量化投资发展

❶ 证券公司行研员与量化投资发展更好

行研对学历要求更高，券商行研名校硕士起步，广发中信等大券商基本都清北复交研究生（宏观和金工一般要求博士），新财富首席一年几百万还是有的，知名宏观分析师如任泽平年薪可上千万；量化交易鱼龙混杂，资产规模几十亿的大私募做好了一年可以上千万，但绝大多数都是几千万到一亿的小私募，一年的收入不过十多二十万，门槛相对低，风险大。

❷ 量化投资是什么

量化投资是指通过数量化方式及计算机程序化发出买卖指令，以获取稳定收益为目的的交易方式。在海外的发展已有30多年的历史，其投资业绩稳定，市场规模和份额不断扩大、得到了越来越多投资者认可。
量化投资区别于定性投资的鲜明特征就是模型，对于量化投资中模型与人的关系，大家也比较关心。量邦科技冯永昌打个比方来说明这种关系，我们先看一看医生治病，中医与西医的诊疗方法不同，中医是望、闻、问、切，最后判断出的结果，很大程度上基于中医的经验，定性程度上大一些；西医就不同了，先要病人去拍片子、化验等，这些都要依托于医学仪器，最后得出结论，对症下药。

❸ 什么是量化交易，未来前景如何知道的讲讲。

国外量化交易已经发展了40年左右，量化交易程序换交易占比60%，量化基金规模内达到30个亿美元，而容国内量化交易起步较晚第一只量化基金在2004年左右，至今量化交易规模不过2万亿RMB，国内现在的量化人才也很缺失，随着过来一批量化交易的海龟回来从事量化交易会一定程度带动行业的发展，但是仍需一定时间，加上国内量化交易政策还不够明朗，整体来说量化交易在国内还是一年蓝海，但是路途并非坦途。

❹ 量化投资的介绍

量化投资在海外的发展已有30多年的历史，其投资业绩稳定，市场规模和份额不断扩大、得到了越来越多投资者认可。事实上，互联网的发展，使得新概念在世界范围的传播速度非常快，作为一个概念，量化投资并不算新，国内投资者早有耳闻。但是，真正的量化基金在国内还比较罕见。

❺ 什么是量化投资

你好，量化投资，简单地说就是利用数学、统计学、信息技术的量化投资方法来管理投资组合。

❻ 量化投资在中国前景如何

在 国 内来 ，量化 交易的 相 对前 景源 是 非 常好的。 近 些 年经 济 转 型， 实体 哀 嚎一篇 ， 还 有 很 多 老人 等着 吃 饭， 你 凭 什 么超 过 别人。而 量 化在国内尚且 还 是 年 轻的行业 ，有 你 发 展的 空 间 。 你 现 在需 要 勇 气 和 正确的道 路。 早点 接触米 筐 量化交 易平 台对 你 的职 业 发展助 力无 穷 。

❼ 学习金融资产管理和量化投资 发展前景如何

相对于美国成熟的资产管理业务发展历史，中国的资产管理有着12年年轻的历史。正因为是起步阶段，人们能看到其无限发展空间和巨大潜力。一些大的金融机构运用资产管理进行经营，在金融危机期间保持着盈利，业内不乏有成功案例。 资产管理业务有个两难问题，即业务扩展和风险管理的平衡问题，也就说如果业务扩展太快，太多，风险控制就会弱，如果太关注于风险控制的话，可能业务扩展会慢。其实观察成功的案例会发现，这两点是可以做到平衡的。在国外金融机构会发现很多有意思的产品，比如气象气候、低碳、降雨量、体育等基金、债券，可是在中国却是比较空白。其实这是市场细分的结果，举个例子，如气象基金，今年冬天会不会冷？如果不冷的话，使用的燃料能源就会少，就会影响这类产品，如果有天然气产品，就可以进行价格对冲。这也是很多机构追求平稳发展来利用资产管理的原因。 拿期货公司来说，未来将大大偏向程序化交易策略，由此形成成熟的人才团队来更好地服务客户，将会使期货公司获得永续发展，拓宽业务利润获取的范围和深度。专家建议中国的资产管理业务应更重视专业性，对行业、公司、个人发展都是最重要的一点。根据麦肯锡的预计，中国的资产管理业务在未来的十年将保持每年24%的增长率，成为中国乃至世界发展最快的金融产业，可以说中国资产管理业将涌现出无限机遇。 目前国内的量化交易大概占到市场交易量的20%，每年都在增加，特别是这两年增长迅猛。70%的交易量由程序化交易完成，国内才刚刚起步，因此，国内的发展空间还非常巨大，产品的种类也会更加丰富，策略复杂度和交易工具的精细化也会不断提高。 从投资者身份来看，目前量化投资者主要人群集中在期货公司、私募基金以及券商的自营、基金公司的专户。规模上，以私募基金为主要参与群体。 从操作风格来看，目前期货市场有四类量化投资者，分别是阿尔法产品的使用者、趋势性交易者、套利交易者以及高频交易者。阿尔法产品的使用者，即利用股指期货与股票现货进行搭配，获得股票的超额收益；趋势性交易者，充分运用各种模型对价格进行预判，这种交易者的资金从几万到几千万都是存在的；套利交易，包括无风险的股指期现套利和统计套利；高频交易者，这种一般利用期货市场价格的微小变动进行快速交易，从而获得高收益。 量化交易模式越来越被更多的机构投资者所采用，量化交易模式将会成为主流的交易模式。届时，量化投资产品可能更加多样化，量化投资将会成为金融机构争夺客户资源的主要工具，然后随着量化工具更新速度的加快，量化投资的应用领域将会不断拓宽。 由此可见，学习资产管理与量化投资对公司业务和个人的发展是十分迫切并且必要的。

❽ 量化投资的主要方法和前沿进展

量化投资是通过计算机对金融大数据进行量化分析的基础上产生交易决策机制。设计金融数学和计算机的知识和技术，主要有人工智能、数据挖掘、小波分析、支持向量机、分形理论和随机过程这几种。
1．人工智能
人工智能（Artificial Intelligence，AI）是研究使用计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及计算机科学、心理学、哲学和语言学等学科，可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。
从思维观点看，人工智能不仅限于逻辑思维，还要考虑形象思维、灵感思维才能促进人工智能的突破性发展，数学常被认为是多种学科的基础科学，因此人工智能学科也必须借用数学工具。数学不仅在标准逻辑、模糊数学等范围发挥作用，进入人工智能学科后也能促进其得到更快的发展。
金融投资是一项复杂的、综合了各种知识与技术的学科，对智能的要求非常高。所以人工智能的很多技术可以用于量化投资分析中，包括专家系统、机器学习、神经网络、遗传算法等。
2．数据挖掘
数据挖掘（Data Mining）是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的，但又是潜在有用的信息和知识的过程。
与数据挖掘相近的同义词有数据融合、数据分析和决策支持等。在量化投资中，数据挖掘的主要技术包括关联分析、分类/预测、聚类分析等。
关联分析是研究两个或两个以上变量的取值之间存在某种规律性。例如，研究股票的某些因子发生变化后，对未来一段时间股价之间的关联关系。关联分为简单关联、时序关联和因果关联。关联分析的目的是找出数据库中隐藏的关联网。一般用支持度和可信度两个阈值来度量关联规则的相关性，还不断引入兴趣度、相关性等参数，使得所挖掘的规则更符合需求。
分类就是找出一个类别的概念描述，它代表了这类数据的整体信息，即该类的内涵描述，并用这种描述来构造模型，一般用规则或决策树模式表示。分类是利用训练数据集通过一定的算法而求得分类规则。分类可被用于规则描述和预测。
预测是利用历史数据找出变化规律，建立模型，并由此模型对未来数据的种类及特征进行预测。预测关心的是精度和不确定性，通常用预测方差来度量。
聚类就是利用数据的相似性判断出数据的聚合程度，使得同一个类别中的数据尽可能相似，不同类别的数据尽可能相异。
3．小波分析
小波（Wavelet）这一术语，顾名思义，小波就是小的波形。所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。与傅里叶变换相比，小波变换是时间（空间）频率的局部化分析，它通过伸缩平移运算对信号（函数）逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了傅里叶变换的困难问题，成为继傅里叶变换以来在科学方法上的重大突破，因此也有人把小波变换称为数学显微镜。
小波分析在量化投资中的主要作用是进行波形处理。任何投资品种的走势都可以看做是一种波形，其中包含了很多噪音信号。利用小波分析，可以进行波形的去噪、重构、诊断、识别等，从而实现对未来走势的判断。
4．支持向量机
支持向量机（Support Vector Machine，SVM）方法是通过一个非线性映射，把样本空间映射到一个高维乃至无穷维的特征空间中（Hilbert空间），使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题，简单地说，就是升维和线性化。升维就是把样本向高维空间做映射，一般情况下这会增加计算的复杂性，甚至会引起维数灾难，因而人们很少问津。但是作为分类、回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间中却可以通过一个线性超平面实现线性划分（或回归）。
一般的升维都会带来计算的复杂化，SVM方法巧妙地解决了这个难题：应用核函数的展开定理，就不需要知道非线性映射的显式表达式；由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了维数灾难。这一切要归功于核函数的展开和计算理论。
正因为有这个优势，使得SVM特别适合于进行有关分类和预测问题的处理，这就使得它在量化投资中有了很大的用武之地。
5．分形理论
被誉为大自然的几何学的分形理论（Fractal），是现代数学的一个新分支，但其本质却是一种新的世界观和方法论。它与动力系统的混沌理论交叉结合，相辅相成。它承认世界的局部可能在一定条件下，在某一方面（形态、结构、信息、功能、时间、能量等）表现出与整体的相似性，它承认空间维数的变化既可以是离散的也可以是连续的，因而极大地拓展了研究视野。
自相似原则和迭代生成原则是分形理论的重要原则。它表示分形在通常的几何变换下具有不变性，即标度无关性。分形形体中的自相似性可以是完全相同的，也可以是统计意义上的相似。迭代生成原则是指可以从局部的分形通过某种递归方法生成更大的整体图形。
分形理论既是非线性科学的前沿和重要分支，又是一门新兴的横断学科。作为一种方法论和认识论，其启示是多方面的：一是分形整体与局部形态的相似，启发人们通过认识部分来认识整体，从有限中认识无限；二是分形揭示了介于整体与部分、有序与无序、复杂与简单之间的新形态、新秩序；三是分形从一特定层面揭示了世界普遍联系和统一的图景。
由于这种特征，使得分形理论在量化投资中得到了广泛的应用，主要可以用于金融时序数列的分解与重构，并在此基础上进行数列的预测。
6．随机过程
随机过程（Stochastic Process）是一连串随机事件动态关系的定量描述。随机过程论与其他数学分支如位势论、微分方程、力学及复变函数论等有密切的联系，是在自然科学、工程科学及社会科学各领域中研究随机现象的重要工具。随机过程论目前已得到广泛的应用，在诸如天气预报、统计物理、天体物理、运筹决策、经济数学、安全科学、人口理论、可靠性及计算机科学等很多领域都要经常用到随机过程的理论来建立数学模型。
研究随机过程的方法多种多样，主要可以分为两大类：一类是概率方法，其中用到轨道性质、随机微分方程等；另一类是分析的方法，其中用到测度论、微分方程、半群理论、函数堆和希尔伯特空间等，实际研究中常常两种方法并用。另外组合方法和代数方法在某些特殊随机过程的研究中也有一定作用。研究的主要内容有：多指标随机过程、无穷质点与马尔科夫过程、概率与位势及各种特殊过程的专题讨论等。
其中，马尔科夫过程很适于金融时序数列的预测，是在量化投资中的典型应用。
现阶段量化投资在基金投资方面使用的比较多，也有部分投资机构合券商的交易系统应用了智能选股的技术。

❾ 什么是量化投资

量化投资是指通过数量化方式及计算机程序化发出买卖指令，以获取稳定收益为目的的交易方式。在海外的发展已有30多年的历史，其投资业绩稳定，市场规模和份额不断扩大、得到了越来越多投资者认可。