分类
K线图基础

量化投资

图片来源:网络

对于从事量化投资交易的小结

对于量化投资的指导思想,我个人比较推崇统计套利。推崇本金安全是第一位的。这种指导思想下,权衡、取舍的东西是很多的。但是,目的是明确的,那就是要稳妥的实现个人财富的保值增值目的。那么,什么样的人适合学金融工程?(这是个人自学计算机科学与技术专业和金融工程专业本科到研究生的课程时,经常会问自己的问题)这个问题是一个非常值得探讨的问题。我自己在做数据分析师后,也选择自学金融工程,也是不止一次的扪心自问自己适合做量化投资吗?自己怎样才能做的好?先说结论:金工需要四方面的硬能力,按制约性从高到低排列为:1.编程,2.建模,3.数学,4.金融。但更重要的是,你要有独立思考、独立解决问题的软实力。你若是能做到这些,那么恭喜你,你就是天生的金工从业者了。对于金融机构来讲,相较于S&T, IBD而言,金工可能不是最重要的岗位,但可谓是对从业者的skills set要求最全面的岗位。这个“全面”,指的不是让你像传统trader一样成为一个样样通的杂家,而是需要你在四五个领域都扎得很深。具体如下:

一个好的金工人员,首先要编程好。所谓编程好是什么意思呢?就是说你永远不能让程序限制你的思维。比如说你想回测一个论文中的交易法则,或者说你在交易中有一个萌生的念头,当论文读懂、数据在手的时候,你必须把这个策略用计算机语言重现出来,而且还要尽可能的快,因此强硬的过程性语言功底是必须的。MATLAB, C, R最好都精通。进一步讲,你想要搭建一个策略平台,或者在别人的策略平台进行策略的研究和回测,强硬的面向对象的编程功底是必须的,C++和Python至少要精通一个。此外还有market maker需要SQL, 有fund需要SAS. 不一而足。制约绝大部分人走上金工道路的是编程。一般来说一个优秀的quant的编程水平,要和一个计算机系本科生水平差不多才行。对于计算机语言来说,C++绝对是个人编程水平的试金石,长期以来,它同时充当着基础计算架构和数值计算的双重目的。但是,对于我来说,选择Python实现统计计算和金融计算成为了更加高效的时间投入产出。

第三要数学好。不要求你能写paper,但给你一个paper你至少要能看懂。 你对概率论、数理统计、微积分、线性代数的熟悉度要高。此外,你要学习随机过程和随机微积分, 因为大部分策略的论文都涉及ito process,布朗运动等内容。

量化基金經理告訴你:什麼是真正的量化投資

展開

不少讀者朋友們經常跟我反應,說他們對 “量化投資” 比較感興趣,希望我能夠有空多寫一些這方面的科普和介紹文章。他們比較感興趣的問題有:到底什麼是量化投資?量化投資和傳統意義上的 “人為投資” 有什麼不同?量化投資在哪些市場比較好用?作為個人散戶投資者,有沒有機會通過量化的投資策略戰勝機構?

帶著這些問題,我和英國的一位量化基金經理 Robert Carver 進行了一場非常有趣的對話。

首先向大家介紹一下 Robert Carver 的背景。Carver 目前是一位自僱人士,專業在自己家裡做量化投資。在辭職自己做之前,他曾經是英世曼 AHL(Man AHL)基金中的基金經理,管理十億美元以上的固定收益投資策略。(註:Man AHL 是一家歷史悠久的量化對沖基金。AHL 的交易策略以 Trend Following 為主,涉足的市場主要包括全球成百上千的期貨交易市場。)

Robert Carver 曾經出版過兩本關於量化交易的書籍,分別為:Systematic Trading(《系統化交易》)和 Smart Portfolios(《智慧投資組合》)。在這兩本書中,Carver 介紹了不少關於量化投資方面的方法和技巧,因此我覺得和他的訪談中,能夠為那些對量化投資感興趣的朋友帶來一些價值。

完全自動化的投資系統,是每一個量化基金經理的夢想。這就好比造出了一台印鈔機,只要把機器打開,在那裡夜以繼日不停的工作,而機器的擁有者則可以去睡大覺,每天躺著收錢就行。但是到目前為止,在業界還沒有這樣的 “量化投资 印鈔機”。當然,如果有一天真的有這樣一台全自動量化交易 “印鈔機” 被發明,這也未必是個好消息,因為這可能也意味著很多量化經理從此將失業了。

人 vs 機器

在這場 “人” 和 “機器” 的大戰中,很多人比較關心的問題是:到底人為投資更好,還是量化投資更好?

在 Carver 看來,人和機器之間的競爭關係,被過度宣傳了。Carver 看到的,更多的是人和機器之間的互補性。

  1. 該市場有豐富和可靠的歷史數據。讓電腦程式做出更優投資決策的前提之一,就是有海量的數據供研究人員進行測試和分析,然後摸索出一定的可重複性規律,將其寫入代碼之中,讓機器忠實的執行。因此相對來說,已開發國家的金融市場,歷史數據相對來說更加豐富和可靠,因此也更容易讓量化交易有更大的用武之地。
  2. 市場規則透明穩定,因此一些歷史模式可能得以重複。量化交易的核心,就在於發現歷史規律和模式,並從這些模式在未來的重複中獲利。而歷史模式得到重複的前提,是市場的規則比較穩定透明,不受那些無法預測的 “意外” 的影響。
  1. 缺乏歷史數據,或者儘管有歷史數據,但數據不甚可靠,其中有很多噪音。舉例來說,如果某國營不少上市公司都在財務數據上作假,虛報盈利,那麼用機器學習的方法,很可能會 “垃圾進、垃圾出”,得到不少錯誤的結論。而如果一位基金經理經驗豐富,對做假帳的方法比較熟悉,那麼他就能更快和更準確的看出這些假冒數據背後的端倪,也更能夠離真相更進一步。
  2. 市場規則不透明,或者多變。在這樣的環境下,一些所謂的歷史規律,可能是在特定時間和特定規則下的產物,因此很難會在未來重複出現。
  3. 黑天鵝事件。顧名思義,黑天鵝事件就是那些人們預料不到的,幾十年一遇,甚至百年一遇的情況。這樣的事件幾乎沒有歷史先例可以參考,因此機器在這方面幾乎沒有應對能力。

在和 Carver 的訪談中,我特地和他談到個人投資者和機構投資者在量化交易方面的優勢和劣勢這個問題。談這個問題的原因在於,首先 Carver 在像 AHL 這樣的投資機構中工作過,現在又在家裡做投資 DIY,因此對兩種方法的優缺點有更深的體會。其次,我相信很多讀者也有想在自己家裡試一試量化交易的想法,因此會對這個問題比較感興趣。

各自的優勢

機構的另一大優勢是交易成本。很多大型的對沖基金,一個非常明顯的優勢就是他們的交易成本是個人投資者的 1/10、1/100 甚至更低,這裡的交易成本包括券商佣金和摩擦成本。機構有專業的交易團隊,同時有交易量優勢。在這方面,個人很難和機構匹敵。

當然在量化交易領域,機構研發能力優勢的大小要視策略而有所不同。在 Carver 看來,在高頻交易領域,機構的優勢比較明顯。因為很多高頻交易策略,需要不停的迭代更新,如果沒有研發更新,一個老的策略很可能過了半年到一年就不管用了。但是有一些比較長期的量化策略,比如趨勢追蹤(trend following)之類,其迭代更新沒有這麼快,因此相對來說,機構的研發優勢就沒有那麼明顯。

和機構相比,個人投資者最大的優勢在於費用低廉。要維持一個大型投資機構的運轉,撐起一個大型的投資團隊(包括投資經理、研發、數據、交易、後台、法律等),需要非常高昂的費用。在這些費用之上,基金公司還需要賺錢,因此他們需要向投資者收取高昂的投資費用(比如 2/20)。而如果是在家裡自己交易的個人投資者,就可以避開這些費用。對於想要提高自己投資回報的投資者來說,降低費用非常重要,有興趣的朋友可以搜尋 “伍治堅+投資費用” 做擴展閱讀。

然後,我和 Carver 聊了一下機器學習在金融投資中的應用。機器學習是目前比較時興的概念,很多讀者對這個話題一定也很感興趣。

大致來講,機器學習可以被分為兩種:有人管的機器學習(Supervised Machine Learning)和沒人管的機器學習(Unsupervised Machine Learning)。

有人管的機器學習,是指工程師定義研究的變量。這種 “機器學習”,其實和傳統意義上的量化交易策略研究沒有多大區別。很多這樣的機器學習,用的還是最小二乘法(OLS)和主成分分析(PCA)這樣的統計方法,而這些統計方法至少已經被用了幾十年。一些機構放上 “機器學習” 的標籤,主要就是為了追求一個噱頭,在行銷上讓人產生 “高大上” 的錯覺。

事實上,那些 “掛羊頭賣狗肉” 的機器學習,更值得我們投資者警惕。因為本來可以用一些比較簡單的傳統量化手段實現的交易策略,披上了 “機器學習” 的外衣,反而增加了投資成本和沒有必要的複雜之處,效果也不見得更好,對投資者來說沒有什麼價值。

最後我問 Carver,對於中國讀者有什麼建議或者要分享?Carver 說到,如果想要做一個優秀的個人交易員,那麼他應該具備以下素質:謙虛、懷疑、縝密、堅韌、紀律和一致。

来源:法国里昂商学院 时间:2022-01-05 浏览:564 -->

以下为嘉宾演讲全文

另外一点,量化投资和传统的投资还有一个不同,传统的投资对于自己的收益追求当然是希望越高越好,但是一般没有一个明确的基准。在量化投资过程中,大家是以追求非常明确的基准的。比如我们现在看到,市场通常以整个的市场指数,比如上证综指,或者是以其它的一些子指数,比如说沪深300指数 (4921.345, -27.39, -0.55%) (4921.3449, -27.39, -0.55%),甚至是中证500指数,一般都会作为量化投资的一个基准。大家在投资的过程中,希望自己的投资能够超过这些基准。所以,我们看到量化投资不仅方法论更加量化,而且评判的标准也是非常量化的,这也是量化投资跟传统定性投资的不同。

做量化投资年薪百万输了?有人发5000万年终奖,赶上大年实现财富自由

截屏2021-12-14 下午7.16.07.png

图片来源:图虫创意

刚毕业给员工发3000万年终奖?

640.png

图片来源:网络

“人才才是重点”

图片1.png

图片来源:华泰证券研报

图片2.png

图片来源:华泰证券研报

截屏2021-12-14 下午6.52.39.png

图片来源:知名招聘网站