量化是什麼？

近幾年，量化投資在國內興起，尤其是在今年這種震盪行情下，市場風格和行業輪動速底加快，投資的難度加此時量化的優勢展現得淋漓盡致，業績表現亮眼吸引了大量投資者的關注。

什麼是量化投資？

量化投資是相對於定性投資而言，定性投資更多的是依靠基金經理的主動選股和擇時，透過自上而下或者自下而上的方法，進行行業和個股的選擇，而量化投資更多的是依靠資料和模型去進行選股和擇時。打個比方，定性的投資類似於中醫看病，望聞問切最後判斷結果，而量化投資類似於西醫，先透過各種儀器進行檢查，收集相關資料，之後對於資料進行分析，最後得出結論，對症下藥。

雖然量化投資更多的是透過資料和模型進行選股和擇時，但本質上，他是將投資者的智慧工具化，透過計算機語言來實現交易策略的執行。量化投資是用數理方法分析歷史資料，預測資產價格未來走勢。這種預測不是要求精確的算出明天的股票漲跌，而是強調統計意義，比如對了6次就可能帶來盈利。

|什麼是量化模型？

策略的工具化，透過引入數學、物理學等方法對資料進行分析回測，並構建選股或者擇時的模型，一個完整的量化投資模型，包括了策略模型， 風險模型，交易成本模型，投資組合模型以及執行模型。

策略模型可以說是整個量化模型最核心部分，決定了整個模型能否盈利。 由於底層資料的不同，策略可進行多種細分。常見的兩個大類是基本面策略和量價策略。基本面策路基於公司的基本面資料， 比如ROE、淨利潤增速、現金流、淨資產收益率等等。量價策略則完全基於價格、成交量、漲跌幅、換手率等交易資料。

風險模型則是應對於市場中出現的模型，包含有市場風險、技術、網路風險。

交易成本模型則是應對於一些交易佣金費用的模型，主要是控制投資成本。

交易組合模型主要是將上述的模型進行有機組合形成不同的投資組合模型最佳化的模型，後期對組合形成不同的投資組配之後實現利益最大化。

執行模型則是講述的模型進行運用，將各類的模型空現投資按照優勝略汰的方式進行替換，實現投資交易的執行。

|量化模型的演變歷程

量化投資的出現和發展主要是基於各類理論和研究的突破，包括布朗運動、數量經濟學、資產定價模型機率論、期權定價、混沌理論、複雜網路等等。

總的來說，量化模型從最初簡單的基本面多因子、均值方差、AR、ARMA等線性模型，逐步發展到了基於機器學習神經網路、複雜網路、混沌理論等高階數理知識構建的非線性模型。接下來，就給大家介紹幾個常見的模型。

一、多因子模型

作為量化機構採用最廣泛的一種選股模型，多因子模型的原理是採用一系列的因子作為選股標準，滿足這些因子引數標準的股票被買入，一旦不滿足因子引數標準則被賣出，一般而言，多因子模型常用的篩選因子包括，PE、PEG、PB、ROE、總市值、市銷率、銷售毛利率、波動率等等。至於具體哪些因子是有效的，並且效果好，這就是各機構的核心機密了。

各家量化投資機構採用的多因子模型，其核心的差異，主要有兩點。一是選擇的因子可能會有明顯的不同，二是對因子的組合和權重分配會有所不同。綜合這兩點，就會導致不同機構最終選擇出的股票組合收益率天差萬別。

因子策略最大的優點是，資金容量大，適合大基金操作。但是，缺點也很明顯，因子容易失效，並且策略執行者很難確定，這個因子只是在這段時間失效，還是永久失效了。

二、 基本面量化模型

基本面量化模型是基本面投資和量化投資的融合，是將計算機演算法與人的分析有效結合起來的一種1+1>2的投資方式。行業基本面量化模型就是深度研究行業的基本面，提取影響行業基本面的關鍵資料因子；之後，通過歷史回測策略的有效性，構建長期穩健的數學模型。最後，根據模型發出的訊號，進行交易。

與主動權益投資不同的是，基本面量化更像雷達掃描，優勢在於投資寬度。同樣是基本面邏輯下的投資，基本面量化投資更分散，不集中於單一賽道，力爭更小波動；同時，更偏左側投資，有助於抓住市場中暫時被忽略的投資機會。與傳統的多因子策略不同的是，基本面量化是提取各行業基本面邏輯，單獨構建模型，並藉助大資料賦能，力爭比市場更快發現行業拐點和投資機會。

三、量化對沖

量化對沖策略是透過衍生品或者做空股票等對沖方法來對沖掉系統風險，以獲取絕對收益的一。類策略。量化對沖策略主要包括：股票市場中性策略、股票多空策略、CTA策略以及套利策略。

四、趨勢追蹤量化選股模型

模型的原理是跟蹤並跟隨市場趨勢，其本質上，也是一種用量化手段跟隨市場趨勢的選股策略。判斷趨勢的指標有很多種，包括MA、EMA、MACD、DMA等，主要是一些技術指標。當然，在選股的時候，多數情況下都是多指標的綜合運用。另外，趨勢型指標除了可用於選股之外，還可以透過多指標的結合進行綜合擇時。

與多因子模型一樣，最終的效果是取決於趨勢指標的選擇，以及不同期限指標的確定。比如MA，4日均線金叉40日均線，可能會比5日金叉30日的歷史收益率更高，或者預測準確的機率更高。具體指標如何搭配？選擇什麼樣的期限，以及如何剔除市場價格的噪音等等，都需要進行大量的歷史回測檢驗。

五、高頻交易策略

高頻交易這個詞，估計很多人都聽說過。簡單來說，就是從那些人們無法利用的極其短暫的市場變化中尋求獲利的程式化交易，具有低隔夜持倉，高報撤單頻率，高換手率等特點。由於高頻交易的交易次數非常多，機會稍縱即逝。因此，資金容量就受到了較大的限制。

雖然，高頻交易有利於增強市場流動性、提升定價效率，但也容易引發交易趨同、波動加劇、有違市場公平等問題。

六、基於神經網路的量化策略

作為量化投資的分支之一，過去幾年，人工智慧在量化策略的運用越來越廣泛。基於神經網路的量化模型被廣泛應用於股價走勢預測，神經網路是由具有適應性簡單單元組成的廣泛並行互聯的網路，它的組織能夠模擬生物神經系統對真實世界物體所作出的互動反應。用一句話概述就是：神經網路能夠模擬神經系統對輸入作出一定反映。

簡單來說，神經網路演算法就是模擬生物的神經網路，將資料輸入網路中，產出預測結果，根據結果進行投資交易。

相比於傳統量化交易策略，人工智慧策略具有自動化優勢與非線性優勢，同時在挖掘和處理海量資料方面也更具優勢。無論在收益率預測、組合構建、資產定價、文字分析還是交易執行環節，人工智慧技術都有其用武之地。

總結一下，傳統的量化模型主要是基於技術指標、基本面因子進行擇時和選股，以及透過線性模型來構建投資組合，目前來說，很多模型依然有效，並且被廣泛應用。然而，股價的走勢受到多重因素的影響，隨著理論的發展和技術的進步，非線性模型開始應用於走勢預測，其底層資料主要是基於價格、對數收益率、成交量等交易資料。比如，當然比較熱門的深度學習、神經網路、複雜網路等等。

從當前市場的發展來看，高頻策略的有效性會隨著規模的增大而降低，原本做高頻交易的團隊若要擴大規模與容量，則往往要降低交易頻率或者向基本面因子拓展。而基本面量化策略，透過結合大量基本面的研究，可以有效提升策略的廣度與深度，進而擴大策略容量，越來越受到投資者與投資機構的重視。另外，隨著人工智慧技術的發展，量化策略也有望向著資料化、自動化和智慧化的方向不斷髮展。

量化投資本質上就是一類投資工具，幫助投資者進行選股和擇時。其實質是數學、統計學、物理學模型、人工智慧技術在投資領域的滲透。透過模型進行交易，可以更加快速、高效的處理海量的交易資料，提高交易的紀律性，並且也可以捕捉轉瞬即逝的套利機會。

但是，量化策略不是持續有效的，大部分的策略都只會是在部分時間段有效，想要持續的戰勝市場，需要不斷的更新迭代策略模型，甚至策略也可能會徹底失效。

文章轉自網路，喜歡的話可以點點贊加關注