量化投资体系构建

量化投资注重数理分析与逻辑推导，不依赖主观判定形成交易决策，当模型思想来源于投资者市场体会，量邦科技总结基于历史数据所作的几率统计，也可以是技术指标，甚至基本面分析，只要能形成一定数理逻辑并得到市场验证即可作为量化投资策略。一个完整的量化投资体系应该包括如下几个主要构成部分：量化投资注重数理分析与逻辑推导，不依赖主观判定形成交易决策，当模型思想来源于投资者市场体会，基于历史数据所作的几率统计，也可以是技术指标，甚至基本面分析，只要能形成一定数理逻辑并得到市场验证即可作为量化投资策略。1流动性承载能力这是设计一个套利模型之初，最先要考虑的问题，而不是考虑市场涨跌的问题。为多大规模的资金做量化模型设计？100万以下？1000万以上？1亿以上？……在什么市场环境中设计套利模型？股票市场？债券市场？……这直接关乎到量化模型的原理和寿命期长短，贯穿整个设计过程。2模型设计首先要提出理论基础，在此之上进行建模。这个部分是核心，因其直接关乎整个量化模型的理论性能（和实效是有差距的）。如上文所指出的，量化投资有一个神秘的数量模型“黑匣子”，左边输入数据，右边输出交易单。投资经理人根据交易单选股，就能坐收渔利了。那么，这个“黑匣子”是什么？尽管每一名成功的量化投资经理人，都不会告诉你，他的模型究竟长什么模样。但无疑，作为模型的设计者，人是量化投资成功的关键。不论是超级电脑、还是超级模型，归根结底仍是人脑的智慧决定成败。量化投资的核心是模型的设计和建设。它就像一名采集投资思想的“炼金师”。把那些“有效”的投资思维捕捉下来，再用数量金融的知识将其量化，最后通过模型执行。人对市场的理解，对模型构建的了解，对模型在市场中应用的经验，是搭建一个完美“黑匣子”的关键。定量投资人理解市场的方式与普通投资人不同。比如，定量投资人会对市场投资人的总体结构感兴趣。当一个有经验的模型设计者知道在香港80%以上是机构投资人，而在A股80-90%是散户时，便可以根据自己的经验作出大致推测，在A股与港股市场中，分别有哪些因素可能起作用。当然，仅有推测是不够的，科学求证是必经之路。设计者的推测需要经过大量历史数据验证：在美国用40年，在A股用10、5、3年，去测试与证明这一推测。另一个需要强调的方面是，每一个量化模型及其起作用的“因子”都是有逻辑的。即使，这一逻辑并不代表着基本面的因素，业绩，盈利质量等等；也通常代表了市场情绪。在A股这一散户占很大比例的市场上，情绪的作用尤其鲜明——换手率过高，追涨杀跌，或在大起大伏之后过早落袋为安。这些投资行为导致的偏差可以被模型设计人员归纳、利用。若通过了科学验证，便可成为某一因子，进入选股模型。我们可以参加附表所列国内几只量化基金的建模理念及其所选取的主要建模因子。此外，模型的因子需要长期有效。在熊市和牛市都有较好表现，而不会轻易随着市况的改变而改变。各个因子间，也不能有太大的关联。总之，一个成熟的量化模型是个复杂的体系。通常而言，它包括了选股模型（阿尔法模型），风险控制模型，交易成本模型，以及将上述结构进行优化的模型。根据产品的不同，有时也会加入资产配置等择时模式。3“前台”部分通俗的讲，“前台”部分就相当于一台机器的操作台，在这里操作工人并不需要去关心机器内部的原理、或者机器的能源供给问题，只要管好怎么操作就行了。但不同的人，不同的操作方式，就会产生不同的操作效率和成绩，这直接关系到模型理论性能到实际性能的转换率。正是通过“前台”部分，才将图纸上的财富变成真金白银，在此意义上，这个部分的重要性甚至超过了模型部分。一个量化模型究竟有多大能耐，将全部通过前台真实反映。这里要注意的是，“前台”这里一定要动手，动眼睛看是没用的，动脑子想象也是没用的，不要自欺欺人，动手才会知道其中滋味（这里会淘汰相当大一批人）。4“后台”部分这就相当于机器的能源供给和自动化部分。个人投资者很容易就忽视掉这个部分，但从长远角度看，一个完备的量化模型是绝对不能少的。举例来说，比如你现在正在使用大智慧的超嬴决策软件，这个软件本身就是一个后台部分，你在其软件信息上进行交易行为，实际就是按每个人大脑中的模型进行“前台”操作，只不过你没有意识到这个过程而已。但这种“模型交易”是不可靠的，因为建模基础是大智慧超嬴决策软件，对其软件做出任何调整，或者未来N年后这个软件不复存在（比如TOP数据），那么原有“模型”也不复存在了。另外，由于大智慧并没有完全公开其超嬴决策软件的数据算法，我们并不完全清楚其各项指标背后的市场含义，在这种模糊信息上建立模型是比较冒险的！因此，除了交易所提供的基本行情信息外，一定要有自主研发的自动化数据处理后台。只有将命运控制在自己手中，这条路才走的长，走的稳。5生命周期量化投资依赖的是历史数据和相互关联。历史往往会“惊人地相似”，但也可能不同，这就意味着，量化模型可能会在某些新形式下失效。另外，当某只基金的策略获得成功时，其他基金的效仿也会影响投资效果。一旦市场上参与者的数量多到使得某一量化信号能带来的超额收益降到某种程度，比如不足以支付相关的交易费用，这个量化策略就失效了，需要制定新的策略替代它。因此，一个好的量化基金不应只是一个单一的策略，而是一个过程，即不断的发展、检验、实施以及最终舍弃已经完成使命的过期策略的过程。由于任何量化模型都有生命周期，所以最好的办法就是——持续跟踪，记录观察。每半年或一年对记录数据进行汇总分析，检查模型运转是否正常。其中一些数据细节，会为未来修改模型提供宝贵素材。信息社会里，细节决定成败！