七禾網(wǎng)注：嘉賓回答僅代表其本人觀點，不代表七禾網(wǎng)的觀點及推薦。金融投資風(fēng)險叢生，愿七禾網(wǎng)用戶理性謹慎。

蘭盈量投私募基金管理有限公司

蘭盈量投，是一家專注于運用量化模型于交易的投資公司，公司核心團隊成員均來自海外和國內(nèi)知名的資產(chǎn)管理公司和科技公司，且持有頭部學(xué)校理工博士學(xué)位，擁有超過10年的全球股票、期貨、期權(quán)等資產(chǎn)的量化研究和交易經(jīng)驗。

林雄

蘭盈量投私募基金管理有限公司總經(jīng)理，美國伊利諾伊大學(xué)香檳分校（UIUC）數(shù)學(xué)博士，曾于美國紐文（Nuveen）旗下公司格盛投資管理有限公司（Gresham Investment Management LLC）任職高級量化研究員、基金經(jīng)理等職務(wù)，12年金融機構(gòu)從業(yè)經(jīng)歷，其中10年全球市場期貨、期權(quán)量化投資經(jīng)驗。

精彩語錄

一個模型在海外訓(xùn)練過了，然后同樣的模型，用國內(nèi)的數(shù)據(jù)再去測試，相當于原來在海外的測試是樣本外的，經(jīng)過了更多的樣本外數(shù)據(jù)的驗證，過擬合的概率會更小一些。

所以未來的人工智能可能隨著技術(shù)的發(fā)展，算力越強，門檻越低；門檻越低，可能在投資領(lǐng)域就會慢慢的應(yīng)用起來。比如現(xiàn)在可以方便的使用ChatGPT做文本分析，構(gòu)建情緒指標，這在以前不是容易的事情。

我們認為機器學(xué)習(xí)應(yīng)該只是作為一種研究工具來用，而不是用來替代傳統(tǒng)阿爾法模型或其它因子開發(fā)體系。

不同策略在不同階段表現(xiàn)不一，多策略均衡配置的組合會使產(chǎn)品的穩(wěn)定性更好。

CTA和股票、債券的相關(guān)性很低，從這一點看它就有配置價值。

保持優(yōu)勢除了做對事情，同時還要減少做錯事情。在策略類型上避免單品種或單一風(fēng)格在倉位上過多暴露，這樣做不一定能有收益增長，但是可以減少犯錯。

我們從經(jīng)驗得出，一部分收益來源是市場無效的部分，我們通過量化的手段挖掘阿爾法，另一部分收益我們通過承擔(dān)風(fēng)險去獲得。

只有公司合法合規(guī)，才能長久經(jīng)營，在此基礎(chǔ)上，再說怎樣去盈利。

風(fēng)險事件可能是萬分之一的概率，但萬分之一足以致命，所以務(wù)必嚴謹。

我認為一流的量化私募要合法合規(guī)，投研高效，激勵公平，人才培養(yǎng)體系完善，生產(chǎn)測試環(huán)境及監(jiān)控備份方面非常嚴格。

七禾網(wǎng)1：林總，您好！感謝您在百忙之中與東航金融&七禾網(wǎng)進行深入對話，您在海外有超越十年的全球市場投資經(jīng)驗，對于在國內(nèi)創(chuàng)辦私募基金，從事量化投資交易，您覺得這些經(jīng)歷或經(jīng)驗有什么幫助嗎？

林雄：經(jīng)常有人跟我說，海外市場的今天就是中國市場的明天，這可能是從發(fā)展成熟度的角度來說的。海外市場由于發(fā)展歷史很久，所以相對比較成熟，而中國市場處于快速發(fā)展中，也許很快就能達到一個比較成熟的階段，但要經(jīng)歷比較久的周期，因此海外沉淀下來的一些方法，對我們做國內(nèi)市場的交易是有幫助的。

如果在海外都已經(jīng)有效適應(yīng)了，那么對在發(fā)展當中的國內(nèi)市場，是有一定指導(dǎo)意義的。簡單想象一下，一個模型在海外訓(xùn)練過了，然后同樣的模型，用國內(nèi)的數(shù)據(jù)再去測試，相當于原來在海外的測試是樣本外的，經(jīng)過了更多的樣本外數(shù)據(jù)的驗證，過擬合的概率會更小一些。比如已經(jīng)建立了焦炭單一品種的預(yù)測模型，并且是有效可行的，把它放在鐵礦石上發(fā)現(xiàn)也可行，焦炭模型就是樣本外的一個驗證。焦炭和鐵礦石可能是相關(guān)度較高的，若用在股指或其它不相關(guān)的品種上，也有一定指導(dǎo)意義。

七禾網(wǎng)2：貴司核心團隊成員均來自海外和國內(nèi)知名的資產(chǎn)管理公司和科技公司，均有在美國多年的從業(yè)經(jīng)歷，有著豐富的全球市場投資經(jīng)驗。請分別從一名交易者和投資者的視角來看，您覺得中美市場有何不同？

林雄：關(guān)于中美市場，首先從交易者角度來看，第一，交易品種的數(shù)量不同。我認為在美國可接觸的交易標的非常多，比國內(nèi)多很多，就單從期貨這個領(lǐng)域來說，雖然期貨是比較小的領(lǐng)域，單純這個領(lǐng)域在美國可交易的品種大概有300多個，接近400個。在國內(nèi)，就我們目前的投研范疇，流動性好的、能交易的大約六十個品種。當然我們的市場在飛速發(fā)展中，目前已經(jīng)上市了131個品種，還有些品種我們也在研究。

第二，合約結(jié)構(gòu)，即期現(xiàn)結(jié)構(gòu)不同。我們目前的合約比較短，大部分限制在一年之內(nèi)，可能在1、5、9月這樣的合約，就交易的流動性來說，除了這些合約，其它合約可能沒有什么流動性。那么在海外，除了品種多，商品的期現(xiàn)結(jié)構(gòu)還比較長。比較典型的像能源類，合約設(shè)計連續(xù)三年或者更久都可以交易，如果是近一兩年的合約，它是每個月份都可以交易，流動性充足。

相對來說，國外交易一定程度上機會更多，即使策略相對簡單，也可以從比較多的機會里尋找一個比較穩(wěn)定的組合出來。在國內(nèi)，交易機會可能需要更多的在信號邏輯中尋找差異，相當于是信號方面的分散，所以，在國內(nèi)，我們從多策略的角度去尋找策略分散，使得整個組合更加穩(wěn)定。

第三、市場結(jié)構(gòu)不同。海外市場相對成熟，國內(nèi)市場正在發(fā)展。國內(nèi)的市場參與者結(jié)構(gòu)變化非常快，量化也是近幾年才逐步起來的，很多人才從海外回來，就是看到了國內(nèi)發(fā)展的機會，特別是量化的發(fā)展機會，這使得交易者群體跟2015年以前有很大不同，所以這對策略的更新迭代又提出了更高的要求。

從投資者的角度來看，一方面，可投的資產(chǎn)不同。另一方面，投資者的認知在逐步提升。比如CTA這個相對比較新的領(lǐng)域，大家對它逐步有了認識，但還沒有達到一個非常成熟的，能以真正配置的角度來理解它的階段。

再額外補充一點，從我回國，感受到大家對策略的IP保護不夠。在海外，基金公司不需要對很多資方來路演，可能只要幾個資方就足夠把規(guī)模做大，但在國內(nèi)需要對大量機構(gòu)講解投資策略，這樣可能會導(dǎo)致策略多多少少流出去一些。大家在這個層面上，沒有做特別的保護，IP保護不夠，就容易形成策略同質(zhì)化。

七禾網(wǎng)3：蘭盈量投私募基金是一家專注于運用量化模型于交易的投資公司，您覺得什么才是好的量化交易模型？又是如何保持模型的有效性和穩(wěn)定性？

林雄：什么才是好的量化模型？能賺錢的就是吧。所以，對我們來說，在建立模型的時候，我們一般追尋的原則是邏輯思路清晰簡單，不是內(nèi)部一層套一層。我們一般會盡量避免很多參數(shù)，在期貨里大家都知道樣本數(shù)其實不是那么多，比如深度學(xué)習(xí)得幾萬個參數(shù)，需要足夠多的參數(shù)，否則很容易造成過擬合。

如何保持模型的有效性和穩(wěn)定性，我認為當一款模型，你想長期不迭代，讓它一刀切，一直保持說實話很難，所以我們得在模型里不斷地加加減減做相應(yīng)調(diào)整。同時，增加一些新內(nèi)容來對原有模型進行補足。  

總體來講，在選擇模型時，是否用這個模型？必須要有嚴格的模型準入條件，不是什么模型都能用，已選用的模型還要不斷地更新迭代，所以強大的投研迭代能力以及高效的投研平臺是需要的，這也是我們現(xiàn)在在做的。

七禾網(wǎng)4：當代社會，隨著算力日益強大，高質(zhì)量的大數(shù)據(jù)日益積累，人工智能技術(shù)全面崛起，并廣泛應(yīng)用于醫(yī)療保健、交通系統(tǒng)、藝術(shù)創(chuàng)作等領(lǐng)域，您可以簡單講述下人工智能在量化投資方面的應(yīng)用嗎？

林雄：人工智能確實在很多地方都已經(jīng)比較成功地應(yīng)用，還有很多大模型出來，但是在量化投資這個領(lǐng)域，據(jù)我們所知，真正用到這么復(fù)雜工具的其實不多，至少從示范的角度來看不多。這里主要原因是什么？是其中運用數(shù)據(jù)的種類不一樣。投資領(lǐng)域金融數(shù)據(jù)的特性是噪音非常大，而且不穩(wěn)定，不像訓(xùn)練一張圖片的數(shù)據(jù)是平穩(wěn)的。很多其它領(lǐng)域的大模型是很難直接照搬過來使用的，所以，現(xiàn)在還沒有使用這么復(fù)雜模型的切入點。

人工智能或機器學(xué)習(xí)最重要的是如何減少過擬合，我可以用一個非常強悍的模型來達到樣本內(nèi)100%的效果，但是樣本外的話，它可能是零效果，我們要避免這樣的情況發(fā)生，所以，在金融數(shù)據(jù)本身的特性下，我們用的模型就相對比較簡單。

所以在期貨領(lǐng)域，還沒有用這么復(fù)雜的像比如深度學(xué)習(xí)之類的模型。股票領(lǐng)域其實已經(jīng)有很多人在用了，因為它的數(shù)據(jù)量相對要大一些，它有幾千個標的，如果還做日內(nèi)，那數(shù)據(jù)就更多了，期貨里現(xiàn)在只有幾十個有效標的。單一品種，如果按分鐘頻，一年也就幾萬個點，但是隨便一個大模型的參數(shù)本身就可能是幾萬個，這樣很容易造成過擬合。所以我們是在逐步切入，從簡單的機器學(xué)習(xí)開始，然后慢慢學(xué)習(xí)再研究應(yīng)用更復(fù)雜更深度的模型。

大家說的ChatGPT是個好工具，比如以前做文本分析，很多人可能需要自己建立模型，像用Transformer去做文本分析。如果用ChatGPT，我輸入一篇文章，它就直接給我出來觀點，關(guān)于買或賣我不需要自己去訓(xùn)練模型，它已經(jīng)幫我訓(xùn)練了，它這個訓(xùn)練可能是記憶更大的數(shù)據(jù)集里所存儲的這個模型。所以未來的人工智能可能隨著技術(shù)的發(fā)展，算力越強，門檻越低；門檻越低，可能在投資領(lǐng)域就會慢慢的應(yīng)用起來。到那時候，比如ChatGPT在分析情緒時，可以不僅使用金融數(shù)據(jù)，還可以用更多其它數(shù)據(jù)，使得模型更加具有魯棒性。

七禾網(wǎng)5：在人工智能領(lǐng)域有一種說法，認為機器學(xué)習(xí)是人工智能領(lǐng)域中最能夠體現(xiàn)智能的一個分支?？梢越o我們講講機器學(xué)習(xí)在策略管理方面的運用嗎？

林雄：上述講的更多可能是人工智能的方向，我們現(xiàn)在先從簡單的開始運用，想要得到很強大的模型，算力方面是很高的成本，到未來，成本和門檻會逐步降低，大家都可以使用。我講講具體的應(yīng)用，在蘭盈我們主要應(yīng)用是因子的非線性組合和倉位管理，具體來講，一部分是因子組合，比如股票有幾千個因子，期貨的因子可能有幾十到上百個，我通過把這些因子匯入到一個非線性的機器學(xué)習(xí)模型里邊去預(yù)測研究因子，預(yù)測未來，然后得到關(guān)于品種的綜合預(yù)測，這是一種應(yīng)用。

另外一種應(yīng)用在倉位管理上。換句話說，任何一個策略，它可能出來的結(jié)果是買一賣一，是比較簡單的邏輯，上漲我就買一，下跌我就賣一，那我可以用我的機器學(xué)習(xí)模型來對它進行優(yōu)化，上漲的時候我要買多少手，可能不是一手，是0.5手，或者兩手；下跌的時候可能是空三手，根據(jù)你對未來的判斷來決定倉位強度到底應(yīng)該是怎樣的。這是我們目前機器學(xué)習(xí)在CTA策略的兩個應(yīng)用。

最后，我們認為機器學(xué)習(xí)應(yīng)該只是作為一種研究工具來用，而不是用來替代傳統(tǒng)阿爾法模型或其它因子開發(fā)體系。所以，我們現(xiàn)在應(yīng)用的還是帶有邏輯的因子，機器學(xué)習(xí)在我們這兒可能僅僅只是一種工具。

七禾網(wǎng)6：貴司目前的交易策略有哪些，各個策略的特點是怎樣的？

林雄：目前我們期貨策略涵蓋套利策略、機器學(xué)習(xí)策略、多因子策略、短線規(guī)則策略，比如像傳統(tǒng)的趨勢和突破類策略。

套利策略，目前以跨品種套利居多，主要基于上下游邏輯選擇相關(guān)性較高的品種構(gòu)建套利組合，同時建立多個統(tǒng)計預(yù)測模型。持倉周期目前在一周以上。

多因子策略，以偏時序信號為主，參考股票的做法，只不過我們在市值中性方面沒有做特定限制，所以在某些時候，可以完全是單邊；持倉周期目前是一周以上。

規(guī)則類策略，是比較傳統(tǒng)的趨勢和技術(shù)突破策略，我們目前的持倉周期大概兩到三天；機器學(xué)習(xí)主要以量價指標作為輸入，構(gòu)建多個統(tǒng)計模型組合，與因子組合及倉位管理是相關(guān)的，主要作為一種工具。目前的持倉周期稍微短一點，但隨著產(chǎn)品的規(guī)模會動態(tài)調(diào)整。

七禾網(wǎng)7：貴司策略涵蓋指數(shù)增強，請問在競爭日益激烈的量化賽道，如何豐富超額收益來源？

林雄：指數(shù)增強這個賽道確實競爭激烈，但是我們總體感覺國內(nèi)A股市場還大有發(fā)展空間，因為它在發(fā)展階段，所以阿爾法還有提升前景。即便競爭像近幾年這樣，500指增平均也有10%左右的超額，1000指增有15%到20%的超額，我認為隨著市場的有效性增強，超額會逐步遞減，所以為了避免阿爾法的衰減，我們要做的是豐富因子庫，比如增加一些偏高頻類的因子，或者另類數(shù)據(jù)的因子，另外輿情也是可研究的方向。

豐富因子是一方面，還要配合組合優(yōu)化，股票方面已經(jīng)用到了深度學(xué)習(xí)，但這領(lǐng)域其實有很大空間可以再繼續(xù)研究。所以我們會在輸入數(shù)據(jù)，因子，模型這些方面尋找差異化，然后在產(chǎn)品體系上尋找創(chuàng)新，指增策略不一定是按傳統(tǒng)的方法跟隨現(xiàn)在的指數(shù)權(quán)重配置，我可以把權(quán)重配置得寬一點，可以用一套完全不一樣的組合優(yōu)化方法去分散最大化，用在指數(shù)的成分股上，可能不是每年都能跑贏指數(shù)，但是把時間拉長，可以平均每年跑贏指數(shù)，這就是從產(chǎn)品的豐富度上做一些工作，不一定只走傳統(tǒng)賽道。