2018年度高金人才战略分论坛之

量化投资与智慧金融

2018年11月16日下午，上海交通大学上海高级金融学院“2018 SAIF金融人才年度盛典”在陆家嘴中国金融信息中心隆重举办，其中由高金MBA学联量化投资俱乐部策划和主办的“量化投资与智慧金融”分论坛，分别邀请到来自量化私募业界和智能投研业界的四位嘉宾，围绕国内量化投资业界热点问题，展开深入交流。

主题一：《当前国内量化私募发展状况和深入思考》

胡志刚

高金领航计划业界导师

弈泰资产管理总经理

胡总首先介绍了弈泰资产六年半的发展历程，介绍了从团队组建，到部门组织，到策略体系大家等，从弈泰资产发展历程可以看出国内众多量化私募机构成立成长的一般过程。

量化私募机构对量化策略的能力要求，主要是三个方面：首先要有金融市场的理解和创新能力。第二要有数学建模能力统计分析能力。第三要有编程能力。如果看策略开发流程就知道为什么需要这三个能力。首先需要提出自己的想法，然后去开发测试，开发测试的时候就需要建模能力，实现的时候需要编程能力，所以开发、测试、评估、模拟盘、实盘，每个策略都是经过这样一个流程下来。

评估策略是否有效，首先是看它的逻辑，思想和逻辑是最重要的，一个好的策略首先逻辑是打动人，其次是需要它的回测，评估策略本身展现很好的数学特性。第三需要把它进行拆分，把他赚的钱分成阿尔法和贝塔，贝塔赚得还是市场本身的钱，阿尔法是赚市场之上超额收益。第四个是跟同行去比，无论做多么好，最后还是说有没有人比你做得更好，如果大多数人比你做得更好，那这个策略价值本身还是不大，因为本身这是强竞争的行业，所以最终不光要战胜散户，到某种程度还需要战胜对手才能在市场里面弄到资金。

对于股票策略，因为国内股票在制度上来讲，对卖空是有很大限制，日内交易也有很大限制，如果有底仓还可以，大部分没有底仓，都是T+1的交易，所以股票上面采用的策略不太多，不管是量化还是主观都是在选股。

在期货里面就相对丰富一些，因为期货可以做日内，也可以做卖空，国外基本上能够有的大型策略，都可以应用到国内来。第一个是可以做趋势策略，趋势策略就是趋势跟踪，如果是涨就买，如果是跌就卖空，就这么简单。第二个是期货多因子对冲策略，这个策略跟股票策略思想是一致的。第三个是套利策略，国内很多人做农产品套利或者跨期套利。套利策略相对来说和趋势对冲的区别在哪？主要是区别在做价差，因为一般是看单品种，还是忽略掉很多市场空间，有的时候单品种没有行情，但是两个品种的价差可能行情会比较好，尤其是基本面有非常紧密联系的这些品种，他的价差往往是在经济学上，在市场原理上有一个合理的空间。如果这个价差超出这个空间，就赌它反转，这就是常见的套利策略。为什么需要要这么多策略？就是因为每个策略的收益来源不一样，盈利场景不一样。

关于投资理念，首先，需要全市场策略的思路，所以很关键是在中国市场找到相关性非常低的这种多的策略，无非分成高频、中频、低频，股票、期货、期权，各种逻辑的趋势对冲套利。第二，需要动态配置，尽量把我们的策略动态配置给客户，客户告诉他的风险容忍程度，投资机构把策略按照当时这个市场情况做一个配置。第三，作为量化私募首先是量化风险或者风险一定要能算清楚，一定要能具体执行到，所以风险防范是公司重要的一个要素。第四，作为量化私募，如果条件许可，都是愿意用程序化交易，一个是省人省力，第二个是风控所有这些制度，这些要素都很容易用计算机自动去执行。第五，在一个公司来讲，更应注重注重开发自己的共享平台，这样的话，把大家能够共享的东西全部都把它抽出来，然后形成共享的平台，这是关键的投资理念。

主题二：《深度学习技术在量化投资的应用实践》

陈婧

幻方，基金经理

首先比较了量化交易和主观交易，量化交易具有突出的优点，优点一：能够不被人的情绪所影响；优点二：押注大概率事件；优点三：精力无限；优点四：精细化交易。

小市值股票比较容易波动大，波动大就比较容易做出超额，因为所谓作出alpha是等别人做出错误的价格预期。市场波动比较大的时候，意味着人们有情绪，有情绪就意味着容易不理智，不理智就容易作出错误的判断，量化交易就可以从错误的判断里面获得一点差额收益。

为什么现在量化投资会考虑人工智能呢？

传统的多因子模型，市场上大部分量化团队还在使用这个模型，基本上使用10个左右的因子，但是这10个左右因子里面真正起到收益率做贡献可能就3、4个因子，剩下因子是用来平滑曲线或者降低风险用，这些因子包括大家耳熟能详的基础因子，这个模型会有什么问题呢？需要时常要去修正它。比如说最近哪些因子可能更有效一些，因为市场在变化，就需要根据市场变化调整一下因子，调整一下参数，永远都只是非常小的局部最优的结合。因为也不知道挑的因子组合是不是最优的因子组合了，只能是尝试的因子组合里面最好的组合而已，还有千千万万没有尝试过的。其次，大家都使用某个策略之后，就会容易出现策略同质化，在2017年第一季度表现的特别明显，因为所有做量化的都用差不多的模型，而且那个时候市场交易量比较小。

为什么可以使用机器学习来在二级市场运用呢？因为它有模式识别能力，事物只要是有规律就能找出来，相对来说没有规律就比较难找，这是机器的特性。

使用深度学习进行选股的模型，第一层收集的都是基础因子，如果能挖掘出新的因子去用可能效果也蛮好的，如果没有挖掘新的因子能力就放基础因子，这样再也不需要根据市场状况的改变而去调整因子。

长短记忆模型，这是在实际生活中的应用，用在语音识别里面的。用这个模型可以做短期的股价预测，包括选股模型。这是时间序列上的，输入的是单个股票的历史价格，让它去判断股票未来是涨还是会跌，这是逻辑上不一样的模型。

主题三：《量化指数增强策略的投资机会》

陈志凌

辰钰投资，董事总经理

首先介绍了“指数增强基金”概念，长期投资于中国市场的指数都是能够有比较丰厚收益的。为什么呢？现在经济是L型走势，这意味着宏观经济的体量越来越高，它的背后就是各家公司的规模越来越大，上市公司同样体量也越来越大，所以它的市值同样水涨船高。另外M2增速仍然能达到每个月8%的同比增长，这些都会推动我们资产价格的上涨。

标普500指数，一直是长期正向的通道，哪怕2008年金融危机在图中也仅仅是一个阶段性的调整。香港的恒生指数也是一样，从1990年开始看也是处于宽幅振荡上行的通道，哪怕金融危机也并没有打断它长期上涨的趋势。回到A股市场，整个大的指数表现是比较差的，从全球来看年化收益率并不高，但是从1990年开始看也是处于振荡上行的周期，而且和美股、港股不同，它处于上升通道的底部区域。

目前中国市场，我们认为它的总市值还是过低，巴菲特曾经用股票市场总市值和GDP总值做对比，反映一个国家股市的估值水平，认为这个比值小于0.7%的时候，认为该国股票指数处于比较低，有投资价值，高于1认为是高估的，目前这个市场只有0.55%，截止2017年底各国巴菲特指标对比情况，美国和英国都是在1.6%左右，日本是1.27%，中国是0.71%，中国市场股市总市值比上GDP是相对低估的，2018年9月份进一步下降到0.55%，也是处于历史低位。上一个低点是2014年6月份，在0.38%。当然这个指标并不是非常严谨，因为现在A股IPO速度非常快，市值在进一步增加，并且有些上市公司是在国外上市的。

投资上证50和沪深300过去可以获取年化与收益率在6.4-6.7%。投资于国债只有3.2%的回报率，投资于中证500和中证1000，年化收益率在10.4-11.7%。

希望能够做到在中证500指数上去做一个明显的增强。用Alpha+T0量化投资策略组合。会把90%资金投到底仓上，再留10%去做日流转交易。底仓构建之后很多品种平常是不交易的，不交易的时候我们就引入T+0的算法作为回转交易，T+0这边会用到订单薄信息、联动效应、做市商策略等，总体上就能够获取一个非常稳定的长期回报，而且超额收益回撤是非常小。

主题四：《人工智能在投研领域的应用》

齐观德

通联数据，智能投研总监

齐总介绍了通联数据在投资领域做的一些探索，包括机器学习模型或者对投资的看法，提出投资科技（Invest Tech）的理念，所谓投资科技有两个部分，一个是投资的金融逻辑本身，一个是人工智能和大数据在里面的应用，把大数据和人工智能的技术用在投资领域。

在大数据介绍这部分，大数据的发展与计算技术进步密不可分，第一，计算技术的进步，使得复杂的人工智能机器学习的算法快速求解复杂的问题，因为有复杂的模型，我们有这么多数据，再有这么好的计算能力，我们才能够比以前做得更好。然后分别以美国NBER对中国GDP做得研究用夜间灯光数据分析中国的GDP、期货公司会把卫星图片数据用来分析尤其是农产品分析产量、用机器学习算法去分析Twitter上面大家的言论、通联数据用来分析更加垂直的汽车行业、企查查做得公司股权关系型数据（有点类似于社交网络的数据）等。

在人工智能技术在投资中的应用介绍这部分，介绍了做大类资产配置最重要就是要去预测每个资产风险和收益，尤其是收益。主要是对大类资产，比如说股、债、大类资产，我们是用一些宏观数据驱做预测。使用机器学习模型去预测预测国债的利率、预测股票指数的收益。使用机器学习技术做事件研究、明星分析师盈利调整、事件带来股价上涨概率的预测以及研报情感分析。

圆周讨论环节：机器学习应用于量化投资的热点问题

主持人：殷志浩博士

上海交通大学中国金融研究院，研究员

圆桌讨论环节请到了来自上海交通大学中国金融研究院研究员殷志浩博士主持，殷博士殷志浩博士，具有20多年量化分析和投资经验，曾在摩根大通、花旗集团、汇丰银行、富国银行等多家国际知名金融机构从事量化分析和团队管理工作，善于解决衍生产品定价和对冲等相关问题，有多年买方投资策略和套利策略研究经验。2009年回国后在中金公司先后任数量分析组负责人、资产管理部量化投资负责人、中金基金总经理。2014年离开中金后曾合伙创立灵均投资，产品首发规模26亿。1994年获美国麻省理工学院物理学博士学位。

圆桌讨论环节就几个热点话题，几位嘉宾做了热烈的讨论：

1、量化是黑盒子，人在少数据情况下学习能力是比机器更强，这也是很多非量化人不完全相信量化投资的方法。量化用的方法都是最后比较优化的，越是优化情况下，大家的方法越容易趋同。

四位主题演讲嘉宾观点：在采用量化方法的时候，一定要对背后内在逻辑要搞得很清楚。对于量化研究来说并不是黑盒子，很多量化策略最根本的逻辑都是来自于比如说主动投资的理念或者交易员的经验或者大的宏观逻辑。比如说市场价格波动，我们会去看它的短期波动本质到底是什么？有效因子配在当中或者加大权重，这个时候还是需要人工干预。关于策略趋同性，这方面我们主要还是通过策略的多样化，包括多因子阿尔法到T+0模型和多因子模型，神经网络策略，在这上面进行分散化配置，避免一类配置或者资产出现危机，导致大部分回撤。另外在每个策略里面也是多策略，多周期，多品种全面分散化的过程。

2、量化短期方向是什么，对于准备进入这个领域的人是非常关心的事情，大家可以分享一下。量化有好几个方向，做什么事情最有希望成功？

四位主题演讲嘉宾观点：在未来一段时间内，做量化的超额收益应该比偏主观的更强一些。从美国的数据来看，量化的基金比例远大于主观，从这一点来看国内的量化收益还是有很大的发展空间。现在要新进入这个行业，如果再从头开始做阿尔法、CTA其实已经有点过时了，因为这个市场当中已经有太多策略，可能需要一些新鲜的东西，比如说用深度学习技术应用在投资上，另外还需要钻研和基本面相关的学习，这种研究虽然比较主观，但是它更加接近整个投资的大逻辑，还需要在数据挖掘以外，一个真真正正的投资逻辑框架，在这个基础上再用这些新的方法，新的技术去寻求更好的效果，两者结合才是未来真正能够成功的方向。

更多阅读：

2018 SAIF金融人才战略年度论坛成功举行

报道|2018SAIF金融人才年度盛典分论坛-金融监管和金融稳定行业研讨会成功举办！