中低频量化期货（国内期货量化交易）

姜荣贞：量化交易让我走向一致性盈利

姜荣贞简介：现任山西汇誉投资有限责任公司副总经理兼投资部部长、量化团队负责人。

数学硕士、统计学硕士，9年从业经验。曾多年任职于国内多家知名投资公司担任投资总监，在期货量化投资方面有着丰富的经验。善于运用系统工程、数理统计的 *** 来挖掘市场数据、分析市场状态并量化建模，构建多套Alpha套利模型，趋势交易模型。

【经典摘要】

1.心态就像走独木桥，1米高，大部分人可以走过去，2米，3米，10米呢？

2.在我看来交易的核心为：之一，心态，没有良好的心态就无法正常盈利；第二，风险控制，没存在风险控制意识再多的盈利也就浮云，第三，资金管理；第四，技术分析。

3.如果一个策略只适用单一的品种、单一的时间周期，这样的策略不会轻易上实盘。

4.加仓、减仓在我看来就是新的策略，相当于做了个新的策略镶嵌在原来的策略当中。

5.如果风险超过了我们的风险控制线，我们将会放弃利润，以保住本金为基本原则。我们相信只要能熬过回撤期，利润就离我们不远。

6.历史已经证明程序化交易是可以战胜市场的。

1、期货资管网：您什么时候进入期货市场？经历过怎样的波折和收获？您又是从什么时候开始走上量化交易这条路的？

姜荣贞：进入期货投资市场是在2008年，但是从事期货量化投资并非偶然的。我学的是数学，我对计算机与金融都非常感兴趣，大学时间我的选修课程就是金融还有计算机。大学毕业以后就直接进入投资公司，一开始做产业研究，后来就开始操盘交易。

那个时候我就开始问自己，怎么才能保持“一致性盈利”。一开始认为是技术分析，于是对国内外经典技术分析无不阅览，可谓是掌握了十八般武艺，但是遗憾的是没有做到“一致性盈利”。

后来又在自己的交易中加入了“资金管理”，但还是没有做到“一致性盈利”。最后发现原来心态才是最重要的。那么我就在想怎么才能规避心态的影响。于是就决定做一套严格执行的系统，那时就开始人工做自己的交易系统，每天做统计以及改进系统的工作。

当时我就在想要是电脑可以做统计工作多好。正好在2010年的时候朋友说交易开拓者可以实现这个功能，同时可以自动下单，这不是可以规避了人的心态影响吗。因为我是数学专业的，编程对我来说不是难事，很快我就掌握了程序语言的应用。加之那时候我有一定的交易经验，数据分析与统计又是我专业知识，在程序化的研究中游刃有余。我就认定，量化可以实现“一致性盈利”，这个想法到现在为止也得到了验证。

2、期货资管网：您是从何时走向盈利的？您觉得交易者要走向稳妥盈利需要具备什么技能和素质？

姜荣贞：稳妥盈利这个问题是我在做量化之前一直问自己的，稳妥盈利需要什么？是技术分析？身边有很多分析行情的专家，一做交易就亏损。什么原因呢？心态不行。所以做交易必须有良好的心态，但是多少人能具备良好的交易心态呢？

很多人小资金做的很好，大资金一做就亏钱。心态就像走独木桥，1米高，大部分人可以走过去，2米，3米，10米呢？我身边有些朋友心态也不错，经常一做就是几倍收益，但是同时也经常爆仓。什么原因？风险控制意识没有。

在我看来交易的核心为：之一心态，没有良好的心态就无法正常盈利；第二风险控制，没存在风险控制意识再多的盈利也就浮云，第三资金管理；第四 技术分析。

为什么选择量化，因为量化解决了交易更大的问题——心态，同时又具备风险控制，资金管理以及技术分析。所以说，量化交易具备稳妥盈利的条件。

3、期货资管网：您配置了多少套策略？策略的交易周期分别是多长时间？为什么会做这样的配置？

姜荣贞：我们不同的资金规模配置的策略与品种都是不一样的，我们会根据策略以及品种之间的对冲性来做组合。在策略交易周期上面我们涉及比较广泛，高频交易我们更多是使用tick数据。低频策略大部分都是根据K线来研究。

我们的组合配置最讲究的是风险控制，所以我们会根据策略，品种之间的对冲性来运行配置。

4、期货资管网：请问在趋势和盘整两个不同时期，您的策略各有什么侧重？

姜荣贞：这个问题问的非常好，是大多数量化交易者思考的问题。趋势和盘整转换过程其实是很难把握的，我们并不知道下一刻会是趋势还是盘整。主观上来讲，我们并没有人为的去区分趋势和盘整，但是我们的策略内部，会在某种程度上做一些过滤来减少震荡当中的回撤，这一点非常重要，但是切记不要把策略要做的行情过滤了，那样就会变得要随机捕捉行情了。

我们的交易策略中有趋势策略和震荡策略。震荡策略在单边趋势会亏钱，趋势策略在震荡行情时会亏钱，一个账户也要同时配置两种类型的策略，这样的对冲性更强。

5、期货资管网：您觉得量化交易中，优化或更新策略的频率是多久？如何评判策略是已经失效，还是暂时处于利润回吐阶段？

姜荣贞：优化与更新策略的频率要看策略本身的属性，我们每天收盘后都会对行情运行回放，观察策略的表现，分析策略在运行过程中是否正常。同时我们每周、每月都会从数据角度来分析策略。

总的来说，我们时时刻刻在观察我们策略的表现。如果策略在实盘中的表现符合预期，那么我们暂时不对策略运行调整或者优化。如果表现与测试差别较大的策略，经过我们评估后可能随时运行调整优化，并没有固定的周期和频率。

在评判策略失效的问题上，我们建立了一套评估系统，一旦策略出现问题，我们就会对策略运行评估，然后采取行动，比如停盘、减仓等动作。

6、期货资管网：您觉得应该如何评价一套策略的优劣，关注哪些评估指标？就您的研究经验看，哪些是程序化策略开发时的陷阱，应该引起注意？

姜荣贞： 在评估策略方面大家都比较关注年化收益、胜率、盈亏比、收益风险比等，这些指标非常重要。我们在评估策略方面建立了自己的一套系统，一般来讲我们会从两个方面来评估一个策略，分别是纵向与横向。纵向评估就是从策略绩效本身来分析，就是前面说的大家比较关注的年化收益、胜率、盈亏比、收益风险比等；横向评估就是我们从深度和广度来评估，简单来说深度就是品种周期上的适用性，广度就是品种之间的适用性。

在我们看来如果一个策略只适用单一的品种、单一的时间周期，这样的策略我们一般不会轻易上实盘。

7、期货资管网：您的策略有无针对特别的品种？

姜荣贞： 我们的策略一般都是适用多个品种的，我们在Alpha 套利中以及实盘上会针对特别的品种运行研究。

8、期货资管网：现在一些量化团队在日内高频领域有不俗表现，您对量化高频是怎么看的？是否做过这方面的尝试？

姜荣贞：众所周知，高频交易收益风险比夏普率非常高，是很多个人和机构都想拥有的神器。我们团队现在就有研究高频交易策略，而且取得了不错的进展，现在我们正在实盘测试，也取得了一定的收获。我们将在适合的时机将其纳入我们的配置当中。

9、期货资管网：您对组合投资持怎样的看法，您觉得组合投资的更大好处是什么？从大类来分，品种组合、策略组合、周期组合，您是否有做研究和实盘检验？

姜荣贞：毫无疑问，投资组合的更大好处就是降低风险， 根据VaR风险价值模型，我可以知道只要投资组合中各个风险资产的收益率之间相关系数小于1，投资组合的风险要比投资单个资产的风险小得多。

我们的策略一般都使用多个品种，品种之间我们会建立相关系数，策略之间我们也会建立相关系数，我们会参考品种、策略之间的相关系数来运行组合。

10、期货资管网：您的资金管理原则是怎么样的？一般仓位控制在什么范围内？是否有单独设置加仓、减仓策略？

姜荣贞：我们的资金管理首先是根据整体账户风险额度来确定的，每个策略我们分配该资金一定的风险额度，再根据所分配的额度来确定各个品种的分配额度。我们会控制策略的更大持仓以及品种的更大持仓。

加仓、减仓在我看来就是新的策略，相当于做了个新的策略镶嵌在原来的策略当中，这样做有可能会减少回撤或添加利润。我们也有类似的策略，效果不错。

11、期货资管网：程序化交易机会识别技术总体上分为三类：指标识别、数理统计识别、形态识别，这三类您是否都有涉及？

姜荣贞：指标识别、数理统计识别、形态识别这3大类型策略我们现在都有研究，在我们看来他们各有优劣势。我们团队成员的组成有交易经验10多年的，他们更倾向研究指标识别、形态识别。

对我来说，我是数学专业的，又做过人工交易，我就非常喜爱研究指标识别、数理统计识别。条条道路通罗马，我相信只要研究的透彻，每个 *** 都能取得不错的收益。

12、期货资管网：您觉得量化交易者是否仍然需要关心基本面资讯？您是否尝试过将基本面资讯量化为指标的策略，效果怎么样？

姜荣贞：基本面分析是我个人爱好，每天我都会花一些时间来关注国际国内经经济形式。但是我们的量化交易是没有设计基本面的，我们采取的是人工值守，完全程序化交易。国内有很多优秀的机构他们使用基本面与程序化结合交易做的也非常好，也是值得我们学习的。

13、期货资管网：您是如何平衡“收益”和“风险”的？您可接受的更大收益回撤是多少？

姜荣贞：金融领域有一个基本原则就是风险与收益成正比，也就是说如果想获取高收益，意味着要承担一定程度的风险。我们会在整体风险控制情况下评估收益风险比，在收益风险比低于下线时我们将会倾向控制风险，反之倾向利润。如果风险超过了我们的风险控制线，我们将会放弃利润，以保住本金为基本原则。我们相信只要能熬过回撤期，利润就离我们不远。

我们会根据不同资金规模设置更大回撤比例，同时我们对回撤又做了两个方面的细分，一个是本金回测，一个是盈利回测。在投资组合初期我们都做了相应的评估与测算。

14、期货资管网：您觉得程序化交易能否带领交易者走向财务自由之路？

姜荣贞：毫无疑问是可以的，历史已经证明程序化交易是可以战胜市场的。我对我们的团队充满着信心，我们的团队对我们的策略也充满着信心。

今天我分享的程序化交易理念，代表的是我们的团队，而非我个人，要想真正的通过程序化交易走向财富自由之路，单凭个人能力是不够的，需要团队的精诚合作，我们今天能取得这样的成绩，离不开我们团队的付出。

统计假设检验在期货交易中的应用思考

假设检验的基本思想：

假设检验的统计思想是：概率很小的事件在一次试验中可以认为基本上是不会发生的，即小概率原理。例如，某一事件出现的概率是0.001时，那么平均在1000次重复试验中可能才出现一次。因此，概率很小的事件在一次试验中几乎是不可能发生的，于是，我们把“小概率事件在一次试验中发生了”看成是不合理的现象。

为了检验一个假设是否成立，我们就先假定这个假设是成立的，如果根据这个假定导致了一个不合理的小概率事件发生，那就表明原来的假定是不正确的，我们就拒绝这个接受这个假设。如果由此没有导出不合理的现象，则不能拒绝接受这个假设。

这个小概率到底多小才算是不合理的小概率事件，一般统计学用的最多是0.05，也有更严格的用0.01的，也有宽松的用0.1的，这个可以试个人对于风险的偏好，风险偏好高的朋友可以用0.1的标准，这样的好处就是可以比较容易拒绝原假设，代价就是发生错误的几率也增大。风险偏好低的朋友可以用0.01的标准，这样的好处就是可以不易发生原假设被错误拒绝的情况，代价就是发生拒绝原假设的难度大大增加，可能会发生原假设实际上不成立但由于拒绝假设的标准过于严格导致无法拒绝原假设的情况。

实际应用举例：

上面说的很是抽象，下面我们说个具体的例子来看一下假设检验如何应用。

问题：一枚来历不明的硬币，据说硬币的某一面可能掺加进去了某种密度不同的杂质导致硬币两面的重量不一致，现在在不使用任何检验仪器的情况下，如何判断这个消息的真伪性？

统计学解决方案：反复的随机抛这枚硬币，统计其正面朝上和朝下的次数，通过此数字来判断。

具体步骤如下：

1.假设硬币没有问题，是标准的硬币，那么硬币随机抛后每次正面朝上和朝下的概率是各50%，多次随机的抛硬币n次后，正面朝上为m次的概率是可以计算出来的。具体而言，比如连续随机抛10次硬币，那么出现正面朝上的多少次的概率如下：

0次，概率为1/1024;

1次，概率为10/1024;

2次，概率为45/1024;

3次，概率为120/1024;

4次，概率为210/1024;

5次，概率为252/1024;

6次，概率为210/1024;

7次，概率为120/1024;

8次，概率为45/1024;

9次，概率为10/1024;

10次，概率为1/1024;

从以上数据可以看出，如果硬币是标准的，那么连续随机抛十次硬币后，正面向上的次数为｛0，1，9，10｝ *** 中的某一个数字的概率均低于5%（即0.05）。如果我们选取0.05的显著性检验标准，那么如果连续抛10次硬币后硬币正面朝上的次数为｛0，1，9，10｝ *** 中的某一个数字，那么，我们可以说在0.05的显著性水平下，这枚硬币是标准硬币的假设不成立。

2.连续的抛10次此枚硬币，观察其正面向上的次数，如果其次数为｛2，3，4，5，6，7，8｝ *** 中的某个数字，则我们无法拒绝标准硬币这一假设。如果其次数为｛0，1，9，10｝ *** 中的某一个数字，那么，我们可以说在0.05的显著性水平下，这枚硬币是标准硬币的假设不成立。

以上便是假设检验的基本流程。

接着这个话题我谈谈样本数对于假设检验的影响。抛10次硬币必须得8次以上或2次以下才能拒绝标准硬币的假设，那么抛100次硬币是不是必须得80次以上或者20次以下才可以呢？不是的。有兴趣的朋友可以自己去计算或者用统计学的假设检验分布表，我用分布表计算出来的数据如下：

20次时，15次以上或者5次以下即可拒绝假设；

50次时，32次以上或者18次以下即可拒绝假设；

100次时，60次以上或者40次以下即可拒绝假设；

1000次时，531次以上或者469次以下即可拒绝假设；

从上面的数据可以看出，随机抽样的样本数越大，偏离均值的难度越高，也越容易做假设检验，比如扔一个硬币10次，即使8次朝上仍无法拒绝硬币是标准硬币这一假设，但是，扔100次，只需60次就可以拒绝了。

小结：

假设检验的基本原理：如果假设A成立，那么事件B发生的概率低于5%(当然也可以用10%或者1%等标准）。实际随机抽样检测中B发生了，我们可以在0.05的显著性下认为假设A不成立。在实际应用中我们要注意的是，之一，样本书越大，越容易验证条件A是否成立；第二，观察事件B是否发生时，一定是要随机抽样的。比如上面那个硬币的例子，如果不是随机抛硬币，而是由一个硬币抛掷高手来有认为控制硬币抛掷后的结果，那么得出来的结论对于硬币是否标准这一假设是没有参加价值的。为什么很多历史数据中表现很好的交易系统在后期的实盘时效果很差，很大一个原因就在于针对历史数据所设计的交易系统不符合抽样随机性。

交易应用示例：

写了这么多，还没有写到交易上，可能有些朋友急了。稍安勿躁，有了上面的基础，再来谈交易模型的假设检测，就很容易了。

先看一种最简单的交易模型，就是止盈和止损是同样比例的模型。比如西蒙斯曾经谈到过八十年代他们曾经靠一个很简单的模型赚过很多钱，就是跳空高开（或低开）后短时间内价格反向运动的概率很高，他们的交易策略就是高开后做空，低开后做多。现在我们来根据这个思路尝试做一个交易模型：跳空高开（或低开）x%后开盘入场做空（或做多），盈利或者亏损y%后就出场。为了便于讨论，我们先假设不存在滑点、手续费等问题，同时假设当天价格日内离开盘价的波动幅度必然会超过y%，也就说日内该笔交易一定会结束，要么是盈利y%后出场，要么是亏损y%后出场。这么简化后，大家再拿这个和抛硬币的例子对比，是不是完全一样了。

现在来运用假设检验的 *** 来验证这个模型。如果这个交易模型是无效的，那么交易盈利或者亏损y%的概率应该是各50%（如果亏损大于50%可以反向做的），和硬币的例子中两种结果的概率完全一样。现在我们拿检验硬币的思路来检验这个模型到底是不是无效的。我们拿这个交易模型去历史数据中测试，假如总共有50次交易记录，其中盈利的次数达到了32次以上或者18次以下（这样情况就把模型反着写，即高开后做多低开后做空），那么，在5%的显著性下我们可以拒绝模型无效这一假设，这个交易模型是有效的。

有的朋友可能会问了，这个模型中的x和y这两个参数到底取什么值呢？这就涉及到模型训练的问题了。x和y具体取什么值最合适，不通过数据测试，我们是无法知道的。通用的统计学 *** （通讯、搜索引擎等领域也是这个 *** ）是，选取大量的训练数据，对模型各个参数运行测试，选择表现更佳的参数。具体到交易上，就是选取足够多的历史数据，运行参数优化，综合考虑收益率、更大回撤、稳定性等因素，选择相对最合适的。不同参数之间的好坏差异的比较在统计学上也是有 *** 的，相对复杂一点，以后有机会再写一篇详谈这个。

既然是模型训练后的更佳参数，问题也就来了，这个更佳参数是非随机产生的，而是人为训练选择的，这违背了我们在做硬币检测时所强调的随机抽样。那么，如何验证这个模型的有效性呢？统计学的 *** 是拿这个模型对新的数据（与原有训练数据完全独立）做测试，如果测试的结果仍然拒绝模型无效这一假设，那么，我们可以认为模型在很大的概率上是有效的。具体到交易而言，就是把历史数据分为训练数据和盲测数据两部分，训练数据用于模型训练，如果在训练数据上训练好的拒绝无效假设的交易模型在盲测数据中仍然表现为拒绝无效假设，那么，可以认为模型在很大的概率上有效。当然，还有进一步更严格的方式是，让模型继续在未来的新的数据上测试，如果表现仍然很好，则再可以考虑分配一定比例的资金开始实际运作。

我们在做程序化交易中经常谈到模型的衰败。那么，用什么标准来判断模型的衰败呢？我的个人思路是：继续用假设检验这个 *** 来检验。就是如果你在不断的交易过程中你的后期的一系列交易数据已经无法拒绝交易模型无效这一假设了，那么，这个时候即便你的交易模型仍然还是盈利的，你也要小心了，至少应该降低仓位了。

这个高低开的日内交易模型是很简单的一种模型了，止盈止损都是一个额度，50%对半开的随机假设，这个直接套用硬币的例子就可以。还有更复杂一点的，比如趋势交易模型，这种模型由于其趋势交易追求高盈亏比的理念，这种模型的胜率是低于50%的，一般在35%左右，但是盈亏比可能高于3：1。这种模型就不同于硬币的例子了，无法直接套用硬币的计算结果，但是思路是一致的，有兴趣的朋友可以自己思考一下这种情况下应该如何计算。

注意事项：

1.不可忘记或者因为某些利益因素故意忘记抽样统计中的随机原则。概率法则有效的前提是随机抽样。如果人为影响样本的抽取过程甚至制造假的样本，则样本对于总体的预测价值是0甚至是相反的。在做模型测试时，务必至少要有训练数据和盲测数据，在训练数据上表现优异的模型必须在盲测数据上也能足够优秀到可以拒绝模型无效的假设，才可以考虑将模型运用到实战中。网上有不少卖模型的人，给出的模型在历史数据上的交易曲线几乎是一条无回撤的上涨直线，但是，一旦实盘交易，就开始大幅度回撤，很大的可能就是在于这个模型针对历史数据做了非随机性的定向优化，同时因为利益的关系模型开发者故意没有做盲测这一个过程。

2.牢记假设检验的原则，宁可错过，不可做错。任何一个模型，在没有足够的数据证明这个模型是有效前，均假设该模型为无效的。这就是量化交易的痛苦的地方，量化交易者最容易出现的情况是，花了很多时间，在训练数据上挖掘出了一系列的可以拒绝无效假设的交易模型，跑到盲测数据上一一测试，均无法在0.05的显著性水平上拒绝模型无效的检验，心拔凉拔凉的，感觉这么多时间的付出浪费了，心有不甘。再怎么心有不甘，也不能自欺欺人的把没有拒绝无效假设的模型上线，心有不甘总比亏钱好。

3.要存在风险意识。即便是在0.05的显著性水平下在训练数据、盲测数据甚至是新的实盘交易数据上全部拒绝无效假设，也不代表这个模型一定是永远有效的。一方面，这是由于这种将低概率事件近视为“不可能事件”的假设检验方式决定的。另一方面，也是很重要的一方面，就是可能随着时间的变迁，市场本质特征发生变化了，你这个模型背后所体现的那个影响市场的因素发生变化了。

说到模型背后所体现的因素，我展开多说一点。近几日和小鱼在微博上讨论了概率是否在金融市场上可以运用和市场是否可以预测的问题。否认市场可以预测的一个很有力的论据就是影响市场走势的因素千千万，交易者根本无法一一识别这些因素，更加难以识别这些因素中每个因素的权重影响，故无法预测。那么，有没有可能存在这样一种情况，就是我无法直接知道是哪些因素影响了市场，但是我可以间接的通过一种方式预测市场会以什么样的概率运动。我先说统计学上一个有趣的例子。

在美国的中西部的一个小镇上，人们发现一个很有趣的不合逻辑的现象，就是冰激淋的消费量越高，犯罪率越高。这个具体的两个变量间的线性相关程度统计学里面是有专门的公式的。总之，就是经过统计发现，犯罪率的高低与冰激淋的消费量存在强的正相关，即冰激淋销量高时犯罪率高，冰激淋销量低时犯罪率低。

现在两个问题：1.冰激淋销量是否可以预测犯罪率；2.如果人为控制改变冰激淋销量，是否可以改变犯罪率。

对于第2个问题，我想任何一个有生活常识的人都会知道，犯罪率与冰激淋销量完全无关，人为改变冰激淋销量并不能改变犯罪率。对于第1个问题，就会比较困惑了。因为常识告诉我们，冰激淋与犯罪无关，但是统计学的数据又表明二者是正相关，那么到底是什么原因呢？慢慢的，人们终于想到了天气这一共同因素。冰激淋的销量与天气紧密相关，天气越热销量越高，同时，天气越热，人越容易在室外活动，越容易开窗（导致偷盗概率增加），女性越容易穿着暴露（导致性犯罪增加），人的心情也越烦躁（导致冲动型犯罪增加）。于是，我们知道了，因为天气这一共同因素，只要没有人为的刻意影响冰激淋的消费量，冰激凌的消费量是可以预测犯罪率的。其实，只要我们没有人为的刻意影响冰激淋的消费量，即使我们不知道是因为天气这一共同因素，我们也可以用冰激淋销量来预测犯罪率。

现在说回到交易。假如，有这样一个量化模型，无论是在训练数据上还是盲测数据上还是在新的实盘交易数据上，均可以在0.05的显著下拒绝模型无效的假设，那么，我们有必要认为，在95以上的概率上，这个量化模型背后存在一种共同的影响因子能够较大的影响市场的短期走势，尽管，这个影响因子到底是什么我们不知道，但只要这个因子在，这个量化模型就仍然有效。因为我们不知道这个因子是什么，所以我们更加不可能直接的发现这个因子是否已经变化了，我们仍然只能通过这个量化模型的之后的表现来间接预测。如果量化模型一直在0.05的显著下拒绝无效的假设，那么可以认为这个因子仍然存在，如果无法拒绝了，则可以认为这个因子可能消失了或者至少没以前那么重要了

通过上段分析，可以看出时间对于模型有效性的重要性。我想这也是高频交易开始流行一个很重要的原因。因为高频交易的模型，训练和盲测所需要的时间周期很短，那么模型背后的那个影响因素仍然存在的概率很高，而低频交易，训练和盲测所需要的时间可能需要半年甚至更长时间，很可能那个影响因素已经变化了。

不知不觉，写了这么多了，回头看，尽管为了这篇文章做了几天的准备，以至于这几天梦里都是概率的事，仍然写的非常混乱，有看不明白的朋友请留言我会一一解释。我本人并不是数学专业的，对于概率也仅仅是个人的片面理解，概率如何应用到金融交易中，现在市面上的书几乎没有，我是一本都没有找到，以上所写全部为个人的一次尝试，肯定有不少错误的地方，欢迎大家猛拍。

开年遭遇滑铁卢，仅六成产品赚钱，这些私募逆势登榜

与主观投资不同，量化投资是一种以数据为驱动的投资方式，也就是从海量 历史 数据中寻找能够带来超额收益的多种“大概率”事件，按照这些规律构建数量化模型，并严格按照模型进行投资。

凭借低回撤、收益稳健、风险可控等特征，主打量化基金的量化私募管理人也正式崛起成为一支重要力量。虽然在高波动市场中，量化策略更易获取高收益，但是高频交易赛道已经日趋拥挤，低频和基本面策略成为策略扩容方向，不少量化私募也是加大了对基本面策略的投入。

私募私募排排网量化私募基金榜单 从股票量化中性策略、股票量化策略、管理期货量化、量化套利 四大策略对量化基金进行排名。需要注意的是，若同一家私募机构旗下多只产品上榜，仅取收益更高产品纳入前十榜单统计。并且截至2021年1月底，纳入统计的量化私募基金所在公司管理规模需超过1亿元。

纳入统计的2420只量化基金今年以来平均收益1.01%，开年首月的胜率并不高，1543只量化基金获得正收益，数量占比为63.76%。从收益中位数来看，股票量化中性0.95%领先，股票量化策略与量化套利中位数持平，管理期货量化则中位数则为负。

从量化基金的平均收益来看，依旧是 股票量化 中性居首 ， 股票量化 策略次之 。获得正收益的管理期货量化基金不足一半，1月份仅有48%的管理期货量化基金赚钱。

以下为量化私募基金2021年1月收益前十：

股票市场中性策略的收益来自于三部分，分别是投资组合的多头、投资组合的空头和卖空所产生的现金流。股票市场中性策略的优势在于能够获得双阿尔法、组合构建不受权重的限制以及较低的波动率；其风险包括选股能力、模型风险、调整风险、卖空风险以及多头头寸与空头头寸的不匹配等。

目前国内市场中，使用较为普遍的股票市场中性策略是阿尔法策略，即在持有股票多头的同时，利用金融衍生工具（主要为股指期货）对冲持有多头头寸市场风险，从而获得超额收益或阿尔法收益。

据私募排排网数据中心不完全统计，今年以来共有511只有业绩记录的股票股票量化中性策略对冲基金产品纳入排名统计，平均收益录得1.38%。其中有395只股票量化中性策产品实现正回报，正收益占比为77.30%，其中收益在5%以上的股票市场中性产品有45只。

红墙泰和的 “金湖无量稳健六号” 是2021年1月股票量化中性策略排行榜冠军，泰铼投资的 “泰铼信泰3号B” 、民晟资产的 “华量民晟2号” 也均进入榜单前三。

区别于主观多头策略，股票量化策略针对基本和技术面的研究以量化 *** 模型为主，从个股的选择到组合的构建，以及交易，均以量化模型的结果为决策执行依据，无人为决策。常见的选股模型包括基本面多因子模型，量化多因子模型，基于大数据的另类多因子模型等。需要注意的是，此处股票量化基金主要包含量化多头策略，指数增强产品并未纳入统计。

私募排排网纳入统计排名的1118只股票量化策略基金今年以来平均收益为1.18%，仅有62.25%的基金获得正收益。 弥远投资、力驶投资、洹睿资本 旗下基金分别斩获榜单前三甲。

利用计算机系统构建数理模型判断未来期货品种的走势，进行投资决策取代了人的主观判断进行投资决策。在具体操作上，通过建立多头头寸或者空头头寸，从而获取品种趋势性的收益。在高波动率的市场环境中，CTA策略往往具有较强的盈利能力。

根据私募排排网统计，450只管理期货量化策略今年以来平均收益0.26%，不过该策略在1月份的表现垫底，不仅中位数为负，也仅有48%的基金获得正收益%。获得管理期货量化策略前三荣誉的分别是 复和资产、玉数投资、七禾聚资产 管理管理旗下产品。

量化套利不依靠投资者的主观判断，而利用计算机系统构建数理模型去挖掘市场中存在的相关联的期货品种价格错配现象，并利用这种价格错配进行套利的策略，包括期现套利、跨期套利、跨市套利、跨品种套利等。量化套利策略2021年1月榜单前三私募依次为 数字矩阵、靖奇投资、毓颜投资 。

网站首页：期货手续费网-加1分开户（微信：527209157）

本文链接：https://52ol.cn/post/103838.html