
浅谈量化投资
01 量化投资
以系统化的方法辅助投资决策
关于量化投资,其实可以简单的定义为,借助数量化的方法,通过严谨的研究分析制定投资策略,系统化的执行投资策略的过程。系统化也就是遵守纪律的、有严谨逻辑的、可以自动化的方法。
实际上,整个系统化的决策过程中,是人而不是机器对量化投资进行负责主导。虽然在研究中使用数量化的方法,但是研究的过程完全取决于人的决策。在这方面,量化投资策略与传统的主观投资策略类似,都依赖于决策者对于投资组合的日常管理。
量化投资和传统的主观投资区别在于策略如何被制定以及如何被执行。通过仔细研究这些策略,量化投资者会用科学验证理论知识的方法评估这些想法,通过使用计算机,系统化地实施策略,能够消除很多存在于主观判断型投资交易中的随意性。本质上,由情绪、无纪律性、贪婪和恐惧驱使的决策,能够在量化投资过程被弱化或消除,而这些心理因素其实是很多市场投资中出现重大失误的原因,所以多数量化投资方法其实也有着相应的行为金融学理论基础。
文艺复兴公司的奠基人西蒙斯曾经比喻自己的量化投资和巴菲特价值投资的区别,认为巴菲特的价值投资像是密集型农耕,种的不多,每一个麦穗儿都很重要,而量化投资像粗放型农耕,有的麦穗可能长的不怎么样,但大部分长的还不错,靠数量和概率取胜。价值投资这种“密集型农耕”侧重于对人自身主观判断分析能力的考验,这个时候投资更像一门艺术,就像一个需要手工雕刻的艺术家;而量化投资这种“粗放型农耕”则更侧重于人对“农耕机器”的设计开发以及使用,这个时候投资更像科学和工程,需要有更科学和系统化的方法。
西蒙斯认为,量化投资者带给投资领域最伟大的成就在于解决问题的系统性方法。正如西蒙斯所说:“科学家带入这场游戏中的并不是他们的数学或者计算机技巧,而是科学思考的能力。”
桥水基金的达里奥也特别强调系统化和计算机化的决策在投资中的重要作用:“用算法表述投资决策标准,然后用历史数据来检验,或者用算法表述工作原则,然后用其来帮助管理决策,都不过是智能温度调节器的更大、更复杂的版本,与人脑决策相比,这能让我们更快地做出考虑更周全、更少情绪化的决策。”
02 量化在投资中的重要性
无处不在
其实在所有的投资方法中,量化都是无处不在的。即便是以定性为主的基本面投资方法中,常用的估值方法本身就是一个定量分析的过程,而通过估值来选股决策实际也可以看作是一个定量辅助的选股方法。
我们知道公募基金投资中的双十限制,持有一只股票占基金净资产的比例不超过百分之十,这实际上是强制了基金投资组合的分散化。而分散化投资的理论基础是源于1952年马克维茨提出的投资组合理论,这是现代金融投资理论的基础,也可以视作是量化投资理论最早的起源。
就连巴菲特也十分提倡的指数化投资,从很多指数的构建过程到指数投资组合配置根本上也都可以视作量化投资。
所以对于大部分投资者而言,即便是价值投资为主导的定性投资,实际上已经借助了很多量化的方法来辅助。如果完全没有定量化的分析方法来辅助投资决策,对于估值定价和风险约束的弱化则可能让投资成为灾难。
我们所说的量化投资方法则是更加强化对这些选股或投资逻辑的概率验证,以保障在投资组合构建中能通过历史有效验证的投资逻辑来获得好的收益。
03 量化的局限
没有完美,理性运用
当然,没有任何一类投资方法会是完美的,价值投资者在追随巴菲特理念的道路上也会有成有败,因为对于公司价值的衡量确实是一个非常具有挑战的过程。而量化投资本身囿于历史数据的局限,在黑天鹅或者说小概率事件发生时,也都会不同程度受到较为负面的影响。所以如何更好的调整量化投资策略模型和参数以及不断改进策略以适应不同的市场环境,则是量化投资者需要面临的课题。
譬如桥水基金则是很好的把宏观与量化相结合,用风险平价模型来适应不同的经济与市场环境;此外,通过定性与定量的结合,能弥补数据方面的缺陷,提高投资的有效性;还可以通过多样化的策略来提高整体资产抗风险能力,就好像每一个人都会有自身的弱点,但如果形成一个有机组合的团队之后,整体就会变得强大。因此,对于所有的不完美,我们都要理性正视,然后用更多地智慧去合理使用手中的工具,努力让优势凸现,让缺陷弱化,这应当是每一个投资人需要做的功课。
04 量化汇盈
宏观与量化结合,可以分享中国经济高质量发展的量化基金
量化汇盈灵活配置混合型基金作为渤海汇金资管的第一支公募量化基金,这只基金产品可以说是凝聚了我们十多年对于量化投资的思考。我们也在不断的探索国内环境下量化投资有效性改进的思路,并期望通过宏观与量化的结合来弥补国内股票市场数据周期短、宏观政策对于市场环境影响的一些问题;我们会通过宏观政策的深入分析优化量化选股的空间,在选股的方向上紧密围绕宏观政策下供给侧结构性改革的主线,把握新经济的投资方向;除了选股层面的阿尔法收益之外,我们也会在资产、风格以及行业配置层面通过量化的分析为整体资产提供到一定的贝塔收益;此外,通过多样化的策略配置来应对不断变化的市场,增强基金资产的抗风险能力。总之,我们会让这只基金产品在量化投资策略上有更好的包容性,在不同的市场环境下有更强的适应性。
尽管当下的国内外经济环境依然复杂多变,中美贸易争端带来的后续影响仍会持续,但中国经济转型方向始终不变,经济的韧性依然很强。中国经济从高速发展向高质量发展转化的过程中,股票市场也必然会迎来长期的投资机会,未来符合高质量发展方向的新经济领域会逐渐成长为资本市场的中坚力量。我们期望量化汇盈这只基金产品能用更具生命力的系统化量化投资理念,通过我们的不断努力为所有的基金持有人分享到中国经济未来高质量发展的成果!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08