1、封面2021 年度中國量化投資白皮書寬邦科技 華泰證券 朝陽永續 金融階1序 言以史為鑒，可知興替?；赝炕l展史：1969 年，美國誕生第一只量化基金，距今 53 年。2004 年，光大保德信、上投摩根先后成立兩只量化基金，距今 18 年，三只基金中間相隔了 35 年的時間差。而后隔著 7、8 年時間，2007、2014 年，美中市場分別遭遇中性黑天鵝事件；2008、2015 年分別被限制性賣空；2010、2018 年后多策略出現。兩個量化市場經歷相似，技術逼近，實踐又有不同，國內量化從萌芽到初生到快速發展不過十幾年，成長與動蕩也就顯得分外緊湊。2021 年，量化市場正在經歷變化，私募量化總

2、管理規模不斷提升，據市場估算，Q4 業已突破 1.61 萬億元人民幣，在私募規模中的比例從 2018 年的 3.27% 提升至 17.30%。機構量化多策略全線并進，百花齊放。前 30 私募量化幾乎全線布局 AI，速度最快的 800 口的交換機、A100 計算卡，算法、工具越來越鋒利，枕戈待旦。也有部分機構初遇不可能三角，出手封盤，閉門謝客。市場在規范與自我規范同步開展：中基協 AMBERS 系統發布的關于上線“量化私募基金運行報表”的通知，多家機構共同發起倡議，建設“合規、誠信、專業、穩健”的行業文化。而在此時，市場輿論挑戰不斷，時時喜提熱搜：“全國限電影響量化機構的硬件算力”“百億私募被管

3、理層強平”殺一個量化祭天？“量化滾出 A 股”“天天過山車，月月輪動，肯定是量化干的”。同時各類專業公開數據廠商數據定義混淆，模糊不清，側面也在反映市場認知。時至今日，當我們談量化的時候，我們在談什么？量化市場行至何處，又邁向哪里？2021 年底，我們發起回收 235 份問卷調研，與 8 家頂級機構定性訪談。管中窺豹，但求一斑，嘗試刻畫當前的市場面貌，并研判量化未來發展趨勢。感謝所有參與問卷調研與案例訪談的機構， 讓我們得以完成此報告。 同時也感謝正在閱讀報告的你，一起參與行業建設，共生共榮。我們希望在尋找未來競爭當中，本書能為您帶來借鑒與意義，也歡迎您與我們聯絡，交換您的所思所悟。2021

4、中國量化投資白皮書編委會2022 年 3 月 2 日掃描二維碼填寫預約 2022 年白皮書掃描二維碼了解更多白皮書活動2CONTENTS目 錄序 言 1第一章：行業掃描 11.1 研究背景 21.2 調研框架 71.3 數據說明 81.4 十大關鍵結論 10第二章 人才發展 112.1 人才招聘：機構間搶人大戰 從普通人才到精英人才內卷 122.2 薪酬待遇：15.88%年薪百萬以上 高薪人才關注領導力 192.3 成長發展：九成自學+實踐摸索 最關注人工智能 222.4 自我挑戰：超八成專業技能還需提升 市場、因子、策略是三大難題 26第三章 機構實踐 293.1 基本情況：市場快速擴大 管

5、理規模到達萬億 313.2 量化策略：百花齊放 降頻及多元化同步開進 383.3 人才組織：差序格局 平臺PM混合制并行 48第四章 趨勢前沿 514.1 行業前沿：人工智能、高頻與另類數據 524.2 超八成機構已使用人工智能 主要應用于因子及模型 564.3 另類數據：外資機構走在前沿 ESG異軍突起 664.4 高頻：800納秒為當前頂峰 三成機構使用高頻因子 71第五章 最佳實踐 735.1 銳天投資：中國量化金融史印 745.2 國泰君安期貨：“她”何不再問：量化這件事情 785.3 中信建投：航母級券商中臺打造 825.4 因諾資產：萬億量化新時代 8535.5 中信證券：兼談平臺

6、、強化學習、可解釋性 885.6 世紀前沿：以無厚入有間 945.7 聚寬投資：從平臺到百億私募的轉型之路 985.8 復利瞰點：程序員轉型量化的跨界范本 103第六章 附錄 1076.1 關于我們 1086.2 名詞解釋 1106.3 2021量化大事記 1112021年度中國量化投資白皮書【純數據版】 1142021年度中國量化投資白皮書【私募數據版】 1232021年度中國量化投資白皮書【公募數據版】 1332021年度中國量化投資白皮書【外資數據版】 1424CONTENTS圖 表 目 錄表 1 海外資管規模前十對沖基金及其類型 2表 2 外資私募證券基金管理人列表（10億元以上） 3

7、表 3 量化私募基金運行報表 3表 4 海內外量化機構人工智能新聞 4表 5 部分私募機構AI布局情況 5表 6 國內百億量化機構核心創始人學歷及主要工作背景 14表 7 美國私募及自營量化招聘要求 18表 8 量化機構面試常見流程及內容 18表 9 各地理區域薪酬分布 19表 10 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） 19表 11 賣方量化從業人員基礎薪酬及總收入分布概況（美元） 20表 12 買方量化從業人員基礎薪酬及總收入分布概況（美元） 20表 13 各薪酬區間量化從業者自我提升專業知識、技能方向 21表 14 各類型機構量化從業者自我提升專業知識、技能方向 24

8、表 15 各職業背景尋找新工作機會的誘因 25表 16 工作中亟待解決的問題，內外資、IR差異比較 27表 17 投研工作困難方向，各類型機構排序 27表 18 中美量化歷史比較 31表 19 2019-2021年各類策略收益情況比較 35表 20 國內部分量化私募機構股權結構 37表 21 量化策略及其釋義 38表 22 各類型機構策略分布 39表 23 各策略分規模收益情況 41表 24 各策略分規模夏普率情況 43表 25 交易算法代際表 45表 26 各類型機構因子儲存數量 46表 27 各類型機構從業人員常用因子數量 46表 28 2021 年股票量化策略風險因子暴露 46表 29

9、投研組織與工作挑戰對比 49表 30 行業趨勢釋義 53表 31 各類型機構從業者對未來行業趨勢強度 54表 32 從業者關注的研究方向 55表 32 不同機構關注的研究方向 555表 33 當前機器學習/人工智能量化資源配置及發展階段 58表 35 從業者擅長的機器學習/人工智能算法 59表 36 從業者擅長的機器學習/人工智能算法分布 59表 37 各類型機構另類數據使用情況 67表 38 期貨交易所數據穿透速度 72表 39 2021年券商機構類客戶交易服務資訊 112圖表 1 調研結果地理分布 8圖表 2 調研結果薪酬分布 9圖表 3 調研結果機構分布 9圖表 4 調研結果規模分布 9

10、圖表 5 調研結果策略類型分布 9圖表 6 機構規模與機構投研人數比較圖 12 圖表 7 機構類型與投研人數比較圖 12圖表 8 從業人員獲取當前工作崗位的渠道 13圖表 9 量化從業者教育背景 14圖表 10 量化從業者學科背景分布 17圖表 11 量化從業人員尋找新工作機會的誘因 19圖表 12 量化從業人員薪酬分布 19圖表 13 量化從業人員獲取專業前沿知識渠道 22 圖表 14 量化從業人員尋找新工作機會的誘因 22圖表 15 量化從業人員知識、經驗、技能自評分數分布區間 22 圖表 16 量化投資工作中有亟待解決的問題 22圖表 17 量化投資人提升的專業知識、技能方向 23圖表

11、18 不同機構類型量化投資人提升的專業知識、技能方向 23圖表 19 不同機構類型量化投資人未來職業發展方向 25 圖表 20 量化從業人尋找新工作的誘因 25圖表 21 工作中亟待解決的問題，內外資差異比較 26圖表 22 量化機構投研工作所面臨的挑戰 27圖表 23 股票策略私募證券產品/私募產品規模占比（估算） 32圖表 24 2018Q4 以來私募管理人管理規模持續擴張（估算） 32圖表 25 量化型基金規模以及在權益型公募基金中的占比 33 圖表 26 指數型基金規模以及在權益型公募基金中的占比 33圖表 27 2020年第四季度私募證券行業集中度 33圖表 28 2020年末私募證

12、券基金管理人數量分布 34 圖表 29 2020年末私募證券基金管理人規模分布（按管理資產規模區間統計） 34圖表 30 按策略類型劃分，私募量化管理規模分布（2021年-2022年對比） 346圖表 31 2021Q4公募量化策略類型分布（按管理資產規模區間統計） 35圖表 32 2021Q4公募量化基金的管理規模與策略類型分布（單位：億） 36圖表 33 量化機構策略分布 39圖表 34 私募量化策略類型劃分（按管理規模）分布 40圖表 35 不同管理規模策略分布 40圖表 36 機構因子儲存數量 46 圖表 37 個人常用因子數量 46圖表 38 量化機構投研組織形式 48圖表 39 私

13、募管理人對于外資私募證券基金管理人未來發展趨勢的觀點分布 53圖表 40 從業者對未來行業趨勢強度判斷 53圖表 41 各類型機構從業者對未來行業趨勢強度判斷 54圖表 42 Al策略與其它各策略指數業績表現分析（2009年底至2021年9月底） 56圖表 43 每年新發對沖基金中AI策略采納率（2010-2019年） 56 圖表 44 應用AI技術的對沖基金中按策略類別分布情況（2019年底） 56圖表 45 當前量化機構機器學習/人工智能量化應用領域 57 圖表 46 各類型機構當前量化機構機器學習/人工智能量化應用領域 57圖表 47 量化機構AI成熟度分布情況 58 圖表 48 中國企

14、業AI成熟度分布情況 58圖表 49 當前另類數據研究/使用情況 66 圖表 50 當前另類數據研究/使用類型 66圖表 51 高頻數據及因子研究情況 72圖表 52 個人薪酬與高頻因子研究數據對比 73 圖表 53 機構規模與高頻因子研究數據對比 73圖 1 某頭部量化機構人工智能使用方法 5圖 2 某頭部量化機構人工智能使用情況 6圖 3 Two Sigma高斯混合模型對市場狀態識別 6圖 4 中美量化發展歷史比較 30圖 5 機構投研組織形式 49圖 6 MSCI ESG評級框架及流程 69圖 7 MSCI ESG評級標準 70圖 8 MSCI ESG評級因子 70圖 9 交易信息流 7

15、1121.1 研究背景1、海內外量化已成主流，國內量化規模激增截至 2021 年 Q4 數據，全球對沖基金資管規模排名顯示，量化型基金強勢包攬了前 8。而在 2004 年，前 9 名都是主動型基金，僅橋水基金占據了第 10 名的位置。與此同時，早在 2017 年包括橋水、D.E.Shaw、Two Sigma、Winton 在內的多家海外量化基金已布局中國，拿下外商獨資企業（WOFE）牌照，并在中國發展起自己的私募業務。這意味著，海內外量化已同場競技。2021Q3-Q4，橋水突破百億規模，元勝突破 50 億規模。據朝陽永續數據，市場已發行量化產品機構數量 645 家，在整個私募機構中占比 7.7

16、9%，據中信證券金融工程團隊測算，截至 2021 年 Q4，證券類私募中，量化產品規模接近 16100 億、規模占私募證券類產品比為24.83%。 百億以上量化私募管理人的合計規模估算約 4800 億。 公募量化基金約2941億， 指數型基金規模約1.3萬億。同時，2021 年，A 股單日交易量頻頻突破萬億，市場各類主體預估，量化在其中占比約為 20%-30%。表 1 海外資管規模前十對沖基金及其類型200420182021公司AUM分類公司AUM分類公司AUM分類更新日期Caxton Associates115主動Bridgewater Associates1328量化Bridgewater

17、 Associates1501量化2021/12/31GLG Partners110主動AQR837量化Quantative Management Associates1192量化2021/12/31Citi Alternative Investments99主動Man Group591量化+主動Man Group935量化+主動2021/6/30Farallon Capital Management99主動Renaissance Technologies570量化Magellan Financial Group821主動2021/9/30Citadel Advisors95主動為主Two S

18、igma388量化Blackstone Alternative Asset Management790另類2021/6/30Angelo，Gordon&Co90主動Millenium Mgmt353量化AQR Capital Management700量化2021/3/31Vega Asset Mgmt85主動Elliott Management350主動Marshall Wace597量化2021/10/10Andor Capital Mgmt83主動Marshall Wace348量化Renaissance Technologies589量化2021/11/30Aoros Fund Mgm

19、t83主動Davidson Kempner Capital Mgmt314主動Two Sigma Investments580量化2021/3/31Bridgewater Associates81量化Baupost Group310主動BlackRock 560主動+量化2021/9/30數據 / 資料來源：綜合整理3表 2 外資私募證券基金管理人列表（10 億元以上）登記編號申請牌照時間管理人名稱主要策略類型發行基金數量2021Q4 管理規模P10685142018年6月29日元盛投資管理（上海有限公司CTA1750-100億元P10329072016年8月15日瑞銀資產管理（上海有限公司股

20、票、債券1920-50億元P10697202019年4月11日徳劭投資管理（上海有限公司CTA120-50億元P10685152018年6月29日橋水（中國）投資管理有限公司宏觀33100億元以上P10714752020年11月10日潤暉投資管理（天津）有限公司股票1220-50億元P10645652017年9月7日英仕曼（上海）投資管理有限公司CTA310-20億元P10657692017年11月9日惠理投資管理（上海有限公司股票1410-20億元P10701912019年9月11日騰勝投資管理（上海有限公司CTA210-20億元數據 / 資料來源：中國證券投資基金業協會2、行業爭議不斷，機

21、構加強監管“在成熟市場，量化交易、高頻交易比較普遍，在增強市場流動性、提升定價效率的同時，也容易引發交易趨同、波動加劇、有違市場公平等問題?！? 月 6 日，證監會主席易會滿在第 60 屆世界交易所聯合會會員大會暨年會上講話11 月初，有部分量化私募基金管理人收到基金業協會通過資產管理業務綜合報送平臺（AMBERS 系統）發布的關于上線“量化私募基金運行報表”的通知。隨后中證協也加強對量化交易的監管力度，覆蓋券商自營和資管業務。與此同時，行業也在自我規范，2021 年 11 月，靈均、九坤投資、因諾、卓識、天算量化、時代復興、涵德投資、信弘天禾、聚寬投資、璽悅資產、豐潤恒道 11 家量化私募基

22、金機構共同發起倡議，號召量化私募基金管理人尊重投資者、敬畏投資者，把保護投資者合法權益作為量化私募基金一切運作行為的立足點和出發點，忠實履行對投資者的忠誠義務和專業義務，持之以恒建設“合規、誠信、專業、穩健”的行業文化，促進健全發展生態。表 3 量化私募基金運行報表一類二類管理人基本信息表名稱編碼數量及規模是否存在境外關聯方或子公司是否存在境外關聯方或子公司境外關聯方和子公司管理基金凈資產包括通過陸股通投資境內股票市值境外關聯方和子公司投資境內股票交易服務商名稱量化基金統計表基金名稱編碼中登公司一碼通賬戶2021 年度中國量化投資白皮書42021 年度中國量化投資白皮書一類二類量化基金統計表期

23、貨保證金監控中心賬戶量化主策略及輔策略基金規?？傎Y產凈值回撤日均股票投資情況期貨及衍生品交易融資融券巨額贖回其他信息日均持有股票數量日均股票成交金額（單邊）日均股票換手率（單邊）期貨及衍生品交易保證金場外衍生品合約價值賬戶最高申報速率數據 / 資料來源：中國證券投資基金業協會3、技術不斷獲得突破，進入人才和技術之爭許多大型對沖基金早在多年前就將人工智能 / 機器學習方法應用到交易過程中，2013 年橋水基金即建立人工智能團隊。國內方面，2016 年嘉實基金成立了人工智能投資研究中心，華夏基金、國壽資產、泰康資產等機構也相繼擁抱研究人工智能。至 2021 年，前 30 家百億私募量化機構中 29

24、 家在官網介紹了其人工智能開發，或正在招募人工智能人才。表 4 海內外量化機構人工智能新聞區域時間布局海外2013年橋水基金建立人工智能團隊2017年5月Citadel雇傭微軟人工智能首席科學家、IEEEFellow鄧力2018年5月卡耐基梅隆大學Manuela Veloso教授在2018年5月加入摩根大通2018年8月DE Shaw集團在2018年聘請盛頓大學教授Pedro Domingos作為公司新成立的機器學習團隊的負責人2021年6月Alexander Davidovich加入阿布扎比投資局數據分析及人工智能團隊國內2016年嘉實基金成立了人工智能投資研究中心2017年華夏基金與微軟亞

25、洲研究院開展戰略合作研究2017年國壽資產成立了智能投資部2020年數據 / 資料來源：網絡綜合幻方上線“螢火一號”AI Lab 量化實驗室，2021年升級為“螢火二號”2021 年度中國量化投資白皮書5表 5 部分私募機構 AI 布局情況編號公司簡稱成立時間成立時間是否涉及 AI1鳴石投資2010/12/9是162014/4/17是2銳天投資2013/11是17金锝資產2011/11/25是3世紀前沿資產2015/8/24是18黑翼資產2014/5/5是4金戈量銳2014/11/12是19千象資產2014/7/4是5佳期投資2014/11/28是20呈瑞投資2010/5/31是6因諾資產20

26、14/9/24是21聚寬2017/3/20是7啟林投資2015/5/28是22凡二2013/11/26是8寧波幻方量化2016/2/15是23赫富2016/3/21是9靈均投資2014/6/30是24申毅2004/6/23是10九坤投資2012/4/12是25寬德2014/9/19是11幻方量化2015/6/11是26博普科技2012/7/19是12衍復投資2019/7/25是27寬投2014/12/8是13盛泉恒元2014/7/8是28星闊2020/9/15是14誠奇資產2013/9/24是29念空念覺2017/3/24是15進化論資產2014/6/4是注：是否涉及 AI 標準為公司官網明確

27、表述及對外招聘啟事數據 / 資料來源：公司官網、金融階圖 1 某頭部量化機構人工智能使用方法數據 / 資料來源：2021 世界人工智能大會是否涉及 AI編號公司簡稱明汯投資6圖 2 某頭部量化機構人工智能使用情況數據 / 資料來源：2021 世界人工智能大會圖 3 Two Sigma 高斯混合模型對市場狀態識別數據 / 資料來源：Two Sigma 2021 A Machine Learning Approach to Regime Modeling4、國內量化缺乏完整數據，難以量度當前行業動向當前國內對于量化投資的研究包括學術和實踐層面。學術方面包括量化投資概念、量化投資與傳統投資比較、量化

28、投資歷史、量化主要內容等，實踐層面則包括 Python 軟件分析模型開發、人工智能技術研發、技術配置和風險控制等內容，較為缺乏對當下時間段行業中觀層面的圖景描繪。71.2 調研框架本報告結合 235 份定量問卷調研與 8 家頂級機構定性訪談，與讀者一起共同建立對量化行業的認知，并嘗試研判量化未來發展趨勢。本報告主要關注以下核心問題： 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：機構在人才建設、因子挖掘、量化策略、數據算力算法當中的最新前沿？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：大型機構、百億量化私募在如何認知這個市場？有何

29、具體實踐？未來在何處布局？81.3 數據說明本白皮書主要數據/資料來源為 2021年度中國量化投資白皮書 問卷調研結果 （以下簡稱 問卷調研 ） ，調研時間為 2021 年 12 月 8 日至 31 日，總回收數據 235 份。因此次問卷主要面向量化機構，去除其中無效問卷 48 份（非機構、非量化直接投研人員），保留有效問卷 187 份。其薪酬、機構類型、資管規模、策略類型分類如下：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等問題。圖表 1 調研結果地理分布省份數量百分比上海5328.34%北京4322.99%廣東3619.25%浙江1

30、15.88%國外105.35%江蘇94.81%四川52.67%福建42.14%湖北42.14%河南21.07%天津21.07%山東21.07%陜西21.07%重慶10.53%云南10.53%遼寧10.53%貴州10.53%數據 / 資料來源：問卷調研9圖表 2 調研結果薪酬分布數據 / 資料來源：問卷調研圖表 3 調研結果機構分布數據 / 資料來源：問卷調研圖表 4 調研結果規模分布數據 / 資料來源：問卷調研圖表 5 調研結果策略類型分布說明：此題型為多選題數據 / 資料來源：問卷調研101.4 十大關鍵結論1、經歷萌芽、成長、動蕩與成熟，中美量化之間存在 35 年量化發展時間差，但時至 2

31、020-2021 年，國內海外機構已面臨同場競技。國內量化已經從發展初期到逐步成熟，具體表現在：1、市場總體規模增大，交易量占比提升；2、市場主體增多，行業集中度提升；3、關鍵能力提升，量化多種策略開花；4、管理能力提升，從粗放到精益發展。2、隨著市場成熟度提升，行業競爭加劇，個體機構從粗獷型發展向精益型發展，在股權架構、投研方式、組織架構、投資策略上進行多方面探索，以期在資產管理規模、收益率、波動率之間獲得動態平衡。尤其是在人事管理方面，除了通過大量人才搶奪，機構還通過組織結構優化進行更好的人才管理，以提升策略研發效率、深度，以及組別、策略間信息流動，更好激發創新。3、機構間受類型、管理規模

32、因素影響，掌握資源程度不同，面臨不同的監管政策、不同的投資人訴求，量化市場認知、投資策略、人才發展差異巨大。市場共識認為當前量化技術排名為：外資機構、私募基金、券商自營資管、公募基金、銀行保險。4、調研顯示：15.88% 量化投研人員年薪百萬以上，市場采用固定薪酬與 PnL 兩種薪酬結構，PnL 一般為 15%-35%，頂級合伙人級別能達到 50%。機構在投研組織方式上也盡力吸引、留住人才，近三成機構采用PM+ 平臺混合式投研，即在規?；?、集約化開發基礎上，同時開展專戶基金經理制。5、 許多投資機構策略發展路徑為 ： 高頻起家逐漸降頻， 形成全頻段覆蓋， 當前機構普遍采用多策略進行交易，但機構

33、間布局重點略有差異，總體而言，量化套利、指數增強、市場中性、量化多頭、高頻策略是當前排名前五的主流策略。私募機構更為追求絕對收益，包括量化多頭策略、量化套利策略、高頻策略。6、私募機構不可能三角：規模、收益、風險初見端倪。全年大量中性產品封盤，機構投資方式多元化發展的同時，追逐收益方式從絕對走向相對。在投研策略層面：人工智能、高頻因子、另類數據在當前私募機構中漸成主流，通過多種方式獲取 Alpha。公募基金、保險資管、銀行理財子公司則緊密擁抱市場 Beta，基本面量化、FOF 或將成為趨勢。7、 八成的量化人才認為自身專業知識、 技能還需提升。 “市場行業/風格輪動過快， 難以隨之快速調整”

34、“難以生成具有 Alpha 的想法，資金容量有限”“因子：傳統因子失效，難以形成有效策略”是當前投研實踐遇到最難的三大問題，但與外資機構差異較大。8、當前量化人才要求較高，國內 985/211、海外 QS100 碩士是基本門檻，人才主要通過自學 + 實踐的方式發展技能，僅三成人才能獲得就業后的培訓。知識、技能學習迫切程度與量化人才薪酬緊密相關，薪酬越高越迫切。高薪人才更關注領導力素質，如全球視野，普通薪酬人才更關注硬性技能，如人工智能。9、 當前八成機構已經涉及人工智能量化， 內資主要應用于因子挖掘、 生成及模型構建， 外資應用則更為全面。機構集中于單點實驗與局部落地階段，17.99% 的機構

35、正在進行擴展復制，有能力完成 AI 應用的開發和上線，覆蓋全流程，占總投資占比達到 5%。樹模型、集成學習是目前被市場普遍掌握的模型，一成左右的人才在神經網絡、強化學習方面已經“非常擅長”。10、海外另類數據日漸成熟，國內當前還處藍海階段，分析師情緒、網絡輿情數據是被最廣泛應用的數據，上市公司 ESG 數據異軍突起，已經有三成以上機構應用于量化研究。三成以上機構已經使用高頻因子，私募機構超過四成，25.33% 的機構保持觀望，其他機構在陸續開展研究。11122.1 人才招聘：機構間搶人大戰 從普通人才到精英人才內卷71.43%10%35.90%21.43%15.38%11.11%14.29%4

36、0%30.77%21.43%12%7.69%8.33%10.71%25%20.51%28.57%40%23.08%8.33%10%2.56%14.29%12%7.69%16.67%3.57%15%2.56%7.14%24%7.69%8.33%7.69%7.14%12%38.46%47.22%0%10%20%30%40%50%60%70%80%90%100%1-5人5-10人10-20人20-3030-50人50人以上27.59%10%17.86%50%25%16.67%22.22%15.38%34.62%21.84%0.00%7.14%33.33%50%0.00%33.33%23.08%23.

37、08%21.84%10%32.14%0.00%25%16.67%11.11%15.38%23.08%9.20%10%3.57%0.00%33.33%22.22%7.69%7.69%10.34%20%3.57%16.67%16.67%0.00%7.69%7.69%9.20%50%35.71%16.67%11.11%30.77%3.85%1-5人5-10人10-20人20-3030-50人50人以上數據 / 資料來源：問卷調研2021 年，量化機構管理規模、超額收益實現雙高，年終獎 5000 萬成為市場一時的熱門話題，市場人才爭奪出現白熱化，有了“量化私募老板兩只手，一只手找錢，一只手找人”的說法

38、。量化機構采用社招和校招兩種方式進行人才吸納。社招方面：數據顯示全市場僅有 34.76% 通過公開招聘網站獲得當前的工作崗位，許多量化從業人員通過校友背景、奧賽競賽、策略研討、沙龍培訓、市場商務等系列活動形成了一定固定“圈子”，流動方式為同學/ 同行 / 朋友介紹以及外部行業獵頭推薦，成為了公開招聘的有益補充。當前國內市場存量的量化從業人員數據難以精確估計。wind 數據顯示，歷任公募量化基金經理人數為 463 人，在任的為 260 人。大量的量化私募證券基金不披露基金經理姓名，當前朝陽永續披露的私募量化基金經理為 684 人，未披露和已披露的占比大約為 3：1。在量化行業，從業人數與管理規模

39、呈一定正向關系。數據顯示：當前量化機構投研人員體量不大，小團隊作戰 1-5 人也可成立一個 5 千萬資管規模的機構，七成以上私募機構在 20 人以內。資產管理規模 100 億是一個明顯分界嶺，100 億以上，四成左右百億機構投研人數達 50 人以上。圖表 6 機構規模與機構投研人數比較圖 圖表 7 機構類型與投研人數比較圖如果根據中國證券投資基金業協會數據，私募證券投資基金從業人數量為114442，如果以量化私募在證券私募中22.58%的占比計算，量化私募從業人員約為25841人，加上其他公募、險資、未備案私募等，從業人員大致估算為3.5-4.5萬人。13圖表 8 從業人員獲取當前工作崗位的渠

40、道數據 / 資料來源：問卷調研由于量化行業發展時間較短，成熟的存量人才不多，機構當前人才缺口巨大，需從同行、海外、跨行挖掘人才。從賣方研究團隊、互聯網公司，尤其 AI 科技公司是其主要挖掘人才方向，這類人才：積累了大量底層平臺、 海量數據處理技術， 與量化機構投研平臺化方向吻合， 此部分人才主要用于IT開發崗，尤其是 C+ 開發、Python 開發、FPGA 開發、前端 / 后端 / 全棧 / 運維開發、數據分析 / 挖掘 / 開發、交易系統開發、機器學習、AI 算法工程師，及量化實現 Quant Developer 等相關崗位匹配度較高。同時，基本面量化也是當前量化機構發展方向之一，當前部分

41、量化機構喜好具有基本面分析背景的人選，能夠把過往經驗疊加運用到量化投資行業，與現有團隊形成互補，尤其是如果具備一定 Python 或 C+ 編程能力，會具備更強的競爭優勢。如前所述，量化機構普遍規模較小，發展時間較短，以中小機構居多，缺乏完善的人力資源系統，許多HR 兼職財務、行政。但隨著機構壯大，有的頭部機構出現了 5、6 位專職招聘 HR。即便如此，由于機構間的人才競爭激烈，以及人才本身高精尖屬性，各家機構仍然花費重金做人才吸納，彌補原有人力資源的不足，市場出現了專職量化獵頭，當前 14.97% 的人才通過外部獵頭推薦獲得工作崗位，而且市場預估這一比例還將加大，因為當前量化圈層較為固定，導

42、致不便互相直接“挖人”，通過獵頭這種第三方形式，能夠讓各方更好地處理敏感關系。同時獵頭由于其廣泛的渠道優勢，能夠從海內外不同渠道快速匹配人才。校招方面更是紅海市場，據了解已經有多家量化私募在清華北大等名校附近設立辦公室吸引人才，也有機構通過贊助學生會活動、量化比賽等方式形成品牌影響力，輔助招聘。針對海外高校，也有機構通過“空中宣講會”定向招募麻省理工、斯坦福、普林斯頓和哥倫比亞大學等海外知名院校的人才。許多機構認為相比本科生，研究生獨立研究能力更強，能主動學習相應的技能知識，會知其然更知其所以然，這對于策略研究十分有益，能獨立創造一些研究成果。當前，碩士學歷已漸漸成為很多機構招聘起步線，76%

43、 以上量化從業人員為碩士或以上學歷，且大多名校畢業，海外留學比例亦是不少，在兩成以上。有媒體把頂級量化機構分成兩類，一類是出身于北大、清華、浙大等高校的本土量化 ，另一類是具有海14圖表 9 量化從業者教育背景數據 / 資料來源：問卷調研 數據 / 資料來源：問卷調研外投資經驗的海歸量化。 百億量化機構核心創始人主要以海歸量化為主。 大多從國內C9類院校 （包括清華大學、北京大學、復旦大學、上海交通大學、浙江大學、中國科學技術大學、南京大學、哈爾濱工業大學、西安交通大學）畢業之后赴美留學工作，回國后創立機構。表 6 國內百億量化機構核心創始人學歷及主要工作背景百億量化核心創始人主要工作背景學歷

44、背景明汯裘慧明HAP Capital Millennium( 千禧年 )美國賓夕法尼亞大學 物理學博士和碩士復旦大學（C9）物理學學士解環宇北京大學（C9）計算機、統計及金融專業幻方徐進多家科技公司技術總監浙江大學（C9）信號與信息處理專業博士浙江大學（C9）竺可楨學院混合班學士銳天徐曉波Citadel LLC北京大學（C9）物理、經濟學學士紐約大學物理學碩士靈均馬志宇Millennium( 千禧年 )美國斯坦福大學 金融數學與電子工程專業 雙碩士九坤王琛Millennium( 千禧年 )清華大學（C9）計算機博士清華大學（C9）數學、物理學士姚齊聰Millennium( 千禧年 )北京大學（

45、C9）金融數學碩士北京大學（C9）數學學士鳴石RobertStambaugh日本大和證券首席研究顧問美國金融聯合會 (AFA) 主席人 ( 曾任 )賓夕法尼亞大學沃頓商學院Miller Anderson & Sherrerd 教授芝加哥大學 金融學博士袁宇上海交通大學高金教授美國聯邦儲備銀行研究顧問賓夕法尼亞大學沃頓商學院 金融學博士威斯康星大學麥迪遜分校 統計學碩士上海交通大學（C9）金融學學士金锝任思泓摩根士丹利 PDT中金公司紐約大學 MBA北京大學（C9）理學本科誠奇何文奇Millennium 千禧基金 - 高級研究員艾默生 - 設計工師清華大學（C9）學士東京工業大學 碩士衍復高亢T

46、wo Sigma麻省理工學院 物理和計算機專業北京大學（C9）物理專業佳期多名合伙人畢業于哈佛大學（Harvard University）和普林斯頓（Princeton University）Citadel Securities15百億量化核心創始人主要工作背景學歷背景啟林王鴻勇啟林的創始人兼投資總監上海青年東方學者曾任上海大學物理系副教授中國科學技術大學（C9）物理學士北京大學（C9）物理學碩、博士德國亥姆霍茲研究所博士后天演謝曉陽天演資本首席合伙人，投資總監曾擔任對沖基金 Tibra Capital 投資經理劍橋大學 工程學學士倫敦政治經濟學院 金融學碩士博普科技肖向光創始人、董事長曾就職

47、于 IBM（波士頓地區）麻省理工學院 工程及管理學碩士袁豪首席投資官、首席技術官曾在 2002 年 和 2003 年兩次獲得 ACM（美國計算機協會）-ICPC 國際大學生程序設計競賽北京賽區冠軍，博士畢業后于香港城市大學任助理教授 / 博導美國普渡大學 計算機科學博士上海交通大學（C9）計算機科學與技術本科孫林春副總經理ACM/ICPC 程序設計競賽獲金牌曾經在甲骨文深圳研發中心從事 Berkeley DB 研發清華大學（C9）計算機本科及碩士江希茂投資總監曾在摩根斯坦利電子交易部任高級經理曾任職光大證券資產管理部北京大學（C9）工學碩士北京大學（C9）工學及管理學雙學士黑翼陳澤浩曾任 PC

48、A Investments博時基金投資經理、雷曼兄弟（Lehman Brothers）美國斯坦福大學 統計學博士美國斯坦福大學 數量金融學碩士北京大學（C9） 數學學士鄒倚天曾任 PCA Investments、博時基金投資經理巴克萊全球投資公司（Barclays Global Investors）美國斯坦福大學 電子工程系碩士金戈量銳金戈美國對沖基金 Laurion Capital Management LP，任量化交易總監，負責統計套利交易策略開發，管理十億美元中國科學技術大學（C9）生物系學士哥倫比亞大學，金融數學碩士波士頓大學，生物醫學工程博士呈瑞王欣藝曾任美國 CiscoSystem

49、,Inc曾工作于國泰君安和重陽投資浙江大學（C9），University of Nebraska，Cranfield University MBA； 電子信息工程碩士千象馬科超曾就職于瑞銀集團（UBS） 香港某主板上市公司，負責組建美國本土原油、成品油交易團隊美國華盛頓大學 (Washington University in St. Louis) 金融學 碩士陳 斌歷任全球頂尖商業智能軟件公司微策略、大型期貨公司金融工程 部、資管部策略研究負責人上海交通大學（C9）通信與信息系統碩士，曾參與多項國家 863 和自然科學基金項目因諾徐書楠IMC（International Marketmaker

50、s Combinations中信建投證券自營部博普科技 合伙人清華大學（C9）本科，土木工程系第一名麻省理工學院碩士研究生，全額獎學金李爽從事人工智能在動力學模型中的應用研究，以第一作者發表SCI 論文四篇，在人工智能及深度學習領域有深厚造詣。中國科學技術大學 (C9) 工科博士世紀前沿吳敵曾任海外金融機構董事總經理帶領團隊管理自營投資組合中國科技大學（C9）計算機本科香港中文大學 金融工程博士陳家馨曾任海外金融機構董事總經理管理自營投資組合主導投資團隊交易模型研究香港中文大學 量化金融學士聚寬高斯蒙先后就職于微軟亞洲研究院、百度，積累了大量的算法、技術經驗。高中屢獲數學奧賽大獎，大學期間還獲

51、得了 ACM/MCM、CUMCM 等建模大賽的國家 / 國際級獎項。西安交通大學（C9）計算機系凡二郭學文曾任美國咨詢公司 Heidrick & Struggles 合伙人，為跨國公司及大型本土企業提供管理咨詢服務；曾創建中企通訊技術有限公司（任 CEO）清華大學 (C9)，英國東英大學博士赫富蔡覺逸8 年量化交易經驗，曾任職于知名量化對沖基金量化全球資本的交易策略團隊，幫助公司從零建立股票量化交易團隊，并共同管理公司多支產品。北京大學 （C9） 工學院學士， 經濟學雙學位，哥倫比亞大學 金融工程碩士16百億量化核心創始人主要工作背景學歷背景章高馳10 年量化交易經驗。曾任規模 30 億美元的

52、美國對沖基金Laurion Capital Management 的獨立交易員，研究和開發多個市場的量化策略。擅長各類時間尺度的 CTA 模型。北京大學 (C9) 數學科學學院學士申毅申毅超過 20 年全球市場交易經驗，國際量化對沖頂級專家。高盛集團美國股票和 ETF 自營團隊主管；高盛集團歐洲 ETF 部門創建人；世界最大基金巴克萊 I-share 全球主營做市商；世界頂級市場中性對沖基金千禧年量化投資基金經理；交易經驗遍及全球所有大型成熟市場；2004 年起為中國企業提供金融投資咨詢指導。 物理學博士（流體力學）金融碩士（衍生品交易）寬德馮鑫有豐富的量化投資實戰經驗，曾于 SAC, BNP

53、 Paribas, RGN 等美國一流投資機構任基金經理共 15 年之久，現任寬德投資首席風控官。哥倫比亞大學，統計學博士中國科學技術大學（C9）本科張大慶先后在美國對沖基金 SAC Capital、美國對沖基金 IV Capital、博時基金管理有限公司擔任投資經理。2012-2014 年擔任北京信弘天禾資產管理有限公司聯合創始人，并擔任寬谷奧立安科技有限公司投資總監。2014 年 11 月至今，擔任寬德投資管理中心 （有限合伙） 執行事務合伙人， 負責大容量量化策略的開發，資管產品的設計以及運營。哥倫比亞大學 統計學專業徐御之曾獲國家獎學金，最年輕科研創新獎，曾公派加拿大滑鐵盧大學進行高性

54、能計算科研。近 8 年中國金融市場一線量化交易經驗，參與寬德投資的創建，主導研究團隊的建設。中國人民大學（985）數學系加拿大滑鐵盧大學 高性能計算科研盛泉恒元趙忠東擁有二十八年資本市場投資工作經驗；1995 年至 2004 年，任江蘇省創業投資有限公司（現江蘇高科技投資集團）證券投資事業部總經理，管理規模超 10 億元，期間年均復合收益率 23.55%南京大學（C9）EMBA石宏彪擅長大數據挖掘、程序化策略監控，對股票事件驅動策略、場內基金套利、商品套利、國債期貨等品種的投資策略有深入的研究；部分策略研究處于全國領先地位。南京大學（C9） 物理學碩士九章資產陸政哲曾就職于招銀資管衍生品投資部

55、門，從事宏觀研究及海外衍生品投資?，F負責公司產品設計架構與策略研究支持工作。浙江大學（C9）倫敦政治經濟學院進化論王一平進化論資產創始人。有超十年的 A 股港股美股交易經驗，擅長金融工程建模。 曾獲得基金業金牛獎、 英華獎、 金長江獎等榮譽。江西財經大學 金融學碩士寬投嚴宓公司首席執行官，曾就職于中信證券北京總部，是國內最早一批量化基金經理，過往業績年化收益率 20-30%，產品最大周回撤小于 5%。美國密歇根大學安娜堡分校（University of Michigan, Ann Arbor）金融工程碩士。星闊鄧劍先后在國內兩家知名頭部量化私募中擔任基金經理、Alpha 策略投資總監等重要職位

56、，繼承專業的 World Quant 專業的價量體系，累計開發了上千個因子，開創性地使用 AI 進行策略研發，全行業領先 2018 年下半年開始自行組建團隊，融合多因子策略領域 BGI 和 World Quant 體系，獨立搭建高效量化研發平臺。2020 年成立星闊投資，任總經理兼投資總監。北京大學 (C9) 計算數學系博士北京大學 (C9) 基礎數學系本科念空念覺王嘯具有 10 年以上量化策略研發、交易及風控經驗?，F任念空科技董事長首席投研官，主要負責領導團隊投研工作。復旦大學（C9） 物理學博士思勰吳家麒擁有 13 年在中國從事量化投資管理經驗。在創立思勰投資前，曾在券商研究所負責金融工程

57、研究。在此之前，曾在多家私募基金及券商自營工作過。也曾在國內最大的金融數據公司負責過金融數據規劃工作。復旦大學（C9） 數學碩士復旦大學（C9） 數學學士陳磐穎擁有 11 年在中國及美國從事量化投資管理經驗。擅長各類量化策略開發與產品定價模型，在創立思勰投資前曾在德邵集團（D.E.Shaw）期貨量化交易部負責量化策略開發，在此之前曾在美國高盛銀行衍生品分析部門工作。馬里蘭大學 物理學博士北京大學 (C9) 物理學學士17百億量化核心創始人主要工作背景學歷背景展弘陳方府負責投資和研究， 對金融市場宏觀環境及微觀結構有深刻認識，有豐富的量化對沖交易理論研究和實戰經驗，具有 6 年投資經驗。曾擔任穆

58、迪投資者服務公司研究員、英資對沖基金交易員、混沌投資投資經理、振戎集團創新子公司投資總監。具備大規模資金運作能力，取得過優秀業績。中國科學院研究生院信號與信息處理 碩士洛書謝冬歷任高盛量化分析師、法國興業銀行自營交易員和 SAC Capital Advisor 投資經理，擁有超過 10 年的國內外量化投資經驗。2015 年創立洛書投資，擔任總經理及投資總監。復旦大學（C9）物理系巴黎綜合理工大學 應用數學碩士巴黎第六大學工程師學位。李南峰1984 年任中國人民銀行深圳分行辦公室主任；1987 年起先后任深圳國際信托投資有限公司副總經理、總經理、黨委書記、董事長；1984 年至 2003 年兼任

59、國信證券股份有限公司董事長；2009 年任華潤深國投信托有限公司副董事長及華潤深國國投投資管理有限公司總經理；2013 年至 2014 年任四川信托有限公司董事長。四川大學 (985) 政治經濟學專業數據 / 資料來源：金融階根據公開資料整理量化投資涉及計算機編程、數理統計、經濟金融，是三者融合的一個學科。當前量化從業者的學科背景復合，以金融類、理科類、工程類專業居多。除了 29.29% 來自金融工程直接對口專業之外，數學、物理合計達占比到 20.50%，計算機 17.57%，統計 9.21%，傳統的金融學、經濟學、計量經濟學等合計占比為 7.53%。另外一些學科如航空航天、模式識別、情報、智

60、能系統等也有少量分布。圖表 10 量化從業者學科背景分布數學11.01%金融工程28.55%統計8.98%MBA4.89%計算機17.12%物理8.98%其他20.47%學科數量比例學科數量比例學科數量比例學科數量比例數學2711.30%西班牙語10.42%精算10.42%設計10.42%金融工程7029.29%通信10.42%化工10.42%計量經濟學10.42%統計229.21%經濟學62.51%航空航天10.42%財務管理10.42%MBA125.02%電力工程10.42%工商管理20.84%數據10.42%計算機4217.57% 智能系統10.42%化學10.42%數量10.42%物理

61、229.21%機械工程10.42%法律10.42%科學10.42%金融114.60%電子20.84%工程20.84%科技10.42%情報10.42%模式識別20.84%運籌10.42%注：此題目為多選題數據 / 資料來源：問卷調研由于國內金融工程教育發軔較晚，略遲于市場發展速度。同時金融工程作為金融、計算機、統計學復合學科，易造成人才博而不精的情況，市場機構寧可招聘專項學科人才，在校教育達到一定培育深度，再集合到團隊內互為補充。許多機構認為：數理統計、計算機編程在量化投研中重要性甚至強于金融，所以招募專業順序一般為：數學、物理、統計學計算機金融工程。同時據資深量化專業獵頭介紹：同屬金融工程，國

62、內與海外高校相比，市場更青睞于國內高校。這主要源于：國內碩士培育一般為 3 年，海外一般為 1 2 年。同時，國外金融工程主要所學期權定價等較難適應國內市場，也為機構所顧忌。18表 7 美國私募及自營量化招聘要求類目美國私募基金要求美國自營資金招聘要求（prop firms/family office）業績記錄至少 3 年至少一年，因為資本配置和總體風險水平都較低。夏普比率2+3+，夏普指數越高，PnL 分紅越高持有期相對開放，不是所有量化對沖基金都有運行日內交易策略的平臺。會考慮隔夜持有風險，但如果夏普和其他交易指標看好，可以持有一周或更長時間?；爻芬话闵儆?10%資金配置在無杠桿的情況下，

63、對沖基金明顯會分配更多資金給單個策略，同時為了擴大規模，會期望策略擁有更大容量。自營公司配置的現金較少，但杠桿率高得多。數據 / 資料來源：Selby Jennings2021 全球市場量化報告表 8 量化機構面試常見流程及內容輪次內容筆試主要針對初級量化研究員和 IT 開發人員，涉及數理統計基礎知識、奧賽題、智力題和編程技能考察等。初試主要是針對候選人履歷，過往工作和項目經驗展開交流探討和考察，及求職意愿和職業規劃等。復試主要針對候選人的核心技能和重點項目成果，結合應聘崗位所需技能進行深入探討、提問和考察等。終面面試官一般為團隊主管或公司核心成員，除了考察硬性技能以外，還有其它軟性綜合素質考

64、察等。談薪錄用通過終面的候選人一般會在終面的時候或后面安排一個談薪溝通環節，雙方確認之后即可發出 offer（錄用通知）。數據 / 資料來源：金融階192.2 薪酬待遇：15.88% 年薪百萬以上 高薪人才關注領導力薪酬福利是量化從業人員尋找新工作機會的首要誘因，遠遠高于尋找晉升機會或尋找技術大牛團隊，而人才又是量化機構生產力，一個合理的薪酬機制是留住人才、發展人才的充分條件。當前量化機構采取的薪酬結構有固定薪酬和PnL （Profit and Loss， 具體算法詳見第六章第二節名詞解釋）兩種機制。量化從業者薪酬主要集中在 30-100 萬區間，15.88% 的從業者在年薪百萬以上，200

65、萬以上年薪占比為 2.65%。當然這也與機構類型、公司管理規模、城市區域緊密相關，普遍來看外資機構薪酬高于內資，上海地區薪酬高于其他地區，私募機構內部差異巨大。圖表 11 量化從業人員尋找新工作機會的誘因 圖表 12 量化從業人員薪酬分布6.694.883.63.473.412.542.381.690.5薪酬待遇尋找晉升機會尋找技術大牛團隊工作彈性及工作與生活之間的平衡公司文化包容性尋找資金充裕的團隊PnL獎金提成激勵機制當前公司價值感較低，管理層重視度不夠其他15萬以內11.64%15萬-30萬20.63%30萬-50萬24.34%50萬-100萬27.51%100萬-200萬13.23%2

66、00萬以上2.65%注：圖表 11 為排序題，計算方法為：選項平均綜合得分（ 頻數 權值）/ 本題填寫人次數據 / 資料來源：問卷調研表 9 各地理區域薪酬分布薪酬區間廣東上海北京A.15 萬以內11.11%1.89%16.28%B.15 萬 30 萬25%22.64%18.60%C.30 萬 50 萬27.78%22.64%32.56%D.50 萬 100 萬13.89%33.96%20.93%E.100 萬 200 萬13.89%18.87%9.30%F.200 萬以上8.33%0%2.33%注：本次問卷調研受限于問卷設計、樣本數量，出現當前上海 200 萬以上年薪人才為 0% 的情況，不

67、代表市場真實數據。數據 / 資料來源：問卷調研表 10 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）類型北美地區亞太地區公司基礎薪酬總收入基礎薪酬總收入投行 (investment bank)125,000 - 155,000200,000 - 225,00090,000 - 100,000140,000 - 170,000中型對沖基金150,000 - 175,000300,000 - 400,000100,000 - 110,000200,000 - 225,000頂級對沖基金160,000 - 300,000300,000 - 600,000130,000 - 160,000

68、220,000 - 245,00020表 11 賣方量化從業人員基礎薪酬及總收入分布概況（美元）類型北美地區亞太地區Associate125,000 - 160,000185,000 - 260,00085,000 - 95,000135,000 - 145,000Vice President175,000 - 225,000300,000 - 500,000145,000 - 155,000225,000 - 250,000Director /Executive Director240,000 - 300,000550,000 - 700,000215,000 - 250,000325,00

69、0 - 375,000Managing Director300,000 - 500,000700,000 - 1,300,000300,000 - 350,000550,000 - 700,000表 12 買方量化從業人員基礎薪酬及總收入分布概況（美元）類型北美地區亞太地區職位工作年限基礎薪酬總收入基礎薪酬總收入量化研究員2-5 年150,000 - 200,000250,000 - 500,00095,000 - 105,000165,000 - 185,000量化研究員5-10 年175,000 - 250,000400,000 - 750,000170,000 - 180,000250,

70、000 - 275,000資深量化研究員10+ 年250,000 - 350,00075,000 - 1,200,000225,000 - 250,000400,000 - 500,000資深量化研究員10+ 年200,000 - 300,00010 - 20% of PnL200,000 - 250,0005 - 20% of PnL量化交易員150,000 - 200,00030 - 50% of PnL150,000 - 170,00010 - 40% of PnL資料來源：Selby Jennings2021 全球市場量化報告專業量化獵頭分析認為：一般而言，C9 碩士博士應屆畢業生基礎

71、薪酬在 2.5 萬 4 萬元之間，部分機構也會出現薪酬倒掛的現象。在 PnL 方面，目前市場一般為 15%-25%，部分機構能達到 35% 以上，也有合伙人級別能達到 50%，早前市場“5000 萬年終獎”的說法也正來源于此，當事人主要是獨立管理實盤或者 PM 制度的人才，有一套完整獨立的策略投研系統性策略體系，僅需公司提供一些資金和相應的基礎 IT 和數據支持，研究員人才配備也相對獨立核算。目前來看，國內 PnL 水平與美國量化市場齊平，根據獵頭機構 Selby Jennings全球市場量化報告數據顯示：部分交易員和投資組合經理的年終獎金高達 PnL 的 30-50%，自營公司和家族理財可以

72、提供最高的PnL。據其問卷報告，全球量化基金越來越多地考慮設立獨立管理的專戶，以實現業務組合的多樣化。由于這一領域人才的短缺，為了保持領先地位并繼續吸引專業基金經理，許多基金和交易公司不得不重新設計部門結構和薪酬方案。從調研數據上看，200 萬以上年薪量化從業者與普通量化從業者相比，教育背景差異不大，更多是隸屬機構以及行業認知?？傮w上來看，200 萬以上年薪量化從業者畫像為：1、所在機構管理規模都在 10 億以上；2、外資機構比較多；3、精力投入時間主要在組合投資；4、對于市場各項異動感受更強（詳見第二章第三節）；5、對自我提升要求更高，尤其是在軟性技能與領導力方向。21表 13 各薪酬區間量

73、化從業者自我提升專業知識、技能方向大類細類市場總體年薪 100-200 萬年薪 200 萬年薪 200 萬與市場平均差異值硬性技能數學4.884.924.6-0.28外語讀寫3.774.383.2-0.57財務分析4.244.54.40.16計算機基礎4.994.464.8-0.19數據分析4.884.794-0.88多項目并發4.885.045.20.32金融4.534.925.40.87人工智能5.485.584.8-0.68平均分4.704.824.55軟性技能交流溝通4.164.424.20.04學習能力4.64.7950.4適應變化的能力4.734.885.60.87創新能力4.99

74、5.215.60.61執行力4.5154.60.09狀態管理能力4.734.965.40.67耐受力4.524.674.60.08平均分4.61 4.85 5領導力領導變革4.785.085.60.82戰略管理4.695.295.40.71洞察分析4.95.385.40.5全球視野5.025.56.61.58未來策劃4.845.465.40.56平均分4.85 5.34 5.68 總平均分4.714.964.990.28注：此題為量分題，原題為：“您希望提升自己專業知識、技能的方向是 (1 代表無需，7 代表迫切）”數據 / 資料來源：問卷調研222.3 成長發展：九成自學+ 實踐摸索 最關注

75、人工智能數據顯示：90.37% 的量化從業者通過自學 + 實踐摸索獲得量化行業專業前沿知識。一方面可能源于從業者自驅力較強，另外可能一方面源于行業變化迭代速度較快，傳統教育以及系統性組織培訓缺乏。數據同樣顯示：僅有三成的人員獲得公司組織的培訓、團隊領導師徒制學習，可能影響團隊專業長遠發展。而公司文化又位于量化人擇業關注第 5 名，當前量化機構在積極推動組織協同作戰、相互交流。但也有極端情況，策略小組基本不交流，埋頭研究的情況，將會影響招聘。（詳見第三章人才組織）賣方研究成為市場培訓的主力之一，數據顯示有兩成機構接受過券商金融工程團隊和第三方組織的外部培訓，這部分主要是由公募、保險等受賣方覆蓋的

76、團隊。培訓一般以集中式的半天 / 整天培訓為主，包括基礎多因子選股、數據下載、人工智能基礎編程等。圖表 13 量化從業人員獲取專業前沿知識渠道 圖表 14 量化從業人員尋找新工作機會的誘因27.51%90.48%30.16%7.41%22.75%20.11%7.41%公司組織的培訓自學+實踐摸索團隊領導師徒制學習監管機構組織培訓券商金融工程團隊外部培訓第三方組織的培訓其他6.694.883.63.473.412.542.381.690.5薪酬待遇尋找晉升機會尋找技術大牛團隊工作彈性及工作與生活之間的平衡公司文化包容性尋找資金充裕的團隊PnL獎金提成激勵機制當前公司價值感較低，管理層重其他數據

77、/ 資料來源：問卷調研注，本題為排序題，計算方法為：選項平均綜合得分（ 頻數 權值）/ 本題填寫人次數據 / 資料來源：問卷調研專業背景五花八門，較少獲得公司專業培訓，許多人對于當前自己知識、經驗、技能是否能滿足日常工作實踐評分較低，僅為 62.89 分。甚至有 17.11% 的從業者評分在 40 分以下。而接受過公司組織培訓、師徒制學習或外部培訓的個人，評分能達到 67 分以上。同時 80.77% 的從業人員認為專業知識、技能還需提升是量化投資工作中亟待解決的問題。圖表 15 量化從業人員知識、經驗、技能自評分數分布區間 圖表 16 量化投資工作中有亟待解決的問題01210112132372

78、6202005101520253035400-1011-20 21-30 31-40 41-50 51-60 61-70 71-80 81-90 91-10079.89%31.75%33.33%34.39%43.39%24.87%14.81%29.63%13.76%專業知識、技能還需提升工作目標尚需清晰有待建立全面規范的工作制度工作關鍵結果難以量化人員配置不夠、工作內容比較分散、沒個人價值認同有待提升團隊溝通不充分資源未得到統一調用產品之間不一致性數據 / 資料來源：問卷調研 數據 / 資料來源：問卷調研在個人能力模型中，人工智能是量化從業者最為關注的方向之一，其次為全球視野、計算機基礎、創新

79、能力與洞察分析。數據表現出，相對硬性技能，一些軟性技能、綜合素質漸漸受較多關注，尤其是在賣方研究機構體現得更為明顯。23創新能力與耐受力是市場招聘當中比較關注的兩個素質。在量化行業，創新能力主要體現在策略更新、迭代，而耐受力主要體現在能長時間保持專注、研精究微，持續研發，以及策略出現較大回撤時，能頂住領導或客戶的壓力。在買方機構類型上，由于其研究重點方向不盡相似，所以各方機構也會有所不同，在這里面外資機構基金截然相反，創新能力、人工智能、學習能力、數學、全球視野是其最不關注的方向。圖表 17 量化投資人提升的專業知識、技能方向33.544.555.56數學計算機基礎金融人工智能交流溝通外語讀寫

80、財務分析數據分析多項目并發全球視野學習能力適應變化的能力創新能力執行力狀態管理能力耐受力領導變革戰略管理洞察分析未來策劃圖表 18 不同機構類型量化投資人提升的專業知識、技能方向33.544.555.56數學計算機基礎金融人工智能交流溝通外語讀寫財務分析數據分析多項目并發全球視野學習能力適應變化的能力創新能力執行力狀態管理能力耐受力領導變革戰略管理洞察分析未來策劃私募基金公募基金賣方研究所33.544.555.56數學計算機基礎金融人工智能交流溝通外語讀寫財務分析數據分析多項目并發全球視野學習能力適應變化的能力創新能力執行力狀態管理能力耐受力領導變革戰略管理洞察分析未來策劃險資銀行理財子公司外

81、資機構數據 / 資料來源：問卷調研同時，調研組與投資者關系行業進行了鄰近行業比較，以期能夠折射出這個行業更明顯的特征。投資者關系隸屬于上市公司董事會辦公室部門， 主要工作內容代表公司與股東、 機構投資者賣方分析師展開對外溝通，同量化行業近似，是國內新生不久的金融相關行業。對比2021 中國投資者關系白皮書與本報告數據調研顯示：在數據分析、多項目并發、全球視野、創新能力、領導變革方面，量化相比投資者關系從業者有更強的動力做自我提升，而溝通交流、財務分析、學習能力執行力需求則更弱。24表 14 各類型機構量化從業者自我提升專業知識、技能方向選項私募基金公募基金券商自營資管券商研究所銀行理財保險資管

82、量化行業平均投資者關系投資者關系量化差異值數學4.845.115.335.7554.89計算機基礎4.95.15.644.55.254.334.97金融4.613.94.753.564.174.53人工智能5.465.76.075.335.55.335.47交流溝通4.153.24.464.333.754.674.154.66-0.51外語讀寫3.72.84.433.673.55.333.783.750.03財務分析4.243.64.434.174.754.834.244.35-0.11數據分析5.073.34.864.835.754.54.894.380.51多項目并發4.773.95.61

83、4.835.755.334.874.30.57全球視野4.824.65.614.835.565.024.320.7學習能力4.464.95.184.173.753.834.64.7-0.1適應變化的能力4.694.65.254.174.54.674.734.610.12創新能力4.895.25.295.175.55.174.994.420.57執行力4.574.24.793.673.7544.514.61-0.1狀態管理能力4.7255.044.173.7554.744.540.2耐受力4.464.6543.754.834.514.490.02領導變革4.754.255.673.55.334.

84、774.260.51戰略管理4.624.15.185.53.55.174.694.370.32洞察分析4.784.65.294.834.755.674.924.520.4未來策劃4.83.95.215.555.834.854.480.37數據 / 資料來源：問卷調研絕大部分從業者把專注量化放在職業發展方向首位，其次為晉升管理崗，但也會有很多因素驅使從業者離開原有機構，主要原因為：薪酬待遇、晉升機會以及文化包容性。數據顯示：從業人員原工作背景對誘因影響較大，應屆畢業生、和互聯網工作者會比較注重工作彈性，關注工作與生活之間的平衡。而賣方分析師與買方機構出身的量化從業人員則會更“卷”，期待尋找技術大

85、牛，工作彈性位列公司文化包容性、團隊資金充裕度之后。25圖表 19 不同機構類型量化投資人未來職業發展方向 圖表 20 量化從業人尋找新工作的誘因2.181.481.090.520.265.2晉升管理崗位從事金融行業其他相關工作轉崗募資轉做IT工作其他專注量化6.694.883.63.473.412.542.381.690.5薪酬待遇尋找晉升機會尋找技術大牛團隊工作彈性及工作與生活之間的平衡公司文化包容性尋找資金充裕的團隊PnL獎金提成激勵機制當前公司價值感較低，管理層重視度不夠其他注：本題為排序題，評分標準為本項平均綜合得分（ 頻數 權值）/ 本題填寫人次數據 / 資料來源：問卷調研表 15

86、 各職業背景尋找新工作機會的誘因選項應屆畢業生選項分析師選項買方機構選項互聯網薪酬待遇7.51薪酬待遇7.43薪酬待遇5.68薪酬待遇6.17尋找晉升機會5.17尋找晉升機會6.71尋找晉升機會5.32工作彈性及工作與生活之間的平衡3.63工作彈性及工作與生活之間的平衡3.86尋找技術大牛團隊4尋找技術大牛團隊4.06尋找晉升機會3.33尋找技術大牛團隊3.76公司文化包容性3.71公司文化包容性3.62尋找技術大牛團隊3.07公司文化包容性3.43尋找資金充裕的團隊3.29尋找資金充裕的團隊3.32公司文化包容性2.47PnL 獎金提成激勵機制2.51工作彈性及工作與生活之間的平衡2.71工

87、作彈性及工作與生活之間的平衡2.97尋找資金充裕的團隊2.23尋找資金充裕的團隊2.4PnL 獎金提成激勵機制2.43PnL 獎金提成激勵機制2.5PnL 獎金提成激勵機制2.17當前公司價值感較低，管理層重視度不夠2.01當前公司價值感較低，管理層重視度不夠1當前公司價值感較低，管理層重視度不夠1.53當前公司價值感較低，管理層重視度不夠1.43其他 0.24其他 0.14其他 0.74其他 0.6數據 / 資料來源：問卷調研262.4 自我挑戰：超八成專業技能還需提升市場、 因子、策略是三大難題金融市場日新月異，交易工具推陳出新，量化從業者會遇到形形色色的挑戰。從人力資源層面看，數據顯示：

88、專業知識、技能還需提升，是當前量化從業者遇到的最普遍的問題，占比超過八成。其次人員配置不夠、工作內容比較分散、沒有專職化（占比 43.32%），工作關鍵結果難以量化（占比34.76%）、工作目標尚需清晰（占比 32.09%）也是行業共有挑戰。內資各類型機構之間差異較小，但內外資差異較大，最明顯的差距就在于，外資工作制度、人員配置更為完善，個人價值認同也更高。同時，調研組再次與投資者關系行業進行了鄰近行業比較，數據顯示：量化從業者專業知識學習動力非常強，高出投資者關系行業 53.77 個百分點，同時擁有高度的自我認知，在工作目標清晰度、關鍵結果量化、個人價值認同方面都高于投資者關系從業者。另外源

89、于投資者關系隸屬于董辦，公司上市之初即需要提交完善的投資者關系管理工作制度，所以在規范性上高于許多行業，而這也是量化行業相對較弱的地方。在具體投研層面，市場風格輪動過快、因子失效、策略難以生成是量化從業人員遇到的最難的三個問題。而外資也許能代表下一階段量化從業者將面臨的難題，當前外資面臨的挑戰排序為：日常大量工作在于重復代碼，較少想法生成；市場行業風格輪動過快。圖表 21 工作中亟待解決的問題，內外資差異比較80.21%32.09%33.16%34.76%43.32%25.13%14.97%28.88%13.90%1.60%78.16%29.89%32.18%28.74%44.83%20.69

90、%13.79%27.59%16.09%2.30%91.67%25%8.33%41.67%25%16.67%8.33%25%25%8.33%專業知識、技能還需提升工作目標尚需清晰有待建立全面規范的工作制度工作關鍵結果難以量化人員配置不夠、工作內容比較分散、沒有專職化個人價值認同有待提升團隊溝通不充分資源未得到統一調用產品之間不一致性其他外資機構私募全市場數據 / 資料來源：問卷調研27表 16 工作中亟待解決的問題，內外資、IR 差異比較選項全市場私募外資機構投資者關系行業投資者關系量化差異值專業知識、技能還需提升80.21%78.16%91.67%26.44%53.77%工作目標尚需清晰32.

91、09%29.89%25%23.56%8.53%有待建立全面規范的工作制度33.16%32.18%8.33%14.42%18.74%工作關鍵結果難以量化34.76%28.74%41.67%40.87%-6.11%人員配置不夠、工作內容比較分散、沒有專職化43.32%44.83%25%40.38%2.94%個人價值認同有待提升25.13%20.69%16.67%40.87%-15.74%團隊溝通不充分14.97%13.79%8.33%資源未得到統一調用28.88%27.59%25%29.33%-0.45%產品之間不一致性13.90%16.09%25%其他 1.60%2.30%8.33%數據 / 資

92、料來源：問卷調研圖表 22 量化機構投研工作所面臨的挑戰 3.844.24.44.64.8策略算力環境數據算法日常因子市場實盤交易題目選項平均分策略：難以生成具有alpha的想法，資金容量有限4.53算力：算力不足，單個任務運行時間過長4.35環境：缺乏集中的研究平臺，數據庫提取與更新受限，讀寫效率低下4.39數據：數據質量低，更新不及時，非結構化數據需要大量清洗4.53算法：參數不穩定，模型容易發生過擬合，花費大量時間檢查4.47日常：大量工作在于重復代碼，較少想法生成4.24因子：傳統因子失效，難以形成有效策略4.53市場：市場行業/風格輪動過快，難以隨之快速調整4.67實盤：策略轉換實盤

93、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4.28交易：沖擊成本大，手續費侵蝕4.11注：本題為量分題，1-7 分，1 表示無難度，7 代表最有難度數據 / 資料來源：問卷調研表 17 投研工作困難方向，各類型機構排序排序全市場私募基金外資公募基金1市場：市場行業/風格輪動過快，難以隨之快速調整市場：市場行業/風格輪動過快，難以隨之快速調整日常：大量工作在于重復代碼，較少想法生成策略：難以生成具有 Alpha 的想法，資金容量有限2因子：傳統因子失效，難以形成有效策略策略：難以生成具有 Alpha 的想法，資金容量有限市場：市場行業 / 風格輪動過快，難以隨之快速

94、調整市場：市場行業/風格輪動過快，難以隨之快速調整3策略：難以生成具有 Alpha 的想法，資金容量有限因子：傳統因子失效，難以形成有效策略算力：算力不足，單個任務運行時間過長算力：算力不足，單個任務運行時間過長4數據：數據質量低，更新不及時，非結構化數據需要大量清洗算法：參數不穩定，模型容易發生過擬合，花費大量時間檢查環境：缺乏集中的研究平臺，數據庫提取與更新受限，讀寫效率低下算法：參數不穩定，模型容易發生過擬合，花費大量時間檢查5算法：參數不穩定，模型容易發生過擬合，花費大量時間檢查數據 ： 數據質量低， 更新不及時，非結構化數據需要大量清洗算法：參數不穩定，模型容易發生過擬合，花費大量時

95、間檢查因子：傳統因子失效，難以形成有效策略28排序全市場私募基金外資公募基金6環境：缺乏集中的研究平臺，數據庫提取與更新受限，讀寫效率低下實盤：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數據：數據質量低，更新不及時，非結構化數據需要大量清洗實盤：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7算力：算力不足，單個任務運行時間過長日常：大量工作在于重復代碼，較少想法生成實盤：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日常：大量工作在于重復代碼，較少想法生成8實盤：策略轉換實盤

96、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環境：缺乏集中的研究平臺，數據庫提取與更新受限，讀寫效率低下因子：傳統因子失效，難以形成有效策略數據：數據質量低，更新不及時，非結構化數據需要大量清洗9日常：大量工作在于重復代碼，較少想法生成交易：沖擊成本大，手續費侵蝕交易：沖擊成本大，手續費侵蝕環境：缺乏集中的研究平臺，數據庫提取與更新受限，讀寫效率低下10交易：沖擊成本大，手續費侵蝕算力：算力不足，單個任務運行時間過長策略：難以生成具有 Alpha 的想法，資金容量有限交易：沖擊成本大，手續費侵蝕數據 / 資料來源：問卷調研2930圖 4 中美量化發展歷史比較數據 /

97、 資料來源：網絡綜合 制圖：白皮書編寫組313.1 基本情況：市場快速擴大 管理規模到達萬億以史為鑒，可知興替，回顧中美行業量化發展，1969 年美國、2004 年中國分別出現第一支量化基金，中間存在 35 年行業發展時間差，時至 2020-2021 年，國內海外機構已面臨同場競技。表 18 中美量化歷史比較時期美股表現事件A 股表現事件1969-1989 年萌芽期量化基金開始出現1969 年一種科學股票市場系統（即一種股票權證定價模型）推出，第一支量化基金問世。1988 年，美國的文藝復興科技公司轉向量化領域并成立了大獎章基金。史前期1990-2007 年成長期量化基金規模增加，但監管日益嚴

98、格1993 年，股票和債券收益率的常見風險因素這篇論文的出現使得投資者認識到股票超額收益的存在。1999 年引入了 Hedge Fund Disclosure Act 等監管條例，對沖基金等發展被限制。2000 年美國調整了股票價差的最小變化單位（從 16 分之一美元變為一美分0.01），減小交易成本。2006 年左右的 RegNMS 法案的制定使得同一個股票可以在多處交易，套利變得更加容易。萌芽期1990 年，滬深股市先后開市。2004 年，光大保德信、上投摩根先后成立兩只量化基金。2007 年，BGI 成立大中華團隊，用數量模型研究 A 股。2007-2008 年動蕩期量化基金規模發展受限

99、2007年， 發生市場中性基金黑天鵝事件，2008 年，金融危機爆發中被限制賣空。后續出臺的多德弗蘭克法案限制了銀行資本在對沖基金上的投資，量化基金規模因此受抑制。2008 年 2015年成熟期多種新量化模式全面開花2010 年后，各種新的量化策略比如主動量化，宏觀對沖等相繼出現。2013 年，智能 Beta 突破了一千億美元的管理規模。2013 年，橋水基金建立人工智能團隊2017 年，Alpha 狗的誕生，標志著機器人選股時代開啟。初生出現海外量化回國潮，國內私募量化爆發。量化私募以中低頻的股票多因子模型為主。2009年，海外量化人才回國浪潮。嘉實、中海、長盛、富國和華商量化產品相繼發售。

100、2010 年 3 月，融資融券交易系統開通。2010 年 4 月 16 日，中國第一個股指期貨滬深 300 股指期貨 (IF) 掛牌上市，做空機制與杠桿交易啟蒙。2014 年底出現“Alpha 黑天鵝”事件。2011-2015 年，私募量化爆發，2011 年，金锝資產；2012 年，九坤投資；2013 年，銳天投資；2014 年，靈均投資、明汯投資；2015 年，九章資產相繼成立。2015-成長市場規模急劇增加，多種新量化模式興起，機構開始精細化挖掘 Alpha、嚴格控制風險，形成了以股票策略為主，CTA、 宏觀、套利策略為輔的市場格局。2015 年 4 月中金所相繼推出上證 50 股指期貨

101、(IH)、中證 500 股指期貨 (IC)，對沖工具更加豐富。2015 年中股災爆發，股指期貨被限制手數同時提高了保證金，加上此后股指期貨由升水轉為貼水狀態，高達 30%-50% 的年化貼水導致對沖成本明顯增加。平倉手續費較股災前提高 100 倍。2016 年，嘉實基金成立了人工智能投資研究中心。2019 年 6 月 25 日，證監會發布了公募基金轉融通業務指引，8 月 12 日又把兩融標的擴充到了 1600 支 .2020 年，量化私募異軍突起，規模突破6999 億。2021Q4，市場估算量化私募突破 1.6 萬億。數據 / 資料來源：“飯統戴老板” 量化投資發展史：野蠻、亂象、科學華泰研究

102、國內量化私募發展及業績歸因2021.10.332從 2015 年至今，私募量化 2021 年迎來了大幅提升，主要體現在三個提升：1、市場總體規模增大，交易量占比提升；2、市場主體增多，行業集中度提升；3、量化多種策略開花，關鍵能力提升；4、管理能力提升，從粗放到精益發展。3.1.1 市場總體規模增大，交易量占比提升據朝陽永續數據，市場已發行量化產品機構數量 645 家，在整個私募機構中占比 7.79%，同時據中信證券金融工程團隊測算，截至 2021 年 Q4，證券類私募中，量化產品規模接近 16100 億、占私募證券類產品規模24.8%。 百億以上量化私募管理人的合計規模估算約 4800 億。

103、 公募量化基金約2941億， 指數型基金規模約1.3萬億。圖表 23 股票策略私募證券產品 / 私募產品規模占比（估算）59.41%55.17%51.98%51.39%3.27%6.65%12.57%17.30%0.00%10.00%20.00%30.00%40.00%50.00%60.00%70.00%80.00%2018年底2019年底2020年底2021年底主觀量化數據 / 資料來源：wind 中信研究圖表 24 2018Q4 以來私募管理人管理規模持續擴張（估算）33圖表 25 量化型基金規模以及在權益型公募基金中的占比 圖表 26 指數型基金規模以及在權益型公募基金中的占比數據 /

104、資料來源：wind 中信研究同時 2021 年，據麗海弘金科技有限公司（金證股份平臺子公司）副總經理張紅慶路演中發表數據：金證股份機構柜臺單日承載 1000 多個億的量化交易量，加上其他供應商 1000 多個億的交易量，以及部分通過集中柜臺加量化交易網關方式接入的中低頻量化交易。單日量化交易量最多 3000 億左右，占整個市場規模約 30%。3.1.2 市場主體增多，行業集中度提升朝陽永續數據顯示：近幾年國內私募基金規模和數量穩步增長，全市場共有 29485 私募家機構，發行314358 個私募產品，存續中的產品為 189512 只，其中量化存續產品為 15763 只。在行業集中度方面，大型量

105、化機構管理人在品牌、投資經驗、投資體系、團隊建設等方面均走在行業前列，受到越來越多的投資者青睞。 2021年量化私募突破萬億規模， 百億量化私募一躍達到30家， 半數為2021年新增，合計規模估算約 4800 億，在整個私募資管規模中占比約為 33.57%，相比 2020 年，集中度有所提升，但相比私募管理人行業整體集中度尚有提升空間。截至 2020 年末，規模前 10 名的私募證券基金管理機構占行業總規模比例為 23.46%，規模前 20 名的機構占行業總規模的 34.16%；規模前 100 名的機構占行業總規模 57.28%；規模前 250 名的機構占行業總規模的 72.89%；規模前 5

106、00 的機構占行業總規模的 83.72%。圖表 27 2020 年第四季度私募證券行業集中度23.46%34.16%57.28%72.89%83.72%0.00%10.00%20.00%30.00%40.00%50.00%60.00%70.00%80.00%90.00%前10名前25名前100名前250名前500名數據 / 資料來源：中國私募證券投資基金行業發展報告2021，中國證券投資基金業協會34截至 2020 年，已在協會登記私募證券基金管理人中：管理規模 100 億元以上的 72 家，數量占比為 0.81%；規模 22337.37 億元，規模占比為 51.71%。管理規模 50 億 1

107、00 億元的 76 家，數量占比為 0.85%；規模 5317.76 億元，規模占比為 12.31%。管理規模 20 億 50 億元的 204 家，數量占比 2.29%；規模 5235.76 億元，規模占比為 14.44%。管理規模 10-20 億元的 217 家，數量占比 2.44%；規模 3203.29 億元，規模占比為 7.00%。管理規模 1-10 億元的 1604 家，數量占比 18.01%；規模 4979.64 億元，規模占比為 11.53%。管理規模 1 億元以下的 6735 家，數量占比 75.61%；規模 1299.28 億元，規模占比為 3.01%。圖表 28 2020年末

108、私募證券基金管理人數量分布 圖表 29 2020年末私募證券基金管理人規模分布（按管理資產規模區間統計）100億元以上1%50億-100億元1%20億-50億元10-20億元2%1-10億元18%1億元以下76%100億元以上53%50億-100億元12%20億-50億元12%10-20億元8%1-10億元12%1億元以下3%數據 / 資料來源：中國私募證券投資基金行業發展報告2021，中國證券投資基金業協會3.1.3 關鍵能力提升量化多種策略開花對比 2021 年與 2022 年市場量化私募策略分布可以看到，現有市場已形成了中性、指增、CTA、量化選股、多空策略、套利等多種類型全面開花的情況

109、，而且均在 2021 年取得了不俗的業績表現。圖表 30 按策略類型劃分，私募量化管理規模分布（2021 年 -2022 年對比）數據說明：當前各機構對量化定義相差較大，直接影響統計口徑及結果數據 / 資料來源：中國證券投資基金業協會，中信證券研究部估算35表 19 2019-2021 年各類策略收益情況比較策略類型2021 年2020 年2019 年產品數 收益率（%） 回撤（%） 夏普率 產品數 收益率 （%） 回撤（%） 夏普率 產品數 收益率 （%）回撤（%）夏普率股票策略1114113.16%20.29%0.43 799336.73%16.88%1.38 563731.18%14.9

110、0%1.46 市場中性5828.76%8.59%1.06 45816.44%6.30%2.02 29714.01%5.92%1.70 管理期貨148314.81%15.06%0.70 104538.84%10.84%2.06 69017.22%10.55%1.28 CTA 趨勢52814.08%16.88%0.63 35040.42%11.93%2.02 23017.70%11.97%1.24 CTA套利12415.95%11.80%1.19 6739.56%8.38%2.44 4414.57%7.47%1.90 宏觀策略29813.23%16.71%0.49 24941.54%15.65%1

111、.59 22121.11%14.12%1.05 債券策略64019.49%6.10%2.81 52810.12%5.88%2.03 33711.89%4.39%3.08 多策略142015.40%14.66%0.85 96925.03%13.36%1.43 63823.14%11.78%1.49 私募fof6539.49%9.48%0.80 41823.11%7.11%2.00 31115.95%6.90%1.60 指數增強300292.67%16.40%0.04 1544.57%13.38%1.99 1229.71%12.24%1.83 指數增強50014125.26%11.17%1.40

112、6043.33%12.73%1.67 3141.68%13.78%2.02 指數增強10002429.50%13.28%1.51 753.75%11.70%2.11 551.91%13.75%2.32 私募整體1710713.32%17.60%0.65 1229733.30%14.60%1.52 866526.87%12.98%1.53 公募偏股型16648.12%20.52%0.27 103258.39%17.02%2.26 76945.03%13.18%2.18 公募偏債型6085.86%4.28%0.95 30014.49%4.51%1.99 25111.30%3.00%2.16 注：1

113、、以上產品統計范圍為產品已在協會備案，且產品狀態為存續中的產品。2、產品統計年份為在朝陽永續披露的最新凈值日期在 15 天內為準。3、指數增強類策略中增強 300、500、1000 分別為發行資料文本中，含滬深、中證 500 、中證 1000 的產品。數據 / 資料來源：朝陽永續在公募基金方面，根據中信研究測算，2021 年期間，指數增強基金規模從 1136.4 億增長至 1639.2 億；類指數增強基金規模從 199.9 億增長至 297 億；量化選股基金規模從 593.2 億下降至 551.8 億；量化對沖基金規模從 570.3 下降至 452.6 億。公募量化基金內部，指數增強基金占比

114、55.5%、量化對沖基金占比 15.4%、量化選股基金占比 18.8%、類指數增強基金占比 10.1%。圖表 31 2021Q4 公募量化策略類型分布（按管理資產規模區間統計）資料數據來源：wind，中信證券研究部；注：類指數增強策略的篩選標準包括：最近 3 年該基金和特定股票指數之間的年化跟蹤誤差小于 10%；最近 4 個季度披露的股票倉位均在 85% 以上。36圖表 32 2021Q4 公募量化基金的管理規模與策略類型分布（單位：億）數據 / 資料來源：wind，中信證券研究部在私募部分，策略類型則更為分散及多元，更精細化地挖掘 Alpha、嚴格控制風險，形成了以指數增強、市場中性為主，其

115、他策略為輔，三分天下的市場格局，其中指增占比為 39%，中性占比為 33%。另外還有套利、管理期貨、宏觀對沖等策略各占比 10% 以下。（策略分析詳見第三章第三節）3.1.4 管理精細化提升，從粗放到精益發展2021 年量化選股策略表現強勁，9 月前量化選股策略收益表現最佳，在四季度量化選股策略因市場分化加劇、市場規模擴張出現策略擁擠，尤其是頭部機構表現低于市場預期，平均超額收益出現了近三年以來最大的回撤水平。有量化參與者認為：結合整個 A 股市場機構化進程，市場有效性增加，量化產品收益率下降，波動率上升。在此類似 VUCA（volatility 易變性、uncertainty 不確定性、co

116、mplexity 復雜性、ambiguity 模糊性）環境中，許多固有的定式、慣性和運行系統都遭到沖擊。有機構認為，市場市場機構并不恒定，隨著肩部機構收益率大大超越頭部機構，不排除有機構跌出或補進百億規模俱樂部的存在。隨著量化市場成熟度提升，行業競爭加劇，個體機構經歷從粗獷型發展向精益型發展。在股權架構、投研方式、組織架構、投資策略上都會進行多方面探索，以期在資產管理規模、收益、穩定性之間獲得動態平衡。尤其是在人事管理方面，除了通過大量人才搶奪，機構還面臨通過組織結構優化進行更好的人才管理，以提升策略研發效率、深度，以及組別、策略間信息流動，更好激發創新。（詳見第三章第三節）資產管理規模高收益

117、低波動2021 年度中國量化投資白皮書37如在股權結構方面，除了基礎薪資、PnL 的方式激勵員工，也會有機構采用股權的方式留住核心人才。私募排排網對百億級量化私募的股權情況進行了梳理，大致情況分為以下幾類：類別 1：單個核心人員持股 100%，如佳期投資、金戈量銳。類別 2：單個核心人員持股超 50%，如因諾投資、星闊投資、衍復投資、聚寬投資、明汯投資、寬投資產、天演資本、盛泉恒元、進化論資產、鳴石投資、凡二投資、 誠奇資產、申毅投資。類別 3：多個核心人員持股比例一致，如九坤投資、赫富投資、千象資產、世紀前沿。 類別 4：核心人員持股均不足 50%，如啟林投資、呈瑞投資、靈均投資、思勰投資、

118、幻方、九章資產。類別 5：核心人員無公司股份，如黑翼資產、金锝資產、佳期投資（由季強一人持股、基金經理吳霄霄并未持有公司股份）。表 20 國內部分量化私募機構股權結構序號機構名稱公司實控人前三大股東及持股比例（%）1佳期投資季強季強（100%）2金戈星銳金戈金戈（100%）3因諾資產徐書楠徐書楠（75.03%）、徐望（24.97%）4銳天投資徐曉波徐曉波（80.15%）、梁思毓（6.84%）、胡重陽（2.36%）5星闊投資鄧劍、王漪清鄧劍（80%）、王漪清（20%）6衍復投資高亢高亢（92%）、胡雪龍（6%）、顧王琴（2%）7聚寬投資高斯蒙高斯蒙（52.06%）、李彥宏（29.85%）、李云龍

119、（3.54%）8裘慧明裘慧明（51%）、解環宇（49%）9寬投資產錢成錢成（77.78%）、胡輝（11.11%）、嚴宓（11.11%）10天演資本謝曉陽謝曉陽（80%）、張森（20%）11盛泉恒元趙忠東趙忠東（50.55%）、眭曉（11.23%）、袁春燕（9.47%）12進化論資產王一平王一平（90%）、李靖（10%）13鳴石投資李碩袁宇（61.62%）、王洋（10%）、李碩（8.5%）14凡二投資郭學文郭學文（91.49%）、陳小英（7.51%）、魏振宇（1%）15誠奇資產何文奇何文奇（50.5%）、張萬成（40%）、劉晶（9.5%）16申毅投資申毅申毅（60%）、朱文忠（40%）17九坤投

120、資王琛、姚齊聰王?。?5.88%）、姚齊聰（45.88%）、樊彬（3.5%）18赫富投資蔡覺逸、董常蔡覺逸（40%）、董常（40%）、章高馳（20%）19千象資產馬科超馬科超（42.9%）、陳斌（42.9%）、鹿玨嗣（4.2%）20世紀前沿吳敵吳敵（50%）、陳家馨（50%）21啟林投資王鴻勇王鴻勇（34.11%）、董成（28.11%）、沈顯兵（20.11%）22呈瑞投資浙江永利實業集團有限公司周永利（47.24%）、周清（25%）、王欣藝（20%）23靈均投資蔡建良馬志宇（49%）、朱正平（29%）、蔡建良（21%）24思勰投資陳磐穎李蘇蘇（41.77%）、陳光夢（23.35%）、吳家麒（2

121、3.35%）25寧波幻方量化梁文鋒梁文鋒（70.44%）、徐進（10.2%）、鄭達韡（9.69%）26九章資產梁文鐸梁文鐸（85%）、鄭達薛（7.5%）、徐進（7.5%）27黑翼資產鄒倚天、陳澤浩劉萍（50%）、劉燕麗（50%）28金锝資產金宜惠金宜惠（49.1%）、謝紅（25.9%）、王立峰（9%）數據 / 資料來源：私募排排網明汯投資383.2 量化策略：百花齊放 降頻及多元化同步開進量化相關的研究方向幾乎覆蓋了投資決策全流程，不同量化策略之間并沒有明確的邊界，對于量化的定義以及范疇，各個機構認知會不同。如某機構認為自身雖然以量化對沖策略起家，單現在策略以大宗套利為主，不算量化，與市場認知

122、相悖。本報告主要參考華泰證券的量化分類方法以及根據中國證券基金業協會 2021 年要求私募基金報送的量化私募基金運行報表進行分類：表 21 量化策略及其釋義策略名詞策略定義指數增強策略指構建與對標指數具有相似特征持倉結構，通過主動管理創造相對于指數獲取超額收益的策略。市場中性策略指同時構建多頭和空頭頭寸以對沖市場風險的策略；多空靈活策略指根據市場情況靈活調整多頭和空頭比例的策略量化多頭策略指通過上市公司財務數據、 宏觀經濟等基本面， 或者波動、 成交量、 換手率等技術指標， 靈活選股并進行投資決策的策略。期貨 CTA 策略指在期貨市場使用，依據模型的買賣信號進行投資決策的策略。參與新股發行策略

123、指利用持有股票，參與新股首次公開發行的投資策略。量化套利策略指利用一個或多個市場存在的價格差異，或市場價格與理論價格存在差異獲利的策略。日內回轉策略指日內回轉交易，獲取日內波動價差的策略。來源：中國證券基金業協會量化私募基金運行報表中觀輪動微觀選股宏觀配置 大類資產配置 股債輪動 美林時鐘 全天候策略 宏觀因子模型 量化擇時 行業輪動 風格輪動 CTA趨勢策略 多因子選股 基本面選股 事件驅動選股套利策略 股指期貨套利 商品期貨套利 期權套利 無風險套利決策流程自上而下，策略容量由大到小，收益來源由beta到alpha數據資料來源：量化投資概述與策略巡禮華泰證券金融工程團隊 2019 年 8

124、月 23 日本次調研數據顯示：當前機構都是以多策略為主，總體而言，量化套利、市場中性、指數增強、量化多頭、高頻策略是當前排名前五的主流策略。分機構類型方面：私募基金排名前 3 應用范圍最廣的策略為：量化多頭策略、量化套利策略、高頻策略。公募基金排名前 3 應用范圍最廣的策略為：量化多頭策略、指數增強策略、市場中性策略。外資機構排名前 3 應用范圍最廣的策略為：量化套利、指數增強、市場中性。39圖表 33 量化機構策略分布日內回轉7.78%市場中性11.98%高頻9.88%量化套利12.87%資金管理8.38%指數增強11.23%多空靈活6.89%量化多頭12.13%期貨CTA9.13%參與新股

125、發行4.94%其他1.65%未選3.14%數據 / 資料來源：問卷調研表 22 各類型機構策略分布策略私募基金公募基金券商自營資管券商研究所銀行理財保險資管外資機構私募公募差異值內資外資差異值私募其他內資機構日內回轉策略26.44%10%42.86%0%50%16.67%41.67%16%-14%-3%市場中性策略35.63%60%64.29%16.67%25%66.67%58.33%-24%-15%-18%高頻策略36.78%30%39.29%0%25%16.67%41.67%7%-8%7%量化套利策略41.38%50%60.71%0%25%66.67%66.67%-9%-22%-9%資金管

126、理策略19.54%40%42.86%16.67%25%50%41.67%-20%-15%-17%指數增強策略32.18%70%57.14%16.67%25%83.33%58.33%-38%-17%-22%多空靈活策略22.99%20%32.14%16.67%0%33.33%41.67%3%-18%-1%量化多頭策略42.53%70%57.14%16.67%0%66.67%41.67%-27%4%-7%期貨 CTA 策略27.59%30%50%33.33%50%0%25%-2%7%-8%參與新股發行策略8.05%0.439.29%16.67%0%50%25%-32%-7%-25%數據 / 資料來

127、源：問卷調研這與中信證券研究部數據存在較大差異，主要原因推測為：1、中信研究涉及管理規模分布；2、樣本量或策略定義差異。40圖表 34 私募量化策略類型劃分（按管理規模）分布指數增強39%市場中性33%量化多策略4%宏觀對沖4%套利策略3%管理期貨9%股票多空和量化選股8%數據 / 資料來源：wind，中信證券研究部在不同的規模階段，各機構的實踐不盡相同，普遍而言機構規模越大，涉及的策略類型越多。5 千萬以下的機構各類策略較為分散，各類策略機構使用率普遍在 30% 以下，使用套利、中性、CTA、指數增強最多，而百億以上則是多種類型多點發力，包括市場中性、高頻、套利、指數增強、多空靈活，使用率均

128、超過 50%。圖表 35 不同管理規模策略分布選項日內回轉策略市場中性策略高頻策略量化套利策略資金管理策略指數增強策略多空靈活策略量化多頭策略期貨 CTA策略參與新股發行策略其他 5 千萬以下21.43%25%14.29%28.57%17.86%25%17.86%32.14%28.57%7.14%7.14%5 千萬 1 億26.32%36.84%21.05%31.58%26.32%42.11%15.79%57.89%21.05%15.79%0%1-10 億17.95%30.77%35.90%46.15%15.38%23.08%7.69%25.64%35.90%0%7.69%10-50 億39.

129、29%50%53.57%50%39.29%42.86%25%39.29%46.43%10.71%7.14%50 億 100 億48%52%56%60%44%44%44%36%28%20%4%100 億 300 億15.38%61.54%53.85%69.23%23.08%53.85%53.85%69.23%30.77%15.38%7.69%300 億以上25.71%54.29%22.86%42.86%42.86%60%28.57%60%31.43%51.43%5.71%數據 / 資料來源：問卷調研從收益來看，朝陽永續數據顯示，2021 年頭部機構在各類量化策略上表現均不及肩部機構，如在量化選股

130、方面，100 億以上市場均值年化收益為 7.76%，而肩部機構能達到 19.61%。41表 23 各策略分規模收益情況策略類型規模區間今年以來收益率（%）近三年收益率（%）平均值前 1/4中位數后 1/4平均值前 1/4中位數后 1/4股票策略100 億以上7.08%33.51%3.96%-13.45%124.46%211.68%111.32%66.54%50100 億17.77%52.86%10.95%-7.90%141.79%276.30%107.49%56.57%2050 億14.29%46.02%8.99%-8.09%113.78%234.12%97.01%21.41%1020 億12

131、.85%43.18%9.06%-11.03%109.53%219.81%95.78%26.01%510 億15.05%64.00%6.50%-19.31%125.70%285.54%99.39%20.77%05 億11.22%52.37%5.33%-19.22%88.46%209.74%66.09%6.93%全部11.59%48.34%6.40%-15.83%106.70%227.07%88.92%19.46%市場中性100 億以上2.76%13.33%-0.69%-4.78%36.17%56.44%34.17%21.14%50100 億22.96%77.34%7.68%0.78%74.15%

132、176.31%46.92%23.74%2050 億9.02%32.23%4.78%-6.86%49.28%114.90%32.21%14.90%1020 億10.40%29.22%8.32%-5.12%36.82%79.67%29.25%12.33%510 億9.20%26.69%8.07%-4.71%50.75%133.84%34.96%2.47%05 億7.97%31.74%6.44%-11.83%33.96%93.20%21.46%-2.10%全部7.62%27.96%5.14%-7.42%40.30%86.29%30.04%11.24%管理期貨100 億以上14.16%34.61%10

133、.56%0.34%90.33%204.53%59.62%30.91%50100 億18.28%46.12%14.46%-0.57%244.46%751.68%113.35%27.24%2050 億10.85%40.40%5.96%-7.81%70.99%168.12%48.98%9.40%1020 億10.76%35.90%6.76%-7.42%87.33%215.58%57.64%17.87%510 億14.71%50.04%6.50%-5.75%109.36%263.09%75.25%26.93%05 億15.97%64.73%6.67%-16.16%93.08%268.29%50.38%

134、-3.34%全部14.56%54.04%7.20%-11.54%99.32%269.96%57.19%7.08%CTA 趨勢100 億以上15.65%43.06%10.52%-1.02%87.69%214.86%55.76%22.79%50100 億24.08%63.83%21.78%2.88%466.22%761.44%391.33%25.97%2050 億7.09%33.55%1.07%-10.33%58.28%152.90%47.41%-14.58%1020 億8.49%30.44%4.61%-7.52%92.33%271.97%53.74%9.03%510 億12.02%38.90%6

135、.50%-4.79%87.22%183.52%66.82%23.17%05 億16.63%67.24%7.29%-17.72%104.94%317.19%53.34%-6.04%全部13.97%53.75%6.57%-12.81%102.45%294.72%52.74%2.36%CTA 套利100 億以上14.50%22.37%21.09%0.84%104.79%130.23%125.98%36.95%50100 億1.24%1.24%1.24%1.24%13.83%13.83%13.83%13.83%2050 億19.63%71.10%8.80%-6.39%194.77%194.77%194

136、.77%194.77%1020 億6.31%22.76%5.51%-11.52%-0.13%-0.13%-0.13%-0.13%510 億9.42%29.89%6.85%-5.86%42.74%42.74%42.74%42.74%05 億17.12%62.97%11.27%-15.83%164.54%566.04%53.45%-6.19%全部14.95%53.31%9.40%-12.53%133.36%434.23%53.37%-8.39%42策略類型規模區間今年以來收益率（%）近三年收益率（%）平均值前 1/4中位數后 1/4平均值前 1/4中位數后 1/4宏觀策略100 億以上8.80%1

137、9.74%8.64%-1.32%82.34%120.44%78.54%50.43%50100 億21.34%66.64%0.02%-7.33%117.35%264.11%58.93%41.93%2050 億15.54%52.99%10.24%-16.01%129.17%378.94%83.35%-12.53%1020 億12.67%50.64%8.71%-13.63%66.31%103.96%67.89%30.32%510 億-0.22%15.75%3.87%-21.88%62.77%127.71%56.92%8.96%05 億11.30%51.70%5.69%-19.40%72.20%191

138、.13%45.48%-10.07%全部11.57%46.50%6.85%-14.76%86.00%195.17%71.34%12.39%債券策略100 億以上7.89%20.98%5.60%0.63%40.64%97.19%24.42%10.05%50100 億30.36%108.72%8.31%-5.57%42.45%138.80%22.15%-12.55%2050 億15.54%46.90%8.82%-6.13%29.39%86.30%20.31%-16.85%1020 億18.69%52.11%8.37%-0.36%23.66%49.01%23.20%-7.10%510 億20.86%6

139、1.69%13.18%-4.47%24.57%87.13%22.11%-41.62%05 億15.74%41.35%11.97%-3.34%43.80%105.09%34.36%2.03%全部16.86%50.36%8.65%-3.30%35.37%95.75%25.24%-8.61%多策略100 億以上8.68%23.76%8.77%-6.29%73.35%138.09%66.48%21.22%50100 億18.50%61.18%7.98%-3.38%78.48%128.61%70.72%39.28%2050 億18.31%58.15%10.95%-6.47%88.76%183.18%79

140、.16%18.19%1020 億21.03%59.69%10.58%-3.55%110.94%253.25%88.02%14.70%510 億13.01%37.38%9.09%-6.89%88.89%234.14%43.70%6.17%05 億13.89%56.33%6.80%-15.02%77.43%209.30%52.35%-2.48%全部14.30%51.49%8.34%-11.52%80.92%201.84%59.13%3.26%私募FOF100 億以上0.93%13.62%-3.13%-6.83%64.41%93.73%65.13%34.78%50100 億5.15%16.99%4.

141、88%-4.55%54.69%86.21%48.80%22.09%2050 億10.97%30.82%7.13%-2.17%68.80%155.40%51.47%21.25%1020 億8.97%24.82%7.50%-4.00%43.81%69.81%39.75%17.73%510 億7.07%21.97%5.39%-4.13%52.24%101.05%43.40%10.92%05 億9.41%31.45%5.22%-5.67%51.14%111.63%41.19%9.71%全部7.60%26.43%4.86%-5.95%58.48%112.85%53.60%17.67%指數增強 30010

142、0 億以上12.35%22.51%13.83%0.49%137.19%201.63%131.38%95.57%50100 億2.94%10.62%-0.50%-2.10%104.70%133.64%2050 億-12.59%-12.59%-12.59%-12.59%36.77%36.77%36.77%36.77%1020 億1.34%8.01%-0.79%-1.07%510 億1.30%1.30%1.30%1.30%05 億0.10%14.00%0.07%-14.74%62.08%55.09%全部2.56%15.66%1.05%-11.83%96.91%158.97%105.05%33.21%

143、指數增強 500100 億以上27.07%40.23%25.45%15.96%189.73%223.43%194.91%148.44%50100 億30.05%49.87%27.89%14.89%146.40%159.81%2050 億27.15%38.05%29.70%7.84%161.57%161.97%43策略類型規模區間今年以來收益率（%）近三年收益率（%）平均值前 1/4中位數后 1/4平均值前 1/4中位數后 1/4指數增強 5001020 億23.88%41.27%23.38%11.00%510 億30.99%41.37%33.34%11.10%05 億19.60%39.29%2

144、2.79%-2.30%82.97%158.07%94.82%9.56%全部25.37%40.92%25.51%9.59%157.67%217.21%165.33%75.57%數據資料來源：朝陽永續表 24 各策略分規模夏普率情況策略類型規模區間今年以來夏普率近三年夏普率平均值前 1/4中位數后 1/4平均值前 1/4中位數后 1/4股票策略100 億以上0.27 1.53 0.12 -0.70 2.08 4.33 1.59 0.92 50100 億0.78 2.33 0.64 -0.51 2.05 2.67 1.98 1.50 2050 億0.55 1.84 0.43 -0.53 3.01 9

145、.52 1.55 0.36 1020 億0.47 1.65 0.40 -0.54 2.01 2.81 2.37 0.91 510 億0.51 2.36 0.29 -0.98 2.15 4.16 1.97 0.45 05 億0.30 1.78 0.18 -0.99 1.05 2.78 0.84 -0.11 全部0.38 1.81 0.23 -0.83 1.01 1.83 1.03 0.18 市場中性100 億以上0.31 1.99 -0.27 -0.76 1.61 3.31 1.22 0.39 50100 億1.93 5.79 0.88 -0.11 1.87 2.77 1.70 1.14 205

146、0 億0.72 2.63 0.53 -0.69 1.24 2.32 1.14 0.37 1020 億1.84 4.69 1.44 -0.46 1.73 3.59 1.76 0.25 510 億1.69 4.82 1.30 -0.73 1.75 4.19 1.52 0.00 05 億0.89 3.46 0.56 -1.02 0.79 1.99 0.66 -0.10 全部0.91 3.36 0.50 -0.82 1.39 3.11 1.07 0.16 管理期貨100 億以上0.95 2.03 0.80 0.04 1.52 2.32 1.75 0.61 50100 億1.69 4.88 1.13 -

147、0.10 3.24 3.12 2050 億0.71 2.77 0.29 -0.53 1.39 4.30 0.90 -0.36 1020 億0.66 2.30 0.49 -0.60 1.33 2.68 1.30 0.12 510 億0.77 2.75 0.54 -0.76 2.10 4.24 1.56 0.56 05 億0.56 2.52 0.39 -1.04 0.79 1.90 0.68 -0.10 全部0.69 2.63 0.47 -0.82 1.20 2.53 1.07 0.09 CTA 趨勢100 億以上0.93 2.10 0.76 -0.06 1.52 2.32 1.75 0.61 5

148、0100 億1.78 4.83 1.19 0.07 3.24 3.12 2050 億0.48 2.32 -0.01 -0.61 1.39 4.30 0.90 -0.36 1020 億0.81 2.94 0.56 -0.67 1.33 2.68 1.30 0.12 510 億0.85 2.81 0.50 -0.51 2.10 4.24 1.56 0.56 05 億0.51 2.34 0.39 -1.04 0.79 1.90 0.68 -0.10 全部0.64 2.50 0.43 -0.80 1.21 2.86 0.98 -0.01 44策略類型規模區間今年以來夏普率近三年夏普率平均值前 1/4中

149、位數后 1/4平均值前 1/4中位數后 1/4CTA 套利100 億以上1.58 2.65 2.37 -0.11 2.84 3.56 3.29 1.21 50100 億-0.07 -0.07 -0.07 -0.07 0.92 0.92 0.92 0.92 2050 億0.77 2.24 1.21 -0.98 1.72 1.72 1.72 1.72 1020 億0.97 3.50 0.56 -0.69 0.77 0.77 0.77 0.77 510 億0.59 2.46 0.58 -1.34 1.07 1.07 1.07 1.07 05 億1.24 3.81 0.76 -0.64 1.35 2.

150、98 1.31 0.05 全部1.09 3.41 0.72 -0.73 1.53 3.34 1.33 0.06 宏觀策略100 億以上0.43 0.94 0.43 -0.06 50100 億0.92 2.71 -0.06 -0.36 2050 億0.41 1.62 0.53 -1.19 1020 億0.42 1.70 0.37 -0.67 -0.78 -0.78 510 億0.13 1.32 0.11 -0.81 05 億0.43 1.86 0.30 -0.84 全部0.43 1.73 0.37 -0.72 0.91 1.75 0.93 0.10 債券策略100 億以上1.62 6.30 1.

151、22 -2.56 6.46 6.46 50100 億3.41 9.06 2.16 0.10 2050 億2.50 6.74 1.85 -0.77 1.02 1.02 1020 億2.35 6.51 1.78 -0.78 2.17 2.17 510 億3.23 8.12 2.65 -0.15 2.75 1.86 05 億1.81 5.44 1.66 -1.59 1.44 3.05 1.26 0.23 全部2.34 6.73 1.79 -1.15 1.99 5.45 1.42 -0.41 多策略100 億以上0.61 1.95 0.55 -0.67 50100 億0.82 2.25 0.53 -0

152、.34 2050 億0.79 2.57 0.68 -0.85 1.23 1.23 1020 億1.77 5.54 0.94 -0.33 9.07 8.81 510 億1.22 3.62 0.83 -0.48 05 億0.61 2.66 0.36 -0.96 0.90 1.27 0.90 0.54 全部0.78 2.88 0.54 -0.83 1.11 2.43 0.95 0.03 私募FOF100 億以上0.18 1.56 -0.28 -0.51 1.75 1.97 1.89 1.23 50100 億0.78 2.38 0.61 -0.37 2050 億1.01 2.26 1.00 -0.16

153、 1.52 1.52 1020 億0.95 2.47 0.72 -0.36 1.41 1.54 510 億0.72 2.71 0.41 -0.76 1.38 1.38 05 億0.59 2.08 0.37 -0.59 1.32 1.94 1.33 0.62 全部0.65 2.19 0.46 -0.53 1.27 2.12 1.17 0.53 45策略類型規模區間今年以來夏普率近三年夏普率平均值前 1/4中位數后 1/4平均值前 1/4中位數后 1/4指數增強 300100 億以上0.55 1.07 0.56 -0.06 1.59 1.93 1.55 1.23 50100 億0.08 0.53

154、-0.11 -0.17 1.31 1.61 2050 億0.09 0.09 0.09 0.09 1.31 1.31 1.31 1.31 1020 億-0.14 0.41 -0.12 -0.71 510 億-0.01 -0.01 -0.01 -0.01 05 億-0.18 0.64 -0.06 -1.32 0.96 0.96 全部0.04 0.84 -0.03 -0.87 1.37 1.98 1.50 0.62 指數增強 500100 億以上1.46 2.26 1.47 0.69 1.93 2.24 1.96 1.59 50100 億1.70 2.54 1.70 0.86 1.69 1.89 2

155、050 億1.43 2.03 1.52 0.45 1.64 1.64 1020 億1.45 2.49 1.51 0.69 510 億1.81 3.07 1.92 0.61 05 億1.02 2.16 1.25 -0.34 1.01 1.50 1.27 0.08 全部1.39 2.33 1.42 0.42 1.69 2.13 1.88 1.05 數據說明：產品統計范圍、統計年份、指數增強類策略說明與上同。數據資料來源：朝陽永續1、部分機構以高頻開始，隨著容量增大實現全頻段覆蓋。2021 年，一方面源于行業規模急劇擴大，量化私募整體交易換手降頻明顯，不少百億級量化私募的大部分產品的交易換手率已降到

156、年化 30-50 倍（雙邊計）。收益最大回撤夏普比率T0 收益率持有趨勢收益率打新收益率平均持股數量換手率 100 倍28.19%-10.11%1.576.6110.700.52700+100 倍換手率 50 倍23.10%-12.21%1.181.4613.440.661100+換手率 50 倍17.63%-9.05%1.050.3512.020.90800+資料數據來源：國泰君安資產托管部隨著市場專業化程度和復雜度的提高，算法也發揮著越來越重要的作用。2021 年交易算法被廣泛應用于市場，有交易算法廠商透露，當前服務券商達到 40 家以上，年增厚利潤 3-5 個 BP。表 25 交易算法代

157、際表代際方式滑點第一代傳統式人工交易-40BPS第二代教科書式-8BPS交易當中難以逃避的成本滑點一般為 5-10BPS第三代機械 TWAP/VWAP-4BPS以各大券商自研算法為例，在容量與效果之間可以取得很好的平衡，與 TWAP/VWAP 的滑點差額一般為 2-5BPS第四代機械智能算法0BP比傳統機械算法更智能第五代人工智能算法4BPS資料來源，某算法交易廠商因子是量化機構的核心機密之一，有近四分之一的受調研人拒絕透露當前機構儲存因子數量，選擇略過此題。在回答了此題的受調研者中，超過一半的機構因子數量控制在 500 以內，也有 6.52% 的機構存儲了 1 萬以上的海量因子，三成常用因子

158、在 10 個以內，37.97% 的常用因子在 50 個以內。整體呈現兩頭高、中間低的特征，體現出市場兩種風格，一些機構精選深挖因子，而也有的機構采用機器學習進行海量因子挖掘。46圖表 36 機構因子儲存數量 圖表 37 個人常用因子數量39.68%14.81%10.58%2.65%2.12%6.35%23.81%0.00%5.00%10.00%15.00%20.00%25.00%30.00%35.00%40.00%45.00%500以內500-1000 1000-30003000-50005000-1萬1萬以上未選32.80%37.57%14.29%6.35%8.99%0.00%5.00%10

159、.00%15.00%20.00%25.00%30.00%35.00%40.00%10個以內50個以內50-100個100-300個300以上數據 / 資料來源：問卷調研表 26 各類型機構因子儲存數量因子儲備數量私募基金公募基金券商自營資管銀行理財保險資管外資機構500 以內37.93%40%35.71%75%33.33%41.67%500-100013.79%20%10.71%25%0%16.67%1000-300010.34%10%21.43%0%0%16.67%3000-50003.45%0%3.57%0%16.67%0%5000-1 萬2.30%0%0%0%16.67%0%1 萬以上6

160、.90%0%10.71%0%33.33%8.33%數據 / 資料來源：問卷調研表 27 各類型機構從業人員常用因子數量常用策略因子數量私募基金公募基金券商自營資管銀行理財保險資管外資機構10 個以內31.03%20%17.86%75%16.67%25%50 個以內34.48%50%35.71%25%33.33%50%50-100 個17.24%20%25%0%0%0%100-300 個6.90%10%3.57%0%33.33%16.67%300 以上10.34%0%17.86%0%16.67%8.33%數據 / 資料來源： 問卷調研表 28 2021 年股票量化策略風險因子暴露因子暴露成長杠桿

161、流動性中期動量短期動量規模價值波動率一月-0.23-0.230.340.04-0.13-0.54-0.20.5二月-0.17-0.230.240.03-0.01-0.45-0.210.45三月-0.1-0.240.230.050.08-0.43-0.20.4四月-0.05-0.220.250.010.18-0.45-0.150.3五月-0.08-0.20.250.050.17-0.45-0.160.32六月-0.09-0.210.240.080.29-0.46-0.210.39七月-0.13-0.20.310.170.33-0.47-0.230.46八月-0.16-0.180.280.150.

162、23-0.53-0.20.42九月-0.17-0.160.310.210.12-0.53-0.170.41十月-0.17-0.160.410.3-0.08-0.52-0.190.52十一月-0.17-0.220.430.270.28-0.56-0.230.54十二月-0.18-0.260.440.270.18-0.59-0.260.53數據 / 資料來源：國泰君安資產托管部47實踐案例： 遺傳算法因子挖掘遺傳規劃是一種啟發式的公式演化技術，通過模擬自然界中遺傳進化的過程來逐漸生成契合特定目標的公式群體，適合進行特征工程。將遺傳規劃運用于選股因子挖掘時，可以充分利用計算機的強大算力，同時突破人類

163、的思維局限，挖掘出某些隱藏的、難以通過人腦構建的因子。本文介紹了遺傳規劃應用的完整流程，對遺傳規劃程序包 gplearn 進行了深度定制改進。測試結果顯示，遺傳規劃能從有限的量價數據中挖掘出具有增量信息的因子，為選股因子研究提供了一種新的思路。遺傳規劃總體流程：一開始，一組未經選擇和進化的原始公式會被隨機生成 ( 第一代公式 )，通過某種規則計算每個公式的適應度，從中選出適合的個體作為下一代進化的父代。這些被選擇出來的父代通過多種方法進化，形成不同的后代公式，然后循環進行下一輪進化。隨著迭代次數的增長，公式不斷繁殖、變異、進化，從而不斷逼近數據分布的真相。經過測試，遺傳規劃能從有限的量價數據中

164、挖掘出具有增量信息的因子在遺傳規劃框架中，我們設定預測目標為個股 20 個交易日后的收益率，初步挖掘出了 6 個選股因子。這些因子在剔除了行業、市值、過去 20 日收益率、過去 20 日平均換手率、過去 20 日波動率五個因子的影響后，依然具有較穩定的 RankIC。6 個因子都具有良好的可解釋性，其中大部分因子的相關性不高，說明遺傳規劃能從有限的量價數據中挖掘出具有增量信息的因子。公式1公式2公式4公式3公式1公式2父代1父代2父代4父代3fitness1fitness2公式1公式2公式4公式3公式1公式2公式4公式3父代1父代2父代6父代5父代3父代4父代8父代7隨機生成第一代公式計算每個

165、公式的適應度fitness選擇fitness最高的公式作為父代進化生成子代公式選出最終公式循環進行下一輪進化數據 / 資料來源：華泰證券研究所金融工程團隊 2019.6.10風險提示：通過遺傳規劃挖掘的選股因子是歷史經驗的總結，存在失效的可能。遺傳規劃所得因子可能過于復雜，可解釋性降低，使用需謹慎。本文僅對因子在全部 A 股內的選股效果進行測試，測試結果不能直接推廣到其它股票池內。483.3 人才組織：差序格局 平臺 PM 混合制并行人才組織方式影響著人才協作方式、質量與效率。當前機構普遍采用 Silo System 筒倉式亦即 PM 模式、Centralized Book 平臺式、混合式三種

166、方式進行合作?！巴矀}式” 也可稱之為PM模式， 由基金經理帶領團隊全程負責搭建環境、 數據清洗、 因子研究、 開發策略、回測、模型修改，同時擔任分析師、開發師和交易員。其特征是以 PM 為核心，在組織內部形成不同的小圈子?！捌脚_式”也可稱之為流水線式，其特征是以流程為驅動，數據工程師做大量數據研究在平臺構建新型數據，研究員在數據之上挖掘新的因子、構建策略，投資經理構建產品服務用戶，最終形成公司的產品?！盎旌鲜健被旌狭送矀}式與平臺式，但并非兩者的過渡階段。許多公司在已經形成穩定平臺之后，為吸納更多具備獨立策略開發能力優秀人才，而自然形成的投研組織形式。為原有公司投研體系完善、員工成長、對外募資、

167、員工收益進行有益補充。最常見的方式是：公司原有成熟的套利、中性策略，新招聘 T0 策略人才，充分利用原有公司券源、底倉資源，獨立產生收益，進而增厚公司收益或者拓展資金規模。也有一種情況是，獨立運行的高頻日內策略，由于容量有限，不對外募資，用于員工基金自營，也能形成互補。當前調研數據顯示：四成以上的機構采用筒倉式，兩成機構采用平臺式，近三成機構采用混合式開展投研組織。在分類別上，中小機構青睞筒倉式組織結構，大型機構團隊當中采用平臺式比例更高以達到集約開發的目的。圖表 38 量化機構投研組織形式Silo System筒倉式40%Centralized Book平臺式23%筒倉+平臺 混合式30%其

168、他7%數據 / 資料來源：問卷調研不同組織形式各有優劣，除去專業需求之外，PM 模式從業人員面臨的困境排序為：1、人員配置不夠、工作內容比較分散、沒有專職化（45.33%）；2、資源未得到統一調用（32%）；3、有待建立全面規范的工作制度（30.67%）；平臺模式從業人員面臨的困境排序為：1、有待建立全面規范的工作制度（39.53%）；2、人員配置不夠、工作內容比較分散、沒有專職化（37.21%）；3、工作關鍵結果難以量化（32.56%）；混合模式從業人員面臨的困境排序為：1、人員配置不夠、工作內容比較分散、沒有專職化（44.64%）；2、49工作目標尚需清晰（42.86%）；3、工作關鍵結果

169、難以量化（39.29%）；在專業技能提升需求上， 與常識相反， 混合式機構從業人員要求最高 （89.29%） ， 其次為PM模式 （78.67%） ，再次為平臺式（69.77%）。表 29 投研組織與工作挑戰對比類型工作目標尚需清晰有待建立全面規范的工作制度工作關鍵結果難以量化人員配置不夠、工作內容比較分散、沒有專職化個人價值認同有待提升團隊溝通不充分資源未得到統一調用產品之間不一致性Silo System 筒倉式22.67%30.67%32%45.33%26.67%20%32%13.33%Centralized Book 平臺式27.91%39.53%32.56%37.21%20.93%9.

170、30%18.60%9.30%筒倉 + 平臺 混合式42.86%28.57%39.29%44.64%26.79%14.29%35.71%21.43%其他50%42.86%35.71%50%21.43%7.14%21.43%0.00%數據 / 資料來源：中國證券投資基金業協會依照信息連接緊密程度，量化機構間也會呈現如下差異：“散沙式”：其特征是群體之間信任度不高，無法形成穩定的子群；核心人物和成員之間以及成員與成員之間聯系皆少，組織整體信任度低，組織凝聚力差?！昂匣锸健保浩涮卣魇呛诵娜宋镏g信任度較高，彼此能夠形成相對穩定的子群；但核心人物子群在組織網絡中的位置比較邊緣，造成核心人物與組織成員對抗

171、或不合作，無法整合組織資源?！熬婧献魇健保浩涮卣魇呛诵娜宋锏男湃味容^高，能夠形成穩定的子群；核心人物子群在組織網絡中處于中心位置，且核心人物子群能夠跨越不同小圈子，與組織成員存在聯系。該類組織整體信任程度較高，組織凝聚力強，組織核心人物能夠動員組織資源。圖 5 機構投研組織形式制圖：白皮書調研組50實踐案例：AQR 利用云更高效、更大規模尋找交易信號規?；纳a量化策略是量化基金持續增長驅動力。而規?；枰獜姶蟮挠嬎隳芰涂蓴U展性，以讓量化分析師持續不斷地從海量的歷史數據和實時新聞中尋找思路，分析各種事件與資產直接的關聯性，從而優化策略和執行回測。為了提升量化效率，Marcos Lopez

172、de Prado （早前為 AQR Capital Management 負責人，現任阿布扎比投資局全球量化研究和開發主管）提出了策略工廠概念（Strategy Factory）即流程化規?；目焖偕a策略的模式，該模式比較于以投資經理為核心的策略研發更具有競爭優勢。AQR 即是采用此種方法，AQR 為當前全球頂級量化資產公司，擁有近千名員工，截至 2021 年底管理資產規模達到了 900 億美金。其投資決策主要基于數值模型，研究員負責開發描述不同市場的模型。除了過往幾十年的市場數據通過回測來驗證，研究員還使用數量龐大的新型另類數據構建因子和特征，以此改善模型的表現，隨著研究員團隊的日益壯大，

173、問題也隨之出現：1. 日益壯大的研究員團隊對計算資源的需求驟然增加，AQR 機房的計算資源無法滿足。2. 通過采購新的設備來滿足對計算資源的需求導致較大的資本性支出，而周末和非工作時間這些設備則處于閑置狀態形成浪費。3. 由于計算資源有限，研究員們必須排隊等待，無形中整個研究員群體的工作效率下降。研究員們希望能夠第一時間完成回測，拿到結果。4. 許多實驗性項目需要 GPU 資源，如果實驗效果不佳，先期 GPU 的投入形同浪費。為此研究員們提出了 4 個要求：1. 可擴展的算力和內存，以滿足不同計算任務的需要。2. 盡可能快的得到計算資源。隨用隨取。3. 無需管理復雜的作業調度程序（例如 Con

174、dor 或者 Sun Grid Engine）。簡化計算任務編排。4. 簡單容易上手。準備計算任務涉及數據準備、環境準備，步驟多且繁復，另外還有復雜的安全控制環境和步驟，研究員應該避免重復瑣碎且與研究不相關的事務。AQR 的 IT 團隊經過細致的評估，最后選擇通過云的方式來解決研究員的痛點。首先亞馬遜云科技的計算資源，內存，存儲，數據庫以云的形式出現，使用者可以立即獲取到所需要的資源開展工作。最關鍵的是支持 AQR 分析師更高效、更大規模地尋找信號了。其次云資源可以通過 API 訪問，結合任務編排工具，計算環境的準備，數據準備，任務執行可以通過代碼的方式實現全程自動化。研究員通過工作終端提交計

175、算任務，等待測試結果即可。最后 AQR 的 IT 團隊和安全專家利用云上安全工具，高效的管理云上基礎架構的安全，研究員則無需計算環境的安全關注。AQR 的 IT 團隊充分利用了云的彈性，易獲得性和內建的安全機制，解決了研究員對計算資源的需求。這個解決方式使得 AQR 的研究團隊可以策略工廠的形式展開工作。同時 AQR 團隊也大量使用競價實例（可用空閑的資源，價格最高能便宜 90%），極大節省計算開銷。 國內許多量化基金公司也觀察到云帶來的便利和成本優勢。如一家以 CTA 策略為主的公司通過使用云將回測時間縮短了 90%，同時將單次回測成本控制在人民幣 10 塊以內。另外一家私募基金大量使用 G

176、PU，利用機器學習發現新的因子，通過遷移上云，節約了約 70% 的成本。最為新形態的工具，云，將會持續幫助私募基金從業者利用信息技術帶來便利與優勢構建其獨特的競爭優勢。人工智能，機器學習和大數據正在改變量化基金的形態與邊界，與此同時它們與云的結合更加緊密。亞馬遜云科技51524.1 行業前沿：人工智能、高頻與另類數據對于未來的研判，中國私募證券投資基金行業發展報告 2021歸納為 6 個方面：1、行業空間巨大，未來將維持平穩或較快發展：2、私募基金在大資管行業中地位有望提升；3、外資仍將保持平穩發展，短期難以對管理人構成挑戰；4、投資者結構有待優化；5、股票和量化策略產品占比預期繼續提升；6、

177、行業集中度預期進一步提升。本調研報告也對行業總體趨勢進行了調研，本題數據顯示出：市場各機構認為量化會朝著規范化、主流化、平臺化、國際化、智能化、戰略化方向發展，各分均在 5 分以上（總分 7 分），高于同類題型約 0.5 分。其中大家對于規范化感知最為強烈，這可能源于 2021 年，市場加強了對量化交易的監管力度，同時市場對于量化的各類正面、負面新聞持續火熱有關。調研組了解到，當前監管主要以報送信息、保持關注為主。訪談中，外資帶來的挑戰以及人工智能是各市場主體爭議較大的方向。2020 年，中國證券投資基金業協會針對 1907 位管理人進行問卷調查，調查顯示：37.07% 的全體受訪私募管理人對

178、于外資私募證券基金管理人未來發展趨勢持不確定態度，19.56% 的全體受訪管理人認為其發展快于國內管理人，28.00% 的全體私募管理人認為其發展慢于國內管理人，另有 14.74% 的全體受訪管理人認為兩者發展基本同步。機構認為一方面，外資私募管理人因其母公司發展時間相對較長，在管理經驗、組織架構、國際視野等方面具有優勢；另外一方面業務本土化是目前外資私募管理人在中國市場展業亟待解決的問題，策略適應性，本土渠道對接、監管政策、內部溝通成本等均是影響外資私募管理人發展的因素。受訪的許多機構對于當前中外資量化機構的投研實力判斷也會存在較大的理解偏差。但市場整體認為，外資私募管理人仍舊出于起步期，短

179、期內難以對國內管理人構成挑戰。53圖表 39 私募管理人對于外資私募證券基金管理人未來發展趨勢的觀點分布數據 / 資料來源：中國私募證券投資基金行業發展報告，中國證券投資基金業協會 2021人工智能的爭議性體現在，所有量化從業者在大面積主動學習人工智能，但對于其趨勢又感受并不強烈?？赡茉从谠诰唧w使用上，一方面機構對于新型算法處于開拓期，另外一方面又對其可解釋性存疑，所以使用較為慎重。表 30 行業趨勢釋義推動因素大趨勢未來圖景科技發展智能化人工智能各類算法大面積應用于量化投資各個環節。制度變革規范化量化交易監管措施出臺，行業規范化、監管常態化。資本流動國際化國際機構積極布局中國市場，同時國內大

180、型量化機構出海。行業發展主流化量化機構增多，資產管理規模增大，進入投資主流。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。平臺化機構運用統一平臺進行工業化、流程化量化開發，從筒倉式向平臺式轉型?；久婊炕顿Y與主動投資、基本面投資融合，在基本面、行業輪動中獲取收益。圖表 40 從業者對未來行業趨勢強度判斷5.675.455.385.595.465.475.25.255.35.355.45.455.55.555.65.655.7規范化智能化戰略化主流化國際化平臺化數據 / 資料來源：問卷調研54身處同樣的市場，各類型機構感受并不盡相同，這可能源于銀行理財方興未艾，所以對于各類變化感受

181、尤為強烈，外資機構、公募基金則相對鈍感，而私募基金則參與者眾多，態度不一致所致。圖表 41 各類型機構從業者對未來行業趨勢強度判斷02468規范化智能化戰略化主流化國際化平臺化私募基金公募基金券商自營資管券商研究所銀行理財保險資管外資機構02468私募基金公募基金券商自營資管券商研究所銀行理財保險資管外資機構規范化智能化戰略化主流化國際化平臺化數據 / 資料來源：問卷調研表 31 各類型機構從業者對未來行業趨勢強度行業發展方向私募基金公募基金券商自營資管券商研究所銀行理財保險資管外資機構規范化：量化交易監管措施出臺，行業規范化、監管常態化5.534.86.145.836.755.55.17智能

182、化：人工智能各類算法大面積應用于量化投資各個環節5.484.65.794.56.7565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5.264.55.715.336.255.674.92主流化：量化機構增多，資產管理規模增大，進入投資主流5.44.45.715.17765.42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5.084.95.754.33765.17平臺化：機構運用統一平臺進行工業化、流程化量化開發，從筒倉式向平臺式轉型5.364.95.894.3375.835小計5.354.685.834.926.795.835.11數據 / 資料來源：問卷調研在具體策

183、略層面，絕對收益、相對收益、資產配置、高頻交易全然不同的算法與邏輯，量化策略往何處走？數據顯示：人工智能的應用、基本面量化、高頻數據及高頻因子是市場最關注的三個方向，均在六成左右，但不同機構略有差異。私募基金最關注三個方向：人工智能應用、基本面量化、高頻數據及高頻因子。公募基金最關注三個方向：人工智能應用、基本面量化、FOF。外資機構最關注三個方向：另類數據、基本面量化、指數增強。55表 32 從業者關注的研究方向70.37%58.20%43.92%65.08%40.74%34.92%4.23%0.00%10.00%20.00%30.00%40.00%50.00%60.00%70.00%80.

184、00%人工智能應用高頻數據及高頻因子另類數據基本面量化指數增強FOF其他數據 / 資料來源：問卷調研表 33 不同機構關注的研究方向選項私募基金公募基金券商自營 / 資管券商研究所銀行理財保險資管外資機構人工智能應用68.97%90%71.43%83.33%100%50%58.33%高頻數據及高頻因子59.77%60%53.57%50%50%50%66.67%另類數據32.18%40%46.43%66.67%50%66.67%83.33%基本面量化60.92%90%71.43%66.67%75%83.33%83.33%指數增強36.78%50%42.86%33.33%50%66.67%75%F

185、OF27.59%70%35.71%33.33%50%50%50%其他 4.60%0%7.14%0%0%0%0%數據 / 資料來源：問卷調研564.2 超八成機構已使用人工智能 主要應用于因子及模型Eurekahedge 編制的 Eurekahedge AI Hedge Fund Index 基日為 2009 年 12 月 31 日，華泰研究將該指數與其它指數在 2009 年底至 2021 年 9 月底區間進行業績對比分析發現：AI 策略長期表現優于其它對沖基金策略，年化收益率和夏普比率最高。AI 策略指數正收益月份占全部月份比例為 73.8%，處于較高水平。圖表 42 Al 策略與其它各策略指

186、數業績表現分析（2009 年底至 2021 年 9 月底）策略類別年化收益率年化波動率夏普比率正收益月份占比AI策略11.87%5.86%1.687376%不良債務8.37%5.68%1.1275.89%固定收益6.16%3.95%1.0578.01%事件驅動6.99%6.90%0.7272.34%股票多空7.34%6.99%0.7666.67%相對價值5.97%4.14%0.9676.60%多策略5.47%4.41%0.7972.34%套利5.44%2.46%1.4078.01%全球宏現4.68%3.29%0.8266.67%CTA4.44%4.59%0.5359.57%注：AI 策略與股票

187、多空、固定收益等其它策略不屬于互斥的策略種類，在其它各類策略中都有可能應用到 AI 技術。數據 / 資料來源：, 華泰研究Preqin 公司則統計了 AI 策略在對沖基金中的應用情況，展示了近十年每年新發行對沖基金中 AI 策略采納率?？芍?2019 新發行對沖基金中已有 23% 采用了 AI 策略，這一數值大于 2016 年采納率的 2 倍。在所有應用 AI 技術的對沖基金中按策略類別分布情況，結果顯示 AI 對沖基金中以采用股票策略、相對價值策略、CTA策略的最多，三者合計占比超過六成。圖表 43 每年新發對沖基金中AI策略采納率 （2010-2019年） 圖表 44 應用AI技術的對沖基

188、金中按策略類別分布情況 （2019年底）1.00%4.00% 4.00%5.00%8.00%5.00%10.00%17.00%24%23%201020112012201320142015201620172018201923%21%18%12%11%7%4%2%1%數據 / 資料來源：2020 Preqin Global Hedge Fund Report ，華泰研究2021 年，人工智能在量化行業的使用已是如火如荼。數據顯示：當前已有 81.82% 的機構把人工智能應用于量化，主要應用于因子及模型階段，海外則應用范圍更廣，包括風險管理等。62.57% 的機構把人工智能應用于因子生成，56.15

189、% 機構應用于模型構建，這或與源于模型具有上限天花板，而因子挖掘效果立竿見影。57圖表 45 當前量化機構機器學習 / 人工智能量化應用領域 圖表 46 各類型機構當前量化機構機器學習/ 人工智能量化應用領域17.99%34.92%61.90%55.56%40.21%29.63%23.81%2.65%12.64%20%14.29%50%25%33.33%11.11%23.08%26.92%35.63%0.00%32.14%0.00%25%83.33%55.56%53.85%30.77%65.52%70%64.29%50%75%83.33%44.44%69.23%42.31%56.32%60%6

190、0.71%50%50%50%66.67%69.23%38.46%41.38%20%42.86%33.33%25%66.67%44.44%53.85%30.77%29.89%20%39.29%16.67%25%33.33%44.44%30.77%19.23%2.30%0.00%3.57%0.00%0.00%0.00%0.00%0.00%7.69%0%10%20%30%40%50%60%70%80%90%100%無應用想法生成因子挖掘及生成模型構建資產組合構建交易執行其他數據 / 資料來源：問卷調研在機構分類上，外資機構的使用更為全面，除了交易執行之外，各環節的使用率在 50% 以上。尤其在資產組

191、合管理、交易執行及風險管理上，大大超過內資機構。公募基金則是另一個極端，只集中應用于因子挖掘及模型構建。近幾年， 國內機構因子選股體系日益成熟， 普遍形成了從因子挖掘到因子合成再到風險中性組合構建的經典投研模式， 以市場中性、 指數增強為主要產品形式。 研究者往往聚焦于挖掘 Alpha 因子、 優化合成模型兩個方向。 2022 年 1 月 12 日，華泰證券發布研報揭秘微軟 AI 量化研究，通過對 2017 年以來微軟亞研院 AI 量化投資研究的詳細解讀，微軟研究盡管仍以選股因子和模型為核心方向，但是也涉及風險模型、算法交易、Beta 擇時等領域。即使是選股模型研究，也不局限于因子挖掘，而是靈

192、活采用事件驅動、新聞輿情預測個股等思路。同時微軟研究較少圍繞基本面做文章，更側重交易數據和另類數據挖掘。AI 模型的優勢是在海量樣本中挖掘隱藏規律。例如 REST 關系事件驅動和 HAN 輿情數據學習研究中，樣本量達數十萬條。而基本面研究的特點是數據量較少，并且追求清晰的投資邏輯?；久媾c AI 的結合可能尚欠火候。在尚未形成合理的 AI 基本面研究方法論背景下，研報建議不妨專注于 AI 擅長的領域，揚長避短。另外微軟的幾項研究靈活應用多種前沿技術，融入研究各環節。例如最優傳輸用于解決策略權重分配中的過擬合，自步學習用于提升訓練效率，知識蒸餾用于引導模型學習罕見樣本，解耦表征用于分離預測超額收

193、益和預測市場收益的信息。這些工具在細節處對原始策略起到要的補充和提升作用。人工智能不僅體現在算法層面，技術本身是一個系統工程，問卷對機構 AI 成熟度進行了調研，數據顯示，機構集中與單點實驗與局部落地階段：最多的機構處于單點實驗階段，對于人工智能有初步認識，以 POC 或試點形式進行小范圍探索，模擬盤進行投資。三成機構正進行局部落地，該階段的機構首次實現部分場景 AI 應用上線，少量資金進行實盤。17.99%的機構正在進行擴展復制， 有能力完成AI應用的開發和上線， 覆蓋全流程， 占總投資占比達到5%。58另有 11.11% 的機構在進行規模落地，規?；涞?AI 場景 10 個、在整個投資占

194、比中達到 30%。2021 年第四范式發布2020 -2021 中國企業 A I 成熟度研究報告，收集了金融、零售、制造、醫療多個行業 200 個企業樣本。對比量化行業與這 200 份樣本結果，量化行業略弱于其他行業發展階段。圖表 47 量化機構 AI 成熟度分布情況 圖表 48 中國企業 AI 成熟度分布情況33.33%31.22%17.99%11.11%6.35%單點實驗局部落地擴展復制規模落地其他26.00%46.00%18.00%6.50%3.50%單點實驗局部落地擴展復制運營管理優化創新數據 / 資料來源：問卷調研 數據 / 資料來源：2021 年第四范式發布2020 -2021 中

195、國企業 A I 成熟度研究報告在分項層面，以 1 為未實現，7 為全部實現做評分，七成以上機構在戰略、技術、算法、算力、資金、人力上做了布局，兩成左右的已經成熟。包括近四分之一機構實現 3 年 + 技術沉淀、全面復現過線性、樹模型、神經網絡各類 AI 模型。表 34 當前機器學習 / 人工智能量化資源配置及發展階段選 項1234567戰略：AI 在投資戰略中得到明確闡述18.72%11.76%8.56%19.25%15.51%16.58%9.63%技術：已在行業積累 3 年 + 技術沉淀22.46%8.56%13.37%12.30%20.86%13.37%9.09%算法：團隊已全面復現過線性、

196、樹模型、神經網絡各類 AI 模型22.46%7.49%13.37%14.97%16.04%14.44%11.23%算力：投入了專門的資金在算力提升上22.46%8.56%11.23%17.65%13.90%15.51%10.70%資金：每年投入 AI 量化方面投入超過 3000 萬34.76%12.83%12.30%13.37%10.16%10.16%6.42%人力：已設專門的 AI 量化團隊29.95%11.23%13.37%14.44%11.23%12.83%6.95%應用：AI 量化已經在整個投資額度中占據了 50% 的應用量30.48%7.49%13.90%17.11%10.70%14

197、.44%5.88%小計25.90%9.70%12.30%15.58%14.06%13.90%8.56%注：本題為量分題，1 為未實現，7 為全部實現數據 / 資料來源：問卷調研在具體算法層面，同樣以 1-7 進行打分，1 為無研究，7 為非常擅長，量化從業人員由淺入深，使用最熟悉的機器學習 / 人工智能量化模型為樹模型、集成學習，三成左右已經完全熟練應用。神經網絡與強化學習雖然應用程度還不夠高，這或許源于起步較高、上手慢，細節過多，同時高度依賴于59數據量。華泰證券揭秘微軟 AI 量化研究認為圖神經網絡和注意力機制相比傳統機器學習更匹配投資場景。傳統方法將股票視作獨立同分布樣本，而圖神經網絡擅

198、長挖掘股票間關系。注意力機制是對不同時刻間、不同股票間關系信息的提取。不同時刻、股票間存在廣泛的相互關系，正是股票市場這一復雜網絡的重要特征。所以在傳統模型面臨天花板的情況下，圖神經網絡和注意力機制未來可能具備廣闊的應用前景。表 35 從業者擅長的機器學習 / 人工智能算法4.264.033.873.633.763.233.0933.23.43.63.844.24.4樹模型集成學習聚類模型圖模型神經網絡強化學習其他數據 / 資料來源：問卷調研表 36 從業者擅長的機器學習 / 人工智能算法分布選項1234567平均分樹模型：決策樹、迭代二分 3 等11.76%11.76%8.56%19.79%

199、15.51% 17.11%15.51%4.29集成學習：bagging、boosting、XGboost、隨機森林17.11%6.95%10.70%25.13%11.76% 14.97%13.37%4.06聚類模型：K-Means、高斯混合 GMM 等16.04%11.23%12.30%20.86%18.72%9.63%11.23%3.89圖模型：貝葉斯網絡、馬爾可夫模型等21.39%9.63%14.97%20.32%13.37% 10.70%9.63%3.65神經網絡：RNN、CNN、DNN、GAN、GNN、Transformer 等 18.18%14.44%11.76%16.58%14.9

200、7% 13.37%10.70%3.79強化學習：Q-learning、SARSA、DQN、DDPG 等26.20%14.44% 16.58%16.58%10.70%9.09%6.42%3.24其他36.36%10.16%9.63%17.11%11.23%8.56%6.95%3.1小計19.32%10.70%11.83%19.45%14.24% 12.97%11.50%3.83注：本題為量分題，1 為無研究，7 為非常擅長數據 / 資料來源：問卷調研60實踐案例： 深度學習算法Deep Beta傳統 SmartBeta 指數主要基于動量、價值、成長等風格因子進行構建，DeepBeta 由 Big

201、Quant 借用深度學習（Deep Learning）“深度”一詞，通過人工智能深度學習技術，包括全連接深度網絡（DNN）、卷積神經網絡（CNN）、長短期記憶網絡（LSTM）、對抗生成網絡（GAN）、ResNet、TabNet、BERT、Transformer、GPT、XLNet 等算法訓練模型之后，獲取模型在樣本外數據上的預測結果，并將結果當做因子，通過預測結果的截面排序進行指數構建，構建的投資組合的凈值走勢即為 Deep Beta 指數曲線走勢。具體構建細則如下：基礎數據開盤價、最高價、最低價、收盤價、換手率、當日收益率、成交量 7 個基礎數據表達式生成使用時序求平均 (mean)、時序求

202、最大 (ts_max)、時序求最小 (ts_min)、時序標準差 (std)、時序排序 (ts_rank)、時序加權平均 (decay_linear)、時序相關性 (correlation)6 個表達式模型構建1. 對因子做標準化處理；2. 模型固化，避免隨機性；3. 訓練數據為測試數據的前 4 年數據；4. 添加滾動回測：4 年訓練集，1 年預測集，隔 1 年進行訓練集滾動樣本空間每個再平衡日，所有在市 A 股剔除 ST、新股、待退市股和凈資產為負的股票。選樣方法樣本空間中選擇市值最大的 1000 只股票加權方式自由流通市值加權成分數選擇預測結果排序靠前的前 200 只股票調倉周期依據標注而

203、定，若為基本面因子，按月調倉61模型構建方式 :Stock RankerRandom Forest62GBDTDNN63CNNLSTM64TabNetTransformer以上模型構建于 65實踐案例：對抗生成神經網絡 GAN 的核心思想是通過學習真實訓練數據，生成“以假亂真”的數據GAN 的核心思想是通過學習真實訓練數據，生成“以假亂真”的數據。GAN 包含判別器 D 和生成器 G兩組神經網絡，引入博弈的思想，通過交替訓練的方式達到納什均衡。我們訓練 GAN 生成不同市場、不同時間頻率的股指收益率和價格序列，并與 Bootstrap 和 GARCH 等其它生成虛假數據方法相比較，以波動率聚集

204、、盈虧不對稱性等指標評估生成模型優劣。結果表明，GAN 生成的數據質量優于其他兩種方法。最后我們以雙均線擇時策略參數選擇為案例，展示 GAN 在檢驗過擬合上的應用。GAN 交替訓練判別器 D 和生成器 G，直到達到納什均衡狀態GAN 最具特色之處在于其訓練方式，“以子之矛，攻子之盾”。GAN 包含判別器 D 和生成器 G 兩組神經網絡，G 的目標是生成盡可能逼真的贗品，D 的目標是盡可能將真品和 G 生成的贗品區分開。GAN 引入博弈的思想，采取交替訓練方式，兩個網絡能力同時提升，直到達到納什均衡狀態，此時 D“明察秋毫”，而 G生成贗品的技藝“巧奪天工”。從數學原理看，GAN 的目標是最小化

205、生成數據分布和真實數據分布的 JS 散度。GAN 的優點是生成數據質量更好，學習過程更簡單，并且能夠與深度學習結合。GAN 的缺點是黑箱問題，訓練不收斂，G 和 D 訓練不同步，以及模式崩潰問題。測試結果表明 GAN 相比于其他金融時間序列生成方法具有顯著優勢我們采用 GAN 對上證綜指日頻序列、滬深 300 日頻序列、標普 500 日頻序列和標普 500 月頻序列進行學習并生成 1000 條虛假序列，隨后采用自相關性、厚尾分布、波動率聚集、杠桿效應、粗細波動率相關、盈虧不對稱性共 6 項評價指標檢驗生成序列質量，并與對照組 Bootstrap 和 GARCH 模型生成的序列進行對比。結果表明

206、， GAN生成序列能夠復現出上述6項真實序列具備的特性， 而Bootstrap和GARCH僅能復現出部分性質。GAN 相比于其他金融時間序列生成方法具有顯著優勢。GAN 的潛在應用價值包括提供訓練樣本，檢驗過擬合和預測未來GAN 在量化投資領域的潛在應用價值包括：提供訓練樣本，檢驗量化策略過擬合程度，預測未來。機器學習應用與量化投資始終面臨小樣本困境，GAN 能夠生成更豐富的訓練樣本，一定程度上緩解小樣本問題，在量化學術研究領域不乏應用先例。量化策略開發的“痛點”之一是回測過擬合，我們可以將基于真實數據得到的量化策略，放在 GAN 模擬出的“平行世界”中測試，已檢驗過擬合程度。GAN 的變式如

207、 cGAN 有可能幫助我們預測未來，但目前研究相對較少。我們以雙均線擇時策略參數選擇為案例，展示 GAN 在檢驗過擬合上的應用。2020 年 05 月 08 日 華泰證券研究所金融工程團隊生成對抗網絡 GAN 初探664.3 另類數據：外資機構走在前沿 ESG 異軍突起2019 年 JPMorgan 研報專門梳理了海外另類數據的實戰以及各信源，把所有另類數據分為個人活動、公司業務以及傳感器數據三大類別 9 大子項，近 1000 家廠商，其中傳感器數據包括農業衛星、海上衛星、金融采礦衛星、停車場衛星、能源衛星圖像等等，形成了非常龐雜的系統。A 股市場有大量的個人投資者，不斷壯大的分析師隊伍，不斷

208、規范的信息披露，以及完整的線上數據，這些對于量化來說都是超額收益的機會，能獲得與傳統量價、財務數據相比相對獨立及時的數據。中國作為一個人口大國、互聯網大國天然能累積更大的一個數據量。據貝萊德建信統計，截至 2020 年 12月 31 日，在中國每月可產生 5000 份公司披露信息，10000 份賣方報告，10 萬條股票相關新聞資訊；400 萬篇由個人投資者發布的網絡信息。11 月 25 日，上海數據交易所揭牌成立，成立當日，九坤投資與數庫科技完成了“數庫產業鏈圖譜”數據的首筆交易。一些特別的時機也在催發另類數據。據朝陽永續數據：分析師情緒指標發力于 2020 年底，疫情影響，市場大量停工，分析

209、師在此期間產生了大量報告。國內另類數據作為投資應用發軔更晚，相距海外業已成熟的市場應用，當前目前國內另類數據尚屬于藍海期，市場尚未形成統一認知。有的參與者認為另類數據由于使用面不廣，有其限制性因素才被稱之為另類數據：一方面當前另類數據廠商體量較小，相對分散，機構采購驗證麻煩。另外一方面非結構化數據清洗難度大，機構使用、驗證困難。本次問卷調研，調研組把另類數據分為四大類：情緒指標，業務流指標、報告指標和傳感器指標。數據顯示，當前兩成機構已經使用另類數據，四成機構正開展積極研究。在細分類別上，分析師情緒指標與網絡輿情指標被使用 / 研究最多，而 ESG 數據雖然才剛剛興起，但是也飽受關注。圖表 4

210、9 當前另類數據研究 / 使用情況 圖表 50 當前另類數據研究 / 使用類型18.52%39.15%11.11%31.22%已使用積極研究2022年底前關注觀望60.85%53.97%29.63%24.34%31.75%18.52%33.33%12.17%分析師情緒指標網絡輿情指標電商數據招聘數據上市公司ESG數據傳感器數據上市公司報告文本指標其他數據 / 資料來源：問卷調研機構類別在數據使用上出現非常大的差異，外資機構使用最為廣泛，各類型數據都有廣泛涉獵，其次為公募基金。外資機構則是更關注網絡輿情、上市公司報告文本指標。而公募基金在分析師情緒指標上達到了100% 的應用，ESG 數據達到

211、50%。67賣方研究很多時候也會引領或反映量化行業的實踐，但由于：1、撰寫報告并不直接產生收入，而當前另類數據廠商龐雜，購買需要單獨付費。2、另類數據過于龐雜，難于同因子研究、模型研究一樣產生直接效果。故當前另類數據研究偏少，集中于分析師情緒。表 37 各類型機構另類數據使用情況選項私募基金公募基金券商自營 / 資管券商研究所銀行理財保險資管外資機構分析師情緒指標59.77%100%60.71%16.67%75%83.33%50%網絡輿情指標49.43%50%53.57%50%25%66.67%83.33%電商數據25.29%40%46.43%16.67%25%33.33%50%招聘數據16.

212、09%40%35.71%16.67%25%33.33%33.33%上市公司 ESG 數據32.18%50%39.29%0%0%16.67%50%傳感器數據12.64%10%28.57%0%50%16.67%50%上市公司報告文本指標29.89%40%32.14%0%50%33.33%58.33%合計225.29%330.00%296.42%100.01%250.00%283.33%374.99%數據 / 資料來源：問卷調研68實踐案例：分析師研報情感因子基于 BERT 的分析師研報情感因子的構建流程為：（1）下載預訓練好的中文 BERT 模型。 （2）使用 Wind 有情感標注的金融輿情文本微

213、調模型。 （3）將微調后的模型在無標注的分析師研報摘要上預測情感。 （4）通過摘要文本的情感分析結果構建選股因子。使用 NLP 模型可解釋性工具 LIT 對研報情感分析的結果進行解讀，可知 BERT 模型對于給定研報摘要的情感分析都是比較合理的，作出了與人類相似的判斷。本文構建了研報情感因子 senti 及其調整因子 senti_adj 得到研報摘要中每個句子的情感預測概率后，在 90 個自然日的滾動窗口內，使用線性衰減加權的方式構建研報情感因子 senti?？紤]到分析師對上市公司的正面評價居多，給予負面情感文本更大權重，構建了調整因子 senti_adj。為了對比研報情感因子和傳統分析師因子

214、，研報用類似的方法構建了研報評分因子 report_score 和研報數量因子 report_num。senti 和 report_score 及 report_num 的相關性都較高，而 senti_adj 和其他因子的相關性都較低。在 2020 年 12 月底，食品飲料、電子、通信行業的研報情感因子取值較高，說明這些行業的研報正面情感較突出。因子測試：senti 表現較好，senti_adj 更能體現研報情感因子的增量信息本文測試了 senti 和 senti_adj 因子及它們對 report_score 和 report_num 中性化后殘差因子 sent_res 和 senti_ad

215、j_res 的表現?？傮w來看，senti 在各個股票池內表現最好，但其殘差因子 senti_res 表現最差，說明其大部分信息可被 report_score 和 report_num 因子所解釋。而 senti_adj 及其殘差因子 senti_adj_res 的表現相差不大，說明 senti_adj 因子更能體現出研報情感因子相比 report_score 和 report_num 因子的增量信息。senti_adj 因子在滬深 300、中證 500、全 A 股的多頭年化超額收益率分別為 5.40%，6.26%，4.39%（回測區間：2010050420201231)，在最近兩年表現優秀。絕

216、對收益組合：基于研報情感因子的 TOP80 選股組合表現優秀本文基于 senti 因子，構建 TOP80 組合并回測，組合年化收益率為 14.90%，組合在 2019 年和 2020 年表現優秀，分別獲得了 51.61% 和 69.69% 的絕對收益。華泰證券研究所金融工程團隊基于 BERT 的分析師研報情感因子 （2021.1.18）69實踐案例：MSCI ESG 因子2018 年，明晟將 A 股醫藥巨頭康美藥業的 ESG 評級從 B 下調至 CCC，而僅僅半年后，就爆出 300 億的天價造假。MSCI ESG 評級旨在幫助投資者了解 ESG 的風險和機會，并將這些因素整合到投資組合構建和管

217、理過程中。該指數旨在衡量一家公司對長期、財務相關的 ESG 風險的彈性， 試圖回答有關公司的四個關鍵問題： 上市公司及其行業所面臨的最重要的 ESG 風險和機遇是什么？ 公司對這些關鍵風險和機會的影響如何？ 公司對關鍵風險和機會的管理能力如何？ MSCI ESG 全球團隊由超過 200 名經驗豐富的研究分析師組成，評估了橫跨 35 個 ESG 關鍵問題的數千個數據點，整個流程分為：數據采集、風險暴露度量、指標管理、賦權、評級 5 個流程，其中數據部分包括關于 ESG 策略、程序和性能的 1000 個 + 數據點、10 萬名董事的數據和長達 20 年的股東大會結果，每天監測3400 個 + 全球

218、和地方新聞來源、政府、非政府組織。圖 6 MSCI ESG 評級框架及流程70圖 7 MSCI ESG 評級標準圖 8 MSCI ESG 評級因子MSCI 官網 及網絡綜合714.4 高頻：800 納秒為當前頂峰 三成機構使用高頻因子2015 年中股災之后，股指期貨貼水嚴重，中性策略遭遇寒冬。部分量化機構轉向指數增強，一部分機構轉向基于量價為主的高頻策略，2019 年后大量的高頻策略產品進入市場。一般而言，機構不對外披露高頻交易速度，一方面交易速度直接影響策略表現，另外一方面交易環節、速度計算較為復雜。本報告嘗試粗略拆解交易環節為：行情信息從交易所發出到交易柜臺，再到達投資機構處理完畢，投資

219、機構發出交易指令到柜臺，整個信息回路可以分為 4 個部分。T1 從各交易所到達柜臺，交易量大的機構會將服務器部署在交易所內部機房，一般采用萬兆光纖，理想速度能達到 54 微秒。T2 涉及柜臺內部處理，穿透中位數為 2000-6000 納秒之間。T3 為柜臺至交易機構。T4 為機構收到行情計算執行交易。據了解，機構間競爭力主要體現在 T4 部分，且影響此部分速度的因素主要包括有：軟件 / 硬件、部署方式、有機器學習 / 無機器學習、交易標的等。軟硬件方面：部分模型算法較為簡單，機構主要通過速度獲取收益，就會將算法固化在硬件上，交易速度峰值能達 800 納秒左右。如果交易算法復雜的話，仍然要由軟件

220、能執行，當前峰速在 1.9 微秒左右。機器學習方面：機器學習受限因子量大、模型計算復雜等因素，所以毫秒級別的速度，市場亦能接受。交易標的方面：期貨風控、因子都較為簡單，股票則受限更多。（注：1 秒 =1000 毫秒 =1，000，000 微秒 =1000，000，000 納秒）圖 9 交易信息流數據 / 資料來源：問卷調研72表 38 期貨交易所數據穿透速度測試場景席位數穿透中位數（納秒）穿透標準差（納秒）上期所62737433上期所122833575中金所53006482大商所651881142數據 / 資料來源：某廠商官網市場談到“高頻”場景中，還有一種場景是市場加工 Level23 高頻

221、行情數據為高頻因子，包括分鐘 K線、委托隊列、盤口快照、逐筆委托、逐筆成交等，以期能更為深度刻畫投資者意愿，產生比普通因子好的Alpha，同時增加數據量對抗人工智能過擬合。問卷調研顯示：當前三成機構已使用高頻因子， 接近35%的機構保持積極研究。 83%的賣方機構保持研究，私募基金的使用程度最高，達到 36.87%，1 億以下機構使用較少，僅為 14.29%。這也與量化從業人員的薪酬也相關度極高，薪酬越高的人越容易使用 / 研究高頻因子。圖表 51 高頻數據及因子研究情況數據 / 資料來源：問卷調研圖表 52 個人薪酬與高頻因子研究數據對比 圖表 53 機構規模與高頻因子研究數據對比27.27

222、%25.64%23.91%40.38%24%60%22.73%30.77%41.30%34.62%44%0.00%13.64%15.38%15.22%5.77%12%20%36.36%28.21%19.57%19.23%20%20%0%10%20%30%40%50%60%70%80%90%100%已使用積極研究2022年底前關注觀望14.29%20%41.03%35.71%36%30.77%27.78%42.86%20%33.33%28.57%32%46.15%38.89%14.29%25%5.13%7.14%16%15.38%11.11%28.57%35%20.51%28.57%16%7.6

223、9%22.22%已使用積極研究2022年底前關注觀望數據 / 資料來源：問卷調研73（本篇章機構排名不分先后，以訪談時間為準）745.1 銳天投資：中國量化金融史印一段銳天發展史，就是國內量化私募崛起的側寫。2010 年中國有了股指期貨品種，第一代量化投資人從美國回歸國內，至 2015 年，第一輪盛宴結束，股指期貨從升水變成貼水。日后，被譽為“量化四大天王”之一的銳天投資正是在此期間成立。重看銳天官網簡介， 別有深意： “銳天是一家由數據驅動的高科技公司，我們對量化始終如一地專注， 擁有嚴謹的科學態度， 以及對投資研究的熱愛，銳天希冀在轉型期中國金融歷史上，留下自己的烙印?！薄拔乙苍鴳岩蛇^ 量

224、化在中國是否會存在”徐曉波，高中階段榮獲全國中學生物理競賽決賽總成績第一，北京大學物理、經濟雙學位。2012 年就職美國知名對沖基金 Citadel 從事量化交易策略的開發和研究，所在小組單日美國股票交易額達 100 億美元，貢獻交易體量。2013 年，徐曉波在機緣巧合之下發現國內已悄然發生的變化，一些巨頭陸續開始布局中國，他巧妙抓此機遇，找來了高中同學，在一個很小的民房完成從 0 到 1 的策略體系搭建，成立銳天。徐曉波把發展歸功于時代的機遇，市場給出的機會。2014 年，銳天自營股指期貨日內高頻策略年化收益即高達 500%，夏普比率 5?！澳菚r候對券商而言，高頻程序化接入也是新的事物，我們

225、是很多券商第一家接入的機構，算是為量化行業開了一些先河。在那個階段，讓大家知道，原來在中國股票 T+1 的制度下，高頻能做到這樣的規模。當然在此期間也會有很多小的回撤，我記得一次上一套新的策略，回測就很不錯，實盤前面幾天跑得也非常好，當時我實盤經驗、風控經驗都比較欠缺，所以當市場突然驟變的時候，就很難把握，那是我第一次有了實盤和回撤的不同，和對風險本身的認知，時至今日仍然印象非常深刻?！绷艚o銳天成長的時間并不算多， 成立2年后， 2015年市場乍然驟變， 5月末， A股經歷了由 “查配資、 降杠桿”而引發的深幅調整，大幅下挫，上證指數自高點 5178 點探底至 2850 點，跌幅高達 44.9

226、6%。在此期間，為抑制過度投機、加強異常交易監管，8 月 25 日、8 月 28 日、9 月 2 日中金所接連出手，一次性將開倉交易量限制在 10 手之內，同時非套期保值持倉交易保證金標準提高至 40%，并將日內平倉手續費提高至萬分之二十三。史上最嚴管控措施實施后，三大股指期貨交易量大幅萎縮并一直維持地量水平，期貨公司經營受到不同程度影響。彼時正是銳天斗志昂揚準備開疆拓土之時，涼水傾盆而下?！肮芍钙谪涹E停，程序化接入被限。我印象特別深刻，那時候我們已經有了資金積累正準備搭建團隊，布局更遠準備建立股票體系時。股指期貨貼水超過30%，每天一個產品一個賬號只開 10 手，一度懷疑量化行業在中國是否還

227、會存在。量化行業沒有被清零，我們能活到今天已是幸運?！被厥淄?，徐曉波輕描淡寫，銳天發行第一只純 T0 股票日內高頻中性策略產品，2019 年，規模超過 100 億元。徐曉波一躍成為最年輕的百億量化私募掌門人，時至今日帶領銳天超百人團隊徐曉波75繼續朝前發展。市場無常 在穩健中尋找爆發歷史變成了故事，故事變成了傳說。時至 2021 年，市場結構已然發生變化，量化私募規模到達萬億，30多家機構進入百億私募量化俱樂部，但也經歷了諸多回撤考驗?！爸涟禃r刻反而是發展較快的時候，因為大家會不斷創新， 做收益更高的產品， 形成市場競爭壓力。 市場正在經歷非?？焖俚淖兓?， 疊加疫情爆發， 中美博弈，全球放水

228、， 資本市場放開等一系列的事件不斷加速催化。 在泡沫崩掉之前， 沒有人知道現在市場處于哪個階段？沒人知道?！痹谑袌鰜聿患胺磻畷r，徐曉波看到的情況是，量化的收益與市場的收益，重合度越來越高。 “市場變化和不確定性正加劇，銳天還是選擇風控體系的穩健?！?在這半年市場下探中，逆勢向上的穩健表現印證了銳天對于市場風險理解的判斷和認知深度。 “市場永遠會給你驚喜或驚嚇，你永遠不知道明天會面臨什么，市場方差波動一直在那，起起落落，盈虧同源?！睆臉I多年，徐曉波在慢慢適應這種不確定性，并把自己的投資理念濃縮為一句話：穩健中尋找市場的爆發?！拔覀儾豢赡茏龅皆谌魏我粋€投資周期中永遠做到市場頭部的收益，這不現實。

229、當然也有可能有公司能做成這樣，但我覺得，銳天還需要去磨練才能接近。我們的目標是在很多時候做到足夠的穩健，在某些大的市場機遇來臨的時候，我們能把握住，比如像 15 年 18 年，某些階段不是特別爆發，但起碼是賺錢的。當然我們也很渴望去把握一些大的市場機遇，但我們不可能抓住每一波?！比肆K有窮盡，難有一家公司能清晰地抓住每一波市場行情。所以對于有市場參與者認為，量化機構格局初定，徐曉波并不完全贊同?！翱催@一波回撤什么時候結束再說?！毙鞎圆ㄕJ為量化本身是運用計算機和數理統計知識，在金融資產定價當中尋找一些機會，所以對數據處理與信息挖掘有非常高的要求，而且要求本身也在不斷進化的，所以量化和主動交易一個

230、很大不同點就是策略需要去不斷地更新迭代，進一步去吻合這個市場的預期，包括競爭環境的變化會對整個策略框架造成很大的沖擊，而這就是為什么銳天會注重科技的原因。行業少見的， 銳天把多層次、 多角度的風控體系專門放進了官網， 同時把風險納入全面、 系統的管理流程中，銳天把所有風險劃分為策略風險、交易風險、一致性風險、運營風險四個部分，在因子組合、投資研究、宏觀政策、 運營合規、 市場交易以及策略迭代各個方面進行研究， 部門之間相互獨立， 職能相互制約， 風險相互監控?！皬拈L期視角而言，投資最重要的就是控制回撤，如果回撤沒有控制好，即使前期浮盈厚實，一旦迎來放量下跌或者震蕩行情，投資人也會面臨一個漫長的

231、等待期。同時風控不光是數據層面，更多還是一個意識層面，我認為這是體系的建設?！蹦膫€時刻覺得自己是成熟的量化投資人了？“哪一刻知道自己不成熟了才是成熟了?！毙鞎圆ㄕ劦?，“面對大幅回撤，難有人能保持平穩心態，量化投資人需要與這個市場相處與共存，不斷經歷市場的考驗和磨礪，這是不斷適應的過程。多元發展 把每個賽道做深做扎實主觀追求藝術，量化追求科學，在徐曉波看來，兩者是兩種不同的思維模式的方法論。量化更多是通過大規模的系統化的挖掘數據內在本身規律得到阿爾法策略或者是對市場的預測能力，用這些預測能力在市場上進行交易博弈的策略。主觀基金經理則更多是對數據的主觀總結，做出對資產價格的判斷，這些判斷基于很多高

232、76維的非結構化信息，包括與上市公司的溝通、對產業的判斷、行業發展階段，及公司本身的各個環節、公司治理結構的理解，資本市場本身對公司怎么看等等做出判斷。這些是基于少數數據點做出高維信息判斷的決策，然后去挖掘市場并進行交易的能力。這兩種方法本質的區別也是人作為一種智能化的生物決策的流程和現代所謂的人工智能在方法論上的差異。人經過多年進化，形成了社會知識，包括行業知識，包括對人對社會的判斷，但是機器本身更多還是通過一些結構化的數據及大量的訓練，以優化函數來得到所謂的不斷逼近優化結果的目標，因此，這兩種方法論其實本質上還是人和機器的競爭。雖然說人工智能現在在不斷的達到更加智人的狀態，但是到目前為止人

233、工智能和人的決策能力相比還是有一段很大的差距。但未來，不管量化還是主觀投資，兩者會從交易、風控、另類數據等各個角度來進行融合。他舉例說道：“美國很多大型的主觀對沖基金，也會在策略生成倉位之后，用算法交易去提供一些執行優化；或者高杠桿運作對風控有非常高的要求，基金經理也會用量化的手段去優化投資的組合，控制回撤，不斷優化自己的收益回撤比；或者像量化一樣不斷挖掘更多的另類數據，如游戲公司在APPLE STORE 的下載量，油田卡車進出數目等等?！睂κ袌霰３志次?，正面接受市場的變化，對算法追求細致，下一步銳天希望在原有“多團隊，多頻道，多策略的 multi-team 體系”之下，深化每個團隊的信息高效

234、運轉和精細化管理。高頻與低頻之間有壁，但徐曉波還是期望催動各個策略團隊之間的交流。通過經驗的分享和案例或特定領域的解去化形為其他領域的解，“把每個賽道都最深做扎實”是徐曉波對銳天發展的態度。徐曉波并不諱言，面臨策略不斷失效，市場極速極度瘋狂的挑戰，思考并落實完善策略體系是日理例行的工作。競爭在加劇，但是市場不斷出現新的規律，在他看來，行業內卷本質上就是同質化競爭，所有人都在做一樣的事，中國人口基數大，市場大，內卷很難避免。而任何有盈利機會得到頻段，其實大家都會去研究，很難說在大的框架上大的方法論上大家有什么本質的不同，因為大家同時在看這些交易，去挖掘這其中的規律，也會看這些數據，所以源頭都是一

235、樣的，競爭領域都是類似的。但是從另外一個角度來說任何資產的 Alpha 都有比較大的體量，難有一家壟斷整個市場，所以總體來說在很多細節的方法論上或者一些因子挖掘迭代的方法上 ，其實各家還是有一些區別，可能這些區別比較細節“所以我們要自我定位，各條策略體系還是有自己創新點，尋求差異化，但實事求是，市場沒有圣杯，起落都得順其自然?！笔袌龉┬?蘊含量化機會銳天從最早的高頻交易出身，到現在多資產多周期，全球市場策略，通過不斷地分散，不斷優化每一個子策略，實現長期競爭力。徐曉波認為，銳天的目標就是在策略資產類別上，資產豐富度上，資產周期上不斷做分散，在各個賽道上，不斷進化和進步，從而適應各個資產周期和價

236、值波動豐富的策略體系，最終跨越市場，跨越競爭格局變化，跨越制度變化。經過多年發展，銳天形成了磐石、指增、CTA，專戶等多只產品線。其中磐石中性產品作為銳天一直以來的核心產品，2021 年憑借 300 策略亮眼的超額，推動引領市場中性策略從 500 中性 IC 對沖向 300 中性 IF 對沖的風向，用以應對市場牛熊、風格轉換。指數增強系列主要幫助客戶享受指數紅利，博取穩定超額，涵蓋300/500/1000 及 MSCI 指增線。CTA 產品從 2019 年開始搭建，覆蓋各大宗商品資產類別，已完成 CTA，股指，主觀三大子策略的搭建，技術派銳天也在向宏觀及基本面的延展，大宗商品策略線成長為除股票

237、資產外又一重77大策略。另外專戶則是以股票，大宗商品主策略，可轉債，期權等另類策略為輔，為能滿足各類風險偏好的投資人精準定制，具有靈活度高的特點。徐曉波嘗試從美國量化發展路徑尋找中國中國量化發展?！斑@個趨勢跟美國越來越像，不管是人才的儲備上，模型的迭代方法上，還是交易的框架上，甚至機器學習的方法上，中國和美國未來是非常的相似的。所以這也是需要我們借鑒海外經驗，吸收海外優秀的對沖基金人才，回到中國，在中國資本市場上去深耕發芽，在中國市場上去發揮自己的價值?！痹谒磥?，前兩年量化市場剛剛開始打開的時候，有差距非常正常，畢竟美國量化也到達了一定的體量競爭級別，如今差距其實很難定義，更多體現在對市場理

238、解認知的方法論上，但站在這個時間節點，相信體系上的差異開始在縮小。海外機構布局中國已非兩三日，過去幾年也一直在交易，但很難說絕對碾壓國內機構，市場會競爭會越來越激烈，但是本土力量仍然是不容小覷。行業龍頭，是徐曉波為銳天投資從成立之初即定下的目標。在他看來，市場未來還將有 10 萬億元的非標資金轉向標準化配置，市場供需之間存在較大缺口，“這 10 萬億元資金不可能都投向債券，而凈值化產品中，風控較好的優質資產毋庸置疑是量化投資產品。而如果按三年 5 倍的增長量計算，量化投資市場仍存在 7.5 萬億元的供需缺口，這是個巨大的機會，未來幾年量化投資市場的需求遠大于供給，目前還是資金選擇管理人，未來會

239、變成管理人選擇資金，憑借自身跨越周期、穩定長期盈利的特點，量化策略將迎來巨大的發展機會?！?85.2 國泰君安期貨：“她”何不再問：量化這件事情“我們現在對于數據的利用充分了嗎？”“另類數據的核心點在哪？”“量化是追求絕對正確還是模糊正確？”“衍生品是否更加危險，你怎么看，在害怕什么？”“我們是否應該為投資的過程道歉？”在海量的數據中尋找模糊的正確，在模糊的正確中結合市場與概率尋找投資機會，量化投資并非一場豪賭，而是曠日持久地研究苦修。在這場苦修中，國泰君安期貨資管部量化投研團隊韓雪在設問，也在自答。她感覺“被騙”入行，但也在所有賽道中挑選了個最難的，嘗試從長期的視角中，形成自己的技術壁壘，在

240、量化市場與國際不斷接軌的現在，尋找到自己在投資領域的一席之地?！拔覀儸F在對于數據的利用充分了嗎？”“我們現在對于數據的利用充分了嗎？”在開啟交流之后不久，韓雪反問編寫組。韓雪，先后供職于國內高頻私募，海外基金公司策略總監，國泰君安期貨投資經理，放棄了高薪和穩定的生活，她選擇挑戰內卷和夢想，現主要從事期權投資，雖然不到 30 歲的年紀，但是全程一手搭建了公司期權投研數據監測屏，特色數據庫，期權本地化高頻回測平臺等?！按蠹覍祿畔⒌耐诰虺潭仁怯羞^程的?！本帉懡M對于受訪者“反客為主”有點意外，但還是答道。從傳統財務數據、交易類日頻數據到高頻數據、另類數據，行業不斷由淺入深，而這是必經的過程。拿新聞

241、輿情來說，傳統上是對每個新聞打一個情感得分，樂觀還是悲觀，然后做成 0 與 1 的二元變量，但這種處理粗糙，吞噬了背后隱藏的巨大信息。隨后業界采用自然語言處理模型，分析里面每一句話的情感，就得到一個更精細的連續 0-1 指標，也會有人觀察同一個分析師，對同股票時間順序上的判斷，以此從時序上面挖掘信息。而就韓雪看來，隨著自然語言處理技術的發展，包括 Attention，Transformer 等技術的出現，文本分析的標簽可以更具體更精確，可以提取的信息就能更加多樣化，而不是單一的情感判定。傳統財務、規則數據已經不算是增量數據，因為數據類型只有這么多，而這也正是造成行業內卷的原因之一，因為規則性的

242、數據并沒有擴張，大家永遠在這幾類數據當中挖掘，每個人拿到的數據也是一樣的，所以量化只能越做越窄，越做越細，從分鐘到 Tick 再到逐筆。當然，在這個過程中，每個人對于數據的理解也是不同的?！澳秒[含波動率來說，這并不是一個新詞，但韓雪79是隱含波動率的計算方法千變萬化，這個背后的原因是什么？因為這是一個推斷性的公式，Black-Scholes 這個男人真的是非常偉大，但又非常不要臉！因為公式里充滿了各種各樣的假設，股票價格服從對數正態分布，股票價格要符合幾何布朗運動?！彼J為：接下來增量數據的爆發來自于另類數據，但是另類數據又會面臨：1、數據源是很難確定的；2、干凈穩定的數據昂貴；3、隱私邊界。

243、4、非結構化數據體量很大，難以預測即將產生多少回報。5、數據要入鄉隨俗，還要涉及語言構造的問題?！八?，我想一下另類數據核心點在哪？”韓雪又問編寫組，這個并不在提綱當中的問題?！霸谟诖鎯?。這是數據未來的一個難題，在未來 510 年一定會遇見?！?、4 年前，她能買到的芯片價值 2-3 千塊，2022 年 1 月價格逼近 2 萬，原因正是在于大量機構需要對數據進行組合、清洗、整理。接下來隨著量化發展的過程中，硬盤的價格也經歷了大漲之后，大型機構會擁有自己的數據中心，而其他機構可能會共享數據，常見量價規則類數據已經有成熟的廠商，但是另類異構數據供應鮮少。在增量數據發展過程當中，算力還將繼續擴張，從

244、多線程跑滿到 GPU，會變得更加高效且彈性，實現更方便的隔離，在更輕量的 docker，學習互聯網大廠如何應對數據沖擊的 kubernetes 彈性計算方式，不僅能優化分配資源，同時能實現語言之間的跨境?！傲炕墙^對正確還是模糊正確？”“數據、算法、算力，對于量化而言，我們到底是在追求絕對的正確，還是模糊的正確？”韓雪問編寫組，也在為這個職業設問。她是一個理想主義者，嘗試在模糊當中追求一個完美的正確。她在海外修完雙碩士，中途跳級，在美國工作一年之后回到國內，選擇人少的衍生品高頻切入市場?！癇lack-Scholes 為什么做一個推斷性公式？你會發現每個模糊的過程當中會有各種各樣的可能性，所以這

245、才是比較有趣的點?！表n雪要求自己在每一個算法上都要更努力點，做到最好，但是后來發現做到最好沒有用，因為可能每個方面上都是一種模糊的正確，然后在模糊的正確當中先跑起來再說。她選擇衍生品這個賽道，正是源于這個賽道門檻更高：“因為衍生品因為很多人覺得它結構復雜，掙錢不如股票，開始時需要很多的積淀，后續還要投入大量人力物力、財力算力進去。但它不會與大家擁擠，能減少一些別人對我的影響?！彼⒉恢M言， 自己加入行業是因想要 “印鈔機” 。 13世紀時候誕生了 “亨內考魔輪” ， 它讓科學家做起了 “永動機”的夢，科學家們幻想，一旦永動機誕生，人類將產生源源不斷的能源，于是科學家一直試圖復刻“亨內考魔輪”，

246、卻都慘遭失敗，然而無數的失敗卻沒有打消科學家們的熱情，反而對永動機的探索愈加狂熱。但即便是印鈔機也得不斷精進與迭代。同時，她認為不是自己選擇量化，而是主動投資沒有選擇自己。 “我不太看得懂人說話，無法從公告多變的”話術“中判斷是漲還是跌，但趨勢是非常肉眼可見的，能做概率統計，然后用大數定律去勝了它就可以了?！薄叭绻炕灰资腔诖髷翟砗透怕蕛瀯莸?，在目前交易樣本體量下的話，它究竟算是一個安慰劑，還是真的有效呢？”調研組問道。80“投資看10年， 那絕對就是有效的。 ” 量化總被認為是看短做短， 韓雪做高頻， 但是她卻認為她看的是10年?！昂韧馔顿Y差別比較大，國外認為投資是對于一種未來的認知

247、，他們辦年會，但我們出周報、出月、報出季報，投資周期看得很短，甚至短到每日都要報告。如果收益率下降要不要道歉？我們不存在道不道歉，永遠是市場正確，沒有對錯的東西，為什么要道歉？因為這就是個投資的一個過程，永遠前進的過程，我們不應對一個過程道歉？失敗乃成功之母，應該看更長遠，我們只是在做時間的朋友，共同投資的陪伴者?！碑斎?，韓雪也遭遇過回撤，第一次遭遇大幅回撤是在她的學生時代?！昂倌骋惶?，我個人賬戶上虧了有幾十萬， 不太開心， 達到了總資產的近一半以上， 我表示有點慌， 所以我一直在盯著盤， 像一個熱鍋上的螞蟻。 ”這個時候，韓雪的父親過來問怎么了?！疤濆X了，”想了想，她想：“爸爸你會罵我嗎？

248、”在韓雪看來，這是很多年輕的投資人、交易員都會遇到一個問題：關心其他人怎么看我。父親的回答不是“父母有錢”，或者“投資很危險的，你不該參與”。而是“這個是你自己的賬戶，你該自己管理?！边@對她的投資觀做了一個很好的開端：每一個投資人都會遭遇回撤，都應有自己的辦法去疏解，不要去在乎別人的看法和眼光，可以哭，可以發泄，就像阮籍窮途，但只要對賬戶負責，去反思，去復盤，加強風控還是邏輯錯誤趕快止損，都是該做的下一步舉動了?！把苌犯ｋU 你怎么看？”韓雪的工作是構建上千個衍生品組合，在其間尋找機會。在她看來，期權最大的優勢在于杠桿，但危險的也可能是杠桿，它是解藥也是毒藥。投資人要選擇在什么樣的勝率下玩，

249、做合理的倉位控制能讓游戲一直玩下去，這個是非常關鍵的，不要在某一次失敗中就徹底下線了。而股票給韓雪最大的感受多樣性，“4000 多家企業 4000 多個面，有它的通用之處，也有特性之處。有個詞叫一致預期，我覺得這個詞非常有意思，你是想讓市場達成一致預期，還是不想市場達成一致預期？”她不想跟別人達成一致預期，她更愿意做獨特的投資?？藙谛匏固岢隽藷崃W第二定律，在自然過程中，一個孤立系統的總混亂度不會減小。簡而言之就是孤立系統的熵永不自動減少，熵在可逆過程中不變，在不可逆過程中增加，可以說非常鮮明地指出了不可逆過程的進行方向，獨立思考如何打造自己的投資邏輯閉環?！拔揖驮敢庠谑袌龅紫卤辉业煤苌畹臅r候

250、，蟄伏，等待一個確定性極強的結果，啪抬起來的那一瞬間，那不僅僅是非常漂亮的一個曲線，更是市場對于你投資理念的共鳴?！彼运J為自己很適合做衍生品，衍生品自帶杠桿，會讓投資人產生敬畏之心，需要更加謹慎的過程當中，像價值投資一樣，要花很多的時間研究，埋伏?！澳阍诤ε率裁?？害怕的是不知道，不清楚，不了解，而不是明天會不會變，答案是一定會變的?！睂@個市場，杠桿，技術，新的品種永遠充滿敬畏和期待。在她看來，很難說在這個市場中成為”成熟”的投資經理，因為沒有完美的公式，所以也不存在真正的成熟，資深如巴菲特也難以預料到經歷了 80 年的美股，會連遇 4 次熔斷。所以這個市場需要風控，業界通用的就是希臘字母

251、控制，這個是表征，但如果投資經理對策略了解足夠透徹，而風險更多是通過衍生品的構造機理去控制風險，很多風控是不必要加的，加了反而會影響交易速度，所81以她認為真正的風控是在了解原理之后。另外一個比較通用的角度就是對市場預判的風控，也就是行情風控，第二是操作失誤風控，也就是交易流程規范。前者需要對市場有一個大致回歸的預判，可以設一個最大的回歸限制。而對于后者，其實量化就是來減少操作失誤，情緒化的失誤，疲累的失誤。但是操作失誤是機器永遠難以避免不了的，可能某一個接口出了問題，不要去害怕失誤，因為只有一個標準的答案，那就是多測試，定期測試，發現 bug，然后 debug?！斑€有投資人會覺得期權危險，所

252、以你們怎么看？“韓雪問道。量化行業缺“傻子”“量化交易還需引進更多算法，這個行業從來不缺聰明人，缺的是“傻子”，把它當作創業?！表n雪認為機構不應該通過面試或訪談套策略，大家都是聰明人，這個舉動會損耗的是人才對于公司的信任度和口碑。但她樂意同業界進行交流，包括算法、異構數據等，以此對抗熵增，并且獲得及時反饋共同進步?！拔視ニ伎家_成什么樣的目的，然后再反推用什么樣的算法更好，有時候與大家交流的時候會遇到一些業界一直想嘗試，但沒有用到過的，誰也不想當第一個吃螃蟹的人，也許效能不是很好，這個探索過程周期會比較長，中間就被砍掉都會有。但失敗就是成功之母，雖然我們都不愛失敗，就像我們不喜歡 bug 一

253、樣，但 debug 是必經之路?！彼龍远ǖ卣J為當前算法還需要創新，隨著數據的細膩度顆粒度要求越來越高，業界就不能再采取簡單而粗暴的算法了，但是大家很久沒有聽到很新的算法誕生。不禁感嘆，業界苦新算法久矣，新招的實習生，或者年輕員工，除了拿來就去做常規的挖因子，應該充分調動他們的好奇心和創造力?！斑@是很遺憾的，大家沿著比較常規的東西一直在做，而這也就是造成行業內卷的原因之一。比如各種回歸，遺傳算法、神經網絡等，不管有模型還是沒模型的，大家還是需要再開拓思維，比如近期我在關注區塊鏈技術應用到金融領域，通過共同節點去認證，系統性地解決信任問題，可以輕松讓交易記錄不被篡改，但也會遇到極少數尾部沖突的情況

254、?！焙Ｍ饬炕季种袊?，也是國內量化從業者所面臨的挑戰?！昂Ｍ獯笮土炕瘷C構比如文藝復興等對于未來的布局當中，我認為一定包含進入中國，因為資金都會往高Alpha 的新興市場走去，所以未來 3-5 年將會全面鋪開?！彼J為這對于內資量化人來說，是一種無形的壓力，要靠自身去打破，師夷長技以制夷?！昂Ｍ鈾C構當前在追求超高收益的階段，并不是追求規模收益，他們對資金有很高要求，暫時并不著急擴張，所以百億私募的對手是海外機構而非其他百億機構，因為當這些海外機構想要擴張的時候，市場號召力將會非常強，國內百億量化規模優勢也就不再存在?！碑斎?，是壓力也會促進學習。在韓雪看來，外資投研十分扎實，比如外資機構會測量土壤

255、的溫度，會跟某些調研機構合作，這些看似很遙遠的信息，就是異類數據的增量，與市場息息相關?！八⒉徽J為海外機構一定叫做領先，因為國內從業者也有同樣的潛力，但海外用了一種更開放的思維，比如把行為經濟學、心理學遷移進入投資領域，再用不同的方式來解決問題，而國內很多時候喜歡追熱點?！倍?，量化的技術不僅體現在策略，還體現在工程?！氨热绾芏嘤布O備并非國產，而當前很多人工智能論文也是海外發表比較多，不能說我們沒有課代表，但平均分而言，我覺得中國量化還處于一個尷尬的位置，但需要有無問東西，去追趕，去敢為人先的狀態?！彼皂n雪非常支持機構購買算力，去研究超算，量子計算機，去建自己的有效的基本面數據庫，這一步

256、中國是一定要跨出去的，要做別人沒有做過的事情，即使失敗，即使回撤，也是值得。825.3 中信建投：航母級券商中臺打造都說對于投資經理來說，管理 1000 萬與 100 億資金，投資邏輯不盡相同。而搭建一個航母級券商的中臺，和搭建一個普通機構的中臺又有何異同？一個成熟中臺如何隨著算力、算法和數據，交替突破迭代？如何支撐經紀業務、投資投研、決策運營多個場景挑戰？如何將公司商業和經營問題轉變為數字和邏輯問題？2019 年，中信建投開始進行云化轉型，時至今日已經支持到資管、基金多個部門業務發展，同時作為人工智能與大數據團隊負責人，李劍戈也在思考人工智能量化的發展。從 VMware 到 OpenStac

257、k 到超融 轉型期的實踐探索“如果說技術發展是數字化中臺建設的內驅力，業務融合、深度滿足客戶需求則是數字化中臺發展的源動力?！敝行沤ㄍ缎畔⒓夹g部總監李劍戈早前發表題為AI 平臺賦能金融科技創新的演講。中信建投在 IT 基礎架構層面也曾有過長期困擾，傳統三層架構存在存儲資源無法池化，集中式的架構不易擴展，專用存儲硬件設備維護復雜且整體擁有成本（TCO）居高不下等問題?！霸谧C券行業，x86 服務器 + 計算虛擬化 + 傳統集中式存儲的組合早已司空見慣，面對新的業務需求，平臺在可擴展性、 敏捷交付能力和業務連續性上暴露出明顯短板， 給IT運維和管理帶來了極大壓力。 ” 李劍戈說道：一個大型券商機構技

258、術中臺，要保證 724 小時的高可用性，新應用要更快速的上線、迭代，所以 IT 基礎設施要具備足夠的彈性和可擴展性，要具備自愈和自動化能力，盡量減少運維的負荷。在這個過程中，他把轉型提煉為“五化”原則：架構開放化：目的是在計算、存儲、資源管理和交付等各個環節不被綁定，為未來的平滑升級打下基礎；軟件定義化：業界的技術潮流，要滿足了構建高可靠、高性能、維護簡單、彈性擴展的資源池的需求；敏捷自助化：努力追求的方向，資源線上自助交互申請，底層基礎架構平臺自動化快速構建，大大減輕運維的負擔；管理統一化：旨在實現更加精細化的運營；場景多樣化：則可以更好地兼顧穩態業務與敏態業務。2019 年人工智能成為一個

259、風口，各類算法、智能推薦興起，推薦語音、智能問答、機器人概念在金融領域，相繼落地，李劍戈團隊開始一些實驗性質的探索?！爱敃r我們更多地考慮是如何把流行的技術，比如集群GPU，分布式存儲還有大數據的處理能力構建起來，試試能不能為行業賦能。于是我們與資管新入職的投資經理聊了一下，他對于機器學習、神經網絡這些比較熟悉，也認可這方面能帶來幫助，所以我們也就借此機會參與其中?！被谝陨稀拔寤痹瓌t，李劍戈機器團隊對彼時業界主流的幾種云構建方式進行了仔細評估和比較?！叭绻捎孟鄬ΡＪ氐牟呗?，可能很多企業會選擇 VMware 全套解決方案。整套方案和服務的統一性較好，但其產品強綁定、安全可控方面存在隱患、成本

260、較高?！?3OpenStack 也曾進入過團隊的考察視野，其優點是架構上支持超大型云平臺，缺點是管理節點重，欠缺靈活性，難以滿足對生產環境高性能、高穩定性的要求。另外，如果公司中臺遷移到 OpenStack 私有云平臺，需要對現有技術和架構進行大幅改動， 工作量和風險不可控因素較多。 綜上， OpenStack也不是一個完美的選擇。商用超融合 + 云管理平臺也成了團隊考量方向。經過多年發展，超融合架構因其靈活、易擴展、簡單、性價比高等與生俱來的優勢，在國內市場迎來了發展高潮，同時國內涌現了可與國外廠商競爭，并符合國產化需求的專業本土超融合廠商?？梢詽M足券商 IT 基礎架構升級的需求，并且在安全

261、可控方面具有先天優勢。除了超融合之外， 李劍戈團隊也對國產云管平臺 （CMP） 進行了實踐， 結果表明：CMP在異構基礎架構管理、自動化虛擬機發布、自助化流程、資源計量等多方面的功能測試結果符合預期，并可與超融合、異構的公有云完成對接，既符合證券行業云化改造的指導原則，又能很好地適配中信建投的現有環境，魚與熊掌兼得。最終，中信建投基于超融合架構搭建了企業 IaaS 資源池，并結合云管平臺解決方案，打造了新一代企業私有云的 IT 架構。人工智能下一賽程 在投資后半段當前，李劍戈團隊部署的平臺已成為整個中信建投的基礎 IT 架構，為公司各二級市場投資部門提供服務，包括固收、資管、基金、自營等，整個

262、平臺規模達到 30 多個節點，100 多塊 GPU，其中有幾十塊 GPU 做 24小時因子挖掘。對于眾多小型金融機構來說，可能是先有業務需求再有中臺部署，但大型機構有的時候會先有實施整體數字化戰略，對于中臺部門來說，所面臨的壓力就在于向業務部門去推薦中臺，尤其是一些量化從業者本來就具備系統能力?！拔覀円婚_始賦能還是在計算能力、數據處理能力方面，漸漸地深入專題研究，包括做風格控制、做市場狀態，回測甚至生產?！崩顒Ω暾f，不光是量化相關業務在使用，主動投資相關部門也有不同程度地參與。近期就有研究員主動找到李劍戈，希望把研究報告中的觀點進行拆解，用量化方式解決問題?！拔覀儽憩F出了兩個價值， 技術平臺價

263、值 是一種必然價值， 大規模數據處理集群， 效率會比機器快。 局部價值在于實戰投資補充，大家看到了我們數字化刻畫市場價值的能力，也是中臺的意義，接下來這部分漸漸會變成量化機構的必爭之地?！毙袠I持續內卷，如何保持現有技術優勢呢？“行業的內卷主要是在技術，前幾年是海外從業者回國創業、就業，現在海外機構已經直接入場。這不是停留在技術層面的引進，更重要的是一種規模引進。規模引進關鍵就是它在改變是整個中國資本市場的投資風格，推進市場機構化進程，投資者也逐步更加理性，量化在平抑市場非理性方面是非常明確的。但從業者也需要意識到，早前對手方是個人投資者，后期將會是機構投資者，或者是越來越多的量化從業者，這中間

264、就需要投資思維的轉變?！崩顒Ω昕春眠@樣的 “內卷” ： “至少蛋糕份額在逐步做大， 從一個IT角度技術角度來講， 我們收益就會更豐富。因為我們不僅支持專業投資者，同時我們在把金融和技術結合，產生更多新的工具，服務 2C 客戶。作為一個有平臺能力的券商，我們要優先為客戶提供更好的量化思維方式與服務?！崩顒Ω晖瑫r也是中信建投人工智能與大數據團隊負責人，在他看來人工智能在量化行業當中也并非新鮮事84物，而是標配。目前主力方向還是因子挖掘和模型，難以在大資金規模下運作，并非技術不行而是處于這樣的投資環境我們還有待深化認知?！拔覀儩u漸懂了一點，所以也開始閉嘴了，發現就好多事不能瞎說。原來覺得自己好像懂了

265、點東西，其實現在來看還都不太懂?！崩顒Ω觌m然言語更為謹慎，但他看好人工智能發展，他認為接下來將在以下兩個方面產生效用。一方面是針對普通個人投資者，形成人工智能選股工具，形成普及化、標準化的產品服務，與此相適應，個人投資者的認知起點會變得變高。另一方面是專業投資者，投資者不再停留在某一個層次的人工智能，而是覆蓋到整端到端的解決方案過程中。同時業界研究重心可能會發生變化，大家嘗試從人工智能中獲得推理能力，而非找到答案在哪，這部分解決的是投資后半段的能力。855.4 因諾資產：萬億量化新時代徐書楠，因諾資產創始人。2006 年，從清華大學畢業赴美 MIT 攻讀研究生學位。2009 年，加入國際頂尖套

266、利對沖基金 IMC。2014 年，創立因諾資產。2021 年，因諾資產突破百億。這仿佛是一個典型“海龜”量化的職業側寫，與其交流也像在讀一篇研報或干凈的代碼， 用詞精確， 無多余的口頭表達， 就連形容詞都用得極少，但對于量化形勢的判斷， 對于量化當中人的理解， 或者 “因諾” 這個詞義本身，又折現出另外一種溫度?！安呗缘谋澈笫侨恕?006 年，徐書楠從清華大學畢業后，獲得全額獎學金，赴美國麻省理工學院（MIT）攻讀研究生學位。3年后，接受了國際頂尖套利對沖基金 IMC 的工作邀請，加入該公司的香港辦公室，負責香港、新加坡、韓國、臺灣等亞太市場的套利交易。2014 年四季度，因諾誕生。最初的辦公

267、室，是一間簡陋的民居；最初的員工，只有兩個人。好風憑借力，因諾的成長與國內量化投資的時間成長軌跡高度相似。從 2018 年年底 1000 億發展到 2021年 1 萬多億，3 年 10 倍，因諾在此過程中也從 2018 年末 10 余億到 2021 年 150 億以上的規模，人員結構也迎來大幅的擴充，形成了完善的公司架構和投研團隊體系。從創立到發展到擴容到晉升百億私募，從美國、香港跨越至 A 股，徐書楠對量化對沖基金的核心競爭力思考清晰：所有的投資策略都有有效性的周期，都會慢慢衰減、失效。量化對沖基金核心競爭力永遠不會變：有效的投資策略。而策略的背后是人，最核心的競爭力其實是投研團隊。正是這樣

268、一個理解，徐書楠認為，對量化對沖基金而言，絕對不能夠只依賴于外部招聘成熟基金經理一條路。因為量化策略本身具有隱秘性，純粹依靠外部招聘無法形成有效的團隊，對于基金經理策略的細節、特點、風險的把握，都有著很強的不確定性，而這些方面是無法依靠一套冰冷的數字體系有效評價的。所以量化機構要做大做強，必須有一個行之有效的培養體系。量化策略的研發，需要很強的數理統計功底與編程能力，這些都與名校理工科學歷背景和研究方式高度契合，因此，中外頂尖的量化機構的人才招聘，都具有很強的一致性特點名校理工科。即使如此，優秀的新人要成長為優秀的基金經理，卻仍是小概率事件?！笆袌錾蠜]有容易賺到的錢，否則大家都賺到錢了。我們的

269、投研團隊培養體系，它的價值體現在哪里？我認為，優秀的培養體系，能夠提高新人成才的概率?！毙鞎慕涷炛?，一套有效的培養體系，能夠更充分的挖掘人員潛力，成才概率可以提升數倍。同時，部分人員即便沒徐書楠86有成長為獨當一面的基金經理，在策略團隊中做好本職工作，也能體現相應的貢獻與價值。徐書楠做套利策略出身，因諾最早的策略也是以他為核心來開發的，慢慢的策略研發對團隊的依賴就越來越大。徐書楠仍有一半以上的時間會花在投資和研究上，了解所有策略線的研究進度，但是，在策略研發的細節上，參與的越來越少?！安呗匝邪l最終要依賴成熟的團隊與體系，要充分激發和挖掘每個成員的潛力，團隊越強大，體系越完善，公司的價值就越

270、大。一個人是不可能戰勝一個優秀的團隊的?！蓖瑫r，徐書楠也承擔了更多的管理工作?！斑@是一個扁平化的行業，不會有特別多的上下級的關系，而且是直接以業績說話的。這也是高知人才扎堆的行業，公司的激勵制度設計非常重要。正常的人才流動并不可怕，公司的管理框架和激勵機制要盡可能的留下最合適、最優秀的人才?！比f億量化新時代2021 年第四季度，量化市場迎來一輪巨浪，出現了大幅共同回撤。徐書楠認為：隨著私募量化基金站上萬億以上的規模，出現相互影響是必然的。任何投資模式，只要規模到了一定的體量，都會有相互影響，放大波動水平。隨著量化投資進入萬億時代，已經到了這樣一個時點。在流動性暴露、股指期貨基差變化等方面，能夠

271、明顯的觀察到這一影響。在徐書楠的判斷中，上一個十年，因為量化整體規模小、市場無效波動大，從投資效果上來看，國內市場無疑是量化投資的黃金期。但慢慢地，隨著量化投資體量越來越大，中國市場越來越有效，量化投資的投資效果也會慢慢進入白銀期，超額收益會不可避免地出現衰減，而波動與回撤則會增大。造成這一現象的本質原因，不是策略的失效，而是中國市場變得越來越有效了。當然，這樣的趨勢，不僅會發生在量化投資中。實際上，隨著中國經濟增速逐漸放緩，市場有效性越來越強，各種資產的收益風險特性都會出現不可避免地衰減。因此，即使在量化投資的白銀時代，也仍然具有強大的競爭力。實際上， 即使量化投資去年突破了萬億規模， 在整

272、個二級市場資產管理行業中， 也仍然僅占有20%+的比例，與成熟市場有著巨大的差距。因此，在未來 10-20 年，量化投資的白銀時代，可以預見，量化投資仍然會取得長足的發展，獲得更多投資者的認可，也為中國投資者帶來更大的價值。萬億量化新時代，只是一個新的起點。規模與收益、波動之間的不可能三角適用于整個行業，也適用于某個公司?！安呗匀萘科鋵崨]有固定不變的的數字。但策略的表現與規模是相反的關系，這是所有的投資模式都共同遵循的規律。對量化策略而言，在一定的范圍內衰減尚不明顯，但突破之后，可能就會發生較為嚴重的衰減。這中間，不一定有明確的分界線。作為投資機構，需要把握好策略的特性和管理規模之間的關系?！?/p>

273、徐書楠的目標是，在保持在市場上有競爭力的業績的前提下，理性的發展管理規模，避免爆發式規模膨脹帶來的業績傷害。他指出：美國行業發展了二三十年之后，形成了知名的品牌。例如，大家在購買橋水的產品時，知道它作為管理規模最大的對沖基金，并不能提供顯著高于市場平均的收益風險水平。但投資橋水，也意味著更加穩健、更加放心。相反的，對于新的投資機構，雖然可能帶來高收益，但也有可能帶來更大的不確定性。長期來看，投資人會與投資機構互動成長。2019 年，因諾封盤純中性產品，正是源于這種發展的克制，“目的就是要控制我們規模增長的節奏，同時把容量讓給更有競爭力的策略?！毙鞎J為封盤絕對不是一種消極的處理方式，而是一種

274、投資機構必然面臨的選擇，只不過在什么樣的時點做，以什么樣的心態做，才是真正應該考慮的內容，這是對投資者負責任的87做法?！笆袌鲇袝r候會出現異常的情況，比如出現無效波動特別大的時期，投資者會產生錯覺，覺得策略盈利方式可以持續很長的時間?！毙鞎f，但是這很可能只是市場短期的效應。比如像 2015 年的行情，套利策略收益比正常的年份高 510 倍，但顯然這種情況并不可持續。即便沒有任何政策的出臺，這種極端收益也不可能長期維持。所以，投資的長期性，是機構必須要把握的事情?！凹词箤τ趯I從業者，也可能會對一些方面產生過度自信或過度悲觀，只能靠經驗去逐漸彌補?！薄安呗缘幕爻肥遣呗员旧硖攸c的一部分，是任何

275、投資模式都無法避免的。對量化投資而言，所有事件的出現都是概率事件，量化投資的目標，就是要獲取大概率的收益，在量化投資看來，不存在確定性的收益?！比绻霈F小概率事件，就需要做好投資者的交流和溝通，把真實的理念傳達給投資者。徐書楠認為，量化模型基于統計學，樣本數據越多，統計顯著性就越明顯，如果時間周期比較短，就會有比較強的隨機性，而隨機性其實是任何方式都沒有辦法避免的。隨著管理規模越來越大，策略的交易頻率相對來講就會比較低，而低頻策略樣本積累需要更長的時間，這就需要更加成熟的投資人和投資理念?！耙驗槌兄Z，我們全力以赴”“因諾”一詞有兩重含義：中文名可解讀為“因為承諾，我們全力以赴”，這是公司對投資

276、者的永恒承諾；英文名為“INNO”，是 Innovation 的縮寫，意為創新，而創新是量化對沖基金生存的根本與靈魂。從一開始，徐書楠的目標就是要把因諾資產打造成“文藝復興”這樣的世界一流的對沖基金。在徐書楠眼中，因諾的投資理念如下：1、 相信量化投資。 量化投資， 就是基于數學統計進行投資。 市場不可能是絕對有效的， 總是存在著無效波動，這種無效波動，就會表現出一定的統計學關系，并被優秀的統計學模型捕捉到。因此，量化投資的基礎是非常牢靠的，甚至可以說是永遠有效的，因為它基于人類幾千年智慧的結晶數學統計。2、 人才是量化投資最重要和最核心的根本。 量化投資如逆水行舟， 不進則退。 只有不斷的吸

277、引優秀的人才，培養優秀的人才，才能不斷的做出優秀的策略，在長跑中保持競爭力。因此，對于量化對沖基金，人才以及人才培養體系，是最核心的根本。3、量化投資可以創造價值。量化投資不僅是自己盈利，而且具有重要的經濟價值和社會價值。從長期看，量化投資可以降低市場的無效波動水平，不斷提升市場的有效性，這一點已經在中國市場得到了證明。同時，量化投資屬于高科技行業，從誕生以來催生并發展了一批新科技。更不用說，量化投資本身就是一種重要的資產配置方式。這些，都是量化投資對整個社會的價值所在。885.5 中信證券：兼談平臺、強化學習、可解釋性橋水基金創始人雷達里奧在 原則 一書中說到： “投資是一個反復的過程， 你

278、下注， 失敗 （有時很痛苦） ，學習新知識并重試。在這個艱難的過程中，你可以通過不斷地反復試驗來改進自己的決策?！?017 年初，中信證券搭建人工智能團隊，為其內部機構提供人工智能應用研發、部署、運行統一云平臺，提供統一的數據，算力和研發運行環境。3 年后，團隊宋群力、徐暢澤、胡振寧、張俊靈 4 人聯合撰寫了論文中信證券智能云平臺以及智能應用（以下簡稱智能云論文）援引了以上這段話，并分享其團隊在框架、投顧、算法、咨詢、風險識別、文檔抽取、投研自動報告等 9 大方面的應用?！叭斯ぶ悄?、量化都是保密性比較強的工作，為什么會愿意分享這些應用？”白皮書調研組詢問徐暢澤、胡振寧?！斑@些應用已經不值得保密

279、，大家都在往這些方向走，而我們也在升級?！睍r隔一年，市場在變化，團隊的研究也在繼續往深處航行。統一云平臺 一個引擎支撐 9 大應用“我們 IT 部門參與采購工作，知道公司各業務部門都在買算力，但是都是割裂行不成合力，這樣顯然很不經濟。于是我們想做一個統一的平臺，算力更大，總體維護成本更低?！?019 年，中信證券嘗試把最新技術用到業務中，用技術引領業務。智能云論文中非常清晰地描述了其平臺搭建情況，其核心功能就是針對資源搭建相應的服務跟模塊，整合和維護以滿足客戶研發和運行人工智能應用的需求，包括：金融數據服務：對接內部所有行情源及各歷史行情數據、歷史宏觀數據源，提供因子研究工具及自定義的因子數據

280、定時維護與共享服務。研發平臺：支持各種機器學習算法及多種深度學習模型和框架（LSTM 模型、Tensorflow+Keras / PyTorch等框架）的運行，提供開發工具和模型代碼生成工具。多租戶算力平臺：共享多 GPU 計算資源，支持多租戶的云服務調度系統。支持多機多卡并行訓練，提供超參搜索功能。策略回測：支持對訓練出的模型進行歷史數據回測及實盤模擬交易（完全仿真中信證券的交易場景，防對敲、模擬撮合及滑點）?？冃Х治觯簩τ柧毢蟮哪Ｐ瓦M行回測及實盤交易績效評估和風險度量，提供績效評估基準和風險度量指標的計算分析報告。交易接口與模型推理執行框架：提供將平臺訓練、回測并優化好的策略打包提交到生產

281、環境并與交易系統89對接的 API。研發平臺還分別提供了在線的模塊化 SaaS 開發工具和面向專業開發者，基于 PyCharm IDE 的客戶端?？梢詭椭脩艚档褪褂眉斑M入機器學習量化領域的門檻，同時滿足專業開發人員大規模工程開發的需求：模塊化開發平臺：可視化的機器學習和深度學習模型搭建與開發工具平臺，方便快速構建機器學習的量化應用。表達式引擎：用戶可能之前積累很多指標與公式但若把開發環境遷移到機器學習的工具平臺上，就會需要從基礎數據開始從頭開發所有指標和因子的難題。表達式引擎提供了通用的解決方法，用戶不再需要繁瑣的編程從頭實現。多客戶端使用模式：方便不同需求的專業用戶從開發 / 測試環境到生

282、產環境以及相應的異地生產災備環境。智能云平臺的運行環境針對開發 / 測試用戶的訴求提供了大功率的 8 GPU 運行環境，用戶開發測試和訓練完畢的模型，可以直接部署到使用低功耗 GPU 服務器的生產環境之中，同步提供了安全高效的多租戶隔離地生產運行環境。最后系統還為生產環境提供了異地災備及定期的數據同步服務。待平臺逐漸把數據攢齊了，平臺很快發生了功效?！蔽覀儼颜麄€大集群算力資源做集約化使用，快速提升了效率，風控部門風險分析模擬計算運算性能前后相差 400 倍，最快到零點零幾秒就出結果。 “胡振寧介紹道：現在團隊在繼續不斷深挖，為各個部門賦能，包括標的類型的擴展、策略研究的擴展都在升級?！蔽覀兛吹?/p>

283、市場是越來越卷的，超額收益衰退得很快，不努力就會收益越來越低，波動越來越大?！吧疃葟娀瘜W習在選股及交易算法上的應用“深度學習具有較強的感知能力，但是缺乏決策能力；而強化學習具有決策能力，無法處理感知問題。因此，將兩種機器學習方法結合起來，優勢互補，為復雜系統的感知決策問題提供了解決思路?！痹谥悄茉普撐闹?，中信人工智能團隊談到了其強化學習的應用，其開發的全智能算法交易策略AITWAP3，旨在運用深度強化學習理論，通過學習歷史 A 股 Tick 行情數據，訓練機器學習算法交易策略（交易時機，數量和價格類型的選擇）。所有下單決策由機器獨立完成，并且機器會根據當前市場環境每日持續學習調整策略，以適應新

284、的市場環境。自 2019 年 12 月 23 日實盤上線至 2020 年 5 月 27 日，策略累積交易 9134 次，總成交金額約 13.2 億元，平均績效優于市場 VWAP 2.54（2.54 個 BP）。 2019 年 1 月 2 日到 2019 年 11 月 15 日 A 股全市場股票回測平均績效優于市場 VWAP 1.79(1.79 個 BP）。同時中信團隊把強化學習應用于量化選股，但并不以此作為策略強調的重點，因為在團隊看來，量化應核心錨點應以業績為目標，各種量化技術、參數都可能發生變化，應是評估自身的資源情況進行探索，整個市場都在使用相似方法、變得非常擁擠的時候，就變成零和博弈，

285、Alpha 也會變成 Beta，反過來一些簡單的線性或非線性模型也能產生很好的效果。90另外在胡振寧眼中，當前使用的強化學習，本質上是用蒙特卡洛的一種產生數據或者說是枚舉的方法，如果市場都設定了雷同的目標函數也會形成擁擠度非常高的策略?！斑@是反直覺的，不是拿著先進的武器或者先進的算法，你就一定能夠解決問題，先驗的知識反而更有決定性，量化比拼的就是數據的積累，以及迭代快速升級模型的能力，而并不是模型多先進。如果因子本身不好，不可能有一個先進的模型，就突然神奇地提高了收益率?！睆娀瘜W習是智能體以試錯的方式進行學習，通過與環境進行交互獲得的獎懲值指導行為，目標是使智能體獲得最大的獎懲值。但在大市場環

286、境下，個人難以對整個市場環境產生影響，強化學習又該如何發揮作用呢？“這個環境可以是市場，也可以定義為自己的持倉，從而把傳統的簡單策略轉化成倉位分配，做得更加精細化?！焙駥幗忉尩?。人工智能量化是否需要解釋性？各類數據顯示，量化市場的因子挖掘在走向不同的方向，有的機構研精究微，越來越細致，有的通過機器學習及遺傳算法暴力破解市場?？山忉屝允潜┝ν诰蛴龅降木薮箅y題。也有人認為人工智能只需要使用就好，不必知道其所以然，就像普通人窮盡一生，也難以理解 AlphaGo 每一步棋的動因?！癆lphaGo 是封閉的游戲，規則完美、運行過程中也沒有任何雜音。但投資市場中有很多人、很多噪音、規則很弱， 我們即便可

287、以用深度學習去找到類似于相對論的學說， 但投資機會會隨著監管、 交易規則、 交易場所、市場參與者、 媒體輿論發生變化， 比如漲跌停制度從10%變到20%， 振幅波動率增大， 原有模型可能就會失效，所以我們無法使用靜態模型適應變動市場?！毙鞎碀烧J為，采用人力挖掘因子，雖然梳理進度很慢，但具備有非常強的準確性與可解釋性，公募基金使用較多。機器挖掘本質是數學公式，確實有效但可解釋性弱，同時存在邊際、始易終難：從 x+y 到（x+y）+z數據和符號越來越深。在收益時期大家相安無事，但當出現回撤時，機構就無法給投資者解釋回撤原因及可持續性。由于數據和統計方法問題，挖掘因子有效性的問題一直受到國內外業界困

288、擾，如何在層出不窮的因子中，91排除靠 Data Mining（數據挖掘）挖掘的走運（Lucky）的，找到真正能夠解釋股票預期收益界面差異，真正能夠戰勝市場的，是業界關注的重點。這個問題如同 1984 年巴菲特提出的一個假設：如果讓 3 億人同時玩猜 20 次扔硬幣，20 輪過后全對的還會有 250 人左右，那這 250 人究竟是自身的某種特質，還僅僅是依靠運氣（Lucky）？胡振寧在“暴力破解”同時也在開展大量輔助機器學習模型可解釋性探索工作，這類技術已經相對比較成熟，主要應用于以下幾個方面：1、機器學習模型可解釋性技術可以很好地篩選、過濾、校準，用以排除遺傳算法因子挖掘和策略過度挖掘中的

289、Data Mining 所帶來的 Lucky 問題。2、快速定位導致產品回撤的因子，以及該因素在什么樣的特殊場景和狀況下面會復現，幫助進一步完善模型和策略。3、人工智能可以看作通過數據挖掘出來的一個數學上的映射關系，需要關注數據當中是否會有噪聲，是否在訓練當中被很好地校正，是否存在過擬合，在泛化中是否過濾掉了噪聲的影響通過可解釋性明確地判斷出概率上的估計，明確是由噪聲導致還是確實從數據當中所學習到的映射關系。4、模型通過數據當中學習出來的映射關系是否存在著一定的邊界？當前的現實的情況已經越過了邊界？而可解釋性能夠判斷異常情況，幫助投資人在運用策略模型時，能夠做到心中更有數。5、全市場的狀態并非

290、簡單的漲跌平這 3 種狀態，而是一個復雜的結構，可解釋性研究也會研究因子在各種市場狀態下的不同演變和暴露，從過往歷史中看，市場狀態時常處于類似高斯混合模式若干狀態交錯的狀態，市場當中的資金進入或者退出都會有慣性，當前一個市場狀態正在消亡的時候，新的市場狀態已經誕生，而這是可以識別出來的，當狀態跨越到某一概率臨界點時，市場可能才會發生劇烈的反轉，這個過程無需量化去預測，而是識別、判斷和確認，以便進行策略切換，調整相應倉位和權重，以增加收益。量化 vs 量化 量化 vs 主動 博弈的力量在投資市場， 量化與量化機構之間、 量化與主動投資之間、 國內量化與海外量化之間在交換籌碼， 不斷博弈。9月6日

291、， 證監會主席易會滿在第60屆世界交易所聯合會會員大會暨年會上講話： “在成熟市場， 量化交易、高頻交易比較普遍，在增強市場流動性、提升定價效率的同時，也容易引發交易趨同、波動加劇、有違市場公平等問題?！比绾握_看待量化在市場當中的作用？量化機構在如何影響這個市場？“高頻交易和量化交易的貢獻其實類似打假，把市場不合理的定價變得更合理，而且這個力量應該是越大越好，比如新能源車估值漲到 50、60 倍的時候，就應該有這樣的博弈力量打回到到 45，整個市場定價就會比較平穩，股價隨著業績漲跌，大部分時間都低波動，這才是有效的市場?！毙鞎碀烧J為，整個 A 股市場制度在設計之初就非常注重保護中小投資者的利

292、益，如 T+1 制度，高頻交易的限制。而量化機構不斷往中低頻走其實也是一種回應，而日頻交易本質與主動管理并沒有太大區別，只能說投資理念、投資方式更加理性。92胡振寧嘗試從另外一個角度去理解量化對市場的作用：“有人歸結過，市場分三類交易者：其中包括噪聲交易者、趨勢交易者、機構交易者，機構能夠對市場起一定的推動作用，是聰明的交易者或者 Beta 類投資人。其中，量化交易最主要賺的一個是 Alpha 其次就是“收割”噪聲交易，當然量化機構也會互相收割，當機器學習引入量化之后的話，能自適應市場，機構間比拼的是不斷升級迭代模型的能力?！睆拿绹慕涷瀬砜?，徐暢澤認為量化機構的超額收益可能會高于頭部主動管理

293、，主動型公募基金經理擅長做行業研究，但很難做行業切換，超額收益來自于行業長期的成長，年化的復利會比較高，但是波動也高，擇時能力較弱，并不怎么強調主動管理能力。所以量化不僅僅是收割了散戶的錢，還收割了主動管理的錢：“鐵打的機器，流水的研究，而主動管理投資思路很難復制繼承?！焙駥幰部吹?， 有狙擊主動投資的量化策略存在， 分析Ticks行情就能看到這樣的例子。 不過雙方的博弈下，這類交易很快就減少了，因為量化策略的“漏洞”（缺陷）能（被）抓到的概率畢竟很少。對于主動交易的人來說也需要升級自己的武器，中信證券也會幫助合主動交易提供基于智能算法的下單策略。在滑點、潛在正收益方面都會比傳統標準 TWAP

294、 要強很多。量化機構之間也會博弈，包括數據、算法。在徐暢澤看來，競爭是發展的必然，是在許多行業都已經經歷過的行業發展路徑，掌握技術之后會迅速進入泛濫。而超額收益其實不像 Beta，Beta 是一個正和游戲，但超額意味著互相廝殺，所以它是衰減的，而且越高頻的可能是衰減越快，因為越往低頻意味著需要處理信息量越多，有更多信息需要判斷也就越難，這是量化并不擅長的，主動管理優勢更大，所以并不排除量化接近邊際效益的臨界值了。隨著績效衰減，量化機構多線出擊，提升策略多樣化，甚至包括參與打新?！坝械陌旬a品拆小為兩個億左右，適應線下打新的比例，能有 5% 的收益，但這部分收益未來可能也會沒有。量化也會回歸投資本

295、質：超額收益大部分來源為基本面，高頻量價數據純粹沒有任何經濟學含義的東西就很容易沒有什么價值，每個人確實可能分到一點利潤，但利潤除以總規模來講，對收益率就沒有什么太大用了?！毙鞎碀烧劦?。93當然，算法之間也會反向收割?！斑@個市場上大家都追求用機器學習，用同樣或相近的數據不斷地優化策略的話，一定會出現一個狀況，就是所有人都在訓練模型尋求讓收益率最高、結果大家都會不約而同的聚集那幾個相雷同的策略上，可市場具有反身性，策略的擁擠度高就會導致變得在這些策略上大家不賺錢。反過來，市場當中其他存在機會的策略，（從回測上看）看似不掙錢（歷史數據并不顯得有他們高收益），反而能成為比較好的機會（實際策略收益率很

296、好），因為他們避開了擁擠度特別高的（量化策略）?！焙駥幷f道。海外機構也是市場新增的博弈者，胡振寧了解到當前已經有國內機構給外資提供因子和交易系統。在他看來，外資的進入從短期來看影響不會特別大，反而外資會需要去借助于國內現有的一些量化技術來幫助他們去理解和了解市場，但是長期應該來說影響會大，這股增量將促進 A 股機構化進程。投資人需要把外資進入中國的進程放進整個國家戰略和整個市場博弈上觀察，海外市場中概股劇烈暴跌，未來中美之間博弈所導致的資本市場大輪換，一方面中概股會往港股走。另一方面，各類主動、被動資金都會往中國資本市場去移動。第三方面，市場總交易量越來越大，參與者的資金以及博弈肯定會升級。

297、而國內機構布局海外的，量化與主動的路徑并不一致。不管是主動還是量化，歐美海外現在的超額收益都比較少，Beta 更強，追蹤指數是更好的方略而不需要追求超額，市場定價更加有效的結果就是波動很小，也就沒有什么做差價的機會。量化需要取去的是新興市場，個人投資者在里面，不合理的定價也就在里面，所以國內量化機構若要輸出投資能力，絕對不是不是老牌的資本主義國家，而是類似越南市場、印度市場。945.6 世紀前沿：以無厚入有間 “彼節者有間， 而刀刃者無厚 ； 以無厚入有間， 恢恢乎其于游刃必有余地矣， 是以十九年而刀刃若新發于硎。 ”百億量化，有的大開大合，多線敘事。有的以無厚入有間，研思精微，向每條數據求索

298、，把每個因子研究透徹，而世紀前沿就是其中之一。 吳 敵 陳家馨“遵從邏輯 相信數據”2010 年，吳敵在香港中文大學攻讀博士，陳家馨在讀大二計量金融學，因緣際會兩人人生軌跡開始相交，并高度重合。隨后陳家馨以合伙人的身份加入了吳敵的創業項目，雖然三四年后項目關停，但是兩人完成了首輪磨合?！拔液蛥菙吃撚械臓幊扯荚诘谝淮蝿摌I的時候吵完了?！标惣臆版告傅纴?，氣定神閑。過了幾年，吳敵從港中大取得博士學位后，他和陳家馨先后加入了香港的一家平臺公司，兩人在那里開始了第二段“共事”。這家平臺公司有不同的交易團隊，陳家馨和吳敵做國內商品交易所和美國芝加哥商品期貨交易所（CME）的跨境套利策略，很快就做得有聲有色

299、。2015 年，吳敵和陳家馨從平臺公司離開，正式成立“世紀前沿資產”。吳敵負責公司團隊創建，核心交易策略開發以及公司的運營和管理，而陳家馨負責指導公司戰略方向，領導投研團隊研發交易模型，全面覆蓋量化投資的策略研究工作。獨立出來之后，團隊展開自營交易，2015 年股指期貨，2016 年開始進入商品期貨，2017 年開始進行股票高頻融券交易，2018 年開始獲得私募牌照進入中低頻領域，2020 年對外募資，2021 年經過發展，到達百億規模。95中間當然也有艱難曲折，“股票對速度要求沒有那么高，但是經常出問題，數據經常斷，丟包，漏掉數據，交易的時候也會偶然出問題，有時候還會有一些黑名單不能買。和期

300、貨比，股票交易的運營非常繁瑣。另外，股票交易和期貨不同，很多募集要通過券商來做，意味著不能只做一個券商、深度綁定一家就可以。多家券商也意味著更多的運營壓力?！标惣臆盎貞浾f，2020 年 9 月到 11 月，幾乎每天都在“救火”，事情做不過來，公司壓力很大。世紀前沿從自營到百億發展不到一年半 , 如何看待這樣的快速增長？陳家馨形容世紀前沿為風格保守的小而精公司，小而精在于一直到 2020 年初，世紀前沿員工還不到 20個人，目前團隊雖然有 55 個人，但吳敵和陳家馨一直想保持一種緊密的合作氛圍。而風格保守其實是形成希望一種穩扎穩打的投研氛圍。 風格保守體現為早在2016年， 世紀前沿進入商品期貨

301、領域就發現， 市場容量明顯，行業天花板肉眼可見，但想到策略還有很多的細節優化沒做好，即便觀望股票許久，但也并未貿然開辟股票新戰線。小而精與百億量化看似是一個矛盾體，但在陳家馨看來，團隊大小與策略容量并非必然關系，容量更關乎研究方向的選擇， 比如選股與中低頻， 更能決定容量大小， 容量大需要大票、 流動性好的股票， 需要信號有優勢，中低頻換手不可能太高，如果換手太高或者說是對執行的及時性要求很高，就很難做一個容量特別大的策略。小而精團隊也會面臨相應的優勢與劣勢，優勢在于聯系更緊密，形成去中心化的研究方向，能把領域做得更深，看得更細，缺點就是多樣性會差一些，特別是在早期的時候更專注去做一些關鍵的重

302、要的問題。比如在2020 年的時候，模型里面 80% 以上是量價信號，缺乏長周期基本面情況或事件類研判，2021 年下半年團隊開始有意識補齊短板，公司整體產品框架和研究體系業已成熟，尤其是在中低頻方面一開始就設計為能夠支持大型資金來運作的模式，所以即便上量之后也運行平穩，所以在陳家馨眼中，這樣的規模增長其實在一個合理速度之內。對于未來，他認為權益類市場逐步增大，資金活躍程度和市場資金容量整體都是在提高的大背景下，機構自然會增長，但公司希望追求自然增長，不盲目短時間沖大規模，脫離策略支撐范圍?！暗膊辉O限，應該是站穩一個臺階，繼續往前走?！标惣臆安]有思考過，希望外界看世紀前沿應該使用什么樣的關

303、鍵詞。在他看來，本質上世紀前沿是一家科技公司，“遵從邏輯，相信數據。我們量化行業也許沒有主動投資很 fancy（絢麗）的概念，選擇某種賽道或者價值，我們想的是遵從一些科學的方式，整個投研的體系策略發展都是有邏輯的過程，這是我們希望傳達給大家一個世紀前沿的印象?！绷炕?1.0-3.0 細致錘煉量化行業本質導致人才持續內卷，競爭異常激烈，這要求業內所有人都能迅速進步，同時要維持競爭優勢就要跑得快，能在研發上一直持續進步，在陳家馨看來，持續進步淺層次是一種研究風格，深層次是一種研究體系。他不太相信純粹從數據本身去挖大海，只做有堅實邏輯支持的精品因子，現在世紀前沿因子庫只有 3、400 個因子，實際使

304、用的只有 100 個左右，“要保證自己找到的現象能夠站得住腳，好處是對于里面的每一個邏輯，我們都是希望能做的特別干凈，東西能夠長遠來看，是能夠長久有效?！?6所以對于人工智能技術應用，世紀前沿非常小心，“對我們來說不是黑箱，但至少是灰箱，因為從純數據的角度出發，涉及很多細節把控，非常多可以出錯的地方。如果對任何一個環節了解不夠深，都很容易被帶進溝里，選擇的結果未必能在樣本內數據看得出來，因為樣本內可能沒什么區別，有些想不清楚的，很可能找到的只是假象，或者是說本質上是一個風險，并不能產生新的收益?！斌w系層面，陳家馨希望公司是研發驅動的組織，形成公司從上而下整體的方向。他根據自己的從業經歷，總結出

305、了“量化 1.0”到“量化 3.0”時代的不同特點：量化 1.0 的時代（期貨高頻時代），一個人就能做交易，數據清除噪音，提取信息特征，自動化運行，這些都可以一個人完成，但市場進步非?？?，單槍匹馬的時代過去得非?？?。量化 2.0 時代，平臺系統能把數據、信號特征研究、執行平臺、研究平臺、運維執行、風控分拆開，將交易流程化、流水線作業，每個專業人士只負責自己一小塊東西，拼起來成為整體性能很高的策略?！肮こ虇栴}全部獨立出來，做研究的人能夠專注核心的事情，自己看數據、找規律，這就是工業化的特征?！睂Ｈ藢Ｂ毭總€人能發揮更好的水平，但也很容易出現一種現象，大家攻克容易的問題或者做很多很多同質化的事情。同

306、時因為缺少交流，進步也比較慢，就會導致在淺層的東西上做過多的嘗試。能迅速獲得收益的方式是 PM 型的模式，招聘大量不同背景的人，讓 PM 自己想辦法拓展策略，機構能短時間加大覆蓋面，形成多樣性，但長遠來看仍然是一個人在解決所有問題，看得到上限，回到了 1.0 時代。陳家馨希望能走得再遠一點。時至今日，他仍然每天抽出兩頓飯的時間與同事交流?！安呗苑浅Ｃ舾?，研究員能夠討論策略就意味著公司內部要有非常高水平的信任和認可，包括能力和人品，這又涉及文化建設，一個相對小的核心之間比較容易建立高水平信任，形成凝聚力，實現量化 2.0 到量化 3.0 時代的跨越?！睆?1.0 到 3.0，從創業到百億，吳敵和

307、陳家馨也面臨著自己的轉型?！耙婚_始自己做，中間一個階段是指導別人做，更多解決別人的問題，再到后面就是所謂的戰略思維，想一些大家不會想的事情，引導大家去可能去建立一個整體更好的研究型的組織，怎么樣去提高大家整體的研究效率，為整個結果負責?！痹诟咧巧倘巳涸训娜后w里面工作，收益是產生爭議后最本質的裁決方式?！坝脭祿f話，尊重事實。但有些事情不是完全能夠純粹從數據的角度去理解，需要細致地把里面的細節拿出來，具體特征是什么樣的，這都是非?？陀^的過程?！碑斎恍匠暌彩侨瞬虐l展很重要的因素，吳敵和陳家馨還有個重要的任務就是為團隊制定良好的利益分享機制。機制的目的是保證一旦團隊成員做出好策略，個人回報能超過跳

308、槽或者創業獲得的數量。一旦執行起來，要做到準確和公正并不簡單?！安呗岳锩婷總€ Alpha 的評價比較好分析。但一些不同質的維度，對于貢獻度沒有非常量化的指標，比如數據占多大權重，技術、策略又占多大權重，比較難精確區分。我們要盡力用科學的規則把每個人貢獻多少算出來，避免拍腦袋說這人 200 萬，那個人 500 萬。拍腦袋當然省事，但作為當事人會不理解，會覺得自己拿少了。就算把公式拿給他看，他也會覺得拿少了”。但如果合伙人解釋清楚整個框架，當事人就會覺得還算合理，之后就會有一個合理預期。更重要的是，在這樣透明的機制下，公司內部就不會積累矛盾，而信任的建立確實是一個很長期的過程?！爸饾u建立研發體系，

309、建立信任感，都是前期投入很長，后面慢慢建立起來?！标惣臆罢f。這樣的機制下，世紀前沿招人也一直保持謹慎的節奏?！拔覀円兴礁?、有責任心、有集體榮譽感，使得我們擴張比較慢”。97“量化不應做過多風格判斷”“高頻的能力是工具，如果要靠高頻賺高收益，意味著我們對機會非常挑，這樣交易機就會很少，容量限制就會很明顯。如果中低頻能力很強，其實靠持倉賺錢，但擁有高頻的執行優勢，意味著同樣的信號我能夠做得更好， 能用更低成本拿到我想要的持倉， 如果業績標準一樣， 意味著我的容量更大一點， 這里有一點反直覺” 。陳家馨早前受訪曾如此分享道。從業 10 年，陳家馨難以說自己更喜歡中低頻還是高頻還是其他策略，在他看

310、來，高頻反應很快，每天都有新鮮感刺激感的東西，但相對穩定以后不需要思考太多，中低頻則是長時間每天都在進步的這么一個過程，一時在市場中沒辦法獲得太多的反饋，但是從自己的研究能逐漸感覺到自己逐步積累。高頻有一點特別好，做了什么事情如果是做對了，可以馬上看見效果，這很明顯。當然門檻更多，需要摳每一個細節，技術的延遲要求、策略細節處理，如果到達不了最極致的配置難以做出能盈利的高明策略。正是因為從高頻起家，所以世紀前沿對數據的研究非常細致，“國內量價還是一個主流的策略部分，大家用的數據都差不多，細節處理上會有不同，這一塊其實考驗大家對于數據的認知是否已經足夠充分。我們花了最多的時間，做了最大力氣的研究，

311、這塊依然是最主要的，也是數據量最大的一塊。理論上看得出來的都應該能看得到，但實際上我們的感覺一直還在進步，基本上每過一兩個月在模型上面認知上面，我們還是能夠再找到一些新的東西?！标惣臆白哉J數據認知是擅長的領域，但依然離窮盡還是有相當距離。同時，他認為人工智能本質就是一種數據分析的工具，優勢更多是在一些有大量數據的背景下，用這種工具去更好地識別數據里面的特征。而中低頻恰巧相反，影響更為長期的，策略的影響當下沒辦法立即看出來，掉坑里也難以短時間之內在市場當中判斷策略是否合理，需要從最基礎的邏輯去推論，數據的角度不一定能找到答案，但在中低頻的環境下更容易是做到一個“還可以”的策略。風格輪動過快也是

312、2021 年許多量化投資人面臨的難題，陳家馨不太愿意做風格和行業的判斷，在他看來客觀情況確實基金經理也有適合的風格或者行業，尤其是主動投資，量化則更傾向于分散持倉，也會有的在風格上會放的相對松一些，給模型的信號一定的自由度。但世紀前沿不會在此放置太多權重，因為在他看來風格和行業都是屬于小樣本，數據有限，交易寬度較窄，就意味本質上很難穩定的收益來源，在組合里加一點可能會對整個組合提高是很合理的事情，但是不可能太多。從另外層面來說，其實所有的風格要完全做到中性，除非直接買對標的指數，不然的話也是相當難的事情?？陀^看待風格變化，需要認識到量化本身的超額收益也是周期性的，它更多的來源是市場本身的活躍、

313、成交額比較大的時候，沒有方向、風格輪動特別快本質上就是屬于周期之內，長期來看成交額增大是趨勢所在，而趨勢中有所波折也很正常，當然在 2021 年特別的顯著，大家對風格輪動有壓力了本質上是競爭有了壓力的變化。機構職能盡量到周期比較好的時候捕捉超額，在周期比較差的時候做好防守。985.7 聚寬投資：從平臺到百億私募的轉型之路 高斯蒙 王恒鵬2015 年 5 月，聚寬平臺開放注冊，發布 1.0 版本。 2017 年，聚寬成立私募基金。2018 年 4 月，聚寬投資開始運行聚寬 1 號，2019 年 9 月份對外募資，2021 年到達百億私募。從平臺轉型做資管，聚寬投資合伙人王恒鵬身上還帶著科技創業公

314、司的烙?。簶酚诜窒?，對行業有廣泛的認知；同時又具備量化從業者的特點：富有熱情，上下求索。在他眼中，聚寬投資從平臺轉型做資管，迅速晉升百億私募并非后起之秀，而是厚積薄發。從平臺到資管 聚寬的自我革命在聚寬成立之時，行業已有兩家平臺在跑，但到 2017 年，聚寬市占率已成為賽道第一。正是這一年里，聚寬還引入百度投資，占 30% 股份。在王恒鵬眼中，這個事件基本意味著賽道戰爭結束了。拔劍四顧心茫然，也許正符合當時聚寬的心境，平臺賽道競爭已經結束，但團隊面臨的更大挑戰在于商業模式走通?！澳菚r候挺天真，我們 Slogan 叫做人人皆為寬客，就覺得是個人只要對量化有興趣，我們就可以把他培養成為 Quant

315、，但實際上后面發現這不太現實?！痹L談時，王恒鵬把行業生態畫成了一個金字塔：第一類：Top 最頂尖量化投資人，這些人對超額因子怎么賺錢非常清楚，人數占比不到 1%，但這些機構 /個人可能掌握整個行業 99% 以上的交易資產規模。99第二類：中小型機構，相對專業，但實際上沒有太多競爭力，占市場 5% 的人數，掌握著可能不到 1% 的資產管理資金。第三類：90% 以上量化平臺用戶，還處于門外漢狀態，沒搞懂什么是量化，什么是有效 Alpha，占據可能遠不到 1% 的行業資產。人人皆為寬客，聚寬期望的是金字塔所有人到聚寬系統，生成策略、回測、模擬、實盤，從而通過與券商合作變現。但實際上，最有價值的金字塔

316、頂端頂尖的量化投資人，本身擁有非常強的 IT 和投資能力，這個商業模式也就不成立了。反思在高速發展中被掩蓋了，吭哧吭哧干了兩年多，聚寬團隊發現平臺本身根本沒有直接的盈利模式，即便中途在一些 2B 場景開出了花，比如智能投顧、智能盯盤等，但這些都被證偽了。王恒鵬以一家同業公司作比，該公司提供券商底層技術服務，市占率非常高，但 7000 多人的團隊，年入20 多個億左右，人均產出并不算高?！耙驗楣咀罱K輸出是 IT 而非算法，IT 難以創造高收益，算法則是邊際成本比較低，人均創收更高?！?018 年后 To B 戰略回收，聚寬開始 To B 戰略收縮，2019 年下半年，聚寬進入了 To B 收縮

317、結束和資管剛剛起步的艱難轉折時間，王恒鵬也是非常痛苦，太太和自己聊過多次的話題是，你到底打算在聚寬堅持到什么時候？2013 年，王恒鵬認識聚寬創始人高斯蒙，兩人在同一家公司，分別做技術合伙人和華南區負責人?！八袌猿?、有格局，有戰略定力，能冷靜判斷，有同理心、利他思維，能夠站在團隊角度去思考問題，這些特質做創始人，我愿意追隨他一直做下去?！庇谑撬o太太的回復是：這個時候不應該思考如何把聚寬做好嗎，思考那些東西有什么用？所有的陣痛，在后來的回憶中都會變得親切?；赝@段時光，王恒鵬認為聚寬從天真爛漫，樂觀想當然，變為更加謹慎專業，對事物本質的理解更加通透。轉換賽道后是否有違初心？在王恒鵬眼中，聚寬

318、的初心是通過大量用戶找到好策略，孵化 FOF 或 MOM，連接優秀策略資產與資金需求，實現商業變現，但會形成兩大問題：第一策略開發者并非公司員工，開發者也沒有從業資格，所以合規性經不起考究。同時，如是平臺就應有紅線：不能看用戶代碼。這引發第二個問題，也是很核心的問題，聚寬如何對用戶策略進行收益歸因，某階段表現良好究竟是符合了市場風格，還是 Alpha 真的有效？某個用戶策略近期回撤是什么原因？黑盒模式導致這些都難以判斷，也無法持續幫助用戶迭代升級。這導致策略競爭力不可持續。合規和可持續問題讓他們明白，找“好的策略”的黑盒合作模式，需要變為找“好的人”的白盒戰友模式。量化進入深水區，80% 露天

319、礦藏已被挖掘2017 年，聚寬意識到要變一種方式，從尋找策略改為尋找人才，通過資管和算法來變現。事實證明，這條路終于通了。2018 年 4 月運行聚寬 1 號，2019 年 9 月份對外募資，2020 年不到 20 個億，2021 年底達到百億規模。當前聚寬投研50%以上是聚寬骨灰級用戶轉化而來， 在王恒鵬看來， 聚寬不是后起之秀， 而是厚積薄發。 “2019100年，聚寬模型還比較單一，回頭來看話稱不上正規軍，小學三年級水平，但現在已經是高三或者大一水平，策略發展迭代實際上有非常巨大突破?！泵鎸ξ磥?，王恒鵬更加審慎。2021 年，量化資管、算法賽道競爭壓力加大，在他看來，國內一天 1 萬億交

320、易量里面，也就 1000 多億屬于能夠捕捉到有 Alpha 的對手盤。在此情況下，超額收益也就越來越低。未來三年，中國量化的模型打法難有像過往三年一樣質的提升或者突破，未來是更加深度挖掘能力的 pk，不僅僅是選股能力，還有交易能力的 pk?！敖灰赘偁幨鞘裁锤拍?，原本 Alpha 展現出來（股票從被發現的買入價到最終的目標價）是幾天，當整個行業內卷以后，大家都在選同樣一堆有 Alpha 的票，買入價到目標價速度，從幾天可能變為幾小時甚至幾十分鐘（價格快速達到預期值），導致算法交易能力、報單能力、軟硬件 IT 性能等更加重要，因為會直接影響到超額多少?！蓖鹾泫i手繪了量化超額的不可能三角：規模、收益

321、、波動?！?022 年，大家會進一步重新認識量化頭部。行業的普遍超額只會越來越低，已經成為共識。行業特別頭部的會控制規模，百億兩百億的可能會再增長一些，頭部的規模會進入到一種均衡，規模大一點，超額就少一點，行業整體形成一種螺旋上升，數年后，隨著市場越來越有效，無效價差越來越少，年化超額普遍會到個位數甚至三五個點。但這個時候寬基指數的 Beta 可能會變得比較“性感”， A 股交易結構會越來越像美股，有效的股市結果應該是 Beta 慢牛長牛，Alpha 逐漸難做，Alpha 和 Beta 此消彼長，最終量化選股 / 指數增強依然能實現可觀的投資收益。大家都是賺國家 Beta，以及依附之上的有限

322、Alpha?！痹谒磥?，量化行業格局就像挖礦，有露天煤礦、有地下煤礦、深層煤礦，過去幾年，普通優秀人才已經把 80% 露天煤礦 / 因子挖掘完畢，初步的紅利期已過，那么剩下來的就是需要人才有真正的金剛鉆能力。所以在 2015 年前量化算是遍地撿錢，各類簡單套利和小市值策略都可以直接產生超額收益，但當時風云的機構現在殘存很少。而到 2017 年后表現優秀的機構，到 2021 年留下的更多。他們的策略體系更像是美國目前主流的統計套利類的交易策略。也正是源于此判斷，過去一年聚寬收到了 1 萬份簡歷，最后招聘到了 5 個人，即便一些已有履歷的優秀人才也有被聚寬拒絕的，“普通優秀的人已經很難做出來有競爭

323、力的東西了?！比撕鹦g接下來將越來越不奏效，量化機構需要不斷花精力尋找和培養“真正卓越”的人才。短期都是風格 長期才是 Alpha同時，2021 年有市場認為，量化引發交易不公平現象。但王恒鵬認為，所謂交易公平，應該是所有人服從一樣的交易規定，比如不能有的人可以做空有的人不能做空。量化交易所遵循的交易制度與其他市場參與者量化本質是屬于價格發現，識別市場交易中的無效價格并賺取超額?！傲炕鳛橐粋€新生事物，目前的一個問題是，并沒有被客觀科學地、深度理性地認知。包括眾多金融機構和個人投資者以及行業人士和媒體，對量化都是比較淺度的表面認知，因此很容易要么神化要么妖魔化。包括輿論，往往在這個過程中要么就

324、把量化講得特別好，要么講得特別壞?！蓖鹾泫i認為，正因為量化是從無效價差中獲利，不管是趨勢策略還是反轉因子，量化交易的結果都是“讓股價更快地達到短期股票該有的價格”，如果短期無效價格越少，長期邏輯上來說市場應該更有效，Beta 的寬幅震蕩會更少（實際上過去 3 年已經有這種趨勢）。101完全一樣，所以從此層面說是公平的。面對“量化交易讓普通股民更難賺錢”這個話題，王恒鵬表示，美國的普通投資者都是長期持有某基金或寬基指數 ETF，輕松享受國家 Beta 和管理人帶來的基金回報。他認為大部分股民“本應與成熟市場的個人投資者一樣，不做短期無意義交易，而是變為指數持有者或價值投資者或指數持有者”，普通人

325、無專業素質無技術儲備的情況下，本來就不應該是“通過交易賺錢”，而是“通過持有賺錢或者讓專業的人幫忙賺錢”。這樣大家都把更多的精力投入到自己的本職工作中，對社會效率也是正面反饋。而機構化的市場有效性更高，也就意味著更好發揮“直接融資”的效果（因為資金只會持續投入到有“確定性賺錢效應”的市場中去），更好地實現“金融反哺實業和科技創新”的社會功能。因此，在他看來量化交易的社會效應在于此，所以監管層在長周期里面樂見機構化和量化占比越來越高，通順的邏輯應該是推動市場規范監管推動量化行業健康發展推動市場有效性提高提高市場賺錢效應提高直接融資社會效果反哺創新和經濟發展。王恒鵬認為，當前國內量化私募依然主要賺

326、交易對手盤交易帶來的“中周期統計套利”的超額來源。絕大對數的量化私募基于量價數據驅動交易決策，聚寬也不例外?；久嫘畔δＰ偷囊饬x更多是提純 Alpha，降低噪音，更多是提高 sharpe 而不是年化超額收益本身。驅動聚寬增長的核心邏輯在哪里？聚寬聚集了一大批流體力學、人工智能專家，但他并不認為 AI 算法和機器、數據是聚寬的核心驅動力。在王恒鵬看來，驅動聚寬的核心邏輯在于團隊基因，他分享了段永平雪球問答錄并深以為然：“我看上市公司看兩個點，一是商業模式，二是公司文化。如同蘋果取決于喬布斯，特斯拉取決于馬斯克，每家企業的發展路徑、做事方式基本取決于初創團隊的基因。聚寬的基因則有兩個，一是核心團

327、隊對交易有興趣、有熱愛，二是具備技術與互聯網基因，所以做平臺的時候懂用戶，做資管的時候能召喚志同道合者?！薄拔覀冊敢饣ㄗ銐虻木蜁r間，在茫茫人海中，尋找有緣默契的長期合作伙伴?！痹诠倬W招聘信息欄，聚寬如此寫道，這段話來源創始人高斯蒙。不在技術多牛，而是純粹在堅持，能夠在某個領域里面持續做下去，我們人才的底層驅動邏輯就是想干這個事兒，他自己與公司的關系也非雇傭關系，而是志同道合?！八詿釔?、執著、癡迷，是聚寬人才招聘關鍵詞。同時他們還看重天賦悟性、硬核素質、科學嚴謹、自驅謙遜、 利他開放。 ” 王恒鵬分享了一封高斯蒙發的內部郵件， 主題是某同事晉升投研合伙人， 高斯蒙講到 “XX身上有非常多卓

328、越的特質值得我們一起學習：極強的自驅力，爆表的戰斗力，每時每刻的高效響應，推動力、協作能力、責任心、正能量、對量化的熱愛、就事論事、任勞任怨、以身作則、團隊利益為先、嚴格要求同事等等?！币约斑@名新合伙人半夜的回復郵件，他表示“腦子里面出現了一連串的場景” ，“想起了 XXXXX 的興致勃勃，想起 XXXXX 的酣暢淋漓，想起照顧不上家人帶來的吐槽，想起在 Alpha 上因為一個突破半夜和高總電話聊而興奮睡不著， 想起身邊朋友逐步投來的認可夸贊” 他的回復郵件沒有任何段落， 但內容非常真誠。行業的競爭加劇，促使聚寬不斷投入挖掘更深的 Alpha 因子，招聘方向也包括 AI 算法專家、CTA 專家

329、、基本面量化專家、高頻策略研發，以促成聚寬邏輯體系更加完善、深入、細致?！拔覀兘酉聛頃⒅赝度?AI算法更高效去獲取更多收益來源，但是我們對因子背后的邏輯性非常強調，到底賺誰錢，賺什么機制的錢，交易邏輯是什么。盲從 AI 而放棄邏輯的追求，其實是一種投研的偷懶。另外我們會繼續加強技術投入，尤其是在高頻算法領域，量化很像天氣預報，輸入輸出不一樣而已，預測越短勝率越高?！?02在王恒鵬看來，所有量化研究員每天做的就只有一件事情，不斷挖掘新的收益來源并驗證，驗證失敗則繼續研究。強調對交易本質的深刻理解，不斷鉆研，同時對邏輯的因果關系和數據的相關性進行交叉驗證，并不斷提出更好的方法論和投研方向。這方面

330、，悟性就顯得尤其重要，王恒鵬認為，聚寬卓越的投研都有一個特性：對市場理解非常透。這里的市場理解，不是指地對宏觀經濟環境、行業、個股的理解，而是對交易本質的理解。這種悟性是善于在市場微觀的交易結構中，發現變化中的不變?！笆袌龆唐跓o效，量價以外的變化，最終還是會體現在交易上，所以量化更需要關注交易的本質?！?035.8 復利瞰點：程序員轉型量化的跨界范本量化：計算機技術與金融投資的“親生子”。隨著行業的興起，也有許多程序員轉型做量化，看似跨界，卻又是一個良好的擇業方向。莫道君行早，更有早行人。2014 年，梁宇奇離開英特爾，并帶領自己原先的幾位同事，成立“瞰點”量化工作室，后續入股“復利投資”，用

331、半年時間上實盤在高頻實盤領域實現盈利，并在 CTA 和股票 T0 方面多點開花，同時利用其計算機背景，在人工智能方面領域做前沿探索。從英特爾轉型到量化 量化也可簡單梁宇奇，中國科學技術大學計算機學士，復旦大學計算機碩士，數據挖掘專業，2002 年梁宇奇加入英特爾工作 12 年，工作參與高性能計算及數據挖掘相關的工作，曾任英特爾“軟件與服務事業部”高級研發經理，英特爾“亞太研發有限公司”技術委員會成員，“那時候到英特爾國內已經做到天花板了，于是想要創業。我們家庭投資氛圍非常濃厚，平時吃飯談話都沒有辦法插入。 我想了想怎么進入金融行業呢？相比金融科技的長業務線， 量化其實最容易， 不需要做商業拓展

332、，自有一方小天地，于是花了半年時間研究，上了實盤迅速開始盈利?！?014 年，梁宇奇率隊進入量化投資領域，成立“瞰點”量化工作室?！澳菚r候感覺就拿了大炮進入市場，交易量占據全市場總成交約 1.5%，全年無交易日虧損?！痹趧摌I第一個半年，梁宇奇就帶領瞰點團隊就挖掘到了第一桶金。2014 年，股指高頻交易；2015 年，商品期貨高頻；2017 年商品期貨 CTA 策略趨勢動量、相對價值策略；2018 股票 AI、T0 算法；2019T1/ 日內 Alpha 策略量化資產配置。雖然一直以 3 個億資金在運轉，2021 年方才入股“復利投資”，進入資管領域，現在放在梁宇奇面前是，從自營到資管，看似都是

333、投資，但其實大相徑庭?！耙幠Ｉ先ヒ院缶驮揭⌒闹斏??！绷河钇鏁屑毐P算當前策略，對于能力范圍邊界有著非常清晰認識?！拔覀兂~收益往往 90% 來自選股，其余來自算法交易，算法交易規模上去擴大后邊際效益就需要降低。所以就需要我們通過計算、交易拿到數據以后，獲得規模上限，作為管理人來說，也就是明晰目標是在什么地方，如果我們是偏向于完全業務驅動，把規模做上去，就要做好心理準備，對我們中小型私募來講這些可能甚至是致命威脅，只有一次機會，如果出現大型回撤，如同一些機構出現過大市值暴露、基本面投資波動過大等就絕對是沒有任何第二次機會的，所以一定要小心謹慎?！苯涍^幾年發展，現在梁宇奇所在機構現在已經覆蓋高頻

334、指數增強、CTA 管理期貨、量化復合策略等方面。其中高頻指增主要基于機器學習，使用 AI 和大數據技術，從交易資金流中捕捉市場短期失效現象，挖掘資金面優秀個股，通過高頻換手放大收益率，使用萬級交易型因子庫進行機器學習建模，AI 挖掘市場運行邏輯，同時分散持倉 300-800 只個股，年度換手 80 到 300 倍高頻換手。梁宇奇104CTA 管理期貨策略涵蓋 4 大系列策略：中長周期趨勢、中短周期趨勢、日內、相對價值，覆蓋超過 3000種衍生策略與品種組合。CTA 趨勢跟蹤挖掘價格自相關性，用算法捕捉價格走勢不斷重復出現趨勢，然后通過對趨勢建立跟蹤模型來盈利，CTA 相對價值則挖掘不同商品期貨

335、之間相對強弱，通過買強賣弱實現盈利。復合策略則是同時配置低相關性股、債、CTA 等不同策略資產，基于風險預算（Risk Budget）方式使得不同資產（股、債、量化策略）承擔相對均衡風險貢獻度，在股票市場處于價值洼地時增配權益類資產，在股票市場處于估值高地提升 CTA 管理期貨等策略風險預算，同時擇機將指數增強轉換為量化對沖策略，同時使用期權策略及打新策略做收益增厚。交易在細節 量化鮮少獨家武器從事數據挖掘多年，數據驅動已經根植到了梁宇奇 DNA 中，“我們是數據驅動公司，課題就是在“數據處理”?！睆屠c的人才發展模式是：所有人都是從 0 開始，包括梁宇奇早前也是對投資沒有任何接觸，人才招聘

336、也更青睞物理學、數學、計算機等專業沒有任何金融背景的應屆畢業生，而非自帶策略的基金經理。梁宇奇沿襲著英特爾的用人方式和團隊合作經驗，愿意給新人時間，“一兩年時間可以專門做研究，甚至沒有產生結果也沒關系?！绷河钇娌⒉恢M言，公司人才發展離職率談不上低，基于很現實的問題，算法很好但自營總規模三個億對于人才的留用會形成限制，有的人相當于在公司讀了一個博士后離開。早前被挖走 T0 算法的人才，讓梁宇奇更是自責感觸，他有自信一兩年時間，一定能成為行業領導者，再把同事要回來?！拔覀兺氯チ似渌胤蕉挤浅２诲e，我也挺高興，至少我能夠培養出這么多人，我也相信我們還能持續不斷培養出來人才，并不擔心?！币苍S正是源于

337、有著較強的人才培養經驗，梁宇奇對于自帶策略的基金經理招聘仿佛并不感冒?！坝泻芏?PM 個性非常強，但是不一定適應團隊合作，對我們來說是所有策略都可以公開研究討論，我們是家科技公司，我們提供平臺、數據、算力，策略研究出來應該是團隊共同成長與共享?！痹谒磥?，量化投研人員除了需要行業興趣、專業之外，對于數據怎么使用、模型怎樣幫助投資都要有細節性的理解。梁宇奇并不青睞流水線方法，因為 PM 會喪失一線感受，深入一線才能知道因子如何挖掘出來的特征，在構建模型時才能有目性使用某些特定因子，同時能解釋模型，每天模型賺的是什么錢，賺的是交易還是市場配置的錢，基金經理也才對自己的模型有信心，遭遇回撤時才能知道

338、回撤是否正常，是市場不適合模型，還是模型存在缺陷，否則可能會喪失自己的信仰。另外，流水線在梁宇奇看來還有一個問題在于信息損耗，從結果上看未必是最高效的，但至少對中小型私募而言，緊密的合作方式而已最為有用。他希望公司每位研究員都把目標定成基金經理，任何有此愿景與潛力的他也愿意調撥資金讓其處理，“錢也不多，就幾百萬，只有實盤里賺錢、虧錢了，才會有動力每天去看模型表現，知道為什么虧錢才為什么虧錢?！睂τ诘叭绾慰创呗苑忾]與開放這對矛盾？”這一問題，在梁宇奇看來，團隊核心競爭力就是在于即便105與別人分享了策略，甚至細節，但是其他人并不能簡單復制。在量化投資領域，策略看起來仿佛神秘，甚至有的機構出于

339、營銷原因“故作神秘”，但實際中包括技術路線、研究方向都大同小異，鮮少獨門武器，最重要其實就是細節，包括對風控的理解、交易成本的把握、研報公式的推敲明白，流動、開盤價等等?！坝袝r候用開盤價做出了非常好的模型，但實際上在交易當中拿不了開盤價，需要依靠交易算法，或者聯系實際調整，并把手續費等細節加上去，就會發現結果完全不一樣?！薄败妭涓傎愊乱痪?不在高頻”量化行業，軍備競賽是未來。在高頻領域，算法下單是競賽的一部分，梁宇奇經歷過毫秒級、納秒級，但卻避免在此過度投入，“投入是無底洞，但是邊際收益很明白，如果靠投入才能賺那么點錢，那這樣的競爭，三個人我都不去?！痹诹河钇婵磥?，處理更細數據、處理更多模型更

340、有潛質，從過去的日線分鐘線到現在的高頻數據逐筆成交、逐筆委托，包括深度學習、強化學習等都還有空間挖。這些技術在自然語言處理、自動駕駛當中應用其實幾乎一模一樣，既然能夠成熟，在量化投資領域也會有深挖的必要。量化投資人的敏感點應該在技術路線上、前沿研究上研究方向，包括通過交流、研報、國際新學術論文帶來靈感。人工智能是根植在復利瞰點發展的底層之上的，目前在人工智能方面在進行各類嘗試，包括從模型研究、因子庫構建、端到端方案，還有包括中間路線通過深入學習把當第一層、第二層拿出來變成深度學習因子，他也相信各家機構都在嘗試所以希望在每個技術路線盡可能構建差異化策略。同樣在 2018 年，復利瞰點投入非常大精

341、力構建數據，包括與華東師范大學的合作也就是另類數據，用圖神經網絡構建投研知識圖譜等，同時復利瞰點也在嘗試與券商研究所行業分析師合作，給分析師開發工具讓分析師把所需要數據 / 資料來源幫忙記錄，同時讓分析師分享其認為的上市公司發展關鍵驅動因素，用表達式方式記錄下來，再使用算法對數據進行監控。梁宇奇也分享了對風控的理解：風控應是在做投資組合之前，把所有可能的風險想法加入進去，做好中性化。因為事中風控、事后風控都是彌補。以后 Alpha 會越來越少，風險做好所有投資收益都來源于市場配置。那如何平衡機器與人腦，尤其在極端市場情況下？“從極端情況確確實實會干預，比如 2016 年雙 11 利潤非常極端，

342、晚上夜盤又漲了 20%，還在講我們是不是該減點倉了，但決定先冷靜一下，洗個澡回來發現已經虧了 30%，這種行情經歷過一次都不會忘記?！?021 年 10 月份商品行情讓梁宇奇想到了 2016 年，遇到極端情況往上走收益與往下掉的風險很容易計算，這種情況其實就是離場，機器它背后是有假設數據平穩、數據獨立分布，而極端情況下面則會打破它邊際。對于回撤，量化投資人仿佛總是擁有著比主動投資人更好的平和心，梁宇奇的平常心來自于量化本身， “從大類資產配置本身來講，CTA、期權策略本身就是算法，包括趨勢跟蹤、相對價值、套利等，回到股票上面，也會從模型本身模式上做中性化。市場本身有蹺蹺板功能，所以多策略就較難

343、遭遇較大回撤。一旦真出現極端行情全線暴跌狀態，往往也蘊含著更好的機會，這正值市場恐慌時候，反而是加倉時間?！蓖瑫r復利瞰點自營資金更多，也就具備了更高的風險承受?！巴顿Y方選擇我們，我們也要選擇投資方，不106能只看到簡簡單單收益指標，而是看到系統性的東西，有的投資人交流后給我說不好意思，我可能一開始想先進 100 萬，這其實是非常專業的投資人?！狈e累比較多策略之后，投資變成了資產配置，對于未來并非是做預測，而是做好計劃做好風險均衡，“有市場總歸是會有情形可以適合某特定策略，對我們來說就是在于識別與貫徹?！?071086.1 關于我們寬邦科技寬邦科技是一家人工智能平臺科技公司，成立于 2016 年

344、，核心團隊主要來自微軟亞洲研究院等一線 AI 企業和金融機構。在 AI 平臺、投資算法、量化引擎、新型投資大數據等技術上持續前沿探索，研發了企業級全棧 AI 平臺 BigAI 和低門檻、端到端的 AI 投資平臺 BigQuant 等金融科技基礎平臺，為投資者和投機構提供投資管理的從數據分析、因子挖掘、策略研究、AI 建模、組合構建、回測模擬到實盤交易的全周期 AI 賦能，已服務數十萬量化投資者和銀行、證券、保險、基金等多家頭部金融機構。華泰證券華泰證券股份有限公司（“華泰證券”或“公司”）是一家領先的科技驅動型綜合證券集團。自 1991 年成立以來，華泰證券積極把握中國資本市場改革開放的歷史機

345、遇，在業內率先以金融科技助力轉型，用全業務鏈服務體系為個人和機構客戶提供專業、多元的證券金融服務，綜合實力和品牌影響力位居國內證券業第一方陣，步入國際化發展的全新階段。秉承“高效、誠信、穩健、創新”的核心價值觀，華泰證券將全面實施數字化賦能下的財富管理和機構服務“雙輪驅動”發展戰略，致力成為兼具本土優勢和全球影響力的一流投資銀行。我們的優勢：科技驅動的中國證券行業轉型開拓者；開放的數字化財富管理平臺為更多客戶提供高效的專業服務；充分把握新經濟崛起機遇的一流投資銀行業務；兼具規模優勢與創新優勢的綜合性資產管理平臺；全球布局創造發展新機遇；兼具專業和技術優勢的全面風險管理；一流的人才團隊和多元的股

346、東基礎。亞馬遜云科技亞馬遜云科技 (Amazon Web Services）是全球云計算的開創者和引領者，15 年來一直以不斷創新、技術領先、服務豐富、應用廣泛而享譽業界。亞馬遜云科技可以支持幾乎云上任意工作負載。亞馬遜云科技目前提供超過 200 項全功能的服務，涵蓋計算、存儲、網絡、數據庫、數據分析、機器人、機器學習與人工智能、物聯網、移動、安全、混合云、虛擬現實與增強現實、媒體，以及應用開發、部署與管理等方面；基礎設施遍及 26 個地理區域的 84 個可用區，并計劃新建 8 個區域和 24 個可用區。全球數百萬客戶，從初創公司、中小企業，到大型企業和政府機構都信賴亞馬遜云科技，通過亞馬遜云

347、科技的服務強化其基礎設施，提高敏捷性，降低成本，加快創新，提升競爭力，實現業務成長和成功。109金融階金融階，金融（量化）人才獵聘專家，從 2009 年成立的職幫獵頭金融事業部發展至今 ，在金融行業的人才獵聘領域已有12年的持續專注與積累。 金融階作為國內首家專注量化金融領域的獵聘機構， 憑借在量化投資、對沖基金、區塊鏈、金融科技等領域人才獵聘方向的資源積累、專業理解、服務效率等多方面領先優勢，已獲得了業內量化機構和 Quant 精英們的青睞。朝陽永續朝陽永續專注于金融數據挖掘與衍生，為金融機構投研賦能。2006 年，創辦的中國私募基金風云榜開國內陽光私募評選之先河，幫助行業遴選了一批批優秀私

348、募。十余年來，朝陽永續以“讓數據更有價值”為使命，推出了產品上市公司盈利預測數據庫、Go-Goal 金融終端、私募基金管理人評價體系三款核心產品。1106.2 名詞解釋注：PnL：Profit and loss 人才與機構根據收益進行分成的薪酬結算方式， 各家機構實施具體方式略有不同。簡單的一般為：PNL cut=（收益 - 成本） 分配比例 = 實際利潤 分配比例。比例參數，有分段、不分段；有條件、無條件之分。也有的計算更為復雜，舉例說明如下：如某 PM 后端 cut 計算方式1. 年化收益率 =20% Cut1 = min( 年化收益率 /2+15%),50% 策略凈利潤2. 年化收益率

349、20%: 扣除管理自營資金的 X% 資金成本后再分成Cut2 = max( 策略凈利潤 策略凈利潤 / 年化收益率 X%)50%,0其中： 策略凈利潤 = 策略收入 人力成本 IT 成本策略收入 = 團隊管理自營資金所產生的收入人力成本 = 團隊的基本薪資、獎金、社保公積金成本等IT 成本 = 團隊相關的硬件成本（個人主機和服務器按折舊計算）相關 IT 人員工時成本相關新采購數據本以上計算均基于團隊指定時間段（按遞延規則確定）內實際發生的收入或者成本。 PM 制：Portfolio Manager 基金經理主導的投研制度。1116.3 2021 量化大事記5 月，量化私募巨頭幻方量化推出了中性

350、產品“零贖回費”的政策，被視為是鼓勵投資者贖回中性產品。9 月 3 日，一則“量化交易貢獻了 A 股 50% 的交易量”的消息引爆投資圈，但業內普遍認同量化私募對市場交易總量最多貢獻率為 20%。9 月 6 日，證監會主席易會滿在第 60 屆世界交易所聯合會會員大會暨年會上講話：量化交易、高頻交易在增強市場流動性、提升定價效率的同時，也容易引發交易趨同、波動加劇、有違市場公平等問。9 月，股指期貨基差持續收斂甚至轉為正基差，市場認為主要原因為沖類型基金表現不佳引發產品贖回，導致股指期貨的空頭套保力量減弱。11 月初，有部分量化私募基金管理人收到基金業協會通過資產管理業務綜合報送平臺（AMBER

351、S 系統）發布的關于上線“量化私募基金運行報表”的通知。隨后中證協也加強對量化交易的監管力度，覆蓋券商自營和資管業務。11 月，靈均、九坤投資、因諾、卓識、天算量化 11 家量化私募基金機構共同發起倡議，號召量化私募基金管理人尊重投資者、忠實履行對投資者的忠誠義務和專業義務，持之以恒建設“合規、誠信、專業、穩健”的行業文化，促進健全發展生態。10 月 13 日，百億量化私募鳴石上演“奪權”大戲，在股權爭奪戰來回幾個回合后，最終以變更投資人股權和法定代表人暫告一段落。11月1日， 中國證券投資基金業協會向私募基金管理人發布 關于上線 “量化私募基金運行報表” 的通知 。除報送頻率從“季度”提高至

352、“月度”之外，申報指標也較先前版本細化。11 月 15 日，頭部機構宣布即日起暫停旗下全部產品的申購，11 月 25 日，宣布即日起免除所有已發行人民幣基金的贖回費用。在此之前，多家頭部量化私募亦逐漸暫停產品申購。11 月 25 日，上海數據交易所揭牌成立儀式在滬舉行，實現了首筆數據交易。12 月 10 日，包括幻方、明汯在內的多家百億量化私募發布通知，稱未來不再發布預估凈值。112表 39 2021 年券商機構類客戶交易服務資訊券商簡稱資訊日期細分服務類別資訊標題華泰證券6 月 25 日交易終端華泰證券發布新一代境內外交易系統7 月 13 日算法 /T0smarT - 日內交易界的超級大腦3

353、 月 29 日交易終端MATIC 多品種套利：為穩健投資保駕護航1 月 7 日交易終端MATIC-ETF 實例版：為您想得更多10 月 15 日交易終端“小麥”同學首秀MATIC 智能交易規劃9 月 8 日其他INSIGHT-Terminal 數據觸手可及廣發證券6 月 10 日極速柜臺 / 行情為快而生！廣發證券超極速柜臺上線1 月 4 日其他量化時代的標桿！廣發證券新一代超極速量化策略平臺重磅發布9 月 16 日算法 /T0T0 交易莫著急，程序化策略來幫您！12 月 13 日其他量化精靈 2.0量化時代新動力10 月 27 日交易終端廣發證券“投易通”銀行版發布！海通證券6 月 17 日

354、其他海通證券自研的一站式融券服務平臺“e 海通券”正式上線4 月 2 日交易終端你與專業機構的差距，可能就在這里！5 月 25 日算法 /T0e 海方舟融賣算法，一鍵啟動，輕松完成交易計劃8 月 6 日托管外包Hi 服務托管業務入駐機構服務平臺 App-e 海通達，一鍵即可處理劃款指令！8 月 3 日其他重磅！海通證券一站式機構客戶綜合服務平臺e 海通達正式上線國泰君安8 月 13 日托管外包君心服務 | 如何破解私募基金篩選困局？績效分析來助力！12 月 7 日其他國泰君安道合平臺 5.0 全新升級銀河證券7 月 29 日算法 /T0發布會后首次合作官宣，卡方助力銀河證券建設智能算法總線10

355、 月 13 日交易終端銀河證券雙子星新一代行情交易系統 Mac 版，震撼上線！國信證券4 月 6 日極速柜臺喜報！盛立科技中標國信證券新一代期權極速交易系統建設項目！4 月 28 日交易終端ETF 套利真有這么難？只需一鍵即可解鎖！1 月 5 日服務方案國信證券量化樣本：技術硬核 + 服務全面，著力實現覆蓋量化投資全生命周期的產品服務招商證券6 月 7 日托管外包招證托管首創金額贖回，助力管理人精準頭寸管理5 月 20 日托管外包招證托管重磅推出投資人畫像，供您全方位了解客戶中泰證券2 月 18 日托管外包讓私募銷售時間縮短超 10 倍，如何做到？上證鏈賦能銷售線上化，穿透式監管與業務發展創新

356、融合1 月 1 日極速柜臺 / 行情中泰證券 XTP2020 年度賬單12 月 18 日極速柜臺 / 行情中泰證券 XTP2021 年度賬單中信建投6 月 25 日算法 /T0Apama 算法交易5 月 12 日交易終端交易方程式（TFS）功能簡介東方證券4 月 25 日服務方案全業務鏈機構經紀服務爭奪戰 又一券商綜合金融服務平臺打法亮相安信證券1 月 21 日算法 /T0卡方智能算法6 月 3 日交易終端坐不住了！快去用安信 OneQuant 交易！9 月 3 日交易終端手工交易大師安信證券獵豹極速交易終端9 月 14 日極速柜臺 / 行情顛覆！行業第一家分布式行情中心來啦！10 月 28

357、日交易終端多場景交易模式一網打盡！安信證券 OneQuant V1.08 上線啦！中金財富11 月 22 日算法 /T0FTS- 智能 T+0 算法交易平臺上線啦！113券商簡稱資訊日期細分服務類別資訊標題天風證券8 月 16 日算法 /T0天風 AQTP 系統自誠算法重磅升級！國融證券6 月 1 日算法 /T0國融證券一體化算法減持方案五礦證券5 月 17 日交易終端五礦證券 QMT 極速策略交易系統上線 五大亮點刷新客戶交易體驗中天國富4 月 6 日極速柜臺 / 行情天添翼快速交易服務國融證券4 月 8 日交易終端迅投 QMT 極速策略交易系統介紹湘財證券4 月 8 日極速柜臺 / 行情寬

358、睿兩融 來了！華鑫證券3 月 9 日服務方案金融科技讓投資更理智華鑫證券“N 世界”科技量化生態圈浙商證券1 月 18 日托管外包浙商證券私募基金電子簽約正式上線12 月 13 日算法 /T0浙商機構寶 Smart-T 平臺上線多家證券1 月 14 日極速柜臺 / 行情券業打響量化交易軍備競賽！機構交易服務“三端”大盤點，看誰是真頭部？誰正異軍突起東北證券1 月 4 日極速柜臺 / 行情東北證券【極速交易】UST 新一代極速交易系統 + 極速行情上線啦！興業證券1 月 5 日算法 /T0SMT| 日內回轉 AI 套利（智能 T0）上線8 月 27 日交易終端一文讀懂 SMT-Q 策略交易終端8

359、 月 13 日算法 /T0興業 PLUS 系列算法上線啦 9 月 10 日極速柜臺 / 行情SMT- 極速交易新體驗10 月 25 日服務方案一文讀懂興業證券 SMT 交易服務體系！東方財富1 月 9 日服務方案科技賦能量化先行 東方財富證券發布機構交易平臺國金8 月 9 日極速柜臺 / 行情首家！恒生 FPGA 極速行情落地！國元證券9 月 29 日交易終端您的極速策略交易終端來了！數據 / 資料來源：新杭州英達1142021 年度中國量化投資白皮書【純數據版】第 2 題 您的學歷背景是： 單選題 選項小計比例大專及以下00%本科4423.53%碩士12265.24%博士2010.7%其他1

360、0.53%187第 3 題 您的學歷背景是： 單選題 選項小計比例國內C94524.06%國內9854322.99%國內2112312.3%國內其他2613.9%海外QS503116.58%海外QS100115.88%海外其他84.28%187第 4 題 您的專業背景 單選題 選項小計比例數學2714.44%金融工程7037.43%統計2211.76%MBA126.42%計算機4222.46%物理2211.76%其他5328.34%187第 5 題 您是從以下哪種渠道獲得目前的工作崗位： 單選題 選項小計比例A.公司內部晉升/轉崗2211.76%B.外部獵頭推薦2814.97%C.同行/朋友介

361、紹5328.34%D.公開招聘網站6534.76%E.其他1910.16%115第 6 題 您是以什么身份進入本領域的： 單選題 選項小計比例應屆畢業8344.39%賣方分析師73.74%買方機構3418.18%互聯網公司3016.04%其他3317.65%187第 7 題 您目前的年薪水平： 單選題 選項小計比例A.15萬以內2211.76%B.15萬30萬3820.32%C.30萬50萬4624.6%D.50萬100萬5227.81%E.100萬200萬2412.83%F.200萬以上52.67%187第 8 題 您是從哪些渠道獲得量化行業專業前沿知識： 單選題 選項小計比例A.公司組織的

362、培訓5127.27%B.自學+實踐摸索16990.37%C.團隊領導師徒制學習5730.48%D.監管機構組織培訓147.49%E.券商金融工程團隊外部培訓4322.99%F.第三方組織的培訓3820.32%G.其他147.49%187第 9 題 您認為自己知識、經驗、技能是否能滿足日常工作實踐： 本題答卷總分值：11760；平均值為：62.89第 10 題 您希望提升自己專業知識、技能的方向是（1 代表無需，7 代表迫切） 矩陣量表題 ：4.71選項1234567平均分數學17(9.09%)11(5.88%)13(6.95%)28(14.97%)37(19.79%)29(15.51%)52(

363、27.81%)4.88計算機基礎15(8.02%)9(4.81%)15(8.02%)29(15.51%)32(17.11%)29(15.51%)58(31.02%)4.99金融23(12.3%)14(7.49%)27(14.44%)21(11.23%)30(16.04%)22(11.76%)50(26.74%)4.53人工智能7(3.74%)4(2.14%)11(5.88%)30(16.04%)28(14.97%)33(17.65%)74(39.57%)5.48交流溝通27(14.44%)14(7.49%)29(15.51%)31(16.58%)33(17.65%)25(13.37%)28(1

364、4.97%)4.16外語讀寫38(20.32%)20(10.7%)20(10.7%)38(20.32%)32(17.11%)18(9.63%)21(11.23%)3.77116選項1234567平均分財務分析20(10.7%)18(9.63%)24(12.83%)42(22.46%)27(14.44%)30(16.04%)26(13.9%)4.24數據分析11(5.88%)13(6.95%)15(8.02%)34(18.18%)36(19.25%)32(17.11%)46(24.6%)4.88多項目并發16(8.56%)7(3.74%)17(9.09%)27(14.44%)40(21.39%)

365、37(19.79%)43(22.99%)4.88全球視野9(4.81%)10(5.35%)17(9.09%)29(15.51%)35(18.72%)41(21.93%)46(24.6%)5.02學習能力21(11.23%)12(6.42%)20(10.7%)30(16.04%)31(16.58%)31(16.58%)42(22.46%)4.6適應變化的能力17(9.09%)11(5.88%)22(11.76%)25(13.37%)36(19.25%)32(17.11%)44(23.53%)4.73創新能力15(8.02%)8(4.28%)15(8.02%)27(14.44%)32(17.11%

366、)41(21.93%)49(26.2%)4.99執行力19(10.16%)18(9.63%)14(7.49%)38(20.32%)32(17.11%)27(14.44%)39(20.86%)4.51狀態管理能力17(9.09%)13(6.95%)15(8.02%)30(16.04%)41(21.93%)26(13.9%)45(24.06%)4.73耐受力19(10.16%)16(8.56%)20(10.7%)32(17.11%)33(17.65%)27(14.44%)40(21.39%)4.52領導變革15(8.02%)12(6.42%)16(8.56%)32(17.11%)38(20.32%

367、)30(16.04%)44(23.53%)4.78戰略管理13(6.95%)15(8.02%)15(8.02%)36(19.25%)41(21.93%)29(15.51%)38(20.32%)4.69洞察分析14(7.49%)11(5.88%)11(5.88%)31(16.58%)39(20.86%)38(20.32%)43(22.99%)4.9未來策劃12(6.42%)13(6.95%)14(7.49%)32(17.11%)40(21.39%)34(18.18%)42(22.46%)4.84小計345(9.22%)249(6.66%)350(9.36%)622(16.63%)693(18.5

368、3%)611(16.34%)870(23.26%)4.71第 11 題 您期望的未來職業發展方向： 排序題 選項平均綜合得分專注量化5.19晉升管理崗位2.2從事金融行業其他相關工作1.46轉崗募資1.1轉做IT工作0.52其他0.26第 12 題 以下哪些情況可能會形成您尋找新工作機會的誘因： 排序題 選項平均綜合得分薪酬待遇6.71尋找晉升機會4.89尋找技術大牛團隊3.6工作彈性及工作與生活之間的平衡3.46公司文化包容性3.4尋找資金充裕的團隊2.57PnL獎金提成激勵機制2.37當前公司價值感較低，管理層重視度不夠1.71其他0.5117工作實踐第 13 題 您所在機構資產管理規模：

369、 單選題 選項小計比例5千萬以下2814.97%5千萬1億1910.16%1-10億3920.86%10-50億2814.97%50億100億2513.37%100億300億136.95%300億以上3518.72%187第 14 題 您所在機構類型： 單選題 選項小計比例私募基金8746.52%公募基金105.35%券商自營/資管2814.97%券商研究所63.21%銀行理財42.14%保險資管63.21%互聯網金融84.28%外資機構126.42%其他2613.9%187第 15 題 請對相關工作內容進行時間投入排序： 排序題 選項平均綜合得分模型構建4.07因子挖掘及生成3.97理論研究

370、3.28組合投資3.27交易執行2.06風險管理1.82第 16 題 您司采取的策略包括 單選題 選項小計比例日內回轉策略5227.81%市場中性策略8042.78%高頻策略6635.29%量化套利策略8545.45%118選項小計比例資金管理策略5629.95%指數增強策略7540.11%多空靈活策略4624.6%量化多頭策略8042.78%期貨CTA策略6132.62%參與新股發行策略3317.65%其他115.88%（空）2010.7%187第 17 題 當前本司的投研人員數量： 單選題 選項小計比例1-5人4825.67%5-10人3719.79%10-20人4021.39%20-30

371、168.56%30-50人179.09%50人以上2915.51%187第 18 題 當前本司的投研組織形式： 單選題 選項小計比例Silo System筒倉式7540.11%Centralized Book平臺式4322.99%筒倉+平臺 混合式5529.41%其他147.49%187第19題 在實際工作中， 哪些情況最讓你感到工作困難： （1-7分， 1表示無難度， 7代表最有難度） 矩陣量表題：4.42選項1234567平均分策略：難以生成具有Alpha的想法，資金容量有限17(9.09%) 13(6.95%)16(8.56%)36(19.25%) 45(24.06%) 30(16.04

372、%)30(16.04%)4.55算力：算力不足，單個任務運行時間過長14(7.49%) 12(6.42%)27(14.44%) 42(22.46%) 44(23.53%) 25(13.37%)23(12.3%)4.37環境：缺乏集中的研究平臺，數據庫提取與更新受限，讀寫效率低下17(9.09%) 16(8.56%)20(10.7%)38(20.32%) 43(22.99%) 25(13.37%)28(14.97%)4.4數據：數據質量低，更新不及時，非結構化數據需要大量清洗14(7.49%)9(4.81%)27(14.44%) 36(19.25%) 43(22.99%) 31(16.58%)2

373、7(14.44%)4.53算法：參數不穩定，模型容易發生過擬合，花費大量時間檢查11(5.88%) 13(6.95%)28(14.97%) 36(19.25%) 43(22.99%) 33(17.65%)23(12.3%)4.49日常：大量工作在于重復代碼，較少想法生成16(8.56%)8(4.28%)30(16.04%) 55(29.41%) 36(19.25%) 21(11.23%)21(11.23%)4.25119選項1234567平均分因子：傳統因子失效，難以形成有效策略16(8.56%)6(3.21%)22(11.76%) 35(18.72%) 54(28.88%) 31(16.58

374、%)23(12.3%)4.55市場：市場行業/風格輪動過快，難以隨之快速調整13(6.95%)6(3.21%)26(13.9%)32(17.11%)46(24.6%)36(19.25%)28(14.97%)4.67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22(11.76%) 13(6.95%)23(12.3%)39(20.86%) 40(21.39%) 22(11.76%)28(14.97%)4.28交易：沖擊成本大，手續費侵蝕 21(11.23%) 20(10.7%)21(11.23%) 50(26.74%) 30(16.04%) 21(11

375、.23%)24(12.83%)4.11小計161(8.61%) 116(6.2%) 240(12.83%) 399(21.34%)424(22.67%)275(14.71%) 255(13.64%)4.42第 20 題 量化投資工作中是否有亟待解決的問題： 單選題 選項小計比例專業知識、技能還需提升15080.21%工作目標尚需清晰6032.09%有待建立全面規范的工作制度6233.16%工作關鍵結果難以量化6534.76%人員配置不夠、工作內容比較分散、沒有專職化8143.32%個人價值認同有待提升4725.13%團隊溝通不充分2814.97%資源未得到統一調用5428.88%產品之間不一致

376、性2613.9%其他31.6%187第 21 題 本機構因子儲存數量： 單選題 選項小計比例500以內7540.11%500-10002714.44%1000-30002010.7%3000-500052.67%5000-1萬42.14%1萬以上126.42%（空）4423.53%187第 22 題 你常用策略因子數量： 單選題 選項小計比例10個以內6032.09%50個以內7137.97%50-100個2714.44%120選項小計比例100-300個126.42%300以上179.09%187第 23 題 平均而言，單個模型（不含想法生成），從構建到完成回測需要多久？ 單選題 選項小計比

377、例1天以內168.56%1周以內7841.71%半個月以內4423.53%1個月以內2814.97%1個月以上2111.23%187行業發展與趨勢變化第24題 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 ： （1-7分， 1為無變化， 7為變化幅度最大） 矩陣量表題 ：5.41選項1234567平均分規范化：量化交易監管措施出臺，行業規范化、監管常態化4(2.14%)2(1.07%)7(3.74%)29(15.51%)39(20.86%)43(22.99%)63(33.69%)5.56智能化：人工智能各類算法大面積應用于量化投資各個環節3(1.6%)5(2.67%)8(4.28%

378、)31(16.58%)41(21.93%)41(21.93%)58(31.02%)5.44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4(2.14%)2(1.07%)12(6.42%)33(17.65%)43(22.99%)45(24.06%)48(25.67%)5.33主流化：量化機構增多，資產管理規模增大，進入投資主流3(1.6%)2(1.07%)9(4.81%)31(16.58%)46(24.6%)45(24.06%)51(27.27%)5.43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(2.14%)3(1.6%)12(6.42%)40(21.39%)34(

379、18.18%)45(24.06%)49(26.2%)5.29平臺化：機構運用統一平臺進行工業化、流程化量化開發，從筒倉式向平臺式轉型5(2.67%)3(1.6%)7(3.74%)33(17.65%)43(22.99%)42(22.46%)54(28.88%)5.4小計23(2.05%)17(1.52%)55(4.9%)197(17.56%)246(21.93%)261(23.26%)323(28.79%)5.41第 25 題 您個人關注行業哪些研究方向： 單選題 選項小計比例人工智能應用13170.05%高頻數據及高頻因子10958.29%另類數據8243.85%基本面量化12365.78%指

380、數增強7741.18%121選項小計比例FOF6635.29%其他84.28%187第 26 題 當前本司的機器學習 / 人工智能量化應用領域為： 單選題 選項小計比例無應用3418.18%想法生成6635.29%因子挖掘及生成11762.57%模型構建10556.15%資產組合構建7540.11%交易執行5428.88%風險管理4423.53%其他52.67%187第 27 題 當前本司的機器學習 / 人工智能量化應用階段為： 單選題 選項小計比例單點實驗：初步認識，以POC或試點形式進行小范圍探索，模擬盤進行投資6333.69%局部落地：首次實現部分場景AI應用上線，少量資金進行實盤573

381、0.48%擴展復制：有能力完成AI應用的開發和上線，覆蓋全流程，占總投資占比達到5%3418.18%規模落地：規?；涞谹I場景10個、在整個投資占比中達到30%2111.23%其他126.42%187第 28 題 本司當前機器學習 / 人工智能量化資源配置：（1 為未實現，7 為全部實現） 矩陣量表題 ：3.58選項1234567平均分戰略：AI在投資戰略中得到明確闡述35(18.72%)22(11.76%)16(8.56%)36(19.25%)29(15.51%)31(16.58%)18(9.63%)3.89技術：已在行業積累3年+技術沉淀42(22.46%)16(8.56%)25(13.

382、37%)23(12.3%)39(20.86%)25(13.37%)17(9.09%)3.77算法：團隊已全面復現過線性、樹模型、神經網絡各類AI模型42(22.46%)14(7.49%)25(13.37%)28(14.97%)30(16.04%)27(14.44%) 21(11.23%)3.83算力：投入了專門的資金在算力提升上42(22.46%)16(8.56%)21(11.23%)33(17.65%)26(13.9%)29(15.51%)20(10.7%)3.81資金：每年投入AI量化方面投入超過3000萬65(34.76%)24(12.83%)23(12.3%)25(13.37%)19(

383、10.16%)19(10.16%)12(6.42%)3.07人力：已設專門的AI量化團隊56(29.95%)21(11.23%)25(13.37%)27(14.44%)21(11.23%)24(12.83%)13(6.95%)3.32應用：AI量化已經在整個投資額度中占據了50%的應用量57(30.48%)14(7.49%)26(13.9%)32(17.11%)20(10.7%)27(14.44%)11(5.88%)3.37小計339(25.9%)127(9.7%)161(12.3%)204(15.58%)184(14.06%) 182(13.9%) 112(8.56%)3.58122第 29

384、 題 您擅長的機器學習 / 人工智能量化模型：（1 為無研究，7 為非常擅長） 矩陣量表題 ：3.83選項1234567平均分線性模型：線性回歸、Lasso、主成分分析PCA等14(7.49%)13(6.95%)19(10.16%)36(19.25%)33(17.65%)38(20.32%) 34(18.18%)4.66樹模型：決策樹、迭代二分3等22(11.76%) 22(11.76%)16(8.56%)37(19.79%)29(15.51%)32(17.11%) 29(15.51%)4.29集成學習：bagging、boosting、XGboost、隨機森林32(17.11%)13(6.9

385、5%)20(10.7%)47(25.13%)22(11.76%)28(14.97%) 25(13.37%)4.06聚類模型：K-Means、高斯混合GMM等30(16.04%) 21(11.23%)23(12.3%)39(20.86%)35(18.72%)18(9.63%)21(11.23%)3.89圖模型：貝葉斯網絡、馬爾可夫模型等40(21.39%)18(9.63%)28(14.97%)38(20.32%)25(13.37%)20(10.7%)18(9.63%)3.65神經網絡：RNN、CNN、DNN、GAN、GNN、Transformer等34(18.18%) 27(14.44%) 22

386、(11.76%)31(16.58%)28(14.97%)25(13.37%)20(10.7%)3.79強化學習：Q-learning、SARSA、DQN、DDPG等49(26.2%)27(14.44%) 31(16.58%)31(16.58%)20(10.7%)17(9.09%)12(6.42%)3.24其他68(36.36%) 19(10.16%)18(9.63%)32(17.11%)21(11.23%)16(8.56%)13(6.95%)3.1小計289(19.32%)160(10.7%)177(11.83%) 291(19.45%)213(14.24%) 194(12.97%) 172(

387、11.5%)3.83第 30 題 本司當前另類數據研究 / 使用情況： 單選題 選項小計比例已使用3518.72%積極研究7339.04%2022年底前關注2111.23%觀望5831.02%187第 31 題 本司當前另類數據研究 / 使用類型： 單選題 選項小計比例分析師情緒指標11460.96%網絡輿情指標10053.48%電商數據5629.95%招聘數據4624.6%上市公司ESG數據6032.09%傳感器數據3518.72%上市公司報告文本指標6132.62%其他2312.3%187第 32 題 本司當前高頻因子研究 / 使用情況： 單選題 選項小計比例已使用5730.48%積極研究

388、6534.76%2022年底前關注2111.23%觀望4423.53%1871232021 年度中國量化投資白皮書【私募數據版】薪酬 職業發展 工作基本情況第 2 題 您的學歷背景是： 單選題 選項小計比例大專及以下00%本科1820.69%碩士5967.82%博士1011.49%其他00%87第 3 題 您的學歷背景是： 單選題 選項小計比例國內C92124.14%國內9852124.14%國內2111011.49%國內其他1314.94%海外QS501517.24%海外QS10033.45%海外其他44.6%87第 4 題 您的專業背景 單選題 選項小計比例數學1112.64%金融工程27

389、31.03%統計1314.94%MBA910.34%計算機1921.84%物理1112.64%其他2427.59%87第 5 題 您是從以下哪種渠道獲得目前的工作崗位： 單選題 選項小計比例A.公司內部晉升/轉崗66.9%B.外部獵頭推薦1517.24%C.同行/朋友介紹2528.74%124選項小計比例D.公開招聘網站3034.48%E.其他1112.64%87第 6 題 您是以什么身份進入本領域的： 單選題 選項小計比例應屆畢業3742.53%賣方分析師44.6%買方機構1618.39%互聯網公司1416.09%其他1618.39%87第 7 題 您目前的年薪水平： 單選題 選項小計比例A

390、.15萬以內1314.94%B.15萬30萬1820.69%C.30萬50萬2022.99%D.50萬100萬2832.18%E.100萬200萬89.2%F.200萬以上00%87第 8 題 您是從哪些渠道獲得量化行業專業前沿知識： 單選題 選項小計比例A.公司組織的培訓2326.44%B.自學+實踐摸索7687.36%C.團隊領導師徒制學習3135.63%D.監管機構組織培訓78.05%E.券商金融工程團隊外部培訓910.34%F.第三方組織的培訓1213.79%G.其他78.05%87第 9 題 您認為自己知識、經驗、技能是否能滿足日常工作實踐： 本題答卷總分值：5477；平均值為：62

391、.95125第 10 題 您希望提升自己專業知識、技能的方向是（1 代表無需，7 代表迫切） 矩陣量表題 ：4.66選項1234567平均分數學10(11.49%)3(3.45%)7(8.05%)14(16.09%)17(19.54%)12(13.79%)24(27.59%)4.8計算機基礎7(8.05%)4(4.6%)6(6.9%)15(17.24%)19(21.84%)14(16.09%)22(25.29%)4.9金融12(13.79%)4(4.6%)12(13.79%)8(9.2%)16(18.39%)12(13.79%)23(26.44%)4.61人工智能2(2.3%)3(3.45%)

392、6(6.9%)15(17.24%)11(12.64%)16(18.39%)34(39.08%)5.46交流溝通13(14.94%)5(5.75%)12(13.79%)16(18.39%)18(20.69%)13(14.94%)10(11.49%)4.15外語讀寫18(20.69%)9(10.34%)9(10.34%)22(25.29%)12(13.79%)8(9.2%)9(10.34%)3.7財務分析10(11.49%)9(10.34%)9(10.34%)20(22.99%)12(13.79%)15(17.24%)12(13.79%)4.24數據分析4(4.6%)2(2.3%)7(8.05%)

393、15(17.24%)23(26.44%)15(17.24%)21(24.14%)5.07多項目并發8(9.2%)2(2.3%)7(8.05%)17(19.54%)21(24.14%)15(17.24%)17(19.54%)4.77全球視野5(5.75%)5(5.75%)9(10.34%)17(19.54%)14(16.09%)20(22.99%)17(19.54%)4.82學習能力12(13.79%)5(5.75%)9(10.34%)14(16.09%)15(17.24%)16(18.39%)16(18.39%)4.46適應變化的能力9(10.34%)4(4.6%)9(10.34%)11(12

394、.64%)21(24.14%)16(18.39%)17(19.54%)4.69創新能力7(8.05%)3(3.45%)9(10.34%)13(14.94%)15(17.24%)22(25.29%)18(20.69%)4.89執行力10(11.49%)4(4.6%)8(9.2%)15(17.24%)18(20.69%)18(20.69%)14(16.09%)4.57狀態管理能力9(10.34%)3(3.45%)9(10.34%)13(14.94%)19(21.84%)16(18.39%)18(20.69%)4.72耐受力10(11.49%)5(5.75%)11(12.64%)15(17.24%)

395、15(17.24%)17(19.54%)14(16.09%)4.46領導變革7(8.05%)2(2.3%)10(11.49%)18(20.69%)18(20.69%)14(16.09%)18(20.69%)4.75戰略管理7(8.05%)4(4.6%)9(10.34%)18(20.69%)21(24.14%)13(14.94%)15(17.24%)4.62洞察分析7(8.05%)4(4.6%)7(8.05%)14(16.09%)21(24.14%)19(21.84%)15(17.24%)4.78未來策劃5(5.75%)4(4.6%)7(8.05%)19(21.84%)20(22.99%)16(

396、18.39%)16(18.39%)4.8小計172(9.89%)84(4.83%)172(9.89%)309(17.76%)346(19.89%)307(17.64%)350(20.11%)4.66第 11 題 您期望的未來職業發展方向： 排序題 選項平均綜合得分專注量化5.4晉升管理崗位2.01從事金融行業其他相關工作1.26轉崗募資1.01轉做IT工作0.48其他0.23第 12 題 以下哪些情況可能會形成您尋找新工作機會的誘因： 排序題 選項平均綜合得分薪酬待遇6.8尋找晉升機會4.76尋找技術大牛團隊3.4公司文化包容性3.17工作彈性及工作與生活之間的平衡2.92126選項平均綜合得

397、分尋找資金充裕的團隊2.57PnL獎金提成激勵機制2.16當前公司價值感較低，管理層重視度不夠1.61其他0.53工作實踐第 13 題 您所在機構資產管理規模： 單選題 選項小計比例5千萬以下1416.09%5千萬1億1112.64%1-10億2124.14%10-50億1213.79%50億100億1517.24%100億300億89.2%300億以上66.9%87第 15 題 請對相關工作內容進行時間投入排序： 排序題 選項平均綜合得分模型構建4.06因子挖掘及生成3.83理論研究3.48組合投資3.17交易執行2.09風險管理1.78第 16 題 您司采取的策略包括 單選題 選項小計比例

398、日內回轉策略2326.44%市場中性策略3135.63%高頻策略3236.78%量化套利策略3641.38%資金管理策略1719.54%指數增強策略2832.18%多空靈活策略2022.99%量化多頭策略3742.53%期貨CTA策略2427.59%參與新股發行策略78.05%127選項小計比例其他33.45%（空）1112.64%87第 17 題 當前本司的投研人員數量： 單選題 選項小計比例1-5人2427.59%5-10人1921.84%10-20人1921.84%20-3089.2%30-50人910.34%50人以上89.2%87第 18 題 當前本司的投研組織形式： 單選題 選項小

399、計比例Silo System筒倉式4147.13%Centralized Book平臺式2022.99%筒倉+平臺 混合式2124.14%其他55.75%87第19題 在實際工作中， 哪些情況最讓你感到工作困難 ： （1-7分， 1表示無難度， 7代表最有難度） 矩陣量表題 ：4.41選項1234567平均分策略：難以生成具有Alpha的想法，資金容量有限6(6.9%)6(6.9%)8(9.2%)16(18.39%)23(26.44%)14(16.09%)14(16.09%)4.63算力：算力不足，單個任務運行時間過長10(11.49%)4(4.6%)15(17.24%)18(20.69%)2

400、1(24.14%)9(10.34%)10(11.49%)4.18環境：缺乏集中的研究平臺，數據庫提取與更新受限，讀寫效率低下10(11.49%)9(10.34%)10(11.49%)15(17.24%)19(21.84%)11(12.64%)13(14.94%)4.25數據：數據質量低，更新不及時，非結構化數據需要大量清洗7(8.05%)6(6.9%)16(18.39%)14(16.09%)20(22.99%)13(14.94%)11(12.64%)4.34算法：參數不穩定，模型容易發生過擬合，花費大量時間檢查5(5.75%)3(3.45%)14(16.09%)17(19.54%)22(25.

401、29%)14(16.09%)12(13.79%)4.59日常：大量工作在于重復代碼，較少想法生成7(8.05%)3(3.45%)15(17.24%)26(29.89%)16(18.39%)11(12.64%)9(10.34%)4.26因子：傳統因子失效，難以形成有效策略6(6.9%)2(2.3%)10(11.49%)18(20.69%)27(31.03%)14(16.09%)10(11.49%)4.61市場：市場行業/風格輪動過快，難以隨之快速調整5(5.75%)4(4.6%)12(13.79%)14(16.09%)23(26.44%)18(20.69%)11(12.64%)4.66128選項

402、1234567平均分實盤：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10(11.49%)4(4.6%)10(11.49%)21(24.14%)21(24.14%)9(10.34%)12(13.79%)4.31交易：沖擊成本大，手續費侵蝕9(10.34%)8(9.2%)11(12.64%)22(25.29%)14(16.09%)10(11.49%)13(14.94%)4.22小計75(8.62%)49(5.63%)121(13.91%)181(20.8%)206(23.68%)123(14.14%)115(13.22%)4.41第 20 題 量化投資工作

403、中是否有亟待解決的問題： 單選題 選項小計比例專業知識、技能還需提升6878.16%工作目標尚需清晰2629.89%有待建立全面規范的工作制度2832.18%工作關鍵結果難以量化2528.74%人員配置不夠、工作內容比較分散、沒有專職化3944.83%個人價值認同有待提升1820.69%團隊溝通不充分1213.79%資源未得到統一調用2427.59%產品之間不一致性1416.09%其他22.3%87第 21 題 本機構因子儲存數量： 單選題 選項小計比例500以內3337.93%500-10001213.79%1000-3000910.34%3000-500033.45%5000-1萬22.3

404、%1萬以上66.9%（空）2225.29%87第 22 題 你常用策略因子數量： 單選題 選項小計比例10個以內2731.03%50個以內3034.48%50-100個1517.24%100-300個66.9%300以上910.34%87129第 23 題 平均而言，單個模型（不含想法生成），從構建到完成回測需要多久？ 單選題 選項小計比例1天以內910.34%1周以內3540.23%半個月以內1820.69%1個月以內1416.09%1個月以上1112.64%87行業發展與趨勢變化第24題 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 ： （1-7分， 1為無變化， 7為變化幅度

405、最大） 矩陣量表題 ：5.35選項1234567平均分規范化：量化交易監管措施出臺，行業規范化、監管常態化2(2.3%)1(1.15%)4(4.6%)12(13.79%)20(22.99%)19(21.84%)29(33.33%)5.53智能化：人工智能各類算法大面積應用于量化投資各個環節1(1.15%)1(1.15%)7(8.05%)15(17.24%)15(17.24%)18(20.69%)30(34.48%)5.48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2(2.3%)1(1.15%)6(6.9%)15(17.24%)23(26.44%)19(21.84%)21(24.1

406、4%)5.26主流化：量化機構增多，資產管理規模增大，進入投資主流1(1.15%)1(1.15%)4(4.6%)14(16.09%)26(29.89%)18(20.69%)23(26.44%)5.4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2(2.3%)2(2.3%)10(11.49%)17(19.54%)16(18.39%)22(25.29%)18(20.69%)5.08平臺化：機構運用統一平臺進行工業化、流程化量化開發，從筒倉式向平臺式轉型2(2.3%)2(2.3%)4(4.6%)15(17.24%)21(24.14%)18(20.69%)25(28.74%)5.36小計1

407、0(1.92%)8(1.53%)35(6.7%)88(16.86%)121(23.18%)114(21.84%)146(27.97%)5.35第 25 題 您個人關注行業哪些研究方向： 單選題 選項小計比例人工智能應用6068.97%高頻數據及高頻因子5259.77%另類數據2832.18%基本面量化5360.92%指數增強3236.78%FOF2427.59%其他44.6%87130第 26 題 當前本司的機器學習 / 人工智能量化應用領域為： 單選題 選項小計比例無應用1112.64%想法生成3135.63%因子挖掘及生成5765.52%模型構建4956.32%資產組合構建3641.38%

408、交易執行2629.89%風險管理1820.69%其他22.3%87第 27 題 當前本司的機器學習 / 人工智能量化應用階段為： 單選題 選項小計比例單點實驗：初步認識，以POC或試點形式進行小范圍探索，模擬盤進行投資2326.44%局部落地：首次實現部分場景AI應用上線，少量資金進行實盤2731.03%擴展復制：有能力完成AI應用的開發和上線，覆蓋全流程，占總投資占比達到5%1921.84%規模落地：規?；涞谹I場景10個、在整個投資占比中達到30%1213.79%其他66.9%87第 28 題 本司當前機器學習 / 人工智能量化資源配置：（1 為未實現，7 為全部實現） 矩陣量表題 ：3

409、.61選項1234567平均分戰略：AI在投資戰略中得到明確闡述15(17.24%)11(12.64%)9(10.34%)17(19.54%)12(13.79%)16(18.39%)7(8.05%)3.87技術：已在行業積累3年+技術沉淀18(20.69%)6(6.9%)16(18.39%)9(10.34%)22(25.29%)11(12.64%)5(5.75%)3.74算法：團隊已全面復現過線性、樹模型、神經網絡各類AI模型17(19.54%)6(6.9%)14(16.09%)14(16.09%)16(18.39%)12(13.79%)8(9.2%)3.85算力：投入了專門的資金在算力提升上

410、17(19.54%)7(8.05%)13(14.94%)16(18.39%)14(16.09%)11(12.64%)9(10.34%)3.83資金：每年投入AI量化方面投入超過3000萬29(33.33%)12(13.79%)15(17.24%)8(9.2%)10(11.49%)7(8.05%)6(6.9%)3.03人力：已設專門的AI量化團隊25(28.74%)8(9.2%)14(16.09%)14(16.09%)9(10.34%)12(13.79%)5(5.75%)3.34應用：AI量化已經在整個投資額度中占據了50%的應用量20(22.99%)6(6.9%)13(14.94%)19(21

411、.84%)12(13.79%)13(14.94%)4(4.6%)3.6小計141(23.15%)56(9.2%)94(15.44%)97(15.93%)95(15.6%)82(13.46%)44(7.22%)3.61131第 29 題 您擅長的機器學習 / 人工智能量化模型：（1 為無研究，7 為非常擅長） 矩陣量表題 ：3.94選項1234567平均分線性模型：線性回歸、Lasso、主成分分析PCA等6(6.9%)4(4.6%)10(11.49%)15(17.24%)18(20.69%)22(25.29%)12(13.79%)4.71樹模型：決策樹、迭代二分3等6(6.9%)10(11.49

412、%)9(10.34%)21(24.14%)15(17.24%)15(17.24%)11(12.64%)4.36集成學習：bagging、boosting、XGboost、隨機森林12(13.79%)4(4.6%)12(13.79%)24(27.59%)10(11.49%)15(17.24%)10(11.49%)4.16聚類模型：K-Means、高斯混合GMM等12(13.79%)10(11.49%)11(12.64%)20(22.99%)16(18.39%)10(11.49%)8(9.2%)3.92圖模型：貝葉斯網絡、馬爾可夫模型等17(19.54%)7(8.05%)13(14.94%)19(

413、21.84%)13(14.94%)9(10.34%)9(10.34%)3.77神經網絡：RNN、CNN、DNN、GAN、GNN、Transformer等14(16.09%)9(10.34%)11(12.64%)14(16.09%)17(19.54%)12(13.79%)10(11.49%)4強化學習：Q-learning、SARSA、DQN、DDPG等22(25.29%)10(11.49%)10(11.49%)18(20.69%)11(12.64%)10(11.49%)6(6.9%)3.46其他30(34.48%)7(8.05%)10(11.49%)17(19.54%)12(13.79%)7(

414、8.05%)4(4.6%)3.13小計119(17.1%)61(8.76%)86(12.36%)148(21.26%)112(16.09%)100(14.37%)70(10.06%)3.94第 30 題 本司當前另類數據研究 / 使用情況： 單選題 選項小計比例已使用1314.94%積極研究3742.53%2022年底前關注1112.64%觀望2629.89%87第 31 題 本司當前另類數據研究 / 使用類型： 單選題 選項小計比例分析師情緒指標5259.77%網絡輿情指標4349.43%電商數據2225.29%招聘數據1416.09%上市公司ESG數據2832.18%傳感器數據1112.6

415、4%上市公司報告文本指標2629.89%其他89.2%87132第 32 題 本司當前高頻因子研究 / 使用情況： 單選題 選項小計比例已使用3236.78%積極研究2832.18%2022年底前關注89.2%觀望1921.84%871332021 年度中國量化投資白皮書【公募數據版】薪酬 職業發展 工作基本情況第 2 題 您的學歷背景是： 單選題 選項小計比例大專及以下00%本科220%碩士660%博士220%其他00%10第 3 題 您的學歷背景是： 單選題 選項小計比例國內C9330%國內985220%國內211220%國內其他00%海外QS50220%海外QS100110%海外其他00

416、%10第 4 題 您的專業背景 單選題 選項小計比例數學550%金融工程220%統計330%MBA00%計算機220%物理00%其他110%10第 5 題 您是從以下哪種渠道獲得目前的工作崗位： 單選題 選項小計比例A.公司內部晉升/轉崗330%B.外部獵頭推薦00%C.同行/朋友介紹220%D.公開招聘網站550%134選項小計比例E.其他00%10第 6 題 您是以什么身份進入本領域的： 單選題 選項小計比例應屆畢業550%賣方分析師00%買方機構330%互聯網公司110%其他110%10第 7 題 您目前的年薪水平： 單選題 選項小計比例A.15萬以內110%B.15萬30萬110%C.

417、30萬50萬330%D.50萬100萬550%E.100萬200萬00%F.200萬以上00%10第 8 題 您是從哪些渠道獲得量化行業專業前沿知識： 單選題 選項小計比例A.公司組織的培訓00%B.自學+實踐摸索990%C.團隊領導師徒制學習220%D.監管機構組織培訓00%E.券商金融工程團隊外部培訓660%F.第三方組織的培訓330%G.其他330%10第 9 題 您認為自己知識、經驗、技能是否能滿足日常工作實踐：58第 10 題 您希望提升自己專業知識、技能的方向是（1 代表無需，7 代表迫切） 矩陣量表題 ：4.27選項1234567平均分數學2(20%)2(20%)1(10%)1(

418、10%)0(0%)1(10%)3(30%)4計算機基礎1(10%)0(0%)1(10%)2(20%)1(10%)1(10%)4(40%)5.1金融2(20%)1(10%)2(20%)1(10%)1(10%)1(10%)2(20%)3.9人工智能0(0%)0(0%)0(0%)2(20%)2(20%)3(30%)3(30%)5.7135選項1234567平均分交流溝通4(40%)1(10%)1(10%)0(0%)1(10%)3(30%)0(0%)3.2外語讀寫5(50%)1(10%)1(10%)0(0%)1(10%)1(10%)1(10%)2.8財務分析1(10%)1(10%)4(40%)2(20

419、%)0(0%)1(10%)1(10%)3.6數據分析2(20%)1(10%)4(40%)1(10%)0(0%)1(10%)1(10%)3.3多項目并發2(20%)1(10%)2(20%)0(0%)1(10%)4(40%)0(0%)3.9全球視野0(0%)2(20%)2(20%)0(0%)2(20%)2(20%)2(20%)4.6學習能力0(0%)1(10%)3(30%)0(0%)1(10%)2(20%)3(30%)4.9適應變化的能力1(10%)1(10%)2(20%)1(10%)0(0%)2(20%)3(30%)4.6創新能力1(10%)1(10%)1(10%)0(0%)1(10%)1(10

420、%)5(50%)5.2執行力0(0%)3(30%)1(10%)2(20%)1(10%)1(10%)2(20%)4.2狀態管理能力0(0%)2(20%)1(10%)1(10%)1(10%)1(10%)4(40%)5耐受力1(10%)2(20%)1(10%)0(0%)1(10%)2(20%)3(30%)4.6領導變革1(10%)3(30%)0(0%)1(10%)1(10%)2(20%)2(20%)4.2戰略管理1(10%)4(40%)0(0%)0(0%)0(0%)3(30%)2(20%)4.1洞察分析1(10%)2(20%)0(0%)1(10%)1(10%)3(30%)2(20%)4.6未來策劃2

421、(20%)3(30%)0(0%)0(0%)1(10%)2(20%)2(20%)3.9小計27(13.5%)32(16%)27(13.5%)15(7.5%)17(8.5%)37(18.5%)45(22.5%)4.27第 11 題 您期望的未來職業發展方向： 排序題 選項平均綜合得分專注量化6晉升管理崗位2從事金融行業其他相關工作0.8轉崗募資0.8轉做IT工作0.2其他0第 12 題 以下哪些情況可能會形成您尋找新工作機會的誘因： 排序題 選項平均綜合得分薪酬待遇7尋找晉升機會4.9工作彈性及工作與生活之間的平衡4.7公司文化包容性4.1尋找技術大牛團隊3.5PnL獎金提成激勵機制2.9當前公司

422、價值感較低，管理層重視度不夠2.5尋找資金充裕的團隊2其他0136工作實踐第 13 題 您所在機構資產管理規模： 單選題 選項小計比例5千萬以下00%5千萬1億00%1-10億00%10-50億220%50億100億00%100億300億110%300億以上770%10第 15 題 請對相關工作內容進行時間投入排序： 排序題 選項平均綜合得分因子挖掘及生成5模型構建4.1組合投資3.4理論研究2.8風險管理2.2交易執行1.8第 16 題 您司采取的策略包括 單選題 選項小計比例日內回轉策略110%市場中性策略660%高頻策略330%量化套利策略550%資金管理策略440%指數增強策略770%

423、多空靈活策略220%量化多頭策略770%期貨CTA策略330%參與新股發行策略440%其他00%（空）110%10137第 17 題 當前本司的投研人員數量： 單選題 選項小計比例1-5人110%5-10人00%10-20人110%20-30110%30-50人220%50人以上550%10第 18 題 當前本司的投研組織形式： 單選題 選項小計比例Silo System筒倉式440%Centralized Book平臺式330%筒倉+平臺 混合式330%其他00%10第19題 在實際工作中， 哪些情況最讓你感到工作困難： （1-7分， 1表示無難度， 7代表最有難度） 矩陣量表題：3.92選

424、項1234567平均分策略：難以生成具有Alpha的想法，資金容量有限0(0%)0(0%)2(20%)0(0%)4(40%)2(20%)2(20%)5.2算力：算力不足，單個任務運行時間過長1(10%)1(10%)3(30%)2(20%)0(0%)1(10%)2(20%)4環境：缺乏集中的研究平臺，數據庫提取與更新受限，讀寫效率低下2(20%)1(10%)3(30%)1(10%)1(10%)2(20%)0(0%)3.4數據：數據質量低，更新不及時，非結構化數據需要大量清洗2(20%)0(0%)2(20%)3(30%)2(20%)1(10%)0(0%)3.6算法：參數不穩定，模型容易發生過擬合，

425、花費大量時間檢查1(10%)0(0%)3(30%)3(30%)1(10%)2(20%)0(0%)3.9日常：大量工作在于重復代碼，較少想法生成2(20%)0(0%)2(20%)2(20%)3(30%)1(10%)0(0%)3.7因子：傳統因子失效，難以形成有效策略1(10%)1(10%)1(10%)3(30%)4(40%)0(0%)0(0%)3.8市場：市場行業/風格輪動過快，難以隨之快速調整0(0%)0(0%)3(30%)1(10%)4(40%)0(0%)2(20%)4.7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1(10%)1(10%)1(1

426、0%)4(40%)3(30%)0(0%)0(0%)3.7交易：沖擊成本大，手續費侵蝕1(10%)2(20%)2(20%)4(40%)1(10%)0(0%)0(0%)3.2小計11(11%)6(6%)22(22%)23(23%)23(23%)9(9%)6(6%)3.92第 20 題 量化投資工作中是否有亟待解決的問題： 單選題 選項小計比例專業知識、技能還需提升990%工作目標尚需清晰440%有待建立全面規范的工作制度330%工作關鍵結果難以量化550%人員配置不夠、工作內容比較分散、沒有專職化330%138選項小計比例個人價值認同有待提升660%團隊溝通不充分220%資源未得到統一調用220%

427、產品之間不一致性110%其他00%10第 21 題 本機構因子儲存數量： 單選題 選項小計比例500以內440%500-1000220%1000-3000110%3000-500000%5000-1萬00%1萬以上00%（空）330%10第 22 題 你常用策略因子數量： 單選題 選項小計比例10個以內220%50個以內550%50-100個220%100-300個110%300以上00%10第 23 題 平均而言，單個模型（不含想法生成），從構建到完成回測需要多久？ 單選題 選項小計比例1天以內00%1周以內550%半個月以內550%1個月以內00%1個月以上00%10139行業發展與趨勢變

428、化第24題 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 ： （1-7分， 1為無變化， 7為變化幅度最大） 矩陣量表題 ：4.68選項1234567平均分規范化：量化交易監管措施出臺，行業規范化、監管常態化1(10%)0(0%)0(0%)4(40%)1(10%)2(20%)2(20%)4.8智能化：人工智能各類算法大面積應用于量化投資各個環節1(10%)0(0%)0(0%)2(20%)5(50%)2(20%)0(0%)4.6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1(10%)0(0%) 1(10%)2(20%)3(30%)3(30%)0(0%)4.5主流化：量化機

429、構增多，資產管理規模增大，進入投資主流1(10%)0(0%) 2(20%)2(20%)2(20%)2(20%)1(10%)4.4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1(10%)0(0%)0(0%)2(20%)3(30%)3(30%)1(10%)4.9平臺化：機構運用統一平臺進行工業化、流程化量化開發，從筒倉式向平臺式轉型1(10%)0(0%)0(0%)2(20%)4(40%)1(10%)2(20%)4.9小計6(10%)0(0%)3(5%)14(23.33%)18(30%)13(21.67%)6(10%)4.68第 25 題 您個人關注行業哪些研究方向： 單選題 選項小計

430、比例人工智能應用990%高頻數據及高頻因子660%另類數據440%基本面量化990%指數增強550%FOF770%其他00%10第 26 題 當前本司的機器學習 / 人工智能量化應用領域為： 單選題 選項小計比例無應用220%想法生成00%因子挖掘及生成770%模型構建660%資產組合構建220%交易執行220%風險管理00%其他00%10140第 27 題 當前本司的機器學習 / 人工智能量化應用階段為： 單選題 選項小計比例單點實驗：初步認識，以POC或試點形式進行小范圍探索，模擬盤進行投資330%局部落地：首次實現部分場景AI應用上線，少量資金進行實盤660%擴展復制：有能力完成AI應用

431、的開發和上線，覆蓋全流程，占總投資占比達到5%110%規模落地：規?；涞谹I場景10個、在整個投資占比中達到30%00%其他00%10第 28 題 本司當前機器學習 / 人工智能量化資源配置：（1 為未實現，7 為全部實現） 矩陣量表題 ：3.31選項1234567平均分戰略：AI在投資戰略中得到明確闡述2(20%)1(10%)1(10%)3(30%)2(20%)0(0%)1(10%)3.6技術：已在行業積累3年+技術沉淀2(20%)1(10%)1(10%)2(20%)1(10%)2(20%)1(10%)3.9算法：團隊已全面復現過線性、樹模型、神經網絡各類AI模型2(20%)1(10%)1

432、(10%)2(20%)2(20%)1(10%)1(10%)3.8算力：投入了專門的資金在算力提升上2(20%)1(10%)1(10%)3(30%)2(20%)0(0%)1(10%)3.6資金：每年投入AI量化方面投入超過3000萬3(30%)2(20%)1(10%)3(30%)0(0%)0(0%)1(10%)2.9人力：已設專門的AI量化團隊3(30%)3(30%)1(10%)1(10%)1(10%)0(0%)1(10%)2.8應用：AI量化已經在整個投資額度中占據了50%的應用量3(30%)3(30%)2(20%)1(10%)0(0%)0(0%)1(10%)2.6小計17(24.29%)12

433、(17.14%)8(11.43%)15(21.43%)8(11.43%)3(4.29%)7(10%)3.31第 29 題 您擅長的機器學習 / 人工智能量化模型：（1 為無研究，7 為非常擅長） 矩陣量表題 ：4.46選項1234567平均分線性模型：線性回歸、Lasso、主成分分析PCA等0(0%)0(0%)0(0%)2(20%)4(40%)0(0%)4(40%)5.6樹模型：決策樹、迭代二分3等0(0%)0(0%)0(0%)2(20%)4(40%)0(0%)4(40%)5.6集成學習：bagging、boosting、XGboost、隨機森林0(0%)0(0%)1(10%)3(30%)4(

434、40%)0(0%)2(20%)4.9聚類模型：K-Means、高斯混合GMM等0(0%)1(10%)2(20%)2(20%)3(30%)0(0%)2(20%)4.5圖模型：貝葉斯網絡、馬爾可夫模型等1(10%)1(10%)1(10%)3(30%)1(10%)1(10%)2(20%)4.3神經網絡：RNN、CNN、DNN、GAN、GNN、Transformer等1(10%)1(10%)3(30%)1(10%)2(20%)1(10%)1(10%)3.9強化學習：Q-learning、SARSA、DQN、DDPG等1(10%)2(20%)4(40%)1(10%)1(10%)0(0%)1(10%)3.

435、3其他2(20%)2(20%)0(0%)2(20%)3(30%)0(0%)1(10%)3.6小計5(6.25%)7(8.75%)11(13.75%)16(20%)22(27.5%)2(2.5%) 17(21.25%)4.46第 30 題 本司當前另類數據研究 / 使用情況： 單選題 選項小計比例已使用550%積極研究330%2022年底前關注00%觀望220%14110第 31 題 本司當前另類數據研究 / 使用類型： 單選題 選項小計比例分析師情緒指標10100%網絡輿情指標550%電商數據440%招聘數據440%上市公司ESG數據550%傳感器數據110%上市公司報告文本指標440%其他1

436、10%10第 32 題 本司當前高頻因子研究 / 使用情況： 單選題 選項小計比例已使用330%積極研究440%2022年底前關注110%觀望220%101422021 年度中國量化投資白皮書【外資數據版】薪酬 職業發展 工作基本情況第 2 題 您的學歷背景是： 單選題 選項小計比例大專及以下00%本科433.33%碩士758.33%博士00%其他18.33%12第 3 題 您的學歷背景是： 單選題 選項小計比例國內C9325%國內98518.33%國內21100%國內其他216.67%海外QS50433.33%海外QS10018.33%海外其他18.33%12第 4 題 您的專業背景 單選題

437、 選項小計比例數學433.33%金融工程866.67%統計18.33%MBA18.33%計算機433.33%物理325%其他216.67%12第 5 題 您是從以下哪種渠道獲得目前的工作崗位： 單選題 選項小計比例A.公司內部晉升/轉崗433.33%B.外部獵頭推薦18.33%C.同行/朋友介紹541.67%D.公開招聘網站216.67%143選項小計比例E.其他00%12第 6 題 您是以什么身份進入本領域的： 單選題 選項小計比例應屆畢業758.33%賣方分析師00%買方機構00%互聯網公司433.33%其他18.33%12第 7 題 您目前的年薪水平： 單選題 選項小計比例A.15萬以內

438、18.33%B.15萬-30萬00%C.30萬-50萬216.67%D.50萬-100萬433.33%E.100萬-200萬325%F.200萬以上216.67%12第 8 題 您是從哪些渠道獲得量化行業專業前沿知識： 單選題 選項小計比例A.公司組織的培訓433.33%B.自學+實踐摸索1191.67%C.團隊領導師徒制學習216.67%D.監管機構組織培訓00%E.券商金融工程團隊外部培訓325%F.第三方組織的培訓18.33%G.其他18.33%12第 9 題 您認為自己知識、經驗、技能是否能滿足日常工作實踐： 本題答卷總分值：764；平均值為：63.67第 10 題 您希望提升自己專業

439、知識、技能的方向是 (1 代表無需，7 代表迫切） 矩陣量表題 ：4.37選項1234567平均分數學1(8.33%)1(8.33%)2(16.67%)2(16.67%)3(25%)2(16.67%)1(8.33%)4.25計算機基礎2(16.67%)1(8.33%)2(16.67%)3(25%)0(0%)1(8.33%)3(25%)4.08144選項1234567平均分金融1(8.33%)1(8.33%)2(16.67%)1(8.33%)3(25%)1(8.33%)3(25%)4.58人工智能2(16.67%)0(0%)1(8.33%)4(33.33%)1(8.33%)1(8.33%)3(2

440、5%)4.42交流溝通3(25%)0(0%)2(16.67%)3(25%)3(25%)0(0%)1(8.33%)3.58外語讀寫5(41.67%)0(0%)0(0%)2(16.67%)3(25%)1(8.33%)1(8.33%)3.42財務分析2(16.67%)0(0%)2(16.67%)2(16.67%)3(25%)2(16.67%)1(8.33%)4.17數據分析1(8.33%)1(8.33%)0(0%)4(33.33%)3(25%)1(8.33%)2(16.67%)4.5多項目并發2(16.67%)0(0%)0(0%)4(33.33%)1(8.33%)1(8.33%)4(33.33%)4

441、.75全球視野1(8.33%)0(0%)0(0%)3(25%)3(25%)3(25%)2(16.67%)5學習能力2(16.67%)0(0%)1(8.33%)3(25%)2(16.67%)0(0%)4(33.33%)4.58適應變化的能力2(16.67%)0(0%)1(8.33%)3(25%)2(16.67%)2(16.67%)2(16.67%)4.42創新能力2(16.67%)0(0%)0(0%)3(25%)2(16.67%)2(16.67%)3(25%)4.75執行力2(16.67%)0(0%)1(8.33%)3(25%)2(16.67%)2(16.67%)2(16.67%)4.42狀態管

442、理能力2(16.67%)0(0%)1(8.33%)3(25%)3(25%)1(8.33%)2(16.67%)4.33耐受力2(16.67%)0(0%)1(8.33%)5(41.67%)2(16.67%)1(8.33%)1(8.33%)4領導變革2(16.67%)0(0%)0(0%)2(16.67%)5(41.67%)1(8.33%)2(16.67%)4.58戰略管理2(16.67%)0(0%)0(0%)3(25%)4(33.33%)1(8.33%)2(16.67%)4.5洞察分析2(16.67%)0(0%)0(0%)3(25%)4(33.33%)1(8.33%)2(16.67%)4.5未來策劃

443、2(16.67%)0(0%)0(0%)3(25%)4(33.33%)1(8.33%)2(16.67%)4.5小計40(16.67%)4(1.67%)16(6.67%)59(24.58%)53(22.08%)25(10.42%)43(17.92%)4.37第 11 題 您期望的未來職業發展方向： 排序題 選項平均綜合得分專注量化5.25晉升管理崗位3.5從事金融行業其他相關工作1.5轉崗募資1.17轉做IT工作0.83其他0.08第 12 題 以下哪些情況可能會形成您尋找新工作機會的誘因： 排序題 選項平均綜合得分薪酬待遇7尋找晉升機會4.75工作彈性及工作與生活之間的平衡4.17尋找技術大牛團

444、隊3.92公司文化包容性3.58PnL獎金提成激勵機制2.08尋找資金充裕的團隊1.83當前公司價值感較低，管理層重視度不夠1.33其他0.75145工作實踐第 13 題 您所在機構資產管理規模： 單選題 選項小計比例5千萬以下216.67%5千萬1億00%1-10億216.67%10-50億18.33%50億100億216.67%100億300億216.67%300億以上325%12第 15 題 請對相關工作內容進行時間投入排序： 排序題 選項平均綜合得分組合投資3.92因子挖掘及生成3.92模型構建3.83交易執行2.17理論研究1.58風險管理1.42第 16 題 您司采取的策略包括 單

445、選題 選項小計比例日內回轉策略541.67%市場中性策略758.33%高頻策略541.67%量化套利策略866.67%資金管理策略541.67%指數增強策略758.33%多空靈活策略541.67%量化多頭策略541.67%期貨CTA策略325%參與新股發行策略325%其他216.67%12第 17 題 當前本司的投研人員數量： 單選題 選項小計比例1-5人216.67%5-10人325%146選項小計比例10-20人216.67%20-3018.33%30-50人18.33%50人以上325%12第 18 題 當前本司的投研組織形式： 單選題 選項小計比例Silo System筒倉式216.6

446、7%Centralized Book平臺式541.67%筒倉+平臺 混合式433.33%其他18.33%12第19題 在實際工作中， 哪些情況最讓你感到工作困難 ： （1-7分， 1表示無難度， 7代表最有難度） 矩陣量表題 ： 3.98選項1234567平均分策略：難以生成具有Alpha的想法，資金容量有限3(25%)1(8.33%)1(8.33%)3(25%)1(8.33%)1(8.33%)2(16.67%)3.75算力：算力不足，單個任務運行時間過長1(8.33%)2(16.67%)1(8.33%)4(33.33%)1(8.33%)1(8.33%)2(16.67%)4.08環境：缺乏集中

447、的研究平臺，數據庫提取與更新受限，讀寫效率低下2(16.67%)1(8.33%)1(8.33%)3(25%)1(8.33%)3(25%)1(8.33%)4.08數據：數據質量低，更新不及時，非結構化數據需要大量清洗2(16.67%)1(8.33%)1(8.33%)4(33.33%)1(8.33%)2(16.67%)1(8.33%)3.92算法：參數不穩定，模型容易發生過擬合，花費大量時間檢查2(16.67%)1(8.33%)1(8.33%)3(25%)2(16.67%)2(16.67%)1(8.33%)4日常：大量工作在于重復代碼，較少想法生成3(25%)0(0%)1(8.33%)2(16.6

448、7%)2(16.67%)1(8.33%)3(25%)4.25因子：傳統因子失效，難以形成有效策略2(16.67%)1(8.33%)2(16.67%)3(25%)1(8.33%)2(16.67%)1(8.33%)3.83市場：市場行業/風格輪動過快，難以隨之快速調整2(16.67%)0(0%)2(16.67%)2(16.67%)3(25%)2(16.67%)1(8.33%)4.17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2(16.67%)2(16.67%)1(8.33%)2(16.67%)2(16.67%)1(8.33%)2(16.67%)3.9

449、2交易：沖擊成本大，手續費侵蝕3(25%)0(0%)1(8.33%)5(41.67%)0(0%)1(8.33%)2(16.67%)3.83小計22(18.33%)9(7.5%)12(10%)31(25.83%) 14(11.67%)16(13.33%) 16(13.33%)3.98第 20 題 量化投資工作中是否有亟待解決的問題： 單選題 選項小計比例專業知識、技能還需提升1191.67%工作目標尚需清晰325%有待建立全面規范的工作制度18.33%工作關鍵結果難以量化541.67%人員配置不夠、工作內容比較分散、沒有專職化325%147選項小計比例個人價值認同有待提升216.67%團隊溝通不

450、充分18.33%資源未得到統一調用325%產品之間不一致性325%其他18.33%12第 21 題 本機構因子儲存數量： 單選題 選項小計比例500以內541.67%500-1000216.67%1000-3000216.67%3000-500000%5000-1萬00%1萬以上18.33%（空）216.67%12第 22 題 你常用策略因子數量： 單選題 選項小計比例10個以內325%50個以內650%50-100個00%100-300個216.67%300以上18.33%12第 23 題 平均而言，單個模型（不含想法生成），從構建到完成回測需要多久？ 單選題 選項小計比例1天以內18.33

451、%1周以內650%半個月以內18.33%1個月以內216.67%1個月以上216.67%12148行業發展與趨勢變化第24題 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 ： （1-7分， 1為無變化， 7為變化幅度最大） 矩陣量表題 ：5.11選項1234567平均分規范化：量化交易監管措施出臺，行業規范化、監管常態化1(8.33%)0(0%)0(0%)2(16.67%)3(25%)4(33.33%)2(16.67%)5.17智能化：人工智能各類算法大面積應用于量化投資各個環節1(8.33%)0(0%)0(0%)4(33.33%)2(16.67%)2(16.67%)3(25%)5

452、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1(8.33%)0(0%)1(8.33%)3(25%)1(8.33%)4(33.33%)2(16.67%)4.92主流化：量化機構增多，資產管理規模增大，進入投資主流1(8.33%)0(0%)0(0%)2(16.67%)1(8.33%)5(41.67%)3(25%)5.42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1(8.33%)0(0%)0(0%)4(33.33%)0(0%)4(33.33%)3(25%)5.17平臺化：機構運用統一平臺進行工業化、流程化量化開發，從筒倉式向平臺式轉型1(8.33%)0(0%)0(0%)4

453、(33.33%)2(16.67%)2(16.67%)3(25%)5小計6(8.33%)0(0%)1(1.39%)19(26.39%)9(12.5%)21(29.17%)16(22.22%)5.11第 25 題 您個人關注行業哪些研究方向： 單選題 選項小計比例人工智能應用758.33%高頻數據及高頻因子866.67%另類數據1083.33%基本面量化1083.33%指數增強975%FOF650%其他00%12第 26 題 當前本司的機器學習 / 人工智能量化應用領域為： 單選題 選項小計比例無應用325%想法生成758.33%因子挖掘及生成975%模型構建975%資產組合構建758.33%交易

454、執行325%風險管理650%其他00%12149第 27 題 當前本司的機器學習 / 人工智能量化應用階段為： 單選題 選項小計比例單點實驗：初步認識，以POC或試點形式進行小范圍探索，模擬盤進行投資541.67%局部落地：首次實現部分場景AI應用上線，少量資金進行實盤433.33%擴展復制：有能力完成AI應用的開發和上線，覆蓋全流程，占總投資占比達到5%18.33%規模落地：規?；涞谹I場景10個、在整個投資占比中達到30%216.67%其他00%12第 28 題 本司當前機器學習 / 人工智能量化資源配置：（1 為未實現，7 為全部實現） 矩陣量表題 ：3.62選項1234567平均分戰

455、略：AI在投資戰略中得到明確闡述3(25%)1(8.33%)1(8.33%)1(8.33%)3(25%)2(16.67%)1(8.33%)3.83技術：已在行業積累3年+技術沉淀2(16.67%)0(0%)3(25%)1(8.33%)4(33.33%)1(8.33%)1(8.33%)4算法：團隊已全面復現過線性、樹模型、神經網絡各類AI模型3(25%)0(0%)3(25%)0(0%)3(25%)2(16.67%)1(8.33%)3.83算力：投入了專門的資金在算力提升上3(25%)1(8.33%)1(8.33%)0(0%)3(25%)3(25%)1(8.33%)4資金：每年投入AI量化方面投入

456、超過3000萬5(41.67%)0(0%)2(16.67%)1(8.33%)1(8.33%)2(16.67%)1(8.33%)3.25人力：已設專門的AI量化團隊4(33.33%)1(8.33%)1(8.33%)0(0%)4(33.33%)1(8.33%)1(8.33%)3.5應用：AI量化已經在整個投資額度中占據了50%的應用量6(50%)0(0%)2(16.67%)0(0%)2(16.67%)1(8.33%)1(8.33%)2.92小計26(30.95%)3(3.57%)13(15.48%)3(3.57%) 20(23.81%)12(14.29%)7(8.33%)3.62第 29 題 您擅

457、長的機器學習 / 人工智能量化模型：（1 為無研究，7 為非常擅長） 矩陣量表題 ：3.43選項1234567平均分線性模型：線性回歸、Lasso、主成分分析PCA等1(8.33%)0(0%)0(0%)6(50%)3(25%)1(8.33%)1(8.33%)4.42樹模型：決策樹、迭代二分3等2(16.67%)2(16.67%)0(0%)4(33.33%)2(16.67%)1(8.33%)1(8.33%)3.75集成學習：bagging、boosting、XGboost、隨機森林4(33.33%)1(8.33%)1(8.33%)3(25%)1(8.33%)1(8.33%)1(8.33%)3.2

458、5聚類模型：K-Means、高斯混合GMM等2(16.67%)0(0%)1(8.33%)4(33.33%)4(33.33%)0(0%)1(8.33%)4圖模型：貝葉斯網絡、馬爾可夫模型等4(33.33%)1(8.33%)2(16.67%)2(16.67%)2(16.67%)1(8.33%)0(0%)3神經網絡：RNN、CNN、DNN、GAN、GNN、Transformer等3(25%)3(25%)1(8.33%)1(8.33%)1(8.33%)2(16.67%)1(8.33%)3.33強化學習：Q-learning、SARSA、DQN、DDPG等4(33.33%)2(16.67%)1(8.33

459、%)2(16.67%)2(16.67%)0(0%)1(8.33%)3其他6(50%)1(8.33%)0(0%)3(25%)1(8.33%)0(0%)1(8.33%)2.67小計26(27.08%) 10(10.42%)6(6.25%)25(26.04%)16(16.67%)6(6.25%)7(7.29%)3.43150第 30 題 本司當前另類數據研究 / 使用情況： 單選題 選項小計比例已使用325%積極研究650%2022年底前關注18.33%觀望216.67%12第 31 題 本司當前另類數據研究 / 使用類型： 單選題 選項小計比例分析師情緒指標650%網絡輿情指標1083.33%電商數據650%招聘數據433.33%上市公司ESG數據650%傳感器數據650%上市公司報告文本指標758.33%其他216.67%12第 32 題 本司當前高頻因子研究 / 使用情況： 單選題 選項小計比例已使用433.33%積極研究433.33%2022年底前關注18.33%觀望325%12