量化投资模型（共10篇）
量化投资模型 篇1
一、引言
以Fama为代表的有效资本市场假说认为,证券市场是充分有效的,风险是决定投资回报的唯一因素,市场上不存在系统性的错误定价,这就意味着以上所说的金融资产投资者(以下简称投资者)不能利用任何信息(会计信息、价格信息或其他信息)取得超额回报,他们传统推崇的基本面分析和技术分析是无效的。但正如西蒙斯说过的那样“有些交易模式并非随机,而是有迹可循、具有预测效果的”;巴菲特也指出“市场在多数情况下是有效的,但不是绝对的”。大量实证研究和投资实践证明,市场并不总是有效的,甚至大多情况下,资本市场都可能存在无效的状态。
量化投资在国外从20世纪50年代开始发展,近一二十年得到较大的应用。其中最为传奇、最为经典的案例是詹姆斯·西蒙斯和他的大奖章基金,依靠它神秘的量化投资模型,从1988年成立到1999年12月,大奖章基金总共累计获得了2478.6%的净回报率,超越索罗斯的量子基金(1710%)位列同时期的第一名,而同期的标准普尔指数仅为9.6%,即使2008年面对全球金融危机的重挫,大奖章的回报率依然高达80%。
在国内,量化投资依然是较为新兴的投资理念和方式,作为投资的前沿课题,不论在学术研究或是投资实战研究都十分有限,但近年来,投资界开始不断关注量化投资,量化投资方法被认为是未来投资界的发展方向。目前我国的量化投资发展程度不高。研究量化投资模型,不仅能够检验期货市场的有效性,跟对投资者获取超额收益有较大的应用价值。本文将利用金字塔决策交易系统进行量化投资模型的构建、测试和运用。
二、基于BOLL通道系统的量化投资模型构建
首先,本文先对BOLL通道策略进行经验检验,具体分析它的优点和不足,从而有针对性的对其进行改进和提高。
BOLL通道是集震荡和趋势相结合的投资策略,它采用M根K线收盘价均值作为布林中轨,中轨加减K倍的M根K线波动标准差作为布林上下轨,当最新价格从上而下穿过布林上轨时做空,当最新价从下而上穿过布林下轨时做多,本文将原有策略做了一定修正完善,做空或者做多都必须在持仓数为0的前提下,这保证了在做多之后做空之前先平掉原来的多单,同理做空之后做多之前先平掉原来的空单。
在逐K线模式运行下,当前品种图表显示的K线周期就是程序默认的周期,即当前周期是1分钟,则M表示的是每分钟的K线图取M根。在金字塔决策交易系统中,具体的程序如下图所示:
通过一段时间的试运行,优势和不足十分明显。在不同行情走势的情况下,修正的BOLL通道模型的有效性不同,根据合约价格的变化情况,可以把市场划分为一般震荡市和单边趋势市。
一般震荡市下,修正的BOLL通道模型市场表现良好,虽然市场也存在向上或者向下波动的情况,但波幅扩大的同时价格标准差也扩大,因此上下轨之间的距离即BOLL通道就变宽,允许的利润空间随即变大。
在单边趋势市时,则可能有不同的表现,一种是较优的情况,可以获得较高的利润;另外一种情况则将造成较大的亏损。
较优的情况有两类,一类是在平多做空后,价格趋势向下;另外一类是在平空做多后,价格趋势向上,这两类都属于在单边趋势市下,BOLL通道模型获得巨额利润的情况。
较差的情况也有两类,一类是在平多做空即价格从上向下穿过上轨后,没有再向下,而是在还没穿过中轨就上扬,造成另外一波牛市。同理,另外一类是在平空做多后,价格不往上走,反而节节下挫,造成一波熊市,在具有杠杆效应的期货交易中,这同样可能造成巨额亏损。
由于BOLL通道模型经过修正,因此在巨额亏损时,不会因为频繁触碰到上轨或者下轨而开仓,造成更加巨大的损失。
通过对修正的BOLL通道模型的经验研究,可以看到,在巨大的单边趋势市下,该模型的风险较大,虽然可以通过对参数K进行调整来控制BOLL通道的大小,但是经验表明,在经过历史数据调整各项参数,达到最高利润的后,市场变幻莫测的走势还是有可能造成最差的情况出现。
因此对单边趋势市的风险控制系统设置就显得非常重要。最简单的风险控制手段是设置止损点,止损退出,这时止损位的设置也需要一定的数据统计来衡量,以避免止损后价格反而向着有利方向发展。所以在修正的BOLL通道模型的主体上搭建合理有效的风险控制系统是完善整个量化投资模型的关键。
采用修正的BOLL通道模型后,如果期货品种的价格在该模型的自动控制下做多或者做空后,价格向着不利方向波动,这时合理控制风险是避免该模型造成巨大损失的关键。然而需要考虑到,如果价格在合理范围内波动则一般不轻易止损,而当波动的幅度超过一定水平,具有单边趋势市的特征时,才需要及时采取止损策略,以达到风险控制的目的。
最简单的风险控制系统是设置止损点,当损失超过一定百分比的时候强制平仓,另外一种方案就是用量化的指标发现风险点然后平仓,本文将采用后一种风险控制方法,在已修正的BOLL通道模型的基础上设置指标型的风险控制交易系统,并将根据风险控制系统的实际执行情况与简单止损的风险控制进行比较评价。
首先需要区分一般震荡市和单边趋势市,并用量化的指标表示。本文在此引入CMI指标,该指标的公式如下:
CMI:=ABS(CLOSE-REF(CLOSE,29))/(HH-V(HIGH,30)-LLV(LOW,30))★100
其中ABS()表示绝对值函数,HHV()表示最高值函数,LLV()表示最低值函数,CMI意味着当前K线收盘价与前29根K线收盘价之间的距离占最近30个周期振幅的百分比。一般认为CMI<20是震荡市,CMI>20是趋势市。
因此,在原修正的BOLL通道模型的基础上加入趋势止损条件,如果做多后,价格趋势向下,即CMI>20,并且价格在下轨以下,同时浮动盈亏为负数,则可以采取平多策略·;同理如果做空后,价格趋势向上,即CMI>20,并且价格在上轨以上,同时浮动盈亏为负数,则采取平空的策略。
然而根据对修正的BOLL通道模型的经验试运行可知,20并不能表现表现价格在该模型下的明显单边趋势,如果用CMI大于20来判断价格是趋势向上或者趋势向下明显不够合理,并且由于BOLL轨道本身的特点,上下轨会随着均价和波动率大小进行自动调整,因此利用CMI来衡量单边趋势时,不宜采用太小的值,显然CMI用20作为评价震动与趋势的标准只适用于小幅波动的情况。因此,本文将CMI的评价指标扩大到90。
再者,从原CMI的计算公式可以看出,它选择了最近的30根K线对价格的震荡或者趋势变动作出判断,然而,最近的30个周期的价格波动不一定具有代表性,特别是当我们选择高频数据作为量化投资模型的运行对象时,最好将周期数作为一个参数,从而可以方便地进行调整,以找到最合适的周期数,因此我们把CMI的周期数设为参数n,变动范围为10-100,步长为10。
该模型还涉及另外两个参数,即原BOLL通道模型中的M和K,参数步长的设置的合理既要保证参数的优化测评效果,又要保证步长的大小适中,从而使优化进行的速度更快。因此设置为M最小值5,最大值100,步长为10;K最小值0.4,最大值10,步长0.5。
风险控制除了通过模型本身的设置,还有仓位的控制,期货是杠杆交易,价格小幅的波动就会造成巨大的盈亏变动,如果不能有效控制建仓资金的数量和可用资金的数量,就有可能出现爆仓的情况。根据投资经验,期货交易的仓位一般控制在20%-30%为优,以承受价格大幅波动造成的风险,因此本文将该模型的持仓水平控制在所有资金的30%,在模拟操作中以最大的风险面对市场,有助于在实盘交易中更可靠地应对市场风险。
此外根据金字塔决策交易系统的交易规则,走完一根K线后才能成交,因此模型采用市价成交而非限价成交,提高了模型的成交速度。再者,模型的交易系统中开多和开空的条件中要求持仓必须为零时才能开多或开空,这是上节修正后的BOLL通道模型的精髓,严格控制风险,防止仓位的无限制提升。
综上所述,使用金字塔的专用函数和语言,将这些改进措施整合到修正的BOLL通道模型中,得到完善的交易系统模型,具体程序设计如下图所示:
在确定模型的理论有效性后,进行参数调整,达到实证状态下的有效才是构建有价值的量化投资模型的关键。具体包括历史数据回测检验和参数调整;仿真模拟交易与分析评估。其中,历史数据回测检验与参数调整是量化投资模型真正成型的必经程序,即对K、M、n三个参数的各种不同组合进行调整和优化,以达到最优的运行结果。
三、量化投资模型历史数据回测检验及参数调整
对模型的历史数据进行回测检验就是一个量化投资模型测评的过程,主要程序包括设置模型K线周期(1分钟、5分钟、15分钟、30分钟、60分钟、日线、周线、月线等等),设置模型的入场规则和出场规则、交易费用以及交易对象,最后产生交易报告。由于模型的参数可调整,可以通过进行参数优化,形成所有参数组合情况下的简易交易报告,具体包括利润率、年回报率、胜率、交易数、成功率(一次交易利润大于10%的交易次数比率)、最大回撤率和MAR比率(年化收益率/最大回撤率)。
量化投资模型对高频数据的处理较为有效,因此本文采用1分钟数据作为模型运行的基础。由于模型本身已具有风险控制的功能,因此出场规则中不再对目标利润进行止盈或者对最大损失进行止损等设置,以便检验模型本身的实用性。另外根据交易所的合约规定设置该品种的保证金比率为12%(不考虑可能由于特殊事件造成的保证金调整的情况)。对交易费用的设置根据一般期货公司收费标准万分之0.6至万分之1.2的标准,将开平仓率都设置为万分之0.6,即开仓到平仓一共付出万分之1.2的交易费用,对交易费用的趋高设置也为模型的可行性提供了严格的门槛。
对于交易对象,如果用单个合约的数据进行检验,期限较短,一般月份的合约存在的时间为一个月,而季月合约存在的时间稍微长些,可达半年,考虑到大概率事件适合大样本数据,因此用股指期货连续合约的数据进行历史回撤检验,股指连续合约即主力合约的价格走势情况,一般主力合约为当月或下月合约(当当月合约交割后)。
因此,本文将对股指连续合约的价格进行历史回撤检验,然后根据参数的最优组合再对之后的主力合约进行实证检验。
由于股指期货合约从2010-4-16起推出,因此本文选用的历史回撤的时间段从2010-4-19 (周一)至2013-4-19(四月份的第三个周五)截止。
根据量化投资模型参数优化的业绩数据,参数调整过程中,利润率、与利润率相关的年回报率、胜率、交易数、成功率、最大回撤率以及MAR比率随之变动。参数优化并不总能实现收益高,胜率大同时回撤率小。有的回报率高,但是交易数少,胜率低,也有的回报率并不高,但是胜率很高,交易也很频繁。因而评价标准不同,参数的选择也不同。
一般情况下,交易次数多则代表性大,胜率高则模型的有效性越强,而收益率越高当然越好,有时收益率偏低也可能因为某一次的损失,或者某几次大额的损失造成的。
因此,本文首先关注胜率,然后关注交易数和回报率,回撤率也是参数选择时应该考虑的一个重要指标。
对所有参数组合的业绩报告进行分析可知大部分组合的胜率都在50%左右,上下浮动10%左右,交易数则从0到2000之间,有高有低,较高的交易数中有的利润率较低,甚至为负,因此被剔除。有的参数组合利润率高,但是回撤率也高,并且胜率不足50%(如表1最后两行);能够做到胜率>50%,并且交易数高,而且利润尽可能大,回撤尽可能小(即MAR比率尽可能大)的参数优化组合是最优的。
在此,本文以交易数>1000,胜率>50%,同时利润率最高作为最优参数组合的选取原则。综合分析,本文即将(50,0.4,55)作为最优参数组合,作为下文对股指期货主力合约进行实证检验的基础。
四、量化投资模型仿真模拟检验
通过对量化投资模型在股指连续和约下进行为期三年的历史数据回测检验,得到沪深3 0 0股指期货主力合约应用此模型(以下简称S1)所对应的最优的参数组合(50,0.4,55)。然而历史数据表示的是历史价格运行特征,然而历史能否重演,模型在未来运行是否有效,能否获得超额利润,甚至效率市场假说是否适合于期货市场都有待于实证检验和评价分析。
将S1模型使用参数(55,0.4,50)并启用图表程式化交易,并依次对IF1305、IF1306、IF1307合约在其作为主力合约的时间段进行仿真模拟交易
其中除了IF1306合约的运行状况不理想外,其他两个合约的利润都达到较高水平,年化收益率竟高达214.15%和318.2%,胜率也均在50%以上,平均日交易数可达2次以上,并且利润率越高时最大回撤率也都较低。成功率为0,意味着没有一次交易的利润率能达到10%以上,但这一般不影响模型的成功运行。
IF1305报告摘要
综合三个合约的业绩情况,三个月总体业绩表现优异,综合利润率达到10%以上,但月度间波动较大,稳定性不够。模型总体有效,但对IF1306合约为主力合约的期间,胜率不足50%,说明模型的不确定性仍然存在,效果优劣值得进一步验证。
五、结论
从上述仿真模拟交易结果看,S1模型业绩总体表现良好,相对于历史数据回测检验的结果而言,更是超水平发挥。S1模型结合了技术分析的方法,利用了历史数据回测检验,基于历史可以重演的假设,结果在实证检验中获取了超额的利润,不仅远高于股指增长率,也高于一般的证券投资利润率。因而,进一步说明了我国金融期货市场并非强有效,量化投资仍然具有广阔的发展空间。
参考文献
[1]Sebastian Mallaby.More Money Than God[M].China Renmin University Press.2011-01.
[2]Joe Krutsinger.The Trading Systems Toolkit How to Build,Test and Apply Money-Making Stock and Futures Trading Systems[M].1993(12).
[3]丁鹏.量化投资一策略与技术[M].北京:电子工业出版社,2012(01).
[4]朱淋靖.期市截拳道——程序化交易策略与实战嗍.地震出版社,2011(02).
[5]黄道舜.程序化交易模型在中国期贷市场的应用[J].中国外资,2011(20).
申毅:量化投资先锋 篇2
似乎很难想象流体力学和期货交易池之间的关联，也似乎很难想象物理学高才生和金融高手之间的组合，但申毅融合了两者。
上世纪八十年代末，申毅被保送入激光物理专业学习，随后赴美国俄克拉荷马州立大学攻读统计物理，主攻非线性流体力学，直至在博士班攻读并获得物理博士学位。本来申毅完全可以成为一名《生活大爆炸》中那样出色的物理学家、教授，然而他却选择弃物理从金融。
曾经有不少媒体都称呼申毅为“投资人”，但申毅每次都果断地加以纠正：“我是交易者不是投资人，我是极少数非常喜欢交易的人。”申毅曾在高盛集团先后任芝加哥分部副总裁、高盛欧洲部执行交易董事。2002年进入对冲基金管理公司SAM资产定量管理公司担任合伙人。2004年，申毅在上海成立了上海申毅投资咨询公司，以自营资金从事A股套利交易，被称为是A股市场上第一只对冲基金。
2011年8月份，申毅开始募集有限合伙制的“天津申毅”基金产品，当年10月推出，截至2012年1月中旬的净值为1.03元。
在2011年11月底，他还推出了一款结构化产品——申毅量化1号。有趣的是，申毅的投资公司和产品名称均用了自己的名字来命名。他告诉记者，尽管这样做有时会被人误以为是“—人公司”甚至是“皮包公司”，但以此命名的初衷是出于对投资人负责的态度。用自己的名字命名产品，希望产品能够持续地做强做好。
对冲离不开量化
这位喜欢“实名制”的基金经理，在投资界的“标签”已被锁定在“量化投资”上，在谈及量化投资区别于定性投资的鲜明特征时，申毅将量化投资和定性投资的关系比做中医和西医。中医往往通过望、闻、问、切来判断得出结果，很大程度上基于经验。而西医则先要患者去拍片和化验，依托于医学仪器最后得出结论。定性投资和量化投资的具体做法上，前者更像中医，更多地依靠经验和感觉判断病在哪里。后者则更像是西医，依靠模型判断，模型对于量化投资基金经理的作用就像X光对于医生的作用。在每一天的投资运作之前，量化投资会先用模型对整个市场进行一次全面的检查和扫描，然后根据检查和扫描结果做出投资决策。
“对冲离不开量化。”申毅表示，量化投资在海外的发展已有30多年的历史，其投资业绩稳定，市场规模和份额不断扩大、得到了越来越多投资者认可。因此，量化投资的概念并不算新，不少的国内投资者也早有耳闻，但真正的量化基金在国内目前还比较罕见。
量化首先需要收集投资标的，如一些股票的历史数据，然后将这些数据用计算机软件进行分析和归纳，寻找其中潜在的规律，随后计算机建立数学模型，最后再将历史数据代入数学模型进行测试，进一步修正和完善模型。即可开展小规模的实盘测试并进一步验证模型的正确性，直至将应用模型开展规模交易。
申毅举了一个通过量化对趋势判断的实战案例，即在2009年和2010年间，A股中的小盘股跑赢了蓝筹股，通过量化模型的计算，预测在2011年蓝筹股将跑赢小盘股，于是申毅借助该模型的预测结果，及时“掉头”并从中获得了收益。
在股指期货推出后，他发现A股终于有了做空的工具。他告诉记者，较之海外成熟市场，国内股市的发展历史较短，投资者队伍参差不齐，投资理念还不够成熟，这样一来留给主动投资发掘市场非有效性以及产生Alpha的潜力和空间也更大。
量化投资的技术和方法在国内目前几乎没有竞争者。他举例说，1849年美国淘金大潮中，当矿工们一窝蜂涌进加利福尼亚州努力工作时，都被另一群以卖水和牛仔裤为生的商人赚得盆满钵满。
“现在的证券市场上，定性投资者太多，机会太少，竞争太激烈，而量化投资者太少，因此机会很多且竞争很小，这些都给量化投资创造了良好的发展机遇。”申毅说，“好比大家都在埋头淘金的时候，我们在卖牛仔裤。”
“魔高一尺，道高一丈”
“一只对冲基金的开张，其实和一次小型IPO差不多，只不过对冲基金卖的是挣钱的技术、历史上赚钱的记录和基金经理的人品。”申毅认为，国内本土对冲基金最大的问题在于缺乏主流的资金来源。除国家层面的中投公司、社保基金有一些投资，国企不能投资，民企的钱是营运资金，很难保证6个月不动，因此对冲基金主要的资金来源是高端个人投资者。
目前的量化投资模拟的是人的市场行为，但人是会思考的动物，其市场行为的变化非常之大，导致数学模型的变化也非常大。量化模型类似于计算机安全软件，都是“魔高一尺，道高一丈”的模式，只有当新的计算机安全威胁，如一个新的病毒出现后才会有查杀这个病毒的工具诞生，因此量化模型针对很多具有“黑天鹅”性质的投资市场事件是无法预测的。
“目前国内的股市，还没有到非常适合价值投资的程度，原因在于目前国内上市公司的所有权是无法通过股票进行转让。好比你即使买下了一个超市里所有陈列而至库存的商品，但也绝不意味着这个超市就归你了。”申毅认为，随着国内股市的进一步完善和健全，各类投资机制也将进一步成熟，此时的量化投资将从针对人的市场行为去制定模型，逐渐倾向于按照价值来制定量化模型。
不看好私募“公募化”
作为一名资深的私募经理，申毅对近年来一些私募逐渐开始“大张旗鼓”大力开展各类营销活动的“公募化”举措深感不以为然。他认为，“阳光私募”基金自诞生之日起就应和与追求相对收益的公募共同基金“划清界线”，只有过硬的业绩和复利增长，才是吸引投资人购买的最大理由。另一方面，越来越多的“阳光私募”开始追求管理规模。加之近年来私人银行的深度介入，使得不少过往业绩优异的“阳光私募”获得了庞大的资金支持，新发产品数量越来越多，资产管理规模越来越大。
“规模往往是业绩的敌人，快速增加的资产管理规模如果不能与投研力量相匹配，最终的结果只能是业绩下滑。”申毅表示，对于投资者而言，私募的不断“做秀”而至过度的市场化活动，均增加了运营成本，最后“羊毛出在羊身上”，私募“公募化”的各类成本终将全部转嫁到投资者。
部分“阳光私募”尽管有意识地试图控制规模扩张速度，但在成本高企和渠道压力之下，仍不得不发行更多的产品，希望提取足够的管理费用以购买信托账户和以维系日常开支，最终满足渠道提出的种种要求。但事实上，投资者关心的重中之重是“阳光私募”能否实现绝对收益，而不是其资产的管理规模有多么巨大。如果信托账户费用继续居高不下，如果私募基金继续被渠道“绑架”，那么“阳光私募”未来的发展只能是复制又一个公募。“这显然不是投资人乐于见到的前景。”申毅说。
投资收益和风险的量化分析 篇3
一、问题的提出
某公司有数额为M (较大) 的资金, 可用作一个时期的投资, 市场上现有5种资产 (Si) (如债券、股票等) 可以作为被选的投资项目, 投资者对这五种资产进行评估, 估算出在这一段时期内购买Si的期望收益率 (ri) 、交易费率 (pi) 、风险损失率 (qi) , 以及同期银行存款利率r0 (r0=3%) 在投资的这一时期内为定值如表1, 不受意外因素影响, 而净收益和总体风险只受ri, pi, qi影响, 不受其他因素干扰。现要设计出一种投资组合方案, 使净收益尽可能大, 风险尽可能小。
其中i=0, 1, 2, 3, 4, 5。
二、模型的分析与建立
设xi表示购买第i种资产的资金数额占资金总额的百分比, 则Mx0及Mxi分别表示存银行的金额和购买第i种资产的资金数额;设R表示净收益, Q表示总体风险, 假定总体风险可用投资的这五种中最大的一个风险来度量;在投资中, 不考虑通货膨胀因素, 因此所给的Si的期望收益率ri为实际的平均收益率。则根据假设, 净收益为 ;总体风险为 ;约束条件为 ;因为M为固定值, 不影响模型的求解, 故可略去M, 原问题化为双目标规划问题:
设ri-pi>0, 否则不对该资产投资。
三、模型的求解
文献考虑固定Q使R最大的模型, 得到了最优收益值R和最小风险度Q, 以及投资额分配之间的对应关系, 本文考虑固定R使Q最小的模型, 即当收益达到一定值时, 如何使投资的风险最小, 将模型 (2.1) 化为
此模型又可改写为
令 表示第种投资的净收益率, 则ρi|必大于ρ0|, 否则, 若ρi≤ρ0, 则不对Si投资, 因为对该项目投资纯收益率不如存银行, 而风险损失率又大于存银行。将ρi|从小到大排序, 设ρk最大, 则易见对模型 (3.1) 的可行解必有 .
当R=0.03时, 所有资金都存银行, Q=0;当 时, 所有资金用于购买Si, ;当 时, 易知在5项投资总额一定的前提下, 各项投资的风险损失相等即 时, 总体风险最小。
因此, 当 时, 可按以下步骤求出最优解:1) 将 (3.1) 中的 (1) 式和 (2) 式消去x0;2) 将 代入解出Q;3) 表2
算得如下结果:
事实上应用Lingo软件可算得如下结果:
根据表2的数据绘制风险与收益的变化趋势图:
从上表和上图可以看出, 收益越大, 风险也越大, 冒险的投资者可能会集中投资, 而保守的投资者则会尽量分散投资。但在R=0.2左边, 收益增加很大时风险却增加得相对缓慢, 而在R=0.2右边, 收益增加很少时风险增加却很快。所以作为理性的投资者, 可以选择点R=0.2, Q=0.0046作为最佳投资组合, 此时, 各项投资的资金比例分别为
参考文献
[1]翟雪焕原国栋:投资的收益和风险的量化分析[J].商场现代化, 2006, 478:279-280
量化投资具有独特优势 篇4
第一个投资优势是量化投资能够做到理性决策。与传统主动投资不同，量化投资是通过量化模型进行交易，剔除了主观因素，按已经编制好的程序进行，不会因为情绪而产生投资冲动，我觉得这是量化投资最大的一个优势。一般而言，量化投资有着模型研究——模型测试——实盘操作这样的流程，首先有一个投资策略，讨论确定其逻辑合理性，随后将其固化为量化投资模型，综合历史回测业绩和风险考量指标进行评测，试运行3至6个月进行虚拟交易，如果试运行结果和历史回测及其他预期结果一致，该模型将得到正式确认，最终将此模型上线交易运行。一旦交付运行，将充分遵照模型的指令进行投资，降低情绪影响，克服人性贪婪恐惧的弱点，做到有计划、有原则、有纪律地进行投资。一般而言，通过这样的流程制定的量化投资策略能够理性决策，获取市场非理性的收益，大概率战胜市场。
在这个过程中，量化投资不仅排除了人为的主观因素，并且可以做到更精确，以精确的值达到一个最优结果，这是量化投资的第二个优势。比如说什么叫成长性好的个股，是每年业绩增长20%，还是更多？什么样的标准才是他选股的标准？一般投资者判断某个行业或个股好坏，往往凭借主观经验与判断，量化投资则有一套完整的逻辑和规则，可以进行有效的评价和识别。比如有观点认为医药行业成长快，量化投资或许会考虑用某个指标去度量成长性，比如ROE增速，如果这个指标超出一定阀值，就可确认该行业确实成长快。从这个意义上来说，量化投资采用量化工具将主动投资逻辑规范化，能够带来规范化的收益。
量化投资的第三个优势是对海量信息的处理。现在沪深两市已经有2000多只个股，和10多年前相比，一个最大的区别是信息爆炸。现在人脑是永远不可能记住这么多信息的，并且对海量数据之间的关联不可能做出迅速判别，而电脑可以做到。
从摩根士丹利华鑫基金数量化投资运行的量化模型来看，量化模型获取的超额收益是非常显著的。除已经实际运行的多因子模型和即将运用在大摩量化配置基金上的行业配置模型外，还有五六个量化模型在模拟运行，包括价值量化模型、成长量化模型、技术量化模型以及事件驱动模型等。截至三季度末，模拟运行的模型均取得明显的超额收益。实际运作中的大摩多因子基金，根据Wind数据统计，截至10月26日，今年以来基金收益率为2.84%，与该基金的小盘风格比较类似的中证500指数则下跌3.17%。
如果采用一个比喻来讲，量化模型好比用以获取超额收益的兵器，不同的模型适用的战场和取得的效果不同。年化30%收益的模型自然很好，年化5%的也还不错，总会有其适用的时机，但它们共同的特点是能够持续的获得超额收益。量化投资就是运行这些兵器捕捉市场的价值边界，因为市场上的股票并不是全都有价值，市场喜欢的股票和行业总会有特点，量化投资就是要选出这类股票和行业的特点，通过数学验证建立模型，形成一种投资模式，达到大概率的成功。与此相对应的是，一些主观投资偶有成功，但往往难以复制，难以获得持续的超额收益。
物联网量化信任管理模型研究 篇5
物联网是最近几年发展起来的新型网络, 其异构互联、智能感知、跨领域应用等特性极大的吸引了工业界和学术界的关注, 在国内外开展了大量研究[1]。在物联网理论和应用研究中, 网络安全是必须要解决的关键问题之一。从网络结构层次来看, 物联网主要由感知层、核心层、应用层网络等组成。感知层由一系列物理设备和传感器网络构成, 以无线感知为主, 包括RFID、红外等方式。核心网络层主要包括接入网和互联网, 功能主要是信息互联。应用层主要实现信息处理、分布式计算、应用决策。主要网络结构有P2P、网格、云网络等。
从服务业务来看, 物联网中必然存在信息和网络的互联, 其必然带来新的安全挑战, 如不同网络节点的可信性问题、异构跨域信息的安全交互、数据隐私保护等问题。信任管理作为一种“软安全”技术[2], 相对于传统的访问控制机制和密码学机制具有更好的灵活性和可扩展性。另外, 信任作为一个网络层之上的抽象概念, 为多源、异构、跨越的物联网提供统一的决策依据。引入信任机制可为物联网的安全问题提供了一个可行的解决思路。
1 国内外研究现状
目前对物联网的信任机制的研究很少, Liu等人提出物联网异构网络下的信任控制技术, 从异构传感器建模、信任路由和信任管理三个方面探讨了物联网的信任问题[3]。该文只是提出了一些建议, 并没有具体的基于信任的解决方法。Chen等人提出了一种新的物联网安全架构[4], 将物联网的架构分为数据感知层、异构网接入层、数据管理层、智能服务层, 每层给出安全的挑战和安全对策, 指出信任关系将会很复杂, 但不失为一种可行的解决方法。Bahtiyar等人提出一个从安全服务系统中提取信任信息的机制, 信任可以根据用户的需要来形式化建模[2]。相对于文献[3,4], 该文有具体的实现算法, 然而信任评价参数的合理性和物联网环境的适用性需要进一步探讨。实际上, 目前大部分的信任管理的研究和应用主要集中在物联网的组成网络上, 如无线传感器网络信任模型[5,6]、IP网络的路由信任机制[7]、基于应用网络的信任模型[8]等。特别是对WSN的信任研究比较成熟, 存在不同角度的WSN信任建模和信任模型的评估[9], 但是并没有进一步考虑物联网场景下的适用性。总之, 针对物联网的信任的研究仍然是一个开放的课题。本文主要研究提出了物联网的量化信任模型, 使物联网的信任机制具有较好的可操作性。
2 物联网服务场景
首先, 给出一个应用场景:对一个物体的智能追踪, 这是智能城市的一个具体应用案例。从安全的角度来看, 主要存在以下几个要素:
(1) 执行具体的任务的传感器节点可能是陌生的, 由于之前没有直接的交易记录, 服务请求者对传感节点完全是不了解的。
(2) 合作是有风险的, 在交易中存在一些恶意的行为。
(3) 服务请求者可能本身是不可信的。
信任机制可以解决上述问题[9], 从可信角度来看, 本场景实质上也是建立陌生节点之间的信任模型。可根据信任控制信息, 分层给出信任的建立、计算、决策方案。信任的控制信息包括信任值和附加控制信息, 如信任合作的高效性、网络的利用和抗攻击。
3 物联网信任模型的具体实现
不失一般性, 信任的建模过程分为信任的建立、信任的建模、信任的计算、信任的传递、信任的决策5个部分。
3.1 信任的建立
基于信任管理机制的需求, 设置了一些信任管理者, 他们设置和管理智能物体追踪场景中分层网络中节点信任值。在物联网中设置两类节点, 一类是普通节点, 如WSN终端、Internet中的传递节点以及应用网中的普通节点, 设置初始信任值为0.5, 来表示信息的不确定性。而对于一些可信的节点, 如基站、网关, 设置较高的信任值, 在0.8左右。这些可信节点将管理他们范围内的一组节点, 考虑到这些节点也可能变质, 所以设置低于1 (最高信任值) 的信任值是合理的。
3.2 信任的建模
不同网络中的信任组织结构是不同的, 在本文所述的模型中, 同时考虑了信任建立的网络维度和信任维度, 根据若干管理节点的覆盖范围, 将网络划分为若干个社区域, 信任信息在域间以分布式方式收集, 而在域内用集中式方式收集。
在传感层, 采用节点---簇头---基站的模式收集信息, 这样可以兼顾能量受限和异构网络的功能。异构网络独自划分一个域, 实行自主管理。其他节点按照通信范围形成一个簇, 每个簇选择一个簇头, 一般选择具有最强的能量和计算能力的节点充当簇头, 它管理着簇内节点的信任收集和计算, 同时负责联系不同的簇。选择的簇的信任信息被传递到基站, 形成TS。
在核心层, 由于节点的强大的处理能力, 主要考察传递数据的可信的路由, 基于他们的信任值和控制信息, 选择一组可信的路由。信任建模以异构网络中的多条路径为信任汇聚单位。在应用层, 以P2P为代表的网络也以组为簇, 根据直接信任和推荐信任组成的信任值来过滤处理信任。
信任的维度包括一些信任相关的属性 (静态信任, ST) 和一些收集的交易信息 (动态信任, DT) 。不失一般性, 全局的信任值可以通过计算ST和DT的加权和得到。如公式 (1) 所示, 其中k1和k2是权重因子。
通过定义模糊值和信任值之间的映射关系, 可由模糊理论得到单个信任值。对于簇内的每个节点, 计算其具体的信任值, 在0.5以上可认为是可信的。而对于簇头和管理节点, 使用信任状态代替信任值。基于信任值, 一个节点可能被指定以下三种状态之一:1) 可信的。2) 不可信的。3) 对其他组节点是不确定的。所有可信值的均值的一半和所有不可信值的均值的1/3被设置为三种状态的中间阈值。简单的信任状态能够标识节点的行为, 降低计算负载, 提供了恶意攻击的识别范围。
3.3 信任的计算
在信任信息收集之后, 根据模糊理论计算信任值。以ST为例, 提取静态属性, 根据模糊推理来计算静态信任值, 如图1所示。
给定一个论域U={节点的能量、节点的服务能力、节点的服务时间、节点的处理能力、通信效率}, 和一个目标域V={最低信任、很低的信任、中等信任、比较信任、最高信任}, 使用模糊理论推测信任值, 隶属度函数可以定义为一个分段函数:
其中a是一个定义的门限, 给定一个对于U的权重向量W, 根据模糊集理论, 可以得到最终的信任向量, VT = {v1, v2, …, vm}。定义静态信任ST = max (VT) , 其中max (VT) 表示ST相对于V的最大的隶属度。
类似地, 单个节点的动态的信任值DT也可以如此得到, 其中动态的信任属性包括{直接交易、信誉、风险、相对的服务能力、资源利用率}等。
在获得静态信任值ST和动态信任值DT后, 综合的信任值可由公式 (1) 得到, 权重k1和k2由信任管理节点调整, 当缺少经验或能耗要求高时, k1可以设置高一些 (如传感层网络, 可只设置k1=1, k2=0, 并定期调整信任值) 。当需要更高的精读或高功率的网络场景 (如核心层网络) , 设置k2>k1。
所有的群内节点可以计算获得相应的信任值, 用于判断其合作的不确定性。对于较高等级的节点 (如簇头、基站等) , 直接转换信任值成信任状态, 确定其合作不确定性。
3.4 信任的传递
这个阶段包括域内的信任值或信任状态的传递。也包括跨层信任结果的传递。在一个域内, 节点需要多跳才能到管理节点, 信任需要通过多个中间节点传递。管理节点收集其区间内的信任值或状态, 上报该层的信任管理总节点, 形成信任向量TX (代表传感层TS, 核心层TN, 应用层TA中的一个) 。跨层传递表示在相同的上下文下传递TX, 由于不同的层具有不同的策略, TS, TN, TA是不相关的, 可以在同一个上下文中以分布式的方式无缝的传递, 形成信任三元组 (TS, TN, TA) , 最终的信任信息用于决策。
3.5 信任决策
信任的决策过程分为三个步骤:基于信任的服务决策、服务的访问控制策略、信任的抗攻击和更新。
对于一个服务请求者, 当需要跟踪一个物体时, 对于哪些节点执行任务对他是透明的, 除了其他的一些要求, 比如执行时间或准确度。物联网是一个服务提供者 (SP) , 信任管理提供了一个辅助服务来协助物联网提供可信的服务。对于每个数据任务和要求的Qo S, 总对应一个三元组 (TSt, TNt, TAt) 代表了每个层中的一组节点来执行任务。在本文模型中, 这些节点主要由信任值确定, 以传感层节点为例, 存在n个域, 每个域有m条路径和t个节点。首先我们选择可信的管理者作为备选域, 即信任状态为“可信”的域, 然后计算其全局的信任值。一种简单的方式是所有域内节点信任值的平均加权, 因为信任是无量纲的。结果排序并根据TScon确定的门限Th进一步筛选。进一步的对m条路径 (包含若干节点) 执行同样的操作, 选择的对象组成了不同服务水平的TSt。
服务的访问控制策略是基于隐私保护的策略, 需要对服务请求者的信任进行判断, 信任管理节点据此确定数据的开放程度。
在交易后, 需要对信任进行更新, 动态的信任根据交易结果实时更新, 静态信任根据固定周期的例行检测更新。在域内采用了中心化的控制机制, 可通过多条路径的验证来检测节点的欺骗, 对于管理节点采用分层的信任状态, 如WSN中采用GTMS的信任架构, 可以抵抗若干攻击包括共谋。一旦检测到恶意的攻击, 修改其当前的信任值TVi, 定义ΔT为TVi和TVi-1的差值, 如果ΔT <0, 则修改信任值TVi+1=TVi+p·ΔT , 否则TVi+1=TVi+1p·ΔT, 其中p是惩罚因子且p>1。该设置符合人类的交往习惯, 即信任的增加是缓慢的, 下降是迅速的, 对于恶意节点, 需要更多次诚实的交易才能恢复到原信任水平。
4 仿真分析
该部分给出了所提信任模型的仿真实验, 仿真工具是MATLAB7。首先设置一组仿真参数, 如表1所示。N是网络的大小, XS, XN, XA分别表示传感层、核心层和应用层网络的节点数目, 每层分成5个域, Th是选择节点的可信门限。基于上述定义的场景, 执行了100次交易, 仿真结果如图2所示。
图2从两个方面评估了所提信任模型的表现:信任模型的鲁棒性和基于信任机制的任务执行效率。因为信任在物联网中的作用是自组织节点执行任务, 衡量合作的不确定性, 选择可信的节点, 避免恶意节点即是鲁棒性的要求。自组织节点的目的是提高执行任务的效率。
图2 (a) 描述了所提模型抵抗攻击的效果, 随着恶意节点的增加, 成功交易率下降越慢, 模型表现越好。用于比较的模型是文献[10], 这个模型是最新的物联网模型。从曲线图可以看出本文的算法随着恶意节点比例的增加, 成功交易率下降较慢。
图2 (b) 描述了执行任务的效率, 比较模型是GTMS模型 (与本文模型具有类似的信任网络结构) 和Ad Hoc模型 (与本文模型具有类似的信任传递方法) 。从仿真图可以看出, 随着网络规模的变化 (每层在50个节点的基础上随机的增加或减少相同的节点) , 本文模型执行任务的效率更高。这意味着, 在信任模型的帮助下, 需要更少的时间来完成任务 (如安全的数据传输) 。
总之, 所提算法是有效的, 相对其他算法具有更好的表现。
5 结束语
本文基于信任管理生命周期过程, 提出了一个分层物联网架构下的量化信任管理模型, 依照该模型可以计算智能物品追踪场景中合作节点和网络的可信性, 从而选择合适的节点执行任务, 仿真结果表明所提模型相对于以往模型具有更好的抗攻击能力和任务执行效率。在物联网中嵌入该模型以及后续研究的更完善的信任模型可以提高物联网服务的可信性、灵活性和高效性, 具有较大的实用性。
摘要：信任管理模型是物联网可信性评估问题的潜在解决方案, 目前关于物联网信任模型的研究主要集中在定性分析和无线传感器网络上, 可操作的定量分析成果很少。本文主要研究了在物联网分层架构下, 智能物品追踪场景下的可信建模问题。从信任的建立、信任的建模、信任的计算、信任的传递、信任的决策5个典型的信任管理生命周期依次量化建模, 建立物联网的量化信任管理模型。仿真结果表明所提模型相对于以往信任模型具有更好的鲁棒性和任务执行效率。
关键词：网络安全,物联网,信任,信任模型,量化
参考文献
[1]CHANG K D, CHEN J L, A survey of trust management in WSNs, internet of things and future internet[J].KSII Transactions on Internet and Information Systems, 2012, 6 (1) :5-23.
[2]Bahtiyar S, Caglayan M.U.Extracting trust information from security system of a service[J], Journal of Network and Computer Applications, 2012, 35 (1) :480-490.
[3]Liu Yan.Trust control in Heterogeneous Networks for Internet of Things, ICCASM 2010, Volume:1, pp.632-636.
[4]D Chen, G Chang, L Jin, et al, A Novel Secure Architecture for the Internet of Things, 2011 Fifth International Conference on Genetic and Evolutionary Computing, 2011, pp.311-314.
[5]王良民, 郭渊博, 詹永照.容忍入侵的无线传感器网络模糊信任评估模型[J], 通信学报, 2010, 31 (12) :37-44.
[6]Shaikh R.A, Jameel H, d’Auriol B J., et al.Group-Based Trust Management Scheme for Clustered Wireless Sensor Networks, IEEE Transactions on Parallel and Distributed Systems, 2009, 20 (11) :1698-1712.
[7]Sun Y, Yu W, Han Z, Liu KJR.Information theoretic framework of trust modeling and evaluation for ad hoc networks[J].IEEE Journal on Selected Areas in Communications, Selected Areas in Communications, 2006, 24 (2) :305-317.
[8]汪京培, 孙斌, 钮心忻, 杨义先.基于参数建模的分布式信任模型[J].通信学报, 2013, 34 (4) :47-59.
[9]Javier Lopez, Rodrigo Roman, Isaac Agudo, Carmen Fernandez-Gago, Trust management systems for wireless sensor networks:Best practices, Computer Communications, Volume 33, Issue 9, 1 June 2010, pp.1086-1093.
量化投资模型 篇6
量化投资这个舶来品引入A股后, 能否在中国发挥威力, 市场仍充满争议。3年以来, 致力于寻觅中国式量化投资之路的银华基金 (博客, 微博) 以分级基金为突破口, 银华“分级基金专家”的品牌形象得以树立。目前, 他们又开始尝试将对冲策略引入专户投资, 运作一年以来, 取得了阶段性的成功。
在银华基金副总经理兼量化投资总监周毅看来, 量化投资成功的关键在于团队。
以分级基金为突破口
首战告捷
量化投资在股票市场的运用范围较广, 包括金融工具设计、指数增强、市场中立阿尔法模型以及套利策略等多个方面。在反复比较、深思熟虑后, 周毅选择将金融工具创新作为突破口。
周毅认为, 相比于其他量化投资领域, 金融工具与市场地域性特征关联度最低, 因此移植性最强, 成功概率越高, 同时在中国市场相对比较欠缺。所有的金融工具中, 在国外使用得最广泛的就是结构化。周毅首战试水分级基金。这是在当时法规允许范围内可实现的融资性结构化产品, 其A类份额具有类固定收益特征, B类份额具有杠杆特征, 满足3类投资者的需求。
截至今日, 银华共推出了3只指数分级基金和一只股票型分级基金, 包括银华深100 (首只深100分级指基) 、银华中证等权重90 (首只等权重分级指基) 、银华中证内地资源 (首只投资主题指数的分级基金) 和银华消费主题 (首只主动管理的主题类分级基金) 。据金牛理财网统计, 这4只分级基金占据目前市场上分级基金规模的绝对优势, 并且创造了多个第一:银华深100是上市首只首日出现双溢价的分级基金, 也是目前场内规模最大的基金, 约为150亿元左右;银华中证等权重90是第一个触阀值折算的分级基金, 为所有分级产品的发展完善和风险控制, 提供了可借鉴的宝贵经验。
看好中国量化投资“钱景”
不过, 分级基金只是整个量化投资运用中金融工具设计的一部分, 其发展的背景是目前国内衍生品缺乏的现状。周毅表示:“我们想做全方位的量化投资, 包含量化投资的各个领域。”
2012年以来, 银华的多只专户产品已经成功在A股市场上, 综合运用以上两项策略。据记者了解, 银华专户产品中, 表现最好的账户年化收益 (扣除各种费率后) 大幅超越同期沪深300指数, 波动率仅约为沪深300波动率的1/3。尽管受现有法规和交易平台限制, 在美国运用的量化策略大多数无法在A股实现, 但银华在专户对冲产品上的成功尝试, 证明了在国内利用量化投资方法, 可以获得绝对收益。而且随着各种限制的宽松化以及杠杆机制的引入, 量化绝对收益产品可以拥有巨大的发展空间, 中国式量化投资前景广阔。
志做国内旗舰量化团队
周毅将银华目前在量化投资领域所取得的诸多成就, 都归功于其全业务线的量化团队打造。银华在业内属于较早开展专门的量化投资研究的公司之一, 目前量化投资团队已经达到16人, 职责涵盖了金融工具、α策略、套利及实时风控等量化投资的各个业务链。
周毅表示, 量化投资需要的是“完备”生产线, 一个覆盖业务链上所有领域的完备团队。一旦搭建好了这个业务链, 可以适应低管理成本的大规模的资金运作。“我们的最终目标是在银华打造国内最优秀的量化团队, 然后把量化投资在此平台上做大做强, 做成国内领先的旗舰型数量化投资团队。”
基于概率模型的进程调度量化分析 篇7
进程调度算法是计算机操作系统最核心的算法之一。进程调度算法的功能是按一定的调度策略选择处于就绪队列中的进程在处理机上运行。处理机利用率和系统吞吐量都与进程调度算法的好坏直接相关, 其算法设计直接影响操作系统的整体性能[1,2]。通过几个定量指标来评价进程调度性能的重要性也就不言而喻了。
进程调度算法的评价是一个较复杂的系统工程[3]。一般有两类方法。一类是基于具体调度算法的性能分析。常见的进程调度算法有FIFO、SCBF、HPF、RR、HRN和MFQ。这些调度算法各有其优缺点, 一般只从系统吞吐量的高低、周转时间长短等方面做定性的分析。另一类是基于样本统计的性能评价方法。这种方法是通过一定数量的样本, 来定性分析这些调度算法的性能。由于具有代表性样本的设计难度和样本数量的限制, 其性能评价必然具有一定的片面性[4]。
本文将建立一个进程调度的简化概率模型, 在此基础上给出六个定量评价指标, 综合分析进程调度算法的综合性能。
2、进程调度的概率模型
2.1 进程状态分析
在多道程序系统中, 处理机的分配和调用都是以进程为单位。进程从创建而产生, 由调度而执行, 由撤销而死亡。在这个过程中, 进程表现出了不同的状态。进程创建是进程管理的第一步, 是给进程分配除CPU之外的资源的过程。这个阶段称进程处于建立态。进程创建完毕后, 新进程将被插入就绪队列, 等待处理机的调用, 此时, 称该进程处于就绪状态。
一个就绪进程获得CPU, 正在执行, 称该进程正处于执行态。进程从就绪态到执行态的过程就是分派程序 (dispatcher) 的执行调度算法的结果。进程在执行过程中, 也有可能由于某事件而暂时无法继续执行, 不得不放弃CPU。此时, 称进程处于阻塞态。进程进入执行态除了可能来自就绪态外, 也可能来自于阻塞态。只要处于阻塞态的进程在申请的某事件得到满足。进程执行完毕后, 还得作必要的善后处理工作, 称这种状态为终止状态。图1表明了这些状态之间的转换关系
2.2 模型建立的假设条件
影响进程调度的因素比较多, 为了使得评价模型简单实用, 我们忽略了一些次要因素。下面是模型建立的假设条件。
(1) 本模型仅实用于多道批处理系统, 不适合分时系统与实时系统。
(2) 所有进程的执行都是一次性的, 要么不执行 (等待) , 要么一次执行完成。
(4) 所有进程的执行过程中都不会出现死锁现象。
(5) 所有进程遵循有闲让进, 忙则等待的原则。
(6) 新进程进入就绪队列的过程不会停止。
(7) 系统是单核的, 在某一时刻仅有一个进程在执行。
根据上述假设, 可以将图2简化为:
其中:排队规则体现了就绪进程按如何方式和顺序接受CPU服务。一般有:先来先服务、优先权服务、短作业优先和随机服务等。
2.3 进程调度的概率模型
基于以上假设和大量的统计数据表明:一段时间间隔内, 进入就绪队列的进程数近似符合参数为λ的Poisson分布。如果我们同时假设每个进程的CPU服务时间也近似符合负指数分布, 则根据排队论的相关知识, 不难得出:单CPU简化进程调度的概率模型就是M/M/1排队模型。具体而言
(1) 在时间间隔段t内, 进入就绪状态的进程数符合参数为λ的Poisson分布。即
其中:N (s) 表示在时刻s处于就绪状态的进程数, λ表示到达率。
(2) 每个进程的CPU服务时间Vn相互独立, 具有相同的负指数分布:
2.4 基于概率模型的进程调度评价
参考相关文献[5, 6, 7, 8], 基于M/M/1排队模型, 我们可以得到进程调度算法的定量指标。见表一:
从上表不难看出, 进程调度性能仅仅与平均到达率λ和平均服务率μ有关。而由于平均到达率λ是不可控的, 提高性能就转移到提高平均服务率μ上面。μ是单位时间内CPU执行的进程数, 与CPU的性能和每个进程需要CPU服务时间的长短有关。假定CPU性能一定, 如果执行的进程需要CPU服务的时间越少, 那么μ就越大, 从而W和Wq越少。
基于排队规则而产生的不同算法, 如先来先服务、优先权服务、短作业优先和随机服务等, 必然导致单位时间内CPU执行的进程数的不同。显然, 一段时间间隔内短作业优先算法的CPU平均服务率μ最高。先来先服务算法优先考虑的是等待时间最短的进程, 而优先权服务则优先考虑的是优先权大的进程。随机服务算法是随机选择进程。这三种算法的不同主要体现在优先考虑对象的不同, 对单个进程有较强的意义。
3、讨论
为了使得进程调度的概率模型简单和易于建立, 我们给出了7个假设条件和两个近似分布。其中第7个假设条件可以去掉, 那么我们所对应系统就是多处理机系统, 建立的模型就是M/M/1。两个近似分布即Poisson分布和负指数分布也仅仅是我们比照文献[4][7]的参考结果, 迄今为止, 还没有发现严格的证明。因此本文所阐述的模型也仅仅是一个相当粗糙的近似。结合具体的调度算法, 对CPU平均服务率的细化是我们下一步的工作。
摘要：通过简化进程的状态转换关系, 在给定了7个假设条件和2个近似分布的条件下, 建立了进程调度的概率模型, 在该模型的指导下, 深入分析了进程调度的几个定量化指标。
关键词：进程调度,概率模型
参考文献
[1].屠立德, 屠祁编著.操作系统基础 (第二版) [M].北京:清华大学出版社, 2000.
[2].汤小丹, 梁红兵, 哲凤屏, 汤子瀛.计算机操作系统 (第三版) [M].西安:西安电子科学大学出版社, 2007.
[3].庞丽萍.操作系统原理 (第三版) [M].武汉:华中科学大学出版, 2000.
[4].徐光辉.排队论及其在计算机设计中的应用[J].计算机应用与应用数学, 1995, No, 1, 33-43
[5].任泰明.如何用数学模型定量评价进程调度算法的性能[J].兰州石化职业技术学院.2001, No, 1, 7-9.
[6].唐应辉.分析M/G/1排队系统队长分布的方法标注[J].系统工程理论与实践, 16 (1996) No, 1, 46-50.
[7].徐光辉.随机服务系统理论 (第二版) [M].北京:科学出版社, 1988.
辅导员量化评价及其模型实现 篇8
一、辅导员工作量化内容
尽量对辅导员工作进行量化描述, 可以使用评价模糊数学的评价集观点, 将定性指标转化为定量因子, 以辅导员工作职责和效绩为主要考核内容, 并在量化过程中引入适当的激励机制。
1) 岗位职责考核, 主要考核辅导员对待本职工作的责任心。2) 思政工作量化考核, 本人的政治理论学习、对学生的日常思想教育工作情况, 班级学生递交入党申请以及发展党员的情况。3) 班级工作实效考核, 班级管理是辅导员工作的重要部分, 该部分考核辅导员所管辖的班级学生的思想、学习、纪律等情况, 考核辅导员的工作成效。4) 任课教师评价, 通过问卷形式, 调查所带班级任课教师对本班的学习风气、组织纪律等情况进行考评。5) 学生测评, 班级学生对辅导员工作的评价, 作为辅导员工作的一个量化考核部分, 通过客观指标, 比较全面如实地考察辅导员的的工作责任心、管理能力、深入学生、师生关系是否融洽等。6) 奖励和扣分, 作为激励机制, 该部分主要反映辅导员能否主动思考, 积极拓展工作面, 深入开展素质教育, 通过班级在校内评比活动中的名次, 综合体现班风和学风, 学生违纪、考试作弊, 充分调动辅导员工作的主动性和参与意识。
二、辅导员工作量化模型
模糊理论是用数学方法来研究和处理具有“模糊性”现象的数学。模糊评价的基本思想是:由于许多事情的边界并不十分明显, 评价时很难将其归于某个类别, 于是先对单个因素进行评价, 然后再对所有因素进行综合模糊评价, 防止遗漏任何统计信息, 这有助于解决用“是”或“否”这样的确定性评价带来的对客观真实的偏离。对于辅导员的工作评价, 引入模糊理论创建模型, 可以在很大程度上避免主观因素引起的评价结果偏差, 评价结果以量化形式描述, 便于工作评价和比对改进。
根据辅导员工作评价指标建立评价因素集:U={U1, U2, …Um}, 共有m个评价因素;评价集:V={V1, V2, …Vn}, 共有n个评价等级, 对给定的评价因素Ui, 按照评价集V进行评价, 其单因素评价为:Pi= (Pi1, Pi2, …Pim) , 表示第i个因素的评价对于第r个等级的隶属度。由此可以得到n个因素的总体评价矩阵:
考虑到每个因素在评价中所起的作用不同, 给每个因素确定一个权重系数A。A={a1, a2, …an}, 其中ai≥0, 且。知道了模糊集A和评价矩阵P, 综合评价模型B可以表示为:
在实际应用中, 将上述对辅导员的6个量化内容岗位职责、思政工作、班级工作、任课教师评价、学生测评、奖励和扣分对应到评价因素集U={U1, U2, U3, U4, U5, U6}, 定性结论优秀、称职、基本称职、不称职, 对应到评价集:V={V1, V2, V3, V4}中, 对U={U1, U2, U3, U4, U5, U6}中的每个元素按照评价集V={V1, V2, V3, V4}做出单因素评价。在所有参加评价的评委投票中, 按照百分比将投票结果记到相应的等级栏中做为等级分, 以下是一个实际投票结果:
记为:P1=[0.1 0.5 0.1 0.3]。这样对每个评价因素Ui, 都对应一个评价Pi。, 以下是一个评价:
考虑到各评价因素在评价结果中占有的权重不同, 按照以下的规则设定权重值:岗位职责 (30%) 、思政工作 (30%) 、班级工作 (20%) 、任课教师评价 (5%) 、学生测评 (10%) 、奖励和扣分 (5%) 。由此, 综合评价为:
结果是一维数组, 其含义是:该辅导员的考核结果有23.8%赞成为优秀, 42.1%的比例称职, 23.9%的比例基本称职, 9.8%的比例不称职, 不是很直观, 再做如下处理:设定百分制优秀为100分, 称职为85分, 基本称职70分, 不称职为60分, 那么其最终成绩为:[0.2380.421 0.239 0.098]·[100 85 70 60]'=82.195, 如果设定75～85为称职, 则该辅导员的最终评价结果为称职。
三、结语
如何建立量化交易模型（二） 篇9
研究买入信号的规律可以从多方面入手：（1）标的信号的自身具体特征状态；（2）标的个股信号下午开盘第一波拔高幅度统计；（3）标的个股信号出现后盘中价格表现特征以及细分；（4）标的个股信号出现后收盘价格表现特征以及细分。
而笔者以中午收盘价的涨跌情况与幅度作为基准参照，将个股信号自身结构特征与细分成以下几类：（1）绿盘下跌状态下拔高 （跌幅超过2%以上）；（2）平盘状态下拔高 （涨跌幅-1%至1%内）；（3）小幅上升状态下拔高 （涨幅2%以内）；（4）大幅上升状态下拔高（涨幅2%以上）。（参照图1、2）
下面笔者以个股信号出现下午开盘第一波拔高幅度规律入手进行统计，这一数据统计研究主要目的是研究分析，第一波拔高幅度的大小对这些股票，当天价格中盘特别是收盘表现有什么的影响，另外对这些股票的短线影响程度如何？从中找出最强的信号规律。
下午开盘第一波拔高幅度，是指下午开盘后出现大买单拔高到连续性拔高结束，这一过程的拉升幅度。这种拉高表现是较特别的拉升，一般最小拔高幅度都超过2%。
量化投资在期货交易中的应用 篇10
关键词：期货,量化投资,交易
期货量化投资在国外期货市场已经有30多年的历史。同时因为其投资绩效稳定, 得到了越来越多国内投资者的认可、市场规模和市场份额不断扩大。量化投资在国外期货市场占比已达到70%以上, 在国内的期货市场的比例据统计已经上升到30%左右。相比较国际期货市场的现状, 我国期货市场量化投资领域还有很大的发展空间。
量化投资, 一方面是和主观交易相对应, 是指将投资者的交易理念或者是通过统计的方式挖掘出可以盈利的交易理念, 使用量化交易软件规定的语言编写成软件可以识别的交易模型。将交易模型挂载到量化交易软件, 由软件自动执行交易模型的交易方法。另一方面, 量化投资是和手动交易相对应的自动化交易方式, 包括半自动交易方式和全自动交易方式两种。半自动交易方式是指, 当期货合约价格达到满足交易模型的条件时, 交易软件自动弹出提示, 由投资者决定是否确认向期货交易所报送交易指令。全自动交易方式是指, 当期货合约价格达到满足交易模型的条件时, 交易软件会按照交易模型中的约定, 自动将委托报送到期货交易所。
量化投资因其结合了传统的投资理念和先进的计算机技术, 天然具备很多主观交易难以企及的优势。在交易前, 可以通过交易模型回测的功能评估模型的收益与风险, 可以通过参数优化的功能找出最优的参数值并可随着市场的变化去修改。模型加载到量化投资软件后, 软件会自动按照模型中的约定去监控交易机会, 当交易机会出现时, 软件会自动向期货交易所报单或向用户提示交易机会, 从而克服人性贪婪与恐惧的弱点, 进行相对理智的交易。同时, 因为是由计算机去监控信号并完成交易报单, 行情判断、交易速度快, 可以避免手动交易下错单的情况发生。应用在期货套利交易的领域, 因为包括跨市场套利、跨品种套利以及跨期套利都需要去实时监控不同品种间的价差并进行下单操作, 传统手工下单模式因人的精力及大脑处理信号数量的限制, 做此类交易会非常困难, 但使用计算机自动交易会很容易的突破这些障碍。近年来, 因为量化交易这种交易方式大比例的应用在全球各家期货市场, 因而致使传统交易方式中可盈利的交易机会转瞬即逝, 这也是投资者需要改变传统交易方式, 采用量化投资这种方式的原因之一。在投资者在进行期货投资后, 必然会对其的交易理念进行总结, 传统的主观投资者会将投资中需要改进的地方存在其记忆中, 尽量在今后的交易中避免, 但长时间后会逐渐遗忘。而使用量化投资方式, 只需将需要改进的理念维护到交易模型中, 从而彻底避免同样错误交易的发生。但因为历史不会简单的重演、无法回避的小概率事件、交易的不确定性等原因, 量化投资也有劣势。而量化投资的劣势相对于其优势来说是微乎其微的。投资者不要迷信存在永远稳定赚钱的策略, 策略也需要与时俱进、不断创新和改造。对于投资者而言, 更重要的是提高自身选择和使用策略的能力。
当前我国市场上已有很多种量化投资软件, 包括国外的软件产品, 如:Multicharts、Yestrader、Open Quant、Magic Quant等。以及国内的软件产品, 如:大连商品交易所全资子公司, 大连飞创信息技术有限公司开发的X-Quant飞创策略交易平台、郑州易盛信息技术有限公司开发的易盛程序化交易系统、上海金之塔信息技术有限公司开发的金字塔决策交易系统、深圳开拓者科技有限公司开发的交易开拓者程序化交易软件等等。上述国内外各款软件的功能界面虽然不尽相同, 软件商从市场竞争的角度也会通过不断挖掘期货投资者的需求, 优化软件功能, 提升软件与用户的亲和度。但是量化投资软件功能提升的核心在于模型编写的方便性与模型执行效率的高效性两方面。只有交易模型编写方便、可实现功能丰富、行情判断及交易指令执行速度快的产品才会真正赢得市场。
开发量化交易模型是量化投资过程中最重要的步骤之一。下面以一个简单的双均线交易模型为例, 为读者介绍一下量化交易模型的开发过程。均线是期货交易者最常用到的交易指标之一, 均线也称移动平均线 (Moving Average, 简称MA) , 它是将某一周期的收盘价之和再除以该周期数得出平均值, 将所有平均值连成线即为移动平均线。比如日线的5周期均线 (MA5) 是指5日内的收盘价之和除以5, 然后再将得出的平均值连成线、日线的10周期均线 (MA10) 是指10日内的收盘价之和除以10, 然后再将得出的平均值连成线。一般认为, 当短周期均线上穿长周期均线时, 代表短期内的上涨动能较强, 未来一段时间内上涨的概率较大。此时, 应该做买入开仓操作。如果之前持有空头头寸, 那么应该将空头头寸平仓, 再做买入开仓操作。反之一般认为, 当短周期均线下穿长周期均线时, 代表短期内的下跌动能较强, 未来一段时间内下跌的概率较大。此时, 应该做卖出开仓操作。如果之前持有多头头寸, 应该将多头头寸平仓, 再做卖出开仓操作。编写这个模型, 首先需将两条均线的周期设置为两个参数N1、N2, 默认参数N1为短周期、N2为长周期。参数是变量, 我们在开发量化交易模型时, 会关心模型中的某一个或几个变量的变化对模型的盈利产生的影响, 那么就可以将它们设置成参数。模型实现的功能是, 当系统判断出N1周期均线上穿N2周期均线时, 那么在这根K线结束后做买入开仓操作, 当系统判断出N1周期均线下穿N2周期均线时, 那么在这根K线结束后做卖出开仓操作。如果模型在执行开仓指令前, 账户持有与当前拟开仓方向的反向持仓时, 需先将持有的反向持仓平仓后, 再做开仓操作。我们按照软件规定的语言写好量化交易模型后, 可以利用量化交易软件的模型回测及参数优化功能对该模型进行回测和参数优化。模型回测和参数优化功能, 是指将模型加载到某一个或某几个期货合约上, 通过逐一计算模型加载所有交易参数的组合在历史行情中的盈亏情况, 进而选出令期货交易者满意的参数组合用于期货交易。由于期货合约会出现到期交割及主力合约换月的情况, 这里为了简单起见, 我们采用指数合约进行回测。期货指数合约反映的是某一期货品种价格的整体情况。期货指数合约的数值是将该期货品种所有上市的期货合约, 按照当日的成交量计算出来的加权平均价。将该双均线模型加载到上海期货交易所的螺纹钢期货指数日K线图中, 选择2014年1月1日至2015年6月15日这段时间, 默认N1参数值为2、N2参数值为8, 使用50%的资金做交易。通过回测得知, 初始资金设为500000元, 最终权益为551790元。保证金比例设为8%, 测试天数为530天, 测试周期数为354天, 信号个数48, 指令总数49。权益最大回撤比51.76%, 盈利率10.36%。年化单利收益率7.13%, 年化复利收益率7.02, 胜率39.58%, 净利润为51790元。平均持仓手数81手、最大持仓手数122手。模型回测报告中还显示出标准离差、标准离差率、夏普比率等数值供期货交易者参考。接下来我们可以做模型的参数优化操作, 来找出最优的参数组合, 也就是说找出使用哪两个周期均线可以得到最大的利润, 同时可以通过查看回测报告中的其他参考值来确认这个组合的盈利是否稳定, 进而选出我们认为最优的参数组合。其中我们设定参数N1选择的参数优化范围是[1, 5], 参数N2选择的参数优化范围是[6, 10]。通过量化交易软件回测得知, 使用参数组合为 (2, 7) 即2周期均线和7周期均线这两根均线的组合盈利最高, 总盈利率为16.15%, 胜率为42.59%。参数组合为 (4, 9) , 即4周期均线和9周期均线的组合亏损最严重, 总盈利率为-69.24%。
伴随着我国信息技术的发展及期货交易方式的创新, 传统的主观交易方式已不能完全满足期货投资者的需求, 越来越多的投资者开始尝试量化投资这种新的投资方式。我们相信, 通过期货交易所的技术创新, 量化投资软件提供商及广大投资者的共同努力, 我国的期货量化投资领域会日趋成熟, 也会推动我国期货市场更好、更快发展。
参考文献
[1]纳兰.打开量化投资的黑箱[M].北京:机械工业出版社, 2012:19-21.