1、1,第八章量化投资,2,讨论：有效市场、行为金融、金融系统复杂性,3,一、量化投资的基本内涵和实践 金融工程：金融创新、风险管理、（衍生）资产定价、套利 金融：投资与融资 量化分析：基于数据、模型定量化 量化投资（量化交易）：借助现代统计学和数学的方法，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”“模式”以制定策略，用数量模型验证及固化这些规律和策略，然后严格执行已固化的策略来指导投资，以求获得可持续的、稳定的回报。,“通过信息和个人判断（using information and judgment）来管理资产为基金面投资或者传统投资，如果遵循固定规则，由计算机模型产生投
2、资决策则可被视为数量化投资。”FabozziChallenges In Quantitative Equity Management,4,量化投资要件,数据数据是量化交易的血液，决定着策略实施的各个方面。没有精确的数据输入，量化交易策略就无法运行。定量研究数据一旦给定，“人”就可以开始研究了，一般包括各种形式的测试、检验和模拟仿真。经过研究，我们就能够确认某个策略是否有效。人和电脑的分工需要强调的是，前面所说的构架中的各个模型，同样也在研究的基础上才能正确构建。因此，“人”始终是量化投资中最核心的动力，人负责创造性的活动，建造模型；电脑和机器负责重复性的活动，精确无误的不带任何情绪波动的严格执
3、行事先固化的模型。,5,量化投资的特点,定量分析。综合各种定量化投资技术。科学验证。与传统定性投资相比，定量投资更加强调投资思想的科学验证。科学验证的基础是丰富的海量数据。纪律性。虽然量化模型是由人设计的，具体的交易单却由模型产生。这种由模型确定交易的过程能帮助我们克服 交易中的人性弱点（如贪婪、恐惧、侥幸心理），可以克服认知偏差，也可可跟踪问责。系统性。数量化投资技术覆盖投资的全部流程，从量化选股、资产配置、组合优化、交易执行，到风险控制、绩效评估等环节都可以看到量化投资技术的身影。,6,量化投资的基本模块,7,定性投资者的代表人物：沃伦.巴菲特1989-2008平均年回报约20%；2008
4、年回报率约-15%,定量投资者的成功典范：詹姆斯.西蒙斯1989-2008平均年回报约35%；2008年回报率约80%,影响我们对市场的看法的人,詹姆斯西蒙斯(James Simons),量化投资大师，数学家和对冲基金文艺复兴科技公司(Renaissance Technologies Corp.)掌门人。从1988年到2008年，他管理下的大奖章(Medallion)基金的年均净回报率是35.6%，比索罗斯等投资大师同期的年均回报率要高出10个百分点，比同期标准普尔500指数的年均回报率则高出20多个百分点。,8,量化投资的风险,量化投资的失败案例 长期资本管理公司1994-1997年获得了平
5、均30%的回报率，但1998年金融市场动荡，赔了80%，直接导致该公司倒闭。高盛旗下的最大量化基金全球阿尔法基金2006年损失了6%，2007年损失了40%。量化投资的绩效与市场有效性金融市场近乎有效的,9,1950年代出现，2000年后蓬勃兴旺，占全美投资的30%绝对数额：量化资管规模小于传统模式 发展速度：2003年后年增速15%，而传统增速小于5%,全球数量化基金发展状态,10,广大保德信量化核心 上投摩根阿尔法 嘉实量化阿尔法 中海量化策略 长盛量化红利策略 富国沪深300增强 华商动态阿尔法 南方策略优化 华泰柏瑞量化先行 长信量化先锋,目前国内市场上的一些量化基金,二、量化投资系统
6、的典型模型构造,【主要参考文献】里什纳兰，打开量化投资黑箱，机械工业出版社，2012年,12,1、阿尔法模型 阿尔法：扣除市场基准回报以后的投资收益。追求阿尔法回报的策略就是投资组合的资产配置决策及设置其头寸规模的择时决策。阿尔法一般旨在通过预测未来而赚钱。阿尔法模型类型：理论驱动和数据驱动理论驱动：价值/收益型、成长型、品质型（flight-to-quality）（基于基本面数据）；趋势型、回复型（基于价格相关数据）数据驱动：数据挖掘策略实施：预测目标、投资期限、投注结构、投资范围、模型设置、运行频率。,13,p52T3-7,理论驱动型阿尔法模型结构图,14,2、风险控制模型风险管理旨在通过
7、减少回报的波动性带来更重要的效益，并且可以降低发生巨大损失的可能性。风险控制主要是选择风险敞口和确定头寸规模，并对一个给定的风险水平追求最大回报。限制风险的大小通过约束或惩罚函数限制头寸；度量风险大小。限制风险的类型 由于接受风险并不总是可以获得报酬，所以消除任何无意义（不必要）风险总是更好的。（有目的地保留必要风险）,15,3、交易成本模型交易理由：提高赚钱的胜算或回报；减少赔钱的概率或额度任何交易都要花费成本交易成本模型首要的是给出投资组合的交易成本，然后才考虑可能的交易成本最小化。交易成本来源佣金和费用：经纪人、交易所以及监管者滑点：在决定交易和到订单被实际执行期间的价格变化市场冲击成本
8、：订单本身使得市场价格变化交易成本模型形式：常数型、线性型、分段线性型、二次型,16,4、投资组合构建模型投资组合构建模型的目标是决定要持有的投资组合。投资组合构建一般基于期望回报、风险控制和交易成本间平衡。量化投资组合构建模型的基本形式：基于规则；采用最优化方法基于规则的构建模型：相等头寸权重、相等风险权重、阿尔法驱动权重、决策树模型。采用最优化方法构建模型：现代投资组合理论；无约束条件最优化、约束条件最优化、布莱克-莱特曼最优化方法、格里诺德-卡恩方法，基于数据挖掘的最优化方法。,17,5、执行模型执行模型：执行由投资组合构建模型做出的投资决定执行交易的两种基本方法：电子化交易、人工中介交
9、易 电子化交易之直接市场通道（Direct Market Access）获得执行算法：自己建立算法、使用经纪人提供的服务、购买第三方软件。执行模型的积极主动性水平：市价订单、限价订单 大订单与小订单 明订单与暗订单 高频交易：微观结构阿尔法交易基础设施：服务器位置、信息交互协议、交易软、硬件,18,6、数据数据的准确性和及时性数据类型：价格相关数据和基本面数据初始数据来源：交易所、监管者、政府、公司、新闻机构、专门的数据供应商或数据发生器数据整理：数据缺失、数据错误（奇异点过滤器）数据的储存：平面文件夹；关系数据库,19,三、量化投资中的研究与实践研究是量化投资的核心。量化投资成功得益于精心设
10、计、缜密和从不懈怠的研究。研究的目的在于提出和审查经过深思熟虑的投资策略。1、模型的构建模型思想的来源直接的市场观察学术文献其它量化投资机构建立模型的艺术在于所建模型能够捕获产品的重要特性，同时模型又不能过于复杂（除非必须如此）。,20,模型基本评价：节约原则（假设、参数少）奥卡姆剃刀原理（Occams razor）过度参数化（over parameterization）问题：多参数模型一般参数稳定性比简单模型更好，但无法处理regime shift现象。而且，过多变量的模型直觉上很难理解其内在机制。金融模型的局限性：预测与现实的差距模型风险：模型结果与市场结果的差异金融模型与物理模型的差别：
11、物理模型的高准确度物理系统与人类参与系统的差别参数的变化模型的有效性：模型的“生命周期”模型的有效性：预期的自我实现与自我毁灭,21,2、模型的检验模型检验：第一步，用样本内数据来训练模型以找到最优参数；第二步，样本外检验模型是否适合新的环境。样本内检验样本的宽度和长度问题：将更多情景纳入会增加模型的解释力，但会增加模型可能越只能解释过去的风险。模型检验的评判标准累计盈利曲线 平均回报率；回报率的波动峰谷间的最大损失；损失后的回复时间预测力：R2；十（五）分位数的预测和实际值对照胜率或盈利时间占比,22,回报相对于风险的不同比率Sharpe ratio：Information ratio：St
12、erling ratio：平均回报/（平均最大跌幅+10%）Calmar ratio：平均回报/最坏的峰谷回撤Omega ratio：总的正回报/总的负回报与其它策略的关系：配合增值对时间延迟敏感性对参数设置的敏感性,23,过度拟合（overfitting）问题：对样本逼近得“过好”，造成反而不能真正地反映输入输出的真实函数关系。其原因在于，当输入数据中混有噪声干扰时，模型过分地反映了噪声信息，从而得到的函数关系式被噪声扭曲了。在模型检验中关注交易成本在模型检验中关注头寸的可获得性，特别是空头的可获得性。,24,3、量化投资实践中的模型检测大多数金融机构在其风险管理部门中设置模型检测部门。一个
13、模型在没有得到检测和批准之前不得使用。模型检测的基本内容 检查模型实施过程是否正确；检验模型的假设是否正确；将模型与其它目的相同的模型进行比较；评估模型定价以及对冲计算中所采用参数的不定性；阐明模型的局限性。,Emanuel Derman：宽客人生（My Life As A Quant）忻海：解读量化投资：西蒙斯用公式打败市场的故事,推荐书目,26,附录,战略资产配置,组合构建/证券选择,交易指令,投资室/组合经理,风控室,交易室,策略备选库证券备选库,业绩评估报告,研究室,核算/绩效评估,风险管理委员会,战略企划部,投资决策委员会,战术资产配置,投资研究联席会议,稽核部/法律合规部,合规控制,风险政策,风险报告,核算室,估值与选股,资产配置与组合优化,算法、程序化交易,绩效评估,风险管理,28,29,30,31,32,33,34,35,36,
