量化投资实践课程建设方式的探讨.docVIP

量化投资实践课程建设方式的探讨 　　摘要：量化投资已经成为投资界的趋势，社会需求缺口比较大。在探讨《量化投资实践》课程必要性的同时，对量化投资工具Matlab、R语言和Python等进行比较分析，认为教学过程中应选择R语言为投资工具，最后对先修课程、教学目标和教学内容等方面做了研究。 　　关键词：量化投资；R语言；教学目标 　　中图分类号：G642.3 文献标志码：A 文章编号：1674-9324（2018）21-0214-02 　　众所周知，传统的投资方式有价值投资和技术投资。价值投资基于有效市场假说和均值回归理论。其中有效市场是指，任何关于证券价格的信息都能够迅速地反映到证券的价格上，因此投资者不可能通过这些信息获取超额收益。均值回归理论是指，短期而言，价格会偏离均衡价格，但是长期来看，价格与均衡价格之间的距离会越来越小。在证券市场上，价格由于某个未知的原因与价值发生分离，但最终会向股票的内在价值进行回归。 　　技术性投资是第二种常见的投资方法，具体是以市场行为作为研究对象，以判断市场趋势和伴随的周期性变化对股票及其金融衍生物交易决策进行投资的方法。技术性投资必须依赖于技术分析。技术分析以股票价格涨跌作为主要研究对象，通过图表和技术性指标，对股票市场波动规律进行总结和对股价未来运行趋势进行预测。 　　然而，大数据和人工智能时代，传统的投资方法已经适应不了社会的需求，目前前沿的投资方法为量化投资。量化投资依赖统计和计量方法，建立合适的投资策略，并通过计算机自动化（半自动化）交易方法获取投资利润，是统计、计算机和金融学科交叉结合的产物。智能化量化投资是金融领域的重点研究方向。如2000年以来，高盛公司逐渐研发具有复杂算法系统的自动化交易机器人来代替交易员，特别是近五年来在正在加速，到目前为止，机器已经取代了600多个关键性的交易员（Chavez，2017）。然而这只是国外美好的景象，国内量化投资尚处于发展初期。如金融机构研发的智能投顾，其投资策略和风格都是比较经典的方法，主要适合缺乏金融知识的个体投资者服务，离专业化的投资，取代交易员的角度，尚有较大的差距。 　　产生这种差距的原因是国内量化投资处于初步发展阶段，其研究和教学方面正处于研究和探索阶段。目前设置的量化投资专业或方向的国内院校只有上海财经大学的金融工程与量化投资专业，课程设置和教学目标等各方面都处于探索过程中。其他高校更多的是偏向金融工程方向，虽然与量化投资相似，但仍存在较大的差异：金融工程主要偏向理论方面，如注重资产定价和风险管理等理论；而量化投资更偏向实务，注重投资策略，需要深入结合统计和计算机知识。 　　课程建设方面，国内真正开设量化投资方面课程的院校也非常罕见，更多的是在统计或金融等专业课程，结合金融和计算机知识，涉及量化投资的相关内容，而没有专门的课程对量化投资及其实践进行系统性研究。 　　在国内大量需求的背景下，有必要开设《量化投资实践》课程，从而弥补理论与实践的空缺。毫无疑问，量化投资实践注重计算机的结合，通过自动化编程对策略进行分析。因此，《量化投资实践》课程更注重实践，具体以软件为媒介，如以Matlab、R或Python等量化投资工具，构建投资策略进行分析，究竟选择何种软件作为教学工具，下面从三个角度进行探讨。 　　第一，从经济的角度来看。Matlab是收费版本（学生版大概500元左右，教育版大概30万以上），R语言和Python是免费版本。由此而衍生相关问题。工具箱或包的维护问题。收费版本就是每年运用时需要一定的成本，由此衍生出对应的工具箱和函数，有专业的人员进行维护和更新，如Trading toolbox工具箱，开发虽然比较晚，但总体来看会越来越完善；免费版本及相?P工具包是免费的，对应的函数更多是个人或组织无偿提供维护或更新，包的质量也良莠不齐，如R语言以quantstrat为核心的系列包，主要从统计的角度，开发比较早，整体来看算是量化中最完善的系统和框架，但随着这些开发者已经进入到量化投资的岗位中去，包的免费开发和维护频率必然会越来越低。Python开发的包更多是从工程师的角度，与C语言结构类似，但省略了指针等问题带来的烦恼，开发的工具包如numpy、scipy、pandas和matplotlib等，开发的频率和维护与R语言一样，需要看开发者自身情况了。 　　同时带来的还有系统性的学习问题。收费版本，必然是顾客至上，matlab可以从官网获取系统性的学习资料，还有各国语言的系统性资料，学习过程中碰到问题，甚至还可以向在线客服或邮箱发邮件咨询；免费版本不用说，会给出一些demo之类的案例供读者分享已经是很不错了，或者会给出简单的学习资料已经算很走运了，深入的学习，别无他途，只能靠自我仔细分析函数的理论基础和用法，这也是