融衍生品在我国经济发展中扮演非常重要的角色,带动了我国实体经济的发展。所谓金融衍生品,它是与金融相关,并由其引发的派生物,属于一种金融交易工具。近年来,随着市场经济发展速度不断提升,我国金融市场逐渐趋向完善,这也为金融衍生品的发展提供了良好的契机,使其发展日益壮大并成为金融市场的主力军,并且与信贷以及货币市场联系日益密切,最终促进了金融资产配置的逐渐完善,即风险管理的复杂链条。从目前情况分析,我国经济发展呈现出良好的前景,相对应的工业以及房地产发展相对较好,在此基础之上,依据高杠杆原理,金融产品自身的优势性彻底被展现出来,并为投资者带来相对较好的经济效益值。但是金融产品也存在一定的风险,可谓是一把“双刃剑”,虽然它可促进金融市场的发展,但如果运用不当将会引发极为严重的后果。上世纪90年代以来,就发生了多起由于金融产品运用不当而引发的经济损失,例如:2008年金融危机波及全球,引发金融危机的原因主要是CDS等金融产品,其在美国金融市场运作中出现风险管理不当的现象,也就是风险失控,继而引发了全球性的经济危机。

金融衍生品主要是基于与金融有关产品的通过不同方式衍生而来,主要包含四种基本形式,分别是远期、期货、期权、互换,其价格的变动规律主要是由基础标的物所决定的,随着它的变化而变化的,而金融衍生品的价值主要与基础工具的相关因素有关,比如利率、汇率、市场价格、指数、信用等级等等,从本质上分析,它属于虚拟的有价证券,在某种意义上而言是一种权利证书,给予投资者基础性的权利,且与实物资本有着很大的区别,能够使投资者获得投资收益。与一般金融产品相比,金融产品有了极大的改良与进步,产品结构更为复杂,其定价模式基本比较单一,主要是以复杂数学模型为主,将多种风险以及因子,如Beta、Delta、Rho、久期等,通过多种方式的映射、组合、分解复合等,继而形成金融衍生品,结构层次多样。金融产品虽然为投资者提供了发展契机,但是也存在极大的风险,这种风险的形成与交易与结算有着直接的关联,上述两种交易形式基本发生在将来,基于高杠杆的影响,市场风险难以有效控制,预测就更难以估计。

(二)量化投资

量化投资在我国金融市场发展中得到了进一步推广,相较于定性投资,量化投资科学性更强,并且具备相应的理论依据。在投资过程中,投资者可以利用数学、统计学,还可以借助数据挖掘等方法,以此构建投资策略,管理投资组合,继而实现风险管理,利用数据模型,借助系统交易信号,系统会自动完成相关交易。从本质上分析,量化投资属于工具,投资者可以通过经验累加,然后利用数学模型的功能性,继而实现信息化的表达。量化投资形式具有自身的优势特点,这也是传统投资形式不可比拟的,它主要将投资者经验累积以另外一种方式呈现,即数学模型,继而转化至计算机中,运用相对科学的计算方式,实现产品投资,随着金融市场的日益完善,数学模型也得以不断优化。无论是数量化的投资,还是依靠计算机程序的投资,对于技术的要求极为苛刻,在业界誉为“黑箱交易”,从某种角度分析,量化投资基本不依赖大脑,而是依据交易系统,继而实施具体的决策,上述交易系统是之前确定的,且形式非常复杂的,这样的系统往往具备较高的精准度。与此同时,交易系统开发需要一定的技术支持,即程序算法设计,部分开发者通常会采取相应措施,加密交易系统,以此保障知识产权不受侵害。外界投资者对此并不清楚,具体运行机制也存在极大的疑问。量化投资者基于交易系统的前提下,收集市场最新的数据变化,同时采集与之相关的信息,将其输送至交易模型里,然后通过科学的计算,数据的挖掘,加密信息的处理,最终敲定资产配置方案,确定交易的最佳时机。按照相关公式进行量化投资在某种程度上是一种相对理性的投资,其自身的优势集中体现在分析策略这一环节,突出明晰性以及一致性,与此同时,运用信息与公式,由此获得的结果基本相同,这在某种程度上对交易者非常有利,避免由于其客观性以及随意性而引发的交易失误。

针对量化投资而言,其涵盖多个方面:就现状而言,主要包括量化资产配置、量化投资交易、风险管理。以资产配置为例,必须要基于行业选择的前提下,以此实施有效配置,然后依据策略组合,在行业内开展相关工作,实行资产优化。量化资产投资,它在某种程度上奠定了总体投资方向,确定发展前景最好的行业、风格和产品。换言之,投资者需要根据市场行情变化规律,选择市场以及产品,然后给予最佳资金分配方案。相较于传统的投资形式,量化投资更具一定的优势,更具科学以及合理性,同时兼具高信度。投资者可以依据数据模型,对整个市场进行有效分析,继而给予相对准确的判断,以此进行理性投资决策。

二、两者之间的关联性分析

金融衍生品与量化投资的有效结合能够起到非常关键性的作用,投资者能够选择相对发展较好的金融产品进行量化投资,由此收获了相对丰富的投资收益,因而探讨两者之间的关联性以及有效融合具有划时代意义。近年来,我国金融市场发展形势良好,也因此带动了金融衍生品的迅速扩大,促进了国民经济的迅速增值。但是以我国现有金融衍生品现状来说,无论是从行业总量、规模,还是参与范围及层次方面来看,金融衍生品都还属于小众市场,仍需不断创新与改革。从目前情况分析,对于大部分的投资者而言,他们对于金融衍生品的了解还不够透彻,这也导致了民主对于金融衍生品的了解甚少,基本都停留在电视或是报纸上对于金融衍生品的看法,这于金融衍生品的长远发展是非常不利的。2008年的金融危机,很多实体企业采取了相应的对策,比如参与期货市场,实施套期保值,以此降低生产经营风险,也在某种程度上扩宽市场发展。

金融市场发展速度的加快,股指期货得以大面积扩散,指数期权也扩大了应用范围,这于我国金融市场发展而言是极为有利的因素,为量化投资提供良好的发展契机,迎来发展机遇。借助量化投资原理,运用相关实践方法,通过计算机程序实施投资交易,这将是之后金融衍生品投资的主流方向。

金融衍生品的诞生是社会发展的必然产物,其功能性集中体现在投资风险规避,它形成的主要动因与投资者关系密切,满足其转移风险的需求,同时实现其套期保值实际需求,这一过程又被称为风险对冲,这样可以使投资者运用相对较少的低成本,基于现货价格变动,达到规避风险的目的。从目前形势分析,量化投资在我国金融衍生品上得到了广泛应用,其对冲实践需要借助相关载体,也就是具备一定的期货市场方可实现,但是基于交易品种单一的现状,这使得量化投资产品在某种程度上具有一定的局限性。随着股指期权的诞生,个股期权的逐步实施,扩大了金融市场的投资发展,让更多的投资者增加了风险规避渠道,推动了量化投资范围的不断扩大。量化交易策略也在某种程度上发生了改变,更具创造性,带动实体经济发展。

金融衍生品的诞生以及投入使用促进了我国金融市场交易的逐步完善,这其中金融衍生品的一个非常重要的功能得到了极大的发挥,即价格发现。所谓价格发现功能,主要从参与者角度出发,他们通过获得信息,且基于价格预期,利用公开拍卖形式,或是借助电脑进行撮合交易,这在某种程度上可以获取市场真实需求,供求关系,并且极具竞争性以及预期性的体系。随着世界经济一体化趋势不断加强,世界金融市场不断扩大,与之相关的金融衍生品应用范围也随之不断扩大,金融交易所的相关交易实现跨越式的进步,通过这种形式形成的价格权威性更强。上述价格通过不同的传播工具不断扩散,如报纸、电视、网络等,范围波及全球,俨然成为市场价格的引领者,这为大众提供了良好的平台,让其透过相关经济信息了解经济动态,以便帮助投资者给予正确的决策,借以提升资源配置效率。量化投资相较于传统投资形式具有一定的优势,这主要体现在两个方面:分别是速度与规则,从某种角度分析,我们可以预期,量化交易应用范围,促使市场报价更为紧密,成交更为频繁,从而增强市场流动性。与此同时,基于量化交易策略而言,其中部分交易存在策略的相似性,这对于未来的金融市场影响颇大,集中体现在市场价格波动这一方面,具体表现为高波动性以及规律性,上述改变与量化投资有着非常直接的关联。

金融衍生品是社会发展的阶段性产物,量化投资是基于传统投资形式基础上的创新与变革,两者之间具有一定的关联性,就好比人和人之间的合作,通过量化投资,金融衍生品能够在某种程度上受益,彰显其风险规避功能,量化投资对于投资者而言是巨大的福音,使其更理性地进行投资,从而避免由于自身主观原因而造成的经济损失,与此同时,能够有效消除非预期损失。针对金融衍生品而言,其不断发展对量化投资而言也是非常有益的,为其提供应用平台,借助不同领域资源整合,从总体角度分析,优化金融市场,交易环境不断完善,并且对投资者影响极大,使其投资理念不断升华,投资水平在某种程度上也得到看提高,继而促使投资者通过结合金融衍生品与量化投资获取丰厚的投资收益。总的来说,金融衍生品与量化投资可谓是相辅相成的关系,彼此相互促进又相互影响,协调好两者的关系对金融市场发展益处多多。

三、结语

总体来说,金融衍生品在我国金融市场的广泛运用极大的促进了国民经济的发展,量化投资是一种相对理想的投资理念,将金融衍生品与量化投资有效融合能够获得良好的成效,这于金融市场经济发展而言也是极为有利的因素,为投资者提供了良好的应用平台,促使其获得比较丰富的投资收益。文章主要介绍了金融衍生品以及量化投资的发展,重点阐述了两者之间的相关性。

参考文献:

[1]李东昌.金融衍生品与量化投资相关性研究初探[J].山东工业技术,2015(06).

[2]张梅.后金融危机时代金融衍生品的风险管理与控制[J].湖南商学院学报,2010(02).

[3]寇宏,袁鹰,王庆芳.套期保值与金融衍生品风险管理研究[J].金融理论与实践,2010(05).

[4]林世光.可拓学在金融衍生品市场风险中的量化分析[J].武汉理工大学学报,2010(11).

[5]薛智胜.金融创新风险的防范与监管探析――以金融衍生品为例[J].云南大学学报(法学版),2012(01).

第3篇

关键词:量化分析;风险态度相关性;相关系数;理性投资

一、要解决的问题

(1)问题一:根据所给数据量化分析处理公众投资者的个人状况、信息获取方式、媒体信任程度、风险态度。(2)问题二:在量化分析处理公众投资者的个人状况、信息获取方式、媒体信任程度、风险态度的基础上,建立合适的数学模型分析它们之间的相关性;

二、模型的假设

(1)建模时在所有的问题答卷中剔除那些相关性不大的问题,只从中选取具有代表性的问题,以减少建模复杂度。(2)建模过程中的各变量是相互独立的且数据有很强代表性。(3)证券市场是有效的,且价格的变动具有惯性。

三、模型的建立与求解

(一)对问题一的求解

(1)模型的准备。通过对数据的分析,我们从所有47个问题中选出20个具有代表性的问题,将提炼出的问题分成4大类:个人基本信息状况、信息获取方式、媒体信任程度、风险态度。

(2)模型的求解与量化分析。通过对第一大类个人基本信息状况中所选取的5个问题进行量化分析得到个人基本信息状况的量化分析,在所有调查的616名对象中,女性共有236人,女性投资者占总投资人数将近四成。我国投资者的年龄主要集中在30岁以下,占调查总数的36.4%,其次是30~50岁,占比为31.2%,二者之和占到调查总数的近70%。60岁以上投资者仅占8.4%。尽管中高学历投资者居多,但分析表明,教育程度与投资者收益没有明显关系。其次在广大投资者当中97%的投资者属于中产阶级,62%的投资者目的在于改善生活,83.5%的投资者对上市公司只是部分了解,这也显示出了中国投资者投资证券的意愿不强,市场的积极性未完全调动,但同时也说明了我国证券市场还有很大部分未开发,证券市场前景广阔。

通过对第二大类信息获取方式中所选取的5个问题进行量化分析可知65%投资者投资知识来源于时间和杂志,65.5%的投资者做投资时是经过理性分析的,这反映出我国大多数投资者是属于风险厌恶者或者倾向于风险厌恶,在进行投资时还是比较理性的。其次有77.6%的投资者认为以往的投资经验对现在或未来的投资是有用的。73%的投资者会关注财经新闻的报道,85%的投资者主要从网络,电视,报纸杂志等媒体中获得投资信息。

通过对第三大类媒体信任程度中所选取的5个问题进行量化分析得到的媒体信任程度量化分析表如表1所示。

从表1可以看出53%的投资者最初进入股市的原因是认为有利可图,自己决定进入。对于媒体反复推荐的股票,68%投资者不会购买,对媒体的信任程度还是比较低的。其次有76.6%的投资者觉得媒体上推荐的股票是有一定道理的,但有40.4%投资者之所以相信媒体上推荐的股票是因为自身能力的不足,只好相信媒体推荐。同时,在听取各类人士意见时,35%的投资者相信身边熟悉炒股的朋友。总之,我国投资者对于媒体的信任程度还是偏低的,这同时意味着我国的证券业还有着巨大的发展空间。

通过对第四大类风险态度中所选取的5个问题进行量化分析得到的风险态度量化分析表如表2所示。

根据表2分析显示,投资者的操作模式相对稳定,3个月内换手1次或更短的投资者占比最多,总体来看,投资者的持股时间相对较短,长期投资者占投资者比例较小。从趋势上看,在2008年以来的下跌行情中,投资者更倾向于频繁换手,3个月内换手1次或更短的投资者逐渐增加至62.4%,持股半年内的比例明显下降至28.6%。至于持股一年以上的虽有所增加,但平均占比不高,这部分长期投资者的增加不能排除是因套牢产生的被动长期投资。股票下跌时,只有不到20%的股民会选择低价再买入,再一次反映出我国股民大多数属于风险厌恶者。同时,面对股价下跌,但持有目标是五年时,62%的投资者会维持不动,但面对股价下跌,但持有目标是三十年,只有42%的投资者会继续维持不动。总之,投资者个人承担风险的态度还是比较理性的。

(二)对问题二的求解

(1)模型的准备。证券市场市场参与者众多,市场机制更为复杂,信息不对称现象更为明显。对于风险态度的衡量,在影响证券销售量的因素中,有价格,上市公司市场信誉,投资者的风险态度等。本题中着重量化被调查者的风险态度。为了确定投资者分别隶属于风险厌恶,风险中性,风险偏好哪种类型,我们在分析数据的过程中,给每个问题每个选项赋分的原则如下:1)选A、B、C、D的基础得分分别为1、2、3、4。2)将投资者的态度分为(0~30)风险厌恶型,(31~60)风险中立型,和(61~90)风险喜好型。

相关系数用来反映两者之间的相关性,考虑相关系数r时,我们遵循以下准则:1)当r>0时,表示两变量正相关,r

通过数据分析,我国投资者的总体风险态度是介于风险厌恶和风险中立的,由此可以看出投资者较为希望通过风险投资增加其个人收入。但是由于客观、主观因素,投资者中,持观望态度者较多。

(2)模型的建立与求解。根据题目提供的数据以及前面的赋值,算出所有被调查者的风险态度值,并选出问卷中的第二问跟风险态度进行相关性分析,则有:

结果为a=[1 1 1 2 1 1 4 3 2 1 1 1 1 3 2 2 4 3…1]

对应的风险态度值为b=[44 44 46 45 41 42 47 41 54 46 38 49 51 53 53 50 44 44…47]

根据以上分析可知总体个人状况与风险态度的相关性小,由此得出我国近段时间进行投资的民众数量较大,覆盖到不同民众的方方面面。信息获取方式与风险态度之间联系大、得知在我国的投资领域,投资者的信息获取途径和多少对其投资的方向性还是有较大的影响。媒体信任程度与风险态度之间的相关性适中,可知部分投资者对待媒体信息的态度还是比较冷静。

参考文献:

[1] 杨桂元,黄己立.数学建模[M].合肥:中国科学技术大学出版社,2008.

[2] 李柏年,胡守信.基于MATLAB的数学实验[M].北京:科学出版社,2004.

[3] 魏捷.关于调查问卷中定性数据处理方法的探讨[D].中南财经政法大学 2008.

第4篇

华尔街从来不乏传奇。2006年,全球最高薪酬收入再次落入一个华尔街人士之手。前数学家、定量化对冲基金经理西蒙斯年收入达到惊人的15亿美元。2009年,另外一群人――高频交易者――帮高盛银行等金融机构赚得盆满钵溢。

这些人,因其使用高等数学手段决定亿万计资金的投向,而在30年前赢得“火箭科学家”名声。在外人看来,他们有些像中世纪的炼金术师:给他们数据,他们还给你美元!

华尔街的数学传说

实际上,在华尔街上管理资金规模最大的量化技术,并非那么不可捉摸:众多公司使用“因子加总模型”辅助他们选择股票。

这种方法大多基于Fama-French的开创性论文,其基本思想很简单:依据各项基本面指标对于历史上超额回报的贡献程度,来决定这些基本面指标在选出“超级股票”上的“有效性”,并据此赋予这些指标不同的权重;按照上市公司指标在全部篮子股票中的排序,再使用上述步骤中获得的权重对其进行加权加总计算。如果该公司的加权之和排名靠前,则表明该公司的基本面指标符合能够带来超额回报的历史模式,从而有望在未来展现强势。

数学模式大同小异,公司之间的竞争主要集中在两个方面:第一,各公司均投入巨资,研制自己的特有指标;第二,研制更加有效、稳定的加总方式。

传统的基本面分析往往要求基金公司雇佣大量分析师,成本高昂。由于每个分析师能够跟踪的公司数目有限,基金经理不得不在较小的股票篮子中进行选择,有可能错失最好的投资机会,投资组合的分散程度也受到限制。同时,依赖基本面分析进行投资管理要求基金经理进行大量的主观判断,人性弱点(贪婪与恐惧)对投资业绩往往产生较大影响,投资业绩波动较大。使用这种方法建构的投资组合往往无法定量化控制每只个股给投资组合带来的风险。从基金公司的角度而言,这种方法对基金经理个人的依赖较大,一旦出现人员变化,基金业绩也往往随之波动。

量化选股方式将投资决策建立在对历史模式的详尽研究之上,克服了上述缺点。其在美国投资界的应用近20年来大幅提升,管理资产额的上升速度为传统方式的4倍。

回归价值投资

然而,过去数年,定量化基金遭遇了重大打击。2007年,最大的定量化机构对冲基金、高盛名下的Global Alpha遭遇了重大损失,几乎清盘。2008年,众多量化基金再遭滑铁卢。笔者在北美也曾主持研制一个包含上百个指标的量化选股系统,但在实践中,却最终放弃。

实战经历指出该类系统的一个致命弱点是,在实战中,哪一类因子何时发挥作用,是不可预测的。有些时候是价值因子占优,有时候是增长因子占优,而何时其影响力出现变化,难以事先预测。其结果就是分析师与基金经理疲于奔命地试图追赶因子影响力变化的脚步,并据此不断矫正模型。如此,基金经理不得不在使用量化系统的同时,使用个人化的随机判断对量化系统进行纠正――这弱化了它本该享有的优势并导致投资业绩大幅波动。

仔细反思,最主要的问题在于,各预测因子被无机地组织在一起,各个因子之间的互相影响却没有被考虑。也就是说,华尔街模型“从数学到数学”,缺乏对投资哲学的深入理解。

量化技术所具有的优势应该被利用,但数学手段应该被视为手段,而不是主导。一个有希望的发展方向,是将量化技术与价值投资哲学相结合,实现“从哲学到数学”式的投资理念。为此,需要在投资哲学上,梳理价值投资理念的本质。

价值投资在国内市场有众多拥护者,也不乏怀疑者。实际上,国内普通投资者对价值投资的理解有值得深化之处。笔者以为,价值投资的本质有二:

第一,价值投资告诉投资者,市场会犯错。以“5毛钱买进1元钱价值”作为号召,价值投资拒绝接受“有效市场理论”。但事实上,在大多数时候市场是有效的。大多数股票的价格正确反映了所有的信息、知识与预期,当时的价格就是上市公司的内在价值。要获得超额回报,必须去寻找市场可能呈现的“异常”,或者说在何处投资者的平均预期可能落空。价值投资就是寻找“未来”与“预期”之间的歧异。量化系统的设计目标是,要有能力淘汰那95%的普通(有效)情况,而把注意力引导剩余的5%――在那里,“未来”与“预期”有最大的机会出现歧异。

第二,价值投资的另一面,是说任何人都会犯错。当我们集中注意力去寻找“超级股票”的时候,是在下一个极大的赌注。这个赌注是高风险的。所以,请记住索罗斯的告诫:“投资者重要的不是做对还是做错,而是在做对的时候赚多少,做错的时候亏多少。”为对冲第一个赌注的风险,需要寻找最大的安全边际――当我们犯错的时,安全边际将保护我们不致尸骨无存。

安全边际是指,市场涨跌的轮回已经测试过所有情景。该公司在完整的牛熊市周期中,由千千万万投资者的真金实银所测试出来的估值空间。因此,安全边际的定义并非相对市场平均水平更低的PE值这么简单。每家公司都不同于别的公司,将不同公司的估值水平相比较,更多时候带来误导而不是洞察力。应该将公司目前估值水平与该公司调整后的历史范围相比较,并决定“安全边际”存在与否。

在实践中,要寻找在未来可能提供业绩惊喜、而仍在其估值范围下限附近交易的公司。依据此思想,数量化技术可以对所有上市公司的投资机会予以量化评估,进而实现“从哲学到数学”的投资思路。

对中国股市独特性的夸大导致某些论者以为,在中国股市,唯有投机可以赢得超额利润。这其实是伪命题。事实上,正是由于中国股市效率较低且风险奇高,一个系统化评估市场错配与风险衡量的系统,可以发挥最大效率。一切都取决于对市场运行规律的深入把握与技术优势的结合。在实践中,我们开发的量化价值投资体系取得了稳定超越指数的优良业绩。这有力地证明,中国股市的特殊性并没有遮盖其作为投资市场的普遍性。

在股市投资这项人类活动中,同时存在着两类知识。一是客观知识,即可以凭借科学(数学)方法来发现的真实;二是主观价值,即通过对价值的认定来获得的完善。在证券分析方法的演进过程中,这两类知识从最初的混沌不分,到此后的分裂和截然对立,再到两者被有机结合。

第5篇

记者:量化投资有什么特点?

刘钊:量化投资的主要特点是买入、卖出股票,不再是由人的主观判断做出决定,而是由量化模型决定。量化投资是一套科学的方法,有严格的分析、计算,什么好什么不好,不是我们自己说了算,是数据和模型说了算。即使是简单的低市盈率投资方法,只要能严格执行,就能取得超额收益。

记者:排除了人为主观情绪的影响,但由量化模型控制的量化投资基金的收益会如何呢?

刘钊:我们可以看看美国最成功的量化投资大师――詹姆斯・西蒙斯管理的大奖章基金,在1989年―2006年的17年间,大奖章基金平均年收益率达38.5%,而股神巴菲特过去20年的平均年回报率也不过20%。正是鉴于量化投资的巨大威力,摩根士丹利华鑫基金公司经过两年的精心准备,推出了国内真正意义上的量化投资基金――大摩华鑫多因子基金。

记者:量化投资的成败,关键在哪里?

刘钊:普通投资者买卖股票,主要是基于政策、基本面、市场、技术等各种信息和经验来做出交易决定,这些因素属于主观判断,而且往往容易受到情绪的影响。量化投资是将投资思路通过设定的指标、参数体现在量化模型上,通过计算机系统自动买卖股票,因此,量化投资的关键点就在于建立一个好的量化模型。

记者:量化投资和价值投资冲突吗?

刘钊:说到投资,大家首先想到的是巴菲特的价值投资,从长期的历史实践看,价值投资确实比较有效,量化投资也可以建立价值投资类的模型。

举例来说,衡量价值投资的最重要指标是低市盈率,如果以市盈率为标准来建模,以2005年5月为时间点,按市盈率对所有上市公司排序,再按市值比例模拟买入市盈率最低的100只股票,第二年5月,重新计算市盈率最低的100只股票,并调整组合,如此重复,每年调整一次仓位。得到的结果是,从2005年5月至2010年5月,沪深300指数的年化收益率为25.4%,同期量化建模的低市盈率策略基金的年化收益率达到29.46%,与沪深300指数相比,低市盈率策略基金的超额收益为4.06%。以此为基础,再以预期市盈率为基础建立一个模型,并模拟买入当年预期市盈率最低的100只股票,量化模型的年化收益率有36.51%。

记者:大摩华鑫的量化投资模型有何成功之处?

刘钊:大摩华鑫量化投资的模型既有一些过去历史上证明非常有效的投资方法,比如价值投资,也有投资管理团队的支持,大摩华鑫资深基金经理多年的投资经验也为大摩华鑫的量化模型提供了一些思路。此外,我们还通过外方股东摩根士丹利以及通过数据挖掘的方法,找到一些好的投资策略,为建模提供思路和方法。

第6篇

关键词:双向交易;指数基金;量化投资

中图分类号:F832.5 文献标识码:A 文章编号:1003-9031(2012)05-0004-04 DOI:10.3969/j.issn.1003-9031.2012.05.01

一、引言

对大多数普通投资者而言,指数基金是一种比股票更好的投资对象。但实际上,指数化投资本质上只是一种择股策略,可以帮助投资者选出一篮子股票,解决了“买什么”的问题,但对于交易系统中“什么时候买和卖”并没有很好的指示,也不能保证在短期内就能获得良好表现。由于绝大部分基金都不能跑赢指数基金,李海波(2008)建议普通投资者投资指数基金,但是应避免两个误区:一是在局部地区的长期熊市中不适合长期投资指数基金,二是在全球股市的长期熊市中不适合长期投资指数基金[1]。但仍有很多专家在向投资者传递一个错误的信号,即对指数基金应当长期持有。实际上,“长期投资”不等于简单的“持有不卖”。国内多数文献都将重点放在指数基金样本构建和跟踪误差计量方面(张帆,2007;赵勇,2010)[2][3],而鲜有针对指数基金进行投资组合的研究。本文将在趋势分析的基础上对指数基金的量化投资进行系统研究,分别在单向做多机制和双向交易机制背景下构建指数基金量化交易系统。本文将引入一套“择时”机制,将其与指数基金自身的“择股”优势结合起来,这样可以在长期当中战胜市场和大多数机构投资者。尤其是在2011年12月融资融券标的再次扩容,7只ETF指数基金被纳入交易标的之后,双向交易机制下的盈利模式跟以往相比发生了根本性的改变,基于趋势分析的量化交易将赋予指数基金产品更多的吸引力。

二、理论基础与样本选取

(一)理论基础

指数基金量化交易的基石是趋势分析,而趋势分析是建立在技术分析的三个假设条件之上的,即:所有的信息己反映在价格之上;市场是按趋势运行的;历史将会重演。在技术分析方法中,“趋势”是核心内容之一。趋势交易方法在国内和国外、专业和非专业投资者中都得到了大量的应用,并且取得了良好的成绩,本文将基于趋势交易的思想,来对指数基金进行量化。

(二)指数样本的选择

趋势交易的本质就是“顺势而为”,抓住波段收益。在对指数基金进行量化之前,选择什么样的指数来进行量化是首要问题。通过大量的数据统计分析,笔者发现指数表现有着鲜明的“个性”:大盘指数运行较稳定,波动幅度不大,区间运行时间较长,用它来做趋势交易的收益不高但波动率也较低;中小盘指数表现则更为活跃,趋势变化更快,波动幅度更大,区间运行时间较短。相比较而言,中小盘指数是更为理想的交易标的,因此,在以下的量化分析当中笔者选取沪深300指数代表大盘指数,选取中小板指数代表中小盘指数。

(三)时间周期的选择

笔者选取2006年1月至2011年12月这段时期作为研究样本,其间包含了大牛市、大熊市、盘整震荡市等多种情形,完成了几个完整的牛熊轮回,用这样的数据分析得出的研究结果更具有说服力。

三、实证方法与实证结果

(一)实证方法

首先,笔者选择最简单、最直观的均线交易系统(MA)作为数据分析系统,该系统体现的是“叉点”交易思想:即在短周期均线上穿长周期均线形成“金叉”时买入;短周期均线下穿长周期均线形成“死叉”时卖出。交易周期用日K线①。然后,笔者采用“插值法”的思路对交易系统进行优化,即选择不同的参数组代入交易系统当中来测试效果,评价的标准包括:收益率、标准差、平均盈利、平均亏损、最大盈利、最大亏损、最大回撤幅度、最长滞涨周期等。

(二)实证结果

1.单边做多机制下的统计结果

在单向交易机制下,运用大智慧证券分析软件采用MA交易系统对2006.01―2011.12期间的沪深300指数和中小板指数进行优化可得到表1和图1与图2。

从表1可知,不管是沪深300指数还是中小板指,在MA交易系统中的表现要远优于“一直持有”策略;简单买入中小板指并一直持有的话,收益率为94.40%,而在MA交易系统中的收益率为764.18%。另一个特点就是在MA交易系统中,平均盈利与平均亏损的比值都在2以上,充分体现了“小亏大赢”的投资思想。由图1和图2可以看出MA交易系统的净值表现更加稳定向上,与指数本身的走势相比,回撤幅度更小,波动幅度更小而总收益率更高。

2.在双向交易机制下的统计结果(无空仓)

在即可做多也可做空但无空仓的双向交易机制下,运用华财经Mytrader2009软件采用MA交易系统对2006.01 -2011.12期间的沪深300指数和中小板指数进行优化得到表2和图3与图4。

在双向交易机制下,MA交易系统的表现更优于“一直持有策略”,表现为不仅有“多头盈利”部份,同时还有“空头盈利”部份。同时,平均盈利与平均亏损的比值进一步放大,更多地体现了“小亏大盈”。由于做空带来的收益加上连续获利的复利作用,使得最终收益率比较单向做多交易下又有了较大的提升。与图1、2进行比较可以看出,图3和图4中MA交易系统的净值上升得更加陡峭,也更加平滑,说明在双向交易机制下总收益率更多,同时回撤幅度波动幅度更小。

3.不同投资策略下收益率和风险比较

由表3可知,从收益率角度出发,在单向做多机制下,不管是中小板指还是沪深300指数,采用MA交易系统的表现都要远优于“一直持有”的收益,也远远超过了同期主动型基金的平均收益,而且这还没有将空仓时间的收益计算在内(实际上空仓时间很长,而且在空仓时间资金还可以投入到一些流动性好的固定收益投资品种)。另外,在采用相同的交易系统进行优化的条件下,中小盘指数的表现要优于大盘指数(沪深300),这说明选择什么样的指数非常重要。

总的来看,从波动程度、最大回撤幅度角度看,MA交易系统的净值曲线并没有和指数曲线一样出现大幅震荡,回撤幅度更小,滞涨时间更短,在较长时间内保持稳步向上的增长,符合“长期稳定”的赢利之道。采用MA交易系统对指数基金进行投资,不仅在收益率方面表现更佳,而且风险控制也远优于“一直持有”策略。

四、结语

(一)结论与需要解决的问题

在双边交易机制下采用MA交易系统对指数基金进行操作的结果要远优于单边做多机制,更优于“一直持有”策略,同时也优于同期主动型管理基金的表现。但要将其付诸于实际操作当中,还要解决以下问题。

1.盯住指数是否有可双向交易的交易品种。2011月12月融资融券标的扩容之前,只有泸深300指数可以通过IF股指期货进行做空交易从而实现双向交易,其它指数基金只能做多交易在融资融券标的扩容之后,新加入7只ETF基金可通过融券方式进行做空,但到目前为止,可供做空的指数基金产品数量还比较少,指数产品本身的管理资金规模也有限,难以吸引大规模资金进入。随着融券标的逐步放开,会有更多的指数基金产品纳入做空的标的范畴。

2.交易成本的问题,特别是融券融券的交易成本。以上数据分析都是在低成本假设(佣金费率设为千分之0.3)基础上完成的,对于机构投资者而言,申购指数基金的实际费率还要低(很多指数基金超过500万的申购费只要1000元),若采用融券卖空,则需要支付一笔融券费用,这将增加交易成本,降低交易收益。对中小投资者来说,交易成本最低的还是ETF基金和LOF里面的指数基金,因为可以在场内进行买卖而不用交印花税,远低于在场外申购赎回交易。事实上,现行市场成本最低的卖空方式是股指期货,但目前股指期货交易标的只有沪深300指数,而且交易门槛比较高,不适合广大中小投资者。

3.流动性的问题,即市场容量的问题。指数基金进行量化投资,首先要有一个足够容量足够品种的指数基金市场。而现在,很多投资者对指数化产品在中国的发展前景表示怀疑,新的指数基金产品发行举步维艰,老的指数基金份额也在不断缩水,这对机构投资者特别是FOF(基金中的基金)管理者参与到这个市场带来的难题。

4.模型选择、整合、参数优化问题。一个好的交易模型是量化投资追求的“圣杯”,要构建一个优秀的量化交易系统需要进行大量的数据收集和统计处理工作。过去的良好表现只能代表过去,过去表现良好的模型和参数在将来未必有良好的表现。几乎不存在一如既往表现良好的模型和参数,每过一段时间,就需要对原来的模型和参数进行调整。

(二)建议

1.对于广大中小投资者而言,应该更清晰地理解 “长期投资”的概念,即“长期投资”不等于“长期持有”,理解在原有的单边做多的交易机制下,即使是做长期投资,也会有很多时间是处于空仓状态。在新的双向交易机制下,投资者要学会使用做空工具,利用融资融券,开辟新的盈利模式,熟悉新的投资策略和投资标的。

2.对于基金管理者而言,应使用做空机制来对冲系统风险。据统计,2011年中国FOF产品(主要是券商类FOF)全年平均业绩为-22.5%,几乎与基金的平均亏损持平。可见,大多数FOF基金的管理者没有使用做空机制对冲系统风险,甚至没有进行基本的仓位控制来回避系统风险。事实证明,在现有的中国市场采用“一直持有”的投资策略是无效的。而如果引入基金量化交易系统,特别指数基金具有的成本和选股独特优势,将大大提升FOF产品的业绩,这是未来中国FOF产品发展的方向。

3.对于政策制定者而言,应进一步推动指数基金在中国的发展,促使更多的指数化产品面市,推动金融产品创新和管理创新。从历史看,指数基金产品必将成为中国基金业发展的重点,针对指数基金进行量化投资的需求,将刺激更多的指数基金上市,这将吸引更多的投资者进入到基金市场。

参考文献:

[1]余伟.我国开放式指数基金绩效的实证研究――基于2008年至2010年度数据的分析[J].企业导报,2011(7).

[2]齐岳,王文超.指数基金投资绩效分析[J].经济问题,2011(2).

[3]李海波.指数基金投资策略研究[J].西南交通大学学报,2008(10).

第7篇

一组复杂的科学数字,一套无法揣摩的公式模型,谈及量化投资,或许这是给人的第一印象,犹如一个黑匣子,神秘而难以猜透。在华泰柏瑞量化指数增强拟任基金经理卿的眼中,量化投资其实很简单,与主动投资一样,量化亦是一种投资方式,即依据数学模型通过计算机来处理大量的信息,然后按此来进行投资决策。

卿女士曾任职于被誉为量化投资鼻祖的巴克莱全球投资公司,在担任量化投资经理时业绩突出。华泰柏瑞量化指数增强股票基金是华泰柏瑞旗下第16只基金产品,由担任基金经理。

谈及量化投资,卿具体介绍说,投资方式就好比农耕种植,传统的主动股票投资犹如最初的小农经济模式,从选苗、播种至灌溉再到收割,整个过程都需要依靠大量的人力进行手工劳作完成,虽然每个环节都能做到精细化,但耕耘范围和产出却比较有限。然而随着经验的累积和科技的发展,原始的小农经济逐步发展成为农业机械化,根据长久以来掌握的自然规律和种植技术,整个农耕过程交由具备特定生产技术功能的自动化机器取代繁重的手工劳作,这样不仅大大提高了经济效益,更能有助于抵御自然风险和市场风险。量化投资亦是如此,从传统的主动股票投资中汲取经验,寻找影响股票价格的各种因素和规律,借助计算机处理大量信息来进行投资决策,从而有望实现稳定的超额收益。

“然而成功的量化投资又并非单纯的‘随机行走’,必须严格遵循以下三个特性。”卿表示。

首先是科学性。量化投资不受人情绪影响,通过科学理性的研究和分析手段做更大范围内的耕耘,可以较早发现市场中的一些新趋势,但又不会过早离场。

其次是强调信息处理和投资决策的纪律性。即严格执行量化投资给出的投资建议,不随着基金经理的主观判断而随意更改。如今年洋葱是热点就种洋葱,明年大豆是宠儿就改种大豆,在卿看来这样的投资方式是不可取的,也是不长久的。一个负责任的投资应当是不盲目追求热点,坚持自己的风格,坚持自己擅长做的事情。

最后是风险控制的前瞻性。不同于事后进行风险管理的主动选股策略,量化投资更强调风险控制的前瞻性,华泰柏瑞量化指数增强基金的回测结果显示,量化投资可借助风险模型和分散化投资预先设定风险水平并且做到风险的较有效控制。

第8篇

1、各类投资工具及其风险的概要分析

风险越大,回报越大。早在马克思的资本论中便已经从另一个侧面对这一现象做出了很好地诠释。作为投资的一个伴生要素,如何对风险进行有效地控制将直接关乎在投资行为中,获取预期收益的概率和能力。投资风险的根源在于未来可能发生的不利事件,投资行为是谋求未来一段时间的现金流收益,所以投资的预期收益就牵涉到对未来的预测,这一预测是建立在对可能影响未来收益回报的各类驱动因素的分析。然而这些驱动因素通常都会有不确定性,正是这种不确定性导致了风险的发生。所以风险是由风险驱动因素的不确定性产生。而不同的投资工具其不确定性也各不相同。

将个人投资行为分类,常见的类别包括:金融类投资、房产类投资、实业类投资、民间借贷、期货投资这样五种主要类别。以目前的形势来看,房产类投资和金融类投资相对属于低风险投资,实业类投资属于一般风险类投资,期货类投资和民间借贷均属于高风险投资。

金融类投资、房产类投资和期货类投资可以看成是一组投资方式,因为受我国市场政策影响,这三类产业具有联合调控的特点,三个产业中的一个或两个呈上升趋势时,另外两个或一个产业必然会呈下降趋势,这是受我国政府的宏观调控所影响。其中金融类投资主要包括银行存款、债券、股票、基金等,这些投资种类进一步划分可以分成保本投资和非保本投资,存款、债券和部分基金属于此类,此类投资具有收益低,风险小的特点,在搭配个人投资组合时这一类投资可以作为一个抵消风险的投资项纳入考虑。而股票投资和另一部分基金投资则是属于非保本类投资,投资收益随着其风险的等级升高而随之上升。这部分投资除了要看被投资主体的经营情况,历史业绩走势等,还需要充分关注房产市场、期货市场的情况,目前我国是房产市场热,期货市场热,那么股票市场势必低迷。如果这两个市场境况转冷,那么也就预示着金融市场的繁荣,此时加大持有量并制定适当的风险策略无非是一个很好地选择,这一类风险的规避策略应当以量化分析为导向,下文会详细阐述。

对于地产市场来说,热度近年来一直居高不下,最近受政策影响有些转冷,但是分析政策不难看出,我国的政策决定地产市场一直是一个货币的蓄水池,如果蓄水池不再蓄水,那么人民币则会大量升值,如果中国政府为了货币找到另一个蓄水池,那么人民币势必走向世界。如果这两种情况出现,房产市场会有所冷却,但考虑到房产市场的钢需属性,一个位置比较好的房产投资依然是比较稳妥的低风险投资选择。这一类风险的规避策略应当着重于位置的选择上,如果能够提前知道周边政府未来的规划,那么对于风险分析来说将更加准确有效。

另外两种实业类投资和民间借贷,这两种有一个共性,相较地产市场以位置为导向来说,这两种投资是以人为导向,即被投资主体均是人。这两种投资除了要应用到正确的风险量化方法以外,还需要有详细的合同约定以及对被投资人的全面分析。合同约定中包括收益分配、责任、义务等均要做详细的约束,如果是对熟人投资那么更要注意在合同中确定好双方的责任与义务,避免今后权责不明的情况出现。对被投资人的全面分析要关注于此人的风评、业务水平、以及偿债能力。一个连生活都成困难的被投资人在生意不顺时卷款走人这种现象屡屡发生。

对于某些资金充裕的投资人来说,还有一种实业类投资是参股某公司成为股东,这类投资通常牵涉资金量大,行为复杂且个性多于共性,所以本文中不再多做论述。

2、风险的量化分析方法

为了能够有效地规避风险,通常需要经历五个步骤,即风险识别,风险定性分析,风险定量分析,制定风险控制策略,实施风险控制策略。而其中的风险量化分析是非常重要的一个环节。无论哪种投资,投资人都需要明确两个要点,即获得利润的概率如何以及失败时的损失是否能够承受。这两个指标均是风险定量分析要解决的问题。

风险定量分析顾名思义,将投资风险从一个大致的认识变为具体的金钱数字。例如说我投资了某个基金A万元,如果不出意外的话年底我能拿到m万的红利,如果有意外的话我可能会损失n万元。这种认识无助于投资人进行投资决策以及展开风险控制,如果变为年底我有x%的可能获利m万元,y%的可能保本,z%的可能损失n万元,那么投资人就可以通过(A+m)*x%+A*y%+(A-n)*z%这个公式简单计算其综合收益,并与投入进行比对,来决定投资是否可行,以及发生风险的概率及损失程度。再进一步的情况可以将此投资方案和其他投资方案进行对比,来搭配最优化的投资组合。

定量分析方法在投资行业中非常常见,种类也有很多,本文给出两种方法,即综合仿真分析法和基数计算法。其中第一种方法适用可以找到一定规律,即被投资主体已经经历了一段时间的运营,或属于一个长期稳定的行业。第二种方法适用于新兴行业或在某稳定行业中新开展的运营活动。

所谓综合仿真分析法是一种统计学的方法,而且顾名思义,要进行仿真分析。如前文所说,每一种投资都有其风险驱动因素。综合仿真分析法的关键就在于如果想对风险进行量化,那么首先要对这些风险驱动因素进行量化,而量化的手段就是采用统计学的方法,来确定其变化趋势,从而分析因为这些驱动因素变化而导致的风险区间。通常在开展这一方法时多用到数学模型或者统计工具。以某一个零售业的实业投资为例,经过分析认为,这个零售业其风险因素主要有进货市场价格的不稳定、进货量的不确定、购买者数量的不稳定,以及商品库存造成的损耗。也就是说这一零售业共有四个风险因素。经过对相同地区同类市场的调查,以月为单位收集样本点,即针对于一年中各个月份收集四个数据点,放入工具中开展分析,定位每一个驱动因素的变化规律,例如输入Beta分布,正态分布,均匀分布等。再将每一种因素的最悲观和最乐观的估计对盈利能力的影响进行预计,例如最好的购买这数量可以为店内造成m的收益,最不好的情况则造成n的收益(n可以为负),将以上元素放入风险工具/统计工具中,例如水晶球,Matlab等。从而获得一个置信度以及对应的盈利、亏损范围,从而实现上文中所述的分析。

基数计算法和仿真法有些相似,而且都是为了获得盈利亏损范围以及其对应发生的概率。但基数计算法更加粗糙一些,其过程是要首先确定一个利益回报的基准,例如说某只基金年化收益5%。那么这个5%则被视为一个基准,在这个基准的基础上分析可能影响到基金收益的因素,确定这些因素会对利益回报带来的影响的可能,进而获得各个盈利点的置信区间。

3、如何制定有效的风险规避策略

当有了一个很好的分析之后,下一步就是要制定风险规避策略。按照大类来分,可以将风险规避策略区分为事前控制以及事后补救。通常来讲事前控制属于降低风险,事后补救属于降低损失。

对于事前控制来说,其关键点衍生于上文所述的量化风险分析,在量化风险分析过程中,可以开展一个名为“敏感度分析”的工作,即将每个风险因素对收益的影响的能力进行量化。例如说当客流量下降20%时,除了销售量的下降,还会因为存货损耗而造成更大的利润损失,其损失可能达到35%。那么这时就可以给客流量这个风险因素定义敏感度为35%/20%即1.75。通过对所有风险因素进行敏感度分析并排序,筛选出排序靠前的要素建立风险指标追踪表进行重点追踪,重点监控,当指标异常时及时做出应对措施,例如发起讨论会议、增加追踪强度、变更投资比例甚至撤资。

还有一类风险控制手段是通过对资金量的控制,达到降低风险的目的,例如分段投资、固定投资、相对盈利等,这些方法通过控制资金的流入流出量,将风险造成的后果限制在一定范围之内,从而达到降低风险的目的。

当风险发生时,要学会事后补救。事后补救并不一定是指投资期完结后的补救,也可以指风险发生后的补救。主要的方法包括风险回避、损失控制、风险转移和风险保留。

其中补救阶段的风险回避一般情况下是我们常说的止损,即撤资以避免更大的损失发生,这种方式是投资主体有意识地放弃风险行为,完全避免特定的损失风险。简单的风险回避是一种最消极的风险处理办法,因为投资者在放弃风险行为的同时,往往也放弃了潜在的目标收益。如果不是极端恶劣或发生了某些特殊情况例如有新的投资方案明显优于此方案,那么通常不会考虑采用这种方式来补救风险。

损失控制和风险转移则是主动接受风险并采取相应措施来减少风险带来的损失,通过各种手段将风险限制在可接受的范围内。这种方式是风险最常见的处理方式,既然无法消除风险并且还希望获得收益,那么就需要对风险进行有效的控制或转移。

风险保留则是被动接受无法消除的风险,通过先期计划采取手段弥补风险损失。常见的方法有风险储备金。谈到储备金就又要提到上文所述的量化风险分析。由于量化风险分析可以获取各个盈利范围以及对应的置信区间,那么通过将最可能盈利点(如80%可能的概率)和目标盈利点(50%可能的概率)进行相减,其差价即为应当保留的预备金。提前预留出预备金,当风险保留行为发生时利用预备金补入投资项目中,避免由于风险发生、资金缺口造成的更大的恶果。

第9篇

关键词:量化宽松 货币政策

2009年3月起,美国连续实施量化宽松政策,这一政策的实施,对我国经济产生的巨大影响,不仅经济受到流动性泛滥的冲击,而且在经济增长速度放缓的局面下,使中国有可能面临低增长、高通胀的境地。由此,中国必须正视这种冲击,采取积极的姿态予以应对,这样才能确保经济的持续、稳定增长。本文针对当前国际经济形势分析了美国量化宽松政策,阐述了量化宽松政策实施以来中国经济所遭遇的挑战,以及在政策选择上面临的困境,并给出了切实可行的应对措施,以期对今后的研究有所助益。

美国经济与金融形势分析与第三轮量化宽松政策

(一)美国经济形势分析

美国经济自2011年第二季度再次探底之后,持续企稳回升,复苏态势良好,尤其是2011年第四季度GDP环比增长3%,超出市场预期。2012年第一季度,美国经济延续了2011年底的良好局面,GDP增长率为2.8%。但是就业市场前景仍不明朗—美国劳工部2012年5月4日公布的数据显示,2012年4月非农就业人数增加仅为11.5万人(预期增长为17.0万人),创下2011年10月以来的最低月度增幅,美国仍有超过1250万人处于失业状态,失业率为8.1%。专家预计,美国还需要3年时间,才能将失业率降到6%,即恢复就业正常的状态。再加之欧债危机的潜在风险冲击,美国经济形势可谓喜忧参半。数据说明,美国经济正在温和回升,但“回升的火力仍不够”。

(二)第三轮量化宽松政策

2012年一季度受益于经济平稳增长和欧债危机风险的释放,美国股市、债市等资本市场出现一定的繁荣景象,但是进入2012年二季度以来,随着经济增长出现放缓迹象,股市持续下跌。专家预计,美国股市将保持低迷,利率倾向于保持低位不变,流动性方面仍较为充足,美元价格回升,通货膨胀保持平稳。

从经济的基本面来看,一般认为美联储实行量化宽松需要两个客观条件:一是失业率上升,二是通胀下降。当时的情况是,失业率下降,通胀也在下降。从政治角度来看,2012年4月份美国新增非农就业岗位表现不佳,令民众对疲弱的劳动力市场的担忧重新升温,在大选年期间,奥巴马通过宽松措施短期内降低失业率来赢得选票。

从美联储内部来看,当时对启动量化宽松主要存在三种观点:一是认为美国经济仍比较脆弱,只要通胀率不超过2%就要重启;二是认为只有经济复苏动力出现严重消退才会启动;第三种观点认为长期维持高度宽松的货币政策存在极大的风险,对重启量化宽松重持审慎态度。2012年9月13日,美国联邦储备委员会宣布了第三轮量化宽松货币政策(QE3),以进一步支持经济复苏和劳工市场。根据新方案,美联储每月将在二级市场购买400亿美元机构抵押贷款支持证券,直到美国失业率降至7%以下。另外,美联储还决定将联邦基金利率保持在零到0.25%超低区间的时限从之前的2014年年底延长到至少2015年年中,并将旨在压低长期利率的“扭转操作”延续至2012年年底。

量化宽松货币政策影响分析

(一)前两轮量化宽松货币政策影响分析

为了应对金融危机和改善信贷市场环境,2009年3月18日,美联储声明将在未来的6个月内购买长期国债,总额高达3000亿美元,这正式宣告美国进入量化宽松货币政策时代(简称QE1)。2010年11月3日,美联储再次宣布,在未来的8个月内购买总额高达6000亿美元的长期国债,并将联邦基金利率设定为0-0.25%。这就宣告美国第二轮量化宽松货币政策(简称QE2)正式开启。

量化宽松货币政策的实质就是在脱离实体经济需求的情况下,开动印钞机向市场大量输入流动性。这种极端的货币政策将美国国内通货膨胀与贸易赤字压力转嫁至以中国为首的新兴市场经济体,推高中国经济运行成本,给中国经济增长造成了相当程度的负面影响。

首先,大宗商品价格暴涨。美元为世界储备货币,世界主要商品定价均以美元为基准,而QE向金融市场注入的大量流动性资金,很大一部分通过进入黄金、原油、粮食和其他重要工业原料的期货交易来实现套利,由此大幅推高了大宗商品和初级产品的价格。自QE1推出后的2009年5月到2010年5月,一年之间,纽约证券交易所各期货指数中,黄金上涨32.04%,原油上涨22.95%,大豆上涨41.40%,玉米上涨86.17%,银上涨了159.81%。

国际大宗商品价格的暴涨,带给初级产品主要进口国尤其是经济高速增长的中国以高额的成本负担。由于制造业企业的利润空间本身有限,成本的大幅增加严重加剧了制造业企业的生存难度,而更为严峻的影响则作用在出口导向的加工制造型企业上。

其次,国内通货膨胀压力高涨。大宗商品特别是资源类商品在中国进口商品的结构中占据了相当大的比例,因此国际原材料价格的上涨,就会直接推动国内CPI指数的上升。就在QE2推出的当月,中国CPI同比上涨5.1%,2011年7月的CPI增幅更是一度高达6.5%。

第三,外汇储备损失风险高涨。据国际清算银行(BIS)的数据显示,反映美元汇率综合变动的美元有效汇率指数在2008年末为101.02点,而在QE1实施后,到2010年10月,这一指数已经跌至81.95点,下降了近20点。2010年7月至10月底,南非、土耳其、韩国、印度、俄罗斯、巴西等新兴经济体货币兑美元分别升值约9.7%、9.7%、8.7%、5.8%、2.5%和2%。正是美联储的量化宽松政策导致并强化了美元下行的态势。在这一态势下,中国国债损失巨大。根据2011年4月美国财政部等机构联合的《外国持有美国债券情况报告》显示,截至2010年末,中国持有美国国债达到1.16万亿美元,占外汇总储备的40.74%。而两轮量化宽松政策实施以来,人民币相对于美元持续升值近8%,造成直接外汇储备损失1300多亿美元。

(二)QE3实施影响分析

第一,未来国际大宗商品价格将重新展开升势,加工制造型企业生存困难。国际大宗商品价格暴涨,加重了中国初级产品进口企业的成本负担。由于制造业企业的利润空间本身有限,成本的大幅增加使企业生存难度不断增大,尤其是对艰难渡过金融危机与两轮量化宽松的出口加工型企业而言,QE3有可能意味着更为沉重的打击,甚至是灭顶之灾。

第二,CPI上行压力进一步加大。为应对美国量化宽松带来政策的多重影响,中国也将重新审视自身的货币政策,在QE3的作用下,中国的货币政策将来很可能会跟随美国的货币政策而进一步宽松,刚刚缓解的国内高通胀压力将重新显现。

第三,美元价格升势将被逆转,很有可能再创新低,中国外汇储备损失风险再次高涨。据统计截止2012年3月,中国持有美国国债1.17万亿美元,假如在QE3中美元再次贬值10%,按照换算公式,中国直接外汇储备损失将达1600多亿美元。

第四,热钱流入扰乱中国金融、经济秩序。美国采取量化宽松货币政策后,资金将再次大规模流入中国,导致金融资产泡沫增大,对股票市场和房地产市场的稳定造成相当程度的冲击。大量热钱还将流入中国实体经济领域,廉价美元大量购买中国优质资产,将会对中国中长期经济发展带来本质性伤害。

综合来看,QE3实行,中国经济再次受到流动性泛滥的冲击,在经济增长速度放缓的局面下,有可能面临低增长、高通胀的境地。

中国应对美国量化宽松政策的策略分析

综上所述,针对美国实施的量化宽松政策,中国应该采取积极的姿态予以应对,本文认为,至少应该在加快外贸行业产业结构优化升级、储备投资多元化、推进人民币国际化、加强对国际资本流动的监管、人民币盯住美元措施等方面加大实施力度,有效应对美国量化宽松政策对中国带来的冲击,由此确保中国经济的持久、平稳发展。

(一)加快外贸行业产业结构优化升级

在成本提高和人民币升值双重压力之下,加工制造行业出口竞争力正遭遇严峻考验。为了达到控制成本的目的,未来应该将加工制造环节逐步内迁,只将设计、销售等高附加值环节留在沿海。在产品上,不再以“价廉”作为主要诉求,而转以“物美”为发展方向,扩大高附加值产品和服务的出口,加快从“中国制造”到“中国智造”的转变,坚持走自主创新的可持续发展道路,通过技术创新降低成本、提升产品层次,力争摆脱原材料成本持续上涨的影响。

(二)储备投资多元化

应寻求安全和利润的平衡,一味以美元作为外汇储备的战略已经不再可取,对美元未来走势应当保持足够的警惕。当前,应当不遗余力地调整资产结构,选择购买海外优质资产,特别是扩大对美国的直接投资,以提升中国资源储备的质量,增强抵御国际金融风险的能力。目前中国对美国的直接投资不足美国吸引外国直接投资的1%,这一点必须引起中国政府与企业的重视。同时,紧盯大宗商品价格,择机进入市场。另外还可以考虑增加持有美国优质跨国企业和国际组织的股票,实现储备与投资的多元化。

(三)推进人民币国际化

量化宽松引起的美元贬值导致中国外汇储备大幅缩水,但是如果人民币是国际结算货币的话,情况将大为不同,中国贸易盈余将得到保值。量化宽松的货币政策导致国际货币体系短期内有质的变化虽不现实,但是却在实际上削弱了美元国际公信力。在此机遇下,可在企业“走出去”的过程中,扩大货币互换的范围和规模,稳步推进中国与其他国家的货币互换,争取人民币区域货币的地位,为人民币地位的提升不断努力。

(四)加强对国际资本流动的监管

美国量化宽松后,巨量资金便流入中国,干扰中国经济正常运行,这个口子当如何堵住?为遏制热钱流入,必须加强对外汇流动的监督和管理,加强对外汇贷款的控制,对热钱的冲击目标、流入渠道和方式进行监测和分析,提高应对措施的针对性和有效性,努力稳定股票与房地产市场。中国可以考虑实行更为严格的管理手段,从以往的经验判断,严格的管控手段的效果预期要明显好于其他新兴市场。

(五)人民币盯住美元

既然量化宽松货币政策是主动推动美元利率汇率走低的廉价美元政策,那么人民币盯住美元就是被动的廉价人民币政策。但是,这一政策在未来的一定时期内还需要坚持。原因在于,若美国以及全球经济逐渐走出衰退的阴影,美元不一定会持续走高,而有可能在投资者风险偏好上升的情况下,美元作为避险货币的投资需求下降,这样一来,美元有可能继续贬值。而人民币汇率如果能持续以美元为参照,至少可以减少汇率波动带来的不必要的交易成本和资金流波动,有利于保持中国商品的出口竞争力。

1.方圆.美国量化宽松政策对我国的影响及应对措施.现代经济信息,2011.4

2.李永刚.重视应对美国量化宽松的货币政策.宏观经济管理,2011.3

3.李永刚.美国量化宽松货币政策影响及中国对策.财经科学,2011.4

4.李永刚.美国第二轮量化宽松货币政策影响分析.北京理工大学学报(社会科学版),2011.8

5.李永刚.美国量化宽松货币政策对世界新兴市场国家的影响.高校理论战线,2012.1

6.李永刚.金融危机对中美核心经济关系影响及中国对策.中国科技论坛,2012.2

7.毛玲玲,祝应喜.美国量化宽松货币政策对我国经济的影响及启示.现代商贸工业,2011.9

8.姚斌.美国量化宽松货币政策的影响及我国的对策.上海金融,2009.7

9.闫瑞明.量化宽松货币政策:美联储的次优选择.西部金融,2009.7

10.张海宁.美国量化宽松货币政策的影响及对策.中国证券期货,2011.10

第10篇

[DOI]10.13939/j.cnki.zgsc.2017.30.039

1 量化投资择时选股的背景与意义

1.1研究背景

量化投资被西方投资界称为颠覆传统投资哲学的投资革命,可以追溯到20世纪50年代,在过去的60年里被证明是一种可以对冲市场风险,以概率取胜的高收益投资模式。相较技术投资者和价值投资者,量化投资者凭借其高频交易和不断适应市场的量化投资策略,在2008年波及全球的金融海啸中获得了远超其他策略的收益。詹姆斯·西蒙斯所掌管的大奖章基金从成立开始,年均回报率高达38.5%,运用量化的方法而获得交易的套利。量化投资策略的基本原理是通过对海量历史数据收集和总结后得到的交易策略,主要是通过高频交易对市场存在不合理估值进行纠错,来寻求α收益。

1.2研究意义

从国内现有的采用量化投资方法并且运作一段时间的基金来看,在A股这样的市场应用更加具有前景,通过量化择时策略对历史信息进行分析从而达到预测价格的目的。一般来讲,量化择时选股策略可以分为基本面与市场行为两类。其中,基本面选股策略中常用多因子模型,重点运用选定的某些因子指标作为股票遴选的标准,通过结果满足标准作为买进股票的对象,反之不满足的则作为卖出对象。根据投资者的操作理念、投资风格可以大致分为价值型、投机型等类别。无论何种投资者都会或多或少依据一些因子判断股票涨跌。然而,当多数交易者同时采用某一因子指标时,促使该因子具有显著有效性。这些因子和收益率之间有着千丝万缕的因果关系。

2 量化择时选股理论的研究

2.1基金择时选股能力的分析模型

基金分析模型的基本思路一般都基于CAPM模型进行拓展衍生,将基金的择时选股能力分离和量化,进而做出评测。应用最为广泛的有:特雷诺和玛泽(Treynor & Mazuy,1966)的T-M模型、Jensen模型(Jensen 1968)、亨里克森和莫顿的H-M模型(Henriksson & Merton,1981)等。

2.2模型设计及研究样本的选取与处理

本文以单因素T-M 模型为理论基础因子,分析三个时间段(2006年1月1日—2007年9月3日,2007年10月8日—2008年10月8日,2007年12月31日—2011年12月31日)各种类型基金的选股以及择时能力的情况,并分析每个时间段基金经理的能力表现。

分析模型如下所示:

ri-rf=α+β1(rm-rf)+β2(rm-rf)2+εi

其中:α表示选股能力指标,β1表示基金当时面对的市场系统性风险,β2表示择时能力指标,εi为残差项,其他变量表示的含义与Jenson模型相同。

假如β2大于零,那么表明基金经理凭借专业能力和工作经验,能够把握市场的机会,做出准确的研判,基金经理具有择时能力;否则就表明基金经理在能力、经验,以及把握机会方面还相对欠缺,择时能力方面较差。参数α表示投资组合收益率差异,在α大于零的情况下,表明基金经理的工作经验和专业能力在选股方面可以独当一面,如果个股选择的能力较高,那么α值越大。需要指出的是,α分离了择时和选股能力。

为比较不同基金的选股择时能力,本文采用Wind资讯数据库中的晨星基金分类标准予以数据筛选,共取得了1443只基金的数据(剔除货币型基金和指数型基金)。同时,为了分析各种类型的基金在不同时间段内的选股择时能力,本文将研究区间分成三个时间段,根据模型相关变量及指标数据的可操作性,最终筛选出384 个样本,如表1所示。

3 实证结果与分析

以下2表是综合运用T-M 模型对样本基金予以回归分析。通过分析结果,样本基金的F值均处于5%的显著水平上通过检验,这说明方程的整体显著性良好,同时拟合优度R2处于0.30~0.79,说明拟合较好。

下面,运用T-M 模型对所有样本基金进行回归计算,分别从选股和择时两方面的能力对各种类型基金在不同时间段内的统计表现进行分析。

3.1选股能力分析

(1)回归分析

表2中27 只不同时间段、不同类型的基金T-M 模型的检验结果。通过t检验结果表明,其中仅有三只基金没有通过α> 0的显著性检验,而其他的24只基金均通过了α>0的显著性检验。回归分析结果显示,有22只基金的α>0,占样本总数的81%。结果表明样本内基金经理都具有选股能力,但α的数值都相对偏小,这说明我国基金经理的选股能力尚需提高。

(2)统计分析

通过表3的统计汇总,可以看出,只有债券型基金在2007年12月31日—2011年12月31日期间选股能力系数为负值,而其他基金在每个时间段均具有正向的选股能力,这表明样本内基金经理都符合考察目的。不过,能力数值普遍偏低。

通过表4、表5和表6分析,股票型和混合型基金的平均选股能力都高于债券型基金,最大值、最小值、标准差等指标也差别不大。绝大多数基金经理具有一定选股能力,但这种能力并不突出。

3.2择时能力分析

(1)回归分析

表 2 给出了针对不同类型的27 只基金在不同时段内T-M 模型的检验结果。从 t 检验来看,只有两只基金能够通过α的显著性检验。通过T-M模型的回归分析,其中9只基金α>0,多数基金表现为负向的择时能力。

(2)统计分析

从表7 可以看出,只有债券型基金在2007年10月8日到2008年10月8日和2007年12月31日到2011年12月31日两个时间段内的择时能力系数大于零,其他的基金在每个时段的择时能力系数均小于零。

综合分析,在择时能力方面,只有债券型基金的表现较好,样本内基金总体呈现负向状态。说明我国基金经理的对于未来经济及股市整体趋势的研判和分析不够透彻。

4结论

通过实证分析,得出的结论如下:

(1)选股能力方面,除债券型基金外,所有类型的基金在三个时间段都表现出一定的选股能力,不过能力表现并不显著。而且,所有表示基金选股能力的标准差相对较小,表明基金经理之间对投资配置、组合的能力差异很小。

(2)择时能力方面,样本内基金经理择时能力不太理想,当市场出现多头行情,基金经理难以把握机会,以寻求稳定超额收益率;当市场出现空头行情,基金经理也无法规避系统性风险,及时空仓止损。此外,所有类型基金择时能力标准差都较大,不同基金经理的表现水平波动较大。

(3)综合分析,我国大部分基金经理的选股择时能力和经营管理能力尚需加强,具体表现在择时能力方面,只有少数的基金经理能够具备一定的选股能力。这种结果受到国内证券市场特点、基金公司绩效考核等客观原因的影响。相信随着我国加快完善多层次资本市场体系和基础性制度,以及基金公司的内部管理体制建设等措施,基金经理的择时选股水平会进一步提升。

参考文献:

[1]Treynor D.E.,Mazuy K..Can Mutual Funds Outguess the Market[J].Harvard Business Review,1966(17):38-4.

第11篇

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。

第12篇

神勇的大奖章

量化投资向世人昭示,挤进超级富豪圈不是梦。对冲基金是量化投资应用最广泛的产品。在福布斯2013全球亿万富豪榜上,对冲基金经理在前1000名富豪里夺得了约21个席位,占比约达2%,更有4名进入了百强榜。

詹姆斯?西蒙斯的文艺复兴公司旗下的大奖章基金,在1998至2008年的20年时间内,年平均净回报率高达38.5%,创造了投资界的神话。西蒙斯本人也成为了20年内最佳赚钱基金经理,成为了新的对冲之王,直至今日,仍居福布斯亿万富豪榜的82位。

大奖章基金以短线操作为主,主要通过统计信息分析方法来判断外汇和债券短期的价格变化,尤其是市场的过激反应类,进行套利活动。这个短线究竟有多短呢,金融投资里面最短的短线的计量单位叫“一笔”,举个例子来说,每秒钟都有可能进行成百上千笔交易。

可以这样说,大奖章基金差不多是量化到头发丝的存在,但这也并不代表着,电脑已经取代了人的角色,成为了人的主宰。西蒙斯自己也曾表示,长期不变还能赚钱的模型是不存在的,模型必须要不断更新,这也完全是通过人来完成的。

黑天鹅击溃完美模型

谈到量化投资,美国长期资本作为最著名的投资案例,不得不提。

约翰?梅里韦瑟在1994年2月创立了美国长期资本公司(LTCM)。公司依托布莱克-舒尔斯-默顿的衍生工具标价理论,采用“市场中性”的交易策略,买入低估的有价证券、卖出高估的有价证券,进行套利活动。LTCM似乎窥探到了量化的奥秘,在1994至1997年,年投资回报率分别达到28.5%、42.8%和17%,净增长2.84倍。巨大的盈利能力让LTCM获得了资本市场的认可,也使梅里韦瑟获得了套利之父的荣誉。

1998年8月17日,黑天鹅降临了,LTCM遭遇了俄罗斯政府外债违约。这场危机引起了全球金融市场的动荡,投资者纷纷退出了发展中国家的市场,转向了美国、德国等风险小、质量高的债券。结果LTCM做错了方向,沽空的德国债券价格上涨,做多的发展中国家债券价格却下降,原本预期收敛的价差却在趋于发散,致使其在资本市场上的滑铁卢。虽然后来美国金融巨头出资接管了公司,但LTCM已是强弩之末,于2000年宣布倒闭清算。

私募专业人士指出,LTCM过于信任自身的投资策略组合,忽略了小概率事件,再加上过高的杠杆,都导致了它的最终灭亡。量化投资其实根本不存在永久的致富秘籍,也没有永葆青春的投资模型,随着市场效率的提升,IT技术的升级,任何投资策略与操作方法从短期或长期来看,都存在误区与漏洞,这时则需要人脑的与时俱进,让系统根据动态不确定的环境进行修正与完善。人脑与电脑应该是相互成全,而不是相互替代。

量化投资的“黑箱”

正如硬币有正反两面,可称得上是赚钱利器的量化投资,也会因计算机的频繁“发疯”面临巨大的投资风险,如华尔街巨头高盛的交易错单、美国第二大股票交易所纽约纳斯达克证券交易所3小时的停止交易、国内8·16乌龙指交易事件。量化投资的高频交易引发了人们对计算机潜在风险的担忧,但它就像血液循环系统一样,加速了资本市场的资金流动,是金融发展历程中不可缺少的。“我们不能因噎废食,因为一个系统的BUG,就舍弃了整个系统。”首善财富管理集团(以下简称首善财富)表示,随着金融产品种类的增多,信息跟踪量的增大,对量化投资的需求也会不断增大。从管理和控制风险的角度来说,这不仅需要投资公司自身完善风控体系,还需要整个产业链的配合。首善财富董事长吴正新曾多次指出,“对冲基金将是中国证券市场最大赢家,而它们多大量采用复杂的量化模型进行程序化交易。”

所谓量化投资,就是指按照事先设定好的逻辑策略或数学公式进行投资,文艺复兴技术公司与美国长期资本公司也都是这样做的。从广义的层次来说,一切使用数学工具、电脑程序的投资方式都包含在量化投资的范畴。其中,争议不断的高频交易本质上是用来消除市场暂时出现的无效率的,它可以促进市场价格更快地反映市场信息。全球最大的知名高频交易公司包括Millennium, DE Shaw, Worldquant和Renaissance Technologies等。

虽然量化投资由于稳定的投资回报获得了越来越多的投资者的青睐,但是投资大众对量化投资的运作流程依然很模糊,这样“黑箱”也就形成了。量化投资的“黑箱”里到底承载着什么奥秘呢?

据华尔街顶级数量金融专家里什?纳兰揭秘,量化投资“黑箱”的基本结构包括人工的数据输入与研究、交易策略模型、风险控制模型、交易成本模型、投资组合构建模型,其中四项构成了交易系统。

如何让量化投资“活”起来?答案是人工的数据输入与研究,和交易系统的配合。通常认为,量化交易最小化了人工因素在系统中的作用,当量化交易员精心研究和开发的系统上线,他们似乎也就英雄再无用武之地。其实不然,计算机只会忠实可靠地按照人们告诉它的做法一步一步地来执行,伴随着时间与市场的不断演进,交易模型瑕疵也将不断扩大,这时量化交易员的主观判断显得尤为重要,人工因素的加入使量化投资具有了人类的正常思维,似乎“活”起来,可以主动灵活地应对外界的瞬息万变。也就是说,一旦市场触发了系统的难以判断的“恐慌”,交易员就会立即现身,通过修改交易清单或降低投资组合规模和相应的杠杆比率,来规避投资的风险。

MOM让量化投资活起来

如今,MOM模式成为欧美主流的资产管理模式,也将是量化投资界人脑与电脑结合的最佳作品。

作为一种间接的资产管理模式MOM(即Manager of Managers)诞生在美国罗素资产管理公司。它的客户可以是机构投资者,也可以是高净值个人。自从被开发出来,已被国外很多机构应用,最成功的当属耶鲁大学基金会,从1980年的两亿美金到了现在的约300亿美金,赚了将近150倍。

所谓MOM模式,也被称为精选多元管理人,通过优中选优的方法,筛选基金管理人或资产管理人,让这些最顶尖的专业人士来管理资产,而自身则通过动态地跟踪、监督、管理他们,及时调整资产配置方案,来收获利益。

“找最优秀的人做最专业的事。”首善财富董事长吴正新指出了MOM模式的本质。首善财富旗下的首善国际资产管理有限公司是国内第一家运用MOM模式做对冲基金和期货的公司,这正得益于其不懈地将技术与研究的双轮驱动作为公司的核心发展战略。

MOM模式降世不过30载,但发展非常迅速,得到了众多国内外投资公司的关注。尚属新鲜事物的MOM模式的相关产品在国内已经开始试水。在2011年中国平安与罗素公司合作设立了平安罗素,并发行了第一期的MOM产品。除此之外,MOM模式还可广泛应用于对冲基金与期货产品。“国内期货资管行业要做大做强,采用MOM模式是一种必然选择。”吴正新也曾表示。

禁不住MOM模式产品的诱惑,国内各投资公司纷纷对它的本土化做出了预先安排。“目前和我们合作的有十多个国内领先、国际一流的投资团队,其中大多是国际水平的程序化交易团队。”吴正新表示,首善财富早在引进MOM模式之际就采取了多元的投资风格与多元的管理团队相结合的经营理念。其中,多元的投资风格是首善财富资产管理的核心特色之一,“我们既有主观的人工交易,也有客观的程序化交易,而且以量化的程序化交易为主。”相对而言,多元的管理团队,即表示公司内部自身的投资团队的主动管理,再加上外部国际精英团队的专业管理。

相比近些年受到推崇的基金中的基金(FOF),信托中的信托(TOT),MOM模式在对资产管理人的数量与专业性的覆盖层面,更具魅力。FOF和TOT从本质上来说依然局限在精选产品上,而MOM模式更偏向于精选管理人,它可以凭借公司的研究能力,相对独立的挑选出更适合投资需求的专业管理人,运用定量与定性相结合的方法,将优选产品管理人和多人管理风险的双重优势发挥得淋漓尽致。

MOM模式既运用多元专业人才打破了量化投资的固有形态,也通过计算机系统的理性判断避免了交易员敏捷感应赢利却迟缓反应损失的习惯性偏差,让专业人才与计算机系统在“黑箱”内相互成全,相互配合,以求收获更加稳定、更加高额的投资回报,使其具有很大的发展空间与潜力。

如此看来,人工的数据输入与研究,和交易系统的互相成全,是量化投资“活”起来的动因,与此同时,在这个神秘的暗箱操作中,我们似乎也窥探到了超级富豪理财的蛛丝马迹。