投資量化研究最重要的問題

A. 量化分析培訓最近很流行，我想知道相比價值投資等傳統的投資方法，量化都有什麼優勢呢

Qmacd量化學習社區中的學習資料蠻多的，你可以先設定個計劃自學試試。實在不懂再報班

B. 國內除了券商、基金,哪些公司在量化投資研究方面領先具體有哪些方面的優勢

還有一些私募的投資公司也很有心得的
本人認識的賦騁萬投資管理有限公司還可以

C. 量化投資的優勢是什麼，金昉毅老師怎麼看待

嗯量化投資的優勢是什麼金以防老師怎麼看的而這個我覺得吧量化投資就是說他專注於某一個方面

D. 量化分析的量化投資策略

量化投資技術幾乎覆蓋了投資的全過程，包括量化選股、量化擇時、股指期貨套利、商品期貨套利、統計套利、演算法交易，資產配置，風險控制等。
1·量化選股
量化選股就是採用數量的方法判斷某個公司是否值得買入的行為。根據某個方法，如果該公司滿足了該方法的條件，則放入股票池，如果不滿足，則從股票池中剔除。量化選股的方法有很多種，總的來說，可以分為公司估值法、趨勢法和資金法三大類
2·量化擇時
股市的可預測性問題與有效市場假說密切相關。如果有效市場理論或有效市場假說成立，股票價格充分反映了所有相關的信息，價格變化服從隨機遊走，股票價格的預測則毫無意義。眾多的研究發現我國股市的指數收益中，存在經典線性相關之外的非線性相關，從而拒絕了隨機遊走的假設，指出股價的波動不是完全隨機的，它貌似隨機、雜亂，但在其復雜表面的背後，卻隱藏著確定性的機制，因此存在可預測成分。
3·股指期貨套利
股指期貨套利是指利用股指期貨市場存在的不合理價格，同時參與股指期貨與股票現貨市場交易，或者同時進行不同期限，不同(但相近)類別股票指數合約交易，以賺取差價的行為，股指期貨套利主要分為期現套利和跨期套利兩種。股指期貨套利的研究主要包括現貨構建、套利定價、保證金管理、沖擊成本、成分股調整等內容。
4·商品期貨套利
商品期貨套利盈利的邏輯原理是基於以下幾個方面 ：(1)相關商品在不同地點、不同時間對應都有一個合理的價格差價。(2)由於價格的波動性，價格差價經常出現不合理。(3)不合理必然要回到合理。(4)不合理回到合理的這部分價格區間就是盈利區間。
5·統計套利
有別於無風險套利，統計套利是利用證券價格的歷史統計規律進行套利，是一種風險套利，其風險在於這種歷史統計規律在未來一段時間內是否繼續存在。統計套利在方法上可以分為兩類，一類是利用股票的收益率序列建模，目標是在組合的β值等於零的前提下實現alpha 收益，我們稱之為β中性策略；另一類是利用股票的價格序列的協整關系建模，我們稱之為協整策略。
6·期權套利
期權套利交易是指同時買進賣出同一相關期貨但不同敲定價格或不同到期月份的看漲或看跌期權合約，希望在日後對沖交易部位或履約時獲利的交易。期權套利的交易策略和方式多種多樣，是多種相關期權交易的組合，具體包括：水平套利、垂直套利、轉換套利、反向轉換套利、跨式套利、蝶式套利、飛鷹式套利等。
7·演算法交易
演算法交易又被稱為自動交易、黑盒交易或者機器交易，它指的是通過使用計算機程序來發出交易指令。在交易中，程序可以決定的范圍包括交易時間的選擇、交易的價格、甚至可以包括最後需要成交的證券數量。根據各個演算法交易中演算法的主動程度不同，可以把不同演算法交易分為被動型演算法交易、主動型演算法交易、綜合型演算法交易三大類。
8·資產配置
資產配置是指資產類別選擇，投資組合中各類資產的適當配置以及對這些混合資產進行實時管理。量化投資管理將傳統投資組合理論與量化分析技術的結合，極大地豐富了資產配置的內涵，形成了現代資產配置理論的基本框架。它突破了傳統積極型投資和指數型投資的局限，將投資方法建立在對各種資產類股票公開數據的統計分析上，通過比較不同資產類的統計特徵，建立數學模型，進而確定組合資產的配置目標和分配比例。

E. 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。

F. 量化投資的四大特點

其實，定量投資和傳統的定性投資本質上是相同的，二者都是基於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。 所有的決策都是依據模型做出的。我們有三個模型：一是大類資產配置模型、二是行業模型、三是股票模型。根據大類資產配置決定股票和債券投資比例；按照行業配置模型確定超配或低配的行業；依靠股票模型挑選股票。紀律性首先表現在依靠模型和相信模型，每一天決策之前，首先要運行模型，根據模型的運行結果進行決策，而不是憑感覺。
有人問，模型出錯怎麼辦？不可否認，模型可能出錯，就像CT機可能誤診病人一樣。但是，在大概率下，CT機是不會出錯的，所以，醫生沒有拋棄CT機，我的模型在大概率下是不出錯的，所以，我還是相信我的模型。
紀律性的好處很多，可以克服人性的弱點，如貪婪、恐懼、僥幸心理，也可以克服認知偏差，行為金融理論在這方面有許多論述。紀律化的另外一個好處是可跟蹤。定量投資作為一種定性思想的理性應用，客觀地在組合中去體現這樣的組合思想。一個好的投資方法應該是一個「透明的盒子」。
我們的每一個決策都是有理有據的，特別是有數據支持的。如果有人質問我，某年某月某一天，你為什麼購買某支股票的，我會打開系統，系統會顯示出當時被選擇的這只股票與其他的股票相比在成長面上、估值上、動量上、技術指標上的得分情況，這個評價是非常全面的，只有匯總得分比其他得分要高才有說服力。 具體表現為「三多」。首先表現在多層次，包括在大類資產配置、行業選擇、精選個股三個層次上我們都有模型；其次是多角度，定量投資的核心投資思想包括宏觀周期、市場結構、估值、成長、盈利質量、分析師盈利預測、市場情緒等多個角度；再者就是多數據，就是海量數據的處理。
人腦處理信息的能力是有限的，當一個資本市場只有100隻股票，這對定性投資基金經理是有優勢的，他可以深刻分析這100家公司。但在一個很大的資本市場，比如有成千上萬只股票的時候，強大的定量投資的信息處理能力能反映它的優勢，能捕捉更多的投資機會，拓展更大的投資機會。 這表現為兩個方面，一是定量投資不斷的從歷史中挖掘有望在未來重復的歷史規律並且加以利用。二是依靠一組股票取勝，而不是一個或幾個股票取勝。

G. 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。

H. 真正的量化投資是什麼

對歷史數據進行統計分類，包括基本面和技術面，然後對影響股市漲跌的因素內進行歸納，找出一容個模型，這個模型不能保證你一直賺錢，但能確定你長期一直賺錢。然後對這個模型拿到當下的行情中測驗，如果能經受得住時間的洗禮（短線要三個月，中線，一兩年，長線五六年，在現實中往往是短線，西蒙斯的就是短線），那麼這個模型就是可以的，值得使用的。然後在操盤中，只根據模型發出的信號做為買賣依據，任何個人的主觀意念都是錯的。本人就在一個投資公司做交易員和研發員，就是搞量化投資的，不過主要做的是大宗期貨和股指，一星期進行二十資左右的交易，收益不錯。。。量化投資的本質是對規律的總結和模式化交易，避免個人心裡影響成果。因為市場上最大的敵人是自已的內心，貪，嗔，痴等情感。

I. 如何對投資風險進行量化

風險量化是衡量風險概率和風險對項目目標影響程度的過程，往往通過風險及風險的相互作用的估算來評價項目可能結果的范圍。它依據風險管理計劃、風險及風險條件排序表、歷史資料、專家判斷及其他計劃成果，利用靈敏度分析、決策分析與模擬的方法與技術，得到量化序列表、項目確認研究以及所需應急資源等量化結果。風險量化的基本內容就是確定哪些實踐需要制定應對措施，即量化測評某一事件或事物帶來的影響或損失的可能程度，有利於企業或個人更好的了解、把握風險，並提前對風險做出防範措施。
各企業（如：商業銀行）提前進行風險量化和風險評估，有助於該企業提前根據風險量化結果，研究風險性質，分析風險影響，尋求風險對策等，當今社會，在金融科技迅速發展的趨勢下，重復性的人工勞動已經被利用量化模型、演算法系統輔助的風險量化逐漸取代，量化成為金融領域的科學方法。但這並不是說量化可以解決一切問題，而是說對於金融科技公司，需要利用風險量化來指導交易活動。
關於金融機構風控「冷啟動」和風險量化的難題，風信子風控雲作為信貸全流程一體化金融科技平台，集數據、模型、規則、流程和機器學習於一體，通過大數據採集、分析、攔截、反欺詐、機器學習、特徵、評分和決策等8大核心引擎來打造平台和解決問題，將信貸全流程管控以評分卡的形式量化，完整實現了基於大數據和人工智慧的線上智能信貸評估。此外，風信子系列產品還有面向中小企業的信用分析量化平台——風信子觀象台，平台通過大數據分析模型和風險決策模型，從不同維度為企業畫像，向金融機構輸出風信子四維企業分析報告，幫助金融機構做出最終決策。
金融業如今正受風險量化的理念影響，識別、計量和控制風險等能力迅速提高，風險量化的管理水平也不斷提升中，金融科技公司的一些業務問題逐步得到解決。