大数据技术更加契合客户的商品需求。大数据在商业领域对应用，能够利用海量数据信息，预测不同客户个性需求，进行商品推送，并根据内设的数据分析系统，对预测结果进行反馈，优化商品预测和推送策略，最终实现根据客户需求进行精准较高的私人定制业务。因此，在金融量化投资领域引进大数据分析技术，利用海量数据背后所隐藏的信息，对金融经济活动进行预测，并且根据历史预测情况，及时反馈预测效果，实现投资策略的动态更新，以实现最佳的预测效果，很可能会对我们传统的量化投资方式产生颠覆性的影响。一、量化投资与传统投资的区别传统投资方式是指“定性”投资，它是基于投资者观察到的市场信号，依据自己的投资经验和相关投资理论，在对市场信号进行预判后，进行的主观判断性投资。比如，张三在观察到金价下跌幅度较大，接近生产成本后，会根据投资经验和有关的经济理论产生这样的预判：未来金价上升概率较大，也正是基于这样的主观预判，张三下一步会购进一定量的黄金，以待升值。主观判断性投资决策简单、操作快捷，其最大的缺陷在于：投资者情绪会影响投资进程，使投资者无法客观度量投资风险。相比之下，量化投资运用现代统计学、数学方法，借助计算机程序，从大量的历史数据中寻找价值洼地，构建能够带来高收益的各种“大概率”投资策略，并依其所构建的数量化模型的运行结果进行决策，力求获得稳定、持续、高于平均的投资回报。量化投资分析显著的优点是，基于历史数据所隐含的客观规律构建量化投资策略，可以做到投资过程完全按照预先编制的程序进行投资操作，这是传统的定性投资方式所不具备的优点，也是量化投资的诱人之处。二、国内量化投资发展回顾2008年美国爆发的次贷危机，为中国量化投资产业带来发展的契机。危机期间，中国的投资机构在量化投资方面表现卓越，通过使用量化交易策略让投资者的损失较传统的投资策略降低了80%。而后两年多，量化基金的发行应市场需求，如雨后春笋般而逐渐密集成长起来。目前，国内的量化基金总数所占份额虽不到1%（深圳交易所专题报告），但通过使用量化交易策略的对冲等套利行为，已成为行业内竞争的优势所在。一般来说，量化交易具体还可细分为程序交易、高频交易和算法交易。自动交易大致分为交易决策和交易执行。前者强调基于计算机的帮助，通过寻找市场上的各种交易机会，做出买卖什么的交易决策。后者强调交易订单的执行，即负责快速、低成本地实现相关订单执行和成交。自动交易，在国内金融市场最早起步于证券市场，如今在期货市场也已经获得市场的信任并且发展也初具规模，投资者约占总体的10%（深圳交易所专题报告）。算法交易，一般由经纪商提供，是指通过程序发出的指令进行交易的方法，非常类似订单执行系统，在国内仍处于初始阶段。而程序化交易，则是指投资者基于自己的策略自行开发的系统，更像一个订单管理系统，更多是考虑订单如何生成。在高频交易方面，虽然高频交易本身的特点是有利于提供市场流动性、降低市场波动、并提高市场效率的。但由于国内股票市场缺乏当日回转交易制度（即“T+0”制度），且受涨跌停板的设置的限制，所以相关业务在目前根本无法开展。三、对大数据量化投资策略的分析大数据在量化交易的应用上最大的优势，就是可以使金融机构只需关注数据本身，而不是其他非客观的因素所决定的预测结果。具体到大数据技术如何应用于量化投资呢？大数据在金融工具或者说是量化投资上的应用可以总结为，利用海量数据背后所隐藏的经济关系，将量化模型对大数据进行回归分析，并对导出的结果进行评测或评估。行为金融学理论认为，专业投资者在交易过程中的行为并非完全理性，都会在不同程度上受到情绪、环境和意志力等各种外在或心理因素的影响。因此，投资者可能更加偏爱受自己情绪所影响的某支股票，并跟踪下去一段时间，而后可能就会在一定程度上对其产生情感依赖，从而使自己的投资行为产生偏差。而量化投资则依据事先设定的投资规则，利用计算机程序进行交易，其所具有的客观性可以有效地克服人性的弱点，使投资决策更科学、更理性。
>>>点击学习量化金融分析师AQF实训项目
目前关于大数据在数量化应用方面的策略主要有两种：即海量化的大数据策略和精益化的大数据策略。
（1）海量化的大数据策略海量化的大数据策略的哲学理念是：“简单的模型加海量数据比精巧的模型加较少的数据更有效”，主要是利用数据不可被主观解释的特性。海量化的大数据策略赖以生成的基础是，巨大的数据生成速度及数据规模的高速膨胀，丰富快速变化的数据种类及愈发复杂的关联程度。因此，海量化的大数据策略对计算机硬件平台、存储模式、管理系统和计算分析等要求较高，需要社会投入大量资金建立符合海量化数据筛选、分析、计算的软硬件系统。目前，国内金融市场主要处于以信息套利为主，量化交易则刚刚起步，大规模应用海量化的大数据策略并不具备成熟、可靠的平台条件。不过，随着市场整体对基于大数据技术的量化投资交易模式的逐步认可、应用范围的不断扩大，未来金融市场平台系统逐步搭建成熟后，海量化的大数据策略的应用价值会逐步显露出来。（2）精益化大数据策略与海量化大数据策略相比，精益化大数据策略在本质上更强调通过细化量化金融活动、明确投资目的，以控制数据规模，从而提高效率、降低成本。当前的金融市场，整体处于不太稳定状态，因此，基于大数据来强调金融产品服务的特性，降低投资风险，提高金融机构的整体市场表现十分重要。目前，不少金融机构已经投入大量技术和资金，涉足大数据领域。因此，评估前期投入的资本效果能否达到预期目的很有必要。精益化大数据策略介入的主要目的，就是为了防止大量的时间和预算，无目的地流向大数据的采集、过滤和分析过程。精益化大数据策略的基本思路是：①确定投资者的预期，明确投资过程可能涉及的相关领域，并确立数据来源；②进行系统分析，设计分析架构，确定对数据进行收集、存储、分析的具体步骤，并确保这些过程能充分整合到金融活动中；③针对有效数据，进行与投资者预期目的相一致的分析；④持续不断地剔除历次交易过程中无用过程、低价值数据和无相关性的分析，并将预测结果对交易过程进行反馈，动态优化大数据策略。其具体实施过程可以分为以下几步：①在理性分析思考的基础上，详细确定未来金融活动中的高价值数据，以及相关分析需要解决的关键性问题；②确定金融活动中的关键性步骤，结合经细分后已经归类排序的各问题，确定数据来源方向；③明确金融投资策略，利用对应的模型，制定操作路线图；④根据前期确定的策略和路线图配置分析部分，对金融活动进行预测，并实施具体投资活动。从金融市场的发展趋势来看，基于大数据技术的量化投资策略未来将会扮演越来越重要的角色。目前，虽然存在一些制约量化交易中大数据策略发展的技术性因素：云计算产品与服务的高成本、有待提高的数据安全与信息科技的可靠性和商业智能市场规模占IT 技术的比例过于偏低等。但是，从总体来看，对云计算、商业智能和信息安全技术有市场需求的稳定客户群体越来越大，在大数据快速渗透所有行业的大背景下，目标终端的分散化能促使具有不同优势的开发者参与竞争，确保产业发展更加紧凑有序，从客观上刺激大数据在技术层面的快速发展。可以预见，未来，三方面技术的递进以及与具体行业的无缝接轨，使大数据在各行业的规模化应用范围越来越广，这将为量化交易提供更加广泛的资源基础、平台系统和技术支持。
}