大数据与量化投资

　　随着现代金融经济学理论的发展，证券投资正在从一门艺术转变为一套科学的理论体系。投资经理人更多地依靠严密的经济学理论和结构化的资产配置来投资，而非单凭个人感性认识和市场直觉进行判断。证券投资的方法技术也在不断演变，逐渐由定性投资转向基于大数据的量化投资。在欧美金融市场，伴随着高频交易、大数据及云计算的发展，量化投资已经跻身主流投资方式的行列。在中国这一新兴市场，量化投资也正引领着金融投资领域的新变革，成为近年来备受瞩目的焦点。

　　主动投资方法又可以分为两种：定性投资方法与定量投资方法。后者即我们常说的量化投资。定性投资方法产生较早，体系也较为完善。以分析公司基本面为核心，该方法通过实地调研公司、采访公司管理层、分析财务报表等途径，结合决策者的主观经验判断，得出对股票价值的评估，并据此获得超额收益。相较而言，量化投资方法起步较晚，并且其发展历程与数理金融的发展密不可分。很多量化投资的理论、方法和技术均来源于数理金融的研究。

　　量化投资具有如下显著的优势：

　　第一，量化投资借助计算机建模以及程序化执行指令，可以在复杂的市场环境中挖掘难以人为识别的价格形态和特征，并将其转化为投资策略。这一过程消除了投资者心理因素给投资过程带来的偏差。

　　第二，对金融机构来说，量化投资使决策过程变得更科学，使管理更有纪律性与系统性。正因为如此，国外很多对冲基金公司均将量化投资作为证券投资的重要手段之一，并且取得了出众的投资收益。

　　第三，量化投资能够为投资者带来更加丰富的投资渠道与产品，以满足不同投资者的多层次、差异化的投资需求。同时，这对机构投资者的传统投资理念也提供了有力的加强与补充。日新月异的投资理念可以通过量化的方法不断添加到投资决策中，从而提高机构投资者的决策能力。因此，量化投资必将是今后证券投资的重要发展方向。

　　我们将这些主流的量化投资策略总结如下：

　　量化选股；

　　量化择时；

　　股指期货套利；

　　商品期货套利；

　　统计套利。

　　算法交易。

　　另外，目前市场上还存在一些针对特殊投资品种的量化方法，例如期权套利、封闭式基金套利以及ETF套利等。

　　技术工具简要介绍如下：

　　数据挖掘；

　　人工智能；

　　小波分析。

　　此外，随机过程、分形理论和支持向量机也在量化投资中发挥着重要的作用。对股市的大盘走向进行预测时，经常会采用随机过程中的马尔科夫链。结合灰色系统理论的马尔科夫链能更合理地预测股市大盘的走势。分形理论是非线性科学的重要分支。该理论认为空间维数的变化可以是连续的，在量化投资上主要应用于金融时间序列的分解与重构，并对未来的走势进行预测。支持向量机适用于分类与预测问题的处理，在量化投资中主要应用于预测复杂金融时间序列。

　　大数据技术在量化投资中已经得到了广泛而深入的应用。其中，结构型数据的应用主要集中在高频交易领域。第一类是将传统低频策略高速化实现，包括高频趋势追踪、高频统计套利、高频阿尔法套利等。第二类高频交易策略是凭借海量数据、高速交易而开发的新策略，包括自动做市商、猎物追踪以及流动性回扣等。

　　非结构化数据在量化投资领域的应用并不普遍。但业界正在进行大量的尝试。非结构数据能够提供有价值的信息并进而获得超额利润，这促进更多的公司在这方面加大研究投入，并且取得了一定的成果。第一，非结构化数据不易于使用，开发成本较高。第二，利用大数据的对冲交易可能会对虚假信息反应过度，导致市场的鲁莽行为。第三，大数据的应用亟需整体系统的优化与提高。

　　综上所述，大数据确实会对量化投资带来革命性的变化，能够使量化投资变得更科学、更准确。但是，另一方面，我们也应该看到大数据应用的挑战性与局限性。概括来说，主要有以下几个方面的问题。