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
主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-10在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-10在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09在数据可视化领域,折线图是展示时序数据、趋势变化的核心图表类型之一,其简洁的线条的能够清晰呈现数据的起伏规律。Python ECh ...
2026-04-09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 ...
2026-04-09长短期记忆网络(LSTM)作为循环神经网络(RNN)的重要改进模型,凭借其独特的门控机制(遗忘门、输入门、输出门),有效解决了 ...
2026-04-08在数据分析全流程中,数据质量是决定分析结论可靠性的核心前提,而异常值作为数据集中的“异类”,往往会干扰统计检验、模型训练 ...
2026-04-08在数字经济飞速发展的今天,数据已渗透到各行各业的核心场景,成为解读趋势、优化决策、创造价值的核心载体。而数据分析,作为挖 ...
2026-04-08在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01