⑴ spss中主成分分析法的數據如何進行標准化處理
先將x1-x12作為指標名在轉置排列，即行為指標名，列為數值。然後打開軟體，導入數據，單擊分析->數據縮減->因子分析，進入因子分析窗口，選中所有變數加入右邊框，點擊描述->相關矩陣-，勾選系數，kmo兩項單擊繼續回到因子分析窗口，在選擇旋轉，勾選無，然後按確定就行了。一般軟體會進行標准化處理的，應該不用你自己處理。
這個步驟只是大致的，因為SPSS版本不同，界面也會有所不同，還有中英文版的，所以可能還要你對軟體的語言翻譯一下。身邊現在只有中文版的，不好意思啦~~
⑵ 初一數學問題
1. 統計學的三個基本發展趨勢及其啟示
朱永平 文獻來自: 中國統計 2001年 第08期 CAJ下載 PDF下載
與統計學中的判別分析也存在一些可相互借鑒的方面。特別是關於質度函數與可拓變換理論,都有可能應用於統計指標的計算,目前也有文獻在這方面取得了一定的成績。神經網路方法被廣泛應用於統計預測與多指標統計綜合評價。此外,管 ...
被引用次數: 6 文獻引用-相似文獻-同類文獻
2. 評價判別模型診斷效果的ROC分析
李康,林一帆 文獻來自: 中國衛生統計 1996年 第03期 CAJ下載 PDF下載
判別模型,累積比數模型ROC分析已成為評價診斷試驗的一種重要方法。本文介紹了ROC分析的基本思想,提出用ROC分析評價判別模型的優劣,給出了ROC曲線回歸估計的方法,並且導出了估計ROC曲線下面積A及標准誤SE ...
被引用次數: 13 文獻引用-相似文獻-同類文獻
3. 基於Fisher准則的判別分析
陳峰,祝紹琪 文獻來自: 中國衛生統計 1994年 第03期 CAJ下載 PDF下載
基於Fisher准則的判別分析@陳峰@祝紹琪$南通醫學院醫學統計學教研室$華西醫科大學衛生統計學教研室Fisher准則,多類判別本文較全面地闡述了Fisher准則下的多類判別,及其與Bayes判別、回歸分析之關系。由於Fisher判 ...
被引用次數: 4 文獻引用-相似文獻-同類文獻
4. 基於PCA與LDA的說話人識別研究
章萬鋒 文獻來自: 浙江大學 2004年 碩士論文 CAJ下載 在線閱讀 分章下載 分頁下載
判別分析方法有多種,包括距離判別、Bayes判別以及線性判別。其中 線性判別分析(LDA),又稱費歇判別分析、基於類的K一L變換,由Fisher第一次提出,可以表 示不同的特徵變數,在多元統計分析中 ...
被引用次數: 1 文獻引用-相似文獻-同類文獻
5. 綜合評價的多元統計分析方法
祁洪全 文獻來自: 湖南大學 2001年 碩士論文 CAJ下載 在線閱讀 分章下載 分頁下載
本文針對主成分分析、因子分析兩種緊密相關的多元統計分析方法, 從理論和實踐兩方面作了一定的研究;除了分析和改進兩種多元分析方法 之外,還建立了應用它們進行綜合評價的數學模型,並且應用這些模型對 實際問題進行了綜合評價 ...
被引用次數: 3 文獻引用-相似文獻-同類文獻
6. 分析化學計量學
吳海龍,梁逸曾,俞汝勤 文獻來自: 分析試驗室 1999年 第06期 CAJ下載 PDF下載
羅宏傑編著成《中國古陶瓷與多元統計分析》一書[B4],從多元統計的數學方法入手,側重於對應分析、聚類分析以及判別分析等數學方法在中國古陶瓷研究中的應用。3 試驗設計與優化正交試驗設計和單純形優化法目前仍然是試驗設計和優化的主要方法。其目 ...
被引用次數: 12 文獻引用-相似文獻-同類文獻
7. 綜合評價的多元統計分析方法
祁洪全 文獻來自: 湖南大學 2001年 碩士論文 CAJ下載 在線閱讀 分章下載 分頁下載
本文針對主成分分析、因子分析兩種緊密相關的多元統計分析方法, 從理論和實踐兩方面作了一定的研究;除了分析和改進兩種多元分析方法 之外,還建立了應用它們進行綜合評價的數學模型,並且應用這些模型對 實際問題進行了綜合評價 ...
被引用次數: 3 文獻引用-相似文獻-同類文獻
8. 逐步判別分析法的計算機實現
常進榮,任翔,趙磊峰 文獻來自: 雲南農業大學學報 1995年 第03期 CAJ下載 PDF下載
摘要用漢字Foxbase開發一個操作界面好、通用性強的逐步判別分析計算程序.關鍵詞逐步判別分析,演算法,程序本國分類號TP311.52逐步判別分析法是多元統計學中的一類重要方法。它在生物學、農學、醫學等領域中有著廣泛的應用,以前的多元統計分析計算程序大多是在pc-150 ...
被引用次數: 2 文獻引用-相似文獻-同類文獻
9. 小樣本數據信用風險評估研究
王春峰,李汶華 文獻來自: 管理科學學報 2001年 第01期 CAJ下載 PDF下載
普通的判別分析方法可能導致較大的判別誤差 ,因此採用本文提出的CV方法來構建判別分析模型 ,試圖提高判別精度 ...
被引用次數: 29 文獻引用-相似文獻-同類文獻
10. 研發項目中止決策分析與判別
侯強 文獻來自: 遼寧工程技術大學 2003年 碩士論文 CAJ下載 在線閱讀 分章下載 分頁下載
從項目中止決策內涵入手,結合國內外研究現狀,以直觀經 濟分析和投資可靠性分析為切入點,分析了項目中止決策的必要 性,從價值評估理論角度分析了項目中止決策的價值基礎,從自 主開發和委託代理角度分析了項目中止決策的運行機制。 依據研究與開發項目的...
被引用次數: 2 文獻引用-相似文獻-同類文獻
查判別分析 的定義
查統計學 的定義
搜多元統計 的學術趨勢
搜思想 的學術趨勢
搜索相關數字
股票交易統計上市股票數目
股票交易統計上市公司數目
股票交易統計股票流通市值
⑶ 如何看股票型基金倉位
如何看待股票型基金倉位?
基金倉位的意思是基金投入股市的資金占基金所能運用的資產的比例。下限就是最低的比例。投入股市的資金如何計算：是股票成本或是股票市值？基金所能運用的資產是凈資產還是現金
以前通用的倉位是基金每季公布的股票市值與凈值之比。這種演算法有一個問題是：股票市值及凈值中含估值增值部分，即股價增長數額，並不代表基金在股價增長之前投入的實際資金。估值增值部分的計入，虛增了基金投入股市的資金，也加大了投資前的資金量，是不太科學的。
股票市值與基金凈值之比並不能准確地表示基金的倉位。股票成本與扣除估值增值後的凈值之比是比較准確的。這個概念中，股票以成本計，凈值也扣除了估值增值部分。這個演算法等於股票成本與股票成本及可用流動資金之比所計算出的倉位，其包含的真實意思有：基金短期內可動用的資金也包括在內(銀行存款加各項應收款與應付款之差)，反映的是基金可支配的總體資金狀況。這應該是較為准確全面的倉位計算方法。
目前股票型基金按照證監會的要求最低不能低於80%的股票倉位，所以在目前股市單邊上漲行情中，股票型基金的基金凈值上升是較多的。因為必須保持60以上的股票倉位。而混合型基金就相對靈活一些，可以在債券和股票中來回轉換倉位。與此同時，下跌時混合型基金風險也相對較小一些。
基金倉位測算方法有哪些？
基金收益率=基金BETA*市場收益率+alpha 用多日數據可以擬合出BETA和alpha。然後根據Beta就可以知道基金的倉位變化了。
一、直接用比例來做。用基金漲跌幅度比上指數的漲跌幅度。簡單易行，粗糙。
二、用回歸來做。基本原理就是P=aX+bY+cZ，P是基金的凈值，X，Y，Z選擇的是不同的指數來回歸，但不限於三個。最後用回歸來確定a，b，c的值，合起來就是基金的倉位。後來對於基金倉位預測的分歧主要集中在X，Y，Z的選擇上，一些研究報告裡面所謂的第二代第三代模型就是這點區別，本質都是回歸，用excel下個叫megastat的插件都能做。所謂第二代就是X，Y，Z選的是大盤股、中盤股、小盤股等指數，第三代則為不同行業的指數，醫葯、銀行、房地產等。問題是：
1、選擇大盤股、中盤股、小盤股等指標(當然可以是別的，也可以用A股，創業板，中小板)，做出的回歸實際投資指導意義不大。
2、所以很多模型選擇用行業指數來進行回歸，常見的就是中證、申萬的行業指數，網上可以下到。
3、回歸類的模型要考慮兩個問題，首先，基金並不是全部投資股票的，會投資債券等，但是當一隻基金投資債券時，它的倉位預測出來就可能很低，而政府對於基金有最低倉位要求的，不符合實際，所以再選擇基金類型上有甄別，或者要做出相應的調整。其次，回歸使用的指數一般會有非常強的多重共線性(就是這些指數一起漲一起跌，很難分辨基金買了哪類股票)，需要對多重共線進行處理，目前能使用的方法主要由差分法、嶺回歸、主成分提取。嶺回歸我還沒試過，差分法效果不顯著，主成分提取還不錯，但是也有很大的缺陷。更多使用的方法還是主成分分析法，雖然在分行業的倉位計算有缺陷，但是基金的總體倉位預測誤差不大，所錄的基金倉位最高為85%左右，最低60%左右，基本和能看到的報道、法規一致。
⑷ IPO抑價現象及其解釋
IPO抑價(IPO underpricing)現象是指首次公開發行的股票上市後(一般指第一天)的市場交易價格遠高於發行價格，發行市場與交易市場出現了巨額的價差，導致首次公開發行存在較高的超額收益率。
我國IPO抑價發行原因：
1.流通股比例低 有關實證研究表明.新股抑價與流通股比例成負相關關系.流通股在企業所有股票中所佔比例越大.IPO抑價程度越低流通股比例主要從下面兩個方面來影響新股上市抑價程度：一是流通股比例低，即投資者持股比例小.難以在公司股東大會上行使自己的權利，也難以獲得企業內部的信息.在二級市場上承擔更大的風險.所以需要較高的發行抑價來補償投資者的投資風險 另一方面.如果流通股比例很小的話，容易引起市場的操縱行為發生.小股東的利益受到侵害.在客觀上迫使中小投資者以投機為目的參與市場交易.增加了股票抑價程度
2.新股發行存在體制缺陷 由於我國股票市場成立時間比較短.發展也不成熟.市場化程度不高，我國股市仍是一個弱勢有效市場 自2001年3月起.新股發行將取消沿用了十年的審批制，實施核准制。核准制對監管機構、券商、上市公司等的規范運作都提出了更高的要求.是我國股票發行制度的一次重大改革.與帶有較強的行政色彩的審批制相比.核准制的行政色彩要少一些 但是核准制在實質上仍是批准制的一種.仍然需要管理層又「核」又「准」.與先進的注冊制還有很大的差距。體制缺陷造成了證券市場嚴重的供求矛盾，引起TiPO嚴重抑價現象
3.投資者結構不合理，市場投機氣氛較濃。 機構投資者具有穩定市場的作用.一方面可以使得市場定價率更高.價格更趨合理；另一方面可以使得市場價格的波動頻率更少.波幅更小。但在中國證券市場上.投資者結構以個人投資者為主，機構投資者為輔。根據中國證券登記結算有限公.-3統計.截至2009年6月30日.中國證券市場投資者總數~16017.84萬戶(包括A股、B股和基金賬戶).其中個人投資者15962.49萬戶，佔99.65%，機構者55-35萬戶.僅0.35%。由於投資知識結構以及投資理念的差異.個人投資者與機構投資者相比，投資心理不成熟.投機心理較重.不利於證券市場價格發現功能的發揮我國股市的換手率過高.意味著市場中非理性成分佔上風、投機氣氛較濃。發達國家證券市場的首日換手率為8.2%，而我國中小企業板的新股上市首日換手率平均約為33.32%。 2006年6月19日.全流通首隻新股「中工國際」在中小企業板掛牌上市後.最高漲幅達576%.換手率高達75.24%。新股發行過程中如此高的換手率.說明市場中過度投機行為嚴重.一級市場的投資者目的在於謀取短期回報，而不是長期投資。
⑸ 在主成分分析里，如何提取主成分
因子分析---選項中有一項是特徵根植大於1 或者說是指定主成分個數，默認是提取的特徵根植為1， 你改成 下面的指定主成分個數那一項就可以了 你想指定幾項都可以 不過要小於所有變數個數
Fp = a1i*ZX1 + a2i*ZX2 + …… + api*ZXp
其中a1i, a2i, ……,api(i=1,……,m)為X的協方差陣Σ的特徵值所對應的特徵向量，ZX1, ZX2, ……, ZXp是原始變數經過標准化處理的值，因為在實際應用中，往往存在指標的量綱不同，所以在計算之前須先消除量綱的影響，而將原始數據標准化，本文所採用的數據就存在量綱影響[註：本文指的數據標准化是指Z標准化。
A = (aij)p×m = (a1,a2,…am,)，
Rai = λiai，
R為相關系數矩陣，λi、ai是相應的特徵值和單位特徵向量, λ1 ≥ λ2 ≥ …≥ λp ≥ 0 。
進行主成分分析主要步驟如下：
1. 指標數據標准化（SPSS軟體自動執行）；
2. 指標之間的相關性判定；
3. 確定主成分個數m；
4. 主成分Fi表達式；
5. 主成分Fi命名；
主成分分析法的計算步驟
⑹ 對於一個具有多指標的問題，有哪幾種評價方法就是如何刪選指標，類似主成分分析法的方法
多指標評價方法 很多的啊。你可以看看多准則評價方法。
⑺ 主成分分析中如何將高優指標轉化為低優指標
不知道你這個會不會是為了推薦某個網站的廣告貼，如果不是，強烈推薦你網路 NEW 星星 老師博客 老師博客寫的股票投資知識非常實用，實戰性強。是普通投資者學習的天堂。
⑻ 量化投資
沒有你想的書
我多年來都有關注這方面的書 可是也沒有在國內找到
數量化投資是將投資理念及策略通過具體指標、參數的設計，體現到具體的模型中，讓模型對市場進行不帶任何情緒的跟蹤；相對於傳統投資方式來說，具有快速高效、客觀理性、收益與風險平衡和個股與組合平衡等四大特點。量化投資技術幾乎覆蓋了投資的全過程，包括估值與選股、資產配置與組合優化、訂單生成與交易執行、績效評估和風險管理等，在各個環節都有不同的方法及量化模型：
一、估值與選股
估值：對上市公司進行估值是公司基本面分析的重要方法，在「價值投資」的基本邏輯下，可以通過對公司的估值判斷二級市場股票價格的扭曲程度，繼而找出價值被低估或高估的股票，作為投資決策的參考。對上市公司的估值包括相對估值法和絕對估值法，相對估值法主要採用乘數方法，如PE估值法、PB估值法、PS估值法、PEG估值法、PSG估值法、EV/EBITDA估值法等；絕對估值法主要採用折現的方法，如公司自由現金流模型、股權自由現金流模型和股利折現模型等。相對估值法因簡單易懂，便於計算而被廣泛使用；絕對估值法因基礎數據缺乏及不符合模型要求的全流通假設而一直處於非主流地位。隨著全流通時代的到來和國內證券市場的快速發展，絕對估值法正逐漸受到重視。
選股：在當前品種繁多的資本市場中，從浩瀚復雜的數據背後選出適合自己投資風格的股票變得越加困難。在基本面研究的基礎上結合量化分析的手段就可以構建數量化選股策略，主流的選股方法如下：
資產配置方法與模型
資產配置類別 資產配置層次 資產配置方法 資產配置模型
戰略資產配置 全球資產配置 大類資產配置 行業風格配置 收益測度 風險測度 估計方法 馬克維茨 MV 模型 均值 -LPM 模型 VaR 約束模型 Black-Litterman 模型
戰術資產配置 ( 動態資產配置 ) 周期判斷 風格判斷 時機判斷 行業輪動策略 風格輪動策略 Alpha 策略 投資組合保險策略
基本面選股：通過對上市公司財務指標的分析，找出影響股價的重要因子，如：與收益指標相關的盈利能力、與現金流指標相關的獲現能力、與負債率指標相關的償債能力、與凈資產指標相關的成長能力、與周轉率指標相關的資產管理能力等。然後通過建立股價與因子之間的關系模型得出對股票收益的預測。股價與因子的關系模型分為結構模型和統計模型兩類：結構模型給出股票的收益和因子之間的直觀表達，實用性較強，包括價值型(本傑明·格雷厄姆—防禦價值型、查爾斯·布蘭迪—價值型等)、成長型(德伍·切斯—大型成長動能、葛廉·畢克斯達夫—中大型成長股等)、價值成長型(沃倫·巴菲特—優質企業選擇法、彼得·林奇—GARP價值成長法等)三種選股方法；統計模型是用統計方法提取出近似線性無關的因子建立模型，這種建模方法因不需先驗知識且可以檢驗模型的有效性，被眾多經濟學家推崇，包括主成分法、極大似然法等。
多因素選股：通過尋找引起股價共同變動的因素，建立收益與聯動因素間線性相關關系的多因素模型。影響股價的共同因素包括宏觀因子、市場因子和統計因子(通過統計方法得到)三大類，通過逐步回歸和分層回歸的方法對三類因素進行選取，然後通過主成分分析選出解釋度較高的某幾個指標來反映原有的大部分信息。多因素模型對因子的選擇有很高的要求，因子的選擇可依賴統計方法、投資經驗或二者的結合，所選的因子要有統計意義上或市場意義上的顯著性，一般可從動量、波動性、成長性、規模、價值、活躍性及收益性等方面選擇指標來解釋股票的收益率。
動量、反向選股：動量選股策略是指分析股票在過去相對短期的表現，事先對股票收益和交易量設定條件，當條件滿足時買進或賣出股票的投資策略，該投資策略基於投資者對股票中期的反應不足和保守心理，在投資行為上表現為購買過去幾個月表現好的股票而賣出過去幾個月表現差的股票。反向選股策略則基於投資者的錨定和過度自信的心理特徵，認為投資者會對上市公司的業績狀況做出持續過度反應，形成對業績差的公司業績過分低估和業績的好公司業績過分高估的現象，這為投資者利用反向投資策略提供了套利機會，在投資行為上表現為買進過去表現差的股票而賣出過去表現好的股票。反向選股策略是行為金融學理論發展至今最為成熟，也是最受關注的策略之一。
二、資產配置
資產配置指資產類別選擇、投資組合中各類資產的配置比例以及對這些混合資產進行實時管理。資產配置一般包括兩大類別、三大層次，兩大類別為戰略資產配置和戰術/動態資產配置，三大層次為全球資產配置、大類資產配置和行業風格配置。資產配置的主要方法及模型如下：
戰略資產配置針對當前市場條件，在較長的時間周期內控制投資風險，使得長期風險調整後收益最大化。戰術資產配置通常在相對較短的時間周期內，針對某種具體的市場狀態制定最優配置策略，利用市場短期波動機會獲取超額收益。因此，戰術資產配置是在長期戰略配置的過程中針對市場變化制定的短期配置策略，二者相互補充。戰略資產配置為未來較長時間內的投資活動建立業務基準，戰術資產配置通過主動把握投資機會適當偏離戰略資產配置基準，獲取超額收益。
三、股價預測
股價的可預測性與有效市場假說密切相關。如果有效市場假說成立，股價就反映了所有相關的信息，價格變化服從隨機遊走，股價的預測就毫無意義，而我國的股市遠未達到有效市場階段，因此股價時間序列不是序列無關，而是序列相關的，即歷史數據對股價的形成起作用，因此可以通過對歷史信息的分析來預測股價。
主流的股價預測模型有灰色預測模型、神經網路預測模型和支持向量機預測模型(SVM)。灰色預測模型對股價的短期變化有很強的預測能力，近年發展起來的灰色預測模型包括GM(1, 1)模型、灰色新陳代謝模型和灰色馬爾可夫模型。人工神經網路模型具有巨量並行性、存儲分布性、結構可變性、高度非線性和自組織性等特點，且可以逼近任何連續函數，目前在金融分析和預測方面已有廣泛的應用，效果較好。支持向量機模型在解決小樣本、非線性及高維模式識別問題中有許多優勢，且結構簡單，具有全局優化性和較好的泛化能力，比神經網路有更好的擬合度。
四、績效評估
作為集合投資、風險分散、專業化管理、變現性強等特點的投資產品，基金的業績雖然受到投資者的關注，但要對基金有一個全面的評價，則需要考量基金業績變動背後的形成原因、基金回報的來源等因素，績效評估能夠在這方面提供較好的視角與方法，風險調整收益、擇時/股能力、業績歸因分析、業績持續性及Fama的業績分解等指標和方法可從不同的角度對基金的績效進行評估。
績效評估模型 / 指標
績效評估准則
擇時 / 股能力
業績歸因分析
風險調整收益
業績持續性
Fama 業績分解
模型 / 指標
T-M 模型
H-M 模型
GII 模型
C-L 模型
資產配置收益
證券選擇收益
行業選擇收益
行業內個股選擇收益
RAROC
Sharp, Stutzer
Treynor, Jensen
, ,
雙向表分析
時間序列相關性
總風險收益
系統風險收益
分散化投資收益
五、基於行為金融學的投資策略
上世紀50～70年代，隨著馬科維茨組合理論、CAPM模型、MM定理及有效市場假說的提出，現代金融經濟學建立了一套成熟的理論體系，並且在學術界占據了主導地位，也被國際投資機構廣泛應用和推廣，但以上傳統經濟學的理論基石是理性人假設，在理性人假設下，市場是有效率的，但進入80年代以後，關於股票市場的一系列研究和實證發現了與理性人假設不符合的異常現象，如：日歷效應、股權溢價之謎、期權微笑、封閉式基金折溢價之謎、小盤股效應等。面對這些金融市場的異常現象，諸多研究學者從傳統金融理論的基本假設入手，放鬆關於投資者是完全理性的嚴格假設，吸收心理學的研究成果，研究股市投資者行為、價格形成機制與價格表現特徵，取得了一系列有影響的研究成果，形成了具有重要影響力的學術流派－行為金融學。
行為金融學是對傳統金融學理論的革命，也是對傳統投資實踐的挑戰。隨著行為金融理論的發展，理論界和投資界對行為金融理論和相關投資策略作了廣泛的宣傳和應用，好買認為，無論機構投資者還是個人投資者，了解行為金融學的指導意義在於：可以採取針對非理性市場行為的投資策略來實現投資目標。在大多數投資者認識到自己的錯誤以前，投資那些定價錯誤的股票，並在股價正確定位之後獲利。目前國際金融市場中比較常見且相對成熟的行為金融投資策略包括動量投資策略、反向投資策略、小盤股策略和時間分散化策略等。
六、程序化交易與演算法交易策略
根據NYSE的定義，程序化交易指任何含有15隻股票以上或單值為一百萬美元以上的交易。程序化交易強調訂單是如何生成的，即通過某種策略生成交易指令，以便實現某個特定的投資目標。程序化交易主要是大機構的工具，它們同時買進或賣出整個股票組合，而買進和賣出程序可以用來實現不同的目標，目前程序化交易策略主要包括數量化程序交易策略、動態對沖策略、指數套利策略、配對交易策略和久期平均策略等。
演算法交易，也稱自動交易、黑盒交易或無人值守交易，是使用計算機來確定訂單最佳的執行路徑、執行時間、執行價格及執行數量的交易方法，主要針對經紀商。演算法交易廣泛應用於對沖基金、企業年金、共同基金以及其他一些大型的機構投資者，他們使用演算法交易對大額訂單進行分拆，尋找最佳路由和最有利的執行價格，以降低市場的沖擊成本、提高執行效率和訂單執行的隱蔽性。任何投資策略都可以使用演算法交易進行訂單的執行，包括做市、場內價差交易、套利及趨勢跟隨交易。演算法交易在交易中的作用主要體現在智能路由、降低沖擊成本、提高執行效率、減少人力成本和增加投資組合收益等方面。主要的演算法包括：交易量加權平均價格演算法(VWAP)、保證成交量加權平均價格演算法(Guaranteed VWAP)、時間加權平均價格演算法(TWAP)、游擊戰演算法(Guerrilla)、狙擊手演算法(Sniper)、模式識別演算法(Pattern Recognition)等。
綜上所述，數量化投資技術貫穿基金的整個投資流程，從估值選股、資產配置到程序化交易與績效評估等。結合量化投資的特點及我國證券市場的現狀，好買認為量化投資技術在國內基金業中的應用將主要集中在量化選股、資產配置、績效評估與風險管理、行為金融等方面，而隨著包括基金在內的機構投資者佔比的不斷提高、衍生品工具的日漸豐富(股指期貨、融資融券等)以及量化投資技術的進步，基金管理人的投資策略將會越來越復雜，程序化交易(系統)也將有快速的發展。