量化投资基础入门一.docx
- 文档编号:3136345
- 上传时间:2022-11-17
- 格式:DOCX
- 页数:6
- 大小:24.21KB
量化投资基础入门一.docx
《量化投资基础入门一.docx》由会员分享,可在线阅读,更多相关《量化投资基础入门一.docx(6页珍藏版)》请在冰豆网上搜索。
量化投资基础入门一
量化投资根底入门〔一〕
讲起量化投资,就不得不提华尔街的传奇人物——詹姆斯·西蒙斯(JamesSimons)。
这位慧眼独具的投资巨擘,有着一份足以支撑其赫赫名声的光鲜履历:
20岁时获得学士学位;23岁时在加州大学伯克利分校博士毕业;24岁时成为哈佛大学数学系最年轻的教授;37岁时与中国数学家陈省身结合发表了著名论文?
典型群和几何不变式?
,并创始了著名的陈—西蒙斯理论;40岁时运用根本面分析法设立了自己的私人投资基金;43岁时与普林斯顿大学数学家勒费尔(HenryLaufer)重新开发了交易策略并由此从根本面分析转向数量分析;45岁时正式成立了文艺复兴科技公司,最终笑傲江湖,成为勇执牛耳的投资霸主。
这段看似青云直上的成名之路,再次为世人印证了一个道理——当代的技术创新,其实大多源自跨越学科的资源整合,而非从无到有的创造创造。
详细说来,即使睿智如西蒙斯,在最初之时,他也没有直接想到运用量化方法投资,而是和众多投资者一样着眼于外汇市场,但野心勃勃的西蒙斯并不甘于只是简单因循传统的投资策略。
随着经历的不断累积,他开场考虑,为何不运用他最为熟悉的数学方法来搭建投资模型,从而可以科学精准地预测货币市场的走势变动?
这一大胆的跨学科尝试,最终彻底改变了他的人生走向。
通过将数学理论巧妙交融到投资的实战之中,西蒙斯从一个天资卓越的数学家摇身一变,成为了投资界中首屈一指的“模型先生〞。
由其运作的大奖章基金(Medallion)在1989-2021的二十年间,平均年收益率为35%,假设算上44%的收益提成,那么该基金实际的年化收益率可高达60%,比同期标普500指数年均回报率高出20多个百分点,即使相较金融大鳄索罗斯和股神巴菲特的操盘表现,也要遥遥领先十几个百分点。
最为难能可贵的是,纵然是在次贷危机全面爆发的2021年,该基金的投资回报率仍可稳稳保持在80%左右的惊人水准。
西蒙斯通过将数学模型和投资策略相结合,逐步走上神坛,创始了由他扛旗的量化时代,他的骤富神话更让世人对于量化投资有了最为直观而粗浅的认识:
这能赚钱,而且能赚很多钱。
“文艺复兴〞的能否真的“复兴〞?
但金融行业瞬息万变,老天也没有一味垂青这位叱咤风云的“模型先生〞。
自2021年以来,由西蒙斯掌印的文艺复兴科技公司可谓祸事不断,厄运缠身。
其麾下的“文艺复兴机构期货基金〞(RIFF)在2021年仅实现盈利率增长1.84%,到2021年,更是破天荒的亏损了3.17%,这一亏损幅度甚至超过了同年巴克莱CTA指数的平均降幅(1.59%)。
RIFF主要通过全球范围的期货和远期交易来实现绝对收益,虽属于文艺复兴公司旗下规模较小的基金产品,但作为公司的明星〞印钞机“,其回报率竟会一下暴跌至行业平均程度,难免让众人始料不及。
到2021年底,RIFF的资产规模已缩减至亿美元,远远低于2021年的40亿美元。
到今年10月底,文艺复兴公司最终宣布正式关闭RIFF,一代“文艺〞明星RIFF就此戛然陨落。
揭开〞量化投资“的神秘面纱
量化投资在一定程度上已经被别有用心地神话或者说标签化了,就像当下风头正劲的“互联网金融〞一样,很多时候都被包装成了看似“高端大气〞、且可能“一夜暴富〞的卖点或者噱头。
追根溯源,其实量化就是指运用数学或者统计模型来模拟金融市场的将来走向,从而预估金融产品的潜在收益。
在前文中,我们还曾提到多个数字,如平均年收益率、年回报率、年盈利率,这些其实都表征同一个量化指标,即“年化收益率〞。
它是指投资者在一年的投资期限内所能获得收益比例,专门用于评估投资行为或金融产品的好坏优劣。
那么,终究多高的年化收益率才能给投资者带来丰厚的投资回报?
为了更加清楚的分析这个问题,我们不妨举个例子。
比方某位名叫“G〞的投资者,在1990年时持有万的启动资金,假如其所认购产品的平均年化收益率是60%,那么经过25年,到2021年,“G〞将会拥有40亿,但假如其所购产品的平均年化收益率上涨15%(到75%),那么25年后,“G〞的资产将会是40亿后再加个零,变成400个亿。
百亿身价竟仅仅始于万?
这种堪比原子弹爆炸的财富增长假设仅仅用“回报丰厚〞来形容,会不会未免有些太吝啬了?
我并不非常相信那些投行精英们会如此大方无私,让投资者只需在家坐着就能稳收百亿回报,所以假如今后有人向我推荐金融产品,而且声称年化收益率可以有60%,我肯定得思量思量,自己是不是真的运气那么好,这辈子可以被钱砸晕?
毕竟像文艺复兴公司的传奇也像“文艺复兴〞一样,虽然能被历史铭刻,但却难以被时代复制。
得“量化〞者得天下
虽然“量化〞看似主要在投资领域大放异彩,但其触角实际已彻底覆盖了金融领域的各个命脉。
在作者看来,金融业的整个运作流程,归根结底,就是“把适量的钱投到合适的位置,从而以适度的金额购置适当的产品〞(“Putthe‘RIGHT’moneyinthe‘RIGHT’placewiththe‘RIGHT’amountforthe’RIGHT’price“)。
但是终究多少算是适量?
也就是所谓的〞RIGHT“?
难道万事一拍脑袋,全凭感觉?
还是仰仗捕风捉影、真假难辨的小道消息?
这些显然都太不靠谱。
投资不是赌博而是博弈,理性的投资者应该学会运用投资策略来实现自己的财富增值。
那么该如何将模糊抽象的策略变成详细可信的数字?
这其实就是“量化〞在做的事情,即把投资策略通过数学模型和计算机代码数量化,让投资者可以基于数据分析和动态模拟而合理预测其投资行为的将来走势。
投资者可以通过屏幕上显示的风险讲话指标,轻击鼠标生成定价模型结果或者是交易策略,根据实际情况略微修改参数,最终实现自己的资产配置及投资组合。
无怪乎许多人都笑称,如今的伦敦金丝雀码头其实早已不再是全球的金融腹地,而是摇身变成了IT公司集散地。
包括摩根大通、花旗以及瑞士信贷等在内众多欧美顶尖投行,都在不计血本的培养自己的IT团队,并命其专门从事产品模型研发,从而有力跻身到“得模型者得天下〞的金融大战之中。
这些拥有专属开发任务的IT团队也往往被称为量化团队,即QuantTeam,是买方或卖方机构中专门从事量化投资分析以及衍生品定价策略的肱骨砥柱。
除了金融市场的参与者都欲借“量化技术〞的东风大展拳脚,众多欧美金融监管机构也针对金融技术的兴起而顺势推出了相关监管政策。
英国?
金融时报?
欧美版在2021年11月24日曾登载一篇名为?
UKwatchdogexaminesinsurers’useofbigdata?
(英国监察机构检测保险公司对于大数据的使用)的文章。
文章指出,FCA即英国金融市场行为监管局已正式发表声明,表示明年会继续监视金融技术开发以及金融技术对于公司和投资者的影响,比方它会开展一项专门针对〞保险公司大数据使用现状“的市场调查,从而更为精准有效的打击预防以金融技术为核心的新型金融犯罪行为。
(详见FCABusinessPlan2021/16)
金融量化中的“少林“和〞武当
在互联网的营销造势之下,一时间〞大数据技术“风头无二,备受推崇。
但假设真问终究什么是大数据,只怕众多跟风者也只能爆出个“BigData〞装装“逼格〞。
其实在金融领域,并非只有“大数据〞一枝独秀,下文我们就来谈谈“大数据〞的发家史以及它和传统定价模型一较高低的那些事儿。
在开场之前,我们不妨先来厘清金融系统的根本架构。
假如按照市场等级分,我们可以将金融市场分为一级市场和二级市场;但假如按照金融产品分,我们那么将金融市场分为资本市场(主要进展股票买卖)、债权市场、商品市场、货币市场、衍生品市场、保险市场、以及外汇市场。
放眼中国金融市场,根据世界交易所结合会(WorldFederationofExchanges)出具的报告,在2021年,中国金融期货交易所(简称中金所,ChinaFinancialFuturesExchange)的股票累衍生品的交易表现并不尽如人意。
按成交易合同的数量计位,中金所只有在股指期货方面成交量排名全球第五,其余如股指期权、个股期货和个股期权等,均未能跻身前十。
这一成绩对于全球第二大经济体来说,无疑是不相称的。
但考虑到上海证券交易所在2021年2月9日才开场上市交易上证50ETF期权合约,而且暂时还尚未发行个股期货和期权产品,这样的排名表现倒也显得合情合理。
不过,中国的金融市场也并非完全没有可圈可点之处,比方在商品期货方面,中国交易所就占了“成交量前五排名〞中的三个席位,分别是位列状元的上海期货交易所,位列探花的大连商品交易所以及紧随其后的郑州商品交易所。
由此可见,中国金融市场目前仍主要倚重传统的金融产品,与欧美金融市场相比,既有理论和技术差距,但也充满了上升空间和开展机遇。
在熟悉了金融市场的根本分类之后,我们还需进一步理解一下金融市场中的买方和卖方。
顾名思义,所谓买方,就是金融产品的购置者,而卖方那么金融产品的出卖者。
以比拟常见的金融衍生品交易,尤其是股票类衍生品交易为例,那些口假设悬河、舌灿莲花的卖方角色多由投资银行和券商来担当,他们主要从事设计开发原始产品以及负责原始产品的销售推广;而对冲基金、养老基金、信托公司以及资产管理公司那么在这一环节里初步充当买方的角色,他们可以从投行或券商那里购置原始产品,然后通过不断优化这样的原始产品以直接销售获利,或者利用这样的原始产品来间接优化自己的固有产品,从而提升其固有产品的市场价值。
比方卖方可以从买方那里购置“定价产品〞,然后借助这样的产品来其确定现有产品的交易价额,并最终按该价格将其产品卖给市场终端的投资者,以保证其收益的最大化。
这些“定价产品〞,即运用数学和计算机模型而把将来收益数量化,并可由此帮助金融机构制定出最优价格方案的产品,就是本文想要着重讨论的“金融量化技术〞的典型代表。
总的来说,金融量化技术可分为两大类,一类是PQuant,另一类是QQuant。
它们虽同为资产定价机制,但其原理和受众却大相径庭,而且各自的风头此消彼长,真可谓是金融量化领域的“少林〞和“武当〞。
QQuant是指风险中性测度。
在“风险中性〞的理论假设下,历史数据只是记录过去的数字,它们与将来无关,因此并不能直接帮助预测金融产品的将来走势,定价机制还是主要应根据数学模型,比方随机过程、偏微方程,所以由此推导出的定价模型大多充满了学院派气质且理论性十足,显得高深晦涩,非常人可试。
PQuant那么指真实概率测度,与“风险中性〞不同,在“真实概率〞的理论假设下,搭建定价模型所需的概率分布应根据历史数据而估算出来,而非仅凭数学模型而演算出来,换言之,该种定价模型所预测出将来走势主要是以数据统计为根底的,因此是“真实〞的,而且数据量越大,其预测效果就越可能接近将来的实际效果,也就是所谓的“大数据〞(BigData)。
为了处理卷帙浩繁的历史数据,产品开发者们往往离不开计算机的辅助,所以与PQuant相关的产品技术也主要是时间序列、贝叶斯算法、机器学习等与计算机技术亲密相关的建模方法。
由此可以看出,根据对历史数据的亲疏不同,QQuant和PQuant的区别其实显而易见,前者基于对将来的假设推算如今,后者基于对历史的借鉴推测如今。
两者虽然都需要运用到历史数据,但前者通常是先搭建一个模型,然后再通过历史数据来不断精化该模型的参数性能,因此历史数据的作用主要是优化模型的磨刀石;而后者通常会先搭建数个备选模型,然后将历史数据分别套用到不同的备选模型中去,并根据由此产生的计算结果来选择表现最正确的那个模型,因此历史数据在PQuant中的作用就升格成了选择模型的试金石。
我们很难论断终究哪一种理论更为科学,因为历史既值得鉴戒,但历史也不会重演,历史数据既可能帮助我们科学预测,但也可能带着我们误入歧途。
不过这一区别对于角色各异的金融市场参与者而言,却是意义非凡。
详细说来,由于QQuant主要
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 量化 投资 基础 入门