世纪前沿空气指增路演全文QA20230908

时间：2023年9月初 内容：世纪前沿空气指增路演全文+QA 公司和团队介绍 可能大家听到前沿的时候基本上是从20年开始，因为19年底之前前沿主要做自营，做资管也 是近三年半，最开始团队是在香港做港股，做得比较好的是13年开始做的商品的跨境期货套利，那个 时候年化有60%左右，当我们回到深圳后，这条线就停掉了。因为内外盘的进出是比较麻烦的，所以15年我们把套利条线停掉了，开始做股指。15 、16年算是赶上了一波股指的大幅波动，16年我们就 把商品这部分同步覆盖全了，那个时候初始年化能有70%-80%，后面做得好的时候能够翻倍。因为这 两年的期货交易所的锁仓、持仓返还限制比较多，所以这部分基本是纯自营在做，没有对外募集，目 前只有大概一个亿左右。 以上虽然有过不同的策略，但是都奠定了后面阿尔法策略的基础，像后面的中性、指增、全市 场选股条线都是在这个基础上衍生出来的。17年开发了程序T的条线，目前我们没有单独开程序T的条 线，而是把 T0因子叠加在整个阿尔法策略里面，所以没有单独开融券类的多元募集条线。18年上半年 拿到了牌照，开始做阿尔法策略研究。各位可以理解为18年我们搭了多因子框架模型，然后在里面填 充高频、中频、低频类因子，整个策略是在18年成型，但没有立马去实盘，原因在于高频确实是我们 比较强的一部分，但是对于当时的我们来说，低频确实是一个全新的领域，所以在19年上半年，我们 招了一些在低频领域的资深同事，像目前的首席研究员，他之前在世坤中国的团队工作，他的加入帮 助我们做了很多低频细节的完善，可以理解为我们在18年搭了一个毛坯房，19年请了一些更具有审美 能力的人进来做了精装修，觉得更好了才入住。 在这过程中，我们从最开始只有500条线，慢慢把300、1000、全市场选股这些条线都做全了，在这过程中我们得到了很多资方的支持，作为一个参考，19年底我们纯自营是不到6个亿，截止到 今年二季度底，我们整个管理规模是270亿，剔除掉重复计算的母子层之后，纯平层的规模是200亿，其中中性是70亿，指增是105亿，全市场选股是20亿，CTA条线是5亿。渠道分布上是一半直销，一 半代销。直销更多的还是像券商的自营资管，包括像银行一些资金体量比较大的。像在代销这边，主 要分为券商、信托、三方和银行，基本上是市面上比较口熟能详的机构。 看一下整个团队，股权穿透到最后，吴敌总占比76%，家馨总占比24%。两位老板的从业背景 比较简单，吴总是中科大的本科，然后他是在08年去香港读博的时候，和家馨总在一个实验室的项目上认识，然后两位聊得比较投缘，约定毕业之后去创业。像前面介绍的，从10年做港股到套利，再到后面的期货等等，这就是两位13年的创业心路历程。两位的分工相对来说，其实因为本身都是投研出 身，所以说他们每天都会跟进目前的研究进度是什么样子，和投研的沟通是非常紧密的。在这个过程 当中，因为两位性格特点会有一些不同，所以在分工定位上也不同。举个例子，这两年也做了很多另 类数据的研究项目，两位老板都会去覆盖市面上有没有新的红利出现，这个过程当中，家馨总会考虑得更加深入一些，对于整体的策略短板有哪些可以提升优化的部分，他会考虑得更加深入。当两位决定要做另类数据研究项目之后，有哪些研究员参与到这个项目当中来，以及项目的产出成果怎么更好得去加入到组合里面去落地去推进，这部分更多是吴敌总在做的事情。吴总更类似于推荐者的角色，家馨总更类似于思考者的角色。 目前公司共68位同事，以两位创始人为首的研发风控人员共47位，占比接近70%。目前总部 在深圳，但是在海南、深圳、上海、北京四地是有办公室的，整个团队是采用了非PM的模式，是偏流水线制度的紧密协作模式，也是得益于此模式，整个团队的互信水平和氛围还是非常好的。除了研发人员之外，还有21位的市场、产品、财务、综合管理等等中后台运营同事。 除两位老板外，一共有45位的研发风控人员分别分布在研究、组合、交易执行和技术组。首先 是研究组层面，研究组的职能更多是在底层因子的研究以及数据上的研究更新。他的组长是前面提到 的这位19年加入我们的同事，他的背景是清华物理的本博，12年就在世坤中国工作，也是由于这样的背景，所以他更倾向于招清北物理、数学专业的同事加入到他的组合中，像这两年机器学习发展也比较快，所以我们也招了一些腾讯、美团出来的同事，这个是研究组的职能。 因子生成之后就到了组合层面，这个组的职能是整个组合上对于不同因子权重的调整，包括组 合层面的风控优化，他的组长也是清华毕业，他在回国之前是在一家千亿美元的资产公司做PM，21年 下半年回国之后加入到前沿，负责整个组合层面的管理。由于这样的背景，所以他更倾向于有组合管 理经验的同事。 组合生成之后就到了实际的交易执行层面。这个组的职能是在整个交易执行过程当中研究一些 算法拆单，包括研究一些市场冲击层面的部分，大家可能多多少少了解到这部分的职能，其实有一些 专门的供应商在做，像现在比较火的卡方、皓兴、泰来、跃然这几家，都是在做交易执行优化、算法 拆单的供应商。整体而言，目前我们还是以自有团队在做，相对来说效果比市面上的供应商量显著。我以现在比较火的供应商为例子，它基本上是参考TWAP下单，在1~2个bps上，我们整个团队目前的优化效果在3~5 bps。所以从结果上来看，我们还是优于外部供应商。在这个过程当中，我们也会参 考外部供应商的优化效果去做内部的对比，来使得我们自己的执行效果得到提升。因为底层涉及股票 和期货两种不同的标的，所以实际上交易执行也是分为两个不同的小组，尤其是股票组的组长，他也 是15年就加入到了前沿，基本上也跟着前沿整个阿尔法团队近8年时间的成长，就是交易执行组的情 况。 不管在研究组合还是交易执行过程当中，其实我们都会涉及到很多技术层面上的问题，这就涉 及到了技术组的职能，是整个数据库系统、整个交易系统这部分的开发跟优化。在这个过程当中，技 术同事每天都会对我们在交架上的这十几家券商去做数据跟进，跟进的维度主要是跟踪上海和深圳这 一部分的撤单率，因为撤单率越高，意味着这家券商的交易时单子发出去没有成交，可能是这家券商 的某个节点比较慢，我们的技术同事每天都会对排名比较靠后的券商去做重点关爱，主要更新一下这 家券商 的行情柜台、交易节点等等因素，来重点针对这些因素做重点优化，以保障我们架上的这十几 家券商，它的优化下来的效果相对来说还是比较均衡的。技术组的组长也是我们的CTO，他也是中科 大毕业的，刚好是吴总一届的师兄，他在加入到我们之前是在一家知名的高频团队工作，15年加入了 前沿，跟着创始团队不断成长，以上就是我们整个研发所在大致情况。 补充一个大家比较关心的问题，整个团队的激励机制是什么样子的。因为这个问题直接相关的 是员工的稳定性，间接相关的是整个超额的稳定性。目前股权这部分，其实20年就讨论过要不要做员 工股权激励，讨论的结果认为说在量化行业相对来说股权还是比较虚的，所以这部分没有做。我这边 以研究员的激励政策为例子来重点介绍一下。首先研究员的激励主要分为三个部分，第一部分是基础 薪资相对开得比较高，主要是分为两个部分，第一部分就是说现在量化行业还是比较卷的，所以说大 家都会相对的对于人才的竞争比较激烈。第二个部分是我们不只跟量化同行要去竞争，我们还要有很 多互联网大厂去竞争，因为像我们现在很多的研究员都是清北物理、数学、计算机的同学，他们的就 业方向有互联网的大厂，像我们前段时间就在跟华为争取同一个候选人，他也是入围了华为天才少年 计划的同学，所以以上两点都要求我们一定要给候选人开出足够有吸引力的薪资，对他而言才有足够 的动力加入到我们公司当中。 第二部分是研究员的贡献会做详细的切分，整个公司组合而言，有研究员的因子和没有研究员 的因子，整个公司的情况是什么样子的？今年一共赚了多少业绩报酬，分给投研的是多少？每个人对 应权重是多少？每个人都能了解到自己年终奖大概是多少。同时我们也是业内少有的会额外把一部分 管理费作为激励给到研究员的，去激励今年进步特别显著，或者是贡献特别突出的研究员。 第三部分是有一些容量比较有限的策略条线，像刚刚前面给各位提到的期货高频，还有中性上 杠杆的策略，这些目前不对外开放，但是全部对员工开放。员工的贡献程度越高，意味着可投额度也 越高，所以这也形成了一个比较好的机制，就是研究员每天的工作一定程度上也是给自己赚对应的年 终奖，也是给自己的个人资产做对应的增值，很多人包括我自己，基本上全部身家都放到了自营策 略。 所以以上几点都保证了我们整个团队尤其是核心团队，从成立以来到现在都没有人走过，这是 最主要的一个原因，就是在薪酬激励这部分。 策略及风控 介绍完整个公司和团队，我们来看一下策略部分。首先给各位介绍一个大的框架，无论我们的策略条线是300 、500、1000、全市场选股，它底层用的都是同一套的策略框架，区别在于风控过程当中对 标不同的指数做行业的对齐，包括像整个风格上是对标不同的指数去做重点的优化。目前来看我们是 全市场选股的，整个股票池是有3000多只，像本次募集的全市场选股策略，整个持股是在1000~2000 只，因为我们也是在高频这一块有长时间的积累，所以相对来说换手还是比较高的。今年整个年化双 边有100~150倍，确实跟前两年相比来说降的蛮多，比如说2021年基本上年化双边能达到300倍以 上，这个也是跟整个市场成交活跃度下降有非常大的关系。我们了解到今年同行都有不同程度上换手 的下降，基本上今年年化双倍能达到80倍左右，都是非常高换手 的管理人了。 回到策略上面，目前因子组合上面，因子部分我们还是采用的传统多因子框架模型，量价占比还是比较高的，占到了60~70%。像基本面和另类数据部分，占到了30~40%。整个因子上目前我们更多的 还是以人工挖因子为主，像我们的因子库目前是有大几百个，这可能和各位了解到市面上有一些专门 在做机器学习挖因子类型的管理员会有所不同，它在因子库甚至能达到几万个，甚至可能有十几万 个，确实来说跟我们不是一个量级的，但是机器学习这一部分，我们其实从20年就开始在做，然后也 有很多和应用和更新，但我们认为机器学习本质上还是帮助研究员去发现一些不同信息层面上的关 系，我们还是更在意因子底层的逻辑，更注重它因子的质量和可解释性。所以目前整体而言，在因子层面上，更多的还是采用人工挖因子为主，走精品因子的路线。 看一下组合层面，在组合上我们用到机器学习的模型就会更多一些。比如单个因子，类似于逻辑性非常强的基本面因子，偏低频类的因子，我们用一些线性的模型，跑出来效果就非常好。像中高频因 子，它的逻辑性没有基本面那么强的情况下，我们用一些非线性的方式，比如像数模型或者是深度学 习模型这一块，它跑出来效果也不错。整体而言，组合层面用到机器学习的算法会更多一些。在整个因子的贡献程度上这部分，因为因子的占比是动态变化调整的，所以我们更倾向于说从不同的 频段去给各位介绍一下整个收益贡献。这里面我们会拆分为高频、中频和低频三个部分来做介绍。高 频目前定义的是预测未来一分钟到半个小时这部分的信号，主做分钟级别的信号会多一些。中频定义 的是预测未来半个小时到一天部分的日内阿尔法的信号。低频预测日间的部分，一天以上5~10天~半 个月都归属在低频里面。贡献上来看，中频和低频是各自贡献了40%的比例，高频贡献了15%的贡 献，这有可能和其它家的划分有一些不同，其它家划分可能日内部分都划分在了高频里面。高频我们 这边定义的是分钟级别，中频定义的是日内的，然后低频定义的日间的，如果纯看日内的部分来看，高频和中频叠加在一起是占比了接近60%的比例。 我们的亮点在于能拿出不比其它一流管理人差的低频选股能力，同时使用我们的高频辅助交易执行，去更好得做交易执行，减少在交易执行过程当中所带来的滑点跟摩擦成本。并且在风格转换特别快的 情况下，能够使用中频更快得调整仓位，使得中低频信号带来持仓性收益的时候，能够通过高频去获 得交易性收益。在这种