量化投资步骤范文

导语：想要提升您的写作水平，创作出令人难忘的文章？我们精心为您整理的13篇量化投资步骤范例，将为您的写作提供有力的支持和灵感！

篇1

    在麦肯锡,人们总说,只要把握现状,问题就解决了七成。这种方法有两个关键词,一是“运用整理归纳法”,二是“量化”。首先通过整理归纳法,个别具体地分析我们到底想要改善什么。接下来,对分解后的问题按优先顺序进行排序。排序最有效的方法是量化。

    一般人花 在“I 消 费 ”上的时间大约 是 60%,“II 浪费”占 20%,“IV 闲耗”占 15%,“III 投资”上大概只有 5%,最多不超过 10%.

    这样分配时间最大的问题是,总时间的80% 花在了“紧急”轴线,无怪乎我们每天都感觉自己被最后期限逼得很紧,心里觉得很累很忙。紧急的事情多数都与工作相关,所以紧急的事情越多,劳动时间就越长,越容易导致工作与生活失衡。

    如果长期在紧急(“I 消费”和“II 浪费”)上花费大量的时间和精力,根本不可能再有精力和时间去进行“III 投资”,只能把剩下的时间都“IV 闲耗”了。这样一来,我们事后更加后悔,“又浪费了这么多时间干这些无聊事”。 另一方面,不积极投资又会导致我们工作能力下降,职位不保,结果需要花更多的时间在紧急的“I 消费”和“II 浪费”上,导致恶性循环。

    关键就在如下两个方面 :一,缩减“II 浪 费的时间”和“IV 闲耗的时间”,增加“III 投 资的时间”;二,利用“III 投资的时间”,更有效地发挥“I 消费的时间”的作用。

    最理想的状态关键在于确保 30% 的“III 投资的时间”。假设我们清醒的时间为 16 个小时,那么每天保证将近 5 个小时的投资时间是最为理想的。

    然后把“I 消费的时间”控制在 50%、每天8 小时以内。要达到这一点,必须减少交通时间以及无意义的会议的时间。

    另外,还要尽量将生产率较低的“II 浪费的时间”控制在 10% 以内。这就需要我们缩短上下班等交通所花费的时间,必要时应该重新考虑是否需要调整工作或搬家。

    最后,用于放松以及周转的“IV 闲耗的时间”,也应该尽量控制在10% 以内。

    如果使用上面的时间分配方式,重要∶不重要 =8 ∶ 2,紧急和不紧急的比例就成了6 ∶4.即使是做需要按期完成的工作,心情上也会感觉轻松许多。这样的分配方式让我们不再感到时间紧迫的巨大压力。

    2确定不该做的事

    精简工作比增加要做的工作更值得我们思考。对不该做的事和想要完成的事同样重视是工作能够顺利进展的秘诀。看准什么是你的“时间窃贼”,确定不该做的事。

    3确定可以委托别人做的事

    必须完成的事情当中,一定有你不擅长或者不想做的事。这时你应该思考如何才能让自己不做,或者是否能够委托别人来完成。

    4提高必做之事的效率

    具体的做法可以分为 7 项 :

    1 活用记事本,将它作为时间管理的起点。

    2 养成健康的生活习惯。

    3 借助他人的力量,增强克制力。

    4 灵活选择住所的位置。

    5 控制交通耗时。

    6 提高做家务事的效率。

篇2

自李笑薇加盟富国以来，富国A股量化投资模型于2009年底投入实战，并获得了不俗的战绩。截至2011年6月30日，富国旗下两只指数增强基金――天鼎中证红利、富国沪深300分别获得了4.32%与 3.79%的收益，在所有指数型基金中位居前两名。而同期沪深300指数、中证红利指数分别下跌2.69%、2.1%。这一团队，正推出第三只指数增强基金――富国中证500指数增强。

量化不是“黑匣子”

《投资者报》：提及量化投资，国内投资者总认为很神秘。它与主动的定性投资差别到底有哪些？

李笑薇：量化模型的特点之一是抽象，但它称不上是一个“黑匣子”，与传统基金的投资区别也并非像投资者认为的那样大。

传统基金经理在做市场判断时，脑子中会闪过好几个模型，比如如何选定行业、个股，实质这都是一个个模型。严格说，他们脑子里的模型比量化模型中能看到的都要多，只是他们没有把这些模型提炼出来而已。

投资者购买传统主动股票基金，并不代表他们对基金经理的操作完全熟悉。基金经理在哪个时间段，配置了哪些行业、个股，投资人无法确切知道，只是能看到每个季度的报告和最终的投资结果。

相比之下，量化投资进出市场的每一个步骤，都非常清晰明了。在我的眼里，这个过程不是“黑匣子”，而是团队里每一个人按流程逐步去完成的。

《投资者报》：量化投资的详细工作流程是怎样的？

李笑薇：量化投资对团队合作要求更高。一般来说，有一部分人专门进行数据的清洗、整理、输送等，这需要计算机信息技术较强的人才；模型的设计和研究，往往需要很强的金融及数学背景；基金的日常管理往往需要金融及工程方面的专才。因此，通常量化投资团队的成员学历都较高，但不是说学位很重要，而是需要一定的技术积累。

具体流程中，提取数据的人看数据，有人专做研究，有的做优化或者交易下单。每个人都有自己的侧重点，在整个团队中起不同的作用。一个人可能干多件事情，但想要全部完成是不可能的。

《投资者报》：量化投资能否稳定地战胜市场？

李笑薇：在不同的市场阶段，市场的有效性会不同，需要用特定的方法，寻找不同阶段的不同机会。

市场上的各种方法，捕捉的内容都不一样。比如巴菲特，他的风格更趋近于一级市场中VC、PE的思维；西蒙斯则是完全抛开基本面，从纯技术的角度，将全球货币的走势、衍生品等林林总总的东西作为投资标的。

从A股市场来说，当前的发展阶段需要有独特的投资方式，富国基金量化增强的定位也有市场需求存在，满足了一部分配置指数基金的需求。从运作经验看，量化增强后的收益会好于一般指数的收益，上半年超额收益有8%。总体来看，这个收益稳定在5%~10%间，是很多基金难以做到的。

超额收益从何而来

《投资者报》：我们也注意到，多家基金公司都构建了独立的量化投资团队和模型，富国基金量化投资模型的独特之处在哪里？

李笑薇：量化投资最重要的是人的思想，量化只是一个方式和工具，真正在挣钱的，是人的投资思想。

从富国量化模型的特点来看，首先是自下而上精选个股，不做仓位选择。由于这是一只指数产品，投资人买时就要买到这样的仓位，我们一直是用95%的仓位操作。

其次，严格风险控制，精细成本管理。再次，系统化的投资流程，科学化的投资管理。量化投资从开始到结束，是一个庞大复杂的工程，团队里面专门有人负责清洗、研究数据，做一系列的回撤，实现交易单。

最后还要尊重模型出来的结果。在操作过程中，主动干预非常少，人的干预更多在整个模型的设计上。

《投资者报》：你们今年近8%的超额收益是如何实现的？不同市场环境下，模型是否会有大的调整？

李笑薇：对我们来说，发现哪些因子在最近的市场更有效，并保持一定的前瞻性，是量化团队的主要工作。

比如，大家都很熟悉的估值因子，在2006年到2009年都有比较优异的表现。但是到了2010年，估值因子的作用突然发生了变化，估值并不能起到明显推动作用，我们也提前做了适当的调整。

责任心决定能否做好

《投资者报》：除了模型外，量化投资成功还取决于什么？

李笑薇：一般而言，量化投资策略是否成功取决于三大因素。一个因素是质量，重点取决于数据和研究。第一步是要保证数据的质量没有问题。对于任何一个数据源，我们基本是用一家数据商，但会用两家来互相检验，检验后的结果才进入到自己的数据库里。

研究质量的好坏，其实是工作责任和态度的问题。量化虽然有门槛，但对理工科硕士以上的人来说门槛并不高，能否做好靠的是责任心。

第二是经验和判断。我们会做大量研究、看历史业绩，但历史不代表未来。当你做了大量细致的研究，发现可能有五个因子影响，表现最好的是A，后面有BCDE，其他因子哪些权重更大？做决定要基于经验和判断。但归根到底，判断与决策要有很强的实践来做支撑。

篇3

中图分类号：U491113 文献标识码：A

1 引言

随着社会经济的不断发展和人们对交通运输需求的日益增加。交通阻塞、安全、环境污染等问题已经成了影响社会发展的巨大障碍。交通量的持续增长是造成该状况的最根本原因，传统的解决途径如限制交通流量等短期内可以奏效，但有失公平、合理。如何更有效地使用现有交通运输网络就是解决上述问题的重要途径之一。随着高新技术的崛起，使得智能运输系统（简称ITS，通过关键基础理论模型的研究，将信息技术、通信技术、电子控制技术和系统集成技术等有效地运用于交通运输系统，从而建立起的实时、准确、高效的交通运输管理系统）应运而生。与传统的交通基础设施建设项目相比，ITS项目不但投资巨大，而且属新兴研究领域，对社会和经济各方面的影响更加难以预料。我国当前仍是一个发展中国家，建设资金短缺，决策者、投资者、大众非常关注建设ITS的巨大投资带来的效益及风险，因此有必要以ITS的影响开展深入的研究，采用的方法就是进行智能运输系统评价。

2 评价的意义及目的

ITS评价的意义体现在以下几个方面：

（1）理解ITS产生的影响

ITS评价的内容包括ITS对交通系统及其使用者产生的影响，以及ITS导致的社会、经济和环境等诸多方面的影响。因而评价ITS不但可以更好地了解项目本身和与其相关交通条件的改善之间的关系，而且对其产生的影响有更好的认识，也有助于将来其他ITS项目的实施。

（2）对ITS带来的效益进行量化

投资者无论是政府部门还是私人机构都希望能够量化投资效益。此外，在对ITS进行评价时，我们还要回答诸如“为什么一定要这样做”及“如何达到预期效果”的问题。

（3）对将来的投资做决策

ITS评价所提供的信息（实施条件和影响因素等）一方面可以帮助政府部门优化投资，对将来项目的投资和实施做决定。另一方面有助于私人机构在商业运作中做出明智而正确的决定，而政府与私人机构之间的密切而有效的合作分工是中国ITS顺利发展的必要条件。

（4）对已有的系统优化其运作和设计

ITS评价可以帮助已有的交通设施和交通系统识别需要改进的方向，从而使管理者和设计者能够更好地管理、调整、改进和优化系统运作和系统设计。

3 各国ITS评价研究现状

近年来在世界范围内广泛开展了对智能运输系统理论和技术方法的研究，部分发达国家已对许多项目进行了试验研究并已实施和应用，如城市和高速公路交通事故监测和快速反应系统，匝道控制等。ITS正从实验阶段转向实施阶段，成为地面运输系统投资的主流方向，投资规模也将迅速增长。政府、企业和大众都非常关注其社会经济影响及可能带来的各方面效益，对ITS项目社会经济影响的全面评价正日益受到政府、投资者和研究开发机构的普遍重视。

早在1988年，英国学者Bristow提出了如下评价准则：（1）技术性能；（2）人机工程学性能；（3）真实的效益和非效益；（4）感受到的效益和非效益；（5）用户反映；（6）安全性能；（7）成本；（8）外部性能。欧盟DRIVE研究计划促进了一系列面向ITS项目评价的指标系统的发展，其道路运输信息评价过程研究形成了用于评价ITS项目评价过程的评价手册。1998年欧盟在ITS评价项目“CONVERGE”中，了“智能运输系统评价指南”，之后几年又开发了一系列可用于ITS评价的微观模拟仿真软件。

美国华盛顿州1993年完成的ITS战略计划，设计了从技术分析、社会经济、立法行政、公众接受性几个角度用成本效益分析法评价ITS项目产生的效益。关于ITS项目投资及效益回报理论方面美国最先于1996年完成国家ITS体系结构，后经多次修订，第四版已于2002年6月。美国国家ITS体系结构共分为六部分：（1）综合摘要、（2）体系结构定义、（3）评价、（4）实施策略、（5）市场包、（6）标准。

日本在分析借鉴和分析美国和欧盟体系结构的基础上于1999年11月了ITS体系结构。主要包括三大部分：构筑体系结构的方针；构筑体系结构的成果；应用体系结构的方针。评价方法主要是传统交通运输项目评价所采用的成本效益分析法，有些研究也尝试使用成本效果分析法和多准则分析方法。

4 评价方法

ITS项目评价的步骤如下图所示。针对不同的评价主体、评价目的和评价内容，可以对该评价步骤进行适当调整。

目前常用的ITS评价方法包括成本效益分析、成本效果分析和多准则分析三种。

成本效益分析致力于成本和效益的量化及其度量，计算出相应指标，并在备选项目之间进行权衡。有时也涉及不可量化的和非经济性指标，偶尔也涉及示范效应、发展效应等组织因素，但在大多数情况下，对难以量化的影响的评价是附带的，重点还在于可量化的成本和效益的权衡。

成本效果分析是一种成本最小化方法，它是在一个项目的效益不能计量，或者已为政策所确定时所采用的评价方法。在上述情况下，所考虑的是达到既定的目标所采用的最小费用。当一个项目的目标难以用货币价值计量时，变量只能在成本方面，因此，从逻辑上讲应当选择成本最小的项目。成本效果分析常应用于药物经济学，原因在于健康和卫生效益有时难以用货币化方法衡量。

在发达国家通常将成本效益分析作为普遍适用的方法，其中有着多方面的原因。首先，发达国家的社会环境相对稳定，因此评价可以致力于将货币价值衡量成本和效益，但在发展中国家，社会经济结构正在发生变化，大的公共项目甚至会影响这种变化。因此一个项目的非经济性和不可量化的影响在评价中的地位较发达国家为重。可以说，发展中国家在遇到同等问题时，所遇到的困难更多。另外，在发展中国家，可用于项目定量分析的资料和数据往往不全面，这也是成本效益分析方法使用范围受限制的重要原因之一。所有这些因素表明，鉴于中国的国情和ITS项目的特点，除了进行成本效益分析和成本效果分析之外，还必须采用多准则分析方法。

4.1 成本效益分析

成本效益分析，有时也称为费用效益分析。

成本效益分析主要包括四个主要步骤：

1.确定成本和效益的类型

成本和效益一般需按照其类型、影响群体、地区或其它标准进行分类和计量。由于效益多发生于未来。所以项目分析必然包含预测的成分，其结果受分析者的主观价值标准影响。成本和效益的范围和重点随项目不同而异。

2.成本和效益的量化

对于所确定的各成本和效益类型应当尽可能量化。由于各种原因，市场价格会偏离社会价值，有些类型的成本和效益则没有市场价格。因此，量化难以量化的成本效益类型是成本效益分析的难点之一。

3.评价指标

根据量化的成本和效益计算选定的评价指标，原则是尽可能全面和完整地展现项目的经济效果。常用的指标包括效益费用比、净现值、内部收益率、投资回收期等。

4.综合权衡

因存在相关难以量化的成本和效益类型，故评价指标数据不可能完全反应项目的效果，需用定性分析作为补充和完善。随着项目影响范围的扩大和评价的深入，难以量化的成本和效益的比重有时甚至超过可量化部分。因此，该步骤显得越来越为重要。

成本效益分析的评价指标通常包括：净现值、效益费用比、内部收益率、投资回收期等。这些指标描述了效益与费用的对比关系，可进行不同方案的对比分析。合理的成本效益分析评价指标数据将为决策者提供了有价值的信息。

对ITS项目进行成本效益分析主要出于两方面考虑。首先，项目意味着稀缺资源的使用，规划者和政策制定者应当确保效益最大化（包括直接效益和间接效益）；其次，决策者在考虑是否进行项目或者从备选方案中作选择时需要知道各方案可能产生效益的差异。ITS项目效益大小的差异来自于现有交通系统的状况（特点）、项目的实施情况以及评价方法。应用成本效益分析可以对其进行分析，各评价指标将从不同侧面描述项目的可行性。问题的关键在于如何对成本和效益进行界定。

现阶段结合我国的国情，可以尝试运用成本效益分析进行项目评价的尝试，但暂不适合将成本效益分析方法确立为ITS项目评价的基本方法，原因在于成本效益数据的缺乏和ITS项目的影响程度和范围尚难准确把握。

4.2 成本效果分析

成本效果分析通常作为成本效益分析的替代方法。在给定预算方案的情况下，成本效果分析可以用于平均ITS项目的应用效果，可以对比ITS项目和非ITS项目（包括基础设施项目或其它交通改善项目）或者不同ITS项目的成本。

成本效果分析用来评价各方案的基准是成本和单一的非货币化效果指标，例如死亡人数减少、运营成本降低等。由于很难对各种成本项目均给予综合考察和比较，实践上往往采用预算成本指标。使用的评价指标为成本效果比。在采用成本效果分析时，并没有将效果指标货币化，故成本指标和效果指标将采用不同的单位。依据成本效果比的结果进行项目比选和排序。

成本效果比可以按照单位效果所需要的成本进行计量。其中：C表示成本；E表示效果；i表示第i个项目或方案，下同。CE可以看作是单位效果的平均成本，CE值最小的项目或方案具有最高的成本效果比：CEi=Ci / Ei 。

成本效果比也可以用单位成本所产生的效果计量。EC可以看作是单位成本的平均效果，EC值最小的项目或方案具有最高的成本效果比：ECi=Ei / Ci。

成本效果分析可以看作是成本效益分析的一种特殊形式。

4.3 多准则分析

交通运输系统项目和ITS项目评价在多数情况下是一种基于多层面的冲突分析，因此在初始阶段很难给出解决方案。这就意味着需要寻找一种可接受的评价方法。多准则评价方法致力于提供一系列方法用以处理多维效果量化问题。当然，该类方法也存在其局限性。

考虑到ITS项目的复杂性和多维性，所采用的评价方法应具有四个特点：

1.透明性：是指决策者必须对评价的过程有清楚的了解。

2.简洁性：是指评价应相对容易实现，并侧重于澄清问题的要点。

3.鲁棒性：和接受有关备选方案的输入和评价结果的输出的能力有关。另外和数据需求、项目及准则数量的处理、不确定性的处理、重点群体的参与、敏感性等有关。

4.可说明性：决策者应当对评价结果感到有信心，即同意并支持评价结论。

多准则分析包含许多种具体方法，可应用于不同背景不同评价目标。虽然多数方法都标称具有广泛的应用领域，但实际上每种方法均有其适用范围。所以并不是所有多准则方法都适用于交通运输系统项目和ITS项目的评价。寻找适用于ITS项目的多准则评价方法是至关重要的。

多准则往往是冲突的、不可比的和具有不同性质的，既有定量信息、又有定性信息，既有精确信息又有不精确信息，这使得问题的解决更加困难。

多准则分析最初来自法国，特别有名的是ELECTRE技术，它已经成为近代评价方法的主流；多属性效用理论是在1976年提出的；模糊集理论发展后，评价称为该理论的重要应用领域之一，许多劣结构的决策问题采用了基于模糊集理论的评价方法。

根据相关研究成果，适用于交通运输系统项目评价的多准则分析方法包括REGIME、ELECTRE、AHP、多属性效用方法、理想点法等。

5 结论

智能运输系统的效果评价是一个非常重要但又困难而复杂的课题，它涉及到技术、经济、环境、社会、政策等方面，既有定性也有定量的评价。不同的评价方法将产生不同的评价结论，从而对决策和技术方案产生影响，进而对社会和经济发展产生影响，评价方法的重要性可见一斑。

ITS项目具有不同于传统交通运输项目的诸多特点，同时中国的交通特点使得发达国家在该领域的研究成果的可借鉴性大打折扣。结合ITS的特点和中国的国情研究ITS项目的评价方法具有必要性和紧迫性。

参考文献：

[1]杨兆升.智能运输系统概论[M].北京：人民交通出版社，2003，1-16

篇4

疯狂地追逐它；亿万人同时被一个

梦幻迷住，对此紧追不舍，直到

他们的注意力被一个

新的比先前那个

更有幻想力的玩意儿吸引过去。

当你通过“心理体检”，发现自己具有哪些投资心理疾病后，接下来要做的就是开始治疗了。当然，投资心理疾病的病症很多，比如上面提到的认知失谐、回避遗憾等等。我们无法一一对症下药，只能为你列出一个简单的疗程，希望能够对你有所帮助：

第一步：了解自己的心理疾病

治病的第一步是了解病因，我们在前面为你做的测试题就是为了检查病症何在。当然，这些测试还远远不够，你需要做的是在日常生活中多次反思自己做得不合理的地方，对曾经做过的投资失误进行总结，只有你真正认识到了自身存在的心理疾病，才能迈出了治疗投资心理疾病的第一步。

第二步：明确投资的目标

很多投资者忽略了投资过程中这个非常重要的步骤，大多数人根本就没有一个明确的投资目标，“我想赚更多的钱”――这显然是一个很模糊的标准，但你身边的人甚至你自己在做投资决定时可能仅考虑到这一层。

投资目标一定要制定得明确，细化到具体的时间、要实现的具体收益、希望能满足的具体需求等等。制订明确的投资目标可以带来很多好处。例如，时刻想着你的投资目标，能够帮助你着眼于投资的长期表现和大的方面，监督投资过程，判断你的行为与投资目标是否相符合。

有了一个明确而合理的投资目标，你就不会被“羊群效应”牵引而冒进投资、忽略其中的风险；你也不会因“认知失谐”而高估自己过去的投资绩效，导致接下来做出错误的判断。你也会下意识地克服“回避遗憾”和“寻求自豪”的心理，因为始终有具体的目标在警示你。

第三步：明确投资的数量化标准

明确投资的数量化标准可以使你免受情绪、谣言、传闻和其他心理疾病的影响。我们在这里不是向你推荐一个特定的投资策略，但要求你有一个明确的投资标准，这非常重要。比如你只投资市盈率低于20倍的大盘蓝筹公司股票，或者只关注年报上利润率达到一定水平的公司。当你明确了投资标准后，在决策流程中就不会轻易受到情绪的影响。

我们建议你使用数量化的标准来控制投资行为，但公司的管理水平、新产品开发等非数量化的信息也很重要。如果你按照数量化的标准圈定了一些投资品种后，接下来就要考察非数量化方面的因素。

第四步：构建投资组合，进行分散投资

合理的分散投资可以避免因单一集中投资而发生巨大的损失，以致于严重影响自己的生活，也可以帮助你通过长期持有不同类型资产而抓住稍纵即逝的机会。从投资心理学的角度看，构建合理的分散投资组合可以让你避免因“熟识性思维”造成的决策失误，也不会因为“蛇咬效应”而放弃继续持有某种有潜力的品种，浪费反弹的绝好时机。

投资者在建立投资组合时要考虑不同品种之间的相关性。大多数投资者经常把每个品种视作一个单独的心理账户，而忽略这些心里账户之间的相互关系，这就无法实现分散风险的效果。更有的投资者在建立投资组合时反倒增加了风险，比如近期在股指期货推出前大盘蓝筹股涨势很好，但也蕴含很大风险，如果把大盘蓝筹股和具有投资蓝筹概念的基金组合在一起，这显然放大了风险。一旦有政策面的风吹草动，你可能会遭受很大的损失。

第五步：控制投资环境

篇5

2 策略步骤

第一部分：模型建立阶段。

2.1 影响收益率的因子初选

我们采用以下收益率因子。

以上表格反映了影响收益率的主要四大类因子，较好地包括了影响收益率的主要因素。虽然从宏观层面上我们挑选出了一些影响收益率的主要因子，然而，在现实过程中，影响某个具体公司收益率的因素很可能只是其中某几个。因此，我们应当试图找出影响每个股票的收益率的个别关键因素，这里我们采用matlab技术以及线性回归的方法，以融捷股份（002192）与暴风科技（300431）为例进行说明。笔者根据深圳证券交易所统计的数据通过EXCEL表格进行合并整理后得到融捷股份的收益率数据，将该数据导入matlab中，以市盈率为横轴、收益率为纵轴，建立图形关系。

根据统计学的知识可知，我们用决定系数R2来反应自变量解释因变量力度的强弱，而决定系数与相关系数之间存在平方关系，即2=R2。因此，在matlab中我们通过计算一组数据之间的相关系数，反求出其决定系数，从而说明该特定自变量能从多大程度上解释因变量。代码运行的结果如下：

从上述运行结果可知，市盈率与股票收益率之间的R2只有0.0934，遠小于1，因此市盈率这一项指标在融捷股份里并不能对收益率的变动起到决定性作用。

类似地，我们对表1-1中所有的因子进行相同的操作方法，在此由于篇幅原因不再赘述，仅展示操作步骤与过程。

2.2 剔除冗余因子

在进行上述步骤的过程中，值得一提的是，各个因子之间可能本身就具有一定的相关性。比如，ROE指标与ROA指标本身就满足一个等式：ROE=ROA*EM， 其中EM为权益乘数，计算公式为EM=1/（1-负债率）。如果因素之间的相关性甚小，我们可以忽略不计，但是当相关性大到一定程度时，便会对之后的多因素模型分析过程产生误导，因此在这里我们需要补充的一步是利用matlab软件，建立不同指标之间的关系方程，判断是否存在多重共线性。

2.3 多因素模型体系的建立

在进行完影响收益率的因子选择以及剔除完冗余因子之后，便是最为重要的建立综合评分体系，将所有的因子共同反映到一个方程中，用来解释股票收益率与因子之间的具体变化。

多因素模型的建立过程分为如下几个步骤：

（1）. 标准化原始数据

（2）. 建立相关性矩阵

（3）. 计算相关性矩阵的特征值和特征向量

（4）. 得出总方程表达式

通过对上述运行结果的分析我们可以看出，月最大超额收益的影响最大，而累计收益的影响最小。这样，我们便量化出了影响该股票收益率的方程式。

第二部分：交易标的股票的选取

2.4 选取收益率前20%的股票

通过第一部分的论述，我们最终可以得到影响不同公司股票收益率的方程式，可以用matlab或者数据库技术进行保存，当需要更新参数或者进行预测决策时，调用相关函数即可。

在第二部分中，我们将选取的标的股票资产池的相关数据输入到方程式中，即可得到未来一段时间的预期收益率。假设我们从每个板块中选取出了20支股票，我们保留预期收益率排在前20%的股票，优中选优，尽量最大化我们的收益。

2.5 利用CAPM模型进行资产组合

20世纪诞生的资本资产定价模型（CAPM）为广大投资者选择资产组合提供了良好的理论基础与依据。威廉夏普（William F. Sharpe，1934-）与马克维茨（Harry M. Markowitz）等人所建立的组合管理理论核心即为以下等式：

E（Rn）=R

f+（E（Rm）-Rf）

其中，E（Rn）为股票的预期收益率，Rf为无风险利率，为单个股票与市场之间的相关性，E（Rm）为某一基准的收益率。通过该理论，我们可以建立多个资产的不同搭配情况。

在第三部分，我们会进一步讨论运用各项绩效评估指标，来权衡风险与收益。

第三部分：风险控制

2.6 对各项参数进行区间估计和假设检验。

前两部分重点关注了组合的收益情况，力求在市场处于无效或弱有效的情况下，取得超越市场的收益率。然而，对风险的把握仍为非常重要的方面，自从2007-2009年间发生的金融灾难以后，人们对于风险控制的意识又提高到一个新的水平。下面具体介绍如何利用统计学知识，对风险以及收益的取值范围做出评估与估计。

假设由第一部分模拟出的收益率方程满足如下等式：

Yi = -4.451 +2.057 * X1i + 2.008 * X2i

我们可以看到，在这个等式中出现了三个参数，分别是截距项-4.451、X1i的系数2.057以及X2i的系数2.008。然而，这毕竟是模拟出来的结果，或多或少会存在着一定的误差，那么对这种误差水平的度量就显得尤为重要。特别是对于X1i与X2i的参数的估计，其改变直接决定了Yi的变化的方向以及程度。在这里，我们运用统计学上的假设检验与置信区间估计的方式，判断我们有多大的信心，或者说有多大的概率，该参数可以满足我们的要求，从而对我们的决策活动形成指导意义。见下图：

如上图所示，该图为用统计软件所得出的上式的相关统计学分析，可以看出上式的R2（R-squared）为0.934，并且调整后的R2（Adj R-squared）为0.890，说明该式的所有系数，作为一个整体，对Yi具有较好的解释力度。其中ESS（Explained Sum of Squared）为模型模拟出的曲线与平均值的差的平方和，而SSR（Squared Sum of Residual）为真实点与估计点的差的平方和。Matlab图示如下：

上图是通过最小二乘法拟合出来的一条回归曲线，其中蓝色的点与实线之间的距离的平方和即为SSR，而实线与所有实际点的均值之间的距离的平方和即为ESS。R2=ESS/（ESS+SSR）。

由图6-1还可以看到，2.057所处的95%置信区间范围为0.984-3.130。其中，P值与t统计量用来判断在95%的把握下，是否可以拒绝一项参数，即判断该参数在一定概率条件下的真假情况。我们通常可以通过查对应的t分布表来找到对应的关键值，或者采用比较p值大小的方式进行判断。比如说，要判断图6-1中Experience的参数2.008在95%的概率条件下的合理性，我们计算出其t统计量如图上的2.664，而对应的置信区间范围中包括了2.664这个值，因此我们可以得出如下结论：Experience的系数2.008在95%的置信水平下是无法拒绝的。这一结论同样可以通过判断p值的大小得出，p值为0.076，大于显著性水平0.05（通过1-95%得到），因此有足够的自信可以保证该系数的合理性。

通过上述方法，我们可以对之前模拟出的收益率方程的系数的合理性做出判断与评估，使我们对其有一个更为深入的了解。

2.7 基于蒙特卡洛模拟的风险控制。

在风险管理领域，VaR方法一直在各大金融機构被视为进行风险度量的首选，因为其可以提供在一定的置信区间下所发生的最大损失的大小。然而，实践证明，在市场出现剧烈波动的情况下（比如2007-2009的金融危机），资产之间的相关性会增强，以前可能相关性很弱的资产在市场不稳定时期出现了高度关联的相关性。而普通的线性估算VaR的方法在金融危机期间，对于风险的度量不再准确与合理。因此，出现了后来的情景分析方法（scenario analysis ）以及这里要讨论的蒙特卡洛模拟。

所谓蒙特卡洛模拟，是对一项资产的所有可能取值进行随机数模拟，来计算产品的价格以及计算风险价值的大小。其应用领域十分广泛，不仅可以用来模拟复杂金融产品的价格（例如，含权债券的定价、住房抵押贷款证券化产品的定价），在风险管理领域还可以用来度量风险的大小。在此，我们给出详细的解释，来说明怎样进行基于蒙特卡洛模拟的风险的度量。

重复上述代码四次，模拟出不同收益率的图形，每次模拟都可以得到一条收益率的曲线，当我们从股票收益率的总体曲线中随机抽出N个样本的收益率曲线，对其进行算术平均，便可以得到最终模拟出的收益率曲线，通过正态分布或对数正态分布作图，我们可以在竖直方向上做出一条辅助线，该辅助线对应的分位点即是VaR所处的位置，如此一来我们便可以得到VaR的结果。

第四部分：模型的改进与实时更新

2.8 模型评价

在这一部分，我们主要对上述建立的收益风险模型进行评价，包括引进一些至关重要的绩效评估指标，例如夏普比率，特雷诺比率，简森阿尔法，信息比率，索提诺指标等。

夏普比率来自于CAPM模型，其基本内涵是单位风险所对应的超额收益。在CAPM模型中，夏普比率即是资本市场线的斜率。因此，对于一个组合的风险收益的评估，我们可以通过计算其夏普比率，再与其他组合比较，选出夏普比率最大的那一个，即是我们满意的组合（单位风险承担了更多的超额收益）。

特雷诺比率与夏普比率类似，但其分母上所对应的是系统性风险，而不是总风险。这反应了一项组合其内在的超额收益，因为非系统性风险是可以通过组合规避掉的，而系统性风险则更多的由市场、行业以及经济周期等不可控因素所决定。因此，特雷诺比率也被广泛应用于组合绩效的评估。

简森阿尔法描述的是一项组合的市场收益与CAPM计算出的理论收益之间的差额。在CAPM图形上描述出来便是资本市场线上的点与实际的点之间的距离。简森阿尔法直接反应了一项组合的收益与其理论收益的偏差，因此投资者可以进行无风险的套利交易，低买高卖，赚取超额收益。值得一提的是，用简森阿尔法来描述两个组合的风险收益时，要求两个组合的系统性风险处于同一水平，即CAPM模型中的相同。特雷诺比率将系统性风险单位化，因此可以直接进行比较，这是简森阿尔法与特雷诺比率之间的区别。

信息比率也是实际工作中用到的比较多的领域，通常会和夏普比率搭配使用。信息比率的计算公式为：信息比率=超额收益/跟踪误差。

索提诺指标的计算公式为：索提诺指标=（组合收益-最小收益）/下半方差，其中下半方差只考虑风险的影响，因为价格上涨的风险可以不考虑，只考虑下跌的风险。

2.9 利用matlab动态更新参数

上述建立的多因素模型的参数一般会随着市场条件的变化而发生变化，例如金融危机期间，金融产品之间的相关性增强，可能会使得参数的估计不再准确。因此，我们需要通过不断的测算市场数据，来保证模型参数的合理性。在matlab中不断更新改进参数的步骤是不能省略的。

2.10 回溯测试

在完成了模型的構建以后，我们通常会进行一段时间的回溯测试期，目的是为了对模型的合理性进行检验。即采用从市场上观察得到的数据，与模型估计出的数据进行比较。这是回溯测试的主要思想。通常在一些交易平台上我们可以进行回溯测试。Matlab平台上也为我们提供了相关的回测计算的功能，目的是尽可能地还原市场的真实情况，以检测策略的准确性。

2.11 模型评价

已上便是笔者构建的投资策略的基本框架与内容，按照上文指导的内容进行投资，可以在一定程度上获取超额收益。量化的方法相比较传统的基本面分析、技术分析，具有其自身的合理性。然而量化投资并不是时时刻刻百分百有效，但根据历史经验来看，量化投资的收益已经远超其他投资方式。量化投资还具有更为高深的理论，例如结合了心理学、生物学与计算机科学的神经网络、遗传算法等，使用机器代替人脑进行投资决策，这样可以减少人的主观性，客观的根据一些标准、指标严格执行投资策略。这里只是使用了量化投资领域中的冰山一角，即使用综合模型评分方法来构建投资组合的预期收益。

然而，该模型仍有其自身的局限性。例如，模型本身采用的是线性回归的基本思想，即最高次幂为1次幂。然而在现实过程中，很多金融产品的收益曲线并不是一条严格的直线，而更多的是具有二阶导的曲线。举例如下图所示：

上图是包含了期权时间价值在内的利润图，可以看到，在引进期权的时间价值以后，其图形不再是直线，而是带有弧度。因此，我们通常采用的方法是利用泰勒级数进行估计，引入二阶导来进一步估计金融产品的价格。例如在债券中一阶导采用久期进行计算，二阶导采用凸性进行调整。

篇6

中图分类号：C934 文献标识码：A 文章编号：1001-8409（2012）05-0132-04

The Wholeprocess Multilevel Model of Group Decision Making Based On DS Theory

CHEN Xingguang1, DA Jiamin2

（1. School of Management and Engineering, Nanjing University, Nanjing 210093; 2. School of Mechanical Engineering, Shanghai Jiaotong University, Shanghai 200240）

Abstract: In this paper, a way to express expert’s preference and aggregate their preference are proposed properly and a wholeprocess multilevel model of group decision making is developed based on the DS theory. This paper provides a new view and way for group decision making in uncertain environment, and it also has valuable inspiration and reference for solving complicated decision making problems on practical world.Key words: group decision; DS theory; expert weights; structure of knowledge; reasonable disagreement

1 引言

对群体决策的研究最早始于200年前两位法国数学家Borda和Condorect对于方案排序的探讨，Borda在1781年提出了群体对方案排序的Borda规则，1785年Condorcet提出了Condorcet规则并发现了投票悖论［1］。此后，许多学者从各个方面对群体决策进行了研究。1967 年 Dempster提出证据理论后，由于它在处理不确定性问题时有独到的优势，所以越来越被广泛运用于群决策的研究［2］。2002年Malcolm Beynon［3］提出了一种DS/AHP方法从而将证据理论引向了复杂的多属性群决策领域。近年来证据理论在群决策领域的应用逐渐从理论走向实践，如将DS/AHP用于供应商的选择［4］和证券投资决策［5］等。但实践发现将这些理论和方法应用于一些复杂的群决策领域如大型工程的决策，它们所取得的效果却不理想。这是因为先前的群决策理论研究主要聚焦于群体决策的核心部分（偏好集结），而非从全过程的角度整体看待群决策问题。所谓全过程群决策就是从群体决策的全过程出发，基于每个决策者的知识背景和认识结构来确定偏好的输入、修正、集结和合成，进而给出一个合理的决策流程而非单独的一个集结函数。

2 全过程多级群决策模型

2.1 全过程多级群决策模型框架

目前群体决策已成为包括数学、政治学、经济学、社会心理学、行为科学、决策科学、计算机科学等多门学科研究的共同焦点，而人们对群体决策的认识和理解还未形成共识。国外学者Hwang 等人［6］给出了一个技术性较强的定义：群体决策是把不同成员的偏好按照某种规则集结、并和、归纳成群体的一个唯一偏好序。根据这个定义本文将群体决策抽象为图1的四个过程。

2.2 基于证据理论的偏好表达过程

遇到复杂的群决策时，影响决策的因素有很多，例如在一个工程决策里，影响方案选择的因素有工程成本、工程收益、政策效应、法律、技术可行性、施工时间等因素，为了决策的科学性，我们需要咨询很多专家，这时候就会遇到“专家知识局限”［7］的问题。因为每个专家都有他自己的知识背景，他不可能对所有因素都非常熟悉，比如经济方面的专家他对成本和收益很了解，但对工程技术、法律等并不十分清楚。因而他在选择方案的时候要么对这些因素没有考虑，要么就是考虑不足。这时候我们就有理由怀疑他给出的偏好的正确性。

由于“专家知识局限”存在，实际决策过程中，专家只需要基于自己熟悉的因素进行方案选择或偏好表达，对于不了解的因素则无需考虑。Malcolm Beynon 的DS/AHP方法给出了一种基于单个属性的偏好表达方法，这种方法的前提是要确定因素的权重，而因素权重一般是由专家给出，在现实中每个专家的权威性不同，所以客观地讲每个专家应该具有不同的权重。考虑到复杂群决策的决策效率要求，决策的时候需要一种简单且有效地确定权重的方法。另外，现实中往往不可能对所有专家都有非常准确的了解，特别是在专家人数非常多时，很难准确地判断每一位专家的重要性。所以，合理的权重计算方法要能够考虑这种信息不完全的状况。本文用一种对专家进行分类的方法来确定专家权重［8］，这种方法主要有两个过程：

（1）对专家进行分类：通过计算专家之间的意见距离，将距离最小的专家合并为一类，依次迭代，将专家分成n 类。

（2）计算专家权重：同一类中的专家权重相同，不同类之间的权重正比于类内的专家人数。

得到专家的权重后，接下来就是确定因素权重。这里将每个专家给出的因素权重加权平均即：设专家权重＝（P1，P2，…，Pz），因素i的权重wi＝∑zr＝1wri×Pr，这样就能得到所有因素的权重。基于单个因素的专家偏好表达过程有以下四个步骤：

步骤1：确定决策对应的合适程度的数值：（极端合适，强烈到极端，强烈合适，强烈到一般，一般合适）=(6, 5, 4, 3, 2, 1)；

步骤2：专家基于自己熟悉的每个因素给出每个因素下的所有可能方案的集合；

例如专家i 基于自己熟悉的两个因素（投资成本、工程收益）进行的方案选择：

步骤3：对方案选择进行合适度评价得出专家的知识矩阵；

步骤4：计算知识矩阵最大特征值和对应的特征向量，并将特征向量正规化；把正规化后的特征向量作为每个因素下各个决策选择集合基本概率分配(BPA)即mass函数值。

2.3 基于证据理论的偏好集结过程

为了得到一致的群体偏好，需要将这些专家偏好用集结函数来处理。以前用证据理论定量研究群体决策的学者倾向于借用证据理论中的Dempster合成法则来合成这些偏好。Dempster合成法则要求所合成的意见具有相同的权重，但在现实中每个人都有自己的认识结构，专家也不例外。例如专家i 对因素工程收益和投资成本都了解，但该专家对因素工程收益的了解比投资成本更深入，所以他基于这两个因素的意见应该具有不同可信度。

另外，在方案选择时往往会遇到这种情况，由于因素自身间的矛盾导致基于这两个因素的偏好存在合理性冲突，例如因素工程成本和因素工程完工时间成反比关系，所以基于这两个因素的合理的方案选择必然有分歧。而Dempster合成法则是不能合成带分歧的意见。所以单纯用Dempster合成法则是无法得到一个合理而科学的群体偏好。因此本文采用一种多级合成的方法，并同时采用改进的Dempster 合成法则来处理这些分歧和矛盾。

第一步，在这个合成过程中首先要确定每个专家的认识结构。

这里本文将专家对因素的把握度即专家的认识结构分为（十分熟悉，熟悉，了解，不了解）四个层次，并将其量化为（十分熟悉，熟悉，了解，不了解）=(1，0.6，0.2，0)，例如某个工程决策中的专家i的认识结构如表1。

第二步，对每个因素下的所有专家意见进行一致性检验并调整，对调整后的意见用Dempster合成法则进行合成，从而得到每个因素下的专家偏好分布。这里用证据间的相似度来度量证据间的一致性，通过将它与限值σ比较来确定是否有分歧［9］。

相似度定义为：

L（mi,mj）＝1-dBPA（mi,mj）(1)

dBPA（mi,mj）表示两个意见mi和mj之间的距离：

dBPA（mip,mjp）＝np＝1（mip×mjp）np＝1m2ip×np＝1m2ip (2)

将焦元投影至各坐标轴加和，归一化后得到近似的概率分配函数，用向量形式来表示各决策专家的mass函数，如第i个专家的mass函数为massi（mil,L,min）。将计算结果构成一致性矩阵，并将矩阵中的每个值与限值σ来比较确定意见是否有分歧：如果相似度>σ则表示两个专家之间意见相近，反之则表示这两个专家根据这个因素进行的方案选择有分歧。

在同一因素下不存在合理性冲突问题，所以对有分歧的专家意见在合成之前需要进行调整，这里采用向权威专家看齐的原则［10］对意见进行调整。

在某一因素下设专家1的意见权重为α，同时专家2的意见权重为β。专家1和专家2的mass函数分布如表2。

一致性检验有两种情况：一种是两者意见基本一致，第二种是他们之间意见有分歧，意见需要调整。对于第一种情况，直接用Dempster［11］合成法则进行合成。如果经过一致性检验发现两者意见有分歧，为了使Dempster法则有效，需要对意见进行调整。我们知道两者的权重不同，所以两者的可信度也就不同。为此采取保留权重较高也就是可信度较高的专家意见，修改权重较低的意见的方法。这里结合意见的权重信息采用加权平均的方法修改专家意见：设α

第三步，用改进的Dempster合成法则合成第二步计算所得的因素下的偏好分布，从而得到群体偏好分布。

一些因素之间的矛盾可能导致这些因素下偏好分布存在合理性冲突，因此在合成的时候尽可能保留这些合理的分歧，而非通过一致性检验把这些分歧消除。所以需要一种改进的Dempster 合成法则来合成所有因素下的偏好分布。

设massi表示第二步计算所得的因素i 的偏好分布，Q为一包含N 个两两不同命题的完备的辨识框架, 2是 所有子集生成的空间, m1和m2是在识别框上的两个基本可信度分配。

步骤1：计算各个意见之间的距离：

步骤3：将意见的相似性测度转换为意见的支持度：

S（mi）＝∑nj＝1i1 jL（mi,mj），它反映的是某条意见被其他意见支持的程度。显然, 支持该意见的程度越高,该意见就越可信。

步骤4：合成所有专家意见得到群体偏好分布。

在群决策专家意见集结时,相对信任度大的意见对集结结果的影响应该较大。因此应该分配给相对信任度较大的意见对集结结果较大影响的机会。同时,既然对分歧意见无法作出合理的抉择，就应将其部分信任度归入未知邻域X。由此,改进的证据组合公式应为:

m（A）＝∑Ai∩Bj＝Am1（Ai）m2（Bj）＋k∑ni＝1P（mi）mi（A）,A≠,X (5)

[这里，m（X）＝1－∑ni＝1m（Ai）,P（mi）＝S（mi）∑ni＝1S（mk）,k＝∑Ai∩Bj＝m1（Ai）m2（Bj）

这种算法使得合成后的意见更具可信性，但同时增加了计算量，在因素比较多时会比较繁琐，为了简化运算，在合成时，首先对因素间的mass函数进行相似度计算，得到相似度矩阵，再将矩阵中的各个元素与设定的限值σ相比较，对于有分歧的两种因素之间用带分歧的Mass函数合成法则，对于相似度较高的因素之间用一般的Dempster合成法则进行合成。

2.4 偏好的输出过程

经过上面的计算得到各个方案的信度值，根据信度值对方案进行排序，在方案选择时原则上选取信度值最高的方案作为最优方案，但有时候会出现这样一种异常情况，如方案i的信度值和方案j的信度值位居前列分别为：0.343，0.341。虽然方案i 的信度值较高但与方案j 的信度值差异较小，如果这样就断定方案i 为最优方案，未免有些武断，因为任何一个算法和模型都不可能是完美的。为了避免与最优方案擦肩而过，本文建议采用多准则的判别原则［12］来处理这种情况，即对这两个方案采用另外一个原则进行判优。例如，用两者的似真函数值PL（表示命题的最大可信度）进行比较，较高者优。

2.5 决策流程和决策模型

根据分析得到如下决策流程：

步骤 1：专家集体确定影响决策的因素U(U1,U2…Un)；

步骤 2：专家给出自己心目中每个因素的权重（wij）；

步骤 3：通过本文计算权重的方法计算专家权重和因素权重；

步骤4：确定专家对各个因素的熟悉度或者说是把握度。本文将专家对因素的熟悉度分为十分熟悉，熟悉，了解, 不了解四个等级，同时采用一种非常简单的量化思想对四个等级进行量化(1，0.6，0.2，0)；

步骤5： 每个专家基于自己了解的因素给出方案偏好（不了解的因素不用给出偏好）。

步骤6： 对每个因素下的各个专家偏好进行一致性检验。并用向权威专家看齐的原则对有冲突的意见进行调整。

步骤7：用Dempster合成法则合成因素下的专家偏好，接着用改进的Mass函数集结方法合成因素间的偏好得到方案群体偏好。

步骤8：根据信度值选取最优方案（信度值越大越优）。如有异常启用多准则方法进一步选优。

本文提出的全过程多级群决策模型流程如图2所示。

3 小结

本文分析了目前的群体决策定量研究成果，发现它们在解决复杂决策案例时，由于专家的知识局限和认识结构造成了偏好输入的偏差。为了使决策结果更具科学性，基于证据理论提出了一种专家偏好表达和群体偏好的多级集结方法。在这种方式下，专家只需要基于自己了解的因素进行方案选择，无需考虑其他因素，本文还从全过程的角度给出了一个多级群决策的流程和模型，在这种决策规则下处理复杂的群体决策会更有效。

但是这种方法也遇到了许多决策定量研究都会遇到的问题，就是如何将专家的模糊表达量化，例如本文中将专家对因素的熟悉度（十分熟悉，熟悉，了解，不了解）量化为（1，0.6，0.2，0）。为了更好地表达这些模糊语言，可以考虑采用区间量化的形式。区间量化是模糊理论的应用，因此将证据理论与模糊数理论相结合运用于本文的决策模型是下一步的研究方向。

参考文献：

［1］魏存平, 邱菀华. 群体决策基本理论评述［J］.北京航空航天大学学报,2000,13(2):24-28.

［2］吕文红, 吴祈宗. 证据理论在群决策中的应用［J］.统计与决策, 2005,7:47-49.

［3］Beynon M. DS/AHP Method: A Mathematical Analysis, including an Understanding of Uncertainty ［J］. European Journal of Operational Research, 2002, 140(1):148-164.

［4］梁昌勇, 陈增明, 丁勇. 基于DS/AHP的供应商选择方法［J］.运筹与管理，2005,14(6): 33-38.

［5］易昆南, 晏玉梅, 徐艳卫. 证据理论在证券投资组合中的应用［J］.湖南工业大学学报，2009，23(4): 85-87.

［6］Huang CL, Lin ML. Group Decision Making Under Multiple Criteria［M］. Spring-Verlag. 1987.

［7］杨萍，刘卫东.基于证据理论的群决策层次评价方法研究［J］.系统工程与电子技术,2002,24(2):42-44,92.

［8］王志国，童玉娟. 一种不完全信息下群体决策专家权重确定方法［J］.平顶山学院报,2007,22(2):69-70.

［9］吕文红，吴祈宗，郭银景.基于D-S证据理论的群决策专家意见集结方法［J］.运筹与管理,2005,14(2): 10-13.

篇7

二、量化投资“黑箱”中的构造与证券投资学的差异

在传统的证券投资学中,投资组合理论、资本资产定价模型、套利定价理论和期权定价理论是现代金融理论的四块基石。前两者主要依靠均值-方差组合优化的思想,后两者则主要依靠市场的无套利条件。传统的投资方法主要是基本面分析和技术分析两大类,而量化投资则是“利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程”。从概念看,量化投资既不是基本面分析,也不是技术分析,但它可以采用基本面分析,也可以采用技术分析,关键在于依靠模型来实现投资理念与投资策略。为了分析量化投资对证券投资学的启示,本文从量化投资“黑箱”的各个构成来探讨量化投资与证券投资学中思路和观点的差异。

(一)资产定价与收益的预测

根据组合优化理论,投资者将持有无风险组合与市场风险资产组合,获得无风险利率与市场风险溢价。资本资产定价模型则将此应用到单一证券或组合,认为证券的风险溢价等于无风险利率加上与风险贡献比率一致的风险溢价,超过的部分就是超额收益,即投资组合管理所追求的阿尔法值。追求显着正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中,法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说,在因素定价方面,量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择,证券投资学认为,对资产价格的影响,长期应主要关注基本面因素,而短期应主要关注市场的交易行为,即采用技术分析。在量化投资中,主要强调按照事先设定的规则进行投资,这在一定程度上与技术分析类似。但是,在技术分析中,不同的人会有不同的结论,而量化投资则强调投资的规则化和固定化,不会因人的差异而有较大的不同。另外,量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。

(二)无套利条件与交易成本

在证券投资学里,流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券,投资者可以自由买卖证券。这主要是为了保证各种交易都能实现,如套利交易。根据套利定价理论,一旦市场出现无风险的套利机会,理性投资者会立即进行套利交易,当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中,对市场中套利限制与非流动性的关注较少,这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下,金融资产交易的过程及其结果,旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中,不同的市场微观结构对市场流动性的冲击是不同的。因而,从量化投资的角度看,为了降低交易带来的价格冲击,能实施量化投资策略的证券往往都应有较好的流动性,因为交易时非流动性直接影响投资策略的实施。从这个意义上讲,量化投资时的交易成本不仅包括交易费用,更主要的是要考虑市场交易冲击的流动性成本。

(三)风险控制与市场情绪

在证券市场中,高收益与高风险相匹配。量化投资在追求高收益的同时,不可避免地承担了一定的风险。在证券投资学中,系统性风险主要源于宏观经济因素,非系统性因素则主要源于行业、公司因素,并且不考虑市场交易行为的影响。在量化投资中,较多地使用因素定价模型,不仅会考虑市场经济因素,而且会考虑交易行为等因素,只是不同的模型有不同的侧重点,在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外,量化投资还有自身不可忽视的风险源。一方面,量化交易中,部分交易是采用保证交易的期货、期权等衍生品交易,这种杠杆交易具有放大作用,隐藏着巨大的风险。另一方面,市场冲击的流动性成本也是量化投资的风险控制因素,理所当然地在图1的风险控制模型中体现出来。另外,在一般的投资过程中,市场情绪或多或少会成为风险控制的一个对象。然而,在量化投资中,更多的交易都是通过计算机来实现的,如程序交易等,这样以来,投资者情绪等因素对投资决策的影响相对较小。所以,在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪,主要是通过承担适度的风险来获得超额回报,因为毕竟减少风险也减少了超额回报。

(四)执行高频交易与算法交易

在对未来收益、风险和成本的综合权衡下,实现投资策略成为量化投资的重要执行步骤。为了达到投资目标,量化投资不断追求更快的速度来执行投资策略,这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里,技术分析认为股价趋势有长期、中期和短期趋势,其中,长期和中期趋势有参考作用,短期趋势的意义不大。然而,随着计算机信息科技的创新,量化投资策略之间的竞争越来越大,谁能运作更快的量化模型,谁就能最先找到并利用市场错误定价的瞬间,从而赚取高额利润。于是,就诞生了高频交易:利用计算机系统处理数据和进行量化分析,快速做出交易决策,并且隔夜持仓。高频交易的基本特点有:处理分笔交易数据、高资金周转率、日内开平仓和算法交易。高频交易有4类流行的策略:自动提供流动性、市场微观结构交易、事件交易和偏差套利。成功实施高频交易同时需要两种算法:产生高频交易信号的算法和优化交易执行过程的算法。为了优化交易执行,目前“算法交易”比较流行。算法交易

优化买卖指令的执行方式,决定在给定市场环境下如何处理交易指令:是主动的执行还是被动的执行,是一次易还是分割成小的交易单。算法交易一般不涉及投资组合的资产配置和证券选择问题。 三、对量化投资在证券投资教学中应用的思考

从上述分析可以知道,量化投资的“黑箱”构造与证券投资学之间存在一定的差异,因此,在证券投资的教学中应当考虑量化投资发展的要求。

(一)市场微观结构与流动性冲击

在理性预期和市场有效假说下,市场价格会在相关信息披露后立即调整,在信息披露前后市场有着截然不同的表现。在证券投资学里,一般认为价格的调整是及时准确的,然而,现实的世界里,价格调整需要一个过程。在不同的频率下,这种价格形成过程的作用是不同的。在长期的投资中,短期的价格调整是瞬间的,影响不大。然而,在高频交易中,这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型:存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响,解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程,认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型,这些市场微观结构的研究加强了流动性与资产价格之间的联系,强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容,因而,为了加强证券投资学的实用性,应关注市场微观结构的内容与发展。

(二)业绩评价与高杠杆

对于证券组合而言,不仅要分析其超额收益和成本,还要考虑其风险与业绩。在组合业绩评价中,一方面要考虑风险的衡量,另一方面则要分析业绩的来源。在证券投资学中,组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言,市场时机和管理者的能力依然重要,然而,量化投资的业绩评价还应考虑另一个因素:高杠杆。量化交易中,部分交易是采用保证交易的期货、期权等衍生品交易,这种杠杆交易具有放大作用,在市场好的时候扩大收益,但在市场不好的时候会加速亏损,这些与传统的业绩评价就不太一样。在一般的证券投资学里,业绩评价主要考虑经风险调整的收益,很少考虑其杠杆的作用,这不仅忽略了杠杆的贡献,而且有可能夸大了投资者的技能水平。

(三)人为因素与模型风险

篇8

二、量化投资“黑箱”中的构造与证券投资学的差异

在传统的证券投资学中，投资组合理论、资本资产定价模型、套利定价理论和期权定价理论是现代金融理论的四块基石。前两者主要依靠均值-方差组合优化的思想，后两者则主要依靠市场的无套利条件。传统的投资方法主要是基本面分析和技术分析两大类，而量化投资则是“利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程”。从概念看，量化投资既不是基本面分析，也不是技术分析，但它可以采用基本面分析，也可以采用技术分析，关键在于依靠模型来实现投资理念与投资策略。为了分析量化投资对证券投资学的启示，本文从量化投资“黑箱”的各个构成来探讨量化投资与证券投资学中思路和观点的差异。

（一）资产定价与收益的预测

根据组合优化理论，投资者将持有无风险组合与市场风险资产组合，获得无风险利率与市场风险溢价。资本资产定价模型则将此应用到单一证券或组合，认为证券的风险溢价等于无风险利率加上与风险贡献比率一致的风险溢价，超过的部分就是超额收益，即投资组合管理所追求的阿尔法值。追求显著正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中，法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说，在因素定价方面，量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择，证券投资学认为，对资产价格的影响，长期应主要关注基本面因素，而短期应主要关注市场的交易行为，即采用技术分析。在量化投资中，主要强调按照事先设定的规则进行投资，这在一定程度上与技术分析类似。但是，在技术分析中，不同的人会有不同的结论，而量化投资则强调投资的规则化和固定化，不会因人的差异而有较大的不同。另外，量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。

（二）无套利条件与交易成本

在证券投资学里，流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券，投资者可以自由买卖证券。这主要是为了保证各种交易都能实现，如套利交易。根据套利定价理论，一旦市场出现无风险的套利机会，理性投资者会立即进行套利交易，当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中，对市场中套利限制与非流动性的关注较少，这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下，金融资产交易的过程及其结果，旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中，不同的市场微观结构对市场流动性的冲击是不同的。因而，从量化投资的角度看，为了降低交易带来的价格冲击，能实施量化投资策略的证券往往都应有较好的流动性，因为交易时非流动性直接影响投资策略的实施。从这个意义上讲，量化投资时的交易成本不仅包括交易费用，更主要的是要考虑市场交易冲击的流动性成本。

（三）风险控制与市场情绪

在证券市场中，高收益与高风险相匹配。量化投资在追求高收益的同时，不可避免地承担了一定的风险。在证券投资学中，系统性风险主要源于宏观经济因素，非系统性因素则主要源于行业、公司因素，并且不考虑市场交易行为的影响。在量化投资中，较多地使用因素定价模型，不仅会考虑市场经济因素，而且会考虑交易行为等因素，只是不同的模型有不同的侧重点，在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外，量化投资还有自身不可忽视的风险源。一方面，量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，隐藏着巨大的风险。另一方面，市场冲击的流动性成本也是量化投资的风险控制因素，理所当然地在图1的风险控制模型中体现出来。另外，在一般的投资过程中，市场情绪或多或少会成为风险控制的一个对象。然而，在量化投资中，更多的交易都是通过计算机来实现的，如程序交易等，这样以来，投资者情绪等因素对投资决策的影响相对较小。所以，在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪，主要是通过承担适度的风险来获得超额回报，因为毕竟减少风险也减少了超额回报。

（四）执行高频交易与算法交易

在对未来收益、风险和成本的综合权衡下，实现投资策略成为量化投资的重要执行步骤。为了达到投资目标，量化投资不断追求更快的速度来执行投资策略，这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里，技术分析认为股价趋势有长期、中期和短期趋势，其中，长期和中期趋势有参考作用，短期趋势的意义不大。然而，随着计算机信息科技的创新，量化投资策略之间的竞争越来越大，谁能运作更快的量化模型，谁就能最先找到并利用市场错误定价的瞬间，从而赚取高额利润。于是，就诞生了高频交易：利用计算机系统处理数据和进行量化分析，快速做出交易决策，并且隔夜持仓。高频交易的基本特点有：处理分笔交易数据、高资金周转率、日内开平仓和算法交易。高频交易有4类流行的策略：自动提供流动性、市场微观结构交易、事件交易和偏差套利。成功实施高频交易同时需要两种算法：产生高频交易信号的算法和优化交易执行过程的算法。为了优化交易执行，目前“算法交易”比较流行。算法交易优化买卖指令的执行方式，决定在给定市场环境下如何处理交易指令：是主动的执行还是被动的执行，是一次易还是分割成小的交易单。算法交易一般不涉及投资组合的资产配置和证券选择问题。

三、对量化投资在证券投资教学中应用的思考

从上述分析可以知道，量化投资的“黑箱”构造与证券投资学之间存在一定的差异，因此，在证券投资的教学中应当考虑量化投资发展的要求。

（一）市场微观结构与流动性冲击

在理性预期和市场有效假说下，市场价格会在相关信息披露后立即调整，在信息披露前后市场有着截然不同的表现。在证券投资学里，一般认为价格的调整是及时准确的，然而，现实的世界里，价格调整需要一个过程。在不同的频率下，这种价格形成过程的作用是不同的。在长期的投资中，短期的价格调整是瞬间的，影响不大。然而，在高频交易中，这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型：存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响，解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程，认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型，这些市场微观结构的研究加强了流动性与资产价格之间的联系，强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容，因而，为了加强证券投资学的实用性，应关注市场微观结构的内容与发展。

（二）业绩评价与高杠杆

对于证券组合而言，不仅要分析其超额收益和成本，还要考虑其风险与业绩。在组合业绩评价中，一方面要考虑风险的衡量，另一方面则要分析业绩的来源。在证券投资学中，组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言，市场时机和管理者的能力依然重要，然而，量化投资的业绩评价还应考虑另一个因素：高杠杆。量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，在市场好的时候扩大收益，但在市场不好的时候会加速亏损，这些与传统的业绩评价就不太一样。在一般的证券投资学里，业绩评价主要考虑经风险调整的收益，很少考虑其杠杆的作用，这不仅忽略了杠杆的贡献，而且有可能夸大了投资者的技能水平。

（三）人为因素与模型风险

在量化投资中，非常注重计算机对数据和模型的分析，这突出了量化投资的规则性和固定性。然而，实际中，别看量化采用了各种数学、统计模型，但策略设计、策略检测和策略更新等过程都离不开人的决策。量化交易策略与判断型交易策略的主要差别在于策略如何生成以及如何实施。量化投资运用模型对策略进行了细致研究，并借助计算机实施策略，能够消除很多认为的随意性。但是，量化策略毕竟体现投资者的交易理念，这一部分依赖于投资者的经验，一部分依赖于投资者对市场的不断观察与更新。实际上，人始终处于交易之中，对于市场拐点以及趋势反转的判断主要还是依赖投资者的经验。光大的乌龙指事件充分表明了人为因素在量化投资中的两面性：决策实施依赖于人的设定，而人的设定不仅依赖于经验，而且人还会犯错。人之所以会犯错，一方面是因为人们对市场的认知是不完全的，另一方面则是人们使用了错误的模型。经典的证券投资理论中，股票价格的变动被认为是随机的，小概率事件出现的机会比较小，但是经验研究表明股票收益率具有肥尾现象，小概率事件发生的机会超出了人们原先的认识，即市场还会出现“黑天鹅”。更为关键的是，量化投资更依赖数学和统计模型，这就使得量化投资存在较大的模型风险，即使用了错误的模型。为了防范模型风险，应采用更为稳健的模型，即模型的参数和函数应该适应多种市场环境。近年来，研究表明，证券收益及其与风险因素的关系存在较大的非线性，同时，市场中存在一定的“噪声”，采用隐马尔科夫链等随机过程和机器学习等数据挖掘技术进行信息处理成为量化投资的重要技术支持。

篇9

房地产信托项目风险受多方面因素综合影响很难将定性的指标定量化，导致评价标准和因素影响程度存在一定模糊性和不确定性。运用层次分析法与模糊综合评价法，可以做到定性和定量因素相结合，使评估结果更加科学合理。

一、房地产信托风险水平评价基本原理

层次分析法，简称AHP法，是美国匹兹堡大学的教授、著名运筹学家T.L.Seaty于20世纪的70年代中期提出的一种系统分析方法。是将与决策是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。此方法不但弥补了专家打分法太过笼统的缺陷，还可以以专家打分为基础定量分析得出相应的权重向量。模糊综合评价法是根据模糊数学的隶属度理论，把定性评价转化为定量评价，对受到多种因素制约的对象做出一个总体的评价。它具有结果清晰、系统性强的特点，能较好地解决模糊的、难以量化的问题，适合各种非确定性问题的解决。

二、房地产信托风险水平评价基本步骤

（一）建立层次结构模型

结合实际问题深入分析研究后，将各个因素按不同属性由上往下分层。通常分为三个层次，最上面一层为目标层，通常只有1个因素；中间层通常为准则或指标层，可以有一层或几层。当准则层风险因素过多时需要进一步分解出子准则层，最下一层通常为方案或对象层。同一层的各个因素从属于上一层的因素或对上层因素有影响，同时又支配下一层的因素或受到下层因素的作用。

在分析房地产投资风险影响因素的基础上，根据指标体系构建的原则，构建房地产投资风险的评价指标层次体系，包括：目标层、准则层和指标层。结合众多学者在房地产投资风险评价指标体系方面的研究，以房地产投资风险影响因素为主要依据，建立房地产信托风险层次结构模型，如图1所示。

（二）构造成对比较阵

从层次结构模型的第2层开始，对于同一层的各个因素，用成对比较法和1-9比较尺度构造成对比较矩阵。两两因素相比较，产生量化数值。比较情况如表1所示。

（三）计算权向量并做一致性检验

对于每一个成对比较阵，运用几何平均法计算最大特征根及对应特征向量。首先将成对比较阵同一行的各个数值相乘，然后将其开n次方，n为矩阵的阶数。然后求和所得向量，进行归一化处理的权向量.利用一致性指标、随机一致性指标和一致性比率做一致性检验。若检验通过，特征向量（归一化后）即为权向量；若不通过，需重新构建成对比较阵。

篇10

传统的证券风险分析当中必然会同一个与之如影随形的概念联系在一起，那就是收益，同时，在西方传统的经济学当中风险和报酬存在着这么一个函数关系，甚至在一些传统的经济学课本上作者为了简化两者之间的关系，将两者简单的归结为一个完美的线性关系，即风险与收益之间是一对一的数学关系，并且存在着这样一个逻辑：风险越大，报酬或者收益也就越大，反之亦然。即使是稍微尊重事实一些的经济学教材也运用了高等数学当中线性回归的方法将两者的关系从非线性回归为一对一的线性关系。除了学界对于风险的分析是从报酬或者收益出发的以外，在国外或者国内的民间也有类似的对于两者关系的表达，例如我国有句老百姓口中经常说到的“富贵险中求”就是对两者的关系的简单认识。因此，传统证券风险分析的源头明显是来源于对于报酬的分析。

（二）传统证券风险量化指标的数学方法的应用

传统的证券风险理论认为证券的总风险=可分散的风险+不可分散的风险，其中可分散的风险主要指的是个别证券自身存在的风险，而不可分散的风险则是指市场风险，下面笔者介绍一下传统证券风险量化的两个重要的指标――标准差与贝塔值。

第一，标准差。传统证券风险理论认为个别证券的风险可以从单个证券的报酬率为起点进行分析。财务投资专家从高等数学当中引入了一个衡量证券报酬率的波动性量化分析的指标――标准差来进行对单项证券风险的判断，进而判断出相同期望报酬率和不同期望报酬率时对于不同投资的选择。测算的步骤如下：第一步，确定各种市场需求下各类需求发生的概率；第二步，计算出期望报酬率，其实质上是对于各类市场需求下的报酬率的加权平均数。第三步：根据标准差的数学公式计算出标准差，σ=[Σ（ri-?）2×Pi]1/2其中ri是第i只证券的报酬率，?是期望报酬率，Pi是第i只证券的报酬发生的概率。结论是在期望报酬率相同的时候，标准差越大证明该证券波动越大，风险也就越大，反之亦然。在期望报酬率不同时引入了另外一个概念即离差，由于基本原理也是根据标准差衍生而得，在此不再赘述。[1]

第二，代表市场风险的贝塔值。我们在第一点中提到的标准差主要衡量的是单项证券的风险，而贝塔值的引入主要是考虑到了证券组合的风险构成当中不可分散的风险即市场风险。而贝塔值的测算公式从数学的角度来说实际上是利用了标准差的升级版公式即协方差，协方差主要是衡量了两组数据之间的相关程度，以此来判断证券组合的报酬率与市场报酬率之间的数理联系，进而判断出不可分散的风险。理论上贝塔值的计算是βi=（σi /σm）ρim，其中βi第i个证券组合的市场风险程度，σi，σm分别第i个证券组合的标准差与市场证券组合的标准差，ρim代表第i个证券组合的报酬与市场组合报酬的相关系数。实际当中β系数可以通过将股票报酬对市场报酬做回归得到，拟合得到的回归线的斜率就是证券的β系数，即β=Ri /Rm。[2]

二、价值投资理念下风险与报酬的关系

价值投资理念是华尔街之父本杰明格雷厄姆所创立，在其传世之作《证券分析》当中明确提出了有关投资与投机概念，其中论及投资界老生常谈的收益与风险的问题时结论与传统证券风险分析有着本质的不同，格雷厄姆明确指出收益与风险之间不存在着数学关系，并且认为证券的价格与收益并非取决于对于其风险的精确数学的计算，而是取决于该证券的受欢迎程度，而这种受欢迎程度本身包含了投资者对于风险的认识，但很大程度上还受到如公众对公司和证券的熟悉程度，证券发行与购买的容易程度等。[3]并进一步指出，无论是理论上还是实际当中，对投资风险进行精确的计算都是不可能成功的，现实当中并没有所谓的期望报酬率的概率经验表，即使存在也是基于对于历史数据的分析得到了，而历史数据之于未来决策的有用性或相关性的大小还有待考证，其研究范围不同于保险公司对于保单的精确测算，例如人寿保险能够明确的了解年龄与死亡率之间的关系是明确的。而证券的风险与报酬之间的关系则没有如此的确定。[4]

三、价值投资理念下传统证券风险量化分析的反思

以上笔者对于传统的证券风险理论与量化方法以及价值投资理念下关于风险与收益的关系进行了论述。笔者认为，价值投资理念下有关论述对于我们重新审视证券投资中风险因素的衡量有着非常重要的意义。

首先，笔者认为，标准差的计算过程本身就存在着无法避免的瑕疵，这一个公式至少有两个基本假设，第一，计算的人必须能够客观的预测出各种市场情况发生的需求概率，并且准确的在各种概率下发生的报酬率；第二，假定历史数据对于未来的投资决策具有确定的相关性。但是在现实生活中根本是无法预测的，这种算法实质上是硬将自然科学当中的数学模型强加到社会问题的研究当中，不可否认的是，目前来说大量的社会问题是无法通过数学来量化的，因为证券的风险当中不仅仅只有报酬因素的影响，还有各种在不同市场条件下的因素决定的，而这些因素又相互的的影响和动态的变化。因此，标准差的方法受到了质疑，后续的离差率、β值的计算自然也就没有了根基。

篇11

一、引言

对于任何一项投资，环境条件的优劣直接影响了投资效益的好坏。 投资环境是影响房地产投资行为的外部因素的总体,是理性的房地产投资活动赖以进行的前提。在一定的条件下,投资环境因素对房地产投资的成败起着关键的作用。由于高投入、高风险、复杂性、开发周期长及影响因素多等方面的原因,所以科学的对投资环境进行分析并对投资的前景进行预测,是防止风险和确保高收益、高回报的必要前提与基础。房地产投资环境评价工作在经济生活中日益受到人们的重视，评价方法的研究也在逐步展开。目前，常见的房地产投资环境定量评价方法包括初级因素打分法、多因素系统评估法、综合性定量方法、雷达图分析法、关键因素评估法等。但这些评价方法对于主观性指标处理得比较粗糙。变权综合法由于所需数据少,评价准确性高；而且更能突出指标体系中个别指标的明显变化，比常权综合法更接近专家评估的思维模式，所以它在社会各行业得到广泛应用。本论文建立了一个基于变权综合评价方法的投资环境评价模型,并以河北省某地区为例,给出了一个实证分析。

二、变权综合法

定义2.1称为一个m维常权向量，如果对于任意,有,且满足。

定义2.2 给定映射，称向量,为m维局部变权向量，如果满足:

(1)归一性

(2)惩罚激励性：对每个，存在，且，使得关于在内单调递减，在内单调递增。

定义2.3 给定映射,称向量,为m维局部状态变权向量，如果对于每个，存在，且，满足条件：

(1)对于每个，对于常权向量,在上关于递减，在上关于递增。

(2)当时，;当时，。

定理2.1 设为一个m维局部状态变权向量,为任一常权向量，则, 为一个m维局部变权向量。

给定指标集,各指标的常权分配为，某被评价对象各指标的评价值为：，取定局部状态变权向量:,可得局部变权向量：,于是综合评价值为：

三、基于变权综合法的房地产投资环境评价模型

房地产投资环境评价指标体系是对投资环境进行综合评价的依据和标准。它的设置应符合系统全面、简明科学、稳定可比、灵活可操作的原则。因此，本文按隶属关系、层次结构，将影响投资环境的因素加以系统分析和合理综合，其构成要素一般分为政治、经济、自然、基础设施和社会因素四大方面。欲建立房地产投资环境测评模型，应遵循：构建评价指标体系评价指标定量化建立测评模型。根据以上分析，本文借助层次分析法确定了权重向量，基于变权综合法建立一类测量房地产投资环境的定量化模型，具体步骤如下：

1.运用层次分析法，建立层次结构模型，确定权重系。如表1所示，

表1 河北省房地产投资环境指标体系

2. 下面我们通过对河北省某地区房地产投资环境进行评价。我们邀请了10位专家，分别对各指标进行按评分标准打分，得到二级指标状态值。

比如我们首先取定:

得到房地产投资环境评价过程如表2:

表2

按照上述步骤，经过计算得出：虽然该地区社会政治环境和基础设施环境都较好，但由于自然环境和经济环境稍差，采用变权综合法达到了惩罚的目的，而常权综合却未能达到此效果。

四、结束语

由于房地产投资环境复杂性，不确定的影响因素众多，投资者对环境的选择尤为慎重，投资环境的好坏直接影响到投资者的收益。对投资环境做一个公正合理的评价至关重要。本论文所采用的变权综合评价法，运用定性和定量相结合，专家评价和科学计算互相补充的分析方法，比常权评价法更为准确，具有一定的适用价值。

参考文献:

[1]姚炳学李洪兴:局部变权公理体系[J].系统工程理论与实践,2000,20(1):106～112

[2]罗萍，投资环境的变权综合评价法[J].商场现代化, 2006年10月(中旬刊）:183～184

[3]王晓玲:素质教育评价中的变权综合方法[J]．系统工程理论与实践，2004.4(4):136～140

篇12

中图分类号： F407.6 文献标识码： A

一、电力工程技术标的特点。

由于电力工程是技术密集和复杂的工程，安全、质量管理要求高，工期一般要求紧，决定了电力工程的技术标存在如下特点。

1、竞争激烈。随着国家产业能源政策的调整，以及前段时期火力发电行业的突飞猛进，火力发电机组装机容量接近饱和，电力建设市场急剧萎缩，国家每年核准的电力建设项目数量不足前段时期每年核准数量的一半，而电力施工企业没有减少，呈现明显的僧多粥少的局面，加剧了电力工程建设市场的竞争。

2、系统复杂自动化程度高。电力工程一般包括厂房结构建筑施工、设备基础、烟塔施工、热力系统安装、发供电系统、除灰渣系统安装、燃料系统设备、脱销脱硫系统等，设备数量上万件，专业涉及土建、锅炉、汽轮机、发电机、电气、热控、环保、消防、调试、运行等专业，系统极其复杂，且通过DCS实现自动控制和调节，自动化率达到100%，自动化程度较高，决定了电力建设项目技术密集的特点。

3、资金密集。火力发电工程的投资额度都比较大，总投资可以高达几十亿，一般一个2×600MW的火电机组工程的动态投资达到40多亿，其中施工费用将超过10多亿元，属于高投入的资金密集型行业。

4、投标期短。为了缩短整个工程的建设周期，投资方往往把投标期压缩的很短，从招标公告到投标截止，都是按照国家规定期限的下限确定，使得投标单位没有足够的时间对招标文件进行全面的评审，也没有足够的时间进行市场调查和技术分析，只能凭借以往的经验和数据进行技术标的编制，增加了技术标的编制难度。

5、招标条件不够完备。 为了尽快见到投资效益，缩短投资回收期，招标单位往往在设计技术资料不完备的情况下就开始招标，属典型的“三边”工程。如施工总平图未确定、主要设备甚至主机设备还没选型、确定大型机械布置的锅炉大板梁的尺寸和重量还没确定、设计接口方案还没经过评审和审批等，这时的投标单位只能参考同类型机组的技术参数进行技术标的编制，增加了技术标的不确定性。

二、技术标编制步骤。

对于电力工程施工投标文件的技术标可按以下步骤进行：研究招标文件复核工程范围市场分析研究编制投标文件技术标技术标评审投标。

1、研究招标文件。投标前要对招标文件进行详细的研究和评审，特别是投标须知和投标文件要求部分的内容，了解招标文件对技术标的内容、格式、打印装订方式等的要求，了解招标文件对特殊施工措施如定子吊装是否有规定的要求，以及安全、质量、进度等的目标控制要求及措施，对创优策划等的要求，要重点学习研究和把握，做到心中有数，为下一步工作顺利进行打下基础。另外还要仔细研究分析评分标准的要求，确保不因标书的完整性而丢分。

2、复核工程范围。每个电力工程的标段划分是完全不相同的，投标前要对招标文件中投标须知描述和附件中的招标范围进行复核，包括复核招标文件界定的系统范围、设备名称、设备规格型号、设备数量等，以免多余的误将其它标段的施工任务写在本标段，而遗漏本标段的施工任务。

3、市场分析研究。主要依据招标文件分析的结果，进行针对性的调查并分析研究，包括市场的施工机具的行情（包括参数和价格），所使用的物资材料的行情（包括规格和价格），专项施工技术措施的特点，先进施工技术的应用等。通过调查分析和比较，选出系统简单、操作简便、安全可靠的施工方案措施，给招标方以崭新的技术面貌，取得招标方的青睐。

4、编制技术标。编制技术标的原则是要响应招标文件，突出自己的质量优势，突出对工期的管控优势，突出对特殊技术的运用优势，特别是性能参数、技术经济指标等量化的数据，不能突破业主招标文件的要求，在尽可能的情况下，提高质量标准等级，要优于业主提出的指标要求，缩短业主指定的施工工期，取信于招标单位。同时还要关注招标单位的关注焦点，投其所好，取得招标单位的好感。

5、技术标评审。主要评审技术标的符合性和先进性，评审技术标的内容和格式是否与招标文件要求的相一致，是否有增减项目的情况，所选用的施工方案是否是安全可靠经济实用的，所确立的目标是否与招标文件保持一致或优于招标文件，所用的技术术语是否与招标文件相同等。

三、技术标的编制原则和内容要求。技术标的编制原则主要是响应招标文件，满足招标单位质量和安全得需要，所采用的技术方案先进可靠，且成本最低。主要内容是指施工组织设计的编制，主要包括以下内容：编制依据、工程概况、工程范围、工艺设计及步骤、工艺计算校核、工期计划、资源计划、质量技术措施、安全保证措施、危险因素分析等。

1、编制依据。主要列出招标文件要求执行的规程规范、技术标准、业主提供的所有依据资料等，以及投标单位总公司的相关要求如程序文件等。注意版本和有效性，所依据的规程规范应是最新的和有效的，且还是技术标准较高的有代表性的参考依据。

2、工程概况。主要依据招标文件内容描述项目的建设意义、地理位置、机组容量、筹建情况、投产日期、总体规划，以及主要设备情况等内容。

3、工程范围。主要描述本标段的工程范围内容，能具体量化的要进行具体量化，尽量叙述清楚和准确，以免中标后引起争议。

4、工艺设计及步骤。主要描述整体施工方案的思路，包括机械设置、施工流程、注意要点、所要编写的主要方案清单等。

5、工艺计算校核。主要包括力能校核、强度校核、性能校核等，用可靠的理论支撑安全施工。

6、工期计划。首先要响应业主提出的网络工期，在保证安全和质量的前提下，要提出缩短工期的目标和措施。

篇13

1.1构建基于资产负债率限制的电网投资测算模型电网企业的投资能力主要取决于企业的经营状况，投资能力的来源主要包括企业经营的收益和融资，在假设公司以前年度可投资资产为零的情况下，后续投资能力的公式如下：

1.2基于资产负债率限制的电网投资测算模型各项参数的计算式（4）中，Fi为第i年的负债率，电力企业的资产负债率由主管单位制定，在网省企业目前确定的最大资产负债率为68%。Qi-1为第i-1年的资产总额，Si-1为第i-1年的负债总额。④Ji。按照公司的年度营业性支出按照固定的比例设定。

2某电网企业的实例应用

2.1负债率限制下的电网公司最大投资能力测算模型实例计算根据某省电力公司2001～2013年的财务资料，参照投资能力分析模型的要求，按照相关机构对2014～2030电力供需的研究及电力公司计划投资的预测，按式（1）分析该公司在2014～2030各年度的最大投资能力情况。①根据对2014～2030各电价水平的售电预测，各电价水平的购电量预测（电价采用目前的价格水平），同时预测其他运营的收入和输配电成本的情况，形成的2014～2030各年度的利润见表1。②按照2014～2030年的实际投资预测，及2013年的资产净值情况，计算2014～2030的折旧情况如表2。③按照2014～2030的预计投资情况及公司经营的情况，按照最多资产负债率的要求，预测2014～2030年各个年度的最大融资能力，结果如表3。④按照2014～2030年的成本规模，流动资金按以下两种方式留存：一种是5%的购电成本加上5%的输配电成本，另一种是5%的购电成本加上10%的输配电成本计算实际的投资能力，并绘制投资能力曲线如图1。

2.2电网企业的最大投资能力分析通过以上的表、图可看出，目前某电力企业计划投资的规模较大，其实际计划的投资已经接近公司的最大投资能力了。在以5%购电成本，10%输配电成本作为留存流动资金的情况下，部分年份的投资甚至已经超出68%负债率限制下的最大投资能力了。此时，需考虑过度投资可能带来的风险。电网企业的投资具有资金数额相对较大、资金占用时间长的特点，如果投资计划不符合实际情况，超偿债能进行投资，可能引起不能按期偿还贷款，造成融资风险。

2.3模型计算步骤步骤1，通过计算售电收入、其他收入、购电成本和其他成本，计算出公司第i年的经营利润，然后计算出上缴利润。求出第i年的净利润。步骤2，计算固定资产的折旧，首先计算存量资产的折旧，根据上年度的固定资产净值，扣除每年的折旧，按照剩余年度平均折旧（考虑公司实际经营是连续的情况，从开始研究年度的固定资产折旧按照12年的折旧年限计算）。其次计算新增资产的折旧额，为简化计算资产原值按照实际的投资额计算。步骤3，计算最大融资额，其中的还款额在后续的计算中，同整体公式中的还款额相抵消，故无需计算。步骤4，计算留存的用于经营的流动资产及企业的最大投资能力，并通过迭代的方式计算预测阶段内的各个年度的投资能力，绘制投资能力曲线。