京公网安备 11010802034615号
经营许可证编号:京B2-20210330
终于看透了!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。
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。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动决策的体系中,数据分析按照分析目的可分为描述性分析、诊断性分析、预测性分析与指导性分析四大类型。其中,诊断性分 ...
2026-09-01网络请求是Python爬虫开发、接口测试、数据拉取的核心基础功能,Python生态中主要依靠 urllib 和 requests 两大库实现HTTP请求操 ...
2026-09-01 很多数据分析师面对业务问题时,常常感到“知道要分析,却不知道用什么方法”。其实,数据分析并非无章可循——从三大基础范 ...
2026-09-01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