绩效和风险指标被广泛用于评估股票或投资组合的绩效，是投资组合管理的主要组成部分。在这篇文章中，我们将尝试触及一些重要的投资组合和风险指标，这些指标可以让您清楚地了解您的投资业绩和风险。

本文的第一部分着眼于这些常用的性能指标，这些指标使我们能够深入了解交易策略的结构。在本文的第二部分，我们将介绍投资或投资组合中风险管理的一些重要指标。最后一部分通过一个简单的示例简要说明了您的投资组合的策略优化。

为什么我们需要投资组合风险管理？

资产组合的表现是通过一组参数来衡量的。例如，如果您进行股票交易，那么您的回报将与基准指数进行比较。投资组合回报的一致性也被证明是一个重要因素。

在我们做各种有关自己和家庭的财务决定时，很多人都习惯借助于“罐头”式思维。比如我们会把自己的钱分为几份，放在不同的罐头里：一份用来储蓄购房，一份用来日常开销，一份用来度假旅游，等等。

借助这种方式来做出自己的投资和理财决策的好处是：每一份钱都有明确的功能和用途。对于一个自制力不强的个人来说，这种标签有助于为自己的消费需求树立一个“硬性边界”。假设我们给自己规定，每个月在淘宝上买衣服最多只能花1000块。那么在这个月的额度被用完以后，“剁手党”们可以用这个借口强行命令自己不能再买了，要买也至少要等到下个月。

但是，“罐头式”的思维方式，也可能导致我们做出一些不理性的决策。在行为心理学上，这种


本期作者：Evan Akutagawa

本期翻译：Chloe | 公众号翻译部成员

正文

全球最大最知名的高频交易公司有哪些呢？开始涉猎算法交易的个人交易者可能对这个问题最感

01

最近跟某个做期货股票投资交易的朋友聊天，他跟我说了一个故事。

前段时间，他参加了一个关于期货投资交易的交流会，在交流过程中有个投资人说，交易其实很简单，就几个关键点。他做交易半年多，已经完全掌握并且可以稳定盈利了。

说完后，他苦笑道：“当年我也是这样。”

我说：我也是。

很明显，我们都不会相信那位投资人能够真正的“稳定盈利”。因为交易的行为，来源于交易认知，而交易认知，构建于交易经历。半年的经历打通所有的认知关键点，非常不现实。

我曾经不相信，我认为自己悟性极高，不需要经历也能明白很多道理。但是在生活和交易的过程中，越来越多的事情开始不停的冲击着我的狂妄。直到某一段时间

次贷危机虽然已经过去了许多年，但它对我们的影响还很明显。监管层的监管措施不断改革，银行的风险管理内容不断革新，可以说，到现在为止，我们还在从危机中吸取教训，希望可以避免下一次的金融危机。

有很多的人都解释过为什么会发生次贷危机，不论是从金融的角度，亦或是风险管理的量化角度。然而一次金融危机其实并不是一个单一因素造成的，不只是因为次级贷款，也不只是因为CDO与CDS，当然也更不是因为几个数学模型。在这里我从我所了解的内容，试着从全方位对上一次的次贷做一个分析，也希望我们自己国家的金融发展可以从欧美的老路中吸取教训，取其精华，去其糟粕，能够稳健的发展。

**1，次贷危机的伏笔：次级贷款与贷款标

近些年，量化投资在国内开始了飞速发展的进程。数据显示，今年以来量化基金业绩表现相对稳定，尤其是二季度以来，近八成量化基金今年以来的回报跑赢大盘，受到市场追捧。

震荡市场下还能取得如此靓丽业绩，再次让投资者关注量化投资的重要性。各基金公司也纷纷开始投入大量人力、物力，在量化领域谋篇布局。

天时、地利兼备，而“人和”就成了各家公募基金角力之点。量化投资战国来临，棋局暗流涌动， “将”、”帅“、”车“、”炮“各归其位。优秀的人才，成了业内兵家必争之所在。

值得注意的是，在众多公募基金中，国金基金是第一家提出“量化运营中心平台+事业部 “制度的基金公司，开行业风气先河。作为60后基金公司，国金基

在本专栏发布了《贝恩资本能帮你赚钱么？》(https://zhuanlan.zhihu.com/p/24277133?refer=wzjevidence）和《关于私募股权投资的常见误解》（https://zhuanlan.zhihu.com/p/24095057?refer=wzjevidence）这两篇关于私募股权（Private Equity）的文章之后，我收到了很多私募行业的朋友们的反馈。有一位私募股权基金经理，是我多年的中学校友。他有点沮丧的对我说：**你把这些行业内秘密都写出来，让我以后怎么混？**我有好几个投资者把你的文章发给我看，让我点评。我都不知道说什么好。

Learning the Dynamics of Technical Trading Strategies

作者：Murphy N. J., Gebbie T. J.

出处：Quantitative Finance, 2021-03

摘要

本文使用了一种基于对抗型专家的在线学习算法来学习，使财富最大化的零成本组合交易策略所需的最佳参数。该学习算法用于确定大量技术交易策略的动态，这些技术交易策略可以通过历史回测，并从约翰内斯堡证券交易所每日和日内数据执行的基础交易策略集合中形成一个聚合的投资组合交易策略。本文一个关键的贡献是：在每日取样和日内时间尺度上，使用一个新的假设检验来测

摘要

根据信号传递理论，企业对研发支出资本化或费用化处理，实际上向市场传递了研发项目未来盈利能力的信号。资本化的研发支出应当可以带来未来经济利益，而费用化的研发支出则没有未来经济利益。

企业会计准则规定的资本化条件相对较为主观，使得上市公司在资本化和费用化上有很大的隐性选择空间，企业可能出于其他目的操纵研发支出的会计处理，从而传递虚假信号。

市场对研发投入资本化存在负面认知。统计结果表明，有研发投入资本化的公司在年报公布后的一个月内明显跑输所在行业。由于投资者在年报公布时无法判断研发投入未来的经济利益，即使传递真实信号的公司也有可能被错杀。

理论和实证分析表明，研发投入大、盈余管

Generative Adversarial Networks for Financial Trading Strategies Fine-tuning and Combination

作者：Adriano Koshiyama, et al.

出处：Quantitative Finance, 2020-09-01

摘要

系统交易策略是分配资产以优化特定绩效的算法程序。为了在竞争激烈的环境中获得优势，分析师需要适当地微调策略，或者发掘如何通过创造新的alpha以组合弱信号。已经有多种方法对微调和组合这两个方面进行了广泛研究，但是新兴技术，例如生成对抗网络，也会对这些方面产生

\

{{membership}}

https://bigquant.com/codeshare/0527a8c8-9944-4c74-b845-2068dce50bd1

\

\

摘要

高频交易在美国证券市场中的角色

如果把正在正常交易、买卖力量均衡的市场比喻成一个平静的水面，此时，某个基本面交易员下了一个数量较大的订单，这好比往水中投入了一块石头。那么，不论是订单自身的价格推动力，还是其他投资者做出的反应，都会使市场产生一系列波动，一如水面泛起的层层涟漪。而高频交易则藏匿于其中，于市场的起伏之中寻找获利的机会。

在美国，上市和交易业务是完全分离的

所有的上市证券均可以在任何一家交易所交易。对高频交易商而言，这种碎片化的交易模式提供了很大的获利机会。试想，同一个证券很有可能因为市场流动性或是参与者结构的差异，甚至只是信息传递存在时滞，在不同

摘要

传统多因子选股

在国内A股市场，传统的多因子量化选股模型得到了广泛的应用，在实际表现中，传统的多因子模型在过去几年中也表现出较为稳定的超额收益率。但随着传统多因子模型应用越来越广泛，历史长期有效的因子逐渐失效，对新因子的挖掘提出了迫切的需求。

新因子挖掘

传统的因子指标挖掘主要集中于财务报表、个股中低频率的价量等相关的数据维度，而这部分数据维度的增量价值的挖掘已逐渐饱和，需从其他新的数据维度中挖掘新的因子指标，本篇报告从个股日内高频数据出发尝试挖掘出新的因子指标

基于高频数据因子的策略构建

基于个股日内高频数据，构建了已实现波动（Realized

摘要

分析师一致预期数据：分析师一致预期数据是除公司财报数据，交易数据以外重要的第三方信息源，蕴含了丰富的信息。分析师预期普遍存在乐观偏差，且A股分析师预期数据一般为年度财报指标，直接简单使用一致预期数据未必有增强作用。

预期差因子的构建：我们基于分析师一致预期数据，分别构建了预期EPS调整因子、预期EPS上调比例因子、预期PE调整因子、业绩超预期因子并在A股市场进行测试，发现这些基础因子在剔除市值和行业风险后，依然具有很强的选股能力。我们结合多个预期因子进行合成，合成后的一致预期复合因子在剔除市值、行业以及常见的风格风险之后，依然表现出了非常强的选股能力，沪深300、中证500以及中

摘要

文献来源：Chow, Tzee-Man, Feifei Li, and Yoseop Shim. "Smart beta multifactor construction methodology: Mixing versus integrating." The Journal of Index Investing 8.4 (2018): 47-60.

推荐原因：我们的研究主要集中在一个实际问题上，这个问题在此之前关注度较低：市场参与者如何在权衡后选择采用不同方法构建的多因子投资组合作为投资工具。具体来说，我们研究和比较了两种不同的方法。第一种方法（以下称为整合法），是在

摘要

文献来源：Dopfel, Frederick E., and Ashley Lester. "Optimal blending of smart beta and multifactor portfolios." The Journal of Portfolio Management 44.4 (2018): 93-105. 推荐原因：随着机构投资者增加对smart beta基金的配置，以及多因子投资方法带来的复杂性提升，投资者们需要一个smart beta产品组合的配置指引。在设计一个多样化和高效的投资组合时，需考虑到因子的偶发性敞口和特殊敞口。因此，本文开发了一个标准框架，以

研究结论

国内量化发展已有十余年，各家机构投资者的Alpha因子库也随之扩大，这时会面临两个问题：alpha信息源的重叠与因子间相关性处理。本报告将提供这两个问题的解决处理方法，

我们基于Fama-MacBeth回归设计了一套Alpha因子筛选流程，剔除信息重复的因子。在实证中，我们把11个Alpha因子筛选至5个，筛选过程几乎没有alpha信息的损失，筛选前后的多因子多空组合表现相当。因子筛选可以显著减少因子数量，继而减少需要估计的模型参数数量，提高估计量的准确性，从而提升模型选股表现。

Alpha优化采用的是Qian(2007)的方法，这个方法有点类似股票组合优化，al

摘要

文献来源：Dopfel, Frederick E., and Ashley Lester. "Optimal blending of smart beta and multifactor portfolios." The Journal of Portfolio Management 44.4 (2018): 93-105.

推荐原因：随着机构投资者增加对smart beta基金的配置，以及多因子投资方法带来的复杂性提升，投资者们需要一个smart beta产品组合的配置指引。在设计一个多样化和高效的投资组合时，需考虑到因子的偶发性敞口和特殊敞口。因此，本文开发了一个标

报告摘要

因子是驱动投资组合风险和收益的主要来源，无论在学术界还是在投资界，因子都被广泛研究。因子投资（Factor Investing）主要围绕如下三个部分展开。 因子模型（Factor Models）帮助投资者理解和管理组合风险的来源。 因子策略（Factor Strategies）帮助投资者捕捉因子收益带来的溢价。 因子配置（Factor Allocation）帮助投资者在不同的资产类别之间进行配置，单个资产类别则充当工具型产品。

进化（Evolution）

基本面因子经久不衰的成功，得益于他们既有学术理论的支撑，又有实证经验的支持，重要的是他们还能够反映实际的投资决

/wiki/static/upload/0a/0a5012aa-5952-47fc-9100-ed1a029ef8d8.pdf

\

/wiki/static/upload/53/53618628-a09b-4372-a82c-c7726ad2b085.pdf

\

/wiki/static/upload/07/07e75486-8706-4d01-b6d4-da053eb2f18e.pdf

\

/wiki/static/upload/81/81ef2747-9d73-414d-87cb-a37f33592e20.pdf

\