
3分钟告诉你量化投资为什么这么火
量化投资在海外发展有30年的历史,其投资业绩稳定,市场规模和份额不断扩大,得到越来越多投资人的认可。事实上,量化投资在国内并不新鲜,但真正的量化基金在国内的发展还处于初级阶段。
量化投资在国内的主要发展方向有三大类:传统的单品种CTA的趋势追随;不同市场和品种间的套利;还有利用基本面数据的宏观量化。随着各大类下面细分的各项交易策略的量化分析、交易的深入,我还是很看好量化本身在国内的发展。下面分几个方面介绍这三类:
1.Trade trend 或者trade mean-reverting的思路现在很多CTA在用,当然模型会复杂些,工具也多些(比如说考察两个index的spread,跨区等等)。这种相对低频的量化投资也被移植到中国二级市场上,并不断改进。
2.市场品种间的套利主要有下面5种:期货的期现套利(现货和期货之间存在一定的价差,一旦该价差与商品本身的持有成本发生较大偏离,可构造投资组合进行套利);相关性较强的品种间的统计套利(相关性较强的品种,进行协整检验,品种间价差在大概率下收敛,构造投资组合进行套利);可转债套利(转换期间的可转换债券与标的股票间存在溢价,因此可以通过卖出可转债并转股,同时融券锁定股票价格变化,第二天拿到股票同时平掉融券账户,获取价差);分级基金套利(母基金和子基金A、B份额价值发生偏差时,便可以通过申购或赎回操作,在母子基金间套利);ETF套利(ETF和其对应的标的成分股价值发生偏差时,就可以构造投资组合进行套利)。具体来说,已经成熟的套利策略原理都很简单,但是能否用该策略赚钱,则成败在于细节。中国的市场很不成熟,所以存在很多的套利机会,需要我们去发掘和实现。
3.宏观基金就是通过top-down的鸟瞰方式,相信市场上存在定价没有足够反应当前基本面及其变化趋势的地方,然后在市场多数人发现之前采取行动,等待获利时刻的到来。主要有两种风格,discretionary:比较自由靠经验判断,systematic:系统性讲究规律和纪律。
1). Discretionary:找到一个主题以及相关的观点,最终将其落实到具体投资工具。举个“主题-观点-工具”的例子,比如你判断中国经济要下行(主题),这意味着市场对商品和原油需求减少价格要下降(观点),你选择做空澳元或者产油国的股指期货(工具)。这种投资风格建仓的速度快,往往会重仓几样工具,持仓的时间可能非常灵活,从几天到几年。
2). Systematic风格其实和一般的量化投资是非常接近的,很多量化模型比如factor model也能得到应用。
风靡英美的高频交易在中国目前还不大行,因为手续费太高。美国的费用大概是100股/1手几毛钱,换算成人民币也就几块,比起国内现在的佣金费用低太多了。 但是知乎上也有人反对这个观点,认为股指期货纯高频也有人做,1分钟内上百笔单子,只是闷声发大财,只是手续费会高于净利润,甚至达到净利润的两倍,但是也是有利可图的。
另外,即使是中低频交易,比如股票交易,随着爬虫和自然语言分析的应用,事件驱动可以作为一个系统运行:新闻事件、社区舆情、突发情况等等都被爬虫和自然语言分析取代了,大数据处理能力比人脑快、准。本来分析师、交易员们可以五马长枪地点评波动率,Gvernment维稳,乌克兰动乱,但是最后的结果却常常是在电脑那边基于的参考权重相当的低,低得甚至可以忽略不计。甚至在前两年有量化小公司买入了一套系统可以直接分析CNN,BBC,路透,彭博,CCTV的新闻频道报道。
“这个行业目前在中国的现状,绝对是一群聪明绝顶的geeks抢占技术制高点的群雄逐鹿。而大部分从业人员,终将成为历史的尘埃,就像当年那一批批的互联网创业者炮灰。”但是,如果你已尽自己全力一搏,成与败于你来说真的那么重要么?”这个行业有的只是优胜劣汰,胜者为王。国内目前的机构基本上都有严重的缺陷,风险爆发是迟早的事儿,而且会越来越多,这跟之前积累的经验、管理框架体系、选人用人都有关系,无论是券商自营、资管,我们作为市场的直接参与者要感谢他们无私地为市场提供了流动性。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16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