[DOI]10.13939/ki.zgsc.2017.02.201
1 量化投资综述
在经历1998年俄罗斯债券危机、高科技股泡沫的破裂c2008年席卷全美的次贷危机之后，Robertson关闭了经营多年的Tiger Fund，Meriwether掌管的Long Term Capital Management濒临破产，Soros旗下的QuantumFund资产缩水，与此同时Simons管理的以“量化投资”为主要理念的Medallion却凭借自1989年成立以来35%的年平均收益率被誉为最成功的对冲基金。自20世纪末金融领域逐渐显露与数学、计算机技术和经济相互融合的趋势，量化投资成为这一综合性领域紧密结合的代表产物。
1.1 概念
量化投资是指以股票价格、日成交量、日成交额等大量投资相关数据为样本，通过数量化方式建立合适的数学模型与公式，运用计算机技术编写高效程序，研究分析金融产品未来收益与风险，判断各种行情走势发生概率，程序化发出买卖指令实现投资交易。相较于传统的技术分析和以公司经营状况为基础的基本面分析，量化投资是基于大量数据的市场分析，所得决策更加科学系统有效；可以在秒级时间快速完成多个金融产品组合交易，意味着更多交易机会带来更好概率显著性获得更高收益；而纯程序做出的决策可以避免交易者心理因素对决策不理性影响。
1.2 内容和方法
量化投资是主要内容包括需要考虑到投资市场、产品、分配在内等总体投资方向的量化策略，究竟是主动预测还是事件驱动式的交易策略，需要根据行业选择进而策略组合构建的资产配置，通过计算机程序实现的交易执行，可在投资组合亏损时自动止损平仓的风险管理这几个涵盖二级市场投资交易的全过程内容。
具体来看可以拆分为可运用公司估值法、资金法和趋势法，根据既定的大量数据指标组合判断某产品是否值得投资的量化选股；属于量化投资核心且较难的，需要建立一定误差内的模型预测未来二级市场的量化择时；对于恢复市场价格、增强流动性、抑制投机起到重要作用，利用股指期货对应股票现货价差实现交易获利的股指期货套利行为；利用商品价格波动到价差的回归性这部分价格回归区间，扭曲价差稳定收益的商品期货套利，但要运用科学数统模型分析才能有效预测把握最佳套利时机；可利用历史有价证券价格数据分析，得出的价格规律进行统计套利；同时买卖某一相关期权的，价格不同或到期日期不同的看涨或看跌两种相反合约，在到期日通过对冲获利的期权套利；完全依据预设指标由程序发出指令决定交易的时间、价格、方向和数量的算法交易；投资组合中各类资产的市场配置以及对这类混合资产进行实施管理。[1]
2 量化投资发展
2.1 国外量化投资兴起
1973年的石油危机带给美国证券市场的崩盘，带给传统证券经理人对其投资方法与思路的反思；20世纪80年代起期权期货等金融衍生品种类的丰富与交易体量上升。国外监管放松促进了算法交易、高频交易等发展，允许股票多地交易，一系列监管方面改变迎合了量化投资交易的飞速发展。量化投资的技术要求远超于传统投资，拥有交易技术在量化交易中占据重要地位，国外交易已进入微秒级时代；高频交易方式在全球范围内迅猛发展，却需要修正管控稳定市场等显著特点。
2.2 国内量化投资表现
人民币在国际化进程中表现出强劲的势头吸引海内外投资者新一轮的追求，科学系统化管理手段在金融领域受重视程度提升，国内越来越完善的金融工具与体系的发展是市场需求本土化的突出表现；2013年开始证监会与相关机构不断面向社会公开征求意见，不断放松对券商资管行业监督，量化投资借监管改革东风驶入“快车道”。量化投资在国际上良好的业绩和国内相对低廉的管理费用在市场中引起消费者的关注，但总体表现仍有待观察，我国量化投资整体收益水平偏低，产品间经营业绩差距较大、二八分化现象存在，且大多数产品很难收获高收益。
3 量化投资交易策略
3.1 交易策略
量化投资的交易策略包罗丰富，有利用分析工具判断走势确定方向，通过金融产品的高抛低收获益的量化择时策略，也是收益率极高的投资交易策略，其中较为著名的趋势跟踪策略以极高的收益率最多被投资人使用；有利用统计学思路和方法在对历史数据的统计分析之上结合基本面数据估计变量的分布概率指导交易的统计套利策略；有通过交易量加权平均价格、时间加权平均价格、盯住盘口策略、执行落差策略和下单路径优选策略等下单方法，将大额交易拆分减少对市场的价格冲击降低交易成本。
每当某只股票向上或者向下突破了重要压力位后的下一波趋势到来很大概率会伴随更大行情，寻找到这段趋势并跟随在其突破时相应操作获利就是趋势跟踪策略的基本步骤；这一策略由其方法理念简单存在广泛应用，经典的海龟交易法则即是顺应市场变化捕捉市场趋势交易获利；而其盈利能力大小主要由选择交易频率、确定目标历史数据、确定指标触发阀值和严格止损风控这四方面决定。[2]
市场中的产品处于某些特定情形下，部分内幕交易者会发出异常信息干扰交易市场；理论上的噪声交易是指交易者在缺乏正确信息的情况下密集进行的交易行为，因其并不是理性决策的交易故称之为噪声；机构投资者可以通过对市场噪声交易指数的分析并监测变化，提前抓住价格回归价值信息实现获利。
还有统计套利中拥有坚实理论基础的协整套利，通过对几对相关性最好的交易产品间长期均衡关系分析，在每队价差较大时、建仓价差回归时平仓实现盈利；多因素回归策略中投资交易的多种选择因素间相关性影响收益，通过多元回归分析定义的影响因素，选股建立投资组合，凭借搭建模型简化投资组合分析实现程序化决策。
3.2 策略组合
相对于单一策略在量化投资中的运用，从交易商品与策略类别、数量、时间周期等多维度建立的量化投资策略组合进行交易，具有把握机会、稳定收益、分散风险等优势；降低对具体某一策略依赖程度，多维度挖掘投资产品的各项指标，降低单一策略交易风险。
3.3 策略评价
对于量化投资策略评价一方面可以通过度量指标完成。根据以投资策略在交易中扣除成本和亏损后净获利金额的净利润，代表交易期间投资盈亏状况通过百分比表现的净值比例，变现交易频繁程度及手续费情况包含盈利和亏损的交易次数，将投资收益率按照时长折算为年度计量单位的年化收益率等体现交易收益情况的度量指标；以选定周期内产品净值走到最低点时收益率回撤幅度最大值，反映单位收益超过无风险收益率程度的夏普指数，用以度量投资产品相对总体市场波动性的β系数等体现风险承受能力的度量指标共同描述。另一方面也可以通过业绩评估，综合考虑投资业绩变现，包括资金收益的来源和其他要素对收益变化影响背后的原因，运用绩效评估和管理能力评估模型检验手段，对资产结果做一个全面的评价。
4 总结与展望
量化投资对于现今国内乃至全球的金融市场，既是传统投资交易形式发展至今顺应市场需求与科技进步的创新与衍生却也只是悠远传承中的一例注脚会被更理解人性的投资策略逐渐取代。本文对于量化投资的研究尚浅，既是探索量化投资策略与应用，也是希望了解金融行业投资交易领域交易策略的演变，并保持学术先进性跟紧行业发展方向。
1量化投资简介
1.1基本概念
量化投资是一种借助于计算机高效计算程序进行复杂运算，以金融产品未来收益与风险为研究对象的新型投资方式。量化投资的基础是以股票价格、日成交额等大数据库数据为参考样本数据并建立数学模型，运用仿真分析及迭代方法不断修正数学模型，直到数学模型可以用来预测指导投资交易。任何一个投资的方案或者设想，都可以为它设计一个数学模型，然后借助大数据库的现有数据进行迭代法测试分析，以此来判别数学模型的有效性。传统投资方式基本上是对传统的技术分析和公司的经营状态基本分析，存在一定的局限性；相比之下量化投资分析是基于对大数据市场数据的，数据样本空间容量足够大，而且可以快速进行运算并排除投资者个人心理因素的主观影响，科学性和时效性更强。此外，量化投资是一种主动性的投资方式，在进行数学模型选择、自变量选取、数学模型的验算迭代都是投资行为的主动部分。
1.2交易内容及方法
量化投资交易的内容主要是量化策略以及交易策略，在制定交易策略时必须立足于投资市场、投资产品以及分配在内等。具体交易平台则是靠以计算机计算程序为基础的线上交易平台系统。进行量化投资交易时通常会遇到各种较为复杂的情况，但是基本前提都是要依据现有的既定的大量数据库数据，灵活采用各种方法来判断投资对象是否值得投资。总体来说，量化投资有估值法、资金法和趋势法三种。
2量化投资现状
从理论上来说，每个量化投资者的决策行为可以被同化为理性预期、风险规避、严格效用基本一致的理想化模型。然而现实情况中每个人的心理活动、出发点、知识水平等都存在差异，进行量化投资时人们作出的决策也存在差异。人的非理性行为与理性行为都是客观存在的，而且非理性行为对理性行为也存在着一定的影响，因此投资人在进行投资决策时并不能完全理性地进行选择。综上所述，非理性人的客观存在使投资人在进行投资决策时不能完全忽视个人的心理因素。既然个人的心理因素无法排除，那么在建立决策分析数学模型时，就应该把个人的心理因素考虑在内。当前我国国内量化投资有以下几个特点：(1)个人投资者占总投资者的比例很高。上文已经提到投资者个人的非理性客观存在且不可避免，那么众多量化投资者的非理性因素间接影响我国量化投资市场。(2)我国的量化投资市场虽然发展迅速但仍不成熟。与美国及欧洲发达国家相比，我国量化投资市场只能是一个新兴的市场，直接表现在各方面的信息不完整且难以搜集，一些基础数据我们只能自己想方设法地去开发获取。(3)量化投资行业的企业构成比较复杂。目前我国量化投资行业的企业种类比较多，跨越众多不同的领域。加上我国量化投资市场还处于新生期，市场不稳定信息变化较快，因此量化投资行业的可用层面指标数目非常少且指标数值经常变化。当前我国量化投资者正是依据当前行业的特点，从不同的层面和角度验证分析，建立泡沫型数学分析模型，才能获得巨大的利润。(4)量化投资策略研究落后。通过把我国量化投资策略与美国及西方发达国家的量化投资策略进行对比，发现我国现有的量化投资策略严重落后。国外的量化策略研究是在大量的事件、数据积累分析的基础上，脚踏实地潜心研究总结出来的。现阶段我国量化策略研究多是借用国外的策略，结合国内的量化投资行业的实际现状进行修正得来的。当前我们还缺少指导量化投资行业的专家、指导著作，为此我国国内的一些高等院校开始着手量化投资策略的研究并取得了初步的成效。
3量化投资优势
量化投资是在定性投资基础上进行继承和延伸的一种主动投资工具。定性投资的核心是对宏观经济和市场基本面进行深入的分析，再加上实地调研上市公司以及与上市公司的管理层进行经验交流，最终把调研结果整理成专题报告，把报告作为决策依据。不难看出定性投资带有很大的个人主观判断性，它完全依赖于投资经理个人经验以及对市场的认知。量化投资在调研层面与定性投资相同，区别在于量化投资更加注重数据库大数据，运用各种方法发现运用大数据所体现出来的有用信息，寻找更优化的投资方式以获得大额收益，完全避免了投资经理个人的主观臆断和心理因素，更加科学合理。综上所述，与定性投资相比，量化投资具有以下优势。
3.1投资方式更加理性
量化投资是采用统计数学与计算机建模分析技术，以行业大数据库为参考，取代了个人主观判断和心理因素的科学客观投资方法。很明显，行业大数据的样本容量已远远高于有限的对上市公司调研所形成的样本容量；在进行投资决策时，把决策过程科学化数量化可以最大程度的减少投资者决策时个人情感等心理因素对决策结果的影响，从而避免了错误的选择方向。
3.2覆盖范围大效率高
得益于因特网的广泛实施应用，与各行各业的运行数据都可以录入大数据系统形成体量巨大的数据库；得益于计算机行业云时代到来对计算分析速度的革命性变革，在极短的时间内就可以得到多种量化投资的投资方法。定性投资方式进行决策时，由于决策人的精力和专业水平都存在一定的局限性，自然其考虑投资的范围要远远低于电脑决策，二者根本没有可比性。综上所述，虽然与定性投资相比，量化投资具有明显的优势，但是二者的目的是相同的，都以获得最大收益为目的，多少情况量化投资与定型投资可以互相补充，搭配使用会起到意想不到的效果。
4量化投资的劣势
上文已经提到量化投资的决策过程依赖于大数据库以及计算机分析系统的科学决策，因此只要投资思想正确量化投资就不会出现错误。然而即使是投资思想及决策过程都没有问题，也不意味着量化投资完美无缺。量化投资本质上是对某一特定基准面的分析，事实上基准面有时范围过小，纵然决策过程合理化、无偏差，量化投资也存在一定的局限性。量化投资的另一特点是进行考察决策时覆盖的市场面非常广泛，在当前国民经济快速发展的时代，人们对市场的认知难免出现盲区或者对某一个局部了解不充分的现象，此种情况下量化投资的正确性就很难保证。
4.1形成交易的一致性
基于量化投资的低风险特性，人们更多地依赖于采用大数据云分析平台进行决策，如此大家对某一行业的市场认知以及投资决策水平就处在同一认知层次上，当遇到极端的市场行情时，人们作出的交易决策往往一致，即容易达成交易的一致性。例如期货行业以及股票行业，在市场行情动荡的特殊时期，人们往往选择在同一时机抛出股票或者期货，这种大规模的一次性抛盘则会造成在预期抛售价格基础上的剧烈波动，导致投资者的实际收益在一定程度上低于预期收益。此种情形下又会引起新一轮投资恐慌，不利于市场的稳定发展。
4.2指标钝化和失效
近年来，Smit（2004）基于战略规划与控制审视投资决策问题，认为投资决策不仅意味着等待期权的损失，而且是对未来发展期权获取的潜在回报。等待期权的价值随着不完全竞争和战略投资的影响而减弱，因而投资对不确定性的影响并非简单的负向效应。基于这一思想，Klaus（2009）依据投资Q理论，建立市场波动和世界市场重组时期公司投资和不确定性的模型，验证了实物期权理论下不可逆投资和不确定性两者之间的负向相关关系，并为企业资本预算和投资决策提供了新的视角与指导。
（一）基于灵活性价值的投资优化分析
企业投资要面临很多不确定性。特别是境外投资时，大型跨国公司、当地政府等利益主体会多方博弈，发挥信息的价值，力求以最少的综合投资（包括各种成本）在风险最优条件下获得最好的企业资源。投资的不确定性包括市场不确定性（如价格）和技术不确定性（如资本化投资、操作成本等）。研究者借助实物期权模型评估不确定条件下的生产投资，考虑价格下跌的情况下是否停产部分生产，以提供最优投资时机确定的现实可操作的方法。对波动性的估计是解决这一最优投资问题的关键。Copeland（2001）建议采用蒙特卡罗模拟估计项目的未来波动，CostaLima（2006）通过解析方法求得项目波动的表达式。Won（2009）考虑价格投入S和开发投入I这两个不确定变量的波动，建立投资时机决策模型如下： 的实物期权评估模型。总之，研究者在数学上对企业基于投资的停启期权、规模扩张等问题做出很好的解释。
（二）实物期权与信息价值的学习融合
为更加灵活地应对动态复杂的环境，很多行业开始关注实物期权与信息价值的学习融合。例如Gallant（1999）研究项目的投资时机并建立学习的价值模型。Lin（2005）对石油行业的实证研究也表明，期权投资决策不仅受外生市场变量的影响，而且受其他公司行为的影响。在进行投资决策时，生产外部性导致石油企业在不充分高利率下的开采，信息外部性导致不充分的延迟投资，权衡与竞争对手的战略交互作用。在解决面临外部性的战略投资决策问题时，应对信息的外部性给予更多的关注，避免生产外部性大于信息外部性时不充分开采的负面影响，达到投资决策的最优化。将体现“灵活性价值”（ValueofFlexibility）的实物期权方法与体现“信息价值”（ValueofInformation）的概率分析结合起来，作为管理不确定因素的工具，能够更好地创造投资决策的经济回报。Herath（2001）将实物期权和贝叶斯分析进行对比，并通过两者的结合进行投资评价。Armstrong（2004）也使用Copula函数改进贝叶斯分析，并通过系统的决策方法实现与实物期权的结合，获取更多的信息价值与灵活性价值，实现公司既定资源约束下的价值最大化目标。
综上所述，作为传统投资决策方法的扩展，实物期权不仅能更灵活的挖掘投资价值，减少不确定因素的影响，而且能够帮助企业管理决策者根据企业的特点，建立基于市场变化的投资决策体系，从而实现灵活性思维方式的转变。然而，这一方法关注数学技巧，对管理属性的强调不够。随着信息经济学的引入，基于效用理论的投资决策模型注重心理学、行为学的研究，能够较好地解决这一问题。
（三）效用偏好理论：基于认知价值的投资组合决策
各行业的资产管理者使用投资组合管理等技术来决定最优分散化资产，增加公司价值并降低风险。基于Markowitz有效资产组合原理的分析模型虽然权衡了各种财务结果的期望与标准差，实现投资组合价值的最大化，却没有恰当考虑风险偏好。针对这一缺陷，部分学者研究采用效用函数建立投资最优化工具与风险偏好之间的关系，以决定企业最优投资组合。Regis（2001）将基于偏好理论的风险承受力融入投资组合的选择过程，根据投资项目期望净现值等财务指标相应的概率分布，确定考虑风险承受力的投资确定当量，进而将其用于投资组合决策中，根据投资组合的期望价值和方差，改进投资组合管理。数学工具和最优化算法使得这一规划过程相对简化，决策分析和组合管理的结合提高了公司的决策过程和公司的整体业绩。
Walls（2004）也通过建立风险承受力与投资组合期望价值、方差的关系，使得管理者能够权衡评估风险与收益并理解对公司行为的影响，最大化确定当量价值，就可求得风险分散的最优组合，达到帕累托最优。在此基础上，Walls（2005）将风险容忍度和业绩评价结合起来，建立风险容忍度模型作为检验公司相对风险偏好的工具，进而控制公司规模，提高公司竞争力。普遍采用的评估方法仅仅考虑时间与资本现金流，却忽略了公司愿意接受的技术和环境风险，因而出现了将地质、工程、经济、财政等战略目标整合的模型。Suslick（2001）基于财务、技术、环境多维敏感分析技术建立的多准则效用函数，得到采用MAUT效用决策模式，即通过MAUT模式的赋权、评级与计算，整合财务风险、技术风险与环境风险，使得技术价值、财务价值最大，对环境的负面影响最小，实现整体最优投资决策。
综上所述，敏感性分析、概率分析、实物期权等规范性分析方法，将决策制定与管理目标、可获信息、概率法则等结合起来，既考虑与决策结果相关变量的关系，又要考虑变量间的相关关系，形成如何制定最好决策的理论。而效用偏好分析等描述性分析方法，基于决策心理及认知行为，描述人们作出决策时的行为、态度及认知，遵循经验法则，形成系统的整体框架。两者的结合既考虑风险的波动性及灵活性，又考虑了管理的偏好性，更灵活地控制投资决策风险，实现合理的企业经营管理。
二、投资决策风险分析的研究述评与展望
（一）投资决策的风险分析———需要系统的理论支撑
基于对企业经营环境不确定性、动态复杂性的认识，投资风险分析的方法也在不断地探索和创新，以求提高投资的灵活性来适应企业决策管理的需求。传统决策分析方法的应用，一定程度上反映出投资决策的应变性和预见性，但由于对未来事件发生概率的预测存在很大的不确定性，越来越难与具有动态复杂特征的投资经营环境相适应。公司财务理论发展下的实物期权与投资决策的融合，既考虑了投资的信息价值，又在一定程度上考虑了现金流的波动，实现投资管理的灵活性。随着信息时代的到来，针对企业所面临的动态复杂性的经营环境，可以应用动态管理和实时控制的思想和方法，系统构建动态投资决策与跟踪管理的理论框架和运作模式，深入研究动态投资决策问题，为实现投资决策信息输入、输出和信息反馈、控制的动态化提供理论支撑。
（二）分析管理的模式创新———战略导入的决策思想
通过上述国内外企业投资决策风险管理的应用与研究成果看，投资风险分析模式的创新方式、方法虽然多种多样，但从历史演进和发展的角度来看，还是具有一定的内在规律性。这种规律性具体体现在以下三个方面：（1）在与风险分析方法融合的基础上，各种新兴的理论、方法和技术对决策模式创新的推动力越来越大，并且逐渐成为占主导地位的推动力。这一特点从贝叶斯决策、实物期权分析、熵权决策的应用来看体现得尤为突出。（2）随着心理学和行为学的发展，决策模式中偏好理论的融合和应用的倾向越来越明显，特别是SteveBegg教授在决策心理及行为判断方面进行了卓有成效的研究，为投资决策开辟了新的视角。（3）基于资源配置的视角，全面理解不确定环境下风险管理理念与方法，将财务影响、运营影响与战略影响等投资决策因素综合考虑，加快公司价值增值能力的速度，发挥经营管理机制的加速器作用。因此，基于以上对于投资决策模式创新特点的分析和企业未来所处时代环境的判断，今后的决策模式创新需要以战略为导向，将投资决策、战略规划和风险管理相结合，通过一定的流程化管理解决资源环境的复杂性，管理者通过确定竞争行为、描述竞争策略使公司一系列的目标具体化，并采用决策模型解决复杂的公司多目标协调问题，提高投资决策效率，实现从投资决策风险分析到主动性管理的革新。
（三）EVA与投资决策的融合———经济发展的必然要求
投资资本回报率、单位成本、产量增长率、储量替代率、平均税率等财务及生产经营指标仍然是国际上行业投资决策和对标评估的关注点，由此进行企业能力的博弈。价值导向的EVA指标着眼于企业的长期发展，在衡量价值时简单易操作，不必过多依赖于对市场表现的估计，是传统方法的有效改进。尽管大量的学者研究基于EVA的管理机制，通过EVA提供科学的决策标准，同时确立有效的激励机制，对投入资本进行监测与控制，但目前EVA在企业投资决策中的应用研究仍然较少。国资委提出将基于价值管理理念和资本成本意识的EVA指标，作为国有企业业绩考核的关注点。在这一背景下，研究采用基于EVA指标体系的投资管理，不仅能够帮助企业稳妥地控制好投资规模，引导科学决策，而且可改进投资结构及分析流程，优化价值链，完善企业的激励与约束机制，消除“实盈虚亏”的泡沫，引导企业不断提升价值创造能力。
二、量化投资“黑箱”中的构造与证券投资学的差异
在传统的证券投资学中，投资组合理论、资本资产定价模型、套利定价理论和期权定价理论是现代金融理论的四块基石。前两者主要依靠均值-方差组合优化的思想，后两者则主要依靠市场的无套利条件。传统的投资方法主要是基本面分析和技术分析两大类，而量化投资则是“利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程”。从概念看，量化投资既不是基本面分析，也不是技术分析，但它可以采用基本面分析，也可以采用技术分析，关键在于依靠模型来实现投资理念与投资策略。为了分析量化投资对证券投资学的启示，本文从量化投资“黑箱”的各个构成来探讨量化投资与证券投资学中思路和观点的差异。
（一）资产定价与收益的预测
根据组合优化理论，投资者将持有无风险组合与市场风险资产组合，获得无风险利率与市场风险溢价。资本资产定价模型则将此应用到单一证券或组合，认为证券的风险溢价等于无风险利率加上与风险贡献比率一致的风险溢价，超过的部分就是超额收益，即投资组合管理所追求的阿尔法值。追求显著正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中，法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说，在因素定价方面，量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择，证券投资学认为，对资产价格的影响，长期应主要关注基本面因素，而短期应主要关注市场的交易行为，即采用技术分析。在量化投资中，主要强调按照事先设定的规则进行投资，这在一定程度上与技术分析类似。但是，在技术分析中，不同的人会有不同的结论，而量化投资则强调投资的规则化和固定化，不会因人的差异而有较大的不同。另外，量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。
（二）无套利条件与交易成本
在证券投资学里，流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券，投资者可以自由买卖证券。这主要是为了保证各种交易都能实现，如套利交易。根据套利定价理论，一旦市场出现无风险的套利机会，理性投资者会立即进行套利交易，当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中，对市场中套利限制与非流动性的关注较少，这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下，金融资产交易的过程及其结果，旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中，不同的市场微观结构对市场流动性的冲击是不同的。因而，从量化投资的角度看，为了降低交易带来的价格冲击，能实施量化投资策略的证券往往都应有较好的流动性，因为交易时非流动性直接影响投资策略的实施。从这个意义上讲，量化投资时的交易成本不仅包括交易费用，更主要的是要考虑市场交易冲击的流动性成本。
（三）风险控制与市场情绪
在证券市场中，高收益与高风险相匹配。量化投资在追求高收益的同时，不可避免地承担了一定的风险。在证券投资学中，系统性风险主要源于宏观经济因素，非系统性因素则主要源于行业、公司因素，并且不考虑市场交易行为的影响。在量化投资中，较多地使用因素定价模型，不仅会考虑市场经济因素，而且会考虑交易行为等因素，只是不同的模型有不同的侧重点，在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外，量化投资还有自身不可忽视的风险源。一方面，量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，隐藏着巨大的风险。另一方面，市场冲击的流动性成本也是量化投资的风险控制因素，理所当然地在图1的风险控制模型中体现出来。另外，在一般的投资过程中，市场情绪或多或少会成为风险控制的一个对象。然而，在量化投资中，更多的交易都是通过计算机来实现的，如程序交易等，这样以来，投资者情绪等因素对投资决策的影响相对较小。所以，在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪，主要是通过承担适度的风险来获得超额回报，因为毕竟减少风险也减少了超额回报。
（四）执行高频交易与算法交易
在对未来收益、风险和成本的综合权衡下，实现投资策略成为量化投资的重要执行步骤。为了达到投资目标，量化投资不断追求更快的速度来执行投资策略，这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里，技术分析认为股价趋势有长期、中期和短期趋势，其中，长期和中期趋势有参考作用，短期趋势的意义不大。然而，随着计算机信息科技的创新，量化投资策略之间的竞争越来越大，谁能运作更快的量化模型，谁就能最先找到并利用市场错误定价的瞬间，从而赚取高额利润。于是，就诞生了高频交易：利用计算机系统处理数据和进行量化分析，快速做出交易决策，并且隔夜持仓。高频交易的基本特点有：处理分笔交易数据、高资金周转率、日内开平仓和算法交易。高频交易有4类流行的策略：自动提供流动性、市场微观结构交易、事件交易和偏差套利。成功实施高频交易同时需要两种算法：产生高频交易信号的算法和优化交易执行过程的算法。为了优化交易执行，目前“算法交易”比较流行。算法交易优化买卖指令的执行方式，决定在给定市场环境下如何处理交易指令：是主动的执行还是被动的执行，是一次易还是分割成小的交易单。算法交易一般不涉及投资组合的资产配置和证券选择问题。
三、对量化投资在证券投资教学中应用的思考
从上述分析可以知道，量化投资的“黑箱”构造与证券投资学之间存在一定的差异，因此，在证券投资的教学中应当考虑量化投资发展的要求。
（一）市场微观结构与流动性冲击
在理性预期和市场有效假说下，市场价格会在相关信息披露后立即调整，在信息披露前后市场有着截然不同的表现。在证券投资学里，一般认为价格的调整是及时准确的，然而，现实的世界里，价格调整需要一个过程。在不同的频率下，这种价格形成过程的作用是不同的。在长期的投资中，短期的价格调整是瞬间的，影响不大。然而，在高频交易中，这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型：存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响，解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程，认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型，这些市场微观结构的研究加强了流动性与资产价格之间的联系，强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容，因而，为了加强证券投资学的实用性，应关注市场微观结构的内容与发展。
（二）业绩评价与高杠杆
对于证券组合而言，不仅要分析其超额收益和成本，还要考虑其风险与业绩。在组合业绩评价中，一方面要考虑风险的衡量，另一方面则要分析业绩的来源。在证券投资学中，组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言，市场时机和管理者的能力依然重要，然而，量化投资的业绩评价还应考虑另一个因素：高杠杆。量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，在市场好的时候扩大收益，但在市场不好的时候会加速亏损，这些与传统的业绩评价就不太一样。在一般的证券投资学里，业绩评价主要考虑经风险调整的收益，很少考虑其杠杆的作用，这不仅忽略了杠杆的贡献，而且有可能夸大了投资者的技能水平。
（三）人为因素与模型风险
在量化投资中，非常注重计算机对数据和模型的分析，这突出了量化投资的规则性和固定性。然而，实际中，别看量化采用了各种数学、统计模型，但策略设计、策略检测和策略更新等过程都离不开人的决策。量化交易策略与判断型交易策略的主要差别在于策略如何生成以及如何实施。量化投资运用模型对策略进行了细致研究，并借助计算机实施策略，能够消除很多认为的随意性。但是，量化策略毕竟体现投资者的交易理念，这一部分依赖于投资者的经验，一部分依赖于投资者对市场的不断观察与更新。实际上，人始终处于交易之中，对于市场拐点以及趋势反转的判断主要还是依赖投资者的经验。光大的乌龙指事件充分表明了人为因素在量化投资中的两面性：决策实施依赖于人的设定，而人的设定不仅依赖于经验，而且人还会犯错。人之所以会犯错，一方面是因为人们对市场的认知是不完全的，另一方面则是人们使用了错误的模型。经典的证券投资理论中，股票价格的变动被认为是随机的，小概率事件出现的机会比较小，但是经验研究表明股票收益率具有肥尾现象，小概率事件发生的机会超出了人们原先的认识，即市场还会出现“黑天鹅”。更为关键的是，量化投资更依赖数学和统计模型，这就使得量化投资存在较大的模型风险，即使用了错误的模型。为了防范模型风险，应采用更为稳健的模型，即模型的参数和函数应该适应多种市场环境。近年来，研究表明，证券收益及其与风险因素的关系存在较大的非线性，同时，市场中存在一定的“噪声”，采用隐马尔科夫链等随机过程和机器学习等数据挖掘技术进行信息处理成为量化投资的重要技术支持。
二、量化投资“黑箱”中的构造与证券投资学的差异
在传统的证券投资学中,投资组合理论、资本资产定价模型、套利定价理论和期权定价理论是现代金融理论的四块基石。前两者主要依靠均值-方差组合优化的思想,后两者则主要依靠市场的无套利条件。传统的投资方法主要是基本面分析和技术分析两大类,而量化投资则是“利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程”。从概念看,量化投资既不是基本面分析,也不是技术分析,但它可以采用基本面分析,也可以采用技术分析,关键在于依靠模型来实现投资理念与投资策略。为了分析量化投资对证券投资学的启示,本文从量化投资“黑箱”的各个构成来探讨量化投资与证券投资学中思路和观点的差异。
(一)资产定价与收益的预测
根据组合优化理论,投资者将持有无风险组合与市场风险资产组合,获得无风险利率与市场风险溢价。资本资产定价模型则将此应用到单一证券或组合,认为证券的风险溢价等于无风险利率加上与风险贡献比率一致的风险溢价,超过的部分就是超额收益,即投资组合管理所追求的阿尔法值。追求显着正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中,法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说,在因素定价方面,量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择,证券投资学认为,对资产价格的影响,长期应主要关注基本面因素,而短期应主要关注市场的交易行为,即采用技术分析。在量化投资中,主要强调按照事先设定的规则进行投资,这在一定程度上与技术分析类似。但是,在技术分析中,不同的人会有不同的结论,而量化投资则强调投资的规则化和固定化,不会因人的差异而有较大的不同。另外,量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。
(二)无套利条件与交易成本
在证券投资学里,流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券,投资者可以自由买卖证券。这主要是为了保证各种交易都能实现,如套利交易。根据套利定价理论,一旦市场出现无风险的套利机会,理性投资者会立即进行套利交易,当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中,对市场中套利限制与非流动性的关注较少,这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下,金融资产交易的过程及其结果,旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中,不同的市场微观结构对市场流动性的冲击是不同的。因而,从量化投资的角度看,为了降低交易带来的价格冲击,能实施量化投资策略的证券往往都应有较好的流动性,因为交易时非流动性直接影响投资策略的实施。从这个意义上讲,量化投资时的交易成本不仅包括交易费用,更主要的是要考虑市场交易冲击的流动性成本。
(三)风险控制与市场情绪
在证券市场中,高收益与高风险相匹配。量化投资在追求高收益的同时,不可避免地承担了一定的风险。在证券投资学中,系统性风险主要源于宏观经济因素,非系统性因素则主要源于行业、公司因素,并且不考虑市场交易行为的影响。在量化投资中,较多地使用因素定价模型,不仅会考虑市场经济因素,而且会考虑交易行为等因素,只是不同的模型有不同的侧重点,在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外,量化投资还有自身不可忽视的风险源。一方面,量化交易中,部分交易是采用保证交易的期货、期权等衍生品交易,这种杠杆交易具有放大作用,隐藏着巨大的风险。另一方面,市场冲击的流动性成本也是量化投资的风险控制因素,理所当然地在图1的风险控制模型中体现出来。另外,在一般的投资过程中,市场情绪或多或少会成为风险控制的一个对象。然而,在量化投资中,更多的交易都是通过计算机来实现的,如程序交易等,这样以来,投资者情绪等因素对投资决策的影响相对较小。所以,在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪,主要是通过承担适度的风险来获得超额回报,因为毕竟减少风险也减少了超额回报。
(四)执行高频交易与算法交易
在对未来收益、风险和成本的综合权衡下,实现投资策略成为量化投资的重要执行步骤。为了达到投资目标,量化投资不断追求更快的速度来执行投资策略,这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里,技术分析认为股价趋势有长期、中期和短期趋势,其中,长期和中期趋势有参考作用,短期趋势的意义不大。然而,随着计算机信息科技的创新,量化投资策略之间的竞争越来越大,谁能运作更快的量化模型,谁就能最先找到并利用市场错误定价的瞬间,从而赚取高额利润。于是,就诞生了高频交易:利用计算机系统处理数据和进行量化分析,快速做出交易决策,并且隔夜持仓。高频交易的基本特点有:处理分笔交易数据、高资金周转率、日内开平仓和算法交易。高频交易有4类流行的策略:自动提供流动性、市场微观结构交易、事件交易和偏差套利。成功实施高频交易同时需要两种算法:产生高频交易信号的算法和优化交易执行过程的算法。为了优化交易执行,目前“算法交易”比较流行。算法交易
优化买卖指令的执行方式,决定在给定市场环境下如何处理交易指令:是主动的执行还是被动的执行,是一次易还是分割成小的交易单。算法交易一般不涉及投资组合的资产配置和证券选择问题。 三、对量化投资在证券投资教学中应用的思考
从上述分析可以知道,量化投资的“黑箱”构造与证券投资学之间存在一定的差异,因此,在证券投资的教学中应当考虑量化投资发展的要求。
(一)市场微观结构与流动性冲击
在理性预期和市场有效假说下,市场价格会在相关信息披露后立即调整,在信息披露前后市场有着截然不同的表现。在证券投资学里,一般认为价格的调整是及时准确的,然而,现实的世界里,价格调整需要一个过程。在不同的频率下,这种价格形成过程的作用是不同的。在长期的投资中,短期的价格调整是瞬间的,影响不大。然而,在高频交易中,这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型:存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响,解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程,认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型,这些市场微观结构的研究加强了流动性与资产价格之间的联系,强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容,因而,为了加强证券投资学的实用性,应关注市场微观结构的内容与发展。
(二)业绩评价与高杠杆
对于证券组合而言,不仅要分析其超额收益和成本,还要考虑其风险与业绩。在组合业绩评价中,一方面要考虑风险的衡量,另一方面则要分析业绩的来源。在证券投资学中,组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言,市场时机和管理者的能力依然重要,然而,量化投资的业绩评价还应考虑另一个因素:高杠杆。量化交易中,部分交易是采用保证交易的期货、期权等衍生品交易,这种杠杆交易具有放大作用,在市场好的时候扩大收益,但在市场不好的时候会加速亏损,这些与传统的业绩评价就不太一样。在一般的证券投资学里,业绩评价主要考虑经风险调整的收益,很少考虑其杠杆的作用,这不仅忽略了杠杆的贡献,而且有可能夸大了投资者的技能水平。
(三)人为因素与模型风险
二、研究设计
（一）样本与数据
本文选取2012年12月31日之前所有风险资本支持的A股上市公司作为初始样本，并按照如下标准进行筛选：（1）如果一家上市公司有风险资本支持但风投机构信息缺失，或有联合风险资本支持但其主导风投机构无法确定，则将其剔除；（2）剔除金融类上市公司的样本；（3）剔除相关数据缺失的样本。最终样本共涉及433家上市公司。研究所需财务数据全部来自CSMAR数据库。通过CVSource数据库，我们可以判定一家投资公司是否为风险投资机构，以及一只基金是否为风险投资基金。对于上市公司是否有风险资本支持，必须同时满足以下条件才能界定为具有风险投资背景：（1）查阅上市公司年度报告，前十大股东中至少包含一家风险投资机构或风险投资基金；（2）风险投资机构或风险投资基金的投资性质必须为VC-Se－ries或PE-Growth，同时必须发生在企业IPO之前。对于主导VC机构的判定，我们采取如下标准：（1）只有一家VC机构投资的样本，则该机构自动认定为主导VC机构；（2）对于联合风险资本支持的样本，一般以参与首轮投资且累计投资金额最多的机构为主导VC机构；（3）如果有多家风投机构均参与了首轮投资且累计投资金额相等，则认定拥有较多董事会或监事会席位的机构为主导VC机构；（4）如果按照前三条标准仍然无法判定主导VC机构，则剔除该样本。
（二）模型构建与变量定义
1.构建专业化投资集中度的度量指标。现有文献主要利用VC机构参与投资的投资阶段（行业或地域）数目、赫芬达尔指数以及熵来度量其投资的专业化集中程度（Gupta和Sapienza，1992；Clercq，2003；Gompers等，2009；Dimov和Clercq，2006；Ge－jadze等，2012；Matusik和Fitza，2012；Jenner，2013；李严等，2012）[12-16，8，9，17]。本研究在综合考虑上述指标的基础上，借鉴Gompers等（2009）[14]的研究采用赫芬达尔指数（Herfindahl-HirschmanIndex，简称HHI）来度量VC投资的专业化程度，公式如下：HHI=∑P2i（1）其中，Pi为VC机构退出前在各阶段（行业或地域）进行投资的投资事件比例。HHI数值越大，说明VC机构投资的专业化程度越高。2.专业化投资策略对投资绩效的影响。为了验证假设1，本文首先按照中位数将投资绩效分为投资绩效较好和投资绩效较差两组样本，比较两组样本的专业化投资集中程度是否存在显著差异，即进行独立样本T检验。然后构建如下OLS模型做进一步分析：Return=α+β1HHI+β2Controls+ε（2）其中，因变量Return表示VC机构的投资绩效，分别用账面回报倍数（BR）和账面内部收益率（IRR）进行度量。为了减轻异常值的不良影响，本文对模型因变量进行95%分位和5%分位的缩尾处理（win－sorization）。HHI为衡量VC机构投资专业化程度的指标，如果系数β1显著为正，则表明VC机构的专业化投资策略对投资绩效有正面影响，研究假设1成立。Controls是一组可能影响VC投资绩效的控制变量，现有风险投资文献研究表明，退出条件（Econdi－tion）、VC机构持股比例（VCshare）、VC机构声誉（VCreputation）、VC机构投资期（VCinvperiod）、VC机构的股权性质（GVC）等对风险投资绩效具有重要影响（Nahata，2008；Jenner，2013；党兴华等，2011；张学勇和廖理，2011）[18，9，19，20]，因此，本文对这些因素加以控制。ε为影响投资绩效的不可观测的因素。另外，为了更好地满足变量正态分布的要求，在多元回归分析中，我们分别对BR、IRR、Econdition、VC－share、VCinvperiod进行了对数化处理。3.专业化投资策略对投资绩效的影响机理1。为了验证专业化投资策略对投资绩效的正面影响并不仅仅是由与专业化投资策略相关联的风险因素所引起的（即假设2），我们首先选取早期或发展期哑变量、高风险行业哑变量作为投资风险的衡量指标，在控制投资风险因素的情况下检验专业化投资策略对投资绩效的影响，回归模型如下：Return=α+β1HHI+β2Controls+β3Egrowing+β4Hri-ndustry+ε（3）模型中，Egrowing为早期或发展期哑变量。如果VC机构投资时企业所处发展阶段为早期或发展期，则取值为1，表示投资风险较高；反之，如果VC机构投资时企业所处发展阶段为扩张期或获利期，则取值为0，表示投资风险较低。Hrindustry为高风险行业哑变量。如果VC机构投资的企业属于高风险行业，则取值为1，表示投资风险较高；反之，如果VC机构投资的企业不属于高风险行业，则取值为0，表示投资风险较低。其他变量的定义与模型（2）相同。如果系数β1显著为正，则表明控制风险因素之后，VC机构专业化投资策略对投资绩效仍然有正面影响，假设2得到初步证实。其次，为了进一步分析风险因素对专业化投资策略与投资绩效关系的影响机理，本文运用独立样本T检验的方法来检验风险因素是否为VC机构采取专业化投资策略的动因，并将全部样本分为高投资风险组和低投资风险组，进行分组回归，来检验该动因是否为专业化投资策略影响投资绩效的唯一原因，回归模型与模型（2）相同。如果分样本回归结果显示专业化投资策略与投资绩效之间的正相关关系仍然显著，则表明投资风险不是专业化投资策略影响投资绩效的唯一原因，假设2成立。4.专业化投资策略对投资绩效的影响机理2。为了验证VC机构专业化投资策略的事前选择功能和事后价值增加功能在提高投资绩效方面具有相互补充的作用，在考虑专业化投资策略内生性的情况下，我们检验专业化投资策略与投资绩效之间的正相关关系是否仍然显著（即假设3）。一般来说，随着VC机构投资经验和管理资产规模的不断增加，其经营实力也越来越雄厚，逐渐克服了有限人力资本对多元化投资的限制，采取多元化投资策略的优势越来越明显，即VC机构经营年限越长、管理资金规模越大，其专业化投资集中程度越低。基于此，我们选取VC机构经营年限（VCage）和VC机构管理资金额（Cumanagement）作为专业化投资策略的工具变量，并采用二阶段最小二乘法进行检验。本文建立二阶段最小二乘回归模型如下所示：模型中，VCage表示VC机构的经营年限，Cumanagement表示VC机构管理资金额，②其他变量的定义与模型（2）相同。如果第二阶段回归模型中系数β1显著为正，则表明在考虑了专业化投资策略内生性的情况下，专业化投资策略对投资绩效的正向影响仍然显著，即专业化投资策略对投资绩效的正向影响不仅仅源于其事前选择功能，还与其事后价值增加功能有关。表1列示了各研究变量的定义与计算方法。
三、实证结果与分析
（一）变量的描述性统计分析
表2列示了各变量的描述性统计结果。由表2可知，第一，衡量VC机构投资集中程度的指标HHI-Industry、HHI-Location和HHI-Stage均值分别为0.320、0.448和0.557，略低于Gejadze等（2012）以及Dimov和Clercq（2006）利用美国数据计算的相关指标均值[16，15]。⑥三个指标的标准差分别为0.254、0.316和0.207，说明不同VC机构的专业化投资集中程度存在一定的差异。第二，首轮投资时VC机构平均经营年限为3.763年，说明VC机构普遍较年轻。VC机构管理资金额平均为264828.9万美元，平均持股比例为11%，这印证了风险投资不是以控股为目的的投资。此外发现，VC机构平均投资时长为2.902年。第三，VC机构在进行首轮投资时，平均有35.1%的企业处在早期或发展期，而具有风险投资背景的企业中仅有19.6%的企业所属行业为高风险行业，从中可以看出，VC机构面临的投资风险主要源于其投资阶段较早而非投资行业的选择。其他变量的描述性统计结果详见表2。本文来自于《山西财经大学学报》杂志。山西财经大学学报杂志简介详见
【论文关键词】行为异象；行为金融；认知偏差
我国股市以个人投资者为主，心态和行为都不成熟，目的不纯，存在一定程度的过度自信；经常反应不足和反应过度；存在着严重的噪音交易和羊群效应；政策依赖心理普遍；情绪周期变化较快。因此，建立在传统标准金融理论上的投资策略，往往不能给股民带来真正的投资收益。基于现资组合理论的分散化投资策略可以降低非系统风险，但不能降低系统风险。而且，投资分散化程度存在某一“有效”区域，过度分散化可能会带来延迟决策失误、增加研究成本和交易成本的负效应。特别在我国，股市非系统性风险较小，投资分散化策略作用不大。关于我国股市的系统性风险，波涛（1999）研究表明高达66.7%，施东晖（2001）研究得出81.37%的结论，而西方股市一般为25%左右。
CAPM投资策略在国外并不适用、在我国几乎无效。CAPM的应用原理是利用β系数可以衡量系统风险，利用资本资产定价模型可以判断证券价格的合理性，从而制定投资策略。关于CAPM的有效性，格罗斯曼——斯蒂格利茨悖论首先提出挑战；Fama和Macbeth（1992）实证检验无效；我国学者杨朝军1998年对上海股市实证结论为不明显；陈小悦和孙爱军（2000）、阮涛和林少宫（2000）对上海股市检验结论为无效。
行为金融学是对传统标准金融学理论的革命.行为金融投资策略放弃了基本面分析、技术分析结合了心理情绪分析、强调投资者的行为控制。美国的共同基金利用行为金融投资策略取得了复合年收益率25%的良好投资业绩。中国证券市场只是接近弱有效，导致采用传统投资策略的广大投资者亏损严重，而少数懂得并利用行为金融投资策略的投资者则能保持盈利。
一、反向投资策略
就是买进过去表现差、涨得慢、可能价值低估的股票，而卖出过去表现好、涨势快、可能价值高估的股票来进行套利的投资策略。由于我国股市存在一种“轮涨效应”或“补涨效应”，即一般前期内涨幅较小的股票在后期的表现会比前期内涨幅较高的股票表现更为良好。这个结果同我国证券市场长期以来存在的个股轮番炒作现象是相吻合的，也说明了反向投资策略是目前我国投资者最好的选择之一。
反向投资策略原理。投资者锚定心理和过度自信特征会导致对信息过度反应。换句话说，表现好的证券价值容易高估，表现坏的证券价值容易低估。反向投资就是买入低估证券同时卖出高估证券。投资者进行预测时，容易对近期业绩过度反应，形成对绩差公司股价过分低估和绩优公司股价过分高估现象，反向投资策略是对这种过度反应的一种纠正。
反向投资策略操作要点。如选择P/E)或P/B低、历史收益率低的股票，往往可以得到比预期收益率高很多的收益。另外，还可以卖出涨幅已经很高的股票，买入很少人关注的滞长股票；或者卖出大家已经反复炒作的白马股，买入业绩可能改变的无人问津的垃圾股。
二、动量交易策略或称惯性交易策略
动量交易策略即预先对股票收益和交易量设定过滤准则，当股市收益和交易量满足过滤准则就买入或卖出股票的投资策略。通俗地讲，利用强势股的惯性上涨趋势，买入近期的强势股，卖出近期的弱势股，即所谓正向反馈策略。
动量交易策略原理。主要依据是反应不足和保守心理，分收益动量和价格动量策略。收益动量策略是利用了其他投资者对公司收益短期前景反应不足的失误，价格动量策略是利用了其他投资者对公司价值信息为反应或反应迟缓的失误。
动量交易策略操作要领。根据庄家投资行为分析理论，庄家做庄有四个阶段，建仓、拉升、出货、下落，投资者可以采取蚂蝗策略，一旦发现庄家建仓完毕，开始拉升时就盯紧买入，然后在股票价格翻翻后高位震荡庄家出货时候卖出，可赚高额利润。如果价格连续上涨，应该连续分批卖出；如果价格连续下跌，应该连续分批买入。证券投资基金可以考虑采用负向反馈策略。
三、成本平均策略和时间分散化策略
成本平均策略指投资者根据不同的价格分批购买股票，以防不测时摊低成本的策略，一般在下跌时候买入，目的不是效益最大化，而是成本最小化、减少投资的遗憾程度。该策略是次优策略。投资者在建仓时候，可以分皮建仓，不能一次性买入。
时间分散策略基于风险承受能力因为年龄增大而降低的理念，随年龄逐渐增大而降低股票等高风险资产比例的投资策略。投资者年轻时风险承受能力强，其资产组合中股票应该是占较大比例，而随着年龄的增长将此比例逐步减少的投资策略。这两种策略都与投资者的有限理性、损失厌恶和思维分隔相关、属于行为控制策略。
四、集中投资策略
集中投资策略就是集中所有资金购买某一个或者少数几个证券并长期持有，稳中求胜，这也是巴菲特惯用的投资策略，“与其把鸡蛋放在不同的篮子里分散风险，不如放在同一个篮子里，好好保管。”投资集中策略能够获得稳定回报，有助于减少投资者的认知偏差，同时该策略能运用价值投资的理念而获利。
集中投资策略的原理。利用其他投资者均值方差观念形成的认知偏差或锚定效应等心理特点来实施集中策略。一般投资者受传统金融投资理念的影响，通过投资多样化来分散风险，在大行情机会到来时，导致收益随着风险的分散也同时分散。而行为金融投资者则在捕捉到错误定价的证券后，率先集中资金投资，赢取更大的利益。 转贴于
集中投资策略的操作方法。第一，对被错误定价证券的选择，主要是通过尽力获取超前的优势信息，尤其是未公开的信息。第二，选择几家在过去投资回报高于一般水平的公司。如果一家公司经营有方，管理效果一定会反应在它的股票价值上。第三，将资金按比例分配，将大头押在高概率的股票上，然后长期持有。集中投资策略的关键点：一是对公司的深入分析；二是需要克服投资决策偏差，保持清醒的头脑，在别人狂热的时候谨慎，在别人恐慌时大胆，能时刻控制自己的贪婪和狂热，要有耐心，要有信心，要勇于承认错误。
五、小盘股投资策略
小盘股投资策略的提出。小盘股一般是指流通盘较小的股票，但具体数量界定，不同的市场、在不同的时期有不同的判断标准。20世纪70年代，芝加哥大学的两位博士R.班尼和M.瑞格曼提出了小盘股的高回报效应应用来挑战有效市场理论，Banz（1981）研究发现了小盘股高额收益的规模效应，Siegel(1998)研究发现，一般地小盘股比大盘股的年收益率高出417%，且大部分集中在元月，这种现象被称为小公司元月效应。小盘股投资高额收益的原因是，小盘股流通市值较小，炒作资金较之大盘股要少得多，较易吸引主力介入，股性较活，股价极易波动，涨跌幅度较大，容易获得高额收益。
小盘股投资策略的原理。行为金融学认为，投资者在处理信息的过程中会犯系统性的精神和心理错误，继而导致投资者出现代表性偏差和框定依赖偏差，最终对当前的负面信息出现过度反应，结果造成小公司股票价值低估。但该公司的投资价值会随着时间的延长逐渐显现而广为人知，在被低估的时候买入，而在大家都发现价值后竞相买入时候卖出。
小盘股投资策略的操作。小盘股投资策略就是利用这种小公司效应，采用波段操作方法获得收益。投资者找到具有投资价值的小盘股，当预期小盘股的实际价值与将来股票价格的变动有较大的差距时，可以考虑该种股票；先前被低估的小盘价值股一旦有利好消息传出时，市场上可能导致投资者对新消息反应过度，从而使股票价格急剧上涨。另外，由于小盘股流通盘较小，市场上投资者所犯系统性错误对其股票波动的影响更大，从而为掌握该种投资策略的投资者带来超额投资收益。
应对此类股票的操作要领。耐心等待股价走出缩量的上升通道，且上市公司行业景气度转好时买进，卖出的时机可根据市场及上市公司的环境因素和业绩情况，注意在历史的高价区域附近获利了结。一般来讲，小盘股在1～2年内，大多存在数次涨跌循环机会，只要能够有效把握节奏且方法得当，套利小盘股获利大都较为可观，是国际资本市场上流行的投资策略。
六、择时投资策略
择时投资策略基于日期效应。例如，隔夜效应、周末效应、一月效应和周末效应，这些效应行为金融理论在前面已经有分析和论述。择时投资策略认为可以于晚市、周五、年底或者元月买入股票，操作相对灵活，收益率相对较高。另外，还可以购买快到期的封闭式基金。
七、从众投资策略
当少数个人投资者没有更多信息，也没有专门知识的时候，跟随其他投资者行动，也减少后悔。很显然，这也不是最优决策。但对那些老年人，或者投资技能较差的人，不失为一种策略选择。
二、财务战略控制力指标体系分析
企业集团的财务战略控制力指标体系作为一个重要的一级指标体系，也是整个企业集团的财务控制力指标体系的重要组成部分，这一体系也包含了三个二级指标以及十一个三级指标。这些指标分别从筹资战略控制、投资战略控制以及收益分配战略控制这三个方面来评价分析集团公司管理者对于整个集团企业的战略控制力。对投资战略控制来讲，相关的指标控制具有重要意义。战略投资在企业的发展过程中占据着非常重要的地位，应当将技术以及资金投放到具有较大价值的领域才能够确保公司投资收益。在进行公司投资战略控制力指标分析时，可以从以下几个指标来进行分析评价，即控制投资决策权、投资决策过程、子公司投资决策以及子公司自行决策项目的能力评价等。对于投资项目决策权的控制力指标分析上，集团公司应当对本集团所有的战略投资项目具有决策权。根据实际投资金额的大小以及投资项目的战略性质来分析判断投资项目的重大性，将那些能够对企业集团发展战略构成重大影响、跟企业集团主营业务有着密切联系、可以对集团公司未来发展产生决策影响的投资项目归结为重大范畴。在对投资政策的可控性指标分析上也需要进行合理科学的指标设定。建立和完善投资政策是企业集团实现自身投资行为制度化以及规范化的重要手段和途径。作为指导企业集团重大投资行为的制度性文件，投资政策的设置需要明确企业集团的投资方式、投资领域、投资财务标准以及投资质量等。在对投资决策过程的可控性进行指标评价分析时，重点关注投资决策目标的合理性、各种投资方案的合理性、最终方案的可行性以及决策结果的实现程度等。投资活动是企业集团进行资本运作的重要形式，企业管理者应当将自身的资金投资到具有较好的预期收益的领域、行业以及项目之中去。在开展投资项目的过程中，集团公司本身是战略投资的审批者，具有不可推卸的责任。集团企业只有在实施战略投资的过程中进行有效的控制力管理，才能够确保投资的科学性和合理性，减少盲目投资。
三、财务人员控制力指标体系分析
企业集团的财务人员控制力指标体系一般包含三个二级指标以及十个三级指标，它是整个集团财务控制力建设体系的第一个一级指标体系。这些指标体系分别从集团企业财务人员的专业素质、财务人员授权任免以及财务总监的责任履行情况等方面来分析和评价集团公司对于自身整个财务管理人员的控制力情况。对于财务人员素质控制力来讲，重点关注财务人员的职业素质以及财务人员的专业水平情况。要想顺利实现企业集团的财务管理目标，强化在财务人员专业素质方面的控制力就需要加强企业集团的文化建设，逐步提高企业员工的综合素质，进一步强化员工对于公司集团的目标认同感。一般来讲，财务人员的专业素质控制力指标可以从专业知识、学历等级、职业道德遵循程度以及公司忠诚度等方面进行考量。财务总监责任履行情况的控制力指标分析主要是基于公司的委托现象。一般情况下，企业集团的财务控制都会存在着委托的相关问题，尽管公司的所有者会根据委托理论对激励机制进行设计和维护，但是这一措施并不能够从根本上解决公司内部人的道德风险选择问题。在这一情况下，实施财务总监经济责任履行情况控制力管理就可以对原有的控制机制进行完善和加强。委派方式不同就会导致财务总监的权利职责有所不同，但是要对财务总监的履职情况进行控制力指标评价，大致可以从以下几个方面来展开：监督子公司重大经济管理经营项目的执行情况。作为企业集团所委派的公司财务总监，监督子公司是其首要的职责，要对子公司的政策制定情况进行事前的控制，经营活动进行事中控制以及经营管理后期的事后控制评价。再就是完善对于财务总监考评评价体系。在对财务总监进行考评评价上应当采取约束跟激励相互结合的方式进行，努力构建合理公平的物质激励以及非物质激励管理机制，在此基础上不断强化约束机制，并完善企业集团的财务控制力评价指标管理体系。实施岗位轮换的合理性，尽管企业集团统一对财务总监实施委派，但是假如某一财务总监长期被委派在一个子公司，就很可能会使得财务总监与该子公司进行传统，不利于集团经济利益的最大化。
中图分类号：F713.54 文献标识码：A 文章编号：1001-8409（2014）12-0095-04
Study on Evolution of the Manufacturers Quality
Investment and the Retailers Trust
SHI Kuiran1，MA Hujie2，SUN Yuling1
（1. School of Economics and Management，Nanjing Tech University，Nanjing 211800；
2. Department of Business Administration，The Communist Party School of Jiangsu Province，Nanjing 210013）
Abstract：In order to investigate the effect of manufacturers quality investment on promoting supply chain members trust，this paper presents an evolutionary game model of the manufacturers investment decision and the retailers trust based on the players bounded rationality. In the model of one population，it is shown that the manufacturers investment costs and the retailers transfer payments significantly affect the equilibria. Furthermore，evolution of the system depends on the initial state of the manufacturers and retailers population. There is no evloutionary stable strategy in the model of two populations and the evolutionary direction exhibits cyclical characteristics under certain conditions.
Key words：supply chain；quality investment；trust relationship；evolutionary game
1 引言
在市场竞争日趋激烈的环境下，产品质量是企业获得竞争优势的关键。由于单一企业不能完成从原材料到消费者获得最终产品的整个过程，需要各个环节的企业组成供应链共同完成这一经济活动，因此供应链成员应通过相互支持和配合以提升产品质量，进而建立起稳定、有效的供应链协作信任关系。
当前，有关供应链中的产品质量问题已成为研究热点，主要集中在质量投资与控制策略、契约设计和质量信号传递等方面[1]。在产品质量投资研究方面，李丽君等采用委托理论探讨了双边道德风险条件下的质量控制策略[2]。Chao等分析了两级供应链中制造商与供应商质量控制问题，对如何进行产品质量激励和回购契约设计进行了研究[3]。Hsieh和Liu探讨了当供应商和制造商均进行产品质量投资和检验时，不同信息披露程度下双方的均衡策略[4]。朱立龙和尤建新基于博弈论和委托理论，考察了非对称信息情形下供应链节点企业间如何进行质量信号传递的问题[5]。李永飞等研究了一类基于客户质量需求的供应链协调问题[6]。Xie等进一步分析了供应链之间竞争的情形下改进产品质量的措施[7]。
已有的研究表明，在一定条件下，如果团体成员之间相互信任度高，那么就会大幅降低行动失败的风险[8，9]。随着供应链成员间的依赖关系不断加深，对供应链节点企业间信任行为的实证分析已成为供应链管理的一个重要分支。Suh和Kwon研究了双边专用资产投资和投资后信任之间的关系，指出了双边专用资产投资与信任具有相关性[10]。刘益等通过对中国家电行业261对供应商与制造商关系的问卷调查，探讨了供应商专项投资与其感知合作风险之间的关系[11]。殷茗和赵嵩正通过不同行业与规模的供应链企业的数据，揭示了不同阶段专用资产投资对供应链协作信任、合作意图的差异性影响[12]。
由于信任的建立是一个长期、缓慢的过程，研究者倾向于应用演化博弈论分析供应链成员间的信任关系。杨慧等通过考察互惠主义者和机会主义者群体在信任和背叛策略下的行为特征，探讨了惩罚机制下机会主义行为的演化[13]。李壮阔研究了供应链节点企业的学习与调整过程，分析了供应链节点企业选择信任与否的影响因素[14]。王世磊等构建了逆向物流上政府与企业的演化博弈模型，阐明了双方实现共赢的途径[15]。石岿然等建立了供应链成员的信任估值模型，研究了供应商与制造商之间的信任关系形成与演化问题[16]。
现实中，制造商生产的产品质量直接影响到零售商的产品定价和销量，而产品质量的提升反过来也会促进产品的销售。因此，制造商的质量投资策略对于加深与零售商之间的信任关系具有重要作用。本文从供应链节点企业的“有限理性”出发，构建制造商质量投资决策与零售商信任关系的演化博弈模型，分析不同的均衡结果。在此基础上，提出促进双方信任关系与加强合作关系稳定性的管理建议。
2 演化博弈模型的建立
考虑制造商和零售商两个群体进行的博弈，风险中性的制造商生产产品并卖给风险中性的零
零售商选择信任策略的概率为x，选择不信任策略的概率为1-x；制造商选择投资策略的概率为y，选择不投资策略的概率为1-y。概率x、y也可以理解为群体中选择信任策略的零售商的比例和选择投资策略的制造商比例。
假定制造商可以通过投资产品质量改变市场需求，I为投资成本，m为产品质量投资带来的需求增量。由上述假定，需求函数可表示为D（p）=φ-p+m，其中，φ表示为市场规模，p表示产品价格。制造商的投资决策为私有信息，其投资与否决定了其类型（高质量类型“H”或低质量类型“L”）。零售商对于制造商类型的判断基于他对制造商信任与否，根据对产品质量水平不同的判断，零售商会选择不同的产品价格进行销售，设高质量产品价格为pH，低质量产品价格为pL。
当零售商对制造商表现出信任时，总是相信制造商会进行产品质量投资，并给予制造商一定的转移支付V作为制造商产品质量投资成本的补偿。基于对制造商的信任，零售商以高质量产品价格pH销售产品；当零售商对制造商表现出不信任时，总是相信制造商不会进行产品质量投资，并以低质量产品价格pL销售产品。
在交易之前，制造商承诺为零售商提供高质量产品。一旦制造商提供低质量产品则会受到相应的惩罚，设制造商给予零售商单位产品补偿量为r。此外，设制造商生产成本为c，提供给零售商的产品批发价为w。
基于上述假设，可以得到零售商与制造商博弈的支付矩阵，如表1所示。
零售商选择信任策略的概率为x，选择不信任策略的概率为1-x；制造商选择投资策略的概率为y，选择不投资策略的概率为1-y。概率x、y也可以理解为群体中选择信任策略的零售商的比例和选择投资策略的制造商比例。
假定制造商可以通过投资产品质量改变市场需求，I为投资成本，m为产品质量投资带来的需求增量。由上述假定，需求函数可表示为D（p）=φ-p+m，其中，φ表示为市场规模，p表示产品价格。制造商的投资决策为私有信息，其投资与否决定了其类型（高质量类型“H”或低质量类型“L”）。零售商对于制造商类型的判断基于他对制造商信任与否，根据对产品质量水平不同的判断，零售商会选择不同的产品价格进行销售，设高质量产品价格为pH，低质量产品价格为pL。
当零售商对制造商表现出信任时，总是相信制造商会进行产品质量投资，并给予制造商一定的转移支付V作为制造商产品质量投资成本的补偿。基于对制造商的信任，零售商以高质量产品价格pH销售产品；当零售商对制造商表现出不信任时，总是相信制造商不会进行产品质量投资，并以低质量产品价格pL销售产品。
在交易之前，制造商承诺为零售商提供高质量产品。一旦制造商提供低质量产品则会受到相应的惩罚，设制造商给予零售商单位产品补偿量为r。此外，设制造商生产成本为c，提供给零售商的产品批发价为w。
基于上述假设，可以得到零售商与制造商博弈的支付矩阵，如表1所示。
3 演化博弈的均衡分析
3.1 零售商群体策略选择的复制动态方程
根据复制动态方程的相关概念[17]，由表1可知，零售商选择“信任”、“不信任”策略时的适应度和群体平均适应度分别如式（1）至式（3）所示。
3.2 制造商群体策略选择的复制动态方程
类似地，制造商选择“投资”策略的复制动态方程为：
dydt=F（y）=y（1-y）[m（w-c）+r（φ-pL）-I-r（pH-pL）x]（7）
当I>m（w-c）+r（φ-pL）时，dydt
3.3 零售商群体和制造商群体的演化动态系统
由式（4）和式（7）得到了一个由零售商群体和制造商群体构成的二维非线性动态系统：
4 结论
信任作为一种减少复杂性的机制，在供应链协作过程中发挥着重要的作用，加强企业间的相互信任对于提高供应链管理水平具有重要意义。本文构建了制造商质量投资决策与零售商信任关系的演化博弈模型，得到了以下研究结论。
（1）零售商给制造商的转移支付与制造商投资成本都直接影响演化结果。过高的“信任成本”会让零售商望而却步，直到x=0的平衡状态；过高的“投资成本”会让制造商放弃投资产品质量，直到y=0的平衡状态。
（2）当制造商群体处于投资者比例较高的初始状态，即y>y时，零售商群体中选择“信任”策略的比例逐渐增加，直到x=1的稳定状态；反之，当制造商群体处于投资者比例较低的初始状态，即y
（3）当零售商群体处于信任态度者比例较高的初始状态，即x>x时，制造商群体中选择“质量投资”策略的比例逐渐减少，直到y=0的稳定状态，此时，机会主义行为会在供应链上盛行；当零售商群体处于信任态度者比例较低的初始状态，即x
（4）两群体动态系统中并不存在演化稳定策略，零售商与制造商两群体在博弈过程表现出一种周期行为模式，充分说明供应链成员之间建立信任关系的长期性。因此，供应链成员必须把握影响演化路径的重要因素，通过合理的决策机制促进成员关系向高信任程度演化。
参考文献：
[1]刘强，苏秦. 供应链质量控制与协调研究评析[J]. 软科学，2010，24（12）：123-127.
[2]李丽君，黄小原，庄新田. 双边道德风险条件下供应链的质量控制策略[J]. 管理科学学报，2004，8（1）：42-47.
[3]Chao G H，Iravani S M R，Savaskan R C. Quality Improvement Incentives and Product Recall Cost Sharing Contracts [J]. Management Science，2009，55（7） ：1122-1138.
[4]Hsieh C C，Liu Y T. Quality Investment and Inspection Policy in a Suppliermanufacturer Supply Chain [J]. European Journal of Operational Research，2010，202（3）：717-729.
[5]朱立龙，尤建新. 非对称信息供应链质量信号传递博弈分析[J]. 中国管理科学，2011，19（1）：109-118.
[6]李永飞，苏秦，童键. 基于客户质量需求的供应链协调研究[J]. 软科学，2012，26（8）：136-140.
[7]Xie G，Wang S Y，Lai K K. Quality Improvement in Competing Supply Chains [J]. Interantioal Journal of Production Economics，2011，134（1）：262-270.
[8]Mayer R C，Davis J H，Schoorman F D. An Integrative Model of Organizational Trust [J]. Academy of Management Review，1995，（20）：709-734.
[9]Prajogo D，Olhager J. Supply Chain Integration and Performance：The Effects of LongTerm Relationships，Information Technology and Sharing，and Logistics Intergration[J]. Interantioal Journal of Production Economics，2012，135（1）：514-522.
[10]Suh T，Kwon G. Matter over mind：When Specific Asset Investment Affects Calculative Trust in Supply Chain Partnership [J]. Industrial Marketing Management，2006，35 （2） ：191-201.
[11]刘益，钱丽萍，尹健. 供应商专项投资与感知的合作风险：关系发展阶段与控制机制的调节作用研究[J]. 中国管理科学，2006，14（1）：30-36.
[12]殷茗，赵嵩正. 专用资产投资与供应链协作信任、合作意图之间的动态差异性关系研究[J]. 科研管理，2009，30（1）：65-70.
[13]杨慧，周晶，易余胤. 供应链上机会主义行为的演化博弈分析[J]. 运筹与管理，2005，14（5）：55-58.
[14]李壮阔. 供应链节点企业间信任行为的进化博弈[J]. 工业工程，2008，11（2）：37-40.
实施方法
（1）石油化工投资项目竞争力分析一般应从竞争对手的识别入手。竞争对手包括现有竞争对手和潜在对手，通过对多个竞争对手的生产规模、产销能力、目标市场和目标产品在总体市场上的占有率等，来确定主要竞争对手。不同石油化工投资项目可以根据自己的情况确定不同的竞争对手，根据石油化工行业的特点和我国石油化工发展战略，其投资项目的竞争对手一般确定为国内外生产能力较大、产品质量较好或目标产品在市场上占有率较高的同类企业［4］。（2）采用对比分析的方法与国内外主要竞争对手进行技术经济指标比较。其中主要是对投资项目的投资情况（含吨产品投资情况）、原料、辅助材料的消耗（包括能耗）、物耗、单位生产成本、产品性能指标、工艺技术水平、产品市场价格等主要影响竞争力的技术经济指标进行对标分析，这些差距除工艺技术水平用定性的方法分析以外，其余的数据均要进行定量分析，以发现拟投资项目与竞争对手的优势和劣势，以优化项目方案，并对最后的项目方案选择和决策起指导作用。（3）投资项目的产品是否有竞争能力，是竞争力分析的核心内容之一。采用定量和定性相结合的办法对拟建项目产品竞争力进行综合分析，竞争力各种要素的影响最终体现在产品的差异化因素和产品价格上，而产品价格主要由投资项目产品的成本费用决定，产品差异化主要由技术装备因素和管理水平因素决定。石油化工投资项目从产品成本和差异化两个方面进行竞争力分析是对产品竞争能力综合评价的较好选择。其中低成本因素包括自然情况、工艺技术设备、规模效益、区域位置优势、能耗、物耗、成本指标因素等。而差异化因素可根据产品的质量性能、新产品开发能力、商标商誉、人才优势等进行分析和评价，最后进行比较分析，以确定其最终产品的市场竞争能力。（4）在石油化工投资项目竞争力分析时，还要考虑竞争对手的竞争战略。通过比较竞争对手的战略，来选择拟建项目的发展战略。根据石油化工行业投资较大、产品较多、专业化较强的特点，其主要有以下几种战略可供选择：低成本优势战略、差异化优势战略、专一化优势战略和一体化优势战略等。通过竞争力分析，可以得出影响投资项目效益的主要因素。（5）博弈论在投资项目企业战略选择中具有重要的应用价值，在石油化工行业投资时，要根据选定对手竞争力分析的结论选定竞争战略。即根据项目的优劣程度和产品的综合竞争能力，同时再根据竞争力评价的维度，来更好的选择投资项目的竞争战略。（6）在项目可行性研究阶段，对竞争力的分析要注重市场调研，获得准确可靠的数据，并注重拟投资项目营销战略的选择。通过拟建项目的竞争力分析报告，选择较优的投资项目方案和相对合适的市场竞争战略。
实施方法
