時間：2023-08-20 14:47:26
序論：在您撰寫量化投資與分析時，參考他人的優秀作品可以開闊視野，小編為您整理的7篇范文，希望這些建議能夠激發您的創作熱情，引導您走向新的創作高度。
實行建設工程招投標制度是我國社會主義市場經濟發展的一種競爭形式，也是市場經濟發展的必然要求，而資格預審工作正是為開展招投標工作把好重要的第一關。資格預審程序就是為了在招標投標過程中使資格條件不適合承擔或者履行合同的投標人退出招標過程。這道程序體現了擇優原則，達到了社會資源的優化配置作用，進而促進社會生產力的發展。
我國現行的招投標資格預審主要是種定性的考察、篩選做出投標人優劣的判斷。如何根據對投標人提供的資格預審文件，從定性研究轉化為一種定量的分析，對招標人和投標人都是有好處的。它既可以避免以往對投標人的資格預審不合理，又可以使招投標資格預審更具科學合理性和公正性。如果要用科學合理的定量分析投標人優劣的情況，就必須設計與之相配套的科學的評價方法。
基于上述考慮，本文所闡述的量化評價法就是為招標人進行招投標資格預審所設計的，尤其是對于一般性技術要求不高、結構不復雜的建設工程項目，采用量化評價法進行招投標資格預審就比傳統的定性評價顯得更加科學、簡單、快捷。
二、量化評價法
沒有量化的資格預審方法是不能稱其為標準的。筆者結合我國大多數招標人在工程項目招標的成功經驗，提出采用量化評價法確定通過資格預審的投標人的評價方法。量化評價法的招投標資格預審方法適用于技術難度不高、工藝較簡單的工程項目招投標的資格預審。招標人根據工程自身實際需要，對投標人的各項信息根據預先設量化好的分值，得出投標人資格預審文件分值的排序。
量化評價法的評分項目共四項，總分100分，四項得分相加即為投標人資格預審的總得分，若投標人總分相同，則同時入圍參與投標過程的竟標過程。對于各投標單位的參與資格預審的評分細則現以評分表形式列出，如表1所示。
采用量化評價法由招標人預先制定供投標人使用的資格預審文件，并在資格預審書中告知，對投標人某些相關信息進行量化的評分，并最終根據資格預審的得分排名擇優合格的投標人。
運用量化評價法科學的引導投標企業健康的發展，對于招標人也可以在經過長期積累后形成自己的投標企業資格預審合格庫。對于那些被招標人認可的投標企業和項目經理免于進行重復審查。投標人參與投標過程中，若投標人已進入招標人的資格預審合格庫中，則可直接參與投標過程。若投標人有違反或其他不良行為，則招標人可立即將其從資格中直接刪除。
此外，運用量化評價法對投標人參與資格預審時的假借資質、人員、資料弄虛作假等行為，招標人可通過下述方式處理：
第一，要求投標人提供參與招標階段的保函，同時遞交資格預審保證金，以便對投標人在招標階段的不良行為做出經濟處罰。而通過遞交資格預審保證金，也可以削弱亂借資質的行為，招標人只需對資格預審保證金的匯款方限定為投標人即可。
第二，對于項目負責人所從事企業的認定可通過多方面適當的途徑來獲得。實際中有些項目負責人同時從事于不同的企業也是事實存在的，因此，招標人可要求投標人提供擬參與該項目的項目負責人及項目機構人員的社會保險資料，利用我國勞動法規定的“用人單位必須與勞動者簽訂勞動用工合同”，“必須為企業員工繳納各類規定社會保險”等條款，為規范“借資”、“掛殼”等投機行為提供有力的辨別方式。
第三，完善對于投標人遞交資格預審資料中關于企業或者項目負責人從事過以往工程的業績材料及相關資質證書的核查。建設行政主管部門應做好備案的工作，確保招標人進行項目招標時可以順利判斷投標人對本工程所提供資料的真實性、準確性，杜絕一個項目機構同時服務于若干不同招標人。對于證件造假弄虛作假，行政主管部門應建立電子信息IC卡制度，并錄入數據庫黑名單。
三、量化評價法應用于實際的案例分析
某項目招標公告簡要信息如下：
1.招標人單位名稱公開招標的XX工程（項目名稱）已經由該市發展和改革委員會批準建設。工程所需資金來源現已落實。現邀請合格的投標人參加本工程的資格預審。
2.工程概況：
(1)工程規模：XXX城市快速路工程，本道路規劃為城市A級道路，道路總長約2000米，規劃路寬50米，該工程主要包括道路、橋梁及道路以下綜合管線等工程。工程總投資約4000萬元。
(2)計劃開、竣工時間：XXXX年X月至XXXX年X月。
3.本招標工程不分標段，每位申請人可申請參與該工程的資格預審。
4.申請人應當具備的主要資格條件
(1)申請人資質類別和等級：主項市政公用工程施工總承包貳級及貳級以上資質。
(2)擬選派項目經理的資質等級：市政公用工程貳級以上資質。
(3)企業業績：有過同類道路工程施工業績。
(4)項目經理業績：有過同類道路工程施工業績。
配合本工程招標公告的資格預審文件要求投標人提供該企業上一年度財務報表、該企業準備投入本項目管理人員的名單附職稱證明，并要求投標人提供本企業獲IS09000證書或提供本企業獲地市級工商管理局重合同守信譽證書或本企業在銀行獲得的資信等級證書（以上證書非必須提供）。招標人在資格預審文件中規定了對投標人采用資格預審量化評價法擇優選擇排名前60%的投標人為合格投標人。投標人的各項信息得分以表1為評分標準。
最終參與本工程有9名投標人參與本工程的資格預審，經匯總將9名投標人情況表如表2所示。
根據資格預審文件預先告知的本工程量化評價的評分標準，得出的9名投標人得分及排名情況如表3所示。
（一）傳統證券風險量化指標的理論源頭
傳統的證券風險分析當中必然會同一個與之如影隨形的概念聯系在一起，那就是收益，同時，在西方傳統的經濟學當中風險和報酬存在著這么一個函數關系，甚至在一些傳統的經濟學課本上作者為了簡化兩者之間的關系，將兩者簡單的歸結為一個完美的線性關系，即風險與收益之間是一對一的數學關系，并且存在著這樣一個邏輯：風險越大，報酬或者收益也就越大，反之亦然。即使是稍微尊重事實一些的經濟學教材也運用了高等數學當中線性回歸的方法將兩者的關系從非線性回歸為一對一的線性關系。除了學界對于風險的分析是從報酬或者收益出發的以外，在國外或者國內的民間也有類似的對于兩者關系的表達，例如我國有句老百姓口中經常說到的“富貴險中求”就是對兩者的關系的簡單認識。因此，傳統證券風險分析的源頭明顯是來源于對于報酬的分析。
（二）傳統證券風險量化指標的數學方法的應用
傳統的證券風險理論認為證券的總風險=可分散的風險+不可分散的風險，其中可分散的風險主要指的是個別證券自身存在的風險，而不可分散的風險則是指市場風險，下面筆者介紹一下傳統證券風險量化的兩個重要的指標――標準差與貝塔值。
第一，標準差。傳統證券風險理論認為個別證券的風險可以從單個證券的報酬率為起點進行分析。財務投資專家從高等數學當中引入了一個衡量證券報酬率的波動性量化分析的指標――標準差來進行對單項證券風險的判斷，進而判斷出相同期望報酬率和不同期望報酬率時對于不同投資的選擇。測算的步驟如下：第一步，確定各種市場需求下各類需求發生的概率；第二步，計算出期望報酬率，其實質上是對于各類市場需求下的報酬率的加權平均數。第三步：根據標準差的數學公式計算出標準差，σ=[Σ（ri-?）2×Pi]1/2其中ri是第i只證券的報酬率，?是期望報酬率，Pi是第i只證券的報酬發生的概率。結論是在期望報酬率相同的時候，標準差越大證明該證券波動越大，風險也就越大，反之亦然。在期望報酬率不同時引入了另外一個概念即離差，由于基本原理也是根據標準差衍生而得，在此不再贅述。[1]
第二，代表市場風險的貝塔值。我們在第一點中提到的標準差主要衡量的是單項證券的風險，而貝塔值的引入主要是考慮到了證券組合的風險構成當中不可分散的風險即市場風險。而貝塔值的測算公式從數學的角度來說實際上是利用了標準差的升級版公式即協方差，協方差主要是衡量了兩組數據之間的相關程度，以此來判斷證券組合的報酬率與市場報酬率之間的數理聯系，進而判斷出不可分散的風險。理論上貝塔值的計算是βi=（σi /σm）ρim，其中βi第i個證券組合的市場風險程度，σi，σm分別第i個證券組合的標準差與市場證券組合的標準差，ρim代表第i個證券組合的報酬與市場組合報酬的相關系數。實際當中β系數可以通過將股票報酬對市場報酬做回歸得到，擬合得到的回歸線的斜率就是證券的β系數，即β=Ri /Rm。[2]
二、價值投資理念下風險與報酬的關系
價值投資理念是華爾街之父本杰明格雷厄姆所創立，在其傳世之作《證券分析》當中明確提出了有關投資與投機概念，其中論及投資界老生常談的收益與風險的問題時結論與傳統證券風險分析有著本質的不同，格雷厄姆明確指出收益與風險之間不存在著數學關系，并且認為證券的價格與收益并非取決于對于其風險的精確數學的計算，而是取決于該證券的受歡迎程度，而這種受歡迎程度本身包含了投資者對于風險的認識，但很大程度上還受到如公眾對公司和證券的熟悉程度，證券發行與購買的容易程度等。[3]并進一步指出，無論是理論上還是實際當中，對投資風險進行精確的計算都是不可能成功的，現實當中并沒有所謂的期望報酬率的概率經驗表，即使存在也是基于對于歷史數據的分析得到了，而歷史數據之于未來決策的有用性或相關性的大小還有待考證，其研究范圍不同于保險公司對于保單的精確測算，例如人壽保險能夠明確的了解年齡與死亡率之間的關系是明確的。而證券的風險與報酬之間的關系則沒有如此的確定。[4]
三、價值投資理念下傳統證券風險量化分析的反思
以上筆者對于傳統的證券風險理論與量化方法以及價值投資理念下關于風險與收益的關系進行了論述。筆者認為，價值投資理念下有關論述對于我們重新審視證券投資中風險因素的衡量有著非常重要的意義。
首先，筆者認為，標準差的計算過程本身就存在著無法避免的瑕疵，這一個公式至少有兩個基本假設，第一，計算的人必須能夠客觀的預測出各種市場情況發生的需求概率，并且準確的在各種概率下發生的報酬率；第二，假定歷史數據對于未來的投資決策具有確定的相關性。但是在現實生活中根本是無法預測的，這種算法實質上是硬將自然科學當中的數學模型強加到社會問題的研究當中，不可否認的是，目前來說大量的社會問題是無法通過數學來量化的，因為證券的風險當中不僅僅只有報酬因素的影響，還有各種在不同市場條件下的因素決定的，而這些因素又相互的的影響和動態的變化。因此，標準差的方法受到了質疑，后續的離差率、β值的計算自然也就沒有了根基。
其次，β值的測算除了上述由于標準差的非客觀性導致的不確定性的缺陷以外，筆者也針對實操當中第二種公式進行分析，β的第二種公式是β=Ri /Rm，從公式上來看，存在著明顯的邏輯上的可疑性，單個股票的收益率假如大于市場整體的收益率，則該只股票的風險就比市場風險大？這個觀點在《證券分析》當中就已經被很好地反駁了，在此，筆者只需要舉一個例子就足夠反駁這一個觀點，伯克希爾哈撒韋上市公司每股截至2017年6月5日是249660美元，每股收益率如果從上市之初可以用天文數字來形容，并且這家公司經歷了無數次大大小小的金融危機，依然以遠遠超過市場平均的業績笑傲群雄，難道說他的風險要遠遠大于市場？這家公司是以價值投資的理念進行風險評估和投資的。因此，筆者認為中國的證券行業乃至我們有關的證券專家和學者們有必要從價值投資的理念來重新審視目前證券風險量化的指標在實際當中的效用。
關鍵詞：分析 短線
中圖分類號：F832 文獻標識碼：A 文章編號：1672-3791（2012）09（c）-0252-02
2012年以來，以量化分析技術投資著稱的量化基金表現得一枝獨秀，逐漸從振蕩市中脫穎而出。一季度，上證綜指上漲2.88%，同期標準股票型基金平均業績為0.31%，而按照Wind分類的13只量化基金，其平均業績為2.92%，五行基金更是取得7.65%的正收益，在亞洲量化基金中排名第一，超越同期上證指數4.77個百分點。
美國私募基金復興科技公司的第一支純粹的量化投資基金—— 大獎章基金，從1988年3月成立至2008年的21年里，平均年度凈收益高達36%，遠遠跑贏同期道指年均8.81%的漲幅，比索羅斯、巴菲特同期的業績高出10%，原因：一是數學家基金經理；二是量化分析技術。
1 基本面分析量化分析是投資機構先后采用的2種投資技術
基本面分析，是分析員和基金經理通常采用研究財務報表，與公司高層會談，與相關人員荷香業專家討論等方式，對少數幾家公司股票（約10到100只股票）進行非常深入的研究分析，來決定要投資哪些股票以及如何投資。在基本面分析分類中，會根據行業不同，有專員長期跟蹤和深入研究其中一個行業，而這幾名專員最后則會成投資這個行業的專家。在股票市場成立以來長期采用的較為傳統的分析和投資方式就是基本面分析?；久嫱顿Y，通過企業內部財務報表的形式，來發現企業的潛在價值，以求企業得到穩定持續的高額收益，一旦買入，長期持有。
量化分析，借助數學、物理學、幾何學、心理學甚至仿生學的知識，通過建立模型，進行估值、擇時選股。量化分析員和量化基金經理，通常會同時研究全盤數千支股票，分析的方式也可以是基于公司基本面的，但是會強調量化財務指標。量化的指標（又稱因子）也可以是其他更有特色的數據。從事量化分析投資的基金經理通常不去上市公司實地調研，而是將精力放在不斷完善模型上，量化分析投資的模型是決定投資業績的關鍵，投資模型始終處于絕密狀態，不同市場設計不同的量化分析投資管理模型，在全球各種市場上進行短線交易。
2 量化分析技術獲取超額投資收益之道
在變幻莫測的市場經濟中，能否理性思考投資、不受情緒影響，將是成功的關鍵。而利用計算機的篩選得出的量化分析基金，不受投資中非理性因素影響，使投資更有計劃行、紀律性、規律性，基金管理人要做到不貪婪、不恐懼、不放棄，不受情緒影響，以一顆平常心追求利益瘦小。
量化分析，有一套完整、科學的投資體系。嚴格的紀律性是量化投資明顯區別于主動投資的重要特征。在量化分析基金的運作中，主觀判斷也會出現和量化分析模型相左的情兄，但會堅持量化分析投資的紀律，相信模型判斷的長期穩定性，不會盲目去調整改變。與傳統偏股型基金不同，量化分析基金采用獨特的投資組合管理方式，漸進動態調整基金組合。這樣不僅可以順應瞬息萬變的市場，還可以降低個股集中度，平穩投資業績。因此，這種方式并不會產生傳統意義的重倉股，也就大大降低了重倉個股的風險。
量化分析業績，來自于量化分析模型批量選股的成功率大于失敗率。量化分析的模型敏銳的“發覺”了開場環境的轉變，自動調高了評估因子、預期因子及市場反轉因子的權重，量化分析模型依此邏輯選擇的股票大部分取得較好收益，提升了整體業績。
3 量化分析技術創始人并非經濟學家。
量化分析技術并非發端于華爾街，不少人最初并非經濟學家，如巴契里耶和布萊克原先是數學家，夏普則從事醫學，奧斯伯恩為天文學家，沃金與坎德爾是統計學家，而特雷諾則是數學家兼物理學家。1970年代美國債券市場和股票市場全面崩盤，當時提出用量化分析方法管理投資組合的人是作家彼得·伯恩斯坦。1952年3月發表“投資組合選擇”論文、提出現代財務和投資理論最著名遠見的馬克維茨，以該理論勉強通過博士答辯，到1990年10月，這些人中才有三位獲得諾貝爾經濟學獎。
2012年，美國倫斯理工學院金融工程碩士李炬澎，依據5000年中國古老的《易經八卦數理》研發立體數量模型分析微觀經濟，用超高頻率政治外交詞匯、交易數據、股票期權數據、公司債務數據來做個股分析，用《五行相克相生原理》來分析自然、社會、政治、人文如何影響宏觀經濟。比如用計算機分析新聞報道中天地雷風水火山澤8中自然天文現象與宏觀經濟關聯程度，使五行基金取得亞洲量化分析投資行業第一名的業績。
4 量化分析技術應用的載體是計算機軟硬件技術的發展
馬克維茨的投資組合現代金融理論，提出了風險報酬和效率邊界概念，并據此建立了模型，成為奠基之作。托賓隨后提出了分離理論，但仍需要利用馬克維茨的系統執行高難度的運算，1961年，與馬克維茨共同獲得1990年諾貝爾獎的夏普用IBM最好的商用電腦，解出含有100只證券的問題也需要33mim。夏普1963年1月提出了“投資組合的簡化模型”（單一指數模型），簡化模型只用30s。1964年夏普又開發出資本資產定價模型（CAPM），不僅可以作為預測風險和預期回報的工具，還可以衡量投資組合的績效，以及衍生出在指數型基金、企業財務和企業投資、市場行為和資產評價等多領域的應用和理論創新。1976年，羅斯在CAPM的基礎上，提出“套利定價理論”（APT），提供一個方法評估影響股價變化的多種經濟因素。布萊克和斯克爾斯提出了“期權定價理論”。莫頓則發明了“跨期的資本資產定價模型”。
5 量化分析應用的關鍵是基本面分析無法快速精確處理豐富的金融產品和巨大交易量
1970年代以前，華爾街認為投資管理需要天賦、直覺以及獨特的駕馭市場的能力，基本面分析師、基金經理可以獨力打敗市場，而無需依靠那些缺乏靈魂、怪異的數學符號和縹緲虛幻的模型。華爾街對學術界把投資管理的藝術，轉化成通篇晦澀難懂的數學方程式一直持有敵意，1970年代初期，美國表現最佳的基金經理人從未聽過貝塔值，并認為那些擁有數學和電腦背景的學者只是一群騙子。
量化分析投資不會出現在個人投資者為主的時代。個人投資者既缺乏閑暇的時間，也普遍無此能力。僅有現資理論的建立，及各類模型的完善與推陳出新，并不會直接催生出量化分析投資，它還需要其他幾個重要前提條件，比如：機構投資者在市場中占據主導，隨著社?；鸷凸餐鹳Y產的大幅增加，成為市場上的主要機構投資者，專業機構管理大規模資產，需要新的運作方式和金融創新技術，專業的投資管理人有能力和精力專注地研究、運用這些量化分析技術。
1970年代后期的Wells Fargo銀行，率先用量化分析技術管理投資組合，投資高股息股票，用較少的風險獲得了較大的收益，不用這些模型，不用電腦運算這些公式，會陷于困境。1980年代以來，面對數不勝數的各類證券產品和期權類產品，以及龐大的成交量，許多復雜的證券定價，必須靠大容量高速運算的電腦來完成。到2007年美國股市近一半的機構基金都是由量化模型來管理的。從2000年初到2007年全球量化分析基金市場連續8年表現遠遠超過其他投資方式。
6 量化分析在應對經濟危機和突發經濟事件中開拓前進
1987年10月大股災，當天股市和期貨成交量高達令人吃驚的410億美元，價值瞬間縮水6000億美元。很多股票直接通過電腦而不是經由交易所交易。一些采用投資組合保險策略的公司，在電腦模式的驅使下，不問價格機械賣出股票。很多交易員清楚這些投資組合會有大單賣出，寧愿走在前面爭相出逃，加劇了恐慌。針對整個投資組合而非單個證券，機械式的交易，電腦的自動操作，大量的空單在瞬間涌出，將市場徹底砸垮。
1997年至1998年亞洲金融危機股市暴跌，量化分析投資的算法交易也起到了同樣的壞作用。著名的長期資本管理公司，遭遇俄羅斯國債違約這一小概率事件，也陷入破產之境，迫使美聯儲集華爾街諸多投資銀行之力，加以救助。
2007年8月金融危機中，許多量化基金出現巨額損失。其原因主要是幾家大型對沖基金大量賣出它們的量化分析基金股票，去彌補其在其他投資方式上的損失。由于很大相同倉位的股票在很短的時間內被廉價賣出，從而加劇了很多投資指標的損失，尤其是價值和動量指標的損失。
2011年即使歐債金融危機發生，量化分析基金也再次表現優異，超過其他投資方式，雖然能否就此再度復興仍屬未知，此一趨勢已不可逆轉。
7 量化分析技術今后幾年全球應用的熱點在中國的A股市場
中國金融、資本、股市投資者結構很不合理，A股市場的專業投資機構持有市值的15.6%，而發達市場這一比例大致為70%。更為不合理的是交易結構，A股市場個人投資者持有市值占比26%，但卻完成了85%的交易。根據Wind分類，目前我國市場上共有13只量化基金，包含11只普通股票型基金，1只指數基金和1只偏股混合基金。
中國現有的人才和技術都難以支持完全的量化分析投資，在缺乏國際化人才和成熟模型的情況下，經營業績自然也差強人意。
量化分析今后幾年全球熱點在中國的A股市場?，F在主要發達國家的股市很大程度上由量化基金所控制。為了尋找更高收益的市場，很多大型量化基金也開始大量投資于發展中國家市場，中國的A股市場是今后幾年全球量化分析投資熱點，所以近年來很多北美和歐洲的高層量化分析基金經理和分析員紛紛到中國大陸、香港和新加坡推廣量化投資技術。這是國際國內的金融市場和投資者，都要面對的機會和挑戰。
量化分析基金2002年才在中國剛剛起步，到2009年和2010年，才真正進入快速發展期，2010年末量化基金的總規模達到了779億元。雖然規模有顯著提升，但是與國外市場量化分析基金占共同基金總資產16%相比，國內量化分析基金還有非常大的發展空間。
關鍵詞：量化投資；傳統投資；模式數學模型；自變量參數
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?？傮w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?，F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
任何一個行業的某一個市場承載投資者的容量都是有限的，從戰略投資的角度來看，當某一個市場的產業鏈較為成熟、技術門檻較低時，投資者進入該市場就會容易很多，當市場的承載量大大低于投資者進入數量時，既定的投資策略則會失效。例如某一企業的某只股票第一年能獲得50%的收益，第二年則降為20%的收益，第三年可能是5%，第四年就沒有收益了。諸如趨利反轉策略、套利策略現在已經非常大眾化且投資者已經達成共識，一擁而上集中式進行投資就會導致投資評價指標鈍化甚至失效。
盡管量化投資已經成為市場投資的發展趨勢,但是大多數投資者并不是很熟悉量化投資。一方面是由于量化投資一定程度上依賴數學模型,而賺錢的投資模型都是機構的秘密武器,不會輕易披露。另一方面是由于量化投資采用計算機系統,設計各種交易手段,有著較為復雜的數學計算與技術要求,現在許多量化投資都是計算機自動執行的程序交易。另外,量化交易者,俗稱寬客(quants)的交易和故事多多少少增加了量化投資的神秘感。所以,人們一般把量化投資稱為“黑箱”。納蘭(Narang,R.,2012)描述了量化交易系統的典型構造,打開了量化投資的“黑箱”。納蘭認為阿爾法模型用來預測市場未來方向,風險控制模型用來限制風險暴露,交易成本模型用來分析為構建組合產生的各種成本,投資組合構建模型在追逐利潤、限制風險與相關成本之間做出平衡,然后給出最優組合。最優目標組合與現有組合的差異就由執行模型來完成。數據和研究部分則是量化投資的基礎:有了數據,就可以進行研究,通過測試、檢驗與仿真正確構建各個模型。預測市場并制定策略是量化投資的核心,即阿爾法模型在量化投資中處于核心地位。隨著量化投資的不斷發展,量化投資模型也在不斷改進。簡單的策略可能就是證券或組合的套利行為,如期現套利組合、市場異象研究中的差價組合等。統計套利策略是經典的量化投資策略,如匹配交易或攜帶交易。近年來,高頻交易成為量化投資的重要內容,基于高速的計算機系統實施高頻的程序交易已經是量化投資的重要利器。丁鵬(2012)將量化投資的主要內容分為以下幾個方面:量化選股、量化擇時、股指期貨套利、商品期貨套利、統計套利、期權套利、算法交易、ETF/LOF套利和高頻交易等。他認為量化投資的優勢在于:紀律性、系統性、及時性、準確性和分散化。
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?；谝蛩啬Ｐ偷奶桌▋r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?？梢哉f,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?，F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。
盡管量化投資已經成為市場投資的發展趨勢，但是大多數投資者并不是很熟悉量化投資。一方面是由于量化投資一定程度上依賴數學模型，而賺錢的投資模型都是機構的秘密武器，不會輕易披露。另一方面是由于量化投資采用計算機系統，設計各種交易手段，有著較為復雜的數學計算與技術要求，現在許多量化投資都是計算機自動執行的程序交易。另外，量化交易者，俗稱寬客（quants）的交易和故事多多少少增加了量化投資的神秘感。所以，人們一般把量化投資稱為“黑箱”。納蘭（Narang，R.，2012）描述了量化交易系統的典型構造，打開了量化投資的“黑箱”。納蘭認為阿爾法模型用來預測市場未來方向，風險控制模型用來限制風險暴露，交易成本模型用來分析為構建組合產生的各種成本，投資組合構建模型在追逐利潤、限制風險與相關成本之間做出平衡，然后給出最優組合。最優目標組合與現有組合的差異就由執行模型來完成。數據和研究部分則是量化投資的基礎：有了數據，就可以進行研究，通過測試、檢驗與仿真正確構建各個模型。預測市場并制定策略是量化投資的核心，即阿爾法模型在量化投資中處于核心地位。隨著量化投資的不斷發展，量化投資模型也在不斷改進。簡單的策略可能就是證券或組合的套利行為，如期現套利組合、市場異象研究中的差價組合等。統計套利策略是經典的量化投資策略，如匹配交易或攜帶交易。近年來，高頻交易成為量化投資的重要內容，基于高速的計算機系統實施高頻的程序交易已經是量化投資的重要利器。丁鵬（2012）將量化投資的主要內容分為以下幾個方面：量化選股、量化擇時、股指期貨套利、商品期貨套利、統計套利、期權套利、算法交易、ETF/LOF套利和高頻交易等。他認為量化投資的優勢在于：紀律性、系統性、及時性、準確性和分散化。
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。
（四）2013年諾貝爾經濟學獎的啟示
量化投資重在風控
近幾年，國內基金公司都在積極推出量化投資產品。但市場人士認為，目前國內的常見“量化”基金，實質上大多是“量化選股”基金，從量化的風險控制到量化的交易，整個決策流程依然靠傳統的方法。
國內著名投行宏觀策略研究員的工作積累，華爾街量化投資的歷練，使華商大盤量化擬任基金經理費鵬對量化投資的A股應用有著自己的心得。他認為，量化投資最大的優勢在風險控制上。與傳統的價值投資“越跌越買”的理念不同，他認為量化投資應該是主動對市場風險進行判斷，通過技術分析、量化模型分析等判定風險，在確定風險之后，及時對倉位進行控制，及時止損。
費鵬認為，目前市場上的量化產品將研究的重點放在擇股和行業配置上，缺乏有效及時的風險響應體系，而從國外的經驗看，量化的一大特點就是對風險的預判。因此，華商基金量化投資團隊在吸收國內外先進經驗的同時，在模型設計之初，便將核心定為風險控制。
在設計中，華商基金量化投資團隊借助了包括從統計信息學角度出發的信息熵值（Entropy）的變化、從分形理論出發的市場模式（P atter n）的變化、從金融物理學角度出發的金融泡沫統計指標的變化、從市場微觀結構出發的分析師一致預期分歧的變化和趨勢等，構建風險模型，對中短期系統風險進行定量分析，依靠基金經理和研究員對宏觀經濟發展狀況、人口與社會的結構性特征、經濟產業周期等因素的分析，對長期風險進行定性分析。
量化投資堅持追求絕對收益
提及量化投資，人們就會想到西蒙斯用公式打敗市場的經典案例。但這一投資工具在被引入國內投資市場之后，并沒有展現其神奇的威力。根據wi n d數據分類顯示，目前市場上有19只量化基金，2 012年可統計的15只量化基金平均收益率僅為2 . 5 5%（同期滬指上漲3 .17%），國內發行的量化基金的表現不盡如人意。
在費鵬看來，國內的量化基金僅僅是“量化選股”，追求相對收益。他認為，量化投資的核心應該是風控，堅持追求的則應該是絕對收益。
相比而言，目前國內公募量化基金多采用多因子模型，而多因子模型的設計原理是把價值投資理論通過數字模型加以表達。在實際測算中，華商基金量化團隊每日漲幅居前的股票中，會有所謂投資價值較少的“垃圾股”，很難通過價值投資理論解釋。
對此，華商量化投資團隊在設計選股模型時，更多的是通過捕捉市場的異常波動，尋找股價波動的非基本面的因素。通過對數據挖掘，建立初選股票池，然后按照行業分類，結合基本面研究，通過行業研究員調研，尋找相互印證支持依據，在分析手段上更多了對隱性信息的補充。
