常见十大量化投资策略

策略：量化策略是借助计算机技术实现投资思想的逻辑代码，一般包括数据获取、信号分析、执行交易三大模块

众所周知，投资股市的收益分为两部分，一部分来自市场行情波动的收益，另一部分来源于选股的操作收益！由自身的选股带来的收益，称为Alpha收益。由市场行情变动带来的收益，称为贝塔收益Beta收益。比如：

1、如果指数可以交易，你买入价值100万的沪深300指数并一直持有，这是一个beta策略，因为你赚到的是市场波动产生的收益。

2、你花了100万买入20只股票，这些股票表现不俗，比策略1多赚20%，那么这20%是alpha收益。这20只股票的收益来自市场收益（beta）+超额收益（alpha）。这是一个通俗意义上的”指数增强型策略”。

3、在策略2的基础上，假设你买入的20只股票平均波动性与沪深300指数的波动性一致（持仓股票相对指数的beta=1），你又做空了价值100万的沪深300期货，相当于（策略2-策略1），得到的就是（beta+alpha-beta）=alpha。这是一个“完全”对冲的alpha策略。

Alpha策略和Beta策略

因此，股票策略一般根据是否对冲可以分为Alpha策略和Beta策略。

alpha是个相对概念，某个投资收益相对于无风险收益 Return at risk free的比较。

alpha=0, 表明收益和无风险收益相同；alpha>0, 表明超额收益，alpha<0, 收益比无风险收益低。追求最大alpha 就是所谓的最求最大超额收益。

另外一种重要的指标beta，beta指的是相关度。指某个投资和全市场(或者选定的参照指标)的比例。beta=1，完全相关，沪深300指数基金的beta就应该非常接近1。上半年深证100ETF的beta就是略大于1，如果以沪深300做参考，所谓的beta投资，体现在仓位控制上，如果一个基金的股票上限是60%，那么它相对于全市场指数的beta就会很低，因为其他40%的投资与现金或者债券和股市相关度很低。

beta投资不侧重选股，而侧重仓位控制，所以下跌行情下，跌幅就会小。如果敢于空仓股票，全仓债券，还可能获得正收益。如果通过alpha，beta值选择基金，是看长期的业绩和风险的平衡。

alpha越大收益越好，相同alpha情况下beta值小，风险就低。

举个著名的例子2008年环球股灾。

2008年1月21日，当天被喻为“黑色星期一”，伦敦富时100指数创下单日最大跌幅，欧洲股市亦创下2001年911事件后最大跌幅，亚洲股市更最多下跌15%。上海综合指数下跌5.14%。美国股市当天休市，但其指数期货也落得大跌。当日法兴银行事件被揭发后，银行开始平仓，使欧洲的期指交易激增，一定程度上加剧了跌势，在连锁效应下波及全球。

下面是2008年某些股票:

华夏红利 相对基准指数 alpha=24.54%，beta=0.67;银河稳健 相对基准指数 alpha= 4.70%，beta=1.04;广发稳健 相对基准指数 alpha= 4.89%，beta=1.25;嘉实稳健 相对基准指数 alpha= -5.41%，beta=1.06;大摩基础 相对基准指数 alpha= -16.89%，beta=1.20;按照选择依据，华夏红利是超额收益最高，风险最低的。相似的alpha情况下，银河稳健优于广发稳健。2007年广发稳健净值的大幅下跌可以从1.25的beta值中体现。后两个基金都是负的alpha值，大摩基础的beta较大，风险较大，该基金是2008年1月1号以来至今收益率最低的。

虽然2008年华夏红利指数翻倍的上，但是个股持续上涨的空间极其有限。

再说下公募基金和私募基金，公募基金和私募基金的最大不同是，后者仓位的灵活，和追求绝对收益。2008年业绩好的私募基金，前3季度股票仓位接近0；公募基金绝大部分保持相对高仓位。所以如果能够预测股市下跌的话，卖出所有股票基金是最佳的beta策略。但是大部分人都没有时间和能力去判断拐点，如果打算长期投资的话，可以通过alpha和beta筛选基金，看看你收益持有的非指数型基金的风险评估，测试一下alpha策略和beta策略，挑出投资回报高，而投资风险低的基金。

量化投资策略是利用量化的方法，进行金融市场的分析、判断和交易的策略、算法的总称。著名的量化投资策略有以下10种：

（1）海龟交易策略

海龟交易策略是一套非常完整的趋势跟随型的自动化交易策略。这个复杂的策略在入场条件、仓位控制、资金管理、止损止盈等各个环节，都进行了详细的设计，这基本上可以作为复杂交易策略设计和开发的模板。

（2）阿尔法策略

阿尔法的概念来自于二十世纪中叶，经过学者的统计，当时约75%的股票型基金经理构建的投资组合无法跑赢根据市值大小构建的简单组合或是指数，属于传统的基本面分析策略。

在期指市场上做空，在股票市场上构建拟合300指数的成份股，赚取其中的价差，这种被动型的套利就是贝塔套利。

（3）多因子选股

多因子模型是量化选股中最重要的一类模型，基本思想是找到某些和收益率最相关的指标，并根据该指标，构建一个股票组合，期望该组合在未来的一段时间跑赢或跑输指数。如果跑赢，则可以做多该组合，同事做空期指，赚取正向阿尔法收益；如果是跑输，则可以组多期指，融券做空该组合，赚取反向阿尔法收益。多因子模型的关键是找到因子与收益率之间的关联性。

（4）双均线策略

双均线策略，通过建立m天移动平均线，n天移动平均线，则两条均线必有交点。若m>n，n天平均线“上穿越”m天均线则为买入点，反之为卖出点。该策略基于不同天数均线的交叉点，抓住股票的强势和弱势时刻，进行交易。

双均线策略中，如果两根均线的周期接近，比如5日线，10日线，这种非常容易缠绕，不停的产生买点卖点，会有大量的无效交易，交易费用很高。如果两根均线的周期差距较大，比如5日线，60日线，这种交易周期很长，趋势性已经不明显了，趋势转变以后很长时间才会出现买卖点。也就是说可能会造成很大的亏损。所以两个参数选择的很重要，趋势性越强的品种，均线策略越有效。

（5）行业轮动

行业轮动是利用市场趋势获利的一种主动交易策略其本质是利用不同投资品种强势时间的错位对行业品种进行切换以达到投资收益最大化的目的。

（6）跨品种套利

跨品种套利指的是利用两种不同的、但相关联的指数期货产品之间的价差进行交易。这两种指数之间具有相互替代性或受同一供求因素制约。跨品种套利的交易形式是同时买进和卖出相同交割月份但不同种类的股指期货合约。主要有相关商品间套利和原料与成品之间套利。

跨品种套利的主要作用一是帮助扭曲的市场价格回复到正常水平；二是增强市场的流动性。

（7）高频交易策略

高频交易是指从那些人们无法利用的极为短暂的市场变化中寻求获利的计算机化交易，比如，某种证券买入价和卖出价差价的微小变化，或者某只股票在不同交易所之间的微小价差。这种交易的速度如此之快，以至于有些交易机构将自己的“服务器群组”安置到了离交易所的计算机很近的地方，以缩短交易指令通过光缆以光速旅行的距离。

（8）指数增强

增强型指数投资由于不同基金管理人描述其指数增强型产品的投资目的不尽相同，增强型指数投资并无统一模式，唯一共同点在于他们都希望能够提供高于标的指数回报水平的投资业绩。为使指数化投资名副其实，基金经理试图尽可能保持标的指数的各种特征。

（9）网格交易

网格交易是利用市场震荡行情获利的一种主动交易策略，其本质是利用投资标的在一段震荡行情中价格在网格区间内的反复运动以进行加仓减仓的操作以达到投资收益最大化的目的。通俗点讲就是根据建立不同数量.不同大小的网格，在突破网格的时候建仓，回归网格的时候减仓，力求能够捕捉到价格的震荡变化趋势，达到盈利的目的。

（10）跨期套利

跨期套利是套利交易中最普遍的一种，是股指期货的跨期套利（Calendar Spread Arbitrage）即为在同一交易所进行同一指数、但不同交割月份的套利活动。

来源：东方财富网

最优秀的人才是量化投资的核心竞争力

这些年量化在中国发展的非常快。当然最早起源于美国，因为美国是全球最发达的资本市场，差不多是90年代末，2000年初开始发展出量化，如今有20年，美国资本市场可以说90%的股票交易量都来自于量化，当然也包括算法交易，如果你看头部的对冲基金和私募基金，50%的资产是量化策略管理。中国的资本市场，现在很多的制度，它的经验，都是参考了很多当年美国发展历程，如果我们去展望中国未来的资本市场的发展，和它其中一些大类资产的可能性的话，我觉得量化在中国的未来，可以说是非常有前景的，如果你去看美国，中国资本市场未来也会参照这条路去走。

所以我今天题目就叫金融科技与量化交易的中国实践。

讲几个简单的概念，我今天更多是从美国中国的量化交易做一些概念的理解。

平时大家从媒体当中听到一些概念，像高频交易这样的概念。尤其在市场波动非常大的时候，它的盈利会非常可观，而且非常稳定。我觉得讲几个比较有意思的概念。高频很早的概念来自于做市，所谓的做市商就是一个交易商在买家和卖家报一个单子，你希望它赚取稳定的利润，这是最早的做市的概念，到了如今这个市场竞争非常激烈的时候，这样简单的策略不可能持续盈利，需要更多复杂的策略的衍生，才能在市场上真正达到做市盈利的目的，并为市场提供流动性。

还有一个经常提到的概念，大家是以速度或者是低延时作为核心特点，所谓低延时，从美国股指期货交易信息传递到美国纽约那边的证券交易所的服务器，现在大家都是利用军用的微波传递信息，最近用更加先进的技术，来传递，他们觉得光缆已经不够快，为什么做这件事情呢？就是因为很多时间第一时间触发的时候，触发很多交易机会，谁有第一时间获得这个信息，去拿订单，就有优势。

当然在美国靠速度本身获得交易是不够了，头部交易厂都有很多交易设备，做高频交易团队，本质上还是靠Alpha去获取盈利，什么叫Alpha？大家都会在通过听到量化策略Alpha策略和中性策略，Alpha就是你在市场上交易中频策略的时候，你有预测价格的能力，你通过这个去获取市场的超额收益。运用到高频收益也是类似的概念，把原来的预测周期从原来一天到五天，变成10秒，或者是一秒很短的周期，如果你的价格预测可以更加精准，你的速度比别人快，你就可以在市场上产生大量稳定的交易的利润。这就是高频交易，我想讲的一些概念。

当然我们自己也看到了，本身自身也是高频出身的，我以前在美国做股票的高频交易。我在里面工作之后，回到中国，当时很有幸抓住中国股灾的机会，在股市当时波动非常大的时候，做了股指期货的高频交易，在三个月内实现10倍以上的收益。确实这个收益也比较稳定。再到后来我们自己也开始因为股指期货的限制，转到股票，开发了股票高频交易，18、19年做到市场龙头的地位。

我们再讲一下统计套利。统计套利各位理财师和客户在市场上接触比较多，就是所谓的中性产品，或者是股票Alpha策略。其实在美国，大家都会把它称之为统计套利。像文艺复兴等等这样一些类似的基金，他们都会运行这样的股票期货的统计套利策略。统计套利策略，说到股票策略的话，有几大类，第一类是量价策略，第二类是基本面策略，第三类是数据策略。粮价策略简单理解就是看K线图，高开低收。这一类因子也是量化交易当中，不管是高频也好，中频也好，低频也好，非常重要的一类因子，或者是策略，他们捕捉了市场上大量的博弈类的信息，交易行为的信息，以及预测价格的信息。其实量化交易的兴起，把很多以前人工的利润空间压的越来越低，包括以前很多做游资做股票的，稳定交易的策略，你跟他们交流，你会发现这个策略越来越难做，究其原因，就是量化交易慢慢在市场上承担越来越重要的作用，他们在系统化挖掘规划能力上，远超过人，他们运用大量的算力，大量的尝试试错，大量的回撤，来判断什么样的规律在市场不断的挖掘出来。进化率极强。

还有基本面引资，大家也投过主观基金，我们看公司的基本面，看这个公司盈利的长期增长，看这个公司估值的高低，其实量化有很大一类策略也是看估公司的基本面，我们会把财务指标抓取出来，把很多盈利分析师的预期抓取出来，这些信息汇总在一起，系统化研究它，从长远来看，当你的策略越来越大，换手率降低的时候，你也像基金经理一样，系统化抓取那些高盈利增长，低估值，具有弹性的长期价值弹性的股票，这个也是基本面因子和基本面策略当中，量化尝试不断抓取的规律。所以如果单纯把量化割裂开来跟主观做对比，这个也是没有必要的，量化会越来越全面，不光是研究早期，后面也会挖掘更多主观的规律，这也就是为什么在美国市场上，量化策略占到这么大的比例原因。

数据策略，在美国大家对数据研究非常透彻，会用到非常多，包括信用卡消费的数据，包括互联网的网站的爬虫数据，还有销量数据，甚至其他的数据，还有舆情，来做各种信息的汇聚、收集，用这些细小的信息来预测公司的基本面可能的变化，交易型可能的变化，最后把它们组合在一起，组成一个信息系统，用来做股价的预测。这个是数据的策略。

刚刚讲到，美国现在的交易量已经占到整个市场90%以上，其中有很大一部分主观的公募基金，包括主观的对冲私募基金，他们也会用算法交易做资金优化，他们已经不再用人去下单，更多是用机器去下单。这个就是平时大家会用到的简单的算法交易程序和系统，更好的算法肯定是避着传统算法。你去看美国，现在基本上没有人再去为这些交易上去做执行优化了，但是如果去看中国的大部分的公募基金和私募基金，他们交易所还是这样的，如果看长远未来趋势来看，做中短期的执行优化，机器一定可以打败人类的，这个是非常确定性的事情。

第四条，我们讲讲量化投资，量化投资里面也会有非常多的基本面子策略的融入，我们也会看财务报表，也会看市场上各家分析师对于股价评判的信息。我们会把这些信息综合进来，融入进来，加强我们量化策略，所以量化与主观不是对立面，更多是融合，更多运用量化的工具，系统化去挖掘主观规律，做好风控，或者长期的超额收益或者是价值投资。

我们再讲讲量化交易在美国现状。来看看未来中国会是什么样子。市场体量占比非常高，运用非常广泛。数据体量，美国是一个高度竞争的自由发达的市场，一只故，像IBM这样一只故可以同时在八家交易所同时交易，有不同的盘子进行撮合，还有剩下几十个暗室撮合。美国的交易系统非常庞大，信息透明度很高，包括很多量化交易在里面。所以美国每天交易的数据非常庞大，你看一天一只股票全市场的交易数据就达到一个T，几千只股票就有几千T，这个数据量非常庞大。所以它的信息维度也非常高，可挖掘的规律也非常多。

交易所的技术也是能处理大量的信息，交易所互相之间都有竞争及它们也要吸引更多的交易者，或者客户来他们交易所交易，他们互相之间也会进行自己的技术。

信息维度，美国的数据商也非常发达，一家大的对冲基金，他们甚至会用成千上万种另类数据，来看另类数据当中，有没有可以被挖掘的西夏的规律，用这个来预测股票的价格。

还有运算带宽，很多互联网公司，会用公有云，阿里云、腾讯云把自己网站架在上面，做高可扩展的运用。因为数据量庞大，所以他们需要建立自己的私有云，去做很多大量复杂的运算和数据处理，来获得信息数据处理能力上的优势，这就是美国头部对冲基金的状态。

我们再看一下中国量化本身的发展进程。分为三个大的阶段，第一个阶段是10年到15年，10年是股指期货开放的元年，从那一年开始，刚刚有了所谓的量化对冲的概念，量化中性策略的概念，因为原来大家只能在股票上涨的时候去实现盈利投资收益，当你有了股指期货的时候，一切发生了根本性的改变，量化策略可以在股市下跌的时候，也产生盈利，它的方式就是靠股指期货对冲掉大盘的收益，下跌的时候赚取盈利，不管是18年也好，还是15年股灾下跌也哈，量化交易都可以发挥它更大的价值。

到15年是到了非常大的巅峰，因为那个时候股市非常活跃，杠杆配的非常多，那个时候交易量非常大，波动也非常大，那个时候到了顶峰，15年之后，股灾结束之后，接入被限制，股指期货的贴水到了30%保证金到了40%，股指期货基本被监管，或者被砍掉或者大幅度限制。16年开始，很多大的量化基金很难再运作，因为监管对制度做了非常大的变革。正因为如此，给了新一代量化基金新的机会，原来在15年非常简单的策略都能盈利的情况下，大家需要改变自己的策略，做一些更加有超额收益能力比较强的策略，去打败保证金的比例获得超额收益，16到18年是第二阶段，兴起了一批新的对冲基金，他们比15年有更加成熟的策略体系，去进行市场交易。

到了19年，政策又发生了一次特别大的转向，这一次国家开始又重新把资本市场定位到非常高的战略地位。大家可以从科创板的打开，包括对外开放，包括放开，甚至在股票T0的制度，国家对资本市场的态度，已经大幅度的转变，股指期货再次被放开，甚至考虑股指期权的上市。所以在这样一个新的大的环境下，量化交易也被监管重新认识，一个非常明显的特点，18年下半年，我们做交易的时候，经常到下午三点不到的时候，监管局突然把你的程序接口封掉，觉得风险太大了，怕影响市场。可见监管本身对量化交易的态度，也在发生非常大的转变。甚至监管也在调研，中国A股市场，量化交易量，已经占到A股的24%以上，过去几年增长非常快。

我再多讲讲，量化跟主观的区别。主观更多是持仓，相对较少的股票，几十只故，持仓周期较长。通过企业本身的盈利长期增长，低估值来获得股市的超额收益。当然他们本身也是在收益过程当中，获取了大盘行业本身这个东西盈利的红利。这是他们很多策略的特点。量化策略的特点，撇开股指期货对冲不谈，交易频率相对较高，短的持仓一两天，到长的十天。有些是偏博弈的量价策略，有些偏主观基本面的策略，不管怎么说，量化策略也在抓取市场上的规律，量价博弈的规律，再到基本面的规律，虽然基本面的看法和主观基金经理会很不一样，它会损失一些信息维度，但是会捕捉另外的信息维度，它损失的是对某只股票深度调研的信息，因为这个信息没有办法在积极层面很好的表达，比如说分析师预期的改变，包括财务指标的变化。所以量化策略本身是通过高度分散，不断的去交易市场上量价基本面信息的变化，来获取持续稳定的超额收益。从长期来看，量化本身跟主观策略，你看主观基金经理交易的话，有超额收益的主观基金经理，也会阶段性进行调仓，这些调仓本身也是他们Alpha收益很重要的来源，如果把这部分拿掉的话，很多基金就不再那么出色和不再那么有吸引力，这部分会是未来量化和主观非常重要的部分，量化的支出，在于不断的研究迭代去强化这个系统本身的预测能力。它会做分散，做很严格的风控，避免过多的干预。

我们讲讲人工智能，大家现在听到很多人工智能本身在量化领域的应用。所谓深度学习的方法。当然深度学习是一个突破性的创新和框架，未来谈到量化领域的应用会越来越广泛，但是人工智能是不是可以强大到去取代主观投资者，这个我不这么觉得。这就涉及到一个问题，机器有没有这个可能性，跟人类的智能一样，我觉得现在的人工智能框架还是有一点差距，为什么呢？因为人最擅长做的事情是在一个少量样本点的数据下，做出一个高维信息的决策，机器是没有办法的，机器最根本的特点，就是需要样本量足够大的时候，通过算力去挖掘很多很细小的规律，不断的优化，这是它强大的地方。但是人之所以为什么能做出主观决策，是人类社会经过几千年的演化，积累了非常先进的知识，通过社会，通过家庭，通过学校，通过网络媒体，通过书籍去传播，这些高维的信息，机器在短时间之内是没有办法很好理解的。但人可以，就好像人去看哪一家上市公司，会和很多上市公司的管理层交流，会跟上市公司的同行交流，他会跟上下游去交流。他会看宏观的信息，这些高维信息，机器没有办法通过简单的函数去描述的。所以我觉得投资本身是一件，如果要做到顶尖的话，并不是很多人都能够胜任的事情。你说机器在短期内，它可以达到人类的智能，甚至是非常出色优秀的人工智能，还是有很大差距的。

但是人工智能或者是量化交易和统计学习也有它强大的地方，它强大的地方是什么呢？它可以汇聚大量细小信息，把细小的规律不断挖掘出来，这个是人很难做到的，比如说价格信息有很小的抖动，或者边边角角的信息，这些信息看似没有什么，人看不出来，但是机器能系统化的捕捉它，而且可以不断的优化，通过一套严格的方法和流程，比如说机器去读上千个数据源，机器有能力把这些信息都汇集起来，挖掘其中的规律，这就是机器强大的地方，而且量化策略还有一个优势特点它的进化能力特别强，它不断在市场上，提高历史回撤的收益，得到实盘收益规模的双提升。主观你需要非常长的周期去经历，或者是经验去积累，一旦调整，你也不会做大量的回撤，不会做大量参数的调试。这就是人工智能和量化交易相比主观有一个很大的优势的地方。它的不断自我进化，自我迭代的能力。

刚刚讲到了19年之后，资本市场制度变革，带来了很多新的机遇，资本市场如果唱戏扮演一个大类资产配置的需求，非标转标替代的需求，包括他们需要承载更多的上市公司创新动力和资金的时候，资本市场的定价就变得尤为重要，股市未来谁来定价，有效率资产交易者和管理者来定价，量化交易在中国股市当中扮演定价能力和交易能力变得越来越重要。

如果去看中国现在量化发展趋势，你会发现中国发展路径，这个趋势跟美国越来越像，不管是人才的储备上，模型的迭代方法上，还是交易的框架上，甚至用一些茶几机器学习的方法上，中国和美国未来是非常的相似的。所以这也是需要我们不但借鉴海外经验，吸收海外优秀的对冲基金人才，回到中国，在中国资本市场上去深耕发芽，在中国市场上去发挥自己的价值。

量化金融机构到最后，应该就是人才。因为资产管理行业就是人才密集型的行业，你要在市场上获取稀缺的超额收益稳定的超额收益，并不断去与其他的管理人和市场参与博弈竞争，你需要最优秀的人才，唯有强大的人才体系和强大的人才群体，这才是未来量化结构最核心的竞争力，这也是锐天一直以来做的事情，尝试吸引更多更优秀的人才，帮助这些人才在锐天成长发展，再帮助他们吸引更多的人才，如果这里一旦变为人才的聚集力，那这家公司长期竞争力会非常强大。

刚才讲到美国也用了很多另类数据进行学习，不断的迭代自己的策略，中国未来量化金融策略发展趋势，也是一定会往这条路去走。

来源：财报网

发展人工智能技术 破解证券行业痛点

我国证券行业发展的痛点

居民直接参与股票投资的比例高，决策科学性不足

由于投资选择的范围较小，居民金融资产以通货和存款为主，风险性资产结构较为单一，股票资产占比较大。据社科院测算的中国居民资产负债表，截至2016年，我国居民证券类金融资产（包括居民部门直接购买的股票及股权、债券、证券投资的基金份额）达到54.8万亿元，占金融资产的15.3%，其中居民直接购买的股票及股权占10.6%，意味着居民直接参与股票投资的比例较高。我国股票市场参与者以个人投资者（散户）为主。《上海证券交易所统计年鉴（2019卷）》显示，截至2018年底，沪市投资者中持股市值不足50万元的自然人投资者户数达3355.16万户，占投资者总数的比例达86.92%，10万元以下散户占比达58.21%。深交所《2019年度个人投资者状况调查报告》显示，证券账户资产量低于50万元的投资者占75.1%。散户投资者普遍存在投资决策易受个人情绪影响、缺乏投资组合和资产配置习惯等特点，决策的科学性不足。常见的投资者非理性行为包括过度自信、处置效应、羊群效应、心理账户等，散户交易的投机性较强，换手率高，投资期限较短，导致股票市场价格发现效率低、波动率高。我国股市的换手率明显高于其他主要经济体，截至2017年，我国股市换手率达到215%，美国为113%，日本为105%，印度为60%。

证券公司零售业务面临挑战

一是客户黏度降低，行业竞争激烈，盈利空间压缩。随着2015年A股市场“一人一户”限制放开，证券公司的客户群体黏度显著降低。竞争激烈导致证券公司经纪业务佣金率近年来持续下行。2018年证券公司行业整体佣金率已下滑至0.034%，创历史新低。二是盈利模式比较单一。证券公司仍以证券投资和代理买卖证券业务两类传统业务为主，创新性业务收入则占比较低，收入受市场影响较大。中国证券业协会数据显示，133家证券公司2019年度实现净利润1230.95亿元，其中证券投资收益（含公允价值变动）1221.6亿元，代理买卖证券业务净收入（含席位租赁）787.63亿元，远高于其他业务收入。三是互联网金融冲击证券公司发展格局，制度红利和行业红利正在消失。证券公司是全牌照公司，具有天然优势，但互联网金融已取得一些牌照，并突破地域限制。一些证券公司营销管理体系精细化程度低，在分级分类的管理体系和产品体系（含资讯产品、智能理财等）方面不具备优势。

投资顾问的核心价值难以体现，投顾业务长期依附于经纪业务

第一，投顾服务的核心价值难以体现，客户认可度不足。一方面，我国法规不允许投资顾问做全委托账户管理，投资顾问价值难以体现，投资者没有单独付费意愿。另一方面，投顾人才储备不足，服务质量参差不齐，严重制约证券公司投顾业务发展。中国证券登记结算公司数据显示，截至2019年12月，我国投资者数量达到1.61亿人；中国证券业协会数据显示，已注册的证券投资咨询业务从业人员仅4.73万人，无法满足客户需求。部分投顾人员知识结构老化，只提供同质化服务，服务质量有限。

第二，投顾业务长期依附于经纪业务，投顾服务的定价体系尚未建立。2011年1月开始执行的《证券投资顾问业务暂行规定》首次明确投资顾问可采用单独收费或差别佣金等方式。不过，当前我国投资顾问业务仍主要通过收取佣金实现盈利，即从金融产品供应方获得佣金，导致投顾业务长期依附于经纪业务，投顾业务具有“销售”属性，更容易产生与客户的利益冲突。独立收费模式无法形成的根本原因还是在于投顾服务的核心价值难以体现。

实现最优化、个性化的资产管理面临技术瓶颈

一是资产种类数量剧增，寻求最优投资组合面临维度灾难。随着构建多层次金融市场和对外开放的深入推进，主板、中小板、创业板、科创板、港股通、沪伦通等市场范围不断延伸，资产证券化产品、衍生品等产品类型不断丰富，维度增加带来计算量呈指数级上升。二是证券投资者数量倍增、投资需求多样化，对差异化投资策略的需求亟待满足。随着经济发展、居民财富增加，我国居民持有的非金融资产占总资产比例逐步降至60%以下，金融资产占比相应上升，但同质化的产品和服务无法满足居民的差异化需求。据招商银行统计，截至2018年我国个人持有可投资资产190万亿元，理财用户逾7亿人，海量居民的多样化理财需求未得到有效满足。三是影响证券价格的因素增多，传统证券投资分析框架可能失灵。除基本面信息外，市场情绪、宏观经济形势和政策、一些非规范化的信息等都可能影响证券价格，甚至改变投资组合中不同证券价格变动的关系，影响投资策略有效性。

在此背景下，证券公司经纪业务须主动调整，应对变化。一是从价格竞争向以客户需求为导向的产品创新竞争转型；二是向个性化、专业化的服务和金融产品配置转型，营销渠道向线下+线上的多层次、立体化营销转型；三是向多元化服务收费模式转型。

发展人工智能可以有效缓解证券行业痛点，促进证券行业快速健康发展

国务院2017年7月发布的《新一代人工智能发展规划》提出，要推动人工智能与各行业的融合创新。目前，人工智能技术与我国证券行业的融合还处于早期探索阶段，传统金融机构主要是从服务智能的角度，提升服务效率、体验或用户黏度，服务的深度还有待提高。

客户分类方面，运用数据挖掘、知识图谱、机器学习等人工智能技术进行用户画像和客户分类，可有效降低信息获取成本和服务成本，更加精准地捕捉客户需求，提升营销和服务效率。人工智能的优势在于：一是基于不同类别的用户数据，建立全面、精准、动态的用户画像；二是挖掘中小投资者需求。《关于规范证券公司借助第三方平台开展网上开户交易及相关活动的指导意见（征求意见稿）》规定，证券公司须通过自有渠道开展网上证券业务，因此在证券公司第三方获客渠道受限的情况下，做好存量和新增客户分类，挖掘客户潜在需求的重要性进一步提升。

智能客服方面，基于语音识别、自然语言理解和知识检索等人工智能技术，智能客服可以模拟特定场景下的人类对话，拓展客户服务的广度与深度。部分运用机器学习的智能客服还可以识别客户情绪，提供个性化回答，提升服务体验。深度学习算法的应用使得语音识别、自然语言理解等技术的准确率和速度大幅提升。以人工智能算法替代客服工作人员，大幅降低了客服运营成本，使客服人员有更多时间处理复杂问题和高净值业务。

智能投顾方面，主要是结合客户目标及市场变化进行客户资产组合的动态优化、个性化订制。涉及云计算、大数据以及机器学习等人工智能技术。智能投顾的投资组合模型开发能力强，投资策略由人工智能算法自动生成，且不断学习和改进模型。智能投顾的优势主要包括：一是门槛低，增加了投资顾问服务的覆盖面。智能投顾对客户投资金额的最低要求普遍在1万元至10万元之间，部分智能投顾平台如Betterment甚至实现了零门槛。二是费用低，智能投顾的投资策略制定自动化，营销手段网络化，规模效应明显，管理费普遍在0.25%～0.5%之间，远低于传统投顾。三是投资标的范围广，有利于进行最佳资产配置。智能投顾平台盈利方式以投顾费用为主，不依赖产品销售的佣金，往往通过机构合作网络，为用户提供更广范围的最优资产配置组合。四是服务流程标准化、简洁、透明，不受时间、场地限制，可以高效、精准匹配客户资产管理目标。五是严格执行程序或模型给出的资产配置方案，并根据市场行情和预设条件进行调整，稳定性更高，弱化投资者心理因素的影响。

智能投顾在国外已获得广泛认可。人机结合的智能投顾受到投资者欢迎，主要操作方式是通过智能算法形成投资组合，在交互环节可选择人工服务进行咨询和调整。美国智能投顾发展呈现以下特点：一是投资者接受程度高，管理的资产规模扩张迅速。截至2018年底，注册投资顾问公司客户数量4300万人，90%以上资产为全权委托管理模式。注册投资顾问资产管理规模自2001年以来增长279%。二是市场集中度高，资产管理规模在1000亿美元以上的投资顾问机构148家，占行业总机构数的1.1%，所管理客户资产占比59.7%。三是以管理资产为基础收取管理费是主要获利方式，95.5%的注册投资顾问按照管理资产规模的相应百分比收费。近年来，我国证券公司陆续推出智能投顾产品，如2016年推出的平安证券智能投顾系统、广发证券贝塔牛等。与国外相比，我国证券行业智能投顾的发展还处于初级阶段，其发展主要受以下因素制约：一是证券公司投资顾问与产品销售之间的界限不够清晰，投顾的独立性和客观性仍有待提高。二是投资者成熟度不高，对投资产品的流动性要求高，对资产配置理念接受程度远低于海外投资者。三是难以实现全球范围的最优资产配置。我国金融业对外开放有序推进，但短期内外汇管制仍在一定程度上制约海外资产配置。四是监管约束。我国《证券法》（2019年修订）第161条明确禁止证券投资咨询机构及其从业人员代理委托人从事证券投资。在此背景下，目前国内智能投顾平台无法为客户提供全流程和全业务链的资产管理服务，核心价值难以体现。

智能交易方面，是对智能投顾的有益补充，是程序化交易发展的进阶版。2015年10月，证监会发布《证券期货市场程序化交易管理办法（征求意见稿）》，将程序化交易定义为“通过既定程序或特定软件，自动生成或执行交易指令的交易行为”。随着技术进步，程序化交易的自动化和交易延迟敏感度上升，发展到算法交易和高频交易领域。一是量化交易，侧重于采用量化分析技术实现投资决策的制定过程；二是算法交易，根据美国商品期货交易委员会（CFTC）2015年的界定，算法交易强调的是交易指令通过电脑自动生成，而指令的实施可以是人工操作或计算机自动完成。2019年算法交易调查显示，提升交易员效率、易用性、执行一致性是采用算法交易的主要原因。三是高频交易，突出特点是信息处理时间极短，可以高速、低延迟地产生和执行交易指令。基于深度学习的人工智能算法可以充分挖掘海量弱特征数据，显著提升数据分析与数据预测的准确度，提升投资表现。人工智能交易系统的广泛应用可以显著提升证券市场的价格发现功能，提升市场效率。

目前，我国相关法律法规将投顾与资管分开监管，不允许代客理财，所以还没有真正意义的智能交易。相比之下，智能交易在美国发展迅速，这主要得益于其综合监管框架。智能交易应用面临的挑战主要体现在：一是同质化策略大量涌现。同质化策略可能源自相同的基础信息、相近的算法等，可能导致单一事件触发多项交易阈值，或形成多米诺骨牌式的阈值触发，加大市场风险。此外，同质化策略会使得获利的窗口期缩短，导致策略失效和收益水平下降。二是对系统稳定性的要求更高。在生产策略和执行策略全过程，智能交易对于计算机系统、技术稳定性的依赖程度更高。国内外历史上都出现了因为IT系统导致重大投资失误的案例，如2012年5月18日纳斯达克交易系统问题。

智能投研方面，利用人工智能技术进行金融数据研究，可以简化数据搜集和数字化的过程，节省研究时间，提高研究的智能化程度。涉及技术包括大数据、机器学习、自然语言处理和知识图谱技术等。例如自然语言处理技术可以将新闻、政策、社交媒体中的非结构化数据进行加工提取，从而拓宽数据广度，节省研究人员时间。通过挖掘数据背后的关系来建立知识图谱，可以提高研究效率。

风险管理方面，人工智能技术有助于优化风险管理手段、提升风险管理前瞻性。机器学习、特征识别、风险知识图谱等人工智能技术，可以显著提高信用评估、适当性管理、异常行为识别等方面的效率，赋予风险管理以全面、高效、自适应的特性。一是增加监管信息的维度；二是增强识别风险的能力；三是提升一线监管的时效性。监管机构高度重视人工智能技术在金融风险管理领域的应用。上交所、深交所等机构也在积极部署金融科技，探索构建上市公司画像图谱、公司与股东行为特征分析体系，利用深度学习结合知识图谱对上市公司风险进行监测预警，提升监管穿透性、时效性，提高风险防范能力。

智能投顾和智能交易的监管

智能投顾的监管

从国际证监会组织的调研结果看，部分国家和地区以现有监管规则直接适用于智能投顾业务模式，包括美国、欧盟、日本、中国香港等经济体。部分国家在评估是否对智能投顾制定专门的规则，包括法国、荷兰和新加坡等经济体。我国目前没有专门规范智能投顾的法律法规。监管部门分别对投资顾问与资产管理进行监管，传统投资顾问和资产管理的相关法律法规对智能投顾有规范作用。中国人民银行等五部委2018年正式颁布的《关于规范金融机构资产管理业务的指导意见》（以下简称《资管新规》）第23条明确规定：“运用人工智能技术开展投资顾问业务应当取得投资顾问资质。”《证券、期货投资咨询管理暂行办法》《证券投资顾问业务暂行规定》《关于加强对利用“荐股软件”从事证券投资咨询业务监管的暂行规定》等规定了证券投资咨询业务资格、向客户解释服务载体的固有缺陷和使用风险等要求。此外，证券行业法律法规、投资者保护相关规定也适用于智能投顾。

程序化交易和智能交易的监管

发达经济体对程序化交易和智能交易的监管制度比较完善。美国的相关监管制度最为完善，注重系统安全性、策略安全性、投资者保护等，2013年1月启用市场信息数据分析系统（MIDAS）对交易进行实时监控。欧盟于2014年4月通过《金融工具市场指导Ⅱ》（MiFID Ⅱ），对高频交易的参与者进行了规定。我国对程序化交易的监管内容与国外基本一致，涉及投资者适当性管理、程序化交易监管和数据隐私监管等。投资者适当性管理的要求适用于投资组合中每一个具体的投资标的物，应遵循证监会发布的《证券期货投资者适当性管理办法》。程序化交易监管旨在维持证券市场稳定，禁止程序化交易中涉及市场操纵的策略。证监会的《证券期货市场程序化交易管理办法（征求意见稿）》第18条明确禁止程序化交易者通过关联账户、频繁申报和撤销、大量连续交易、大额偏离市价申报等方式，误导其他市场参与者，影响交易价格或交易量。数据隐私监管的主要法规为《网络安全法》《个人信息安全技术规范》，以及证监会于2018年9月27日发布的《证券期货业数据分类分级指引》。

智能交易相关监管措施，主要体现在《资管新规》中。《资管新规》第23条要求，采用人工智能技术进行资产管理的金融机构要向监管部门上报模型主要参数和逻辑，对智能交易的投资范围、信息披露、风险隔离、投资者适当性等进行了规定，要求强化智能交易的留痕管理，明确了金融机构对投资者的赔偿责任，要求金融机构对人工智能算法模型缺陷（包括算法同质化）或者系统异常制订预案并及时干预。

文章来源：清华金融评论

量化投资策略有哪些 期货套利方法比较常见

不少投资者应该知道，量化投资技术几乎覆盖了投资的全过程，包括量化选股、量化择时等，而投资者还是有必要了解一下的。那么，具体量化投资策略有哪些呢？下面小编就给大家简单的介绍其中的三种，希望可以帮助到大家。

量化投资策略

1、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。

2、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。众多的研究发现我国股市的指数收益中，存在经典线性相关之外的非线性相关，从而拒绝了随机游走的假设，指出股价的波动不是完全随机的，它貌似随机、杂乱，但在其复杂表面的背后，却隐藏着确定性的机制，因此存在可预测成分。

3、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，股指期货套利主要分为期现套利和跨期套利两种。股指期货套利的研究主要包括现货构建、套利定价、保证金管理、冲击成本、成分股调整等内容。

来源：股城网

人工智能在投资理财上，已经渗透了哪些领域？

随着人工智能的快速发展，越来越多的领域运用到了AI智能，无论是从之前的阿尔法狗围棋大战完胜，还是现在的智能科技发展，人工智能已经一次又一次突破了我们的想象，在不久的将来会在更多领域独占鳌头。人工智能在投资理财上，已经渗透了哪些领域？

在金融市场中，大量的数据与计算方式，在这个领域被频繁应用，而人工智能无论是在情绪控制还是逻辑推理上，都是远胜于普通人的，要是仅仅从计算能力来看更是无可挑剔。骑牛看熊认为国内一些企业已经开始使用AI智能来从事会计工作，这样既可以把强大的财务数据进行整合和计算，还可以将人工报酬降到最低，最关键的是计算机是不会考虑要不要去做“假账”的。

在国外的一些商业银行中，普通的柜员业务较为简单的存取，可以直接让智能AI通过语音系统来进行完成，在国内也有大量的自动柜员机出现，仔细看不难发现国内有一些商业银行在一个区域有多处自动取款机，却只有一个门店式的商业银行办公低点，这也是现在智能化发展的趋势。骑牛看熊认为金融行业中一些容易处理的事情，简单的回答“是”或者“否”的一些工种，被AI人工智能所取代只是时间问题而已，并且它们会比大多数人做得更好！

在平时接电话的时候，我们经常会发现一些自动语音系统，拿起电话就听见女士或者男士的说话，想中间插一句话打断，却发现对方还在讲，一直到对方询问是否要转机或者是否需要该服务时，这时才感觉不是在背书，好像与人在交流。骑牛看熊认为人工智能的语音系统，是目前使用最为普及和常见的，大多数人都接到过类似的电话，AI智能不停地给客户打电话，既不会累，也不会因为客户情绪不好而影响自己，这样的“好员工”去哪找？

文章来源：腾讯网

看好在量化投资领域人工智能带来的颠覆性影响

金融界网站讯 由中国期货业协会、深圳市期货业协会主办的“2020年第16届中国（深圳）国际期货大会”于12月19日采用线上、线下相结合的方式举办。

这是一年一度期货行业最重磅的会议，证监会副主席、期货业协会会长、四大期货交易所和沪深交易所总经理，以及头部期货公司董事长云集第16界中国（深圳）期货大会，金融界作为合作媒体全程报道，为关心中国期货业发展的投资者带来最前沿的监管思考以及行业动态变革。

本次会议分论坛四以“金融科技与期货行业融合发展”为主题，着眼于当下金融科技和期货行业融合发展中的一些关键性问题，聚焦于金融科技对期货行业服务模式、竞争格局、监管等各层面的影响而展开。

会上，创新工场南京AI研究院执行院长、倍漾科技CEO冯霁演讲的主题为《面向数据驱动的金融工程与应用》。他从数据模型、算法等角度介绍了金融科技与投资相融合的发展过程，并举例说明了人工智能在量化交易中常见的应用场景，包括特征工程，多因子模型，优化算法、智能回测和算法交易执行。

冯霁表示，人工智能商业化应用有四波浪潮，第一波是所谓的互联网智能化。中国第一代的人工智能行业专家，都是出自于北京、杭州跟深圳这三个城市，是因为当时最早应用人工智能技术的公司是一些互联网公司，能够产生大量的数据，而基于这些数据就能够得到一些立竿见影的效果。第二波，尤其是在金融领域，它产生的价值会远超之前一代互联网公司所产生的人工智能的价值。再往后就是实体世界的智能化，也就是当产生的数据不足以支撑商业决策时，就需要额外去收集更多的数据。最后是达到全自动智能化，比如自动驾驶是非常经典的案例，如果自动驾驶能够实现。

“除了互联网公司产生的大量数据之外，目前我们极端的看好在金融行业，尤其是量化投资这个领域人工智能可以带来的一些颠覆性的影响。” 冯霁表示。

他认为，人工智能对计算机行业带来了本质性的改变。随着交易场景的复杂化跟任务的艰巨化，有的时候基于专家规则的算法并不能支撑所面临的业务，那么利用数据+机器学习的方式就能够自动生成一些算法。这是对软件工程这个行业非常重要的变革。

人工智能在量化交易领域的应用，冯霁认为有以下几点：

第一个是对于高频这个领域，其本质是去寻找市场微观结构的一些不规则的地方。比如说是在K级别的数据场景下，能不能捕捉到一些价格的不合理性。目前人工智能可以做到的就是在纳秒级别去捕捉市场微观的结构的不合理性，并且最快的速度获得相应的利润。

第二个就是所谓的非线性多因子模型，在较为高频的期货市场上，本质是非线性的动态系统，也就是说在非常高频的事件中，大部分的情况都并不是线性模型能够捕捉到的。人工智能在最近这几年，本质上也是建立一个数据驱动的非线性多因子的模型，能够帮我们更好地去捕捉市场微观结构的动态。

第三个是优化算法。我们其实能够用到人工智能，尤其是机器学习技术中的很多非通用化的技术，帮助我们把一个非常复杂的数学任务，快速地能够至少得到在有限时间内，算到你想求到的最优的解。

第四个是智能回测。现在人工智能技术已经能够支撑我们，相当于去产生一些大量的平行宇宙，在这些平行宇宙里，数据质量就好像是市场中可以被发生的那样，用数学的话说就是你可以建立这样的分布，这个分布中你能做无数次采样，每次采样都是金融市场可能的历史能量宇宙。

在这种方式下，你所做出来的回测也好，沙盒实验也好，能够更有效地去指导你做一些真正的实盘的验证。本质上它用互联网的话说是对A/B测试更好的升级，目前这件事情人工智能也可以帮助我们达到。

最后一个就是算法交易执行。目前所知大部分的券商还是期货公司，用的就是一些非常简单的规则，来帮助我们去执行。但其实是可以基于一些技术把它做得更好的，比如现在有很多创业公司，本质上就是在帮助一些经纪商去取代一些算法，做更有效的算法交易执行。这个本身其实就是一个个体跟环境之间的交互，本质上就是一个强化学习的任务，也是目前人工智能能够做到的事情。

来源：金融界

人工智能近年来被广泛应用于金融、电商、医疗等领域

全球新一轮科技革命和产业变革方兴未艾，而作为引领新一轮科技革命和产业变革的核心驱动力量之一，人工智能近年来被广泛应用于金融、电商、医疗等领域。

　　风生水起之余，人工智能产业也暗藏隐忧：随着全球人工智能规模化建设和应用的加速，人工智能基础设施、设计研发及融合应用面临的安全风险正日益凸显。由中国信息通信研究院联合瑞莱智慧RealAI、百度、腾讯等单位共同撰写的《人工智能安全框架(2020年)》显示，随着深度伪造技术开源代码、APP应用增多，不法分子利用深度伪造技术制作虚假视频侵犯个人肖像权、名誉权和隐私权的现象屡见不鲜。截至2019年12月份，全网流传的深度伪造视频中，虚假色情内容占比高达96%。

　　而这只是问题的冰山一角。指纹和人脸识别留下的生物特征信息、自动驾驶留下的个人行踪记录、手机APP保存的个人隐私数据，医院里留存的诊断治疗记录……人工智能跑步进入人们工作生活的众多场景，用户各种行为被记录并作为数据保存起来，由此带来的数据泄露、数据伪造、算法瓶颈、隐私安全、伦理困境等问题如今正一点点浮出水面。据有关报道，今年7月份就有不法分子在电商平台贩卖人脸信息，以5角钱一份的低价打包出售后，被盗的人脸信息被用于虚假注册、电信网络诈骗等违法犯罪活动。

　　尴尬的是，《人工智能安全框架(2020年)》显示，现阶段人工智能企业主要聚焦于技术研发和产品运营，在人工智能安全方面投入相对较少、基础薄弱。目前，人工智能安全技术多处于学术研究和少量试验试用阶段，尚未形成适用于各类人工智能应用的成熟安全产品和服务体系。

　　人工智能产业健康有序发展，安全是重要保障，是形势所需，也是一些技术落地不可或缺的前提。离开了安全谈人工智能，犹如无水之源、无本之木。实践也已证明，时下人工智能安全需求与企业安全投入不足以及人工智能安全产品服务欠缺之间的矛盾，正成为制约人工智能产业长远发展的瓶颈。

　　站在发展困境与时代机遇重叠的关键时刻，业界期待产学研各界协同合作，不断完善与升级出更安全、可信、可靠的人工智能技术，扎牢人工智能安全的篱笆，让人们能安心享受这一技术红利。

来源：机经网

抢占量化交易市场，中泰证券XTP年交易额突破5万亿元

量化交易蓬勃发展，目前市场上已经涌现出10家百亿量化私募，程序化交易为主要手段。近日，2020中泰证券X-Club 第二届XTP开发者大会在上海举行。

在极速交易的高速公路上，XTP系统致力于为投资者“护航”。2015年以来，中泰证券组建了近300人的软件研发团队，自主研发了XTP极速交易系统，定位做最懂量化交易的极速交易平台。自2016年10月上线以来，XTP凭借优秀的性能以及极速的服务能力，聚集了200多家优化私募服务还有早期资产。主流量化私募达到90%以上，年交易额突破5万亿元，成为行业顶级的量化平台。

中泰证券总裁毕玉国介绍，中泰证券注重FOF和TOF的发展，基于XTP的平台，建立了完整的FOF研究体系，搭建绩效分析闭环，涵盖策略配置、宏观、微观、尽调、收益、回撤、策略稳定性、成长性及衰退性评估等。“中泰证券采取管家式服务，数据收集、提取、分析，还建立了FOF配置管理体系，致力于成为连接超级资金和优秀资产的平台。”

“2021年，中泰证券力争为量化私募机构提供一百亿以上的资金。未来十四五规划我们也通过全体员工和大家的共同努力，在生态圈里面将提供千亿规模的资金，为我们的量化私募客户提供更加优质的服务。”毕玉国表示。

量化私募规模不断增长，有的管理规模已突破千亿大关。中泰证券科技研发部总经理何波表示，程序化交易（量化交易的一部分）在美国的交易占比高达八成，国内量化交易仍有广阔发展空间。一流的用户，才能产生一流的产品，如今XTP从头部的百亿做到了基本全覆盖。“交易规则明显变化，资本市场改革步伐越来越大，规则会让策略更复杂，会更智慧化、程序化和人工智能化。”

金融开放脚步加快，外资机构纷纷入场。内外资证券机构“同台竞技”，行业资本加速聚集于金融科技领域以弥补差距、争当领先，证券行业数字化转型已是大势所趋，未来的交易必然更为自动化、程序化和规范化。内资券商近年来加大金融科技的投入，多年以来的探索应用，已经具备弯道超车的基础。

第三方咨询机构艾瑞咨询发布的《2020中国金融科技行业发展研究报告》显示，预计2020年中国金融机构的技术总投入将达1981.6亿元，其中金融科技投入将达到413.7亿元，同比增长14%。预计到2023年将提升至691.5亿元，增长幅度达67.2%。其中，证券行业因金融科技投入起步较晚，拥有较大增长空间。

文章来源：人民资讯

七耿科技解析智能交易的奥秘

在很多投资者眼中，智能交易一直处于一个比较神秘的位置，如何利用数学模型计算股票交易？或者开发一个稳定赚钱的投资程序？其实在一般的投资者眼中，能把智能交易这件事说清楚的，真的是凤毛麟角。

智能交易，大家没有真正了解前可能觉得比较难以理解，其实它只是一个非常简单的过程，我们将影响市场涨幅的一些因素整理归纳成为具体的数值和指标，以此为基准建立一个模型，然后再把这个模型投放到当前的市场行情中进行检测(回测)，确保能够相对准确的跟踪行情走势(模拟)，从而为投资者带来实际的收益(实盘)。

我们可以更通俗的一点去理解，就是利用人工智能帮助投资人在一个多变的市场中找出一些不变的赚钱法则。你可能认为，这是一件非常玄奥的事情，这也许在一些完善的发达国家还能有规则可寻，在中国这样的一个靠政策，靠内幕消息的大市场环境下，什么大神，什么人工智能，似乎都玩不转。

人工智能在各个行业发展：

未来的智能化行业将会发散到各个行业，工农业、服务业、建筑业、金属产业等等。我们过去牛拉耕田，现在都用机器收割；我们过去盖楼砖瓦结构，现在都用机器灌注混凝土砌筑；以前取点钱都要去银行柜台，现在只要有网络可以随意消费，可以看到，我们正处于时代的转折点，我们将亲历见证，科技时代的飞速发展。

在未来，二级市场的交易技术也一定是程序化，量化、智能交易在一些发达国家的交易市场已经广泛应用，近年来在中国也迅速崛起。因为人工智能分析策略具有数据量大，对比认为控制更加精细，稳定，更好的风控能力等优点。

智能交易，不仅是投资人手里的工具，更是一种理念，只有投资人能够尊重客观事实，学会利用数据，精细化控制，才能够熟练地运用量化这把“利器”。

智能交易比起人工来说有哪些优势呢？

首先计算速度快。

1. 下单快，人工下单很容易错失交易机会，具体体现在，追涨价格高，止损价格低。

2. 反应迅速，通过算法实时监控交易市场，一旦策略或算法产生了交易信号，会立即提醒或者自动下单，通过人工交易对信号的判断一般会跛脚模糊且容易受市场情绪影响。

3. 低延时，程序下单，延时基本都在毫秒级，人工下单反应最快也在秒级。

其次避免人性的弱点。

交易的目标是最终获得盈利，不惜牺牲一些小利，人的弱点是不愿抛弃利益，可能就会致使自己亏损更大的利益。通过智能交易的执行，就可以有效地帮助投资者克服心理弱点，避免陷入深套的不利局面。

最后就是持续性。

电脑是24小时不间断的运算监控，而人的精力是有限的，不会无限期的盯盘，而且难免会犯错。而基于程序的监控服务系统，能够提供投资者不间断的服务。

以上就是对智能交易的一个粗浅的解析，它并没有想象中的那么深奥，难以理解，所有的一切方法最终都是为了能够帮助我们提供更加稳定和长远的收益，当然，如果想要真的能够达到稳定盈利的方法，首先自身就要有自己的交易逻辑和方法，有较多的经验，然后才是通过智能交易系统去更好的监测平开仓、风险管理与市场监控。

文章来源：七耿信息科技