量化投资的优点精品(七篇)
时间：2023-07-02 09:21:31
序论：写作是一种深度的自我表达。它要求我们深入探索自己的思想和情感，挖掘那些隐藏在内心深处的真相，好投稿为您带来了七篇量化投资的优点范文，愿它们成为您写作过程中的灵感催化剂，助力您的创作。
篇(1)
[DOI]10.13939/ki.zgsc.2015.25.083
Alpha策略最初的理论基础是套期保值，是由美国经济学家H.working提出的，随后股指期货的面市，量化研究便激发了人们浓厚的兴趣。传统的资产管理者理念的哲学基础大部分为追求收益风险平衡，然而平均市场收益与超额收益又很难达到绝对的均衡，因此将超额收益也即Alpha分离出来，建立起基于Alpha策略的量化投资，有助于指导投资实践。
1 Alpha策略在量化投资中的应用意义
量化投资指的是以现代计算机技术为依托，通过建立科学的数学模型，在充分掌握投资环境的基础上践行投资策略，达到预期的投资效果。采用量化投资方式的优点包括其具有相当严格的纪律性、系统性，并且对投资分析更加准确与及时，同时还具有分散化的特点，这使得策略的实施过程更加的机动灵活。量化投资过程使用的具体策略通常有量化选股、量化择时、统计套利、高频交易等，每一种策略在应用过程各有千秋，而Alpha策略属于量化选股的范畴。传统的定性投资也是投资人基于一种投资理念或者投资策略来完成整个投资活动的，最终的目的是要获得市场的占有率，并从中取得丰厚的利润。从这个角度来衡量，量化投资与传统投资的本质并无多大差别。唯一不同的是量化投资对信息处理方式上和传统定性投资有着很大的差异性，它是基于现代信息技术、统计学和现代金融工程理论的基础上完成对各类数据信息的高效处理，在对信息处理的速度、广度上是传统定性投资无法比拟的。在对投资风险的控制方面也具有很大的优势，是国际投资界兴起的新型投资理念和应用方法，也在日益成为机构投资者和个人投资者共同选用的有效投资方案。现阶段量化投资的技术支撑和理论建设的基础包括人工智能技术、数据挖掘、支持向量机、分形理论等，这些现代信息处理与数据统计方式为量化投资的可操作性提供了坚实的基础。
Alpha策略在量化投资中的使用优点主要是对投资指数所具有的价值分析与评定。它不是依赖于对大盘的走向变化或者不同股票组合策略趋势的分析，对投资价值的科学分析与合理评估更能吸引投资者的目光。Alpha策略重视对冲系统风险所获得的绝对收益，在股票投资市场上是一种中性的投资方式，具体的程序有选择资产、对资产的优化组合、建立具体组合方式、定期进行调整。为了促进该策略在投资市场中获得良好的收益，就必须先要重视优秀的选股策略，其次是重视期货对冲平均市场收益的时候所产生的风险控制问题。对冲系统风险时，若是能够及时地对投资组合与相关的股指期货的平均市场收益指进行精准地判定和预测，那么将会对整个投资行为产生积极的影响。
2 基于Alpha策略的量化投资具体策略和实践方法
通常情况下，Alpha策略所获得的实际收益并不是一成不变的，这与该策略本身的特定有关，具体表现在周期性与时变性上。
Alpha策略的时变性主要是指当时间产生变化时，超额收益也会随之而改变。需要清除的是Alpha反映的就是上市公司超越市场的预期收益，因此属于公司资产未来估值预期的范畴，所以上市公司自身所处的发展阶段和发展环境不同，那么就会给Alpha带来影响。由于时变性的特点，这就给策略的具体估计模型的设立带来了更多不可确定的因素，为此，参照对Alpha满足不同动态假设的理论基础，建立起一个可以获得不同种类估算的模型，同时假定在同一个时间范围内，超额收益和市场平均收益都保持恒定不变，这就极大地简化了计算的过程与步骤。也就是说在该段时间内，市场上股票投资组合基本面不会有太大的变化与波动，这就与实际的投资状况基本达成一致。对于投资策略的调整则要根据上市公司重大事项发生情况而定，那么估算的时间单位周期可以采用每日或者每周估算，对每一个季度的历史数据进行调整也可以作为一种调整方式，反映公司季度行情。对于具体证券而言，采用季度或者每周的调整频率则不是最为理想的，还要针对公司情况与市场行情综合调整。
Alpha的周期性特点在交替出现的正负号上最为突出，导致这一情况产生的原因主要是行业的周期性特征与套利效应共同造成的。具体而言，首先不同类型的证券分别属于不同的行业所有，当行业处于景气周期循环状态下会影响Alpha的符号与大小，同时景气程度的深与浅也会对此产生影响。其次一个股票组合产生非常大的超额收益情况下，市场中的其他机构投资者或者个人投资者就会不断地参与到该组合的投资中来，最后会导致Alpha逐渐接近于零。因此在建立不同策略的组合方面，要针对每一个季度的具体情况和波动率，进行综合性地评价与分析，并及时地做出必要的调整，以便最大限度地获得市场收益。
量化投资中的Alpha策略并不是一种单一类型的策略，不同的策略都在寻求获得超额收益的市场机会和可能性。现阶段市场上采用的Alpha策略主要有多因子选股策略、动量策略或者反转策略、波动性策略、行业轮动策略、行为偏差策略等，每一种策略在具体实施过程中都有其特征性，并且可以相互结合使用，发挥出综合预测和评价的作用。
多因子选股策略是必要和常用的选股方式，最大的优势是可以将不同种类和模块的信息进行高效化综合分析与评价后，确定一个选股最佳方案，从而对投资行为进行指导。该种选股策略的模型在建立方面比较容易，是量化投资中的常用方式。同时多因子模型对反映市场动向方面而言具有一定的稳定和可靠性，这是因为所选取的衡量因子中，总有一些可以把握住市场发展行情的特征，从而体现其本来就有的参考价值。所以在量化投资过程中，很多投资者都使用多因子模型对其投资行为进行评估，无论是机构投资者或者是个人投资者，都能够从中受益。多因子选股策略模型的建立重点在于对因子的剔除和选择上，并要合理判断如何发挥每一个因子的作用，做出综合性的评定。
动量策略的投资方式主要是根据价格动量、收益动量的预期与评定，对股票的投资进行相应的调整，尤其是针对本身具有价格动量的股票，或者分析师对股票的收益已经给予一定评级的股票，动量策略的应用效果会比较理想。在股票的持有期限内，某一只股票在或者股票投资的组合在上一段时间内的表现均佳，那么则可以判断在下一段时间内也会具有同样的理想表现，这就是动量效应的评价依据，从而对投资者的行为起到一定的影响作用。反转策略和动量策略恰好相反，是指某一只股票或者股票投资组合在上一段时间内表现很不理想，然而在下一个时期反而会有突出的表现，这也给投资者带来了一线希望，并对影响到下一步的投资策略的制定。
波动性策略也是Alpha策略的一种方式，主要是利用对市场中的各股运动和发展状态的细致观察与理智分析后，列出一些具有相当大的波动性的股票，同时这些股票的收益相关性也比较低，对此加以动态化的调整和规划，从而逐渐获得超额收益的过程。在一些多因子选股策略中也有机构投资者或者个人投资者将股票具有的波动性作为考察与评价因子之一，波动性策略经常和其他策略相结合来评价，这说明股票投资市场本身就具有一定的波动性，因此在投资过程中要慎重对待。
行业轮动策略和行为偏差策略的应用频率不似前面几种高，但也会和另外几种策略相互结合使用。行业轮动策略主要是为了充分掌握市场行业轮动机制与特征，从而可以获得高额的收益，对行业之间的投资也可以非常高效和准确地进行，对把握正确的时机有很大的优势。行为偏差策略目的是窥探到股票市场中存在的过度反应或者反应不足等现象，这些都属于股票投资市场的偏差，从而可以通过投资者对不同股票抱有的差异化评价来实现超额收益。
篇(2)
而在极度弱市的市场下，部分基金却依旧在为投资者持续的创造财富，那便是对冲基金。大多数投资者理解对冲基金是运用对冲工具进行投资的基金，例如股指期货、融券卖空、杠杆操作、程序化交易等手段；确切的来说，对冲基金是不同于传统股票型基金的一种投资基金形式，操作得当的话不仅能在市场上涨时获得收益，下跌时也可能获得绝对收益。市场中性策略就是这样最典型的一种对冲基金，净值不受市场暴涨暴跌影响，在当前连续下跌的环境下给投资者耳目一新，好买基金研究中心从众多私募产品中，罗列了市场中性的对冲基金产品，供投资者参考。
信合东方合伙企业是市场中性策略基金中成立较早的一只，其优点是在市场经历大幅回撤的情况下基金表现出良好的获得绝对收益的能力，与市场关联程度较低。信合东方合伙企业成立于2007年12月底，基金经理是黄如洪与唐伟晔。其业绩确表现出独立于指数的走势，在2008年市场哀鸣一片时，信合东方合作企业取得53.66%的绝对收益，2011年沪深300全年跌幅25%，该基金取得25.17%的绝对收益，市场中性产品的优势在弱市中十分抢眼，今年以来信合东方合伙企业取得0.39%的绝对收益。
信合东方合伙企业不仅参与股票、股指市场，同时也参与商品期货市场，资金分配上股票加股指策略占70%资金，商品期货占30%。对于持仓风险的管理，信合东方合作企业所采用量化风险模型，模型的预期效果是实现整体持仓月度亏损被控制在5%之内。为了最大程度上分散持仓风险，信合东方风控制度规定合伙企业持仓在任何时间点不得低于30种投资策略。任何交易策略持仓亏损达到某个预警线后，会平仓该策略仓位的部分持仓，若亏损继续扩大某个百分比，平仓该策略的仓位的一半以上的持仓，亏损若进一步扩大会强制止损平仓，严控风险。
今年以来收益最高的是朱雀阿尔法1号，该基金成立于去年11月中旬，基金经理是梁跃军。朱雀阿尔法1号采用市值对冲，即期指空单的持单市值覆盖掉持有多头股票的市值。在股票多头组合上，选股主要是来自多因子选股与行业研究员推荐两大方面，多因子选股，即通过估值、盈利、成长等多重因素，权衡各种因素的重要性后给予一定权重，由此选出符合指标的股票；因子选择上会采用胜率高、单调性强、区分度高、稳定强的因子，基金经理每月调整一次组合，该组合的月度最大回撤小于2%。在空头方面则是做空沪深300股指期货，假设当市场下跌3%时，持有的空单会盈利3%，来弥补持有一篮子股票的损失，这是市场中性策略在大盘下跌过程中的体现出独立于市场的特性，朱雀阿尔法1号整个股票池的贝塔值接近于1。今年6月14日至6月26日，短短两周内大盘跌幅高达9.73%，朱雀阿尔法1号取得2.49%的正收益，截止6月26日朱雀阿尔法1号今年以来取得16.40%的绝对收益。
杉杉青骓旗下的青骓量化对冲1期也是市场中性产品，青骓量化对冲1期成立于2012年4月，基金经理是郭强，该产品同样是采取市值对冲的模式，但是公司在净头寸上有较大的自，可以进行微调，净市值在正负20%之间。青骓量化对冲1期的股票持仓相对比较分散，一般来说，组合内会配置800只左右的股票，每只个股的权重不同，在市场遭遇大跌时，由于持股分散，加上空单的保护，净值回撤幅度较小，公司目标是将年化波动率控制在5%以内；在市值分配上，股票占整体基金规模的70%左右，剩余的30%的资金来操作股指期货。青骓量化对冲1期在今年3月21日至6月21日期间取得2.85%绝对收益，同期大盘跌幅10.81%，今年以来截止于6月21日，青骓量化对冲1期为投资者创造了2.94%的绝对收益，月度最大回撤控制在1.5%以内。
篇(3)
2011年7月1日，本刊正式引入《今日投资66》专栏，介绍今日投资66的选股逻辑、方法以及挑选出的股票。今日投资66（简称I66）是利用量化投资方法挑选出的一个66只股票的组合。其实早在2005年中今日投资就推出了I66，过去几年累计收益率达到16倍，远超同期市场不到3倍的涨幅。为什么直到今日我们才大张旗鼓地推出I66呢？原因其实很简单，因为市场环境。量化投资近几年在中国快速发展，其投资理念也越来越多地获得认同。
股票市场上形形的各种分析方法总结起来可以归类为三大流派：数量分析、基本面分析和技术分析。关于这三大流派孰优孰劣的争论已经持续了近百年，三方各执一词，百年争论下来也没有争出个结果来。当今世界也是这三种流派大概各占三分之一的格局。而A股市场显然尚未跟上，量化投资远远没有达到三分之一的市场占有率。
第一部分：什么是量化投资
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。那么，何为量化投资？
康晓阳：量化就是符合投资常识的投资逻辑和策略
接下来会发生什么？
深圳市天马资产管理有限公司是国内最早开发量化投资模型的资产管理公司，致力于量化投资工作接近十年。作为国内量化投资的“开山鼻祖”，深圳天马的董事长康晓阳先生如下介绍量化投资：
大家看到这个图，鱼跳起来了，风在刮，接下来会是什么？日本发生的9级大地震！2011年3月7日我看到一个报道，有50条鲸鱼在搁浅沙滩，就在发生地震那个县东部的海岸，有的死了，专家解释这些鲸鱼集体迷路了。作为一个地震专家或者学者，其实他们的经验没有告诉他这50条鲸鱼搁浅沙滩跟地震有什么关系。到底有没有关系呢？我们知道5•12四川大地震之前发生了同样的事情，很多癞蛤蟆过马路，这跟地震有什么关系？
投资做股票有两类，讲很多种策略，无外乎就是买你自己喜欢的和买市场喜欢的，买自己喜欢和买市场喜欢的背后逻辑就是找影响股价的要素。
量化是什么？做投资，最终的分析停留在数据上，既然是数据，就可以标准化、固化。从你自己的角度买自己喜欢的东西，其实也可以量化，每个人都有对美的标准，但并不是符合这个指标，你就一定喜欢。如果有一个海选，把符合你喜欢特征的人放在你面前你去选，就可以量化。
鲸鱼搁浅在沙滩上，根据历史数据统计就会发现这个事情跟接下来要发生的事情有什么关联。把人的行为逻辑影响股价所有的要素进行综合分析，预测下一个市场喜欢的东西或者喜欢的策略是什么，简单一句话，量化就是符合投资常识的投资逻辑和策略。就股票来讲，投资标的的数据和因素量化，再用一些模型统计的方法把选出来的标的进行优化，最后成为投资组合，这就是量化的基本逻辑。用数理的方法把你的投资逻辑或者市场的投资逻辑固化，只要有投资逻辑的思想或者策略，都可以量化。
就股票而言，有很多种方法，有价值型股票，分析方法无非是那几种，只是大家的标准不一样，量化的东西可以设一个相对宽松的东西，初选之后再优化，比如成长型股票，肯定关心盈利、收益。选出来10个、20个、50个甚至100、200个股票，然后配比重，怎么优化组合，根据你的风险和预期收益率反推回来怎么优化，最后得出一个比重，哪只股票应该投多少。有些是成本交易，比如套利，什么情况下出现一定条件的时候提示你。
要真正做到量化，首先要有一个基本的理论模型。你要觉得什么样的股票表现好，什么样的股票你愿意投资，这就是量化的基本逻辑。但是，有了这个逻辑之后还不够，还要有复合型人才，因为量化投资不光要懂得投资股票，还要懂得数理分析。打个比方，虽然我很懂股票，但我不懂数理分析，很多计算机模型也不懂，更不懂编程序，要真正做到量化投资，就必须有复合型团队。为什么这么多年华尔街学金融工程、数理、物理的人大受欢迎？因为他们可以用统计工具。前段时间我在英国的一所大学和一些专门做模型分析的教授交流，我发现他们想的东西更加复杂，基本上把市场上任何的东西都想要量化。
我理解，就是去跟踪你的投资逻辑，它只是帮你实现你想法的一种工具。另外还要有高质量的数据，因为，你通常看到的东西和市场本身存在的东西可能并不一样。如果把鲸鱼放到海滩上，这作为数据化，统计过去2000年有多少次鲸鱼搁浅在海滩发生，假如有真实的数据，就可以研究出跟地震的相关性。要懂数理统计工具，建立模型就是纪律，不能改变，改变就不是模型。有人说看到今天不行，换一下，那就不是模型了。我们看过一个电影，造出来的机器人最后自己都控制不了，那就是模型。如果造出来的机器人自己能控制，那不是模型。人为什么能挣得到钱，为什么还要量化？传统是靠个人经验的，而且你看到、听到的东西都是有限的。量化有什么好处？它可以把你知道的东西在整个森林中搜索。计算机是不知疲倦的，晚上你在打鼾，计算机还可以工作。你的模型是你建的，你很理性的情况下建的模型，市场情绪变了，它不会变，那时候你不可能去改模型，所以它不会受情绪的影响。
华泰联合：实现投资理念与策略的过程
国内研究机构中涉足量化投资较早并多次获得新财富最佳分析师评选金融工程第一名的华泰联合证券金融工程团队如是说：
数量化投资是利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程。与传统定性的投资方法不同，数量化投资不是靠个人感觉来管理资产，而是将适当的投资思想、投资经验、甚至包括直觉反映在量化模型中，利用电脑帮助人脑处理大量信息、帮助人脑总结归纳市场的规律、建立可以重复使用并反复优化的投资策略（经验），并指导我们的投资决策过程。
本质上来讲，数量化投资也是一种主动型投资策略，其理论基础在于市场是非有效或弱有效的，基金经理可以通过对个股、行业及市场的驱动因素进行分析研究，建立最优的投资组合，试图战胜市场从而获取超额收益。然而一些定性的投资者却并不太认可定量投资，他们认为，定性研究可以将把股票基本面研究做得很深入，从而在决策深度上具有优势。然而，在当今市场上，信息量越来越大且传播速度极快，单个分析师所能跟踪的股票数量开始显得越发有限，也因此错过了许多优秀的投资机会，可谓是拥有深度的同时错失了广度。量化投资正好弥补了这一缺失，通过使用强大的计算机技术，它能够实时对全市场进行扫描，并依仗其纪律性、系统性、及时性、准确性以及分散化的特点最大概率的捕获战胜市场的投资标的。
事实上，在海外市场，我们看到越来越多的定量与定性完美结合的成功案例。通过向量化模型中加入分析师对未来主观判断的观点（定性的观点），再结合来自于历史规律检验的观点（定量的观点），定量与定性的优势便能得到充分的发挥和融合。我们相信，这也将是未来量化产品发展的主流方向和趋势。
结论
量化研究作为一种研究方法，其本质是使用统计学、数学和计算机工具改进研究效率，使得我们能够在更短的时间、更大的视角领域下，依靠清晰的研究逻辑，获取更为有效和操作性以及复制性更强的研究成果。量化研究的本质是一类发现市场规律的方法体系，其基本功能是认识市场和解释市场，并以做到预测市场为目的。
量化投资简单来讲，它以模型为主体，使用大量数据，并且在很大程度上用电脑这样的投资方式；其以科学性和系统性著称，并将在严格的纪律化模型制约下，紧密跟踪策略，使运作风险最小化，并力争取得较高收益。
第二部分：量化投资在蓬勃发展
量化投资在世界的发展史
美国市场有200多年，从证券市场开始，也有快400――500年了，但是量化的发展是上世纪50――60年代的事。首先有一些理论模型，没有理论模型支撑很难做到量化的东西。
数理化投资于上世纪50~70年论上发芽
Harry Markowitz在上世纪50年表一系列关于投资组合“均值―方差”优化的论文，这使得投资者可以定量化风险，并把风险和预期回报放在一个理论框架下统一考虑；
WilliamSharpe在1964年发表CAPM模型，此模型显示个股的预期回报和个股的风险及市场的预期回报成正比；
Steven Ross在1976年发表APT模型，此模型显示个股的预期回报可以表示成一系列非特定因素预期回报的加权平均，此模型为量化投资者指出了很实用的研究框架；
Black-Scholes在1972年发表关于股票权证的定价模型；
Fama和French在1993年发表三因素模型，此模型显示个股的预期回报由三个因素（市场，个股的市值，个股的市净率）决定；
此后很多研究者做了非常多的实证研究，并发现了一些对个股将来回报有预测作用的因素：比如市盈率，市净率，资产回报率，盈利一致预期，中长期价格动能，短期价格反转等。
数理化投资从上世纪70年代末开始实际运用
Barclays Global Investors(BGI)于1978年创立了全球第一只数量化投资策略基金，到被BlackRocks收购之前BGI以14000亿美元的规模，高居全球资产管理规模之首。
SSgA(道富环球投资管理公司)和 GSAM(高盛国际资产管理公司)为首的一大批以数量化投资为核心竞争力的公司已经成为机构资产管理公司中的“巨无霸”。
“詹姆斯•西蒙斯创办的文艺复兴科技公司花费15年的时间，研发基于数学统计理论的计算机模型，借助该模型，西蒙斯所管理的大奖章基金，从1989 年到2009 年间，平均年回报率高达35％，较同期标普500 指数年均回报率高20 多个百分点，比“金融大鳄”索罗斯和“股神”巴菲特的操盘表现都高出10 余个百分点。
在国外。其他采用量化投资的公司没有获得惊人的表现，并非是量化方法不好，而是他们还没有构建出更好的模型以及正确的策略。作为量化投资的大行家和受益者，西蒙斯承认有效市场的套利机会极少而且会趋同小时，然而，仍然有无数转瞬即逝的很小的机会存在，在证券市场，那些很小的交易，都会对这个庞大的市场产生影响，而每天都会有成千上万这样的交易发生。这个市场看似杂乱无章，却存在着内在规律，而量化操作自从诞生以来，无疑成为捕捉这些规律的一把利器，为海外投资者屡建奇功。
CQA（教育产品内容与数据测试）数据统计：在2002年-2004年三年间，量化产品的平均年收益率为5.6%，比非量化产品的平均年收益率高出1%。从信息比率来看，量化产品为0.37，非量化产品为0.06。此外，量化基金的运作费率相对更低，例如传统产品费率为0.6%，主动量化产品费率在0.45%-5%之间。
理柏(LIPPER)数据显示，2005年到2008年之间，87只大盘量化基金业绩表现好于非量化基金，增强型量化基金在2005年和2006年更是大幅跑赢非量化基金。但2007年和2008年除市场中性基金外，所有基金业绩下滑很快，其中双向策略和大盘量化基金表现差于非量化基金，而增强型和市场中性量化基金表现则优于非量化基金。
量化投资在中国的发展现状
研究力量不断壮大
目前大部分券商研究所都配有金融工程研究小组，成员超过5个的不在少数。根据2010年11月份的《新财富》最佳分析师榜单，国信证券金融工程小组人数有12人，为目前人员配备最多的量化投资研究团队。其他入选金融工程前五名的研究小组中，申银万国8人，华泰联合、安信证券各5人，中信证券4人。
数量化方面的研究报告数量也是逐年增加。据不完全统计，2008-2010年相关报告数量分别有52、142、794篇，今年上半年就达到了633篇，逐年递增趋势非常明显。不过，和2010年研究报告10万多份的总量相比，数量化研究的广度和深度还有很大提升空间。
量化产品初露锋芒
天马旗下的产品中，现有两个信托产品采用量化投资策略，分别是新华―天马成长，和平安―Lighthorse稳健增长。
此外，上投摩根、嘉实、中海基金、长盛基金、光大保德、富国基金、南方基金等都有量化产品推出，但是量化基金的比例还是非常小。即便在2009年，全年新发基金超过100只的情况下，新发的量化基金也仅有4只，数量在2009年的新发基金市场中仅占3％。与指数基金、普通股票基金相比，量化基金可谓是基金市场上的稀缺资源。
2011年，在国内紧缩政策与国外动荡局势的影响下，A股市场呈现结构性震荡上扬的格局。随着市场轮动的提速及内在容量的扩大，精选个股的难度日益加大。在此背景下，定性投资容易受到投资者情绪影响，而定量投资则能够通过计算机的筛选，帮助投资者克服非理性因素，在充分控制风险的前提下应对市场万变。以“人脑＋电脑”为主要构建的量化基金逐渐显现投资优势，今年量化基金异军突起，整体表现不俗。截至4 月6 日， 9 只具有完整业绩的主动型量化基金平均收益率为0.64%，超越同期股票型基金和混合型基金-1.39%、-3.08%的净值增长率。其中，“元老”光大保德信量化核心基金收益率达5.19%。此外，南方策略、中海量化策略、长盛量化红利、长信量化先锋、上投摩根阿尔法、华泰柏瑞量化先行基金也均取得正收益，分别达到4.12%、3.28%、2.60%、2.13%、0.77%和0.16%；仅嘉实量化阿尔法和华商动态阿尔法收益为负，分别为-4.48%、-7.94%。此外，从以往披露的公开信息可以发现，国内量化基金多侧重价值因子，也契合今年低估值大盘蓝筹股领涨的市场格局。
第三部分：解读量化投资
在西蒙斯崛起之前，判断型投资完全占据着主流地位，因为当前全球投资界的三大泰斗当中，无论是价值投资的巴菲特、趋势投资的罗杰斯，还是靠哲学思维的索罗斯，都是判断型投资的代表。但随着西蒙斯的声名鹊起，量化投资开始受到投资大众的重视并呈现出蓬勃的发展态势。但需要指出的是，世界上没有万能的投资方法，任何一种投资方法都有其优缺点，量化投资当然也不例外。定量投资成功的关键是定量投资这个模型的设计好坏，设计的好坏主要由模型设计者对市场的了解、模型构建的了解和模型实践经验来决定的。
量化投资的决策体系
量化基金的成功运作必然依托一个完整而有效的量化体系用来支撑，该体系是数据获取、数据处理、资产配置、组合管理到全程风险控制等诸多环节的有机结合。
我们借鉴海外量化基金运作架构的诸多优点，并结合华泰联合金融工程资深研究员的看法，旨在提供一个适合中国市场特点的量化基金运作架构体系。该体系综合考虑了定性及定量两大主要选股思路，在风险可控下，充分发挥量化投资的优势。
此架构包含以下几个主要层次：
1. 数据提供：量化体系的底层一般是数据接入端口，数据来源于外部数据提供商。
2. 数据预处理：由于中国A 股市场历史较短，数据质量一般，特别是早期的数据较为不规范。因此，在输入模型前必须对数据进行全面的清洗，从而增强数据的有效性和连续性。
3. 资产配置：资产配置是量化基金的核心。不同的投资者具有不同的投资理念，即不同的资产收益率看法。因此，通过构建差异化的因子配置模型来实现差异化的投资理念则充分展现了量化投资的优势和精髓。举例而言，我们可以开发针对不同市场状况（如牛市、熊市、震荡市和转折市）以及不同投资风格（如保守、激进和中庸）的量化模块。这些模块就类似于儿童手中的玩具积木，一旦投资决策委员会确定了战略和战术配置比例，接下来要做的就是简单的选积木和搭积木的过程。模块化投资严格的遵循了投资思路，从而将量化投资的纪律性、系统性、及时性和准确性展露无遗。
4. 投资决策：宏观经济政策对中国A 股市场的表现影响较大，也就是我们常说的“政策市”。针对这一现状，综合考虑定性和定量的宏观判断对于我们选择合适的基金仓位及资产组合将十分必要。一方面，结合宏观及行业分析师对于未来宏观经济的预判以及个别性事件的分析，另一方面，考察既定的一系列量化择时指标和宏观经济指标的最新动向，从而能较为全面的提出投资建议。
5. 组合管理：在对于宏观趋势、战略和战术资产配置的全面考量之后，留给基金管理人的工作将是如何实现在交易成本，投资风险以及组合收益三者之间的最大平衡。
经典量化投资模型综述与评价
目前，由于计算的复杂程度和对速度的要求，量化投资的交易过程通常是由电脑自动来完成的，可在某些方面电脑依然不可能替代人脑。投资若要取得成功，就需要顶尖的大脑来罗织数据、发现规律、编制最快最好的电脑程序；此外，量化投资所使用的模型在用了一段时间之后就会慢慢失效，因为越来越多的“山寨版”会出现，因而需要不断发现新的模型以走在这场军备竞赛的前列，而此时需要的就是配备精良、高速运作的人脑。由此可见，模型在量化投资的整个体系中居于核心地位。近几十年来，西方理论界与实务界均诞生了不少量化投资模型，大力推动了量化投资的发展，这其中又大致可分为三大类：传统的基于经济学意义的模型（structural model）、现代的基于数学、统计学意义以及计算机原理的模型（statistical model）、程序化交易模型。以下就这三者分别予以介绍。
(一)传统的基于经济学意义的模型
这种模型虽然用到了一些数学与统计学的工具， 但其核心思想与前提假设仍然是围绕经济学或金融学原理而展开的。例如，B-S 模型与二叉树模型提供了金融产品定价的新思路，因而也衍生出了所谓的以选择权为基础之投资组合保险策略（option-basedportfolio insurance，OBPI），如欧式保护性卖权（protective put）策略、复制性卖权（synthetic put）策略和一些持仓策略―――买入持有（buy-andhold）策略、停损（stop-loss） 策略、固定比例投资组合保险(constant proportion portfolio insurance，CPPI) 策略、时间不变性组合保障（timeinvariant portfolio protection，TIPP）策略、固定组合（constant mix）策略与GARP（Growth at a Reasonable Price）策略等。
(二)现代的基于数学、统计学意义以及计算机原理的模型
与上述模型相比，这种模型“量化”的倾向愈加明显―――淡化甚至忽略经济学或金融学背景，基本上只是依赖先进的数学、统计学工具与IT 技术构建模型，进而确定投资策略。模型中应用的具体方法主要包括参数法、回归分析、时间序列分析、极值理论、马尔科夫链、历史模拟法、蒙特卡罗模拟法等等。
(三)程序化交易模型
随着金融市场的日益复杂化， 越来越多的复杂交易策略被设计出来，这些交易策略很难通过传统的手工方式执行，于是程序化交易应运而生。程序化交易是指按照预先编制的指令通过计算机程序来完成交易的方式，可以分为决策产生和决策执行两个层面：前者是指以各种实时/历史数据为输入通过事先设计好的算法计算得出交易决策的过程，而后者是指利用计算机算法来优化交易订单执行的过程； 也可以从交易频率的角度，分为高频交易和非高频交易。程序化交易使得复杂的量化交易策略得以实施，优化交易指令的执行，解放人力使之把精力更多地集中到投资策略的研究上， 最重要的是能克服人性的种种弱点与障碍从而保证绝对的“客观性”与“纪律性”。然而，这种交易方式也引起了诸多争议，如对速度的过高要求会造成市场的不公平、巨大的交易量可能会增加市场的波动性、容易产生链式反应、为了盈利可能会制造人为的价格而降低市场的有效性等等。
量化投资的主要策略
增强型指数基金：策略的主要目的还是跟踪指数，希望用量化模型找出能紧跟指数但同时又能小幅超越的组合。
非指数型量化基金：能利用绝大多数好的投资机会，而不需去管组合是否能紧跟指数。
多―空对冲基金：买入模型认为能表现好的股票， 卖空模型认为会表现差的股票。有时可能净多仓， 有时可能净空仓。此策略在对冲基金中很流行。在A股市场中能卖空的股票不多，所以一般只能用期指去对冲。
市场中性的多―空对冲基金：买入模型认为能表现好的股票， 卖空模型认为会表现差的股票。在任何时候净仓位为0，同时在各行业上，大小盘风格上的净仓位都为0。此策略在对冲基金中也比较流行。此策略的波动率非常小，在国外一般会加入杠杆。
130/30基金：一般共同基金采用，即买入130%的多仓， 卖空30%的空仓。
程序化高频交易：利用期指或股价的日内波动进行高频买卖。有些策略是找价格模式，有些是利用交易所规则上的漏洞。
可转移Alpha：主要用在增强型指数基金上，具体是用期货来跟踪指数，一部分多出来的钱投资于风险比较小的能取得绝对正收益的策略上。
市场择时/行业轮动/风格轮动：用数量化模型预测市场/行业/风格的拐点
量化投资和传统投资的比较
天马资产首席数量分析师朱繁林博士表示，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。可以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、稳、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。
医生治疗病人的疾病，投资者治疗市场的疾病，市场的疾病是什么？就是错误定价和估值，没病或病得比较轻，市场是有效或弱有效的；病得越严重，市场越无效。
投资者用资金投资于低估的证券，直到把它的价格抬升到合理的价格水平上。但是，定性投资和定量投资的具体做法有些差异，这些差异如同中医和西医的差异，定性投资更像中医，更多地依靠经验和感觉判断病在哪里；定量投资更像是西医，依靠模型判断，模型对于定量投资基金经理的作用就像CT机对于医生的作用。在每一天的投资运作之前，会先用模型对整个市场进行一次全面的检查和扫描，然后根据检查和扫描结果做出投资决策。
传统的定性投资强调的是基金经理的个人经验和主观判断，相对来说强调基金经理的单兵作战能力。而量化投资主要是用来源于市场和基本面的模型指导投资。
量化投资可以最大限度地捕捉到市场上的机会。而传统的定性投资受到研究员，基金经理覆盖范围的限制。
量化投资借助模型进行投资，比较客观和理性，更不会受市场和情绪影响。
量化投资的可复制性更好。传统的定性投资易受到基金经理，资深研究员人动的影响。
其实，定量投资和传统的定性投资本质上是相同的，二者都是基于市场非有效或是弱有效的理论基础，而投资经理可以通过对个股估值，成长等基本面的分析研究，建立战胜市场，产生超额收益的组合。不同的是，定性投资管理较依赖对上市公司的调研，以及基金经理个人的经验及主观的判断，而定量投资管理则是“定性思想的量化应用”,更加强调数据。
国内量化基金投资风险分析
（一）量化模型质量产生的投资风险
投资模型本身的质量，是量化基金最核心的竞争力。专业人士以为，对于中国这样的新兴市场，量化投资的关键是能否根据市场特点，设计出好的投资模型。然而，已有的量化基金中，大多简单地利用国外已公开的模型，或是用基金公司自有的一些简单模型，在考察市场的有效性上普遍比较欠缺。如中海量化策略和南方策略优化在行业权重配置中均采用的Black-Litterman（BL）模型。这种模型现是华尔街主流模型，亦是高盛公司资产管理部门在资产配置上的主要工具。然而，在国内市场信息搜集等方面局限性较大的情况下，该系统到底是否有效，是否仅是基金公司体现其“专业性”的一个由头，还有待观察。
（二）基金经理执行纪律打折扣所产生的道德风险
好买基金研究中心的一份报告指出，大部分量化基金在择时、行业配置和资金管理等方面并没有采用量化模型，更多的是基金经理的主观判断。观察这些量化基金的契约和季度报告可以发现，基金要么不进行择时，要么根据主观经验进行择时，这在很大程度上无法体现出模型选股产生的效果。
（三）数量化模型滞后产生的风险
量化基金效果如何，无法脱离资本市场环境的成熟度。量化模型的运用有重要的前提条件，是必须在一个相对成熟稳定的市场中运行，这种市场环境下基于历史数据设计的模型才可能延续其有效性。国内股市曾经大起大落，市场结构和运行规律都发生过质变。在这种情况下量化模型有可能跟不上市场本身的改变，严格的量化投资也难以适应变化。这或许是这种舶来品水土不服的一大原因。可以说，早期的A股市场并不适合量化投资理念，而随着市场逐渐成熟，量化投资的优势才开始逐渐显现。近两年量化投资基金数量成倍增加，也是对这一趋势的反映。
篇(4)
2010年初的云南省大旱致使三七大面积受灾。统计数据显示，截至2010年3月15日，三七受灾面积56746亩，占总种植面积的94.5％，成灾面积27503亩，占受灾面积的48.47％。三七从播种到收获要3年以上时间，如果2010年减产，以后的五六年之内整个市场三七的供应都会受到影响。这是这导致三七价格暴涨的基本面因素。恶劣天气的影响导致减产由于担心未来货源，大量的药厂囤积收购，这是主力资金流入。另一方面一些药商的恶意囤积炒作，同时种植三七的农民以及供货商惜售心理确实更加强烈。这是市场共识，因此三七的价格不断持续上涨。
三种力量的共同作用才是三七价格飙升的重要原因。
影响供需的基础是基本面因素，如果企业经营不错，未来被机构投资者看好，那么机构资金会逐步买入这个企业的股票。同时由于买人愿望强于卖出。所以股价不断上涨，而且形成上升趋势。这又导致市场上更多的趋势投资者买入。从而形成市场共识。结果导致价格不断上涨。相反.如果这家企业经营不善，那么想变现的人就比较多，结果就是跌跌不休。
简单的说：
想买的人多==)供小于求==)股价上涨。
想卖的人多==)供大干求==>股价下跌。
所谓基本面分析方法，就是把对股票的分析研究重点放在它本身的内在价值上。基本面分析需要大量的财务分析数据及财务分析经验。普通投资者无法掌握。因此我们在本书里采用量化的基本面分析方法。
一、常用相对量化指标
本节所说的量化相对指标是针对上一节所说的绝对量化的财务指标而言。相对是因为引人了价格要素。即把财务指标与价格的高低进行了联系。
P／E(市盈率)：是衡量股票相对内在价值的一种量化指标，以税后每股收益作分母，股价作分子，所得出的商就是该股的市盈率。一般而言P／E的值越小越好，特别是与同行业比较时更是如此，谁的P／E低就说明谁的股价相对被低估。一般P／E值的标准范围是15－25倍认为合理。
P／BV(市账比)：衡量每一元钱能够买入多少资产的指标，此值越小越好，值小说明此股价风险比较小。一般标准是l 2倍左右认为合理。
P／SR(价售比)：衡量个股主营业务能力的一种指标，此值越小越好，说明今后的业务扩张能力强，一般标准是1左右认为比较合理。
ROE(净资产收益率)：净资产收益率=净利润／平均股东权益，净资产收益率是反映上市公司经营状况的核心指标。透过这个财务指标，投资者可以对上市公司的财务状况做出系统而相对准确的分析，业内称之为杜邦分析系统。净资产收益率是衡量上市公司盈利能力的重要指标，是指利润额与平均股东权益的比值，该指标越高，说明投资带来的收益越高。证监会规定6-10％的配股资格线。因此这个指标往往可以衡量成长能力的关键指标。许多大黑马股票的ROE往往会连续几年高达20％以上。
在线分析师软件里在K线图中点击个股K，就会出现如下个股快速诊断界面，见图，这个界面里，投资者可以快速了解这个股的基本面情况。
以000858~粮液为例，主营业务是白酒。最新分析师报告评价：2010年上半年业绩大幅增长40.91％。2010年预测1.18元／每股。增持评级。
个股的P／E=38.93，而酒行业的P／E=63.34。个股的P／B=8.85，而酒行业的P／B=9.85。也就是说个股的相对评价指标小于行业的相对评价指标。ROE=24.46。
这说明这个股票的基本面不错。当然基本面信号灯就肯定是绿灯了。
二、如何通过P／E选择便宜的股票
市盈率(P／E)作为一个衡量股票投资相对价值的指标。被投资者广泛应用。投资者一般根据个股市盈率的相对高低来评价其投资价值的大小，来进行买卖决策。自有股市那一天起，市盈率便成为评判股价的常用标准。一些观点甚至只以市盈率来衡量股市有无投资价值。投资者在运用过程中，有几个需要注意的问题：
首先市盈率蝴十算公式是：P／E，P代表价格，而E代表每股收益，市盈率能在一定程度上反映出上市公司的投资价值，但有一点应注意的是，既然市盈率是由股价和上市公司业绩之比而得出的，那么就应该对市盈率有动态的认识。
因为如果每股收益E不变，那么股票价格上涨则P／E上升。而如果股票价格不变，当每股收益E上升时，那么P／E就会下跌。因此目前市盈率高并不意味着将来市盈率高。
买卖股票与购买商品一样，买便宜货是大众首选。通过P／E值的高低可以方便的选择便宜的股票，P／E是通过公司的业绩与股价的相对关系来判断一个股票的贵贱。一般而言P／E低于15就是便宜，但是不同的行业P／E值范围是不同的。成长型行业的P／E比周期性行业的高。
以600166福田汽车为例，在2010年7月2日，大势下跌至2373点左右。该股票的P／E是10.97，同期行业P／E是31倍。该股的市销率也小于1(P／SR=0.25)。说明成长性不错。ROE=21.65。可以认为这是比较便宜区域。见下图中的A区域。此时买入到了9月20日卖出。就有20％的回报率。而同期大盘收益不过9％。采用低P／E找便宜选股的策略。可以配合逐步低买的交易策略。
如果一个公司业绩不错，而且低P／E，那么市场人士就可能逐步买入这个股票。现在才10倍左右的P／E，未来可能上涨至30倍P／E。因为汽车行业的P／E=是30倍。可以认为这个比较便宜的股票。
另外还要注意由于周期循环始终是在行业景气还未到高峰之前，股价就先到顶，行业景气未到低谷底之前。股价就先回落见底。所以，在投资周期性股票时，切忌在行业景气高峰期因P／E低而买进股票，也不要在景气低谷底期因P／E过高而放弃低买的投资机会。
还要注意股票的现有价格代表公司未来的收益和股利折现后的现值。未来收益和股利的折现反映着通货膨胀的水平。因此市场的市盈率PE会随着利率波动变化。另外通胀数据也会影响P／E的正常数据。如果通胀率下降，未来收益的现值会增加，投资者会提高市盈率的预期。如果通胀率上升，市盈率及公司未来收益的现值会下降，公司目前的股票价格也会下跌。因此真实的PE=市场平均市盈率+通胀率(CPI)。例如目前的市场平均P／E是15.7，看似不高，但目前CPI(消费者物价指数)是4.5％。那么实际P／E=15.7+4.5=20.2。也就不能够认为目前市场估值偏低。
三、如何通过P／B选择便宜的股票
作为一个常用的估值指标，对于收益为负数的公司，P／E的估值就无法使用了。另外EPS往往比较容易包装。因此我们可以采用P／BV(价格／账面值)比率估价法。
P／BV比率是公司资产市场价值与账面价值之比，反映了资产盈利能力与初始成本之比。其优点在于首先账面价值提供了一个对价值相对稳定和直观的度量.尤其对于那些从不相信未来现金流量折现法的投资者来说。
这里的P是指价格，BV是指上市公司的净资产。如果P／BV等于1，那么说明市场价格等于内在价值。P／BV提供了一个非常简单的估值标准。其次因为P／BV比率提供了一种合理的跨企业比较标准，所以投资者可以比较不同行业中不同公司的P／Bv比率来发现价值被高估或被低估的企业。最后，即使那些盈利为负数，无法使用P／E比率进行估价的企业也可以用P／BV比率来进行估值。
P／B值是从公司的资产角度来判断股票是否便宜。如果公司业绩差营运不好，那么连续的亏损可能使得公司的净值为负。但是如果是优绩股票。因为暂时的下跌使得P／B等于1或小于零。可以认为是底部信号。因为只要公司经营环境还可以，那么公司运作很快就可能恢复正常，业绩就可能提升。市场平均值P／B等于1左右时就是强烈的底部信号。
一般的而言认为买入低P／BV的股票一定抗跌，而买入高P／BV的股票风险比较大，一旦下跌则下跌幅度就比较大。因为如果这股票清盘时，你仍能可依靠变卖上市公司收回你部分投资，但是如果你不幸购买了一个P／BV小于O的股票，那么一旦有清盘事件发生，你将连回家的路费都输光。总的来说从长期看投资低P／BV的股票表现比高P／BV的好。
篇(5)
1.国外研究现状
Robert.LKTiong（1987）对BOT项目风险评价进行了研究，分析了净现值法、专家打分法、决策树法等几种常用的BOT项目风险评价方法，认为对BOT项目进行评价必须要有可行的评价手段同时需要对风险评价的结果有正确的理解。
Dixit（1989）提出费用模型、任务模型、运筹规划模型等科学的BOT项目风险量化模型，在此基础上进一步将BOT项目存在的风险依次划分为国别风险、项目自身风险以及客户风险。
CM Tan（1994）提出基于模糊逻辑技术的BOT项目风险评价模型，并将此方法运用于大型BOT项目的风险评价及控制中验证该方法的有效性。Kitti Subprasm（1994）将模糊数学分析方法运用于BOT项目风险评价中，在此基础上提出可以将模糊数学分析方法用于投标方案的评价。Kumaraswamy（2004）找出影响BOT项目风险的八个主要因素，并针对八个影响因素建立了风险评价模型。
2.国内研究现状
张丹文（2003）运用经济学方法分析了BOT项目的潜在风险，并建立BOT项目风险评价的指标体系，运用层次分析法和专家打分法为各项指标打分赋值，最后得出BOT项目风险值。
齐国友等（2003）认为在BOT项目投资决策中需要仔细考虑项目面临的各种风险。在综合分析现有评价方法的基础上，提出了一种新的投资评价方法，即风险NPV法。利用风险NPV进行评价需要确定NPV服从的概率分布及折现率，根据NPV的概率分布函数进行计算。
王芳（2004）等运用实物期权的思想，在考虑价值评价变量阶段性变化的基础上，通过参数的阶段变化反映变量的阶段变化，基于Lto随机微分方程提出了一种新的BOT项目价值评估方法，为BOT项目的投资决策提供量化标准，便于各项目之间的比较与选择。
王爱民和范小军（2004）在分析BOT项目期权特性的基础上，提出了基于实物期权的评价模型，该模型考虑了项目价值和项目建设成本的动态变化，用于计算BOT项目价值和项目建设成本的双变量项目期权价值。
曾卫兵（2004）用期权理论建立了内资BOT公路项目的投资决策评价模型，进一步用博弈论方法研究并论证了该投资决策评价模型的正确性，最后将其运用到实例中验证其有效性。
3.研究不足
从上述文献可以看出目前研究的一些不足：
（1）风险评价方法的运用没有结合BOT项目的特点，仅是简单的将各种项目风险评价方法直接运用到BOT项目中。BOT项目与一般的项目有所不同，它具有特许期限等特点，在对其进行风险评价时，应该结合BOT项目自身的特点对风险评价方法进行完善。
（2）现阶段常用的BOT项目风险评价方法自身具有一定的局限性。各种风险评价方法都有一定的局限性，在将其运用到BOT项目风险评价中时应针对其局限性对其进行完善，直接将其运用到BOT项目中会导致评价结果出现偏差。
（3）采取建立指标体系通过专家打分确定权重综合评价BOT项目风险的方法，风险评价指标较为单一，将一些不可量化的指标通过专家打分来赋值，主观性较强，最终得出的评价结果准确性较差。
（4）风险评价的数学模型复杂、需要大量的历史数据，但是由于历史原因我国一些资料部门工作不够全面，从而导致对项目进行风险评价时很少有可以借鉴的历史数据，极大程度上影响了项目风险评价的准确性。其次，风险评价的数学模型专业性很强，操作起来复杂，项目的各参与方知识有限，专家对项目风险的分析不能让决策者很好的理解，这样必然会影响到风险评估与风险决策的质量。
4.建议方法—模糊综合评价法
从指标定性与定量相结合的角度评价BOT项目风险，必须综合考察BOT项目的所有主要风险，同时要考虑不同参与方对待风险的态度不同。在基于各参与方的BOT项目风险评价指标体系中，由于各指标的影响因素各不相同，除少数可以通过统计方法获得，大量的指标则只能采用专家评分法。对于这样的评价问题，运用模糊数学的方法，即模糊综合评价法（Fuzzy Comprehensive Evaluation，简称FCE）可以得到较好的解决。
模糊综合评价，是一种基于模糊数学的综合评价方法，即用模糊运算法则，得出一个评判矩阵，并且通过评判函数对受到多种因素制约的事物或对象做出一个总体评价的过程。
模糊评价方法的特点主要表现在：第一，模糊评价方法可以不直接依赖于某一项指标，也不过分地依赖于绝对指标，而是采取比较的方法，这样可以避免一般数学评价方法中，由于标准选用不尽合理而导致的评价结果的偏差。第二，评价指标的重要程度通过权数加以体现，但允许在权数选择上有一定的出入，而不至于改变最终的评价结果。第三，模糊评价中算子的选择和隶属函数关系的确立，使各项参与评价的非量化指标间建立了有机联系，使评价结果能够更好地反映出评价对象的整体特征和一般趋势。
龚洁（2010）将模糊综合评价模型应用于BOT项目投资风险的综合评价过程中，利用其具有结果清晰、系统性强的优点，能较好地解决模糊的、难以量化的问题这一特点，对适合BOT项目中各种非确定性风险因素的综合评价。
参考文献：
[1]Robert L K Tiong. Evaluation of proposal for BOT project[J]. International Journal of Project Management，1987，l5（2）：67-72.
[2]DixitAK， pindyik P S. The risk assessment of BOT project[J]. Harvard Bussiness Review，1989，28（4）：129.
[3]C M Tan. BOT model for instraction development in Asia[J]. International Journal of Project Management，1994，17（6）：377-382.
[4]张丹文.BOT项目可行性评估指标体系研究[D].成都电子科技大学，2003.
[5]齐国友，曾赛星，贾艳红.BOT项目投资决策模型研究[J].建筑管理现代化2003，24（3）：12-14.
[6]王芳，杨乃定，姜继娇.基于lto随机过程的BOT项目价值评估[J].管理评论，2004，16（7）：38-42.
篇(6)
Abstract： Real estate investment project risk has particularity. In reference and summarizing the predecessors' research results， the paper uses improved genetic algorithm to study the real estate investment project risk， quantifies the real estate investment project risk， and makes risk evaluation. The method has the self organization and adaptive etc.， overcomes the shortcomings of subjective factors， and improves the accuracy of the evaluation， so as to give managers more reasonable reference basis， and make the investment decision-making more scientific.
关键词： 房地产项目投资；风险分析；遗传算法
Key words： real estate project investment；risk analysis；genetic algorithm
中图分类号：F293.3 文献标识码：A 文章编号：1006-4311（2013）03-0162-02
0 引言
房地产项目投资的特点是投资量大、周期长、影响因素复杂，投资方在决策时往往较为谨慎，因为一旦出现决策失误其损失将会非常巨大。
从宏观上看，投资项目的风险评价具有全方位、系统化的特征，但另一方面，这一过程中又包含着科学细致的定量化分析的内容。当前国内在房地产风险评估上主要采用的方法有层次分析法、灰色系统分析法、模糊综合评价法等。这些方法的不足之处是其评价结果容易受到人的主观因素的影响。遗传算法因具备了自组织与自适应的特点，其应用领域不断扩大。下面笔者将对房地产项目投资风险评价体系以及遗传运算的运用进行介绍。
1 房地产项目投资风险及评价指标体系
1.1 房地产项目投资风险 房地产项目投资风险指的是由于房地产市场存在许多不确定因素，投资者可能会因此而遭受损失。这种可能性是不利事件发生的概率及其后果的函数，它包括投入资本的损失和预期收益与期望值存在差距。
1.2 房地产项目投资风险评价指标体系 在房地产风险指标的划分上，根据导致风险因素的性质不同，可以划分为经济风险指标、社会风险指标、技术风险指标和自然风险指标。
经济风险指标中所包含的不确定因素主要与经济环境和经济发展有关。社会风险指标指的是由社会区域政策变动、城市规划变动以及公众干预等。人文社会环境的变动，带动房地产市场随之变动，使地产投资商可能因此蒙受经济损失的风险指标。技术风险指标实际是地产项目建设因劳务供求关系的变化、施工技术的可行性和机具设备的更新等技术因素而受到的影响的风险指标。自然风险指标，是指在房地产的建设阶段与运营阶段，由地质状况、地域环境的变化以及诸多不可抗力的自然因素，使房地产投资与经营蒙受损失的风险指标。
2 遗传算法介绍
遗传算法源于生物遗传学，是一种借鉴生物界适者生存，优胜劣汰的进化规律演化而来的随机化搜索方法。与以往的优化算法相比，遗传算法的特别之处和优点在于：
第一，遗传算法没有使用参数本身，而是使用问题参数的编码集进行工作。当在连续函数的优化计算中运用遗传算法时，位串长度和编码方法不仅影响着计算精度，而且还影响着群体中个体之间的距离，并对全局极值的求解造成直接影响；
第二，与传统优化算法不同，遗传算法从问题解的串集进行寻优，而不是从单个解开始，使得覆盖面扩大，有利于全局择优。因此，遗传算法适合求解规模较大的问题；
第三，遗传算法仅使用适应度函数值来评估个体，不需要其它任何先决条件或辅助信息，其操作简单，应用范围较广；
最后，遗传算法没有采用确定性规则，而是采用概率的变迁规则来工作。这种方法适合用来处理离散型变量优化问题。遗传算法包含三个基本遗传算子，即：
①选择：作为遗传算法的一个重要算子，选择体现了优胜劣汰、适者生存的原理。其基本逻辑是适应性强的个体有更高的概率为下一代贡献个体，也就有更大的概率被选作下一代的父本。选择算子能够很好地推动进化过程，因为在选择后得到的新群体，其平均适应性将高于原群体。首先，将随机产生的初始群体按由好到坏排列m个个体，再将最好个体的选择概率定义为q，pj=（1-q）j-1，q′=q/[1-（1-q）m]，ppj=■pk，随机数ξ∈（0，1），若ppj-1？刍ξ？燮ppj，选择j产生下一代。
②交叉：群体中的两个父代个体，其部分字符串交换重组，生成两个新个体。交叉使得遗传算法的搜索能力获得提高。OX法和单点映射法是两种常见的交叉形式。其中，OX法是以随机选取的形式在两个父串中选定一匹配区域，如下式“A”和“B”：A=1 2 | 3 4 5 6 | 7 8 9；B=9 8 | 7 6 5 4 | 3 2 1，
在A的匹配区域前面加入B，然后在B的匹配区域前加入A，由此获得2个子串，如下式：A′=7 6 5 4 | 1 2 3 4 5 6 7 8 9；B′=3 4 5 6 | 9 8 7 6 5 4 3 2 1。
在A′中，依次删除匹配区域后的同类代码，获得如下子串：A″=7 6 5 4 1 2 3 8 9；B″=3 4 5 6 9 8 7 2 1。
单点映射法是随机选取一个交叉点，交叉点前的个体与交叉点后的个体在交叉过程中，部分个体结构进行互换，由此生成两个新个体。
A=2 1 3 | 4 5 6；B=3 1 2 | 4 7 5，
交叉后得A′=2 1 3 | 4 7 5；B′=3 1 2 | 4 5 6。
③变异：为了防止陷入局部解的危险，确保算法的全局最优，在群体中任意选定一对元素以概率交换它们的加工位置，其余元素的位置保持原样。若设定的变异率太大，则可能破坏型式，进而完全变成随机搜索；反之，若设定的变异率太小，则无法引入最初遗传基因组合以外空间的新基因，致使解的搜索空间陷入局部解。变异方法有两种，即对换变异与插入变异。其中，对换变异是在串中任意选定两点，交换其值。插入变异是在串中任意选取一个码，将该码插入随机设定的插入点之间。
篇(7)
约翰·聂夫1964年成为温莎基金经理，并一直担任至1995年退休。在此期间，他将摇摇欲坠、濒临解散的温莎基金经营成当时最大的共同基金。
在聂夫执掌的31年间，温莎基金的总投资回报率为55.46倍，累计平均年复合回报率达13.7%，这在基金史上尚无人能与其媲美。
在退休前，聂夫还一直兼任威灵顿管理公司的副总裁和经营合伙人。聂夫的成功之道，并不在于使用了高深的投资技巧及数学模型，而是广为人知的低市盈率投资法。
对于A股市场的投资者，聂夫的投资之道完全可以复制，因为低市盈率投资法很容易做到量化选股，而且回溯检验的结果相当不错。
我们运用修正过的聂夫选股方法对2005年5月初至2012年12月底的A股市场进行了回溯检验，结果表明聂夫之道在A股市场可以取得44.12%的年化复合收益率，而同期沪深300指数的年化复合收益率只有13.86%，聂夫之道投资法的年化超额收益达到30.26个百分点。
在24个分季度检验区间中，“聂夫之道”跑赢沪深300指数的次数达到16个，占比为66.67%，单季最高超额收益达到56.77个百分点；在8个超额收益为负的检验区间中，单季最高超额负收益只有10.69个百分点。
此外，我们还将“聂夫之道”与公募基金进行了对比。在全部公募基金中，排名第一的是华夏大盘精选，有“公募一哥”之称的王亚伟从2005年5月开始执掌该基金，直至其于2012年5月离开华夏基金。该基金在2005年5月初至2012年12月底的期间收益率达到1149.07%，即2005年5月初买入价值1元的大盘精选基金，在2012年12月底基金净值将达到12.49元。
