京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27