《宽邦科技：2022年度中国量化投资白皮书（173页）.pdf》由会员分享，可在线阅读，更多相关《宽邦科技：2022年度中国量化投资白皮书（173页）.pdf（173页珍藏版）》请在三个皮匠报告上搜索。

1、 1 1 CONTENTS目录目录关键数据及发现关键数据及发现.1 1第一章第一章 行业扫描行业扫描.3 31.1 市场概况.41.2 调研框架.161.3 数据说明.17第二章第二章 人才发展人才发展.1 18 82.1 人才面貌.192.2 岗位情况.252.3 薪酬构成.262.4 职业状态.292.5 成长发展.32第第三三章章 机构实践机构实践.3 34 43.1 市场回顾.353.2 机构规模.373.3 投资策略.403.4 投资赎回.443.5 交易技术.51第第四四章章 趋势前沿趋势前沿.5 57 74.1 未来展望.584.2 竞争状态.624.3 人工智能.664.4 基

2、本面量化.734.5 另类数据.754.6 高频数据及交易.77 2 第第五五章章 最佳最佳实践实践.8 80 05.1 艾方资产：反脆弱的抽象与演绎.815.2 倍漾投资：用最激进的方式进行 AI 量化.855.3 华软新动力：FOF 方法论 15 问 展望与思考.895.4 九坤投资：初心如磐，星光不负赶路人.955.5 宽投资产：微妙玄通 若冬涉川.1005.6 锐天投资：中性 慎独.1035.7 杉树资产：克制与内省.1065.8 世纪前沿：做对但是难的事情.1105.9 衍盛中国：向多资产类别的数量化对冲基金迈进.1145.10 正瀛投资：非线性的魅力.1195.11 卓胜私募：10

3、 万特征库 我们在如何践行人工智能量化.1255.12 仲阳天王星：嬗变 2022.129关于我们关于我们.13133 3附附注注 1 1.13135 5附附注注 2 2.1 13838 3 CONTENTS图图表表目录目录图表 12017-2021 年新备案私募量化投资基金情况，数量规模大幅提升.4图表 22022 年主要品种交易量.5图表 32022 年 A 股日度成交额.5图表 42022 中证 500 指数及波动率.5图表 52022 中证 1000 指数及波动率.6图表 62022 年 Barra 风格因子收益率时序.6图表 7IC 年化贴水成本统计.6图表 8各类型策略 2018-

4、2022 年度新增机构.6图表 92018-2022 各策略产品发行数量和同比变化.7图表 10产品规模变动情况.7图表 11情绪指标环比变动情况.7图表 122022 年私募股票策略基金规模变化估算.8图表 132022 年股票多头仓位变化图.8图表 14私募基金业绩追踪周报.8图表 15CTA 时序量价策略近一年相关系数.9图表 16量化机构最注重的量化策略特征.9图表 17股票市场中性年化单边换手变化趋势.9图表 182022 年混合类收益表现.10图表 192022 年混合类收益分布.10图表 20常用机器学习模型排序.10图表 21当前量化机构的机器学习/人工智能量化应用领域.10图

5、表 22各年度策略核心观察池业绩表现.11图表 232022 年量化产品分策略收益率统计.11图表 242022 年量化产品分策略最大回撤统计.12图表 25私募各策略指数 2022 年表现.14图表 262022 年核心策略规模变动影响测算.14图表 272019-2021 年私募量化产品的主要策略类型分布.14图表 28量化当前研究/使用策略，多点开花.14图表 29头部管理人市场中性的回撤图.14图表 30股指期货 IC 对冲成本变化.14图表 31问卷调研填写时间分布.17图表 32问卷调研机构类型分布.17图表 33问卷调研地理分布.17图表 34问卷调研从业年限分布.17图表 35

6、问卷调研人员岗位分布.17图表 36问卷调研所在机构规模分布.17图表 37量化人才学历背景.19图表 38量化人才专业背景.19 4 图表 39私募证券投资基金管理人高管最高学历分布.19图表 40受调人员从业年限分布，平均年限为 3.63 年.20图表 41人才入行方式分布.20图表 42人才主要来源分布.20图表 43投研技术岗位的员工数量同比变化.21图表 44不同规模量化机构投研技术岗位的员工数量同比变化.21图表 45机构管理规模区间同比变化.21图表 462022 年重点招聘岗位占比.22图表 47量化语言使用，Python 占比 85.55%.23图表 48C+、Python、

7、Rust 语言能力图.24图表 49开发语言在不同资管规模下的边际效用（非高频）.24图表 50Github 目前全球的量化交易类项目及其使用语言.24图表 51薪酬主要构成，16.67%拥有股权激励.26图表 522022 年核心人物持股比例发生变更的百亿量化私募.26图表 53百亿量化私募实控人与前三大持股股东及持股比例.26图表 54年薪水平【总包】.27图表 55超额收益提成分布.27图表 56全球博士毕业量化从业人员基础薪酬及总收入分布概况（美元）.28图表 57卖方量化从业人员基础薪酬及总收入分布概况（美元）.28图表 58买方量化从业人员基础薪酬及总收入分布概况（美元）.28图表

8、 59核心事务在整个工作时长中的占比.29图表 60各机构量化人员核心事务在整个工作时长中的占比.29图表 61各机构工作状态和压力.29图表 62工作强度和压力状态.29图表 63机构规模与工作量关系.30图表 64量化人期望在公司里面获取的权益/福利.30图表 65量化人才寻找新工作机会的诱因.31图表 66量化人才离职的主要驱动因素.31图表 67Quant 的关键素质.32图表 68量化人提升专业知识、技能的方向（2022）.32图表 69量化人提升专业知识、技能的方向（2021）.32图表 70量化人带教新人意愿程度，平均意愿 4.37/7.33图表 71量化机构策略合作/交流氛围.

9、33图表 72量化机构策略合作交流氛围与公司组织形式分析.33图表 73量化机构投研组织形式.33图表 742022 年量化人最关注的三个行业事件/现象：回撤、疫情、策略.35图表 75量化机构规模分布.37图表 76机构量化占资产管理规模比例.37图表 77量化机构管理规模同比变化.37图表 78机构规模与规模增长之间呈现线性关系，增长聚集在头部机构.37图表 79机构规模与主要竞争优势雷达图.38图表 80100 亿以上机构与 1 亿以下机构主要竞争优势雷达图对比.38图表 81各机构规模区间机构竞争优势，头部机构在投研体系及资本市场资源领先.38图表 82机构资产管理规模/最优容量比例，

10、均值为 47.99%.39 5 图表 83不同管理规模机构，机构资产管理规模/最优容量比例.39图表 84量化机构当前投资研究标的.40图表 85量化机构换手率（按年度双边换手率计算）分布.40图表 86不同风格及换手率的基金舒适规模参考表.40图表 872022 年量化机构工作重点.41图表 88不同规模机构 2022 年贵机构工作重点.41图表 89量化日常工作挑战.41图表 90量化机构最注重的量化策略特征.42图表 91机构竞争力模型：前瞻度、配置、交易、创新与变革.42图表 92机构因子储存数量：4.30%在 1 万以上.42图表 93常用策略因子数量：61.42图表 942019-

11、2021 年私募量化产品的主要策略类型分布.43图表 95量化机构当前研究/使用策略.43图表 96存续产品中直销产品规模占比分布情况.44图表 97存续产品中规模占比超过 20%的代销渠道分布情况.44图表 98量化机构投资人类型.45图表 99不同机构投资人类型.45图表 100A 股非金融企业购买理财和二级市场投资情况.45图表 101A 股上市公司 2022 年购买理财投资情况.45图表 102美国对冲基金持有人结构变迁.46图表 103机构偏好对冲基金的原因.46图表 104股票多头策略产品月度净申赎.47图表 1052022 年核心策略规模变动影响测算.47图表 1062022 年

12、，量化人面临的赎回压力分布.48图表 1072022 年，量化机构产品最长净值修复周期.48图表 108投资人赎回压力与净值修复周期关联关系，季度为重要周期.48图表 109中国投资者的股票出售行为画像.49图表 110行情切换与份额变动.49图表 111样本私募产品的净值表现（左）和赎回量（右，万元）.49图表 112投资人对产品回撤容忍度比较，银行类回撤敏感.49图表 113投资人对产品回撤容忍度比较，绝对收益类回撤敏感.49图表 114普通投资者群体中最为常见的几种偏差.49图表 1152022 年私募基金策略占比月份变化情况.50图表 116私募基金策略占比年度变化情况.50图表 11

13、7量化机构策略系统情况.51图表 118量化私募策略系统情况.51图表 119量化机构管理规模与换手倍数.51图表 120量化投资机构期望的交易对接流程周期.51图表 121量化机构交易诉求排序.52图表 122量化机构交易过程中遇到的事故.52图表 123中美资本市场交易系统 30 年演进趋势.54图表 124分布式架构与集中式架构性能对比.54图表 125金融机构分布式转型实践.55图表 126畅想未来 3 年量化行业关键词.58 6 图表 127量化机构关注的行业方向.58图表 128量化行业演变方向 2021-2022 年对比.62图表 129量化行业演变方向.62图表 130行业竞争

14、及集中度预判.63图表 1312022 百亿私募量化基础情况.63图表 132量化人心中的海内外量化机构榜样.64图表 133量化市场挑战：全球经济、交易规则、风险偏好.64图表 134面对疫情量化机构的准备措施.65图表 135当前量化机构的机器学习/人工智能量化应用领域.66图表 136当前 AI 落地阶段.66图表 137人工智能模型使用排序.66图表 138AI 算法使用的方式.67图表 139常用机器学习模型排序.68图表 140各类机器学习使用环节.68图表 141当量化机构机器学习/人工智能量化应用阶段.69图表 142量化机构当前机器学习/人工智能量化资源配置.69图表 143

15、通过传统 PCIE 总线连接 CPU-GPU.70图表 144通过 NVLink 总线连接 CPU-GPU.70图表 145生成式 AI 应用图景.72图表 146生成式 AI 未来.72图表 147另类数据研究/使用类型.75图表 148ESG 数据在量化策略中应用情况.75图表 149海内外部分高频交易商名谱.77图表 150高频交易系统的主要优化技术.78图表 151高频数据的主要研究方向.79 1 KEY FINDINGS关键数据及发现关键数据及发现1、受访量化从业者的平均工作年限为 3.63 年，超过六成的量化从业者认为工作量和难度适中，无需额外处理。23.17%的受访者认为工作量和

16、难度过于饱和，需要长期加班。13.41%的受访者认为工作量和难度较小，能游刃有余地处理。2、2022 年，机构加紧投研人才建设，当前市场整体处于人才超配于策略的状态，大部分管理人倾向于先于管理规模进行人员配置部署，尤其是新晋的百亿量化私募招聘火热。在量化行业表现较好的 2020、2021 年，较多机构出现了人员倍增。3、256 份数据显示，50%的 Quant 从业人员采用多语言进行工作，其中 Python、C 语言和 MATLAB 作为量化行业最主流的编程语言，分别有 85.55%和 25.00%、24.61%的使用率，位居语言前三。新兴语言方面，Rust 和 Go 在海外逐渐兴起，目前在新

17、兴加密货币基金尝试使用 Rust。4、45.34%的受调人员薪酬构成单一，主要来自于基础岗位薪酬，超过一半的行业人才拥有超额收益提成或股权激励，其中16.67%的受访者拥有股权激励。5、仅有 11.11%的从业者认为自己的知识、经验、技能能够完全满足日常工作实践。同时大家认为做好一个 Quant 的关键素质先后顺序分别是：扎实的专业技能、聪明、快速领悟、对世界的认知、勤奋努力。6、聪明有助于单次研究的胜率，而努力则决定长期的水平。在细分维度上，Quant 们希望提升的专业知识、素质技能的方向分别是人工智能、创新能力全球视野、数据分析以及未来策划，与 2021 年调查结果基本一致。7、回顾 20

18、22 年，机构体感一致，编写组以“回顾 2022 年，您最关注的三个行业事件/现象分别是”为题，得到的最主要三个关键词分别为：回撤、疫情、战争。另外美元加息、中证 1000、伦镍逼空、数字货币、行业轮动、策略容量、策略同质化等事件及现象也饱受市场关注。8、整体而言，量化行业管理规模 2022 年迎来下滑，有近半机构量化管理规模没有变化甚至减少，从规模区间上来看，马太效应明显，管理规模存量越大的机构全年增长幅度也可能越大，50 亿-100 亿的机构中，超过六成实现了管理规模的增长。而管理规模超过 100 亿的大型机构，更是只有极少比例的出现了下滑。9、数据显示目前市场上的管理规模尚未达到饱和，机

19、构资产管理规模/最优容量比例为 47.99%。10、A 股和期货是最主要的投资标的，分别有 79.88%和 56.71%的机构参与投资。期权和债券分别为 34.15%和 31.71%，小众如新兴市场股票（印度、越南等）占比也能达到 8.05%，值得注意的是，有 15.24%的机构将数字货币作为研究投资标的，将CTA 策略微调之后应用于数字货币交易。11、因子储存数量呈现为两头高、中间低的特征，体现出两种因子挖掘风格：一种是通过精筛具备经济学意义的因子，另外一种是采用机器学习进行海量因子挖掘。目前 4.30%成机构因子储存数量在 1 万以上，67.19%的机构常用因子在 50 个以内。2 12、

20、量化机构最主要的核心竞争点，一是行业发展前瞻度、配置能力、交易能力、创新与变革能力、资本市场认可度。策略本身的投研能力，管理规模越大的公司自评分数越高。13、“畅想未来 3 年的量化，您能想到哪些关键词？”调研发现：人工智能、行业竞争及基本面量化是行业最关注的三个方向，这也与“您个人关注行业哪些研究方向”完全吻合，超 7 成量化人关注人工智能应用；6 成关注高频数及因子；58.2%关注基本面量化。14、2021 年 12 月及 2022 年 4 月，调研组两次对行业提问“您认为接下来量化投资会朝着哪些方面演化，变化幅度有多大”，普遍而言，2021 年对于各个方向的感知更为强烈，市场普遍认可规范

21、化、智能化是主要发展方向。15、59%的受访者认为未来 3 年量化行业的集中度会提升，大型机构的管理规模会越来越大；26%的受访者认为行业竞争不确定，收益率、规模、波动率难以平衡；15%受访者认为机会在肩部机构或中小型机构。16、调研发现，量化市场面临的 5 大挑战排序为：市场风格变化和极端行情、全球经济衰退、货币政策、地缘整治。17、量化人认为竞争主要来自于量化机构之间内部竞争，排序远超于其他资管机构以及海外量化机构。18、相比 2021 年数据，神经网络的使用明显增多，各家机构都在增加模型复杂度，纷纷使用神经网络处理各类型任务。3 4 市场概况市场概况1.1.11.1.1 骤雨初歇骤雨初歇

22、 市场调整后的悬停市场调整后的悬停2019-2021 年，A 股三连阳，量化私募也迎来高光时刻，行业迈入万亿大关。截至 2021 年末，在协会备案且勾选量化的私募基金共 16850 只，数量同比增长 42.2%，规模达到 1.08 万亿元，规模同比增长 91.5%，规模和数量分别占私募证券投资基金数量、规模的 21.9%和 17.1%。与此同时，一批投研实力强劲的私募量化投资基金管理人已经崭露头角，百亿私募量化投资基金管理人数量达到 28 家，在前十大私募证券投资基金管理人中，量化私募占有 5 席。图表 1 2017-2021 年新备案私募量化投资基金情况，数量规模大幅提升数据资料来源：证券投

23、资基金业协会 2021 年私募基金统计分析简报但时至 2022 年，上证指数一度跌落 3000 点，A 股“三连阳”终结。伴随风险偏好的回落，2022 市场整体表现疲软，在存量博弈环境中呈现出风格轮动加速的特点，全年大小盘风格处于拉锯状态，价值与成长风格多次切换。股指期货多空轧差降低，股票及商品期货的换手率均出现下滑，并且两类资产的日均成交量也呈现出下降的态势。相比于 2021 年多家量化产品紧急封盘，2022 年行业新闻更多的新闻则是回购。2022 年度主动及量化仓位分别最低下探至 70.6%和 83.6%，从各家机构交出的年末答卷中可以看到，债券、CTA、中性产品表现不佳，有的甚至出现负收

24、益，投资者赎回增加，流入资金大幅度下降。这对量化私募行业带来了直接影响。行业整体规模封顶于 1.5 万亿左右。百亿级量化私募的名谱有进有出，数量最终停留在 28 家。新备案私募基金较少，甚至出现新增备案市场中性策略的管理人只有 2 家的情况。产品发行数量的同比增长率也表现不佳，市场中性策略、股票多空策略同比分别下降-49.70%、-63.20%。一切发展好像是都悬停在了 2021 年底的状态。5 图表 2 2022 年主要品种交易量数据资料来源：招商证券托管部图表 3 2022 年 A 股日度成交额数据资料来源：朝阳永续基金研究平台图表 4 2022 中证 500 指数及波动率数据资料来源：朝

25、阳永续基金研究平台 6 图表 5 2022 中证 1000 指数及波动率数据资料来源：朝阳永续基金研究平台图表 6 2022 年 Barra 风格因子收益率时序图表 7 IC 年化贴水成本统计数据资料来源：私募策略年度回顾报告数据资料来源：Wind，中金财富图表 8 各类型策略 2018-2022 年度新增机构策略分类2018年度新增2019年度新增2020新增2021年度新增2022年度新增股票多头6733957372121股票市场中性8721682182股票多空822853883957950债券基金2529257526362

26、76132815管理期货5套利策略012181232宏观策略113791392组合基金6203222063定向增发9009新三板320320320320320多策略9252493799999其他20953911253954总计944528696080385数据来源：国泰君安托管部 7 图表 9 2018-2022 各策略产品发行数量和同比变化数据资料来源：朝阳永续基金研究平台图

27、表 10 产品规模变动情况*核心策略规模变动根据中国基金业协会网站披露结果及中信中证所编制的私募策略指数数据综合推算*净申赎影响测算时已考虑新发产品认购数据资料来源：中国证券投资基金业协会，中信中证图表 11 情绪指标环比变动情况类别指标2022 年2021 年环比变化资金流动申赎资金净流入524.294570.01-4045.73银证转账净流入-402.351539.18-1941.53基金仓位年末股票仓位87.05%86.99%0.06%股指期货多空轧差率股指期货多空轧差率12.28%28.08%-15.80%换手率股票平均换手率202.40%210.58%-3.89%策略2018 年同比

28、变化2019 年同比变化2020 年同比变化2021 年同比变化2022 年同比变化股票多头7384-25.03%820711.15%1437275.12%2364764.54%22563-4.58%股票市场中性62618.11%100660.70%137636.78%164619.62%828-49.70%指数增强222-12.25%39377.03%886125.45%1856109.48%991-46.61%股票多空3026.71%37223.18%67982.53%7013.24%258-63.20%管理期货1187-38.40%13009.52%198052.31%4006102.3

29、2%2572-35.80%套利策略237-34.89%36654.43%46025.68%69551.09%559-19.57%宏观策略296-22.92%255-13.85%46080.39%60130.65%343-42.93%债券基金3030-33.89%359018.48%461428.52%685748.61%5596-18.39%组合基金625-48.81%6361.76%122993.24%2534106.18%1566-38.20%多策略1252-54.16%175440.10%4771172.01%4225-11.44%1737-58.89%8 商品期货平均换手率2857.4

30、3%3489.72%-18.12%成交量股票日均成交量43.9445.02-1.08商品期货日均成交量20.0421.5-1.47数据资料来源：国泰君安托管部图表 12 2022 年私募股票策略基金规模变化估算图表 13 2022 年股票多头仓位变化图数据资料来源：国泰君安托管部数据资料来源：国泰君安托管部1.1.21.1.2 争议渐歇争议渐歇 透明度认可度提高透明度认可度提高2022 年度，主管部门对于量化投资的监管进入常态化，市场对于量化的争议之声也逐渐停歇。与此同时，量化也充分地暴露在了市场的探照灯之下。早前量化产品的数据披露来自部分第三方机构，虽然数据覆盖度较为完整，但是颗粒度、深度却

31、有所欠缺。2022年券商托管部门、FOF机构不断推出各种研究数据报告，直接摘取底层交易数据，以周度为单位更新量化机构的最新净值及策略相关性，尤其是对单产品策略类别、策略周期及交易品种进行无死角披露，让量化的交易品种、仓位和换手率变得越发透明。图表 14 私募基金业绩追踪周报数据资料来源：国泰君安托管部 9 图表 15 CTA时序量价策略近一年相关系数数据资料来源：国泰君安托管部1.1.31.1.3 策略同质策略同质 机构探索多策略全频段机构探索多策略全频段随着机构化的提升，量化赛道变得愈发拥挤。与此同时，增量资金的涌入速度放缓，市场透明度提升，机构不得不走向了“同质化”。据招商托管数据显示，截

32、至11月18日，量化多头产品的收益四分位差（前25%分位与前75%分位产品收益率的差值）仅有11.1%，而自2018年以来该数值基本维持在20%以上。即便很多机构表示了并不特别关注和其他机构的同质性，但实际上在2022年最关注的事件/现象里面，仍然有5家机构主动提到了策略的同质性。在此情形下，机构不得不探索更多可能性，目前来看中频赛道已经出现拥挤，机构正不断向高频和低频赛道拓展。从2021年9月至2022年底，以量化中性策略为例，平均年化单边换手由47倍降至32倍。50亿以下的量化中性还维持有平均48倍的年化单边换手，50亿以上的大规模管理人平均换手已降至26倍。也有部分机构引入基本面量化策略

33、，同主观交易进行融合。目前机构普遍采用多框架、多策略、多品种、多市场投资的运作模式，同时推出混合策略，平滑收益曲线。机构探索更多可能性的另外一个表现是，2022年人工智能热度仍然不减，业内模型的复杂程度不断提升，神经网络、强化学习的普及程度不断提高。图表 16 量化机构最注重的量化策略特征图表 17 股票市场中性年化单边换手变化趋势数据资料来源：问卷调研数据资料来源：招商托管 10 图表 18 2022 年混合类收益表现图表 19 2022 年混合类收益分布数据资料来源：招商托管数据资料来源：招商托管数据资料来源：朝阳永续基金研究平台图表 20 常用机器学习模型排序图表 21 当前量化机构的机

34、器学习/人工智能量化应用领域数据资料来源：问卷调研数据资料来源：问卷调研1.1.41.1.4 AlphaAlpha衰减衰减 中性衰弱、指增及中性衰弱、指增及CTACTA风头渐盛风头渐盛各券商托管机构的数据显示，2022 年度仅有市场中性、CTA 策略、债券策略收益为正，虽然影响因素不同，但是从收益表现来看，市场整体情况与 2018 年度高度相似。从月度收益表现来看，在 1 月、3-4 月、8-9 月股票市场加速下行阶段，沪深 300 指数整体表现好于中证 500 指数及中证1000 指数，大盘股抗跌性较强；2 月市场情绪震荡，各策略均有所回暖，中小盘股票表现好于大盘股；在 5-7 月、10-1

35、2 月的两次市场触底反弹过程中，大盘股和中小盘股票表现出截然不同的强弱切换；5-7 月中小盘股票相对强势，并且在 10-11月延续了强势表现，但在 11-12 月大小盘再度风格反转，大盘股成为反弹主力。受风格切换影响，主观股票多头策略分月表现波动剧烈；量化股票多头策略受影响较小，仅在 2 月、10 月跑输中证 500指数；中性策略月收益分布相对集中，极端收益情况较少；期货套利策略相对期货趋势策略绝对收益特征更为明显，仅在 8-9月小幅亏损；FOF 策略各月均表现相对疲软，盈利能力较弱。年初俄乌冲突为大宗商品价格趋势打出了清晰的上扬线，但年中 8 月波动率降至低位徘徊，拉低了趋势策略表现，同时“

36、危机 Alpha”的争议让 CTA 策略更广为熟知，据券商托管部门测算，全年期货策略规模扩张，趋势及套利策略在净申赎的影响下，其规模分别增加 8.9%与 56.91%。市场正在积极拥抱 Beta，具体表现在中性产品的衰弱及指增产品的不断推出，空气指增引起热议。曾几何时，中性产品是量化的代名词，但是据中信研究数据测算，从 2019 年到 2021 年，中性产品的规模占量化投资总体规模的比重由 44%下降 11 至 33%，这种下降势头延续至 2022 年。2021 年 9 月到 2022 年 1 月，因股票端超额收益大幅回撤，对冲端贴水迅速收敛提高成本，二者共振导致中性策略收益创下近几年来最大幅

37、度的回撤。而到 10 月份，随着股指不断下跌，IH 原来的升水幅度逐渐降低，IF 和 IC 贴水逐渐收窄，某些合约甚至出现升水的状态。2022 年市场中性策略收益虽然为正，但整体规模大幅下降了 27.45%，其中净申赎是规模变动的主要原因，也有少量影响来自市值变动，在上述提及的超额回撤和对冲成本提升之外，市值变动还会受到市场推广的影响。图表 22 各年度策略核心观察池业绩表现200212022正收益占比股票策略-20.51%25.68%33.81%15.49%-12.56%13.46%市场中性2.20%4.85%11.88%9.36%3.59%77.48%CTA 策略2.

38、59%12.88%35.49%15.90%5.75%66.04%宏观策略-10.55%24.52%30.23%13.63%-12.45%25.00%债券策略4.35%3.26%6.74%7.58%11.35%67.75%多策略-8.64%18.29%24.55%9.84%-8.64%27.59%私募 FOF-6.67%13.71%21.95%7.04%-0.52%28.15%沪深 300-25.31%36.07%27.21%-5.20%-21.63%中证 500-33.32%26.38%20.87%15.58%-20.31%数据资料来源：国泰君安托管图表 23 2022 年量化产品分策略收益率

39、统计2022 年量化产品分策略收益率统计策略分类机构规模范围参与统计产品数10 分位20 分位35 分位50 分位75 分位多策略0-5 亿51515.12%5.19%-1.42%-6.99%-18.27%5-10 亿13420.53%5.71%1.80%-1.39%-11.75%10-20 亿10213.38%5.23%1.35%-0.54%-8.22%20-50 亿11619.00%12.21%8.57%5.82%-5.97%50-100 亿3917.81%5.84%0.85%-1.28%-9.24%100 亿以上1027.68%5.25%1.20%-2.29%-4.75%套利策略0-5

40、亿597.93%3.59%1.71%0.16%-5.70%5-10 亿63.96%3.52%2.69%1.20%-1.29%10-20 亿626.90%12.37%10.37%8.44%6.51%20-50 亿33.72%1.35%-2.19%-5.73%-6.13%50-100 亿63.72%3.40%1.86%1.14%-0.36%100 亿以上116.71%6.70%5.29%4.14%3.08%宏观策略0-5 亿2943.13%22.21%8.86%3.00%-7.82%5-10 亿2-34.26%-34.26%-34.26%-34.26%-34.26%10-20 亿812.29%11

41、.95%10.91%9.27%2.54%20-50 亿113.08%1.02%-1.27%-2.49%-5.13%100 亿以上62.92%2.74%1.99%0.99%0.09%管理期货0-5 亿29617.19%10.63%4.56%-0.46%-10.92%5-10 亿7719.72%14.72%10.32%5.91%-2.22%12 10-20 亿4518.60%15.66%11.91%4.86%-3.01%20-50 亿8833.77%31.88%25.13%20.72%16.90%50-100 亿167.57%6.35%5.02%1.23%-7.11%100 亿以上935.70%1

42、7.44%4.89%-0.47%-0.60%指数增强0-5 亿3102.65%-4.84%-9.41%-11.63%-22.15%5-10 亿932.85%-0.80%-6.04%-9.99%-14.71%10-20 亿951.48%-3.79%-9.94%-11.95%-14.51%20-50 亿1142.22%-2.58%-8.39%-10.77%-15.01%50-100 亿125-5.03%-8.50%-10.13%-10.87%-12.70%100 亿以上230-3.10%-5.28%-8.31%-10.14%-14.28%股票多头0-5 亿6299.44%0.40%-5.95%-1

43、1.38%-21.40%5-10 亿1449.88%3.98%-2.60%-9.30%-19.22%10-20 亿858.94%2.79%-5.10%-7.96%-21.55%20-50 亿12313.21%2.82%-2.34%-8.84%-18.16%50-100 亿422.58%-3.60%-6.72%-9.64%-21.68%100 亿以上2811.09%-0.95%-2.72%-3.29%-4.75%股票多空0-5 亿6412.96%5.88%0.41%-6.60%-18.69%5-10 亿810.13%-5.53%-12.34%-14.06%-19.26%10-20 亿49.87%

44、5.77%0.04%-2.35%-6.36%20-50 亿163.16%-4.23%-6.77%-8.30%-19.33%50-100 亿615.89%6.38%-6.53%-11.83%-12.84%100 亿以上202.53%1.17%-1.09%-5.57%-10.65%股票市场中性0-5 亿41510.67%6.35%2.03%-3.10%-13.08%5-10 亿14511.92%7.09%3.85%1.83%-0.58%10-20 亿13610.06%6.62%3.31%1.62%-2.57%20-50 亿17917.88%10.49%6.54%4.21%-1.60%50-100

45、亿5110.26%8.15%6.34%3.58%-0.26%100 亿以上1669.44%6.75%5.43%3.41%-0.54%全市场全市场528312.66%5.94%0.57%-3.70%-12.70%图表 24 2022 年量化产品分策略最大回撤统计2022 年量化产品分策略最大回撤统计策略分类机构规模范围参与统计产品数10 分位20 分位35 分位50 分位75 分位多策略0-5 亿51541.55%33.77%22.45%17.18%9.42%5-10 亿13435.45%28.77%18.66%11.69%4.87%10-20 亿10223.39%16.94%13.41%11.

46、20%4.75%20-50 亿11622.90%15.86%10.47%8.50%2.87%50-100 亿3939.42%31.45%19.83%6.41%4.07%100 亿以上10220.58%15.09%11.40%9.86%7.78%套利策略0-5 亿5927.19%20.60%13.10%5.27%2.79%13 5-10 亿68.62%3.74%2.91%2.46%1.46%10-20 亿64.56%4.50%3.40%2.76%2.15%20-50 亿39.26%8.97%8.54%8.11%5.49%50-100 亿64.67%4.61%4.58%4.29%1.59%100

47、亿以上114.12%4.08%3.01%2.73%2.59%宏观策略0-5 亿2925.97%23.43%20.24%16.63%10.88%5-10 亿237.84%37.84%37.84%37.84%37.84%10-20 亿817.74%10.50%6.04%5.96%2.06%20-50 亿1121.24%18.97%18.20%16.70%8.68%100 亿以上613.29%12.27%10.43%8.43%8.28%管理期货0-5 亿29639.93%28.93%20.72%14.66%7.17%5-10 亿7725.93%17.36%12.91%9.29%4.55%10-20

48、亿4532.73%23.32%14.51%9.16%6.87%20-50 亿8817.11%15.85%14.25%12.29%9.94%50-100 亿1618.66%12.70%9.28%7.46%6.55%100 亿以上913.12%10.71%8.60%8.06%8.01%指数增强0-5 亿31038.55%33.85%28.84%24.02%18.88%5-10 亿9329.47%24.96%23.84%21.60%16.63%10-20 亿9527.81%25.60%22.15%21.14%18.05%20-50 亿11431.10%28.21%24.99%22.64%18.71%

49、50-100 亿12525.96%23.39%22.00%21.33%20.40%100 亿以上23030.15%26.28%24.24%22.10%19.65%股票多头0-5 亿62940.13%32.79%27.12%21.79%14.02%5-10 亿14438.75%31.14%25.11%20.87%13.15%10-20 亿8533.56%29.39%25.71%22.21%14.38%20-50 亿12330.88%28.30%22.85%19.15%10.72%50-100 亿4229.34%27.56%24.10%22.90%15.38%100 亿以上28125.50%24.

50、92%24.54%24.30%21.00%股票多空0-5 亿6437.49%29.99%23.31%20.38%12.21%5-10 亿841.87%32.07%28.81%28.67%22.79%10-20 亿413.01%12.55%11.91%11.63%8.55%20-50 亿1625.83%21.11%19.68%18.93%12.31%50-100 亿630.71%28.47%27.32%24.84%21.87%100 亿以上2027.10%22.30%18.85%13.36%11.94%股票市场中性0-5 亿41535.69%26.12%16.63%10.20%3.67%5-10

51、 亿14524.75%10.94%6.12%4.46%1.93%10-20 亿13629.19%14.92%6.48%4.87%0.79%20-50 亿17914.37%8.58%5.44%4.47%3.02%50-100 亿5111.19%7.37%6.54%5.62%3.39%100 亿以上1669.90%7.31%5.91%5.23%3.82%全市场全市场528333.29%26.13%21.70%16.40%6.65%数据资料来源：朝阳永续基金研究平台 14 图表 25 私募各策略指数 2022 年表现产品策略指数增强量化选股股票市场中性债券CTA趋势型CTA套利型CTA混合类策略FO

52、F年内指数收益-8.20%-1.20%6.10%4.10%0.90%-4.10%6.00%-9.30%-4.20%年内指数回撤27.30%22.20%2.90%1.80%5.90%11.20%2.40%12.50%8.40%年内指数波动22.60%18.80%4.80%2.40%4.90%6.50%3.70%9.10%5.80%数据资料来源：招商证券托管图表 26 2022 年核心策略规模变动影响测算策略期初规模(亿)期末规模(亿)规模变动净申赎影响市值变动影响金额(亿)百分比金额(亿)占比金额(亿)占比主观股票多头23234.0715286.19-7947.88-34.21%-3412.15

53、-42.93%-4535.73-57.07%量化股票多头2928.252580.25-348-11.88%-158-45.40%-190-54.60%市场中性2932.522127.56-804.95-27.45%-892.69-110.90%87.7410.90%期货趋势1137.381238.65101.278.90%133.8132.12%-32.53-32.12%期货套利547.41858.95311.5556.91%287.8892.40%23.677.60%FOF 策略5179.55093.73-85.77-1.66%206.77241.07%-292.54-341.07%合计35

54、959.1227185.33-8773.78-24.40%-3834.39-43.70%-4939.39-56.30%数据资料来源：国泰君安托管图表 27 2019-2021 年私募量化产品的主要策略类型分布图表 28 量化当前研究/使用策略，多点开花数据资料来源：中信研究数据资料来源：问卷调研图表 29 头部管理人市场中性的回撤图图表 30 股指期货 IC 对冲成本变化 15 数据来源：Wind，私募排排网，管理人，中金财富*数据统计时间为 2019 年 1 月 1 日至 2022 年 11 月 4 日数据来源：Wind，私募排排网，管理人，中金财富*数据统计时间为：2019 年 1 月 1

55、 日至 2022 年 11 月 4 日 16 调研框架调研框架结合2021 年中国量化投资白皮书所述，当前国内对于量化投资的研究包括学术和实践层面，学术方面包括资产定价模型、技术指标研究、高频交易策略、机器学习和人工智能、统计分析和风险管理等内容，实践层面则包括数据获取处理、交易执行、量化模型构建、组合构建、回测评估、风险控制、实时数据分析和管理、软件和系统搭建、人工智能技术等内容，较为缺乏当下时间段行业中观层面的图景。2022 年托管、FOF 发布的数据及报告增加了许多产品净值及策略数据报表，但市场纷繁复杂，人才及机构实践的篇章仍然有待我们描绘。本报告结合 428 份定量问卷调研与 12 家

56、量化机构定性访谈，与读者一道建立对量化行业的最新认知，并尝试研判量化投资的未来发展趋势。本报告主要关注以下核心问题：人才发展：人才发展：量化行业人才画像、能力模型，在实际工作中遇到什么困难？机构实践：机构实践：机构在人才建设、因子挖掘、量化策略、数据算力算法当中的最新动向？趋势前沿：趋势前沿：什么因素在驱动着量化迈入下一阶段？量化又会朝着哪些方向演变？最佳实践最佳实践：万类霜天竞自由，各类机构在如何认知这个市场？有何具体实践？未来在何处布局？17 数据说明数据说明风险提示：本次问卷调研受限于问卷设计、样本选择、数据整理方式，可能与实际市场情况存在偏差与测算主观性问题。图表 31 问卷调研填写时

57、间分布图表 32 问卷调研机构类型分布图表 33 问卷调研地理分布图表 34 问卷调研从业年限分布图表 35 问卷调研人员岗位分布图表 36 问卷调研所在机构规模分布数据资料来源：问卷调研 18 第二章人才发展 19 人才面貌人才面貌2.1.12.1.1 学历背景学历背景人才一直是量化行业的核心生产资料，合并2021年12月及2022年4月共计498份问卷可以发现，量化投资投研人员的学历以本硕居多，本硕博占比分别为30.92%、58.43%、8.63%，硕博比例超过6成，与中国证券投资基金业协会（以下简称“中基协”）披露的私募证券投资基金管理人高管最高学历分布相当，其中金融工程、计算机、经济学

58、/金融学专业为行业贡献人才最多，占比接近75%，其次为数学、统计、物理等传统学科，另外还有小众学科如神经科学、电气工程、电子科学与技术、机器人、财务、心理学、环境工程、市场学、地质化学类等。图表 37 量化人才学历背景图表 38 量化人才专业背景数据资料来源：问卷调研数据资料来源：问卷调研图表 39 私募证券投资基金管理人高管最高学历分布数据资料：中国证券投资基金业协会2.1.22.1.2 工作经验工作经验市场对量化投资的认知度进一步提升，促进了量化机构规模的扩张，持续吸引了大量人才投身量化投资领域。金融阶数据显示，超过 85%的岗位对求职者的工作年限有要求。以策略投研岗为例，机构在招聘时希望

59、具备 3 年以上工作经验的员工，要有生成成熟策略的能力，具备 5 年左右工作经验的员工，要能进行实盘操作。20 但国内量化市场发轫较晚，具备丰富经验的人才也并不多，426 位受调研人群中量化从业者工作的平均年限为 3.63 年，其中 48.35%的人从业经验在 3 年以下（不含 3 年），具备 5 年以上从业经验的人数占比为 30.52%，从业超过 10 年的更是少之又少，占比仅为 5.49%，这与中国量化市场近年来蓬勃发展的趋势相吻合。图表 40 受调人员从业年限分布，平均年限为 3.63 年数据资料来源：问卷调研问卷数据同时显示：通过公开招聘网站及同行/朋友介绍仍然是当前最主要的进入行业的

60、方式，占比分别为 29.72%、28.71%。其它方式还包括公司内部晋升/转岗、外部猎头推荐，除此之外还有部分从业者通过朋友合伙自主创业或纯自营的方式入行。图表 41 人才入行方式分布图表 42 人才主要来源分布数据资料来源：问卷调研数据资料来源：问卷调研2.1.32.1.3 招聘应聘招聘应聘量化人才的招聘是行业发展的显著风向标，市场蓬勃发展时机构倾向于储备优秀人才，行情低迷时则倾向于保持观望。同时先于策略线条开发提前进行人才部署。2022年，机构加紧投研人才建设。当前市场整体处于人员超配于策略的状态，尤其是很多新晋的百亿量化私募机构，以及在2020、2021年量化行业表现较好的机构，都出现了

61、人员倍增。投研技术岗位的员工数量没有变化或者出现了下滑的机构有49.39%，另有26.22%和15.24%的机构分别实现了10%以内和10%-50%的增长。100亿-300亿规模的机构中，有超过八成实现了增长，而300亿以上规模的机构则全部实现了增长。21 图表 43 投研技术岗位的员工数量同比变化图表 44 不同规模量化机构投研技术岗位的员工数量同比变化数据资料来源：问卷调研数据资料来源：问卷调研图表 45 机构管理规模区间同比变化减少没有变化增长 10%以内增长 10%-50%增长 50%-100%增长一倍以上小计5 千万以下13(37.14%)15(42.86%)5(14.29%)2(5

62、.71%)0(0.00%)0(0.00%)355 千万-1 亿6(31.58%)7(36.84%)4(21.05%)2(10.53%)0(0.00%)0(0.00%)191 亿-10 亿7(17.95%)15(38.46%)9(23.08%)7(17.95%)0(0.00%)1(2.56%)3910 亿-20 亿2(10%)8(40%)4(20%)4(20%)2(10%)0(0.00%)2020 亿-50 亿2(10%)6(30%)7(35%)2(10%)1(5%)2(10%)2050 亿-100 亿2(14.29%)3(21.43%)6(42.86%)2(14.29%)1(7.14%)0(0

63、.00%)14100 亿-300 亿1(6.25%)1(6.25%)6(37.5%)6(37.5%)0(0.00%)1(6.25%)16300 亿以上0(0.00%)0(0.00%)4(66.67%)0(0.00%)2(33.33%)0(0.00%)6数据资料来源：问卷调研从猎头机构金融阶选取提供的25家百亿及25家非百亿量化私募机构全年委托招聘岗位需求数据来看，2022年一季度招聘需求229人，二季度226人，三季度247人，四季度198人。人才需求与2021年度相比，策略研究岗需求基本持平，初级策略研究员需求有所减少，高级策略研究员需求有所增加；IT开发岗，尤其是C+开发工程师需求有所增加

64、，职能岗需求有所下降，海外市场岗有所增加，国内市场岗需求有所下滑。由于近几年国内量化行业的迅速发展，量化投资的市场关注度及知名度较往年大幅提升；同时受行业政策影响，互联网大厂频频裁员，招聘需求下降，不少互联网行业相关专业的求职者纷纷转向量化。另外，几轮高薪新闻高调出圈，2022年的求职者数量远超往年，机构招聘门槛水涨船高，形成了百里挑一的局面。数据显示：去年同期初级人员的要求硕士即可，现在基本要求博士。同时机构更加关注经验，如果候选人有丰富的经验，学历要求会从985/211大学放宽至重点本科。虽然许多机构在招聘岗位描述上的要求仅为普通本科，但事实上重点大学理工科背景的毕业生大多都未能通过简历筛

65、选，部分头部机构更是将门槛定为“清北复交”等内地顶级高校。当前初面比例基本为30：1，即猎头推荐30份简历，获得面试机会的仅有一位，而百份简历基本仅有一位获得offer。招聘作为行业发展风向标，还体现在机构开拓新策略研发之前需要先积累人才。从2022年来看，基本面量化、宏观量化、数字货币、固收量化、可转债量化、期权量化等小众策略渐入眼帘。这也与机构当前投资标的以及研究方向一致。贯穿2022年全年的俄乌冲突、美元加息、海外通胀等宏观因素，加大了量化机构对于基本面的研究，基于对宏观、政策面、市场情绪面判断加减仓，也加速了基本面量化人才的招聘，甚至部分量化 22 机构要求高频叠加基本面量化，要求机构

66、基于对宏观、政策面、市场情绪面判断加减仓。也有部分机构招聘行业分析师，且要求过往经历中至少有推荐过一只2倍股、一只1倍股。数据显示：全年共有3家百亿量化私募机构招聘9个宏观方向研究员，分别为全球宏观、国内宏观、宏观外汇研究以及宏观研究员。2021年同期，很多具备机器学习背景的人已经手拿好几个量化offer入职邀请，但到2022年相似简历已经投不出去了，招聘方表示先缓缓，或者表示暂不录用。一方面，2021年机器学习尚处于扩大宣传阶段，量化机构挖掘了许多从纯互联网公司的机器学习人才，但发现成效并不大，神经网络、时间序列、图像识别、NLP在与金融的结合上依然存在一定的“次元壁”，并不能起到立竿见影的

67、效果，难以达到招聘方的预期。图表 46 2022 年重点招聘岗位占比类别一季度招聘人数二季度招聘人数三季度招聘人数四季度招聘人数类别一季度招聘人数二季度招聘人数三季度招聘人数四季度招聘人数高频2383224人工智能1291613海外2143宏观策略2142基本面66108数字货币541512CTA1481815未列明66694749期权3375*数据主要来源为金融阶选取的 50 家长期合作客户委托招聘的岗位需求，受限于样本选择、数据整理方式，得出的相关结论可能与实际市场情况存在偏差和结论主观性等问题。数据资料来源：金融阶2.1.42.1.4 语言使用语言使用回溯国内量化历史，编程语言的发展兴替

68、，与量化行业的发展足迹紧密相关。正如随着理工科背景的从业者转入量化行业，Matlab 在量化中的使用逐渐兴起，之后再是 Python、Golang、Rust 等。256 份数据显示，50%的 Quant 从业人员采用多语言进行工作，其中 Python、C+和 MATLAB 作为量化行业最主流的编程语言，分别有 85.55%和 25.00%、24.61%的使用率，位居语言前三。问卷调查发现，Python 语言得益于其在数据科学和机器学习等领域丰富的模块和框架，以较低的使用门槛以及广泛的用途，吸引了各岗位人员。大量本科和研究生在学习阶段接触使用过 Python，并将这一习惯迁移到了工作和实践中。其

69、次许多策略研究具有开创性质，论文和研报大多提供的是 Python 代码，使用人数的增加，促进了功能的丰富，这又进一步提高了Python 的使用率。所以在工作实践中，一般用 Python 进行前期策略探索，如果需要优化或者转为日内交易就需要用其他语言进行重写。从微观经济学视角，量化开发语言的选择是找到成本和收益的最优均衡点。需要平衡策略收益、路径依赖、执行成本、意外事件、计算速度、数据粒度、开发支出、硬件支出、招聘难度、时间成本等一系列相关项，获得最大边际效用，Python在某种程度上是较优解。但是随着当前量化私募竞争加剧，很多机构从使用低频数据走向高频数据处理，在进行大量因子开发时，Pytho

70、n 对于 TB 级别数据的处理速度难以满足业务需求。C+更接近底层，具备更好的性能和低延时，偏向应用于高频策略；MATLAB 则在数值计算和统计等领域应用较广。但即便如此，运行稳定性仍是第一要义，所以即便有性能更好的编程语言出现，也不会大面积重构语言，许多机构也因此积累了一套成熟的“祖传代码”。金融阶透露，国内某大型机构就因为底层架构用的 C+，同时又想要维持在高频赛道的 23 优势，一般在笔试环节会设有 C+题目，如果应聘者同时较好地掌握了 C+和 Python 就会相对更有优势。大型机构也有两三家用 Java，但到了 2019 年也开始推倒重建。从员工岗位上看，有超过 90%的量化策略研究

71、员和基金经理，80%的机器学习/深度学习研究员，100%的数据工程师和运维工程师在工作中使用 Python。此外，C+作为在行业中广受欢迎的语言，也得到了 57.14%的系统开发工程师和 40%的机器学习/深度学习研究员的青睐。新兴语言方面，Rust 和 Golang 在海外逐渐兴起，目前也在国内互联网大厂不断地被应用。在量化领域里面，主要是加密货币对冲基金较多。与交易所底层语言保持一致，同时对新语言也更为开放。杭州波粒二象资产管理有限公司 CTO 余天 2021 年在 基于 Rust 优化交易系统 演讲中也谈到。Rust 性能 100 倍于 Python，与 C+持平，在大数据集、低延迟、密

72、集计算问题方面表现优异。而 C+在开发效率上来看，并未从编译器级别限制用户行为，容易出现内存泄漏、数据竞争等问题，同时由于没有包管理器，无法有效地利用社区的资源，跨平台支持非常有限（底层库的区别/CMake 学习成本），整体开发时间成本过高。波粒二象的经验是从最基础的 Python 结构开始，逐步匹配业务模式升级到 Rust-Python 结合的形式。经验上来看，Rust 作为优秀的静态语言，可以作为一个高可靠，高性能的底层架构；通过不断替换微服务的形式，实现 Python-Rust 的业务平滑升级；基于 CI/Docker/K8S 可以实现持续集成和持续交付。不足的地方在于 Rust 的机器

73、学习生态并不完善，目前需要 Python 来完成策略应用层的结构，同时 Arrow 生态的速度和效率以及稳定性仍需要提高。图表 47 量化语言使用，Python 占比 85.55%数据资料来源：问卷调研 24 图表 48 C+、Python、Rust语言能力图图表 49 开发语言在不同资管规模下的边际效用（非高频）数据资料来源：问卷调研数据资料来源：问卷调研图表 50 Github 目前全球的量化交易类项目及其使用语言项目名称开发语言项目名称开发语言vnpy/vnpyPythonQuantAXIS/QuantAXISPython/RustBigQuantPythonQuantConnect/L

74、eanC#Quantopian/ziplinePythonRiceQuant/rqAlphaPythonbbfamily/abuPythonCryptoignal/Crypto-SignalPythonmementum/backtraderPythonmicrosoft/qlibPython数据资料来源：杭州波粒二象资产管理有限公司基于 Rust 优化交易系统 25 岗位情况岗位情况以金融阶选取的 50 家量化机构委托招聘的岗位需求为样本分析，数据显示量化投资机构人才需求热度排名如下：第一热度的岗位：各方向量化策略研究员，如股票、期货、期权及可转债等；中后台技术岗，需掌握语言以 C+居多，其次

75、是 Python 及 Golang；第二热度的岗位：市场销售及数据处理；第三热度的岗位：合规风控和机器学习。头部量化私募在继续加强内部系统化和流程化 IT 建设，比如二季度增多了：系统优化、OA 开发、全栈开发、中后台开发、数据系统开发/基础架构工程师等岗位。保持合理的人员架构，进行人才梯队建设，对量化投资机构至关重要。当前市场上各量化机构的基金经理和研究员的比值大概在 1：8-1：4 之间。而本次调查数据也显示，有 48.17%量化人员的职位是量化策略研究员，12.2%的量化人员在担任基金经理。专家表示，量化机构还包括了 ML/DL 研究员、数据分析/挖掘/开发、系统开发工程师、运维工程师等

76、岗位，但由于管理扁平程度的不同，部分企业不会在岗位上做非常细节的区分。数据是量化机构的立身基础和业务源头，机构投入了相当的人力资源从事数据的获取、清洗、挖掘、洞察工作。调查显示，11.59%的量化人员从事数据分析/挖掘/开发工作，3.55%是 ML/DL研究员。26 薪酬构成薪酬构成有效的 408 份问卷样本中有 45.34%的受调查者薪酬构成单一，主要来自基础岗位薪酬，超过一半的行业人才拥有超额收益提成或股权激励，其中 16.67%的受访者拥有股权激励。关于量化私募的股权变动，2022 年度百亿量化私募中，因诺资产、宁波幻方量化、进化论资产、千象资产的核心人物持股比例发生过变更，因诺资产新增

77、李爽持股 20%，进化论资产新增庞珏嗣持股 4.2%。图表 51 薪酬主要构成，16.67%拥有股权激励45.34%单一基础岗位薪酬16.67%拥有股权激励5.88%单一超额收益 PnL数据资料来源：问卷调研图表 52 2022 年核心人物持股比例发生变更的百亿量化私募公司简称2022 年前三大股东及持股比例2021 年前三大股东及持股比例因诺资产徐书楠（56.02%)、徐望（20.48%)、李爽（20%)徐书楠（75.03%)、徐望（24.97%)宁波幻方量化梁文锋（70.4%)、徐进（10.2%)、郑达（9.69%)梁文锋（70.4%)、郑达（9.65%)、王晨（5.86%)进化论资产王一

78、平（99%)、唐陈兴（1%)王一平（90%)、李靖（10%)千象资产马科超（42.9%)、陈斌（42.9%)、庞珏嗣（4.2%)马科超（50%)、陈斌（50%)世纪前沿私募基金吴敌（76%)、陈家馨（24%)吴敌（50%)、陈家馨（50%)图表 53 百亿量化私募实控人与前三大持股股东及持股比例序号公司简称实控人前三大股东及持股比例1鸣石私募基金袁宇袁宇（61.62%)、王洋（10%)、李硕（8.5%)2金锝资产金宜惠金宜惠（49.1%)、谢红（25.9%)、王立峰（9%)3艾方资产蒋锴蒋锴（75%)、叶展（13%)、张雯雯（9%)4九坤投资姚齐聪，王琛王琛（45.88%)、姚齐聪（45.88

79、%)、樊彬（3.5%)5诚奇资产何文奇何文奇（50.5%)、张万成（40%)、刘晶（9.5%)6茂源量化私募基金郭学文郭学文（80.3%)、陈小英（13.2%)、魏振宇（6.5%)7明汯投资裘慧明裘慧明（51%)、解环宇（49%)8黑翼资产邹倚天，陈泽浩刘萍（50%)、刘燕丽（50%)9进化论资产王一平王一平（99%)、唐陈兴（1%)10灵均投资蔡建良马志宇（49%)、朱正平（29%)、蔡建良（21%)11千象资产马科超马科超（42.9%)、陈斌（42.9%)、庞珏嗣（4.2%)12盛泉恒元赵忠东赵忠东（50.55%)、畦晓（11.23%)、袁春燕（9.47%)13上海天演谢晓阳谢晓阳（80%

80、)、张森（20%)14因诺资产徐书楠徐书楠（56.02%)、徐望（20.48%)、李爽（20%)15上海宽德张大庆徐御之（46.61%)、冯鑫（36.39%)、张大庆（15%)16金戈量锐金戈金戈（100%)17佳期投资季强季强（100%)18展弘投资陈方府陈方府（40%)、王武豪（30%)、黎扬海（30%)27 19洛书投资李南峰，谢冬谢冬（43.93%)、李林（19%)、胡鹏（19%)20启林投资王鸿勇王鸿勇（34.11%)、董成（28.11%)、（沈显兵 20.11%)21九章资产梁文锋梁文锋（85%)、郑达華（7.5%)、徐进（7.5%)22世纪前沿私募基金吴敌吴敌（76%)、陈家馨（

81、24%)23白鹭资管章寅章寅（59.73%)、李丹婷（10%)、杨帆（5.1%)24思勰投资陈磐颖李苏苏（41.77%)、陈光梦（23.35%)、吴家麟（23.35%)25宁波幻方量化梁文锋梁文锋（70.4%)、徐进（10.2%)、郑达華（9.69%)26卓识投资张卓张卓（50%)、朱金忠（35%)、赵利民（15%)27珠海致诚卓远史帆史帆（99.99%)、周莹（0.01%)28衍复投资高亢高亢（92%)、胡雪龙（6%)、顾王琴（2%)*按公司成立时间排序数据资料来源：私募排排网在年薪水平（总包）方面，可能受样本偏差影响，薪酬 2022 年招聘热度虽然相比 2021 年有所回落，但行业薪酬的基

82、本线没有发生明显变化，而奖金由于与机构业绩挂钩，相对减少。调查数据显示，量化从业者的年薪水平集中在 15 万-100 万，其中年薪水平在 50 万-100 万区间的受访者占比最多，达到了 33.78%，年薪水平达到 200 万以上的占比 5.35%。图表 54 年薪水平【总包】薪酬区间2022 年2021 年200 万以上5.35%2.65%100 万-200 万6.02%13.23%50 万-100 万33.78%27.51%30 万-50 万27.07%24.34%15 万-30 万31.44%20.63%15 万以内23.41%11.64%*2022 年此题有效问卷 410 份，2021

83、 年此题有效问卷为 235 份。数据资料来源：问卷调研另外，编写组同时对超额收益提成比例进行了调研，发现量化从业者超额收益的提成比例平均值为 31.63%，这与 SelbyJenny2021 全球市场量化报告北美地区提成比例基本相同。图表 55 超额收益提成分布数据资料来源：问卷调研 28 图表 56 全球博士毕业量化从业人员基础薪酬及总收入分布概况（美元）类型北美地区 2021北美地区 2022亚太地区 2021亚太地区 2022公司基础薪酬总收入基础薪酬总收入基础薪酬总收入基础薪酬总收入投行125K-155K200K-225K145K-165K250K-275K90K-100K140K-1

84、70K90K-100K150K-170K中型基金150K-175K300K-400K160K-185K300K-500K100K-110K200K-225K100K-110K200K-225K顶级基金160K-300K300K-600K175K-325K300K-750K130K-160K220K-245K130K-160K220K-245K图表 57 卖方量化从业人员基础薪酬及总收入分布概况（美元）类型北美地区 2021北美地区 2022亚太地区 2021亚太地区 2022公司基础薪酬总收入基础薪酬总收入基础薪酬总收入基础薪酬总收入Associate125K-160K185K-260K175

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

86、方量化从业人员基础薪酬及总收入分布概况（美元）类型北美地区 2021北美地区 2022亚太地区 2021亚太地区 2022职位工作年限基础薪酬总收入基础薪酬总收入基础薪酬总收入基础薪酬总收入量化研究员2-5 年150K-200K250K-500K155K-170K350K-500K95K-105K165K-185K95K-105K165K-185K量化研究员5-10年175K-250K400K-750K165K-185K550K-800K170K-180K250K-275K170K-180K250K-275K资深量化研究员10+年250K-350K75K-1,200K225K-250K400K

87、-500K225K-250K400K-500K资深量化研究员10+年200K-300K10%-20%PnL200K-300K10%-20%PnL200K-250K5%-20%PnL200K-250K7%-22%PnL量化交易员专业级150K-200K30%-50%PnL150K-200K30%-50%PnL150K-170K10%-40%PnL150K-170K12%-40%PnL资料来源：Selby Jennings2021 全球市场量化报告The future of Quant 29 职业状态职业状态2.4.12.4.1 精力分配精力分配编写组以“您认为自己非核心事务在整个工作时长中的占比

88、”为题（0 分为精力十分分散，10 分为完全投入专职工作）设问，调研结果接近正态分布，仅有 3.72%的人能完全专注于当前工作。不同机构的 Quant 状态不尽相同，私募基金样本量最多，群体内差异较为明显，但是有 15%以上的人评分在 8 分以上，能较为专注地工作。Quant 们较多的精力分散在招聘活动中，是除投研之外占用时间第二多的板块。而券商研究所分析师及保险资管里的 Quant 们精力较为分散。卖方分析师精力分配集中在 3-7 区间，其工作除了编写代码研究策略之外，需要大量时间进行路演及服务客户，因此较少能专注投入投研工作。图表 59 核心事务在整个工作时长中的占比图表 60 各机构量化

89、人员核心事务在整个工作时长中的占比数据资料来源：问卷调研数据资料来源：问卷调研从业者的工作状态和压力状态差异较大。有超过六成的量化从业者认为工作量和难度适中，无需额外处理。有 23.17%的受访者认为工作量和难度过于饱和，需要长期加班。有 13.41%的受访者认为工作量和难度较小，能游刃有余地处理。分类别来看，公募基金工作较为轻松，全员工作量和难度适中，而外资机构工作压力最大，没有受访者表示能做到游刃有余。其中机构规模与人才工作量也呈现一定关联关系，在公司成立初期，人才工作量难度过于饱和，需要加班的比例能达到36.64%，等到公司达到 50 亿规模后加班比例下降到 15%，当机构开始冲刺 10

90、0 亿规模之后，工作量又加大。图表 61 各机构工作状态和压力图表 62 工作强度和压力状态数据资料来源：问卷调研数据资料来源：问卷调研 30 图表 63 机构规模与工作量关系数据资料来源：问卷调研2.4.22.4.2 福利与离职福利与离职对金钱的渴望是从事量化工作的一大驱动力，数据显示，本行业从业者对薪酬的关注度特别高，同时很多员工还想要获得股权激励或员工内部基金份额，但事实上能获得的从业者是极少的。首先这是因为愿意提供股权激励的管理人数量少，只有较少初创型机构才会释放。图表 64 量化人期望在公司里面获取的权益/福利数据资料来源：问卷调研4 月与 12 月编写组分别针对离职诱因进行了两次提

91、问，分别设置为排序和多选两种选项，分别回收 256 份及 173 份问卷，发现薪酬待遇及晋升机会是量化人才离职的核心原因，需要注意的是虽然公司组织架构及文化等因素的权重没有很高，但仍然有 3 成-4 成的人会基于此选择离职，这为量化机构的公司治理提出了挑战。31 图表 65 量化人才寻找新工作机会的诱因图表 66 量化人才离职的主要驱动因素数据资料来源：问卷调研数据资料来源：问卷调研 32 成长发展成长发展2.5.12.5.1 关键素质关键素质什么因素推动了一个 Quant 从优秀走向卓越？当下行业人均学历已经是 C9 硕士的状况下，机构除了关注候选人是否有扎实的专业技能，也会更在意逆商、情商

92、、自驱力、抗压能力、独立思考或探索创新能力等素质，具备这些素质的求职者会更容易杀出重围，收获量化机构的 offer。调研数据显示，仅有 11.11%的从业者认为自己的知识、经验、技能能够完全满足日常工作实践。同时大家认为做好一个Quant 的关键素质先后顺序分别是：扎实的专业技能、聪明、快速领悟、对世界的认知、勤奋努力。聪明有助于单次研究的胜率，而努力则决定长期的水平。在细分维度上，Quant 们希望提升的专业知识、技能的方向分别是人工智能、创新能力全球视野、数据分析以及未来策划。这与 2021 年调查结果基本一致。图表 67 Quant 的关键素质数据资料来源：问卷调研图表 68 量化人提升

93、专业知识、技能的方向（2022）图表 69 量化人提升专业知识、技能的方向（2021）数据资料来源：问卷调研数据资料来源：问卷调研对量化机构而言，自身员工带教新人有助于搭建和完善可持续的人才梯队。在回收的 169 份有效问卷中，有 5.78%的人表示明确不愿意带教新人，减少精力分配，一般而言，部分 IT 岗从业者会较愿意分享代码和经验，但是投研岗不太会分享作为自己立身之本的核心代码；同时对于公司而言则会比较担心实习生未留用，流失后反而给竞争对手培养了人才。这种状况和机构想要搭建完善的人才组织梯队来贡献新的创意点的初衷相背离。33 图表 70 量化人带教新人意愿程度，平均意愿 4.37/7数据资

94、料来源：问卷调研在“哪个词语更能形容公司策略合作/交流氛围”题中，有 256 位 Quant 做出了解答，数据显示 61%的机构内部沟通交流氛围较好，另有 22%的机构山头林立，17%为一盘散沙。而这与公司的组织形式、机构类型等因素没有直接关联，不管是 PM制还是平台制或是混合式，沟通氛围差异不会超过 5%。图表 71 量化机构策略合作/交流氛围图表 72 量化机构策略合作交流氛围与公司组织形式分析数据资料来源：问卷调研数据资料来源：问卷调研图表 73 量化机构投研组织形式数据资料来源：问卷调研 34 35 市场回顾市场回顾2022 年，股票结束三连阳，市场两次探底、两次反弹，整体呈现“W”型

95、走势，全年大小盘风格处于拉锯状态，“大切小”和“小切大”各 3 次。估值、业绩双承压以及普跌，全年缺乏戴维斯双击行业，价值与成长风格全年多次切换，经历金融周期消费成长多番变化。1-4 月 Barra 因子无序震荡难有超额，市场多空胶着，量化市场出现部分赎回，8-10 月又掉头向下，10 月量化机构面临更大面积赎回。商品市场方面，全年可大致分为三个阶段：1-5 月为第一阶段，市场震荡上涨；6-7 月为第二阶段，受加息等外部事件影响，市场趋势突然反转，随后在 7 月中旬迎来一波反弹；8-12 月为第三阶段，市场维持震荡，无明显趋势。因子层面，仓单、期限结构、基差动量、长期反转因子整体与商品市场走势

96、类似；时序动量因子则相反，在第二阶段快速上涨，但其余时间均稳步下跌；库存因子上半年表现不佳，下半年迎来反弹；截面动量因子则全年表现较差。总的来说，不同因子表现差异较大，全年波动较高。（国海策略：2022 年 A 股深度复盘2023-01-15）市场共寒凉，回顾 2022 年，机构体感一致，编写组以“回顾 2022 年，您最关注的三个行业事件/现象分别是”为题，得到最主要三个关键词分别为回撤、疫情、战争。另外，美元加息、中证 1000、伦镍逼空、数字货币、行业轮动、策略容量、策略同质化等事件及现象也饱受市场关注。图表 74 2022 年量化人最关注的三个行业事件/现象：回撤、疫情、策略以下为本问

97、题完整回答：头部机构回撤较大、多资产表现欠佳、各种策略失效、风格策略高回撤、IPO 减少、策略同质化、超额预期降低、人才涌入、经济增速下降、A 股波动、中证 1000 期货上市、疫情、策略监管、回撤、策略容量、疫情的影响、中证 1000 指数期货上市、能源类大涨、俄乌战争、新冠疫情、美联储加息、量化规模收缩、疫情、非理性思维、小盘价值股的配置情况、大宗周期品类估值中枢的提升、景气投资和主题型投资的切换、疫情、医药股票大跌、数据准确性、疫情、美国制裁、康波周 36 期、互联网股票大跌、羊群效应、超额相关性变大、IM 合约上线、伦镍逼空、数字化运营、同质化严重、算法可解释性、策略失效、金融理财产品

98、的互联网营销趋势、机构在量化投资布局的趋势、回撤、交易回撤可视化、股权风波、云计算、11 月股市暴涨、9 月以后的回撤、量化业绩下降、规模增加慢、投资策略、增量、4 月股市暴跌、指增、行业内卷严重、疫情、新的量化市场发展、3 月农产品行情、1000 股指期货、薪酬、俄乌战争、百亿私募排行榜、A 股破 3000 点、AB 份额、同质化、通胀、量化投资公司百强、百亿私募业绩下滑、信创、量化收益回撤、全面放开、医药、战争、量化因子的算力竞争、美元加息、赛道拥挤、俄乌局势、能源、北京疫情、中性回撤、俄乌战争、新能源、超额降低、上海封城、超额衰减、地产断贷、疫苗、风控不良、超额愈发困难、超额回撤、俄乌危

99、机、CTA 回撤、策略同质化严重、投资人赎回、二十大、11 月债券市场赎回潮、期权卖方不利之年、3 月大回撤、雪球、量化回撤、同质化严重、俄乌危机、上半年中性策略回撤、超额普遍表现不佳、期权新增品种、内卷、降频、美联储加息、新品种、指增回撤赎回、估值、新能源、中性回撤、疫情、美联储加息、债市波动、幻方规模回撤、放开、新冠疫情、美元加息、投资者赎回较多、规模向头部集中、疫情、ChatGPT、美元加息、债市波动、新冠疫情解封、10 月阴跌、结构化行情、战争、债基理财、量化基金、市场行情太差、俄乌战争、疫情、FTX 暴雷、集采、房地产爆雷、5 月暴涨、大宗商品策略增加、新证券法正式实施创业板注册制改

100、革、疫情、CTA 回撤、指增超额越来越难做、美元加息、融券数量问题、监管、地产三支箭、商品波动应急预案、4 月暴跌、周期策略增加、广期所、硅料降价、指增回撤、百亿、债券下跌、对冲基差问题、蚂蚁金服上市、多头回撤、量价策略拥挤、个别公司治理乱象、宏观策略增加、青山镍、Binance、指增交易降频、监管、信用债流动性、超额回撤问题、房地产、ETH 跌破 1000、风格突变、股票量化超额收益空间收窄、美股跌、俄乌战争、FTX、人才吸纳、百亿量化私募扩容、新老分化、利率债流动性、乌龙指、新冠疫情、ETH升级、上半年很多量化机构遭遇赎回、Luna、普及度、规模扩张、数字货币/熊市、风格轮动、政策、Lun

101、a 崩盘、FTX 崩盘、股债双杀、Luna 崩盘、加息、回撤、合规化、新冠、新冠疫情、回购、美元加息、镍、国家政策变化、小而美量化机构成为新主流、策略外包、行业轮动加速、新能源、规模、俄乌战争、因子迭代、全球市场、股债双杀、美联储加息对商品周期影响、期权上市很多品种、新冠、高频数据、封控、上交所技术升级、宏观对冲、市场流动性、各类基金大幅回撤、百亿量化管理人比例提升、限价、高频、股指期货松绑、广期所开业、中证 1000 股指期货和期权上市、美元加息、新冠疫情/经济复苏、疫情、新消费/熊市、俄乌战争、净值回撤、头部私募 Alpha 策略超额的减少、美联储暴力加息、疫情、FTX 破产清算、政策、另

102、类数据、股票市场、避险、疫情、回撤、疫情对商品影响、银行理财净值回撤、CTA、注册制、洛书回撤、股指期货基差比较奇怪、震荡策略、9 月调整、可转债、回撤、多策略、同行业大幅回撤、外资投期货放宽、CTA6 月份的回撤、业绩*因避免信息失真，此内容未作任何删改数据/资料来源：问卷调研 37 机构机构规模规模根据中基协数据，截至 2022 年底，近 79%的私募管理人管理规模不到 5 亿，而这个规模是一般业内认为的一家证券类私募存活的生死线。在回收的 377 份问卷中，42%机构管理规模在 1 亿以下，19%机构管理规模在 1 亿-10 亿。另外值得注意的是，传统概念中早期主动投资与量化投资泾渭分明

103、，基本面量化的兴起让两者得以结合，也有部分量化机构布局主动投资，或者主动投资机构在量化赛道试水。问卷调研发现，即便是以量化机构为主的问卷对象，其实量化在资产管理规模中平均比例为 42.23%，不到一半，全部做量化的机构比例仅为 13%，这或许是因为市场对于量化的定义并不清晰。2022 年，22.41%的受访者表示机构规模减小，31.03%的机构规模没有变化，其他呈现不同程度增长，同时机构存量规模与增长规模呈现线性关系，规模增长聚集在头部机构，50 亿-100 亿的机构中，超过六成实现了管理规模的增长。而管理规模超过 100 亿的大型机构，更是只有极少比例的出现了下滑。而 5 千万以下及 5 千

104、万至 1 亿的量化机构规模减小的比例分别占44.44%及 31.58%。与此对应，行业大量吸引人才的同时，1 亿以下规模的机构是人员流失的主要区域，80.55%的 5 千万规模以下机构人员没有变化甚至减少，而 100 亿以上的机构人员增长 10%以上。图表 75 量化机构规模分布图表 76 机构量化占资产管理规模比例数据资料来源：问卷调研数据资料来源：问卷调研图表 77 量化机构管理规模同比变化图表 78 机构规模与规模增长之间呈现线性关系，增长聚集在头部机构数据资料来源：问卷调研数据资料来源：问卷调研机构规模影响着管理人的投入产出等方方面面，在人才吸纳、产品发行、资金引入方面产生虹吸效应。本

105、次问卷调研邀 38 请量化机构进行自评，1 代表相对弱势，7 代表非常出色，大型机构的自我评价几乎全方位高于初创机构，大型机构各类分支均为 5 分以上，1 亿以下机构则在 4.5 分左右，两者差异最大的三项分别为完整的投研体系、融资及行业市场资源积累、资本市场的认可度。图表 79 机构规模与主要竞争优势雷达图图表 80 100 亿以上机构与 1 亿以下机构主要竞争优势雷达图对比数据资料来源：问卷调研数据资料来源：问卷调研投研体系方面的工作最终更多表现在 Alpha 收益上，从中信托管 2022 年数据上看，量化股票多头策略及市场中性策略管理人的 Alpha 收益分布体现出了较为明显的规模效应，

106、管理规模越大，Alpha 收益率均值越高，50 亿以上的管理人 Alpha 收益率均值分别为 16.05%、4.80%，好于全样本表现。期货方面，趋势策略 50 亿以上管理人在近 1 个月中对市场短期趋势把握较好，而 10 亿-50 亿中部管理区间对下半年的中长期趋势把握更佳，10 亿以下小规模管理人相对灵活，全年整体收益均值为正。图表 81 各机构规模区间机构竞争优势，头部机构在投研体系及资本市场资源领先XY5 千万以下5 千万-1 亿1 亿-10亿10 亿-20亿20 亿-50亿50 亿-100亿100 亿-300亿300 亿以上选股能力4.654.634.895.354.95.435.0

107、70.44交易能力4.915.164.974.454.95.365.07-0.09配置能力5.175.325.2455.45.435.530.21规模敏感度4.64.794.7855.115.55.20.41完整的投研体系5.034.334.755.455.215.671.34多源数据挖掘&清洗5.154.424.595.14.955.20.78硬件投入4.3543.894.35.14.934.470.47行业发展前瞻度5.154.745.115.45.655.55.270.53团队管理与协同能力4.914.585.055.15.355.575.130.55创新与变革能力4.744.795.0

108、55.255.35.295.270.48资本市场认可度4.644.584.815.25.15.295.470.89创始人/核心PM背景名人效应4.064.634.3554.35.575.20.57顶尖人才吸纳4.244.474.434.754.75.365.070.6融资与行业市场资源累积4.464.374.755.155.55.55.41.03数据资料来源：问卷调研额度一直是投资人关注的核心指标之一，量化机构也会根据市场冲击估算最优容量，数据显示目前市场上的管理规模尚 39 未达到饱和，机构资产管理规模平均占到最优容量的 47.99%，对很多非头部机构而言仍有较大的提升空间。图表 82 机构

109、资产管理规模/最优容量比例，均值为 47.99%图表 83 不同管理规模机构，机构资产管理规模/最优容量比例数据资料来源：问卷调研数据资料来源：问卷调研 40 投资策略投资策略宽度是量化机构所追求的，不仅局限于品种内部，A 股和期货是最主要的投资标的，分别有 79.88%和 56.71%的机构参与投资。期权和债券分别为 34.15%和 31.71%，港股、美股和新兴市场股票（印度、越南等）的投研机构分别占比也是到 1-2成，值得注意的是，有 15.24%的机构将数字货币作为研究投资标的，将 CTA 策略微调之后应用于数字货币交易。在策略方面，四分之三的机构涉足量化选股策略，分别有接近五成和四成

110、的机构研究或使用指数增强策略和市场中性策略。私募基金、期货公司自营/资管和 FOF 的策略种类最为丰富，结构最为均衡。券商自营/资管、期货公司自营/资管、外资机构和 FOF 在套利策略的参与度显著高于其他机构。当前私募正在降频，相反公募处在升频过程中。公募正在逐步拓展量化策略，策略的丰富促进了其逐步的扩容；而私募受到量化策略的市场拥挤程度影响，容量出现降低。行业头部机构已经进行了较大程度的降频，继续降频的空间不大。而从行业整体趋势观察，随着券商等玩家逐步进入市场，参与者逐渐增多，换手率仍然在逐步降低。数据显示，各大机构的年度双边平均换手率为 159.56 倍。结合机构规模分析发现，1.5-2

111、亿规模的小规模机构平均换手率为 187.07 倍，高于大量其他规模机构的换手率水平。图表 84 量化机构当前投资研究标的图表 85 量化机构换手率（按年度双边换手率计算）分布数据资料来源：问卷调研数据资料来源：问卷调研图表 86 不同风格及换手率的基金舒适规模参考表基金单边年化换手率价值价值成长/均衡成长大盘中小盘均衡大盘中小盘均衡大盘中小盘均衡200%25000200%-500%85500%-750%0701004070750%-1000%5002030*大中小

112、盘的具体划分标准如下：将股票按照其总市值进行降序排列，计算各股票对应的累计市值占全部股票累计总市值的百分比 Cum-Ratio，且 0Cum-Ratio100%。*大盘股：累计市值百分比小于或等于 60%的股票，即满足 Cum-Ratio60%。中盘股：累计市值百分比在 60%-80%之间的股票，即满足 60%80%。数据资料来源：中金财富中国 50 红宝书 41 数据显示，四分之三的机构过去一年致力于策略打磨、超额提升，近半的机构把新产品线的研发作为工作重心之一。1个亿是一个明显的分水岭，在此之前机构主要精力在于新产品线的研发。随后开始在管理资金、人才招聘方面全面发力，到100 亿以上各方面

113、用力即均衡，机构管理资金扩容不再是重中之重。图表 87 2022 年量化机构工作重点图表 88 不同规模机构 2022 年贵机构工作重点数据资料来源：问卷调研数据资料来源：问卷调研在日常工作中，量化人还将遇到形形色色的工作挑战，其中最难的挑战在于策略生成、市场变化以及算法稳定性，对比2022 年数据，量化人生产策略的难度在提升，以总分 7 分为计，策略评分为 4.72，比 2021 年上升 0.19.图表 89 量化日常工作挑战选项2021 平均分2022 平均分策略：难以生成具有 Alpha 的想法，资金容量有限4.534.72算力：算力不足，单个任务运行时间过长4.354.42环境：缺乏集

114、中的研究平台，数据库提取与更新受限，读写效率低下4.394.38数据：数据质量低，更新不及时，非结构化数据需要大量清洗4.534.55算法：参数不稳定，模型容易发生过拟合，花费大量时间检查4.474.57日常：大量工作在于重复代码，较少想法生成4.244.26因子：传统因子失效，难以形成有效策略4.534.57市场：市场行业/风格轮动过快，难以随之快速调整4.674.65实盘：策略转换实盘困难，订单抢不到，实盘细节无法在研究环境复现，券商提供的实盘工具不好用等4.284.32交易：冲击成本大，手续费侵蚀4.114.35数据资料来源：问卷调研在策略特征方面，从数据上看，机构普遍追求长期收益水平，

115、其次为风险调整收益，再次为不同市场环境下的适应性，更多秉承以关注自身为主的态度，并不特别关注和其他机构的同质性，甚至相比于对模型可解释性的关注程度都更低。但实际上在 2022 年最关注的事件/现象里面，有 5 家机构主动提到了策略的同质性。2022 年，行业规模的大幅提升加剧了管理人 42 之间的竞争，机构普遍采用多框架、多策略、多品种、多市场投资的运作模式，来适应市场与时代的变化，这也加剧了管理人之间呈现同质化的趋势，托管机构以周为单位对外披露产品净值及策略相关性，数据显示策略内部的产品收益分化程度收敛。截至 11 月 18 日，量化多头产品居中的 50%产品收益首尾差距仅 11.1%（前

116、25%分位与前 75%分位产品收益率的差值），而该数值自 2018 年以来基本维持在 20%以上。量化机构最主要的核心竞争点，一是行业发展前瞻度、配置能力、交易能力、创新与变革能力、资本市场认可度。策略本身的投研能力，管理规模越大的公司自评分数越高。因子研究一直是机构核心机密，2021 年有近 1/4 的机构拒绝透露其因子储存数量，2022 年为 2 成，且仍然呈现为两头高，中间低的特征，体现出两种因子挖掘风格：一种是通过精选具备经济学意义的因子，另外一种是采用机器学习进行海量因子挖掘。常用因子则更为考究，68.19%常用因子在 50 个以内。图表 92 机构因子储存数量：4.30%在 1 万

117、以上图表 93 常用策略因子数量：61数据资料来源：问卷调研数据资料来源：问卷调研图表 90 量化机构最注重的量化策略特征图表 91 机构竞争力模型：前瞻度、配置、交易、创新与变革数据资料来源：问卷调研数据资料来源：问卷调研 43 图表 94 2019-2021 年私募量化产品的主要策略类型分布图表 95 量化机构当前研究/使用策略数据资料来源：中信研究数据资料来源：问卷调研 44 投资投资赎回赎回根据协会2021 年私募基金统计分析简报，机构投资者是私募量化投资基金最大资金来源，截至 2021 年末，从自主发行的量化私募来看，机构投资者持有资产 8077.23 亿元，占比 69.7%，机构投

118、资者数量、持有资产同比分别增长 171.0%和139.1%；自然人投资者数量、持有资产同比分别增长 132.6%和 111.9%。同时调查数据显示，高净值个人、银行、券商是最主要的投资人类型，分别占比 62.2%、36.59%和 37.8%。而且伴随着管理规模的扩大，量化机构对银行、保险、券商等机构投资人的依赖会更强，对高净值个人投资者的依赖会相对降低。图表 96 存续产品中直销产品规模占比分布情况图表 97 存续产品中规模占比超过 20%的代销渠道分布情况*管理规模 10 亿元以上为规模以上受访管理人资料来源：中国证券投资基金业协会问卷调研资方偏好方面，本调研问卷上市公司、险资明显偏好大型量

119、化机构，风险偏好更低，而 FOF 机构对于 1 亿-20 亿量化机构更为青睐，注重挖掘成长期的资金。海外资金则呈现不规律分布，或许这与创始人个人背景及资源有关，初创期机构的资金主要来自高净值个人，各类型机构投资人覆盖率都较低。2020 年，海底捞就成立了海悦量化投资。近年来时有新闻关于上市公司进入量化投资界，或是直接成立投资公司，或是购买量化私募产品，或是通过股权置换的方式成为量化机构。也有上市公司高管持仓转到量化机构专户产品库再通过新股申购、量化对冲、指数增强等各种方式增厚收益化解风险。当然最简便的方式还是购买量化私募产品，2021 年就有行业新闻部分量化机构招聘专门面向上市公司的机构销售。

120、与白皮书问卷并不一致，有行业新闻指出，上市公司购买私募产品并非青睐于品牌响亮的百亿级私募，反而更集中于中型私募。规模在 20 亿50 亿私募获上市认购金额为 8.3 亿元，占比达到 51.65%，百亿私募的被认购金额为 4.7 亿元，占比仅为 29.25%。45 图表 98 量化机构投资人类型图表 99 不同机构投资人类型数据资料来源：问卷调研数据资料来源：问卷调研图表 100 A 股非金融企业购买理财和二级市场投资情况年份上市公司产品名称认购金额策略类型2020亚星锚链纯达亚星新动力 10 号3 亿元市场中性天创时尚纽富斯均衡致胜策略 12 号1.5 亿元市场中性2021阳光照明幻方 500

121、 指数增强欣享 18 号私募证券投资基金不高于 3 亿元指数增强雅化集团宽投幸运星 9 号私募证券投资基金1.02 亿元复合策略2022伟隆股份益安地风 5 号1 亿主观多头数据资料来源：Wind，恒泰证券私人财富图表 101 A 股上市公司 2022 年购买理财投资情况公告日期上市公司认购私募基金基金管理人管理规模认购金额(万元)3 月 3 日地素时尚云量稳利 1 号云量资产5 亿10 亿50003 月 3 日地素时尚云量稳利 1 号云量资产5 亿10 亿50003 月 9 日伟隆股份益安地风 5 号益安资本10 亿20 亿100003 月 29 日元利科技齐兴普汇丰泉证券投资齐兴资产20

122、亿50 亿110004 月 12 日永吉股份山楂树甄琢 5 号山楂树私募基金20 亿50 亿350004 月 19 日二三四五合晟同晖 1 号合晟资产100 亿以上50004 月 26 日天宸股份诚正远景 1 号诚正私募基金05 亿20004 月 29 日鲁泰 A源晖红利 2 号源晖投资20 亿50 亿200006 月 1 日辰欣药业思勰金泽 J4 号思勰投资100 亿以上20006 月 1 日辰欣药业中信资本致信尊享 1 号远信投资100 亿以上20006 月 1 日辰欣药业千象成长 38 号千象资产100 亿以上20006 月 1 日辰欣药业齐兴合盈同富固定收益投资齐兴资产20 亿50 亿

123、10007 月 15 日二三四五岩恒瑞丰稳健 1 号岩恒投资05 亿1007 月 15 日二三四五一村基石 20 号一村投资100 亿以上30007 月 15 日二三四五迎水月异 7 号迎水投资100 亿以上20007 月 15 日二三四五岩恒瑞丰稳健 1 号岩恒投资05 亿1007 月 15 日二三四五一村启明星 30 号一村投资100 亿以上200007 月 15 日二三四五迎水月异 7 号迎水投资100 亿以上50007 月 19 日锦鸡股份复熙固定收益 3 号复熙资产50 亿100 亿1500 46 10 月 15 日吉华集团博孚利尊享 39 号博孚利20 亿50 亿200010 月

124、15 日吉华集团博孚利尊享 39 号博孚利20 亿50 亿300010 月 15 日吉华集团博字利尊享 39 号博孚利20 亿50 亿100011 月 10 日恒生电子交叉智能金纳一号 FOF交叉智能05 亿100012 月 1 日金证股份世纪弘金 2 号世纪盈盛投资05 亿1000012 月 6 日二三四五一村若华 20 号一村投资100 亿以上500012 月 6 日二三四五岩恒瑞丰稳健 1 号岩恒投资05 亿100012 月 6 日二三四五宣夜至信季添利三号宣夜投资20 亿50 亿500012 月 6 日二三四五宣夜至信季添利二号宣夜投资20 亿50 亿500012 月 9 日锦鸡股份阿

125、巴马中证 1000 星云一期阿巴马资产100 亿以上1000数据来源：Wind，恒泰证券私人财富图表 102 美国对冲基金持有人结构变迁图表 103 机构偏好对冲基金的原因资料来源：Preqin,Barclayhedge,Capital Advisory Group&JPMorgan Separately Managed Accounts for HedgeFund Investments(2019)在赎回方面，据中信中证推算 2022 年量化股票多头策略遭遇市值萎缩伴随净赎回，规模下降 11.88%，与市场中性策略合计估算，量化规模缩水超千亿，整体看股票类策略缩水近万亿。相比之下作为“危机

126、Alpha”的期货策略规模逆市增长，其中期货趋势增加 101.27 亿，相对稳定的期货套利更是增加 311.55 亿，涨幅高达 56.91%。从月度时间分布上看，几乎呈现出投资人全年净赎回，4 月及 10 月是净申赎最为明显的两个时间段，尤其是 10 月，在这段时间量化私募发起自购，10 月 28 日百亿级量化私募思勰称公司拟以公司自有资金、合伙人及员工个人资金追加申购旗下基金，总计不低于 1 亿元。除积极自购外，机构策略正从防守转为进攻。截至 10 月 21 日，百亿级股票私募仓位指数为 86.87%，接近今年以来的最高水平。47 图表 104 股票多头策略产品月度净申赎数据来源：中信中证图

127、表 105 2022 年核心策略规模变动影响测算*核心策略规模变动根据中国基金业协会网站披露结果及中信中证所编制的私募策略指数数据综合推算*净申赎影响测算时已考虑新发产品认购数据来源：中信中证以总分 7 分为计，数据显示 2022 年机构面临的投资人赎回压力处在中等偏上水平，168 个样本平均数值为 3.89。压力与业绩表现、修复周期、投资人结构紧密相关。问卷调研数据显示，2022 年量化产品的最长净值修复周期主要集中在 6 个月以内，占比达到 7 成以上，近 1 成机构修复周期能达到 10 个月。净值修复周期越长赎回压力越大，3 个月与 6 个月时会是明显的时间点，这或许与投资人的处置效应相

128、关，修复周期 3 个月之内，大部分的机构压力都在 4 分以内，到了第 7 个月压力在 5 分以上的超过了 7 成。同时，恒泰财富研究显示，年中（6-7 月）和年末（1-2 月）是私募基金投资者进行持仓再评估的重要时点；一年是大部分个人高净值投资者区分“长期投资”和“短期投资”的心理临界点。策略期初规模（亿）期末规模（亿）规模变动净申赎影响市值变动影响金额（亿）百分比金额（亿）占比金额（亿）占比主观股票多头23234.0715286.19-7947.88-34.21%-3412.15-42.93%-4535.73-57.07%量化股票多头2928.252580.25-348.00-11.88%-

129、158.00-45.40%-190.00-54.60%市场中性2932.522127.56-804.95-27.45%-892.69-110.90%87.7410.90%期货趋势1137.381238.65101.278.90%133.8132.12%-32.53-32.12%期货套利547.41858.95311.5556.91%287.8892.40%23.677.60%FOF 策略5179.505093.73-85.77-1.66%206.77241.07%-292.54-341.07%合计35959.1227185.33-8773.78-24.40%-3834.39-43.70%-49

130、39.39-56.30%48 图表 106 2022 年，量化人面临的赎回压力分布图表 107 2022 年，量化机构产品最长净值修复周期图表 108 投资人赎回压力与净值修复周期关联关系，季度为重要周期数据资料来源：问卷调研投资者赎回行为常见动机为损失厌恶、盈利处置、比价心理，研究显示股票投资者持股收益由负变正时，出售概率出现明显的向上跳跃，即存在“扳本”偏好。市场高位成立的基金，客户行为会经历四个阶段：（1）下跌初期，有较大范围赎回；（2）下跌中后段，赎回行为减缓；（3）市场回暖、净值修复，接近回到成本线，处置效应出现，本质上都是损失厌恶，但与下跌恐慌导致的赎回行为有所区别；（4）若上涨持

131、续，则赎回加剧。同时，研究显示对于成立以后一直有浮盈的产品，投资者倾向于在收益出现阶段性下滑时赎回，集中赎回时点出现在盈利高点之后的一个季度左右；对于成立后一直有浮亏的产品，当净值回到 1 附近时容易出现“回本出”的行为。在投资人层面，银行层面对回撤容忍度较低，3 成以上回撤达到5%以内都会开始咨询机构，而其他机构类型一般在 10%-20%回撤时大面积问询，尤其是期货公司大部分在 20%-30%的回撤时开始问询。产品类型方面，绝对收益类入套利、中性产品也是回撤敏感型产品，2 成左右机构会在 5%以内开始问询，对多空、指增、混合类产品则在 5%-20%区间开始问询。49 图表 109 中国投资者

132、的股票出售行为画像*采用 20 万名投资者在 2011/1/4-2017/12/29 期间的交易数据201819 年行情下的基金份额变动情况，完整地揭示了公募基金投资者赎回基金的动机。2019 年市场转暖，客户开始大面积处置前期有亏损历史的基金。数据资料来源：陆蓉,李金龙&陈实.(2022).中国投资者的股票出售行为画像处置效应研究新进展.管理世界(03),59-78.图表 110 行情切换与份额变动图表 111 样本私募产品的净值表现（左）和赎回量（右，万元）数据来源：Wind，恒泰证券私人财富数据来源：Wind，恒泰证券私人财富图表 112 投资人对产品回撤容忍度比较，银行类回撤敏感图表

133、113 投资人对产品回撤容忍度比较，绝对收益类回撤敏感数据资料来源：问卷调研数据资料来源：问卷调研海外财富管理机构非常关注投资者群体“偏差”效应的研究，并对这些研究进行了解释说明。图表 114 普通投资者群体中最为常见的几种偏差排序偏差类型解释说明发生概率1近因偏差容易受到近期新闻事件或经历的影响35%2损失厌恶规避损失的冲动比获取收益的冲动更强烈30%50 3禀赋偏差倾向于投资自己身边的或最熟悉的公司27%4框架效应根据信息呈现的方式做出决定（例如描述一项资产将带来多大“收益”或“风险”时会有不同反应）26%5心理账户将资产放入若干个互相独立的心理账户，来对财务决策进行编码、分类和评估26%

134、6确认性偏差刻意强调那些能证实自己观点的证据，同时有意贬低任何与我们观点相左的证据24%7锚定信息决策时集中在一个具体的参考点上23%8羊群效应只追随他人决策或最新投资趋势19%9继承效应对已经持有的证券或资产信心满满17%10现状偏差倾向于选择能够认可或拓展现有条件的选项，而不是替代现有条件的选项16%11选择性记忆只回顾正面的投资经历或经验15%12后悔厌恶偏差由于以前的错误或怕自己后悔而不敢果断采取行动14%13可用性偏差只根据自己掌握的现有信息做出决定13%14过度自信对自己的能力或决策过于自信11%15自我控制偏差由于缺乏自律而无法实现长期的总体目标6%图表 115 2022 年私募

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

136、0%12.10%12.20%12.00%12.20%FOF16.10%16.30%16.40%16.80%17.20%17.20%17.20%17.30%17.40%17.80%18.20%18.50%混合类12.40%12.40%12.80%13.10%13.60%13.90%13.70%13.20%12.90%13.00%13.60%12.90%数据来源：招商私募指数数据库图表 116 私募基金策略占比年度变化情况产品策略股票多头主观多头指数增强量化选股股票市场中性债券CTA趋势型CTA套利型CTA混合类策略FOF202221.00%21.80%7.90%9.40%8.30%11.60%1

137、6.90%15.00%16.60%17.90%12.80%202129.40%30.30%12.90%14.50%11.90%17.70%22.00%18.20%27.80%23.40%11.70%202046.70%44.30%35.50%39.50%18.50%8.10%47.10%51.30%29.80%37.10%23.00%201933.70%32.20%28.20%47.90%14.90%13.90%36.80%64.90%24.00%26.60%17.40%数据来源：招商私募指数数据库 51 交易交易技术技术当前量化投资机构所使用的策略系统主要为自主研发，通过第三方平台或直接使用

138、券商提供的系统仅占三成。对于量化私募来说，一般只有在初创期或者策略逻辑相对简单的时候会通过券商提供的系统或者第三方平台，调研数据结果显示，量化私募自研策略系统的占比高达 80.95%。从 189 份调研问卷中剔除 24 份未填写或者填写为 0 的无效作答，结果显示量化投资机构的平均年化双边换手率为 166倍，主要集中在 74-210 倍之间，极少数换手高达近 500 倍。从调查问卷分析得到的数据来看，换手倍数与量化资产管理规模间并未存在明显的负相关性，主要原因是填写问卷的量化投资机构有部分是交易 A 股以外的投资品种，包括债券、期权期货、境外市场股票等。相较于速度，量化投资机构更注重的是交易的

139、稳定性，其次是速度，随后才是业务品种和接入效率。绝大部分量化投资机构在交易过程中均遇到过一次或多次事故，遇到的事故类型排序为：（1）交易接口链接问题（48.68%），（2）交易系统故障（46.03%），（3）行情丢包（40.21%），（4）交易通道拥堵（39.15%）。随着国内量化投资机构的日渐增多和管理规模的逐渐扩容，券商/期货公司作为经纪服务商，越来越重视对于量化机构的服务，同时量化机构间的技术竞争也愈加激烈。量化投资机构在交易对接环节上相较于主观投资机构要复杂得多，目前国内证券端和期货端由于监管政策的不同，券商/期货公司服务于量化投资机构的技术模式也存在较大差异。对于量化投资机构自身而言

140、，由于公司业务的发展和管理规模的增加，必然会带来交易通道的增多，因此排除业务流程因素限制，在与券商/期货公司的对接中，希望交易接入的周期尽量保持在一个月内。图表 117 量化机构策略系统情况图表 118 量化私募策略系统情况图表 119 量化机构管理规模与换手倍数图表 120 量化投资机构期望的交易对接流程周期数据资料来源：问卷调研 52 图表 121 量化机构交易诉求排序图表 122 量化机构交易过程中遇到的事故数据资料来源：问卷调研 53 技术前沿技术前沿分布式技术是指通过去中心化的方式来构建金融基础设施、金融业务和服务。广义的分布式技术分为两层含义：一种是以去中心化为核心的金融业务，例如

141、基于区块链的数字债券、数字货币等；一种是指采用分布式网络技术、分布式集群技术、分布式计算存储等技术代替传统的集中式服务，用来提升传统金融的可靠性、可扩展性等。本文所提及的分布式技术特指后者。（1 1）分布式转型势在必行）分布式转型势在必行近年来，新一轮科技革命深刻改变着金融机构的商业模式和运行逻辑，金融机构的业务量呈现几何级增长。随着业务规模的迅猛增长，传统的集中式架构难以应对巨大业务量对核心业务系统带来的冲击。因此，越来越多的金融机构开始积极开展 IT 架构转型，推进核心业务系统应用架构由集中式向分布式转型。2018 年 5 月，由央行牵头，发改委、工信部、财政部和证监会等九部委共同编制并发

142、布的“十三五”现代金融体系规划明确指出，深入开展技术创新在金融服务中的研究与应用，鼓励金融机构探索系统架构完善升级，在巩固集中式架构安全稳定运行的基础上，研究分布式架构应用的可行性。2019 年 8 月，中国人民银行出台金融科技（FinTech）发展规划（2019-2021 年）,规划明确指出,引导金融机构构建集中式与分布式协调发展的信息基础设施架构，探索利用分布式计算、分布式存储等技术实现根据业务需求自动配置资源、快速部署应用。金融安全是国家安全的重要组成部分，开展分布式转型势在必行。在当前复杂的国际环境下,金融安全的重要性不断凸显。长期以来，我国金融基础设施受制于 IOE（IBM+Orac

143、le+EMC）生态，在维护国家安全和保障金融安全层面风险突出。我国金融机构核心业务系统的关键技术包括：硬件设备、操作系统、数据库、中间件、应用软件等。其中，服务器由 IBM 为代表的商业化大型主机及闭源操作系统主导，数据库以 Oracle/DB2 等商业数据库为主，存储依赖 EMC 等公司提供的商业化高端存储解决方案。核心业务系统的关键组件由 IBM、甲骨文、EMC 等美国厂商提供，对我国金融业整体安全带来巨大风险隐患。分布式转型成为必然趋势，国内机构已具备构建分布式架构转型的技术实力。分布式架构具有高可靠、易拓展、低时延、松耦合等特性，能够帮助金融机构实现开放和可控，实现平台化和全业务，实现

144、水平扩展、快速扩容，实现高可靠、高可用、高性能、低时延，并且国内厂商已具有相应的软硬件设施与技术，完全可以实现自主研发、自主可控。随着国家金融信创和自主可控战略持续深化推进，金融机构核心业务系统由传统架构向分布式系统架构转型成为一种必然趋势。（2 2）国内外交易系统步入分布式低时延时代）国内外交易系统步入分布式低时延时代从 1990 年至 2005 年，美国是“主机+终端”交易时代。2005 年欧美颁布全美法案，大家需要参与低时延竞争后，境外的交易所开始转成低时延架构，以消息总线为核心来构建系统。反观国内，在 1990 年至 2005 年是基于“微机网络+数据库”构建自己的交易系统，在 200

145、5 年至 2020 年则是以数据库为中心的“大集中”时代。直到 2016 年，深交所上线第五代交易系统，意味着国内开始正式步入分布式转型。此后，上交所、证券公司也在分布式架构上进行了很多探索和尝试。上一代集中式架构是指由一台或多台主计算机组成中心节点，数据存储以及整个系统的业务单元都集中部署于该中心节点中，系统所有的功能均由其集中处理。即每个终端或客户端仅仅负责数据的录入和输出，而数据的存储与控制处理完全交由主机来完成。集中式架构一般采用纵向扩展的方式，即通过增加单机的资源配置来提升系统的处理能力，并通过硬件设备和基础软件的集群机制来提升系统的可用性。54 图表 123 中美资本市场交易系统

146、30 年演进趋势数据资料来源：华锐技术新一代分布式架构是指一个硬件或软件组件分布在不同的网络计算机上，彼此之间仅仅通过消息传递进行通信和协调的系统。分布式架构一般采用横向扩展的方式，即通过增加服务器的数量来提升系统的处理能力，每个节点都是一个可独立运行的单元，失效时也不会影响应用整体的可用性。相对于集中式架构，基于分布式架构设计研发的交易系统在交易速度、处理能力、可用性等方面具有巨大优势，能够帮助证券公司解决集中式交易系统存在的问题和不足，满足证券行业中普遍存在的高可用、高可靠、低时延、高并发、水平扩展、业务灵活扩展的需求，并且分布式架构在价格成本、自主研发、灵活兼容、伸缩扩展方面也有比较显著

147、的优势。图表 124 分布式架构与集中式架构性能对比-集中式架构分布式架构重大提升技术特点大型机/小型机+数据库+集中存储标准服务器+高带宽低时延网络垂直升级变为水平扩展交易速度几十几百毫秒几几十微秒快 100+倍处理能力几千几万笔/秒几万几十万笔/秒提高 10+倍可靠性可用性单活高可用，分钟级切换，切换过程中可能有数据丢失双活高可用，秒级切换，切换过程中零数据丢失大幅提高技术来源可控性单一设备供应商，进口封闭平台多个设备供应商，开放平台，国产化成为可能自主可控能力大幅提高硬件成本进口主机价格昂贵标准服务器价格低廉大幅降低 2/3数据资料来源：华锐技术（3 3）金融机构分布式转型实践）金融机构

148、分布式转型实践目前分布式技术已经成为金融行业最炙手可热的技术之一，多家机构纷纷开展金融 IT 架构的分布式转型，而分布式转型的未来趋势主要有以下三种。55 图表 125 金融机构分布式转型实践行业金融机构分布式实践银行业交通银行交通银行通过双核异构应用架构体系的建设，构建了主机+开放融合的多态架构，实现了全核心业务都能够在主机和开放上并行运行。双核架构体系具有三大特点：一是开放平台的数据存储和管理采用自研分布式数据库；二是系统实现了按照流量、客户、交易等多维度、多规则的智能管控；三是实现交易全路径全节点的实时跟踪。中信银行中信银行 StarCard 新核心系统整体采用互联网分布式云架构，基于领

149、域驱动设计，采用微服务框架，构建了高可用、可扩展的核心业务系统。应用层自主设计研发，中间件层基于开源解决方案建成企业级金融云平台，数据库联合研制金融级分布式数据库，基础设施层采用 x86 国产服务器和网络设备。系统全面使用容器云部署，支持弹性伸缩、故障自愈和灰度发布，综合运用分布式数据库和实时大数据技术，提供秒级时延的智能大数据服务。证券业国泰君安国泰君安于 2019 年全面启动新一代分布式证券公司核心业务系统的研发工作。新一代分布式核心交易系统架构采用了多核心分布式的技术框架，将实现账户、交易、清算彻底解耦。2022 年 8 月 22 日，国泰君安新一代信创分布式低时延交易平台（NGTP）全

150、量经纪业务客户切换上线成功，超 1500 万零售客户全部迁移。东方证券东方证券自 2017 年初就投入力量，成立专业团队，启动分布式交易系统技术架构咨询规划及原型验证项目，最终打造出既可靠、又快速的分布式交易系统。目前，系统已经支持了现货交易、新股发行、回购、科创板、信用交易等多项业务，并与账户系统、营运管理和清算系统之间实现了良好的交互，目前正在增加更多的业务引擎。保险业中国人保2018 年，中国人保提出了向高质量发展转型“3411”工程，中国人保正式开启分布式微服务架构转型，2019 年 8 月发布了 PDF-C 分布式微服务技术体系和人保云，建设并上线了分布式架构核心系统，实现了核心系统

151、的全分布式化和云服务化。平安人寿平安人寿构建了基于 Docker 的分布式容器云平台 Padis。平台采用 Mesos+Marathon 框架，具有应用程序快速创建、运行、快速缩容扩容以及故障自愈的功能；平台上实现了独立 IP，可以实现任何集群与外部的或者传统的 IP 的通讯。并且，平台负载均衡的方式很多，可以根据容器的动态变化（容器的增删）做动态调整。基金业博时基金博时基金构建了基于云原生架构的互联网基金销售系统。平台由微服务中心、容器云、DevOps 平台等组成，微服务基于微服务化搭建中台系统，采用领域驱动设计，并且以服务接口提供共享服务能力；容器云平台部署，包括开源的 Docker容器技

152、术、Kubernetes 容器编排平台等技术和软件的生产应用，并且基于 EFK、Prometheus 等开源产品构建了相应的日志分析系统和度量监控体系；DevOps 重点包括与微服务和容器云平台进行 DevOps 工具链的整合、CI/CD 持续发布管道建设、快速迭代、自动化测试等实践应用。鹏华基金鹏华基金新一代 TA 系统，创新性地采用大数据和微服务混合分布式架构，为行业首创。新一代 TA 系统采用微服务分布式架构，每个服务职责单一、独立部署，通过分解巨大单体式应用为多个服务的方法解决了应用复杂性问题，同时引入Spring 框架，框架中 SpringBoot 可以快速地搭建单体应用，配合 Sp

153、ringCloud 可以快速扩展成为分布式应用，以应对大量并发的数据请求。数据资料来源：华锐技术分布式转型的未来趋势趋势一：分布式转型将成为金融信创先进替代的最优路径。趋势一：分布式转型将成为金融信创先进替代的最优路径。中美博弈将长期存在，中国需要加快掌握新一代信息技术中的硬核如芯片、集成电路、基础软件等，而分布式技术是中国实现金融核心自主可控的机会。金融基础设施应用构成主要包括基础设施层（服务器、芯片、存储设备）、基础软件层（数据库、中间件、操作系统）和应用层（核心业务系统）等。金融机构核心系统的分布式架构转型将实现对应用系统、中间件、数据库、操作系统、服务器的全面替代，形成技术领先、性能卓

154、越、安全可靠、软硬件一体的金融信创先进替代的发展路径。同时，随着分布式架构在金融行业大规模推广应用，将彻底打破进口设备在此领域多年来形成的垄断局面，有助于国内厂商形成完整落地企业级、全链条自主安全可控解决方案，将有助于形成国产化硬件到软件、底层到应用层的产业生态。56 趋势二：分布式转型将实现全产业链的自主可控。趋势二：分布式转型将实现全产业链的自主可控。中国厂商已具备构建自主创新 IT 基础架构的实力，其成果和经验在行业内及产业上下游的软硬件国产化替代方面均具有较强的示范带动效应。例如，分布式架构可以实现用国产 PC 服务器对 IBM 的替代；华为 Guass 数据库、腾讯云 TDSQL、阿

155、里OceanBase 可实现对 Oracle 数据库的替代；华锐自主研发分布式中间件 AMI，配套华为基于 ARM 架构鲲鹏 CPU 构建的 Taishan服务器、中标麒麟操作系统、国产分布式数据库以及国产低时延交换机等，可以实现证券分布式核心交易系统的自主替代。因此，分布式架构转型可以带动产业上下游技术和产品迅速优化成熟，促进上下游厂商快速做大做强做优。趋势三：分布式转型需要金融机构与金融科技公司携手共创。趋势三：分布式转型需要金融机构与金融科技公司携手共创。分布式转型是大势所趋，但仅靠金融机构自身难以完成相应的数字化转型，生态合作至关重要。分布式转型的整体原则依然是实现自主可控，但在开放的

156、架构之上有很多核心科技需要引进。一是金融机构需要以开放、合作、分享的理念和态度与软硬件供应商进行合作，建立生态联盟，加速金融行业的科技化、信息化的步伐；二是金融机构与金融科技公司需要谋求“共建”，打破自我封闭，机构携手实现效率最优、成本最优，创造更大的产业价值和客户价值；三是金融机构和合作伙伴之间可以通过主流、开放的分布式技术，共同为客户提供场景化、生态化的金融服务，共同建设开放、合作、共享的生态环境。57 4.14.1未来展望未来展望 58 未来展望未来展望量化投资发展的前沿受到投资者和机构的广泛关注，编写组以：“畅想未来 3 年的量化，您能想到哪些关键词”为题设问，调研发现人工智能、行业竞

157、争及基本面量化是行业最关注的三个方向，这也与“您个人关注行业哪些研究方向”完全吻合，超 7 成的量化人关注人工智能应用，6 成关注高频数及因子；58.2%的量化人关注基本面量化。图表 126 畅想未来 3 年量化行业关键词数据资料来源：问卷调研图表 127 量化机构关注的行业方向数据资料来源：问卷调研调查得到的关键词完整内容：金融逻辑稳定性、衍生品、规范化、基本面量化、可解释、跳槽、机器学习、卷、风险、市场占有率扩大、超额继续下 59 滑、机遇、增长、开放、超额、智能化、规模、另类数据、优选、价值、新冠疫苗、规模变大、千亿私募、高频、牛市、复苏、量价选股、爆发增长、跳槽、能源、宏观事件驱动、投

158、资风格切换择时、CTA 大年、规模扩大、发展、基础设施更好、对抗网络、强势突破、FOF、解封、深度学习、进步、通货膨胀、人工智能、同质化、挑战、人工智能、市场份额 vs 主观进一步增加、云计算、慢牛行情、低回报、算力、人工智能、专业化、资产管理、更多人、正轨、云计算、数据更完善、注意力模型、普遍适应性、高波动、薪酬合理化、信创、发展、更多数据、复杂性、稳定、多元化、策略更丰富、超额收益进一步下降、希望、监管、人员专业化、行业增强、成熟、云端化、小型私募更被注意、超额收益的稳定性、机器学习、拼硬件挖因子、马太效应、机器学习、风险、AI、成长、可解释性、拥挤、新品种、高胜率、开放、指数增强、深度学

159、习、AI 主导、美好、稳定、基本面量化、多策略配置、规模变化、数据云存储解析、复合策略更多、规范、资产配置、容量、贸易、高频、时机、两融业务、迭代优化、云计算、基本面、憧憬、小策略、drl、创新、开拓新荒地、压抑、空气指增更多、多策略、api、算法、中国、基本面、稳健、分化、大数据、策略同质化、AI 替代、非常卷、策略、硬件加速、国际市场、放开、发展、边际、回归基本面、hft、AI、头部效应、人工智能、另类、AI、套利、小而美、持平、很卷、高投入快迭代、内卷、机器学习、疫情结束、另类、基本面、对冲、高频交易、算法、迭代、卷、千亿、机遇、web3、t+0、价值投资融合、多策略、人工智能、Alph

160、a 下降、人工智能、算法拟合、本土化、强化学习、衍生品、马太效应、高频、云计算、快捷、多策略、hft、放开、繁荣、算法、瓶颈、高频、挑战、宏观量化、agi 通用人工智能、市场波动、另类、deeplearning、算力、数字技术的应用、策略选股、高频数据、趋势跟踪、风险、策略迭代、内卷、算法预测、规模、数据、竞争激烈、放开、超额波动变大、规模、基本面量化、越来越卷、期权扩容、中低频、竞争、竞争激烈、Alpha 减少、增强、放开、更加规范和专业化、机器学习、数据、全天候、回撤、飞速发展、指数增强产品、AI、理念、数据、数据、随机学习、另类数据、算法、稳定、稳定、洗牌、稳定、速度、云计算、转型、普及

161、、活着、深度学习、AI 智能、机器学习、认知、稳定、模型、资产配置、行业内卷、高频、竞争、多赛道、集中、注册制、自动、监管、内卷、市场风格、科技*因避免信息失真、此题收集的结果未做删改。（1 1）关键词）关键词策略策略事件驱动、人工智能、人工智能；算法；算力、人工智能、ai、知识图谱、固收加、多策略、全天候、人工智能、基本面、交易、AI 机器学习、智能、多模态、高频、25.9%的年复合收益率；多因子模型开发、中性、深度学习、基本面量化、ESG、非线性、新因子、另类数据、神经网络、基本面量化高频、AI、高频市场收缩、强化学习、AI、时效智能、另类数据、AI、夏普高的策略越来越难、ai、风险敞口、

162、监管、风险收益、人工智能、创新算法、大众化内卷人工智能机器学习、高夏普低波动、人工智能、人工智能、突破瓶颈均值回归、回撤内卷分化、同质化、人工智能计算机操作系统、AI/策略拥挤/头部化、头部化、机器学习、拥挤、收益率下降、新势力、基本面、高频、智能化、容量迭代、人工智能、高频、人工智能、另类因子、ESG、基本面、低频、ai、机器学习、超额下降、越来越难做了、ai、人工智能、2 万亿、数字化转型、高频、人工智能、可解释性非对称性、风控、极速、强化学习快速失效、回报率稳定性、量化规模回撤收益率、追踪主力、无风险头寸、智能筛股、风险控制、人工智能、人工智能、主导高科技、智能、AI、金融科技、改革开放

163、、多因子多方向、智能化、潜力学习、人工智能、超额下降、趋势预测、模型、人工智能、差异化、适应性、人工智能、工匠精神、人工智能、机器学习、人工智能、ai 托管、软件研发、算法研发、被动投资、深度学习、强化学习、迁移模型、高频、高频、深度学习、深度学习、策略、卷积、Ai、智能量化、人工智能、高频、人工智能、人工智能、高频、人工智能、算力、模型、数学家参与、人工智能、ai、人工智能高频交易、自然语言结构化、绩效、人工智能、Ai、量化、策略、人工智能数据模型、al、量化回 60 归基本面、主观量化百花齐放、舆情数据大放异彩、增长、稳健、智能化、指数增强、新策略缺乏、量化行业未来可期、是大趋势。更多人工

164、智能、高速交易、高频量化机器学习、人工智能（2 2）关键词）关键词趋势趋势国际化、强监管、规范化、规模化、梦想、螺旋上升、再分化、迭代成长、全民参与、竞争、曲折扩张、监管、跨界综合、专业、龙头效应、多元、竞争、厚积薄发、数字经济、机构化、头部化、差异化、大资金量、优化算法、算力提升、管理专业化、机会、方兴未艾、成交量变大、趋势、智能化、Alpha、挑战、规模、集中、降频、头部集中、多策略、牛逼、政策变化导致对行业风格轮动选、多元、开放、智能、精准、内卷、挑战百年变局下策略的适应性、100 家百亿、蒸蒸日上、憧憬、蓬勃发展、内卷、更新、专业化、改变、稳定、未来就是量化的、风险敞口、监管、风险收益

165、、创新算法、百花齐放、在曲折中发展、红利期逐渐褪去、汰弱留强、挖掘深度更深、渐入佳境、突破瓶颈均值回归、融合、同质化、内卷、调整后再爆发、发展空间、AI/策略拥挤/头部化、内卷、大规模、成长、基本面量化、发展、机遇、趋势、速度、资管 Fof、大浪淘沙、集中、未来可期、加油、自由、规范、内卷、规范、稳中求进、百花齐放、流程化、智能化、洗牌、发展、变化、爆发、大势所趋、智能、自动化、高效、金融人才涌现、信仰、AI、金融科技、改革开放、崛起、竞争、市场份额稳定、制度变革工具多样化更开放、头部集中、爆发、机会、全自动、主动、爆发、全自动化、欧美化、严监管、快速、认知、创新、差异化、内卷、一片红海、趋势

166、、有前途、大众化便捷化、发展趋势、腾飞、蓬勃发展、规模、市场容量、政策、发展、规范化、概率游戏、规模、政策、增长、百花齐放、科技低频、智能、共生、优胜劣汰、去泡沫长效、宏观、Fof 为主、包容、规模、智能、红海、百花争艳、扩张、快速几何级增长、百花齐放、分化、潜力、好、发展、主流（3 3）关键词）关键词组织组织精细、效率、大算力、成本递减、平台化（3 3）关键词）关键词事件事件头部机构回撤较大、多资产表现欠佳、各种策略失效、超额预期降低、人才涌入、经济增速下降、策略监管、回撤、策略容量、俄乌战争、新冠疫情、美联储加息、小盘价值股的配置情况、大宗周期品类估值中枢的提升、景气投资和主题型投资的切换

167、、疫情、美国制裁、康波周期、IM 合约上线、伦镍逼空、数字化运营、金融理财产品的互联网营销趋势、机构在量化投资布局的趋势、回撤、云计算、速度、11 月股市暴涨、增量、4 月股市暴跌、指增、3 月农产品行情、1000 股指期货、薪酬、AB 份额、同质化、通胀、量化收益回撤、全面放开、医药、战争、俄乌局势、能源、北京疫情、中性回撤、上海封城、超额衰减、地产断贷、超额回撤、俄乌危机、CTA 策略遇到大反转行情普遍回撤、11 月债券市场赎回潮、期权卖方不利之年、3 月大回撤、雪球、上半年中性策略回撤、超额普遍表现不佳、期权新增品种、内卷、指增回撤赎回、估值、新能源、债市波动、幻方规模回撤、放开、规模向

168、头部集中、疫情、ChatGPT、结构化行情、战争、债基理财、新冠、FTX 暴雷、集采、新证券法正式实施创业板注册制改革、疫情、CTA 回撤、监管、地产三支箭、商品波动应急预案、硅料降价、指增回撤、百亿、多头回撤、量价策略拥挤、个别公司治理乱象、如鸣石、会世、指增交易降频、监管、信用债流动性、风格突变、股票量化超额收益空间收窄、美股跌、百亿量化私募扩容、新老分化、利率债流动性、乌龙指、风格策略高回撤、ipo 减少、策略同质化、A 股波动、中证 1000 期货上市、疫情、疫情的影响、中证 1000 指数期货上市、能源类大涨、量化规模收缩、疫情、非理性思维、疫情、医药股票大跌、数据准确性、互联网股票

169、大跌、羊群效应、超额相关性变大、同质化严重、算法可解释性、策略失效、交易回撤可视化、股权风波、没了、9 月以后的回撤、量化业绩下降、规模增加慢、投资策略、行业内卷严重、疫情、新的量化市场发展、俄乌战争、百亿私募排行榜、A 股破 3000 点、量化投资公司百强、百亿私募业绩下滑、信创、61 量化因子的算力竞争、美元加息、赛道拥挤、俄乌冲突、新能源、超额降低、疫苗、风控不良、超额愈发困难、策略同质化严重、投资人赎回、二十大、量化回撤、同质化严重、俄乌危机、降频、美联储加息、新品种、中性回撤、疫情、美联储加息、新冠疫情、美元加息、投资者赎回较多、美元加息、债市波动、新冠疫情解封、10 月阴跌、量化基

170、金、市场行情太差、俄乌战争、房地产爆雷、5 月暴涨、大宗商品策略增加、指增超额越来越难做、美元加息、融券数量问题、4 月暴跌、周期策略增加、广期所、债券下跌、对冲基差问题、蚂蚁金服上市、宏观策略增加、青山镍、binance、超额回撤问题、房地产、eth跌破 1000、俄乌冲突、ftx、人才吸纳、新冠疫情、eth 升级、上半年很多量化机构遭遇赎回、luna、普及度、规模扩张、luna崩盘、ftx 崩盘、股债双杀、合规化、新冠、新冠疫情、国家政策变化、小而美量化机构成为新主流、策略外包、俄乌冲突、因子迭代、全球市场、新冠、高频数据、封控、各类基金大幅回撤、百亿量化管理人比例提升、限价、中证 100

171、0 股指期货和期权上市、美元加息、新冠疫情/经济复苏、净值回撤、头部私募 Alpha 策略超额的减少、美联储暴力加息、另类数据、股票市场、避险、银行理财净值回撤、CTA、注册制传言、9 月调整、可转债、回撤、CTA6 月份的回撤、业绩、市场流动性、政策、新消费/熊市、俄罗斯乌克兰战争、回撤、FTX 破产清算、政策、镍、回撤、疫情对商品影响、规模、股指期货基差比较奇怪、震荡策略、期权上市很多品种、同行业大幅回撤、外资投期货放宽、数字货币/熊市、风格轮动、Luna 崩盘、加息、回购、美元加息、行业轮动加速、新能源、股债双杀、美联储加息对商品周期影响、上交所技术升级、宏观对冲、高频、股指期货松绑、疫

172、情、疫情、疫情、洛书回撤、多策略、广期所开业数据资料来源：问卷调研 62 竞争状态竞争状态2021 年 12 月及 2022 年 4 月，调研组两次对行业提问“您认为接下来量化投资会朝着哪些方面演化，变化幅度有多大”。或许是时间差异或样本差异，两份问卷调研结果相差较大，普遍而言，2021 年对于各个方向的感知更为强烈，市场普遍认可规范化、智能化是主要发展方向，但是在其他排序上略有差异，对战略化、主流化、国际化上的认知不一致。图表 128 量化行业演变方向 2021-2022 年对比方向释意2022 年排序2021 年排序规范化量化交易监管措施出台，行业规范化、监管常态化5.2515.451智能

173、化人工智能各类算法大面积应用于量化投资各个环节5.1325.382战略化量化在买方机构中投资比例提升，内外部重视程度增强5.1325.264主流化量化机构增多，资产管理规模增大，进入投资主流5.0935.333国际化国际机构积极布局中国市场，同时国内大型量化机构出海4.9245.185平台化机构运用统一平台进行工业化、流程化量化开发4.9155.333图表 129 量化行业演变方向数据资料来源：问卷调研“一片红海”、“百花齐放”，这是受访者提到未来行业竞争中的高频词，也是两种极端，两次问卷调研“您认为未来3 年量化行业竞争处于什么样的状态”共回收 254 份有效问卷，59%的受访者认为未来 3

174、 年量化行业的集中度会提升，大型机构的管理规模会越来越大；同时 26%的受访者认为行业竞争不确定，收益率、规模、波动率难以平衡，仅有 15%受访者认为未来的机会在肩部机构或中小型机构。2020 年，中国证券投资基金业协会进行过相似的问卷调研，目标受众为私募证券基金全行业，数据显示：基于大型私募管理人在品牌、投资经验、投资体系、团队建设上的积累，有高达 77.45%的受访管理人认为私募证券行业集中度将提升，而这与量化行业的数据有 18%的差距。经过上一轮行业的高速发展，人才、市场、数据、算力、策略甚至品牌、招聘的积累，头部机构的资源和护城河已经形成了四超多强的梯次结构，在“请您列举国内外量化各两

175、三家机构榜样”题中，九坤、幻方分别作为 PM 制及平台制的代表被屡屡提及，其次为佳期、衍复、灵均、黑翼、鸣石、明汯。另外微观博易、半夏这类细分在高频及宏观对冲赛道的机构也偶有被提及。63 总体而言，在市场认知层面，机构形成了一定的梯度。但金融市场具有很强的不确定性，又让一切显得皆有可能，乾坤未定，中国量化呈现出明显的代际，从高频股指期货对冲到中性策略到再如今指增及人工智能方法大行其道，几乎没有量化人能保证上一代策略在下一代依然适用，所以头部机构也难以实现绝对垄断，尤其是在量化策略在 2022 年仍然体现出相对优势，增量资金或能持续涌入。在千亿魔咒尚未打破，大型机构主动控量，同时新兴管理人不断冲

176、刺百亿的情况下，机构格局并不稳定。例如，2022 年年底百亿私募量化仍为 28 家，但是“成员”却发生较大变化，有量化私募新晋百亿行列，如展弘投资、洛书投资、白鹭资管、艾方资产、卓识投资、珠海致诚卓远、上海宽德。图表 130 行业竞争及集中度预判数据资料来源：问卷调研图表 131 2022 百亿私募量化基础情况序号公司简称成立时间破百亿时间核心策略员工人数1鸣石私募2010/12/92020 年股票策略1112金锝资产2011/11/252019 年股票策略373艾方资产2012/3/142022 年多资产策略334九坤投资2012/4/122019 年股票策略1635诚奇资产2013/9/2

177、42020 年股票策略306茂源量化2013/11/262021 年股票策略587明汯投资2014/4/172019 年股票策略638黑翼资产2014/5/52021 年多资产策略689进化论资产2014/6/42020 年股票策略3310灵均投资2014/6/302019 年股票策略14411千象资产2014/7/42021 年期货及衍生品策略5312盛泉恒元2014/7/82020 年多资产策略4213上海天演2014/8/52021 年股票策略7414因诺资产2014/9/242021 年股票策略8815上海宽德2014/11/122022 年股票策略3216金戈量锐2014/11/12

178、2021 年股票策略2417佳期投资2014/11/282021 年股票策略1918展弘投资2014/12/242022 年期货及衍生品策略2119洛书投资2015/2/262022 年期货及衍生品策略8620启林投资2015/5/282020 年股票策略47 64 21九章资产2015/6/112019 年股票策略3522世纪前沿2015/8/242021 年股票策略1523白鹭资管2015/12/82022 年股票策略9024思勰投资2016/1/282021 年股票策略4925宁波幻方量化2016/2/152019 年股票策略6926卓识投资2016/4/222022 年股票策略4027

179、致诚卓远2017/6/192022 年股票策略1628衍复投资2019/7/252020 年股票策略48数据资料来源：私募排排网图表 132 量化人心中的海内外量化机构榜样数据资料来源：问卷调研乾坤未定，一切还是看策略和收益表现，173 位量化人认为量化市场面临的 5 大挑战排序为：市场风格变化和极端行情；全球经济衰退、货币政策、地缘政治等；市场交易规则修改及监管与合规风控，居民财富管理倾向及风险偏好变化；量化机构间策略同质化。另外可以发现，量化人认为竞争主要来自于量化机构之间内部竞争，排序远超于其他资管机构以及海外量化机构。图表 133 量化市场挑战：全球经济、交易规则、风险偏好数据资料来源

180、：问卷调研虽然疫情已经放开，但回望 2022 年的疫情管控，尤其是 3-4 月的上海封控，对于量化机构来说都是一次冲击，机构需要保证交易的连续性的同时，实现员工的远程管理。有的机构把“疫情期间全员远程系统提前启动，IDC 异地机房备份，灾备符合国际大型机构标准”写进了公司简介。65 数据显示：超过一半的机构为员工居家办公添加软件/硬件配备；35.84%的机构统一采购防疫物资；甚至 2 成以上的机构增加员工健康商业/防疫保险，另外值得注意的是，有近 3 成的机构设立了更多分城市办公，以此化解风险。图表 134 面对疫情量化机构的准备措施数据资料来源：问卷调研 66 人工智能人工智能4.4.14.

181、4.1 当前应用当前应用机构较多使用机器学习和其他人工智能方法实现交易决策和信号构建，有超过四成的机构根据宏观、基本面或市场输入变量，使用分类法来做出买入或卖出决策交易，抑或是构建信号。此外自然语言处理技术也受到了很高的关注，超过三成的机构通过对新闻、转录文稿等自然语言数据进行处理来确定市场情绪。图表 135 当前量化机构的机器学习/人工智能量化应用领域数据资料来源：问卷调研在具体算法上，相比 2021 年数据，神经网络的使用明显增多，各家机构都在增加模型复杂度，纷纷使用神经网络处理各类型任务。树模型较多运用于策略优化和收益预测，集成学习较多用来进行特征提取和组合构建，聚类模型较多运用于特征提

182、取、模型构建和市场模式识别，强化学习模型在高频交易和收益预测中使用较多，神经网络在各项任务中都会较多地用到，图模型的整体使用率会相对较低。图表 136 当前 AI 落地阶段图表 137 人工智能模型使用排序数据资料来源：问卷调研数据资料来源：问卷调研 67 图表 138 AI 算法使用的方式数据资料来源：问卷调研*左图为 2022 年 4 月份版本问卷调研结果；右图为 2022 年 12 月份版本问卷调研结果 68 在细分模型方面，当前被应用较广的分别为 LSTMMLPCNN。图表 139 常用机器学习模型排序数据资料来源：问卷调研图表 140 各类机器学习使用环节题目选项树模型集成学习聚类模

183、型图模型神经网络强化学习其他数据清洗40(22.99%)35(20.11%)26(14.94%)26(14.94%)43(24.71%)24(13.79%)41(23.56%)特征提取41(23.56%)46(26.44%)49(28.16%)31(17.82%)60(34.48%)27(15.52%)32(18.39%)模型构建38(21.84%)47(27.01%)47(27.01%)37(21.26%)73(41.95%)37(21.26%)27(15.52%)收益预测39(22.41%)38(21.84%)38(21.84%)36(20.69%)75(43.1%)46(26.44%)2

184、8(16.09%)市场模式识别32(18.39%)38(21.84%)47(27.01%)33(18.97%)62(35.63%)34(19.54%)35(20.11%)衍生品定价24(13.79%)39(22.41%)36(20.69%)34(19.54%)48(27.59%)28(16.09%)47(27.01%)另类数据处理25(14.37%)32(18.39%)34(19.54%)34(19.54%)54(31.03%)31(17.82%)47(27.01%)产业链聚类24(13.79%)32(18.39%)44(25.29%)37(21.26%)53(30.46%)25(14.37%

185、)41(23.56%)组合构建35(20.11%)42(24.14%)39(22.41%)36(20.69%)58(33.33%)39(22.41%)33(18.97%)策略优化40(22.99%)45(25.86%)40(22.99%)36(20.69%)53(30.46%)41(23.56%)33(18.97%)高频交易30(17.24%)31(17.82%)33(18.97%)35(20.11%)56(32.18%)47(27.01%)49(28.16%)无，没有使用34(19.54%)29(16.67%)23(13.22%)40(22.99%)32(18.39%)28(16.09%)5

186、4(31.03%)数据资料来源：问卷调研有接近六成的机构进行了单点实验或局部落地，以 POC 或试点形式进行小范围探索，模拟盘进行投资，或实现部分场景AI 应用上线，以少量资金进行实盘。有接近三成的机构正在进行拓展复制或规模化落地。69 图表 141 当量化机构机器学习/人工智能量化应用阶段数据资料来源：问卷调研从量化资源配置的角度来看，机构在战略规划、算法和应用上投入了较多的资源。AI 在大部分机构的投资战略中得到了比较明确的阐述，很多机构的团队已大量复现过各类 AI 模型，有较多的机构的投资额度中 AI 量化已经占据了一定的应用量。图表 142 量化机构当前机器学习/人工智能量化资源配置数

187、据资料来源：问卷调研4.4.24.4.2 算力实施算力实施以上人工智方法在量化行业的应用实践中，大都需要使用 GPU 进行计算加速。GPU 带来的更快的处理速度能造就更明智的交易策略、更成功的交易完成和更高的收入。GPU 助力的硬件加速可加快获取见解的速度，让业务运营能够保持竞争优势。借助强大的 GPU 算力，金融机构能够利用 AI 和高性能计算的强大功能，从大量数据中进行学习，并对市场波动做出快速响应。越来越多的量化投资机构使用基于 NVIDIA GPU 处理数据。这种方法可以方便地对信息进行高级操作。早在 2019 年，NVIDIA 就利用 DGX 系统，刷新了 STAC（Securiti

188、es Technology Analysis Center）基准测试中，关于对冲基金用于回溯测试交易策略的关键算法的性能数据（STAC-A3）。在当时的测试中,实现了相关算法超过 6000 倍的性能加速，可在一小时内完成 20,000,000 次交易回测模拟，而在之前其他系统保持的记录中，每小时只能完成 3200 次回测模拟。70 自从摩尔定律放缓以来，计算吞吐量正成为新的优化方向，一般的原则就是多核并行性。GPU 通过提供大量的可并行计算的内核来与 CPU 协同处理数据。而且越来越多的基于 NVIDIA GPU 加速的多线程科学计算软件，使得利用 GPU CUDA 编程环境进行量化投资算法研

189、发的成本和复杂程度大大降低。如果 GPU 内核可以满负荷进行数据处理，那将能提供巨大的计算加速。这就需要以足够的速度在多个 GPU 之间高速的传输数据。于是，进一步的性能优化就需要针对某 GPU 与 GPU 通信，放弃传统的 PCIE 总线，使用 NVIDIA 开发的 NVLink 传输协议，使得量化投资算法效率得到最大的提升。图表 143 通过传统 PCIE 总线连接 CPU-GPU图表 144 通过 NVLink 总线连接 CPU-GPU数据资料来源:NVDIA在最新的 STAC-ML 基准测试中，对于处理上面提到的时序数据的 LSTM 模型，NVIDIA 的 Ampere 架构 GPU

190、再一次表现出了优秀的性能。该测试中，对于小、中、大三种不同规模的 LSTM 模型，在单模型实例下，其 P99 推理延时分别仅为 35.2us、68.5us、640us。这样的性能，已经可以满足绝大多数实时交易场景下的延时要求。而随着 GPU 性能和 AI 系统的不断进步和升级，对于当前 NVIDIA 最新的 Hopper 架构 GPU，其性能早已远远超过了上一代的 Ampere 架构以及之前跟早期的产品。这使得众多金融领域的开发人员和科学家们，可以利用基于这些先进 GPU 的 AI系统，更快、更便捷地构建和加速他们的相关业务。4.4.4.4.3 3未来展望未来展望3 月 15 日凌晨，Open

191、AI 正式发布了升级后的 GPT-4。与之前相比，GPT-4 不仅展现了更加强大的语言理解能力，还具备多模态能力，能够处理图像内容，在考试中的得分甚至能超越 90%的人类。以 GPT-4 为代表的生成式 AI，在量化领域能带来什么样的变革？正如华泰研究金融工程团队GPT量化投资？研报所说，解析 GPT 对量化投资的影响，顾短也兼长。相比 ChatGPT和 GPT-4 在全社会范围引发的热议，量化投资领域对于 GPT 的态度显得相对冷静。ChatGPT 和 GPT-4 展现出的强大语言生成能力和部分推理能力不可谓不惊艳，但和量化投资主流方法论低信噪比场景下的预测模型有鲜明区别。这种因立场不同带来

192、的感知差异，就如股指期货松绑无法令非量化从业者感到兴奋一样。短期现实层面，量化投资行业可能难以直接受益于GPT 模型。但长期看，如同人脑各区域分工明确但相互联系，现有量化投资预测模型可与各类大模型耦合扩展功能；算法升 71 级和规模扩大后，量化模型可能涌现出预期外的能力，值得量化从业者期待。是提升效率还是为数据、因子及模型、交易做整个方法论上的变革，或许还言之尚早，但可以做在如下使用场景上做一些猜想。（1）代码生成及修正。（2）量化及机器学习需要大量数据，生成式 AI 将 A 股数据生成数据视作平行世界，在平行世界中进行策略回测，检验投资策略过拟合概率，训练模型，同时，使用生成数据参与训练，提

193、升模型鲁棒性。（3）内外部知识库，积累公司研究资源，做投资人投资教育。研究报告：GPT量化投资？两点展望：大模型的耦合，大模型的涌现两点展望：大模型的耦合，大模型的涌现类比人脑，CNN、AlphaGo、GPT 的强大能力分别对应视觉区、高级认知区、语言区。诟病 ChatGPT 不懂推理计算，就像指责耳朵不会说话一样，忽略了 AI 模型可以耦合，就如人脑各区域存在相互联接。将现有量化投资预测模型和大语言、图像模型耦合，能否处理更大体量的文本信息？能否模拟“看盘高手”的决策？能否实现更拟真的多模态金融数据生成？涌现是指模型规模扩大后，自发产生预期之外的能力，量变产生质变。目前量化投资预测模型无法解

194、决低信噪比、时变规律、小样本学习、数据非结构化等问题，在算法升级和模型规模扩大后，是否可能涌现出预期外的能力？深度解析深度解析 ChatGPTChatGPT 的原理，力求帮助读者全面了解其背后的机制的原理，力求帮助读者全面了解其背后的机制ChatGPT 是 OpenAI 的 GPT 模型在人机对话方面的应用延伸，使用基于人类反馈的强化学习（RLHF）进行训练。我们认为 RLHF 的一大优势在于可以充分利用数量有限的标注数据构建奖励机制，并在不断迭代中实时获得环境反馈，逐渐微调模型，使得回答尽可能接近人类的逻辑和意图。GPT 系列模型是大规模预训练语言模型的代表，为 ChatGPT 奠定了坚实基

195、础。其中 GPT-3 具有 1750 亿个参数，使用了 Few-shot 等先进技术，相比于预训练+微调模型的方式，Few-shot 更接近人类在面对各类语言问题时的思考模式，即人类只需要提示和少量示例就能回答各类语言问题。哪些生成模型适用于金融数据生成？如何应用于量化投资？哪些生成模型适用于金融数据生成？如何应用于量化投资？ChatGPT 作为自然语言生成模型，在聊天对话场景取得了令人瞩目的成就。而在量化投资场景中，数值类型数据使用更为普遍，GAN、VAE、流模型、扩散模型是四类主流的数值类型数据生成模型。其核心是学习随机变量 z 到生成数据 x的映射，随后对 z 进行采样，即可得到生成数据

196、。量化投资学界和业界实践中，生成的金融数据包含时间序列、K 线图像数据、截面特征标签数据、订单簿数据，生成得到的数据可以用于训练模型、检验模型、预测收益、预测风险、期权定价等。ChatGPTChatGPT 或将在多方面对量化投资带来影响或将在多方面对量化投资带来影响我们认为 ChatGPT 对量化投资的影响可能是多方面的。其一，ChatGPT 或将被用于生成财经新闻、论坛评论、研究报告等文本数据，极大提高文本数据的数量和噪音，对文本挖掘相关的量化交易策略有利有弊；其二，ChatGPT 或将被运用于量化策略代码编写，接入数据平台后可以实现交易策略的批量调参与样本外跟踪；其三，ChatGPT 还将

197、降低量化研究的门槛，例如替代本地预训练-微调大模型，降低 NLP 策略研究的难度、凭借强大的资源整合能力成为第三代搜索引擎后可以助力量化资讯的搜集效率等。-华泰证券研究所金融工程团队GPT量化投资？2023-03-26 72 图表 145 生成式 AI 应用图景图表 146 生成式 AI 未来数据资料来源：红杉投资 73 基本面量化基本面量化主流的量化指增、量化中性产品会严格控制组合在行业上的暴露，赚取 Alpha 因子收益。然而，随着量化投资者的增加、产品管理的规模扩大，Alpha 因子的失效速度越来越快、寻找有效 Alpha 的难度也越来越高。同时 A 股政策及事件对部分行业的影响较为深远

198、，直接影响供给侧，在这种背景下一部分投资者开始把目光切换至基本面量化，也就是 Quantamental，这与传统量化模型一致，都是数据驱动的投资模式。如前所述 58.2%的管理人已经关注基本面量化的研究，但各家管理人实践路线迥异，争议也较多。量化基本面是借鉴宏观和策略的研究进行量化，形成判断体系。包括行业轮动、景气投资、趋势投资等，需要建立相对稳定的宏观-行业映射关系，库存周期、房地产周期、朱格拉周期、康波周期等各类周期以及群体性的需求波动影响行业基本面供给，再从海量的基本面数据中，提取出最能够刻画行业当前逻辑，将覆盖维度增加到行业层面和风格层面，最后到达个股层面，微观视角进一步包括财务和资金

199、面。其中，财务数据是行业景气度的最直接反映；通过资金面跟踪，可以追逐到“聪明资金们”认为的景气行业。部分公募基金的实践方式为由研究员和基金经理共同推票，形成几百只股票的选股池做长期维护和更新，再由量化研究员做因子选股。面临的挑战在于低换手量化选股可能表现不如直接基本面研究，效果更多在于分析和归因。而且优秀的主观团队也会有人才培养成本。部分机构大量使用基本面或另类数据，从海量数据中寻找上市公司表现的蛛丝马迹，最后形成模型，再由多因子框架来控制常规因子的风险敞口。但面临的难题在于基本面更新数据频率较低、且覆盖率不够、滞后性、清洗困难、因子挖掘难度大等问题。也有机构实践将量化聚焦范围缩小到细分行业做

200、行业指数增强产品，2022 年 7 月幻方成立四只跟踪行业指数产品，分别涉及医疗、信息技术、新能源、原材料四大热门赛道。但业内分歧较大，部分认为作为海外行业验证过的一条赛道，指增增强本身没有问题，不管是作为行业创新还是满足投资人喜好都有其价值。也有的认为，量化对交易量、流动性、投资标的分散性要求更高，聚焦于行业指数与此理念背道而驰，一旦限定在细分行业内，量化的广度优势就会被削弱；而深挖行业、聚焦个股对基本面相对来说，公募和主观投资比私募更擅长。舍弃了量化宽度，集中持仓权重股，与传统的量化选股适配不佳。74 实践案例：行业配置策略：中观景气视角本文优化了中观景气建模框架，构建了中观景气轮动策略本

201、文优化了中观景气建模框架，构建了中观景气轮动策略中观行业景气系列的定位是用高频、及时的行业基本面指标，对低频、滞后的行业财务数据的走势作出及时预判。本研究主要生成中观行业景气指数，并应用于三类场景。优化后框架主要包括行业指标库构建、行业指标预处理、指标评价和筛选、景气指数生成等四个步骤。其中，行业指标预处理改用简化方法，指标评价和筛选改为滚动窗口内进行。中观行业景气指数的最重要应用是构建中观景气轮动策略。2016-04 至 2022-06，轮动策略相对于等权基准的超额年化收益是 13.32pct。最新的中观景气建模框架充分考虑了行业逻辑的动态变化最新的中观景气建模框架充分考虑了行业逻辑的动态变

202、化在最新的中观景气建模框架中：行业指标库构建从行业产业链结构出发，寻找与行业景气度存在逻辑联系的指标；行业指标预处理采用简化方法，得到当月同比口径的代理指标序列和财务指标序列；指标评价和筛选在每个财报季结束时，主要依据代理指标相对财务参照的相关性和领先滞后性，更新中观景气代理指标，非财报季则沿用最近筛选结果；景气指数生成将代理指标输入 Simple-Nowcasting 模型，合成中观行业景气指数。从指标预处理到景气指数生成均在 60 个月的滚动窗口内由程序自动执行，既保证了结果的公允性，也使得模型能够及时捕捉行业逻辑的变化。中观行业景气指数应用之景气状态判断中观行业景气指数应用之景气状态判断

203、中观行业景气指数的基础应用是判断行业景气状态。如在 2022-03-31，由于截至 2021Q4 和 2022Q1 的真实财报尚未披露完毕，只能获取 2021Q3 的财务数据，无法对 2022Q1 相对于 2021Q4 的景气边际变化做出判断；对此，可以沿用 2021-10-31（即 2021Q3 财报披露完毕）选中的景气代理指标进行建模，得到截至 2022-03 的景气指数。本文以钢铁行业为例，得出其2022Q1 的景气状况相对于 2021Q4 边际显著恶化。中观行业景气指数应用之单行业择时中观行业景气指数应用之单行业择时以净利/ROE/营收/毛利同比为财务参照，计算各行业的净利/ROE/营

204、收/毛利景气指数。从交易景气相对位置和交易景气边际变化的逻辑出发，每条景气指数均可生成 orig/mom/moma3/qoq 四种模式因子，每个行业均有 16 个因子。基于因子正负性，对行业相对万得全 A 的超额净值指数开展择时，发现大多数因子在大多数行业上择时是有效的；其中，净利景气指数环比变化的择时效果最佳，跟投资者决策习惯有一定关联。考虑到景气指数择时更适合业绩呈现周期性波动的行业，本文进一步构建了顺周期风格择时策略。该策略成功抓到了顺周期风格最近两波大行情。中观行业景气指数应用之行业间轮动中观行业景气指数应用之行业间轮动进一步利用截面上各行业因子数值的相对大小信息，开展行业间轮动。首先

205、开展单因子分层测试；根据分层测试结果，精选刻画景气相对位置逻辑的净利_orig、ROE_orig、营收_orig 和刻画景气边际变化逻辑的净利_mom、营收_qoq 等 5 个因子，采用截面排序加权求和，计算中观景气得分。前三个因子权重之和为 1，后两个因子权重之和均为 1，保证两种逻辑对策略的贡献度相等。每月末选择得分最高的 4 个行业配置。2016-04 至 2022-06，轮动策略年化收益 19.04%，夏普比率 0.84，最大回撤-25.91%。最后，通过因子权重随机实验，验证了策略具有较强的鲁棒性。华泰证券研究所金融工程团队行业配置策略：中观景气视角（2)（2022.7.18）75

206、另类数据另类数据当前，分析师一致性预期数据已经成为了机构标配的另类数据，有 57.89%的机构正在使用。也有接近一半的机构在使用投资者/新闻网络舆情指标。上市公司 ESG 数据是近年来的热点，相较于其整体评级数据，其细分数据可能更受到机构的关注，但真正应用于投资的仅有 14.06%。图表 147 另类数据研究/使用类型图表 148 ESG 数据在量化策略中应用情况数据资料来源：问卷调研数据资料来源：问卷调研 76 实践案例：分析师研报文本挖掘框架升级研究文本 FADT 选股重点关注如何对文本因子本身进行升级。其研究的核心思路是在特定场景下，以分析师研报文本的词频向量为特征，以研报发布前后两日个

207、股超额收益为标签，引导 XGBoost 模型学习研报情绪蕴含的超额信息。如果把词频向量替换为 FinBERT 隐藏层编码的特征向量作为后续浅度学习模型的输入，隐藏层编码蕴含更丰富的文本语义信息，相比词频信息损失更少，以此带来更显著的 Alpha 提升。引入引入 FinBERTFinBERT 编码以后文本因子收益提升明显编码以后文本因子收益提升明显升级以后的文本因子十分层多头第一层年化收益由原版的 22.87%提升至 27.50%，相对中证 500 超额收益由 14.75%提升至 19.19%（回测期 20），提升较为明显。针对改进后的因子展示了三组应用案例：（1）

208、构建 25 只股票的主动量化不等权选股组合，年化收益 45.90%，相对中证 500 年化超额 36.35%；（2）限制在总市值 100 亿以上的股票池中用文本因子构建等权精选组合，Top20 年化收益 31.12%，相对中证 500 年化超额 23.94%；（3）构建沪深 300 内精选 30 不等权组合，年化收益 17.58%，相对沪深 300 年化超额 12.44%。FinBERTFinBERT 是专门针对金融领域训练的是专门针对金融领域训练的 BERTBERT，使用，使用 Adapter-BERTAdapter-BERT 微调微调BERT 是 Google 在 2018 年提出的自然语

209、言处理模型，在超过 11 项的 NLP 任务中均取得十分惊艳的结果。熵简科技于 2020年末开源的 FinBERT 模型，对于金融领域任务具有更强的针对性，在金融领域的相关任务中表现均超过原版 BERT。由于FinBERT 微调参数量超过 1 亿，使用 Adapter-BERT 技术在基本不影响模型微调性能的前提下，降低微调参数至约三百万，可以提升模型的训练效率。模型升级：模型升级：FinBERTFinBERT 微调微调+CLS+CLS 层编码层编码+XGBoost+XGBoost 二次训练二次训练使用 FinBERT 来对分析师研报文本进行向量编码并构建文本因子，主要包括三个步骤：（1）使用

210、万得新闻舆情文本对 FinBERT 进行微调，使得 FinBERT 的分类准确率可以达到 95%以上；（2）使用 FinBERT对分析师研报文本进行编码，将预处理过的研报文本输入给 FinBERT，提取 CLS 层输出作为研报的特征向量；（3）使用上述编码好的特征向量替代词频向量，使用与原版模型同样的标签，引导 XGBoost 模型样本内进行交叉验证训练，样本外预测并构建 forecast_adj_txt_bert 因子。多组扩展测试表明过拟合概率低，更充分的语义理解带来显著多组扩展测试表明过拟合概率低，更充分的语义理解带来显著 AlphaAlpha 提升提升关于模型升级过程中是否有过拟合的问

211、题。除了基础参数，研究做了五组扩展测试：（1）文本预处理时，截断和分段的比较；（2）FinBERT 微调与不微调的比较；（3）CLS 层编码与全连接层编码的比较；（4）CLS 层编码与词频特征结合是否有提升；（5）仅使用 FinBERT 微调的效果。整体来看前四组测试都有效，模型升级大概率不是偶然因素导致的过拟合。与传统因子相关性低，且不同场景下文本因子均有明显提升与传统因子相关性低，且不同场景下文本因子均有明显提升此外我们讨论了 forecast_adj_txt_bert 因子与 Barra 因子及传统多因子的相关性，发现相关性较低，Alpha 特异性较强。同时升级因子，在业绩发布场景、卖方

212、分析师评级调整等场景下文本因子均有明显提升，再次说明模型升级较为稳健。华泰证券研究所金融工程团队人工智能 63：再探文本 FADT 选股（2022.10.28）77 高频数据及交易高频数据及交易天下武功，唯快不破，在高频交易领域，更是如此。高频交易主流策略有 4 种：流动性交易策略、趋势行情推手、统计套利策略、市场微观结构交易策略。高频一向以自营为主，鲜少对外募资。层层揭开高频交易，市场玩家、策略使用、程序应用、操作系统、进程通讯、网络硬件、硬件优化、地理位置环环相扣，软件、硬件不断演变推进，把速度发挥到极致。（关于高频交易，更多内容详见中国量化投资季刊2022 年冬刊高频交易 毫秒掠杀）图表

213、 149 海内外部分高频交易商名谱机构简介VirtuVirtu 是全球最大的高频做市商之一，以速度见长。交易领域横跨股市、商品、外汇、期权和债市等固定收益市场，为全球34 个国家的 225 余家交易所、商品和暗池提供流动性。2014 年 3 月 Virtu 计划 IPO，公告在其过去四年 1278 天交易中仅有一天亏损。当时 Virtu 共有员工 148 人，年纯利润 1 亿 9 千万美元，平均每人创造利润 128 万美元，CEO Cifu 称公司 51%的交易是盈利的，其余 49%有些仅抵手续费甚至亏损。Citadel1990 年成立的 Citadel 业务包括两大块：提供资管业务的 Cit

214、adel 对冲基金，提供做市商业务的 Citadel 证券（CitadelSecurities）。Citadel 证券在金融危机后崛起，在股票、期权和利率互换市场做市。根据 Citadel 官网，Citadel 证券的自动化交易平台交易了全美证券成交总量的 25%，这个市场中做市标的资产包括了超过 11000 种在美国交易所场内交易的证券和 16000 种场外交易的证券。Citadel 证券还成交了美国交易所市场内大约 35%的零售（非机构）交易量，使其成为了业内最顶尖的做市商。现任掌门人赵鹏曾就读于北京大学，而后他在美国加州伯克利大学攻读了博士学位，据了解公司基于订单簿的信号研究上非常突出，

215、有着非常强大的趋势预测能力。SIGSIG 如今在全球有超过 2000 名雇员，在美国有 6 个办公室，亚太有 5 个办公室，欧洲 2 个。期权和 ETF 交易是 SIG 的核心业务。它交易美国期权总量的 1/4，全美 ETF 总交易量的约 7%。SIG 每年在全球交易的 ETF 总价值为 1.5 万亿。同时公司2005 年就进入中国，开始投资中国一级市场。十余年来已经投资了包括字节跳动、喜马拉雅、一条、Musical.ly、闪送、拍拍贷等在内的超过 260 家公司，总投资金额超过 20 亿美金。X-TECH LLC前身为 X-PEV 基金（由 Joseph Vairavel 与 David J

216、.M，James Anderson 等在 2015 年创建），研发总部在于德克萨斯，投资了几年不同行业的技术研发，主攻人工神经网络（ANN）领域，据路透社报道目前具备与传统高频交易模式完全不一样的结构算法。2019 年初开始在迅速扩张全球货币市场当中的交易份额。DRW由前场内交易员唐威尔逊于 1992 年创立，是一家在全球交易许多金融工具的自营交易公司。该公司拥有超过 800 名员工，是 2014 年通过其子公司 Cumberland trading 扩展到加密交易领域的首批成立的高频交易公司之一。Optiver成立于 1986，总部设在阿姆斯特丹，OPTIVER 是一家拥有约 1000 名员

217、工的自营贸易公司和做市商。Jump trading成立于 1999 年，由前场内交易员保罗古里纳斯和比尔迪森马创立，该公司在期货市场占有重要的市场份额，并已扩展到加密货币交易领域。微观博易一家专业从事低延迟程序化交易的私募，总部位于北京并在上海等地设有分部。核心产品 Sharpe Ratio 高于 30，创造了持续 600 天以上仅一日亏损纪录。宽德投资珠海宽德是一家成立于 2014 年，属于国内较早一批成立的量化私募，公司依靠专业团队敏锐的洞察力、强大的研发回测平台、领先的交易系统和高端信息技术，捕捉稍纵即逝的市场波动，挖掘市场深层的规律，从而实现长期稳健的绝对投资回报。乾象乾象投资是一家成

218、立于 2018 年 5 月，当前管理规模在 20 亿-50 亿之间，是一家以人工智能为核心的量化投资公司，创始人高鹏飞擅长于基于 ML/RL 的期货中高频策略、股票日内高频策略。黑翼上海黑翼资产管理有限公司创始于 2014 年，目前资产管理规模超过百亿，以量化股票策略及 CTA（管理期货）策略投资为主。玄信上海玄信资产管理中心（有限合伙）成立于 2015 年（前身上海大雁资产），通过完全独立自主研发的数学模型和计算机系统，在四个期货交易所和两个证券交易所进行全自动交易，促进价格发现并为市场提供流动性。公司在股指、股票、国债、大宗商品、期权等资产类别上开发积累了丰富的交易技术和投资策略，在激烈的

219、高频交易竞争中占据优势。78 华钧广汇华钧广汇有一支致力于科技金融开发创新的量化对冲团队，公司核心成员大多毕业于世界一流高校，很多成员有在美国大型交易机构丰富的从业经验。公司理念是科技金融协作创新，搭建了完善的程序化交易体系、投入了的强大研发力量，得益于此，其在国内的期货、股票、衍生品市场均处于领先地位。希格斯杭州希格斯投资管理有限公司创立于 2018 年 3 月，是一家从事股票、期货和期权全自动量化交易的科技型私募基金公司，也是一家国内领先的高频交易机构。希格斯投资每个交易日全自动执行数十万笔交易，自 2018 年年底以来，已经连续数百个交易日没有产生过单日交易亏损。集微集微是一家位于上海的

220、初创对冲基金。现在成员毕业于斯坦福（博士），哥伦比亚清华北大复旦（硕士），有多枚国际奥数金牌，并曾经就职于美国顶级对冲基金（Two Sigma,Citadel,PDT）。*以上排名不分先后，各家机构公布的时点不同，与实际情况或有差异数据/资料来源：编写组整理自网络图表 150 高频交易系统的主要优化技术主要技术技术要点程序应用高频交易系统多以 C+为开发语言。在普通的 C+程序中，常以虚函数实现多态化。但是，由于高频交易系统对运行速度有着极致的追求，实现多态化就需要借助模板函数。这是因为在模板函数下，可以通过内联函数进行深度优化。所谓内联函数，就是在编译时将函数体嵌入每一个调用处。虽然扩大了编

221、译程序所占用的空间，但却降低了函数出入“栈”的调用时间，实际上是一种以空间换时间的方式。而虚函数是不可优化和内联的，所以，运用模板函数可以获得高于虚函数十倍以上的运行效率。操作系统以高频交易对速度的要求，CPU 从内存中读取数据所花费的时间实在“太长”了。当数据请求量较大时，这种缺点更是会成倍地放大。常用的硬件解决方案是在 CPU 中设置多级高速缓存，并把一些需要反复使用的数据存取其中，尽可能地减少 CPU 和内存的频繁交互。由于 CPU 从缓存中读取数据的速度要比内存快上几十倍，因此整个交易系统的运行效率也随之大大提升。网络硬件当前主流的高频交易商在进行服务端的数据传输时，使用的都是“Inf

222、ini Band”交换机。由于主机总线的限制，传统的以太网或光纤要达到双向 2Gb/s 的速度都很困难，而“Infini Band”交换机可达每端口 2.5Gb/s 至 10Gb/s。它和通道适配器互相协作，对接支持该项技术的各大交易所机房的 Linux 系统，为高频交易搭建了一条“私人高速公路”。地理位置将交易系统的服务器放在交易所的交换机所在的机房。进程通讯一般情况下，交易数据的存储是通过底层数据库（如磁盘）完成的。但高频交易商为了进一步提高读写速度，常常会将数据直接存放在内存中。相比传统的数据库技术，内存数据库需要全新的管理系统，并结合缓存的重新设计，才能让 CPU 更有效的运行。一个完

223、整的交易系统至少需要包括行情接收、信号生成、下单交易这三项基本功能。虽然在一个进程里运行这三个线程的架构可以节约资源，但任何一个环节出错都会导致整个系统的崩溃。所以，一般不会把三个关联如此紧密的线程放入同一个进程，而是让它们分布在不同的进程中。而且，高频交易涉及多个市场，单进程多线程的架构也无法满足实际需求。于是，使用多进程成为了必然的选择。然而，Linux 系统进程间的切换是需要消耗时间的，这势必会减缓交易系统的速度。为了弥补这一缺陷，可以在以下两个方面进行优化。首先，由于 Linux 系统允许不同进程共享内存上的信息，因此，会尽可能将更多的进程映射到同一个内存上，避免数据传输导致的延迟。其

224、次，在执行多个进程的切换时，也会最大程度地保证它们之间良好的通信状态，力求以最高的精度完成。通过这些技术手段，可以大幅缩小多进程系统和单进程多线程系统之间在运行速度上的差距。硬件优化为了进一步提升高频交易系统的速度，会把一些比较简单的功能植入 FPGA（Field-Programmable Gate Array 现场可编程逻辑门阵列）芯片。当数据达到网卡后，直接在硬件层面处理，而不需要经过“从操作系统到 CPU 再返回”的复杂过程。传统的 CPU 运算是一个流水线过程，从任务 1 到任务 4 依次运行，而 FPGA 并行运算的本质则类似于显卡的工作原理。为了达到更好的成像效果，显卡在设计和发展

225、的过程中，都是以块状结构为单位同时计算。FPGA 在此基础上进行优化，通过建立多个输入、输出单元，实现多任务并行处理，大幅提升了整个交易系统的运行效率。当前美国一些以速度见长的高频交易商，如 Virtu 都已经把很多策略直接写在了 FPGA 上面。不过，FPGA 也存在一些缺点。首先，它毕竟不是 CPU，无法运行太过复杂的策略。其次，它和内存之间的交互较为复杂，耗时也更长。所以，FPGA 上的策略大多是一些计算简单、规则明确的交易信号。数据资料来源：编写组综合整理 79 图表 151 高频数据的主要研究方向数据资料来源：问卷调研 80 81 艾方资产艾方资产反脆弱的抽象与演绎反脆弱的抽象与演绎

226、蒋锴蒋锴董事长董事长&投资总监投资总监南京大学计算机专业本科，塔夫茨（Tufts）大学计算机专业硕士。在华尔街从事了多年的绝对收益投资，先后在韦氏资产管理公司和德意志银行纽约自营部担任投资经理，管理的资产总额达 10亿美金，涉及全球多个主要证券市场。2008 年回国后曾任职于东方证券，先后担任证券投资业务总部副总经理，金融衍生品业务总部董事总经理，组建了东方证券的另类投资业务，负责包括套利交易、对冲交易、数量化策略在内的绝对收益自营投资，并担任东方证券自营投资决策委员会委员。带领艾方资产于 2017 年、2018 年、2020年、2021 年、2022 年多次获得金牛奖最佳私募奖。“1、人们面

227、对的是一个复杂的世界，在复杂世界之中，简单思考（不是生活简单化）就会成为脆弱性的牺牲品甚或于；脆弱推手。2、世界充斥着不对称性；3、可以用不确定性对抗不确定性。”美国风险管理理论学者纳西姆尼古拉斯塔勒布反脆弱：从不确定性中获益抽象是从众多的、丰富的感性材料中通过去粗取精、去伪存真、由此及彼、由表及里的加工制作，抽取出共同的、本质性的特征，形成概念、判断、推理的思维形式。而演绎则是从一些假设的命题出发，运用逻辑的规则，导出另一命题的过程。在金融市场，量化的本质也是抽象与演绎的过程。而基金经理就是将抽象的概念，演绎为未来可预见的现实收益。2023 年艾方资产跻身国内百亿私募行列，掌门人蒋锴在市场中

228、抽象出了许多名词“反脆弱”“波动率税”“CTA 就是Beta”，但抽象出何种概念也许没有那么重要，探其肌理做出了何种演绎也许更为重要。抽象：抽象：反脆弱风险对冲反脆弱风险对冲演绎：顶层风险管理模型采用期权工具对市场尾部进行风险保护演绎：顶层风险管理模型采用期权工具对市场尾部进行风险保护2020 年新冠疫情的爆发，艾方资产成功应对了黑天鹅事件带来的意外风险；2021 年初市场过热，白马股估值过高，策略成功对冲内生带来的风险；2022 年以来，系统性风险叠加，反脆弱风险对冲策略对投资组合形成了有效的保护。”从 2012 年成立到现在，艾方资产一直是专注在做绝对收益量化投资，规避拥挤赛道，寻找配置更

229、加稳定的超额收益策 82 略进行布局。反脆弱的风险对冲保护，可以使风险和收益的天平更加平衡稳固。具体执行逻辑为，反脆弱是在给权益类策略尤其是股票类策略提供尾部风险一种风险管理手段。“金融市场脆弱性超出想象，尾部风险发生概率比想象要大，我们不能满足于平时岁月静好，很多时候风险出现是猝不及防。”艾方的反脆弱理念是用期权工具来通过期权保护结合自主研发风险模型，根据市场不同环境，用不同期权组合来对产品多头风险敞口进行保护。蒋锴解释说，指数增强+反脆弱组合之后能收获两部分收益，一部分是多头超额收益，另外一部分是在 Beta 管理产生的Alpha，即当指数向上涨下跌的时候获取不同的 Beta 系数，在组合

230、策略在市场上涨的时候，能获得市场的 Beta 以及多头组合 Alpha。而当市场出现极端风险的时候，反脆弱的对冲保护，可以降低风险冲击，从而有效的保护 Beta，同时使得市场向上的时候 Beta 更高，下跌的时候 Beta 更低形成额外收益。应用于实践，系数需要根据市场情况做调整，兼顾市场风险以及成本两个因素。其中市场风险需要对尾部风险做好充分判断，所以顶层风险管理模型显得尤为重要。艾方通过拥有知识产权的自建风险评估系统，不断模拟市场风险动态变化，设计风险估值模型来计算市场当前所处风险状态，同时结合目前市场上波动率情况，期权波动率曲线、波动率曲面各项参数做动态优化，选择最优的期权合约进行对冲。

231、当市场处于低风险区域的时候，市场下跌概率比较小或者下跌空间变小时倾向于下降对冲比例，降低对冲成本的同时保留一定的股票多头弹性，这种情况往往市场会有大幅反弹，短期急速上能够让策略拿到一部分 Beta 收益。当然市场没有圣杯，市场没有一套模型体系是能够完美应对市场上所有情况，反脆弱模型主要应对尾部风险进行充分保护，例如短期一周指数跌 10%-20%的情况。策略也会有损失，但损失会远远小于其他同类产品，但如果市场小幅下跌指数月跌 2%-3%保护作用就较微弱。例如 2022 年 4 月底之后风险模型判断市场是属于低风险区域，情绪、估值、交易量都比较低迷，实际上符合市场底部特征，但市场底部持续时间特别长

232、，下跌幅度是由分散到每个月下跌形式来完成，在这种情况下对冲成本会比较高。此外与无风险对冲的逻辑不同，所以艾方会用比较灵活方法，结合模型对冲组合来进行调整。整体大原则是，当模型判断市场处于高风险区域的时候对冲比例会更高。反之对冲比例会略低。而当模型没有特别观点的时候，倾向于用偏中性保护，以达到效果最优同时兼顾对冲成本。这与传统股指期货对冲的方式完全迥异。蒋锴解释，策略会在指数上涨的时候能拿到到大部分指数向上涨幅，形成类指数增强产品。而指数下跌的时候则更类似于中性产品。“传统纯中性产品相对指数敞口做 0 暴露，在单边下跌市场会比较受益，但也会形成双刃剑，虽然降低了短期波动，但也损失长期涨幅，而反脆

233、弱策略是希望在中间找到平衡。”所以从实践来看，由于控制了对冲成本，形成精准对冲后，反脆弱叠加指增之后特征收益特征介于指增与中性两者之间，长期收益率有比指增会略低但比中性产品更高，夏普率比指增产品要高比中性产品略低一点。回顾 2022 年，各类宏观事件频发。展望 2023 年，蒋锴认为不宜过度乐观。风险点尤在，在市场表现上 1 月份 A 股市场高歌猛进并迅速回调，港股市场年初涨幅已经跌回原点。“刚刚才过一季度但已经看到有尾部风险征兆，硅谷银行事件发酵，会否成为第二个雷曼时刻，引发美国金融市场动荡还不好评估。”艾方倾向于认为短期内硅谷银行事件不会像雷曼事件影响集中，但后续影响会比较深远。具体而言，

234、市场风险主要包括三个方面：第一是在美联储连续加息和收紧流动性环境下，对于美国实体经济、金融系统造成冲击，从美国蔓延到全球带来连锁反应。昨（3 月 13 日）日欧洲很多银行也开始有一定反应，形成金融系统冲击。第二，从地缘政治角度来看也会存在不确定性。伊朗和沙特已经建交，但从俄乌到中东还是暗流涌动。83 第三，从更实务投资角度来看，小黑天鹅事件冲击还在持续。2023 年以来，虽然股票市场比 2022 年有所复苏，但商品期货波动率大幅下降，市场上绝大部分 CTA 产品近期发生大幅回撤，也是给量化带来一定挑战。综合以上因素，2023 年与大家年初预期并不一致，并不是投资躺赢的年份，还需要各家管理人是拿

235、出看家本领，管理好风险，尽最大努力获取收益。对于市场大热的机器学习，蒋锴认为对量化投资有很大助力但也保持一丝冷静：“Garbage in Garbage out，如果缺少高质量的数据源，模型训练的结果也是比较差。量化投资模型重要，数据源也非常重要，如果有好的数据源即使用简单的量化模型也能做出很好的结果，反之信息含量比较低，也得不到很好预测效果，所以艾方还有一项很重要的工作，就是不断在寻找各种独特的另类数据源，这些另类数据源实际上是收益的真正来源，如果要打分的话，数据源与投资模型有的时候是64 开甚至 73 开，如果过于追求武术招式花哨没有把内功练好，这会是一种本末倒置。”抽象：抽象：CTACT

236、A 本质是本质是 BetaBeta演绎：演绎：CTACTA 价值在于长期配置叠加复利价值在于长期配置叠加复利CTA 经常被称为“危机 Alpha”,指的是当发生金融危机股票大跌时，CTA 往往能取得正收益，这儿的”Alpha”和我们通常理解的 Alpha 不一样。在我们眼中 CTA 最大的价值在于长期配置，如果从投资组合理论来看，CTA 本质是一种 Beta，因为，蒋锴说到，商品期货与股票资产一样属于大类资产，海外也有很多机构投资者把商品期货当做宏观对冲的工具。CTA策略从各个维度分类会包括高频、中频、低频以及横截面策略、趋势策略，商品策略、股指策略，但大家谈到 CTA 的时候经常默认为以趋势

237、策略为主的商品期货策略，这也是目前 CTA 最主流的策略。趋势策略的收益比较依赖于市场波动率，如果波动率高趋势策略更容易赚到收益，反之赚取收益难度相对较高。虽然这类策略有很多细节上的优化，但总体而言 CTA 是赚两部分 Beta，一是商品市场的 Beta，二是市场波动率的 Beta。所以从这个角度来理解，艾方不建议把 CTA 定位成夏普率很高的 Alpha 策略，更应该突出 CTA 的配置性价值，与股票资产相关性会比较低，是非常好的投资组合。2022 年一季度 CTA 市场行情比较配合，但在二季度、四季度策略普遍发生大幅回撤，管理人表现分化，大部分 CTA 产 84 品的年内净值高点在 3 月

238、份。全年艾方 CTA 代表产品收益 28%，蒋锴归因为两点：第一是策略细节打磨得非常细致，2022 年环境是对策略细节要求会更高。艾方会考虑到不同品种之间差异较大，针对某些品种或者板块做定制化策略和差异化模型开发。第二是策略配置比较均衡，艾方并没有追求策略极致。“因为每个市场环境下往往都有一类 CTA 策略表现会比较好，但事先比较难进行预判。对组合是做更加均衡化的配置而非预判，长期均衡配置更重要的是对风险的保护，因为配置过于极端的组合往往对于风险的抵御能力也是比较弱。”所以艾方在投资过程中，并不会人为进行调整干预调仓，也不会赌市场方向，市场长期看也给我们正反馈，保持均衡配置长期效果更稳定。针对

239、股票，艾方的选择是期权对冲，而对于 CTA 针对极端风险的保护措施就在于分散和仓位控制，艾方 CTA 交易近 50个品种，不同合约、品种分散之后，单一品种对组合影响相对会比较小。蒋锴将产品净值大幅波动的风险称之为波动率税，波动和收益有的时候并不成正比。他举了三个典型例子：例如 2022年如若亏损 50%，2023 年收益 50%，负 50%与正 50%算术平均为 0，但几何平均不为 0，100 万投入变成 75 万，实际上形成亏损 25%。所以当投资组合波动很大的时候，经常会不可避免地交一些波动率税，本金会发生永久性损失，即使有比较的好年份本金也不容易回来。更有甚者，如果做高波动投资加杠杆方式

240、炒期货，非常容易爆仓，本金会从 100 万变到二三十万，投资人无论从能力信心勇气上想要再回到 100 万都很难。所以基于此考虑，有必要对如何来进行风险保护，风险保护不是说绝对不能波动、绝对不能亏损，而是要让波动和亏损控制在一定范围内。如果 2022 年亏 10%，2023 年赚 10%，看起来与以上例子有点像，但实际上结果完全不一样，100 万会先变成 90 万再变成 99 万，两年下来只损失 1%，不容易形成本金永久性损失，更容易通过后续的投资收回本金。“平衡配置比精准预测更重要，量化投资是一个更为理性的投资，并不需要天才般准确地判断，因为市场复杂，天才也会犯错，所以通过复合策略的组合，才是

241、实现长期绝对收益的王道，这样能让投资组合的收益尽可能的平滑，以一个更长的周期去实现绝对收益。“”量化都喜欢用用量化思维考虑问题、评估产品。量化管理人谈产品的时候不光是做收益率，还有最大回撤、夏普率、卡玛比、年化波动这些指标说明什么？是说投资组合不要光看收益，还要看承担多少风险，承担单位风险获得多少收益，剥离风险谈收益是没有意义，只有把这两者放在一起考虑才有意义。”抽象：用期权模型对可转债估值抽象：用期权模型对可转债估值演绎：可攻可守的可转债在牛短熊长震荡下跌中的防御属性演绎：可攻可守的可转债在牛短熊长震荡下跌中的防御属性从 2013 年开始使用量化模型交易可转债，艾方量化可转债策略具有很深的功

242、底，特点是策略多元化，持仓分散，回撤控制优秀“可转债是非常好的资产类别，过去十几年 A 股市场年化波动较大，从年度来看牛短熊长，牛市走得比较急，例如 2015年、2019 年牛市时间并没有很长，随后进入震荡周期。从 2021 年下半年到 2023，市场又震荡下跌了两年。牛市进攻，而熊市就会陷入漫长的防守，可转债这一类资产天生是带有防御属性。”蒋锴分析：可转债本身有债券保护，在没有违约的情况下可以持有到期还本付息，与持有股票感受很不一样。所以这类资产在 A 股的波动率特征下体现出很强的优势。他认为，可转债策略的重点是怎么在市场找到被错误定价的可转债，艾方采取的方式是用模型对可转债的股票价值、债券

243、价值和期权价值进行多方位的定价，按照可转债定价逻辑对定价成分来进行拆解和归因。可转债兼具股性和债性。债性在熊市里提供了向下的保护，股性体现为看涨期权价值，牛市来到时提供了可转债的向上弹性。85 倍漾投资倍漾投资用最激进的方式进行用最激进的方式进行AIAI量化量化创始人创始人 冯霁冯霁工学博士工学博士冯霁博士，毕业于南京大学，博士期间师从 ACM,AAAI,AAAS,IEEE,IAPRFellow、欧洲科学院外籍院士周志华教授。冯霁博士的其他学术/社会任职包括：IEEE 国际人工智能隐私保护与协同合作标准制定工作组副主席，中国计算机学会职业伦理与道德委员会常务委员，中国工业与应用数学学会金融科技

244、与算法专委会委员，多个人工智能顶级会议 NeurIPS，ICML，IJCAI，AAAI 等会议委员会委员，以及南京市栖霞区第十届政协委员等。冯霁博士在人工智能国际顶级期刊会议上发表高水平学术论文十余篇，被引用 1700 余次，他在机器学习领域的原创性工作，被中国计算机学会评选为 CCF 年度优博（全国仅 10 位），2021 年 National Science Review 的最佳论文（计算机领域唯一）。ChatGPT:“请评估人工智能技术对倍漾投资业绩的影响？”冯霁：“100%！”ChatGPT:”是否考虑将人工智能技术和传统量化投资方法相结合？”冯霁：”比较激进，选择彻底取代。”访谈之前

245、，编写组请 ChatGPT 向倍漾投资提了 20 个问题，CEO 冯霁听说很是兴奋：“AI 在某领域上的任务如果用全量数据来做实验的时候，可能会有本质区别。”倍漾投资，身后站着首席战略顾问李开复与首席科学顾问周志华两个人工智能大 IP，创始人冯霁博士面临的课题不是机器学习在投资界究竟能创造怎样的极限收益率，而是将人工智能在量化领域应用深度与宽度证实与证伪。“我们的标签是用非常激进的人工智能来做量化投资。”目前来看指增 1000 超额夏普 7，中性年化 100%+，证明了机器可以超越人类。从量化开始探索如何应用人工智能工具，和从人工智能的视角出发进行量化领域场景的实践，是否还是同样的叙事方式？这

246、是冯霁正在谈到的问题。从创新工场孵化的量化投资从创新工场孵化的量化投资2018 年，冯霁还在南京大学读博士，在还没毕业的情况下，加入了创新工场担南京 AI 研究院的执行院长，在此之前作为周志华第 17 个博士生，以随机森林在深度模型当中的应用在学界一战成名，成为国家科技评论（National Science Review）年度最佳论文，从而被李开复所知并邀请进入工业界。86“当时我与开复有一个当时来看比较激进的想法，我们在想如果纯用机器学习的技术是否能够重新搭建一套这样的量化投资的框架。在当时，机器学习技术可能只是金融工程某个投研环节中的一个小工具，我们认为人工智能应该是一个能够支撑整个投研的

247、平台式应用，类似于一个底座。听说进入业界，导师周志华非常吃惊与惋惜，作为周志华第十七个博士生中唯一离开学术界，选择自主创业的，周志华也期待在他的实践中看到机器学习在金融领域是否能够蹚出一条路。“量化最令人激动之处在于，策略的有效性能够得到实时验证。AI 公司有可能技术非常出色，但是糟糕的销售团队可能导致销量惨淡，而做量化没有任何借口和理由，行就行，不行就不行，所以人工智能量化比较有挑战，硬核的技术敢于去被验证。”对于人工智能应用于量化投资，冯霁非常有激情与感染力：“人工智能除了在互联网公司产生之外，目前我们极端看好在金融行业，尤其是量化投资这个领域可以带来的一些颠覆性的影响。”冯霁表示道。“比

248、如高频 Alpha 领域每天 25 个TB 量级下数据积累会超越传统金融工程方法论，人工智能技术在量化领域发生本质性变革。”冯霁主研究方向是结构化数据 AI 建模，而在金融领域核心 90%以上数据都是结构化数据，于是冯霁从 2018 年 9 月开始从创新工厂内部进行积累，2019年即启动自营，次年获创新工场两轮逾千万股权投资，并且花了 2 年时间把倍漾独立出来申请私募牌照，并于半年之后发行了第一支高频中性产品，目前资管规模逾 10 亿元。“最激进纯最激进纯 AIAI 的方式来做量化。的方式来做量化。”冯霁反复提到“最激进纯 AI 的方式来做量化。”最激进是到什么程度？冯霁认为：“金融系统的复杂

249、性，信息超载使得最聪明的人也很难持续战胜市场。第一代 AlphaGo 用接近 800 万历史围棋棋谱作为初始学习资料，而当到达 AlphaZero 时，完全来自人类的知识已经为 0，只留下了规则，机器开始自动学习行为。这已经是一种通用的人工智能，是一套灵活的自适应算法，能够从头自学掌握各种任务。”目前来看，倍漾的路径并不是 AlphaGo 而是 AlphaZero。“方法论上，我们采用最纯正、最坚定的 AI 技术做量化交易，凡是需专家经验环节的全部被机器学习来取代。”冯霁介绍道，量化交易最重要的是四个环节：特征工程、收益预测、决策判断与交易执行，这与人工智能的四个支柱：预测、决策、探索、生成，

250、正好深度吻合。“我们在原始数据的基础上，给出用多维向量来对标的进行刻画。而因子团队是根据自己专家领域知识来对原始数据做变化，比如 4 周更换某种量价关系某一种组合，使其与标的未来收益呈现一定正相关性。而这类工作需专家知识、大量复制性工作以及各种尝试。”冯霁认为，专家领域知识只要是人能做出来的，机器就能做出来，所以目前倍漾没有人做因子这件事，而是全部交予机器学习，用 AI 来发现因子。“收益预测更容易理解，在一个时间点对股票在不同时间尺度做预测，作为高频 Alpha 策略预测时间尺度会非常短，这也很符合人工智能的发展方向。”冯霁认为 AI 量化主战场在高频日内通过非线性建模做推荐会迅速取代人的工

251、作。在具体执行方面，机器学习模型最终变成执行代码时要经过一套程序编译、变成机器可执行文件。传统的 AI 编译器要具备普适性，对于低延时、流式数据的支持程度并不友好，所以公司升级了 AI 编译器，主要使用两个关键技术：第一，自动混合精度加速。针对不同的计算设备，在生成中间代码的阶段进行混合精度加速，不同的计算设备上不同的数据格式速度是不一样的，有些设备还有一些专有格式，如 Intel 的 cpu 上有 bfloat16,Hopper GPU 上有 fp8,FPGA 上有定长浮点数等。87 同时倍漾发现传统的模型量化指标例如正确率、MSE 等在任务中意义往往比较有限，在实际情况下，需要的是一个与交

252、易行为完全一致的低延时模型，而这是传统 AI 模型量化方法难以考虑的场景。因此倍漾使用了 AI 技术在策略性能一致的前提下，充分利用不同设备的混合精度优势，实现对模型的加速。第二，端到端的低延时优化。通用 AI 编译器往往只关注单一模型在特定运行时下的性能。例如传统编译器在部署阶段的工作流会经过编译的模型会生成模型 cpp 文件、头文件、通用库函数文件和一个运行时的 so 库，在部署阶段需要连接对应的运行时库来运行模型，在使用时，由于一些通用预处理操作的存在，会增加大量的 overhead，这对于极端的延时敏感程序是不友好的。倍漾 AI 编译器通过合理的接口设计，可以最小化模型的运行时环境，做

253、到模型运行时内存零拷贝，同时倍漾设计了高度仿真的模拟环境，可以通过评估在仿真环境中的模型延时进一步优化模型代码。所以相比于传统 AI 编译器，倍漾至少存在如下两点显著优势：1.没有额外的调用运行时环境的内存拷贝等其他开销。2.可以端到端的优化延时，有利于进一步优化模型在实际运行过程中的其他问题，这使得优化更加贴近实际情况，避免实际情况与测试阶段速度相差巨大的问题。五大应用场景五大应用场景覆盖量化全流程覆盖量化全流程在具体流程环节上人工智能在量化交易领域的应用，冯霁认为有以下 5 点：第一个是对于高频领域，其本质是去寻找市场微观结构的一些不规则的地方。比如在 Tick 级别的数据场景下，能否捕捉

254、到价格的不合理性。目前人工智能可以做到纳秒级别，最快的速度获得相应的利润。第二个是非线性多因子模型，较为高频的期货市场本质是非线性的动态系统，大部分的情况都并不是线性模型能够捕捉到的。最近这几年人工智能在本质上也是建立一个数据驱动的非线性多因子的模型，从而捕捉市场微观结构的动态。第三个是优化算法，能帮助管理人把非常复杂的数学任务，快速地在有限时间内求到最优解。第四个是智能回测，例如人工智能技术可以支撑产生大量的平行宇宙，因为历史只发生了一次，如同是在所有平行宇宙中选择了当前这条路径，只是所有可能性中的一个样本，而在这个样本点上反复做实验的话就会形成过拟合。而人工智能可以产生大量仿真数据，在不同

255、平行宇宙中做各种情况的沙盒测试，类似于互联网行业常用的 A/B 测试从而指导实盘验证。第五是算法交易执行。目前大部分的券商和期货公司，还是使用一些非常简单的规则来帮助执行交易，但算法交易执行本质是个体与环境之间的交互，可以视作一个强化学习任务。程序的终极程序的终极 代码即产品代码即产品倍漾目前有三条产品线。其中量化多空系列，作为一款高频中性产品，在持仓标的分散的基础上做到了高 Sharpe，回撤相对较小；优博系列的特色在于允许一定的波动，策略容量大幅提升，其收益与规模比多空系列更好；指数增强则是响应愿意承担市场发展方向的投资人需求。“我们想用 AI 把某维度做到极致。”但在冯霁眼中，这本质上市

256、一个产品，因为倍漾的做法是，从因子平台、预测平台所有所有策略在任何一个时间点都会去调用同一个 API 进行预测。不同的只是基于不同风险偏好的策略，决策完全不同。例如当模型的预测信心比较低的时候，保守的策略倾向于不懂，而激进的策略就可以下场交易了。在这样平台的架构下，根据适配不同的风险参数，可以产生一系列的决策模块。88“做量化看上去是做交易，但本质是数据科学。”倍漾认为，量化私募的产品本质其实是一行行代码，公司想做的是去写那些能够生成最终程序的程序，也就是用 AI 生成交易策略。代码即产品，用程序生成程序以及一套系统，一统天下的理念被倍漾认为是公司量化的核心优势之一，在 AI 量化实践中有了一

257、些形而上学的意义。“作为量化私募来说，倍漾给别人的产品不是因子，而是高质量代码。怎么理解？最终还是代码做交易，这好比是造机械臂。”冯霁介绍道，机械臂能造出轿车和 SUV 等不同的产品，就像量化也有不同的产品，但背后的机械臂是一样的。对量化而言，核心的开发精力都是造出来尽量普世的“机械臂”，那么开发不同产品大概只是几行代码的事，但是做“机械臂”的时间占到很多。目前倍漾使用的数据有 4 大类：Level2 微观结构数据、量价数据、基本面数据以及另类数据。基本面与另类数据主要用来产生隔夜信号。大部分日内交易由 Level2 数据所驱动，当信号显示某只股票显示 1 小时之后会涨，但是次日会跌，这种情况

258、下会需要用到基本面数据，在日内已经有仓位的时候做高抛低吸。基本面数据的更新平均每天只会覆盖到 4%的股票，绝大部分股票在当天的交易时段都不大活跃，数据因子一直不变，输入不变的话输出不可能引发交易行为，因此 80%的权重需要交由市场交微观尺度数据得来，而量价数据是对微观尺度的聚合，比如 5 分钟 k 线或者 1 分钟 k 线都是来自逐笔交易的详细情况。目前在倍漾内部，每天需要存储的数据量大概有 25-30TB。冯霁就遭遇到了“内存墙”的问题，为了应对海量数据给内存带来的压力，公司把数据分成了冷数据、温数据和热数据。“冷数据”指的是，数据访问的频率不是很高，落库就好。“热数据”是指程序要做大量的读

259、写任务，而数据一般都比较散，每次读写的量又非常得大。那么如何把热数据很好地进行分布式存储？和纯 SSD 方案相比，现在会有比如傲腾持久内存等更好的解决方案，它介于内存跟 SSD 之间，可以将热数据做分布式存储，就能一定程度地减缓“内存墙”的问题。重点在于赚钱重点在于赚钱 解释不如观察解释不如观察面对人工智能量化，可解释性是个问题亦不是一个问题。冯霁介绍了人工智能行为主义，行为主义把机器学习模型视为黑盒，与其解释机器不如观测机器的行为，就像作为领导有个下属特别能干，一直能够满足 KPI，就不用问具体是如何做到的，而可解释性工作可以转为实时用十几个维度来监控所有机器学习模型，在不同维度上指标是否一

260、致。“也就是说与其做可解释性高的模型，不如做能赚钱的。现在的模型都很复杂，预测与决策这两个支柱都是非线性模型。造成的结果就是不怎么挣钱的线性模型可以解释，而挣钱的非线性模型很难解释。”冯霁认为，私募行业交易性质更浓，顾客或者投资人关注的还是收益，不用解释自己，亏钱了才解释。但他也分析了目前的可解释性技术：基于逻辑进行设计，假设有一个黑盒再用一个白盒进行模拟，白盒是能够解释的，于是把白盒的逻辑输出，但问题是很多情况下，而白盒则会因为简单造成性能较差。89 华软新动力华软新动力FOFFOF方法论方法论1515问问展望与思考展望与思考徐以升徐以升，北京华软新动力私募基金管理有限公司董事长兼总经理，毕

261、业于中央财经大学、上海交通大学，兼任中国绝对收益投资管理协会理事、上海交通大学中国私募证券投资研究中心理事。“私募证券 FOF 组合基金如何为投资人创造价值，如何为行业和市场创造价值？”华软新动力 FOF 以量化类各类策略配置为主，从 2015 年至今伴随量化行业从初生到繁荣业已 8 年。FOF 本身作为一种证券资管类型和商业模式，在行业发展过程中，困惑与思考，质疑与荣赞一样多。作为前沿投资与配置理论的实践者，华软新动力致力于成为领先的多资产、多策略 FOF 组合基金管理机构。通过多资产多策略的战略战术组合配置，基于量化评测的对冲基金遴选体系，以及实战和创新的投后管理与风控系统，为投资人创造匹

262、配收益风险偏好的 FOF 组合基金产品。我们通过 15 个提问，了解华软新动力的当前发展和未来思考。Q1Q1：请请介绍一下华软新动力资产介绍一下华软新动力资产，成立至今有什么发展历程，成立至今有什么发展历程？徐以升：华软新动力资产于 2015 年成立，至今大约 8 年的时间，在私募证券 FOF 业务领域进行了长时间的探索。2015到 2018 年是创立发展阶段，人员规模在 1015 人，管理规模到达 20 亿元。2019 年至今是扩容和发展阶段，目前公司总人数在 60 人左右，管理规模超过 150 亿元。作为 FOF 母基金，首先是怎么持续理解需求端、建设供给端，这涉及 FOF 在整个私募证券

263、行业链条里面的位置和角色，怎么通过两端组合建设，回应不同收益风险偏好的投资人的需求，需要 FOF 持续提升对于不同策略类型私募证券基金的理解，提高基金分析能力，提升对基金收益来源和风险承担的定性、定量分析能力。2015 年至今量化行业经历大幅变迁，尤其是在股票领域，在 Pure Alpha 效应强、夏普高的历史阶段，集中本身就是最好的配置，只需要把找到的高质量 Alpha 放到组合里面就可以持续盈利。但随着最近两年市场有效性持续提升、Alpha 快速衰减，对于 FOF 配置方面要求逐步提高，配置在母基金中的作用变得不可或缺，这也是当前我们所面临的以及在回应的最大问题。总地来讲，作为一间私募证券

264、 FOF 组合基金公司，我们认为核心是怎样可持续地为投资人做贡献，以买方逻辑、甲方视角的行业角色，面对不断变化的市场和环境，持续地为投资人提供多资产、多策略、多管理人的动态的 FOF 组合配置解决方案。90 Q2Q2：您个人是如何走向证券私募：您个人是如何走向证券私募 FOFFOF 这条道路？这条道路？徐以升：早前个人读书和工作经历，有两点对我当前的路径很有影响。我大学读的是中央财经大学信息管理系，这是金融与 IT 复合专业，包括金融知识、数理和编程，从 2013 年开始我就参与量化策略领域。我曾经在第一财经日报和第一财经研究院工作多年，2014 年左右社科院李扬教授和张晓晶教授所做的国家资产

265、负债表研究，提出了宏观杠杆约束问题，对我影响颇深。我认为这一景象反馈到金融市场和金融资产，会导致信用风险上升、债权类资产违约压力加大，而投资人未来将转向权益型资产的配置，而权益到的波动属性会让配置逻辑的 FOF 组合基金发展有更多需求，加上我和合伙人在量化策略领域经验积累，于 2015 年成立了华软新动力资产，定位在私募证券 FOF组合基金领域，并且主要在量化类资产和策略的配置上。后来到 2018 年是非常清晰的去杠杆之年，也是在这一年之后我们得到多家机构投资人的认可。在经历了 2015 年有关限仓约束之后，股票量化行业也在 2017 年开始赢得更好的发展，这也给了我们量化类策略配置为主的 F

266、OF 组合基金发展的机遇。这些年还有一个体会，中国市场的进化日新月异，今天用于我们做决策的知识，可能大部分是过去两三年所取得的。路径依赖、故步自封，都会加剧茧房效应。Q Q3 3：华软新动力资产的投资理念和配置逻辑是什么？：华软新动力资产的投资理念和配置逻辑是什么？徐以升：2015 年我们成立的主要出发点是债权资产的信用风险在上升，P2P、非标等债权资产的本金甚至难以得到保障。而股票资产可以理解为一种“部分本金保障型资产”，哪怕跌去 20%还有 80%的本金。因此在债权资产信用风险上升的历史背景之下，甲方投资人有必要进行净值化、权益化转型。中国权益资产市场的基本特点是周期性的系统性风险较大，如

267、果把指数下跌 30%理解成系统性风险，那在过去七八年时间里面其实就已经经历了三次，2015 年、2018 年和 2022 年，在此背景下，投资人即便想做此配置与转型，也需要回应这种系统性风险。综合以上，我们认为多资产多策略的 FOF 组合基金，是非常重要的方式，通过不同收益来源的资产和策略类型做配置，降低组合波动，可以回应投资人的收益风险偏好。从管理人层面讲，中国市场内卷程度高、竞争激烈，国外十几年的行业发展变化往往在国内两三年就实现了，尤其是在高夏普策略领域竞争非常激烈，甲方投资人在充分重视资产追高、策略追高的同时，也要重视管理人追高。我们理解，在低夏普、高波动、周期性的一些策略领域，要拿得

268、住；但在高夏普策略领域则要慎重，结构性因素所导致的能力下降或者竞争不足，时间价值难以弥补回来，要充分重视在管理人层面进行跟踪和调整。公奔私之外，私奔私等现象的管理人运营风险也值得重视。综合以上，怎么在多资产、多策略、多管理人层面构建动态组合方案，是华软新动力 FOF 组合基金发展理念和逻辑的重要内涵。Q Q4 4：如何复盘：如何复盘 20222022 年？年？20232023 年看好哪些大类策略？年看好哪些大类策略？徐以升：今天来看，无论是地缘政治、美联储货币政策还是其他，都对 2022 年市场走势产生了重大的影响。2022 年各方面挑战艰巨，我们没有在资产择时的研究上做很多工作，客观上我们认

269、为市场择时的难度很大，因为影响市场方向的因素非常多，还要对不同的因素进行排序。择时很难有可重复检验的框架，我们坚持认为 FOF 还是应该努力通过低相关的不同收益来源，进行更多资产和策略组合，通过配置分散组合构建，来回应市场的波动以及自己的收益风险偏好。91 2023 年美联储加息放缓，市场预期已经有了比较大的变化，虽然还难以给出确定性结论，但我们期待中国金融资产市场对相应的变化产生反馈。当然，对于一个八九十万亿总市值的大的资本市场整体而言，有系统性机会也还是比较困难的。我们首先想展望的是，不再像 2022 年一样有系统性风险，这就能够给到我们空间。从策略来讲，虽然股票量化领域的 PureAlp

270、ha 确实是在衰减的，但我们认为在一个 5000 多支股票的大市场里，股票量化策略的主动效应依然有比较充分的土壤，股票量化策略依然是我们 2023 年看好的大类策略领域。Q Q5 5：F FO OF F 研研究究如如何何做做择择时时？徐以升：刚才讲到，我们的确是在普通的仓位择时领域做的较少，当然我们目前也努力在大周期逻辑上多努力。我们把择时分成两种类型：资产仓位择时和策略风格择时。当然，对于一家多资产多策略 FOF 组合基金而言，不同收益来源分散配置，无论是不同资产还是不同策略的分散配置，对我们而言都是第一位的，其次才是资产的或者策略的择时策略择时方面，我们认为有一定数据支持、逻辑支持。比如很

271、简单的股指期货贴水 10%和贴水 3%两个场景，对冲成本的差异非常大，如果对超额效应的展望比较一致，那显然贴水的下降会得出量化对冲策略配置价值上升的结论。此外市场成交活跃度、趋势度、波动率水平、隐含波动率水平等很多指标，对很多策略也有较为直接的影响，因此在对于策略环境评估、策略配置评估的有关研究上，我们认为有一定空间并也在这么做。Q Q6 6：基基于于底底层层私私募募基基金金的的封封闭闭期期或或者者赎赎回回约约束束，是是否否会会限限制制 F FO OF F 的的观观点点表表达达，很很难难在在实实际际状状况况当当中中调调整整仓仓位位和和风风格格？徐以升：作为机构投资人，我们对于底层资产的投资和配

272、置会有很多要素层面的要求，除了机构费率的商业条件要求之外，还非常注重底层资产的流动性，努力投资或者定制不设封闭期或者降低封闭期限的产品。当然实现这一条非常不容易，规模越大的 FOF 基金越会有综合条件实现更好的底层资产体系建设或者底层生态建设。其次，FOF 母基金有观点需要及时表达时，我们也会在母基金层面通过股指期货、股指期权等工具直接进行表达。Q Q7 7：从从公公司司成成立立至至今今，华华软软新新动动力力资资产产为为何何会会专专注注于于量量化化这这一一条条赛赛道道？徐以升：从 2015 年开始，我们非常专注于量化类私募基金配置，到今天，我们依然以量化类配置为主，但是在股票、商品等领域上已经

273、有了主观类策略的配置和建设，尤其是在 2021 年至今我们着重加强了主观的研究和配置。在 2015 年开始时选择以量化类赛道为主，核心主要是有两个要点。一是量化类策略和衍生品结合的更为充分，能够在风险策略类型之外，创造出套利、相对价值等更多的策略类型，给到母基金更多的不同收益风险偏好的配置选择。二是在比如股票多头投资领域，还是认为 A 股市场弱有效性的特点，有一定超额效应或者 Alpha 空间，这种时候集中到 Alpha 领域是最正确的选择。有 Alpha 的时候配 Alpha，Alpha 降低了目前也的确是在往 Smart 贝塔的配置转一些。从目前股票量化行业的实践来看，伴随着行业规模从 2

274、017 年的 1000 亿元，成长到 2021 年的 1 万亿元，到今天 2023 年我们估算大概达到甚至超过 1.5 亿元规模，股票量化行业相比主要指数超额效应依然还有 10%以上的展望，那么就继续有配置价值。量化投资和主观投资在分类上都是主动投资，区别于 ETF 类、指数类的被动投资，量化和主观大家都以跑赢指数为共同 92 的主动管理目标。现在 A 股市场股票数量已经到达 5000 支+，随着注册制进一步延伸，股票数量越多对于主观类投资的挑战可能会越大，在市场弱有效的情况下，量化类基金持仓数量在 10002000 只股票可能更有条件在全市场里面寻找到投资机会。Q8Q8：华软新动力资产有进行

275、成长阶段的私募基金投资，您是有什么出发点来对成长私募进行投资和配置？：华软新动力资产有进行成长阶段的私募基金投资，您是有什么出发点来对成长私募进行投资和配置？徐以升：首先我们需要明确成长和成熟的标准，很多人简单地用规模来衡量阶段，例如 10 个亿是成长阶段，规模 50 个亿是成熟，这样一刀切的衡量方法并不贴合实际。例如中高频量化股票基金规模 10 个亿，主观价值投资规模 50 个亿，谁是成长，谁是成熟？实际上，前者已经比较成熟了，而后者依然还是成长阶段。华软新动力给出的衡量标志是，当前规模与策略评估容量的比例，例如规模达到评估最优容量的 25%就意味着策略已经比较成熟。其次策略成熟与否还有一个

276、重要标准，就是收益来源不会再发生重大的逻辑变化。回到前面的例子，中高频量化策略因为换手非常高，经过测算，策略容量是 30 亿，而主观价值投资规模容量是 500 亿，那 10 亿和 50 亿元相比于容量而言的比例大概已经是 33%和 10%，那我们会认为前者的成熟度实际上更高。而且很有可能，规模 50 亿元的主观策略产品，还会有仓位管理的收益来源，但当该主观策略规模发展到 100200 亿元时可能就彻底的不会再进行仓位管理了，那就会失去了规模 50 亿阶段的之前的一个收益来源，或者说在衡量能力时应该把已经不在了的收益来源的净值剥离掉。在这样的逻辑里面，我们认为投 10 个亿中高频量化也是成熟型投

277、资。还有极端的例如股指高频策略容量可能就 2 亿。所以大家对于成长、成熟不同逻辑的认识是需要拿来讨论的，不能简单地用规模来衡量，不然容易刻舟求剑。对于量化类规模指标的成长型基金投资，我们认为 FOF 基金或者甲方，核心还是应当拥有定义和定量基金收益来源和风险承担的能力，有能力对这个阶段的基金进行投资。的确要讲的是，如果这种甲方能力不充分，可能也会产生重大风险，这方面行业里也有较多的案例。Q9Q9：量化行业还有哪些发展趋势和规律？接下来会如何演变？：量化行业还有哪些发展趋势和规律？接下来会如何演变？徐以升：从最新趋势演变上看，目前 Alpha 效应在下降，为了应对下降，管理人要么在获取更多的另类

278、数据试图增加超额收益来源；要么在尝试提高风格、风险暴露来对应地捕获超额效应，但这的确提高了超额的波动水平。面向未来，中国市场主动管理空间依然很大，量化和主观共同构成了中国股票市场的主动管理策略图景，同时我们认为股票量化一定程度上应当是要学习主观策略。近几年量化行业产品线建设以锚定某类指数做增强，需要提前控制跟踪误差，形成了各种各样的约束与消耗。而主观策略往往相对模糊，把跑赢指数作为绝对结果衡量。只有这样，大家才算站在同一起跑线竞争和对比。空气指增名字上可能并不能很好地定义以上策略类型。主观策略还是有部分仓位择时的，量化选股也可能会有，尤其是自下而上的仓位择时，例如选股信号的触发就是不活跃不充分

279、，因此被动的仓位买不满来应对潜在的不活跃，也有可能产生不满仓的量化选股策略。空气指增有一个内涵，就是还是一直满仓，可能很多量化选股策略的结果也是一直满仓，但未来要允许自下而上信号选股数量少的时候仓位不足的情况，那这种更宽泛的叫做量化选股，可能会更贴切一些，我们相信这种量化选股策略将会是重要方向。93 Q10Q10：结合以上对量化行业趋势的理解，华软结合以上对量化行业趋势的理解，华软新动力公司下一步的着力方向是什么？新动力公司下一步的着力方向是什么？徐以升：在控制某固定水平或者较低水平的跟踪误差和超额波动率的情况下，股票量化行业的超额效益在趋势性下降，这是毫无疑问的。因此有两个点：一是如果私募证

280、券基金通过放松跟踪误差控制和提升超额波动率，来尝试获取更高波动内涵之下的，更高的潜在超额效应，那 FOF 母基金在风格风险或者 Smart beta 层面的理解和配置能力要提高；二是 Alpha 效应集中配置问题上趋弱，对于 Smart Beta 或者说 Beta 本身的配置，就将成为 FOF 的明确方向。怎样获取更多的收益来源、做好配置工作，就成为 FOF 机构确定的着力方向，当然这并不容易。实际上从 2021 年开始，华软新动力就在大幅扩张投研部门人员，除了股票量化策略方向之外，我们尤其是在主观股票、主观商品、可转债甚至高收益债等方向上进行投研布局，这些多元资产与策略类型的布局，也是我们下

281、一步继续该努力着力的方向。Q11Q11：公募：公募基金基金量化相对弱势，跑不过主观，但私募刚好相反，什么因素造成这种差异？量化相对弱势，跑不过主观，但私募刚好相反，什么因素造成这种差异？徐以升：过去几年私募在中高频策略领域发展很充分，公募量化的中高频策略做不起来是因为既有交易约束，也有佣金水平方面的影响等等。但随着私募量化中高频领域的饱和程度加强，行业规模的扩张已经来到了中低频量价和基本面量化领域，我们会认为在这个阶段公募量化的相对弱势已经没有这么明显，我们可以重新看到公募量化行业更好的发展前景。我们公司从 2021 年开始就对公募量化有进行跟踪研究和不多的配置，我们相信在未来公募基金量化策略

282、领域也会有好的发展。Q Q1212：您认为：您认为 FOFFOF 机构的发展引擎是什么？机构的发展引擎是什么？徐以升：两个要点。第一个要点是投研团队建设，这既是团队建设，也是能力建设、投研框架建设。因为 FOF 是多资产、多策略框架，覆盖是配置的前提，就需要对多资产、多策略覆盖，同时具备深度理解能力，这对 FOF 机构挑战就变得非常大。交易型私募证券基金往往聚焦于某单资产、单策略领域，而 FOF 需要在多个资产与策略领域都做到较为深入的认知和把握，这是不容易的，做的充分了也是你提到的发展的引擎。第二个要点是 IT 体系建设，这包含了数据和 IT 本身两个部分。FOF 机构对底层私募基金投资和配

283、置的前提，是要有能力定义和定量底层基金的收益来源和风险承担。量化类基金非常复杂，底层本身非常复杂，FOF 就要具备处理复杂信息的能力。也因此，FOF 机构必须要 IT 化，才能及时和规模化地处理信息，不然会不堪负荷。Q13Q13：您一再强调了您一再强调了 ITIT 建设，并提到华软建设，并提到华软新动力新动力所关联的所关联的高御科技高御科技公司公司，如何定义和平衡这两家公司的不同定位？，如何定义和平衡这两家公司的不同定位？徐以升：新动力资产和高御科技两家是协同关系。新动力资产作为一间证券私募 FOF 基金，商业立场、商业模式是甲方身份来构建母基金管理工作，高御科技的定位则是为甲方的私募基金投资

284、和配置提供 IT 系统和服务。作为都是甲方逻辑、甲方定位的公司，这让两家公司有了相同的内在基础。高御科技致力于基金分析系统的搭建，尤其是为持牌金融机构的基金分析需求服务，比如券商托管部、券商自营种子基金部、券商代销部门的金融产品部等等。这是源于 2015 年新动力成立的时候，基于我们对于量化分析和 IT 领域的重视，公司一开始就成立了 IT 部门，自建了一套基金分析系统，从分析股票量化策略，到分析主观股票策略，分析商品和 CTA 策略，分析期权策略等等。发展到 2018 年，很多机构客户看重这部分甚至和新动力合作的要点就是我们的 IT 系统建设，并且也提出了同样的 IT 系统建设需求。我们开始

285、认识到，我们所建设的基于甲方逻辑的基金分析系统，有可能为甲方机构所用，本 94 身蕴含商业机会，也为行业做些贡献，于是我们把 IT 部门独立成了关联公司，并从 2019 年开始对外展业，当前也中标了多家券商比如托管部的基金分析系统等等。Q1Q14 4：有业内人认为：有业内人认为 FOFFOF 这种形式作为资管本身不是特别好做的生意，您怎么看待这种形式作为资管本身不是特别好做的生意，您怎么看待 FOFFOF 的商业模式？的商业模式？徐以升：FOF 的商业模式，我并不认为不好，而是认为不容易。首先，FOF 要能够在商业模式上成立，必须坚持甲方立场、甲方逻辑，但在中国财富管理市场这样的立场与逻辑并不

286、容易。好在 FOF 本身并没有历史包袱或者其他的商业诉求。FOF 商业模式并不容易是非常客观的。FOF 能力构建的两个充要条件，多资产多策略多管理人的覆盖，本身并不容易；二是基于底层复杂策略认知的要求，IT 建设是规模化、商业模式的重要基础，也并不容易。以上如果不能够充分建设的话，FOF 商业模式的规模化展开将举步维艰。包括底层拟配置私募基金的开放期等要素的灵活设置，本身需要 FOF 公司一定体量规模才能形成生态，其次资产本身的复杂度对运营、市场营销等工作都有很大的挑战。综合来看，我认为 FOF 是一种难而正确的商业模式，同时因为所具有的行业性、整体性、动态性属性，FOF 公司有条件跟随整个私

287、募证券行业的成长而成长，有条件跟随整个私募证券行业的发展而发展，我们有条件并且也致力于成为一间长期存在、长期为投资人创造价值的公司，FOF 模式有这种行业型基础。Q1Q15 5：作为私募证券：作为私募证券 FOFFOF 行业头部机构行业头部机构，如何看待证券私募如何看待证券私募 FOFFOF 行业的未来竞争格局？行业的未来竞争格局？徐以升：经过 2022 年系统性风险的洗礼，尤其是单资产、单策略类型、单管理人大的波动，甲方和渠道方对于 FOF 产品和模式认可度进一步提升，但渠道和甲方自己也在成为 FOF 基金，这是 FOF 行业当前最重要的特点。我们认为要敞开怀抱来拥抱这种现象。从美国市场来看

288、，渠道和甲方的 FOF 化也是非常清晰的。我们认为渠道和甲方的 FOF 化将会非常好地推动证券私募 FOF广义行业的发展，这是历史现象和历史进程。在这个趋势中，华软新动力也在尝试，除了进一步把 FOF 资产做好之外，为甲方的 FOF 化进程提供服务。这包括但不限于投研积累、底层资产积累、IT 建设等等的互动，以辅助和支持渠道和甲方的 FOF 化进程。华软新动力公司我们在 2022 年专门成立了解决方案部，也是用开放心态，用解决方案的整体框架来回应这个进程，提供更多的协同。我们知道，公募基金领域除了公募 FOF 之外，目前还有公募买方投顾牌照，我们认为私募证券领域也会有这样的发展逻辑。在“从股票

289、到基金”这一机构化转型的第一阶段之后，“从基金到组合基金”的第二阶段机构化转型已经在路上，这会显著提升中国私募证券基金领域市场的有效性，乃至通过把资金配置到更有能力的私募基金里去来提升整体资本市场的有效性，这是中国私募证券市场发展的重要内涵。我们会继续努力，为投资人创造价值，为行业创造价值。95 九坤投资九坤投资初心如磐，星光不负赶路人初心如磐，星光不负赶路人九坤投资创始合伙人、九坤投资创始合伙人、CEOCEO 王琛王琛九坤投资创始合伙人、投资总监九坤投资创始合伙人、投资总监 姚齐聪姚齐聪“极竞天数为九，厚德载物为坤”，九意味着对数学规律的极致挖掘，坤则意味着以理性态度面对投资。这也是九坤打法

290、的真实写照：在技术上，九坤永远是革新的，灵活的，追求极致的，而在投资理念上，则趋向稳健理性。作为最早一批国内量化机构延续至今，九坤投资方法论持续影响着行业。不管是一批富有因子挖掘和组合优化经验的因子模型研究员，庞大的因子积累，或是先见性大举进入 AI 算法，用于策略研究和交易。事实上，“北九坤，南幻方”已不能概括这家老牌本土量化的形象，随着九坤逐步发展的国际化竞争力，以其为代表的本土量化的故事正在续写更恢弘的篇章。从新生力量到量化巨头从新生力量到量化巨头九坤投资的创立与中国资本市场的开放与繁荣有着密不可分的联系，是机遇使然，更是使命驱动。CEO 王琛博士毕业时，偶然读到的一本名为My Life

291、 As a Quant（宽客人生）的书，这是一本讲述高能粒子物理学家德曼投身华尔街的故事。它让王琛原本通往 IT 公司的人生多出一种可能。在他看来，“量化投资，一来很重视技术，二来它很公平。它衡量的是在市场环境下，处理数据信息和交易的能力”。CEO 王琛从清华大学理论计算机博士毕业后，加入了美国知名的量化对冲机构千禧年投资，并在此结识了九坤的另一位创始合伙人、毕业于北京大学数学科学学院的姚齐聪。彼时华尔街顶尖量化对冲机构已不乏优秀的中国年轻人的身影，国外量化机构也已经到了较为成熟的工程体系化的阶段。但“量化投资”在中国本土仍是一个陌生而模糊的概念，国内资本市场的对冲工具还有待完善。2010 年

292、，在中国资本市场的发展过程中具有里程碑意义的股指期货正式上市，市场终于迎来了真正意义上的风险对冲工具，这为量化行业的成长提供了赖以生存的土壤。面对国内量化行业从 0 到 1 的机遇，同年底，他决定与姚齐聪一同回国创业。2012 年，九坤投资正式成立。成熟资本市场的历练和眼界使九坤的两位创始人很早意识到，量化机构需要在中国发展壮大，必然经历从依靠个人实力、团队规模，到依靠“体系化、工程化组织”的路径。96 因此，公司在成立之初便树立了长远而有建设性的发展目标。这个目标有两个重要的维度，一是希望中国能有一家具有国际竞争力的量化机构。二是从一开始就将目光放得长远，着眼可持续发展，要以体系化团队的架构

293、来驱动策略不断地迭代和技术的创新。这不仅仅要求量化投资策略作为一个“新物种”能在当时的中国市场有效，更是要求不仅仅只满足于依靠一个或几个专业人士的力量创造短期的收益。在发展的初期，九坤在国内率先建立自主人才培养体系，搭建专业化梯队，搭建自主策略平台和交易平台，为其在很长一段时间的发展中奠定了基石，建立了相对牢固的人才壁垒。作为国内最早一批的量化私募，公司在走向成熟的过程中经历了多轮牛熊考验，例如 2015 年股市异常波动，使其从“危险”中建立起更为敏锐的嗅觉，逐步完善风控，至今已打造了业内规模最大的风控团队之一。2018 年以后，人工智能对投资的影响逐渐深入。得益于前期对人才壁垒建设和对技术的

294、敏感度，九坤不仅没有陷入“船大难掉头”的困境，反而能够在短时间内迅速完成团队搭建和转型，而今已成为国内为数不多的将 AI 深入应用在量化实盘而不止步于训练的量化资管机构。九坤在投资过程中践行三大原则：坚持科学、稳健理性和长期主义“坚持科学”即立足科技，以科学的方法捕捉投资机会，以数据为本，洞察市场规律；“稳健理性”则是要审慎平衡投资风险与收益，持续增强内控管理能力，不断使基金管理规模增长与业绩发展、风控合规等综合能力相匹配；“长期主义”指的是不主张风格择时，目光长远，不被短期市场波动干扰，不断积累更具确定性的 Alpha 机会。三大实验室覆盖数据、算法、交易三大实验室覆盖数据、算法、交易 研究

295、与业务螺旋形上升研究与业务螺旋形上升水滴：刘慈欣的科幻小说三体 II黑暗森林中提到的由三体文明使用强互作用力材料所制成的宇宙探测器，电磁波的反射率为 100，且绝对光滑，温度处于绝对零度，在飞行时，水滴甚至可以毫不减速地做出违反动量守恒定律和角动量守恒定律的锐角转向。2022 初，九坤以此为名第三个内部实验室，探索前沿交易软硬件技术落地与趋势。水滴实验室正式建立，与数据实验室(DATALAB)、人工智能实验室（AILAB）和九坤 IDEA 联合实验室一道，做前瞻布局，长期保持行业竞争力。至此九坤在数据、算法、算力这三个关键链条上都有了前瞻性的实验室。通过三大内部实验室（数据、人工智能和水滴）和

296、一个外部联合实验室（九坤-IDEA）形成协同共振。以在因子挖掘、组合管理、风险控制、交易实现等方面已经涉及全流程人工智能的应用。让研究和业务发展螺旋形上升，为人才在自身擅长的领域不断探索创造条件。其中水滴实验室旨在探索前沿交易软硬件技术，验证多元化业务场景下的技术落地，并行探索软硬件领域的技术趋势，实现量化领域的技术创新。数据实验室意在拓展金融市场的数据边界，从各类大数据中挖掘凝练投资价值，与投研体系、量化算法、AI 模型相互赋能。人工智能实验室致力于研究并迭代 AI 模型和算法，推动前沿 AI 和机器学习理论在量化投资领域的落地、优化和创新，且所有研究都配有实盘验证。九坤-IDEA 联合实验

297、室则由九坤和粤港澳大湾区数字经济研究院合作建设，主要以金融市场数字化为中心、基于泛金融大数据，在市场知识图谱、宏观经济分析、市场微观结构、金融风险预测等方向开展科学研究。97“尽管前瞻性的技术和人才布局未必能够有立竿见影的产出，但这对保持长期迭代能力、促进量化在中国的发展有着重要的意义。”九坤谈到，2022 年，公司的 AI 团队规模、AI 方面的研究投入持续扩大，并取得新突破。在具体使用中，人工智能方面，九坤在机器学习在量化投资领域基本已实现全流程参与。从数据收集与处理(datacollection)、阿尔法构建（Alpha Mining）、预测（Market Prediction）、投资组

298、合的构建与优化（Portfolio constructionand optimization）以及交易实现（Trade Execution）等环节都有机器学习和 AI 的渗透。“无论是处理宏观的市场状态，还是微观的交易细节，我们现在随处可见机器学习的身影。”九坤认为，从传统量化到全面拥抱机器学习，有几个方面的投入至关重要：人才、数据和软硬件。首先需要提升从业者的观念和技能，这也是最核心的部分。需要从传统思维方式转变成人机结合的思维。让机器帮普通探索出更多的结论，但又不能盲目相信机器。过往典型的素质要求可能是“金融+计算机编程”，但 AI 时代对复合人才的需求大大提升，需要“金融+计算机+大数据

299、+统计+机器学习或深度学习”的技能组合。在人员认知和技能的升级后，还要辅助以各种硬件和软件的升级，在投资流程的各个环节中要让大数据与机器学习能够有所发挥。在将人员和软硬件结合后，就可以扩展投资标的，数据来源以及业务模式，使之与大数据+机器学习相辅相成。另类数据也是当前的投资领域前沿，量价数据携带的 Alpha 尚未被挖掘殆尽，所以许多机构在此领域的投入并不高。但与此同时，投资者情绪、新闻媒体报道信息，商务中的物流、交易数据，来自卫星、GPS、车辆轨迹等传感器数据，以及互联网检索、评价、社交数据等都是在投资中很重要的数据类别。九坤的抓手包括了自主建立的数据实验室(DATALAB)，实验室通过收集

300、和挖掘更多的信息及数据来源，获取更丰富的另类数据和大数据场景，通过 AI 技术及大数据技术的研究和积累，为投资赋能，推进组合的优化。“在量化投研过程当中，如何打通和匹配来自不同渠道的另类数据呢？”这是日常，九坤经常被问到的问题。九坤通常需要做如下的处理：第一是挖掘：将数据中与投资有关的部分挑选并挖掘出来。比如在卫星中提取对应位置的图像，图像中提取对应的信息比如停车场的密集程度。第二是映射：将各个数据做映射，例如将网络搜索中的 iphone 映射为苹果公司。第三是关联：把上述的各个流向数据关联起来，形成图谱结构。例如将车辆轨迹与运送物资相结合，将商品物流信息与已有的本地库存信息相结合，将供需信息

301、与对应企业相结合，让信息可以动态联动。第四是画像与决策：对一个测量的标的的各个侧面进行描述，最终做出对标的潜在价值的评估，进一步做出投资决策。雁栖梧桐九天揽月雁栖梧桐九天揽月 6 6 大维度形成公司核心竞争力大维度形成公司核心竞争力以比赛为契机挖掘新人是九坤人才培养中的一环，作为量化行业最为“饥渴”以及最努力的管理人之一。九坤的信念是：“策略会随时间失效，只有人才和技术才是真正的竞争力。”公司目前大比例核心投研人员来自自主培养，自 2017 年九坤开始打造“UBIQUANT CHALLENGE”量化新星挑战赛，邀请全球各地顶尖技术高手同台竞技，共吸引了来自清华、北大、交大、麻省理工、牛津、卡内

302、基梅隆大学等众多国内外顶尖高校参与，累计吸引超过 6000 支来自海内外顶尖学府的参赛队伍，其中超过 30 位参赛选手最终凭借优异的赛事表现成为九坤的一员。另外，公司针对不同类型和阶段的人才，九坤投资打造“雁栖计划”“梧桐计划”“揽月计划”三大项目。2022 年 1 月，九坤的挑战赛首次也在 Kaggle 上线，受到市场关注。98 华泰研究以2023 年九坤 Kaggle 量化大赛启示-九坤 Kaggle 量化大赛高分方案解析为研报标题，梳理了部分高分队伍公布的解决方案，提炼出有共性的四个方向特征工程、损失函数、交叉验证和模型集成，并应用于中证 500 指数增强策略的改进。得出结论测试的改进技

303、巧中，神经网络引入均值因子、CCC 损失、模型集成提升作用较显著。除了人才，九坤认为公司拥有六大维度来夯实自身的竞争力：人才、技术、投研、风控、业绩以及信誉。具体来看：技术技术：国内首批在数据、AI 算法、交易实现全流程布局自有实验室的量化私募，充分整合资源，以前沿技术的深入应用和矩阵型风控实现高效的交易、精进的细节。投研投研：致广大而尽精微广泛应用深度学习和机器学习，前瞻性布局丰富的数据类型及来源，拥有高质量，宽广度的因子库，使在交易中得以占据先机。风控风控：全方位、多维度、智能化、自动化国内量化领域少见的战略性风控建设，而非局限于常规的策略和交易风控。数百个指标分层、分级、分类、分段管控，

304、且风控团队具备独立研究和系统开发能力。“九坤非常重视对于风险的理解与识别。因为只有在对风险本身有相对完备的认知的基础上，才能对各类可能出现的场景进行完善。其次，需要考虑如何对风险进行有效量化，限制在不同风险因子上的敞口暴露。九坤十分重视事前的风险建模过程，将风险量化后设置风险预算，并在预算之内控制风险。最后，由于事中的快速反应机制对量化来说也是一个非常大的挑战，九坤会在事中部署实时的风险监控和预警，并由人工值守和自动监控进行辅助，通过人为的快速判断或及时调整应对方案，来控制盘中的风险。”业绩业绩：可追溯的长期超额，多元化、跨资产的策略发展，以较大规模长期保持竞争力。信誉信誉：坚持长期主义，做难

305、而正确的事。九坤是最早推出三年期产品的量化机构之一，并以实际行动与投资人风险共担。自 2022 年 1 月起，使用自有资金 1 亿元人民币申购旗下股票优选策略、指数增强策略、股票多空策略等基金产品，并承诺至少持有 3 年。自 2022 年 3 月起采用每月定投的方式，以自有资金申购旗下股票型资管产品。每月定投金额为 1000 万元人民币，定投周期为 3 年。致广大而尽精微致广大而尽精微 行业需要深挖护行业需要深挖护城河城河在九坤眼中，行业需要深挖护城河，量化在国内还是一个“年轻”的行业，但资产管理服务是一个相对成熟的概念。以科技驱动，为投资人创造长期、稳健的投资价值，需要量化管理人从一开始就具

306、备过硬的专业功底、值得信赖的品质、一以贯之的投资理念。首先，成熟的量化从业者在面对问题的时候，必须保持理性。量化投资具备几个明显的优势，其中就包括剥离情绪影响、分散提升胜率。量化投资机构严格执行量化投资模型给出的投资建议，决策信息透明度高、纪律性强，能有效规避人类主观认知偏差及克服情绪对决策的影响，准确客观评价投资机会，降低管理人的道德风险。同时需要指出，一个完善、健康的量化投资体系，不依赖“聪明个体”，而在于如何把“最强大脑”组织起来，实现1+12 的效果。最后，着眼长期，才是量化投资机构、量化从业者应有的价值观应对短期冲击，做好风控是基本的“术”；深挖护城河，以投资人的长期体验为出发点而不

307、是自身数据的一时“冲高”，才能成为值得信赖的管理人。要获得这种“长期发展”的能力，需要追求极致的迭代精神、对风险有正确的认知、应对速度、前瞻性布局。近几年量化投资行业正在加速把重心从统计学习、机器学习转到更前沿的“深度学习”上面来，所以对机器学习和人工智能人才的需求也在快速增加。创新思维、拥抱 99 和应对变化的能力能够使量化人不断寻找创新的交易机会，能够适应不断变化的市场环境，从而以领跑者的姿态“走得更远”。另外还需要着眼长期掌握主动权，作为中国金融市场的深度参与者，九坤认为市场在不断变得更加有效的。更有效的市场意味着竞争的不断加剧，使得超额收益的获取变得越来越难，这就要求在投资上要更加的科

308、学、严谨、细致，而粗放式的投资方式会逐渐丧失竞争力。当前着力点在于不断优化投资全流程的细节，保持技术的领先性，在数据-研究-组合-交易全流程愈加严丝合缝。2023九坤将迎来十一周年，九坤意识到，只有不断深化策略研究、不断拓展策略广度才能保持竞争力。而当前如此精细化的投研流程也是“牵一发而动全身”，细节部分必须精心打磨，容不得半点马虎。另外，九坤以超过十年的本土经验，从自身出发，积极探索适应中国市场特征的量化发展模式，持续通过基金锁定期设定、投资者教育向市场传递正确、长期的量化投资理念。而面向未来，量化行业将会在宽度和深度两个方向继续拓宽加深。随着市场有效性的提升，量化策略的业绩环境逐渐趋于平稳

309、，各机构需要做好业绩的预期管理以及投资者教育。另一方面，从规模的角度来看，未来几年量化行业规模增长可能会趋缓，进入到高质量发展阶段。随着量化在中国逐步发展，涌现出一批大规模、多策略、多元化发展的头部机构是发展的必由阶段。但当前国内量化整体的成长空间十分广阔，随着对冲工具的丰富和资本市场制度的不断完善，策略的创新空间也十分值得期待。在日新月殊的变革下，量化行业的竞争也在升级，九坤认为，若想成为具有国际竞争力的量化机构，考验更多的是新技术的应用能力、各类数据的挖掘能力、人才团队和组织文化的活力等。但归根结底，是要求管理人专注本质，回归第一性原理，不为短期诱惑所左右，只有这样，才可能有机会实现良好投

310、资业绩的可持续性。100 宽投宽投资产资产微妙玄通微妙玄通 若冬涉川若冬涉川道德经说，古之善为士者，微妙玄通，深不可识。豫兮若冬涉川，犹兮若畏四邻，夫唯不盈，故能敝而新成。意为审慎得好像冬天过江，谨守得好像畏惧四邻，唯有不自满自溢，才能在凋敝死亡中成为新人。宽投资产的创始人兼投资总监宽投资产的创始人兼投资总监 钱成钱成一发子弹一发子弹 一条命一条命“我把办公室的门留着了，如果你们先到了，就到会议室坐坐吧。”“那我们开机复制代码了哟！”“随意点，当自己办公室。”周日上海，春寒料峭，天气阴沉。宽投办公室不算轩敞，满满堆着电脑、资料，像是创业公司而不是一家倨傲的百亿量化。董事长钱成让编写组稍等片刻迟

311、到一会儿，随后带着逛了公司一圈进了自己的办公室，刚坐定又迅速提了一整箱矿泉水招呼着让大家喝。“这环境像是个皮包公司。”他开了个玩笑，于是办公室一下子氛围明亮了起来。宽投，音译来自 Quant，普通名字，尤其作为一家百亿量化私募来尤以为甚。钱成，从业 10 年，见之眉开眼笑，也完全不像从业老兵。如果说命运是一条奔流的大河，有无数的支流汇入，又从无数的河道中宣泄而出，那钱成仿佛是一个“随波逐流”的人。2011 年，钱成本科毕业，2012 年去美国密歇根大学念统计学博士，恰逢导师学术休假回国。“博士生导师跑路了，正确打开方式就应该跟他回来做，既然读了人家研究生，就应该给人家干活。”于是钱成也跟着回国

312、。答应去做一件事情，就应该帮把这件事情做好这样朴素的信念贯穿钱成的量化投研始终。幸而这是人生中一次比较正确的决定，导师选择做量化，他就在办公室里面帮忙，做得太认真又不小心成了活儿干得最多、最用功的人之一，他感受到自己在交易上有一些难得的天赋，决定自己开一家公司。101 于是 2013 年和另外两位合伙人在浦东陆家嘴花园租了五六十平方米的房子，白天股指期货，天黑手敲代码，三个人没日没夜连睡觉都在这小房子里。“大家交易 6 个账户，每个账户 1200 次，一来一去 2400 次交易，6 个户就 14,400 次，迅速占到了全市场成交量的 3%。”他一说数据就像啪啪啪地在按计算器，豆子似地往外倒。“

313、从小机构到百亿，中间有经历过曲折吗？”编写组问。“没有故事，很平淡。其他人有什么故事吗？”“例如 2015 年？”“那时候反正代码也要调，之前很烂的再重新写一下结构更加好一点速度更快一点，都是日常工作。”交易与开交易公司并不是一件事。对钱成而言，进入量化行业是正确的，但开公司未必是一个最正确的决定。“交易是一个简单问题，而开公司涉及性价比，招那么多人、管那么多钱，但纯做交易未必比现在挣得少，会面临财务、人事、品牌、市场推广、规模、考核、政府关系、工商税务等等问题，最后只有 1 个问题与投资有关系，人做事不是要扬长避短。”也许正因如此，钱成是公司董事兼投资总监却并非总经理。钱成言笑晏晏，整个人佛

314、系得就差手上配条串儿了。但市场河流沉浮，在这个市场里面搏杀并不那么容易，他偶尔也并不佛系地会用“一发子弹一条命”来形容市场格局的演变，并对此保持谨守。“2016-2018 年，沪深 300 持续走强，中证 500 正好成了全市场最弱的指数。于是很多人选择中证 500 做对冲，机构出现分化，做对了就起来了，做不对的就渐渐不见了。大家是否睿智地提前知道了中证 500 一定会跑输沪深 300？还是只是幸存者偏差呢？不知道，对于公司来说是一发子弹一条命，选择错了很多时候没有第二次机会，上了百亿不要以为掉不下来。”作为百亿私募，宽投宣传方面一向低调，但聊下来发现低调是表、谦逊是里。“我们确实还许多有待提

315、升的地方，说这话并不是装出来的，最近我们还在想提升研发平台，现有版本是公司规模 20 亿-50 亿阶段做的，迭代了三次。现在规模已经到达百亿，就发现挺傻的，代码也看不太顺眼，很想找个借口再重写一下做升级。”水无定形水无定形 兵无成势兵无成势宽投产品分为 3 条线，其中 CTA 策略规模占比 18%，分为一倍杠杆标准产品线和两倍杠杆高波动产品线，平均持仓周期3-5 天，套利与趋势追踪策略均有覆盖。多策略专户定制产品规模占比 9%，融合了指增/对冲/CTA 多条复合产品线，可以根据客户风险收益偏好定制，做子策略灵活配比，产品净值波动比较低，拥有较为平滑的净值曲线。而指数增强规模占比 73%，特点在

316、于跟踪误差较小，超额夏普值高，因子库丰富，相关度低。涵盖中证 500、中证 1000、国证 2000、科创 50、沪深 300。成分股内选股做指增是宽投的一大特点，这源于策略本身，也来源于宽投对风险的认定。钱成解释道：“假设做空 1000 等权配置，做多 1000 等权配置，不考虑融资成本的话可以两头平手，超额来自增减配不同强弱股票，类似统计套利、隔夜 T0，多空就会形成获利空间，同时回撤较小。”这种策略与传统多因子模型有一定差异，与模型、算法、策略本身关联度较低，可以复用在 300、500、1000 类指增。这套逻辑可以支撑宽投在成分内选股。钱成认为，量化本质是追寻 Alpha，而不是做小市

317、值赚 Beta，再把 Beta 当 Alpha卖给客户。如果客户看好小票，可以直接购买国证 2000 指数增强，但不能买了中证 500 指数增强，最后发现组合与国证 2000相关度更高。这种方式也许可以让产品一下子到达网红级别，例如中证 500 上涨 8%，国证 2000 涨了 13%，产品实际超额 7 102 个点，总收益 20%，但对标中证 500 的话就显得超额有 12%。“每一轮行情都会有类似选手，管理人这么做也没什么问题，因为市场有需求，只是宽投已经没有精力去研究市场需求在哪里了，我们只想把自己想做的事情做好。”宽投鲜少在零售端大张旗鼓地销售产品，管理规模却到达百亿，其中正是因为很多

318、机构投资者基于产品低回撤和指数跟踪偏离度而来。2022 年宽投中证 500 超额最大回撤只有 0.86%，夏普值位居市场前列。在钱成看来，管理人不应该代替客户做 Beta 选择。宽基指数选股域更宽，还能多空做 Alpha，那窄基指数如科创 50 型怎样做增强？钱成不否认窄基指数增强有技术难度，许多机构不在成分股里选股的重要原因正是较为复杂，公司最早的科创 50 增强就是在 50 只里面选 25 支做超额，但这种方式使得量化优势不足以凸显，甚至不如基本面研究员逐一深度研究 50 个股,再从中选出 25 支，所以宽投的科创 50 指数增强也有少量成份外选股。水无定形，随境而适。多空灵活的策略可以复

319、用到多类指数，使得宽投的指数产品具备非常广阔的想象空间，形成超市货架式宽基指增策略：“现在我们市场就是这么想的，就啪各种指数增强都有，让客户选 Beta，管理人做 Alpha，除非类似国证系列指数和中证系列指数股票本身有重合，不然我们几乎没有容量限制，而且跟踪误差很小，尽量控制在 2%以内。”钱成道，投资人有不同的风险偏好，也会有管理人挑对风格，在某些年份迅速募资壮大形成规模效应，但这就会变成商业行为，而钱成希望把更多心思花在投研本身上。数据数据因子因子 知其然更知其所以然知其然更知其所以然钱成看似“佛系”，但是交流到具体的事情时，明显又有自己的态度，外圆内方。对于数据与因子他认为：“各家机构

320、不管是数量还是使用方法都没有可比性，更多是基于入库要求，如果把因子相关度要求提高到 0.3 以内，一年可能就只能新增 20 个因子，相反如果相关度要求 0.6 就会形成浩繁的因子库。”宽投追逐因子的基本原理，每当因子入库会，投研人员相聚一堂，每人一张 A4 纸涵盖因子基本信息、市场表现，与因子库其他因子相关度、不同族因子相关度，不同年份、不同环境的表现等等。除了这些标准动作，关键是知其然并知其所以然，工程师需要解释“How It Works”。而听的人要能够判断是否靠谱，值不值得入库。“因为幸存者偏差，我们看到的因子表现永远是样本内的，即便貌似样本外本质也是样本内，因为样本外不好的已经被系统筛

321、选掉了，而知其所以然就能减弱这种偏差。”几乎所有量化机构都在不留余力地获取“另类数据”。钱成认为：“这不同于由数据驱动的互联网公司，量化机构之间本质上没有太大的壁垒，只是知道和不知道的差别，所以会对数据的使用保密，但在数据高度类似的情况之下，怎样解析数据、理解数据就变成了大家拉开差距的核心竞争力。”这种佛系在看待很多方法论、策略的时候都会趋向于见素抱朴，去掉复杂系统的神秘性。“强化学习本质上是最优化问题，是在动态规划基础上面，加入随机变量，主要应用于风控环节，风控模型和收益模型本质一样，一直到协方差矩阵步骤前高度类似，没有必要形容得非常高大上。”钱成谈到。“23 年之内您有规划？”在最后，编写

322、组问到。“没想过，开心就行。我们对业绩是很有信心，投资人能盈利，自有资金能赚钱，这不就可以了，还要干嘛？”他笑了起来。103 锐天锐天投资投资中性中性 慎独慎独慎独像是锐天某些方面的特点写照，2019-2021 年，市场三连阳 Beta 向好，指增产品大行其道，中性产品市场占比节节滑落。但锐天总管理规模 60 个亿，其中中性规模就 45 个亿。从 2013 年成立至今，在锐天成立的第 10 个年头，徐晓波应该有很多话能讲，但是分享又表现出一种慎重。作为一家资深量化管理人，尤其是中性产品管理人，锐天在如何看待以及理解这个市场？关于锐天投资更多内容请详见2021 年中国量化投资白皮书第五章锐天投资

323、：中国量化史印锐天投资创始人锐天投资创始人 徐晓波徐晓波锐变新常态锐变新常态 量化难以独善其身量化难以独善其身“毕竟交易是一门生意，做资管行业的，客观情况下也会受到市场关于未来经济预期的影响。”即便中性产品对冲掉了市场涨跌，但由于疫情等宏观因素叠加到量化行业以及 2022 年下行周期，很多资金开始冷却，投资者信心受到动摇，徐晓波认为，这个时候不管是量化还是资本市场都在陷入调整状态。回顾 2022 年，不管是量化还是主观、中国经济还是全球经济，都在一体化发展的进程中，量化难以独善其身。锐天中性产品名为磐石系列，做全市场选股，持仓 600-800 只个股，其中中证 500 对冲年化换手倍数 80-

324、100 倍，沪深300 对冲 100-150 倍。策略信号做短、中、长周期结合。主打持续低回撤、高夏普，穿越牛熊获取稳健正收益。回顾 2022 年，从时间点看，三四季度是量化相对难表现的阶段。据徐晓波介绍：第一是基差收敛快，对中性产品冲击较大，三四季度全球资本市场动荡也体现在了 A 股变化上。其次上半年盈利资金需要选择时间加仓所以三四季度超额也有所回撤。即便市场情绪相对焦灼，很多产品出现回撤，但锐天因几个重点时段业绩波动较小，压力会也相对较轻。“当然，三四季度基差收敛快以及超额回撤压力大，但这并不是可以通过降仓来解决的。我们对大盘仍然是相对乐观，认为市场进入拐点状态。至少大家对疫情的担忧已经逐

325、渐减少，我们团队健康状态也尽快恢复到了正常工作状态，所以更多不是市场波动问题，而是能否正常工作或者量化交易平稳运行、策略迭代保持节奏的问题。”2022 年大量突发性事件导致部分量化模型会出现失效，而频繁的风格轮动让投资人更是无所适从，面对黑天鹅、事件 104 性因素，锐天实践方法是什么？“这是两个问题，第一是黑天鹅事件本身对量化策略影响是什么？第二是策略失效怎么应对？当市场或者行业出现新的巨大变化时候，规律定然也会发生变化，相信很多基金经理也在寻找路径。2022 年量化策略即使在黑天鹅事件之下仍然具有竞争力，挂钩指数会产生波动，但是很多时候超额波动并没有显著增大。往年更多是策略超额本身衰减，导

326、致了收益降低，但本质上是竞争或者更多资金配置导致的。这就引申出第二个问题，怎么应对更多资金配置导致的策略衰减。管理人只能靠自己不断进行优化，发掘更多市场规律。美国许多优秀基金，做了很多年仍然在持续挖掘新规律。我相信中国量化市场还尚未达到美国的红海状态，可以交易的空间和优化的空间都还很多。”徐晓波愿意从更高维的资金流视角看待市场的变化。在他看来，2008 年之后，资本市场就没有经历过大幅度加息。站在今天这个时间，大幅加息后经济是否会受到抑制导致衰竭是资本市场关心的新问题，中国经济本身是否有足够的增长动力和长期动力？复苏是否如同想象中有效？政策是否能够如期施行到位？中国在科技领域的发展将受到哪些制

327、约？这些问题将是影响国内资本市场发展的关键因素。但在 Beta 在下行周期的时候，没有热情资金进入属于正常现象，从长远来看，量化相对全市场其他策略而言业绩仍然具备竞争力。在宏观不确定性加大、市场波动、行业轮动频发的情况下，量化业绩优势明确。未来 3-5 年，量化策略占比还会继续扩大，存有一定级别增长空间。虽然 2022 年中美博弈之后，外资对中国资产顾虑较大，但是徐晓波认为这是阶段性现象，需要时间消化，=并非未来长期主题，锐天希望 A 股市场可以吸引全球资金配置，为市场带来更多活力、流动性和机会，成为全球配置当中不可或缺的一部分。“把经典信号做得更有竞争力把经典信号做得更有竞争力”锐天是以中高

328、频起家，现已从中高频扩展到全频段，同时覆盖多类资产，希望在每个赛道上都能持续有创新和迭代，各个赛道之间也有好的经验上交互，以此持续提升、突破创新。徐晓波已经经历过足够多的量化周期，从 2018 年经济下滑、加息再到 2019 年市场反弹，2019 年-2020 年疫情以及疫情后全球经济衰退。徐晓波认为量化业绩波动更多是来自量化本身的竞争而非宏观因素。市场上如果波动放大，所有因子都会受到影响。收益竞争力更多是靠量化自身因子特色和竞争力完成，管理人要更好地挖掘市场波动本身规律来源。随着量化在市场占比变大，需要确保在波动期间，超额能稳得住以及回撤时能做好归因。“市场扩增出现很多出色玩家，其业绩能够穿

329、越牛熊，原因一是靠管理人稳健的风格体系，第二是有一套行之有效的量化投资方法论，能够挖掘出市场上的超额机会，同时也能不断精进。”徐晓波认为，在竞争加剧的情况下，不断挖掘出新的市场规律才能立足于市场，有助于公司的不断发展。”公司早期发展机遇中尚且有运气成分在，但是只要策略体系有持续竞争力，终究是会得到更多资金认可青睐。目前锐天总管理规模 60 个亿，其中中性规模 45 个亿，指增 13 个亿，CTA2 个亿。在市场大量推指增产品时，锐天仍然中性居多，这与市场时间节点、策略条件以及公司布局紧密相关。公司最早也是中性策略起家，当时市场对指增接受度还低，从 2019 年开始大盘本身表现好，同时全市场量化

330、规模迅速增长，代销热情高涨，很多资金疯狂涌入，导致市场拥挤度快速提升，同时受到疫情及宏观影响，大盘进入了调整，股指期货基差收敛，对冲成本随之下降，中性产品的性价比和吸引力开始凸显。募资的前提条件是经过了一段业绩强势的时间，但是往往在业绩强势的时候，例如 Beta 涨了很多的时候，下行风险也开始变大。尤其是像 2022 年某些时间点，募集端想推指增，但市场接受度低，而市场真正回暖的时候，Beta 已经赚到 105 钱了，再布局就稍微晚了，所以客户需求是动态变化的过程。目前锐天已经发布的指增产品挂钩沪深 300 及中证 500 指数。其中中证 500 指增持仓 600-800 只个股，年化换手倍数

331、80-100 倍，做短、中、长周期结合，偏中高频。沪深 300 指增全市场选股，持仓 500-700 只个股，年化换手倍数 100-150倍，高频策略。指增产品会对风险敞口控制进行严格的约束，同时限制个股持仓上限、Barra 因子暴露、行业偏离度，沪深300 指增策略中大票权重处理稍有不同，有些市值暴露在所难免，关键是怎样平衡风险与收益。“指增产品要把经典信号做得更有竞争力，同时有自己特色。”锐天希望自身策略在主流赛道上拥有竞争力。同时配置一部分具有差异化的信号策略，这种差异主要呈现在周期上。恒久忍耐恒久忍耐 以求存进以求存进量化并不全是灵光一现，更多的时候是恒久忍耐，以求存进。从中性起家，锐

332、天投资把触角逐步伸向量化全方向。“量化竞争体现在全方位，锐天也在加强面试候选人增大研究方向上的覆盖，包括因子挖掘、机器学习、基本面量化研究、另类数据等。”当然全方位竞争也得保持自身优势，在徐晓波看来，锐天通过业绩证明过自己，同时也处于不断提升过程当中。“以 ChatGPT 为例，10 年之前就开始成立，经过了几个模型迭代到了今天让人惊艳的程度，其中算力加持、模型本身进化、数据量变大、更多资本投入关注，以此迎来拐点。对量化来说也是一样，随着数据运用越来越多，从量价到现在基本面、另类数据、新闻文本数据会深挖细分，给策略信号带来提升。不断积累到了某些拐点上就会爆发出越来越强的竞争力。”徐晓波认为，这

333、种累积并非以一种产品形式呈现，不是突然在策略表现上升一个很大的台阶，而是从量变到质变的过程。同样以 ChatGPT 为例，为什么人机交互体验上可以做得比以前好很多，本质上也是有很多环节叠加形成最后结果，而对量化来说也是一样，例如在因子训练方式上，生成数据是基于很多基础因子的计算方式、训练方式、生成方式、模型能力、网络结构运用、交易环节优化上面，需要在很多环节和方向上进行沉淀、创新和深挖，从长期来看竞争力自然会凸显出来，而策略规模、容量也会跃迁。“自动驾驶也是一样，传统自动驾驶设计是以定制规则让机器执行，在无人状态下也可以驾驶得很好。现在更加前沿的方法是把规则变成端到端，会囊括很多机器学习的内容，进行创新和改进。”条条大路通罗马，各家管理人对 AI 的探索方向不一定完全一致，用传统因子挖掘方法也能得到不错结果。锐天的方式是在几条赛道上同时不断精进、兼收并蓄。从工程角度能够更好地理解现在所用的