
量化投资,2018年不可或缺的配置策略
量化投资,在海外已有30多年的发展历史,因其业绩稳定,市场规模和份额不断扩大,得到了越来越多投资者的认可。量化投资以先进的数学模型代替人为的主观判断,强调投资的纪律性和系统性,克服贪婪、恐惧、侥幸等人性的弱点,克服认知偏差,借助系统强大的信息处理能力获得更大的投资稳定性,减少非理性的投资者情绪对于投资决策的影响。
VISIONTMT
魏刚 农银量化智慧混合拟任基金经理
简单来说,量化基金是用计算机和数学方法来实现人类投资的一种方式,并实际指导投资。它的核心就是通过计算机或是数学方法建立模型,并把这些归纳成客观规则,通过历史数据进行回测计算,选出在历史上表现比较好的策略,最后进行投资。
举个简单的例子:过去几年A股市场小盘股表现是非常好的,可以借此构建一个简单的策略:选择市值最小的100只股票进行投资,同时滚动调仓,这就是量化投资策略。
量化投资还有一个比较核心的投资逻辑,就是所应用的最后投入实战的量化模型或量化策略。这一模型是在历史较长时期进行了数据验证之后筛选出的模型,所验证的数据时间跨度可能会比较长,贯穿几轮牛熊。所以说在市场环境不发生强烈变化的情况下,量化策略能发挥相对比较好的表现。
其实量化投资也有它的盲点,首先量化投资、量化策略,它是基于历史数据形成的,也就是说当市场环境发生剧烈变化的时候,历史规律不再起作用的时候,这时候量化策略往往就会失效,或者量化策略就会表现比较差。还有就是当市场运行环境监管环境变化或是出现黑天鹅事件时,这些突发事件在历史上没有出现过,历史上没有规律可以循,没有规律可以验证,这时候量化策略也是表现比较差的。
因此,在建立模型时,模型构建人或是基金经理人可以对某些因素进行预案,当出现这些情况时需要如何应对。而且,量化策略的持股和行业集中度比较低,持股比较分散,即使出现黑天鹅事件的时候,损失也会在一个相对可控的范围内。如果应对得当的话,基金净值甚至能回到前期的高点。
农银量化智慧混合基金(认购代码:005638),是农银汇理旗下“纪律部队”的第三只产品。农银汇理前两只“严守纪律类”产品,农银区间收益混合和农银区间策略混合基金都收益不俗,其中农银区间收益混合基金自成立以来收益率为133%,(数据来源:晨星;截至2017.12.31)。与这两只产品不同,农银量化智慧混合基金是通过量化模型来进行“纪律选股”,来克服因基金经理个人喜好、认知偏差等带来的风险。
农银量化智慧混合主要选股因子包括价值因子,质量因子,成长因子,这些因子都是基本面因子。我们认为,基于基本面的选股因子有效性较强,适应性较强,对业绩表现有决定性作用。我们希望,通过这种策略找到比较优秀的公司,最终基金产品实现较好的投资回报。
此外,本产品的特色和优势就是这些选股因子都是由我们自主开发的,包括价值因子,质量因子或是竞争力因子等,我们通过这些因子综合打分,最后选出一些股票进行投资。
关于量化投资的具体操作方法,首先要收集数据,比如财务数据、市场行情数据、分析师预期数据,把这些数据归纳整理规整化;其次构建选股因子,比如市盈率、市净率,并测试这些因子在历史上表现是否有效,筛选出比较有效的因子;第三步,通过组合筛选出的有效因子构建出多因子选股模型,用这些模型对所有股票进行综合打分。最后,结合组合优化模型和风险控制模型,加上之前建出的多因子选股模型,优化出各个股票的权重,执行下单。其中,量化选股模型是一个核心,能从价值,质量,成长多维度衡量个股价值,做到以历史规律为实证,筛选出有效的投资策略。
农银量化智慧混合基金尊崇理性、纪律选股,不会因为市场的波动而产生较大的波动。因此,无论市场好坏,投资者都可以考虑作为个人资产配置的一部分
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15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