量化投資發展

❶ 量化投資好做嗎，這份工作有多難

比較專業，還需專業人士來做。

❷ 學習金融資產管理和量化投資 發展前景如何

相對於美國成熟的資產管理業務發展歷史，中國的資產管理有著12年年輕的歷史。正因為是起步階段，人們能看到其無限發展空間和巨大潛力。一些大的金融機構運用資產管理進行經營，在金融危機期間保持著盈利，業內不乏有成功案例。 資產管理業務有個兩難問題，即業務擴展和風險管理的平衡問題，也就說如果業務擴展太快，太多，風險控制就會弱，如果太關注於風險控制的話，可能業務擴展會慢。其實觀察成功的案例會發現，這兩點是可以做到平衡的。在國外金融機構會發現很多有意思的產品，比如氣象氣候、低碳、降雨量、體育等基金、債券，可是在中國卻是比較空白。其實這是市場細分的結果，舉個例子，如氣象基金，今年冬天會不會冷？如果不冷的話，使用的燃料能源就會少，就會影響這類產品，如果有天然氣產品，就可以進行價格對沖。這也是很多機構追求平穩發展來利用資產管理的原因。 拿期貨公司來說，未來將大大偏向程序化交易策略，由此形成成熟的人才團隊來更好地服務客戶，將會使期貨公司獲得永續發展，拓寬業務利潤獲取的范圍和深度。專家建議中國的資產管理業務應更重視專業性，對行業、公司、個人發展都是最重要的一點。根據麥肯錫的預計，中國的資產管理業務在未來的十年將保持每年24%的增長率，成為中國乃至世界發展最快的金融產業，可以說中國資產管理業將涌現出無限機遇。 目前國內的量化交易大概佔到市場交易量的20%，每年都在增加，特別是這兩年增長迅猛。70%的交易量由程序化交易完成，國內才剛剛起步，因此，國內的發展空間還非常巨大，產品的種類也會更加豐富，策略復雜度和交易工具的精細化也會不斷提高。 從投資者身份來看，目前量化投資者主要人群集中在期貨公司、私募基金以及券商的自營、基金公司的專戶。規模上，以私募基金為主要參與群體。 從操作風格來看，目前期貨市場有四類量化投資者，分別是阿爾法產品的使用者、趨勢性交易者、套利交易者以及高頻交易者。阿爾法產品的使用者，即利用股指期貨與股票現貨進行搭配，獲得股票的超額收益；趨勢性交易者，充分運用各種模型對價格進行預判，這種交易者的資金從幾萬到幾千萬都是存在的；套利交易，包括無風險的股指期現套利和統計套利；高頻交易者，這種一般利用期貨市場價格的微小變動進行快速交易，從而獲得高收益。 量化交易模式越來越被更多的機構投資者所採用，量化交易模式將會成為主流的交易模式。屆時，量化投資產品可能更加多樣化，量化投資將會成為金融機構爭奪客戶資源的主要工具，然後隨著量化工具更新速度的加快，量化投資的應用領域將會不斷拓寬。 由此可見，學習資產管理與量化投資對公司業務和個人的發展是十分迫切並且必要的。

❸ 什麼是量化投資，量化投資在中國的發展

量化投資是指通過數量化模型建立科學投資體系，以獲取穩定收益。在海外版的發展已有30多年權的歷史，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。在國內，量化投資不再是一個陌生的詞彙，近幾年得到了迅猛的發展。可在應用過程中學習量化投資

❹ 量化投資什麼意思

量化投資是指通過數量化方式及計算機程序化發出買賣指令，以獲取穩定收益為目的的交易方式。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。從全球市場的參與主體來看，按照管理資產的規模，全球排名前四以及前六位中的五家資管機構，都是依靠計算機技術來開展投資決策，由量化及程序化交易所管理的資金規模在不斷擴大。

量化投資可以理解成在投資時需要用到數學、統計學、信息技術等知識；投資者會搜集大量的數據，然後藉助計算機系統強大的信息處理能力，同時採用先進的數學模型替代人為的主觀判斷，在控制風險的前提下實現最大化的收益。

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，量化投資並不算新，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。同時，機器學習的發展也對量化投資起了促進作用。

量化投資的優勢

量化投資的優勢有很多，比如投資的策略都是根據大規模的數據得出的，而且在執行時不會受投資者情緒的影響，能夠有效克服認知的偏差；可以快速的跟蹤市場變化，不斷發現能夠提供超額收益的新統計模型，尋找新的交易機會。

量化投資的優勢還有分散性，在有效控制風險的前提下，量化投資可以起到分散化投資的工具，比如量化投資可以從歷史數據中挖掘出一定的規律並且加以利用，這些規律可以較大概率獲取投資收益。

量化投資vs定性投資

量化投資區別於定性投資的鮮明特徵就是模型，對於量化投資中模型與人的關系，大家也比較關心。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、聞、問、切，最後判斷出的結果，很大程度上基於中醫的經驗，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，這些都要依託於醫學儀器，最後得出結論，對症下葯。

定性投資和定量投資的具體做法有差異，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裡；定量投資更像是西醫，依靠模型判斷，模型對於定量投資基金經理的作用就像CT機對於醫生的作用。在每一天的投資運作之前，我會先用模型對整個市場進行一次全面的檢查和掃描，然後根據檢查和掃描結果做出投資決策。

❺ 什麼是量化投資

你好，量化投資，簡單地說就是利用數學、統計學、信息技術的量化投資方法來管理投資組合。

❻ 量化投資在中國前景如何

在 國 內 ，量化 交易的 相 對前 景 是 非 常好的。 近 些 年經 濟 轉 型， 實體 哀 嚎一篇 ， 還 有 很 多回 老人 等著 吃 飯， 你 憑 什 么超 過 別人。而 量 化在國內答尚且 還 是 年 輕的行業 ，有 你 發 展的 空 間 。 你 現 在需 要 勇 氣 和 正確的道 路。 早點 接觸米 筐 量化交 易平 台對 你 的職 業 發展助 力無 窮 。

❼ 量化投資有什麼優勢 量化投資的前景

量化投資從歷史大數據入手，邏輯嚴密，止損嚴格，免除了人為判斷的失誤專，而且可以通過頻繁的交易頻屬率獲得不菲的收益。但是也有對應的缺點，如交易系統需要不斷完善，防止泄密，並且開發成本高，同時因為量化交易造成的市場恐慌可能會有大面積拋盤造成市場的瞬間崩潰。不過，我覺得總體而言，量化交易就想人工智慧阿爾法狗一樣，發展前進無限，新事物總有這樣那樣的不完美，就好比一開始的汽車跑不過賽馬一樣，但遲早把舊事物淘汰，世道必進後勝於今

❽ 量化投資的前景

隨著20世紀80年代以來各類證券和期權類產品的豐富和交易量的大增，華爾街已別無選擇，不用這些模型，不使用電腦運算這些公式，他們便會陷於困境，自招風險。1997~1998年亞洲金融危機，市場暴跌，量化投資的演算法交易也起到了同樣的壞作用。此外，始於2007年的金融危機中，量化投資也未能倖免。時過境遷，2011年，量化基金再次表現優異。
稍微接觸到資本市場的人，大都聽說過基本面投資和價值投資，而對於這方面的天才人物「股神」巴菲特，更是幾乎家喻戶曉，婦孺皆知。他以企業財務報表的分析見長，擅長挖掘企業的內在價值，一旦買入便長期持有，持續獲得穩定高額收益，為股東創造了豐厚利潤，無人能及。
相比之下，與價值投資同等重要的量化投資——即藉助數學、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、擇時及選股，則沒有那麼幸運——在大多數人眼裡，量化投資是一個神秘的領域，深不可測，玄奧無比，令人望而卻步。世人皆知巴菲特，而對於號稱最能賺錢的基金經理人、在20年的時間里創造了年均凈回報率高達35%驚人傳奇的量化投資大師西蒙斯，卻只能成為少數人的專屬。
量化投資看似神秘，但並不古老。它從70年代開始逐漸興起，90年代才大行其道。之所以如此，是因為量化投資有其誕生的特定土壤，需要一系列的條件方能破土而出，這些條件其實相當苛刻。
很難想像，量化投資技術並非發端於華爾街，而是肇始於學術象牙塔里的少數「怪才」，他們長期不被正統的經濟學所接受，甚至遭到排斥，因此處境艱難。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洞見的馬克維茨，以該理論參加博士答辯，竟然戰戰兢兢差點未獲通過。1990年10月，這些人中有三位獲得諾貝爾經濟學獎，當時局外人很少有人清楚為什麼他們能夠得此殊榮；而三人中的其中一位則將他們的獲獎比作「芝加哥業余球隊贏得了世界盃」。
但是，沒有來自象牙塔的現代金融理論，便沒有量化投資的興起。馬克維茨的投資組合理論，提出了風險報酬和效率邊界概念，並據此建立了模型，成為奠基之作。托賓隨後提出了分離理論，但仍需要利用馬克維茨的系統執行高難度的運算。
夏普1963年1月提出了「投資組合的簡化模型」，一般稱為「單一指數模型」。馬克維茨模型費時33分鍾的計算，簡化模型只用30秒，並因節省了電腦內存，可以處理相對前者8倍以上的標的證券。1964年，夏普又發展出資本資產定價模型(CAPM)，這是他最重要的突破，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」。
有趣的是，不少人最初並非經濟學家，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。他們轉行都是被金融市場研究所深深吸引，沉迷於其中的無窮魅力。
然而，僅有現代投資（行情 股吧 買賣點）理論的建立，及各類模型的完善與推陳出新，並不會直接催生出量化投資，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，電腦技術足夠發達，以及傳統華爾街投資家的傲慢被市場擊潰轉而被迫接受新的投資理念。
量化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。隨著退休基金和共同基金資產的大幅增加，它們成為市場上的主要機構投資者，並委託專業機構進行投資操作。管理大規模資產，需要新的運作方式和金融創新技術，同時專業的投資管理人也有能力和精力專注地研究、運用這些技術。
沒有發達的電腦技術，量化投資也將成為無源之水，無米之炊。在電腦革命發生前，根本無法根據上述模型進行運算。1961年，與馬克維茨共同獲得1990年諾貝爾獎的夏普曾說，當時即使是用IBM最好的商用電腦，解出含有100隻證券的問題也需要33分鍾。當今，面對數不勝數的證券產品，以及龐大的成交量，缺了先進電腦的運算速度和容量，許多復雜的證券定價甚至不可能完成。
量化投資在不經歷市場的崩盤，傲慢投資者的自信未被摧毀之前，不會盛行。比較早的時候，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。他們認為，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。在美國，70年代初期表現最佳的基金經理人從未聽過貝塔值，並認為那些擁有數學和電腦背景的學者只是一群騙子。
1973~1974年美國債券市場和股票市場全面崩盤，明星基金經理人煙消雲散，財富縮水堪比30年代大蕭條。當時，頗有先見的投資顧問兼作家彼得·伯恩斯坦認為，必須採用更好的方法管理投資組合，並創辦了《投資組合》雜志，一出刊便獲得成功。此後，隨著80年代以來各類證券和期權類產品的豐富和交易量的大增.量化投資光彩炫目，但也具有魔鬼般的力量。它時而風光無限，但也常常墜入深淵。
1987年10月大股災，黑色星期一，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。很多股份直接通過電腦而不是經由交易所交易。一些採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，寧願走在前面爭相出逃，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，使得這種量化投資出現助跌之效，大量的空單在瞬間湧出，將市場徹底砸垮。
在此次亞洲金融危機中，著名的長期資本管理公司，這家來自學術象牙塔的怪才充斥、主要運用量化投資技術的對沖基金，曾經在市場上呼風喚雨、無往不利，但偏偏遭遇俄羅斯國債違約這一小概率事件，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。此外，始於2007年的金融危機中，量化投資也未能倖免。
雖然麻煩不斷，但量化投資依然必要且有效。要知道，在本次金融危機發生前，量化基金的表現連續8年超過其他投資方式。當然，挫折也會帶來量化投資技術的更新和完善，比如在模型中設定新的變數，尤其是加入以往並未包含的宏觀經濟參數。時過境遷，2011年，量化基金再次表現優異。雖然量化投資能否就此再度復興仍屬未知，但由本文先前的討論，漫漫歷史長河，此一趨勢已不可逆轉，量化投資依然擁有光明的未來。
德意志銀行的董事總經理、全球量化投資主管羅崟先生在激烈的競爭中脫穎而出，奪得全球最權威的《機構投資者》期刊2011年美國和歐洲量化分析第一名的佳績。在華爾街40餘年排名史上，罕有華人獲此殊榮。《金融時報》慧眼識金，就此專門做了訪談，並囑我就量化投資寫篇評論。我欣然命筆，並藉此祝願量化投資在中國的資本市場上，能夠早日生根。

❾ 量化投資的主要方法和前沿進展

量化投資是通過計算機對金融大數據進行量化分析的基礎上產生交易決策機制。設計金融數學和計算機的知識和技術，主要有人工智慧、數據挖掘、小波分析、支持向量機、分形理論和隨機過程這幾種。
1．人工智慧
人工智慧（Artificial Intelligence，AI）是研究使用計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理、製造類似於人腦智能的計算機，使計算機能實現更高層次的應用。人工智慧將涉及計算機科學、心理學、哲學和語言學等學科，可以說幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智慧與思維科學的關系是實踐和理論的關系，人工智慧是處於思維科學的技術應用層次，是它的一個應用分支。
從思維觀點看，人工智慧不僅限於邏輯思維，還要考慮形象思維、靈感思維才能促進人工智慧的突破性發展，數學常被認為是多種學科的基礎科學，因此人工智慧學科也必須借用數學工具。數學不僅在標准邏輯、模糊數學等范圍發揮作用，進入人工智慧學科後也能促進其得到更快的發展。
金融投資是一項復雜的、綜合了各種知識與技術的學科，對智能的要求非常高。所以人工智慧的很多技術可以用於量化投資分析中，包括專家系統、機器學習、神經網路、遺傳演算法等。
2．數據挖掘
數據挖掘（Data Mining）是從大量的、不完全的、有雜訊的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的，但又是潛在有用的信息和知識的過程。
與數據挖掘相近的同義詞有數據融合、數據分析和決策支持等。在量化投資中，數據挖掘的主要技術包括關聯分析、分類/預測、聚類分析等。
關聯分析是研究兩個或兩個以上變數的取值之間存在某種規律性。例如，研究股票的某些因子發生變化後，對未來一段時間股價之間的關聯關系。關聯分為簡單關聯、時序關聯和因果關聯。關聯分析的目的是找出資料庫中隱藏的關聯網。一般用支持度和可信度兩個閾值來度量關聯規則的相關性，還不斷引入興趣度、相關性等參數，使得所挖掘的規則更符合需求。
分類就是找出一個類別的概念描述，它代表了這類數據的整體信息，即該類的內涵描述，並用這種描述來構造模型，一般用規則或決策樹模式表示。分類是利用訓練數據集通過一定的演算法而求得分類規則。分類可被用於規則描述和預測。
預測是利用歷史數據找出變化規律，建立模型，並由此模型對未來數據的種類及特徵進行預測。預測關心的是精度和不確定性，通常用預測方差來度量。
聚類就是利用數據的相似性判斷出數據的聚合程度，使得同一個類別中的數據盡可能相似，不同類別的數據盡可能相異。
3．小波分析
小波（Wavelet）這一術語，顧名思義，小波就是小的波形。所謂「小」是指它具有衰減性；而稱之為「波」則是指它的波動性，其振幅正負相間的震盪形式。與傅里葉變換相比，小波變換是時間（空間）頻率的局部化分析，它通過伸縮平移運算對信號（函數）逐步進行多尺度細化，最終達到高頻處時間細分，低頻處頻率細分，能自動適應時頻信號分析的要求，從而可聚焦到信號的任意細節，解決了傅里葉變換的困難問題，成為繼傅里葉變換以來在科學方法上的重大突破，因此也有人把小波變換稱為數學顯微鏡。
小波分析在量化投資中的主要作用是進行波形處理。任何投資品種的走勢都可以看做是一種波形，其中包含了很多噪音信號。利用小波分析，可以進行波形的去噪、重構、診斷、識別等，從而實現對未來走勢的判斷。
4．支持向量機
支持向量機（Support Vector Machine，SVM）方法是通過一個非線性映射，把樣本空間映射到一個高維乃至無窮維的特徵空間中（Hilbert空間），使得在原來的樣本空間中非線性可分的問題轉化為在特徵空間中的線性可分的問題，簡單地說，就是升維和線性化。升維就是把樣本向高維空間做映射，一般情況下這會增加計算的復雜性，甚至會引起維數災難，因而人們很少問津。但是作為分類、回歸等問題來說，很可能在低維樣本空間無法線性處理的樣本集，在高維特徵空間中卻可以通過一個線性超平面實現線性劃分（或回歸）。
一般的升維都會帶來計算的復雜化，SVM方法巧妙地解決了這個難題：應用核函數的展開定理，就不需要知道非線性映射的顯式表達式；由於是在高維特徵空間中建立線性學習機，所以與線性模型相比，不但幾乎不增加計算的復雜性，而且在某種程度上避免了維數災難。這一切要歸功於核函數的展開和計算理論。
正因為有這個優勢，使得SVM特別適合於進行有關分類和預測問題的處理，這就使得它在量化投資中有了很大的用武之地。
5．分形理論
被譽為大自然的幾何學的分形理論（Fractal），是現代數學的一個新分支，但其本質卻是一種新的世界觀和方法論。它與動力系統的混沌理論交叉結合，相輔相成。它承認世界的局部可能在一定條件下，在某一方面（形態、結構、信息、功能、時間、能量等）表現出與整體的相似性，它承認空間維數的變化既可以是離散的也可以是連續的，因而極大地拓展了研究視野。
自相似原則和迭代生成原則是分形理論的重要原則。它表示分形在通常的幾何變換下具有不變性，即標度無關性。分形形體中的自相似性可以是完全相同的，也可以是統計意義上的相似。迭代生成原則是指可以從局部的分形通過某種遞歸方法生成更大的整體圖形。
分形理論既是非線性科學的前沿和重要分支，又是一門新興的橫斷學科。作為一種方法論和認識論，其啟示是多方面的：一是分形整體與局部形態的相似，啟發人們通過認識部分來認識整體，從有限中認識無限；二是分形揭示了介於整體與部分、有序與無序、復雜與簡單之間的新形態、新秩序；三是分形從一特定層面揭示了世界普遍聯系和統一的圖景。
由於這種特徵，使得分形理論在量化投資中得到了廣泛的應用，主要可以用於金融時序數列的分解與重構，並在此基礎上進行數列的預測。
6．隨機過程
隨機過程（Stochastic Process）是一連串隨機事件動態關系的定量描述。隨機過程論與其他數學分支如位勢論、微分方程、力學及復變函數論等有密切的聯系，是在自然科學、工程科學及社會科學各領域中研究隨機現象的重要工具。隨機過程論目前已得到廣泛的應用，在諸如天氣預報、統計物理、天體物理、運籌決策、經濟數學、安全科學、人口理論、可靠性及計算機科學等很多領域都要經常用到隨機過程的理論來建立數學模型。
研究隨機過程的方法多種多樣，主要可以分為兩大類：一類是概率方法，其中用到軌道性質、隨機微分方程等；另一類是分析的方法，其中用到測度論、微分方程、半群理論、函數堆和希爾伯特空間等，實際研究中常常兩種方法並用。另外組合方法和代數方法在某些特殊隨機過程的研究中也有一定作用。研究的主要內容有：多指標隨機過程、無窮質點與馬爾科夫過程、概率與位勢及各種特殊過程的專題討論等。
其中，馬爾科夫過程很適於金融時序數列的預測，是在量化投資中的典型應用。
現階段量化投資在基金投資方面使用的比較多，也有部分投資機構合券商的交易系統應用了智能選股的技術。