时间：2023-05-28 09:31:11
序论：在您撰写量化投资与证券管理时，参考他人的优秀作品可以开阔视野，小编为您整理的7篇范文，希望这些建议能够激发您的创作热情，引导您走向新的创作高度。
证券投资基金是一种特殊的投资方式，在实际的投资过程中，采用的是共同进行风险承担以及利益共享的方式，这一基金类型也被称为“证券基金”。证券投资基金作为一种投资工具，进入门槛低，服务专业，且积累性强，即使投资成本较低，也可将投资分散于不同证券，这样就极大的分散了投资风险。因此，正确投资基金得到了人们的广泛关注。
1 积极开发130/30等数量化投资模型
对国内从事证券基金投资业的基金公司等及时顺应金融形势，尽早开始研发130/30等科学有效的数量化投资产品，从而满足公司旗下众多投资者的投资需求。为了追赶世界先进的潮流，加快中国金融创新，从根本上增强国内基金业的企业竞争实力，研发130/30空头扩展模型等证券投资基金数量化投资模型势在必行。随着国内经济形势高速发展，金融市场形势亦是日新月异。目前，中国证券基金投资业中的卖空改革已经在逐渐开启，在此形势下，相关资产福利业也应抓紧时间，抓住机会，积极开发出符合中国国情和投资者实际需求的基金产品，抓紧研发空头扩展模型等数量化投资模型，以更好的顺应金融市场的发展趋势和实际需求。在数量化投资模型开发过程中，应该注意“拿来主义”，不能一味的照抄国外数量化投资模型，开发时首先要考虑实事求是，符合中国的相关法律法规以及中国金融市场的实际情况，做到既学习了外国的先进经验，又兼顾国内市场现实。从而开发出符合中国实际的数量化投资模型。现实中，130/30数量化投资模型只是众多数量化投资模型中的一种。
2 合理应用数量化投资策略
投资者及受理委托基金公司等资产管理者应用正确数量化投资策略进行投资，可分散减小风险，增加收益。并基于此进行更加科学高效拟合金融市场实际收益率模型和数量化投资策略的开发。基于数量化投资策略不断创新发觉全新投资策略的特点，伴随广大投资者针对这一投资机会的广泛追捧开发，此动量策略的存在的情况会逐渐消失，弱势有效这一中国股市缺失的状况会逐渐改变。数量化投资策略模型只是理想状况下的数字模型，在实际投资中投资者及基金管理者还应注意定期检验，不能生搬硬套模型及应用公式，应根据市场形势，谨慎研究确定投资策略，才能在金融趋势改变时有效规避风险，增加收益。在金融市场中，基金公司应根据市场环境及现实情况，基于相应合理化科学化的数量投资策略，基于数字化投资的有效性制定相应的投资策略，才能有效提高证券市场投资效率，规避风险，增强投资收益。同时应注意听取专业人员根据经验所得出的合理人工判断，拒绝照搬模型公式的错误做法，杜绝全部投资由模型决策，密切注意规避数量化投资策略的趋势改变、相似性及肥尾性。
3 开放卖空政策
国家政策对金融市场存在巨大影响。为了从根本上提高中国证券金融市场效率，对金融市场发展起到积极意义，国家政策要给予支持，譬如对卖空政策采取加大开放政策。如此才能逐渐改善中国证券市场卖空限制大，除指数基金外，其他投资者参与卖空所受禁锢较多，公募基金甚至不能参与卖空，信息表达不充分，远远没有达到弱势有效等诸多限制中国证券市场有效性的不完善方面政策开放属社会实验，对政策所针对方面的影响不言而喻。在政策制定方面目前国内的相应管理层做的还是很好的。譬如，根据当前形势，相应管理层便会制定并开始试行各种转融通业务。在这样的政策环境下，对广大证券金融公司而言，便可以通过相互之间的内部交流与合作的方式，将自身原有的或者通过各种合法途径募集而来的证券和资金进行出借，为需求方提供所需的资金和证券，帮助其更好的开展各种经营活动。 对广大证券基金类公司而言，可以通过此类活动，可有效整合金融市场资源，解决眼下难题。通过复杂严禁的实施设计方案，保证市场的良好发展。
4 降低融券费率
为了提高中国金融证券市场效率，缩短相应价格恢复平衡所需时间，提高中国金融资本市场的有效性，建议相关管理层采取积极措施，譬如对券商降低融券率的政策持鼓励态度。但在一定的条件下，130/30组合的收益率会出现极大的改变。例如，在融券费率处于10%和5%水平的时候，融券率会对130/30组合的收益率产生十分显著的影响。为了避免对中国证券市场的发展产生不好影响，相关管理层在制定政策时要注意规避券商间通过不顾成本盲目降低融券费率等不良手段抢占市场的恶意竞争。鼓励科学的正当竞争。目前国内金融市场中，各证券公司的融资利率基本相同，截至2013年3月19日，业务遍布全国的较大证券公司中，国信、国泰君安、广发、海通这四家公司年融券率和融资利率均为8.6%，相比之下，华安、上海、江海、华泰四家的融资利率虽然也达到同样的水平，但在融券率方面，却呈现出显著高于大证券公司的情况，达到10.6%。综上所述，小证券公司采用较高档，融券费率规模大的公司则采用相同的较低档，相比之下，大证券公司具备较大优势。若小证券公司要在激烈的金融市场竞争中站稳脚跟，建议其利用融券费率存在较大降低空间的优势制定相关政策。
5 结束语
综上所述，研究证券投资基金数量化投资战略决策，可帮助大家进一步提高对证券投资基金以及数量化投资相关问题的理解水平，了解130/30策略对基金业绩的影响，具有一定实践意义。
参考文献：
[1]阮素梅，于宁.证券投资基金收益概率密度预测――基于神经网络分位数回归模型[J].华东经济管理，2015（2）：105-110.
证券投资是狭义的投资，是指企业或个人购买有价证券，借以获得收益的行为。在证券投资过程中，如何做到最大限度的认识、计量和规避风险一直是证券投资行业永恒的研究课题。统计方法作为经过多少年来不断印证和完善的实用理论，已逐渐被应用于各行各业。运用科学的统计方法，用数字来说话，是避免证券投资中拍脑袋做决策的有效辅助工具。
（一）证券投资风险的相关概念
1.证券投资风险的定义及特点。证券投资风险指因未来的信息不完全或不确定而未来带来投资经济损失的可能性。不仅包含可能给人们带来的直接损失，还包括可能带来的相对损失以及潜在损失。
而证券投资风险通常表现出一下几点常见的特性：
a.普遍性和客观性。即证券投资风险是伴随着投资活动客观普遍存在的。
b.偶然性和必然性。即证券投资风险存在着大量风险发生的必然性，与某具体风险发生的偶然情况。
c.可变性。即证券投资风险并不是一成不变的，随着投资活动进行有可能风险会转移、缩小或扩大。
d.多样性。即证券投资风险随着各式各样投资活动的进行常伴随着多变的风险。
e.可防范性。即尽管证券投资风险是客观存在的，同时又带有不确定性，甚至达到一定程度后更具危害性，但我们仍然可以采取一定的方法来防范和规避证券投资风险，尽可能避免或减小风险带来的损失和危害。
2.证券投资风险的分类。不同的维度，证券投资风险可以分为多种。根据导致证券投资风险的原因是否与投资活动相关，可将风险分为经济证券投资风险和心理证券投资风险。证券投资所要考虑的风险主要是经济风险，经济风险来源于证券发行主体的变现风险、违约风险以及证券市场的利率风险和通货膨胀风险等。
根据风险的性质是否关系全局由共同因素导致，我们可将证券投资风险分为系统性证券投资风险和非系统性证券投资风险。证券投资的总风险即为系统性证券投资风险和非系统性证券投资风险的总和。其中，系统性证券投资风险是由某种全性活同性因素引起的收益降低或产生预期投资损失的可能性。由于该种风险难以通过不同证券组合等方式进行回避和消除，因而又称为不可分散风险活不可回避风险。如，通货膨胀或者政府政策带来的市场风险，信贷利率风险等都属于系统性风险。非系统性证券投资风险就与系统性证券投资风险相对应。非系统性证券投资风险则多是由于投资公司自身等某种个别原因导致的收益降低或产生预期投资损失的可能性。这类风险主要表现出个别性、具体性和突发性等，可能是一个独特事件，但又关系证券投资活动的成败。但由于这种风险通常是个别因素导致，通常及时排查可以避免。因而非系统证券投资风险又称之为可分散或可回避风险。
二、如何在证券投资风险管理中应用统计方法
（一）量化统计在证券投资风险管理中得到广泛应用
随着统计科学中量化理论研究结果的不断深化，与此同时，Markowitz的证券投资组合理论在实际证券投资活动中的应用也日益广泛，理论也逐渐完善起来。时至今日，Markowitz的证券投资组合理论随着实例中验证加之投资者对防范投资风险意识的加强已经成为现代证券投资风险管理中的一项重要工具。后又有美国斯坦福大学教授刘遵义运用比较、数量分析和模糊综合评判等方法，对证券投资风险进行了量化研究。实践证明，虽然主要运用于指导决策的手段偏好于个人投资，但通过组合理论和其他技术分析进行量化的统计工具逐渐被认同，逐渐变为理性投资规避风险的一般常用形式。定量统计对于证券投资活动中客观存在的依赖关系进行了梳理，也巩固了证券投资决策和管理的壁垒。处理好各种投资活动和行为中潜在的风险对于活动的成败起到至关重要的作用。
（二）均值-方差模型应用于证券投资风险管理
除定量分析外，根据常见的证券投资活动又结合统计分析方法逐渐演变出了一些特定的实用模型。均值-方差模型便是其中之一。均值-方差模型主要适合于投资者根据证券的期望收益率估测证券组合风险，投资者仅依靠证券的风险和收益来做决策，追求投资收益最大化，相应区间风险最小化的投资活动中。
该模型不仅适用于散户，值得注意的是同样适用于大规模的投资决策，尤其是投资基金决策时。
该模型的意义就在于在满足预期收益率情况下，使得组合证券投资的风险降低到最低。随着参与投资证券活动种类的增多，组合证券投资的优势也随之凸显，证券投资风险也就越来越小。
（三）资本资产定价模型应用于证券投资风险管理
资本资产定价模型也是有特定适用类型的一种统计方法与证券投资风险管理相结合的实际应用模型。该种模型适用于投资者较多，且都支持一个相同周期投资项目，且只关心本项投资活动计划周期内的收益情况，同时投资者只能公开交易，市场环境无摩擦的投资情况下。
该种定价模型的意义就在于可以根据分析的结果区分证券类型，从而采取相应行动。当为进攻型证券时，系统风险高，但市场证券组合收益率呈现快升快降形势。因此，当市场看涨时要买入。当为防御型证券时，系统风险虽然低，但收益率也呈现慢升慢降形势。因此，当市场看跌时要买入。当系统风险等同于市场风险时，则购入证券涨势与市场趋势一致，需要根据市场情况行动。
无论哪种统计分析方法，共同目的只有一个即帮助投资人认清证券投资的风险，正确的评估当前投资行为的风险水平，及时采取相应的规避风险行动，从而确保投资活动的收益。
尽管量化投资已经成为市场投资的发展趋势，但是大多数投资者并不是很熟悉量化投资。一方面是由于量化投资一定程度上依赖数学模型，而赚钱的投资模型都是机构的秘密武器，不会轻易披露。另一方面是由于量化投资采用计算机系统，设计各种交易手段，有着较为复杂的数学计算与技术要求，现在许多量化投资都是计算机自动执行的程序交易。另外，量化交易者，俗称宽客（quants）的交易和故事多多少少增加了量化投资的神秘感。所以，人们一般把量化投资称为“黑箱”。纳兰（Narang，R.，2012）描述了量化交易系统的典型构造，打开了量化投资的“黑箱”。纳兰认为阿尔法模型用来预测市场未来方向，风险控制模型用来限制风险暴露，交易成本模型用来分析为构建组合产生的各种成本，投资组合构建模型在追逐利润、限制风险与相关成本之间做出平衡，然后给出最优组合。最优目标组合与现有组合的差异就由执行模型来完成。数据和研究部分则是量化投资的基础：有了数据，就可以进行研究，通过测试、检验与仿真正确构建各个模型。预测市场并制定策略是量化投资的核心，即阿尔法模型在量化投资中处于核心地位。随着量化投资的不断发展，量化投资模型也在不断改进。简单的策略可能就是证券或组合的套利行为，如期现套利组合、市场异象研究中的差价组合等。统计套利策略是经典的量化投资策略，如匹配交易或携带交易。近年来，高频交易成为量化投资的重要内容，基于高速的计算机系统实施高频的程序交易已经是量化投资的重要利器。丁鹏（2012）将量化投资的主要内容分为以下几个方面：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、ETF/LOF套利和高频交易等。他认为量化投资的优势在于：纪律性、系统性、及时性、准确性和分散化。
二、量化投资“黑箱”中的构造与证券投资学的差异
在传统的证券投资学中，投资组合理论、资本资产定价模型、套利定价理论和期权定价理论是现代金融理论的四块基石。前两者主要依靠均值-方差组合优化的思想，后两者则主要依靠市场的无套利条件。传统的投资方法主要是基本面分析和技术分析两大类，而量化投资则是“利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程”。从概念看，量化投资既不是基本面分析，也不是技术分析，但它可以采用基本面分析，也可以采用技术分析，关键在于依靠模型来实现投资理念与投资策略。为了分析量化投资对证券投资学的启示，本文从量化投资“黑箱”的各个构成来探讨量化投资与证券投资学中思路和观点的差异。
（一）资产定价与收益的预测
根据组合优化理论，投资者将持有无风险组合与市场风险资产组合，获得无风险利率与市场风险溢价。资本资产定价模型则将此应用到单一证券或组合，认为证券的风险溢价等于无风险利率加上与风险贡献比率一致的风险溢价，超过的部分就是超额收益，即投资组合管理所追求的阿尔法值。追求显著正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中，法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说，在因素定价方面，量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择，证券投资学认为，对资产价格的影响，长期应主要关注基本面因素，而短期应主要关注市场的交易行为，即采用技术分析。在量化投资中，主要强调按照事先设定的规则进行投资，这在一定程度上与技术分析类似。但是，在技术分析中，不同的人会有不同的结论，而量化投资则强调投资的规则化和固定化，不会因人的差异而有较大的不同。另外，量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。
（二）无套利条件与交易成本
在证券投资学里，流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券，投资者可以自由买卖证券。这主要是为了保证各种交易都能实现，如套利交易。根据套利定价理论，一旦市场出现无风险的套利机会，理性投资者会立即进行套利交易，当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中，对市场中套利限制与非流动性的关注较少，这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下，金融资产交易的过程及其结果，旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中，不同的市场微观结构对市场流动性的冲击是不同的。因而，从量化投资的角度看，为了降低交易带来的价格冲击，能实施量化投资策略的证券往往都应有较好的流动性，因为交易时非流动性直接影响投资策略的实施。从这个意义上讲，量化投资时的交易成本不仅包括交易费用，更主要的是要考虑市场交易冲击的流动性成本。
（三）风险控制与市场情绪
在证券市场中，高收益与高风险相匹配。量化投资在追求高收益的同时，不可避免地承担了一定的风险。在证券投资学中，系统性风险主要源于宏观经济因素，非系统性因素则主要源于行业、公司因素，并且不考虑市场交易行为的影响。在量化投资中，较多地使用因素定价模型，不仅会考虑市场经济因素，而且会考虑交易行为等因素，只是不同的模型有不同的侧重点，在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外，量化投资还有自身不可忽视的风险源。一方面，量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，隐藏着巨大的风险。另一方面，市场冲击的流动性成本也是量化投资的风险控制因素，理所当然地在图1的风险控制模型中体现出来。另外，在一般的投资过程中，市场情绪或多或少会成为风险控制的一个对象。然而，在量化投资中，更多的交易都是通过计算机来实现的，如程序交易等，这样以来，投资者情绪等因素对投资决策的影响相对较小。所以，在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪，主要是通过承担适度的风险来获得超额回报，因为毕竟减少风险也减少了超额回报。
（四）执行高频交易与算法交易
在对未来收益、风险和成本的综合权衡下，实现投资策略成为量化投资的重要执行步骤。为了达到投资目标，量化投资不断追求更快的速度来执行投资策略，这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里，技术分析认为股价趋势有长期、中期和短期趋势，其中，长期和中期趋势有参考作用，短期趋势的意义不大。然而，随着计算机信息科技的创新，量化投资策略之间的竞争越来越大，谁能运作更快的量化模型，谁就能最先找到并利用市场错误定价的瞬间，从而赚取高额利润。于是，就诞生了高频交易：利用计算机系统处理数据和进行量化分析，快速做出交易决策，并且隔夜持仓。高频交易的基本特点有：处理分笔交易数据、高资金周转率、日内开平仓和算法交易。高频交易有4类流行的策略：自动提供流动性、市场微观结构交易、事件交易和偏差套利。成功实施高频交易同时需要两种算法：产生高频交易信号的算法和优化交易执行过程的算法。为了优化交易执行，目前“算法交易”比较流行。算法交易优化买卖指令的执行方式，决定在给定市场环境下如何处理交易指令：是主动的执行还是被动的执行，是一次易还是分割成小的交易单。算法交易一般不涉及投资组合的资产配置和证券选择问题。
三、对量化投资在证券投资教学中应用的思考
从上述分析可以知道，量化投资的“黑箱”构造与证券投资学之间存在一定的差异，因此，在证券投资的教学中应当考虑量化投资发展的要求。
（一）市场微观结构与流动性冲击
在理性预期和市场有效假说下，市场价格会在相关信息披露后立即调整，在信息披露前后市场有着截然不同的表现。在证券投资学里，一般认为价格的调整是及时准确的，然而，现实的世界里，价格调整需要一个过程。在不同的频率下，这种价格形成过程的作用是不同的。在长期的投资中，短期的价格调整是瞬间的，影响不大。然而，在高频交易中，这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型：存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响，解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程，认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型，这些市场微观结构的研究加强了流动性与资产价格之间的联系，强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容，因而，为了加强证券投资学的实用性，应关注市场微观结构的内容与发展。
（二）业绩评价与高杠杆
对于证券组合而言，不仅要分析其超额收益和成本，还要考虑其风险与业绩。在组合业绩评价中，一方面要考虑风险的衡量，另一方面则要分析业绩的来源。在证券投资学中，组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言，市场时机和管理者的能力依然重要，然而，量化投资的业绩评价还应考虑另一个因素：高杠杆。量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，在市场好的时候扩大收益，但在市场不好的时候会加速亏损，这些与传统的业绩评价就不太一样。在一般的证券投资学里，业绩评价主要考虑经风险调整的收益，很少考虑其杠杆的作用，这不仅忽略了杠杆的贡献，而且有可能夸大了投资者的技能水平。
（三）人为因素与模型风险
在量化投资中，非常注重计算机对数据和模型的分析，这突出了量化投资的规则性和固定性。然而，实际中，别看量化采用了各种数学、统计模型，但策略设计、策略检测和策略更新等过程都离不开人的决策。量化交易策略与判断型交易策略的主要差别在于策略如何生成以及如何实施。量化投资运用模型对策略进行了细致研究，并借助计算机实施策略，能够消除很多认为的随意性。但是，量化策略毕竟体现投资者的交易理念，这一部分依赖于投资者的经验，一部分依赖于投资者对市场的不断观察与更新。实际上，人始终处于交易之中，对于市场拐点以及趋势反转的判断主要还是依赖投资者的经验。光大的乌龙指事件充分表明了人为因素在量化投资中的两面性：决策实施依赖于人的设定，而人的设定不仅依赖于经验，而且人还会犯错。人之所以会犯错，一方面是因为人们对市场的认知是不完全的，另一方面则是人们使用了错误的模型。经典的证券投资理论中，股票价格的变动被认为是随机的，小概率事件出现的机会比较小，但是经验研究表明股票收益率具有肥尾现象，小概率事件发生的机会超出了人们原先的认识，即市场还会出现“黑天鹅”。更为关键的是，量化投资更依赖数学和统计模型，这就使得量化投资存在较大的模型风险，即使用了错误的模型。为了防范模型风险，应采用更为稳健的模型，即模型的参数和函数应该适应多种市场环境。近年来，研究表明，证券收益及其与风险因素的关系存在较大的非线性，同时，市场中存在一定的“噪声”，采用隐马尔科夫链等随机过程和机器学习等数据挖掘技术进行信息处理成为量化投资的重要技术支持。
（四）2013年诺贝尔经济学奖的启示
尽管量化投资已经成为市场投资的发展趋势,但是大多数投资者并不是很熟悉量化投资。一方面是由于量化投资一定程度上依赖数学模型,而赚钱的投资模型都是机构的秘密武器,不会轻易披露。另一方面是由于量化投资采用计算机系统,设计各种交易手段,有着较为复杂的数学计算与技术要求,现在许多量化投资都是计算机自动执行的程序交易。另外,量化交易者,俗称宽客(quants)的交易和故事多多少少增加了量化投资的神秘感。所以,人们一般把量化投资称为“黑箱”。纳兰(Narang,R.,2012)描述了量化交易系统的典型构造,打开了量化投资的“黑箱”。纳兰认为阿尔法模型用来预测市场未来方向,风险控制模型用来限制风险暴露,交易成本模型用来分析为构建组合产生的各种成本,投资组合构建模型在追逐利润、限制风险与相关成本之间做出平衡,然后给出最优组合。最优目标组合与现有组合的差异就由执行模型来完成。数据和研究部分则是量化投资的基础:有了数据,就可以进行研究,通过测试、检验与仿真正确构建各个模型。预测市场并制定策略是量化投资的核心,即阿尔法模型在量化投资中处于核心地位。随着量化投资的不断发展,量化投资模型也在不断改进。简单的策略可能就是证券或组合的套利行为,如期现套利组合、市场异象研究中的差价组合等。统计套利策略是经典的量化投资策略,如匹配交易或携带交易。近年来,高频交易成为量化投资的重要内容,基于高速的计算机系统实施高频的程序交易已经是量化投资的重要利器。丁鹏(2012)将量化投资的主要内容分为以下几个方面: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、ETF/LOF套利和高频交易等。他认为量化投资的优势在于:纪律性、系统性、及时性、准确性和分散化。
二、量化投资“黑箱”中的构造与证券投资学的差异
在传统的证券投资学中,投资组合理论、资本资产定价模型、套利定价理论和期权定价理论是现代金融理论的四块基石。前两者主要依靠均值-方差组合优化的思想,后两者则主要依靠市场的无套利条件。传统的投资方法主要是基本面分析和技术分析两大类,而量化投资则是“利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程”。从概念看,量化投资既不是基本面分析,也不是技术分析,但它可以采用基本面分析,也可以采用技术分析,关键在于依靠模型来实现投资理念与投资策略。为了分析量化投资对证券投资学的启示,本文从量化投资“黑箱”的各个构成来探讨量化投资与证券投资学中思路和观点的差异。
(一)资产定价与收益的预测
根据组合优化理论,投资者将持有无风险组合与市场风险资产组合,获得无风险利率与市场风险溢价。资本资产定价模型则将此应用到单一证券或组合,认为证券的风险溢价等于无风险利率加上与风险贡献比率一致的风险溢价,超过的部分就是超额收益,即投资组合管理所追求的阿尔法值。追求显着正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中,法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说,在因素定价方面,量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择,证券投资学认为,对资产价格的影响,长期应主要关注基本面因素,而短期应主要关注市场的交易行为,即采用技术分析。在量化投资中,主要强调按照事先设定的规则进行投资,这在一定程度上与技术分析类似。但是,在技术分析中,不同的人会有不同的结论,而量化投资则强调投资的规则化和固定化,不会因人的差异而有较大的不同。另外,量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。
(二)无套利条件与交易成本
在证券投资学里,流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券,投资者可以自由买卖证券。这主要是为了保证各种交易都能实现,如套利交易。根据套利定价理论,一旦市场出现无风险的套利机会,理性投资者会立即进行套利交易,当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中,对市场中套利限制与非流动性的关注较少,这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下,金融资产交易的过程及其结果,旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中,不同的市场微观结构对市场流动性的冲击是不同的。因而,从量化投资的角度看,为了降低交易带来的价格冲击,能实施量化投资策略的证券往往都应有较好的流动性,因为交易时非流动性直接影响投资策略的实施。从这个意义上讲,量化投资时的交易成本不仅包括交易费用,更主要的是要考虑市场交易冲击的流动性成本。
(三)风险控制与市场情绪
在证券市场中,高收益与高风险相匹配。量化投资在追求高收益的同时,不可避免地承担了一定的风险。在证券投资学中,系统性风险主要源于宏观经济因素,非系统性因素则主要源于行业、公司因素,并且不考虑市场交易行为的影响。在量化投资中,较多地使用因素定价模型,不仅会考虑市场经济因素,而且会考虑交易行为等因素,只是不同的模型有不同的侧重点,在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外,量化投资还有自身不可忽视的风险源。一方面,量化交易中,部分交易是采用保证交易的期货、期权等衍生品交易,这种杠杆交易具有放大作用,隐藏着巨大的风险。另一方面,市场冲击的流动性成本也是量化投资的风险控制因素,理所当然地在图1的风险控制模型中体现出来。另外,在一般的投资过程中,市场情绪或多或少会成为风险控制的一个对象。然而,在量化投资中,更多的交易都是通过计算机来实现的,如程序交易等,这样以来,投资者情绪等因素对投资决策的影响相对较小。所以,在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪,主要是通过承担适度的风险来获得超额回报,因为毕竟减少风险也减少了超额回报。
(四)执行高频交易与算法交易
在对未来收益、风险和成本的综合权衡下,实现投资策略成为量化投资的重要执行步骤。为了达到投资目标,量化投资不断追求更快的速度来执行投资策略,这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里,技术分析认为股价趋势有长期、中期和短期趋势,其中,长期和中期趋势有参考作用,短期趋势的意义不大。然而,随着计算机信息科技的创新,量化投资策略之间的竞争越来越大,谁能运作更快的量化模型,谁就能最先找到并利用市场错误定价的瞬间,从而赚取高额利润。于是,就诞生了高频交易:利用计算机系统处理数据和进行量化分析,快速做出交易决策,并且隔夜持仓。高频交易的基本特点有:处理分笔交易数据、高资金周转率、日内开平仓和算法交易。高频交易有4类流行的策略:自动提供流动性、市场微观结构交易、事件交易和偏差套利。成功实施高频交易同时需要两种算法:产生高频交易信号的算法和优化交易执行过程的算法。为了优化交易执行,目前“算法交易”比较流行。算法交易
优化买卖指令的执行方式,决定在给定市场环境下如何处理交易指令:是主动的执行还是被动的执行,是一次易还是分割成小的交易单。算法交易一般不涉及投资组合的资产配置和证券选择问题。 三、对量化投资在证券投资教学中应用的思考
从上述分析可以知道,量化投资的“黑箱”构造与证券投资学之间存在一定的差异,因此,在证券投资的教学中应当考虑量化投资发展的要求。
(一)市场微观结构与流动性冲击
在理性预期和市场有效假说下,市场价格会在相关信息披露后立即调整,在信息披露前后市场有着截然不同的表现。在证券投资学里,一般认为价格的调整是及时准确的,然而,现实的世界里,价格调整需要一个过程。在不同的频率下,这种价格形成过程的作用是不同的。在长期的投资中,短期的价格调整是瞬间的,影响不大。然而,在高频交易中,这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型:存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响,解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程,认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型,这些市场微观结构的研究加强了流动性与资产价格之间的联系,强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容,因而,为了加强证券投资学的实用性,应关注市场微观结构的内容与发展。
(二)业绩评价与高杠杆
对于证券组合而言,不仅要分析其超额收益和成本,还要考虑其风险与业绩。在组合业绩评价中,一方面要考虑风险的衡量,另一方面则要分析业绩的来源。在证券投资学中,组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言,市场时机和管理者的能力依然重要,然而,量化投资的业绩评价还应考虑另一个因素:高杠杆。量化交易中,部分交易是采用保证交易的期货、期权等衍生品交易,这种杠杆交易具有放大作用,在市场好的时候扩大收益,但在市场不好的时候会加速亏损,这些与传统的业绩评价就不太一样。在一般的证券投资学里,业绩评价主要考虑经风险调整的收益,很少考虑其杠杆的作用,这不仅忽略了杠杆的贡献,而且有可能夸大了投资者的技能水平。
(三)人为因素与模型风险
在量化投资中,非常注重计算机对数据和模型的分析,这突出了量化投资的规则性和固定性。然而,实际中,别看量化采用了各种数学、统计模型,但策略设计、策略检测和策略更新等过程都离不开人的决策。量化交易策略与判断型交易策略的主要差别在于策略如何生成以及如何实施。量化投资运用模型对策略进行了细致研究,并借助计算机实施策略,能够消除很多认为的随意性。但是,量化策略毕竟体现投资者的交易理念,这一部分依赖于投资者的经验,一部分依赖于投资者对市场的不断观察与更新。实际上,人始终处于交易之中,对于市场拐点以及趋势反转的判断主要还是依赖投资者的经验。光大的乌龙指事件充分表明了人为因素在量化投资中的两面性:决策实施依赖于人的设定,而人的设定不仅依赖于经验,而且人还会犯错。人之所以会犯错,一方面是因为人们对市场的认知是不完全的,另一方面则是人们使用了错误的模型。经典的证券投资理论中,股票价格的变动被认为是随机的,小概率事件出现的机会比较小,但是经验研究表明股票收益率具有肥尾现象,小概率事件发生的机会超出了人们原先的认识,即市场还会出现“黑天鹅”。更为关键的是,量化投资更依赖数学和统计模型,这就使得量化投资存在较大的模型风险,即使用了错误的模型。为了防范模型风险,应采用更为稳健的模型,即模型的参数和函数应该适应多种市场环境。近年来,研究表明,证券收益及其与风险因素的关系存在较大的非线性,同时,市场中存在一定的“噪声”,采用隐马尔科夫链等随机过程和机器学习等数据挖掘技术进行信息处理成为量化投资的重要技术支持。
在传统的证券投资学中，投资组合理论、资本资产定价模型、套利定价理论和期权定价理论是现代金融理论的四块基石。前两者主要依靠均值-方差组合优化的思想，后两者则主要依靠市场的无套利条件。传统的投资方法主要是基本面分析和技术分析两大类，而量化投资则是“利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程”[3]。从概念看，量化投资既不是基本面分析，也不是技术分析，但它可以采用基本面分析，也可以采用技术分析，关键在于依靠模型来实现投资理念与投资策略。为了分析量化投资对证券投资学的启示，本文从量化投资“黑箱”的各个构成来探讨量化投资与证券投资学中思路和观点的差异。
（一）资产定价与收益的预测
根据组合优化理论，投资者将持有无风险组合与市场风险资产组合，获得无风险利率与市场风险溢价。资本资产定价模型则将此应用到单一证券或组合，认为证券的风险溢价等于无风险利率加上与风险贡献比率一致的风险溢价，超过的部分就是超额收益，即投资组合管理所追求的阿尔法值[4]。追求显著正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中，法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说，在因素定价方面，量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择，证券投资学认为，对资产价格的影响，长期应主要关注基本面因素，而短期应主要关注市场的交易行为，即采用技术分析。在量化投资中，主要强调按照事先设定的规则进行投资，这在一定程度上与技术分析类似。但是，在技术分析中，不同的人会有不同的结论，而量化投资则强调投资的规则化和固定化，不会因人的差异而有较大的不同。另外，量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。
（二）无套利条件与交易成本
在证券投资学里，流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券，投资者可以自由买卖证券。这主要是为了保证各种交易都能实现，如套利交易。根据套利定价理论，一旦市场出现无风险的套利机会，理性投资者会立即进行套利交易，当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中，对市场中套利限制与非流动性的关注较少，这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下，金融资产交易的过程及其结果，旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中，不同的市场微观结构对市场流动性的冲击是不同的。因而，从量化投资的角度看，为了降低交易带来的价格冲击，能实施量化投资策略的证券往往都应有较好的流动性，因为交易时非流动性直接影响投资策略的实施。从这个意义上讲，量化投资时的交易成本不仅包括交易费用，更主要的是要考虑市场交易冲击的流动性成本。
（三）风险控制与市场情绪
在证券市场中，高收益与高风险相匹配。量化投资在追求高收益的同时，不可避免地承担了一定的风险。在证券投资学中，系统性风险主要源于宏观经济因素，非系统性因素则主要源于行业、公司因素，并且不考虑市场交易行为的影响。在量化投资中，较多地使用因素定价模型，不仅会考虑市场经济因素，而且会考虑交易行为等因素，只是不同的模型有不同的侧重点，在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外，量化投资还有自身不可忽视的风险源。一方面，量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，隐藏着巨大的风险。另一方面，市场冲击的流动性成本也是量化投资的风险控制因素，理所当然地在图1的风险控制模型中体现出来。另外，在一般的投资过程中，市场情绪或多或少会成为风险控制的一个对象。然而，在量化投资中，更多的交易都是通过计算机来实现的，如程序交易等，这样以来，投资者情绪等因素对投资决策的影响相对较小。所以，在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪，主要是通过承担适度的风险来获得超额回报，因为毕竟减少风险也减少了超额回报。
（四）执行高频交易与算法交易
在对未来收益、风险和成本的综合权衡下，实现投资策略成为量化投资的重要执行步骤。为了达到投资目标，量化投资不断追求更快的速度来执行投资策略，这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里，技术分析认为股价趋势有长期、中期和短期趋势，其中，长期和中期趋势有参考作用，短期趋势的意义不大。然而，随着计算机信息科技的创新，量化投资策略之间的竞争越来越大，谁能运作更快的量化模型，谁就能最先找到并利用市场错误定价的瞬间，从而赚取高额利润。于是，就诞生了高频交易：利用计算机系统处理数据和进行量化分析，快速做出交易决策，并且隔夜持仓。高频交易的基本特点有：处理分笔交易数据、高资金周转率、日内开平仓和算法交易。[5]高频交易有4类流行的策略：自动提供流动性、市场微观结构交易、事件交易和偏差套利。成功实施高频交易同时需要两种算法：产生高频交易信号的算法和优化交易执行过程的算法。为了优化交易执行，目前“算法交易”比较流行。算法交易优化买卖指令的执行方式，决定在给定市场环境下如何处理交易指令：是主动的执行还是被动的执行，是一次易还是分割成小的交易单。算法交易一般不涉及投资组合的资产配置和证券选择问题。
二、对量化投资在证券投资教学中应用的思考
从上述分析可以知道，量化投资的“黑箱”构造与证券投资学之间存在一定的差异，因此，在证券投资的教学中应当考虑量化投资发展的要求。
（一）市场微观结构与流动性冲击
在理性预期和市场有效假说下，市场价格会在相关信息披露后立即调整，在信息披露前后市场有着截然不同的表现。在证券投资学里，一般认为价格的调整是及时准确的，然而，现实的世界里，价格调整需要一个过程。在不同的频率下，这种价格形成过程的作用是不同的。在长期的投资中，短期的价格调整是瞬间的，影响不大。然而，在高频交易中，这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型：存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响，解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程，认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型，这些市场微观结构的研究加强了流动性与资产价格之间的联系，强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容，因而，为了加强证券投资学的实用性，应关注市场微观结构的内容与发展。
（二）业绩评价与高杠杆
对于证券组合而言，不仅要分析其超额收益和成本，还要考虑其风险与业绩。在组合业绩评价中，一方面要考虑风险的衡量，另一方面则要分析业绩的来源。在证券投资学中，组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言，市场时机和管理者的能力依然重要，然而，量化投资的业绩评价还应考虑另一个因素：高杠杆。量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，在市场好的时候扩大收益，但在市场不好的时候会加速亏损，这些与传统的业绩评价就不太一样。在一般的证券投资学里，业绩评价主要考虑经风险调整的收益，很少考虑其杠杆的作用，这不仅忽略了杠杆的贡献，而且有可能夸大了投资者的技能水平。
（三）人为因素与模型风险
在量化投资中，非常注重计算机对数据和模型的分析，这突出了量化投资的规则性和固定性。然而，实际中，别看量化采用了各种数学、统计模型，但策略设计、策略检测和策略更新等过程都离不开人的决策。量化交易策略与判断型交易策略的主要差别在于策略如何生成以及如何实施。量化投资运用模型对策略进行了细致研究，并借助计算机实施策略，能够消除很多认为的随意性。但是，量化策略毕竟体现投资者的交易理念，这一部分依赖于投资者的经验，一部分依赖于投资者对市场的不断观察与更新。实际上，人始终处于交易之中，对于市场拐点以及趋势反转的判断主要还是依赖投资者的经验。光大的乌龙指事件充分表明了人为因素在量化投资中的两面性：决策实施依赖于人的设定，而人的设定不仅依赖于经验，而且人还会犯错。人之所以会犯错，一方面是因为人们对市场的认知是不完全的，另一方面则是人们使用了错误的模型。经典的证券投资理论中，股票价格的变动被认为是随机的，小概率事件出现的机会比较小，但是经验研究表明股票收益率具有肥尾现象，小概率事件发生的机会超出了人们原先的认识，即市场还会出现“黑天鹅”。更为关键的是，量化投资更依赖数学和统计模型，这就使得量化投资存在较大的模型风险，即使用了错误的模型。为了防范模型风险，应采用更为稳健的模型，即模型的参数和函数应该适应多种市场环境。近年来，研究表明，证券收益及其与风险因素的关系存在较大的非线性，同时，市场中存在一定的“噪声”，采用隐马尔科夫链等随机过程和机器学习等数据挖掘技术进行信息处理成为量化投资的重要技术支持。
（四）2013年诺贝尔经济学奖的启示
（一）传统证券风险量化指标的理论源头
传统的证券风险分析当中必然会同一个与之如影随形的概念联系在一起，那就是收益，同时，在西方传统的经济学当中风险和报酬存在着这么一个函数关系，甚至在一些传统的经济学课本上作者为了简化两者之间的关系，将两者简单的归结为一个完美的线性关系，即风险与收益之间是一对一的数学关系，并且存在着这样一个逻辑：风险越大，报酬或者收益也就越大，反之亦然。即使是稍微尊重事实一些的经济学教材也运用了高等数学当中线性回归的方法将两者的关系从非线性回归为一对一的线性关系。除了学界对于风险的分析是从报酬或者收益出发的以外，在国外或者国内的民间也有类似的对于两者关系的表达，例如我国有句老百姓口中经常说到的“富贵险中求”就是对两者的关系的简单认识。因此，传统证券风险分析的源头明显是来源于对于报酬的分析。
（二）传统证券风险量化指标的数学方法的应用
传统的证券风险理论认为证券的总风险=可分散的风险+不可分散的风险，其中可分散的风险主要指的是个别证券自身存在的风险，而不可分散的风险则是指市场风险，下面笔者介绍一下传统证券风险量化的两个重要的指标――标准差与贝塔值。
第一，标准差。传统证券风险理论认为个别证券的风险可以从单个证券的报酬率为起点进行分析。财务投资专家从高等数学当中引入了一个衡量证券报酬率的波动性量化分析的指标――标准差来进行对单项证券风险的判断，进而判断出相同期望报酬率和不同期望报酬率时对于不同投资的选择。测算的步骤如下：第一步，确定各种市场需求下各类需求发生的概率；第二步，计算出期望报酬率，其实质上是对于各类市场需求下的报酬率的加权平均数。第三步：根据标准差的数学公式计算出标准差，σ=[Σ（ri-?）2×Pi]1/2其中ri是第i只证券的报酬率，?是期望报酬率，Pi是第i只证券的报酬发生的概率。结论是在期望报酬率相同的时候，标准差越大证明该证券波动越大，风险也就越大，反之亦然。在期望报酬率不同时引入了另外一个概念即离差，由于基本原理也是根据标准差衍生而得，在此不再赘述。[1]
第二，代表市场风险的贝塔值。我们在第一点中提到的标准差主要衡量的是单项证券的风险，而贝塔值的引入主要是考虑到了证券组合的风险构成当中不可分散的风险即市场风险。而贝塔值的测算公式从数学的角度来说实际上是利用了标准差的升级版公式即协方差，协方差主要是衡量了两组数据之间的相关程度，以此来判断证券组合的报酬率与市场报酬率之间的数理联系，进而判断出不可分散的风险。理论上贝塔值的计算是βi=（σi /σm）ρim，其中βi第i个证券组合的市场风险程度，σi，σm分别第i个证券组合的标准差与市场证券组合的标准差，ρim代表第i个证券组合的报酬与市场组合报酬的相关系数。实际当中β系数可以通过将股票报酬对市场报酬做回归得到，拟合得到的回归线的斜率就是证券的β系数，即β=Ri /Rm。[2]
二、价值投资理念下风险与报酬的关系
价值投资理念是华尔街之父本杰明格雷厄姆所创立，在其传世之作《证券分析》当中明确提出了有关投资与投机概念，其中论及投资界老生常谈的收益与风险的问题时结论与传统证券风险分析有着本质的不同，格雷厄姆明确指出收益与风险之间不存在着数学关系，并且认为证券的价格与收益并非取决于对于其风险的精确数学的计算，而是取决于该证券的受欢迎程度，而这种受欢迎程度本身包含了投资者对于风险的认识，但很大程度上还受到如公众对公司和证券的熟悉程度，证券发行与购买的容易程度等。[3]并进一步指出，无论是理论上还是实际当中，对投资风险进行精确的计算都是不可能成功的，现实当中并没有所谓的期望报酬率的概率经验表，即使存在也是基于对于历史数据的分析得到了，而历史数据之于未来决策的有用性或相关性的大小还有待考证，其研究范围不同于保险公司对于保单的精确测算，例如人寿保险能够明确的了解年龄与死亡率之间的关系是明确的。而证券的风险与报酬之间的关系则没有如此的确定。[4]
三、价值投资理念下传统证券风险量化分析的反思
以上笔者对于传统的证券风险理论与量化方法以及价值投资理念下关于风险与收益的关系进行了论述。笔者认为，价值投资理念下有关论述对于我们重新审视证券投资中风险因素的衡量有着非常重要的意义。
首先，笔者认为，标准差的计算过程本身就存在着无法避免的瑕疵，这一个公式至少有两个基本假设，第一，计算的人必须能够客观的预测出各种市场情况发生的需求概率，并且准确的在各种概率下发生的报酬率；第二，假定历史数据对于未来的投资决策具有确定的相关性。但是在现实生活中根本是无法预测的，这种算法实质上是硬将自然科学当中的数学模型强加到社会问题的研究当中，不可否认的是，目前来说大量的社会问题是无法通过数学来量化的，因为证券的风险当中不仅仅只有报酬因素的影响，还有各种在不同市场条件下的因素决定的，而这些因素又相互的的影响和动态的变化。因此，标准差的方法受到了质疑，后续的离差率、β值的计算自然也就没有了根基。
其次，β值的测算除了上述由于标准差的非客观性导致的不确定性的缺陷以外，笔者也针对实操当中第二种公式进行分析，β的第二种公式是β=Ri /Rm，从公式上来看，存在着明显的逻辑上的可疑性，单个股票的收益率假如大于市场整体的收益率，则该只股票的风险就比市场风险大？这个观点在《证券分析》当中就已经被很好地反驳了，在此，笔者只需要举一个例子就足够反驳这一个观点，伯克希尔哈撒韦上市公司每股截至2017年6月5日是249660美元，每股收益率如果从上市之初可以用天文数字来形容，并且这家公司经历了无数次大大小小的金融危机，依然以远远超过市场平均的业绩笑傲群雄，难道说他的风险要远远大于市场？这家公司是以价值投资的理念进行风险评估和投资的。因此，笔者认为中国的证券行业乃至我们有关的证券专家和学者们有必要从价值投资的理念来重新审视目前证券风险量化的指标在实际当中的效用。
在美国注册一个证券公司只需要满足两个基本条件：1.持牌人；2.净资本。外行人以为证券公司的净资本要求很高，其实不然，多年未改的净资本规定是三个级别：5000美元，25000美元和100000美元。在此之外，证券公司还要满足与专项业务相关的自有资金规定，所以，资金实力越强的证券公司可参与的业务越多，业务规模也越大。证券公司的自营投资业务是直接与一级注册净资本挂钩的，任何时候无论由于什么原因，只要公司的净资本低于注册规定，该公司必须在24小时内发电报通知监管机构，并在发出电报之时进入“读秒”，48小时内必须再发电报陈述解决方案，否则该公司的交易终端就自动切断了。这就是我们在美国经营证券公司的铁律之一：“24小时电报，48小时解决。”这条铁律约束着证券公司的自营投资额度与内部风险管控。
以光大证券为例，当电脑绕过公司内控直接连续下单时，交易员应立即启动紧急处置预案，券商应停止交易并“保护现场”，主动向监管机构报告并听候处理，这就是不久前高盛在电脑“乌龙指”发生后采取的动作。中国证监会并没有处罚光大证券的“乌龙指”，而是处罚光大证券在事发后“破坏现场”，违规套利，“本能地”跨越了两道“防火墙”：1.股票自营投资的“乌龙指”引发期货套利对冲，说明公司内部在这两个部门之间没有设置“防火墙”；2.交易部门“自发”的套利对冲与公司高层“自发”的信息几乎同时进行，说明公司在管理层与交易员之间没有设置“防火墙”。就是这种“本能”与“自发”的行为习惯，把交易部门的技术失误升级为公司高层的恶意违规。
伴随着电脑技术的进步，程式化交易与量化对冲模式在上世纪80年代中期到90年代中期进入美国证券业，在此期间有两大事件影响深远：其一是1987年10月19日的“黑色星期一”；其二是1998年的长期资本管理公司破产。前者告诉人们，电脑系统也会“发疯”，所以不能绝对依赖程式化交易；后者告诉人们，某些市场也会“发疯”，所以不能绝对相信量化投资模型。
