量化投資行業(yè)前景如何? 金融科技在中國的發(fā)展階段，可以大致分為早期信息化階段、互聯(lián)網(wǎng)階段、移動化階段、智能化階段和未來全面變革五個階段。目前量化投資行業(yè)已經(jīng)逐漸邁入“智慧金融”階段，金融機構(gòu)對科技人員、資源的投入逐漸加深。大數(shù)據(jù)、云計算、人工智能等前沿技術(shù)將進一步改造金融行業(yè)營銷、風(fēng)控、投研、投顧、產(chǎn)品創(chuàng)新、客戶管理等環(huán)節(jié)。

　　一、FinTech和量化金融市場

　　1、FinTech和量化投資行業(yè)介紹

　　金融科技，來源于國外“Fintech”一詞，即Finance+Technology的縮寫，沃頓商學(xué)院將其定義為“用技術(shù)改進金融體系效率的經(jīng)濟行業(yè)”。

　　金融科技在中國的發(fā)展階段，可以大致分為早期信息化階段、互聯(lián)網(wǎng)階段、移動化階段、智能化階段和未來全面變革五個階段。目前金融行業(yè)已經(jīng)逐漸邁入“智慧金融”階段，金融機構(gòu)對科技人員、資源的投入逐漸加深。大數(shù)據(jù)、云計算、人工智能等前沿技術(shù)將進一步改造金融行業(yè)營銷、風(fēng)控、投研、投顧、產(chǎn)品創(chuàng)新、客戶管理等環(huán)節(jié)。

　　在互聯(lián)網(wǎng)技術(shù)逐步成熟的今天，以大數(shù)據(jù)、云計算、人工智能為代表的創(chuàng)新技術(shù)正正在席卷眾多傳統(tǒng)行業(yè)，金融業(yè)以其龐大的市場容量成為市場焦點。這一次，技術(shù)創(chuàng)新的核心目標將聚焦于信用、風(fēng)控、投資等多個領(lǐng)域。因此，技術(shù)創(chuàng)新對于金融業(yè)的影響將愈加廣泛和深入，這也是互聯(lián)網(wǎng)金融和金融科技(Fintech)的重大差異。

　　

　　隨著大數(shù)據(jù)、云計算、人工智能對金融業(yè)的變革，傳統(tǒng)的金融業(yè)正與信息技術(shù)、數(shù)學(xué)模型、數(shù)據(jù)分析相結(jié)合，向量化金融發(fā)展。量化金融包含量化交易、量化研究、量化定價、量化風(fēng)控等各個方面。實際上，量化金融已經(jīng)存在很長時間，如量化投資在海外已經(jīng)有三十多年的歷史，并且由于量化模型的紀律性和系統(tǒng)性，量化投資收益穩(wěn)定，市場規(guī)模和份額不斷擴大，得到了越來越多投資者的認可。

　　量化金融分析師從事行業(yè)非常廣泛，包括投資銀行、基金公司、券商金融工程、資產(chǎn)管理公司、私募公司、Fintech公司等。工作職能包括量化研究、量化交易、量化風(fēng)控、數(shù)據(jù)結(jié)構(gòu)和算法、系統(tǒng)開發(fā)和運維、模型和咨詢等。根據(jù)Glassdoor統(tǒng)計，美國量化分析師的平均年薪已達到接近13萬美元。下圖展示了量化金融的行業(yè)和崗位分布情況。

>>>點擊咨詢AQF證書含金量

　　

　　資料來源：券商研報

　　在國外，AI量化投資已經(jīng)屢見不鮮。據(jù)調(diào)研公司 LCH 在今年初出具的調(diào)研報告，美國業(yè)績排前 20 的對沖基金，包括橋水基金、索羅斯基金，全部采用計算機根據(jù)算法自動交易。據(jù)國際基金評級機構(gòu) Morningstar 數(shù)據(jù)顯示，截止 2017 年 7 月，機器人投顧管理的資產(chǎn)將近 3900 億美元，而在七年前這項數(shù)字幾乎為零。接下來的 10 年，機器人投顧管理的資產(chǎn)將達到 5 萬億美元。

　　在國內(nèi)，根據(jù)Wind統(tǒng)計，2018年國內(nèi)券商共有59家設(shè)有金融工程團隊，共發(fā)布7425份研報，其中深度研報808份，研報累計閱讀總量超過24萬次。海通證券、天風(fēng)證券、興業(yè)證券的金融工程團隊發(fā)布的研報總量位居前三。

　　

　　資料來源：Wind

　　縱觀目前階段下的金融科技創(chuàng)新方向，我們認為，大數(shù)據(jù)、人工智能和區(qū)塊鏈將是繼互聯(lián)網(wǎng)/移動互聯(lián)網(wǎng)之后的Fintech發(fā)展的三大核心技術(shù)基礎(chǔ)。如大數(shù)據(jù)可以運用于大數(shù)據(jù)貸款、反欺詐、用戶畫像和精準營銷方面，人工智能可以運用于智能客服、智能投顧、智能風(fēng)控等，區(qū)塊鏈技術(shù)可以運用于對賬與結(jié)算、電子合同、智能合約等。除此以外，還有云計算、數(shù)據(jù)庫、爬蟲技術(shù)等，都將對金融業(yè)產(chǎn)生進一步的變革與創(chuàng)新。

　　人工智能在金融領(lǐng)域中的應(yīng)用，相較于大數(shù)據(jù)而言的核心突破在于深度學(xué)習(xí)、智能分析和智能決策。大數(shù)據(jù)、云計算、智能硬件以及后續(xù)的區(qū)塊鏈技術(shù)等都是支撐人工智能上層技術(shù)的基礎(chǔ)。在金融領(lǐng)域，人工智能主要有以下四類應(yīng)用：①自動報告生成，②金融智能搜索，③量化交易，④智能投顧。

　　自動報告生成技術(shù)主要使用自然語言處理技術(shù)，廣泛運用于投資銀行、證券研究。在量化交易中，常運用機器學(xué)習(xí)、自然語言處理、知識圖譜等作為量化策略的輔助。在資產(chǎn)管理行業(yè)中，智能投顧得到了越來越廣泛的應(yīng)用。

　　

　　作為量化金融從業(yè)者，不僅需要過硬的編程技術(shù)和數(shù)學(xué)基礎(chǔ)，更重要的是對金融市場的深刻理解，否則無論數(shù)學(xué)、編程多厲害，很可能在做無用功，不能得到好的效果。量化金融行業(yè)需要的是編程、數(shù)學(xué)和金融兼修的人才，因此如何進入量化金融行業(yè)是許多純金融或純理工背景的從業(yè)者感興趣的話題。在這里我們推薦的量化金融的入門書籍有：《Python金融大數(shù)據(jù)分析》、《Python金融實戰(zhàn)》、《Python金融數(shù)據(jù)分析》、《Algorithmic Trading》、《信號與噪聲》等進行學(xué)習(xí)。此外，如果時間比較緊張，也可以通過報名量化金融分析師AQF課程進行系統(tǒng)性的學(xué)習(xí)，該證書目前為量化金融領(lǐng)域較為權(quán)威的水平認證證書，該證書可作為量化金融職業(yè)能力考核的證明，以及專業(yè)技術(shù)人員崗位聘用、任職、定級和晉升職務(wù)的重要依據(jù)。 >>>點擊咨詢AQF實訓(xùn)課程相關(guān)問題

　　

　　(點擊上圖了解課程詳情)

　　2、量化金融產(chǎn)品發(fā)展

　　量化投資在海外已有三十多年的歷史，而國內(nèi)量化基金的發(fā)展則明顯滯后。在2010年之前，國內(nèi)量化基金市場發(fā)展緩慢，公募基金產(chǎn)品以指數(shù)型基金為主，私募產(chǎn)品主要包括ETF套利和封轉(zhuǎn)開套利等。量化基金真正為國內(nèi)投資者所關(guān)注是在2008年金融危機期間，由于美國次貸危機，加上國內(nèi)期指推出預(yù)期，許多海外量化從業(yè)人員歸國尋找發(fā)展機會，為市場提供了大量專業(yè)化人才。到了2011年之后，量化基金開始快速發(fā)展，隨著量化選股和多因子體系在國內(nèi)落地以及股指期貨和融資融券推出，公募基金中指數(shù)增強和主動量化型產(chǎn)品增多，量化對沖類產(chǎn)品如期現(xiàn)套利型產(chǎn)品得到快速發(fā)展。但2015年6月股指期貨受限、保證金比例提升，使得量化對沖類策略受到了比較大的沖擊，基金管理人開始向其他方向拓展，促進了如CTA、期權(quán)策略、FOF等量化產(chǎn)品的豐富。此外，商品期權(quán)、原油期貨等衍生品陸續(xù)上線，量化基金開始從原來的低風(fēng)險量化對沖策略轉(zhuǎn)向主動量化策略。 截止2018年9月，國內(nèi)私募量化基金管理規(guī)模估算約2000億元，公募量化基金(不含被動指數(shù)型基金)產(chǎn)品規(guī)模約1200億元。

　　

　　資料來源：券商研報

　　截至2018年三季度，國內(nèi)量化私募產(chǎn)品主要集中在市場中性策略、CTA策略、指數(shù)增強策略。

　　

　　資料來源：券商研報

　　在Institutional Investor’s Alpha發(fā)布的全球?qū)_基金百強名單中，管理規(guī)模前10名中有多家機構(gòu)以量化交易而出名。海外對沖基金中，量化策略規(guī)模占比估算約20-30%，與國內(nèi)目前量化基金占比只有6%而言，國內(nèi)量化基金仍有非常巨大的發(fā)展空間。長期而言，如果衍生品工具出現(xiàn)進一步的豐富和放松，可能是國內(nèi)量化策略發(fā)展的重要拐點。

　　

　　資料來源：券商研報

　　二、主流量化交易策略

　　1、資產(chǎn)收益的拆分

　　在介紹主流量化交易策略之前，需要先知道資產(chǎn)收益的拆分。資產(chǎn)收益通常可以拆分為Beta收益和Alpha收益，Beta為市場風(fēng)險補償，Alpha則是投資組合的超額收益。JPMorgan將傳統(tǒng)的Alpha進一步拆分，其中將通過指數(shù)權(quán)重優(yōu)化和選股優(yōu)化等指數(shù)增強方式取得的超額收益稱為Enhanced Beta，其中通過投資相關(guān)性較低的另類大類資產(chǎn)取得的超額收益稱為Alternative Beta，剩下的Alpha收益才是無風(fēng)險的超額收益True Alpha。

　　

　　資料來源：券商研報

　　一般來說，主動型量化策略往往有較高的夏普比率，但策略容量小、成本高，被動型或指數(shù)型量化策略則相反。不同的量化投資基金追求不同的風(fēng)險和收益，因此量化投資策略極為多樣化，在此我們分享一些主流量化交易策略。

　　2、統(tǒng)計套利交易策略

　　統(tǒng)計套利就是基于某投資品種歷史價格數(shù)據(jù)，尋找其價格規(guī)律，從而在一定概率上獲取套利機會。常見思路是找出相關(guān)性較高的兩個投資品種，根據(jù)它們之間長期均衡的協(xié)整關(guān)系，當(dāng)價差偏離一定程度時，買入被相對低估的品種，賣空被相對高估的品種，等到價差回歸均衡時平倉獲利。有別于無風(fēng)險套利，統(tǒng)計套利是根據(jù)資產(chǎn)的歷史價格規(guī)律進行的風(fēng)險套利，其風(fēng)險在于資產(chǎn)間的這種協(xié)整關(guān)系在未來是否會繼續(xù)存在。

　　統(tǒng)計套利主要包含跨資產(chǎn)套利、跨市場套利等。以跨境ETF套利為例，下圖為iShares China Large Cap UCITS (FXC)跨境指數(shù)基金，該ETF的成分股為香港交易所上市的按市值排名前50只中國股票，即投資紅籌股、大盤股。

　　

　　資料來源：iShares

　　投資者既可以購買該ETF，也可以直接在香港交易所購買成分股。由于ETF和其成分股本質(zhì)相同，因此ETF凈值和成分股凈值在長期應(yīng)高度相關(guān)，存在協(xié)整關(guān)系?；谠搮f(xié)整關(guān)系，跨境ETF套利策略的思路為，當(dāng)ETF凈值和成分股凈值價差超過一定水平時，買入相對低價的一方，等到價差回歸正常后平倉獲利。該ETF主要成分股及權(quán)重如下:

　　

　　在量化金融分析師AQF中介紹了基于兩只相關(guān)性較高的股票的配對交易策略。下圖左為兩只股票的收盤價走勢圖，可以看出兩只股票價格高度相關(guān);下圖右為兩股票價差圖，當(dāng)價差超過上限時買入低估股票，價差回歸時再賣出獲利，如果市場可以做空則可以獲得雙向收益。

　　

　　資料來源：量化金融分析師AQF項目

　　3、CTA交易策略

　　CTA全稱Commodity Trading Advisor，直譯為商品交易顧問，一般指投資于期貨的資產(chǎn)管理產(chǎn)品，因此也常稱為期貨管理基金。較早的CTA只投資于商品期貨，后來CTA產(chǎn)品也投資于股指期貨、期權(quán)、國債及利率衍生品等各類衍生品。

　　從全球看，目前CTA市場最主要的策略是系統(tǒng)化策略，也就是量化策略，系統(tǒng)化CTA基金幾乎占全部CTA基金規(guī)模的90%。與國際市場不同的是，國內(nèi)CTA產(chǎn)品中主觀策略類產(chǎn)品數(shù)量略多于量化產(chǎn)品，但無論是主觀策略產(chǎn)品還是量化產(chǎn)品，趨勢型策略的數(shù)量都要遠大于套利型策略。

　　

　　資料來源：券商研報

　　根據(jù)Barclay Hedge統(tǒng)計，CTA市場規(guī)模在本世紀初經(jīng)歷了井噴式發(fā)展，從1980至2016年，全球CTA資產(chǎn)規(guī)模從3億美元增加到3370億美元，特別是從2002年至2010年期間，CTA市場規(guī)模從500億美元迅速發(fā)展為超過三千億美元。CTA市場的快速發(fā)展一個非常重要的原因是資產(chǎn)配置的需求，CTA與主流投資之間相關(guān)性非常低。根據(jù)巴克萊統(tǒng)計，CTA指數(shù)與SP500指數(shù)相關(guān)性極低，只有0.01相關(guān)，與債券的相關(guān)性是0.13，同時也擁有不錯的年化收益率與夏普比率，因此隨著資產(chǎn)管理規(guī)模的普遍擴大，尋求非相關(guān)的資產(chǎn)需求增大，CTA成為很多資產(chǎn)管理者的配置方向。海外長期數(shù)據(jù)顯示，CTA策略與其他策略之間呈現(xiàn)出顯著低相關(guān)性。除與宏觀對沖、多策略等相關(guān)系數(shù)(分別為0.64、0.34)偏高外，與其他策略的相關(guān)系數(shù)均在0.2以下。

　　

　　資料來源：券商研報

　　下圖展現(xiàn)了兩個FOF組合的凈值曲線，投資組合A2為“60%股票多頭+40%固定收益”，每年再平衡，投資組合B2為“40%股票多頭+30%固定收益+30%CTA”，每年再平衡?？梢娂尤隒TA策略后FOF組合的年化收益率得到了明顯提高，年化波動率和最大回撤下降，夏普比率從原先的0.98提高為1.52。

　　

　　總體而言，國內(nèi)CTA策略整體業(yè)績表現(xiàn)較好。2013年1月至2018年8月，CTA策略私募基金指數(shù)年化收益率達17.01%，位列各主要策略首位。相對于股票多頭策略而言，年化波動率和最大回撤均具有顯著優(yōu)勢。夏普比例約為2，體現(xiàn)了較好的風(fēng)險收益比。但生存者偏差和選擇性披露因素可能導(dǎo)致CTA策略整體業(yè)績被高估。

　　

　　資料來源：券商研報

　　根據(jù)估算結(jié)果，國內(nèi)CTA策略私募基金在證券類私募基金中規(guī)模占比約1.2%，遠遠低于海外CTA策略對沖基金10~20%的水平。國內(nèi)部分知名CTA管理人名單如下。

　　

　　4、事件驅(qū)動策略

　　事件驅(qū)動策略是在提前挖掘和深入分析可能造成股價異常波動的事件基礎(chǔ)上，通過充分把握交易時機獲取超額投資回報的交易策略。可以用于事件驅(qū)動策略的事件有很多，如CEO或CFO的變更、派息、拆股、回購、定增、指數(shù)成分股調(diào)整、大股東增持等等，此類事件的特點是具有較為明確的時間和內(nèi)容，能夠?qū)Σ糠滞顿Y者的行為產(chǎn)生一定的影響，從而決定股價短期波動的因素。

　　例如高管增持事件，我們可以采用的一種策略是：在上市公司公布高管增持公告后，立刻買入并持有一個月，回測該策略是否存在超額收益。

　　我們也可以對高管增持事件進行一定的優(yōu)化，如可以增持公告前跌幅最大的一組股票，公告后30日的累計超額收益約為5%，公告后60日的累計超額收益接近10%，其超額收益要比簡單的高管增持事件明顯。

　

　　資料來源：券商研報

　　對于公募基金業(yè)績披露事件，如果某只股票被多數(shù)公募基金購買，則說明多數(shù)公募基金看好該只股票。根據(jù)業(yè)績披露事件，可以構(gòu)建高共識大小盤組合，即流通市值排在前50%的重倉股池子中，選擇持有主動基金數(shù)目最多的前50只標的作為高共識大盤組合。而流通市值排在后50%的重倉股池子中，選擇持有主動基金數(shù)目最多的前50 只標的構(gòu)建高共識小盤組合。兩個策略的回測收益如下圖所示。

　　

　　

此外，我們也可以基于分析師評級作為事件驅(qū)動策略，如選取中證800股票池中，持續(xù)6個月有分析師發(fā)布含有目標價報告的股票。其思路是分析師持續(xù)發(fā)布含有目標價報告，說明該個股長期被分析師看好，基本面較優(yōu)良。同時該策略對分析師報告的數(shù)量沒有特別的約束，兼顧了大小市值的個股，對市場大小盤風(fēng)格切換有較強的適應(yīng)性。從策略回測收益來看，從2012 年至2018年，該策略年化收益超過20%，相對中證800 指數(shù)年化超額收益為10.45%。從換手率指標來看，該策略的年化換手率在4.5%上下波動，說明該組合的成分股平均持股時間較長，是一個精選個股、中長期持有的投資策略。

　　

　　資料來源：券商研報

　　非常多的事件為傳統(tǒng)因子分析提供了低相關(guān)度投資組合的機會，但是研究成本過高(特殊數(shù)據(jù)庫、相關(guān)研究框架)阻礙了此前此類事件的研究。我們按照這種事件驅(qū)動思路實現(xiàn)了基于網(wǎng)絡(luò)爬蟲的券商評級事件驅(qū)動策略。通過爬蟲技術(shù)，跟蹤機構(gòu)研報對個股的評級變化，當(dāng)個股評級上調(diào)為“強烈推薦”時作為買入信號，等權(quán)持有股票一個月。該策略的回測效果如下：

　　

　　該策略還可以進一步優(yōu)化，如對分析師評級進一步分析，篩選出發(fā)布研究報告后個股表現(xiàn)較好和最差的分析師，給表現(xiàn)好的分析師給予更多的配置權(quán)重，給表現(xiàn)差的分析師給予更少的配置權(quán)重甚至零權(quán)重，從而獲取更好的策略收益。

　　5、市場中性策略

　　市場中性策略是指同時構(gòu)建多頭和空頭頭寸以對沖市場風(fēng)險，從而構(gòu)成獨立于大盤變動的股票組合。市場中性策略的通常做法是通過多因子模型選股確定多頭股票組合，同時用空頭股指期貨等進行對沖，構(gòu)建Beta接近于0的投資組合，從而只保留基金的Alpha收益。

　　

　　

該策略在中國的私募基金中占據(jù)了半壁江山，主要原因在于在中國牛短熊長，大部分時間處于熊市交易之中，構(gòu)建市場中性策略則可以不受到大盤下跌帶來的影響，只要基金經(jīng)理有較強的Alpha能力就可以獲得相對穩(wěn)定的策略收益。但在應(yīng)用該策略時，要注意使用股指期貨空頭時若股指價格貼水帶來的額外對沖成本。

　　6、指數(shù)增強策略

　　傳統(tǒng)投資策略一般分為主動投資策略和被動投資策略，被動投資往往選擇跟蹤某一指數(shù)，風(fēng)險較低。然而全完被動跟蹤指數(shù)往往收益也較低，因此指數(shù)增強策略(或稱Smart Beta、Strategy Beta、Enhanced Beta)受到了越來越多機構(gòu)投資者的歡迎。指數(shù)增強策略是指在被動跟蹤指數(shù)的基礎(chǔ)上，通過主動管理的辦法如優(yōu)化選股和優(yōu)化權(quán)重，以達到獲取超額收益或降低風(fēng)險的目標，即“增強”指數(shù)的效果。

　　指數(shù)增強基金是指數(shù)型基金發(fā)展的新階段，從全球市場看，指數(shù)增強策略普及度不斷提高。根據(jù)ETF.com統(tǒng)計結(jié)果，截止2018年12月21日，美國有1025只Smart Beta ETF，總規(guī)模為8239億美元;BlackRock預(yù)測到2020年，Smart Beta ETF的資產(chǎn)規(guī)模將達到1萬億美元。我國被動指數(shù)產(chǎn)品相較于海外市場比較滯后，從2006年華泰柏瑞紅利ETF發(fā)行，截止2018年11月27日，國內(nèi)共發(fā)行了68只指數(shù)增強型產(chǎn)品，累計規(guī)模245億元。

　　指數(shù)增強策略從增強方式上主要有倉位控制(擇時)、優(yōu)化加權(quán)、優(yōu)化選股(多因子模型)三種，三種思路在實踐方式上都可以區(qū)分為“主動”和“量化”。其中倉位控制就是分析大盤走勢，在上漲期間增加倉位權(quán)重，在下行過程中降低倉位以期獲得擇時超額收益;優(yōu)化加權(quán)方法主要有等權(quán)重、最小方差、風(fēng)險平價、最大分散度、基本面加權(quán)等;優(yōu)化選股通常使用多因子模型在指數(shù)股票池中篩選預(yù)期收益好的股票以增加某些風(fēng)險因子的暴露，比如我們以能顯著有效的區(qū)隔市場特征的單一因子指標或多因子指標，如價值指標、成長指標、紅利指標、混合財務(wù)指標等，作為選股依據(jù)，以此形成的組合能夠為投資者提供暴露特定市場因子風(fēng)險的工具，并相應(yīng)獲得該因子的超額回報。

　　比如在A股市場等權(quán)構(gòu)建的滬深300組合比真實的滬深300指數(shù)表現(xiàn)要好，一個很重要的原因是A股小市值因子效應(yīng)特別明顯，長期來看小盤股相比大盤股有明顯的超額收益。這樣我們對組合的認識可以上升到因子層面，就可以選擇特定證券使組合盯住某一特定的風(fēng)險因子，這也是Smart Beta的一種思路。

　　除了以上三種主流方法，指數(shù)增強策略也可以通過配合衍生金融工具或其他方式增強，包括打新、股指期貨、融資融券、期權(quán)、可轉(zhuǎn)債等。如中證500指數(shù)增強產(chǎn)品常通過買入股指期貨獲得基差收益，同時降低資金占用率。

　　

　　7、量化期權(quán)交易策略

　　不同于成熟的海外市場，我國期權(quán)市場才剛剛起步。2015年2月9日，我國首個場內(nèi)期權(quán)產(chǎn)品上證50ETF期權(quán)合約正式上市交易，標志著我國資本市場期權(quán)時代的來臨。2017年以來，期權(quán)市場逐漸發(fā)展壯大，豆粕和白糖期權(quán)上市交易且流動性日漸提升，上證50ETF期權(quán)成交量快速增長，預(yù)計未來還會有更多的商品期權(quán)、金融期權(quán)品種上市。隨著期權(quán)品種數(shù)量的增加和流動性的提升，期權(quán)策略將會得到可觀的發(fā)展。

　　期權(quán)策略產(chǎn)品和CTA策略產(chǎn)品、事件驅(qū)動策略產(chǎn)品等一樣，和主流量化產(chǎn)品的相關(guān)度較低，有利于資產(chǎn)分散化投資。由于期權(quán)本身產(chǎn)品的復(fù)雜性，期權(quán)策略也是復(fù)雜多樣的。期權(quán)策略主要有期權(quán)合成套利、期權(quán)買賣平價套利、期權(quán)價值邊界套利、隱含波動率與實際波動率相對價值套利等，其中期權(quán)合成套利又包含了牛市價差、熊市價差、跨式期權(quán)、蝶式期權(quán)等等組合方式。

　　我們在此介紹一種基于50股指期權(quán)的Straddle波動率策略，策略思路為，當(dāng)波動率連續(xù)極度收斂時(波動率小于歷史波動率從小到大排序的10%分位點，因為波動率低時，構(gòu)建Straddle策略的成本低)，挑選成本最低的、至少晚于下一月到期的Straddle組合進行建倉。建倉后一直持有代漲至持有到期，或下跌超過單筆交易最大值的20%時，移動止損。該策略回測收益如下：

　　

　　8、機器學(xué)習(xí)技術(shù)和基本面結(jié)合策略

　　許多人認為機器學(xué)習(xí)技術(shù)是屬于量化分析的范疇，與基本面分析是截然不同的兩種分析方法，從而不可能有交叉的可能。然而實際上，機器學(xué)習(xí)技術(shù)也可以與基本面分析進行有效的結(jié)合。例如分析財務(wù)報表粉飾時，許多財務(wù)指標都可能預(yù)示公司財務(wù)報表可能存在粉飾情況，部分指標如下：

　

　　然而并不是所有指標都是有效的，使用機器學(xué)習(xí)技術(shù)，可以得出在分析上市公司年報是否粉飾造假的時候需要重點關(guān)注的幾個指標，從而進行后續(xù)的基本面分析。

　　9、大數(shù)據(jù)與輿情分析策略

　　隨著互聯(lián)網(wǎng)的快速發(fā)展，人類進入大數(shù)據(jù)時代，可供分析和使用的數(shù)據(jù)大量增加。海量數(shù)據(jù)成為公司的基礎(chǔ)資產(chǎn)，例如，美國專門有一些公司，購買無人機去全國各地偵查，可能要比國家統(tǒng)計局都要更早的知道全國經(jīng)濟發(fā)展的整體狀況，就可以提前基于這條信息進行交易獲利;再如用Google Map去看沃爾瑪?shù)耐＼噲?，去判斷沃爾瑪公司的股價和整體經(jīng)濟的消費水平。

　　在量化交易中，大數(shù)據(jù)與輿情分析策略使用NLP自然語言處理，對非機構(gòu)化數(shù)據(jù)，如微博、twitter上的博文進行輿情識別和分析，從而作出投資決策。在大數(shù)據(jù)分析中，自然語言處理是最為困難的問題之一，如“It’s interesting.”并不是在說我覺得這很有趣，而是在說，我搞不懂發(fā)生了什么，這是怎么回事。NLP技術(shù)針對英語已經(jīng)相對比較成熟，對中文的研究也在迅速發(fā)展中。

　　我們來看一個基于Google Trends的大數(shù)據(jù)輿情分析策略，下圖為策略回測，可見基于Google Trends的策略遠遠優(yōu)于單純購買并持有。該策略的思想是，如果當(dāng)周的“Debt”搜索量大于過去三周平均搜索量，則做空道瓊斯指數(shù)，持倉一周;如果當(dāng)周的“Debt”搜索量小于過去三周平均，則做多道瓊斯指數(shù)。在國內(nèi)，類似Google Trends的指數(shù)有百度指數(shù)等，可以作為搜索引擎指數(shù)進行投資。

　　

　　THE END

　　金融科技Fintech和量化金融說到底是將前沿技術(shù)和量化方法應(yīng)用到金融領(lǐng)域，提高金融業(yè)務(wù)的工作效率，提升金融產(chǎn)品的用戶體驗，提高投資的收益和穩(wěn)定性。隨著我國金融業(yè)的不斷發(fā)展，F(xiàn)intech和量化金融將成為未來金融業(yè)的發(fā)展方向，市場對于量化金融分析師的需求也會急速增加。提升自己的技術(shù)水平、豐富金融知識，才不會被時代潮流淹沒。

AQF：量化金融分析師（簡稱AQF ，Analyst of Quantitative Finance）由量化金融標準委員會（Standard Committee of Quantitative Finance，SCQF）主考并頒證，是代表量化金融領(lǐng)域的專業(yè)水平證書。>>>點擊咨詢AQF含金量

AQF量化金融分析師實訓(xùn)項目學(xué)習(xí)大綱 >>>點擊咨詢AQF考試

　　1.1.1. 第一部分：前導(dǎo)及課程介紹

1.AQF核心課程

2.量化策略的Python實現(xiàn)和回測

3.整體代碼介紹

　　1.1.2. 第二部分：量化投資基礎(chǔ)

1.量化投資背景及決策流程

2.量化擇時

3.動量及反轉(zhuǎn)策略

4.基金結(jié)構(gòu)套利

5.行業(yè)輪動與相對價值

6.市場中性和多因子

7.事件驅(qū)動

8.CTA_1（TD模型）

9.統(tǒng)計套利_低風(fēng)險套利

10.大數(shù)據(jù)和輿情分析

11.機器學(xué)習(xí)

12.高頻交易和期權(quán)交易

13.其他策略和策略注意點

　　1.1.3. 第三部分：Python編程知識

Python語言環(huán)境搭建	1.Python語言環(huán)境搭建
Python編程基礎(chǔ)	1.python數(shù)字運算和Jupyter notebook介紹
	2.字符串
	3.Python運算符
	4.Tuple和List
	5.字典
	6.字符串格式化
	7.控制結(jié)構(gòu)_1.For循環(huán)
	8.函數(shù)
	9.全局和局部變量
	10.模塊
	11.Python當(dāng)中的重要函數(shù)
Python編程進階	1.Numpy數(shù)據(jù)分析精講
	2.Pandas數(shù)據(jù)分析詳解
數(shù)據(jù)可視化	1.Pandas內(nèi)置數(shù)據(jù)可視化
	2.Matplotlib基礎(chǔ)
	3.Seaborn
金融數(shù)據(jù)處理實戰(zhàn)	1.數(shù)據(jù)獲取_1.本地數(shù)據(jù)讀取
	1.數(shù)據(jù)獲取_2.網(wǎng)絡(luò)數(shù)據(jù)讀取_1
	1.數(shù)據(jù)獲取_2.網(wǎng)絡(luò)數(shù)據(jù)讀取_2.tushare
	1.數(shù)據(jù)獲取_2_網(wǎng)絡(luò)數(shù)據(jù)讀取_3.文件存儲
	2.金融數(shù)據(jù)處理_1.同時獲取多只股票
	2.金融數(shù)據(jù)處理_2.金融計算
	2.金融數(shù)據(jù)處理_3.檢驗分布和相關(guān)性
	3.金融時間序列分析_1.Python下的時間處理
	3.金融時間序列分析_2.Pandas時間格式
	3.金融時間序列分析_3.金融數(shù)據(jù)頻率的轉(zhuǎn)換
	4.金融數(shù)據(jù)處理分析實戰(zhàn)案例_案例1
	4.金融數(shù)據(jù)處理分析實戰(zhàn)案例_案例2_多指標條件選股分析_1
	4.金融數(shù)據(jù)處理分析實戰(zhàn)案例_案例2_多指標條件選股分析_2

　　1.1.4. 第四部分：量化交易策略模塊

三大經(jīng)典策略	1.三大經(jīng)典策略_1.SMA
	1.三大經(jīng)典策略_2.動量Momentum
	1.三大經(jīng)典策略_3.均值回歸
配對交易策略	2.配對交易
技術(shù)分析相關(guān)策略	3.量化投資與技術(shù)分析_1.技術(shù)分析理論
	3.量化投資與技術(shù)分析_2.CCI策略的Python實現(xiàn)
	3.量化投資與技術(shù)分析_3.布林帶策略的Python實現(xiàn)_1
	3.量化投資與技術(shù)分析_4.SMA和CCI雙指標交易系統(tǒng)
	3.量化投資與技術(shù)分析_5.形態(tài)識別和移動止損策略
大數(shù)據(jù)輿情分析策略	4.大數(shù)據(jù)輿情分析策略_基于谷歌搜索的大數(shù)據(jù)輿情分析
CTA交易策略	5.CTA交易策略_Aberration趨勢跟蹤系統(tǒng)
量化投資與機器學(xué)習(xí)	6.量化投資與機器學(xué)習(xí)_1_機器學(xué)習(xí)算法原理_2_邏輯回歸原理
	6.量化投資與機器學(xué)習(xí)_1_機器學(xué)習(xí)算法原理_3_SVM算法原理
	6.量化投資與機器學(xué)習(xí)_1_機器學(xué)習(xí)算法原理_4_決策樹算法原理
	6.量化投資與機器學(xué)習(xí)_1_機器學(xué)習(xí)算法原理_5_KNN算法原理
	6.量化投資與機器學(xué)習(xí)_1_機器學(xué)習(xí)算法原理_6_神經(jīng)網(wǎng)絡(luò)算法了解
	6.量化投資與機器學(xué)習(xí)_1_機器學(xué)習(xí)算法原理_7_K-means算法原理和算法總結(jié)
	6.量化投資與機器學(xué)習(xí)_2_機器學(xué)習(xí)算法實現(xiàn)_1_數(shù)據(jù)集生成原理
	6.量化投資與機器學(xué)習(xí)_2_機器學(xué)習(xí)算法實現(xiàn)_2_數(shù)據(jù)集可視化
	6.量化投資與機器學(xué)習(xí)_2_機器學(xué)習(xí)算法實現(xiàn)_3_邏輯回歸算法的python實現(xiàn)
	6.量化投資與機器學(xué)習(xí)_2_機器學(xué)習(xí)算法實現(xiàn)_4_DT_KNN_NB算法的python實現(xiàn)
	6.量化投資與機器學(xué)習(xí)_2_機器學(xué)習(xí)算法實現(xiàn)_5_SVM算法的python實現(xiàn)
	6.量化投資與機器學(xué)習(xí)_3_機器學(xué)習(xí)算法實戰(zhàn)_6_基于邏輯回歸和SVM的股市趨勢預(yù)測

　　1.1.5. 第五部分：面向?qū)ο蠛蛯嵄P交易

1.模塊內(nèi)容整體介紹

2.面向?qū)ο?、類、實例、屬性和方?/p>

3.創(chuàng)建類、實例、方法

4._init_初始化方法

5.面向?qū)ο蟪绦驅(qū)嵗?/p>

6.繼承的概念及代碼實現(xiàn)

7.面向?qū)ο罄^承的實戰(zhàn)案例

8.多繼承和量化交易平臺的面向?qū)ο箝_發(fā)思路

9.用面向?qū)ο蠓椒▽崿F(xiàn)股債平衡策略

　　1.1.6. 第六部分 實盤模擬交易

基于優(yōu)礦平臺的面向?qū)ο蟛呗?/p>	1.優(yōu)礦平臺介紹
	2.優(yōu)礦平臺回測框架介紹
	3.優(yōu)礦框架之context對象、account和position對象
	4.優(yōu)礦其它重要操作
	5.優(yōu)礦之小市值因子策略
	6.優(yōu)礦之雙均線策略
	7.優(yōu)礦之均值回歸策略
	8.優(yōu)礦之單因子策略模板
	9.優(yōu)礦之多因子策略模板
	10.優(yōu)礦之因子數(shù)據(jù)處理：去極值和標準化
面向?qū)ο髮嵄P交易之Oanda	1.Oanda平臺介紹和賬戶配置
	2.Oanda賬戶密碼配置和交易框架原理
	3.Oanda鏈接賬戶并查看信息
	4.Oanda API獲取歷史數(shù)據(jù)
	5.Oanda市價單和交易狀態(tài)查詢
	6.Oanda高級交易訂單
	7. Oanda其它高級功能
	8. Oanda實戰(zhàn)ADX策略全講解：策略邏輯、數(shù)據(jù)讀取、歷史數(shù)據(jù)處理、可視化、實時數(shù)據(jù)和實時交易
	9. Oanda通過實時數(shù)據(jù)API調(diào)取實時數(shù)據(jù)、resample
面向?qū)ο髮嵄P交易之IB	1.IB實戰(zhàn)平臺介紹及API安裝調(diào)試
	2.IB實戰(zhàn)平臺請求和響應(yīng)遠離、線程控制
	3.IB響應(yīng)函數(shù)wrapper講解
	4.IB請求函數(shù)及合約定義
	5.IB程序化下單、倉位及賬戶查詢
	6.IB三均線交易_金字塔倉位下單控制模型實盤交易之策略原理、線程控制原理、策略結(jié)構(gòu)總覽、響應(yīng)函數(shù)、交易信號、策略展示等全講解。

　　1.1.7. 第七部分：基于優(yōu)礦的進階學(xué)習(xí)

1.1回測與策略框架

1.2評價指標

1.3.1量化策略設(shè)計流程簡介

1.3.2擇時策略舉例（雙均線）

1.3.3量化投資模板1.0選股和擇時

2.1基于技術(shù)分析的量化投資

2.2.1技術(shù)指標簡介

2.2.2 MACD擇時策略

2.2.3 WVAD擇時策略

2.2.4 RSI擇時策略

2.2.5 MFI擇時策略

2.2.6 CCI擇時策略

2.2.7技術(shù)指標總結(jié)

2.3通道技術(shù)

3.1.1日期效應(yīng)

3.1.2動量效應(yīng)

3.2.1格雷厄姆成長投資

3.2.2積極投資策略

3.2.3價值投資策略

3.2.4小型價值股投資策略

3.3.1交易系統(tǒng)設(shè)計的一般原理

3.3.2均線排列系統(tǒng)

3.3.3金肯納特交易系統(tǒng)

3.3.4海龜交易法系統(tǒng)

金程推薦： AQF培訓(xùn) AQF培訓(xùn)機構(gòu) AQF是什么意思

熱線電話：400-700-9596

AQF考友群：760229148

　　金融寬客交流群：801860357

　　微信公眾號：量化金融分析師

　　>>>返回首頁