发帖
雷达卡
近期，“新时代证券 带您走进私募”活动在大岩资本成功举办。本次活动以“看人工智能如何玩转A股”为主题，大岩资本总裁、量化投资基金经理黄铂博士结合投资案例及市场经验，深入浅出的为来访的投资者们讲解了如何通过量化科技来发掘市场的超额收益。
内容比较长，我们对实录内容做了精简编辑，分为上下两篇，上篇可见《大岩资本黄铂：量化科技 发掘市场超额收益（上篇）》，以下为实录下篇：
一、量化策略的目标
如果长期持有就能赚取收益，还要量化做什么呢？
黄铂博士解释称，在做投资的过程中，市场收益是很难赚取的，那么除了市场收益就是超额收益，而量化策略就是为了挖掘高夏普比率下的超额收益。判断一个量化策略的好坏，我们通常会看其夏普比率是多少，波动率是多少？
黄铂博士补充道，往往持有量化策略产品的时间越长，超额收益将起到主导作用，不可预测的市场收益波动会被逐渐平滑掉，也就是波动率随着时间的增长而越小。
那么量化策略又是如何创造高夏普比率下的超额收益呢？
黄铂博士认为，这与量化策略的投资特点息息相关。量化策略有三大特点：第一，高度的系统性与纪律性。量化策略中99%以上的交易策略都是通过机器模型来完成的，在大岩资本的实时交易中，每天就需要处理几千万条数据，叠加模型对于数据的处理，那就是上亿甚至几十亿次的信息交互，而如此巨量级的信息处理却可能是在毫秒到秒之间完成的，在此过程中，人要想进行干预就非常难了，换言之，量化策略能避免被人性的弱点所左右。
第二，风险高度可控。我们往往通过量化的框架将风险和收益抽丝剥茧，判断哪些风险我们知道，哪些风险我们不知道，然后通过分散的方式去控制未知的风险，通过灵活对冲的方式控制知道的风险。在量化的框架下，我们可以将不可控或不可见的风险具象化、数字化，将风险转换成可量化的内容，从而达到控制风险的目的。
第三，高人力杠杆。量化策略可能是所有投资方法中人力杠杆最高的一种，具体表现在两个方面：第一，我们看任何一个正常的量化组合，其持仓非常分散，有几百只甚至上千只股票，而且行业分布和市值分布都非常均匀。如果将这样高度分散、风险可控的组合纳入主观投资框架下进行组合管理，那么就需要非常高的运营成本，需要大量的行业研究员，不过对于量化而言，可能只需要一个四五个人的小团队。
量化投资从本质上讲，就是数据科学在金融领域的一个应用，通过统计与建模的方式来挖掘金融数据，与其他领域的数据唯一所不同的就在于数据（金融数据）。
现如今的信息科学、人工智能深度学习都可以被应用在量化投资上，所以，从长远来看，量化投资的空间非常大。
二、量化投资研究方式
黄铂博士继续为大家阐述量化投资研究方式几种不同的形态。
量化投资的本质是在大量的数据中心挖掘“历史可持续、未来可重复”的交易规则与交易指标，也即找规律。量化投资的发展初期，就是通过最简单的人为方式来寻找规律，通过数据、金融相关类文章或报道等，提取一些相对有用的信息再做浮现，然后在历史数据上测试是否有效。由于人的理解和输入在起主导地位，所以我们称之为“人力挖掘”；
另外一种主要的方式是通过“深度学习”为代表的各种复杂的统计建模。过去十几年是包括人工智能在内的各种算法发展最快的时期，但在这个时期，人工智能主要应用于图像识别和自然语言理解方面，而在投资的应用上仍需要人工来做填补。
量化研究员在做量化模型的时候，不会只看一小段数据或某单只股票的数据，而是看全市场3000多只股票每天所有成交的几千万条的信息，以此来学习对未来有预测的日内量价形态，以及跟踪或预测不同类型交易参与者的行为和意向。在这个过程中，研究者不仅要对各种机器学习模型有深刻的理解，剥离出其中跨领域可应用的“内核”；同时还需要了解如何把现有的金融数据转化成“模型的语言”。因此，我们称之为“半自动”研究模型，其中包含了大量的人机交互的元素；
另外一种更类似于“全自动模式”的研究方式是通过遗传算法（也叫自适应搜索算法）对量化策略进行优化与决策，这个框架比较复杂，但执行比较简单。我们将所有能够拿到的数据，以及各种可能的数据与数据之间的交互方式，比如加减乘除，都放到算法中，然后利用算法计算出所有数据之间可能的组合方式，并找出所有的量化规律的表现，再进行优胜劣汰。如此一来，我们便可以在海量的数据中寻找出历史上最有效的指标和规律。不过，遗传算法的前提是需要足够的数据量，以及足够强大的计算能力。
三、量化的核心竞争力
当谈及量化的核心竞争力，黄铂博士认为，团队、数据及算法交易，缺一不可。
关于团队，目前对于主流量化机构，比如像大岩资本是三个阶段典型方式有机融合，在量化人员配置上会有严格的要求。从教育背景出发，我们绝大多数的投资经理和研究员都是理工类顶尖名校毕业，并且硕士以上学历，部分人员为博士学历，并且在加入大岩之前，有部分人在国外已经有非常成熟的量化机构工作经验。
关于数据，所谓巧妇难为无米之炊，对于量化投资而言，金融相关数据就是我们的“米”。大岩资本所覆盖的数据维度是非常全面的，有基本面数据、股票量价数据。基本面数据，即比如每个公司关键的财务数据，相关实时盘后的各种财务事件和新闻等。股票量价数据，即全市场每只股票从开盘到收盘结束，所有的成交信息与委托信息。而这些量价数据含括有上千万级别的信息量，以及达到几亿甚至几十亿的交互信息。
除了这两类主流数据外，还有其他特色数据包括文本数据那么如何更好地利用这些特色数据呢？这也正体现了量化策略的专业性，如何从这些数据中抽取有效的信息，对未来收益和风险更好地做出预判。当然，每家量化机构都会有自己独特的护城河，也是大家选择量化产品、识别专业性的关键点之一。
关于算法交易，从量化投资说起，通常提到“量化”很多人会将其与高频交易联系在一起，其实量化并不等价于高频交易，量化具有处理高频数据和高频信息的能力，也可以做高频交易。对于每一个成功的量化策略中，必然含有一些高频交易的成分。
目前，大岩资本主打的量化策略，对每只股票的持仓周期大概在5个交易日，主要收益源自于持仓时间内大幅度跑赢对标的市场收益，还有一部分收益源自于交易。算法交易就是其中关键的角色，通过在“日内交易期间”创造超额收益。比如在今天的9:30到11:00这段时间内，股票A平均成交价格为10元/股，而我们以9元/股的价格成交，那么，相对于市场而言，我们就有了这一块钱的优势。从交易层面上看，这一块钱就属于交易上的超额收益。
四、量化的前景
最后，黄铂博士为大家介绍了A股量化投资的发展状况。
在美国，量化策略已发展很多年，并已成为主流的投资方式。有数据表明，大概有2/3的私募投资都是量化投资。所以，量化策略基金产品在发达市场是接受度非常高的投资产品，而且在类似美国这样比较有效的市场下，也正因为有太多人在做量化，所以并没有太多的超额收益留予大家获取。
再看A股市场，量化投资在近几年发展很快，特别是2020年量化投资规模对比前一年翻倍，但即便是翻倍之后也仅占整体投资规模的15%。可见，在A股市场，量化投资的空间还非常大。叠加量化投资的科学性、有效的风险管理，以及量化投资的高人力杠杆等特性，令我们每年能比较稳定的获取20%-25%相对于大盘的超额收益。
大岩资本创始合伙人汪义平博士早前便已意识到A股市场的量化投资机会，并成功引入国际资本，其中包括世界排名前五的资管机构之一，还有国际上比较知名的几家量化对冲基金。
黄铂博士认为，从目前来看，整个A股市场在未来的三至五年内，量化策略整体将呈现一个健康、有序、快速发展的态势。他表示，希望在这个时间窗口，大岩能够给更多的投资者创造更稳定的收益。
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
