金融中的定量分析(QA) 是一种强调数学和统计分析以帮助确定金融资产（例如股票或期权）价值的方法。量化交易分析师（也称为“ quants ”）使用各种数据（包括历史投资和股票市场数据）来开发交易算法和计算机模型。
这些计算机模型生成的信息有助于投资者分析投资机会并制定他们认为会成功的交易策略。通常，这种交易策略将包括非常具体的关于进场和出场点、交易的预期风险和预期回报的信息。
财务量化分析的最终目标是使用可量化的统计数据和指标来帮助投资者做出有利可图的投资决策。在本文中，我们回顾了量化投资的历史，将其与定性分析进行了比较，并提供了一个基于量化策略的实例。
重点摘要
- 定量分析源于计算机时代的兴起，这使得在短时间内分析大量数据变得比以往任何时候都容易。
- 量化交易分析师 (quants) 识别交易模式，建立模型来评估这些模式，并使用这些信息来预测证券的价格和方向。
- 一旦建立了模型并收集了信息，量化分析师就会使用这些数据来设置证券的自动交易。
- 定量分析不同于定性分析，后者着眼于公司的结构、管理团队的构成以及优势和劣势等因素。
输入“数量”
1952 年 3 月，诺贝尔奖获得者经济学家哈里·马科维茨在《金融杂志》上发表了“投资组合选择”一文，被普遍认为开创了量化投资运动。马科维茨介绍了现代投资组合理论(MPT)，向投资者展示了如何构建多元化的资产组合，能够在各种风险水平下实现收益最大化。 Markowitz 使用数学来量化多元化，并被认为是数学模型可以应用于投资这一概念的早期采用者。
现代金融理论的先驱罗伯特·默顿因研究衍生品定价的数学方法而获得诺贝尔奖。马科维茨和默顿的工作为量化（quant）投资方法奠定了基础。
定量与定性分析
与传统的定性投资分析师不同，宽客不会访问公司、会见管理团队或研究公司销售的产品来确定竞争优势。他们通常不了解或不关心他们投资的公司的质量或这些公司提供的产品或服务。相反，他们纯粹依靠数学来做出投资决策。
Quants——他们经常拥有科学背景和统计学或数学学位——将利用他们对计算机和编程语言的了解来构建定制的交易系统，使交易过程自动化。他们项目的输入可能从关键财务比率（例如市盈率）到更复杂的计算，例如贴现现金流(DCF) 估值。
对冲基金经理接受了这种方法。计算技术的进步进一步推动了该领域的发展，因为可以在眨眼之间计算出复杂的算法，从而创建自动交易策略。该领域在网络泡沫繁荣和萧条期间蓬勃发展。
量化策略在大萧条中跌跌撞撞，因为它们未能考虑到抵押贷款支持证券对市场和整个经济的影响。然而，量化策略至今仍在使用，并因其在依赖数学做出交易决策的高频交易(HFT) 中的作用而备受关注。
量化投资也作为一门独立的学科被广泛实践，并与传统的定性分析相结合，以提高回报和降低风险。
量化分析师与定性分析师非常不同，因为他们主要根据数学方程和模型做出决策。
数据，无处不在的数据
计算机时代的兴起使得在极短的时间内处理大量数据成为可能。这导致了越来越复杂的量化交易策略，因为交易者寻求识别一致的模式，对这些模式进行建模，并使用它们来预测证券的价格走势。
宽客使用公开数据来实施他们的策略。模式的识别使他们能够设置自动触发器来买卖证券。
例如，基于交易量模式的交易策略可能已经确定了交易量和价格之间的相关性。因此，如果特定股票的交易量在股价达到每股 25 美元时上升，而在股价达到 30 美元时下降，量化分析师可能会在 25.50 美元时自动买入，在 29.50 美元时自动卖出。
类似的策略可以基于收益、收益预测、收益意外和许多其他因素。在每种情况下，纯粹的量化交易者都不关心公司的销售前景、管理团队、产品质量或业务的任何其他方面。他们严格根据他们所识别的模式中的数字来下订单进行买卖。
定量分析可用于通过创建计算机模型来降低风险，该模型可识别相对于首选风险水平提供最佳回报水平的投资。
识别模式以降低风险
定量分析可用于识别可能有助于盈利证券交易的模式，但这不是它的唯一价值。虽然赚钱是每个投资者都能理解的目标，但量化分析也可以用来降低风险。
追求所谓的“风险调整回报”涉及比较风险衡量指标，例如 alpha、beta、r 平方、标准差和夏普比率，以确定在给定水平下将提供最高回报水平的投资。风险。这个想法是，投资者不应该承担超过实现目标回报水平所需的风险。
因此，如果数据显示两种投资可能产生相似的回报，但其中一种在价格波动方面的波动性明显更大，那么量化分析师（和常识）会推荐风险较小的投资。同样，量化分析师并不关心谁来管理投资、资产负债表是什么样子、什么产品可以帮助它赚钱，或者任何其他定性因素。他们完全专注于数字并选择（从数学上讲）提供最低风险的投资。
风险平价投资组合是基于量化的策略的一个例子。基本概念涉及根据市场波动做出资产配置决策。当波动性下降时，投资组合中的风险承担水平就会上升。当波动性增加时，投资组合中的风险承担水平就会下降。
定量分析示例
为了让这个例子更真实一点，考虑一个将其资产分为现金和标准普尔 500 指数基金的投资组合。使用芝加哥期权交易所波动率指数 ( VIX ) 作为股市波动率的代表，当波动率上升时，我们假设的投资组合会将其资产转向现金。
当波动性下降时，我们的投资组合会将资产转移到标准普尔 500 指数基金。模型可能比我们在这里引用的模型复杂得多，可能包括股票、债券、商品、货币和其他投资，但概念保持不变。
量化交易的好处
量化交易是一个冷静的决策过程。模式和数字都很重要。这是一种有效的买卖纪律，因为它可以始终如一地执行，不受通常与财务决策相关的情绪的阻碍。
这也是一种具有成本效益的策略。由于计算机可以完成这项工作，因此依赖量化策略的公司不需要聘请庞大、昂贵的分析师和投资组合经理团队。他们也不需要环游全国或世界各地检查公司并与管理层会面以评估潜在投资。他们使用计算机分析数据并执行交易。
有什么风险？
“谎言、该死的谎言和统计数据”是经常用来描述可以操纵数据的无数方式的引语。虽然定量分析师试图识别模式，但这个过程绝不是万无一失的。分析涉及从大量数据中剔除。选择正确的数据绝不是保证，就像似乎暗示某些结果的交易模式可能会完美运行，直到它们不起作用。即使一种模式看起来有效，验证模式也可能是一个挑战。每个投资者都知道，没有确定的赌注。
拐点，例如 2008-09 年的股市低迷，对这些策略来说可能是强硬的，因为模式可能会突然改变。同样重要的是要记住，数据并不总是能说明整个故事。人类可以看到正在发展的丑闻或管理变化，而纯粹的数学方法不一定能做到这一点。此外，随着越来越多的投资者试图采用该策略，该策略的有效性也会降低。随着越来越多的投资者试图从中获利，行之有效的模式将变得不那么有效。
综述
许多投资策略同时使用定量和定性策略。他们使用量化策略来识别潜在投资，然后使用定性分析将他们的研究工作提升到一个新的水平，以确定最终投资。
他们还可以使用定性洞察来选择投资和量化风险管理数据。虽然定量和定性投资策略都有其支持者和批评者，但这些策略不需要相互排斥。