12月1日，“赋能新质生产力稳中求进创新机”——2024东方财富私募风云际会论坛在湖南长沙隆重举行。
在景林资产合伙人兼FOF基金经理田峰主持下，黑翼资产创始人兼CIO邹倚天、信弘天禾总经理章毅、因诺资产创始人兼投资总监徐书楠、中信信托家族信托部总经理卢纯青、锐天投资创始人兼CEO徐晓波、蒙玺投资创始人兼总经理李骧，就“AI浪潮下多元资产配置的机遇与挑战”为主题展开了圆桌讨论。
以下为圆桌论坛速记：
田峰：感谢东方财富的邀请。上一轮圆桌讨论了投资，特别是AI作为投资标的这方面进行投资，这一轮我们想了解一下，在量化投资的领域里面，AI技术是不是对我们的组合管理、策略可能有些什么样的迭代和提升？对我们的投资收益能否进一步的增强？这也是这个环节大家很希望了解的问题。主办方给了我几个问题，我逐一向几位量化的专家请教一下。
第一个问题，随着人工智能的发展，量化基金在策略研究和应用方面有哪些新的趋势和突破？先请邹总回答一下。
邹倚天：感谢东方财富组织这次活动。我从事量化投资已有较长时间，先后在美国和国内积累了超过17年的经验。从统计方法的运用来看，这17年间发展迅速。
17年前，量化主要应用的是线性回归，这套最基本的统计方法一直沿用到2017年。2018年开始主要应用统计学习，与传统线性模型的预测能力相比有很大提升。2021年开始，量化又从传统的统计学习转向深度学习领域，比如用深度神经网络提升模型预测能力。
量化模型每一次迭代后，模型的预测能力都有大幅提升。这种提升不仅来源于算法本身，也得益于数据量的不断扩展。最初依赖低频数据，随着模型复杂度的增加，使用的数据频率也逐渐提高，算力的增长进一步推动了这一趋势。这三个要素——数据、算力、算法，在近几年投资领域实现了快速发展。
量化投资是AI模型应用的重要场景，得益于其庞大的数据量，AI的应用效果也能够直接反映在每天的盈利上。每当有新模型出来，也会很快被应用到量化投资领域。与其他领域相比，量化投资中的数据性价比较低，市场上存在大量噪音交易者，因此在实际应用中，需要根据对金融市场的深刻理解并结合行业、产业知识融入模型，而非简单套用。
田峰：刚刚听东方财富讲妙想，、研究的效率会很大的提升。在AI层面作为策略的一部分，或者是作为一种策略，有没有可能带来更好的效果？
章毅：在策略层面上，我们本身是基于大数据、AI的前提来做量化交易。交易涉及在市场上买卖上市公司的股票，以及跟其他投资者买卖股票，在这个过程中，AI提供了两方面的关键帮助：一个是分析量价数据，二个是帮助我们识别和研究交易对手。对于结构化的数据而言，越高频的交易，AI越能够提高我们的分析效率；对于非结构化的数据而言，AI对于分析性能的提升也远超于传统的信息处理方式，比如传统大量的文本信息阅读和处理需要耗费很多精力，现在AI能够高效处理大量文本信息，例如各类研报，让我们能更高效地理解相关行业和企业的情况。
另一方面，对于量化管理人来说，AI技术的发展对成本预算的提升也相对明显。例如最近两年，为了追求更高的计算能力，各个量化管理人加大了对硬件设施的投资，比如购买GPU、部署机房等等。在软硬件设施持续迭代的过程中，行业内所有人都在用更先进的方式去“卷”的同时，保持平均水准反而成为了我们的基本要求。在这个技术更迭如此快速的时代，可以说重要的不是我们提升了多少，而是不要落后于平均多少。
李骧：主要是几个方面，先说大的，在工作环节上，在策略端的应用，主要是两大块，一大块包括刚才邹总提到的，模型预测端是提升的，现在是深度学习了。而且现在更大的趋势是它的提升不仅仅在末端，现在叫因子不完全准确了，有非常多的特征通过AI的方式来生成的。假说按照以前的研究流程来说，第一个环境是数据，用标准化的数据，也是购买来的。现在自己是有能力去通过文本、通过一些内容的生产者，获得一些数据。这一块也会用到所谓的AI技术，在这样的流程下，数据特征或者因子再到模型，AI都会深度学习。很多机构在研究的模型、架构是完全推翻掉我刚才说的从数据到特征，再到模型预测，这个模式的，直接所谓的端到端，这个研究方向越来越多的机构开始参与进去，以及取得了不错的成果。某种意义上说，从整个研究架构上做了比较大的变化，至少我们眼睛看到的一些机构，有些机构已经取得了比较重大的突破。
田峰：第二个问题，问一下徐总，大家做投资的时候，很多投资人越来越注重风险调整后的收益，徐总你们在量化投资方面有什么好的办法能够提升风险调整之后的收益？
徐书楠：大家都是做投资的，不管用什么样的方式，有两个因素都是非常重要的：收益和风险。追求更高的收益，承担更低的风险，这两个目标没有办法同时实现。我们需要通过真实的收益和风险判断来决定这个投资是否值得。量化投资比较特殊的地方在于：往往量化投资能够对收益和风险进行定量的刻画，我们尽量想让这个刻画更加真实。如果策略做得不好，有可能这个刻画就不真实，实盘与回撤差异很大，这是策略研发的核心和关键问题。如果做得比较优秀的，真实的收益风险特性就比较吻合大家的预期。
投资者想追求更高的收益风险比，收益风险比越高，往往投资效果越好。在某些策略里面这个指标更加重要，像CTA，在期货领域可以零成本放杠杆，在这种情况下一个策略或者一个产品拥有更高的收益风险比，几乎就一定是一个更优秀的投资方式。因为这意味着，他可以通过调整杠杆，在跟你承担一样的风险时获得更高的收益，这当然是一种更好的投资方式了。
股票投资策略没有办法直接类比，但收益风险比也仍然是一个重要指标。如何提高投资组合的收益风险比？我们认为，通过配置更多的低相关性有效策略，是提升投资组合收益风险比的最好方式之一。例如，一个股票策略、一个CTA策略，它们的风险比都是1。想通过股票策略本身达到更高的收益风险比是很困难的。但简单的将它与CTA策略1:1配置，其收益风险比一定就会超过1。今年的股票市场对于量化并不友好，超额收益低，波动还大。但是，对CTA策略、套利策略等等，却是大年。如果把它们融合在一起，风险收益比就会更高。因此，通过更丰富的策略配置，可以有效的实现提升收益风险比的目标。
徐晓波：刚才徐书楠徐总说的比较全面了。权益市场虽然说贝塔受到了各种宏观经济博弈的影响。不管怎么来说，在这波反弹当中看到了权益市场的魅力。中国还是有很多资金需要配置的，大家也知道，如果跟银行聊、资管聊，他买得最多的产品就是一些债，十年期国债，30年期的国债。当长期利率下到2%以下之后，Carry还能持续吗？市场会发生Carry之后的波动。
很多机构把我们的中性策略作为类固收的替代，今年春节中性策略发生了非常大的市场波动。在发生这样的波动之后，市场中性的产品是否还是有价值的？往后会不会还发生这么大的风险？我自己个人还是会偏乐观一些。2月份的市场属于一个非常极端的状态，这样的一个市场不可能每年都会发生这样的事情。你说隔几年会不会有？我相信将来一定会有，什么时候发生看每个管理人对当下市场的判断。不能因为短期极端的风险，市场就对这类资产做否定。
我相信中国的权益市场在这波上涨的时候，大家看到行业轮动变化这么大，贝塔很多波动，这里面也有很多交易量，还是有新的很多量化资金在参与，这是非常明显的特征。中性策略本身量化未来会是一个很好的市场替代固收的必需品，因为在长期利率不断下行的过程中，对绝对收益的需求会非常的庞大。说到体量来说，权益类的中性策略一定是一个强需求。
前两年市场贝塔不好的时候，你去跟大家谈股票或者谈指增，大家基本上非常的难受、非常的悲观。这两个月市场一旦快速涨起来之后，投资人的心态立马180度的转变。这个还是要看长期的量化特点。从2017年2018年发展到现在，即使在市场不好的情况下，量化的市场中位数是偏正的超额。从量化本身的特征，通过不断的分散品种、分散交易频率，然后更精准的测量收益和回撤比来优化自己的策略。
总的来说，不管在熊市还是牛市里面，资产配置会把量化作为一个越来越重要的配置品种来看待。
田峰：在市场波动比较大的时候，特别是今年，之前大家认为收益很稳定的一些中性策略，之前大家可能把它当作一个固收的替代，徐晓波很好的回答了这个问题。下一个问题，牛市、熊市哪个市场更适合做量化？在不同的市场里面是不是有不同的量化策略？问一下徐总，应对不同的市场，你们有没有不同的策略还是一以贯之？
徐书楠：其实对量化策略来说，牛市、熊市是针对股票多头类策略而言的。如果量化做的是CTA策略或者套利策略，就往往跟牛熊市关系不大了。
每一种策略都有对它比较友好的市场，也有不适应的市场环境。这个模型本身能否判断出自己是不是遇到了自己不适应的市场，从而进行自动化调整呢？比如，指增产品能不能在熊市中空仓、牛市中满仓呢？理论上说，这是做不到的。原因是，假如说我能够判断我的策略遇到了一个不好的行情，我就可以把这样的判断加入模型中，模型自然也就不会出现回撤了。我们都知道，不管你的模型做过多少优化，都不可能达到100%的胜率，并且收益风险比越高的策略，提升收益风险比越困难。因此，总是有一些无法判断的小概率风险会让策略短期失效的。
如果回到股票策略，同时我们只关注股票策略的超额收益，那么应该说，超额Alpha收益与指数Beta本身的确是有正相关性的。这就是说，一般在牛市当中超额收益也比较好做。为什么会存在这样的道理？我们尝试解释一下：一个市场中，所有投资者费前收益的平均水平，就是指数收益，指数就是这样计算的。所以，所有投资者的真实平均收益，就等于指数减去所有手续费，永远是小于0的。换句话说，在任何市场，所有投资者的Alpha收益之和为负。因此，如果你做出了超额收益，就一定意味着市场上存在其他的负超额收益的投资者。这也就可以解释，为什么在美国这样的成熟市场超额不好做。在牛市当中，负超额投资者跑输了指数，但仍然是可能赚钱的，更愿意参与这个市场。而在熊市中，负超额投资者还要比指数亏得更多，自然就会逐渐退出市场，就逐渐没有参与者了。从这个原理解释，牛市中容易做出超额收益，对所有投资者都一样，不光量化投资是这样。
田峰：机构投资者无非两大类，量化和看基本面，把时间拉长，一小部分企业成长带来的收益。
邹倚天：当前牛熊切换速度加快，为某一特定市场设计独特策略并进行模型预测，难度非常大。
以牛市为例，其节奏明显加快：2007年、2015年以及当下的9月，节奏一次比一次快。2007年，投资者主要通过PC端炒股，没有移动互联网的支持，从牛市信号出现到大多数人意识到牛市到来，中间可能长达一年甚至更久。到了2015年，移动端已较为普及，大量投资者开始使用手机下单，但由于短视频尚未兴起，信息传播仍依赖于口耳相传。而在如今的短视频时代，信息传播速度极快，市场有效性急速提高，这次刺激政策出来之后，很多股票仅仅用了一个礼拜就收服了今年的失地。
在这种背景下，若将数据划分成牛市与熊市来做策略，还要做模型预测，这个难度极高。从长期来看，还是要开发在各种市场都具有一定适应性的模型，争取牛市跑的比市场好，熊市比市场亏的少，这是相对可行的方案。
田峰：策略不漂移，还是按照既定的策略来做。徐晓波总有没有补充？
徐晓波：我自己的感受牛市的超额更大一点，历史上几次大的行情，2015年，包括2020年、2021年，包括2019年也不算贝塔大年，但也还可以。最近量化整体超额又起来一点。客观来说，贝塔本身还是会带来更多投资人，投资人带来更多交易量。总体感受来说，我们也是非常希望市场能够变好，而不是只有量化赚钱，其他人都在亏钱，这个不持久。从这个角度来说，客观感受希望市场更好，客观感受贝塔好的时候，弹性会增强一点。
还有一个很重要一点，中国跟海外市场不同的点，中国的深度和广度比海外市场低很多，在中国你只能买股票。在市场极端情况下，市场就会触发极端的效应。我们也希望未来中国资本市场可以像美国、其他发达国家一样，有更广泛的融券制度，稳定的券源广度和深度，这样市场的纠错机制会更好，市场也不会天天一下子涨很多，有些市场化的自动修复的效益。我们作为从业者希望跟全市场一起共赢分享这个市场成长的蛋糕。
田峰：市场出现“黑天鹅”也好，极端行情出现的时候，从量化的角度来说，有没有什么迭代的策略或者应对的措施？再发生这种情况时有没有解决方案？或者应对的措施？
徐晓波：我们作为市场从业者，尽量去嗅觉风险、感知风险、预测风险，从量化角度没有办法很好的评估预测风险。从历史数据当中它在这样的时间点，预测它的幅度和速度。通过多年的交易，在市场上嗅觉这种风险，在风险来临时控制好敞口。
田峰：徐书楠总，你刚才提到一个问题，想要作出超额很难，有没有什么办法把超额做得更高？
徐书楠：实际上对于每一家机构而言，你总是可以去拼命地研发更好的策略，增进你的投研团队实力，从而做出更好的超额。但是，对整个量化市场而言，却不是这个样子。例如，2019年，几乎所有量化机构都可以轻松获得30%甚至40%的超额，但到了22年以后，所有机构的策略都比19年强大的多，却再也难以获得那么高的超额了。这是因为，对整个市场而言，与超额相关的因素，主要是量化资金的规模占比。如果量化投资整体资金很少，比如就占了1%，这种情况下可以捕捉到大量的无效波动，从而获得很高的超额；而现在，量化占比达到了10%以上，这种情况下你有再强大的模型，也很难维持之前的超额水平了，市场整体的量化参与者多了，单位资金能够获得超额收益自然就变低了。在美国这样的成熟市场，量化资金规模占比约为一半，这种情况下你有再强大的投资策略，也很难做出稳定的超额收益。所以，未来量化规模更大了，占比更高了，超额很可能进一步下降。
但这并不是说，量化到时候就没有用了。虽然超额越来越难获取，但量化可以做更多其他的策略，也有更多的投资工具可以选择，从而给投资者提供一个合理的回报。例如在美国这样的成熟市场，虽然超额收益非常难做，但他们的量化规模却远大于中国市场，提供的策略类型也要丰富的多。所以我们的量化的发展预期是：规模越来越大，当前策略的超额越来越难做，但策略类型越来越丰富，也能够进一步解决策略同质化的问题。
田峰：从管理来说，量化的策略管理经验，给大家做一个分享。有钱的家庭怎么把这个资产管理好。
徐书楠：从资产管理的角度来说，无非是做好长期资产配置，具体说，就是根据自己的收益风险特性，选择低相关性的有效资产进行配置与组合。例如，可以配置主观股票、量化策略、一级市场、债券等等，这些都是一些不同的收益来源。量化比较特殊的地方是，量化投资本身就可以提供多种低相关性的有效资产，可以做股票策略，可以做金融衍生品，也可以做可转债等等。这种情况下，量化本身就可以形成丰富的策略组合，这就是量化多策略，也是我们因诺资产长期看好、长期主推的方向之一。
从中国本身的特点来看，在现阶段，国内的量化还是以股票alpha策略为主，其他的策略资金容量普遍都不太够。除了股票策略之外，第二大类策略是CTA策略。但单独靠CTA达到百亿是很困难的，想达到300亿更加不可能，只有股票策略可以达到这样的规模。未来，随着国内资产类别越来越丰富，金融衍生品越来越多，流动性越来越好，就能够做出更多的与股票策略相关性比较低的大容量策略，也就大幅降低了量化机构的同质化现象。当然，这种情况下，也需要大家对于量化机构提供的策略和服务有更深的理解，量化的发展跟中国市场投资者逐渐成熟的过程是直接相关的。
田峰：最后一个问题，大家对未来量化投资的机遇和挑战，做量化的朋友说有同质化策略的挑战、人才的挑战，最早做量化的有学物理的、后来学数学的、学神经网络的，也有人才方面的竞争。大家可以从各个方面发散一下，每个人讲几句。
李骧：从策略角度来说，主要的是技术的应用是机遇也是挑战，现在一直提的新质生产力，落脚点是金融，本质上是科技导向的。但凡能提升你的研究效率、研究结果的技术，都是应该找到并且运用到投研体系里来。为什么说是机遇也是挑战呢？
前面的嘉宾有提到，现在我们做的策略复杂度以及预测的准确度比以前要好，真正拿到手上的超额并没有实质性的提升，因为整个行业提升的速度非常快，当我们自己看到这个东西的应用时，有些机构已经开始应用了。换句话说，你竭尽全力只能稍微吃到新型方法论的红利。有新的东西时会有新机会，能够提升你的效率和研究结果。
尤其是有些新的方法论和老的方法论重叠度只有30%-40%，这意味着要做出结果，只能从底层架构、人才储备等层面发力，甚至扩展到整个投研体系的架构、整个公司的层面等相应做出调整。即使这样，也有可能依然做不出比较好的对冲结果，很难抓住未来的一些机遇。
当然，我们也是有办法解决这些问题的——我们需要思考更长远一点，做很多前瞻性布局。公司经常会有一些研究不是奔着落地去的，短期没有商业化的绩效考核要求，公司愿意为此买单。我认为这种前瞻性的布局，一定程度可以解决未来的一些挑战，同时，抓住一些新的发展机遇。
总之，我认为可以从技术、人才等方面，多维度投入、前瞻性布局，来对冲未来发展的一些不确定性。
徐晓波：机遇对我们很明确的，贝塔足够大。权益市场越来越大、参与人越来越多，像美国做一个长期的资本市场参与者分享经济增长和分享上市公司发展的红利，包括很多交易者在里面赚了钱，成为一个良性生态。
章毅：在量化现在的挑战和机遇，当前最应该做的是加强投资者教育。加深投资者服务与沟通，更广泛地让投资者理解量化的方法论至关重要，投资者对量化方法论的理解和策略表现的信任，会间接促进投资回报的提升，这样更有利于投资者认识到量化对于整个市场的贡献和帮助，有利于市场生态的健康发展，对于A股市场整体的蓬勃成长也是一个更好的助力。
邹倚天：针对刚才几位嘉宾的观点，我略作补充。投资者对量化基金有一些根深蒂固的错误观念，很多是历史原因。比如，大家经常将中性产品比作类固收产品，但其实中性产品的波动率有时会突然放大，中性对冲端的波动有时一天可以从正3%到负3%。但是长久以来，也没有人去主动纠正和充分说明。接下来还需要量化机构、代销渠道一起跟投资人讲清楚产品的特性。
量化什么时候赚钱、什么时候不赚钱？这个问题很难和投资者说明白，目前在全球范围内都没有特别好的解决办法。我们还是要与监管保持良好的互动和沟通，努力让量化成为国内资本市场的中坚力量，这也是在座各位量化管理人大家共同的期许。
徐书楠：前面几位嘉宾已经总结的非常详细了，我就简单讲两句愿景。我们做量化投资的同行，普遍都相信量化投资有着一个非常光明的未来。因为，量化投资并没有用任何违规违法的方式获得收益，一切都是在合法合规的框架之内，利用更优秀的投资手段和投资技术来实现的。我们相信，中国的量化投资未来一定会有一个更加庞大的市场，更加美好的前途。在这个过程中，我们希望与主动投资、一级市场的同行一起，提高中国资本市场的有效性，更好地服务于实体经济。希望与我们的合作伙伴，例如东方财富一道，为投资者提供更好的有效资产。也希望在这个过程中，利用量化本身的特点，为中国的高科技行业作出一点自己的贡献。
田峰：这一轮的圆桌差不多了，感谢各位！量化和我们做基本面研究差不多都很枯燥，不管你看一家公司，还是找一个因子或者找一个策略，最终我们要产出一个相对确定性的回报，我们是这么相信的。希望大家在2025年取得更好的投资收益。
