【关键词】固定资产；投资；探讨
一、固定资产投资统计的对象、范围及方法
1.1固定资产投资的意义
固定资产投资对我国的社会主义现代化建设具有重要意义：固定资产投资是指建造和购置固定资产的经济活动，即固定资产再生产活动，是社会固定资产再生产的主要手段；通过建造和购置固定资产的活动，国民经济不断采用先进技术装备，建立新兴部门，进一步调整经济结构和生产力的地区分布，增强经济实力，为改善人民物质文化生活创造物质条件。
1.2固定资产投资统计的对象、范围
固定资产投资统计是整个社会经济统计的重要组成部分。其统计对象是全社会建造和购置固定资产的经济活动的数量，即以固定资产再生产过程的经济现象为统计对象，包括各种经济组织建造和购置固定资产的经济活动，从建设准备开始，经过建筑施工、设备安装、建成投产，直至投产后投资回收的全过程。
固定资产投资统计通过对固定资产再生产过程数量方面的统计，反映一定时期内固定资产投资活动的规模和速度、固定资产投资过程中的结构和比例关系及固定资产投资的经济效果；通过对固定资产投资过程中数量的研究，揭示固定资产投资活动的发展规律。
按照现行统计制度规定：固定资产投资统计范围为500万元及以上固定资产项目投资、房地产开发投资、农村农户投资。月度“固定资产投资”数据，内容包括城镇和非农户项目固定资产投资、房地产开发投资；年度“全社会固定资产投资”数据，内容包括城镇和非农户项目固定资产投资、房地产开发投资、农户固定资产投资。
根据这种统计范围所计算的固定资产投资统计数据有着以下三方面的重要意义：为反映党和国家的方针政策执行情况，为研究国民经济与地区综合平衡提供依据；便于同国外资料进行比较；为正确计算积累数值提供依据。
1.3固定资产投资统计的调查方法
根据调查对象的状况、对调查的要求和调查条件，现行国家统计调查制度中固定资产投资统计主要采取以下三种调查方法：
一是在上述固定资产投资统计范围中，除农村农户投资外，均采取全面调查的方法，通过布置基层表收集资料。国防、人防基本建设项目通过主管部门取得资料。
二是对农村农户固定资产投资采取抽样调查的方法，通过农村经济调查和农村住户调查取得资料。
三是根据不同时期经济管理的需要，固定资产投资统计也可采取普查、问卷调查、收集有关资料进行科学推算或估算等方法。
二、固定资产投资统计工作
2.1固定资产投资统计工作存在的问题
伴随我国社会主义市场经济的快速发展，固定资产投资统计工作也存在一些亟待解决的问题：一是投资统计的理论基础已经不能完全适应市场经济的需要，不能及时反映投资的新情况和新需求。二是以项目形象进度计算投资额的方法可核诵越喜睿计算程序繁琐，基层统计人员难以及时掌握。三是作为社会经济发展的重要考核指标之一，政府部门干扰固定资产投资统计数据现象比较普遍。四是固定资产投资统计数据质量有待进一步提高，个别统计人员统计法治观念和数据质量意识不强，执行统计调查制度和工作规范不严格。
2.2固定资产投资统计工作规范化
首先，统计规范化是投资统计工作建设的基础工作。这一工作做好了，统计数据的质量就有基本的保证，否则将影响整个统计工作的质量。
其次，统计工作规范化，也是采用电子计算机汇总数据与建立数据库存，应用电脑灵活使用数据，进行经济分析、预测与建立电脑软件的决策支持系统的基础条件之一。否则就无法实现统计工作中数据处理的现代化。投资统计工作规范化分为基层单位统计工作规范化和综合单位统计工作规范化。
基层单位统计工作规范化是整个统计工作规范化的一个构成部分，必须严格执行全国的投资统计分类标准、指标体系与报表体系报送时间的规范要求，遵循基层表编码填写规则及逻辑关系，遵循年报基层标准表中的各项指标代码逻辑关系填写报表内容。
2.3领导重视、加强从业人员培训
项目单位不重视投资统计工作，工作开展十分被动。一是部分项目单位领导不重视投资统计工作，造成无专职统计人员，数据准确性难以保证。二是基层单位人员配合程度差，视投资报表为额外负担，不能积极主动上报报表，每次报表都要多次催报，工作十分被动。三是投资统计人员业务水平有待提高。投资活动是复杂多样的，各种新情况、新问题层出不穷。有些实际工作中遇到的具体问题，统计报表制度和指标解释不能满足实际工作的需要，但又找不到相关的指导资料，只能凭个人的理解来处理，在一定程度上影响了投资统计数据的准确性。
基层统计力量的薄弱成为当前困扰统计数据质量和水平提高的重要障碍。加强固定资产投资统计尤其如此，因此，当务之急就是进一步推进对统计从业人员的继续教育，在当前从业资格认证的基层上，进一步推进对从业人员定期的再培训，将统计培训教育纳入统计宣传和普及推广的常态化管理，特别是以制度的形式加以明确，也才能更有效地化解当前人员调动频繁出现的业务水平差、工作断层等问题，解决统计源头数据质量较差的问题。
总而言之，统计人员要真正做到积极主动地开展工作，树立锐意学习的观念，不断地学习新知识，提高自身的素质；要具有勇于开拓创新的精神。综合利用各种统计调查方法，依托计算机、网络技术和数理统计方法，做到统计信息获取方法现代化以及统计信息分析方法现代化，把固定资产投资统计工作做的更好。
参考文献：
[1]张立新.对固定资产投资价格统计调查制度方法的改革的初步构想[J].《内蒙古统计》，2001年第05期.
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”[3]。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[4]。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。[5]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。
二、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。
（四）2013年诺贝尔经济学奖的启示
摘要：本文从人力资本概念入手，着重介绍以人力资本的投入产出为基础和以技术内生化经济增长模型为基础的人力资本测度体系，并试对人力资本测度方法做一个综述。
关键词：人力资本；测度方法；综述
提高人力资源的质量需要进行投资，而这种投资行为获取的人力资本流量、存量究竟为多大，这就需要对人力资本投入和产出进行测度，本文从人力资本的概念入手，力图对人力资本的测度方法做一个综述。
一、人力资本测度的角度
对劳动力要素的研究的不断深入导致了人力资本的概念的提出，另一方面对人力资本概念不同程度的理解也决定了人力资本测度的角度。
我们可以把人力资本看作是活的资本、投资的结果、能带来收益的资本。作为活的资本，它凝结于劳动者体内，表现为人的知识、技能、经验、健康、体能，其中真正反映人力资本质量的是劳动者的智能，人力资本数量即为拥有智能来创造价值的劳动力的数量。但是对这种无形的劳动力智能本身无法进行精确度量。因此测度人力资本一般从两个角度：一是从人力资本的直接投入角度度量，即认为人力资本由投资费用转化而来，没有费用的投入就不会得到，因此对人力资本的计量,是对人力资本投入费用的归集；二是从人力资本的产出的角度度量，认为劳动力拥有的人力资本价值,可通过生产劳动的转移、交换、并实现价值的增值而体现，对人力资本贡献的度量实际上也是对人力资本存量的测度。
二、人力资本测度方法的雏形
应该说人力资本测度方法是随着人力资本理论的发展而不断的发展的，对人力资本理论的研究同时也伴随着对人力资本计量方法的研究。
在西方古典经济学派和新古典经济学派的理论阐述中可以找到有关人力资本测度的基本思想，其劳动与产出的静态分析模型：L=G÷q，其中L为劳动力数量，G为产出，q为劳动生产率，虽然他们不否认劳动者技能的作用，但以经济增长中劳动投入要素为基准的测度模式,人力资本存量等同于劳动力的数量，这并非真正意义上的人力资本测度方法。
具有人力资本测度方法的雏形的是经济学家沃尔什、丹尼森。沃尔什于1935年出版了《人力资本观》一书,在该书中,他从个人教育费用和个人收益相比较来计算教育的经济效益；丹尼森在他的劳动与经济增长模型中,将投入要素尤其是劳动投入要素分得比较详细:dG/G=α+β·dK/K+y·dL/L+…+φ·dX/X,式中K、L、…、X为丹尼森对投入的分类,β、γ、…、φ分别为各投入要素的份额,且β+γ+…+φ=1。其中,对劳动投入的细分和测量是丹尼森模式在前人方法基础上的一大进步。他把劳动力构成的各种因素,如就业、工作时间、教育程度、性别和年龄等都考虑在内,并利用各种不同特征的劳动小时收益作为权数对劳动投入进行加权,得出劳动投入指数。丹尼森运用该模式不仅测定了经济增长中的劳动投入贡献,而且还进一步度量了教育对经济增长的贡献作用。这无疑确立了经济增长关系中具有人力资本要素内涵的理论框架,也是西方学者有关教育与经济增长关系测度的首次尝试。
之所以称他们的研究是人力资本测度方法的雏形，是因为他们没有将完整的人力资本要素引入测度模型，更重要的是他们还没有对人力资本的形成过程和投入产出比率进行深入的研究与测度。然而,这些不太成熟的理论思想和定量分析方法,却是人力资本测度体系形成和日益完善进程中所必不可少的。
三、以人力资本投入产出过程为基础的人力资本测度
1．舒尔茨的研究。
舒尔茨是从探索经济增长和社会财富的积累而逐步踏上研究人力资本的道路的。1960年，舒尔茨发表了题为《人力资本的投资》的演说，明确提出了人力资本的概念，认为迅速扩大的人力资本存量，对劳动生产率的提高和经济的增长起着越来越重要的作用，对人力的投资主要包括教育投资、保健投资和劳动力迁徙投资，人力资本投资标准是：人力资本投资的未来收益，包括个人预期收益和社会的预期收益，要大于它的成本，即：收益率＝预期收益/成本,其收益率原则上同物质资本收益率测算相同。
尽管舒尔茨的计算方法的边界条件还存在一些值得人们探讨的不足之处，如不应仅把工资差别的原因看作为受教育程度不同，人力资本存量也不应完全由工资收入来代表等等，舒尔茨还是第一个提出了人力资本测度模型，从而在方法论上奠定了人力资本测度体系的基本框架。
2．贝克尔的研究。
贝克尔同样认为人力资本可以通过后天投资获得，并影响以后时期的生产率和收益，因此，用于物质资本的投资收益分析方法，也同样适用于人力资本研究。贝克尔的研究以微观为主从人类家庭入手，他的贡献之一是首次用传统的微观均衡分析方法建立了人力资本投资均衡模型。即人力资本投资的边际成本的当前值等于未来收益的贴现值。同时,他在人力资本形成方面，教育、培训和其他人力资本投资过程的研究也具有开创意义。
四、以技术内生化经济增长模型为基础的人力资本测度
技术内生性增长理论的思想源头是阿罗《边干边学》中指出的，阿罗把经济增长完全归功于学习过程和技术的外部效应，试图将新古典经济增长模型中的外生技术进一步内生化,根据这一理论思想，罗默、卢卡斯分别提出了各自的经济增长模型，虽然他们对经济增长中的最终动力源泉的理解有所不同，但他们却都充分肯定了人力资本在这个过程中重要性,卢卡斯则更是强调了人力资本在这个过程中的核心作用。
而从人力资本测度角度来看，论述人力资本对经济增长的作用，同时也是从产出价值的角度对人力资本做的一个测度。
罗默在1986年发表了《收益递增与经济增长》，书中他建立了两个增长模型：简单的两时期模型和简单的两部门模型。罗默的增长率方程显示，人力资本尤其是R&D部门的人力资本投入对经济增长起着积极的作用。两部门模型的思路是：R&D部门的人力资本HA创造知识和技术的积累，知识和技术进步用新资本品种类和数量A体现，进而A和生产部门的L和Hy产出Y，但在此过程中罗默忽略了教育部门及其他形式的人力资本投资对知识积累和技术进步的决定性作用和由此引起的对经济增长的作用，也就是说他只将知识和技术内生于资本的积累，而忽略了知识和技术在人力资本自身增长中的巨大作用，因此严格地讲罗默模型并未解决人力资本度量的任何问题，只是阐述了技术进步与人力资本的相互关系，提高了该模型对现实经济现象的解释力度。
卢卡斯将人力资本作为一个独立要素纳入经济增长模型，运用更加微观的方法把舒尔茨和贝克尔的人力资本概念、索罗的技术进步和罗默的知识积累具体化为“每个人的”、“专业化的”人力资本，以期解释持续经济增长问题。两资本模型和两商品模型区分了人力资本所产生的两种效应:即舒尔茨型的通过正规或非正规教育形成的人力资本所产生的“内部效应”与阿罗的“边干边学”形成的人力资本所产生的“外部效应”。
技术内生化经济增长模型评述：在研究经济增长时技术内生化经济增长模型不仅把人力资本纳入增长模型使之内生化，而且揭示了人力资本的“外部效应”和“外溢效应”，把对一般的技术进步和人力资源的强调变成了对特殊的知识即生产某一产品所需要的“无形的专业化的人力资本”的强调，此理论原意是在经济增长中强调人力资本的作用，并以此为根据来调整经济增长速度,预测经济增长趋势，提供方法和工具。然而，从人力资本理论的发展来看，这种测度角度同时也是对人力资本自身积累不同方式的量化描述，这种计量体系使人们对人力资本的研究更深入、更细致、更具体化、数量化了，是人力资本测度体系不可缺少的一种类型。
五、人力资本测度方法评述
无论是舒尔茨、贝克尔,还是卢卡斯、罗默的测度体系，其方法上的缺陷随着时间的推移都可以被不断出现的新的方法所完善。统计计量工作不会永远停留在原有的高度上,它只会向前发展。然而,从人力资源开发和人力资本理论的研究现状来看，尚有一些难点有待突破。
首先，从方法上看，由于人力资本投入的产出效益往往不直接表现为实物产值的增加，而总是表现为人的健康、知识和技能的增加。只有把人力资本投入到具体的生产实践中去时,人力资本的价值才间接地由经济活动的结果中体现出来。投入的教育、卫生保健、培育子女等生产性支出有多少形成了人力资本的增量，经济活动的结果增量中有多少可以归结为人力资本的作用，这些不确定性使人力资本价值必然存在难以精确估量的问题。因而从宏观层次上衡量人力资本投资对实现经济社会目标的作用程度，则显得更为力不从心。
其次，单纯的人力资本投资在任何时候都不能单独形成生产能力，人类活动是人力资本与非人力资本综合产生的，是两者结合的过程。人们很难把人力资本与非人力资本的作用从这“集体产品”中分离出来。同时，在现代社会生产中,不同的人力资本也必须结合在一起,才能对生产活动产生影响。这就存在不同质人力资本和不同产权人力资本的如何综合计量的问题，应该说评价单个人力资本对集体生产的贡献必然涉及到更多的研究领域，所以,即使舒尔茨、贝克尔、卢卡斯、罗默等人的研究业绩是这方面的杰出的成果，也未免带有某种片面性,或夸大某些因素的作用，或缩小了另一些因素的作用。
再次，人力资本与其他任何资本的区别正在于，其承担者是人，而不是实物，人有思想，有意识，有个性，有情感，有社会交往和个体经验等。难以想象其个人的思想、经历和感情不会影响其工作的态度和积极性。现代激励理论早已证明：人力资本的激励水平将极大地影响其存量价值的体现。有时这种影响可能是决定性的。
最后，在一定经济体制条件下，政策、体制运行对人力资本的影响也是不可忽视的。不考虑这些因素,理想化套用人力资本测度体系则很难与经济发展的实际相吻合。
参考文献：
1．亚当·斯密．国富论．北京：中华书局．1949．
关键词：招商引资；区域投资环境；评价
中图分类号：F124文献识别码：A文章编号：1001-828X（2016）006-000-01
投资环境主要是指在一个国家或地区中，影响投资资本正常运行的各种条件的总和，也是对资本投资产生有利或者不利因素的综合。投资环境是一个动态的概念，往往会受到外界各种因素的影响。优化区域投资环境除了对基础设施配套等物质条件的“硬环境”进行优化以外，还需要从经济、政策、制度以及服务等方面的“软环境”来进行完善，这样才能够吸引投资。
一、开发区区域投资环境的基本构成因素
本文在研究中主要将经济环境、社会文化、基础设施、政治法律要素以及自然地理作为构成区域投资环境的要素，然后采用统计取舍法对区域投资环境的构成要素进行分析。
1.经济环境
经济环境是开发区进行招商引资的主要素材，也是影响项目投资回报的主要因素。随着科学技术、经济文明的不断推进，经济环境会随之发生变化。经济环境主要包括经济体制、市场规模、产业配套、消费水平、工业基础、金融信贷以及物价水平等内容。而投资者在对一个的地区考虑是否进行投资的时候，往往是从经济环境开始进行考虑的，只有经济环境中各项指标满足投资者的要求，投资者才会的进行投资，因此开发区需要特别重视经济环境并持续进行优化，来吸引更多的投资者。
2.社会文化
社会文化主要是指影响经营活动的各种文化要素的总称，其对投资者行为和生产经营过程也产生重要的影响。社会文化环境主要是指历史文化、民族风格、风俗习惯、、当地人受教育程度、政治、社会以及阶级结构等，良好的社会文化环境就能够消除外来投资者与当地雇员和消费者之间的心理距离，也会降低投资过程中的政治风险。
3.基础设施
基础设施要素主要是指进行生产经营、贸易所依赖的物质条件。基础设施要素主要有两方面的内容：一方面是生产基础设施，主要是指市政、交通、邮电、铁路、通讯等方面的内容；另一方面就是生活基础设施，主要有居民配套设施、生活配套设施等，比如道路、住房以及垃圾处理等。
4.政治因素
政治因素是影响投资者进行投资的关键因素，主要包括社会体制、社会结构、社会安全性、政局稳定性以及国家信誉度等。投资者更加关注政府因素、法律因素以及政策因素这三方面的内容。健全的法律会保护投资者的利益，同时也会对投资者的行为进行约束和规范。通过各种政策的调节和帮助，能够提升办事效率，投资者的投资过程也会比较轻松。
5.自然地理条件
自然地理条件主要包括投资地的区位、气候、水文、人口资源、自然资源以及环境保护等方面的内容。项目地距离市场的远近、资源的供应是否便利会对投资者的决策产生影响，人口状况、收入、喜好以及人口状况对劳动力供应的影响等对投资者的决策会产生关键的作用，投资者一般都会根据项目的具体要求选择良好的自然地理环境来进行投资。
二、区域投资环境评价指标体系的构建
在对开发区的区域投资环境进行评价的时候，主要从以下五种方法来进行：
1.多因素和关键因素评估法
多因素评估法和关键因素评估法之间存在着一定的联系，多因素评估法会将经济、政治、市场、财务、技术、法律制度、文化以及行政机构等方面的因素考虑进来，然后按照优良中可差的等级来进行打分，得分越高的话，那么投资的环境就越好，越能够吸引投资者。关键因素评估法主要是对确定投资者动机的关键因素来进行分析。
2.抽样评估法
该方法主要是以随机的方式来抽取或者选择不同类型的企业，调查者对调查的环境因素进行设计，然后让企业的投资者进行口头或者书面的评估，这样就能够获得投资者对投资环境的看法。这种方法简便易行，可以根据需求和目的来对调查对象进行调整，并且容易获得汇总的结果，调查人员可以在短时间内对投资环境的情况有第一手资料。但是这种方法在使用的时候往往主观性较强，因此和现实投资环境之间会存在着一定的差距，因此在调查中就需要扩大调查样本。
3.层次分析法
层次分析法是基于网络系统和多目标评估方式而确定的一种确定层次权重的方法，是将与决策总是有关的元素分解成目标、准则、方案等层次，并在此基础之上进行定性和定量分析的决策方法。这种方法可以深入到问题本质进行调查，对影响因素以及各个因素之间的关系进行定量分析，这样思维过程就会模型化和数学化，这也为现实多目标、多准则的复杂问题的解决提供了较为简便的方法。但是这种方法在使用的时候存在着一定的准惯性，专家的数量和质量也会影响评估的结果。
4.相似度法
这种方法主要是通过投资乘数、投资饱和度、边际消耗倾向、基础设施适应度、有效需求率以及资源增值率等来对投资环境进行反映，通过模糊数学计算的方法来评估环境参数和衡量标准之间的相似程度。这种方法是对区域环境评价的一种创新，但是却评估过于笼统，并不能将复杂系统的整体环境面貌反映出来，主要是没有将政治、社会文化、法律因素等考虑进来，也没有考虑主观指标，因此评估方法本身具有较大的局限性。
5.因子分析法
因子分析法是将多种影响因素分类综合成较少的几个变量，这样就能够用少数几个因子去描述许多指标或因素之间的联系，达到简化变量的目的。这主要是因为在对投资环境进行评价的时候，每个变量的重要性是不一样的，但是这些变量之间存在着一定的关联性，因此就可以简化变量，通过少数的几个新变量将原来的绝大多数信息反映出来。运用这种研究技术，可以方便地找出影响投资环境评价的主要因素以及它们的影响力。
参考文献：
[1]张荣娜.山西省招商引资投资环境评价研究.太原：中北大学，2014.
[2]潘霞，鞠晓峰.基于招商引资的区域投资环境评价指标体系研究.科技进步与对策，2009，26（14）.
关键词：不完美资本市场；公司投资；投资机会；边际Q；Tobin'sQ
1.引言
理论界之所以关心不完全资本市场条件下现代公司投资决策的实证研究，宏观上是因公司投资周期性可能在不完美资本市场条件下放大导致更大的宏观经济的震荡，微观是因为不完美的资本市场导致内部资金与外部资金成本上存在差异从而对保险与信贷市场产生关键性的影响。ModiglianiandMiller（1958）论证了在没有摩擦的资本市场条件下公司的真实投资决策与公司的财务结构与政策没有关联，公司投资决策不必考虑财务上的因素。Tobin（1969）提出了公司投资的Q方法，认为资本存量的市场价值与重置成本是解释公司投资需求的基本变量。这两种方法都代表了公司投资决策的新古典理论，在这两种早期的公司投资理论方法的指导下，公司投资决策不可避免地采用了代表性公司（RepresentativeFirms）的假定。而现代公司投资决策的实证研究，超越了这些无摩擦资本市场与代表性公司的假定，结合了公司投资决策中的信息与激励问题。
本文基于不完美资本市场条件下的公司投资决策这一领域核心文献的梳理，给出不完美资本市场条件下的公司投资决策在新古典框架下的标准公司投资动态模型；基于这一模型，阐述了公司投资决策实证研究模型的构造方法与过程；不但说明实证研究中的困难——投资机会Q测度，而且指出了相应的解决方法。
2.实证模型的理论基础与实证模型的构建
2.1实证模型的理论基础
为了构造不完美资本市场条件下公司投资决策的实证模型，本文先介绍新古典的公司投资决策模型阐述理论基础。设公司资本是唯一的准固定要素，假定资本存量的调整为凸成本函数，风险中性的管理者选择每期的投资实现公司预期的未来利润流现值最大化。该最大化问题可以由下述模型刻画：
这里，下标i与t分别表示公司与时期；Kis表示期初的资本存量；π是利润函数；θis是对利润函数的外生冲击；C是资本存量的调整函数；Iis是公司投资；λit是资本调整成本函数的外生冲击；δ是公司资本固定的折旧率；是公司i在时期t基于可获得的信息集Ω条件下的期望算子。由投资引起的新资本在当期就具备生产能力。
风险中性的管理者选择每一期的投资，从而使公司价值即式（1）最大化。在模型（1）中，目标函数最大化的公司投资的一阶条件为
式（3）定义了边际Q。从该式可以看出，由新增的投资带来的利润的折现值就是边际Q测度。边际Q就是投资机会的理论上的测度。由式（2）知，最大化模型（1）的关于公司投资的最优条件是新增投资的边际成本等于它的边际利润。
2.2实证模型的构建
进一步设定资本调整成本为资本与投资的线性齐次函数为：
把这一线性齐次的函数代入式（2），进一步简化整理，得到下述公司关于投资的一个方程：
（4）
这里，εit为优化误差。式（4）就是公司投资决策实证研究中的模型设定的基石。可以对上式进一步简化为。借鉴Fazzarietal.(1988)的处理方法，假定技术冲击为0。因此，上述简化式可以进一步简化为
（5）
式（5）代表了完美资本市场条件下的公司投资决策的实证模型。该式说明了，在完美的资本市场上，只有投资机会影响到公司投资决策。这一点，被2.1图示分析所示，r处水平的资本供给曲线S与由投资机会决定从而左右移动的资本需求曲线D影响到公司投资，即资本存量的变化。也正如2.1图示分析所示，对于信息成本高昂处于资本市场不完美现实世界的公司而言，公司净值的变化影响公司投资。因此，可以预期式（5）中的残差εit与现实世界里的公司净值变化有关。一个公司由当前收入减去成本与税收构成的现金流可能常常受一系列的会计决定所影响，但公司的现金流常常用来作为公司净值变化的变量。因此，预测公司投资的实证模型可以表述为
（6）
由前面的分析，对于完美的资本市场而言，只要变量边际Q足以控制了投资机会，系数c应当为0，从而在实证研究中H0：c=0的假设检验应当在统计上是显著的。如果实证研究中该假设被拒绝，表明资本市场不完美，公司投资存在融资约束。上述式（6）也是大量关于投资现金流敏感性实证研究文献中的模型。
3.实证研究中的难点及其解决方法
3.1实证研究中的难点——投资机会的Q测度
无论是理想世界还是现实中不完美的资本市场假定下，上述预测企业投资决策的实证模型设定涉及到投资机会边际Q的测度。尽管边际Q存在上文分析阐述的理论测度，但实证研究中，投资机会的边际Q测度是很困难的。如何寻找边际Q在实证研究中的变量，就成为了一个值得讨论的问题。在关于投资机会Q的测度问题上，学术界一直存在三个Q测度，他们分别是边际Q，平均Q与Tobin'sQ。边际Q在上文中已经有详细的分析。本文在此给出其他两个Q测度的简单含义，并指出实证研究中投资机会Q测度的选取、存在的问题与解决方法。
平均Q被定义为Vit/Kit，这里的Vit是由上文中模型（1）给出，即公司管理者对公司资本存量主观估值。Tobin'sQ为资本市场对平均Q的估计。在新古典的假定下，加之关于资本与投资的线性齐次的调整成本函数假定，边际Q与平均Q相等。如果资本市场是有效的，那么公司管理者对公司价值的估计与资本市场一致，从而平均Q与Tobin'sQ的估计一致（Hayashi,1982;Gugleretal.2004）。不然发现，平均Q仍然存在实践中测度的困难，实证研究文献常常用Tobin'sQ作为边际Q的变量，其估计式为
（7）
这里Dit是公司债券的市场价值，Sit是公司股票的市场价值，Nit是公司库存的重置价值，Kit是公司资本存量的重置价值。
尽管在实证研究中有了一个对边际Q进行的变量Tobin'sQ，但这一存在可能较严重的测度错误。这一测度错误缘于：一是完美资本市场与线性齐次的资本存量调整成本假定在现实中不成立，导致边际Q与平均Q不相等；二是资本市场的无效导致公司管理者对公司价值的估计有偏差，导致平均Q与Tobin'sQ不相等。三是即使这些假定在现实中均成立，也就是说，即使边际Q等于平均Q等于Tobin'sQ，实证研究中在估计Tobin'sQ所引用的式（7）也会存在测度上的误差。事实上Tobin'sQ想要测度的是资本存量的市场价值与其重置价值的比。但式（7）只是一个近似。从公司市场价值Dit+Sit中扣除库存的重置价值Nit，人力资本Hit与商标的价值等非物质资产的价值才是资本存量的市场估值，但人力资本与商标等非物质资产的估值是很困难的，所以实证研究中只从公司市场价值中扣减了Nit作为公司资本存量的市场估值。加之，Kit，Dit，Sit与Nit均是会计数据，并不能完全刻画相关的经济学意义上的概念。因此，实证研究中在估计Tobin'sQ所引用的式（7）存在测度上的误差。在估计变量Kit，Dit，与Nit时，实证文献常用迭代程序（详细讨论见Whited（1992）），这种通行的做法又带来了一个问题，即测度误差存在序列相关，因为市场力量在一定时间内持续存在，资本市场的预期与基本面的偏离受持续的狂热的左右。而且，用这些迭代程序近似计算等式（7）中的各个变量也直接导致测度误差存在序列相关。
3.2实证研究Q测度的解决方法——测度误差一致的广义矩方法
从前面的分析知道，在不完美资本市场中公司投资决策的实证研究涉及到公司投资机会Q的估计，通常的估计方法难以得到估计值的良好统计性质，因为不仅边际Q的测度上存在误差，而且这些测度误差还存在序列相关的问题。为了得到具有良好统计性质的估计，可以运用测度误差一致的广义矩方法（MeasurementError-ConsistentGeneralizedMethodofMomentsEstimators）（详见EricksonandWhited（2000）与Lyandres（2007）的讨论）。
4.结论
现有的不完美资本市场条件下的公司投资理论在实证中的检验，遵循了结构建模的方法。本文基于标准的公司投资的动态模型的最优化条件，梳理当前文献中的研究逻辑，介绍了不完美资本市场条件下公司投资决策计量模型设定方法的背后逻辑，而且概括了当前实证研究中的存在的主要难点，即投资机会的边际Q的测度问题。当前文献普遍使用Tobin'sQ作为边际Q的变量，这一实际上不但存在测度误差，而且带来这种测度误差的序列相关。测度误差一致的广义矩方法是纠正这种测度误差序列相关的有效方法。
不完美资本市场条件下公司投资实证研究的逻辑至少有三种。本文介绍的仅是其中的一种。欧拉方程方法是另外一种实证研究的逻辑，这种逻辑能够规避上述由于边际Q的估计存在的问题的。欧拉方程它能够从像模型（1）样的动态设定价值最大化的必要条件得到，通过欧拉方程刻画相邻期最优资本存量的决定。这种方法也是遵循实证研究的结构的方法，这一方法的经典文献可见Whited（1992）与Love（2003）。最后一种绕过使用金融市场变量作为边际Q的实证研究逻辑基于将时序数据方法推广到面板数据（PanelData）的发展。这种方法通过向量自回归（VAR）预测框架将现金流对投资的效应分解为预测完美资本市场条件下的未来获利能力部分与由于金融市场的摩擦所导致的残差组成部分。这种方法则是一种简约式的实证建模方法，这一方法的经典文献可以参见GilchristandHimmelberg（1995）。
基金项目：国家自然科学基金项目地区科学基金项目（批准号：71163010）与教育部人文社科青年基金项目（批准号：09YJC790064）
参考文献：
[1]Erickson,T.andWhited,T.M.,2000,MeasurementErrorandtheRelationshipbetweenInvestmentand“q”,JournalofPoliticalEconomy108(5),1027-1057.
[2]Fazzari,S.M.Hubbard,R.G.andPetersen,B.C.,1988,FinancialConstraintsandCorporateInvestment,BrookingsPapersonEconomicActivity1988(1),141-195.
[3]Gilchrist,S.,andHimmelberg,C.P.,1995,EvidenceontheroleofCashFlowinReduced-FormInvestmentEquations,JournalofMoney,Credit,andBanking36(6),541-572.
尽管量化投资已经成为市场投资的发展趋势，但是大多数投资者并不是很熟悉量化投资。一方面是由于量化投资一定程度上依赖数学模型，而赚钱的投资模型都是机构的秘密武器，不会轻易披露。另一方面是由于量化投资采用计算机系统，设计各种交易手段，有着较为复杂的数学计算与技术要求，现在许多量化投资都是计算机自动执行的程序交易。另外，量化交易者，俗称宽客（quants）的交易和故事多多少少增加了量化投资的神秘感。所以，人们一般把量化投资称为“黑箱”。纳兰（Narang，R.，2012）描述了量化交易系统的典型构造，打开了量化投资的“黑箱”。纳兰认为阿尔法模型用来预测市场未来方向，风险控制模型用来限制风险暴露，交易成本模型用来分析为构建组合产生的各种成本，投资组合构建模型在追逐利润、限制风险与相关成本之间做出平衡，然后给出最优组合。最优目标组合与现有组合的差异就由执行模型来完成。数据和研究部分则是量化投资的基础：有了数据，就可以进行研究，通过测试、检验与仿真正确构建各个模型。预测市场并制定策略是量化投资的核心，即阿尔法模型在量化投资中处于核心地位。随着量化投资的不断发展，量化投资模型也在不断改进。简单的策略可能就是证券或组合的套利行为，如期现套利组合、市场异象研究中的差价组合等。统计套利策略是经典的量化投资策略，如匹配交易或携带交易。近年来，高频交易成为量化投资的重要内容，基于高速的计算机系统实施高频的程序交易已经是量化投资的重要利器。丁鹏（2012）将量化投资的主要内容分为以下几个方面：量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易、ETF/LOF套利和高频交易等。他认为量化投资的优势在于：纪律性、系统性、及时性、准确性和分散化。
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。
（四）2013年诺贝尔经济学奖的启示
