投資公司業務流程圖

如何開展量化投資業務、組建量化投資團隊，成為資本市場新的關注點，下面是相關內容，一起來看看：

隨着金融市場日益複雜、金融創新不斷深化，各類證券和金融衍生品應運而生，計算機信息技術快速發展使其具有快速、海量計算證券價格和處理交易的能力，可以有效管理大量的證券及衍生品投資組合，在此背景下，量化投資開始興起。量化投資不同於傳統的依靠投資者個人經驗判斷的定性投資，而是通過對海量歷史數據的分析，研究出取得超額收益的多種“大概率”事件以制定策略，用數量模型反覆驗證這些規律和策略，然後嚴格執行交易來實施投資，以求獲得持續的、穩定且高於平均收益的超額回報。從理論上來説，一個證券市場的有效率越低，量化投資面臨的機遇就越大，可以預計在我國量化投資將面臨較好的發展機遇。本文簡述了量化投資主要的業務流程和前期準備工作，為機構投資者開展量化投資業務提供一定的參考。

一、業務流程

開展量化投資業務，主要有三個層次的業務流程，分別是數據層、策略模型層和交易執行層，各個層次直接的邏輯關係如下圖所示：

（一）數據層

數據層是量化投資流程的第一層，是最重要也是最容易被忽視的一層。由於量化投資本質上是基於數據的統計分析，因此對於數據的來源、質量、可處理性就尤為重要。

1、數據獲取

統計學有一個重要的觀點“dirty in,dirty out”，意思是如果數據來源有問題，得出的結果就一定是錯的，因此，獲取準確無誤的數據是量化投資的第一步，這些數據包括但不限於行情歷史數據，公司財務指標數據、行業估值數據、宏觀經濟數據、輿情數據等。由於這些數據種類繁多、數量巨大，人工獲取的效率很低，無法滿足投資需求，因此主要通過向數據服務提供商購買方式取得，例如股票和期貨行情的每日、小時、分鐘、筆等數據包，是未經加工的原始數據。此外，一些量化基金還通過輿情軟件對社會熱點信息進行網絡抓取。

2、數據挖掘

獲得數據後，由於是原始數據，必須進行處理才可以使用。處理過程主要包括：入庫，將數據導入MySQL或Oracle等數據庫平台；數據清洗，即發現並糾正數據文件中可識別的錯誤，包括檢查數據一致性，處理無效和缺失值等；標準化和格式化，就是將清洗後的數據通過格式化計算轉化為軟件可以識別和處理的數據格式和類型。對於網絡抓取等方式獲得的數據，還需要通過自然語言處理等方式轉化為格式化數據。

（二）策略模型層

策略模型層是量化投資的核心層次。國內的量化策略模型一般採用Matlab軟件進行開發，形成策略庫，再將數據庫內處理好的最新數據導入計算軟件中進行運算，得出最終的目標持倉組合。

1、構建策略庫

量化投資策略模型的建立步驟與科學研究類似，首先是對證券市場的一些變量進行觀察，例如證券價格、成交量、無風險利率等，根據可能存在的邏輯關係提出各個變量之間關係的理論，由此將理論轉化為數學模型，再通過Matlab等計算軟件編寫成為程序；將數據庫裏的歷史數據代入回溯測試，計算並優化模型的參數，最後利用模型對未來的數據進行預測，將預測值同實際值進行對照，檢驗模型的有效性。這些策略從研究、開發、測試到審批上線一般需要經過三至六個月的時間。後續的策略庫維護則是長期過程，涉及風險控制部門對模型有效性的定期評估。

2、因子計算

由於市場數據每個交易日都會更新，對於所有的策略模型，日常工作包括導入最新數據，計算出模型中各因子的數值，選擇採用符合當前市場的策略模型，根據模型計算選股、擇時或者套利，對持倉品種的行業、市值等權重配比進行優化等。

3、生成目標持倉組合

確定目標持倉品種的全部參數後，生成出當日需要交易的持倉組合，一般是Matlab輸出的excel電子表格，再批量導入交易系統，進入交易執行層。

策略模型層是量化投資的核心層次。國內的量化策略模型一般採用Matlab軟件進行開發，形成策略庫，再將數據庫內處理好的最新數據導入計算軟件中進行運算，得出最終的目標持倉組合。

（三）交易執行層

交易執行層是信息化程度最高，也是比較動態和複雜的層次，主要分為三個步驟，算法交易、訂單生成和集中風控。

1、算法交易

目標持倉首先導入算法交易引擎，目的是為了優化大型投資組合配置，決定買賣證券時機以及最小化委託單的市場衝擊成本等。算法交易一般是通過分析掛價指令表等方式，根據市場價格的動態變化，將大筆的交易單通過一定的算法（如“冰山一角”、“游擊隊”等）拆分成為小單發送，以減少掛單對於市場價格的衝擊，平滑成交價格。當普通投資者將目光盯在股價成交的K線圖和成交單上時，算法交易更關注的是掛單的流動性，發掘潛在的成交可能。

2、訂單生成

經過算法交易引擎處理過的投資組合，生成交易指令，通過集中交易網關，根據事先編寫好的交易接口文件，翻譯成為交易所或者券商、期貨公司櫃枱可以識別的指令，生成最終訂單，發送至集中風控系統進行最後一道檢驗。

為了比其他投資者更快成交，一些量化基金將計算機系統放置在距離交易所最近的數據中心，甚至與交易所的系統共置於同一機房，以在毫秒級別上獲得更快的`成交速度，一些量化基金不滿足交易所提供的標準化金融信息交換協議格式的數據通訊(FIX)，而是開發直連交易所的特定應用程序接口(API)。量化基金交易系統和接口文件的開發和維護是交易層次的重要工作。

3、集中風控

量化投資的風險控制貫穿於業務全流程，其中集中風控系統是交易前的最後一道關卡，它獨立於交易系統之外，將事先制定好的風控條件設定於計算機程序內，實時計算檢驗各項已設定風控指標，如淨值預警線、持倉限額、風險敞口等，是否滿足風控要求。集中風控系統檢驗過的訂單，發送至交易所完成最終交易。集中風控系統還對一些不可預測的交易結果進行交易完成後的檢驗。

二、前期準備

（一）人員配備

數據處理主要依賴計算機軟件，且每日更新，數據層的工作主要通過程序化方式完成，一般需要配備兩名數據處理人員負責每日數據的更新和維護，一些規模較小的機構由基金經理或者基金經理助理完成此項工作。如果有輿情數據抓取，還需要至少兩人完成抓取和自然語言處理等工作。

策略模型層的主要工作由基金經理和助理完成，股票、期貨、債券等每個品種至少需要配備二到三人，策略模型入庫需經投資決策委員會審批，日常維護還需通過風控部評估，因此也是量化投資團隊核心骨幹成員的配備所在。包含高級管理人員在內，這塊業務需要配備至少六到八名人員。

交易執行層主要工作由交易員、軟件開發人員和風控部門完成，至少需要兩名交易人員，兩名交易系統軟件開發和維護人員，兩名風控人員。如果基金策略較多，還需要專門的股票、期貨、ETF等交易系統，業績歸因系統，風險控制系統的開發和維護人員。

（二）軟硬件配置

量化投資業務與傳統的證券投資業務相比，更加註重對計算機信息技術的應用。從事量化投資的美國大本營投資集團就曾對外宣稱“大本營集團是從事金融投資的科技公司，信息系統並非公司的成本，而是立命之本。”因此，量化投資團隊的前期投入主要是購買軟硬件設備，包括高性能的計算機、服務器、Oracle等數據庫平台、Matlab等計算軟件、原始數據、證券交易系統、風險控制系統等，此外還需要自己開發接口文件、算法交易文件等。

三、總結

量化投資雖然在國內已經發展了十幾年，但是由於金融衍生品的種類較少，融資融券仍處於發展初期，多空機制仍不完善，我國的量化投資處於發展初期，發展機遇廣闊。開展量化投資業務，不能比照傳統的私募基金，招募一批從業人員便可以開展業務，而是需要建立一整套規範化、流程化的業務體系和前期大量的計算機軟硬件投入。從這個角度講，量化投資基金可以被認為是從事證券投資業務的信息技術公司，這種跨界融合無論是從思維方式的轉變還是專業知識的儲備，對於從業人員都是很大的考驗。