数量化投资

数量化投资继年初嘉实量化基金成立后，中海量化策略基金也于6月19日顺利结束募集，首次募集16.46亿元，两只基金均采用国际流行的数量化投资方法。算上2004年发行的光大保德信量化核心基金和2005年发行的上投摩根阿尔法基金，至此我国共有4只公募量化基金。从本质上看，数量化投资理念将金融理论、数量化统计分析技术与投资者的定性分析和判断有机地结合在一起作为研究工具,将投资思想通过具体指标、参数的设计体现在模型中,并据此对市场进行不带任何主观情绪的跟踪分析,借助于计算机强大的数据处理能力来进行资产配置、股票选择、时机选择以及仓位控制等,以保证在控制风险的前提下实现收益最大化。数量化投资与传统的定性投资方法相比，相同点是，二者都致力于建立战胜市场、产生超额收益的投资组合；不同点是，定性投资方法侧重对上市公司的调研、基金经理个人的经验及其对市场的主观判断，而量化投资管理则更加强调数据的分析和应用，以先进的数学统计技术和模型替代人为主观判断。所以，与传统的定性分析方法相比，数量化投资方法能更为理性、客观地分析和筛选股票，避免投资的盲目性和偶然性，以及主观认识的局限性，它能更有效地控制非系统性风险及一些人为因素导致的风险。作为数量化投资理念的领航者，BGI(巴克莱全球投资)于1978年创立了全球第一只数量化投资策略基金。经过逾30年的发展，数量化投资如今已经在全球范围内得到投资人的广泛认可。特别是2005年以来，随着计算机技术的飞速发展，数量化投资基金已逐渐变成一个主流的方向。据统计，目前在美国零售市场发行的主动型股票基金中，数量化投资基金已占据了16%的市场份额，而在竞争激烈的机构投资市场，量化投资则获得了更多的关注，以BGI、SSGA（道富环球）和 GSAM（高盛国际）为首的一大批以数量化投资为核心竞争力的机构已成为资产管理公司中的领头羊，BGI更以14000亿美元的规模，高居全球资产管理规模之首。同时，数量化投资理念也造就了一大批卓有成效的基金经理.其中，詹姆斯西蒙斯最具有代表性，他创造了由数学家成为“最赚钱基金经理”的神话。西蒙斯将他的数学理论背景巧妙运用于股票投资实战中，借助数学统计理论和计算模型，其所管理的大奖章基金，从1989年到2006年的17年间，平均年收益率达到了38.5%，而股神巴菲特过去20年的平均年回报率为20%。更为神奇的是，在1998年俄罗斯债券危机、2001年高科技股泡沫危机以及2007年的次贷危机中，许多曾经闻名遐迩的对冲基金经理都走向衰落，但西蒙斯管理的大奖章基金却在几次金融危机中都表现得异常坚挺！从1988年成立到1999年12月大奖章基金总共获得2478.6%的净回报率，业绩可谓“鹤立鸡群”，超过第二名索罗斯的量子基金一倍，而同期的标准普尔指数仅有9.6%。即使在次贷危机全面爆发的2007年，该基金的回报率仍高达85%。西蒙斯也因此被誉为“最赚钱基金经理”、“最聪明亿万富翁”。其实西蒙斯的成功依赖于他的数学背景，他就是靠数学模型和电脑管理着自己旗下的基金，即用数学模型捕捉市场机会，由电脑做出交易决策。他称自己为“模型先生”，依靠量化的模型工具，而非较多的主观判断，西蒙斯也为投资人创造了惊人的回报。实际上，数量化投资方式正逐步被国内机构投资者认可，越来越多的基金经理开始使用数量化模型进行选股和资产配置，甚至据此进行择时交易和仓位控制。随着我国A股市场有效性的不断提高，融资融券、股指期货等新型投资机制和工具的推出，交易制度和衍生品市场的逐步建立和完善，数量化投资理念将会大有用武之地。数量化投资技术在基金中的应用作者：好买基金研究中心 来源：好买理财 2009年10月30日今年以来，一股“量化基金”的热潮悄然掀起，嘉实基金、中海基金、长盛基金和华商基金先后推出了自己的量化产品。关于量化基金，国际资本市场，尤其是美国市场已经有了长足的发展并形成了相当的规模，在投资的各个环节形成了较成熟的数量化方法及量化模型。目前，对于量化基金的定义有四种：Bloomberg认为量化基金因使用数量化投资方法而得名，量化基金通过数理统计分析，选择那些未来回报可能会超越基准的证券进行投资，以期获取超越指数基金的收益；Lipper所定义的量化基金是指投资者在投资决策上较多的依赖于数量化的方法而不仅仅是定性的方法，也就是说量化基金较少考虑公司的具体商业操作，而更多的考虑公司股票在市场上的表现；Forbes旗下的Investopedia则认为基于量化方法选股的基金即为量化基金；Profitfund认为量化基金通常会对市场行为建立计算机化的统计模型，基于数理统计分析对组合进行管理。从上述定义可以看出，Bloomberg和Lipper的定义相对比较广义，只是强调在投资的过程中使用数量化方法；而Investopedia和Profitfund的定义相对狭义，除了强调投资过程中使用数量化方法外，还强调投资决策是定量化的。好买认为在投资过程中使用数量化方法的基金即为量化基金。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：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：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 投资组合保险策略来源：好买基金研究中心 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, JensenIR、M2、R2双向表分析 时间序列相关性总风险收益 系统风险收益 分散化投资收益来源：好买基金研究中心 五、基于行为金融学的投资策略上世纪5070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。期货市场量化技术及本土化前景2010-1-8 7:58:40郭梁期货日报量化技术的应用范围应用量化技术的产品主要包括对冲基金、指数基金和量化共同基金。近三十年来,它们都取得了蓬勃发展。对冲基金(hedge fund)是基金的一种形式,它采用各种交易手段(如卖空、杠杆操作、程序交易、互换交易、套利交易、衍生品种等)进行对冲、套期等来赚取巨额利润。对冲基金大多数都是采用数量化的分析工具和方法进行资产的筛选和交易。指数型基金是一种以拟合目标指数、跟踪目标指数变化为原则,实现与市场同步成长的基金品种。它采用各种量化技术实现对目标的复制或者跟踪,经过20多年的快速发展,美国的指数基金已经发展成为一个规模庞大、种类丰富的基金业分支。量化共同基金是指运用量化技术管理的共同基金,它包括纯量化的共同基金和混合管理的共同基金。根据Lipper2009年中期的统计,量化共同基金的规模已经达到4000亿美元。那么究竟什么是量化投资策略?简单来讲,量化投资策略就是利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程。与传统定性的投资方法不同,数量化投资不是靠个人感觉来管理资产,而是将适当的投资思想、投资经验甚至包括直觉反映在量化模型中,利用电脑帮助人脑处理大量信息,帮助人脑总结归纳市场的规律,建立可以重复使用并反复优化的投资策略(经验),并指导我们的投资决策过程。因此,我们看到量化技术只是一种工具,它是用来帮助我们了解金融市场,发现金融市场规律,模拟金融市场发展,并制定出投资策略的实现途径。我们关心的应该是量化技术所体现的投资理念以及量化投资策略隐含地投资逻辑。量化技术的几大优势有效市场假说理论(EMH)认为当前市场上所有证券的价格不仅反映了证券历史价格信息,同时也反映了当前所有公开的信息。在一个有效市场中,所有投资者的盈利或者损失都是由于投资者的运气而并非技术。有效市场假说认为量化交易策略在长期的投资中是不能获利的。但是近二十年来的实证研究不断发现股票收益率具有可预测性的证据,EMH的理论基础和实证检验都受到了强有力的挑战。种种现象都表明市场本身是非有效的。为什么市场的非有效性能够长期持续存在呢?行为金融学作为一种研究投资者行为模式的前沿学科能够很好地解释这些现象。行为金融学认为:投资者并不是完全理性,而只具有有限理性,投资者在现实决策中存在诸多的认知偏差,这些偏差不可避免地要影响到人们的投资行为,进而影响资产定价。因此越来越多的人们相信,通过制定不受个人情绪干扰的量化投资策略并严格执行,有助于获得更好的投资回报。定量投资和传统的定性投资本质上是相同的,二者都是基于市场非有效或是弱有效的理论基础。有区别的地方是,定性投资管理较依赖投资者的个人经验及主观判断,而定量投资管理则是将定性思想与定量规律进行量化应用的过程。采用量化技术的交易员是否比那些靠感觉或者是直觉的交易员有着稳定的优势呢?下图中我们提供了巴克莱银行(Barclay Group)的一项统计结果,在1996年到2008年的13年中,量化交易团队(Systematic Traders)的平均年化收益为7.15%,而“靠感觉”的主观交易团队(Discretionary Traders)平均年化收益仅为4.74%,量化交易团队相对于主观交易团队有着明显的优势。当然,我们不能否认一些天才投资家能完全依靠主观分析获得稳定的高收益,但是这种成功的案例少之又少。量化交易团队与主观交易团队业绩比较我们认为量化投资策略有五大优势,主要包括量化各种因子、强调纪律、跟踪及时、分析全面、高效性等。量化各种因子: 相对于传统的基本面分析,量化技术通过各种模型实现基本面的量化,不仅可以确定单一因素的影响,还可以揭露多因素之间的复杂关系,方便投资者制定投资策略,这对于受到瞬息万变大量信息冲击的金融市场尤为重要。强调纪律:依据量化技术制定的投资策略都是精确的,而不是随着投资者情绪的变化而随意更改。强调纪律的投资策略好处很多,可以克服人性的弱点,如贪婪、恐惧、侥幸心理,也可以克服认知偏差,行为金融理论在这方面有许多论述。跟踪及时:量化技术能够及时快速地跟踪市场变化,不断发现能够提供超额收益的新的统计模型,寻找新的交易机会。分析全面:量化技术提供了一整套完备的分析和交易系统,它主要包括多层次的量化模型、多角度的观察及海量数据的观察等等。多层次模型主要包括大类资产配置模型、商品组合模型和单一商品交易模型等等。多角度观察主要包括对宏观周期、行业状况、市场微观结构、相对强弱、市场情绪等多个角度的分析。量化技术还能通过对高频数据的处理,深入挖掘市场的盈利机会。高效性:量化技术依托于高性能计算机,批量处理大量数据,这是人脑无法做到的。量化方法与其它主流投资方法并不对立量化投资策略是主动型投资策略,它的理论基础是市场并非有效的,投资者通过积极主动的资产管理可以打败市场,获取超额收益。很多投资者认为量化分析与基本面分析是对立的,既然采用了基本面分析方法就没法也没必要应用量化分析方法,这是错误的观念。海外数量化投资的经验是数量化投资模型90%考虑的是基本面因素,同时考虑市场因素、技术因素等。量化研究与基本面研究应该是相辅相成的。量化投资策略以正确的投资理念为根本,辅以基本面分析,以全市场的广度、多维度的深度视角扫描投资机会。量化分析方法也不否定技术分析方法,相反很多技术分析方法还能为量化分析方法提供极具价值地创意。投资流程及主要的量化技术一个完整的投资决策流程应该包括战略资产配置、战术资产配置、组合构建/标的选择、风险管理和绩效评估五方面,每一个步骤都涉及众多的量化技术,我们简要介绍如下:指数化投资:商品指数化投资包括指数编制与指数增强。指数编制是指在保证流动性和反映宏观经济基本状况前提下,通过各种方法把商品期货合约连接起来,作为衡量商品期货行情的标准。有了基本的商品指数后,投资者还可以使用各种技术提高指数收益,或者是构建复合型指数。这里主要涉及的技术包括平滑由合约更换导致的断点所使用的滤波技术,构建复合型指数需要掌握的非线性规划技术等。宏观经济周期和影响因素量化技术:国外很多机构为了更好地把握宏观经济对商品市场的影响,纷纷建立量化宏观经济体系,例如UBS就建立了一套宏观经济打分体系,也可以采用回归模型和PCA方法量化宏观经济影响因素。量化宏观经济周期的方法则数不胜数,如HP滤波、分形方法等。市场中性策略:市场中性策略是通过构建没有风险暴露的多空组合来追求绝对收益。此策略中多空头寸必须严格匹配,通过把握品种之间的相对强弱关系,追求阿尔法收益而不承担贝塔风险。经典的计量经济学理论为研究市场中性策略提供了很多方法,如协整方法、马尔科夫过程等、ARMA模型、GARCH族模型、SV模型也可以为价差序列和收益率序列的未来变动提供预测。商品择时:实务界和学术界开发了很多模型用于商品择时,如传统的计量经济学GARCH族模型、马尔科夫过程等,来自于行为金融学的均值回归模型、羊群效应等。组合构建/标的选择:构建投资组合的主要方法包括马科维茨的最小均值方差模型、基于VaR约束的模型、融入分析师主观观念的Black-Litterman模型等,常用的战术资产配置方法则包括基于行业景气周期的商品轮动模型、基于品种特征的风格轮动模型等。风险管理:风险管理包括在险价值(VaR)、条件风险价值(CVaR)、预期损失(ES)和风险预算技术等。交叉学科方法:随着金融市场迅速膨胀,不少数学家和物理学家甚至是生物学家投入到金融市场研究中,并作出了重要贡献。数学家把随机微积分应用于金融市场引发研究的革命,资产定价理论如雨后春笋般出现。同时,一些金融模型的最优化求解也需要借助专业的数学知识。金融物理学是新近流行的另外一种交叉学科方法,一些物理学家把地震、湍流的研究方法应用于金融泡沫建模,并取得了良好的效果。另外,多重分形、复杂网络以及灾变动力学在金融市场也有着广泛的应用。量化技术本土化前景2009年,我国期货市场继续保持高速增长,累计成交合约21.6亿手,成交金额130万亿元,分别同比增长58.18%、81.48%,中国期货市场大发展的时代已经到来。市场不仅需要新的品种、新的投资群体,而且需要新的研究方法和体系,特别是在未来股指期货上市后,期货市场成交以及容量将会大大增加。当前市场主流分析方法基本面分析方法和技术分析方法容易被庞大的信息量、矛盾的信号和主观情绪制约,无法发挥其应有的作用。量化技术作为基本面分析和技术分析的有力补充,它应用计算机高效处理数据,帮助投资者更加全面深入地理解复杂的金融期货以及商品期货市场,并制定出合适的交易策略和风险管理策略。随着股指期货未来在我国内地上市,我们相信量化技术会在国内期货市场有着广阔的应用和发展空间。杨宏亮：践行量化投资中国化2010年02月01日 14:05中国证券报“量化投资与基于基本面的价值投资在投资的本源上是一样的，都是基于优势的研究、判断及决策。套用一位国外相关领域专家的话说，二者的区别仅在于：价值投资掌握了一大片，抓住了一点点，量化投资掌握了一点点，抓住了一大片。当然，基于个人的理解，量化投资与价值投资在方法上以及在一些市场状态的把握上也会有较大的不同。”宝盈基金金融工程部总监杨宏亮希望通过更精细化、更有纪律性的量化投资，积极预见机会与风险，为持有人提供可持续的业绩表现。杨宏亮说话不紧不慢，很沉稳。他认为市场的波动有可测与不可测的周期与阶段，但市场状态的循环往复是最为确定的规律，因此，在估值的大背景下，捕捉市场状态的转变以及个股特征的转变是可以实现的。杨宏亮带领的金融工程团队的主要工作之一就是通过量化投资模型打造判断市场状态的辅助指标工具。说易行难，因为量化投资这套舶来品不能拿来就用，而是需要根植于正确的投资理念，引入全新的中国因子，这对于中国所有的量化投资基金都是个挑战。杨宏亮在宝盈基金的这三年，正是践行量化投资中国化的三年。在国内量化投资中抢占先机近两年，量化投资在国内慢慢热了起来。但整体上来看，中国的量化投资在规模和理念上都仍然处于起步阶段，未来存在着很大的发展空间。杨宏亮告诉记者，宝盈基金为量化投资做了长时间的准备，其金融工程团队进行系统量化研究长达3年。另外，宝盈基金通过构建基于Oracle的数据库平台，与其他国内外知名数据提供商合作，进行海量数据的清洗、整理，实行量化分析的高效、准确、完备，为宝盈基金的数量化研究和投资提供了坚实的硬件支持。“宝盈金融工程部已经形成了多个相对完善的量化投资策略，在历史检验中表现良好，而且在近一年的实盘模拟中表现良好。”杨宏亮很自信地说。在量化投资的起步阶段，市场上似乎对量化基金仍然持观望态度。杨宏亮认为目前国内量化基金数量很少，不具有代表意义，但如果以国外基金的发展情况来看，可以看到量化投资的明显优势，比如西蒙斯的文艺复兴20年年化收益率高达34%。此外，杨宏亮注意到现行的量化投资主要是以量化选股模型为主，单纯的选股模型存在一定的衰退期，“就是说市场适应模型的时候非常有效，但如果不匹配，仍然沿用旧的市场状态权重来选股的话，这就是通常所说的衰退期，投资效果可能并不理想。”在宝盈基金金融工程部的研究中，他们也会跟踪通过某种方式选出市场表现暂时很强的股票，发现在不同的市场状态下其表现差异很大。基于这种观察，杨宏亮告诉记者，解决这种情况要分两个步骤，一是量化投资策略的设计必须内嵌资产配置环节，作为策略设计的战略背景，然后再在这个前提下发展选股模型、统计套利等。二是要承认市场永远是对的。这也是杨宏亮的根本观点，“量化投资必须要适应市场的状态。”如果基金量化投资持续跑输市场的时间比较长，那么其策略肯定就有问题。这时候必须有一个再评估的过程，评估原有量化投资策略所根植的投资理念是否仍然适用。如果不适用，必须抛弃；如果适用，那么可以根据新的市场情况优化各项因子的权重。构建中国特色的量化模型量化投资是舶来品，拿到中国来，好像并没有想象中的那般厉害。是不是海外的模型拿到中国来就不适用呢？杨宏亮说，量化模型的制定首先要有相应的投资理念作为背景，其次应引入有国内特点的因子。“除了要有正确的投资理念外，国内量化投资的发展可以引进海外成功的流程和体系，再运用中国特色的因子，构建出适合中国市场状态的量化投资模型。”杨宏亮说。在他看来，量化投资的整套体系流程不管是放在发达国家还是在发展中国家都可以适用，但因子不同，出来的量化模型自然也大不一样。要让量化投资在中国获得成功，除了要有正确的投资理念外，就必然要更多地找到适应中国市场的因子。在构建模型的时候，杨宏亮所在的金融工程部细微观察中国市场与海外市场的各种异同。中国市场与海外相同的方面很多，比如中美两国M1与市场的相关性均要大于GDP与指数的相关性；从长期来看，小盘股均会跑赢大盘股等。但不同的方面也不少，如中国市场的趋势性比较明显，一旦形成趋势，持续的时间、幅度要强于国外，这时候动量的指标需要重点关注。美林的投资时钟拿到中国也有很大的不确定性，中国的行业相关性太高，同涨同跌，机械地应用海外的投资时钟理论，会让投资者大跌眼镜。一位QFII人士的投资经历让杨宏亮对中国的行业相关性过高印象深刻。这位QFII在2008年的下跌中，按照海外的投资原理，选择中国的消费等防御性品种规避风险，但没想到根本行不通，刚开始没怎么跌，后来补跌，下跌幅度根本不比那些周期性品种少。“关键不是市场成熟与否的问题，而是每个市场都有特定特征。”杨宏亮说，量化投资最重要的就是去捕捉这些特定特征，而不是用国外数据直接建立一个模型拿到国内来用。杨宏亮先生，经济学博士，具有6年金融从业经历。曾就职于国家开发银行综合计划局、深圳国信证券综合研究所和中再资产管理股份有限公司从事统计模型与方法研究、宏观研究、证券市场投资策略构建、产品设计和风险管理等工作。2007年10月加入宝盈基金管理有限公司，现任金融工程部总监、宝盈资源优选0.97 -0.39%股票型证券投资基金和宝盈核心优势0.94 -0.36%灵活配置混合型证券投资基金基金经理。2010年灵活策略会更适应市况站在2010年的年头，市场人士充满了迷茫，感觉不确定性太多，在这种担心的氛围中，市场已经跌