金融投资量化方法精选(十四篇)

序言：作为思想的载体和知识的探索者，写作是一种独特的艺术，我们为您准备了不同风格的14篇金融投资量化方法，期待它们能激发您的灵感。

篇1

中国金融业飞速发展，尤其是2010年股指期货的推出，量化投资和对冲基金逐步进入国内投资者的视野。目前，量化投资、对冲基金已经成为中国资本市场最热门的话题之一，各投资机构纷纷开始着手打造各自量化投资精英团队。同时，中国拥有数量庞大的私募基金，部分私募基金利用国内市场定价较弱的特性转化成对冲基金也是必然的趋势。

量化投资是将投资理念及策略通过具体指标、参数的设计，融入到具体的模型中，用模型对市场进行不带任何情绪的跟踪；简单而言，就是用数量化的方法对股票估值，选取适合的股票进行投资。

量化投资的鼻祖是美国数学家西蒙斯（James Simons）教授，从1989年到2006年间，他管理的大奖章基金平均年收益率高达38.5%，净回报率超越巴菲特。

对冲基金（hedge fund）是指运用金融衍生工具，以高风险投机为手段并以盈利为目的的金融基金，采用各种交易手段（卖空、杠杆操作、程序交易、互换交易、套利交易、衍生品种等）进行对冲、换位、套头、套期来赚取巨额利润。

犹抱琵琶半遮面

上海交通大学金融工程研究中心陈工孟教授表示，2010年股指期货推出后，量化投资和对冲基金渐成热门话题，并正在逐步萌芽和发展，但因为是新事物，社会各界还不是很了解。

目前国内约有12只公募量化基金，而深圳和上海也已有不少对冲基金；量化投资和对冲基金离中国投资者如此之近，但又是如此神秘。

长期以来，国内投资者一直存在着一些疑问，例如，量化投资和对冲基金是不是金融业发展的必然？量化投资和对冲基金对金融安全问题会产生什么影响？上海建设国际金融中心，量化投资和对冲基金应该扮演怎样的角色？量化投资和对冲基金为何能取得超额收益？量化投资和对冲基金如何进行规范和监管？对冲基金如何募集、运作和壮大？如何开发策略、如何进行交易如何控制风险？

对于上述问题，国内缺乏进行深度探讨和专业研究的有效途径。近日，国内领先的量化投资和对冲基金专业研究机构，上海交通大学金融工程研究中心主办了2011第一届中国量化投资高峰论坛。众多国际投资家、知名学者、优秀对冲基金经理、量化投资领军人物、交易所研究代表等，与300多位来自于证券、基金、私募、信托、银行、保险界的专业人士、信息技术服务商和民间资本代表，共同分享最新的量化投资和对冲基金的宏观视点及微观技术，以解决金融业发展迫切需要解决的问题。主办机构表示：“我们相信此次高峰论坛的召开，将开创中国量化投资和对冲基金的新纪元。”

无限风光在险峰

上海交通大学安泰经济管理学院院长周林教授在论坛致辞时表示：“通过引进各种各样的产品、各种各样的金融工具，特别是量化投资的方法，逐渐把过去的投资艺术转化到投资科学，这是我们共同关心的问题。”

周林认为，在中国开展量化投资、设立对冲基金将来有可能的空间，当然，可能也会有问题和风险。即使像美国、英国这样的成熟市场也会产生风波，比如金融危机，不能归咎于量化投资、对冲基金，但一些投资手段、金融工具运用不好，也可能对市场带来一些风险。“对于一系列未来可能产生的问题，我们一定要做非常好的分析。”

中国金融期货交易所副总经理胡政博士谈到，由于量化投资导致程序化交易和国外流行的算法交易等，这些新的交易方式是市场发展的基本趋势。通过研究后他认为，有四方面问题值得关注。

第一是对市场公平性的冲击。有人用“大刀长矛“，有人用“导弹、机关枪”，有专家理财，有一般的投机炒家，各种各样的风格构成了市场，投资手段的不平衡，有可能会带来市场交易的不公平。

第二，对市场本身运行的冲击。量化投资的产品，有可能会对市场价格造成冲击。当采用类似的风险止损点或者类似理念时，市场发生某个方向的变动，有可能加剧这种变化。

第三，对市场价格信息的冲击。很多量化投资工具需要收集信息，需要有很多试探性的报价去测市场的深度。大量的试探性报价，不以成交为目的的报价信息，会对市场产生冲击和影响。

第四，对交易系统的冲击。量化投资快速发展的核心因素是计算机技术的发展，现有交易系统都基于计算机系统，各种各样的工具会对交易系统造成冲击。

第一财经传媒有限公司副总经理杨宇东建议，希望媒体把目前机构、专家学者、管理层正在研究的成果报道出来，让更多的人了解；他还呼吁更快地完善有关对冲基金方面的监管政策和法规，并给予量化投资更多的扶持和技术支持。

上海银监局副局长张光平探讨了人民币国际化的话题。湘财证券副总裁兼首席风险官李康的观点鲜明生动，而中国社科院研究员易宪容在演讲时则激情四溢。

韶华休笑本无根

量化投资把资本市场的投资行为从以往定性化的“艺术”升华为数量化的“科学”，运用到高深的数量工具。国外从事量化投资的研究人员和基金经理大多是学金融、计算机和统计学出身，很多物理、数学专业等理工科背景的优秀人才也加入这一行列。野村证券亚太区执行总监周鸿松就是哈佛大学空间物理博士，曾获2011亚洲银行家峰会最佳算法交易系统团队奖。

在美国留学获计算机硕士的刘震现任易方达基金管理公司指数与量化投资部总经理，1995年进入华尔街工作，在与国内父母通电话时，他感到很难解释清楚自己的职业性质，便说跟“投资倒把”差不多，这可把他父母给弄晕了。

国泰君安证券资产管理公司总经理章飙是统计学博士，早在2006年就开始用量化投资工具做ETF套利，最初很难被上司和同事理解，直到做出几个成功案例后，才有了较大的发言权。他曾向公司申请投5000万元做“攀钢钢矾”，还放出“狠话”：如果公司不让做他就辞职，两年后这笔投资为公司赚了3.5亿元。

篇2

记者：量化投资有什么特点？

刘钊：量化投资的主要特点是买入、卖出股票，不再是由人的主观判断做出决定，而是由量化模型决定。量化投资是一套科学的方法，有严格的分析、计算，什么好什么不好，不是我们自己说了算，是数据和模型说了算。即使是简单的低市盈率投资方法，只要能严格执行，就能取得超额收益。

记者：排除了人为主观情绪的影响，但由量化模型控制的量化投资基金的收益会如何呢？

刘钊：我们可以看看美国最成功的量化投资大师――詹姆斯・西蒙斯管理的大奖章基金，在1989年―2006年的17年间，大奖章基金平均年收益率达38.5%，而股神巴菲特过去20年的平均年回报率也不过20%。正是鉴于量化投资的巨大威力，摩根士丹利华鑫基金公司经过两年的精心准备，推出了国内真正意义上的量化投资基金――大摩华鑫多因子基金。

记者：量化投资的成败，关键在哪里？

刘钊：普通投资者买卖股票，主要是基于政策、基本面、市场、技术等各种信息和经验来做出交易决定，这些因素属于主观判断，而且往往容易受到情绪的影响。量化投资是将投资思路通过设定的指标、参数体现在量化模型上，通过计算机系统自动买卖股票，因此，量化投资的关键点就在于建立一个好的量化模型。

记者：量化投资和价值投资冲突吗？

刘钊：说到投资，大家首先想到的是巴菲特的价值投资，从长期的历史实践看，价值投资确实比较有效，量化投资也可以建立价值投资类的模型。

举例来说，衡量价值投资的最重要指标是低市盈率，如果以市盈率为标准来建模，以2005年5月为时间点，按市盈率对所有上市公司排序，再按市值比例模拟买入市盈率最低的100只股票，第二年5月，重新计算市盈率最低的100只股票，并调整组合，如此重复，每年调整一次仓位。得到的结果是，从2005年5月至2010年5月，沪深300指数的年化收益率为25.4%，同期量化建模的低市盈率策略基金的年化收益率达到29.46%，与沪深300指数相比，低市盈率策略基金的超额收益为4.06%。以此为基础，再以预期市盈率为基础建立一个模型，并模拟买入当年预期市盈率最低的100只股票，量化模型的年化收益率有36.51%。

记者：大摩华鑫的量化投资模型有何成功之处？

刘钊：大摩华鑫量化投资的模型既有一些过去历史上证明非常有效的投资方法，比如价值投资，也有投资管理团队的支持，大摩华鑫资深基金经理多年的投资经验也为大摩华鑫的量化模型提供了一些思路。此外，我们还通过外方股东摩根士丹利以及通过数据挖掘的方法，找到一些好的投资策略，为建模提供思路和方法。

篇3

本刊记者专访了建信责任ETF、建信社会责任联接基金经理叶乐天，为我们揭开量化投资的面纱。来自浙江，北大数学系出身的叶乐天，谈起量化投资，如数家珍。在他看来，量化投资与基本面投资在方法论上有较大差别。后者类似中医，通过实地调研考察，望闻问切，接触病人，获取信息，加以判断；前者则把影响投资的各方面情况以及投资逻辑转化为数据和模型，类似西医，用医疗设备对病人进行体检和化验，更重视借助图表和数据对病人的病情做出判断，因此能做到不见病人而对其基本特征了如指掌。

：请通俗介绍一下什么是量化投资，它的发展情况如何？

叶乐天：中国量化投资研究院院长陈工孟曾做过这样的描述：第一批聪明人叫金融学家，他们发明了各种各样的金融衍生品赚得盆满钵满；第二批聪明人叫数学家，他们通过各种数据模型去发现了一些不合理的现象，同时发现了赚钱的机会，然而数学家不知道怎么把钱赚到手；第三批聪明人就是IT工程师、软件工程师，他们帮助第二批聪明人实现了赚钱的机会。而“量化投资”就是高端的金融人才、数学家和一流的IT工程师的复合。在美国有一种说法，最聪明的人，最高端的技术首先应用在两个领域，一个领域就是国防，第二个领域就是华尔街。

量化投资从20世纪70年代在美国兴起，经过40多年的发展，已经成为西方金融市场最为重要的投资方式之一。从20世纪90年代初期开始，量化投资的资产管理规模迅速增长，2000～2007年，美国的量化投资总规模增长了4倍多。2011年美国的量化投资和对冲基金的规模经过金融危机以后再创新高，达到了2万多亿美元的规模。

2009年被称为中国量化投资元年。随着2010年股指期货的推出，金融衍生品迅速登上中国资本市场的舞台，为量化投资的发展创造了有利的条件，而量化投资的发展为投资者提供了可选择的、非常有优势地位的投资方式。

：量化投资与价值投资有什么关系？

叶乐天：资本市场之大，每位强者都有自己的成功之道。相对于巴菲特过去20年平均20%的年回报率，有位中国人不太熟悉的高手更胜一筹，他就是华尔街的“模型先生”詹姆斯·西蒙斯。西蒙斯创办的大奖章基金从1989年到2006年的平均年收益率高达38.5%，净回报率超过巴菲特，即使在次贷危机爆发市场一片阴霾的2007年，他的基金回报都高达85%。

与股神巴菲特的“价值投资”不同，西蒙斯的投资成就依靠的是“量化投资”。这位24岁起就出任哈佛大学数学系教授的数学天才，依靠数学模型和计算机技术捕捉着市场机会。他认为，数学模型比主动投资能够更有效地降低风险。虽然中国人对西蒙斯这个名字还比较陌生，但量化投资产品在华尔街已经非常普遍。

：为什么说量化投资像西医？

叶乐天：随着计算机运算速度的提高，华尔街的量化投资已经发展到争取几毫秒的机会。同一个套利机会下，谁下单早，谁就能抓住机会。尽管大家争取的可能是万分之一的收益，但是通过每天大量的交易，日积月累，就能取得很高的回报。

与市场熟悉的定性投资相比，量化投资在研究方法上与其有着很大不同。定性投资主要通过公司基本面研究进行投资决策。需要基金经理到企业调研，看研究报告，与高管深入交流、了解大股东诉求，了解公司发展规划之类，有深度。量化投资则注重广度，比如市场上有2000只股票，量化投资会通过计算机比较2000只股票的数据，找出上涨个股共同的特征因子进行投资。与定性投资产品的基金经理经常出差不同，我主要的工作都在案头——搜集数据，处理数据、还有编程。

定性投资和定量投资的差异如同中医和西医的关系。定性投资更像中医，更多地依靠经验和感觉判断病在哪里；定量投资更像西医，依靠模型判断，模型对于基金经理的作用就像CT机对于医生的作用。

：如何选择量化投资产品尤其是指数基金？

叶乐天：目前，量化投资在中国公募基金市场的形态还比较简单，主要可以分为被动型的和主动型的。被动型的量化产品包括了大量的指数基金；主动型的量化产品则主要有3种模式，分别是“多因子型”、“事件型”和“宏观择时型”的。事件型和宏观择时型相对容易理解。多因子型，就是通过比较数据，筛选出个股走势变化的关联因子，然后，在未来个股走势出现类似因子时，触发交易，从中取得收益。

在公募产品中，以指数型产品为主，主动量化的产品数量稀少。公募基金受制于交易监管规则，比如在同一天的交易中，不能对同一标的做反向交易，在衍生品工具的使用上也非常有限，所以做主动量化的产品较少。同时，量化投资不像定性研究，对单个公司研究得很透，经得起很大的波动，追求的涨幅也大。量化投资通常追求很小的涨幅，但业绩比较稳定。而且，历史上指数基金的业绩表现还算稳定，主动量化基金产品的稳定性稍差，而业绩稳定对开放式基金更加重要。此外，市场深度不够也制约了量化产品在中国的发展。公募基金的规模通常比较大，如果做主动型的产品，更换持仓的冲击成本就比较大。

不过，对于普通投资者而言，要投资量化基金时，并不是非要弄懂基金的运作模型。选择一只量化产品与选择普通的基金产品，方法并没有太大的差异。首先，投资者需要了解量化产品的过往业绩，如果基金持续一段时间业绩表现优秀，说明这种模型相对来说是较为可靠的。其次，就是看基金经理的投资理念和思路方法投资者是否认可，因为基金经理正是模型的制定者。最后应当考虑个人整体的资产配置，从长期的角度对基金产品进行合理配置，不用过多地顾虑投资时机。

篇4

【关键词】量化投资；数学

中图分类号：F83 文献标识码：A 文章编号：1006-0278（2014）07-242-01

一、量化投资概述

量化投资，顾名思义，将投资进行量化。它结合数学模型、利用计算机相关的科学技术对投资进行决策。与传统的投资方式不同，它不依靠人的主观意识去判断决策，而是通过量化模型处理大量信息以便找到一定的市场规律。

量化投资的发展史就短短的几十年，但其凭借其纪律性、系统性、及时性、准确性和分散化的优势，发展前景十分可观。其主要研究内容包括算法交易、股指期货套利和量化选股等投资策略，以数据挖掘、人工智能和随机过程等理论进行分析最终得到决策方案。A股市场的弱有效性，使其特别适合通过量化的方法找出其无效性，发掘出超额收益的潜力。

二、数学模型的重要性

“数学模型”，又称“金融数学”或“数理金融学”，是利用数学工具研究金融现象，通过数学模型进行定量分析，以求找到金融活动中潜在的规律，并用以指导实践。金融数学是现代数学与计算机技术在金融领域中的结合应用。

金融数学的发展曾两次引发了“华尔街革命”。上个世纪50年代初期，马克维茨提出证券投资组合理论，第一次明确地用数学工具给出了在一定风险水平下按不同比例投资多种证券，收益可能最大的投资方法，引发了第一次“华尔街革命”。马克维茨也因此获得了1990年诺贝尔经济学奖。1973年，美国金融学家布莱克和舒尔斯用数学方法给出了期权定价模型，推动了期权交易的发展，期权交易很快成为世界金融市场的主要内容，成为第二次“华尔街革命”。2003年诺贝尔经济学奖第三次授予以数学为工具分析金融问题的美国经济学家恩格尔和英国经济学家格兰杰，以表彰他们分别用“随着时间变化易变性”和“共同趋势”两种新方法分析经济时间数列给经济学研究和经济发展带来巨大影响。

不仅仅是理论界在金融数学领域取得巨大的成就。实务投资派也运用金融数学模型在市场中取得了巨大的盈利。数学教授出身的“模型先生”詹姆斯・西蒙斯（James Simons）连续两年在对冲基金经理人收入排行中位列第一。2005年，西蒙斯成为全球收入最高的对冲基金经理，净赚15亿美元，去年，他收入高达17亿美元，差不多是索罗斯的两倍。68岁的西蒙斯是世界级的数学家，也是最伟大的对冲基金经理之一。他24岁就出任哈佛大学数学系教授，曾与著名华裔数学家陈省身一同创立了Chern-Simons几何定律，该定律成为理论物理学的重要工具。西蒙斯和他的文艺复兴科技公司是华尔街一个彻底的异类，公司从不雇用华尔街人士，而是靠数学模型捕捉市场机会，用电脑作出交易决策，是这位超级投资者成功的秘诀。

而在量化投资学中，数学模型有着举足轻重的作用。依靠个人判断选股，你可以一夜暴富，但是同时你也承担着第二天输得什么都没有的风险，模型的优势恰恰在于降低风险。举个例子，传统的定性投资依赖于上市公司的调研，结合了个人的经验和主观判断，而无法克服人性上贪婪、侥幸心理和恐惧等弱点，带着个人情感会使是判断产生偏差。模型恰恰能通过全面系统性的扫描，准确且客观地评价交易机会，克服了主观上的情绪导致的偏差，从而做到降低风险。投资能盈利的本质就在于能有效的控制风险。风险是一定存在，但只要能合理控制，即能找到商机。

三、论述数学在股市中的应用

（一）时间序列下用R/S分析法对股市收盘的预测

R/S分析法由水纹专家H.E.Hurst在1951年提出的，其旨通过数学公式计算出该序列的H值，并根据H值来判断序列的走势。H值和相应的时间学列分为3中类型：

（1）H=0.5时，时间序列是随机游走的。序列中的不同时间的值是随机的和不相关的，即市场是有效的。

（2）当0.5≤H

（3）当0

根据R/S分析法，可将要分析的股票的收盘数据导出，计算出各项指标，根据H值来预测收盘的走势，对投资决策有重大意义。

（二）多因子选股模型

多因子选股模型是一类重要的选股模型。较稳定，是综合很多市场信息最后得出的选股结果。通常有两种办法：打分法和回归法。在此介绍回归法在选股中的应用。

回归法根据过去的股票的收益率的值对多因子进行回归最终得到回归方程。再将新因子的值带入回归方程，得到的值即为对未来股票的收益的一个预判，可根据这个预判进行选股。

篇5

【关键词】机器学习 量化投资 三因子模型

一、引言

作为人工智能领域主要的研究方向之一，机器学习无疑最受瞩目。尤其是近几年深度学习方法在语音识别、自然语言处理、自动驾驶等方面取得了巨大的成功，使得各行各业都将机器学习方法做为重点的研究方向。特别是在金融领域，以机器学习为主的人工智能已经在量化投资方面得到了广泛的应用。机器学习可以快速海量地进行分析、拟合、预测，人工智能与量化交易联系越来越紧密。如全球最大的对冲基金桥水联合（Bridge water Asspcoates）在2013年就建立了一个基于机器学习的量化投资团队，该团队设计交易算法，利用历史数据预测未来金融市场变化，以人工智能的方式进行投资组合调整。日本的人工智能量化投资公司Alpaca，建立了一个基于图像识别的机器学习技术平台Capitalico，通过该平台，用户可以利用数据库中找到外汇交易图表进行分析，这使得普通投资者也能知道成功的交易员是如何做出交易决策的，从他们的经验中学习并作出更准确的交易。然而在金融领域，已公开的有效的预测模型是基本不存在的，因为无论是机构投资者还是个人投资者一旦公开投资模型，也就意味着投资模型的失效。比如著名数学家西蒙斯1988年成立的文艺复兴公司，就完全依靠数学模型进行投资，公司旗下从事量化投资的大奖章基金回报率也远超过其他对冲基金，然而该公司却从不公开投资模型。虽然金融机构很少公开如何利用机器学习来指导投资的研究成果，但学术界对机器学习在金融投资中的应用的研究却在逐渐增加。

支持向量机（support vector machines，SVM）是Vapnik 1995年提出的新的机器学习算法，该方法有很好的泛化能力，一种非常成功的机器学习方法，性能明显优于传统神经网络。在金融研究领域，支持向量机也是应用最广泛的机器学习模型。即使在国内，利用SVM方法的研究文献也不少。赛英（2013）利用支持向量机（SVM）方法对股指期货进行预测，并用遗传算法（GA）和粒子群算法（PSO）分别优化四种不同核函数的支持向量机，通过大量实验发现，采用粒子群算法化的线性核函数支持向量机对股指期货具有最好的预测效果。黄同愿（2016）通过选择最优的径向基核函数，再利用网格寻参、遗传算法和粒子群算法对最佳核函数参数进行对比寻优，构建最有效的支持向量机模型，并对中国银行未来15日的开盘价格变化趋势进行预测，并认为用支持向量机来预测股票走势是可行的。程昌品（2012）提出了一种基于二进正交小波变换和ARIMA-SVM方法的非平稳时间序列预测方案。用高频数据构建自回归模型ARIMA进行预测，对低频信息则用SVM模型进行拟合；最后将各模型的预测结果进行叠加，并发现这种办法比单一预测模型更加有效。张贵生（2016）提出了一种新的SVM-GARCH预测模型，通过实验发现该模型在时间序列数据去除噪音、趋势判别以及预测的精确度等方面均优于传统的ARMA-GARCH模型。徐国祥（2011）在传统SVM方法的基础上，引入主成分分析方法和遗传算法，构建了新的PCA-GA-SVM模型。并利用该模型对沪深300指数和多只成分股进行了验证分析，并发现该模型对沪深300指数和大盘股每日走势有很好的预测精度。韩瑜（2016）结合时间序列提出了一种基于GARCH-SVM、AR-SVM的股票涨跌预测方法，结果表明，加入GARCH或AR等时间序列模型的初步预测结果可以提高SVM预测准确率。

从国内的研究文献来看，大多数文献都是通过机器学习方法来优化传统的时间序列预测模型，很少去研究如何通过机器学习方法构建有效的量化投资策略。由此，本文将利用SVM算法，结合经典的Fama-Fench三因子模型，设计量化投资策略，探讨机器学习方法在金融投资领域应用的新思路。

二、模型理论介绍

（一）Fama&Fench三因子模型

Sharpe（1964），Lintner（1965）和Mossin（1966）提出的资本资产定价模型（CAPM）是一个里程碑。在若干假定前提条件下，他们严谨地推导出了在均衡状态下任意证券的定价公式：

式中，E（ri）是任意证券i的期望收益率，E（r0）是无风险利率，E（rm）是市场组合（market portfolio）的期望收益率。■。法马（Fama，1973）对CAPM进行了验证，发现组合的β值与其收益率之间的线性关系近似成立，但截距偏高，斜率偏低，说明β不能解释超额收益。之后，Fama&Fench（1992）详细地分析了那些引起CAPM异象的因子对证券横截面收益率的影响。结果发现，所有这些因子对截面收益率都有单独的解释力，但联合起来时，市值和账目价值比（BE/ME）两个因子在很大程度上吸收了估计比值（E/P）以及杠杆率的作用。基于此，Fama&Fench（1993）在构建多因子模型时，着重考虑规模市值（SMB）和账面价值比（HML）这两个因子。因此，三因子模型可以写为：

（二）支持向量机

支持向量机是一种二分类模型，也可以用于多分类，它的基本模型是定义在特征空间上的间隔最大的线性分类器，通过寻求结构化风险最小来提高分类器的泛华能力，实现经验风险和置信范围的最小化，最终可转化为一个凸二次规划的问题求解。支持向量机是90年代最成功的机器学习方法，它的基本思想是求解能够正确划分训练数据集并几何间隔最大的分离超平面，该超平面可以对数据进行分类，分类的标准起源于逻辑回归，logistic回归的目的是从特征学习出一个0/1分类模型，logistic函数（sigmoid函数）的表达形式为：

这个模型是将特征的线性组合作为自变量。由于自变量的取值范围是负无穷到正无穷，因此，sigmoid函数将自变量映射到（0，1）上，对应的类别用y来表示，可以取-1或者1。根据输的概率对数据进行分类，sigmoid函数图像如图1。

支持向量机也是利用上述分类原理对数据进行分类，如图2所示，wTx+b=0为n维空间的一个超平面，该超平面将数据分开，一般来说，一个点距离超平面的远近可以表示为分类预测的准确程度。支持向量机就是求解■的最大值，也就是说，构造最大间隔分类器γ，使两个间隔边界的距离达到最大，而落在间隔边界上的点就叫做支持向量，明显有y（wT+b）>1。

当数据不能线性可分时，就需要利用非线性模型才能很好地进行分类，当不能用直线将数据分开的情况下，构造一个超曲面可以将数据分开。SVM采用的方法是选择一个核函数，通过将数据映射到高维空间，在这个空中构造最优分类超平面，用线性分类法进行数据分类。

然而，在不知道特征映射的形式时，很难确定选择什么样的核函数是合适的。因此，选择不同的核函数可能面临不同的结果，若核函数选择不合适，则意味着将样本映射到了一不合适的特征空间，很可能导致结果不佳。常用的核函数见表1。

三、实证分析与应用

（一）数据说明

训练数据为2012年8月1日至2016年8月1日沪深300成分股在每月最后一个交易日有交易的股票因子值，市值因子SMB（marketValue）和账面价值比HML（PB）比这两个因子见表2，所有因子数据都通过标准化并处理。利用PB和marketValue两个因子，预测下月该股票的涨跌，利用机器学习中的支持向量机进行训练，数据特征为月度股票因子，训练标签为该股票下个月月初第一个交易日的涨跌，上涨为1，下跌和股价不变标记为0，采用交叉验证方法，其中80%的数据为训练集，20%的数据为测试集，利用R语言中的e1071包进行分析。

表2 因子名称与因子说明

■

（二）策略回测

从实验结果看，SVM的测试集预测准确率为62.32%，回测策略为等权重买入当月预测上涨概率排名前20的股票，每月初第一个交易日进行调仓，回测区间共调仓41次。回测区间为2013年7月1日至2017年2月28日，初始资金设为1000000元，利用优矿量化平台进行回测，策略回测的部分持仓记录见表3，策略效果见图3和表4。

表3 策略回测持仓记录

■

■

图3 策略收益率与基准收益率对比

表4 模型回测结果主要数据

■

由于多因子模型通常为稳健策略，因此为了避免频繁交易带来的高额交易费用，本策略采用了月度定期调仓的手法。从表3，图3和表4的策略回测结果来看，利用支持向量机算法结合Fama-Fench三因子模型设计的交易策略，在回测区间年化收益率为22.4%，超越了13.4%的基准市场收益率，获得了8.2%的阿尔法，这也说明Fama-Fench三因子模型在A股市场依然有效。同时我们也能看到，该策略最大回撤为48.1%，说明在不加入止损、止盈条件下，该策略并不能实现很好的对冲效果。从量化投资的角度来看，利用股指期货进行对冲，是多因子策略的一个很好的选择。

四、结论

本文通过利用机器学习中的经典算法支持向量机并结合Fama-Fench三因子模型构建了量化投资策略。通过市值因子和市净率因子，利用机器学习算法，滚动预测下一个月股票的涨跌方向。实验结果发现，支持向量机的预测准确率达到了62.23%，通过预测股票涨跌方向的概率，设计了对应的投资策略，该策略在回测期间的年化收益达到了22.4%，远超过基准年华收益率的13.4%。本文的研究表明，机器学习方法在金融市场有很好的运用空间，在大数据时代的今天，传统统计模型无法从复杂、多维的金融数据中提取出有效的信息特征，而机器学习算法擅长处理复杂、高维数据。这也是人工智能投资在金融行业越来越受到重视的原因。从量化投资这一角度来说，如何将机器学习方法应用到金融投资领域还是一个饱受争议的话题，本文只是从尝试的角度出发，创新的将机器学习方法结合经典的Fama-Fench三因子模型来验证对中国股市的投资效果。而如何将机器学习方法应用到更多的金融投资领域将是本文下一阶段的研究重点。

参考文献

[1]Cortes C，Vapnik V.Support-Vector Networks.[J].Machine Learning，1995，20（3）：273-297.

[2]Fama，E.F.&K.R.French（1992），“The cross-section ofexpected stock returns”，Journal of Finance 47：427-466.

篇6

寒暄已毕，坐定后，银华基金量化投资部总监周毅用他惯常的平缓语速说道。

《投资者报》记者第一次采访周毅在2010年3月，那时，银华基金正推出国内第一个杠杆指数基金，作为产品的设计者，基金经理也由他担任。

谈及国内基金产品创新，在华尔街做了11年量化投资并参与过房地美等资产抵押债券设计的周毅自谦道，只是将国外的产品移植到中国市场。

从北大计算机系到华尔街操盘手，1998年到2008年期间，周毅亲身体验了互联网泡沫的“过山车”以及次债的摧枯拉朽。

前一次危机“迫使”他转身做了金融，后一次让他下定决心离开华尔街回国。

传统上人们认为，有完善的投资、研究体系才是投资的内涵，但周毅看来，这是投资的一小部分。

“与传统的基于投研平台的投资不同，量化投资更多依靠模型和程序，所以有时候在华尔街，量化投资交易员的地位比较高。”

这算是一个量化投资者的立场。

从北大到华尔街

周毅的求学之路可谓顺利。高中毕业后，他被保送北大，选了当时热门的计算机专业，四年后，在留学热潮中，又赴美国南卡罗来纳大学继续深造。

但求职之路并不平坦。

1998年毕业时，互联网空前繁荣，华尔街互联网人才紧俏。周毅和他的同学们赶上了好时代，不费力就找到了一份薪水不菲、让人眼红的职业。

但此时，互联网泡沫依稀传出咝咝破裂之声。2000年，泡沫终于破灭。

回忆至此，周毅说：“像坐过山车。”

互联网繁荣带来财富以及身处行业的成就感顷刻消失。巨大的落差袭来，周毅的很多同学被迫改行做了律师，而周毅把职业的方向盘打向了美国发达的金融业，主要做计算机量化投资。

投资生涯由此起航。

1999年，他进入美国约翰・霍普金斯大学学习金融，与此同时，利用计算机强项，在普华永道金融服务部做一些量化模型。

在普华永道的八年里，他曾参与了包括导致次贷危机的房地美、房利美等资产抵押证券产品的设计。

普华永道的客户涉及华尔街各大投行和机构，内容囊括股票、债券、期货以及各种衍生品，这对周毅来说，是难得的学习机会。

“这不仅让我的职业方向转到金融，而且让我全面接触到各类金融产品。”

但他也意识到，必须有深度上的提高。2006年，周毅加入在金融衍生品方面领先的巴克莱银行，并在该部门做量化投资，与在华尔街名声凿凿的李祥林共事。

李祥林现任中金风险管理总监，在加速华尔街资产证券市场化方面贡献卓著。有人说，如果不是金融危机爆发，李很可能问鼎诺贝尔经济学奖，这间接说明巴克莱银行对金融衍生品的重视。

研发、利用先进的量化模型，发现定价有偏差的产品，用巴克莱银行的低成本融资赚取差价，这就是周此时的主要工作。

次贷危机爆发后，金融衍生品遭受摧毁性打击。

2008年，周毅以巴克莱亚太公司副董事身份转战香港，做相对简单的股票及债权衍生品投资。此后，为照顾亲人回到北京。

把海外思路带回国

对一个长期与衍生品打交道的人来说，回国能做什么？

“当时直观感觉，自己能做的其实有限。”对A股不了解，在华尔街擅长的东西也用不上。国内投资领域能与其沾边的只有指数基金占主体的量化投资。

量化投资方法是相对于定性投资而言，后者主要靠人力，前者主要靠计算机以及数据模型。

2009年底，周毅加盟银华基金，当时银华量化投资还是一片空白。

摆在他面前最迫切的问题是，该从哪里切入。

“既然不了解A股，我不大可能直接把美国或中国香港市场用的量化投资模型直接应用到A股投资中，这从逻辑上讲不通。”

指数基金被动化管理成了突破口。

根据华尔街的经验，周毅深切地明白，指数基金的产品研发、创新、先发优势最重要。然而，当时国内跟踪沪深300等优质标的指数基金已经很多，在跟踪标的上难以获得先发优势，产品形式创新成为不二选择。

“看到这种情况，我在想，在形式上要有别于国内其他产品，做别人没有的东西，才有取胜的可能性。”

结合国内证券市场的条件及A 股的特征，周毅把目光放在了国外已经流行的杠杆指数基金上。

虽然在周毅看来，这算不上什么创新，但在国内首次吃螃蟹，总免不了一些曲折。先想到国外普遍采取与券商做互换的方式做杠杆，然而，由于潜在的信用风险被他否定。

“这条路堵死之后，我们选择了当时国内已经有的分级基金，这虽然不能做完美的杠杆指数基金，但是一定程度上可以实现我的想法。”

经过几个月的奔波，2010年3月，银华深证100分级基金发行，在随后的7月到10月，该基金让市场见识了杠杆基金的魅力。其间，银华深证100锐进份额上涨了109%，而其跟踪的指数深证100上涨了50%。

2010年4月，股指期货推出后，引进做空机制成为现实。

目前，用对冲策略做创新是周的一个着力点。记者了解到，银华旗下已有三只专户产品运用了对冲策略。

“具体做法就是用股指期货空头做等量对冲，其实就是做减法，比如，把超越沪深300指数的收益，通过等量对冲变成绝对收益，尽量降低风险。”

篇7

数理金融专业课程群的构造应该突出知识在解决金融问题的实用性和针对性，对涉及到金融、数学、统计、计算机学科的知识，不以原有学科知识的完整性为准则，而是对照数理金融专业实际需求对原有学科的知识进行删减、重组和增设。由于数理金融专业的培养目的是培养解决金融领域问题的人才，因此数理金融专业核心课程群的构造思路是立足原有金融学科，以培养学生量化解决金融问题的能力为导向，突出各学科之间的融合以及知识点关系的处理。基于这一构造思路，我们对数理金融专业设置三个核心课程群：金融基础课程群、量化金融课程群以及实证方法课程群。三者的关系在于金融基础课程群是基础，介绍金融领域的传统理论知识；量化金融课程群是核心，是区别传统金融学的关键，介绍现代金融理论的定价和风险管理知识；实证方法课程群是手段，即如何利用数学、统计学和计算机学科的知识对量化金融课程群中所涉及知识点加以实现，并进而解决实际量化金融问题。金融学基础课程群和量化金融学课程群主要是基于传统金融学科和现代金融理论的基础进行构建。金融学基础课程群涉及的课程主要包括金融市场学、投资学、国际金融学等，量化金融学课程主要包括资产定价、投资组合与风险管理等。实证方法课程群是补充数学、统计学和计算机等相关学科知识，由于数理金融专业对这些学科的理论知识没有过深的涉足，仅需要能加以灵活运用解决量化金融问题，因此精选了随机过程、金融计量学、金融数学软件等课程。

2核心课程群内课程知识点构建

虽然我们对数理金融专业核心课程群及其之间的关系进行了梳理，但是如果不对课程群内各课程知识点进行重新构建；那么我们只是完成了第一步工作，即对数理金融专业课程进行粗线条地归类、删减和增设，更细致的工作是如何对课程群的群内及群间的知识点进行系统化的构建。

2.1以各课程群的整体建设目标组织各课程群内知识点

课程群不是几门课的简单叠加，而是围绕课程群的总体教学目标，进行知识点的整合。因此课程内容不再是按照原课程知识点自然逻辑进行安排，而是打破原有课程的知识点的构架，选择与课程群的整体建设目标相关的知识点，与课程群内其他课程知识点一起进行优化。在优化的过程中首先减少诸多课程内容的重复；其次根据课程群的建设思路和系统统筹规划，对相关课程进行重新设计和整合构建，对具体课程知识点进行增、删、整、并；最后根据知识点之间的关系以及重要程度进行教学时数和时间分配。

2.2以学生能力培养为导向注重知识点与实际案例的有效结合

数理金融专业的教学根本目的不在于数理金融相关知识点的传授，而在于学生量化解决实际金融问题的能力培养。因此在知识点的梳理和构建过程中，应该紧扣实际案例，做到知识点的呈现与实际案例中问题解决有效结合。即，知识点的安排不是按照知识点的自然逻辑进行安排，而是以实际案例的问题解决过程进行知识点的筛选和安排，突出学生通过案例学习知识点，并能对知识点进行实际应用的能力培养。知识点与案例紧密结合不仅增加了知识点的鲜活性、立体性和形象性，而且有助于学生的逻辑思维能力的培养。单纯的知识点的传授，只是让学生掌握了知识点自身的逻辑体系；但是在解决实际问题中，学生需要能对问题进行解剖，抓住问题的关键，并在众多的知识点中选择恰当的知识点来分析问题，这却是单纯知识点的传授所无法实现的。但是如果知识点的构建和习得过程中本身就是按照问题解决的逻辑进行的；那么在知识点的习得过程中，逻辑思维能力也会得到应有的提高。特别是对于应用性极强的数理金融专业，特别是课程群中的重要知识点，一定要与市场实际案例相结合，通过案例的引入、问题的解决、问题的引申来呈现知识点。

3数理金融专业核心课程群教学模式探讨

数理金融专业核心课程群设置的总体目标是培养学生量化解决金融实际问题的能力，因此教学模式也区别于单纯以知识传输为目标的传统教学模式。传统教学模式一般是教师对学生的单向性的灌输活动，学生的参与度不够；导致的结果是学生对知识的掌握与实际相脱节，无法灵活应用所学知识解决现实问题。针对现实性、综合性、复杂性极强的金融市场，我们提出了应用探究合作式教学模式开展数理金融专业核心课程群的教学活动。

3.1探究合作式教学模式的含义

探究合作式教学模式包括两层含义，一是“探究学习”，二是“合作教学”。“探究学习”是1961年美国芝加哥大学教授施瓦布（J.J.Schwab）在哈佛大学举行纪念演讲会上提出的。认为教学内容应当呈现学科特有的探究方法去探究叙事，去解决问题；教师应当用探究的方式来传授知识，学生也应通过探究活动来展开学习。“合作教学”理论是20世纪70年代中期美国教育家威廉•格拉塞提出的。合作教学模式是在充分相信学生，真正把学生当作学习的主人的前提下，以师生之间和生生之间的全员互动关系为课堂教学的核心，以学生的小组合作学习为教学的基本形式，以小组团体成绩为评价对象，通过合作互动促进学生共同达到教学目标。探究合作式学习模式则是“探究学习”和“合作教学”的有效结合，可以概括成“创设问题情境—探究合作—总结、反思、评价—作业延伸”这样四个环节(顾锋娟，2009)。首先通过创设问题情境激发学生的求知欲和主体意识；通过学生的主动探究、合作讨论来培养学生的实践能力和创新精神；通过总结、反思、评价环节提升学生总结问题的能力；最后通过作业延伸对已学知识进行巩固加深。

3.2数理金融专业课程群开展探究合作式教学模式的应用实例

我们利用探究合作式教学模式对数理金融专业课程群进行教学模式改革，强调教学过程中的探究过程及学生的主动参与，以量化金融课程群中资本资产定价模型这一知识点为例子说明如何开展探究合作式教学模式改革，并且如何培养学生量化解决金融实际问题的能力。资本资产定价模型（简称CAPM模型）相关内容，该内容是量化金融课程群中“投资组合与风险管理”课程中“证券投资组合理论”章节内的重点、难点，也是现资组合理论的精髓；但是由于理论性较强，不容易理解，很多学生在学习过程中囫囵吞枣，在学习后都不能加以实际应用。按照探究合作式教学模式的改革思路，我们对这部分内容按照案例引入、思考探究、实证验证、总结引申的过程进行设计，并利用Excel对实证计算部分进行实现，使学生对CAPM模型相关知识有一个立体化、形象化、系统化的认知，并能付诸实际应用。

3.2.1案例引入

首先以案例引入问题情景，某个投资者要进行投资万科这只股票，那么他需要思考投资万科可能获得的收益以及可能承受的风险，即引入了资本资产定价模型中的两个关键因素——收益和风险。

3.2.2初步探讨

对万科股票过去一年的收益和风险进行计算，并将其与整个市场的收益和风险进行对比，得到万科的风险大于整个市场的平均风险，万科在去年整个市场下跌的环境中下跌得更厉害。以数据的简单对比形象地展示了收益和风险之间的关系，并逐步引入到风险和收益的定量化的模型——CAPM模型，即教学过程中的理论知识点。在这过程中引导学生利用Excel的ln函数、average函数、stdev函数、拖曳功能等实现对万科和上证综指的对数日收益率、日标准差、年化标准差等变量的计算。

3.2.3CAPM模型的实证计算

以万科实际数据验证CAPM模型，并通过对比CAPM模型计算出的期望收益与万科过去一年的实际收益之间的差异，得出CAPM模型的核心知识点：市场只对风险资产的系统风险（贝塔值）进行补偿，不对非系统风险进行补偿。在这过程中引导学生运用Excel的covar函数进行贝塔值的计算，并利用万科实际数据和CAPM模型计算出的差异，形象地阐述了虽然市场不对非系统风险进行补偿，但依然会给投资带来可能的损失。

3.2.4案例的总结和引申

总结案例，加深对CAPM模型、系统风险、非系统风险的理解。最后引申到实际投资中，给出两个重要的政策建议。第一，根据自身的风险承受能力选择合适的贝塔值；第二，如何在实际投资中进行非系统风险的分散。

3.3探究合作式教学模式符合数理金融课程群的建设目标

数理金融课程群的建设目标是培养学生定量化解决金融问题的能力，通过上述资本资产定价模型的知识点的探究合作式教学模式设计，我们可以看出探究合作式教学模式有助于实现这一建设目标。（1）以投资者的投资思维过程出发组织该部分知识点，符合学生的认知规律；（2）教学过程通过案例引入、思考探究、实证验证、总结引申等进行展开，激发学生主动思考，体现学习的思辨过程；（3）通过实例计算，使学生对理论知识的学习有立体、直观的感受；（4）用Excel对计算过程进行实现，提高学生的实际动手能力和解决问题的能力；（5）案例与知识点的有效结合，实现学生的“知”与“行”的统一。

4结束语

篇8

在BGI的主动投资领域中， “市场中性”策略取得了巨大成功。黎海威开发的香港、新加坡市场的量化模型正是运用到此类市场中性基金，它们采用的是后来名满天下的基本面量化投资方法。简要地说，基本面量化投资即借助一系列基本面因子构建的量化模型筛选股票，以融资融券的方式实现多空对冲，从市场中获得绝对收益。除此以外，相关模型也运用到指数增强和130/30基金。

在黎海威看来，投资是个概率问题，通过基本面分析，提高找出好股票从而跑赢市场的概率，即赢面。如果挑选的每只股票的赢面在55%，而投资组合由100只这样的股票构成，整个投资组合战胜市场的概率就会接近100%。

量化投资的核心在于维持一个稳定的赢面，而在比较大的范围（即投资的宽度）内运用它。挑选出好股票，需要从合适的维度来筛选，比如估值、盈利质量、情绪等等。这些因子都不是随意挑选的，它们一般有金融理论背景（价值投资、行为金融等）支持， 并结合了当地市场的实际情况。

基本面量化投资并非像人们想象的只是靠跑系统选股和交易，事实上，它的本质是主动投资。这样的投资方法，关注基本面和市场演变，需要基金经理的经验、判断和对市场的理解。黎海威认为，关键在对市场黎海威在量化投资的世界里，华人迄今掌管的最成功基金之一是巴克莱亚洲（除日本）市场中性股票投资基金。2012年8月，曾在巴克莱工作时间最长的华人基金经理黎海威，回国进入景顺长城基金，担任景顺长城基金的量化及ETF投资总监。他即将启动其在国内的第一个量化投资产品——景顺长城沪深300指数增强基金。的理解， 在把量化框架和当地市场的实际情况结合起来，在强调纪律性的前提下， 坚持以量化模型为依托， 不断地将新出现的现象和发现的规律抽象出来，添加到模型中。

与此同时，对于特殊事件，比如数据错误、 收购兼并等量化模型无法及时处理的情况， 需要基金经理在投资组合中控制相关风险。更为重要的是，因子的研究和权重的调整要有前瞻性。例如在次贷危机发生后很长一段时间里，人们对价值股没有任何兴趣，但随着违约风险逐步降低，价值股在2010年迎来了相当强劲的行情。当时，由黎海威担任基金经理的亚洲（除日本）市场中性股票投资基金及时调整了价值股权重，获得很好的业绩。

当然，基本面量化投资有着量化的纪律性，这是业绩稳定性的保障。黎海威认为，量化投资的纪律性首先表现在量化研究的严谨性上。做量化投资并非像大家想象中的多空对决的精彩，反而有点像做金融的博士论文，整个研究过程从课题的提出到研究、回测都是在严密的框架下进行的，是可重复验证的。

篇9

大概没有出现过这么密集的伤心消息了――2月21日，史上最年轻的诺贝尔经济学奖得主肯尼斯・阿罗（Kenneth Arrow）与世长辞；最有影响力的经济学家之一蒂莫西・富尔斯特（Timothy Fuerst）在同一天去世；3月6日，美国金融学会讣告，著名金融学家罗蒂芬・罗斯（Stephen A・Ross）在家因心脏病突发逝世，对接触过现代金融学科的人而言，都知道套利定价理论（APT，Arbitrage Pricing Theory）的伟大之处。

就在人们纷纷对西方财经圈大牛表示缅怀之时，传来一个中国投资大佬境外因病医治无效过世的消息，让整个量化投资圈颇为震惊。

这个大佬就是量游投资创始人朱天华。我打开他的微信，签名“交易是统计游戏”赫然醒目呈现在那里，或许也是他公司名的来由。

朱总是哥伦比亚大学博士，有15年美国顶级投行经验，任美国高盛集团交易和销售部董事总经理。关键是在高盛，朱博负责金融产品量化、程式化和高频化的交易和策略，主管美国的国债期货、国债现货，包括利率期货、外汇、商品期货还曾任瑞士信贷全球自营部的总监、美国雷曼兄弟公司固定收益部副总裁和资深交易员、美国IDC固定收益和金融衍生品资深策略专家。

放眼华人量化投资圈，大概没几个人能有这样丰富而资深的背景了。

一般来说，回国创业的量化创业者有三类，第一类是像朱天华这样真正受过顶尖投行熏陶的扎实大牛，少之又少；第二类是海外大机构做过几年相关工作的，基本知道主要套路；第三类是非主流对冲基金合伙人，或是从策略转投资、从研究转投资的新人。

我后来与朱天华总共有过三面之缘，每次都在讲风控。

第一次见到朱总是上海交大高级金融学院的论坛上，当时话题还算应景――对冲基金在中国的困境与对策。朱总参加的是圆桌讨论环节，穿着松松垮垮的休闲外套，他个头略小，脸上不带微笑，神情略显沧桑。他说话虽声不大，但气场强烈，当时依稀记得的重要观点是：很多人太不敬畏投资了，不知道投资中的不确定性有多难控制。

第二次是在虹口区对冲基金园区附近一家酒店大堂。那时大概是2016年5月，听说朱总很久不见投资人了。我当时像平常一样咨询他一些问题，但我很快就发现，朱总交流起来有自己的频道。他说得更多的是一些形而上学的理念。

最后一次见他，是在去年底上海的一个对冲基金论坛上。他坐在前排一个有名牌的座位上，冷静地观察着这个热闹的世界，周围是喧闹的年轻人。他穿着还是一样朴素，一样不为人所注意，感觉整个人有些消瘦。看他提前要走，我与他打了个招呼，他依旧低调地浅浅一笑。

不过，短短的几次接触，发现朱总仍有几点交易原则值得借鉴。

1.分散化。多品种多交易方法。朱总坚持量化交易，他覆盖的交易品种有期货、股指、商品期权、分级、ETF等，他基本都在做一些多品种的交易策略。这与他在高盛时一脉相承，他当时负责金融产品量化、程式化和高频化的交易和策略，对美国国债期货、国债现货，包括利率期货、外汇、商品期货等各品种也非常精通。

2.寻求趋势相反机会。朱总偏重微观，偏重统计意义上的回归，在量化交易中尽量找一些与趋势策略相反机会的策略，与趋势模型做较好的组合补充。

3.永远敬畏风险。他信服凯恩斯所言的“市场保持不理性的时间可能比你保持不破产的时间更长”。至于具体方法，主要通过对海量数据风控解决方式。他说起过去美国白银市场，曾经从5元涨到80元，后来跌到10元、2元、1元，非常无法想象。他也提到当时高盛躲过次贷危机最强大的是其风控，在他看来，风控才是资产管理的灵魂。

4.人工智能是方向。2003年朱总在雷曼期间就接触了深度学习专家，拥有下棋人工智能，只是没feedback。现在可以通过Led work等神经网络实现策略复兴、优化，也可以通过非结构化思维，进行头寸与风险分配，主要通过历史数据，再用反馈测试。

总之，在朱总眼中，中国市场刚刚起步，阿尔法机会巨大。

想起《黑天鹅》一书的作者纳西姆・塔勒布对他的理念形成重要冲击的一刻――当时，塔勒布在芝加哥商业交易所工作，这份工作让他的喉咙嘶哑。起初，他也没在意，返回纽约后才去看医生。医生语气凝重地告诉他，他得了喉癌。塔勒布听罢心里一沉，外面正好细雨霏霏，他在淅淅沥沥的雨中走了一程又一程。他走进医学图书馆，发疯似地查找医学文献了解自己的病情。衣服上流下的雨水在他脚下形成了一个小水洼，竟然一点儿也没有察觉，因为喉癌通常是那些抽了一辈子烟且烟瘾很大的人，才有可能得的。塔勒布还很年轻，关键是他几乎不吸烟。像他这样的人患喉癌的概率小之又小，连十万分之一都不到。他成了一只黑天鹅！后来，每每他投资的时候，这份深刻的与死亡很近的印象盘踞于他脑中，由此自然发展出了黑天鹅投资体系，对风险中的“肥尾”尤为重视。

篇10

关键词 数理金融 课程群 探究合作式教学

中图分类号：G424 文献标识码：A DOI：10.16400/ki.kjdkx.2015.07.054

Thinking on Mathematical Finance Curriculum

Group System and Teaching Mode

GU Fengjuan， XU Aimin

（Zhejiang Wanli University， College of Computer and Information Science， Ningbo， Zhejiang 315100）

Abstract In this paper， combined with the characteristics of the market for mathematical finance professionals demand， and mathematical finance interdisciplinary character， to explore the construction of mathematical finance curriculum group system， and explore collaborative teaching model in mathematical finance curriculum group， and provide new ideas on science finance reform and construction.

Key words mathematical finance; curriculum group; inquiry cooperative teaching

近些年来，随着高等教育朝着“厚基础、宽口径”的方向发展，专业课的课程门类与学时数受到大幅度精简，这样课程内容和学时之间冲突加剧，迫切需要对相关课程的群体性有一个整体融合和规划。研究相关课程群体性的整体融合和规划就称之为课程群建设。课程群建设的中心思想是对教学计划中具有相互影响、密切联系、互动有序的相关课程进行重新规划设计和整合。这些课程一般都从属于某个学科门类，有着整体的教学要求，课程之间渗透性较强，有些课程之间甚至有共同的知识点，无论是从压缩课时，还是从发挥课程之间的群体优势方面都具有进行课程群建设的必要性和可行性。国内一些学者也较早认识到课程群建设的重要性，并提出了一些课程群建设的共性问题，如陆为群（2007）提出了课程群建设的原则和策略;赵朝会（2008）探讨了课程群建设所需要解决的主要问题。由于学者对课程群建设一直以来主要关注某个传统专业（马媛媛，2013），很少有对数理金融这样的新兴交叉学科专业进行研究。

数理金融专业是融合传统金融学、数学、统计学、计算机学等学科知识的新兴交叉学科，目标是培养能灵活运用多学科知识解决金融领域的量化问题的综合性人才。这一专业一方面需要解决交叉学科庞杂的课程内容与学时之间的矛盾;另一方面则需要按照自身的培养目标，弱化学科之间界限，以面对市场量化解决金融问题的能力培养为主线进行跨学科知识体系的重构。为此，我们率先提出构建知识传授和能力培养并重的数理金融专业核心课程群结构体系，并对课程群的教学组织形式进行探究合作式教学模式的改革探索。

1 数理金融专业核心课程群的设置

数理金融专业课程群的构造应该突出知识在解决金融问题的实用性和针对性，对涉及到金融、数学、统计、计算机学科的知识，不以原有学科知识的完整性为准则，而是对照数理金融专业实际需求对原有学科的知识进行删减、重组和增设。由于数理金融专业的培养目的是培养解决金融领域问题的人才，因此数理金融专业核心课程群的构造思路是立足原有金融学科，以培养学生量化解决金融问题的能力为导向，突出各学科之间的融合以及知识点关系的处理。基于这一构造思路，我们对数理金融专业设置三个核心课程群：金融基础课程群、量化金融课程群以及实证方法课程群。三者的关系在于金融基础课程群是基础，介绍金融领域的传统理论知识;量化金融课程群是核心，是区别传统金融学的关键，介绍现代金融理论的定价和风险管理知识;实证方法课程群是手段，即如何利用数学、统计学和计算机学科的知识对量化金融课程群中所涉及知识点加以实现，并进而解决实际量化金融问题。

金融学基础课程群和量化金融学课程群主要是基于传统金融学科和现代金融理论的基础进行构建。金融学基础课程群涉及的课程主要包括金融市场学、投资学、国际金融学等，量化金融学课程主要包括资产定价、投资组合与风险管理等。实证方法课程群是补充数学、统计学和计算机等相关学科知识，由于数理金融专业对这些学科的理论知识没有过深的涉足，仅需要能加以灵活运用解决量化金融问题，因此精选了随机过程、金融计量学、金融数学软件等课程。

2 核心课程群内课程知识点构建

虽然我们对数理金融专业核心课程群及其之间的关系进行了梳理，但是如果不对课程群内各课程知识点进行重新构建;那么我们只是完成了第一步工作，即对数理金融专业课程进行粗线条地归类、删减和增设，更细致的工作是如何对课程群的群内及群间的知识点进行系统化的构建。

2.1 以各课程群的整体建设目标组织各课程群内知识点

课程群不是几门课的简单叠加，而是围绕课程群的总体教学目标，进行知识点的整合。因此课程内容不再是按照原课程知识点自然逻辑进行安排，而是打破原有课程的知识点的构架，选择与课程群的整体建设目标相关的知识点，与课程群内其他课程知识点一起进行优化。在优化的过程中首先减少诸多课程内容的重复;其次根据课程群的建设思路和系统统筹规划，对相关课程进行重新设计和整合构建，对具体课程知识点进行增、删、整、并;最后根据知识点之间的关系以及重要程度进行教学时数和时间分配。

2.2 以学生能力培养为导向注重知识点与实际案例的有效结合

数理金融专业的教学根本目的不在于数理金融相关知识点的传授，而在于学生量化解决实际金融问题的能力培养。因此在知识点的梳理和构建过程中，应该紧扣实际案例，做到知识点的呈现与实际案例中问题解决有效结合。即，知识点的安排不是按照知识点的自然逻辑进行安排，而是以实际案例的问题解决过程进行知识点的筛选和安排，突出学生通过案例学习知识点，并能对知识点进行实际应用的能力培养。

知识点与案例紧密结合不仅增加了知识点的鲜活性、立体性和形象性，而且有助于学生的逻辑思维能力的培养。单纯的知识点的传授，只是让学生掌握了知识点自身的逻辑体系;但是在解决实际问题中，学生需要能对问题进行解剖，抓住问题的关键，并在众多的知识点中选择恰当的知识点来分析问题，这却是单纯知识点的传授所无法实现的。但是如果知识点的构建和习得过程中本身就是按照问题解决的逻辑进行的;那么在知识点的习得过程中，逻辑思维能力也会得到应有的提高。特别是对于应用性极强的数理金融专业，特别是课程群中的重要知识点，一定要与市场实际案例相结合，通过案例的引入、问题的解决、问题的引申来呈现知识点。

3 数理金融专业核心课程群教学模式探讨

数理金融专业核心课程群设置的总体目标是培养学生量化解决金融实际问题的能力，因此教学模式也区别于单纯以知识传输为目标的传统教学模式。传统教学模式一般是教师对学生的单向性的灌输活动，学生的参与度不够;导致的结果是学生对知识的掌握与实际相脱节，无法灵活应用所学知识解决现实问题。针对现实性、综合性、复杂性极强的金融市场，我们提出了应用探究合作式教学模式开展数理金融专业核心课程群的教学活动。

3.1 探究合作式教学模式的含义

探究合作式教学模式包括两层含义，一是“探究学习”，二是“合作教学”。“探究学习”是1961年美国芝加哥大学教授施瓦布（J. J. Schwab）在哈佛大学举行纪念演讲会上提出的。认为教学内容应当呈现学科特有的探究方法去探究叙事，去解决问题;教师应当用探究的方式来传授知识，学生也应通过探究活动来展开学习。“合作教学”理论是20世纪70年代中期美国教育家威廉・格拉塞提出的。合作教学模式是在充分相信学生，真正把学生当作学习的主人的前提下，以师生之间和生生之间的全员互动关系为课堂教学的核心，以学生的小组合作学习为教学的基本形式，以小组团体成绩为评价对象，通过合作互动促进学生共同达到教学目标。探究合作式学习模式则是“探究学习”和“合作教学”的有效结合，可以概括成 “创设问题情境―探究合作―总结、反思、评价―作业延伸”这样四个环节（顾锋娟，2009）。首先通过创设问题情境激发学生的求知欲和主体意识;通过学生的主动探究、合作讨论来培养学生的实践能力和创新精神;通过总结、反思、评价环节提升学生总结问题的能力;最后通过作业延伸对已学知识进行巩固加深。

3.2 数理金融专业课程群开展探究合作式教学模式的应用实例

我们利用探究合作式教学模式对数理金融专业课程群进行教学模式改革，强调教学过程中的探究过程及学生的主动参与，以量化金融课程群中资本资产定价模型这一知识点为例子说明如何开展探究合作式教学模式改革，并且如何培养学生量化解决金融实际问题的能力。

资本资产定价模型（简称CAPM模型）相关内容，该内容是量化金融课程群中“投资组合与风险管理”课程中“证券投资组合理论”章节内的重点、难点，也是现资组合理论的精髓;但是由于理论性较强，不容易理解，很多学生在学习过程中囫囵吞枣，在学习后都不能加以实际应用。按照探究合作式教学模式的改革思路，我们对这部分内容按照案例引入、思考探究、实证验证、总结引申的过程进行设计，并利用Excel对实证计算部分进行实现，使学生对CAPM模型相关知识有一个立体化、形象化、系统化的认知，并能付诸实际应用。

3.2.1 案例引入

首先以案例引入问题情景，某个投资者要进行投资万科这只股票，那么他需要思考投资万科可能获得的收益以及可能承受的风险，即引入了资本资产定价模型中的两个关键因素――收益和风险。

3.2.2 初步探讨

对万科股票过去一年的收益和风险进行计算，并将其与整个市场的收益和风险进行对比，得到万科的风险大于整个市场的平均风险，万科在去年整个市场下跌的环境中下跌得更厉害。以数据的简单对比形象地展示了收益和风险之间的关系，并逐步引入到风险和收益的定量化的模型――CAPM模型，即教学过程中的理论知识点。

在这过程中引导学生利用Excel的ln函数、average函数、stdev函数、拖曳功能等实现对万科和上证综指的对数日收益率、日标准差、年化标准差等变量的计算。

3.2.3 CAPM模型的实证计算

以万科实际数据验证CAPM模型，并通过对比CAPM模型计算出的期望收益与万科过去一年的实际收益之间的差异，得出CAPM模型的核心知识点：市场只对风险资产的系统风险（贝塔值）进行补偿，不对非系统风险进行补偿。

在这过程中引导学生运用Excel的covar函数进行贝塔值的计算，并利用万科实际数据和CAPM模型计算出的差异，形象地阐述了虽然市场不对非系统风险进行补偿，但依然会给投资带来可能的损失。

3.2.4 案例的总结和引申

总结案例，加深对CAPM模型、系统风险、非系统风险的理解。最后引申到实际投资中，给出两个重要的政策建议。第一，根据自身的风险承受能力选择合适的贝塔值;第二，如何在实际投资中进行非系统风险的分散。

3.3 探究合作式教学模式符合数理金融课程群的建设目标

数理金融课程群的建设目标是培养学生定量化解决金融问题的能力，通过上述资本资产定价模型的知识点的探究合作式教学模式设计，我们可以看出探究合作式教学模式有助于实现这一建设目标。（1）以投资者的投资思维过程出发组织该部分知识点，符合学生的认知规律;（2）教学过程通过案例引入、思考探究、实证验证、总结引申等进行展开，激发学生主动思考，体现学习的思辨过程;（3）通过实例计算，使学生对理论知识的学习有立体、直观的感受;（4）用Excel对计算过程进行实现，提高学生的实际动手能力和解决问题的能力;（5）案例与知识点的有效结合，实现学生的“知”与“行”的统一。

4 结束语

数理金融专业融合传统金融学、数学、统计学、计算机学等多个学科知识，与其他传统专业相比，一方面需要解决交叉学科庞杂的课程内容与学时之间的矛盾;另一方面需要按照自身的培养目标，弱化学科之间界限，进行跨学科知识体系的重构。为此我们紧密围绕金融市场对数理金融专业人才素质的要求对数理金融专业课程进行整合，率先构建知识传授和能力培养并重的专业核心课程群结构体系，具体包括金融基础课程群、量化金融课程群和软件应用课程群，并对课程群的教学组织形式进行合作研究性教学模式的改革思考，为数理金融专业改革和建设提供了新思路。

项目资助：浙江省高等教育课堂教学改革研究项目“以探究合作式学习为核心的《证券投资学》课程改革与实践”，宁波市数字图书馆网络课程《证券投资学》建设项目，浙江万里学院统计学重点专业建设子项目

参考文献

[1] 陆为群.高校院校课程群建设的原则和策略[J].黑龙江高教研究，2007（11）：111-113.

[2] 赵朝会.浅谈课程群建设[J].中国科教创新导刊，2008（14）：17-18.

篇11

关键词：量化宽松；货币政策；流动性陷阱

量化宽松的根源国际金融危机以来，为应对金融危机带来的经济衰退和严重的失业，按照传统的办法，各央行可以降低基准利率，调节货币供给量，影响消费和投资，扩大社会总需求，最终刺激经济，促使经济的增长和失业率的下降。这也就是常规的货币政策的传导机制。但当经济体陷入了流动性陷阱后，传统的货币政策的传导机制将受到阻碍，中央银行将难以通过传统货币政策来实现宏观调控目标。

流动性陷阱最早由凯恩斯提出，所谓流动性陷阱，是指当一定时期内利率水平降低到不能再低时，人们就会产生利率上升而债券价格下降的预期。货币需求弹性就会变得无限大，即无论增加多少货币都会被人们储存起来，而不会被用于消费和投资。由于政策利率是名义利率，其下限为零，中央银行无法将政策利率下调至低于零的水平。而当政策利率下调后所增加的货币供给量仍不足以改变货币需求时，政策利率就失去了对市场利率的影响作用，进而失去对投资和消费的调控功能，因此当一个经济体陷入流动性陷阱后，则以政策利率为主体的价格型的货币政策工具失效。

在2008年全球经济危机爆发前，很多国家的利率就长期维持在低水平。危机爆发后，各国央行的第一举动就是通过调低准备金率和再贴现率调低市场利率。英格兰银行、美联储等都将利率调至趋于零的水平，但是经济仍没有回暖的迹象。面对银行倒闭，企业破产，投资萎缩，消费减退的形势，各国的利率却早已降至不能再降的地步。可以说，此时，传统的货币政策工具已对振兴经济爱莫能助了。因此必须采用一种新的方式，通过数量型的货币政策来应对新的难题，即量化宽松。

量化宽松所谓量化宽松，是指中央银行在实行零利率或近似零利率政策后，通过购买中长期债券，增加基础货币供给，向市场注入大量流动性的干预方式。它的原理就是央行通过公开市场操作，向银行体系注入超额资金，让基准利率维持在零，从而为经济体系创造新的流动性，以鼓励消费和投资，最终促进经济增长和就业。正如弗里德曼所称，量化宽松实质就是“央行派出直升机从空中撒下钞票”。结合上述定义，量化宽松具有如下特点：①该措施实施的主体是中央银行，即货币当局。②实施的背景是利率为零或接近于零。③采取的方法是购买国债等中长期债券。④目的是增加基础货币供给，提升市场流动性。

（1）伯南克与量化宽松美国的货币政策的实施历来与美联储主席的个人风格有密切关系，伯南克用自己二十年的理论成果，重新审视当下经济危机，力排众议制定通货膨胀指标，处理资产泡沫，以激进的方式进行风险管理。他的主要理论观点是：强大的金融市场和信贷市场和实体经济之间可互相促进，实现经济繁荣。在理论的指导下，伯南克详细列出了美联储应对金融危机。

即量化宽松的步骤：①将联邦基金利率降到零。②在很长一段时间内始终把短期利率的控制在较低的水平，或者是承诺无限量地购买国债直至国债收益率下降为止。③同时使用宽松的货币政策和财政政策，例如在减税的同时提高货币发行量，这样就不会导致政府财政赤字的增加。

（2）对量化宽松货币政策的评价总体上，量化宽松货币政策的主要起到了以下几个积极作用：一是向陷入资金困难的银行提供充足的流动性，救助濒临破产的金融机构，防范系统性金融风险，维护金融稳定，并支持金融体系，鼓励银行放货。二是使利率、特别是长期利率保持在低位，有利于降低企业贷款成本，并促进消费，从而推动经济复苏；三是避免通货紧缩预期，甚至通过产生通货膨胀的预期，降低实际利率，从而避免经济进一步紧缩。四是购买金融机构和社会民众的有价证券，直接向市场注入大量流动性，有效化解市场流动性不足的问题。

而量化宽松货币政策的消极作用主要有：①量化宽松货币政策的本质就是全力印钞票，因此全球基础货币供应量必将上涨，这种较激进的措施，导致全球范围内的通货膨胀。②美元走上下降通道将加大人民币汇率的升值压力，打击中国出口企业。③量化宽松下，资本流出银行，流入金融市场和商品市场，将进一步加剧通货膨胀的程度，并放大金融和资产泡沫，给一国金融体系埋下风险。

篇12

【关键词】 金融风险； 管理； VaR； 评估

一、关于VaR的介绍

风险价值模型（Value—at—Risk，VaR）是近年发展起来的用于测量和控制金融风险的量化模型。VaR技术越来越广泛地用于投资组合风险计量、风险资本配置和绩效评价。金融风险管理者当然最关注VaR技术的精确度。

VaR从统计的意义上讲，本身是个数字，是指面临“正常”的市场波动时“处于风险状态的价值”。即在给定的置信水平（通常是1%或5%）和一定的持有期限内（通常是一天或一周），预期的最大损失量（可以是绝对值，也可以是相对值）。期望损失（Expected Shortfall，ES）指位于超出VaR损失的条件期望。VaR技术在度量尾部风险时是无用的，误差较大。

本文写作目的有两方面：一是评估计算VaR和ES中产生的潜在损失；二是通过VaR和ES的置信区间来量化误差的严重性。

Jorion和Pritsker考虑过VaR风险值的估计。但构造合适的VaR和ES的置信区间，关键问题在于解决投资收益条件方差的动态行为，本文将运用著名的GARCH模型来量化这些动态行为。GARCH模型适用于波动性的分析和预测，已经成为金融风险管理中的主力，在GARCH—VaR模型和ES预测中很少产生参数估计错误。

Pascual，Romo和Ruiz利用GARCH产生的时间序列获得预测密度，提出了一个新的Bootstrap重采样技术。本文发展了该重采样技术，提出的重采样技术相对来说更容易实现，并可扩展到多元风险模型。

二、模型的构建和风险措施

本文对一个给定的金融资产或投资组合建立每日损失（负回报）的动态模型：

Lt=σtεt， t=1，…，T （1）

其中，εt是独立同分布的，均值为0，方差为1，分布函数为G。这里考虑G为标准的Student’s t分布，自由度为d。■εt～t（d）为模拟波动动态，使用对称的GARCH（1，1）模型，σ■■=ω+αL■■+βσ■■，其中α+β

本文关注损失分布的尾部情形，为此考虑两个主流的风险措施：VaR技术和期望损失ES。前者简单说就是损失分布的条件分位数，后者是超过VaR的那部分损失的期望。

已知T时期信息情况下，VaR以覆盖率p度量T+1时期，用VaR■■表示这个正值：

Pr（LT+1>VaR■■■F■）=p （2）

这里FT表示在时间T可用的信息；p通常是一个小数字，如p=0.01或p=0.05。

类似，已知T时期信息情况下，ES以覆盖率p度量T+1时期，用ES■■表示这个正值：

ES■■=E（LT+1■LT+1>VaR■■，FT） （3）

给定模型（1），可以得到VaR■■和ES■■的简化的表达式：

VaR■■=σT+1G■■σT+1c1，p （4）

其中，G■■表示G的（1—p）分位数、标准损失分布εt=Lt/σt，σT+1是T+1时期的条件波动。例如，若G是标准正态分布Φ，p=0.05，则G■■=Φ■■=1.645，从而有VaR■■=1.645σT+1。在一般情况下，当ε～G，方程（4）表明，可以将VaR■■表示为σT+1和常数c1，p=G■■的乘积，其值取决于G和p。

类似地，给定模型（1）：

ES■■=σT+1E（ε■ε>G■■）

σT+1c2，p （5）

其中，ε是独立同分布的随机变量，均值为0，方差为1，分布函数为G。若ε～N（0，1），则对任意常数a，有E（ε■ε>a）=■，其中φ和Φ表示标准正态随机变量的密度函数和分布函数。此时有ES■■=σT+1■和c2，p

■。若ε服从标准的Student’s t分布，自由度为d，则c2，p由不同公式给出。为描述这个公式，令td服从标准的Student’s t分布，自由度为d，Andreev和Kanto给出，对任何常数a，有E（td■td>a）=（1+■）■■，其中f和F表示td的概率密度和累积密度函数。于是有：

c2，pE（ε■ε>G■■）=1+（■G■■）2/d■■■

其中，G■■是ε分布的（1—p）分位数。特别地，G■■=■t■■，其中t■■是td分布的（1—p）分位数。

实际上，无法计算VaR■■和ES■■的真实值，因为它们依赖于数据生成的过程（也就是说，它们依赖于G和条件方差模型σ■■）。因此，需要估计它们，从而估计风险。本文的最终目标就是要通过建立置信区间（或预测区间）来量化风险估计。

三、蒙特卡罗的结果

篇13

德意志银行在第十二期年度另类投资调查报告中预测，2014年，对冲基金管理资产总规模将从2013年底的2.6万亿美元增至3万亿美元新高。而反观国内，量化对冲投资才刚刚起步，尤其是公募领域，尚未有一只真正意义上追求绝对收益的量化对冲产品。

受市场有效性和工具种类等因素的限制，国外一些成熟的量化对冲模型无法照搬回A股。我们将国外的模型进行了本土化的改造，4年来，这种改造已初见成效：2013年，我们的8个量化对冲专户组合年化平均收益超过了12%。我们欣慰地看见，中国式的量化对冲投资已见雏形，且羽翼渐丰。

这些专户组合的投资过程，也是我们验证本土化量化对冲模型的过程。在实际运行的组合中，我们大体采取两种模式：阿尔法策略和套利策略。所谓阿尔法策略，是专注于创造绝对收益。根据A股市场的特点，我们将理论上的阿尔法策略进行了改造，以传统的主动型股票研究分析结果为基础，利用多因子模型来控制组合的风险和相关性，追求超越市场平均回报的绝对收益，为投资者提供持续稳定的阿尔法回报；第二类是套利策略，即利用衍生品到期收敛特点进行套利，在国内做得比较多的就是ETF和分级基金套利。这类套利策略基于市场的广度和速度，但囿于公募基金内部防火墙等监管规定的限制，我们采用的多为分级基金套利。这种方法绕开了高频交易对速度的极致追求，能够为组合贡献无风险收益。

更为可贵的是，通过量化对冲专户的实践，我们打造了自己的量化投资流水线，在金融工具、阿尔法策略、套利及实时风控等业务链环节上，我们的团队和模型进一步得到完善，即使在白酒股异动、乌龙指这样的“黑天鹅”事件出现时，也经受住了市场的考验。

篇14

1、各类投资工具及其风险的概要分析

风险越大，回报越大。早在马克思的资本论中便已经从另一个侧面对这一现象做出了很好地诠释。作为投资的一个伴生要素，如何对风险进行有效地控制将直接关乎在投资行为中，获取预期收益的概率和能力。投资风险的根源在于未来可能发生的不利事件，投资行为是谋求未来一段时间的现金流收益，所以投资的预期收益就牵涉到对未来的预测，这一预测是建立在对可能影响未来收益回报的各类驱动因素的分析。然而这些驱动因素通常都会有不确定性，正是这种不确定性导致了风险的发生。所以风险是由风险驱动因素的不确定性产生。而不同的投资工具其不确定性也各不相同。

将个人投资行为分类，常见的类别包括：金融类投资、房产类投资、实业类投资、民间借贷、期货投资这样五种主要类别。以目前的形势来看，房产类投资和金融类投资相对属于低风险投资，实业类投资属于一般风险类投资，期货类投资和民间借贷均属于高风险投资。

金融类投资、房产类投资和期货类投资可以看成是一组投资方式，因为受我国市场政策影响，这三类产业具有联合调控的特点，三个产业中的一个或两个呈上升趋势时，另外两个或一个产业必然会呈下降趋势，这是受我国政府的宏观调控所影响。其中金融类投资主要包括银行存款、债券、股票、基金等，这些投资种类进一步划分可以分成保本投资和非保本投资，存款、债券和部分基金属于此类，此类投资具有收益低，风险小的特点，在搭配个人投资组合时这一类投资可以作为一个抵消风险的投资项纳入考虑。而股票投资和另一部分基金投资则是属于非保本类投资，投资收益随着其风险的等级升高而随之上升。这部分投资除了要看被投资主体的经营情况，历史业绩走势等，还需要充分关注房产市场、期货市场的情况，目前我国是房产市场热，期货市场热，那么股票市场势必低迷。如果这两个市场境况转冷，那么也就预示着金融市场的繁荣，此时加大持有量并制定适当的风险策略无非是一个很好地选择，这一类风险的规避策略应当以量化分析为导向，下文会详细阐述。

对于地产市场来说，热度近年来一直居高不下，最近受政策影响有些转冷，但是分析政策不难看出，我国的政策决定地产市场一直是一个货币的蓄水池，如果蓄水池不再蓄水，那么人民币则会大量升值，如果中国政府为了货币找到另一个蓄水池，那么人民币势必走向世界。如果这两种情况出现，房产市场会有所冷却，但考虑到房产市场的钢需属性，一个位置比较好的房产投资依然是比较稳妥的低风险投资选择。这一类风险的规避策略应当着重于位置的选择上，如果能够提前知道周边政府未来的规划，那么对于风险分析来说将更加准确有效。

另外两种实业类投资和民间借贷，这两种有一个共性，相较地产市场以位置为导向来说，这两种投资是以人为导向，即被投资主体均是人。这两种投资除了要应用到正确的风险量化方法以外，还需要有详细的合同约定以及对被投资人的全面分析。合同约定中包括收益分配、责任、义务等均要做详细的约束，如果是对熟人投资那么更要注意在合同中确定好双方的责任与义务，避免今后权责不明的情况出现。对被投资人的全面分析要关注于此人的风评、业务水平、以及偿债能力。一个连生活都成困难的被投资人在生意不顺时卷款走人这种现象屡屡发生。

对于某些资金充裕的投资人来说，还有一种实业类投资是参股某公司成为股东，这类投资通常牵涉资金量大，行为复杂且个性多于共性，所以本文中不再多做论述。

2、风险的量化分析方法

为了能够有效地规避风险，通常需要经历五个步骤，即风险识别，风险定性分析，风险定量分析，制定风险控制策略，实施风险控制策略。而其中的风险量化分析是非常重要的一个环节。无论哪种投资，投资人都需要明确两个要点，即获得利润的概率如何以及失败时的损失是否能够承受。这两个指标均是风险定量分析要解决的问题。

风险定量分析顾名思义，将投资风险从一个大致的认识变为具体的金钱数字。例如说我投资了某个基金A万元，如果不出意外的话年底我能拿到m万的红利，如果有意外的话我可能会损失n万元。这种认识无助于投资人进行投资决策以及展开风险控制，如果变为年底我有x%的可能获利m万元，y%的可能保本，z%的可能损失n万元，那么投资人就可以通过（A+m）*x%+A*y%+（A-n）*z%这个公式简单计算其综合收益，并与投入进行比对，来决定投资是否可行，以及发生风险的概率及损失程度。再进一步的情况可以将此投资方案和其他投资方案进行对比，来搭配最优化的投资组合。

定量分析方法在投资行业中非常常见，种类也有很多，本文给出两种方法，即综合仿真分析法和基数计算法。其中第一种方法适用可以找到一定规律，即被投资主体已经经历了一段时间的运营，或属于一个长期稳定的行业。第二种方法适用于新兴行业或在某稳定行业中新开展的运营活动。

所谓综合仿真分析法是一种统计学的方法，而且顾名思义，要进行仿真分析。如前文所说，每一种投资都有其风险驱动因素。综合仿真分析法的关键就在于如果想对风险进行量化，那么首先要对这些风险驱动因素进行量化，而量化的手段就是采用统计学的方法，来确定其变化趋势，从而分析因为这些驱动因素变化而导致的风险区间。通常在开展这一方法时多用到数学模型或者统计工具。以某一个零售业的实业投资为例，经过分析认为，这个零售业其风险因素主要有进货市场价格的不稳定、进货量的不确定、购买者数量的不稳定，以及商品库存造成的损耗。也就是说这一零售业共有四个风险因素。经过对相同地区同类市场的调查，以月为单位收集样本点，即针对于一年中各个月份收集四个数据点，放入工具中开展分析，定位每一个驱动因素的变化规律，例如输入Beta分布，正态分布，均匀分布等。再将每一种因素的最悲观和最乐观的估计对盈利能力的影响进行预计，例如最好的购买这数量可以为店内造成m的收益，最不好的情况则造成n的收益（n可以为负），将以上元素放入风险工具/统计工具中，例如水晶球，Matlab等。从而获得一个置信度以及对应的盈利、亏损范围，从而实现上文中所述的分析。

基数计算法和仿真法有些相似，而且都是为了获得盈利亏损范围以及其对应发生的概率。但基数计算法更加粗糙一些，其过程是要首先确定一个利益回报的基准，例如说某只基金年化收益5%。那么这个5%则被视为一个基准，在这个基准的基础上分析可能影响到基金收益的因素，确定这些因素会对利益回报带来的影响的可能，进而获得各个盈利点的置信区间。

3、如何制定有效的风险规避策略

当有了一个很好的分析之后，下一步就是要制定风险规避策略。按照大类来分，可以将风险规避策略区分为事前控制以及事后补救。通常来讲事前控制属于降低风险，事后补救属于降低损失。

对于事前控制来说，其关键点衍生于上文所述的量化风险分析，在量化风险分析过程中，可以开展一个名为“敏感度分析”的工作，即将每个风险因素对收益的影响的能力进行量化。例如说当客流量下降20%时，除了销售量的下降，还会因为存货损耗而造成更大的利润损失，其损失可能达到35%。那么这时就可以给客流量这个风险因素定义敏感度为35%/20%即1.75。通过对所有风险因素进行敏感度分析并排序，筛选出排序靠前的要素建立风险指标追踪表进行重点追踪，重点监控，当指标异常时及时做出应对措施，例如发起讨论会议、增加追踪强度、变更投资比例甚至撤资。

还有一类风险控制手段是通过对资金量的控制，达到降低风险的目的，例如分段投资、固定投资、相对盈利等，这些方法通过控制资金的流入流出量，将风险造成的后果限制在一定范围之内，从而达到降低风险的目的。

当风险发生时，要学会事后补救。事后补救并不一定是指投资期完结后的补救，也可以指风险发生后的补救。主要的方法包括风险回避、损失控制、风险转移和风险保留。

其中补救阶段的风险回避一般情况下是我们常说的止损，即撤资以避免更大的损失发生，这种方式是投资主体有意识地放弃风险行为，完全避免特定的损失风险。简单的风险回避是一种最消极的风险处理办法，因为投资者在放弃风险行为的同时，往往也放弃了潜在的目标收益。如果不是极端恶劣或发生了某些特殊情况例如有新的投资方案明显优于此方案，那么通常不会考虑采用这种方式来补救风险。

损失控制和风险转移则是主动接受风险并采取相应措施来减少风险带来的损失，通过各种手段将风险限制在可接受的范围内。这种方式是风险最常见的处理方式，既然无法消除风险并且还希望获得收益，那么就需要对风险进行有效的控制或转移。

风险保留则是被动接受无法消除的风险，通过先期计划采取手段弥补风险损失。常见的方法有风险储备金。谈到储备金就又要提到上文所述的量化风险分析。由于量化风险分析可以获取各个盈利范围以及对应的置信区间，那么通过将最可能盈利点（如80%可能的概率）和目标盈利点（50%可能的概率）进行相减，其差价即为应当保留的预备金。提前预留出预备金，当风险保留行为发生时利用预备金补入投资项目中，避免由于风险发生、资金缺口造成的更大的恶果。