量化投资和价值投资精品(七篇)

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和价值投资范文，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)

华尔街从来不乏传奇。2006年,全球最高薪酬收入再次落入一个华尔街人士之手。前数学家、定量化对冲基金经理西蒙斯年收入达到惊人的15亿美元。2009年,另外一群人――高频交易者――帮高盛银行等金融机构赚得盆满钵溢。

这些人,因其使用高等数学手段决定亿万计资金的投向,而在30年前赢得“火箭科学家”名声。在外人看来,他们有些像中世纪的炼金术师:给他们数据,他们还给你美元!

华尔街的数学传说

实际上,在华尔街上管理资金规模最大的量化技术,并非那么不可捉摸:众多公司使用“因子加总模型”辅助他们选择股票。

这种方法大多基于Fama-French的开创性论文,其基本思想很简单:依据各项基本面指标对于历史上超额回报的贡献程度,来决定这些基本面指标在选出“超级股票”上的“有效性”,并据此赋予这些指标不同的权重;按照上市公司指标在全部篮子股票中的排序,再使用上述步骤中获得的权重对其进行加权加总计算。如果该公司的加权之和排名靠前,则表明该公司的基本面指标符合能够带来超额回报的历史模式,从而有望在未来展现强势。

数学模式大同小异,公司之间的竞争主要集中在两个方面:第一,各公司均投入巨资,研制自己的特有指标;第二,研制更加有效、稳定的加总方式。

传统的基本面分析往往要求基金公司雇佣大量分析师,成本高昂。由于每个分析师能够跟踪的公司数目有限,基金经理不得不在较小的股票篮子中进行选择,有可能错失最好的投资机会,投资组合的分散程度也受到限制。同时,依赖基本面分析进行投资管理要求基金经理进行大量的主观判断,人性弱点(贪婪与恐惧)对投资业绩往往产生较大影响,投资业绩波动较大。使用这种方法建构的投资组合往往无法定量化控制每只个股给投资组合带来的风险。从基金公司的角度而言,这种方法对基金经理个人的依赖较大,一旦出现人员变化,基金业绩也往往随之波动。

量化选股方式将投资决策建立在对历史模式的详尽研究之上,克服了上述缺点。其在美国投资界的应用近20年来大幅提升,管理资产额的上升速度为传统方式的4倍。

回归价值投资

然而,过去数年,定量化基金遭遇了重大打击。2007年,最大的定量化机构对冲基金、高盛名下的Global Alpha遭遇了重大损失,几乎清盘。2008年,众多量化基金再遭滑铁卢。笔者在北美也曾主持研制一个包含上百个指标的量化选股系统,但在实践中,却最终放弃。

实战经历指出该类系统的一个致命弱点是,在实战中,哪一类因子何时发挥作用,是不可预测的。有些时候是价值因子占优,有时候是增长因子占优,而何时其影响力出现变化,难以事先预测。其结果就是分析师与基金经理疲于奔命地试图追赶因子影响力变化的脚步,并据此不断矫正模型。如此,基金经理不得不在使用量化系统的同时,使用个人化的随机判断对量化系统进行纠正――这弱化了它本该享有的优势并导致投资业绩大幅波动。

仔细反思,最主要的问题在于,各预测因子被无机地组织在一起,各个因子之间的互相影响却没有被考虑。也就是说,华尔街模型“从数学到数学”,缺乏对投资哲学的深入理解。

量化技术所具有的优势应该被利用,但数学手段应该被视为手段,而不是主导。一个有希望的发展方向,是将量化技术与价值投资哲学相结合,实现“从哲学到数学”式的投资理念。为此,需要在投资哲学上,梳理价值投资理念的本质。

价值投资在国内市场有众多拥护者,也不乏怀疑者。实际上,国内普通投资者对价值投资的理解有值得深化之处。笔者以为,价值投资的本质有二:

第一,价值投资告诉投资者,市场会犯错。以“5毛钱买进1元钱价值”作为号召,价值投资拒绝接受“有效市场理论”。但事实上,在大多数时候市场是有效的。大多数股票的价格正确反映了所有的信息、知识与预期,当时的价格就是上市公司的内在价值。要获得超额回报,必须去寻找市场可能呈现的“异常”,或者说在何处投资者的平均预期可能落空。价值投资就是寻找“未来”与“预期”之间的歧异。量化系统的设计目标是,要有能力淘汰那95%的普通(有效)情况,而把注意力引导剩余的5%――在那里,“未来”与“预期”有最大的机会出现歧异。

第二,价值投资的另一面,是说任何人都会犯错。当我们集中注意力去寻找“超级股票”的时候,是在下一个极大的赌注。这个赌注是高风险的。所以,请记住索罗斯的告诫:“投资者重要的不是做对还是做错,而是在做对的时候赚多少,做错的时候亏多少。”为对冲第一个赌注的风险,需要寻找最大的安全边际――当我们犯错的时,安全边际将保护我们不致尸骨无存。

安全边际是指,市场涨跌的轮回已经测试过所有情景。该公司在完整的牛熊市周期中,由千千万万投资者的真金实银所测试出来的估值空间。因此,安全边际的定义并非相对市场平均水平更低的PE值这么简单。每家公司都不同于别的公司,将不同公司的估值水平相比较,更多时候带来误导而不是洞察力。应该将公司目前估值水平与该公司调整后的历史范围相比较,并决定“安全边际”存在与否。

在实践中,要寻找在未来可能提供业绩惊喜、而仍在其估值范围下限附近交易的公司。依据此思想,数量化技术可以对所有上市公司的投资机会予以量化评估,进而实现“从哲学到数学”的投资思路。

对中国股市独特性的夸大导致某些论者以为,在中国股市,唯有投机可以赢得超额利润。这其实是伪命题。事实上,正是由于中国股市效率较低且风险奇高,一个系统化评估市场错配与风险衡量的系统,可以发挥最大效率。一切都取决于对市场运行规律的深入把握与技术优势的结合。在实践中,我们开发的量化价值投资体系取得了稳定超越指数的优良业绩。这有力地证明,中国股市的特殊性并没有遮盖其作为投资市场的普遍性。

在股市投资这项人类活动中,同时存在着两类知识。一是客观知识,即可以凭借科学(数学)方法来发现的真实;二是主观价值,即通过对价值的认定来获得的完善。在证券分析方法的演进过程中,这两类知识从最初的混沌不分,到此后的分裂和截然对立,再到两者被有机结合。

篇(2)

摘 要 自2010年4月股指期货推出后，数量化投资逐渐成为我国资本市场的一个热点。对此，本文以投资者熟知的MACD指标为基础，运用遗传算法和模拟退火算法，建立了一个数量化投资模型。该模型的仿真投资收益明显超出大盘，而风险明显低于大盘。本文基于MACD指标建立数量化投资模型的方法简单、有效，可操作性强，可方便地推广至其他技术指标，在数量化投资领域中可能具有广泛的发展前景。

关键词 数量化投资 MACD 遗传算法 模拟退火算法

一、研究背景

与传统投资基于各方面信息和个人判断进行操作不同，数量化投资将适当的金融理论、投资经验等反映在数量模型中，然后利用程序软件代替大脑对海量信息进行科学处理，总结归纳市场规律，最终建立可以重复使用的、不依靠个人主观判断的投资策略。

由于数量化投资的操作策略往往经过了严格的验证，具有较强的系统性和规范性，主观随意性较少，风险可测可控，因此随着计算机数据处理能力的迅速提高，数量化投资获得了快速发展，数量化基金的规模亦迅速扩大。据统计，自2003年以来，数量化基金规模的年均增长速度高达15%，而传统型基金规模的增长速度则低于5%。

很显然，科学的数量模型是数量化投资成败的关键。当前，主流的数量模型均考虑了多方面的因素，既包括各种基本面因素，又包括各种技术因素，涉及较为高深的经济学、金融学、技术分析等知识，模型都比较复杂，理解难度较高，甚至令人望而生畏。对此，本文以人们熟知的技术指标为基础，通过引入遗传算法和模拟退火算法对参数进行优化，建立了一种较为简单、有效的数量模型构建方法，希望能为推动我国刚刚起步的数量化投资发展有所帮助。

二、模型框架

由于MACD指标以经平滑后的股票价格为基础，而股票价格包含了绝大部分的基本信息和技术信息，因此本文以MACD指标为基础研究建立相应的数量化投资模型。

（一）MACD公式

MACD是投资者最熟悉的技术指标之一，主要包括EMA、DIF和DEA三个指标，涉及一个已知变量（收盘价P）和三个未知参数（ 和 ），公式较为简单。

（二）决策准则

虽然MACD指标的运用方式有很多种，既存在对指标值的应用（如比较DIF和DEA的大小），又存在对形态的应用（如底背离、顶背离等）。对此，本文制定的决策准则相当简单，即：

时，做多

时，做空

三、模型参数优化

（一）参数的科学取值是决定MACD指标投资决策价值的一个关键因素

在一般的技术分析参考书和交易软件中， 和 通常取12、26和9。然而，该取值并不是最优的。

例如，以2005年1月5日至2010年12月31的沪深300指数为例，根据（公式1）和（公式2），做多业务在 和 取值12、26和9时，可获得的投资收益为230.55%（收益①）；而在 和 取40、195、130时，可获得的投资收益为651.98%（收益②）。

因此，参数取值是否合理决定了使用MACD指标进行投资决策时投资收益的高低，决定了MACD指标的投资决策价值。

（二）人工智能算法在技术指标参数优化领域中的突出优势

运用MACD指标建立数量化投资模型的关键在于对公式中的三个参数进行优化。然而，虽然参数取值与投资收益间存在确定的函数关系，但该关系并不能用一个表达式予以直接阐述，因此传统的解析方法在此并不适用。而其他传统方法如随机法和穷举法的优化效率不高。在此情况下，可运用人工智能算法有效解决此类优化难题。

遗传算法（Genetic Algorithms）和模拟退火算法（Simulated Annealing Algorithms）是人工智能的重要分支，两者均从一定的初始值开始，按照明确的规则搜索最优解，并不要求目标函数存在明确的表达式，且具有高效、鲁棒性强等特点。由于技术指标参数与投资收益间的关系相当复杂，不存在明确的函数关系式，因此遗传算法和模拟退火算法在技术指标参数优化领域中具有很高的应用价值。

此外，遗传算法和模拟退火算法的基本原理和运算过程虽然较为复杂，但其运用却相当简单，MATLAB等数据处理软件均提供了现成的工具箱供用户方便地使用，且即使不掌握参数优化的原理和运算过程，也不会对数量模型的研究产生重大影响，因此运用遗传算法和模拟退火算法对技术指标参数进行优化的可操作性强。

（三）遗传算法和模拟退火算法应用举例

1.MATLAB指令

假设投资收益R和参数 、 间的关系为R=gain( 、 )，则MATLAB的遗传算法指令和模拟退火算法指令分别为：

[x,fval] = ga(@gain,nvars, [],[],[],[],lb,ub,[],options)；

[x,fval] = simulannealbnd(@gain,x0,lb,ub,options)。

其中：

x和fval是程序返回值，分别为参数 、 的最优化取值及其所对应的投资收益；

gain是目标函数，可根据（公式1）、（公式2）和（公式3）编写；

nvars是待优化的参数个数；

x0是参数 、 的初始值；

lb是参数的下界；

ub是参数的上界；

options是MATLAB指令的设置选项。

篇(3)

关键词：托宾Q理论 美联储 货币宽松政策

中图分类号：F820

文献标识码：A

文章编号：1004-4914（2016）09-180-02

国际货币基金组织的研究报告对货币政策通过房地产行业进行传输的渠道进行了总结。一国利率的变化将直接或间接影响国内的需求，直接的方式是：通过成本的改变以及信贷获得的难易程度影响住宅建设和家庭支出；间接的方式是：通过改变房屋价格来实现。房屋价格的变化反过来会影响整体需求，方式是改变住房投资的激励机制（托宾的Q理论效应）和改变家庭使用抵押物价值的能力来减少其获得消费的资金量。货币的传导中有关大国货币政策影响小国经济表现的文献中，利用冲击反应函数及变数分解等，探讨美国货币政策对美国本身的贸易收支和总体经济的实质效果。实证结果显示，美国货币政策短期会造成美国贸易赤字，而在长期贸易会呈现盈余的情形。

一、托宾Q理论的概述

托宾的Q理论和投资支出之间有着一种关联。Q理论是一种投资模型，一般用于财政，假定投资任何资产是一个函数Q比率：资产的市值与其重置成本的比。

MVt：市场价值；MCt边际成本或重置成本。

因资产多样化外加层层包装的架构下，一般投资大众对于该项凭证所产生的风险根本搞不清楚。当时的美国由于低利率政策，加上大量的外资不断的流入，创造出宽松的信贷条件，而政府又鼓励负债融资性消费，导致投资银行为了赚取高利房贷，不断对其信评较差的客户进行贷放，但当这些信评较差的客户还不出钱时，银行只好拍卖这些因次级房贷所形成抵押债权重新包装后所形成的商品，也就是所谓的不动产投资信托凭证。

二、基于托宾Q理论的美联储货币宽松政策

金融危机过后，美国联邦储备系统（Federal Reserve System，简称美联储），对外以刺激经济复苏和支持劳工市场为由，通过多次量化宽松政策，逐步增加每月对美元抵押贷款支持证券的购买量。经济学家提出，货币政策通过对普通股价格的影响而影响投资支出。詹姆斯・托宾发展了一种有关股票价格和投资支出相互关联的理论，通常称作托宾的Q理论。托宾把Q定义为企业的市场价值除以资本的重置成本。如果Q很高，那么企业的市场价值要高于资本的重置成本，新厂房和设备的资本要低于企业的市场价值。这种情况下，公司可发行股票，而且能在股票上得到一个比正在购买的设施和设备要高一些的价格。由于厂商可以发行较少股票而买到较多新的投资品，投资支出便会增加。

货币政策如何会影响股票价值呢？很简单，当货币供给增加时，社会公众发现他们持有的货币比所需要的多，于是就会通过支出来花掉这些货币。去处之一就是股票市场，社会公众会增加对股票的需求从而提高股票的价格。把这一点和上述事实――股票价格（Ps）愈高，则Q愈高，从而投资支出I也愈高――相结合，得出下面的货币政策传递机制：

当Q>1时，股价高，公司价值高于重置成本，相对企业市值而言，新的厂房和设备比较便宜，企业愿意通过购买资产来扩大投资。

当Q

在传统货币政策受阻时，美国Fed采取直接向民间商银购入中长期资产，并设定目标来直接影响中长期利率（及实质利率），通过通膨预期、财富管道、信用与汇率管道等，来传递货币政策效果。当量化宽松（QE）政策实施后使得市场上产生了预期的通货膨胀率，当预期的通货膨胀率产生时，市场上同时预期了中长期利率将会下降，导致市场上资金流出美国，当资金流出时造成市场上利率降低。因利率降低反而造成市场上需求增加，同时使得当期的股票价格和不动产价格上升。由于实质利率下降，当资产价格上扬时也造成家庭财富、资产净值以及银行担保品价值增加。最终造成消费、投资以及银行放款增加。而预期长期利率降低同时使得国内资金流出，造成美国汇率贬值，促进出口增加，且当长期利率降低时也造成民间投资增加。进一步激励美国国内经济活动而改善失业率。

采用美国房贷违约率、房价成长率、失业率、实质国内生产毛额及联邦基准利率为变量，利用模型中的因果关系检定、冲击反应分析及预测误差变异数分解法，进行研究美国货币政策对总体经济变量和房屋市场的传递效果。结果发现在紧缩性货币政策下会造成房贷违约率的增加以及房价的下跌。而全局变量中可知，失业率、国内生产毛额对房屋市场也有一定程度的影响。从冲击反应分析中可以发现房价与房贷违约率呈负向关系。托宾Q理论贯穿资本市场的价格机制与套利投资机制之中，把企业与资本市场紧密地联系起来。托宾Q理论的含义是丰富的：企业的市场价值发现和价值确定不仅是企业投资决策的依据，而且还是企业优化资本配置和优化产权或所有权结构配置的依据。股票价格的高低成为了左右企业进行套利投资的关键因素，也就Q定了企业能否利用资本市场达到资本升值，迅速扩大规模的目的。同时，资本市场在企业资本配置与产权或所有权动态转换中也必然将达到均衡――资本市场在托宾Q值等于1时达到无套利均衡，企业股票价格反映了资本的真实价值，企业在重置资本与并购企业之间的选择没有差异。托宾Q值也必将围绕资本市场的均衡点上下波动。

三、结论

综上，量化宽松政策的最直接的目的，是增加货币供给，刺激支出；但是，中央银行同时还有目的地选择它用新创造的货币购买的证券的类型，影响这些证券的价格，改变经济中的信贷条款。托宾Q理论更新了传统的投资理念，企业之间并购和出售的套利行为是一种全新的投资思维，企业产权或所有权也在动态转换中达到最优配置。

参考文献：

[1] 向松祚.从三大经典货币理论看量化宽松政策[J].金融博览，2016（4）

[2] 胡晓，蒋华丰.宽松货币政策对我国要素收入分配的影响――基于经济非瓦尔拉斯特征的理论分析与实证检验[J].西部论坛，2016（2）

[3] 姚婷.2008-2014年美联储量化宽松货币政策的理论价值和政策意义：文献述评[J].金融理论与教学，2015（2）

[4] 李宗怡.试析美联储量化宽松货币政策的理论基础及矛盾――现代货币数量论视角的批判[J].河北经贸大学学报，2013（6）

[5] 刘瑞.日本长期通货紧缩与量化宽松货币政策――理论争论、政策实践及最新进展[J].日本学刊，2013（4）

[6] Forrest Capie，Terence C.Mills，Geoffrey Wood.Gold as a hedge against the dollar[J].Journal of International Financial Markets，Institutions & Money.2013（4）

[7] 马冀勋.托宾的Q投资理论与资本市场均衡机制.中央财经大学学报，2008（10）

篇(4)

（辽宁对外经贸学院，辽宁 大连 116052）

摘要：随着沪港通的正式实施，中国股市交易量不断创历史新高.同时在世界石油价格持续降低的情况下，投资策略显得十分重要.本文重点分析策略指数投资在股市投资中的运用.

关键词 ：投资组合；股市；策略指数投资

中图分类号：F830.59文献标识码：A文章编号：1673-260X（2015）05-0068-03

1 策略指数投资介绍

2014年末随着股市行情的走强，指数化产品迅速摆脱前几年净赎回的颓势，呈现爆发式快速增长.伴随着规模的迅速扩张，结构上也出现了一些变化.其中策略指数产品尤其引人关注.广发中证百发100指数基金在开放募集后2天即超过20亿元，显示市场对特定方式策略指数投资的热情追捧.策略指数投资，在国外又称为Smart Beta，即“聪明”的Beta，是相对于“传统”的Beta策略而存在的一种投资理念.传统认知上的Beta是指一种全市场投资组合的系统性风险，在CAPM中以全市场所有股票的市值加权方式计算（market capitalization weighted）.比如标普500指数、日经指数、以及在国内最具代表性的沪深300指数.通过简单的推演，就可以论证市值加权并非是最优的方法.市场对股票的定价并非完全有效，那么市值加权的方式倾向于给高估的股票以更高的权重，而低估的股票以更低的权重，显然这种方式并非是最优的.在这一点上，Hsu（2006）已经给出严格的论证.事实上，市值加权更加注重的是投资机会的市场容量（capacity），因此该类指数更多地被用作投资的业绩基准.那么，如果将投资组合更换成一种非市值加权的方式，其得到的beta就是smart beta，相关的投资策略就称为策略指数投资.这种smart beta指数中的股票权重往往是通过特定的量化算法获得，看起来投资效果会比传统的市值加权beta更加实用，相关的投资策略也往往会选择市值加权指数作为投资业绩的基准.

常见的Smart Beta策略包括价值策略、低波动策略、分散化策略、动量策略等.其中价值策略是以一些股票的价值指标为加权方式，目标是选择一些基本面满足特定属性的股票构成组合.比如基于财务基本面评分的基本面加权，或基于分红率的红利加权等.低波动策略的目标是构建一个最低或较低波动率的投资组合，通常包括最小方差目标加权、波动率倒数加权等方法.分散化策略的目的是提高组合中股票的分散度，应用最广的是等权重策略.动量策略在国外也是一种常见的策略，因为国外市场上验证发现动量因子非常有效，因此会选择以动量因子来作为股票选择和加权的方式，见表1.

据统计，美国近三年新发行的Smart Beta策略投资产品规模约在600亿美元，大致与市值加权的指数产品规模相当，策略也主要以红利、等权重、基本面、低波动为主.而国内近年来策略指数投资产品发展也非常迅速.中证指数公司针对主要的Smart Beta策略进行了验证，证明Smart Beta策略确实能大概率上击败以市值加权的沪深300指数.其中表现最好的是低波动相关策略，包括300最小方差、300低贝塔、300低波动.

2 资产配置下的策略指数投资

根据经典的CAPM模型我们知道，股票资产的收益率取决于其承担的市场风险大小Beta，而无法被解释的部分则为Alpha.但随后的诸多研究发现，各种股票之间的Alpha具有异常的高相关性特征，或许存在市场因子以外的其他因素在影响股票资产的收益率.随后发展的Fama-French三因素模型提出在市场因子以外，价值因子和规模因子也是非常显著的.后来又将动量因子补充进来，从而形成四因素模型.

自此，风格因子投资的概念逐渐被学术界与投资界所广泛接受.事实上，自从1970年代以来，国外就开始萌生基于这种理念的主动投资管理.投资业界在三因素模型基础上开发了非常有效的线性因子投资模型，如Barra公司将国家地域因子、宏观因子、概念风险因子等逐步纳入到其风险评估模型中.随后，学术界又逐步发现了更多有效的风险和策略因子，如低波动率、低流动性、基本面因子等.人们也逐渐发现，原来投资界以往的诸多策略产品实际上并非是提供了有效的Alpha，而只不过是将各种风格因子的beta巧妙包装成投资能力的Alpha来推销给投资者.

在这样的视角上，资产配置投资就自然而然地成为投资方法的主流.我们对资产的看法不再是其表面上所呈现出来的风险与收益特征，而是其特定或持续暴露的风险因子敞口，比如价值因子敞口、规模因子敞口等.如果投资者能够设定自己的风险预算，明确其将在各种风险因子上的敞口，就可以从市场上选择合适的股票、策略指数产品，经过合理的搭配而形成组合.这样的投资组合在风险上是可控的，从而将投资引入了一个新的配置时代.

因此，基于特定量化策略的Smart Beta策略指数投资开始风靡.这些指数投资产品不仅能够提供超越传统Beta的收益表现，更重要的是它们满足了投资者的资产配置需求.这些产品的透明性好、费用低廉，并且突出地暴露到某一个特定的风险因子上.比如在红利策略中，通常会选择那些分红率最高的股票进入组合，并给予高分红股票更高的权重，这样就使得组合在价值因子上产生了显著的风险敞口.在等权策略中，全部入选组合的股票无论市值大小都给予相同权重，从而导致小盘股获得比市值加权指数更高的权重，导致组合在规模因子上产生显著的风险敞口.波动率倒数加权策略则会给予波动率较低的股票更高的权重，从而整体上降低组合的波动性风险，因此也在波动率因子上产生显著的敞口.投资者在把握这些策略指数产品的风险特征后，就能够方便地构建自己的组合配置，反过来也促进了策略指数投资的快速兴起.

然而，Smart Beta策略指数产品也并非完全的“聪明”.在某一段时间内，也许特定的策略指数能战胜市值加权组合，使得它看起来非常“聪明”，但在另一段时间内该策略指数可能会落后市值加权组合，使得它看起来也不是那么“聪明”.这是因为策略指数产品通常会有严重的风险因子敞口，因此其业绩也随着风险因子的表现而起伏不定.可能有一些因子长期来看存在明显的超额收益，导致这些策略看起来非常具有吸引力.

针对几个主要的风险因子，测算了2006-2014年间的表现.表3中我们发现小盘因子是中国A股市场上长期表现最好的，但其波动率也比较大.价值因子、反转因子、基本面因子的长期表现也非常好.然而，表4测算了这些因子表现的相关性，发现各种因子之间的相关性非常低.并且单一因子的信息比率都无法达到2以上，这就表明单纯使用一个因子，即使是表现最好的小盘因子也依然无法达到满意的投资效果.

因此，风格偏向非常明显的策略指数投资产品也即往往会随着市场风格的切换而发生特别明显的波动.但是，如果投资者能够设定自己的风险预算约束，就能够合理地选择多个策略指数投资产品来构造自己的组合基金.组合基金利用不同产品风险敞口的低相关性来降低组合的波动风险.

3 组合基金投资

组合基金是能充分利用策略指数投资产品的优势，同时又充分控制和分散风险的一种很好的方法.目前国内兴起的量化投资基金很多策略就是试图去搭配不同的风险因子，希望在控制一定的风险暴露基础上，追求更高的收益.然而我们发现，这些策略大多数仍然是存在明显的风险暴露.

我们选择2014年表现最好的三只公募基金：华泰柏瑞量化指数、大摩多因子、长信量化先锋.可以发现，虽然这三只基金在2014年、2013年表现较好，但在2011年、2012年里普遍较弱.其主要原因是这些基金普遍在小盘因子上有很强的暴露，2013-2014年里小盘因子表现很强，但2011-2012年里价值因子表现更好.表6拆解了三只基金的全部持仓的自由流通市值分布，不难看出大摩多因子与长信量化先锋在小盘股上偏向非常明显，而华泰柏瑞量化指数向小盘的偏离较小.

我们选择其中业绩记录较长的大摩多因子、长信量化先锋，另外搭配两只偏向价值的策略指数基金：华宝兴业上证180价值ETF、银河沪深300价值.以等权重在四个产品之间搭配，构造一个混合的组合基金投资产品（FOF）.

经过计算，不难看出两个偏向价值的基金产品在2011和2012年明显好于两只偏向小盘的量化产品，但在2013年和2014年里表现弱于量化产品.经过等权构造后，FOF组合在2011-2014年间均能取得正的超额收益，更重要的是其信息比率提升到了2.20，远远高于四只产品各自的信息比率，这说明经过搭配后，资产组合的收益风险表现得到了明显的提升.

4 结论

策略指数投资的Smart Beta正逐渐成为市场上非常重要的一类产品，因其风格特征显著，在特定的市场环境下提供“聪明”的Beta收益而逐渐受到投资者的热捧.然而，单一投资策略指数产品并不能提供稳健的收益，可以考虑在资产配置的目标下合理搭配策略指数投资产品，获取更加稳健的收益.

参考文献：

〔1〕郑鸣,李思哲.我国基金风格投资的积极风险补偿研究[J].厦门大学学报(哲学社会科学版)，2010(02).

〔2〕蔡伟宏.我国股票市场行业指数超额联动的实证分析[J].南方经济，2006(02).

篇(5)

2016年以来，A股震荡明显加剧。如何更好地规避风险、保住前期浮盈，成为投资者最关心的话题。在此背景下，一些收益稳定、回撤控制能力强的量化产品就成了投资者稳健配置的首选。据《投资者报》数据研究中心对全市场成立于2016年前的67只量化产品（A、C类分开计算）的区间复权单位净值增长率、以及区间复权单位净值相对大盘增长率的统计数据显示，截至5月13日，华宝兴业基金旗下的华宝兴业量化对冲策略混合型发起式基金A/C（以下简称“华宝量化对冲”）在全部67只量化产品中业绩表现最好，其区间复权单位净值相对大盘增长率均超过了20%。

震荡市场上的投资利器

对于旨在获取绝对回报的华宝量化对冲来说，完全称得上是震荡市场上的投资利器。

据公开资料显示，自2014年9月成立以来，华宝量化对冲基金已成功穿越4次股市大劫：在2015年1月下旬、4月下旬、6月中旬、以及2016年1月上旬的A股大幅调整中，平稳规避了风险，历次净值涨幅超越沪指均在5个百分点以上（数据来源：Wind；截至：2016.4.22）。

此外，值得一提的是，现任基金经理徐林明，证券从业经历14年，除了担任华宝兴业量化对冲基金、上证180价值ETF及联接基金、华宝兴业事件驱动的基金经理外，还是华宝兴业基金的助理投资总监兼量化投资部总经理。据业内人士介绍，徐林明长期从事主动量化策略研究和量化投资工作，在择时、行业配置和选股领域有较深入的思考和研究，总体负责量化对冲的投资运作和量化模型开发。

谈及当前的投资操作，徐林明表示，“2016年以来股指期货负基差结构仍然存在，在此局面下，华宝量化对冲继续保持低仓位运作，股票部分用于满足申购新股的市值要求，同时对这部分头寸，利用股指期货对冲系统性风险。一季度华宝量化对冲的资金主要投资于低风险的标的或者现金管理，并积极参与新股申购、可转债申购、协议存款、隔夜回购等，力争在风险可控的前提下实现净值的稳健增长。”

业内创新量化投资专家

实际上，华宝量化对冲成立自以来，其净值一直稳步上升，虽然，期间受到市场基差扰动有一定回撤，但很快就回归正常，这显然得益于旗下强大的创新量化投资专家团队。

篇(6)

“与汇添富那只产品的纯主动性相比，我们这只产品是有量化约束的。” 泰达宏利逆向策略股票型证券投资基金焦云在接受时代周报记者采访时表示，该基金运用定量分析和定性分析相结合的方法构建股票备选库，以明确定量、定性分析的具体运用领域把量化策略贯彻到投资的全过程中，回避受市场热捧而价格超高的个股，把握事件冲击等逆向投资机会。

据了解，这也是泰达宏利旗下首只量化基金产品。今年以来，跌宕起伏的行情持续考验基金投资管理能力。然而量化基金表现却一枝独秀。银河数据统计显示，2012年一季度，上证综指上涨2.88%，同期标准股票型基金平均业绩为0.31%，而量化基金的平均业绩为2.92%。

逆向投资正当时

“其实对于逆向投资策略，投资者并不陌生，巴菲特名言‘在别人恐惧时贪婪，在别人贪婪时恐惧’就是逆向投资思维的一种表述。”泰达宏利逆向策略基金拟任基金经理焦云告诉时代周报记者，逆向投资策略就是对抗人性从众的心理弱点，避开机构扎堆的热门股、题材股，寻找被市场忽略或股价被严重低估的成长类股票。

在焦云看来，逆向投资强调的不随波逐流，不是简单的和市场趋势作对，也不是简单的掘金冷门股，而是在研判大势的基础上，对上市公司本身的投资价值进行分析，以适当价格介入股价被严重低估的股票，获取估值回归带来的投资收益。

焦云指出，在市场整体震荡，短期内板块频繁轮动的情况下，每一种投资思维都能在市场中占有一席之地。逆向投资策略瞄准被市场忽视、低估、看空的“非主流”股票，极有可能挖掘出一些蕴含着巨大投资潜力的个股，捕捉一些结构性的投资机会。

据焦云介绍，逆向投资在海外已有30多年的发展历史，经过行为经济学先驱丹尼尔・卡纳曼和“逆向投资之父”戴维・德雷曼的努力，逆向投资理论从一种交易策略上升为一种主要的投资策略，据彭博社数据统计，现在全球已有100多只逆向投资基金，规模超过百亿欧元。

1月份，华安基金也申报一只逆向策略股票型基金，目前正在证监会报批程序中。分析认为，受欧债危机、全球经济增长放缓、国内经济结构转型等因素影响，A股在未来较长时期内都将维持宽幅震荡的局面，但其中不乏个股结构性投资机会，这一市场格局为逆向投资策略提供了好机会。

量化基金扩容潮起

除了泰达宏利，今年以来已有多家基金公司已经开始在量化产品方面布局。比如工银瑞信3月刚刚发行了旗下第一只量化基金―工银量化策略股票基金；富国基金开始大力打造旗下围绕量化投资的子品牌。

所谓量化投资，是指通过建立数学模型并应用量化分析方法进行选股和操作管理。量化投资在海外已有逾30年历史，但在国内市场，自2004年光大保德信发行光大保德信量化核心基金才正式起步，至2009年底，量化基金方才相继跟进成立，并迅速发展壮大。据好买基金研究中心数据统计，截至目前，已有16只量化基金成立。

“主要是现在公募基金产品发行越来越多，同质化现象较严重，相较而言，独辟蹊径的量化产品显得吸引力更大。此外，今年年初以来量化基金的不错业绩也支撑了这波扩容。”好买基金研究员刘天天告诉时代周报记者。银河数据统计显示，2012年一季度，上证综指上涨2.88%，同期标准股票型基金平均业绩为0.31%，而量化基金的平均业绩为2.92%。

“在量化投资领域，出现了很多杰出的投资者，如詹姆斯・西蒙斯。” 有着8年海外量化投资经验的工银基本面量化基金经理游凛峰表示，“他们依靠数学模型和神秘的公式扫描市场，捕捉机会。”据了解，詹姆斯・西蒙斯管理的大奖章基金1989-2007年均收益率高达35%，而“股神”巴菲特在同期的平均年回报大约为20%。

在游凛峰看来，量化投资的优势非常突出，未来将会有更多的基金经理进入数量化选股这个领域，通过采用计算机辅助的投资组合优化模型。

篇(7)

今年以来,A股市场反复震荡调整,而且热点凌乱,令多数投资者无所适从,深感“不是我不明白,这世界变化太快”。同时,基金整体业绩也表现不佳,标准股票型基金和普通股票型基金净值分别下跌1.37%和0.38%。然而,在此环境下,仍有不少基金实现正收益,表现抢眼。

据银河证券数据统计,截至4月16日,标准股票型基金今年以来的净值平均增长率为-1.83%,而成立于2009年6月、国内首只采用全程数量化投资的中海量化策略股票基金却取得了3.08%的正收益,并显著领先于其它同期成立的基金。

继一季度中小板一枝独秀之后,市场上又出现蓝筹行情开始启动的声音。在市场预期扑朔迷离的情况下,中海基金认为,依靠单个研究部门分析的方式,将受制于精力和视野局限,很难全面覆盖整个市场,更难以做到适时把握个股和板块机会,而市场风格的突然改变,必将迫使基金调整重仓股和行业结构,这样的市场环境将非常适合数量化基金的投资操作。

中海量化策略股票基金的基金经理李延刚解释说,首先,量化管理的基金选股着眼全市场的股票,使其能更全面的选择有成长潜力的股票,不存在由于市场风格突然变化而不适应的问题。

其次,一季度中小盘板块的强势拉升,目前的估值水平分化较大,风险正逐步凝聚。量化基金通过预先设定的绩效目标、风险水平等方面参数来定义投资组合模型,筛选符合要求的股票,可以保证有效控制风险。

李延刚强调,传统的定性投资管理依赖对上市公司的调研和基金经理个人的主观经验判断,而量化投资管理则是“定性思想的量化应用”,依据投资模型来做出投资决策,每一项决策都有大量的数据支持,结果较为科学准确,一定程度上避免了人为干扰。