京公网安备 11010802034615号
经营许可证编号:京B2-20210330
金融科技的下半场:量化和自动化
继传统金融企业把业务搬到互联网平台上的“互联网金融”模式创新之后,近些年来,以人工智能(AI)、区块链(Blockchain)、云计算(Cloud computing)、大数据(Big Data)这“ABCD”四项核心技术驱动的金融科技产业迅速发展起来,很多人将此解读为“科技创新“替代“金融模式”创新,是互联网金融走向金融科技的核心转变,一时间,关于新技术的进步和如何落地应用的讨论,在金融圈里引起了巨大的动静。
以区块链技术为例,比特币系统 2009 年开始运行,短短几年的发展,全球各大金融机构迅速探知到其令人惊喜的网络健壮性,并在第一时间投入到其底层技术区块链的探索、研究之中。花旗银行、瑞银、纽约梅隆、加拿大皇家银行、苏格兰皇家银行、法国兴业银行、德意志银行等纷纷成立区块链实验室,高盛、西班牙对外银行、澳大利亚西太平洋银行重点投资区块链金融科技初创企业,巴克莱、澳大利亚联邦银行、美国CBW银行、三菱东京日联银行则直接与区块链初创企业合作共同开发金融创新产品。显然,金融机构毅然扮演着将区块链技术推向全世界的主导力量。究其原因,首先是因为区块链技术本身具有经济权利重新划分的天然的金融属性,对于改造金融交易体系、构建新一代以支付清结算为核心的金融基础设施有重大意义;而更关键的是,现代金融行业里,每天有无数人正在做着各种各样创新产品的尝试,“不创新则死”已成为金融行业的核心特点之一,我们对于“keep moving”这件事有强烈的渴望,从而也就对各种可能带来好的改变的新工具、新模式抱以极其热情的态度。
在过去近十年中,ABCD等一系列技术全面应用于支付清结算、借贷融资、财富管理、零售银行、保险各大金融领域,新技术正在重塑金融产品、金融活动流程,甚至金融组织架构。总结起来,其中以“数据的获取挖掘”以及“人与数据的互动方式改变为最核心的突破。粗线条的划分,我们可以把人工智能和大数据划分到数据的获取和挖掘这个方向,核心在解决金融模型搭建的问题,在我们所熟悉的消费金融的场景里,它们被用来描绘用户画像,预测用户消费行为;而区块链及云计算则可以划归到人与数据的互动方式,核心在解决金融模型运转效率的问题,云计算是包括互联网金融行为在内的一切数据计算行为能够大提速的新基础,它将个人所需进行的巨量的数据计算拆分为无数个子程序交由多个服务器所组成的庞大系统处理后回传用户,这种分布式数据处理的方式能够在数秒之内达成数以千计甚至亿计的信息;区块链则构建了一种自信任、自治的交易约束环境,能够极大的降低人们对于数据信任和追溯的成本。
那么,接下来,在这些新技术已经搭建起来的“数据获取挖掘”和“数据交互”的新一代的基础上,金融科技将如何最大化的应用在金融产品和金融模式的创新中,则是金融科技下半场的核心问题。
基于我曾在美林多年的金融模型分析和金融交易策略研究的经验,并且在细心观察当今的金融市场的发展变化情形后,我惊喜的发现,量化和自动化正在成为整个金融行业发展的新特点,也是新趋势,尤其是结合了量化和自动化特点的投资领域,将会有巨大的发展空间。
量化资产配置的核心思想是,通过定量分析,制定优化的资产配置方案,分散投资到多个相互关联较弱,具有正的预期回报的投资产品中。这样既可以降低风险,又可以增加投资容量。广义地说,凡是用定量方法来分析投资项目,帮助投资决策和管理都可以称为量化投资。量化投资就是使用定量分析方法建立模型,获取市场信息和数据,进行投资决策与管理。
拿一个简单的模型举例,上海市区最佳的500套住宅怎么定价?因为已经没有空地建新楼,豪华住宅的价位主要由市场供求关系决定,至于土地多少钱一平方米、建筑成本、租金率等皆为次要因素。为了建模,我们需要有一个基本上符合实情的假设,即富人们都希望在市中心有自己的住宅,且愿意付出所拥有财富的10%来购买。于是,我们把住上海的前500位富豪的资产排列出来,乘以10%,就得到了答案。这些房产的价位应该在5千万至8亿元之间,与市场情况基本符合。
故而,量化投资的核心即是数据模型。要得出正确有用的结论,首先需要获得准确完善的数据,以避免“垃圾进去、垃圾出来”。而金融科技发展所推动的新一代数据挖掘、分析能力则为量化投资的进一步发展提供了必要的基础,让“量化”的金融行为具备了更加广阔的实施空间。
自动化在这里的意义当然并不是我们所熟知的机械自动化,而是指一种无需人工过多参与,能够以极低的信任成本进行自运转、接近于自洽状态的交易体系。熟悉金融科技的朋友,这个时候一定会浮现出两个词:分布式、共识。
事实上,金融成本的主要组成部分是它的信任成本,而中心机构作为信任成本的主要制造者和承担者,往往首先为建立一套规范秩序的规则付出成本,之后再为管束所有参与者遵照规则付出成本,并且为了加强管束的有效性,它们通常采用提高众多参与者参与成本的做法,这也是为什么对于广大的金融参与者而言,跨中心主体交易长久以来都难以跳过低效率、高昂成本的巨大阻碍,其中非常典型的一个场景则是跨境支付。
传统的跨境支付清算需要借助多个机构,前后需要经过开户行、央行、境外银行等多道手续,且不同机构有自己独立的账务系统,系统间并不相通,因此需要多方建立代理关系、在不同系统进行记录、与交易对手进行对账和清算等,执行效率低下且费用昂贵。而基于区块链则可以构建一个由多个跨境支付需求方构成的联盟链,省去任何第三方中介环节,做到交易即结算。
可以说,区块链技术是云计算技术内核“分布”“共享”在经济学领域的延展和强化。以分布式、共识为核心理念的区块链技术最关键的突破性意义则在于,构建了一个用遵守共识规则的随机第三方替代中心化组织进行系统管理的运转体系,从根本上用技术背书替代中心化的信任创造方式,使得任意两个节点可以在不依赖任何中心平台的情况下进行点对点交易。在我最新创建的BIT168数字资产对冲基金中,正力求最大限度的实现当下金融科技在“量化”和“自动化”领域所能达到的最优水平。
还记得,我曾与我的好友阿吉力斯共同写了一篇论文《圣杯》,研究如何系统的在全球各国债券中进行套利的办法,之后我们放大胆子试试身手,选择了两个最低风险的德国债券组合交易和一个美国债券交易,第一次投入了3700万美元﹐第二次又投入近2亿美元。那次我正坐在他的办公桌旁和他闲聊,我们边啃着花生米一边谈论着这笔交易。忽而,他看了看计算机屏幕说:“我们亏了一万八千。”他吃了一颗花生米,又瞥了一眼屏幕说:“现在我们已赚进了一万。这好像不值得我们俩花时间去看。”
金融创新似乎永远是件大胆刺激的事情,然而,我们现在所追求的金融科技的魅力则在于,让金融行为的结果尽可能的朝着我们预期的方向发展。“量化”和“自动化”投资市场的建设,将是金融科技下半场的重要里程碑之一。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20