这些年量化在中国发展的非常快。当然最早起源于美国，因为美国是全球最发达的资本市场，差不多是90年代末，2000年初开始发展出量化，如今有20年，美国资本市场可以说90%的股票交易量都来自于量化，当然也包括算法交易，如果你看头部的对冲基金和私募基金，50%的资产是量化策略管理。中国的资本市场，现在很多的制度，它的经验，都是参考了很多当年美国发展历程，如果我们去展望中国未来的资本市场的发展，和它其中一些大类资产的可能性的话，我觉得量化在中国的未来，可以说是非常有前景的，如果你去看美国，中国资本市场未来也会参照这条路去走。

所以我今天题目就叫金融科技与量化交易的中国实践。

讲几个简单的概念，我今天更多是从美国中国的量化交易做一些概念的理解。

平时大家从媒体当中听到一些概念，像高频交易这样的概念。尤其在市场波动非常大的时候，它的盈利会非常可观，而且非常稳定。我觉得讲几个比较有意思的概念。高频很早的概念来自于做市，所谓的做市商就是一个交易商在买家和卖家报一个单子，你希望它赚取稳定的利润，这是最早的做市的概念，到了如今这个市场竞争非常激烈的时候，这样简单的策略不可能持续盈利，需要更多复杂的策略的衍生，才能在市场上真正达到做市盈利的目的，并为市场提供流动性。

还有一个经常提到的概念，大家是以速度或者是低延时作为核心特点，所谓低延时，从美国股指期货交易信息传递到美国纽约那边的证券交易所的服务器，现在大家都是利用军用的微波传递信息，最近用更加先进的技术，来传递，他们觉得光缆已经不够快，为什么做这件事情呢？就是因为很多时间第一时间触发的时候，触发很多交易机会，谁有第一时间获得这个信息，去拿订单，就有优势。

当然在美国靠速度本身获得交易是不够了，头部交易厂都有很多交易设备，做高频交易团队，本质上还是靠Alpha去获取盈利，什么叫Alpha？大家都会在通过听到量化策略Alpha策略和中性策略，Alpha就是你在市场上交易中频策略的时候，你有预测价格的能力，你通过这个去获取市场的超额收益。运用到高频收益也是类似的概念，把原来的预测周期从原来一天到五天，变成10秒，或者是一秒很短的周期，如果你的价格预测可以更加精准，你的速度比别人快，你就可以在市场上产生大量稳定的交易的利润。这就是高频交易，我想讲的一些概念。

当然我们自己也看到了，本身自身也是高频出身的，我以前在美国做股票的高频交易。我在里面工作之后，回到中国，当时很有幸抓住中国股灾的机会，在股市当时波动非常大的时候，做了股指期货的高频交易，在三个月内实现10倍以上的收益。确实这个收益也比较稳定。再到后来我们自己也开始因为股指期货的限制，转到股票，开发了股票高频交易，18、19年做到市场龙头的地位。

我们再讲一下统计套利。统计套利各位理财师和客户在市场上接触比较多，就是所谓的中性产品，或者是股票Alpha策略。其实在美国，大家都会把它称之为统计套利。像文艺复兴等等这样一些类似的基金，他们都会运行这样的股票期货的统计套利策略。统计套利策略，说到股票策略的话，有几大类，第一类是量价策略，第二类是基本面策略，第三类是数据策略。粮价策略简单理解就是看K线图，高开低收。这一类因子也是量化交易当中，不管是高频也好，中频也好，低频也好，非常重要的一类因子，或者是策略，他们捕捉了市场上大量的博弈类的信息，交易行为的信息，以及预测价格的信息。其实量化交易的兴起，把很多以前人工的利润空间压的越来越低，包括以前很多做游资做股票的，稳定交易的策略，你跟他们交流，你会发现这个策略越来越难做，究其原因，就是量化交易慢慢在市场上承担越来越重要的作用，他们在系统化挖掘规划能力上，远超过人，他们运用大量的算力，大量的尝试试错，大量的回撤，来判断什么样的规律在市场不断的挖掘出来。进化率极强。

还有基本面引资，大家也投过主观基金，我们看公司的基本面，看这个公司盈利的长期增长，看这个公司估值的高低，其实量化有很大一类策略也是看估公司的基本面，我们会把财务指标抓取出来，把很多盈利分析师的预期抓取出来，这些信息汇总在一起，系统化研究它，从长远来看，当你的策略越来越大，换手率降低的时候，你也像基金经理一样，系统化抓取那些高盈利增长，低估值，具有弹性的长期价值弹性的股票，这个也是基本面因子和基本面策略当中，量化尝试不断抓取的规律。所以如果单纯把量化割裂开来跟主观做对比，这个也是没有必要的，量化会越来越全面，不光是研究早期，后面也会挖掘更多主观的规律，这也就是为什么在美国市场上，量化策略占到这么大的比例原因。

数据策略，在美国大家对数据研究非常透彻，会用到非常多，包括信用卡消费的数据，包括互联网的网站的爬虫数据，还有销量数据，甚至其他的数据，还有舆情，来做各种信息的汇聚、收集，用这些细小的信息来预测公司的基本面可能的变化，交易型可能的变化，最后把它们组合在一起，组成一个信息系统，用来做股价的预测。这个是数据的策略。

刚刚讲到，美国现在的交易量已经占到整个市场90%以上，其中有很大一部分主观的公募基金，包括主观的对冲私募基金，他们也会用算法交易做资金优化，他们已经不再用人去下单，更多是用机器去下单。这个就是平时大家会用到的简单的算法交易程序和系统，更好的算法肯定是避着传统算法。你去看美国，现在基本上没有人再去为这些交易上去做执行优化了，但是如果去看中国的大部分的公募基金和私募基金，他们交易所还是这样的，如果看长远未来趋势来看，做中短期的执行优化，机器一定可以打败人类的，这个是非常确定性的事情。

第四条，我们讲讲量化投资，量化投资里面也会有非常多的基本面子策略的融入，我们也会看财务报表，也会看市场上各家分析师对于股价评判的信息。我们会把这些信息综合进来，融入进来，加强我们量化策略，所以量化与主观不是对立面，更多是融合，更多运用量化的工具，系统化去挖掘主观规律，做好风控，或者长期的超额收益或者是价值投资。

我们再讲讲量化交易在美国现状。来看看未来中国会是什么样子。市场体量占比非常高，运用非常广泛。数据体量，美国是一个高度竞争的自由发达的市场，一只故，像IBM这样一只故可以同时在八家交易所同时交易，有不同的盘子进行撮合，还有剩下几十个暗室撮合。美国的交易系统非常庞大，信息透明度很高，包括很多量化交易在里面。所以美国每天交易的数据非常庞大，你看一天一只股票全市场的交易数据就达到一个T，几千只股票就有几千T，这个数据量非常庞大。所以它的信息维度也非常高，可挖掘的规律也非常多。

交易所的技术也是能处理大量的信息，交易所互相之间都有竞争及它们也要吸引更多的交易者，或者客户来他们交易所交易，他们互相之间也会进行自己的技术。

信息维度，美国的数据商也非常发达，一家大的对冲基金，他们甚至会用成千上万种另类数据，来看另类数据当中，有没有可以被挖掘的西夏的规律，用这个来预测股票的价格。

还有运算带宽，很多互联网公司，会用公有云，阿里云、腾讯云把自己网站架在上面，做高可扩展的运用。因为数据量庞大，所以他们需要建立自己的私有云，去做很多大量复杂的运算和数据处理，来获得信息数据处理能力上的优势，这就是美国头部对冲基金的状态。

我们再看一下中国量化本身的发展进程。分为三个大的阶段，第一个阶段是10年到15年，10年是股指期货开放的元年，从那一年开始，刚刚有了所谓的量化对冲的概念，量化中性策略的概念，因为原来大家只能在股票上涨的时候去实现盈利投资收益，当你有了股指期货的时候，一切发生了根本性的改变，量化策略可以在股市下跌的时候，也产生盈利，它的方式就是靠股指期货对冲掉大盘的收益，下跌的时候赚取盈利，不管是18年也好，还是15年股灾下跌也哈，量化交易都可以发挥它更大的价值。

到15年是到了非常大的巅峰，因为那个时候股市非常活跃，杠杆配的非常多，那个时候交易量非常大，波动也非常大，那个时候到了顶峰，15年之后，股灾结束之后，接入被限制，股指期货的贴水到了30%保证金到了40%，股指期货基本被监管，或者被砍掉或者大幅度限制。16年开始，很多大的量化基金很难再运作，因为监管对制度做了非常大的变革。正因为如此，给了新一代量化基金新的机会，原来在15年非常简单的策略都能盈利的情况下，大家需要改变自己的策略，做一些更加有超额收益能力比较强的策略，去打败保证金的比例获得超额收益，16到18年是第二阶段，兴起了一批新的对冲基金，他们比15年有更加成熟的策略体系，去进行市场交易。

到了19年，政策又发生了一次特别大的转向，这一次国家开始又重新把资本市场定位到非常高的战略地位。大家可以从科创板的打开，包括对外开放，包括放开，甚至在股票T0的制度，国家对资本市场的态度，已经大幅度的转变，股指期货再次被放开，甚至考虑股指期权的上市。所以在这样一个新的大的环境下，量化交易也被监管重新认识，一个非常明显的特点，18年下半年，我们做交易的时候，经常到下午三点不到的时候，监管局突然把你的程序接口封掉，觉得风险太大了，怕影响市场。可见监管本身对量化交易的态度，也在发生非常大的转变。甚至监管也在调研，中国A股市场，量化交易量，已经占到A股的24%以上，过去几年增长非常快。

我再多讲讲，量化跟主观的区别。主观更多是持仓，相对较少的股票，几十只故，持仓周期较长。通过企业本身的盈利长期增长，低估值来获得股市的超额收益。当然他们本身也是在收益过程当中，获取了大盘行业本身这个东西盈利的红利。这是他们很多策略的特点。量化策略的特点，撇开股指期货对冲不谈，交易频率相对较高，短的持仓一两天，到长的十天。有些是偏博弈的量价策略，有些偏主观基本面的策略，不管怎么说，量化策略也在抓取市场上的规律，量价博弈的规律，再到基本面的规律，虽然基本面的看法和主观基金经理会很不一样，它会损失一些信息维度，但是会捕捉另外的信息维度，它损失的是对某只股票深度调研的信息，因为这个信息没有办法在积极层面很好的表达，比如说分析师预期的改变，包括财务指标的变化。所以量化策略本身是通过高度分散，不断的去交易市场上量价基本面信息的变化，来获取持续稳定的超额收益。从长期来看，量化本身跟主观策略，你看主观基金经理交易的话，有超额收益的主观基金经理，也会阶段性进行调仓，这些调仓本身也是他们Alpha收益很重要的来源，如果把这部分拿掉的话，很多基金就不再那么出色和不再那么有吸引力，这部分会是未来量化和主观非常重要的部分，量化的支出，在于不断的研究迭代去强化这个系统本身的预测能力。它会做分散，做很严格的风控，避免过多的干预。

我们讲讲人工智能，大家现在听到很多人工智能本身在量化领域的应用。所谓深度学习的方法。当然深度学习是一个突破性的创新和框架，未来谈到量化领域的应用会越来越广泛，但是人工智能是不是可以强大到去取代主观投资者，这个我不这么觉得。这就涉及到一个问题，机器有没有这个可能性，跟人类的智能一样，我觉得现在的人工智能框架还是有一点差距，为什么呢？因为人最擅长做的事情是在一个少量样本点的数据下，做出一个高维信息的决策，机器是没有办法的，机器最根本的特点，就是需要样本量足够大的时候，通过算力去挖掘很多很细小的规律，不断的优化，这是它强大的地方。但是人之所以为什么能做出主观决策，是人类社会经过几千年的演化，积累了非常先进的知识，通过社会，通过家庭，通过学校，通过网络媒体，通过书籍去传播，这些高维的信息，机器在短时间之内是没有办法很好理解的。但人可以，就好像人去看哪一家上市公司，会和很多上市公司的管理层交流，会跟上市公司的同行交流，他会跟上下游去交流。他会看宏观的信息，这些高维信息，机器没有办法通过简单的函数去描述的。所以我觉得投资本身是一件，如果要做到顶尖的话，并不是很多人都能够胜任的事情。你说机器在短期内，它可以达到人类的智能，甚至是非常出色优秀的人工智能，还是有很大差距的。

但是人工智能或者是量化交易和统计学习也有它强大的地方，它强大的地方是什么呢？它可以汇聚大量细小信息，把细小的规律不断挖掘出来，这个是人很难做到的，比如说价格信息有很小的抖动，或者边边角角的信息，这些信息看似没有什么，人看不出来，但是机器能系统化的捕捉它，而且可以不断的优化，通过一套严格的方法和流程，比如说机器去读上千个数据源，机器有能力把这些信息都汇集起来，挖掘其中的规律，这就是机器强大的地方，而且量化策略还有一个优势特点它的进化能力特别强，它不断在市场上，提高历史回撤的收益，得到实盘收益规模的双提升。主观你需要非常长的周期去经历，或者是经验去积累，一旦调整，你也不会做大量的回撤，不会做大量参数的调试。这就是人工智能和量化交易相比主观有一个很大的优势的地方。它的不断自我进化，自我迭代的能力。

刚刚讲到了19年之后，资本市场制度变革，带来了很多新的机遇，资本市场如果唱戏扮演一个大类资产配置的需求，非标转标替代的需求，包括他们需要承载更多的上市公司创新动力和资金的时候，资本市场的定价就变得尤为重要，股市未来谁来定价，有效率资产交易者和管理者来定价，量化交易在中国股市当中扮演定价能力和交易能力变得越来越重要。

如果去看中国现在量化发展趋势，你会发现中国发展路径，这个趋势跟美国越来越像，不管是人才的储备上，模型的迭代方法上，还是交易的框架上，甚至用一些茶几机器学习的方法上，中国和美国未来是非常的相似的。所以这也是需要我们不但借鉴海外经验，吸收海外优秀的对冲基金人才，回到中国，在中国资本市场上去深耕发芽，在中国市场上去发挥自己的价值。

量化金融机构到最后，应该就是人才。因为资产管理行业就是人才密集型的行业，你要在市场上获取稀缺的超额收益稳定的超额收益，并不断去与其他的管理人和市场参与博弈竞争，你需要最优秀的人才，唯有强大的人才体系和强大的人才群体，这才是未来量化结构最核心的竞争力，这也是锐天一直以来做的事情，尝试吸引更多更优秀的人才，帮助这些人才在锐天成长发展，再帮助他们吸引更多的人才，如果这里一旦变为人才的聚集力，那这家公司长期竞争力会非常强大。

刚才讲到美国也用了很多另类数据进行学习，不断的迭代自己的策略，中国未来量化金融策略发展趋势，也是一定会往这条路去走。

来源：财报网