互联网+金融投资：量化金融的前世今生（5分钟搞懂量化金融）

 

 

什么是量化金融

量化投资是指通过数量化方式及计算机程序化发出买卖指令，以获取稳定收益为目的的交易方式。

定量投资（量化投资）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、模型、概率、规则。

量化投资与传统投资对比：

量化投资4大特点：

• 纪律性

所有的决策都是依据模型做出的。通过规则和纪律克服人性的弱点，如贪婪、恐惧、侥幸心理，也可以克服认知偏差。

• 系统性

具体表现为多层次、多角度、多数据。人脑处理信息的能力是有限的，金融产品及衍生工具族群特别庞杂，强大的量化投资的信息处理能力能反映它的优势，能捕捉更多的投资机会，拓展更大的投资机会。

• 套利思想

定量投资正是在找估值洼地，通过全面、系统性的扫描捕捉错误定价、错误估值带来的机会。定性投资经理大部分时间在琢磨哪一个企业是伟大的企业，那个股票是可以翻倍的股票；与定性投资经理不同，定量基金经理大部分精力花在分析哪里是估值洼地，哪一个品种被低估了，买入低估的，卖出高估的。

• 概率取胜

这表现为两个方面，一是定量投资不断的从历史中挖掘有望在未来重复的历史规律并且加以利用。二是依靠一组股票取胜，而不是一个或几个股票取胜。

量化金融的春天来了

1. 技术进步：AI人工智能、5G技术的迅猛发展，为量化金融提供了坚强的技术保证。
2. 全球化和国内金融市场的逐步开放，为量化金融的发展提供了适宜的土壤环境。
3. 中产阶级的崛起，人们各位关注财产性收入，为量化金融的发展提供了巨大的市场。
4. 人才积累趋于充足。

基于以上原因，我们认为国内量化金融春天已经来临，你愿意错过吗？

 

量化交易分类

就像金融包含：银行、证券、保险、信托、期货、基金等不同分支一样，量化交易的门类很多。大体上来说，量化投资分为：阿尔法策略、低风险套利、统计套利、程序化CTA、高频交易等。

 

• 阿尔法策略

阿尔法策略是指，不管指数是涨还是下跌，都能赚钱的一种方法，具体的操作思路是找出市场里最优秀的品种，做多这些品种，然后做空相应多的指数，这样就锁定了最优秀的品种带来的收益，而把指数带来的波动进行了平抑。

阿尔法策略是一种回撤和收益都比较小的交易策略。

 

• 程序化CTA

这是一种适合大众使用的程序化交易方法，是指将交易策略的思想设计成完整的逻辑运行体系，然后用合适的计算机语言编写成程序，有计算机进行自动交易。程序化交易的优点是，将交易模式系统化，制度化，排除人性的心理障碍，确保交易策略的执行行。挣的是趋势的钱，挣的是纪律的钱，但因为趋势不常有，所以这是一种低胜率，高赔率的方法。

程序化交易由入场条件、出场条件，品种选择、时机选择，资金管理，一起组成。

 

• 统计套利

统计套利是指我们通过计算某些关联品种之间出现了价差的扩大，那就可以在品种之间进行配对交易，从而进行套利。

比如，A品种是30块，B品种是15块，AB之间有一个线性的关联，他们的价差经常就是15块，当A品种涨了4块，变成34块，B品种上涨只有1块，变成16块，他们的价格差变成了18块。那就可以卖出A品种，买入等量B品种，等待他们之间价格差回到15块，就可以把这3块钱的价格差赚到了。不管到时的价格是A品种100，B品种85，还是A品种20，B品种5块。他们之间价格差异的平抑，是统计套利的利润来源。

 

• 低风险套利

低风险套利是指本身这个套利风险就很低的一种套利方式，不需要考虑寻找最优品种这个事情。那什么样的套利本身风险就很低呢？

比如说，在城东的白菜4块一斤，城西的白菜6块一斤，那在城东买，然后在城西卖出相同的白菜，就能赚2块的差价，就是一种低风险套利。这是一个生活中的例子。

在投资中，ETF套利也是一种低风险套利，比如某个ETF指数基金现在的价格是2.1，而如果我们用一揽子股票来组成这个ETF指数基金，价格是2块，那么我们就可以在市场上卖出基金，买入股票，来得到这0.1的差价。这些套利比较容易执行，收入也很可观，而且风险很小。

 

• 高频交易

高频交易是指利用计算机处理市场微观结构层面的不均衡性，往往交易次数多，持仓时间短，可能会送大量交易指令，又快速撤单，再反向做交易获得收益，每笔交易平均利润小但稳定。

优点是总收益率极高，当日平仓降低隔夜风险，隔夜资金利息收入降低资金成本，绩效评估周期短。

 

• 算法交易

这是一种为了降低冲击成本的一种被动的程序化交易，通过科学的成本估算模型和交易实施算法，将一个大额的交易拆分成系列小额交易 在合理的时间点分别执行，以此来尽量减少 对市场价格造成的冲击，降低交易成本，而且还能帮助机构投资者快速增加交易量。

适合的对象包括大小非减持者，大宗交易接盘出货，“大宗交易-融券卖出”套利者，Alpha套利者，套期保值者，日以上级别程序化交易者等。

 

实现方案

面对不同的场景和使用人群，常见的有以下5种方式实现量化交易。

 

• 回测系统

可以建立模型利用现有交易数据进行回测，用于验证模型。通常没有实盘交易功能。

 

• CTA软件

面向大众和小机构CTA的软件。这些软件都提供了比较简单的编程语言实现交易策略的功能，并且能接入期货实盘。一般的交易流程为：投资者的策略在本地接收市场数据后，根据策略简单计算的触发条件，进行简单的账户持仓、资金计算和管理，进而下达买卖方向、数量、价格等指令，进行自动交易。

 

• 交易软件（大机构）

面向大机构的交易软件。这些软件能实现非常复杂的策略，可以订阅大量的行情不用担心堵塞，可以做各种标的的交易，并且可以做相应的风控。

 

• 开源系统

面向有一定程序开发能力的个人的开源系统。这些系统在GitHub上都能下载源码，你可以看到他每一个功能是怎么实现的，所以你不用担心它会偷你的策略。而且你可以根据自己的需要随意修改系统。

 

• 策略交易平台

面向没有策略开发能力大众的程序化交易平台。在这些平台，你可以付费购买策略，然后关联自己的账号，就可以开始程序化交易了

 

案列：使用py分析个股股价相关性

量化交易本身比较复杂，涉及到的环节也非常之多。我计划通过庖丁解牛的方式，将涉及到的各个环节和分析过程通过一个个独立的demo进行演示介绍。

一个典型的场景就是在做对冲或者个股比较时，需要判断两只个股的相关性。今天我们就来介绍一些，如何通过量化手段分析两只个股的相关性。

说明：

1. 交易数据从哪里来？  -tushare
2. 使用技术？   Python
3. 以下内容需要有一定的python语言基础的读者才能读懂，没有python基础请忽略代码直接看结果。
4. 全部代码：

1. 过程：通过tushare获取两只个股的历史数据  à 计算Pearson相关系数  à 绘制图形  à  打印。
2. Pearson相关系数（Pearson CorrelationCoefficient）是用来衡量两个数据集合是否在一条线上面，它用来衡量定距变量间的线性关系。相关系数的绝对值越大，相关性越强：相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。
3. 中间产物：

1. 执行结果：

美的集团和格力电器两只个股股价相关性高达0.9以上，属于强相关，基本上是同涨同跌。从生成的收盘价走势图也可以清晰的发现两只个股的走势情况高度相关。