
无量化不投资!用公式打败市场的量化投资,在中国能走多远?
2017年,我国资产管理规模突破100万亿元,私募基金迅速走上了快车道。究其原因,与私募基金积极备案登记,监管越来越规范,私募的良好业绩息息相关。从目前总体经济运行、就业形势、居民收入、社会大局等各方面来看,未来,私募投资必将迎来黄金发展期。
2017年11月,中信银行私人银行与胡润研究院联合发布《全球视野下的责任与传承—2017中国高净值人群财富管理需求白皮书》(Wealth Management: Trends of the Chinese HNWI 2017)。报告中提到,与2016年相比,高净值人群跨境金融投资产品的广度和深度均有所扩展、提高。
“外汇存款”、“股票”、“债券”、“基金”和“保险”是高净值人群跨境金融投资配置中最普遍的五种产品。
与人们旺盛的投资理财需求相比,专业机构提供的传统理财服务显得相对匮乏。(2017年6月,招商银行与贝恩公司联合发布的《2017中国私人财富报告》显示,2016年中国个人持有的可投资资产总体规模达到165万亿元人民币。)
中国目前拥有大量金融专业人才,以及世界上数一数二的大数据以及云计算等硬件设施,可以说,中国的量化投资正值风口。
从2016年开始,中国的量化投资普惠化也快速发展,前有传统金融机构提供的智能投顾服务,如广发证券、齐鲁证券等券商,招商银行、兴业银行等银行,后有上海量加科技公司等金融科技公司纷纷试水。
相对于主观交易,目前资金更加青睐于量化投资。在国内,不管是股票,还是期权、期货等都可以通过量化来做。
量化投资在海外的发展已有30多年的历史, 通常是指通过计量(Quantitative)的分析方式形成投资决策,并以计算机程序化发出买卖指令, 快速完成投资组合搭建与再平衡,以获取稳定收益为目的的交易方式 。
目前,市场上一大半的机会还是来源于基于基本面上的价值发现,而量化投资赚取的大多是市场空隙的钱。相对于传统的定型市场,量化投资就好比西医,他们都是有根据地对症下药。并且量化很有纪律性,所有的策略都是依据模型做出来的,相对于主观交易,可以克服人性的弱点,比如贪婪、侥幸心理等。
另一方面,如果市场上有上万只股票的时候,量化投资的信息处理能力也体现出它的优势,更快更准地抓住更多的投资机会;并且量化投资以数据为基础,从数据中挖掘未来的趋势,而且不单单依靠一个或几个股票,而且一组股票取胜!
市场中的大部分的量化投资公司往往都是以总经理负责交易负责策略的研发,然后带领了身边一帮研究员作为一种体系。就比如简雍资产,他们用的是一个更加科学的体系:总经理刘庆柏负责公司运营,但同时也有权在策略的测试、入库、上线以及投决会上进行投票。
简雍资产有非常资深的高校背景资源作为支持,复旦大学、普林斯顿、斯坦福等,这些学校或其中的教授们都与他们有着非常深层次的合作关系,尤其是以复旦大学大数据学院院长范剑青教授为首的支持团队。
范教授是简雍资产的首席策略顾问,大数据学院的副院长薛向阳教授是简雍资产的首席IT顾问,但是核心依然是投资这一块。
简雍资产投资这块的研究体系,目前是以国内郭克尖博士所带领的团队为主导,整体的研究体系是以原来法巴东京的自营团队、以李克辛教授带领的香港团队作为首要的策略引进,以范教授带领的教授团作为他们理论支持。
再来看看简雍资产的整体投资策略。
他们的策略比较丰富,主要是在三个方向进行策略配置:
因为简雍的传统优势,第一个是期货CTA,第二个是股票的短线多头,就是没有对冲的这一部分,第三个是在交易上花了重大的精力的, ALPHA加他们的配对的交易,是偏市场中性的策略,包括现在比较炙手可热的人工智能以及模糊识别。
除了投资策略,投资者当然更加关注的就是风控了。还是以简雍资产为例,他们的风控就是分三步。
第一步是从整个策略的研发上,无论他们在做任何一个策略的时候都会考虑到回撤和收益。第二步的风控是他们在公司整体的运营,这个运营是包括了他们的产品的设计以及公司的投资决策委员会的职能以及风控决策委员会的职能在内的。第三步的风控是从外部方面来考虑的。
一个真正想做好的私募公司,必然会很重视风控。专注于数据和算法研究量化投资基金的简雍资产,希望能够在严控风险的基础之上为客户带来长期稳定的收益。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29