什么是量化投资
近些年，量化投资在中国得到了快速的发展，这一点是毋庸置疑的。对于大多数人来说，量化投资是高端的，一般人根本无法了解的存在，其实远远不是如此，本文主要就是对量化投资的本质以及发展情况做一些简单的介绍，后期会针对细节部分进行详述，欢迎关注。 1 什么是量化投资？ 说到量化投资，很多人都会想到阿尔法、贝塔、方差、均值这些传统的数学概念，听起来云里雾里，因为要理解这些概念需要具备一定的基础，而本人以前主要学习统计，在理解这些概念的时候并没有太大问题。但个人认为目前市面上的人正是通过这种复杂的数学概念将量化投资本身复杂化，而给量化投资蒙上了一层面纱。其实揭开面纱，量化投资并没有那么神秘。 在说量化投资的基本概念之前，我要旗帜鲜明的反对那些将量化投资神话或者是无用化的言论，因为这不符合基本的事实。也希望投资者不要对量化投资过于恐惧，勇于去了解其缺点和优点，扬长避短。 百度百科上对量化投资的定义是“ 量化投资是指通过数量化方式及计算机程序化发出买卖指令，以获取稳定收益为目的的交易方式”。其实这个定义并不准确，量化投资本质是投资，量化是手段，以量化的方式来投资才是量化投资的本质所在。 其实投资就是一个简单的过程，投资的结果是Y，而投资的逻辑是F(x)，X是信息，而一些不以人的意志为转移的一些黑天鹅、波动等可以统称为西格玛。对于非量化的投资者来说，X是没有经过量化处理的信息，F(x)则是黑箱，有时候投资者自己也不知道其逻辑所在，很多人称之为“直觉”，或许有些投资者会有一些基本的投资原则，但是如何利用这些投资原则需要投资者本身就像操作，具有不确定性和不可复制性。但量化投资将X数量化，而投资逻辑F(x)是透明化、规范化、标准化，因此其结果变得可预期、可衡量、可复制。不管我们日常所看到的什么阿尔法中性策略、指数增强策略、CTA策略，还是多因子模型等等，都无法跳脱这个框架。 有的人将程序化交易与量化投资划为等号，我认为这是非常不合适的，因为程序化交易只是一种量化交易的深化而已。正因为计算机的发明，量化投资部分演变成了程序化交易，而在计算机没有发明之前，量化投资同样存在。计算机的发明是量化投资得到广泛应用的一个重要标志，因为计算机的发明使得标准化的量化投资方法可以迅速的复制和运转，从而提高了获取收益的效率，而在计算机没有发明之前，大量的数据需要依靠人力来计算，要么是操作上有困难，要么是根本来不及适应瞬息万变的市场。 2 量化投资的优缺点 量化投资首先是一种投资行为，其次才是量化，这二者之间的逻辑关系要搞清楚，不要以为量化投资就是万能的，显然不是如此。任何事物都有其正反面的存在，量化投资也是如此。要想真的理解并利用量化投资来帮助自己，就要先搞清楚到底优缺点在哪，适用性如何？ 1)优点 量化投资的优点主要体现在两个方面，一个是速度，一个是可复制性。 速度包括两个方面，一方面是计算机带来的处理速度，这就使得量化投资可以同时处理大量的数据，将投资人从简单重复的活动种解放出来，专心致志的研究投资逻辑的问题，同时，高速的处理速度也拓展了投资人的投资范围，获取更多的投资机会；另一方面是计算机的反应速度，快速的反应可以让投资者先人一步，快速抢购筹码或者快速止损，从而增加收益或者是减少损失。 可复制性的优点在于同样的一个框架或者模型一旦确定以后，可以同时被很多人一起使用，或者说可以同时容纳巨量的资金。一旦某一人研发出一套量化系统，就可以迅速扩大战果，不需要受到精力的限制。 有些人认为量化投资的另一个优点是纪律性，其实量化投资在这方面的优势是非常少的，因为量化投资背后是人，人性是很难控制的。当一个量化投资基金经理的亏损30%,他还能够坚持自己的原则吗？这不是量化投资能够解决的问题，最终还没靠量化投资的掌控人来实际解决。 有些人认为量化投资的优点还在于分散性，因为投资范围广，从而可以从更广的范围内选择股票，进而分散风险。这又是一个伪命题，非量化基金同样可以通过刻意的选择来达到这个目标。 还有些人认为量化投资的优点在于系统性，这又是一个伪命题，是否系统性取决于量化投资的FX，也就是投资逻辑。非量化投资同样可以具有非常系统性的逻辑，这不是量化投资本身所带来的优点。 2）缺点 量化投资的缺点也很明显，主要是两个方面：FX的不确定性以及同质化。 对于量化投资来说，最重要的莫过于FX这个投资逻辑，一旦逻辑错误，很有可能就会错误，而计算机的快速执行和反应的优点就会成为缺点，会将错误迅速扩大。由于量化投资主要依据的是过去的历史信息，从统计学的角度来从事大概率时间。 可是统计学需要关注两个问题，一个是构建模型所依据的样本大小，另一个是概率。如果样本太少，那么这个确定的模型有效性将会大大降低。建设过去40年，30年的周期内股票市场是上涨的，因此股票上涨的概率是75%，非常高，但是由于样本量太少，依据这样的数据建立起的模型不具有可靠性。而现实中，具有高样本高概率的事件收益率可能并不高，因为这种机会早就被套利者所发现，有无数的竞争者，这就回到量化投资的第二个缺点。 由于量化投资的模型是标准化，可以广泛的复制，一旦发现一些高样本高概率的事件可以获利，那么就会快速吸引大量的投资者。这样以来，市场的竞争者就会削弱利润的空间，更为糟糕的是，很多投资者会设计反向策略来对付投资者，模型就会失效，这种高概率的时间可能以后就不会再是高概率事件。 除此之外，还有一些小缺点，比如说某些因素并不能够被量化，或者可以说很难采取一些足够好的方法来量化，却是判断投资的重要因素，这时候模型的建立就会面临较大的挑战。 简单介绍到这里，后续会继续介绍量化投资的种类、量化投资与市场有效性以及各种策略的优缺点、如何评估等等，欢迎关注。 6898阅读 搜索 量化交易编程实例 十大经典量化策略 python量化交易教程 幻方量化骗局 量化策略四大金刚 个人如何量化交易
李海涛：“拿来主义”用“量化”
李海涛：一般的投资需要解决三个问题，第一个是选择股票，可以利用计算机建立阿尔法模型（AlphaModel），选 择出具有超额收益的股票。接下来是风险模型（RiskModel），目前已经有很多量化模型可以控制投资中的风险。最后是交易模型 （CostModel），用量化模型来控制交易成本。交易最怕的是冲击成本大，但是如果我了解市场微观结构 （MarketMicroStructure），就可以用计算机拆单，减少冲击成本。
《财商》：比起非量化的方式，量化投资有哪些好处？
李海涛：量化的好处首先是客观冷静，由于用计算机程序将选股思路量化，可以排除情绪的干扰。另一个好处是系统化和科学 化，由于从选股，到风险控制，再到下单都建立了模型，可以提高投资的效率。比如，原来非量化的研究往往领域有限，但是计算机拥有强大的运算能力，可以大大 提高研究的覆盖领域。量化还可以扩大管理规模和加快下单速度。
《财商》：量化投资的大致发展历程是怎样的？
李海涛：从19世纪60年代开始，美国就已经出现了量化投资的端倪，而70年代大家开始将其用于投资实践当中，过去20年是量化投资大的发展过程，但是金融危机后量化投资好像有点发展过了头。
《财商》：近些年一些投资者开始怀疑量化投资的赚钱效应，这是为什么？
李海涛：任何一种策略，不可能永远流行。比如苹果公司推出任何一款产品，市场不会永远喜欢它。
《财商》：什么样的市场更适合量化投资策略？
李海涛：总体来说量化策略适合流动性好、市场容量比较大的市场。而有的策略会更加适合动荡的市场，比如如果是期权交易策略，在动荡的市场中更容易赚钱。
《财商》：目前国内量化投资者最大的障碍是什么？
李海涛：国内的对冲基金最大的问题是，是否有足够的对冲工具。目前国内只有股指期货和融资融券可以使用，并且投资机构 在这两种工具的使用上都受到一定政策限制；而国外有CDS(CreditDefaultSwap，即信贷违约互换)、股票期权、指数期权、债券期权等一系 列的对冲工具可以使用。
《财商》：一些从国外回来的投资者发现国外的策略在国内市场上赚不到钱，这是为什么？
李海涛：量化投资是个观念，这个方法可以拿回来，但是要照搬Model，那不一定有效。不同的市场上，有效的因子有所不同，比如在中国的市场上，交易结构以散户为主，决定投资者行为有所不同，比如政策的影响会更加大。
简介 | 什么是量化投资？常见的量化交易策略有哪些？
量化交易的历史大致可以分为三个阶段，第一阶段，1971～1977 年，1971 年世界第一支被动量化基金由巴克利国际投资管理公司发行。1977年，第一支主动量化基金由巴克利发行，总额 70 亿美元，是美国量化投资的开端。第二阶段，1977～1995 年，这一阶段计算机技术飞速发展，为量化投资的数据分析打下了很好的铺垫。第三阶段，1995 年至今，量化投资的成熟阶段，目前，全部投资中，量化投资的占比超过 50%，其中指数类投资全部采用定量技术，主动策略投资中，30% 左右使用定量技术。
量化交易特点
量化投资技术方法
常见的量化交易策略
在外汇交易系统中，枢轴点 (Pivot Points) 交易方法是一种经典的交易策略。Pivot Points 是一个非常单纯的阻力支撑体系，根据昨日的最高价、最低价和收盘价，计算出七个价位，包括一个枢轴点、三个阻力位和三个支撑位。阻力线和支撑线是技术分析中经常使用的工具之一，并且支撑线和压力线的作用是可以互相转化的。从交易的角度上来看，Pivot Point 好比是作战地图，给投资者指出了盘中应该关注的支撑和阻力价位，而至于具体的战术配合，Pivot Point 并没有具体地规定，完全取决于投资者自身的交易策略。投资者可以根据盘中价格和枢轴点、支撑位和阻力位的相关走势灵活地制定策略，甚至可以根据关键点位进行加减仓的头寸管理。
海龟交易法是著名的公开交易系统。首先进行市场和品种选择，选择关联度低、流动性好、容量大的市场和品种进行组合投资。其次决定头寸规模，采用基于波动性的头寸管理策略（止损同样是基于波动性）。海龟交易法建仓有两套规则，第一套建仓规则为以 20 日突破为基础的短线系统，第二套建仓规则是以 60 日突破为基础的长线系统，加仓规则是价格在上次买入价格的基础上往盈利的方向变化（系数在 0.5～1 之间），即可在增加 25% 仓位。海龟交易法同样具备两种止损规则，统一止损是任何一笔交易都不能出现账户规模 2% 以上的风险；双重止损是账户只承受 0.5%的账户风险，各单位头寸保持各自的止损点位不变。海龟交易法的卖出规则一旦出发都要退出。
凯利公式由 John Larry Kelly 于 1956 年提出（Kelly 1956）。它指出在一个期望收益为正的重复性赌局或者重复性投资中，每一期应该下注的最优比例。藉由捕捉可以最大化结果对数期望值的资本比例 f 也就是得到长期增长率的最大化。那么在单纯的就有两种结果的简单赌局来讲，这里的两种结果指的是：输去所有注金，或者获得资金乘以特定赔率的彩金。
可以通过一般的陈述引导出下面的公式：f=（bp-q）/b（f*代表现有资金应进行下次投注的比例；b 代表投注可得的赔率；p 代表获胜率；q 代表落败率，也就是1-p）。凯利公式在量化投资中的应用是确定投资品的最佳杠杆比率，凯利公式的核心是在于控制风险。
在 40 年代，美国科学家 Wiener 和前苏联科学家 Ｋолмогоров 等人研究出最佳线性滤波理论，之后又被后人称之为维纳滤波理论。从理论的角度来看，维纳滤波存在着一个最大的缺陷：就是一定要应用到无限的过去数据，再实时处理上，并不适用。在 40 年代，为了打破这一缺陷，Kalman 将状态空间模型引入到滤波理论里，并引导出了一套递推估计算法，后期又被人称作卡尔曼滤波理论。它是以最小均方误差为估计的最佳准则，因此来找到一套递推估计的算法，它的根据就是：选用信号与噪声的状态空间模型，把前一时刻的估计值和现时刻的观测值利用起来，然后更新对状态变量的估计，从而求出和得到现时刻的估计值。它在实时处理和计算机运算方面都非常的适用。
量化投资与算法交易(一)
井冈山李德胜 发表于 2020/05/21 14:14:54 2020/05/21
量化投资与算法交易
什么是量化投资
什么是算法交易
怎么入门量化投资和算法交易
量化投资的运用
国内外量化投资的现状
回归和分类是量化交易的全部吗?
我们从算法的角度来讲, 比如机器学习, 那么必然给定输入数据给出的无外乎是回归或者分类, 量化投资 在量化投资中, 我们仍然看这些显然是有点苍白的, 还需要涉及到行业背景, 历史上, 很多公司(上海, 杭州)都对行业知识做了专家系统,或者对历史10年的数据做了训练, 试图搞定所谓的行业背景, 结果当然不容乐观。所以，回归和分类不是量化交易的本质。加上行业知识才是系统的量化投资。