揭秘神秘的量化基金:原来人工智能是这样选股的!
2017/7/10 中国基金报

    

     中国基金报记者 李沪生

     在Alpha Go称霸围棋界之后,AI(人工智能)的一把热火也烧进了投资领域,通过人工智能筛选优质个股、捕捉市场风格变化、挖掘量化模型中的价值因子,辅助主动投资。

     那么AI选股是否开启了“人工智能(AI)量化投资新时代”?AI选股与传统量化投资的差别是什么?AI选股是否能捕捉市场风格变化、筛选优质个股、获取超额收益?

     7月5日下午万家基金量化投资部总监卞勇做客《中国基金报》粉丝交流群,和大家分析下当下量化投资的逻辑及AI选股的流程,现基金君将当天的问题实录分享给大家:

     1、问:请问量化投资适合于任何市场,和任何时段吗?

     我自己的理解,量化是一个工具、一个手段,投资是目的,从本质上来说,量化投资和其他的投资类别没有区别,最终的目标都是在不同的投资标的里去做一个挑选,选出好的、丢弃不好的,与传统投资方式可能不同的地方就在于,我们会用统计、数学、计算机的技术,来帮助我们去了解这个复杂的证券市场。

     也就是说,量化投资本身是一个投资的方法论,虽然就单个策略而言,没有一种能够适应任何市场、任何时间段的量化策略,但是以量化的手段来帮助我们进行投资,这样一个投资理念,在任何的市场、任何的时间都是能够帮助我们提升投资或者风险管理的成效的。

     实际上量化投资这个词并不新鲜,在海外市场已经成熟多年,国内市场从08年以后也得到了长远的进步和发展。我最近看到一个数据,2016年在美国市场上排名前十的对冲基金,其中有四个都是专门做量化的投资基金。在A股市场,我们之前做过一个统计,在过去三年里量化类的基金,总体上是全面大幅跑赢其他类型的产品,包括主动管理的权益和混合型基金,过去三年量化基金平均收益率可以超过80%,而普通股票型只有70%左右,混合只有百分之五十几,所以说量化作为一种投资手段,是能够给我们提供一个收益增强。

     随着这个市场的日益发展和完善,投资标的的越来越多,我们所掌握的数据量信息量也越来越多,在这个纷杂的投资环境里面,实际上是需要一个定量的手段来帮助我们更准确的去理解市场。

     实际上大家看一下海外市场做一个对比,可以看出海外市场并没有所谓的量化基金这样的东西,其实在绝大部分成熟市场里,大多数的基金都采用量化的手段来帮助自己来进行一个投资,比如说美国的公募基金市场里边排名第一第二的全部都是在做量化的基金,这是作为一个证券市场从发展走向成熟所必经的阶段。

     2、问:量化的模型和策略有那些自己的特点?如何适应未来市场的变化?谢谢!

     我认为和传统的主动管理投资方式相比,量化投资有几个非常鲜明的特点,最鲜明的它是一个纪律性的投资。我们时常说在这个波动比较大的新兴市场里面管住手就赢了第一步,在这方面其实量化投资相对于主动管理投资实际上是更有优势。有句俗话就是说投资是反人性的事情,因为他需要你在别人恐惧的时候贪婪,别人贪婪的时候恐惧,如何能在这个市场上顶住这种压力去进行这样的操作,实际上坚持投资纪律是首要的,那么量化投资在这方面具有天然优势,整个量化投资基本上都是基于一定的一个或者多个量化模型得出来的组合进行投资交易,平时的投资交易中,很多投资指令包括交易行为都是由模型给出的,这样减少人工的关系实际上是可以减少不必要的操作,提升模型的整个投资效率。

     第二个优势就是量化策略通常都有一个系统性,这个很容易理解,就是说在考虑问题的时候,用定量的技术来考虑,会考虑上下左右各个方面,而不是说就一个点,并不是说我看到某只股票突然有个爆炸信息我就买进去,通常来说量化模型是不允许这样来操作的,需要对于整个企业、上市公司在一个板块、一个行业乃至在整个市场里面做一个横向纵向的定量比较和分析以后,才能决定投资策略。

     第三个就是复杂性,A股市场从无到有,从小到大经历了这么长时间,尤其是2016年以后,股票上市的数量成倍数地增加,目前投资中能接触到的股票数量已经超过3000只,在这样一个庞大的备选标的的背景标尺下,实际上作为基金经理也好,研究员也好,想要去全方面的掌握整个市场是非常难的,量化模型可以帮助我们克服这个困难,通过量化模型可以帮助我们去去繁就简,更好的去了解这个市场这个行业这个板块内这个个股到底发生了什么事情。

     最后一方面就是及时性,我们通过一系列量化指标来对投资标的以及市场行为进行一个实时监控,通常是等到某些触发条件发生了以后,会进行一个及时交易,这一点其实在很交易类的策略里面可能体现得会更明显一些。

     3、问:采用多因子选股模型一般会使用几个因子?今年哪些因子的效果最好?

     多因子模型实际上是整个量化模型在组合投资领域最重要的一个模型。它在美国市场上从上个世纪五六十年代开始发源,到90年代奠定了一个多因子模型的雏形,之后在海外市场已经得到了非常成功的应用。这样一个模型到目前为止,实际上已经成为了一个类似于教科书式的被行业内所认可的模型框架。一般来说,我们的量化选股模型都会有一个比较大的因子组合,对于股票或者企业的不同的方面来进行一个描述,理论上来说任何能够对这个企业或者个股有差异化描述性的东西都可以作为候选因子。

     举个例子来说,我们平时用得很多的估值指标,包括PE、PB,这就是天然重要的一个因子,另外一方面偏财务类的像主营业务收入、流速比这样的指标也可以作为我们的因子,因为它可以衡量这个企业的质量,第三类用的比较多的是市场类指标,比如像前期的涨跌幅,之前有经历过多少的涨停啊、跌停啊,这样的数据,实际上是能衡量这个股票的交易性。

     这样的类型也会作为我们的备选因子组成部分,因子库一般来说虽然比较庞大,但是在实际应用中最后挑出来因子的数目不会太多,因为如果太多的话,再做股票组合的时候是非常难以得到数学问题上的困难,所以一般来说呢简单的一个多因子模型选择出来的因子数量大概会在八个到十个左右,在极端行情下可能就三到4个。

     今年以来这些因子哪个效果好,实际上就对比一下不同因子的IC值(信息系数)就知道了。今年以来,由于整个市场是偏大盘蓝筹的行情,类似于PB、企业主营业务收入这样的因子表现是更好一些。

     回到我们刚开始的第一个问题。没有可以战胜任何时候、任何市场的量化策略,同样也没有在任何时候都适应市场的因子,也没有一个不能适合任何市场的因子,绝大多数因子都是根据市场的参与者变化,而在其中有所变化。所以,其实我们之所以选择做人工智能,也是很大程度上把过去对于一个正确企业的静态描述改成一个动态的过程,选择当期最合适最恰当的因子以组合方式来描述市场。

     4、问:前段时期中小创处于下跌通道,大多量化基金选股因子重仓中小创,导致量化模式暂时失效,后期如何克服这一缺陷?

     我们首先看一下是什么导致了过去很长一段时间里,量化模型在中小创、小市值股票方面有一个普遍的超配,实际上有几个因素造成了这超配小市值股票的现象。

     第一个,实际上是一个主动的超配,差别来自于在A股从09年以后直到2016年年底这么长一段时间的市场里,整个呈现出小市值相对大市值股票的超额收益,在这么长的时间里,市场的风格都是明显呈现出越小越受欢迎这样的一个特征,但这样的特征背后有一定的原因,比如由于A股市场没有合适的进出渠道,导致了壳资源价值比较突出,尤其在小市值上可能壳资源的价值占的比重比较大。

     还有一个,由于参与者的构成不同。A股投机性比较强,对于小市值、波动高的股票会有一定的波动溢价,这些都是背后可能的原因,在这种情况下,绝大多数量化模型其实都能够发现这样的规律,同时在这样的规律上去进行自己的配置。也就是说既然发现了这个市场里面有强的小盘股效应,那么在小盘股上进行一个超配,本身是无可厚非的,这是第一点,主动的进行一个风格的暴露,小市值上的风格爆。

     那如果说第一点是主动暴露的话,第二和第三点实际上是一个非主动的道路,第二点就是说我们在传统的做一些量化模型的时候,由于模型的使用者开发者的主观或者非主观的因素导致了我们在使用这些因素因子的过程中,没有做到足够的提纯。我举个简单例子,比如说在去年这样的市场里我用两个因子来衡量这个市场的表现,第一个是市值,第二个是换手率,我知道不能在某一个因子上面暴露全部的头寸,那我就先定一个50对50的比例,这个模型看起来是这样子,但是当我们仔细去分析这个因子的属性的时候,看到市值这个因子和换手率实际上具有高度的相关性。通常来说越小市值的股票换手率越高,导致最后的在市值方面的投资可能会到70%以上,这样的做法其实并不新鲜,在很多不太严谨操作的量化组合里面都能看到这样的痕迹。这第二点就是由于因子之间的相关性没有得到很好的处理,会导致被动的在市值上去做过多的暴露,这其实也是一个线性静态模型比较难克服的一个弊端。

     第三点是在最后的部分,就当因子选择构成完了之后,用因子组合对于整个市场被选成备选股票池进行一个打分,之后最终要形成一个股票组合,形成股票组合形成有多种不同的模式,有一些复杂的,通过二次规划方法来求解,实际上在前些年在国内最流行的做法是用等权方式,也就是说我用因子选出来的最后这50只股票,我等权重的进行资金分配,每只股票分配2%的权重,最终组合就形成了。这样的分配举个极端点的例子,市场上就两只股票,一只规模是6000亿,一只是50亿,那么这个市场的构成,市值占比其实是很不一样,远远超过了1:9的关系,而当我们在这样的市场中,对选择出的组合进行50:50的等权配比的时候,实际上我们在这里的组合相对于整个市场结构来说是严重的超配了小盘股。这一现象实际上在过去很长一段时间也都是一个在量化的组合里边很很常见的一个情况。

     以上这几点相加以后,我们就得到了一个结果,主观的、客观的,由于这样或那样原因导致了很多的量化的组合对于市值这个因子有了非常大的超额暴露,这就是一个明显的表现。

     如果在一个风格上积累了太多头寸以后,当这个风格发生了明显的跳变,就不可避免地遭受超额配置所带来的损失。

     本质上来说,多因子模型,如果回到本源把它拆开来看,实际上是衡量了市绝大多数参与者是怎么样来看待这个市场。我们其实都知道多因子模型的出发点是三因子或者四因子模型,实际上就是市场、市值和估值这三个因素,四因子再加上动量,如果市场的投资者都是从这个角度来看待问题,那么这一个模型就会比较有效。如果市场投资者结构发生了变化,原有的模型可能就会面临着一个失效的情况。

     回到现在这个问题,我认为大多数的量化模型今年以来的回撤,实际上是对于市场风格变化的一个滞后反应,这个市场风格变化最主要原因是监管等一些其他因素导致了投资者结构,或者投资者整体偏好的变化,也就是投资者怎么来看股票的标准的变化。当这个市场的规则重新确立,大家有一个比较明确的预期,投资者结构相对比较稳定之后,会呈现出来这个市场新的规范和核心的规则,通过量化手段,还是能够去把握住这个市场新的风格,做到更好的精确投资。

     5、问:AI选股的投资流程是怎么样的?

     回答这个问题之前,我想先讲一下我们为什么会想到用人工智能来做一个选股,就是在面临风格转换的时候大多数的量化组合遇到了一个表现不佳的情况。这个市场是在一个变化的过程中,静态的模型是需要在等待的过程中去对模型做出一个调整才能适应市场新的变化。

     那么A股市场尤其是进入到新周期以后的A股市场,随着全球政治经济环境的变化,未来可能会呈现出一个长期低波动,但局部跳跃性波动的情况,在这个市场环境下,实际上对于量化模型的表现提出了一个比较高的要求,这是第一方面,市场风格变化。

     第二个方面,还有一些不是那么明显,但是更深层次原因,就是从去年开始越来越多的机构投资者资金在进入这个市场,因为量化都是用一个固定的量化模型来做一个定量的投资,在模型上是具有可复制性的,短期积累的资金可能会非常大,另一方面所追求的都是一个超额收益,也就是说在阿尔法的层面上,是一个零和博弈的过程。当越来越多有相似性或者根本就是相同的策略进入到市场以后,就会导致原有的有效的因子收益越来越低。其实从海外市场可以非常明显的看到这一点,美国市场一些主流的因子基本上都退化到只能够提供一个无风险收益的水平,一个简单的多因子模型是很难获得超额收益的,慢慢会作为一个配置的工具。有一个比较学术性的统计,在成熟市场美国日本这样,现在的线性单因子模型提供的收益只有最初时候版本的30%左右,在发展中的市场上,随着越来越多的人认可量化投资,越来越多的资金进入到这个领域,相似的策略肯定会带来收益的下降。

     第三个,随着整个投资环境、投资者结构的变化,目前A股市场因子也跟海外市场一样呈现出非线性的特征,非单调性的特征,在过往的情况下,很容易看出在A股市场有非常强的反转效应,涨得越多的个股,后面涨的越少,跌得越多的后面涨得越多,非常单调,基本上就把前期跌的最多的股票连起来的话会是一个比较好的单因子策略,但是这样的一个单因子的表现在去年以来这个市场上实际上是在逐步衰退,现在是呈现出一个非常明显的非单调性,也就是说并不是跌得越多的才涨的越多,可能是跌的多的后20%的或者跌到30%的才会相对比较多,在这种情况下传统的模型通过线性的方式是完全不能处理这样的规律的。模型的收益衰减加上非线性的特征,再加上风格转变,导致了会在因子的配置方面去寻找新的方向,我们自己基于团队包括个人的经历背景,觉得把人工智能引入到投资端来帮助我们进行因子的筛选和组合,能够给我们提供更可靠更有效的投资收益,也能够更加的适应这个市场的表现。

     先简单介绍一下我们是怎么做的,实际上多因子的框架大家都比较明白,这是一个套路化的工作,最开始需要积累原始数据来源、梳理数据的基础上,可以用一些外部的数据提供商提供的应用数据也可以,我们都是用自己的数据库去做手动处理,在单因子的基础上需要形成一个因子组合,对于股票进行一个评价,对比风险模型再对比各项投资约束,对股票的投资组合进行一个优化,最终就形成一个投资交易的组合,那么AI的智能选股体现在什么地方呢?就体现在从单因子之后到多因子之前的选择部分,这部分传统上来说是量化投资,作为一个模型驱动也好或者是客观性投资里面不客观的部分,我们是得到这些单因子之后用过去一段时间里数据比较一下,再通过回归的方式或者是通过人为指定的方式去选择一个股票,不同的地方在于我们在这一步过程中是用人工智能来判断,具体是用过去一段时间的市场表现,用因子和组合去测试,也就是所谓的机器学习的部分,每做一步都对因子和组合实际得到的效果做预测性或做一个判断,比如增加一个因子或者对这个因子的权重做一定的调整是不是能够改善我对于好股票之间的区分度,那么如果能改善,就做心理调整,如果不能改善,我就借助于现在比较强大的人工智能,通过反复的运算,最终得出一个在当前情况下最优的因子组合。

     6、问:AI较传统的统计学习方法的优势在于哪里,能否解决风格切换太快的问题。

     用人工智能的方式代替人去做,最大的优势是在于使得我们有一个有法可依的规律去寻找描述这个市场当前最好的因子组合,传统的多因子模型在做因子组合部分的时候,要么是根据过往的历史经验定下来一个确定性的权重,比如说定下来永远都是用市值、换手、前期涨跌幅、pe、pb等等这五六个指标加起来去对股票做一个判断,实际情况是市场会变的,这个时候市场参与者都关注这五个方面,虽然变的幅度没有股票那么大,但是随着投资者的结构的不同,尤其是在A股市场,随着监管环境的变化,当变化来临的时候,投资经理可能就需要对于模型进行调整,实际上在传统的静态模型里面调整是无所适从,我们往往看到两种结果,第一种结果就是有一部分的量化投资经理,可能对模型比较有信心,就不动了,永远都这个样子。另一种就是调整,主观的去判断下一阶段可能是哪些风格比较占优,再根据这个主观的判断进行模型的调整。

     这两种做法其实都不是我们想要,第一种做法,开玩笑的说,如果有信念拿自己的钱可以这样做,但是如果作为一个投资组合的管理实际上是不适合的,尤其是像公募基金需要应付日常的申赎,实际上是没有那么多的空间去进行一个扛的过程。而前面也提到多因子模型实际上为什么有效就在于这个市场上大多数人是怎么样看待股票的,当这个市场上由于投资者结构的变化,导致了大多数人对股票的看法、逻辑发生了变化,你必须随时进行调整,不然就会被市场抛弃。

     但是第二点更不可取。人的主观去挑选实际上和主观的判断去挑选股票没有本质上区别,只是用一种主观的模式去解决了另外一种管理模式,实际上不能够体现出量化自己在系统性、规则性等方面的优势,是一个本末倒置的过程。

     我们通过人工智能的方式,在统计学意义上来说有几个好处,第一个是不用太考虑非线性的问题,人工智能的方式就是机器学习的方式,整个人工智能最核心的领域就是机器学习的部分,实际上可以把它看作对传统统计方式的一个革命,也就是另外一个角度来看待统计的方式,在这个环境下我们过去所说的一些限制,包括线性约束、单调性约束,都可以在这样的框架下,不用太过担心。第二个可以给给我们一个指导,随着市场的风格变化来挖掘这个市场上最有效的因子组合,在实际操作中的股票组合可以很明显的看出不同月份之间这些因子表现虽然有一定的延续性,但是在最终呈现出来的因子组合上还是有差异的,我们认为要通过动态调整的方式,AI智能选股实际上就只能选因子,能够帮助我们克服A股市场这样一个风格变化的问题。

     7、问:AI选股的回撤如何控制?量化基金对数据反应有时间间隔,如何应对市场行情突变?

     我前面也讲了AI选股最核心的部分是在对于因子的择时和组合,本质上的过程是对于描述市场最有效的一个因子的筛选和组合,再针对在实际的操作过程中选出来的一个因子和因子组合,去挑选股票,形成组合。另外一方面可以通过不同的时期得出来的因子组合变化来对整个仓位进行控制。

     两个层面,第一个层面,我通过因子组合来对我的股票进行一个分散投资,是从组合投资理论上能够降低组合的个体性风险,通常来说,我们的量化投资和持有股票都是在比较大的一个数目,80只左右。

     实际上在A股市场上,相对于个体风险,系统性风险是更加危险的,我们发现通过AI选股的模式,组合的分析能够帮助我们做一个系统性风险的规定。

     就是说我的这个因子组合通过人工智能方法筛选出来,筛选过程是对于近一段时期市场上的股票的表现和因子表现之间的一个衡量,也就是说,我站在这个时点挑出来的这个因子组合,肯定是衡量了这段时期市场上具有最强的表层性的因子。

     实际上我们可以对人工智能这个学习周期进行一个分段式的调整,在实际做的过程中,既会学习一些比较中长端的,比如说六个月到12个月的这样一些因子,也会去学习一些短端的,比如说是一个月、三个月的一些因子,通过对比这些组合,你可以很明显的发现出来,当这个市场发生了因子组合的强烈的跳变的时候,就是这个市场面临着一个很可能的风格转变的时候。我们去年在操作的时候,发现在11月底整个长端因子都是一些偏技术类、偏交易类的,像换手率这样的因子实际上从11月下旬开始就已经完全的换成了估值类的因子,到12月份的时候更是如此。

     因此做了一个判断,就是这个时候可能是市场会发生结构性的变化,是系统性风险比较高的时候,通常来说对于绝大多数投资者都是比较难把握的,因为走向是不明的,也有可能是一个跳变,也有可能是一个跳转,很难把握,这个时候最理性的做法就是把仓位降低。我们实际上也是这么操作的,当长端和短端因子组合重叠部分突然发生了一个明显差异,我们就会把整个的头筹你降下来,这个时候是一个比较难规避的市场系统性风险。

     我们还会有一个比较完善的风险模型,对于整个投资组合的风险进行一个判断。在投资组合交易之前,就通过历史数据对股票之间的相关关系、波动表现作为一个衡量,最终会把股票的波动性和下行风险控制在一个想要的水平之内,那么在这个水平之内形成自己的投资组合,通过这么长时间以来的运作表现来看,除了系统性风险,绝大多数的时候都是能够把我们自己的组合风险控制在一个可控范围之内。

     8、问:现在国内的量化基金对因子的选择,是纯粹量化还是加入基金经理的主观判断?

     两种都有,各自占得比重也不好说,应该说没有哪一种是明显的优势,也有很多这个基金经理比较习惯对于未来做一个主观的判断,然后用这个量化因子再形成一个自己投资组合,也有一些是根据过往一段时间的回归统计去挑选一个固定的因子组合。

     前面也讲了这两种做法其实都有待商榷的地方,第一种是过于主观,有可能会导致风险不好控制,把一个原本纪律性的量化投资组合变成了一个主观的投资组合,另一种做法呢就是相对比较僵化一些,并不能随着市场的表现做一个及时的调整,用人工智能的方式实际上是想要克服这两个弊端。

     9、问:动态匹配因子权重的周期是多少?有无固定周期?需要几天的数据来定性市场风格?

     一般来说我们的调整周期是一个月左右,也是根据我们因子的类别来定的,我们万家的量化投资因子组合差不多有400多个,其中核心因子是66个,这些因子其中很大一部分是财务类因子。财务类的因子有个特征,半衰期比较长。就是他能够贡献收益的时间会比较长一些,有一些研究表明直到两三个月还能够有因子的收益预测性,从衡量因子收益和操作上来讲,我们觉得一个月的周期呢是一个比较适合的周期,太短了,有可能会付出比较高的交易成本,同时换手会比较高。太长了,有可能不能够显著地把握市场的风格变化,所以说我们基本的调整周期呢是一个月,但是我们每天根据新收到信息去实时的更新因子库,也会实时更新我们的人工智能选股的股票池,可想而知由于通常不会在一天发生一个巨大变化,所以很多时候这样的因子变化、股票变化都是有一个比较强的延续性。

     来定性市场风格,我们自己不会去主观做一个判断,我并不会去用主观判断或者是用一个简单模型对于目前的市场做一个进行描述,我对于多因子模型的理解实际上就是这个市场大多数人是怎么样看股票,在16年以前的这个市场上,绝大多数人看股票就是不关心估值,就是关心它的增长,就是关心交易性,所以导致市值因子占了一个比较高的这个比重,那么去年11月份到12月份的变化实际上跟政策环境导致了机构资金严重向这个大盘蓝筹股去做倾向,有很大的关系。

     也就是说对于市场风格,我是希望通过AI人工智能的学习,通过因子的组合,用它的判断来告诉我,我自己主观并不对它进行判断,我不会说这段时间是什么样的市场,我希望在哪些方面做一些仓位暴露。

     10、问:万家AI基金回测表现如何?AI选股的回测与传统量化选股回测会有何不同?回测的可信度是否会有区别?

     我们在回测的时候,表现实际上是让我们觉得非常鼓舞的。在经历了去年年底到今年上半年风格的反复变化,我们实际上是能够在较短时间追上这个市场来保证一个投资组合的收益。由于合规的限制,我不能够去讲我们的回测的表现到底是什么样子,我可以大概讲一下,基本上是这个模型我不对他做任何干预和调整的情况下,也就是说不控制仓位的情况下,这样的AI的选股模型从去年年底到到现在基本上只有1月份和2月份有一个比较小的回撤,从3月份以后它适应了这个市场表现,就会持续的贡献一个超额收益。

     因为每天都在做一个回测的模拟模型,从目前的模型来看,我们当前去选择一些股票,基本上都是一些偏大盘蓝筹股,那么实际上从四五月份之后就已经进入了这样一种风格,那么所以说这两个月我们积累超额收益是非常多的,和传统的静态量化模型这一点是比较显着的区别。

     回测的方式其实并没有特别大的区别,因为回测基本上也是我会控制一个所有的数据都是当时可见,所有的数据都是一个原始数据,回测的分析和研究框架都是我们自己写的,最终回测的结果是根据我们在当时那个情况下所得到的所有数据形成了组合,然后在这个组合的收益情况、包括一些风险情况进行一个判断。

     其实量化最好的一个优势就在于它可以通过回测去对你的量化策略实施的可信度进行一个比较,因为所有的投资是具有规律性,也是具有纪律性的,实际上是可以在投资指令发出之前就已经得到了指令,并不受当时投资经理的个人行为所影响。也就是说做一个回测的话,只要你严格的控制好各项合作参数和回撤指标,比如对成交做一个限制,对交易成本做一个限制等等等等,这些细节都考虑到了,那么实际上回测数据和实际交易的数据应该差别不会太大,这也是所有的量化在追求的一个效果。

     自己在做实际的投资过程中,一般也都是在实际的模型和实际组合在做,同时我的回测的模型也是同步在跑,那么会去衡量投资组合和实际交易出来的情况会差多少,那么从过往经验来看,这样的差异其实是非常小的。

     11、问:万家量化团队如何进行人员配置?除了AI选股策略,万家量化团队还有什么策略储备?

     虽然万家是一个中型基金公司里面,但是我们量化团队其实在人员配置上还相对比较强的,我们现在整个团队有八个人,在团队构建之初就设定了以技术作为导向的发展方向,我们投资的理念就是以技术来推动研究研究来驱动投资,这个团队里面的大部分成员都是理工男或者IT男,我们更倾向于把投资认为是一种技术行为,随着我们计算机技术、人工智能技术包括一些其他相关技术的日益前进,实际上是可以通过不同的技术手段来帮助或者代替人去做出更好的决策。

     实际上我每次在路演的时候其实都有投资者跟我去交流,有这么一个观点其实挺流行的,就是说人工智能不管再怎么强,它还是要有人去给它做指引的,就是人工智能不该怎么样,发出指令的还是人。自己认为,随着科技的进步,也随着我们人本身的进步,人工智能实际上已经进入到一个非常贴近我们生活的这么一个水平。我们万家AI选股的模型里面使用的技术实际上和图像识别的技术非常像,图像识别我最近看到这方面的进展是香港中文大学的两个教授完成的,它已经可以使得图像识别的技术达到分辨率的正确率99%以上。人的主观的用肉眼去判断的这个准确率只有97%,所以说在这个领域计算机人工智能已经完全的超越了人,在其他方式也一样,像自动驾驶等等等等这些方面我们都可以看到人工智能已经取得了一个长足的进步,量化投资呢作为一种用数据来说话,目标比较单一,就是获取更多的超额收益,这个实际上是非常适合人工智能去应用的场景,未来我们也是有希望有信心把人工智能的技术应用在我们的选股策略当中去,获得一个长期稳定的一个超额收益。

     量化是一个非常繁杂的范畴。我们万家基金的量化投资团队除了人工智能选股以外,我们在其他的一些投资方面也有一些比较丰富的储备,也有很长时间的运作经验,主要包括像交易性的策略、程序化交易、套利交易等等。

     我们的整个团队呢是一个偏技术背景的团队,所以在整个的交易和研发平台上的建设花了很长时间,我们自己现在用的分析和处理工具是建立在自己开发的内存数据库的基础上。实际上这样的内存数据库已经能够完全满足我们同时扫描这个市场上发生所有的事情,并且做一个记录,并且做出一个交易行为。我们之前曾经有过测试,我们自己在这个投资策略里面去进行一个组合的交易,交易速度实际上是可以在秒以内就可以完成,这个在公募基金里面是非常少见的,也能帮助我们在一些高频交易、套利交易领域取得一个比较好的收益,我们在去年和一些券商在合作的产品里面,在去年整个市场流动性比较差的情况下,我们当时的套利交易能够占到能够占到整个市场有1个三分之一的流动性,也就是说我基本上能看到的这个看到的价格,我有1/3的把握去把它吃下来,实际上交易效率是非常惊人的,所以我们在这块是有绝对的信心。

     除了传统的选股策略和量化对冲策略、套利策略以外,我们也有比较完善的商品期货投资框架,那我们做商品期货也是同样基于我们一个比较完善的框架,不会去做基本面的判断,不是我们的长处,我们长处还是用量化的办法,借助了多因子模型的一些成分,去对不同类型的商品去进行一个配置,对于它的交易行为、市场情况用量化手段进行一个衡量,再通过组合投资的方式去获得一个长期稳健的收益。

     所以总结一下我们整个的万家基金的量化投资团队实际上就是在以计算机、统计等知识储备为基础的基础上,希望能够达到行业乃至在国际范围内都比较领先的策略水平,像我们最近最大的特点在策略的难度,包括实验性,我可以毫不夸张地说基本上也可以赶得上在海外在美国市场上比较成熟的一个水平。

     那未来,我们也是希望随着人工智能技术的不断进步,能和更多的科技团队一起把AI技术在选股以及量化领域的其他应用一起推动去实现更好更稳定的收益。

     “

     中国基金报:报道基金关注的一切

    

    Chinafundnews

     长按识别二维码,关注中国基金报

    http://weixin.100md.com
返回 中国基金报 返回首页 返回百拇医药