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。金融投資風險叢生，愿七禾網(wǎng)用戶理性謹慎。

張忠輝

程序化短線交易者，機器學習方面的算法專家，目前兼職交易，繼續(xù)進行機器學習算法研究。

2015年開始接觸期貨量化交易，2016年進入期貨市場實盤操作，保持每年都盈利。

精彩觀點

還是要發(fā)揮自己的專業(yè)，一個人一輩子就做一件事情，就把這件事情做好。

從近些年的歷史數(shù)據(jù)看，歷史上那些比較新的品種往往有大行情，這意味著上市時間特征對于品種加權(quán)很重要。

關(guān)于機器學習，基本上不是簡單套用機器學習的模型，而是重點關(guān)注怎么靈活應(yīng)用機器學習背后的理念。

永遠保持一種客觀的態(tài)度，做量化交易，是個純粹客觀的東西。

機器學習有一個缺點，按一些正常的方法，它黑盒太嚴重了，黑盒太嚴重的話不太可控。我們需要認真對交易過程進行拆解，在局部應(yīng)用機器學習模型，讓這個里面的黑盒可控一些。

品種層面特征都人工考慮了，包括還有品種的一些波動性，這個東西需要人工去定義一些特征。

如果這個策略跟原有策略集合里面的相關(guān)性很大，那它的權(quán)重是要降低的。

選品種其實就是策略加權(quán)，我們把它歸結(jié)為一個統(tǒng)一的框架，就是說我們認為不同的品種的策略，是不同的策略，這樣子的話我們就是一個統(tǒng)一的框架，不會說單獨有一個選品種的模型，就是統(tǒng)一的有一個策略加權(quán)的模型。并且策略之間的相關(guān)性如何影響這個策略加權(quán)，也是放在一個統(tǒng)一的加權(quán)框架中。

我還是比較關(guān)注自然語言處理，現(xiàn)在像GPT4語言大模型，其實大模型的核心還是語言為主，它現(xiàn)在有多模態(tài)，我還是在關(guān)注這個研究這個。

流動性下降了，意味著成交額少了，市面上投機的錢少，策略容量就少了，這個很明顯，一般來講，意味著模型也難跑一些。

一般趨勢是有個過程的，開始反轉(zhuǎn)反彈，慢慢地斜率越來越大，其實中間有一個比較穩(wěn)定的斜率階段，但如果在某一個階段斜率突然比前段時間大很多了，實際上一般來講這個地方有一定的反轉(zhuǎn)信號，我們目前，在這種階段可能會減少開倉，就是不會繼續(xù)加倉了。

AI這個領(lǐng)域也方興未艾，其實看著現(xiàn)在大模型很強大，但是從業(yè)內(nèi)人士來看，還是有很多突破的方向，應(yīng)該很多方面與我們?nèi)祟惖闹悄茉絹碓綄R了，但是還是有一些方面沒有對齊，還是可以努力。

七禾網(wǎng)1、張先生您好，感謝您和七禾網(wǎng)進行深入對話。據(jù)介紹，您2015年開始接觸期貨量化交易，2016年進入期貨市場實盤操作。請問當時是怎樣的機緣巧合，接觸到期貨量化交易？

張忠輝：有一個“天健一號”賬戶，最早是我的合伙人楊竑的賬戶，后面又有個“天健二號”賬戶。2014年的時候，我就認識了楊竑，當時在同一家公司當同事，他在這之前已經(jīng)做了很多年期貨了，2010年股指剛出來的時候，他就開始做了。那會兒正好是股票牛市，所以同事之間投資的話題交流比較多。

當時我做機器學習也很多年了，從2009年在北京讀研究生開始，就一直研究機器學習方面。我覺得還是要發(fā)揮自己的專業(yè)，一個人一輩子就做一件事情，就把這件事情做好。我自己手動去炒股，感覺也不適合，但是我覺得可以用自己機器學習的專業(yè)知識去做，無論是做模型，還是做細節(jié)，其實本質(zhì)上都是對數(shù)據(jù)的處理。

當時是楊竑帶我入門了，也講了一些基本的內(nèi)容，像海龜交易策略什么的。后面我也慢慢地有一些自己的想法，就開始做了，應(yīng)該是2016年開始實盤。

七禾網(wǎng)2、在這期貨量化實盤交易的8年時間中，您的交易理念、交易方法經(jīng)歷過怎樣的變化？

張忠輝：我覺得大的框架是沒變的，其實我做的東西不多，主要都是以海龜法則為代表的趨勢策略。據(jù)我所知，大部分做CTA的人，主體應(yīng)該是做趨勢模型，底層是海龜策略，當然少部分可能還有一些套利什么的。

這些年的研究主要是在細節(jié)方面，還是會有一些改進。

1、第一個主要的變化就是策略組合中的策略數(shù)目越來越多了。策略組合中的每個策略，一般都基于一個簡單的海龜法則，隨便改幾個參數(shù)就可以生成一組具體的新策略。比如說k線周期參數(shù)，可以是一個小時和三個小時。然后是止損或止盈參數(shù)，可以是1%止損，也可以2%止損。

在2022年之前，其實實盤運行的策略數(shù)目還比較少，總共可能也就幾百組策略。近兩三年，專門對這個做了優(yōu)化，實盤運行的策略數(shù)目達到了數(shù)萬級別。

2、另一個重要變化就是策略加權(quán)。早些年的話，幾百個策略都是等權(quán)的，可能100個策略每個是1%的權(quán)重。但是現(xiàn)在會引入新的特征來對策略權(quán)重進行建模，不同的策略的權(quán)重會不通。

策略加權(quán)中，比較重要的是一個期貨品種加權(quán)。品種加權(quán)會考慮品種的成交額、活躍度、品種的上市時間等。

從近些年的歷史數(shù)據(jù)看，歷史上那些比較新的品種往往有大行情，這意味著上市時間特征對于品種加權(quán)很重要。

七禾網(wǎng)3、做了8年的期貨量化交易，您最大的感受有哪些？

張忠輝：第一個感受，關(guān)于機器學習，基本上不是簡單套用機器學習的模型，而是重點關(guān)注怎么靈活應(yīng)用機器學習背后的理念，特別是關(guān)于過擬合問題的多種思考及方法論。有一些處理過擬合的方法，往往很直觀，比如參數(shù)高原，也就是說它這一塊區(qū)域，這個參數(shù)突然就很突出，它跟它的鄰居差異很大，那證明這個參數(shù)不穩(wěn)定，但是很有用。

另一個是樣本的問題，我們說長周期跟短周期，其實短周期的話，理論上來講它的有效樣本就多一些，可能10分鐘就采一個樣本，你如果是一個星期才采一個樣本，所以為什么說有些要強調(diào)做短周期，也就是說它的樣本多一些，所以做起來的話，它的曲線比較平滑一些。但短周期的話，意味著它的交易成本高，所以這是個折中，也就是說在交易成本靠譜的情況下，你能夠把周期做短一點，特別是在你沒有擔心策略容量的時候。

所以這背后的一個問題，我覺得也是過擬合，通常來講，這種CTA的策略，期貨其實數(shù)據(jù)不多，大家注意的行業(yè)數(shù)據(jù)，整體上講，用這些復雜的機器學習模型，是很容易過擬合的，就是現(xiàn)成拿來用的模型，是很容易過擬合的，也就是數(shù)據(jù)量不夠。你看現(xiàn)在的比如GPT4，它們?yōu)槭裁春?其實它們數(shù)據(jù)量是挺大的，能夠支撐起這么大的模型量，也就是說你在數(shù)據(jù)量不夠、噪聲很大的情況下,是很容易過擬合的。

第二個感受，永遠保持一種客觀的態(tài)度，做量化交易，是個純粹客觀的東西。早期候也會去手工試一兩把，往往會比機器跑的要差。更重要的是，主觀交易時心理上更容易焦慮，無論賣還是買，往往都會后悔。哪怕是賺錢了，心理消耗都很大。

保持客觀態(tài)度的前提就是要有端正平和的心態(tài)。做這個事情，你別把賺錢看得太重要，這個可能會影響你的心態(tài),然后可能讓你操作不那么穩(wěn)健。這么多年交易整體的一個特點，是我的倉位越來越低，就是說我希望不至于這個交易太影響我的心態(tài)，很容易把自己牽扯進去，讓自己不能客觀地去做一些真正應(yīng)該需要做的事情。

七禾網(wǎng)4、據(jù)了解，您的期貨投資經(jīng)歷比較順利，保持每年都盈利。您認為，能保持每年盈利的關(guān)鍵有哪些？

張忠輝：應(yīng)該還是說，畢竟有多年的算法基礎(chǔ)，也就是說，我一入場就是專業(yè)人士。所以我不會干那種主觀交易的事情，有些人做主觀交易可能更容易會經(jīng)歷大起大落。

還有一點，可能我在有數(shù)理邏輯思維方面，有一定的天分。

我講一個小時候的小故事，大概1993年10歲的時候，那會哪有什么互聯(lián)網(wǎng)，書也沒得看。我姑父是瓦匠，砌墻的，他說，他們砌墻的時候，給定三條邊，3、4、5，這里面就有個直角，等于有直角的話這個墻就直了。

我就覺得很奇怪，3、4、5，這個數(shù)字還挺好，這怎么會有直角呢？那會信息也不發(fā)達，現(xiàn)在的話查個互聯(lián)網(wǎng)肯定知道。那會兒只能自己琢磨，然后自己想了兩個星期，就發(fā)現(xiàn)，如果有兩條邊的平方和，等于第三條邊的平方，就會有一個直角。不小心就自己發(fā)現(xiàn)了勾股定理。

這個證明其實我小時候，在數(shù)學方面還是有天賦的。

當然未來競爭越來越激烈的話，我覺得盈利的效率會下降，但是應(yīng)該不至于很大起大落或者虧很多。只能說競爭激烈了，大家都賺得少了，這個是肯定的，還是很明顯的，因為這個時代在進步，然后這個圈子肯定也越來越卷，每個行業(yè)發(fā)展都一樣。其實我們業(yè)內(nèi)每一個人都能感覺到，肯定會越來越難。

所以說，第一個的話，我覺得有基本功，第二個的話，回過頭看，其實也還有一些運氣因素。

這兩年的行情，如果用兩年前的模型，會略有虧損。但是，因為這兩年組織團隊全職投入，模型框架從數(shù)百級別的策略組合上升到數(shù)萬策略級別，模型的穩(wěn)定性有了明顯提升，保證了較穩(wěn)定的凈值曲線。

七禾網(wǎng)5、您表示，交易基本框架是以海龜法則為核心的趨勢交易?；诤唵蔚牟呗钥蚣埽ㄟ^對于策略參數(shù)大規(guī)模搜索，基于多種評價指標篩選出大量策略進行組合。請問您篩選策略的評價指標，主要有哪些？

張忠輝：一般來講，先隨機生成百萬組策略。在隨機生成的策略集合上面，把歷史數(shù)據(jù)跑一遍，可以得出每個策略中的歷史凈值曲線。然后我們先做一些初篩，一般來講會用風報比，當然也會用一些不同的指標，比如夏普率等去篩選初始的策略組合。

整體來講會有兩層，一個是評價指標來做初篩，基于策略的歷史凈值曲線，根據(jù)多個評價指標（包括風報比、夏普率、月度勝率等）進行初篩，去掉一些明顯較差的策略。

第二個的話，對于剩余的策略，有一個加權(quán)模型對每個策略進行打分，打分越高的策略在策略組合中的權(quán)重越高。

七禾網(wǎng)6、您表示，您會在基本框架保持不變的前提下，不斷增加策略組合中的策略數(shù)量。請問在策略組合中，是否會通過一些篩選機制，逐步淘汰個別策略？

張忠輝：其實沒有刻意淘汰策略。我們大概每半年會重新跑一下評價和加權(quán)流程。跑完之后，會生成新的策略集合，可能有一些老策略集合中的策略自動在這個過程中就被淘汰了。