量化投资理论的发展

1.量化投资的主要方法和前沿进展

量化投资是通过计算机对金融大数据进行量化分析的基础上产生交易决策机制。

设计金融数学和计算机的知识和技术，主要有人工智能、数据挖掘、小波分析、支持向量机、分形理论和随机过程这几种。1.人工智能人工智能（Artificial Intelligence,AI）是研究使用计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。

人工智能将涉及计算机科学、心理学、哲学和语言学等学科，可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，还要考虑形象思维、灵感思维才能促进人工智能的突破性发展，数学常被认为是多种学科的基础科学，因此人工智能学科也必须借用数学工具。

数学不仅在标准逻辑、模糊数学等范围发挥作用，进入人工智能学科后也能促进其得到更快的发展。金融投资是一项复杂的、综合了各种知识与技术的学科，对智能的要求非常高。

所以人工智能的很多技术可以用于量化投资分析中，包括专家系统、机器学习、神经网络、遗传算法等。2.数据挖掘数据挖掘（Data Mining）是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的，但又是潜在有用的信息和知识的过程。

与数据挖掘相近的同义词有数据融合、数据分析和决策支持等。在量化投资中，数据挖掘的主要技术包括关联分析、分类/预测、聚类分析等。

关联分析是研究两个或两个以上变量的取值之间存在某种规律性。例如，研究股票的某些因子发生变化后，对未来一段时间股价之间的关联关系。

关联分为简单关联、时序关联和因果关联。关联分析的目的是找出数据库中隐藏的关联网。

一般用支持度和可信度两个阈值来度量关联规则的相关性，还不断引入兴趣度、相关性等参数，使得所挖掘的规则更符合需求。分类就是找出一个类别的概念描述，它代表了这类数据的整体信息，即该类的内涵描述，并用这种描述来构造模型，一般用规则或决策树模式表示。

分类是利用训练数据集通过一定的算法而求得分类规则。分类可被用于规则描述和预测。

预测是利用历史数据找出变化规律，建立模型，并由此模型对未来数据的种类及特征进行预测。预测关心的是精度和不确定性，通常用预测方差来度量。

聚类就是利用数据的相似性判断出数据的聚合程度，使得同一个类别中的数据尽可能相似，不同类别的数据尽可能相异。3.小波分析小波（Wavelet）这一术语，顾名思义，小波就是小的波形。

所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。与傅里叶变换相比，小波变换是时间（空间）频率的局部化分析，它通过伸缩平移运算对信号（函数）逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了傅里叶变换的困难问题，成为继傅里叶变换以来在科学方法上的重大突破，因此也有人把小波变换称为数学显微镜。

小波分析在量化投资中的主要作用是进行波形处理。任何投资品种的走势都可以看做是一种波形，其中包含了很多噪音信号。

利用小波分析，可以进行波形的去噪、重构、诊断、识别等，从而实现对未来走势的判断。4.支持向量机支持向量机（Support Vector Machine,SVM）方法是通过一个非线性映射，把样本空间映射到一个高维乃至无穷维的特征空间中（Hilbert空间），使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题，简单地说，就是升维和线性化。

升维就是把样本向高维空间做映射，一般情况下这会增加计算的复杂性，甚至会引起维数灾难，因而人们很少问津。但是作为分类、回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间中却可以通过一个线性超平面实现线性划分（或回归）。

一般的升维都会带来计算的复杂化，SVM方法巧妙地解决了这个难题：应用核函数的展开定理，就不需要知道非线性映射的显式表达式；由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了维数灾难。这一切要归功于核函数的展开和计算理论。

正因为有这个优势，使得SVM特别适合于进行有关分类和预测问题的处理，这就使得它在量化投资中有了很大的用武之地。5.分形理论被誉为大自然的几何学的分形理论（Fractal），是现代数学的一个新分支，但其本质却是一种新的世界观和方法论。

它与动力系统的混沌理论交叉结合，相辅相成。它承认世界的局部可能在一定条件下，在某一方面（形态、结构、信息、功能、时间、能量等）表现出与整体的相似性，它承认空间维数的变化既可以是离散的也可以是连续的，因而极大地拓展了研究视野。

自相似原则和迭代生成原则是分形理论的重要原则。它表示分。

2.量化交易的发展前景怎么样呢

量化就是就是具体化，使用模型来进行程序化交易。

打个通俗的比方：一般的人炒股或者期货就像看病中医一样，通过望、闻、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，很大程度上通过依靠经验和感觉判断来进行操作；量化交易就像西医，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，定量交易更像是西医，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。模型对整个市场进行检查和扫描，满足你所编写的程序模型，就会进行处理（下单之类，都是可以自己设置的，看你的模型怎么编写）。

程序化交易越来越被人熟知，使用的人也越来越多，总体来市场会越来越扩大化。

具体的程序化交易程序软件：文化、TB、金字塔等，总的来说金字塔使用起来简单上手，编写的语言不难，而且功能比前两者多。

3.量化投资

没有你想的书 我多年来都有关注这方面的书 可是也没有在国内找到 数量化投资是将投资理念及策略通过具体指标、参数的设计，体现到具体的模型中，让模型对市场进行不带任何情绪的跟踪；相对于传统投资方式来说，具有快速高效、客观理性、收益与风险平衡和个股与组合平衡等四大特点。

量化投资技术几乎覆盖了投资的全过程，包括估值与选股、资产配置与组合优化、订单生成与交易执行、绩效评估和风险管理等，在各个环节都有不同的方法及量化模型： 一、估值与选股 估值：对上市公司进行估值是公司基本面分析的重要方法，在“价值投资”的基本逻辑下，可以通过对公司的估值判断二级市场股票价格的扭曲程度，继而找出价值被低估或高估的股票，作为投资决策的参考。对上市公司的估值包括相对估值法和绝对估值法，相对估值法主要采用乘数方法，如PE估值法、PB估值法、PS估值法、PEG估值法、PSG估值法、EV/EBITDA估值法等；绝对估值法主要采用折现的方法，如公司自由现金流模型、股权自由现金流模型和股利折现模型等。

相对估值法因简单易懂，便于计算而被广泛使用；绝对估值法因基础数据缺乏及不符合模型要求的全流通假设而一直处于非主流地位。随着全流通时代的到来和国内证券市场的快速发展，绝对估值法正逐渐受到重视。

选股：在当前品种繁多的资本市场中，从浩瀚复杂的数据背后选出适合自己投资风格的股票变得越加困难。在基本面研究的基础上结合量化分析的手段就可以构建数量化选股策略，主流的选股方法如下： 资产配置方法与模型 资产配置类别 资产配置层次 资产配置方法 资产配置模型 战略资产配置 全球资产配置 大类资产配置 行业风格配置 收益测度 风险测度 估计方法 马克维茨 MV 模型 均值 -LPM 模型 VaR 约束模型 Black-Litterman 模型 战术资产配置 （ 动态资产配置 ） 周期判断 风格判断 时机判断 行业轮动策略 风格轮动策略 Alpha 策略 投资组合保险策略 基本面选股：通过对上市公司财务指标的分析，找出影响股价的重要因子，如：与收益指标相关的盈利能力、与现金流指标相关的获现能力、与负债率指标相关的偿债能力、与净资产指标相关的成长能力、与周转率指标相关的资产管理能力等。

然后通过建立股价与因子之间的关系模型得出对股票收益的预测。股价与因子的关系模型分为结构模型和统计模型两类：结构模型给出股票的收益和因子之间的直观表达，实用性较强，包括价值型（本杰明·格雷厄姆—防御价值型、查尔斯·布兰迪—价值型等）、成长型（德伍·切斯—大型成长动能、葛廉·毕克斯达夫—中大型成长股等）、价值成长型（沃伦·巴菲特—优质企业选择法、彼得·林奇—GARP价值成长法等）三种选股方法；统计模型是用统计方法提取出近似线性无关的因子建立模型，这种建模方法因不需先验知识且可以检验模型的有效性，被众多经济学家推崇，包括主成分法、极大似然法等。

多因素选股：通过寻找引起股价共同变动的因素，建立收益与联动因素间线性相关关系的多因素模型。影响股价的共同因素包括宏观因子、市场因子和统计因子（通过统计方法得到）三大类，通过逐步回归和分层回归的方法对三类因素进行选取，然后通过主成分分析选出解释度较高的某几个指标来反映原有的大部分信息。

多因素模型对因子的选择有很高的要求，因子的选择可依赖统计方法、投资经验或二者的结合，所选的因子要有统计意义上或市场意义上的显著性，一般可从动量、波动性、成长性、规模、价值、活跃性及收益性等方面选择指标来解释股票的收益率。 动量、反向选股：动量选股策略是指分析股票在过去相对短期的表现，事先对股票收益和交易量设定条件，当条件满足时买进或卖出股票的投资策略，该投资策略基于投资者对股票中期的反应不足和保守心理，在投资行为上表现为购买过去几个月表现好的股票而卖出过去几个月表现差的股票。

反向选股策略则基于投资者的锚定和过度自信的心理特征，认为投资者会对上市公司的业绩状况做出持续过度反应，形成对业绩差的公司业绩过分低估和业绩的好公司业绩过分高估的现象，这为投资者利用反向投资策略提供了套利机会，在投资行为上表现为买进过去表现差的股票而卖出过去表现好的股票。反向选股策略是行为金融学理论发展至今最为成熟，也是最受关注的策略之一。

二、资产配置 资产配置指资产类别选择、投资组合中各类资产的配置比例以及对这些混合资产进行实时管理。资产配置一般包括两大类别、三大层次，两大类别为战略资产配置和战术/动态资产配置，三大层次为全球资产配置、大类资产配置和行业风格配置。

资产配置的主要方法及模型如下： 战略资产配置针对当前市场条件，在较长的时间周期内控制投资风险，使得长期风险调整后收益最大化。战术资产配置通常在相对较短的时间周期内，针对某种具体的市场状态制定最优配置策略，利用市场短期波动机会获取超额收益。

因此，战术资产配置是在长期战略配置的过程中针对市场变化制定的短期配置策略，二者相互补充。战略资产配置为未来较长时间内的投资活动建立业务基准，战术。

4.学习金融资产管理和量化投资 发展前景如何

相对于美国成熟的资产管理业务发展历史，中国的资产管理有着12年年轻的历史。

正因为是起步阶段，人们能看到其无限发展空间和巨大潜力。一些大的金融机构运用资产管理进行经营，在金融危机期间保持着盈利，业内不乏有成功案例。

资产管理业务有个两难问题，即业务扩展和风险管理的平衡问题，也就说如果业务扩展太快，太多，风险控制就会弱，如果太关注于风险控制的话，可能业务扩展会慢。其实观察成功的案例会发现，这两点是可以做到平衡的。

在国外金融机构会发现很多有意思的产品，比如气象气候、低碳、降雨量、体育等基金、债券，可是在中国却是比较空白。其实这是市场细分的结果，举个例子，如气象基金，今年冬天会不会冷？如果不冷的话，使用的燃料能源就会少，就会影响这类产品，如果有天然气产品，就可以进行价格对冲。

这也是很多机构追求平稳发展来利用资产管理的原因。 拿期货公司来说，未来将大大偏向程序化交易策略，由此形成成熟的人才团队来更好地服务客户，将会使期货公司获得永续发展，拓宽业务利润获取的范围和深度。

专家建议中国的资产管理业务应更重视专业性，对行业、公司、个人发展都是最重要的一点。根据麦肯锡的预计，中国的资产管理业务在未来的十年将保持每年24%的增长率，成为中国乃至世界发展最快的金融产业，可以说中国资产管理业将涌现出无限机遇。

目前国内的量化交易大概占到市场交易量的20%，每年都在增加，特别是这两年增长迅猛。70%的交易量由程序化交易完成，国内才刚刚起步，因此，国内的发展空间还非常巨大，产品的种类也会更加丰富，策略复杂度和交易工具的精细化也会不断提高。

从投资者身份来看，目前量化投资者主要人群集中在期货公司、私募基金以及券商的自营、基金公司的专户。规模上，以私募基金为主要参与群体。

从操作风格来看，目前期货市场有四类量化投资者，分别是阿尔法产品的使用者、趋势性交易者、套利交易者以及高频交易者。阿尔法产品的使用者，即利用股指期货与股票现货进行搭配，获得股票的超额收益；趋势性交易者，充分运用各种模型对价格进行预判，这种交易者的资金从几万到几千万都是存在的；套利交易，包括无风险的股指期现套利和统计套利；高频交易者，这种一般利用期货市场价格的微小变动进行快速交易，从而获得高收益。

量化交易模式越来越被更多的机构投资者所采用，量化交易模式将会成为主流的交易模式。届时，量化投资产品可能更加多样化，量化投资将会成为金融机构争夺客户资源的主要工具，然后随着量化工具更新速度的加快，量化投资的应用领域将会不断拓宽。

由此可见，学习资产管理与量化投资对公司业务和个人的发展是十分迫切并且必要的。