标题：云计算下的量化投资
时间：2016年1月27日 (下午3:28)
分类：封面专题, 封面专题-总27期, 总27期, 清华金融评论杂志文章
标签：无
作者：清华金融评论

文/中国证监会规划发展委员会叶伟 随着国内股指期货、国债期货、融资融券、期权等一系列新品种的陆续推出，将不断激发量化投资的发展。本文认为，云平台的计算能力在一定条件下能与高性能计算相媲美，这为缺乏技术的中小投资者接近量化投资开辟方便之门。同时文章也探讨了云计算下的量化投资可能存在的监管问题。 量化投资就是通过数量化的统计分析工具将投资思想体现到数量模型中，并通过计算机技术来执行的一种投资方法。与传统的定性投资不同，量化投资以先进的数学模型代替人为的主观判断，借助计算机系统强大的信息处理能力从庞大的历史数据之中海选能带来超额收益的多种“大概率”事件以制定策略，因而具有更大的投资稳定性，可减少投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下做出非理性的投资决策。 量化投资的分类及现状 量化投资技术几乎覆盖了投资的全过程，其基本的分类如下。 第一类就是量化估值与选股。通过量化手段、结合基本面研究相融合的方法判断投资标的价值，分析权重选择，挖掘资本市场的运行规律，构建选股策略。包括动量反转选股方法、多因素选股方法等。 第二类是资产组合配置与优化。长期趋势资产配置方法包括马科维兹资产配置模型、均值—下偏矩（LPM）资产配置模型、风险价值（VaR）约束下的资产配置模型和基于贝叶斯估计的资产配置模型。短期调整资产配置方法包括行业轮动策略、风格轮动策略，阿尔法（Alpha）策略和投资组合保险策略等。 第三类是行为金融下的投资策略。这类的投资策略包括反向投资策略、动量交易策略、捕捉并集中投资策略、小盘股策略、成本平均策略、时间分散化策略、设立止损点的交易策略。 第四类是利用数学模型预测的时机选择。随着计算机技术、人工智能、混沌、分形理论的发展，股票的市场行为被列入非线性动力学研究范畴，择时技术包括灰色预测模型、神经网络预测模型和支持向量机预测模型。 第五类是程序化交易。按照纽约证券交易所的定义，程序化交易是指同时进行的包含15只及以上的指数成分股的组合交易，程序化交易策略包括指数套利策略、套保策略、动态对冲策略、配对交易策略，和久期平均策略等。广义的程序化交易也包括算法交易、高频交易等。 近年来，伴随着一批有海外量化投资从业经验的人才相继回国，采用量化方法进行管理的基金产品不断推出，2009年被称为“中国量化投资元年”。之后，量化投资迅猛发展，基金公司、证券公司、期货公司等纷纷成立量化研究部门。随着股指期货、国债期货、融资融券、期权等一系列新品种的陆续推出，中国市场将真正迎来量化投资时代。 云平台的性能让量化模型的云计算成为可能 一个具体的量化投资交易过程，可包括交易策略模型计算与交易执行方式等过程。不管哪一种量化投资技术， 都可能涉及复杂的数据处理、存储并要涉及高级的机器学习技术。伴随着大数据技术，云计算服务形成了一种新的商业计算模型，它将计算任务分布在大量计算机构成的资源池（也称为云）上，使用户能够按需获取计算力、存储空间和信息服务，云计算当前是计算机技术世界的热点，也代表了未来的技术趋势。量化投资也必然在这种新形式下特别是云计算的影响下发生新的改变，这是大势所趋。 过去不少投资者为了提高复杂的量化数据模型的计算速度， 往往采用高性能计算策略，但是由于内存的限制或者处理能力的限制，部分复杂的量化模型的计算往往在一段时间内后不得不半途终止计算。为了应付更加一般意义的复杂数学模型的计算出现此类问题，英国布拉德福德（Bradford）大学基兰（Mariam Kiran）等5位研究者在2015年12月提出一种在云环境下的基于代理的模型计算架构。这种基于代理的模型计算非常复杂，往往需要处理读取多达几十吉字节（GB）的数据。在他们的文章之中，详细比较了这种基于代理的仿真计算在云计算环境下与高性能计算环境下的差别。 同时，他们利用FLAME框架， 一种能在不同的硬件平台上自动地采用并行处理代码的超级计算机框架，来做实验，目的是来比较不同平台环境下的基于代理仿真模式的计算速度。他们对同样的实验在不同的平台上重复做了1000次，结果显示在亚马逊EC2的云平台的结果基本上可以与双核高性能计算（HPC）相媲美。这说明计算机技术的发展让云计算为复杂数学模型的计算提供了可能，并可以用于量化投资的策略模型的具体计算。 云计算服务的种类与优缺点 现在，除了线性的交易型数据之外，来自社交网站、即时通信、搜索引擎、电子商务的用户产生的信息、音频、视频、文档等非结构化数据越来越多，在过去，用于解决关系型数据的计算机并不存储这些非结构化数据，但是当云计算产业成规模化发展以后，分布式计算与分布式存储才给这些大数据提供了记录的载体，云计算提供的存储、网络容量、计算机资源，使得大数据与云计算相辅相成。云计算将各种各样的计算资源集中起来，并通过专门软件实现自动管理，无须人为参与。云资源之所以具有吸引力， 是因为这些资源是用户并不具有的，而且这些资源用户可以动态申请，支持各种应用程序的运转，无须为繁琐的细节而烦恼，能够更加专注于自己的业务，有利于提高效率、降低成本和技术创新。 云计算不针对特定的应用， 同一片“云”可以同时支撑不同的应用运行，可以在它下面构建千变万化的应用。基于不同的应用，有不同的云计算的服务模式，目前主要有三种： 1. 软件即服务: 为用户按需提供一个软件应用。这个服务交付模式包括提供基础设施与软件产品。用户根据获得具有不同功能软件模块与数据存储空间的许可权，被云服务提供商差异化计费。 2. 平台即服务: 为应用开发提供必需的硬件和软件工具。因为硬件与软件两者都已经被云服务提供商所提供，用户只须自由地专心地集中于应用开发即可。 3. 基础设施即服务: 为用户提供高度自动的计算机资源、存储与网络容量 这些资源由云提供商所拥有并按需提供给用户。 尽管云平台可以随时获取，按需使用，随时扩展，但一般按使用付费，而且在很大程度上价格都比较高，至少在目前还没有降价的趋势，这样对某些企业就会起到相反的效果。比如像索尼娱乐这样的公司，它们就不考虑采用外部云服务来应对存储扩展能力的挑战。同时云平台可以让用户不用担心基础架构、安全容错，但也让企业的自主性下降，原来熟悉的东西变成了一个黑盒子。出于安全性的考虑，企业也不会将敏感的数据放在云上。    美国与中国金融业使用云计算的现状 量化投资所涉及的复杂的数学模型的计算可以在公有云或私有云上进行。纽约证券交易所于2011年在新泽西数据中心开创了“资本市场共享平台”；Nasdaq OMX与亚马逊Web services在2012年9月携手开创了“FinQloud”公有云服务，让投资者存放大量数据，同时满足法规的要求。 最近中国证监会颁布新的监管法规，强调了程序化交易系统的测试，量化投资的程序化交易者可以在“公有云”上进行测试，而不用建立公司自己的计算中心，从而能降低系统测试的成本。2014年，国内东部沿海城市也出现了由国外海归牵头的金融算法交易云平台系统，将为技术缺乏的中小投资者提供一系列交易策略解决方案，帮助中小投资者用较低的成本来使用先进的计算机程序、大数据、统计套利模型和算法策略进行风险对冲。 云计算下的量化投资可能存在的监管问题 量化投资都是科技进步在资本市场的体现。机器算法正是从人类的精神创造中逐渐抽象出来，算法控制了华尔街。大数据与云计算作为一种新技术， 必然会被聪明的投资者所采用。当然利用云计算来进行量化投资这种新型方式，在目前是一个新生事物。监管部门应该予以引导和规范，持续关注，促进其健康发展。从监管的重点看，仍可以从以下几个方面进行监管。 系统的安全性 量化交易改变了传统的交易方式，高频交易、算法交易等程序化交易方式在国外非常普遍，它们在提升市场效率的同时，也隐含对市场、交易所的极大伤害。在云计算模型下，投资者需要在云端对量化模型经过海量历史数据的仿真测试，来确定投资策略与动向。既要考虑量化投资的交易信息系统是否可以安全稳定地运行，也要考虑系统是否存在漏洞与缺陷，系统是否经过安全认证等。 量化投资策略的合规合法性 在云计算环境下，同样应存在投资策略是否违法违规的问题，由于数据的计算放在了云端，数据的交互牵涉面扩大，对查处内幕交易、是否涉及利益输送的监管人员的要求大大提高了。 系统风险控制的有效性 这是一个老生常谈的话题，在云计算的量化投资上也不例外，包括风险控制措施是否有效到位，防止大量错误指令发出，是否进行事后交易监测分析，及时发现可疑交易行为等。 数据的安全性 云计算给大家带来方便的同时， 云平台也加剧了数据泄露的风险。云平台的环境使得各种数据集中地存储起来，给人们带来很多方便，但是一旦云平台遭到攻击被破坏，就会造成数据丢失和隐私泄露的严重后果，用户在使用云服务时用户数据的控制权会转移到云服务提供商手中，用户可能无法知道自己的数据存放在哪里，也不知道云服务提供商是否对数据进行了正确的保护。同时数据从用户传送到云的过程之中也存在数据传输风险。必须在相关环节制定一些要求与制度，保证数据的安全性。 交易系统优化建设的挑战性 由于云计算给中小投资者带来了方便，必然会有更多的中小投资者采用量化交易。而量化交易的自动、高频、批量的特点必然会给证券期货交易所的交易系统带来更多的压力。因而建议各大交易所尽快升级交易系统，研发下一代交易系统，提高处理能力，防止出现系统瘫痪、拥堵等现象。 本文编辑/孙雪强
上一篇：互联网+时代的量化对冲基金发展模式探析
下一篇：借鉴美国模式 中国个人养老账户的递延纳税