时间：2023-08-01 17:41:06
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篇金融投资量化方法，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。
在银华基金副总经理兼量化投资总监周毅看来，量化投资成功的关键在于团队。目前，银华基金已初步完成了量化团队的人员配备和流程建设，未来，将努力打造一只国内领先的专业化、综合性的旗舰量化投资团队。
分级基金为突破口 首战告捷
由于量化投资在股票市场的应用范围较广，包括金融工具设计、指数增强、市场中立阿尔法模型以及套利策略等等多个方面。在反复比较深思熟虑后，周毅选择将金融工具创新作为突破口。
周毅认为，相比于其他的量化投资领域，金融工具与市场地域性特征关联度最低，因此移植性最强，成功概率就越高，同时在中国市场相对比较欠缺。所有的金融工具中，在国外使用得最广泛的就是结构化。
截至今日，银华共推出了三只指数分级基金和一只股票型分级基金，包括银华深100（首只深100分级指基）、银华中证等权重90（首只等权重分级指基）、银华中证内地资源（首只投资主题指数的分级基金）和银华消费主题（首只主动管理的主题类分级基金）。这四只分级占据目前市场上分级基金规模的绝对优势。银华深100是上市首只首日出现双溢价的分级基金，也是目前是场内规模最大的基金，约为150亿元左右；银华中证等权重90是第一个触阀值折算的分级基金，为所有分级产品的发展完善和风险控制提供了可借鉴的宝贵经验。
“市场和投资者以自己的方式证明了分级基金这种金融创新符合A股现阶段的运行特点，满足了国内投资者对杠杆和借贷收益的需求，更坚定了我们在工具型产品的研发和量化投资策略推广上的信心。”
看好中国量化投资“钱”景
不过分级基金只是整个量化投资应用中金融工具设计的一部分，其发展的背景是目前国内衍生品缺乏的现状。周毅表示：“我们想做全方位的量化投资，包含量化投资的各个领域。”
今年以来，银华的多只专户产品已经成功在A股市场上综合应用以上两项策略。据记者了解，银华专户产品中，表现最好的账户年化收益（扣除各种费率后）大幅超越同期沪深300指数。波动率仅约为沪深300波动率的1/3。尽管受现有法规和交易平台限制，在美国应用的量化策略大多数无法在A股实现，但银华在专户对冲产品上的成功尝试，证明了在国内利用量化投资方法可以获得绝对收益，而且随着各种限制的宽松化以及杠杆机制的引入，量化绝对收益产品可以拥有巨大的发展空间，中国式量化投资前景广阔。
志做国内旗舰量化团队
周毅将银华目前在量化投资领域所取得的诸多成就都归功于其全业务线的量化团队打造。银华在业内属于较早开展专门的量化投资研究的公司之一，目前量化投资团队已经达到16人，职责涵盖了金融工具、α策略、套利及实时风控等量化投资的各个业务链。“量化投资成员所搭建的系统平台，形成了稳定的流水线，为量化产品的运作提供了坚实的保障。”
【关键词】量化投资；量化投资体系；证券市场
一、量化投资及量化投资体系的定义
什么是量化投资？简单来讲，量化投资就是利用计算机科技并结合一定的数学模型去实现投资理念与投资策略的过程。与传统的投资方法不同的是：传统的方法主要有基本面分析法和技术分析法这两种，而量化投资主要依靠数据和模型来寻找投资标的和投资策略。量化投资系统则是由人设定出某种规则，在计算机当中根据规则构建这种模型，而后由计算机自己去根据市场的情况进行一些投资机会的判断。从他们投资方式的区别当中可以看出，量化投资更依赖于数据，传统投资则更依赖于人的主观判断。从这点上来说，量化投资可以有效的规避一些人为的错误判断。
二、我国量化投资体系的发展
在美国，量化投资方法的发展己经有将近年的历史，量化方法从允嫉较衷谡嫉矫拦市场30%上以上的比重。而在中国，量化投资只是刚刚起步而己。但是已经有很多基金公司允即罅Υ蛟熳约旱牧炕投资团队，期望在传统的基本面研究之外源匆黄新的投资天地。国内证券市场上成立比较早的量化投资基金主要包括：嘉实基金――嘉实量化阿尔法股票、上投摩根基金管理有限公司――上投摩根阿尔法、光大保德信基金――光大量化、富国基金管理有限公司――富国沪深增强、国泰君安资产管理公司――君享量化。近年来，一些公募基金、私募基金也都不断加快了布局量化投资基金的方法。这些量化投资基金，主要研究了基于基本面的多因子选股模型，这些投资组合因子主要包括：公司财务基本面数据，市场行情数据，行业数据等，并在实证中不断完善量化投资指标因子的选取。研究行业以及个股的价格趋势，运用道氏理论、K线理论、波浪理论、切线理论、形态理论等一些常用的技术分析方法建立不同风格的投资模型和投资组合。
三、量化投资的优点
量化投资作为一种有效的主动投资工具，是对定性投资方式的继承和发展。实践中的定性投资是指，以深入的宏观经济和市场基本面分析为核心，辅以对上市公司的实地调研、与上市公司管理层经营理念的交流，发表各类研究报告作为交流手段和决策依据。因此，定性投资基金的组合决策过程是由基金经理在综合各方面的市场信息后，依赖个人主观判断、直觉以及市场经验来优选个股，构建投资组合，以获取市场的超额收益。与定性投资相同，量化投资的基础也是对市场基本面的深度研究和详尽分析，其本质是一种定性投资思想的理性应用。但是，与定性投资中投资人仅依靠几个指标做出结论相比，量化投资中投资人更关注大量数据所体现出来的特征，特别是挖掘数据中的统计特征，以寻找经济和个股的运行路径，进而找出阿尔法盈利空间。与定性投资相比，量化投资具有以下优势：
（一）量化投资可以让理性得到充分发挥
量化投资以数学统计和建模技术代替个人主观判断和直觉，能够保持客观、理性以及一致性，克服市场心理的影响。将投资决策过程数量化能够极大地减少投资者情绪对投资决策的影响，避免在市场悲观或非理性繁荣的情况下做出不理智的投资决策，因而避免了不当的市场择时倾向。
（二）是量化投资可以实现全市场范围内的择股和高效率处理
量化投资可以利用一定数量化模型对全市场范围内的投资对象进行筛选，把握市场中每个可能的投资机会。而定性投资受人力、精力和专业水平的限制，其选股的覆盖面和正确性远远无法和量化投资相比。
（三）是量化投资更注重组合风险管理
量化投资的三步选择过程，本身就是在严格的风险控制约束条件下选择投资组合的过程，能够保证在实现期望收益的同时有效地控制风险水平。另外，由于量化投资方式比定性投资方式更少的依赖投资者的个人主观判断，就避免了由于人为误判和偏见产生的交易风险。当然，无论是定性投资还是量化投资，只要得当的应用都可以获取阿尔法超额收益，二者之间并不矛盾，相反可以互相补充。量化投资的理性投资风格恰可作为传统投资方式的补充。
四、量化投资的局限性
量化投资是一种非常高效的工具，其本身的有效性依赖于投资思想是否合理有效，因此换言之，只要投资思想是正确的，量化投资本身并不存在缺陷。但是在对量化投资的应用中，确实存在过度依赖的风险。量化投资本身是一种对基本面的分析，与定性分析相比，量化分析是一种高效、无偏的方式，但是应用的范围较为狭窄。例如，某项技术在特定行业、特定市场中的发展前景就难以用量化的方式加以表达。通常量化投资的选股范围涵盖整个市场，因此获得的行业和个股配置中很可能包含投资者不熟悉的上市公司。这时盲目的依赖量化投资的结论，依赖历史的回归结论以及一定指标的筛选，就有可能忽略不能量化的基本面，产生巨大的投资失误。因此，基金经理在投资的时候一定要注意不能单纯依赖量化投资，一定要结合对国内市场基本面的了解。
五、量化投资对中国的启示
通过研究国外市场的发展和中国市场的特点，对中国市场上的监管创新，制定相关的法律法规也势在必行。由于市场结构的差异，国内量化投资情况与国外有很大不同。技术型量化投资的应用主要是集中在期货市场，并且有较高的推崇程度；金融型量化投资的应用主要集中在股票市场，由于需要应用的时间数据周期相对较长，实际中应用并不普遍。目前，中国金融市场正处于迅速发展的阶段，很多新的金融工具在不断被引进，用量化投资方式来捕捉这种机会，也是非常合理的。与国外相比，目前国内股票市场仅属于非有效或弱有效市场，非理性投资行为依然普遍存在，将行为金融理论引入国内证券市场是非常有意义的。国内有很多实证文献讨论国内A股市场未达到半强势有效市场。
目前对中国市场特点的一般共识包括：首先，中国市场是一个个人投资者比例非常高的市场，这意味着市场情绪可能对中国市场的影响特别大。其次，中国作为一个新兴市场，各方面的信息搜集有很大难度，有些在国外成熟市场唾手可得的数据，在中国市场可能需要自主开发。这尽管加大了工作量，但也往往意味着某些指标关注的人群少，存在很大机会。其三，中国上市公司的主营比较繁杂，而且变化较快，这意味着行业层面的指标可能效率较低。而中国的量化投资实际上就是从不同的层面验证这几点，并从中赢利。例如，考虑到国内A股市场个人投资者较多的情况，我们可以通过分析市场情绪因素的来源和特征指标，构建市场泡沫度模型，并以此判断市场泡沫度，作为资产配置和市场择时的重要依据。
在中国金融市场的不断发展阶段，融资融券和股指期货的推出结束了中国金融市场不能做空的历史，量化投资策略面临着重大机遇。运用量化投资的机理和方法，将成为中国市场未来投资策略的一个重要发展趋势。量化投资在给投资者进行规避风险和套利的同时，也会带来一定的风险，对证券具有助涨助跌的作用。由于国内股票市场还不够成熟，量化投资在中国的适用性很大程度上取决于投资小组的决策能力和创造力。以经济政策对中国量化投资的影响为例。中国的股市有“政策市”之称，中国股市的变化极大的依赖于政府经济政策的调节，但是经济政策本身是无法量化的。基金建仓应早于经济政策的施行，而基于对经济政策的预期，但预期的影响比经济政策的影响更难以量化。例如，在现阶段劳动力成本不断上升、国际局势动荡、国际大宗商品价格上升的情况下，央行何时采取什么力度的加息手段，对市场有何种程度的影响，这一冲击是既重要又无法量化的。为解决这个在中国利率非市场化特点下出现的问题，需要基金投资小组采取创造性的方式，将对中国经济多年的定性经验和定量的指标体系结合起来，方能提高投资业绩。
参考文献：
[1]方军雄.我国证券投资基金投资策略及绩效的实证研究[J].经济科学，2002.04
2011年7月1日，本刊正式引入《今日投资66》专栏，介绍今日投资66的选股逻辑、方法以及挑选出的股票。今日投资66（简称I66）是利用量化投资方法挑选出的一个66只股票的组合。其实早在2005年中今日投资就推出了I66，过去几年累计收益率达到16倍，远超同期市场不到3倍的涨幅。为什么直到今日我们才大张旗鼓地推出I66呢？原因其实很简单，因为市场环境。量化投资近几年在中国快速发展，其投资理念也越来越多地获得认同。
股票市场上形形的各种分析方法总结起来可以归类为三大流派：数量分析、基本面分析和技术分析。关于这三大流派孰优孰劣的争论已经持续了近百年，三方各执一词，百年争论下来也没有争出个结果来。当今世界也是这三种流派大概各占三分之一的格局。而A股市场显然尚未跟上，量化投资远远没有达到三分之一的市场占有率。
第一部分：什么是量化投资
量化投资在海外的发展已有30多年的历史，其投资业绩稳定，市场规模和份额不断扩大、得到了越来越多投资者认可。事实上，互联网的发展，使得新概念在世界范围的传播速度非常快，作为一个概念，量化投资并不算新，国内投资者早有耳闻。但是，真正的量化基金在国内还比较罕见。那么，何为量化投资？
康晓阳：量化就是符合投资常识的投资逻辑和策略
接下来会发生什么？
深圳市天马资产管理有限公司是国内最早开发量化投资模型的资产管理公司，致力于量化投资工作接近十年。作为国内量化投资的“开山鼻祖”，深圳天马的董事长康晓阳先生如下介绍量化投资：
大家看到这个图，鱼跳起来了，风在刮，接下来会是什么？日本发生的9级大地震！2011年3月7日我看到一个报道，有50条鲸鱼在搁浅沙滩，就在发生地震那个县东部的海岸，有的死了，专家解释这些鲸鱼集体迷路了。作为一个地震专家或者学者，其实他们的经验没有告诉他这50条鲸鱼搁浅沙滩跟地震有什么关系。到底有没有关系呢？我们知道5•12四川大地震之前发生了同样的事情，很多癞蛤蟆过马路，这跟地震有什么关系？
投资做股票有两类，讲很多种策略，无外乎就是买你自己喜欢的和买市场喜欢的，买自己喜欢和买市场喜欢的背后逻辑就是找影响股价的要素。
量化是什么？做投资，最终的分析停留在数据上，既然是数据，就可以标准化、固化。从你自己的角度买自己喜欢的东西，其实也可以量化，每个人都有对美的标准，但并不是符合这个指标，你就一定喜欢。如果有一个海选，把符合你喜欢特征的人放在你面前你去选，就可以量化。
鲸鱼搁浅在沙滩上，根据历史数据统计就会发现这个事情跟接下来要发生的事情有什么关联。把人的行为逻辑影响股价所有的要素进行综合分析，预测下一个市场喜欢的东西或者喜欢的策略是什么，简单一句话，量化就是符合投资常识的投资逻辑和策略。就股票来讲，投资标的的数据和因素量化，再用一些模型统计的方法把选出来的标的进行优化，最后成为投资组合，这就是量化的基本逻辑。用数理的方法把你的投资逻辑或者市场的投资逻辑固化，只要有投资逻辑的思想或者策略，都可以量化。
就股票而言，有很多种方法，有价值型股票，分析方法无非是那几种，只是大家的标准不一样，量化的东西可以设一个相对宽松的东西，初选之后再优化，比如成长型股票，肯定关心盈利、收益。选出来10个、20个、50个甚至100、200个股票，然后配比重，怎么优化组合，根据你的风险和预期收益率反推回来怎么优化，最后得出一个比重，哪只股票应该投多少。有些是成本交易，比如套利，什么情况下出现一定条件的时候提示你。
要真正做到量化，首先要有一个基本的理论模型。你要觉得什么样的股票表现好，什么样的股票你愿意投资，这就是量化的基本逻辑。但是，有了这个逻辑之后还不够，还要有复合型人才，因为量化投资不光要懂得投资股票，还要懂得数理分析。打个比方，虽然我很懂股票，但我不懂数理分析，很多计算机模型也不懂，更不懂编程序，要真正做到量化投资，就必须有复合型团队。为什么这么多年华尔街学金融工程、数理、物理的人大受欢迎？因为他们可以用统计工具。前段时间我在英国的一所大学和一些专门做模型分析的教授交流，我发现他们想的东西更加复杂，基本上把市场上任何的东西都想要量化。
我理解，就是去跟踪你的投资逻辑，它只是帮你实现你想法的一种工具。另外还要有高质量的数据，因为，你通常看到的东西和市场本身存在的东西可能并不一样。如果把鲸鱼放到海滩上，这作为数据化，统计过去2000年有多少次鲸鱼搁浅在海滩发生，假如有真实的数据，就可以研究出跟地震的相关性。要懂数理统计工具，建立模型就是纪律，不能改变，改变就不是模型。有人说看到今天不行，换一下，那就不是模型了。我们看过一个电影，造出来的机器人最后自己都控制不了，那就是模型。如果造出来的机器人自己能控制，那不是模型。人为什么能挣得到钱，为什么还要量化？传统是靠个人经验的，而且你看到、听到的东西都是有限的。量化有什么好处？它可以把你知道的东西在整个森林中搜索。计算机是不知疲倦的，晚上你在打鼾，计算机还可以工作。你的模型是你建的，你很理性的情况下建的模型，市场情绪变了，它不会变，那时候你不可能去改模型，所以它不会受情绪的影响。
华泰联合：实现投资理念与策略的过程
国内研究机构中涉足量化投资较早并多次获得新财富最佳分析师评选金融工程第一名的华泰联合证券金融工程团队如是说：
数量化投资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。与传统定性的投资方法不同，数量化投资不是靠个人感觉来管理资产，而是将适当的投资思想、投资经验、甚至包括直觉反映在量化模型中，利用电脑帮助人脑处理大量信息、帮助人脑总结归纳市场的规律、建立可以重复使用并反复优化的投资策略（经验），并指导我们的投资决策过程。
本质上来讲，数量化投资也是一种主动型投资策略，其理论基础在于市场是非有效或弱有效的，基金经理可以通过对个股、行业及市场的驱动因素进行分析研究，建立最优的投资组合，试图战胜市场从而获取超额收益。然而一些定性的投资者却并不太认可定量投资，他们认为，定性研究可以将把股票基本面研究做得很深入，从而在决策深度上具有优势。然而，在当今市场上，信息量越来越大且传播速度极快，单个分析师所能跟踪的股票数量开始显得越发有限，也因此错过了许多优秀的投资机会，可谓是拥有深度的同时错失了广度。量化投资正好弥补了这一缺失，通过使用强大的计算机技术，它能够实时对全市场进行扫描，并依仗其纪律性、系统性、及时性、准确性以及分散化的特点最大概率的捕获战胜市场的投资标的。
事实上，在海外市场，我们看到越来越多的定量与定性完美结合的成功案例。通过向量化模型中加入分析师对未来主观判断的观点（定性的观点），再结合来自于历史规律检验的观点（定量的观点），定量与定性的优势便能得到充分的发挥和融合。我们相信，这也将是未来量化产品发展的主流方向和趋势。
结论
量化研究作为一种研究方法，其本质是使用统计学、数学和计算机工具改进研究效率，使得我们能够在更短的时间、更大的视角领域下，依靠清晰的研究逻辑，获取更为有效和操作性以及复制性更强的研究成果。量化研究的本质是一类发现市场规律的方法体系，其基本功能是认识市场和解释市场，并以做到预测市场为目的。
量化投资简单来讲，它以模型为主体，使用大量数据，并且在很大程度上用电脑这样的投资方式；其以科学性和系统性著称，并将在严格的纪律化模型制约下，紧密跟踪策略，使运作风险最小化，并力争取得较高收益。
第二部分：量化投资在蓬勃发展
量化投资在世界的发展史
美国市场有200多年，从证券市场开始，也有快400――500年了，但是量化的发展是上世纪50――60年代的事。首先有一些理论模型，没有理论模型支撑很难做到量化的东西。
数理化投资于上世纪50~70年论上发芽
Harry Markowitz在上世纪50年表一系列关于投资组合“均值―方差”优化的论文，这使得投资者可以定量化风险，并把风险和预期回报放在一个理论框架下统一考虑；
WilliamSharpe在1964年发表CAPM模型，此模型显示个股的预期回报和个股的风险及市场的预期回报成正比；
Steven Ross在1976年发表APT模型，此模型显示个股的预期回报可以表示成一系列非特定因素预期回报的加权平均，此模型为量化投资者指出了很实用的研究框架；
Black-Scholes在1972年发表关于股票权证的定价模型；
Fama和French在1993年发表三因素模型，此模型显示个股的预期回报由三个因素（市场，个股的市值，个股的市净率）决定；
此后很多研究者做了非常多的实证研究，并发现了一些对个股将来回报有预测作用的因素：比如市盈率，市净率，资产回报率，盈利一致预期，中长期价格动能，短期价格反转等。
数理化投资从上世纪70年代末开始实际运用
Barclays Global Investors(BGI)于1978年创立了全球第一只数量化投资策略基金，到被BlackRocks收购之前BGI以14000亿美元的规模，高居全球资产管理规模之首。
SSgA(道富环球投资管理公司)和 GSAM(高盛国际资产管理公司)为首的一大批以数量化投资为核心竞争力的公司已经成为机构资产管理公司中的“巨无霸”。
“詹姆斯•西蒙斯创办的文艺复兴科技公司花费15年的时间，研发基于数学统计理论的计算机模型，借助该模型，西蒙斯所管理的大奖章基金，从1989 年到2009 年间，平均年回报率高达35％，较同期标普500 指数年均回报率高20 多个百分点，比“金融大鳄”索罗斯和“股神”巴菲特的操盘表现都高出10 余个百分点。
在国外。其他采用量化投资的公司没有获得惊人的表现，并非是量化方法不好，而是他们还没有构建出更好的模型以及正确的策略。作为量化投资的大行家和受益者，西蒙斯承认有效市场的套利机会极少而且会趋同小时，然而，仍然有无数转瞬即逝的很小的机会存在，在证券市场，那些很小的交易，都会对这个庞大的市场产生影响，而每天都会有成千上万这样的交易发生。这个市场看似杂乱无章，却存在着内在规律，而量化操作自从诞生以来，无疑成为捕捉这些规律的一把利器，为海外投资者屡建奇功。
CQA（教育产品内容与数据测试）数据统计：在2002年-2004年三年间，量化产品的平均年收益率为5.6%，比非量化产品的平均年收益率高出1%。从信息比率来看，量化产品为0.37，非量化产品为0.06。此外，量化基金的运作费率相对更低，例如传统产品费率为0.6%，主动量化产品费率在0.45%-5%之间。
理柏(LIPPER)数据显示，2005年到2008年之间，87只大盘量化基金业绩表现好于非量化基金，增强型量化基金在2005年和2006年更是大幅跑赢非量化基金。但2007年和2008年除市场中性基金外，所有基金业绩下滑很快，其中双向策略和大盘量化基金表现差于非量化基金，而增强型和市场中性量化基金表现则优于非量化基金。
量化投资在中国的发展现状
研究力量不断壮大
目前大部分券商研究所都配有金融工程研究小组，成员超过5个的不在少数。根据2010年11月份的《新财富》最佳分析师榜单，国信证券金融工程小组人数有12人，为目前人员配备最多的量化投资研究团队。其他入选金融工程前五名的研究小组中，申银万国8人，华泰联合、安信证券各5人，中信证券4人。
数量化方面的研究报告数量也是逐年增加。据不完全统计，2008-2010年相关报告数量分别有52、142、794篇，今年上半年就达到了633篇，逐年递增趋势非常明显。不过，和2010年研究报告10万多份的总量相比，数量化研究的广度和深度还有很大提升空间。
量化产品初露锋芒
天马旗下的产品中，现有两个信托产品采用量化投资策略，分别是新华―天马成长，和平安―Lighthorse稳健增长。
此外，上投摩根、嘉实、中海基金、长盛基金、光大保德、富国基金、南方基金等都有量化产品推出，但是量化基金的比例还是非常小。即便在2009年，全年新发基金超过100只的情况下，新发的量化基金也仅有4只，数量在2009年的新发基金市场中仅占3％。与指数基金、普通股票基金相比，量化基金可谓是基金市场上的稀缺资源。
2011年，在国内紧缩政策与国外动荡局势的影响下，A股市场呈现结构性震荡上扬的格局。随着市场轮动的提速及内在容量的扩大，精选个股的难度日益加大。在此背景下，定性投资容易受到投资者情绪影响，而定量投资则能够通过计算机的筛选，帮助投资者克服非理性因素，在充分控制风险的前提下应对市场万变。以“人脑＋电脑”为主要构建的量化基金逐渐显现投资优势，今年量化基金异军突起，整体表现不俗。截至4 月6 日， 9 只具有完整业绩的主动型量化基金平均收益率为0.64%，超越同期股票型基金和混合型基金-1.39%、-3.08%的净值增长率。其中，“元老”光大保德信量化核心基金收益率达5.19%。此外，南方策略、中海量化策略、长盛量化红利、长信量化先锋、上投摩根阿尔法、华泰柏瑞量化先行基金也均取得正收益，分别达到4.12%、3.28%、2.60%、2.13%、0.77%和0.16%；仅嘉实量化阿尔法和华商动态阿尔法收益为负，分别为-4.48%、-7.94%。此外，从以往披露的公开信息可以发现，国内量化基金多侧重价值因子，也契合今年低估值大盘蓝筹股领涨的市场格局。
第三部分：解读量化投资
在西蒙斯崛起之前，判断型投资完全占据着主流地位，因为当前全球投资界的三大泰斗当中，无论是价值投资的巴菲特、趋势投资的罗杰斯，还是靠哲学思维的索罗斯，都是判断型投资的代表。但随着西蒙斯的声名鹊起，量化投资开始受到投资大众的重视并呈现出蓬勃的发展态势。但需要指出的是，世界上没有万能的投资方法，任何一种投资方法都有其优缺点，量化投资当然也不例外。定量投资成功的关键是定量投资这个模型的设计好坏，设计的好坏主要由模型设计者对市场的了解、模型构建的了解和模型实践经验来决定的。
量化投资的决策体系
量化基金的成功运作必然依托一个完整而有效的量化体系用来支撑，该体系是数据获取、数据处理、资产配置、组合管理到全程风险控制等诸多环节的有机结合。
我们借鉴海外量化基金运作架构的诸多优点，并结合华泰联合金融工程资深研究员的看法，旨在提供一个适合中国市场特点的量化基金运作架构体系。该体系综合考虑了定性及定量两大主要选股思路，在风险可控下，充分发挥量化投资的优势。
此架构包含以下几个主要层次：
1. 数据提供：量化体系的底层一般是数据接入端口，数据来源于外部数据提供商。
2. 数据预处理：由于中国A 股市场历史较短，数据质量一般，特别是早期的数据较为不规范。因此，在输入模型前必须对数据进行全面的清洗，从而增强数据的有效性和连续性。
3. 资产配置：资产配置是量化基金的核心。不同的投资者具有不同的投资理念，即不同的资产收益率看法。因此，通过构建差异化的因子配置模型来实现差异化的投资理念则充分展现了量化投资的优势和精髓。举例而言，我们可以开发针对不同市场状况（如牛市、熊市、震荡市和转折市）以及不同投资风格（如保守、激进和中庸）的量化模块。这些模块就类似于儿童手中的玩具积木，一旦投资决策委员会确定了战略和战术配置比例，接下来要做的就是简单的选积木和搭积木的过程。模块化投资严格的遵循了投资思路，从而将量化投资的纪律性、系统性、及时性和准确性展露无遗。
4. 投资决策：宏观经济政策对中国A 股市场的表现影响较大，也就是我们常说的“政策市”。针对这一现状，综合考虑定性和定量的宏观判断对于我们选择合适的基金仓位及资产组合将十分必要。一方面，结合宏观及行业分析师对于未来宏观经济的预判以及个别性事件的分析，另一方面，考察既定的一系列量化择时指标和宏观经济指标的最新动向，从而能较为全面的提出投资建议。
5. 组合管理：在对于宏观趋势、战略和战术资产配置的全面考量之后，留给基金管理人的工作将是如何实现在交易成本，投资风险以及组合收益三者之间的最大平衡。
经典量化投资模型综述与评价
目前，由于计算的复杂程度和对速度的要求，量化投资的交易过程通常是由电脑自动来完成的，可在某些方面电脑依然不可能替代人脑。投资若要取得成功，就需要顶尖的大脑来罗织数据、发现规律、编制最快最好的电脑程序；此外，量化投资所使用的模型在用了一段时间之后就会慢慢失效，因为越来越多的“山寨版”会出现，因而需要不断发现新的模型以走在这场军备竞赛的前列，而此时需要的就是配备精良、高速运作的人脑。由此可见，模型在量化投资的整个体系中居于核心地位。近几十年来，西方理论界与实务界均诞生了不少量化投资模型，大力推动了量化投资的发展，这其中又大致可分为三大类：传统的基于经济学意义的模型（structural model）、现代的基于数学、统计学意义以及计算机原理的模型（statistical model）、程序化交易模型。以下就这三者分别予以介绍。
(一)传统的基于经济学意义的模型
这种模型虽然用到了一些数学与统计学的工具， 但其核心思想与前提假设仍然是围绕经济学或金融学原理而展开的。例如，B-S 模型与二叉树模型提供了金融产品定价的新思路，因而也衍生出了所谓的以选择权为基础之投资组合保险策略（option-basedportfolio insurance，OBPI），如欧式保护性卖权（protective put）策略、复制性卖权（synthetic put）策略和一些持仓策略―――买入持有（buy-andhold）策略、停损（stop-loss） 策略、固定比例投资组合保险(constant proportion portfolio insurance，CPPI) 策略、时间不变性组合保障（timeinvariant portfolio protection，TIPP）策略、固定组合（constant mix）策略与GARP（Growth at a Reasonable Price）策略等。
(二)现代的基于数学、统计学意义以及计算机原理的模型
与上述模型相比，这种模型“量化”的倾向愈加明显―――淡化甚至忽略经济学或金融学背景，基本上只是依赖先进的数学、统计学工具与IT 技术构建模型，进而确定投资策略。模型中应用的具体方法主要包括参数法、回归分析、时间序列分析、极值理论、马尔科夫链、历史模拟法、蒙特卡罗模拟法等等。
(三)程序化交易模型
随着金融市场的日益复杂化， 越来越多的复杂交易策略被设计出来，这些交易策略很难通过传统的手工方式执行，于是程序化交易应运而生。程序化交易是指按照预先编制的指令通过计算机程序来完成交易的方式，可以分为决策产生和决策执行两个层面：前者是指以各种实时/历史数据为输入通过事先设计好的算法计算得出交易决策的过程，而后者是指利用计算机算法来优化交易订单执行的过程； 也可以从交易频率的角度，分为高频交易和非高频交易。程序化交易使得复杂的量化交易策略得以实施，优化交易指令的执行，解放人力使之把精力更多地集中到投资策略的研究上， 最重要的是能克服人性的种种弱点与障碍从而保证绝对的“客观性”与“纪律性”。然而，这种交易方式也引起了诸多争议，如对速度的过高要求会造成市场的不公平、巨大的交易量可能会增加市场的波动性、容易产生链式反应、为了盈利可能会制造人为的价格而降低市场的有效性等等。
量化投资的主要策略
增强型指数基金：策略的主要目的还是跟踪指数，希望用量化模型找出能紧跟指数但同时又能小幅超越的组合。
非指数型量化基金：能利用绝大多数好的投资机会，而不需去管组合是否能紧跟指数。
多―空对冲基金：买入模型认为能表现好的股票， 卖空模型认为会表现差的股票。有时可能净多仓， 有时可能净空仓。此策略在对冲基金中很流行。在A股市场中能卖空的股票不多，所以一般只能用期指去对冲。
市场中性的多―空对冲基金：买入模型认为能表现好的股票， 卖空模型认为会表现差的股票。在任何时候净仓位为0，同时在各行业上，大小盘风格上的净仓位都为0。此策略在对冲基金中也比较流行。此策略的波动率非常小，在国外一般会加入杠杆。
130/30基金：一般共同基金采用，即买入130%的多仓， 卖空30%的空仓。
程序化高频交易：利用期指或股价的日内波动进行高频买卖。有些策略是找价格模式，有些是利用交易所规则上的漏洞。
可转移Alpha：主要用在增强型指数基金上，具体是用期货来跟踪指数，一部分多出来的钱投资于风险比较小的能取得绝对正收益的策略上。
市场择时/行业轮动/风格轮动：用数量化模型预测市场/行业/风格的拐点
量化投资和传统投资的比较
天马资产首席数量分析师朱繁林博士表示，量化投资区别于定性投资的鲜明特征就是模型，对于量化投资中模型与人的关系，大家也比较关心。可以打个比方来说明这种关系，我们先看一看医生治病,中医与西医的诊疗方法不同，中医是望、稳、问、切，最后判断出的结果，很大程度上基于中医的经验，定性程度上大一些；西医就不同了，先要病人去拍片子、化验等，这些都要依托于医学仪器，最后得出结论，对症下药。
医生治疗病人的疾病，投资者治疗市场的疾病，市场的疾病是什么？就是错误定价和估值，没病或病得比较轻，市场是有效或弱有效的；病得越严重，市场越无效。
投资者用资金投资于低估的证券，直到把它的价格抬升到合理的价格水平上。但是，定性投资和定量投资的具体做法有些差异，这些差异如同中医和西医的差异，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，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。
传统的定性投资强调的是基金经理的个人经验和主观判断，相对来说强调基金经理的单兵作战能力。而量化投资主要是用来源于市场和基本面的模型指导投资。
量化投资可以最大限度地捕捉到市场上的机会。而传统的定性投资受到研究员，基金经理覆盖范围的限制。
量化投资借助模型进行投资，比较客观和理性，更不会受市场和情绪影响。
量化投资的可复制性更好。传统的定性投资易受到基金经理，资深研究员人动的影响。
其实，定量投资和传统的定性投资本质上是相同的，二者都是基于市场非有效或是弱有效的理论基础，而投资经理可以通过对个股估值，成长等基本面的分析研究，建立战胜市场，产生超额收益的组合。不同的是，定性投资管理较依赖对上市公司的调研，以及基金经理个人的经验及主观的判断，而定量投资管理则是“定性思想的量化应用”,更加强调数据。
国内量化基金投资风险分析
（一）量化模型质量产生的投资风险
投资模型本身的质量，是量化基金最核心的竞争力。专业人士以为，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，设计出好的投资模型。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。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，是否仅是基金公司体现其“专业性”的一个由头，还有待观察。
（二）基金经理执行纪律打折扣所产生的道德风险
好买基金研究中心的一份报告指出，大部分量化基金在择时、行业配置和资金管理等方面并没有采用量化模型，更多的是基金经理的主观判断。观察这些量化基金的契约和季度报告可以发现，基金要么不进行择时，要么根据主观经验进行择时，这在很大程度上无法体现出模型选股产生的效果。
（三）数量化模型滞后产生的风险
量化基金效果如何，无法脱离资本市场环境的成熟度。量化模型的运用有重要的前提条件，是必须在一个相对成熟稳定的市场中运行，这种市场环境下基于历史数据设计的模型才可能延续其有效性。国内股市曾经大起大落，市场结构和运行规律都发生过质变。在这种情况下量化模型有可能跟不上市场本身的改变，严格的量化投资也难以适应变化。这或许是这种舶来品水土不服的一大原因。可以说，早期的A股市场并不适合量化投资理念，而随着市场逐渐成熟，量化投资的优势才开始逐渐显现。近两年量化投资基金数量成倍增加，也是对这一趋势的反映。
关键词 金融工程 实践教学 定量化模型
中图分类号：G424 文献标识码：A
1 金融工程专业人才培养现状
1.1 学科特点
金融工程是数学方法在金融问题中的应用，它利用应用数学、计算机科学、统计学和经济理论的手段和方法，解决金融产品开发、衍生证券定价、投资组合构造、风险管理、情景模拟等问题。金融工程专业人才需要通晓与金融工程专业密切相关的金融学、会计学、管理学、法学等学科的基本知识，具有合理的知识结构；同时还必须掌握定性分析与定量分析相结合的科学研究方法与技能，具有较强的金融分析、策划能力和金融创新能力；需要时刻关注了解我国对外方针政策、金融理论前沿和国际金融市场发展动态；具有较强的计算机应用能力，以及获取信息和处理信息的能力；具有扎实的数学、计量经济学基础，掌握基本的数学建模技巧和进行金融市场实证研究的技能。因此，金融工程具有鲜明的定量化分析的特点。
1.2 市场需求
随着中国金融市场的发展，金融工程人才的需求从数量上、结构上都发生了巨大变化。金融业的全面开放将加快金融业的发展速度，从而必然需求更大数量的金融工程人才。①
随着我国金融业国际化和现代化的快速推进，国际上对金融工程人才的需求变化也将影响到国内，对金融工程人才的要求也越来越高。无论是对从业人员的知识、技能和素质方面的要求，还是熟练掌握并自如运用各种技术的能力方面的要求都会越来越高。从总体趋势看，今后对金融工程人才的需求主要集中在对高层次、国际化、复合型的金融工程人才上。
1.3 国内外培养模式
国外一些著名大学目前只设有金融工程相关的本科课程，而没有金融工程本科学位，国外独立的金融工程专业培养设立在硕士研究生阶段。美国高校在实施学位教育时，根据其自身的特点而将金融工程专业硕士学位教育项目开设在不同的院系，其课程设置具有不同的侧重点，培养的相关学位有三种：设在商学院的金融工程硕士，强调金融工程的应用性，注重学生金融工程方案的实施与管理能力的培养；设在工程学院的金融工程硕士，强调金融工程的工程化，注重学生的工程化方法的训练；设在数学学院的金融数学硕士，强调金融工程的数理分析基础。②
20世纪90年代中期，从国外引入金融工程后，国内金融工程的教学和科研迅速发展起来，金融工程在实践中的应用也越来越广泛，经济领域对金融工程人才的需求日益增长。为了适应形势发展的需要，我国的许多大学也开始了金融工程人才培养的探索。
目前，国内外的金融工程专业设置存在很大的区别。截止到2010年，我国共有36所高校开设了金融工程本科专业。其中，财经院校22所、综合性大学6所、理工院校8所。还有更多的高校设置了金融工程硕士和博士专业或者开设金融工程类课程。③
金融工程是具有鲜明实践特性的学科，为了更好地让学生掌握金融工程专业的基本理论和基本技能，必须完善和加强实验教学。因此，设有金融工程专业的院校中大多有自己专门的金融工程实验室，其中相当一批高校的金融管理与金融工程实验室在全国具有一定的影响力，对推进相关教学与科研都起到了重要的作用。④
2 金融工程实验课程设计
依据金融工程专业的学科特性， 从我国目前的实际需求来看，财经类大学培养的金融工程专业的本科生应是属于应用型金融技术人才，应具备全面扎实的经济金融理论基础，具有一定的数学、计量经济学基础，具有一定的计算机应用能力，以及获取信息和处理信息的能力，掌握基本的数学建模技巧和熟练进行金融市场实证研究的技能。⑤
目前我校在实验课程建设方面取得了初步的成果，已经拥有了金融工具模拟设计、证券市场行情分析、证券交易模拟、商业银行业务实训、网络银行实训等实验课程。金融工具模拟设计课程有助于学生深入理解金融工程的基本原理，运用已有产品进行创新设计；证券市场行情分析课程可以使学生运用证券投资分析的基本方法研判市场行情走势并掌握证券投资组合的数量分析方法；证券交易模拟、商业银行业务实训、网络银行实训等课程则可以锻炼学生在证券交易、投资管理、银行业务等金融市场实际业务中的操作能力。
然而，我校金融工程专业的实验课程体系在金融工程专业中涉及到的定量化模型的计算机数值计算还处于空白。为了培养学生熟练运用金融数理模型和信息技术的理论和方法解决金融市场中实际问题的能力，对于该实验课程的设计基本包含金融工程专业的全部数理模型，初步考虑包含如下五个模块：
模块一为股票市场投资分析，主要介绍基于股票市场数据的定量化分析，包括股票收益率的计算、股票波动性分析、Copula函数与相关性度量、股票价值评估与股票市场的有效性检验。模块二为投资组合理论与资本资产定价模型，主要介绍基于投资组合理论的定量化模型，包括投资组合分析、资本资产定价模型与 系数分析以及基于高频数据的 值的计算。模块三为固定收益证券分析与定价，主要对固定收益证券作定量化分析，包括固定收益证券基本概念、固定收益证券定价、敏感性分析与可转债分析。模块四为金融风险分析与度量，主要对金融市场中的信用风险与市场风险作定量化分析，包括VaR的计算、Z评分模型与KMV模型。模块五为金融衍生产品分析与定价，主要介绍衍生产品的定价模型及价格敏感性分析，包括远期与互换定价、B-S期权定价模型、期权定价的二叉树模型以及期权价格的敏感性指标。
以上模块中的每一部分内容从实验目的、实验理论、实验工具、实验过程与实验报告五个方面展开，分别介绍本章实验的目的、金融数理模型、软件的命令与函数、实验的具体内容以及实验报告所应包含的具体内容。
同时，在实验设计与教学手段上，拟设计多层次的教学体系，通过实践教学、案例教学、项目教学相结合的方案来提升教学效果。每一部分的基本的实验教学可以提高学生的动手能力，使学生将金融工程理论结合一定的信息技术方法，通过具体的数据、模型分析解决具体的实际问题。案例教学会使学生更加了解现实世界的复杂性，而项目教学则可以使学生真正参与到解决问题的过程中，系统地解决一个具体问题，这些体验都有利于提高知识的掌握程度，培养学生分析解决实际问题的能力。
3 结束语
金融工程学是融金融理论、工程化方法和信息技术于一体的交叉边缘性学科。金融工程人才不仅需要掌握经济金融的基本理论，还需要掌握现代数学知识，更重要的是能够熟练运用现代计算技术解决金融计算问题。因此，开展定量化模型在金融工程试验课程中的应用研究，开设金融工程实验课程，有利于完善我校的金融工程专业实验课程体系，实现金融工程专业的培养目标，培养适应市场需求的高层次、国际化、复合型的金融工程人才。
基金项目：本文是天津财经大学校级教改项目的中期研究成果
注释
① 徐慧贤，金桩.对金融工程学专业人才培养的探析[J].内蒙古师范大学学报，2009（22）.
② 文忠桥，李阳.金融工程专业的实验教学体系研究[J].中国证券期货，2010.1.
③ 李建英.地方财经院校金融工程实验室建设、管理与实践研究[J].中国证券期货，2011.12.
关键词：移动平均线 风险调整收益 量化投资模型
一、高风险资产的长期持有对投资者造成的损失
中国股市向来就是过山车式的走向，尤其是2008年的股市，从最高点6120点一路跌至1664点。同样，作为金融危机的发源地的美国，S&P 500 指数下跌了约37%。更为可怕的是，由于所有类别的资产都大幅度地下跌，不同资产的多样化配置本可以带来的正常利润现在却完全消失殆尽。比如说，摩根史坦利国际远东（MSCI EAFE）指数，高盛商品指数，美国房产投资指数（NAREIT）都有超过了36%的下跌。更为普遍的是，G7国家都经历了股票市场市值短时间蒸发了75%以上的痛苦，而这75%的下跌需要投资者在未来实现300%的正增长才能完全抵消。
从不同国家的经济历史来看，在经济萧条时期的资产都呈现了大幅度下降，这向我们表明了一个事实，长期持有某种特定风险的资产并不一定是个聪明的举动。当分析美国上述各种指数长期收益的时候，我们就会发现，绝大部分的资产收益虽然每段时期波动不同，但长期来看，都可以得到很好的长期收益率，而更为惊人的是，不同资产的长期收益率居然十分接近。当然，由于债券的低风险，其长期的收益要低于其他指数。但从风险的角度来看，当我们仔细分析这些指数的最大跌幅（表一）时，可以看到几乎每个指数在某年都会有超过40%的跌幅，同样，债券除外。
二、量化投资模型用于调整各资产的收益
如前文所述，本文将会通过移动平均时间模型这种非常简单的量化模型来测试其管理风险的能力。为了更好地测试此模型，笔者认为需要如下几个条件以确保此模型简单易行：1、纯粹的计算机制；2、对每个资产类别使用同样的参数和模型；3、价格为唯一的可变量；4、所有数据不包括分红，且每月更新一次。
移动平均线型的交易系统是最为简单和流行的趋势交易系统，最常用的参数是200天移动平均线。因此，笔者采用的计算规则如下：
1、购买原则：当月平均价大于10个月的SMA
2、卖出原则：当月平均价小于10个月的SMA
为了描述本量化时间模型的特点和逻辑，笔者采用了超过100年的各资产市场收益率来进行测试。通过表二看出，本量化时间模型不仅提高了复合收益率，还同时降低了风险。
可见，量化投资模型优化后达到了很好的收益数据。其中一个显著的特征是降低了风险。具体来看，我们使用“购买后长期持有法”和“量化时间交易模型”来进行对比，并对各资产进行均等份额配置。通过对上述指数同段时期的测算，可以发现量化时间交易模型能够在绝大多数时间区间里保证资产组合至少拥有60%以上的净值。而购买后长期持有配置常常会有约50%的资产跌幅。
三、结束语
一个非主观性的，量化交易模型将在降低风险的基础上对收益实现正影响。也就是说从理论上来看，除了通过多样化配置实现低风险收益，还可以尝试通过简单易操作的量化移动平均时间模型来提高风险调整后的收益。
参考文献：
[1]龚六堂：《动态经济学方法》，北大出版社，2002
关键词：VAR；方式；金融体系；风险管理；模型
VAR模型的产生和发展很大程度的转变了人们对于金融及其风险的认识和看法，并从中衍生出了不少的理念，较为明显的就是投资、经营、管理等。具体而言，这也是受到近年来金融全球化和一体化的影响，加上金融创新、现代金融理论及信息技术等变化的不断加深，这使得全球的金融市场都得到了极大的发展推力，金融市场变化和反应波动性也变得愈发频繁和激烈。从而使得无论是实体工商企业，还是金融机构都迎来了更加巨大的金融风险，同时也将遇见更多的发展契机。然而，金融风险所具备的一定客观性使得其无法被消除，同时是所有企业都必须面临和处理的一个问题，因此，这便使得人们逐步加深对金融风险管理的重视程度。从实际的发展状况来看，在波动日益频繁和广泛的金融大环境下，金融风险管理也作为一个企业实现长远发展的重要基础之一。这也使得越来越多的国际性金融机构对风险管理投入了更多的关注和研究，其中比较著名的有JP Morgan、Bankers Trust、Chemical Bank、Chase Manhattan等。同时，为了保障风险得到控制，防止引发全球性的危机，部分金融监管当局也在不断强化对市场风险的监督和管理，1986年在巴塞尔所订立的补充协议便是其中之一，不仅要求银行对市场风险进行控制，并要求其通过数值来进行具体的反映，这也使得VaR（Value at Risk）方法应运而生。
一、VAR模型和金融风险管理的概述
VAR模型，又被叫做风险价值，是国外学者在不断的理论研究和实践之后所总结出了的一种风险量化理论技术。具体而言，就是通过对一段时间内、既定条件下的金融工具市场价格的损失程度进行计算和量化的方法。
其实风险管理方法总得来说较多，然而VAR方法确实其中最为引人瞩目的一种。因为VAR拥有相对较强的量化能力，同时结果又相对清晰，具有良好的可比性。例如：VAR可以通过计算来使得银行的全部资产组合风险被良好成一个具体的数值，并以货币为计量的单位来表示，这也被叫做潜在亏损。VAR模型通常是一种通过概率来对投资组合的价值损失预期（阶段性的）进行良好。
总得来说VAR的特点主要表现在：明确性、量化以及复合计算功能三个方面。这相对于传统风险管理有了很大改进。
二、VAR方式在风险管理中的具体应用
1.VAR值可用于业绩评价指标
金融机构资本主要是有风险资本和投资资本两个部分组成，并在具体的工作实施中，通过科学合理的方式分配到各个层次的业务和职能部门之中，并通过具体的绩效评估体系来确定这各分配的原则和数据。而绩效评估是为了通过资本的高效配置来提升增值预期，进而增加股东的价值。而在考虑收益时，就必须对风险进行思考，这两者具有必然的相关性。不但要保障收益，但又不能过于重视风险，导致投资太过于保守，错过投资机会。因此合理的业绩评估指标就应该对综合考虑风险和收益，采用风险调整的绩效评估，即RAPOC方法（RAPOC=收益/VAR值）。
2.VAR值可用于提高企业经济效益
VAR模型同样也可以作为企业运营和投资的重要依据，因为企业在运用的过程中也需要面对较多的风险，而这一作用在证券行业之中表现得尤为明显。证券公司可利用VAR的模式来对自有资金进行良好的管理，确定符合当前企业状况的投资策略，并对当下所持有资产风险值的评估和计量，在结合未来宏观政策的变化之后对风险进行规避和分散，积极调整自身的投资组合提高资产营运质量和运作效率。而这其中比较具有代表性的企业便是摩根斯坦利公司的管理。
三、结束语
为了维护全球性金融市场的稳定性，保障社会和谐发展和稳步提升，就必须对金融风险进行管理，促使全球各金融机构利用自身在风险控制中的先进技术来对未来进行把握。这样一来，金融家们就可以在一定程度上对各种金融风险进行管理，并对部分风险进行规避，减少损失发生的可能。而这种对各种复杂的风险进行精确的计算和配置，并进行数值化的技术将会对我国的金融监管水平带来巨大的提升。因此，我国的金融机构和金融监管部门需要强化对VAR模型等风险管理技术的应用，强化风险控制能力，改善国家的金融环境，为国家经济和金融的发展提供坚实的基础。
参考文献：
[1]刘红卫，孙文涛.金融风险管理中的VaR模型及其应用[J].兰州文理学院学报（自然科学版），2014，02：16-19.
[2]郭俊卿.VAR模型在金融风险管理中的应用[J].时代金融，2013，21：101.
非传统货币政策最早由日本央行在20世纪90年代提出。20世纪90年代初日本经济泡沫破灭使其陷入长期衰退中，日本央行为刺激经济恢复、提高通胀水平，多次下调政策利率直至“零利率下限”。一般传统经济学都支持存在“零利率下限”约束，否则人们会选择持有现金资产，陷入“流动性陷阱”，不能有效刺激投资和消费，显然这一观点得到了日本央行的认同。在政策利率触碰“零利率下限”后，日本货币当局开始转向寻求其他货币政策手段，以量化宽松为主的非传统货币政策就在这一背景下出现了。
2008年次贷危机后，发达经济体政策利率达到“零利率下限”约束后，借鉴日本经验，纷纷开始求助于非传统货币政策。美国为例，美联储货币政策操作以量化宽松货币政策为主，同时辅助前瞻性指引，维持金融稳定、提供充足流动性和降低长期利率。欧洲央行在长期低利率环境下实施量化宽松仍不能提振经济，转向求助于负利率政策。日本央行近年来实施的“负利率”政策搭配量化宽松政策，前者重在降低短期利率，后者主要调整长期利率，从而有目的地塑造利率期限结构。
然而，在长期的低利率和量化宽松为主的非传统货币政策下，发达经济体的经济依旧不容乐观，通胀水平也未达到预定目标。此外，非传统货币政策也显现出弊端，一方面以银行为主的金融机构将过剩流动性存入中央银行，另一方面长期利率处于低位及短期利率传导到长期利率效率降低。2012年以来日本、欧元区等国家陆续针对超额准备金实施“负利率”政策。“负利率”这一非传统货币政策的提出，引起了理论界和实务界的热议，同时也引发了经济学家对非传统货币政策的再次思考。
二、 量化宽松政策
伴随着经济衰退与零利率下限的到来，货币政策利率渠道已无法有效刺激经济，以量化宽松为代表的数量型货币政策逐渐受到各国的青睐。量化宽松政策通过改变央行资产负债表的规模与结构，改变了未来短期利率路径与通胀预期，降低长期实际利率，改善结构性需求，阻遏经济衰退。这一政策总体来说维持了经济与金融稳定，但不同国家的实施过程与效果也各有差异。
美联储的量化宽松政策主要分为三个阶段。是一个政策目标、操作工具逐渐明晰的过程。在第一轮量化宽松（QE1）中，资产购买的范围不断扩大，由国债到金融机构债，购买的数量也不断增加，旨在为市场投入充足的流动性，缓解燃眉之需；而第二轮量化宽松（QE2）购买的资产则固定为长期国债，在保持流动性充足的情况下，降低市场长期利率；到了第三轮量化宽松（QE3）政策目标则更为明晰，扭转操作与资产购买都是为了进一步降低长期市场利率，并且规模也进一步缩小。最终于2014年10月29日，美联储正式宣布退出量化宽松。
而英国央行的量化宽松计划可以分为两个阶段。第一阶段由2008年9月到2010年2月，这一阶段也是购买标的与规模缓慢扩大的过程。由短期债券到3年～5年期债券，由百亿级体量到千亿级体量，政策力度不断加大；而第二阶段从2011年6月开始，进一步扩大了购买范围，以及持续提高的购买规模，操作对象加入了商业票据、公司债等私人部门资产，对市场冲击巨大。
日本的量化宽松施行最早可追溯到2001年，受到美国互联网泡沫的破灭的影响，自零利率政策施行以来略有起色的日本经济再遭重创，日本当局不得不将目光转向了量化宽松政策，通过购买长期国债，为市场注入流动性，这一政策很好地改善了日本经济低迷的境况，于2006年，第一轮量化宽松也正式宣告结束。而不幸的是，2008年金融危机对全球金融市场带来了毁灭性的打击，日本也深受其害，进而开始了第二期的量化宽松与进一步的质化宽松，通过不断扩大资产购买的数量与范围以及期限，试图降低长期利率，缓解通缩，然而目前的结果并不理想，经济并未得到大幅改善。
欧元区的量化宽松政策一开始则比较平缓，欧洲中央银行在2009年仅仅购买了600亿的资产担保债券，但是随着欧洲主权债务危机的爆发，为了稳定经济，资产购买规模逐渐增大，长期再融资机制持续施行，但成效不佳，直到2017年1月份，债务/GDP同比只下降1.1%，债务危机依旧严峻。因此，欧洲中央银行决定将量化宽松政策延续到2017年12月，以促进经济进一步回暖（ECB，2017）。
从美、英、日、欧元区等国的量化宽松政策施行经验中，我们可以发现一些共通点：第一，在政策的施行时间上，各国央行具有一定的同步性（戴金平，2010）。2008年9月，美、英、日、欧元区相继使用了量化宽松政策为市场注入了大量流动性；第二，各国的资产负债表都有量上的显著提升与结构上的重大调整。美、英、日、欧元区等发达国家总资产规模在施行量化宽松后均提升了1.5倍以上；第三，创设了各种不同的新型流动性工具。如美联储引入了短期拍?u工具（TAF）、英国的流动性提供特别计划（SLS）、日本的综合货币宽松政策（CME）与欧元区的资产支持证券购买计划（ABSPP）等等均是危机后各国设立的新型货币政策工具。
三、 前瞻性指引
前瞻性指引最早由Eggertson和Woodford于2003年提出，是指中央银行通过经济指标与利率等前瞻性信息，来引导公众对于未来政策立场的预期。具体的可将其划分为“预测性”与“承诺性”前瞻性指引。其中“承诺性”前瞻性指引是指货币当局对未来政策立场有明确的或隐含的承诺，是各国金融危机后普遍采用的货币政策之一。
关于“承诺性”前瞻性指引，学界一般将其分为三代：第一代定性指引、第二代日期指引、第三代经济状况指引。第一代定性指引是指定性的对未来可能的货币政策路径进行描述，该前瞻性指引方式不确定性较高，为政策施行留下了一定的回旋余地，极大的降低了信誉损失成本，但与此同时，不能明确的塑造公众预期，无法体现货币当局的信息优势。具体代表国家为日本央行、美联储、欧洲中央银行。第二代日期指引是指对未来的政策时间进行明确规定，这种指引方式对央行沟通信息加入了时间约束，形成了较为清晰的公众预期，但也会造成动态不一致问题，造成一定信誉损失，主要代表国家为美联储。第三代经济状况指引则是央行约定在未来某一时间施行某一政策的一种央行沟通方式，这一指引方式很好地解决了动态不一致问题，十分清晰的塑造了公众预期，但复杂的市场环境与信息冲击很容易导致预期偏差，主要代表国家是英格兰央行，日本央行与美联储。
从时间上来看，日本是较早使用前瞻性指引的国家，从1999年施行零利率政策以来，政府一直定期公布核心CPI等数据，并承诺维持宽松货币政策直到通缩消失，物价稳定。引导长期利率持续降低。而美国在最近十几年也频繁使用了前瞻性指引政策，自2003年联邦公开市场委员会在政策声明中指出“将会维持一段时间的宽松货币政策”即拉开了美国前瞻性指引政策的序幕，金融危机爆发了后，美联储陆续发声，对货币政策施行的时间、效果，长期利率走势做了详尽的阐述，引导公众预期。英格兰银行则是在2013年8月正式提出了多重经济指标的前瞻性指引，通货膨胀率接近2%，失业率低于7%，并且保持0.5%的基准利率水平与宽松货币政策，通过一系列的经济指标来表明货币政策立场与未来预期。而欧洲央行则更多的施行定性指引与经济状况指引，如2013年7月，ECB提出“预计基准利率将长期低于当前水平”；2015年推出一万亿资产购买计划，直到通胀接近2%。这些都是定性或经济状况指引的典型代表。
从各国的实践经验来看，各国的前瞻性指引有以下共同点：第一，定期公布与货币政策立场、未来利率走势相关的宏观经济指标，尤其是通货膨胀、失业率等指标；第二，注重对未来利率路径与长期利率预期的塑造，强调长期利率在货币政策传导与实施中的重要性；第三，对各种“承诺”施加限制，或是时间上的，或是条件上的，旨在正确、有效的引导公众预期。
四、 负利率政策
2008年金融危机后，发达国家的货币政策不得不解决需求疲软和低于通胀目标这两个问题，在“零利率下限”配合其他货币政策工具效果不佳甚至背离初衷时，各国央行纷纷推出“负利率”政策。2012年以来，丹麦、日本、欧元区等九个国家为提高通胀水平，防止资本流入，先后实施“负利率政策”。“负利率”政策的提出，引起了全球的热议。2012年7月，丹麦央行为维持汇率稳定，控制避险资金流入，首次实施负利率，将金融机构央行定期存款利率下调至-0.2%。2014年6月欧洲央行为防止虚弱的经济增长和低通胀，将隔夜存款工具利率下调至-0.1%。2016年2月，日本央行为价格稳定、提高通货膨胀预期，将存在存款利率下调至-0.1%。
一般传统的经济学基础理论都认为，一旦现金货币比其他资产的收益率更好，那么人们将选择持有。正如凯恩斯指出的：如果资金持有成本可以忽略，利率不大于零时，持有现金永远是有利可图的。因此，利率必须是正的。在这种传统基本理论的逻辑下，以及Keynes提到的“流动性陷阱”存在，所以经济学界一般都认为负利率是不可行。货币政策降低利率真正有效能刺激需求和提振经济，实施负利率的一个必要前提条件就是要能抑制人们囤积现金的行为。格赛尔是被广泛认为第一个提出实施负利率可行的人，他的办法是对货币征收“携带税”，这样人们持有现金货币时就存在成本，就不会囤积货币，提升货币的流动速度和有效需求。他对当前发生的经济危机进行了解释，在没有通货紧缩和通缩预期时，货币供给才会影响总需求。在经济危机时，资本存量上涨，价格开始下跌，资本的边际生产率降低，这时会发生通货紧缩。因为通货紧缩提高了货币的实际利率，降低了实际资本收益，投资会减少，从而降低了总产出。在这种情况下，人们将发现越来越难偿还债务，这时会发生费雪所说的通货紧缩螺旋效应：一旦通缩发生，有效需求将减少，将进一步降低价格。如果货币当局为了刺激需求和低通货紧缩，增加货币供应，这时额外的货币将会被囤积，不能真正刺激?需求。通过税收的方式恢复货币供给的有效性，货币不会再被囤积，提升流通速度，刺激需求。独立的货币政策这将使得货币当局通过指导货币总量确保价格稳定。此外，当资本存量扩张到边际效率为零时，利息和食利者将消失，提高产出和就业。
在经济衰退期，负利率的使用也是有条件的：一是只有当经济很弱，而且中央银行的利率已经达到零利率下限并且对货币政策制约时才有用。不然负利率可以理解为对银行征税，而在量化宽松时期征税可能是不合适的。二是一系列其他政策受到限制并且实施效果逐渐减弱时，货币政策才应该更加的积极。短期来看，负利率有助于刺激经济，而长期来说，存在潜在的不利因素。负利率主要通过利率渠道和信贷渠道对经济产生积极的影响。利率渠道的观点认为货币政策的利率降低能减少融资的成本和储蓄的利息，这样投资将会增加。信贷渠道包括资产负债表渠道和银行贷款渠道。资产负债表渠道的观点是利率的降低，一方面企业和居民支付的利息就会减少，另一方面他们资产的价值也会升值，从而增加了企业和居民的资产负债能力。不利因素主要包括：第一，扭曲资产价格。负利率的实施一方面使得金融资产的定价比较困难，另一方面也会使投资者追求高风险、高收益资产，推高资产价格，为系统性风险的产生创造了条件。第二，流动性陷阱的出现。如果人们预期负利率会维持很长一段时间，那么负利率可能传导到银行存款利率，这样人们可能会选择持有更多的现金，从而任何宽松的货币政策都不会刺激需求。第三，削弱了金融机构的盈利能力和资产负债结构的稳健性。长期的负利率通过净息差的缩小减少商业银行的净利润，同时保险公司和养老基金资产收益的下降，将严重挑战他们的商业模式。
五、 对我国的启示
当前我国已经完成了利率市场化，货币政策操作正处于数量型向价格型货币政策的转型当中。国外非传统的不断实施、创新和突破，给我们一个重要的启示是低利率下货币政策操作的问题。零利率下限的存在使得金融危机后众多发达国家惊慌失措，在传统货币穷途末路时，开始求助于非传统货币政策。前瞻性指引、量化宽松和负利率这三个典型非传统货币政策推出后，理论界和实务界存在较大争议。金融危机后，全球经济增长乏力，不可能仅仅依靠货币政策就能解决问题，不能将经济无好转的迹象归因于非传统货币政策的无效。但同时，在经济不景气、全球缺乏优质投资资产时，宽松货币政策注入的流动性，可能会“脱实向虚”，从而推高资产泡沫，带来金融的不稳定性。因此，在利率接近“零利率下限”时，货币政策的操作应该要相当的谨慎。“零利率下限”时，我们可以通过以下几种方法降低长期利率、提高短期实际利率或突破零下限，最终摆脱零利率下限的约束。
第一，提高通胀目标。提出通胀目标使得人们预期未来通胀水平较高，降低未来可预期的实际利率，增加投资，以此提高长期经济增长目标。这一方法受到了许多经济学家的认同，包括IMF首席经济学家布兰查德、前美联储主席伯南克和现任副主席。布兰查德（2010）建议主要经济体应该把通货膨胀目标从原来的2%提高到4%。但这一方法的缺点是可以会来带来通货膨胀率的更大波动，负面影响较大（Fisher，2016）。比如变动的通胀水平下，家庭和企业将更难做长期决策。
第二，提高供求平衡的实际利率。一个根本解决“零利率下限”约束的措施，就是恢复经济增长的动力，从而提高供求平衡的实际利率。扩张性的财政政策有助于提高均衡的实际利率，包括基础设施投资、减税，以及增加对人力资本、教育的投入。此外，许多研究表明美联储的资产购买计划能减少期限溢价这一决定长期利率的重要影响因素。通过降低期限溢价，同时采用补偿性措施提高短期利率，就能达到保持充分就业和价格稳定一致的长期利率。比如财政部缩短美国国债的平均期限，同时美联储继续持有大量长期资产。
关键词 ：互联网；金融审计；挑战；突破
2013 年，在中国金融大变革的背景下，互联网金融已经成为全民热点话题，余额宝、团购理财、P2P 等互联网金融快速崛起。传统的金融机构也开始逐步重视互联网金融部门的设立。但是2013 年后半年也有不少风头强劲的 P2P 行业也出现了不少“昙花一现”的公司———倒闭或者跑路，反映出互联网金融先天的缺陷。对于投资者，由于互联网处于虚拟状态，可能将原本极小的风险予以放大，客户信息、资金等的安全性难以保障；对于互联网金融经营者，由于入门门槛低，加之发展迅速监管制度相对缺失，出现超范围经营、踩监管红线，造成经营风险加大。互联网虽然提供大量数据供金融机构做审计决策以及风险管理决策等，但是其本身并不具有提供防范风险管理的功能。为了保障金融市场的稳定发展以及客户资金的安全，针对互联网金融的出现，金融审计业务也面临着巨大的挑战。
一、互联网金融审计面临的挑战
（一）风险审计方法有待运用
金融风险和互联网行业本身都是高风险的行业，互联网金融作为两者相融合的产物，其高风险性不言而喻。目前，我国金融审计重点在于审查各项操作业务流程是否设置了完善的内部控制体系、金融机构财务状况以及经营成果是否能够得到真实的反映等内容，主要是采用制度基础审计的方式监控金融机构经营的各个方面。但是，正如前文所述，面对互联网金融业务过程中潜在的巨大风险，金融审计应当侧重于风险审计方法的运用。通过风险审计方式，降低互联网金融所存在的风险，维护客户资金安全以及经营稳定。
（二）金融审计范围有待拓宽
互联网金融背景下，金融市场结构日益复杂化。我国互联网金融吸收资金所占比例越来越高，2013 年达到金融市场的13%，对传统金融机构有着一定的冲击作用。目前，金融审计的范围主要是针对证券业务、保险业务以及中间业务等进行审计。但是，互联网金融借助网络平台使得信息不对称的程度极低，让券商、交易所等信息中介失去了存在的意义，反而增加了对于金融机构网络信息平台的需求以及监管控制的需求。互联网金融背景下的金融审计就要调整审计对象，将网络平台的审计纳入审计范围，以满足对互联网金融业务规制的需求。
（三）金融审计技术有待提高
目前，投资者在投资互联网金融机构的金融产品时，无论是开户还是办理各种金融产品业务均是通过互联网进行的。因此，互联网金融审计不仅面临着传统金融审计如何利用计算机进行有效的辅助审计，还面临着如何对互联网下的金融交易通过计算机程序进行审核和管理的挑战。
（四）金融审计法规有待完善
互联网金融的迅速崛起给金融市场带来了一定的活力，但同时由于其发展过于迅猛而使得金融审计产生了一片空白。传统的金融审计的相关法律法规已经不能满足互联网金融审计的需求，需要相关部门进一步完善相关金融审计的法律法规，对互联网金融审计的工作做出明确的规范指引。
二、互联网金融审计面临挑战之突破
（一）完善风险审计方式的运用
金融审计机构应当量化互联网金融的相关风险。审计机构可以运用定量风险分析、趋势分析以及比率分析的方法，结合互联网金融内部控制的结构、目标、控制体系等指标，抓住互联网金融交易过程中的重大以及可疑业务，对相关风险予以量化。然后，根据量化的金融风险标准设置互联网金融风险阀值。主要针对互联网金融的财务风险、客户资金运作风险进行阀值设置。通过这样一个标准划分，金融审计机构在对互联网金融活动进行审计时能够得到一个量化的标准。一旦超过该标准，审计机构能够迅速发现互联网金融风险问题所在，避免不必要的损失发生。
（二）调整金融审计范围
互联网金融中，证券公司、协会等信息中介机构的作用被弱化，互联网金融网络平台在沟通客户与金融机构之间以及金融机构与协会之间起到了重要的作用。金融机构应当调整金融审计范围，将对金融网络平台纳入审计范围内。一要增加行为审计。包括网络发帖审计、收发邮件审计、网络聊天审计、文件传输审计以及页面信息传递审计等内容。二要增加流量审计。审计机构要对金融机构开展互联网金融所使用的流量进行监控，通过监控金融机构使用流量的异常与否，发现可疑交易或者监控重大交易。三要增加权限管理审计。审计机构要对金融网络系统的系统权限、外发数据系统权限以及普通用户权限进行审计。
（三）提高金融审计技术
互联网金融均通过电子计算机开展金融业务，因此对于金融审计技术要求较高。一方面，要加强审计人员关于互联网金融审计有关的计算机知识。金融审计人员应当在加强自身审计业务能力的同时，也要加强运用计算机进行审计的知识。此外，审计人员还应当对互联网下金融业务的操作模式进行相关了解，作为金融审计工作的辅知识。另一方面，要完善互联网金融审计计算机系统。审计机构应当根据互联网金融审计自身的特点进行计算机审计系统的开发，尤其是对互联网金融风险控制审计系统方面的开发。
（四）完善互联网金融审计法规规制
对于互联网金融审计的规制主要依靠政府以及行业自律两个方面。对于政府而言，应当建立金融监管部门与互联网监管部门跨部门的审计监管制度，尽快建立相关存款保险制度，探索出能够保护投资者利益的审计法规体系。此外，要制定相应的审计法规规范互联网金融利率以及民间资本进入金融业的过程，并且加强客户个人信息的保护。对行业而言，应当加强互联网金融行业自律。对于损害投资者利益以及导致行业恶性竞争的市场主体形成行业惩罚机制，充分发挥金融行业协会、互联网行业协会的作用，自觉规范审计风险、接受社会监督。
三、结论
互联网金融行业的崛起对于社会各个行业的发展都有着很大的影响，一方面促进了金融市场的活跃发展，另一方面也对传统的金融机构以及非金融机构产生了一定的冲击。只有通过不断完善互联网金融审计的各个方面，规制互联网金融的发展，才能维护投资者的利益以及金融市场的稳定发展。
参考文献：
[1]李博,董亮.互联网金融的模式与发展[J].中国金融,2013(10).
[2]赵圣伟,赵文发.深化金融审计研讨会综述[J].审计研究,2013(01).
本文较系统地介绍了统计学在证券期货市场中的应用，其中包括作者的一些最新研究成果，如：证券期货市场指标体系的研究；新华财经指数的编制；证券投资组合的研究与应用等。
关键词：统计学证券市场期货市场
分类号：O212C8F832.5文献标识码：A
文章编号：1002-1566(2000)01-0054-04
TheApplicationofStatisticsonSecuritiesandFuturesMarkets
LICong-zhu,DINGShao-fang,WANGLing-hua,SUNDa-ning
(NorthChinaUniversityofTechnology,100041)
Abstract：Inthispaper,theApplicationofStatisticsonSecuritiesandFuturesMarketsisintroduced,author''''smanynewachievementsareincludedinit,suchasstudyofindexsystemonSecuritiesandfuturemarkets;studyofXinHuaindexnumberofsecurities;studyandapplicationofinvestmentinbondandsoon.
KeyWords：statisticssecuritiesmarketsfuturesmarkets
一、序言
我国自九十年代初建立证券期货市场以来，短短几年，得到了迅猛发展，方兴未艾。仅拿股市来看(截至1999年07月13日)，在沪深两市上市的境内公司已达900家，沪深市场的A，B股股数是981只，上市公司900家，其中沪市501只(461家)，深市480只(439家)，沪深A股股数874只，B股股数107只。这与1991年沪市8家深市6家上市公司相比，可见发展速度之快。市价总值21083亿元人民币，占国内生产总值的比重超过25%；开办证券90家，兼营证券业务的信托投资公司237家，下属证券营业部2400多家；现有43家境内企业海外上市，累计筹集资金100多亿美元；已有107家公司成功发行了B股，筹集资金近50亿美元；股民已达4000多万。自1999年五月十九日井喷式行情以来，沪深两市的日成交量猛增，至六月二十五日高达800多亿(1998年8月18日香港股市一天的成交量为790亿港元)，创下空前的天量。证券市场的作用愈来愈大，并逐渐成为国民经济的晴雨表。
统计学及其相关学科在证券期货交易中有什么作用呢?我们先从世界范围谈起。
据有关报道，当今华尔街最抢手的不再是传统的MBA，而是有统计背景、数理能力强的人才。一些在美国获得统计或数学博士学位的中国留学生被华尔街录用，转眼间便当上了年薪百万美元的“白领”贵族。如，1984年入中国科学技术大学少年班的黄沁于1988年提前毕业，赴美国麻省理工学院就读研究生，毕业后受聘到华尔街某大型证券公司工作。在这个世界上金融证券业最发达的地方，他以统计和数学为基础，建立了自己的投资理论，现已升任该公司副总裁，主管对外投资工作。年仅27岁的黄沁是进入华尔街金融界高层领导的少数华人之一。
华尔街取才原则的转向，从一个侧面反映出证券期货等金融业目前发展面临的挑战和未来的潮流。证券金融交易是信息量最大，信息敏感度最强、信息变化频度最高的领域。随着市场日趋复杂，数字已成为传递信息最直接的裁体，加上未来的经济是被网络覆盖与笼罩的数字化经济，大量的数学与统计工具将在分析研究中发挥不可或缺的重要影响。能否把握那看似枯燥无味的数字所隐含的精微变化，成为决定未来竞争成败的关键因素之一。
前年诺贝尔经济学奖授予在期权定价方面做出开拓性贡献的经济学家和统计学家。他们在二十多年前就探索出具有划时代意义的定价模型——布莱克.斯科尔期定价公式。本世纪20年代开设了股票期权品种，由于采用柜台交易方式和缺乏标准化的设计合约，很难转让对冲，交易量不足称道。1973年美国经济学家布莱克和斯科尔斯，引进概率统计上随机变量函数的一些定理和积分求值，推导出不支付红利的股票期权定价公式，从此期权有了明确科学的价格定位依据，很快形成一个完整的市场，并迅速推广到全世界，直至现在，期权占据着金融王国的重要位置。定价公式成为整个市场运转的基础。这个期权公式的定价思想所引发的金融革命表现在，预测远期价格成为可能，不仅使期权为指数、货币、利率、期货交易提供了全新的保值，投资手段，极大地丰富了金融市场，而且进一步推动了对各种金融产品的价值研究，提高了操作的理论水平。由此可以推断，没有布莱克.斯科尔斯定价模型，期权就不可能发展这么快，全球金融衍生品市场也就不可能有今天的高度发达，如今国外大型金融机构在总结金融交易失利原因时，总是首先追究最初的定价是否存在漏洞和错误
建立一个模型就摘取经济领域的桂冠这一事实，体现了经济与统计数学密不可分的关系。据不完全统计，自1969年设立诺贝尔经济学奖以来的40多位获奖者中，著名的计量经济学家有23位，10位担任过世界计量经济学会会长，有六位直接靠计量经济的研究和应用成果获奖。借用统计数学，将经济理论数学公式化，将经济行为定量化，已成为当今世界经济的热门课题。
有关专家指出，统计学，经济理论和数学这三者对于真正了解现代经济生活中的数量关系来说，都是必要的，但本身并非充分条件。三者结合起来，就是力量。数学给经济界带来新的视角，新的观念。抽象的数学工具一旦准确地切入金融市场，就显得非常实用和有价值。二十多年来，指导期权交易的理论—定价模型得到广大投资者的一贯遵循。没有统计基础、不懂定价公式含义的人要想在市场有出色表现将是十分困难的。
证券金融市场的风险管理是个永恒的话题，投资者都想寻求收益回报，但又必须面对各种各样的损失可能。市场到底存在哪些风险，如何确定风险的大小，如何才能实现收益最大化和风险最小化，历来都是受人关注的焦点和难点。自从1952年美国学者马柯威茨运用数量方法创立证券组合理论以来，市场风险的神秘色彩逐渐淡化，不再变得那么可怕和不可驾驭。
马柯威茨组合理论的立足点是全面考虑“期望收益最大”和“不确定性(即风险)最小”。它通过总结投资损失的概率分布和可能收益与预期收益的偏离程度(即我们统计学上的方差)，发现投资者应该同时按适当比例购买各种证券而不是一种证券，进行分散化投资，其收益才尽可能是确定的。通过数量分析得出的这种结论，迎合了投资者避风险的需要。风险管理能力的提高促进了基金的蓬勃发展。在短短的几十年间，随着量化研究的不断深入，组合理论及其实际运用方法越来越完善，成为现资学中的主流工具。由于马哥威茨证券组合选择理论给金融投资和管理思想带来革新，1990年他获得了诺贝尔经济学奖。
众所周知，量变引起质变。数量关系的背后，牵扯着市场的稳定与发展。金融业的现代化推动了统计与数理方法的应用研究，反过来，当今世界的金融管理特别是防范金融风险，也越来越要量化研究。早在1995年9月，美国斯但福大学经济学教授刘遵义就通过实证比较，数量分析和模糊评价等方兴，预测出菲律宾、韩国、泰国、印尼和马来西亚有可能发生金融危机。后来的事实果然如此。这从一个侧面提醒我们，没有完整、科学的分析预测工具，就可能在国际金融竞争中蒙受重大损失。只有加强对作为金融信息的各种变量的研究，才能提高对金融运行规律的认识，才能把握市场的发展动向。
经济理论的数学化和统计分析，使各种经济行为也越来越数量化。在金融领域也不例外。定价公式和组合理论地位的确立，就证明数量工具已发挥了不可磨灭的作用。有统计显示，在西方金融市场，三分之一的人运用组合理论来投资，三分之一的人靠技术分析管理头寸，另外三分之一的人仍在坚守基础分析。虽然运用何种手段来指导决策是投资者个人偏好、观念的问题，但组合理论和技术分析所运用的统计工具逐渐被认同，说明理性投资将成为市场的宠儿。由此我们不难理解华尔街选才的动机。
主观意见和直觉判断有很大的随意性，显然与现资决策的要求相去甚远。对市场和价格进行定量研究，从而揭示客观存在的数量依存关系，成为投资和管理决策的一项基础工作。用统计工具处理各种证券金融数据，可以比较全面地分析各种因素的影响力度。其主要表现在：
1结构分析：证券市场与汇率、利率变动和国民经济发展有多大的关联度；单一证券与整个市场之间如何相互影响，市场指数设计是否合理；证券与期货价格走势是否相互制约；同一类证券有没有一定的连动关系。
2价值预测：分析未来证券发行和上市价格的理论定位，确定金融衍生证券的价格，分析预测证券期货的价格走势，进行投资决策等。
3政策评价：研究市场系统风险的预警及控制，探讨不同的组合投资效果。
4理论检验：证券价格能否反映所有的信息，市场的有效性实证检验；各种技术指标的适用性和优化处理，周期效应的对比分析。
从以上可看出，量化研究有助于搞好风验管理，设计投资组合，选择交易时机，评估市场特性。统计工具在证券金融市场的大量应用，对交易技术的升级换代，管理水平的提高做出了特殊贡献。现在，电脑交易系统在国外大行其道，依据不同要求设计的模型软件层出不穷，只要把数据输入电脑中，投资者根据分析结果随时制订和调整投资计划。
投资者竞争的优势不再停留在信息的收集上，而是综合处理信息的能力。谁的模型从总量上与趋势上能更合理、科学地分析市场，谁就能掌握主动。
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。追求显着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。
国内首家创新型综合财富管理集团的诞生
2009年，作为国内首家创新型综合财富管理机构——首善财富管理集团成立，至今不过4年的时间，而它的发展速度不可小觑。它的前身是两个机构的整合：北京市首善律师事务所和北京首善投资管理有限公司。“本来首善律师事务所是为我们投资管理公司提供金融法律服务的，将律师事务所与投资管理公司进行整合，来做财富管理，当时确实是一个大胆的创新和尝试。”吴正新说。
从最初只是做业余投资，到后来辞职下海创办投资管理公司，吴正新在金融领域已经摸爬滚打了20多年时间。正因为如此，他对金融投资有着自己独到的见解。早在2005年，吴正新就认定法人股投资是个巨大的金矿，他以100多万元的资金去买法人股，并且不断通过杠杆放大，到2007年，市值已高达数亿元，这也是吴正新通过法人股投资赚到的第一桶金。在法人股流通以后，他又开始做PE投资和融资服务。
首善财富成立之初，主要有两项服务：一是为资金的需求者提供融资服务；二是为自有资金和客户资金提供投资管理服务。吴正新表示：“随着业务的发展，我们发现财富管理的价值链很长，就在投融资业务的基础上，开发了很多增值服务，包括为上市公司股东提供大宗交易、税务筹划、市值管理服务，再就是后续的私人信托、投资移民、高端健康管理服务等，这都是我们开发出来的综合化业务。”
打造投资银行、对冲基金、财富管理三大平台
现在，首善财富管理集团主要有以下三大板块业务：一是投资银行业务，为各类企业提供资本市场方面的服务，主要以私募融资业务为主；二是以对冲基金和期货CTA为主的资产管理服务。现在首善资产管理已经发展成为一个采用MOM（Manager of Managers）模式，涵盖股票、债券、期货CTA、对冲基金等各门类资产为一体的综合性资产管理平台。首善资产不仅有自己的技术团队，还整合了包括美国、韩国和中国台湾、香港等国内外顶尖团队，近几年来为客户创造了骄人的业绩。吴正新认为，作为高端的财富管理平台，要能够满足客户多样化的需求，就必须有一个综合的专业资产管理机构；三是围绕投融资业务衍生出来的增值服务，吴正新把它归结为综合财富管理业务，包括上市公司市值管理、股票大宗交易、税收筹划等等。吴正新说：“我们的客户主要定位在上市公司的大小非股东，我们可以为这些客户提供从融资到市值管理、大宗交易、税收筹划以及后续资产管理等一条龙的服务。”
致力于全领域、全方位、全过程的“三全”财富管理
“我们的财富管理概括为三全财富管理，即全领域的、全方位的、全过程的财富管理。所谓‘全领域’就是我们的财富管理领域覆盖了银行、证券、期货、保险、基金、信托等全部金融领域；所谓‘全方位’就是我们的服务范围涵盖投资服务、融资服务、增值服务等各个方位；所谓‘全过程’就是我们的财富管理包括财富创造、财富积累、财富传承等全部过程。”吴正新说。和市场上存在的其他一些只做第三方理财的财富管理公司不同，吴正新认为“首善财富管理致力于打造真正意义上的具有自主管理能力的顶尖的综合化财富管理公司。只有综合化的财富管理公司，才可能在未来的财富管理市场有着竞争优势。”
坚持专业化、数量化、程序化、多元化、国际化的“五化”方向
以前，我国财富管理领域的落后是由多方面原因造成的。随着经济的发展，人们的富裕程度扩大了，财富管理的市场也越来越大。在中国人的传统思想中，亲力亲为的观念可能并不适用于财富管理，一定要靠专业的、规模化的管理才可以完成。
2010年，吴正新来到上海，发现作为全球金融中心之一的上海其整体金融环境较为优越，资金集中、人才集中、信息集中，适合做财富管理与对冲基金。有了这样的外部环境，首善财富就有了它的双总部架构：上海是资产管理总部，北京是投行总部。
对于首善财富未来的发展方向，吴正新提出“五化”的发展战略，即要朝着专业化、数量化、程序化、多元化、国际化发展，这也是财富管理未来的发展趋势。吴正新详解其中的含义：“专业化就是无论是资产管理还是财富管理，都需要有专业的团队来管理，这也是社会分工的必然趋势；数量化是指财富管理和资产管理需要更加数量化与精确化，未来的投资需要科学性，而科学的投资要基于量化的模型；程序化是通过量化的模型来进行计算机程序化交易，而程序化交易也是首善财富资产管理的核心特色，并且在全国处于领先地位；多元化指专业化的资产管理公司一定要具备多元的资产管理能力；国际化指从团队到业务，都充分整合国内外优势资源”。
首善财富的核心理念是“集中顶尖智慧，整合顶端资源，提供顶好服务。”吴正新告诉记者：“首善财富是在搭建一个开放的平台，集中内外部智慧，整合内外部资源，以资产管理业务中的核心模式MOM（即Manager of Managers）为例，就是精选多元管理人模式。它借鉴国外经验，通过优中选优的方法来筛选基金管理人或资产管理人，而不是靠自身管理。这其实是由美国罗素资产管理公司于1980年创造的一种间接的资产管理模式。首善财富旗下的首善国际资产是国内第一家运用MOM模式做对冲基金和期货的公司。毫无疑问，首善财富管理的创新和规模的快速扩张，和吴正新的全球视野是分不开的。如今，仅首善财富旗下的资产管理业务这一版块已管理着10亿元的资产规模。吴正新表示：“MOM模式的核心思想就是聘请市场上最优秀的管理人来管理资产，也就是最优秀的人做最专业的事，这个理念在全球都是适用的，关键是看你是否有这个眼光来整合。这个模式的核心是你要拥有专业化的团队，来全面地评估、筛选并管理这些团队。”
本文较系统地介绍了统计学在证券期货市场中的应用，其中包括作者的一些最新成果，如：证券期货市场指标体系的研究；新华财经指数的编制；证券投资组合的研究与应用等。
关键词：统计学 证券市场 期货市场
分类号：O212 C8 F832.5 标识码：A
文章编号：1002-1566(2000)01-0054-04
Application of Statistics on Securities and Futures Markets
LI Cong-zhu，DING Shao-fang，WANG Ling-hua，SUN Da-ning
(North China University of Technology，100041)
Abstract：In this paper，the Application of Statistics on Securities and Futures Markets is introduced，author's many new achievements are included in it，such as study of index system on Securities and future markets;study of Xin Hua index number of securities;study and application of investment in bond and so on.
Key Words：statistics securities markets futures markets
一、序
言
我国自九十年代初建立证券期货市场以来，短短几年，得到了迅猛，方兴未艾。仅拿股市来看(截至1999年07月13日)，在沪深两市上市的境内公司已达900家，沪深市场的A，B股股数是981只，上市公司900家，其中沪市501只(461家)，深市480只(439家)，沪深A股股数874只，B股股数107只。这与1991年沪市8家深市6家上市公司相比，可见发展速度之快。市价总值21083亿元人民币，占国内生产总值的比重超过25%；开办证券90家，兼营证券业务的信托投资公司237家，下属证券营业部2400多家；现有43家境内海外上市，累计筹集资金100多亿美元；已有107家公司成功发行了B股，筹集资金近50亿美元；股民已达4000多万。自1999年五月十九日井喷式行情以来，沪深两市的日成交量猛增，至六月二十五日高达800多亿(1998年8月18日香港股市一天的成交量为790亿港元)，创下空前的天量。证券市场的作用愈来愈大，并逐渐成为国民的晴雨表。
统计学及其相关学科在证券期货交易中有什么作用呢?我们先从世界范围谈起。
据有关报道，当今华尔街最抢手的不再是传统的MBA，而是有统计背景、数理能力强的人才。一些在美国获得统计或数学博士学位的留学生被华尔街录用，转眼间便当上了年薪百万美元的“白领”贵族。如，1984年入中国技术大学少年班的黄沁于1988年提前毕业，赴美国麻省理工学院就读研究生，毕业后受聘到华尔街某大型证券公司工作。在这个世界上证券业最发达的地方，他以统计和数学为基础，建立了自己的投资，现已升任该公司副总裁，主管对外投资工作。年仅27岁的黄沁是进入华尔街金融界高层领导的少数华人之一。
华尔街取才原则的转向，从一个侧面反映出证券期货等金融业发展面临的挑战和未来的潮流。证券金融交易是信息量最大，信息敏感度最强、信息变化频度最高的领域。随着市场日趋复杂，数字已成为传递信息最直接的裁体，加上未来的经济是被覆盖与笼罩的数字化经济，大量的数学与统计工具将在研究中发挥不可或缺的重要。能否把握那看似枯燥无味的数字所隐含的精微变化，成为决定未来竞争成败的关键因素之一。
前年诺贝尔经济学奖授予在期权定价方面做出开拓性贡献的经济学家和统计学家。他们在二十多年前就探索出具有划意义的定价模型——布莱克.斯科尔期定价公式。本世纪20年代开设了股票期权品种，由于采用柜台交易方式和缺乏标准化的设计合约，很难转让对冲，交易量不足称道。1973年美国经济学家布莱克和斯科尔斯，引进概率统计上随机变量函数的一些定理和积分求值，推导出不支付红利的股票期权定价公式，从此期权有了明确科学的价格定位依据，很快形成一个完整的市场，并迅速推广到全世界，直至现在，期权占据着金融王国的重要位置。定价公式成为整个市场运转的基础。这个期权公式的定价思想所引发的金融革命表现在，预测远期价格成为可能，不仅使期权为指数、货币、利率、期货交易提供了全新的保值，投资手段，极大地丰富了金融市场，而且进一步推动了对各种金融产品的价值研究，提高了操作的理论水平。由此可以推断，没有布莱克.斯科尔斯定价模型，期权就不可能发展这么快，全球金融衍生品市场也就不可能有今天的高度发达，如今国外大型金融机构在金融交易失利原因时，总是首先追究最初的定价是否存在漏洞和错误
建立一个模型就摘取领域的桂冠这一事实，体现了经济与统计数学密不可分的关系。据不完全统计，自1969年设立诺贝尔经济学奖以来的40多位获奖者中，著名的计量经济学家有23位，10位担任过世界计量经济学会会长，有六位直接靠计量经济的和成果获奖。借用统计数学，将经济数学公式化，将经济行为定量化，已成为当今世界经济的热门课题。
有关专家指出，统计学，经济理论和数学这三者对于真正了解经济生活中的数量关系来说，都是必要的，但本身并非充分条件。三者结合起来，就是力量。数学给经济界带来新的视角，新的观念。抽象的数学工具一旦准确地切入市场，就显得非常实用和有价值。二十多年来，指导期权交易的理论—定价模型得到广大投资者的一贯遵循。没有统计基础、不懂定价公式含义的人要想在市场有出色表现将是十分困难的。
证券金融市场的风险管理是个永恒的话题，投资者都想寻求收益回报，但又必须面对各种各样的损失可能。市场到底存在哪些风险，如何确定风险的大小，如何才能实现收益最大化和风险最小化，历来都是受人关注的焦点和难点。自从1952年美国学者马柯威茨运用数量创立证券组合理论以来，市场风险的神秘色彩逐渐淡化，不再变得那么可怕和不可驾驭。
马柯威茨组合理论的立足点是全面考虑“期望收益最大”和“不确定性(即风险)最小”。它通过投资损失的概率分布和可能收益与预期收益的偏离程度(即我们统计学上的方差)，发现投资者应该同时按适当比例购买各种证券而不是一种证券，进行分散化投资，其收益才尽可能是确定的。通过数量得出的这种结论，迎合了投资者避风险的需要。风险管理能力的提高促进了基金的蓬勃。在短短的几十年间，随着量化研究的不断深入，组合理论及其实际运用方法越来越完善，成为现资学中的主流工具。由于马哥威茨证券组合选择理论给金融投资和管理思想带来革新，1990年他获得了诺贝尔经济学奖。
众所周知，量变引起质变。数量关系的背后，牵扯着市场的稳定与发展。金融业的现代化推动了统计与数理方法的应用研究，反过来，当今世界的金融管理特别是防范金融风险，也越来越要量化研究。早在1995年9月，美国斯但福大学经济学教授刘遵义就通过实证比较，数量分析和模糊评价等方兴，预测出菲律宾、韩国、泰国、印尼和马来西亚有可能发生金融危机。后来的事实果然如此。这从一个侧面提醒我们，没有完整、的分析预测工具，就可能在国际金融竞争中蒙受重大损失。只有加强对作为金融信息的各种变量的研究，才能提高对金融运行的认识，才能把握市场的发展动向。
经济理论的数学化和统计分析，使各种经济行为也越来越数量化。在金融领域也不例外。定价公式和组合理论地位的确立，就证明数量工具已发挥了不可磨灭的作用。有统计显示，在西方金融市场，三分之一的人运用组合理论来投资，三分之一的人靠技术分析管理头寸，另外三分之一的人仍在坚守基础分析。虽然运用何种手段来指导决策是投资者个人偏好、观念的，但组合理论和技术分析所运用的统计工具逐渐被认同，说明理性投资将成为市场的宠儿。由此我们不难理解华尔街选才的动机。
主观意见和直觉判断有很大的随意性，显然与现资决策的要求相去甚远。对市场和价格进行定量研究，从而揭示客观存在的数量依存关系，成为投资和管理决策的一项基础工作。用统计工具处理各种证券金融数据，可以比较全面地分析各种因素的力度。其主要表现在：
1 结构分析：证券市场与汇率、利率变动和国民经济发展有多大的关联度；单一证券与整个市场之间如何相互影响，市场指数设计是否合理；证券与期货价格走势是否相互制约；同一类证券有没有一定的连动关系。
2 价值预测：分析未来证券发行和上市价格的理论定位，确定金融衍生证券的价格，分析预测证券期货的价格走势，进行投资决策等。
3 政策评价：市场系统风险的预警及控制，探讨不同的组合投资效果。
4 检验：证券价格能否反映所有的信息，市场的有效性实证检验；各种技术指标的适用性和优化处理，周期效应的对比。
从以上可看出，量化研究有助于搞好风验管理，设计投资组合，选择交易时机，评估市场特性。统计工具在证券市场的大量，对交易技术的升级换代，管理水平的提高做出了特殊贡献。现在，电脑交易系统在国外大行其道，依据不同要求设计的模型软件层出不穷，只要把数据输入电脑中，投资者根据分析结果随时制订和调整投资计划。
投资者竞争的优势不再停留在信息的收集上，而是综合处理信息的能力。谁的模型从总量上与趋势上能更合理、地分析市场，谁就能掌握主动。
