發布時間：2023-06-26 16:14:54
序言：寫作是分享個人見解和探索未知領域的橋梁，我們為您精選了8篇的量化交易策略的研究樣本，期待這些樣本能夠為您提供豐富的參考和啟發，請盡情閱讀。
關鍵詞：雙向交易；指數基金；量化投資
中圖分類號：F832.5 文獻標識碼：A 文章編號:1003－9031(2012)05－0004－04 DOI:10.3969/j.issn.1003-9031.2012.05.01
一、引言
對大多數普通投資者而言，指數基金是一種比股票更好的投資對象。但實際上，指數化投資本質上只是一種擇股策略，可以幫助投資者選出一籃子股票，解決了“買什么”的問題，但對于交易系統中“什么時候買和賣”并沒有很好的指示，也不能保證在短期內就能獲得良好表現。由于絕大部分基金都不能跑贏指數基金，李海波（2008）建議普通投資者投資指數基金，但是應避免兩個誤區：一是在局部地區的長期熊市中不適合長期投資指數基金，二是在全球股市的長期熊市中不適合長期投資指數基金[1]。但仍有很多專家在向投資者傳遞一個錯誤的信號，即對指數基金應當長期持有。實際上，“長期投資”不等于簡單的“持有不賣”。國內多數文獻都將重點放在指數基金樣本構建和跟蹤誤差計量方面（張帆，2007；趙勇，2010）[2][3]，而鮮有針對指數基金進行投資組合的研究。本文將在趨勢分析的基礎上對指數基金的量化投資進行系統研究，分別在單向做多機制和雙向交易機制背景下構建指數基金量化交易系統。本文將引入一套“擇時”機制，將其與指數基金自身的“擇股”優勢結合起來，這樣可以在長期當中戰勝市場和大多數機構投資者。尤其是在2011年12月融資融券標的再次擴容，7只ETF指數基金被納入交易標的之后，雙向交易機制下的盈利模式跟以往相比發生了根本性的改變，基于趨勢分析的量化交易將賦予指數基金產品更多的吸引力。
二、理論基礎與樣本選取
（一）理論基礎
指數基金量化交易的基石是趨勢分析，而趨勢分析是建立在技術分析的三個假設條件之上的，即：所有的信息己反映在價格之上；市場是按趨勢運行的；歷史將會重演。在技術分析方法中，“趨勢”是核心內容之一。趨勢交易方法在國內和國外、專業和非專業投資者中都得到了大量的應用，并且取得了良好的成績，本文將基于趨勢交易的思想，來對指數基金進行量化。
（二）指數樣本的選擇
趨勢交易的本質就是“順勢而為”，抓住波段收益。在對指數基金進行量化之前，選擇什么樣的指數來進行量化是首要問題。通過大量的數據統計分析，筆者發現指數表現有著鮮明的“個性”：大盤指數運行較穩定，波動幅度不大，區間運行時間較長，用它來做趨勢交易的收益不高但波動率也較低；中小盤指數表現則更為活躍，趨勢變化更快，波動幅度更大，區間運行時間較短。相比較而言，中小盤指數是更為理想的交易標的，因此，在以下的量化分析當中筆者選取滬深300指數代表大盤指數，選取中小板指數代表中小盤指數。
（三）時間周期的選擇
筆者選取2006年1月至2011年12月這段時期作為研究樣本，其間包含了大牛市、大熊市、盤整震蕩市等多種情形，完成了幾個完整的牛熊輪回，用這樣的數據分析得出的研究結果更具有說服力。
三、實證方法與實證結果
（一）實證方法
首先，筆者選擇最簡單、最直觀的均線交易系統（MA）作為數據分析系統，該系統體現的是“叉點”交易思想：即在短周期均線上穿長周期均線形成“金叉”時買入；短周期均線下穿長周期均線形成“死叉”時賣出。交易周期用日K線①。然后，筆者采用“插值法”的思路對交易系統進行優化，即選擇不同的參數組代入交易系統當中來測試效果，評價的標準包括：收益率、標準差、平均盈利、平均虧損、最大盈利、最大虧損、最大回撤幅度、最長滯漲周期等。
（二）實證結果
1.單邊做多機制下的統計結果
在單向交易機制下，運用大智慧證券分析軟件采用MA交易系統對2006.01―2011.12期間的滬深300指數和中小板指數進行優化可得到表1和圖1與圖2。
從表1可知，不管是滬深300指數還是中小板指，在MA交易系統中的表現要遠優于“一直持有”策略；簡單買入中小板指并一直持有的話，收益率為94.40%，而在MA交易系統中的收益率為764.18%。另一個特點就是在MA交易系統中，平均盈利與平均虧損的比值都在2以上，充分體現了“小虧大贏”的投資思想。由圖1和圖2可以看出MA交易系統的凈值表現更加穩定向上，與指數本身的走勢相比，回撤幅度更小，波動幅度更小而總收益率更高。
2.在雙向交易機制下的統計結果（無空倉）
在即可做多也可做空但無空倉的雙向交易機制下，運用華財經Mytrader2009軟件采用MA交易系統對2006.01 -2011.12期間的滬深300指數和中小板指數進行優化得到表2和圖3與圖4。
在雙向交易機制下，MA交易系統的表現更優于“一直持有策略”，表現為不僅有“多頭盈利”部份，同時還有“空頭盈利”部份。同時，平均盈利與平均虧損的比值進一步放大，更多地體現了“小虧大盈”。由于做空帶來的收益加上連續獲利的復利作用，使得最終收益率比較單向做多交易下又有了較大的提升。與圖1、2進行比較可以看出，圖3和圖4中MA交易系統的凈值上升得更加陡峭，也更加平滑，說明在雙向交易機制下總收益率更多，同時回撤幅度波動幅度更小。
3.不同投資策略下收益率和風險比較
由表3可知，從收益率角度出發，在單向做多機制下，不管是中小板指還是滬深300指數，采用MA交易系統的表現都要遠優于“一直持有”的收益，也遠遠超過了同期主動型基金的平均收益，而且這還沒有將空倉時間的收益計算在內（實際上空倉時間很長，而且在空倉時間資金還可以投入到一些流動性好的固定收益投資品種）。另外，在采用相同的交易系統進行優化的條件下，中小盤指數的表現要優于大盤指數（滬深300），這說明選擇什么樣的指數非常重要。
總的來看，從波動程度、最大回撤幅度角度看，MA交易系統的凈值曲線并沒有和指數曲線一樣出現大幅震蕩，回撤幅度更小，滯漲時間更短，在較長時間內保持穩步向上的增長，符合“長期穩定”的贏利之道。采用MA交易系統對指數基金進行投資，不僅在收益率方面表現更佳，而且風險控制也遠優于“一直持有”策略。
四、結語
（一）結論與需要解決的問題
在雙邊交易機制下采用MA交易系統對指數基金進行操作的結果要遠優于單邊做多機制，更優于“一直持有”策略，同時也優于同期主動型管理基金的表現。但要將其付諸于實際操作當中，還要解決以下問題。
1.盯住指數是否有可雙向交易的交易品種。2011月12月融資融券標的擴容之前，只有瀘深300指數可以通過IF股指期貨進行做空交易從而實現雙向交易，其它指數基金只能做多交易在融資融券標的擴容之后，新加入7只ETF基金可通過融券方式進行做空，但到目前為止，可供做空的指數基金產品數量還比較少，指數產品本身的管理資金規模也有限，難以吸引大規模資金進入。隨著融券標的逐步放開，會有更多的指數基金產品納入做空的標的范疇。
2.交易成本的問題，特別是融券融券的交易成本。以上數據分析都是在低成本假設（傭金費率設為千分之0.3）基礎上完成的，對于機構投資者而言，申購指數基金的實際費率還要低（很多指數基金超過500萬的申購費只要1000元），若采用融券賣空，則需要支付一筆融券費用，這將增加交易成本，降低交易收益。對中小投資者來說，交易成本最低的還是ETF基金和LOF里面的指數基金，因為可以在場內進行買賣而不用交印花稅，遠低于在場外申購贖回交易。事實上，現行市場成本最低的賣空方式是股指期貨，但目前股指期貨交易標的只有滬深300指數，而且交易門檻比較高，不適合廣大中小投資者。
3.流動性的問題，即市場容量的問題。指數基金進行量化投資，首先要有一個足夠容量足夠品種的指數基金市場。而現在，很多投資者對指數化產品在中國的發展前景表示懷疑，新的指數基金產品發行舉步維艱，老的指數基金份額也在不斷縮水，這對機構投資者特別是FOF（基金中的基金）管理者參與到這個市場帶來的難題。
4.模型選擇、整合、參數優化問題。一個好的交易模型是量化投資追求的“圣杯”，要構建一個優秀的量化交易系統需要進行大量的數據收集和統計處理工作。過去的良好表現只能代表過去，過去表現良好的模型和參數在將來未必有良好的表現。幾乎不存在一如既往表現良好的模型和參數，每過一段時間，就需要對原來的模型和參數進行調整。
（二）建議
1.對于廣大中小投資者而言，應該更清晰地理解 “長期投資”的概念，即“長期投資”不等于“長期持有”，理解在原有的單邊做多的交易機制下，即使是做長期投資，也會有很多時間是處于空倉狀態。在新的雙向交易機制下，投資者要學會使用做空工具，利用融資融券，開辟新的盈利模式，熟悉新的投資策略和投資標的。
2.對于基金管理者而言，應使用做空機制來對沖系統風險。據統計，2011年中國FOF產品（主要是券商類FOF）全年平均業績為-22.5%，幾乎與基金的平均虧損持平。可見，大多數FOF基金的管理者沒有使用做空機制對沖系統風險，甚至沒有進行基本的倉位控制來回避系統風險。事實證明，在現有的中國市場采用“一直持有”的投資策略是無效的。而如果引入基金量化交易系統，特別指數基金具有的成本和選股獨特優勢，將大大提升FOF產品的業績，這是未來中國FOF產品發展的方向。
3.對于政策制定者而言，應進一步推動指數基金在中國的發展，促使更多的指數化產品面市，推動金融產品創新和管理創新。從歷史看，指數基金產品必將成為中國基金業發展的重點，針對指數基金進行量化投資的需求，將刺激更多的指數基金上市，這將吸引更多的投資者進入到基金市場。
參考文獻：
[1]余偉.我國開放式指數基金績效的實證研究――基于2008年至2010年度數據的分析[J].企業導報，2011（7）.
[2]齊岳,王文超.指數基金投資績效分析[J].經濟問題，2011（2）.
[3]李海波.指數基金投資策略研究[J].西南交通大學學報，2008（10）.
2011年7月1日，本刊正式引入《今日投資66》專欄，介紹今日投資66的選股邏輯、方法以及挑選出的股票。今日投資66（簡稱I66）是利用量化投資方法挑選出的一個66只股票的組合。其實早在2005年中今日投資就推出了I66，過去幾年累計收益率達到16倍，遠超同期市場不到3倍的漲幅。為什么直到今日我們才大張旗鼓地推出I66呢？原因其實很簡單，因為市場環境。量化投資近幾年在中國快速發展，其投資理念也越來越多地獲得認同。
股票市場上形形的各種分析方法總結起來可以歸類為三大流派：數量分析、基本面分析和技術分析。關于這三大流派孰優孰劣的爭論已經持續了近百年，三方各執一詞，百年爭論下來也沒有爭出個結果來。當今世界也是這三種流派大概各占三分之一的格局。而A股市場顯然尚未跟上，量化投資遠遠沒有達到三分之一的市場占有率。
第一部分：什么是量化投資
量化投資在海外的發展已有30多年的歷史，其投資業績穩定，市場規模和份額不斷擴大、得到了越來越多投資者認可。事實上，互聯網的發展，使得新概念在世界范圍的傳播速度非常快，作為一個概念，量化投資并不算新，國內投資者早有耳聞。但是，真正的量化基金在國內還比較罕見。那么，何為量化投資？
康曉陽：量化就是符合投資常識的投資邏輯和策略
接下來會發生什么？
深圳市天馬資產管理有限公司是國內最早開發量化投資模型的資產管理公司，致力于量化投資工作接近十年。作為國內量化投資的“開山鼻祖”，深圳天馬的董事長康曉陽先生如下介紹量化投資：
大家看到這個圖，魚跳起來了，風在刮，接下來會是什么？日本發生的9級大地震！2011年3月7日我看到一個報道，有50條鯨魚在擱淺沙灘，就在發生地震那個縣東部的海岸，有的死了，專家解釋這些鯨魚集體迷路了。作為一個地震專家或者學者，其實他們的經驗沒有告訴他這50條鯨魚擱淺沙灘跟地震有什么關系。到底有沒有關系呢？我們知道5•12四川大地震之前發生了同樣的事情，很多癩蛤蟆過馬路，這跟地震有什么關系？
投資做股票有兩類，講很多種策略，無外乎就是買你自己喜歡的和買市場喜歡的，買自己喜歡和買市場喜歡的背后邏輯就是找影響股價的要素。
量化是什么？做投資，最終的分析停留在數據上，既然是數據，就可以標準化、固化。從你自己的角度買自己喜歡的東西，其實也可以量化，每個人都有對美的標準，但并不是符合這個指標，你就一定喜歡。如果有一個海選，把符合你喜歡特征的人放在你面前你去選，就可以量化。
鯨魚擱淺在沙灘上，根據歷史數據統計就會發現這個事情跟接下來要發生的事情有什么關聯。把人的行為邏輯影響股價所有的要素進行綜合分析，預測下一個市場喜歡的東西或者喜歡的策略是什么，簡單一句話，量化就是符合投資常識的投資邏輯和策略。就股票來講，投資標的的數據和因素量化，再用一些模型統計的方法把選出來的標的進行優化，最后成為投資組合，這就是量化的基本邏輯。用數理的方法把你的投資邏輯或者市場的投資邏輯固化，只要有投資邏輯的思想或者策略，都可以量化。
就股票而言，有很多種方法，有價值型股票，分析方法無非是那幾種，只是大家的標準不一樣，量化的東西可以設一個相對寬松的東西，初選之后再優化，比如成長型股票，肯定關心盈利、收益。選出來10個、20個、50個甚至100、200個股票，然后配比重，怎么優化組合，根據你的風險和預期收益率反推回來怎么優化，最后得出一個比重，哪只股票應該投多少。有些是成本交易，比如套利，什么情況下出現一定條件的時候提示你。
要真正做到量化，首先要有一個基本的理論模型。你要覺得什么樣的股票表現好，什么樣的股票你愿意投資，這就是量化的基本邏輯。但是，有了這個邏輯之后還不夠，還要有復合型人才，因為量化投資不光要懂得投資股票，還要懂得數理分析。打個比方，雖然我很懂股票，但我不懂數理分析，很多計算機模型也不懂，更不懂編程序，要真正做到量化投資，就必須有復合型團隊。為什么這么多年華爾街學金融工程、數理、物理的人大受歡迎？因為他們可以用統計工具。前段時間我在英國的一所大學和一些專門做模型分析的教授交流，我發現他們想的東西更加復雜，基本上把市場上任何的東西都想要量化。
我理解，就是去跟蹤你的投資邏輯，它只是幫你實現你想法的一種工具。另外還要有高質量的數據，因為，你通常看到的東西和市場本身存在的東西可能并不一樣。如果把鯨魚放到海灘上，這作為數據化，統計過去2000年有多少次鯨魚擱淺在海灘發生，假如有真實的數據，就可以研究出跟地震的相關性。要懂數理統計工具，建立模型就是紀律，不能改變，改變就不是模型。有人說看到今天不行，換一下，那就不是模型了。我們看過一個電影，造出來的機器人最后自己都控制不了，那就是模型。如果造出來的機器人自己能控制，那不是模型。人為什么能掙得到錢，為什么還要量化？傳統是靠個人經驗的，而且你看到、聽到的東西都是有限的。量化有什么好處？它可以把你知道的東西在整個森林中搜索。計算機是不知疲倦的，晚上你在打鼾，計算機還可以工作。你的模型是你建的，你很理性的情況下建的模型，市場情緒變了，它不會變，那時候你不可能去改模型，所以它不會受情緒的影響。
華泰聯合：實現投資理念與策略的過程
國內研究機構中涉足量化投資較早并多次獲得新財富最佳分析師評選金融工程第一名的華泰聯合證券金融工程團隊如是說：
數量化投資是利用計算機科技并采用一定的數學模型去實現投資理念、實現投資策略的過程。與傳統定性的投資方法不同，數量化投資不是靠個人感覺來管理資產，而是將適當的投資思想、投資經驗、甚至包括直覺反映在量化模型中，利用電腦幫助人腦處理大量信息、幫助人腦總結歸納市場的規律、建立可以重復使用并反復優化的投資策略（經驗），并指導我們的投資決策過程。
本質上來講，數量化投資也是一種主動型投資策略，其理論基礎在于市場是非有效或弱有效的，基金經理可以通過對個股、行業及市場的驅動因素進行分析研究，建立最優的投資組合，試圖戰勝市場從而獲取超額收益。然而一些定性的投資者卻并不太認可定量投資，他們認為，定性研究可以將把股票基本面研究做得很深入，從而在決策深度上具有優勢。然而，在當今市場上，信息量越來越大且傳播速度極快，單個分析師所能跟蹤的股票數量開始顯得越發有限，也因此錯過了許多優秀的投資機會，可謂是擁有深度的同時錯失了廣度。量化投資正好彌補了這一缺失，通過使用強大的計算機技術，它能夠實時對全市場進行掃描，并依仗其紀律性、系統性、及時性、準確性以及分散化的特點最大概率的捕獲戰勝市場的投資標的。
事實上，在海外市場，我們看到越來越多的定量與定性完美結合的成功案例。通過向量化模型中加入分析師對未來主觀判斷的觀點（定性的觀點），再結合來自于歷史規律檢驗的觀點（定量的觀點），定量與定性的優勢便能得到充分的發揮和融合。我們相信，這也將是未來量化產品發展的主流方向和趨勢。
結論
量化研究作為一種研究方法，其本質是使用統計學、數學和計算機工具改進研究效率，使得我們能夠在更短的時間、更大的視角領域下，依靠清晰的研究邏輯，獲取更為有效和操作性以及復制性更強的研究成果。量化研究的本質是一類發現市場規律的方法體系，其基本功能是認識市場和解釋市場，并以做到預測市場為目的。
量化投資簡單來講，它以模型為主體，使用大量數據，并且在很大程度上用電腦這樣的投資方式；其以科學性和系統性著稱，并將在嚴格的紀律化模型制約下，緊密跟蹤策略，使運作風險最小化，并力爭取得較高收益。
第二部分：量化投資在蓬勃發展
量化投資在世界的發展史
美國市場有200多年，從證券市場開始，也有快400――500年了，但是量化的發展是上世紀50――60年代的事。首先有一些理論模型，沒有理論模型支撐很難做到量化的東西。
數理化投資于上世紀50~70年論上發芽
Harry Markowitz在上世紀50年表一系列關于投資組合“均值―方差”優化的論文，這使得投資者可以定量化風險，并把風險和預期回報放在一個理論框架下統一考慮；
WilliamSharpe在1964年發表CAPM模型，此模型顯示個股的預期回報和個股的風險及市場的預期回報成正比；
Steven Ross在1976年發表APT模型，此模型顯示個股的預期回報可以表示成一系列非特定因素預期回報的加權平均，此模型為量化投資者指出了很實用的研究框架；
Black-Scholes在1972年發表關于股票權證的定價模型；
Fama和French在1993年發表三因素模型，此模型顯示個股的預期回報由三個因素（市場，個股的市值，個股的市凈率）決定；
此后很多研究者做了非常多的實證研究，并發現了一些對個股將來回報有預測作用的因素：比如市盈率，市凈率，資產回報率，盈利一致預期，中長期價格動能，短期價格反轉等。
數理化投資從上世紀70年代末開始實際運用
Barclays Global Investors(BGI)于1978年創立了全球第一只數量化投資策略基金，到被BlackRocks收購之前BGI以14000億美元的規模，高居全球資產管理規模之首。
SSgA(道富環球投資管理公司)和 GSAM(高盛國際資產管理公司)為首的一大批以數量化投資為核心競爭力的公司已經成為機構資產管理公司中的“巨無霸”。
“詹姆斯•西蒙斯創辦的文藝復興科技公司花費15年的時間，研發基于數學統計理論的計算機模型，借助該模型，西蒙斯所管理的大獎章基金，從1989 年到2009 年間，平均年回報率高達35％，較同期標普500 指數年均回報率高20 多個百分點，比“金融大鱷”索羅斯和“股神”巴菲特的操盤表現都高出10 余個百分點。
在國外。其他采用量化投資的公司沒有獲得驚人的表現，并非是量化方法不好，而是他們還沒有構建出更好的模型以及正確的策略。作為量化投資的大行家和受益者，西蒙斯承認有效市場的套利機會極少而且會趨同小時，然而，仍然有無數轉瞬即逝的很小的機會存在，在證券市場，那些很小的交易，都會對這個龐大的市場產生影響，而每天都會有成千上萬這樣的交易發生。這個市場看似雜亂無章，卻存在著內在規律，而量化操作自從誕生以來，無疑成為捕捉這些規律的一把利器，為海外投資者屢建奇功。
CQA（教育產品內容與數據測試）數據統計：在2002年-2004年三年間，量化產品的平均年收益率為5.6%，比非量化產品的平均年收益率高出1%。從信息比率來看，量化產品為0.37，非量化產品為0.06。此外，量化基金的運作費率相對更低，例如傳統產品費率為0.6%，主動量化產品費率在0.45%-5%之間。
理柏(LIPPER)數據顯示，2005年到2008年之間，87只大盤量化基金業績表現好于非量化基金，增強型量化基金在2005年和2006年更是大幅跑贏非量化基金。但2007年和2008年除市場中性基金外，所有基金業績下滑很快，其中雙向策略和大盤量化基金表現差于非量化基金，而增強型和市場中性量化基金表現則優于非量化基金。
量化投資在中國的發展現狀
研究力量不斷壯大
目前大部分券商研究所都配有金融工程研究小組，成員超過5個的不在少數。根據2010年11月份的《新財富》最佳分析師榜單，國信證券金融工程小組人數有12人，為目前人員配備最多的量化投資研究團隊。其他入選金融工程前五名的研究小組中，申銀萬國8人，華泰聯合、安信證券各5人，中信證券4人。
數量化方面的研究報告數量也是逐年增加。據不完全統計，2008-2010年相關報告數量分別有52、142、794篇，今年上半年就達到了633篇，逐年遞增趨勢非常明顯。不過，和2010年研究報告10萬多份的總量相比，數量化研究的廣度和深度還有很大提升空間。
量化產品初露鋒芒
天馬旗下的產品中，現有兩個信托產品采用量化投資策略，分別是新華―天馬成長，和平安―Lighthorse穩健增長。
此外，上投摩根、嘉實、中海基金、長盛基金、光大保德、富國基金、南方基金等都有量化產品推出，但是量化基金的比例還是非常小。即便在2009年，全年新發基金超過100只的情況下，新發的量化基金也僅有4只，數量在2009年的新發基金市場中僅占3％。與指數基金、普通股票基金相比，量化基金可謂是基金市場上的稀缺資源。
2011年，在國內緊縮政策與國外動蕩局勢的影響下，A股市場呈現結構性震蕩上揚的格局。隨著市場輪動的提速及內在容量的擴大，精選個股的難度日益加大。在此背景下，定性投資容易受到投資者情緒影響，而定量投資則能夠通過計算機的篩選，幫助投資者克服非理性因素，在充分控制風險的前提下應對市場萬變。以“人腦＋電腦”為主要構建的量化基金逐漸顯現投資優勢，今年量化基金異軍突起，整體表現不俗。截至4 月6 日， 9 只具有完整業績的主動型量化基金平均收益率為0.64%，超越同期股票型基金和混合型基金-1.39%、-3.08%的凈值增長率。其中，“元老”光大保德信量化核心基金收益率達5.19%。此外，南方策略、中海量化策略、長盛量化紅利、長信量化先鋒、上投摩根阿爾法、華泰柏瑞量化先行基金也均取得正收益，分別達到4.12%、3.28%、2.60%、2.13%、0.77%和0.16%；僅嘉實量化阿爾法和華商動態阿爾法收益為負，分別為-4.48%、-7.94%。此外，從以往披露的公開信息可以發現，國內量化基金多側重價值因子，也契合今年低估值大盤藍籌股領漲的市場格局。
第三部分：解讀量化投資
在西蒙斯崛起之前，判斷型投資完全占據著主流地位，因為當前全球投資界的三大泰斗當中，無論是價值投資的巴菲特、趨勢投資的羅杰斯，還是靠哲學思維的索羅斯，都是判斷型投資的代表。但隨著西蒙斯的聲名鵲起，量化投資開始受到投資大眾的重視并呈現出蓬勃的發展態勢。但需要指出的是，世界上沒有萬能的投資方法，任何一種投資方法都有其優缺點，量化投資當然也不例外。定量投資成功的關鍵是定量投資這個模型的設計好壞，設計的好壞主要由模型設計者對市場的了解、模型構建的了解和模型實踐經驗來決定的。
量化投資的決策體系
量化基金的成功運作必然依托一個完整而有效的量化體系用來支撐，該體系是數據獲取、數據處理、資產配置、組合管理到全程風險控制等諸多環節的有機結合。
我們借鑒海外量化基金運作架構的諸多優點，并結合華泰聯合金融工程資深研究員的看法，旨在提供一個適合中國市場特點的量化基金運作架構體系。該體系綜合考慮了定性及定量兩大主要選股思路，在風險可控下，充分發揮量化投資的優勢。
此架構包含以下幾個主要層次：
1. 數據提供：量化體系的底層一般是數據接入端口，數據來源于外部數據提供商。
2. 數據預處理：由于中國A 股市場歷史較短，數據質量一般，特別是早期的數據較為不規范。因此，在輸入模型前必須對數據進行全面的清洗，從而增強數據的有效性和連續性。
3. 資產配置：資產配置是量化基金的核心。不同的投資者具有不同的投資理念，即不同的資產收益率看法。因此，通過構建差異化的因子配置模型來實現差異化的投資理念則充分展現了量化投資的優勢和精髓。舉例而言，我們可以開發針對不同市場狀況（如牛市、熊市、震蕩市和轉折市）以及不同投資風格（如保守、激進和中庸）的量化模塊。這些模塊就類似于兒童手中的玩具積木，一旦投資決策委員會確定了戰略和戰術配置比例，接下來要做的就是簡單的選積木和搭積木的過程。模塊化投資嚴格的遵循了投資思路，從而將量化投資的紀律性、系統性、及時性和準確性展露無遺。
4. 投資決策：宏觀經濟政策對中國A 股市場的表現影響較大，也就是我們常說的“政策市”。針對這一現狀，綜合考慮定性和定量的宏觀判斷對于我們選擇合適的基金倉位及資產組合將十分必要。一方面，結合宏觀及行業分析師對于未來宏觀經濟的預判以及個別性事件的分析，另一方面，考察既定的一系列量化擇時指標和宏觀經濟指標的最新動向，從而能較為全面的提出投資建議。
5. 組合管理：在對于宏觀趨勢、戰略和戰術資產配置的全面考量之后，留給基金管理人的工作將是如何實現在交易成本，投資風險以及組合收益三者之間的最大平衡。
經典量化投資模型綜述與評價
目前，由于計算的復雜程度和對速度的要求，量化投資的交易過程通常是由電腦自動來完成的，可在某些方面電腦依然不可能替代人腦。投資若要取得成功，就需要頂尖的大腦來羅織數據、發現規律、編制最快最好的電腦程序；此外，量化投資所使用的模型在用了一段時間之后就會慢慢失效，因為越來越多的“山寨版”會出現，因而需要不斷發現新的模型以走在這場軍備競賽的前列，而此時需要的就是配備精良、高速運作的人腦。由此可見，模型在量化投資的整個體系中居于核心地位。近幾十年來，西方理論界與實務界均誕生了不少量化投資模型，大力推動了量化投資的發展，這其中又大致可分為三大類：傳統的基于經濟學意義的模型（structural model）、現代的基于數學、統計學意義以及計算機原理的模型（statistical model）、程序化交易模型。以下就這三者分別予以介紹。
(一)傳統的基于經濟學意義的模型
這種模型雖然用到了一些數學與統計學的工具， 但其核心思想與前提假設仍然是圍繞經濟學或金融學原理而展開的。例如，B-S 模型與二叉樹模型提供了金融產品定價的新思路，因而也衍生出了所謂的以選擇權為基礎之投資組合保險策略（option-basedportfolio insurance，OBPI），如歐式保護性賣權（protective put）策略、復制性賣權（synthetic put）策略和一些持倉策略―――買入持有（buy-andhold）策略、停損（stop-loss） 策略、固定比例投資組合保險(constant proportion portfolio insurance，CPPI) 策略、時間不變性組合保障（timeinvariant portfolio protection，TIPP）策略、固定組合（constant mix）策略與GARP（Growth at a Reasonable Price）策略等。
(二)現代的基于數學、統計學意義以及計算機原理的模型
與上述模型相比，這種模型“量化”的傾向愈加明顯―――淡化甚至忽略經濟學或金融學背景，基本上只是依賴先進的數學、統計學工具與IT 技術構建模型，進而確定投資策略。模型中應用的具體方法主要包括參數法、回歸分析、時間序列分析、極值理論、馬爾科夫鏈、歷史模擬法、蒙特卡羅模擬法等等。
(三)程序化交易模型
隨著金融市場的日益復雜化， 越來越多的復雜交易策略被設計出來，這些交易策略很難通過傳統的手工方式執行，于是程序化交易應運而生。程序化交易是指按照預先編制的指令通過計算機程序來完成交易的方式，可以分為決策產生和決策執行兩個層面：前者是指以各種實時/歷史數據為輸入通過事先設計好的算法計算得出交易決策的過程，而后者是指利用計算機算法來優化交易訂單執行的過程； 也可以從交易頻率的角度，分為高頻交易和非高頻交易。程序化交易使得復雜的量化交易策略得以實施，優化交易指令的執行，解放人力使之把精力更多地集中到投資策略的研究上， 最重要的是能克服人性的種種弱點與障礙從而保證絕對的“客觀性”與“紀律性”。然而，這種交易方式也引起了諸多爭議，如對速度的過高要求會造成市場的不公平、巨大的交易量可能會增加市場的波動性、容易產生鏈式反應、為了盈利可能會制造人為的價格而降低市場的有效性等等。
量化投資的主要策略
增強型指數基金：策略的主要目的還是跟蹤指數，希望用量化模型找出能緊跟指數但同時又能小幅超越的組合。
非指數型量化基金：能利用絕大多數好的投資機會，而不需去管組合是否能緊跟指數。
多―空對沖基金：買入模型認為能表現好的股票， 賣空模型認為會表現差的股票。有時可能凈多倉， 有時可能凈空倉。此策略在對沖基金中很流行。在A股市場中能賣空的股票不多，所以一般只能用期指去對沖。
市場中性的多―空對沖基金：買入模型認為能表現好的股票， 賣空模型認為會表現差的股票。在任何時候凈倉位為0，同時在各行業上，大小盤風格上的凈倉位都為0。此策略在對沖基金中也比較流行。此策略的波動率非常小，在國外一般會加入杠桿。
130/30基金：一般共同基金采用，即買入130%的多倉， 賣空30%的空倉。
程序化高頻交易：利用期指或股價的日內波動進行高頻買賣。有些策略是找價格模式，有些是利用交易所規則上的漏洞。
可轉移Alpha：主要用在增強型指數基金上，具體是用期貨來跟蹤指數，一部分多出來的錢投資于風險比較小的能取得絕對正收益的策略上。
市場擇時/行業輪動/風格輪動：用數量化模型預測市場/行業/風格的拐點
量化投資和傳統投資的比較
天馬資產首席數量分析師朱繁林博士表示，量化投資區別于定性投資的鮮明特征就是模型，對于量化投資中模型與人的關系，大家也比較關心。可以打個比方來說明這種關系，我們先看一看醫生治病,中醫與西醫的診療方法不同，中醫是望、穩、問、切，最后判斷出的結果，很大程度上基于中醫的經驗，定性程度上大一些；西醫就不同了，先要病人去拍片子、化驗等，這些都要依托于醫學儀器，最后得出結論，對癥下藥。
醫生治療病人的疾病，投資者治療市場的疾病，市場的疾病是什么？就是錯誤定價和估值，沒病或病得比較輕，市場是有效或弱有效的；病得越嚴重，市場越無效。
投資者用資金投資于低估的證券，直到把它的價格抬升到合理的價格水平上。但是，定性投資和定量投資的具體做法有些差異，這些差異如同中醫和西醫的差異，定性投資更像中醫，更多地依靠經驗和感覺判斷病在哪里；定量投資更像是西醫，依靠模型判斷，模型對于定量投資基金經理的作用就像CT機對于醫生的作用。在每一天的投資運作之前，會先用模型對整個市場進行一次全面的檢查和掃描，然后根據檢查和掃描結果做出投資決策。
傳統的定性投資強調的是基金經理的個人經驗和主觀判斷，相對來說強調基金經理的單兵作戰能力。而量化投資主要是用來源于市場和基本面的模型指導投資。
量化投資可以最大限度地捕捉到市場上的機會。而傳統的定性投資受到研究員，基金經理覆蓋范圍的限制。
量化投資借助模型進行投資，比較客觀和理性，更不會受市場和情緒影響。
量化投資的可復制性更好。傳統的定性投資易受到基金經理，資深研究員人動的影響。
其實，定量投資和傳統的定性投資本質上是相同的，二者都是基于市場非有效或是弱有效的理論基礎，而投資經理可以通過對個股估值，成長等基本面的分析研究，建立戰勝市場，產生超額收益的組合。不同的是，定性投資管理較依賴對上市公司的調研，以及基金經理個人的經驗及主觀的判斷，而定量投資管理則是“定性思想的量化應用”,更加強調數據。
國內量化基金投資風險分析
（一）量化模型質量產生的投資風險
投資模型本身的質量，是量化基金最核心的競爭力。專業人士以為，對于中國這樣的新興市場，量化投資的關鍵是能否根據市場特點，設計出好的投資模型。然而，已有的量化基金中，大多簡單地利用國外已公開的模型，或是用基金公司自有的一些簡單模型，在考察市場的有效性上普遍比較欠缺。如中海量化策略和南方策略優化在行業權重配置中均采用的Black-Litterman（BL）模型。這種模型現是華爾街主流模型，亦是高盛公司資產管理部門在資產配置上的主要工具。然而，在國內市場信息搜集等方面局限性較大的情況下，該系統到底是否有效，是否僅是基金公司體現其“專業性”的一個由頭，還有待觀察。
（二）基金經理執行紀律打折扣所產生的道德風險
好買基金研究中心的一份報告指出，大部分量化基金在擇時、行業配置和資金管理等方面并沒有采用量化模型，更多的是基金經理的主觀判斷。觀察這些量化基金的契約和季度報告可以發現，基金要么不進行擇時，要么根據主觀經驗進行擇時，這在很大程度上無法體現出模型選股產生的效果。
（三）數量化模型滯后產生的風險
量化基金效果如何，無法脫離資本市場環境的成熟度。量化模型的運用有重要的前提條件，是必須在一個相對成熟穩定的市場中運行，這種市場環境下基于歷史數據設計的模型才可能延續其有效性。國內股市曾經大起大落，市場結構和運行規律都發生過質變。在這種情況下量化模型有可能跟不上市場本身的改變，嚴格的量化投資也難以適應變化。這或許是這種舶來品水土不服的一大原因。可以說，早期的A股市場并不適合量化投資理念，而隨著市場逐漸成熟，量化投資的優勢才開始逐漸顯現。近兩年量化投資基金數量成倍增加，也是對這一趨勢的反映。
【關鍵詞】機器學習 量化投資 三因子模型
一、引言
作為人工智能領域主要的研究方向之一，機器學習無疑最受矚目。尤其是近幾年深度學習方法在語音識別、自然語言處理、自動駕駛等方面取得了巨大的成功，使得各行各業都將機器學習方法做為重點的研究方向。特別是在金融領域，以機器學習為主的人工智能已經在量化投資方面得到了廣泛的應用。機器學習可以快速海量地進行分析、擬合、預測，人工智能與量化交易聯系越來越緊密。如全球最大的對沖基金橋水聯合（Bridge water Asspcoates）在2013年就建立了一個基于機器學習的量化投資團隊，該團隊設計交易算法，利用歷史數據預測未來金融市場變化，以人工智能的方式進行投資組合調整。日本的人工智能量化投資公司Alpaca，建立了一個基于圖像識別的機器學習技術平臺Capitalico，通過該平臺，用戶可以利用數據庫中找到外匯交易圖表進行分析，這使得普通投資者也能知道成功的交易員是如何做出交易決策的，從他們的經驗中學習并作出更準確的交易。然而在金融領域，已公開的有效的預測模型是基本不存在的，因為無論是機構投資者還是個人投資者一旦公開投資模型，也就意味著投資模型的失效。比如著名數學家西蒙斯1988年成立的文藝復興公司，就完全依靠數學模型進行投資，公司旗下從事量化投資的大獎章基金回報率也遠超過其他對沖基金，然而該公司卻從不公開投資模型。雖然金融機構很少公開如何利用機器學習來指導投資的研究成果，但學術界對機器學習在金融投資中的應用的研究卻在逐漸增加。
支持向量機（support vector machines，SVM）是Vapnik 1995年提出的新的機器學習算法，該方法有很好的泛化能力，一種非常成功的機器學習方法，性能明顯優于傳統神經網絡。在金融研究領域，支持向量機也是應用最廣泛的機器學習模型。即使在國內，利用SVM方法的研究文獻也不少。賽英（2013）利用支持向量機（SVM）方法對股指期貨進行預測，并用遺傳算法（GA）和粒子群算法（PSO）分別優化四種不同核函數的支持向量機，通過大量實驗發現，采用粒子群算法化的線性核函數支持向量機對股指期貨具有最好的預測效果。黃同愿（2016）通過選擇最優的徑向基核函數，再利用網格尋參、遺傳算法和粒子群算法對最佳核函數參數進行對比尋優，構建最有效的支持向量機模型，并對中國銀行未來15日的開盤價格變化趨勢進行預測，并認為用支持向量機來預測股票走勢是可行的。程昌品（2012）提出了一種基于二進正交小波變換和ARIMA-SVM方法的非平穩時間序列預測方案。用高頻數據構建自回歸模型ARIMA進行預測，對低頻信息則用SVM模型進行擬合；最后將各模型的預測結果進行疊加，并發現這種辦法比單一預測模型更加有效。張貴生（2016）提出了一種新的SVM-GARCH預測模型，通過實驗發現該模型在時間序列數據去除噪音、趨勢判別以及預測的精確度等方面均優于傳統的ARMA-GARCH模型。徐國祥（2011）在傳統SVM方法的基礎上，引入主成分分析方法和遺傳算法，構建了新的PCA-GA-SVM模型。并利用該模型對滬深300指數和多只成分股進行了驗證分析，并發現該模型對滬深300指數和大盤股每日走勢有很好的預測精度。韓瑜（2016）結合時間序列提出了一種基于GARCH-SVM、AR-SVM的股票漲跌預測方法，結果表明，加入GARCH或AR等時間序列模型的初步預測結果可以提高SVM預測準確率。
從國內的研究文獻來看，大多數文獻都是通過機器學習方法來優化傳統的時間序列預測模型，很少去研究如何通過機器學習方法構建有效的量化投資策略。由此，本文將利用SVM算法，結合經典的Fama-Fench三因子模型，設計量化投資策略，探討機器學習方法在金融投資領域應用的新思路。
二、模型理論介紹
（一）Fama&Fench三因子模型
Sharpe（1964），Lintner（1965）和Mossin（1966）提出的資本資產定價模型（CAPM）是一個里程碑。在若干假定前提條件下，他們嚴謹地推導出了在均衡狀態下任意證券的定價公式：
式中，E（ri）是任意證券i的期望收益率，E（r0）是無風險利率，E（rm）是市場組合（market portfolio）的期望收益率。■。法馬（Fama，1973）對CAPM進行了驗證，發現組合的β值與其收益率之間的線性關系近似成立，但截距偏高，斜率偏低，說明β不能解釋超額收益。之后，Fama&Fench（1992）詳細地分析了那些引起CAPM異象的因子對證券橫截面收益率的影響。結果發現，所有這些因子對截面收益率都有單獨的解釋力，但聯合起來時，市值和賬目價值比（BE/ME）兩個因子在很大程度上吸收了估計比值（E/P）以及杠桿率的作用。基于此，Fama&Fench（1993）在構建多因子模型時，著重考慮規模市值（SMB）和賬面價值比（HML）這兩個因子。因此，三因子模型可以寫為：
（二）支持向量機
支持向量機是一種二分類模型，也可以用于多分類，它的基本模型是定義在特征空間上的間隔最大的線性分類器，通過尋求結構化風險最小來提高分類器的泛華能力，實現經驗風險和置信范圍的最小化，最終可轉化為一個凸二次規劃的問題求解。支持向量機是90年代最成功的機器學習方法，它的基本思想是求解能夠正確劃分訓練數據集并幾何間隔最大的分離超平面，該超平面可以對數據進行分類，分類的標準起源于邏輯回歸，logistic回歸的目的是從特征學習出一個0/1分類模型，logistic函數（sigmoid函數）的表達形式為：
這個模型是將特征的線性組合作為自變量。由于自變量的取值范圍是負無窮到正無窮，因此，sigmoid函數將自變量映射到（0，1）上，對應的類別用y來表示，可以取-1或者1。根據輸的概率對數據進行分類，sigmoid函數圖像如圖1。
支持向量機也是利用上述分類原理對數據進行分類，如圖2所示，wTx+b=0為n維空間的一個超平面，該超平面將數據分開，一般來說，一個點距離超平面的遠近可以表示為分類預測的準確程度。支持向量機就是求解■的最大值，也就是說，構造最大間隔分類器γ，使兩個間隔邊界的距離達到最大，而落在間隔邊界上的點就叫做支持向量，明顯有y（wT+b）>1。
當數據不能線性可分時，就需要利用非線性模型才能很好地進行分類，當不能用直線將數據分開的情況下，構造一個超曲面可以將數據分開。SVM采用的方法是選擇一個核函數，通過將數據映射到高維空間，在這個空中構造最優分類超平面，用線性分類法進行數據分類。
然而，在不知道特征映射的形式時，很難確定選擇什么樣的核函數是合適的。因此，選擇不同的核函數可能面臨不同的結果，若核函數選擇不合適，則意味著將樣本映射到了一不合適的特征空間，很可能導致結果不佳。常用的核函數見表1。
三、實證分析與應用
（一）數據說明
訓練數據為2012年8月1日至2016年8月1日滬深300成分股在每月最后一個交易日有交易的股票因子值，市值因子SMB（marketValue）和賬面價值比HML（PB）比這兩個因子見表2，所有因子數據都通過標準化并處理。利用PB和marketValue兩個因子，預測下月該股票的漲跌，利用機器學習中的支持向量機進行訓練，數據特征為月度股票因子，訓練標簽為該股票下個月月初第一個交易日的漲跌，上漲為1，下跌和股價不變標記為0，采用交叉驗證方法，其中80%的數據為訓練集，20%的數據為測試集，利用R語言中的e1071包進行分析。
表2 因子名稱與因子說明
■
（二）策略回測
從實驗結果看，SVM的測試集預測準確率為62.32%，回測策略為等權重買入當月預測上漲概率排名前20的股票，每月初第一個交易日進行調倉，回測區間共調倉41次。回測區間為2013年7月1日至2017年2月28日，初始資金設為1000000元，利用優礦量化平臺進行回測，策略回測的部分持倉記錄見表3，策略效果見圖3和表4。
表3 策略回測持倉記錄
■
■
圖3 策略收益率與基準收益率對比
表4 模型回測結果主要數據
■
由于多因子模型通常為穩健策略，因此為了避免頻繁交易帶來的高額交易費用，本策略采用了月度定期調倉的手法。從表3，圖3和表4的策略回測結果來看，利用支持向量機算法結合Fama-Fench三因子模型設計的交易策略，在回測區間年化收益率為22.4%，超越了13.4%的基準市場收益率，獲得了8.2%的阿爾法，這也說明Fama-Fench三因子模型在A股市場依然有效。同時我們也能看到，該策略最大回撤為48.1%，說明在不加入止損、止盈條件下，該策略并不能實現很好的對沖效果。從量化投資的角度來看，利用股指期貨進行對沖，是多因子策略的一個很好的選擇。
四、結論
本文通過利用機器學習中的經典算法支持向量機并結合Fama-Fench三因子模型構建了量化投資策略。通過市值因子和市凈率因子，利用機器學習算法，滾動預測下一個月股票的漲跌方向。實驗結果發現，支持向量機的預測準確率達到了62.23%，通過預測股票漲跌方向的概率，設計了對應的投資策略，該策略在回測期間的年化收益達到了22.4%，遠超過基準年華收益率的13.4%。本文的研究表明，機器學習方法在金融市場有很好的運用空間，在大數據時代的今天，傳統統計模型無法從復雜、多維的金融數據中提取出有效的信息特征，而機器學習算法擅長處理復雜、高維數據。這也是人工智能投資在金融行業越來越受到重視的原因。從量化投資這一角度來說，如何將機器學習方法應用到金融投資領域還是一個飽受爭議的話題，本文只是從嘗試的角度出發，創新的將機器學習方法結合經典的Fama-Fench三因子模型來驗證對中國股市的投資效果。而如何將機器學習方法應用到更多的金融投資領域將是本文下一階段的研究重點。
參考文獻
[1]Cortes C，Vapnik V.Support-Vector Networks.[J].Machine Learning，1995，20（3）：273-297.
[2]Fama，E.F.&K.R.French（1992），“The cross-section ofexpected stock returns”，Journal of Finance 47：427-466.
近年來，投資領域的眾多精英紛紛投身量化投資領域，利用計算機科技并采用一定的數學模型去實現自己的投資理念、投資策略。他們以自己的智慧加數學的方法組成投資策略，設計出自己的贏利模型，來克服交易中人性的弱點，實現穩定的贏利。
不少機構和個人都贏利頗豐，然而從今年8月開始，不少量化投資者都在遇到同一個問題，以前穩定贏利的模型現在開始不靈了，屢屢大幅回撤虧損。
“好奇怪，每一次回撤都打到止損點后，再重新起來，這模型到底怎么了？”渤海證券某分析師告訴記者。
國內如此，國外量化同行也遇到同樣的困惑，經常出現很大的回撤。尤其是最近，全球CTA策略都不太景氣，很多傳統CTA做得比較大的公司，今年都面臨倒閉窘境。
倒在反向策略？
2013年11月17日上午，清華大學深圳研究生院報告廳。第四屆（2013秋季）中國量化投資國際峰會上，100多位金融界菁英匯聚一堂，交流著量化投資出現的問題。
不少同行都遇到了和渤海證券分析師類似的問題，模型失靈，行情每次回撤都打在止損位后，再重新起來，一次次止損都在虧錢，是模型出了問題嗎？
“你的反向策略是如何制定的呢？”在上午的論壇上，臺下的提問給嘉賓制造了些許緊張，在量化這個圈子里，大家對模型都是諱莫如深，避而不談，更何況是反向策略的制定，這位被問嘉賓顧左后而言他，并沒有正面回答。
反向策略揭開了近幾個月大多數模型虧損的冰山一角。投資界有這樣一種說法，投資者都是在賺犯錯方錢。顯然當量化投資者在逐漸增多時，在市場中這部分人群都在用類似方法，也就有了相同的屬性，這時聰明者就針對這部分人群制定出了相應的反向策略，專剪這個人群的羊毛，多數模型失靈也就不足為奇了。
上述提問者沒有輕易放棄，又把問題轉向了本次論壇的主持人原美國騎士資本董事總經理、高頻交易總監明可煒。
“反投資策略的方式我聽得很少。現在的問題是很多的量化投資同時進入市場，使得市場的價格實現機制出現了偏差，反策略發現了很多的量化投資策略在做同一件事情的時候，把價格推到了不合理的位置。”如果說主持人上面的回答相對中肯，下面則有意淡化反投資策略。
“犯錯誤的投資人可以使別的投資人的回報變得更多，但并不是說你要有收益必須是別人犯錯誤的結果。就像巴菲特說，他買一只股票絕對不是因為這只股票今年便宜點，而是他認為這只股票在未來30年、50年會給他帶來很高的利益。我認為量化投資者也不是在尋求別人犯錯務的時機，如果是基本面，或者說發現了一個趨勢，就可以獲得很好的收益，這個時候誰都沒有犯錯誤。”
策略失效另有隱情
反向策略并不是策略模型失效的唯一原因，會場嘉賓各抒己見。
中國量化投資學會理事長丁鵬認為，如果說它是有經濟學原理做支撐的策略，它未來一定再次有效。比如說套利策略，平常講的股指期貨套利，它是有經濟學原理做支撐的；還有大的趨勢性策略，只能抓大牛市或者大熊市的，可能很多年都不會再次有效，像這種策略一旦失效的話，一定要考慮背后的真正驅動因素是什么。
“對于一些趨勢策略來講，它可能是暫時的失效，因為進入趨勢振蕩階段，它必然會這樣。有一些事件操作的策略，它可能因為事件的消失而長期的失效。”渤海證券金融工程部總經理何翔認為，“對于短期失效的趨勢策略，從個人來講，你要有一個風險容忍度，要清楚能不能堅持這樣的策略。”
風控不容忽視
不少的量化交易者，都有過不錯的收益，但虧損更甚，原因之一是沒有把握住風險控制。會場幾位重量級嘉賓暢談了風控的方法。
“控制風險比收益更重要，控制風險才是投資者最核心的東西。”丁鵬認為，在銀行、保險、券商和期貨這幾大金融行業中，期貨的收益應該是最高的，但做期貨往往是最窮的；而銀行的收益是最低的，銀行理財只有5、6個點，但銀行是最富的。為什么？因為銀行的風控能力是最強的，所以真正的富人敢把錢存在銀行，但沒人把大錢拿給期貨公司玩。通常是把風險控制住之后，靠規模、放大杠桿去賺錢的。
通過多策略的方法降低風險。職業投資人、寬客俱樂部總經理馮正平認為，金融投資的策略體系一定要符合保險學原理。比如你交易200個標的，用了200個策略，其一個標的出了問題，僅影響0.5%。要從這個角度去研發策略、組合策略。
“我們公司對策略風控、模型回撤要求非常嚴格。” 何翔表示，“我們在策略開發的過程中，特別注重三個方面，一是時間緯度上，要在不同的時間架構上對策略進行分散，有長期、中期、短期，甚至日內的；二是在空間上進行分散；三是在策略的類別上分散，有趨勢型策略，也有振蕩型策略，多策略使風險最小化。”
算錯成本沒贏利
張華（化名）是近年從華爾街回來的博士，在國內做了一個阿爾法套利，平均每周交易4次，每次交易扣除交易成本之后可以盈利千分之三，一個月做16次，一年收益率應該是50%。做出來之后，在數據回溯和模擬上都很吻合，但是做進去之后，第一個月虧了，第二個月又虧了，第三個月還是虧損。
“這種情況是沒有算清楚沖擊成本和交易成本。”上海鑄銘投資管理中心總裁張向陽認為，在進行歷史數據回溯的時候，他應該是拿一口價格來算賬，而那口價格是在買價上成交的還是在賣價上成交的，他是不知道的，只能在賣價上買。這樣就形成了誤差，導致設計模型時就不能贏利。
好模型如利劍
量化贏利如同一輛好車在路上跑，風險控制如同剎車，計算成本如同估計路況，遇到路況不好時踩剎車放緩速度避免翻車，而好的策略模型則如同油門，路況好時要想跑的快，必須踩油門。
和多數寬客人對自己的模型三緘其口不同，渤海證券金融工程部總經理何翔分享了團隊幾年來幾種模型的贏利情況。“在整個量化策略開發過程中，我們以風控為前提，然后把握一些趨勢性的機會，順勢而為，分析市場的行為，做好策略開發的分散，最終嚴格執行策略，實現了好的收益。”
何翔團隊在2010年開發了MT-SVM量化預測模型，結合技術指標、宏觀指標，對每個月市場漲跌的情況進行預測。市場本身混沌、非線性的，團隊用人工智能的方法，預測每個月上證指數的漲跌，然后得到一個從2001年到現在漲跌方向的預測結果。這是一個比較粗糙的預測方向，給出一個市場方向的大參考。最近的預測是從10月份開始預測市場上漲。用上證指數做一個標的，用這個模型做一個簡單的模擬操作，測出來一個凈值，預測的效果很好。
另一個是量化定增套利策略。這是何翔和團隊在去年年初開發的，他們更關注定向增發前的部分，從董事會預案公告，股東大會公告通過，然后到證監會審核通過，再到定增公告，不同的階段去分析、統計哪些階段會有超額收益。基于這樣的思路，他們建立了量化定增套利策略模型，年化可以到10%-20%，但是波動也比較大。
最后分享的策略是基于量化均線突破策略——短線交易策略。這個策略用在所有的股票上，分析、識別均線和K線形態，在歷史上滿足這個形態的樣本，就可以滿足這個的策略，一般持有1到3天。這個策略效果還不錯，只是可容納的資金有限，如果擴大樣本量，還會有比較好的結果的。
何翔對自己團隊的策略如數家珍，看得出來，對策略出來的效果巨滿意。
明天還能賺錢嗎？
隨著對量化的熟絡，越來越多的投資者進入了這個圈子，“悍馬定理”創始人馮正平給這些新的寬客提出了寶貴建議：
原來做主觀交易的投資者有盤感、經驗、好心態、能夠操作大資金，建議他們組建一個團隊，和一些做量化投資者結合起來，一起做市場，會少走彎路。
現貨投資者，因為原來現貨做的好，規模大，擁有豐富的社會資源，基于現貨市場的定價機制形成了自己的一些的方式，如果做量化，建議他們先實現程序化，做一些套保或者對沖，無需高深的數學知識也會收入頗豐。
如果是純量化投資者，因將來的發展趨勢會更加智能化，所以要向更復雜的非線性的數據工具傾斜。
對于量化投資的未來發展趨勢，丁鵬認為會形成兩大流派，一個是策略流派，一個是工具流派。策略流派是開發出各種各樣的好策略，發現更多的機會；工具流派是用傳統的策略，但工具做得更好、數據更全、效率更高、數據更快。
關鍵詞：分析 短線
中圖分類號：F832 文獻標識碼：A 文章編號：1672-3791（2012）09（c）-0252-02
2012年以來，以量化分析技術投資著稱的量化基金表現得一枝獨秀，逐漸從振蕩市中脫穎而出。一季度，上證綜指上漲2.88%，同期標準股票型基金平均業績為0.31%，而按照Wind分類的13只量化基金，其平均業績為2.92%，五行基金更是取得7.65%的正收益，在亞洲量化基金中排名第一，超越同期上證指數4.77個百分點。
美國私募基金復興科技公司的第一支純粹的量化投資基金—— 大獎章基金，從1988年3月成立至2008年的21年里，平均年度凈收益高達36%，遠遠跑贏同期道指年均8.81%的漲幅，比索羅斯、巴菲特同期的業績高出10%，原因：一是數學家基金經理；二是量化分析技術。
1 基本面分析量化分析是投資機構先后采用的2種投資技術
基本面分析，是分析員和基金經理通常采用研究財務報表，與公司高層會談，與相關人員荷香業專家討論等方式，對少數幾家公司股票（約10到100只股票）進行非常深入的研究分析，來決定要投資哪些股票以及如何投資。在基本面分析分類中，會根據行業不同，有專員長期跟蹤和深入研究其中一個行業，而這幾名專員最后則會成投資這個行業的專家。在股票市場成立以來長期采用的較為傳統的分析和投資方式就是基本面分析。基本面投資，通過企業內部財務報表的形式，來發現企業的潛在價值，以求企業得到穩定持續的高額收益，一旦買入，長期持有。
量化分析，借助數學、物理學、幾何學、心理學甚至仿生學的知識，通過建立模型，進行估值、擇時選股。量化分析員和量化基金經理，通常會同時研究全盤數千支股票，分析的方式也可以是基于公司基本面的，但是會強調量化財務指標。量化的指標（又稱因子）也可以是其他更有特色的數據。從事量化分析投資的基金經理通常不去上市公司實地調研，而是將精力放在不斷完善模型上，量化分析投資的模型是決定投資業績的關鍵，投資模型始終處于絕密狀態，不同市場設計不同的量化分析投資管理模型，在全球各種市場上進行短線交易。
2 量化分析技術獲取超額投資收益之道
在變幻莫測的市場經濟中，能否理性思考投資、不受情緒影響，將是成功的關鍵。而利用計算機的篩選得出的量化分析基金，不受投資中非理性因素影響，使投資更有計劃行、紀律性、規律性，基金管理人要做到不貪婪、不恐懼、不放棄，不受情緒影響，以一顆平常心追求利益瘦小。
量化分析，有一套完整、科學的投資體系。嚴格的紀律性是量化投資明顯區別于主動投資的重要特征。在量化分析基金的運作中，主觀判斷也會出現和量化分析模型相左的情兄，但會堅持量化分析投資的紀律，相信模型判斷的長期穩定性，不會盲目去調整改變。與傳統偏股型基金不同，量化分析基金采用獨特的投資組合管理方式，漸進動態調整基金組合。這樣不僅可以順應瞬息萬變的市場，還可以降低個股集中度，平穩投資業績。因此，這種方式并不會產生傳統意義的重倉股，也就大大降低了重倉個股的風險。
量化分析業績，來自于量化分析模型批量選股的成功率大于失敗率。量化分析的模型敏銳的“發覺”了開場環境的轉變，自動調高了評估因子、預期因子及市場反轉因子的權重，量化分析模型依此邏輯選擇的股票大部分取得較好收益，提升了整體業績。
3 量化分析技術創始人并非經濟學家。
量化分析技術并非發端于華爾街，不少人最初并非經濟學家，如巴契里耶和布萊克原先是數學家，夏普則從事醫學，奧斯伯恩為天文學家，沃金與坎德爾是統計學家，而特雷諾則是數學家兼物理學家。1970年代美國債券市場和股票市場全面崩盤，當時提出用量化分析方法管理投資組合的人是作家彼得·伯恩斯坦。1952年3月發表“投資組合選擇”論文、提出現代財務和投資理論最著名遠見的馬克維茨，以該理論勉強通過博士答辯，到1990年10月，這些人中才有三位獲得諾貝爾經濟學獎。
2012年，美國倫斯理工學院金融工程碩士李炬澎，依據5000年中國古老的《易經八卦數理》研發立體數量模型分析微觀經濟，用超高頻率政治外交詞匯、交易數據、股票期權數據、公司債務數據來做個股分析，用《五行相克相生原理》來分析自然、社會、政治、人文如何影響宏觀經濟。比如用計算機分析新聞報道中天地雷風水火山澤8中自然天文現象與宏觀經濟關聯程度，使五行基金取得亞洲量化分析投資行業第一名的業績。
4 量化分析技術應用的載體是計算機軟硬件技術的發展
馬克維茨的投資組合現代金融理論，提出了風險報酬和效率邊界概念，并據此建立了模型，成為奠基之作。托賓隨后提出了分離理論，但仍需要利用馬克維茨的系統執行高難度的運算，1961年，與馬克維茨共同獲得1990年諾貝爾獎的夏普用IBM最好的商用電腦，解出含有100只證券的問題也需要33mim。夏普1963年1月提出了“投資組合的簡化模型”（單一指數模型），簡化模型只用30s。1964年夏普又開發出資本資產定價模型（CAPM），不僅可以作為預測風險和預期回報的工具，還可以衡量投資組合的績效，以及衍生出在指數型基金、企業財務和企業投資、市場行為和資產評價等多領域的應用和理論創新。1976年，羅斯在CAPM的基礎上，提出“套利定價理論”（APT），提供一個方法評估影響股價變化的多種經濟因素。布萊克和斯克爾斯提出了“期權定價理論”。莫頓則發明了“跨期的資本資產定價模型”。
5 量化分析應用的關鍵是基本面分析無法快速精確處理豐富的金融產品和巨大交易量
1970年代以前，華爾街認為投資管理需要天賦、直覺以及獨特的駕馭市場的能力，基本面分析師、基金經理可以獨力打敗市場，而無需依靠那些缺乏靈魂、怪異的數學符號和縹緲虛幻的模型。華爾街對學術界把投資管理的藝術，轉化成通篇晦澀難懂的數學方程式一直持有敵意，1970年代初期，美國表現最佳的基金經理人從未聽過貝塔值，并認為那些擁有數學和電腦背景的學者只是一群騙子。
量化分析投資不會出現在個人投資者為主的時代。個人投資者既缺乏閑暇的時間，也普遍無此能力。僅有現資理論的建立，及各類模型的完善與推陳出新，并不會直接催生出量化分析投資，它還需要其他幾個重要前提條件，比如：機構投資者在市場中占據主導，隨著社保基金和共同基金資產的大幅增加，成為市場上的主要機構投資者，專業機構管理大規模資產，需要新的運作方式和金融創新技術，專業的投資管理人有能力和精力專注地研究、運用這些量化分析技術。
1970年代后期的Wells Fargo銀行，率先用量化分析技術管理投資組合，投資高股息股票，用較少的風險獲得了較大的收益，不用這些模型，不用電腦運算這些公式，會陷于困境。1980年代以來，面對數不勝數的各類證券產品和期權類產品，以及龐大的成交量，許多復雜的證券定價，必須靠大容量高速運算的電腦來完成。到2007年美國股市近一半的機構基金都是由量化模型來管理的。從2000年初到2007年全球量化分析基金市場連續8年表現遠遠超過其他投資方式。
6 量化分析在應對經濟危機和突發經濟事件中開拓前進
1987年10月大股災，當天股市和期貨成交量高達令人吃驚的410億美元，價值瞬間縮水6000億美元。很多股票直接通過電腦而不是經由交易所交易。一些采用投資組合保險策略的公司，在電腦模式的驅使下，不問價格機械賣出股票。很多交易員清楚這些投資組合會有大單賣出，寧愿走在前面爭相出逃，加劇了恐慌。針對整個投資組合而非單個證券，機械式的交易，電腦的自動操作，大量的空單在瞬間涌出，將市場徹底砸垮。
1997年至1998年亞洲金融危機股市暴跌，量化分析投資的算法交易也起到了同樣的壞作用。著名的長期資本管理公司，遭遇俄羅斯國債違約這一小概率事件，也陷入破產之境，迫使美聯儲集華爾街諸多投資銀行之力，加以救助。
2007年8月金融危機中，許多量化基金出現巨額損失。其原因主要是幾家大型對沖基金大量賣出它們的量化分析基金股票，去彌補其在其他投資方式上的損失。由于很大相同倉位的股票在很短的時間內被廉價賣出，從而加劇了很多投資指標的損失，尤其是價值和動量指標的損失。
2011年即使歐債金融危機發生，量化分析基金也再次表現優異，超過其他投資方式，雖然能否就此再度復興仍屬未知，此一趨勢已不可逆轉。
7 量化分析技術今后幾年全球應用的熱點在中國的A股市場
中國金融、資本、股市投資者結構很不合理，A股市場的專業投資機構持有市值的15.6%，而發達市場這一比例大致為70%。更為不合理的是交易結構，A股市場個人投資者持有市值占比26%，但卻完成了85%的交易。根據Wind分類，目前我國市場上共有13只量化基金，包含11只普通股票型基金，1只指數基金和1只偏股混合基金。
中國現有的人才和技術都難以支持完全的量化分析投資，在缺乏國際化人才和成熟模型的情況下，經營業績自然也差強人意。
量化分析今后幾年全球熱點在中國的A股市場。現在主要發達國家的股市很大程度上由量化基金所控制。為了尋找更高收益的市場，很多大型量化基金也開始大量投資于發展中國家市場，中國的A股市場是今后幾年全球量化分析投資熱點，所以近年來很多北美和歐洲的高層量化分析基金經理和分析員紛紛到中國大陸、香港和新加坡推廣量化投資技術。這是國際國內的金融市場和投資者，都要面對的機會和挑戰。
量化分析基金2002年才在中國剛剛起步，到2009年和2010年，才真正進入快速發展期，2010年末量化基金的總規模達到了779億元。雖然規模有顯著提升，但是與國外市場量化分析基金占共同基金總資產16%相比，國內量化分析基金還有非常大的發展空間。
在講究技術創新、制度創新、理念創新的“創新”時代中,基金創新無可厚非,但這種創新是否真正符合投資者利益、滿足投資者需要呢?這又另當別論。
量化基金,有點尷尬
參考國外歷史,量化投資的確是優秀的投資方法。量化基金基金經理詹姆斯?西蒙斯管理下的大獎章(Medallion)基金的年均凈回報率是35.6%,比巴菲特、索羅斯等投資大師同期的年均回報率要高出10個百分點。看似風光的量化基金在國內的表現,卻有點尷尬。
首先是身份的尷尬。國內的量化基金被冠以“類量化基金”的稱謂,“最近我去銀行,一個客戶經理向我推薦南方小康ETF。說是非常創新,是國內第一款可投資股指期貨的基金。我有點心動。”曉釗,某通訊器材公司售后工程師,已到而立之年的他,對投資理財報以更多的關注。
原因是目前國內還缺乏完全意義上的量化基金產品,這些產品對量化投資策略的運用,更多還是停留在概念層面,管理人的主觀因素占據了主導地位,缺乏數量化選股的應用,“完全量化”也并不現實;量化投資中,模型是關鍵。標準的量化基金即是將投資專家的思想、經驗和直覺反映在量化模型中,利用電腦幫助人腦處理大量信息,并進行投資決策。然而翻閱季報,卻難找到關于量化模型選股的具體介紹。
當然還有業績的尷尬。依據銀河證券基金研究中心統計,2010年第二季度,已有的8只量化基金虧損幅度在12%與21%之間。上半年在可比的166只標準股票型基金中,除了中海量化排在34名,其余量化基金均在100名以后。
分級基金,一把雙刃劍
2010年的7月,分級基金可謂是一騎絕塵。
截至7月29日,7月份表現最好的前5只股票型基金依次為銀華銳進、國泰估值進取、國投瑞銀瑞福進取、國聯安雙禧B和長盛同慶B,這5只基金毫無例外地都是帶有杠桿性質的基金。其中,銀華銳進凈值增長高達28.28%,成為7月最牛基金。
7月股市的反彈上漲,較高水平的杠桿設計,是分級基金獲得較高收益的主要原因。銀河證券首席基金分析師王群航指出,在反彈行情來臨之時,杠桿產品是博取波段收益的最好選擇。而銀華銳進等分級基金積極表現也印證了這樣的特點。
在上漲市場中,分級基金利用杠桿作用放大投資收益,可是到了熊市,杠桿作用的效果同樣存在,基金虧損也會放大。以國投瑞銀瑞福進取為例,盡管7月份凈值增長率高達20.66%,但國投瑞金進取這只杠桿基金今年以來(截至7月29日)凈值下跌幅度仍然高達23.61%。
成也“分級”,敗也“分級”,所以投資者不能因為分級基金的高回報性從而忽略其高風險性。
基金參與股指期貨,多一種投資工具而已
自4月21日《證券投資基金參與股指期貨交易指引》正式實施以來,中證南方小康ETF及聯接基金(簡稱南方小康)成為國內首只在法律文件中明確約定了投資股指期貨的基金。
基金可以參與股指期貨交易,是否意味著以后無論市場漲跌與否,都可以獲得正收益呢?很多投資者對這款產品表現出濃厚的興趣,紛紛咨詢,這也成為了目前冷清市場里較為難得的狀況。
而本文要告訴你的是,不要對其期望過高,參與股指期貨,只不過是基金增加了一種投資工具而已。
為什么這么說?首先,參與股指期貨投資不會成為基金投資的主要行為,更不會大幅度增加基金的投資業績。這是因為《證券投資基金參與股指期貨交易指引》對基金參與股指期貨的持倉規模、投資杠桿、日漸回轉交易都有嚴格控制,即參與股指期貨交易的份額只是基金投資份額中很少一部分。如南方小康在契約中規定“南方小康投資于股指期貨的比重最多不會超過基金資產的5%。”
同時,這部分較少份額基金只能利用股指期貨進行套保,它的作用主要是平緩市場波動,不會進行更大風險的投機交易,所以基金參與股指期貨的獲利空間很有限。
另外,參與股指期貨交易,基金管理人勢必要具備很強的擇時能力和期貨交易能力,這對基金管理人是一個不小的挑戰。
所以說,基金參與股指期貨交易,只不過是原來的投資工具中(如股票、債券、短期票據、權證等)增加了一種投資工具而已,不用對其有太多的期望。相信不久的將來,基金參與股指期貨交易會成為一種普遍現象。
類保本基金:沒有保本承諾
2010年7月28日,國內第一款“類保本”基金――嘉實穩固收益債券型基金公開募集。
說它類保本,是其本質上還是一只債券型基金,但采用了與保本基金一致的CPPI的保本策略。簡單來說,嘉實穩固就是一只采用保本技術的債券型基金。
應該說,類保本基金兼顧了債券型基金和保本基金的特點。首先是成本較低。相較于保本基金1%~1.5%的申購費,嘉實穩固收益在各階段的申購費均為0,且管理費、托管費也低于保本基金,還無需承擔擔保費。其次是流動性較高,嘉實穩固雖然具有類似保本基金的3年期運作周期,但可隨時靈活變現。
同時我們也該看到,類保本基金畢竟不是保本基金,沒有相應的保本條款和擔保人機制,所以不承諾保本;此外,雖然類保本基金對外宣稱“處于保本而勝保本”,強調本金的安全。然而債券型基金本身就具備收益穩定、風險較低的固定收益特征。既然債券型基金本身已經非常安全,再去強調本金安全,吸引力不夠大。
主題類基金:看上去很美
如今市面上開始涌現出一批主題類基金,他們憑借明顯個性特征的投資目標和投資標的,深深吸引著投資者的眼球。
縱觀主題類基金,有的主要投向某一行業或者領域的優質股票,比如地產、消費、低碳等,有的則根據經濟周期或者國家政策導向來指定投資決策,比如通脹通縮等,有的則更關注上市公司的本身的持續發展與道德責任。
擁有比普通基金(比如穩定增利、優勢增長、大盤藍籌等)更炫目耀眼的基金名稱,有明確導向的投資決策,吸引投資者自然不在話下。
那么拋開這層美麗的外衣,我們應該思索:主題類基金的創新對投資者的意義有多大?
其實主題類基金的內核無外乎就是投資自己看好的優質股票,說白了這與普通股票型基金并無區別。主題類基金看好的股票,普通股票型基金如果看好,照樣傾入資產進行投資,可能只是資產投入的比重不同而已;另外,主題類基金可能只專攻某一行業股票,其余行業可能不做選擇或者投入比重很少,股市瞬息萬變,很難找到長期保持優秀表現的股票。
――馬可?奧勒留，《沉思錄》
文藝復興公司的奠基人詹姆斯?西蒙斯（James Simons）認為，寬客帶給投資領域最偉大的成就在于解決問題的系統化方法。正如西蒙斯博士所說的：
“科學家帶入這場游戲中的并不是他們的數學或者計算機技巧，而是科學思考的能力。”
研究寬客最主要的原因之一是，寬客會深入思考那些非量化投資者認為理所當然的策略的許多方面。為什么會這樣？毫無疑問，計算機是一種工具，但是如果沒有絕對精確的指令，計算機也將一無是處。因此，為了讓計算機完成黑箱交易，必將付出艱苦的努力。你不能告訴計算機“發現廉價的股票”，你必須明確指出發現指的是什么，廉價指的是什么，股票是什么。
例如，發現可能包括搜索含有股票信息的數據庫，然后在市場行業內部對股票進行排序（按照行業對股票進行分類）。廉價可能意味著市盈率（P/E），投資者必須明確指出廉價的度量方法，以及滿足何種條件才可以被認為廉價。
照此，寬客可以建立一個系統，設置10倍市盈率為廉價，或者在行業內部排名，市盈率位于最后10%的被認為廉價。股票是模型的核心部分，可能是美國股票、全球股票、歐洲市場大市值股票或者寬客想交易的其他任何股票。
所有這些定義會督促我們去深入思考一些問題，策略是什么，如何實施策略等。在前面的例子中，寬客可以選擇不是在行業內部對股票進行排序。股票可以在行業內進行比較，也可以在全市場范圍內，還可以與其他有意義的股票群體內股票進行比較。重點是寬客要注意到這些，因為計算機不能自動填寫這些空白。
這樣做的好處是不言而喻的。對策略進行深入思考是一件好事情。更勝一籌的是，對于寬客和主觀判斷型交易者而言，通過對策略細致縝密的思考，能夠弄清楚問題的本質，進而執行投資策略，這是非常重要的。
在整個交易過程中，這都被認為是投資和交易成功的主要組成部分。相反，許多主觀判斷型交易者，在他們的策略說明和執行中，做得并不夠精確，看上去像臨時做出一個決定。
在BGI的主動投資領域中， “市場中性”策略取得了巨大成功。黎海威開發的香港、新加坡市場的量化模型正是運用到此類市場中性基金，它們采用的是后來名滿天下的基本面量化投資方法。簡要地說，基本面量化投資即借助一系列基本面因子構建的量化模型篩選股票，以融資融券的方式實現多空對沖，從市場中獲得絕對收益。除此以外，相關模型也運用到指數增強和130/30基金。
在黎海威看來，投資是個概率問題，通過基本面分析，提高找出好股票從而跑贏市場的概率，即贏面。如果挑選的每只股票的贏面在55%，而投資組合由100只這樣的股票構成，整個投資組合戰勝市場的概率就會接近100%。
量化投資的核心在于維持一個穩定的贏面，而在比較大的范圍（即投資的寬度）內運用它。挑選出好股票，需要從合適的維度來篩選，比如估值、盈利質量、情緒等等。這些因子都不是隨意挑選的，它們一般有金融理論背景（價值投資、行為金融等）支持， 并結合了當地市場的實際情況。
基本面量化投資并非像人們想象的只是靠跑系統選股和交易，事實上，它的本質是主動投資。這樣的投資方法，關注基本面和市場演變，需要基金經理的經驗、判斷和對市場的理解。黎海威認為，關鍵在對市場黎海威在量化投資的世界里，華人迄今掌管的最成功基金之一是巴克萊亞洲（除日本）市場中性股票投資基金。2012年8月，曾在巴克萊工作時間最長的華人基金經理黎海威，回國進入景順長城基金，擔任景順長城基金的量化及ETF投資總監。他即將啟動其在國內的第一個量化投資產品——景順長城滬深300指數增強基金。的理解， 在把量化框架和當地市場的實際情況結合起來，在強調紀律性的前提下， 堅持以量化模型為依托， 不斷地將新出現的現象和發現的規律抽象出來，添加到模型中。
與此同時，對于特殊事件，比如數據錯誤、 收購兼并等量化模型無法及時處理的情況， 需要基金經理在投資組合中控制相關風險。更為重要的是，因子的研究和權重的調整要有前瞻性。例如在次貸危機發生后很長一段時間里，人們對價值股沒有任何興趣，但隨著違約風險逐步降低，價值股在2010年迎來了相當強勁的行情。當時，由黎海威擔任基金經理的亞洲（除日本）市場中性股票投資基金及時調整了價值股權重，獲得很好的業績。
當然，基本面量化投資有著量化的紀律性，這是業績穩定性的保障。黎海威認為，量化投資的紀律性首先表現在量化研究的嚴謹性上。做量化投資并非像大家想象中的多空對決的精彩，反而有點像做金融的博士論文，整個研究過程從課題的提出到研究、回測都是在嚴密的框架下進行的，是可重復驗證的。
