
量化与策略投资之间的关系
随着我国多层次资本市场的建立,多种金融衍生品工具的不断推出,使得以市场逻辑和历史数据统计为基础的量化投资策略愈发受到投资者的重视。但今年以来,量化投资策略却一反常态,整体表现不佳。据央证量化基金指数的走势来看,今年一月中下旬,该指数出现较大回撤,走势开始跑输沪深300。这引发了业内对量化和传统投资的广泛热议与重新审视,各路人士均展开讨论,各抒己见。
对于量化和主观的优势与区别,区别两者的各自优势主要看市场环境、投资逻辑与赚的是什么钱。如果是赚对手的钱,需要的是严格的纪律和执行力,有胜算才出手,量化就相对更有优势,容易控制风险,因为主观投资可不是每位投资者都有良好的执行力;但如果是比较定性层面的策略,赚经济增长和企业盈利的钱,那绝对还是需要一双慧眼,用主观投资策略,但也可使用电脑程序处理一些简单而繁琐的事情,这相当于一个赚钱加速器。最重要的关键是把握住两者的优势和缺点,扬长避短才是关键。在关键的时点,主观更能体现对市场突发事件的敏感性,而量化就相对滞后一些。
而一名具有主观10年、量化6年的交易经验的资深人士的体会是,主观交易,要看重研究团队,而量化交易,则看重IT团队;主观交易,要盯盘,而量化交易,每天晚上刷一遍数据即可;主观交易,管理规模达到5亿会很累,而量化交易,管理规模达到100亿还会有扩充空间。
与以上偏向于量化策略的观点不同,也有人表示,主观交易也好,量化交易也好,核心都是要有交易思维。纵观国内,目前交易思维做的好的还属主观交易较多,由于量化刚刚起步,加上目前国内市场基础制度的缺失,量化短期很难有大作为。最关键的是,很多做量化的投资者缺少主观那种顺变的交易思维,容易一条道走到黑。
其实,在主观和量化的道路上,两者并不是绝对对立的,至少在方法论和配置管理上是有相通之处的。无论主观交易还是量化交易,首先要注重配置,其次才是策略。
量化投资在海外的发展已有30多年的历史,对于量化和主观到底哪个更适合投资策略,到底哪个投资派别的业绩表现更为出色,海外媒体舆论也是争论不休。
量化和主观这两种不同的投资方法,做的拔尖都会很厉害,做的不好也都会很糟糕。所以这个比较还是要有个可比性,比如做的最好的主观和最好的量化对比,或者两种策略都各取50只基金,取它们的各个平均指标进行不同周期的比较,大概就可以归纳出二者的特点了。他个人觉得从交易规则这个角度来看,如果主观投资的交易规则非常明确,那么就可以量化为数学模型,也就成了量化投资。反之,量化投资无非是各种主观交易规则的数量化。
对于投资者在量化和主观两者中如何权衡找到最佳的交易策略,稳健持续的投资收益来源于对有效投资机制或逻辑的总结,不管是量化或者主观,都是某种投资逻辑的体现。投资贵在化繁为简,量化作为工具,可以把大量的信息具体化简单化,便于投资决策,因此,量化在这方面要优于主观;但主观投资的优势在于对价格变化背后交易行为、心态的解读,这是量化目前很难实现的。投资最讲究从容心态,找到适合自己的方法才能长期存活。
每个人都有一套适合自己的投资体系,不管是量化还是传统投资,适合自己就是最好的,对自身不熟悉的领域没有发言权。个人的想法是,要花费时间和精力潜心专研,通过无数次的实践交易不断验证、反复总结,逐渐形成一套自己的交易体系,日后持之以恒地坚持完善、不断更新。
而就目前情况来看,量化是趋势,最起码它是一种技术趋势,大数据、人工智能技术的不断突破使得量化方法正在加速向实践转化
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