论文部分内容阅读
随着我国证券市场的发展和投资技术的成熟，加上近年来我国资本市场的不断对外开放，我国资本市场与国际几大主要金融市场的联动效应越來越明显。在国际金融资本踊跃进入我国资本市场的同时，在发达国家市场占交易主导地位的量化交易技术逐渐影响我国金融市场的投资结构。量化投资技术经过在美国市场的数十年发展后，从2015年初开始在我资本市场中萌芽，并迅速成长起来。现在，量化投资技术已经是资产管理行业投资者重要的决策工具之一。本文通过对比分析国内外量化投资发展历程和现状，分析量化系统风险隐患，研究应对策略。
2019年下半年，最令中国投资界震惊的一则消息就是全球规模最大的量化基金Two Sigma成功申请到中国的私募基金牌照。这意味着国际量化投资巨头已经抢滩中国私募资本管理市场，看好量化投资在中国市场的发展前景。这将会给中国资本市场增添一种新的投资力量。
主动型投资基金在近年来表现差强人意，量化基金成为市场的新宠，它以骄人的成绩快速地扩大它在资本管理市场占有的份额。以Two Sigma为例，在过去的十年间，其资产管理规模由不到46亿美元迅速地在2019年10月增长到超过500亿美元的规模，它与老牌量化基金管理公司文艺复兴基金Renaissance并列成为全球规模最大的量化投资管理公司。全球范围内，市场资金正在快速流入量化投资领域。
中国金融对外开放是我们整个国家改革开放中的一个重要环节，Two Sigma的到来，欣喜和隐患并存。发展的机遇、技术上的挑战、市场份额掠夺的威胁如影相随。近年来，“保持对外开放”是中国金融行业发展的基本路线。仅2019年9月一个月，我国证券监管部门就推出了取消QFII和RQFII的投资额度限制、“深改12条”等等改革政策，这充分反映了中国资本市场改革开放的决心。然而，量化交易在中国市场相对比较陌生，复杂的程序交易算法运用不够广泛，发展缓慢。2011年4月16日，中国资本市场正式推出股指期货后，投资者才具备了做空股市的工具，更多的双边量化投资策略才有了发展空间。中国量化交易发展起步晚，发展中遇到的各种困难和阻碍较多，发展道路曲折。2013年8月16日，光大证券量化套利策略惊现“乌龙指”交易，造成资本市场价格巨幅波动，社会影响恶劣，引起监管层密切关注。
现阶段，量化交易在中国是探索时期，Two Sigma这样巨型的国际量化投资机构带着前沿的量化投资技术和数十年的投资经验来到我国资本市场，这无疑对我国投资行业和资产管理行业带来了前所未有的压力和巨大的挑战。面对庞然大物，我国的量化投资者应该如何规避风险？如何健全风险监测预警系统？如何完善早期干预机制？
量化交易是把投资者的投资理念通过数理模型进行量化和计算，这个过程建立模型是关键。首先通过计算机多维度挖掘数据，清洗数据，然后计算机模拟真实市场情况，建立投资模型去分析市场行情，预测市场发展趋势，最后依据投资模型通过计算机电子化自动执行交易指令。量化交易策略不同于传统的投资方法，重度依赖数据与模型，其运行过程之中涉及到众多风险管理因素。
第一，历史数据选择上出现的幸存者偏差。二战中盟军邀请哥伦比亚大学教授参与研究战斗机最需要加强防护的部位，得出的结果是返航战斗机中机体最完整无损的部位是最需要加强防护，而不是那些布满弹孔的机体部位。因为这些完好的部位一旦遭到攻击后，造成的伤害是致命的，战斗机随即坠落，根本没有返航。看到的结果不一定是最糟糕的，看不到的部分可能情况更严重。幸存者偏差原理运用到资本市场中，通过数学模型量化分析的公司，研究的是现在在市场上存活下来的公司，而那些因为各种原因遭到退市的公司并不在模型分析的数据库当中，导致所有模型得到的分析结果与实盘交易结果不一致，往往模拟分析结果偏于乐观，容易误导量化交易投资者。
第二，量化分析包含未来函数。很多量化模型会误用未来函数，比如利用当天的收盘价来判断如何进行当天的交易，计算机得到的当天回报率是非常高的。当然这也是不真实的，在现实中不可能出现。另外，除了交易价格，最常见的未来函数就是把下一年度的分红数据用到当前分红除息日中，这样得到的分红率也是不真实的。误用未来函数会造成混淆，虚报投资模型收益。
第三，历史数据建模过度优化。投资模型中使用可变参数越多，越是在历史中某一段特定时间内通过调整参数去达到投资目标，这样得到的投资模型预测市场未来发展趋势的能力就会越差。过度优化存在的问题是根据过去某一段时期的数据做出非常好的投资模型可能在下一个时期表现非常糟糕，好比一个人的蜜糖是另一个人的砒霜。往往过度优化后，实盘和模型的差异非常大，最后导致全盘否认模型。建议解决办法是，一方面，不要过多地调整参数来优化模型；另一方面，模型要多段时期，多个市场，多维度检查其稳定性，客观评估收益率的合理性。
第四，数据过少，回测时间跨度太短。数据不足是导致投资模型预测能力不强的主要原因。资本市场行情波动充满不确定性，市场受到各方面因素影响，随机性较强。在一个较短时间跨度内表现较好的模型可是模型因子有效性，也有可能纯粹是运气。所以，投资模型一定要经过大量数据去检查其有效性和稳定性。如果真的觉得原始数据过少，就慢慢积累数据，交易市场每天都会有新的数据产生，或者把模型放到其他数据充足的国际资本市场中进行检验回测。新开发出来的投资模型往往其稳定性有待观察，可以用模拟盘监控或者小规模实盘跟跑策略。 第五，监管规则促使策略执行难度偏大。A股市场在现在还是T+0交易制度，也就是当天买入的股票第二天才能卖出，这样会让很多国际上成熟的量化策略在国内A股市场无法运行，其中影响最大的就是诸多对冲策略。由于国内股票市场做空品种稀少，融券难、融券贵等原因，量化对冲效果堪忧。当然，最典型的还是中国特有的涨停跌停版制度，回测的时候如果不考虑涨停买不进，跌停卖不出的情况，模拟回测的结果会偏高，与实盘的结果不一致。还有类似的停牌也是需要考虑的，当天申请停牌交易的股票，不能统计在交易结果当中。
第六，量化交易策略执行认知偏差。投资者必须认识到模型也不是万能的，没有哪个模型是无时无刻都战无不胜的。就是再好的模型都不能保证每个月都战胜指数，甚至连续几个月，连续几年跑输参照指数也是正常现象。投资者不应该过度关注投资模型能否每个月跑赢参照指数，而需要去检查在一个合理的投资时间段，例如三年或者更长，投资模型能否达到预期的复利年回报率。在量化交易进程中，追求完美的交易结果的策略会极易把投资者引入过度拟合的认知误区。
不断测试，不断挖掘因子，不断创新策略。量化投资本身就是一个不断挖掘数据，不断开发新策略，不断优化策略的一个过程。在这个过程中，不断整合交易经验，嵌入算法，模拟回测，分析回测结果指标，规避过度拟合，合理修改参数，反复回测。逐个检测单个因子有效性，整合弱相关因子，开发多因子模型。在检测模型稳定性的时候，逐個周、逐个月、逐个季度地去检验。总回测时间宽度要拉长，每个检测周期要缩短，提高有效性，优化模型。
创建预警机制，早期干预。每个策略的每一笔交易要设立一个明确的标准，同时加强实时监控，确保策略在执行过程中的有效性。一旦量化交易发生异常情况，通过交易日志及时发出预警，在交易信号发出前，修改交易指令，及时调换非可执行标的，提高交易完成率，保障交易策略的完整性。
结合人工智能，用策略创新策略。在围棋方面AlphaGo已经完胜人类，但是AlphaGo只会下围棋，不能进行任何其他的工作任务，它最大的缺憾是不会像人类一样迁移学习，够不上真正意义上的人工智能。迁移学习是目前机器学习的前沿科技，可以让人工智能举一反三，模型为同一目标综合学习各领域知识，各个领域的模型之间传递经验，让程序自动学习其他程序的优越性，用策略创新策略。这样，策略可以自行研究已经发现的风险要素，分析风险要素之间的相关性，并且提供解决方案。
（武汉商学院）
量化投资发展及我国现状
2019年下半年，最令中国投资界震惊的一则消息就是全球规模最大的量化基金Two Sigma成功申请到中国的私募基金牌照。这意味着国际量化投资巨头已经抢滩中国私募资本管理市场，看好量化投资在中国市场的发展前景。这将会给中国资本市场增添一种新的投资力量。
主动型投资基金在近年来表现差强人意，量化基金成为市场的新宠，它以骄人的成绩快速地扩大它在资本管理市场占有的份额。以Two Sigma为例，在过去的十年间，其资产管理规模由不到46亿美元迅速地在2019年10月增长到超过500亿美元的规模，它与老牌量化基金管理公司文艺复兴基金Renaissance并列成为全球规模最大的量化投资管理公司。全球范围内，市场资金正在快速流入量化投资领域。
中国金融对外开放是我们整个国家改革开放中的一个重要环节，Two Sigma的到来，欣喜和隐患并存。发展的机遇、技术上的挑战、市场份额掠夺的威胁如影相随。近年来，“保持对外开放”是中国金融行业发展的基本路线。仅2019年9月一个月，我国证券监管部门就推出了取消QFII和RQFII的投资额度限制、“深改12条”等等改革政策，这充分反映了中国资本市场改革开放的决心。然而，量化交易在中国市场相对比较陌生，复杂的程序交易算法运用不够广泛，发展缓慢。2011年4月16日，中国资本市场正式推出股指期货后，投资者才具备了做空股市的工具，更多的双边量化投资策略才有了发展空间。中国量化交易发展起步晚，发展中遇到的各种困难和阻碍较多，发展道路曲折。2013年8月16日，光大证券量化套利策略惊现“乌龙指”交易，造成资本市场价格巨幅波动，社会影响恶劣，引起监管层密切关注。
现阶段，量化交易在中国是探索时期，Two Sigma这样巨型的国际量化投资机构带着前沿的量化投资技术和数十年的投资经验来到我国资本市场，这无疑对我国投资行业和资产管理行业带来了前所未有的压力和巨大的挑战。面对庞然大物，我国的量化投资者应该如何规避风险？如何健全风险监测预警系统？如何完善早期干预机制？
量化投资的风险
量化交易是把投资者的投资理念通过数理模型进行量化和计算，这个过程建立模型是关键。首先通过计算机多维度挖掘数据，清洗数据，然后计算机模拟真实市场情况，建立投资模型去分析市场行情，预测市场发展趋势，最后依据投资模型通过计算机电子化自动执行交易指令。量化交易策略不同于传统的投资方法，重度依赖数据与模型，其运行过程之中涉及到众多风险管理因素。
第一，历史数据选择上出现的幸存者偏差。二战中盟军邀请哥伦比亚大学教授参与研究战斗机最需要加强防护的部位，得出的结果是返航战斗机中机体最完整无损的部位是最需要加强防护，而不是那些布满弹孔的机体部位。因为这些完好的部位一旦遭到攻击后，造成的伤害是致命的，战斗机随即坠落，根本没有返航。看到的结果不一定是最糟糕的，看不到的部分可能情况更严重。幸存者偏差原理运用到资本市场中，通过数学模型量化分析的公司，研究的是现在在市场上存活下来的公司，而那些因为各种原因遭到退市的公司并不在模型分析的数据库当中，导致所有模型得到的分析结果与实盘交易结果不一致，往往模拟分析结果偏于乐观，容易误导量化交易投资者。
第二，量化分析包含未来函数。很多量化模型会误用未来函数，比如利用当天的收盘价来判断如何进行当天的交易，计算机得到的当天回报率是非常高的。当然这也是不真实的，在现实中不可能出现。另外，除了交易价格，最常见的未来函数就是把下一年度的分红数据用到当前分红除息日中，这样得到的分红率也是不真实的。误用未来函数会造成混淆，虚报投资模型收益。
第三，历史数据建模过度优化。投资模型中使用可变参数越多，越是在历史中某一段特定时间内通过调整参数去达到投资目标，这样得到的投资模型预测市场未来发展趋势的能力就会越差。过度优化存在的问题是根据过去某一段时期的数据做出非常好的投资模型可能在下一个时期表现非常糟糕，好比一个人的蜜糖是另一个人的砒霜。往往过度优化后，实盘和模型的差异非常大，最后导致全盘否认模型。建议解决办法是，一方面，不要过多地调整参数来优化模型；另一方面，模型要多段时期，多个市场，多维度检查其稳定性，客观评估收益率的合理性。
第四，数据过少，回测时间跨度太短。数据不足是导致投资模型预测能力不强的主要原因。资本市场行情波动充满不确定性，市场受到各方面因素影响，随机性较强。在一个较短时间跨度内表现较好的模型可是模型因子有效性，也有可能纯粹是运气。所以，投资模型一定要经过大量数据去检查其有效性和稳定性。如果真的觉得原始数据过少，就慢慢积累数据，交易市场每天都会有新的数据产生，或者把模型放到其他数据充足的国际资本市场中进行检验回测。新开发出来的投资模型往往其稳定性有待观察，可以用模拟盘监控或者小规模实盘跟跑策略。 第五，监管规则促使策略执行难度偏大。A股市场在现在还是T+0交易制度，也就是当天买入的股票第二天才能卖出，这样会让很多国际上成熟的量化策略在国内A股市场无法运行，其中影响最大的就是诸多对冲策略。由于国内股票市场做空品种稀少，融券难、融券贵等原因，量化对冲效果堪忧。当然，最典型的还是中国特有的涨停跌停版制度，回测的时候如果不考虑涨停买不进，跌停卖不出的情况，模拟回测的结果会偏高，与实盘的结果不一致。还有类似的停牌也是需要考虑的，当天申请停牌交易的股票，不能统计在交易结果当中。
第六，量化交易策略执行认知偏差。投资者必须认识到模型也不是万能的，没有哪个模型是无时无刻都战无不胜的。就是再好的模型都不能保证每个月都战胜指数，甚至连续几个月，连续几年跑输参照指数也是正常现象。投资者不应该过度关注投资模型能否每个月跑赢参照指数，而需要去检查在一个合理的投资时间段，例如三年或者更长，投资模型能否达到预期的复利年回报率。在量化交易进程中，追求完美的交易结果的策略会极易把投资者引入过度拟合的认知误区。
量化投资风险控制应对方案
不断测试，不断挖掘因子，不断创新策略。量化投资本身就是一个不断挖掘数据，不断开发新策略，不断优化策略的一个过程。在这个过程中，不断整合交易经验，嵌入算法，模拟回测，分析回测结果指标，规避过度拟合，合理修改参数，反复回测。逐个检测单个因子有效性，整合弱相关因子，开发多因子模型。在检测模型稳定性的时候，逐個周、逐个月、逐个季度地去检验。总回测时间宽度要拉长，每个检测周期要缩短，提高有效性，优化模型。
创建预警机制，早期干预。每个策略的每一笔交易要设立一个明确的标准，同时加强实时监控，确保策略在执行过程中的有效性。一旦量化交易发生异常情况，通过交易日志及时发出预警，在交易信号发出前，修改交易指令，及时调换非可执行标的，提高交易完成率，保障交易策略的完整性。
结合人工智能，用策略创新策略。在围棋方面AlphaGo已经完胜人类，但是AlphaGo只会下围棋，不能进行任何其他的工作任务，它最大的缺憾是不会像人类一样迁移学习，够不上真正意义上的人工智能。迁移学习是目前机器学习的前沿科技，可以让人工智能举一反三，模型为同一目标综合学习各领域知识，各个领域的模型之间传递经验，让程序自动学习其他程序的优越性，用策略创新策略。这样，策略可以自行研究已经发现的风险要素，分析风险要素之间的相关性，并且提供解决方案。
（武汉商学院）