量化投资(鹏华50)量化投资什么意思
量化投资(鹏华50)量化投资什么意思
本文目录一览：
什么是量化投资
解读：与普通基金不同，量化基金主要采用量化投资策略进行投资组合管理。一般来说，量化基金采用的策略包括：量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易、资产配置等。对于量化基金的产品设计，虽然量化基金一般采用多因子模型对股票进行分析筛选，不同量化基金关注的重点不同，即包括投资思路、观察角度、分析方法。都是不同的。 在我国证券市场，基本面研究是主流。但随着证券市场的不断发展，证券数量的增加，衍生品的出现，资金跑赢指数的难度越来越大。量化投资开始发挥越来越重要的作用，所以我国也涌现出一大批量化基金。 究竟什么是“量化投资”
事实上，互联网的发展使得新概念在世界范围内的传播速度非常快。作为一个概念，量化投资并不新鲜，国内投资者早就听说了。但是，真正的量化基金在中国还是比较少见的。同时，机器学习的发展也对量化投资起到了推动作用。 您如何看待量化投资？量化投资是多种方法的集合，包括投资品种的选择、投资时机的选择、商品期货套利、外汇套利、算法交易和统计套利。应用。今天我们就来看看专业量化投资者是如何看待量化投资的。 量化工具可以看作是新时代的一种技术工具。当然，目前种类繁多的工具也不是一蹴而就的。归根结底，简单的技术分析并不能带来高度的收敛，也不能带来理想的回报。目前，量化工具有这样的趋势。 过去，技术工具的实现还需要开发人员手动完成，而不是现在市场上的软件中的两次点击。那个时期发财的人并不多，因为他们发现了一个信号。不少散户认为，量化投资逐渐成为主流的主要原因是交易所技术升级带来的市场格局整体变化。 如果想用一个简单的例子来说明，交易所的套利对交易所的市场发送和订单干预是有要求的。如果交易所不升级，可能会面临套利无利可图的局面。 有人说技术工具好比占星术。事实上，这种说法是比较极端的。技术工具在思维方面与定量工具非常相似。尤其是我们可以看到，后来一些复杂的技术工具已经有了明显的量化工具的影子。 如果非要学一两个，那无非是传统的技术工具无法满足复杂的加工，所以我们开辟了新的技术。
量化投资主要有哪些方面？
所有决策都是基于模型做出的。有三个模型：一个是大类资产配置模型，一个是行业模型，第三个是存量模型。根据主要资产配置确定股票和债券的投资比例；根据行业配置模型确定增持或减持的行业；根据股票模型选择股票。纪律首先表现在依靠模型和相信模型。每天做决定前，先运行模型，根据模型运行的结果做决定，而不是凭感觉。 有人问，模型出了问题怎么办？诚然，模型可能会出错，就像 CT 机器可能误诊患者一样。但是，大概率CT机不会出错，所以医生没有放弃CT机，我的模型大概率没有错，所以我还是相信我的模型。 纪律的好处很多。它可以克服人性的弱点，如贪婪、恐惧、运气和认知偏见。行为金融学理论在这方面有很多讨论。纪律的另一个好处是可追溯性。定量投资作为定性思维的合理运用，在组合中客观地体现了这种组合思维。一个好的投资方式应该是一个“透明盒子”。 我们做出的每一个决定都是有根据的，尤其是有数据支持。如果有人问我为什么某年某年某日某天买入某只股票，我会打开系统，系统会显示当时选择的股票相对于其他股票的成长性和估值. 、动量和技术指标。这个评价很全面。只有总分高于其他分数才能令人信服。具体表现为“三更”。首先，表现在多个层面，包括资产配置、行业选择、个股选择三个层面。 、盈利质量、分析师盈利预测、市场情绪等观点；三是多数据，即海量数据的处理。
人脑处理信息的能力是有限的。当资本市场只有一只股票时，这对定性投资基金经理来说是一个优势，他们可以深入分析这家公司。但是在一个大的资本市场，比如有几千只股票的时候，量化投资强大的信息处理能力可以体现出它的优势，捕捉更多的投资机会，扩大更大的投资机会。
受国内国外双重影响，今年上半年经济发展受到了压制，A股也走出了一波深度回调行情。然而对于后市行情，市场主流观点却并不悲观。鹏华基本面投资专家刘玉江表示，未来成长方向仍有较大空间，原因是上半年遭受到的情况迎来改善，一方面美联储步入加息进程，市场的预期以及前期对估值的严重压制正逐渐放缓；另一方面5月以来国内疫情防控有了明显改善，防控手段和措施也比之前更有经验。在此背景下，拟由刘玉江管理的鹏华增华混合基金（015026）正在发售中，将在严格控制风险的前提下，通过对不同资产类别的动态配置和个股精选，力求超额收益与长期资本增值。
探究刘玉江的投资理念，在行业中寻找具备核心技术、核心产品、核心竞争力的公司，努力的去寻找既具备这些条件，同时又具备潜在能力的成长股。对于未来看好的方向，刘玉江表示，比较看好未来几年中小市值行业龙头公司的发展，坚守成长方向的隐形*和专精特新个股。对于刘玉江而言，这样的思路是一以贯之的，从他当前管理的鹏华增瑞基金阶段性业绩表现来看，在上述投资框架下，基于前瞻布局和有效风险管控，该产品净值曲线已实现稳步上攻，在同类产品中展现突出优势。
在刘玉江看来，隐形*有两个部分，一是隐形，二是*。*类公司，通常与白马有相关性，也是投资者耳熟能详大行业。但在公司发展过程当中，很多都是由小变大发展起来的，从细分行业发展起来的，所以在某一个细分行业中是行业龙头，它还没有被广大的投资者所认识到，年销售额50亿美金对于中国的很多企业来说相当大。第二类是隐形，这类公司不在大众视野，它们通常是偏制造业的公司，业务大多是to B端，有核心技术，分工非常细致，在长期发展中会形成壁垒。中国制造业尽管起步较晚，但体量大、产能高、潜能大，具有较好发展前景和广阔市场空间，未来的隐形*也必然会越来越多。
刘玉江关注的另一类“专精特新”标的，则与隐形*略有不同。专精特新是指具备专业化、精细化、特色化、信用化特征的一类中小企业，虽然还还不能称之为隐形*，但它在某一项技术、产品、商业模式上的发展是处在前列的，未来这种公司会成为隐形*和大的行业公司，这一类公司未来发展潜力也是非常好，特别是有某一项突出的技术，会有更好发展空间。
近几年，市场普遍关注行业龙头公司，试图放低对公司估值的要求，而刘玉江则认为，做隐形*的发掘，恰恰就在于对估值的要求，即便这类公司已经构建了护城河，长期来看它还有持续增长的动力才值得投资。在他看来，不管是上市公司、产业界或者券商行业，在细分行业里按照市值排序一般就是前两名公司，所以选择龙头公司不难，难的是定价的问题，股票市场是提供定价的支柱，基金管理人要做的是定价的事情。如果盲目去做，就会丧失机会，用买钻石的价格去买黄金，长期来看回报率很低。过去几年，白马股的估值溢价水平类似于美国行情。在这种情况下，刘玉江表示大部分白马股估值性价比目前不在考虑范围之内，同时会把更多的关注点放在更具估值性价比的标的，并非对这些企业有特别的期望，而是认为当前这一类估值可以投资带动，未来的成长期也会比较好。
资讯
本周一条新闻引起了市场广泛关注。有消息报道称：近期量化私募（也就是做量化投资的私募基金）收益率大幅回撤，一些头部明星量化私募甚至遭遇重挫，收益率回撤幅度超过10%。
要知道，近期A股虽然没怎么大涨，但六大指数也没怎么跌。科技股云集的创业板看似蔫儿了，可权重股扎堆的沪深300与上证50不是在创新高，就是在创新高的路上。
指数涨得那么好，按理说量化私募也是私募基金，不说多赚了多少钱，至少不应该巨亏吧，怎么会有这么差劲的表现？
这就要介绍一下量化投资的原理。
量化投资（量化分析）属于三大投资分析方法之一，被采用此种投资方法的大奖章基金，以超高的收益率发扬光大并被广为传播。其他两个投资分析方法大家肯定都熟悉：一个是基本面分析法，另一个是技术分析法。
言归正传。简单说，量化分析法就是：通过计算机运用一个或者多个公式来指导投资交易，根据相关指标做出买入或卖出操作。这些公式被称为量化投资模型。
举个例子：通常情况下，市场加息，股市就会下跌。那么一旦收到市场加息的消息，做量化投资的基金便会开始卖出股票，甚至做空股票。交易股票全靠计算机完成，不被个人情绪影响。
虽然整个过程不被个人情绪影响，但量化投资的正常运转却需要人为干预。就像程序平稳运行需要程序员日常维护那样。
说到这，想必你已经猜到为什么上面的量化私募会出现大幅回撤。
是的，说白了还是市场行情出现了较大变化。量化私募的投资公式一时半会儿适应不过来，进而导致投资交易跟市场走势发生了巨大偏差。
比如今年以来银行股不仅没怎么涨，还阴跌不止。所以一旦看到银行股暴涨，量化私募之前设定的公式可能会选择卖空银行股，等待股价下跌，以达到套利的目的。
结果后来发现：本轮行情正是银行股助推，保险与券商等大金融协同表演。这就导致卖空银行股成了错误选择。于是量化私募自然出现了巨亏。
也正因为如此，量化投资必须要有人为干预。要不然，之前的美国长期资本管理公司就是前车之鉴。
量化投资后果还可能很严重？
投资有风险可不是乱说的。美国长期资本管理公司在上世纪末的亚洲金融危机中，因为失败的量化投资模型+杠杆率过高，差点把整个华尔街给一锅端了。要不是美联储搭把手，可能现在世界的金融格局都将改写。
最后，量化投资目前因为操作复杂程度、投资业绩尚不突出等原因，还不是主流的投资方法。投资不是试吃大会。因此，不建议积极尝鲜，要尽量避免吃坏肚子，以免出现不必要的损失。
python量化交易编程自学：新手学量化，欢迎一起交流学习，共同进步
这次回溯的股票还是：513060，今年跌幅很惨的恒生医疗ETF，跌幅在60%以上，股票数据来源于同花顺客户端历史交易记录。
为什么还要选它，因为它跌得够惨。能在跌幅那么惨的EFT上不赔钱，那做其他股票还有什么难度？
设置的股票买卖点：
买点：每天以开盘价格买入1000股
卖点：收盘价格比买入价格大于0.01时，卖出有盈利的部分持股
交易佣金：万2.5
初始现金：10万
恒生医疗（513060）ETF的回测数据
交易日期：2021-3-29至2022-5-13 跌幅：-52.26%
手中持仓价值：88240.06元，持仓数量：112000股，剩余现金：13892.98元
持仓市值： 51184元 等于： 2022-5-13收盘价 0.475乘以持仓数量112000
持仓亏损： 37056.06元 = 88240.06元 - 51184元
做T收益：3082.8元 共卖出160次
实际亏损：33973.06元 =37056.06元-3082.8元
持仓账面亏损率 -38%
银行ETF（512880）的回测数据：
交易日期：2021-5-13至2022-5-16 跌幅 -13.16%
手中持仓价值：42248.56元，持仓数量：35000股，剩余现金：61472.74元
实际持仓市值： 37940元 等于： 2022-5-13收盘价 1.084乘以持仓数量35000
持仓亏损： 4308.56元 = 手中持仓价值42248.56元 - 实际持仓市值37940元
做T收益：3721.3元 共卖出209次
实际亏损：587.26 元 =4308.56 元-3721.3 元
持仓账面亏损率 -1.3%
炒股不要只盯着账面亏损，亏掉的市值迟早会涨回来。只算T收益的话，银行ETF的收益也有8.8%的收益了
做T收益 3721.3元除以手中持仓价值42248.56元。
恒生医疗ETF就比较惨点，跌的太多，而且机会没有反弹过，导致被套沉淀资金太多，收益率也就下来了，但也有3.4% 的做T收益。
这种适合那种需要30%股票，40%债券，30%银行的人。有闲钱，股票方面可以越跌越买，还能保证*的银行收益，股票越跌，底仓越重，将来的收益就越大。用做T的方式等待右侧机会到来。可以在下跌时获得不少于银行的利息，又能在市场上涨中获得*的收益。
其实上面的回测数据还有很多不足的地方，比如，银行ETF买的，在没有持仓的情况下，是不可以交易的，还有很多情况下不可能以收盘价卖出的，等很多细节问题需要处理，这里也就是算个大概的情况，对这种以开盘价买入做个了解，看是否成立。其实，python我也才刚刚学起，具体有多会？我自己心里也没数，只是刚刚学会运用，都是写着搜着。
疫情当下。用心想想，除了炒股，好像也没有别的办法了。
python源代码：
"""股票买卖策略：买入：每天以开盘价格买入1000股卖出：收盘价格比买入价格大于0.01时，卖出有盈利的部分持股"""import pandas# 股票信息，来自同花顺历史记录from pandas import DataFramedata = pandas.DataFrame(pandas.read_excel("./Stock_data/恒生医疗ETF.xlsx"))# print(data)# 用于记录持仓信息stock_data = pandas.DataFrame(columns=['时间', '涨幅', '购买价格', '购买数量', '购买金额', "现金"])# 用来记录交易信息trade_data = pandas.DataFrame(columns=['购买时间', '购买价格', '购买数量', '购买金额', '卖出时间', '卖出价格', '卖出数量', '卖出金额', '做T盈利'])# 现金 总额money_count = 100000def buy_Stock(date: str = None, amount: float = None, price: float = None, num: int = None) -> DataFrame: """买入股票""" money_buy = round((price * num + price * num * 0.00025), 2) # 买入ETF金额，万2.5手续费 add_data = pandas.DataFrame({'时间': date, '涨幅': amount, '购买价格': price, '购买数量': num, '购买金额': money_buy, '现金': money_count}, index=[1]) # 将买入的数据添加到末尾 new_data = stock_data.append(add_data, ignore_index=True) return new_datadef sell_Stock(date=None, date1=None, price=None, price1=None, money=None, num=None, num1=None): """卖出股票 date：买入时间 date1:卖出时间 price 购买价格 price1 卖出价格 money: 购买金额 money1 购买金额 num买入数量 num1 卖出数量 """ money1 = round((price1 * num1 - price1 * num1 * 0.00025), 2) # 卖出，减去万2.5的手续费 # 做T盈利金额 profit = money1 - money add_data = pandas.DataFrame({'购买时间': date, '购买价格': price, '购买数量': num, '购买金额': money, '卖出时间': date1, '卖出价格': price1, '卖出数量': num1, '卖出金额': money1, '做T盈利': profit}, index=[1]) # 将数据添加到交易数据信息表中 new_data = trade_data.append(add_data, ignore_index=True) # 获取卖出的数据 return new_datadef tactics(): """ 交易策略：股票涨幅小于-0.05时，买入 持股部分涨幅大于0.02时，卖出盈利部分的持股 """ global stock_data global trade_data global money_count # 循环股票数据 for row in range(len(data)): # 每天以开盘价买入,资金大于0时买入 money = money_count - round((data.loc[row, "开盘"] * 1000 + data.loc[row, "开盘"] * 1000 * 0.00025), 2) if money > 0: money_count = money print(money_count) stock_data = buy_Stock(date=data.loc[row, "时间"], amount=data.loc[row, "涨幅"], price=data.loc[row, "开盘"], num=1000) # 资金小于零。只卖不买 else: continue # 循环持仓表，查看是否有盈利部分，有的话卖出 for i in range(len(stock_data) - 1, -1, -1): # 买入的价格小于收盘价格-0.05 if stock_data.loc[i, "购买价格"] < data.loc[row, "收盘"] - 0.01: money_count = money_count + round((data.loc[row, "收盘"] * 1000 - data.loc[row, "收盘"] * 1000 * 0.00025), 2) # 将数据添加到交易数据信息中 trade_data = sell_Stock(date=stock_data.loc[i, "时间"], date1=data.loc[row, "时间"], price=stock_data.loc[i, "购买价格"], price1=data.loc[row, "收盘"], money=stock_data.loc[i, "购买金额"], num=stock_data.loc[i, "购买数量"], num1=stock_data.loc[i, "购买数量"]) # 删除一行 stock_data = stock_data.drop(index=i) # 删除数据后需要重建索引 stock_data.index = range(len(stock_data))tactics()# 计算总和,购买金额总和money_sum = stock_data["购买金额"].sum()# 购买数量之和num_sum = stock_data["购买数量"].sum()stock_data = stock_data.append({"购买金额": money_sum, "购买数量": num_sum}, ignore_index=True)print(stock_data)trade_data.loc[trade_data.index.max() + 1, "做T盈利"] = trade_data["做T盈利"].sum()print(trade_data)# 将持股信息保存到Excel表格中stock_data.to_excel("持股数据.xlsx")trade_data.to_excel("交易股票数据.xlsx")print('市值总和：')print(money_sum + money_count)
今天的内容先分享到这里了，读完本文《量化投资》之后，是否是您想找的答案呢？想要了解更多量化投资、鹏华50相关的财经新闻请继续关注本站，是给小编*的鼓励。
