量化基金咸鱼大翻身

无论是研发端、投资者端还是市场环境端，量化投资都还需要一个不断“适应”的过程。

基于计算机公式和机器交易的量化投资，在华尔街由来已久甚至已经“统治华尔街”。由于国内金融市场起步较晚，自2002年第一只公募量化基金成立，量化基金始终处于徘徊、缓慢发展态势。 2015年，量化产品终于集中爆发，到2016年，A股市场动荡，量化基金大放异彩，占领了多个公募基金收益排行榜冠军位置，去年绩优量化基金纷纷在今年遭遇“滑铁卢”，与此同时，去年业绩排名靠后的量化产品反而在今年涨幅超前。

截至目前，排除今年新成立的量化基金，58只（A、C份额分开计算）量化产品中，24只以年内业绩亏损告终，去年量化基金业绩“十甲”中，六成年内业绩亏损。如去年量化收益冠军创金合信量化多因子股票A份额，以24.8%的收益率冠压群芳，而同花顺(50.760, 0.04, 0.08%)iFinD数据显示，截至12月20日，该基金业绩亏损已近10%。此外，去年收益率“破十”的招商量化精选股票、长信量化先锋混合A份额也没能给市场带来过多惊喜，同花顺iFinD数据显示，截至12月20日，今年以来，上述两只量化基金收益率分别亏损6.14%、15.09%。

2015年以来，A股市场持续震荡与低迷，加之“资产荒”的资产配置难题，量化投资成为公募基金必争之地，特别是一些中小型公司，迫于同质化竞争压力，奋力打造“量化”特色。

与此形成对比的是，去年亏损19.96%的东吴安享量化混合基金在今年“咸鱼翻身”，截至12月20日，该基金净值涨幅达到20.5%，工银量化策略混合基金、金信量化精选基金、华商量化进取混合基金等量化产品均在今年实现“逆袭”转亏为盈，截至12月20日，上述量化基金收益率分别为17.52%、6.4%以及13.46%。

从多方反馈来看，市场风格转换成为量化基金业绩出现如此逆转的重要原因。大泰金石研究院资深研究员王骅向北京商报记者进一步解释称，2016年A股市场走势震荡，热点、风格切换频繁，主动操作的难度增加，主动管理型基金业绩波动随之加大，这种市场风格适合配置分散、换手较高、严格止盈止损的量化策略，因此去年全年量化产品整体业绩表现非常出色，尤其是偏重中小市值因子的创金合信量化多因子、长信量化先锋等基金表现亮眼，而进入2017年，前几年着重使用了市值因子和反转因子而赚钱效应非常明显的量化基金，在市场风格发生变化后弊端暴露，收益随之明显下行。

2016年，量化基金表现尤为突出，成立于2016年前的68只量化基金，有28只2016年取得了正收益，在40只下跌的基金中，跌幅超过5%的有19只，占比不足四分之一。与此同时，天相投顾的统计数据显示，2016年股票型基金全年平均下跌13.38%，混合型基金平均下跌8.61%。

不过尽管量化基金收益不如从前，今年仍是量化基金发行大年，仅今年一年就有59只产品成立，成立数量占比整体超五成。如华泰柏瑞港股通量化混合、易方达量化策略精选灵活配置混合、银河量化稳进混合等采用量化策略的基金产品相继成立。值得一提的是，今年9月成立的华泰柏瑞量化阿尔法首募规模达到51.55亿元，且比原定计划提前一周结束募集，成为今年以来新成立权益类公募基金中最大规模产品，引发业内热议。

而对于业绩利空下量化基金仍高速发行的原因，王骅坦言，主要是下半年市场严重分化的行情有所修复，中小创开始反弹，热点变化较之前更为频繁，这也意味着，市场开始进入量化基金擅长的区间。

文章来源：小麦财经

潘润红：人工智能、区块链、云计算和大数据支撑金融业数字化转型

12月5日，由瞭望智库、财经国家周刊主办的“2020第五届新金融论坛”在北京举行，主题为“非常时期的金融责任与担当”。中国金融电子化公司副总经理、北京金融科技产业联盟秘书长潘润红出席并发表演讲。

潘润红

潘润红表示，当前人工智能、区块链、云计算和大数据，就是大家说的“ABCD”这四项新技术基础设施，在金融领域的应用非愈加普遍，支撑金融行业数字化转型，但是同时也存在着核心技术受制于人和数字化转型质量不高等问题，给产业各方提出了严峻挑战，后续产业联盟将在突破发展瓶颈、补齐发展短板、加快发展步伐等方面重点加强以下几方面的工作：

图片来源：网络

一是加强核心技术联合攻关。金融科技的竞争力是科技供应链从源头研发到应用落地的整体的竞争力，针对影响金融科技供应链稳定的操作系统、数据库等核心技术，产业联盟将加大应用的前瞻性与战略性联合攻关，充分利用产业联盟的联合实验室等平台，为前沿技术研发提供优质的试验田，不断完善具有自主知识产权、满足金融需求、可商业化运营的金融科技产品，共同推进金融科技实现“从0到1”的突破，以敢为人先的创新精神，抢占金融科技竞争制高点。

二是推动金融与科技更加深度的融合。针对中国发展所面临国内外环境的深刻复杂的变化，金融科技创新要紧紧围绕推动金融高质量发展、实现人民高品质生活、构建新发展格局的需要，从真实金融场景出发，坚持以应用促创新、以创新促发展的原则，做好产品技术选型和应用融合，逐步扩大安全可控产品的应用规模，借助新基建基础设施实现金融服务智能化演进升级，打造链接无感、服务无界、体验无限的开放式金融服务生态圈。

图片来源：网络

三是打造良性循环的产业生态体系。产业联盟一方连接着信息产业、一方连着金融行业，要发挥这个优势，通过行业自律引导金融科技产业回归金融本质，进一步探索联盟会员技术共研、场景共建、成果共用、标准共商和产权共享的合作模式，加强金融科技人才的培养，广泛开展金融科技知识普及，为金融科技产业提供良好的发展环境。

来源：新浪财经

借力量化，精选价值

想象一个画面：不停闪烁的超级电脑自动进行着高速交易，荧幕上滚动着通过高速网络提前获取的最新市场消息，加上通过杠杆放大的头寸，账户的盈利不断上跳...

这就是量化交易！

金融交易发展到现今阶段，手工交易中交易者的情绪波动等弊端已越来越成为盈利的障碍，而量化交易天然而成的精准性、100%执行率则为它的盈利带来了优势。有数据显示，国外成熟市场期货程序化交易已占据总交易量的70%-80%。

价值为道，量化是术

价值投资主张见招拆招，看人下菜，先从基本的三个代表——会计的三张表入手，看企业财务状况，看未来预期现金流；再结合每个版块每个公司的各自特点，医药公司看FDA，金融版块看利率和宏观态势，科技股看赢利模式等等行成投资策略。

自80年代以来，价值投资一直是学术研究人员和实践者们热议的课题。什么是价值投资？简单来说，股票的价值会根据市场和宏观经济变化而波动，由于市场非理性往往会造成股票的市场价格偏离公司的内在价值，而投资人通过购买价值被低估的股票，以期股票的价格随着市场估值重估回升带来额外的投资回报的这种投资形式，就是价值投资。

在实践中，涌现出了很多的价值投资大师。股神巴菲特，则通过大量的财务分析和管理层调研，寻找价值被绝对低估的少数几个股票，买入并且坚决长期持有。

量化投资则颇有“凭尔几路来，我只一路去”的风范，是比较纯粹的TOP-down selection，使用统一的统计标准来大范围筛选股票。价值投资的泰斗当属巴菲特和彼得林奇。量化投资的王者则要看西蒙斯和大卫肖，两类高手在这几十年间都是不留情面地打了有效市场假说的脸。

合理的量化有极高的概率为投资者带来成功的投资。因为它实际上是使用一种流程对各个股票进行诊断，只有没问题、有特长的股票才能入围。从这一点来看，价值是道，量化是术。若想把玄之又玄的道转化为某种成果，就必须用到具体的术，即量化。

图片来源：网络

量化基金在国内资本市场上还是小众产品，可在华尔街却是名副其实的主流。

在美国量化交易已经有超过三十年的历史。目前据统计已经有超过百分之六十的交易都是通过电脑进行的，可见量化交易在美国市场是非常成熟的。

相较于海外成熟市场，A股市场的发展历史较短，投资者队伍参差不齐，投资理念还不够成熟，留给主动投资发掘市场非有效性，产生阿尔法的潜力和空间也更大。

耐得了寂寞，量化迎掘金

建立在现代统计学、数学和信息技术基础上的量化投资有三个方面的强大能力：

1、及时快速地跟踪市场变化，不断寻找、发现获得超额收益的新交易机会；

2、准确客观评价交易机会，克服人为的主观偏差；

3、在控制风险的条件下，充当准确实现分散化投资目标的工具。

相较传统的“手工投资”，量化投资能在市场陷入集体狂热时保持冷静，把握“稳稳的”收益：

·传统的“手工投资”以研究决策的深度见长，但研究决策的广度则受到人类思维容量的极大限制，而且投资者在主观认知上的偏差和情绪化波动，也容易导致投资良机的丧失，比如在“牛市”汹涌到来时被“贪婪”冲昏头脑。

·量化投资通过拓展获取信息和决策的广度，可以从海量的历史数据中寻找能够带来超额收益的多种“大概率”策略，并运用数学模型将资金筹码分散押在这些策略上，努力克服市场情绪的侵蚀，从而“把对未来市场的预见转化为高回报”。

量化投资和价值投资是相辅相成的。量化投资把价值投资逻辑通过程序固化下来，有很多量化因子都是关于基本面的。而且量化投资一切以数据和模型作为投资的准绳，无论市场情况如何都不会“随散户起舞”。一个价值投资者，通过量化分析手段，能获得更好的投资回报。随着大数据、人工智能等技术的飞速进展，金融投资正在逐步由人主导转向科技引领，人与技术在投资过程中如何更好地结合，成为未来投资的关键。在此背景下，量化投资日益得到国内大量基金公司的重视，特别是在监管逐步趋严、市场有效性逐步提升的过程中，量化交易具有广阔的成长空间。

来源：戊戌资产

是不是真的量化交易，看过这本书就知道了

最近，贝页图书给我邮来一本样书，《跟踪信号：黑盒交易如何影响从华尔街到上海的股市》，觉得很有启发，书中一语点破了量化投资和价值投资的根本区别，“量化投资者一直是投资专业人士中一个隐蔽的群体。基于价值的投资者与量化投资者之间几乎没有相似之处。量化投资者关注任何可以测量的方面，而传统投资者看的是业务中无法测量的部分。”

图片来源：网络

对于传统投资者来说，理解公司无形的方面更为重要，比如星巴克，他们“激发并孕育人文精神” 的愿景，以及霍华德·舒尔茨（Howard Shultz）这样有远见的管理人，才是传统投资者评估的关键因素。

对于量化投资者来说则相反，他们不关心公司管理质量或使命宣言。更倾向于在股票交易历史的细节处做文章。他们不关心对市场或总体经济形势的长期看法，他们关心的是投资者之间如何互动。

图片来源：网络

贝页的编辑问我，这本书到底和您看过的量化书有什么不同？我说：有些人已经很努力了，但仍然不赚钱，根据我的理解，这已经无关“科学”，而是“信仰”问题。我看到身边很多打着量化大旗的人，走的仍然是传统之路，也许他们内心根本就不信数据和机器的力量，这本书会让他们重新树立交易“信仰”。

尼采在死前曾经说过，“人最终喜爱的是自己的欲望，而不是自己想要的东西。”对于这本书也一样，它并不能赋予你不懂的东西，它只能唤醒你内心已有的信念。

图片来源：网络

在你开始赚钱之前，这本书值得买来看一看，这本书也得到了“巴伦读书会”的推荐。传统投资和量化投资没有好与不好的区分，只是目前来看，全世界大投行，都只用量化投资，而摒弃了传统的投资方法，这很令人深思。

量化投资的业内人士，即很少出书，也很少出来讲，而本书的作者，是一个例外。

来源：量化投资

人工智能在中小金融机构的应用研究

近年来，我国金融科技蓬勃发展，以人工智能为主要代表的创新技术，为金融消费者提供了更智能化的金融服务模式。2019年9月，《金融科技（FinTech）发展规划（2019-2021）》正式发布，其中，“稳步应用人工智能”作为27项重点任务之一，将促进科技与金融业务的深度融合，为金融行业注入新的发展活力。

人民银行长春中心支行高度重视人工智能在银行业金融机构的应用发展，深入研究人工智能与金融业务的深度融合，指导吉林九台农村商业银行构建“人工智能基础应用服务平台”，成功突破人脸识别准确率低、跨平台兼容性差等技术难点，同时针对我国金融领域人工智能的未来发展提出了可参考的对策建议。

人工智能在金融领域的应用现状

图片来源：网络

人工智能是指对人类智能的模拟、延伸和扩展，包括人工智能理论、方法、技术及应用系统，也是一门综合性学科，涉及计算机科学、哲学和认知科学、数学、控制论、信息论、神经生理学、心理学、语言学等多学科，其在金融领域的主要研究方向为机器学习、生物特征识别、语音语义识别及知识图谱等。近年来，人工智能在金融领域的应用影响不断扩大，主要的应用场景集中在前端的智能客服、中端的智能投顾及营销、后端的智能风控等金融业务方面。

人工智能在商业银行的应用实践

本文以吉林九台农村商业银行的“人工智能基础应用服务平台”为例，深入研究人工智能与金融业务融合应用的实践路径，为中小银行业金融机构的智能化转型提供可复制的发展路径和实践经验。

1.整体架构。“人工智能基础应用服务平台”基于开放式软硬件环境，遵循安全可靠、简单易用、可扩展等基本设计原则，运用人脸识别、语音识别、文字识别等多种生物识别核心技术，采用SOA架构和Spring Cloud微服务框架，支持B/S和API应用模式，具有高度的可扩展性、开放性、稳定性及可靠性，成功实现了跨平台、可扩展、开放的统一身份认证体系，为用户提供集中、统一的生物特征身份认证和访问控制服务，并可无缝对接现有信息安全体系。其逻辑架构如图1所示。

图1人工智能基础应用服务平台逻辑架构

2.技术创新。“人工智能基础应用服务平台”采用国内主流的人脸识别算法引擎，通过Web Service方式对外提供人脸检测、人脸属性分析、人脸图片相似度比对等功能。通过在线API、离线SDK、私有化部署等服务形式，实现人工智能与多种应用场景的适配，拥有毫秒级身份识别响应速率、灵活弹性的高并发承载等能力。尤其在人脸识别方面，该平台成功突破身份识别准确率低的技术难点，1:1人脸识别达到99.9%的准确率，0.001%以下的误识率，1:N人脸识别达到98%的准确率，低于0.2%的误识率，其创新优势主要体现在以下几个方面。

一是算法性能方面，创新应用双层异构深度神经网络算法，利用两个深度神经网络实现双层网络之间的信息共享与刺激反馈，有机结合两个相互独立的网络，大幅提升平台的计算性能。

二是模型训练方面，根据不同的业务场景、业务种类，采用监督学习与无监督学习相结合的方法，有效降低人工干预，对数据进行高效、精确地算法训练，并生成相应的模型参数，增加应用场景的自适应性和模型算法的准确性。

三是多渠道融合方面，以AI服务算法封装为核心，基于数据处理、模型训练和事件逻辑的模块化处理，打造多渠道的业务中台服务，有效提升平台的可扩展性和接入效率。

四是跨平台服务方面，提供跨平台的服务接口，支持Windows、Linux、Unix、Android、iOS等主流操作系统，实现基于不同操作系统环境下的算法灵活对接、优化提升和灵活异构，有效提升5~10倍的计算效率。同时，平台的算法模块可根据各渠道的业务峰值数量和服务器性能状况，实现CPU、GPU芯片下的算法灵活组合，覆盖主流的芯片模组、DSP微处理器及FPGA可编程门阵列，有效提升平台算法性能和芯片兼容性。

3.实践效果。在实际应用过程中，“人工智能基础应用服务平台”成功对接客户服务、智能营销、自助设备、移动终端APP、内控管理等11个应用场景，日调用量峰值高达17.67万次，成效显著。一是利用VTM、刷脸取款机、智慧柜台等新一代的智能机具，提升现金渠道95%的替代率，有效减少高柜区的客户等候时间和压柜现象，极大提高业务办理效率。二是利用无线服务、移动办公等技术支持移动终端远程交易，实现注册、开户、登录、重置密码、挂失/解挂、转账等多种鉴权场景线上化，有效改善客户体验，提升整体运营效率。三是实现员工操作、交易流程、设施设备等远程智慧化管理，以及检测评估服务质量、识别分析客户行为、实时监测网点经营状况等多种功能，全面提升运营管理水平。

平台成功上线以来，部分业务场景的办理效率有效提升了70%以上，VIP客户增至15.71万人，存款额累计增加31亿元，私人银行账户数量增至1129个，存款额累计增加26.9亿元。尤其在移动金融业务方面，成功阻止移动终端虚假开户1096起，拦截活体检测攻击606起。

图片来源：网络

人工智能在金融领域的发展建议

“人工智能基础应用服务平台”的实践成效让人欣喜，但从总体发展情况来看，人工智能在金融领域的应用依然有限，还存在一定的风险和困难。为了更好地应对未来发展的风险和挑战，金融机构要努力拓展人工智能新的应用场景，金融监管部门也应未雨绸缪地开展前瞻性的金融科技监管研究和政策指导。

1.大力发展金融科技。金融机构首先要深刻认识到发展金融科技的紧迫性、必要性和重要性，明确发展方向、转变发展方式、制定发展战略。其次要坚持金融科技技术自主可控，大力支持科技创新和研发，以重点突破带动全局，探索新型技术在金融领域安全应用，加快扭转关键核心技术和产品受制于人的局面。最后结合市场需求及自身禀赋谋求差异、特色化发展，审时度势地制定数字化转型战略规划。

2.强化基础设施管理。在金融领域，防范系统性金融风险是首要任务，信息化基础设施管理则是重中之重。一是要制定完善的信息科技管理制度，进一步强化制度、规范和流程建设工作，提高科技风险管理的规范性和专业性。二是要守住不发生系统性风险底线，建立主动防范化解系统性金融风险的责任意识，科学防范，早识别、早预警、早定位、早处置，建立健全风险应急处置机制。三是要强化基础设施运维管理，认真做好应急演练，结合实战经验，增强应对突发事件的应急处置能力，有效保障金融业务运营和日常管理。

3.完善金融科技监管。随着新技术应用的不断加快，我国金融科技出现“千帆竞发、创新者胜”的发展态势，大大增加了金融风险的跨界性、系统性和隐蔽性。目前，个人金融信息保护、云计算、声纹识别、区块链等金融科技监管规则已经陆续出台，符合我国国情的新型金融科技创新监管工具更具穿透性和专业性，更能平衡好金融科技发展过程中创新与安全的关系。

4.优化人才队伍建设。在人工智能的冲击下，金融机构要围绕金融科技发展战略规划与实际需要，制定金融科技人才培养计划，研究编制人才需求目录、团队建设规划、人才激励保障政策等，合理增加金融科技人员占比。

随着金融科技的蓬勃发展，以人工智能为基础的金融服务和产品不断推陈出新，我们还将继续跟踪人工智能在金融领域的发展趋势，研究运用人工智能改变经营和管理模式，在既有实践的基础上，进一步提升金融服务和风险管理能力。

来源：移动支付网

业内人士热议“AI量化”：新投资模式小跑入场，行业或迎五年快

经济观察网 记者 周一帆 随着量化投资的概念逐渐深入人心，市场的聚光灯照在了“科技”二字上。

“金融科技的快速进步，不止有利于量化投资拓宽投研边界、还能强化科学决策、提升投资收益。”11月27日，第一创业副总裁朱剑锋在深圳举行的2020 FIRST量化投资论坛暨投顾品牌发布会上表示。“因此，大力推动量化投资服务体系建设，是顺应居民财富管理转型升级大趋势的适时之举。”

图片来源：网络

对此，深圳前海无量资本管理有限公司总经理孙炎也在会上表示，量化投资趋势在于产品规模会越来越大、策略会不断丰富，量化技术会不断发展，人工智能技术应用会更加广泛等几个方面。

第一创业经纪业务市场研究部负责人高昕炜也称，随着技术手段的快速发展，利用其投资交易优势，量化投资不断提高其风险收益比，已经成为资本市场追捧的新星。公司推出的“FIRST”量化服务体系旨在为量化投资提供一站式服务，打造量化生态圈。

实际上，随着AI（人工智能）的快速发展，融合AI的量化投资模式已在小跑入场，试图探索出新时代量化投资的全新可能。有数据显示，尽管目前国内外一些通过AI投资的基金产品业绩并不出挑，但已可与人类同行一争高下。有观点认为，AI与HI（人类智慧）相结合，将成为未来一个阶段AI赋能量化投资的主要形式。

图片来源：网络

但随着国内外AI投资的发展，由AI管理的量化投资与传统量化投资的不同之处也逐渐浮现。业内人士认为，AI投资也归属于量化投资，都是用算法和数据来实现的，但是在投资方法和精细度上不太一样。比如，相较于传统的基于因子选股的量化投资，AI投资能更深入地结合人类智慧，根据不同的底层资产设计出一个个独立的投资机器人，不同的机器人分层分散投资，再通过风险预算机制来平衡风险与收益。

“利用衍生品工具构建风险收益较高的对冲结构，获取更高的风险调整收益，是目前国内量化投资激烈竞争背景下可能存在的一大机遇。”深圳市衍盛资产管理有限公司投研总监王坚指出，“而另一个方向则是向低频方向发展，更好地利用价量信息以外的有效信息。”

但在上海珠池资产管理有限公司合伙人宋兴华看来，需要注意的是，随着当前确定性溢价逐渐受到理性客户的认可，巨量的资金涌入量化投资领域之后，对管理人和FOF机构形成了考验，进而将导致产品业绩分化的情况加剧。

对于量化投资的前路，上海弈倍投资管理有限公司总经理王上表示，目前国内的量化市场有望迎来一个五年维度的快速发展期，而其中的突破口就在于数据、非量价因子、人才等几方面。”

图片来源：网络

据了解，为了抢夺人才，有量化私募机构甚至要支付给猎头候选人薪资的25%作为猎头费，一年甚至要为此花费上百万元。对于优秀的人才，机构更是费尽心思，使出“十八般武艺”留住人才。除了分红之外，还有产品跟投、股权激励等措施，更有机构表示要帮全部员工实现财务自由。

展望未来，华锐金融技术总经理苗咏认为，今后的交易具有交易主体机构化、交易手段科技化、交易行为多样化、创新和开放常态化的特点，所有市场参与者均将面临着多维运营、业务创新、交易延时等挑战。

来源：经济观察报

量化投资还好用吗？

曾经被顶礼膜拜的量化投资巨头在今年业绩惨淡的新闻成为投资圈的热议，周末就与朋友专门讨论了量化投资是否还好用这个问题。

一、复杂量化模型遭遇滑铁卢

滑铁卢

全球两大量化基金巨头文艺复兴和Two Sigma今年业绩惨淡，管理的几只基金都出现了亏损。前者资产管理规模约750亿美元，后者资管规模约580亿美元。

图片来源：网络

据彭博社报道，知情人士称今年截至10月份，文艺复兴旗下以做多为主的基金跌幅约20%，股市中性基金下跌约27%，全球股票基金下跌约25%。

今年截至10月份，Two Sigma的风险溢价下跌11.5%，绝对回报基金下跌2.7%，绝对回报宏观基金则下跌23%。

作为对比，今年截至10月，标普500指数今年上涨1.2%，总回报率为2.8%。文艺复兴向投资者解释称，它的亏损是由于3月份美股崩盘时对冲不足，然后又在4至6月的反弹中过度对冲，其定量模型又修正得过头了。

总结就是一句话，曾经让人仰视的复杂型量化投资基金今年业绩遭遇滑铁卢。

二、简单量化模型依然有效

WHY

反观我们如果采用股债五五平衡这种极简的量化投资模型进行投资，在今年年初，我们拿出100万本金，其中50%的资金配置美国国债ETF，另外50%的资金配置标普500指数基金，同样是测算到今年10月底，按季度进行股债动态五五平衡，最终算出的收益率为8.19%，最大季度回撤仅有4.5%，不仅跑赢了复杂量化模型，而且也跑赢了股票指数。

WHY? 同样是量化模型，为何今年简单量化模型完胜复杂量化模型呢？

我们认为复杂的量化模型可能发生了内卷，这种复杂是一种单调的复杂，公式的参数越来越多，越来越精细，不断向内演化，其实都是几个固定模式的重复，无法突破历史数据无法准确预测未来的规律，简单来说，复杂量化模型发生的内卷就是面向过去历史数据低水平的复杂化。用中国哲学思想来解读就是，复杂量化模型过分追求“术”层面的准确性，导致犯下了精确的错误。

反而是简单量化模型，更讲究的是“势”，承认证券市场具有很高的不确定性，我们个人投资者只有有限的历史数据，我们只需要关注大局，简单思考，放弃在“术”层面不必要的算计，反而是对真实市场的最好的还原，最终得到了模糊的正确。

总结：

1、即使遭遇今年如此极端的行情，以简驭繁，简单量化模型依然好用，尤其是对于我们个人投资者而言；

2、无论是东方的哲理还是西方的奥卡姆剃刀原则，少即是多；“势”层面模糊的正确，胜过“术”层面精确的错误。

来源：记忆区块

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。

指数增强基金是一种以“既要又要”为投资目标的基金——既要追求超过基准指数的超额收益，又要控制基金收益率与指数收益率之间的偏离度(跟踪误差)。

图片来源：网络

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。“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。因此，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。

图片来源：网络

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。

图片来源：网络

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2020年三季度末收益率为34.11%，远超同期业绩比较基准23.17%的涨幅。

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：证券之星

量化投资探索AI+HI新形式

随着AI(人工智能）的快速发展，融合AI（人工智能）的量化投资模式也在小跑入场，试图探索出新时代量化投资的全新可能。数据显示，尽管目前国内外一些通过AI投资的基金产品业绩并不出挑，但已可与人类同行一争高下。业内人士认为，AI与HI（人类智慧）相结合，将成为未来一个阶段AI赋能量化投资的主要形式。

图片来源：网络

国外基金行业正式出现AI量化投资的身影可以追溯到2017年底。彼时，全球首只通过AI分析股票指标的ETF（AIEQ）成立，不过总体来看业绩不如人意。Choice数据显示，截至11月20日，该基金成立以来涨幅为29.13%，并没有跑赢同期标普500指数39%的涨幅及纳斯达克指数78.98%的涨幅。不过，与同期美国股票ETF和混合ETF相比，该基金仍战胜了不少人类同行。

在国内市场，近年来，基金公司纷纷发力量化投资领域，传统量化投资策略愈来愈成为行业标配。与此同时，试图借助AI进行量化投资的新兴力量也在不断成长。以肖风掌舵的浙商基金为例，这家以AI投资驱动的基金公司旗下已有两只纯AI投资产品，积累了不少AI投资经验。

从这两只AI投资产品成立以来的表现看，浙商大数据智选消费灵活配置混合自2017年成立来，复权单位净值涨幅达到144%，大幅跑赢同期上证指数、深圳成指和创业板指；浙商智能行业优选混合自去年9月底成立来，复权单位净值涨幅在60%左右，跑赢同期上证指数、深证成指，小幅跑输创业板指。

图片来源：网络

随着国内外AI投资的发展，由AI管理的量化投资与传统量化投资的不同之处也逐渐浮现。业内人士认为，AI投资也归属于量化投资，都是用算法和数据来实现的，但是在投资方法和精细度上不太一样。比如，相较于传统的基于因子选股的量化投资，AI投资能更深入地结合人类智慧，根据不同的底层资产设计出一个个独立的投资机器人，不同的机器人分层分散投资，再通过风险预算机制来平衡风险与收益。

目前看来，国内纯AI基金产品还属于新兴的小众产品，涉水者不多，更多的产品以“AI+HI”的形式出现。

浙商基金智能权益投资部总经理查晓磊认为，基于当前科技的水平以及资本市场的复杂性，AI机器人目前仍不具备主动创造智慧的能力。AI机器人需要从已知的优秀人类身上，不断汲取智慧，将非结构化投资逻辑和投资理念，转化为AI机器人能够使用的算法模型，从而在投资管理中实现AI与HI的完美结合。

图片来源：网络

浙商基金相关人士还表示，在AI赋能人类基金经理的过程中，尽管AI在处理大数据方面有着人脑无可比拟的能力，但由AI直接作出的智能判断中往往隐藏着不可论证的“隐秘的逻辑”，因此实践中如果要直接采纳AI作出的智能判断，得慎之又慎。由AI大数据提供线索，经HI基于大数据线索和小数据逻辑推演之后的逻辑判断，形成“AI+HI”双重加持的结论才是较为稳妥可靠的。

对于AI未来能否取代基金经理的地位，不少业内人士认为不太可能，或者说中短期来看不可能发生。国泰瑞丰资本董事长谭少儒认为，通过大数据和人工智能来参与二级市场交易，AI一定有优于人类的方面，但在一些比较复杂的投资分析上，凡是涉及非结构化、非标准化信息的获取方面，机器很难替代人类。同时，在金融投资、交易中，需要具备与人的沟通能力，需要人与人之间建立信任，这些方面是AI不能替代的。

来源：中国财富网官网