京公网安备 11010802034615号
经营许可证编号:京B2-20210330
看透了!这才是真正的量化投资
量化投资在中国的发展时间不长,很多机构和投资者都还对量化投资非常陌生,而那时又恰逢2016、2017年的震荡市,量化对冲产品的业绩表现不是很好,使得本来对于量化投资有质疑的投资者有了更深的误解。
就像当时人们对互联网的态度一样,将其视为洪水猛兽,颠覆很多行业。可现在回过头来看看,互联网不仅没有所谓的“颠覆”行业,反而给社会提供了众多便利。所以切勿妖魔化量化投资,你所看到的量化投资不一定就是你以为的量化投资。
什么是真正的量化投资?
简单的说,量化投资就是通过对所有能公开获得的数据进行数量化分析而获得对投资标的未来价格走势进行预测的一种投资方法。但如果你认为量化投资仅仅是用数理模型来进行选股的话,那你就大错特错了!
比如大类资产配置、保险产品定价、商品期货、股指期货、国债期货、外汇、期权、可转债、信用债、利率债等等,甚至包括比特币,都是量化投资的运用范围。而量化投资的目的不是别的,而是实现超越市场平均水平(β)的超额收益(α)。在有超额收益能力的基础上,量化对冲类产品可以获得相对收益α,而量化多头类产品可以获得绝对收益β+α。
(详见:《5分钟读懂高大上的量化投资》)
择时和选股是量化投资超额收益的主要来源
在股票市场,量化投资超额收益的主要来源分为选股与择时:
选股,就是在市场的所有股票中选出能在某段时间获得高出市场平均收益的股票。择时,又包括Beta择时和风格择时。Beta 择时就是判断市场的整体走势,抓住上涨的股而规避下跌的股。风格择时就是抓住市场近期的风格取向,提高配置来获得超额收益。
明汯投资总监裘博士认为,以中国市场为例,如果能在2009年到2016年11月配置最小市值的股票,从2016年11月开始配置大盘蓝筹,即使不用精选个股,也能获得非常高的收益。
量化和对冲不是一码事
此前的对冲工具少,只有沪深300股指和中证500股指,而这两者对应的是股票市场上市值最大的800只股票,所以只要不把选股标的限制在大市值股票内,基本上都能赚一部分做多小市值股票做空大市值股票对应的股指期货的钱。但把这种收益称之为绝对收益是不科学的,因为一方面是个股本身超越大盘指数的收益,另一方面是赚了不完全对冲市值规模风险的钱(即通过对市场规模风险的暴露去赚钱)。而市场的风险其实除了包括市值规模的风险,也包括行业和风格的风险。真正的中性策略是即包括市值的中性,也包括行业和风格的中性。
量化投资在中国市场的水土不服
由于2016,2017年的震荡市,很多人开始质疑量化投资是否能在国内行得通。明汯投资总监裘博士认为主要是基于两点:
1、对冲成本高昂。除了股票市场的波动外,股指的贴水也是量化收益的一大杀手。明汯投资总监裘博士表示,股指的大幅贴水在2015年9月到2017年6月这段时间内很大程度影响了市场中性产品的业绩,这部分主要是对冲成本的高昂抵消了量化选股模型的大部分超额收益,这个是市场环境的外在客观原因。
简单说,股指的贴水就是期货价格比现货价格要低,但如果是对冲的话,则需要卖出期货。也就是说,你在对冲时卖出了低价的期货,而买入了高价的现货,因此则会大大影响量化策略的超额收益。比如基差(现货价格-期货价格)为5%,那么就意味着对冲策略要白白损失5%的收益。
2、2017年股票市场分化明显。有数据显示,代表大盘蓝筹的沪深300指数上涨21.78%,中证500指数下跌0.2%,代表小市值股票的中证1000指数下跌17.35%。因此如果你做空沪深300或者中证500的话,将面临着巨大的损失。再加上量化投资在国内的水土不服,可以说2017年的市场环境是考量量化机构选股投研实力的一个很好的标准。优秀的量化对冲私募在2017、2018年都会有不俗的表现。
某量化私募旗下的多策略旗舰基金,采用量化选股+股指期货对冲策略,并以CTA策略作为辅助,表现如下。
某量化私募旗下中性策略旗舰基金,采用量化选股+股指期货对冲策略,并以股票日内策略为辅助,表现如下。
量化私募缺乏长期的历史经验
由于国内有股指期货的时间比较短,自2012年起基本上算国内量化投资的元年,国内量化私募普遍成立时间较短,公开业绩不够长,市场对量化投资的认识和普及也不够。类似于明汯投资总监裘博士这样在国内外自营、私募机构有过基金经理从业经历、投资经验超过17年之久的基金经理更是少之又少。
投资是个长期的过程,从短期业绩上来说,在任何时候都有比巴菲特业绩好的基金经理,因此量化私募人应该更注重长期业绩,积累足够长的投资记录,才会得到机构和个人投资者的认可
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14在Python网络编程、接口测试、爬虫开发等场景中,HTTP请求的发送与响应处理是核心需求。Requests库作为Python生态中最流行的HTTP ...
2026-04-14 很多新人学完Python、SQL,拿到一张Excel表还是不知从何下手。 其实,90%的商业分析问题,都藏在表格的结构里。 ” 引言:为 ...
2026-04-14在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13在数据驱动商业升级的今天,商业数据分析已成为企业精细化运营、科学决策的核心手段,而一套规范、高效的商业数据分析总体流程, ...
2026-04-13主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-13在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-13在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09