光大证券乌龙指事件(山西汾酒股票怎么样)
光大证券乌龙指事件(山西汾酒股票怎么样)
本文目录一览：
✪ 唐毅南｜复旦大学
【导读】近期，河南村镇银行储户被赋红码事件持续引发争议。除了备受关注的违规赋红码行为，还有一个奇怪的现象，尚未引起注意：为什么这些河南村镇银行的许多储户，来自湖北、广东、山东、安徽等外省地区？实际上，许多外地储户是通过第三方数字金融平台，接触和选择河南村镇银行的储蓄项目的。这是数字技术和数字平台进入金融领域的又一例子。曾几何时，数字平台宣称，大数据等数字技术进入金融领域后，能够*程度地降低金融风险、提高效率。然而，近些年来，各种数字金融产品陆续爆雷的现实，无疑无法印证这样的自信。
本文指出，金融领域的数字化，将金融交易中原本的线性稳定模型，升级成了基于大数据的非线性不稳定黑箱。科技金融为了效率，通过训练人工智能，用“大数据”去模拟人类经济模型。为了使结果有意义，人工智能只能先假定系统稳定。可非线性系统本身就是不稳定的。这就导致人类无法理解人工智能的模拟，也无法发现最微小的漏洞，而这种机制的盲目性，又鼓励金融投机和庞氏骗局。美式“金融创新”没有经验，只有教训，金融科技*的重要“创新”，就是混业经营的金融科技垄断寡头，他们当做招牌的“微观”风险控制，实质上是一种“*捕食”，其中任何一个金融产品，都有长成2008年金融危机那样的“大象”的风险。
作者强调，未来金融监管的导向，应从过去的促进市场效率和防范风险，向提高金融宏观效能转变。让数字技术真正为长期发展服务。在监管部门协商划定分区实验范围和容错度的范围内，允许实行不同商业模式的金融科技企业进行竞争，对在实践中有效的商业模式逐步推广，真正落实金融服务于实体经济的发展导向。
本文原载《文化纵横》，原题为《金融科技的辩证法：微观精确和宏观风险的平衡之道》。文章仅代表作者本人观点，特此编发，供诸君思考。
金融科技的辩证法：微观精确和宏观风险的平衡之道
数字技术如今正被全球资本大加追捧。众多行业的“数字化”转型都能获得天量投资，俨然成为超过当年互联网“新经济”泡沫的“超新经济”。然而，数字技术应用于金融市场后，也催生了投机交易、庞氏融资和更多新形式、更大规模的高利贷。那么，当前金融科技中的数字技术的本质是什么？为什么会带来上述负面影响？应该怎样看待和管理金融中的数字技术？
要回答这些问题，需要注意到当前金融科技的三大新现象：一、新兴混业经营的科技金融寡头已经形成并具备了超强的资本力量，这对金融监管提出了巨大的挑战。二、数字技术支撑的金融产品已全面渗透进日常生活，卷入其中的民众范围空前扩大。数字金融产品已经附着于日常生活，出现了繁多变体，普通民众逐渐从主动参与变成被动卷入金融交易之中。三、数字技术的介入使得有潜在风险的金融产品和业务从快速膨胀到“爆雷”的时间周期大大缩短。
数字科技介入金融领域，也确实给民众提供了便捷的消费、贷款与融资渠道。但当数字科技的技术原理复合到金融寡头的高杠杆、高利贷和投机交易之上时，金融系统的稳定性极易受到冲击。在当前的中国，由于监管及时，同时也因为单个企业已经快速“爆雷”，金融科技目前还没有形成像次贷危机那样庞大的系统性泡沫。但是长远来看，数字科技把原来金融交易中的线性稳定模型升级成了基于大数据的非线性不稳定黑箱，大大增加了宏观金融系统的不稳定性。
▍追不上技术实践的理论：当市场跑赢监管
金融科技有两个实体——“硬件”，即真实服务交易的计算机和通信基础设施；“软件”，即信息化的数据存储、分析处理等工作。信息科技影响金融行业的历史可以简单地分为三个阶段。
在第一阶段，银行等传统金融部门通过将服务实体经济的中介性金融业务（储贷、交易结算等）电子化和信息化，提高了安全性、保密性和便捷性。20世纪90年代以来，伴随着通信科技进入交易性的金融市场，买卖成交速度全面提高。信息技术的进步极大地满足了投机性交易对“先人一步”成交的要求，信息科技对金融领域的影响进入第二个阶段。在这一阶段，由于金融交易不断对IT设备和网络的性能提出极端需求，为这一时期美国信息科技的发展提供了*份额的投资，推动了通信技术的快速发展。与此同时，苏联解体后，一大批军工、航天技术专家和科学家来到美国，他们把高深的数学带到金融衍生品的设计之中——舆论就此称呼此类工作为“火箭科学”。这些“火箭科学家”们通过分析大量数据得到相关参数，并将其带入到期权定价模型中设计金融衍生品。由此产生的大量金融产品，构筑起美国庞大的金融衍生品帝国。金融衍生品的泛滥加深了美国经济虚实二元化的隔阂，金融产业逐渐形成了一个仅创造交易而不服务于实体经济的“第二部类”，为次贷危机埋下了伏笔。
当前异军突起的大数据和人工智能技术，是信息科技影响金融行业的第三阶段。如今，高性能计算机、数据库和高速网络已经成为金融交易的标配。次贷危机发生后，信息技术放弃了“火箭科学”原理，转而依托计算机的超强算力和网络平台捕捉数据的超强能力。新一代技术完全抛弃了构造有经济学意义的模型和理论，而是结合计算机科学、物理学、数学、人工智能等跨学科前沿技术，开发出新的金融科技“软件”，进一步发展了美国金融“第二部类”中已有的衍生品。这一新趋势不仅催生了新兴的混业经营垄断寡头，还在理论上试图掩盖寡头用科技“新瓶”装次贷危机“旧酒”的本质。
在某种程度上来说，新的金融风险的出现和积累，是主流金融理论落后于时代的必然结果。金融理论的滞后，也导致了在这条赛道上监管总是落后市场的发展。
例如，量化交易集合了从超快通信基础设施到大数据、人工智能在内的金融科技硬件和软件，把监管抛在身后。在2015年中国股市惊人的大起大落之中，监管层发现了量化交易的身影，并及时进行了管理。但是，市场与舆论对此却有异议。有观点认为，量化交易在形式上并不违法，它符合主流金融理论的“套利交易”原则，仅仅是以极高的速度买进卖出，通过计算机数据分析预判其他人的下一步交易，并抢先一步执行。这不但不会加剧波动，还应该是市场的稳定器。最终，在对股市异常波动的处理过程中，监管层在对量化交易进行了调查后，并没有全面禁止这一交易模式。这一事例表明，没有相应的金融理论，就难以对新兴的金融工具实施事前和事中的监管，而只能在潜在的风险转化为现实损害的时候进行事后追责。
当前，中国的金融监管面临着诸多挑战。一方面，主流金融理论预设下的自由化“行为规范”，无法切实保护广大消费者利益；另一方面，我们既无法和跨国金融资本竞争话语权，又面对国内金融科技行业的新实践（如股票“配资”交易、“数字货币”、“P2P”金融）提出的各种各样的监管难题。2020年10月，马云在一次公开演讲中指出，蚂蚁金服能在解决中小企业贷款难问题的同时，利用数字信息技术很好地避免系统性金融风险。同样，由于缺乏对于金融科技的理论认识，监管部门也只能从保护消费者等宏观层面强调监管的重要性。监管部门强调的“零容忍”“终身责任制”，实质上也只是强调了监管的裁量权，但在技术上，我们目前还比较缺乏面对金融科技可操作的监管措施。在治理策略上，中国目前是以“金融服务实体经济”和“防范系统性金融风险”的“实效监管”作为目标，这已经远强于欧美只看交易合规性的“程序监管”；但是，如果我们没有对于新的系统性风险的充分认识，仅依靠实效监管，即使有无穷大的自由裁量权，实际上可能还是很难消除金融科技制造的系统性隐患。
要走出这一局面，一是在理论上应该超越西方主流均衡经济学范式，摆脱对美国金融路线的模仿；二是应建立新的试错机制，用以发展新形势下能达到既定目标且安全自主可控的金融体系。两个措施应不分先后、一起推进。我们首先需要明确：美式“金融创新”没有经验，只有教训；同时，金融监管的导向应从过去的促进市场效率和防范风险，向提高金融宏观效能转变。
▍数字技术的祛魅：内生不稳定的非线性黑箱
由于超级计算机和超快通信网络的普及，到目前为止，数字科技的“创新”实际上属于数据统计分析方法的升级。目前数据统计的方法有两种。一种是以“火箭科学”的高深数学进行数据统计。2008年的次贷危机，已经证明滥用数据模型的衍生品会带来灾难性后果。但是，这种方法由于它是基于有公式的模型，实际上还是可以解释分析的。而数字科技采用的数据分析办法则是人类很难分析的。在次贷衍生品出现问题后，人们发现真实世界的风险是广泛联系的非线性动态，是比天气更复杂的非线性不稳定系统。但这个直观认识不能转化为实际可操作的技术方法。这时候数字科技提供了另一种数据分析方法：引入非线性，但放弃任何理论解释的余地，把一切交给算法。
大数据和人工智能的本质在于：大量数据之间的相关性过于复杂，是非线性的网络结构，数据间可能的相关性无法通过人类可认知的模型方法给出，只能依靠算法自动评估。当数字科技应用于金融领域时，它就不再尝试传统金融学构造的定价和交易模型，而是直接使用“机器学习”的方法：用数据对算法进行“训练”。这一过程仅把历史数据和历史结果投喂给算法，由计算机自行判断如何给出结论。对人而言，这个过程是不可解释的黑箱操作，经由黑箱导出的结果也没有判定标准：人们无法判断结果不一致的时候是有个别地方出错了，还是系统结构发生了变化。为使结果有意义，人工智能只能事先假设系统是稳定的。但非线性系统往往本身是不稳定的，系统处于不间断的变化发展中；即使是静态的非线性系统，也有不稳定的多均衡存在。这就说明，人工智能基于历史数据得出的结果不一定适用于未来，也不一定能反映当下实际情况。在假设系统是静态的情况下如何能描述系统的动态？这是数字技术应用于金融领域时面临的基本逻辑矛盾。
实际上，大数据“黑箱化”的数学理论完成于上世纪，不但早于次贷危机，更早于互联网泡沫，甚至都称不上“新瓶”。次贷危机前，美国人用以衡量风险的数据量一点不比现在少，并且也有经济学理论模型背书。但由于衍生品过于复杂，已经没有人能准确地研判真实的风险究竟有多大了。如今，统计的数学模型比次贷危机时又有了一些迭代发展，数据量也更大了，但海量数据反而将系统性金融风险的苗头藏得更深，比次贷危机更难观察到。
此次数字金融创新实际面临着和次贷衍生品一样的问题。主流经济学的一般均衡模型要成立，必须预设系统是自发稳定的，当中的任何波动都被假设为外生的白噪声。但在实际情况中，系统性危机的风险往往不是外力所致，而是在“和平时期”不断积累的。金融科技基于“和平时期”的统计数据，寻找危机爆发和市场突变原因的能力为0。没有理论的指导，大量的个体数据只会淹没宏观的异常现象。危机爆发的过程是非稳态的；而数据越多，总体看起来就越像一个稳态分布。因此从基础理论上看，数字科技在金融领域的应用，直接继承了次贷危机衍生品的方法论，仍然以一般均衡作为基础假设，区别只是“机器学习”的方法没有能够显式表达的模型。
具体而言，人工智能对系统性金融风险的盲目性主要表现在两个方面：第一，不能识别大量数据中静态的宏观结构，而只是用黑箱模拟稳定的相关性，这就导致即使是最小的系统结构微调，数字科技也发现不了；第二，基于对结构的盲目性，数字科技激励金融投机和庞氏骗局，扩大不稳定结构的变动并增加突变风险，这是系统金融风险的最主要特征，会引发“蝴蝶效应”式的正反馈。
更致命的是，数字科技会主动制造自己无法识别的宏观结构变化，造成系统不稳定性。这在金融市场中有最直观的例子，即前面提到的量化交易。量化交易不过是“微秒级的胜利”，可它却用一般均衡的概念自我辩解：如果市场是自我稳定的，那么量化交易抢先交易就会加速价格向均衡点回归。但是，量化交易特别容易引发跟风交易的羊群效应，追加买单/卖单和价格的上涨/下跌经常互为因果，这是典型的正反馈交易，是超高速的“追涨杀跌”。数字科技无法识别自己造成的结构破坏，导致连数字技术的所有者本人也会被反噬。例如，在2013年发生的“光大乌龙指事件”中，光大证券交易员误下指令，产生了两百多亿元的买单并由量化交易系统自动执行，下单时间不足5毫秒，突破了所有人工和系统的防范；经由其他交易者的跟风放大，结果造成指数瞬间大涨超5%。2015年股市的异常波动中，量化交易高频做空股指期货，加剧了抛售的正反馈动力学，加速系统的结构突变，造成暴跌的正反馈。高频交易从业者也承认，当市场出现正反馈时，量化交易如果恰好和正反馈同方向就挣大钱，反之就巨额亏损。量化交易系统绝不能防范系统性风险的出现。
因此，数字技术的反稳定革命实际上是人的问题：从业人员充分利用了上述两个特征，用大量数据和算法黑箱包藏本来就难以识别的系统不稳定性，在这种情况下监管就是被动且滞后的。
欢迎订阅《文化纵横》6月新刊
▍从“*捕食”到“*扶持”：规范新兴混业经营寡头
从历史上看，不同国家在各个时期的金融创新在金融操作层面是一致的，区别在于新技术的引入使这些创新的影响不断增大。
金融科技*的重要“创新”，就是混业经营的金融科技垄断寡头。混业经营使得它们更易介入居民的生活场景，更易发放高利贷、制造衍生品，实际上是给金融系统整体加杠杆。例如，网络电商平台通过支付、贷款、购物一体化，打通了居民从高利贷到超前消费、*消费的全通道，侵占衣食住行所有生活场景——甚至连几十块钱的账单，也鼓动消费者分期。
形成这样的商业模式主要是因为这些互联网金融平台前期为达成垄断投入了太多推广费用，这些费用一般来自私募股权市场的融资。出资人会要求平台迅速实现账面收益以便上市，进而获取股价上涨带来的超额收益。对于这样的商业模式来说，贷款给中小企业获取长期收益太慢了，只能依靠透支消费者的未来收入以实现最快的资金回笼。
*识别个体微观风险是这一金融创意的招牌。尽管大数据和人工智能技术号称能够基于历史数据*识别个人的风险特征，但平台利用垄断地位在宏观上增加了超前消费和高利贷总规模，这一会影响宏观系统的行为，本身就破坏了先前微观风险识别结果的真实性。不仅如此，金融科技寡头也无法识别其他主体制造的系统不稳定性。例如，最近“爆雷”的长租公寓通过高价收房、低价放租，迫使租客借租金贷整付租金给平台，平台再分期交付房东租金的形式，构造资金池，进行庞氏融资扩张，正是利用了科技制造金融骗局的能力。这些房主和租客同时也是其他电商平台的用户，而电商的大数据却不能发现这一结构性冲击蕴含的系统性风险。
我们可以看到的是，人工智能系统得到的数据是从前居民不怎么借高利贷，还款能力很强，结果各个平台争相给居民发放高利贷，且各个平台并不知道居民借了竞争对手的高利贷。蕴藏其中的风险不仅影响人工智能的微观风险识别，宏观上也造成了规模急速扩大又可能急速破灭的泡沫循环。在这种情况下，强调科技拓展普惠金融、提高技术可靠性、完善数据标准，没有什么根本帮助。从P2P金融，到租金贷、电商平台消费贷，这一轮数字金融创新既有庞氏骗局去中心化的游击战，又有混业经营平台全面侵入居民生活场景的产品集，俨然是个蜂群，如水银泻地无孔不入。蜂群中的任何一个产品，都能单独膨胀成美国次贷那样的大象，其系统性金融风险不可低估。
既然金融科技不能自发控制自身行为导致的系统变化，那么金融科技就应该成为严厉限制的对象吗？关键在于在理论上认清监管业务合规性的难度。由于数字技术的独特性，即使监管部门使用和金融寡头一样的数据和算法，也发现不了人工智能的问题。因此，要对数字技术进行监管，必须以相关理论指导下的非线性和非稳态模型进行系统性金融危机的预警，这样做起码可以做到提前一个季度发现系统性金融风险的信号。与此同时，在理论上我们也要辨明，不同的商业模式可以将系统变化导向不同方向。现阶段，规范商业模式可能比监管业务合规性更有效。
稳定只是底线要求。如果数字技术在金融领域运用得当，也能推动经济的长期发展。
从现象上看，如今互联网金融平台热衷于发放小额消费性高利贷，其策略是“*捕食”。“*捕食”策略就是*识别消费者能承担的*商品价格和*贷款利息的“大数据杀熟”，这种策略在短期内能带来高利润，帮助企业快速实现资金回笼，长期来看却积累了系统性金融风险，并降低了经济增长潜力。
未来，大平台的数字科技应该着力应用于*识别、扶持风险小、有前景的企业，向它们提供不需抵押的低息贷款，降低其融资成本，如此才可能带来长期增长的高收益。消费透支的“*捕食”易导向长期系统性金融风险，而企业融资的“*扶持”则可以增强系统耐冲击能力，并逐步导向长期高利润。当然，由于两种商业模式的短期利润差别巨大，还需要政府充分发挥自身作用，推动金融科技转向*扶持中小企业。在具体操作上，还是应采取分区实验、综合评估的方式，调整监管的形式。央行、财政部、发改委等部门和监管部门协商划定分区实验的范围和容错度，在此范围内允许实行不同商业模式的金融科技企业进行竞争，对在实践中有效的商业模式，逐步推广，真正落实金融服务于实体经济的发展导向。
本文原载《文化纵横》2021年第1期，原题为《金融科技的辩证法：微观精确和宏观风险的平衡之道》。欢迎个人分享，媒体转载请联系版权方。
今日山西汾酒（600809）涨5.52%，收盘报319.5元。
2022年4月28日，浙商证券研究员杨骥,张潇倩发布了对山西汾酒的研报《山西汾酒21年&22Q1经营数据点评：21年圆满收官，22Q1迎开门红》，该研报对山西汾酒给出“买入”评级。研报中预计 2022-2024 年收入增速分别为35.6%、 31.7%、 29.0%；归母净利润增速分别为46.7%、 38.4%、31.7%； EPS 分别为 6.4、 8.8、 11.6 元/股； PE 分别为 40、 29、 22 倍。长期看业绩成长性强，当前估值具有性价比， 维持买入评级。证券之星数据中心根据近三年发布的研报数据计算，该研报作者对此股的盈利预测准确度为98.84%。
此外，东莞证券研究员魏红梅,黄冬祎，民生证券研究员王言海,姚启璠近期也对该股发布了研报，同样给出“买入”评级。
证券之星数据中心计算显示，对该股盈利预测较准的分析师团队为中信建投证券的张立。
山西汾酒（600809）个股
左图：9.1的微博热搜截图；右图：9.2的微博热搜截图
9月1日，千亿科技股TCL惊现“乌龙指”事件，公司第一大股东李东生因所委托的交易服务人员把证券代码输入错误导致卖出TCL科技（000100.SZ）股票500万股，后在收盘前紧急买回。这短时间的一买一卖，让TCL科技集团“净赚”14万元。不得不说，TCL的“乌龙指”是“金手指”啊！事件一经曝光，相关话题连续两天火上微博热搜。
暂且不论是有意为之还是无心之失，“乌龙指”却在交易市场时有发生。跟着小编，一起细数那些年我们遭遇过的“乌龙指”事件吧！
中国股市“乌龙指”鼻祖——广州广船
图源：南方都市报——广州广船国际股份有限公司
1994年1月26日上午9时，沪市行情显示屏上的广州广船股票跳出20元的开盘价，较之前收盘时的6.58元，升幅竟达203.95%。上证所发现情况异常后及时暂时停止交易，但当时共计约有81万股广州广船股票在集合竞价过程中以20元的价格成交。
事后查悉，因广州广船的一名大户透支购入大量股票，为避免公司巨额流失，私下指使南方某证券公司红马甲徐某，每天在开盘前将需锁定的数百万股以不可能成交的高价卖出。却不料徐某误将第9笔81万余股的卖出打成了买入，造成所在证券公司损失1200余万元，徐某也因玩忽职守罪被送上公堂。这是中国证券史上有记录的第一个“乌龙指”事件。
中国A股市场*的乌龙事件——8·16光大证券乌龙指事件
图源：光大证券官网logo
2013年8月16日11点05分，上证指数出现大幅拉升大盘一分钟内涨超5%。*涨幅5.62%，指数*报2198.85点，盘中逼近2200点，50多只权重股触及涨停。11点44分上交所称系统运行正常。下午2点，光大证券公告称策略投资部门自营业务在使用其独立的套利系统时出现问题。
后查明，当天异动的主要原因是光大证券自营账户巨额买入。而乌龙事件的发生，还引发了一场历经4年才能落槌的交易案件。2013年8月18日下午，证监会对光大证券正式立案调查，并表示，此案是一例涉及ETF及股指期货的新型内幕交易案件。光大证券内幕交易案当事人之一杨剑波，在历经一审、二审、再审听证后，提起的再审申请被*检驳回。
案件最后造成光大证券直接或间接损失超80亿元，堪称A股最贵“乌龙指”。“乌龙指”事件直接责任人、策略投资部负责人杨剑波被暂停职务，并协助监管部门调查。光大证券“缺陷”订单执行系统供应商上海铭创软件技术有限公司关闭官网。
两次触发熔断机制的“乌龙指”：上证50ETF
2015年02月11日13时03分12秒，50ETF购4月2400合约出现一笔30张的卖单，成交价格0.001元，较昨收盘0.1125元跌去99.11%，此前一笔交易价为0.1006元。该合约随后即拉起，这意味着这张期权的买方立即获利100倍。同样的时间，50ETF购4月2450合约也出现20笔单子，成交价格0.001元，此前一笔成交价为0.0808元，该价格也马上恢复正常。
当晚，上证所回应称，造成这两次触发熔断的原因是做市商的中信证券在午间调整报价参数导致大幅偏离理论价值的报单所致：其一，13时3分10秒至12秒，中信证券对50ETF购4月2400合约申报12笔卖单，申报价格从0.001元到0.0014元(其中0.001元的卖单6笔)，每笔10张，共120张，成交的100张中，90张成交价格在0.0988元与0.1024元之间，最后10张成交价格为0.001元，触发了熔断机制。其二，中信证券对50ETF购4月2450合约以0.001元价格申报11笔卖单，每笔10张，共110张，成交的80张中，76张成交价格在0.0798元价格与0.0828元之间，最后4张成交价格为0.001元，触发了熔断机制。
在减持期间现“乌龙指”——渝三峡A
2019年8月，公司在减持北陆药业股份的过程中工作人员操作失误，将“卖出”操作成“买入”，虽发现问题及时撤单，但仍错误买入4500股。因为这次“乌龙指”，渝三峡A提前终止了对北陆药业的减持计划。
“乌龙指”事件在交易市场时有发生，但并不是每一次都能像TCL科技集团的“乌龙指”事件可以“变现”，更多的是要为市场付出沉重代价，连累公司被告上法庭，甚至于提前终止减持计划等。“乌龙指”*属于失误操作，如果遇上真的会让人崩溃，不管对持股方还是股民，波及范围都很大。
声明：本文系YZC研究分享，未经许可，。
1.量化投资及其发展概述
1.1量化投资概念及特点
量化投资是指将投资者的投资思想或理念转化为数学模型，或者利用模型对于真实世界的情况进行模拟进而判断市场行为或趋势，并交由计算机进行具体的投资决策和实施的过程。量化投资具有以下特点：1. 投资决策中能够客观理性，克服人类心理对投资决策的影响。 2. 能够通过海量信息的大数据处理，提高投资决策效率。 3. 能够实现*投资。4. 能够快速反应和决策，把握市场稍纵即逝的机会。 5. 能够有效地控制风险，获取较为稳定的收益。
1.2量化投资国内外发展概述
国外量化投资实践的发展：
量化投资在国外的发展已经经历了四个发展阶段：
1.第一阶段从1949 年至1968 年：对冲阶段。该阶段是量化投资的萌芽阶段，该阶段具体的量化投资实践很少，主要是为量化投资提供的理论基础和技术准备。
2.第二阶段从1969 年至1974 年：杠杆阶段。在该阶段，量化投资从理论走入了实践。实践方面， 1969 年，前美国麻省理工学院数学系教授爱德华·索普（Ed Thorp）开办了第一个量化对冲基金，进行可转债套利，他是最早的量化投资的者使用者。1971 年，巴莱克国际投资公司（BGI）发行了世界上第一只被动量化基金，标志着量化投资的真正开始。
3.第三阶段从1975 年至2000 年：多策略阶段。在这一阶段，虽有一定的挫折，但总体上量化投资得到了平稳的发展。实践方面，1977 年，美国的富国银行指数化跟踪了纽约交易所的1500 只股票，成立了一只指数化基金，开启了数量化投资的新纪元。1998 年，据统计共有21 只量化投资基金管理着80 亿美元规模的资产。
4.第四阶段从2000 年至今：量化投资阶段。这一阶段，量化投资得到了迅猛的发展，并且发展的速度越来越快。投资思路上，运用量化工具，策略模型化，注重风险管理。在实践方面，在2008 年全球金融危机以前，全球对冲基金的规模由2000 年的3350 亿美元在短短的7 年时间内上升至危机发生前的1. 95 万亿美元，受美国次贷危机的影响全球对冲基金规模有较大的回落，直到2008 年之后，在全球经济复苏的大背景下对冲基金规模才开始反弹。
国内量化投资实践的发展：
到目前为止，我国量化投资的发展的主要经历了三个阶段：
1.第一阶段从2004 年至2010 年：起步阶段。在这一阶段，由于我国没有足够的金融工具，量化投资在我国发展缓慢。2004 年8 月，光大保德信发行“光大保德信量化股票”，该基金借鉴了外方股东量化投资管理理念，这是我国最早的涉足量化投资的产品。2010 年4月16 日，准备多年的沪深300 股指期货的在中金所的上市，为许多对冲基金的产品提供了对冲工具，从此改变了以前我证券市场只能单边进行做多的情况。
2.第二阶段从2011 年至2013 年：成长阶段。2011 年，被认为是我国量化对冲基金元年，而随着股指期货、融资融券、ETF 和分级基金的丰富和发展，券商资管、信托、基金专户和有限合伙制的量化对冲产品的发行不断出现，这个阶段的量化投资真正意义上开始发展，促使该阶段发展的直接原因就是股指期货的出现。
3.第三阶段从2014 年至今：迅猛发展阶段。2014 年被认为是“值得载入我国私募基金史册的一年”，基金业协会推行私募基金管理人和产品的登记备案制，推动了私募基金的全面阳光化，加速了私募基金产品的发行，其中包括量化对冲型私募产品。2014 年称得上我国量化对冲产品增长最迅速的一年，以私募基金为代表的各类机构在量化对冲产品上的规模均有很大的发展，部分金融机构全年销售的量化对冲基金规模超过了百亿。
2.量化投资的风险
2.1量化投资带来的风险
量化投资在面临传统投资所要面临的风险基础上，还会面临一些特殊的风险：
1．技术风险。量化投资对计算机设备和技术的依赖性非常高。通常而言，硬件带来的风险比较小，而软件往往比较脆弱，因而技术风险主要来源于软件。软件设计的一个小缺陷都有可能导致整个程序化交易策略失效，从而带来风险和波动。
2．策略模型风险。在现有的量化投资策略中，设计者往往采用许多复杂的、深奥的策略模型，但是对模型本身的缺陷却缺乏充分认知。同时，市场上各主要机构投资者采用的套利策略模型同质化趋向明显。当出现相同的交易信号时，往往导致“助涨杀跌”，加大系统性风险。
3．操作风险。在操作层面上，部分机构为了赚取超额收益，可能会放弃稳定的模型，冒险采用稳定性较低的量化策略模型。同时，模型使用者的水平良莠不齐，对模型不熟悉的操作者容易出现操作失误，甚至酝酿出更大的风险。
2.2风险案例——2013年光大证券“乌龙指”事件
2013年8月16日11点05分上证指数出现大幅拉升大盘一分钟内涨超5%。*涨幅5.62%，指数*报2198.85点，盘中逼近2200点。11点44分上交所称系统运行正常。下午2点，光大证券公告称策略投资部门自营业务在使用其独立的套利系统时出现问题。有媒体将此次事件称为"光大证券乌龙指事件"。
触发原因是系统缺陷。
策略投资部使用的套利策略系统出现了问题，该系统包含订单生成系统和订单执行系统两个部分。核查中发现，订单执行系统针对高频交易在市价委托时，对可用资金额度未能进行有效校验控制，而订单生成系统存在的缺陷，会导致特定情况下生成预期外的订单。
由于订单生成系统存在的缺陷，导致在11时05分08秒之后的2秒内，瞬间重复生成26082笔预期外的市价委托订单;由于订单执行系统存在的缺陷，上述预期外的巨量市价委托订单被直接发送至交易所。
问题出自系统的订单重下功能，具体错误是:11点2分时，第三次180ETF套利下单，交易员发现有24个个股申报不成功，就想使用“重下”的新功能，于是程序员在旁边指导着操作了一番，没想到这个功能没实盘验证过，程序把买入24个成分股，写成了买入24组180ETF成分股，结果生成巨量订单。
3.量化投资风险管理——基于光大“乌龙指”事件的思考
1．建立完善的算法报备制度。应要求各市场机构的量化投资部门将高频策略的算法信息向交易所、监管部门报备，具体应包括算法策略、合规风控情况、系统测试细节等，以消除监管机构和市场机构之间的信息不对称性，使监管机构能够有效进行事前与事后监督，控制市场风险。
2．交易所加强对异常情况的监控并及时响应。交易所开发更先进的监控系统，进行跨市场违规预警，实时同步监控期现货市场、内外盘市场；对量化投资的交易量、交易频率和买卖指令等进行监控，并在高频交易对市场产生重大异常影响时提供及时的反馈；预警并视情况决定是否暂停交易，并能够关注、提醒或限制某些账户的交易。另外，监管部门也设置该系统的客户端，一旦发生异常情况，能够接收到系统的报警并实施同步追踪，并及时触发应急处置机制。
3．设置订单*存续时间。程序化交易可以自动将一个大单拆分成多笔小单，这些订单不一定都能成交。一些市场操纵者往往进行频繁申报、频繁撤单，以制造股票成交活跃的假象，吸引其他投资者跟进买入，从而达到操纵股价并牟利的目的。因此，建议规定订单在下单后的某个给定时间内（比如200 毫秒）不允许撤单。
今天的内容先分享到这里了，读完本文《光大证券乌龙指事件》之后，是否是您想找的答案呢？想要了解更多光大证券乌龙指事件、山西汾酒股票怎么样相关的财经新闻请继续关注本站，是给小编*的鼓励。
