策略的生成才是最重要的培训资料

策略的生成才是最重

要的

量化交易本身并不神秘，将历史数据做成统计上的规律，以严格的数学逻辑来实现。

股票定价分成两部分：Beta（股票和市场关联的部分）、Alpha（风险也是超收益的来源）。

最著名的风险管理数学模型是VaR（即Value atRisk）模型，其中以JP摩根的风险矩阵（RiskMetrics）为主要代表。

用量化的方法来做有很大的优势，特别是在越高频的领域，就越有可复制的一些信息和足够大的数据点，量化就有其非常大的优势。

从长远来看，用科学的算法执行交易策略能避开主观交易的缺陷，同时也要注意策略的局限性，它不是万能的。

在股市和期市上，高频交易基本占到60%以上的交易量，但其容量比较有限，而且百分之几百的收益率很快就只能跑自营资金，对资产管理而言没有大的意义，主要用来实现交易员自身财富的增值。

海外还是以统计套利为主。

量化与对冲是两个不同的概念，可以做量化不对冲，也可以做对冲不量化，这也是对同行的一个启示，不一定要做量化加对冲才可被市场所接受。

量化投资的好处是可以适应不同经济环境和市场环境，去除人为情绪的干预，也可以覆盖投资的全过程。

趋势法，根据市场表现、强势、弱势、盘整等不同的形态做出对应的投资行为的方法，可以追随趋势，也可以进行反转操作。

现在每天股指交易量在几万手，去年是几百万手，所以很多对冲策略受到了很大限制。一种应对方法是做量化择时模型，用量化做择时其实就是CTA模型。

通过对时间序列的建模，选择预测几率大的时机交易，避开收益风险比低的时刻，再结合量化选股，就可以实现收益比较高的策略。

在策略同等收益风险比的情况下，要首选跟经济周期不相关的策略，并且对于其和逆经济周期的策略，要增加权重。

股指期货是根据现货的价格进行交割的，所以没有逼仓，纯从金融行业量化角度而言，股指期货是比商品期货更好的套利标的。

主观选股也是Alpha策略。

量化交易策略和主观判断交易策略的主要差别：策略如何生成以及策略如何实施。在我看来，策略的生成才是最重要的，对于策略实施，量化和主观交易策略完全可以使用同一个模型。

数据挖掘技术相对于简单的基本面量化模型，有一个较高的门槛，优势是可以更大限度地获取市场行为。现在的神经网络、深度学习等都可能是大家今后的发展方向。

对投资者来讲，量化就是一个黑匣子，存在很多不可控因素。

风险管理不只是规避风险或者减少损失，而是通过对敞口实施有目的的选择和规模控制，从而提高回报的质量和持续性。限制风险的大小，头寸规模限制是风险管理的一种重要形式。

量化策略的优点：系统性、稳定性、可复制性；缺点：容易趋同。

演讲正文：

一、量化交易的历史与现状

1、量化交易的历史

量化交易本身并不神秘，将历史数据做成统计上的规律，以严格的数学逻辑来实现。由于计算机自八、九十年代以来才得到速度上的发展，所以量化投资才开始比较广泛的应用。

实际上，在1952年哈里·马科维茨(HarryM. Markowitz)提出的均值-方差模型就第一次将数理工具引入金融研究。后来，CAPM（资本资产定价模型）已成为度量证券风险的基本量化模型。原来人们不清楚股票是如何定价的，有了CAMP以来，人们将股票定价分成两部分：Beta（股票和市场关联的部分）、Alpha（风险也是超收益的来源），股票的量化模型可以通过做空股票或做空股指来对冲掉Beta的风险来实现Alpha的收益。

1973年，Black和Scholes建立了期权定价模型。其实之前已经有少数的从业者运用类似的模型从市场上获取稳定的高收益，但这一模型是第一次系统化地实现了期权的定价模型。基本现在所有的基础包括期权的报价，都认为Black和Scholes是期权定价的基础模型。

20世纪90年代，一个大进展是用数学方法来管理风险，最著名的风险管理数学模型是VaR（即Value at Risk）模型，其中以JP.摩根的风险矩阵（RiskMetrics）为主要代表。即使不做量化，也可以用VaR的方式和RiskMetrics来评估头寸风险，通过风险模型来降低风险，从而提高收益风险比。

20世纪末至今，非线性科学的研究方法为人们进一步探索金融科学数量化的发展,提供了最有力的研究武器。像神经网络、深度学习，最典型的案例是这个星期备受关注的AlphaGo与李世石的人机围棋大战，两盘完善李世石，在结构化数据和有无限的数据来源的情况下，人类基本上没有取胜的可能性。在投资方面还是有点不同的，一是因为有很多非结构化的信息，二是数据点的有限。但用量化的方法来做有很大的优势，特别是在越高频的领域，就越有可复

制的一些信息和足够大的数据点，量化就有其非常大的优势；相对而言，在长周期的投资上，量化并没有较大的优势，因为缺乏数据点，且依赖于很多非结构化的信息。

2、海外量化基金的发展

海外大规模的量化分为两块：一、从历史时间看最早是CTA基金，五十年代、六十年代做商品策略的人都知道芝加哥有一个非常有名且简单的量化模型——海龟算法，在五十年代到八十年代的商品市场上发挥了非常好的效果。二、从更大规模以及数学模型更复杂看是为大家所知的文艺复兴基金（1988年左右成立），从1990年到2012年实现了平均35%的年回报率，而且扣除了基金管理费用和很高的业绩提成，近10年来管理费为5%，业绩提成为44%，扣除之后年化收益率还有35%，所以近20年的实际年化收益率应该有近70%，基本超越了所有的主观基金。这在海外不称为高频，主要是几分钟到10天左右的预测，主要使用价量模型，在这方面取得了非常好的收益风险比和极高的收益，基本每年都是正回报，而且在剧烈波动的2008年达到100%多的费后收益。

然而并非所有的量化模型都是成功的。从历史上也证明了这一点，长期资本管理公司的失败，2008年也有不少跟长期资本类似的策略倒闭。还有高盛的Global Alpha 基金在出现"黑天鹅"时用历史数据预测未来的失败。从长远来看，用科学的算法执行交易策略能避开主观交易的缺陷，同时也要注意策略的局限性，它不是万能的。

3、海外量化策略的实战运用

现在国外比较通行的一些量化交易策略，其中交易量最大的是高频交易，很多是高频股票、高频期货和高频期权策略。高频股票像Tower research capital；高频期权做市像citadel，也做高频商品和高频股票，其中国分部在去年股票市上赚了20亿左右，基本每天都是正盈利；还有以期货为代表的还有Jump trading。在股市和期市上，高频交易基本占到60%以上的交易量，但其