量化投资大牛是怎样炼成的

       一名优异的量化基金经理，要掌握的能力不仅仅是数据挖掘，还需要专业的金融知识和对市场深刻的理解。

什么是量化投资?

       蚂蚁嘉汇表示，量化投资是借助现代统计学、数学的投资方法，从海量历史数据中寻找能够带来超额收益的多种“大概率”策略，并纪律严明地按照这些策略所构建的数量化模型来指导投资，力求取得相对稳定的、可持续的、高于平均的超额回报。

       量化投资属主动投资范畴，本质是定性投资的数量化实践，理论基础为市场的非有效性或弱有效性。

蚂蚁嘉汇认为，量化投资有非常多的优点：

       利用数学、统计方法分析数据，找出客观规律，处理海量的数据，揭示隐藏在繁琐数据里面的规律和投资机会。

       避免主观、盲目投资。一定程度上克服了投资者人性上的弱点---贪婪、恐惧、从众造成的不必要损失，能够严格按照应用策略指标公式模型进行止盈、止损，实现全机械化、纪律化的交易模式。

       一定程度上排除了人为的干预性，避免了投资者在生理、心理状态不佳时，出现的延迟或者错误判断，从而具有投资策略一贯性、操作客观性、下达指令准确性以及高速度等一系列优势。

       然而，并非任何人都能够使用量化的方法进行投资。量化投资需要非常复合的专业能力，需要很强的数学、统计、计算机编程能力，以及专业的金融知识和对市场深刻的理解；同时需要一系列完善的硬件、交易柜台支持。

       由此来看，相对于普通主动投资，量化投资具有非常高的门槛。

       上述各项条件中，对于普通投资者来讲，相对较难满足的可能是“很强的数学、统计、计算机编程能力”等条件。但这些对于机构投资者来说，并不是问题，机构可以招揽很多优秀的“理工男”、“IT男”做量化研究和投资模型开发。蚂蚁嘉汇表示，对于机构投资者而言，真正的“短板”反而是“专业的金融知识和对市场深刻的理解”。特别是从国内实际情况来看，很多投资机构的量化投资人员，多是毕业便开始从事量化投研工作，直接从数据挖掘、量化分析方面开始研究市场。在与“数据”打交道之前，如果缺乏丰富的相关投资经验，可能会导致其开发模型变成纯粹的数据挖掘，一不小心会“过度优化”：样本内表现优异，样本外表现则大相径庭。

        目前人工智能（AI）在多个行业掀起了热潮，投资界也不例外。事实上，基本没有听说有单纯依靠 AI 在国内投资市场赚钱的案例。在IT界，有一个著名的说法是，Garbage in，garbage out，即“（计算机运算中）错进，错出（若输入错误数据，则输出亦为错误数据）”。这句话放在人工智能领域也非常合适：即使拥有先进的 AI 技术，如果对投资没有深刻的理解，找不到真正有用的数据，用来“训练”AI 系统的都是些垃圾数据，那么结果必然是Garbage in，garbage out。蚂蚁嘉汇认为，量化团队需要不同背景的人员组成。既要有数理类人才，也需要擅长编程的IT人员，更需要有丰富投资经验的投资人员。但即使是这样，不同人员之间的沟通交流“成本”也很高，很难发挥1+1=2甚至1+1>2的效果。

来源：和讯网

金融量化大潮中的国产化曲线

       2020年，是中国经济在高不确定的时代背景下爆发出惊人潜力的一年。

        随着年初《统筹监管金融基础设施工作方案》的出台，“金融新基建”的号角正式*响。也正因为此，金融证券在安全、管理、运维等方面正面临着因数字化转型而引发的新挑战，新兴技术与应用场景的紧密融合，已成为证券行业高质量发展的重要引擎。

       在机遇和挑战的双重推动下，联想企业科技集团以强大的技术优势和丰富的最佳实践，成为助力金融领域实现智能化转型的赋能者，也成为金融行业的数字化自主可控道路上的推动者。

01

金融量化与算力痛点

       12月19日，联想企业科技集团正式发布了业内首款超高频低时延服务器——AR2209C。这款2U单路机架式服务器，凭借超高频和低延迟的特性，专为满足金融行业高频、量化交易等业务场景对处理速度、网络延迟、内存延迟、延迟时间要求较高的应用。

        AR2209C服务器能够稳定超频达5.0GHz，并内置了全球独家定制高频率低延迟内存，频率高达3600MHz，时延CL值仅为14。

        当然，看到这里你可能仍然迷惑不解——一台超级服务器的发布和标题里的“金融大潮”，又有何关系？

        那我们就稍微回顾一下历史——在还没有电子计算机的时代，人们就已经发明了各种各样的机械式计算、统计设备用于金融行业。没办法，这个行业对计算能力的需求太大了。

         1911年6月，有个叫弗林特的华尔街金融家有了一个新点子，在他的撮合下，一批最早生产商用计算设备的公司——制表机器公司、国际时间记录公司、美国计算秤公司合并了，它们组成了一家新公司，名叫计算制表记录公司，简称CTR。

       你可能对CTR没有印象，但没关系，因为这家公司后来改名了，它后来的名字就是——IBM。

        所以从根儿上说，计算和金融，就是一对双生子。

       随着IT逐渐成为一门科技显学，美国知名投行高盛集团首席执行官劳尔德·贝兰克梵（Lloyd Blankfein）就常常说一句话——“其实我们是一家科技公司。”

       据统计，高盛33000名全职员工中超过9000名是程序员和工程师，在数量上比肩Facebook、Twitter这样的顶级科技公司。

        为什么呢？主要是金融发展到了今天，随着和大数据、AI等交叉学科越来越多的相互促进，产生了一门新的学问-——量化金融。对于这个概念，我们简单可以认为——金融的本质是数学，但现代金融涉及天量的数据，所以现代金融及其重要分支——量化金融，本质上是建立在算力和算法上的一门科学。

       量化金融在国外的发展已经非常成熟，而且进入2020年后，由量化及程序化交易所管理的资金规模进一步扩大，目前全球超70%的资金交易用计算机或者程序进行，其中一半是由量化或者程序化的管理人来操盘。

      由于中国和国际先进行业的接轨加速，量化金融业迅速进入中国，而且发展极为迅速。

       在新基建的宏大背景下，当前国内量化金融体系正处于从低风险量化转向主动量化的行业变革期，一系列新的体系性变革不断发生，个股期权、股指期权等金融工具接连**，交易所技术系统不断升级……这就导致对量化金融的硬件基础的续期不断攀升，金融行业渴盼拥有更低延时通道、更灵敏的系统响应能力以及更稳定的交易系统。

       而强大的算力，是量化策略快速计算、快速运行的必备条件。

       但是，量化金融大行其道的当下，却遇到了另一个问题——主导半导体行业发展数十年的摩尔定律，正在逐渐失灵。

        以芯片巨头英特尔为例，它的CPU主频突破3Ghz是2003年发生的，但在种种限制下突破5Ghz，却到了2020年。

        对于普通用户来说，这并没有太多的感觉，因为CPU的算力已经出现冗余。但是，对于量化金融行业来说，问题可就大了，这个行业对算力的需求几乎是无底洞，特别是随着大数据、AI等技术的普及，对算力的要求更是指数级增长。

       在芯片本身由于原理限制而已经无法快速突破时，向解决方案提供商要答案，就成了另一种解法。

       这里就要说到联想了——联想企业科技集团扎根金融证券行业已长达25年，持续为证券客户提供硬件、软件、服务三位一体的端到端解决方案，领军金融证券业新趋势新发展，并取得了多项创新性里程碑成果。

       联想企业科技集团金融行业总监赵永涛这样形容：“得益于合作**的行业生态，联想才能打造出一个又一个行业标杆的解决方案，并达成了在最高的AA和A级券商中有80%以上是联想企业级产品和方案的忠实用户这一领军成就。我们将继续构筑智能化大生态，用新产品、新服务和新体验，持续**业界的信任与认可。”

       所以，一个具有超高频、低时延、高效安全，可以用于AI洞察和服务关键产品的服务器是行业期待的焦点，而AR2209C就是这个答案的一部分。

       为什么这么说呢？我们举一个例子就可以明白——AR2209C能够稳定超频达5.0GHz。

       很多人对于超频这个词已经很陌生了，但在以前，在计算机发烧友中，超频是一个热门技术，它的做法，是把一个CPU的时脉速度提升至高于厂方所定的速度运作，从而提升性能、节省金钱。好比汽车制造商卖给你一台2.0T的汽车，你经过改造使之输出3.0T的动力，这就是超频。

       但是，对于要求极高的金融服务器，这种超频做法并不那么常见，因为金融场景的第一原则是稳定为先，超频则存在风险。但是，AR2209C能够稳定超频达5.0GHz并且作为一种成熟商品交付给市场，只能说明联想在金融服务器方面的积累非常的深厚——深厚到了可以让服务器的处理器主频发挥出比起厂方设定值更高的效率，但又不损失稳定性的程度。

       当然，AR2209C的强大，并不只是CPU的主频高，它还内置了全球独家定制的高频率低延迟内存，频率高达3600MHz，同时搭配了专业低延迟网卡……这意味着，这是一款没有短板，不但能高速运算，还可以高速传输和吞吐数据的产品。

什么叫黑科技？这就是黑科技。

02

联想企业科技集团的金融智慧

       其实，AR2209C对于联想的整个金融智慧体系来说，只是沧海拾贝。

       作为新基建十大核心代表企业之一，联想长期以赋能千行百业的智能化转型为己任，自身也正在**着以智能化变革为目标的战略转型，其中的核心精华可以概括为“3S战略”，而金融行业的智能解决方案，就是3S中的行业智能（Smart V***ical），是联想用智能化推动产业升级的重要切入点。

       联想能够用智能化推动产业升级，首先建立在对于行业痛点的把握之上。

       联想金融行业架构师王永超分析指出，目前，量化交易体系存在四大痛点，分别是算力不足和缺乏GPU集群、网络与存储存在瓶颈、系统的水平扩展困难、缺乏好的资源调动管理策略导致资源调动能力差。

       除此之外，量化交易行业缺乏的不仅仅是算力等“硬瓶颈”，更需要一体化的AI解决方案，需要一种能给交易赋予“智慧”的整体解决方案。

       对此，联想集团副总裁、联想企业科技集团行业事业部总经理刘文超就深刻的指出：“证券行业正面临新的挑战和机遇，而数字技术的强大效能也为证券行业的新业务开展带来了更多可能……联想正在加速构建贯穿信息基础设施和融合基础设施的新基建矩阵，并以更智慧的技术和算力平台，打造全新的业务场景，为包括证券行业在内的众多行业打造新业务场景下的商业模式进化。”

       联想集团副总裁、联想企业科技集团行业事业部总经理刘文超现场致辞

       具体说来，如果说超级服务器只是构建“交易智慧”体系的一块砖石，那联想的量化交易&AI平台，提供的就是完整的解决方案和具有竞争壁垒的“长城”。

       用大多数人能明白的话说就是，这个平台体系包含了三方面的智慧和科技：

——在平台层面，实现了平台运营管理、深度学习、数据标注、AI训练、智能推理等方方面面的模块整合，使之成为一套可用性很高的整体AI体系；

——在基础资源调度支撑方面，通过和英特尔等顶级合作伙伴的合作，提供了完善的调度层应用；

——在基础设施方面，有AR2209C这样能力超强的计算节点，同时，作为NVMe存储市场上的领导者，联想还能够为       证券客户打造NetApp AI解决方案，帮助实现数据的存储和管理，构建智慧数据；此外，还能基于高速网络，实现多源异构数据在整个生产力体系内的高速流通和实时响应。

       总而言之，联想在智慧金融方面的积累，完全超越了人们对于联想“是一个硬件提供商”的狭隘认知，而是通过联想构建的“端-边-云-网-智”技术架构，不断分析和解决在行业发展过程中的痛点，并以新兴技术为核心驱动力，整合全球能力，为中国金融行业，提供了更加完整和有针对性的端到端全栈式解决方案。

03

联想的路，为何总是先人一步？

       联想企业科技集团金融行业总监赵永涛介绍联想的国产化之路时，用了这样一段充满自豪的话语：“我们洞察甚至预判出诸多行业新趋势新机遇，以及随之而来的新挑战，从而致力于将客户发展新业务的急迫性，转化为我们引以为豪的全新解决方案——从1995年无盘工作站，2006年的Novell行情专用服务器，到2016年***超低时延服务器，乃至今天炙手可热的AI量化交易解决方案，联想总能先人一步，第一时间**以赋能客户发展为己任的产品及解决方案。”

联想企业科技集团金融行业总监赵永涛现场分享

       其实，联想企业科技集团的发展之道，既是联想聚焦基础硬件+服务，“以我为主，构建IT产业双循环”的探索之路，又是一条步步创新，具有预见性的国产化之路。

       众所周知，联想是一家发端于中国，充分国际化的企业，因此，全球化和中国特色，都是联想的“本色”。聚焦到金融赛道，联想不仅销*全球研发的数据中心产品和解决方案，而且充分满足中国市场的需求，不断开发满足一系列适应中国特色的产品、方案、服务，历年累积**了多款本地化服务器产品和40多款专业服务，拥有39项核心资质和2项IDC资质，还有近年大热的云业务资质。

       特别是今年，由于疫情带来的逆全球化趋势和高不确定性时代的到来，中国在金融科技方面的自主可控，已经上升到了国家战略高度，而联想则积极响应国家战略布局，重点推进自主可控国产化产品的开发与应用。

       如果梳理联想企业科技集团的“成绩单”，我们会发现，在许许多多的“非传统产品”中，我们看到了联想和大量“中国芯”企业的合作。

       这其中，就包括基于x86架构的兆芯、海光等处理器、ARM架构的飞腾处理器、Alpha架构的申威处理器等……这不仅仅显示了联想在不同架构服务器产品方面强大的系统整合能力，更可以说，联想为广大正处于弯道超车阶段的中国芯片企业，提供了迈向商业市场的路径和桥梁，也在分担创新的风险和成本。从这个角度来说，联想对于中国IT产业的基础创新的推动作用，可谓“默默奉献，巨大推动”。

       也正是由于联想整合了集团的研发智慧，**了符合中国市场特色的定制产品组合，为中国企业智能化转型提供基石。目前，联想已经交付了业界最全面的国产化产品线，拥有了覆盖范围最广的技术服务支持体系。

       说到这里，就不得不提及联想对于信创的重大推动。信创是“信息技术应用创新发展”的简称，也是目前的一项国家战略，更是当今形势下国家经济发展的新动能。

       某种意义上说，中国发展信创，是为了解决本质安全的问题。所谓的本质安全，也就是说要把一些行业的核心技术，变成中国自己可掌控、可研究、可发展、可生产的。因此，信创产业发展已经成为经济数字化转型、提升产业链发展的关键。

       而联想不仅在国家层面，而且在产业、地方层面都是信创工作的积极推动者，从2014年参与核高基课题开始起步，建立了产品研发平台、运营生产平台、服务支持平台和市场营销平台等****，支撑联想信创业务的发展。此后，伴随信创业务的发展，联想的信创业务已经建立了完整的研发、生产、运营、服务、销*体系，实现了端到端的业务整合，建立了较为完整的联想信创业务支撑能力。

       事实上，在金融行业推动信创，是一个难点。因为这个领域对技术、产品、方案的成熟度要求极高，向来都倾向于采购国际领先的企业的产品和方案，但是，在当前的环境下，金融信创、自主可控趋势已不可阻挡。因此，当中国农业银行探索积极持续推进国产信息技术产品应用落地的过程中，联想最终以基于联想海光服务器+开源数据库+开源中间+自研应用的业务系统，实现了端到端安全可控，不仅拿下了**的大单，也为行业信创做出了贡献。

       为什么我们在谈到联想对于金融行业的服务中要反复的讲信创，因为金融行业的创新，恰好也是中国数字化创新的一面镜子，其中，技术的先进性、自主可控性、国产化率的提升，是三个互为前置条件又相互作用的三角矩阵。

       因此，谈金融的数字创新就不能不谈联想，谈金融科技的自主可控更不能不谈联想，联想的数字金融解决方案之路，最终是一个从硬件、到软件、再到生态，都逐步体现国产化智慧的道路，为中国的量化金融和信创提供持续的解决方案，不仅体现了联想顶级解决方案提供商的地位，也是中国未来发展动能与产业结合的良好示范。

来源：深氢商业

关于量化投资，你应该知道

用科学严谨的数据代替主观判断做决策 -- 量化投资

       一般来说，股市中投资无非就是两种方法，价值投资和技术分析。

       价值投资是看股票的基本面和估值，而技术分析（趋势投资）研究的是股票技术面；价值投资和趋势投资是引领过去一个世纪的投资方法。随着计算机技术的发展，投资者把已有的价值投资、趋势投资与现代计算机技术相融合，催生了量化投资。

量化投资，简单地说就是利用数学、统计学、信息技术的方法来管理投资组合。

        量化投资是借助计算机系统强大的信息处理能力，采用先进的数学模型替代人的主观判断，利用计算机技术在全市场捕捉投资机会并付诸实施。

        量化策略是处理“买什么、何时买、买多少、何时卖”四个问题的一套方案规则。把这样一套规则写入计算机程序并对接证券数据库、证券实时行情，计算机就可以计算出，在过去的所有交易时间执行这样的方案，可以取得怎样的收益结果，以及展示详细的交易记录，并可以发出实时的投资指令。量化策略通常是计算机自动执行的。

量化投资的优势

1. 高效精确：

       计算机用历史数据对量化策略进行高效回测，可以完**力无法完成的统计工作量，并输出精确无误的统计结果。策略好不好，回测便知晓，不再需要投资者耗费大量的时间、精力、金钱去统计历史数据或实盘**来验证自己的投资策略的可行性。

       量化策略可以及时快速地跟踪全市场的行情变化，寻找最新的交易机会，准确下达出最新的投资指令。

2. 纪律严格：

       投资者的情绪难免会受到周边环境、以及人性弱点的影响，常常会做出一些偏离自己判断的交易行为，而量化投资的客观性、纪律性较强，严格的按照策略规则理性投资，能有效克服投资过程中的情绪化行为，避免投资者因市场极度狂热或悲观的情况而导致做出非理性的投资决策，使投资的稳定性大为增加。

量化投资的盈利来源

       量化投资盈利来自策略的盈利数学期望值为正。数学期望值是初中数学中描述概率的一个参数，数学期望值=盈利概率*盈利涨幅-亏损概率*亏损跌幅。某一笔投资盈利的数学期望值为正，则意味着这笔投资理论上可以获得正收益，量化回测的统计数据中包含该策略精确的盈亏概率和盈亏幅度。

下面举例两种数学期望值为正的情景。

       情景1每次投资赚钱概率50%左右，但赚钱交易的平均收益率高于亏钱交易的平均损失，于是多次的收益率差累计起来，就会变成风险有限但收益率高的投资。

       情景2每次投资赚钱概率超过50%，但赚钱交易的平均收益率与亏钱交易的平均损失基本持平，比如10次交易，其中7次赚钱，3次亏钱，那么3次盈亏相互抵消，仍可拥有4次盈利。

量化投资的主要问题

1.过度拟合

       什么是过度拟合？我们站在现在看历史行情，可以很清楚地知道哪个阶段是什么样的行情，市场是什么样的风格，如果我们在策略中故意表现出相应的风格去拟合过去的行情，那么回测必然会展现出高回报，但这种收益回报大概率是无法持续的。

要避免量化策略过度拟合，须注重两点。

       一是测试时间要足够长，或者说测试样本足够多。我们A股的历史比较短，大部分能取到的数据只有十几年，对于日线级别的测试，并不算太长。我们的回测至少要保证测试时间段中既有大涨行情，有大跌行情，还要有震荡行情。

       二是策略的条件及参数越少越好，不能为了避免某种不好的行情就加个条件或参数，过度优化必然导致过度拟合，参数越少的量化策略，过度拟合的概率越低。

2.策略深度不够，投资踩雷

       量化投资虽然具有更大的投资视角和广度，能够快速高效地在全市场范围内进行海量信息处理和挖掘，但在投资决策深度上是不够的。比如某些有严重财务隐患或资讯利空的个股因符合策略规则，被量化策略选出并被买入，就会导致投资损失。因此，将量化投资用于股票投资时，往往还需要执行人工基本面排雷。

如何进行量化投资

       要进行量化投资，投资者首先要有一套属于自己的投资策略，在策略中详细列出交易的具体规则，然后在具备数据库的量化平台上，将策略写成计算机程序，运行程序获取该策略在历史行情下的回测数据。查看回测数据并对数据进行分析，得出放弃该策略、调整策略思想、优化策略参数、模拟实施等结论。

       当投资者对策略的回测表现感到满意时，便可以根据量化策略给出的投资指令进行模拟盘、小额实盘的测试。测试过程会发生一些我们不曾预想到的情况，遇到一些意外的问题，处理这些问题也是打磨策略的重要一环。经过了一个阶段的测试和打磨，当我们的策略趋于稳健成熟时，我们就可以开始正式的实盘实践，踏上征途，奔向星辰大海。

来源：腾讯网

量化投资的人工智能时代

       我们常说量化模型的特点是纪律性，它能够降低人的主观判断对投资的影响。其实，量化模型因子的选择和对历史回溯的判断本身就带有一定的主观性，这种主观性的前提是我们相信历史规律的可持续性。

       前段时间的一个新闻再次震惊世人。横空出世的AlphaGoZero通过无师自通的方式，以100:0的战绩击败了“前辈”。回顾彼时，AlphaGo以4：1战胜人类最强围棋选手李世石，且李世石输得心服口服。但在AlphaGoZero面前，AlphaGo惨败，令人不得不感叹人工智能发展速度之快。

       人工智能应用如同新时代的火种，照亮了人类的未来生活。而在投资领域，人工智能也正同量化投资紧密联系。虽然目前两者的结合尚在初期，但我们仍可以来看看人工智能对量化投资的影响。

       譬如，我们研究历史数据时，发现在A股市场反转因子最近十几年表现出单调的特性，在以线性模型为主的量化多因子体系中会比较有效。而盈利因子表现出非单调的特性，按照传统框架很难纳入。不过，人工智能机器学习或可以解决这一问题，机器学习的优势就是没有线性约束，因此盈利因子也就能被纳入其中。

       此外，当我们用传统方法研究某个因子在历史上的表现，尽管会有很多统计指标，但其历史数据在时间序列上只展开一次，这导致了模型表现的结果相对静态和固化，没有延展性。以反转因子为例，这一因子在2016年前非常有效，但自2016年中开始，由于持续回撤，使得超配反转因子的模型很“受伤”，且模型很难对这种变化进行自适应。这其实是传统量化方法的静态局限，但恰恰是人工智能在量化投资领域的优势——通过机器学习打开静态局限，不断地学习和反馈市场信息来调整因子和参数，以此来适应市场背后隐含的监管环境和投资者结构改变引发的市场结构的变化。

       我们常说量化模型的特点是纪律性，它能够降低人的主观判断对投资的影响。其实，量化模型因子的选择和对历史回溯的判断本身就带有一定的主观性，这种主观性的前提是我们相信历史规律的可持续性。而基金经理所坚守的这种“主观判断”在面临市场风格的反向变化时，所谓的纪律性往往成了绊脚石。但人工智能因为极强的学习能力，能够较快适应市场，可以避免传统量化模型大幅回撤后才开始修正模型的尴尬。

        但是，人工智能并非完美无瑕。相较于传统量化模型，它的“黑箱化”特征更明显。因此，我们需要思考的是：当人工智能机器学习模型开始进入实战，摒弃投资逻辑的人工智能模型一旦遇上了问题，模型开发者又将如何应对？

来源：亿欧

以“宽度”提升胜率 震荡市量化投资优势渐显

       春节后，前期上涨的少数核心资产股价出现调整，而不少中小值股票逆势上涨。Wind数据显示，截至一季度末，春节以来超七成个股股价上涨。在此背景下，以宽度制胜的量化投资迎来较好的时机，记者据同源数据最新显示，目前近七成公募量化基金春节以后回报超越沪深300指数。

       业内人士分析指出，量化投资具有严格的纪律性，能够在精密测算海量数据的基础上，克服人性弱点和认知偏差执行交易策略；此外，相较于主动选股型基金聚焦有限股票，量化基金可以对全市场股票进行深度挖掘，投资视野更广阔，在分散风险的同时可以高效捕捉没有被市场关注的投资机会，因而在震荡市或风格转换的市场环境中，量化投资更能发挥其优势。

       Wind数据显示，目前市场已有347只量化公募产品。记者发现，由景顺长城基金副总经理黎海威负责量化投资管理，其投资实力出众、产品齐全，目前已覆盖指数增强、主动量化、量化对冲、SmartBeta等多种策略、不同风险收益特征的产品，可以满足投资者多元化量化投资需求。

       具体来看，景顺长城旗下指数增强产品可对标的指数囊括沪深300、MSCI、中证500、创业板指数，这些产品在跟踪指数的同时力争获得战胜指数的回报。银河证券数据显示，截至一季度末，景顺长城沪深300指数增强基金自2013年10月29日成立以来总收益达231.85%，同期沪深300上涨112.94%，同期基准涨幅131.35%。景顺长城MSCI中国A股国际通指数成立于2018年7月10日，自成立以来总收益为64.28%，超越同期MSCI中国A股国际通指数51.38%的涨幅，同期基准涨幅为48.80%。

       除了指数增强以外，景顺长城旗下的主动量化产品长期超额收益表现也可圈可点。其中代表产品为景顺长城量化**基金、景顺长城量化新动力基金。银河证券数据显示，截至3月26日，景顺长城量化**自2015年2月4日成立以来总收益75.36%，同期业绩比较基准收益率10.44%；景顺长城量化新动力自2016年7月13日成立以来总收益134.60%，同期业绩比较基准收益率47.57%。

       业内人士表示，虽然国内量化投资起步较晚，但A股市场较大体量和规模为量化投资提供了较好的选股宽度，同时A股市场波动率大、风格切换较快，依靠数量模型选股的量化投资相对容易产生超额收益。经过两年“抱团”“二八”分化行情后，数量众多的中小市值股票重获市场青睐，对于量化投资来说，通过“宽度”提升胜率，有望在震荡市中为投资人获取较好收益。

来源：新浪财经

政府负债对财政赤字的影响

       一些经济学家认为，通常意义上的财政赤字具有误导作用，因为它没有包括一些重要的政府负债。下文就是政府负债对财政赤字的影响的简单说明。

       公众持有的公债是政府债务中最大的一部分，也是最明确的部分，但公债并不代表政府全部的债务。美国西北大学的教授Eisner(1986)就因为不遗余力地提倡如下观点而闻名:要想全面地考察政府的财务状况变化以及由此导致的财政赤字变化，必须全面地考察政府所有的资产和负债。

　　但是如何准确衡量政府的负债却是一个技术上很棘手的问题。例如，政府拥有大量的隐性负债，如政府为私人企业贷款提供的担保、国有银行的不良资产以及地方政府的借款等，其准确价值很难衡量。政府拥有的大量资产也因为没有交易市场而无法衡量其市场价值。

　　另外，衡量政府负债价值更多地牵涉到一些概念性的问题。例如，目前法律规定的社会保障体系未来的支付算不算政府债务?在社会保障体系的养老保险中，公众在年轻时把他们的部分收入交给这个体系，并期望在年老时得到养老金。这些由法律规定的未来支付的养老金应该包括在政府的负债中。未来的这些负债的现值与目前的社会保障*的差额应该包括在财政赤字当中。

       上文就是政府负债对财政赤字的影响的简单说明，对这类文章感兴趣的朋友可以关注小编。

几种常用的量化选股方法

       量化选股就是用数量化的方法选择确定的投资组合，期望这样的投资组合可以获得超越大盘的投资行为。下面我们来简单介绍一下机构常用的量化选股方法。

1、多因子选股

       多因子选股是最经典的选股方法，该方法采用采用****因子（比如市盈率PE）作为选股标准，满足这些因子的股票被买入，不满足的被卖出。比如巴菲特这样的价值投资者就会买入低PE的股票，在PE回归时卖出股票。

2、风格轮动选股

       风格轮动选股是利用市场风格特征进行投资，市场在某个时刻偏好大盘股，某个时刻偏好小盘股，如果发现市场切换偏好的规律，并在风格转换的初期介入，就可能获得较大的收益。

3、行业轮动选股

       行业轮动选股是由于经济周期的的原因，有些行业启动后会有其他行业跟随启动，通过发现这些跟随规律，我们可以在前者启动后买入后者获得更高的收益，不同的宏观经济阶段和货币政策下，都可能产生不同特征的行业轮动特点。

4、资金流选股

       资金流选股是利用资金的流向来判断股票走势。巴菲特说过，股市短期是投票机，长期看一定是称重机。短期投资者的交易，就是一种投票行为，而所谓的票，就是资金。

       如果资金流入，股票应该会上涨，如果资金流出，股票应该下跌。所以根据资金流向就可以构建相应的投资策略。

5、动量反转选股

       动量反转选股方法是利用投资者投资行为特点而构建的投资组合。索罗斯所谓的反身性理论强调了价格上涨的正反馈作用会导致投资者继续买入，这就是动量选股的基本根据。

       动量效应就是前一段强势的股票在未来一段时间继续保持强势。在正反馈到达无法持续的阶段，价格就会崩溃回归，在这样的环境下就会出现反转特征，就是前一段时间弱势的股票，未来一段时间会变强。

6、分析师一致预期策略

       分析师一致预期策略是指大多数分析师同时**某只股票时会引发大量看到同样买卖建议的投资者产生一致的买卖行为，而先得到信息的投资者会先交易，之后得到信息的投资者会晚交易。

       如果可以尽早的得到分析师的投资建议并尽快买入，就可以利用后进者的买卖行为获得额外收益。

7、趋势跟踪策略

       趋势跟踪策略是技术型交易策略的一种，当股价在出现上涨趋势的时候进行买入，而在出现下降趋势的时候进行卖出，本质上是一种追涨杀跌的策略，很多市场由于羊群效用存在较多的趋势，如果可以控制好亏损时的额度，坚持住对趋势的捕捉，长期下来是可以获得额外收益的。

8、筹码分布选股

       筹码分布选股是一种基于主力投资行为的交易方法。基本根据是主力在拉升一只股票之前需要在尽可能低的价格下吸收筹码，因此吸筹的过程通常非常温柔与缓慢；

       而在卖出时，希望尽可能的在较高价格出货，为了不过分打压股价，就会慢慢的派发。所以通过对筹码分布的监控和分析，可以判断一只股票处于吸筹还是出货阶段，从而判断未来价格的涨跌。

来源：腾讯网

什么是量化选股基金？与主动选股有什么区别？

       一直以来，投资者接触到的股票投资基金都是以主动选股策略为主，这当中既有公募股票基金也有私募股票基金。今天我们就来聊一聊近几年来异军突起的量化型股票基金，以及它们与主动选股型基金的区别。

一、选股方式

第一个区别就是选股方式的不同。

       主动选股投资策略一般是从个股出发，由基金经理长期深入调研和跟踪上市公司，并结合对宏观经济和行业的深刻理解，自下而上地**个股，构建一个可以长期超越大盘的组合。

       而量化选股策略一般是以全市场几千只股票为基础，通过各种数据（包括基本面、量价、资金面、宏观面、舆情、分析师预期、大数据等等）归纳出影响股票走势的规律，并抽象为“因子”，组合成为大家所俗称的“多因子模型”。再通过多因子模型选取股票构建一个可以长期超越大盘的组合。

举个例子：用捕鱼来比喻选股的方式

       主动选股是用鱼叉叉鱼，通过个股基本面的研究力求精准制胜，实现超越市场大盘的收益；

       量化选股是用渔网网鱼，通过各种数据归纳出影响股票走势的规律，再通过多因子选股构建一个可以长期超越大盘的组合。

二、持仓数量

第二个区别是持仓数量的不同。

       主动选股型基金经理一般有自己擅长的行业或者领域，成熟的基金经理也会非常清楚自己的能力边界，因此通常只需锁定数量有限的上市公司进行深入研究和预测。主动选股基金的标的只数一般在10-50只之间，少数会更集中或者更分散。

       而与之相对地，量化基金一般通过多因子选股的方式来实现股票组合的构建，并且组合当中的股票只数会显著多于主动选股基金，一般在一百到数百只不等，少数量化基金甚至持有上千只股票。这是因为量化基金选股的方式是重量多过于重质，力求通过大量地做判断并且较高频率地调仓来追求统计意义上的超额收益。

三、收益来源

第三个区别就是收益的来源。

       在主动选股基金和量化基金中我们都提到了超越基准的超额收益（又称为alpha）。

       那么问题来了：这两种alpha是一样的吗？

       简单地回答，这两种alpha的含义是一样的：都是指投资标的相对市场的超额收益。主要区别则在于这两者提炼alpha的方式，或者说，alpha收益的来源。

       主动选股策略的alpha收益源于基金经理长期深入调研和跟踪上市公司、以及对宏观经济和行业的深刻理解。这样才可能长期捕捉到优质行业的优质公司股票，并在低估的时候买入持有，实现优于市场指数的超额alpha收益。用价值投资的术语来说，就是寻找“便宜的好公司”。

        这里的“便宜”体现出的含义，是基金经理基于自己的理解和调研，对该公司未来的估值和成长性有一个预测，判断出它的内在价值是高于当前市场给的估值的，因此做多该公司的股票以期能够收获估值修复或者高成长性兑现带来的超额收益。

一言以蔽之：

       主动选股是预测个股未来的涨跌，并进行相应做多或做空。

       量化选股策略是将对个股涨跌的预测转化为对因子收益规律的预测。

       这里的量化模型用到的可能是几个因子，也可能是几十个因子，近年来也开始流行用几千个因子组合成“超级alpha”进行预测。此外，深耕基本面财务信息的量化基本面流派（Quantamental）也开始逐渐受到投资者的认可。也就是说，量化选股正在逐渐吸收主动基本面选股的优势并融入到量化选股模型当中，来不断提升量化模型的竞争力。

       当然，如果基金经理或者量化模型预测某公司的内在价值显著低于当前市场给的估值，也可以通过做空的方式实现alpha收益，前提是有相应的金融工具和市场机制，比如融券或者相关个股期货/期权等等。这就衍生出了更多的量化策略类型。

来源：招商银行APP

布局AI量化投资，构建金融发展新动力

       据介绍，上海财经大学数据科学与统计研究院是国内顶尖的大数据统计科学研究机构，依托雄厚的科研实力，多渠道打通政产学研一体化，积极开展合作研究与金融科技应用实践。东方证券在人工智能领域具有丰富的创新实践经验，基于东方证券人工智能生态圈“东方大脑”的建设，积极拓展人工智能在金融业务方向的融合创新，开展人工智能量化研究的实践探索，为金融业务的创新与发展打造新的动力引擎。

       东方证券表示，此次成立校企联合实验室，双方一致同意建立合作**机制，促进双方在人工智能量化投资前沿领域的研究实践，研究和开发能引领金融行业趋势、可持续满足公司和客户需要的高新技术产品和策略，并引领未来AI量化的方向。该联合实验室计划利用深度学习、强化学习、人工智能等前沿科技，探索量化投资、金融衍生品创新设计、市场前沿热点跟踪等方向，并开展课题研究、项目共研、人才培养，充分发挥各自优势，共同打造人工智能量化投资的新生态。

       东方证券副总裁兼首席信息官舒宏表示，早在2018年，东方证券就提出了“数字化转型”的三年目标，希望通过云计算、大数据、人工智能、区块链等新技术的综合运用，推动企业发展再登上一个新台阶。2019年，东方证券与微软（中国）有限公司达成战略合作，希望通过人工智能技术等前沿科技，为东方证券的金融业务提供全场景赋能，共同打造出一个“东方大脑”。在证券行业从数字化向智能化转型的大背景下，“东方大脑”平台立足于构建数据和智能算法驱动的券商业务智能化方案，实现统一化数据模型、智能化领域算法和多场景覆盖的智能化应用覆盖，这必将推动东方证券各类业务、经营管理、IT支撑等场景全面进入人工智能驱动的时代，推动东方证券实现全面的智能化转型。

来源：搜狐网