量化投资系列之价值动量模型doc

❶ 量化投资基金的优势

南方策略优化是最新一只量化投资基金。该基金在产品设计上充分考虑了中国市场的现状和发展趋势，提出了创新的主动量化投资模式。这种以定量模型为核心，但在决策流程和模型构建中有机结合定性分析的模式有可能成为量化投资的主导模式。同时，根据国外量化投资发展的新趋势和国内市场的特点，南方也开发了最新进化的量化投资模型。
南方策略优化的主动量化投资模式主要体现在三个层次：在资产配置层面上定性定量并重，在行业配置层面上的定量为主定性为辅，以及在个股选择层面的量化筛选。
在资产配置层面，综合分析经济周期、财政政策、市场环境等因素的基础上，采用定量和定性相结合的思路确定本基金的资产配置。这与传统的主动型基金可以说基本一致；但恰恰是在资产配置层面上，解决了量化模型最大的缺陷，即对周期转换缺乏预判能力。也就是说，在市场趋势可能发生转折的时候，定性决策可能占据主导。
在行业配置层面上，该基金提出以B-L模型为基础构建的行业配置模型。这一模型体现了定量为主，有机结合定性分析的思想。这一模型的关键在于，在分析行业指数历史收益数据的基础上，利用概率统计方法，将投资人对各行业或板块的预期收益的倾向性观点相结合，产生新的预期收益，通过求解量化模型进而得到优化的行业配置比例。简单来说，这一模型的思想就是把投研人员对未来预期的主观判断当作模型本身的关键因子，用于修正从历史数据中得出的预期收益，从而优化模型配置结果。因此模型给出的不仅是客观规律，而且也结合了投研人员关于未来行业判断的观点修正。
在个股选择上以量化模型为主，以实现对个股的广泛筛选。其采用的模型是经典的多因子选股模型，“南方多因子量化选股模型”重点选择四方面的因子：（1）基本面因子：包括上市公司的盈利能力、现金流情况、财务杠杆水平以及未来成长性等，反映了上市公司的当前价值和成长潜力。（2）价值因子：反映股票的绝对和相对估值水平。（3）市场面因子：包括股票价格的动量/反转趋势、股票所处风格板块的轮动，股票价格的历史波动等。（4）流动性因子：包括平均成交量、平均流通市值、Amivest流动比率等各种指标，对个股流动性进行衡量。通过数据分析筛选未来可能具有超额收益的个股。
量化投资要有严格的纪律，也应有鲜明的投资目标定位。南方策略优化把自身的投资目标定位在稳定超越指数，稳定获取超额收益。超额收益主要通过量化配置和选股获取超额alpha收益，也可能来源于通过主动选时获取beta超额收益。量化投资希望在持续性，稳定性上保持优势。而稳定超越指数，也就相当于超越多数主动型基金。 和传统的主动管理基金相比，量化基金的优点正在于降低了对基金经理主观能力和经验的依赖。但量化基金要想成功运作，管理人的能力同样重要。这主要体现在两方面：一是能否开发和设计出好的量化模型，二是如何做到主动和量化的结合，在投资实践中用好模型。在这两方面，国内的基金公司都进行了长期的积累和准备，南方基金的量化投资团队即是其中的典型。

❷ 量化对冲领域有哪些经典的策略和传奇人物

阿斯内斯是法玛在芝加哥大学指导的金融博士，其博士毕业论文在三因子模型的基础上加入了动量因子，以四因子模型的形式完成了一系列的实证分析。博士毕业后阿斯内斯进入高盛，成为了一名量化交易分析员，随后在高盛组建了全球阿尔法基金，主要从事以量化为导向的交易工作，业绩不俗。1997年他离开高盛创办了自己的AQR资本管理公司，目前该公司是全球顶尖的对冲基金之一。虽然没有直接的证据证明阿斯内斯在工作中采用的是多因子模型基础上的股价预测技术，但是可以想见的是，市值、账面市值比、动量因子和因子模型应该与其量化交易策略存在一定的关联。阿斯内斯在一些访谈和学术论文中也时常谈到价值、动量/趋势、低风险、套息等相关概念，是为佐证。

由学术研究进入量化交易实业领域的一个更为极端的例子，应该是文艺复兴科技公司的西蒙斯，这也是中国读者较为熟悉的一个量化交易从业者。西蒙斯于1961年在加州大学伯克利分校取得数学博士学位，年仅23岁，并在30岁时就任纽约州立大学石溪分校数学学院院长。他在1978年离开学校创立了文艺复兴科技公司，该公司因为旗下的量化旗舰基金——大奖章基金傲人的业绩而闻名。关于西蒙斯所使用的量化交易策略，坊间一直有诸多猜测。许多人认为其所使用的应该是基于隐马尔科夫模型的量化交易策略，原因在于西蒙斯的早期合伙人鲍姆是隐马尔科夫模型估计算法的创始人之一，同时文艺复兴科技公司招聘了大量的语音识别专家，隐马尔科夫模型正是语音识别领域的一个重要技术工具。作者对这一说法持怀疑态度，不过不管怎样，从文艺复兴科技公司比较另类的人员构成来看，这应该是一个比较纯正的使用量化交易策略进行运作的对冲基金公司。

虽然大部分的量化对冲基金正在使用的交易策略都或多或少的进行保密，但是仍然有一些量化交易策略在多年的使用后开始慢慢为外界所熟知，统计套利就是其中之一。这个策略的概念最早产生于摩根斯坦利，当时的做法也被称为配对交易，实际上就是使用统计的方法选取一对历史价格走势相似的股票，当两支股票之间的价格差距变大、超出一定阈值之后，就分别做多和做空这两支股票，依靠该价格差在随后的时间里回归到正常水平来获取收益。由于这种量化交易策略既源自于统计分析、又存在等待价差回归的套利特性，因此被称之为统计套利。而随着对这类交易策略的进一步深入研究，统计套利策略目前已经远远超出了配对交易的范畴，变得更加的复杂和多样化。

肖曾经是摩根斯坦利这个统计套利交易组的成员之一，他于1980年在斯坦福大学获得计算机博士学位，随后留校进行学术研究。肖在1986年加入摩根斯坦利后负责该组的技术部门，但是在两年之后、如同统计套利的首创者班伯格（注）一样、由于政治斗争等原因从公司离职，并创立了自己的德劭基金公司。结合了肖的大规模并行计算研究背景和在摩根斯坦利接触到的统计量化策略，德劭基金公司利用计算机量化模型作为主要的策略进行交易并取得了巨大的成功。值得一提的时，肖在对冲基金领域扎根之后，仍然不忘科学研究，其成立的德劭研究公司致力于通过强大的计算机硬、软件能力在分子动力学模拟等生化科研领域取得前沿性进展。这与阿斯内斯一直在金融杂志上发表学术论文的行为，相映成趣，当然肖的学术研究相对而言可能更为极客一些。

相比起统计套利，传统意义上的套利策略是一个更为人熟知、更经典的量化交易策略。实际上现代金融框架的一部分都是基于“无套利”这样一个假设原则建立起来的，可见套利策略的深入人心与重要性。如果说统计套利的重点在于刻画和预测多个资产间的统计关系，那么传统套利可能就更重注于各个资产的价值计算，以及策略执行时的交易成本估计和优化。只不过量化交易策略进化到现在，统计套利和传统的套利策略已经是互相渗透、互相融合的了。以计算机能力见长的德劭基金公司，对这两种套利策略应该都是有所涉及的。

说起套利，不得不提到长期资本管理公司。这家公司的阵容十分豪华，包括债券套利的先驱梅里韦瑟、两位诺贝尔奖获得者莫顿和斯科尔斯、美联储副主席穆林斯等诸多顶级从业者，主要从事的正是债券的量化套利交易，当然其中也会包含一些其他形式策略的成分。公司成立的前三年间表现非常出色，但是在1998年俄罗斯国债违约之后，相关的连锁反应使得公司产生巨大亏损，在美联储的干预下被华尔街几家公司出资接管，形同倒闭。实际上，长期资本管理公司在俄罗斯债券上的损失本身并不大，但是许多大金融机构在亏损环境下必须保证足够的资本量，因此通过出售流动性较好的七大工业国债券等资产来减低风险、增加资本，全球主要债券价格在卖出压力下大幅下跌，波动巨大，这才导致了杠杆极大的长期资本管理公司在债券套利上产生巨额亏损。

❸ 量化投资策略的趋势判断型量化投资策略

量化选股就是利用数量化的方法选择股票组合，期望该股票组合能够获得超越基准收益率的投资行为。量化选股策略总的来说可以分为两类：第一类是基本面选股，第二类是市场行为选股。
基本面选股介绍了多因子模型、风格轮动模型和行业轮动模型。市场行为选股介绍了资金流模型、动量反转模型、一致预期模型、趋势追踪模型和筹码选股模型。 与股指期货套利类似，商品期货同样存在套利策略，在买入或卖出某种期货合约的同时，卖出或买入相关的另一种合约，并在某个时间同时将两种合约平仓。在交易形式上它与套期保值有些相似，但套期保值是在现货市场买入（或卖出）实货、同时在期货市场上卖出（或买入）期货合约；而套利却只在期货市场上买卖合约，并不涉及现货交易。
商品期货套利主要有期现套利、跨期套利、跨市场套利和跨品种套利4种 有别于无风险套利，统计套利是利用证券价格的历史统计规律进行套利的，是一种风险套利，其风险在于这种历史统计规律在未来一段时间内是否继续存在。
统计套利的主要思路是先找出相关性最好的若干对投资品种（股票或者期货等），再找出每一对投资品种的长期均衡关系（协整关系），当某一对品种的价差（协整方程的残差）偏离到一定程度时开始建仓——买进被相对低估的品种、卖空被相对高估的品种，等到价差回归均衡时获利了结即可。
统计套利的主要内容包括股票配对交易、股指对冲、融券对冲和外汇对冲交易。 期权（Option）又称选择权，是在期货的基础上产生的一种衍生性金融工具。从其本质上讲，期权实质上是在金融领域将权利和义务分开进行定价，使得权利的受让人在规定时间内对于是否进行交易行使其权利，而义务方必须履行。在期权的交易时，购买期权的一方称为买方，而出售期权的一方则称为卖方；买方即权利的受让人，而卖方则是必须履行买方行使权利的义务人。
期权的优点在于收益无限的同时风险损失有限，因此在很多时候，利用期权来取代期货进行做空、套利交易，会比单纯利用期货套利具有更小的风险和更高的收益率。

❹ 如何开发量化投资模型

4.如何进行量化投资
一个量化投资的交易系统主要包括三个部分，阿尔法模型、风险模型和交易成本模型。
阿尔法模型旨在预测宽客所考虑金融产品的未来趋势；
风险模型旨在帮助宽客投资不太能带来收益但会造成损失的敞口规模；
交易成本模型用于帮助确定从目前的投资组合到新的投资组合的交易成本。
目前对于量化交易的研究重点大都集中在对阿尔法模型的研究上。
阿尔法模型
阿尔法模型是量化交易系统的第一个重要组成部分，主要是为了寻找盈利机会。
阿尔法是希腊字母α的音译，常用于量化表述投资者的盈利能力或投资者得到的与市场波动无关的回报。
阿尔法模型分为：
趋势形、回复型、技术情绪型、价值型/收益型、成长型和品质型
趋势型和均值回复型交易策略都依赖价格数据；纯技术情绪型的策略比较少见通常都只作为一个辅助因子；而价值型/收益型、成长型和品质型策略都基于基本面数据
趋势跟随策略
趋势跟随策略是基于以下基本的假定：在一定时间内市场通常朝着同一方向变化，据此对市场趋势做出判断就可以作为制定交易策略的依据。常见于期货市场，最常用移动平均线交叉来定义趋势。
均值回复策略
均值回复策略的基本理论认为，价格围绕其价值中枢而上下波动，判断出这个中枢以及波动的方向便足以捕捉到交易机会。统计套利是用的最多的均值回复策略，认为价格出现背离类似股票的价值终究会缩小到合理的区间范围。
技术情绪型策略
这一类策略没有明确的经济理论支撑，主要通过追踪投资者情绪相关指标来判断预期回报，如交易价格、交易量以及波动性指标等。比如观察期权市场的认沽认购量和隐含波动率做现货的择时，再者就是高频交易通过限价指令簿的形态来判断近期市场情绪。
价值型/收益型策略
价值型策略主要用于股票交易。这类策略认为市场倾向于高估高风险资产的风险，而低估低风险资产的风险。因此，在适当的时间买入高风险资产和卖出低风险资产，就可以获得收益。常用的指标有PE（市盈率）、PB（市净率）等，常应用于股票多空。
成长型策略
成长型策略试图通过对所考虑资产以往的增长水平进而对未来的走势进行预测。他认为价格上涨通常都是存在趋势的，价格上涨最快的产品通常比同类产品更具有优势，他要求投资者能尽早判断公司的股价处于增长期，从而捕捉到公司的股价未来更大的上涨幅度。宏观上常见于外汇市场，例如持有经济迅速增长的国家的外汇，这些国家的利率比经济增长缓慢或处于复苏期的经济体要高；股票市场通常用EPS等指标度量。
品质型策略
这类策略的支持者认为，在其他条件相同的条件下最好买入或持有高品质的产品而做空或减少持有低品质的资产。这类策略比较看重资金的安全，受宏观市场影响比较大，常用的指标有杠杆比率、收入波动比、管理团队水平和欺诈风险。
不管是什么类型的策略最终受益都体现在交易中关于买卖时机的把握和持有头寸选择的技巧。
https://uqer.io/community/list 这个社区里面有很多关于量化的策略，也有很多牛人，可以和他们多讨论讨论的。

❺ 量化投资

没有你想的书

我多年来都有关注这方面的书 可是也没有在国内找到

数量化投资是将投资理念及策略通过具体指标、参数的设计，体现到具体的模型中，让模型对市场进行不带任何情绪的跟踪；相对于传统投资方式来说，具有快速高效、客观理性、收益与风险平衡和个股与组合平衡等四大特点。量化投资技术几乎覆盖了投资的全过程，包括估值与选股、资产配置与组合优化、订单生成与交易执行、绩效评估和风险管理等，在各个环节都有不同的方法及量化模型：

一、估值与选股

估值：对上市公司进行估值是公司基本面分析的重要方法，在“价值投资”的基本逻辑下，可以通过对公司的估值判断二级市场股票价格的扭曲程度，继而找出价值被低估或高估的股票，作为投资决策的参考。对上市公司的估值包括相对估值法和绝对估值法，相对估值法主要采用乘数方法，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；绝对估值法主要采用折现的方法，如公司自由现金流模型、股权自由现金流模型和股利折现模型等。相对估值法因简单易懂，便于计算而被广泛使用；绝对估值法因基础数据缺乏及不符合模型要求的全流通假设而一直处于非主流地位。随着全流通时代的到来和国内证券市场的快速发展，绝对估值法正逐渐受到重视。

选股：在当前品种繁多的资本市场中，从浩瀚复杂的数据背后选出适合自己投资风格的股票变得越加困难。在基本面研究的基础上结合量化分析的手段就可以构建数量化选股策略，主流的选股方法如下：

资产配置方法与模型
资产配置类别 资产配置层次 资产配置方法 资产配置模型
战略资产配置 全球资产配置 大类资产配置 行业风格配置 收益测度 风险测度 估计方法 马克维茨 MV 模型 均值 -LPM 模型 VaR 约束模型 Black-Litterman 模型
战术资产配置 ( 动态资产配置 ) 周期判断 风格判断 时机判断 行业轮动策略 风格轮动策略 Alpha 策略 投资组合保险策略

基本面选股：通过对上市公司财务指标的分析，找出影响股价的重要因子，如：与收益指标相关的盈利能力、与现金流指标相关的获现能力、与负债率指标相关的偿债能力、与净资产指标相关的成长能力、与周转率指标相关的资产管理能力等。然后通过建立股价与因子之间的关系模型得出对股票收益的预测。股价与因子的关系模型分为结构模型和统计模型两类：结构模型给出股票的收益和因子之间的直观表达，实用性较强，包括价值型(本杰明·格雷厄姆—防御价值型、查尔斯·布兰迪—价值型等)、成长型(德伍·切斯—大型成长动能、葛廉·毕克斯达夫—中大型成长股等)、价值成长型(沃伦·巴菲特—优质企业选择法、彼得·林奇—GARP价值成长法等)三种选股方法；统计模型是用统计方法提取出近似线性无关的因子建立模型，这种建模方法因不需先验知识且可以检验模型的有效性，被众多经济学家推崇，包括主成分法、极大似然法等。

多因素选股：通过寻找引起股价共同变动的因素，建立收益与联动因素间线性相关关系的多因素模型。影响股价的共同因素包括宏观因子、市场因子和统计因子(通过统计方法得到)三大类，通过逐步回归和分层回归的方法对三类因素进行选取，然后通过主成分分析选出解释度较高的某几个指标来反映原有的大部分信息。多因素模型对因子的选择有很高的要求，因子的选择可依赖统计方法、投资经验或二者的结合，所选的因子要有统计意义上或市场意义上的显著性，一般可从动量、波动性、成长性、规模、价值、活跃性及收益性等方面选择指标来解释股票的收益率。

动量、反向选股：动量选股策略是指分析股票在过去相对短期的表现，事先对股票收益和交易量设定条件，当条件满足时买进或卖出股票的投资策略，该投资策略基于投资者对股票中期的反应不足和保守心理，在投资行为上表现为购买过去几个月表现好的股票而卖出过去几个月表现差的股票。反向选股策略则基于投资者的锚定和过度自信的心理特征，认为投资者会对上市公司的业绩状况做出持续过度反应，形成对业绩差的公司业绩过分低估和业绩的好公司业绩过分高估的现象，这为投资者利用反向投资策略提供了套利机会，在投资行为上表现为买进过去表现差的股票而卖出过去表现好的股票。反向选股策略是行为金融学理论发展至今最为成熟，也是最受关注的策略之一。

二、资产配置

资产配置指资产类别选择、投资组合中各类资产的配置比例以及对这些混合资产进行实时管理。资产配置一般包括两大类别、三大层次，两大类别为战略资产配置和战术/动态资产配置，三大层次为全球资产配置、大类资产配置和行业风格配置。资产配置的主要方法及模型如下：

战略资产配置针对当前市场条件，在较长的时间周期内控制投资风险，使得长期风险调整后收益最大化。战术资产配置通常在相对较短的时间周期内，针对某种具体的市场状态制定最优配置策略，利用市场短期波动机会获取超额收益。因此，战术资产配置是在长期战略配置的过程中针对市场变化制定的短期配置策略，二者相互补充。战略资产配置为未来较长时间内的投资活动建立业务基准，战术资产配置通过主动把握投资机会适当偏离战略资产配置基准，获取超额收益。

三、股价预测

股价的可预测性与有效市场假说密切相关。如果有效市场假说成立，股价就反映了所有相关的信息，价格变化服从随机游走，股价的预测就毫无意义，而我国的股市远未达到有效市场阶段，因此股价时间序列不是序列无关，而是序列相关的，即历史数据对股价的形成起作用，因此可以通过对历史信息的分析来预测股价。

主流的股价预测模型有灰色预测模型、神经网络预测模型和支持向量机预测模型(SVM)。灰色预测模型对股价的短期变化有很强的预测能力，近年发展起来的灰色预测模型包括GM(1, 1)模型、灰色新陈代谢模型和灰色马尔可夫模型。人工神经网络模型具有巨量并行性、存储分布性、结构可变性、高度非线性和自组织性等特点，且可以逼近任何连续函数，目前在金融分析和预测方面已有广泛的应用，效果较好。支持向量机模型在解决小样本、非线性及高维模式识别问题中有许多优势，且结构简单，具有全局优化性和较好的泛化能力，比神经网络有更好的拟合度。

四、绩效评估

作为集合投资、风险分散、专业化管理、变现性强等特点的投资产品，基金的业绩虽然受到投资者的关注，但要对基金有一个全面的评价，则需要考量基金业绩变动背后的形成原因、基金回报的来源等因素，绩效评估能够在这方面提供较好的视角与方法，风险调整收益、择时/股能力、业绩归因分析、业绩持续性及Fama的业绩分解等指标和方法可从不同的角度对基金的绩效进行评估。

绩效评估模型 / 指标

绩效评估准则
择时 / 股能力
业绩归因分析
风险调整收益
业绩持续性
Fama 业绩分解

模型 / 指标
T-M 模型

H-M 模型

GII 模型

C-L 模型
资产配置收益

证券选择收益

行业选择收益

行业内个股选择收益
RAROC

Sharp, Stutzer

Treynor, Jensen

, ,
双向表分析

时间序列相关性
总风险收益

系统风险收益

分散化投资收益

五、基于行为金融学的投资策略

上世纪50～70年代，随着马科维茨组合理论、CAPM模型、MM定理及有效市场假说的提出，现代金融经济学建立了一套成熟的理论体系，并且在学术界占据了主导地位，也被国际投资机构广泛应用和推广，但以上传统经济学的理论基石是理性人假设，在理性人假设下，市场是有效率的，但进入80年代以后，关于股票市场的一系列研究和实证发现了与理性人假设不符合的异常现象，如：日历效应、股权溢价之谜、期权微笑、封闭式基金折溢价之谜、小盘股效应等。面对这些金融市场的异常现象，诸多研究学者从传统金融理论的基本假设入手，放松关于投资者是完全理性的严格假设，吸收心理学的研究成果，研究股市投资者行为、价格形成机制与价格表现特征，取得了一系列有影响的研究成果，形成了具有重要影响力的学术流派－行为金融学。

行为金融学是对传统金融学理论的革命，也是对传统投资实践的挑战。随着行为金融理论的发展，理论界和投资界对行为金融理论和相关投资策略作了广泛的宣传和应用，好买认为，无论机构投资者还是个人投资者，了解行为金融学的指导意义在于：可以采取针对非理性市场行为的投资策略来实现投资目标。在大多数投资者认识到自己的错误以前，投资那些定价错误的股票，并在股价正确定位之后获利。目前国际金融市场中比较常见且相对成熟的行为金融投资策略包括动量投资策略、反向投资策略、小盘股策略和时间分散化策略等。

六、程序化交易与算法交易策略

根据NYSE的定义，程序化交易指任何含有15只股票以上或单值为一百万美元以上的交易。程序化交易强调订单是如何生成的，即通过某种策略生成交易指令，以便实现某个特定的投资目标。程序化交易主要是大机构的工具，它们同时买进或卖出整个股票组合，而买进和卖出程序可以用来实现不同的目标，目前程序化交易策略主要包括数量化程序交易策略、动态对冲策略、指数套利策略、配对交易策略和久期平均策略等。

算法交易，也称自动交易、黑盒交易或无人值守交易，是使用计算机来确定订单最佳的执行路径、执行时间、执行价格及执行数量的交易方法，主要针对经纪商。算法交易广泛应用于对冲基金、企业年金、共同基金以及其他一些大型的机构投资者，他们使用算法交易对大额订单进行分拆，寻找最佳路由和最有利的执行价格，以降低市场的冲击成本、提高执行效率和订单执行的隐蔽性。任何投资策略都可以使用算法交易进行订单的执行，包括做市、场内价差交易、套利及趋势跟随交易。算法交易在交易中的作用主要体现在智能路由、降低冲击成本、提高执行效率、减少人力成本和增加投资组合收益等方面。主要的算法包括：交易量加权平均价格算法(VWAP)、保证成交量加权平均价格算法(Guaranteed VWAP)、时间加权平均价格算法(TWAP)、游击战算法(Guerrilla)、狙击手算法(Sniper)、模式识别算法(Pattern Recognition)等。

综上所述，数量化投资技术贯穿基金的整个投资流程，从估值选股、资产配置到程序化交易与绩效评估等。结合量化投资的特点及我国证券市场的现状，好买认为量化投资技术在国内基金业中的应用将主要集中在量化选股、资产配置、绩效评估与风险管理、行为金融等方面，而随着包括基金在内的机构投资者占比的不断提高、衍生品工具的日渐丰富(股指期货、融资融券等)以及量化投资技术的进步，基金管理人的投资策略将会越来越复杂，程序化交易(系统)也将有快速的发展。

❻ 量化模型是什么意思

量化模型，是把数理统计学应用于科学数据，以使数理统计学构造出来的模型得到经验上的支持，并获得数值结果。这种分析是基于理论与观察的并行发展，而理论与观测又通过适当的推断方法而得以联系。

一个完整的量化模型包括哪些？

近几年，量化投资在国内兴起，但在很多人眼里，量化投资仿佛是一个非常神秘的新事物。而实际上，量化投资的无非就是宽客通过计算机语言，将交易策略布置到一个量化系统中，然后进行回测和实战的过程。量化投资的本质还是投资者的智慧，只是实现过程中运用到计算机这一工具。

宽客们到底是如何系统的构建一个完整的量化模型的？可以肯定的是，宽客跟普通投资者一样，也在观察市场，产生一些普通投资者也会想到的想法，当宽客产生一些想法时，他们会通过计算机去验证他们的想法是否靠谱或者是能否带来收益。而作为普通投资者，实现想法往往是困难的，如同普通投资者在投资或炒股过程中，发现在15分钟K线图，上升趋势中股价跌破MA169后便会进入调整。普通投资者只是感觉，而宽客可以通过编写程序然后在市场的历史数据回测，验证这个想法是否靠谱。

一个简单的想法编写成简单的程序，这明显不能称作为量化模型，但这却是任何一个量化模型的来源，即人的想法。完整的量化模型应当包括：策略模型、风险模型、交易成本模型、投资组合构建模型、执行模型，如下图：

投资组合构建模型：投资组合构建模型在于构建一个能创造最大盈利的投资组合。主要分为：基于规则的投资组合构建模型和基于优化的投资组合构建模型。基于规则的投资组合构建模型主要分三类：相等头寸加权，相等风险加权，信号驱动型加权。其中前两类分别保证了投资组合的每个个股头寸相等和所承担的风险相等。第三类根据信号强度来加权，投资组合中个股与策略模型设定的条件越接近则赋予的权重越大，这是合理决定头寸规模的最佳途径。

执行模型：执行模型是实施量化模型的最后一个环节，如果没有执行模型，那么整个量化模型并没有存在的意义。执行模型中订单执行算法是最关键的，其主要目的是，以尽可能低的价格，尽可能完整地完成想要交易的订单。具体的执行算法包括：采用何种订单类型，采用进取订单还是被动订单，采用大订单还是小订单。对于资金量比较小的宽客，执行模型往往是比较简单的，一旦出现信号，其所需成交量的并不需要太大。而对于资金量较大的宽客来说，执行模型是比较复杂的，需要根据实际情况来选择合适的下单方式。

以上就是量化模型的整个系统框架，其中任何一个部分都发挥至关重要的作用，因此一个完整的能盈利的量化模型是非常有价值的。

❼ 量化投资—策略与技术的本书特色

第一，实战性。书中的案例绝大多数来自于实际的市场数据，只有很少一部分是纯理论的分析。尤其是策略篇中的内容大部分来自于专业投资机构的研究报告，具有极强的实战价值。
第二，基于中国市场。与量化投资最接近的书籍当属“金融工程”，但金融工程中绝大多数的案例都来自于国外市场，很多策略在国内市场还不具备投资条件。本书中的案例基本上都是对国内市场（股票、期货等）中的实际交易数据的分析，特别适合国内的投资者。
第三，理论性。量化投资离不开最新的数学和计算机理论的支持，本书用了将近一半的篇幅来阐述与量化投资有关的基础理论，并用了很多案例来说明这些理论的应用方法。避免了一般投资策略书籍重技术而忽视理论的缺点，从而使量化投资更加科学化。
本书主要内容
本书的内容分为：策略篇和理论篇。策略篇中阐述了各种量化投资的策略与方法，理论篇则详细介绍了支持量化投资的各种数学工具。
策略篇一共介绍了8个方面的投资策略，分别是量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易及其他策略。
投资策略 概述
量化选股 量化投资最重要的策略，主要是研究如何利用各种方法选出最佳的股票组合，使得该股票组合的收益率尽可能高的同时，保持尽可能的稳定性。量化选股一章阐述了8种不同角度的策略，分别为多因子模型、风格轮动模型、行业轮动模型、资金流模型、动量反转模型、一致预期模型、趋势追踪模型和筹码选股模型
量化择时 量化投资中最难的，也是收益率最高的一种策略，主要研究大盘及个股走势，并进行相应的高抛低吸操作。如果能够正确判断大盘，则收益率会比单纯的买入-持有策略收益要高很多。这一章主要阐述了8种择时模型，分别是趋势择时、市场情绪择时、有效资金模型、牛熊线模型、Hurst指数模型、SVM模型、SWARCH模型和异常指标择时

❽ 量化交易主要有哪些经典的策略

量化选股之多因子选股模型
量化择时--双均线（MA）、DMA、TRIX、MACD择时

量化择时--PE择时

还有趋势型，网格型，剥头皮，概率法则，高频交易，神经网络，基因算法

❾ 什么是量化投资交易策略

一文看懂量化投资策略

闲话基

量化投资在近些年受到越来越多的关注，包括规模、策略、业绩。量化投资，是指通过借助统计学、数学方法，运用计算机从海量历史数据中，寻找能够带来超额收益的多种“大概率”策略，按照策略构建的数量模型严格执行投资，力求获得长期稳定可持续高于平均的超额回报。

跨市场策略涉及外汇兑换、国际期货交易对冲，交易实现难度大，国内用得少。

由于期货具有杠杆属性，这类策略持仓的市值往往很大，有时候甚至超过产品资产总值，导致收益率的波动率是所有量化策略中最大的。在市场出现连续震荡行情时，这样策略由于杠杆属性会出现较大的回撤。另外一个对这类策略的一个限制是，目前市场上活跃交易的期货品种不多，高频交易很大程度倚重于品种成交量，开平仓时间间隔较短，使得策略容量不大。