“高质量发展，新业态前瞻”——2023东方财富私募风云际会论坛12月17日在云南昆明隆重举行。
在思勰投资创始合伙人兼总经理吴家麒的主持下，因诺资产创始人兼投资总监徐书楠、世纪前沿创始合伙人兼CEO吴敌、灵均投资首席投资官马志宇，黑翼资产创始人兼CIO邹倚天、信弘天禾总经理章毅、锐天投资创始人兼CEO徐晓波，就“高质量发展背景下量化投资面临的机遇与挑战”为主题展开了圆桌讨论。
（图为圆桌论坛现场）
以下为圆桌论坛速记：
吴家麒：作为私募量化的管理人，怎么建立投资人对我们的信心？
吴敌：量化投资是一种透明度较高的交易方式，为了更好地发展，我们可以采取更加透明化的措施。例如可以借鉴国外的经验，增加信息披露的方式，使投资者更加了解量化投资的过程和结果。我们也非常愿意在信息披露方面做出更多的努力，以实现整个投资方式到投资结果的透明化模式，使投资者对量化投资有更深入的认识和理解，增强他们对管理人的信任和信心。
徐晓波：从业者知道量化策略里有一个重要因子是反转因子，所谓反转的概念是当股票价格暴跌之后，量化从业者会发现这是一个获取超额收益来源和机遇，所以我们会去交易。在2015、2016、2017年以前，这是非常好的因子，但这两年反转因子随着大家越来越多的参与和交易，信号被削减了。从这个例子中其实可以发现，从某种程度来说，量化是一个很好的市场流动性的补充和提供者。因为很多股票在一些风险发生时，或者是股票发生踩踏时容易发生很多短期暴跌的行为，量化从业者在这个时候发现暴跌的非理性从而成为流动性的提供者，进行入场交易。因此当越来越多类似反转因子信号交易发生时，其实发生极端短期暴跌的事情反而会变少，这是第一点。
第二点，中国资本市场这些年发展很快，但海外资本市场的发展历史时间更早，尤其是美国。早在100年前就开始有了资本市场的制度。美国资本市场制度也经历了很多的周期，包括早期也会有很多不完善和不规范，比如市场操纵和内幕交易。美国量化兴起时，监管也对量化提出过很多质疑，包括也一些虚假报单的行为，包括操纵市场等。这是一个不断成熟的市场环境以及监管规范化的发展问题。
第三个，作为量化从业者来说，提供好的资产配置工具给广大的投资人。投资人主体不管是个人也好，机构也好，银行理财子也好，券商、券托、保险等，我们也希望有机会想为国家的社保贡献力量，这需要监管的推动。中国资产配置的市场这么大，量化作为目前发展比较快的赛道，可以参与到资产配置体系的框架中来，是不可或缺的一股科技力量。
吴家麒：第二个问题，微盘概念今年涨了40%，量化里面很多产品也含有不少微盘股票，投资人关心两个问题。第一个问题就是，量化的超额是不是通过这些微盘或者是小盘的股票做出来的？第二个就是类似的微小盘股票的持有，会不会有风险？
徐书楠：我个人的看法是，中国量化投资还没有进入到非常成熟的时期。和美国这样的成熟市场相比，它相对的占比还是比较小的。美国市场90%以上都是机构投资者，量化占据半壁江山。相应的，在中国，量化私募在二级市场的私募当中大概占比20%到30%，再考虑公募基金和个人投资者，中国量化的整体占比应该不到10%。和美国相比差别非常大。
由此造成的现象就是，中国市场的超额收益更高。可以看到，中国的指数增强产品、中性产品，还是可以通过选股的方式来获得一个非常高的超额收益的。比如说这两三年，中国量化机构的平均超额水平在500指数、1000指数上基本上还是能够做到10%以上的，如果好的话可以到15%以上。这个超额水平和2019、2020年没法比，但是和美国相对比，是非常好的，是高得不可思议的数字。因为在美国市场，世界一流的量化基金也很难做出稳定超额。这就是为什么在美国ETF非常流行，甚至比主动投资规模都大，就是因为指数本身是很难战胜的。
中国市场本身量化的规模不大，所以市场的无效波动相对高一些，这就给量化投资提供了更高的超额收益的时期，也就是量化投资的红利期。如果考虑量化投资红利期存在的话，我个人认为未来中国量化的发展趋势大体是整体规模越来越大。因为在红利期中国量化的收益风险比高于其他资产，一定就会吸引更多的资金进入到这个领域里，这就是在整个投资领域都遵循的无套利原理，有一块收益风险比高，资金就会进入，慢慢把它填平，因此十年、二十年之后量化的规模几乎一定会比现在大很多。我们知道，美国有很多500亿美金以上管理规模的量化基金，十年、二十年以后中国可能也会有这样的机构。当然，伴随着规模的增长，红利期会逐渐消失，再想做出高的超额收益会越来越难。因此，规模越来越大，但收益风险比逐渐降低，这是我认为的一个长期发展趋势。
另一方面，我们认为在中国市场还有一个趋势，就是能做的事情可能会越来越多。现在，中国的金融衍生品市场还不够发达，所以量化规模最大的就是指增，而不同机构的指增产品，绝对收益相关性一般在0.9以上，甚至是0.95以上。随着中国金融衍生品越来越多，我们就能做出更多的相关性比较低的策略来。虽然说可能整体的性价比不如现在，但是投资者可以有更多样化的选择，而不是说只有现在这么几种策略类型可以选。那个时候量化投资也会变得更加专业。
邹倚天：我觉得小盘有两个特点，首先是其本身确实有风险溢价，这个风险溢价是长期存在的。小盘波动大，承受波动带给你更高的收益，所以长期来看是有一定的溢价存在的，当然同时要承受更高的风险。另外，小盘的定价效率更低，所以潜在的alpha收益空间更大。
很多量化管理人选择了一些小盘暴露，可能是基于这两点。至于说要选择暴露多少，和各家管理人的风险偏好有关。如果你对小盘的alpha特别自信，觉得能承受beta，可能会选择暴露高一点，如果觉得这方面的alpha会偏弱一点，可能选择暴露低一点，确实要慎重选择到底要暴露多少。
章毅：关注这个问题之前先开放性地想另外一个问题，就是投资者想要的是什么？一类是个人投资者，一类是机构投资者。
机构投资者很明确自己想要什么样的产品，以及产品需要什么样的风格，比如说想要500指数增强，对于量化管理人来说，或者是承接这个产品需求的人来说，就需要锁定这个风格，同时在可控范围内带来超额。
但是对个人投资者来说，他并不是看好了500指数，只是因为渠道，因为各种宣传的途径导致了他认为要买500指数。这个时间点如果你牢牢控制500指数给到个人投资者，对于个人投资者来说可能结局并不一定是好的，因为没有人能证明500风格在今年好，对他来说真正的投好体验就是今年把比较好的股票选出来，创造稳定的收益点，今年中小市值股票的收益更高，大票相对不太好。
第一个原因是量化管理人能不能在小票当中获得收益，是否能够比持有大盘股获得更高的收益？我们自己是这么认为的，第一原理角度来说，量化是基于统计，样本量很重要，现在有5000多只股票，很明显小市值股的样本数量更多，在这个样本量里面更容易寻找相对更多超额的股票。
第二个原因是小市值的股票更具有风险溢价，本身市值偏小，代表了单位的资金进去的时候股票产生的波动率增加了，波动率增加区分了专业选手和非专业选手。另外就是小票信息不对称，比如说茅台，中国石油，中国银行，普通选手和专业选手信息量差别不大，但是看特别小的股票，理解不一样，于是就是产生了alpha的来源。
第三个原因是因为整个投资的机构不一样，小票相对来说便宜，给很多投资者尤其是个人投资者带来更高的增长预期，所以他们更愿意交易，所以这个里面投资的结构相对于大票来说专业度少。
这几个方面让基于数理统计的模型更容易获得超额。是否持续和明年还可以保持住？这个问题，更多是吴总问到的小市值股票的风险，或者是微盘指数的风险,微盘指数的收益是看的到，但是很难拿到，今年微盘已经创造了48的收益，年初的400只股票已经变了超过100支，年初的不是现在，如果是年初400只股票到现在为止400只股票没有什么变化，指数涨了50%，那估值泡沫就会很高，面临的风险会很大。
吴家麒：第三个问题，国内量化已经做了十年，未来整个量化投资里，还有哪些地方值得做一些增长，或者是一些创新的机会？
徐书楠：因诺资产在人工智能领域也有自己的感受，我们在人工智能领域其实研发非常早，公司从2016年开始研发人工智能模型，2018年上线。当时对人工智能有很多的质疑，在参加一些论坛活动的时候，有人不相信人工智能在量化投资当中能够成功地应用起来，在这些方面还有很多的讨论，现在这一点应该已经没有争议了，大家都认为人工智能在量化投资里面有很大的应用价值。
另外，因诺长期以来是一家多策略的公司，所以其实我们也验证了人工智能在很多不同的策略领域都是有非常高的价值的。不光有alpha策略，包括CTA策略、算法交易，甚至小众的，如期权、可转债等等，我们都是有人工智能的应用的。所以针对人工智能模型，我们公司非常看好它未来的发展，所以我们像章总一样，拥抱人工智能。
关于这个方向我分享几点自己的感受。第一个就是，人工智能可能和很多普遍投资人直观理解的方式不太一样。有时候会看到一些自媒体的文章，说量化投资它们生活很轻松，每天早上过来把机器打开就可以睡觉了，中午吃个午饭，下午收盘把机器关了又可以睡觉了，这个显然是没有理解量化策略开发的方式。
即使我们用到了人工智能，也并不是说人就没有事干了。我们是用人工智能帮我们开发策略，并不是说人工智能能够自己帮我们优化策略了，今天帮我们做一个alpha，明天做一个CTA，不是的。人工智能目前主要是通过机器学习的方式实现的，说到底，里面都是一个一个的统计学算法，所以人工智能本质上就是一种统计学方法而已，至少现在是可以这样简单总结的。
如果从这个角度来理解，一个人工智能算法和一个线性回归算法并没有本质的差别，都是统计学模型而已。当然，他们的复杂度完全不一样，一个线性回归模型，里面可能有几个参数，或者几十个参数，而一个人工智能模型，里面可能有几十万个参数，甚至几百万个参数。因此，人工智能模型的复杂度很高，人类通常无法做出直观意义上的解释。但是，因为人工智能模型本身也是统计学的方法，所以从模型层面上它并不具备任何自我优化的能力，这一点大家要注意。这就是为什么量化公司都要有一个非常大的投研团队，因为我们是无法通过建立一个服务器机房来取代投研团队的。机器只是一个工具，有了这个机房可以看很多的回测结果，但是，所有人工智能模型的改进都是人做出来的，而不是机器做出来的。所以说，量化投资确实是一个非常卷的行业，到人工智能这一步就更卷了，需要投研团队有更多的努力开发更多优秀的模型，这一点长期来看都不会有本质的改变。
当然，我们还需要强调，虽然人工智能模型只是一种统计学方法，但确实是具有独特优势的统计学方法。我们为什么关注人工智能模型，研究在量化投资领域的应用，就是因为人工智能模型已经在很多领域获得了成功，比如说语音识别、图像识别、自动驾驶、下围棋、大语言模型等等，都是人工智能模型的应用。
我们2016年开始研发人工智能模型，和阿尔法狗的轰动有很大关系。人工智能模型在很多领域应用非常成功，在这些领域，我们通常认为人工智能就是解决这些问题最好的方法，甚至是唯一有效的方法。
目前科学界公认的就是，人工智能方法在大数据、非线性领域相对于传统的方法有非常大的优势。在投资中相应的领域，人工智能当然就具备了应用的潜力，能够在相应的领域成功应用起来。现在，我们很多量化机构已经证明了，确实是可以在投资领域进行有效应用的。基于这样的特点，我们非常看好人工智能领域未来的发展。但是，不管怎么发展，量化投资都仍然是人才的比拼，比拼的是谁有更好的人才培养机制，能够长期开发出更好的投资策略，这个是永远不会变的。
马志宇：我从技术角度和业务角度来阐述。首先，从技术角度看，量化投资实际上就是一种科技投资，我们量化管理人，实际上都是把最先进的科技应用在量化的投资实践当中，技术的进步，实际上能够带来量化投资能力的进步。就像过去十年，深度学习在一些图像、视频领域有突破，很快就被引入到量化投资当中，如今深度学习技术在国内的量化投资领域已经非常普及、非常成熟。
我们再看最近一年最火爆的ChatGPT，像ChatGPT这种技术，实际上也已经引起了量化圈极大的关注。包括我们，在座的一些管理人可能也已经在尝试使用这个工具。ChatGPT是一个大语言模型，实际上在十几年前做美股策略的时候，我们是通过新闻、文本挖掘一些信息。当时挖掘文本的能力和现在相比是非常初级的，现在有GPT这种工具，可以使得我们对文本、包括未来对视频等非数字化的数据信息的提取和加工能力得到极大的提升。
这样对于管理人的投资能力来讲，提升的空间就会非常大。设想现在有这样一个超能力者，他具有超强的阅读能力、阅读速度和理解能力，能够对市场上所有新闻、财报、研报，进行快速阅读和理解，那么这个人实际上就已经成为了一个投资专家。
ChatGPT给我们提供了这样一种可能性，当然作为工具，怎么使用好GPT还有很多需要做的事，但是GPT提供了一个很好的可能性。所以说随着科技不断进步，实际上量化投资的投资能力也是在不断进化。包括现在提到的一些概念，比如量子计算等等，一旦真正能够落地、能够商业化，也会推动量化投资的投资能力有巨大的提升。
所以在科技的这条路线上，量化投资人一直是与时俱进的，不断通过吸收新的科技来提升投资能力，这是量化发展的一条路线。
第二个技术路线是量化和主观的结合。量化投资主要依赖大数据，对大数据进行归纳，总结规律后做出投资决策，量化基于小数据样本进行推理的效果相对弱。而这方面是主观的特点：在对行业进行深度认知和研究后做出投资决策，主观投资的观点往往是独立并极具价值的。因此实际上现在无论海外还是国内，量化投资都在试图不断把主观投资的观点吸收、结合进来。
比如说海外或国内的一些项目，研究大量的主观研究员、销售对市场的观点，通过量化的方式对主观观点进行管理，形成一个量化组合。目前这种做法可能还相对比较初级，也许未来在这个方式上大家还会有进一步的探索，能够更加有效地把人对于市场的认知转化成量化投资的思路。
吴家麒：现在大家在人工智能、深度学习、ChatGPT这些已经应用到了量化领域，这些技术对量化行业有哪些进一步的影响？
吴敌：国内量化行业确实受益于这一波AI浪潮，2015年以后深度学习技术引入国内，后来很多同行就开始利用这种技术去做量价的预测，能够将超额做的很高。因为整个A股市场的噪音交易比较多，有很多无效的情绪化交易，是比较容易被这种AI模型识别的，因此它的效果非常好。这几年国内量化的发展，确实是受益于这一波深度学习技术普及的过程。
所以我们一直以来都很关注这个领域，去思考如何更科学在投资中应用最先进的技术。2020年开始我们就组建了专门的AI部门，这几年中高频的量价领域也大规模应用了AI技术，后续也会持续投入。未来三年内投资结构不会发生太大改变，我们在量价领域对AI技术的应用仍然是非常具有确定性的事情。
第二是对大模型的应用，我们也跟很多同行交流过，这确实是对整个行业很好的机会。但实际上对于量化投资来说，目前还是在学习和探讨过程中。大模型更多是对很多普通人的生活生产效率，包括编程、文字创作、图像创作带来的非常大的革命，但是量化投资更多是一种决策性模型的应用，它很早就应用了transformer等技术，未来也会更多地利用文本数据、另类数据等，通过技术自动提取数据中的特征，然后应用到我们的股票预测模型中来。包括我们在做CTA商品期货投资时，可以利用AI模型对天气等影响因素做一些更准确的预判。所以人工智能在量化投资领域的场景化应用是全方位的。人工智能的蓬勃发展较大地提高了量化投资的效率，它带来的技术更新也是量化投资整体系统工程优化中极为重要的一部分。
章毅：我们专注深度学习和人工智能在量化里的应用，全面拥抱机器学习,不管是国外还是国内都已经是一个现成的可以落地的非常不错的应用。
海外的自营商基本上在好几年之前已经用了大量的非线性模型，未来有几个方面是可以看到的，有很大想象空间的，比如说深度学习或者是非线性的模型，在高频率变化的数据里面，或者是颗粒度细的数据里面提炼很好的效果，国内的期货和股票市场我们说高频率变化的T级别的数据很容易产生alpha，所以国内除了量化管理人之外，很多科技类的公司开始成立了算法公司，不仅是为量化管理人，还为很多公募和主观，甚至是为一些个人投资者提供算法交易,这个背后应用了大量的非线性模型，就是我们说的人工智能模型。
第二点就是以前我们做简单的一些因子和策略的时候，更多是规则性的，就是尝试着写一些规则，有很好的想法，有想法之后实现，这产生了一个瓶颈，就是因为每个人的想法是有限的。
以前做无人驾驶的时候红灯时候停一下，绿灯开过去，于是把规则写好了，车到了马路，发现是绿灯，但有一个老奶奶过马路，车还是开过去了。用了非线性模型之后，强化学习，很容易把数据、特征工程录入进去，里面更多设置一些机制，让它反复的循环学习，只要是调得足够优秀，自我迭代的能力可以更强。对我们来说带来了一个更好的想象空间，可以从原来的规则型转化更加的智能化。
第三点就是更大的ChatGPT，这些能不能运用到量化和主观中间，因为二者也会相互之间有更多的交叉，因为我们看的东西越来越像，学习很多市场上或者是国内外不同的文本的信息,但是至于落地的话可能还有一个比较的过程，以及怎么验证，这提供了一个很大的想象空间。
另外一点就是有这么多的好，肯定也有不好的地方，我觉得在应用AI到量化交易过程当中特别需要注意就是过拟合的风险，很多数据拟合出了一个很不错的投资组合，于是就交易了，但是交易过程当中又因为深度学习模型不具备可解释性，至少现在这个课题还没有突破，一旦在投资当中发现不好的时候，我们不能像传统的量化很容易归因和迭代优化，就面临策略如何修复，这个时间点投资组合该怎么样完善，人工智能方向转去做股票投资过程当中还是需要更多的谨慎。
徐书楠：我们因诺资产在人工智能领域也有自己的感受，我们在人工智能领域其实研发非常早，公司2016年开始研发人工智能模型，2018年上线。当时对人工智能有很多的质疑，参加一些论坛活动的时候，有人不相信人工智能在量化投资当中能够成功地应用起来还有很多的讨论，现在这一点应该已经没有讨论了，大家都认为人工智能在量化投资里面有很大的应用场景。
第二点，我们长期以来是一家多策略的公司，所以其实我们也验证了人工智能在很多不同的策略领域都是有非常高的价值。不光有alpha策略，包括CTA策略，算法交易，甚至小众的，期权，可转债等等，都有潜力应用人工智能的，所以人工智能模型，我们公司是非常看好它未来发展，所以我们像章总一样肯定是要拥抱人工智能的方向的。
关于这个方向我分享几点自己的感受，第一个就是人工智能可能和很多普遍投资人直观理解的方式不太一样。因为有时候也会看到一些自媒体的文章，说量化投资它们生活很轻松，每天早上过来把机器打开就可以睡觉了，中午吃个午饭，下午收盘把机器关了就可以睡觉了，这个可能就是没有真正理解量化策略开发一种真正的方式。
即使我们用到了人工智能，也并不是说人就没有事干了，我们是用人工智能帮我们开发策略，并不是说人服务器自己帮我们优化策略了，今天帮我们做一个alpha，明天做一个CTA，不是的。人工智能目前主要是机器学习的方式实现的，说到底里面都是一个一个的统计学算法，所以人工智能本质上就是一种统计学方法而已，至少现在是可以这样简单总结的。
如果从本质的角度解释，一个人工智能算法和一个线性回归算法都是统计的模型，只不过复杂度不一样，一个线性回归里面有几个参数，几十个参数，人工智能模型有几百万个参数，甚至几千万个参数都是可能的，复杂度很高，人类理解人工智能模型的时候无法做出直观意义上的理解，但是因为人工智能模型本身也是统计学的方法，所以不具备任何自我优化的能力的。这一点大家要注意，就是为什么量化公司都要有一个非常大的投研团队，我们是无法通过建立一个服务器机房取代投研团队的，机房只是一个工具，有了这个机房可以看很多的回撤记录，但是人工智能的改进都是人做出来的，所以量化投资确实是一个非常卷的行业，一直到人工智能这一步更卷了，需要投研团队有更多的努力开发更多优秀的模型，这个长期来看不会改变。
第二点人工智能模型虽然是一种统计学方法，当然确实是具有独特优势的统计学方法，应用在量化投资领域，之前已经在很多领域用了，我们为什么关注人工智能模型，研究在量化投资领域的应用，就是首先在很多领域获得了成功，比如说语音识别，大语言模型等等都是人工智能模型的应用。
我们2016年开始研发人工智能模型，和阿尔法狗的轰动有很大关系。人工智能模型在很多领域应用非常成功，这些领域我们认为人工智能就是解决问题很好的方法，甚至是唯一有效的方法。
目前科学界公认的就是人工智能的方法在大数据非线性领域相对于传统的方法有非常大的优势，投资领域找到了适合的方法，人工智能就具有这样的潜力，能够在这个领域成功应用起来。现在我们无数的量化机构已经证明了确实是可以在投资领域进行有效应用，基于这样的特点，我们非常看好人工智能领域未来的发展，但是不管怎么发展，量化投资仍然是人才的比拼，比拼哪一家机构有更好的人才，开发更好的投资策略，这个是永远不会变的。
吴家麒：各位能否分享一下数据在量化投资中的重要性？
吴迪：随着市场的成熟和有效性的提高，无效定价的机会相对减少，量化投资超额收益也呈降低趋势，但这是个缓慢的过程。所以想要维持在市场中的相对优势，量化管理人的核心竞争力一定是持续研发能力。除了需要持续的策略迭代，拥抱大数据时代，挖掘另类数据也越来越重要。目前另类数据在我们策略中的占比相对较低，但我们认为它是策略中比较重要的部分。主要由于它所带来的信息与传统的量价、基本面、分析师是非常不同的，互补性更好。但同时，我们认为另类数据策略在短期内产生的影响会比较有限。主要由于另类数据具有频率低、个股覆盖度相对有限、数据相对较少等特点，数据质量也无法得到系统性的保证，考虑到量化非常依赖系统性、科学性的回测来检验策略效果，所以目前我们对另类数据的态度相对比较谨慎。
文章来源：东方财富网
责任编辑：43
郑重声明：东方财富发布此内容旨在传播更多信息，与本站立场无关，不构成投资建议。据此操作，风险自担。
举报
东方财富网
分享到微信朋友圈
打开微信，
点击底部的“发现”
使用“扫一扫”
即可将网页分享至朋友圈
扫描二维码关注
东方财富官网微信
沪股通
港股通(沪)
深股通
港股通(深)
热门资讯
十大券商策略：超跌反弹行情有望出现
网游新规征求意见
多位顶流基金经理最新加仓动向
游戏股重创 谁在抛售？
焦点专题
证监会调整优化融券相关制度Choice最佳分析师精彩发“研”中央汇金公司增持四大行
11月宏观经济数据
苹果秋季新品发布会
视频
一键关注财经大咖
热点推荐
105款游戏版号下发 年内单月最多！多家游戏企业火速回购股票
时代周报
57
人评论
2023-12-25
东方财富
扫一扫下载APP
东方财富产品
东方财富免费版
东方财富Level-2
东方财富策略版
Choice金融终端
浪客 - 财经视频
证券交易
东方财富证券开户
东方财富在线交易
东方财富证券交易
关注东方财富
东方财富网微博
东方财富网微信
意见与建议
天天基金
扫一扫下载APP
基金交易
基金开户
基金交易
活期宝
基金产品
稳健理财
关注天天基金
天天基金网微博
天天基金网微信
东方财富期货
扫一扫下载APP
期货交易
期货手机开户
期货电脑开户
期货官方网站
信息网络传播视听节目许可证：0908328号 经营证券期货业务许可证编号：913101046312860336 违法和不良信息举报:021-34289898 举报邮箱：jubao@eastmoney.com
沪ICP证:沪B2-20070217 网站备案号:沪ICP备05006054号-11 沪公网安备 31010402000120号 版权所有:东方财富网 意见与建议:4000300059/952500
关于我们
可持续发展
广告服务
联系我们
诚聘英才
法律声明
隐私保护
征稿启事
友情链接
