打开量化投资的黑箱（原书第2版）读后感摘抄

《打开量化投资的黑箱（原书第2版）》是一本由[美]里什·纳兰（Rishi K. Narang）著作，机械工业出版社出版的平装图书，本书定价：69.00，页数：356页，特精心收集的读后感，希望对大家能有帮助。

《打开量化投资的黑箱（原书第2版）》读后感(一)：读完打卡

不错的入门书籍，讲了大致的量化框架，但是很少涉及具体的策略，一些想法值得借鉴。能够让人很快入门但是最好自己去实践一下，能够理解量化究竟是怎样的一件事情。

看完这本书需要补充一些具体的策略，感觉量化拼的就是细节。

我要吐槽一下，为啥规定要140个字，这是我第一次写书评，简直可怕，啊啊啊啊

《打开量化投资的黑箱（原书第2版）》读后感(二)：打开黑箱的第一步？

量化工具零零星星有用，想看看专业书籍怎么写的，KINDLE看的，前半部分读的比较仔细，高频基本略过了。

对专业名词的扫盲比较有用，比如真正的阿尔法应该怎么理解？做市商是干什么的？数据清洗是什么？但总体来说关于策略和风险相关东西只是泛泛而谈，和平时做交易的常识基本相同。比较适合当教科书收藏吧，对一些概念的分类梳理的不错，值得记一记。

《打开量化投资的黑箱（原书第2版）》读后感(三)：量化投资者的第一本书

书的内容非常好，对于量化入门者来说足够理解这个领域的复杂性（而不是机会）。

作者的领域知识非常不错，结构清楚、细节饱满、知识覆盖度足够广，这方面我给9分（对入门来说）。 作者的写作能力实在不怎么样，经常突然冒出来“第三种 XXXX” 或者 前面说了三种，只找到两种这一节就完了。所以，这方面只能给个7分，勉强及格吧。 翻译太差，给5分，连及格都算不上。看了一下译者，都是证券机构的高材生，而且是3个人！难怪同一个概念前后两章有如此大的差异，我想问，连错别字都层出不穷，你们的博士白读了？大部分无法理解的概念都源于翻译导致，所以，还是去读英文版吧。

相比一些其他类似的入门书，这本书最大的好处是有中文版。 其实国外量化的入门书无论从结构还是内容上都差不多，也没有太多的专有名词，还是比较好读的。 阅读本书，你需要具备一定的统计学知识，还需要随时查询金融词汇（如果不是金融专业）。另外，最好还有一些机器学习方面的经验，因为量化交易中的模型都需要训练、评估，所以这本书的前几张核心部分，超过1/3左右的内容都是和机器学习直接相关的。可以看出作者并不是机器学习方面的专家，所以解释相关概念和方法时并不专业，但这些概念和方法确实在被使用。

没读过第一版，但是这书能出第二版，完全是因为宽客这个群体太小，国内没有更好的入门中文书！

《打开量化投资的黑箱（原书第2版）》读后感(四)：量化投资入门

#打开量化投资的黑箱# 这本书是Rishi K.Narang所写的，很适合入门，有助于形成一个相对更为系统性的框架。而且在语言描述上偏向于通俗易懂，深入浅出的方式为你介绍了量化投资的箱子里到底装了什么东西。不过也有缺陷，翻译上存在的问题吧，前后翻译出现的不一致的现象，以及高频交易这一块，写的很乱，让我没有耐心仔细读。 书的内容不多，但是为我们展现出了量化投资的整体框架，逻辑性强，有条理，阅读起来体验良好。文章是一个循序渐进的过程，一步一步为我们揭开量化投资的面纱。 整本书分为四个部分：量化交易是什么？量化交易是怎么做的？怎么评价量化交易？以及高速和高频交易。量化交易的简介是对名词的扫盲，怎么做的过程介绍有助于我们了解QUANT到底在做什么。 首先来介绍一下第一部分，量化交易就是建仓的点位选择和头寸规模大小均由系统参数。QUANT的日常就是产生想法，测试想法，进行决策。 交易系统中包含有3个模块：阿尔法模型，风险模型和交易成本模型。 阿尔法模型是，为了增加盈利，在投资过程中所使用的一系列技巧或策略。阿尔法模型分为两类，理论驱动型和数据驱动型。理论驱动型可分为基于价格数据和基于基本面数据的。基于价格数据的有趋势性、均值回复型、技术情绪型；基于基本面的有价值性、成长性、品质型。 趋势跟随策略是基于以下基本假定，在一定时间内市场通常是朝着同一方向变化。据此对市场趋势做出判断就可以作为制定交易策略的依据。均值回复策略，价格围绕其价值中枢上下波动，因此价格终究会沿着已有趋势的反方向运动，而不可能一直延续已有趋势。技术情绪型策略，主要通过追踪投资者相关指标来预判回报，指标有交易价格、交易量以及波动率指标。 价值型认为市场倾向于高估高风险资产的风险，低估低风险资产的风险，因此在恰当时机买入高风险，卖出低风险，获取利差，这个利差也就是安全边际。成长型则是考虑资产以往的增长水平，对未来趋势进行判断。买入价格上涨，卖出价格涨幅较慢甚至负增长的产品。在这里成长型的思想是建议我们尽早判断公司股价处于增长期，从而捕捉到公司股价未来更大的上涨幅度。品质型则是买入高品质资产而做空低品质资产。看中的是资金的安全。 数据驱动下阿尔法模型，借助一定分析工具通过某种可识别的模式，由数据告诉你未来会发生的事情。进入门槛高，竞争对手少，但策略需要经常性调整，而调整也有很大风险。 一套实施策略所包含的方面：预测目标、投资期限、投资结构、投资范围、模型设定和运行频率。混合阿尔法策略里边包含有三种最常用的量化方法分别是线性模型、非线性模型和机器学习模型。 风险模型主要是讲如何定义、度量以及控制风险。侧重点在于如何风控，包含硬性约束和惩罚函数。 交易成本模型中，首先是介绍交易成本包含佣金和费用、滑点和市场冲击成本。常见的交易成本模型有常值型交易成本、线性交易成本模型、分段线性交易成本模型、二次型交易成本模型。 接下来是投资组合构建，主要描述了两大类模型。基于规则的模型：相同头寸加权、相等风险加权、阿尔法驱动型加权；基于组合最优化模型：优化工具输入变量、优化技术、再输出理想头寸以及各个头寸的规模。

《打开量化投资的黑箱（原书第2版）》读后感(五)：打开量化投资的黑箱[第2版]

作为华尔街顶级数量金融专家、资深对冲基金经理，毕业于加州伯克利的他对于金融市场的运转、风险以及过往的经验教训都有非常成熟和系统的见解。本书的案例和术语难度适中，翻译也非常好，一些细节的案例，如1998年，2007年经济危机过程的描述清晰，让人印象深刻。

书中首先引入了“有效市场 efficient market”的概念。金融市场的有效性指市场的供需平衡下决定的价值与价格匹配，在这种情况下，市场上不会存在无风险套利机会。当市场存在其他交易者的时候，市场会由于供需关系短暂不平衡，而出现短暂的套利机会。任何金融交易，包括量化交易，并不是能够绝对消除市场无效性并获利，而是承担了损失风险概率性的获利。

宽客区别于主观性交易者，都是在通过人为的经验进行算发性的交易操作。区别在于有些经验难以为算法所描述，只能称为一种“老道的直觉”。宽客存在实际上是借助了现代信息化工具，自动化地进行金融资产的分析与买卖。正因为宽客推动人经验的算法化，因此宽客实际上对于一些经验需要有更为深入的理解，同时需要明白算法的不同部分在各种突发市场情况下表现得原因，以期能够分析和避免错误操作，造成无法预期得损失。

本书将量化交易决策的结构规整化为“阿尔法模型”，“风险模型”，“交易成本模型”，“投资组合构建模型”，“执行模型”五部分。并在介绍了量化模型后，进而讨论了量化交易的利与弊，案例丰富、语言形象。最后简单介绍了高频交易以及整个交易网络，作为高频交易的引子。

阿尔法模型是一种对于资产的预测收益，基于经济学的理论，阿尔法因子表达的收益是一种扣除市场因素后的额外收益。

理论驱动型阿尔法模型

【趋势跟随型】：基本原理为“市场均衡理论”。认为市场的波动是从一个均衡点到另一个均衡点的过程，趋势跟随投资者承担的是未来一定时间内趋势不会继续保持的风险。该策略的对立观点是“博傻理论”，趋势被人相信才会继续保持，最后一个相信市场趋势还会继续的人称为整个泡沫最后的持有者。

【均值回复型】：认为产品的价值应该是稳定的，价格围绕价值上下波动，这种波动性来源于市场偶然出现超买或者超卖的流动性，短期不平衡带来金融资产价格的波动。最为经典的均值回复性策略为“统计套利策略”，认为业务相似的公司应该具有相对稳定的股价，因此比较相似的公司判断另一家公司是被低估还是高估了。

【技术情绪型】：1）通过观察期权市场判断基本情绪。观察认购量和认沽量判断；观察认购和认沽的隐含波动率判断。2）分析交易量、公开市场利率或其他指标预测未来价格。常用的数据来自“限价指令簿”，一种等待交易的被动交易订单。

【价值收益型】:通过市盈率、股息收益率判断公司的价值。市场通常倾向于高估高风险资产的风险，而低估低风险资产的风险。因此适当买入高风险资产或者卖出低风险资产，可以获得收益。实际收益高于基本面数据的预期收益的企业，价值可能已经偏离价格逐渐走高。对于这些价格变低的金融产品，价值型投资者实际承担了价格趋势会继续的风险。高风险与高收益总是并存的。货币与期货市场往往比股票市场对此理解得更加深刻。对大多数价值型投资者都是在寻找相对价值较低的股票。

【成长型】：成长型策略往往需要基于以往的资产以及地区政策等因素判断未来公司的走势。同时必须尽早地判断出来，否则等待股价开始上涨，即代表市场的绝大多数人已经发现了该公司的成长价值。宏观层面可以看到，一些外汇交易者的策略往往是“持有经济快速增长的国家的外汇”。

【品质型】：该类策略的基本理念是看重资产的安全性。着眼持有高品质资产的投资策略有助于保护投资者，尤其在高风险的市场环境下，也被称为“安全投资转移策略flight to quality”。常见分析：1）杠杆比率；2）收入来源多样性，分析收入的波动率；3）管理水品，分析操纵性应计利润的变化；4）欺诈风险，分析量化股票多空策略中的收益质量，如真实收益与公布的每股净收益的接近程度；5）对公司或者所属国家的情绪预测，分析新用违约互换市场、波动率等判断市场投资者的信心。品质型策略往往收益周期长，并且对与宏观市场环境依赖较大，在2008年的信贷危机中，品质型策略在预测银行股相对价格中大放异彩。

数据驱动型阿尔法模型

数据驱动型阿尔法模型通过将模型在过往数据上回测，学习历史数据调整参数。根据预测目标划分有“方向”和“振幅”，根据投资期限划分有“高频”、“短线”、“中线”和“长线”，根据投注结构有“绝对型”和“相对型”，根据资产类型有“股票”、“债券”、“货币”和“商品”。数据驱动行阿尔法模型由于参数是通过数据学习的，所以学习的数据范围，如时间段、时间精度等，以及各种有哪些处理后的数据，如一段时间内的滑动平均、市盈率、杠杆率、公开市场利率等，都非常重要；同时学习的参数，如头寸的把握，持仓的时刻，持有资产的周期，执行交易的频率，意外条件变量的警告值等都需要细细考虑。

阿尔法模型从一堆资产中挑出了一堆有投资价值的资产，对这些资产进行投资即代表了一种收益敞口；同时，收益总是伴随风险。任何资产投资活动绝不仅是追求最大的收益，更要规避风险的发生并控制可能风险的规模在可承受的范围下。

规模风险可以通过在硬性约束和惩罚函数两种方式进行控制；投资金融产品和组合风险的预测通过单个金融资产纵向波动率分析，以及组合内不同金融产品的相关系数来表征，根据概率学原理，当投资组合内的资产都不相关时，才能最大可能避免一些系统性的风险。风险模型常用的一个工具是VaR（Value at risk），基于波动率水平计算投资组合的单日标准差。

风险模型除了以上考虑单个金融资产的规模，有时也要考虑整个行业板块和金融市场环境的风险。因此除了分析单个金融产品或者组合的风险，更为可靠的应该分析行业和市场的波动率和风险。

交易成本模型是对于交易不可避免的成本进行分析。由于阿尔法模型只能获得收益，但是如果要执行该笔交易还需要判断收益是否大于成本。

交易成本来源于三个点：1）佣金与费用，2）滑点，3）市场冲击成本。滑点来自交易完成周期过程中，市场的自然走势。市场冲击主要受订单规模影响。大规模市场订单会造成市场其他投资者发现机会带动价格朝不利于订单方向移动。由此引入了“暗池交易”的概念，暗池交易并不是近期市场才出现的，早在西方交易所成立之始，为了整理尚未完成的被动订单，同时确认不同订单的优先级而存在的“限价指令簿”之外，交易者可以选择主动降低优先级，而不公开大额订单，从而减少对于市场的冲击。

投资组合构建模型是在阿尔法收益模型、风险模型和交易成本模型的基础上，规划交易的执行订单。确定为哪些资产，持有什么以及多少头寸。常见的类型有四类：相等头寸夹权，相等风险加权，阿尔法驱动型加权以及决策树夹权。

该章节提出了一个非常有意思的工具是，1990年诺贝尔经济学奖获得者哈里·马科维茨在《投资组合选择》中提出的“均值方差优化技术”，旨在通过在一揽子待投资的组合中，根据不同资产的均值、方差、期望相关系数矩阵决定不同风险水平下的一系列投资组合。意在直观的通过确定不同风险，得到不同的组合方式。马科维茨之后，其他经典的优化方法有，

布莱克·利特曼方法，将输入数据的置信度引入。适用于帮助宽客引入主观对于市场行情的判断。

格里诺德·卡恩方法，将多个投资组合的判断进行综合，平衡不同策略之间的计算结果。

理查德·米肖重新采样方法，通过蒙特卡洛模拟对数据进行重新采样，以期得到不同假设情况下，策略表现好与坏的概率，以及好与坏的程度。

执行模型是整个交易过程的最后环节。执行策略的失败可能导致前面所有预测和风险控制的努力付诸东流。订单执行模型的主要目的是以经可能低的价格，尽可能完整地完成想要交易地订单。

订单执行涉及订单地进取性讨论，订单的进取性越强、时间越靠前优先进行交易。订单的进取性随着对价格议价权、市场公开与否的放弃而下降。

本章最后探讨了交易基础设施对于硬件、延迟等指标的敏感性。引入了高频交易对于硬件依赖的重要性。

有了以上这么一套关于量化交易系统的基本模型，以及各个模型的目标、策略和相应的实现分类，基本对于一个量化模型有了一个简单的认识。但很遗憾的是，尽管有了这些概念，让我立即设计一个哪怕盈利能力很差的模型，我都很难保证自己可以做到。原因在于，随着后面的阅读，我逐渐认识到了两个问题：1）量化交易市场的风险与策略设计的难度，2）量化交易模型在市场上实际拿到订单的难度。

由于模型总是在过去的数据上回测，因此如何确定模型对于历史的拟合依然能够在未来的数据上获利本身谁都没有十足的把握。尤其在了解了各种围观和宏观经济分析后。比如通过VaR工具，或者引入板块风险、产品相关度、置信度等因素后，获得预测波动率，然后预测收益与风险敞口。作为一个新人，很难完全将模型交给数据，而没有任何理论支撑。那样一个模型只能说对于数据拟合比较好，很难在新的市场波动下成功。

结构关系变化风险

结构关系风险，进一步解释了上面为何对于完全基于数据拟合而没有理论基础是行不通的。我们通常会用股票数据之间的相关性进行风险约束以及评估。但是这种相关性是会变化的，而且在不同的市场信号发出时，未来的变动方向完全是投资者能够判断，而模型不一定习得（也很难习得的）。因此这种市场模型下，模型是很脆弱的。

外生冲击风险

外生冲击风险由市场外的信息驱动，如恐怖袭击、战争或者政治干涉等。量化模型使用市场数据进行预测，当非市场信息对价格产生影响，量化策略就会受到影响。这种风险带动了整个板块或者市场行情的变化。

蔓延风险和同质投资者风险

由于量化交易本身自动化程度高，算法设计核心思路相似。故当市场出现某种机端信号，很容易被多家量化公司识别，从而产生取款机效应。取款机效应发生核心是由于发生流动性危机，市场或者公司突然统一策略，最终加重流动性危机的。比较代表的是1998年，长期资本管理公司基于“双重上市及并购股价趋于一致”。在皇家壳牌公司合并案中，长期资本做多壳牌，做空皇家，套入大量现金，最后由于俄罗斯债务违约直接导致长期资本流动性不足无法忍受持续扩大的多空差，被迫破产。另一个案件时2007年8月，许多量化基金损失严重。主要原因在于，2007年8月前一段时间，原有策略表现不佳，很多量化基金策略趋同化，同时由于交叉抵押杠杆过大，VaR风险控制工具的使用泛滥，共同导致市场发生取款机效应，发生流动性危机。