《金融科技概论》（第二版）课件 第12章 量化投资

第十二章

量化投资金融科技概论11.理解量化投资的基本概念；2.了解国内外量化投资的现状；3.理解量化投资与传统投资的主要差异；4.了解量化投资常用的数据源与工具5.深入理解量化投资策略的开发实例。教学目标2引言

从全世界来看，量化投资已经发展了50年左右，于20世纪60-80年代开始兴起。在过去的10年里，这些全球顶尖的对冲基金公司凭借对金融算法模型的高度追求，赚得盆满钵满。他们改变了股票市场的游戏规则，主导着量化金融这个行业。3引言

量化投资的成功在于投资策略的质量，而投资策略的表现形式是数学模型。量化投资的过程一般分为几个步骤，一是计算机通过模型的判断发现市场上的交易机会，交易机会一般体现为金融投资品的不合理定价。二是迅速对机会进行分析是否达到买卖条件，若达到条件则计算买卖数量。三是执行程序化的买卖指令。然而，在市场交易过程中，金融投资产品的不合理价格出现时间非常短暂，策略模型能时刻正确判断某些金融投资品的价格是否合理，并迅速进行交易决定了量化投资的成败。4概述量化投资策略量化投资的数据源与平台延伸阅读：量化投资策略开发实例本章小结目录5概述量化投资以股票价格、日成交额等大额数据为参考样本数据并建立数学模型，同时采取仿真分析及迭代方法不断修正数学模型，直到模型可以用来预测指导投资交易。在量化投资中，我们可以为任何一个投资的方案或者设想，设计一个数学模型，之后利用大数据库的现有数据进行迭代法测试分析，以此来判别数学模型的有效性。6概述传统投资方式基本上是对传统的技术和公司的经营状态基本分析，存在一定的局限性；与之相对应的量化投资分析是基于对分析大数据市场数据的，数据样本空间容量足够大，而且可以快速进行运算并排除投资者个人心理因素的主观影响，科学性和时效性更强。同时，量化投资是一种主动性的投资方式，其中包括数学模型选择、自变量选取、数学模型的验算迭代等等。7概述量化投资交易的内容主要是量化策略以及交易策略，在制定交易策略时必须立足于投资市场、投资产品以及分配在内等。具体交易平台则是靠以计算机计算程序为基础的线上交易平台系统。进行量化投资交易时通常会遇到各种较为复杂的情况，但是基本前提都是要依据现有的既定的大量数据库数据，灵活采用各种方法来判断投资对象是否值得投资。8定义量化投资是一种利用计算机高效计算程序进行复杂运算，以期从数据中挖掘盈利机会、进行投资决策、执行交易、预测预警和管理控制风险，以获得超额收益和长期稳定盈利的投资方法。9起源量化投资20世纪70年代开始逐渐兴起，90年代才大行其道。1952年，马克维茨在其博士论文中提出了投资组合理论，该理论以期望值衡量收益、以方差值衡量风险，第一次正式将收益和风险这两个股票市场中最重要的概念数量化，成了现代量化投资的鼻祖。托宾随后提出了分离理论，但仍需要利用马克维茨的系统执行高难度的运算。10起源1963年，马克维茨的学生威廉·夏普提出了“投资组合的简化模型”，也称“单一指数模型”，使得马克维茨模型费时33分钟的计算，简化为只用30秒，大大提高了运算的效率，并因此而节省了电脑内存，可以处理相对前者8倍以上的标的证券。11起源1964年，夏普又在简化模型的基础上进一步发展，提出了金融界人尽皆知的资本资产定价模型(CAPM)。CAPM模型作为一个里程碑式的理论发现，既可以预测风险和期望收益，还可以用于投资组合的绩效分析，之后罗斯在CAPM的基础上，提出“套利定价理论”(APT)，提供了一种方法来评估影响股价变化的多种经济因素。1973年，布莱克和斯克尔斯正式提出了“期权定价理论”。自此，衍生品市场的重要产品期权开始迅速发展，为量化投资的兴起提供了更多的工具和更大的操作空间，加速了量化投资的崛起。12国内现状当前我国国内量化投资有以下几个特点：(1)机构投资者占总投资者的比例很高。(2)我国的量化投资市场虽然发展迅速但仍不成熟。(3)量化投资行业的企业构成比较复杂。(4)量化投资策略研究落后。(5)量化投资操作风格迥异。13国外现状最近十年来,量化投资成为了欧美资本市场发展的热点与焦点,一举成为了国际投资界兴起的一个新方法,发展势头迅猛,。量化投资和基本面分析、技术面分析并称为三大主流方法。由于量化投资交易策略的业绩稳定,其市场规模和份额不断扩大,得到国际上越来越多投资者的追捧。首先是容易冲规模。其次是可以获得绝对收益。第三是杜绝了内幕消息和老鼠仓。14传统投资与量化投资的不同对投资内容和方法进行人工分析和判断的投资就是传统的投资，而详细的分析和判断已经存在的投资策略，就是我们现在要提到的量化投资，主要通过计算机技术和计算机程序来对量化投资中的交易进行执行的。量化投资中因为计算机技术和程序的使用，能够在很大程度上不会限制跟踪股票的数量，同时也不会限制和影响投资分析变量的变化，这样就会没有限制的拓宽决策对象的宏观发展。15量化策略量化策略是借助计算机技术实现投资思想的逻辑代码，一个完整的策略包括输入、策略处理逻辑、输出三部分，其中，策略处理逻辑是量化策略的精髓，需要考虑选股、择时、仓位管理和止盈止损等因素16量化策略海龟交易法可以认为是一个完整的交易系统，具备一个完整的交易系统所应该有的所有成分，包括入市、头寸规模、止损/止盈、退出、买卖策略等海龟交易策略作为一种趋势跟踪策略，它的目的是把握住趋势的机会。趋势是指价格在一段时期内保持一种变化态势的现象。17海龟交易策略量化策略多因子选股是量化选股中的重要一环，其基本思想是找到某些和收益率最相关的指标，并根据该指标，构建一个股票组合，期望该组合在未来的一段时间跑赢或跑输指数。如果跑赢，则可以做多该组合，同时做空指数，赚取正向阿尔法收益；如果是跑输，则可以做多指数，做空该组合，赚取反向阿尔法收益。由此可知，多因子模型的关键是找到因子与收益率之间的关联性。18多因子选股量化策略19多因子选股市场整体因子市场因子、系统性风险等估值因子市盈率、市净率、市销率、市现率、企业价值倍数、PEG等成长因子营业收入增长率、营业利润增长率、净利润增长率、每股收益增长率、净资产增长率、股东权益增长率、经营活动产生的现金流量金额增长率等盈利能力因子销售净利率、毛利率、净资产收益率、资产收益率、营业费用比例、财务费用比例、息税前利润与营业总收入比等动量反转因子前期涨跌幅等交投因子前期换手率、量比等规模因子流通市值、总市值、自由流通市值、流通股本、总股本等股价波动因子前期股价振幅、日收益率标准差等分析师预测因子预测净利润增长率、预测主营业务增长率、盈利预测调整等多因子选股模型的第一步是发掘各类与股票收益率相关的因子，因子的选择主要基于经济逻辑和市场经验，在经典的规模、估值、动量、波动率等全市场通用因子基础上，根据宏观、行业、公司基本面、市场特征，结合各类特异因子来构造投资组合。影响股价收益的因子多种多样，但大体上可分为表中几类量化策略20高频交易策略国内常见的高频交易策略有高频做市策略、分时趋势策略、大单跟随策略、挂单诓骗策略、异常订单捕捉策略等高频做市行为一方面为市场提供流动性，另一方面通过价差收益实现盈利。由于高频交易单笔获利极小，因此需要交易量来保证自己获利，这就会为市场带来大量流动性。量化策略21高频交易策略分时趋势策略是指利用股票日内波动中出现的趋势性运动机会，利用市场具有的动量效应和反转效应，在股价向上突破时买进，或在跌落悬崖之前卖出，以获取日内差价利润的交易策略。分时趋势策略一方面加速了股票市场的价格发现，使得趋势得以形成，相当于踩了一脚油门；另一方面通过适时的回补交易稳定了市场，使得趋势不至于朝一个方向运行的太远，相当于在趋势的发展过程中踩了一脚刹车。市场要想变得有效，就需要这类主动交易的力量，分时趋势策略挣的是助推市场价格发现的报酬量化策略22行业轮动所谓行业轮动，是指在股市行情的发展过程中，市场的领涨龙头不断地从一个行业板块切换为另一个行业板块，不同行业板块在市场行情的不同阶段各自带领大盘轮番上涨的现象量化策略23行业轮动的原因宏观方面：在不同的经济政策下、以及不同的经济周期阶段，不同的行业所处的发展环境与阶段是不完全一致的，有的处于朝阳阶段，有的处于夕阳阶段，这就导致了行业及个股对投资者的吸引力会不断地发生变化，使得市场资金在不同时期追逐不同的热点，从而表现出行业轮动的现象。行为金融方面：前期表现好的行业会得到更多的投资者关注，不断地吸引新的资金进入，推动板块持续上涨，直至在未来某个时刻出现拐点。量化策略24网格交易网格交易是利用市场震荡行情获利的一种主动交易策略，其本质是利用投资标的在一段震荡行情中价格在网格区间内的反复运动以进行加仓减仓的操作以达到投资收益最大化的目的。通俗点讲就是根据建立不同数量、不同大小的网格，在突破网格的时候建仓，回归网格的时候减仓，力求能够捕捉到价格的震荡变化趋势，达到盈利的目的量化策略25跨品种套利跨品种套利指的是利用两种不同的但相关的指数期货产品之间的价差进行交易。这两种指数之间具有相互替代性或受同一供求因素制约。具体操作：当两个或两个以上的交割月份相同的期货合约之间的价差偏离其原有水平时，买入其中一种期货合约，同时卖出与此期货合约有稳定价差关系的一种或多种期货合约，当期货合约之间的价差回归正常水平时，进行平仓交易，赚取利差收入。因此跨品种套利策略要求品种之间应存在比较强的相关性，例如期货合约现货标的之间存在替代关系，或者是上下游的产业导致价格存在联动性，这样的相关性会使得两品种之间面对的是具有同一性的市场供求关系量化策略26跨期套利跨期套利也是套利交易中十分普遍的一种，所谓跨期套利就是在同一期货品种的不同月份合约上建立数量相等、方向相反的交易头寸，最后以对冲或交割方式结束交易、获得收益的方式。量化策略27跨期套利牛市套利当市场出现供给不足、需求旺盛或者远期供给相对旺盛的情形，导致较近月份合约价格上涨幅度大于较远月份合约价格的上涨幅度，或者较近月份合约价格下降幅度小于较远月份合约价格的下跌幅度，无论是正向市场还是反向市场，在这种情况下，买入较近月份的合约同时卖出较远月份的合约进行套利，盈利的可能性比较大，我们称这种套利为牛市套利。

熊市套利当市场出现供给过剩，需求相对不足时，一般来说，较近月份的合约价格上升幅度小于较远月份合约价格的上升幅度，或者较近月份的合约价格下降幅度要大于较远月份合约价格的下降幅度。无论是在正向市场还是在反向市场，在这种情况下，卖出较近月份的合约同时买入较远月份的合约进行套利，盈利的可能性比较大，我们称这种套利为熊市套利。

蝶式套利蝶式套利是跨期套利中的又一种常见形式。它是由共享居中交割月份一个牛市套利和一个熊市套利组合而成。由于较近月份和较远月份的期货合约分别处于居中月份的两侧，形同蝴蝶的两个翅膀，因此称之为蝶式套利。量化投资的数据源与平台

量化投资数据源数据作为量化投资的基础直接决定了后续的所有环节，策略的开发、回测、调整无一不依赖于数据，因此获取准确、全面且及时的数据是量化投资的第一步。量化投资数据源主要包括以下两个数据源：基本面数据源广义基本面数据包括宏观数据、行业数据、公司数据、股票数据、基金数据、债券数据、期货数据和指数数据8大类数据，基本面数据主要被用于构建择时、选股等策略。第一类为宏观数据，宏观数据是基本面数据中最为重要的数据，其可以体现一个国家各方面发展的情况；第二类为行业数据，行业数据代表中观市场情况，可以较为清晰地展现各行业的发展情况，可以横向对比；第三类为公司数据，大部分量化投资策略需要从公司的各项指标和因子入手进行研究分析，例如多因子策略大多需要考虑公司财务因子；第四类为股票数据，股票是量化投资最常用的品种，因此股票数据是最为常用的数据。股票数据源包括个股交易数据、日大宗交易数据、个股回报率、个股停复牌数据和异常波动信息等。28量化投资的数据源与平台

量化投资数据源高频数据源

高频数据主要是指以秒为采集频率的数据，由于高频交易在量化交易中所占的比例非常大，因此高频数据对于低延迟交易至关重要。常见的高频数据包括股票分笔高频数据、股票分时高频数据、股指期货分笔高频数据、股指期货分时高频数据、商品期货分笔高频数据、商品期货分时高频数据。

国内数据提供商有万得、国泰君安、锐思、巨灵、恒生等，国外数据提供商有Bloomberg、ThomsonFinancialOneBanker、CEIC、Reuters等。主流的数据提取方法有终端提取方法和API提取方法两种。终端有网页终端和软件终端两种类型，提取方法为利用关键词筛选出想获得的数据，并导出为Excel或TXT等格式文件，我国提供终端的主流金融数据库有：CSMAR数据库、Wind数据库、锐思数据库、中国统计局数据库等。API提取技术主要是利用Python、Matlab、C++和Excel等软件连接数据库服务器，并通过相关函数提取数据库中的数据，我国提供API接口的数据库主要有：国泰君安数据库、Wind数据库和巨灵数据库。29量化投资的数据源与平台

量化投资平台现有的国内量化投资平台有：聚宽、优矿、米筐、BigQuant、发明者量化、镭矿、京东量化、掘金、同花顺等，国外的量化投资平台有：Quantopian、QuantConnect、Quantstart、algotrading101、AlgoTrades等。

下面对三个国内平台进行详细的介绍：聚宽（JoinQuant）

聚宽公司于2015年5月成立，聚宽平台是国内最早创立的量化交易平台之一，专注于金融量化工具和智能投顾技术，2017年，公司获得百度公司近亿元B轮融资。目前，公司的量化社区已拥有超过15万的注册用户，以及券商、私募基金等机构用户。

公司提供的产品包括量化金融数据库、量化云平台与金融终端等。聚宽提供的量化金融数据库JQData覆盖了股票、期货、基金、宏观等市场数据，以及外部舆情数据等，旨在为个人策略开发者与机构客户提供最为干净、可用并且准确的量化数据。公司的量化云平台与JoinQuant金融终端则提供量化投研、策略编写、全品类回测、模拟交易、实盘交易与数据等服务。30量化投资的数据源与平台

量化投资平台BigQuant

BigQuant平台是由宽邦科技所研发的，宽邦科技是领先的人工智能平台和服务供应商，致力于利用AI赋能商业和个人。宽邦科技聚焦证券和金融行业，于2016年研发了BigQuant，是国内首个将量化投资于人工智能/机器学习相结合的智能投资平台。BigQuant通过机器学习等人工智能技术，实现人工智能量化投资，同时为用户提供新型的量化大数据和智能技术服务，BigQuant的目标是成为每一个宽客的人工智能量化交易平台和社区。

该平台最大的特点是其策略的诞生由人工智能驱动，平台开发核心团队来自微软谷歌人工智能部门，平台提供丰富的机器学习框架以及专为量化研发的机器学习算法。主营业务为结合大数据、人工智能和云计算等能力，为广大量化投资者和投资机构提供行业领先的新型数据和智能技术服务，覆盖机器学习、策略研发、回测、交易和风控等。31量化投资的数据源与平台

量化投资平台FMZ发明者量化交易平台

FMZ发明者量化平台(原BotVS)是专业的量化社区，创建于2014年。其最大的特点在于：它是首家支持商品期货与数字货币交易(比特币量化交易、区块链资产量化交易)的量化交易平台，支持使用Javascript、Python、C++等完整的高级语言，也支持可视化语言和麦语言（兼容文华财经）实现策略。它支持商品期货与易盛外盘期货，同时也支持几乎所有常用的数字货币交易所。交易开拓者（TradeBlazer） 上述所介绍的平台中虽然大多数同样可以进行实盘交易，但更多地被使用于策略研究、策略回测开发、模拟交易等场景，实盘交易尚未完全成熟。下面介绍一个期货市场实盘交易中最为常用的量化交易工具：交易开