
量化投资的正确姿势应该是这样
说到量化投资,大家了解吗?
你们的第一反应是不是和 “高冷”联系在一起?
连投资大师巴菲特也曾出现过认知偏差。1987年,巴菲特在年度致股东的信中笑称:“在我看来,晦涩难懂的公式、电脑程序或者显示股票和市场价格变化的闪烁信号都不会带来投资的成功。”
听起来高深莫测的量化投资,其实本质很简单:通过海量数据的挖掘和分析,力争找到能获取超额收益的股票群,以期获取长期超额收益!
今年以来,各类量化指数基金受到了投资者的追捧,首发和持续营销都迎来了销量高峰。今天小编为大家请到了财通基金量化投资二部负责人苏俊杰,为大家解答量化投资的正确姿势。由他掌舵的财通量化核心优鸯合型基金已获批文敬请关注!
注:中国证监会对基金募集的核准,并不表明其对基金的价值和收益做出实质性判断或保证,也不表明投资于基金没有风险。
采访文字实录如下:
1、苏总好!首先想向您请教一个最基本的问题。请问什么是量化投资呢?
量化投资,首先它是一种投资方式;其次,它是和定性投资相对应的一种投资方式,指的是采用数量化的方法,对信息进行处理并进行投资决策。量化投资主要是基于数据和模型,因此它具有纪律性和系统性的特点。
量化投资在海外已经经过了30多年的发展历史,在海外市场可以说是一种比较成熟的投资方式。而在A股市场,量化投资的起步相对比较晚,但是最近几年发展速度也比较快,涌现出了一些业绩和规模表现都非常不错的公募基金,量化投资整体的认可度和关注度也在不断地提升。
2、听您说起来,我们的量化投资(定量投资)和人工投资(定性投资),它还是有挺大区别的。那您能给我们简单地概括这两者的区别吗?
是这样的,定量投资和定性投资,其本质上都是投资的方式。它们都是通过对于股票基本面信息和技术面信息的一些挖掘,试图选出那些具有超额收益的股票,构建组合来战胜市常两者的区别主要是两者在信息处理和投资决策方面所有不同。
定性投资,主要是依赖于基金经理对于上市公司的调研,对于基本面的深度挖掘,然后基金经理基于个人的经验和个股过往表现做出判断。
而定量投资是力求采用科学的方法去处理信息,那么它是基于模型和数据的,可以帮助我们去避免一些人为因素的干扰,比如说基金经理可能自己偏好某一个或某一类股票,又或者在市场波动比较大的时候,可能会出现这种追涨杀跌的操作。
那么量化模型,在这方面有可能表现就会比较好。因为它不会受感情因素的影响,它也不会有这种骄傲或者失落的情绪,它也不会觉得累,所以这就是量化模型的一个优势,这是一方面;另外一方面,量化模型可以同时处理大量的数据,这样就增加了我们对于市场上标的的一个覆盖度。
如果说定性投资是一种追求深度的投资方式,那么量化投资追求的就是一种宽度,换句话说,我们可以同时覆盖A股市场上3000多支股票,然后我们通过对其中统计规律的挖掘来提高胜率,从而力争获得具有稳定超额收益。
3、在目前的这个量化投资领域当中,有哪些主要的投资策略呢?
量化投资在A股市场公募基金这块,主要应用的策略有三个。
第一类,是量化指数增强策略。这类策略,是用量化模型去优选个股构建组合,在跟踪某一个指数的基础上,去追求相对于这个指数的稳定的超额收益,也就是说我们的目标是要超越指数的收益率。
第二类,是量化主动选股策略。这类策略,也是采用量化模型优选个股构建组合,跟指数增强策略不一样的,它不刻意跟踪某个指数,只是去优选组合,在满足分散化投资的条件下去追求一个长期的资本回报。
第三类,是量化对冲绝对收益策略。这类策略,实际上就是在量化指数增强策略的基础上,引入了金融衍生品的对冲。我们现在用得比较多的就是股指期货对冲。我们通过股指期货对冲剥离指数收益,保留超额收益,从而力争实现稳定的绝对收益。
从历史的表现上来看,指数增强策略是有效性比较高,胜率也比较高的一类策略。同时结合目前的市场情况和点位来说,我们认为,指数增强策略也是一类比较值得配置的策略。
4、从历史数据上来看,量化指数增强策略的胜率有多少呢?
目前A股市场的整体环境,还是处于一个弱有效的状态,我们认为是比较适合量化投资的,它的胜率也比较高。从历史数据上来说,我们选取了沪深300和中证500指数,这两个比较具有代表性的宽基指数,统计所有跟踪这两个指数的量化指数增强基金的业绩表现。我们发现,这两类公募基金都取得了相对于指数的的超额收益。基于我们自己的模型和策略、我们的回撤结果来看,我们的模型的月胜率能够达到80%以上,年胜率从07年到现在,更是达到100%。因此,我们说量化指数增强这个策略,在A股市场上的胜率还是比较高的。(不代表未来表现)
5、看来量化投资在某些方面的确是有它的过人之处,那么我们作为个人投资者,参加量化投资的门槛是不是很高呢?
对于个人投资者来说,想要自己完全实现这种纯量化的投资是比较难的。
因为首先量化投资需要有一些专业的技能储备,其中包括金融学、统计学,还有一些编程技巧的储备。同时,量化投资也需要计算机软硬件的一些支持,包括网络、IT支持等等。
比如说我们财通基金从2017年就开始打造量化团队,我们引入了业内专业的量化投资人才,自行搭建专属的量化模型,同时我们也获得了后台IT比较领先的技术支持。
以上这些,个人投资者想要完全同时具备是比较难的。因此我们建议,个人投资者如果想参与到量化投资里面来,建议还是选择专业的量化团队和他们的产品来进行投资,跟随专业的量化团队来分享他们的研究成果和投资技能。
市场有风险,投资需谨慎。量化投资需关注策略模型失效风险。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29