量化投资策略分析

量化投资策略分析（共5篇）

篇1：量化投资策略分析

量化投资论文

基于量化投资角度的多因素模型投资综合策略报告

1 研究方法

本篇报告的量化投资策略主要采用的方法与理论有以下几种：1、线性回归。

2、多因素模型。

3、CAPM(资本资产定价模型)。

4、假设检验与置信区间估计。

5、蒙特卡洛模拟。

6、VaR(风险价值)方法。

7、Matlab(矩阵实验室，用于数据的处理与图形的分析)技术。

主体内容主要分为四大部分。

第一部分为模型建立阶段，主要是挑选影响股票收益率的相关因素。

第二部分主要是挑选出收益率排名前20%的股票，并运用CAPM模型进行组合搭配，以求降低非系统性风险，最大化股票的收益。

第三部分采用统计学的知识，对上述建立的模型的相关参数进行范围上与概率上的估计。

并采用VaR方法与蒙特卡洛模拟，进行风险的评估与控制，并运用多种评估绩效的方式(夏普比率、特雷诺比率、简森阿尔法等指标)，对股票的风险与收益做出客观的评判。

第四部分为模型的评价阶段，即由宏观到微观对该模型做出全面的解释。

与此同时，运用matlab技术对参数进行适当的动态更新，使其尽量符合市场的波动情况，并进行回溯测试，用市场的实际结果来解释模型的合理之处。

2 策略步骤

第一部分：模型建立阶段。

2.1 影响收益率的因子初选

我们采用以下收益率因子。

以上表格反映了影响收益率的主要四大类因子，较好地包括了影响收益率的主要因素。

虽然从宏观层面上我们挑选出了一些影响收益率的主要因子，然而，在现实过程中，影响某个具体公司收益率的因素很可能只是其中某几个。

因此，我们应当试图找出影响每个股票的收益率的个别关键因素，这里我们采用matlab技术以及线性回归的方法，以融捷股份(002192)与暴风科技(300431)为例进行说明。

笔者根据深圳证券交易所统计的数据通过EXCEL表格进行合并整理后得到融捷股份的收益率数据，将该数据导入matlab中，以市盈率为横轴、收益率为纵轴，建立图形关系。

根据统计学的知识可知，我们用决定系数R2来反应自变量解释因变量力度的强弱，而决定系数与相关系数之间存在平方关系，即ρ2=R2。

因此，在matlab中我们通过计算一组数据之间的相关系数，反求出其决定系数，从而说明该特定自变量能从多大程度上解释因变量。

代码运行的结果如下：

从上述运行结果可知，市盈率与股票收益率之间的R2只有0.0934，遠小于1，因此市盈率这一项指标在融捷股份里并不能对收益率的变动起到决定性作用。

类似地，我们对表1-1中所有的因子进行相同的操作方法，在此由于篇幅原因不再赘述，仅展示操作步骤与过程。

2.2 剔除冗余因子

在进行上述步骤的过程中，值得一提的是，各个因子之间可能本身就具有一定的相关性。

比如，ROE指标与ROA指标本身就满足一个等式：ROE=ROA*EM， 其中EM为权益乘数，计算公式为EM=1/(1-负债率)。

如果因素之间的相关性甚小，我们可以忽略不计，但是当相关性大到一定程度时，便会对之后的多因素模型分析过程产生误导，因此在这里我们需要补充的一步是利用matlab软件，建立不同指标之间的关系方程，判断是否存在多重共线性。

2.3 多因素模型体系的建立

在进行完影响收益率的因子选择以及剔除完冗余因子之后，便是最为重要的建立综合评分体系，将所有的因子共同反映到一个方程中，用来解释股票收益率与因子之间的具体变化。

多因素模型的建立过程分为如下几个步骤：

(1). 标准化原始数据

(2). 建立相关性矩阵

(3). 计算相关性矩阵的特征值和特征向量

(4). 得出总方程表达式

通过对上述运行结果的分析我们可以看出，月最大超额收益的影响最大，而累计收益的影响最小。

这样，我们便量化出了影响该股票收益率的方程式。

第二部分：交易标的股票的选取

2.4 选取收益率前20%的股票

通过第一部分的论述，我们最终可以得到影响不同公司股票收益率的方程式，可以用matlab或者数据库技术进行保存，当需要更新参数或者进行预测决策时，调用相关函数即可。

在第二部分中，我们将选取的标的股票资产池的相关数据输入到方程式中，即可得到未来一段时间的预期收益率。

假设我们从每个板块中选取出了20支股票，我们保留预期收益率排在前20%的股票，优中选优，尽量最大化我们的收益。

2.5 利用CAPM模型进行资产组合

20世纪诞生的资本资产定价模型(CAPM)为广大投资者选择资产组合提供了良好的理论基础与依据。

威廉夏普(William F. Sharpe，1934-)与马克维茨(Harry M. Markowitz)等人所建立的组合管理理论核心即为以下等式：

E(Rn)=Rf+β(E(Rm)-Rf)

其中，E(Rn)为股票的预期收益率，Rf为无风险利率，β为单个股票与市场之间的相关性，E(Rm)为某一基准的收益率。

通过该理论，我们可以建立多个资产的不同搭配情况。

在第三部分，我们会进一步讨论运用各项绩效评估指标，来权衡风险与收益。

第三部分：风险控制

2.6 对各项参数进行区间估计和假设检验。

前两部分重点关注了组合的收益情况，力求在市场处于无效或弱有效的情况下，取得超越市场的收益率。

然而，对风险的把握仍为非常重要的方面，自从-间发生的金融灾难以后，人们对于风险控制的意识又提高到一个新的水平。

下面具体介绍如何利用统计学知识，对风险以及收益的取值范围做出评估与估计。

假设由第一部分模拟出的收益率方程满足如下等式：

Yi = -4.451 +2.057 * X1i + 2.008 * X2i

我们可以看到，在这个等式中出现了三个参数，分别是截距项-4.451、X1i的系数2.057以及X2i的系数2.008。

然而，这毕竟是模拟出来的结果，或多或少会存在着一定的误差，那么对这种误差水平的度量就显得尤为重要。

特别是对于X1i与X2i的参数的估计，其改变直接决定了Yi的变化的方向以及程度。

在这里，我们运用统计学上的假设检验与置信区间估计的方式，判断我们有多大的信心，或者说有多大的概率，该参数可以满足我们的要求，从而对我们的决策活动形成指导意义。

见下图：

如上图所示，该图为用统计软件所得出的上式的相关统计学分析，可以看出上式的R2(R-squared)为0.934，并且调整后的R2(Adj R-squared)为0.890，说明该式的所有系数，作为一个整体，对Yi具有较好的解释力度。

其中ESS(Explained Sum of Squared)为模型模拟出的曲线与平均值的差的平方和，而SSR(Squared Sum of Residual)为真实点与估计点的差的平方和。

Matlab图示如下：

上图是通过最小二乘法拟合出来的一条回归曲线，其中蓝色的点与实线之间的距离的平方和即为SSR，而实线与所有实际点的均值之间的距离的平方和即为ESS。

R2=ESS/(ESS+SSR)。

由图6-1还可以看到，2.057所处的95%置信区间范围为0.984-3.130。

其中，P值与t统计量用来判断在95%的把握下，是否可以拒绝一项参数，即判断该参数在一定概率条件下的真假情况。

我们通常可以通过查对应的t分布表来找到对应的关键值，或者采用比较p值大小的方式进行判断。

比如说，要判断图6-1中Experience的参数2.008在95%的概率条件下的合理性，我们计算出其t统计量如图上的2.664，而对应的置信区间范围中包括了2.664这个值，因此我们可以得出如下结论：Experience的系数2.008在95%的置信水平下是无法拒绝的。

这一结论同样可以通过判断p值的大小得出，p值为0.076，大于显著性水平0.05(通过1-95%得到)，因此有足够的自信可以保证该系数的合理性。

通过上述方法，我们可以对之前模拟出的收益率方程的系数的合理性做出判断与评估，使我们对其有一个更为深入的了解。

2.7 基于蒙特卡洛模拟的风险控制。

在风险管理领域，VaR方法一直在各大金融機构被视为进行风险度量的首选，因为其可以提供在一定的置信区间下所发生的最大损失的大小。

篇2：量化投资策略分析

关键词：量化投资,Alpha策略,意义,方法

Alpha策略最初的理论基础是套期保值,是由美国经济学家H. working提出的,随后股指期货的面市,量化研究便激发了人们浓厚的兴趣。传统的资产管理者理念的哲学基础大部分为追求收益风险平衡,然而平均市场收益与超额收益又很难达到绝对的均衡,因此将超额收益也即Alpha分离出来,建立起基于Alpha策略的量化投资,有助于指导投资实践。

1 Alpha 策略在量化投资中的应用意义

量化投资指的是以现代计算机技术为依托,通过建立科学的数学模型,在充分掌握投资环境的基础上践行投资策略,达到预期的投资效果。采用量化投资方式的优点包括其具有相当严格的纪律性、系统性,并且对投资分析更加准确与及时,同时还具有分散化的特点,这使得策略的实施过程更加的机动灵活。量化投资过程使用的具体策略通常有量化选股、量化择时、统计套利、高频交易等,每一种策略在应用过程各有千秋,而Alpha策略属于量化选股的范畴。传统的定性投资也是投资人基于一种投资理念或者投资策略来完成整个投资活动的,最终的目的是要获得市场的占有率,并从中取得丰厚的利润。从这个角度来衡量,量化投资与传统投资的本质并无多大差别。唯一不同的是量化投资对信息处理方式上和传统定性投资有着很大的差异性,它是基于现代信息技术、统计学和现代金融工程理论的基础上完成对各类数据信息的高效处理,在对信息处理的速度、广度上是传统定性投资无法比拟的。在对投资风险的控制方面也具有很大的优势,是国际投资界兴起的新型投资理念和应用方法,也在日益成为机构投资者和个人投资者共同选用的有效投资方案。现阶段量化投资的技术支撑和理论建设的基础包括人工智能技术、数据挖掘、支持向量机、分形理论等,这些现代信息处理与数据统计方式为量化投资的可操作性提供了坚实的基础。

Alpha策略在量化投资中的使用优点主要是对投资指数所具有的价值分析与评定。它不是依赖于对大盘的走向变化或者不同股票组合策略趋势的分析,对投资价值的科学分析与合理评估更能吸引投资者的目光。Alpha策略重视对冲系统风险所获得的绝对收益,在股票投资市场上是一种中性的投资方式,具体的程序有选择资产、对资产的优化组合、建立具体组合方式、定期进行调整。为了促进该策略在投资市场中获得良好的收益,就必须先要重视优秀的选股策略,其次是重视期货对冲平均市场收益的时候所产生的风险控制问题。对冲系统风险时,若是能够及时地对投资组合与相关的股指期货的平均市场收益指进行精准地判定和预测,那么将会对整个投资行为产生积极的影响。

2 基于 Alpha 策略的量化投资具体策略和实践方法

通常情况下,Alpha策略所获得的实际收益并不是一成不变的,这与该策略本身的特定有关,具体表现在周期性与时变性上。

Alpha策略的时变性主要是指当时间产生变化时,超额收益也会随之而改变。需要清除的是Alpha反映的就是上市公司超越市场的预期收益,因此属于公司资产未来估值预期的范畴,所以上市公司自身所处的发展阶段和发展环境不同,那么就会给Alpha带来影响。由于时变性的特点,这就给策略的具体估计模型的设立带来了更多不可确定的因素,为此,参照对Alpha满足不同动态假设的理论基础,建立起一个可以获得不同种类估算的模型,同时假定在同一个时间范围内,超额收益和市场平均收益都保持恒定不变,这就极大地简化了计算的过程与步骤。也就是说在该段时间内,市场上股票投资组合基本面不会有太大的变化与波动,这就与实际的投资状况基本达成一致。对于投资策略的调整则要根据上市公司重大事项发生情况而定,那么估算的时间单位周期可以采用每日或者每周估算,对每一个季度的历史数据进行调整也可以作为一种调整方式,反映公司季度行情。对于具体证券而言,采用季度或者每周的调整频率则不是最为理想的,还要针对公司情况与市场行情综合调整。

Alpha的周期性特点在交替出现的正负号上最为突出,导致这一情况产生的原因主要是行业的周期性特征与套利效应共同造成的。具体而言,首先不同类型的证券分别属于不同的行业所有,当行业处于景气周期循环状态下会影响Alpha的符号与大小,同时景气程度的深与浅也会对此产生影响。其次一个股票组合产生非常大的超额收益情况下,市场中的其他机构投资者或者个人投资者就会不断地参与到该组合的投资中来,最后会导致Alpha逐渐接近于零。因此在建立不同策略的组合方面,要针对每一个季度的具体情况和波动率,进行综合性地评价与分析,并及时地做出必要的调整,以便最大限度地获得市场收益。

量化投资中的Alpha策略并不是一种单一类型的策略,不同的策略都在寻求获得超额收益的市场机会和可能性。现阶段市场上采用的Alpha策略主要有多因子选股策略、动量策略或者反转策略、波动性策略、行业轮动策略、行为偏差策略等,每一种策略在具体实施过程中都有其特征性,并且可以相互结合使用,发挥出综合预测和评价的作用。

多因子选股策略是必要和常用的选股方式,最大的优势是可以将不同种类和模块的信息进行高效化综合分析与评价后,确定一个选股最佳方案,从而对投资行为进行指导。该种选股策略的模型在建立方面比较容易,是量化投资中的常用方式。同时多因子模型对反映市场动向方面而言具有一定的稳定和可靠性,这是因为所选取的衡量因子中,总有一些可以把握住市场发展行情的特征,从而体现其本来就有的参考价值。所以在量化投资过程中,很多投资者都使用多因子模型对其投资行为进行评估,无论是机构投资者或者是个人投资者,都能够从中受益。多因子选股策略模型的建立重点在于对因子的剔除和选择上,并要合理判断如何发挥每一个因子的作用,做出综合性的评定。

动量策略的投资方式主要是根据价格动量、收益动量的预期与评定,对股票的投资进行相应的调整,尤其是针对本身具有价格动量的股票,或者分析师对股票的收益已经给予一定评级的股票,动量策略的应用效果会比较理想。在股票的持有期限内,某一只股票在或者股票投资的组合在上一段时间内的表现均佳,那么则可以判断在下一段时间内也会具有同样的理想表现,这就是动量效应的评价依据,从而对投资者的行为起到一定的影响作用。反转策略和动量策略恰好相反,是指某一只股票或者股票投资组合在上一段时间内表现很不理想,然而在下一个时期反而会有突出的表现,这也给投资者带来了一线希望,并对影响到下一步的投资策略的制定。

波动性策略也是Alpha策略的一种方式,主要是利用对市场中的各股运动和发展状态的细致观察与理智分析后,列出一些具有相当大的波动性的股票,同时这些股票的收益相关性也比较低,对此加以动态化的调整和规划,从而逐渐获得超额收益的过程。在一些多因子选股策略中也有机构投资者或者个人投资者将股票具有的波动性作为考察与评价因子之一,波动性策略经常和其他策略相结合来评价,这说明股票投资市场本身就具有一定的波动性,因此在投资过程中要慎重对待。

行业轮动策略和行为偏差策略的应用频率不似前面几种高,但也会和另外几种策略相互结合使用。行业轮动策略主要是为了充分掌握市场行业轮动机制与特征,从而可以获得高额的收益,对行业之间的投资也可以非常高效和准确地进行,对把握正确的时机有很大的优势。行为偏差策略目的是窥探到股票市场中存在的过度反应或者反应不足等现象,这些都属于股票投资市场的偏差性行为,从而可以通过投资者对不同股票抱有的差异化评价来实现超额收益。

现阶段,通常将多因子选股策略、动量策略和反转策略以及波动性策略作为Alpha策略实施的主要选股策略,将这些策略结合起来建立综合性的模型,更加便于机构投资者和个人投资者对股票市场的准确把握,采用更为优越的投资策略来获得预期收益。

3 结 论

篇3：量化投资的特点、策略和发展研究

【关键词】量化投资  特点  策略  发展

一、引言

量化投资在国外的实践已经有了40多年的发展，我国的量化投资起步较晚，从2004年开始出现量化投资的产品，由于缺乏有效的对冲手段，直到2010年4月沪深300股指期货上市之后才能算是真正意义上开始涉足量化投资。[1]

2015年的中国股市跌宕起伏，杠杆配资引发了大幅上涨和断崖式下跌，股市出现罕见的千股涨停、千股跌停、千股停牌的奇观，众多机构投资者和散户蒙受了巨大的损失。但其中少数量化投资基金在大幅波动的市场中却表现相对稳定。量化投资基金和量化对冲策略的稳健，很快引起了全市场的关注，也成为近期银行、券商、信托等机构追捧的新的产品模式。

在此背景下，作者在本文中对于量化投资的概念、特点、策略、理论基础和发展做一个总结，希望为量化投资研究和实践做一些参考。

二、量化投资解读

（一）量化投资的定义

量化投资在学术界并没有严格统一的定义，现有的定义对于量化投资的定义的侧重点各有不同。本文对于量化投资的定义为：

量化投资是指将投资者的投资思想或理念转化为数学模型，或者利用模型对于真实世界的情况进行模拟进而判断市场行为或趋势，并交由计算机进行具体的投资决策和实施的过程。

（二）量化投资的特点

1.投资决策中能够客观理性，克服人类心理对投资决策的影响。传统投资的分析决策，大多数方面都由人工完成，而人并非能做到完全理性，在进行投资决策时，很难不受市场情绪的影响。[2]量化投资运用模型对历史和当时市场上的数据进行分析检测，模型一经检验合格投入正式运行后，投资决策将交由计算机处理，一般情况下拒绝人为的干预，这样在进行投资决策时受人的情绪化的影响将很小，投资过程可以做到理性客观。

2.能够通过海量信息的大数据处理，提高投资决策效率。我国股票市场上有近3000只股票，与上市公司相关的各种信息纷繁复杂，包括政策、国内外经济指标、公司公告、研究报告等，投资者靠自己手工的筛选根本就是力不从心。量化投资的出现为这个问题的解决带来了希望。量化投资运用计算机技术快速处理大量数据，对其进行辨别、分析、找出数据之间的关联并做出投资决策，大大减少了人工的工作量，提高了投资决策效率。

3.能够实现精准投资。传统的投资方法中认为投资是一门艺术，投资决策需要的是投资者的经验和技术，投资者的主观评价起到决定作用。而量化投资有所不同，尤其是在套利策略中，它能做到精准投资。例如在股指期货套利的过程中，现货与股指期货如果存在较大的差异时就能进行套利，量化投资策略和交易技术会抓住精确的捕捉机会，进行套利交易来获利。另外，在控制头寸规模方面，传统的投资方法只能凭感觉，并没有具体的测算和界定，而量化投资必须要设定严格精确的标准。[3]

4.能够快速反应和决策，把握市场稍纵即逝的机会。量化投资往往利用高速计算机进行程序化交易，与人脑相比它能够迅速发现市场存在的信息并进行相应的处理，具有反应快速、把握市场稍纵即逝的机会的特点。量化投资在速度上最出色的运用就是高频交易，与低频交易相对，高频交易是通过高速计算机，在极短的时间内对市场的变化做出迅速的反应并完成交易。[4]

5.能够有效地控制风险，获取较为稳定的收益。与传统投资方式不同的是，量化投资在获得较高超额收益的同时能够更好地控制风险，业绩也更为稳定。相关研究显示，1996年至2005年期间，量化投资基金与以所有传统主动型投资基金和偏重于风险控制的传统主动型投资基金的信息比率对比情况中，量化投资基金的信息比率都是最高，说明量化投资相对于传统投资，能够在获得更高的超额收益的同时，有效地控制风险。

三、量化投资的策略

一般的量化投资的策略指的是用来实现投资理念或模拟市场行为判断趋势从而获取收益的模型。量化投资需要权衡收益、风险、交易成本、具体的执行等各个方面，一般情况下这些方面会形成相对独立的模块。有时候量化投资策略模型也会将风险、成本等方面融合在模型中。

（一）国外量化投资策略的分类

国外习惯上将量化投资的策略分成两大类，一类是阿尔法导向的策略，另一类是贝塔导向的策略。阿尔法策略（alpha strategy）是通过量化择时和调整投资组合中不同资产的头寸大小来获取收益的策略;贝塔策略（beta strategy）是通过量化的手段复制指数或者稍微的超出指数收益的策略。[6]相比而言，量化指数的贝塔策略相对更容易，所以一般情况下所说的量化投资的策略指的是阿尔法策略（alpha strategy）。

阿尔法策略主要有两种类型，分别为理论驱动模型和数据驱动模型。

理论驱动模型是比较常见的类型，这些策略是运用已经存在的经济、金融学的理论，构建策略模型，进行投资决策。理论驱动模型根据输入的数据的不同可以进一步分类，主要有基于价格相关数据的策略和基于基本面数据的策略。

数据驱动模型广泛的被运用于股票、期货和外汇市场，因为采用的数学工具更为复杂，相对而言难于理解，目前使用的还不是很多。与理论驱动模型不同，数据驱动模型认为进行投资决策其实是不需要理论的支持，运用数据挖掘技术，可以从数据（例如交易所的价格数据）中识别出某种行为模式或市场趋势，进而进行预测或者解释未来的模式，从中获取收益。

（二）我国量化投资策略的分类

国内比较常见的量化投资策略主要有两种分类方式，一种是按投资标的所在市场分类区分的量化投资策略，分为现货市场和衍生品市场量化投资策略。现货市场包括股票市场、ETF市场和债券市场，衍生品市场包括商品期货市场、股指期货市场、国债期货市场、外汇市场和期权与其他衍生品市场，国内运用较多的是投资于商品期货和股指期货等期货市场。

另一种分类方式是分为两大类：判断趋势的单边投机策略和判断波动率的套利交易策略。[7]单边投机策略主要包括量化选股和量化择时，套利交易策略主要包括股指期货套利、商品期货套利、统计套利、期权套利、另类套利策略等，目前国内普遍采用的是这种分类方式。

四、量化投资理论的发展

（一）投资理论的发展

量化投资的理论基础最早可以追溯到上个世纪50年代，Markowitz（1952）[8]第一次把数理工具引入到金融研究领域，提出了均值——方差模型和风险报酬与有效前沿的相关概念，这是量化投资接受的最早的严肃的学术成果。Sharpe（1964）[9]、Litner（1965）[10]、Mossin（1966）[11]在马克维茨研究的基础上得出了资本资产定价模型（CAPM），这是如今度量证券风险的基本的量化模型。

20世纪60年代，Samuelson（1965）与Fama（1965）[12]提出了有效市场假说（Efficient Markets Hypothesis，EMH），这为后来在新闻量化交易等方面提供了思路和理论支持。20世纪70年代，金融衍生品不断涌现，对于衍生品的定价成为当时研究的重点。Black和Scholes（1973）[13]将数学方法引入金融定价，他们建立了期权定价模型（B-S模型），为量化投资中对衍生品的定价奠定了理论基础。在该理论之后，Ross（1976）[14]根据无套利原则提出了套利定价理论（APT），该理论是资本资产定价模型（CAPM）的完善和发展，为量化投资中的多因素定价（选股）模型提供了基础，这也是Alpha套利的思想基础。

20世纪80年代，期权定价理论倒向微分方程求解;“金融工程”概念得以产生，金融工程着力于研究量化投资和量化交易。同期，学者们从有效市场理论的最基本假设着手，放宽了假设条件，形成了金融学的另一个重要的分支——行为金融学。

20世纪90年代，金融学家更加注重对于金融风险的管理，产生了诸多的数量化模型，其中最为著名的风险管理数量模型是VaR（Value at Risk）模型，这是量化投资对于风险控制的重要理论基础。[15]

20世纪末，数理金融对于数学工具的引入更加的迅速，其中最为重大的突破无疑是非线性科学在数理金融上的运用，非线性科学的出现为金融科学量化手段和方法论的研究提供了强有力的研究工具[16]，尤其在混合多种阿尔法模型而建立混合模型时是非常有效的一种技术。

（二）量化投资的数学和计算基础

量化投资策略模型的建立需要运用大量的数学和计算机方面的技术，主要有随机过程、人工智能、分形理论、小波分析、支持向量机等。[17]随机过程可以用于金融时序数列的预测，在现实中经常用于预测股市大盘，在投资组合模型构建的过程中，可以优化投资组合;人工智能的很多技术，例如专家系统、机器学习、神经网络、遗传算法等，可以运用于量化投资;分形理论用于时间序列进行预测分析;小波分析主要用于波型的处理，从而预测未来的走势;数据挖掘技术可以运用于数据驱动模型，还可以运用于设置模型的细节;支持向量机可以分析数据，识别模式，用于分类和回归分析。

五、国内外量化投资实践的发展

（一）国外量化投资实践的发展

本文认为量化投资在国外的发展已经经历了四个发展阶段：

1.第一阶段从1949年至1968年：对冲阶段。该阶段是量化投资的萌芽阶段，该阶段具体的量化投资实践很少，主要是为量化投资提供的理论基础和技术准备，量化投资脱胎于传统投资，对抗市场波动，通过对冲稳定Alpha收益，但收益率低了。

2.第二阶段从1969年至1974年：杠杆阶段。在该阶段，量化投资从理论走入了实践。在投资思路上，因为原本的Alpha策略收益有限，通过放杠杆扩大第一阶段的稳定收益。实践方面，1969年，前美国麻省理工学院数学系教授爱德华·索普（Ed Thorp）开办了第一个量化对冲基金，进行可转债套利，他是最早的量化投资的者使用者。1971年，巴莱克国际投资公司（BGI）发行了世界上第一只被动量化基金，标志着量化投资的真正开始。

3.第三阶段从1975年至2000年：多策略阶段。在这一阶段，虽有一定的挫折，但总体上量化投资得到了平稳的发展。在投资思路上，由于上一阶段通过杠杆放大收益的副作用产生，放大以后的波动率又增大，从而转向继续追求策略的稳定收益，具体的手段是采用多策略稳定收益。实践方面，1977年，美国的富国银行指数化跟踪了纽约交易所的1500只股票，成立了一只指数化基金，开启了数量化投资的新纪元。[18]1998年，据统计共有21只量化投资基金管理着80亿美元规模的资产。[19]

4.第四阶段从2000年至今：量化投资阶段。这一阶段，量化投资得到了迅猛的发展，并且发展的速度越来越快。投资思路上，运用量化工具，策略模型化，注重风险管理。在实践方面，在2008年全球金融危机以前，全球对冲基金的规模由2000年的3350亿美元在短短的7年时间内上升至危机发生前的1.95万亿美元，受美国次贷危机的影响全球对冲基金规模有较大的回落，直到2008年之后，在全球经济复苏的大背景下对冲基金规模才开始反弹。

（二）我国量化投资的发展

本文认为，到目前为止，我国量化投资的发展的主要经历了三个阶段：

1.第一阶段从2004年至2010年：起步阶段。在这一阶段，由于我国没有足够的金融工具，量化投资在我国发展缓慢。2004年8月，光大保德信发行“光大保德信量化股票”，该基金借鉴了外方股东量化投资管理理念，这是我国最早的涉足量化投资的产品。2010年4月16日，准备多年的沪深300股指期货的在中金所的上市，为许多对冲基金的产品提供了对冲工具，从此改变了以前我证券市场只能单边进行做多的情况。

2.第二阶段从2011年至2013年：成长阶段。2011年，被认为是我国量化对冲基金元年，[21]而随着股指期货、融资融券、ETF和分级基金的丰富和发展，券商资管、信托、基金专户和有限合伙制的量化对冲产品的发行不断出现，这个阶段的量化投资真正意义上开始发展，促使该阶段发展的直接原因就是股指期货的出现。[20]

3.第三阶段从2014年至今：迅猛发展阶段。2014年被认为是“值得载入我国私募基金史册的一年”，基金业协会推行私募基金管理人和产品的登记备案制，推动了私募基金的全面阳光化，加速了私募基金产品的发行，其中包括量化对冲型私募产品。2014年称得上我国量化对冲产品增长最迅速的一年，以私募基金为代表的各类机构在量化对冲产品上的规模均有很大的发展，部分金融机构全年销售的量化对冲基金规模超过了百亿。

2015年，上证50ETF期权于2月9日正式推出，这对于对我国的量化投资有着极大的促进作用。4月16日，上证50与中证500两只股指期货新品种的上市给量化投资带来更多的策略的运用，金融衍生品的不断丰富和发展，为量化投资提供更多的丰富对冲手段，也提供了更多的套利机会。

六、总结

量化投资的技术、策略、硬件设施条件都在飞速的发展，与传统的投资方式相比，量化投资有着自身的特点和优势。尤其是量化对冲产品，以其长期稳健的收益特征，成为目前“资产荒”下对信托、理财产品和固定收益产品良好的替代产品。未来随着我国股指期货、融资融券、国债期货、期权等金融产品的不断创新，以及股指期货市场未来逐步恢复正常，量化投资发展前景不可限量。

参考文献

[1]徐莉莉.量化投资在中国的发展现状[R].渤海证券研究所：金融工程专题研究报告，2012.

[2]廖佳.揭开量化基金的神秘面纱[J].金融博览（财富），2014，（11）：66-68.

[3]王力弘.浅议量化投资发展趋势及其对中国的启示[J].中国投资，2013，（02）：202.

[4]Durbin，M. All About High-Frequency Trading： The Easy Way To Get Started[M]. McGraw-Hill Press，2010.

[5]蒋瑛现，杨结，吴天宇，等.海外机构数量化投资的发展[R].国泰君安证券研究所：数量化系列研究报告，2008.

[6]Rishi K. Narang. Inside the Black Box： The Simple Truth about Quantitative Trading[M]. Wiley Press，2012.

[7]丁鹏.量化投资——策略与技术[M].北京：电子工业出版社，2014.

[8]Markowitz，H.M.. Portfolio Selection[J].Journal of Finance，1952，2：77-91.

[9]Sharpe，W.F. Capital asset prices： A theory of market equilibrium under conditions of risk[J]. Journal of Finance，1964，19（3）：425-442.

[10]Lintner. The valuation of risk assets and the selection of risky investments in stock portfolios and capital budgets[J].Review of Economics and Statistics，1965，47（1）：13-37.

[11]Mossin.Equilibrium in a Capital Asset Market[J]. Econometrica，1966，Vol.34（4）：768-783.

[12]Fama，Jensen，and Roll. Investor sentiment and Stock Returns[J]. Journal of Political Economy，1969，（12）34-36.

[13]Black Fischer，and Myron Scholes，1973.The Pricing of Options and Corporate Liabilities[J].Journal of Political Economy，1973，81（3）：637-654.

[14]Ross.The arbitrage theory of capital asset pricing[J].Journal of Economic Theory，1976，13（3）：341-360.

[15]Jorion，Philippe.Value at Risk：The New Benchmark for Managing Financial Risk （3rd ed.）[M]. McGraw-Hill Press，2006.

[16]戴军，葛新元.数量化投资技术综述[R].国信数量化投资技术系列报告，2008.

[17]丁鹏.量化投资与对冲基金入门[M].北京：电子工业出版社，2014.

[18]郭喜才.量化投资的发展及其监管[J].江西社会科学，2014，（03）：58-62.

[19]Ludwig B.，Chincarini. The Crisis of Crowding： Quant Copycats，Ugly Models，and the New Crash Normal[M]. Wiley Press，2013.

[20]曾业.2014年中国量化对冲私募基金年度报告[R].华宝证券：对冲基金专题报告，2015.

[21]严高剑.对冲基金与对冲策略起源、原理与A股市场实证分析[J].商业时代，2013，（12）：81-83.

基金资助：本文由国家社会科学基金项目《企业集团与下属上市公司之间内部并购和治理机制研究》（13BGL054）资助。

篇4：培训投资收益量化分析

关键词：培训,收益,量化

一、现状——人力资源管理者的被动

培训是一个企业不断发展的不竭动力, 其重要性是显而易见的, 壳牌石油集团企划总监德格说:“唯一持久的竞争优势, 或许是具备比你的竞争对手学习得更快的能力”。据统计, 目前民营企业的培训经费为892元/人/年, 国有企业为1362元/人/年, 外企为5020元/人/年。可见, 相比于外企而言, 中国本土企业对于培训项目的重视程度仍然有待提高。

虽然随着企业的发展, 企业对于培训的重视程度有所加强, 但是人力资源部对于培训却仍然停留在执行层面。在一个企业中, 我们所看到的往往是高层管理者制定一个培训项目, 人力资源部门则开始制定培训计划、开展培训等等, 很少有人力资源部门根据组织需要提出合理的培训项目并说服高层管理者实施该项目的行为, 人力资源管理的战略性作用被削减。

当然, 这与人力资源工作的性质是离不开的。公司的目的在于追求利益最大化, 但是一个培训项目往往很难像营销策略一样, 能够带给公司实实在在的数量化的经济性收益。并且, 高层管理者往往视培训为公司的一项支出, 加上人力资源部无法提供客观的预期收益数据, 无法说服决策者实行人力资源部认为最需要的培训项目。人力资源管理者陷入被动的境地, 量化培训投资收益成为人力资源从业人员的面临的重要挑战。

二、改观——培训是一项投资

贝克尔在《人力资本》一书中是这样描述的:“这一学科研究的是通过增加人的资源而影响未来的货币和物质收入的各种活动。这种活动就叫做人力资本投资。”也就是说, 凡是能够有利于形成和改善劳动力素质结构、提高人力资本利用效率的费用与行为都可以认为是人力资本投资的范畴。由此可见, 培训不仅仅是企业的一项成本支出, 更是企业进行的一项投资行为。

在实际的企业管理过程中, 培训是一项投资这一观点却被弱化了。其原因仍然是无法将培训收益量化。同样是一种投资, 一份营销策划方案与一个培训项目策划的区别就在于营销策划能够将未来的收益合理的予以估计, 并用有力的数据加以论证说明。对于企业经营管理者来说, 利润才是真谛, 数字才有说服力。面对一个培训项目, 高层管理者看到的是培训费用的支出, 是职工培训期间无法正常工作创造利润的现实。而所谓的“提高员工积极性和忠诚度”、“提高工作绩效”等定性的描述在当前的支出面前显得非常无力。

要想改变仅仅把培训看作成本支出的观点, 最有效的方法仍然是将培训带来的利润量化表示出来。

三、培训投资收益量化

既然培训作为一项投资项目, 其现金流量模型如下图所示:

要想确定该项目是否值得投资, 只需将投资所得的未来收益与当前付出的成本作相应的比较即可。但是由于资金存在时间价值, 不能将未来获得的现金与当前现金简单相加减, 必须按照一定的贴现率进行贴现。

我们可以利用净现值法计算培训以后各年净现金流量按照一定的贴现率计算的现值之和, 即各年净现金流量贴现到当前期的现值之和。如果该净现值大于零则培训是值得投资的, 如果该净现值小于零则不值得投资。

其中:NPV——净现值

Rt是第t期利润增加值r是贴现率

C是培训成本

对该公式有以下几点说明:

1、Rt是第t期利润增加值, 这里包含一个假设即仅存在培

训这一个变量, 对于每期收益比较均衡的企业, 可以直接将本期收益与以前的平均收益相比较求出利润增加额;对于利润周期比较明显的企业可以分别将各期收益与以前各阶段收益分别相比较求出利润增加额。

2、r取银行同期存款利率。此处, 可以视其为机会成本,

即由于培训项目占用了企业的一笔现金, 使得该笔现金不能存入银行生息而带来的损失。一般而言, 银行同期存款利率是企业可以接受的最低收益率。

3、C是培训成本, 包括培训期间各项费用支出、培训期间给员工发的工资等。

4、该公式所计算出的仅仅是培训带来的经济利润的增加,

对于培训产生的隐性利益如员工对企业忠诚感的增加等方面无法衡量。因此, 相对而言, 该公式更加适用于技能型培训项目。

四、培训收益量化的应用

以上模型和收益在理论上是可行的, 但是在现实中应用起来有一定的困难。对于人力资源管理者来说, 由于对培训实务比较熟悉, 在培训以前估计培训的成本是比较容易的, 银行同期存款利率也容易取得。但是对于培训以后各期利润值增加的估计就有相当的难度, 这也对人力资源管理者提出了更高的要求。

要使量化结果更加精确就必须保证人力资源管理者深刻了解企业的研发、生产乃至销售部门的业务流程, 了解企业的利润创造来源。结合对培训项目的了解以及以前企业相关培训的经验, 准确估计培训效果的达成度以及由此带来的经济效益的增加值, 做出准确的培训投资收益预测。只有这样, 才能为决策者提供更有价值的信息, 完成从执行者到提案者的角色转变。

参考文献

[1]徐庆文, 裴春霞.培训与开发.[M].山东人民出版社, 2004:86

[2]曾湘泉.劳动经济学.[M].复旦大学出版社, 2011:160

篇5：债券量化投资分析方法简介

关键词：信用债 违约风险 量化投资ROIC模型 投资收益

近年来，我国债券市场违约逐渐增多，违约债券种类涵盖了企业债、中期票据、短期融资券和定向工具。在经济下行压力不断加大、供给侧结构性改革持续推进的背景下，去产能、去杠杆、去库存的速度不断加快，刚性兑付也被打破，未来可能会有更多的信用违约事件发生。如何迅速地规避债券违约风险、取得更大收益成为投资者们关注的焦点之一。本文结合国内债券投资实务，借鉴国际上较为成熟的量化分析方法，探讨信用债1投资避险、金融债2投资优选、信用债投资组合优化的简便分析方法，希望能为投资者分析决策提供一定参考。

债券量化投资分析方法

（一）信用债投资避险

1.模型选择

一般来说，如果信用债发债主体未来陷入财务困境的可能性增大，那么债券违约概率就会显著增加。在股票市场上，关于企业未来会陷入财务困境的预测模型已经有了比较成熟的应用，本文在此选择Campbell相关模型进行分析。

根据Campbell（2008）的研究，那些杠杆率较高、净利润较低、市值较小、股票投资收益较低、股票波动率较大、现金与等价物余额较少、市净率较低、股价较低的公司更容易在未来陷入财务困境。

Campbell（2008）违约概率的八因子模型如下：

（编辑注：下方公式中的“*”都改为“×”）

因子一：NIMTAAVG，过去四个季度的净利润/总资产加权均值（季频数据）

因子二：TLMTA，负债/总资产（季频数据）

因子三：CASHMTA，期末现金与等价物余额（季频数据）

因子四：EXRETAVG，过去一个季度（3个月）加权投资收益（月频数据，本文利用中债净价计算投资收益）

因子五：SIGMA，过去一个季度（3个月）净价波动率（日频数据，本文利用中债净价计算波动率）

因子六：RSIZE，发债主体的资产规模（季频数据）

因子七：MB，市净率（不适用于债券）

因子八：PRICE，股价限制（不适用于债券）

鉴于MB、PRICE两个因子并不适用债券，本文选择Campbell模型中的前六个适合债券市场分析的因子，并通过适当改进来分析信用债发债主体的违约概率。

2.数据选取

本文对信用债违约风险的研究时段为截至2016年6月末。由于3只债券（11蒙奈伦债、13东特钢MTN2、13山水MTN1）发债企业没有披露2015年年报，为了避免前视偏误（Look-Ahead Bias），对于这些发债企业的财务数据，本文选取2015年6月30日（含）之前四个季度的财务报表数据。对于中债净价数据，本文使用2015年8月31日（含）之前3个月（1个完整季度）每个月最后一个交易日的中债估值数据，并去掉2015年6月30日以后起息的债券、同一家发行人发行的不同债券、中债估值数据缺失的债券。截至2015年8月31日，债券市场上共有437只债券（包括6只短期融资券、121只企业债、310只中票），本文尝试利用Campbell模型来筛选出在2016年违约的信用债发行人。

3.检验结果

通过对因子进行简单排序后，本文发现SIGMA和RSIZE因子对债券违约没有显著解释作用，其余的四个因子NIMTAAVG、TLMTA、 EXRETAVG、CASHMTA具有明显解释能力。本文对这四个因子进行逻辑回归，四个因子的p-value分别为：0.599、0.276、0.001和0.115。其中EXRETAVG和CASHMTA两个因子对债券违约的解释能力最为显著。

本文利用EXRETAVG和CASHMTA两个因子构建的基于逻辑回归的LPFD模型，在该模型中两个因子的p-value均小于0.10。

（编辑注：下方公式中的“*”都改为“×”）

由LPFD转化的违约概率PFD：

将437只债券按照违约模型以及2015年8月31日之前的定期报告、中债净价数据计算出的PFD值进行排序后，发现2016年上半年发生违约的9家债券发行人3中有7家位于违约概率排名的前15%（排名越靠前，违约概率越大）。

上述方法可作为信用债投资筛选的一种方法，投资者可在日常投资分析中借助上述模型计算出债券违约概率排名，排名居前15%的发债主体可列入禁投黑名单在投资中加以规避，只考虑投资排名在后80%左右、未来违约概率相对较小的信用债。

（二）金融债券投资优选方法

由于商业银行负债率、杠杆率相对较高，信用债的筛选模型并不适用于商业银行债券投资分析。本文采用Chen（2013）的ROIC模型对金融债进行分析。

Chen（2013）的ROIC模型是将一家商业银行的投资资本（Invested Capital）分解为股权资本和债务资本，通过计算投资资本回报率ROIC（Return on Invested Capital）与加权平均资本成本WACC（Weighted Average Cost of Capital）的差值，分析商业银行创造价值的能力。如果ROIC-WACC为正值，说明银行创造价值的能力较高；如果ROIC-WACC为负值，说明银行创造价值的能力较低。对应在金融债券风险分析方面，如果银行创造价值的能力较高，其金融债券违约的可能性一般较小，反之较大。

nlc202309081622

根据Chen（2013）的ROIC模型：

股权资本（Adjusted Equity）=所有者权益+贷款减值准备+无形资产摊销+少数股东权益-公允价值变动净收益

债务资本（Debt Capital）=二级资本债余额

投资回报率（ROIC）=净利润/（股权资本+债务资本）

加权平均资本成本（WACC）=（股权资本×股权成本+债务资本×债务成本）/（股权资本+债务资本）

股权成本 的计算对于在沪深上市的商业银行而言，可以利用以下公式计算：

（编辑注：下方公式中的“*”都改为“×”）

其中：无风险收益率 取值为10年期国债收益率 2.82%；市场收益率 取值为5年上证综指平均收益率 7.41%；相关性 代表银行股票与上证综指的相关性（根据Wind资讯数据可计算）。

截至2016年6月末，银行间市场存量金融债券共计401只，其中商业银行债178只，商业银行次级债券223只，发债主体商业银行共计157家。本文分析的数据基于2015年12月31日的年报，有10家商业银行暂时没有年报，所以可供分析的商业银行发债主体共计147家。

由于大部分商业银行未在沪深上市，而且在沪深上市商业银行的股权资本成本和债务资本成本相差不大。本文将各商业银行发行二级资本债的利率作为加权资本成本WACC，将17家没有发行过二级资本债的商业银行的加权资本成本WACC设为5%。

通过计算发现，上述147家商业银行的投资资本回报率ROIC平均为10.29%，WACC平均为5.55%。ROIC与WACC之差在10%以上的商业银行有5家：承德银行、台州银行、贵阳银行、浙江泰隆商业银行和郑州银行。ROIC与WACC之差为负值的商业银行有11家，其共同特点是贷款减值准备增长较多，净利润下降较快。因此，在投资金融债时，建议避免选取ROIC与WACC之差为负值的商业银行发行的债券。

（三）信用债投资组合优化方法

Arik Ben Dor（2011）研究发现，信用债的久期与信用利差的乘积DTS（Duration Times Spread）可以用来衡量信用债违约风险。在实践中，可以将DTS作为信用风险方面的约束条件来优化信用债投资组合：

Adjusted DTS=Duration×Spread×Weight

（Duration为信用债的久期，Spread为信用债的信用利差，Weight参数是投资组合中某一只信用债的权重）

信用债投资组合优化是指在保持信用风险指标DTS数值不变或者减小的约束条件下，使投资组合加权到期收益率最大化。其他可选约束条件包括：行业多样化约束（禁止对单一行业过于集中投资）、加权久期约束、单只债券投资金额约束等。

假设有如下的信用债投资组合，优化前每一只债券的初始投资额度为发行总额的20%，共计60亿元。本文尝试通过调整优化信用债的权重，在信用风险不变的情况下，实现更高的投资组合收益（组合优化前后对比见表2）。

从表2最后两列可以看到，经过DTS优化后的投资组合在信用风险、投资券种和投资总金额没有变化的情况下，通过调整各只债券权重，信用债投资组合的加权收益率由4.29%提高到4.44%，提高了15 BP。

总结

本文基于非金融行业和金融行业属性的差异，通过引入国外较为成熟的量化分析方法，分别对银行间市场信用债和金融债的筛选和投资组合优化做出分析。

无论是信用债“排雷”还是投资组合优化，本文都希望提供类似VAR值的化繁为简的分析方法，可以协助信用债投资者在投资中避免踩雷、择优配置。与VAR值的简单直接相类似，信用债的PFD值可以帮助投资者对发债企业违约概率的高低进行排序，金融债的ROIC值可以帮助投资者对银行创造价值能力进行排序。在此基础上，可以快速建立信用债投资黑名单，在实际投资中剔除掉违约概率较高的债券；借助于基于久期利差的优化，可以使信用债投资组合在信用风险不变的条件下提高投资收益率。

当然， 正如VAR值无法规避“黑天鹅事件”，本文的量化模型也无法规避实际控制人风险、股权结构突变等难以预测的事件，但对于投资者在债券投资中实现快速初选无疑提供了较好的筛选方法。

作者单位：青岛农村商业银行

责任编辑：牛玉锐 印颖

参考文献

[1] 中央国债登记结算有限责任公司：《中债指数指南》，2014。

[2] John Campbell， Jens Hilscher， and Jan Szilagyi， In Search of Distress Risk， 2008.

[3] Ben Dor， A.， Dynkin， L.， Hyman， J.， Quantitative Credit Portfolio Management，2012.

[4] Dynkin， L.， Gould， A.， Hyman， J.， Quantitative Management of Bond Management，2007.

[5] Chen， S.， Integrated Bank Analysis and Valuation： A Practical Guide to the ROIC Methodology，2013.