西安金融分析网络社区

量化投资的新机遇

人人宽客 2019-05-17 15:27:32

一、什么是量化投资

量化投资就是以数据为基础,策略模型为核心,以程序化交易为手段,追求绝对收益为目标的投资方法;量化投资是投资由艺术走向科学的必由之路。而投资的本质是大数定律,收益来源于时间、风险和信息的不对称。


举个小例子讲述一下投资的本质。假设我们有一个不均匀的硬币,有51%的概率出现正面,49%出现反面。我们选择赌注在下一次投掷中,若出现正面,我们盈利相应的bet,反面我们输掉所有的bet。那么,现在有两种策略:

A:投掷一次,赌注1000; 

B:投掷1000次,每次赌注1;

你会选A还是B?

因为我们知道硬币是不均匀的,我们有2%的概率优势。现在我们来做一个统计的分析,计算下这两种策略的风险收益比。

1. 期望收益:

A: 0.51 * 1000 - 0.49 * 1000 = 20;

B: 1000 (1 * 0.51 - 1 * 0.49) = 20

    可见,两种策略有相同的期望收益。

2. 全输概率:

A: 输掉全部资本的概率 = 0.49

B: 输掉全部资本的概率 = 0.49 * 0.49 ... *   0.49 = 0.49 ^ 1000.

    B策略全输的概率远小于A策略

3. 风险评估

A: stdev(1000,0,0,0 ...0) = 31.6 ;

B:stdev(1,-1,1,1,-1, ... 1) = 1

可见,A策略的标准差远大于B。

4. 夏普比例

A: SR = 20/31.62 = 0.63;

B:    SR = 20/1 = 20

可见,B策略的收益风险比远高于A策略

综上所述,我们选择B策略进行投资,即不把鸡蛋放到同一个篮子里。


二、新机遇:商品+,期权+


CTA(Commodity Trading Advisors,商品交易顾问)策略,也称作管理期货(Managed Futures)策略,它是指投资于期货、期权市场的一类策略。传统意义上,CTA策略的投资品种仅限于商品期货,但近年已扩展到包括股指期货、利率期货、外汇期货在内的几乎所有期货品种。CTA策略因为很好的业绩稳定性、与其他资产的低相关性赢得了快速的发展。

根据不同的标准,CTA策略有不同的分类。CTA趋势跟踪策略分为基本面趋势策略、技术面趋势策略、统计规律趋势策略和利用机器学习等其他方法开发的趋势交易策略;CTA套利分为跨期套利、统计套利、跨品种套利、加工利润套利等;CTA多因子策略。

期权策略有波动率交易和期权组合策略。波动率交易的特点是:与标的收益相关性低,标的波动率较高或波动率变化较快时,往往能带来更多的波动率交易机会。波动率交易的收益来源于三个维度的整体分析:隐含波动率的整体高低(期权的隐含波动率是期权投资者对于未来标的波动率的预期);波动率微笑曲线是否合理(通过Skew分析隐含波动率曲线偏离“合理值”的程度);隐含波动率期限结构是否合理(不同月份的期权合约隐含波动率存在差异,可以通过“波动率锥”判断当前期限结构的合理性,决定“日历价差”开仓与否)。 期权组合以波动率交易为基础,以最大化收益为目标,风险敞口和仓位方面可以相对较大。

三、另类数据+

1

移动支付

2017年中国的移动支付交易规模近150万亿元,位居全球首位。移动支付也称为手机支付,就是允许用户使用其移动终端对所消费的商品或服务进行账务支付的一种服务方式。

随着移动互联网的发展,越来越多的消费者习惯于不用现金交易,第三方移动支付迅速崛起,支付宝与财付通两大巨头地位逐步确立,随着移动支付的逐渐普及和应用场景拓展,预计移动支付交易规模将持续稳定增长。随着中国市场走向成熟,中国移动支付市场两大巨头阿里巴巴和腾讯利用各自的支付应用(APP)程序——支付宝和财付通进军国外市场,并开始投资新兴市场的移动支付系统运营。近年来,移动支付在中国发展迅猛,随着中国游客的足迹遍布海外,中国移动支付企业走向世界的步伐也日益加快,在为中国游客海外消费提供便利的同时,使普惠金融惠及多国百姓,也促进了一些国家和地区无现金支付的发展。

2

新金融

新时代下,新技术和新思维正在构建新的产融关系,改变着金融的生态。大批的传统金融机构,正在加快推进科技化、智能化的转型。同时也有一批创业公司,正在将互联网、大数据、人工智能和实体经济深度融合,用新的方法,寻找金融与实体经济更好的契合点。例如,互联网与银行的合作,2017年6月,百度与农业银行达成战略合作,共建金融科技联合实验室,共建农行金融大脑以及客户画像、精准营销、客户信用评价、风险监控、智能投顾、智能客服等六个方向的具体应用。


2017年3月28日,中国建设银行与阿里巴巴、蚂蚁金服集团签署战略合作协议,蚂蚁金服将协助建设银行推进信用卡线上开卡业务,双方将推进线下线上渠道业务合作、电子支付业务合作、打通信用体系。未来,双方还将实现二维码支付互认互扫、支付宝将支持建行手机银行App支付。

新金融风下,互联网金融为传统金融提供了互联网式的思维和解决方案,也推动着实体经济的创新发展。新金融的3个阶段如下图所示:


3

AI+金融的新格局 

金融女与IT男的结合是最优的CP组合,华夏基金与微软亚洲研究院宣布战略合作,宣布双方将就人工智能在金融服务领域的应用展开战略合作研究。此次跨界合作研究将结合微软在人工智能领域的深厚积淀以及华夏基金强大的投研实力,旨在探索智能投资的疆界,推动资产管理行业智能化转型。

AI时代:从低维到高维 ,人 vs 机器走向“人-机”之共享、共理、共治时代 。

4

共享经济

共享经济能促进大数据场景化,2017年,网约车日均订单数超2500万,共享单车用户规模超3亿。共享经济是指将原先由于技术手段或者商业模式的限制无法参与经济活动与经济流通的生产生活资源,通过新的技术手段或者商业模式投入到经济活动与经济流通中,重新产生经济价值与社会效益的经济模式。大数据的价值体现离不开流通环节,尤其是国内基础数据流通领域的产能巨大,共享经济或成解决大数据交易的关键。

另类数据的挖掘包括对公告、财报、研究报告、股吧、社交、网络媒体、搜索引擎等的挖掘。另类数据的分类如下所示:


四、金融科技

金融科技(Fintech)来源于1990年代花旗银行“Financial Services Technology Consortium”(金融服务技术联盟),金融+科技的融合,通过科技和技术推动金融体系的创新 。金融与科技相互融合,创造新的业务模式、新的应用、新的流程和新的产品,从而对金融市场、金融机构和金融服务的提供方式有非常大的影响。 中国人民银行于5月15日发布消息称,央行已成立金融科技(FinTech)委员会,其目的旨在加强金融科技工作。

2016年全球最大市值公司前10排名中,50%是科技金融公司,相比2006年的排名发生了翻天覆地的改变。金融科技使金融更加科技化实体化,实体更加金融化功能化,中国金融生态科技圈如下图所示:

五、AI+

当量化投资邂逅人工智能,可以擦出怎样的火花呢?事实上,量化投资和人工智能,本来就是天生的一对。因为量化投资就是利用数学、统计学的方法,结合计算机技术,通过模型从数据中挖掘有望在未来重复的历史规律并加以利用,不计一次的得失,而是以概率取胜。人工智能本身也是以大数据为基础,尤其擅长像金融市场这样数据信息量大、特征维度高、相互关联关系复杂的环境。量化投资结合了人工智能,使得交易模型正在从回溯历史识别发展趋势向实时预测并随时适应新形式而过渡,人工智能作为新工具只会使量化投资更强大。

人工智能(Artificial Intelligence),英文缩写为AI。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,主要包括计算机实现智能的原理、制造类似于人脑智能的计算机,使计算机能实现更高层次的应用。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

传统的的机器学习分为有监督学习和无监督学习。一些输入和输出变量提供给有监督学习算法,然后算法尝试拟合模型参数,以使得模型对于样本外数据有很好的预测效果。有监督学习算法又可以进一步细分为回归和分类两种。回归模型的输出变量往往是连续的,而分类模型的输出变量往往是离散的。譬如Lasso回归及K-临近点回归都是在样本中挑选一个与实际问题最相关的的子样本进行参数估计。而Logistic回归则是将输出变量定义为二元变量,譬如“买”或者“卖”。决策树算法则是基于一 串决策步骤来找到变量预测的最优规则。随机森林将多个决策树进行平均并且能够得到更加可靠的预测模型。

无监督学习则是期望分析数据集并且找到这些不同数据背后的决定因素。在无监督学习中模型只知道资产的收益率但是并不知道哪些是自变量,哪些是因变量。无监督学习可以分成聚类和因子分析两类。聚类方法根据数据间的相似性把他们分成小的集合。比如将市场分为剧烈波动和平稳两种模式,利率上行/利率下行模式,通胀/通缩模式等等。K-均值算法就是聚类算法中的一种。因子法则是试图寻找能解释数据差异性的背后逻辑。譬如在多资产配置模型中,因子法尝试分析动量,价值,波动,流动性这些因子对资产收益率的解释作用。因子分析法中一个有名的方法就是主成分分析法(PCA)。

深度学习(deep learning)是一种基于神经网络的机器学习算法,而神经网络是受到神经元在人脑中连接的方式启发而发展起来。在神经网络中,每个神经元接收来自其他神经元的输入,并计算这些输入的加权平均值。不同输入的相对比重由过去的经验来指导,即基于一些输入和输出的训练样本集。深度学习是一种分析数据的方法,使数据通过多层非线性处理单元 - 神经元,把模型逐渐地从更简单的概念中学习更复杂的概念。深度学习根据其结构可分为多层感知器(MLP)、循环神经网络(RNNs)、卷积神经网络(CNN)等。 

AI助力量化投资,AI技术使得量化投资更加科学和专业化,在量化投资中,最关键的部分就是量化模型,也称量化策略,而量化策略离不开AI技术的运用。通俗地讲,量化策略就是预先设定一套固定的逻辑,点名选股及何时买入何时卖出的标准。实盘操作时,实时接收行情数据并进行分析,当达到预先设定的标准时,即自动进行买入卖出的操作。但在实际的操作中,由于市场千变万化,任何量化模型都不可能准确捕捉到投资良机,因此亏损的情况也不可避免。所以,如何构建更为合理的量化模型,尽可能捕捉好的投资机会,增加盈利减少亏损,便成为相关从业者孜孜不倦的追求。

END



Copyright © 西安金融分析网络社区@2017