EP73 对话九坤投资郭泓辰：静水深流，溯源以理
01:11:19 Share

但或許超收益的本質其實還是對價值的一個更好的判斷它會去梳理有某些相似特徵的股票它未來它價格會怎麼去向價值回歸它會去總結這樣存在共用性的規律

大家在去选产品的时候就不能只看这个纸面上的风险更多的要从自己的比如说承受能力去考虑就是确实一个事情它历史没发生过但它未来是不是它就不会发生事实上往往不是这样很多风险它过去没发生它只是侥幸未来它其实是回归归的大家其实要把这个风险和收益结合起来看

在正式开始之前主播提示大家市场有风险投资需谨慎嘉宾观点仅供参考不构成投资建议哦各位听众朋友们好这里是话中有精欢迎收听我们的频道我是今天的主持人周全很荣幸我们今天请到了九坤投资市场研究负责人郭洪诚那么有请郭总和大家打个招呼吧

大家好 我是九坤投资的郭宏辰非常感谢大家的时间然后也很荣幸在这里跟大家交流郭宏辰先生于 2021 年就加入了九坤投资现任九坤投资市场研究负责人

负责于产品研究和市场分析加入九坑投资前郭宏诚先生在华尔街拥有了超过多年的量化交易经验对成熟资本市场的量化投资交易体系建立了广泛而深入的认识回国后他履职知名的券商专注于 FORF 投研投资及相关业务郭宏诚先生拥有南京大学物理学学士芝加哥大学金融数学硕士学位

在这一年多的时间里市场经历了翻天覆地的变化无论是像我和郭老师这样的金融从业者也好还是直播间里的各位观众朋友们也好想必都累积了不少的心得与感慨随着这个岁月的流转每个人都经历了成长和蜕变因此

我在这里首先想跟郭老师就先探讨一个问题就是相比于一年半之前您做客云会客厅感觉您在哪些方面有一些改变又在哪些方面一直保持着不变呢首先就讲讲我们公司我们公司是成于 2012 年的今年是

走过第 12 个年头了一般我们把 12 年叫做一季就一个轮回的意思也意味着我们公司今年有了新的重新出发这样的意思行业其实在今年可以说是变化是比较大的我们迎来了规范化发展的元年可以说是这样我个人今年是花了更多的时间和精力把市场还有产品研究做得更精细

是的整个市场

包括量化行业量化管理人以及郭老师个人在这过去这一年多的时间里经历了一些迭代和成长那么尽管外部的环境不断的在变化但我们的初心意志是始终如一的始终的要坚持这样的一个量化的科学的原则和一个所谓的分散投资的策略来追求一个我们说的这个 Pure Alpha 纯 Alpha

对于管理人而言其实只有持续不断地在迭代自身的策略才能在未来的竞争中能够保持一定的优势那面对当前这样的一个瞬息万变的这样的一个市场环境您觉得

对于当前的量化管理人而言到底是面临着一个挑战还是面临着一个机遇机遇和挑战它始终是并存的在我们公司成立到现在 12 年间其实每一年的情况基本上可以说都是部分在我们预料内部分在预料外每一年都会发现有很多不一样的事情今年可能最大变化就是我刚才提到的规范化发展这个事情可能是

我觉得是恰逢其时也使得未来的就是说大家的这种竞争格局发生了一轮变化如果我们展开稍微展开来讲的话就中国量化的原点大家一般认为是 2010 年 2010 年的时候 IF 合约上市当时是量化开始展露投交在 2015 年以后这个行业开始拥抱成熟的这种现代投资方法基本上迎来了一个快速发展期

19 年一般大家认为是一个重要的节点因为 19 年以后行业基本上大家都开始不约而同的使用 AI 技术来去提升自己的竞争力使用 AI 技术其实它就使得说单打独斗可能你的竞争优势就不大了其实

到之后的话基本上就是你怎么去把团队做好把自己的资源用好这个可能是更重要的一件事情更新的一个节点就是今年那我们知道竞争呢它其实不会一直进行下去这个竞争如果说缺乏监管的话它最后就会走向无序我记得是经济学课本上的一个经典案例如果缺乏监管这个市场它就比如说像二手车市场它没有监管那因为这个有信息不对称性嘛投资者其实不知道哪个二手车是好的哪个不好

那他最后就是挑便宜的没有监管的一个市场也是这样因为投资者他并不清楚哪一家管理人好哪一家管理人不好因为毕竟这个他从外部很难去完全的知道这个信息这就会导致如果这么进行下去那可能就是劣币去出良币我们的这个可以说是规范化发展恰逢其时那其实这个措施也是很明确就是浮游限列那在这种情况下其实是利好投资管理人

那这些比较规范的对对对这样其实是机遇会是非常好因为什么呢有充足的人员会准备把我们的这种比如说合规封控运营给做好那这样在应对这些新的竞争环境的时候就游刃有余

我觉得面对未来我是充满信心的对正如郭老师刚刚提到量化行业从 10 年开始发展然后一直到了 19 年开始广泛的应用 AI 我们可以把它称之为一个逐渐的规范化更加专业化的一个时间点各种各样的技术在

在互相的迭代在高速的发展到了 2024 年随着监管的一些新规的一些出台那么行业其实迎来了更具有一定的确定性的一些发展的环境整体的竞争也进入到了一个比较高阶的状态然后

在这样的一个背景下呢管理人其实面临了一些更高的要求包括您刚刚提到的一些人才梯队和协作能力方面包括一些运合规方面包括一些运营方面对于一些能够坚持这个坚持合规运营的一些优质的管理人来讲确实

随着这个行业的规范性发展可能它是一个比较大的一个机遇然后我们其实之前我们节目探讨过一期叫做投资大师的至暗时刻节目中曾经也提到即便是一些投资的大师他也会经历一些至暗时刻是那其实 2024 年

整个量化的市场也是遭遇了几次比较大的一些风险您觉得在 2024 年

是否算是一个量化的至暗时刻呢首先我非常认同您刚才说的就是投资大师其实也会面临自己的至暗时刻我相信就是优秀的管理人做得好不是因为从来没有碰到过任何的挫折而是怎么去应对挫折就是挫折其实它是不可避免的如果说一个专业的投资机构不管是专业的投资机构还是说专门从事投资的个人吧

如果说你从来都没遇到过挫折我觉得这个是不太可能的要么就是你生涯不够长如果足够长的话一定会碰到至暗时刻关键是怎么应对今年确实如您所说这个市场的比如说它像这个市场的风格分化是发生了超出远超历史极端情况这样的一个

一个分割分化对于量化来讲确实是极具挑战的这里就要提到大家其实往往对量化投资有一些误解以为量化其实完全是数据驱动但实际上我可以这么说就是不存在绝对的数据驱动如果数据驱动它这个行得通的话那么量化机构你走进这个量化机构就不会说大家就不会说人才了可能就是一排排的机器放在那里就是没有任何人它可能就跟这个科幻片里面一样

但为什么做不到呢因为本质上来讲量化它的根基还是人的认知像算力也好 AI 也好它们其实是在认知的基础上把你的认知更好地发挥出来这样的一个工具今年从数据上看确实是远超历史但是我们始终要秉承的是什么就是我们要本着一个科学的角度去看待数据看待市场

什么叫科学角度呢就是我们始终要认为我们看到的数据可能是不完备的有很多历史情况它其实并没有就是说可能发生的情况它并没有囊括在历史的数据中因为历史它总归是有限的它并不是我们说统计学上的完全的数据其实我们始终要是有一部分数据然后我们要去推测更多的数据它是长成什么样子始终是从事这样的一个过程

那这就意味着我们在这个过程中是要谨慎的是要审慎的如果完完全全去依靠数据那可能就非常的激进然后就会出现非常多的危机在这个过程中其实我们是更清醒的或者说更加深刻的认识到了认知的重要性科学投资的重要性就始终我们是要对市场充满敬畏

然后对自己要始终是始终有自我怀疑就是不能过于自信这是我觉得今年最大的一个体验谢谢郭老师其实郭老师刚刚讲到大家可能对量化投资有一定的误解就认为量化投资可能是一个单纯利用数据和人工智能来进行交易的一种投资手段但实际上呢

背后它是有非常强的人的投资逻辑的支撑的量化投资它也没有大家想的那么的高深莫测它其实也是一种比较理性的一种投资方法只是它是发挥了一些计算机和人工智能的优势刚刚谈到量化的投资它是相对更加理性的我们都知道

不管我們是在哪一個領域不管是量化也好主觀也好還是各行各業也好在做出任何決策的時候就都應該去保持保持理性是

但是呢我们作为一个人呢人是一种情感的带有情感的生物它其实多多少少它都会有一定的感性的因素存在也想在这里也想请教一下郭老师您觉得作为一个投资人应该如何去保持自己的这个理性的一个头脑这个

这个问题非常有意思因为基本上应该是 20 多年前这个行为金融学里面就探讨过就非常深刻的探讨过这个问题而且他们还是以数学的方式对这个问题进行描述他们大概提出了有十几种这种人的不理性的

这种造成了他的投资偏差就是说他的投资决策不理性又分两大类一类是认知的认知上面的错误一类是情感上面的就是说不完备我会认为至少对我而言这是非常难克服的就我从业以来我其实做的全部都是量化投资我从来没有做过主观投资因为刚毕业的时候我也尝试过这个我自己去做交易其实效果是非常差的

所以我的客服方式是非常简单就是我只是把这个数据综合起来然后我用计算机进行建模然后用这个程序化去下单这样就能帮我去解决这个不理性的问题对于广大投资者这个有没有借鉴的意义其实我也不清楚因为现在这种像程序化下单这种软件也挺多那总而言之就是说我们就当你不是

一直在盯着盘盯着一只股票的时候你可能不会被就是说你的情绪不会一直被一只股票给带跑这个时候呢你离它远一点你更容易理性这个可能是我给大家一个建议不要太局限于局部就是你局限于某一只股票某一个时点你就很容易就受它的影响对受到它影响非常重对对对

对谢谢郭老师然后非常感谢郭老师刚刚的分享刚刚在第一部分所提到的就是 2024 年其实对于我们整个量化行业来讲都是一个充满挑战的年份是经历了很多次的这样的危机时刻或者说

至暗时刻能否请您呢带我们先回顾一下今年整个量化行业经历的几次的一个特殊行情也可以深入探讨一下就是说量化在这些特殊的一些行情中到底面临了一些什么样的具体的问题那么最后呢九坤是通过什么样的方法来解决这样的问题或者说在这几起这种

事件当中有什么样的反思首先我先介绍一下我们所做的量化当然因为量化它其实是一个非常宏大的概念包括像量化建模 量化交易包括其他的这种其实它的涵盖面很广我先讲一下我们是怎么做的总体上来讲的话比如说像不对冲产品它的收益其实有三部分一部分是整个市场它平均的涨跌幅对

然后一部分其实是风格 这个风格其实是难以克服的 另一部分是模型带来的这种选股收益 我们一般是把它给拆成这三部分风格这部分其实相对来讲是一个 对我来说是个风险因素当然也有专门的这种风险管理公司 他们有风控模型去描述风格因子他们的影响 就是风险因子的影响

如果我们去考虑风眼因子它的这种极端情况今年其实基本上大的是出现了四次四到五次第一次当然大家都知道是春节附近的整个市场它一个极端的大小贩分化这个其实大家都知道之后其实在 4 月 6 月 9 月 10 月 11 月其实都出现过一个就是国庆节附近可能大家是最熟悉的但是中间 4 月 6 月也出现过风格的大幅分化

它的这个情况呢在就往年其实并没有出现过因为从今年再往前我们去看这个市场比较动荡的年份其实就 2015 年但是 2015 年其实也是集中的出现了一两次这样的大幅的一个风格分化的行情并且它的这个极端程度呢如果我们用数学指标去描述的话比今年要少一半以上少一半以上什么概念啊就是其实它跟地震是一个概念

你比如说像六级地震跟十二级地震它其实它的破坏力是完全不一样的虽然说你描述的上面数据看是多了一倍但它破坏力要大很多今年出现这种情况我们当时看到的就是首先它在历史上从来都没有出现过超出了历史数据样本它所能描述的极端值在这种情况下其实我们是觉得它是一个一次性的还是说

未来会持续的这个其实是就是说每个管理人可能想法是不一样的那我们是认为这个可能反映了数据样本有一些变化所以我们采取了更审慎的应对态度那所以说在后面的这些应对中呢其实对我们影响是

不大的那对我们来讲就是往后看不仅是我们我们觉得对整个行业影响也是就是大家可能需要去把这种风格风险去考虑进去不能只盯着超额收益那更多的还是要回到这个量化的本源上就是说我们要考虑风险考虑收益两个结合起来去看才能把这个长期的这种发展给做好

对对对对这郭老师刚刚也提到就是有四到五次的这样的一个风格的一个大风化然后其实都对我们这个超过收益产生了一些影响那实际上呢这个主要的这些影响主要还是来自于刚刚郭老师提到的三个收益部分的中间中间那一部分就是这个风格的收益除了风格的收益之外呢还有一个 Beta 的收益就是整个指数的收益或者是

或者说市场的收益以及我通过个股的选择创造的这个 Alpha 的收益对这部分基本上还是模型做出来的为主对 Alpha 模型做出来的为主然后 Beta 也是一个长期向上的一个概念但是呢就是刚刚郭老师提到的今年的几次这种大小盘的一个分化其实很多时候是

背后可能有其中有一些流动性的原因比如说二月份的小票的一个流动性它其实是短期内是比较短缺的其实流动性其实是一个很像一个金融市场的一个非常重要的一个指标是对吧流动性好的市场它的交易量会更大然后

定价会更加的准确它能够承载比较大的投资的一个规模然后但是流动性比较小的市场

它就会波动更大同时一点就是少量的资金就相比于流动性大的市场来讲它少量的资金就可以让价格发生更大的一个波动那么大小盘其实就是一个流动性的衡量小盘的股的流动性一般会比大盘股要差一点但市场上现在有一些

说法我们量化的交易它看似是创造了很多交易量在给市场提供了很多交易的机会和流动性但实际上由于它交易的速度会相对更快一点然后它反而是在汲取市场流动性对于这个看法郭老师您有什么观点我觉得是这样就是当我们谈到量化投资的时候我们谈到的都会有很多因为投资者其实

就觉得量化很神秘但是其实量化它做的事情有很多你比如说量化投资对我们来说最重要的其实量化建模量化建模其实是指我们对于数据进行非常严谨的分析然后去测试我们的结论到底可不可靠是这样的一个过程其实我觉得这是量化投资内核您说的基本上是程序化交易程序化交易是量化投资的一部分但是我们其实又去回顾一下说为什么会有程序化交易这件事情

就最开始的时候大家其实都是手工交易那手工交易你一个大单发到市场上这个瞬间这个价格就跑了嘛

所以说它会产生非常大的市场冲击那正是为了减少市场冲击把这个市场流动性搞好大家才开始做成效交易我现在有一个交易需求但是我不想显著的去消耗市场流动性把这个价格给搞得波动很大我才去做成效交易所以说它本质上它就是为了解决这个流动性不足的问题

而来的你说这么做然后反而是消耗了融合线那就回到手工交易这个市场其实我们可以去回顾一下像美国它在成化交易以前它的波动是比现在要大的对这个相关的研究文献其实有很

很多那在国内呢因为现在是存在争议主要是因为这个市场发展很快就量化其实它也是一个新东西然后它在整个市场上承担一个相对主流的一个流动性的一个角色呢也是近几年的事情对大家来讲它是个新鲜玩意儿就大家也搞不清楚它这个到底是什么情况但是你把这个脉络给梳理起来

首先量化它这个量化投资它对我们来说这个门槛最高的其实是量化建模这一块那其次呢成效交易成效交易其实现在已经作为工具比如说像券商它也其实会提供给投资者就大家其实都可以用这个工具所以它是大家都能用起来的一个东西是这么一个情况回到这个这个问题本身那其实相关的研究呃

有很多其实头部全商其实我也读过头部全商研报你们的研报我也读过其实结论其实是比较明确的这种测算维度他们进行了很多量化式增加的市场对我把前因后果讲清楚可能大家能更方便的去理解它成交交易是怎么来的可能能排除大家的一些误会对其实刚刚在关于流动性的探讨

的背后呢其实还隐藏着一个另外一个指标或者说另外一个话题吧就是这个市场的波动那样的话这个投资呢到底是在加剧这个市场波动还是在平滑这个市场波动但是这个结论我相信刚刚郭老师解释之后啊其实是一个显而易见的当我们有一个

比较大的一个下单的需求的话如果我们不采用一些分散投资或者说不采用一些分批下单的一些方法那实际上是会对市场造成很大的一个冲击对有可能它流动性以下就没了但是如果我们采用采用一些量化的手段去分散尤其是分散在股票不管是在股票维度上分散还是在

还是在时间纬度上的分散都能够使得对市场的冲击降低到一个相对比较低的水平我想整体的量化的交易在国内的市场中还是首先它一定是平滑的市场波动的同时它更多的也提升了整个

整个市场的一个有效性让它的这个价格更加贴近于它真实的一个价值就我又有一个疑问了就是刚刚提到的量化的投资它

它比较分散然后它的交易速度也相对比较快然后它这背后会不会存在一些不公平的大家都认为量化的交易的频率会比较高所以担心我个人去交易跟量化去交易我没有速度优势所以你赚了我的钱

这里背后到底是什么原因在国外的话是有超高频交易的他们确实是拼速度在国内其实我们的监管机构对于市场其实是非常审慎的就包括高频交易我在回国之前其实

十多年前了当时其实我们监管就已经在研究它的利弊其实这个课题就怎么去让投资者更公平这个课题以及高频它的这个优劣势就是你利用速度优势去做一些事情这个我相信我们监管部门研究很清楚现在这个结果呢其实它更多的就是要回到这个量化它的这个它本质的做法上

量化本质上其实还是去利用能收集到所有信息对价值进行更好判断就我们看到有市场的一个价格这个价格在回归价值的过程中你如果能参与到你其实就比较容易赚到钱如果你参与不到那其实就错失了量化其实它最本质的就是它去广泛的去收集信息更好的

把这个价值判断给做好这才是就是说我觉得是核心竞争力那对于像速度什么的这个其实在国内它并不是一个至少我觉得它不是一个主流对你比如说做科研做科研大家现在也是在拥抱最新的工具去做研究那有更有力的工具有更多的数据为什么不用呢其实这就是一个自然而然的事情你比如说像在国外大家其实很少去讨论这件事情因为比如说你就已经有

计算机了你为什么还要就是不用它的这个其实是有点是浪费资源所以在你有一个比较好的认知下像这种 AI 包括这种算力现在都很方便可以支撑你把好的认知变成一个更好的这种价值判断从而实现这种比较好的盈利效果这个其实是比较顺的一个练习也是很自然的事情对其实对于很多大家可能会听说过比如说基本面量化对吧

是基本面的话他的交易频率其实非常非常低

甚至是低过很多很多普通的个人投资者其实它重要的还是背后的投资逻辑和认知而并非一些客观的一些交易的一些环境对然后这里我也想替广大投资者去咨询一个问题既然您刚刚提到它量化它既没有去使用一些不公平的一些交易的一些方法同时它还在给市场去提供流动性

量化到底是怎么去赚钱的,怎么去获取超额收益的,它的本质是什么?量化获取超额收益的本质其实还是对价值的一个更好的判断。价格它是会波动的,会偏离价值,这可以说是近代投资学的一个核心课题。我们知道这个价格是会围绕价值去波动的。

比如说一个股票它现在 100 块钱那它价值到底是 80 还是 120 就大家每个人的判断是不一样的在最终它到底是比如说这个股票它 100 到底是到 80 还是 120 那谁对于这个认知更深刻更准确谁就更容易做出好的判断那量化呢它其实并不会对单一股票

做出非常非常精准的判断但是他会去梳理就比如说有某些相似特征的股票它未来它价格会怎么去向价值回归他会去总结这样存在共性的规律他研究不是个股研究的是共性的规律那对于这些共性的规律他进行数据收集进行研究进行规律的提出以及证伪的过程最终

它去在石盘上去测试它提出的这个规律对不对当然在此前的过程其实是非常严谨的比如说像测队提出它有非常多的比如说要么内回测要么外回测石盘回测纸面上回测这些都会有然后才会审慎的去上线所以这个过程其实更多的是对一种共性规律的把控

那如果说你对于共性规律的认知是更好的那你就可以更高效的使用这种工具也好数据也好去帮你把认知给建立得更精准从而形成一个对价值的更好判断也就使得你最终比较容易在股票市场上获利它是这样来的总体上来讲我觉得就是这样一个过程吧还是利用了

量化本身它背后一些相对在统计学上效的一些逻辑其实来对股票未来的相对的一些表现有一定的这种预判的一些能力对我是这么看这个问题统计学最大的作用是证伪就你比如说你有一个原假设对吧这个原假设它如果说这个统计上不显著或者是怎样你其实可以把它否认就比如说这个有一个显著的啊

你可以否定他的这个东西他就比较容易但是假设的提出这个其实是严重依靠人的这也是为什么这个人才对于这个行业如此重要就是本质上我觉得还是一个认真的能力那数据啊什么的它是工具而且随着时代的发展这个工具飞速的在变得

非常的强大但是核心我觉得还是一个科学素养就你能不能非常客观的去认识这个市场非常客观的看待你的数据并且非常严谨的测试这个我觉得才是内核

对,郭老师刚刚详细的介绍了量化投资它的本质它其实还是在提高市场的有效性的情况下因为它对整个的标的价格的一些定价可能相对其他参与者或者非理性参与者它会更加准确一些它不仅能够同时提升整个市场的有效性

还能额外的去赚取到一部分的超额收益如果我们去进一步深入的去进行探讨对于我们目前的节目前的观众朋友们来讲他如果现在去投资一些量化的产品

它究竟能够获取到一些什么东西这个行业其实从刚才也提到从 2010 年发展到现在其实它专业化水平已经非常高了对于广大投资者来而言就是以我们为代表的这个投资量化公司我们每年的研发投入其实是非常大的然后我们招募的人才其实也是非常的

要求非常高那广大投资者其实要自己去做量化呢也不是不可以但是其实像我们就已经在这个赛道上深耕了十几年就是从零开始搭建自己的投资框架这个是有门槛的对于广大投资者来而言的话他其实参与他主要就是参与我们的这种专业能力嘛那这个专业能力主要体现在几个方面第一个是聚焦我们是专门去做量化投资的公司

这长期的聚焦长达十几年聚焦这个其实是不容易的对第二个是长期的一个积累当然每年都不少但是长期来讲它这个积累其实是更多的你比如说如果说我已经在这个赛道上积累十年那如果说你要一下去复制那你可能需要一年投入差不多几倍的这种时间你才能把这个金钱你才能赶上这个其实是一个非常大的门槛

第三个 长时间积累我们所走过的路踩过的坑这个其实你是很难复制的比如说像之前 15 年的股灾或者今年的市场比较极端的行情我们作为亲身经历者我们在这个过程中我们的体感我们所接受到的教训这个其实不是大家去看历史数据能深切的感觉到的我们去研究历史数据的时候比如说我们也

在读书的时候就研究过美国很多的这种经济危机金融危机比如说像 1929 年这种情况我们去看可能是一个事实的陈述但是亲历者他是怎么在这个过程中走出来的这个其实是很大的考验所以说我觉得投资者买的主要是这些东西就是说专业专注以及长期的积累就是坑你不用自己再踩一遍所以主要是

这方面的东西对郭老师刚才也讲得非常的详细其实一家量化公司它的发展它绝非是一朝一夕它就能够搭建起来的它

经历了非常长时间的各种各样的柴坑每一个这个α因子的这个挖掘然后每一天这种微小的策略的迭代日积月累然后才能够形成一个相对比较完善的一个或者说就一定能力的这个管理人

那么又来了一个问题那这个市场上不仅仅只有九坑一家这个量化机构是是是那市场上这个量化机构数量还挺多那么我们作为中兴财富呢也在市场上调研了非常非常多的这个

这个量化机构那对于普通的这个投资人而言其实您刚刚提到那些东西都非常重要确实也是影响影响我们去选择一家管理人长期信赖的这样的一个因素但是对于个人投资人而言他可能不一定能够了解得这么的清楚那对于个人投资者而言您

对他们去选择一家长期值得信赖的这个管理人有什么样的建议就大家其实一般一谈到长期第一想到是长期业绩对这可能是最浅显的一个因素就是长期业绩的话其实是一个重要指标关键是大家怎么去看这个业绩特别是当这个业绩有波动的时候管理人是怎么应对的就是不是有始终如一的坚持对以及在这个碰到挫折的时候吧

是不是能够非常有毅力地走出来这个其实就跟考试一样就是说大家都有考的不好的时候对就是你不可能说从小到大考试次次一百分这个不太可能大家都考的不好的时候但是什么是区分一个学生最终的

成就的关键就是他面对挫折的时候他是怎么解决的可能有一些学生他不是那么认真他可能就是就外面写到了对吧这个我考不好那我下次做个 B 那可能短期的效果他是好的但是长期其实他并没有学到知识这个长期的效果就不好另外一些学生就是说这个考不好的话他是去找原因就是我到底哪里没做好然后我查不补缺让自己因为挫折变得更好

我觉得这个可能是更关键的如果说一家管理人也好在发展过程中从来没有挫折没有过任何的受过任何考验这个其实我觉得是不现实的但是怎么去走出低谷就是让坏事变好事就是说让自己经历的挫折能变成长期能够让公司发展得更好这样的一个力量其实我觉得是这样就我们公司基本上就是抱着这个态度去做

就这样日积月累慢慢就能积累出我们图像上的优势是否能够成为一家长期值得信赖的管理人不是看他

过去业绩到底有多高对吧而是看他到底在面对回撤的时候到底是怎么应对唯有去仔细的去反思去加大自己的不管是加大自己的风控的一些约束也好还是提升各方面策略也好一定是一个成长的过程所以我觉得刚刚郭老师讲的特别好就是要去寻找一家长期值得信赖的管理人还是不能够仅仅简简单单的去看他的过去的业绩

那么接下来呢我还想请教郭老师一个问题就是对于当前有意向去投资这个量化产品的这个投资人郭老师有没有一些建议因为刚刚你也提到就是说量化它是在提升这个整个市场的有效性那随着这个我们国家的这个金融市场它越来越有效很多这个投资人可能会担忧就是那我这个超收益是不是就

越来越重点的在衰减那我现在到底是不是一个可以去布局这个量化投资的一个好的一个事情我觉得您这个问题非常有代表性超额收益它的最本质的来源是什么我觉得是更好的去定价的能力也就是说超额收益来自于定价优势你是不是能够在激烈竞争中

对股票的内在价值进行更好的判断这个可能是最关键的然后去看历史业绩也好去看其他也好它都发生在过去但是我们知道 Alpha 的能力包括 Alpha 的结果它其实都是动态的就是历史不代表未来当投资者去做选择的时候我觉得更重要的还是你需要对未来超额有一个

更好的预期这个预期是指合理的预期那比如说你可能看到历史的超额它是一个数据但是面向未来的时候其实它都是动态的就你比如说管理人的规模也在变市场环境也在变然后包括投眼包括 IT 它这个都在发展它可能在向好的可能在向坏的方向发展所以它永远不是

静态的大家可能需要对管理人他自身的调性品牌信誉福贵风控有更多的关注这是其一其二我们在做量化的时候我们其实很多时候考虑的

不是说把超额收益做的这个只追求超额收益那这样的话其实面临的风险是很大的什么叫风险风险其实是预期外的事情投资者会有一个误区就是说我去看波动率我去看最大回撤它就是风险但是这些是纸面上的风险

但实际的风险是预期外的事情不知道明天会发生什么事情真正的风险都是之前没有发生对真正风险都是预期外的所以说要有审慎的态度大家在去选产品的时候就不能只看纸面上的风险

更多的要从自己的比如说承受能力去考虑就是确实一个事情它历史没发生过但它未来是不是它就不会发生我们看事实上往往不是这样很多风险它过去没发生它只是侥幸未来它其实是会回归的大家其实要把这个风险和收益结合起来看

另外一点就是我们推荐大家去做一些配置比如说大家经常会说的就是在金融学里面分散化是唯一免费的午餐但这个其实不是一句戏言你始终不能掌握完备的信息你始终是只知道所有信息中的一些如果你 all in 一个东西那其实

你可能就是说你是在基于 1%的信息去做 100%的数字决策这个其实是非常危险的所以我们还是推荐大家主要考虑两件事情第一个是要有配置的角度去参与产品第二个要考虑自己的风险承受能力这个风险承受能力其实它很多时候会跟产品的自己的风险等级去挂钩的所以大家一定要重视这件事情就不能只去看历史业绩就是历史业绩很多确实它是不代表问题

他是有运气的对未来他往往你并不知道这个运气是好是坏他有的时候是会回归的对刚刚郭老师也提到就是除了不要仅看历史业绩的之外就是大家在投资的时候一定还是要注意分散我们作为量化管理人来讲他去投资的标的数量本来就非常多了除了这个分散您还可以在

大类资产上去进行一些分散这个就跟我们中心财富的一个投资理念是非常非常契合那么中心财富它长期也是一直坚持着一种资产配置的理念一种买方投物的一些一个理念来给客户去做配置其实长期坚持的还是一个做大概率正确的一个事情

那么刚刚郭老师介绍了这么多我还想请教一个问题就是说您刚刚一直提到量化投资它一直是一个比较科学的投资它的科学性到底体现在哪些方面主坤在研究这些量化策略的时候到底在科学这一方面有什么样的优势

首先是这样我们的两位创始人分别是毕业于国内两所顶尖高校这两所高校其实它无论是科研的氛围上还是科学性上就科学精神上都是可以说是非常顶尖的这就造就了我们公司一个

就是说先发优势吧那公司在发展过程中呢其实我们也是非常审慎在去发展所以这样长期积累下来我们就对自己的这种科学内核是比较有自信这个最开始的问题就是说科学的本质是什么我觉得科学本质是思辨

我们去看科学史他最开始就是怀疑合理怀疑比如说前人他说了一个定论我发现现实世界他的数据就当时可能大家还没数据大家做实验他说前人的这种论断不是这么回事所以他一开始是来自于怀疑

我们去做投资的我们去做策略其实也是这样我们是使用充满怀疑的一个事情一个策略它对不对不是说因为这个说的人是老板或者说他资历深或者说他这个他是经验多然后他的理解他是投资大师我们就信我们是要经过严谨的

设算它这个在数据上数据说话数据它到底从统计上看它显不显著你提出的规律它到底显不显著以及你的假设的合理性这些东西结合起来才是我们投资的方法论为什么说现在量化跟科学的关系越来越深了呢这个像 AI 其实是这两年这个像我们宣讲的高频词就人工智能啊什么的不管是行业还是我们的

我们宣讲高品质今年其实我也看了诺贝尔奖的这个颁奖他两个重磅奖像物理学和化学他都颁给了 AI 一个是这个神经网络一个是蛋白质折叠所以这也侧面说明了像这个 AI 呀他

是广泛的在科学研究中因为其实诺贝尔奖它是一个非常保守的一个奖项它不是说你今天有这个 AI 然后他明年就给你颁奖给你他非常重视声誉所以他要观察好久了他才给你颁奖所以其实在科学界其实广大的这种科研人员他其实也在做这件事情

只是说他们可能研究的数据跟我们的数据这个数据集不一样他们研究的可能是比如说像这个天文望远镜观测的数据像自己实验积累的数据像蛋白质折叠它的这个折叠关系的数据他观察的是这类数据但我们观察的是金融数据对

但是但大家在方法论上就研究的方法论上在越来越趋同或者说靠近就大家都开始用这个广泛的这种人工智能模型广泛的去使用这种算力去帮助自己更好地去解决问题所以我觉得随着时间的推移可能大家会越来越感受到量化投资跟科学研究它其实是具有非常多的共性对对对探讨这么多很多这个偏偏大的一些方法论上的一些

一些理念我们不妨再交流一些更深入的一些细节问题当然这个可能后面的问题会相对比较尖锐比如说就前面刚刚一直聊就是就比如说今年二月份凌家化行业发生了比较大的一个风险事件具体来说针对这样风险事件那九坤要采取什么样的一些

措施和一些优化的一些调整的方向然后这些效果怎么样如果我们从二月份到现在来看的话我觉得最大的调整是我们对于市场的敬畏度

是更高了我们一直是在用这个数据去修正我们的认知其实这样的话并不像大家想的那么的就是说完全就是数据说话我们其实也有点像是贝叶斯这个理论里面一样就是说我有一个认知然后这个现实世界它有数据那么我会用这个数据去更新认知这个更新呢它不一定就是大家想的线性的它有可能是一个月镜式的一个更新

经过这个二月份的这种风险事件以后其实我们是做了更审慎的判断更审慎的判断是指就对于像风险因子我们对它们是敬畏度是更加多得多所以我们现在整体的一个发展的方针就是对于我们的风险要有

更多的敬畏然后我们的发展方向就是朝着严格风控精细化风控的角度这个方向上去做我们的这个更好的预测所以它是这样的一个发展方向对其实我觉得这个经历了今年诸多的这个一系列的这个市场的波动我相信大家都深刻的认知到风控这两个字绝对不是一个空法绝对不是一个很简单的事情它实际上它的分量非常非常重它几乎关乎到

比如说一家量化公司或者说甚至是整个行业的一个生死存活所以一定要做压抑测试对所以这个风控这个事情确实非常重要除了刚刚您提到的一系列的优化措施之外我想今年量化的一些新的规定的一些出台它其实也在推动整个行业的发展和整个行业的一个格局的重塑九坤其实是一家成立时间相对比较早的量化机构了

您觉得九坤在行业内因为成立时间相对比较早它累积了一些什么样的优势面对未来竞争越来越激烈其实就是行业越来越卷九坤应该去如何应对这样的一个未来的一个卷的一个这样的发展趋势我觉得我们积累的优势有几点第一个就是我们的投研上面的规范化这个其实是经过多年的

摸索所形成的就是说投研应该怎么做它应该有哪些流程高效的投研或者说合理的投研那应该是怎样这个其实是通过多年的积累才能慢慢形成的这是我们的经验优势这个经验优势

也体现在严丝合缝上就很多规律它其实你需要打磨的非常丝滑它才能就是说有比较好的结果这个其实取决于经验积累不是完全靠数据可以解决的这里其实有一个例子就比如说

我们都知道今年诺贝尔奖他颁发给了这个化学奖他颁发给了 AlphaFold 就蛋白质折叠但 AlphaFold 它其实是有一个缺陷的它在比如说预测的时候如果说你这个环境它其实它对环境要求很高环境发生轻微的改变或者说你某一个节点发生轻微改变它结果会大相径庭对 非常不一样

但是你其实很难通过统计或者数据分析把这一点做出来你始终有很多你需要靠自己的经验去积累才能意识到的问题不然的话你都不知道这里有问题

所以说这个积累是很重要的也是我们非常重要的一个优势面向未来我觉得我们的竞争力主要体现在几点第一个是我们的人才密度我们其实从来都不以我们的管理规模为骄傲我们是以我们的人才为骄傲因为我们觉得非常强的人才并且把他们高效的组织起来这个才是我们长期去平稳发展的关键第二个就是我们有多元化的布局

早期你看的话其实可能大家做的策略相对是单一的如果你去看 5 年 6 年 7 年以前策略相对是单一的但是随着这个

那些策略它逐渐就是已经被打工的比较好其实我们就可以腾出手来去做一些多元化的策略那这些多元化的策略呢你在平时可能看不出来效果但是当市场处于比较艰难的时候多元化的策略它其实就能平滑我们的这种阿尔法对使得我们在面对有挑战性的这种行业里面是更有信心的最后呢是我们始终是秉承一个前瞻性的布局

这个就在我们的公司发展这 12 年多的期间我们一直是秉承这样的一个这样的一个发展包括我们去做资管业务我们也是头沿先行就是说我先把这个事该怎么做我先前瞻性的规划好这个规划有可能是三年五年的而不是说头头一头脚头一脚我们是更系统性的把我们的这种投资框架呀

投研框架然后包括这种配置给做好这样的话我觉得在面临未来的挑战的时候就相对可以游刃有余好的非常感谢郭老师的分享我们刚刚跟郭老师一起探讨了今年量化市场面临的诸多的一些困难然后我们的一些反思一些迭代一些改变但是我们如果仅仅就只局限于我们中国的市场问题

我觉得是远远不够的假如说我们放眼全球放眼一些历史更为悠久的成熟金融市场比如说欧美的市场就比如说假如说我们回顾美国在 08 年或者 20 年遭遇的这样的一个危机当时美国量化的一些巨头他当时是怎么做的他是否有一些做法是值得我们国内量化机构来学习的地方

其实 08 年距现在时间里面比较久了它很多这个结论可能对现在参考意义相对少一些但 20 年我觉得大家可能是记忆比较深刻的因为当时受疫情的影响资产之间的关系呢其实受到很大冲击包括当时美国还是这个特朗普包括美联储他们的一些动作是冲击了比如说股票市场

债权市场以及商品市场它的联动关系当时的突发情况以及后续的政策显著的跟历史的数据不一样所以也造成了当时美国整体投资行业的一个地震这个地震其实也不只是量化因为它影响最大的我们也做过分析

影响最大其实是资产配置类的就特别是类似于 Risk Parity 这种策略因为它相当于第一个它要看波动率第二个它会把波动率分散配置在很多资产上那只有两个问题就是第一个当时这个波动率已经没什么参考性了因为那个波动率在当时剧烈的放大那这样就会引发他们的一些连锁反应就是你波动率放大以后它就会对这个资产头寸产生影响继而就会产生更大的影响

我们去研究有两个基本结论第一个就是你要有决策你就不要反复去决策就防止两边打脸因为美国当时这个危机也是一个很快修复的一个情况当时的投资公司的选择有一些就是我就止损了我就等

这个情况过去再说当时承受了一小波的回撤那后面它其实在 20 年后续的时间慢慢也修复了第二种呢就是它其实坚守自己的仓位后面这个市场也修复了所以这两种结果呢都还好那最怕就是你前面止损了后面然后又没有做好这个其实就是全年的业绩就比较糟糕所以就第一个就是你这个投资决策要具有一致性具有连贯性或者一定要系统性的决策

第二点就是你不管当年是什么情况站在今天来看的话影响更大的是这些投资公司后续的发展在经历过那一次性的这种业绩波折以后后面其实你是坚持把自己的策略做得越好越来越好呢还是说沉浸在当时的这个问题中这个其实在长期来看啊

可能这个前者是影响更大因素就是说转位为机吧把当时的这个问题当成把自己公司去

改善的这样的一个契机让自己的策略做得越来越好其实后面的发展完完全全可以去弥补当时造成的损失要辩证的去看短期和长期的关系对于危机来讲它早晚都会来关键是你运气好不好运气好的时候它就没发生在你身上运气不好它发生了发生的话再怎样去在这个过程中接受教训把坏事变好事让自己能够

经历过这个危机以后变成更好的公司这一点可能长期来看更重要一些

对那接着郭老师刚刚的话题我也想再继续请教几个问题那社长也会发生一些危机当然危机它一定是一个小概率事情它大部分时间都不会发生但是它一旦发生了它确实影响也比较大那咱们在开发一个量化的策略的时候您是否需要去针对这些小概率的事情去做专门的优化对然后那这些优化到底是

基于一个长期业绩的一个稳健性的考量呢还是仅仅是去弥补一个过去的过去刚刚发生的一个回撤或者说去追逐一个短期的这样的一个热点或者 Beta 或者怎么样也好的这样的一个方法

首先是从我们公司来讲的话我们是不去追短期热点的对我来讲我们始终在布局中在发展中我们秉托的是一个长期观点那短期热点呢第一个就是你始终不知道这个热点明天它会不会就降温了这个可能是一个最大的因素就是可能跟广大投资者看到的不一样就是大家看到的都是发生过的事情

但是专业的投资机构它是面向未来就是过去发生的事情它也是既成事实去预测未来的时候哪些对我们重要哪些对我们不重要这个是我们需要去考量的问题那去对短期热点进行追逐它就是可重复性也非常差所以说这个不是我们所擅长和我们去做的事情现代量化其实一般我们认为是马可维茨的现代投资理论

现在投资理论大家可能不是那么熟悉但是简要介绍就是说我在做投资决策的时候我要同时考虑收益和风险这个其实是量化的内容最近几年可能大家确实是对整个量化行业的收益是印象非常深刻但是对于它背后的方法论大家反而关注的少了量化本身它是一套做配置的方法论做配置的方法论它其实是一个优化过程

就是说我要去考虑这些风险因素那即使是像这种尾部风险小概率事件其实我们也在使用非常严谨的长期有效的这种数学模型去对它们进行刻画你就比如说像小概率事件它确实非常稀有但是你是有极致理论就这个相关数学工具去对它进行建模的

所以大家可以看到量化的方法论它贯穿几十年它的内核是不变的我们始终在用相同的一套方法论去解决问题但同时我们所面临的环境持续是在变的可能今年大家关注的是行业的一些规范化发展的问题但是你每一年去看我们面临的情况都不一样

所以说我们是在坚守内核的同时始终去使用最高效的工具去解决问题就比如说我们是以高效去做定价为导向那什么工具能帮我们去高效的定价我们就用什么工具比如说现在这个 AI 它之所以被大规模使用

那就是因为它是一个生产级工具能够帮我们更好地在定价中获得竞争优势所以长期来看就是说我们要坚持不变的内核同时我们要去拥抱最新的技术最新的工具去帮我把我们的本质的内核认知给发挥出来所以说两者结合我们觉得是我们长期的一个应对及考虑的因素对

对然后我们其实都知道市场上有一个常见的一个观点量化策略它其实是存在一个所谓的不可能三角不可能三角呢它指的是收益高回撤小然后又容量大那实际上这种既大容量又高收益又低回撤的这种策略它是不存在的三个三角里面其实有两点比如说高收益和低回撤它其实代表的就是一个比较高的一个下谱比

其实这个问题意思就是说随着一个量化策略或者一个量化管理人的规模的增大他想维持住之前的一个项目比率它是越来越困难的所以就很多人会认为有一个观点就是规模是量化的天敌这可能一家管理人在小规模的时候他能运作得非常好到了一个相对比较大的规模的时候他可能超时就开始衰减甚至出现负的超额

那么九坤其实是一家管理规模相对比较大的一个量化机构同时其实在过去从历史的情况来看超额收益其实也相对还比较稳定您觉得九坤是如何来平衡容量和超额收益稳定性的这样的一个关系九坤我们是策略先行

就是我们始终在募资的时候考虑我的这个策略容量不超出这个策略的这个承载资金的能力就我们会进行相关的测算您刚才说的其实这个说法其实已经存在几十年了就是这个规模是业界毒药

它不只是针对量化就所有的投资策略它都是这样的因为什么呢除非你是这个操纵市场或者是怎么样那就是你公平的去做投资不去做那些违法违规的事情你就不可能说就规模越大你的超越高这个是不可能的如果这个是真的那我们会看到这个世界上会存在

一家非常好的量化机构它管理着所有人的财富同时它的超收益又非常高但是我们发现其实并不存在这种情况其实整个行业它还是就分散在很多的竞争者包括国外它可能投入化比我们更具体一些但是它也是分散化的这就使得大家都会面临这个问题随着你的规模增长你的超收益是会下滑

这个是可以说是一个铁律在投资中的铁律作为我们来讲就是我们怎么去应对这个问题就是说你的规模增长超时一定会下滑的但是你可以减缓它下滑的速度怎么减缓它下滑速度第一个就是说我们要使得策略它本身的质量是足够好你在管理规模很小的时候你的这个超能力比别人高出一截那自然就随着你规模的增长你即使下滑了你还是比别人强这是第一个就是说你这个策略质量要好

第二个呢是要加大分散化就是如果你只有一个策略呢它其实是有一个就可能比较陡峭的一个下滑就是说随着规模它会有一个比较陡峭的下滑的收益的下滑但是当你的这个策略的超的来源它非常多样性非常多样性它其实就相当于

你虽然名义上是一家公司但你下面其实相当于是有几家相互独立的部门吧就大家可以这么想象那它其实能承载的这个资金其实就会比你单一的策略承载的这个能力要强所以对我们来说分散化同样很重要就是我们既要做出质量非常高的策略我们又要有非常好的分散化让这些策略之间就它使用不同的信号它从不同的认知角度对这个市场进行

客化进行规律总结这样就能减缓业绩随着规模下降的速度就使得承载大资金的能力就会变强同时就是要加强我们的这种迭代能力大家都是在进化但是你进化比人快那你就进成优势所以这几个结合起来就形成了

我觉得就我们的应对方式当然这个本质上还是离不开这个好的投资发展的这个认知可能是离不开的对 顾老师刚刚提到的一点我个人而言非常的赞同就是我们在运作这个策略的时候一定要留一定的这个冗余原因是什么呢原因是策略它的的确确存在一个容量的上限

但是你要去估计容量上限并且你要准确的去估计容量上限其实是很困难的管理人比如说他想要估计自己这个策略的容量上限他肯定是基于

过去的历史的流动性来进行估算的尽管我们现在其实各种各样的算法已经非常的成熟了包括对市场冲击的一些模型也好包括一些精细化的一些算法也好它其实已经比较成熟了但是你仍然无法估计准自己究竟能够管多少容量因为你没有到达到那个容量之前你没有真正的去交易到这个容量之前你对市场产生到底会产生什么样的冲击

其实只是基于历史的一个经验之来来测算的对这个其实就牵扯到不同的认知和这个调性了就是你到底是比较保守还是相对激进对这个可能确实像您说的就没有完全的数据是去把这个刻画清楚因为未来它始终是预期以外的事情对而且呢就是说

量化的容量呢也跟市场的流动性是相对比较挂钩的在当前的这种流动性的环境下我们可以管这么多钱那你不能保证说未来在流动性如果如果有有一定的下滑的一个风险那可能这个容量就咱们就已经超出这个这个能管一个上下对对对所以其实

容量它是一個就是一定在運作的過程中一定還是要留一定的榮譽要審慎對同時還要疊加郭老師剛剛提到的我們要分散我們要分散我們要在標的上不僅在標的上分散我們還要在策略上分散那策略上的分散其實就

就离不开大量的这个精力和这个研究的投入在这个不同的方面的数据也好啊方法论也好去进行更细化的一个深入研究然后没有一定的这个细微的成果可能就会对咱们的这个策略容量会带来一定的提升对所以人才的这个多样性其实是非常重要的这也是我觉得 AI 对这个行业带来的帮助就因为在十年之前吧

你去开发因子其实它对数学工具要求是很高的因为你不是说随随便便就能把一个东西给写成因子的随着 AI 工具的一个提升这方面其实就是说你把一个 idea 就是说你去想的一个规律你用数据去套上去就变成一个因子其实这个难度是降低很多的所以说这个人才的多样性就大大加大了使得说量化策略它的丰富程度也在提高

所以其实对于现在的量化机构而言竞争还是比较激烈的所以您对于竞争比较激烈的这种环境下您觉得在量化在未来有哪些方面可以进一步的去夯实自身的护城河呢我觉得第一个就是坚持正确的方法论然后不停的去打磨积累把细节给做好

讲细节可能比较虚那我就讲这个发射火箭就其实你说造火箭很困难吗其实它背后的原理我想这个大一大二的物理学的学生专业学生他可能就知道这个原理其实很清楚就是理论力学里面的一些原理你用不到这个近 100 多年

近一两百年的这个物理学的理论其实你都用不到你用的还是经典牛顿这个力学这一套那真正决定你这个发射火箭成败的它不是说你背后的原理有多高深更多的是你这个细节是不是严丝合缝你很可能比如说一块泡沫板你这个裂了然后你这火箭就掉下来了

所以在实际的这个策略的开发和这个打磨过程中这些细节是至关重要的它可能一个细节掉链子然后你整个的策略就不 work 这个其实你很难一步到位都是通过长期的积累逐渐摸索起来的这就像刚才我说的这个蛋白质折叠你可能用计算机能解决百分之二三十的问题你觉得这个 AI 简直是不得了了它已经超越了我们之前这个大家的认知的边界

但是它不能解决的问题其实是占了 70%的就是说它不能解决的问题始终是占多数的这个只能靠经验的积累然后去减少未来继续走弯路这样的一个概率第二个就是我们会看到量化的发展它不变得一直内核那它快速发展期往往是技术突破期

你就像这一次的这个量化的快速发展主要就还是跟 AI 技术的这个大突破离不开的所以说我们始终是要对最新的技术去密切的关注这样的话当有技术突破的时候我能更快的把这些技术突破给应用到我们的

策略开发中来或者说提高我们的认知中来这个就会对我们有生产力的一个大幅的帮助这个我觉得在未来可能是关键的两方面对正好郭老师刚刚提到了对下一代的技术要非常的敏感对然后正好也提到了 AI 的一个相关话题所以我想可能在节目前的投资人可能也非常的感兴趣就是说

最近这几年这个 AI 技术的高速发展我相信其实在量化这个领域已经

得到了广泛的应用比如说一些传统的机器学习模型和一些深度学习模型可能也已经在量化领域得到比较广泛的应用但是可能近期就最近可能一两年像这种深层式的大语言模型又逐渐的浮现在了大家的讨论当中

您觉得这种大圆模型的 AI 也好,还是说可能一些其他的,可能新的一些 AI,排除于传统那些之前的一些 AI,这些新的技术在当前对量化策略有一些什么样的一些...

一些应用首先就是针对您的这个特定的问题就生产者 AI 对我们的帮助其实更多的还是在这个对于文本的处理上它可能能把这个没有标记的数据变成这个结构化文本这个可能还是它最大的一个作用

直接用 GPT 或者说其他的这种工具去生成交易信号或者说去给股票定价我们觉得在我们看来好像离实用还是有一段距离的因为金融数据它其实跟其他数据

区别是比较大的它的新造比非常的低虽然是一个矿但是这个矿呢它可能大量的是杂质那你需要把这个有用的这个矿物质提取出来它的这个工作要做很多那 AI 呢它其实并不擅长去做这件事因为似是而非的东西太多了那所以说生成上 AI 呢对我们还是一个工具性的作用我们还是觉得把它应用在直接应用在投资上呢还有比较长的一个路要对

但是 AI 作为一个整体的方法论对量化的帮助是巨大的我举个例子大概十几年前我是在美国生活我当时用导航软件导航软件其实那个时候是不像现在这么方便但现在大家用导航软件非常方便比如说前面堵路它立马你就可以开别的路

以前导航软件其实是一个设定死的就你从 AB 到 BD 就你不管路况怎么变哪怕说你这个路中间今天有个大坑它也不会提示你你开到跟前你发现这个封路了或者有个大坑你开不过去然后你就得重新去开所以以前做因子也是类似的就是说我们先分析数据分析数据我提出一套已经决定下来的因子模型

这个因子模型它其实是不会根据新增的数据它去自适应的那么 AI 技术它最大的一个帮助就是我的模型如果说框架靠谱我能根据数据自适应就跟导航软件是类似的就是说但凡你的算法是好的当发生堵车的时候你可以科学的对司机进行引导让他去重新规划路线这套方法论如果靠谱

那其实大家开车的这个难度就会大为下降就不会再出现说我这个完全不会考虑到现实车况我就碰到坑我再重新开这种情况那 AI 对量化帮助也是类似我们去应用这些比较靠谱的框架它对于数据就可以自适应的去调整模型并且这个调整它是很快的但是回到根源上来讲如果说你没有一个人去提出靠谱的框架那它自适应的结果也可能是非常不靠谱的对

所以最本质的情况还是说人对规律有一个好的认知结合上最新的工具它能形成好的结果所以它其实是一个放大器或者说是一个加速器如果你有好的认知它可以更快的或者更高效率有好的结果但是如果你有不好的认知或者你认知非常不靠谱那它再加速它最后结果还是零

我觉得潜想的去理解其实就是这么回事对郭老师刚刚举的几个例子其实都非常的形象比如说以导航为例就是来谈到 AI 可能对量化或者说对我们生活带来的一些影响那么我最后也想再请教一下就是九坤在人工智能这个领域上它有什么样的布局和一些

有别于其他机构的一些亮点第一个是我们有专设的 AI 团队就我们专门有这样的一个团队去做这件事情就是去探索最新的 AI 成果它应用在策略上是什么情况它会对论文进行复现对这种论文背后的模型进行讨论以及去探索它在股票中它的效果所以说第一个就是说我们有专门的

团队去做这件事这个可能就已经是一件非常不容易的事情了第二个就是这个团队其实它专注在金融数据上那和大家其实用 AI 不一样就你比如说你可以用 AI 你去研究大圆圆模型或者说你去做科研最后它都会树叶有专攻虽然说大家用的都是通用性模型

但是你在实际用数据的时候你又会对模型进行微调然后去适应数据本身的特性慢慢就会积累起来一些这个独特的部分然后就会形成这个细微层面就会形成优势

第三个就是我们的工作流程是非常规范的像我刚才说其实实话实说生成式模型我们用不上这个都是经过测试的我们不会说这个东西很新奇然后我就直接拿来用了这个其实我们觉得是不严谨的做法我们对于最新的技术应用它是不是能用以及它能用在什么地方是有规范化的流程的

这些结合在一起最终形成了我们想在 AI 方面去做的一个长期的实践就是说我们能积累这样的一个实战经验逐渐形成了

优势吧好的今天非常感谢郭老师的分享以上就是我们节目的所有内容感谢收听节目之外更多精彩内容请关注我们的视频号中金公司财富管理欢迎大家关注点赞转发你的支持是我们更新的动力我们下期再见

中金财富及嘉宾提供的任何信息和观点均不构成投资建议中金财富不以任何形式对用户承诺投资收益或保证本金不受损失市场有风险投资需谨慎本集播客中的内容及演示材料版权归中金财富所有未经中金财富书面许可第三方不得以任何形式摘影编辑截取以及其他不恰当方式传播感谢大家的收听