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。

蘭盈量投私募基金管理有限公司

蘭盈量投，是一家專注于運用量化模型于交易的投資公司，公司核心團隊成員均來自海外和國內知名的資產(chǎn)管理公司和科技公司，且持有頭部學校理工博士學位，擁有超過10年的全球股票、期貨、期權等資產(chǎn)的量化研究和交易經(jīng)驗。

林雄

蘭盈量投私募基金管理有限公司總經(jīng)理，美國伊利諾伊大學香檳分校（UIUC）數(shù)學博士，曾于美國紐文（Nuveen）旗下公司格盛投資管理有限公司（Gresham Investment Management LLC）任職高級量化研究員、基金經(jīng)理等職務，12年金融機構從業(yè)經(jīng)歷，其中10年全球市場期貨、期權量化投資經(jīng)驗。

精彩語錄

一個模型在海外訓練過了，然后同樣的模型，用國內的數(shù)據(jù)再去測試，相當于原來在海外的測試是樣本外的，經(jīng)過了更多的樣本外數(shù)據(jù)的驗證，過擬合的概率會更小一些。

所以未來的人工智能可能隨著技術的發(fā)展，算力越強，門檻越低；門檻越低，可能在投資領域就會慢慢的應用起來。比如現(xiàn)在可以方便的使用ChatGPT做文本分析，構建情緒指標，這在以前不是容易的事情。

我們認為機器學習應該只是作為一種研究工具來用，而不是用來替代傳統(tǒng)阿爾法模型或其它因子開發(fā)體系。

不同策略在不同階段表現(xiàn)不一，多策略均衡配置的組合會使產(chǎn)品的穩(wěn)定性更好。

CTA和股票、債券的相關性很低，從這一點看它就有配置價值。

保持優(yōu)勢除了做對事情，同時還要減少做錯事情。在策略類型上避免單品種或單一風格在倉位上過多暴露，這樣做不一定能有收益增長，但是可以減少犯錯。

我們從經(jīng)驗得出，一部分收益來源是市場無效的部分，我們通過量化的手段挖掘阿爾法，另一部分收益我們通過承擔風險去獲得。

只有公司合法合規(guī)，才能長久經(jīng)營，在此基礎上，再說怎樣去盈利。

風險事件可能是萬分之一的概率，但萬分之一足以致命，所以務必嚴謹。

我認為一流的量化私募要合法合規(guī)，投研高效，激勵公平，人才培養(yǎng)體系完善，生產(chǎn)測試環(huán)境及監(jiān)控備份方面非常嚴格。

七禾網(wǎng)1：林總，您好！感謝您在百忙之中與東航金融&七禾網(wǎng)進行深入對話，您在海外有超越十年的全球市場投資經(jīng)驗，對于在國內創(chuàng)辦私募基金，從事量化投資交易，您覺得這些經(jīng)歷或經(jīng)驗有什么幫助嗎？

林雄：經(jīng)常有人跟我說，海外市場的今天就是中國市場的明天，這可能是從發(fā)展成熟度的角度來說的。海外市場由于發(fā)展歷史很久，所以相對比較成熟，而中國市場處于快速發(fā)展中，也許很快就能達到一個比較成熟的階段，但要經(jīng)歷比較久的周期，因此海外沉淀下來的一些方法，對我們做國內市場的交易是有幫助的。

如果在海外都已經(jīng)有效適應了，那么對在發(fā)展當中的國內市場，是有一定指導意義的。簡單想象一下，一個模型在海外訓練過了，然后同樣的模型，用國內的數(shù)據(jù)再去測試，相當于原來在海外的測試是樣本外的，經(jīng)過了更多的樣本外數(shù)據(jù)的驗證，過擬合的概率會更小一些。比如已經(jīng)建立了焦炭單一品種的預測模型，并且是有效可行的，把它放在鐵礦石上發(fā)現(xiàn)也可行，焦炭模型就是樣本外的一個驗證。焦炭和鐵礦石可能是相關度較高的，若用在股指或其它不相關的品種上，也有一定指導意義。

七禾網(wǎng)2：貴司核心團隊成員均來自海外和國內知名的資產(chǎn)管理公司和科技公司，均有在美國多年的從業(yè)經(jīng)歷，有著豐富的全球市場投資經(jīng)驗。請分別從一名交易者和投資者的視角來看，您覺得中美市場有何不同？

林雄：關于中美市場，首先從交易者角度來看，第一，交易品種的數(shù)量不同。我認為在美國可接觸的交易標的非常多，比國內多很多，就單從期貨這個領域來說，雖然期貨是比較小的領域，單純這個領域在美國可交易的品種大概有300多個，接近400個。在國內，就我們目前的投研范疇，流動性好的、能交易的大約六十個品種。當然我們的市場在飛速發(fā)展中，目前已經(jīng)上市了131個品種，還有些品種我們也在研究。

第二，合約結構，即期現(xiàn)結構不同。我們目前的合約比較短，大部分限制在一年之內，可能在1、5、9月這樣的合約，就交易的流動性來說，除了這些合約，其它合約可能沒有什么流動性。那么在海外，除了品種多，商品的期現(xiàn)結構還比較長。比較典型的像能源類，合約設計連續(xù)三年或者更久都可以交易，如果是近一兩年的合約，它是每個月份都可以交易，流動性充足。

相對來說，國外交易一定程度上機會更多，即使策略相對簡單，也可以從比較多的機會里尋找一個比較穩(wěn)定的組合出來。在國內，交易機會可能需要更多的在信號邏輯中尋找差異，相當于是信號方面的分散，所以，在國內，我們從多策略的角度去尋找策略分散，使得整個組合更加穩(wěn)定。

第三、市場結構不同。海外市場相對成熟，國內市場正在發(fā)展。國內的市場參與者結構變化非常快，量化也是近幾年才逐步起來的，很多人才從海外回來，就是看到了國內發(fā)展的機會，特別是量化的發(fā)展機會，這使得交易者群體跟2015年以前有很大不同，所以這對策略的更新迭代又提出了更高的要求。

從投資者的角度來看，一方面，可投的資產(chǎn)不同。另一方面，投資者的認知在逐步提升。比如CTA這個相對比較新的領域，大家對它逐步有了認識，但還沒有達到一個非常成熟的，能以真正配置的角度來理解它的階段。

再額外補充一點，從我回國，感受到大家對策略的IP保護不夠。在海外，基金公司不需要對很多資方來路演，可能只要幾個資方就足夠把規(guī)模做大，但在國內需要對大量機構講解投資策略，這樣可能會導致策略多多少少流出去一些。大家在這個層面上，沒有做特別的保護，IP保護不夠，就容易形成策略同質化。

七禾網(wǎng)3：蘭盈量投私募基金是一家專注于運用量化模型于交易的投資公司，您覺得什么才是好的量化交易模型？又是如何保持模型的有效性和穩(wěn)定性？

林雄：什么才是好的量化模型？能賺錢的就是吧。所以，對我們來說，在建立模型的時候，我們一般追尋的原則是邏輯思路清晰簡單，不是內部一層套一層。我們一般會盡量避免很多參數(shù)，在期貨里大家都知道樣本數(shù)其實不是那么多，比如深度學習得幾萬個參數(shù)，需要足夠多的參數(shù)，否則很容易造成過擬合。

如何保持模型的有效性和穩(wěn)定性，我認為當一款模型，你想長期不迭代，讓它一刀切，一直保持說實話很難，所以我們得在模型里不斷地加加減減做相應調整。同時，增加一些新內容來對原有模型進行補足。  

總體來講，在選擇模型時，是否用這個模型？必須要有嚴格的模型準入條件，不是什么模型都能用，已選用的模型還要不斷地更新迭代，所以強大的投研迭代能力以及高效的投研平臺是需要的，這也是我們現(xiàn)在在做的。

七禾網(wǎng)4：當代社會，隨著算力日益強大，高質量的大數(shù)據(jù)日益積累，人工智能技術全面崛起，并廣泛應用于醫(yī)療保健、交通系統(tǒng)、藝術創(chuàng)作等領域，您可以簡單講述下人工智能在量化投資方面的應用嗎？

林雄：人工智能確實在很多地方都已經(jīng)比較成功地應用，還有很多大模型出來，但是在量化投資這個領域，據(jù)我們所知，真正用到這么復雜工具的其實不多，至少從示范的角度來看不多。這里主要原因是什么？是其中運用數(shù)據(jù)的種類不一樣。投資領域金融數(shù)據(jù)的特性是噪音非常大，而且不穩(wěn)定，不像訓練一張圖片的數(shù)據(jù)是平穩(wěn)的。很多其它領域的大模型是很難直接照搬過來使用的，所以，現(xiàn)在還沒有使用這么復雜模型的切入點。

人工智能或機器學習最重要的是如何減少過擬合，我可以用一個非常強悍的模型來達到樣本內100%的效果，但是樣本外的話，它可能是零效果，我們要避免這樣的情況發(fā)生，所以，在金融數(shù)據(jù)本身的特性下，我們用的模型就相對比較簡單。

所以在期貨領域，還沒有用這么復雜的像比如深度學習之類的模型。股票領域其實已經(jīng)有很多人在用了，因為它的數(shù)據(jù)量相對要大一些，它有幾千個標的，如果還做日內，那數(shù)據(jù)就更多了，期貨里現(xiàn)在只有幾十個有效標的。單一品種，如果按分鐘頻，一年也就幾萬個點，但是隨便一個大模型的參數(shù)本身就可能是幾萬個，這樣很容易造成過擬合。所以我們是在逐步切入，從簡單的機器學習開始，然后慢慢學習再研究應用更復雜更深度的模型。

大家說的ChatGPT是個好工具，比如以前做文本分析，很多人可能需要自己建立模型，像用Transformer去做文本分析。如果用ChatGPT，我輸入一篇文章，它就直接給我出來觀點，關于買或賣我不需要自己去訓練模型，它已經(jīng)幫我訓練了，它這個訓練可能是記憶更大的數(shù)據(jù)集里所存儲的這個模型。所以未來的人工智能可能隨著技術的發(fā)展，算力越強，門檻越低；門檻越低，可能在投資領域就會慢慢的應用起來。到那時候，比如ChatGPT在分析情緒時，可以不僅使用金融數(shù)據(jù)，還可以用更多其它數(shù)據(jù)，使得模型更加具有魯棒性。

七禾網(wǎng)5：在人工智能領域有一種說法，認為機器學習是人工智能領域中最能夠體現(xiàn)智能的一個分支?？梢越o我們講講機器學習在策略管理方面的運用嗎？

林雄：上述講的更多可能是人工智能的方向，我們現(xiàn)在先從簡單的開始運用，想要得到很強大的模型，算力方面是很高的成本，到未來，成本和門檻會逐步降低，大家都可以使用。我講講具體的應用，在蘭盈我們主要應用是因子的非線性組合和倉位管理，具體來講，一部分是因子組合，比如股票有幾千個因子，期貨的因子可能有幾十到上百個，我通過把這些因子匯入到一個非線性的機器學習模型里邊去預測研究因子，預測未來，然后得到關于品種的綜合預測，這是一種應用。

另外一種應用在倉位管理上。換句話說，任何一個策略，它可能出來的結果是買一賣一，是比較簡單的邏輯，上漲我就買一，下跌我就賣一，那我可以用我的機器學習模型來對它進行優(yōu)化，上漲的時候我要買多少手，可能不是一手，是0.5手，或者兩手；下跌的時候可能是空三手，根據(jù)你對未來的判斷來決定倉位強度到底應該是怎樣的。這是我們目前機器學習在CTA策略的兩個應用。

最后，我們認為機器學習應該只是作為一種研究工具來用，而不是用來替代傳統(tǒng)阿爾法模型或其它因子開發(fā)體系。所以，我們現(xiàn)在應用的還是帶有邏輯的因子，機器學習在我們這兒可能僅僅只是一種工具。

七禾網(wǎng)6：貴司目前的交易策略有哪些，各個策略的特點是怎樣的？

林雄：目前我們期貨策略涵蓋套利策略、機器學習策略、多因子策略、短線規(guī)則策略，比如像傳統(tǒng)的趨勢和突破類策略。

套利策略，目前以跨品種套利居多，主要基于上下游邏輯選擇相關性較高的品種構建套利組合，同時建立多個統(tǒng)計預測模型。持倉周期目前在一周以上。

多因子策略，以偏時序信號為主，參考股票的做法，只不過我們在市值中性方面沒有做特定限制，所以在某些時候，可以完全是單邊；持倉周期目前是一周以上。

規(guī)則類策略，是比較傳統(tǒng)的趨勢和技術突破策略，我們目前的持倉周期大概兩到三天；機器學習主要以量價指標作為輸入，構建多個統(tǒng)計模型組合，與因子組合及倉位管理是相關的，主要作為一種工具。目前的持倉周期稍微短一點，但隨著產(chǎn)品的規(guī)模會動態(tài)調整。

七禾網(wǎng)7：貴司策略涵蓋指數(shù)增強，請問在競爭日益激烈的量化賽道，如何豐富超額收益來源？

林雄：指數(shù)增強這個賽道確實競爭激烈，但是我們總體感覺國內A股市場還大有發(fā)展空間，因為它在發(fā)展階段，所以阿爾法還有提升前景。即便競爭像近幾年這樣，500指增平均也有10%左右的超額，1000指增有15%到20%的超額，我認為隨著市場的有效性增強，超額會逐步遞減，所以為了避免阿爾法的衰減，我們要做的是豐富因子庫，比如增加一些偏高頻類的因子，或者另類數(shù)據(jù)的因子，另外輿情也是可研究的方向。

豐富因子是一方面，還要配合組合優(yōu)化，股票方面已經(jīng)用到了深度學習，但這領域其實有很大空間可以再繼續(xù)研究。所以我們會在輸入數(shù)據(jù)，因子，模型這些方面尋找差異化，然后在產(chǎn)品體系上尋找創(chuàng)新，指增策略不一定是按傳統(tǒng)的方法跟隨現(xiàn)在的指數(shù)權重配置，我可以把權重配置得寬一點，可以用一套完全不一樣的組合優(yōu)化方法去分散最大化，用在指數(shù)的成分股上，可能不是每年都能跑贏指數(shù)，但是把時間拉長，可以平均每年跑贏指數(shù)，這就是從產(chǎn)品的豐富度上做一些工作，不一定只走傳統(tǒng)賽道。