量化研究与质化研究及量化投资分析报告

量化研究与质化研究:对立及其超越质化研究(qualitativeresearch,也译定性研究)作为社会科学领域一种新的研究范式近年来引起了各个学科领域的重视。心理学领域同样为质化研究的新颖模式所吸引。临床心理学、社会心理学、教育心理学等学科领域的专家出版了大量的论文和著作,论述传统量化研究(quantitativere-search,也译定量研究)的弊端和质化研究的优势,其势头之猛,以至有许多学者称质化研究的兴起是心理学的，范式革命或地壳的巨变。在本文中,我们从质化研究和量化研究的对立特征开始谈起,分析这两种研究范式的哲学根基,并就超越和整合这两种对立的范式提出我们的见解。1量化与质化研究的对立科学心理学建立以来,一直以经验自然科学为楷模,强调客观、量化的研究方法。事实上,实验心理学的建立者、德国心理学家冯特就是利用了心理物理学的实验和量化的方法,奠定了科学心理学的方法论基础,使得心理学摆脱了哲学的母体,成为一门独立的学科。因此,科学心理学建立之日起,就表现了对量化方法的偏爱。非量化的方法,如现象学的方法、释义学的方法因其主观色彩一直受到心理学家的排斥,“在大多数条件下,质化方法被看作是同量化方法竞争的、另类的范式……量化研究倾向于使用严格的、可靠的数据,视社会世界外在于观察者;而与此相对照的是,质化方法使用更为丰富的数据,把社会世界视为观察者的建构”。量化研究与质化研究在诸多方面展现出截然对立的品质:在科学观方面,量化研究更贴近了经验自然科学,力图以使用量化方法的物理学、化学为理想的模型。德国古典哲学家康德曾经主张心理学不能成为科学,究其根源在于心理现象不能量化,因此心理学永远无法成为物理学那样的精确科学。冯特从实验生理学和心理物理学的数量化方法中获得启发,突破康德的预言,改造了传统的哲学心理学,使之成为实验心理学。在冯特的心目中,实验心理学就是一门自然科学,使用的方法是客观和数量化的方法,同其他自然科学别无二致。在心理学的发展过程中,心理学家之所以坚持量化的方法,在很大程度上就是因为要贴近自然科学,实现心理学作为一门“科学”的理想。质化研究与量化研究的自然科学倾向相反,它体现的是人文科学的精神,“旨在为以人为本的科学研究提供内在的思想依据……”质化研究所体现的科学观是狄尔泰的精神科学。狄尔泰曾经指出,自然科学的研究对象是没有内在体验的“物质”,人文科学研究的是具有内在体验、有血有肉、感情丰富的人。两者的研究对象不同。所以自然科学研究采取的是客观、量化的方法,排除研究者个人的价值和体验,而人文科学由于研究的是经验中的主体,无法剥离主体的体验,因此只能采取定性的描述。“我们说明自然,但我们理解心灵”。这种研究模式曾经影响了布伦塔诺的意动心理学和其他人文倾向的心理学家。虽然在心理学的自然科学化浪潮中这种研究方式只能处在边缘和支流的地位,但是其体现的人文科学精神却一直伴随着心理学的发展。从本体论的角度来看,量化研究采取的客观、超然的态度,假定了心理现象是独立于研究者的客观存在。换言之,量化研究者把心理现象视为同物质世界具有同样性质的经验实体。然而,质化研究则从建构的角度理解心理现象,把心理现象视为人的主观生活体验。生活体验的主观性质使得客观、量化的方法失去了意义,只能采取理解和描述的方式进行把握。从认识论方面来看,量化研究假定了研究者和研究对象的主客体关系,认为研究者可以置身于研究过程之外,不带任何感情色彩,保持“价值中立”的态度。但是,大部分质化研究的主张者反对主客两元论,强调“价值理性”的作用,认为知识不是主体对客体的反映,而是一种社会建构,任何一种知识都承载着价值观和意识形态的影响,没有“价值中立”的知识。从方法论的角度来看,量化研究体现了“方法中心”的要求,而质化研究体现了“问题中心”的原则。“从选择量化方法的那些人的角度来看,他们是以自然科学使用的方法为楷模,并力图使自己的方法与自然科学的方法保持和谐。对于他们来说,使用质化方法意味着贬低了作为`科学'的心理学。但是对于偏爱质化方法的那些人来说,他们以人文科学的方法为楷模,力图与人文科学的方法保持和谐。对于这些人来说,坚持量化方法贬低了人的存在,而这恰恰应该是心理学学科关注的中心”。量化研究与质化研究在方法论上的对立还表现在:第一,元素主义对整体主义。量化研究由于强调了客观、精确,因而在面对认知、人格、态度等心理现象时,倾向于采取元素分析的方式,将复杂的现象归结为简单的组分,以便于进行量化的操纵。但是“质的研究方法认为将社会环境作为一个整体加以系统探究提供工具,避免将社会环境肢解成孤立的、不完整的、不联贯的变量”。质化研究从自然主义的研究态度出发,反对将完整的心理现象分析成相互割裂的碎片,因而表现出整体主义的研究取向。表现在研究的设计上,问题的设计、资料的搜集和分析都倾向于从整体的框架出发。第二,客位(etic)研究策略对主位(emic)研究策略。量化研究追求的是超越文化和社会、可应用于所有人的普适性规律,因而属于客位策略。心理学中的客位策略指的是从泛文化的角度,或者从文化系统的外部对心理和行为进行分析,试图总结和概括不受社会历史、文化地域影响的心理规律。质化研究从属于主位研究策略。它追求的是理解个体或社会特有的心理现象与行为。这种研究策略倾向于从特定的文化系统出发,在文化的内部理解文化与行为的关系。第三,一般规律(nomothetic)的研究对特质论(idiographic)的研究。量化研究在普适性、科学性的理想指导下,力图揭示行为的一般模式和共同的心理特性,以便于实现预测和控制行为的最终目标。质化研究从特质论的观点出发,把个体看作是复杂的、独特的实体,具有其他个体所不具有的品性。特质论的研究不是去预测和控制行为,而是理解行为,描述行为者的独特体验。2量化与质化研究对立的哲学根基量化研究与质化研究作为两种研究模式,本来只是一种方法的选择问题:针对不同的研究问题,或同一问题的不同方面,选择量化或质化的方法。换言之,量化和质化并非对立的,而是互补的。但是事实却是,量化和质化成为心理学的两种研究“范式”,或者被某些学者称之为心理学的两种“文化”,表现为认识论和方法论方面的激烈冲突。为什么这两种本来可以互补的研究模式会演变为“范式”的冲突呢?究其根源,在于量化研究和质化研究有着不同的哲学根基。体现了不同的哲学精神。具体地说,量化研究体现的是实证主义精神,而质化研究体现的是现象学、释义学和社会建构论的思想意识。不同的世界观和方法论导致了两者的截然对立量化研究体现了实证主义的要求。事实上,“实证”一词本身的含义就有“确定的”、“精确的”意义,其本意是推崇自然科学的数量化知识。实证主义的创始人、法国哲学家孔德曾经指出,任何知识形态都经历了三个发展阶段,即借助于超自然的力量解释万物本性的神学阶段、以抽象的概念代替超自然力量的形而上学阶段和通过观察与实验发现现象之间因果关系的实证阶段。在实证阶段,知识是以系统的观察与实验作为基础,其表述方式是数量化的,类似于表示函数关系的数学公式。这种研究模式不仅适用于自然科学,社会现象的研究也应该遵循这种实证的量化模式。概括地说,早期的实证主义主张:①自然科学和社会科学具有同样的研究目标,即揭示那些有助于预测和控制的定律;②自然科学和社会科学应该遵循同样的方法论路线,即客观、量化的方法;③概念的定义应该以经验的数据为基础;④大样本的使用可以产生具有代表性的结论,在样本足够大的基础上,可以忽略个别的、特殊的案例,所得到的定律具有广泛的适用性。这些主张在促进心理学接受客观、量化的方法方面起到了举足轻重的作用。逻辑实证主义及其衍生的操作主义在促进心理学的量化研究方面也发挥着重要影响。逻辑实证主义同早期实证主义的不同之处在于,后者强调经验的直接证实,而前者认为在经验命题的基础上,通过逻辑推理所进行的间接证实同样是科学的和有意义的。对于主观色彩浓厚的心理现象来说,直接的证实是困难的,但是间接的证实却是可行的。新行为主义的“内驱力”概念就是这一思想的直接产物。间接证实怎样进行呢?意识和心理的主观属性让间接证实的方法也面临着困境。心理学家史蒂文斯解决了这个困难,他使用了操作主义的方法,即采用概念的操作定义。操作主义主张,概念与相应的一组操作是同义语。通过给具有内在特征的心理现象进行的操作定义,心理学家可以接纳认知、目的、能力和内驱力等内部状态为合法的研究对象。但是操作定义的指标是数量化的,操作定义意味着量化的方法,由此,心理学的量化研究成为标准的科学方法。任何违背这一原则的方法都被排斥在心理学的领域之外,心理学成为“量化”的科学。但是,“心理现象是有意义的、关系性的、非展延性的和互动性的,是文化的和历史的构成的现象,并带有伦理和政治的意义。心理现象的这些属性使它成为非数量化的”。量化研究在符合“科学”标准的同时,却忽略了心理现象的真正属性。量化研究以实证主义为其哲学依据,而质化研究则更多地建筑在现象学、释义学和社会建构论原则的基础上。现象学同样追求哲学作为一门科学的理想,但是现象学的科学观同实证主义科学观截然不同,它通过所谓“现象学的还原”,清除意识中的经验元素,以便为理解个人的生活世界打下基础。事实上,胡塞尔的现象学还原的几个步骤,即“面向事物本身”、“中止判断”、“本质还原”和“先验还原”就是质化研究最经典的范例。现象学还原表现了现象学方法的整体性、自然性、描述性,为质化方法的形成奠定了理论基础。释义学同现象学一样,同属于非实证主义的理论系统,两者之间在许多方面有着共性和一致性。早期的释义学代表人物狄尔泰提出了自然科学和精神科学的区别,他的主要工作是要为研究精神现象及其产物的人文科学找到一种方法论,以便使得人文社会科学的知识能具有自然科学知识那样的地位和价值。释义学就是他的这一努力的产物。狄尔泰指出,自然科学采取的是抽象的、脱离具体情景的研究模式,研究对象本身没有内在的体验和意向能力。自然科学从具体的事件中概括出一般的规律,并且把世界视为抽象的、脱离具体情景物体的集合体。从这样一种观点出发,研究的对象是客观化的、数量化的,剥离了意义和价值。但是这种方式并不适合以人为对象的人文社会科学。因为人文科学面对的是人的精神及其产物,其基本目标是理解,在理解的过程中解释(interpretate)对象的意义和价值。人文社会科学的主要目标不是把人文现象置于一般规律下进行因果解释和量化的操纵,而是在具体的、有意义的情景中进行理解和诠释,把握特征和意义。后期的哲学释义学把理解看作是人的存在方式,认为理解过程发生于理解的前结构和理解之间,理解是一种“视域融合”,受到地域和文化历史因素的制约。这些观点同实证主义的客观、量化、价值中立的观点形成鲜明的对比。质化研究强调的人文精神、研究过程的文化制约特性等都体现了释义学的影响。正是在这个意义上,心理学家瑞尼(Rennie,D)指出:“在当代释义学的影响下,社会学、心理学和其他相关学科出现了新的研究方式……与量化的方法相对照,这些新的研究方式被称之为质化方法”。质化研究强调通过被调查者的眼光看世界,认为每个人都有自己对世界的理解,有对事件的主观认识及其建构。这一观点反映了社会建构论的影响。社会建构论的代表人物格根(Gergen,K)曾经指出:“对于现代主义者来说,世界简简单单地`在那里(outthere)',以供观察。然而在后现代主义者的文本里,这种假设是没有理由的……谈及`世界'或`心灵'等需要语言,`物质'、`心理过程'等词语并非世界的镜子,而是语言系统的构成成分……在这个意义上,那些被我们当成`真实的',那些我们信以为真的心理功能,不过是公共建构的副产品”。既然在社会生活中我们面对的仅仅是一种建构,那么在研究过程中,研究者和被研究的对象是一种互动的关系,研究者要透过被研究者的眼光看世界,分析研究对象怎样建构了他或她的世界,通过彼此的沟通和协商,建立对社会生活的共识。质化研究就建筑在这样一种理念之上。3对立的超越:实践层面的整合由于量化研究与质化研究以不同的哲学理念为基础,体现了不同的世界观和方法论,因而两者的冲突就无可避免了。量化研究阵营认为“质化研究是没有价值的,因为它仅仅对`是什么'感兴趣,而不关心`有多少'……它的取样也存在着问题”。与此形成鲜明对照的是,质化研究阵营则认为:“心理学,特别是咨询心理学,一直为实证主义和后实证主义的研究范式所支配,强调了量化的方法。这样一种狭隘的范式限制了这个职业的发展能力,使得该职业不能取得任何有重要意义的进展。随着咨询心理学扩展其范式的基础,在它的研究方法中包含质化的方法,它将快速促进该领域作为一门科学的进展”。实际上,无论是量化研究还是质化研究,都建立在经验的基础上。换言之,两者同属于经验心理学,都建立在经验观察的基础上。量化研究强调控制条件下的观察,而质化研究强调自然情景条件下的观察。两者都以经验观察为基础。不同之处在于,怎样进行观察和对观察的结果作何解释。在这一意义上,两者是有着共同特点的。科学心理学建立的初期,实验心理学并非完全数量化的。虽然冯特主张以量化的方法改造传统的哲学心理学,但是在莱比锡大学实验室里,他依赖的是个体的内省报告。这种内省报告并非数量化的,而是对个人感觉的质的描绘。符兹堡学派关于无意向思维的研究同样如此,量化的方法在早期的实验心理学并没有占据支配的地位,只是到了后来,大量被试的采用和统计推理知识的引入才使得实验心理学成为量化心理学的代名词。这说明,科学心理学并不完全依赖量化,质化研究和量化研究在心理学中具有同等重要的地位。然而,量化和质化因为以不同的哲学理念为基础,实现两者的有机整合是困难的。但是,两种研究模式既然都给科学心理学作出了贡献,那么我们可以排除其哲学理念造成的冲突,在实践层面上,让量化研究和质化研究成为互补的研究方式。在实践层面上,任何单一模式的使用都会带来无法解决的问题。量化研究以其客观、精确而著称。这种研究大多采用假设—演绎的模式,即首先根据对研究对象的一般性了解,作出一定的理论假设,然后通过对样本的调查研究,作出对研究对象整体的推论。研究开始之前的理论假设无疑是重要的,因为它规定了后继的研究方向。但是量化研究恰恰在这一阶段容易出问题。因为量化研究的客观原则要求研究者持“中立”的态度。为了保证中立的态度,量化研究往往选择那些与研究对象没有直接联系的个体,以防止研究者的个人情感的涉入。然而,这意味着研究者对研究对象的社会文化背景缺乏了解或没有透彻的了解。这样一来,理解假设和以这一理论假设为基础的调查问卷就出现了问题,其所得的结论也就很难令人信服了。但是,量化研究的劣势恰恰是质化研究的优势。如果量化研究同质化研究结合起来,这个问题就很容易解决。因为质化研究强调的是情景性和文化契合性,强调从被研究者的角度看问题,了解被研究者的文化历史背景。因此,如果在量化研究进行之前,首先通过质化研究的无结构访谈对研究对象有一般性的了解,那么理论假设就具有文化契合的基础了。质化研究的单一模式在实践中也面临着许多问题。正如量化研究指责的那样,质化研究所得到的结论往往不具备迁移性。换言之,质化研究结论的应用范围是有限的。当然,质化研究并不在意结论的一般性,它的本意就是研究典型的案例,得到一种特质性的结论。但是,科学研究与经验常识的基本区别就在于前者是概括性的结论和一般规律的研究,而后者仅仅是个人经验知识,缺乏跨情景的迁移性。如果质化研究欲提升科学的挡次,则必须在结论的概括性和一般性上下工夫。在这一方面,量化研究具有无可比拟的优势。在小样本的基础上得到的质化研究结论可以再放到大样本的量化研究中进行考察或检验。另一方面,量化研究结论可以给质化研究提供有关研究对象的一般结构和分布状况。以这些信息为基础,质化研究者可以更便利地选择典型事例,得到更具有代表性的结论。所以,超越量化研究与质化研究的对立意味着在实践层面上将两者结合起来,互为利用、取长补短,坚持一种方法多元论的立场。“新倾向的倡导者主张`混合的方法设计',它标志着社会研究中一个新时代的开始。这个新时代的特征就是从实用的角度把量化方法和质化方法相互结合”。作者：叶浩生(1955-),江苏徐州人,南京师范大学教育科学院教授,博士生导师,研究方向:心理哲学。（版权归作者及来源所有）概述背景量化投资在国外的实践已经有了40多年的发展，我国的量化投资起步较晚，从2004年开始出现量化投资的产品，由于缺乏有效的对冲手段，直到2010年4月沪深300股指期货上市之后才能算是真正意义上开始涉足量化投资。2015年的中国股市跌宕起伏，杠杆配资引发了大幅上涨和断崖式下跌，股市出现罕见的千股涨停、千股跌停、千股停牌的奇观，众多机构投资者和散户蒙受了巨大的损失。但其中少数量化投资基金在大幅波动的市场中却表现相对稳定。量化投资基金和量化对冲策略的稳健，很快引起了全市场的关注，也成为近期银行、券商、信托等机构追捧的新的产品模式。在此背景下，结合建行现有的业务体系，本文将对量化投资的市场和可行性进行全面阐述，以分析其成为新业务模式的可能。量化投资解读量化投资定义量化投资在学术界并没有严格统一的定义，现有的定义对于量化投资的定义的侧重点各有不同。本文对于量化投资的定义为：量化投资是借助现代统计学和数学的方法，利用计算机技术从庞大的历史数据中海选出能带来超额收益的多种“大概率”事件以制定策略，用数量模型验证及固化这些规律和策略，然后严格执行已固化的量化策略来指导投资，以求获取可持续的、稳定且高于市场平均的超额回报。量化投资的特点客观执行，避免情绪因素传统投资的分析决策，大多数方面都由人工完成，而人并非能做到完全理性，在进行投资决策时，很难不受市场情绪的影响。量化投资运用模型对历史和当时市场上的数据进行分析检测，模型一经检验合格投入正式运行后，投资决策将交由计算机处理，一般情况下拒绝人为的干预，这样在进行投资决策时受人的情绪化的影响将很小，投资过程可以做到理性客观。支持大数据处理，提高决策效率我国股票市场上有近3000只股票，与上市公司相关的各种信息纷繁复杂，包括政策、国内外经济指标、公司公告、研究报告等，投资者靠自己手工的筛选根本就是力不从心。量化投资的出现为这个问题的解决带来了希望。量化投资运用计算机技术快速处理大量数据，对其进行辨别、分析、找出数据之间的关联并做出投资决策，大大减少了人工工作量，提高了投资决策效率。统计模型支撑，策略选股择时精准传统的投资方法中认为投资是一门艺术，投资决策需要的是投资者的经验和技术，投资者的主观评价起到决定作用。而量化投资有所不同，尤其是在套利策略中，它能做到精准投资。例如在股指期货套利的过程中，现货与股指期货如果存在较大的差异时就能进行套利，量化投资策略和交易技术会抓住精确的捕捉机会，进行套利交易来获利。另外，在控制头寸规模方面，传统的投资方法只能凭感觉，并没有具体的测算和界定，而量化投资必须要设定严格精确的标准。程序化交易，缩短决策与交易时滞量化投资往往利用高速计算机进行程序化交易，与人脑相比它能够迅速发现市场存在的信息并进行相应的处理，具有反应快速、把握市场稍纵即逝的机会的特点。量化投资在速度上最出色的运用就是高频交易，与低频交易相对，高频交易是通过高速计算机，在极短的时间内对市场的变化做出迅速的反应并完成交易。能够有效地控制风险与传统投资方式不同的是，量化投资在获得较高超额收益的同时能够更好地控制风险，业绩也更为稳定。相关研究显示，1996年至2005年期间，量化投资基金与以所有传统主动型投资基金和偏重于风险控制的传统主动型投资基金的信息比率对比情况中，量化投资基金的信息比率都是最高，说明量化投资相对于传统投资，能够在获得更高的超额收益的同时，有效地控制风险。量化投资的应用量化投资几乎覆盖了投资的全过程，包括量化选股、量化择时、股指期货套利、统计套利、算法交易和资产配置等。量化选股量化选股就是采用数量的方法判断某个公司是否值得买入的行为。根据某个方法，如果该公司满足了该方法的条件，则放入股票池，如果不满足，则从股票池中剔除。量化选股的方法有很多种，总的来说，可以分为公司估值法、趋势法和资金法三大类。量化择时股市的可预测性问题与有效市场假说密切相关。众多的研究发现我国股市的指数收益中，存在经典线性相关之外的非线性相关，从而拒绝了随机游走的假设，指出股价的波动不是完全随机的，它貌似随机、杂乱，但在其复杂表面的背后，却隐藏着确定性的机制，因此存在可预测成分。股指期货套利股指期货套利是指利用股指期货市场存在的不合理价格，同时参与股指期货与股票现货市场交易，或者同时进行不同期限，不同（但相近）类别股票指数合约交易，以赚取差价的行为，股指期货套利主要分为期现套利和跨期套利两种。商品期货套利：商品期货套利盈利的逻辑原理是基于以下几个方面：（1）相关商品在不同地点、不同时间对应都有一个合理的价格差价；（2）由于价格的波动性，价格差价经常出现不合理；（3）不合理必然要回到合理；（4）不合理回到合理的这部分价格区间就是盈利区间。统计套利统计套利是利用证券价格的历史统计规律进行套利，是一种风险套利，其风险在于这种历史统计规律在未来一段时间内是否继续存在。统计套利在方法上可以分为两类，一类是利用股票的收益率序列建模，目标是在组合的β值等于零的前提下实现alpha收益，我们称之为β中性策略；另一类是利用股票的价格序列的协整关系建模，我们称之为协整策略。算法交易指通过使用计算机程序来发出交易指令。在交易中，程序可以决定的范围包括交易时间的选择、交易的价格、甚至可以包括最后需要成交的证券数量。根据各个算法交易中算法的主动程度不同，可以把不同算法交易分为被动型算法交易、主动型算法交易、综合型算法交易三大类。资产配置指资产类别选择，投资组合中各类资产的适当配置以及对这些混合资产进行实时管理。量化投资管理将传统投资组合理论与量化分析技术的结合，极大地丰富了资产配置的内涵，形成了现代资产配置理论的基本框架。量化投资与传统投资的区别传统的投资方法主要有基本面分析法和技术分析法这两种，注重人为的分析和投资者的感觉，而量化投资主要依靠数学模型来寻找投资标的和投资策略。量化投资是由计算机自动产生交易策略的一种投资方法，通过建立数学模型来实现交易理念，它具有完整的评价体系。模型建立后，通过对历史数据进行回测检验，确定模型在各个行情阶段均能有效运行，实现盈利。因此量化投资较传统投资更准确、更高效、更理性。量化投资与传统投资对比如下图：量化投资传统投资代表人物詹姆斯·西蒙斯沃伦·巴菲特分析方法依据科学模型依据人的经验与判断信息来源海量数据以及多层次多方面的因素（定量分析）基本面及宏观经济（定性分析）投资风格投资周期偏向短期投资周期偏向长期投资标的分散化投资于某一只或少量股票风险处理在风险最小化前提下实现收益最大化风险考虑不周全行业发展状况国外篇国外量化投资的兴起和发展主要可以分为三个阶段：第一阶段（1971——1977）1971年，世界上第一只被动量化基金由巴克莱国际投资管理公司发行，1977年世界上第一只主动量化基金业是由巴克莱国际投资管理公司发行，发行规模达到70亿美元，算是美国量化投资的开端。第二阶段（1977——1995）从1977年到1995年，量化投资在海外经历一个缓慢的发展，这其中受到诸多因素的影响，随着信息技术和计算机技术方面取得巨大进步，量化投资才迎来了其高速发展的时代。第三阶段（1995——至今）从1995到现在，量化投资技术逐渐趋于成熟，同时被大家所接受。在全部的投资中，量化投资大约占比30%，指数类投资全部采用定量技术，主动投资中，约有20%——30%采用定量技术。数据显示2016年，量化科技在国外的理财产品管理规模已达到了3.2万亿美元，而通过计算机和数字模型进行下单和下达指令的比例达到了惊人56%。量化投资基本实现了从最初的技术分析手段，逐渐发展演变为如今有金融理论支撑的金融设计工具，以计算机程序算法主导的高频交易。国外量化投资的代表企业及人物：量化投资的鼻祖——巴克莱国际投资管理公司（BGI）。1971年，巴克莱国际投资管理公司发行了世界上第一只被动量化基金，1977年，巴克莱国际投资管理公司发行了世界上第一只主动量化基金，发行规模30亿美元。巴克莱国际投资管理公司的投资管理规模从1977年的30亿美元逐渐发展到2010年上半年的2万5千亿美元，高居全球资产管理规模的榜首。指数化投资的倡导者和实践者——先锋集团。先锋集团于1974年由约翰·鲍格尔(JohnBogle)创立是世界上第二大基金管理公司。同时，先锋集团是世界上最大的不收费基金家族，现在在全世界管理着3700多亿美元的资产。“赢在投研”——富达投资集团。富达投资集团是全球最大的基金管理公司之一，拥有者许多世界级的明星基金经理，分支机构遍布全球23个国家和地区，全球雇员4万人。“最赚钱的基金经理”——詹姆斯·西蒙斯，文艺复兴科技公司创始人采用数学模型和计算机技术进行投资决策，他所管理的大奖章基金从1989年到2006年平均年收益率高达38.5%，净回报率超过股神巴菲特。“定量分析之王”——大卫·肖，1988年以2800万美元在纽约创立德劭集团，20年中，集团所管理的基金资产规模敏捷膨胀，年均回报率高达20%，其最巅峰时期的生意量可以占到整个纽约证券生意的5%。国内篇量化投资在国外已经有30多年的历史，但直到21世纪初，我国普通投资者仍对量化投资几乎一无所知。量化投资起步较晚的主要原因为：A股市场的发展历史较短，投资者队伍参差不齐，投资理念还不够成熟；我国证券市场效率低下，量化投资效果不明显；国内市场对冲工具单一，可量化的标的过少；受到交易规则的限制，量化投资不能充分发挥作用，很难引起人们重视。随着国内金融衍生产品市场的不断发展，定性分析越来越不能满足投资需求，与此同时资本市场制度不断完善，A股市场的股票数量不断增加，基金规模不断扩大，基本面研究成本提高，使量化投资的出现成为必然。2010年4月股指期货的出台，标志着量化投资在国内市场的发展进入一个全新的阶段。首先，各大机构都在积极组建量化投资的团队、研究量化投资的策略，很多量化基金产品层出不穷，尤其是在传统投资基金业绩不佳的情况下，很多利用量化投资策略的基金产品获得了相当不错的收益率。其次，随着融资融券、股指期货、转融通等业务相继推出，券商资管量化投资十分火热。国信、华泰、长江、国泰君安等各大券商都在发力量化投资产品研究，在我国百余家券商中，已有38家券商资管发行量化产品。同时已有国泰安金融学院，北京大学汇丰商学院，上海交通大学安泰管理学院投入数百万开设了专业的量化投资金融实验室，并开办了量化投资高级研修班，为国内量化投资的市场发展提供了良好的学术和实战环境。2015年，上证50ETF期权于2月9日正式推出，这对于对我国的量化投资有着极大的促进作用。4月16日，上证50与中证500两只股指期货新品种的上市给量化投资带来更多的策略的运用，金融衍生品的不断丰富和发展，为量化投资提供更多的丰富对冲手段，也提供了更多的套利机会。我国第一只量化基金成立已有12年历史，此后几年量化基金发展较为缓慢，至2011年末市场上仅有15只量化基金，而近两年量化基金发展较快，截至2016年市场共有123只量化基金相继设立（不含指数型、增强指数型和QDII基金）。从规模来看，在2015年量化基金的规模翻了一番，2016年规模增速稍有下滑，截至2016年年底量化基金总规模超1000亿元，行业仍处于快速扩张期。总的来说，量化投资在国内进行一个短暂的适应性过渡后，已经开始步入高速发展的初级阶段了。量化投资市场分析市场现状目前从事量化投资主要有两种商业模式，一种是提供量化商业平台服务，可全方位为投资机构提供最专业的技术和产品支撑，当前市场上知名的量化平台提供商主要有文华财经、金之塔、交易开拓者（TB）、国泰安、龙软DTS、天软等，它们大多具有金融IT背景，尤其以期货行情、交易软件开发商居多。另一种就是建自有平台，搭建一套覆盖策略研究、回测、模拟交易全流程的量化平台，主要以优矿（通联）、聚宽（JoinQuant）、京东量化、米筐、诸葛量化、果仁和盈时为代表。平台名称产品上线时间产品服务客户群体量化标的盈利模式国泰安2009提供涵盖股票、期货、债券市场的数据、策略研究、回测、模拟、正式交易等全套解决方案。专业机构客户股票、期货、债券机构合作分佣，出售系统及系统维护费龙软DTS早于2011同上同上同上出售系统及系统维护费。天软科技早于2011同上同上同上同上文华财经2011.2主要提供数据、平台服务，根据客户的特点需求编写策略。个人投资者、中小投资机构股票、期货平台使用年费金之塔2011.11同上同上股票、期货同上交易开拓者（TB）早于2012同上同上股票、基金、期货交易佣金诸葛量化2014选取参数，自动生成策略有经验的quant股票会员费用优矿（通联）2015.6提供编码环境，编译代码生成策略刚入门的quant，有编程基础股票、基金、期货暂未获取聚宽（JoinQuant）2015.8选取参数，自动生成策略；提供编码环境，编译代码生成策略有经验的quant股票、基金、期货会员费用、策略交易费用果仁、2015.8选取参数，自动生成策略一般投资者股票、基金会员费用京东量化2015选取参数，自动生成策略；提供编码环境，编译代码生成策略同上股票、基金、期货暂未获取米筐2014.12提供编码环境，编译代码生成策略有经验的quant股票、基金、期货暂未获取盈时2016.6选取参数，自动生成策略期货投资者期货服务费产品分析随着金融科技（Fintech）时代的到来，中国金融业正经历着一场新的变革，并且这场变革不断升级。中国的金融科技行业由原来注重流量和模式的1.0时代，升级为以人工智能技术为主导，数据为驱动力的2.0时代。量化投资借力人工智能技术，运用现代统计学和数学的方法，从大量的历史数据中寻找并搭建获得超额收益的投资策略，服务于个人投资者和机构，也成为了金融科技新时代的领军者。目前量化投资平台的业务模式主要有两种，一种是给用户提供编码的环境，让用户通过代码编译生成策略，其用户群体均拥有良好的编程基础，具备一定的专业技能，当前主流编程语言包括Python、Java、MATLAB和R。以聚宽为例进行说明，其交互界面如下图所示：左侧为代码编译区域，用户在此处将股票指标用代码表示出来，确立逻辑关系，编译完成后进行编译运行，如下图所示：在右侧上方显示编译运行结果，包括策略收益走势图、最大回撤和相关收益指数，下方显示日志和报错信息，用来检验策略的正确性。点击运行回测，如下图所示：显示该策略运行的详细情况，包括收益值、持仓明细和交易记录等信息，这样就成功的创建了一个策略，策略可以导入实盘进行模拟交易。其它类似的代码编译平台，如米筐、优矿等，业务模式和聚宽基本一致。另外一种就是无编码模式，平台提供量化多因子让用户进行选择，这些量化因子包括但不限于行情指标、技术指标、财务指标和财报数据，用户通过选择搭配各指标数据，进而生成策略模型，其用户群体以个人投资者为主。以果仁为例进行说明，其大体业务流程如下图所示：其首页交互界面如下图所示：第一步：选择创建策略模型，包括股票策略、基金策略和策略组合。股票策略和基金策略是指生成一个标的为股票或者基金的量化策略；策略组合是指添加多个策略，通过回测分析，计算策略之间的收益相关度，寻求达到最优收益的策略组合；交互如下图，第二步：择股设置（默认创建股票策略），是对量化标的的分类变量和数字变量进行设置。分类变量设置包括对指数成分、板块、行业、所处交易所等信息进行选择，交互如下图，数字变量设置包括对行情、技术指标、财务指标、财报条目、公司事件、情绪和大盘指标的设置。行情指标有股票价格、成交额、成交量等，交互如下图，技术指标有乖离率、波动率、MA、KDJ、RSI等，交互如下图，财务指标有估值、清偿能力、盈利能力、营运效率和成长能力等，交互如下图，财报条目有营业收入、营业支出、收益利润、负债和权益等，交互如下图，公司事件有高管增持、未解禁股本、业绩预告和重大事项违规处罚等，交互如下图，情绪有分析师情绪指数、重仓基金数和重仓基金持有比例，交互如下图，大盘指标有指数指标和交易日历指标，交互如下图，对所选指标进行参数设置，设置比较符、区间和排名，也可以对指标进行删除和勾选操作，交互如下图，点击选择选股指标，生成排名条件，策略模型按照排名条件购买股票，若无排名，则优先买入成交额大的股票，交互如下图，第三步，交易模型设置，是对策略买卖股票的时机进行设置，分为定期轮动和条件触发。定期轮动模型可以设置调仓周期、调仓时点、空闲资金配置、最大持仓股票数、备选买入股票数和个股最大买入仓位等信息，设置完成后，在每一个调仓日，果仁策略卖出仓内的所有股票，并依据调仓日前一交易日的数据，选出股票等权重买入。如果选出的股票已经在仓内，这支股票的仓位也会被重新调整成和其它股票一样的仓位，但如果这只股票因为停牌或涨停跌停无法调整仓位，则仓位保持不变。交互如下图，条件触发模型可以设置调仓周期、调仓时点、空闲资金配置、新股理想仓位、个股仓位范围、最小建仓仓位和备选股票数等信息。同时可以对新股买入附加限制条件，包括排名名次、仓内同行业股票数和调仓日交易非跌停，也可以自定义条件。设置完成后，在每一个调仓日，卖出满足卖出条件的股票，把余下的资金等权重买入符合买入条件的新股票。必须满足所有条件，才会自动买入该股票。交互如下图，卖出条件设置包括排名名次、持有天数、止损止盈，也可以自定义条件，设置完成后，当有股票收益排名靠后，或者超过持有天数，达到止损止盈，只要满足一个触发条件会被卖出。交互如下图，不卖条件设置包括持有天数、调仓日交易时涨停和调仓前一日收盘涨停，也可以自定义条件，设置完成后，仓内股票只要满足一个不卖条件就会继续持有，不管是否满足卖出条件，不卖条件优先级高于卖出条件。交互如下图，第四步，大盘择时，用户使用大盘择时能够有效减小由整体市场波动带来的风险，减小策略收益的最大回撤率，为可选项，默认为不择时。使用择时模板，决定策略总体持股仓位，包括指标选择和择时条件设置。交互如下图，择时条件编辑如下图所示，自定义择时公式，如下图，第五步，股指对冲，使用股指对冲可以分析回测策略对冲股指期货以后的收益情况。为可选项，默认为不对冲。选择使用对冲，则包括对对冲基金、对冲比例、对冲比例校准周期、保证金比例和月贴水率进行设置。交互如下图，第六步，完成以上五步，就成功创建了一个策略，用户可以对策略进行回测、每日选股和实时选股，也可以对选出的股票进行排名分析。选择策略回测，对回测时间、收益基准和交易费用进行设置，点击开始回测，如下图所示，回测显示信息包括收益曲线、相关收益值、持仓明细和交易记录等，用户可以通过对比基准收益来调整指标值，进行策略优化。选择每日选股，可以根据模型的选股设置，在历史上任何一天选股，如下图所示，选择实时选股，根据以上模型的选股设置，使用实时行情选股。选择排名分析，对筛选出的所有股票，按照排名条件划分成N组，对比每组的收益。排名分析展示所有股票按排名分段的收益情况，提供择股策略全局有效性分析。其它类似的量化因子选择平台，如盈时、诸葛量化等，业务模式和果仁基本一致。量化投资模块建立的必要性为专业投资者提供专业服务目前市场上的投资者大致可以分成三个等级，分别是普通投资者、中级投资者和高级投资者。建行投资服务体系中的智能投顾主要适用于普通投资者和部分中级投资者，资产比较庞大的客户通常会选择私人银行进行服务，如下表所示：由表可知，当前的投资服务体系并没有完全覆盖所有客户群，部分中级投资者和大部分的高级投资者并没有相匹配的服务，而这部分客户却显得非常重要，因其具备投资理念和投资经验，一旦提供完善的服务体系，他们会进行持续而稳定的投资。量化投资模块能够提供良好的编码环境和全面的量化指标选择体系，投资者可以将成熟的投资理念在模块中表达出来，通过编程语言进行编译或者选择量化指标进行建模，形成一个策略模型，对该策略进行回测分析和优化，最终可以得到一个用于实盘操作的投资策略。由此可见，建立一个成熟的量化投资模块可以完善当前的服务体系，覆盖所有客群，满足专业投资者的投资需求。受投资者追捧微量网2014年1月上线以来，截至目前实盘运行策略2323个，累计成交金额超过193亿；米筐2014年12月上线，目前已有超过50万的注册用户；聚宽2015年8月上线到现在活跃用户已接近80000人，累计超过60万个量化策略生成。种种迹象表明，量化投资被越来越多的投资者所青睐，这必将成为最流行的投资方式。众多机构参与，重视发展前景最近两年来，越来越多的机构正在加快进入量化投资市场的步伐，它们看中量化投资良好的发展前景，积极寻求第三方量化平台进行合作或投资，打造专业化的量化交易和研究服务平台，如下表所示：时间机构（投资方）第三方平台事件2016.10华睿资本、百度Ricequant米筐米筐获得华睿资本和百度2500万元的A轮融资2016.11汇垠澳丰股权投资基金量财富量财富宣布完成1亿元A轮融资2016.12峰谷资本、启迪之星、WeroadshowLimited(微路演)烯牛数据(RhinoData)大数据量化投资服务商烯牛数据(RhinoData)宣布获得800万元天使轮投资2017.4广发证券聚宽上线国内首家券商版量化交易平台2017.4中信证券优矿发布覆盖投资全流程的量化研究和交易平台2017.7第一创业证券Ricequant米筐推出服务于个人的量化终端——RQLite以及服务于专业机构的量化终端——RQPro2017.7兴业证券Ricequant米筐专业的量化研究与交易平台通过以上数据我们不难发现：目前机构和第三方量化公司合作推出的量化平台上线数量增长加快，涉及投资品种增多，券商推出服务客户的量化平台的速度也越来越快，但是还没有一家银行有传出类似的消息。量化投资模块建立的条件基本架构UI展现层UI展现层为前端展示页面，主要负责展示量化投资模块子菜单区域、量化标的区域、量化指标区域、策略模型关联区域和回测结果分析区域，以果仁为例进行说明，如下图所示：业务处理层业务处理层主要负责实现业务逻辑、与数据支持层进行交互、为UI展现层提供信息等功能。量化平台整体业务流程如下图所示：数据支持层数据支持层是量化交易的核心，利用Spark等大数据技术通过大量计算为量化交易提供理论和数据支持，它包括指标计算服务、信号计算服务、实时交易数据提供和数据处理服务。指标计算服务是指对量化指标进行科学计算，它包括交易数据、宏观经济指标和公司财务数据等指标的计算。通过指标计算，可以对量化标的进行划分归类。信号计算服务是指量化标的行情的波动导致量化指标达到量化策略的预期，从而触发量化策略运行的过程。实时交易数据提供是指对量化标的成交价、成交量和涨跌幅等动态数据的转发。数据处理服务主要研究大量历史交易数据，以图表形式评估量化策略和投资组合。运行流程量化投资模块是一个相对独立的系统，对数据和回测系统的要求非常高，其运行流程可大致分为三大步骤：数据输入、模型开发、回测输出。数据输入量化投资的基础就是数据，任何策略的设计、搭建都依托于对数据筛选、清洗和打磨。目前量化投资公司数据的来源多是选择wind、choice等平台，优势在于这些平台数据较为全面，可匹配多种软件接口，但目前都是付费使用，同时也有TB交易开拓者、预测者网等平台提供数据源。输入数据类型包括：实时动态数据（行情、高频数据等）、行为数据（新闻资讯、评级报告等）、自定义数据（宏观数据、行业数据、企业财报等）以及投资经验。模型开发这一阶段主要是将投资逻辑通过计算机语言进行编写，形成可执行的程序。在实现的过程中，需要对准备好的数据进行大量的计算，而实现的方式一般是使用第三方统计软件（excel、R、SAS、MATLAB、SPSS等），再通过接口对接到量化平台上执行，或者直接选用量化平台自身的语言，如天软的TSL语言；大智慧的DTS的LUA语言来进行编写开发。回测输出模型建立后，需要通过历史数据对已开发的模型进行检验，对回测报告中不同的数值进行模型参数的反复调试。策略验证是策略实现较为关键的环节，是控制投资风险，提高策略盈利能力最重要的步骤。在对策略进行验证后，还需要在仿真环境下进行测试，这也是量化策略进入实际运营前的最后一环，观测触发条件后系统相关指标与运行等。从上述量化投资运行流程等，可以看出，量化投资策略搭建极为严谨和繁琐，影响因素较多，投资者及机构从早期准备到策略搭建再到回测输出，需要投入较长的时间。量化标的选择目前量化投资标的已从传统的基金延伸到债券、股票、期货、外汇等领域，这些投资标的因其相关数据指标可以被量化，所以能够很好的用计算机语言来表达或者直接拆分成若干量化因子，便于让投资者