量化投資

前言

　　從西蒙斯的神話開始　　比巴菲特還能賺錢的人　　沃倫巴菲特是投資界人盡皆知的股神，但可能很多投資者不知道詹姆斯西蒙斯。這位創(chuàng)造了華爾街投資神話的傳奇人物，他所管理的大獎?wù)禄鸬钠骄晔找媛时劝头铺剡€要高得多，1989-2007年的平均年收益率高達35%（若考慮高達44%的收益提成，則實際基金的年收益率超過60%），而股神巴菲特在同期的平均年回報也不過為20%?！　〗?jīng)歷了1998年俄羅斯債券危機和2001年高科技股泡沫危機，許多曾經(jīng)聞名遐邇的對沖基金經(jīng)理都走向衰落。羅伯遜關(guān)閉了老虎基金，梅利韋瑟的長期資本管理公司幾乎破產(chǎn)，索羅斯的量子基金也大幅縮水。與之相比，西蒙斯的大獎?wù)禄鸬钠骄陜艋貓舐蕜t高達35%。從1988年成立到1999年12月，大獎?wù)禄鹂偣搏@得了2478.6%的凈回報率，是同時期中的第一名；第二名是索羅斯的量子基金，有1710.1%的回報；而同期的標準普爾指數(shù)僅是9.6%。即使2008年面對全球金融危機的重挫，大獎?wù)碌幕貓缶尤桓哌_80%?！　≡?008年底的統(tǒng)計中，西蒙斯勇奪2008年“對沖之王”寶座，大賺25億美元（約195億港元），著名對沖基金經(jīng)理保爾森居次位，賺20億美元。出乎意料的是，大炒家索羅斯未入三甲。　　《美國海外投資基金目錄》的作者本海姆指出，西蒙斯創(chuàng)造的回報率比布魯斯科夫勒、喬治索羅斯、保羅都鐸鐘斯、路易士培根、馬克金頓等傳奇投資大師都要高出10個百分點，在對沖基金業(yè)內(nèi)幾乎無出其右。作為一個交易者，西蒙斯正在超越有效市場假說。有效市場假說認為市場價格波動是隨機的，交易者不可能持續(xù)從市場中獲利。而西蒙斯依靠他的交易模型，獲得了如此驚人的成就，其最核心的就是量化投資模型?！　?shù)學天才　　西蒙斯生于波士頓郊區(qū)牛頓鎮(zhèn)，是一個制鞋廠老板的兒子，3歲就立志成為數(shù)學家。從牛頓高中畢業(yè)后，他進入麻省理工學院，從師于著名的數(shù)學家安布羅斯和辛格。1958年，他獲得了學士學位，僅僅三年后，他就拿到了加州大學伯克利分校的博士學位，一年后他成為哈佛大學的數(shù)學系教授?！　∥髅伤购茉缇团c投資結(jié)下緣分，早在1961年，他和麻省理工學院的同學投資于哥倫比亞地磚和管線公司；在伯克利，他嘗試做股票交易，但是交易結(jié)果并不太好。　　1964年，他離開了大學校園，進入美國國防部下屬的一個非盈利組織--國防邏輯分析協(xié)會，并進行代碼破解工作。沒過多久，《時代周刊》上關(guān)于越南戰(zhàn)爭的殘酷報道讓他意識到他的工作實際上正在幫助美軍在越南的軍事行動，反戰(zhàn)的他于是向《新聞周刊》寫信說應(yīng)該結(jié)束戰(zhàn)爭。當他把反戰(zhàn)想法告訴老板時，很自然地就被解雇了?！　∷只氐搅藢W術(shù)界，成為紐約州立石溪大學的數(shù)學系主任，在那里做了8年的純數(shù)學研究。1974年，他與陳省身聯(lián)合發(fā)表了著名的論文《典型群和幾何不變式》，創(chuàng)立了著名的陳-西蒙斯理論，該幾何理論對理論物理學具有重要意義，廣泛應(yīng)用于從超引力到黑洞。1976年，西蒙斯獲得了每5年一次的全美數(shù)學科學維布倫獎金，這是數(shù)學世界里的最高榮耀。　　在理論研究之余，他開始醉心于股票和期貨交易。1978年，他離開石溪大學創(chuàng)立私人投資基金Limroy，該基金投資領(lǐng)域廣泛，涉及從風險投資到外匯交易；最初主要采用基本面分析方法，例如，通過分析美聯(lián)儲貨幣政策和利率走向來判斷市場價格走勢?！　∈旰螅髅伤箾Q定成立一個純粹量化投資的對沖基金。他關(guān)閉了Limroy，并在1988年3月成立了大獎?wù)禄?，最初主要涉及期貨交易?988年該基金盈利8.8%，1989年則開始虧損，西蒙斯不得不在1989年6月份停止交易。在接下來的6個月中，西蒙斯和普林斯頓大學的數(shù)學家勒費爾重新開發(fā)了交易策略，并從基本面分析轉(zhuǎn)向量化分析?！　〈螵?wù)禄稹　〈螵務(wù)禄鹬饕ㄟ^研究市場歷史資料來發(fā)現(xiàn)統(tǒng)計相關(guān)性，以預測期貨、貨幣、股票市場的短期運動，并通過數(shù)千次快速的日內(nèi)短線交易來捕捉稍縱即逝的市場機會，交易量之大甚至有時能占到整個NASDAQ交易量的10%。當交易開始時，交易模型決定買賣品種和時機，20名交易員則遵守指令在短時間內(nèi)大量地交易各種美國和海外的期貨，包括商品期貨、金融期貨、股票和債券。但在某些特定情況下，比如市場處在極端波動的時候，交易會切換到手工狀態(tài)?！　〗?jīng)過幾年眩目的增長，大獎?wù)禄鹪?993年達到2.7億美元，并開始停止接受新資金。1994年，西蒙斯的文藝復興科技公司從12個雇員增加到36個，并交易40種金融產(chǎn)品。現(xiàn)在，公司有150個雇員，交易60種金融產(chǎn)品，基金規(guī)模則有50億美元。在150名雇員中有三分之一是擁有自然科學博士學位的頂尖科學家，涵蓋數(shù)學、理論物理學、量子物理學和統(tǒng)計學等領(lǐng)域。所有雇員中只有兩位是華爾街老手，而且該公司既不從商學院中雇用職員，也不從華爾街雇用職員，這在美國投資公司中幾乎是獨一無二的。　　無論是1998年俄羅斯債券危機，還是本世紀初的互聯(lián)網(wǎng)泡沫，大獎?wù)禄饸v經(jīng)數(shù)次金融危機，始終屹立不倒，令有效市場假說都黯然失色。1989年到2009年間，他操盤的大獎?wù)禄鹌骄昊貓舐矢哌_35％，較同期標普500指數(shù)年均回報率高20多個百分點，比金融大鱷索羅斯和股神巴菲特的操盤表現(xiàn)都高出10余個百分點。即便是在次貸危機爆發(fā)的2008年，該基金的回報率仍高達80％。從2002年底至2005年底，規(guī)模為50億美元的大獎?wù)禄鹨呀?jīng)為投資者支付了60多億美元的回報?！　∵@個回報率是在扣除了5％的資產(chǎn)管理費和44％的投資收益分成以后得出的，并且已經(jīng)經(jīng)過了審計。值得一提的是，西蒙斯收取的這兩項費用應(yīng)該是對沖基金界最高的，相當于平均收費標準的兩倍以上?！　?006年，西蒙斯被國際金融工程師協(xié)會評選為年度金融工程師?！　∧Ｐ拖壬　♂槍Σ煌袌鲈O(shè)計數(shù)量化的投資管理模型，并以電腦運算為主導，在全球各種市場上進行短線交易是西蒙斯的成功秘訣。不過西蒙斯對交易細節(jié)一直守口如瓶，除了公司的200多名員工之外，沒有人能夠得到他們操作的任何線索?！　τ跀?shù)量分析型對沖基金而言，交易行為更多是基于電腦對價格走勢的分析，而非人的主觀判斷。文藝復興公司主要由3個部分組成，即電腦和系統(tǒng)專家、研究人員和交易人員。西蒙斯親自設(shè)計了最初的數(shù)學模型，他同時雇用了超過70位擁有數(shù)學、物理學或統(tǒng)計學博士頭銜的人。西蒙斯每周都要和研究團隊見一次面，和他們共同探討交易細節(jié)及如何使交易策略更加完善?！　∽鳛橐晃粩?shù)學家，西蒙斯知道靠幸運成功只有二分之一的概率，要戰(zhàn)勝市場必須以周密而準確的計算為基礎(chǔ)。大獎?wù)禄鸬臄?shù)學模型主要通過對歷史資料的統(tǒng)計，找出金融產(chǎn)品價格、宏觀經(jīng)濟、市場指標、技術(shù)指標等各種指標間變化的數(shù)學關(guān)系，發(fā)現(xiàn)市場目前存在的微小獲利機會，并通過杠桿比率進行快速而大規(guī)模的交易獲利?！　『土餍械?ldquo;買入并長期持有”的投資理念截然相反，西蒙斯認為市場的異常狀態(tài)通常都是微小而且短暫的，“我們隨時都在買入賣出和賣出買入，我們依靠活躍賺錢”西蒙斯說?！　∥髅伤雇嘎?，公司對交易品種的選擇有3個標準：即公開交易品種、流動性高，同時符合模型設(shè)置的某些要求。他表示：“我是模型先生，不想進行基本面分析。模型的最重要的優(yōu)勢是可以降低風險。而依靠個人判斷選股，你可能一夜暴富，也可能在第二天又輸?shù)镁狻?rdquo;　　西蒙斯的所作所為似乎正在超越有效市場假說：有效市場假說認為市場價格波動是隨機的，交易者不可能持續(xù)從市場中獲利。而西蒙斯則強調(diào)，“有些交易模式并非隨機，而是有跡可循、具有預測效果的。”如同巴菲特曾經(jīng)指出“市場在多數(shù)情況下是有效的，但不是絕對的”一樣，西蒙斯也認為，雖然整體而言，市場是有效的，但仍存在短暫的或局部的市場無效性，可以提供交易機會?！　≡诮邮堋都~約時報》采訪時，西蒙斯提到了他曾經(jīng)觀察過的一個核子加速器試驗，“當兩個高速運行的原子劇烈碰撞后，會迸射出數(shù)量巨大的粒子。”他說，“科學家的工作就是分析碰撞所帶來的變化。”　　“我注視著電腦屏幕上粒子碰撞后形成的軌跡圖，它們看似雜亂無章，實際上卻存在著內(nèi)在的規(guī)律，”西蒙斯說，“這讓我自然而然地聯(lián)想到了證券市場，那些很小的交易，哪怕是只有100股的交易，都會對這個龐大的市場產(chǎn)生影響，而每天都會有成千上萬這樣的交易發(fā)生。”西蒙斯認為，自己所做的，就是分析當交易這只蝴蝶的翅膀輕顫之后，市場會做出怎樣復雜的反應(yīng)。　　“這個課題對于世界而言也許并不重要，不過研究市場運轉(zhuǎn)的動力非常有趣。這是一個非常嚴肅的問題。”西蒙斯笑起來的時候簡直就像一個頑童，而他的故事，聽起來更像是一位精通數(shù)學的書生，通過復雜的賠率和概率計算，最終打敗了賭場的神話。這位前美國國防部代碼破譯員和數(shù)學家似乎相信，對于如何走在曲線前面，應(yīng)該存在一個簡單的公式，而發(fā)現(xiàn)這個公式則無異于拿到了通往財富之門的入場券?！　『谙渥鳂I(yè)　　大獎?wù)禄瓞F(xiàn)在基本上是黑箱作業(yè)，它的工作人員發(fā)誓要保守秘密，采取的是自營交易的運作策略。對沖基金行業(yè)一直擁有黑箱作業(yè)式的投資模式，可以不必向投資者披露其交易細節(jié)。而在一流的對沖基金投資人之中，西蒙斯先生的那只箱子據(jù)說是最黑的?！　【瓦B優(yōu)秀的數(shù)量型對沖基金經(jīng)理也無法弄清西蒙斯的模型究竟動用了哪些指標，“我們信任他，相信他能夠在股市的驚濤駭浪中游刃有余，因此也就不再去想電腦都會干些什么之類的問題”，一位大獎?wù)禄鸬拈L期投資者說。當這位投資者開始描述西蒙斯的投資方法時，他坦承，自己完全是猜測的。　　不過，每當有人暗示西蒙斯的基金缺乏透明度時，他總是會無可奈何地聳聳肩，“其實所有人都有一個黑箱，我們把他稱為大腦。”西蒙斯指出，公司的投資方法其實并不神秘，很多時候都是可以通過特定的方式來解決的。當然，他不得不補充說，“對我們來說，這其實不太神秘。”　　在紐約，有一句名言是：“你必須非主流才能入流”，西蒙斯的經(jīng)歷似乎剛好是這句話的注解。在華爾街，他的所作所為總是讓人感到好奇。　　……

內(nèi)容概要

　　《量化投資：策略與技術(shù)》是有關(guān)量化投資策略的著作，首先介紹了量化投資大師西蒙斯的傳奇故事（連續(xù)20年，每年賺60%）；然后用60多個案例介紹了量化投資的各個方面的內(nèi)容，主要分為策略篇與理論篇兩部分，策略篇主要包括：量化選股、量化擇時、股指期貨套利、商品期貨套利、統(tǒng)計套利、期權(quán)套利、算法交易和資產(chǎn)配置等。理論篇主要包括：人工智能、數(shù)據(jù)挖掘、小波分析、支持向量機、分形理論、隨機過程及IT技術(shù)等；最后介紹了作者開發(fā)的D-Alpha量化對沖交易系統(tǒng)，該系統(tǒng)全球市場驗證顯示具有長期穩(wěn)健的收益率。

作者簡介

丁 鵬
中國量化投資研究的先行者，他開發(fā)的D-Alpha量化對沖交易系統(tǒng)，實戰(zhàn)中獲得持續(xù)穩(wěn)健的收益率。
畢業(yè)于上海交通大學計算機系獲得工學博士學位，是國際知名的人工智能研究員，美國電子電氣工程師學會（IEEE）、美國金融學會（AFA）會員。
2001年底進入上海交通大學工作，在金融工程、金融數(shù)學領(lǐng)域深入研究多年，在國際頂級刊物和會議上發(fā)表過十余篇學術(shù)文章，獲得國家發(fā)明專利5項。

書籍目錄

第1章　量化投資概念1.1　什么是量化投資1.1.1　量化投資定義1.1.2　量化投資理解誤區(qū)1.2　量化投資與傳統(tǒng)投資比較1.2.1　傳統(tǒng)投資策略的缺點1.2.2　量化投資策略的優(yōu)勢1.2.3　量化投資與傳統(tǒng)投資策略的比較1.3　量化投資歷史1.3.1　量化投資理論發(fā)展1.3.2　海外量化基金的發(fā)展1.3.3　量化投資在中國1.4　量化投資主要內(nèi)容1.5　量化投資主要方法 20策略篇第2章　量化選股2.1　多因子2.1.1　基本概念2.1.2　策略模型2.1.3　實證案例：多因子選股模型2.2　風格輪動2.2.1　基本概念2.2.2　盈利預期生命周期模型2.2.3　策略模型2.2.4　實證案例：中信標普風格2.2.5　實證案例：大小盤風格2.3　行業(yè)輪動2.3.1　基本概念2.3.2　M2行業(yè)輪動策略2.3.3　市場情緒輪動策略2.4 資金流2.4.1 基本概念2.4.2　策略模型2.4.3　實證案例：資金流選股策略2.5　動量反轉(zhuǎn)2.5.1　基本概念2.5.2　策略模型2.5.3　實證案例：動量選股策略和反轉(zhuǎn)選股策略2.6　一致預期2.6.1　基本概念2.6.2　策略模型2.6.3　實證案例：一致預期模型案例2.7　趨勢追蹤2.7.1　基本概念2.7.2　策略模型2.7.3　實證案例：趨勢追蹤選股模型2.8　籌碼選股2.8.1　基本概念2.8.2　策略模型2.8.3　實證案例：籌碼選股模型2.9　業(yè)績評價2.9.1　收益率指標2.9.2　風險度指標第3章　量化擇時3.1　趨勢追蹤3.1.1　基本概念3.1.2　傳統(tǒng)趨勢指標3.1.3　自適應(yīng)均線3.2　市場情緒3.2.1　基本概念3.2.2　情緒指數(shù)3.2.3　實證案例：情緒指標擇時策略3.3　有效資金3.3.1　基本概念3.3.2　策略模型3.3.3　實證案例：有效資金擇時模型3.4　牛熊線3.4.1　基本概念3.4.2　策略模型3.4.3　實證案例：牛熊線擇時模型3.5　Husrt指數(shù)3.5.1 基本概念3.5.2　策略模型3.5.3　實證案例3.6　支持向量機3.6.1 基本概念3.6.2　策略模型3.6.3　實證案例：SVM擇時模型3.7　SWARCH模型3.7.1 基本概念3.7.2　策略模型3.7.3　實證案例：SWARCH模型3.8　異常指標3.8.1　市場噪聲3.8.2　行業(yè)集中度3.8.3　興登堡兇兆第4章　股指期貨套利4.1　基本概念4.1.1　套利介紹4.1.2　套利策略4.2　期現(xiàn)套利4.2.1　定價模型4.2.2　現(xiàn)貨指數(shù)復制4.2.3　正向套利案例4.2.4　結(jié)算日套利4.3　跨期套利4.3.1　跨期套利原理4.3.2　無套利區(qū)間4.3.3　跨期套利觸發(fā)和終止4.3.4　實證案例4.3.5　主要套利機會4.4　沖擊成本4.4.1　主要指標4.4.2　實證案例：沖擊成本4.5　保證金管理4.5.1　VaR方法4.5.2　VaR計算方法4.5.3　實證案例第5章　商品期貨套利5.1　基本概念5.1.1　套利的條件5.1.2　套利基本模式5.1.3　套利準備工作5.1.4　常見套利組合5.2　期現(xiàn)套利5.2.1　基本原理5.2.2　操作流程5.2.3　增值稅風險：PVC跨期套利策略5.3　跨期套利5.3.1　套利策略5.3.2　實證案例5.4　跨市場套利5.4.1　套利策略5.4.2　實證案例：倫銅—滬銅跨市場套利5.5　跨品種套利5.5.1　套利策略5.5.2　實證案例5.6　非常狀態(tài)處理第6章　統(tǒng)計套利6.1　基本概念6.1.1 統(tǒng)計套利定義6.1.2 配對交易6.2 配對交易6.2.1　協(xié)整策略6.2.2　主成分策略6.2.3　績效評估6.2.4　實證案例：配對交易6.3　股指套利6.3.1　行業(yè)指數(shù)套利6.3.2　國家指數(shù)套利6.3.3　洲域指數(shù)套利6.3.4　全球指數(shù)套利6.4　融券套利6.4.1　股票—融券套利6.4.2　可轉(zhuǎn)債—融券套利6.4.3　股指期貨—融券套利6.4.4　封閉式基金—融券套利6.5　外匯套利6.5.1　利差套利6.5.2　貨幣對套利第7章　期權(quán)套利7.1　基本概念7.1.1　期權(quán)介紹7.1.2　期權(quán)交易7.1.3　牛熊證7.2　股票/期權(quán)套利7.2.1　股票—股票期權(quán)套利7.2.2　股票—指數(shù)期權(quán)套利7.3　轉(zhuǎn)換套利7.3.1　轉(zhuǎn)換套利7.3.2　反向轉(zhuǎn)換套利7.4　跨式套利7.4.1　買入跨式套利7.4.2　賣出跨式套利7.5　寬跨式套利7.5.1　買入寬跨式套利7.5.2　賣出寬跨式套利7.6　蝶式套利7.6.1　買入蝶式套利7.6.2　賣出蝶式套利7.7　飛鷹式套利7.7.1　買入飛鷹式套利7.7.2　賣出飛鷹式套利第8章　算法交易8.1　基本概念8.1.1　算法交易定義8.1.2　算法交易分類8.1.3　算法交易設(shè)計8.2　被動交易算法8.2.1　沖擊成本8.2.2　等待風險8.2.3　常用被動型交易策略8.3　VWAP算法8.3.1　標準VWAP算法8.3.2　改進型VWAP算法第9章　其他策略9.1　事件套利9.1.1　并購套利策略9.1.2　定向增發(fā)套利9.1.3　套利重倉停牌股票的投資組合9.1.4　封閉式投資組合套利9.2　ETF套利9.2.1　基本概念9.2.2　無風險套利9.2.3　其他套利9.3　LOF套利9.3.1　基本概念9.3.2　模型策略9.3.3　實證案例：LOF套利9.4　高頻交易9.4.1　流動性回扣交易9.4.2　獵物算法交易9.4.3　自動做市商策略9.4.4　程序化交易第10章　人工智能10.1　主要內(nèi)容10.1.1　機器學習10.1.2　自動推理10.1.3　專家系統(tǒng)10.1.4　模式識別10.1.5　人工神經(jīng)網(wǎng)絡(luò)10.1.6　遺傳算法10.2　人工智能在量化投資中的應(yīng)用10.2.1　模式識別短線擇時10.2.2　RBF神經(jīng)網(wǎng)絡(luò)股價預測10.2.3　基于遺傳算法新股預測第11章　數(shù)據(jù)挖掘11.1　基本概念11.1.1　主要模型11.1.2　典型方法11.2　主要內(nèi)容11.2.1　分類與預測11.2.2　關(guān)聯(lián)規(guī)則11.2.3　聚類分析11.3　數(shù)據(jù)挖掘在量化投資中的應(yīng)用11.3.1　基于SOM 網(wǎng)絡(luò)的股票聚類分析方法11.3.2　基于關(guān)聯(lián)規(guī)則的板塊輪動第12章　小波分析12.1　基本概念12.2　小波變換主要內(nèi)容12.2.1　連續(xù)小波變換12.2.2　連續(xù)小波變換的離散化12.2.3　多分辨分析與Mallat算法12.3　小波分析在量化投資中的應(yīng)用12.3.1　K線小波去噪12.3.2　金融時序數(shù)據(jù)預測第13章　支持向量機

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    量化投資 PDF格式下載

---