量化投资要遵循科学研究的规范

       得益于股神巴菲特多年不遗余力地“推广”，指数基金早已飞入寻常投资者家。不过，比指数基金多了两个字的指数增强基金，似乎多了几分神秘的色彩。

        中泰资管研究部总经理李玉刚表示，指数增强基金是一种以“既要又要”为投资目标的基金。所谓既要，是追求超过基准指数的超额收益，主动性上寻求高配“好”的，低配或放弃“差”的，追求超越于指数的业绩；所谓又要，是控制基金收益率与指数收益率之间的偏离度（跟踪误差），波动上与指数尽量保持一致, 维护收益来源的“基本盘”。

       那么，这种“既要又要”的目标怎么达成？不少人的第一反应是，因子。动量、成长性、质量、价值、市值、分红率……这些因子被认为与股市走势有比较高的相关性，找到它们也就找到了增强的密码。

       不过，在李玉刚看来，如果对这些因子没有梳理出经济逻辑上的因果传导链条，这些因子并不可靠。“以上种种, 都可能是与股市走势关联性较高的因子。但某个因子在具体的时点上起什么作用、作用有多大，往往是后验的，且不同的因子的持久性与可靠性也不同。重要的不是历史表现，而是要经得起各种合理的质疑。我们的行动是基于我们的信念，错误的信念很难保证长期的成功。‘真实的’信念从哪里来？科学的方法是我们知道的最可靠的知识来源。”李玉刚说。

未来并不一定是历史的重复

       投资的世界是概率和不确定性主导的复杂系统，历史数据很难完全刻画和反映这种系统。李玉刚打过一个比方，如果把一块冰放在桌子上，等它融化后，要从桌面上那摊水的形状推测计算原来冰块的形状一样，是很难的事情。

自2001年从业至今，李玉刚见证了国内市场量化投资的兴起与发展，对于量化投资的认识也在逐渐加深。他认为，在投研领域探寻“真知”，同样应该遵循科学研究的规范。在这个过程中，偏见、尊严、权威以及个人经验的扭曲等等因素都会阻碍“真知”的获取。科学方法正是这样一套规范的程序，让我们克服个人认知的缺陷，避免自我欺骗形成错误的信念（认为自己知道，其实并不知道）。

       “大家通常讨论的这个因子有没有效、那个因子有没有效，是指预测超额收益有没有效。这种方法是基于历史检验，是一种统计的思路。历史会在未来重演是这些因子奏效的前提，但未来却并不一定是历史的重复。多数的因子，都经不起合理的质疑。在投资方法论上的基本态度是，寻找Alpha因子的过程是理性主义的，必须按照经济逻辑来寻找，数据挖掘技术只是辅助验证的手段。我们更强调投资的过程，不单纯看数据，还要看数据背后的逻辑，对自己的知识积累有规模效应，这样构造出的模型更持久，经得起反驳和质疑。”李玉刚解释说。

        其所在的中泰资管，在投资方法论上放弃了经验论寻找“因子”的方式，其策略中的多因子不再被用来预测超额收益，而是作为对股票进行分类和比较的工具，这是多因子模型有优势能做好的事情。相反，其在寻找获得超额收益的“好股票”的过程中，反复询问“为什么”，把重点放在厘清数据背后经济逻辑，充分理解数据背后蕴藏的商业逻辑。

        “我们在相同类型股票中做选择的标准只有一条，横向和纵向的估值便宜，同时预期业绩增长良好。很多其它的选择标准，可能会有很漂亮的历史数据实证结果，但是如果弄不明白为什么会有这样的结果，就很难搞清楚未来持续的可能，自然也就很难被采用。”李玉刚坦言，这样做的原因在于，这个标准既与其先验经验一致，也与历史数据的实证经验一致。

了解指数增强的偏离逻辑

       在李玉刚看来，选择指数增强基金的投资者，需要承认两个前提。一是愿意接受市场平均收益率。因为缺乏对单个公司持续创造价值能力的辨识，通过分散化的指数型投资可以降低此类风险。分散化在降低风险的同时，也降低了预期回报。二是以可接受的指数收益率为基准，愿意承担一点小风险，获取适当的超额收益率。

       为了追求超额收益率，指数增强基金必然与业绩比较基准产生偏离，而投资者在选择指数增强基金前，不仅需要考察基金经理的偏离之处，更应该去了解基金经理基于何种理念这样处理偏离。

       李玉刚所在的中泰资管，将相对价值的投资方法运用在了指数增强投资策略上，即通过赚取相同类型公司估值偏差回归的钱来获得超额收益。具体而言，其在同类型的股票中(市值中性和风险因子中性)，选择估值便宜，同时预期业绩增长也比较好的股票，构建一个风格分散、波动低的增强组合。采纳该策略的中泰沪深300指数增强A，成立于2020年4月1日的，截至2021年3月31日的净值增长率为50.71%，同期业绩比较基准增长率34.98%，超过业绩比较基准增长率15.73%。

       不过，在李玉刚看来，对基金投资能力和超额收益持续性的考察，最重要的还是要落脚在对基金经理投资理念和投资策略选择的理解上。而各种历史数据和评价指标，不过是它们的体现。

       “在研究、探索阶段尽可能从各个角度进行反驳质疑，不轻信任何一个观点，除非有足够的理由和证据能排除合理的怀疑；基于排除了合理怀疑的观点和策略而做出的投资决策，在执行过程中应该坚定信念，除非有足够的证据证明并非如此。这既是我们对自己的要求，也是对投资者的建议。”李玉刚说。

来源：腾讯网

深圳科技金融创新 催热“数据智能”建设

       毕马威联合腾讯云日前共同发布《区域性银行数字化转型白皮书》，指出当前区域性银行数字化转型进程仍面临数字化核心人才短缺、业务-技术-数据融合困难、数据基础能力较为薄弱等多重挑战。

       6月16日，毕马威中国金融业大数据咨询服务合伙人开云在接受记者采访时表示，开展数字化转型已经成为区域性银行的共识，有91%的被调研银行开展了数字化转型，但整体上仍处于转型起步阶段和加速阶段。零售和小微是区域性银行数字化转型重点推进的业务领域，对公业务和金融市场业务数字化则刚起步。从资金投入来看，90%被调研银行表示预计在未来3年内持续加大资金投入用于数字化转型，其年平均增长率将达到21%。

       开云指出，当前风控、客户分析应用、数据基础能力建设、技术与基础设施升级是区域性银行数字化能力建设的热门领域。未来更多区域性银行将继续在营销、数字化渠道、产品创新、组织机制转型上发力。

       此次发布的《区域性银行数字化转型白皮书》也提出用新连接、新智能、新基建、新敏捷策略来应对转型挑战。

       其中，“新连接”是指区域性银行应从做强本地特色场景连接，做实客户社交生态连接，做深银行内部经营要素连接三个方面入手，打造以客户为中心的新连接。

       “新智能”指区域性银行亟需补足并构建自身的“数据智能”，通过数据治理、服务共享，以及数据引入夯实行内数字资产化管理基础，并通过加强数据化场景探索力度以积累适合本行业务发展的数据应用场景化能力。

       “新基建”指区域性银行可以通过搭建共享能力平台（包括数据中台、AI中台、移动中台等）、分布式服务化架构、云化架构等多层次驱动的数字化技术架构体系，构建连接前中后台的“变速器”，从而提升对前台业务和市场需求的快速响应能力。

       “新敏捷”指区域性银行须注重组织转型和人才团队培养。传统的固态组织结构、集权的管理模式等已无法适应快速变化的外部环境，敏捷型组织和数字化人才成为区域性银行成功实施数字化转型的两个关键组织要素。

       毕马威中国金融业科技咨询服务合伙人柳晓光表示，当前以云计算、人工智能、区块链、大数据以及移动互联网等为代表的新技术已广泛应用于金融服务领域，促进了智能风控、智能保险、智能投研、智能客服、智能合规等的升级发展。

       他指出，深圳是一座科技之城，科技企业数量众多，科技发展和企业创新都需要大量的资金支持。通过数字化手段，区域性银行可以推出具备本地特色的创新金融解决方案，促进高新技术企业的创新创业。

来源：读创

构建数字经济时代新金融信用评分模型

       权威征信机构的信用评分是国内信贷市场量化风控的基础设施，建议央行征信系统进一步开放个人信用评分。国外发达的征信机构开发的信用评分往往有上百种之多，我国可借鉴相关经验开发更多的基础性信用评分，助力新金融健康和快速发展。

       信用评分是利用数学模型将相关数据转化成某个数值指导信贷决策，是统计学和机器学习在金融和银行业中最成功的应用之一。在西方发达国家，信用评分技术是信用风险管理的有效工具，已逐渐成为消费者征信机构的重要增值产品，广泛应用于中小企业贷款、个人贷款、信用卡和保险业务等方面，是个人经济、金融生活不可分割的一部分。在我国，随着个人信贷和信用卡业务的发展，信用评分也开始用于商业银行的贷款决策、贷款定价和贷后管理等方面。信用评分模型研发在我国起步较晚，近年来在数字经济场景下，新金融飞速发展，需求较为迫切，需要进一步创新和监管政策开放来促进信用评分在新金融中的深入应用。

我国信用评分起步晚，有较大提升空间

       20世纪末，我国信用卡、房贷、车贷等信贷业务发展快速，若仅靠人工审贷，主观经验决策效率低下且风险隐患大，不能完全满足实际需要，在此背景下信用评分引入到了信贷机构。随着个人征信系统的建立，央行征信中心也开发了信用评分，在部分信贷机构测试应用。

       经过多年发展，国内信贷机构利用信用评分模型风险管理的水平持续提升但却参差不齐。具体来说，大型银行信用评分研发较早，自主研发构建了信用评分模型，应用效果较好；股份制银行在引入先进个人信用评分模型和技术基础上，建立了自己的信用评分团队；城市商业银行则多模仿行业成熟的个人信用评分模型，并依据自身客户特点进行改善。部分农商行和村镇银行因个人信贷业务起步较晚，信用评分业务往往采取外包方式。

       小贷公司和网贷机构信用评分水平因平台规模和运营能力不同而存在较大差异，多数情况下由于无法获得央行征信系统数据支持，只能与金融科技公司和大数据公司合作开发基于替代数据的信用评分。总体而言，信贷机构由于业务的迫切性，对于信用评分应用投入较大，但信用评分存在诸多问题：

       国内传统信贷领域应用深度不够。目前，国内信用评分模型的研发，仍处于起步阶段，评分类型单一、缺乏深入应用。例如，国内信用评分主要应用于信贷审批阶段，对于贷中行为、贷后催收评分应用不足，对国外最新信用评分热点——偿债能力评分（Affordability Score）还未涉及。

       信用评分五花八门概念不清。在西方，信用评分是一个较为明确的技术名词，但在国内目前由于央行征信系统的信用评分尚未完全开放，信用评分五花八门，概念上也较为混乱，缺少规范分类，用途也不够清晰。政府机构推出了社会信用评分，互联网公司推出了芝麻信用评分。信用评分研发和应用需要监管，保护消费者隐私，维护公平和正义。

信用评分市场供需不平衡，“有市无价”。尽管信用评分对于信贷机构风控至关重要，但国内信用评分研发还处于“有市无价”阶段，即信贷市场上存在需求，由于国内对分析模型的价值判断以及知识产权保护等问题，仍缺乏合理定价。

数字经济时代信用评分模型面临新挑战

       互联网规模化和虚拟化效应。目前，我国消费金融呈现互联化特点，互联网消费金融占比超过了1/4，一方面带来了消费金融扩张的规模效应，另一方面扩大了信用风险的范围。特别是由于技术复杂化、模式多元化、主体分散化使得风险更为复杂，风险管理难度加大。同时，互联网平台也促使欺诈风险上升，诸多互联网金融平台防范欺诈风险的成本占收入的10%以上。因此，针对互联网信贷平台的信用评分应将此种欺诈风险和信用风险考虑在内。

       消费信贷呈现新特点，需要新风控模型。随着消费信贷的发展，越来越呈现额度小、周期短、频率高等特点。互联网金融监管趋严之前，部分小额信贷利率风控薄弱，利用高收益覆盖高风险，甚至不在少数的现金贷平台不做信用风险评估，业界称之为“裸奔”。随着消费信贷监管政策的陆续出台，风控“裸奔”模式难以继续，需要开发适应小额、短期、循环贷的信用评分模型。

       近七成人群传统征信缺失。当前，我国央行征信系统主要服务于传统信贷机构，覆盖人群为持牌信贷机构消费者。截至2019年4月底，征信系统收录自然人为9.93亿、5.4亿人拥有信用报告，其中能够进行个人信用评分的约有4亿人（有两年信贷记录积累的人群）。按全国人口13.90亿计算，近9亿消费者没有传统信贷信用记录，也没有信用评分。

       金融科技信贷和大科技信贷出现。金融科技信贷（Fintech Credit）即利用电子平台发放的贷款，如P2P网贷近年来应起。大科技（Big Tech）公司金融开始陆续提供面向C端的支付、信贷、保险和资管等金融服务，形成了金融生态环境，还能对信贷消费者形成金融闭环约束。比如，蚂蚁花呗是阿里巴巴集团旗下的重要金融产品，背靠阿里电商平台开展消费金融业务。这两类信贷的信用评分模型有别于传统信用评分模型，面临着监管和网络信息安全的挑战。

建立新金融信用评分模型

       综合考虑多因素，系统理解信用评分。通常信用评分流程包括多个模块，目前业界关注的数据采集和预测建模部分仅是信用评分的一部分。所以，从观念上应从系统角度理解信用评分。同时，也不能简单用部分技术指标对信用评分性能衡量，例如，很多信贷机构迷信KS值衡量信用评分的性能，但并非KS值越大信用评分性能就越好，这需视具体情况而定。

       另外，近年来人工智能和机器学习在金融领域得到越来越多的应用，但与信用评分的融合还在进行中，部分互联网公司直接利用深度神经网络取代传统逻辑回归，虽然某些指标表现不错，但却最终由于无法在实际中应用而放弃。因为信用评分应用不仅要看预测效果，还要综合考虑，特别是信用评分模型的稳定性和可解释性。

       充分利用央行征信数据，开发多种基础性信用评分。目前，国内较大的新金融平台（除了蚂蚁金服、腾讯和京东的金融生态体系形成闭环），其信贷客户消费者90%都在央行征信系统中有个人信用报告，即消费金融所说的“白户”。所以，应充分利用央行征信数据开发信用评分模型，或直接利用央行征信系统信用评分是新金融机构开展风控的首选。

       权威征信机构开发的信用评分是国内信贷市场量化风控的基础设施，建议央行征信系统进一步开放个人信用评分。另外，国外发达的征信机构开发的信用评分往往有上百种之多，我国央行可借鉴相关经验开发更多的基础性信用评分，助力新金融健康和快速发展。例如，可以开发更多针对不同信贷产品的行业评分，并给出不同区域的风控特征。此外，这些信用评分还可以帮助央行进行宏观经济分析和金融市场监管。

       建立符合新金融发展的信用指标体系，提高信用评分准确性。信用评分模型的依据是消费者信用模型，消费者信用模型有不同层级的指标体系，比如，消费者信用模型可通过第一层信用指标体系还款意愿和还款能力来体现，由此向下类推最终形成数千个消费者信用指标，即信贷特征变量，国外三大征信机构的核心专业资源就包含了通过风控经验和统计分析得来的数千项信用指标体系。

       在多层次信用指标体系基础上，授信机构就可以利用信贷特征变量开发出不同预测目标的模型，这些模型针对授信机构内部特定的信贷组合、特定的信贷产品、客户类型开发，同时具有个人征信数据的广度和在特定信贷产品客户行为刻画的深度。在信用评分过程中，信用指标体系可灵活配置确定风险目标，利用机器学习或统计学方法，选择合适的模型变量缩短开发流程。所以，一个完善的信用指标体系对于开展信用评分工作至关重要，可以提高信用评分的准确性、稳定性和开发效率。

       虽然国内征信机构和信用评分公司对消费者构建了相对完善的信用指标体系，但需要指出的是，本土化的指标体系构建，需要符合国内消费者行为模式和信贷特点，以及符合互联网金融场景需要。目前，国内的新金融信贷业务大量尝试部分替代数据进行信用评分，例如，电信数据、租房数据、公共事业数据等，基于这些替代数据信用指标体系的构建不仅是开发信用评分的必要条件，也是一个全新的充满挑战的工作，需要大量的研发和技术人员的投入。

       探索创新的信用评分模式，弥补传统信用评分模式不足。已有60余年历史的信用评分模式主要基于消费者过去的信贷历史来判断未来的信贷还款状况，其缺陷非常明显，如果消费者没有信用历史和银行信贷记录，就很难进行信用风险评估。因此，需要探索创新的信用评分模式，笔者认为可以从两方面入手：

       从信用信息角度，替代数据是目前信用评分研究的热点，作为传统信贷数据的有力补充，可以分为三类：信贷类信用信息；非信贷类信用信息和非信贷类非信用信息。传统信用评分模型主要利用的是与信贷违约直接相关的信贷类信用信息。目前，全球约有30亿消费者没有传统的信贷数据，国内外征信机构和金融科技公司为了解决这一问题，开始大量利用部分非信贷类信用信息和非信贷类非信用信息开发信用评分，例如，美国FICO公司就与两家征信机构合作，利用电信数据和公共事业缴费数据开发了一种新的信用评分成为FICO XD，可以帮助没有信贷记录的消费者享受金融服务。目前国内大约9亿消费者虽然没有传统信贷数据，但却有着丰富的互联网经济数据，包含了丰富的非信贷信用信息，能够体现经济的活力。

       从信用风险评估方法角度出发，部分金融科技公司进行了诸多尝试，颇有借鉴意义。例如，一家名为企业金融实验室（EFL）的公司采用了心理测量学方法对消费者进行信用风险评估，通过与银行以及征信机构合作取得了不错的效果，目前业务已开展十年，范围拓展至亚洲和非洲等新兴市场，截至2017年末，已经服务了90万消费者和小微企业主，放款达15亿美元。需要指出的是，上述创新信用评分模式的性能尚未超越传统信用评分模型，只能作为传统信用评分模式的有效补充。

       应在评估有效性和个人信息保护之间寻求平衡。2018年5月25日，欧盟《通用数据保护条例》（General Data Protection Regulation，GDPR）正式生效。中国也不例外，陆续出台了《网络安全法》，《最高人民法院、最高人民检察院关于办理侵犯公民个人信息刑事案件适用法律若干问题的解释》和《信息安全技术个人信息安全规范》等一系列法规，全球个人信息保护持续加强。在此背景下，个人信用评分的研发和应用面临个人信息保护的挑战，从2017年至今，多个个人数据公司以及开展信用评分业务的公司陆续受到了国内执法部门的调查。目前，国内个人信息保护法尚未出台，《征信业管理条例》中也未对个人信用评分有所规定，但基于个人信息保护持续加强的趋势，国内开展个人信用评分的研发和应用，需要充分考虑个人信息保护并保证评分结果的公平，满足合规性在评估有效性和个人信息保护之间寻求平衡。

来源：亿欧

量化投资的主要特点与优势

       不管是在怎样的市场环境下，量化投资都是部分投资者主要倚仗的投资方法之一。究其原因，还是在于其具备的一些特点能够显著区别于其他投资方法，进而能为其拥趸者提供独一无二的保驾护航的能力。具体来看，量化投资定量化、纪律性和分散化的特点都能够显著区别于其他投资方法。

　　首先介绍定量化的特点。这也是对从事量化投资的投资者的一个基本要求。因为量化投资的一个基本定义就是通过定量化的方法去对市场中可能存在的规律进行挖掘并付诸实践的一种手段。当然，我们在发现规律时也可以借助于非定量的方法，比如经验总结、情景分析甚至是感性判断等。尽管我们很难对“哪一种方法能够在资本市场里取得更好的投资业绩”这一问题形成共识，但毋庸置疑的是，只有定量化的方法才能支持我们去进行更便捷的验证和复制。相反，非定量化的方法通常是不易掌握且难以复制的。比如尽管杰西·利弗莫尔曾经写过一本书《股票大作手操盘术》，尝试将他的交易技术分享给所有人，但截至目前我们也只听说过一个杰西·利弗莫尔，因为真正能将他的交易技术融会贯通的只有他自己。

　　第二个特点是纪律性。任何从事过多年投资的老兵都会不约而同地提到投资的纪律性这一要求，可见人性在投资中从来都扮演着举足轻重的作用。举个极端的例子，过度贪婪和过度恐惧都有可能让人们在短期内酿成苦果，进而影响其有限的投资生涯。反观量化投资，该方法从市场规律出发，通过体系化的投资流程建设有望将人性的弱点从投资中尽可能地剥离出去，这样就可以帮助投资者踏踏实实地去赚市场规律的钱。尤其是在一些极端波动的市场环境下，从事量化投资的投资者也完全可以做到不为市场动向所牵动，进而避免频繁的交易抉择，减少犯错的机会。

　　量化投资的第三个特点是分散化。首先需要明确的一点是分散化通常只是采取量化投资方法后的一个结果，而不是目的。也就是说，在对模型收益和风险进行充分的考量和权衡后，量化模型的配置结果通常都是足够分散的，而不是说只有采取分散化的方法才是量化投资。其次，量化投资中的分散化可以包括多个层面，比如模型配置的分散化、因子配置的分散化、行业配置的分散化和个股配置的分散化等，只要多个要素之间存在显著的低相关甚至是负相关性就有进行分散化的需求。其他投资方法也会重视分散化的重要性，即“不要将鸡蛋放在一个篮子里”，但如果论到风险对冲的精确性，往往还是要稍逊量化投资一筹的。

来源：和讯基金

百亿量化私募巨头又有新动作！九坤投资要全市场选股捕捉Alph

       在量化私募圈，素有“北九坤，南幻方”、“四大天王”的说法。经过市场多轮大浪淘沙，头部阵营重新洗牌，而九坤投资始终屹立潮头，并成长为规模超过400亿的量化私募巨头。

       九坤的掌舵人有两位：王琛、姚齐聪，他们分别拥有清华大学数学物理学士、计算机博士学位，北京大学数学学士、金融数学硕士学位，曾就职于华尔街顶级对冲基金千禧年，拥有13年量化投资经验。国内顶级学府教育+计算机、金融复合背景+国外顶级对冲基金经历，两位掌舵人的经历几乎是量化玩家的满分背景板。

       纵观量化领域的几家巨头，论综合实力，九坤一直处于中国量化投资行业的第一梯队，连续4年获得中国私募金牛奖。论优势，九坤拥有丰富的交易策略，具有竞争力的策略和技术，完善的人才梯队建设，国内市场领先的交易基础架构。

       进一步走进这家量化私募基金管理人，我们会发现更多量化界的神秘和有趣之处。

双轮投资发动机： 传统量化因子模型+AI技术

       踏入量化领域，数据、因子、策略、交易、机器学习、AI等这些关键词就会一涌而来。对于量化投资机构来说，面对瞬息万变的资本市场，唯有对策略和技术进行快速的演进优化，才能一直破浪前行。

       驱动九坤投资在策略和技术上快速迭代的，正是它的双轮投资发动机。据了解，九坤是国内量化界最早举起大量因子统计挖掘的私募。他们有一批富有因子挖掘和组合优化经验的因子模型研究员，数万的因子积累alpha是家常便饭。

       近几年，九坤还厚积薄发重金投入AI算法。过去两年间，他们招聘的投研技术人员中70%都具有AI方面的研究经验或工作背景，并投资过亿建成了用于策略研究和交易的AI超算集群，60%的投资已经由AI算法驱动。

重推股票优选策略，全市场全方位捕捉Alpha

       目前，九坤的交易策略非常丰富，涵盖股票量化对冲、量化指数增强，以及期货CTA等。近年，九坤还重点推出了股票优选策略产品。

       相较于当前常见的沪深300、中证500指数增强等策略，九坤股票优选策略放开了对特定指数增强风格的限制，允许持仓组合按照alpha高低灵活调整一篮子股票的风格，在保持足够分散度的基础上追求中长期绝对收益。

       量化alpha的优势在于宽基选股。不同于量化指增跟踪于某一指数，量化选股策略基于选股模型进行全市场选股，这样的策略能更有效地把握市场多种风格贝塔，全方位捕捉阿尔法。历史不断证明，市场大小盘风格存在轮换，量化选股策略在一定程度上减少了投资者在大小盘指数上的“选择焦虑”。

       在产品设计上，九坤股票优选策略对每笔份额进行3年期的最低投资期限限制。对于这样的安排，九坤投资表示，这是从超额积累和长期投资两个出发点进行考量。市场本身的波动在拉长的投资期限中更加温和，更重要的是超额部分通过锁定期复利增长，三年后可以提供一个很厚实的安全垫，从而不需要过分担心期间的大盘波动。以九坤投资所管理股票类产品的申赎统计来看，投资期限越长，投资人的胜率会显著升高。

       优中选优，自主培养新生军，建立人才梯队

       长期投资私募基金，投资人会非常看重团队背景和团队稳定性。

       据渠道了解，九坤的团队总规模超过200人，其中投研和技术团队超过130人，90%毕业于清华、北大和美国常青藤院校，拥有数学、物理、计算机等专业的博士、硕士学历。

        除了在全球招募具有成熟经验的量化策略和技术人才外，九坤非常注重对人才的自主培养和管理。据了解，从2014年起，九坤就开始从国内清北高校和北美常青藤招聘应届生，每年接收国内外顶尖高校简历超过2000份，优中选优，校招录取率仅为6%。

       2020年，九坤投资还专门推出针对全球本硕博应届生的百万年薪“梧桐计划”、雁栖计划。此外，连续四年举办的“UBIQUANT CHALLENGE量化新星挑战赛”，吸引了超过2000名学生，1000支队伍参加，从中选拔出了大量优秀人才，为公司的未来发展持续储备了新生力量。

       目前，九坤还在不断拓宽人才来源途径，吸收成熟、经验丰富的基本面投资经理、海外知名对冲基金有意归国发展的量化人才。2020年，九坤专门推出了针对华尔街对冲基金顶尖量化人才的“百万美元年薪”招募计划，持续吸纳了大量来自全球各地的科技、金融人才加入九坤。

A股市场蕴含丰富的阿尔法机会

       在九坤投资看来，持续的资金流入保证了A股市场流动性充裕。“房住不炒”的政策已经非常明晰，地产投资性价比下降,资金需要新的投资出口。而去杠杆+打破刚兑增加了大量的权益类资产配置需求，理性养老金、保险资金也逐步放开权益投资限制。除了“内循环”中活跃的资金，全球资产也呈现持续的流入态势。QFII，RQFII更加开放，国内疫情控制有力，促进A股吸收全球资金。

       另一方面，交易机制的不断完善也是他们看多A股市场的另一重要因素。注册制试点；上市公司违规成本不断提高；A股金融衍生工具多样化；公募转融通业务增加券源供给；交易制度和交易品种鼓励更充分的定价——股指期货继续恢复、科创板和创业板涨跌幅限制放宽、试点日内单次回转交易提上日程，扫清了A股未来发展障碍。

       九坤投资表示，中国A股市场具有丰富的投资机会，而且超额收益也仍将维持在较高水平。

来源：新浪财经

估值和股价

“低价股”VS“高价股”你选哪一个？

    跌够了，就会涨？4块钱的股票和40块钱的股票哪个风险更大？相信大多数的投资者都曾有这样的认知，跌够了就会涨，价格高的肯定存在泡沫，价格低的物美价廉！也因此很多人喜欢“低价股”，特别是处于历史低位的“低价股”，除了能从直观上感受“低价股”潜力巨大的上涨空间外，还有想象中一旦抄底成功就能获得巨大利润。但事实真的如此么？

学会用估值来筛选真正的“高价股“和”低价股”

    我们来看一组数据，近五年来，【600311 荣华实业】股价从6.5元跌至现在的1.5元，同期【000596古井贡酒】却从35元上涨到现在的218元。缘何高价格的能不断突破刷新纪录，低价格的反而越跌越狠，甚至有退市风险呢？

在上一节中我们说到，如何判定股票有一个好的价格，简单来说就是看估值，通过估值分析发现，15年末至今【荣华实业】一直处于高估状态，虽然历经长达5年的下跌，但截止目前该股股价仍然严重高估，也因此在股价新低之后反弹并未到来，是名副其实的“高价股”！

    反观【古井贡酒】从15年末至20年中一直处于低估状态，随着股价不断创高（最高295元），在20年3季度股价出现小幅高估，随后价格下跌调整，截止目前估值重新回到机会区，股价也开始反弹。

做投资要学会看估值

    因此，做投资，不能单从股票价格、股价位置来决定股票是否值得投资。价格只是一种展现形式，并不能衡量股价的高低。我们要学会用估值综合分析股票的投资价值。

但被低估的股票就一定会涨么，如何利用估值筛选同一行业中更值得投资的公司，估值常用一些分析指标有哪些，在接下的智投贴士中继续为大家讲解！

为什么要组合投资？

持股跌了30%,你该怎么办？

    突遇黑天鹅，持股A意外大跌30%，若满仓操作,账户将遭受致命打击，本金直接蒸发30%！但同时买了两只股票，另外一只涨10%，此时账户本金还剩90%，若买3只，则账户资金基本持平。通过计算可知，随着持股数量增多，股票A大跌带来的账户本金损失越小。由此可见，将资金同时配置于不同的股票，进行组合投资就可以有效降低账户的波动，极大地降低单一持股失误的影响，避免“意外”带来巨额亏损。俗称鸡蛋不要放在一个篮子里！

组合投资几家最好？

    数据表明（图一），当持有股票超过一定数量时，抵抗风险的效果不再随着持股数增加而增加，在美国GMO资产管理成员《行为金融学》作者——詹姆斯.蒙蒂尔的研究中，当持股4-8只时，可以消除68%-83%的非系统（意外）风险；但随着持仓股票越多，需要花费更多的精力去研究和跟踪，根据理论及实践，并不是买的股票越多越好，最有效率的持股数量为3-5只。

图一：当股票A意外大跌30%，其他个股均保持10%的涨幅，持股数量和剩余本金比例关系

假设持股数为n,剩余本金比例=【-30%+10%(n-1)】/n

图二：持股数量与被消除的非系统风险的关系

数据来源：詹姆斯.蒙蒂尔，美国GMO资产管理成员《行为金融学》作者

个股如何选择？

    如果组合股票一起跌了怎么办？在实际操作中，同一板块个股容易齐涨共跌，因此，要避免持股同质化，选择低相关性或者互补性行业板块的优质个股来构建投资组合，避免同涨同跌。当一个股票下跌时，其他股票的上涨可以抵消其对账户的影响，降低账户的波动率，账户的总体收益曲线才能平滑稳健的向上。

学会组合，每个人都是自己的基金经理

重仓单票造成账户资金剧烈波动，致使股民追涨杀跌，从而成为股民亏损的最大杀手。组合投资的好处之一是降低波动，从而增加投资者对抗风险的能力；好处之二是组合方式让投资者逐渐改变对个股的纠结，而重点关心资产的整体收益，随着在股市中的实践积累，掌握了正确的组合方法，就可以成为自己的“基金经理”。学会了组合投资就掌握了投资的终极技能，这是不是组合的“优质作用”呢？

重要信号！量化私募巨头要全市场选股 贝塔收益还有“搞头”吗？

       近日，灵均投资在渠道发行量化多头策略产品，该策略并不对标某个指数，而是全市场量化选股。记者采访获悉，多家头部量化私募已经探索或者布局相似策略。

       业内人士表示，今年指数层面的机会不太显著，精选个股可以贡献明显超额收益，量化多头策略优势明显，同时在募资层面有望与主观多头策略分庭抗礼。

头部私募布局量化多头策略

       近日，渠道人士透露，百亿级量化私募灵均投资正在发行量化多头策略产品，该策略不同于指数增强策略，无需比对某一指数来进行选股，而是全市场动态捕捉个股机会。

       灵均投资表示，目前发行此类产品的原因有两方面，一是今年市场风格变化比较快，指数大概率处于震荡状态，贝塔收益可能不太显著，量化多头策略产品在这一行情下具备优势，而且有望获得更丰富的阿尔法收益来源；二是观察过去三年的实盘数据可见，相比于主观多头策略而言，量化多头策略的收益率和回撤控制情况均较为亮眼。

贝塔收益或有所衰减

       从市场表现来看，今年指数表现确实较为平庸，市场风格也不太明显。

       Choice数据显示，截至今日收盘，今年以来，沪深300指数涨幅仅为0.48%，中证500指数涨幅为5.12%，中证1000指数涨幅为2.66%。

       “指数增强策略虽然也是选股，但是要参照指数，今年市场风格不明显，指数的贝塔收益也会有所减弱，所以全市场动态捕捉个股机会的策略或更具优势，部分头部私募也在进行布局，或者在指数增强策略产品上做出一定改动。”沪上一位量化私募人士直言。

挖掘个股渐成共识

      不仅是量化私募，多家主观多头策略私募近期也公开发声，今年个股挖掘将为组合贡献大部分重要收益。

       聚鸣投资分析称，经济高点大概率已过，流动性宽松的时间长度可能会超出市场预期，宏观层面呈现出基本面下行、流动性上行的组合，市场可能会是一个偏主题的震荡市，因此需要更多地寻找自下而上的机会。

       煜德投资也表示，今年的市场会提供众多优质结构性机会，公司进一步以自下而上的视角优选和配置。

       “今年的震荡市不会呈现出风格分化的态势，而是个股分化的行情，不管是大市值，还是中小市值，都存在优质个股，最近公司的基金经理调研节奏都明显加快了。”北京一家百亿级私募人士直言。

       对此，沪上一位私募研究员建议投资者，今年大盘大概率维持震荡走势，量化多头策略或将迎来较为适合的市场环境，全市场选股有望贡献明显超额收益，而对于主观多头策略，投资者可关注擅长深度研究精选个股的管理人，风格太过集中的私募基金可能存在风险。

来源：证券日报网

金融领域如何应对AI安全？第三代人工智能给出解决方案

       随着人工智能技术在金融场景的应用不断深化，数据、算法与应用层的安全可控问题逐渐凸显。

       6月3日，在北京智源大会“AI安全与产业治理”论坛上，中国科学院院士、清华大学人工智能研究院院长张钹表示，包含知识、数据、算法和算力四个要素的“第三代人工智能”，为发展安全、可信、可靠和可扩展的AI技术提供了可能性。

金融业的AI安全问题

       对于金融行业来说，人工智能的安全问题尤其需要警惕。

       “就像打仗一样，攻击者可能用水攻，也可能火攻，还可能偷偷挖条地道来攻打一座城，守城的人不能只考虑一种可能性，必须布防应对许多的攻击可能性。”阿里安全高级算法专家越丰这样说道。

清华大学计算机系教授、瑞莱智慧首席科学家朱军也指出，目前人工智能算法的安全性存在严重不足，为智能技术的应用带来较大隐患。

       当前，金融机构也在大力投入人工智能领域的研发，在中国工商银行软件开发中心大数据与人工智能实验室副主任黄炳看来，这背后的一个重要原因正是普惠金融的发展。

       发展普惠金融，金融机构面对的数据样本存在严重的地区不平衡和人群不平衡，加之算法设计的不合理，便容易产生公平性问题。

      黄炳指出，现在越来越多的数据通过线上渠道采集而来，如何对数据进行精准识别与分类成为重要问题。另外，金融业还面对算法的可解释性问题。

      “长期以来，金融机构的风控模型就是简单的逻辑回归。而随着90后、00后步入社会，如何将海量的数据融合从而提供更好的智能金融服务，这是金融机构需要思考的。”黄炳这样说道。

       瑞莱智慧CEO田天对《华夏时报》记者表示，现阶段人工智能产业正经历从高速增长向高质量发展的转变。人工智能已经突破传统的感知智能阶段，进入到更加高阶的认知决策阶段，人工智能已开始接近一些核心的智能问题。

       田天指出，金融等更高价值场景的AI应用需求不断增加，安全性的重要性也大大提升。但由于传统技术范式存在天然的算法漏洞和缺陷，导致人工智能在这些场景的应用存在局限。

第三代人工智能备受关注

张钹指出，人工智能的安全可控问题要从技术层面来解决。

      据黄炳介绍道，工行在现有人工智能技术体系基础上，围绕“软硬件运营环境可信、数据隐私保护、算法模型安全”三大核心能力建设出金融领域的人工智能安全可信能力。

       他还强调，AI安全是AI大规模应用的前提和必备条件，同时AI可信能力必须是全栈且覆盖模型全生命周期。通过安全可信技术的研究和突破，提升规模化AI生产部署的安全可信支撑能力，可以增强多方数据生产要素的融合能力，为数字经济社会提供更高效率、更低成本、更低门槛的普惠金融服务。

       关于AI在金融风控中的应用，建信金融科技有限公司创新实验室总经理王雪从实操层面进行了详解。

       据王雪介绍，客户在银行申请信用贷款时首先要进行测额，这一环节的难点在于，如何测度客户的无形资产价值，即预测客户在未来几年内的个人资产总量。

       建信金科采用包括AI、经济学理论、资本理论、认知行为理论在内的跨学科方法，利用人工智能的机器学习算法提炼出数据驱动的金融素养标签。

       例如，某批发行业小企业主拥有一些固定资产，和一些金融资产，年收入100万元，建信金科根据他的信息测算形成模型，据此可以构建未来三年的流动性风险限额。这样的模式更加客观，也更具前瞻性，使银行可以更快、更好地把握风险。

另外，在数据隐私保护方面，建信金科还构建了企业级的隐私保护平台。

       关于人工智能的安全可控，田天认为，“安全”是指打造数据安全与算法安全两大核心能力，解决数据强依赖带来的隐私泄漏与数据投毒等隐患，同时提升算法可靠性。“可控”既指应用层面的合规可控，更指核心技术的自主可控，以自主可控为根基，通过理论创新、技术突破形成核心竞争力。

       会上，清华大学联合阿里安全、瑞莱智慧发布了首个公平、全面的AI攻防对抗基准平台，该平台可实现对AI防御和攻击算法的自动化评估。

       “安全可控是发展第三代人工智能的核心基准，也是加快人工智能高质量发展的有力支撑。”田天这样说道。

       相关研究报告显示，到2030年全球人工智能市场规模预计将达到15.7万亿美元，约合人民币104万元。“深度智能”时代正将加速到来，人工智能在金融领域的应用不断拓展。

       智能金融的未来充满想象空间，但要实现真正的人工智能仍面临诸多深层挑战。第三代人工智能通过释放“数据、知识、算法、算力”的全新维度，为实现安全可控的新一代人工智能提供可能，有望重塑金融行业价值。

来源：新浪财经