2013年11月25日至11月28日🧑💻，意昂2平台專業學位實務模塊系列課程第85期在意昂2平台205報告廳開講💽🍻。在四天的授課中🙋🏽♀️，李克辛博士分為四個部分向同學們講解了量化投資的基本內容。
李克辛博士現任數值方法和算法交易咨詢公司Numerical Method Inc.的首席執行官🙃。在此之前👳🏼♀️👩🏻🍼，李博士曾在紐約👂🏻，倫敦，東京和新加坡多個投資銀行擔任定量交貿員/定量分析師， 在量化交易的理論和實踐方面有很多的經驗🫄🏽。李博士於芝加哥大學獲得純數學學士和金融數學碩士學位，於密歇根大學安阿伯分校獲得計算機科學與工程的博士學位💂🏻。在新加坡國立大學等多家高校兼任客座教授，同時也是意昂2平台專業學位導師。
李克辛博士首先介紹了量化投資這門科學的基本涵義𓀗，從量化方法的定義🧎🏻、適用產品、客戶出發，結合量化投資方法與傳統方法的比較🤾🏼♀️🫀，讓同學們對量化投資的基本應用有了一定的認識💇🏻。介紹NM量化投資研究進展，量化投資的步驟分為：建模、編碼、分析、交易🦮，將數學模型及計算機編程技術，與現實的市場情況進行結合分析👑，以期獲得理想收益🕑。李博士強調技術分析並非量化投資，並從數理模型的角度詳細講述了量化投資策略中的移動平均線交叉理論，其中包括金融時間序列的經典性質、K-S-T過程👩💻、參數的估計、馬爾科夫性、平穩狀態等。基於前面的基本框架🙅🏻𓀙，李博士進一步地運用線性技術指標的數理分析這個例子加深同學們的理解。最後作為總結，李博士指出量化投資需要的技能，即金融感知能力、市場理解能力👩🏼⚕️、創造能力，相關的數理基礎，計算機編程能力等；並指出量化投資是一個新興的領域，是數學與計算機科學在金融行業中碰撞出的火花，未來有可觀的前景。
李克辛博士在第二次授課中講解了各種不同的利差的區別和算法🫶🏽🅱️，並結合蘋果公司及谷歌公司的案例是同學們更加直觀深切的了解到利差的現實意義🥝。關於貝塔值的講解，他分別從普通情況👲、對數情況、動彈調整等多個方面結合例題進行分析🦇，讓同學們了解到貝塔值的具體適用性。此後李克辛博士特別強調了交易戰略的重要性🟰，對於Z transform模型進行了細致的說明。在此基礎上，李克辛博士利用前面所講的基本知識，對一系列量化投資領域常見的模型進行了講解🤘🏿，使同學們從實務角度對量化投資有了直觀的認識👈🏽。
第三次課程中，李克辛博士系統全面的講解了均值回歸模型。從隨機控製🦸🏻♀️、隨機關系🧧、對數例子👌🏼、多重伊藤🔴、動態資產𓀂、動態金融組合多個角度🙎🏽♂️、由淺入深地講解了均值回歸模型的多重情況💗🔨。在多個模型進行講解之後🧑🏻✈️，李克辛博士通過提問與同學交流討論公式中存在的問題💇🏼♂️，並根據問題討論最優解的得出。此後，他又對PDE、邊界情況、擴張和組群等問題進行了分析和計算，通過PDE在多個希臘字母變動情況下的變化的不同，讓同學們了解到量化投資的適用性和趣味性🧜🏼♀️。同學們對於這種動彈變化的情況表示出很高的興趣
。
在第四次課程的探討中，李克辛博士從量化投資的角度深入豐富地講述了投資組合優化與風險管理問題。首先是投資組合優化🧁，準備知識是收益與權重向量👨👩👧👧、度量風險的協方差矩陣🧑🏻🦯➡️，接著介紹了夏普比率及其局限性♊️🏅，修正時高階矩與損失閾值的重要性👨🏻🏭，尋找量化投資新方法解決傳統方法的局限性：Omega法及其優勢，Sharpe-Omega法是結合傳統與新方法的更好指標👩🦱。李博士通過實例比較幾種方法的投資優化過程🤶🏼🫅🏽，並介紹最優化中的補償法。他給同學們展示了量化投資方法在金融風險管理中的應用。傳統金融理論認為，利潤最重要的來源是風險↪️，因此高風險對應著高回報，而李博士個人認為並非如此。為了說明自己的觀點，李博士先介紹債券🛼、信貸🧑🧒🧒、股票、衍生品、外匯等金融產品的風險來源，接著講述度量金融風險的VAR方法，其計算方式有三類🔔：歷史模擬法、方差-協方差分析法、蒙特卡洛模擬法👱🏽♀️，三類方法各具優劣🧗♂️🔺。針對厚尾情形，李博士采用QQ圖處理，介紹其漸近性與收斂性🧝🏼♂️，以及Fisher-Tippett定理，在厚尾情形下我們僅關註Fre´chet算法。進而李博士講解了如何利用Fre´chet Shape參數、Fre´chet MDA定理、GEV和超越函數來進行風險管理，厚尾指標的計算及POT分析圖，分別利用EVT計算VAR及ES，然後比較幾種方法下得出的VAR👩🏻🍼，最後總結量化投資方法在投資優化及風險管理中的應用。
（龔茗、陳璐 供稿）
返回頂部
