[股市论谈] 趋势时空价值投资量化交易

天天财汇购物网址万年历小说 | 三峰软件小游戏视频

TxT小说阅读器
↓小说语音阅读,小说下载↓

一键清除系统垃圾
↓轻轻一点,清除系统垃圾↓

图片批量下载器
↓批量下载图片,美女图库↓

图片自动播放器
↓图片自动播放,产品展示↓

首页淘股吧股票涨跌实时统计涨停板选股股票入门股票书籍股票问答分时图选股跌停板选股 K线图选股成交量选股 [平安银行]

股市论谈均线选股趋势线选股筹码理论波浪理论缠论 MACD指标 KDJ指标 BOLL指标 RSI指标炒股基础知识炒股故事

商业财经科技知识汽车百科工程技术自然科学家居生活设计艺术财经视频游戏--

天天财汇 -> 股市论谈 -> 趋势时空价值投资量化交易 -> 正文阅读

[股市论谈]趋势时空价值投资量化交易

作者:趋势时空

[收藏本文] 【下载本文】

我是天涯论坛的老朋友了，09年开始研究量化，曾取得不错的成绩，15年股市熔断暂停一段时间，主要去参与一级市场投资，但二级市场一直没有放下。现在重新回来，希望能与更多新老朋友互动交流，共同提升！

趋势时空价值投资量化交易系统，实现趋势、价值、时间、空间、买点五统一！
以后会经常根据该系统经常发图，供大家参考，但不作为买入依据！

    发几只近几天系统监控的牛票！

再发只今天监控的！

六维度量化监控，符合条件的经常出短线牛股！

    需要说明的是，成交量没有放到主监控指标系统里，但还是有相关指标作为辅助监控的，经测试发现并不是首要考虑的问题，我们重点考虑的是一只票的波段率及寻找到涨跌周期拐点，配以趋势、时间及买点。

    所谓一只股票的投资价值，就是在合适的波动节奏里在合适的买点进去并获取利润，所以再好的票，买入时机不对，不能在一定时间周期内获取到相应利润，也是没有价值的，时间才是最大成本。

    股票的投资价值要动态去看，财务报表只是供静态价值参考的，只占了买入标准的极少一部分。

本系统的好处是不用过多分析大盘和板块，也不用去研究热点，只需主要根据个股的波动率和趋势去买股就行了，即使当次买入没有实现盈利，也可以在一个买点出现时买入实现盈利，可以毫不夸张地说，只要公司不退市，都能最终实现盈利后卖出！

算法时代量化交易省心省力效率高

    盘中发图，六维量化监控：

盘中发图：

    盘后发图（时空买点-2）：

    量化投资（连载介绍之一）

    01 量化投资基本概念

    量化投资并没有一个精确的定义，广义上可以认为，凡是借助于数学模型和计算机实现的投资方法都可以称为量化投资。

    目前，国内比较常见的量化投资方法包括股票多因子策略（阿尔法）、期货CTA策略、套利策略和高频交易策略等。

    量化投资在2010年之前还是非常小众的领域，后来随着沪深300指数期货的出现，量化投资的基金开始出现井喷现象。    无论是中长线CTA策略，还是高频交易策略或股票阿尔法策略，都取得了非常好的业绩。

    2010年到2014年是量化投资的红利期，各类量化投资策略都赚取了足够多利润。    利润是最好的广告，很多人都开始关注量化投资，量化投资基金的规模因此开始快速增长。

    也正是这种“高利润”，导致了大家对量化投资存在大量的误解。    比如，2015年的“股灾”，很多人认为股指上的高频交易起到了推波助澜的作用，是股灾的元凶。    之后，中金所做出的一系列动作，如对股指限制交易频率、提高交易手续费等，很大程度上就是为了限制高频交易。

    股指被限，导致量化投资行业的利润大幅下滑，于是量化投资进入了寒冬期。    然而，实际上股指是被冤枉的，清华大学五道口金融学院也撰写了研究报告来论证股指并不是股灾的原因。

    由于误解的继续存在，因此股指在短期内是无法恢复到股灾以前的水平的。    量化投资行业因为其非常依赖股指的特性，业绩出现大幅的下滑，很多策略也开始相继失效。

    策略的失效，业绩的下滑，让很多人开始反思，量化并不是一切，并不能解决所有的问题。    量化投资本身也是具有很大局限性的。

    所以需要换一个思路，我们不一定要靠纯粹的所谓“量化”来做投资，量化只是一种手段，目的还是为了提升投资业绩。    换句话说，我们并不一定要成为专业的量化从业人员，才能使用量化的方法。

    任何投资经理，包括大量传统的基本面分析师，都可以使用量化的手段来帮忙提升投资研究效率和业绩。    本文的初衷就是希望传统的投资从业人员也能从量化的思路中获得助益。

    光理论没有用，实战才是王道，盘中实战发图（趋势时空量化模型）：

    量化投资（连载介绍之二）

    量化，并不是谁的专利，人人都可以学习。
    02 量化投资的特征

    严格来说，量化投资与主观投资并不是非黑即白的关系。    传统的主观投资经理查看财报，根据财务数据做投资决策，这算不算量化分析？既然进行了数据分析，主观投资当然也算是一种量化分析。    那么，量化投资与主观投资的区别究竟在哪里呢？

    它们的区别并没有那么泾渭分明。    每一个投资者，或多或少都用到了主观或者量化的方法。    投资者在收集信息、拟定决策的时候，有两种不同的倾向，一种是感知的、直觉的，另一种是逻辑的、量化的。    这样就分为了四个维度，具体如下。

    直觉接收，直觉决策。    比如，阅读新闻，感知投资者情绪进行决策。
    直觉接收，量化决策。    比如，抓取网络文本，建立模型进行投资决策。
    量化接收，直觉决策。    比如，研究财报数据，根据直觉经验进行投资决策。
    量化接收，量化决策。    比如，通过统计分析，建立多因子模型，进行投资决策。

    上述四个维度的划分如图1-1所示。

    ▲图 1-1

    量化投资策略的最大特点是其具有一套基于数据的完整交易规则。    在投资决策的任何一个环节中，必须要有一套完全客观的量化标准，比如，A股票的横指标达到多少的阈值时，我们才决定开仓，每次开仓要买多少手。

    这种规定必须是唯一客观的，不允许有不同的解释。    当然，这些规定可以通过研究和主观判断来进行修改，但是一旦确定，就需要严格遵守。

盘后再发图，综合量化评估，该股处于中期启动位！

盘后发图，六维量化模型选出的票：

环保股大涨,系统已经提前监控到，前面发布两只！

系统综合评估，中期启动的票(仅供参考，不作为买入依据)！

系统评估中期启动的票！

    直接发效果图，仅供参考！

盘中量化监控实时发图，仅供参考！

    盘中量化监控实时发图之二，仅供参考！

    量化投资（连载介绍之二）

    03 量化投资的优势

    量化投资的优势可以总结为三个词：客观性、大数据、响应快，具体说明如下。

    1. 客观性

    量化投资一般通过回测来证实或者证伪策略的历史有效性，而且在进行实盘交易的时候，很多都是通过程序化交易自动下单的，这能在很大程度上保证决策的客观性，受人为情绪等因素的干扰较少。

    2. 大数据

    量化投资在研究或者决策中，通常会引入大量的数据来进行分析。    比如股票，只需要一套代码，就可以同时分析全市场4000多支股票。    这种大数据的分析效率在传统投研方法中是做不到的（当然，不可否认的是，传统投研对公司基本面的研究是更深入的）。

    3. 响应快

    由于是用计算机进行自动分析，所以分析和响应速度都十分迅速，一般能达到秒级，高频交易甚至是以微秒为单位的。    比如，笔者以前做高频交易的时候，程序从接受行情到下单的优化都是以微秒为单位的，因为你比别人更快一点就有更大的可能抢到单子，就能赚到更多的钱。

    就算是非高频交易领域，也有一些响应速度较快的需求，比如，笔者曾参与一个公告解析的项目，从公告发布爬取，再到解析出公告对应的意义，基本上在几分钟内就能解决。    当然，公告的极速解析对交易的意义并不大，因为公告都是在盘后发布的，不会在交易时间发布，因此大家都有足够的反应时间来进行投资决策。

    但是，对新闻的解析，其意义是十分巨大的，因为新闻随时随地都有可能发生，这也是通常所说的舆情分析，虽然目前这块的进展不算太大，但是其未来的发展空间却是巨大的。

    虽然具有上述这些优势，但是量化投资本身并不是一把“金钥匙”。    实际上，很难有一种策略，在任何市场中都能持续赚钱。    即使是很多夏普比率极高的高频交易策略（比如，股灾之前的股指高频交易策略），也会面临政策的不确定性。    如果交易所调高手续费，限制交易量，那么这些高频策略也就不再有利可图了。

    所以不要迷信量化投资能够解决一切问题。    我们只需要想办法利用好量化的特性，在投资竞争中不断积累优势即可。

六维量化监控，仅供参考！

    量化投资（连载介绍之四）

    04 量化、AI并不是一切

    随着围棋比赛中阿尔法狗完胜人类，近几年人工智能（大数据）将占领华尔街的新闻也是铺天盖地、甚嚣尘上。    其实笔者并不相信目前纯粹的人工智能在投资上能够超过最好的基金经理。    为什么这么说呢？因为围棋与投资有着本质的区别。

    棋类游戏，很早的时候人类就已经被计算机打败了（如国际象棋）。    不过围棋的难点在于，可能的状态数太多，无法穷举，但这些难点终究只是一个数量上的问题，所以围棋算法的核心要点在于，在有限算力的情况下，通过优化算法，放弃部分搜索空间，同时保证寻找到的是较优的解。    在计算机领域，这其实就是个“优化”问题。

    但是投资完全不一样，投资不是“优化”问题，投资是“预测”问题，是要预测市场的下一步应该怎么走。    “预测”问题可以说极其困难。

    Facebook人工智能掌门杨立昆（Yann LeCun）演讲时曾提到过这个问题，人工智能最缺乏的是“常识”，这一缺陷导致了人工智能作出预测极为困难。

    杨立昆列举的例子是视频，比如某个视频的上半段是乔丹运球冲向篮筐，那么下半段会是什么样子呢？这个问题对人类来说很容易，大概率就是投篮或者扣篮。    因为我们的常识已经熟知了篮球的套路。    但这个问题对于人工智能来说，却是极为困难的。

    实际上，很多大公司都曾在预测问题上遭遇尴尬。    很早的时候，Google就尝试使用大数据来预测流感，最后证明预测效果并不好。

    国内也有一些互联网大公司（如百度和腾讯）使用大数据发布了相应的指数基金，业绩相当一般。    据笔者所知，Facebook目前甚至没有人去做股票的投资研究，他们肯定深知其中的困难——如果人工智能在投资上能有那么厉害，那么他们早就借此发家致富了。

    至于国内很多所谓的人工智能，低级一点的，将神经网络套用在行情数据上，试图拟合出一个表现不错的策略，在实盘中往往会遭受事实无情的打击。    高级一点的，扒取网上相关的舆情数据，先进行自然语言分析再根据信息做出决策。

    这些与我们“想象中”的人工智能其实都相差很远，也不太见得会有什么上佳表现。    即使有表现较好的策略，其本质与用简单的回归模型做出的策略并无太大区别。    实际上，国内很多做P2P风险分析的，用的都是Logistic回归，易懂又好用。

    由于媒体的吹捧，大家对AI在金融投资领域的应用普遍存在着过高的期待，甚至有人危言耸听地号称将来AI会替代投资经理的职务。

    其实这都是不现实的，在一些简单的数据处理问题上，AI确实有替代人工的趋势，比如人脸识别。    但对于金融投资这一复杂的领域，AI的应用进展其实是非常有限的。    很多号称AI的投资基金其实是换汤不换药，本质上还是已经成熟了几十年的量化模型。

    AI在金融投资领域最大的问题是，可用的样本数据极其有限，也无法大量生成。    股市有多少历史数据，就有多少样本数据，但也只有这么多。

    极其有限的样本数据，加上极其庞大的特征维度，是AI在金融预测建模上举步维艰的根本原因。    众所周知的是，训练数据是AI的基本养料，数据有限，就会导致模型很难得到大幅度的提升。    就那么多有效的因子，大家反复挖掘，失效的速度也越来越快。

    六维量化监控，仅供参考！

    量化投资（连载介绍之五）

    量化投资发展史：野蛮、乱象、科学、传奇

    2008年11月，在金融危机的凄风苦雨中，一场听证会在美国众议院召开，五个西装革履的金融大鳄毕恭毕敬，接受政客们的轮番质询。

    这5个人都是美国顶级对冲基金的掌门人，从左到右分别是量子基金的乔治·索罗斯(George Soros)，文艺复兴的詹姆斯·西蒙斯(James Simons)，保尔森基金的约翰·保尔森(John Paulson)，先驱资本的菲利普·法尔科(Philip Falcone)和城堡投资的肯·格里芬(Ken Griffin)。



    众议院听证会，2008年，来源：福布斯

    五个人的共同点是都在金融危机里赚了超过10亿美元，但在听证会上，他们不得不收敛锋芒，试图消除“发国难财”的指责，比如保尔森强调自己的成就是由于“艰苦的工作和详尽的研究”，而法尔科则哽咽地说自己来自贫困的工人阶级家庭，能赚这么多钱纯是因为相信美国梦。

    十二年过去了，这5位金融大鳄仍然活跃在投资一线，但在这次新冠危机中，他们业绩却有了明显的分化：索罗斯、保尔森和法尔科均遭受了不同程度的损失，但西蒙斯的旗舰基金Medallion今年回报高达29%，而格里芬的旗舰基金Wellington也基本没有亏损，顺利躲过股灾。

    索罗斯、保尔森和法尔科均是擅长主动投资，而西蒙斯和格里芬则都是从事量化投资，在动荡的市场环境下，这是他们业绩分野的重要原因。

    与主动投资策略不同，量化交易策略（Quantitative Trading Strategies）不依赖于个人判断，而是通过复杂的数学模型来预测投资标的未来价格。    经过30多年的发展，量化基金已经逐渐跻身到美国投资市场的主流，而顶尖的量化机构，也都形成了自己鲜明的特色。

    以AQR为代表的学术量化派，与学术圈深入合作发表大量论文，还专门建了图书馆分享研究成果；以WorldQuant为代表的因子挖掘派，从海量数据中充分挖掘有用的因子；以西蒙斯的Medallion(大奖章)为代表的短线技术派，用数学、物理等科学方法来建立量化模型……

    不管哪种流派，背后都是海量的数据、复杂的逻辑、神秘的模型，这让量化投资显得高深莫测。    2015年作家迈克尔·刘易斯(电影《大空头》的原著作者)撰写了一本阐述高频交易（量化策略的一种）的书《Flash Boy》，好莱坞纷纷表示里面逻辑太深奥，很难拍成电影。

    在2008年的那场听证会中，西蒙斯和格里芬作为量化投资的代表人物登上媒体头条，事后也经受住了华盛顿政客们的审查，安全过关。    但另外一家在量化投资领域也举足轻重的公司——巴克莱旗下的Barclays Global Investors（简称BGI），运气就没有那么好了。

    BGI是全球最大的基金管理公司，也被称作是量化投资的大本营。    1971年BGI发行了第一只被动指数基金产品，6年后又成立了第一只主动量化权益产品。    不仅如此，BGI也是最早将主动量化模型运用在亚洲市场的公司。    早在2007年就成立了大中华团队，用数量模型研究A股。

    然而尽管BGI在08年的金融危机中业绩表现亮眼，却依然没能躲过被卖身的命运。    由于巴克莱银行收购雷曼兄弟（部分业务）后仍需投入天量资金，于是在2009年6月便以135亿美元将BGI出售给贝莱德（BlackRock），来满足监管机构在一级资本充足率上的要求[1]。

    BGI被收购之后，里面不少中国籍员工回国就业，这似乎是某种蝴蝶效应——在BGI被收购的2009年，中国量化投资的故事也正式展开了。

    01.西落东起：春江水暖鸭先知

    早在2004年，国内就先后成立了两只量化基金：光大保德信量化核心基金和上投摩根阿尔法基金。    两只基金的掌舵人常昊和吕俊，日后也业界闻名的顶级投资人，但从他们投研理念来看还属于传统价值投资派，更加偏好主动投资，对于量化投资还在自我摸索阶段。

    加上当时的交易制度不完善，有效投资工具缺乏，量化的真正魔力难以施展。    市场更加偏好主动基金，对于投资分散、波动较小的量化基金不屑一顾，随后4年，国内没有任何一只新的量化基金发行。    直到2009年，大量拥有海外量化经验的人才纷纷回国，浪潮才真正开始。

    2009年，嘉实量化阿尔法、中海量化策略、长盛量化红利策略、富国沪深300增强和华商动态阿尔法相继成立[5]。    其中，曾在BGI担任大中华主动股票投资总监的李笑薇 [6]，回国后加盟富国基金，开始着手组建量化团队，将海外积累的量化投资经验应用于中国的金融领域。

    不同于主动选股，量化选股的核心在于前期的模型设计环节。    策略的设计不能光凭经验和直觉，需要使用大量的历史数据搭建一个模型，再通过各种测试来检验模型是否有效。    一旦模型投入使用，就必须严格执行，克服人性弱点和认知偏差。    不到特殊情况，不做人工干预。

    在量化模型中最广泛运用的，是多因子模型。    它将影响股票价格的各个因素（比如宏观、行业、流动性、公司基本面、交易情绪等）剥离开来，通过对历史数据的统计分析进行验证，筛选出有效因子，买入满足这些因子的股票。    这样就能避免主观盲目，快速覆盖所有股票。

    2010年3月，上交所和深交所开通了融资融券交易系统。    半个月后，中金所推出了沪深300股指期货（IF），标志着做空机制与杠杆交易的启蒙，自此我国股票市场不再只有上涨才能盈利，市场下跌不仅可以赚钱，还可以派生出丰富的资产配置策略。    这对于量化投资来说是具有里程碑意义的一刻。

    像上文提到的基金名字中的“阿尔法（α）”就是一种重要的量化策略，简单来说任何一只股票的收益等于“α+β”，β是与市场同涨共跌的部分，α是独立于市场波动以外的部分，即一只股票涨了，可能是由于大盘（β）在涨，也可能是因为股票本身的因素（α）。

    α策略也叫市场中性策略，就是把大盘风险（β）对冲掉，不管市场涨得好不好，只留下股票自身的收益，具体的做法可以通过做多股票组合（α+β），同时做空股指期货（-β），最终就剩下了绝对收益α。    在没有股指期货这样的做空工具前，市场中性策略是很难实现的。

    2012年，曾经在BGI担任基金经理的田汉卿和黎海威先后回国，并分别进入华泰柏瑞和景顺长城组建量化团队。    而拥有BGI背景的李笑薇、田汉卿、黎海威这三位的投资方向，基本可以囊括当时公募基金的量化策略。

    公募量化策略大致可以分为三类：指数增强（购买的大部分股票基本复制指数的成分股，通过择时、择股等手段，获得比指数更高的收益回报）、量化选股（通过量化模型筛选出股票，在合适的时机买入，追求超越业绩基准的超额收益）和量化对冲（也叫市场中性，追求的是绝对收益α）。

    当我们看到公募基金学习了海外大量经验，发展得轰轰烈烈的时候，有更多草莽英雄隐在幕后，悄声壮大。

    02. 浪潮来袭：海内群雄逐鹿时

    IF（股指期货）推出的头几年，市场上流传着无数传说。

    刚毕业的大学生写出的量化模型，3年能赚5000倍；基金经理死活不肯对外募资，生怕泄露了自己的惊人业绩；看开盘前30分钟股指走势，涨就买，跌就卖，收益照样可观……这样简单追涨杀跌的策略能够横行，本质在于相信价格的上涨和下跌具有持续性，这在海外已经被总结为动量策略。

    但国内量化刚刚起步，大多数人还不懂如何运用，这就给真正懂行的人带来了机会。

    2011年，在海外顶级量化机构工作过的任思泓从中金离职，创立了金锝资产；2012年，清华计算机博士毕业的王琛从华尔街的千禧基金回国创业，成立了九坤投资；2013年，毕业于北大物理系的徐晓波从本文开头提到的美国城堡集团回国，创立了锐天投资。

    2014年，中金销售交易部副总蔡枚杰创业，成立灵均投资；同年，华尔街的裘慧明回国，创立明汯投资；2015年，包括徐进在内的3个浙大计算机系的同学从IT转向量化投资，成立了幻方量化（九章资产）……这些公司日后都成了叱咤风云的私募，巅峰时期规模过百亿。

    而由此可以看到，顶级量化私募大多可以分成两类，一类是脱胎于北大、清华、浙大等高校的本土量化，另一类是具有海外投资经验的海归量化。

    由于私募的监管相对宽松，组织结构简单，所以交易策略更加灵活、投资更隐蔽，一般来说风险也更高。    与公募量化更看重基本面数据不同，私募量化更偏重于量价类，也就是技术面，换仓周期也从公募的一个月一次缩短到几天。

    比如同样的指数增强策略，私募可能只是将指数作为比较基准，实际的交易标的远远不止指数成分股；同样的量化选股，私募则更注重于高频策略，暴露更多风险，用高换手率来控制暴露的风险[8]。

    除了上文提到的公募基金的主要量化策略外，私募的量化策略更加丰富，包括期货策略、期权策略、债券策略和其他策略等。

    期货策略也就是CTA（管理期货）策略，投资范围包括股指期货、大宗商品期货和国债期货，最经典的做法是捕捉价格动量的趋势性，说人话就是“追涨杀跌”，通过快速止损实现“亏小赢大”的局面。

    还有比较经典的是套利量化策略，通过跨市场、跨期限、跨品种去捕捉市场的不合理价差。    比如国内大商所的大豆、玉米可以和芝加哥期货交易所的农产品进行跨市场套利；豆油、棕榈油和菜籽油互为替代品，受到季节性气候的影响可能会出现跨品种套利空间；同一品种不同月份的价格强弱变化又可以带来跨期限套利。

    量价策略和基本面策略还有很大的不同。    由于A股还是以散户交易为主，私募的量价策略可以捕捉到散户的不理性行为，反向操作即可赚取超额收益，这几年很受到市场追捧，竞争也日益激烈，为了挖掘出超额收益，只能采用更加高频的数据。    但在相同市场环境下，换手率越高的策略资金容量越小。

    因此私募量化也进入了瓶颈期，这两年有多家私募直接暂停所有产品的申购、追加[9]，也有通过提高管理费的方式来控制规模的[10]，还有挂羊头卖狗肉的，对外展示部分惊人业绩的产品，但投资者只能申购普通业绩的产品。

    如果说量价策略的关注点在交易行为上，那基本面量化更关注投资标的本身。    就股票而言，基本面量化是用数字描绘上市公司的全景图，将公司的特征浓缩为一个个因子，用数据组合在一起形成对公司的整体刻画。    基本面量化可以不在乎一城一池的得失，因为背后有经济学原理的支撑，能够看得更远，市场容量也更大。

    投资是一场冒险，而量化是一场科学的冒险。    相比起挑选主动基金时辨人的风险，量化投资可以用更加科学严谨的模型来确保投资风格不漂移，规避主观情绪波动带来的误操作。    但在量化成为真正主流投资方式前，还有不少考验在前方等待。

    03. 还看今朝：柳暗花明又一村

    当量化策略在更多的数据、更准的模型和更快的速度三个方向上急速狂奔时，遇到了不少波澜，为行业清理了一大批基金。

    2014年底的“α黑天鹅”事件。    2013年开始，尽管大盘涨幅不大，但以创业板为代表的小盘股起飞，量化基金只要做多创业板，做空IF对冲，就可以获得54%的年化收益[11]。    然而2014年11月底，央行宣布降息后股市直冲云霄，小盘股涨幅远不及大盘股，导致超过1/4的α策略产品回撤超过15%，多只产品被迫清盘[12]。

    2015年中股灾爆发。    6月中下旬起，股灾降临使股指期货陷入舆论漩涡。    为抑制过度投机、加强异常交易监管，监管层从8月开始逐步加大对股指期货的管控，1个月内连做5次调整，提高交易成本，降低杠杆，日内开仓从不限制调整为限10手，平仓手续费比例较股灾前提高了超过100倍[13]。

    2016年底市场风格转变，从高估值、小市值的股票转向了基本面扎实、业绩稳定的公司。    一些给成长因子、小市值因子给予过高权重的量化基金偃旗息鼓，有过百亿的量化基金遭此一劫一年内规模缩水近六成。

    后股灾时期，由于缺乏有效的做空工具，股指期货价格不能有效反应市场情况，量化对冲类策略基金受到冲击暂停开仓，CTA策略和量化选股竞争越来越激烈，难复往日之勇，加上小市值因子失效等事件，把蒙了一层神秘面纱的量化基金拉下了神坛，大幅回撤、彻底清盘不在少数。

    但也正是在这个艰难时刻，接受过洗礼后还能茁壮成长的基金才能真正被市场认可，一批新星冉冉升起。    比如学术派研究的光大保德信金昉毅、“固定收益+”的海富通杜晓海等。

    2016-2017年被称作是量化小年[14]，但就在这两年连续有一只量化基金摘取了金牛奖开放式股票型持续优胜基金的桂冠，这一荣誉在业内被誉为是基金行业的奥斯卡。    这只量化基金的掌舵人金昉毅十分推崇国外学术量化派代表AQR的学术氛围，因此在加盟光大保德信后，金昉毅要求团队成员每年必须完成一篇学术论文。

    2018年市场萎靡，上证指数全年下跌25%，主动选股基金几乎全军覆没。    量化基金里的指数增强和量化选股也好不到哪里去，唯独市场中性策略因为剥离了大盘（β）风险，一枝独秀。    不管大盘表现如何，能够切实为投资者赚到钱，这也是金昉毅做市场中性策略的初心。

    从海外量化的发展历程来看，市场越成熟，越难挖掘α因子，因此也更需要用做学术研究般科学严谨的态度来不断找寻新的因子。    而金昉毅正是基于这样的学术态度，才能够顺应潮流，不惧风浪，持续赚取超额收益。    光大保德信在2004年推出了国内第一只量化基金后，兜兜转转如今又重新回到一线角逐量化宝座。

    尽管疯狂赚快钱的时代已经过去了，但量化这块宝地吸引来了越来越多的互联网科技公司，百度等巨头下场竞技，微软等外资也不甘落后，同花顺等股票软件更是近水楼台先得月，纷纷与基金公司联手推出了大数据量化基金，八方过海各显神通。

    原本的多因子模型中包含了财务等基本面数据和量价等技术面数据，未来搜索、社交等生活中所有能够数字化的数据都可能被纳入量化模型，伴随着股指期货的逐步放开、股指期权正式上市，中国量化的新时代大幕正在缓缓拉开。

    04. 天地广阔：直挂云帆济沧海

    1970年量化投资在海外全部投资中占比为零。    待到2009年，量化投资在美国全部投资中占30%以上[16]。    2018年全球熊市中，最赚钱的20家对冲基金中，有一半以上是量化基金[17]。    美国量化经历了几十年的时间，才从幕后走到台前。

    中国量化投资才刚刚度过了蹒跚起步的阶段，启蒙于精英的海归，发展自江湖的草莽，规范始监管的介入。    普通投资者对于量化投资的认知还相当模糊，人工智能、卷积神经、机器学习等高深莫测的词汇与那些暴利传说，交织成了量化投资的妖魔化刻板印象。

    事实上量化投资在中国的总体规模依然相当有限，在公募基金规模中，将所有的主动量化或者名称中带“量化”字眼的基金都算在内，占比还不足5%。    量化投资对于整个市场影响依然非常低，相较于成熟市场，量化投资在中国依然是一片广阔天地，将大有作为。

    对于处在去散户化和机构化历史进程中的A股而言，量化投资能够更快发现投资机会，起到了市场润滑剂的作用，提供充沛流动性、平抑市场波动。    未来伴随着期指、期权等金融衍生工具的逐渐完善，基本面多因子、统计套利、高频交易以及CTA等量化策略将进一步在中国资本市场普及。

    一个有效的量化模型背后是一个团队数年、数十年研究积累的成果，对普通人来说，自己研究搭建量化模型是一件几乎不可能完成的事情。    要想抓住未来量化投资的发展大潮，选择一个懂研究、有业绩、真靠谱的团队，才是正道。

    从海外的发展过程来看，未来在中国市场上还能通过科学手段赚取α收益的时间并不多了。    对投资者而言，用一场科学的冒险来实现财富增长，未尝不是一个有趣且有效的选择。

风控提醒：小盘股有杀跌迹象，下午收盘价跌破近期低点，采用留一百股的底仓止损法，等下次买点信号出现再买回来，仓位管理的优势在这时候得到体现。
备注：仓位管理-新建仓的票不超过资金账户5%，总体保持50%左右的仓位。

多因子量化模型监控，仅供参考：