京公网安备 11010802034615号
经营许可证编号:京B2-20210330
感受量化投资
懂得一大堆人生道理,依然过不好这一生,类似的鸡汤泼在证券投资上,就是老股民的感慨--熟读N多理论策略,还是没赚到钱。常说炒股炒人性。江山易改本性难移,去除人性还是人吗?细思真是个很有意思的悖论。那去除人性还能好好玩投资吗?能,真能,这就是量化投资。
什么是量化投资?要说清楚还真不容易,看了教条定义依然一头雾水的想必不在少数。要感受真切,不妨从几个思考题来启发思维,拓展到量化投资,继而去合理选择量化投资产品。
问题一,假如你有S=100元钱,去玩一个游戏,若每次胜出的几率是60%(p=0.60),赔率为1:1(b=1),你应怎么下注呢?每次下80?40?或者其他?
答案就是通过按凯利公式(号称财富公式,投资者必须铭记于心)计算来的
F*=(bp-q)/b
F*=现有资金应进行下次投注的比例
b =赔率p =胜利机会q =输的机会 (等于1-p)
F*=(bp-q)/b=(1*0.6-0.4)/1=0.2即每次下注s*f=1000*0.2=20元
这答案与各位设想的吻合吗?不服的可以去验证,我弄个表格简单验证10次(会程序的可以动手写代码验证):
问题二,假如沪深300指数3300点,3月后的沪深300 IFxxoo期指3347.28点,聪明的投资者会怎么操作?(为阐述原理忽略各种交易费,案例套摘期货从业考试课本例)
我告诉你聪明的投资者会这样做:
1,计算现货对应的某期IF的理论价格(持有成本分析),
公式:F(t,T)=S(t)+S(t)*(r-d)*(T-t)/365
S(t)现货指数,r年利息率,d年指数股息率
2,假设计算IF理论值=3327.28点,与3347.28点相差20点,无风险套利出现了。策略是卖出高估的IF,买进对应的现货。
3,在这演示下啥叫无风险套利,假如卖出一张3个月期沪深300IFxx合约 成交价3347.28点,同时以6%利率从证券公司融资99万元,买进对应的一揽子沪深300股票组合。一个月后收到6600元股息,两个月后对冲交割,还贷。
三种走势的交割点数套利情况表格;
通过这套利案例,不难发现:没花一分钱(借款)就是实现了赚钱还无风险,这就是无风险套利的魅力。
问题三:巴菲特,林奇等大师选股标准我们可以复制吗?依靠技术分析指标操作有多大的可靠性?
答案是肯定的,现代金融学,财务学,统计学数学的研究成果都可以应用到实际,到底有多靠谱完全可以通过历史数据回测验证,如果有大概率的赢面,我们是不是要参与呀?所谓多因子选股策略其实就是将各种比较合理的选股理念方法归集应用。
通过上面的三个问题,我们会发现证券投资处处有学问,第一个问题其实已经为投资者啥时候建仓,如何建仓,啥时候减仓提供科学依据了;第二个问题其实告诉我们在各种金融工具中,存在大量无风险投资机会;第三个问题其实告诉我们成功的方法理念是可以复制和验证的。对投资者关心的,买什么股,怎么买?什么时候买卖?都可能存在一套比我们平时认知更科学合理的做法,这正是量化投资正在思考和决定解决的难题。
描述事件有两个层面,定性和定量,证券投资行为也可以定量,在买什么股,怎么买,什么时候买卖都可以量化。通过数量化的方式及计算机程序去参与证券交易这就是量化投资。为了实现一定的量化投资目标而采取的定量性的策略就是量化策略。好的量化投资需要将量化策略覆盖投资全过程,包含选股、择时、套利、资产配置、风控等,只要是能带来赢面经过验证可靠的策略都可以应用。
在实现量化投资产品的时候往往是提出一个想法(目标),配备一系列实现想法的量化策略,进行评估,评估通过后将策略模型化程序化,对数学建模后的量化模型进行历史数据回测验证可靠性,可靠性及盈利能力能达到目标后,执行模型,实践量化交易,实践中不断完善模型。
量化投资如此优越,去除人性干扰,科学理性决策,是不是市面上的量化产品都很值得去投资?答案是否定的。形形色色的量化产品先不说有的产品有名无实,就量化投资本身来说,还是有局限性的,首先不同的投资的品种能采取的量化策略是有局限的,固收类和权益类是大有区别,比如CTA策略就不是股票类策略,多因子选股策略就与债券类,货币量金融工具关联不大;其次很多量化策略本质上还是大数定律和统计学概率选择,远远谈不上十分靠谱;系统风险无法消除,只会在某些状况下对冲部分影响;再次能设计好量化策略、建立起完美的量化模型也不是随便一个团队就可以轻易搞好的,人才和资金依然是稀缺资源。
针对量化投资的局限性,我们在选择量化产品投资的时候,有必要搞清楚几个问题,1,量化产品收益定位(目标)及业绩对比基准,资产配置规划或配置范围,2,根据产品定位和资产侧重评估量化策略,考察量化策略覆盖长度,虽然量化策略是核心机密,但我们可以从推介信息中大致评估;3,考察量化团队成员的能力资历;4,察看量化产品的历史业绩,没有历史业绩的可以参照同一团队或公司产品系列采用类同量化策略的历史业绩,历史业绩是对量化策略的最好验证,5,察看量化产品历史最大回撤程度,评估此产品的风控程度,同时也可以评估量化策略风格倾向,有些量化产品业绩良好的表现是建立在承受市场更大风险基础上的,对于获取更大风险收益的量化产品其历史回撤值往往也大。
总之选择量化产品的时候要遵循三看原则:看团队,看业绩,看风险。三看之后评估匹配自身适当性的投资品种
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析、机器学习的实操场景中,聚类分析与主成分分析(PCA)是两种高频使用的统计与数据处理方法。二者常被用于数据预处理 ...
2026-02-24在聚类分析的实操场景中,K-Means算法因其简单高效、易落地的特点,成为处理无监督分类问题的首选工具——无论是用户画像分层、 ...
2026-02-24数字化浪潮下,数据已成为企业核心竞争力,“用数据说话、用数据决策”成为企业发展的核心逻辑。CDA(Certified Data Analyst) ...
2026-02-24CDA一级知识点汇总手册 第五章 业务数据的特征、处理与透视分析考点52:业务数据分析基础考点53:输入和资源需求考点54:业务数 ...
2026-02-23CDA一级知识点汇总手册 第四章 战略与业务数据分析考点43:战略数据分析基础考点44:表格结构数据的使用考点45:输入数据和资源 ...
2026-02-22CDA一级知识点汇总手册 第三章 商业数据分析框架考点27:商业数据分析体系的核心逻辑——BSC五视角框架考点28:战略视角考点29: ...
2026-02-20CDA一级知识点汇总手册 第二章 数据分析方法考点7:基础范式的核心逻辑(本体论与流程化)考点8:分类分析(本体论核心应用)考 ...
2026-02-18第一章:数据分析思维考点1:UVCA时代的特点考点2:数据分析背后的逻辑思维方法论考点3:流程化企业的数据分析需求考点4:企业数 ...
2026-02-16在数据分析、业务决策、科学研究等领域,统计模型是连接原始数据与业务价值的核心工具——它通过对数据的规律提炼、变量关联分析 ...
2026-02-14在SQL查询实操中,SELECT * 与 SELECT 字段1, 字段2,...(指定个别字段)是最常用的两种查询方式。很多开发者在日常开发中,为了 ...
2026-02-14对CDA(Certified Data Analyst)数据分析师而言,数据分析的核心不是孤立解读单个指标数值,而是构建一套科学、完整、贴合业务 ...
2026-02-14在Power BI实操中,函数是实现数据清洗、建模计算、可视化呈现的核心工具——无论是简单的数据筛选、异常值处理,还是复杂的度量 ...
2026-02-13在互联网运营、产品迭代、用户增长等工作中,“留存率”是衡量产品核心价值、用户粘性的核心指标——而次日留存率,作为留存率体 ...
2026-02-13对CDA(Certified Data Analyst)数据分析师而言,指标是贯穿工作全流程的核心载体,更是连接原始数据与业务洞察的关键桥梁。CDA ...
2026-02-13在机器学习建模实操中,“特征选择”是提升模型性能、简化模型复杂度、解读数据逻辑的核心步骤——而随机森林(Random Forest) ...
2026-02-12在MySQL数据查询实操中,按日期分组统计是高频需求——比如统计每日用户登录量、每日订单量、每日销售额,需要按日期分组展示, ...
2026-02-12对CDA(Certified Data Analyst)数据分析师而言,描述性统计是贯穿实操全流程的核心基础,更是从“原始数据”到“初步洞察”的 ...
2026-02-12备考CDA的小伙伴,专属宠粉福利来啦! 不用拼运气抽奖,不用复杂操作,只要转发CDA真题海报到朋友圈集赞,就能免费抱走实用好礼 ...
2026-02-11在数据科学、机器学习实操中,Anaconda是必备工具——它集成了Python解释器、conda包管理器,能快速搭建独立的虚拟环境,便捷安 ...
2026-02-11在Tableau数据可视化实操中,多表连接是高频操作——无论是将“产品表”与“销量表”连接分析产品销量,还是将“用户表”与“消 ...
2026-02-11