分类筛选
分类筛选:

关于对冲基金论文范文资料 与大数据时代下对冲基金数据挖掘技术探析有关论文参考文献

版权:原创标记原创 主题:对冲基金范文 科目:发表论文 2024-01-06

《大数据时代下对冲基金数据挖掘技术探析》:本文是一篇关于对冲基金论文范文,可作为相关选题参考,和写作参考文献。

2015年全球对冲基金表现

2015年,全球范围内对冲基金经历了2008年以来的第二次业绩寒冬.根据对冲基金研究机构HFR(Hedge Fund Research Inc.)公布的资料显示,2015年四季度全球新成立对冲基金183家,较第三季度的269家下降32%,是2009年以来新增数量最少的季度.2015年全年累计新成立对冲基金968家,较上一年度下降7%.此外,诸多对冲基金在惨淡的业绩面前纷纷清盘.数据显示,2015年累计979家对冲基金清盘,较2014年864家的数据上涨13.3%,是自2009年1023家对冲基金清盘以来的又一波高峰.这波浪潮中,诸多国际大型对冲基金也未能幸免:全球20大对冲基金之一贝莱德宣布关闭旗下一个10亿美元规模的宏观对冲基金;文艺复兴科技投资公司宣布清盘旗下一只量化对冲策略基金 ——复兴机构期货基金(RIFF).

然而,对冲基金数量的减少并没有影响其总体规模冲上新高.根据HFR统计数据显示,截至2015年底,全球对冲基金管理资产规模达2.9万亿美元,较2014年增长约1千亿美元.

机构数量的减少和资产管理规模的增长再次印证了全球对冲基金行业“强者恒强”的现状.虽然近年投资者逐渐增加了对中小型对冲基金的投入,但行业集中度居高不下的局面并未得到改善.2015年研究机构Preqin在其发布的报告中将7617家对冲基金公司中管理资产规模在10亿美元以上的统一划入“10亿美元俱乐部”.报告显示,尽管“10亿美元俱乐部”包含570只对冲基金,却管理了对冲基金中92%的资产规模.而其余大部分的对冲基金合计管理规模只占8%.这意味着对冲基金行业中大多数资金集中在少数公司手中.

从投资策略来看,复合策略、股票多空策略、宏观策略是2015年业绩表现最好的三个策略,全年累计收益分别为3.62%、3.57%、2.27%.2014年表现“一枝独秀”的CTA受累于大宗商品的暴跌,2015年累计收益仅1.28%,远低于去年同期的16.42%.可转换套利和股票市场中性策略收益高于2014年,分别取得全年累计收益1.6%和0.09%,其余子策略的收益表现均低于2014年.

回顾2015年,造成全球对冲基金业绩欠佳的主要原因包括以下几点,第一,市场因素:黄金、石油等大宗商品的暴跌拖累投资大宗商品的对冲基金和投资能源行业的对冲基金;希腊债务危机阴云不散,投资欧洲市场的对冲基金业绩受到波及;中国股灾影响包括欧美股市、新兴市场股市等在内的全球股市.第二,客户因素:HFR主席Kenneth Heinz指出,随着客户风险厌恶倾向不断加强,客户对其资产波动性的容忍程度也相应下降,业绩表现不佳的对冲基金面临着强大的客户赎回压力.

基于数据挖掘的量化投资技术

作为对冲基金的重要手段,量化投资技术一直被大量应用并不断深化.1971年,电子工程师约翰·麦奎恩利用美国富国银行的信托投资平台建立起全球第一个定量投资系统.随后,量化投资界的传奇人物詹姆斯·西蒙斯创立了文艺复兴科技公司,并运用量化模型在公司成立后的20多年中为基金赚取了平均每年35.6%的收益率.然而,随着计算机科学的进步和大数据时代的到来,全球数据量呈现指数级增长,传统的公司财务数据和市场行情数据已难以全面描绘市场状况;同时,数据库存储的数字、符号信息等结构化数据形式逐渐向文本、图像、音频、视频等非结构化数据形式转变.因此,市场亟需更先进的模型和算法来满足对更大量级、更多类型的数据进行处理,基于大数据量化策略的研究已然成为量化投资新的研究方向和热门研究领域.

文本挖掘在量化投资中的应用

主题投资作为股票市场上一种重要的投资策略,反映了投资者对市场上发生的热点事件的解读,也反映了不同市场参和者的心理博弈过程.传统的量化分析对主题的把握主要依赖个股的财务数据(如EPS、PE、收盘价、开盘价、成交量等)和行业数据(如行业指数涨跌幅等).然而,这些结构化数据中所隐含的投资信息大部分已被挖掘,投资者亟需从更广阔的非结构化数据中探求市场规律.

文本挖掘是指从文本数据中抽取有价值的信息和知识的计算机处理技术,是数据挖掘的一个分支.将文本挖掘应用于量化投资的核心逻辑在于:第一,文本数据研究和相对成熟的数值型数据研究相比,更容易在新数据源中获得超额收益;第二,财经相关的网络文本信息某种程度上反映了投资者的情绪和投资意向;第三,爆发式增长的网络文本数据在数量和时间维度上足够构建较为成熟的量化模型;第四,一个主题的异动往往会带来关于该主题大量持续的报道,甚至在该主题还未在市场上有所表现的时候,就已经有大量的新闻报道产生,从而使和该热点相关的新闻数量在某一时间段达到一个突发的高峰.通过对相关文本信息进行分析挖掘,可以有效预测市场热点和动向,发掘主题投资机会.

互联网财经选股策略是基于文本挖掘技术的量化选股方式之一.通过爬取主流财经媒体报道文章的文本信息,利用文本挖掘技术对热点事件进行深度挖掘,进而完成对投资主题的预测.互联网财经选股策略总体框架分为“数据获取”、“数据处理”以及“策略构建”三部分:

数据获取.引入“网络爬虫技术”,首先分析待批量爬取的主流财经媒体网页结构,主要关注网页中需要特定爬取的相关结构和内容;其次,发现财经媒体网站上待爬取信息的网页URL相关规律,通过网络爬虫程序遍历并提取所有待爬取财经网页中的荐股栏目信息,获得各网站荐股数据.在大数据时代,单机爬取的速度往往难以满足大规模数据爬取需求,可以考虑引入Hadoop平台技术,实现分布式存储和并行信息爬取策略.

数据处理.包括数据清洗和数据挖掘两部分.数据清洗是筛选出所有网页访问正常且内容完整有效的数据信息;数据挖掘是指针对处理后的文本信息,通过分析各网站的文本结构,并利用文本分词、文本分类、文本聚类等技术进行主题关键词的挖掘和分析.

对冲基金论文参考资料:

结论:大数据时代下对冲基金数据挖掘技术探析为关于对不知道怎么写对冲基金论文范文课题研究的大学硕士、相关本科毕业论文量化对冲基金排名论文开题报告范文和文献综述及职称论文的作为参考文献资料下载。

和你相关的