量化投资发展历史及阶段划分 [page::0][page::8]

• 国内量化投资发展较晚，划分为1.0（2002-2010）、2.0（2010-2015）、3.0（2015-2019）、4.0（2019年至今）四个时代；

- 1.0时代为量化策略起步，2.0时代引入量化选股、对冲、期货期权策略，3.0时代以高频策略为主，4.0时代策略多元化和人工智能技术加持；

• 量化策略成为国内外主要投资方式，公募量化基金规模快速增长，市场认可度提升[page::0][page::8][page::2].

海外量化技术起源与重要理论发展 [page::3][page::4][page::5]

• 量化思想最早追溯至古希腊，金融工程奠基人Liber Abaci、Cardano等；

- 大数定律、概率论、布朗运动、伊藤引理为现代量化金融数学基础；

• 现代投资组合理论(MPT)、资本资产定价模型(CAPM)、Black-Scholes期权定价模型和套利定价理论(APT)共同构成现代金融理论体系；

- 21世纪云计算、大数据和机器学习推动量化向自动化、智能化发展[page::3][page::4][page::5].

量化选股模型与策略构建流程 [page::9][page::10]

• 量化选股主要模型类型：多因子模型、事件驱动模型和基本面量化模型；

- 数据来源包括财务数据、量价信息、分析师预期、资金流以及非传统数据；

• 多因子选股策略流程涵盖因子选取、有效性检验、因子筛选合成、组合优化及绩效归因；

- 一些私募运用机器学习进行批量化因子挖掘，提高因子质量和策略收益稳定性。

量化对冲及其他策略分类及表现 [page::10][page::11][page::12][page::13][page::14]

• 量化对冲策略包括股票市场中性、多空策略、CTA策略及套利策略，适合市场震荡或下跌期；

- 量化对冲基金显著优于沪深300在市场下行期的表现：

• 期货策略覆盖趋势跟踪、套利及网格等多样化方法；

- 期权策略涵盖方向性交易、波动率交易、套利及套保等；

• 债券策略包括被动和主动投资，关联宏观经济与资金面。

高频交易与4.0时代智能化趋势 [page::14][page::15][page::16][page::18]

• 高频策略特征：全自动程序交易、大交易量、超短持仓时间、高交易频率，收益稳定但容量有限；

- 高频策略类别包含造市交易、统计套利、新闻交易、低延迟策略等；

• 智能化量化策略应用人工智能技术，涵盖机器学习各模型（线性、树模型、神经网络、图模型等）；

- 国内外对AI量化策略投入显著提升，全球对冲基金AI使用率从2010年1%快速增长至2019年超20%。

多元化策略配置与MOM产品介绍 [page::18][page::19]

• 量化策略未来趋向资产、风格和管理人的多元化资产配置，提升风险分散和稳健性；

- MOM模式通过精选管理人构建多资产组合，实现分散风险和提升收益；

• 证监会制定MOM管理产品指引，规范发展多管理人产品，推动资本长期配置。

报告详尽分析：《量化简史一：量化投资策略的前世今生》

---

一、元数据与概览

• 报告标题：《量化简史一：量化投资策略的前世今生》

- 作者与分析师：郑兆磊、刘海燕

• 发布机构：兴业证券经济与金融研究院

- 发布日期：2021年12月3日

• 主题：量化投资策略的发展历史、现状及未来趋势，重点涵盖国内外量化投资技术的演变及其应用领域。

核心论点及目标

报告详细梳理了量化投资的历史起源与演化路径，从最早的数学理论基础到现代量化交易的各个阶段，重点分析了海外与国内量化投资策略的发展脉络，尤其是国内市场量化技术的四个演进阶段（1.0至4.0时代）。报告强调，量化投资因稳定的业绩和规模的扩大，已成为全球资本市场的主流投资方式；同时，人工智能和大数据技术推动量化投资进入智能化、多元化及自动化的新阶段。

报告意图帮助投资者理清量化投资的全貌，减少误解，正确认识量化投资的内涵和优势，并为未来量化策略的构建提供理论与实务基础。

• 明确表示本报告基于历史数据分析，不构成投资建议。[page::0][page::2]

---

二、逐节深度解读

2.1 引言

• 量化交易定义为通过计算机程序执行买卖指令，依赖数学模型替代主观判断，甄别具备“高概率”超额收益的事件。

- 减少投资者情绪波动的影响，降低非理性操作风险。

• 高算法交易比例的海外市场实例（美国股市算法交易占比稳定在70%-80%，外汇市场高达80%）。

- 国内量化基金资产规模明显提升：公募量化基金2021年三季度末规模为2541.93亿元，高于2010年的726.92亿元；私募量化基金规模截至2020年底达6999.87亿元。

• 量化基金在市场动荡中表现出稳定性优势，2021年前三季度主动量化基金回报显著优于偏股主动型基金。

- 报告为《量化简史》系列开篇，后续章节依次介绍海外量化技术起源、国内量化发展及未来展望。[page::2]

2.2 海外量化技术的起源与演变

量化思想萌芽

• 从远古时期Thales对橄榄收获的看涨期权交易开始，朴素体现了量化思维。

- 1202年Leonordo of Pisa的《计算之书》奠定金融工程基础。

• 16世纪Cardano对概率理论的开创性贡献，进一步由Pascal、Fermat发展成概率论体系。

- 伯努利家族推动大数定律和期望理论。

• 1900年Louis Bachelier首次用布朗运动模拟股票价格路径，奠定现代数学金融基础。

理论蓬勃发展

• 20世纪中叶Markowitz的现代投资组合理论(MPT)及Sharpes资本资产定价模型(CAPM)等理论，为资产定价和风险管理奠定了基石。

- 1970年Fama的有效市场假说指导市场价格对信息的反应。

• 1973年Black-Scholes期权定价模型发表，引发衍生品市场革命。

- 1976年套利定价理论(APT)提出，扩展CAPM多因子资产定价框架。

• 高频交易、统计套利等策略也在此时期兴起。

21世纪发展

• 大数据、云计算、机器学习兴起，推动人工智能与量化投资的深度融合。

- BarclayHedge调研显示，2018年近56%对冲基金使用AI技术，较2017年有显著增长。

报告列举海外量化演进的关键事件表，系统展示量化金融理论奠基者及其贡献，突出20世纪为“量化金融理论黄金时代”[page::3][page::4][page::5]

2.3 现代资产组合理论（MPT）

• 提出资产不应独立评估，而是考虑对整体投资组合的风险和收益贡献。

- 追求投资组合的多样化，实现风险降低和收益优化。

• 理论虽有影响力，但被质疑与现实市场偏态分布不完全吻合，后续出现了非正态分布、Black-Litterman模型等改进。[page::5][page::6]

2.4 资本资产定价模型（CAPM）

• 展示单个证券的预期收益和市场风险（Beta）之间的线性关系，基于一系列理性假设。

- 被广泛用于资本预算和投资决策，但批评其依赖历史数据预测未来的局限性。

• 现代CAPM尝试通过未来风险估计弥补历史数据缺陷。[page::6]

2.5 Black-Scholes模型

• 针对欧式期权的定价模型，构建在无风险利率恒定且股票价格服从几何布朗运动的基础上。

- 后续Merton扩展模型适应派息股票期权。

• 模型核心机制为“连续delta对冲”，消除风险。

- 广泛被金融机构用于期权定价及衍生品风险管理。

• 该模型推动国际金融市场的效率与互动。[page::7]

2.6 套利定价理论（APT）

• 将多因子风险视角与资产定价结合，资产预期收益为多因子线性组合。

- 理论完善了CAPM的单因子限制，为理解市场风险和收益提供另一思路。

• 与MPT、CAPM、Black-Scholes构成现代金融学基石。[page::7]

---

3、国内量化技术的演变

• 国内量化理论实践起步较晚，划分为1.0到4.0四个时代：

| 时代 | 时间 | 主要特征 |
|----------------|-------------|------------------------------------------------|
| 量化1.0时代 | 2002-2010年 | 量化策略登上舞台，指数增强基金成立，量化市场摸索阶段 |
| 量化2.0时代 | 2010-2015年 | 中低频策略为主，量化选股、量化对冲、期货、期权策略扩展 |
| 量化3.0时代 | 2015-2019年 | 高频交易策略兴起，策略走向精细化 |
| 量化4.0时代 | 2019年至今 | 策略多元化，精细化，广泛运用AI技术 |

3.1 量化1.0时代

• 华安上证180指数增强基金（2002年）标志国内量化投资启航。

- 起步阶段，市场交易机制及投资工具不完善，限制量化策略发挥。[page::8]

3.2 量化2.0时代

• 2010年沪深300股指期货上市，做空机制带来丰富策略。

- 公募量化策略主要为中低频量化选股和对冲策略。

• 私募更加多元化，涵盖期货、期权、债券等。

- 具体量化选股模型涵盖：多因子模型、事件驱动模型、基本面量化模型。

• 常见数据类型：财务数据（资产负债表、现金流等）、量价数据、分析师预期、资金流及非传统数据（卫星图像、信用卡交易等）。

多因子选股策略

• 将影响收益的各种因子组合优化以构建投资组合。

- 优点包括模型稳定、适应多市场环境且易与AI技术融合。

• 量化因子挖掘的五步骤：因子选取、有效性检验、筛选合成、组合优化、绩效归因。

- 因子选取对策略超额收益贡献最大，部分头部私募采用机器学习与硬件投入深挖因子。

量化对冲策略

• 定义为使用衍生品等工具对冲市场系统性风险获得绝对收益。

- 主要包括股票市场中性、多空策略、CTA期货管理策略和套利策略。

• 数据显示激烈市场环境下，量化对冲基金表现优异，数据对比沪深300下跌与量化对冲基金收益明晰体现其抗跌性（2015年下半年量化对冲基金获得0.45%收益，沪深300跌16.59%等）。

期货策略

• 常见策略有双均线、菲阿里四价、布林线均值回归、跨期和跨品种套利、海龟交易法等。

- 期货交易风险多样，强调完善风险监控。

期权策略

• 期权提供正向或负向方向杠杆及波动率交易机会。

- 主要4类策略：方向性（买入卖出看涨看跌期权）、波动率交易、套利（平价套利、箱体套利等）、套保策略（备兑开仓、保护性看跌期权）。

• 期权策略市场地位和功能随着衍生品市场成熟不断提升。

债券策略

• 包括被动投资（购买持有到期等）和主动投资策略。

- 主动策略基于市场利率走势寻找定价错误进行超额收益。

• 债券投资与宏观经济、市场资金面等多重因素紧密关联，考验管理人投研能力。[page::9-13]

3.3 量化3.0时代

• 2015年中证500股指期货上市，量化基金投研空间扩大。

- 策略从依赖长线因子转向精细化和高频化。

• 高频交易特点：完全程序化，交易频率高，持仓时间短但收益稳定，策略容量受限。

- 高频策略类别：造市交易、收报机交易、事件套利、统计套利、新闻交易、低延迟策略、订单属性策略。

• 缺点为市场容量限制和因子失效风险，部分基金降低高频策略投入，添加中低频和复合策略。[page::13-14]

3.4 量化4.0时代

• 2019年融券机制完善，标的扩容，策略多样化扩充。

- 融券促使量化多空和纯做空策略成为可能。

• 人工智能技术大规模应用，赋能量化交易自动化和非线性关系挖掘。

- 主要AI应用：自动报告生成、金融智能搜索、AI量化交易策略构建和智能投顾。

• AI模型丰富，从线性、树模型、神经网络、集成学习到强化学习，头部私募大规模招聘人才与投入资金建设AI投研系统。

表格对AI模型优缺点详尽比较，说明各技术在精确性、计算成本、数据类型适用性及实际操作限制上的不同。[page::14-16]

---

4、图表深度解读

图1：国内量化技术发展史（时间轴概览）

• 划分为2002-2010（1.0）、2010-2015（2.0）、2015-2019（3.0）、2019-至今（4.0）四个阶段。

- 反映国内量化从初步探索、半成熟的中低频交易、高频交易再到AI驱动的多元化自动化发展。

• 该图为报告框架奠定国内量化成长轨迹，清晰对比不同阶段技术特征。[page::0,8]

图2-4：量化选股策略与多因子选股流程

• 图2揭示三大类量化选股模型：多因子模型假设股票收益由因子决定；事件驱动模型捕捉可预见事件对股价影响；基本面量化模型结合计算机算法和传统分析。

- 图3罗列量化选股常用数据，涵盖传统财务数据与非常规非结构化数据，凸显量化策略丰富的数据基础。

• 图4呈现多因子选股五步流程，强调因子选取和筛选的重要性，所示方法如信息系数（IC）测试等为有效性保证。

- 结合文本，说明多因子策略的稳定性和AI融合潜力，且因子挖掘依赖计算资源和机器学习技术。[page::9-10]

图5-6：量化对冲策略及表现优势

• 图5说明股票市场中性、多空、CTA和套利等对冲策略定义与机制。

- 图6柱状图清晰展示了量化对冲基金在沪深300指数下跌周期中实现正收益的优势，量化策略抗震荡能力突出。

• 数据支持市场波动加剧时量化对冲策略的防御性表现优于传统指数投资。[page::10-11]

图7-9：期货、期权与债券策略分类及介绍

• 图7涵盖双均线、跨期套利、做市商等期货策略，强调趋势捕捉与套利逻辑。

- 图8梳理期权交易方向性、波动率、套利及套保策略，展现期权多样化功能。

• 图9分被动和主动债券策略，展示债券投资思路及市场依赖。

- 结合文本说明各策略内涵及风险监控的重要性。[page::11-13]

图10：高频交易策略

• 详细列举造市、收报机、事件套利及新闻交易等高频策略，并解释各策略特点及市场依赖条件。

- 揭示高频交易对速度和信息捕获的高度依赖。

• 下文指出高频策略在规模扩张时受限，促使转向中低频及复合策略。[page::14]

图11-13：人工智能在金融的应用与趋势

• 图11描绘AI在自动报告、搜索与推荐、量化策略构建及智能投顾的四大应用场景。

- 图12介绍了多类AI模型：线性、树模型、神经网络、图模型、聚类降维、强化学习等，体现技术多样性。

• 图13展示2010-2019年全球对冲基金中采用AI技术的公司比例显著提升，强调AI在量化中的日益重要地位。

- 结合文本阐述AI在量化未来的重要推动力及其在国内的发展趋势。[page::15-18]

图14：MOM运行机制

• MOM管理人通过精选投资顾问分拆产品至多个资产单元，分别管理后组合成最终产品。

- 突出分散化与“专业做专业事”的理念，增强组合风险抵御与长期稳健表现。

• 说明中国证监会2019年出台MOM产品指引，标志政策推动下的多元化量化策略发展方向。[page::19]

表1、表2、表3：金融理论历史里程碑、AI模型优劣比较、高频交易策略基金占比

• 表1系统列出了量化投资历史上的关键节点及意义，增强读者时间脉络感。

- 表2深入对比多种AI预测和聚类技术优缺点，支撑第四阶段AI应用的技术基础理解。

• 表3示意美国高频交易基金数量及其占比随时间的变化，佐证市场成熟促进低频及复合策略占优趋势。[page::5,16,17]

---

三、估值分析

报告主要聚焦量化策略历史与技术演变分析，未涉及具体公司估值模型或目标价。

---

四、风险因素评估

• 报告虽未专设风险章节，但开头和结尾多次提示报告结论基于历史数据分析，不构成具体投资建议。

- 风险主要内涵包括：

- 高频交易策略容量限制和市场结构变化可能导致策略失效；
- 模型假设与现实市场偏差（如CAPM假设等）；
- AI模型过拟合及参数敏感性等技术风险；
- 交易市场政策、市场流动性限制和监管环境变化。

• 另外，报告多次提及投资者对量化投资存在误解的风险，倡导正确理解与科学运用量化技术。[page::0,20]

---

五、批判性视角与细微差别

• 报告整体逻辑紧密、数据详实，但以下方面需审慎对待：

- 部分重大理论和技术假设（如CAPM、Black-Scholes模型）在现实市场中的局限性被适度提及，但未深入批判。
- 高频交易缺陷提及虽有，然而对高频交易可能引发的市场系统性风险和潜在监管挑战未多做详述。
- 人工智能模型优缺点分析全面，但实际运用中数据质量、过拟合问题及“黑盒”模型解释难点等操作风险隐含较多。
- 国内量化市场发展划分标准带有主观性，时间节点或阶段划分未包含官方权威定义，投资者需结合实际市场环境理解。
- 报告对未来趋势的大胆展望虽有理据支撑，但市场极端情况和政策环境变化对量化投资的冲击未作足够敏感性提示。

综上，报告观点科学客观，但部分分析对潜在风险关注深入度不足，投资者和从业者应结合更多多元信息综合判断。

---

六、结论性综合

本报告系统而深入地回顾了量化投资作为现代金融重要分支的历史发展和技术演化，梳理历代数学家、金融学家和金融工程师的贡献，贯穿古典概率论、现代资产组合理论、资本资产定价模型、期权定价及统计套利理论的发展脉络。并通过详实数据揭示当前海内外量化策略的全景：从国内市场起步的1.0时代（指数增强），到2.0时代中低频多策略布局，再到3.0高频交易的兴起，最终进入4.0多元化、智能化趋势尤其以人工智能技术深度应用为标志。

图表和数据分析增强本报告论点：

• 多因子选股、量化对冲基金在震荡市场表现稳健，彰显量化投资的抗风险优势（图6）[page::11]。

- 高频交易虽收益稳定但容量受限，多策略复合趋势明显（表3）[page::17]。

• AI技术在量化中的广泛应用及其未来潜力显著（图13、11、12）[page::15-18]。

- MOM产品作为多元化策略配置的典范，受政策引导，未来空间广阔（图14）[page::19]。

报告结尾明确表态：量化投资已成为资本市场主流投资形式，是未来投资管理的重要方向。了解量化历史有助于构建更科学、智慧和多元的量化策略。报告作为《量化简史》系列的首篇，开启了后续深入剖析量化投资更多面向的序章。

---

参考溯源

所有观点均基于报告正文和图表信息，标示好对应页码，便于溯源追踪，确保分析的完整性与可靠性。

---

总体评价

此报告内容翔实翔实细腻，论述严谨，条理清晰，尤其对量化投资历史演进和技术体系条分缕析，具有较高的学术和实践价值。对投资者理解量化投资本质、识别技术优势与风险、及未来趋势把握均有启示作用。缺点为对某些潜在风险深度及市场政策变化敏感度讨论略显不足。但综合来看为一份极具参考价值的高质量量化投资回顾与前瞻分析报告。

---

（全文完）

报告