量化投资范文1
“没有互联网大数据的时候，量化投资技术仅仅是机构投资者使用，有了互联网大数据，量化投资便成为普惠金融，成为中小投资者能够采用的投资方式。”1月下旬，在接受《投资者报》记者采访时，微量网络科技（北京）有限公司董事长冯永昌表示。
所谓量化投资是基于大数据分析，以统计学的思维研究市场。这在机构投资中十分常见，也深受华尔街的金融家们偏爱。而微量网正是通过互联网大数据技术，让“神秘”的量化投资“平民化”。形象的来说，中小投资者可以像去淘宝购物一样，到微量网购买一个“智能大脑”，在这个大脑的帮助下，选择投资策略，从而让赚钱成为大概率事件。
让量化投资成为普惠金融
冯永昌是北京大学光华管理学院培养的第一批统计学博士，2007年进入嘉实基金。在此期间，他注意到基金投资时，大量使用量化投资策略，但当时的量化交易工具，都是基于本地网络，受本地用电、网络环境稳定性等情况约束，存在交易风险。他萌生了研发一种云交易技术的想法，可以将交易托管在云端。
冯永昌离开嘉实基金后，第一个合伙人是后来的“余额宝之父”周晓明。当时他们想一起做一个结合互联网技术，用量化交易方式进行投资的基金，但当时有资金、有策略，却缺乏相应的技术，冯永昌决定先解决技术问题，于是他创办了一家软件科技企业。
在研发相关技术的过程中，冯永昌认识到，这项技术既然可以帮他解决量化投资中存在的问题，也可以帮助中小投资者采用量化投资的方式进行投资。基于互联网技术，可以搭建这样一个平台，有能力提供投资策略的人或机构，在这个平台上销售自己的投资策略，而投资者则在这个平台上购买量化交易策略，实现策略提供者和策略使用者的对接。
正是基于这样的思考，冯永昌又创办了微量网。
“微量网类似于是一个‘淘宝商城’，商城中既包括针对投资者的量化投资策略评价和推荐，也包括针对策略提供者的策略生产和出售。而投资者只需在这个平台上，按照自己的风险偏好，购买某个投资策略，选择开始，就可以委托网络机器人来管理自己的投资。”冯永昌介绍。
截至2015年1月底，已有近千个策略被提供到微量网平台。而微量网也拥有了大量使用者，其中有理财者、也有股民和期民，理财者主要通过债券逆回购方式进行投资理财，而股民和期民则主要使用程序化交易和量化投资的策略，即将自己的账号与微量网绑定，在微量网上购买策略，然后进行证券、期货交易。
冯永昌当初设计的时候，就将微量网的用户定位为100万元投资规模以下的中小投资者。数据显示，目前微量网的用户以资金额在30万元左右的投资者为主。微量网的出现让“高大上”的量化投资变成了中小投资者也可以使用的工具。
低门槛的投资平台
股民李华（化名），原来在国泰君安开户炒股，为了体验在微量网进行量化投资，近期又在与微量网有合作关系的光大证券开户，投资数万元，“尝鲜”微量网，他选了两个策略组合进行交易。
以前李华自己炒股的时候，一直担心自己知道什么时候买，但不知道什么时候卖，以及该卖的时候，自己没时间顾不上卖。使用微量网投资，可以通过绑定策略来止损，每个策略都有自己的止损点，也可以设置账户止损，李华给自己账号设置为亏损15%就自动止损，这让李华颇感放心。李华介绍，进行量化投资半个多月以来，他的投资略有盈余，他期待微量网能够帮助他解决卖出股票的时机问题。
冯永昌评价，微量网就是将碎片化的投资管理能力集合起来，使之变成微量网上的策略，传递给微量网的用户，缩短散户和机构之间的差距。
在股市，知道什么时候买，不知道什么时候卖，是学生;知道什么时候买，也知道什么时候卖，是老师;而微量网则更进一步，高度纪律化，能够精准无误地保证执行，降低人为情绪波动的影响，基于大数据，对投资做出判断和选择，降低风险。
然而，微量网如何确保平台上策略提供者策略的有效性？冯永昌解释，微量网是一个C2C的平台，任何自然人都可以给微量网提供交易策略，但微量网会以专业的技术力量对策略进行长期跟踪，严格审核，通过实测验证等手段，保证其有效。策略提供者还要负责维护策略，对其进行必要的修正。
“微量网会以第三方专业的技术力量对策略进行长期跟踪，还会观察策略的风险特征及市场环境等，所有结果都会在用户端详细展示，帮助投资者进行选择。”冯永昌说。
还将继续“烧钱”
来自微量网的统计显示，在去年12月9日（当天上证综指和深圳成指都达到了单日最大振幅9%），微量网70%的策略创造了期货、股票市场新高，80%用户创造了单日3%以上的收益，股指期货策略尤为出色，当日用户受益45%以上。而在今年“1・19”股灾当天，微量网的用户同样实现了十分可观的收益。
冯永昌评价，市场波动越大，投资者通过量化交易套利的空间就越大，还可以尽量规避风险。因此股市等市场波动大的时候，恰是推广微量网的最好时机，2015年微量网将会加大市场推广力度。
微量网此前已经接受过一轮天使投资，目前正在进行新一轮融资。与新投资机构的谈判已进行了数月，预计将很快会结束谈判，引入新的资金。
“新的资金进来后，微量网会继续‘烧钱’，会界面更友好的版本，充实研发团队和客服工作人员，继续以较低的价格将策略提供给使用者。”冯永昌介绍。
量化投资范文2
【关键词】量化投资 量化投资策略 资产配置
量化投资是投资者借助计算机信息化建立数学模型，把最新市场数据和相关信息输入到模型中，通过公式计算出投资对象，做出最优投资决策。量化投资不依靠投资者的感觉直觉，不依赖个人判断，而是将其经验利用信息通过模型实现投资理念。同时，投资者期望达到收益和风险的合理配比，利用夏普比率等科学方法控制收益和风险。量化投资者不用每天重复的分析琐碎信息，只需要不断完善这个模型并不断创造新的可以盈利的模型。
二、量化投资策略
（一）量化投资策略分类
量化投资策略，主要包括量化择时策略、统计套利策略、算法交易策略、组合套利策略、高频交易策略等。
（1）量化择时策略是收益率最高的一种交易策略，通过对宏微观指标的量化分析判断未来经济走势并确定买入、卖出或持有，按照高抛低吸原则获得超额收益率。在量化择时策略中，趋势跟踪策略是投资者使用最多的策略。量化择时分析策略包括：趋势跟踪策略、噪音交易策略、理易策略。
（2）统计套利是风险套利的一种，通过对历史数据的统计分析，利用统计学理论，估计相关变量的概率分布，判断规律在未来一段时间内是否继续存在。统计套利策略包括协整策略和配对利差策略、均值回归策略以及多因素回归策略。
（3）算法交易又称为自动交易，主要是研究如何利用各种下单方法，降低冲击成本的交易策略，将一个大额交易通过算法拆分成数个小额交易，以此来减少对市场价格造成冲击，降低交易成本。算法交易策略包括交易量加权平均价格策略、时间加权平均价格策略、盯住盘口测量、执行落差策略、下单路径优选策略。
（4）组合套利策略主要针对期货市场上的跨期、跨市及跨品种套利的交易策略。组合套利策略包括均衡价格策略、套利区间策略、牛市跨期套利、熊市跨期套利等。
（5）高频交易是一种持仓时间短、交易量巨大、交易次数多、单笔收益率低的投资策略，人们从无法利用的极为短暂的市场变化中寻求获利的计算机化交易，依靠快速大量的计算机交易以获取高额稳定的收益。高频交易策略包括流动性回扣交易策略、猎物算法交易策略和自动做市商策略。
如下是量化投资中几种主要的投资交易策略：
（1）趋势跟踪策略。趋势跟踪策略追随大的走势，向上突破重要的压力线可能预示着更大一波的上涨趋势，向下突破重要的支撑线可能预示着更大一波的下跌趋势。趋势跟踪策略试图寻找大趋势的到来，在突破的时候进行相应的建仓或平仓的投资操作来获得超额收益。
趋势型指标进行择时的基本理念是顺势而为，跟踪市场运行趋势。在趋势策略中使用的技术指标是最多的，常用有：移动平均线（MA）、平滑异动移动平均线（MACD）、平均差（DMA）、趋指标（DMI）等。
（2）噪音交易策略。噪声交易是指交易者在缺乏正确信息的情况下进行密集交易的行为。有效市场中噪声只是一个均值为零的随机扰动项，但市场并不总是有效的，市场上有很多异常信息，往往有人能够提前获得这些异常信息，很可能对投资的判断提供重要的价值。噪声交易策略的运用主要是机构投资者通过计算得到市场的噪声交易指数，监测该指数的变化，根据其变化来设计量化交易策略。
（3）协整策略。在统计套利策略中，协整策略是应用最广泛的一种策略。协整套利的主要原理，是找出相关性最好的几组产品，再找出每一组的协整关系，当某一组投资产品的价差偏离到一定程度时建仓，买入被低估的资产、卖出被高估的资产，当价差均衡时获利了结平仓。协整策略包括协整检验、GARCH检验、TARCH检验以及EGARCH检验。
（4）多因素回归策略。多因素回归策略，也是一种被广泛使用的投资策略。这一策略利用影响投资收益的多种选择因素，并根据其与收益的相关性，建立多元回归模型，简化投资组合分析所要求的证券相关系数的输入，这类方法的代表是套利定价模型。
（二）量化投资策略组合
量化投资策略组合综合考虑交易商品、策略类别、策略数量、时间周期因素。量化投资策略组合相比较单一投资策略有以下优势：
（1）策略组合降低了对单一策略的依赖，当单一策略失去竞争力，使用策略组合的方式，可以利用不同产品价格变化、变化幅度、周期等多个方面把握投资机会，在一定程度上保证了稳定的收益率，盈利机会更多；
（2）策略组合可以分散单一策略的交易风险，降低风险，通过策略组合将投资风险分散化，尽可能规避市场风险、策略风险及系统风险等。
三、量化投资资产配置
资产配置是指资产类别选择，即投资组合中各类资产的适当配置及对这些混合资产进行实时管理。量化投资管理打破了传统投资组合的局限，它与量化分析结合，将投资组合作为一个整体，确定组合资产的配置目标和分配比例，深化了资产配置的内涵。
资产配置包括战略资产配置和战术资产配置两大类。战略资产配置是长期资产配置，针对较长时间的市场情况，控制长期投资风险以达到收益最大化。战术性资产配置是依据资产预期收益的短期变化，获取超额收益的机会。因此，战术资产配置是建立在长期战略资产配置过程中的短期分配策略，二者相辅相成。在长期投资活动的战略资产配置下，战术性资产配置利用其积极的灵活的投资机会，适当的配合战略资产配置，获取较高收益。
四、前景展望
在量化投资飞速发展的今天，它己经成为金融市场中不可忽视的一个领域，中国的金融市场在逐步发展及完善，中国的量化投资也会继续发展和前进，随着量化投资方面的加大投入，量化投资的进程加快，中国量化投资的前景无限。
参考文献：
量化投资范文3
[关键词]量化投资；策略代码；趋势跟踪；回溯
[DOI]10.13939/ki.zgsc.2017.15.135
在如今每位公民都想通过金融产品投资的方式来增加个人资产的时代，量化基金的高收益率逐渐被投资者所知。西蒙斯，一位世界级的数学家以年净赚15亿美元成为全球收入最高的对冲基金经理，名气可谓超过金融巨鳄索罗斯。大奖章年化以35%超越股神巴菲特年化20%的收益神话。而在2016年5月《机构投资者》旗下出版物《阿尔法》公布的“2016年全球收入最高的对冲基金经理”排行榜中前十位有八位为量化基金经理，前25位有一半属于量化分析。由此可见海外对冲基金的焦点正从宏观对冲基金转向量化对冲基金。
而在国内，量化基金正处于起步阶段，国内对于量化投资策略的研究较少。笔者以量化投资平台上自主开发的策略代码为例，通过对代码的编写优化及检验回测，使读者了解到量化投资的可操作性和高回报性。
1 量化投资策略概述
量化投资是计算机通过开发者编写的程序来进行分析以及交易整个的品种选择、交易时机、交易方向以及仓位管理都是通过计算机完成。它避免了投资者个人的情绪影响，完全自动化操作，和如今的工业2.0类似。一个稳定的量化投资策略往往可以胜任一位投资者的多种操作策略，尤其在风险管理上量化投资更胜一筹。
国内的主流量化交易平台有文华赢智、TB、金字塔决策交易系统和国泰安量化投资平台等。国内的量化交易平台繁多，而与海外动辄数百上千亿美元的量化基金相比，国内目前量化产品规模总体不大，而严格遵循量化投资理念的基金更少。并且A股市场发展时间较短，与发达国家比起来市场效率低太多，所以A股有很大的市场空间和盈利机会。本文以程序化实现简单、性价比高等特点的文华赢智为程序化交易平台为例，为防止成果泄露，以上证指数为模型进行探究。
首先，笔者先阐述如何建立一个量化投资策略。
（1）交易思路的确立。不仅仅是量化投资，就算是普通的投资者也需要一套自己的交易体系。赚不到钱，赔钱，一直观望，总之，所有交易中的不幸都可以归咎于没有一套自己的交易系统或者自己的交易系统有问题。
（2）将思路编写成投资策略。这一项是量化投资的关键，如何将自己的投资思路转变为C器代码，首先是由你所在的交易平台所搭建的语言决定的，例如文华赢智就是使用的比较简单的麦语言。其次需要对使用的技术指标进行组合搭建，编写出可运行的代码。
（3）在计算机上进行回测，选取最优目标组合和参数。技术指标的参数设置往往决定了整个交易系统的成败，一点点小的误差往往会导致千差万别的结果。笔者格外强调资金管理是投资体系中非常重要的部分，却是大多数投资者忽略的环节，这需要读者进行不断学习研究。
（4）进行实盘操作，在操作中不断完善投资策略，评价该交易代码。评价程序化交易模型性能优劣的指标体系包含很多测试项目，但主要评价指标有年化收益率、最大资产回撤、收益风险比、夏普比率、胜率与盈亏比等。在下文中笔者将对这些评价指标进行分析。
2 量化投资策略代码分析：以文华赢智交易平台为例
在文华赢智中，进入趋势模型跟踪编写平台，利用麦语言中已存在的函数进行编写，现笔者将自行编写的其中的一个策略代码贴出：
MA1：=MA（C，N1）；//多头均线
RSV：=（CLOSE-LLV（LOW，N））/（HHV（HIGH，N）-LLV（LOW，N））×100；//收盘价与N周期最低值做差，N周期最高值与N周期最低值做差，两差之间做比值定义为RSV
K：=EMA（RSV，2×M1-1）；//RSV的指数移动平均
D：=EMA（K，2×M2-1）；//K值的指数移动平均
C>MA1 AND CROSS（K，D）；//MA1均线上方，KD金叉，买入
CROSS（D，K）；//KD死叉卖出平仓
参数设置：[N1=10，N=44，M1=M2=27]
笔者需要对参数的设置进行重点提醒。测试参数的不同会对测试结果产生非常大的影响，对于参数的精确设置影响到交易模型的可行与否。
这其中，笔者进行的是顺势交易的代码编写。顺势交易，是顺着当前的趋势进行交易。如果当前趋势上升就买入开仓，当前趋势下跌就卖出开仓。为了防止恶意做空，本策略只进行多头行情的研究，空头行情并没有叠加进来，所以收益率要比双向行情要低。
下面对此策略代码进行回溯。对交易模型的测试结果是否满意主要与品种、时间、手续费费率有关。不同的品种相同的策略有不同的结果，测试的品种越多，越能检验出策略模型的适用性。在时间上，如果所采用的历史数据越少、时间跨度越短，测试的市场状况就越狭窄，策略的可靠性就越差，反之亦然。手续费费率的影响就不用多提，但是有关滑点的问题也是策略需要多加研究的方面。
交易人员最关注的是策略到底能否盈利，能赚多少。交易的盈亏额能完全反映这一点。在如下的季度统计图和年度统计图中可以看出从2009年8月到2014年11月各有盈亏，比较温和，总体的波动幅度并不大。而从2014年11月开始，出现了一直盈利并且幅度较大的状况，尤其是2016年年初的季度，最高的盈利额达到了110354元，这比2014年前总的盈利还要多。而从2016年第一季度后出现了亏损，但是幅度并不大，而后又出现了盈利的情况。该策略在该时间段是盈利的，符合模型最基本的要求，季度统计图和年统计图如图1所示。
交易者在一个策略中拥有的资产总和也是其关注的重点。假如交易者所用的权益小于某一理想的数值，他可能会停止该策略的继续进行，这也是我们常说的回撤问题。在如下的权益曲线图中，交易者的权益几乎是一直递增，并且在2014年年末后斜率变大，由此我们可以得出使用该策略几乎不存在回撤问题，对于交易者的心态有着积极的作用。权益曲线图如图2所示。
每次交易的盈亏额也是交易者关注的问题，如果亏损数量过大，再加上杠杆的作用，可能就会出现爆仓的问题。首先说明，此回溯并没有加进杠杆因素，国内保证金按保守20%计算，也就是5倍杠杆，虽然不太大，可是影响还是有的。在如下的盈亏分布图中，可以看出最大的一笔亏损出现在第500次左右交易时，亏损额为27523，而最大的盈利额也是出现在附近，盈利为32916，看来这附近的波动很大，应该有政策因素在内的影响。该策略总体来说单次盈亏额波动并不大，比较稳健。盈亏分布图如图3所示。
只有图表并不能准确地反映出策略的完全可行性，下面将此策略的测算报告给予公布。
我们从测算报告中可以很容易得出此策略一共测试了2772天，无杠杆收益率为六年50%，而且只是多头策略。而自2017年2月17日结算时起，沪深300、上证50股指期货非套期保值交易保证金调整为20%，所以5倍杠杆的话就为250%。如果只看重策略的收益率却忽略了回撤风险是极其冒险的激进策略。如果策略的收益风险比相同，但是结果还是要取决于资金管理决策。
笔者在此将夏普比率进行说明。评价策略的优劣应从收益值和风险一起考虑。调整风险后的收益率就是一个同时考虑进了收益和风险的指标，能够排除风险对评价的不利影响。1966年，夏普提出了著名的夏普比率：S=（R-r）/σ（R为平均回舐剩r为无风险投资的回报率，σ为回报率的标准方差）。此公式表示为尽量用最合适的方法用小风险换得大回报。如果为正值就说明投资收益比银行存款利息高。比率越大说明所获的风险回报越高。该策略的夏普比率为22.83，可见是一个理想的策略模型。
3 结 论
笔者所提供的文化赢智策略模型只是量化投资的冰山一角。继续加强量化平台的完善，编写多种多样的策略，研究新的投资模型，实盘验证等将是量化投资的发展重点。
量化投资已经成为金融的一个重要专业领域。国内多家机构投资者都在加大在量化投资方面的投入，加快量化投资的进程。量化投资为机构投资者的投资决策能力的提升提供了新的平台。相信量化投资在中国的前景无限。
参考文献：
[1]韩锦.程序化交易模型的测试与评估[N].期货日报，2015-03-04（003）.
量化投资范文4
寒暄已毕，坐定后，银华基金量化投资部总监周毅用他惯常的平缓语速说道。
《投资者报》记者第一次采访周毅在2010年3月，那时，银华基金正推出国内第一个杠杆指数基金，作为产品的设计者，基金经理也由他担任。
谈及国内基金产品创新，在华尔街做了11年量化投资并参与过房地美等资产抵押债券设计的周毅自谦道，只是将国外的产品移植到中国市场。
从北大计算机系到华尔街操盘手，1998年到2008年期间，周毅亲身体验了互联网泡沫的“过山车”以及次债的摧枯拉朽。
前一次危机“迫使”他转身做了金融，后一次让他下定决心离开华尔街回国。
传统上人们认为，有完善的投资、研究体系才是投资的内涵，但周毅看来，这是投资的一小部分。
“与传统的基于投研平台的投资不同，量化投资更多依靠模型和程序，所以有时候在华尔街，量化投资交易员的地位比较高。”
这算是一个量化投资者的立场。
从北大到华尔街
周毅的求学之路可谓顺利。高中毕业后，他被保送北大，选了当时热门的计算机专业，四年后，在留学热潮中，又赴美国南卡罗来纳大学继续深造。
但求职之路并不平坦。
1998年毕业时，互联网空前繁荣，华尔街互联网人才紧俏。周毅和他的同学们赶上了好时代，不费力就找到了一份薪水不菲、让人眼红的职业。
但此时，互联网泡沫依稀传出咝咝破裂之声。2000年，泡沫终于破灭。
回忆至此，周毅说：“像坐过山车。”
互联网繁荣带来财富以及身处行业的成就感顷刻消失。巨大的落差袭来，周毅的很多同学被迫改行做了律师，而周毅把职业的方向盘打向了美国发达的金融业，主要做计算机量化投资。
投资生涯由此起航。
1999年，他进入美国约翰・霍普金斯大学学习金融，与此同时，利用计算机强项，在普华永道金融服务部做一些量化模型。
在普华永道的八年里，他曾参与了包括导致次贷危机的房地美、房利美等资产抵押证券产品的设计。
普华永道的客户涉及华尔街各大投行和机构，内容囊括股票、债券、期货以及各种衍生品，这对周毅来说，是难得的学习机会。
“这不仅让我的职业方向转到金融，而且让我全面接触到各类金融产品。”
但他也意识到，必须有深度上的提高。2006年，周毅加入在金融衍生品方面领先的巴克莱银行，并在该部门做量化投资，与在华尔街名声凿凿的李祥林共事。
李祥林现任中金风险管理总监，在加速华尔街资产证券市场化方面贡献卓著。有人说，如果不是金融危机爆发，李很可能问鼎诺贝尔经济学奖，这间接说明巴克莱银行对金融衍生品的重视。
研发、利用先进的量化模型，发现定价有偏差的产品，用巴克莱银行的低成本融资赚取差价，这就是周此时的主要工作。
次贷危机爆发后，金融衍生品遭受摧毁性打击。
2008年，周毅以巴克莱亚太公司副董事身份转战香港，做相对简单的股票及债权衍生品投资。此后，为照顾亲人回到北京。
把海外思路带回国
对一个长期与衍生品打交道的人来说，回国能做什么？
“当时直观感觉，自己能做的其实有限。”对A股不了解，在华尔街擅长的东西也用不上。国内投资领域能与其沾边的只有指数基金占主体的量化投资。
量化投资方法是相对于定性投资而言，后者主要靠人力，前者主要靠计算机以及数据模型。
2009年底，周毅加盟银华基金，当时银华量化投资还是一片空白。
摆在他面前最迫切的问题是，该从哪里切入。
“既然不了解A股，我不大可能直接把美国或中国香港市场用的量化投资模型直接应用到A股投资中，这从逻辑上讲不通。”
指数基金被动化管理成了突破口。
根据华尔街的经验，周毅深切地明白，指数基金的产品研发、创新、先发优势最重要。然而，当时国内跟踪沪深300等优质标的指数基金已经很多，在跟踪标的上难以获得先发优势，产品形式创新成为不二选择。
“看到这种情况，我在想，在形式上要有别于国内其他产品，做别人没有的东西，才有取胜的可能性。”
结合国内证券市场的条件及A 股的特征，周毅把目光放在了国外已经流行的杠杆指数基金上。
虽然在周毅看来，这算不上什么创新，但在国内首次吃螃蟹，总免不了一些曲折。先想到国外普遍采取与券商做互换的方式做杠杆，然而，由于潜在的信用风险被他否定。
“这条路堵死之后，我们选择了当时国内已经有的分级基金，这虽然不能做完美的杠杆指数基金，但是一定程度上可以实现我的想法。”
经过几个月的奔波，2010年3月，银华深证100分级基金发行，在随后的7月到10月，该基金让市场见识了杠杆基金的魅力。其间，银华深证100锐进份额上涨了109%，而其跟踪的指数深证100上涨了50%。
2010年4月，股指期货推出后，引进做空机制成为现实。
目前，用对冲策略做创新是周的一个着力点。记者了解到，银华旗下已有三只专户产品运用了对冲策略。
“具体做法就是用股指期货空头做等量对冲，其实就是做减法，比如，把超越沪深300指数的收益，通过等量对冲变成绝对收益，尽量降低风险。”
量化投资范文5
【关键词】量化投资 A股市场 国外金融市场
一、量化投资在外国市场的发展及其特征
量化投资在欧美的应用已超过30年，最为传奇的是华尔街的对冲基金经理詹姆斯・西蒙斯创立的复兴科技公司旗下的大奖章基金。从1989年起，复兴科技公司的大奖章基金的年回报率平均高达35%，大奖章基金被誉为最成功的对冲基金。截止到1999年12月底的11年，大奖章基金累计的回报是2478.6%，是原资产的25倍。另一个为人们熟知的是美国长期资本管理公司。该公司成立于1994年2月，是一家主要从事定息债务工具套利活动的对冲基金。1994年到1997年，长期资本管理公司的投资回报率分别为28.5%、42.8%、40.8%、17.1%。无疑，量化投资在美国市场的运用是成功的。时至今日，量化投资已经成为美国市场中一种重要的投资方法。到2009年，量化投资比重已经上升到30%以上，主动投资产品中有20%～30%使用了定量的技术（丁鹏，2012）。
量化投资最典型的特征就是通过建立数学量化模型进行交易，它是建立在大量历史数据的基础上、建立反应某种特定规律的数学模型、在此基础上进行程序化交易。具体而言，就是从那些瞬息万变的市场变化中去寻找能够获得微小利润的计算机化交易，关键在于捕捉到人们无法利用的短暂价差来实现套利。模型可以看作医院里面的各种先进的医学诊断仪器，医生通过这些先进诊断仪器对病人进行扫描化验，获取反映病人的身体状况的指标数据，然后通过获取的数据去判断病人所患的疾病，从而对症下药。类似地，量化投资就是在市场中不断去寻找套利机会，其实就像是在发现市场的不易察觉的“疾病”，依托于模型的扫描和检测，获得市场的各项关键指标数据，从而找出套利机会，然后做出投资决策。量化投资需要精湛的计算机编程技术，其主要形式是程序化交易。程序化交易绝大多数都是高频数据交易，其特点是：计算机自动完成；交易量巨大；持仓时间很短，当日频繁交易；每笔收益率很低，但总体收益稳定。高频数据交易的核心是模型算法，负责策略及机会，速度是关键保障，因此大机构一般在交易所大楼旁租高速光缆建立交易室。目前，美国股市总体成交量约70%是高频交易，而涉及机构仅占2%。
具体到股票市场，目前，股票市场上有很多风格各异的分析流派，其中最为人们熟知的有两个分析流派。其一是技术分析，其二就是基本面分析。但是另外一种在国外已经非常的成熟的方法即量化投资方法却很少为人们所知。
二、量化投资在A股市场的发展
相对于量化投资交易量占据70%的发达金融市场，国内量化投资的发展才刚刚起步。在中国A股市场在整个投资市场所占据的规模又有绝对的优势，所以，量化投资在A股市场的发展前景就决定了量化投资在整个金融市场的发展前景。
目前，量化投资在A股市场的发展还有很多局限性。首先，我国A股市场的投资主体仍是噪声交易的的中小规模散户，导致资金规模不够集中，无法发挥资金的规模效应，不利于程序化规模交易的推广。其次，量化投资具有频繁交易，持仓时间较短的特点。由于A股市场还不是T+0的交易制度，这就决定了量化投资在A股市场还不备大规模运用的前提。最后，创新能力不足。即使是目前已经开发的几只量化投资基金，同质化现象也非常明显。核心策略仍然局限于技术指标和均线系统的搭配运用，缺乏多元化程序化交易策略库的支持。
在看到局限性的同时，我们也应该看到其广阔的发展前景：
第一，与欧美比较成熟的金融市场相比，我国证券市场的发展历史还很短，只有区区二十多年的时间，随着A股市场的进一步发展，比如规模进一步扩大，实行T+0的交易制度等，量化投资的发展前景就会愈发宽广。同时，量化投资是一种套利交易，这就决定了弱有效市场是其耐以生存的土壤。由于我国投资者队伍参差不齐、不够成熟，这就给通过发掘市场非有效性来获取阿尔法收益带来了更多机会；
第二，量化投资的技术和方法在国内还是新手事物，竞争者很少。相对于目前证券市场上传统的定性投资者太多，机会很少，竞争过于激烈而言，量化投资者较少，机会很多，这就给量化投资创造了良好的发展机遇。在这方面，只要引进成熟的量化投资人才，增强开发差异化模型的创新性，避免模型过于单一，就会为量化投资的发展带来新的曙光。
第三，一旦量化投资在A股市场逐渐得到认可，及所表现出的相对于传统投资方法的优势，就会产生一种加速效应：中小规模投资者看到量化投资所带来的可观回报，但同时自己不具备量化投资的能力和条件，这就会促使中小投资者把钱交给优秀的量化投资团队，从而加速量化投资规模的扩大。
第四，融资融券和股指期货的推出使得A股市场可以做空，使得量化投资策略面临着又一重大机遇。在各种制度逐渐成熟的情况下，运用量化投资的方法，将成为中国市场未来投资策略的一个重要发展趋势。
量化投资也是一把双刃剑，在给投资者进行规避风险和套利的同时，也会在一定程度上带来风险，对股票具有助涨助跌的作用。通过对国外市场的发展和中国市场的发展进行对比研究，制定适合中国市场的相关的法律法规也势在必行。
参考文献：
[1]丁鹏.量化投资：策略与技术[M].电子工业出版社，2012.
[2] 纳兰著， 郭剑光译.打开量化投资的黑箱[M].机械工业出版社，2012.
量化投资范文6
摘 要 自2010年4月股指期货推出后，数量化投资逐渐成为我国资本市场的一个热点。对此，本文以投资者熟知的MACD指标为基础，运用遗传算法和模拟退火算法，建立了一个数量化投资模型。该模型的仿真投资收益明显超出大盘，而风险明显低于大盘。本文基于MACD指标建立数量化投资模型的方法简单、有效，可操作性强，可方便地推广至其他技术指标，在数量化投资领域中可能具有广泛的发展前景。
关键词 数量化投资 MACD 遗传算法 模拟退火算法
一、研究背景
与传统投资基于各方面信息和个人判断进行操作不同，数量化投资将适当的金融理论、投资经验等反映在数量模型中，然后利用程序软件代替大脑对海量信息进行科学处理，总结归纳市场规律，最终建立可以重复使用的、不依靠个人主观判断的投资策略。
由于数量化投资的操作策略往往经过了严格的验证，具有较强的系统性和规范性，主观随意性较少，风险可测可控，因此随着计算机数据处理能力的迅速提高，数量化投资获得了快速发展，数量化基金的规模亦迅速扩大。据统计，自2003年以来，数量化基金规模的年均增长速度高达15%，而传统型基金规模的增长速度则低于5%。
很显然，科学的数量模型是数量化投资成败的关键。当前，主流的数量模型均考虑了多方面的因素，既包括各种基本面因素，又包括各种技术因素，涉及较为高深的经济学、金融学、技术分析等知识，模型都比较复杂，理解难度较高，甚至令人望而生畏。对此，本文以人们熟知的技术指标为基础，通过引入遗传算法和模拟退火算法对参数进行优化，建立了一种较为简单、有效的数量模型构建方法，希望能为推动我国刚刚起步的数量化投资发展有所帮助。
二、模型框架
由于MACD指标以经平滑后的股票价格为基础，而股票价格包含了绝大部分的基本信息和技术信息，因此本文以MACD指标为基础研究建立相应的数量化投资模型。
（一）MACD公式
MACD是投资者最熟悉的技术指标之一，主要包括EMA、DIF和DEA三个指标，涉及一个已知变量（收盘价P）和三个未知参数（ 和 ），公式较为简单。
（二）决策准则
虽然MACD指标的运用方式有很多种，既存在对指标值的应用（如比较DIF和DEA的大小），又存在对形态的应用（如底背离、顶背离等）。对此，本文制定的决策准则相当简单，即：
时，做多
时，做空
三、模型参数优化
（一）参数的科学取值是决定MACD指标投资决策价值的一个关键因素
在一般的技术分析参考书和交易软件中， 和 通常取12、26和9。然而，该取值并不是最优的。
例如，以2005年1月5日至2010年12月31的沪深300指数为例，根据（公式1）和（公式2），做多业务在 和 取值12、26和9时，可获得的投资收益为230.55%（收益①）；而在 和 取40、195、130时，可获得的投资收益为651.98%（收益②）。
因此，参数取值是否合理决定了使用MACD指标进行投资决策时投资收益的高低，决定了MACD指标的投资决策价值。
（二）人工智能算法在技术指标参数优化领域中的突出优势
运用MACD指标建立数量化投资模型的关键在于对公式中的三个参数进行优化。然而，虽然参数取值与投资收益间存在确定的函数关系，但该关系并不能用一个表达式予以直接阐述，因此传统的解析方法在此并不适用。而其他传统方法如随机法和穷举法的优化效率不高。在此情况下，可运用人工智能算法有效解决此类优化难题。
遗传算法（Genetic Algorithms）和模拟退火算法（Simulated Annealing Algorithms）是人工智能的重要分支，两者均从一定的初始值开始，按照明确的规则搜索最优解，并不要求目标函数存在明确的表达式，且具有高效、鲁棒性强等特点。由于技术指标参数与投资收益间的关系相当复杂，不存在明确的函数关系式，因此遗传算法和模拟退火算法在技术指标参数优化领域中具有很高的应用价值。
此外，遗传算法和模拟退火算法的基本原理和运算过程虽然较为复杂，但其运用却相当简单，MATLAB等数据处理软件均提供了现成的工具箱供用户方便地使用，且即使不掌握参数优化的原理和运算过程，也不会对数量模型的研究产生重大影响，因此运用遗传算法和模拟退火算法对技术指标参数进行优化的可操作性强。
（三）遗传算法和模拟退火算法应用举例
1.MATLAB指令
假设投资收益R和参数 、 间的关系为R=gain( 、 )，则MATLAB的遗传算法指令和模拟退火算法指令分别为：
[x,fval] = ga(@gain,nvars, [],[],[],[],lb,ub,[],options)；
[x,fval] = simulannealbnd(@gain,x0,lb,ub,options)。
其中：
x和fval是程序返回值，分别为参数 、 的最优化取值及其所对应的投资收益；
gain是目标函数，可根据（公式1）、（公式2）和（公式3）编写；
nvars是待优化的参数个数；
x0是参数 、 的初始值；
lb是参数的下界；
ub是参数的上界；
options是MATLAB指令的设置选项。
