九坤情况更新

基本上近几年没有特别大的变化，从规模上来讲，截止23年Q4，基本上整体规模维持在680亿，以市值增长为主。优选从110亿到115亿；指增现在整体在120亿规模；多空，因为已经过了三年，逐步有赎回过程，现在整体规模在90亿；银行的对冲系列，现在基本上包括低波动这部分整体在315亿左右；再加上40亿的CTA。所以每季度再去做回顾的时候，大家能感受到九坤整体各个策略线规模上基本上是比较克制的，特别是在流动性相对比较紧缩的环境下，还是希望整体在过往的所有策略上以保稳为主。 三大原则需不断去证伪，坚持科学投资，坚持各策略线分散，坚持长期主义，这三个事是九坤希望去坚持的。 有关变动的事情还是延续着在未来的竞争门槛，有非常重要的三个环节： ①人才所培养的护城河以及对应的投研体系发展；②在硬件以及软件技术所带来的迭代方面的发展；这两个方面还是会一直尝试长期持续走下去。从人才来讲，还是稳定增长，人才数量和要求都在逐步提升，原来架构相对也会变得更加丰满，从原来的校招到后来的社招到海外基金经理，我们尽量能够去招到的一些非常有实践经验的IT以及投研人员。整体背景的要求会越来越严苛，并不是一直不变的方向。 ③继续通过九坤量化挑战赛去不断积累新鲜技术，在未来能够有可以探寻的一些点，通过赛事包括全球的技术人员共同去探讨的话题，包括从团队中能够增加一些成员加入团队。所以在人才梯队上还是一如既往的新增，同时提高要求。 在研究方面来讲，因为要做持续的分散，所以九坤一直在迭代路上。从最初提出逐步先有发展，然后再有整体规划统筹的发展阶段，所以去年我们觉得整体的超额阿尔法比较稳定。在策略上，大家所关心的价量、基本面等等策略上的迭代，相对比较稳定，但是在整个框架体系的建设上，形成了比较完整的一体化建设，基本上会分为三个点，大家所关注的一些包括算力配置、数据存储容量、网络交换速度等等，希望 能够去把硬件实力不断做积淀，所以我们进了很多显卡，那就在算力配置部分。大家关心的数据存储容量问题，1Pb=1024TB=1024²GB，整个存储容量是否足够，去建立非常多的硬件进行研究。乃至网络交换上，不管上行还是下行，都保持在相应级别，以保持网络传输速度，能够去跟上处理速度等等，去做非常好的一些硬件铺垫，乃至在中间我们在整个的资源调动，CPU分配以及整个系统的可用和完善方面不断去进行运维，这些也会非常重要。 这两天大家会关注系统宕机是否会对市场造成影响等等，你会发现九坤即使在超算系统上也会去关注，99.99%的可用性意味着一定程度上宕机时间的要求会非常高，基本上在月度内不超过10分钟，所以整体对于硬件的要求和运维也会逐步提高，你需要有更多的IT人员把系统支撑起来，在对上层一直围绕着分散，九坤从挖掘因子到机器学习到大模型部署。从这个角度上讲，因为有了很多的硬件和AI技术的一些支持，能够一定程度上去提升训练和研发效率，是在现在的环境和平台向下能够达到比较好的效果。咱们拿人工挖掘因子部分去解释，可能原来投研你什么事情都要做，获取数据、建立数据库、数据中找寻规律、建立软硬件的模型、编程、回测、实盘等等。现在来讲，因为有了很多的加速软件、AI框架、IT人员，可能前面的这些事情可能都交由AI和IT人员去完成，对于投研人员来讲，更大得释放了他的生产力，使得他们的时间基本上聚焦在提出想法和验证想法这两件事情上，相对研发效率就会更高。包括有了这么多的软硬件环境，你就有可能在机器学习，包括在大模型方向上去投入比较大的精力，以及在未来的另类数据的补充上和处理上能够有一些比较好的尝试，也能在未来超额的补助上能够有更多维度区别于价量、基本面等等数据，能够有更好的采用和处理，能够使得安排能够有所提高，这是整体框架。 刚才像AI所说到的一些东西，AI是一个个技术，可以把它理解成技巧板块。至于每一块板究竟能拼成什么样的模样，取决于你对于每个技术的认知，以及最终把技术运用在哪里，所以基本上这些AI技术很多都 放到包括知识管理体系的建立，你收集到了非常多的数据，围绕着投研或者投资标的，上下游究竟有哪些可以获取的信息，怎么去做结构化处理，这是一方面的事，包括所谓的多模态学习，包括语音识别、图像识别、NLP自然语言处理、文字识别，这些都是一个个技术。对于人来讲有天生的优势是1+1>2，也就是当我们看到图像，同时听到语音时，会比单一看到图像和听到语音，所理解的内容会更深刻。当然对于计算机本身而言，并不一定完全是1+1的结果，有可能语音识别ok，图像识别也ok，但是如果两个同时做，它可能对于判断反而会有所下降，所以在过程中，通过很多AI技术的不断尝试、多模态学习，我们希望能够跟人一样达到1+1>2的效果，都可以在基于AI的一些手段上去做，可以围绕着很多技术迭代和更新。 现在九坤整体的投研流程基本上就像这张图一样，我们可能更多维度的一些数据的熟悉，然后有研究员和AI工具的辅助，能够对不管因子挖掘还是模型特征学习，能够有更多维度的输出，然后再结合投资偏好和限制去进行组合构建，去进行交易执行，这是公司整体的一些变化和情况。九坤还是多积跬步，不断在小细节上进行精研，不断在分散化道路上希望能够越走越远，以保持在未来，不管在竞争优势，还是在产品稳定度上，能够做到更好，给客户带来价值。 策略线回顾 中证1000从构成程度上来讲，可能接近50%左右偏向中证1800以外的票，本身有一些偏小票的属性。 所以我们也是为什么在去年流动性相对比较紧缺的情况下，对于整体规模的克制相对还是比较慎重，所以1000到现在我们也没有再去进行开放募集的计划，还是保持原有策略线。像1000指增，我们23年3月募集截止的时候的规模是在40亿，现在来讲随着市值的上涨，1000指增现在整体的规模，截止到Q4，差不多在50亿左右。然后从整体全年的表现上讲，因为已经过了一年了，所以我们正好可以拿千舆中证1000 6号来做下月度展示，整体全年来讲，除了1月整体的小票权重股非常强势，所以在那段时间超额是有一些回撤，但是基本上之后的11个月，相对还是在每月基本上保 持了比较好的超额积累，月度胜率还是保持在 80%-85%之间。从整体的全年业绩上来看，因为12月最后的那几周回撤还是相对比较大，但是整体YTD上全年度获得16.28%的收益，相较于中证1000本身的涨跌幅来讲，在去年还是积累了24%左右的超额，在整个的超额稳定度和表现上讲，还是符合产品预期。 中证500拿代表产品去做回顾，基本上全年的表现情况也还是相对比较稳定，基本上整体去年的收益在10~12%之间，然后在整体的月度表现上讲，基本上只有一个月左右产生超额亏损，所以整体的月度胜率相较于过往在去年的表现上来说也都是比较稳定的，包括去年的各个策略线都一样。 多空，本身策略定义0~80的多空敞口，多头部分 用的是500指增策略，因为去年本身波动率并不是特别高，所以会比较满足500指数本身的波动表现情况，然后趋势也并没有特别明显的大幅波动，所以整体去年的敞口基本上维持在了中枢左右，基本上去年维持在了50%左右的敞口，没有特别大的变化。从年度收益上讲，全年差不多是取得了7.2%左右的绝对收益。从月度收益来看，咱们看得比较明显一些。这个收益是靠逐步积累而来，可能在市场上涨的那几个月，虽然可能没有指数涨得那么多，包括1月指数涨了7点多，但是我只涨了2.8%，但是在部分月度在产生最大回撤的时候，因为敞口本身只有一半，而且本身去年整体仓位也比较稳定，所以在月度回撤上，相对就没有那么明显，这样积累下来整个区间收益在7.2%左右，9号跟1号一定程度表明一致性情况。。 优选去年表现也还是比较不错。从全年收益上讲，积累了4.2%左右的收益，相对来讲1月、2月、5月、6月涨幅都还不错，包括11月走得比较稳健。 CTA策略，本身在趋势策略上，包括其它类别上，我们是多策略产品，包括趋势、期限结构、基本面和另类都有占比，本身跟南华商品指数，包括中长周期趋势并不是特别一样。这一次我们还是拿了几个展示的点。因为大家之前一直关注产品净值跟指数趋势本身，包括跟其它家趋势是否会有些区别，所以这一次我们也去做了下汇率回归的动作，这张图大家能够看 到大概是有几个趋势线，这根蓝色趋势线是南华商品指数的涨跌幅度，然后最下面的这一根灰色的线，这根灰色的线是在回归后，我们的量化CTA 1号里面，由于贝塔带来的收益表现，所以你会看到基本上贝塔部分就在0~3%左右的区间，所以能够看得到我们在本身贝塔上的暴露，或者它给产品所带来的收益贡献相对是比较小的。然后紫色部分是阿尔法部分，也就是我们通过策略本身所带来的收益，把灰色部分和紫色部分加在一起，就是蓝色的走势线。所以整体你会发现蓝色走势线跟南华商品指数的走势趋势还是相对并没有特别大关系，所以可能我们之前是以0~5天左右中短周期为主，我们也在逐步尝试在中长周期维度上去做储备和铺垫。 从近一年的表现和结构上来看，中长周期趋势 5~10天左右的占比，相较之前有一定提升，但是整体来说还是在偏中短周期的趋势范围之内，包括这边把21年22年和23年横轴分别是南华商品指数对应的涨跌幅，然后左边的纵轴是我们产品收益率的涨跌幅，然后把它放在一起，你看的是涨跌幅究竟跟南华指数涨跌幅是否具有相关性，如果你跟它是正相关，如果南华指数是涨的，如果是正相关，应该跟右上方延伸出去的一根线；如果跟它是负相关，你就是再往右下方延伸出去的这根线，但是不管21年、22年还是23年，大家会发现可能我们整体的这些点可能都是在不同的区间段里面，就比较零散，零散意味着我们整体的走势和涨跌幅跟南华趋势本身相关性比较低，也是通过这两张图去论证九坤本身以中短周期，且走势跟别家趋势，包括产品趋势本身相关性会比较低，更多关注在中短周期的机会维度能否做出盈利。从整体的收益维度上讲，23年还是获得了相对稳定的收益，截止到12月，整体区间收益在10%左右，在去年来讲表现中等偏上。CTA现在还是属于封盘状态，还是会跟1000一样严格控制规模。 Q＆A Q1：更新下目前整个团队的情况。 答：基本上人员还是属于净流入状态，对于人员筛选的要求确实会有提升，可能原来的3%通过率，现在可 能远远不到3%了，人员在上海和北京都有新增，整体团队的稳定度基本上还是比较高的，核心基本也没有什么变化。正常保持在5%左右的流动率，属于正常的流动性情况。因为现在人越来越多，意味着所谓的PM经理会越来越多，这也是在不断分散化道路上去做的非常重要的原因，因为你招了更多的人，能够有更多的机会在不同方面上去找寻一些因子的可能性，能够尽量去降低相关性，同时也减少一些重点策略或者人员的影响，不断使整个策略线变得更分散，投研实力变得更强大。投研加IT人员基本是在百人以上。 Q2：目前在另类数据的应用上，我们关注度是怎么样的，能那例子来解释一下我们在另类数据上的应用。答：现在另类数据在策略上的应用占比在10%左右，目前整个策略中还是以价量为主，基本上60~70%，基本面20%，另类比较审慎，在10%左右，但是另类数据的确在未来所带来的价值还是比较多的。因为首先讲下另类数据，因为另外数据有一些特征，它的特征是信噪比比较低，简单理解为质量比较差，它跟价量可能产生区别：很多价量数据非常结构化，拿来就可以用，不管从时间顺序还是结构顺序上都很完整，但是另类数据有可能时有时无，可能会存在一些数据中，你需要去进行提取，需要有很多AI技术，包括很多数据清洗的方向，然后不断对它进行提炼。举个例子，比如看研报，从NLP自然语言处理的方向上讲，因为研报上的文字有很多，然后不同的人可能对于不同标的会进行不同判断。它会有非常多的文字，你可能看到几千上万字，但是因为它只是报告方式的文字，所以没办法快速进行排序。如果是数字可以按照顺序排序，但是对于文字来讲，很难进行排序，我们就可以运用像NLP自然语言处理技术先去做区分和罗列，比如我们觉得在文字当中我们要去提取哪些信息，比如风险是什么，或者它是否是重要的相关指标数据，或者它是否有正当判断等等，我可以在不同维度上，通过像NLP自然语言处理技术去把