這篇帖子，挺不錯的，可以看看。
淘股吧：《穩(wěn)定盈利的方法》 作者：licai86
如果投資的結(jié)果完全是靠運氣，那么成敗各有一半的概率! 把希望寄托在自己的運氣和所謂的眼光上一般來說是正態(tài)分布的結(jié)果，期望值等于０，不過由于你自己的不恰當(dāng)操作，結(jié)果往往是負(fù)的小于０。而依靠個人判斷選股，你可能一夜暴富，也可能在第二次又輸?shù)镁狻?br>
量化投資
簡單地說，就是利用數(shù)學(xué)、統(tǒng)計學(xué)、信息技術(shù)的量化投資方法來管理投資組合。數(shù)量化投資的組合構(gòu)建注重的是對宏觀數(shù)據(jù)、市場行為、企業(yè)財務(wù)數(shù)據(jù)、交易數(shù)據(jù)進(jìn)行分析，利用數(shù)據(jù)挖掘技術(shù)、統(tǒng)計技術(shù)、計算方法等處理數(shù)據(jù)，以得到最優(yōu)的投資組合和投資機(jī)會。
量化投資以先進(jìn)的數(shù)學(xué)模型替代人為的主觀判斷，借助系統(tǒng)強(qiáng)大的信息處理能力具有更大的投資穩(wěn)定性，極大地減少投資者情緒的波動影響，避免在市場極度狂熱或悲觀的情況下做出非理性的投資決策。
量化投資用一句話說明，就是利用電腦幫助人腦處理大量信息。定量投資者搜集分析大量的數(shù)據(jù)后，在全市場360度尋找投資機(jī)會，利用電腦來篩選投資機(jī)會，將投資思想或理念通過具體指標(biāo)、參數(shù)的設(shè)計體現(xiàn)在模型中，并據(jù)此對市場進(jìn)行不帶任何主觀情緒的跟蹤分析，借助于計算機(jī)強(qiáng)大的數(shù)據(jù)處理能力來選擇投資，以保證在控制風(fēng)險的前提下實現(xiàn)收益最大化。
原理一：將每次賺錢概率提高到50%以上。也許從每次投資來看，成功的概率略微超過50%并不是很出彩，但是很多次加起來，投資所靠的“運氣”就可能被變成風(fēng)險有限的高額投資回報。
原理二：如果每次交易賠錢的概率超過50%，但是每次賠的數(shù)量都很小，相對而言如果每次賺錢的概率雖然小于50%，但是賺的數(shù)目都很大的話，成功的概率也有可能超過50%。 經(jīng)過多次交易之后，只要盈利交易多于虧損交易，總體交易結(jié)果就是盈利的。對于這種情況，如果我們將交易進(jìn)行分組，如果最大連續(xù)虧損次數(shù)為3次，我們可以將6次交易分為一組，這樣就可以看到每組賺錢概率提高到50%以上了。與原理一的情況就相同了。
“20世紀(jì)80年代末，我完全停止了基本面分析，變成了一個徹底的、依靠模型的量化投資人。”西蒙斯說。
量化投資的傳奇人物——詹姆斯·西蒙斯管理的大獎?wù)禄?font color="magenta">從1989到2007年間的平均年收益率高達(dá)35％，而股神“巴菲特”在同期的平均年回報也不過約為20％。即使2008年面對全球金融危機(jī)的重挫，“大獎?wù)?#8221;的回報也高達(dá)80％。從2002年底至2005年底，規(guī)模為50億美元的“大獎?wù)?#8221;已經(jīng)為投資者支付了60多億美元的回報。這個回報率是在扣除了5％的資產(chǎn)管理費和44％的投資收益分成以后得出的，并且已經(jīng)經(jīng)過了審計。值得一提的是，西蒙斯收取的這兩項費用可能是對沖基金界最高的，相當(dāng)于平均收費標(biāo)準(zhǔn)的兩倍以上。2005年，西蒙斯成為全球收入最高的對沖基金經(jīng)理，凈賺15億美元，聞名全球的投機(jī)大鱷索羅斯(George Soros)則只排第三，年收入達(dá)8.4億美元，差不多是索羅斯的兩倍；西蒙斯的量化投資方法是依靠數(shù)學(xué)模型和電腦管理著自己旗下的巨額基金，用數(shù)學(xué)模型捕捉市場機(jī)會，由電腦作出交易決策。詹姆斯·西蒙斯帶領(lǐng)的大獎?wù)禄鹪趲状谓鹑谖C(jī)中都表現(xiàn)得異常堅挺。從1988年成立到1999年12月，大獎?wù)禄鹂偣搏@得2478.6％的凈回報率，是同時期基金中的第一名，超過第二名索羅斯的量子基金一倍，而同期的標(biāo)準(zhǔn)普爾指數(shù)僅僅只有9.6％的漲幅。擁有過人的數(shù)學(xué)基礎(chǔ)是西蒙斯在基金界游刃有余的一個制勝法寶。比起基金經(jīng)理人的身份，他更像是一位精通數(shù)學(xué)的書生，通過復(fù)雜的賠率和概率計算，最終打敗了賭場的神話。
1.用數(shù)學(xué)模型捕捉市場機(jī)會，由電腦作出交易決策，是這位超級投資者成功的秘訣。
2.針對不同市場設(shè)計數(shù)量化的投資管理模型，并以電腦運算為主導(dǎo)，在全球各種市場上進(jìn)行短線交易
3.對于數(shù)量分析型對沖基金而言，交易行為更多是基于電腦對價格走勢的分析，而非人的主觀判斷。
4.大獎?wù)禄鸬臄?shù)學(xué)模型主要通過對歷史數(shù)據(jù)的統(tǒng)計，找出金融產(chǎn)品價格、宏觀經(jīng)濟(jì)、市場指標(biāo)、技術(shù)指標(biāo)等各種指標(biāo)間變化的數(shù)學(xué)關(guān)系，發(fā)現(xiàn)市場目前存在的微小獲利機(jī)會，并通過杠桿比率進(jìn)行快速而大規(guī)模的交易獲利。
5.西蒙斯的方法多是進(jìn)行短線方向性預(yù)測，依靠同時交易很多品種、在短期作出大量的交易來獲利。具體到每一個交易的虧損，由于會在很短的時間內(nèi)平倉，因此損失不會很大；而數(shù)千次交易之后，只要盈利交易多余虧損交易，總體交易結(jié)果就是盈利的。
投資產(chǎn)品必須符合三個標(biāo)準(zhǔn)：1.公開交易品種、2.流動性足夠高（流通性足夠高，盡量減少人為的影響，成交量和成交額是很重要的因素，當(dāng)我們看見那些一天交易換手不到２％，交易額低于１億的股票，很多時候能發(fā)現(xiàn)他們之后都有一些我們不能得到的信息，這時候靠著白癡一樣沒有分析能力的模型去找機(jī)會，很難，選擇一個適合用模型的樣本是我們首先要做的一件事情，這個過程甚至不比得到一個令人驚訝的模型更加重要；足夠的流動性也就是說這種工具的交易量比較大，所以小公司的股票、創(chuàng)業(yè)板的股票可能就不包括在內(nèi)。）、3.適合用數(shù)學(xué)模型來交易。公眾市場上交易的工具包括股票、債券、商品、外匯等多種金融產(chǎn)品或金融衍生品。上面兩個條件其實是相關(guān)的，很多金融產(chǎn)品正是因為在公眾市場交易，所以流動性才比較大。另外，這兩個條件也是隨著時間的推移而變化的：公共市場上交易的產(chǎn)品在日益增多，所以西蒙斯的視野也越來越開闊。很多工具在剛剛開始交易的時候流動性比較低，但是交易的人多了，流動性也就會慢慢提高。第三條件也和前面兩個條件相關(guān)：通常公眾市場上交易的產(chǎn)品、流動性比較好的產(chǎn)品，它們的歷史數(shù)據(jù)比較齊全，質(zhì)量也比較好。第三個條件可能有些令人費解：什么樣的金融產(chǎn)品適合用數(shù)學(xué)模型來交易，什么不適合呢？一般來說，數(shù)學(xué)模型交易需要對歷史數(shù)據(jù)進(jìn)行大量的研究，從中尋找規(guī)律，所以要符合這個條件的意思是要求有比較多、比較準(zhǔn)確的歷史價格、交易量等的數(shù)據(jù)，以便進(jìn)行數(shù)據(jù)分析，然后尋找最合適的交易模型來進(jìn)行量化投資。如果希望比較可信的數(shù)據(jù)，我們需要比較準(zhǔn)確的歷史數(shù)據(jù)能夠覆蓋兩個以上的大的牛熊市，時間跨度在20年以上。當(dāng)然數(shù)據(jù)還必須與投資環(huán)境相匹配，對于相對穩(wěn)定的投資環(huán)境，例如美國社會，數(shù)據(jù)越長越有說服力，而對于快速變化的新興經(jīng)濟(jì)體，數(shù)據(jù)越長則不一定越有說服力，因為投資的前提條件可能已經(jīng)發(fā)生了根本性的變化，過去的一切已經(jīng)不復(fù)存在，數(shù)據(jù)背后的含義也可能完全不一樣。
2001年以來，海外量化基金的資產(chǎn)規(guī)模大幅增長。據(jù)彭博資訊統(tǒng)計，截至2009年9月，海外量化基金共610只，資產(chǎn)總規(guī)模約2716億美元，相比2001年的880億美元，資產(chǎn)規(guī)模年均增速超過15％。而同期非量化基金的資產(chǎn)規(guī)模從7200億美元增長到9250億美元，平均年增長率9％。
格雷厄姆-多德都市的超級投資者們（上）
http://blogbuffett.bokee.com/4775144.html
Before we begin this examination, I would like you to imagine a national coin-flipping contest. Let's assume we get 225 million Americans up tomorrow morning and we ask them all to wager a dollar. They go out in the morning at sunrise, and they all call the flip of a coin. If they call correctly, they win a dollar from those who called wrong. Each day the losers drop out, and on the subsequent day the stakes build as all previous winnings are put on the line. After ten flips on ten mornings, there will be approximately 220,000 people in the United States who have correctly called ten flips in a row. They each will have won a little over $1,000.
在進(jìn)行審查之前，我要各位設(shè)想—場全國性的擲銅板大賽。讓我們假定，全美國2．25億的人口在明天早晨起床時都擲出一枚一美元的銅板。早晨太陽升起時，他們都走到門外擲銅板，并猜銅板出現(xiàn)的正面或反面。如果猜對了，他們將從猜錯者的手中贏得一美元。每大都有輸家遭到淘汰，獎金則不斷地累積。經(jīng)過十個早晨的十次投擲之后，全美國約有2．2萬人連續(xù)十次猜對擲銅板的結(jié)果。每人所贏得的資金約超過1000美元。
Now this group will probably start getting a little puffed up about this, human nature being what it is. They may try to be modest, but at cocktail parties they will occasionally admit to attractive members of the opposite sex what their technique is, and what marvelous insights they bring to the field of flipping.
現(xiàn)在，這群人可能會開始炫耀自己的戰(zhàn)績，此乃人的天性使然。他們可能保持謙虛的態(tài)度，但在雞尾酒宴會中，他們偶爾會以此技巧吸引異性的注意，并炫耀其投擲銅板的奇異洞察力。
Assuming that the winners are getting the appropriate rewards from the losers, in another ten days we will have 215 people who have successfully called their coin flips 20 times in a row and who, by this exercise, each have turned one dollar into a little over $1 million. $225 million would have been lost, $225 million would have been won.
假定贏家都可以從輸家手中得到適當(dāng)?shù)莫劷?，再?jīng)過十天，約有215個人連續(xù)二十次猜對擲銅板的結(jié)果，每個人并贏得大約100萬美元的獎金。輸家總共付出2．25億美元，贏家則得到2．25億美元。
By then, this group will really lose their heads. They will probably write books on "How I turned a Dollar into a Million in Twenty Days Working Thirty Seconds a Morning." Worse yet, they'll probably start jetting around the country attending seminars on efficient coin-flipping and tackling skeptical professors with, " If it can't be done, why are there 215 of us?"
這時候，這群人可能完全沉迷在自己的成就中：他們可能開始著書立說：“我如何每天早晨工作30秒，而在二十天之內(nèi)將—美元變成100萬美元。”更糟的是，他們會在全國各地參加講習(xí)會，宣揚如何有效地投擲銅板，并且反駁持懷疑態(tài)度的教授說，“如果這是不可能的事，為什么會有我們這215個人呢?”
By then some business school professor will probably be rude enough to bring up the fact that if 225 million orangutans had engaged in a similar exercise, the results would be much the same - 215 egotistical orangutans with 20 straight winning flips.
但是，某商學(xué)院的教授可能會粗魯?shù)靥岢觥検聦?，如?．25億只猩猩參加這場大賽，結(jié)果大致上也是如此——有215只自大的猩猩將連續(xù)贏得20次的投擲。
I would argue, however, that there are some important differences in the examples I am going to present. For one thing, if (a) you had taken 225 million orangutans distributed roughly as the U.S. population is; if (b) 215 winners were left after 20 days; and if (c) you found that 40 came from a particular zoo in Omaha, you would be pretty sure you were on to something. So you would probably go out and ask the zookeeper about what he's feeding them, whether they had special exercises, what books they read, and who knows what else. That is, if you found any really extraordinary concentrations of success, you might want to see if you could identify concentrations of unusual characteristics that might be causal factors.
然而，我必須說明，前述事例和我即將提出的案例，兩者之間存在著若干重大差異。旨先，如果(a)你所選擇的2．25億只猩猩的分布狀況大致上和美國的人口分布相同；如果(b)經(jīng)過20天的競賽，只剩下215只贏家；如果(c)你發(fā)現(xiàn)其中有40只猩猩來自于奧瑪哈的某個動物園，則其中必有蹊蹺。于是，你會詢問猩猩管理員各種問題，它們吃什么飼料、是否做特殊的運動、閱讀什么書籍……換言之，如果你發(fā)現(xiàn)成功案例有非比尋常的集中現(xiàn)象，則你希望判定此異常的特色是否是成功的原因。
Scientific inquiry naturally follows such a pattern. If you were trying to analyze possible causes of a rare type of cancer -- with, say, 1,500 cases a year in the United States -- and you found that 400 of them occurred in some little mining town in Montana, you would get very interested in the water there, or the occupation of those afflicted, or other variables. You know it's not random chance that 400 come from a small area. You would not necessarily know the causal factors, but you would know where to search.
科學(xué)的調(diào)查也遵循此一形態(tài)。如果你試圖分析某種罕見的癌癥原因——例如，美國每年只有1500個病例——而你發(fā)現(xiàn)蒙大拿州的某個礦區(qū)小鎮(zhèn)便產(chǎn)生400個病例，則你必然對當(dāng)?shù)氐娘嬎?、病患的職業(yè)或其他種種變數(shù)產(chǎn)生興趣。你知道，在—個小鎮(zhèn)中發(fā)生400個病例，絕不是隨機(jī)因素所造成。雖然你未必了解病因，但你知道從哪里著手調(diào)查。
本站僅提供存儲服務(wù)，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請
點擊舉報。
