2019年证券分析师考试复习讲义：第七章

　　第七章 量化分析

　　一、量化投资分析的特点

　　量化分析法是利用统计、数值模拟和其他定量模型进行证券市场相关研究的一种方法，具体来说，有如下五大方面的特点：

　　(1)纪律性。

　　量化投资需要严格执行模型给出的投资建议，从而可以克服人性的弱点以及认知偏差，也可以起到跟踪和修正的目的。

　　(2)系统性。

　　系统性主要表现在多层次的量化模型、多角度的观察及海量数据的观察等。

　　(3)及时性。

　　量化投资模型能够及时快速地跟踪市场变化，不断发现能够提供超额收益的新的投资机会。

　　(4)准确性。

　　量化投资分析能够准确客观评价投资机会，克服主观情绪偏差，妥善运用套利的思想。

　　(5)分散化。

　　量化投资分析能够在控制风险的基础上，准确实现分散化投资。

2019年证券从业资格《证券投资顾问业务》在线题库	在线测试
2019年证券从业资格《证券分析师》在线题库	在线测试
2019年证券从业资格《投资银行业务》在线题库	在线测试

　　　　更多2019年证券从业资格考试讲义学习、领取考前冲刺资料，加入证券从业资格证学习群：1018359976   ，更有老师答疑解惑！

　　例题：量化分析法的特点不包括(　　)。

　　A.纪律性

　　B.系统性

　　C.及时性

　　D.集中化

　　【答案】D

　　二、量化投资分析的理论基础

　　量化投资是一种主动型投资策略，主动型投资的理论基础是市场非有效或弱有效。因此，基金经理可以通过对个股、行业及市场的分析研究建立投资组合，获取超额收益。

　　指数化投资等被动投资的理论基础是市场有效，任何企图战胜市场的努力都是徒劳的，投资者只能取得市场收益，不如被动复制指数。

　　三、量化投资分析的主要内容和方法

　　1、量化投资分析的主要内容

　　量化投资分析的主要内容是将投资理念及策略通过具体指标、参数的设计，体现到具体的模型中，让模型对市场进行不带任何情绪的跟踪。

　　2、量化投资分析的方法

　　(1)人工智能

　　人工智能是研究使用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。

　　人工智能的很多技术可以用于量化投资分析中，包括专家系统、机器学习、神经网络、遗传算法等。

　　(2)数据挖掘

　　数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的，但又是潜在有用的信息和知识的过程。

　　在量化投资中，数据挖掘的主要技术包括关联分析、分类、预测、聚类分析等。

　　(3)小波分析

　　小波就是小的波形。小波分析在量化投资中的主要作用是进行波形处理。任何投资品种的走势都可以看作是一种波形，其中包含了很多噪音信号。

　　利用小波分析，可以进行波形的去噪、重构、诊断、识别等，从而实现对未来走势的判断。

　　(4)支持向量机(support vector machine)

　　支持向量机(SVM)方法是通过一个非线性映射(核函数)，把样本空间映射到一个高维乃至无穷维的特征空间中，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。

　　简单地说，支持向量机就是升维和线性化。正因为有这个特点，使得SVM特别适合于进行有关分类和预测问题的处理。

　　(5)分形理论

　　分形(Fractal)，原意是不规则、支离破碎的意思，分形几何学是一门以非规则几何形态为研究对象的几何学。

　　一切复杂对象虽然看似杂乱无章,但他们具有相似性，简单地说，就是把复杂对象的某个局部进行放大，其形态和复杂程度与整体相似。

　　由于这种特征，使得分形理论在量化投资中得到了广泛的应用，主要可以用于金融时序数列的分解与重构，并在此基础上进行数列的预测。

　　1904年，瑞典数学家柯赫构造了“Koch曲线”几何图形。Koch曲线大于一维，具有无限的长度，但是又小于二维。

　　有学者这样说过：“为什么世界这么美丽，因为我眼睛看到的都是分形”，大到海岸线、山川形状、天空的云朵，小到一片树叶、一片雪花、皮蛋里的花纹，分形无处不在，无处不有。

　　(6)随机过程

　　随机过程是一连串随机事件动态关系的定量描述。

　　研究随机过程的方法多种多样，主要可以分为两大类：

　　一类是概率方法，其中用到轨道性质、随机微分方程等;

　　另一类是分析的方法，其中用到测度论、微分方程、函数堆和希尔伯特空间等，实际研究中常常两种方法并用。

　　另外，组合方法和代数方法在某些特殊随机过程的研究中也有一定作用。研究的主要内容有：多指标随机过程、无穷质点与马尔科夫过程、概率与位势及各种特殊过程的专题讨论等。其中，马尔科夫过程很适于金融时间数列的预测，是在量化投资中的典型应用。

　　马尔可夫过程(Markovprocess)是一类随机过程。它的原始模型马尔可夫链，由俄国数学家A.A.马尔可夫于1907年提出。

　　该过程具有如下特性：在已知目前状态(现在)的条件下，它未来的演变(将来)不依赖于它以往的演变(过去)。

　　在现实世界中，有很多过程都是马尔可夫过程，如液体中微粒所作的布朗运动、传染病受感染的人数、车站的候车人数等，都可视为马尔可夫过程。