以AI实现科技赋能 驱动金融服务智能升级

       近年来，人工智能To B端业务发展迅猛，企业数字化转型是大势所趋。根据亿欧智库统计，经过10余年的快速发展，中国人工智能企业更聚焦于To B端业务，行业解决方案、企业服务、机器人、大健康、安防等赛道是AI企业的重点关注领域。

        一方面人工智能需要深度融合于行业才能释放出其巨大价值，而融合的过程更多是AI企业与行业企业深度合作、共同进行场景适配挖掘、AI赋能，进而达到降本增效等目的；另一方面，人工智能技术需要优秀的算法，同时也需要海量的数据输入才能产生优良的应用模型，因此AI的进一步发展必然引领企业的数字化转型。

       “金融是AI落地的最佳场景。”业内人士分析指出，金融领域天然的数据属性与智能化需求为人工智能的应用提供了基础，加之政策和资本的推动，人工智能落地金融场景已成为不可逆转的趋势。

       当前，金融业与人工智能的结合已日渐深化。金融科技出海热潮持续进化，一批以提供获客、风控、运营等金融技术服务的企业开始扬帆远航，寻求新的发展机遇。整体来看，监管规范、新技术与金融业的融合应用、技术驱动下的经营模式与业务合作模式创新都是行业普遍关注和积极实践的焦点。

       在驱动金融业进行智能化升级过程中，百融云创正在成为银行等金融机构的重要合作伙伴。基于人工智能、云计算、区块链等技术和对金融业务的深刻理解，百融云创通过科技输出提供全方位的科技赋能、风控赋能、营销赋能，能够快速夯实提升银行自身的数字化转型能力。

       人工智能与传统金融服务相结合，将使金融服务的方式发生根本性改变。一方面，在人工智能的帮助下，金融机构可以更有效地获取和处理信息；同时机器学习、自然语言处理和知识图谱等技术的应用，还可以使金融服务更具个性化和人性化。

       凭借强大的技术基因，百融云创在获客、风控、客服等各个业务环节大量采用了人工智能技术，有效驱动金融服务智能升级。

       以百融云创自主研发的智能外呼机器人“百小融”为例，相较于传统机器人仅局限于电话呼出，“百小融”采用目前先进的语音识别（ASR）、自然语言处理（NLP）、语音合成（TTS）和智能语音打断技术，可与客户进行超过多轮的精准回答交互，应用于智能营销和智能资产管理，可以迅速为金融机构节约成本，提升效率。

       众所周知，中国市场天然的庞大属性，导致传统模式的金融服务无法充分下沉，还有大量的潜在金融需求亟待进一步渗透和满足，金融业对人工智能支持的需求也随之高涨。在这样的背景下，百融云创将不断通过技术创新，助力智能金融的脚步越走越稳。

来源：金融界

量化因子表现反转 主动量化基金业绩“大洗牌”

       牛年A股市场风格突变，量化因子表现殊途，主动量化基金的投资业绩也出现“大洗牌”：去年业绩领先的基金今年跌幅居前，而去年表现滞后的产品今年暂居前列。

        多位基金投资人士表示，过去几年表现较差的价值因子今年迎来反转，导致主动量化基金业绩排名出现“大洗牌”，基金经理在今年的投资中也将更注意调整和优化量化因子，深入挖掘低估值、顺周期等个股机会，继续为主动量化基金带来超额收益。

量化因子表现反转

主动量化基金业绩“大洗牌”

       Wind数据显示，截至3月19日，215只（份额合并计算）主动量化基金今年平均收益率为-3.39%，首尾业绩相差32个百分点。其中，业绩最好的华泰柏瑞港股通量化收益率达到15.64%，中欧量化驱动、上投摩根阿尔法也表现不错，今年以来的收益率分别为11.69%、9.05%。

       由于今年市场风格突变，领涨基金去年收益率并不突出，而去年业绩领先基金今年亏幅较大，主动量化基金的业绩切换，首尾业绩排行出现“大反转”。

        数据显示，截至3月19日，今年斩获正收益的45只主动量化基金，去年的平均收益率30.79%，低于该类基金平均水平11.7个百分点；而去年业绩超50%的绩优主动量化基金，今年平均收益率为-7.03%，低于行业平均水平3.64个百分点。

        从单只基金来看，波动就更为剧烈。比如去年以102.35%收益斩获冠军的长信低碳环保行业量化基金，今年亏损13.84%；去年涨幅在90%以上的银华食品饮料、长信国防军工等产品，今年亏损也超过10%。

       “今年春节之后，我们量化模型的基本面因子有较好表现，尤其是估值因子在经历近几年的压抑之后，开始获得不错的正收益。”华泰柏瑞基金量化与海外投资团队负责人田汉卿表示，春节之后，市场逐渐恢复较为理性的股票定价，一些前期估值拉得很高的股票股价出现较大调整，而被忽略的性价比较好的中小市值股票开始得到市场关注，估值开始修复。市场更加关注基本面，在这样的环境中，基本面量化模型的优势得到体现。受益于估值因子和市场动量以外其它因子的正贡献，华泰柏瑞港股通量化今年3个多月获得15.64%的收益率，超额收益接近10%。

        中欧基金基本面量化组投资总监曲径表示，经过研究历史上的“抱团市”发现，在市场风格变化后，反转因子均产生了超额收益，前期滞涨及2021年业绩反转的行业值得关注。借用索罗斯的反身性理论，市场既会在核心资产上涨趋势时过度助推，也会在下跌时过度抛*，今年1月和2月的市场就是实例。

       谈及公司量化基金近期的优异表现，曲径认为，中欧基金通过量本结合的行业模型，发现了周期和银行板块相关的投资机会，并进行了高配，获得了部分超收益。在微观层面，得益于分散投资的运作方式，也避免了高估值股票的回撤。具体来看，前期滞涨的低估值公司贡献了正收益，预计会持续一段时间；从基本面的角度来看，这也是价值投资回归本源的必然趋势。

      “过去3年表现比较差的价值股今年出现了反转。”北京一位绩优量化基金经理也说，过去几年随着股价表现的差异，价值红利股与成长股的估值差异已经处于历史极值位置。但不论是盈利增速还是盈利能力，成长股与价值红利股的差距远远没有估值体现得那么大。

       在这位基金经理看来，目前表现好的基金多数超配了价值股和红利股。红利股本身具有很好的投资价值，长期都有不错的投资收益。持续拥有较高股息率的红利股，通过“真金白银”给予投资者较高的确定性，向市场传递出财务健康、经营稳健的信号，长期来看是有超额收益的。

深度挖掘低估值、顺周期个股

创造量化基金的超额收益

       多位投资人士告诉记者，在今年震荡行情中，主动量化基金经理将继续优化和完善量化因子，深入挖掘低估值、顺周期个股，力争获取相对主动偏股基金的超额收益。

       曲径表示，量化投资更适合震荡市或风格转换的市场环境。中欧基金的行业模型在去年底建议高配建材、基础化工、汽车等周期行业，也对高估值的食品饮料提示了风险。我们也据此进行了行业调整。另一方面，量化基金在持股上普遍比较分散，一般会持有100只-300只股票，在去年的趋势末端会跟不上集中持股的投资方式，而在今年的环境中更容易通过量本结合的研究框架，“雷达扫描”的研究方式，发现更多抱团期间被忽视的投资机会。

       在田汉卿看来，主动量化基金的收益分为两个部分：比较基准指数的回报和超越指数的超额收益。以行业类主动量化基金为例，这类基金以行业指数为比较基准，并以投资经理和管理团队的管理能力获取超额收益。由于主动量化基金有明确的业绩比较基准，控制跟踪误差，加上超额收益，可以为投资人提供风险收益特征明确的配置工具。

       田汉卿表示，华泰柏瑞基金在跟踪好业绩比较基准，控制跟踪误差的同时，量化模型力求捕捉中长期有较为稳定超额收益的量化因子，一般不受短期变化的影响。当然，在某些市场环境下，如果一些因子表现优于其他因子，也会对原有因子权重做出一定调整，比如今年她更关注估值因子的回归，看好市场中性的量化绝对收益基金，而在不对冲的基金中，相对看好投资港股低估值的基金。尽管不确定今年指数的回报如何，但低估值港股大概率是股票市场指数中表现相对较好的。

       “春节以来市场在向更加均衡、重视基本面的方向发展。主动量化基金在不同行业、不同市值的股票上的分布比较平衡，今年有望获得更好一些的超额收益。”田汉卿说。

       上述北京绩优量化基金经理也表示，总体来看，主动量化基金配置相对于传统主动权益基金更加偏好价值型股票，而长期看价值型股票是有超额收益的。展望未来一年，价值因子有望走出低谷，让主动量化基金获得相对不错的超额收益。

来源：读创

人工智能会取代很多的职位。金融领域是一个切入点，它是做人工智

       人工智能会取代很多的职位。金融领域是一个切入点，它是做人工智能、大数据很重要的切入点，金融领域如果很多机会逐步被人工智能替代的话，将来会有什么样的影响？

       人工智能会取代很多的职位。金融领域是一个切入点，它是做人工智能、大数据很重要的切入点，金融领域如果很多机会逐步被人工智能替代的话，将来会有什么样的影响？

       很高兴有这个机会跟大家分享“人工智能技术在金融市场的应用”这个主题。我们先看一下最近的热点，都是2017年的一些新闻。

交易员正在被迅速替代

       首先高盛的新闻，高盛现在很多职位逐步被人工智能所取代。以前股票的现券交易员有600个人，现在基本上只剩下2个人了，基本上这一块就被机器替代了。我自己以前在美国金融博士毕业以后，刚开始在摩根大通银行做信用风险方面的职位，后来到瑞信第一波士顿银行，即瑞士信贷去做量化交易，当时我看到的情况也是一样的。我大概在2010年到瑞信做现券交易的时候，它的交易大厅比我们这个要大多了，交易大厅前排很多排都是做股票现券交易的交易员，到我接近离开的时候，也就基本上大批大批地离开了。这些交易员逐步被算法交易替代了，相当于被机器替代了。

       瑞信第一波士顿本身也是跟高盛一样，在华尔街的算法交易、电子化交易相对比较强，整个趋势我在2010年华尔街工作的时候就非常明显了。今年的新闻就说高盛600人的现券交易员团队整个被替代了，只剩下2个人了，这跟我当时在瑞信看到的情况是一模一样的。美国摩根大通今年的新闻是用自动化的软件几秒钟就能够把内部律师、法律**花36万个小时做的事情就自动完成了。

       我以前在纽约有一个朋友，他一直在德意志银行做衍生品交易，他是一个交易员，今年他的职位就被机器替代了，所以他最近也在找工作，所以连衍生品的交易员都被机器替代了。

       今年的新闻一下子出来了这么多，很明显的趋势，感觉上这是一个大家很关心的问题，人工智能会取代很多的职位。因为金融领域是一个切入点，它是做人工智能、大数据很重要的切入点，金融领域如果很多机会逐步被人工智能替代的话，将来会有什么样的影响。

       人工智能表现在比如行动、决策、感知，行动上包括自动化、机器人、运行，决策包括识别、分类、预测，感知包括感知图象、语音、文字。你说它能达到完全把这三个方面做好的话，就真的变**工智能了，它又能行动，又能决策，又能感知，也就是一个人所能够做的事情全都可以做了。

金融市场中的人工智能应用

       以前我们在做人工智能研究的时候，人工智能在现实当中有很多的应用，最主要是两块，一块是分类，一块是预测。实际上分类和预测都差不多，中间就是有一些细节上的区别。现时的问题基本上可以用分类和预测来得到解决。

       首先是金融市场预测。彭博社用机器学习模型预测上市公司财报是否超过预期准确率，模型表现达到了60%的成功率。三菱日联摩根斯坦利证券，用机器学习预测日本股市走内30日内的涨跌，可以达到成功率68%.我以前发表过一篇文章，是我在***国立大学和*******所合作所做的一个预测，成功率可以达到70 %，也是之前我自己做的一个研究。瑞信信贷的算法和做市交易是华尔街非常有名的，交易执行全部是用算法来做。还有金融产品波动率的预测，T MB银行也是通过神经网络来做波动率预测。德意志银行的衍生品交易定价这一块也是用人工神经网络。

       其次是人工智能技术在固定收益类资产配置方面的应用。对固定收益管理来说，收益率曲线的期限结构对风险管理和投资决策都非常重要。所谓的收益率曲线期限结构，比如有平的，正常是往上走的，还有往下走的。正常是往上走的，因为时间越远的话，收益肯定越高，你的风险溢价可能相对来说高一点，所以正常向上是很普遍的收益率曲线结构。当然现实中可能也有平的曲线，甚至往下走的也有。收益率曲线的结构变化也很多，有平行变化的，有斜度调整的，还有弯曲度调整的，收益率曲线的变化方式对于做投资决策和风险管理都非常重要。

       第三，是人工智能技术在自动做市和算法交易方面的应用。自动做市和算法交易目前国际投行在这方面投入很大，包括自动做市和算法交易，第三代算法交易系统的目标已经不仅仅是减少交易执行成本和市场冲击，而是获得比基准V WA P更好的结果。就是交易执行，因为全球股票交易量很大，股票交易的过程中就会有交易执行的成本，这个算法交易主要是节省交易成本。

       我测算了一下，中信证券2012年净利润42亿元，如果在国内市场采用二代算法交易，利润可以提高26%.就整个市场而言，在2012年的时候采用二代算法可以节省40 0亿的交易费用，如果采用三代算法交易可以节省70 0多亿的交易成本。如果是20 15年就更不得了了，可能就是节省两三千亿了，整个市场交易成本的节省可能都会提高得非常快。高频交易英国占30%，美国60%，日本15%，当然这只是一个预测，当时中国的位置非常低。当然20 15年有所提高，但是因为限制算法交易，后来估计也没有很高，也就是比较低的位置。这个可能还是一个趋势。

       第四，是人工智能技术在复杂衍生品交易和定价方面的应用。衍生品交易这一块准确定价非常重要，不准确的定价会导致错误的交易并导致损失，并且导致对风险计量V A R（风险价值模型）的错误估值，导致不匹配的对冲策略，这样就会造成整个投资组合风险头寸的暴露。特别是挂钩一些流动性不太好的标的，股权的期权定价由于传统统计模型无法准确预测该股票的回购率，进而无法准确计算它的远期价格，从而很难准确定价。德意志银行的衍生品交易采用人工智能模型解决这个问题，提高了预测该股票回购率的准确率，提高了关联期权定价的准确性，提高了交易利润。定价系统越来越人工智能化，所以交易员就可以直接裁掉了，这是一个趋势。

       第五，是人工智能技术在债券评级方面的应用。标准普尔已经通过多层神经网络做主权债、企业债的评级，预测的准确度也提高了，只不过这种模型还有一个问题就是“黑箱”操作，它不像传统统计模型比较好解释，中间哪个变量大一点，本身人工神经网络是一个“黑箱”，里面有很多的权重和节点，每一个节点的权重自动通过输入和输出优化，找到调整这些节点的权重。所以，它不太像传统的统计模型那么好解释，你是怎么找到这个对应关系的。所以，这是一个“黑箱”操作，但是抓住非线性关系的能力很强。

       第六，人工智能技术在信用风险预测方面的应用。以前我在摩根大通和贝尔斯登工作过，做过信用风险方面的模型开发，信用卡行业也普遍用这个神经模型做系统风险预测模型和信贷审批模型，资产证券化产品的价格也受底层**率和提前还款率的影响，人工神经网络本质也是一种统计模型，20 0 8年次贷危机的时候，贝尔斯登、摩根大通银行的信用风险部门也开始利用非传统统计模型即神经网络做一些预测，而且我们当时在2007年底的时候预测房产抵押贷款的**率会急剧上升，我们就用了这个网络模型，结果的确是发生了。

       最后，人工智能技术在消费银行业市场划分方面的应用。人工神经网络在算法交易训练的时候，比传统的统计分类模型有一些优势，人工神经网络解决传统统计模型的两个问题，一个是不需要事先知道有几个划分区域，它是根据数据特征找到有几个，而不需要事先知道有几个，而且也不需要设立起始的区域中心。比如花旗银行的消费银行业务，全国有2 0 0万的消费者，去分析消费者的数据，然后做一些市场划分，我肯定很难事先知道我有多少个划分区域，我只能根据实际数据来划分。根据这些实际客户的消费特点来进行市场划分，事先我还是不知道的，而且消费人群的特点也随着时间有变化。所以，神经网络与传统统计模型肯定是有一些优势，它提高了花旗银行消费银行领域的市场划分准确度，进一步提高了各个划分领域中的风险管理实践。

人工智能技术的角色与目标

       这里可以再提一下金融与科技交叉，即人工智能技术在证券投资领域创新和发展的方向。我觉得可以分几个层次：第一个是算法交易执行的创新。智能代理的算法交易系统，能够更高效地按照定制化需求，执行涉及组合或者一篮子资产的下单命令，智能代理交易程序可以轻松同时跟踪成百上千只不同的证券标的，同时反馈订单执行情况。跨市场或者跨品种的定制化交易需求能够轻松实现。

       第二个是投资策略产生的创新，投资策略的生产模式由大规模人力转向大规模人工智能机器。由于计算机能力的大幅提高以及平行分布式计算的广泛应用策略开发的时间大大缩短，结合大数据，机器学习的强大挖掘能力将会开发出以往无法发现的“新认知”和新策略。未来10年大部分初级分析师的工作都可能会被智能算法所取代。

       第三个是资产配置效率的创新。基于大数据的人工智能的应用，可以显著提高资本市场的深度和宽度，人工智能代理会以人工智能无法比拟的速度、效率和海量计算捕捉任何交易机会，这样的话市场的有效性会大大提高，资本市场有效配置资源的功能将得到很好的发挥。将来很多套利的机会越来越少，因为出现套利机会计算机马上就自动发现了，就像美国一样越来越难做套利了。

       第四个是金融行业结构的变革。由于人工智能技术的专业性、复杂性提高，将衍生出新的业态。比如量化技术背景的智能信号服务提供商开始为金融机构提供定制的信号。这个在美国已经有了。有一些专门做量化交易信号，要么就提供给投资银行，比如投资银行里面股票做市；有些衍生品做市就需要一些交易信号来做一些判断，到底做市的时候要百分之百对冲还是对冲一部分，提高他的判断能力；还有一些小的技术公司提供交易信号，说我这个交易信号很好，可以赚钱。我给你提供这种交易信号，你要赚了钱我们怎么分？

       现在也出现了很多非常有针对性的专门做智能交易信号的提供商，跟这些对冲基金的合作越来越多。还有提供大数据服务和大型计算服务平台的运营商将会蓬勃涌现，证券投资行业涌现大量基于智能要素的新型业态。这个趋势是自动化越来越普及，智能算法也越来越多，这个行业肯定竞争也越来越激烈，但是很多初级分析师的职位也会被逐步取代。

人工智能的未来

       我觉得人工智能的本性包括强大的计算能力、大数据、深度学习的算法，解决过度拟合的问题，还有人类专家系统，堆积起来以后就形成的人工智能。人工智能至少在现阶段还是为人类服务的，以前我觉得超越人类感觉上还是遥遥无期，现在感觉这个趋势还是有点加强，这个过程有点加强。

       我们研究人工神经网络的，感觉它很有意思的一点，它模拟的是人脑神经元。人脑神经元有很多的节点，一个和一个连起来。它的学习过程很难解释，比如小孩学习练字、了解东西、考虑问题，自己训练自己，一开始不懂，但是多做一段时间以后就熟悉了。这个自我学习的过程，自己调节，脑神经元的权重在调整，调整几遍以后突然就明白了。这个过程到现在，人类也没有完全理解这个学习过程的内在逻辑，往往是反复考虑一个问题突然就学会了。

       跟神经网络一样，弄了一个很复杂的就像深度学习一样10层的网络，这中间一层一层交联，然后中间调节它的权重，然后我看到这个问题输入和输出的关系，一开始琢磨参数，多看几遍、多考虑，突然就考虑清楚了，这个过程就是在模仿人脑的神经元原理。一开始，人工智能的发展方向哪怕就是“黑箱”模型，但是它能够抓住问题的实际潜在关系，特别是复杂非线性关系能抓住，它就对人类有帮助。

       如果智能化发展到一定程度，我感觉也有可能哪一天你给它许多任务，假如它考虑问题越来越多，说不定有一天它就真的有智能了，因为它这个过程本来就是一个“黑箱”，一个模拟人脑神经元的过程。这个过程你可以把它看成一个非常复杂的统计模型，但是这个趋势确实有智能化的潜力，特别是真正提到人工智能，它不光为了完成一个特定的任务，它还有这个能力进一步优化或者扩展，或者它就知道下一步怎么样系统化地把这个事情做好，这可能是将来人工智能发展的方向。

        聚焦互联网与人工智能新时代、新生态法律研究与服务。包括互联网法律、人工智能法律、金融科技法律、区块链法律、AR/VR虚拟(增强)现实法律、物联网法律、车联网法律、智慧城市法律、智能制造法律、大数据法律、云服务法律等相关领域的研究与服务。

来源：腾讯网

量化程序交易的释义

       量化交易是指以先进的数学模型替代人为的主观判断，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"事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。

       期货市场，最近几年听得很多是程序化交易，主要是以代替手工交易，实现计算机自动化交易，可以避免情绪化交易。但是近年来量化交易在期货朋友圈谈得越来越多，关于量化交易你了解多少呢？

量化投资

       程序化交易：是把可量化的投资策略或者交易思路形成电脑语言，通过电脑的运算并发出交易指令，然后由操作者自己下单形成半自动交易或完全电脑下单来实现全自动交易。挣的是纪律的钱，挣的是反人性的钱。

       程序化交易将具体的交易时机，仓位，止损止盈，获利标准编写进交易程序中，也可能独立于程序外。程序化只是交易执行的一种方式。

       量化交易策略几乎覆盖了投资的全过程，包括量化选品种合约、量化择时、股指期货套利、商品期货套利、统计套利、算法交易，资产配置，风险控制等.

      量化投资

       量化投资策略就是利用量化的方法，进行金融市场的分析、判断和交易的策略、算法的总称。量化投资策略类型包括：

    （1）趋势判断型量化投资策略，判断趋势型是一种高风险的投资方式，通过对大盘或者个股的趋势判断，进行相应的投资操作。如果判断是趋势向上则做多，如果判断趋势向下则做空，如果判断趋势盘整，则进行高抛低吸。这种方式的优点是收益率高，缺点是风险大。一旦判断错误则可能遭受重大损失。所以趋势型投资方法适合于风险承受度比较高的投资者，在承担大风险的情况下，也会有机会获得高额收益。

    （2）波动率判断型量化投资策略，判断波动率型投资方法，本质上是试图消除系统性风险，赚取稳健的收益。这种方法的主要投资方式是套利，即对一个或者N个品种，进行买入同时并卖出另外一个或N个品种的操作，这也叫做对冲交易。这种方法无论在大盘哪个方向波动，向上也好，向下也好，都可以获得一个比较稳定的收益。在牛市中，这种方法收益率不会超越基准，但是在熊市中，它可以避免大的损失，还能有一些不错的收益。

来源：安宁浅月

人工智能与投资：财富管理走向普通民众，智能投顾随之诞生

财富管理：从特权走向普惠

早在古代的美索不达米亚平原，地主就开始把大量的土地**出去交给农民耕种，并且会雇佣监工来负责相关的事宜。在古代中国，随着城市的发展，许多地主甚至直接搬到城镇居住，然后把农村的土地交给别人打理，他们则坐享其成。

随着资本主义的发展，投资也随之开始走向“民主化”。股份制等现代企业组织的出现促进了一种前所未有的变化，早期的航海活动便是这样的例子：一艘船由几个到几十个股东合伙出资，他们不需要亲自进行海上探险，但是通过康孟达这种劳资合伙经营的形式，就可以分享航海贸易的盈利。

南海泡沫、密西西比泡沫以及郁金香泡沫，都说明普通的民众已经参与到了投资之中。按照麦基的说法，当时参与投机的人包括“贵族、平民、农夫······甚至还有烟囱清洁工和洗衣服的女工”。但个人投资者开始更多地进人投资领域，则要等到19世纪末20世纪初。当时，工业革命带来的经济进步使得民众的寿命和收入都有了增长，*休和养老的需求开始出现，为了年老而进行投资也逐渐成为一种需求。

20世纪初科技与经济的大发展，让普通民众逐渐相信参与股票市场投资是一种分享企业发展红利的良好方式。正如查尔斯·金德尔伯格所提到的“合成谬误”，这一看起来非常理性的观念最终导致了一场大众的狂欢，并最终引发了20世纪上半叶最大的一次股票市场崩盘。

从20世纪50年**始，普通投资者的资产配置思想开始发生变化。这一变化与共同基金与养老基金的崛起、国际资本市场的扩张以及马科维茨资产组合理论的提出同步发生。于是，多元化的资产配置也逐渐深入到普通个人投资者的理念之中。不过总体而言，这一时期的投资仍然较多地集中于股票和债券之中。

20世纪80年代之后，新自由主义和去监管带来的金融自由化风潮使得投资的范围进一步扩张，私募股权、房地产、风险投资甚至对冲基金等也逐渐开始受到投资者青睐。在此之前，房地产总体而言并非一直是受到大众关注的投资品，但从这一时期开始，房子的投资品属性逐渐得到放大。

但2000年的网络泡沫和之后的房地产泡沫，再一次让普通投资者受到了打击。此前追逐成长股、敢于承受风险的心态发生了变化，坚持多元化资产配置和有效控制风险的投资理念，再次进入普通个人投资者的视野。而在最近的几年之中，不依赖基金经理干预的被动投资越来越受到青睐。

由于90%的主动管理型基金的基金经理的表现都未能超越其追踪的指数表现，因此对于普通投资者而言，与其缴纳更多的管理服务费用养活那些基金经理，倒不如直接买被动基金省心省力。十几年前，美国人投入到被动管理型基金中的资金仅有资金总量的五分之一，但到如今，这一比例已经上升到三分之一。

仅在2017年上半年，从主动管理型基金流人被动管理型基金的资金就达到近5000亿美元。在欧洲，被动投资的市场份额在过去十年翻了一番。这种趋势将会继续延续下去，预计在未来5年，全球被动投资的规模将超越主动投资。

与几千年之前乃至几十年前相比，个人投资者有了更多的选择，这是事情的光明一面。但事情的另外一面是，针对私人的财富管理服务，却似乎一直是富人的专利。从远古的埃及、美索不达米亚以及中国的历史来看，最早的财富管理服务都只面向达官显贵。他们雇佣那些有一定专门知识或者了解投资真谛的人士来打理财产，并且向他们支付佣金或者其他类型的报酬。

在欧洲，从土地转向多样化的投资，最早出现在中世纪末期。这一时期的贵族阶层开始变卖土地，并且寻求专人负责财富的管理与增值等问题。最早的私人银行在这一时期诞生，而那些专为个别家族服务的“总管家”，则上承古罗马时期的“家族主管”，构建了家族办公室的最早雏形。现代意义的家族办公室出现于19世纪。1838年，约翰·摩根创办摩根财团，专门负责管理家族的资产。

到了19世纪末，石油大王洛克菲勒正式设立了家族办公室，专门负责管理其庞大的资产。传统的家族办公室只负责一个家族的财产打理，其内容涉及投资、避*、慈善、信托以及法律事项等，其主要目标就是财产的保值增值与代际传承。但是，如今的家族办公室已经变得多样化。例如，洛克菲勒家族基金会如今已经变成了一个开放式的家族办公室，为多个富豪家族管理资产。

相比之下，私人银行服务的客户对象更为宽泛，家族办公室服务对象的净资产一般会在1亿美元以上，而私人银行客户的净资产可以低至几百万美金，甚至只要有25万美金也可以在私人银行开设账户。但即便如此，我们也知道，与零*银行相对的私人银行是为富裕阶层服务的。和家族办公室的功能相似，私人银行的主要职责也是为高净值客户提供财产保值增值以及财富传承等服务。

“财富管理”一词最早由高盛及摩根士丹利等机构率先使用，这个词既可以包含家族办公室及私人银行服务，也覆盖更为广泛的人群，例如那些流动净资本在10万～100万美元的新富阶层。针对这一阶层的财富管理服务主要集中于财富的保值增值，除此之外，家庭教育等事项也会涉及。

与家族办公室和私人银行的服务相比，普通财富管理客户享受的服务要逊色一筹，但是他们仍然会有专人提供投资建议，有机会参与一些专属活动。当然，这一切的前提是要付出一定的费用。

高净值客户所享受的专属服务是基于财富水平的一种特权，反过来，这种特权所带来的是更好的资产保值增值服务。反映在结果上，那就是富人可以获得更为可观的投资回报。很多学者的研究和数据都可以证实这一点。

例如，《21世纪资本论》的作者、法国经济学家皮凯蒂在研究了福布斯的数据之后发现，世界上那些最富裕的人每年的资产增长率可达到6.8%，与此同时，全球平均的资产增长率只有2.1%。在皮凯蒂看来，最有钱的人总是能够把钱投资到回报率更高的地方，因此他们的平均资产收益率会长期高于整个社会的总体财富增长率。

这种规则看起来理所当然，然而其长期结果却令人担忧，那就是伴随着财富分配越来越不平等，整个社会会出现越来越严重的贫富差距现象。根据世界不平等研究机构发布的《世界不平等报告2018》，自1980年以来，世界各地贫富差距增长显著，但增长速度不尽相同。在过去40年中，持续增加的收入差距和大规模的私有化运动致使财富不平均水平显著上升。

拿美国来说，1980年美国最富有的1%的**占有22%的国民财富，而到了2014年，这一比例上升至39%。就中国与俄罗斯来说，从1995年至2015年，最富裕的1%的人群所占国民财富的份额均翻了一番，分别从15%增长至30%和从22%增长至43%。

但最大的问题是，贫富差距问题在最近10年并未显现出缩小之势，相反，自2007年以来，全球各个地区的贫富差距仍然在扩大。根据瑞士信贷《全球财富报告2017》的数据，全球前1%的富人在2000年时掌握了全球45。5%的家庭财富，但是自2007年以来这一比例上升至50.1%。

贫富差距的源头或许并不在于是否可以享有同等的财富管理服务，但很明显，普通投资者和高净值人群不同的资产管理水平势必会影响两者的投资结果。对于高净值人群而言，其投资团队都是由拥有充分经验的基金经理、律师以及财务人员等构成，其不菲的费用足以证明他们能够给客户带来相对合理的回报，这些专业人士会从全世界的资产之中为客户精挑细选优质的产品，他们会根据客户的需求打造个性化的财务规划，当然更为重要的是他们可以为高净值客户做好风险管理。

但对于普通投资者而言，他们除了投资渠道比较贫乏之外，其投资的科学性也远远不及高净值客户，除此之外，他们还要承受更大的投资风险。尽管我们说，相对于几千年前，投资已经走人了寻常百姓家，但是相对而言，普通个人投资者所掌握的投资渠道以及可以使用的投资工具仍然非常有限。在市场上，他们需要面对机构与机器算法；在资产配置方面，他们又远落后于高净值的投资者；除此之外，他们还受有限理性情绪的左右。

联合国曾经在2005提出“普惠金融”概念，按照这一概念，一个国家和社会应该尽可能以可负担的成本为有金融服务需求的社会各阶层和群体提供适当、有效的金融服务。从某种意义上来说，为普通个人投资者提供更好的投资建议和投资管理服务，以便让更多的人公平享有资本市场正常发展的成果，这本身也是一种普惠金融。

尽管我们清楚地了解，普通投资者和高净值投资者的投资管理水平差异就像财富差异本身一样难以消除，但是，如果能让机器算法、理财**以及理性的投资方法普惠大众，那么我们有理由相信，普通的个人也可以更好地享受到资本市场的发展成果。因应这样的需求，在2008年金融危机发生之后，一种面向普通投资者的新型财富管理方式诞生了。这就是我们接下来要重点讲述的智能投顾。

智能投顾的诞生

智能投顾（Robo——advisor)，又名机器人投顾，顾名思义就是利用人工智能或者类似技术，以非人工的方式为客户提供理财建议或者直接管理资产。作为一种新兴的在线财富管理服务，智能投顾可以根据个人投资者提供的风险承受水平、收益目标以及风格偏好等要求，运用一系列智能算法及投资组合优化等理论模型，为用户提供最终的投资参考，并根据市场的动态对资产配置再平衡提供建议。

我们今天所说的智能投顾，诞生于2008年金融危机爆发之时。在这一年，哥伦比亚大学的MBA毕业生乔纳森·斯坦恩（Jonathan Stein)和律师艾利·布罗尔曼（Eli Broverman)创立了Betterment公司，这家公司后来成了智能投顾的鼻祖。

智能投顾诞生于这样的一个特殊时刻，既是必然，也有巧合。说其必然，当然是因为金融危机再一次让普通投资者遭受了沉重的打击，也进一步加深了对现有投资体系的失望情绪。在这样的情况下，一种新的能够满足普通投资者需求的投资方法，势必会在时代的需求之下悄然而生。这是历史的规律。

说其巧合，则是因为智能投顾本身并非一蹴而就的新商业模式。正如我们在前文中已经提到的，到了21世纪时，机器在投资上早已打败人类，只不过这种情况尚未涉及普通投资者而已。所有的技术都已经储备就绪并且在不断演进，机器投资对普通投资者的触达是早晚会出现的结果，但这一天最终发生在金融危机之时，也的确颇具偶然性。

其实，Betterment的诞生就像是人工智能的达特茅斯会议，它只是一种新事物开始受到瞩目的节点和标志，而并非新事物产生的源头。实际上，从20世纪90年代末开始，在线投顾就随着互联网的崛起发展起来了。在这一阶段，在线投资分析工具的技术水平和规模都开始提高，部分公司开始提供“在线投顾”服务，尤其是2005年美国允许证券自营商将投资分析工具直接交给投资者使用后，在线资产管理服务规模更是迅速扩大。

Wealthfront、Betterment 以及 Future Advisor等智能投顾公司的诞生和成长，标志着为客户直接提供各类机器人投顾工具成了一种独立的商业模式，而此后部分传统券商纷纷自行开发或通过并购涉足该领域，例如嘉信理财**嘉信理财智能投资组合服务，Blackrock 收购 Future Advisor 则意味着这一商业模式得到了整个金融行业的认可。在此之后，伴随着人工智能的进一步发展和运用，越来越多的创业企业和传统金融机构开始加入这一行列，智能投顾也因此变得更为成熟以及多样化。

智能投顾的诞生是多种因素综合作用的结果。首先当然是技术的演进。互联网的发展使得线上交易变得更为简便，而在线交易的便捷性也使得个人投资者开展投资的门槛大幅降低。云计算、大数据以及人工智能三大领域在最近10年快速发展，而这三方面也正是智能投顾的基石。

其中，云计算为智能优化资产配置提供了强大的计算能力，是发展智能投顾的基础设施；大数据和人工智能则是智能投顾的核心技术。基于用户行为数据精准描绘用户画像，基于机器学习等人工智能技术构建资产配置、交易优化等算法，基于金融大数据迭代提升算法有效性，这三方面技术构成了智能投顾平台的核心竞争力。

其次，传统财富管理的缺陷为智能投顾的发展创造了机会和条件。传统的财富管理有三大主要缺陷。第一，收费标准高而模糊。传统的投资**由专人担任，一位有丰富经验的投资**，虽然愿意付出大量时间与精力给投资者提供财富管理服务，也向来收费不菲－在发达国家，投资**一般会收取基于管理规模1%的管理费作为酬劳，有的甚至更高。

第二，流程烦琐，时效性差。传统的财富管理公司需要大量时间与精力用于面对面与客户沟通，无论是标准化还是非标准化的流程都需要投资**通过与客户的沟通与交流才可以实现。目前，传统投资**从最初的市场营销、****收集、风险评估、资产配置、配置再平衡、****到客户账户报告等流程更多依赖人工进行操作。

这些工作消耗了投资**的精力，限制了投资**服务客户的数量与质量。与此同时，客户也同样需要花费大量时间与精力来做沟通，复杂而烦琐的流程降低了客户整体的理财体验。

第三，投资门槛要求高，服务对象仅限于高净值群体。以资产规模来划分客户人群的门槛成了阶层以及富裕阶层获得理财服务的最大障碍。为数不多的投资**更多的是为富裕阶层提供财富管理服务，然而对于大多数人而言，财富管理费用太贵以及有限的服务范围和水平使他们不得不自行管理财富。

而如果选择自行管理，无论是投资于股票、主动管理基金还是被动 ETF(Exchange Traded Funds，交易所交易基金），都需要用户花费大量时间与精力去筛选与跟踪，而且有可能偏离本身的理财方案。被动投资的发展，是智能投顾崛起的另外一个有利条件。

自20世纪70年代出现第一只指数基金之后，被动投资就开始蓬勃发展。市场有效性的不断提高使得获取超越市场表现的α收益越来越难，传统上追求绝对收益的主动型基金也逐渐失去了往日的辉煌，与此同时，以β收益为核心的ETF、FOF(Fund of Funds，基金中的基金）等被动型产品则迅速崛起，其表现也开始逐渐超越大多数主动基金。在过去20年间，被动投资基金的金额不断攀升，其在共同基金中的占比已经从1995年的3%上升到2014年的16%。

与此同时，美国的ETF基金也高速发展，截至2015年，美国的ETF基金数量超过了1500只，其管理的资金超过2万亿美元。这些基金覆盖了全球范围内的多种类型资产，从美国股票、其他发达国家股票、新兴市场股票、分红股票、房地产、自然资源，到美国政府债券、公司债券、新兴市场债券、市政债券以及通胀保值债券等，可谓琳琅满目，无所不包。

如此蓬勃发展的被动型投资市场，为智能投顾的发展提供了丰富的投资工具，也为其实现投资分散化、在降低风险的同时构建“聪明的β”创造了充分条件。客户人群的特征变化则是智能投顾得以发展的另外一个重要原因。从出生后不久就有互联网伴随的美国千禧一代，比上一代的投资者更乐于接受网上交易，同时也对机器服务有着更多的包容。

与此同时，这一批人也开始进入人生之中财富增长最快的时期，对资产配置的需求也达到了一个前所未有的高度。而这种需求，恰恰是传统的那种为富人提供的财富管理服务所不能满足的：他们可投资的资产大多数在10万美元以下，对高额的投资**费用更加敏感，再也无法容忍传统服务的烦琐与不透明。这种人口特征的变化，为智能投顾这种从机器思维出发的新型财富管理方式提供了一个千载难逢的历史机遇。

如果说技术的发展、现有服务的弊端、新一代客户的出现以及投资工具的多样性为智能投顾的出现做好了外部准备，那么智能投顾本身所具有的特性，则使得它能够很好地利用现有技术，适应时代的发展。

在智能投顾的诸多特性之中，以下几点最为突出：

低门槛：传统的私人银行理财起点多为100万美元以上，部分私人银行甚至将门槛设定到1000万美元，而家族办公室的门槛高达1亿美元。但大多数智能投顾平台对客户的最低资金要求都很低，有的平台甚至已经达到了1美元起投的地步。低费率：相对于传统投顾最低管理资产1%以上的管理费率，智能投顾平台的最低管理费率已降至1‰。易操作：智能投顾平台的投资流程相对标准和固定，投资者一般只需几个流程就可完成所有投资步骤，剩下的所有工作则全部由机器来承担，而人只需要关注最终收益即可。高透明：相对于传统投顾，智能投顾的投资组合是完全向用户公开的，投资信息以及费用信息也完全透明。相比传统投顾，机器更能降低投资的道德风险。分散化：智能投顾服务会根据现代组合理论按照其风险偏好和理财目标把客户资产分散到不同类别资产中。个性化与场景化：智能投顾可以基于对数据的分析，针对不同客户制订个性化的最优方案。除此之外，基于用户需求的场景化也是智能投顾可以实现的功能。长期投资：智能投顾追求的不是短期的涨跌回报，而是长期稳健的投资回报。无情绪，不休息：人类投资**会生病，需要休息，也会有情绪波动，但是基于人工智能的智能投顾不会。在智能投顾平台，用户可以在任何时间段注册自己的专属账户、评测风险水平、建立投资计划，以及在投资策略执行后的任何时间段登录账户了解自己账户的浮动盈亏水平，甚至调整自己的策略组合。24小时风险监控：传统的财富管家无法眼观六路、耳听八方，但智能投顾可以实时监控全球资本市场以及风险事件，当遭遇影响力较大的非系统性风险时，算法会自动调整投资组合，降低投资风险。

正是内外各种因素的叠加，使得智能投顾行业在过去的几年之中呈现出井喷式发展。2010年，全球的智能投顾所管理的资产还近乎为零，但截至2015年年中，美国智能投顾公司管理的资产规模就超过210亿美元。

结语

如今这一数字，更是在每天不断地刷新。世界知名的咨询公司A.T.Kearney预测，美国智能投顾行业的资产管理规模将从2016年的3000亿美元增长至2020年的2。2万亿美元，年均复合增长率将达到68%。

来源：财经知与行

量化投资的期货策略 这三大操作方法可以借鉴

量化投资策略主要包括：量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易等。那么，量化投资的期货策略是怎么样的呢？下面小编就给大家简单的介绍其中的三个操作方法，希望可以帮助到大家。

量化投资的期货策略

一、量化选股。量化选股就是采用数量的方法判断某个公司是否值得买入的行为。根据某个方法，如果该公司满足了该方法的条件，则放入股票池；如果不满足，则从股票池中剔除。量化选股的方法有很多种，总的来说，可以分为公司估值法、趋势法和资金法三大类。

二、量化择时。股市的可预测性问题与有效市场假说密切相关。如果有效市场理论或有效市场假说成立，股票价格充分反映了所有相关的信息，价格变化服从随机游走，股票价格的预测则毫无意义。从中国股票市场的特征来看，大多数研究报告的结论支持中国的股票市场尚未达到弱有效，也就是说，中国股票市场的股票价格时间序列并非序列无关，而是序列相关的，即历史数据对股票的价格形成起作用，因此，可以通过对历史信息的分析预测价格。

三、股指期货套利。股指期货套利是指利用股指期货市场存在的不合理价格，同时参与股指期货与股票现货市场交易，或者同时进行不同期限，不同（但相近）类别股票指数合约交易，以赚取差价的行为。其中，股指期货套利主要分为期现套利和跨期套利两种。

来源：股城网

什么是价值投资？

何为价值投资？

    股票被套了怎么办？“拿着呗，就当做价值投资了！”我想这可能是投资者对价值投资最大的误解！其实长期持股并不等于价值投资，价值投资是用实业投资的思维去选择股票,通过研究股票的基本面,选择好的公司，在一个合理的价格买入，赚取公司的成长以及分红盈利！

如何做价值投资？

    简单来说，价值投资就是在一个好行业，选择一个好公司，在一个好价格买入并长期持有。如果简单的在一个随机时点买入一家随机选择的公司，长期持有，按A股目前普遍的公司质量，其结果必然亏多盈少。

    如何才能找到一个适合做价值投资的股票呢？首先选择一个好的行业，行业前景够大，公司才能不断做大市场份额，上市公司业绩才能继续增长。同一个行业公司也是差异巨大，要选择具有核心竞争力的公司，比如说有技术专利、独家配方，或者有先进的组织架构和创新机制等，能够为公司在行业中竞争形成壁垒，巩固龙头地位，提升市场占有率，持续创造新增价值，带来业绩持续增长和投资回报。

    但业绩持续好的公司不一定是好的股票，好的股票还要有好的价格，吸引投资者的目光，我们投资能否取得回报，不但取决于公司能否成长，还要取决于我们购买的价格，如何判定股票有一个好的价格，简单来说就是看估值，如果股票估值过高，提前透支了未来十年甚至二十年的业绩，就算是业绩持续成长，十年后依然高估，股价可能不涨反跌！

加入价值选股因子提高操作安全边际

    近年来，很多投资者做在交易时，会选择被市场低估的股票买入，在估值回归时卖出。同样的，市场上常说的超跌反弹股，实际上也是做股票的价值回归。随着金融市场的日渐完善和成熟，越来越多的投资者在选股的时候会加入价值投资选股因子来提高操作的安全边际，在接下来智投小贴士中，会给大家具体讲述如何分析上市公司基本面，重要的价值投资的选股因子以及具体使用方法，欢迎大家继续关注~

巴曙松——在资管行业独辟蹊径：量化投资的新赛道

资本市场最具吸引力的一个特征，就是其**了许许多多可能性，投资者可以根据自己的偏好，选择与探索不同的投资路径，并且承担投资决策的结果。我常常将资本市场类比为布满一两百条不同难度的滑雪道的巨大滑雪场，滑雪者可以自如地选择不同的雪道，当然滑雪技巧足够高的滑雪者也可以自己探索一下滑野雪。

如果说沃伦·巴菲特是价值投资领域的标杆，那么，詹姆斯·西蒙斯在量化投资领域则同样享有标杆的地位。华尔街给西蒙斯的形形**的称谓包括：数学大师、解码专家、亿万富翁、对冲基金大佬等。《纽约时报》将西蒙斯形容为探索者、行动者、给予者、思想者。

西蒙斯24岁获得博士学位，25岁赴哈佛大学任教，26岁为美国军方破译密码，30岁在纽约州立大学石溪分校当上数学系系主任，随后创立文艺复兴科技公司，将数学思想融入投资，使用量化手段寻找“投资圣杯”。

西蒙斯缔造的文艺复兴科技公司凭借复杂的数学模型和算法进行海量数据分析，成为市场上最引人注目的量化投资公司之一。西蒙斯凭借量化投资策略，带领大奖章基金成为有史以来最成功的对冲基金之一。

文艺复兴科技公司的标志性产品大奖章基金1988—2018年的年化复合收益率高达39.1%，大幅领先同期标准普尔500指数的年化复合收益率。和传统的对冲基金不同，文艺复兴科技公司是一家纯量化基金公司。

公司创始人西蒙斯本来就是一个顶级数学家，公司的数学模型也是由一个数百人的团队编制而成的。这个团队的成员包括弦理论物理学、天文学、量子力学、生物学、数学等领域的科学家。他们依据历史价格等海量数据，写了超过1000万行代码。

詹姆斯·西蒙斯——量化投资之父

文艺复兴科技公司创始人；

大奖章基金创立者；

身价达235亿美元，2020年彭博亿万富翁指数榜金融领域与对冲基金第1名。

《征服市场的人》一书通过汇集西蒙斯团队的创业故事、投资策略和投资理念，将读者带入量化投资发展的不同场景，使读者能直观地了解量化投资的概念和特征：

量化投资指用复杂的数学模型替代人为的主观判断，尝试追求收益的最大化，量化投资强调建立在大数定律基础之上的统计优势、建立在严格执行基础之上的风控优势和建立在多元组合投资之上的分散优势。

西蒙斯团队曾多次被模型失效及其原因所困扰。然而，该团队坚持不懈，克服了许多障碍，打造了相当成功的量化基金。对于有志成为量化分析师和投资经理的人，或者想深入了解量化投资与资产管理行业的读者来说，这本书都将大有裨益。

根据**投资数据资料研究商Eurekah edge统计，在2019年，全球量化基金总管理规模约为2.31万亿美元，其中北美市场的管理规模约为1.59万亿美元，占比约为69%，其次是欧洲及中东市场的管理规模，合计占比约为20%，亚洲地区市场的管理规模总共占比约为8%。在目前的全球市场格局中，美国市场依然是量化投资的主战场，且占比较高。

近30年间，美国量化基金的整体发展速度较快，各种策略百花齐放，主要强调的是收益水平相对稳定、与市场走势关联度相对较低且抗冲击能力强的策略。美国量化基金的规模多年保持着相对稳定的扩张速度，投资者对量化基金的投资热情一直较高。

经过多年发展，海外量化基金发展出多家巨头，除了本书提到的文艺复兴科技公司，还有TwoSigma、Citadel、BGI（巴克莱国际投资管理有限公司）、AQR和World Quant都是几千亿美元规模左右的量化巨头。

目前市场上的金融数据**商越来越多，通过现代科技和统计手段，可以将越来越多的资讯纳入数据库中。随着物联网、大数据和云计算的发展，可以预计，未来会有各种维度的数据纳入量化统计之中。数据量的增加和计算能力的提高，为高频交易的发展**了土壤。

近年来，海内外的高频量化私募都迎来了大发展，高频量化私募具有交易量大、盈利率高和容量小的特点。美国的TwoSigma和JumpTrading是高频交易量化基金公司的典型代表。从发展历史来看，2020年中国的量化私募掀起了规模增长的浪潮，百亿级量化私募已经增至10家，这些量化私募以高频量化为主，主要采用高频做市策略、大单跟随策略和异常订单捕捉策略等高频方法。

与历史悠久的海外量化基金行业不同，中国国内的量化基金行业发展起步较晚。海外量化基金使用最多的策略是股票多空，其空头仓位一般通过融券卖空实现，而当前中国国内融券难度较大、成本较高，所以空头仓位一直以来大多是通过做空股指期货实现的。这就决定了国内量化基金的发展与股指期货息息相关。

中国国内市场上的量化投资兴起于2010年股指期货上市，虽然起步较晚，但得益于中国国内场内股指期货和场外个股期权等衍生品市场的逐渐完善，量化投资迅速发展成为一股不容小觑的力量。

从2017年到2020年，量化基金在所有证券类私募基金中的占比从不足5%提升到15%，管理规模增长了4倍，量化交易成交量在整个A股市场成交量中的占比超过15%。

不管是从规模增长还是比重增长来看，近年来量化投资在中国飞速发展，虽然与美国市场相比仍有差距，但总体上看未来市场潜力巨大。

作为舶来品，量化投资在中国市场的发展有优势，也有劣势。以中国股票市场为例，量化投资的优势在于散户在中国市场上占有主导地位。在美国市场，由于投资者的主体是机构投资者，从长期来看持续获得较高的超额收益有一定的难度。而中国股票市场的投资者结构则有所不同，散户投资者所占的股票市值约占整个市场的25%，其交易额达到了所有股票交易额的85%。散户往往容易受“羊群效应”等影响，造成股票价格上存在大量市场异象。

在中国使用量化投资策略可以有大量机会探索、利用市场异象发掘规律，制定策略，进而获得较高的超额收益。在中国市场上从事量化投资的劣势在于中国资本市场仍处于市场深度和产品种类逐步完善的阶段，特别是能够用来对冲的工具有限，已有的工具也受到了一些限制。

美国相对中国市场而言，相关的金融衍生品和工具比较多，可以开发不少收益风险比比较好的策略，目前海外对冲基金产品策略的数量可以达到50个以上，甚至超过100个。

近年来，中国大力发展衍生品市场，丰富产品种类，为量化投资在中国生根发芽**了更为肥沃的土壤。当然，如同任何资产管理活动一样，量化投资最重要的是人才，只有优秀的人才能将先进的技术、策略、理念运用到组合管理当中。

当前，资本市场已经成为中国对外开放的重要窗口。随着资本市场对外开放的深入推进，外资在不断加大对中国资本市场的配置力度，特别是沪港通、深港通和债券通的先后启动，为海外投资者投资中国市场**了便捷的****。

目前，明晟指数（MSCI）、富时罗素指数和标普道琼斯指数将A股纳入比例分别提升到了20%、25%和25%。中国国债也纳入彭博巴克莱全球综合指数、摩根大通全球新兴市场多元化指数和富时世界国债指数。随着资本市场的开放，海外资产管理机构有可能会逐步在中国市场中尝试运用量化投资策略。

随着中国资本市场的开放与发展，投资经理将需要尝试从全球视角配置资产。面对纷繁复杂的海内外投资品种，投资经理不可能了解所有品种，对于不太熟悉的投资品种，采用量化抓主要规律的办法可以实现多品种之间的投资仓位和操作平衡互动。

本书作者格里高利·祖克曼在《征服市场的人》一书中详细讲述了量化投资的探索者西蒙斯如何与一群科学家，尤其是数学家创立了文艺复兴科技公司，并打造了史上最赚钱的量化基金之一。译者安昀和朱昂使用生动的语言将这本著作的中文版呈现给各位读者。

在资本市场对外开放的大背景下，中国资产管理行业也在快速成长和进步，相信量化投资也会日益活跃，深入了解这些成熟市场的经验，也许可以给予我们多方面的启发。

来源：湛庐文化

量化投资策略，永远把风险放到第一位

“量化投资”虽然在证券投资领域已经存在很久，先是在股票分析交易软件初具备雏形，有了选股公式，可以快速选择出具备某种指标，如连续三天涨停的股票、从涨停到跌停的股票、市盈率低于10的股票、5日均线与250日均线形成均差的股票。这些规则看似简单，但如何从4204只A股中筛选出符合条件的股票，无异于大海捞针。但如果您了解选股公式，这一切将迎刃而解。

选股公式其实很简单，如open:代表开盘价，close：代表收盘价，high:代表最高价，low:代表收盘价。如果想选出今天为阳线的股票，也就是收盘价大于开盘价，选股公式就是：close>open。ref(close,N)代表N天前的收盘价，ref(open,N）代表N前的开盘价。ref(close,2)>ref(open,2)代表前天的收盘价大于开盘价。也可以写错多条件组合的公式，通过and来合并。如ref(close,2)>ref(open,2) and ref(close,1)>ref(open,1) and close>open;代表连续三天阳线的股票。 然后，可以通过评测系统对自己设计的选股公式进行评测，看看选出的股票未来是上涨的几率比较大，还是下跌的几率比较大。

后来出现了量化策略**，比如米筐、聚宽、tushare、天傲股票复盘等，大致的方式都差不多，按自己的观察，找出一个自认为能盈利的方面，写出一个策略，通过历史数年的数据进行验证是否能盈利。以史为鉴知兴替，历史如此，行情走势有时候亦是如此。

谋而后动，任何投资的都是有风险的，复盘不一定能找到盈利的方式，但可以提前探知以后预见的风险。当风险在承受范围，就可以参与，当风险已超出自己能承受的范围，就提交抽身。利润和风险是一对双生子，在追逐利润的时候，请先把风险放到第一位，这样才能走得更远。

股市有风险，入市需谨慎。本文仅是从技术的角度探讨，不作为任何投资建议。

来源：互联网资本梦