专注量化投资 用数据感受世界的变化

中证网讯（记者 李岚君）近日，上投摩根指数及量化投资部总监胡迪表示，“过去30年，海外资产管理有两个趋势：一个是共同基金的指数化，另一个是对冲基金逐渐走向量化。”胡迪在量化投资方面的经验丰富，12年来，其先后在海外和国内资本市场从事量化投资。同时，金融工程硕士和计算机工程学士的背景也让她在量化研究领域“如鱼得水”。

　　从业12年来，潜心量化投资研究

　　胡迪先后在美国哥伦比亚大学修读计算机工程学士和金融工程硕士，在读书期间，胡迪就对统计学、量化模型等理论在资本市场的应用产生了浓厚的兴趣。对数据的好奇和敏感度，驱动她从学生时代就开始关注量化投资。

　　2008年开始，胡迪先后在纽约美林证券全球资产管理部担任高级分析师、标准普尔投资管理委员会担任量化主管。2012年底，胡迪回到国内在中金公司资产管理部担任执行总经理、量化团队负责人。2020年5月，胡迪加入上投摩根基金，担任指数及量化投资部总监。

　　扎实的专业背景，加之资深的从业经历，使得胡迪对于量化投资有着自己的方法论，对行业及公司的研究也有着自己独到的见解。在研究过程中，胡迪力求客观、准确地把握行业的发展规律，喜欢建立各种各样的行业及公司数据模型，从数据的海洋中，挖掘潜在的投资机会。

　　谈及对量化投资的理解，胡迪表示，在量化投资体系中，交易的操作是完全被动的程序化操作，由计算机程序做出客观决策。量化投资经理做的更多是顶层逻辑的构建。胡迪谈到，其实在构建量化模型中也会借鉴主动管理的分析逻辑和投资框架，将这些逻辑提炼成选股因子，然后把模型放在过去的数据中回溯验证，根据分析结果进行调参和组合优化。

　　大数据时代下，量化投资优势凸显

　　现如今，市场波动幅度加大似乎已经成了金融市场的新常态，要在当前的市场环境下甄选出在未来具有相对更高投资价值的品种越来越难。在这样的背景下，量化模型在投资的应用也越来越广泛。

　　“采用有别于传统数据的，海量的大数据来指导投资是一个明确的方向。因为投资靠的就是信息，谁掌握的信息更快，更准，更全面，谁就有竞争优势。”胡迪说到。

　　正是这样的认知让其深信量化投资，胡迪认为，参考海外的经验，随着市场信息透明、监管力度加强、市场效率提升，整个资本市场的有效性会逐渐加强。这样的趋势下，超额收益获取的难度会提高，主动管理成本和难度会上升。有别于其他投资方法，量化投资借助于计算机技术，能够快速、准确地处理海量数据，从更大的范围选择投资对象，而这种优势随着时间的增加更为突出。并且，量化投资凭借着系统化思维和程序性下单，能够避免主观情绪对投资的影响。

　　目前，胡迪领导的上投摩根量化团队成员大多是数学或计算机背景出身，同时具备丰富的国内和海外的投研经验。胡迪指出，目前上投摩根在量化投资的布局，主要分为ETF、指数增强、量化对冲、商品CTA四条产品线，并且每条产品线下又有不同的细分产品类型和多样的策略种类。

　　谈及量化投资在国内的发展，胡迪认为，量化投资作为一个行业在国内才刚刚起步，与海外市场相比，国内公募的量化管理规模还非常小，在市场占比只有5%左右，未来整个行业还有非常大的发展空间。

来源：中证网

国泰基金量化投资事业部总监梁杏：行业投资框架和逻辑

国泰基金量化投资事业部总监梁杏拥有14年证券从业年限，曾就职于华安基金，现任国泰国证医药卫生行业指数分级基金、国泰国证食品饮料行业指数分级基金、国泰中证生物医药ETF及联接基金、国泰半导体50ETF联接基金等基金的基金经理。

2021年1月9日，梁杏受邀参加第一届揭幕者基金组合持有人大会暨ETF高峰论坛。

在现场，梁杏为我们带来了行业投资思路与框架

以下为梁杏在第一届揭幕者基金组合持有人大会上的最新讲话实录：

各位小伙伴们大家上午好，我给大家介绍一下国泰基金这边积累下来的一些

就像刚刚胖纸老揭提到的，我们公司是行业ETF和主题ETF，相对来说多一点，尤其是行业ETF特别多。

我们像早些年发的证券ETF、军工ETF，都是市场上非常有影响力的产品，包括在2019年布局的生物医药ETF、通信ETF、计算机ETF，也都有不错的表现。甚至我们在2020年的时候，还丧心病狂发行了钢铁煤炭ETF，也有不错的收益，因为赶上了一波顺周期的行情。

在这里一开始我想跟大家讨论一下，不同类别的指数基金的投资性价比的问题。

我们给大家列出几类的指数或者是说不同类别的权益资产，比如说宽基指数、比如行业指数、主题指数，包括最后免不了直接跟投资个股，做一个比较。

我们是怎么看这个问题呢？如果我们投资一个宽基指数的话，其实它的性价比，如果锚定它相对来说比较适中的话，我们再去以这个作为参照，去考虑行业投资和主题投资的性价比，为什么我们会定义这个宽基指数的投资是相对来说性价比比较不错的呢？

因为决定去投资一个宽基指数的时候，应该说还是相对来说长期看好股市的长期未来的发展。

投资宽基的时候，宽基里面的指数分门别类也比较多。比如说上证50是纯大盘、沪深300是大中盘的，中证50是中盘的，创业板就是另外一个特征的这种宽基。包括还有一些其他偏中小的宽基，那就很多了。

你决定投宽基的时候，其实你要选一下市场风格。

比如两大著名宽基指数，沪深300和中证500，你会看到它们的相关性，虽然都是权益类资产，相关性其实也蛮高的。

比如2020年，其实中证500收益率远远比不上沪深300。其实你要投一个宽基指数的时候，是要做一个风格的判断。

这个风格判断，相对于其他的判断来说，我们觉得还是相对简单，你能够获取的回报是什么？是宽基指数对应的风险收益特征。我们如果把它定义为一个适中的话，再以此考虑一下主题的投资。

主题的投资又是什么样的呢？

主题其实在我们眼里比较像是一个“小宽基”或者是多个行业贯穿或者是粘在一起，小主题比较适合平时还跟踪一下SZ，比如至少看一下新闻联播，对时事还是比较关心的小伙伴，去做这个投资。

比如这两年热门的主题，去年5G、通信网络，这是一个非常热门的主题。在2020年像今年，包括2020年到2021年，是新能源汽车这样的一些主题就非常火爆。

主题有一个什么样的特征？可以理解为小的宽基，或者多个行业粘合在一起，比如5G产业，它主要的Base或者是囊括的行业，应该是通信行业，但也涉及到一些上游的电子，包括下游的计算机等等，它都会包括。

新能源汽车它的构成至少包括上游的有色、就是原材料这部分。中游是电力和新能源。下游是汽车。你会发现，它的跨越还是相对大的。这就是主题。

我们刚刚说了主题是可以适合跟踪时政，对这个概念有一定的了解的小伙伴能够提供的风险收益特征，也是要高于宽基的。

比如说不管是在2019到2020，我们去投资5G也好，还是2020到2021年去投资新能源汽车节也好，你能够获取的回报肯定远远高于沪深300。

这是它的性价比，它的门槛和要求会比宽基略高。宽基只要做方向选择和判断。但是主题，它要求你对时政、对国家大政方针，还是要有一些知道和了解。

所以我们觉得，虽然它要求稍微高了一点，还是它也能够提供相对来说更高的回报。所以它还是不错的投资标的，性价比还可以。

行业，我自己觉得行业的投资门槛，相对来说更高一点。但其实它能够提供的回报也更高。比如说证券行业，这些都是算简单的行业，证券行业、银行行业、食品饮料行业、医药行业，医药行业，里面涉及细分的话，技术壁垒还是比较高的，但是比较简单粗暴，大家可能会觉得跟生活息息相关，理解起来应该还算容易。但有很多的行业，涉及到高科技的、有些门槛的，就不一定好了解。

比如说电子行业，包括电子领域细分，就是半导体芯片行业，会有比较高的技术或者知识的门槛。甚至包括医药领域，比如有生物医药行业，生物医药行业它里面还可以再细分，有疫苗、有生物创新药、有IVD，有的小伙伴都不知道IVD是什么？那是体外诊断的意思。就是平时去医院做检查，那些都算是各种诊断，都算。还有就是血制品等等。就会相对来说有一些的认知的门槛。但它能够提供的这种回报更高，比宽基和主题都要高。

比如说芯片，在2019年这个指数涨了，芯片ETF跟踪指数990001，2019年涨了104%，到2020年它也有50、60%的收益。

像这种行业指数，其实是可以提供一个更高的风险收益特征的回报。当然它要求的知识门槛或者需要你研究的东西，也要稍微比前两样更多一些。所以我们去定义它的话，觉得性价比还可以，因为自然要求高了，但你能获得的回报也不错。

跟个股做一个对比。

个股，像今年2020年其实就已经发生了。2020年已经出现指数涨得非常好。但其实大多数的个股都是在亏钱。这种风格在2021年开头，开年这一个星期内，也是演绎到了一个极致。尤其是最近几天，昨天是1月8日稍微调整了一下，这种局面也有所改善。

我记得1月7日、1月6日、1月5日应该这几天都非常恐怖，或者是越来越恐怖，到1月7日的时候，是3000多个股票下跌了。但是指数依然是收红的。大家发现炒个股性价比并不是很高的事情。你跟机构投资者去比较的时候，会发现信息上没有任何的优势。机构投资者专门养一帮人，我们公司研究员分行业去看就有二三十人，去跟踪个股，不光是所有的投资者都会拿到定期的报表。

但是机构投资者，首先，他解读报表的能力也不一样，其次，除了报表，还有更多的信息，比如机构投资者去上市公司调研，人家会接待。但个人投资者你说你跑上门调研，不好意思，他不接待的。这是信息上不对称或者不一样的地方。

机构投资者确实是在炒股或者是二级市场的投资上，应该说相对有一些优势。所以个股，我们觉得其实对于大部分的这种个人投资者来说，是需要投入大量的时间和精力的。但一般来说，每个人都有自己的本职工作，其实你的时间，你的精力，肯定是不足以去跟机构投资者做比较。也会容易导致什么呢？就是没有什么和精力，也没有信心和特别大的优势，这种情况下，有的时候会遇到爆雷的情况。

其实我们建议，像这种行业的投资也好或者是主题的投资也好或者是宽基投资也好，在指数基金范围内来说，应该是合适的。

如果跳出指数基金，像主动权益基金，优秀的基金经理，我们觉得也比直接投资个股合适。

前面花一点时间来给大家说一下，在指数投资里面，我们去比较宽基、主题、行业的一些性价比的问题。结论就是像行业，虽然是波动要稍微大一点，对投资者的这种知识门槛要求也稍微更高，但它的纯度高，风险收益特征，也高于这种大盘和主题。

接下来看一下行业指数。它的长期和短期，跟宽基相比，它能够提供一些这种超额收益或者是收益的差距。

我们先看一下这十五年的数据，从2004年到2019年年底，像很多指数，比如像食品、饮料、医药，甚至于连军工等等，都会好于这种宽基指数的整体表现。创业板有点吃亏，因为它是2009以后，才会有数据，所以稍微会有点吃亏。但不管是宽基指数，基本上都是在这张图下边，同一个时间段里面。

这是十五年的数据，再看看2019年的数据。2019年你会发现长短期一些行业会有变化。比如说过去十五年跑得最好的是食品、饮料、医药等等指数，2019到2020年的八九月份，是芯片指数，代表新科技成长这样一些力量，它表现更好一些。芯片指数也有遥遥领先的表现。除此之外就是医药领域、生物医药，还有其他的各种各样的行业指数，依然能够提供远远好于宽基。

如果你只是想跟上市场，就投宽基，没有任何问题，但你想要有一些小目标去实现，想要获取一些更好的收益表现的话，那我们建议关注这个行业的一些投资机会。

我们自己其实在过去这些年，也做了很多关于行业的挑选，模型也好，或者策略也好，做了很多，我就给大家分享一些我们的心得和体会。

我们部门叫做量化投资事业部。其实本行应该是干什么的？干量化的。

量化，大家能想到什么？就是做各种各样的模型。但是负责任地说，其实从量化模型的角度，我们并没有找到非常理想的行业轮动模型。所以我们其实也会慢慢地去参考一下，主动权益或者是说主动策略分析师，他们的一些策略和框架是怎么样考虑的。

他们是自下而上和自上而下去结合的。这个我们后面展开再说。

我们先汇报一下，我们之前做过各种各样的行业轮动模型。

我记得我们2015年的时候，当时做过相似性匹配策略，这个策略听起来非常有道理，什么意思？就是2002年年初开始，假设有1234四个行业已经轮翻上涨了，我想找到第五个，未来上涨的行业是哪个？我就带着这样的疑问，到历史上去搜索，所有的1234四个行业轮次上涨的这种顺序，我们要找到历史上，在四个行业之后上涨的第五个行业是谁？

我们就在当下去买入这第五个行业，这个逻辑听起来很有道理。但实际上做了策略，把它量化之后，做出模型跑了之后，最后发现效果也挺一般的。后来也没有用。

陆陆续续又探索了很多行业轮动策略，得有十来个，我自己还有一点印象的，就放在这上面。还有这种BL4象限轮动，先是手工把行业分成四大块，再把四大块拿过来做轮动，我下面还有写了动量，动量是最简单粗暴行业轮动策略，动量就算相对来说比较有效，而且就算是普通的行业投资也可以做，但动量回撤比较大，每个行业指数去PK，每两周挑出涨最好的，这个行业买对应的ETF或者是指数产品，买完之后就会有一个策略的净值出来，其实你拉长来看，动量的效应还是不错的，但确实回撤也会非常大。动量就是不同的行业直接轮，波动非常大，就是BL4象限，先把行业捏一捏，捏成四块，比如申万一级行业就有28个，28个行业行业去轮，你的波段还是比较大的，但是把28个行业分一分，变成四块了，这四块再去轮，其实这个波动就小很多，所以这是BL4象限轮动。

但是说实话，做下来效果也很一般，后来没怎么用。

我们现在用的是多因子行业轮动的模型。这个多因子模型，它就是把各种各样的因子都考虑一下，然后放到模型里面去跑，跑出来最优的结果。就是把多因子模型，原来用于筛个股，现在用于筛行业。

我们现在用这个，谈不上多么好，但也还行。那大家听了半天，想问好的定义是什么？我来说一下关于好的定义。

我们希望它是能够各种好是什么呢？就是收益不错，回撤还要小。

我们现在是多因子行业轮动，加上择时模型，叠在一起来做操作。效果也没好到天上去，马马虎虎。这就是我们在量化领域的一些探索。

接下来讲讲我们后来去参考了一下主动行业的投资框架。它的一种思路，给大家看一下看一个公式，股价定价公式P=EPS×PE，PE还可以进一步分解，可以分解为无风险收益率加上股权溢价的和的倒数，所以其实跟股价相关的，我们可以用在个股上，也可以用在行业上。

对于行业来说，它影响的因素，就变成了盈利、流动性和风险偏好，这是相对来说是短期要看的因素，长期看什么？长期也要看基本的。炒股要看新闻联播。为什么看新闻联播，因为政策的引导和产业的变迁，跟着政策指挥棒走的，这点确实很重要。

去年年底比较热的是什么事情？就是“十四五”规划。

我不知道大家平时可能不会看到我们工作的状态，像“十四五”规划这种东西出来，我们每个人盯着电脑，恨不得每个字去抠、去读。

包括去年年底年初的中央经济工作会议，“十四五”规划是未来五年的这种计划和规划，中央经济工作会议，是2021年执行的一个纲要。所以大家会看到，那个出来之后，中央经济工作会议出来之后，它有八个要做的事情。股市基本上就顺着这八个方向，去有一个上涨的表现。

长期要看新闻联播、要看政策的导向。但是短期是看我们刚刚说的三个方面。盈利和流动性和风险偏好，怎么看？

盈利就是自下而上和自上而下相结合，自上而下主要是从比如说投资、消费、出口，这是经济三驾马车，从这个角度面去分析、先去判断，找一下景气度向上的大类板块。

然后从下到上去进行验证，验证就是从中观的数据，比如行业的数据，去看它是不是保持了景气的状态？

给大家一个例子，比如新能源汽车这个行业，为什么它这么好？我们新能源汽车ETF 159806，是3月28日上市的，到现在翻倍120%的收益率，其实跟这个行业高度景气，确实分不开，我记得一个数据，8月份新能源汽车销量同比增速达到27%，到九月份变成67%，到十月份就变成117%，到十一月份就是120、130%。这些数据出来，使得这个板块保持高涨的投资热情，就是因为这些数据不断的在景气度上。

包括证券公司在八月份之前，每个月披露经营数据，八月份以后不知道为什么不披露了。因为好多数据都是这种季报的，比如说上市公司的季报，那都是季度的，比如截止到6月30日的二季报，我们是到七月底才能看到，所以它会有稍稍的滞后，所以我们更喜欢月度的数据。

刚刚说的新能源汽车销量，以及这种八月份之前的都是月度的公开的数据。还有一些数据不公开，但可以想方设法问到，如果你有这样的途径，也可以进行一些中观的验证。这就是怎样用盈利，去判断这个行业是不是在景气上。

2020年的股市上涨，就得益于流动性的爆发，因为遇到了疫情，我们国家也是不断的释放流动性，当然欧美尤其是美国做得更彻底，直接把利率降到0，提供无上限的流动性的支持。

利率上行和利率下行的情况。利率上行也分为两种情况。如果是复苏到过热的阶段，这个时候利率上行，其实伴随着周期品强劲的复苏。我们所以其实，去年年底到今年一季度，持续地我们也有在推荐顺周期的投资机会，尤其是钢铁和煤炭，我们也发钢铁和煤炭的ETF。我们也没有说它是一个反转，我们说更多是反弹的原因，我们认为目前的经济，还不是复苏到过热的阶段。暂时定义为是一个反弹。

第二种是利率上行的情况，通胀预期，就是这种温和通胀下，它一个比较稳定的增长，这样的情况下，消费品是相对来说比较容易胜出。利率下行的阶段，也分两种情况。一种是滞胀和通缩，这个时候也是消费品胜出，因为它有比较好的防御效果。

另外一种情况，有点像2015年，那个时候利率下行，伴随边际流动性大幅的改善。不光2015年，其实2020年也属于这种情况，这种情况下也可以有一个名字是水牛市。

第三个是风险偏好，风险偏好其实是墙头草，受到资金的影响，受到市场上各种新闻的影响、事件的影响、政策的影响，当然也受到公司基本面和产业基本面的影响。但是风险偏好就是墙头草，如果风险偏好上行的时候，中小创表现非常好。如果风险偏好下行的时候，就是消费和金融的龙头会有比较好的一些表现。

典型的例子，之前有一个概念叫做核心资产，核心资产你去打开，去看一下，里面是什么？里面就是恒瑞、茅台、平安银行、招商银行，这些都是典型的消费和金融的龙头，所以这就是风险偏好下行的时候市场会买的东西。

说到这里展开来说一下我们对2021年的整体判断。

我们这么看待这个市场，首先还是要降低一下收益的预期，2021年，我们刚刚给大家讲的公式P=EPS×PE，PE还可以进一步分解为流动性和股权风险溢价就是风险偏好。2021年流动性的释放，带来大幅的上涨。但其实EPS就是盈利这块，并没有特别好。因为主要是受到了疫情的影响。

2021年的话，我们看中央经济工作会议里面，有非常重要四个字就是不急转弯，“不急”只是一个修饰词，它当前不急，未来还是要转弯的。流动性是在2021年整体应该说，先不能定义为还是继续宽松，应该定义它暂时还是中性的状态，这样的情况下，流动性不能带来更多的或者是更好的收益的空间。

那要靠什么？盈利我们说风险偏好是墙头草，只能看什么？看盈利，我们要判断盈利2021年是不是有可能能够大幅弥补2020年因为疫情造成的损失，去赶上呢？或者说2021年有没有可能从2020年的水牛市，流动性牛，转化为2021年的盈利牛呢？目前来看，虽然经济确实是在复苏的阶段，但是要靠盈利扛起，我觉得至少前面一两个季度，暂时短期不一定能够看得到。这是2021年要降低收益预期，非常重要一点原因，就是盈利这块，未必能够马上接得上流动性边际释放。2020年流动性释放，带来的收益的空间。

接下来还是用刚刚的公式，股价定价公式，盈利和估值，来看一下它的行业的变化，在这里，虽然应该是EPS和PE，但是实际上我们最后选用的指标会发生一些小的变化。给大家看一下，我这里先看看二季度的这张图，给大家讲解一下。

我们估值选取，不是直接选PE。因为大家知道有些行业PE特别高，有些行业特别低，我们要选什么？选PE估值历史上处于什么样的分位，这样所有人，所有行业，都可以在同样一个平面上比较了。

我们选的是申万的行业指数，申万行业指数绝大多数都是从1999年12月31日开始有数据，是一个长期的指数的分位数。

竖轴选的是归母净利润同比增速。前面讲了EPS，为什么不用EPS，或者还有很多ROE、ROA这些指标，为什么选的是归母净利润同比增速，因为归母净利润同比增速从我们的观察来看，归母净利润同比增速，它更适合的是成长行业或者是筛选景气度，其实看行业的时候，更多是看它是不是在一个景气周期上，我们会看归母净利润同比增速这个指数会更好一些。

我们用这两个指标建立一个坐标，最好的行业是在左上角，估值分配又便宜，它的盈利又好的一些行业，但会发现，这是空白的，没有完美行业，这就跟找对象一样，没有完美的对象。其实二季度的时候，我们主要推荐的东西是什么？包括这种证券、电新，电新是什么？其实就是新能源汽车，因为新能源汽车里面，上游20%是跟有色相关，就是钴和锂这些东西。下游10%左右，在指数里面10%跟汽车相关，中间一大截全部就是电新，电新就是电力和新能源汽车。我们看新能源汽车板块的时候，它是一个主题，我们分解到行业里来看电新行业，发现这两个的性价比还可以，这是我们推荐的逻辑。

证券我有点想不明白。2020年股市其实表现很不错，不管是经纪业务、还是自营业务、还是投行业务，表现都不错，一直没有涨，意味着估值没有提，反正市场行情到现在，对证券的反映也不是特别大。

我们觉得它的性价比还可以，就是从盈利和估值来看。就是证券和电新。

右上角是美强贵，就是基本面很不错，有很好听的故事，估值也不便宜，但是基本面非常不错。

左下角怎么定义呢？他们的盈利赶不上右边。它们的优点就是估值非常低，非常便宜。然后反正就是一些周期行业比较多，大家可以看到里面有房产行业和煤炭、有钢铁等等行业。这是第二季度的。

因为四季报还没有出来。我们现在只能看三季报的数据来说一说。

大家会发现三季度的数据跟二季度，稍微有些变化。最理想的解读就是整体确实经济在回升。我们看到各个行业的盈利情况，是浮出水面情况已经有很好的改善。

其实性价比比较好的，还是证券和新能源汽车。右上角美强贵，芯片生物医药等等也不错。左下角我们首先从左下角说起，周期，因为我们从一季度的时候，顺周期的板块。有的人要问了，顺周期板块什么？顺周期包括周期板块和其他顺的板块。周期板块包括煤炭、钢铁、有色、建筑建材、化工这些都算。然后这里面有产品ETF就是钢铁煤炭和有色，这几个顺周期行业不错，我们先定义一下，先观察到一季度，因为我们今年还要看经济复苏的成色，我们觉得一季度的经济增速肯定是没问题的，去年是负6.8%的增速。今年基数效应该有大幅的预期，经济数据不断的披露的情况下，这种强周期板块应该有非常好的表现。

顺周期还有一些是什么？比如说消费领域的家电、汽车、等等都算顺周期。包括金融里面，银行和证券也算是顺周期，为什么？因为经济好转的话，银行的坏账减轻。包括经济好转，大家炒股的钱也变多。这些是顺周期，我们看整体，它一季度有机会。

房地产不建议大家关注，我们的看法是这样，房地产目前政策压力带来的还是比较大的。大家看还是坚持“房住不炒”四个字，暂时先别关注了，真的哪天房住不炒不提了，我们再关注也为时不迟。

接下来2021年新能源汽车还是建议大家关注的。虽然2021年新能源汽车的波动，一定会大于2020年，但是它依然还是一个高景气的行业，建议大家还是可以继续关注新能源汽车板块的投资机会。

还有军工，军工也是我们比较推荐的，去年年底我们公众号上的推文，也是在强推新能源汽车和军工这两个行业，今年也是开年不负众望，军工行业有比较好的表现，军工这一轮的行情跟2013、2015年有本质不同。可能投资经历时间比较长的小伙伴可能知道，2013年炒军工炒的是什么？就是炒保调行情

2013年炒的是情绪。

但这一轮军工行情，发生质的改变，有基本面的，是非常大的区别。这一轮是5G列装带来基本面改善的行情。它是什么？这几年咱们看，不管新闻、还是阅兵也好，都有东风导弹、航母、航母下水、驱逐舰、护卫舰、还有大飞机等等，这些新闻不断地出来。它已经有了的话，军队要干什么？军队要采购，所以它处在这种大家伙，要进入列装阶段，这样一个基本面质的改变。这种的行情至少能持续三到五年，我们建议大家还是可以稍微关注一下军工这轮大的行情。

它有可能一季度的表现更好一些。后面两三年、三五年都可以关注起来。这是军工本质的改变。

还有就是美强贵，像芯片、生物医药依然不便宜。我们觉得今年还是会有阶段性的机会，因为芯片的估值2020年涨了50、60%之后的指数，它现在的估值甚至比2020年年初还要低，说明什么？它的业绩消化了估值。所以2021年，我们认为芯片肯定也会有表现，什么时候表现呢？谁都说不清楚。

还有医药，2020年8月份因为疫苗的缘故，进入到调整期，到年底，因为器械的事情，遭到了一些打击。但是因为已经调整过了，所以2021年我们依然看好它有阶段性的表现。

相对来说，我们团队稍微看淡的是食品饮料2021年机会，原因在于它的2020年的表现实在太强了。也没什么东西会永远涨，我们会觉得，而且会看到食品饮料，不管是二季度、三季度，它的业绩整体并不是特别强，但是估值提升的速度，比其他行业在2020年都还蛮快的。

食品、饮料行业的估值，分位现在已经接近百分之百的情况，所以我们会觉得，相对来说，性价比上食品饮料在2021年可能会有一些压力，但这个谁说得准？四季度的时候，我也觉得食品饮料不太行，我自己的食品饮料基金，四季度的收益率也超过20%，但确实没有什么东西都强。我觉得作为基金经理没有办法什么都拍得准。这就是我们对各个板块整体的看法。

接下来给大家稍微说一下我们ETF的产品布局。

我们的产品线主要两个特点，一个特点是大类资产配置，我们有股票ETF，有美股的、纳指ETF、有商品的、黄金ETF，还有债券ETF、十年期国债ETF，和国债ETF，我们这个股票ETF里面，主要还是大类的行业的非常多。

特点，一个是行业比较多。另外就是流动性维护我们在同行里面做得相对好。如果我们和同行有相似的产品，我们流动性应该比同行相对好一些。

得益于行业ETF，2019和2020年的爆发，我们公司的ETF规模上升也非常快，这个数据是十一月份的，因为后来一直在出差，没有时间更新，到现在，我们有860亿元左右的非货币ETF，依然是在全行业里面，排名第二名。

最后是我们的公众号，就是我刚刚前面说的很多观点，包括直播文字稿，都会在公众号上，有给大家推送出来，也可以关注我们观点，我们自己的观点的准确率，各方面应该是比较高的，欢迎大家关注，有任何问题都可以在上面提。我的介绍到这里结束了，谢谢大家在线聆听！下次见。（完）

风险提示：

以上内容及观点仅供参考，不构成具体投资建议。指数历史收益情况不预示未来表现，不构成对基金业绩表现的保证。请投资者关注指数基金投资风险，包括但不限于标的指数回报与股票市场平均回报偏离、标的指数波动、基金投资组合回报与标的指数回报偏离等特有风险。

市场有风险，投资需谨慎。

文章来源：百度

量化分析在财务公司产业链金融信用风险管理中应用的思考

2014年，银监会提出了关于财务公司开展产业链金融服务的指导意见，并将格力、海尔等5家财务公司作为开展延伸产业链金融服务的试点单位。与银行相比，财务公司作为倚靠集团企业的“内部人”，在开展产业链金融业务上有着得天独厚的优势。然而，由于财务公司在信用风险管控环节方面技术能力的欠缺，限制了其产业链金融服务延伸的范围。

　　长期以来，财务公司在具体业务开发上多以银行作为参考模板。依据银行开展产业链金融服务的市场经验，产业链服务遇到的风险问题并不比传统的金融服务要少。例如，现在的产业链金融主要基于应收账款融资、存货融资和预付款融资3种基本类型，并组合衍生出其他产品，针对不同的产品需要设计不同的授信流程，流程的复杂性增加了操作风险出现的概率；又如，法律制度体系自身存在的空白，不同区域法律执行效率的差异以及相关合同中涉及的与货物监管、资产处置有关的协议、声明书、通知书等法律形式的多样性，也提高了法律风险管理的难度。而产业链金融作为一项融资业务，首当其冲要面临的依然是信用风险。

　　从实际来看，财务公司在信用风险管理方面缺乏严格的量化分析。究其原因，除同业拆借、对外投资、买方信贷等少数业务外，财务公司主要服务对象局限为集团内部成员，与财务公司间信贷资金往来实则暗含了集团对其风险的信用背书。在这样的机制下，财务公司容易缺乏提升风险管理技术的积极性。

　　目前，财务公司主要依靠贷款分类制度设计判断信用违约风险状况，但这样的设计缺乏前瞻性。从对次级、可疑、损失3类贷款的定义来看，加总而得的不良贷款是基于过去和已发生的事实。从会计核算角度，以此不良贷款作为分子计算得出的不良贷款率，是对已有损失的确认，而不是潜在损失，这意味着对信用风险的警示作用有限。更有甚者，通过对贷款规模的调节，可以人为压低不良率，模糊了对风险的判断。

　　产业链金融中的信用风险管理流程和传统业务信用风险管理流程类似，包括识别、评价和控制3个环节，信用评价指标体系则是整套环节的基础。采用合适的量化模型，并将之融入其中，有助于财务公司对风险的准确把握。然而，由于产业链金融融资模式内涵较以往信贷业务发生了明显变化，因此有必要对业务信用评价指标体系进行重塑。

　　相对于传统的授信业务，产业链金融业务淡化了受信主体的财务特征和行业地位，而是转变为动态、结合真实贸易背景的系统授信管理。其信用评价最核心的特点是把主体评价和债项评级合二为一。这要求在信用风险评价中，不仅考查财务指标，而且考查链条中核心企业资质、担保存货变现风险以及供应链运营状况等因素。

　　另外，财务公司不应忽视运用量化分析对核心企业资质的评价。先前普遍认为，财务公司背靠母公司实力出众，多数在行业中处于核心地位，对上下游合作企业控制力较强。但不应忽略，部分企业集团亦坚持多元化经营，每项业务发展水平却并不平衡，不具备主业突出的行业优势。如果财务公司仅依靠对主业行业地位的判断而不考虑集团其他成员的现实条件，容易漏判、错判成员企业所处具体产业链的核心企业资质。如此一来，便退回传统授信业务的模式。

　　判断产业链核心企业的关键不在于所处产业链的位置，而要看它是否掌握瓶颈约束资源，是否能带动整个链条的发展。假设财务公司集团成员处于食品制造业，食品制造业竞争充分，对销售渠道的依赖性强。在二级产业链条上，成员企业对上游原料供应商或有一定谈判优势，但面对地区性垄断销售商，议价能力偏弱。因此，链条中的核心企业应为集团外销售商。在此情形下，财务公司很难依靠成员单位对上下游的影响有效控制产业链中的授信风险，如果不提升风险防控技术，显然无法将业务风险降到最低。

　　完善产业链信用风险评价指标体系有助于财务公司信用风险模型化的应用。一方面，基于财务会计指标与市场价值指标的计量模型更适合目前财务公司产业链金融信用风险度量。对财务公司来说，选择模型的假设前提与现实环境不至于偏离太大；另一方面，从熟悉的领域入手，从易到难更为妥当。谙熟财务指标内在逻辑、具备较强的财务分析能力是财务公司的优势，因此从财务会计指标类的风险度量模型着手应是较为合理的选择。此外，国内资本市场日益完善，中小板与创业板的设立推出在一定程度上缓解了中小企业信息不透明问题。基于市场数据的计量模型，理论上对企业信用风险的度量更具动态性与时效性。以往受制于数据缺失，如今可以利用公开信息对产业链条上的部分中小企业信用风险进行测算，不失为一种很好的补充。对基于同一类型数据的信用风险模型，优先考虑稳健性。所谓模型的稳健性，是指模型对训练样本与测试样本的预测精度不应存在较大差距。模型的稳健性对于处在产业链金融发展初期的财务公司而言更加重要。一旦模型投入使用，因为新的信用产品申请人与建模总体有差异导致预测准确度产生较大波动，并产生损失，无疑会对财务公司产业链金融后续工作的开展带来消极影响。

　　量化分析并不能百分百预测信用风险的发生，但能帮助财务公司更为科学、准确地认识风险、把握风险。现阶段，财务公司对量化分析，尤其是计量模型的应用还处于初级阶段，基础性工作建设尤为重要。

　　首先，财务公司管理者应主动学习金融风险相关专业知识，推行风险量化管理。产业链金融的复杂性对管理者的专业能力提出了更高的要求，不仅要掌握传统的财务知识理论，还要对金融业务及其带来的风险有深刻认识。财务公司可以从外部吸收风险管理专业人才，也可以将公司内部业务熟练、素质较高的员工选送到其他更具风险管理经验的金融机构进行学习。

　　其次，量化分析产业链金融信用风险是一项涉及众多环节的系统工程，任一环节的纰漏都将影响最终的评估效果。发展初期，财务公司可参照其他金融机构的先进经验，根据业务要求选择合适、已成熟的模型的工具。此时，加强风险量化政策制度建设主要体现为，在数据的收集、变量的选取、公式的构造、模型的建立、校准和测试的过程中，层层把关，形成清晰完整的文档记录；同时，由于一般模型本身基于训练样本的数据而建立，因此在引入测试样本判别结果时，要坚持模型的设立和验证相分离，并在获取最新数据后及时检测模型是否失效。

　　再次，在开展产业链金融的最初几年，企业数据的缺乏会是财务公司遇到的第一个问题，也会影响量化分析工具效用的发挥。对此，财务公司一方面必须切实做好收集、储存、整理与产业链相关的企业财务信息、交易信息；另一方面，应积极探索与银行开展数据信息交流、共享，早日建立自己的产业链数据库。

来源：中国金融新闻网

人工智能融合金融服务，金融生活走向完全自动化

文/陈根
随着科技创新力量的不断迸发，以科技推动产业发展、加快经济社会数字化转型升级成为全球共识。
其中，金融科技化成为社会的新近关切。金融与科技相互融合，创造出新的业务模式、应用、流程和产品，催生出新的客户关系，对金融机构、金融市场、金融服务产生了深刻影响。金融科技更因为互联网巨头的入局与布局，在过去的2020年被持续热议。
金融科技的发展离不开底层技术的发展，而人工智能则作为新一轮科技革命和产业变革的重要驱动力量，在金融科技化的过程中发挥着无可替代的作用。可以说，人工智能技术与金融业深度融合是金融科技大方向所指，用机器替代和超越人类部分经营管理经验与能力也将引领未来的金融模式变革。
智能金融是金融科技发展的高级形态，是在数字化基础上的升级与转型，是未来发展趋势，也将成为金融业的核心竞争力所在。但在智能金融引领金融生产根本颠覆的同时，也不断挑战着社会既有的法律、伦理和秩序，且亟待回应。

智能金融引领金融生产根本颠覆
当下，人工智能已经嵌入社会生活的各个方面，更是与金融具有天然的耦合性。智能金融的发展将有利于国家抢抓人工智能发展机遇，占领技术制高点，尤其是金融业的特殊性，势必对人工智能技术提出新的要求和挑战，以此来推动我国人工智能技术的突破与升级，提高技术转化效率。人工智能融合金融意义不言而喻。
与此同时，人工智能技术综合运用金融科技的大数据、云计算、区块链等技术，为未来金融业发展提供无限可能，是对现有金融科技应用的进化与升级，对金融业发展将会产生颠覆性变革。
智能金融的发展将有利于加强金融行业的适应性、竞争力和普惠性，极大地提高金融机构识别和防控风险的能力和效率，推动我国金融供给侧结构性改革，增强金融服务实体经济和人民生活的能力。
此外，相比互联网金融、金融科技，智能金融更具革命性的优势还在于对金融生产效率的根本颠覆。人工智能固然要高度依赖大数据与云计算，但是与数据深度挖掘运用不同，人工智能技术系统是用传感器来模仿人类感官获取信息与记忆，用深度学习和算法来模仿人类逻辑和推理能力，用机器代替人脑对海量数据快速处理，从而超越人脑的工作。这也将更精准高效地满足各类金融需求，推动金融行业变革与跨越式发展。
从现阶段智能金融的发展来看，在前台应用场景里，人工智能已然朝着改变金融服务企业获取和维系客户的方式前进。尽管金融服务企业已经在数据的使用上进行了有效的尝试，但人工智能依然为市场的重大创新提供了机会，包括智能营销、智能客服，智能投顾等。
比如，智能投顾就是运用人工智能算法，根据投资者风险偏好、财务状况和收益目标，结合现代投资组合理论等金融模型，为用户自动生成个性化的资产配置建议，并对组合实现持续跟踪和动态再平衡调整。目前，全国范围内，智能投顾已有试点，全面推广则有待继续探索。
相较于传统的人工投资顾问服务，智能投顾具有不可比拟的优势：一是能够提供高效便捷的广泛投资咨询服务；二是具有低投资门槛、低费率和高透明度；三是可克服投资主观情绪化，实现高度的投资客观化和分散化；四是提供个性化财富管理服务和丰富的定制化场景。
人工智能不仅仅适用于前台工作，它还为中台和后台提供了令人兴奋的变化。其中，智能投资初具盈利能力，发展潜力巨大。一些公司运用人工智能技术不断优化算法、增强算力、实现更加精准的投资预测，提高收益、降低尾部风险。通过组合优化，在实盘中取得了显著的超额收益，未来智能投资的发展潜力巨大。
智能信用评估则具有线上实时运行、系统自动判断、审核周期短的优势，为小微信贷提供了更高效的服务模式，也已在一些互联网银行中应用广泛。智能风控则落地于银行企业信贷，互联网金融助贷，消费金融场景的信用评审，风险定价和催收环节，为金融行业提供了一种基于线上业务的新型风控模式。
尽管人工智能融合金融目前整体仍处于“浅应用”的初级发展阶段，以对流程性、重复性的任务实施智能化改造为主，但人工智能技术应用在金融业务外围向核心渗透的阶段，其发展潜力已经彰显，而工智能技术的进步必然在未来带来客户金融生活的完全自动化。 

风险与挑战，回应和倡议
人工智能融合金融让原有的金融服务体系进入从“人”服务到“机器”服务的时代，但智能金融在给行业带来无尽惊喜与期望的同时，也不断挑战着既有的法律、伦理和秩序。
比如，由于数据质量或算法的瑕疵引起投资者亏损的可能。其中，智能金融依赖于算法，而算法出现的过度拟合等程序性错误则可能引发蝴蝶式效应，造成系统性风险。
与此同时，智能金融的“尾部效应”和“网络效应”，使得金融机构增强获客能力、提高风控水平、降低成本，但两个效应叠加增加了金融体系的复杂性，将有可能放大风险的传染性和影响面，诱发更大的“羊群效应”，并且放大金融的顺周期性。
此外，金融决策依托于对大数据的智能处理，个人投资信息或敏感的公司数据的泄漏风险，却令个人隐私保护和数据安全问题凸出。算法的不透明性则带来歧视性的可能，当数据不完整、不具代表性、出现偏差时，则会影响决策结果。因此，金融机构有义务了解人工智能系统以及可能对客户产生的潜在负面影响，并要为算法造成的歧视承担责任。
面对智能金融应用带来的问题，需要政府、市场及社会形成多元、多层次的治理合力，降低智能金融的风险，最大程度促进人工智能技术带来的生产力解放，享受科学与理性决策的成果。
一方面，智能金融需遵守人工智能治理的一般原则，同时要考虑金融领域应用的特殊性，坚持创新应用与风险防范并重。一是要鼓励支持人工智能技术与金融产业模式的创新，二是要采取有效的监管措施。
从2019年至今，中国人民银行和中国银保监会发布的涉及人工智能在金融领域应用的相关政策和指导意见中，政策方向主要集中于监管收紧、技术促进和中小微企业贷款服务三方面。事实上，近年来，金融业务触网程度不断加深，业务场景日趋复杂，边界逐渐淡化，在繁荣发展的同时也为金融监管带来了挑战。P2P行业暴雷后，监管部门更加坚定了监管愈严的大方向。
同时，本着“堵不如疏”的原则，在监管力度加大的同时，监管创新也在跟进。2020年1月，人民银行发布了《金融科技创新监管试点应用公示（2020年第一批）》，以“监管沙盒”的形式通过沙盒工具，在模拟场景中对人工智能、区块链等技术以及银行API接口开放等模式，在金融业务中的应用进行弹性监管实验，降低了运营风险和技术不确定性带来的隐患，以试错的方式探寻金融科技下的监管更优解。
从趋势上看，监管仍将坚持收紧和创新两手抓的方针，对金融科技公司的业务范畴、数据规范等保持严格的监督，对新技术、新模式持有审慎的态度。科技公司将脱离金融服务业务，更加聚焦于技术输出，而市场与监管脱节的洪荒时代也一去不复返。

另一方面，目前全球许多机构都已经开始研究相应的对策以应对智能金融的伦理问题。美国银行成立委员会研究如何保证用户隐私。谷歌建议采用以人为中心的设计方法，使用多种指标来评估和监控，并广泛检查数据情况，以发现可能的偏差来源。加拿大财政部发布指导文件概述了使用人工智能的质量、透明度和公共问责制。
智能金融的发展需要明确的指导方针和保障措施，以确保该技术的合理开发和使用，包括算法公平性和可解释性，稳健性等。
智能金融应用机构必须确保负责处理数据或开发、验证和监督人工智能模型的员工拥有有效的资格和经验，了解数据中可能存在的社会和历史偏差以及如何充分纠正这些偏差。金融机构还需构建内部政策和管理机制，以确保算法监控和风险缓解程序足够和透明，定期审查和更新。
金融服务的未来在于其充分应用并受益于新技术的能力。人工智能是一项新技术，它将使金融服务企业的前台和后台都产生颠覆性的变化，在金融市场的结构和监管方面产生重大转变，并在社会伦理道德方面提出急需解决的重大挑战。
理解和接受人工智能必然要经历一个长期的螺旋上升的过程，这是一段受经济、社会以及政治变革影响的过程，也是一段没有任何一家企业可以独自完成的过程。因此，唯有协作努力才能战胜这些挑战，才能解锁人工智能可以为企业和社会所带来的最大利益。

文章来源：陈述根本

量化网：量化交易步入市场发展黄金期

金融市场的进一步开放，投资者财富管理需求强劲，这让量化交易逐步走向自动化、程序化、规范化、差异化发展。特别是以净值化管理为特征的私募量化投资在投资策略、产品服务均实现升级与拓展的同时，也迎来了市场黄金发展期，实现“量化大时代”。

在海外市场，超过70%的资金交易采用计算机程序进行，在这“70%”当中，半数管理者采用量化交易模型。量化交易所拥有的纪律性、系统性、套利思想以及概率取胜等特点是其广受全球投资者以及金融机构青睐的关键。首先，量化交易基于模型运作结果来推算，而不是简单的通过“人脑”，杜绝了人“感性”的弱点，让投资变得更为理性化。其次，量化交易所拥有的多层次、多角度、多数据特性，让人们可以从一个更高维度上去审核、评估该交易，而不是局限于一点一面，这让投资者的投资变得更为精准。最后，量化交易还可以帮助投资者找到各类“错误定价、错误估值”所带来的财富机遇，以此轻松套利。

如何建立属于自己的量化交易体系？首先投资者需要对交易基础知识以及产品定义有一个大致的了解；其次、投资需要拥有自己的交易指导思想，这一点需要在实战中学习；第三、投资者要选择好适合自己的交易平台。在做好这些后，投资者可以依据风险管理算法来进行仓位以及资金的配置，实现利润最大化以及风险的最小化。

当然，我们在进行量化交易的时候，也要注意一些潜在的风险，比如说数据是否完整，模型设计是否有风险评估以及预防措施，是否有同质模型竞争交易以及是否存在单一投资品种的不可测风险等。这些我们都需要在实战中尽量规避。

量化交易发展到今天，它的交易种类也变得越来越多，平台搬砖、趋势交易 、对冲都是相当常见、同时广受投资喜爱的量化交易类型。平台搬砖主打不同目标平台之间的高卖低买，趋势交易则依赖趋势指标实现卖出和买入，对冲则在于同时操作两笔交易来实现对冲风险。

对于量化交易，很多投资者认为，这是金融交易市场逐步走向成熟的表现，它的运作与决策都趋向于理想化与程序化，杜绝了传统金融交易中的“人”的波动性，因此显得更为精准、高效。得益于此，很多投资者开始加入量化交易，并因此实现了财富的显著提升。

文章来源：热点资讯录

从量化投资中的算法与人性预见未来

腾讯2019年第一季度财报里有两个25%值得关注。其一是腾讯在金融科技与企业服务的营收为217.89亿元，同比增长25%，剔除金融科技与企业服务后，腾讯的其他收入仅增长2%。其二是腾讯金融科技及企业服务在营收中占比已超过社交服务，为第二大板块，占比25%，与占比33%排名第一的网络游戏和退居第三占比24%的社交服务共同成为腾讯收入来源的三甲。

腾讯是从云计算切入金融科技领域的，阿里等网络基础平台的情况也大致如此。由此看来，互联网下半场的故事，很有可能是在金融与算法的碰撞中发生。毕竟金融有着人类最大的经济活动规模，而且直接与财富相关。在金融领域，算法可以最快速地盈利和变现，从而成为用来淘金的绝佳工具。因此在各个行业中，金融尤其是投资业对信息处理、算法应用的广度、密度和深度也遥遥领先。这其中，量化投资最为典型，所以，在对人性的认识和把握方面也最为成熟——当然，这也包括金融危机等由于人性贪婪引发的巨大风险和灾难。

事实上，有统计的收益率最高的投资大师并非巴菲特，而是量化投资的杰出代表詹姆斯·西蒙斯，1989—2009年间他执掌的大奖章基金平均年回报率高达35％，比巴菲特同期表现高出10余个百分点。在2018年，西蒙斯从对冲基金中赚得了16亿美元，其个人总资产达到165.5亿美元，使他成为世界上最富有的对冲基金经理。随着互联网和人工智能的兴起，量化投资在加速进化并凸显优势，影响到行业的未来。据福布斯报道，在2018年收入最高的20名对冲基金经理和交易员中，有超过半数与计算机驱动的算法交易有关。

在以算法为主导的这一轮科技浪潮中，了解和思考量化投资也会有助于理解互联网下半场的趋势和逻辑，甚至有助于预见未来的变局。这也是2014年以来，笔者聚焦量化投资领域的原因之一，其中诸多问题在与朱晓天教授共同主编的《量化投资十六讲》一书中做了解答。

比如，对于初涉量化投资和算法交易的人而言，最好奇的一个问题可能是：量化交易既然这么神奇，为什么在国内没有那么骄人的业绩？其实不然，知方石投资总经理刘钊有过统计，2012年到2016年中国市场上表现最好的4只基金，有3只是量化基金。另一方面，比西蒙斯更知名的投资大师巴菲特在中国有着更多的粉丝，但是其投资思想和策略其实也可以理解为一种量化投资，而且他的模型中因子非常稳定。技术也提供了一种公平，在男性为主流的投资领域，女性量化投资经理也有令人瞩目的战绩。据媒体报道，2009年中国推出的第一只增强型指数基金，成立以来总回报较比较基准沪深300指数高出59个百分点，其基金经理李笑薇就是女中豪杰。

那么，量化投资进入中国十多年了，它既然如此强大，为什么并没有那么耀眼或者受到持续追捧？

首先是因为数据是算法的基础，这方面还存在软肋。西蒙斯认为，广义的资本市场，包括股票、期货、外汇等，都反映了当今的社会现状，他的量化投资正是通过收集大量数据并依靠算法来决策。与西蒙斯所在的美国相比，中国的证券市场和统计系统还远未发达，数据不全、数据不够是在中国开展量化投资的巨大挑战。

还有诸多来自市场本身的原因，比如大量的量化投资策略侧重市场中性，在超预期的行情中无法获得高于市场平均收益率的回报。又如，中国的投资者仍然以散户为主，而量化对技术的要求对多数个人投资者而言遥不可及。再如，反转因子等在小盘股失宠之类的市场风格突变下失效。

最关键的原因是对量化投资报以过高的期望甚至神化。类似互联网早期的发展乃至比特币的毁誉，一旦“故事”被追捧得不切实际就成为“事故”。2012年到2016年量化产品曾经受过市场追捧，但是2017年的市场风格切换，罕见的低波动率导致很多量化策略失效，使得一些量化投资平台被挤出局。《量化投资十六讲》的一个重要特点就是回归常识和本质。书中强调量化投研要避免“交易不可实现”“幸存者偏差”“前视偏差”这些根深蒂固的人性弱点。中国绝对收益投资管理协会联系会长聂军在书中毫不客气地说，“从某种意义上讲，量化投资策略的系统性风险更大。”

算法经过市场的检验和修正，而市场背后又是人类的各种思维和行动。一方面，科技使这个世界的历史性改变已成为现实；另一方面，资产和市场也放大了人性的贪婪。技术和算法是中性的，是为人服务的，但如果杠杆过高或者通过复杂的产品设计将巨大的风险转嫁给客户，往往会带来灾难。量化投资中曾经最华丽的超级团队长期资本管理公司和“长期系”在两次金融危机中都以倒闭告终，就是最典型的案例。

在技术驱动的进程中，产品过于同质化产生共振的系统同性风险层出不穷，政策干预的影响在国内尚待完善的市场中也比较突出，但最大的风险还在人本身。尤其在FOF中人性的风险在其风险中占比非常显著。

在以金融科技战略取胜的同时，腾讯也鲜明地提出了“科技向善”。是的，在技术驱动的未来，面对巨大商业利益对人性的考验，如何应对道德风险和伦理危机，既是搭建算法与人性商业模式的必要功课，更是下一个时代的重要基石。

来源：21世纪商业评论

量化网：2020年量化交易日货量对比往年提升显著

近些年来，量化交易赢得越来越多的投资者的青睐，2020年全国量化交易也呈现出了较强的增长趋势。

量化交易是什么？量化交易主要通过趋势套利、对冲套利、高频交易等交易策略来获得利差，所拥有的诸多优势特性让众多投资者纷纷入场。量化交易从诞生起已经有50多年历史，它的出现得益于西方发达的经济学理论，国外很多知名的金融机构，比如说桥水基金、索罗斯基金都广泛采用量化交易。在传统金融市场领域，量化交易则主要集中于高额资金交易，各式私募机构、基金投资等对量化交易的运用均相当频繁。

量化交易的优势在于它可以让投资者依据海量数据进行分析、筛选、学习，并对比历年来各式回测信息来进行综合比对，以此选择最佳策略，因此量化交易在逻辑性和准确性上均相当优秀。横向、纵向对比，根据市场行情进行及时判断，多维度模拟都让量化交易显得更为高效精准。对于投资者来说，采用量化交易，可以减少盯盘时间，不用长时间关注投资交易，不用过多的占用生活、娱乐时间。

不仅如此，量化交易还有着投资门槛低、对接数字货币交易性能强等优势，这也是目前很多投资者都选择量化交易的原因。在海外，目前已经有超过30%的资金转化成为量化投资，我国起步较慢，但是比例也快速达到了8%，并且呈现出了强劲的活力与发展势头。不少分析人士也表示，未来中国量化交易市场还将拥有高达275%的增长空间，市场前景不可限量。另外，区块链技术的进一步深入化，也为量化交易的发展带来了强劲的驱动力。

虽然量化交易发展迅速，但是目前中国市场仍然存在短板，那就是相关衍生产品并不丰富。很多人已经意识到了这一点，并开始逐步拓展服务体系，进一步满足投资者各类量化交易需求。

目前，不少量化交易机构所推出的享受一键开单、无需盯盘、坐等收益等服务，也让投资者欢欣鼓舞，不少投资者也通过自己的聪明才智以及多年累积的丰富经验在量化交易市场不断掘金，获得相当丰厚的回报。可以肯定的一点是，未来将会有越来越多的人入驻量化交易市场，并通过量化交易实现财富的增值，量化交易市场前景值得期待，对于广大手中有闲余资金的人来说，量化交易无疑是一种相当实用的投资手段，也是一个撬开财富大门的杠杆。

文章来源：华声晨报网

人工智能等创新技术与金融业态深入融合

“互联网的普及、传感器的泛在、大数据的涌现、电子商务的发展、在线社区的兴起，数据和知识在人类社会、物理空间和信息空间之间的交叉融合与相互作用，汇合而成了驱动人工智能走向2.0的强大的外在动力和应用需求。这股浪潮席卷全球，也推动着金融行业发展到全新阶段。人工智能、大数据等新技术成为继互联网技术之后变革金融行业的全新力量。智能金融强调金融科技和人工智能的结合，人工智能、大数据、互联网、分布式技术和安全技术等关键软硬件已成为金融领域的新基础设施。" 中国工程院原常务副院长潘云鹤院士在2020全球人工智能大会智能金融高峰论坛中谈到。

据悉，作为2020全球人工智能大会的活动之一，以"普惠金融 智能共创"为主题的智能金融高峰论坛由杭州市科学技术局作为指导单位，同盾科技承办。论坛汇聚政府、学术界及行业领军企业代表，畅谈人工智能与金融彼此赋能产生的强大效能。同时，多家产业和学术机构联手成立"知识联邦产学研联盟"，将致力于探索下一代人工智能的实现路径。

中国人民银行科技司原司长陈静指出，我国金融业的发展靠的是改革与创新、先进科学技术的应用。随着金融科技和数字金融的快速发展，人工智能在金融领域的应用正在不断深化。当前，机器学习、知识图谱、生物识别、服务机器人等人工智能技术在金融预测、反欺诈、授信决策、智能投顾等领域广泛应用，金融业正在加快实现网点智能化、营销智能化、运营智能化、客服智能化、风控智能化。人工智能等技术是未来金融创新重要的应用趋势，和金融创新与发展的重大推动力。

杭州市科学技术局局长赵喜凯表示，目前杭州在人工智能领域，科研生态日趋完善，龙头企业引领发展，落地场景不断拓展，惠民项目扎实推进。人工智能等创新技术与传统金融业态深入融合，从支付结算、智能投顾、供应链金融、智能风控，到区块链金融、云计算等领域的创新应用，提供了高效便捷、信息透明的多样化金融服务，拓展了金融服务边界，优化了金融产品特性，弥补了传统金融短板，成为服务实体经济、防控金融风险、深化金融改革的重要力量。

同盾科技联合创始人、CEO张新波认为，人工智能等科技力量已从过去的支撑、保障的从属地位，发展成为引领、重塑的驱动力量，成为金融业重要的核心竞争力。"得益于杭州这片创业创新的沃土，同盾科技坚持自主创新，并以客户为核心，强化科技赋能，内建生态、外接场景，将自主研发的智能分析决策技术与服务广泛应用于智能金融、智能政务、智能城市建设等领域"，张新波说。

香港大学商学院副院长、诺贝尔经济学奖提名专家林晨教授在视频演讲中表示，金融科技具有逆周期潜力，通过大数据分析可对中小微企业有更准确、深入的了解，从而更好的服务实体和个人的金融服务需求。在经济下行期，保持对中小微企业的金融服务，有助于中小微企业稳定生产、稳定就业;有助于中小微企业的雇员稳定收入、稳定需求，进而实现保持经济稳定的社会责任。

国家金融与发展实验室副主任杨涛围绕"智能时代的金融新基建"介绍说，支付系统、中央证券托管系统、证券结算系统、中央对手方、交易数据库是当前各国共识的五类金融市场基础设施。我国金融供给侧结构性改革，强调"补短板"，提高服务实体经济水平和防控金融风险能力。当前，我国金融新基建的重点应放在货币体系、支付清算体系、信用体系、技术基础与设施、金融标准化、数据治理与交易等领域。

新网银行副行长兼首席风险官徐志华在演讲中表示，对于新一代互联网银行而言，智能风险管理技术不是一个"照妖镜"，必须是全生命周期管理。智能化风险管理一是要求流程自动化，所以我们必须建设一个智能风险系统;二是要求决策智能化，所以我们要建设一个智能决策模型。但是，零售信贷转型不止是建系统和模型，零售转型是一个业务综合性的系统工程，风险战略是零售风险管理的重点。

中国人寿财产保险有限公司信息技术部总经理郭海涛分享了国寿财险大数据建设经验，他说，大数据时代的到来，使得科技能力可以为公司提供全场景、全流程的支持与赋能，科技能力的核心是在大数据基础上的智能化能力，这就对保险公司在数据运营管理方面提出了更高的要求。国寿财险自2007年公司成立出单便开始了公司统一数据平台建设，伴随公司发展统一数据平台也从小到大。当前平台已涵盖几乎公司全部经营数据，平台应用功能可支持上至高管下至普通员工的内部数据分析需求。

论坛上，同盾科技联手浙江大学、中科院医学所、复旦大学、哈尔滨工业大学、华东师范大学、百度研究院、360集团、平安科技、明略科技等机构宣布成立"知识联邦产学研联盟"。中国工程院原常务副院长潘云鹤院士担任联盟专家指导委员会主席，中国科学院院士、中科院医学所所长、国科大肿瘤医院院长谭蔚泓，美国科学促进协会院士、明略科技首席科学家吴信东，欧洲科学院院士、上海交通大学讲席教授过敏意担任委员会副主席;同盾科技合伙人、人工智能研究院院长、中科院医学所首席教授李晓林担任联盟理事长。

李晓林教授表示，联盟将聚集跨行业的各方力量，联合开展知识联邦多层级的理论、技术、协议、标准和产业研究，构建理论研究到产业成果转化的生态，探索下一代人工智能的实现路径。

李晓林教授还在论坛演讲中介绍，知识联邦作为一个统一的、层次化的框架体系，支持安全多方检索、安全多方计算、安全多方学习(联邦学习)、安全多方推理等多功能技术方案。知识联邦是打造数据安全的人工智能生态系统的基础，致力于推进可信AI 3.0，实现"数据可用不可见，知识共创可共享"。

来源：东方网

人工智能新基建能保证有比较好的效益

人工智能新基建，证交所送钞来了。现在想做金融业的不得不向人工智能转行呀，竞争力没有优势，尤其做经纪业务，我这里有十多万的大股东带进来的券商，没有证券客户经理做客户经理呀，所以传统的客户经理只有在经纪公司上班才能赚到钱。估计随着大数据、云计算、证券客户经理慢慢的转型智能交易系统，人力升级，逐步能够增加客户经理的比例，客户成交数量，加上智能系统的辅助，未来才能保证有比较好的效益。

想做金融业的，能够赚钱的路就是不断的出差，开拓渠道、准备大数据和证券客户经理的转型。这样是能够赚到钱，因为是在未来的金融业，如果在传统的方向没有自己的产品，那是没有竞争力的。随着互联网金融的兴起，以及2015年纳斯达克创业板市值更高、以及投资界明星薛蛮子的个人股权数额大增，这样融资就变成了一种最时髦的金融创新事件。一句话：互联网金融的金融创新，作为金融行业的创新能力跟不上了。这也促进了中国金融创新发展。

我想从最基本的传统的证券市场拓展工作来看看我国金融的创新。一、证券市场的特点（一）风险和收益对赌协议：约定期满获得丰厚收益协议双方根据自己对风险的承受力，约定一定期限，用以约定双方对于收益的分成。所以也有说法是风险收益对赌协议。这样会增加客户经理的业绩压力，如果你觉得客户经理费可以忽略，那么恭喜你，你该换个证券公司。

（二）市场流动性紧张：证交所“老板”要养活1万多名销售，银行证券的现金使用在收紧（什么psl、prt收紧什么qfl，主要是为了保证证交所利益）。（三）数据不对称，对券商的工作人员要求高相比银行证券，只需要培训证券，不需要风控经理，开户不要求客户经理，这也就导致客户经理需要客户操盘，时间长，工作强度高，所以要求必须有经验，当然这样也助于券商的成长。

从管理来说，网络时代，信息化越来越发达，所以和客户的联络并不能保持信息的对称，比如你网上或者现场叫一家证券公司来办理交易，需要证交所许可，可是证交所才不管呢，就是一句，网上办理都可以。

你的工作时间是多长，你可能都不知道，因为需要调查客户。对于客户经理呢，尤其是做研究业务的，大部分是不需要客户经理这个角色的，因为客户经理的综合要求很高，如何拉客户、把资源都留在自己手上等等，这些证交所其实都是不管的。（四）从业者需要办卡，金融理财服务需要对证券公司（经纪公司）办卡。

来源：出名说说科技