为什么越来越多的人使用量化投资？量化到底有何独特的魅力？

       为什么越来越多的人使用量化投资？量化到底有何独特的魅力，让人念念不忘，甚至不惜改变原有的交易策略。量化这个听起来高大上词汇，听我慢慢揭开神秘面纱，您也会为这个伟大的策略深深折服。

       量化投资策略的五大方面的特点，主要包括纪律性、系统性、及时性、准确性、分散化。下面进行详细介绍：

       1.纪律性。投资模型的建议是需要投资者严格执行的，而不是随着人的情绪变化而更改。

       2.系统性。此特征包括多层次量化模型、多角度观察、及海量数据观察。

       3.及时性。能够根据市场的变化，不断发现新的统计模型，寻找新的交易机会。

       4.准确性。能够克服主观情绪，妥善运用套利思想。

       5.分散化。利用历史数据，依据筛选选出股票组合来取胜。也可以说是靠概率取胜。

量化投资的主要运用

       1.估值与选股。

       估值是对上市公司基本面分析的重要方法，在"价值分析"的基本逻辑下，对上市公司二级市场股价的偏离值，进而找出高估与低估的票，作为投资参考。

       选股分为基本面选股、多因素选股、动量、反向选股。在此仅仅详细介绍动量、反向选股。动量选股策略是指分析股票在以往的短期表现，事先对股票的收益和交易量设定条件，主要表现为购买过去几个月表现较好的票和卖掉不好的票。反向选股，其行为表现为买进过去表现差的而卖出过去表现好的股票。前一阵子的市场就是一个很好的例子，业绩很好的大白马跌跌不休，业绩差的反而涨幅惊人。

       2.股价预测。通过历史以往数据，进行预测股价。

       3.绩效评估。对基金的全面评估能够提供较好的视角和方法。

       4.程序化交易与算法交易策略。

       程序化交易主要是大机构的工具，他们同时买进或卖出整个股票组合。而买进和卖出的程序可以用来实现不同的目标。

       算法交易，也叫自动交易，简单点说就是通过机器利用某个公式进行计算。

来源：丛股倒金

阿牛智投周凡：如何防止陷入虚假宣传骗局？

       随着股票市场的蓬勃发展，“无证荐股”、“误导性宣传”等乱象屡有发生。不法分子通过网络推广、电话营销散播“无收益不收费”“收益率保证翻倍”等夸张性宣传术语，鼓吹过往炒股“业绩”，以承诺收益招揽客户。一些投资者被这些充满诱惑的词语迷失了心智，跟随所谓的“专家”、“牛散”炒股，最终导致财产受到严重损失。

       这些投资者就是受到了虚假宣传的影响。那么，什么是虚假宣传？虚假宣传是指在商业活动中经营者利用广告或其他方法对商品或者服务做出与实际内容不相符的虚假信息，导致客户或消费者误解的行为。《证券投资顾问业务暂行规定》中指出，证券公司、证券投资咨询机构应当规范证券投资顾问业务推广和客户招揽行为，禁止对服务能力和过往业绩进行虚假、不实、误导性的营销宣传，禁止以任何方式承诺或者保证投资收益。在证券投资咨询服务中，一些人利用承诺收益、夸大收益效果、伪造收益证据招揽客户，就是虚假宣传的行为。

       近年来，各地证监局都加大了对持牌证券咨询公司的监管力度，一旦发现虛假、误导性宣传，证监会将依法予以严厉打击。目前，以虚假宣传招揽客户的，往往是没有牌照的非法投顾；他们不仅做误导性宣传，还往往冒充持牌机构行骗。

       阿牛智投负责人周凡表示，虚假宣传抓住了人们期待“一夜暴富”的侥幸心理，投资者在投资过程中要树立长期投资、理性投资、价值投资的理念，不给不法分子可乘之机。同时，证券投资咨询服务也要从尊重投资者、保护投资者的角度出发，以专业、敬畏的态度对待每一位投资者。

为什么越来越多的人使用量化投资？量化到底有何独特的魅力？

       为什么越来越多的人使用量化投资？量化到底有何独特的魅力，让人念念不忘，甚至不惜改变原有的交易策略。量化这个听起来高大上词汇，听我慢慢揭开神秘面纱，您也会为这个伟大的策略深深折服。

       量化投资策略的五大方面的特点，主要包括纪律性、系统性、及时性、准确性、分散化。下面进行详细介绍：

1.纪律性。投资模型的建议是需要投资者严格执行的，而不是随着人的情绪变化而更改。

2.系统性。此特征包括多层次量化模型、多角度观察、及海量数据观察。

3.及时性。能够根据市场的变化，不断发现新的统计模型，寻找新的交易机会。

4.准确性。能够克服主观情绪，妥善运用套利思想。

5.分散化。利用历史数据，依据筛选选出股票组合来取胜。也可以说是靠概率取胜。

量化投资的主要运用

       1.估值与选股。

       估值是对上市公司基本面分析的重要方法，在"价值分析"的基本逻辑下，对上市公司二级市场股价的偏离值，进而找出高估与低估的票，作为投资参考。

       选股分为基本面选股、多因素选股、动量、反向选股。在此仅仅详细介绍动量、反向选股。动量选股策略是指分析股票在以往的短期表现，事先对股票的收益和交易量设定条件，主要表现为购买过去几个月表现较好的票和卖掉不好的票。反向选股，其行为表现为买进过去表现差的而卖出过去表现好的股票。前一阵子的市场就是一个很好的例子，业绩很好的大白马跌跌不休，业绩差的反而涨幅惊人。

       2.股价预测。通过历史以往数据，进行预测股价。

       3.绩效评估。对基金的全面评估能够提供较好的视角和方法。

       4.程序化交易与算法交易策略。

       程序化交易主要是大机构的工具，他们同时买进或卖出整个股票组合。而买进和卖出的程序可以用来实现不同的目标。

       算法交易，也叫自动交易，简单点说就是通过机器利用某个公式进行计算。

来源：腾讯网

量化因子对投资股票，回报有帮助！

       现在凡是买了基金或者股票的朋友，最关心的话题就是它的收益程度了，那么什么是收益增长呢，一般来说这部分的收入和指数涨跌挂钩，而增强部分，是在指数基础上做增强收入的操作，目的就是为了跑赢指数的表现。

收益指数的问题

       如果还是不了解朋友，下面小编就具体给大家讲一讲收入数值的问题，数值增强等同于β市场收入+α超额收入，Beta收入表示被动复制指数获得的收入，也就是说赚的是大盘上涨的钱，这也是收入来源的核心部分，Alpha收入可以理解为增强部分，拿出15%到20%左右的仓位，由基金经理通过主动选股，量化模型等多种方式调整投资组合，来争取获得比跟踪指数更多的加强收入阿尔法收入，如果把指数基金比作开车，跟踪的指标就像是导航路线，普通数值基金只需要沿着既定指数自动驾驶，速度快不快完全看路况，但指数增强基金则可以在一定范围内，由司机根据路况调整引擎速度，并个性优化路线，这类金融设立的初衷是奔着比指数本身上涨时多涨一些，下跌时少跌一些目的去的。

情绪因子等构建选股系统

       这个问题和很多的企业直接挂钩，所以基本面增强，通常需要基金公司自己有比较强的个股实力，就是公司的经营情况，选股主要通过对宏观，行业，企业及其他影响个股价格的因素进行分析，主观决策超配或低配哪些股票，量化选股主要是利用企业财务基本面因子，价量因子，情绪因子等构建选股系统，模型预测超配或低配哪些股票，金融公司构建出量化模型，如果研究发现有的量化因子对投资股票的回报有帮助，就会加入到模型，一般不是只靠一个金融经理，而是要依靠一个团队来做，比较考验金融团队整体的能力，上面两种增强策略，目前采用量化增强的基金公司多一些。因为从当下市场环境和特征来看，个股分化程度大幅提升，市场风格切换愈发频繁，在这种背景下，量化选股的宽度持股，行业分散等优势更加凸现。

基金公司量化团队整体的能力

       增长值的数据不是根据一天的收益决定的，是要看这几年这个产业的发展，还有未来企业的发展前景在决定，一边量子和分子达到平衡点以后，那么就很容知道这个问题了。

来源：腾讯网

量化投资中偏博弈型策略有效期较短

       随着业绩和规模的双双爆发，量化投资成了2021年最火热的焦点之一。如何理解量化投资的逻辑？量化投资在操作时考虑哪些因素？对于量化投资，有哪些常见的策略呢？

　因子不能涵盖量化投资门类

       我们经常会在量化产品或量化基金经理的路演报告中看到“因子”一词，其之所以出现频率如此之高，最主要的原因是多因子模型是所有做量化投资的鼻祖。

       众所周知，量化投资是用程序化交易，进行机器选股投资，比如指数增强，就是除了赚贝塔收益(β，即市场收益)以外，还追求阿尔法收益(α，即超额收益)。

       我们把市场上所有构成阿尔法的因素，抽象成了一个个因子，比如说它的估值高还是低，业绩增速快还是慢？股价的波动率是高还是低？这些都可以把它因子化，也就是标准化。随后我们就可以按照这一标准对市场上的股票进行排序，择优购买，所以三因子模型本质上是一个排序模型。

       但事实上，因子并不能涵盖所有量化投资的门类。例如一些偏程序化交易，更有赖于用机器学习的偏中高频交易的模型，它们往往因为不同指标的组合方式产生极大变化。而且很多时候，该模型关注的是发掘某一支股票的买点和卖点，本质上是一种时间序列的模型，而多因子模型是在一个时间截面上做横向比较的模型，所以这两者之间存在着很大差异。因此，在实际操作中会使用到多因子模型，但很多时候，更多考虑到的是基本面的数据，判断这家公司未来半年到一年，基本面的趋势是向上还是向下。

       总体而言，多因子模型其实更主要用于公募基金中的指数增强，但私募基金和一些选股比较集中的偏混合型基金，可能并不是以多因子模型为主。

       持股较为分散的指数增强型基金，以及在某些股票上持仓较高的基金，也属于量化的范畴，其做法也被称为“基本面量化”。它的具体逻辑是：首先，基金管理者已经形成一套已经比较固定或者成熟的投资理念，就像我们会先选择抓取基本面趋势向上的公司，这就是一个理念。在持股比较集中的情况下，然后再去了解数据背后的故事、企业的商业逻辑、影响业绩的原因、对长期趋势的判断等等。通过上面这些定性信息，再结合模型当中的定量信息，就可以相对更完整地了解一家公司，然后再来判断它是否符合我们所要求的基本面趋势向上，这整个过程就是主动加量化。

　筛选公司要考虑四因素

       首先需要关注的是公司的财务数据，包括利润增速、毛利增速、收入增速等，包括财务质量方面的指标、现金流方面的指标等等，这些都属于财务报告相关的数据。

       其次，结合所处行业的一些特殊相关数据，也可以帮助我们判断它所处的行业集中度是向上还是向下。

       此外，就是另类数据，比如说很多互联网上的数据，也可以帮助我们去了解某些上市公司的基本面变化趋势。

       掌握了这些数据之后，可以再搭建一个模型。比如在操作的时候可能会使用基于机器学习的分类模型，判断它的增速是会提高还是会下降，或者现金流的增速是会上升还是会下降等。

       最后，在面对不同类型的成长股时，选择的侧重点也有所差异。简而言之，对于大白马，追求的是它增速的提升，对于潜在的小黑马，更看重它整体的稳定性，当然这些侧重点在模型当中会有一些体现。

       由于金融行业周期属性比较强，如果在偏成长的方向上去寻找指标，那筛选出来的标的一般会有类似特征，或者说风格比较集中。从实际情况来看，在近几年的经济环境中，筛出来的或者说最终敢于下手买入的大多数都是白马型的成长股。

       另外，由于这两年行业的景气度相对低迷，预测小盘成长股真正能成长起来的概率是很低的，所以相对而言对小盘成长股的配置也会比较少，大盘成长股则更多一些。总体来看，整体持仓就会集中在医药大白马、计算机白马中。

港股具备配置价值？

       我们看到不少优质的公司在香港上市，比如银行、地产、生物医药、云计算、互联网等，这其中存在很多优质或者是稀缺标的，可供选择。

       与此同时，港股和A股又是各自独立的估值体系，可以有效地规避掉单一估值体系市场下的系统性风险。

       另外，港股已经走弱两年多了，目前已经具备了配置的价值，未来两年优质个股的性价比会越来越高。

       需要补充的是，在我看来，估值在筛选个股时是一个相对比较次要的因素。因为我们希望获取的收益是上市公司成长或者说它基本面趋势向上的利润，无论估值贵贱。当然，如果某公司在没有太多现实因素的基础下，估值达到历史上90%以上的中位数，会选择卖出。

       同时，我认为博弈、情绪、量价这些因素都不是目前主要关注的点。从个人在2013年-2017年的投资经验看，技术面的因子，或者基于量价情绪或博弈这方面的因子，基本上有效期都会比较短，每过半年到一年，甚至每过一个季度可能会失效。因为从本质上看，这些因子赚的都是博弈的钱，A赚B的钱，但是B赔多了策略自然会变，那么A的策略也会失效。即使B的策略不变，钱赔完后A的策略也会失效。因此所有偏博弈类型的策略，有效期都会非常的短。市场涨到什么时候是一个头，博弈或者说情绪发酵的转变点是哪儿，这些都是很难提前做判断的。我认为，主要的关注点还集中在它是不是一个好公司，未来的趋势是否向上。

来源：中新经纬

量化投资黄金期并未结束

       从2020年获得第11届私募金牛奖“三年期金牛私募管理公司（CTA策略）”荣誉，到目前管理资产逼近百亿元规模，成立于2015年的上海念空数据科技中心（有限合伙）（简称“念空科技”），最近一年多来的快速发展，可谓“顺风顺水”。日前，念空科技董事长王啸在接受中国证券报记者专访时表示，未来五到十年预计仍然是中国资管行业和量化投资行业快速发展的黄金时期，而量化投资机构之间的比拼与竞争，将会更多体现在量化策略各个环节的“精雕细琢”，以及在体系化、框架化、解决细节问题等方面的能力。

以深度体系化胜出

       自2020年以来，凭借长期稳健突出的业绩表现，念空科技的管理资产规模从2020年的30亿元左右，飞速增长至目前的接近一百亿元。根据最新托管数据，念空科技及关联公司念觉资产合计管理的存续产品总规模，已达到85亿元。综合考虑已经进入打款阶段和销售排期的中证500指增产品规模，预计在今年年底前，公司管理产品总规模有望突破100亿元。

       对于公司资产管理规模的快速增长，王啸认为，这其中既有量化行业持续飞速发展的贝塔，也有公司在“业绩相对于全行业持续表现较为突出”的阿尔法。就公司自身而言，今年以来公司较为优秀的业绩表现、整体较好的回撤控制，大大提升了客户与渠道的体验和满意度，也得到了市场的普遍认可。

       “每家量化机构都会有自己的体系，不能说谁优谁劣，但念空在量化投资框架化、体系化的践行上，下了很多功夫。”王啸表示，长期以来，念空都是一家“量化投资系统化、框架化根植的比较深的公司”，而且公司在“特征（因子）”、“拟合”、“优化”、“交易算法”的每个环节上，都非常注重量化细节的处理，非常看重量化投研体系能否实现高效运转。

量化投资行业迎“发展大年”

       2021年量化投资行业再度迎来“发展大年”，对此，王啸认为，国内中证500指数增强等量化产品整体业绩的突出表现，以及公私募机构主观多头产品业绩表现的大幅分化，使得今年以来量化投资基金产品持续受到更多投资人认可，量化行业也继续蓬勃发展。从行业发展角度来看，一方面，在国家坚定执行“房住不炒”的大宏观背景下，居民资金持续从房地产、非标资产向权益资产迁移的大趋势，在未来五到十年预计进一步深化；另一方面，优秀的量化投资管理人，预计也能够继续长时间取得显著超越对标指数的投资收益。

       而对于量化投资行业在快速成长中的隐忧，王啸进一步表示，有两方面值得思考。第一，在近两年量化产品尤其是指增产品持续较高的收益率表现之后，公众对于量化投资还存在“过于神化”或是“妖魔化”的认知偏差；第二，正是由于行业的快速发展，目前一些规模快速膨胀的量化机构，能力和经验要匹配他们的资产管理规模，还有很长一段路要走。

       在此背景下，对于念空未来的发展，王啸进一步表示，在公司资产管理规模即将达到百亿之际，日前公司已决定对中证500系列产品进行阶段性封盘。现阶段，公司将不再追求规模的进一步跃升，而会坚持规模稳健增长原则，在当前的规模基础上“做短暂停留”，以便更好地对模型和交易数据进行理论和实盘的一致性分析。

来源：人民资讯

量化投资的背后故事：我们在搞韭菜收割机，你们却以为在造原子弹

       不少人头疼学习数学，常常甩出一个耳熟能详的拒学理由：“学数学有什么用，以后买菜用得到么？”过去的答案是，数学学得好，可以去菜市场买菜，反之，最好去超市买菜；现在的答案是，数学学得超好，可以到股市割别人韭菜。

       当然，上面的话只是调侃而已，不过在股市，确实有一支极其重要的市场力量，和数学有着血肉难分的渊源。这就是量化投资，其精心打造的盈利策略背后，有着严谨的数学原理，同时融合了计算机科学、心理学和金融学的结晶。简单说，人家割韭菜是有科学依据的。

一、三个臭皮匠为何顶不上一个诸葛亮

       量化机构对自己如何获利，常常抛出一句行业黑话：套利！大白话说就是，利用市场错误赚钱。说到这里，就绕不开一位诺贝尔奖得主，以及在一次闲谈中创立的经济学门派。

       时间需要往上回溯到20世纪70年代，当时的普林斯顿大学心理学教授丹尼尔.卡尼曼，和金融学教授阿莫斯.特沃斯基经常在一起聊天。

       某一天两人聊到金融市场时，特沃斯基说，嗨，我们研究金融市场的问题，然后得出结论。卡尼曼反对说，喂，这不对吧，因为从心理学角度看，结果不会是这样的。

       到底是君子加朋友，两人没有因观点不合大打出手，反而决定从心理学角度出发，系统地研究金融学。1979年，卡尼曼与特沃斯基在《计量经济学》期刊上发表开创性论文《预期理论：风险下的决策分析》，由此开创了行为金融学派。卡尼曼因此获得2002年诺贝尔经济学奖。领奖台上，他的身边本应站着自己的朋友，遗憾的是，特沃斯基在6年前就去世了。

       行为金融学和传统金融学的显著区别是，后者认为市场是不可预测的，投资者只能屈服于市场，所以不要每天刻意挑选股票了，要买就买大盘，也就是股票指数。

       行为金融学却唱了反调，认为市场的行为主体是人，人的行为有规律、可预测，因此以人为主体的市场就有规律可循，战胜市场是完全可能的，如何买卖股票也是有讲究的。

       注意，上面关于行为金融学理论表述中的“市场中人的行为有规律、可预测”，这是重点，因为只要你发现了股票市场中的这种规律，意味着你可以预测股票价格涨跌，在涨之前买入，在跌之前卖出，从而获取超额收益，战胜市场。

       看到这里，有人或许会说，这不就是股票市场流行的技术分析吗。还真不是，行为金融学描述的有规律、可预测的市场人的行为，说的是人都有理性和非理性的两面，如果非理性的一面被统一，由此形成的心理群体的智商，会低于单个理性人的智商，也就是“三个臭皮匠，顶不上一个诸葛亮”，而非理性的心理群体会产生同方向的系统性合力。

       在股市中，这种同方向系统合力有一种大家熟知的现象，当股票跌得很惨时，很多人会产生恐慌情绪，都不愿意买入，而是选择割肉，而当股票涨势喜人时，很多人又会追着买入，而不是卖出。结果就是，牛市会涨过头，熊市又跌得一地鸡毛。

       如果找到股市的同方向系统合力也就是涨跌规律，再据此制定交易策略，就等于发现了财富密码，这就是行为金融学在股市的实践奥义。正因为行为金融学操作性很强，所以搞这行研究的教授不乏扔下教鞭，投身华尔街的。管理着1160亿美元资产的LSV基金公司，其三位创始人拉孔尼修克（Lakonishok）、西勒佛（Shleifer）和维希勒（Vishny），分别来自伊利诺伊大学、哈佛大学和芝加哥大学，且曾经都是行为金融学教授。

       在A股市场，也有将行为金融学付诸实践的案例，那就是曾经大名鼎鼎的游资代表“涨停敢死队”。公开信息表明，“涨停敢死队”的惯常操作是买入首次触及涨停的股票（更有游资利用资金优势，在某只股票收盘前拉涨停），第二天股价高开后再卖给慢一拍的个人投资者（散户）获利。上海证券交易所的研究发现，就是这种看似平常的操作，却使“涨停敢死队”账户的日收益率为1.16%，其交易对手散户的损失则为1.46%。

       “涨停敢死队”利用的就是一种市场错误——追涨，因为相对于机构，多数散户的投资信息偏弱势，更倾向于购买涨停板这类容易引起关注的股票，结果被游资割了韭菜。

       但是，“涨停敢死队”还称不上是真正的韭菜收割机，因为其策略模型还是太过粗糙了，而且部分游资利用资金优势暴力拉涨停诱骗散户入套的操作手法，难逃操纵市场嫌隙，最终招来监管重锤。2016年9月13日，知名游资“大佬”肖海东因操纵12只股票价格，获利1341万元，最后被监管部门罚没5365万元，实亏超4千万元。肖海东不是罚得最多的，受罚最重的个人被罚没合计5.2亿元。

       由于武器太过粗糙，加上监管趋严，从2015年开始，“涨停敢死队”主导A股的时代宣告结束，量化机构以迅雷之势冲上A股C位：在2018年底，中国量化私募的规模为1000亿元，到2021年夏天时，这个数字就突破了10000亿元大关，仅3年半的时间，就增长了9倍，一批私募的管理规模更是攀升至500亿元，甚至1000亿元。

       量化机构能成为股市的超级明星，仅有行为金融学理论武装头脑是不够的，事实上，和常人谈之头疼的科学之母——数学勾搭上后，量化基金才拥有了超级武器。

二、锤炼超级武器

       最初，数学也没和量化投资扯上关系。

       1957年，E.T.Jaynes提出了最大熵原理，其主要思想是，对一个随机事件的概率分布进行预测时，我们的预测应当满足全部已知的条件，而对未知的情况不要做任何主观假设，其中不做主观假设是重点，这种情况下，概率分布最均匀，预测的风险最小。

       最大熵原理和牛顿三定律不同，它是统计数学领域的一种推理工具，类似的还有半导体产业界的“摩尔定律”。

       面世后，最大熵原理很快被广泛应用于物理学、生态学、通信科学、社会经济学等诸多学科，但在成为量化投资的武器前，它还需要在数学界再锤炼一番，也就是打造出可操作的最大熵模型。

       这个工作由一位匈牙利人完成了，他就是匈牙利著名数学家、信息论最高奖香农奖得主希萨（I.Csiszar），其证明出，对任何一组不自相矛盾的信息，它们的最大熵模型不仅存在，而且是唯一的，都有同一个非常简单的形式——指数函数。

       最大熵模型在形式上非常漂亮完美，但它有一个毛病，计算量太大，因此早期主要应用在计算量相对不大的自然语言处理领域，包括词性标注和句法分析。

       到2000年前后，最大熵模型被华尔街盯上了。那时，随着计算机算力的提升以及训练算法的改进，最大熵模型应用的领域开始拓展。此时的最大熵模型和一些简单组合了特征的模型相比，效果可以提升几个百分点，这点进步在一般领域体验感不强，但在金融领域却可以带来翻天覆地的变化，因为即使收益提升1%，机构获取的利润额也可以达到以亿元计，这就足以让华尔街兴奋不已。

       另外股票、债券市场的交易需要考虑非常多的复杂因素，尤其以行为金融理论为底裤的量化投资策略，需要考虑的市场涨跌规律多达上万个，人脑根本无法应对如此庞大的计算量。可观的预测命中率加上处理复杂变量长袖善舞，这就使最大熵模型在金融领域找到用武之地，成为量化机构的获利武器，市场效果相当之好，使量化投资在对冲基金内的江湖地位节节攀升。

       2004年，在全球对冲基金资管规模TOP 10榜单上，量化基金仅占1席，还排在末位，14年后的2018年，榜单上前6席均为量化基金，主观基金仅占3席，量化基金的江湖地位来了个漂亮的大反转。

       在和顶尖的价投掌门人巴菲特的较量中，量化基金也大获全胜。最著名的量化基金大奖章基金从其成立的1994年到2014年的20年里，平均年化收益高达71%，其间经历了1998年的亚洲金融风暴、2000年的互联网泡沫破灭，以及2008年的金融危机。而巴菲特的伯克希尔哈撒韦从1965年到2018年的53年里，平均年化收益为21%。

三、还以为他们在造原子弹

       上面已经说过，量化投资的数学基石是最大熵模型，它极其依赖算法迭代缩短模型训练时间，毕竟在金融市场，时间真的就是金钱！结果就是量化投资最青睐的人才不是金融/财经专业人士，而是数理专业，以及计算机编程专业的顶尖人才，前者提出模型和交易策略，后者将前者的思想变成计算机可执行的一行行交易代码。

       大奖章基金背后的管理公司文艺复兴科技公司（Renaissance Technologies），其创始人詹姆斯.西蒙斯（James Simons），40岁之前一直在哈佛数学系执教，也是该校最年轻的数学教授，他的数学成就是，与华裔数学大师陈省身联合创立了“Chern-Simons定律”。这是西蒙斯引以为荣的骄傲，他将“Chern-Simons定律”的手写方程式制成相框，挂在了办公室墙上。

       西蒙斯极少谈论金融市场和交易心得，更愿意交流数学问题，他曾说过一句震动金融界的话：“我们不雇用数理逻辑不好的学生。好的数学家需要直觉，对很多事情的发展总是有很强的好奇心，这对于战胜市场非常重要。”

       这句话其实还算是客气的，因为文艺复兴科技公司雇佣的都是世界上最聪明的头脑，在公司成立不久的上世纪90年代初，就招揽到IBM的顶尖科学家达拉.皮垂（Della Pietra）孪生兄弟。

       达拉.皮垂兄弟最早改进了最大熵模型算法，两人和IBM做语音识别的同事一同跳槽到西蒙斯的公司后，用最大熵模型和其他先进的数学工具预测股票价格，大获成功，使文艺复兴科技公司成为全球量化投资领域的领头羊。

       网罗世界上最聪明的数理天才头脑，已经成为量化投资机构的默认行规。如今，这股西风已经从华尔街吹到A股市场。非清华姚班、浙大竺可桢学院毕业的学生，过不了国内量化机构的初步简历筛选，而头部量化机构的眼光更高，瞄准的是每年国际奥赛IMO（数学竞赛）、IPHO（物理竞赛）、ICHO（化学竞赛）和IOI（信息学竞赛）的金牌得主。

       2020年底，国内某头部量化机构发布应届生培养计划，面向全球招聘优秀本硕博应届毕业生，不仅提供百万年薪，且工作地点任选，还特地声明能够解决北京、上海、深圳落户问题，这种量身定制人才和提前抢跑的手法，等于给量化机构抢人大战添了一把猛火。

       量化机构成功的交易策略都十分精细复杂，而且要处理海量数据，这就意味着，光抢聪明的头脑还不够，还必须烧钱投资硬件。

       据称文艺复兴科技公司的预测模型建立在超过1千万行代码上（作为对比，windows 7大约有5千万行），每天处理的数据量达到30万亿字节，需要3万5000台计算机处理。

       西蒙斯们的国内同行在硬件投资上同样不遑多让。

       2019年头部量化私募幻方投资，耗资1亿至2亿元打造了一台超级计算机“萤火一号”，机房占地面积约有一个篮球场大。两年后“萤火二号”上线，投入达到10亿元，仅机房的面积差不多就有10个篮球场大。

       抢到顶尖人才、烧最多的钱之后，量化机构对锻造出的超级武器——投资策略视为高度机密，当然，他们也会以论文形式公布自己的策略，以拉升公司形象。不过，免费的午餐实际已毫无营养，毕竟谁也不会傻到把自己的赚钱宝贝免费分享。

       但另一方面，量化机构要筹集资金又必须让投资者认识自己，所以又不得不撩起旗袍一角。纵使如此，对投资者来说，还是如雾里看花。LTCM（长期资本管理公司）的投资者就抱怨，公司给他们演示的数学模型太晦涩、复杂，真心看不懂：“不知道的人还以为他们是造原子弹的”。

       看不懂不要紧，只要知道他们是怎么赚钱的就行。

四、如何收割散户

       量化机构的投资策略千千万万，但万法归宗，从行为金融学的视角看，可以大致归纳为三个获利条件：

       首先，作为交易对手的投资者要犯错。前面说过，大多数投资者都是非理性的心理群体，会产生同方向的系统性合力，即“三个臭皮匠，顶不上一个诸葛亮”；

       其次，量化机构做出与犯错的投资者方向相反的操作，没错，就是巴菲特那句“别人贪婪时我恐惧，别人恐惧时我贪婪”，不过，完成这一步的是机器；

       第三，非理性的价格要回归理性，如果低估的永远被低估，高估的泡沫不破，那么量化机构就只能饿肚子了。

市场错误会产生低风险高收益的机会，行业黑话叫“异象因子”。量化机构需要做的就是找到这种“异象因子”，越多越好。

       找到这些“异象因子”后，量化机构就可以躺着数钱了吗？只能说真正的挑战刚刚开始，因为这些“异象因子”没有经过市场实践检验，其中蕴含着假的“异象因子”。要剔除风险，量化机构就需要把交易模型一遍遍地跑，筛选出盈利的“异象因子”，淘汰导致亏损的“异象因子”，去劣存精之后，得到一个正式版本的交易模型，然后上线赚钱。

       虽然量化机构口中说的是靠市场错误获利，但市场错误绝大多数都由个人投资者（散户）产生，毕竟相对而言，机构犯错要少得多，也就是说，量化机构靠收割散户赚钱这个逻辑是跑得通的。

市场数据也印证了这个结论。

       来自中金公司的数据表明，在2014年，A股个人投资者持股市值（自由流通市值）占比为72.4%，到2018年时，这个数字下降到52.5%（这里需要特别说明，2003年至2006年个人投资者比例快速下滑，和公募基金大发展及股市加速扩容有关），4年下滑了19.9个百分点，是15年来的最低点，从时间节点看，和量化投资机构大跃进发展反向相关，两者呈此消彼长的关系。

       如果感觉上述数据说服力还不够强，那么证券时报旗下媒体的调查报道或许可以说明问题。

       报道显示，在华尔街，国际一流的量化对冲机构年化收益只有2%至3%左右，加上杠杆最多做到6%。但在国内，很多头部量化机构，最近几年都达到30%左右的年化收益。之所以A股量化投资获利能做到美股的5倍，和A股的散户（个人投资者）比例较高有关。

       量化投资在A股的暴利，引得国外量化巨鳄挤破头也要来分一杯羹。截止2021年第三季度，包括桥水、D.E.Shaw、Two Sigma和Winton在内的多家海外量化基金已拿下外商独资企业（WOFE）牌照，并在中国发展起自己的私募业务。这意味着，国内的量化机构，将和国际量化高手同场竞技，“虎”与“狼”将共同围猎散户。

       如果散户这种优质“韭菜”被越割越少，量化机构会怎样？结局就是A股美股化，机构绝对主导市场，量化投资告别暴利时代，盈利减少甚至会出现亏损。前文所说文艺复兴科技公司旗舰量化基金大奖章收益率惊人，但它其实是一只内部基金，仅向公司员工、前员工和少数长期客户开放，文艺复兴对外募资的两只外部产品表现却没有如此优秀，分别遭遇了22.62%和33.58%的亏损，在汇丰2020年对冲基金业绩最差Top20榜单中占了两席。

       这种一半是火焰，一半是海水的盈利画面，相信很快会在国内头部量化机构呈现，毕竟，赚钱不易才是一个亘古不变的命题。

来源：腾讯网

三大特点决定了量化投资的稳定性和完整性

       作为近年来在A股市场快速兴起的新型交易方式,量化投资颇受广大投资者的青睐。今年前三季度表现优秀、收益丰厚的量化基金,更是成为了无数投资者心中的“香饽饽”。

       纪律性、系统性、及时性是量化投资的三大特点,相比其他交易方式,量化投资具有先天的稳定性和完整性,这正是其投资特点决定的。

       先说纪律性。主要表现为其投资逻辑以数据模型为依托,不以人的意志为转移。正是基于这样的纪律性,可以克服很多人性的弱点。比如不少投资者在投资过程中,很容易被贪婪、恐惧等心理左右,做出不理智的投资决策。而量化投资的纪律性,可以帮助投资者很好地避开这些局限性,无论是股票的选择,行业选择,还是大类资产的配置等等,都是有数据支持的,而且可以不断纠偏和修正,这就保证了量化投资的稳定性。

       其次是系统性。量化投资的系统性,指的是其多层次的量化模型、多角度与海量数据的观察等等,所有投资决策是在这样一个系统性的环境下做出的,而不是其他偶发的因素。这样做的好处就是数据样本足够多,在量化模型强大的信息处理能力的加持下,可以捕捉到更多、更合理的投资机会。

       最后是及时性。市场上的信息瞬息万变。某一个投资品种的新信息出现,或者某种标的物的价格偏离了合理的价格,这样带来的投资时机都是非常短暂的。利用量化投资的方法,可以及时快速地跟踪市场变化,不断发现能够提供超额收益的新的统计模型,寻找新的交易机会。

来源：Tech观察

对国内量化投资未来的一些猜想

       网上有很多文章提到量化1.0时代，2.0时代等等，大致是根据国内量化投资发展历史阶段归纳分段的。近期又遇到量化投资风口浪尖的关注特别高，业绩也出现波动。更有甚者已经开始完全否定量化妖魔化量化，不禁会让人对未来国内量化投资的发展充满想象。其实，看看美国市场，量化投资占比很高，可以大致肯定量化投资作为和主观投资一样成为一种不可或缺的投资方法论的地位。

       在接下来的几年中，有几种趋势，会伴随着量化投资的发展而出现：

1，A股市场散户交易占比逐年降低，量化选股超额收益螺旋式逐渐下降

       目前，国内有一批管理人量化阿尔法选股的超额收益比较容易能做到年化20%以上，其中特别优秀的能做到年化30%甚至更高，这个其实是非常恐怖的。在美国，顶级机构的这个超额收益也就是5%，6%的水平。本质上国内这个超额收益这么高的原因还是因为投资者结构的原因，散户占比高带来的市场有效性差，错误定价的机率更多。去散户化说了好多年，市场有没有改变呢？还真有！看到ZJ公司一个统计数据，目前A股市场各类机构投资者持股（自由流通市值）已经超过50%，并且最近几年是明显地逐年提高。当然持仓市值过半并不意味着交易量过半，毕竟机构持股的绝大部分份额是以公募基金、保险等为主的价投类主动管理策略。虽然近年来量化策略规模增长明显，但恐怕影响也有限，而散户的平均周转水平要高不少。但即使是这样，我们仍然可以预见，也许也用不了几年，机构交易量份额就会大幅超过散户交易份额。因为个人散户的赚钱效应越来越被证明显著弱于机构投资者，购买基金产品已经逐渐成为一种新流行。因此，或许我们还有一些时间，享受量化选股的高超额逐步下降过程中的红利，但趋势已然非常明确。如果年化超额收益下降到10%左右的水平，指数增强仍然可以被认为是一个颇具价值的投资策略，但中性策略因为对冲成本高、资金使用效率低，前后端费用以及超额和基差共同带来净值波动，实在是不能给客户提供一个满意的答案。当然，也可能未来对冲工具丰富，对冲成本大幅下降，关于衍生品这一点在后文中聊。

2，量化混合多策略和以及FOF/MOM组合投资成为更加流行的趋势

       在低波动低回撤稳健收益这个赛道，量化对冲中性策略，套利策略，大比例债券加小比例权益的固收+策略，现金网下打新策略等等应该说是目前比较主流一些策略和投资方式，但也各自存在着对不同阶段市场环境的适应性。比如注册制网下打新策略去年全年的收益能在10%以上，但今年大概率连一半都达不到，未来还可能面临着上市破发的时代来临；固收+策略遇到股市熊市的阶段很容易变成固收“减”，上段提到的未来中性策略收益可能很低等等…

       资产配置可能是解决难题的唯一答案（不得不承认老李的确是资产配置的信徒，几乎每一篇文章都能找到痕迹），FOF组合投资把低相关不同收益来源的策略组合在一起，获得一个加权平均收益，但波动和回撤大大降低，夏普比例显著提升。并且根据对子基金持续动态跟踪和调整，力求画出一条小幅波动缓慢向上的斜线。

       另一种方式是单个量化管理人在同一个产品内使用多个量化策略，以达到低相关收益来源高资金使用效率的目的。例如，将量化对冲策略、量化指数增强、量化CTA、期权波动率套利、网下打新、量化可转债等策略中的某几项甚至全部组合在一起。其实，现在就已经有很多量化CTA产品都开始会叠加量化对冲或者指增，毕竟除去期货保证金以外的现金部分买成货币基金实在是浪费，而CTA策略的管理人如果不向股票策略扩展，容量始终是个大问题。但真正自上而下就为了量化多策略这个逻辑，去按照风险收益等级设立产品条线的成规模的量化管理人，BL近一两年应该算是个代表了吧。

       随着资管新规净值化转型后时代的继续演进，以及房地产投资价值的大幅下降、非标融资类资产逐渐退出历史舞台，投资者大量稳健收益投资需求的资金也必须逐渐去容忍一定的波动，并且投资者的预期收益需要回归理性，最需要做的是在控制好风险的情况下对抗通胀，并且获取一定水平的复利累积。而量化投资因为具备可对冲、投资品种多、投资标的分散、获取低风险套利收益等特性，使得量化策略可以发挥积极贡献，为混合多策略或者组合投资解决稳健收益难题成为可能。

3，基本面量化的占比不断变大

       以量价类因子为主要贡献的股票量化策略总是不可避免地触及容量和拥挤的问题。量化管理人都会回答很多投资者关注的策略容量问题，大致是根据自己的冲击成本和滑点来测算。但这里面有两个很关键的问题，一个是市场总交易量的变化，另一个是整个同类策略在全市场中总规模的变化。第二点虽然很少有管理人提及，但事实上别人家的规模大幅增长同样会挤占自己的容量，大家的量价因子有不少的重合度。现在整个量化策略规模已经比较大了，在某些小市值的股票交易中，更容易出现交易的拥挤。又因为交易频率相对高一些，在规模—收益—波动的不可能三角中，规模越做越大的管理人都会寻求如何在降频的环境下继续保持收益水准，基本面因子始终是解决难题的重要出路。

       基本面量化除了有容量大的好处以外，还有一个好处是可解释性强，逻辑清楚。当然，要做好这一份工也对数据的要求很高，特别在中国市场不太好把握财务数据真实性情况下。所以对管理人来说数据的搜集和清洗是不低的门槛，也需要时间积累，还要具备相当程度的对金融和财务的深入理解。个人认为，在国内，XY投资可能是这个赛道最有潜力的机构了，其主要合伙人来自于AQR和BGI这种全球最大的基本面量化机构，另外还有学术理论水平极高的合伙人等。虽然他们目前管理规模并不大，和一线量化机构相比收益水平也偏弱，但老李非常认可他们对于基本面量化的坚守以及看好未来他们不断壮大的潜力。另外，还有KN这样的管理人，也是一直在基本面量化的赛道上勤勤恳恳积累。

4 ，机器学习的应用更加深入

       近年来机器学习在量化投资中的应用越来越流行，好像管理人不提自己运用了机器学习方法都拿不出手一样。很多量化管理人都或多或少使用到一些机器学习的理论。“神经网络”、“深度学习”、“人工智能”这些词汇也频繁出现在管理人路演材料中作为宣传的亮点之一。的确，技术进步带来的成果在金融投资上的应用越来越深入。随着大数据的维度越来越丰富，计算机运算能力越来越强，机器学习在量化投资中的应用一定会越来越深入。当然，处理好纯非线性数据挖掘可能出现的没有好的解释逻辑、过拟合等问题是需要非常小心的。但总的来说，机器学习的技术有望在未来国内量化投资中扮演越来越重要的作用。

5，行业内头部效应更加明显

       近些年头部集中好像成为各行各业的普遍趋势，金融行业也不例外。量化投资特别需要的是策略的不停迭代、运算能力的不断提高、交易速度的不断提升。这些都意味着管理人在高端人才竞争，硬件投入等方面持续地投入。私募行业内部管理规模更大的管理人因为更多的收入来源，会形成很大的竞争优势，这样会形成一个正向反馈。其中在高频策略的细分赛道，本来行业规模就有限，更有可能形成稳定的头部格局，某些时候快人一步，或者人无我有的交易信号，也许就是1和0的差别。美国市场同样如此，量化对冲基金已经形成了几家头部机构的格局，其他分散的小机构很难超越。当然，我并不认为目前国内按照规模排名的头部机构就已经形成了稳定的格局，中国的量化投资行业还很年轻，未来谁能站稳脚跟都不一定，但头部集中的趋势也许已然注定。

6，来自外资机构的挑战

       外资金融机构进入中国早也不是什么新鲜事，最近几年金融对外开放的政策力度也越来越大，WOFE注册、QFII额度取消限制、外资全资的投行、券商、期货公司等金融持牌机构政策的放开等等，也展示了中国在金融领域对外开放的决心。老李始终认为，在金融的很多细分赛道，外资机构都需要非常长的时间才能适应中国市场及文化，比如主观投资中对上市公司真实情况的深入了解，投行IPO业务中对监管审核尺度的把握和对拟上市公司当地政策环境的理解。还比如在财富管理业务中，国内传统金融机构长期以来形成的网点渠道、人员数量以及品牌声誉等巨大优势，对外资金融机构来讲，都是非常难以跨越的护城河。

       但是在量化投资的这个赛道，外资量化机构很可能会快速就展示出很强的竞争力。因为这个赛道，所有的重要因素都在市场，都没有门槛，是基本都不需要和人情打交道的纯技术活。而全球顶尖的量化对冲基金在这个技术层面已经积累很多年，并且在人才上的优势也非常大。其实，国内成规模的量化私募中有不少创始人是从海外机构归国的，发展非常好，那如果他们的老东家进入中国大干特干呢？不知道会不会有点可怕。著名的Two Sigma和D.E.shaw都已经在最近一两年在上海设立WOFE机构并且发行了产品，初期发行产品的投资标的以商品为主，并且基本没有做什么营销。老李有关注到其中一只产品的净值表现，已经展示出非常惊人的效果。可以预见，也许不需要太久时间，当这些外资量化私募真正开始重点开展中国资管业务的时候，数据和交易连接一旦准备充分，一定会刮起国内量化投资行业的一阵旋风。不过也并不是说国内机构就一定会占下风，毕竟已经积累多年，但是面临巨大竞争可能是不可避免的了。

7，衍生品的大力发展

       相比国外，国内资本市场成立较晚，还因为体制的原因，在以前衍生品的发展十分缓慢，工具的推出非常谨慎。目前主要是一些指数类的期货和场内期权产品，以及供给严重不足的个股融券工具还有交易低频的个股场外期权模式。未来，随着衍生品工具的不断丰富，量化策略的应用场景将大为广阔。比如中证1000指数的股指期货如果推出，中性策略很可能由目前500指数为主的策略变为中证1000为主的策略；再比如个股融券供给充足或者场内个股期权推出，那么股票多空（一篮子多头股票和一篮子空头股票）策略也一定会占有一席之地。衍生品工具的大力发展，会为量化策略带来更多丰富的选择，也会为财富管理带来更多可能。真是充满了期待！

来源：搜狐网