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
在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16数据是CDA(Certified Data Analyst)数据分析师开展一切工作的核心载体,而数据读取作为数据生命周期的关键环节,是连接原始数 ...
2026-03-16在用户行为分析实践中,很多从业者会陷入一个核心误区:过度关注“当前数据的分析结果”,却忽视了结果的“泛化能力”——即分析 ...
2026-03-13在数字经济时代,用户的每一次点击、浏览、停留、转化,都在传递着真实的需求信号。用户行为分析,本质上是通过收集、整理、挖掘 ...
2026-03-13在金融、零售、互联网等数据密集型行业,量化策略已成为企业挖掘商业价值、提升决策效率、控制经营风险的核心工具。而CDA(Certi ...
2026-03-13在机器学习建模体系中,随机森林作为集成学习的经典算法,凭借高精度、抗过拟合、适配多场景、可解释性强的核心优势,成为分类、 ...
2026-03-12在机器学习建模过程中,“哪些特征对预测结果影响最大?”“如何筛选核心特征、剔除冗余信息?”是从业者最常面临的核心问题。随 ...
2026-03-12