
一文看懂量化投资的优缺点
常见的投资思路有主动投资与被动投资这两种,而近年来开始逐渐兴起了介于两者之间的一条道路,即量化投资,采用主动的思想去设计,但采用纪律化计算机的方式去执行交易。三者简单差别如下:
可以看出,量化投资的特点就是,既承认主动投资在投资思想上具有超越固定指数的创造能力,又认为完全主观交易会受人性影响,可能创造负价值,因此要类似被动投资一样,纪律化实现。
有人觉得量化投资是黑箱,其实并不是这样的,我们通过说明量化投资的实现方式来说明量化投资可以很白很清晰。这里还是用三种投资方式来进行对比。
举个例子,比如我们认为购买低市盈率的股票具有超额回报,那三类投资者会怎么做?
第一步,确立和检验投资思想
1、主动投资:A、B、C这些牛股,在上涨前市盈率都很低,所以市盈率低很重要。
2、量化投资:假设历史上每年初等权买入市盈率最低的50个股票,模拟看收益怎么样,是否很好。
3、被动投资:好像挺有意思,但是我跟踪指数,这事与我无关。
第二步,投资实现
1、主动投资:把市盈率低作为筛选股票的一个条件,具对公司体调研,选出其中5只觉得好的买入。
2、量化投资:每年初等权买入市盈率最低的50个股票。
3、被动投资:与我无关。
可以看出,在这个例子里面:
1、主动投资是把市盈率低作为一个看公司的参考,去买公司。
2、量化投资买的是市盈率低这一规律,不在乎买的公司个体是谁。
3、被动投资不考虑这些。
量化为了去验证投资思想在历史上是否整体有效,就需要做历史模拟,涉及到大量数据,因此做量化投资往往需要比较强的计算机和数理技能,通过计算机编程来实现这些;然而计算机技能只是工具,核心还是在于对金融市场的理解,这一点与主动投资无异。
那么历史来看,三种投资方式业绩怎么样?为了样本可比,我们分别考察国内股票型的主动、量化、指数投资情况。由于量化投资在国内兴起时间较短,这里仅考察了一点中短期数据作为参考。
值得注意的是,在选取量化基金样本时,我们并不是直接选取名字里有量化字样的基金,而是选取含量化名字且其中第一重仓股权重不超过5%的基金,因为量化基金通常要做分散化投资。而随着量化基金被客户的接受度提高,一些可能并没有真正采用量化方法投资的伪量化基金也愿意加上“量化”名字。
可以看出,从三年维度的较长时间来看,量化投资整体业绩优于主动投资,但是在最近的2017年,量化投资整体表现差强人意,不如主动投资。为什么会出现这种情况?因为自2017年起,A股监管环境发生了很大变化。这也反应了量化投资的特点,在规则稳定的环境下,擅长持久战;但是在规则剧烈变化时,应变能力仍有待提高。
总结:
1、量化投资是介于主动投资与被动指数投资的中间道路,兼顾投资思想的主动和执行的纪律。
2、近年来量化投资表现略优于主动投资与指数投资,但2017年的极端分化行情中量化投资表现不佳。
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分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09