数据挖掘系列篇（1）：总结职业 - 知乎专栏
{"debug":false,"apiRoot":"","paySDK":"/api/js","wechatConfigAPI":"/api/wechat/jssdkconfig","name":"production","instance":"column","tokens":{"X-XSRF-TOKEN":null,"X-UDID":null,"Authorization":"oauth c3cef7c66aa9e6a1e3160e20"}}
{"database":{"Post":{"":{"contributes":[{"sourceColumn":{"lastUpdated":,"description":"聊聊技术，包括分布式数据库该怎么玩，机器学习平台该怎么搭建，算法该怎么学习和应用；\n聊聊业务，包括电商领域，互联网零售，金融，医疗领域的数据分析和挖掘都有什么；\n聊聊职场，数据分析师，数据挖掘工程师该怎么在职场发展；\n聊聊事业，怎么在数据分析数据挖掘领域建立起自己的事业；\n聊聊人生和朋友，人生还有很多乐趣，还有很多朋友值得交往。","permission":"COLUMN_PUBLIC","memberId":7369597,"contributePermission":"COLUMN_PUBLIC","translatedCommentPermission":"all","canManage":true,"intro":"聊聊技术，包括分布式数据库该怎么玩，机器学习平台…","urlToken":"dataman","id":7272,"imagePath":"c27b2f16ccd2bd961744cef12cc333c4.jpg","slug":"dataman","applyReason":"","name":"数据分析侠","title":"数据分析侠","url":"/dataman","commentPermission":"COLUMN_ALL_CAN_COMMENT","canPost":true,"created":,"state":"COLUMN_NORMAL","followers":15434,"avatar":{"id":"c27b2f16ccd2bd961744cef12cc333c4","template":"/{id}_{size}.jpg"},"activateAuthorRequested":false,"following":false,"imageUrl":"/c27b2f16ccd2bd961744cef12cc333c4_l.jpg","articlesCount":110},"state":"accepted","targetPost":{"titleImage":"/553ecfd15e63e7f8fd6b48_r.jpg","lastUpdated":,"imagePath":"553ecfd15e63e7f8fd6b48.jpg","permission":"ARTICLE_PUBLIC","topics":[],"summary":"今天下半年计划把数据分析、数据挖掘、机器学习这些东西都撸一把，很可能以后就没有时间再来撸了。希望各位也能互相监督，看看今年过年之前能不能把之前的一系列的都整理一遍。还有个消息就是计划11月底会把《数据分析侠A的成长故事》截稿了，出版社已经联…","copyPermission":"ARTICLE_COPYABLE","translatedCommentPermission":"all","likes":0,"origAuthorId":7369597,"publishedTime":"T00:11:38+08:00","sourceUrl":"","urlToken":,"id":309390,"withContent":false,"slug":,"bigTitleImage":false,"title":"数据挖掘系列篇（1）：总结职业","url":"/p/","commentPermission":"ARTICLE_ALL_CAN_COMMENT","snapshotUrl":"","created":,"comments":0,"columnId":7272,"content":"","parentId":0,"state":"ARTICLE_PUBLISHED","imageUrl":"/553ecfd15e63e7f8fd6b48_r.jpg","author":{"bio":"前支付宝人/VC投资人","isFollowing":false,"hash":"485fa57eef58c098b714cad9","uid":88,"isOrg":false,"slug":"bigbread","isFollowed":false,"description":"微信（请备注）：lestat0831\n合作：\n《数据分析侠的成长故事》作者","name":"面包君","profileUrl":"/people/bigbread","avatar":{"id":"730a80ec1d5a","template":"/{id}_{size}.jpg"},"isOrgWhiteList":false},"memberId":7369597,"excerptTitle":"","voteType":"ARTICLE_VOTE_CLEAR"},"id":298783}],"title":"数据挖掘系列篇（1）：总结职业","author":"bigbread","content":"今天下半年计划把数据分析、数据挖掘、机器学习这些东西都撸一把，很可能以后就没有时间再来撸了。希望各位也能互相监督，看看今年过年之前能不能把之前的一系列的都整理一遍。还有个消息就是计划11月底会把《数据分析侠A的成长故事》截稿了，出版社已经联系了，而且提了很多宝贵的建议，这些我都接受了，到时候再扩充些内容，也欢迎大家多提提建议，不怕意见多。：D好了，废话不多说，11月份、12月份重点会把数据挖掘和数据分析搞两个系列，重点介绍他们分别是什么，在职场是什么情况，需要掌握哪些知识点，常见的有哪些坑，以及在各行各业都有哪些案例应用。也有不少人提议，还不如写写《25岁如何做到年薪百万》，哈哈，这个话题以后会写的，不过人生也不只是赚钱，不然会很枯燥。很多人不明白学习数据挖掘以后干什么，这个问题也经常被问到。记得刚学数据挖掘的时候，有一个老师说学数据挖掘有什么用，你以后咋找工作。当时听了，觉得很诧异，不知道他为何有此一问。数据挖掘在国外是一份很不错的工作。我喜欢数据挖掘，因为它很有趣。很高兴以后就从事这方面的工作啦。写论文之余，也考虑一下数据挖掘工程师的职业规划。以下是从网上找的一些相关资料介绍,和即将走上数据挖掘岗位或是想想这方面发展的朋友共享：数据挖掘从业人员工作分析1.数据挖掘从业人员的愿景：数据挖掘就业的途径从我看来有以下几种，(注意：本文所说的数据挖掘不包括数据仓库或数据库管理员的角色)。A：做科研(在高校、科研单位以及大型企业，主要研究算法、应用等)B：算法工程师(在企业做数据挖掘及其相关程序算法的实现等)C：数据分析师(在存在海量数据的企事业单位做咨询、分析等)2.数据挖掘从业人员切入点：根据上面的从业方向来说说需要掌握的技能。A：做科研：这里的科研相对来说比较概括，属于技术型的相对高级级别，需要对开发、数据分析的必备基础知识。B：算法工程师：主要是实现数据挖掘现有的算法和研发新的算法以及根据实际需要结合核心算法做一些程序开发实现工作。要想扮演好这个角色，你不但需要熟悉至少一门编程语言如(C,C++,Java,Delphi等)和数据库原理和操作，对数据挖掘基础课程有所了解，读过《数据挖掘概念与技术》(韩家炜著)、《人工智能及其应用》。有一点了解以后，如果对程序比较熟悉的话并且时间允许，可以寻找一些开源的数据挖掘软件研究分析，也可以参考如《数据挖掘：实用机器学习技术及Java实现》等一些教程。C：数据分析师：需要有深厚的数理统计基础，可以不知道人工智能和计算机编程等相关技术，但是需要熟练使用主流的数据挖掘(或统计分析)工具。从这个方面切入数据挖掘领域的话你需要学习《数理统计》、《概率论》、《统计学习基础：数据挖掘、推理与预测》、《金融数据挖掘》,《业务建模与数据挖掘》、《数据挖掘实践 》等，当然也少不了你使用的工具的对应说明书了，如SPSS、SAS等厂商的《SAS数据挖掘与分析》、《数据挖掘Clementine应用实务》、《EXCEL 2007数据挖掘完全手册》等，如果多看一些如《数据挖掘原理》 等书籍那就更好了。数据挖掘人员需具备以下基本条件，才可以完成数据挖掘项目中的相关任务。一、专业技能本科或硕士以上学历，数据挖掘、统计学、数据库相关专业，熟练掌握关系数据库技术，具有数据库系统开发经验；熟练掌握常用的数据挖掘算法；具备数理统计理论基础，并熟悉常用的统计工具软件。二、行业知识具有相关的行业知识，或者能够很快熟悉相关的行业知识三、合作精神具有良好的团队合作精神，能够主动和项目中其他成员紧密合作四、客户关系能力具有良好的客户沟通能力，能够明确阐述数据挖掘项目的重点和难点，善于调整客户对数据挖掘的误解和过高期望；具有良好的知识转移能力，能够尽快地让模型维护人员了解并掌握数据挖掘方法论及建模实施能力。进阶能力要求数据挖掘人员具备如下条件，可以提高数据挖掘项目的实施效率，缩短项目周期。具有数据仓库项目实施经验，熟悉数据仓库技术及方法论熟练掌握SQL语言，包括复杂查询、性能调优熟练掌握ETL开发工具和技术熟练掌握Microsoft Office软件，包括Excel和PowerPoint中的各种统计图形技术善于将挖掘结果和客户的业务管理相结合，根据数据挖掘的成果向客户提供有价值的可行性操作方案五、应用及就业领域当前数据挖掘应用主要集中在电信(客户分析)，零售(销售预测)，农业(行业数据预测)，网络日志(网页定制)，银行(客户欺诈),电力(客户呼叫)，生物(基因)，天体(星体分类)，化工，医药等方面。当前它能解决的问题典型在于：数据库营销(Database Marketing)、客户群体划分(Customer Segmentation &Classification)、背景分析(Profile Analysis)、交叉销售(Cross-selling)等市场分析行为，以及客户流失性分析(Churn Analysis)、客户信用记分(Credit Scoring)、欺诈发现(Fraud Detection)等等，在许多领域得到了成功的应用。如果你访问著名的亚马逊网上书店会发现当你选中一本书后，会出现相关的推荐数目“Customers who bought this book alsobought”，这背后就是数据挖掘技术在发挥作用。数据挖掘的对象是某一专业领域中积累的数据；挖掘过程是一个人机交互、多次反复的过程;挖掘的结果要应用于该专业。因此数据挖掘的整个过程都离不开应用领域的专业知识。“Business First, techniquesecond”是数据挖掘的特点。因此学习数据挖掘不意味着丢弃原有专业知识和经验。相反，有其它行业背景是从事数据挖掘的一大优势。如有销售，财务，机械，制造，call center等工作经验的,通过学习数据挖掘，可以提升个人职业层次，在不改变原专业的情况下，从原来的事务型角色向分析型角色转变。从80年代末的初露头角到90年代末的广泛应用，以数据挖掘为核心的商业智能(BI)已经成为IT及其它行业中的一个新宠。重点介绍下对数据挖掘的几个岗位：数据采集分析专员职位介绍：数据采集分析专员的主要职责是把公司运营的数据收集起来，再从中挖掘出规律性的信息来指导公司的战略方向。这个职位常被忽略，但相当重要。由于数据库技术最先出现于计算机领域，同时计算机数据库具有海量存储、查找迅速、分析半自动化等特点，数据采集分析专员最先出现于计算机行业，后来随着计算机应用的普及扩展到了各个行业。该职位一般提供给懂数据库应用和具有一定统计分析能力的人。有计算机特长的统计专业人员，或学过数据挖掘的计算机专业人员都可以胜任此工作，不过最好能够对所在行业的市场情况具有一定的了解。求职建议：由于很多公司追求短期利益而不注重长期战略的现状，目前国内很多企业对此职位的重视程度不够。但大型公司、外企对此职位的重视程度较高，随着时间的推移该职位会有升温的趋势。另外，数据采集分析专员很容易获得行业经验，他们在分析过程中能够很轻易地把握该行业的市场情况、客户习惯、渠道分布等关键情况，因此如果想在某行创业，从数据采集分析专员干起是一个不错的选择。市场/数据分析师1. 市场数据分析是现代市场营销科学必不可少的关键环节: Marketing/Data Analyst从业最多的行业: Direct Marketing (直接面向客户的市场营销) 吧，自90年代以来,Direct Marketing越来越成为公司推销其产品的主要手段。根据加拿大市场营销组织(Canadian MarketingAssociation)的统计数据: 仅1999年一年 Direct Marketing就创造了470000 个工作机会。从，工作职位又增加了30000个。为什么Direct Marketing需要这么多Analyst呢? 举个例子, 随着商业竞争日益加剧，公司希望能最大限度的从广告中得到销售回报, 他们希望能有更多的用户来响应他们的广告。所以他们就必需要在投放广告之前做大量的市场分析工作。例如，根据自己的产品结合目标市场顾客的家庭收入，教育背景和消费趋向分析出哪些地区的住户或居民最有可能响应公司的销售广告，购买自己的产品或成为客户，从而广告只针对这些特定的客户群。这样有的放矢的筛选广告的投放市场既节省开销又提高了销售回报率。但是所有的这些分析都是基于数据库，通过数据处理，挖掘，建模得出的，其间，市场分析师的工作是必不可少的。2. 行业适应性强: 几乎所有的行业都会应用到数据, 所以作为一名数据/市场分析师不仅仅可以在华人传统的IT行业就业，也可以在政府，银行，零售，医药业，制造业和交通传输等领域服务。算法工程师应该来说目前算法工程师基本上都集中在中大型企业中，因为一般小公司很少用到算法来解决问题，如果这公司就是做数据相关产业的。而算法一般的应用场景有推荐、广告、搜索等，所以大家常见的在广告领域、个性化推荐方面是有不少的同仁。常见的要求是懂JAVA/PYTHON/R中其中一种，能够知道常规的回归、随机森林、决策树、GBDT等算法，能够有行业背景最佳等。如果是deep learning方向可能对图论、画像识别等方面要求更高些。求职建议：background稍微好一些，再把一些基本的算法都弄明白，能说清楚之间的区别和优缺点，包括常见的一些应用场景都有哪些。对于公司来说，特别是BAT这样使用机器学习的公司，算法工程师是很重要的一块资产。现状与前景数据挖掘是适应信息社会从海量的数据库中提取信息的需要而产生的新学科。它是统计学、机器学习、数据库、模式识别、人工智能等学科的交叉。在中国各重点院校中都已经开了数据挖掘的课程或研究课题。比较著名的有中科院计算所、复旦大学、清华大学等。另外，政府机构和大型企业也开始重视这个领域。据IDC对欧洲和北美62家采用了商务智能技术的企业的调查分析发现，这些企业的3年平均投资回报率为401%，其中25%的企业的投资回报率超过600%。调查结果还显示，一个企业要想在复杂的环境中获得成功，高层管理者必须能够控制极其复杂的商业结构，若没有详实的事实和数据支持，是很难办到的。因此，随着数据挖掘技术的不断改进和日益成熟，它必将被更多的用户采用，使更多的管理者得到更多的商务智能。根据IDC(International DataCorporation)预测说2004年估计BI行业市场在140亿美元。现在，随着我国加入WTO，我国在许多领域，如金融、保险等领域将逐步对外开放，这就意味着许多企业将面临来自国际大型跨国公司的巨大竞争压力。国外发达国家各种企业采用商务智能的水平已经远远超过了我国。美国Palo Alto 管理集团公司1999年对欧洲、北美和日本375家大中型企业的商务智能技术的采用情况进行了调查。结果显示，在金融领域，商务智能技术的应用水平已经达到或接近70%，在营销领域也达到50%，并且在未来的3年中，各个应用领域对该技术的采纳水平都将提高约50%。现在，许多企业都把数据看成宝贵的财富，纷纷利用商务智能发现其中隐藏的信息，借此获得巨额的回报。国内暂时还没有官方关于数据挖掘行业本身的市场统计分析报告，但是国内数据挖掘在各个行业都有一定的研究。据国外专家预测，在今后的5—10年内，随着数据量的日益积累以及计算机的广泛应用，数据挖掘将在中国形成一个产业。众所周知，IT就业市场竞争已经相当激烈，而数据处理的核心技术---数据挖掘更是得到了前所未有的重视。数据挖掘和商业智能技术位于整个企业IT-业务构架的金字塔塔尖，目前国内数据挖掘专业的人才培养体系尚不健全，人才市场上精通数据挖掘技术、商业智能的供应量极小，而另一方面企业、政府机构和和科研单位对此类人才的潜在需求量极大，供需缺口极大。如果能将数据挖掘技术与个人已有专业知识相结合，您必将开辟职业生涯的新天地!职业薪酬就目前来看，和大多IT业的职位一样，数据挖掘方面的人才在国内的需求工作也是低端饱和，高端紧缺。从BAT的招聘情况来看，数据挖掘领域相对来说门槛还是比较高的，但是薪酬福利也相对来说比较好，常见的比如腾讯、阿里都会给到年薪20W+。而厉害的资深算法专家年薪百万也是常有的事情，所以大家在算法方面还是大有可能。另外随着金融越来越互联网化，大量的算法工程师会成为以后互联网金融公司紧缺的人才。大家共勉！","updated":"T16:11:38.000Z","canComment":false,"commentPermission":"anyone","commentCount":2,"collapsedCount":0,"likeCount":49,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","titleImage":"/553ecfd15e63e7f8fd6b48_r.jpg","links":{"comments":"/api/posts//comments"},"reviewers":[],"topics":[],"adminClosedComment":false,"titleImageSize":{"width":500,"height":344},"href":"/api/posts/","excerptTitle":"","column":{"slug":"dataman","name":"数据分析侠"},"tipjarState":"inactivated","annotationAction":[],"sourceUrl":"","pageCommentsCount":2,"hasPublishingDraft":false,"snapshotUrl":"","publishedTime":"T00:11:38+08:00","url":"/p/","lastestLikers":[{"bio":"丢掉盔甲，我依然是骄傲帅气的骑士！","isFollowing":false,"hash":"b2ac4cca27a6b31aee0391b","uid":40,"isOrg":false,"slug":"han-yu-15-81","isFollowed":false,"description":"丢掉盔甲，我依然是骄傲帅气的骑士！","name":"逆光奔跑","profileUrl":"/people/han-yu-15-81","avatar":{"id":"805388fdf22a761cc66b4fb","template":"/{id}_{size}.jpeg"},"isOrgWhiteList":false},{"bio":null,"isFollowing":false,"hash":"5cf4eb352a160a60959f25ab","uid":525300,"isOrg":false,"slug":"star-arnold","isFollowed":false,"description":"","name":"star Arnold","profileUrl":"/people/star-arnold","avatar":{"id":"88f8d7b22efcdfdd022db","template":"/{id}_{size}.jpg"},"isOrgWhiteList":false},{"bio":"Find the truth","isFollowing":false,"hash":"143ae5a21c829c8c4cce","uid":52,"isOrg":false,"slug":"chen-zhi-wei-72","isFollowed":false,"description":"在德研究僧","name":"陈志伟","profileUrl":"/people/chen-zhi-wei-72","avatar":{"id":"a31f4cee9cb9e3b298ca5de","template":"/{id}_{size}.jpg"},"isOrgWhiteList":false},{"bio":null,"isFollowing":false,"hash":"6d695b6457fcff8be6153","uid":68,"isOrg":false,"slug":"li-yan-9-61","isFollowed":false,"description":"","name":"李艳","profileUrl":"/people/li-yan-9-61","avatar":{"id":"23b42ca9c823dab1f0d9b","template":"/{id}_{size}.jpg"},"isOrgWhiteList":false},{"bio":"在大数据的时代里徜徉","isFollowing":false,"hash":"bafe36d26fc","uid":56,"isOrg":false,"slug":"pu-ti-qian-xie","isFollowed":false,"description":"统计学本科生，喜欢计算机，数学，统计，也爱读史，希望和各位朋友讨论这些方面的知识。","name":"菩提千叶","profileUrl":"/people/pu-ti-qian-xie","avatar":{"id":"0b736aae787","template":"/{id}_{size}.jpg"},"isOrgWhiteList":false}],"summary":"今天下半年计划把数据分析、数据挖掘、机器学习这些东西都撸一把，很可能以后就没有时间再来撸了。希望各位也能互相监督，看看今年过年之前能不能把之前的一系列的都整理一遍。还有个消息就是计划11月底会把《数据分析侠A的成长故事》截稿了，出版社已经联…","reviewingCommentsCount":0,"meta":{"previous":{"isTitleImageFullScreen":false,"rating":"none","titleImage":"/50/5d60bef6f9f5ebfce389fa71a3d159e8_xl.jpg","links":{"comments":"/api/posts//comments"},"topics":[],"adminClosedComment":false,"href":"/api/posts/","excerptTitle":"","author":{"bio":"前支付宝人/VC投资人","isFollowing":false,"hash":"485fa57eef58c098b714cad9","uid":88,"isOrg":false,"slug":"bigbread","isFollowed":false,"description":"微信（请备注）：lestat0831\n合作：\n《数据分析侠的成长故事》作者","name":"面包君","profileUrl":"/people/bigbread","avatar":{"id":"730a80ec1d5a","template":"/{id}_{size}.jpg"},"isOrgWhiteList":false},"column":{"slug":"dataman","name":"数据分析侠"},"content":"手握一笔不大不小的资金，想开一家自己的餐馆估计是很多人的梦想。当你想实践自己梦想时估计第一个面临的问题就是：在何处开一家怎么样的餐馆呢?关于这个问题点评研究院也收到了不少email咨询，好吧，为了回答这些问题点评研究院决定拿出自己的看家数据，推出系列开店选址报告。　　我们跑了魔都超过12万家餐馆信息，筛选出了评分在80以上的高评价餐厅并对其进行词频分析后发现，“料理”一词高居榜首，魔都人民对料理爱得深刻，于是第一期的开店选址报告我们决定从高端日本料理入手。　　那么问题来了，如果你是一个潜在的高端日料老板，在决定开一家人均200元以上的高端日料店之前，需要知道些什么呢?我们12年来积累的看家数据告诉你：　　一、成功的高端日料店都分布在哪里?　　二、吃货们最爱去的人气商户是哪些?都有怎样的特点?　　我们来看第一条，上海高端日料店的分布：
大家最爱去的是南京西路，商户众多，且价格也还算公道，虹桥龙柏地区道路的火热程度也不低。对于高端日料而言，每条道路对于受众的定位各有不同，有些商户侧重在体量，大量的商户抱团借力吸引用户，而有些道路则侧重于价位，少量顶级日料店吸引更多高端用户或者猎奇的食客们。　　这十条道路主要集中于延安高架周边及浦东的世纪大道附近，由西至东热门路段近20公里。
对于人气道路而言，都各有特色，其中：　　1.最旺的南京西路有74.8%的人气来自道路北侧　　以人气最高的南京西路为例，其主要分布于人民广场和静安寺区域，所有高端日料中，人气有74.8%来自道路北侧的商户。
同时，观察各家日料店的人气指数和人均消费价格可以发现，在南京西路上开一家高端日料店，300~400元是一个相对更合理的定价，价格稍低(如200~300元)或者价格过高(超过400元)对于食客的吸引程度有所减弱。
2.区区600多米的兴义路隐匿着全市人气最旺的荣新馆　　另一条近年崛起的道路——兴义路，虽然道路总长仅600米，但是人气可一点都不低，仅次于南京西路，高于虹桥路、虹井路等一众老牌高端日料聚集地。其价格定位颇高，人均消费在469元，最便宜的荣新馆价格也在350元左右，其中新世界广场已然成为兴义路上高端日料的重要地标。
3.浦东的高端日料在张杨路，张杨路的高端日料在华润时代广场　　另外一个高端日料地标级建筑位于张杨路的华润时代广场，6家店有4家在华润。
尽管广受欢迎，张杨路上的各家店价位放眼全市却并不算高，400元以内就能吃遍张杨路的所有高端日料店，可以说满足了吃货们对于价格和人气之间的平衡。
好吧，说了这么多，其实还有不少道路的高端日料店也极具特色，有待大家一一去发掘和探索。　　现在不妨来看一下第二条，吃货们都爱去的商户们是哪些?都有怎样的特点?　　1.要想人气旺，店名不能太长，两三个字高逼格的店名很关键
2.顶级日料价格越贵，大家越爱　　对全市353家高端日料馆进行统计，发现500元人均以上商户(总计40家)的人气指数随着价格的提高，呈上升趋势。似乎，对于顶级日料而言，更高的价格意味着更多的用户。
让我们顺便一起来看看这些高逼格的日料招牌!颤抖吧!
3.高口碑日料评价越高，用户越爱光顾　　不过仅对78分以上哦，78分以下的低口碑商户们，不得不说，用户对于你们的关注也许在口碑之外，可能是地段，可能是漂亮的老板娘，还可能是吐槽心理……","state":"published","sourceUrl":"","pageCommentsCount":0,"canComment":false,"snapshotUrl":"","slug":,"publishedTime":"T01:17:35+08:00","url":"/p/","title":"大众点评研究院:上海开日料店如何选址","summary":"手握一笔不大不小的资金，想开一家自己的餐馆估计是很多人的梦想。当你想实践自己梦想时估计第一个面临的问题就是：在何处开一家怎么样的餐馆呢?关于这个问题点评研究院也收到了不少email咨询，好吧，为了回答这些问题点评研究院决定拿出自己的看家数据，推…","reviewingCommentsCount":0,"meta":{"previous":null,"next":null},"commentPermission":"anyone","commentsCount":3,"likesCount":19},"next":{"isTitleImageFullScreen":false,"rating":"none","titleImage":"/50/bfbeaa058494_xl.jpg","links":{"comments":"/api/posts//comments"},"topics":[],"adminClosedComment":false,"href":"/api/posts/","excerptTitle":"","author":{"bio":"前支付宝人/VC投资人","isFollowing":false,"hash":"485fa57eef58c098b714cad9","uid":88,"isOrg":false,"slug":"bigbread","isFollowed":false,"description":"微信（请备注）：lestat0831\n合作：\n《数据分析侠的成长故事》作者","name":"面包君","profileUrl":"/people/bigbread","avatar":{"id":"730a80ec1d5a","template":"/{id}_{size}.jpg"},"isOrgWhiteList":false},"column":{"slug":"dataman","name":"数据分析侠"},"content":"1.量化对于一般投资者，甚至是部分金融从业者来说，量化投资都是一门高大上的技术，充斥着模型代码和算法假设，门槛非常高。其实，生活中的量化思想无处不在。例如，某魔都金融民工，每日上班路线是这样的：乘地铁或者公交至陆家嘴，随后步行或者乘华宝兴业免费接驳车至公司楼下。哪条路线最近呢？此人先罗列了所有可行的路线，随后花了一个月时间，逐条路线进行多次试验，最终成功找出不出意外情况下最近的线路，完美！这就是最简单的量化思想，利用大量数据，找出大概率的最优策略，并照此执行。海外的量化投资发展已经超过三十年，美国著名的量化投资基金大奖章基金，在2008年全球金融危机的背景下，仍旧获利80%。相较于成熟市场，A股市场的量化投资发展历史较短，但随着2010年沪深300股指期货的推出，量化投资的发展潜力逐渐显现，并以其稳定的投资业绩得到了越来越多投资者的认可，市场规模和份额不断扩大。那么，为什么量化投资可以获得这样的收益呢？量化投资可以“克服人性的弱点”。我们追溯到诞生于上世纪八十年代的行为金融学理论，该理论推翻了传统金融学的有效市场假说，同时认为投资者并非理性——例如过度自信，人们往往会根据自己的主观判断进行决策，这恐怕连优秀的基金经理也无法避免。在投资者非理性的情况下，行为金融学理论指出，投资者关注是一种稀缺的认知资源。这一理论非常好理解，例如某次地震发生，我们无法投入大量的时间精力对地震地区的每家上市企业进行分析，而只能关注于行业层面信息进行选股，这就是投资者有限关注。同样的道理，当市场只有10只股票，我们可以深刻分析这10家公司，但当我们面对整个市场大量而庞杂的数据时，强大的定量信息处理能力就具有一定的优势，能捕捉更多的投资机会，拓展更大的投资空间。具体来说，如何进行量化投资？我们来看一位量化交易员（quant trader）的一天：由此可见，量化交易是一个体系，包含策略、量化交易系统、风控和算法交易，区别于传统“定性”投资。总的来说，借助统计学、数学方法，运用计算机从海量历史数据中寻找能够带来超额收益的多种“大概率”策略，并纪律严明地按照这些策略所构建的数量化模型来指导投资，就是量化投资。其本质是定性投资的数量化实践，终极目标是追求稳定的、可持续的、高于平均的超额回报。具体来说，量化投资有四大特点：纪律性、系统性、套利思想、概率取胜。★ 纪律性所有的决策都是依据模型做出的，每一步决策之前，首先要运行模型，根据模型的运行结果进行决策，而不是凭人的主观感觉。这一特点可以克服来自“人”的弱点，同时保证每一步决策都可以被跟踪，从而进一步证明决策的科学性。★ 系统性系统性具体表现为“三多”，多层次、多角度和多数据。多层次指在大类资产配置、行业选择、精选个股三个层次上，每一个层次都有模型；多角度是指定量投资的核心投资思想，包括宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等多个角度；多数据，指的是海量数据的处理。★ 套利思想与定性投资致力于基本面分析不同，定量投资致力于寻找估值洼地，通过全面、系统性的扫描捕捉错误定价、错误估值带来的机会，从而买入被低估的，卖出被高估的。★ 概率取胜这表现为两个方面，一是定量投资不断的从历史中挖掘有望在未来重复的历史规律并且加以利用。二是依靠一组股票取胜，而不是单个或几个股票取胜。其实，本质上来看量化投资和传统定性投资有着相同的理论基础——市场是弱势有效的或非有效的。投资经理基于这一理论基础，运用公司分析、行业分析等方法，建立可以获得超额收益的投资组合。不同的是，传统定性投资更多依赖于对上市公司的调研信息以及基金经理的主观判断和个人经验，而量化投资强调数据，秉持“定性思想的量化应用”。由此可见，广义来看所有采用量化投资策略的产品（如普通公募基金、对冲基金等等）都可以纳入量化基金的范畴。2.对冲“对冲”一词最早出现于1949年，指通过管理并降低组合系统风险以应对金融市场变化。所谓系统性风险，即指无法通过分散化投资（如同时投资于债券、股票、基金）来分散的，源于系统的风险。最近一段时间A股各指数的剧烈波动，就是系统性风险。其实人们在生活中使用对冲思想，早在金融市场使用对冲思想之前。醋去鱼腥原理：鱼有鲜味，但又有腥味。腥臭源于胺类物质，醋中含有乙酸，能够中和掉胺类，去除腥味，只留下鲜味。跑步减肥原理：我们爱吃美食，但是美食中含有很多卡路里，能堆积成脂肪。而跑步能让脂肪细胞释放大量的非酯化脂肪酸，进而使脂肪细胞瘦小，达到减肥效果，这样就能放心享受美味。推广开来，假如A中含有我们不想要的事物β，就可以通过B中的-β对冲掉，安心获得α。这就是对冲思想。金融学的经典模型CAPM（资本资产定价模型）告诉我们，一个投资组合的期望收益可以分为两部分，α收益和β收益。其中α收益为投资组合超越市场组合的超额收益，优秀的基金经理可以利用选股择时能力获得α收益，但却无法避免市场下跌（一种系统性风险）的损害。举例来说，截至目前，近3个月沪深300跌幅为17.54%，同期所有股票型基金的平均收益率约-12.35%。可以看出，虽然这些基金战胜了市场，跑赢了沪深300和上证综指，但其依旧处于亏损状态——在市场的下跌过程中，无法有效规避系统性风险。使用对冲策略可以剥离或降低投资组合的系统风险，使得投资组合无论在市场上涨或下跌时均有机会获取正收益。例如刚刚过去的六月，A股市场风大浪大，而华宝量化对冲基金仍旧在风雨中成功避过系统性风险，获得显著正收益。数据来源：Wind；时间区间为2015年6月3.量化对冲基金那么具体来说，结合了量化技术与对冲策略的基金，是如何操作获利的呢？我们以华宝量化对冲基金为例，进行分析。第一步，量化选股——精选股票组合，获取超额收益。华宝量化对冲基金通过严密精确的、历经市场考验的量化α选股模型、量化行业配置模型来选择潜力股票，同时根据市场情况和个股表现，适当调整个股权重，严控风险，确保股票现货组合战胜市场。第二步，期货对冲——做空股指期货，对冲系统性风险。华宝量化对冲基金采用市场中性策略，运用股指期货工具，以完全套保为原则对冲风险。在第一步基础上，因基金所选的股票组合能战胜市场，故而理论上：当市场上涨时，股票组合盈利多，而股指期货亏损少，最终盈利；当市场下跌时，因为股票组合亏损小，而股指期货盈利多，最终仍然盈利。所以，无论市场如何，只要组合发挥超额收益作用，对冲基金都能获取绝对收益。最终，无论市场是上涨、下跌还是震荡，该类别基金都能最大限度获取与市场涨跌无关的绝对回报，达到市场中性。华宝量化对冲基金成立以来，A、C份额与沪深300的相关性分别为0.01和0.00；而年化收益率则分别达到16.87%和16.64%（据Wind，至）。正是通过“量化+对冲”这一方法，华宝量化对冲基金自2014年9月成立以来，成功穿越了3次股市深幅调整：在今年1月下旬、4月下旬、6月中旬A股大幅调整中，平稳避险，历次净值涨幅超越沪指均在5个百分点以上，做到了真正的“天下无熊，涨跌皆牛”！常见的量化投资问答：一、基础篇
1、在市场不稳定的情况下如何稳健套利？　　套利，本就是很稳健的一种盈利方式。套利和盈利不同，相信您问的是在市场不稳定的情况下稳健“盈利”。先明确量化和对冲的概念，可下载OA系统中“量化对冲产品基础知识学习手册”进行详细学习。量化对冲产品在构建股票多头的同时，也构建期货空头。这种操作在市场不稳定时，可以对冲市场的系统风险，从而留下股票多头特有的盈利。2、量化对冲产品的操作流程是怎样的？　　先用量化投资的方式构建股票多头组合，然后空头股指期货对冲市场风险，最终获取稳定的超额收益。3、收益方面、安全性方面哪个更有优势?　　量化对冲产品在收益方面和安全性方面都有优势，属于风险和收益高度匹配的高性价比产品。4、量化对冲程序化交易的对象是什么？　　股票、债券、期货、现货、期权等等。5、通过期货对冲的那部分资金是不是一定加杠杆的？　　是的。期货是保证金交易，本身就带有杠杆性质。但这部分的杠杆不是为了博取高收益而主动加杠杆，而是为了“等市值对冲”。比如2个亿的基金，1.6个亿买股票，剩余0.4亿做股指期货空头（这0.4个亿为保证金，相当于做了市值1.6个亿的股指期货空头），这样下来整个基金几乎无风险敞口。6、针对目前的市场，量化对冲策略是不是以市场中性为主要策略点？　　是的。7、量化对冲类产品收益大概在什么范围内？　　我国主流的市场中性策略的量化对冲产品，年化收益大概在10%-20%。8、如何确定准确的贝塔因子系数，来安全的对冲掉系统风险？　　国内主流的市场中性策略量化对冲基金是等市值对冲，比如2个亿的基金，1.6个亿买股票，剩余0.4亿做股指期货空头（这0.4个亿为保证金，相当于做了市值1.6个亿的股指期货空头），这样下来整个基金几乎无风险敞口。9、量化对冲选股范围都是哪些？大概选择多少支股票呢？　　目前国内的量化对冲产品选股范围主要在A股内。股票的数量取决于量化对冲基金中对选股的量化要求，达标即入池，但是大多数量化对冲基金选股都达上百只。10、量化选股的具体方法是什么？如何判断量化模型选出来的股票就是能赚钱的股票？　　量化选股的具体方法：量化投资一般会选出几百支股票进行投资分析来分散风险，适合风险偏好低，追求稳定收入的投资者。量化分析师们在制定规则之后建立某个模型，先用历史数据对其进行回测，看是否能赚钱；如果可以，就再注入小额资金，积累样板外的实盘交易。实盘后如有盈利，就扩大资金量判断其是否对投资结果带来影响。最后运行的模型，都是经过千锤百炼的。11、国内量化对冲使用的策略有哪些？　　（1）主流：股票市场中性策略又称alpha策略，是当前国内私募证券投资基金最常用的策略之一。它从消除市场系统性风险（Beta）的维度出发，通过同时构建多头和空头头寸对冲市场风险，以期获得较稳定的绝对收益。国内通常的操作方式为：买入股票同时卖空与股票等市值的股指期货（也可以采取融券方式），盈利模式为所买股票超越大盘的涨跌幅。特点：较为稳健的策略，收益不高但稳定，回撤较小，适用于震荡市场，但是我国现在面临的问题在于，市场对于对冲策略日趋上涨的需求与实际对冲工具不足的矛盾（如2014年下半年多数运用市场中性策略的机构因为持有成长股，但是当时没有可以对冲成长股系统风险的股指期货，所以他们只能选择可以对冲大盘蓝筹股风险的沪深300股指期货，结果在大盘上涨、创业板下跌的行情中遭受了惨败），多种股指期货推出、股票期权上市以及融券业务的扩充能够缓解此类问题。　　（2）股票多空策略，类似于alpha策略，但不同于alpha策略的是其会有多头敞口或者空头敞口，股票多空策略的操作难度大，因为除了要进行标的选择外，还需对大盘多空进行判断即择时。正因为如此，目前的量化多空策略，往往是以动量策略为主，即市场已经出现较为明显的趋势性上涨或者下跌行情时，再做相应的调整。　　（3）CTA(期货管理)策略，侧重于期货市场的投资，投资于股指期货、外汇期货、国债期货等期货/期权品种及相应的现货品种。量化对冲类的管理期货产品，就是用量化手段判断买卖时点、用计算机程序化实现期货的投资策略。由于期货为T+0方式，因而采用程序化的高频交易比手动交易具有天然优势。从程序化交易这块，期货领域其实较为领先于股票领域，而且现在的期货高频策略已经由比拼策略思想提升到了比拼系统配置和下单速度等方面。特点：具有杠杆属性，收益率较高，但在无趋势的震荡行情中，由于杠杆特性会产生较大的回撤，受限于交易品种的成交量及活跃程度。　　（4）套利复合策略，套利策略中最常见的是二级市场套利，包括商品跨期、跨品种套利，股指期货跨期、期现套利、ETF跨市场、事件套利、延时套利等。由于国内的金融工具和金融品种都不多，国内的套利策略多为方向性套利，即依赖于价格的上涨下跌而寻找套利机会，国外的期权可以对波动率预测进行套利。由于在市场行情不温不火，波动较小时，这类策略往往找不到套利机会，因而国内的套利对冲基金往往会在无套利机会时，增加一些另外的小策略，构成套利复合策略。例如在套利机会较少时，套利基金会增加一小部分的趋势投机或者股票市场中性等。长期来看，这种方式更利于产品的发展。特点：在我国是一类性价比较高的策略，但是资金容量有限，机会有限，需要不断开发新的策略；股票-期货套利在震荡市场中随着套利机会的增加而如鱼得水，但在稳定、波动小的市场中表现欠佳；分级基金套利在单边上涨市场中可以取得较高的收益，但是震荡市场中变现欠佳；目前主要问题是可套利品种不多、分级基金的活跃基金数不够多难以承受较大资金进出、可用金融工具仅有股指期货对冲性能不够。　　（5）宏观对冲策略，宏观策略是一种基于宏观经济周期理论对经济增长趋势、资金流动、政策变化等因素进行自上而下的分析，预期其对股票、债券、货币、商品、衍生品等各类投资品价格的影响，运用量化、定性分析方法作出投资决策并在不同大类资产之间甚至是不同国家之间进行轮动配置，以期获得稳定收益。例如当对冲基金更看好未来美国经济的复苏，就可以逐步做多美股资产，同时将资金撤出新兴市场并做空新兴市场资产来构建组合。该策略的成功取决于对全球宏观经济趋势的判断，判断越准确，策略的效果越好。12、量化对冲是否保本，风险多大？上下浮动多大？　　量化对冲基金的合同与固定收益类信托、大部分银行理财产品一样，写的是不保本。市场中性策略量化对冲产品（国内主流），短期内最大回撤在5%，长期内都是稳增值的。而且部分量化对冲产品还采取分级结构，通过劣后级的资金对优先级投资者进行本金的保证。13、风险收益方面跟阳光私募和信托有啥区别？　　量化对冲产品也是一种阳光私募，相信您说的阳光私募指的是国内纯做主动管理股票多头的阳光私募基金，国内主流量化对冲产品的风险、收益介于主动管理股票多头阳光私募和固定收益信托之间，但是夏普率（投资性价比）普遍高于其他两种类型产品。14、加杠杆和不加杠杆的区别在于哪里？　　加杠杆可能会带来更多的收益，但是也要承担更多的风险。15、整个市场上的量化对冲产品如何对比？　　从多个方面去比较，看运用的策略、公司成立的时长、看管理团队的风格、看团队旗下同时期管理基金的夏普比率、波动率。16、量化选股的具体方法是什么？如何判断量化模型选出来的股票就是能赚钱的股票？　　量化选股的具体方法：量化投资一般会选出几百支股票进行投资分析来分散风险，适合风险偏好低，追求稳定收入的投资者。量化分析师们在制定规则之后建立某个模型，先用历史数据对其进行回测，看是否能赚钱；如果可以，就再注入小额资金，积累样板外的实盘交易。实盘后如有盈利，就扩大资金量判断其是否对投资结果带来影响。最后运行的模型，都是经过千锤百炼的。二、进阶篇1、目前管理层在对冲这块有一定的限制，那这个对量化对冲策略会不会产生一些影响？　　禁止“做空”是禁止“裸做空”，并没有禁止量化对冲的空单，故以市场中性为主的量化对冲产品并无受影响。政策上完全禁止市场上一切做空动作的概率极小。如果真遇到监管“昏招”，可以做套利策略，比如分级基金套利。2、怎样才能区别好的量化对冲策略与一般的策略？　　好和不好要看和投资者的契合程度，对于追求稳健收益的投资者来说，市场中性策略的量化对冲产品是最合适的。在市场中性策略中，策略跑的时间越长、年化复合收益率相对较高、收益曲线表现越稳定、夏普率越高的产品相对更好。每年也有评测机构对各量化对冲产品进行综合排名。3、量化对冲是需要写选股程序的，我们怎么知道选股程序是否比较优质呢，并且能为客户赚到正收益呢？　　量化投资一般会选出几百支股票进行投资分析来分散风险，而且加入对冲系统风险的工具，很适合风险偏好低，追求稳定收入的投资者。量化分析师们在制定规则之后建立某个模型，先用历史数据对其进行回测，看是否能赚钱；如果可以，就再注入小额资金，积累样板外的实盘交易。实盘后如有盈利，就扩大资金量判断其是否对投资结果带来影响。最后运行的模型，都是经过千锤百炼的。4、股指期货的金融种类不多怎么办？　　现在已经有上证50期货、中证500期货、300期权、500期权、50期权等等，随着未来各类对冲工具越来越多，系统风险能更有效对冲，可选策略会更多，烫平波动的效果更好。5、过往产品的历史、收益稳定性和回撤？　　“对冲”的概念最早由AlfredW.Jones于1949年创立第一只对冲基金时提出，他认为“对冲”就是通过管理并降低组合系统风险以应对金融市场变化。全球范围内：截至2014年末，全球量化对冲基金管理资产规模已从1997年的1182亿美元发展到3万亿美元(近18万亿人名币)，增长20倍，年均复合增速20%。我国范围内：2014年以前，量化对冲私募发行主要依托信托平台、及券商资管平台；2014年以后，《私募投资基金管理人登记和基金备案办法（试行）》实行，截至日，国内已完成登记的私募基金管理人为7358家，管理私募基金9156只，管理规模2.38万亿元人名币，如果估计证券投资类私募基金占比40%、量化对冲占证券投资比为15%，则国内当前量化对冲私募的管理资产规模估计约1500亿元，与全球3万亿美元（近18万亿人名币）的规模相比，占比约0.9%。我国主流的市场中性量化对冲产品收益稳定性极好。而且据相对完全统计，月（股灾时），已经成立1年的127只市场中性量化对冲产品中100只逆市上涨，剩下那27只回撤大都控制在5%之内。　　补充问题：那这剩下的27只没有上涨什么原因导致的？答：各家量化选股还是有非常小的差异性，少数产品在短期内收益有小幅回撤是很正常的，反观这27只产品一年之中的收益曲线，也都呈现出了“净值稳增长”的态势。6、量化对冲项目在做对冲时是不是有比例限制，比如是不是只能拿出10%出来做对冲还是没有规定？　　国内主流的市场中性策略量化对冲基金是等市值对冲，比如2个亿的基金，1.6个亿买股票，另0.4亿做股指期货空头，无风险敞口。三、风险应对篇1、量化对冲的风险点在哪？　　最大的风险在于基金经理构建的股票多头所处的市场的β风险没有得到有效对冲这是2014下半年对冲基金面对的主要矛盾，多种股指期货推出、股票期权上市以及融券业务的扩充（利好：上证50、中证500股指期货4月16日上市）能够缓解此类问题。遇到这种极端情况，应对方式是：（1）坚持持有，等待市场回归均衡，量化对冲策略多数是长期有效的。（2）一般此时期货与现货价格会出现大幅偏离，基差套利可以获利或减少损失。（3）现在已经有上证50期货、中证500期货、300期权、500期权、50期权等等，随着未来各类对冲工具越来越多，系统风险能更有效对冲，可选策略会更多，烫平波动的效果更好。综上，对于量化对冲，理解产品属性，长期持有是应对风险最好的办法。2、量化对冲风险控制是如何做的？　　量化对冲，故名思意，有量化，有对冲，对冲本就是一种风险控制（控制整体市场的风险），量化是一种严格的、利用计算机、利用程序的选股模式（控制的是人性的贪婪恐慌风险），另外量化对冲产品也设有预警和止损线，而且设置的较高（市场中性策略的量化对冲产品中，触及止损线的产品极少）。3、量化对冲可能出现亏损现象吗？最大亏损可能是多少？　　有可能出现，不同的策略有不同的回撤，阿尔法中性策略年度一般回撤5%-10%，量化对冲产品的止损线一般设置为0.9或者更高，这样在基金出现少量亏损的情况下可以严格止损。4、目前市场都采用中性策略，如果市场稍微有大的波动会不会加剧大幅振动的可能？　　中性策略与市场的涨跌相关性很低，市场波动对策略的影响很低。5、某些量化对冲产品近期的净值小于1，怎么理解？　　各家量化选股还是有差异性，少数产品在短期内收益有小幅回撤是很正常的，反观这些产品一年之中的收益曲线，也都呈现出了“净值稳增长”的态势。6、可预见的政策性风险、可预见的市场性风险、可预见的操作性风险会有哪些?　　这是一个非常宽泛的问题，虽然量化对冲在风险控制方面有优势，但也面临着各种不同的风险。可预见的政策性风险：因国家宏观政策（如货币政策、财政政策、行业政策、地区发展政策等）发生变化，导致市场价格波动而产生风险。可预见的市场性风险：如多头一方因持有股票会面对持有股票的一系列风险（价格波动风险、经济环境风险、上市公司经营风险等），而空头部分因持有空头股指期货会面对期货投资的风险（杠杆风险、基差风险、平仓风险等），但正因为多头风险与空头风险可以大部分相互对冲，所以整体风险被控制在一个较安全的水平。可预见的操作性风险：相关当事人在业务各环节操作过程中，因内部控制存在缺陷或者人为因素造成操作失误或违反操作规程等引致的风险，如越权违规交易、会计部门欺诈、交易错误、IT系统故障等风险。当然这些可预见的风险，管理人都会提前做规避工作，尽全力做到“风险可控”。四、营销篇1、客户：相较目前的固收类的产品来说，收益没有太大的优势，同样要承担一定的风险，百分之十几的收益我宁愿选择私募产品。　　按照客户风险偏好，对客户资产进行最优配置。客户想享受股票市场的收益，但又不太愿意冒太大风险的可以推荐配置量化对冲。市场中性策略的量化对冲产品是介于固定收益与浮动收益之间的一种产品，称为“类固定收益”，风险收益适中，预期收益10%-20%。2、客户：产品如遇亏损，止损策略怎么进行，能保证我资金的安全吗？　　止损根据产品不同有不同的止损条件，阿尔法中性策略年度最大回撤一般在5%左右，产品的止损线一般设置为0.9或更高。而且量化对冲基金通过严格的量化选股操作、等市值构建股指期货空头来对冲系统风险，虽然在合同中跟银行理财、固定收益信托、主动管理型阳光私募产品一样都无法写上“保本”二字，但是您的资金也是很安全的。3、客户：对国外这个模型不相信，对于投入到二级市场不抱信心。　　模型其实并不复杂，而且都是经过反复的理论和实际验证的，对二级市场不抱信心的客户更加可以推荐量化对冲，量化对冲适合所有行情，不惧股市下跌。4、倾向固收类客户对政信类等更感兴趣，对量化对冲比较犹豫，偏向高风险客户又觉得收益不能动心。　　政信类产品的收益率正在往下走，对风险厌恶型客户的资产配置可以推荐量化对冲类的阿尔法策略，风险相对较小，收益预期相对比较稳定。而偏向高风险的客户，也可以进行细致分类。没有人会愿意为了追求一定的收益而承担相对更高的风险，对于量化对冲产品来说，它的收益和风险是高度匹配的，也就是具有高投资性价比。5、客户：现在银行和很多私募都准备做量化对冲，国家可能会出不利的政策？　　国家对恶意做空以及恶意高频交易操综市场的行为的会进行查处，国内主流的量化对冲产品以市场中性策略为主，做多股票+做空股指期货是同时进行的，而且做多与做空的头寸一致，国家对这类产品干预的可能性极低。6、客户：具体的净值计算方法，净值创新高部分提取25%后，我的年化收益大概是多少？　　扣除管理费、托管费、业绩提成之后，客户的收益在10%-20%区间，业绩提成一般客户80%，机构20%。7、客户：操作策略中，期限套利和跨期套利可以认为是无风险套利，但本身收益做不高，年化6-7%已经不错，加了阿尔法套利，主动性加入后，风险就会增大，风险转化为收益是很好，如果风险削减收益，这会影响净值上升的斜率，本来斜率就很小，这样体现的收益不大，即使波动也在较小范围，我觉得不值。　　量化对冲策略很多，无风险套利是其中一种，无风险套利的市场机会不是很多，可以作为基金的安全垫策略，阿尔法策略（也就是市场中性策略）是一种成熟策略，能够长期操作，加入后会增加收益的稳定性，风险变小，阿尔法的收益高于套利的收益，加入后收益变大。（注：资料来自网络）","state":"published","sourceUrl":"","pageCommentsCount":0,"canComment":false,"snapshotUrl":"","slug":,"publishedTime":"T21:19:11+08:00","url":"/p/","title":"量化投资篇（1）：深入浅出量化对冲Alpha基金的操作","summary":"1.量化 对于一般投资者，甚至是部分金融从业者来说，量化投资都是一门高大上的技术，充斥着模型代码和算法假设，门槛非常高。其实，生活中的量化思想无处不在。 例如，某魔都金融民工，每日上班路线是这样的：乘地铁或者公交至陆家嘴，随后步行或者乘华宝兴…","reviewingCommentsCount":0,"meta":{"previous":null,"next":null},"commentPermission":"anyone","commentsCount":5,"likesCount":95}},"annotationDetail":null,"commentsCount":2,"likesCount":49,"FULLINFO":true}},"User":{"bigbread":{"isFollowed":false,"name":"面包君","headline":"微信（请备注）：lestat0831\n合作：\n《数据分析侠的成长故事》作者","avatarUrl":"/730a80ec1d5a_s.jpg","isFollowing":false,"type":"people","slug":"bigbread","bio":"前支付宝人/VC投资人","hash":"485fa57eef58c098b714cad9","uid":88,"isOrg":false,"description":"微信（请备注）：lestat0831\n合作：\n《数据分析侠的成长故事》作者","profileUrl":"/people/bigbread","avatar":{"id":"730a80ec1d5a","template":"/{id}_{size}.jpg"},"isOrgWhiteList":false,"badge":{"identity":null,"bestAnswerer":null}}},"Comment":{},"favlists":{}},"me":{},"global":{"experimentFeatures":{"ge3":"ge3_9","ge2":"ge2_1","nwebStickySidebar":"sticky","nwebAnswerRecommendLive":"newVersion","newMore":"new","sendZaMonitor":"true","liveReviewBuyBar":"live_review_buy_bar_2","liveStore":"ls_a2_b2_c1_f2","homeUi2":"default","answerRelatedReadings":"qa_recommend_by_algo_related_with_article","qrcodeLogin":"qrcode","newBuyBar":"liveoldbuy","newMobileColumnAppheader":"new_header","zcmLighting":"zcm","favAct":"default","appStoreRateDialog":"close","mobileQaPageProxyHeifetz":"m_qa_page_nweb","iOSNewestVersion":"4.2.0","default":"None","wechatShareModal":"wechat_share_modal_show","qaStickySidebar":"sticky_sidebar","androidProfilePanel":"panel_b"}},"columns":{"next":{},"dataman":{"following":false,"canManage":false,"href":"/api/columns/dataman","name":"数据分析侠","creator":{"slug":"bigbread"},"url":"/dataman","slug":"dataman","avatar":{"id":"c27b2f16ccd2bd961744cef12cc333c4","template":"/{id}_{size}.jpg"}}},"columnPosts":{},"columnSettings":{"colomnAuthor":[],"uploadAvatarDetails":"","contributeRequests":[],"contributeRequestsTotalCount":0,"inviteAuthor":""},"postComments":{},"postReviewComments":{"comments":[],"newComments":[],"hasMore":true},"favlistsByUser":{},"favlistRelations":{},"promotions":{},"switches":{"couldAddVideo":false},"draft":{"titleImage":"","titleImageSize":{},"isTitleImageFullScreen":false,"canTitleImageFullScreen":false,"title":"","titleImageUploading":false,"error":"","content":"","draftLoading":false,"globalLoading":false,"pendingVideo":{"resource":null,"error":null}},"drafts":{"draftsList":[],"next":{}},"config":{"userNotBindPhoneTipString":{}},"recommendPosts":{"articleRecommendations":[],"columnRecommendations":[]},"env":{"edition":{},"isAppView":false,"appViewConfig":{"content_padding_top":128,"content_padding_bottom":56,"content_padding_left":16,"content_padding_right":16,"title_font_size":22,"body_font_size":16,"is_dark_theme":false,"can_auto_load_image":true,"app_info":"OS=iOS"},"isApp":false},"sys":{},"message":{"newCount":0},"pushNotification":{"newCount":0}}