寬邦科技：2022年度中國量化投資白皮書（173頁）.pdf

《寬邦科技：2022年度中國量化投資白皮書（173頁）.pdf》由會員分享，可在線閱讀，更多相關《寬邦科技：2022年度中國量化投資白皮書（173頁）.pdf（173頁珍藏版）》請在三個皮匠報告上搜索。

1、 1 1 CONTENTS目錄目錄關鍵數據及發現關鍵數據及發現.1 1第一章第一章 行業掃描行業掃描.3 31.1 市場概況.41.2 調研框架.161.3 數據說明.17第二章第二章 人才發展人才發展.1 18 82.1 人才面貌.192.2 崗位情況.252.3 薪酬構成.262.4 職業狀態.292.5 成長發展.32第第三三章章 機構實踐機構實踐.3 34 43.1 市場回顧.353.2 機構規模.373.3 投資策略.403.4 投資贖回.443.5 交易技術.51第第四四章章 趨勢前沿趨勢前沿.5 57 74.1 未來展望.584.2 競爭狀態.624.3 人工智能.664.4 基

2、本面量化.734.5 另類數據.754.6 高頻數據及交易.77 2 第第五五章章 最佳最佳實踐實踐.8 80 05.1 艾方資產：反脆弱的抽象與演繹.815.2 倍漾投資：用最激進的方式進行 AI 量化.855.3 華軟新動力：FOF 方法論 15 問 展望與思考.895.4 九坤投資：初心如磐，星光不負趕路人.955.5 寬投資產：微妙玄通 若冬涉川.1005.6 銳天投資：中性 慎獨.1035.7 杉樹資產：克制與內省.1065.8 世紀前沿：做對但是難的事情.1105.9 衍盛中國：向多資產類別的數量化對沖基金邁進.1145.10 正瀛投資：非線性的魅力.1195.11 卓勝私募：10

3、 萬特征庫 我們在如何踐行人工智能量化.1255.12 仲陽天王星：嬗變 2022.129關于我們關于我們.13133 3附附注注 1 1.13135 5附附注注 2 2.1 13838 3 CONTENTS圖圖表表目錄目錄圖表 12017-2021 年新備案私募量化投資基金情況，數量規模大幅提升.4圖表 22022 年主要品種交易量.5圖表 32022 年 A 股日度成交額.5圖表 42022 中證 500 指數及波動率.5圖表 52022 中證 1000 指數及波動率.6圖表 62022 年 Barra 風格因子收益率時序.6圖表 7IC 年化貼水成本統計.6圖表 8各類型策略 2018-

4、2022 年度新增機構.6圖表 92018-2022 各策略產品發行數量和同比變化.7圖表 10產品規模變動情況.7圖表 11情緒指標環比變動情況.7圖表 122022 年私募股票策略基金規模變化估算.8圖表 132022 年股票多頭倉位變化圖.8圖表 14私募基金業績追蹤周報.8圖表 15CTA 時序量價策略近一年相關系數.9圖表 16量化機構最注重的量化策略特征.9圖表 17股票市場中性年化單邊換手變化趨勢.9圖表 182022 年混合類收益表現.10圖表 192022 年混合類收益分布.10圖表 20常用機器學習模型排序.10圖表 21當前量化機構的機器學習/人工智能量化應用領域.10圖

5、表 22各年度策略核心觀察池業績表現.11圖表 232022 年量化產品分策略收益率統計.11圖表 242022 年量化產品分策略最大回撤統計.12圖表 25私募各策略指數 2022 年表現.14圖表 262022 年核心策略規模變動影響測算.14圖表 272019-2021 年私募量化產品的主要策略類型分布.14圖表 28量化當前研究/使用策略，多點開花.14圖表 29頭部管理人市場中性的回撤圖.14圖表 30股指期貨 IC 對沖成本變化.14圖表 31問卷調研填寫時間分布.17圖表 32問卷調研機構類型分布.17圖表 33問卷調研地理分布.17圖表 34問卷調研從業年限分布.17圖表 35

6、問卷調研人員崗位分布.17圖表 36問卷調研所在機構規模分布.17圖表 37量化人才學歷背景.19圖表 38量化人才專業背景.19 4 圖表 39私募證券投資基金管理人高管最高學歷分布.19圖表 40受調人員從業年限分布，平均年限為 3.63 年.20圖表 41人才入行方式分布.20圖表 42人才主要來源分布.20圖表 43投研技術崗位的員工數量同比變化.21圖表 44不同規模量化機構投研技術崗位的員工數量同比變化.21圖表 45機構管理規模區間同比變化.21圖表 462022 年重點招聘崗位占比.22圖表 47量化語言使用，Python 占比 85.55%.23圖表 48C+、Python、

7、Rust 語言能力圖.24圖表 49開發語言在不同資管規模下的邊際效用（非高頻）.24圖表 50Github 目前全球的量化交易類項目及其使用語言.24圖表 51薪酬主要構成，16.67%擁有股權激勵.26圖表 522022 年核心人物持股比例發生變更的百億量化私募.26圖表 53百億量化私募實控人與前三大持股股東及持股比例.26圖表 54年薪水平【總包】.27圖表 55超額收益提成分布.27圖表 56全球博士畢業量化從業人員基礎薪酬及總收入分布概況（美元）.28圖表 57賣方量化從業人員基礎薪酬及總收入分布概況（美元）.28圖表 58買方量化從業人員基礎薪酬及總收入分布概況（美元）.28圖表

8、 59核心事務在整個工作時長中的占比.29圖表 60各機構量化人員核心事務在整個工作時長中的占比.29圖表 61各機構工作狀態和壓力.29圖表 62工作強度和壓力狀態.29圖表 63機構規模與工作量關系.30圖表 64量化人期望在公司里面獲取的權益/福利.30圖表 65量化人才尋找新工作機會的誘因.31圖表 66量化人才離職的主要驅動因素.31圖表 67Quant 的關鍵素質.32圖表 68量化人提升專業知識、技能的方向（2022）.32圖表 69量化人提升專業知識、技能的方向（2021）.32圖表 70量化人帶教新人意愿程度，平均意愿 4.37/7.33圖表 71量化機構策略合作/交流氛圍.

9、33圖表 72量化機構策略合作交流氛圍與公司組織形式分析.33圖表 73量化機構投研組織形式.33圖表 742022 年量化人最關注的三個行業事件/現象：回撤、疫情、策略.35圖表 75量化機構規模分布.37圖表 76機構量化占資產管理規模比例.37圖表 77量化機構管理規模同比變化.37圖表 78機構規模與規模增長之間呈現線性關系，增長聚集在頭部機構.37圖表 79機構規模與主要競爭優勢雷達圖.38圖表 80100 億以上機構與 1 億以下機構主要競爭優勢雷達圖對比.38圖表 81各機構規模區間機構競爭優勢，頭部機構在投研體系及資本市場資源領先.38圖表 82機構資產管理規模/最優容量比例，

10、均值為 47.99%.39 5 圖表 83不同管理規模機構，機構資產管理規模/最優容量比例.39圖表 84量化機構當前投資研究標的.40圖表 85量化機構換手率（按年度雙邊換手率計算）分布.40圖表 86不同風格及換手率的基金舒適規模參考表.40圖表 872022 年量化機構工作重點.41圖表 88不同規模機構 2022 年貴機構工作重點.41圖表 89量化日常工作挑戰.41圖表 90量化機構最注重的量化策略特征.42圖表 91機構競爭力模型：前瞻度、配置、交易、創新與變革.42圖表 92機構因子儲存數量：4.30%在 1 萬以上.42圖表 93常用策略因子數量：61.42圖表 942019-

11、2021 年私募量化產品的主要策略類型分布.43圖表 95量化機構當前研究/使用策略.43圖表 96存續產品中直銷產品規模占比分布情況.44圖表 97存續產品中規模占比超過 20%的代銷渠道分布情況.44圖表 98量化機構投資人類型.45圖表 99不同機構投資人類型.45圖表 100A 股非金融企業購買理財和二級市場投資情況.45圖表 101A 股上市公司 2022 年購買理財投資情況.45圖表 102美國對沖基金持有人結構變遷.46圖表 103機構偏好對沖基金的原因.46圖表 104股票多頭策略產品月度凈申贖.47圖表 1052022 年核心策略規模變動影響測算.47圖表 1062022 年

12、，量化人面臨的贖回壓力分布.48圖表 1072022 年，量化機構產品最長凈值修復周期.48圖表 108投資人贖回壓力與凈值修復周期關聯關系，季度為重要周期.48圖表 109中國投資者的股票出售行為畫像.49圖表 110行情切換與份額變動.49圖表 111樣本私募產品的凈值表現（左）和贖回量（右，萬元）.49圖表 112投資人對產品回撤容忍度比較，銀行類回撤敏感.49圖表 113投資人對產品回撤容忍度比較，絕對收益類回撤敏感.49圖表 114普通投資者群體中最為常見的幾種偏差.49圖表 1152022 年私募基金策略占比月份變化情況.50圖表 116私募基金策略占比年度變化情況.50圖表 11

13、7量化機構策略系統情況.51圖表 118量化私募策略系統情況.51圖表 119量化機構管理規模與換手倍數.51圖表 120量化投資機構期望的交易對接流程周期.51圖表 121量化機構交易訴求排序.52圖表 122量化機構交易過程中遇到的事故.52圖表 123中美資本市場交易系統 30 年演進趨勢.54圖表 124分布式架構與集中式架構性能對比.54圖表 125金融機構分布式轉型實踐.55圖表 126暢想未來 3 年量化行業關鍵詞.58 6 圖表 127量化機構關注的行業方向.58圖表 128量化行業演變方向 2021-2022 年對比.62圖表 129量化行業演變方向.62圖表 130行業競爭

14、及集中度預判.63圖表 1312022 百億私募量化基礎情況.63圖表 132量化人心中的海內外量化機構榜樣.64圖表 133量化市場挑戰：全球經濟、交易規則、風險偏好.64圖表 134面對疫情量化機構的準備措施.65圖表 135當前量化機構的機器學習/人工智能量化應用領域.66圖表 136當前 AI 落地階段.66圖表 137人工智能模型使用排序.66圖表 138AI 算法使用的方式.67圖表 139常用機器學習模型排序.68圖表 140各類機器學習使用環節.68圖表 141當量化機構機器學習/人工智能量化應用階段.69圖表 142量化機構當前機器學習/人工智能量化資源配置.69圖表 143

15、通過傳統 PCIE 總線連接 CPU-GPU.70圖表 144通過 NVLink 總線連接 CPU-GPU.70圖表 145生成式 AI 應用圖景.72圖表 146生成式 AI 未來.72圖表 147另類數據研究/使用類型.75圖表 148ESG 數據在量化策略中應用情況.75圖表 149海內外部分高頻交易商名譜.77圖表 150高頻交易系統的主要優化技術.78圖表 151高頻數據的主要研究方向.79 1 KEY FINDINGS關鍵數據及發現關鍵數據及發現1、受訪量化從業者的平均工作年限為 3.63 年，超過六成的量化從業者認為工作量和難度適中，無需額外處理。23.17%的受訪者認為工作量和

16、難度過于飽和，需要長期加班。13.41%的受訪者認為工作量和難度較小，能游刃有余地處理。2、2022 年，機構加緊投研人才建設，當前市場整體處于人才超配于策略的狀態，大部分管理人傾向于先于管理規模進行人員配置部署，尤其是新晉的百億量化私募招聘火熱。在量化行業表現較好的 2020、2021 年，較多機構出現了人員倍增。3、256 份數據顯示，50%的 Quant 從業人員采用多語言進行工作，其中 Python、C 語言和 MATLAB 作為量化行業最主流的編程語言，分別有 85.55%和 25.00%、24.61%的使用率，位居語言前三。新興語言方面，Rust 和 Go 在海外逐漸興起，目前在新

17、興加密貨幣基金嘗試使用 Rust。4、45.34%的受調人員薪酬構成單一，主要來自于基礎崗位薪酬，超過一半的行業人才擁有超額收益提成或股權激勵，其中16.67%的受訪者擁有股權激勵。5、僅有 11.11%的從業者認為自己的知識、經驗、技能能夠完全滿足日常工作實踐。同時大家認為做好一個 Quant 的關鍵素質先后順序分別是：扎實的專業技能、聰明、快速領悟、對世界的認知、勤奮努力。6、聰明有助于單次研究的勝率，而努力則決定長期的水平。在細分維度上，Quant 們希望提升的專業知識、素質技能的方向分別是人工智能、創新能力全球視野、數據分析以及未來策劃，與 2021 年調查結果基本一致。7、回顧 20

18、22 年，機構體感一致，編寫組以“回顧 2022 年，您最關注的三個行業事件/現象分別是”為題，得到的最主要三個關鍵詞分別為：回撤、疫情、戰爭。另外美元加息、中證 1000、倫鎳逼空、數字貨幣、行業輪動、策略容量、策略同質化等事件及現象也飽受市場關注。8、整體而言，量化行業管理規模 2022 年迎來下滑，有近半機構量化管理規模沒有變化甚至減少，從規模區間上來看，馬太效應明顯，管理規模存量越大的機構全年增長幅度也可能越大，50 億-100 億的機構中，超過六成實現了管理規模的增長。而管理規模超過 100 億的大型機構，更是只有極少比例的出現了下滑。9、數據顯示目前市場上的管理規模尚未達到飽和，機

19、構資產管理規模/最優容量比例為 47.99%。10、A 股和期貨是最主要的投資標的，分別有 79.88%和 56.71%的機構參與投資。期權和債券分別為 34.15%和 31.71%，小眾如新興市場股票（印度、越南等）占比也能達到 8.05%，值得注意的是，有 15.24%的機構將數字貨幣作為研究投資標的，將CTA 策略微調之后應用于數字貨幣交易。11、因子儲存數量呈現為兩頭高、中間低的特征，體現出兩種因子挖掘風格：一種是通過精篩具備經濟學意義的因子，另外一種是采用機器學習進行海量因子挖掘。目前 4.30%成機構因子儲存數量在 1 萬以上，67.19%的機構常用因子在 50 個以內。2 12、

20、量化機構最主要的核心競爭點，一是行業發展前瞻度、配置能力、交易能力、創新與變革能力、資本市場認可度。策略本身的投研能力，管理規模越大的公司自評分數越高。13、“暢想未來 3 年的量化，您能想到哪些關鍵詞？”調研發現：人工智能、行業競爭及基本面量化是行業最關注的三個方向，這也與“您個人關注行業哪些研究方向”完全吻合，超 7 成量化人關注人工智能應用；6 成關注高頻數及因子；58.2%關注基本面量化。14、2021 年 12 月及 2022 年 4 月，調研組兩次對行業提問“您認為接下來量化投資會朝著哪些方面演化，變化幅度有多大”，普遍而言，2021 年對于各個方向的感知更為強烈，市場普遍認可規范

21、化、智能化是主要發展方向。15、59%的受訪者認為未來 3 年量化行業的集中度會提升，大型機構的管理規模會越來越大；26%的受訪者認為行業競爭不確定，收益率、規模、波動率難以平衡；15%受訪者認為機會在肩部機構或中小型機構。16、調研發現，量化市場面臨的 5 大挑戰排序為：市場風格變化和極端行情、全球經濟衰退、貨幣政策、地緣整治。17、量化人認為競爭主要來自于量化機構之間內部競爭，排序遠超于其他資管機構以及海外量化機構。18、相比 2021 年數據，神經網絡的使用明顯增多，各家機構都在增加模型復雜度，紛紛使用神經網絡處理各類型任務。3 4 市場概況市場概況1.1.11.1.1 驟雨初歇驟雨初歇

22、 市場調整后的懸停市場調整后的懸停2019-2021 年，A 股三連陽，量化私募也迎來高光時刻，行業邁入萬億大關。截至 2021 年末，在協會備案且勾選量化的私募基金共 16850 只，數量同比增長 42.2%，規模達到 1.08 萬億元，規模同比增長 91.5%，規模和數量分別占私募證券投資基金數量、規模的 21.9%和 17.1%。與此同時，一批投研實力強勁的私募量化投資基金管理人已經嶄露頭角，百億私募量化投資基金管理人數量達到 28 家，在前十大私募證券投資基金管理人中，量化私募占有 5 席。圖表 1 2017-2021 年新備案私募量化投資基金情況，數量規模大幅提升數據資料來源：證券投

23、資基金業協會 2021 年私募基金統計分析簡報但時至 2022 年，上證指數一度跌落 3000 點，A 股“三連陽”終結。伴隨風險偏好的回落，2022 市場整體表現疲軟，在存量博弈環境中呈現出風格輪動加速的特點，全年大小盤風格處于拉鋸狀態，價值與成長風格多次切換。股指期貨多空軋差降低，股票及商品期貨的換手率均出現下滑，并且兩類資產的日均成交量也呈現出下降的態勢。相比于 2021 年多家量化產品緊急封盤，2022 年行業新聞更多的新聞則是回購。2022 年度主動及量化倉位分別最低下探至 70.6%和 83.6%，從各家機構交出的年末答卷中可以看到，債券、CTA、中性產品表現不佳，有的甚至出現負收

24、益，投資者贖回增加，流入資金大幅度下降。這對量化私募行業帶來了直接影響。行業整體規模封頂于 1.5 萬億左右。百億級量化私募的名譜有進有出，數量最終停留在 28 家。新備案私募基金較少，甚至出現新增備案市場中性策略的管理人只有 2 家的情況。產品發行數量的同比增長率也表現不佳，市場中性策略、股票多空策略同比分別下降-49.70%、-63.20%。一切發展好像是都懸停在了 2021 年底的狀態。5 圖表 2 2022 年主要品種交易量數據資料來源：招商證券托管部圖表 3 2022 年 A 股日度成交額數據資料來源：朝陽永續基金研究平臺圖表 4 2022 中證 500 指數及波動率數據資料來源：朝

25、陽永續基金研究平臺 6 圖表 5 2022 中證 1000 指數及波動率數據資料來源：朝陽永續基金研究平臺圖表 6 2022 年 Barra 風格因子收益率時序圖表 7 IC 年化貼水成本統計數據資料來源：私募策略年度回顧報告數據資料來源：Wind，中金財富圖表 8 各類型策略 2018-2022 年度新增機構策略分類2018年度新增2019年度新增2020新增2021年度新增2022年度新增股票多頭67331986843110695711472512947372121股票市場中性193112018208721682182股票多空822853883957950債券基金2529257526362

26、76132815管理期貨51919526754115577365847套利策略11001133113012181232宏觀策略12661271128113791392組合基金174517511816203222063定向增發900911910921920新三板320320320320320多策略925249371295114990399999其他2091222112266453911253954總計9445286960816398192111038156210536155數據來源：國泰君安托管部 7 圖表 9 2018-2022 各策略產品發行數量和同比變化數據資料來源：朝陽永續基金研究平臺圖

27、表 10 產品規模變動情況*核心策略規模變動根據中國基金業協會網站披露結果及中信中證所編制的私募策略指數數據綜合推算*凈申贖影響測算時已考慮新發產品認購數據資料來源：中國證券投資基金業協會，中信中證圖表 11 情緒指標環比變動情況類別指標2022 年2021 年環比變化資金流動申贖資金凈流入524.294570.01-4045.73銀證轉賬凈流入-402.351539.18-1941.53基金倉位年末股票倉位87.05%86.99%0.06%股指期貨多空軋差率股指期貨多空軋差率12.28%28.08%-15.80%換手率股票平均換手率202.40%210.58%-3.89%策略2018 年同比

28、變化2019 年同比變化2020 年同比變化2021 年同比變化2022 年同比變化股票多頭7384-25.03%820711.15%1437275.12%2364764.54%22563-4.58%股票市場中性62618.11%100660.70%137636.78%164619.62%828-49.70%指數增強222-12.25%39377.03%886125.45%1856109.48%991-46.61%股票多空3026.71%37223.18%67982.53%7013.24%258-63.20%管理期貨1187-38.40%13009.52%198052.31%4006102.3

29、2%2572-35.80%套利策略237-34.89%36654.43%46025.68%69551.09%559-19.57%宏觀策略296-22.92%255-13.85%46080.39%60130.65%343-42.93%債券基金3030-33.89%359018.48%461428.52%685748.61%5596-18.39%組合基金625-48.81%6361.76%122993.24%2534106.18%1566-38.20%多策略1252-54.16%175440.10%4771172.01%4225-11.44%1737-58.89%8 商品期貨平均換手率2857.4

30、3%3489.72%-18.12%成交量股票日均成交量43.9445.02-1.08商品期貨日均成交量20.0421.5-1.47數據資料來源：國泰君安托管部圖表 12 2022 年私募股票策略基金規模變化估算圖表 13 2022 年股票多頭倉位變化圖數據資料來源：國泰君安托管部數據資料來源：國泰君安托管部1.1.21.1.2 爭議漸歇爭議漸歇 透明度認可度提高透明度認可度提高2022 年度，主管部門對于量化投資的監管進入常態化，市場對于量化的爭議之聲也逐漸停歇。與此同時，量化也充分地暴露在了市場的探照燈之下。早前量化產品的數據披露來自部分第三方機構，雖然數據覆蓋度較為完整，但是顆粒度、深度卻

31、有所欠缺。2022年券商托管部門、FOF機構不斷推出各種研究數據報告，直接摘取底層交易數據，以周度為單位更新量化機構的最新凈值及策略相關性，尤其是對單產品策略類別、策略周期及交易品種進行無死角披露，讓量化的交易品種、倉位和換手率變得越發透明。圖表 14 私募基金業績追蹤周報數據資料來源：國泰君安托管部 9 圖表 15 CTA時序量價策略近一年相關系數數據資料來源：國泰君安托管部1.1.31.1.3 策略同質策略同質 機構探索多策略全頻段機構探索多策略全頻段隨著機構化的提升，量化賽道變得愈發擁擠。與此同時，增量資金的涌入速度放緩，市場透明度提升，機構不得不走向了“同質化”。據招商托管數據顯示，截

32、至11月18日，量化多頭產品的收益四分位差（前25%分位與前75%分位產品收益率的差值）僅有11.1%，而自2018年以來該數值基本維持在20%以上。即便很多機構表示了并不特別關注和其他機構的同質性，但實際上在2022年最關注的事件/現象里面，仍然有5家機構主動提到了策略的同質性。在此情形下，機構不得不探索更多可能性，目前來看中頻賽道已經出現擁擠，機構正不斷向高頻和低頻賽道拓展。從2021年9月至2022年底，以量化中性策略為例，平均年化單邊換手由47倍降至32倍。50億以下的量化中性還維持有平均48倍的年化單邊換手，50億以上的大規模管理人平均換手已降至26倍。也有部分機構引入基本面量化策略

33、，同主觀交易進行融合。目前機構普遍采用多框架、多策略、多品種、多市場投資的運作模式，同時推出混合策略，平滑收益曲線。機構探索更多可能性的另外一個表現是，2022年人工智能熱度仍然不減，業內模型的復雜程度不斷提升，神經網絡、強化學習的普及程度不斷提高。圖表 16 量化機構最注重的量化策略特征圖表 17 股票市場中性年化單邊換手變化趨勢數據資料來源：問卷調研數據資料來源：招商托管 10 圖表 18 2022 年混合類收益表現圖表 19 2022 年混合類收益分布數據資料來源：招商托管數據資料來源：招商托管數據資料來源：朝陽永續基金研究平臺圖表 20 常用機器學習模型排序圖表 21 當前量化機構的機

34、器學習/人工智能量化應用領域數據資料來源：問卷調研數據資料來源：問卷調研1.1.41.1.4 AlphaAlpha衰減衰減 中性衰弱、指增及中性衰弱、指增及CTACTA風頭漸盛風頭漸盛各券商托管機構的數據顯示，2022 年度僅有市場中性、CTA 策略、債券策略收益為正，雖然影響因素不同，但是從收益表現來看，市場整體情況與 2018 年度高度相似。從月度收益表現來看，在 1 月、3-4 月、8-9 月股票市場加速下行階段，滬深 300 指數整體表現好于中證 500 指數及中證1000 指數，大盤股抗跌性較強；2 月市場情緒震蕩，各策略均有所回暖，中小盤股票表現好于大盤股；在 5-7 月、10-1

35、2 月的兩次市場觸底反彈過程中，大盤股和中小盤股票表現出截然不同的強弱切換；5-7 月中小盤股票相對強勢，并且在 10-11月延續了強勢表現，但在 11-12 月大小盤再度風格反轉，大盤股成為反彈主力。受風格切換影響，主觀股票多頭策略分月表現波動劇烈；量化股票多頭策略受影響較小，僅在 2 月、10 月跑輸中證 500指數；中性策略月收益分布相對集中，極端收益情況較少；期貨套利策略相對期貨趨勢策略絕對收益特征更為明顯，僅在 8-9月小幅虧損；FOF 策略各月均表現相對疲軟，盈利能力較弱。年初俄烏沖突為大宗商品價格趨勢打出了清晰的上揚線，但年中 8 月波動率降至低位徘徊，拉低了趨勢策略表現，同時“

36、危機 Alpha”的爭議讓 CTA 策略更廣為熟知，據券商托管部門測算，全年期貨策略規模擴張，趨勢及套利策略在凈申贖的影響下，其規模分別增加 8.9%與 56.91%。市場正在積極擁抱 Beta，具體表現在中性產品的衰弱及指增產品的不斷推出，空氣指增引起熱議。曾幾何時，中性產品是量化的代名詞，但是據中信研究數據測算，從 2019 年到 2021 年，中性產品的規模占量化投資總體規模的比重由 44%下降 11 至 33%，這種下降勢頭延續至 2022 年。2021 年 9 月到 2022 年 1 月，因股票端超額收益大幅回撤，對沖端貼水迅速收斂提高成本，二者共振導致中性策略收益創下近幾年來最大幅

37、度的回撤。而到 10 月份，隨著股指不斷下跌，IH 原來的升水幅度逐漸降低，IF 和 IC 貼水逐漸收窄，某些合約甚至出現升水的狀態。2022 年市場中性策略收益雖然為正，但整體規模大幅下降了 27.45%，其中凈申贖是規模變動的主要原因，也有少量影響來自市值變動，在上述提及的超額回撤和對沖成本提升之外，市值變動還會受到市場推廣的影響。圖表 22 各年度策略核心觀察池業績表現20182019202020212022正收益占比股票策略-20.51%25.68%33.81%15.49%-12.56%13.46%市場中性2.20%4.85%11.88%9.36%3.59%77.48%CTA 策略2.

38、59%12.88%35.49%15.90%5.75%66.04%宏觀策略-10.55%24.52%30.23%13.63%-12.45%25.00%債券策略4.35%3.26%6.74%7.58%11.35%67.75%多策略-8.64%18.29%24.55%9.84%-8.64%27.59%私募 FOF-6.67%13.71%21.95%7.04%-0.52%28.15%滬深 300-25.31%36.07%27.21%-5.20%-21.63%中證 500-33.32%26.38%20.87%15.58%-20.31%數據資料來源：國泰君安托管圖表 23 2022 年量化產品分策略收益率

39、統計2022 年量化產品分策略收益率統計策略分類機構規模范圍參與統計產品數10 分位20 分位35 分位50 分位75 分位多策略0-5 億51515.12%5.19%-1.42%-6.99%-18.27%5-10 億13420.53%5.71%1.80%-1.39%-11.75%10-20 億10213.38%5.23%1.35%-0.54%-8.22%20-50 億11619.00%12.21%8.57%5.82%-5.97%50-100 億3917.81%5.84%0.85%-1.28%-9.24%100 億以上1027.68%5.25%1.20%-2.29%-4.75%套利策略0-5

40、億597.93%3.59%1.71%0.16%-5.70%5-10 億63.96%3.52%2.69%1.20%-1.29%10-20 億626.90%12.37%10.37%8.44%6.51%20-50 億33.72%1.35%-2.19%-5.73%-6.13%50-100 億63.72%3.40%1.86%1.14%-0.36%100 億以上116.71%6.70%5.29%4.14%3.08%宏觀策略0-5 億2943.13%22.21%8.86%3.00%-7.82%5-10 億2-34.26%-34.26%-34.26%-34.26%-34.26%10-20 億812.29%11

41、.95%10.91%9.27%2.54%20-50 億113.08%1.02%-1.27%-2.49%-5.13%100 億以上62.92%2.74%1.99%0.99%0.09%管理期貨0-5 億29617.19%10.63%4.56%-0.46%-10.92%5-10 億7719.72%14.72%10.32%5.91%-2.22%12 10-20 億4518.60%15.66%11.91%4.86%-3.01%20-50 億8833.77%31.88%25.13%20.72%16.90%50-100 億167.57%6.35%5.02%1.23%-7.11%100 億以上935.70%1

42、7.44%4.89%-0.47%-0.60%指數增強0-5 億3102.65%-4.84%-9.41%-11.63%-22.15%5-10 億932.85%-0.80%-6.04%-9.99%-14.71%10-20 億951.48%-3.79%-9.94%-11.95%-14.51%20-50 億1142.22%-2.58%-8.39%-10.77%-15.01%50-100 億125-5.03%-8.50%-10.13%-10.87%-12.70%100 億以上230-3.10%-5.28%-8.31%-10.14%-14.28%股票多頭0-5 億6299.44%0.40%-5.95%-1

43、1.38%-21.40%5-10 億1449.88%3.98%-2.60%-9.30%-19.22%10-20 億858.94%2.79%-5.10%-7.96%-21.55%20-50 億12313.21%2.82%-2.34%-8.84%-18.16%50-100 億422.58%-3.60%-6.72%-9.64%-21.68%100 億以上2811.09%-0.95%-2.72%-3.29%-4.75%股票多空0-5 億6412.96%5.88%0.41%-6.60%-18.69%5-10 億810.13%-5.53%-12.34%-14.06%-19.26%10-20 億49.87%

44、5.77%0.04%-2.35%-6.36%20-50 億163.16%-4.23%-6.77%-8.30%-19.33%50-100 億615.89%6.38%-6.53%-11.83%-12.84%100 億以上202.53%1.17%-1.09%-5.57%-10.65%股票市場中性0-5 億41510.67%6.35%2.03%-3.10%-13.08%5-10 億14511.92%7.09%3.85%1.83%-0.58%10-20 億13610.06%6.62%3.31%1.62%-2.57%20-50 億17917.88%10.49%6.54%4.21%-1.60%50-100

45、億5110.26%8.15%6.34%3.58%-0.26%100 億以上1669.44%6.75%5.43%3.41%-0.54%全市場全市場528312.66%5.94%0.57%-3.70%-12.70%圖表 24 2022 年量化產品分策略最大回撤統計2022 年量化產品分策略最大回撤統計策略分類機構規模范圍參與統計產品數10 分位20 分位35 分位50 分位75 分位多策略0-5 億51541.55%33.77%22.45%17.18%9.42%5-10 億13435.45%28.77%18.66%11.69%4.87%10-20 億10223.39%16.94%13.41%11.

46、20%4.75%20-50 億11622.90%15.86%10.47%8.50%2.87%50-100 億3939.42%31.45%19.83%6.41%4.07%100 億以上10220.58%15.09%11.40%9.86%7.78%套利策略0-5 億5927.19%20.60%13.10%5.27%2.79%13 5-10 億68.62%3.74%2.91%2.46%1.46%10-20 億64.56%4.50%3.40%2.76%2.15%20-50 億39.26%8.97%8.54%8.11%5.49%50-100 億64.67%4.61%4.58%4.29%1.59%100

47、億以上114.12%4.08%3.01%2.73%2.59%宏觀策略0-5 億2925.97%23.43%20.24%16.63%10.88%5-10 億237.84%37.84%37.84%37.84%37.84%10-20 億817.74%10.50%6.04%5.96%2.06%20-50 億1121.24%18.97%18.20%16.70%8.68%100 億以上613.29%12.27%10.43%8.43%8.28%管理期貨0-5 億29639.93%28.93%20.72%14.66%7.17%5-10 億7725.93%17.36%12.91%9.29%4.55%10-20

48、億4532.73%23.32%14.51%9.16%6.87%20-50 億8817.11%15.85%14.25%12.29%9.94%50-100 億1618.66%12.70%9.28%7.46%6.55%100 億以上913.12%10.71%8.60%8.06%8.01%指數增強0-5 億31038.55%33.85%28.84%24.02%18.88%5-10 億9329.47%24.96%23.84%21.60%16.63%10-20 億9527.81%25.60%22.15%21.14%18.05%20-50 億11431.10%28.21%24.99%22.64%18.71%

49、50-100 億12525.96%23.39%22.00%21.33%20.40%100 億以上23030.15%26.28%24.24%22.10%19.65%股票多頭0-5 億62940.13%32.79%27.12%21.79%14.02%5-10 億14438.75%31.14%25.11%20.87%13.15%10-20 億8533.56%29.39%25.71%22.21%14.38%20-50 億12330.88%28.30%22.85%19.15%10.72%50-100 億4229.34%27.56%24.10%22.90%15.38%100 億以上28125.50%24.

50、92%24.54%24.30%21.00%股票多空0-5 億6437.49%29.99%23.31%20.38%12.21%5-10 億841.87%32.07%28.81%28.67%22.79%10-20 億413.01%12.55%11.91%11.63%8.55%20-50 億1625.83%21.11%19.68%18.93%12.31%50-100 億630.71%28.47%27.32%24.84%21.87%100 億以上2027.10%22.30%18.85%13.36%11.94%股票市場中性0-5 億41535.69%26.12%16.63%10.20%3.67%5-10

51、 億14524.75%10.94%6.12%4.46%1.93%10-20 億13629.19%14.92%6.48%4.87%0.79%20-50 億17914.37%8.58%5.44%4.47%3.02%50-100 億5111.19%7.37%6.54%5.62%3.39%100 億以上1669.90%7.31%5.91%5.23%3.82%全市場全市場528333.29%26.13%21.70%16.40%6.65%數據資料來源：朝陽永續基金研究平臺 14 圖表 25 私募各策略指數 2022 年表現產品策略指數增強量化選股股票市場中性債券CTA趨勢型CTA套利型CTA混合類策略FO

52、F年內指數收益-8.20%-1.20%6.10%4.10%0.90%-4.10%6.00%-9.30%-4.20%年內指數回撤27.30%22.20%2.90%1.80%5.90%11.20%2.40%12.50%8.40%年內指數波動22.60%18.80%4.80%2.40%4.90%6.50%3.70%9.10%5.80%數據資料來源：招商證券托管圖表 26 2022 年核心策略規模變動影響測算策略期初規模(億)期末規模(億)規模變動凈申贖影響市值變動影響金額(億)百分比金額(億)占比金額(億)占比主觀股票多頭23234.0715286.19-7947.88-34.21%-3412.15

53、-42.93%-4535.73-57.07%量化股票多頭2928.252580.25-348-11.88%-158-45.40%-190-54.60%市場中性2932.522127.56-804.95-27.45%-892.69-110.90%87.7410.90%期貨趨勢1137.381238.65101.278.90%133.8132.12%-32.53-32.12%期貨套利547.41858.95311.5556.91%287.8892.40%23.677.60%FOF 策略5179.55093.73-85.77-1.66%206.77241.07%-292.54-341.07%合計35

54、959.1227185.33-8773.78-24.40%-3834.39-43.70%-4939.39-56.30%數據資料來源：國泰君安托管圖表 27 2019-2021 年私募量化產品的主要策略類型分布圖表 28 量化當前研究/使用策略，多點開花數據資料來源：中信研究數據資料來源：問卷調研圖表 29 頭部管理人市場中性的回撤圖圖表 30 股指期貨 IC 對沖成本變化 15 數據來源：Wind，私募排排網，管理人，中金財富*數據統計時間為 2019 年 1 月 1 日至 2022 年 11 月 4 日數據來源：Wind，私募排排網，管理人，中金財富*數據統計時間為：2019 年 1 月 1

55、 日至 2022 年 11 月 4 日 16 調研框架調研框架結合2021 年中國量化投資白皮書所述，當前國內對于量化投資的研究包括學術和實踐層面，學術方面包括資產定價模型、技術指標研究、高頻交易策略、機器學習和人工智能、統計分析和風險管理等內容，實踐層面則包括數據獲取處理、交易執行、量化模型構建、組合構建、回測評估、風險控制、實時數據分析和管理、軟件和系統搭建、人工智能技術等內容，較為缺乏當下時間段行業中觀層面的圖景。2022 年托管、FOF 發布的數據及報告增加了許多產品凈值及策略數據報表，但市場紛繁復雜，人才及機構實踐的篇章仍然有待我們描繪。本報告結合 428 份定量問卷調研與 12 家

56、量化機構定性訪談，與讀者一道建立對量化行業的最新認知，并嘗試研判量化投資的未來發展趨勢。本報告主要關注以下核心問題：人才發展：人才發展：量化行業人才畫像、能力模型，在實際工作中遇到什么困難？機構實踐：機構實踐：機構在人才建設、因子挖掘、量化策略、數據算力算法當中的最新動向？趨勢前沿：趨勢前沿：什么因素在驅動著量化邁入下一階段？量化又會朝著哪些方向演變？最佳實踐最佳實踐：萬類霜天競自由，各類機構在如何認知這個市場？有何具體實踐？未來在何處布局？17 數據說明數據說明風險提示：本次問卷調研受限于問卷設計、樣本選擇、數據整理方式，可能與實際市場情況存在偏差與測算主觀性問題。圖表 31 問卷調研填寫時

57、間分布圖表 32 問卷調研機構類型分布圖表 33 問卷調研地理分布圖表 34 問卷調研從業年限分布圖表 35 問卷調研人員崗位分布圖表 36 問卷調研所在機構規模分布數據資料來源：問卷調研 18 第二章人才發展 19 人才面貌人才面貌2.1.12.1.1 學歷背景學歷背景人才一直是量化行業的核心生產資料，合并2021年12月及2022年4月共計498份問卷可以發現，量化投資投研人員的學歷以本碩居多，本碩博占比分別為30.92%、58.43%、8.63%，碩博比例超過6成，與中國證券投資基金業協會（以下簡稱“中基協”）披露的私募證券投資基金管理人高管最高學歷分布相當，其中金融工程、計算機、經濟學

58、/金融學專業為行業貢獻人才最多，占比接近75%，其次為數學、統計、物理等傳統學科，另外還有小眾學科如神經科學、電氣工程、電子科學與技術、機器人、財務、心理學、環境工程、市場學、地質化學類等。圖表 37 量化人才學歷背景圖表 38 量化人才專業背景數據資料來源：問卷調研數據資料來源：問卷調研圖表 39 私募證券投資基金管理人高管最高學歷分布數據資料：中國證券投資基金業協會2.1.22.1.2 工作經驗工作經驗市場對量化投資的認知度進一步提升，促進了量化機構規模的擴張，持續吸引了大量人才投身量化投資領域。金融階數據顯示，超過 85%的崗位對求職者的工作年限有要求。以策略投研崗為例，機構在招聘時希望

59、具備 3 年以上工作經驗的員工，要有生成成熟策略的能力，具備 5 年左右工作經驗的員工，要能進行實盤操作。20 但國內量化市場發軔較晚，具備豐富經驗的人才也并不多，426 位受調研人群中量化從業者工作的平均年限為 3.63 年，其中 48.35%的人從業經驗在 3 年以下（不含 3 年），具備 5 年以上從業經驗的人數占比為 30.52%，從業超過 10 年的更是少之又少，占比僅為 5.49%，這與中國量化市場近年來蓬勃發展的趨勢相吻合。圖表 40 受調人員從業年限分布，平均年限為 3.63 年數據資料來源：問卷調研問卷數據同時顯示：通過公開招聘網站及同行/朋友介紹仍然是當前最主要的進入行業的

60、方式，占比分別為 29.72%、28.71%。其它方式還包括公司內部晉升/轉崗、外部獵頭推薦，除此之外還有部分從業者通過朋友合伙自主創業或純自營的方式入行。圖表 41 人才入行方式分布圖表 42 人才主要來源分布數據資料來源：問卷調研數據資料來源：問卷調研2.1.32.1.3 招聘應聘招聘應聘量化人才的招聘是行業發展的顯著風向標，市場蓬勃發展時機構傾向于儲備優秀人才，行情低迷時則傾向于保持觀望。同時先于策略線條開發提前進行人才部署。2022年，機構加緊投研人才建設。當前市場整體處于人員超配于策略的狀態，尤其是很多新晉的百億量化私募機構，以及在2020、2021年量化行業表現較好的機構，都出現了

61、人員倍增。投研技術崗位的員工數量沒有變化或者出現了下滑的機構有49.39%，另有26.22%和15.24%的機構分別實現了10%以內和10%-50%的增長。100億-300億規模的機構中，有超過八成實現了增長，而300億以上規模的機構則全部實現了增長。21 圖表 43 投研技術崗位的員工數量同比變化圖表 44 不同規模量化機構投研技術崗位的員工數量同比變化數據資料來源：問卷調研數據資料來源：問卷調研圖表 45 機構管理規模區間同比變化減少沒有變化增長 10%以內增長 10%-50%增長 50%-100%增長一倍以上小計5 千萬以下13(37.14%)15(42.86%)5(14.29%)2(5

62、.71%)0(0.00%)0(0.00%)355 千萬-1 億6(31.58%)7(36.84%)4(21.05%)2(10.53%)0(0.00%)0(0.00%)191 億-10 億7(17.95%)15(38.46%)9(23.08%)7(17.95%)0(0.00%)1(2.56%)3910 億-20 億2(10%)8(40%)4(20%)4(20%)2(10%)0(0.00%)2020 億-50 億2(10%)6(30%)7(35%)2(10%)1(5%)2(10%)2050 億-100 億2(14.29%)3(21.43%)6(42.86%)2(14.29%)1(7.14%)0(0

63、.00%)14100 億-300 億1(6.25%)1(6.25%)6(37.5%)6(37.5%)0(0.00%)1(6.25%)16300 億以上0(0.00%)0(0.00%)4(66.67%)0(0.00%)2(33.33%)0(0.00%)6數據資料來源：問卷調研從獵頭機構金融階選取提供的25家百億及25家非百億量化私募機構全年委托招聘崗位需求數據來看，2022年一季度招聘需求229人，二季度226人，三季度247人，四季度198人。人才需求與2021年度相比，策略研究崗需求基本持平，初級策略研究員需求有所減少，高級策略研究員需求有所增加；IT開發崗，尤其是C+開發工程師需求有所增加

64、，職能崗需求有所下降，海外市場崗有所增加，國內市場崗需求有所下滑。由于近幾年國內量化行業的迅速發展，量化投資的市場關注度及知名度較往年大幅提升；同時受行業政策影響，互聯網大廠頻頻裁員，招聘需求下降，不少互聯網行業相關專業的求職者紛紛轉向量化。另外，幾輪高薪新聞高調出圈，2022年的求職者數量遠超往年，機構招聘門檻水漲船高，形成了百里挑一的局面。數據顯示：去年同期初級人員的要求碩士即可，現在基本要求博士。同時機構更加關注經驗，如果候選人有豐富的經驗，學歷要求會從985/211大學放寬至重點本科。雖然許多機構在招聘崗位描述上的要求僅為普通本科，但事實上重點大學理工科背景的畢業生大多都未能通過簡歷篩

65、選，部分頭部機構更是將門檻定為“清北復交”等內地頂級高校。當前初面比例基本為30：1，即獵頭推薦30份簡歷，獲得面試機會的僅有一位，而百份簡歷基本僅有一位獲得offer。招聘作為行業發展風向標，還體現在機構開拓新策略研發之前需要先積累人才。從2022年來看，基本面量化、宏觀量化、數字貨幣、固收量化、可轉債量化、期權量化等小眾策略漸入眼簾。這也與機構當前投資標的以及研究方向一致。貫穿2022年全年的俄烏沖突、美元加息、海外通脹等宏觀因素，加大了量化機構對于基本面的研究，基于對宏觀、政策面、市場情緒面判斷加減倉，也加速了基本面量化人才的招聘，甚至部分量化 22 機構要求高頻疊加基本面量化，要求機構

66、基于對宏觀、政策面、市場情緒面判斷加減倉。也有部分機構招聘行業分析師，且要求過往經歷中至少有推薦過一只2倍股、一只1倍股。數據顯示：全年共有3家百億量化私募機構招聘9個宏觀方向研究員，分別為全球宏觀、國內宏觀、宏觀外匯研究以及宏觀研究員。2021年同期，很多具備機器學習背景的人已經手拿好幾個量化offer入職邀請，但到2022年相似簡歷已經投不出去了，招聘方表示先緩緩，或者表示暫不錄用。一方面，2021年機器學習尚處于擴大宣傳階段，量化機構挖掘了許多從純互聯網公司的機器學習人才，但發現成效并不大，神經網絡、時間序列、圖像識別、NLP在與金融的結合上依然存在一定的“次元壁”，并不能起到立竿見影的

67、效果，難以達到招聘方的預期。圖表 46 2022 年重點招聘崗位占比類別一季度招聘人數二季度招聘人數三季度招聘人數四季度招聘人數類別一季度招聘人數二季度招聘人數三季度招聘人數四季度招聘人數高頻2383224人工智能1291613海外2143宏觀策略2142基本面66108數字貨幣541512CTA1481815未列明66694749期權3375*數據主要來源為金融階選取的 50 家長期合作客戶委托招聘的崗位需求，受限于樣本選擇、數據整理方式，得出的相關結論可能與實際市場情況存在偏差和結論主觀性等問題。數據資料來源：金融階2.1.42.1.4 語言使用語言使用回溯國內量化歷史，編程語言的發展興替

68、，與量化行業的發展足跡緊密相關。正如隨著理工科背景的從業者轉入量化行業，Matlab 在量化中的使用逐漸興起，之后再是 Python、Golang、Rust 等。256 份數據顯示，50%的 Quant 從業人員采用多語言進行工作，其中 Python、C+和 MATLAB 作為量化行業最主流的編程語言，分別有 85.55%和 25.00%、24.61%的使用率，位居語言前三。問卷調查發現，Python 語言得益于其在數據科學和機器學習等領域豐富的模塊和框架，以較低的使用門檻以及廣泛的用途，吸引了各崗位人員。大量本科和研究生在學習階段接觸使用過 Python，并將這一習慣遷移到了工作和實踐中。其

69、次許多策略研究具有開創性質，論文和研報大多提供的是 Python 代碼，使用人數的增加，促進了功能的豐富，這又進一步提高了Python 的使用率。所以在工作實踐中，一般用 Python 進行前期策略探索，如果需要優化或者轉為日內交易就需要用其他語言進行重寫。從微觀經濟學視角，量化開發語言的選擇是找到成本和收益的最優均衡點。需要平衡策略收益、路徑依賴、執行成本、意外事件、計算速度、數據粒度、開發支出、硬件支出、招聘難度、時間成本等一系列相關項，獲得最大邊際效用，Python在某種程度上是較優解。但是隨著當前量化私募競爭加劇，很多機構從使用低頻數據走向高頻數據處理，在進行大量因子開發時，Pytho

70、n 對于 TB 級別數據的處理速度難以滿足業務需求。C+更接近底層，具備更好的性能和低延時，偏向應用于高頻策略；MATLAB 則在數值計算和統計等領域應用較廣。但即便如此，運行穩定性仍是第一要義，所以即便有性能更好的編程語言出現，也不會大面積重構語言，許多機構也因此積累了一套成熟的“祖傳代碼”。金融階透露，國內某大型機構就因為底層架構用的 C+，同時又想要維持在高頻賽道的 23 優勢，一般在筆試環節會設有 C+題目，如果應聘者同時較好地掌握了 C+和 Python 就會相對更有優勢。大型機構也有兩三家用 Java，但到了 2019 年也開始推倒重建。從員工崗位上看，有超過 90%的量化策略研究

71、員和基金經理，80%的機器學習/深度學習研究員，100%的數據工程師和運維工程師在工作中使用 Python。此外，C+作為在行業中廣受歡迎的語言，也得到了 57.14%的系統開發工程師和 40%的機器學習/深度學習研究員的青睞。新興語言方面，Rust 和 Golang 在海外逐漸興起，目前也在國內互聯網大廠不斷地被應用。在量化領域里面，主要是加密貨幣對沖基金較多。與交易所底層語言保持一致，同時對新語言也更為開放。杭州波粒二象資產管理有限公司 CTO 余天 2021 年在 基于 Rust 優化交易系統 演講中也談到。Rust 性能 100 倍于 Python，與 C+持平，在大數據集、低延遲、密

72、集計算問題方面表現優異。而 C+在開發效率上來看，并未從編譯器級別限制用戶行為，容易出現內存泄漏、數據競爭等問題，同時由于沒有包管理器，無法有效地利用社區的資源，跨平臺支持非常有限（底層庫的區別/CMake 學習成本），整體開發時間成本過高。波粒二象的經驗是從最基礎的 Python 結構開始，逐步匹配業務模式升級到 Rust-Python 結合的形式。經驗上來看，Rust 作為優秀的靜態語言，可以作為一個高可靠，高性能的底層架構；通過不斷替換微服務的形式，實現 Python-Rust 的業務平滑升級；基于 CI/Docker/K8S 可以實現持續集成和持續交付。不足的地方在于 Rust 的機器

73、學習生態并不完善，目前需要 Python 來完成策略應用層的結構，同時 Arrow 生態的速度和效率以及穩定性仍需要提高。圖表 47 量化語言使用，Python 占比 85.55%數據資料來源：問卷調研 24 圖表 48 C+、Python、Rust語言能力圖圖表 49 開發語言在不同資管規模下的邊際效用（非高頻）數據資料來源：問卷調研數據資料來源：問卷調研圖表 50 Github 目前全球的量化交易類項目及其使用語言項目名稱開發語言項目名稱開發語言vnpy/vnpyPythonQuantAXIS/QuantAXISPython/RustBigQuantPythonQuantConnect/L

74、eanC#Quantopian/ziplinePythonRiceQuant/rqAlphaPythonbbfamily/abuPythonCryptoignal/Crypto-SignalPythonmementum/backtraderPythonmicrosoft/qlibPython數據資料來源：杭州波粒二象資產管理有限公司基于 Rust 優化交易系統 25 崗位情況崗位情況以金融階選取的 50 家量化機構委托招聘的崗位需求為樣本分析，數據顯示量化投資機構人才需求熱度排名如下：第一熱度的崗位：各方向量化策略研究員，如股票、期貨、期權及可轉債等；中后臺技術崗，需掌握語言以 C+居多，其次

75、是 Python 及 Golang；第二熱度的崗位：市場銷售及數據處理；第三熱度的崗位：合規風控和機器學習。頭部量化私募在繼續加強內部系統化和流程化 IT 建設，比如二季度增多了：系統優化、OA 開發、全棧開發、中后臺開發、數據系統開發/基礎架構工程師等崗位。保持合理的人員架構，進行人才梯隊建設，對量化投資機構至關重要。當前市場上各量化機構的基金經理和研究員的比值大概在 1：8-1：4 之間。而本次調查數據也顯示，有 48.17%量化人員的職位是量化策略研究員，12.2%的量化人員在擔任基金經理。專家表示，量化機構還包括了 ML/DL 研究員、數據分析/挖掘/開發、系統開發工程師、運維工程師等

76、崗位，但由于管理扁平程度的不同，部分企業不會在崗位上做非常細節的區分。數據是量化機構的立身基礎和業務源頭，機構投入了相當的人力資源從事數據的獲取、清洗、挖掘、洞察工作。調查顯示，11.59%的量化人員從事數據分析/挖掘/開發工作，3.55%是 ML/DL研究員。26 薪酬構成薪酬構成有效的 408 份問卷樣本中有 45.34%的受調查者薪酬構成單一，主要來自基礎崗位薪酬，超過一半的行業人才擁有超額收益提成或股權激勵，其中 16.67%的受訪者擁有股權激勵。關于量化私募的股權變動，2022 年度百億量化私募中，因諾資產、寧波幻方量化、進化論資產、千象資產的核心人物持股比例發生過變更，因諾資產新增

77、李爽持股 20%，進化論資產新增龐玨嗣持股 4.2%。圖表 51 薪酬主要構成，16.67%擁有股權激勵45.34%單一基礎崗位薪酬16.67%擁有股權激勵5.88%單一超額收益 PnL數據資料來源：問卷調研圖表 52 2022 年核心人物持股比例發生變更的百億量化私募公司簡稱2022 年前三大股東及持股比例2021 年前三大股東及持股比例因諾資產徐書楠（56.02%)、徐望（20.48%)、李爽（20%)徐書楠（75.03%)、徐望（24.97%)寧波幻方量化梁文鋒（70.4%)、徐進（10.2%)、鄭達（9.69%)梁文鋒（70.4%)、鄭達（9.65%)、王晨（5.86%)進化論資產王一

78、平（99%)、唐陳興（1%)王一平（90%)、李靖（10%)千象資產馬科超（42.9%)、陳斌（42.9%)、龐玨嗣（4.2%)馬科超（50%)、陳斌（50%)世紀前沿私募基金吳敵（76%)、陳家馨（24%)吳敵（50%)、陳家馨（50%)圖表 53 百億量化私募實控人與前三大持股股東及持股比例序號公司簡稱實控人前三大股東及持股比例1鳴石私募基金袁宇袁宇（61.62%)、王洋（10%)、李碩（8.5%)2金锝資產金宜惠金宜惠（49.1%)、謝紅（25.9%)、王立峰（9%)3艾方資產蔣鍇蔣鍇（75%)、葉展（13%)、張雯雯（9%)4九坤投資姚齊聰，王琛王?。?5.88%)、姚齊聰（45.88

79、%)、樊彬（3.5%)5誠奇資產何文奇何文奇（50.5%)、張萬成（40%)、劉晶（9.5%)6茂源量化私募基金郭學文郭學文（80.3%)、陳小英（13.2%)、魏振宇（6.5%)7明汯投資裘慧明裘慧明（51%)、解環宇（49%)8黑翼資產鄒倚天，陳澤浩劉萍（50%)、劉燕麗（50%)9進化論資產王一平王一平（99%)、唐陳興（1%)10靈均投資蔡建良馬志宇（49%)、朱正平（29%)、蔡建良（21%)11千象資產馬科超馬科超（42.9%)、陳斌（42.9%)、龐玨嗣（4.2%)12盛泉恒元趙忠東趙忠東（50.55%)、畦曉（11.23%)、袁春燕（9.47%)13上海天演謝曉陽謝曉陽（80%

80、)、張森（20%)14因諾資產徐書楠徐書楠（56.02%)、徐望（20.48%)、李爽（20%)15上海寬德張大慶徐御之（46.61%)、馮鑫（36.39%)、張大慶（15%)16金戈量銳金戈金戈（100%)17佳期投資季強季強（100%)18展弘投資陳方府陳方府（40%)、王武豪（30%)、黎揚海（30%)27 19洛書投資李南峰，謝冬謝冬（43.93%)、李林（19%)、胡鵬（19%)20啟林投資王鴻勇王鴻勇（34.11%)、董成（28.11%)、（沈顯兵 20.11%)21九章資產梁文鋒梁文鋒（85%)、鄭達華（7.5%)、徐進（7.5%)22世紀前沿私募基金吳敵吳敵（76%)、陳家馨（

81、24%)23白鷺資管章寅章寅（59.73%)、李丹婷（10%)、楊帆（5.1%)24思勰投資陳磐穎李蘇蘇（41.77%)、陳光夢（23.35%)、吳家麟（23.35%)25寧波幻方量化梁文鋒梁文鋒（70.4%)、徐進（10.2%)、鄭達華（9.69%)26卓識投資張卓張卓（50%)、朱金忠（35%)、趙利民（15%)27珠海致誠卓遠史帆史帆（99.99%)、周瑩（0.01%)28衍復投資高亢高亢（92%)、胡雪龍（6%)、顧王琴（2%)*按公司成立時間排序數據資料來源：私募排排網在年薪水平（總包）方面，可能受樣本偏差影響，薪酬 2022 年招聘熱度雖然相比 2021 年有所回落，但行業薪酬的基

82、本線沒有發生明顯變化，而獎金由于與機構業績掛鉤，相對減少。調查數據顯示，量化從業者的年薪水平集中在 15 萬-100 萬，其中年薪水平在 50 萬-100 萬區間的受訪者占比最多，達到了 33.78%，年薪水平達到 200 萬以上的占比 5.35%。圖表 54 年薪水平【總包】薪酬區間2022 年2021 年200 萬以上5.35%2.65%100 萬-200 萬6.02%13.23%50 萬-100 萬33.78%27.51%30 萬-50 萬27.07%24.34%15 萬-30 萬31.44%20.63%15 萬以內23.41%11.64%*2022 年此題有效問卷 410 份，2021

83、 年此題有效問卷為 235 份。數據資料來源：問卷調研另外，編寫組同時對超額收益提成比例進行了調研，發現量化從業者超額收益的提成比例平均值為 31.63%，這與 SelbyJenny2021 全球市場量化報告北美地區提成比例基本相同。圖表 55 超額收益提成分布數據資料來源：問卷調研 28 圖表 56 全球博士畢業量化從業人員基礎薪酬及總收入分布概況（美元）類型北美地區 2021北美地區 2022亞太地區 2021亞太地區 2022公司基礎薪酬總收入基礎薪酬總收入基礎薪酬總收入基礎薪酬總收入投行125K-155K200K-225K145K-165K250K-275K90K-100K140K-1

84、70K90K-100K150K-170K中型基金150K-175K300K-400K160K-185K300K-500K100K-110K200K-225K100K-110K200K-225K頂級基金160K-300K300K-600K175K-325K300K-750K130K-160K220K-245K130K-160K220K-245K圖表 57 賣方量化從業人員基礎薪酬及總收入分布概況（美元）類型北美地區 2021北美地區 2022亞太地區 2021亞太地區 2022公司基礎薪酬總收入基礎薪酬總收入基礎薪酬總收入基礎薪酬總收入Associate125K-160K185K-260K175

85、K-195K275K-295K85K-95K135K-145K95K-130K135K-160KVicePresident175K-225K300K-500K200K-230K375K-425K145K-155K225K-250K155K-5190K225K-300KDirector/ED240K-300K550K-700K250K-300K550K-700K215K-250K325K-375K225K-250K350K-450KMD300K-500K700K-1300K350K-500K700K-1400K300K-350K550K-700K300K-350K700K-900K圖表 58 買

86、方量化從業人員基礎薪酬及總收入分布概況（美元）類型北美地區 2021北美地區 2022亞太地區 2021亞太地區 2022職位工作年限基礎薪酬總收入基礎薪酬總收入基礎薪酬總收入基礎薪酬總收入量化研究員2-5 年150K-200K250K-500K155K-170K350K-500K95K-105K165K-185K95K-105K165K-185K量化研究員5-10年175K-250K400K-750K165K-185K550K-800K170K-180K250K-275K170K-180K250K-275K資深量化研究員10+年250K-350K75K-1,200K225K-250K400K

87、-500K225K-250K400K-500K資深量化研究員10+年200K-300K10%-20%PnL200K-300K10%-20%PnL200K-250K5%-20%PnL200K-250K7%-22%PnL量化交易員專業級150K-200K30%-50%PnL150K-200K30%-50%PnL150K-170K10%-40%PnL150K-170K12%-40%PnL資料來源：Selby Jennings2021 全球市場量化報告The future of Quant 29 職業狀態職業狀態2.4.12.4.1 精力分配精力分配編寫組以“您認為自己非核心事務在整個工作時長中的占比

88、”為題（0 分為精力十分分散，10 分為完全投入專職工作）設問，調研結果接近正態分布，僅有 3.72%的人能完全專注于當前工作。不同機構的 Quant 狀態不盡相同，私募基金樣本量最多，群體內差異較為明顯，但是有 15%以上的人評分在 8 分以上，能較為專注地工作。Quant 們較多的精力分散在招聘活動中，是除投研之外占用時間第二多的板塊。而券商研究所分析師及保險資管里的 Quant 們精力較為分散。賣方分析師精力分配集中在 3-7 區間，其工作除了編寫代碼研究策略之外，需要大量時間進行路演及服務客戶，因此較少能專注投入投研工作。圖表 59 核心事務在整個工作時長中的占比圖表 60 各機構量化

89、人員核心事務在整個工作時長中的占比數據資料來源：問卷調研數據資料來源：問卷調研從業者的工作狀態和壓力狀態差異較大。有超過六成的量化從業者認為工作量和難度適中，無需額外處理。有 23.17%的受訪者認為工作量和難度過于飽和，需要長期加班。有 13.41%的受訪者認為工作量和難度較小，能游刃有余地處理。分類別來看，公募基金工作較為輕松，全員工作量和難度適中，而外資機構工作壓力最大，沒有受訪者表示能做到游刃有余。其中機構規模與人才工作量也呈現一定關聯關系，在公司成立初期，人才工作量難度過于飽和，需要加班的比例能達到36.64%，等到公司達到 50 億規模后加班比例下降到 15%，當機構開始沖刺 10

90、0 億規模之后，工作量又加大。圖表 61 各機構工作狀態和壓力圖表 62 工作強度和壓力狀態數據資料來源：問卷調研數據資料來源：問卷調研 30 圖表 63 機構規模與工作量關系數據資料來源：問卷調研2.4.22.4.2 福利與離職福利與離職對金錢的渴望是從事量化工作的一大驅動力，數據顯示，本行業從業者對薪酬的關注度特別高，同時很多員工還想要獲得股權激勵或員工內部基金份額，但事實上能獲得的從業者是極少的。首先這是因為愿意提供股權激勵的管理人數量少，只有較少初創型機構才會釋放。圖表 64 量化人期望在公司里面獲取的權益/福利數據資料來源：問卷調研4 月與 12 月編寫組分別針對離職誘因進行了兩次提

91、問，分別設置為排序和多選兩種選項，分別回收 256 份及 173 份問卷，發現薪酬待遇及晉升機會是量化人才離職的核心原因，需要注意的是雖然公司組織架構及文化等因素的權重沒有很高，但仍然有 3 成-4 成的人會基于此選擇離職，這為量化機構的公司治理提出了挑戰。31 圖表 65 量化人才尋找新工作機會的誘因圖表 66 量化人才離職的主要驅動因素數據資料來源：問卷調研數據資料來源：問卷調研 32 成長發展成長發展2.5.12.5.1 關鍵素質關鍵素質什么因素推動了一個 Quant 從優秀走向卓越？當下行業人均學歷已經是 C9 碩士的狀況下，機構除了關注候選人是否有扎實的專業技能，也會更在意逆商、情商

92、、自驅力、抗壓能力、獨立思考或探索創新能力等素質，具備這些素質的求職者會更容易殺出重圍，收獲量化機構的 offer。調研數據顯示，僅有 11.11%的從業者認為自己的知識、經驗、技能能夠完全滿足日常工作實踐。同時大家認為做好一個Quant 的關鍵素質先后順序分別是：扎實的專業技能、聰明、快速領悟、對世界的認知、勤奮努力。聰明有助于單次研究的勝率，而努力則決定長期的水平。在細分維度上，Quant 們希望提升的專業知識、技能的方向分別是人工智能、創新能力全球視野、數據分析以及未來策劃。這與 2021 年調查結果基本一致。圖表 67 Quant 的關鍵素質數據資料來源：問卷調研圖表 68 量化人提升

93、專業知識、技能的方向（2022）圖表 69 量化人提升專業知識、技能的方向（2021）數據資料來源：問卷調研數據資料來源：問卷調研對量化機構而言，自身員工帶教新人有助于搭建和完善可持續的人才梯隊。在回收的 169 份有效問卷中，有 5.78%的人表示明確不愿意帶教新人，減少精力分配，一般而言，部分 IT 崗從業者會較愿意分享代碼和經驗，但是投研崗不太會分享作為自己立身之本的核心代碼；同時對于公司而言則會比較擔心實習生未留用，流失后反而給競爭對手培養了人才。這種狀況和機構想要搭建完善的人才組織梯隊來貢獻新的創意點的初衷相背離。33 圖表 70 量化人帶教新人意愿程度，平均意愿 4.37/7數據資

94、料來源：問卷調研在“哪個詞語更能形容公司策略合作/交流氛圍”題中，有 256 位 Quant 做出了解答，數據顯示 61%的機構內部溝通交流氛圍較好，另有 22%的機構山頭林立，17%為一盤散沙。而這與公司的組織形式、機構類型等因素沒有直接關聯，不管是 PM制還是平臺制或是混合式，溝通氛圍差異不會超過 5%。圖表 71 量化機構策略合作/交流氛圍圖表 72 量化機構策略合作交流氛圍與公司組織形式分析數據資料來源：問卷調研數據資料來源：問卷調研圖表 73 量化機構投研組織形式數據資料來源：問卷調研 34 35 市場回顧市場回顧2022 年，股票結束三連陽，市場兩次探底、兩次反彈，整體呈現“W”型

95、走勢，全年大小盤風格處于拉鋸狀態，“大切小”和“小切大”各 3 次。估值、業績雙承壓以及普跌，全年缺乏戴維斯雙擊行業，價值與成長風格全年多次切換，經歷金融周期消費成長多番變化。1-4 月 Barra 因子無序震蕩難有超額，市場多空膠著，量化市場出現部分贖回，8-10 月又掉頭向下，10 月量化機構面臨更大面積贖回。商品市場方面，全年可大致分為三個階段：1-5 月為第一階段，市場震蕩上漲；6-7 月為第二階段，受加息等外部事件影響，市場趨勢突然反轉，隨后在 7 月中旬迎來一波反彈；8-12 月為第三階段，市場維持震蕩，無明顯趨勢。因子層面，倉單、期限結構、基差動量、長期反轉因子整體與商品市場走勢

96、類似；時序動量因子則相反，在第二階段快速上漲，但其余時間均穩步下跌；庫存因子上半年表現不佳，下半年迎來反彈；截面動量因子則全年表現較差?？偟膩碚f，不同因子表現差異較大，全年波動較高。（國海策略：2022 年 A 股深度復盤2023-01-15）市場共寒涼，回顧 2022 年，機構體感一致，編寫組以“回顧 2022 年，您最關注的三個行業事件/現象分別是”為題，得到最主要三個關鍵詞分別為回撤、疫情、戰爭。另外，美元加息、中證 1000、倫鎳逼空、數字貨幣、行業輪動、策略容量、策略同質化等事件及現象也飽受市場關注。圖表 74 2022 年量化人最關注的三個行業事件/現象：回撤、疫情、策略以下為本問

97、題完整回答：頭部機構回撤較大、多資產表現欠佳、各種策略失效、風格策略高回撤、IPO 減少、策略同質化、超額預期降低、人才涌入、經濟增速下降、A 股波動、中證 1000 期貨上市、疫情、策略監管、回撤、策略容量、疫情的影響、中證 1000 指數期貨上市、能源類大漲、俄烏戰爭、新冠疫情、美聯儲加息、量化規模收縮、疫情、非理性思維、小盤價值股的配置情況、大宗周期品類估值中樞的提升、景氣投資和主題型投資的切換、疫情、醫藥股票大跌、數據準確性、疫情、美國制裁、康波周 36 期、互聯網股票大跌、羊群效應、超額相關性變大、IM 合約上線、倫鎳逼空、數字化運營、同質化嚴重、算法可解釋性、策略失效、金融理財產品

98、的互聯網營銷趨勢、機構在量化投資布局的趨勢、回撤、交易回撤可視化、股權風波、云計算、11 月股市暴漲、9 月以后的回撤、量化業績下降、規模增加慢、投資策略、增量、4 月股市暴跌、指增、行業內卷嚴重、疫情、新的量化市場發展、3 月農產品行情、1000 股指期貨、薪酬、俄烏戰爭、百億私募排行榜、A 股破 3000 點、AB 份額、同質化、通脹、量化投資公司百強、百億私募業績下滑、信創、量化收益回撤、全面放開、醫藥、戰爭、量化因子的算力競爭、美元加息、賽道擁擠、俄烏局勢、能源、北京疫情、中性回撤、俄烏戰爭、新能源、超額降低、上海封城、超額衰減、地產斷貸、疫苗、風控不良、超額愈發困難、超額回撤、俄烏危

99、機、CTA 回撤、策略同質化嚴重、投資人贖回、二十大、11 月債券市場贖回潮、期權賣方不利之年、3 月大回撤、雪球、量化回撤、同質化嚴重、俄烏危機、上半年中性策略回撤、超額普遍表現不佳、期權新增品種、內卷、降頻、美聯儲加息、新品種、指增回撤贖回、估值、新能源、中性回撤、疫情、美聯儲加息、債市波動、幻方規?；爻?、放開、新冠疫情、美元加息、投資者贖回較多、規模向頭部集中、疫情、ChatGPT、美元加息、債市波動、新冠疫情解封、10 月陰跌、結構化行情、戰爭、債基理財、量化基金、市場行情太差、俄烏戰爭、疫情、FTX 暴雷、集采、房地產爆雷、5 月暴漲、大宗商品策略增加、新證券法正式實施創業板注冊制改

100、革、疫情、CTA 回撤、指增超額越來越難做、美元加息、融券數量問題、監管、地產三支箭、商品波動應急預案、4 月暴跌、周期策略增加、廣期所、硅料降價、指增回撤、百億、債券下跌、對沖基差問題、螞蟻金服上市、多頭回撤、量價策略擁擠、個別公司治理亂象、宏觀策略增加、青山鎳、Binance、指增交易降頻、監管、信用債流動性、超額回撤問題、房地產、ETH 跌破 1000、風格突變、股票量化超額收益空間收窄、美股跌、俄烏戰爭、FTX、人才吸納、百億量化私募擴容、新老分化、利率債流動性、烏龍指、新冠疫情、ETH升級、上半年很多量化機構遭遇贖回、Luna、普及度、規模擴張、數字貨幣/熊市、風格輪動、政策、Lun

101、a 崩盤、FTX 崩盤、股債雙殺、Luna 崩盤、加息、回撤、合規化、新冠、新冠疫情、回購、美元加息、鎳、國家政策變化、小而美量化機構成為新主流、策略外包、行業輪動加速、新能源、規模、俄烏戰爭、因子迭代、全球市場、股債雙殺、美聯儲加息對商品周期影響、期權上市很多品種、新冠、高頻數據、封控、上交所技術升級、宏觀對沖、市場流動性、各類基金大幅回撤、百億量化管理人比例提升、限價、高頻、股指期貨松綁、廣期所開業、中證 1000 股指期貨和期權上市、美元加息、新冠疫情/經濟復蘇、疫情、新消費/熊市、俄烏戰爭、凈值回撤、頭部私募 Alpha 策略超額的減少、美聯儲暴力加息、疫情、FTX 破產清算、政策、另

102、類數據、股票市場、避險、疫情、回撤、疫情對商品影響、銀行理財凈值回撤、CTA、注冊制、洛書回撤、股指期貨基差比較奇怪、震蕩策略、9 月調整、可轉債、回撤、多策略、同行業大幅回撤、外資投期貨放寬、CTA6 月份的回撤、業績*因避免信息失真，此內容未作任何刪改數據/資料來源：問卷調研 37 機構機構規模規模根據中基協數據，截至 2022 年底，近 79%的私募管理人管理規模不到 5 億，而這個規模是一般業內認為的一家證券類私募存活的生死線。在回收的 377 份問卷中，42%機構管理規模在 1 億以下，19%機構管理規模在 1 億-10 億。另外值得注意的是，傳統概念中早期主動投資與量化投資涇渭分明

103、，基本面量化的興起讓兩者得以結合，也有部分量化機構布局主動投資，或者主動投資機構在量化賽道試水。問卷調研發現，即便是以量化機構為主的問卷對象，其實量化在資產管理規模中平均比例為 42.23%，不到一半，全部做量化的機構比例僅為 13%，這或許是因為市場對于量化的定義并不清晰。2022 年，22.41%的受訪者表示機構規模減小，31.03%的機構規模沒有變化，其他呈現不同程度增長，同時機構存量規模與增長規模呈現線性關系，規模增長聚集在頭部機構，50 億-100 億的機構中，超過六成實現了管理規模的增長。而管理規模超過 100 億的大型機構，更是只有極少比例的出現了下滑。而 5 千萬以下及 5 千

104、萬至 1 億的量化機構規模減小的比例分別占44.44%及 31.58%。與此對應，行業大量吸引人才的同時，1 億以下規模的機構是人員流失的主要區域，80.55%的 5 千萬規模以下機構人員沒有變化甚至減少，而 100 億以上的機構人員增長 10%以上。圖表 75 量化機構規模分布圖表 76 機構量化占資產管理規模比例數據資料來源：問卷調研數據資料來源：問卷調研圖表 77 量化機構管理規模同比變化圖表 78 機構規模與規模增長之間呈現線性關系，增長聚集在頭部機構數據資料來源：問卷調研數據資料來源：問卷調研機構規模影響著管理人的投入產出等方方面面，在人才吸納、產品發行、資金引入方面產生虹吸效應。本

105、次問卷調研邀 38 請量化機構進行自評，1 代表相對弱勢，7 代表非常出色，大型機構的自我評價幾乎全方位高于初創機構，大型機構各類分支均為 5 分以上，1 億以下機構則在 4.5 分左右，兩者差異最大的三項分別為完整的投研體系、融資及行業市場資源積累、資本市場的認可度。圖表 79 機構規模與主要競爭優勢雷達圖圖表 80 100 億以上機構與 1 億以下機構主要競爭優勢雷達圖對比數據資料來源：問卷調研數據資料來源：問卷調研投研體系方面的工作最終更多表現在 Alpha 收益上，從中信托管 2022 年數據上看，量化股票多頭策略及市場中性策略管理人的 Alpha 收益分布體現出了較為明顯的規模效應，

106、管理規模越大，Alpha 收益率均值越高，50 億以上的管理人 Alpha 收益率均值分別為 16.05%、4.80%，好于全樣本表現。期貨方面，趨勢策略 50 億以上管理人在近 1 個月中對市場短期趨勢把握較好，而 10 億-50 億中部管理區間對下半年的中長期趨勢把握更佳，10 億以下小規模管理人相對靈活，全年整體收益均值為正。圖表 81 各機構規模區間機構競爭優勢，頭部機構在投研體系及資本市場資源領先XY5 千萬以下5 千萬-1 億1 億-10億10 億-20億20 億-50億50 億-100億100 億-300億300 億以上選股能力4.654.634.895.354.95.435.0

107、70.44交易能力4.915.164.974.454.95.365.07-0.09配置能力5.175.325.2455.45.435.530.21規模敏感度4.64.794.7855.115.55.20.41完整的投研體系5.034.334.755.455.215.671.34多源數據挖掘&清洗5.154.424.595.14.955.20.78硬件投入4.3543.894.35.14.934.470.47行業發展前瞻度5.154.745.115.45.655.55.270.53團隊管理與協同能力4.914.585.055.15.355.575.130.55創新與變革能力4.744.795.0

108、55.255.35.295.270.48資本市場認可度4.644.584.815.25.15.295.470.89創始人/核心PM背景名人效應4.064.634.3554.35.575.20.57頂尖人才吸納4.244.474.434.754.75.365.070.6融資與行業市場資源累積4.464.374.755.155.55.55.41.03數據資料來源：問卷調研額度一直是投資人關注的核心指標之一，量化機構也會根據市場沖擊估算最優容量，數據顯示目前市場上的管理規模尚 39 未達到飽和，機構資產管理規模平均占到最優容量的 47.99%，對很多非頭部機構而言仍有較大的提升空間。圖表 82 機構

109、資產管理規模/最優容量比例，均值為 47.99%圖表 83 不同管理規模機構，機構資產管理規模/最優容量比例數據資料來源：問卷調研數據資料來源：問卷調研 40 投資策略投資策略寬度是量化機構所追求的，不僅局限于品種內部，A 股和期貨是最主要的投資標的，分別有 79.88%和 56.71%的機構參與投資。期權和債券分別為 34.15%和 31.71%，港股、美股和新興市場股票（印度、越南等）的投研機構分別占比也是到 1-2成，值得注意的是，有 15.24%的機構將數字貨幣作為研究投資標的，將 CTA 策略微調之后應用于數字貨幣交易。在策略方面，四分之三的機構涉足量化選股策略，分別有接近五成和四成

110、的機構研究或使用指數增強策略和市場中性策略。私募基金、期貨公司自營/資管和 FOF 的策略種類最為豐富，結構最為均衡。券商自營/資管、期貨公司自營/資管、外資機構和 FOF 在套利策略的參與度顯著高于其他機構。當前私募正在降頻，相反公募處在升頻過程中。公募正在逐步拓展量化策略，策略的豐富促進了其逐步的擴容；而私募受到量化策略的市場擁擠程度影響，容量出現降低。行業頭部機構已經進行了較大程度的降頻，繼續降頻的空間不大。而從行業整體趨勢觀察，隨著券商等玩家逐步進入市場，參與者逐漸增多，換手率仍然在逐步降低。數據顯示，各大機構的年度雙邊平均換手率為 159.56 倍。結合機構規模分析發現，1.5-2

111、億規模的小規模機構平均換手率為 187.07 倍，高于大量其他規模機構的換手率水平。圖表 84 量化機構當前投資研究標的圖表 85 量化機構換手率（按年度雙邊換手率計算）分布數據資料來源：問卷調研數據資料來源：問卷調研圖表 86 不同風格及換手率的基金舒適規模參考表基金單邊年化換手率價值價值成長/均衡成長大盤中小盤均衡大盤中小盤均衡大盤中小盤均衡200%250100150300100175350100200200%-500%170751202008513020085140500%-750%100356010040701004070750%-1000%501520502020502030*大中小

112、盤的具體劃分標準如下：將股票按照其總市值進行降序排列，計算各股票對應的累計市值占全部股票累計總市值的百分比 Cum-Ratio，且 0Cum-Ratio100%。*大盤股：累計市值百分比小于或等于 60%的股票，即滿足 Cum-Ratio60%。中盤股：累計市值百分比在 60%-80%之間的股票，即滿足 60%80%。數據資料來源：中金財富中國 50 紅寶書 41 數據顯示，四分之三的機構過去一年致力于策略打磨、超額提升，近半的機構把新產品線的研發作為工作重心之一。1個億是一個明顯的分水嶺，在此之前機構主要精力在于新產品線的研發。隨后開始在管理資金、人才招聘方面全面發力，到100 億以上各方面

113、用力即均衡，機構管理資金擴容不再是重中之重。圖表 87 2022 年量化機構工作重點圖表 88 不同規模機構 2022 年貴機構工作重點數據資料來源：問卷調研數據資料來源：問卷調研在日常工作中，量化人還將遇到形形色色的工作挑戰，其中最難的挑戰在于策略生成、市場變化以及算法穩定性，對比2022 年數據，量化人生產策略的難度在提升，以總分 7 分為計，策略評分為 4.72，比 2021 年上升 0.19.圖表 89 量化日常工作挑戰選項2021 平均分2022 平均分策略：難以生成具有 Alpha 的想法，資金容量有限4.534.72算力：算力不足，單個任務運行時間過長4.354.42環境：缺乏集

114、中的研究平臺，數據庫提取與更新受限，讀寫效率低下4.394.38數據：數據質量低，更新不及時，非結構化數據需要大量清洗4.534.55算法：參數不穩定，模型容易發生過擬合，花費大量時間檢查4.474.57日常：大量工作在于重復代碼，較少想法生成4.244.26因子：傳統因子失效，難以形成有效策略4.534.57市場：市場行業/風格輪動過快，難以隨之快速調整4.674.65實盤：策略轉換實盤困難，訂單搶不到，實盤細節無法在研究環境復現，券商提供的實盤工具不好用等4.284.32交易：沖擊成本大，手續費侵蝕4.114.35數據資料來源：問卷調研在策略特征方面，從數據上看，機構普遍追求長期收益水平，

115、其次為風險調整收益，再次為不同市場環境下的適應性，更多秉承以關注自身為主的態度，并不特別關注和其他機構的同質性，甚至相比于對模型可解釋性的關注程度都更低。但實際上在 2022 年最關注的事件/現象里面，有 5 家機構主動提到了策略的同質性。2022 年，行業規模的大幅提升加劇了管理人 42 之間的競爭，機構普遍采用多框架、多策略、多品種、多市場投資的運作模式，來適應市場與時代的變化，這也加劇了管理人之間呈現同質化的趨勢，托管機構以周為單位對外披露產品凈值及策略相關性，數據顯示策略內部的產品收益分化程度收斂。截至 11 月 18 日，量化多頭產品居中的 50%產品收益首尾差距僅 11.1%（前

116、25%分位與前 75%分位產品收益率的差值），而該數值自 2018 年以來基本維持在 20%以上。量化機構最主要的核心競爭點，一是行業發展前瞻度、配置能力、交易能力、創新與變革能力、資本市場認可度。策略本身的投研能力，管理規模越大的公司自評分數越高。因子研究一直是機構核心機密，2021 年有近 1/4 的機構拒絕透露其因子儲存數量，2022 年為 2 成，且仍然呈現為兩頭高，中間低的特征，體現出兩種因子挖掘風格：一種是通過精選具備經濟學意義的因子，另外一種是采用機器學習進行海量因子挖掘。常用因子則更為考究，68.19%常用因子在 50 個以內。圖表 92 機構因子儲存數量：4.30%在 1 萬

117、以上圖表 93 常用策略因子數量：61數據資料來源：問卷調研數據資料來源：問卷調研圖表 90 量化機構最注重的量化策略特征圖表 91 機構競爭力模型：前瞻度、配置、交易、創新與變革數據資料來源：問卷調研數據資料來源：問卷調研 43 圖表 94 2019-2021 年私募量化產品的主要策略類型分布圖表 95 量化機構當前研究/使用策略數據資料來源：中信研究數據資料來源：問卷調研 44 投資投資贖回贖回根據協會2021 年私募基金統計分析簡報，機構投資者是私募量化投資基金最大資金來源，截至 2021 年末，從自主發行的量化私募來看，機構投資者持有資產 8077.23 億元，占比 69.7%，機構投

118、資者數量、持有資產同比分別增長 171.0%和139.1%；自然人投資者數量、持有資產同比分別增長 132.6%和 111.9%。同時調查數據顯示，高凈值個人、銀行、券商是最主要的投資人類型，分別占比 62.2%、36.59%和 37.8%。而且伴隨著管理規模的擴大，量化機構對銀行、保險、券商等機構投資人的依賴會更強，對高凈值個人投資者的依賴會相對降低。圖表 96 存續產品中直銷產品規模占比分布情況圖表 97 存續產品中規模占比超過 20%的代銷渠道分布情況*管理規模 10 億元以上為規模以上受訪管理人資料來源：中國證券投資基金業協會問卷調研資方偏好方面，本調研問卷上市公司、險資明顯偏好大型量

119、化機構，風險偏好更低，而 FOF 機構對于 1 億-20 億量化機構更為青睞，注重挖掘成長期的資金。海外資金則呈現不規律分布，或許這與創始人個人背景及資源有關，初創期機構的資金主要來自高凈值個人，各類型機構投資人覆蓋率都較低。2020 年，海底撈就成立了海悅量化投資。近年來時有新聞關于上市公司進入量化投資界，或是直接成立投資公司，或是購買量化私募產品，或是通過股權置換的方式成為量化機構。也有上市公司高管持倉轉到量化機構專戶產品庫再通過新股申購、量化對沖、指數增強等各種方式增厚收益化解風險。當然最簡便的方式還是購買量化私募產品，2021 年就有行業新聞部分量化機構招聘專門面向上市公司的機構銷售。

120、與白皮書問卷并不一致，有行業新聞指出，上市公司購買私募產品并非青睞于品牌響亮的百億級私募，反而更集中于中型私募。規模在 20 億50 億私募獲上市認購金額為 8.3 億元，占比達到 51.65%，百億私募的被認購金額為 4.7 億元，占比僅為 29.25%。45 圖表 98 量化機構投資人類型圖表 99 不同機構投資人類型數據資料來源：問卷調研數據資料來源：問卷調研圖表 100 A 股非金融企業購買理財和二級市場投資情況年份上市公司產品名稱認購金額策略類型2020亞星錨鏈純達亞星新動力 10 號3 億元市場中性天創時尚紐富斯均衡致勝策略 12 號1.5 億元市場中性2021陽光照明幻方 500

121、 指數增強欣享 18 號私募證券投資基金不高于 3 億元指數增強雅化集團寬投幸運星 9 號私募證券投資基金1.02 億元復合策略2022偉隆股份益安地風 5 號1 億主觀多頭數據資料來源：Wind，恒泰證券私人財富圖表 101 A 股上市公司 2022 年購買理財投資情況公告日期上市公司認購私募基金基金管理人管理規模認購金額(萬元)3 月 3 日地素時尚云量穩利 1 號云量資產5 億10 億50003 月 3 日地素時尚云量穩利 1 號云量資產5 億10 億50003 月 9 日偉隆股份益安地風 5 號益安資本10 億20 億100003 月 29 日元利科技齊興普匯豐泉證券投資齊興資產20

122、億50 億110004 月 12 日永吉股份山楂樹甄琢 5 號山楂樹私募基金20 億50 億350004 月 19 日二三四五合晟同暉 1 號合晟資產100 億以上50004 月 26 日天宸股份誠正遠景 1 號誠正私募基金05 億20004 月 29 日魯泰 A源暉紅利 2 號源暉投資20 億50 億200006 月 1 日辰欣藥業思勰金澤 J4 號思勰投資100 億以上20006 月 1 日辰欣藥業中信資本致信尊享 1 號遠信投資100 億以上20006 月 1 日辰欣藥業千象成長 38 號千象資產100 億以上20006 月 1 日辰欣藥業齊興合盈同富固定收益投資齊興資產20 億50 億

123、10007 月 15 日二三四五巖恒瑞豐穩健 1 號巖恒投資05 億1007 月 15 日二三四五一村基石 20 號一村投資100 億以上30007 月 15 日二三四五迎水月異 7 號迎水投資100 億以上20007 月 15 日二三四五巖恒瑞豐穩健 1 號巖恒投資05 億1007 月 15 日二三四五一村啟明星 30 號一村投資100 億以上200007 月 15 日二三四五迎水月異 7 號迎水投資100 億以上50007 月 19 日錦雞股份復熙固定收益 3 號復熙資產50 億100 億1500 46 10 月 15 日吉華集團博孚利尊享 39 號博孚利20 億50 億200010 月

124、15 日吉華集團博孚利尊享 39 號博孚利20 億50 億300010 月 15 日吉華集團博字利尊享 39 號博孚利20 億50 億100011 月 10 日恒生電子交叉智能金納一號 FOF交叉智能05 億100012 月 1 日金證股份世紀弘金 2 號世紀盈盛投資05 億1000012 月 6 日二三四五一村若華 20 號一村投資100 億以上500012 月 6 日二三四五巖恒瑞豐穩健 1 號巖恒投資05 億100012 月 6 日二三四五宣夜至信季添利三號宣夜投資20 億50 億500012 月 6 日二三四五宣夜至信季添利二號宣夜投資20 億50 億500012 月 9 日錦雞股份阿

125、巴馬中證 1000 星云一期阿巴馬資產100 億以上1000數據來源：Wind，恒泰證券私人財富圖表 102 美國對沖基金持有人結構變遷圖表 103 機構偏好對沖基金的原因資料來源：Preqin,Barclayhedge,Capital Advisory Group&JPMorgan Separately Managed Accounts for HedgeFund Investments(2019)在贖回方面，據中信中證推算 2022 年量化股票多頭策略遭遇市值萎縮伴隨凈贖回，規模下降 11.88%，與市場中性策略合計估算，量化規?？s水超千億，整體看股票類策略縮水近萬億。相比之下作為“危機

126、Alpha”的期貨策略規模逆市增長，其中期貨趨勢增加 101.27 億，相對穩定的期貨套利更是增加 311.55 億，漲幅高達 56.91%。從月度時間分布上看，幾乎呈現出投資人全年凈贖回，4 月及 10 月是凈申贖最為明顯的兩個時間段，尤其是 10 月，在這段時間量化私募發起自購，10 月 28 日百億級量化私募思勰稱公司擬以公司自有資金、合伙人及員工個人資金追加申購旗下基金，總計不低于 1 億元。除積極自購外，機構策略正從防守轉為進攻。截至 10 月 21 日，百億級股票私募倉位指數為 86.87%，接近今年以來的最高水平。47 圖表 104 股票多頭策略產品月度凈申贖數據來源：中信中證圖

127、表 105 2022 年核心策略規模變動影響測算*核心策略規模變動根據中國基金業協會網站披露結果及中信中證所編制的私募策略指數數據綜合推算*凈申贖影響測算時已考慮新發產品認購數據來源：中信中證以總分 7 分為計，數據顯示 2022 年機構面臨的投資人贖回壓力處在中等偏上水平，168 個樣本平均數值為 3.89。壓力與業績表現、修復周期、投資人結構緊密相關。問卷調研數據顯示，2022 年量化產品的最長凈值修復周期主要集中在 6 個月以內，占比達到 7 成以上，近 1 成機構修復周期能達到 10 個月。凈值修復周期越長贖回壓力越大，3 個月與 6 個月時會是明顯的時間點，這或許與投資人的處置效應相

128、關，修復周期 3 個月之內，大部分的機構壓力都在 4 分以內，到了第 7 個月壓力在 5 分以上的超過了 7 成。同時，恒泰財富研究顯示，年中（6-7 月）和年末（1-2 月）是私募基金投資者進行持倉再評估的重要時點；一年是大部分個人高凈值投資者區分“長期投資”和“短期投資”的心理臨界點。策略期初規模（億）期末規模（億）規模變動凈申贖影響市值變動影響金額（億）百分比金額（億）占比金額（億）占比主觀股票多頭23234.0715286.19-7947.88-34.21%-3412.15-42.93%-4535.73-57.07%量化股票多頭2928.252580.25-348.00-11.88%-

129、158.00-45.40%-190.00-54.60%市場中性2932.522127.56-804.95-27.45%-892.69-110.90%87.7410.90%期貨趨勢1137.381238.65101.278.90%133.8132.12%-32.53-32.12%期貨套利547.41858.95311.5556.91%287.8892.40%23.677.60%FOF 策略5179.505093.73-85.77-1.66%206.77241.07%-292.54-341.07%合計35959.1227185.33-8773.78-24.40%-3834.39-43.70%-49

130、39.39-56.30%48 圖表 106 2022 年，量化人面臨的贖回壓力分布圖表 107 2022 年，量化機構產品最長凈值修復周期圖表 108 投資人贖回壓力與凈值修復周期關聯關系，季度為重要周期數據資料來源：問卷調研投資者贖回行為常見動機為損失厭惡、盈利處置、比價心理，研究顯示股票投資者持股收益由負變正時，出售概率出現明顯的向上跳躍，即存在“扳本”偏好。市場高位成立的基金，客戶行為會經歷四個階段：（1）下跌初期，有較大范圍贖回；（2）下跌中后段，贖回行為減緩；（3）市場回暖、凈值修復，接近回到成本線，處置效應出現，本質上都是損失厭惡，但與下跌恐慌導致的贖回行為有所區別；（4）若上漲持

131、續，則贖回加劇。同時，研究顯示對于成立以后一直有浮盈的產品，投資者傾向于在收益出現階段性下滑時贖回，集中贖回時點出現在盈利高點之后的一個季度左右；對于成立后一直有浮虧的產品，當凈值回到 1 附近時容易出現“回本出”的行為。在投資人層面，銀行層面對回撤容忍度較低，3 成以上回撤達到5%以內都會開始咨詢機構，而其他機構類型一般在 10%-20%回撤時大面積問詢，尤其是期貨公司大部分在 20%-30%的回撤時開始問詢。產品類型方面，絕對收益類入套利、中性產品也是回撤敏感型產品，2 成左右機構會在 5%以內開始問詢，對多空、指增、混合類產品則在 5%-20%區間開始問詢。49 圖表 109 中國投資者

132、的股票出售行為畫像*采用 20 萬名投資者在 2011/1/4-2017/12/29 期間的交易數據201819 年行情下的基金份額變動情況，完整地揭示了公募基金投資者贖回基金的動機。2019 年市場轉暖，客戶開始大面積處置前期有虧損歷史的基金。數據資料來源：陸蓉,李金龍&陳實.(2022).中國投資者的股票出售行為畫像處置效應研究新進展.管理世界(03),59-78.圖表 110 行情切換與份額變動圖表 111 樣本私募產品的凈值表現（左）和贖回量（右，萬元）數據來源：Wind，恒泰證券私人財富數據來源：Wind，恒泰證券私人財富圖表 112 投資人對產品回撤容忍度比較，銀行類回撤敏感圖表

133、113 投資人對產品回撤容忍度比較，絕對收益類回撤敏感數據資料來源：問卷調研數據資料來源：問卷調研海外財富管理機構非常關注投資者群體“偏差”效應的研究，并對這些研究進行了解釋說明。圖表 114 普通投資者群體中最為常見的幾種偏差排序偏差類型解釋說明發生概率1近因偏差容易受到近期新聞事件或經歷的影響35%2損失厭惡規避損失的沖動比獲取收益的沖動更強烈30%50 3稟賦偏差傾向于投資自己身邊的或最熟悉的公司27%4框架效應根據信息呈現的方式做出決定（例如描述一項資產將帶來多大“收益”或“風險”時會有不同反應）26%5心理賬戶將資產放入若干個互相獨立的心理賬戶，來對財務決策進行編碼、分類和評估26%

134、6確認性偏差刻意強調那些能證實自己觀點的證據，同時有意貶低任何與我們觀點相左的證據24%7錨定信息決策時集中在一個具體的參考點上23%8羊群效應只追隨他人決策或最新投資趨勢19%9繼承效應對已經持有的證券或資產信心滿滿17%10現狀偏差傾向于選擇能夠認可或拓展現有條件的選項，而不是替代現有條件的選項16%11選擇性記憶只回顧正面的投資經歷或經驗15%12后悔厭惡偏差由于以前的錯誤或怕自己后悔而不敢果斷采取行動14%13可用性偏差只根據自己掌握的現有信息做出決定13%14過度自信對自己的能力或決策過于自信11%15自我控制偏差由于缺乏自律而無法實現長期的總體目標6%圖表 115 2022 年私募

135、基金策略占比月份變化情況時間1 月2 月3 月4 月5 月6 月7 月8 月9 月10 月11 月12 月多頭50.70%50.50%49.60%48.70%47.40%47.20%47.40%47.50%47.30%46.80%45.70%45.80%中性3.60%3.50%3.70%3.60%3.50%3.60%3.60%3.70%3.70%3.70%3.50%3.30%債券5.50%5.60%5.80%6.00%6.30%6.30%6.20%6.30%6.50%6.60%7.00%7.20%CTA11.70%11.70%11.80%12.00%12.00%12.00%11.90%12.0

136、0%12.10%12.20%12.00%12.20%FOF16.10%16.30%16.40%16.80%17.20%17.20%17.20%17.30%17.40%17.80%18.20%18.50%混合類12.40%12.40%12.80%13.10%13.60%13.90%13.70%13.20%12.90%13.00%13.60%12.90%數據來源：招商私募指數數據庫圖表 116 私募基金策略占比年度變化情況產品策略股票多頭主觀多頭指數增強量化選股股票市場中性債券CTA趨勢型CTA套利型CTA混合類策略FOF202221.00%21.80%7.90%9.40%8.30%11.60%1

137、6.90%15.00%16.60%17.90%12.80%202129.40%30.30%12.90%14.50%11.90%17.70%22.00%18.20%27.80%23.40%11.70%202046.70%44.30%35.50%39.50%18.50%8.10%47.10%51.30%29.80%37.10%23.00%201933.70%32.20%28.20%47.90%14.90%13.90%36.80%64.90%24.00%26.60%17.40%數據來源：招商私募指數數據庫 51 交易交易技術技術當前量化投資機構所使用的策略系統主要為自主研發，通過第三方平臺或直接使用

138、券商提供的系統僅占三成。對于量化私募來說，一般只有在初創期或者策略邏輯相對簡單的時候會通過券商提供的系統或者第三方平臺，調研數據結果顯示，量化私募自研策略系統的占比高達 80.95%。從 189 份調研問卷中剔除 24 份未填寫或者填寫為 0 的無效作答，結果顯示量化投資機構的平均年化雙邊換手率為 166倍，主要集中在 74-210 倍之間，極少數換手高達近 500 倍。從調查問卷分析得到的數據來看，換手倍數與量化資產管理規模間并未存在明顯的負相關性，主要原因是填寫問卷的量化投資機構有部分是交易 A 股以外的投資品種，包括債券、期權期貨、境外市場股票等。相較于速度，量化投資機構更注重的是交易的

139、穩定性，其次是速度，隨后才是業務品種和接入效率。絕大部分量化投資機構在交易過程中均遇到過一次或多次事故，遇到的事故類型排序為：（1）交易接口鏈接問題（48.68%），（2）交易系統故障（46.03%），（3）行情丟包（40.21%），（4）交易通道擁堵（39.15%）。隨著國內量化投資機構的日漸增多和管理規模的逐漸擴容，券商/期貨公司作為經紀服務商，越來越重視對于量化機構的服務，同時量化機構間的技術競爭也愈加激烈。量化投資機構在交易對接環節上相較于主觀投資機構要復雜得多，目前國內證券端和期貨端由于監管政策的不同，券商/期貨公司服務于量化投資機構的技術模式也存在較大差異。對于量化投資機構自身而言

140、，由于公司業務的發展和管理規模的增加，必然會帶來交易通道的增多，因此排除業務流程因素限制，在與券商/期貨公司的對接中，希望交易接入的周期盡量保持在一個月內。圖表 117 量化機構策略系統情況圖表 118 量化私募策略系統情況圖表 119 量化機構管理規模與換手倍數圖表 120 量化投資機構期望的交易對接流程周期數據資料來源：問卷調研 52 圖表 121 量化機構交易訴求排序圖表 122 量化機構交易過程中遇到的事故數據資料來源：問卷調研 53 技術前沿技術前沿分布式技術是指通過去中心化的方式來構建金融基礎設施、金融業務和服務。廣義的分布式技術分為兩層含義：一種是以去中心化為核心的金融業務，例如

141、基于區塊鏈的數字債券、數字貨幣等；一種是指采用分布式網絡技術、分布式集群技術、分布式計算存儲等技術代替傳統的集中式服務，用來提升傳統金融的可靠性、可擴展性等。本文所提及的分布式技術特指后者。（1 1）分布式轉型勢在必行）分布式轉型勢在必行近年來，新一輪科技革命深刻改變著金融機構的商業模式和運行邏輯，金融機構的業務量呈現幾何級增長。隨著業務規模的迅猛增長，傳統的集中式架構難以應對巨大業務量對核心業務系統帶來的沖擊。因此，越來越多的金融機構開始積極開展 IT 架構轉型，推進核心業務系統應用架構由集中式向分布式轉型。2018 年 5 月，由央行牽頭，發改委、工信部、財政部和證監會等九部委共同編制并發

142、布的“十三五”現代金融體系規劃明確指出，深入開展技術創新在金融服務中的研究與應用，鼓勵金融機構探索系統架構完善升級，在鞏固集中式架構安全穩定運行的基礎上，研究分布式架構應用的可行性。2019 年 8 月，中國人民銀行出臺金融科技（FinTech）發展規劃（2019-2021 年）,規劃明確指出,引導金融機構構建集中式與分布式協調發展的信息基礎設施架構，探索利用分布式計算、分布式存儲等技術實現根據業務需求自動配置資源、快速部署應用。金融安全是國家安全的重要組成部分，開展分布式轉型勢在必行。在當前復雜的國際環境下,金融安全的重要性不斷凸顯。長期以來，我國金融基礎設施受制于 IOE（IBM+Orac

143、le+EMC）生態，在維護國家安全和保障金融安全層面風險突出。我國金融機構核心業務系統的關鍵技術包括：硬件設備、操作系統、數據庫、中間件、應用軟件等。其中，服務器由 IBM 為代表的商業化大型主機及閉源操作系統主導，數據庫以 Oracle/DB2 等商業數據庫為主，存儲依賴 EMC 等公司提供的商業化高端存儲解決方案。核心業務系統的關鍵組件由 IBM、甲骨文、EMC 等美國廠商提供，對我國金融業整體安全帶來巨大風險隱患。分布式轉型成為必然趨勢，國內機構已具備構建分布式架構轉型的技術實力。分布式架構具有高可靠、易拓展、低時延、松耦合等特性，能夠幫助金融機構實現開放和可控，實現平臺化和全業務，實現

144、水平擴展、快速擴容，實現高可靠、高可用、高性能、低時延，并且國內廠商已具有相應的軟硬件設施與技術，完全可以實現自主研發、自主可控。隨著國家金融信創和自主可控戰略持續深化推進，金融機構核心業務系統由傳統架構向分布式系統架構轉型成為一種必然趨勢。（2 2）國內外交易系統步入分布式低時延時代）國內外交易系統步入分布式低時延時代從 1990 年至 2005 年，美國是“主機+終端”交易時代。2005 年歐美頒布全美法案，大家需要參與低時延競爭后，境外的交易所開始轉成低時延架構，以消息總線為核心來構建系統。反觀國內，在 1990 年至 2005 年是基于“微機網絡+數據庫”構建自己的交易系統，在 200

145、5 年至 2020 年則是以數據庫為中心的“大集中”時代。直到 2016 年，深交所上線第五代交易系統，意味著國內開始正式步入分布式轉型。此后，上交所、證券公司也在分布式架構上進行了很多探索和嘗試。上一代集中式架構是指由一臺或多臺主計算機組成中心節點，數據存儲以及整個系統的業務單元都集中部署于該中心節點中，系統所有的功能均由其集中處理。即每個終端或客戶端僅僅負責數據的錄入和輸出，而數據的存儲與控制處理完全交由主機來完成。集中式架構一般采用縱向擴展的方式，即通過增加單機的資源配置來提升系統的處理能力，并通過硬件設備和基礎軟件的集群機制來提升系統的可用性。54 圖表 123 中美資本市場交易系統

146、30 年演進趨勢數據資料來源：華銳技術新一代分布式架構是指一個硬件或軟件組件分布在不同的網絡計算機上，彼此之間僅僅通過消息傳遞進行通信和協調的系統。分布式架構一般采用橫向擴展的方式，即通過增加服務器的數量來提升系統的處理能力，每個節點都是一個可獨立運行的單元，失效時也不會影響應用整體的可用性。相對于集中式架構，基于分布式架構設計研發的交易系統在交易速度、處理能力、可用性等方面具有巨大優勢，能夠幫助證券公司解決集中式交易系統存在的問題和不足，滿足證券行業中普遍存在的高可用、高可靠、低時延、高并發、水平擴展、業務靈活擴展的需求，并且分布式架構在價格成本、自主研發、靈活兼容、伸縮擴展方面也有比較顯著

147、的優勢。圖表 124 分布式架構與集中式架構性能對比-集中式架構分布式架構重大提升技術特點大型機/小型機+數據庫+集中存儲標準服務器+高帶寬低時延網絡垂直升級變為水平擴展交易速度幾十幾百毫秒幾幾十微秒快 100+倍處理能力幾千幾萬筆/秒幾萬幾十萬筆/秒提高 10+倍可靠性可用性單活高可用，分鐘級切換，切換過程中可能有數據丟失雙活高可用，秒級切換，切換過程中零數據丟失大幅提高技術來源可控性單一設備供應商，進口封閉平臺多個設備供應商，開放平臺，國產化成為可能自主可控能力大幅提高硬件成本進口主機價格昂貴標準服務器價格低廉大幅降低 2/3數據資料來源：華銳技術（3 3）金融機構分布式轉型實踐）金融機構

148、分布式轉型實踐目前分布式技術已經成為金融行業最炙手可熱的技術之一，多家機構紛紛開展金融 IT 架構的分布式轉型，而分布式轉型的未來趨勢主要有以下三種。55 圖表 125 金融機構分布式轉型實踐行業金融機構分布式實踐銀行業交通銀行交通銀行通過雙核異構應用架構體系的建設，構建了主機+開放融合的多態架構，實現了全核心業務都能夠在主機和開放上并行運行。雙核架構體系具有三大特點：一是開放平臺的數據存儲和管理采用自研分布式數據庫；二是系統實現了按照流量、客戶、交易等多維度、多規則的智能管控；三是實現交易全路徑全節點的實時跟蹤。中信銀行中信銀行 StarCard 新核心系統整體采用互聯網分布式云架構，基于領

149、域驅動設計，采用微服務框架，構建了高可用、可擴展的核心業務系統。應用層自主設計研發，中間件層基于開源解決方案建成企業級金融云平臺，數據庫聯合研制金融級分布式數據庫，基礎設施層采用 x86 國產服務器和網絡設備。系統全面使用容器云部署，支持彈性伸縮、故障自愈和灰度發布，綜合運用分布式數據庫和實時大數據技術，提供秒級時延的智能大數據服務。證券業國泰君安國泰君安于 2019 年全面啟動新一代分布式證券公司核心業務系統的研發工作。新一代分布式核心交易系統架構采用了多核心分布式的技術框架，將實現賬戶、交易、清算徹底解耦。2022 年 8 月 22 日，國泰君安新一代信創分布式低時延交易平臺（NGTP）全

150、量經紀業務客戶切換上線成功，超 1500 萬零售客戶全部遷移。東方證券東方證券自 2017 年初就投入力量，成立專業團隊，啟動分布式交易系統技術架構咨詢規劃及原型驗證項目，最終打造出既可靠、又快速的分布式交易系統。目前，系統已經支持了現貨交易、新股發行、回購、科創板、信用交易等多項業務，并與賬戶系統、營運管理和清算系統之間實現了良好的交互，目前正在增加更多的業務引擎。保險業中國人保2018 年，中國人保提出了向高質量發展轉型“3411”工程，中國人保正式開啟分布式微服務架構轉型，2019 年 8 月發布了 PDF-C 分布式微服務技術體系和人保云，建設并上線了分布式架構核心系統，實現了核心系統

151、的全分布式化和云服務化。平安人壽平安人壽構建了基于 Docker 的分布式容器云平臺 Padis。平臺采用 Mesos+Marathon 框架，具有應用程序快速創建、運行、快速縮容擴容以及故障自愈的功能；平臺上實現了獨立 IP，可以實現任何集群與外部的或者傳統的 IP 的通訊。并且，平臺負載均衡的方式很多，可以根據容器的動態變化（容器的增刪）做動態調整?；饦I博時基金博時基金構建了基于云原生架構的互聯網基金銷售系統。平臺由微服務中心、容器云、DevOps 平臺等組成，微服務基于微服務化搭建中臺系統，采用領域驅動設計，并且以服務接口提供共享服務能力；容器云平臺部署，包括開源的 Docker容器技

152、術、Kubernetes 容器編排平臺等技術和軟件的生產應用，并且基于 EFK、Prometheus 等開源產品構建了相應的日志分析系統和度量監控體系；DevOps 重點包括與微服務和容器云平臺進行 DevOps 工具鏈的整合、CI/CD 持續發布管道建設、快速迭代、自動化測試等實踐應用。鵬華基金鵬華基金新一代 TA 系統，創新性地采用大數據和微服務混合分布式架構，為行業首創。新一代 TA 系統采用微服務分布式架構，每個服務職責單一、獨立部署，通過分解巨大單體式應用為多個服務的方法解決了應用復雜性問題，同時引入Spring 框架，框架中 SpringBoot 可以快速地搭建單體應用，配合 Sp

153、ringCloud 可以快速擴展成為分布式應用，以應對大量并發的數據請求。數據資料來源：華銳技術分布式轉型的未來趨勢趨勢一：分布式轉型將成為金融信創先進替代的最優路徑。趨勢一：分布式轉型將成為金融信創先進替代的最優路徑。中美博弈將長期存在，中國需要加快掌握新一代信息技術中的硬核如芯片、集成電路、基礎軟件等，而分布式技術是中國實現金融核心自主可控的機會。金融基礎設施應用構成主要包括基礎設施層（服務器、芯片、存儲設備）、基礎軟件層（數據庫、中間件、操作系統）和應用層（核心業務系統）等。金融機構核心系統的分布式架構轉型將實現對應用系統、中間件、數據庫、操作系統、服務器的全面替代，形成技術領先、性能卓

154、越、安全可靠、軟硬件一體的金融信創先進替代的發展路徑。同時，隨著分布式架構在金融行業大規模推廣應用，將徹底打破進口設備在此領域多年來形成的壟斷局面，有助于國內廠商形成完整落地企業級、全鏈條自主安全可控解決方案，將有助于形成國產化硬件到軟件、底層到應用層的產業生態。56 趨勢二：分布式轉型將實現全產業鏈的自主可控。趨勢二：分布式轉型將實現全產業鏈的自主可控。中國廠商已具備構建自主創新 IT 基礎架構的實力，其成果和經驗在行業內及產業上下游的軟硬件國產化替代方面均具有較強的示范帶動效應。例如，分布式架構可以實現用國產 PC 服務器對 IBM 的替代；華為 Guass 數據庫、騰訊云 TDSQL、阿

155、里OceanBase 可實現對 Oracle 數據庫的替代；華銳自主研發分布式中間件 AMI，配套華為基于 ARM 架構鯤鵬 CPU 構建的 Taishan服務器、中標麒麟操作系統、國產分布式數據庫以及國產低時延交換機等，可以實現證券分布式核心交易系統的自主替代。因此，分布式架構轉型可以帶動產業上下游技術和產品迅速優化成熟，促進上下游廠商快速做大做強做優。趨勢三：分布式轉型需要金融機構與金融科技公司攜手共創。趨勢三：分布式轉型需要金融機構與金融科技公司攜手共創。分布式轉型是大勢所趨，但僅靠金融機構自身難以完成相應的數字化轉型，生態合作至關重要。分布式轉型的整體原則依然是實現自主可控，但在開放的

156、架構之上有很多核心科技需要引進。一是金融機構需要以開放、合作、分享的理念和態度與軟硬件供應商進行合作，建立生態聯盟，加速金融行業的科技化、信息化的步伐；二是金融機構與金融科技公司需要謀求“共建”，打破自我封閉，機構攜手實現效率最優、成本最優，創造更大的產業價值和客戶價值；三是金融機構和合作伙伴之間可以通過主流、開放的分布式技術，共同為客戶提供場景化、生態化的金融服務，共同建設開放、合作、共享的生態環境。57 4.14.1未來展望未來展望 58 未來展望未來展望量化投資發展的前沿受到投資者和機構的廣泛關注，編寫組以：“暢想未來 3 年的量化，您能想到哪些關鍵詞”為題設問，調研發現人工智能、行業競

157、爭及基本面量化是行業最關注的三個方向，這也與“您個人關注行業哪些研究方向”完全吻合，超 7 成的量化人關注人工智能應用，6 成關注高頻數及因子；58.2%的量化人關注基本面量化。圖表 126 暢想未來 3 年量化行業關鍵詞數據資料來源：問卷調研圖表 127 量化機構關注的行業方向數據資料來源：問卷調研調查得到的關鍵詞完整內容：金融邏輯穩定性、衍生品、規范化、基本面量化、可解釋、跳槽、機器學習、卷、風險、市場占有率擴大、超額繼續下 59 滑、機遇、增長、開放、超額、智能化、規模、另類數據、優選、價值、新冠疫苗、規模變大、千億私募、高頻、牛市、復蘇、量價選股、爆發增長、跳槽、能源、宏觀事件驅動、投

158、資風格切換擇時、CTA 大年、規模擴大、發展、基礎設施更好、對抗網絡、強勢突破、FOF、解封、深度學習、進步、通貨膨脹、人工智能、同質化、挑戰、人工智能、市場份額 vs 主觀進一步增加、云計算、慢牛行情、低回報、算力、人工智能、專業化、資產管理、更多人、正軌、云計算、數據更完善、注意力模型、普遍適應性、高波動、薪酬合理化、信創、發展、更多數據、復雜性、穩定、多元化、策略更豐富、超額收益進一步下降、希望、監管、人員專業化、行業增強、成熟、云端化、小型私募更被注意、超額收益的穩定性、機器學習、拼硬件挖因子、馬太效應、機器學習、風險、AI、成長、可解釋性、擁擠、新品種、高勝率、開放、指數增強、深度學

159、習、AI 主導、美好、穩定、基本面量化、多策略配置、規模變化、數據云存儲解析、復合策略更多、規范、資產配置、容量、貿易、高頻、時機、兩融業務、迭代優化、云計算、基本面、憧憬、小策略、drl、創新、開拓新荒地、壓抑、空氣指增更多、多策略、api、算法、中國、基本面、穩健、分化、大數據、策略同質化、AI 替代、非常卷、策略、硬件加速、國際市場、放開、發展、邊際、回歸基本面、hft、AI、頭部效應、人工智能、另類、AI、套利、小而美、持平、很卷、高投入快迭代、內卷、機器學習、疫情結束、另類、基本面、對沖、高頻交易、算法、迭代、卷、千億、機遇、web3、t+0、價值投資融合、多策略、人工智能、Alph

160、a 下降、人工智能、算法擬合、本土化、強化學習、衍生品、馬太效應、高頻、云計算、快捷、多策略、hft、放開、繁榮、算法、瓶頸、高頻、挑戰、宏觀量化、agi 通用人工智能、市場波動、另類、deeplearning、算力、數字技術的應用、策略選股、高頻數據、趨勢跟蹤、風險、策略迭代、內卷、算法預測、規模、數據、競爭激烈、放開、超額波動變大、規模、基本面量化、越來越卷、期權擴容、中低頻、競爭、競爭激烈、Alpha 減少、增強、放開、更加規范和專業化、機器學習、數據、全天候、回撤、飛速發展、指數增強產品、AI、理念、數據、數據、隨機學習、另類數據、算法、穩定、穩定、洗牌、穩定、速度、云計算、轉型、普及

161、、活著、深度學習、AI 智能、機器學習、認知、穩定、模型、資產配置、行業內卷、高頻、競爭、多賽道、集中、注冊制、自動、監管、內卷、市場風格、科技*因避免信息失真、此題收集的結果未做刪改。（1 1）關鍵詞）關鍵詞策略策略事件驅動、人工智能、人工智能；算法；算力、人工智能、ai、知識圖譜、固收加、多策略、全天候、人工智能、基本面、交易、AI 機器學習、智能、多模態、高頻、25.9%的年復合收益率；多因子模型開發、中性、深度學習、基本面量化、ESG、非線性、新因子、另類數據、神經網絡、基本面量化高頻、AI、高頻市場收縮、強化學習、AI、時效智能、另類數據、AI、夏普高的策略越來越難、ai、風險敞口、

162、監管、風險收益、人工智能、創新算法、大眾化內卷人工智能機器學習、高夏普低波動、人工智能、人工智能、突破瓶頸均值回歸、回撤內卷分化、同質化、人工智能計算機操作系統、AI/策略擁擠/頭部化、頭部化、機器學習、擁擠、收益率下降、新勢力、基本面、高頻、智能化、容量迭代、人工智能、高頻、人工智能、另類因子、ESG、基本面、低頻、ai、機器學習、超額下降、越來越難做了、ai、人工智能、2 萬億、數字化轉型、高頻、人工智能、可解釋性非對稱性、風控、極速、強化學習快速失效、回報率穩定性、量化規?；爻肥找媛?、追蹤主力、無風險頭寸、智能篩股、風險控制、人工智能、人工智能、主導高科技、智能、AI、金融科技、改革開放

163、、多因子多方向、智能化、潛力學習、人工智能、超額下降、趨勢預測、模型、人工智能、差異化、適應性、人工智能、工匠精神、人工智能、機器學習、人工智能、ai 托管、軟件研發、算法研發、被動投資、深度學習、強化學習、遷移模型、高頻、高頻、深度學習、深度學習、策略、卷積、Ai、智能量化、人工智能、高頻、人工智能、人工智能、高頻、人工智能、算力、模型、數學家參與、人工智能、ai、人工智能高頻交易、自然語言結構化、績效、人工智能、Ai、量化、策略、人工智能數據模型、al、量化回 60 歸基本面、主觀量化百花齊放、輿情數據大放異彩、增長、穩健、智能化、指數增強、新策略缺乏、量化行業未來可期、是大趨勢。更多人工

164、智能、高速交易、高頻量化機器學習、人工智能（2 2）關鍵詞）關鍵詞趨勢趨勢國際化、強監管、規范化、規?；?、夢想、螺旋上升、再分化、迭代成長、全民參與、競爭、曲折擴張、監管、跨界綜合、專業、龍頭效應、多元、競爭、厚積薄發、數字經濟、機構化、頭部化、差異化、大資金量、優化算法、算力提升、管理專業化、機會、方興未艾、成交量變大、趨勢、智能化、Alpha、挑戰、規模、集中、降頻、頭部集中、多策略、牛逼、政策變化導致對行業風格輪動選、多元、開放、智能、精準、內卷、挑戰百年變局下策略的適應性、100 家百億、蒸蒸日上、憧憬、蓬勃發展、內卷、更新、專業化、改變、穩定、未來就是量化的、風險敞口、監管、風險收益

165、、創新算法、百花齊放、在曲折中發展、紅利期逐漸褪去、汰弱留強、挖掘深度更深、漸入佳境、突破瓶頸均值回歸、融合、同質化、內卷、調整后再爆發、發展空間、AI/策略擁擠/頭部化、內卷、大規模、成長、基本面量化、發展、機遇、趨勢、速度、資管 Fof、大浪淘沙、集中、未來可期、加油、自由、規范、內卷、規范、穩中求進、百花齊放、流程化、智能化、洗牌、發展、變化、爆發、大勢所趨、智能、自動化、高效、金融人才涌現、信仰、AI、金融科技、改革開放、崛起、競爭、市場份額穩定、制度變革工具多樣化更開放、頭部集中、爆發、機會、全自動、主動、爆發、全自動化、歐美化、嚴監管、快速、認知、創新、差異化、內卷、一片紅海、趨勢

166、、有前途、大眾化便捷化、發展趨勢、騰飛、蓬勃發展、規模、市場容量、政策、發展、規范化、概率游戲、規模、政策、增長、百花齊放、科技低頻、智能、共生、優勝劣汰、去泡沫長效、宏觀、Fof 為主、包容、規模、智能、紅海、百花爭艷、擴張、快速幾何級增長、百花齊放、分化、潛力、好、發展、主流（3 3）關鍵詞）關鍵詞組織組織精細、效率、大算力、成本遞減、平臺化（3 3）關鍵詞）關鍵詞事件事件頭部機構回撤較大、多資產表現欠佳、各種策略失效、超額預期降低、人才涌入、經濟增速下降、策略監管、回撤、策略容量、俄烏戰爭、新冠疫情、美聯儲加息、小盤價值股的配置情況、大宗周期品類估值中樞的提升、景氣投資和主題型投資的切換

167、、疫情、美國制裁、康波周期、IM 合約上線、倫鎳逼空、數字化運營、金融理財產品的互聯網營銷趨勢、機構在量化投資布局的趨勢、回撤、云計算、速度、11 月股市暴漲、增量、4 月股市暴跌、指增、3 月農產品行情、1000 股指期貨、薪酬、AB 份額、同質化、通脹、量化收益回撤、全面放開、醫藥、戰爭、俄烏局勢、能源、北京疫情、中性回撤、上海封城、超額衰減、地產斷貸、超額回撤、俄烏危機、CTA 策略遇到大反轉行情普遍回撤、11 月債券市場贖回潮、期權賣方不利之年、3 月大回撤、雪球、上半年中性策略回撤、超額普遍表現不佳、期權新增品種、內卷、指增回撤贖回、估值、新能源、債市波動、幻方規?；爻?、放開、規模向

168、頭部集中、疫情、ChatGPT、結構化行情、戰爭、債基理財、新冠、FTX 暴雷、集采、新證券法正式實施創業板注冊制改革、疫情、CTA 回撤、監管、地產三支箭、商品波動應急預案、硅料降價、指增回撤、百億、多頭回撤、量價策略擁擠、個別公司治理亂象、如鳴石、會世、指增交易降頻、監管、信用債流動性、風格突變、股票量化超額收益空間收窄、美股跌、百億量化私募擴容、新老分化、利率債流動性、烏龍指、風格策略高回撤、ipo 減少、策略同質化、A 股波動、中證 1000 期貨上市、疫情、疫情的影響、中證 1000 指數期貨上市、能源類大漲、量化規模收縮、疫情、非理性思維、疫情、醫藥股票大跌、數據準確性、互聯網股票

169、大跌、羊群效應、超額相關性變大、同質化嚴重、算法可解釋性、策略失效、交易回撤可視化、股權風波、沒了、9 月以后的回撤、量化業績下降、規模增加慢、投資策略、行業內卷嚴重、疫情、新的量化市場發展、俄烏戰爭、百億私募排行榜、A 股破 3000 點、量化投資公司百強、百億私募業績下滑、信創、61 量化因子的算力競爭、美元加息、賽道擁擠、俄烏沖突、新能源、超額降低、疫苗、風控不良、超額愈發困難、策略同質化嚴重、投資人贖回、二十大、量化回撤、同質化嚴重、俄烏危機、降頻、美聯儲加息、新品種、中性回撤、疫情、美聯儲加息、新冠疫情、美元加息、投資者贖回較多、美元加息、債市波動、新冠疫情解封、10 月陰跌、量化基

170、金、市場行情太差、俄烏戰爭、房地產爆雷、5 月暴漲、大宗商品策略增加、指增超額越來越難做、美元加息、融券數量問題、4 月暴跌、周期策略增加、廣期所、債券下跌、對沖基差問題、螞蟻金服上市、宏觀策略增加、青山鎳、binance、超額回撤問題、房地產、eth跌破 1000、俄烏沖突、ftx、人才吸納、新冠疫情、eth 升級、上半年很多量化機構遭遇贖回、luna、普及度、規模擴張、luna崩盤、ftx 崩盤、股債雙殺、合規化、新冠、新冠疫情、國家政策變化、小而美量化機構成為新主流、策略外包、俄烏沖突、因子迭代、全球市場、新冠、高頻數據、封控、各類基金大幅回撤、百億量化管理人比例提升、限價、中證 100

171、0 股指期貨和期權上市、美元加息、新冠疫情/經濟復蘇、凈值回撤、頭部私募 Alpha 策略超額的減少、美聯儲暴力加息、另類數據、股票市場、避險、銀行理財凈值回撤、CTA、注冊制傳言、9 月調整、可轉債、回撤、CTA6 月份的回撤、業績、市場流動性、政策、新消費/熊市、俄羅斯烏克蘭戰爭、回撤、FTX 破產清算、政策、鎳、回撤、疫情對商品影響、規模、股指期貨基差比較奇怪、震蕩策略、期權上市很多品種、同行業大幅回撤、外資投期貨放寬、數字貨幣/熊市、風格輪動、Luna 崩盤、加息、回購、美元加息、行業輪動加速、新能源、股債雙殺、美聯儲加息對商品周期影響、上交所技術升級、宏觀對沖、高頻、股指期貨松綁、疫

172、情、疫情、疫情、洛書回撤、多策略、廣期所開業數據資料來源：問卷調研 62 競爭狀態競爭狀態2021 年 12 月及 2022 年 4 月，調研組兩次對行業提問“您認為接下來量化投資會朝著哪些方面演化，變化幅度有多大”?；蛟S是時間差異或樣本差異，兩份問卷調研結果相差較大，普遍而言，2021 年對于各個方向的感知更為強烈，市場普遍認可規范化、智能化是主要發展方向，但是在其他排序上略有差異，對戰略化、主流化、國際化上的認知不一致。圖表 128 量化行業演變方向 2021-2022 年對比方向釋意2022 年排序2021 年排序規范化量化交易監管措施出臺，行業規范化、監管常態化5.2515.451智能

173、化人工智能各類算法大面積應用于量化投資各個環節5.1325.382戰略化量化在買方機構中投資比例提升，內外部重視程度增強5.1325.264主流化量化機構增多，資產管理規模增大，進入投資主流5.0935.333國際化國際機構積極布局中國市場，同時國內大型量化機構出海4.9245.185平臺化機構運用統一平臺進行工業化、流程化量化開發4.9155.333圖表 129 量化行業演變方向數據資料來源：問卷調研“一片紅?！?、“百花齊放”，這是受訪者提到未來行業競爭中的高頻詞，也是兩種極端，兩次問卷調研“您認為未來3 年量化行業競爭處于什么樣的狀態”共回收 254 份有效問卷，59%的受訪者認為未來 3

174、 年量化行業的集中度會提升，大型機構的管理規模會越來越大；同時 26%的受訪者認為行業競爭不確定，收益率、規模、波動率難以平衡，僅有 15%受訪者認為未來的機會在肩部機構或中小型機構。2020 年，中國證券投資基金業協會進行過相似的問卷調研，目標受眾為私募證券基金全行業，數據顯示：基于大型私募管理人在品牌、投資經驗、投資體系、團隊建設上的積累，有高達 77.45%的受訪管理人認為私募證券行業集中度將提升，而這與量化行業的數據有 18%的差距。經過上一輪行業的高速發展，人才、市場、數據、算力、策略甚至品牌、招聘的積累，頭部機構的資源和護城河已經形成了四超多強的梯次結構，在“請您列舉國內外量化各兩

175、三家機構榜樣”題中，九坤、幻方分別作為 PM 制及平臺制的代表被屢屢提及，其次為佳期、衍復、靈均、黑翼、鳴石、明汯。另外微觀博易、半夏這類細分在高頻及宏觀對沖賽道的機構也偶有被提及。63 總體而言，在市場認知層面，機構形成了一定的梯度。但金融市場具有很強的不確定性，又讓一切顯得皆有可能，乾坤未定，中國量化呈現出明顯的代際，從高頻股指期貨對沖到中性策略到再如今指增及人工智能方法大行其道，幾乎沒有量化人能保證上一代策略在下一代依然適用，所以頭部機構也難以實現絕對壟斷，尤其是在量化策略在 2022 年仍然體現出相對優勢，增量資金或能持續涌入。在千億魔咒尚未打破，大型機構主動控量，同時新興管理人不斷沖

176、刺百億的情況下，機構格局并不穩定。例如，2022 年年底百億私募量化仍為 28 家，但是“成員”卻發生較大變化，有量化私募新晉百億行列，如展弘投資、洛書投資、白鷺資管、艾方資產、卓識投資、珠海致誠卓遠、上海寬德。圖表 130 行業競爭及集中度預判數據資料來源：問卷調研圖表 131 2022 百億私募量化基礎情況序號公司簡稱成立時間破百億時間核心策略員工人數1鳴石私募2010/12/92020 年股票策略1112金锝資產2011/11/252019 年股票策略373艾方資產2012/3/142022 年多資產策略334九坤投資2012/4/122019 年股票策略1635誠奇資產2013/9/2

177、42020 年股票策略306茂源量化2013/11/262021 年股票策略587明汯投資2014/4/172019 年股票策略638黑翼資產2014/5/52021 年多資產策略689進化論資產2014/6/42020 年股票策略3310靈均投資2014/6/302019 年股票策略14411千象資產2014/7/42021 年期貨及衍生品策略5312盛泉恒元2014/7/82020 年多資產策略4213上海天演2014/8/52021 年股票策略7414因諾資產2014/9/242021 年股票策略8815上海寬德2014/11/122022 年股票策略3216金戈量銳2014/11/12

178、2021 年股票策略2417佳期投資2014/11/282021 年股票策略1918展弘投資2014/12/242022 年期貨及衍生品策略2119洛書投資2015/2/262022 年期貨及衍生品策略8620啟林投資2015/5/282020 年股票策略47 64 21九章資產2015/6/112019 年股票策略3522世紀前沿2015/8/242021 年股票策略1523白鷺資管2015/12/82022 年股票策略9024思勰投資2016/1/282021 年股票策略4925寧波幻方量化2016/2/152019 年股票策略6926卓識投資2016/4/222022 年股票策略4027

179、致誠卓遠2017/6/192022 年股票策略1628衍復投資2019/7/252020 年股票策略48數據資料來源：私募排排網圖表 132 量化人心中的海內外量化機構榜樣數據資料來源：問卷調研乾坤未定，一切還是看策略和收益表現，173 位量化人認為量化市場面臨的 5 大挑戰排序為：市場風格變化和極端行情；全球經濟衰退、貨幣政策、地緣政治等；市場交易規則修改及監管與合規風控，居民財富管理傾向及風險偏好變化；量化機構間策略同質化。另外可以發現，量化人認為競爭主要來自于量化機構之間內部競爭，排序遠超于其他資管機構以及海外量化機構。圖表 133 量化市場挑戰：全球經濟、交易規則、風險偏好數據資料來源

180、：問卷調研雖然疫情已經放開，但回望 2022 年的疫情管控，尤其是 3-4 月的上海封控，對于量化機構來說都是一次沖擊，機構需要保證交易的連續性的同時，實現員工的遠程管理。有的機構把“疫情期間全員遠程系統提前啟動，IDC 異地機房備份，災備符合國際大型機構標準”寫進了公司簡介。65 數據顯示：超過一半的機構為員工居家辦公添加軟件/硬件配備；35.84%的機構統一采購防疫物資；甚至 2 成以上的機構增加員工健康商業/防疫保險，另外值得注意的是，有近 3 成的機構設立了更多分城市辦公，以此化解風險。圖表 134 面對疫情量化機構的準備措施數據資料來源：問卷調研 66 人工智能人工智能4.4.14.

181、4.1 當前應用當前應用機構較多使用機器學習和其他人工智能方法實現交易決策和信號構建，有超過四成的機構根據宏觀、基本面或市場輸入變量，使用分類法來做出買入或賣出決策交易，抑或是構建信號。此外自然語言處理技術也受到了很高的關注，超過三成的機構通過對新聞、轉錄文稿等自然語言數據進行處理來確定市場情緒。圖表 135 當前量化機構的機器學習/人工智能量化應用領域數據資料來源：問卷調研在具體算法上，相比 2021 年數據，神經網絡的使用明顯增多，各家機構都在增加模型復雜度，紛紛使用神經網絡處理各類型任務。樹模型較多運用于策略優化和收益預測，集成學習較多用來進行特征提取和組合構建，聚類模型較多運用于特征提

182、取、模型構建和市場模式識別，強化學習模型在高頻交易和收益預測中使用較多，神經網絡在各項任務中都會較多地用到，圖模型的整體使用率會相對較低。圖表 136 當前 AI 落地階段圖表 137 人工智能模型使用排序數據資料來源：問卷調研數據資料來源：問卷調研 67 圖表 138 AI 算法使用的方式數據資料來源：問卷調研*左圖為 2022 年 4 月份版本問卷調研結果；右圖為 2022 年 12 月份版本問卷調研結果 68 在細分模型方面，當前被應用較廣的分別為 LSTMMLPCNN。圖表 139 常用機器學習模型排序數據資料來源：問卷調研圖表 140 各類機器學習使用環節題目選項樹模型集成學習聚類模

183、型圖模型神經網絡強化學習其他數據清洗40(22.99%)35(20.11%)26(14.94%)26(14.94%)43(24.71%)24(13.79%)41(23.56%)特征提取41(23.56%)46(26.44%)49(28.16%)31(17.82%)60(34.48%)27(15.52%)32(18.39%)模型構建38(21.84%)47(27.01%)47(27.01%)37(21.26%)73(41.95%)37(21.26%)27(15.52%)收益預測39(22.41%)38(21.84%)38(21.84%)36(20.69%)75(43.1%)46(26.44%)2

184、8(16.09%)市場模式識別32(18.39%)38(21.84%)47(27.01%)33(18.97%)62(35.63%)34(19.54%)35(20.11%)衍生品定價24(13.79%)39(22.41%)36(20.69%)34(19.54%)48(27.59%)28(16.09%)47(27.01%)另類數據處理25(14.37%)32(18.39%)34(19.54%)34(19.54%)54(31.03%)31(17.82%)47(27.01%)產業鏈聚類24(13.79%)32(18.39%)44(25.29%)37(21.26%)53(30.46%)25(14.37%

185、)41(23.56%)組合構建35(20.11%)42(24.14%)39(22.41%)36(20.69%)58(33.33%)39(22.41%)33(18.97%)策略優化40(22.99%)45(25.86%)40(22.99%)36(20.69%)53(30.46%)41(23.56%)33(18.97%)高頻交易30(17.24%)31(17.82%)33(18.97%)35(20.11%)56(32.18%)47(27.01%)49(28.16%)無，沒有使用34(19.54%)29(16.67%)23(13.22%)40(22.99%)32(18.39%)28(16.09%)5

186、4(31.03%)數據資料來源：問卷調研有接近六成的機構進行了單點實驗或局部落地，以 POC 或試點形式進行小范圍探索，模擬盤進行投資，或實現部分場景AI 應用上線，以少量資金進行實盤。有接近三成的機構正在進行拓展復制或規?；涞?。69 圖表 141 當量化機構機器學習/人工智能量化應用階段數據資料來源：問卷調研從量化資源配置的角度來看，機構在戰略規劃、算法和應用上投入了較多的資源。AI 在大部分機構的投資戰略中得到了比較明確的闡述，很多機構的團隊已大量復現過各類 AI 模型，有較多的機構的投資額度中 AI 量化已經占據了一定的應用量。圖表 142 量化機構當前機器學習/人工智能量化資源配置數

187、據資料來源：問卷調研4.4.24.4.2 算力實施算力實施以上人工智方法在量化行業的應用實踐中，大都需要使用 GPU 進行計算加速。GPU 帶來的更快的處理速度能造就更明智的交易策略、更成功的交易完成和更高的收入。GPU 助力的硬件加速可加快獲取見解的速度，讓業務運營能夠保持競爭優勢。借助強大的 GPU 算力，金融機構能夠利用 AI 和高性能計算的強大功能，從大量數據中進行學習，并對市場波動做出快速響應。越來越多的量化投資機構使用基于 NVIDIA GPU 處理數據。這種方法可以方便地對信息進行高級操作。早在 2019 年，NVIDIA 就利用 DGX 系統，刷新了 STAC（Securiti

188、es Technology Analysis Center）基準測試中，關于對沖基金用于回溯測試交易策略的關鍵算法的性能數據（STAC-A3）。在當時的測試中,實現了相關算法超過 6000 倍的性能加速，可在一小時內完成 20,000,000 次交易回測模擬，而在之前其他系統保持的記錄中，每小時只能完成 3200 次回測模擬。70 自從摩爾定律放緩以來，計算吞吐量正成為新的優化方向，一般的原則就是多核并行性。GPU 通過提供大量的可并行計算的內核來與 CPU 協同處理數據。而且越來越多的基于 NVIDIA GPU 加速的多線程科學計算軟件，使得利用 GPU CUDA 編程環境進行量化投資算法研

189、發的成本和復雜程度大大降低。如果 GPU 內核可以滿負荷進行數據處理，那將能提供巨大的計算加速。這就需要以足夠的速度在多個 GPU 之間高速的傳輸數據。于是，進一步的性能優化就需要針對某 GPU 與 GPU 通信，放棄傳統的 PCIE 總線，使用 NVIDIA 開發的 NVLink 傳輸協議，使得量化投資算法效率得到最大的提升。圖表 143 通過傳統 PCIE 總線連接 CPU-GPU圖表 144 通過 NVLink 總線連接 CPU-GPU數據資料來源:NVDIA在最新的 STAC-ML 基準測試中，對于處理上面提到的時序數據的 LSTM 模型，NVIDIA 的 Ampere 架構 GPU

190、再一次表現出了優秀的性能。該測試中，對于小、中、大三種不同規模的 LSTM 模型，在單模型實例下，其 P99 推理延時分別僅為 35.2us、68.5us、640us。這樣的性能，已經可以滿足絕大多數實時交易場景下的延時要求。而隨著 GPU 性能和 AI 系統的不斷進步和升級，對于當前 NVIDIA 最新的 Hopper 架構 GPU，其性能早已遠遠超過了上一代的 Ampere 架構以及之前跟早期的產品。這使得眾多金融領域的開發人員和科學家們，可以利用基于這些先進 GPU 的 AI系統，更快、更便捷地構建和加速他們的相關業務。4.4.4.4.3 3未來展望未來展望3 月 15 日凌晨，Open

191、AI 正式發布了升級后的 GPT-4。與之前相比，GPT-4 不僅展現了更加強大的語言理解能力，還具備多模態能力，能夠處理圖像內容，在考試中的得分甚至能超越 90%的人類。以 GPT-4 為代表的生成式 AI，在量化領域能帶來什么樣的變革？正如華泰研究金融工程團隊GPT量化投資？研報所說，解析 GPT 對量化投資的影響，顧短也兼長。相比 ChatGPT和 GPT-4 在全社會范圍引發的熱議，量化投資領域對于 GPT 的態度顯得相對冷靜。ChatGPT 和 GPT-4 展現出的強大語言生成能力和部分推理能力不可謂不驚艷，但和量化投資主流方法論低信噪比場景下的預測模型有鮮明區別。這種因立場不同帶來

192、的感知差異，就如股指期貨松綁無法令非量化從業者感到興奮一樣。短期現實層面，量化投資行業可能難以直接受益于GPT 模型。但長期看，如同人腦各區域分工明確但相互聯系，現有量化投資預測模型可與各類大模型耦合擴展功能；算法升 71 級和規模擴大后，量化模型可能涌現出預期外的能力，值得量化從業者期待。是提升效率還是為數據、因子及模型、交易做整個方法論上的變革，或許還言之尚早，但可以做在如下使用場景上做一些猜想。（1）代碼生成及修正。（2）量化及機器學習需要大量數據，生成式 AI 將 A 股數據生成數據視作平行世界，在平行世界中進行策略回測，檢驗投資策略過擬合概率，訓練模型，同時，使用生成數據參與訓練，提

193、升模型魯棒性。（3）內外部知識庫，積累公司研究資源，做投資人投資教育。研究報告：GPT量化投資？兩點展望：大模型的耦合，大模型的涌現兩點展望：大模型的耦合，大模型的涌現類比人腦，CNN、AlphaGo、GPT 的強大能力分別對應視覺區、高級認知區、語言區。詬病 ChatGPT 不懂推理計算，就像指責耳朵不會說話一樣，忽略了 AI 模型可以耦合，就如人腦各區域存在相互聯接。將現有量化投資預測模型和大語言、圖像模型耦合，能否處理更大體量的文本信息？能否模擬“看盤高手”的決策？能否實現更擬真的多模態金融數據生成？涌現是指模型規模擴大后，自發產生預期之外的能力，量變產生質變。目前量化投資預測模型無法解

194、決低信噪比、時變規律、小樣本學習、數據非結構化等問題，在算法升級和模型規模擴大后，是否可能涌現出預期外的能力？深度解析深度解析 ChatGPTChatGPT 的原理，力求幫助讀者全面了解其背后的機制的原理，力求幫助讀者全面了解其背后的機制ChatGPT 是 OpenAI 的 GPT 模型在人機對話方面的應用延伸，使用基于人類反饋的強化學習（RLHF）進行訓練。我們認為 RLHF 的一大優勢在于可以充分利用數量有限的標注數據構建獎勵機制，并在不斷迭代中實時獲得環境反饋，逐漸微調模型，使得回答盡可能接近人類的邏輯和意圖。GPT 系列模型是大規模預訓練語言模型的代表，為 ChatGPT 奠定了堅實基

195、礎。其中 GPT-3 具有 1750 億個參數，使用了 Few-shot 等先進技術，相比于預訓練+微調模型的方式，Few-shot 更接近人類在面對各類語言問題時的思考模式，即人類只需要提示和少量示例就能回答各類語言問題。哪些生成模型適用于金融數據生成？如何應用于量化投資？哪些生成模型適用于金融數據生成？如何應用于量化投資？ChatGPT 作為自然語言生成模型，在聊天對話場景取得了令人矚目的成就。而在量化投資場景中，數值類型數據使用更為普遍，GAN、VAE、流模型、擴散模型是四類主流的數值類型數據生成模型。其核心是學習隨機變量 z 到生成數據 x的映射，隨后對 z 進行采樣，即可得到生成數據

196、。量化投資學界和業界實踐中，生成的金融數據包含時間序列、K 線圖像數據、截面特征標簽數據、訂單簿數據，生成得到的數據可以用于訓練模型、檢驗模型、預測收益、預測風險、期權定價等。ChatGPTChatGPT 或將在多方面對量化投資帶來影響或將在多方面對量化投資帶來影響我們認為 ChatGPT 對量化投資的影響可能是多方面的。其一，ChatGPT 或將被用于生成財經新聞、論壇評論、研究報告等文本數據，極大提高文本數據的數量和噪音，對文本挖掘相關的量化交易策略有利有弊；其二，ChatGPT 或將被運用于量化策略代碼編寫，接入數據平臺后可以實現交易策略的批量調參與樣本外跟蹤；其三，ChatGPT 還將

197、降低量化研究的門檻，例如替代本地預訓練-微調大模型，降低 NLP 策略研究的難度、憑借強大的資源整合能力成為第三代搜索引擎后可以助力量化資訊的搜集效率等。-華泰證券研究所金融工程團隊GPT量化投資？2023-03-26 72 圖表 145 生成式 AI 應用圖景圖表 146 生成式 AI 未來數據資料來源：紅杉投資 73 基本面量化基本面量化主流的量化指增、量化中性產品會嚴格控制組合在行業上的暴露，賺取 Alpha 因子收益。然而，隨著量化投資者的增加、產品管理的規模擴大，Alpha 因子的失效速度越來越快、尋找有效 Alpha 的難度也越來越高。同時 A 股政策及事件對部分行業的影響較為深遠

198、，直接影響供給側，在這種背景下一部分投資者開始把目光切換至基本面量化，也就是 Quantamental，這與傳統量化模型一致，都是數據驅動的投資模式。如前所述 58.2%的管理人已經關注基本面量化的研究，但各家管理人實踐路線迥異，爭議也較多。量化基本面是借鑒宏觀和策略的研究進行量化，形成判斷體系。包括行業輪動、景氣投資、趨勢投資等，需要建立相對穩定的宏觀-行業映射關系，庫存周期、房地產周期、朱格拉周期、康波周期等各類周期以及群體性的需求波動影響行業基本面供給，再從海量的基本面數據中，提取出最能夠刻畫行業當前邏輯，將覆蓋維度增加到行業層面和風格層面，最后到達個股層面，微觀視角進一步包括財務和資金

199、面。其中，財務數據是行業景氣度的最直接反映；通過資金面跟蹤，可以追逐到“聰明資金們”認為的景氣行業。部分公募基金的實踐方式為由研究員和基金經理共同推票，形成幾百只股票的選股池做長期維護和更新，再由量化研究員做因子選股。面臨的挑戰在于低換手量化選股可能表現不如直接基本面研究，效果更多在于分析和歸因。而且優秀的主觀團隊也會有人才培養成本。部分機構大量使用基本面或另類數據，從海量數據中尋找上市公司表現的蛛絲馬跡，最后形成模型，再由多因子框架來控制常規因子的風險敞口。但面臨的難題在于基本面更新數據頻率較低、且覆蓋率不夠、滯后性、清洗困難、因子挖掘難度大等問題。也有機構實踐將量化聚焦范圍縮小到細分行業做

200、行業指數增強產品，2022 年 7 月幻方成立四只跟蹤行業指數產品，分別涉及醫療、信息技術、新能源、原材料四大熱門賽道。但業內分歧較大，部分認為作為海外行業驗證過的一條賽道，指增增強本身沒有問題，不管是作為行業創新還是滿足投資人喜好都有其價值。也有的認為，量化對交易量、流動性、投資標的分散性要求更高，聚焦于行業指數與此理念背道而馳，一旦限定在細分行業內，量化的廣度優勢就會被削弱；而深挖行業、聚焦個股對基本面相對來說，公募和主觀投資比私募更擅長。舍棄了量化寬度，集中持倉權重股，與傳統的量化選股適配不佳。74 實踐案例：行業配置策略：中觀景氣視角本文優化了中觀景氣建?？蚣?，構建了中觀景氣輪動策略本

201、文優化了中觀景氣建?？蚣?，構建了中觀景氣輪動策略中觀行業景氣系列的定位是用高頻、及時的行業基本面指標，對低頻、滯后的行業財務數據的走勢作出及時預判。本研究主要生成中觀行業景氣指數，并應用于三類場景。優化后框架主要包括行業指標庫構建、行業指標預處理、指標評價和篩選、景氣指數生成等四個步驟。其中，行業指標預處理改用簡化方法，指標評價和篩選改為滾動窗口內進行。中觀行業景氣指數的最重要應用是構建中觀景氣輪動策略。2016-04 至 2022-06，輪動策略相對于等權基準的超額年化收益是 13.32pct。最新的中觀景氣建?？蚣艹浞挚紤]了行業邏輯的動態變化最新的中觀景氣建?？蚣艹浞挚紤]了行業邏輯的動態變

202、化在最新的中觀景氣建?？蚣苤校盒袠I指標庫構建從行業產業鏈結構出發，尋找與行業景氣度存在邏輯聯系的指標；行業指標預處理采用簡化方法，得到當月同比口徑的代理指標序列和財務指標序列；指標評價和篩選在每個財報季結束時，主要依據代理指標相對財務參照的相關性和領先滯后性，更新中觀景氣代理指標，非財報季則沿用最近篩選結果；景氣指數生成將代理指標輸入 Simple-Nowcasting 模型，合成中觀行業景氣指數。從指標預處理到景氣指數生成均在 60 個月的滾動窗口內由程序自動執行，既保證了結果的公允性，也使得模型能夠及時捕捉行業邏輯的變化。中觀行業景氣指數應用之景氣狀態判斷中觀行業景氣指數應用之景氣狀態判斷

203、中觀行業景氣指數的基礎應用是判斷行業景氣狀態。如在 2022-03-31，由于截至 2021Q4 和 2022Q1 的真實財報尚未披露完畢，只能獲取 2021Q3 的財務數據，無法對 2022Q1 相對于 2021Q4 的景氣邊際變化做出判斷；對此，可以沿用 2021-10-31（即 2021Q3 財報披露完畢）選中的景氣代理指標進行建模，得到截至 2022-03 的景氣指數。本文以鋼鐵行業為例，得出其2022Q1 的景氣狀況相對于 2021Q4 邊際顯著惡化。中觀行業景氣指數應用之單行業擇時中觀行業景氣指數應用之單行業擇時以凈利/ROE/營收/毛利同比為財務參照，計算各行業的凈利/ROE/營

204、收/毛利景氣指數。從交易景氣相對位置和交易景氣邊際變化的邏輯出發，每條景氣指數均可生成 orig/mom/moma3/qoq 四種模式因子，每個行業均有 16 個因子?；谝蜃诱撔?，對行業相對萬得全 A 的超額凈值指數開展擇時，發現大多數因子在大多數行業上擇時是有效的；其中，凈利景氣指數環比變化的擇時效果最佳，跟投資者決策習慣有一定關聯?？紤]到景氣指數擇時更適合業績呈現周期性波動的行業，本文進一步構建了順周期風格擇時策略。該策略成功抓到了順周期風格最近兩波大行情。中觀行業景氣指數應用之行業間輪動中觀行業景氣指數應用之行業間輪動進一步利用截面上各行業因子數值的相對大小信息，開展行業間輪動。首先

205、開展單因子分層測試；根據分層測試結果，精選刻畫景氣相對位置邏輯的凈利_orig、ROE_orig、營收_orig 和刻畫景氣邊際變化邏輯的凈利_mom、營收_qoq 等 5 個因子，采用截面排序加權求和，計算中觀景氣得分。前三個因子權重之和為 1，后兩個因子權重之和均為 1，保證兩種邏輯對策略的貢獻度相等。每月末選擇得分最高的 4 個行業配置。2016-04 至 2022-06，輪動策略年化收益 19.04%，夏普比率 0.84，最大回撤-25.91%。最后，通過因子權重隨機實驗，驗證了策略具有較強的魯棒性。華泰證券研究所金融工程團隊行業配置策略：中觀景氣視角（2)（2022.7.18）75

206、另類數據另類數據當前，分析師一致性預期數據已經成為了機構標配的另類數據，有 57.89%的機構正在使用。也有接近一半的機構在使用投資者/新聞網絡輿情指標。上市公司 ESG 數據是近年來的熱點，相較于其整體評級數據，其細分數據可能更受到機構的關注，但真正應用于投資的僅有 14.06%。圖表 147 另類數據研究/使用類型圖表 148 ESG 數據在量化策略中應用情況數據資料來源：問卷調研數據資料來源：問卷調研 76 實踐案例：分析師研報文本挖掘框架升級研究文本 FADT 選股重點關注如何對文本因子本身進行升級。其研究的核心思路是在特定場景下，以分析師研報文本的詞頻向量為特征，以研報發布前后兩日個

207、股超額收益為標簽，引導 XGBoost 模型學習研報情緒蘊含的超額信息。如果把詞頻向量替換為 FinBERT 隱藏層編碼的特征向量作為后續淺度學習模型的輸入，隱藏層編碼蘊含更豐富的文本語義信息，相比詞頻信息損失更少，以此帶來更顯著的 Alpha 提升。引入引入 FinBERTFinBERT 編碼以后文本因子收益提升明顯編碼以后文本因子收益提升明顯升級以后的文本因子十分層多頭第一層年化收益由原版的 22.87%提升至 27.50%，相對中證 500 超額收益由 14.75%提升至 19.19%（回測期 20090123-20220930），提升較為明顯。針對改進后的因子展示了三組應用案例：（1）

208、構建 25 只股票的主動量化不等權選股組合，年化收益 45.90%，相對中證 500 年化超額 36.35%；（2）限制在總市值 100 億以上的股票池中用文本因子構建等權精選組合，Top20 年化收益 31.12%，相對中證 500 年化超額 23.94%；（3）構建滬深 300 內精選 30 不等權組合，年化收益 17.58%，相對滬深 300 年化超額 12.44%。FinBERTFinBERT 是專門針對金融領域訓練的是專門針對金融領域訓練的 BERTBERT，使用，使用 Adapter-BERTAdapter-BERT 微調微調BERT 是 Google 在 2018 年提出的自然語

209、言處理模型，在超過 11 項的 NLP 任務中均取得十分驚艷的結果。熵簡科技于 2020年末開源的 FinBERT 模型，對于金融領域任務具有更強的針對性，在金融領域的相關任務中表現均超過原版 BERT。由于FinBERT 微調參數量超過 1 億，使用 Adapter-BERT 技術在基本不影響模型微調性能的前提下，降低微調參數至約三百萬，可以提升模型的訓練效率。模型升級：模型升級：FinBERTFinBERT 微調微調+CLS+CLS 層編碼層編碼+XGBoost+XGBoost 二次訓練二次訓練使用 FinBERT 來對分析師研報文本進行向量編碼并構建文本因子，主要包括三個步驟：（1）使用

210、萬得新聞輿情文本對 FinBERT 進行微調，使得 FinBERT 的分類準確率可以達到 95%以上；（2）使用 FinBERT對分析師研報文本進行編碼，將預處理過的研報文本輸入給 FinBERT，提取 CLS 層輸出作為研報的特征向量；（3）使用上述編碼好的特征向量替代詞頻向量，使用與原版模型同樣的標簽，引導 XGBoost 模型樣本內進行交叉驗證訓練，樣本外預測并構建 forecast_adj_txt_bert 因子。多組擴展測試表明過擬合概率低，更充分的語義理解帶來顯著多組擴展測試表明過擬合概率低，更充分的語義理解帶來顯著 AlphaAlpha 提升提升關于模型升級過程中是否有過擬合的問

211、題。除了基礎參數，研究做了五組擴展測試：（1）文本預處理時，截斷和分段的比較；（2）FinBERT 微調與不微調的比較；（3）CLS 層編碼與全連接層編碼的比較；（4）CLS 層編碼與詞頻特征結合是否有提升；（5）僅使用 FinBERT 微調的效果。整體來看前四組測試都有效，模型升級大概率不是偶然因素導致的過擬合。與傳統因子相關性低，且不同場景下文本因子均有明顯提升與傳統因子相關性低，且不同場景下文本因子均有明顯提升此外我們討論了 forecast_adj_txt_bert 因子與 Barra 因子及傳統多因子的相關性，發現相關性較低，Alpha 特異性較強。同時升級因子，在業績發布場景、賣方

212、分析師評級調整等場景下文本因子均有明顯提升，再次說明模型升級較為穩健。華泰證券研究所金融工程團隊人工智能 63：再探文本 FADT 選股（2022.10.28）77 高頻數據及交易高頻數據及交易天下武功，唯快不破，在高頻交易領域，更是如此。高頻交易主流策略有 4 種：流動性交易策略、趨勢行情推手、統計套利策略、市場微觀結構交易策略。高頻一向以自營為主，鮮少對外募資。層層揭開高頻交易，市場玩家、策略使用、程序應用、操作系統、進程通訊、網絡硬件、硬件優化、地理位置環環相扣，軟件、硬件不斷演變推進，把速度發揮到極致。（關于高頻交易，更多內容詳見中國量化投資季刊2022 年冬刊高頻交易 毫秒掠殺）圖表

213、 149 海內外部分高頻交易商名譜機構簡介VirtuVirtu 是全球最大的高頻做市商之一，以速度見長。交易領域橫跨股市、商品、外匯、期權和債市等固定收益市場，為全球34 個國家的 225 余家交易所、商品和暗池提供流動性。2014 年 3 月 Virtu 計劃 IPO，公告在其過去四年 1278 天交易中僅有一天虧損。當時 Virtu 共有員工 148 人，年純利潤 1 億 9 千萬美元，平均每人創造利潤 128 萬美元，CEO Cifu 稱公司 51%的交易是盈利的，其余 49%有些僅抵手續費甚至虧損。Citadel1990 年成立的 Citadel 業務包括兩大塊：提供資管業務的 Cit

214、adel 對沖基金，提供做市商業務的 Citadel 證券（CitadelSecurities）。Citadel 證券在金融危機后崛起，在股票、期權和利率互換市場做市。根據 Citadel 官網，Citadel 證券的自動化交易平臺交易了全美證券成交總量的 25%，這個市場中做市標的資產包括了超過 11000 種在美國交易所場內交易的證券和 16000 種場外交易的證券。Citadel 證券還成交了美國交易所市場內大約 35%的零售（非機構）交易量，使其成為了業內最頂尖的做市商?，F任掌門人趙鵬曾就讀于北京大學，而后他在美國加州伯克利大學攻讀了博士學位，據了解公司基于訂單簿的信號研究上非常突出，

215、有著非常強大的趨勢預測能力。SIGSIG 如今在全球有超過 2000 名雇員，在美國有 6 個辦公室，亞太有 5 個辦公室，歐洲 2 個。期權和 ETF 交易是 SIG 的核心業務。它交易美國期權總量的 1/4，全美 ETF 總交易量的約 7%。SIG 每年在全球交易的 ETF 總價值為 1.5 萬億。同時公司2005 年就進入中國，開始投資中國一級市場。十余年來已經投資了包括字節跳動、喜馬拉雅、一條、Musical.ly、閃送、拍拍貸等在內的超過 260 家公司，總投資金額超過 20 億美金。X-TECH LLC前身為 X-PEV 基金（由 Joseph Vairavel 與 David J

216、.M，James Anderson 等在 2015 年創建），研發總部在于德克薩斯，投資了幾年不同行業的技術研發，主攻人工神經網絡（ANN）領域，據路透社報道目前具備與傳統高頻交易模式完全不一樣的結構算法。2019 年初開始在迅速擴張全球貨幣市場當中的交易份額。DRW由前場內交易員唐威爾遜于 1992 年創立，是一家在全球交易許多金融工具的自營交易公司。該公司擁有超過 800 名員工，是 2014 年通過其子公司 Cumberland trading 擴展到加密交易領域的首批成立的高頻交易公司之一。Optiver成立于 1986，總部設在阿姆斯特丹，OPTIVER 是一家擁有約 1000 名員

217、工的自營貿易公司和做市商。Jump trading成立于 1999 年，由前場內交易員保羅古里納斯和比爾迪森馬創立，該公司在期貨市場占有重要的市場份額，并已擴展到加密貨幣交易領域。微觀博易一家專業從事低延遲程序化交易的私募，總部位于北京并在上海等地設有分部。核心產品 Sharpe Ratio 高于 30，創造了持續 600 天以上僅一日虧損紀錄。寬德投資珠海寬德是一家成立于 2014 年，屬于國內較早一批成立的量化私募，公司依靠專業團隊敏銳的洞察力、強大的研發回測平臺、領先的交易系統和高端信息技術，捕捉稍縱即逝的市場波動，挖掘市場深層的規律，從而實現長期穩健的絕對投資回報。乾象乾象投資是一家成

218、立于 2018 年 5 月，當前管理規模在 20 億-50 億之間，是一家以人工智能為核心的量化投資公司，創始人高鵬飛擅長于基于 ML/RL 的期貨中高頻策略、股票日內高頻策略。黑翼上海黑翼資產管理有限公司創始于 2014 年，目前資產管理規模超過百億，以量化股票策略及 CTA（管理期貨）策略投資為主。玄信上海玄信資產管理中心（有限合伙）成立于 2015 年（前身上海大雁資產），通過完全獨立自主研發的數學模型和計算機系統，在四個期貨交易所和兩個證券交易所進行全自動交易，促進價格發現并為市場提供流動性。公司在股指、股票、國債、大宗商品、期權等資產類別上開發積累了豐富的交易技術和投資策略，在激烈的

219、高頻交易競爭中占據優勢。78 華鈞廣匯華鈞廣匯有一支致力于科技金融開發創新的量化對沖團隊，公司核心成員大多畢業于世界一流高校，很多成員有在美國大型交易機構豐富的從業經驗。公司理念是科技金融協作創新，搭建了完善的程序化交易體系、投入了的強大研發力量，得益于此，其在國內的期貨、股票、衍生品市場均處于領先地位。希格斯杭州希格斯投資管理有限公司創立于 2018 年 3 月，是一家從事股票、期貨和期權全自動量化交易的科技型私募基金公司，也是一家國內領先的高頻交易機構。希格斯投資每個交易日全自動執行數十萬筆交易，自 2018 年年底以來，已經連續數百個交易日沒有產生過單日交易虧損。集微集微是一家位于上海的

220、初創對沖基金?，F在成員畢業于斯坦福（博士），哥倫比亞清華北大復旦（碩士），有多枚國際奧數金牌，并曾經就職于美國頂級對沖基金（Two Sigma,Citadel,PDT）。*以上排名不分先后，各家機構公布的時點不同，與實際情況或有差異數據/資料來源：編寫組整理自網絡圖表 150 高頻交易系統的主要優化技術主要技術技術要點程序應用高頻交易系統多以 C+為開發語言。在普通的 C+程序中，常以虛函數實現多態化。但是，由于高頻交易系統對運行速度有著極致的追求，實現多態化就需要借助模板函數。這是因為在模板函數下，可以通過內聯函數進行深度優化。所謂內聯函數，就是在編譯時將函數體嵌入每一個調用處。雖然擴大了編

221、譯程序所占用的空間，但卻降低了函數出入“?！钡恼{用時間，實際上是一種以空間換時間的方式。而虛函數是不可優化和內聯的，所以，運用模板函數可以獲得高于虛函數十倍以上的運行效率。操作系統以高頻交易對速度的要求，CPU 從內存中讀取數據所花費的時間實在“太長”了。當數據請求量較大時，這種缺點更是會成倍地放大。常用的硬件解決方案是在 CPU 中設置多級高速緩存，并把一些需要反復使用的數據存取其中，盡可能地減少 CPU 和內存的頻繁交互。由于 CPU 從緩存中讀取數據的速度要比內存快上幾十倍，因此整個交易系統的運行效率也隨之大大提升。網絡硬件當前主流的高頻交易商在進行服務端的數據傳輸時，使用的都是“Inf

222、ini Band”交換機。由于主機總線的限制，傳統的以太網或光纖要達到雙向 2Gb/s 的速度都很困難，而“Infini Band”交換機可達每端口 2.5Gb/s 至 10Gb/s。它和通道適配器互相協作，對接支持該項技術的各大交易所機房的 Linux 系統，為高頻交易搭建了一條“私人高速公路”。地理位置將交易系統的服務器放在交易所的交換機所在的機房。進程通訊一般情況下，交易數據的存儲是通過底層數據庫（如磁盤）完成的。但高頻交易商為了進一步提高讀寫速度，常常會將數據直接存放在內存中。相比傳統的數據庫技術，內存數據庫需要全新的管理系統，并結合緩存的重新設計，才能讓 CPU 更有效的運行。一個完

223、整的交易系統至少需要包括行情接收、信號生成、下單交易這三項基本功能。雖然在一個進程里運行這三個線程的架構可以節約資源，但任何一個環節出錯都會導致整個系統的崩潰。所以，一般不會把三個關聯如此緊密的線程放入同一個進程，而是讓它們分布在不同的進程中。而且，高頻交易涉及多個市場，單進程多線程的架構也無法滿足實際需求。于是，使用多進程成為了必然的選擇。然而，Linux 系統進程間的切換是需要消耗時間的，這勢必會減緩交易系統的速度。為了彌補這一缺陷，可以在以下兩個方面進行優化。首先，由于 Linux 系統允許不同進程共享內存上的信息，因此，會盡可能將更多的進程映射到同一個內存上，避免數據傳輸導致的延遲。其

224、次，在執行多個進程的切換時，也會最大程度地保證它們之間良好的通信狀態，力求以最高的精度完成。通過這些技術手段，可以大幅縮小多進程系統和單進程多線程系統之間在運行速度上的差距。硬件優化為了進一步提升高頻交易系統的速度，會把一些比較簡單的功能植入 FPGA（Field-Programmable Gate Array 現場可編程邏輯門陣列）芯片。當數據達到網卡后，直接在硬件層面處理，而不需要經過“從操作系統到 CPU 再返回”的復雜過程。傳統的 CPU 運算是一個流水線過程，從任務 1 到任務 4 依次運行，而 FPGA 并行運算的本質則類似于顯卡的工作原理。為了達到更好的成像效果，顯卡在設計和發展

225、的過程中，都是以塊狀結構為單位同時計算。FPGA 在此基礎上進行優化，通過建立多個輸入、輸出單元，實現多任務并行處理，大幅提升了整個交易系統的運行效率。當前美國一些以速度見長的高頻交易商，如 Virtu 都已經把很多策略直接寫在了 FPGA 上面。不過，FPGA 也存在一些缺點。首先，它畢竟不是 CPU，無法運行太過復雜的策略。其次，它和內存之間的交互較為復雜，耗時也更長。所以，FPGA 上的策略大多是一些計算簡單、規則明確的交易信號。數據資料來源：編寫組綜合整理 79 圖表 151 高頻數據的主要研究方向數據資料來源：問卷調研 80 81 艾方資產艾方資產反脆弱的抽象與演繹反脆弱的抽象與演繹

226、蔣鍇蔣鍇董事長董事長&投資總監投資總監南京大學計算機專業本科，塔夫茨（Tufts）大學計算機專業碩士。在華爾街從事了多年的絕對收益投資，先后在韋氏資產管理公司和德意志銀行紐約自營部擔任投資經理，管理的資產總額達 10億美金，涉及全球多個主要證券市場。2008 年回國后曾任職于東方證券，先后擔任證券投資業務總部副總經理，金融衍生品業務總部董事總經理，組建了東方證券的另類投資業務，負責包括套利交易、對沖交易、數量化策略在內的絕對收益自營投資，并擔任東方證券自營投資決策委員會委員。帶領艾方資產于 2017 年、2018 年、2020年、2021 年、2022 年多次獲得金牛獎最佳私募獎?！?、人們面

227、對的是一個復雜的世界，在復雜世界之中，簡單思考（不是生活簡單化）就會成為脆弱性的犧牲品甚或于；脆弱推手。2、世界充斥著不對稱性；3、可以用不確定性對抗不確定性?！泵绹L險管理理論學者納西姆尼古拉斯塔勒布反脆弱：從不確定性中獲益抽象是從眾多的、豐富的感性材料中通過去粗取精、去偽存真、由此及彼、由表及里的加工制作，抽取出共同的、本質性的特征，形成概念、判斷、推理的思維形式。而演繹則是從一些假設的命題出發，運用邏輯的規則，導出另一命題的過程。在金融市場，量化的本質也是抽象與演繹的過程。而基金經理就是將抽象的概念，演繹為未來可預見的現實收益。2023 年艾方資產躋身國內百億私募行列，掌門人蔣鍇在市場中

228、抽象出了許多名詞“反脆弱”“波動率稅”“CTA 就是Beta”，但抽象出何種概念也許沒有那么重要，探其肌理做出了何種演繹也許更為重要。抽象：抽象：反脆弱風險對沖反脆弱風險對沖演繹：頂層風險管理模型采用期權工具對市場尾部進行風險保護演繹：頂層風險管理模型采用期權工具對市場尾部進行風險保護2020 年新冠疫情的爆發，艾方資產成功應對了黑天鵝事件帶來的意外風險；2021 年初市場過熱，白馬股估值過高，策略成功對沖內生帶來的風險；2022 年以來，系統性風險疊加，反脆弱風險對沖策略對投資組合形成了有效的保護?！睆?2012 年成立到現在，艾方資產一直是專注在做絕對收益量化投資，規避擁擠賽道，尋找配置更

229、加穩定的超額收益策 82 略進行布局。反脆弱的風險對沖保護，可以使風險和收益的天平更加平衡穩固。具體執行邏輯為，反脆弱是在給權益類策略尤其是股票類策略提供尾部風險一種風險管理手段?！敖鹑谑袌龃嗳跣猿鱿胂?，尾部風險發生概率比想象要大，我們不能滿足于平時歲月靜好，很多時候風險出現是猝不及防?！卑降姆创嗳趵砟钍怯闷跈喙ぞ邅硗ㄟ^期權保護結合自主研發風險模型，根據市場不同環境，用不同期權組合來對產品多頭風險敞口進行保護。蔣鍇解釋說，指數增強+反脆弱組合之后能收獲兩部分收益，一部分是多頭超額收益，另外一部分是在 Beta 管理產生的Alpha，即當指數向上漲下跌的時候獲取不同的 Beta 系數，在組合

230、策略在市場上漲的時候，能獲得市場的 Beta 以及多頭組合 Alpha。而當市場出現極端風險的時候，反脆弱的對沖保護，可以降低風險沖擊，從而有效的保護 Beta，同時使得市場向上的時候 Beta 更高，下跌的時候 Beta 更低形成額外收益。應用于實踐，系數需要根據市場情況做調整，兼顧市場風險以及成本兩個因素。其中市場風險需要對尾部風險做好充分判斷，所以頂層風險管理模型顯得尤為重要。艾方通過擁有知識產權的自建風險評估系統，不斷模擬市場風險動態變化，設計風險估值模型來計算市場當前所處風險狀態，同時結合目前市場上波動率情況，期權波動率曲線、波動率曲面各項參數做動態優化，選擇最優的期權合約進行對沖。

231、當市場處于低風險區域的時候，市場下跌概率比較小或者下跌空間變小時傾向于下降對沖比例，降低對沖成本的同時保留一定的股票多頭彈性，這種情況往往市場會有大幅反彈，短期急速上能夠讓策略拿到一部分 Beta 收益。當然市場沒有圣杯，市場沒有一套模型體系是能夠完美應對市場上所有情況，反脆弱模型主要應對尾部風險進行充分保護，例如短期一周指數跌 10%-20%的情況。策略也會有損失，但損失會遠遠小于其他同類產品，但如果市場小幅下跌指數月跌 2%-3%保護作用就較微弱。例如 2022 年 4 月底之后風險模型判斷市場是屬于低風險區域，情緒、估值、交易量都比較低迷，實際上符合市場底部特征，但市場底部持續時間特別長

232、，下跌幅度是由分散到每個月下跌形式來完成，在這種情況下對沖成本會比較高。此外與無風險對沖的邏輯不同，所以艾方會用比較靈活方法，結合模型對沖組合來進行調整。整體大原則是，當模型判斷市場處于高風險區域的時候對沖比例會更高。反之對沖比例會略低。而當模型沒有特別觀點的時候，傾向于用偏中性保護，以達到效果最優同時兼顧對沖成本。這與傳統股指期貨對沖的方式完全迥異。蔣鍇解釋，策略會在指數上漲的時候能拿到到大部分指數向上漲幅，形成類指數增強產品。而指數下跌的時候則更類似于中性產品?！皞鹘y純中性產品相對指數敞口做 0 暴露，在單邊下跌市場會比較受益，但也會形成雙刃劍，雖然降低了短期波動，但也損失長期漲幅，而反脆

233、弱策略是希望在中間找到平衡?！彼詮膶嵺`來看，由于控制了對沖成本，形成精準對沖后，反脆弱疊加指增之后特征收益特征介于指增與中性兩者之間，長期收益率有比指增會略低但比中性產品更高，夏普率比指增產品要高比中性產品略低一點?；仡?2022 年，各類宏觀事件頻發。展望 2023 年，蔣鍇認為不宜過度樂觀。風險點尤在，在市場表現上 1 月份 A 股市場高歌猛進并迅速回調，港股市場年初漲幅已經跌回原點?！皠倓偛胚^一季度但已經看到有尾部風險征兆，硅谷銀行事件發酵，會否成為第二個雷曼時刻，引發美國金融市場動蕩還不好評估?！卑絻A向于認為短期內硅谷銀行事件不會像雷曼事件影響集中，但后續影響會比較深遠。具體而言，

234、市場風險主要包括三個方面：第一是在美聯儲連續加息和收緊流動性環境下，對于美國實體經濟、金融系統造成沖擊，從美國蔓延到全球帶來連鎖反應。昨（3 月 13 日）日歐洲很多銀行也開始有一定反應，形成金融系統沖擊。第二，從地緣政治角度來看也會存在不確定性。伊朗和沙特已經建交，但從俄烏到中東還是暗流涌動。83 第三，從更實務投資角度來看，小黑天鵝事件沖擊還在持續。2023 年以來，雖然股票市場比 2022 年有所復蘇，但商品期貨波動率大幅下降，市場上絕大部分 CTA 產品近期發生大幅回撤，也是給量化帶來一定挑戰。綜合以上因素，2023 年與大家年初預期并不一致，并不是投資躺贏的年份，還需要各家管理人是拿

235、出看家本領，管理好風險，盡最大努力獲取收益。對于市場大熱的機器學習，蔣鍇認為對量化投資有很大助力但也保持一絲冷靜：“Garbage in Garbage out，如果缺少高質量的數據源，模型訓練的結果也是比較差。量化投資模型重要，數據源也非常重要，如果有好的數據源即使用簡單的量化模型也能做出很好的結果，反之信息含量比較低，也得不到很好預測效果，所以艾方還有一項很重要的工作，就是不斷在尋找各種獨特的另類數據源，這些另類數據源實際上是收益的真正來源，如果要打分的話，數據源與投資模型有的時候是64 開甚至 73 開，如果過于追求武術招式花哨沒有把內功練好，這會是一種本末倒置?！背橄螅撼橄螅篊TACT

236、A 本質是本質是 BetaBeta演繹：演繹：CTACTA 價值在于長期配置疊加復利價值在于長期配置疊加復利CTA 經常被稱為“危機 Alpha”,指的是當發生金融危機股票大跌時，CTA 往往能取得正收益，這兒的”Alpha”和我們通常理解的 Alpha 不一樣。在我們眼中 CTA 最大的價值在于長期配置，如果從投資組合理論來看，CTA 本質是一種 Beta，因為，蔣鍇說到，商品期貨與股票資產一樣屬于大類資產，海外也有很多機構投資者把商品期貨當做宏觀對沖的工具。CTA策略從各個維度分類會包括高頻、中頻、低頻以及橫截面策略、趨勢策略，商品策略、股指策略，但大家談到 CTA 的時候經常默認為以趨勢

237、策略為主的商品期貨策略，這也是目前 CTA 最主流的策略。趨勢策略的收益比較依賴于市場波動率，如果波動率高趨勢策略更容易賺到收益，反之賺取收益難度相對較高。雖然這類策略有很多細節上的優化，但總體而言 CTA 是賺兩部分 Beta，一是商品市場的 Beta，二是市場波動率的 Beta。所以從這個角度來理解，艾方不建議把 CTA 定位成夏普率很高的 Alpha 策略，更應該突出 CTA 的配置性價值，與股票資產相關性會比較低，是非常好的投資組合。2022 年一季度 CTA 市場行情比較配合，但在二季度、四季度策略普遍發生大幅回撤，管理人表現分化，大部分 CTA 產 84 品的年內凈值高點在 3 月

238、份。全年艾方 CTA 代表產品收益 28%，蔣鍇歸因為兩點：第一是策略細節打磨得非常細致，2022 年環境是對策略細節要求會更高。艾方會考慮到不同品種之間差異較大，針對某些品種或者板塊做定制化策略和差異化模型開發。第二是策略配置比較均衡，艾方并沒有追求策略極致?！耙驗槊總€市場環境下往往都有一類 CTA 策略表現會比較好，但事先比較難進行預判。對組合是做更加均衡化的配置而非預判，長期均衡配置更重要的是對風險的保護，因為配置過于極端的組合往往對于風險的抵御能力也是比較弱?！彼园皆谕顿Y過程中，并不會人為進行調整干預調倉，也不會賭市場方向，市場長期看也給我們正反饋，保持均衡配置長期效果更穩定。針對

239、股票，艾方的選擇是期權對沖，而對于 CTA 針對極端風險的保護措施就在于分散和倉位控制，艾方 CTA 交易近 50個品種，不同合約、品種分散之后，單一品種對組合影響相對會比較小。蔣鍇將產品凈值大幅波動的風險稱之為波動率稅，波動和收益有的時候并不成正比。他舉了三個典型例子：例如 2022年如若虧損 50%，2023 年收益 50%，負 50%與正 50%算術平均為 0，但幾何平均不為 0，100 萬投入變成 75 萬，實際上形成虧損 25%。所以當投資組合波動很大的時候，經常會不可避免地交一些波動率稅，本金會發生永久性損失，即使有比較的好年份本金也不容易回來。更有甚者，如果做高波動投資加杠桿方式

240、炒期貨，非常容易爆倉，本金會從 100 萬變到二三十萬，投資人無論從能力信心勇氣上想要再回到 100 萬都很難。所以基于此考慮，有必要對如何來進行風險保護，風險保護不是說絕對不能波動、絕對不能虧損，而是要讓波動和虧損控制在一定范圍內。如果 2022 年虧 10%，2023 年賺 10%，看起來與以上例子有點像，但實際上結果完全不一樣，100 萬會先變成 90 萬再變成 99 萬，兩年下來只損失 1%，不容易形成本金永久性損失，更容易通過后續的投資收回本金?！捌胶馀渲帽染珳暑A測更重要，量化投資是一個更為理性的投資，并不需要天才般準確地判斷，因為市場復雜，天才也會犯錯，所以通過復合策略的組合，才是

241、實現長期絕對收益的王道，這樣能讓投資組合的收益盡可能的平滑，以一個更長的周期去實現絕對收益?！啊绷炕枷矚g用用量化思維考慮問題、評估產品。量化管理人談產品的時候不光是做收益率，還有最大回撤、夏普率、卡瑪比、年化波動這些指標說明什么？是說投資組合不要光看收益，還要看承擔多少風險，承擔單位風險獲得多少收益，剝離風險談收益是沒有意義，只有把這兩者放在一起考慮才有意義?！背橄螅河闷跈嗄Ｐ蛯赊D債估值抽象：用期權模型對可轉債估值演繹：可攻可守的可轉債在牛短熊長震蕩下跌中的防御屬性演繹：可攻可守的可轉債在牛短熊長震蕩下跌中的防御屬性從 2013 年開始使用量化模型交易可轉債，艾方量化可轉債策略具有很深的功

242、底，特點是策略多元化，持倉分散，回撤控制優秀“可轉債是非常好的資產類別，過去十幾年 A 股市場年化波動較大，從年度來看牛短熊長，牛市走得比較急，例如 2015年、2019 年牛市時間并沒有很長，隨后進入震蕩周期。從 2021 年下半年到 2023，市場又震蕩下跌了兩年。牛市進攻，而熊市就會陷入漫長的防守，可轉債這一類資產天生是帶有防御屬性?！笔Y鍇分析：可轉債本身有債券保護，在沒有違約的情況下可以持有到期還本付息，與持有股票感受很不一樣。所以這類資產在 A 股的波動率特征下體現出很強的優勢。他認為，可轉債策略的重點是怎么在市場找到被錯誤定價的可轉債，艾方采取的方式是用模型對可轉債的股票價值、債券

243、價值和期權價值進行多方位的定價，按照可轉債定價邏輯對定價成分來進行拆解和歸因?？赊D債兼具股性和債性。債性在熊市里提供了向下的保護，股性體現為看漲期權價值，牛市來到時提供了可轉債的向上彈性。85 倍漾投資倍漾投資用最激進的方式進行用最激進的方式進行AIAI量化量化創始人創始人 馮霽馮霽工學博士工學博士馮霽博士，畢業于南京大學，博士期間師從 ACM,AAAI,AAAS,IEEE,IAPRFellow、歐洲科學院外籍院士周志華教授。馮霽博士的其他學術/社會任職包括：IEEE 國際人工智能隱私保護與協同合作標準制定工作組副主席，中國計算機學會職業倫理與道德委員會常務委員，中國工業與應用數學學會金融科技

244、與算法專委會委員，多個人工智能頂級會議 NeurIPS，ICML，IJCAI，AAAI 等會議委員會委員，以及南京市棲霞區第十屆政協委員等。馮霽博士在人工智能國際頂級期刊會議上發表高水平學術論文十余篇，被引用 1700 余次，他在機器學習領域的原創性工作，被中國計算機學會評選為 CCF 年度優博（全國僅 10 位），2021 年 National Science Review 的最佳論文（計算機領域唯一）。ChatGPT:“請評估人工智能技術對倍漾投資業績的影響？”馮霽：“100%！”ChatGPT:”是否考慮將人工智能技術和傳統量化投資方法相結合？”馮霽：”比較激進，選擇徹底取代?！痹L談之前

245、，編寫組請 ChatGPT 向倍漾投資提了 20 個問題，CEO 馮霽聽說很是興奮：“AI 在某領域上的任務如果用全量數據來做實驗的時候，可能會有本質區別?！北堆顿Y，身后站著首席戰略顧問李開復與首席科學顧問周志華兩個人工智能大 IP，創始人馮霽博士面臨的課題不是機器學習在投資界究竟能創造怎樣的極限收益率，而是將人工智能在量化領域應用深度與寬度證實與證偽?！拔覀兊臉撕炇怯梅浅＜みM的人工智能來做量化投資?！蹦壳皝砜粗冈?1000 超額夏普 7，中性年化 100%+，證明了機器可以超越人類。從量化開始探索如何應用人工智能工具，和從人工智能的視角出發進行量化領域場景的實踐，是否還是同樣的敘事方式？這

246、是馮霽正在談到的問題。從創新工場孵化的量化投資從創新工場孵化的量化投資2018 年，馮霽還在南京大學讀博士，在還沒畢業的情況下，加入了創新工場擔南京 AI 研究院的執行院長，在此之前作為周志華第 17 個博士生，以隨機森林在深度模型當中的應用在學界一戰成名，成為國家科技評論（National Science Review）年度最佳論文，從而被李開復所知并邀請進入工業界。86“當時我與開復有一個當時來看比較激進的想法，我們在想如果純用機器學習的技術是否能夠重新搭建一套這樣的量化投資的框架。在當時，機器學習技術可能只是金融工程某個投研環節中的一個小工具，我們認為人工智能應該是一個能夠支撐整個投研的

247、平臺式應用，類似于一個底座。聽說進入業界，導師周志華非常吃驚與惋惜，作為周志華第十七個博士生中唯一離開學術界，選擇自主創業的，周志華也期待在他的實踐中看到機器學習在金融領域是否能夠蹚出一條路?！傲炕盍钊思又幵谟?，策略的有效性能夠得到實時驗證。AI 公司有可能技術非常出色，但是糟糕的銷售團隊可能導致銷量慘淡，而做量化沒有任何借口和理由，行就行，不行就不行，所以人工智能量化比較有挑戰，硬核的技術敢于去被驗證?！睂τ谌斯ぶ悄軕糜诹炕顿Y，馮霽非常有激情與感染力：“人工智能除了在互聯網公司產生之外，目前我們極端看好在金融行業，尤其是量化投資這個領域可以帶來的一些顛覆性的影響?！瘪T霽表示道?！氨?/p>

248、如高頻 Alpha 領域每天 25 個TB 量級下數據積累會超越傳統金融工程方法論，人工智能技術在量化領域發生本質性變革?！瘪T霽主研究方向是結構化數據 AI 建模，而在金融領域核心 90%以上數據都是結構化數據，于是馮霽從 2018 年 9 月開始從創新工廠內部進行積累，2019年即啟動自營，次年獲創新工場兩輪逾千萬股權投資，并且花了 2 年時間把倍漾獨立出來申請私募牌照，并于半年之后發行了第一支高頻中性產品，目前資管規模逾 10 億元?！白罴みM純最激進純 AIAI 的方式來做量化。的方式來做量化?！瘪T霽反復提到“最激進純 AI 的方式來做量化?！弊罴みM是到什么程度？馮霽認為：“金融系統的復雜

249、性，信息超載使得最聰明的人也很難持續戰勝市場。第一代 AlphaGo 用接近 800 萬歷史圍棋棋譜作為初始學習資料，而當到達 AlphaZero 時，完全來自人類的知識已經為 0，只留下了規則，機器開始自動學習行為。這已經是一種通用的人工智能，是一套靈活的自適應算法，能夠從頭自學掌握各種任務?！蹦壳皝砜?，倍漾的路徑并不是 AlphaGo 而是 AlphaZero?！胺椒ㄕ撋?，我們采用最純正、最堅定的 AI 技術做量化交易，凡是需專家經驗環節的全部被機器學習來取代?！瘪T霽介紹道，量化交易最重要的是四個環節：特征工程、收益預測、決策判斷與交易執行，這與人工智能的四個支柱：預測、決策、探索、生成，

250、正好深度吻合?！拔覀冊谠紨祿幕A上，給出用多維向量來對標的進行刻畫。而因子團隊是根據自己專家領域知識來對原始數據做變化，比如 4 周更換某種量價關系某一種組合，使其與標的未來收益呈現一定正相關性。而這類工作需專家知識、大量復制性工作以及各種嘗試?！瘪T霽認為，專家領域知識只要是人能做出來的，機器就能做出來，所以目前倍漾沒有人做因子這件事，而是全部交予機器學習，用 AI 來發現因子?！笆找骖A測更容易理解，在一個時間點對股票在不同時間尺度做預測，作為高頻 Alpha 策略預測時間尺度會非常短，這也很符合人工智能的發展方向?！瘪T霽認為 AI 量化主戰場在高頻日內通過非線性建模做推薦會迅速取代人的工

251、作。在具體執行方面，機器學習模型最終變成執行代碼時要經過一套程序編譯、變成機器可執行文件。傳統的 AI 編譯器要具備普適性，對于低延時、流式數據的支持程度并不友好，所以公司升級了 AI 編譯器，主要使用兩個關鍵技術：第一，自動混合精度加速。針對不同的計算設備，在生成中間代碼的階段進行混合精度加速，不同的計算設備上不同的數據格式速度是不一樣的，有些設備還有一些專有格式，如 Intel 的 cpu 上有 bfloat16,Hopper GPU 上有 fp8,FPGA 上有定長浮點數等。87 同時倍漾發現傳統的模型量化指標例如正確率、MSE 等在任務中意義往往比較有限，在實際情況下，需要的是一個與交

252、易行為完全一致的低延時模型，而這是傳統 AI 模型量化方法難以考慮的場景。因此倍漾使用了 AI 技術在策略性能一致的前提下，充分利用不同設備的混合精度優勢，實現對模型的加速。第二，端到端的低延時優化。通用 AI 編譯器往往只關注單一模型在特定運行時下的性能。例如傳統編譯器在部署階段的工作流會經過編譯的模型會生成模型 cpp 文件、頭文件、通用庫函數文件和一個運行時的 so 庫，在部署階段需要連接對應的運行時庫來運行模型，在使用時，由于一些通用預處理操作的存在，會增加大量的 overhead，這對于極端的延時敏感程序是不友好的。倍漾 AI 編譯器通過合理的接口設計，可以最小化模型的運行時環境，做

253、到模型運行時內存零拷貝，同時倍漾設計了高度仿真的模擬環境，可以通過評估在仿真環境中的模型延時進一步優化模型代碼。所以相比于傳統 AI 編譯器，倍漾至少存在如下兩點顯著優勢：1.沒有額外的調用運行時環境的內存拷貝等其他開銷。2.可以端到端的優化延時，有利于進一步優化模型在實際運行過程中的其他問題，這使得優化更加貼近實際情況，避免實際情況與測試階段速度相差巨大的問題。五大應用場景五大應用場景覆蓋量化全流程覆蓋量化全流程在具體流程環節上人工智能在量化交易領域的應用，馮霽認為有以下 5 點：第一個是對于高頻領域，其本質是去尋找市場微觀結構的一些不規則的地方。比如在 Tick 級別的數據場景下，能否捕捉

254、到價格的不合理性。目前人工智能可以做到納秒級別，最快的速度獲得相應的利潤。第二個是非線性多因子模型，較為高頻的期貨市場本質是非線性的動態系統，大部分的情況都并不是線性模型能夠捕捉到的。最近這幾年人工智能在本質上也是建立一個數據驅動的非線性多因子的模型，從而捕捉市場微觀結構的動態。第三個是優化算法，能幫助管理人把非常復雜的數學任務，快速地在有限時間內求到最優解。第四個是智能回測，例如人工智能技術可以支撐產生大量的平行宇宙，因為歷史只發生了一次，如同是在所有平行宇宙中選擇了當前這條路徑，只是所有可能性中的一個樣本，而在這個樣本點上反復做實驗的話就會形成過擬合。而人工智能可以產生大量仿真數據，在不同

255、平行宇宙中做各種情況的沙盒測試，類似于互聯網行業常用的 A/B 測試從而指導實盤驗證。第五是算法交易執行。目前大部分的券商和期貨公司，還是使用一些非常簡單的規則來幫助執行交易，但算法交易執行本質是個體與環境之間的交互，可以視作一個強化學習任務。程序的終極程序的終極 代碼即產品代碼即產品倍漾目前有三條產品線。其中量化多空系列，作為一款高頻中性產品，在持倉標的分散的基礎上做到了高 Sharpe，回撤相對較??；優博系列的特色在于允許一定的波動，策略容量大幅提升，其收益與規模比多空系列更好；指數增強則是響應愿意承擔市場發展方向的投資人需求?！拔覀兿胗?AI 把某維度做到極致?！钡隈T霽眼中，這本質上市

256、一個產品，因為倍漾的做法是，從因子平臺、預測平臺所有所有策略在任何一個時間點都會去調用同一個 API 進行預測。不同的只是基于不同風險偏好的策略，決策完全不同。例如當模型的預測信心比較低的時候，保守的策略傾向于不懂，而激進的策略就可以下場交易了。在這樣平臺的架構下，根據適配不同的風險參數，可以產生一系列的決策模塊。88“做量化看上去是做交易，但本質是數據科學?！北堆J為，量化私募的產品本質其實是一行行代碼，公司想做的是去寫那些能夠生成最終程序的程序，也就是用 AI 生成交易策略。代碼即產品，用程序生成程序以及一套系統，一統天下的理念被倍漾認為是公司量化的核心優勢之一，在 AI 量化實踐中有了一

257、些形而上學的意義?！白鳛榱炕侥紒碚f，倍漾給別人的產品不是因子，而是高質量代碼。怎么理解？最終還是代碼做交易，這好比是造機械臂?！瘪T霽介紹道，機械臂能造出轎車和 SUV 等不同的產品，就像量化也有不同的產品，但背后的機械臂是一樣的。對量化而言，核心的開發精力都是造出來盡量普世的“機械臂”，那么開發不同產品大概只是幾行代碼的事，但是做“機械臂”的時間占到很多。目前倍漾使用的數據有 4 大類：Level2 微觀結構數據、量價數據、基本面數據以及另類數據?；久媾c另類數據主要用來產生隔夜信號。大部分日內交易由 Level2 數據所驅動，當信號顯示某只股票顯示 1 小時之后會漲，但是次日會跌，這種情況

258、下會需要用到基本面數據，在日內已經有倉位的時候做高拋低吸?；久鏀祿母缕骄刻熘粫采w到 4%的股票，絕大部分股票在當天的交易時段都不大活躍，數據因子一直不變，輸入不變的話輸出不可能引發交易行為，因此 80%的權重需要交由市場交微觀尺度數據得來，而量價數據是對微觀尺度的聚合，比如 5 分鐘 k 線或者 1 分鐘 k 線都是來自逐筆交易的詳細情況。目前在倍漾內部，每天需要存儲的數據量大概有 25-30TB。馮霽就遭遇到了“內存墻”的問題，為了應對海量數據給內存帶來的壓力，公司把數據分成了冷數據、溫數據和熱數據?！袄鋽祿敝傅氖?，數據訪問的頻率不是很高，落庫就好?！盁釘祿笔侵赋绦蛞龃罅康淖x

259、寫任務，而數據一般都比較散，每次讀寫的量又非常得大。那么如何把熱數據很好地進行分布式存儲？和純 SSD 方案相比，現在會有比如傲騰持久內存等更好的解決方案，它介于內存跟 SSD 之間，可以將熱數據做分布式存儲，就能一定程度地減緩“內存墻”的問題。重點在于賺錢重點在于賺錢 解釋不如觀察解釋不如觀察面對人工智能量化，可解釋性是個問題亦不是一個問題。馮霽介紹了人工智能行為主義，行為主義把機器學習模型視為黑盒，與其解釋機器不如觀測機器的行為，就像作為領導有個下屬特別能干，一直能夠滿足 KPI，就不用問具體是如何做到的，而可解釋性工作可以轉為實時用十幾個維度來監控所有機器學習模型，在不同維度上指標是否一

260、致?！耙簿褪钦f與其做可解釋性高的模型，不如做能賺錢的?，F在的模型都很復雜，預測與決策這兩個支柱都是非線性模型。造成的結果就是不怎么掙錢的線性模型可以解釋，而掙錢的非線性模型很難解釋?！瘪T霽認為，私募行業交易性質更濃，顧客或者投資人關注的還是收益，不用解釋自己，虧錢了才解釋。但他也分析了目前的可解釋性技術：基于邏輯進行設計，假設有一個黑盒再用一個白盒進行模擬，白盒是能夠解釋的，于是把白盒的邏輯輸出，但問題是很多情況下，而白盒則會因為簡單造成性能較差。89 華軟新動力華軟新動力FOFFOF方法論方法論1515問問展望與思考展望與思考徐以升徐以升，北京華軟新動力私募基金管理有限公司董事長兼總經理，畢

261、業于中央財經大學、上海交通大學，兼任中國絕對收益投資管理協會理事、上海交通大學中國私募證券投資研究中心理事?！八侥甲C券 FOF 組合基金如何為投資人創造價值，如何為行業和市場創造價值？”華軟新動力 FOF 以量化類各類策略配置為主，從 2015 年至今伴隨量化行業從初生到繁榮業已 8 年。FOF 本身作為一種證券資管類型和商業模式，在行業發展過程中，困惑與思考，質疑與榮贊一樣多。作為前沿投資與配置理論的實踐者，華軟新動力致力于成為領先的多資產、多策略 FOF 組合基金管理機構。通過多資產多策略的戰略戰術組合配置，基于量化評測的對沖基金遴選體系，以及實戰和創新的投后管理與風控系統，為投資人創造匹

262、配收益風險偏好的 FOF 組合基金產品。我們通過 15 個提問，了解華軟新動力的當前發展和未來思考。Q1Q1：請請介紹一下華軟新動力資產介紹一下華軟新動力資產，成立至今有什么發展歷程，成立至今有什么發展歷程？徐以升：華軟新動力資產于 2015 年成立，至今大約 8 年的時間，在私募證券 FOF 業務領域進行了長時間的探索。2015到 2018 年是創立發展階段，人員規模在 1015 人，管理規模到達 20 億元。2019 年至今是擴容和發展階段，目前公司總人數在 60 人左右，管理規模超過 150 億元。作為 FOF 母基金，首先是怎么持續理解需求端、建設供給端，這涉及 FOF 在整個私募證券

263、行業鏈條里面的位置和角色，怎么通過兩端組合建設，回應不同收益風險偏好的投資人的需求，需要 FOF 持續提升對于不同策略類型私募證券基金的理解，提高基金分析能力，提升對基金收益來源和風險承擔的定性、定量分析能力。2015 年至今量化行業經歷大幅變遷，尤其是在股票領域，在 Pure Alpha 效應強、夏普高的歷史階段，集中本身就是最好的配置，只需要把找到的高質量 Alpha 放到組合里面就可以持續盈利。但隨著最近兩年市場有效性持續提升、Alpha 快速衰減，對于 FOF 配置方面要求逐步提高，配置在母基金中的作用變得不可或缺，這也是當前我們所面臨的以及在回應的最大問題?？偟貋碇v，作為一間私募證券

264、 FOF 組合基金公司，我們認為核心是怎樣可持續地為投資人做貢獻，以買方邏輯、甲方視角的行業角色，面對不斷變化的市場和環境，持續地為投資人提供多資產、多策略、多管理人的動態的 FOF 組合配置解決方案。90 Q2Q2：您個人是如何走向證券私募：您個人是如何走向證券私募 FOFFOF 這條道路？這條道路？徐以升：早前個人讀書和工作經歷，有兩點對我當前的路徑很有影響。我大學讀的是中央財經大學信息管理系，這是金融與 IT 復合專業，包括金融知識、數理和編程，從 2013 年開始我就參與量化策略領域。我曾經在第一財經日報和第一財經研究院工作多年，2014 年左右社科院李揚教授和張曉晶教授所做的國家資產

265、負債表研究，提出了宏觀杠桿約束問題，對我影響頗深。我認為這一景象反饋到金融市場和金融資產，會導致信用風險上升、債權類資產違約壓力加大，而投資人未來將轉向權益型資產的配置，而權益到的波動屬性會讓配置邏輯的 FOF 組合基金發展有更多需求，加上我和合伙人在量化策略領域經驗積累，于 2015 年成立了華軟新動力資產，定位在私募證券 FOF組合基金領域，并且主要在量化類資產和策略的配置上。后來到 2018 年是非常清晰的去杠桿之年，也是在這一年之后我們得到多家機構投資人的認可。在經歷了 2015 年有關限倉約束之后，股票量化行業也在 2017 年開始贏得更好的發展，這也給了我們量化類策略配置為主的 F

266、OF 組合基金發展的機遇。這些年還有一個體會，中國市場的進化日新月異，今天用于我們做決策的知識，可能大部分是過去兩三年所取得的。路徑依賴、故步自封，都會加劇繭房效應。Q Q3 3：華軟新動力資產的投資理念和配置邏輯是什么？：華軟新動力資產的投資理念和配置邏輯是什么？徐以升：2015 年我們成立的主要出發點是債權資產的信用風險在上升，P2P、非標等債權資產的本金甚至難以得到保障。而股票資產可以理解為一種“部分本金保障型資產”，哪怕跌去 20%還有 80%的本金。因此在債權資產信用風險上升的歷史背景之下，甲方投資人有必要進行凈值化、權益化轉型。中國權益資產市場的基本特點是周期性的系統性風險較大，如

267、果把指數下跌 30%理解成系統性風險，那在過去七八年時間里面其實就已經經歷了三次，2015 年、2018 年和 2022 年，在此背景下，投資人即便想做此配置與轉型，也需要回應這種系統性風險。綜合以上，我們認為多資產多策略的 FOF 組合基金，是非常重要的方式，通過不同收益來源的資產和策略類型做配置，降低組合波動，可以回應投資人的收益風險偏好。從管理人層面講，中國市場內卷程度高、競爭激烈，國外十幾年的行業發展變化往往在國內兩三年就實現了，尤其是在高夏普策略領域競爭非常激烈，甲方投資人在充分重視資產追高、策略追高的同時，也要重視管理人追高。我們理解，在低夏普、高波動、周期性的一些策略領域，要拿得

268、??；但在高夏普策略領域則要慎重，結構性因素所導致的能力下降或者競爭不足，時間價值難以彌補回來，要充分重視在管理人層面進行跟蹤和調整。公奔私之外，私奔私等現象的管理人運營風險也值得重視。綜合以上，怎么在多資產、多策略、多管理人層面構建動態組合方案，是華軟新動力 FOF 組合基金發展理念和邏輯的重要內涵。Q Q4 4：如何復盤：如何復盤 20222022 年？年？20232023 年看好哪些大類策略？年看好哪些大類策略？徐以升：今天來看，無論是地緣政治、美聯儲貨幣政策還是其他，都對 2022 年市場走勢產生了重大的影響。2022 年各方面挑戰艱巨，我們沒有在資產擇時的研究上做很多工作，客觀上我們認

269、為市場擇時的難度很大，因為影響市場方向的因素非常多，還要對不同的因素進行排序。擇時很難有可重復檢驗的框架，我們堅持認為 FOF 還是應該努力通過低相關的不同收益來源，進行更多資產和策略組合，通過配置分散組合構建，來回應市場的波動以及自己的收益風險偏好。91 2023 年美聯儲加息放緩，市場預期已經有了比較大的變化，雖然還難以給出確定性結論，但我們期待中國金融資產市場對相應的變化產生反饋。當然，對于一個八九十萬億總市值的大的資本市場整體而言，有系統性機會也還是比較困難的。我們首先想展望的是，不再像 2022 年一樣有系統性風險，這就能夠給到我們空間。從策略來講，雖然股票量化領域的 PureAlp

270、ha 確實是在衰減的，但我們認為在一個 5000 多支股票的大市場里，股票量化策略的主動效應依然有比較充分的土壤，股票量化策略依然是我們 2023 年看好的大類策略領域。Q Q5 5：F FO OF F 研研究究如如何何做做擇擇時時？徐以升：剛才講到，我們的確是在普通的倉位擇時領域做的較少，當然我們目前也努力在大周期邏輯上多努力。我們把擇時分成兩種類型：資產倉位擇時和策略風格擇時。當然，對于一家多資產多策略 FOF 組合基金而言，不同收益來源分散配置，無論是不同資產還是不同策略的分散配置，對我們而言都是第一位的，其次才是資產的或者策略的擇時策略擇時方面，我們認為有一定數據支持、邏輯支持。比如很

271、簡單的股指期貨貼水 10%和貼水 3%兩個場景，對沖成本的差異非常大，如果對超額效應的展望比較一致，那顯然貼水的下降會得出量化對沖策略配置價值上升的結論。此外市場成交活躍度、趨勢度、波動率水平、隱含波動率水平等很多指標，對很多策略也有較為直接的影響，因此在對于策略環境評估、策略配置評估的有關研究上，我們認為有一定空間并也在這么做。Q Q6 6：基基于于底底層層私私募募基基金金的的封封閉閉期期或或者者贖贖回回約約束束，是是否否會會限限制制 F FO OF F 的的觀觀點點表表達達，很很難難在在實實際際狀狀況況當當中中調調整整倉倉位位和和風風格格？徐以升：作為機構投資人，我們對于底層資產的投資和配

272、置會有很多要素層面的要求，除了機構費率的商業條件要求之外，還非常注重底層資產的流動性，努力投資或者定制不設封閉期或者降低封閉期限的產品。當然實現這一條非常不容易，規模越大的 FOF 基金越會有綜合條件實現更好的底層資產體系建設或者底層生態建設。其次，FOF 母基金有觀點需要及時表達時，我們也會在母基金層面通過股指期貨、股指期權等工具直接進行表達。Q Q7 7：從從公公司司成成立立至至今今，華華軟軟新新動動力力資資產產為為何何會會專專注注于于量量化化這這一一條條賽賽道道？徐以升：從 2015 年開始，我們非常專注于量化類私募基金配置，到今天，我們依然以量化類配置為主，但是在股票、商品等領域上已經

273、有了主觀類策略的配置和建設，尤其是在 2021 年至今我們著重加強了主觀的研究和配置。在 2015 年開始時選擇以量化類賽道為主，核心主要是有兩個要點。一是量化類策略和衍生品結合的更為充分，能夠在風險策略類型之外，創造出套利、相對價值等更多的策略類型，給到母基金更多的不同收益風險偏好的配置選擇。二是在比如股票多頭投資領域，還是認為 A 股市場弱有效性的特點，有一定超額效應或者 Alpha 空間，這種時候集中到 Alpha 領域是最正確的選擇。有 Alpha 的時候配 Alpha，Alpha 降低了目前也的確是在往 Smart 貝塔的配置轉一些。從目前股票量化行業的實踐來看，伴隨著行業規模從 2

274、017 年的 1000 億元，成長到 2021 年的 1 萬億元，到今天 2023 年我們估算大概達到甚至超過 1.5 億元規模，股票量化行業相比主要指數超額效應依然還有 10%以上的展望，那么就繼續有配置價值。量化投資和主觀投資在分類上都是主動投資，區別于 ETF 類、指數類的被動投資，量化和主觀大家都以跑贏指數為共同 92 的主動管理目標?，F在 A 股市場股票數量已經到達 5000 支+，隨著注冊制進一步延伸，股票數量越多對于主觀類投資的挑戰可能會越大，在市場弱有效的情況下，量化類基金持倉數量在 10002000 只股票可能更有條件在全市場里面尋找到投資機會。Q8Q8：華軟新動力資產有進行

275、成長階段的私募基金投資，您是有什么出發點來對成長私募進行投資和配置？：華軟新動力資產有進行成長階段的私募基金投資，您是有什么出發點來對成長私募進行投資和配置？徐以升：首先我們需要明確成長和成熟的標準，很多人簡單地用規模來衡量階段，例如 10 個億是成長階段，規模 50 個億是成熟，這樣一刀切的衡量方法并不貼合實際。例如中高頻量化股票基金規模 10 個億，主觀價值投資規模 50 個億，誰是成長，誰是成熟？實際上，前者已經比較成熟了，而后者依然還是成長階段。華軟新動力給出的衡量標志是，當前規模與策略評估容量的比例，例如規模達到評估最優容量的 25%就意味著策略已經比較成熟。其次策略成熟與否還有一個

276、重要標準，就是收益來源不會再發生重大的邏輯變化?；氐角懊娴睦?，中高頻量化策略因為換手非常高，經過測算，策略容量是 30 億，而主觀價值投資規模容量是 500 億，那 10 億和 50 億元相比于容量而言的比例大概已經是 33%和 10%，那我們會認為前者的成熟度實際上更高。而且很有可能，規模 50 億元的主觀策略產品，還會有倉位管理的收益來源，但當該主觀策略規模發展到 100200 億元時可能就徹底的不會再進行倉位管理了，那就會失去了規模 50 億階段的之前的一個收益來源，或者說在衡量能力時應該把已經不在了的收益來源的凈值剝離掉。在這樣的邏輯里面，我們認為投 10 個億中高頻量化也是成熟型投

277、資。還有極端的例如股指高頻策略容量可能就 2 億。所以大家對于成長、成熟不同邏輯的認識是需要拿來討論的，不能簡單地用規模來衡量，不然容易刻舟求劍。對于量化類規模指標的成長型基金投資，我們認為 FOF 基金或者甲方，核心還是應當擁有定義和定量基金收益來源和風險承擔的能力，有能力對這個階段的基金進行投資。的確要講的是，如果這種甲方能力不充分，可能也會產生重大風險，這方面行業里也有較多的案例。Q9Q9：量化行業還有哪些發展趨勢和規律？接下來會如何演變？：量化行業還有哪些發展趨勢和規律？接下來會如何演變？徐以升：從最新趨勢演變上看，目前 Alpha 效應在下降，為了應對下降，管理人要么在獲取更多的另類

278、數據試圖增加超額收益來源；要么在嘗試提高風格、風險暴露來對應地捕獲超額效應，但這的確提高了超額的波動水平。面向未來，中國市場主動管理空間依然很大，量化和主觀共同構成了中國股票市場的主動管理策略圖景，同時我們認為股票量化一定程度上應當是要學習主觀策略。近幾年量化行業產品線建設以錨定某類指數做增強，需要提前控制跟蹤誤差，形成了各種各樣的約束與消耗。而主觀策略往往相對模糊，把跑贏指數作為絕對結果衡量。只有這樣，大家才算站在同一起跑線競爭和對比?？諝庵冈雒稚峡赡懿⒉荒芎芎玫囟x以上策略類型。主觀策略還是有部分倉位擇時的，量化選股也可能會有，尤其是自下而上的倉位擇時，例如選股信號的觸發就是不活躍不充分

279、，因此被動的倉位買不滿來應對潛在的不活躍，也有可能產生不滿倉的量化選股策略?？諝庵冈鲇幸粋€內涵，就是還是一直滿倉，可能很多量化選股策略的結果也是一直滿倉，但未來要允許自下而上信號選股數量少的時候倉位不足的情況，那這種更寬泛的叫做量化選股，可能會更貼切一些，我們相信這種量化選股策略將會是重要方向。93 Q10Q10：結合以上對量化行業趨勢的理解，華軟結合以上對量化行業趨勢的理解，華軟新動力公司下一步的著力方向是什么？新動力公司下一步的著力方向是什么？徐以升：在控制某固定水平或者較低水平的跟蹤誤差和超額波動率的情況下，股票量化行業的超額效益在趨勢性下降，這是毫無疑問的。因此有兩個點：一是如果私募證

280、券基金通過放松跟蹤誤差控制和提升超額波動率，來嘗試獲取更高波動內涵之下的，更高的潛在超額效應，那 FOF 母基金在風格風險或者 Smart beta 層面的理解和配置能力要提高；二是 Alpha 效應集中配置問題上趨弱，對于 Smart Beta 或者說 Beta 本身的配置，就將成為 FOF 的明確方向。怎樣獲取更多的收益來源、做好配置工作，就成為 FOF 機構確定的著力方向，當然這并不容易。實際上從 2021 年開始，華軟新動力就在大幅擴張投研部門人員，除了股票量化策略方向之外，我們尤其是在主觀股票、主觀商品、可轉債甚至高收益債等方向上進行投研布局，這些多元資產與策略類型的布局，也是我們下

281、一步繼續該努力著力的方向。Q11Q11：公募：公募基金基金量化相對弱勢，跑不過主觀，但私募剛好相反，什么因素造成這種差異？量化相對弱勢，跑不過主觀，但私募剛好相反，什么因素造成這種差異？徐以升：過去幾年私募在中高頻策略領域發展很充分，公募量化的中高頻策略做不起來是因為既有交易約束，也有傭金水平方面的影響等等。但隨著私募量化中高頻領域的飽和程度加強，行業規模的擴張已經來到了中低頻量價和基本面量化領域，我們會認為在這個階段公募量化的相對弱勢已經沒有這么明顯，我們可以重新看到公募量化行業更好的發展前景。我們公司從 2021 年開始就對公募量化有進行跟蹤研究和不多的配置，我們相信在未來公募基金量化策略

282、領域也會有好的發展。Q Q1212：您認為：您認為 FOFFOF 機構的發展引擎是什么？機構的發展引擎是什么？徐以升：兩個要點。第一個要點是投研團隊建設，這既是團隊建設，也是能力建設、投研框架建設。因為 FOF 是多資產、多策略框架，覆蓋是配置的前提，就需要對多資產、多策略覆蓋，同時具備深度理解能力，這對 FOF 機構挑戰就變得非常大。交易型私募證券基金往往聚焦于某單資產、單策略領域，而 FOF 需要在多個資產與策略領域都做到較為深入的認知和把握，這是不容易的，做的充分了也是你提到的發展的引擎。第二個要點是 IT 體系建設，這包含了數據和 IT 本身兩個部分。FOF 機構對底層私募基金投資和配

283、置的前提，是要有能力定義和定量底層基金的收益來源和風險承擔。量化類基金非常復雜，底層本身非常復雜，FOF 就要具備處理復雜信息的能力。也因此，FOF 機構必須要 IT 化，才能及時和規?；靥幚硇畔?，不然會不堪負荷。Q13Q13：您一再強調了您一再強調了 ITIT 建設，并提到華軟建設，并提到華軟新動力新動力所關聯的所關聯的高御科技高御科技公司公司，如何定義和平衡這兩家公司的不同定位？，如何定義和平衡這兩家公司的不同定位？徐以升：新動力資產和高御科技兩家是協同關系。新動力資產作為一間證券私募 FOF 基金，商業立場、商業模式是甲方身份來構建母基金管理工作，高御科技的定位則是為甲方的私募基金投資

284、和配置提供 IT 系統和服務。作為都是甲方邏輯、甲方定位的公司，這讓兩家公司有了相同的內在基礎。高御科技致力于基金分析系統的搭建，尤其是為持牌金融機構的基金分析需求服務，比如券商托管部、券商自營種子基金部、券商代銷部門的金融產品部等等。這是源于 2015 年新動力成立的時候，基于我們對于量化分析和 IT 領域的重視，公司一開始就成立了 IT 部門，自建了一套基金分析系統，從分析股票量化策略，到分析主觀股票策略，分析商品和 CTA 策略，分析期權策略等等。發展到 2018 年，很多機構客戶看重這部分甚至和新動力合作的要點就是我們的 IT 系統建設，并且也提出了同樣的 IT 系統建設需求。我們開始

285、認識到，我們所建設的基于甲方邏輯的基金分析系統，有可能為甲方機構所用，本 94 身蘊含商業機會，也為行業做些貢獻，于是我們把 IT 部門獨立成了關聯公司，并從 2019 年開始對外展業，當前也中標了多家券商比如托管部的基金分析系統等等。Q1Q14 4：有業內人認為：有業內人認為 FOFFOF 這種形式作為資管本身不是特別好做的生意，您怎么看待這種形式作為資管本身不是特別好做的生意，您怎么看待 FOFFOF 的商業模式？的商業模式？徐以升：FOF 的商業模式，我并不認為不好，而是認為不容易。首先，FOF 要能夠在商業模式上成立，必須堅持甲方立場、甲方邏輯，但在中國財富管理市場這樣的立場與邏輯并不

286、容易。好在 FOF 本身并沒有歷史包袱或者其他的商業訴求。FOF 商業模式并不容易是非?？陀^的。FOF 能力構建的兩個充要條件，多資產多策略多管理人的覆蓋，本身并不容易；二是基于底層復雜策略認知的要求，IT 建設是規?；?、商業模式的重要基礎，也并不容易。以上如果不能夠充分建設的話，FOF 商業模式的規?；归_將舉步維艱。包括底層擬配置私募基金的開放期等要素的靈活設置，本身需要 FOF 公司一定體量規模才能形成生態，其次資產本身的復雜度對運營、市場營銷等工作都有很大的挑戰。綜合來看，我認為 FOF 是一種難而正確的商業模式，同時因為所具有的行業性、整體性、動態性屬性，FOF 公司有條件跟隨整個私

287、募證券行業的成長而成長，有條件跟隨整個私募證券行業的發展而發展，我們有條件并且也致力于成為一間長期存在、長期為投資人創造價值的公司，FOF 模式有這種行業型基礎。Q1Q15 5：作為私募證券：作為私募證券 FOFFOF 行業頭部機構行業頭部機構，如何看待證券私募如何看待證券私募 FOFFOF 行業的未來競爭格局？行業的未來競爭格局？徐以升：經過 2022 年系統性風險的洗禮，尤其是單資產、單策略類型、單管理人大的波動，甲方和渠道方對于 FOF 產品和模式認可度進一步提升，但渠道和甲方自己也在成為 FOF 基金，這是 FOF 行業當前最重要的特點。我們認為要敞開懷抱來擁抱這種現象。從美國市場來看

288、，渠道和甲方的 FOF 化也是非常清晰的。我們認為渠道和甲方的 FOF 化將會非常好地推動證券私募 FOF廣義行業的發展，這是歷史現象和歷史進程。在這個趨勢中，華軟新動力也在嘗試，除了進一步把 FOF 資產做好之外，為甲方的 FOF 化進程提供服務。這包括但不限于投研積累、底層資產積累、IT 建設等等的互動，以輔助和支持渠道和甲方的 FOF 化進程。華軟新動力公司我們在 2022 年專門成立了解決方案部，也是用開放心態，用解決方案的整體框架來回應這個進程，提供更多的協同。我們知道，公募基金領域除了公募 FOF 之外，目前還有公募買方投顧牌照，我們認為私募證券領域也會有這樣的發展邏輯。在“從股票

289、到基金”這一機構化轉型的第一階段之后，“從基金到組合基金”的第二階段機構化轉型已經在路上，這會顯著提升中國私募證券基金領域市場的有效性，乃至通過把資金配置到更有能力的私募基金里去來提升整體資本市場的有效性，這是中國私募證券市場發展的重要內涵。我們會繼續努力，為投資人創造價值，為行業創造價值。95 九坤投資九坤投資初心如磐，星光不負趕路人初心如磐，星光不負趕路人九坤投資創始合伙人、九坤投資創始合伙人、CEOCEO 王琛王琛九坤投資創始合伙人、投資總監九坤投資創始合伙人、投資總監 姚齊聰姚齊聰“極競天數為九，厚德載物為坤”，九意味著對數學規律的極致挖掘，坤則意味著以理性態度面對投資。這也是九坤打法

290、的真實寫照：在技術上，九坤永遠是革新的，靈活的，追求極致的，而在投資理念上，則趨向穩健理性。作為最早一批國內量化機構延續至今，九坤投資方法論持續影響著行業。不管是一批富有因子挖掘和組合優化經驗的因子模型研究員，龐大的因子積累，或是先見性大舉進入 AI 算法，用于策略研究和交易。事實上，“北九坤，南幻方”已不能概括這家老牌本土量化的形象，隨著九坤逐步發展的國際化競爭力，以其為代表的本土量化的故事正在續寫更恢弘的篇章。從新生力量到量化巨頭從新生力量到量化巨頭九坤投資的創立與中國資本市場的開放與繁榮有著密不可分的聯系，是機遇使然，更是使命驅動。CEO 王琛博士畢業時，偶然讀到的一本名為My Life

291、 As a Quant（寬客人生）的書，這是一本講述高能粒子物理學家德曼投身華爾街的故事。它讓王琛原本通往 IT 公司的人生多出一種可能。在他看來，“量化投資，一來很重視技術，二來它很公平。它衡量的是在市場環境下，處理數據信息和交易的能力”。CEO 王琛從清華大學理論計算機博士畢業后，加入了美國知名的量化對沖機構千禧年投資，并在此結識了九坤的另一位創始合伙人、畢業于北京大學數學科學學院的姚齊聰。彼時華爾街頂尖量化對沖機構已不乏優秀的中國年輕人的身影，國外量化機構也已經到了較為成熟的工程體系化的階段。但“量化投資”在中國本土仍是一個陌生而模糊的概念，國內資本市場的對沖工具還有待完善。2010 年

292、，在中國資本市場的發展過程中具有里程碑意義的股指期貨正式上市，市場終于迎來了真正意義上的風險對沖工具，這為量化行業的成長提供了賴以生存的土壤。面對國內量化行業從 0 到 1 的機遇，同年底，他決定與姚齊聰一同回國創業。2012 年，九坤投資正式成立。成熟資本市場的歷練和眼界使九坤的兩位創始人很早意識到，量化機構需要在中國發展壯大，必然經歷從依靠個人實力、團隊規模，到依靠“體系化、工程化組織”的路徑。96 因此，公司在成立之初便樹立了長遠而有建設性的發展目標。這個目標有兩個重要的維度，一是希望中國能有一家具有國際競爭力的量化機構。二是從一開始就將目光放得長遠，著眼可持續發展，要以體系化團隊的架構

293、來驅動策略不斷地迭代和技術的創新。這不僅僅要求量化投資策略作為一個“新物種”能在當時的中國市場有效，更是要求不僅僅只滿足于依靠一個或幾個專業人士的力量創造短期的收益。在發展的初期，九坤在國內率先建立自主人才培養體系，搭建專業化梯隊，搭建自主策略平臺和交易平臺，為其在很長一段時間的發展中奠定了基石，建立了相對牢固的人才壁壘。作為國內最早一批的量化私募，公司在走向成熟的過程中經歷了多輪牛熊考驗，例如 2015 年股市異常波動，使其從“危險”中建立起更為敏銳的嗅覺，逐步完善風控，至今已打造了業內規模最大的風控團隊之一。2018 年以后，人工智能對投資的影響逐漸深入。得益于前期對人才壁壘建設和對技術的

294、敏感度，九坤不僅沒有陷入“船大難掉頭”的困境，反而能夠在短時間內迅速完成團隊搭建和轉型，而今已成為國內為數不多的將 AI 深入應用在量化實盤而不止步于訓練的量化資管機構。九坤在投資過程中踐行三大原則：堅持科學、穩健理性和長期主義“堅持科學”即立足科技，以科學的方法捕捉投資機會，以數據為本，洞察市場規律；“穩健理性”則是要審慎平衡投資風險與收益，持續增強內控管理能力，不斷使基金管理規模增長與業績發展、風控合規等綜合能力相匹配；“長期主義”指的是不主張風格擇時，目光長遠，不被短期市場波動干擾，不斷積累更具確定性的 Alpha 機會。三大實驗室覆蓋數據、算法、交易三大實驗室覆蓋數據、算法、交易 研究

295、與業務螺旋形上升研究與業務螺旋形上升水滴：劉慈欣的科幻小說三體 II黑暗森林中提到的由三體文明使用強互作用力材料所制成的宇宙探測器，電磁波的反射率為 100，且絕對光滑，溫度處于絕對零度，在飛行時，水滴甚至可以毫不減速地做出違反動量守恒定律和角動量守恒定律的銳角轉向。2022 初，九坤以此為名第三個內部實驗室，探索前沿交易軟硬件技術落地與趨勢。水滴實驗室正式建立，與數據實驗室(DATALAB)、人工智能實驗室（AILAB）和九坤 IDEA 聯合實驗室一道，做前瞻布局，長期保持行業競爭力。至此九坤在數據、算法、算力這三個關鍵鏈條上都有了前瞻性的實驗室。通過三大內部實驗室（數據、人工智能和水滴）和

296、一個外部聯合實驗室（九坤-IDEA）形成協同共振。以在因子挖掘、組合管理、風險控制、交易實現等方面已經涉及全流程人工智能的應用。讓研究和業務發展螺旋形上升，為人才在自身擅長的領域不斷探索創造條件。其中水滴實驗室旨在探索前沿交易軟硬件技術，驗證多元化業務場景下的技術落地，并行探索軟硬件領域的技術趨勢，實現量化領域的技術創新。數據實驗室意在拓展金融市場的數據邊界，從各類大數據中挖掘凝練投資價值，與投研體系、量化算法、AI 模型相互賦能。人工智能實驗室致力于研究并迭代 AI 模型和算法，推動前沿 AI 和機器學習理論在量化投資領域的落地、優化和創新，且所有研究都配有實盤驗證。九坤-IDEA 聯合實驗

297、室則由九坤和粵港澳大灣區數字經濟研究院合作建設，主要以金融市場數字化為中心、基于泛金融大數據，在市場知識圖譜、宏觀經濟分析、市場微觀結構、金融風險預測等方向開展科學研究。97“盡管前瞻性的技術和人才布局未必能夠有立竿見影的產出，但這對保持長期迭代能力、促進量化在中國的發展有著重要的意義?！本爬ふ劦?，2022 年，公司的 AI 團隊規模、AI 方面的研究投入持續擴大，并取得新突破。在具體使用中，人工智能方面，九坤在機器學習在量化投資領域基本已實現全流程參與。從數據收集與處理(datacollection)、阿爾法構建（Alpha Mining）、預測（Market Prediction）、投資組

298、合的構建與優化（Portfolio constructionand optimization）以及交易實現（Trade Execution）等環節都有機器學習和 AI 的滲透?！盁o論是處理宏觀的市場狀態，還是微觀的交易細節，我們現在隨處可見機器學習的身影?！本爬ふJ為，從傳統量化到全面擁抱機器學習，有幾個方面的投入至關重要：人才、數據和軟硬件。首先需要提升從業者的觀念和技能，這也是最核心的部分。需要從傳統思維方式轉變成人機結合的思維。讓機器幫普通探索出更多的結論，但又不能盲目相信機器。過往典型的素質要求可能是“金融+計算機編程”，但 AI 時代對復合人才的需求大大提升，需要“金融+計算機+大數據

299、+統計+機器學習或深度學習”的技能組合。在人員認知和技能的升級后，還要輔助以各種硬件和軟件的升級，在投資流程的各個環節中要讓大數據與機器學習能夠有所發揮。在將人員和軟硬件結合后，就可以擴展投資標的，數據來源以及業務模式，使之與大數據+機器學習相輔相成。另類數據也是當前的投資領域前沿，量價數據攜帶的 Alpha 尚未被挖掘殆盡，所以許多機構在此領域的投入并不高。但與此同時，投資者情緒、新聞媒體報道信息，商務中的物流、交易數據，來自衛星、GPS、車輛軌跡等傳感器數據，以及互聯網檢索、評價、社交數據等都是在投資中很重要的數據類別。九坤的抓手包括了自主建立的數據實驗室(DATALAB)，實驗室通過收集

300、和挖掘更多的信息及數據來源，獲取更豐富的另類數據和大數據場景，通過 AI 技術及大數據技術的研究和積累，為投資賦能，推進組合的優化?！霸诹炕堆羞^程當中，如何打通和匹配來自不同渠道的另類數據呢？”這是日常，九坤經常被問到的問題。九坤通常需要做如下的處理：第一是挖掘：將數據中與投資有關的部分挑選并挖掘出來。比如在衛星中提取對應位置的圖像，圖像中提取對應的信息比如停車場的密集程度。第二是映射：將各個數據做映射，例如將網絡搜索中的 iphone 映射為蘋果公司。第三是關聯：把上述的各個流向數據關聯起來，形成圖譜結構。例如將車輛軌跡與運送物資相結合，將商品物流信息與已有的本地庫存信息相結合，將供需信息

301、與對應企業相結合，讓信息可以動態聯動。第四是畫像與決策：對一個測量的標的的各個側面進行描述，最終做出對標的潛在價值的評估，進一步做出投資決策。雁棲梧桐九天攬月雁棲梧桐九天攬月 6 6 大維度形成公司核心競爭力大維度形成公司核心競爭力以比賽為契機挖掘新人是九坤人才培養中的一環，作為量化行業最為“饑渴”以及最努力的管理人之一。九坤的信念是：“策略會隨時間失效，只有人才和技術才是真正的競爭力?！惫灸壳按蟊壤诵耐堆腥藛T來自自主培養，自 2017 年九坤開始打造“UBIQUANT CHALLENGE”量化新星挑戰賽，邀請全球各地頂尖技術高手同臺競技，共吸引了來自清華、北大、交大、麻省理工、牛津、卡內

302、基梅隆大學等眾多國內外頂尖高校參與，累計吸引超過 6000 支來自海內外頂尖學府的參賽隊伍，其中超過 30 位參賽選手最終憑借優異的賽事表現成為九坤的一員。另外，公司針對不同類型和階段的人才，九坤投資打造“雁棲計劃”“梧桐計劃”“攬月計劃”三大項目。2022 年 1 月，九坤的挑戰賽首次也在 Kaggle 上線，受到市場關注。98 華泰研究以2023 年九坤 Kaggle 量化大賽啟示-九坤 Kaggle 量化大賽高分方案解析為研報標題，梳理了部分高分隊伍公布的解決方案，提煉出有共性的四個方向特征工程、損失函數、交叉驗證和模型集成，并應用于中證 500 指數增強策略的改進。得出結論測試的改進技

303、巧中，神經網絡引入均值因子、CCC 損失、模型集成提升作用較顯著。除了人才，九坤認為公司擁有六大維度來夯實自身的競爭力：人才、技術、投研、風控、業績以及信譽。具體來看：技術技術：國內首批在數據、AI 算法、交易實現全流程布局自有實驗室的量化私募，充分整合資源，以前沿技術的深入應用和矩陣型風控實現高效的交易、精進的細節。投研投研：致廣大而盡精微廣泛應用深度學習和機器學習，前瞻性布局豐富的數據類型及來源，擁有高質量，寬廣度的因子庫，使在交易中得以占據先機。風控風控：全方位、多維度、智能化、自動化國內量化領域少見的戰略性風控建設，而非局限于常規的策略和交易風控。數百個指標分層、分級、分類、分段管控，

304、且風控團隊具備獨立研究和系統開發能力?！熬爬し浅Ｖ匾晫τ陲L險的理解與識別。因為只有在對風險本身有相對完備的認知的基礎上，才能對各類可能出現的場景進行完善。其次，需要考慮如何對風險進行有效量化，限制在不同風險因子上的敞口暴露。九坤十分重視事前的風險建模過程，將風險量化后設置風險預算，并在預算之內控制風險。最后，由于事中的快速反應機制對量化來說也是一個非常大的挑戰，九坤會在事中部署實時的風險監控和預警，并由人工值守和自動監控進行輔助，通過人為的快速判斷或及時調整應對方案，來控制盤中的風險?！睒I績業績：可追溯的長期超額，多元化、跨資產的策略發展，以較大規模長期保持競爭力。信譽信譽：堅持長期主義，做難

305、而正確的事。九坤是最早推出三年期產品的量化機構之一，并以實際行動與投資人風險共擔。自 2022 年 1 月起，使用自有資金 1 億元人民幣申購旗下股票優選策略、指數增強策略、股票多空策略等基金產品，并承諾至少持有 3 年。自 2022 年 3 月起采用每月定投的方式，以自有資金申購旗下股票型資管產品。每月定投金額為 1000 萬元人民幣，定投周期為 3 年。致廣大而盡精微致廣大而盡精微 行業需要深挖護行業需要深挖護城河城河在九坤眼中，行業需要深挖護城河，量化在國內還是一個“年輕”的行業，但資產管理服務是一個相對成熟的概念。以科技驅動，為投資人創造長期、穩健的投資價值，需要量化管理人從一開始就具

306、備過硬的專業功底、值得信賴的品質、一以貫之的投資理念。首先，成熟的量化從業者在面對問題的時候，必須保持理性。量化投資具備幾個明顯的優勢，其中就包括剝離情緒影響、分散提升勝率。量化投資機構嚴格執行量化投資模型給出的投資建議，決策信息透明度高、紀律性強，能有效規避人類主觀認知偏差及克服情緒對決策的影響，準確客觀評價投資機會，降低管理人的道德風險。同時需要指出，一個完善、健康的量化投資體系，不依賴“聰明個體”，而在于如何把“最強大腦”組織起來，實現1+12 的效果。最后，著眼長期，才是量化投資機構、量化從業者應有的價值觀應對短期沖擊，做好風控是基本的“術”；深挖護城河，以投資人的長期體驗為出發點而不

307、是自身數據的一時“沖高”，才能成為值得信賴的管理人。要獲得這種“長期發展”的能力，需要追求極致的迭代精神、對風險有正確的認知、應對速度、前瞻性布局。近幾年量化投資行業正在加速把重心從統計學習、機器學習轉到更前沿的“深度學習”上面來，所以對機器學習和人工智能人才的需求也在快速增加。創新思維、擁抱 99 和應對變化的能力能夠使量化人不斷尋找創新的交易機會，能夠適應不斷變化的市場環境，從而以領跑者的姿態“走得更遠”。另外還需要著眼長期掌握主動權，作為中國金融市場的深度參與者，九坤認為市場在不斷變得更加有效的。更有效的市場意味著競爭的不斷加劇，使得超額收益的獲取變得越來越難，這就要求在投資上要更加的科

308、學、嚴謹、細致，而粗放式的投資方式會逐漸喪失競爭力。當前著力點在于不斷優化投資全流程的細節，保持技術的領先性，在數據-研究-組合-交易全流程愈加嚴絲合縫。2023九坤將迎來十一周年，九坤意識到，只有不斷深化策略研究、不斷拓展策略廣度才能保持競爭力。而當前如此精細化的投研流程也是“牽一發而動全身”，細節部分必須精心打磨，容不得半點馬虎。另外，九坤以超過十年的本土經驗，從自身出發，積極探索適應中國市場特征的量化發展模式，持續通過基金鎖定期設定、投資者教育向市場傳遞正確、長期的量化投資理念。而面向未來，量化行業將會在寬度和深度兩個方向繼續拓寬加深。隨著市場有效性的提升，量化策略的業績環境逐漸趨于平穩

309、，各機構需要做好業績的預期管理以及投資者教育。另一方面，從規模的角度來看，未來幾年量化行業規模增長可能會趨緩，進入到高質量發展階段。隨著量化在中國逐步發展，涌現出一批大規模、多策略、多元化發展的頭部機構是發展的必由階段。但當前國內量化整體的成長空間十分廣闊，隨著對沖工具的豐富和資本市場制度的不斷完善，策略的創新空間也十分值得期待。在日新月殊的變革下，量化行業的競爭也在升級，九坤認為，若想成為具有國際競爭力的量化機構，考驗更多的是新技術的應用能力、各類數據的挖掘能力、人才團隊和組織文化的活力等。但歸根結底，是要求管理人專注本質，回歸第一性原理，不為短期誘惑所左右，只有這樣，才可能有機會實現良好投

310、資業績的可持續性。100 寬投寬投資產資產微妙玄通微妙玄通 若冬涉川若冬涉川道德經說，古之善為士者，微妙玄通，深不可識。豫兮若冬涉川，猶兮若畏四鄰，夫唯不盈，故能敝而新成。意為審慎得好像冬天過江，謹守得好像畏懼四鄰，唯有不自滿自溢，才能在凋敝死亡中成為新人。寬投資產的創始人兼投資總監寬投資產的創始人兼投資總監 錢成錢成一發子彈一發子彈 一條命一條命“我把辦公室的門留著了，如果你們先到了，就到會議室坐坐吧?！薄澳俏覀冮_機復制代碼了喲！”“隨意點，當自己辦公室?！敝苋丈虾?，春寒料峭，天氣陰沉。寬投辦公室不算軒敞，滿滿堆著電腦、資料，像是創業公司而不是一家倨傲的百億量化。董事長錢成讓編寫組稍等片刻遲

311、到一會兒，隨后帶著逛了公司一圈進了自己的辦公室，剛坐定又迅速提了一整箱礦泉水招呼著讓大家喝?！斑@環境像是個皮包公司?！彼_了個玩笑，于是辦公室一下子氛圍明亮了起來。寬投，音譯來自 Quant，普通名字，尤其作為一家百億量化私募來尤以為甚。錢成，從業 10 年，見之眉開眼笑，也完全不像從業老兵。如果說命運是一條奔流的大河，有無數的支流匯入，又從無數的河道中宣泄而出，那錢成仿佛是一個“隨波逐流”的人。2011 年，錢成本科畢業，2012 年去美國密歇根大學念統計學博士，恰逢導師學術休假回國?！安┦可鷮熍苈妨?，正確打開方式就應該跟他回來做，既然讀了人家研究生，就應該給人家干活?！庇谑清X成也跟著回國

312、。答應去做一件事情，就應該幫把這件事情做好這樣樸素的信念貫穿錢成的量化投研始終。幸而這是人生中一次比較正確的決定，導師選擇做量化，他就在辦公室里面幫忙，做得太認真又不小心成了活兒干得最多、最用功的人之一，他感受到自己在交易上有一些難得的天賦，決定自己開一家公司。101 于是 2013 年和另外兩位合伙人在浦東陸家嘴花園租了五六十平方米的房子，白天股指期貨，天黑手敲代碼，三個人沒日沒夜連睡覺都在這小房子里?！按蠹医灰?6 個賬戶，每個賬戶 1200 次，一來一去 2400 次交易，6 個戶就 14,400 次，迅速占到了全市場成交量的 3%?！彼徽f數據就像啪啪啪地在按計算器，豆子似地往外倒?！?/p>

313、從小機構到百億，中間有經歷過曲折嗎？”編寫組問?！皼]有故事，很平淡。其他人有什么故事嗎？”“例如 2015 年？”“那時候反正代碼也要調，之前很爛的再重新寫一下結構更加好一點速度更快一點，都是日常工作?！苯灰着c開交易公司并不是一件事。對錢成而言，進入量化行業是正確的，但開公司未必是一個最正確的決定?！敖灰资且粋€簡單問題，而開公司涉及性價比，招那么多人、管那么多錢，但純做交易未必比現在掙得少，會面臨財務、人事、品牌、市場推廣、規模、考核、政府關系、工商稅務等等問題，最后只有 1 個問題與投資有關系，人做事不是要揚長避短?！币苍S正因如此，錢成是公司董事兼投資總監卻并非總經理。錢成言笑晏晏，整個人佛

314、系得就差手上配條串兒了。但市場河流沉浮，在這個市場里面搏殺并不那么容易，他偶爾也并不佛系地會用“一發子彈一條命”來形容市場格局的演變，并對此保持謹守?！?016-2018 年，滬深 300 持續走強，中證 500 正好成了全市場最弱的指數。于是很多人選擇中證 500 做對沖，機構出現分化，做對了就起來了，做不對的就漸漸不見了。大家是否睿智地提前知道了中證 500 一定會跑輸滬深 300？還是只是幸存者偏差呢？不知道，對于公司來說是一發子彈一條命，選擇錯了很多時候沒有第二次機會，上了百億不要以為掉不下來?！弊鳛榘賰|私募，寬投宣傳方面一向低調，但聊下來發現低調是表、謙遜是里?！拔覀兇_實還許多有待提

315、升的地方，說這話并不是裝出來的，最近我們還在想提升研發平臺，現有版本是公司規模 20 億-50 億階段做的，迭代了三次?，F在規模已經到達百億，就發現挺傻的，代碼也看不太順眼，很想找個借口再重寫一下做升級?！彼疅o定形水無定形 兵無成勢兵無成勢寬投產品分為 3 條線，其中 CTA 策略規模占比 18%，分為一倍杠桿標準產品線和兩倍杠桿高波動產品線，平均持倉周期3-5 天，套利與趨勢追蹤策略均有覆蓋。多策略專戶定制產品規模占比 9%，融合了指增/對沖/CTA 多條復合產品線，可以根據客戶風險收益偏好定制，做子策略靈活配比，產品凈值波動比較低，擁有較為平滑的凈值曲線。而指數增強規模占比 73%，特點在

316、于跟蹤誤差較小，超額夏普值高，因子庫豐富，相關度低。涵蓋中證 500、中證 1000、國證 2000、科創 50、滬深 300。成分股內選股做指增是寬投的一大特點，這源于策略本身，也來源于寬投對風險的認定。錢成解釋道：“假設做空 1000 等權配置，做多 1000 等權配置，不考慮融資成本的話可以兩頭平手，超額來自增減配不同強弱股票，類似統計套利、隔夜 T0，多空就會形成獲利空間，同時回撤較小?！边@種策略與傳統多因子模型有一定差異，與模型、算法、策略本身關聯度較低，可以復用在 300、500、1000 類指增。這套邏輯可以支撐寬投在成分內選股。錢成認為，量化本質是追尋 Alpha，而不是做小市

317、值賺 Beta，再把 Beta 當 Alpha賣給客戶。如果客戶看好小票，可以直接購買國證 2000 指數增強，但不能買了中證 500 指數增強，最后發現組合與國證 2000相關度更高。這種方式也許可以讓產品一下子到達網紅級別，例如中證 500 上漲 8%，國證 2000 漲了 13%，產品實際超額 7 102 個點，總收益 20%，但對標中證 500 的話就顯得超額有 12%?！懊恳惠喰星槎紩蓄愃七x手，管理人這么做也沒什么問題，因為市場有需求，只是寬投已經沒有精力去研究市場需求在哪里了，我們只想把自己想做的事情做好?！睂捦鄂r少在零售端大張旗鼓地銷售產品，管理規模卻到達百億，其中正是因為很多

318、機構投資者基于產品低回撤和指數跟蹤偏離度而來。2022 年寬投中證 500 超額最大回撤只有 0.86%，夏普值位居市場前列。在錢成看來，管理人不應該代替客戶做 Beta 選擇。寬基指數選股域更寬，還能多空做 Alpha，那窄基指數如科創 50 型怎樣做增強？錢成不否認窄基指數增強有技術難度，許多機構不在成分股里選股的重要原因正是較為復雜，公司最早的科創 50 增強就是在 50 只里面選 25 支做超額，但這種方式使得量化優勢不足以凸顯，甚至不如基本面研究員逐一深度研究 50 個股,再從中選出 25 支，所以寬投的科創 50 指數增強也有少量成份外選股。水無定形，隨境而適。多空靈活的策略可以復

319、用到多類指數，使得寬投的指數產品具備非常廣闊的想象空間，形成超市貨架式寬基指增策略：“現在我們市場就是這么想的，就啪各種指數增強都有，讓客戶選 Beta，管理人做 Alpha，除非類似國證系列指數和中證系列指數股票本身有重合，不然我們幾乎沒有容量限制，而且跟蹤誤差很小，盡量控制在 2%以內?！卞X成道，投資人有不同的風險偏好，也會有管理人挑對風格，在某些年份迅速募資壯大形成規模效應，但這就會變成商業行為，而錢成希望把更多心思花在投研本身上。數據數據因子因子 知其然更知其所以然知其然更知其所以然錢成看似“佛系”，但是交流到具體的事情時，明顯又有自己的態度，外圓內方。對于數據與因子他認為：“各家機構

320、不管是數量還是使用方法都沒有可比性，更多是基于入庫要求，如果把因子相關度要求提高到 0.3 以內，一年可能就只能新增 20 個因子，相反如果相關度要求 0.6 就會形成浩繁的因子庫?！睂捦蹲分鹨蜃拥幕驹?，每當因子入庫會，投研人員相聚一堂，每人一張 A4 紙涵蓋因子基本信息、市場表現，與因子庫其他因子相關度、不同族因子相關度，不同年份、不同環境的表現等等。除了這些標準動作，關鍵是知其然并知其所以然，工程師需要解釋“How It Works”。而聽的人要能夠判斷是否靠譜，值不值得入庫?！耙驗樾掖嬲咂?，我們看到的因子表現永遠是樣本內的，即便貌似樣本外本質也是樣本內，因為樣本外不好的已經被系統篩

321、選掉了，而知其所以然就能減弱這種偏差?！睅缀跛辛炕瘷C構都在不留余力地獲取“另類數據”。錢成認為：“這不同于由數據驅動的互聯網公司，量化機構之間本質上沒有太大的壁壘，只是知道和不知道的差別，所以會對數據的使用保密，但在數據高度類似的情況之下，怎樣解析數據、理解數據就變成了大家拉開差距的核心競爭力?！边@種佛系在看待很多方法論、策略的時候都會趨向于見素抱樸，去掉復雜系統的神秘性?！皬娀瘜W習本質上是最優化問題，是在動態規劃基礎上面，加入隨機變量，主要應用于風控環節，風控模型和收益模型本質一樣，一直到協方差矩陣步驟前高度類似，沒有必要形容得非常高大上?！卞X成談到?！?3 年之內您有規劃？”在最后，編寫

322、組問到?！皼]想過，開心就行。我們對業績是很有信心，投資人能盈利，自有資金能賺錢，這不就可以了，還要干嘛？”他笑了起來。103 銳天銳天投資投資中性中性 慎獨慎獨慎獨像是銳天某些方面的特點寫照，2019-2021 年，市場三連陽 Beta 向好，指增產品大行其道，中性產品市場占比節節滑落。但銳天總管理規模 60 個億，其中中性規模就 45 個億。從 2013 年成立至今，在銳天成立的第 10 個年頭，徐曉波應該有很多話能講，但是分享又表現出一種慎重。作為一家資深量化管理人，尤其是中性產品管理人，銳天在如何看待以及理解這個市場？關于銳天投資更多內容請詳見2021 年中國量化投資白皮書第五章銳天投資

323、：中國量化史印銳天投資創始人銳天投資創始人 徐曉波徐曉波銳變新常態銳變新常態 量化難以獨善其身量化難以獨善其身“畢竟交易是一門生意，做資管行業的，客觀情況下也會受到市場關于未來經濟預期的影響?！奔幢阒行援a品對沖掉了市場漲跌，但由于疫情等宏觀因素疊加到量化行業以及 2022 年下行周期，很多資金開始冷卻，投資者信心受到動搖，徐曉波認為，這個時候不管是量化還是資本市場都在陷入調整狀態?；仡?2022 年，不管是量化還是主觀、中國經濟還是全球經濟，都在一體化發展的進程中，量化難以獨善其身。銳天中性產品名為磐石系列，做全市場選股，持倉 600-800 只個股，其中中證 500 對沖年化換手倍數 80-

324、100 倍，滬深300 對沖 100-150 倍。策略信號做短、中、長周期結合。主打持續低回撤、高夏普，穿越牛熊獲取穩健正收益?；仡?2022 年，從時間點看，三四季度是量化相對難表現的階段。據徐曉波介紹：第一是基差收斂快，對中性產品沖擊較大，三四季度全球資本市場動蕩也體現在了 A 股變化上。其次上半年盈利資金需要選擇時間加倉所以三四季度超額也有所回撤。即便市場情緒相對焦灼，很多產品出現回撤，但銳天因幾個重點時段業績波動較小，壓力會也相對較輕?！爱斎?，三四季度基差收斂快以及超額回撤壓力大，但這并不是可以通過降倉來解決的。我們對大盤仍然是相對樂觀，認為市場進入拐點狀態。至少大家對疫情的擔憂已經逐

325、漸減少，我們團隊健康狀態也盡快恢復到了正常工作狀態，所以更多不是市場波動問題，而是能否正常工作或者量化交易平穩運行、策略迭代保持節奏的問題?！?022 年大量突發性事件導致部分量化模型會出現失效，而頻繁的風格輪動讓投資人更是無所適從，面對黑天鵝、事件 104 性因素，銳天實踐方法是什么？“這是兩個問題，第一是黑天鵝事件本身對量化策略影響是什么？第二是策略失效怎么應對？當市場或者行業出現新的巨大變化時候，規律定然也會發生變化，相信很多基金經理也在尋找路徑。2022 年量化策略即使在黑天鵝事件之下仍然具有競爭力，掛鉤指數會產生波動，但是很多時候超額波動并沒有顯著增大。往年更多是策略超額本身衰減，導

326、致了收益降低，但本質上是競爭或者更多資金配置導致的。這就引申出第二個問題，怎么應對更多資金配置導致的策略衰減。管理人只能靠自己不斷進行優化，發掘更多市場規律。美國許多優秀基金，做了很多年仍然在持續挖掘新規律。我相信中國量化市場還尚未達到美國的紅海狀態，可以交易的空間和優化的空間都還很多?！毙鞎圆ㄔ敢鈴母呔S的資金流視角看待市場的變化。在他看來，2008 年之后，資本市場就沒有經歷過大幅度加息。站在今天這個時間，大幅加息后經濟是否會受到抑制導致衰竭是資本市場關心的新問題，中國經濟本身是否有足夠的增長動力和長期動力？復蘇是否如同想象中有效？政策是否能夠如期施行到位？中國在科技領域的發展將受到哪些制

327、約？這些問題將是影響國內資本市場發展的關鍵因素。但在 Beta 在下行周期的時候，沒有熱情資金進入屬于正?，F象，從長遠來看，量化相對全市場其他策略而言業績仍然具備競爭力。在宏觀不確定性加大、市場波動、行業輪動頻發的情況下，量化業績優勢明確。未來 3-5 年，量化策略占比還會繼續擴大，存有一定級別增長空間。雖然 2022 年中美博弈之后，外資對中國資產顧慮較大，但是徐曉波認為這是階段性現象，需要時間消化，=并非未來長期主題，銳天希望 A 股市場可以吸引全球資金配置，為市場帶來更多活力、流動性和機會，成為全球配置當中不可或缺的一部分?！鞍呀浀湫盘栕龅酶懈偁幜Π呀浀湫盘栕龅酶懈偁幜Α变J天是以中高

328、頻起家，現已從中高頻擴展到全頻段，同時覆蓋多類資產，希望在每個賽道上都能持續有創新和迭代，各個賽道之間也有好的經驗上交互，以此持續提升、突破創新。徐曉波已經經歷過足夠多的量化周期，從 2018 年經濟下滑、加息再到 2019 年市場反彈，2019 年-2020 年疫情以及疫情后全球經濟衰退。徐曉波認為量化業績波動更多是來自量化本身的競爭而非宏觀因素。市場上如果波動放大，所有因子都會受到影響。收益競爭力更多是靠量化自身因子特色和競爭力完成，管理人要更好地挖掘市場波動本身規律來源。隨著量化在市場占比變大，需要確保在波動期間，超額能穩得住以及回撤時能做好歸因?！笆袌鰯U增出現很多出色玩家，其業績能夠穿

329、越牛熊，原因一是靠管理人穩健的風格體系，第二是有一套行之有效的量化投資方法論，能夠挖掘出市場上的超額機會，同時也能不斷精進?！毙鞎圆ㄕJ為，在競爭加劇的情況下，不斷挖掘出新的市場規律才能立足于市場，有助于公司的不斷發展?！惫驹缙诎l展機遇中尚且有運氣成分在，但是只要策略體系有持續競爭力，終究是會得到更多資金認可青睞。目前銳天總管理規模 60 個億，其中中性規模 45 個億，指增 13 個億，CTA2 個億。在市場大量推指增產品時，銳天仍然中性居多，這與市場時間節點、策略條件以及公司布局緊密相關。公司最早也是中性策略起家，當時市場對指增接受度還低，從 2019 年開始大盤本身表現好，同時全市場量化

330、規模迅速增長，代銷熱情高漲，很多資金瘋狂涌入，導致市場擁擠度快速提升，同時受到疫情及宏觀影響，大盤進入了調整，股指期貨基差收斂，對沖成本隨之下降，中性產品的性價比和吸引力開始凸顯。募資的前提條件是經過了一段業績強勢的時間，但是往往在業績強勢的時候，例如 Beta 漲了很多的時候，下行風險也開始變大。尤其是像 2022 年某些時間點，募集端想推指增，但市場接受度低，而市場真正回暖的時候，Beta 已經賺到 105 錢了，再布局就稍微晚了，所以客戶需求是動態變化的過程。目前銳天已經發布的指增產品掛鉤滬深 300 及中證 500 指數。其中中證 500 指增持倉 600-800 只個股，年化換手倍數

331、80-100 倍，做短、中、長周期結合，偏中高頻。滬深 300 指增全市場選股，持倉 500-700 只個股，年化換手倍數 100-150倍，高頻策略。指增產品會對風險敞口控制進行嚴格的約束，同時限制個股持倉上限、Barra 因子暴露、行業偏離度，滬深300 指增策略中大票權重處理稍有不同，有些市值暴露在所難免，關鍵是怎樣平衡風險與收益?！爸冈霎a品要把經典信號做得更有競爭力，同時有自己特色?！变J天希望自身策略在主流賽道上擁有競爭力。同時配置一部分具有差異化的信號策略，這種差異主要呈現在周期上。恒久忍耐恒久忍耐 以求存進以求存進量化并不全是靈光一現，更多的時候是恒久忍耐，以求存進。從中性起家，銳

332、天投資把觸角逐步伸向量化全方向?！傲炕偁庴w現在全方位，銳天也在加強面試候選人增大研究方向上的覆蓋，包括因子挖掘、機器學習、基本面量化研究、另類數據等?！碑斎蝗轿桓偁幰驳帽３肿陨韮瀯?，在徐曉波看來，銳天通過業績證明過自己，同時也處于不斷提升過程當中?！耙?ChatGPT 為例，10 年之前就開始成立，經過了幾個模型迭代到了今天讓人驚艷的程度，其中算力加持、模型本身進化、數據量變大、更多資本投入關注，以此迎來拐點。對量化來說也是一樣，隨著數據運用越來越多，從量價到現在基本面、另類數據、新聞文本數據會深挖細分，給策略信號帶來提升。不斷積累到了某些拐點上就會爆發出越來越強的競爭力?！毙鞎圆ㄕJ為，這

333、種累積并非以一種產品形式呈現，不是突然在策略表現上升一個很大的臺階，而是從量變到質變的過程。同樣以 ChatGPT 為例，為什么人機交互體驗上可以做得比以前好很多，本質上也是有很多環節疊加形成最后結果，而對量化來說也是一樣，例如在因子訓練方式上，生成數據是基于很多基礎因子的計算方式、訓練方式、生成方式、模型能力、網絡結構運用、交易環節優化上面，需要在很多環節和方向上進行沉淀、創新和深挖，從長期來看競爭力自然會凸顯出來，而策略規模、容量也會躍遷?！白詣玉{駛也是一樣，傳統自動駕駛設計是以定制規則讓機器執行，在無人狀態下也可以駕駛得很好?，F在更加前沿的方法是把規則變成端到端，會囊括很多機器學習的內容，進行創新和改進?！睏l條大路通羅馬，各家管理人對 AI 的探索方向不一定完全一致，用傳統因子挖掘方法也能得到不錯結果。銳天的方式是在幾條賽道上同時不斷精進、兼收并蓄。從工程角度能夠更好地理解現在所用的