量化交易策略的研究模板(10篇)

導言：作為寫作愛好者，不可錯過為您精心挑選的10篇量化交易策略的研究，它們將為您的寫作提供全新的視角，我們衷心期待您的閱讀，并希望這些內容能為您提供靈感和參考。

篇1

二、量化投資“黑箱”中的構造與證券投資學的差異

在傳統的證券投資學中，投資組合理論、資本資產定價模型、套利定價理論和期權定價理論是現代金融理論的四塊基石。前兩者主要依靠均值-方差組合優化的思想，后兩者則主要依靠市場的無套利條件。傳統的投資方法主要是基本面分析和技術分析兩大類，而量化投資則是“利用計算機科技并采用一定的數學模型去實現投資理念、實現投資策略的過程”。從概念看，量化投資既不是基本面分析，也不是技術分析，但它可以采用基本面分析，也可以采用技術分析，關鍵在于依靠模型來實現投資理念與投資策略。為了分析量化投資對證券投資學的啟示，本文從量化投資“黑箱”的各個構成來探討量化投資與證券投資學中思路和觀點的差異。

（一）資產定價與收益的預測

根據組合優化理論，投資者將持有無風險組合與市場風險資產組合，獲得無風險利率與市場風險溢價。資本資產定價模型則將此應用到單一證券或組合，認為證券的風險溢價等于無風險利率加上與風險貢獻比率一致的風險溢價，超過的部分就是超額收益，即投資組合管理所追求的阿爾法值。追求顯著正的阿爾法是資產定價理論給實務投資的一大貢獻。基于因素模型的套利定價理論則從共同風險因素的角度提供了追求阿爾法的新思路。其中，法瑪和佛倫齊的三因素定價模型為這一類量化投資提供了統一的參考。可以說，在因素定價方面，量化投資繼承了資產定價理論的基本思想。對于因素定價中因素的選擇，證券投資學認為，對資產價格的影響，長期應主要關注基本面因素，而短期應主要關注市場的交易行為，即采用技術分析。在量化投資中，主要強調按照事先設定的規則進行投資，這在一定程度上與技術分析類似。但是，在技術分析中，不同的人會有不同的結論，而量化投資則強調投資的規則化和固定化，不會因人的差異而有較大的不同。另外，量化交易更強調從統計和數學模型方面尋找資產的錯誤定價或者進行收益的預測。

（二）無套利條件與交易成本

在證券投資學里，流動性是證券的生命力。組合投資理論、資本資產定價模型以及套利定價理論等都認為市場中存在大量可交易的證券，投資者可以自由買賣證券。這主要是為了保證各種交易都能實現，如套利交易。根據套利定價理論，一旦市場出現無風險的套利機會，理性投資者會立即進行套利交易，當市場均衡時就不存在套利機會。現實市場中往往存在套利限制。一是因為凱恩斯說的“市場的非理性維持的時間可能會長到你失去償付能力”。二是因為市場總是存在交易費用等成本。但證券投資學中，對市場中套利限制與非流動性的關注較少，這是因為傳統金融理論中簡化了市場結構。市場微觀結構理論研究在既定的交易規則下，金融資產交易的過程及其結果，旨在揭示金融資產交易價格形成的過程及其原因。在市場微觀結構理論中，不同的市場微觀結構對市場流動性的沖擊是不同的。因而，從量化投資的角度看，為了降低交易帶來的價格沖擊，能實施量化投資策略的證券往往都應有較好的流動性，因為交易時非流動性直接影響投資策略的實施。從這個意義上講，量化投資時的交易成本不僅包括交易費用，更主要的是要考慮市場交易沖擊的流動性成本。

（三）風險控制與市場情緒

在證券市場中，高收益與高風險相匹配。量化投資在追求高收益的同時，不可避免地承擔了一定的風險。在證券投資學中，系統性風險主要源于宏觀經濟因素，非系統性因素則主要源于行業、公司因素，并且不考慮市場交易行為的影響。在量化投資中，較多地使用因素定價模型，不僅會考慮市場經濟因素，而且會考慮交易行為等因素，只是不同的模型有不同的側重點，在多模型的量化投資系統中自然包括了這兩方面的因素。除了各種基本面和市場交易的因素風險外，量化投資還有自身不可忽視的風險源。一方面，量化交易中，部分交易是采用保證交易的期貨、期權等衍生品交易，這種杠桿交易具有放大作用，隱藏著巨大的風險。另一方面，市場沖擊的流動性成本也是量化投資的風險控制因素，理所當然地在圖1的風險控制模型中體現出來。另外，在一般的投資過程中，市場情緒或多或少會成為風險控制的一個對象。然而，在量化投資中，更多的交易都是通過計算機來實現的，如程序交易等，這樣以來，投資者情緒等因素對投資決策的影響相對較小。所以，在量化投資的風險控制模型中較少地考慮市場情緒以及投資者自身的情緒，主要是通過承擔適度的風險來獲得超額回報，因為畢竟減少風險也減少了超額回報。

（四）執行高頻交易與算法交易

在對未來收益、風險和成本的綜合權衡下，實現投資策略成為量化投資的重要執行步驟。為了達到投資目標，量化投資不斷追求更快的速度來執行投資策略，這就推動了采用高速計算機系統的程序化交易的誕生。在證券投資學里，技術分析認為股價趨勢有長期、中期和短期趨勢，其中，長期和中期趨勢有參考作用，短期趨勢的意義不大。然而，隨著計算機信息科技的創新，量化投資策略之間的競爭越來越大，誰能運作更快的量化模型，誰就能最先找到并利用市場錯誤定價的瞬間，從而賺取高額利潤。于是，就誕生了高頻交易：利用計算機系統處理數據和進行量化分析，快速做出交易決策，并且隔夜持倉。高頻交易的基本特點有：處理分筆交易數據、高資金周轉率、日內開平倉和算法交易。高頻交易有4類流行的策略：自動提供流動性、市場微觀結構交易、事件交易和偏差套利。成功實施高頻交易同時需要兩種算法：產生高頻交易信號的算法和優化交易執行過程的算法。為了優化交易執行，目前“算法交易”比較流行。算法交易優化買賣指令的執行方式，決定在給定市場環境下如何處理交易指令：是主動的執行還是被動的執行，是一次易還是分割成小的交易單。算法交易一般不涉及投資組合的資產配置和證券選擇問題。

三、對量化投資在證券投資教學中應用的思考

從上述分析可以知道，量化投資的“黑箱”構造與證券投資學之間存在一定的差異，因此，在證券投資的教學中應當考慮量化投資發展的要求。

（一）市場微觀結構與流動性沖擊

在理性預期和市場有效假說下，市場價格會在相關信息披露后立即調整，在信息披露前后市場有著截然不同的表現。在證券投資學里，一般認為價格的調整是及時準確的，然而，現實的世界里，價格調整需要一個過程。在不同的頻率下，這種價格形成過程的作用是不同的。在長期的投資中，短期的價格調整是瞬間的，影響不大。然而，在高頻交易中，這種價格調整過程影響很大。市場微觀結構就是研究這種價格形成過程。市場微觀結構理論中有兩種基本的模型：存貨模型和信息模型。存貨模型關注商委托單簿不平衡對訂單流的影響，解釋沒有消息公布時價格短暫波動的原因。信息模型關注信息公布后信息反映到價格中的這一過程，認為含有信息的訂單流是導致價格波動的原因。無論是關注委托訂單的存貨模型還是關注市場參與者信息類型的信息模型，這些市場微觀結構的研究加強了流動性與資產價格之間的聯系，強調流動性在量化投資決策中的重要作用。一般的證券投資學中基本沒有市場微觀結構的內容，因而，為了加強證券投資學的實用性，應關注市場微觀結構的內容與發展。

（二）業績評價與高杠桿

對于證券組合而言，不僅要分析其超額收益和成本，還要考慮其風險與業績。在組合業績評價中，一方面要考慮風險的衡量，另一方面則要分析業績的來源。在證券投資學中，組合業績來自于市場表現以及管理者的配置與選股能力。對于量化投資而言，市場時機和管理者的能力依然重要，然而，量化投資的業績評價還應考慮另一個因素：高杠桿。量化交易中，部分交易是采用保證交易的期貨、期權等衍生品交易，這種杠桿交易具有放大作用，在市場好的時候擴大收益，但在市場不好的時候會加速虧損，這些與傳統的業績評價就不太一樣。在一般的證券投資學里，業績評價主要考慮經風險調整的收益，很少考慮其杠桿的作用，這不僅忽略了杠桿的貢獻，而且有可能夸大了投資者的技能水平。

（三）人為因素與模型風險

在量化投資中，非常注重計算機對數據和模型的分析，這突出了量化投資的規則性和固定性。然而，實際中，別看量化采用了各種數學、統計模型，但策略設計、策略檢測和策略更新等過程都離不開人的決策。量化交易策略與判斷型交易策略的主要差別在于策略如何生成以及如何實施。量化投資運用模型對策略進行了細致研究，并借助計算機實施策略，能夠消除很多認為的隨意性。但是，量化策略畢竟體現投資者的交易理念，這一部分依賴于投資者的經驗，一部分依賴于投資者對市場的不斷觀察與更新。實際上，人始終處于交易之中，對于市場拐點以及趨勢反轉的判斷主要還是依賴投資者的經驗。光大的烏龍指事件充分表明了人為因素在量化投資中的兩面性：決策實施依賴于人的設定，而人的設定不僅依賴于經驗，而且人還會犯錯。人之所以會犯錯，一方面是因為人們對市場的認知是不完全的，另一方面則是人們使用了錯誤的模型。經典的證券投資理論中，股票價格的變動被認為是隨機的，小概率事件出現的機會比較小，但是經驗研究表明股票收益率具有肥尾現象，小概率事件發生的機會超出了人們原先的認識，即市場還會出現“黑天鵝”。更為關鍵的是，量化投資更依賴數學和統計模型，這就使得量化投資存在較大的模型風險，即使用了錯誤的模型。為了防范模型風險，應采用更為穩健的模型，即模型的參數和函數應該適應多種市場環境。近年來，研究表明，證券收益及其與風險因素的關系存在較大的非線性，同時，市場中存在一定的“噪聲”，采用隱馬爾科夫鏈等隨機過程和機器學習等數據挖掘技術進行信息處理成為量化投資的重要技術支持。

篇2

摘 要：“金融改革”的提出，金融市場的逐步開放，將促進金融創新的步伐，給投資者帶來越來越多的投資渠道，同時也將加速中國金融市場與國際金融市場的融合。通過分別建立兩個單指標擇時策略模型，運用MATLAB模式搜索算法在設定時段內搜索最優參數，并分別對兩個單指標策略進行交易仿真回驗。實證結果顯示，趨勢型指標可以抓住大的波段行情，獲得超額收益，具有較好的擇時效果。實證顯示組合指標策略的效益明顯高于單指標策略。因此，采用組合指標策略進行個股量化擇時交易較單指標策略能獲得更優的投資收益。

關鍵詞 ：量化擇時；趨勢指標；組合指標策略；參數優化

中圖分類號：F8 文獻標識碼：A doi：10．3969／j．issn．1665－2272．2015．12．008

1 緒論

1．1 背景意義

“金融改革”的提出將為中國的量化投資帶來發展前景。金融市場的逐步開放將會促進金融創新的步伐，給投資者帶來越來越多的投資渠道，同時也將加速中國金融市場與國際金融市場的融合。很多國外成熟的投資工具和投資方法將逐步進入中國市場，以期貨市場為代表的衍生品市場將迎來飛速增長，以量化投資為代表的投資方法也將得到投資者更大的關注。

在投資業，各種渠道提供的海量信息以及高頻金融交易數據都在深刻地影響這個行業的發展以及金融市場的有效性。金融創新給期待量化投資的投資者提供了豐富的投資工具。自20世紀50年代以來，金融市場出于規避監管，轉嫁風險和防范風險等需要，推出了很多創新性的金融產品，提供了越來越豐富的投資工具。金融衍生品在金融市場中占的比例越來越重要。

中國量化投資的前景廣闊。黨的十八屆三中全會提出了“健全多層次資本市場體系”的指示精神，為十二五期間的資本市場發展指明了方向。隨著金融投資工具的增加，量化投資將顯示出其更大的作用，幫助投資者在更好的風險管控中尋求最佳收益回報。

作為量化投資中的量化擇時，是指利用某種方法來判斷大勢的走勢情況以及時采取相應措施，它是收益率最高的一種交易方式。就股票投資者而言，擇股和擇時都是至關重要的，正確擇股是盈利的前提，而正確擇時則是盈利的最終實現。因此，從微觀角度入手，建立有效的個股量化擇時交易策略值得研究。

1．2 文獻綜述

關于量化投資的研究，國內外更多的研究主要以策略構建和實證為主。易海波、楊向陽、羅業華、曾敏通過將量化指標按照股票屬性進行分類排序，以自下而上的選股方式，構建出價值、成長、質量三個基本模型，并在此基礎上衍生得到四個疊加模型和GARP模型。利用八個選股模型以不同的參數進行選股，構建出十個量化選股組合，歷史回測結果顯示這些組合風格各異，適合不同風險偏好的投資者。張登明通過對技術指標的分析，構建了完整的及時指標組合投資策略框架。他從量化的角度，通過樣本統計給出了適合中國股市的優化指標組合及參數設置，對提高投資決策有積極意義。路來政通過研究量化基金的績效及管理能力來研究量化投資策略的應用效果，采用T－M模型、H－M模型和C－L模型對其中9只量化基金的管理能力進行了研究，以評價量化基金使用量化投資策略的擇股效果和擇時效果，結果表明量化基金采用量化策略進行投資是有意義的。

股票擇時屬于量化投資的一個分域。劉瀾飚、李貢敏研究了市場擇時理論在中國的適用性，表明中國上市公司不僅存股票市場的市場擇時行為，而且存在債務擇時行為，即股票市場高漲時，上市公司傾向于債務融資。林正龍基于效用無差別定價原理，運用實物期權定價理論，研究項目投資收益不可完全復制的不確定性投資機會定價與擇時問題，得出不同于指數效用，對具有常值相對風險回避系數效用函數的投資者而言，不確定性投資機會的定價與擇時與投資者當前財富數量有關。卓琳玲、胡志強通過對樣本公司的研究，發現樣本公司股票行為、債券發行和內部融資均呈下降趨勢，其中股票不是特別明顯，當市值杠桿比率上升時期，股票發行出現顯著地下降趨勢，此時市場時機選擇比較明顯，說明我國股市存在明顯的市場時機選擇行為。劉陽、劉強通過研究我國從上世紀90年代初-2010年1月的上證綜指和深證成指，分析異常收益率對整個期間收益的影響及擇時的可能，發現極少數具有超常收益的交易日對股票市場的長期收益具有顯著的影響，認為理性的投資者應該放棄擇時而選擇長期投資。王俊杰在擇時模型方面分析了行業指數存在的持續性和行業輪動特征，并以時間序列模型為基礎，構建動量模型、MS－GARCH行業擇時模型等量化擇時策略，回測結果MS－GARCH擇時模型戰勝行業動量模型和指數，表現較好。

溫婧茹對移動平均線理論進行改進，構造了最適參數，參考設計了觸線交易策略和過濾器交易策略，構建了家電板板塊靜態與動態相結合的股票池，實證得出，不同股票對應的最適參數不同，用個性化的參數進行決策能獲得更好的收益；應用收益率確定最適參數以擇股，結合觸線交易策略以擇時，能夠跑贏大盤，取得超額收益。曹力自適應均線更適合于組合類的標的，如指數或者封閉式基金，因為這些標的的走勢經過了平均的平滑，沒有突然的大起大落，更容易用均線來跟蹤趨勢的變化。而對于個股，波動形態和指數類表的不同，所以需要使用不同的參數，在大多數個股上能夠獲得超額收益，特別對強周期性行業的股票自適應均線有很強的擇時能力。但是自適應均線也不是萬能的，對于某些個股，因為波動形態的復雜，用自適應均線也無法獲得超額收益。曹力、徐彪從實證效果來看，利用可交易組合的均線模式識別找出的買入機會成功率較高，能抓住一些市場主要的反彈機會，因此累積收益非常出色。可交易組合的均線模式識別方法是擇時交易，特別是熊市中擇時的有效方法。

1．3 研究框架

傳統的趨勢指標擇時策略往往是單指標的，并且策略參數通常是約定俗成的。單指標策略局限性和偶然性大，不能有效及時獲取收益和及時止損；約定俗成的常用參數值在面對各種波動幅度不同、周期性不同、價格彈性等不同的個股時也有失客觀性和靈動性。

所以，在探究一種改進針對個股的傳統趨勢指標量化擇時的策略。首先建立基于各傳統趨勢指標的單指標擇時策略，通過參數優化確定各單指標策略的最適參數；并在單指標的基礎上，創新性地通過指標的組合，構建一個綜合性且參數最優的組合指標擇時策略，以增強策略的穩定性和魯棒性，獲得更優的投資收益。

1．4 術語說明

（1）累計收益率：

（2）年化收益率：年化收益率是把當前收益率（日收益率、周收益率、月收益率）換算成年收益率來計算的，是一種理論收益率，并不是真正的已取得的收益率。

（3）夏普比率：夏普比率是一個可以同時對收益與風險加以綜合考慮的經典指標，它反映了單位風險基金凈值增長率超過無風險收益的程度。如果夏普比率為正值，說明在衡量期內基金的平均凈值增長率超過了無風險利率。夏普比率越大說明基金單位風險所獲得的風險回報越高。因此，夏普比率是可以同時對收益與風險加以綜合考慮的經典指標之一。

夏普比率=

（5）最大回撤率：在選定周期內任一歷史時點往后推，產品凈值走到最低點時的收益率回撤幅度的最大值。最大回撤率用來描述買入產品后可能出現的最糟糕的情況，是一個重要的風險指標。

2 理論概述

2．1 量化投資理論

量化投資是運用現代統計學和數學的方法，從大量的歷史數據中尋找并獲得超額收益的一種投資策略，投資者通過計算機程序，建立可以重復使用并反復優化的投資策略，嚴格按照這些策略所構建的數量化模型進行投資并形成回報。

量化投資的內容主要包括量化選股、量化擇時、股指期貨套利、商品期貨套利、統計套利、算法交易、ETF／LOF套利、高頻交易等。量化投資在國外已有30多年的發展歷史，但在國內還是近年出現的新鮮事物。相比其他投資策略，量化投資在國外的運用已取得了更佳的業績。

與海外成熟市場相比，中國A股市場的發展歷史較短，投資理念還不夠成熟，相應的留給主動型投資發掘市場的潛力和空間也更大。國內很多實證文獻討論國內A股市場也尚未達到半強勢有效市場，因此量化投資理論引入國內證券市場是非常有意義的，它以正確的投資理念為根本，通過各種因素的分析，以全市場的廣度、多維度的深度視角掃描投資機會，在中國市場的應用將更顯其優勢。

2．2 擇時理論

量化擇時是量化投資的一種，它利用數量化的方法，通過對各種宏觀微觀指標的量化分析，試圖通過回溯歷史數據，找到影響大盤走勢的關鍵信息，并且對未來走勢進行預測。如果判斷是上漲則買入持有；如果判斷是下跌則賣出清倉；如果判斷是震蕩則進行高拋低吸，這樣就可以獲得遠遠超越簡單買入持有策略的收益率。所以擇時交易是收益率最高的交易方式之一。

股票的量化擇時是預測市場以后的走勢，并由此來判斷調整投資組合的風險水平，從而獲取更大的收益，具體表現是現金流進出證券市場和在證券間比例變換的時機選擇。

2．3 趨勢追蹤理論

趨勢擇時的基本思想來自于技術分析，技術分析認為趨勢存在延續性，因此只要找到趨勢方向，跟隨操作即可。

技術指標是技術分析中使用最多的一種方法，通過考慮市場行為的多個方面建立一個數學模型，并給出完整的數學計算公式，從而得到一個體現證券市場的某個方面內在實質的數字，即所謂的技術指標值。指標值的具體數值和相互間關系直接反映證券市場所處的狀態，為操作行為提供指導作用。目前證券市場上的技術指標可分為“趨勢型指標”、“反趨勢型指標”、“能量指標”、“大盤指標”、“壓力支撐指標”等類別。

移動平均線（MA）是一種常用的趨勢型指標，由Joseph E．Granville于20世紀中期提出來。它是當今運用最普遍的技術指標之一，幫助交易者確認現有趨勢、判斷將出現的趨勢、發現過度延伸而即將發轉的趨勢。后來又逐漸衍生出其他類型的均線，如平滑異同移動平均線（MACD）、三重指數平滑平均線（TRIX）等。 這些均線理論常用兩根線的交叉作為交易信號，并以此作為買賣時點的判斷。

均線理論提供了一種簡單有效的使價格序列平滑并且使趨勢更易于辨認的方法。

因此綜合以上理論的優點，在此基礎上改進傳統趨勢指標的量化擇時策略，并創新性地開發更優的組合指標量化擇時策略，以達到及時獲取收益和及時止損的目的。

3 擇時策略模型建立

3．1 MA單指標策略模型的建立

MA移動平均是指連續若干交易日收盤價的算術平均，用來顯示股價的歷史波動情況，進而反映股價指數未來的發展趨勢。

其中

利用MA指標進行量化擇時，在短期移動均線與長期移動均線的交叉處進行買入或賣出擇時交易。以下分別建立買入和賣出法則的模型。

在短期移動均線下穿長期移動均線的黃金交叉處買入，故建立如下數學模型：

mabuy=1，MA（s）t＞MA（s）t-1&MA(s)t＞MA(l)t&MA(s）t-1＜MA（l）t-10,其他（6）

其中mabuy=1，表示滿足買進，mabuy=0表示不滿足買進。

在短期移動均線上穿長期移動均線的死亡交叉處賣出，故建立以下數學模型：

mabuy=1，MA（l）t＜MA（l）t-1&MA(s)t＜MA(l)t&MA(l）t＞MA（l）t-10,其他

其中mabuy=1，表示滿足賣出，mabuy=0表示不滿足賣出。

3．2 MACD單指標策略模型的建立

MACD即指數平滑異同移動平均線，是根據均線的構造原理，通過分析短期指數移動平均線與長期指數移動平均線之間的聚合與分離狀況，對買進、賣出時機做出判斷的趨勢型技術指標。

MACD的計算如下：

（1）計算短期（ms）指數移動平均線EMA1和長期（ml）指數移動平均線EMA2。

（2）計算離差值DIF＝EMA1－EMA2。

（3）計算DIF的M日指數移動平均線，即DEA。

（4）計算MACD＝2（DIF－DEA）。

利用MA指標進行量化擇時，在DIF與DEA的交叉處進行買入或賣出，分別建立買入和賣出法則的模型。

當DIF、DEA均為正值，DIF向上突破DEA時，為買入信號，建立如下數學模型：

macdbuy=1，DIFt＞DIFt-1&DIF＞DEAt&DIFt-1＜DEAt-1&DIF＞00,其他 （8）

其中，macdbuy=1表示滿足買進，macdbuy=0表示不滿足買進。

當DIF、DEA均為負值，DIF向下跌破DEA時，為賣出信號，建立如下數學模型：

macdsell=1，DIFt＜DIFt-1&DIFt＜DEAt&DIFt-1＞DEAt-1&DIF＜00,其他（9）

其中macdsell=1，macdsell=0表示滿足賣出，表示不滿足賣出。

3．3 MA－MACD組合指標策略模型的建立

組合模型構建兩個新的信號變量：買入信號個數閾值“buy”（1≤buy≤2，整數）和賣出信號個數閾值“sell”（1≤sell≤2，整數）。

買入信號個數閾值“buy”表示：當MA策略中的“mabuy＝1”的買入信號個數與MACD策略指標中的“macdbuy＝1”的買入信號個數之和至少達到閾值“buy”（1≤buy≤2)數量個時才進行買入交易。

即“buy”閾值取不同值時，買入信號組合滿足買入條件的情況如下：

buy=1時，滿足買入情況：mabuy=1||macdbuy=1||macdbuy=1||mabuy=1&macdbuy=12時，滿足買入情況：mabuy=1&macdbuy=1（10）

賣出信號個數閾值“sell”表示：當MA策略中的“mabsell＝1”的賣出信號個數與MACD策略指標中的“macdsell＝1”的賣出信號個數之和至少達到閾值“sell”數量個時才進行賣出交易。

即“buy”閾值取不同值時，買入信號組合滿足賣出條件的情況如下：

sell=1時，滿足賣出情況：masell=1||macdsell=1||mabsell=1&macdsell=12時，滿足買入情況：masell=1&macdsell=1（11）

3．4 模型最優參數的選擇

就個股而言，不同的計算參數，將導致不同的擇時效果。面對各種波動幅度不同、周期性不同、價格彈性等不同的股票，如果盲目套用經典參數可能會有失客觀性和靈動性。因此， 在進行量化擇時策略構建時，需要針對個股進行策略的參數優化，檢驗指標不同參數的測試效果，并最終選擇一個最優的參數組合。

夏普比率是一個可以同時對收益與風險加以綜合考慮的經典指標，它反映了單位風險基金凈值增長率超過無風險收益的程度。如果夏普比率為正值，說明在衡量期內基金的平均凈值增長率超過了無風險利率。夏普比率越大說明基金單位風險所獲得的風險回報越高。因此，夏普比率是可以同時對收益與風險加以綜合考慮的經典指標之一。

4 個股實證分析

4．1 數據選擇

為驗證上述模型的有效性，個股實證以深圳證券交易所的華誼兄弟300027為交易標的，選取來源于國泰安2011．1．1－2014．6．30的基本面數據庫，包括個股開盤價、收盤價等。

4．2 MA單指標擇時策略仿真回驗

首先對該股策略進行參數優化：本策略中對于參數，在測試期間內，以2天為間隔，測試范圍從2天到20天；以5天為間隔，測試范圍從20天到120天；搜索精度為1；測試回驗30天，截止日期設為2013－12－31。通過回驗得到參數優化結果（見表1）。

如表1所示，最優組合（s，l）＝（2，20），當以2日為短期均線，20日為長期均線，在參數優化測試期間進行交叉擇時時效果較好，在回驗測試期間內夏普比率達2．4234。

確定最優后，運用國泰安量化交易平臺QIA進行策略交易仿真回驗。設定合約保證金為1，合約乘數為1，市場參與度為0．5，買方手續費為0．05‰，賣方手續費為0．05‰，交易賬戶為股票賬戶并設定初始資金為1 000 000元，以一年期國債利率為無風險利率，并以滬深300為業績比較基準，以數據庫所給時間2011年1月1日-2014年6月30日為策略回驗時間區間進行回驗。最終結果（見圖1、表2）。

回驗結果顯示，此單指標策略在2011年1月1日-2014年6月30日間的累計收益率達42．26％，年化收益率達11．10％，高出同期的滬深300指數比較基準，并且勝率達60．80％。由此我們可以得出結論，采用MA單指標策略進行個股量化擇時交易也能獲得較優的投資回報。

4．3 MACD單指標擇時策略仿真回驗

對該股策略進行參數優化：該策略需要優化確定的參數主要包括短期指數移動平均線的計算天數ms、長期指數移動平均線的計算天數ml，以及DEA的計算天數M。本策略的參數優化依然以最大化夏普比率為最優化目標函數，并使用Matlab的模式搜索算法在設定的回驗時段內搜索最優參數組合（ms，ml，M）。

對于參數ms，在測試期間內，以2天為間隔，測試范圍從2天到20天；參數ml以5天為間隔，測試范圍從20天到120天；參數M以5天為間隔，測試范圍從5天到60天；搜索精度為1；測試回驗30天，截止日期設為2013－12－31。通過回驗得到參數優化結果如下：

如表3所示，最優組合（ms，ml，M）＝（2，25，10），當以2日為短期指數移動平均線計算天數，25日為長期指數移動平均線計算天數，10日為DEA計算天數，進行交叉擇時時效果較好，在回驗測試期間夏普比率達3．0682。

組合指標擇時策略仿真回驗。由于組合指標策略是建立在單指標策略基礎上的，所以該策略中的參數（s，l）、（ms，ml，M）即為模型一和模型二參數優化后確定的值，而參數（buy，sell）的組合情況有（2，2）、（2，1）、（1，2）和（1，1）四種，閾值組合選取哪個使得策略最優則需要進一步的參數優化。

對于參數buy，初始值設為2，測試最小值為1，最大值為2，步長設為1；參數sell，初始值設為2，測試最小值為1，最大值為2，步長設為1；搜索精度設為1；測試回驗90天，截止日期設為2013－12－31。通過回驗得到參數優化結果（見表4）。

如表4所示，最優組合（buy， sell）＝（1，1），即當買入信號個數至少有一個時就進行買入交易，賣出信號個數至少有一個時就進行賣出交易，以此進行組合指標擇時效果最好，在參數優化回驗測試期間夏普比率達2．490 3。

5 結論

從價格沿趨勢移動和歷史會重演的角度出發，運用傳統趨勢指標MA和MACD，分別建立MA、MACD的單指標擇時策略模型并通過模式搜索算法分別求出兩個策略的最優參數，從實證結果看趨勢型指標可以抓住大的波段行情，獲得超額收益，具有較好的擇時效果。在此基礎上再創新性的運用通過設置買入和賣出信號個數閾值的方法構建二者的最優組合指標模型，增強了擇時的穩定性和魯棒性，在有效降低風險的同時提高了收益率。

綜上所述，基于以上的不足之處，以后將沿著組合指標擇時的思路繼續深入研究以對目前的研究進行改進。未來的工作主要是：對于用于組合的單指標要進行更為全面的擴展，引進其他經典趨勢型指標DMA平均線差指標、TRIX三重指數平滑移動平均指標等，同時把指標類型拓展至其他類型，如反趨勢型指標ACCER幅度漲速指標等，量價指標APBP人氣意愿指標等，大盤指標OBOS超買超賣指標等，壓力支撐指標ENE軌道線指標等。通過增加組合趨勢型數量和組合指標類型，以使組合指標策略更全面、更切合實際市場。

參考文獻

1 丁鵬．量化投資——策略與技術［M］．北京：電子工業出版社，2012

2 方浩文．量化投資發展趨勢及其對中國的啟示［J］．宏觀管理，2012（5）

3 郭建．論證券投資技術分析中歷史會重演的根本原因［J］．商業時代，2007（28）

4 李向科．證券投資技術分析［M］．北京：中國人民大學出版社，2012．

5 張登明．技術指標投資策略的優化及其在量化交易中的應用［D］．武漢：華中科技大學，2010

6 方智．基于多技術指標模型的滬深300指數走勢預測［D］．南昌：江西財經大學，2012

7 路來政．量化投資策略的應用效果研究［D］．廣州：暨南大學，2012

8 劉瀾飚，李貢敏．市場擇時理論的中國適用性［J］．財經研究，2005（11）

9 林正龍．項目投資定價與擇時理論研究［D］．長沙：湖南大學，2006

10 胡志強，卓琳玲．IPO市場時機選擇與資本結構關系研究［J］．金融研究，2008（10）

篇3

這群人多數都不是學金融而是學數學或者物理出身，當他們進入華爾街后，被認為是華爾街名副其實的淘金者，1980年到2007年，是他們勢不可擋的黃金年 代。

2005年左右，量化投資在國內出現。

從事量化投資的人被稱為寬客，則是最近兩三年的事情。一方面是一些介紹華爾街寬客的書籍被翻譯引進，另一方面，因為2008年金融危機爆發，一些華爾街的寬客開始轉戰中國。

短短幾年，隨著中國衍生品市場的日漸開放，自稱寬客的人越來越多。券商、基金、期貨、私募……一句市場玩笑話，誰家要是沒有一個兩個寬客，都覺得不太好意思。

寬客的春天真的來到了？

年輕的中國寬客們

一間不到20平方米的房間，沒有任何隔斷，每張辦公桌上都放著兩到三臺電腦，五張辦公桌呈扇形分布在落地窗前，每個人扭頭就可以和其他人說話。

這就是永安期貨研究所量化投資團隊的辦公室。和國內不少量化投資團隊一樣，他們在公司具有相對獨立的空間。

30歲的張冰，2009年畢業于北京大學，理論物理博士，是這個團隊的負責人。有著一張娃娃臉的他，舉手投足之間流露出來的依然是濃濃的書生氣。不僅是他，屋子里的其他人也都像是在大學機房里安靜地做研究、編程序。

事實上，要想進入這個團隊，必須有熟練的計算機編程能力。2012年7月加盟張冰團隊的李洋是北師大應用數學碩士，他經過一天近十個小時的筆試和面試才最終被團隊接納。筆試中80%的題目都是用計算機編程。

“量化投資是聰明人的游戲。”張冰說，量化投資實際上是一種在證券市場上找規律、找錯誤的游戲。誰先找到新規律、新錯誤，誰先獲得超額收益的可能性就越高。

這個團隊除了一位數學碩士，一位計算機碩士，還有三位是物理博士。數學和計算機能力都超強。

還在北京大學攻讀博士學位的時候，張冰就聽導師馬伯強提到他有不少同學、學生，赴美留學繼續深造物理之后，沒有繼續學術研究，而是轉戰華爾街做投資，做得相當成功。

物理學一直關注的是動態，尋求規律，目的是為了預測并掌握未來。把物理學理論知識運用到金融實踐中，尋找證券定價變動的規律，其實并沒有越過物理學的研究范疇。

這讓本來就對金融有興趣的張冰，開始想自己今后的路。他還專門去一個私募基金實習了半年。“在物理學中，你是和上帝玩游戲，在金融領域，你是和上帝的造物玩游戲。”

這句話并不是張冰原創，而是來自他的前輩，同樣也是理論物理博士出身的伊曼紐爾·德曼（Emaneul Derman）。

德曼的自傳《寬客人生：華爾街的數量金融大師》在2007年被引介到中國。德曼自1985年進入華爾街之后，就致力于把物理學理論和數學技巧及計算機編程技術結合起來，建構數量模型，尋找金融證券的定價，指導證券交易。

張冰看過這本書之后，更加確信，自己可以選擇像德曼一樣去當寬客。不過，當他決定做寬客時，發現中國突然間就涌現出很多量化投資專家。而事實上這些人多數是營銷專家，根本就不懂量化投資，最后都虧得一塌糊涂。

2009年，他決心成為真正的寬客，于是拉著同班同學陳星和師妹錢文，成立了這個以北大理論物理博士為班底的寬客團隊。這是國內期貨公司中第一批成立的寬客團隊。目前國內三分之一的期貨公司有量化投資團隊。

團隊平均年齡27歲，成立至今一直比較穩定。張冰也沒有擴容的打算。因為要找到對數字的敏感，善于發現數字之間的規律和聯系，還能把這些規律變成數量模型指導證券交易的人，很難。他這個團隊也還處于自我培養的過程中。

“中國寬客以年輕人居多。”中國量化投資學會理事長丁鵬說。

丁鵬是上海交通大學計算機博士，方正富邦基金的資深量化策略師。2012年初，他推出一本《量化投資：策略和技術》，成為國內最早一本專門介紹量化投資的專業書籍，被一些人認為是寬客圣經。

一年前，丁鵬建了一個QQ群，隔三差五與對量化研究感興趣的人進行討論，沒想到經過口口相傳，QQ群迅速發展壯大，線上討論也發展到線下交流。他便牽頭成立了中國量化投資學會。

學會如今在全國擁有十幾個分會，近八千人，大部分都是有著一定數理知識基礎的年輕人，這些人都打定主意要成為中國的寬客。

在丁鵬看來，在中國當寬客，生活很簡單，只需要潛下心來，發揮個人聰明才智，做研究，建模型。真正找到好的可以賺錢的模型之后，都是別人求你。

這讓很多純理工背景人的人很向往。在現在的社會格局下，要想出頭并不容易，但當寬客可以掌握自己掌握命運，完全憑自己取得成功。

賺錢之道

丁鵬一天典型的工作狀態是：查看模型前一天的運轉結果，考慮是否要對策略進行修正。如果沒有需要修正的，則著手準備為下一個模型的開發。其他的都是電腦的事情，不用他管。他根本就不看基本面。

張冰團隊的辦公室放眼望去，也沒有交易時間最常見的五顏六色的股票K線圖和大盤走勢圖，電腦屏幕上顯示的多數是白底黑字的編程界面。

不過，他們并不像丁鵬那么輕松。團隊每人按特長各有分工：有的主要處理數據，有的做策略設計，有的做策略建模。因期貨公司目前不能直接做交易，張冰團隊每天主要做的就是衍生品量化投資分析工作，把研究的結果開發成產品供客戶購買。

而通常能夠進行交易的寬客團隊一天的工作流程大致如此：有人在交易頭一天晚上就負責收集并更新、處理好交易所公告的數據；第二天開盤之前，通過選定的模型，經相關軟件自動給出交易策略。開盤后，按照模型給定的策略進行交易。早上10點左右，交易員、基金經理盯盤最忙碌的時候，量化投資團隊一天的最主要工作—投資決策、交易下指令的工作已經完成。

丁鵬認為，進入量化投資門檻之后，找到好的方法，會比較輕松，理論上講，“一臺筆記本一個U盤就可以賺錢了”。

真實交易還是需要一個團隊的支持，不過核心的交易模型和思想，確實一張U盤就可以存儲完成。有朋友曾拿U盤拷下他設計的量化投資模型到香港股市去實踐，半年間盈利最高點達到了120%，不過，這個高風險的策略只適合于小資金操作，并不適合于大規模的資產管理。丁鵬解釋：”資本市場沒有神話，需要不斷地修訂自己的模型和策略 “。

張冰目前也不敢奢望那樣的賺錢狀態。

事實上，量化投資在國內最早也就是2005年才萌芽。業內公認，2005年開始的ETF套利拉開了量化投資在中國的序幕，而股指期貨等衍生品2010年才逐步放 開。

因為無可借鑒，張冰團隊只能從零做起。從收集數據到建構模型到交易的風險控制，都是他們自己一個代碼一個代碼寫的。

這是個系統工程，在這個體系中，先觀察事件之間的聯系—通過觀察或實驗去取得數據；再假設一個結論—構建理論去解釋數據；然后去預測分析—構建量化模型并回測；最后檢驗并證實這個結論—實盤交易。

所有這些都需要資本和人力的大量投入。從華爾街回來的寬客—北京名策數據處理有限公司執行董事祝清大致估計了一下，一個真正從事量化投資的寬客團隊運作起來，前期至少要投入5000萬。

祝清曾在美國的全球證券投資基金工作多年，有三年，他是一個40人寬客團隊的負責人，要從全球9000多只股票池里找出投資品種。這讓他有機會對量化投資從數據、代碼到模型、系統進行深入地接觸和運用，甚至對系統的漏洞也了如指掌。

這些是他當時所在公司花了十幾年，經過大量的投入才建構的一個系統工程。而建構整個系統的基礎就是數據，華爾街其他有著進行量化投資的寬客團隊的公司，無不在數據上有很大的支出。

2008年祝清從華爾街回國，創辦專注于金融數量分析和程序化交易的數據處理公司。這幾年，他帶領30人的團隊，主要做了四件事：建立專供量化投資的量化數據庫、量化決策終端、高速量化交易平臺、量化策略研發服務。他希望借助強大的分析工具平臺，以及日益完善的數據庫系統來改變行業的經營模 式。

目前他的公司尚未到盈利階段。

春天尚未到來

1月19日，中國量化投資學會的50多名資深會員在北京郊區舉辦了一次聚會，聚會的主題是“擁抱量化投資的春天”。丁鵬表示：冬天已經過去，寬客的春天已經到來。

丁鵬是有理由樂觀的：國家政策層面支持金融衍生品市場放開；2012年，玻璃、原油、國債期貨、CTA以及滬深300指數期權等一系列金融衍生品加速推進；隨著投資品種增多，越來越多的金融機構意識到量化投資的重要性和緊迫性。

另外，國內打算做寬客的人也暴增—從中國量化投資學會的壯大就可看出端倪。

不過，同是中國量化投資學會成員的張冰和祝清都持謹慎態度。

張冰不認為寬客短期可形成一股力量。畢竟，美國發展了四十年，而中國只做了四五年而已。沒有足夠的投入，不可能那么快有收入。沒有收入，堅持來做的人就不會太多。

祝清更嚴苛。他并不認為會建模型的人就可稱為寬客。他認為目前中國真正的寬客，尚不足100人。祝清按照華爾街的標準來定義中國寬客：作為寬客，最起碼要滿足三個條件—有高凈值客戶；有量化投資研究平臺（有數據有人有模型）；有交易通道。

按照這個標準，目前，真正的中國寬客都在過冬，都還在燒錢階段，活下去都很難。即使是初春，最早也至少要三年之后—這還要看有沒有一兩位真正經受住市場檢驗、收益率排名靠前的標桿性寬客脫穎而 出。

據祝清了解，因為國內多數金融機構的高層并不懂量化，在這方面投入太少，即使一些數一數二的大型券商，歷史的數據都不存。沒有歷史數據無法驗證模型，量化投資就是句空話。

取得數據，還需要有人來處理數據，建構模型。金融機構的投入不會很快有結果，另一方面，寬客很有可能做出成果之后就走人，中國在這方面尚無知識產權保護。而在美國，只要有人敢在服務器上拷一行代碼，就有FBI介入了。

2008年中金公司從華爾街花重金請回來的知名寬客李祥林，如今他已去做私募了。

祝清介紹，西方寬客主要分三類：從事高頻交易的、采用對沖策略的、預測趨勢的。而他們所有的交易、投融資決策都是通過數量模型進行，由電腦決策并完成下單。

篇4

國內的量化投資元年應該是2010年股指期貨推出之后，從0到有，經過5年的發展，以其超越牛熊的穩定收益獲得了眾多機構投資者的青睞。今年6月份的這一輪股市深度調整中，大多數量化對沖類的私募基金，不但沒有損失，其凈值反而創出新高即是明證。

程序化交易不一定會增加波動率

程序化交易大大增加了市場的流動性，是穩定市場的重要力量。金融市場的核心價值在于流動性，無論是價值投資者，還是套保者，都需要對手盤。流動性越好的市場，才具有更好的價值發現功能。程序化交易主要是以短線交易為主，無論是套利還是投機策略，它們的存在大大增加了市場深度。對于套利類的策略，程序化交易是降低波動率的，對于投機類策略，程序化交易是增加波動率的。

例如，目前市場上比較流行的期現套利，它的原理是在基差（編者注：基差是指現貨價格與期貨價格之差，比如股票市場上滬深300指數與滬深300期指之差）擴大的時候建倉，基差縮小的時候平倉。比如2015年6月初的時候，在散戶的推動下，股票指數和股指期貨的基差一度擴大到了100點以上，整體市場非常的狂熱。這時候套利類交易的策略是，會買入股票，同時做空股指期貨。這樣如果股指繼續上漲，在股票市場的盈利可彌補做空股指期貨的損失。于是在雙邊力量的作用下，基差會慢慢縮小。從而使得市場的波動率恢復到正常。所以這種套利類的策略，是降低波動率。

然而對于做方向易的策略，往往是追漲殺跌的，這個和普通散戶的操作方式類似。這種策略下，當市場出現大幅上漲的時候會助漲，大幅殺跌的時候也會助跌，會增加市場的波動率。

其實波動率這個東西，不能太大，也不能太小。沒有波動率的市場就缺乏足夠的流動性，一個沒有流動性的市場，又怎么可能承擔金融市場優化資源配置的責任呢？

2010年5月6日，美國紐交所的道瓊斯工業指數曾經出現過一次“閃甭”事件，當時道瓊斯工業指數曾瞬間狂瀉1000點，短時間內造成1萬億美元市值蒸發。事后紐交所雖然對外宣稱程序化交易對此事負有責任，但是截至目前，對于此事到底是不是由于程序化交易造成的，美國調查機構并沒有一個最終的結論。所以與其說股指大幅調整是因為程序化交易造成的，不如去關注是否是因為市場本身泡沫過大，以至于需要一次調整，市場才能繼續上行。

所以并不能一概而論地說程序化交易一定會增加波動率。事實上，2008年的金融危機中，國內的量化投資還很少，而上證綜指不也上演了6000點到2000點的戲碼？程序化交易只是一個工具，它是中性的，不是說必然做多，也不會必然做空。尤其是7月份以來，股指期貨持續貼水，絕大多數的套利類的量化策略因為缺乏機會，都停止交易了，但是這并沒有避免股指出現大幅震蕩。

中國的量化投資基金現狀

量化投資是以數據為基礎，以模型為核心，遵守交易紀律，從而具有穩定收益和抵抗風險的能力。事實上，目前中國很多以量化對沖方式運作的私募基金，他們產品的業績都非常的穩定，就足以說明問題了。普通投資人，不能總是追漲殺跌，靠聽消息炒股的時代必將過去，未來的金融市場，一定是靠數據、模型和現代科技。散戶也應該學習一些量化投資的理念和方法，否則被市場消滅是遲早的事情。

就拿這次被禁止交易的幾個量化對沖私募基金來說，據已公布的資料顯示，其中不乏一些歷史業績十分優秀的公司。比如盈融達投資（北京）有限公司，他們主要的量化投資類產品，過去幾年年化收益率都在20%左右，無論身處牛熊市，收益都非常的穩定。目前盈融達的資產管理規模已經100億了。而業內和他們處于同一梯隊的，還有十余家之多，再加上券商、基金公司開發的產品，國內量化對沖類的產品，已經有兩三千億元的規模了。

篇5

程序化交易產生于美國，早期的程序化交易分為程序化買入和程序化賣出兩種，用于紐約股票交易所同時買賣15支以上的股票組合的交易。因此，有時也被稱為籃子交易。

隨著投資管理業的資金管理規模擴大，投資經理和基金經理們發現憑經驗和手工操作無法應對市場風險加大、價格變動頻繁等挑戰，程序化交易剛好可以解決這些難題，因為它具有速度快、避免個人情緒干擾、量化等優勢，投資機構紛紛投入重金研發自動交易模型，其在提高投資決策質量和速度、交易輔助等方面大展身手。

時至今日，西方發達國家已經研發出不少成熟的自動化交易系統，譬如美國有70%的交易是由程序化交易完成的，而且交易量占比連年來還有不斷上升的趨勢，交易模型的功能也日趨強大和完善。量化投資及程序化交易大師西蒙斯默默無聞地在十幾年間大量使用量化系統的交易方法，取得了比巴菲特、索羅斯等市場傳奇更高的年收益率。譬如海龜交易創始人丹尼斯不斷通過自動化交易實現其從400美金到2億美金的個人傳奇，還培訓出一支海龜投資團隊（現在還活躍在各大投資機構），他們為早期大膽吃螃蟹者的投資客無聲無息地帶來了可觀的投資回報。

我國的程序化交易起步較晚，發展緩慢，開發出來的比較成熟的交易系統也相對缺乏，但最近幾年發展也很迅猛，這得益于新的投資理念的導入、應用平臺開發迅速成熟，如tb（交易開拓者）、文化財經、金字塔等平臺已經深受廣大自動交易者所喜愛和認同。由于程序化交易規避了人性中的貪婪和恐懼等弱點，交易速度快、系統性強，國內自動化交易量占比最近幾年也在快速上升。據統計，我國當前金融產品的程序化交易占比為20%～30%，程序化交易的發展空間將會越來越廣闊。

一、程序化交易策略為什么要創新

（一）策略效用的邊際遞減

使用策略的人多了效果就會越來越差。細心的投資者會發現，國內的股指期貨越來越難做。在2010年國內剛推出股指期貨時就有人使用臺灣的一些比較成熟的程序化交易策略而大賺其錢，但在最近兩年卻發現不容易賺錢了，甚至遭到了比較大的回撤。這是什么原因呢？金融市場本身就是一個眾多策略博弈的一個場所，某個策略一旦成功并被多人使用了，其有效性就會越來越低，而且道高一尺魔高一丈，市場上會出現針對某種策略的獵殺者。從技術指標層面看，例如20年前，通過一條20天均線的交易策略是有利可圖的，緊接著，越來越多人開始使用均線來做投資決策。但是，每個交易策略和買賣機會都是有容量限制的，這使得策略使用的人越多，單個K線的波動則越大，例如突破20天均線的當根K線的波動極大，這使得中間的利潤空間迅速收縮，最終使得策略失效。也可以理解成，當一個策略使用的人越多，知道的人越多，它的盈利能力則越低，最終變得無利可圖。在基本面分析上，同樣存在自毀性，例如20年前，只要買賬面有利潤的公司都能賺錢，緊接著所有人都認準了公司賬面利潤進行投資，這使得所有賬面有利潤的公司股價都很高，這時候，人們只能通過預測未來利潤獲得投資回報了。而隨著越來越多人熟知各種預測利潤的方法，導致價值被低估的公司越來越難找了，最終變成了一個均衡市場。筆者認為，這可以認為是交易策略效用的邊際遞減。

（二）行情特點發生變化

金融市場的復雜性表現在行情的多變性。還是以國內的股指期貨為例，在2010年是一個雙邊大震蕩的行情，2011年單邊下跌，2012年、2013年寬幅震蕩，2014年上半年窄幅震蕩，可以看出無論是單邊行情還是震蕩行情，由于國內A股的市場容量越來越大，股指期貨的日內變動幅度呈現出越來越小的特點，這就給日內趨勢易策略帶來不小的挑戰。

知名投資人、“悍馬理論”的創始人馮正平表示：世界上沒有交易圣杯，這是他的悍馬定律里的第一條。他說2008年前的市場特征與之后的就很不一樣，一些原來賺錢的模型后來都賠錢了，而有一些原來賠錢的反倒變成賺錢了。他打了個比方很生動：“就像我們造一個工具，是拿來切菜的還是砍骨頭的，還是拿來修指甲的，這個要想清楚。”意思是設計模型時要清楚自己設計出來的交易模型適用于哪種市場環境，要考慮模型的針對性、適應性。

基于多年期貨量化交易的經驗，上海泛金投資管理有限公司董事長杭國強認為，程序化的本質是給自己的交易列出一系列規矩，讓自己的交易更有規則，并利用計算機提高交易速度，其中成敗的關鍵在于對細節的處理。“利用程序界定、評價和預測未來的收益，建立有效的評估體系，不斷適應市場的變化，才是程序化交易的靈魂”。

普天投資機構創始人吳轉普也認為：自動化交易不存在永遠的圣杯，不可能做出一個類似印鈔機一樣讓交易者獲利的程序化交易模型，自動化交易更多地被看成是一種管理控制系統，要加入對基本面和技術面的理解，要考慮市場參與者結構的變化，交易程序要不斷優化和創新。

在國外，一些成熟的投資公司配備了眾多數學和計算機專業人才，他們的主要任務就是針對市場的變化不斷完善模型，這正體現了金融機構存在的必要性與重要性。80%～90%的工作人員是在做量化模型的建模、數據處理工作，交易執行人員比較少。由于要處理龐雜的數據，在量化交易中，團隊的價值得到充分體現。每隔一段時間他們就會開發出新的交易模型。

即使在高性能硬件與軟件結合的高頻交易領域，也不存在可以長久不變的“交易圣杯”。高頻交易策略對技術要求比較高，在網絡速度、硬件反應速度及網絡監測等方面都有近乎苛刻的要求。作為高頻程序化交易者，Cyc partner公司創始人柳峰介紹說，高頻交易者對市場的監測，以及對策略的修改一直不曾停止，“只有不斷發現并保持自己的比較優勢，才可能在變化的市場中保持盈利”。而高頻交易背后的邏輯結構相對來說是簡單的，盈利率比較高，有些策略在三年之內運行會比較適用。但是，在市場中采用同種高頻交易策略的數量增加之后，交易者必須對策略加以改進。

二、程序化交易策略創新的思路

（一）交易哲學的革新

程序化交易本質上是交易者交易思想的體現，程序化是一種控制手段。有什么樣的交易哲學就有什么樣的程序化交易策略，所以審視自己的交易哲學的邏輯性就顯得尤為重要。策略的優劣對比實際上是背后交易哲學的較量。優秀的交易策略創新來自于交易哲學的突破與革新，而做到這一點并不容易，需要交易者對世界、對自然、對市場有一種深邃的洞察力并能理解轉換成為市場語言，物化為交易指標體系。筆者幾年來一直致力于對市場背后推動力的研究，市場的上漲和下跌并非隨機和無序。比如說，我們可以把市場按照形態分為單邊和震蕩，在單邊市中趨勢性模型就能大顯身手，而趨勢性模型在震蕩市中由于來回止損會產生比較大的回撤。而震蕩模型策略的表現剛好相反，所以用什么模型不是關鍵，判斷對時段性的單邊行情還是震蕩行情成為交易策略提高勝率和盈虧比的關鍵。至于用什么模型來判斷單邊和震蕩是筆者多年研究的成果，有比較高的準確性。

（二）從全自動到半自動的嘗試

筆者認為，交易策略不易過于死板。眾多程序化交易策略堅持不下去的原因是全自動帶來的眾多劣質交易，頻繁止損。其實法無定法，筆者認為可以半自動化交易提高勝率和盈虧比，至于何時開啟程序化何時關閉程序化背后的規則和邏輯也必須是嚴密的、一貫的，譬如在背后規則市場進入單邊市時開啟程序，市場重歸震蕩市時關閉程序，需要一切有章可循。正如世上沒有永動機一樣，沒有一個自動化交易策略能一如既往地戰勝市場，能夠在資本市場有驕人業績的一定是半自動交易程序策略。

（三）交易周期、參數的調整

可以針對不同金融市場的特點，變革不同的交易周期，充分認識到金融市場博弈的本質。當多數人使用某個交易周期的時候，我們可以回避它改變交易周期，比如在股指期貨中大家常用1分鐘圖、10秒鐘圖，筆者覺得不煩嘗試15秒圖，既保持了一定的反應速度，又能減少頻繁交易的問題，對于大家在交易中常用的macd指標、dmi指標、均線指標，我們可以通過測試調整其參數設置以達到階段性優化交易的目的，更重要的是避開了大眾常用參數，可以避開程序化交易獵殺者的屠刀。建議策略框架的核心參數不要超過三個，超過三個以上的參數有擬合歷史行情的嫌疑。著名的海龜策略創始人也曾在海龜策略遭受比較大的虧損時修改技術參數才渡過難關的。

（四）創新交易技術指標

使用獨創的交易技術指標來設計交易系統能在金融市場上提高交易勝率和盈虧比，其原因在于創新的交易技術指標相對保密，不具有從眾性，相反具有出其不意的優勢。比如在趨勢交易系統里面大家認為均線是一個很好的趨勢跟蹤指標，但它的缺點也很突出，除具有其他趨勢跟蹤指標一樣的滯后性外，對付慢漲急跌或者慢跌急漲的行情是一個弱項，所以有人創造了自適應均線來對付這種行情，這就是創新交易指標的做法。筆者舉出這個例子意在拋磚引玉，創新和改良指標的方法和技術有賴于開發者的細心、耐心和汗水。

三、程序化交易策略創新后測試要注意的問題

首先，避免對交易策略的參數過度優化。過度優化是以擬合歷史取得比較高的勝率和盈虧比的，這種過度優化的策略對付現實或者未來變化的行情反倒會產生比較大的回撤甚至虧損，這是由于形態的周期性反復原理產生的。

其次，核心框架策略可以試著應用于其他金融交易品種，觀察其表現。

再次，某一參數取值的盈利遠遠高于或低于附近的參數值就要引起高度警惕。

最后，不要對一兩次巨虧或比較長的連續虧損單獨做優化，否則即使減小了最大回撤也是不可靠的。

參考文獻：

篇6

一、引言

量化投資在國外的實踐已經有了40多年的發展，我國的量化投資起步較晚，從2004年開始出現量化投資的產品，由于缺乏有效的對沖手段，直到2010年4月滬深300股指期貨上市之后才能算是真正意義上開始涉足量化投資。[1]

2015年的中國股市跌宕起伏，杠桿配資引發了大幅上漲和斷崖式下跌，股市出現罕見的千股漲停、千股跌停、千股停牌的奇觀，眾多機構投資者和散戶蒙受了巨大的損失。但其中少數量化投資基金在大幅波動的市場中卻表現相對穩定。量化投資基金和量化對沖策略的穩健，很快引起了全市場的關注，也成為近期銀行、券商、信托等機構追捧的新的產品模式。

在此背景下，作者在本文中對于量化投資的概念、特點、策略、理論基礎和發展做一個總結，希望為量化投資研究和實踐做一些參考。

二、量化投資解讀

（一）量化投資的定義

量化投資在學術界并沒有嚴格統一的定義，現有的定義對于量化投資的定義的側重點各有不同。本文對于量化投資的定義為：

量化投資是指將投資者的投資思想或理念轉化為數學模型，或者利用模型對于真實世界的情況進行模擬進而判斷市場行為或趨勢，并交由計算機進行具體的投資決策和實施的過程。

（二）量化投資的特點

1.投資決策中能夠客觀理性，克服人類心理對投資決策的影響。傳統投資的分析決策，大多數方面都由人工完成，而人并非能做到完全理性，在進行投資決策時，很難不受市場情緒的影響。[2]量化投資運用模型對歷史和當時市場上的數據進行分析檢測，模型一經檢驗合格投入正式運行后，投資決策將交由計算機處理，一般情況下拒絕人為的干預，這樣在進行投資決策時受人的情緒化的影響將很小，投資過程可以做到理性客觀。

2.能夠通過海量信息的大數據處理，提高投資決策效率。我國股票市場上有近3000只股票，與上市公司相關的各種信息紛繁復雜，包括政策、國內外經濟指標、公司公告、研究報告等，投資者靠自己手工的篩選根本就是力不從心。量化投資的出現為這個問題的解決帶來了希望。量化投資運用計算機技術快速處理大量數據，對其進行辨別、分析、找出數據之間的關聯并做出投資決策，大大減少了人工的工作量，提高了投資決策效率。

3.能夠實現精準投資。傳統的投資方法中認為投資是一門藝術，投資決策需要的是投資者的經驗和技術，投資者的主觀評價起到決定作用。而量化投資有所不同，尤其是在套利策略中，它能做到精準投資。例如在股指期貨套利的過程中，現貨與股指期貨如果存在較大的差異時就能進行套利，量化投資策略和交易技術會抓住精確的捕捉機會，進行套利交易來獲利。另外，在控制頭寸規模方面，傳統的投資方法只能憑感覺，并沒有具體的測算和界定，而量化投資必須要設定嚴格精確的標準。[3]

4.能夠快速反應和決策，把握市場稍縱即逝的機會。量化投資往往利用高速計算機進行程序化交易，與人腦相比它能夠迅速發現市場存在的信息并進行相應的處理，具有反應快速、把握市場稍縱即逝的機會的特點。量化投資在速度上最出色的運用就是高頻交易，與低頻交易相對，高頻交易是通過高速計算機，在極短的時間內對市場的變化做出迅速的反應并完成交易。[4]

5.能夠有效地控制風險，獲取較為穩定的收益。與傳統投資方式不同的是，量化投資在獲得較高超額收益的同時能夠更好地控制風險，業績也更為穩定。相關研究顯示，1996年至2005年期間，量化投資基金與以所有傳統主動型投資基金和偏重于風險控制的傳統主動型投資基金的信息比率對比情況中，量化投資基金的信息比率都是最高，說明量化投資相對于傳統投資，能夠在獲得更高的超額收益的同時，有效地控制風險。

三、量化投資的策略

一般的量化投資的策略指的是用來實現投資理念或模擬市場行為判斷趨勢從而獲取收益的模型。量化投資需要權衡收益、風險、交易成本、具體的執行等各個方面，一般情況下這些方面會形成相對獨立的模塊。有時候量化投資策略模型也會將風險、成本等方面融合在模型中。

（一）國外量化投資策略的分類

國外習慣上將量化投資的策略分成兩大類，一類是阿爾法導向的策略，另一類是貝塔導向的策略。阿爾法策略（alpha strategy）是通過量化擇時和調整投資組合中不同資產的頭寸大小來獲取收益的策略;貝塔策略（beta strategy）是通過量化的手段復制指數或者稍微的超出指數收益的策略。[6]相比而言，量化指數的貝塔策略相對更容易，所以一般情況下所說的量化投資的策略指的是阿爾法策略（alpha strategy）。

阿爾法策略主要有兩種類型，分別為理論驅動模型和數據驅動模型。

理論驅動模型是比較常見的類型，這些策略是運用已經存在的經濟、金融學的理論，構建策略模型，進行投資決策。理論驅動模型根據輸入的數據的不同可以進一步分類，主要有基于價格相關數據的策略和基于基本面數據的策略。

數據驅動模型廣泛的被運用于股票、期貨和外匯市場，因為采用的數學工具更為復雜，相對而言難于理解，目前使用的還不是很多。與理論驅動模型不同，數據驅動模型認為進行投資決策其實是不需要理論的支持，運用數據挖掘技術，可以從數據（例如交易所的價格數據）中識別出某種行為模式或市場趨勢，進而進行預測或者解釋未來的模式，從中獲取收益。

（二）我國量化投資策略的分類

國內比較常見的量化投資策略主要有兩種分類方式，一種是按投資標的所在市場分類區分的量化投資策略，分為現貨市場和衍生品市場量化投資策略。現貨市場包括股票市場、ETF市場和債券市場，衍生品市場包括商品期貨市場、股指期貨市場、國債期貨市場、外匯市場和期權與其他衍生品市場，國內運用較多的是投資于商品期貨和股指期貨等期貨市場。

另一種分類方式是分為兩大類：判斷趨勢的單邊投機策略和判斷波動率的套利交易策略。[7]單邊投機策略主要包括量化選股和量化擇時，套利交易策略主要包括股指期貨套利、商品期貨套利、統計套利、期權套利、另類套利策略等，目前國內普遍采用的是這種分類方式。

四、量化投資理論的發展

（一）投資理論的發展

量化投資的理論基礎最早可以追溯到上個世紀50年代，Markowitz（1952）[8]第一次把數理工具引入到金融研究領域，提出了均值――方差模型和風險報酬與有效前沿的相關概念，這是量化投資接受的最早的嚴肅的學術成果。Sharpe（1964）[9]、Litner（1965）[10]、Mossin（1966）[11]在馬克維茨研究的基礎上得出了資本資產定價模型（CAPM），這是如今度量證券風險的基本的量化模型。

20世紀60年代，Samuelson（1965）與Fama（1965）[12]提出了有效市場假說（Efficient Markets Hypothesis，EMH），這為后來在新聞量化交易等方面提供了思路和理論支持。20世紀70年代，金融衍生品不斷涌現，對于衍生品的定價成為當時研究的重點。Black和Scholes（1973）[13]將數學方法引入金融定價，他們建立了期權定價模型（B-S模型），為量化投資中對衍生品的定價奠定了理論基礎。在該理論之后，Ross（1976）[14]根據無套利原則提出了套利定價理論（APT），該理論是資本資產定價模型（CAPM）的完善和發展，為量化投資中的多因素定價（選股）模型提供了基礎，這也是Alpha套利的思想基礎。

20世紀80年代，期權定價理論倒向微分方程求解;“金融工程”概念得以產生，金融工程著力于研究量化投資和量化交易。同期，學者們從有效市場理論的最基本假設著手，放寬了假設條件，形成了金融學的另一個重要的分支――行為金融學。

20世紀90年代，金融學家更加注重對于金融風險的管理，產生了諸多的數量化模型，其中最為著名的風險管理數量模型是VaR（Value at Risk）模型，這是量化投資對于風險控制的重要理論基礎。[15]

20世紀末，數理金融對于數學工具的引入更加的迅速，其中最為重大的突破無疑是非線性科學在數理金融上的運用，非線性科學的出現為金融科學量化手段和方法論的研究提供了強有力的研究工具[16]，尤其在混合多種阿爾法模型而建立混合模型時是非常有效的一種技術。

（二）量化投資的數學和計算基礎

量化投資策略模型的建立需要運用大量的數學和計算機方面的技術，主要有隨機過程、人工智能、分形理論、小波分析、支持向量機等。[17]隨機過程可以用于金融時序數列的預測，在現實中經常用于預測股市大盤，在投資組合模型構建的過程中，可以優化投資組合;人工智能的很多技術，例如專家系統、機器學習、神經網絡、遺傳算法等，可以運用于量化投資;分形理論用于時間序列進行預測分析;小波分析主要用于波型的處理，從而預測未來的走勢;數據挖掘技術可以運用于數據驅動模型，還可以運用于設置模型的細節;支持向量機可以分析數據，識別模式，用于分類和回歸分析。

五、國內外量化投資實踐的發展

（一）國外量化投資實踐的發展

本文認為量化投資在國外的發展已經經歷了四個發展階段：

1.第一階段從1949年至1968年：對沖階段。該階段是量化投資的萌芽階段，該階段具體的量化投資實踐很少，主要是為量化投資提供的理論基礎和技術準備，量化投資脫胎于傳統投資，對抗市場波動，通過對沖穩定Alpha收益，但收益率低了。

2.第二階段從1969年至1974年：杠桿階段。在該階段，量化投資從理論走入了實踐。在投資思路上，因為原本的Alpha策略收益有限，通過放杠桿擴大第一階段的穩定收益。實踐方面，1969年，前美國麻省理工學院數學系教授愛德華?索普（Ed Thorp）開辦了第一個量化對沖基金，進行可轉債套利，他是最早的量化投資的者使用者。1971年，巴萊克國際投資公司（BGI）發行了世界上第一只被動量化基金，標志著量化投資的真正開始。

3.第三階段從1975年至2000年：多策略階段。在這一階段，雖有一定的挫折，但總體上量化投資得到了平穩的發展。在投資思路上，由于上一階段通過杠桿放大收益的副作用產生，放大以后的波動率又增大，從而轉向繼續追求策略的穩定收益，具體的手段是采用多策略穩定收益。實踐方面，1977年，美國的富國銀行指數化跟蹤了紐約交易所的1500只股票，成立了一只指數化基金，開啟了數量化投資的新紀元。[18]1998年，據統計共有21只量化投資基金管理著80億美元規模的資產。[19]

4.第四階段從2000年至今：量化投資階段。這一階段，量化投資得到了迅猛的發展，并且發展的速度越來越快。投資思路上，運用量化工具，策略模型化，注重風險管理。在實踐方面，在2008年全球金融危機以前，全球對沖基金的規模由2000年的3350億美元在短短的7年時間內上升至危機發生前的1.95萬億美元，受美國次貸危機的影響全球對沖基金規模有較大的回落，直到2008年之后，在全球經濟復蘇的大背景下對沖基金規模才開始反彈。

（二）我國量化投資的發展

本文認為，到目前為止，我國量化投資的發展的主要經歷了三個階段：

1.第一階段從2004年至2010年：起步階段。在這一階段，由于我國沒有足夠的金融工具，量化投資在我國發展緩慢。2004年8月，光大保德信發行“光大保德信量化股票”，該基金借鑒了外方股東量化投資管理理念，這是我國最早的涉足量化投資的產品。2010年4月16日，準備多年的滬深300股指期貨的在中金所的上市，為許多對沖基金的產品提供了對沖工具，從此改變了以前我證券市場只能單邊進行做多的情況。

2.第二階段從2011年至2013年：成長階段。2011年，被認為是我國量化對沖基金元年，[21]而隨著股指期貨、融資融券、ETF和分級基金的豐富和發展，券商資管、信托、基金專戶和有限合伙制的量化對沖產品的發行不斷出現，這個階段的量化投資真正意義上開始發展，促使該階段發展的直接原因就是股指期貨的出現。[20]

3.第三階段從2014年至今：迅猛發展階段。2014年被認為是“值得載入我國私募基金史冊的一年”，基金業協會推行私募基金管理人和產品的登記備案制，推動了私募基金的全面陽光化，加速了私募基金產品的發行，其中包括量化對沖型私募產品。2014年稱得上我國量化對沖產品增長最迅速的一年，以私募基金為代表的各類機構在量化對沖產品上的規模均有很大的發展，部分金融機構全年銷售的量化對沖基金規模超過了百億。

2015年，上證50ETF期權于2月9日正式推出，這對于對我國的量化投資有著極大的促進作用。4月16日，上證50與中證500兩只股指期貨新品種的上市給量化投資帶來更多的策略的運用，金融衍生品的不斷豐富和發展，為量化投資提供更多的豐富對沖手段，也提供了更多的套利機會。

六、總結

量化投資的技術、策略、硬件設施條件都在飛速的發展，與傳統的投資方式相比，量化投資有著自身的特點和優勢。尤其是量化對沖產品，以其長期穩健的收益特征，成為目前“資產荒”下對信托、理財產品和固定收益產品良好的替代產品。未來隨著我國股指期貨、融資融券、國債期貨、期權等金融產品的不斷創新，以及股指期貨市場未來逐步恢復正常，量化投資發展前景不可限量。

參考文獻

[1]徐莉莉.量化投資在中國的發展現狀[R].渤海證券研究所：金融工程專題研究報告，2012.

[2]廖佳.揭開量化基金的神秘面紗[J].金融博覽（財富），2014，（11）：66-68.

[3]王力弘.淺議量化投資發展趨勢及其對中國的啟示[J].中國投資，2013，（02）：202.

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

[5]蔣瑛現，楊結，吳天宇，等.海外機構數量化投資的發展[R].國泰君安證券研究所：數量化系列研究報告，2008.

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

[7]丁鵬.量化投資――策略與技術[M].北京：電子工業出版社，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]戴軍，葛新元.數量化投資技術綜述[R].國信數量化投資技術系列報告，2008.

[17]丁鵬.量化投資與對沖基金入門[M].北京：電子工業出版社，2014.

[18]郭喜才.量化投資的發展及其監管[J].江西社會科學，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]曾業.2014年中國量化對沖私募基金年度報告[R].華寶證券：對沖基金專題報告，2015.

篇7

1量化投資簡介

1.1基本概念

量化投資是一種借助于計算機高效計算程序進行復雜運算，以金融產品未來收益與風險為研究對象的新型投資方式。量化投資的基礎是以股票價格、日成交額等大數據庫數據為參考樣本數據并建立數學模型，運用仿真分析及迭代方法不斷修正數學模型，直到數學模型可以用來預測指導投資交易。任何一個投資的方案或者設想，都可以為它設計一個數學模型，然后借助大數據庫的現有數據進行迭代法測試分析，以此來判別數學模型的有效性。傳統投資方式基本上是對傳統的技術分析和公司的經營狀態基本分析，存在一定的局限性；相比之下量化投資分析是基于對大數據市場數據的，數據樣本空間容量足夠大，而且可以快速進行運算并排除投資者個人心理因素的主觀影響，科學性和時效性更強。此外，量化投資是一種主動性的投資方式，在進行數學模型選擇、自變量選取、數學模型的驗算迭代都是投資行為的主動部分。

1.2交易內容及方法

量化投資交易的內容主要是量化策略以及交易策略，在制定交易策略時必須立足于投資市場、投資產品以及分配在內等。具體交易平臺則是靠以計算機計算程序為基礎的線上交易平臺系統。進行量化投資交易時通常會遇到各種較為復雜的情況，但是基本前提都是要依據現有的既定的大量數據庫數據，靈活采用各種方法來判斷投資對象是否值得投資。總體來說，量化投資有估值法、資金法和趨勢法三種。

2量化投資現狀

從理論上來說，每個量化投資者的決策行為可以被同化為理性預期、風險規避、嚴格效用基本一致的理想化模型。然而現實情況中每個人的心理活動、出發點、知識水平等都存在差異，進行量化投資時人們作出的決策也存在差異。人的非理性行為與理性行為都是客觀存在的，而且非理性行為對理性行為也存在著一定的影響，因此投資人在進行投資決策時并不能完全理性地進行選擇。綜上所述，非理性人的客觀存在使投資人在進行投資決策時不能完全忽視個人的心理因素。既然個人的心理因素無法排除，那么在建立決策分析數學模型時，就應該把個人的心理因素考慮在內。當前我國國內量化投資有以下幾個特點：(1)個人投資者占總投資者的比例很高。上文已經提到投資者個人的非理性客觀存在且不可避免，那么眾多量化投資者的非理性因素間接影響我國量化投資市場。(2)我國的量化投資市場雖然發展迅速但仍不成熟。與美國及歐洲發達國家相比，我國量化投資市場只能是一個新興的市場，直接表現在各方面的信息不完整且難以搜集，一些基礎數據我們只能自己想方設法地去開發獲取。(3)量化投資行業的企業構成比較復雜。目前我國量化投資行業的企業種類比較多，跨越眾多不同的領域。加上我國量化投資市場還處于新生期，市場不穩定信息變化較快，因此量化投資行業的可用層面指標數目非常少且指標數值經常變化。當前我國量化投資者正是依據當前行業的特點，從不同的層面和角度驗證分析，建立泡沫型數學分析模型，才能獲得巨大的利潤。(4)量化投資策略研究落后。通過把我國量化投資策略與美國及西方發達國家的量化投資策略進行對比，發現我國現有的量化投資策略嚴重落后。國外的量化策略研究是在大量的事件、數據積累分析的基礎上，腳踏實地潛心研究總結出來的。現階段我國量化策略研究多是借用國外的策略，結合國內的量化投資行業的實際現狀進行修正得來的。當前我們還缺少指導量化投資行業的專家、指導著作，為此我國國內的一些高等院校開始著手量化投資策略的研究并取得了初步的成效。

3量化投資優勢

量化投資是在定性投資基礎上進行繼承和延伸的一種主動投資工具。定性投資的核心是對宏觀經濟和市場基本面進行深入的分析，再加上實地調研上市公司以及與上市公司的管理層進行經驗交流，最終把調研結果整理成專題報告，把報告作為決策依據。不難看出定性投資帶有很大的個人主觀判斷性，它完全依賴于投資經理個人經驗以及對市場的認知。量化投資在調研層面與定性投資相同，區別在于量化投資更加注重數據庫大數據，運用各種方法發現運用大數據所體現出來的有用信息，尋找更優化的投資方式以獲得大額收益，完全避免了投資經理個人的主觀臆斷和心理因素，更加科學合理。綜上所述，與定性投資相比，量化投資具有以下優勢。

3.1投資方式更加理性

量化投資是采用統計數學與計算機建模分析技術，以行業大數據庫為參考，取代了個人主觀判斷和心理因素的科學客觀投資方法。很明顯，行業大數據的樣本容量已遠遠高于有限的對上市公司調研所形成的樣本容量；在進行投資決策時，把決策過程科學化數量化可以最大程度的減少投資者決策時個人情感等心理因素對決策結果的影響，從而避免了錯誤的選擇方向。

3.2覆蓋范圍大效率高

得益于因特網的廣泛實施應用，與各行各業的運行數據都可以錄入大數據系統形成體量巨大的數據庫；得益于計算機行業云時代到來對計算分析速度的革命性變革，在極短的時間內就可以得到多種量化投資的投資方法。定性投資方式進行決策時，由于決策人的精力和專業水平都存在一定的局限性，自然其考慮投資的范圍要遠遠低于電腦決策，二者根本沒有可比性。綜上所述，雖然與定性投資相比，量化投資具有明顯的優勢，但是二者的目的是相同的，都以獲得最大收益為目的，多少情況量化投資與定型投資可以互相補充，搭配使用會起到意想不到的效果。

4量化投資的劣勢

上文已經提到量化投資的決策過程依賴于大數據庫以及計算機分析系統的科學決策，因此只要投資思想正確量化投資就不會出現錯誤。然而即使是投資思想及決策過程都沒有問題，也不意味著量化投資完美無缺。量化投資本質上是對某一特定基準面的分析，事實上基準面有時范圍過小，縱然決策過程合理化、無偏差，量化投資也存在一定的局限性。量化投資的另一特點是進行考察決策時覆蓋的市場面非常廣泛，在當前國民經濟快速發展的時代，人們對市場的認知難免出現盲區或者對某一個局部了解不充分的現象，此種情況下量化投資的正確性就很難保證。

4.1形成交易的一致性

基于量化投資的低風險特性，人們更多地依賴于采用大數據云分析平臺進行決策，如此大家對某一行業的市場認知以及投資決策水平就處在同一認知層次上，當遇到極端的市場行情時，人們作出的交易決策往往一致，即容易達成交易的一致性。例如期貨行業以及股票行業，在市場行情動蕩的特殊時期，人們往往選擇在同一時機拋出股票或者期貨，這種大規模的一次性拋盤則會造成在預期拋售價格基礎上的劇烈波動，導致投資者的實際收益在一定程度上低于預期收益。此種情形下又會引起新一輪投資恐慌，不利于市場的穩定發展。

4.2指標鈍化和失效

篇8

就在人們紛紛對西方財經圈大牛表示緬懷之時，傳來一個中國投資大佬境外因病醫治無效過世的消息，讓整個量化投資圈頗為震驚。

這個大佬就是量游投資創始人朱天華。我打開他的微信，簽名“交易是統計游戲”赫然醒目呈現在那里，或許也是他公司名的來由。

朱總是哥倫比亞大學博士，有15年美國頂級投行經驗，任美國高盛集團交易和銷售部董事總經理。關鍵是在高盛，朱博負責金融產品量化、程式化和高頻化的交易和策略，主管美國的國債期貨、國債現貨，包括利率期貨、外匯、商品期貨還曾任瑞士信貸全球自營部的總監、美國雷曼兄弟公司固定收益部副總裁和資深交易員、美國IDC固定收益和金融衍生品資深策略專家。

放眼華人量化投資圈，大概沒幾個人能有這樣豐富而資深的背景了。

一般來說，回國創業的量化創業者有三類，第一類是像朱天華這樣真正受過頂尖投行熏陶的扎實大牛，少之又少；第二類是海外大機構做過幾年相關工作的，基本知道主要套路；第三類是非主流對沖基金合伙人，或是從策略轉投資、從研究轉投資的新人。

我后來與朱天華總共有過三面之緣，每次都在講風控。

第一次見到朱總是上海交大高級金融學院的論壇上，當時話題還算應景――對沖基金在中國的困境與對策。朱總參加的是圓桌討論環節，穿著松松垮垮的休閑外套，他個頭略小，臉上不帶微笑，神情略顯滄桑。他說話雖聲不大，但氣場強烈，當時依稀記得的重要觀點是：很多人太不敬畏投資了，不知道投資中的不確定性有多難控制。

第二次是在虹口區對沖基金園區附近一家酒店大堂。那時大概是2016年5月，聽說朱總很久不見投資人了。我當時像平常一樣咨詢他一些問題，但我很快就發現，朱總交流起來有自己的頻道。他說得更多的是一些形而上學的理念。

最后一次見他，是在去年底上海的一個對沖基金論壇上。他坐在前排一個有名牌的座位上，冷靜地觀察著這個熱鬧的世界，周圍是喧鬧的年輕人。他穿著還是一樣樸素，一樣不為人所注意，感覺整個人有些消瘦。看他提前要走，我與他打了個招呼，他依舊低調地淺淺一笑。

不過，短短的幾次接觸，發現朱總仍有幾點交易原則值得借鑒。

1.分散化。多品種多交易方法。朱總堅持量化交易，他覆蓋的交易品種有期貨、股指、商品期權、分級、ETF等，他基本都在做一些多品種的交易策略。這與他在高盛時一脈相承，他當時負責金融產品量化、程式化和高頻化的交易和策略，對美國國債期貨、國債現貨，包括利率期貨、外匯、商品期貨等各品種也非常精通。

2.尋求趨勢相反機會。朱總偏重微觀，偏重統計意義上的回歸，在量化交易中盡量找一些與趨勢策略相反機會的策略，與趨勢模型做較好的組合補充。

3.永遠敬畏風險。他信服凱恩斯所言的“市場保持不理性的時間可能比你保持不破產的時間更長”。至于具體方法，主要通過對海量數據風控解決方式。他說起過去美國白銀市場，曾經從5元漲到80元，后來跌到10元、2元、1元，非常無法想象。他也提到當時高盛躲過次貸危機最強大的是其風控，在他看來，風控才是資產管理的靈魂。

4.人工智能是方向。2003年朱總在雷曼期間就接觸了深度學習專家，擁有下棋人工智能，只是沒feedback。現在可以通過Led work等神經網絡實現策略復興、優化，也可以通過非結構化思維，進行頭寸與風險分配，主要通過歷史數據，再用反饋測試。

總之，在朱總眼中，中國市場剛剛起步，阿爾法機會巨大。

篇9

中圖分類號：F83091文獻標識碼：A文章編號：10084096（2015）05008506

一、引言

奧斯本的隨機漫步理論和法瑪[1]的有效市場假說認為，技術分析是無效的，在證券交易中，一個根據證券歷史價格構造的投資策略，不會比一個消極的買入并持有策略取得更好的收益。然而，技術分析的支持者卻認為，按照證券的歷史信息進行交易會比僅僅跟隨市場交易取得更高的收益。近年來，國內外出現了很多支持技術分析有效性的實證研究，為技術分析提供了理論支持。隨著計算機技術的迅猛發展，技術分析通過與之結合，其應用范圍與功效都得到了前所未有的進步，算法交易與量化投資作為市場上的新興產物，得到了很多投資者的青睞。

量化投資在國外的發展已經有三四十年的歷史，投資業績穩定，市場份額不斷擴大，得到越來越多投資者的認可。然而，國內的量化投資領域還處于發展起步階段，量化投資占金融投資的比重不超過5%。隨著中國2010年滬深300股指期貨的出臺，量化投資在國內市場的發展潛力逐漸顯現，各大券商和機構投資者紛紛對量化交易展開深度研究。

隨著2010年4月中國滬深300股指期貨的推出，國內金融衍生產品市場逐漸完善，滬深300股指期貨的上市交易宣告了中國股市不能做空的單邊市場的結束，也為投資者提供了套期保值規避風險的工具。同時，股指期貨的上市，提高了對國內投資者的投資要求，機構投資者在交易中面臨著更大的考驗，因而新興的算法交易和量化投資等投資策略在此時顯現出更大的優勢和更好的發展前景。

本文對滬深300股指期貨的日開盤價和收盤價數據進行研究，發現了二者之間的分形協整關系，通過建模、預測，構建一個基于最高價和最低價之間關系的量化投資反轉策略。在理論意義上，本文將分形協整的概念應用于對證券價格的預測中，將局限于整數維差分的誤差修正模型拓展到基于分數維差分的分整誤差修正模型，提高了預測精度，為日后金融或其他領域的非平穩時間序列的研究和時間序列之間長期趨同性的研究拓寬了思路。在實用價值上，本文提出的基于證券最高價和最低價預測的反轉策略會為市場上的投資者提供一種新的參考方法和新的投資思路，有利于推行量化投資在股指期貨市場的發展。

二、文獻綜述

國外的一些研究在幾年前已經開始著眼于最高價和最低價之間的協整關系，Brandt 和 Diebold[2]認為最高價和最低價之間的差價是股價波動率的一個重要的指標，Brunetti 和 Lildholdt[3]將差價這一變量加入到一些隨機波動模型中來獲得有用的信息。Murphy[4]通過對投資者心理的研究分析得出了技術分析中壓力線和支撐線的存在。Cheung等[5]認為差價的兩個組成部分最高價和最低價也是值得深入研究的，他根據二者之間長期均衡的關系，提出了用向量誤差修正模型VECM對其建模并預測。1980 年前后，陸續有學者將長記憶模型引入到經濟和金融問題的研究中來，Stakenas[6]針對一些存在長記憶性的時間序列，提出了分形協整的概念。Johansen和Nielsen[7]提供了分整向量誤差修正模型的條件最大似然估計方法，將傳統的滯后算子L改進為分形滯后算子，估計出協整階數d、b，調整參數矩陣α等參數。Caporin等[8]以美國道瓊斯工業指數中的成分股價日數據為樣本，運用分整向量誤差修正模型估計了最高價和最低價并且證明了二者之間的分形協整關系，實現了分整向量誤差修正模型在股票市場上的應用。Brock等[9]發現大多數的基于技術分析指標的交易策略與買入并持有策略相比，會得到更高的收益和更低的波動率，Gradojevic和Gentay[10]討論了交易的不確定性，并用基于模糊交易的指標解決了這一問題。

近年來國內的一些研究將時間序列之間的協整關系轉移到了分形協整關系。孫青華和張世英[11]在一般的協整關系研究中加入了分形理論，解釋了時間序列的長記憶性和分形協整之間的關系，提出可以據此建立相應的長記憶性協整系統的誤差修正模型。吳大勤[12]將一般時間序列的整數階差分擴展到長記憶性序列中的分數維差分，以滬深股市為例，提出了長記憶性下的分形協整，進而將協整建模的技術同FIGARCH結合，得出了二階基礎上長期均衡的一些性質。趙進文和龐杰[13]通過實證分析證明了中國等發展中國家的股市大多存在明顯的長記憶性，對中國內地A股和香港地區H股兩個分隔市場分別建立能夠反映其收益率波動的FIGARCH模型，證明了兩個市場的聯動性。曹廣喜[14]以中國股市的長記憶性和分形特征為基礎，分析宏觀經濟政策對股市波動性的影響。以往的技術分析多是利用證券的日收盤價數據進行的，而王錦[15]證明了一個結合了最高價、最低價的股票預測方法比單純的以收盤價為基礎的預測方法有意義，因為它們分別代表了市場的支撐位與阻擋位，要比其他交易價格包含了更多的關于市場反轉點的信息，并且通過VAR 模型分析了 最高價、最低價、收盤價三者之間存在著明顯的協整關系。技術分析中一個重要的方法就是基于壓力線和支撐線的反轉策略。陳卓思和宋逢明[16]得到股票價格的局部極值點，結合Murphy的研究說明了基于壓力線和支撐線的反轉交易策略是可行的。謝丁[17]對六類壓力支撐類股票技術分析指標進行了實證研究，通過計算股價波動與壓力支撐類指標各分析量之間的相關關系，驗證股價波動與該類技術指標的相關性，從而實證了壓力支撐類指標的有效性。

從以上文獻中可以看出，國內對分形協整研究的應用局限于不同市場間的收益率波動，而很少有研究單種證券日最高價和最低價之間的分形協整關系，而且一個結合了最高價、最低價的預測方法比單純依靠收盤價更為可靠，因而本文將根據最高價和最低價的分形協整關系構造一個反轉交易策略，并證明該策略的超額收益。

二、滬深300股指期貨最高價和最低價的分形協整關系檢驗

（一）協整關系檢驗

協整過程是針對具有單位根的非平穩時間序列提出的。對于一個n維向量時間序列yt，如果每一個分量序列yit （i= 1，2， ，n ），均為一單變量單位根過程（即滿足yit～I（1）），且存在非零的 n 維向量α ，使得各序列組成的線性組合α′yt為一穩定過程，即α′yt～I（0），則稱向量時間序列yt是協整的，α為其協整向量。以兩個變量y 和x 為例，設y 和x 都是一階單整序列，則 EG 兩步法的具體檢驗步驟為：第一步，利用最小二乘法估計模型，并計算相應的殘差序列。第二步，檢驗殘差序列的平穩性。

常用的單整檢驗有DF檢驗（Dickey Fuller檢驗）、ADF檢驗（Augmented Dickey Fuller檢驗）和PP檢驗（Phillips Perron）。如果經過 DF 檢驗（或 ADF 檢驗）拒絕了原假設殘差序列是平穩序列，則意味著y 和x 存在著協整關系；如果接受了存在單位根的原假設，則殘差序列是非平穩的，y 和x 之間不可能存在協整關系。

2滬深300股指期貨最高價和最低價的協整關系檢驗

本文對滬深300股指期貨最高價和最低價數據進行協整檢驗，選取日數據，樣本區間從2010年4月16日到2014年12月31日。分別對滬深300股指期貨最高價和最低價以及差價做ADF檢驗，結果如表1所示。

從表1可以看出，最高價和最低價都是一階單整序列，對二者線性回歸后的殘差序列μ進行ADF檢驗，可以看出殘差序列是平穩的，最高價和最低價之間存在協整關系。對二者線性組合后的序列R=H-L進行ADF檢驗，可以看出，差價R序列也是平穩的。

（二）長記憶性檢驗

Hurst最先提出了一種長記憶性的度量方法――重標極差分析法（Rescaled Ranger Statistic，簡稱R/S統計量），Mandelbrot對R/S統計量做進一步的研究。設時間序列Xt，則τ個時間序列觀測點的極差為R（τ）=max y（i，τ）-min y（i，τ），標準差為S（τ）={1τ∑τi=1[xi-（Ex）τ]2}12，R/S統計量為Q0=Rτ/Sτ。

Hurst、Mandelbrot和Wallis分別證明了：

plimτ∞{τ-HR（τ）/S（τ）}=C（1）

其中，C為常數，H為Hurst指數。H的估計公式為 ：

H=log[R（τ）/S（τ）]/log（τ）（2）

當 H ≤05時，時間序列為短記憶性的；當H>05時，時間序列為長記憶性的。

用R/S分析法計算差價的Hurst指數，可得05

（三）分形協整檢驗

近年來的研究表明，如果將協整關系局限于整數維差分框架下來分析問題，則會造成分析結果的不準確，特別是高頻的金融數據下，單整階數為整數值的條件過于苛刻。Granger和Hosking給出了一個ARFIMA（Fractional Integrated Auto-Regressive Moving Average，分整自回歸移動平均）模型。ARFIMA模型是一個前沿性的長記憶性模型，該模型是放寬ARIMA模型整數維差分到分數維差分后得到的。該模型表示，對一個時間序列{yt}，我們可以建立如下分整過程： yt=（1-L）tμt，其中，L是滯后因子，μt是一個均值為零、方差恒定的獨立同分布過程，即白噪聲過程，d = H-1/ 2是分整系數。如果引入 ARMA項，則該分整模型就可以變換成為一個更為一般性的模型：Φ（L）（1-L）d（Xt-μ）=θ（L）εt ，其中，d為分數維差分參數。0

從上文的研究中可以看出，滬深300股指期貨最高價和最低價的線性組合，即二者的差價存在長記憶性特征。目前人們對金融向量時間序列協整的研究集中在整數維差分，而長記憶性時間序列的差分階數往往是分數維的，因而本文針對差價序列的長記憶性特征，對協整階數進行拓展，探討最高價和最低價之間的分數維協整關系。

為了驗證最高價和最低價的分形協整關系，本文對分形單整自回歸滑動平均模型ARFIMA（1，d，1）中的分數維差分參數d進行估計，用SAS軟件中的FARMAFIT函數，結果為dR=03878，dH=09685，dL=09651。可以看出對最高價和最低價線性組合后的差價序列的差分參數降低，dR

綜上所述，差價的長記憶性以及最高價和最低價之間的分形協整關系，可以說明最高價和最低價都是可預測的。存在一種合適的模型可以對最高價和最低價進行建模和預測。

三、分形協整模型構建及模型預測能力分析

（一）分整誤差修正模型介紹

本文使用Johansen改進后的向量誤差修正模型（VECM），運用基于分數維差分的分整向量誤差修正模型（FVECM）來擬合最高價和最低價之間的分形協整關系。模型形式如下：

ΔdXt=（1-Δb）Δd-bαβ'Xt+∑Kj=1ΓjΔdLjbXt+εt

（4）

其中，L為分形滯后算子，Lb=1-（1-L）b，本文中Xt=（pHt，pLt），εt=（εHt，εLt），α=（αH，αL）是調整系數矩陣，β=（1，γ）是協整向量。α的分量表示變量對短期背離的調整程度，本文對長期趨勢的短期背離可用差價來表示。因此，此模型既擬合了證券最高價和最低價之間的長期趨同性，也包含了證券價格離散性的信息。我們通過這個模型可以研究差價的長記憶性，可以根據過去的歷史價格對未來的最高價和最低價進行更準確的預測。

本文假設d=1，表示強分形協整；β=（1，-1），從而最高價和最低價之間的協整關系是基于差價，即二者相減后序列是平穩性的。如果b>05，差價平穩且為d-b階單整。如果b

ΔPHt=αH（1-Δb）Δ1-bRt+γ11LbΔPHt+γ12LbΔPLt+εHt

（5）

ΔPLt=αL（1-Δb）Δ1-bRt+γ21LbΔPHt+γ22LbΔPLt+εLt（6）

對此模型的估計采用Johansen和Nielsen提出的條件極大似然估計方法，用matlab程序估計出模型中的α、γ、d、b等參數，估計結果如表2所示。

從表2可以看出，b =045

投資者會對任何影響股票價格波動的因素產生過度反應。這種現象也被稱為“贏家―輸家組合效應”。利用這種效應，投資者可以通過賣空過去表現得好的股票組合（贏家組合Winners），同時買進過去表現得差的股票組合（輸家組合Losers）而獲得超額收益。這種投資策略只是以過去的股票價格作為信息進行操作，通過這種反向操作的策略獲得持續的超常收益與市場的有效性不一致，這就意味著市場的弱有效性并不成立。

（二）分整誤差修正模型預測能力檢驗

Diebold和Mariano提出Diebold-Mariamo 檢驗法。假設兩個模型的預測誤差為e1，t和e2，t（t=1，2，3，…，T），g（e1，t）和g（e2，t）代表它們相關的損失函數，則兩模型的相對損失函數可表示為d=g（e1，t）-g（e2，t）。定義零假設H0：E（dt）=0。

如果{dt}是協方差平穩和短記憶性的數列，則根據中央極限定理，可用下列分配：

T（d-u）N（0，2πfd（0））（7）

其中，d為樣本平均數，fd（0）為樣本的零點譜密度。檢驗統計量為：

DM=2πd（0）T（8）

其中，d（0）是fd（0）的一致估計，經過標準化后，DM檢驗統計量是近似N（0，1）的標準正態分布，DM檢驗統計量為負數且顯著時，則表明拒絕零假設H0：E（dt）=0。

根據FVECM模型的預測結果，我們構造一個基于最高價和最低價預測結果的反轉投資策略，我們對2013年和2014年兩年483個數據進行樣本外預測，2010―2012年的數據估計出模型的參數后，用一步向前預測方法，預測出2013―2014年的最高價和最低價數據。

運用Diebold-Mariano檢驗（簡寫為D-M檢驗）將VECM、GARCH（1，1）、RW、MA5、MA22模型和FVECM的預測能力進行比較。D-M檢驗結果如表3所示。

從表3可以看出，FVECM的預測誤差顯著小于其他對比模型，MA5和MA22通常是用來觀察股價走勢的，而非用來估計和預測未來的股價。與隨機游走模型RW比較時，統計量也是顯著的，說明基于FVECM的預測結果好于基于強式有效市場的價格預測，說明技術分析是有效的。VECM局限于整數維差分，沒有考慮到差價的長記憶性，說明本文對分數維差分和長記憶性的考慮可以提高模型的價格預測能力。

四、基于分形協整模型的反轉交易策略分析

由于最高價和最低價是交易策略的核心組成部分，與壓力線和支撐線的概念有緊密聯系，我們利用上文模型的預測結果構造一個反轉策略。

（一）反轉交易策略分析

上文中對最高價和最低價的預測結果可以構造一個帶狀區間，我們將股價一日內的走勢與基于差價的帶狀區間的交點作為買入和賣出的信號。在一個給定的交易日內，價格向上穿過上界，則為賣出的信號，向下穿過下界，則為買入的信號，這種策略稱之為反轉策略。這種策略也可以解釋為從價格波動時的短期均值回復的流動性儲備。從前文中可以看出，差價的上升會拉低第二日的最高價，提升第二日的最低價，因而降低第二日的差價。因此，選取反轉交易策略是合理的。之所以選擇日內交易，是為了避免隔夜市場操作帶來的價格波動風險。

1模擬交易

本文中的反轉策略為日內交易，通過FVECM對最高價和最低價的預測，計算出差價的估計值T，以日開盤價為基礎，構造最高價和最低價形成的帶狀區間，作為買入或賣出的信號，區間的上下界分別為PU=POt+Rt和PL=POt-Rt。在某一交易日，如果股指點數向上穿過上界，就是賣出的信號，如果股指點數向下穿過下界，就是買入的信號。一旦買入，就會產生兩條新的帶，即獲利帶和止損帶，SL=P+δRt和TP=P-δRt。如果股指點數穿過SL或TP，應該平倉；如果直到收盤時都沒有穿過這兩條帶，就在收盤時將持有合約平倉。這種策略類似于Holmberg將差價作為開盤價到收盤價之間的分位數，根據差價的波動進行交易，只是他們的研究沒有做像本文中的最高價和最低價的預測。

2反轉策略超額收益的驗證

為證明FVECM的預測結果對交易收益的提高，本文按照上述交易策略編寫matlab程序對滬深300股指期貨進行模擬交易，選取2013年1月1日至2013年12月31日作為樣本區間，用1分鐘分時數據進行模擬，δ取075。滬深300股指期貨的報價單位為滬深300股指的指數點，合約乘數為每點300元，最少交易005合約數，最多交易100合約數。本文的模擬交易只對主力合約進行交易，為了簡便起見，不考慮保證金交易和手續費問題，用點數×合約乘數×交易合約數作為價格，交易單位選擇005個合約。每日收益為（賣出成交價-買入成交價）×300×005。期末收益為兩年間每日收益之和。

比較期末幾種模型的收益情況，結果如表4所示。

五、結語

本文主要的貢獻是證明了證券最高價和最低價的可預測性，用分形協整向量誤差修正模型FVECM對最高價和最低價之間的分形協整關系進行建模，符合最高價和最低價之間的分形協整關系和差價的長記憶性。為證明技術分析的有效性，我們將一個基于FVECM的預測結果的交易策略用于滬深300股指期貨交易中，提供買入或賣出的信號。主要結論為最高價和最低價的預測可以提高交易的收益，降低交易時的風險。在未來的研究中，希望能進行最高價和最低價的預測能否提高風險分析能力和風險管理的研究。希望構建更靈活的模型，可以實現最高價、最低價、差價的分別估計和預測。可用于衍生產品定價等領域。

此外，由于本文中的交易策略是日內交易，中國股票市場T+1制度的限制使得無法將此研究策略擴展于股票市場，應用的廣泛性還有待提高。希望今后的研究中能出現基于股票市場的對本文的改進，這樣將會使本文更有實用價值。

參考文獻：

[1]

Fama，EFEfficient Capital Markets： A Review of Theory and Empirical Work [J ]Journal of Finance， 1970，25（2）：383-417

[2]Brandt， MW， Diebold，FXA No-Arbitrage Approach to Range-Based Estimation of Return Covariances and Correlations [J ]Journal of Business， 2006，79（1）：61-73

[3 ]Brunetti，C，Lildholdt，PMRelative Efficiency of Return and Range-Based Volatility Estimators [J ]Johns Hopkins University，2005，33（7）：1890-1933

[3]Brunetti，C.，Lildholdt，P.M.Time Series Modeling of Daily Log-Price Ranges for CHF/USD and USD/GBP[J]Journal of Derivatives，2007，15（3）：39-59

[4 ]Murphy，JTechnical Analysis of the Financial Markets [M ]New York：Prentice Hall Press，1999132-259

[5 ]Cheung，YL， Cheung， YW， He， AW， Wan， ATA High-Low Model of Daily Stock Price Ranges [J ] Journal of Forecasting，2009，28（1）：103-119

[6 ]Stakenas，PFractional Integration and Cointegration in Financial Time Series [J ]The Institutional Repository of the University of Amsterdam，2010，33（2）：1890-1933

[7 ]Johansen，S， Nielsen， MLikelihood Inference for a Fractionally Cointegrated Vector Autoregressive Model [J ]Econometrica，2012，34（6）：2667-2732

[8 ]Caporin，M，Ranaldo，A，Magistris，PSOn the Predictability of Stock Prices： A Case for High and Low Prices [J ]Journal of Banking and Finance，2013，37（1）：5132-5146

[9 ]Brock，W，Lakonishok，J，LeBaron，BSimple Technical Trading Rules and Thestochastic Properties of Stock Returns [J ] Journal of Finance，1992，47（1）： 1731-1764

[10 ]Gradojevic， N， Gentay， RFuzzy Logic， Trading Uncertainty and Technical Trading [J ] Journal of Banking and Finance， 2013， 37 （2）：578-586

[11 ]孫青華，張世英長記憶向量時間序列的非線性協整關系研究 [J ]天津大學學報，2002，（3）：30-32

[12 ]吳大勤金融時間序列的長記憶性與分形協整關系研究 [J ]管理世界，2006，（3）： 30-32

[13 ]趙進文，龐杰中國A股與H股收益率波動的分形協整研究 [J ]財經問題研究，2009，（8）：30-32

[14 ]曹廣喜基于分形分析的我國股市波動性研究 [M ]北京：經濟科學出版社，2008152-157

[15 ]王錦探討股票市場上技術分析的有效性：基于最高價、最低價、收盤價 [J ]華中科技大學學報，2009，（8）：30-32

[16 ]陳卓思，宋逢明技術分析中壓力線與支撐線的存在性檢驗 [J ]統計與決策，2006，（22）：30-32

[17 ]謝丁壓力支撐類股票技術分析指標的實證研究及評測 [J ]經濟研究，2009，（3）： 30-32

Analysis of A Contratian Strategy based on the Predictability of High and Low Prices of Securities

――A Case for IF300 Index Futures

CHEN Qian

篇10

受市場有效性和工具種類等因素的限制，國外一些成熟的量化對沖模型無法照搬回A股。我們將國外的模型進行了本土化的改造，4年來，這種改造已初見成效：2013年，我們的8個量化對沖專戶組合年化平均收益超過了12%。我們欣慰地看見，中國式的量化對沖投資已見雛形，且羽翼漸豐。

這些專戶組合的投資過程，也是我們驗證本土化量化對沖模型的過程。在實際運行的組合中，我們大體采取兩種模式：阿爾法策略和套利策略。所謂阿爾法策略，是專注于創造絕對收益。根據A股市場的特點，我們將理論上的阿爾法策略進行了改造，以傳統的主動型股票研究分析結果為基礎，利用多因子模型來控制組合的風險和相關性，追求超越市場平均回報的絕對收益，為投資者提供持續穩定的阿爾法回報；第二類是套利策略，即利用衍生品到期收斂特點進行套利，在國內做得比較多的就是ETF和分級基金套利。這類套利策略基于市場的廣度和速度，但囿于公募基金內部防火墻等監管規定的限制，我們采用的多為分級基金套利。這種方法繞開了高頻交易對速度的極致追求，能夠為組合貢獻無風險收益。