
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
MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05