量化投资容量

A. A股巨额成交量究竟由谁贡献量化交易为什么就火了

在A股巨额交易的背后，市场围绕量化交易扩大交易量的观点展开了热烈讨论。一些机构已经做出判断，定量交易占A股交易的50%左右。许多业内人士回应说，这些数据中有50%是不真实的，显然被高估了。A股量化交易的实际交易比例估值仍存在较大差距，一般在10%-35%之间。

复杂的交易策略可以在回测中取得良好的效果，但它们对数据的要求较高，对历史数据的拟合能力较好，但是它们的泛化能力太差，无法预测未来的趋势。定量交易的核心是高频率。高频引发的过度投机导致了市场行为的大规模颠覆。利用高频帽子游戏反复砍柴，制造极端波动，扭曲股市行为和生态，破坏投融资环境。普通投资者应对高频的方式是在中长期取代短期投机。即使是定量交易也不能改变股票市场和股票走势。

B. 最近经常听人提起量化对冲，请问量化投资受热捧的原因是什么

量化投资受热捧主要有几个原因：
一、 量化投资产品是一种风险较低同时收益可观的理财产品。长期来看，年化15%-20%的收益率是可以持续的，而量化投资的最大风险一般在10%-15%左右。量化投资是一种可以长期持续稳定的盈利模式，而这种盈利能力的关键在于量化模型的好坏。可以说量化投资更接近科学的领域而不是金融的领域，量化投资的专家基本都是数理和计算机专业毕业，他们的专长是数理分析和数学建模。
二、 量化投资与股票市场的相关性很低，量化产品可以做到不论牛市、熊市、震荡市都赚钱。传统的阳光私募，一般只能跟随市场的节奏，牛市赚钱，熊市亏钱，震荡市看择时的运气如何。而量化对冲产品则把市场波动全部利用股指期货的空头对冲了。是一种不主动选择入场时间的永远满仓的投资方法。
一般来说，量化对冲策略在熊市和震荡市比较容易赚钱，而大牛市有可能跑不赢指数。也就是说投资量化对冲是一种放弃了部分牛市收益去换取熊市和震荡市也能赚钱的策略。所以量化对冲产品更接近固定收益的信托产品，是一种类固定收益产品，非常适合风险厌恶者和机构投资者。
三、 房地产神话和刚性兑付的打破。在中国房地产自2013年进入大拐点后，不论是买房投资还是房地产信托都不再受投资者的热捧。10万亿房地产信托资金最少有一半要撤出来，而纵观所有投资市场，只有二级市场有这个容量能够容纳这么多资金，不然这笔资金流到哪里都会带来问题，而买惯了房地产信托的投资者是无法接受二级市场的波动性的，所以量化对冲产品成立最佳的承接这笔资金的投资产品。相比之下银行固定收益理财产品虽然收益稳定，但是在降息周期中收益率是远远落后于量化对冲产品，年化收益大概4%-6%之间，还跑不赢通胀。
四、 机构投资大量涌现。2014年出现了大量的机构投资者，尤其表现在FOF(组合基金)上。银行系中，光大银行2014年7月份成立了第一只银行系的组合基金(MOM)产品。目前招商银行和工商银行也在大力推动FOF业务发展。机构投资者代表最成熟和最理性的投资者，这部分投资者目前主要的资产配置还是以量化对冲的产品为主，机构投资者为量化对冲基金提供了大量稳定的资金，为量化对冲基金发展提供了良好的温床。

C. 高频交易和量化交易到底有什么区别

从历史上看，很多高频交易公司的创始人都是交易员出身，原来就从事衍生品的做市、套利等业务。一开始这些工作并不需要多高深的知识。随着计算机技术的发展，交易的自动化程度和频率也逐渐提高，这些公司逐渐聘请一些数学、统计、计算机背景较强的人员加入以适应形势的发展。当然，这个过程也出现了一些分化，有的公司还是保留了交易员在公司的主导地位，并且始终未放弃人工交易，最终形成了人机结合的半自动交易；而另外一些公司对新鲜技术的接受程度更高一些，往往采取全自动的交易模式。事实上，也没有证据表明全自动交易的公司就比半自动交易的公司更为优越，到目前为止，也只能说是各有利弊。
人工交易的最大弊端在于手动下单的地方离交易所较远，在行情剧变的时候往往抢不到单。在这一点上，全自动交易的公司可以通过托管机房来最大程度减少信号传输的时间，不过自动化交易往往因为程序过于复杂，加上很多公司人员流动较大，在程序的维护上会出现一些失误，最终程序出错酿成大祸，比如著名的骑士资本。
至于过度拟合无法抵御黑天鹅事件，那是人工交易和自动交易都无法避免的问题。一般来说，Getco、Jane Street、SIG、Virtu Financial等是半自动交易，Tower Research、Hudson River Trading、Jump Trading等是全自动交易。
量化投资公司跟高频交易公司则有很大的不同。首先，美国的量化投资公司基本上都是量化背景极强的人创办的，比如说文艺复兴的创始人西蒙斯是数学家出身，DE Shaw的创始人David Shaw是计算机教授出身，AQR的创始人Cliff Asness是金融学家出身，而高频交易公司则更多是传统交易员创办的；其次，量化投资一般依赖于复杂的模型，而高频交易一般依赖于运行高效的代码。
量化投资公司的持仓时间往往达到1—2个星期，要预测这么长时间的价格趋势需要处理的信息自然非常庞大，模型也因此更为复杂，对程序的运行速度反而没那么敏感；高频交易处理信息的时间极短（微秒或毫秒级），不可能分析很多的信息，因此模型也趋于简单，竞争优势更多依靠代码运行的效率，很多人甚至直接在硬件上写程序；而最后，量化投资的资金容量可达几百亿美元，而高频交易公司往往只有几千万至几亿美元，但由于高频交易的策略表现远比量化投资稳定，如Virtu Financial交易1238天只亏1天，因此一般都是自营交易，而量化投资基金一般来说都是帮客户投资。

D. 零基础想学金融投资,量化交易编程,该怎么学有哪些方法

我想问你学习的方法以编程是通过设定来完成的

E. 中国量化交易的现状与未来前景如何

在欧美市场，特别是在美国，量化交易已经非常成熟。在过去的十年里，美国的对冲基金逐渐转向了量化交易。我国的数量发展还不到欧美国家的水平，还处于比较初级的阶段。但由于国内市场人口基数大，意味着国内市场潜力很大。

虽然短期内我量化贸易的发展还不如美国成熟，但最终的发展方向应该是相似的。通过对量化交易策略的研究，我们可以预测量化交易的未来前景。一个成熟的量化交易市场是值得我们学习的量化交易策略和理论，也是未来的发展方向。目前我国股市的有效性还不高，但随着量化投资能力的提高，市场的有效性会进一步提高，技术的波动会越来越小，技术的量化可能会达到瓶颈，从而转向基本面量化。

F. 什么是量化投资交易策略

一文看懂量化投资策略

闲话基

量化投资在近些年受到越来越多的关注，包括规模、策略、业绩。量化投资，是指通过借助统计学、数学方法，运用计算机从海量历史数据中，寻找能够带来超额收益的多种“大概率”策略，按照策略构建的数量模型严格执行投资，力求获得长期稳定可持续高于平均的超额回报。

跨市场策略涉及外汇兑换、国际期货交易对冲，交易实现难度大，国内用得少。

由于期货具有杠杆属性，这类策略持仓的市值往往很大，有时候甚至超过产品资产总值，导致收益率的波动率是所有量化策略中最大的。在市场出现连续震荡行情时，这样策略由于杠杆属性会出现较大的回撤。另外一个对这类策略的一个限制是，目前市场上活跃交易的期货品种不多，高频交易很大程度倚重于品种成交量，开平仓时间间隔较短，使得策略容量不大。

G. 如何识别优秀的量化交易策略

最快的方式就是用模拟账号去模拟
看一下收益就知道策略好或者不好

H. 量化投资的前景

随着20世纪80年代以来各类证券和期权类产品的丰富和交易量的大增，华尔街已别无选择，不用这些模型，不使用电脑运算这些公式，他们便会陷于困境，自招风险。1997~1998年亚洲金融危机，市场暴跌，量化投资的算法交易也起到了同样的坏作用。此外，始于2007年的金融危机中，量化投资也未能幸免。时过境迁，2011年，量化基金再次表现优异。
稍微接触到资本市场的人，大都听说过基本面投资和价值投资，而对于这方面的天才人物“股神”巴菲特，更是几乎家喻户晓，妇孺皆知。他以企业财务报表的分析见长，擅长挖掘企业的内在价值，一旦买入便长期持有，持续获得稳定高额收益，为股东创造了丰厚利润，无人能及。
相比之下，与价值投资同等重要的量化投资——即借助数学、物理学、几何学、心理学甚至仿生学的知识，通过建立模型，进行估值、择时及选股，则没有那么幸运——在大多数人眼里，量化投资是一个神秘的领域，深不可测，玄奥无比，令人望而却步。世人皆知巴菲特，而对于号称最能赚钱的基金经理人、在20年的时间里创造了年均净回报率高达35%惊人传奇的量化投资大师西蒙斯，却只能成为少数人的专属。
量化投资看似神秘，但并不古老。它从70年代开始逐渐兴起，90年代才大行其道。之所以如此，是因为量化投资有其诞生的特定土壤，需要一系列的条件方能破土而出，这些条件其实相当苛刻。
很难想象，量化投资技术并非发端于华尔街，而是肇始于学术象牙塔里的少数“怪才”，他们长期不被正统的经济学所接受，甚至遭到排斥，因此处境艰难。1952年3月发表“投资组合选择”论文、提出现代财务和投资理论最著名洞见的马克维茨，以该理论参加博士答辩，竟然战战兢兢差点未获通过。1990年10月，这些人中有三位获得诺贝尔经济学奖，当时局外人很少有人清楚为什么他们能够得此殊荣；而三人中的其中一位则将他们的获奖比作“芝加哥业余球队赢得了世界杯”。
但是，没有来自象牙塔的现代金融理论，便没有量化投资的兴起。马克维茨的投资组合理论，提出了风险报酬和效率边界概念，并据此建立了模型，成为奠基之作。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。
夏普1963年1月提出了“投资组合的简化模型”，一般称为“单一指数模型”。马克维茨模型费时33分钟的计算，简化模型只用30秒，并因节省了电脑内存，可以处理相对前者8倍以上的标的证券。1964年，夏普又发展出资本资产定价模型(CAPM)，这是他最重要的突破，不仅可以作为预测风险和预期回报的工具，还可以衡量投资组合的绩效，以及衍生出在指数型基金、企业财务和企业投资、市场行为和资产评价等多领域的应用和理论创新。
1976年，罗斯在CAPM的基础上，提出“套利定价理论”(APT)，提供一个方法评估影响股价变化的多种经济因素。布莱克和斯克尔斯提出了“期权定价理论”。莫顿则发明了“跨期的资本资产定价模型”。
有趣的是，不少人最初并非经济学家，如巴契里耶和布莱克原先是数学家，夏普则从事医学，奥斯伯恩为天文学家，沃金与坎德尔是统计学家，而特雷诺则是数学家兼物理学家。他们转行都是被金融市场研究所深深吸引，沉迷于其中的无穷魅力。
然而，仅有现代投资（行情 股吧 买卖点）理论的建立，及各类模型的完善与推陈出新，并不会直接催生出量化投资，它还需要其他几个重要前提条件，比如机构投资者在市场中占据主导，电脑技术足够发达，以及传统华尔街投资家的傲慢被市场击溃转而被迫接受新的投资理念。
量化投资不会出现在个人投资者为主的时代。个人投资者既缺乏闲暇的时间，也普遍无此能力。随着退休基金和共同基金资产的大幅增加，它们成为市场上的主要机构投资者，并委托专业机构进行投资操作。管理大规模资产，需要新的运作方式和金融创新技术，同时专业的投资管理人也有能力和精力专注地研究、运用这些技术。
没有发达的电脑技术，量化投资也将成为无源之水，无米之炊。在电脑革命发生前，根本无法根据上述模型进行运算。1961年，与马克维茨共同获得1990年诺贝尔奖的夏普曾说，当时即使是用IBM最好的商用电脑，解出含有100只证券的问题也需要33分钟。当今，面对数不胜数的证券产品，以及庞大的成交量，缺了先进电脑的运算速度和容量，许多复杂的证券定价甚至不可能完成。
量化投资在不经历市场的崩盘，傲慢投资者的自信未被摧毁之前，不会盛行。比较早的时候，华尔街对学术界把投资管理的艺术，转化成通篇晦涩难懂的数学方程式一直持有敌意。他们认为，投资管理需要天赋、直觉以及独特的驾驭市场的能力，基金经理可以独力打败市场，而无需依靠那些缺乏灵魂、怪异的数学符号和缥缈虚幻的模型。在美国，70年代初期表现最佳的基金经理人从未听过贝塔值，并认为那些拥有数学和电脑背景的学者只是一群骗子。
1973~1974年美国债券市场和股票市场全面崩盘，明星基金经理人烟消云散，财富缩水堪比30年代大萧条。当时，颇有先见的投资顾问兼作家彼得·伯恩斯坦认为，必须采用更好的方法管理投资组合，并创办了《投资组合》杂志，一出刊便获得成功。此后，随着80年代以来各类证券和期权类产品的丰富和交易量的大增.量化投资光彩炫目，但也具有魔鬼般的力量。它时而风光无限，但也常常坠入深渊。
1987年10月大股灾，黑色星期一，当天股市和期货成交量高达令人吃惊的410亿美元，价值瞬间缩水6000亿美元。很多股份直接通过电脑而不是经由交易所交易。一些采用投资组合保险策略的公司，在电脑模式的驱使下，不问价格机械卖出股票。很多交易员清楚这些投资组合会有大单卖出，宁愿走在前面争相出逃，加剧了恐慌。针对整个投资组合而非单个证券，机械式的交易，电脑的自动操作，使得这种量化投资出现助跌之效，大量的空单在瞬间涌出，将市场彻底砸垮。
在此次亚洲金融危机中，著名的长期资本管理公司，这家来自学术象牙塔的怪才充斥、主要运用量化投资技术的对冲基金，曾经在市场上呼风唤雨、无往不利，但偏偏遭遇俄罗斯国债违约这一小概率事件，陷入破产之境，迫使美联储集华尔街诸多投资银行之力，加以救助。此外，始于2007年的金融危机中，量化投资也未能幸免。
虽然麻烦不断，但量化投资依然必要且有效。要知道，在本次金融危机发生前，量化基金的表现连续8年超过其他投资方式。当然，挫折也会带来量化投资技术的更新和完善，比如在模型中设定新的变量，尤其是加入以往并未包含的宏观经济参数。时过境迁，2011年，量化基金再次表现优异。虽然量化投资能否就此再度复兴仍属未知，但由本文先前的讨论，漫漫历史长河，此一趋势已不可逆转，量化投资依然拥有光明的未来。
德意志银行的董事总经理、全球量化投资主管罗崟先生在激烈的竞争中脱颖而出，夺得全球最权威的《机构投资者》期刊2011年美国和欧洲量化分析第一名的佳绩。在华尔街40余年排名史上，罕有华人获此殊荣。《金融时报》慧眼识金，就此专门做了访谈，并嘱我就量化投资写篇评论。我欣然命笔，并借此祝愿量化投资在中国的资本市场上，能够早日生根。

I. 在中国，做量化交易一天的工作是怎样的

做量化交易一天的工作：

8:00~9:00： 打开交易策略，设置一些运营参数

9:00~9:30： 观察策略运转，确保没有问题

9:30~15:30: 解决已有策略的问题并研究新策略，测试新想法

15:30~17:00: 分析交易记录， 确定第二天的交易计划

17:00~18:00: 运动

岗位职责：
分析金融市场（期货、股票等）数据，寻找可利用的机会；开发与维护量化交易策略；提供机器学习/数据挖掘相应的技术支持；

岗位要求：
1.熟练计算机编程能力，熟练掌握至少一门编程语言，python优先；

理工科背景，具有良好的数理统计、数据挖掘等相关知识储备，熟悉机器学习方法（分析科学问题和相应数据，建立模型和方法，验证模型和方法，应用模型和方法并分析结果，改进模型和方法）；

有处理分析大量数据的经验，并能熟练选择和应用数据挖掘和机器学习方法解决科研和工作中的实际问题；良好的自我学习和快速 学习能力，有工作激情，喜欢金融行业；两年及以上实验室研究经验或研发类工作经验优先；

(9)量化投资容量扩展阅读

量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，

极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。