在深圳证券交易所指导下，由中南财经政法大学、东方财富、东财基金联合主办的“产学研用深度融合金融科技高质量发展”研讨会暨第二届全国ETF模拟投资菁英挑战赛启动仪式于8月11日在武汉举行。

　　在哈尔滨工业大学（威海）人工智能与量化金融研究中心主任王闻的主持下，东财基金量化投资部总监吴逸、同济大学经济与管理学院副院长、特聘教授钟宁桦、华安基金指数与量化投资部ETF业务负责人苏卿云、厦门大学经济学院与王亚南经济研究院院长周颖刚和华宝基金金融科技ETF基金经理陈建华就“AI在量化领域的应用，取代还是赋能？”展开了圆桌讨论。

　　以下为圆桌对话一速记：

（图为哈尔滨工业大学（威海）人工智能与量化金融研究中心主任王闻）

　　王闻：今天的讨论分为两阶段，第一个阶段请五位嘉宾简单的介绍一下人工智能现在量化投资领域中的应用现状，第二个阶段针对具体问题分别由五位嘉宾回答。第一个阶段请你们介绍人工智能在量化投资的现状是什么情况，每位嘉宾的时间是2分钟，请嘉宾合理的控制时间。首先有请东财基金量化投资部总监吴逸发言。

（图为东财基金量化投资部总监吴逸）

　　吴逸：大家好！我这边长话短说，因为机器学习和量化投资在流程是非常契合的，七八年前大家都已经开始把机器学习应用于量化投资各个方面，首先模型的替代特别快，给了我们特别多可用的数据源。比如说文本分析方面，七八年前开始做语义情感识别，在之前是非常耗人力的，我记得那个时候需要耗费大量的人力对训练数据集做人工标注，并且要建立金融词典和情感词典，那个时候消耗了很多人力。近两年文本大模型不断迭代，我们也在业内看到可以自动把所搜集到论坛发言或者是新闻，或者研报输入到文本大模型里面，让它通过标准提示词帮我们判断这个情感类别，所以整个效率是有很大的提升。

　　另外，我们现在开始操作卷积神经网络预测模型，我们把K线图做标准图像，输入模型里面预判未来五天十天甚至一个月的走势，这个和原来的因子有比较不一样的应用。另外，在因子构成方面，原来传统量化使用的是线性的方法，要么使用的是基于金融理论的人工来构建因子，但是现在来说，我们已经开始在使用强化学习的方法去寻找中低频数据之间隐藏的规律，另外在使用遗传学习的算法自动的构建中高频因子逻辑算法。

　　另外，最近也在尝试使用知识图谱把这些宏观的以及中观行业数据应用到投资工具预测里，这是因子这方面。另外，在策略组合方面，原来大家做策略组合是比较简单的，要么是线性或者人工，现在我们在使用强化学习的方法，让它能够自动的做一些策略的权重组合或者做策略的轮动。

　　最后，后面还会有比较好的应用方向是风险的管理，因为现在整个文本分析效率大大提高，可以把投资组合标的信息流输入到大模型里去，让它能够实时监控预测投资标的里面可能出现预警风险，甚至直接为我们做投资风控。所以看到最近大模型的迭代速度非常快，也可以看到在量化投资，包括数据挖掘上面，包括因子生成方面以及策略的组合方面和风控方面目前产生比较多的应用和影响。

（图为同济大学经济与管理学院副院长、特聘教授钟宁桦）

　　钟宁桦：谢谢主持人。各位下午好！我是来自同济大学的钟宁桦。对于这个问题我的理解是AI的作为可以归纳为两类。一类是信息的压缩和提炼，一类是重复的尝试。从今天上午一直到现在有关信息的压缩和提炼已经给了很多的例子，比如说各种文本的分析，你现在可以让ChatGPT读各种各样的新闻让它提取关键的词，这个关键词做成因子放到策略里面去，这个就能够大量的省下阅读的时间。

　　除了文本之外还有图像识别，几年前可能已经有一些，比如说你看迪斯尼人流量，通过停车数和人流量判断有多少游客，今年有多少游客，今年业绩是什么样子的。某些企业可以观察特定图像监测它的业绩，这种图像识别我相信未来用得越来越广泛，不管是图像识别还是文本识别在我看来都是信息压缩和信息提炼，原来你要靠大量的人做解析，现在机器就可以做这个事情。

　　还有一方面是重复尝试，前面东财这位领导也在介绍，原来做数据分析的时候是做实验，事先要有个预想，比如说A和B之间是有什么关系，我通过一些模型去看我的想法对不对，现在可以用A和B当中有一千种潜在的关系，让机器把一千种全部尝试一下，看看哪种关系更符合A和B的数据。尤其是现在ChatGPT它可以实现编程做得非常快，可以通过这种方式让它做很多的计算，找出最有效的两者之间的关系，并且预测未来。所以我理解当中这两个方面，一个是信息的压缩，一个是重复的工作。

（图为华安基金指数与量化投资部ETF业务负责人苏卿云）

　　苏卿云：谢谢主持人。各位嘉宾大家下午好！华安基金是国内最早做指数增强基金的，我们是在2002年的时候发行了国内第一个指数增强基金。我们在如何使用量化工具辅助投资决策也做了很多年的尝试。现在AI的出现可以帮助我们在量化投资上极大的节省之前需要做的工作，比如说重复性的像刚才钟老师提到的需要大量人工参与的工作，比如说编程工作可以交给量化生成一段代码，针对生成代码根据需要进行适当的调整，这样可以节省很多人力工作。

　　同时，对于市场里面每天发生大量的事件，包括公司行为，市场变化等等，也可以通过AI的手段抓取市场的各种信息做数据的处理和挖掘。我们过去可能主要是用的机器学习深度学习做数据的挖掘和处理，现在AI可以做得更为智能，通过这种数据挖掘处理之后可以主动的提供一些模型或者因子去做辅助决策，用AI来发掘过去没有观察到的因子或者模型，来应用到投资决策当中，通过应用模型来使得量化的投资业绩能够获得更好的增强或者收益，这是一方面。

　　另一方面，我们认为AI还可以在风险管理上做更多的工作，在投资当中经常会面临着各种的风险事件，比如说上市公司风险，行业风险等等，通过AI可以去识别过去我们靠基金经理或研究员很难捕捉到上市公司的风险，从而避免投资当中的问题。

　　当然还有一点，我们目前在做资产配置模型，因为我们华安目前也有很多的像指数大类的资产，包括黄金、股票，还有海外的债券、货币等等，我们做资产配置模型一方面可以使用AI帮助我们辅助做资产类别未来的收益预测，因为这个模型里面对于未来资产收益做预测，AI可以在这块起到一定的帮助。同时，对于客户端，不管是B端客户还是C端客户，AI可以服务于客户的需求，针对于客户自身风险承受能力或者说风险的承受意愿来做一些个性化、定制化资产配置的方案出来，我觉得这个也是非常重要的，因为光靠过去传统跟每个客户来定制资产配置的方案是非常难实现的一件事情，我们只能服务于少数的高净值客户，现在有了AI的辅助之后可以对所有普通的投资者可以做到有针对性的做量身定制的资产配置方案，这也是非常重要的。

　　我们大致的实践目前就集中在这些方面，我相信未来还是有非常大的空间，可能现在的应用还是比较偏初级偏早期的阶段，我们也在积极的尝试探索。谢谢！

（图为厦门大学经济学院与王亚南经济研究院院长周颖刚）

　　周颖刚：谢谢主持人。我觉得AI应该是能赋能量化投资的，我们作为大类资产配置的策略是用到了周期改进，双周期的大类资产配置，给定同样数据的情况下，机器学习得出来的结果，包括它的阿尔法肯定表现是比较好的。从这个角度来看，在给定数据同样情况下，AI应该是能赋能量化投资。

　　更何况我们现在讲AI是以数据驱动深度学习的大模型，所以各种各样的数据，特别是汇集的数据都能够纳入进来，这是传统量化投资比较欠缺的。但是不是万能的，现在数据驱动的深度学习大模型至少有三个问题，第一个是不可解释性，因为它这个模型是个盲盒，第二个是它对于新样本过分依赖，所以对结果是会有不可判定性的。第三个是它对神经网络全项推进是不可逆的，所以会导致结果的不可推论性。所以至少有三个问题在量化投资里面都存在，我们的数据都以高频短期为主，所以如何让更大资金容量的低频策略，比如说价值投资，宏观对冲等策略能够赋能，这也是解决的问题。所以我个人觉得下一步是不是有个趋势是以知识驱动的大模型，这种AI为主，特别是以知识图谱为代表的，能够找出后面投资的逻辑，规律性的东西，谢谢。

（图为华宝基金金融科技ETF基金经理陈建华）

　　陈建华：谢谢主持人。今天大家所讲的是金融科技的产学研用，我们华宝基金在21年就发了金融科技ETF的产品，当时我们不知道有这么火，但是我自己感觉这是非常有前途的，因为你想想看金融行业有那么大的市值，随着科技赋能金融，所以我能够想象出来这个空间非常大，我今天听了两个让我非常震撼，让我信心更足的信心，说东财有10倍市盈率，你想想看我们一批产品不说涨10倍，涨5倍可不可以？

　　第二块，人工智能想完全替代人有点难度。人工智能的核心是模型，最难的是模型的搭建。刚才这个教授讲的是黑箱子，你可以超过70%的人，但是顶尖的人是很难被取代的。所以我觉得大家可以不停的做应用。另外，因为AI包括人工智能的发展，现在我们很多的金融类公司有应用的场景，包括我们现在讲的Choice也好，我们讲得很简单为什么半导体这块做不起来，就是因为我们没有应用的场景，随着AI的推进，包括从用户数的瞬间爆发，大家感觉到这个是不是浪潮我们必须要去推动，现在很多的企业有应用场景，使我们很多的模型和想法得到应用，只要你在不停应用过程当中才能发现我们有哪些bug，也能够推动AI往前发展，但是你最终要替代人我感觉有难度的，包括现在做的东西都是比较初级或者比较简单的，当然随着科技的进步或者模型的进步，但是你可以替代很多的人，但是我觉得可能还是需要人来创造这个模型。所以说做科技的人要不停的进步，这可能会使我们这些金融企业有解放出更多的生产力，让我们可以做更有意义的事情或者往更高的方向发展。谢谢！

　　王闻：第一个问题向吴逸总监提问，在具体的业务操作过程中如何平衡新型数据、新兴算法以及更高算力之间的冲突？

　　吴逸：现在确实随着数据量越来越大，模型的算法越来越复杂之后，现在去匹配数据算法以及算力重要性越来越高，简单来说，算力是我们模型的运算基础，你有多少算力决定这个模型能不能跑得起来，你能跑多大的模型，甚至这个模型用多长时间可以跑完，它是个基础。你的算法决定了这个机器是如何来处理这个数据的，以及这个机器最后如何做决策的。最后你手上有多少的数据，数据质量决定你这个算法最后能够产生的效果。

　　从海外现在卷大模型的历程可以看到，算力决定模型最后能不能跑出来的或者跑出来效果的天花板，从ChatGPT的发展过程来看，ChatGPT1到ChatGPT4参数来看，不断打破原有记录，一次训练训练成本高达6300万美元。所以现在量化这边自己的感受来说，现在量化似乎进入了军备竞赛的状态里面，我们量化投资的人必然会交流的人你囤积了多少GPU芯片。

　　对于我们自己这边的感觉来说，现在算力是我们开发的瓶颈，业内状态比较好的私募甚至会囤上万块的芯片自研开发深度学习的平台，当然我们也看到一些同业，像我们在尝试使用云服务去租界算力训练自己的模型。总归来说，数据算法合算力三者缺一不可，是需要相统一的，所以我们认为未来机构发展方向上面，首先在数据方面我们机构应该用自己的专业力量首先找一些另类或者独家的数据，另外利用我们的能力做更好的数据预清洗以及预处理的工作，确保之后这个模型训练的过程能够有效的节省自己的算力，产生更好的效果。

　　第二，在算法方面，因为现在比较多用的还是一些通用模型，所以我们应该投入比较大的投研的力量去改造优化算法，去使得它形成适用于金融投资性领域专业化模型。最后在算力方面，各家机构在算力的比拼上面比较凶狠，有资源的机构会采购更加强的计算机设备，其他的机构也可以去租用像华为云等云服务。在编程方面也有一些技巧，你应该注意用并行计算的技术去节省你自己的算力。

　　但是我觉得最重要的是现在这个时代没有一家把所有的问题都解决掉，所以我觉得机构之间应该开放合作，无论数据共享方面还是算法的研究，互相支持方面还有算力互相支持方面，我们觉得大家一起携手可以推动量化投资的发展。

　　王闻：接下来问陈建华总进入量化投资的领域将来给整个投资带来什么样的机会？

　　陈建华：实际上在投资的过程中首先要立项，要比较贴切市场，市场跟做研究是不太相干，这家公司如果在股票市场上去涨，首先是我要做，接下来你做得怎么样，如果你的估价再上涨，如果我做得可以大家都可以接受股票继续涨，目前的市场不是看你有没有盈利，首先你是不是去做，做了这个模型是不是得到你的用户或者上下游的认可，至于到什么时候能够出现利润，这个市场是有容忍度的，因为大家都知道这个东西不是一朝一夕就可以做成的。我觉得这块的机会，首先要去想去做，我讲得更具体一点，因为我们这个指数里面涵盖了A股市场上做金融科技做得比较好的公司是个集合，有应用，有模型开发，有底层的客户商，所以说是上中下游都有，所以我从很长的角度来讲，我觉得是可以一直投下去的感觉，正因为没有成功所以会一直做下去，等到你一旦做成了，反而市场在跟你算有多少营收，赚了多少钱，往往是这样的情况。

　　半导体可能大家理解的更深入一点，有很多的公司营收已经起来了但是市场不给估值，因为你已经做出来了大家认为你的发展就是这样的，因为我们没有做成，市场允许你犯错误，容错率很高，市场给你高估值，因为你没有做出来你可以一直不停的做。所以谈到投资端跟我们做研究实际上有差距的，我觉得我们做研究我要把它做出来我就成功了或者我的想法我的策略，以及模型运行跑通了，所以我们有阿尔法了，我已经大功告成了，但是市场可能不是这样。

　　我觉得市场跟实际运行过程当中有比较大的差距，但是引用刚才所讲的，这个产业从市值空间来讲非常大，本身金融行业的市值就比较大，而且我们现在目前公司的市值相对比较小，东财市值就有4000亿，我们Choice做得很好，人工智能做得很好，以后可以给大家提供一个组合能够赚钱，就可以提高估值，它是估值的变化不是盈利的变化，实际上股价上涨盈利是缓慢的，它大幅的跳跃是估值的变化，传统是互联网券商的15倍到20倍的估值，一旦策略都很好，可能给30倍40倍，可能给计算机这样的估值可能40倍50倍，它的估值增加非常大，所以我觉得投资跟我们有点不太一样，所以我觉得大家是放长去看，我觉得前途相当于是比较光明的，道路是比较曲折的，需要很多人投入很大的精力来把这个东西慢慢一步步做起来。

　　王闻：接下来，人民币从贸易货币、支付货币到投资货币，正在经历快速国际化的过程。面对人工智能和国际化两个大浪潮，中国资产管理机构应对未来人民币国际化和人工智能的挑战打算做哪些工作？以及已经做了哪些工作？

　　苏卿云：谢谢主持人。这个话题非常大，也非常宏观，我可以从华安基金的角度来介绍一下我们是怎么参与到人民币国际化包括全球投资的市场里面的。因为我觉得不管是今天主题像AI人工智能也好，还包括ETF也好，它都是一种工具，它是来帮助我们投资者，帮助我们去做一些决策或者是帮助我们提升生产力的。

　　当然我们在ETF层面也一直在做这个事情，因为华安现在是国内全球投资比较早的，我们过了第一批的投海外的ETF，因为投海外ETF是最早上交所提出来的，大概是2013年的时候，当时我在上交所，我们希望通过交易市场就可以全面的布局海外各类资产，这作为全球资产配置的工具。对于国内的投资者而言参与海外的投资，在过去是一件非常难的事情，首先我们面临着汇率把人民币转换外币的问题，同时包括语言、视察，包括金融市场的交易制度，交易习惯等问题。所以对于投资者而言，我们参与海外市场几乎是非常难的一件事情。

　　所以我们在2013年推出了投资海外跨境的ETF，比如说当时推出了投资于美国的纳斯达克，投资于德国的ETF，后来我们投资法国的ETF，日本的ETF，当然最多的是投香港，香港也算境外，香港的ETF目前布置非常多。所以这些ETF给我们投资者提供了非常多可选择的投资工具，因为对投资者而言，我们投资的目的都是为了获得资产的收益，有的时候把资产仅仅限于一个市场，有可能在某个市场在出现系统性风险的时候，你的资产就很难去获得非常好的收益，但是这个系统风险有可能只是在局部会发生，在全球市场会出现西方不亮东方亮的情况，所以我们在全球市场往往能够找到非常优质的资产，比如说我们布的这些相关的标的，比如说美国纳斯达克主要投资的是像美股里面的英伟达，以及亚马逊这些科技巨头，德国的ETF投的也是德国里面最核心的高端制造的核心上市公司，法国的特点就是它的奢侈品消费，还有投资日本，但是今年日本的市场表现非常不错。

　　所以我觉得这是为我们投资者在投资范围上去提供了更多的选择，就可以使得我们在投资的时候不是局限于某一单类资产。当然在这个过程当中，我们会发现我们的布局的资产类别越来越多，因为海外资产可以作为一大类海外资产，我们除了海外资产之外还有黄金ETF，也是一种大类资产，但是黄金在目前全球人民币国际化，特别是去美元化过程中是非常重要的资产，黄金过去是美元挂钩的资产，在未来去美元的时代当中，美元的贬值过程当中等于提升黄金的价值，所以从中长期来看黄金的价值肯定逐步进行提升的。

　　当然在过去的几年黄金的表现非常好，今年也涨了大概十几个点，在过去的六年当中有五年都是上涨的，如果只看最近六年它比A股的表现更好。黄金是在面对这种大的市场变化或者全球化的变化的时候，我们有很多可以布局的大类资产，对于我们投资而言，我们可以通过像ETF这种工具来帮助我们做资产组合，就像我刚才提到的资产组合配置上有很多研究，我们也使用了AI辅助我们做资产配置的模型投资决策，我们用到了AI在模型类别预测，单资产预测里面，包括各个因子对于某个资产的影响里面，当然在模型里面用AI进行相应的优化，所以我们也推出了我们的针对于资产配置的相应组合，包括我们也把它做成了指数，也发布在信息终端，然后使用华安ETF资产配置组合。这个组合是我们每个月会进行调仓，根据市场的变化包括AI辅助决策来做我们的组合仓位，包括权重上，包括品种上的调整，这些都是我们可以在大的背景下如何更好的服务于客户，服务于投资者来实现资产稳健增值的方式。

　　回到今天我们所讨论的AI包括ETF都是辅助我们进行投资，进行决策的工具，我觉得如果是能够把这些工具用好，同时在投资的时候从更大的视野上拓展资产类别会使得投资组合变得更为稳健，投资的边际效益更好。谢谢！

　　王闻：非常感谢苏卿云总的分享。我们顺着全球资产配置这个话题问一下周院长，曾经在厦门大学开发了资产配置模拟交易平台，曾经在厦门大学办大中华区全球资产配置大赛，接下来我想请周颖刚院长发表您对新时代如何培养全球资产配置的人才发表你的观点和看法。

　　周颖刚：谢谢给我提了很好的问题。我觉得这个跟我的工作经历有关，我第一个工作是在美国做全球资产配置，不幸碰到08年的经济危机。现在全球资产配置是大势所趋，我不知道业界对这个问题怎么判断，我觉得学界是比较滞后。改革开放前40年，中国的贸易发展得很快，成为贸易大国，但是金融没有跟上，金融是现代经济的核心，开发没有跟上，但是后面从2018年开始我们加快金融开放的步伐，所以后面40年甚至更长的时间金融开放是大势所趋，前面40年是国际贸易的春天，后面40年是国际金融的春天，全球市场配置的春天。

　　所以从这个角度来讲，我觉得培养全球资产配置人才迫在眉睫，我们厦门大学这方面的课比较小，怎么培养肯定要有老师讲这个课，还要有相应的教材，要有业界和高校人才的流动机制等。去年我们办了个大中华区全球资产配置，我们找遍国内没有一款软件平台可以来做全球资产配置，包括很多都是国内的资产配置，国内的模拟投资等等，所以我们就自主研发了一款。跟我们今天主题很像，也是投ETF，从母基金的角度，相当于管理一个FOF基金。从母基金的角度来中国投资者怎么投各个大类资产的ETF上面，这个比国内的投资要复杂得多，首先有没有费用的问题，还有很多国际经济形势，各个国家的形势，各个大类资产之间的配比，所以我这边也做个广告，欢迎各位包括业界，包括高校能够参加第二届的大中华区的全球资产配置里面，我们的资金是1000万，今天的比赛100万多了10倍，我们还开发了归因分析，投资组合怎么样做分析，哪一部分业绩是属于你的择时，属于选股等等，所以我们开发了这个系统。

　　王闻：请同济大学的钟宁桦教授总结一下今天嘉宾的讨论，在你眼中人工智能的量化是取代还是赋能，做个总结性的评论？

　　钟宁桦：谢谢王教授，不敢说总结，我想提两句话。第一句话对于重复性的工作是被替代，对于创新性的工作是赋能。我相信未来更多是需要销售端和后台的连接，需要销售把客户的需求告诉后台，来实现客户个性化的、多样化的需求满足，未来比拼的更多的是前面陈总所说的想法，你能不能抓住客户真正需要什么，在执行端做出来，然后提供新的服务。执行端因为有AI的赋能，执行端越来越容易，这里面有很多的困难，但是更加宝贵的是客户的需求怎么变成产品的原初的想法，更加稀缺的是创造性的想法。

　　第二句话，对于拥抱AI的是赋能，对于不拥抱或者拥抱慢的是替代。这句话我想在今天的会场上是高度共识，很高兴这场会议在讨论人才培养，这句话更多对于现在的大学生所说的。大学生可能特别需要去尽快的熟悉AI的各种各样的工具，我个人是比较担心的，我们的大学生在高考前他们花了很多的时间，每位大学生花了很多时间学习中文和英文，当然还有其他的课程，今年ChatGPT出来之后，我认为可能在未来几年当中大部分的应用型文案写作都可以被替代掉，他们花很多时间学习语言的能力，真正到应用的时候他们的速度，他们的效率可能是达不到机器的，而且机器还在非常快的学习。所以对于这些大学生而言，很重要的一点是当他们进入大学之后在几年的时间里面必须尽快掌握人工智能各种工具，我说掌握这个工具还是跟前面说的是一样，他要尽快知道如何能够应用这个工具去解决实际的问题，要能够有创造性的想法出来，所以他们一定要能够推动像大语言模型在金融领域的应用。

　　从今天早上一直听到现在，我了解到东财很多的工作走进校园的工作，投教的工作都是面向大学生，这一点我非常高兴，也是非常期待未来中国的高校能够和像东财这样的公司一起努力培养新一代的金融人才，也是呼应国家产教融合方针，产业界和教育界可以结合，产业界在很多方面走在高校的前面，高校在金融领域人才培养上面和现实的脱节是很严重的，所以要产业界和高校更多的结合，把产业界最新的一些理解，最新的知识分享给我们最年轻的这些学生，使得他们尽快的意识到他们应该要去学习什么，使得他们能够成为被赋能者而不是被替代者，我想这是我们很大的原因，这也是今天参会很大的感想，谢谢王教授。