世纪前沿吴敌路演纪要

主题：量化投资穿越迷雾主讲人：吴敌 Q1：您觉得相比去年，今年投资者对于量化的热情是否有一定的增长包括像规模增长这块，今年整体是一个怎样的情况？答：（1）去年其实是一个比较差的年份，22年比21年有很明显的下滑，21年中位数15~20个点超额，像我们21年有30个点以上的超额，那么去年确实是比较低，整个来说行业来讲平均的超额是大概10个点出头，我们去年也就15个点超额。 （2）今年到现在为止比去年幸福很多，截止到上周，我们整个超额也有9个多点，整个指数增强产品净值也是涨了10来个点。 从这个角度讲，我们的投资人投资感受是比去年好很多。 Q2：今年世纪前沿整个业绩在市场处于一个非常前列的水平，吴总您这边观察下来的话，今年整个量化行业当中是哪一类的产品线更受投资者 的青睐？ 可的。 答：实际上我们每条产品线都做得不错，包括我们的对冲，包括我们的指数增强，但相对来说，我们的指数增强产品实际上目前是最受投资者认 Q3：从您个人角度来看的话，如果是在各个指增条线产品，包括量化多头当中的话，您个人会更愿意选择哪一类的产品？答：（1）量化指增有很多条线，包括300、500、1000指增，还有量化优选， 不同的人对指增产品有不同认知，举例年初有投资者跟我说，他会买我们家的300指增，因为他比较看好复苏，300指增里面复苏受益的行业是最多的。 （2）我个人来讲，我会买我的量优产品，它对标的是一个更宽基的指数，持仓更分散，阿尔法有更多的自由发挥。 （3）量优VS500指增，超额会有明显优势。去年，量优超额比500指增多5%+，超额回撤比500指增多1%+；今年，500指增超额是 9%+，量优超额已经到10%+。 Q4：像量化优选产品，其实因为它本身没有行业或者风格上的约束，对于整个阿尔法这一块的磨损其实很小，它能够最大程度发挥量化选股的 优势，对吗？ 答：（1）对，没错，它能够自动给阿尔法一个空间。 （2）另外，整个行业内最多的就是500指增，因为最开始我们大家做的都是500指增，所以500指增赛道越来越拥堵，风控也越来越严。在风控越严的情况下，降低波动率情况下，它的超额一定是会受到一些影响的。所以相对于这个角度讲，不管是从阿尔法自由度的发挥，还有从拥挤 度 的角度讲，量化优选的超额长期来看一定是会比500指增甚至1000指增会好一些。 产品，您觉得当前这个时间怎么样？ 答：（1）目前来讲保持中性观点。 （2）赚超额最好的时候：假设指数不涨不跌，我们仍然会有一年有10%-20%的增 长，对投资人来讲，也是一个很好的选择。今年已经涨了15个点，我们的超额是可以相信的。 Q6：您在当前这个时点是比较推荐指数增强产品的，对吗？ 答：是的。 施，那么可能就会影响到量化策略的收益，而且也会有一些观点认为说量化给市场带来的可能并非全都是正面的影响。对于这类担忧或观点，吴 Q7：量化是否会面对一些来自监管层面的压力，比如说随着量化规模的逐渐增大，那么证监会是否会针对量化交易去采取一些更加严格的管制措 总您这边有什么看法吗？ 答：（1）我们量化实际上是一个非常透明的交易模式，包括用的都是公开的信息，我们可以拥抱监管，让他们知道量化是一种科学的方式。后面即使监管会有一些新的动作出台，我们会遵守。 （2）中国市场目前还是一个量化的红利期。 Q8：对比国外市场，可能您觉得红利期大概还有多久的时间？ 答：3~5年。 Q9：您觉得像现在整个A股市场环境，还有哪些比较重要的因素导致大部分的量化策略依然能够产出一个非常稳定的阿尔法收益。 答：（1）国内量化与国外量化还是有一个很大的区别，国内量化目前的市场结构有很多，包括个人交易有很多噪音在，因此比较适合我们量价类策略参与发展。国内量价策略一般占到60~70%以上，小一点的甚至占到90%，但国外基本面、另类数据会占到40~50%以上。 （2）市场只要有8000-9000亿以上的成交量，市场只要有分化，就可以预测截面收益，不断捕捉阿尔法，获取稳定的超额收益。 Q10：量化管理人之间策略同质化，会不会导致阿尔法收益逐渐衰退？您这边预计后续量化超额收益大概是一个怎样的水平？ 答：（1）量化赛道拥堵明显，比如说21年二三季度量化超额收益比较好，整个量化规模可能翻了一倍，这种情况是始料不及的。 （2）目前来讲，今年对量化非常友好，实际规模缓慢增长是最好的，若超额爆发，同时风险也在不断累积。目前来看，我们是净申购状态，但我们觉得这个一个细水长流、逐步的过程。量化管理人经过21年四季度这一波之后，大家其实变得更成熟、组合优化上做得更好、策略更加分 散，同时也会监控市场拥堵指标。 （3）我们预期未来两三年超额水平应该是会保持在21年跟22年之间这样的水平，还是可以期待的。 Q11：除了21年底在风控上有一些非常大的调整或者优化，我们在历史上还有哪些比较大的策略迭代历程？ 答：18年以前，量化管理人如果只是用多因子，其实做到20个点以上的超额，就不得了了。但实际上在18年以后，可以看到量化管理人通过依托于深度学习、机器学习模式，我们其实大幅提升我们获取超额能力，基本上好的量化管理人，一年可以做到30个点甚至40个点以上的超额收益。所以我觉得其实还是依托了深度学习对整个量价类策略因子挖掘的帮助。 比较大的关系？ Q12：世纪前沿的一个优势，自古以来都是在高频端。想请教吴总，我们高频端的优势具体怎样体现在我们的策略当中，是否跟机器学习使用有 答：（1）是的，机器学习大幅提升我们整个挖掘超额的能力，并且会增强我们研究的效率。举例来讲，有了机器学习网络之后，其实更多的找寻特征过程。然后深度学习会有自己的归纳整理能力，会把各种各样特征去自动归纳整理，就变成一个对于未来超额的预测。 （2）我们一直在尝试把最新的机器学习技术应用在我们应对数据的挖掘里面。举个例子，前一阵我们其实在尝试把我们的新闻跟进到我们ChatGPT里面去分析，让ChatGPT去能够去分析它对哪些股票会有什么样的影响。 （3）深度学习，帮我们量价类策略能力大幅提升，未来也是会有很明显的趋势。 说哪一部分的策略占比能够在这样的行情中维持了一个非常稳定的超额表现。 Q13：3月份以来的AI和中特估这种比较极端的结构化行情，对于量化超额的影响是怎样的？以及说像是以前的策略是靠怎样的一些方式，或者 答：（1）AI和中特股行情属于很小范围内的一些股票，产生一个爆发式行情的情况。那么它的截面其实很窄的，如果你不买这些股票，就追不上今年这个行情。（2）今年我对我们来说，中高频量价比较强，我们在这方面策略的配置权重就明显会多一些，因此今年业绩会比较好一些。 （3）我们也在增强低频基本面数据能力。 能够保持一个相对来说比较稳定的收益？答：（1）想每一部分都做好不现实，我们觉得把自己擅长的东西做好就行。 （2）我们在中高频端取得一些很明显的进展，我们也会迭代，也会在第三季度上线。 够在规模增长后依然能保持稳定吗？ Q15：为什么规模200多亿情况下，中高频策略依然能够发挥一个比较强势的作用，包括换手比较高的水平下，在同等规模下高频部分的贡献能 答：（1）高频部分的收益占比在过去一两年已经衰竭很多，在20年整个高频贡献比是占到30~40%以上。现在为止，纯高频收益只占到可能 15%。 （2）现在发展的是我们中频端，中频预测未来10分钟到未来一天的收益，实际容量会比较大，三四百亿以内其实都是一个很舒适的区域，我们把这部分做好弥补高频端超额衰减的情况。 Q16：后续更多精力会放在什么上面？答：未来重点投入中频、中高频这两块。Q17：每年硬件投入大概有多少？ 答：（1）每年投入几千万，但每年投入的点不一样，比如去年机房上面投入很多，包括AI算力。 （2）今年最主要投资在数据上，数据不只是另类数据，买数据要花钱，其实你建一个应急数据的架构，包括存储架构也要花钱，比如说它像供应链数据它需要用到图 数据库。今年大规模提升高频算力，采购了很多存储机群。 间会主要有哪些共性以及区别。 答：（1）CTA交易标的数目比股票标的少很多，CTA标的可能只有40多。 （2）CTA受宏观影响大，因此数据点也少。从这个角度讲，我们觉得做CTA实际上是蛮困难，因为本质上讲他经历的周期也相对比较少，包括两年前，其实整个CTA都是处于商品的牛市，很多策略都是在牛市里面做出来的，可能比较适合牛市的行情；正好不巧这两年又遇到商品熊市的行情，或者是美联储不断加息行情，在这种情况下，你其实很多数据都没有。 （3）CTA确实是一个很重要的资产配置赛道，可以做一个很好的配置手段，然后配一点点资金放着跑，带来一个比较好的预期。如果你想大规模资金配置在上面，其实是不合理的，因为CTA夏普跟指增超额夏普是没法比的。 Q19：从您的角度来看，觉得后续CTA策略的表现大概会怎样？ 答：（1）我们20年开始布局CTA，但是20年以前我们主要是做商品高频，所以其实跟CTA也没什么关系。但是自从做CTA以来，实际上业绩也是好了半年，然后遇到去年6月份以来大回撤，到现在为止已经一年了。 （2）CTA策略还是在商品相对牛市的情况下会表现好一些。我们觉得美联储加息可 能快到尾部，如果整个商品也会处于一个慢慢回暖的状态，那么CTA也会相对正常一点，所以未来预期还是比较中等乐观的。 答：是的。 Q20：CTA策略可能不像股票策略，给它一个比较大的权重，对吧？ Q21：吴总能否结合您过往策略研发的经验，给大家简单讲一讲，就是说去开发一个量化策略，比如说做一个因子，或者说做一个模型，大概是一种怎样的体验？答：（1）就像做科研一样，是一个探索的体验。比如说最近做一个课题就是说期货市场的数据对中国A股的数据是不是有影响？比如说我们有很多这种宏观的数据， 比如说焦煤、焦炭或铁矿石这样的数据，可能会对A股里面相关行业的一些数据，比如相关行业的股票，比如说钢铁行业股票可能会有影响，那么首先提出一个假设，基于我们认为他们两者出现相关性，比如说我们整个期货现货价格出现一个变化，让我们商品相关股票的价格也会反映，这个第一步其实就是要验证我们的假设是不是成立，我们就会找一些最基本的数据，比如说我们会找到一些整个期货上面的数据，包括我们的日内数据、日间数据也好，然后我们就会把股票数据拿出来，然后做一些相关性统计上测试。因为第一步实际上我们其实并不是说我们要做策略，最重要是验证我们的原假设是不是成立，如果原假设成立，我们觉得这个事 情就是逻辑上有依据，同时数据上统计上有支持，我们就可以接下来继续优化策略。 （2）比如两者之间是有一个相关性存在，下一步就是说怎样利用这样一个相关性去构建我们的因子，那么就涉及到因子池的构建，比如说用多长时间数据去回看期货价格变化，或者说相对应的股票要怎么选择？是所有的跟钢铁行业的选股要进行选择，还是说其中有一些特别的股票要进行选择。因此我们可以看到我们是在不断细化我们的策略构架，包括它的X和Y，我们都在不断去优化它。 （3）最后发现在某一些特定的参数配置下面，参数配置不是那么敏感，能够找到这样一个期货价格变化对股票价格变化的一个相关性很好的因子。 （4）完成因子之后也没有结束，首先我们要评估的因子的一个性能，他的比如说我们必须要求它的回报和夏普达到一定标准，才能入到我们的因子库。一般像比较偏低频因子，我们其实要求也不是特别高，想想也不会3、4对吧？我们基本上要求夏普数值达到2，然后同时要跟库里的因子会对比相关性，我们不希望它的相关性跟库的因子也会特别高，一旦达到相关性要求将它入库。 权重给它配满，我们 （5）当然我们对这种新的因子和新的数据，我们会比较采取一个保守的态度。最开始的时候我们会给它一定的观察期，不会说一开始就改配把 会给它半年到一年，去看这个数据表现是不是正常，样本外和实盘表现是不是跟预期一致，可能它短期