艳珍 北京 私募 艳珍 北京 私募 VIP年中私享会 乘风观潮 衡势致远

00:00:00 各位尊敬的VIP客户大家下午好，欢迎大家参加排排网VIP客户专享的交流会。今天我们邀请到的是燕真私募黄总作为嘉宾和投资者进行互动交流。各位投资者如果有什么疑问可以在留言区留言，嘉宾将在讲解结束后解答大家的问题。现在我们把时间交给黄总，有请，现在您这边可以开始了。 00:00:28 嗯，各位投资者，各位老师，嗯，大家下午好。嗯，很高兴呢今天能够跟大家去分享一下，也跟大家去介绍一下我们验真投资的现在目前的一个情况，以及我们啊负责的一些产品线。 00:00:49 嗯，在正式啊开始讲解我们验真啊投资的策略线之前呢啊，我想跟各位投资者跟各位老师去介绍一下我们啊验真的四大特色。 00:01:05 第一个特色呢是我们验真啊长期和可持续的嗯正超额能力。我们验真呢，是在23年的6月份啊，才开始做资管对外发产品的呃这个呃这个行为这个业务啊，但是可以从2三年嗯来看呢，其实我们整体在过去的3年的这个实盘数据，我们都是保持着一个长期和可持续的正超额的能力啊。上面这条浅蓝色的线呢啊就是我们验真投资的呃超额收益水平，然后下面这条深蓝色的线呢就是同业的呃超额收益水平。可以看到呃，虽然我们从二三年的6月份啊才开始做呃量化的1000指增啊，但是我们对比同业来说还是比较有竞争力的。 00:02:02 第二个呢是我们验证的呃低相关的这种独立阿尔法的来源，我们其实呃跟市面上的呃同同业的1000指增的产品来说，其实我们的相关度是比较低的。我们和同业的相关度呢大概是只有21%左右，这呃这其实是一个比较低的一个相关系数。 00:02:26 其实主要原因呢是因为。我们验证呢其实是做端到端这一块的策略，呃跟市面上这种主流的多因子策略呢其实啊不太一样。那么我们端到端的策略呢，其实大部分的这种阿尔法的来源呢，其实来源于我们这种高残差的选股能力。这种啊端到端的这种呃策略的这种能力呢，嗯它其实嗯跟这种市市面上同业的这种多呃。多因子的这种策略能力，它的挖掘阿尔法这种能力就是不一样的。那么我们大多数的阿尔法是都是来源于我们的PU阿尔法的这种能力。 00:03:11 第三个特色呢就是我们啊短周期的交易能力啊，各位投资者和各位老师可以看到呃，这条浅蓝色的线呢是我们啊T+0的收益，这条深蓝色的线呢是我们T+1对我们的收益贡献。那么灰色的这条线呢是啊加入了市场的这个贝塔值的这个变化，那么它的幅度是啊变化是比较大的。那么我们但是我们可以从T+0跟T+1啊这一块的收益贡献来看呢，其实它一直都是保持着一个相对来说比较呃稳健的一个态度。 00:03:52 第二个呢就是第部第二个部分呢，就是讲到我们的一个策略的主要的大概是什么样的一个东西。 00:03:59 嗯，因为就像刚刚跟呃大家其实也有说过，呃我们是做端到端的，呃跟市面上这种主流的呃多因子挖掘不太一样，那么它到底跟啊多因子有什么不一样？ 00:04:14 它为什么可以做到呃跟市面上这种同同类的这种1000指增系列的产品，可以跟同业说相关度只有21%呢？就比如说在市场啊整体是呃大幅上涨或者是市场行情比较好的时候，嗯那别家可能涨5%，那我们可能涨3%~4%啊。相对来说可能没有跑的同业那么好，但是在市场行情比较震荡呢，或者是说相对来说嗯没有那么好的一个情况下呢，那我们反而我们可以做出不一样的超额的一个这样子的情况，那么呃，各位同。投资者或者是各位老师去做配置的时候，其实嗯也算是一个差异化吧。 00:04:58 那么言归正传呢，就是我们跟市面上的这种多因子的呃这种策略到底有什么不一样？嗯， 大家可以看到左边哈，就是我们市面上常说的这种呃多因子挖掘的这种模型，它在每一个步骤都进行了拆分，先进行数据清洗啊，然后因子挖掘模型构建组合优化，最后过道风控呢进行交易执行。那他每一个步骤啊都是有专门的人去做跟进，而且他们只要去呃给这个数字数数据去去定义去嗯进行一个怎么说呢，嗯进行一个分类吧，那么它只要数据够多，因子覆盖面够广，那它肯定是能挖掘出一定的超额收益的。 00:05:50 当然了，现在市面上大部。部分的呃机构都是用这种多因子挖掘的这种方法论，那么其实相对来说因子挖掘没有其实没有呃那么简单了。包括嗯如果各位投资者今年嗯也有持有量化的话，其实嗯也感受我觉得应该是比较深刻的，嗯整体的超额能力呢，市面上的各家机构来说，其实呃都没有去年这种行情那么的好啊那么。 00:06:24 第一个呢，其实我们是觉得呢，嗯，市场去年是一个普涨的一个行情嘛，那今年是一个结构化的行情。其次呢，嗯，这种多因子挖掘的模型在市面上其实也是比较多的，那么在呃这样子拥挤的赛道，我们不妨可以看看啊其他的一个这样子的策略赛道。 00:06:45 那么我们验真的这种端到端的模型架构呢，其实跟因子模型就是其实差别还是蛮大的，我们是没有给我们的数据去进行一个定义，我们直接把leveltwo的行情数据喂到我们的模型里面。我们这个模型呢，是由我们呃一些资深的老师啊，用代码去相当于去塑造了一个高级的呃投资人投资经理出来，我们把数据直接呃喂到我们的模型里面，由我们的模型出信号，出了信号之后，我们根据这个呃信号的这个排名。 00:07:24 比如说我们的量化产品，其实跟普通的量化产品持仓也是差不多一样的啊，也是950只到1000只左右，那么我们会根据这个模型出的这个名单啊，进行一个买呃自动进行一个买入。嗯，我们把市面上，呃现在说的比较多的3种的一种，呃三种的策略我们都拿去拿拿过来进行一个呃举例。你就可以让各位投资者更加呃清楚地认识到，呃因此建模深度学习还有端到端这三种方法它们的差别在哪里，以及嗯它们之间的优缺点又有什么， 00:08:09 然后那么我们在这样子的情况下，端到端它有又有是一个什么样的优势？ 00:08:14 那么第一个呢，就是我们刚刚其实也有提到的一个因子建模，它给因每个数据去做因子的定义，嗯，它的可解释性是比较强的。那么它也有一个另一个的问题，因为它一旦给数据去进行了因子的定义，其实会变相地去压缩掉我们信息的一些，呃潜在的一些挖掘阿尔法收益的能力，因为数据它。其实是很多维的，你很难用一个或者是说两个的呃因子去给它进行一个定义。 00:08:49 那么第二个呢就是深度学习，其实深度学习呢，就是在呃因子的这个建模上把它的这个步骤进行了一个浓缩吧。那么我们其实可以看到呃因此学习它是至少是分为5~6个步骤。那么我们呃深度学习呢，那么可能现在只有4个步骤，但是它还是分步骤的，但是它对比传统的因子建模来说是嗯更加的人工智能一点，它会把这些数据进行特征的定义。它其那其实跟因子的这种呃因子定义其实也是有点相似的，但是只是在这个因子建模上，更进一步地加深了人工智能这一块的呃呃运运用吧。 00:09:34 但是呢它也有一个弊端，因为它给数据去进行了一个特征的定义。它它会导致它的一个信息的呃压缩率会比较高，那么在挖掘这种超额阿尔法的这个上面会嗯会会大打折扣吧， 00:09:52 第三个呢就是我们。呃，验证的端到端的投资方法， 00:09:58 我们端到端的投资方法呢就没有分任何的步骤，就是直接把level图的行情数据喂到我们的模型里面，由我们的模型啊去进行。啊出信号自动进行买入。当然这个时候肯定很多客户会说，呃那你全部交给模型的话会不会呃会有黑箱啊，会不会说嗯我没有办法去呃找到它一个嗯怎么说呢，一个收益的来源。就比如说如果是多因子的话，嗯我想去看一下它这个赚钱了或者是这个亏钱了，我只要去查它是哪个因子啊，有一个这样子的效果，那么端到端的话它其实是没有的。因为我们也没有， 00:10:41 第一我们没有因子定义，第二我们也没有数据特征的这种定义。嗯，但是呢啊这样子的， 但是我们这样子把数据直接喂进去的这个情况下呢，我们是保留了数据很多啊丰富的细节，以及我们这个样本的数据的量级呢是远远啊超过其他的求解方法。因为我们把数据喂进去之后，它通过呃矩阵序列去进行排序，可以把嗯。上亿的数据可以把它扩成上百亿的这种呃数据来源，会从多方面啊去考量数据的，它所给我们带来的一个潜在的阿尔法收益能力，我们去是去寻找一个啊全局嗯最优的一个办法。 00:11:35 刚才呢其实是用啊比较专业的角度去跟各位投资者去呃沟通一下，什么是端到端的策略，以及它跟多因子和深度学习有什么不一样。那么其实我相信啊，刚刚讲的其实是比较抽象的，那么我们用一个比较具象化的一个例子来跟我们啊，各位投资者和各位老师呢去进行一个解释。 00:11:58 那么我们现在有个问题，我现在呢啊非常赶，我要出差，嗯我要从虹桥机场到浦东机场，我要有找到一个最佳的路线，因为我非常着急，我赶飞机，不然我就赶不上了。 00:12:11 那么因子模型呢，它其实呃就像是呃纸质版的这种啊地图，我们如果从虹桥机场去浦东机场，我们只能遵循这个纸质版的地图，我们没有任何其他的办法， 00:12:26 但是呢，有的时候在晚高峰的时候，其实呃是非常堵的。我们去走一些嗯小路啊，或者是去走一些。一些嗯呃一些小路，呃一些啊大家不知道的一些路径，其实会更快地到达，但是我们不知道，因为我们手上只有纸质版的，我们只能跟啊纸质版的这个。地图去去从虹桥机场到浦东机场，那么我们在这个过程程中呢其实就会错过很多的小路，就像是嗯因子的压缩的过程中呢，他会错过的很多的一些小路。 00:13:01 那么第二个呢，深度学习呢其实就像是我们的高德地图导航，我们不再局限于上高速，我们既能上高速也能小呃上小路。 00:13:12 比如我现在去着急去虹桥机场到浦东机场，那么我们有一段路，我们可以先。打车打车到了某一个呃机场的快速快线1那种什么磁悬浮吧，我记得有一个，然后我们到了那边之 后，我们可以走这种啊机场快线，呃去更更更加的呃快速地去到达我们想要的目的地。那么那么高高德地图呢，它其实就是呃增加了呃路径的途经点，以及呃发现和利用了不同的交通工具，给出最佳的一个出行方案。 00:13:52 然后使我们比较快速地可以到达这个浦东机场，那么我们端到端呢，其实相当于是一个呃立体的交通决策系统，我们不再预设任何的路径，也不再预设呃任何的工具，基于所有可用的信息以及方式去求解我们的。 00:14:12 最佳路径嗯，比如说我们现在啊非常着急，那我们现在可以就像哆啦A梦一样插个竹蜻蜓，或者是像哆啦A梦一样走它的一个任意门。虽然这个工具它不存在于现实，但是它确实是我们最快的可以到达浦东机场的方式，它可能1秒或者是0.5秒就可以让我们到达。嗯，这个方式虽然很抽象，但是我们不关注我们到底是使使用什么样的工具，或者是走什么样的路径。我们只关注啊，总耗时最低，让我们效率最快到达到这个浦东机场，获得我们想要的一个收益的情况。 00:14:56 嗯，我们验真呢，它目前的呃换手率其实也不是很高，双边换手呢是在100~120左右，是基于Transformer的这种架构呢，去深度的改良和应用去应对啊， 00:15:12 金融市场市呃数据市场的这样子的呃一个特征情况。包括我们像刚刚说的呃，我们输入的这种呃神经网络的约为1.5亿的参数量，但是根据呃这种矩矩阵的排列，我们可以把它扩为大概约有啊百亿的这样子的呃数据规模。 00:15:35 我们训练集呢是用在23年包括23年以前的一个训练数据，所以呃我们跟市面上整体的相关度其实也不是很高。因为今年如果它整体的收益还不错的话， 00:15:51 嗯，那它其实大部分还是集中在一些啊，那可能不是说现在啊，那之前上半年的话，如果您是啊集中在呃一种科一些科技的一些板块的话，那相当于呃可能体验感会比较好啊。那我们的话其实在训练集呢用的是23年，包括23年以前，当时其实还没有所谓的呃双创板 创业板这种概念，或者是科技的这种板块呢。那么我这个板块在我们的呃这个呃模型里面，它都是非常均匀地去呃进行一个布局，没有说啊特别风偏于某一个板块。 00:16:34 第三个第三呢，是想跟各位投资者跟各位老师去呃介绍一下我们验真的一个基本情况。我们验真呢目前总部是base在北京的中关村啊，目前的管理