欢迎来到优发表网

购物车(0)

期刊大全 杂志订阅 SCI期刊 期刊投稿 出版社 公文范文 精品范文

量化投资论文范文

时间:2022-05-17 12:26:55

序论:在您撰写量化投资论文时,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。

量化投资论文

第1篇

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

第2篇

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。

第3篇

一、投资组合的基本理论

马考维茨(Markowitz)是现资组合分析理论的创始人。经过大量观察和分析,他认为若在具有相同回报率的两个证券之间进行选择的话,任何投资者都会选择风险小的。这同时也表明投资者若要追求高回报必定要承担高风险。同样,出于回避风险的原因,投资者通常持有多样化投资组合。马考维茨从对回报和风险的定量出发,系统地研究了投资组合的特性,从数学上解释了投资者的避险行为,并提出了投资组合的优化方法。

一个投资组合是由组成的各证券及其权重所确定。因此,投资组合的期望回报率是其成分证券期望回报率的加权平均。除了确定期望回报率外,估计出投资组合相应的风险也是很重要的。投资组合的风险是由其回报率的标准方差来定义的。这些统计量是描述回报率围绕其平均值变化的程度,如果变化剧烈则表明回报率有很大的不确定性,即风险较大。

从投资组合方差的数学展开式中可以看到投资组合的方差与各成分证券的方差、权重以及成分证券间的协方差有关,而协方差与任意两证券的相关系数成正比。相关系数越小,其协方差就越小,投资组合的总体风险也就越小。因此,选择不相关的证券应是构建投资组合的目标。另外,由投资组合方差的数学展开式可以得出:增加证券可以降低投资组合的风险。

基于回避风险的假设,马考维茨建立了一个投资组合的分析模型,其要点为:(1)投资组合的两个相关特征是期望回报率及其方差。(2)投资将选择在给定风险水平下期望回报率最大的投资组合,或在给定期望回报率水平下风险最低的投资组合。(3)对每种证券的期望回报率、方差和与其他证券的协方差进行估计和挑选,并进行数学规划(mathematicalprogramming),以确定各证券在投资者资金中的比重。

二、投资战略

投资股市的基金经理通常采用一些不同的投资战略。最常见的投资类型是增长型投资和收益型投资。不同类型的投资战略给予投资者更多的选择,但也使投资计划的制定变得复杂化。

选择增长型或收益型的股票是基金经理们最常用的投资战略。增长型公司的特点是有较高的盈利增长率和赢余保留率;收益型公司的特点是有较高的股息收益率。判断一家公司的持续增长通常会有因信息不足带来的风险,而股息收益率所依赖的信息相对比较可靠,风险也比较低。美国股市的历史数据显示,就长期而言,增长型投资的回报率要高于收益型投资,但收益型投资的回报率比较稳定。值得注意的是,增长型公司会随着时间不断壮大,其回报率会逐渐回落。历史数据证实增长型大公司和收益型大公司的长期平均回报率趋于相同。另外,投资战略还可以分为积极投资战略和消极投资战略。积极投资战略的主要特点是不断地选择进出市场或市场中不同产业的时机。前者被称为市场时机选择者(markettimer),后者为类别轮换者。

市场时机选择者在市场行情好的时候减现金增股票,提高投资组合的beta以增加风险;在市场不好时,反过来做。必须注意的是市场时机的选择本身带有风险。相应地,如果投资机构在市场时机选择上采用消极立场,则应使其投资组合的风险与长期投资组合所要达到的目标一致。

类别轮换者会根据对各类别的前景判断来随时增加或减少其在投资组合中的权重。但这种对类别前景的判断本身带有风险。若投资者没有这方面的预测能力,则应选择与市场指数中的类别权重相应的投资组合。

最积极的投资战略是选择时机买进和卖出单一股票,而最消极的投资战略是长期持有指数投资组合。

公司资产规模的大小通常决定了股票的流动性。规模大的公司,其股票的流动性一般较好;小公司股票的流动性相对较差,因此风险较大。从美国股市的历史数据中可以发现,就长期而言,小公司的平均回报率大于大公司,但回报率的波动较大。

三、投资组合风险

我们已经知道,投资组合的风险是用投资组合回报率的标准方差来度量,而且,增加投资组合中的证券个数可以降低投资组合的总体风险。但是,由于股票间实际存在的相关性,无论怎么增加个数都不能将投资组合的总体风险降到零。事实上,投资组合的证券个数越多,投资组合与市场的相关性就越大,投资组合风险中与市场有关的风险份额就越大。这种与市场有关并作用于所有证券而无法通过多样化予以消除的风险称为系统风险或市场风险。而不能被市场解释的风险称为非系统风险或可消除风险。所以,无限制地增加成分证券个数将使投资组合的风险降到指数的市场风险。

风险控制的基本思想是,当一个投资组合的成分证券个数足够多时,其非系统风险趋于零,总体风险趋于系统风险,这时,投资组合的风险就可以用指数期货来对冲。对冲的实际结果完全取决于投资组合和大市的相关程度。若投资组合与大市指数完全相关,投资组合的风险就能百分之百地被对冲,否则只能部分被抵消。

投资组合的系统风险是由投资组合对市场的相关系数乘以投资组合的标准差来表达,而这里的相关系数是投资组合与市场的协方差除以市场的标准差和投资组合的标准差。因此,投资组合的系统风险正好可以由投资组合对大市指数的统计回归分析中的beta值来表达。投资组合对大市的beta值是衡量投资组合系统风险的主要度量。投资组合的回报率、方差或标准差以及其beta值是投资组合分析和管理中的三个最重要的数据。在投资组合的另一重要理论是在资本市场理论中引入了无风险资产的概念。在实际中,我们可以将国库券认为是无风险资产。任何投资组合都可以看成是无风险资产和其他风险资产的组合。于是,投资组合的期望回报率可以表达成大市回报率与无风险回报率之差乘以beta值再加上无风险回报率。

国际金融投资行业也广泛地使用VAR(Value-at-Risk)的方法来分析和管理投资组合甚至公司全部资产的风险。VAR实际上是衡量资产价值变动率的方法。其基本概念是:假设某投资组合的回报率是以正态分布,衡量在确定的概率下投资组合可能出现的亏损金额。VAR值就是用均值减一个标准方差的回报率,可以用来计算亏损。

四、投资组合业绩评价

通常有两种不同的方法对投资组合的业绩进行评估。养老金、保险基金、信托基金和其他基金的主要投资计划发起人一般会考察投资过程的各个主要方面,如资产配置、资产类别的权重和各类别重的证券选择。这类评估称为属性评估。对很多投资者来说,他们更关心的是对一个特定的投资策略或投资机构效率的评价,如对有明确投资策略的开放式基金的评估。这种评估叫做指标评估。评估投资组合最直接的指标是回报率。但只有在相同或类似的风险水平下比较回报率才有实际的意义。从美国开放式互助基金的历史数据可以看到,增长型基金的beta值最高,系统风险最高,相应在牛市时的回报率最高,在熊市时的回报率最低。平衡型的基金则相反。收益—增长型的基金的系统风险和回报率都在增长型和平衡型的基金之间。由此可见,任何一种基金在一个时期所获得的回报率在很大的程度上取决于基金的风险特性和基金在当时所面临的市场环境。在评估基金时,首先应将基金按风险等级分组,每一组的风险大致相同,然后在组中比较回报率的大小。

投资组合的回报率是特定期间内投资组合的价值变化加上所获得的任何收益。对封闭式基金来说,由于没有资金的流进和流出,回报率的计算相对比较容易。对开放式基金而言,频繁的现金流动使普通的回报率计算无法反映基金经理的实际表现。开放式基金的回报率通常使用基金单位价值来计算。基金单位价值法的基本思想是:当有现金流入时,以当时的基金单位净资产值来增加基金的单位数量;当有基金回赎时,基金的单位数量则减少。因此,现金的流动不会引起净资产的变化,只是发生基金单位数量的变化。于是,我们可以直接使用期初和期末的净资产值来计算开放式基金投资组合的回报率。

没有经过风险调整的回报率有很大的局限性。进行风险调整后评估投资组合表现的最常见的方法是以每单位风险回报率作为评判标准。两个最重要的每单位风险回报率的评判指标是夏普比例(ShameRatio)和特雷诺比例(TreynorRatio)。夏普比例是投资组合回报率超过无风险利率的部分,除以回报率的标准方差。特雷诺比例是投资组合回报率超过无风险利率的部分,除以投资组合的beta值。这两个指标的不同在于,前者体现了投资组合回报率对全部风险的敏感度,而后者反映对市场风险或系统风险的敏感度。对投资组合回报率、其方差以及beta值的进一步研究还可以定量显示基金经理在证券选择和市场时机选择等方面的优劣。

【参考文献】

[1][美]小詹姆斯L·法雷尔,沃尔特J·雷哈特.投资组合管理理论及应用

[3]陈世炬,高材林.金融工程原理[M].北京:中国金融出版社,2000.

第4篇

下面我将从论文的目的、结构内容、不足之处三个方面向各位老师作一大概介绍,恳请各位老师批评指导。

首先,在目的和意义上,本文研究将实物期权理论引入城市轨道交通项目投资决策评价过程之中,目的在于完善轨道交通建设投资项目的评估方法和体系,通过完善评估手段,使轨道交通项目价值能够被更准确地计算和评估,进而帮助轨道交通项目建设方进行科学决策。

当前,将实物期权理论应用于城市轨道交通项目投资评价的相关研究较少,本文成果可作为以投资者为主体,评价城市轨道交通项目价值理论的一个新的思路,同时为决策方法的选择提供理论支撑,对我国轨道交通基础设施建设领域的发展有一定的意义。

其次,在结构内容上,本文的基本思路是:首先分析城市轨道交通项目特征并回顾传统方法在处理项目投资决策问题上的局限性。在此基础上,分析轨道交通项目特性以及期权特征,并构建基于推迟期权的城市轨道交通项目评价模型。最后,通过实例对投资决策模型进行了验证。本文的主要研究内容结构如下:

第一章是论文的绪论部分,此章节中首先对城市轨道交通等相关研究背景做了简要介绍,并对于此次研究提出了其研究的必要性和意义所在。通过文献综述,系统阐述了国内外学者和专家对于实物期权等方法的研究过程和现状,并最后提出本论文的研究内容和框架结构。

第二章对于城市轨道交通项目和投资决策方法两方面分别做了系统阐述。其中轨道交通项目阐述包含对于城市轨道交通的简介、分类及特征,重点对轨道交通项目的经济特征和投资特征进行分析,为下一步研究做铺垫。在投资决策方法综述中,重点分析和对比了传统项目评价方法及实物期权方法。首先是对传统项目评价方法的阐述,并总结其存在的问题和缺陷。其后,对实物期权方法做了系统介绍,最后总结了实物期权方法应用的基本思路和步骤。

第三章和第四章是本论文的核心部分,本文第三章着手于分析轨道交通项目的期权特征,并建立了城市轨道交通 推迟期权模型,指出了该模型的实际指导意义。

第四章中并运用具体案例进行实证分析和量化的计算,增强论文的说服力。

第五章是本文的最后一章,通过前面两章的模型构建和验证,初步总结将实物期权方法应用于城市轨道交通项目的结论,并指出本次研究中未能考量的因素以及可能存在的问题,指出将来进行完善和开拓研究方向。

最后,在不足之处上,关于本文存在的不足以及对未来的展望总结如下:

1、 模型参数的确定较难。城市轨道交通项目价值增长率的数据难以获得,本文以客流量增长率近似代替。实际上,决定轨道交通项目价值的因素较为复杂,固定资产折旧、维修费用增加、沉没价值计算等都将影响项目价值。另外,价值增长率的方差难以直接获得,利用类似项目历史年数据近似代替的手段无法考量项目未来年的不确定性。因此,模型参数的确定仍需有更准确的测算方法。

2、 在构建推迟期权定价模型中,未能准确得到推迟期权的时间,并将其量化为公式进行计算,给项目确定决策操作时机带来较多不便,而这正是项目本身的不确定性特征所决定的。

3、 未能考虑存在其他竞争对手情况下的博弈模型。本文构建推迟期权定价模型以及案例验证均以仅有一个投资者的条件为基本假设,但实际当中往往有多个投资者进行竞争,因此需进一步对其博弈特性及模型进行构建和验证。

第5篇

关键词:房地产项目,可行性研究

 

可行性研究是指在投资决策前,对与项目有关的资源、技术、市场、经济、社会等各方面进行全面的分析、论证、和评价,判断项目在技术上是否可行、经济上是否合理、财务上是否盈利,并对多个可能的备选方案进行择优的科学方法,其目的是使房地产开发项目决策科学化、程序化、从而提高决策的可靠性,并为开发项目的实施和控制提供参考。可行性研究是项目投资决策的重要依据,是项目立项、审批、开发商与有关部门签订协议、合同的依据,是项目筹措建设资金的依据,是编制设计任务书的依据。论文写作,房地产项目。

1.房地产项目经济评价特点分析

房地产开发项目的特点是房地产开发项目投资的过程本身就是房地产商品的生产过程,房地产产品的总成本费用之和即为总投资,其财务效益主要表现为生产经营过程中的销售收入。对于一般的房地产项目而言,经济评价主要是财务评价,因此房地产开发项目经济评价,即财务评价的特点:

1.1微观效益分析与宏观效益分析相结合,以宏观效益分析为主

房地产关系到人们的切身利益,不能只看项目本身的获利能力,还要考虑项目对社会的影响,即考察项目的建设和经营对国民经济有多大贡献以及需要国民经济付出多大代价。在当前经济形势下,房地产开发商更应该重视国家宏观经济调控政策的方向的分析,根据国家的需求,更多的投资经济适用房、中小型住房等项目。论文写作,房地产项目。

1.2定量分析与定性分析相结合,以定量分析为主;

财务评价是可行性研究报告中唯一的量化的评价部分,必须进行数据的预测估算,进行定量分析,定量分析更加直观,能直接反映项目的效益,据以判别项目的财务可行性。作为资金密集型的房地产业,迫切需要从粗放式开发向集约式开发过度。特别是在当前金融危机下,房地产开发商要扩大开发利润空间,必须用定量分析的方法,来量化开发过程中的每一项成本支出,摆脱过去粗糙的定性分析,从而真正达到全过程量化监测成本费用,最大限度地降低开发风险。

1.3分析过程中主观性与客观性相结合,主观性所占比重较大;

如实践中,由于编制财务评价报告的目的不同,委托人及编制人对财务评价缺乏应有的认识和重视,使得财务评价主观意识较强,受委托人和编制人员影响较大。投资额、房价、销售量等是编制人员可以对财务效益进行主观控制的手段。编制人员对风险的态度和对项目的认识也会使财务评价表现出很强的主观性。

2房地产项目可行性研究过程

2.1以投资机会研究

该阶段的主要任务是对投资项目或投资方向提出建议,即在一定的地区和部门内,以自然资源和市场的调查预测为基础,寻找最有利的投资机会。投资机会研究相当粗略,主要依靠笼统的估计而不是依靠详细的分析。该阶段投资估算的精确度为±30%,研究费用一般占总投资的0.2%~0.8% 。如果机会研究认为可行的,就可以进行初步可行性研究。

2.2初步可行性研究

在机会研究的基础上,进一步对项目建设的可能性与潜在效益进行论证分析。论文写作,房地产项目。初步可行性研究阶段投资估算精度可达±20%,所需费用约占总投资的0.25%~1.5% 。

2.3详细可行性研究

详细可行性研究是开发建设项目投资决策的基础,是在分析项目在技术上、财务上、经济上的可行性后作出投资与否决策的关键步骤。这一阶段对建设投资估算的精度在±10%,所需费用,小型项目约占投资的1.0%~3.0%,大型复杂的工程约占0.2%~1.0% 。项目的评估和决策,按照国家有关规定,对于大中型和限额以上的项目及重要的小型项目,必须经有权审批单位委托有资格的咨询评估单位就项目可行性研究报告进行评估论证。未经评估的建设项目,任何单位不准审批,更不准组织建设。

2.4可行性研究阶段工作精度表

第6篇

论文关键词:湖北省,GDP,固定资产投资

 

一、湖北省GDP和固定资产投资的基本情况

1、全省GDP总量和固定资产投资快速增长

1995-2007年,湖北省GDP从2109.38亿元增长到9230.68亿元,年增长率达13.2%;固定资产投资从1995年的785.09亿元快速增长到2007年的4330.40亿元,年均增速接近15.52%,成为推动全省经济持续发展的重要力量。

表1:1995-2007湖北省GDP与固定资产投资(单位:亿元)

 

年份

GDP

固定资产投资

2001

3880.53

1486.55

1995

2109.38

785.09

2002

4212.82

1605.06

1996

2499.77

935.22

2003

4757.45

1809.45

1997

2856.47

1023.50

2004

5633.24

2264.80

1998

3114.02

1156.76

2005

6520.14

2676.60

1999

3229.29

1239.14

2006

7581.32

3343.50

2000

3545.39

1339.20

2007

第7篇

关键词:采购;数字资源;比例;影响因子

中图分类号:F49文献标识码:A文章编号:1672-3198(2012)15-0169-02

数字资源是高校图书馆的核心组成部分,其在图书馆资源采购中的比例也处于逐年攀升的状态,甚至在很多馆中,数字资源的采购总量已经超出了传统纸质文献资源的采购。同时,伴随着数字技术与计算机技术的发展,读者对数字资源的接受程度也日益增强。IPAD,智能手机,平板电脑等新设备的出现,也使得数字资源的使用不再仅仅局限于传统的计算机,各式各样的移动设备都是读者获取、使用数字资源的平台,空间、地域都不在是获取资源的限制。因此,如何选取适合于高校图书馆,适合于高校读者群的数字资源已经成为图书馆工作中的重中之重。

1 当前高校图书馆数字资源采购的现状

目前,高校图书馆的数字资源采购并没有一个科学的规范与量化的比对,通常是数据库提供商将其开发的产品推荐给图书馆数字资源采购部门,采购部门觉得适合学校的发展情况就将其作为试用数据库提供给用户使用,然后根据试用情况的结果并结合当年的经费划拨情况决定是否购买。同时,学术界也有一些针对数字资源质量评价体系建立等方面的研究,虽然对于开展采购工作有一定的参考作用,但在实际操作中还存在着一些问题。图书馆需要一套数字资源采购评价体系量化了解自身的数字资源结构,量化了解适合学校学科发展的数字资源结构,才能做好数字资源的采购工作,更好的为用户服务,为学校学科发展奠定基础。

笔者认为,由于现阶段无成型的数字资源采购评价体系,导致图书馆无法量化了解自身的数字资源特性,也导致图书馆无法量化了解学校在学科角度上对数字资源均衡性的要求。因而图书馆在数字资源采购中容易凭借自身的偏好,而不能系统、正确的看待整个学校在学科类别上的均衡。最终导致图书馆在数字资源的采购问题上有失偏颇,资源结构不合理,投入大,产出小,未能全面均衡学校所有院系、学科的资源需求。

2 建立数字资源评价采购体系的意义

要做出合理的数字资源采购决策,需要了解图书馆自身资源针对学校学科专业的结构比例,需要了解学校学科发展所需要的资源结构比例,而这些并不能单凭部门的喜好来决定,需要有一个科学、量化的过程,用数据说话,用事实说话,才能作出正确的判断。

理想的数字资源评价采购体系可以对数字资源从学校学科专业的角度进行量化比对,有助于图书馆了解自身数字资源结构特点。同时可以对学校院系、学科的数字资源需求进行量化比对,得到适合学校学科发展的数字资源结构比例。

科学获得数字资源现状和数字资源需求现状的量化数据后,图书馆可为数字资源采购作出整体规划。进而从科学量化的角度做好数字资源评估采购工作,避免采购工作中的盲目性,均衡各院系专业间的资源需求,构建适合学校学科建设的数字资源结构体系,为学校学科发展夯实基础,做好铺垫。

3 科学建立数字资源评价采购体系

3.1 了解图书馆现有数字资源结构

目前,高校的学科、专业日趋多样化,专业之间的交叉也较为普遍,例如外语专业的学生并不是单纯的学习外语,还需要掌握计算机的知识,而计算机专业的学生也不是单纯的学习计算机技术,还需要适当的掌握外语。同时,数字资源之间也同样存在的交叉、覆盖、重复的问题。因此按学校学科类别对所有数字资源进行分析统计是一件复杂的工作,需要仔细的按系统化来清理,按量化来操作,详尽科学的分析是研究的基础,这样才能得出对学校发展有益的真实数据。

高校购买的数字资源包括期刊论文、博士论文、硕士论文、会议论文、电子书、试题、音视频文件等,需要根据内容分配不同的影响因子,一般来讲,博士论文的学术价值要大于硕士论文,影响因子就会较大,而期刊论文的划分更为复杂,以我校为例,《湖北经济学院学术期刊分级分类目录(2007年版)》(简称《目录》)是依据《2006年度CSSCI来源期刊目录》(南京大学)、《中文核心期刊目录总揽》(2004年版,北京大学图书馆)和《2006年版中国科技期刊引证报告(核心版)》,并结合我校实际情况制定的,《目录》中的期刊分为A、B、C、D、E五个级别。对于不同等级的期刊需要给予不同的影响因子。电子书中有专业性书籍与一般性书籍的区别,音视频文件中也有专业性教学内容与一般性科普内容的区别,因而也需要给予各自不同的影响因子。

影响因子的确立不能盲目确定,需要集中专家、学者的力量统一定制,需要考虑到各个方面的综合影响,如期刊成立的时间,花费的成本,学术界影响等等因素都需要兼顾。而且随着数字技术的发展,数字资源的类型可能还会增加,需要根据不同的情况给出不同的影响因子。

假设以10作为最大影响因子,博士论文与A级期刊的影响因子为10,B级期刊的影响因子为9,硕士论文、会议论文、与C级期刊的影响因子为8,D级期刊与专业性电子书的影响因子为7,E级期刊的影响因子为6,F级期刊与专业性教学类音视频文件的影响因子为2.5,试题类的影响因子为1.5,科普性书籍、一般性杂志与科普性音视频文件的影响因子为1。

依据制定好的数字资源影响因子就可以结合数据库在院系、专业中的具体应用而得出院系、专业实质上占有数字资源的比例。