我建議先分析行情，在想辦法去做
② 量化選股策略是什麼多因子模型是什麼
量化選股就是利用數量化的方法選擇股票組合，期望該股票組合能夠獲得超越基準收益率的投資行為，研究表明，板塊、行業輪動在機構投資者的交易中最為獲利的盈利模式是基於行業層面進行周期性和防禦性的輪動配置，這也是機構投資者最普遍採用的策略。此外，周期性股票在擴張性貨幣政策時期表現較好，而在緊縮環境下則支持非周期性行業。行業收益差在擴張性政策和緊縮性政策下具有顯著的差異。
多因子模型是應用最廣泛的一種選股模型，基本原理是採用一系列的因子作為選股標准，滿足這些因子的股票則被買入，不滿足的則賣出。多因子模型相對來說比較穩定，因為在不同市場條件下，總有一些因子會發揮作用。
③ 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。
④ 量化投資有哪些優勢
量化投資就是藉助現代統計學、數學的方法，從海量歷史數據中尋找能夠帶來超額收益的多種「大概率」策略，並紀律嚴明地按照這些策略所構建的數量化模型來指導投資，力求取得穩定的、可持續的、高於平均的超額回報。量化投資屬主動投資范疇，本質是定性投資的數量化實踐，理論基礎均為市場的非有效性或弱有效性。
量化投資特點：
第一，投資視角更廣。藉助計算機高效、准確地處理海量信息，在全市場尋找更廣泛的投資機會。
第二，投資紀律性更強。嚴格執行數量化投資模型所給出的投資建議，克服人性的弱點。
第三，對歷史數據依賴性強。
量化投資策略有如下五大方面的優勢，最大的優勢就是風險管理更加精準，能夠提供超額的收益，主要包括紀律性、系統性、及時性、准確性、分散化等。
(1)紀律性：嚴格執行量化投資模型所給出的投資建議，而不是隨著投資者情緒的變化而隨意更改。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。
(2)系統性：量化投資的系統性特徵主要包括多層次的量化模型、多角度的觀察及海量數據的觀察等等。多層次模型主要包括大類資產配置模型、行業選擇模型、精選個股模型等等。多角度觀察主要包括對宏觀周期、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的分析。
(3)及時性：及時快速地跟蹤市場變化，不斷發現能夠提供超額收益的新的統計模型，尋找新的交易機會。
(4)准確性：准確客觀評價交易機會，克服主觀情緒偏差，妥善運用套利的思想。量化投資正是在找估值窪地，通過全面、系統性的掃描捕捉錯誤定價、錯誤估值帶來的機會。與定性投資經理不同，量化投資經理大部分精力花在分析哪裡是估值窪地，哪一個品種被低估了，買入低估的，賣出高估的。
(5)分散化：在控制風險的條件下，充當准確實現分散化投資目標的工具。分散化也可以說量化投資是靠概率取勝。這表現為兩個方面，一是量化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，這些歷史規律都是有較大概率獲勝的策略。二是依靠篩選出股票組合來取勝，而不是一個或幾個股票取勝，從投資組合理念來看也是捕獲大概率獲勝的股票，而不是押寶到單個股票上。
⑤ 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。
⑥ 哪位推薦一個能夠做量化投資的軟體嗎
量化炒股的話關注（名Z）是用數據分析實際數據展現市場情況的，數據選股、風控，計算機來的比較真實，還有7年日內交易的研發經驗，對於做差價特別實用
⑦ 最近經常聽人提起量化對沖，請問量化投資受熱捧的原因是什麼
量化投資受熱捧主要有幾個原因：
一、 量化投資產品是一種風險較低同時收益可觀的理財產品。長期來看，年化15%-20%的收益率是可以持續的，而量化投資的最大風險一般在10%-15%左右。量化投資是一種可以長期持續穩定的盈利模式，而這種盈利能力的關鍵在於量化模型的好壞。可以說量化投資更接近科學的領域而不是金融的領域，量化投資的專家基本都是數理和計算機專業畢業，他們的專長是數理分析和數學建模。
二、 量化投資與股票市場的相關性很低，量化產品可以做到不論牛市、熊市、震盪市都賺錢。傳統的陽光私募，一般只能跟隨市場的節奏，牛市賺錢，熊市虧錢，震盪市看擇時的運氣如何。而量化對沖產品則把市場波動全部利用股指期貨的空頭對沖了。是一種不主動選擇入場時間的永遠滿倉的投資方法。
一般來說，量化對沖策略在熊市和震盪市比較容易賺錢，而大牛市有可能跑不贏指數。也就是說投資量化對沖是一種放棄了部分牛市收益去換取熊市和震盪市也能賺錢的策略。所以量化對沖產品更接近固定收益的信託產品，是一種類固定收益產品，非常適合風險厭惡者和機構投資者。
三、 房地產神話和剛性兌付的打破。在中國房地產自2013年進入大拐點後，不論是買房投資還是房地產信託都不再受投資者的熱捧。10萬億房地產信託資金最少有一半要撤出來，而縱觀所有投資市場，只有二級市場有這個容量能夠容納這么多資金，不然這筆資金流到哪裡都會帶來問題，而買慣了房地產信託的投資者是無法接受二級市場的波動性的，所以量化對沖產品成立最佳的承接這筆資金的投資產品。相比之下銀行固定收益理財產品雖然收益穩定，但是在降息周期中收益率是遠遠落後於量化對沖產品，年化收益大概4%-6%之間，還跑不贏通脹。
四、 機構投資大量涌現。2014年出現了大量的機構投資者，尤其表現在FOF(組合基金)上。銀行系中，光大銀行2014年7月份成立了第一隻銀行系的組合基金(MOM)產品。目前招商銀行和工商銀行也在大力推動FOF業務發展。機構投資者代表最成熟和最理性的投資者，這部分投資者目前主要的資產配置還是以量化對沖的產品為主，機構投資者為量化對沖基金提供了大量穩定的資金，為量化對沖基金發展提供了良好的溫床。
⑧ 中國現在量化投資靠譜嗎
我本身做美來國股市的，對國內源市場只能是比較了解。美國那邊確實有華人在做中國國內市場的量化投資。這些人都比較低調，比如在經貿大廈租個辦公室什麼的，但是並不談論自己在做什麼。我也認識幾位在廣州做了四五年的朋友。
單純的量化投資是可行的，都是看期望和概率，影響因子很多。主要在CTA用，當然模型會復雜些，工具也多些（比如說考察兩個index的spread，跨區等等）。這種相對低頻的量化投資可以移植到中國二級市場上。很多人誤以為大量的內幕交易和市場操縱會阻礙量化投資，其實不然。量化投資最大的敵人是市場有效，最怕完全效率市場。只要交易所披露信息及時，而市場總有人在交易，有人性在，那麼量化投資就是可以做的。另外，基於量化指標的回測統計方法在中國遠沒有得到廣泛使用，大多數投資者採用跟風投資或K線圖形的策略。也正因為很少有人用這種方法買賣股票，這種方法在中國顯得真正非常高效，做到了高收益低風險。據我所知，國內京東金融在今年也開始做了，另外實盈機構、愛貓爪APP的量化策略也非常領先。
最後，我認為風靡英美的高頻交易在中國目前還不大行，因為手續費太高。