如何开展量化投资业务、组建量化投资团队，成为资本市场新的关注点，下面是相关内容，一起来看看：
随着金融市场日益复杂、金融创新不断深化，各类证券和金融衍生品应运而生，计算机信息技术快速发展使其具有快速、海量计算证券价格和处理交易的能力，可以有效管理大量的证券及衍生品投资组合，在此背景下，量化投资开始兴起。量化投资不同于传统的依靠投资者个人经验判断的定性投资，而是通过对海量历史数据的分析，研究出取得超额收益的多种“大概率”事件以制定策略，用数量模型反复验证这些规律和策略，然后严格执行交易来实施投资，以求获得持续的、稳定且高于平均收益的超额回报。从理论上来说，一个证券市场的有效率越低，量化投资面临的机遇就越大，可以预计在我国量化投资将面临较好的发展机遇。本文简述了量化投资主要的业务流程和前期准备工作，为机构投资者开展量化投资业务提供一定的参考。
一、业务流程
开展量化投资业务，主要有三个层次的业务流程，分别是数据层、策略模型层和交易执行层，各个层次直接的逻辑关系如下图所示：
（一）数据层
数据层是量化投资流程的第一层，是最重要也是最容易被忽视的一层。由于量化投资本质上是基于数据的统计分析，因此对于数据的来源、质量、可处理性就尤为重要。
1、数据获取
统计学有一个重要的观点“dirty in,dirty out”，意思是如果数据来源有问题，得出的结果就一定是错的，因此，获取准确无误的数据是量化投资的第一步，这些数据包括但不限于行情历史数据，公司财务指标数据、行业估值数据、宏观经济数据、舆情数据等。由于这些数据种类繁多、数量巨大，人工获取的效率很低，无法满足投资需求，因此主要通过向数据服务提供商购买方式取得，例如股票和期货行情的每日、小时、分钟、笔等数据包，是未经加工的原始数据。此外，一些量化基金还通过舆情软件对社会热点信息进行网络抓取。
2、数据挖掘
获得数据后，由于是原始数据，必须进行处理才可以使用。处理过程主要包括：入库，将数据导入MySQL或Oracle等数据库平台；数据清洗，即发现并纠正数据文件中可识别的错误，包括检查数据一致性，处理无效和缺失值等；标准化和格式化，就是将清洗后的数据通过格式化计算转化为软件可以识别和处理的数据格式和类型。对于网络抓取等方式获得的数据，还需要通过自然语言处理等方式转化为格式化数据。
（二）策略模型层
策略模型层是量化投资的核心层次。国内的量化策略模型一般采用Matlab软件进行开发，形成策略库，再将数据库内处理好的最新数据导入计算软件中进行运算，得出最终的目标持仓组合。
1、构建策略库
量化投资策略模型的建立步骤与科学研究类似，首先是对证券市场的一些变量进行观察，例如证券价格、成交量、无风险利率等，根据可能存在的逻辑关系提出各个变量之间关系的理论，由此将理论转化为数学模型，再通过Matlab等计算软件编写成为程序；将数据库里的历史数据代入回溯测试，计算并优化模型的参数，最后利用模型对未来的数据进行预测，将预测值同实际值进行对照，检验模型的有效性。这些策略从研究、开发、测试到审批上线一般需要经过三至六个月的时间。后续的策略库维护则是长期过程，涉及风险控制部门对模型有效性的定期评估。
2、因子计算
由于市场数据每个交易日都会更新，对于所有的策略模型，日常工作包括导入最新数据，计算出模型中各因子的数值，选择采用符合当前市场的策略模型，根据模型计算选股、择时或者套利，对持仓品种的行业、市值等权重配比进行优化等。
3、生成目标持仓组合
确定目标持仓品种的全部参数后，生成出当日需要交易的持仓组合，一般是Matlab输出的excel电子表格，再批量导入交易系统，进入交易执行层。
策略模型层是量化投资的核心层次。国内的量化策略模型一般采用Matlab软件进行开发，形成策略库，再将数据库内处理好的最新数据导入计算软件中进行运算，得出最终的目标持仓组合。
（三）交易执行层
交易执行层是信息化程度最高，也是比较动态和复杂的层次，主要分为三个步骤，算法交易、订单生成和集中风控。
1、算法交易
目标持仓首先导入算法交易引擎，目的是为了优化大型投资组合配置，决定买卖证券时机以及最小化委托单的市场冲击成本等。算法交易一般是通过分析挂价指令表等方式，根据市场价格的动态变化，将大笔的交易单通过一定的算法（如“冰山一角”、“游击队”等）拆分成为小单发送，以减少挂单对于市场价格的冲击，平滑成交价格。当普通投资者将目光盯在股价成交的K线图和成交单上时，算法交易更关注的是挂单的流动性，发掘潜在的成交可能。
2、订单生成
经过算法交易引擎处理过的投资组合，生成交易指令，通过集中交易网关，根据事先编写好的交易接口文件，翻译成为交易所或者券商、期货公司柜台可以识别的指令，生成最终订单，发送至集中风控系统进行最后一道检验。
为了比其他投资者更快成交，一些量化基金将计算机系统放置在距离交易所最近的数据中心，甚至与交易所的系统共置于同一机房，以在毫秒级别上获得更快的`成交速度，一些量化基金不满足交易所提供的标准化金融信息交换协议格式的数据通讯(FIX)，而是开发直连交易所的特定应用程序接口(API)。量化基金交易系统和接口文件的开发和维护是交易层次的重要工作。
3、集中风控
量化投资的风险控制贯穿于业务全流程，其中集中风控系统是交易前的最后一道关卡，它独立于交易系统之外，将事先制定好的风控条件设定于计算机程序内，实时计算检验各项已设定风控指标，如净值预警线、持仓限额、风险敞口等，是否满足风控要求。集中风控系统检验过的订单，发送至交易所完成最终交易。集中风控系统还对一些不可预测的交易结果进行交易完成后的检验。
二、前期准备
（一）人员配备
数据处理主要依赖计算机软件，且每日更新，数据层的工作主要通过程序化方式完成，一般需要配备两名数据处理人员负责每日数据的更新和维护，一些规模较小的机构由基金经理或者基金经理助理完成此项工作。如果有舆情数据抓取，还需要至少两人完成抓取和自然语言处理等工作。
策略模型层的主要工作由基金经理和助理完成，股票、期货、债券等每个品种至少需要配备二到三人，策略模型入库需经投资决策委员会审批，日常维护还需通过风控部评估，因此也是量化投资团队核心骨干成员的配备所在。包含高级管理人员在内，这块业务需要配备至少六到八名人员。
交易执行层主要工作由交易员、软件开发人员和风控部门完成，至少需要两名交易人员，两名交易系统软件开发和维护人员，两名风控人员。如果基金策略较多，还需要专门的股票、期货、ETF等交易系统，业绩归因系统，风险控制系统的开发和维护人员。
（二）软硬件配置
量化投资业务与传统的证券投资业务相比，更加注重对计算机信息技术的应用。从事量化投资的美国大本营投资集团就曾对外宣称“大本营集团是从事金融投资的科技公司，信息系统并非公司的成本，而是立命之本。”因此，量化投资团队的前期投入主要是购买软硬件设备，包括高性能的计算机、服务器、Oracle等数据库平台、Matlab等计算软件、原始数据、证券交易系统、风险控制系统等，此外还需要自己开发接口文件、算法交易文件等。
三、总结
量化投资虽然在国内已经发展了十几年，但是由于金融衍生品的种类较少，融资融券仍处于发展初期，多空机制仍不完善，我国的量化投资处于发展初期，发展机遇广阔。开展量化投资业务，不能比照传统的私募基金，招募一批从业人员便可以开展业务，而是需要建立一整套规范化、流程化的业务体系和前期大量的计算机软硬件投入。从这个角度讲，量化投资基金可以被认为是从事证券投资业务的信息技术公司，这种跨界融合无论是从思维方式的转变还是专业知识的储备，对于从业人员都是很大的考验。
