在投资领域,最为重要的就是研究在控制一定风险的情况下,如何进行买入与卖出。通常,我们无法知道下一笔交易是盈利还是亏损,但是通过一定的交易策略,我们可以在保持一定期望收益的同时,最大限度地减少在交易过程中所遇到的风险。目前,统计分析法被广泛地应用于市场分析中。大多数投资者都倾向于使用样本数据来判断未来的市场是走高还是走低。例如,在股票市场,投资者通常使用利润、销售和债务来判断公司的公允价值,并通过横向比较来选取表现较好的公司;在商品市场,投资者通过供给-需求的趋势来判断市场走向。另一个正在流行的分析方法是技术分析。技术分析不会企图通过基础数据去预测市场移动,相反地,技术分析认为一个具有充分信息的市场参与者并不会比其他参与者掌握更多的信息。所以,技术分析者认为价格是所有信息相互作用后的最终表现。所以,技术分析倾向于以市场价格为出发点,通过挖掘市场运行机制进而预测价格走势,从而实现投资上的收益。与此同时,在投资领域还存在一种投资方式,它不像技术分析那样过度地依赖个人,而是遵循某种固化下来的特有规则,它在使用过程中不会因为不同的策略使用人而产生不同的效果,这种方法在一定程度上抑制了投资者的主观过度投资行为,从而使得策略在执行过程中更加稳定、并且具有很好的可预期性。这就是所谓的量化投资技术。量化交易过程在一定程度上可以认为是程序化交易过程。量化投资策略是一系列技术分析与统计分析的组合,这些分析使用价格指标或者使用以市场价格为基础计算的复杂指标作为买入或者卖出的信号。一旦一个交易策略形成,我们就可以通过历史数据对其进行检验,判断这个策略在历史上是否是成立的。一旦成立,它就有可能在未来的市场上依然适用。通过历史数据检测后,我们就可以使用该策略在不同的市场上进行模拟交易,通过在多个市场上进行模拟交易,就可以通过模拟的结果进行动态规划,找出一个稳定的方法来达到维持期望收益不变的条件下降低交易风险的目的。近些年来,随着计算机技术的发展以及资本市场的深化发展,量化投资模型逐渐呈现出多领域,交叉化的发展趋势。模型的研究与应用已经不仅仅限制在以往单一的投资逻辑以及数学模型的推导与演化中。相应地,很多其他领域的研究成果越来越多地被应用到量化投资领域。未来量化模型发展的趋势是,以投资逻辑为基础,把各个领域内的研究成果(只要与投资逻辑项吻合)运用到这个逻辑的建立上来,进而形成模型。本文的研究目的在于通过对金融数据以及金融模型进行适应性分析,研究在不同的资本市场中,金融数据能否反应出目标市场的内在规律,进而在模型适应性研究的基础上,尝试建立一个更为有效地量化模型体系,实现更优的选股效果,使得在维持期望收益的同时,最大限度地减少交易风险。在研究内容上,本文着重研究投资行为中量化选股模型的适应性。研究发现,衡量不同量化选股模型适应性好坏的最终标准在于对应的选股模型能否筛选出具有很好区分度的股票组合。第一步,本文首先对资本市场中金融数据的特点与性质进行研究,进而探讨金融数据的建立、处理与分析。第二步,分析国内外诸多量化模型的优势与不足,进而以我国上证股票市场数据为基础,对不同行业,不同风格市场下量化投资模型的适应性进行研究,并在此基础上建立量化投资模型适应性评价体系,用以评价量化投资模型在不同市场的适应程度。通过对不同量化模型在我国市场中的适应性进行对比分析,我们发现,决定一个量化模型在不同市场上适应性好坏的关键因素在于以下两个方面:一是如何对股票市场中的表征向量进行有效性分析,使得所筛选出来的表征因子与股票收益存在更强地的内在关系。二是如何建立一个稳定精确地映射模型,使得二者的内在关系能够被更为精确地地进行量化,进而进行有效地股票分类识别,得到具有最大区分度的股票组合。第三步,在对量化投资模型进行适应性研究的基础上,本文梳理了股票市场中与投资收益相关的表征向量,对股票市场表征向量进行分析,建立了量化投资表征向量有效性分析模型,从相关性、可预测性以及可持续性等不同的维度度量了股票市场表征向量在特定的目标市场下有效性,从而筛选出可靠的,能够反应股票收益的表征向量。第四步,在建立了量化投资表征向量有效性分析模型之后,本文进一步研究股票数据与量化投资模型之间的关系,尝试建立一个更为有效且适合中国股票市场的量化投资模型,从而挖掘股票市场内部的传导机制、探究表征向量与股票市场收益的相互影响。在研究过程中,我们发现表征向量与股票收益并不一定总是呈现出线性相关的特性,更多的时候,它们的关系是复杂的,非线性的。针对这些问题,我们将数学领域中的支持向量机理论与股票市场中的模型相结合,在量化投资选股过程中引入支持向量机理论,建立反应表征向量与股票收益关系的非线性超平面,使得对二者关系的度量更加精确。在此基础上建立基于支持向量机的量化选股模型。第五步,我们运用中国股票市场的数据,对不同市场、不同行业、不同持有期限下量化选股模型的适应性进行了实证研究,探讨中国股票市场中量化投资模型的应用深度。我们以上证a股市场为研究对象、对不同持有期下量化选股模型在不同行业、不同风格版块下的适应性进行了实证研究。研究中选用的数据样本量巨大,主要以上证a股市场为研究对象,经过数据筛选共计得到810只股票在1666个交易日共计8,096,760条逐日数据,3,670,531,200条分时数据。通过大量的实证分析,我们得出了以下结论:1、资本市场的股票表征向量与股票收益之间存在着较强的相关性,因此,能够通过对股票表征因子进行分析,从而选出收益良好的股票投资组合。但它们之间的关系并不是线形依存的。2、通过引入支持向量机理论,建立反应股票表征向量与股票收益关系的超平面,可以有效地反应股票表征向量与收益的相互关系。3、本文建立的量化投资表征向量有效性分析模型能够针对不同的股票,对反应股票收益的表征向量进行有效的筛选4、本文建立的基于支持向量机理论的量化选股模型对于上证a股市场整体具有很好的适应性,基本上可以实现股票优劣组合的分类并且在等权重持有的情况下能够实现客观的收益。但针对不同的市场阶段和持有期,模型的适应程度并不一致,具体呈现出,中期和长期持有优于短期持有;股票市场震荡期和下行市场阶段的效果优于上行市场。5、不同市场划分下,量化选股模型呈现出不同的效果,在工业领域和商业领域,模型的选股分类效果比较好,不过,模型对商业领域的适应程度要优于工业;在公共事业领域和综合领域,模型的选股分类效果比较差,所形成的股票组合没有显著的区分性。6、在不同市场风格划分下,量化选股模型对小盘市场和中盘市场的选股分类效果要优于大盘市场。但在不同的市场区间上,模型对下行市场和震荡市场的的选股分类效果要好于上行市场。总体来说,本文在对传统量化模型进行适应性分析的基础上发现了决定量化模型适应性好坏的两个决定性因素。进而提出了量化投资表征向量有效性分析模型以及建在在其基础上的基于支持向量机理论的量化选股模型。经过实证研究表明,模型对于上证a股市场整体的具有很好的适应性。同时,通过引入支持向量机理论中的超平面分类方法,为从非线性角度研究股票表征向量与股票收益关系提供了有益的尝试并取得了很好的效果。本文通过分析量化投资模型在我国股票市场的适应性,建立了量化投资模型适应性评价框架,进而根据我国股票市场的自身特点建立了量化投资表征向量有效性分析模型,并结合表征向量与股票收益的非线性特征建立了基于支持向量机的量化选股模型。在具体研究过程中,本文分别在理论研究和实证研究两个方面进行了创新,具体如下:在理论方面,1、从价值、动量、技术三个角度对股票市场反映股票收益的表征向量进行梳理与分类,建立量化投资表征向量指标体系;2、建立量化投资表征向量有效性分析模型,提出使用信息比率评价表征向量的有效性;3、将支持向量机理论与选股模型相结合,建立基于支持向量机的量化选股模型,得到反应表征向量与股票收益关系的最优超平面,从而对股票市场中的股票进行选择与分类。在实证研究方面,建立量化投资模型适应性评价标准,在此基础上对比了我国资本市场中不同市场、不同行业,不同持有期下模型额有效性以及应用深度,从多个维度对模型在国内的适用性分析进行了研究,对量化投资在国内环境下的应用发展提供了一种判断与评估方法。与此同时,本文的不足之处在于以下两点:1、由于文中只是基于常用的表征向量进行了分析,在指标的覆盖程度方面存在不足。同时,由于资本市场的态回馈的敏感性,文中对模型的运用造成的市场逆影响的敏感度测试还有待研究;2、由于现实世界中资本市场的复杂性,股票市场表征向量与收益之间你的关系往往是难以精确解释的,基于超平面理论的非线性关系并不能完全地对其进行解释,所以,对这种非线性关系的研究与度量有待深入,以期更加全面精确地量化股票表征向量和股票收益之间的关系,进而建立更加有效地量化投资模型。