量子化学和量化投资趣谈

《量子化学和量化投资趣谈》

引言

兴趣所致,最近在思考自己所学专业和金融领域的相似性,纯作笑谈,点到即止。

量子化学(计算化学)是利用量子力学等理论方法研究材料、化学等领域的科学问题,而量化投资是利用计算机技术和一定的数学模型实现金融领域的投资理念和策略。乍看下两者似乎是完全不同的概念,但是细细揣摩却有许多共同点。

名称相似

如果你碰到一个人,他说自己是搞量化的,那么如果不是量化投资,他极有可能是做量化计算的。提起“量化”,可能大部分人都认为是金融领域的量化投资,毕竟学术圈相对较小。在催化、材料、化学、凝聚态物理等科研领域,量子化学(简称量化)计算同样是一个非常热门的词汇。

发展历程相似

量化投资的发展从上世纪50年代开始,Markowitz提出了均值-方差模型,用方差描述金融产品的风险,首次将数学模型引入金融领域的研究中。在该模型的基础上,Sharpe等人提出了资本资产定价模型(Capital Asset Pricing ModelCapital, CAPM),现在已成为评估金融投资产品的基本量化模型和理论基础。发展至今,越来越多的理论和研究方法逐渐出现,极大丰富了金融科学量化研究。

量化计算的发展起源于量子力学的提出。相信即使不是理工科背景,也应该听过“量子力学”—上世纪物理领域最伟大的理论之一(虽然是物理学家提出的,但是在化学领域最受欢迎)。言归正传,奥地利物理学家薛定谔在1926年提出了描述微观粒子运动状态的方程-薛定谔方程,从而丰富了我们对宏观-微观世界物理规律的认识。尽管如此,时至今日想要精确求解该方程仍然不太可能。在此基础上发展出来的密度泛函理论(Density Functional Theory, DFT)才是能够实际应用的理论方法,在催化、材料、生物、医药等方面得到广泛的研究与应用。

可以看出,量化投资和量化计算的发展历程非常相似,都是上世纪才开始,并且它们都有各自的理论基础。除此之外,它们都与计算机技术的发展密切相关,尽管理论方法在很早的时候就已提出,但是直到计算机的出现,“量化”才真正体现它的价值。近年来,机器学习方法也逐渐渗透到量化投资和量化计算领域,作为一种智能化方法,说不定未来还会出现超越人类的AlphaInvestment和AlphaChemistry。

传统与创新

量化投资是一种主动型投资,它与传统投资策略(基本面分析、技术面分析)本质上是相同的,都是基于市场非有效或弱有效的基础上。不同点在于,传统投资策略注重个人的经验和主观判断,依赖对金融产品的调研和研究,而量化投资则是将投资思想和策略进行量化应用的过程。

从理论催化的角度考虑,量化计算带来了筛选和设计催化剂的新思路。传统做实验去研究催化剂和反应的方法需要人力、资源、精力的投入,并且容易引入人为误差,大部分情况下不清楚微观尺度下的反应过程,进而限制催化剂的理性设计。与传统实验研究的试错方法相比,量化计算的代价相对较小,而且从微观原子层面分析化学过程,进而能够为实验工作提供理论指导。未来的发展是理论工作先行,指导实验工作的开展。

因子、指标和描述符

量化投资和策略模型中往往需要构建或者寻找合适的因子和指标,实现不同的量化目标(量化选股、量化择时、投资组合管理、风险控制等)。这些因子和指标包括估值、交易、动量、红利、成长等因子,相对强弱、随机、通道等指标。

量化计算,尤其是在材料,催化领域,同样存在一系列的控制变量,这些变量称为描述符(descriptor)。同样类型众多,包括热力学、动力学、电子、结构、能量等描述符。

目标相似

量化投资中的一个目标是实现可观的alpha收益,在此当中需要考虑波动率、风险、最大回撤、夏普比率、信息比率等因素。换句话说,想要实现超额收益需要付出一定的代价,而这些代价需要综合衡量。

量化计算在催化领域中的一个目标是寻找合适的催化剂,这些催化剂能够提高目标反应的反应速率,而科研人员并不是一味地追求反应速率最大化,它同样需要考虑多种因素。比如反应的选择性、材料的稳定性、材料价格等。

载体相似

现在越来越多的量化投资平台如雨后春笋般出现,它们都集成了数据处理和分析、量化策略编写方法,大大降低了量化投资的入门门槛,使人们只需专注在策略的提出和思考中,加快策略的实现和开发。

而量化计算同样有自己的软件包和数据库平台,以理论催化为例,研究人员可以构建天马行空的催化剂结构,这些催化剂好比是不同的策略,在软件服务的框架下能够可视化、并行化计算。仅仅依赖计算资源,就能够指导和模拟实际的实验研究。

溢价和能量差

量化投资中有一些超额收益溢价表示方法,比如:

  • 超额年化收益=策略年化收益-基准年化收益
  • 风险溢酬(溢价)=策略年化收益-无风险年化收益
  • 市场(系统性)风险溢酬=基准投资组合年化收益-无风险年化收益

相比收益的绝对值,它的相对值更具有参考意义。

量化计算中的绝对能量值也是没有意义的,研究人员更加关心的是能量差,这些能量差反映了一个过程的难易程度。如下图所示:

《量子化学和量化投资趣谈》

图中展示了一个催化反应的简易过程。催化反应的方向由焓变(或者考虑温度、压力的自由能)决定(末态能量-初态能量),是热力学过程;催化反应的快慢由活化能决定(最高点能量-初态能量),是动力学过程。

形与势、几何与电子

在分析价格走势时,常常需要借助K线图(蜡烛图),它是由一个单位时间中的开盘价、收盘价、最高价和最低价组成。考虑多个K线组合,可以反映价格的整体走势(上升、下跌、横盘振荡),在股票、期货、外汇,期权等证券市场得到广泛应用。在量价关系中,不同时期的量价关系(成交量和价格)中的K线组合(称为)和买卖动量(称为)都蕴含着不同的意义。两者共同决定了股价。正因为K线易获取、好记忆,人们总结出一些特别的K线形态(十字星、乌云遮顶、晨曦之星、红三兵等)去实操。实际上,在没有考虑“势”的情况下,只依赖“形”是非常冒险的投资行为。

《量子化学和量化投资趣谈》

在量化计算中,同样有类似的过程。能量是衡量材料稳定性最基本的指标。不同元素和元素不同的排布方式都会影响整个材料的能量。从宏观角度理解,材料的拓扑结构类型是一定的,比如存在金红石型、刚玉型、钙钛矿型材料,这些类型反映的正是元素不同的排布方式。即使是同一种拓扑结构,里面不同的元素也会导致不同的能量。这些拓扑结构就是所指的“几何”因素,而这些不同的元素就是“电子”因素。与K线图类似,几何因素是研究人员可以直接测量的,而电子因素却需要额外的努力。它们的共同作用就决定了一个反应的走势。

所以在金融中,如果出现特定的K线组合,则认为概率性出现趋势信号;在化学中,如果使用特定拓扑结构的材料,则认为大概率性改变反应活性。

点赞

发表评论

电子邮件地址不会被公开。 必填项已用*标注

16 − 7 =