量化投資理論的發展

⑴ 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。

⑵ 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。

⑶ 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。

⑷ 量化投資國外最新發展動態

前幾天剛去參加過一個上海的量化投資和高頻交易的高峰論壇，目前國外和台灣在這塊做的都是非常領先的。
向國內一提到量化投資，想到最多的僅僅是程序化交易，而程序化交易僅僅是量化了成交量以及價格等市場因素，國外那邊對於基本面量化等等都有了很系統的一套解決方案，包括風險的量化，尤其是重中之重。

⑸ 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。

⑹ 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

⑺ 量化投資

沒有你想的書

我多年來都有關注這方面的書 可是也沒有在國內找到

數量化投資是將投資理念及策略通過具體指標、參數的設計，體現到具體的模型中，讓模型對市場進行不帶任何情緒的跟蹤；相對於傳統投資方式來說，具有快速高效、客觀理性、收益與風險平衡和個股與組合平衡等四大特點。量化投資技術幾乎覆蓋了投資的全過程，包括估值與選股、資產配置與組合優化、訂單生成與交易執行、績效評估和風險管理等，在各個環節都有不同的方法及量化模型：

一、估值與選股

估值：對上市公司進行估值是公司基本面分析的重要方法，在「價值投資」的基本邏輯下，可以通過對公司的估值判斷二級市場股票價格的扭曲程度，繼而找出價值被低估或高估的股票，作為投資決策的參考。對上市公司的估值包括相對估值法和絕對估值法，相對估值法主要採用乘數方法，如PE估值法、PB估值法、PS估值法、PEG估值法、PSG估值法、EV/EBITDA估值法等；絕對估值法主要採用折現的方法，如公司自由現金流模型、股權自由現金流模型和股利折現模型等。相對估值法因簡單易懂，便於計算而被廣泛使用；絕對估值法因基礎數據缺乏及不符合模型要求的全流通假設而一直處於非主流地位。隨著全流通時代的到來和國內證券市場的快速發展，絕對估值法正逐漸受到重視。

選股：在當前品種繁多的資本市場中，從浩瀚復雜的數據背後選出適合自己投資風格的股票變得越加困難。在基本面研究的基礎上結合量化分析的手段就可以構建數量化選股策略，主流的選股方法如下：

資產配置方法與模型
資產配置類別 資產配置層次 資產配置方法 資產配置模型
戰略資產配置 全球資產配置 大類資產配置 行業風格配置 收益測度 風險測度 估計方法 馬克維茨 MV 模型 均值 -LPM 模型 VaR 約束模型 Black-Litterman 模型
戰術資產配置 ( 動態資產配置 ) 周期判斷 風格判斷 時機判斷 行業輪動策略 風格輪動策略 Alpha 策略 投資組合保險策略

基本面選股：通過對上市公司財務指標的分析，找出影響股價的重要因子，如：與收益指標相關的盈利能力、與現金流指標相關的獲現能力、與負債率指標相關的償債能力、與凈資產指標相關的成長能力、與周轉率指標相關的資產管理能力等。然後通過建立股價與因子之間的關系模型得出對股票收益的預測。股價與因子的關系模型分為結構模型和統計模型兩類：結構模型給出股票的收益和因子之間的直觀表達，實用性較強，包括價值型(本傑明·格雷厄姆—防禦價值型、查爾斯·布蘭迪—價值型等)、成長型(德伍·切斯—大型成長動能、葛廉·畢克斯達夫—中大型成長股等)、價值成長型(沃倫·巴菲特—優質企業選擇法、彼得·林奇—GARP價值成長法等)三種選股方法；統計模型是用統計方法提取出近似線性無關的因子建立模型，這種建模方法因不需先驗知識且可以檢驗模型的有效性，被眾多經濟學家推崇，包括主成分法、極大似然法等。

多因素選股：通過尋找引起股價共同變動的因素，建立收益與聯動因素間線性相關關系的多因素模型。影響股價的共同因素包括宏觀因子、市場因子和統計因子(通過統計方法得到)三大類，通過逐步回歸和分層回歸的方法對三類因素進行選取，然後通過主成分分析選出解釋度較高的某幾個指標來反映原有的大部分信息。多因素模型對因子的選擇有很高的要求，因子的選擇可依賴統計方法、投資經驗或二者的結合，所選的因子要有統計意義上或市場意義上的顯著性，一般可從動量、波動性、成長性、規模、價值、活躍性及收益性等方面選擇指標來解釋股票的收益率。

動量、反向選股：動量選股策略是指分析股票在過去相對短期的表現，事先對股票收益和交易量設定條件，當條件滿足時買進或賣出股票的投資策略，該投資策略基於投資者對股票中期的反應不足和保守心理，在投資行為上表現為購買過去幾個月表現好的股票而賣出過去幾個月表現差的股票。反向選股策略則基於投資者的錨定和過度自信的心理特徵，認為投資者會對上市公司的業績狀況做出持續過度反應，形成對業績差的公司業績過分低估和業績的好公司業績過分高估的現象，這為投資者利用反向投資策略提供了套利機會，在投資行為上表現為買進過去表現差的股票而賣出過去表現好的股票。反向選股策略是行為金融學理論發展至今最為成熟，也是最受關注的策略之一。

二、資產配置

資產配置指資產類別選擇、投資組合中各類資產的配置比例以及對這些混合資產進行實時管理。資產配置一般包括兩大類別、三大層次，兩大類別為戰略資產配置和戰術/動態資產配置，三大層次為全球資產配置、大類資產配置和行業風格配置。資產配置的主要方法及模型如下：

戰略資產配置針對當前市場條件，在較長的時間周期內控制投資風險，使得長期風險調整後收益最大化。戰術資產配置通常在相對較短的時間周期內，針對某種具體的市場狀態制定最優配置策略，利用市場短期波動機會獲取超額收益。因此，戰術資產配置是在長期戰略配置的過程中針對市場變化制定的短期配置策略，二者相互補充。戰略資產配置為未來較長時間內的投資活動建立業務基準，戰術資產配置通過主動把握投資機會適當偏離戰略資產配置基準，獲取超額收益。

三、股價預測

股價的可預測性與有效市場假說密切相關。如果有效市場假說成立，股價就反映了所有相關的信息，價格變化服從隨機遊走，股價的預測就毫無意義，而我國的股市遠未達到有效市場階段，因此股價時間序列不是序列無關，而是序列相關的，即歷史數據對股價的形成起作用，因此可以通過對歷史信息的分析來預測股價。

主流的股價預測模型有灰色預測模型、神經網路預測模型和支持向量機預測模型(SVM)。灰色預測模型對股價的短期變化有很強的預測能力，近年發展起來的灰色預測模型包括GM(1, 1)模型、灰色新陳代謝模型和灰色馬爾可夫模型。人工神經網路模型具有巨量並行性、存儲分布性、結構可變性、高度非線性和自組織性等特點，且可以逼近任何連續函數，目前在金融分析和預測方面已有廣泛的應用，效果較好。支持向量機模型在解決小樣本、非線性及高維模式識別問題中有許多優勢，且結構簡單，具有全局優化性和較好的泛化能力，比神經網路有更好的擬合度。

四、績效評估

作為集合投資、風險分散、專業化管理、變現性強等特點的投資產品，基金的業績雖然受到投資者的關注，但要對基金有一個全面的評價，則需要考量基金業績變動背後的形成原因、基金回報的來源等因素，績效評估能夠在這方面提供較好的視角與方法，風險調整收益、擇時/股能力、業績歸因分析、業績持續性及Fama的業績分解等指標和方法可從不同的角度對基金的績效進行評估。

績效評估模型 / 指標

績效評估准則
擇時 / 股能力
業績歸因分析
風險調整收益
業績持續性
Fama 業績分解

模型 / 指標
T-M 模型

H-M 模型

GII 模型

C-L 模型
資產配置收益

證券選擇收益

行業選擇收益

行業內個股選擇收益
RAROC

Sharp, Stutzer

Treynor, Jensen

, ,
雙向表分析

時間序列相關性
總風險收益

系統風險收益

分散化投資收益

五、基於行為金融學的投資策略

上世紀50～70年代，隨著馬科維茨組合理論、CAPM模型、MM定理及有效市場假說的提出，現代金融經濟學建立了一套成熟的理論體系，並且在學術界占據了主導地位，也被國際投資機構廣泛應用和推廣，但以上傳統經濟學的理論基石是理性人假設，在理性人假設下，市場是有效率的，但進入80年代以後，關於股票市場的一系列研究和實證發現了與理性人假設不符合的異常現象，如：日歷效應、股權溢價之謎、期權微笑、封閉式基金折溢價之謎、小盤股效應等。面對這些金融市場的異常現象，諸多研究學者從傳統金融理論的基本假設入手，放鬆關於投資者是完全理性的嚴格假設，吸收心理學的研究成果，研究股市投資者行為、價格形成機制與價格表現特徵，取得了一系列有影響的研究成果，形成了具有重要影響力的學術流派－行為金融學。

行為金融學是對傳統金融學理論的革命，也是對傳統投資實踐的挑戰。隨著行為金融理論的發展，理論界和投資界對行為金融理論和相關投資策略作了廣泛的宣傳和應用，好買認為，無論機構投資者還是個人投資者，了解行為金融學的指導意義在於：可以採取針對非理性市場行為的投資策略來實現投資目標。在大多數投資者認識到自己的錯誤以前，投資那些定價錯誤的股票，並在股價正確定位之後獲利。目前國際金融市場中比較常見且相對成熟的行為金融投資策略包括動量投資策略、反向投資策略、小盤股策略和時間分散化策略等。

六、程序化交易與演算法交易策略

根據NYSE的定義，程序化交易指任何含有15隻股票以上或單值為一百萬美元以上的交易。程序化交易強調訂單是如何生成的，即通過某種策略生成交易指令，以便實現某個特定的投資目標。程序化交易主要是大機構的工具，它們同時買進或賣出整個股票組合，而買進和賣出程序可以用來實現不同的目標，目前程序化交易策略主要包括數量化程序交易策略、動態對沖策略、指數套利策略、配對交易策略和久期平均策略等。

演算法交易，也稱自動交易、黑盒交易或無人值守交易，是使用計算機來確定訂單最佳的執行路徑、執行時間、執行價格及執行數量的交易方法，主要針對經紀商。演算法交易廣泛應用於對沖基金、企業年金、共同基金以及其他一些大型的機構投資者，他們使用演算法交易對大額訂單進行分拆，尋找最佳路由和最有利的執行價格，以降低市場的沖擊成本、提高執行效率和訂單執行的隱蔽性。任何投資策略都可以使用演算法交易進行訂單的執行，包括做市、場內價差交易、套利及趨勢跟隨交易。演算法交易在交易中的作用主要體現在智能路由、降低沖擊成本、提高執行效率、減少人力成本和增加投資組合收益等方面。主要的演算法包括：交易量加權平均價格演算法(VWAP)、保證成交量加權平均價格演算法(Guaranteed VWAP)、時間加權平均價格演算法(TWAP)、游擊戰演算法(Guerrilla)、狙擊手演算法(Sniper)、模式識別演算法(Pattern Recognition)等。

綜上所述，數量化投資技術貫穿基金的整個投資流程，從估值選股、資產配置到程序化交易與績效評估等。結合量化投資的特點及我國證券市場的現狀，好買認為量化投資技術在國內基金業中的應用將主要集中在量化選股、資產配置、績效評估與風險管理、行為金融等方面，而隨著包括基金在內的機構投資者佔比的不斷提高、衍生品工具的日漸豐富(股指期貨、融資融券等)以及量化投資技術的進步，基金管理人的投資策略將會越來越復雜，程序化交易(系統)也將有快速的發展。

⑻ 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

⑼ 什麼是量化交易，未來前景如何知道的講講。

量化交易，有時候也稱自動化交易，是指以先進的數學模型替代人為的主觀判斷，避免在專市場極屬度狂熱或悲觀的情況下做出非理性的投資決策。
在股票市場上，量化交易早不是什麼新聞，在國外，七成的交易都是通過計算機決策的，在國內這個數字也接近五成。
過去的股票市場都是靠交易員手動敲鍵盤來操作的，難免一失手成千古恨，這種行為被戲稱為「胖手指」，相比之下，量化交易則如同點石成金的「仙人指」。量化里最美的童話就是「旱澇保收」，牛市也好，熊市也罷，都能大賺特賺。
量化交易的優勢：1. 嚴格的紀律性 2. 完備的系統性 3. 妥善運用套利的思想 4. 靠概率取勝
量化交易的風險性：首先是一二級市場「級差」風險，其次是交易員操作風險，最後是系統軟體的風險。
滿意請採納答案，有不明白的可以繼續提問。

⑽ 什麼是量化投資

量化投資是指通抄過數量化模型建立科學投資體系，以獲取穩定收益。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。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