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 MySQL 数据查询中,“按顺序计数” 是高频需求 —— 例如 “统计近 7 天每日订单量”“按用户 ID 顺序展示消费记录”“按产品 ...
2025-10-31在数据分析中,“累计百分比” 是衡量 “部分与整体关系” 的核心指标 —— 它通过 “逐步累加的占比”,直观呈现数据的分布特征 ...
2025-10-31在 CDA(Certified Data Analyst)数据分析师的工作中,“二分类预测” 是高频需求 —— 例如 “预测用户是否会流失”“判断客户 ...
2025-10-31在 MySQL 实际应用中,“频繁写入同一表” 是常见场景 —— 如实时日志存储(用户操作日志、系统运行日志)、高频交易记录(支付 ...
2025-10-30为帮助教育工作者、研究者科学分析 “班级规模” 与 “平均成绩” 的关联关系,我将从相关系数的核心定义与类型切入,详解 “数 ...
2025-10-30对 CDA(Certified Data Analyst)数据分析师而言,“相关系数” 不是简单的数字计算,而是 “从业务问题出发,量化变量间关联强 ...
2025-10-30在构建前向神经网络(Feedforward Neural Network,简称 FNN)时,“隐藏层数目设多少?每个隐藏层该放多少个神经元?” 是每个 ...
2025-10-29这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是:Excel 透 ...
2025-10-29在 CDA(Certified Data Analyst)数据分析师的工作中,“多组数据差异验证” 是高频需求 —— 例如 “3 家门店的销售额是否有显 ...
2025-10-29在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23