000553:冯鑫:量化投资限额收益的决定因素在团队,我们始终强调人的重要性

2021-11-02 07:52:05 by Admin 宏观研究
前言:本篇文章介绍了000553:冯鑫:量化投资限额收益的决定因素在团队,我们始终强调人的重要性的有关情况,希望对您的研究有一定的参考作用。

  • 华闻集团

  随着业绩和规模的双双爆发,量化投资成了今年资管行业的焦点,一批量化私募跨越百亿大关。截至10月底,国内百亿私募数量达到95家。其中,量化百亿私募共有24家,占比达25%,不到一年时间增长了14家。同时,业绩亦十分亮眼,24家量化百亿私募年内全部取得正收益,且平均收益高达18.32%。,涨半个月一天跌没了, ,哈哈哈,笑死我了[大笑] ,你个孙子 你姑娘b 晚上就烂 哈哈! ,明日 华闻集团 聚会 ,好多吧里都是一样的这个帖子[大笑][大笑][大笑]

  券商中国记者最新获悉,作为国内qh高频的“老兵”,宽德投资的资产规模在近期也突破了百亿大关。据了解,该私募机构是国内为数不多自2014年以来,高频和资管两条线同时作战的团队,长期以来实行CTA和股票策略并行。

  近日,宽德投资联合创始人冯鑫博士接受了券商中国记者的专访。在冯鑫看来,量化是行业大趋势,在我国未来发展空间巨大。但同时,一些尖锐的问题也随之而来,量化始终面临着容量、夏普率(波动)和收益三者不可兼顾的问题,一旦管理人经不住诱惑或迫于压力,产生了“赌一把”的念头,产品业绩或出现大幅波动。

  值得注意的是,由于市场风格的转变,中秋之后部分量化私募机构业绩出现较大回撤。“背后凸显出这些管理人在某些热门风格因子、板块的暴露与偏离。资管类型的产品,波动与生俱来,波动本身不是问题,关键是管理人对波动的掌控。”

  冯鑫认为,现阶段,在单策略、方法论的红利期过去后,未来拼的一定是对细节的把握。未来量化超额的决定因素在团队,需要始终强调人的重要性才能保证竞争力。“机器学习和人工智能在国内量化私募基金领域,取得了巨大的成功。但机器学习不只是工具,更多是思维模式。”

  冯鑫,宽德投资联合创始人、上海宽德风险总监,毕业于美国常青藤名校哥伦比亚大学,获统计学博士学位,本科毕业于中国科学技术大学。冯鑫博士拥有18年丰富的量化投资实战经验,在创立宽德投资前曾于SAC,、BNP Paribas等美国一流投资机构担任基金经理。

  量化让投资走向科学与理性

  券商中国记者:简单谈谈您的个人经历,为何进入量化投资行业?量化投资有什么样的魅力?与主观投资相比,量化投资有哪些不同的特点?

  冯鑫:我本科毕业于中科大,随后前往美国纽约,获得了哥伦比亚大学统计学博士学位。地处纽约,我很自然受到了华尔街的影响,所以选择进入量化投资领域。在华尔街工作后,我观察到量化领域有很多优秀的华人身影,但在多数情况下,华人仍在为白人、犹太人打工。因此,创业的想法逐渐萌生,能否花5至10年的时间,打造一个真正的华人量化基金?我们的团队能否在国际金融市场上,与顶尖的欧美量化团队抗衡?这是创立宽德的想法与初心。

  我最终于2013年回国,2014年正式创立宽德投资。创业期间,宽德的核心团队流失率为0,也没有发生过“分家”等戏剧性故事,队伍也在不断壮大。目前,宽德的团队规模超过120人,从8年前的松湖一隅,到上海、珠海、成都、深圳、北京,我们始终怀着初心和梦想,低调扎实地工作。

  量化投资在欧美市场的发展历史超过40年,现在已经成为资管行业的成熟组成部分。虽然在技术的冲击下,金融行业的一些细分领域逐渐式微,但量化投资反而借力于信息科技,仍在蓬勃发展。特别在中国,去年以来量化行业呈现出井喷式发展,因此也有人说量化投资进入了自己的“大时代”。

  相较于传统的主观投资,量化投资最大的特点是能尽量减少人性的弱点在投资决策流程的负面影响。主观投资更多是依靠人的决策与主观判断,量化投资则依靠数据驱动、算法决策和客观计算。如果将投资过程看作是给市场“看病”,主观投资是通过望、闻、问、切,量化投资则是运用科学精密的仪器,凭借测量出的诸多指标以判断市场所处的状态,所以量化投资是让投资走向科学与理性的一种艺术。

  另外,主观投资更擅长分析突发事件,仓位相对集中,基于对个股(qh等)研究,进行选择性投资,对技术支持和数据要求相对较低;量化投资则精于分析不断重复出现、有规律可循的价格偏离,持仓分散,基于统计学概率进行大量交易,追求提升胜率和盈亏比。因此,相对于主观投资,量化对于技术和数据的基础设施要求更高。

  若产生“赌一把”的念头,业绩将大幅波动

  券商中国记者:近两年,量化投资在国内迅速发展,一批量化私募机构管理规模也突破百亿大关。怎么看待量化投资在国内的发展,有哪些机遇和挑战?

  冯鑫:这两年,国内进入了量化投资的大时代,其实这是内外因共同作用的结果。

  首先,与资管新规的试行密不可分,资管新规倒逼投资者转型。特别是2014年以来,投资者结构有了显著的变化,机构投资者的比例越来越高,不盲目追求高收益,更看重收益风险比和长期持续稳定的盈利能力。因此,量化产品更能满足投资者在这方面的需求。

  其次,从量化团队本身,包括宽德以及其他团队在内,在知识和技术方面有了长足的进步和积累。越来越多的量化团队获得了资管业务中大部分的基本技术和专业知识,这就使得量化产品业绩变得有重复性和持续性。技术的积累有助于扩大容量,保持稳定的量化产品业绩吸引投资者。在2020年,很多量化产品取得了不错的业绩,并且持续到今年也保持了相当稳定的收益。这对很多投资者仿佛是催化剂,不少投资人也就蜂拥而至。

  谈到量化行业的机遇,目前国内许多重量级的资金尚未大规模进军量化私募,随着资金属性的结构化,整个行业一定还会处于持续发展的趋势。此外,金融市场的持续创新、繁荣,例如各类qh、期权品种的增加,新的交易所的设立,都会带来新的投资机会。不过,一些尖锐的问题也会随之而来,大体量与高收益能否持续?容量、夏普率和收益,这三者不可兼顾,如何解决?这些都是量化行业接下来需要面临的挑战。

  参考量化在欧美市场的发展,现阶段量化行业存在最典型的风险,是由于仓位和策略方法的集中,导致量化策略的失效和严重的踩踏事件,如2007年8月和2020年3月行业经历的两次巨额亏损。对于投资者来说,一定要深入了解管理人产品的收益来源是哪些。国内很多人投资量化产品的目的是“赚快钱”,有些管理人,也经不住诱惑或迫于压力,为了追求高收益承担一些不必要的风险,产生了“赌一把”的念头,导致产品业绩出现了较大的波动。

  虽然各个量化团队之间是竞争关系,但是作为从业者,我们并不希望出现“眼见他起高楼,眼见他楼塌了”这样的事件。诚然,有人在量化发展的快速路上“抄了近路”,伤害了投资人,但这些最终都会影响整个量化投资行业。

  同时,我也希望投资人能充分了解、分析量化管理人的投资风格、收益来源与风险控制,把投资视野放长,没必要为了周度的波动而焦虑。

  节后量化业绩回撤大,背后是风格等因子过多暴露

  券商中国记者:中秋节后股市成交明显收缩,一批量化私募也出现较大回撤,是股市成交缩水影响量化私募的业绩,还是市场风格变化引起?

  冯鑫:中秋节前后市场风格的转变,某些管理人的业绩表现节前节后截然相反,超额出现了很强的负相关,凸显出这些管理人在某些热门风格因子、板块的暴露与偏离。这也解释了前两个月业绩为何有所分化,节前通过因子暴露获取了较高的收益,节后热点一旦切换,立刻反应在了净值上。

  资管类型的产品,波动与生俱来,波动本身不是问题,关键是管理人对于下列问题的把握:波动是否在模型设计范围之内?波动的原因具体是什么?管理人是否未与投资人沟通就放开风险敞口?投资人是否承担了不必要的风险?管理人自身风控是否到位?

  量化超额收益的决定因素在团队,关键是人,打入和你股票一起办理的银行卡中,然后在股票交易上点击从银行卡转入股市就可以了,{精确缠论中枢公式}
 
{N1:1,100,10;N2:1,100,10;DISP:=1,3,2};
n1:=10;
n2:=10;
DISP:=2;
N1:=10;N2:=10;DISP:=2;
K:=IF(PERIOD=5,1,{日}
IF(PERIOD=6,1,{周}
IF(PERIOD=7,1,{月}
IF(PERIOD=8,1,{多分钟}
IF(PERIOD=9,1,{多日}
IF(PERIOD=10,1,{季}
IF(PERIOD=11,2,{年}
IF(PERIOD=4,1,{60F}
IF(PERIOD=3,1,{30F}
IF(PERIOD=2,1,{15F}
IF(PERIOD=1,1{5F},1{1F})))))))))))/10;
P1:=PEAK(1,K*N1,1);
P2:=PEAK(1,K*N1,2);
WP1:=PEAKBARS(1,K*N1,1);
WP2:=PEAKBARS(1,K*N1,2);
T1:=TROUGH(2,K*N2,1);
T2:=TROUGH(2,K*N2,2);
WT1:=TROUGHBARS(2,K*N2,1);
WT2:=TROUGHBARS(2,K*N2,2);
TJ1:=P1>T1 AND P2>T2 ;
ZD:=MAX(T1,T2);
ZG:=MIN(P1,P2);
LL:=MIN(T1,T2);
HH:=MAX(P1,P2);
TJ2:=FILTER(ZG>ZD,2);
TJ3:=ZG=REF(ZG,BARSLAST(TJ2)) OR ZD=REF(ZD,BARSLAST(TJ2));
TJ4:=TJ1&&TJ2&&NOT(TJ3);
TJ5:=BETWEEN(ZD,REF(ZD,REF(BARSLAST(TJ4),1)),REF(ZG,REF(BARSLAST(TJ4),1)));
TJ6:=BETWEEN(ZG,REF(ZD,REF(BARSLAST(TJ4),1)),REF(ZG,REF(BARSLAST(TJ4),1)));
TJ7:=ZG>REF(ZG,REF(BARSLAST(TJ4),1))&&ZD<REF(ZD,REF(BARSLAST(TJ4),1));
TJ8:=TJ4&&NOT(TJ5 OR TJ6 OR TJ7);
ZSD:=IF(TJ8,ZD,DRAWNULL);
ZSG:=IF(TJ8,ZG,DRAWNULL);
ZSH:=IF(TJ8,HH,DRAWNULL);
ZSL:=IF(TJ8,LL,DRAWNULL);
STICKLINE(TJ8,ZSH,ZSL,0,-1),COLORMAGENTA;
STICKLINE(TJ8,ZSD,ZSG,IF(DISP=1,3,0),1),COLORMAGENTA;
DRAWTEXT(DISP=2,ZSH,'中枢'),COLORWHITE;
中枢高:PLOYLINE(DISP=2,REF(ZSD,BARSLAST(TJ8))),CIRCLEDOT,COLORLIRED;
中枢低:PLOYLINE(DISP=2,REF(ZSG,BARSLAST(TJ8))),CIRCLEDOT,COLORLIGREEN;
{中枢最高:PLOYLINE(DISP=2,REF(ZSH,BARSLAST(TJ8))),POINTDOT,COLORRED;
中枢最低:PLOYLINE(DISP=2,REF(ZSL,BARSLAST(TJ8))),POINTDOT,COLORGREEN;}
趋势高:PLOYLINE(DISP=3,ZIG(1,K*N1)),COLORLIBLUE;
趋势低:PLOYLINE(DISP=3,ZIG(2,K*N2)),COLORLIBLUE;
局部低点预选A:=BACKSET(LLV(L,5)<REF(LLV(L,4),1),4);
局部低点预选B:=BACKSET(局部低点预选A=0 AND REF(局部低点预选A,1)=1,2);
局部低点预选C:=IF(局部低点预选B=1 AND REF(局部低点预选B,1)=0,-1,0);
局部高点预选A:=BACKSET(HHV(H,5)>REF(HHV(H,4),1),4);
局部高点预选B:=BACKSET(局部高点预选A=0 AND REF(局部高点预选A,1)=1,2);
局部高点预选C:=IF(局部高点预选B=1 AND REF(局部高点预选B,1)=0,1,0);
缺口判断:=IF(L>REF(H,1),1,IF(H<REF(L,1),-1,0));
距前高天:=BARSLAST(局部高点预选C=1);
距前低天:=BARSLAST(局部低点预选C=-1);
小值周期:=LOWRANGE(L);
大值周期:=TOPRANGE(H);
低保留AA:=IF(局部低点预选C=-1 AND REF(距前高天,1)>REF(距前低天,1) AND LLV(L,距前高天+1)<REF(LLV(L,距前高天+1),1),-1,0);
低保留AB:=IF(局部低点预选C=-1 AND REF(距前高天,1)<=REF(距前低天,1) AND (距前高天>=4 OR LLV(缺口判断,距前高天)=-1 OR LLV(L,距前低天+2)<REF(LLV(L,距前低天+1),1)),-1,0);
低保留S:=IF((低保留AA=-1 OR 低保留AB=-1) AND L<REF(H,距前高天+1),-1,0);
预判:=IF((距前低天<4 AND HHV(缺口判断,距前低天)!=1) OR REF(低保留S,距前低天)=0,1,0);
判断:=IF(局部高点预选C=1 AND REF(距前低天,1)<=REF(距前高天,1) AND 预判=1 AND 大值周期>REF(小值周期,距前低天+1) AND 大值周期>REF(小值周期,距前低天) AND 大值周期>REF(大值周期,距前高天),1,0);
高保留A:=IF(局部高点预选C=1 AND REF(距前低天,1)>REF(距前高天,1) AND HHV(H,距前低天+1)>REF(HHV(H,距前低天+1),1),1,0);
高保留B:=IF(局部高点预选C=1 AND REF(距前低天,1)<=REF(距前高天,1) AND REF(低保留S,距前低天)=-1 AND (距前低天>=4 OR HHV(缺口判断,距前低天)=1),1,0);
高保留:=IF((高保留A=1 OR 高保留B=1 OR 判断=1) AND H>REF(L,距前低天+1),1,0);
预判A:=IF((距前高天<4 AND HHV(缺口判断,距前高天)!=1) OR REF(高保留,距前高天)=0,1,0);
判断A:=IF(局部低点预选C=-1 AND REF(距前高天,1)<=REF(距前低天,1) AND 预判A=1 AND 小值周期>REF(大值周期,距前高天+1) AND 小值周期>REF(大值周期,距前高天) AND 小值周期>REF(小值周期,距前低天),-1,0);
低保留A:=IF(局部低点预选C=-1 AND REF(距前高天,1)>REF(距前低天,1) AND LLV(L,距前高天+1)<REF(LLV(L,距前高天+1),1),-1,0);
低保留B:=IF(局部低点预选C=-1 AND REF(距前高天,1)<=REF(距前低天,1) AND (距前高天>=4 OR LLV(缺口判断,距前高天)=-1 OR 判断A=-1),-1,0);
低保留:=IF((低保留A=-1 OR 低保留B=-1) AND L<REF(H,距前高天+1),-1,0);
距前高天A:=BARSLAST(高保留=1);
距前低天A:=BARSLAST(低保留=-1);
预判X:=IF((距前低天A<4 AND HHV(缺口判断,距前低天A)!=1) OR REF(低保留,距前低天A)=0,1,0);
判断X:=IF(局部高点预选C=1 AND REF(距前低天A,1)<=REF(距前高天A,1) AND 预判X=1 AND 大值周期>REF(小值周期,距前低天A+1) AND 大值周期>REF(小值周期,距前低天A) AND 大值周期>REF(大值周期,距前高天A),1,0);
高保留XA:=IF(局部高点预选C=1 AND REF(距前低天A,1)>REF(距前高天A,1) AND HHV(H,距前低天A+1)>REF(HHV(H,距前低天A+1),1),1,0);
高保留XB:=IF(局部高点预选C=1 AND REF(距前低天A,1)<=REF(距前高天A,1) AND REF(低保留,距前低天A)=-1 AND (距前低天A>=4 OR HHV(缺口判断,距前低天A)=1),1,0);
高保留X:=IF((高保留XA=1 OR 高保留XB=1 OR 判断X=1) AND H>REF(L,距前低天A+1),1,0);
预判XA:=IF((距前高天A<4 AND HHV(缺口判断,距前高天A)!=1) OR REF(高保留XA,距前高天A)=0,1,0);
判断XA:=IF(局部低点预选C=-1 AND REF(距前高天A,1)<=REF(距前低天A,1) AND 预判XA=1 AND 小值周期>REF(大值周期,距前高天A+1) AND 小值周期>REF(大值周期,距前高天A) AND 小值周期>REF(小值周期,距前低天A),-1,0);
低保留XA:=IF(局部低点预选C=-1 AND REF(距前高天A,1)>REF(距前低天A,1) AND LLV(L,距前高天A+1)<REF(LLV(L,距前高天A+1),1),-1,0);
低保留XB:=IF(局部低点预选C=-1 AND REF(距前高天A,1)<=REF(距前低天A,1) AND (距前高天A>=4 OR LLV(缺口判断,距前高天A)=-1 OR 判断XA=-1),-1,0);
低保留X:=IF((低保留XA=-1 OR 低保留XB=-1) AND L<REF(H,距前高天A+1),-1,0);
距前高天YA:=BARSLAST(高保留X=1);
距前低天YA:=BARSLAST(低保留X=-1);
预判YX:=IF((距前低天YA<4 AND HHV(缺口判断,距前低天YA)!=1) OR REF(低保留X,距前低天YA)=0,1,0);
判断YX:=IF(局部高点预选C=1 AND REF(距前低天YA,1)<=REF(距前高天YA,1) AND 预判YX=1 AND 大值周期>REF(小值周期,距前低天YA+1) AND 大值周期>REF(小值周期,距前低天YA) AND 大值周期>REF(大值周期,距前高天YA),1,0);
高保留YXA:=IF(局部高点预选C=1 AND REF(距前低天YA,1)>REF(距前高天YA,1) AND HHV(H,距前低天YA+1)>REF(HHV(H,距前低天YA+1),1),1,0);
高保留YXB:=IF(局部高点预选C=1 AND REF(距前低天YA,1)<=REF(距前高天YA,1) AND REF(低保留X,距前低天YA)=-1 AND (距前低天YA>=4 OR HHV(缺口判断,距前低天YA)=1),1,0);
高保留YX:=IF((高保留YXA=1 OR 高保留YXB=1 OR 判断YX=1) AND H>REF(L,距前低天YA+1),1,0);
预判YXA:=IF((距前高天YA<4 AND HHV(缺口判断,距前高天YA)!=1) OR REF(高保留YXA,距前高天YA)=0,1,0);
判断YXA:=IF(局部低点预选C=-1 AND REF(距前高天YA,1)<=REF(距前低天YA,1) AND 预判YXA=1 AND 小值周期>REF(大值周期,距前高天YA+1) AND 小值周期>REF(大值周期,距前高天YA) AND 小值周期>REF(小值周期,距前低天YA),-1,0);
低保留YXA:=IF(局部低点预选C=-1 AND REF(距前高天YA,1)>REF(距前低天YA,1) AND LLV(L,距前高天YA+1)<REF(LLV(L,距前高天YA+1),1),-1,0);
低保留YXB:=IF(局部低点预选C=-1 AND REF(距前高天YA,1)<=REF(距前低天YA,1) AND (距前高天YA>=4 OR LLV(缺口判断,距前高天YA)=-1 OR 判断YXA=-1),-1,0);
低保留YX:=IF((低保留YXA=-1 OR 低保留YXB=-1) AND L<REF(H,距前高天YA+1),-1,0);
AAAD:=IF(高保留YX=1 AND 低保留YX=-1 AND H>REF(H,REF(距前高天YA,1)+2),1,IF(高保留YX=1 AND 低保留YX=-1 AND L<REF(L,REF(距前低天YA,1)+2),-1,0));
极点保留:=IF(AAAD=0,高保留YX+低保留YX,AAAD);
局部极点:IF(极点保留=-1,L,IF(极点保留=1,H,DRAWNULL)) CIRCLEDOT COLORYELLOW;
DRAWLINE(极点保留=-1,局部极点,极点保留=1,局部极点,0)COLORLIRED;
DRAWLINE(极点保留=1,局部极点,极点保留=-1,局部极点,0)COLORYELLOW;
DD1:=BARSLAST(ABS(极点保留)!=1);{
DRAWTEXT(极点保留=1,局部极点,'卖'),COLORGREEN;
DRAWTEXT(极点保留=-1,局部极点,'买'),COLORRED;}
MA5:MA(CLOSE,5),COLORFF00FF,LINETHICK2;判:IF(MA5<REF(MA5,1),MA5,DRAWNULL),COLORWHITE,LINETHICK2;,可以买一本日本蜡烛图技术看看,中国证券报,上海证券报,证券时报.,没有好好学习就进入股市啊。。。
有个古书《增广贤文》里有这么一句话,
要使人戒酒,醒眼看醉人。
意思是,要让酒鬼戒酒,最好的办法是,在他清醒的时候让他看看酒醉的人啥摸样。
几千年来的经受住时间考验的古人之经验,可能这个最有效了。
让他看看炒股失败后妻离子散家破人亡的事例吧。
我建议你找到这些事例后,不要拿过去让他看。
出于面子,他可能不会看的,而堵住自己的耳朵眼睛。
最好放在什么地方,让他无意中看到,而且他看到的时候你也不要在场。
让他不要发觉是你有意给他看的。
我学过心理学,不知能否帮到你。

  券商中国记者:由于中证500指数大幅上涨,今年不少量化私募产品业绩亮眼。接下来量化机构的超额收益在哪里?

  冯鑫:量化投资限额收益的决定因素在团队,我们始终强调人的重要性,这个问题也属于保持竞争力的范畴。

  具体回到这个问题,对于指增的产品,不能不提Beta。短期Beta的波动非常不确定,指增的配置需要从较长的尺度上进行考量。长期看来,指增在基差、资金利用率方面的优势都是确定的。更长久地看,我们对国内的市场长期发展有信心,长期的Beta有正向收益。

  宽德股票中性产品和指增是统一的研究框架和因子来源,今年以来指增的超额,包括以下几部分:一方面是因子和频段较为均衡,不仅有换手比较高的以量价为主的因子,也会覆盖到如基本面或是独立数据源提供的因子;另一方面是全波段的预测。

  在这些深入的工作完成后,我们就能适应不同的市场风格,有比较稳定的收益。和中性产品相比,指增产品的资产组合会有所不同。简言之,指增产品的投资人本身可以承受Beta的波动,我们在指增产品的风格因子、风险因子等暴露可以适当放松。这样做并没有伤害收益风险比,有时甚至还有提高。

  主动应对回撤,采取全频段和收益来源多样化

  券商中国记者:量化投资应该如何应对回撤以及风格的变化?

  冯鑫:如何管理和控制回撤是投资中重要的一环,二者都和风控密不可分。我们经常说,建仓之前就应该确定平仓条件。换句话说,对于回撤应该采取主动而非被动的处理方法。

  主动的应对方法包括:收益来源多样化,预测频段更全面,从而让模型适用于更广泛的市场条件。2017年是CTA策略的小年,但我们的CTA产品在当年的业绩依然亮眼,究其原因:我们不仅有长期的趋势跟踪策略,还有很大一部分收益来源是短期的方向性与截面性预测,所以在别人回撤的时候,我们反而是盈利的。可以说,仅凭在某一频段某个因子方面做得优秀,已经很难在目前的市场环境下竞争。

  此外,宽德的风控体系非常细致,执行十分严格。以中性策略为例,自2015年运行中性产品以来,宽德的敞口基本都是0,最大在5%之内。我们区别于市场上有些声称是中性,但实际敞口会到20%甚至更高的产品。因为一旦市场方向突然变化,就会带来较大的亏损,这是最基本的风控条件。

  除了敞口之外,宽德还会控制不同风格因子、风险因子的暴露。之前我们提到了今年中秋前后出现的回撤,其实类似的事件屡见不鲜,例如今年春节前后,以及2014年12月,国内量化产品都遭遇了极端事件,很多产品亏损回撤10%甚至15%,究其原因是估值因子发生扭曲,大小盘反转。如果对此控制不严格,就会受到冲击。在我们的严格风控下,宽德当年的最大回撤依然控制在5%之内。

  风险控制并不是完全消灭风险。风控不等于风险因子,也不能说风控就等于风格因子的暴露都是严格的零,这是另一个极端,也是不现实的。关键是控制在可承受的范围之内,并且清楚该暴露对净值的影响。总之风控参数的设置,既要深入了解模型自身的特性,又要考察市场的流动性、极端情况下的相关性等等。回撤一旦发生,并不是第一时间就进行干预。首先要尽最大限度了解造成回撤的原因,在设计参数范围内发生的回撤,我们往往不会干涉模型。但一旦触发需要减仓的条件,执行也需要很坚决。

  策略的快速迭代,拼的是细节把握

  券商中国记者:据了解,目前依靠单策略的量化机构不断被市场淘汰,多策略、全频段成为市场共识。量化机构如何保持策略的快速迭代?

  冯鑫:量化团队每天都会面临模型的失效与淘汰,投研团队要做的重要工作之一,就是如何保证策略的快速迭代,将投研走在失效前面,而不是“亡羊补牢”。现阶段,在单策略、方法论的红利期过去后,未来拼的是对细节的把握。大家都知道要多策略、全频段,但是有些人只了解大方向,缺乏实际经验。我们在欧美市场已经有丰富的经验积累,清晰知道该做成什么样子、该朝哪些方向努力、哪些细节需要打磨,比如因子有效性的考量,因子组合的不同尝试,交易成本的估计等。

  在欧美,量化投资竞争白热化的今天,另类数据显得十分重要。国内也已经开始朝这个方向发展,例如百度数据、天猫销量数据,还包括其他很多独立数据源。这就对量化管理人提出了新的要求:一方面,我们需要不断寻找只被少数人所知晓利用的数据源,此种模型的时效较长;另一方面,对已经被市场大规模知晓并利用的数据源,我们也要思考是否可以从不同视角,深入挖掘出区别于市场的独特信息。

  机器学习不只是工具,更多是思维模式吕会婷

  券商中国记者:怎么看待机器学习和人工智能在量化因子挖掘和融合方面的发展?

  冯鑫:机器学习和人工智能在国内量化私募基金领域,取得了巨大的成功。机器学习方法非常强大,弱化了收敛性的问题,通过大量的数据来预测未来,更注重预测的准确性。机器学习在互联网行业的大量应用,开源社区的蓬勃发展,建立起的一整套数据科学的工具,极大提高了我们的生产效率。从这个角度来看,机器学习对于量化行业的发展大有裨益,它有助于Alpha的研究,让研究的过程更加自动化、系统化。通过机器学习的方法能够获得优于线性方法的拟合,技术的发展也让整个量化行业的门槛不断提升。机器学习不只是工具,更多是思维模式。

  当然也有人觉得机器学习是“黑匣子”,缺乏透明度,所以在使用上缺乏信心。这个观点并不完全错误,但至少是有一定程度上的局限性。机器学习领域有很多“样本内-样本外”交叉验证的方法,考察变量重要性的方法,正则化等方法也可以有效的降低过拟合的影响。

  还要强调一点,切忌为了机器学习而机器学习,不能只知道算法怎么用,或只知道如何调参,这些都是浅层次的应用。机器学习是思维模式,一整套方法论,我们不仅仅需要学习、应用它的算法部分,也要了解背后的原因、优势以及相应的局限性。

  高频和资管两线作战,CTA和股票策略并行

  券商中国记者:据了解,宽德投资近期规模突破了百亿大关,背后主要有什么原因?突破百亿后,公司的投资策略是否会有变化?

  冯鑫:考察量化管理人,投资人首先关注资产管理规模,但团队是更为重要的因素,资产管理规模是表面数据,背后则是团队的整体贡献,与团队建设、IT投入和研究方法框架的积累密不可分。强大的IT团队是量化机构发展的基石,它与策略投研团队二者相辅相成,团队方可如虎添翼。宽德现有全职员工120多人,其中投研人员30余人、IT团队60余人,是国内为数不多自2014年以来,高频和资管两条线同时作战的团队,我们长期以来CTA和股票策略并行。我们的投资频段也十分全面,从日内相对高频到跨日、甚至周度比较低频的策略全部涵盖。

  宽德采用了大团队模式,团队人员沟通畅通且相对开放,团队成员的学习路径完整,促进了整个团队更快地发展。一只有竞争力的团队,核心人员的稳定性是关键,在宽德并不存在晋升的“天花板”,目前公司的合伙人中有两位从实习生做起,他们不仅自身优秀贡献巨大,并且能够带领团队,最终成为公司的合伙人。在宽德,既有经验丰富的“华尔街老兵”,又有聪明能干、闯劲十足的“少年英才”,这样组合状态下的团队更具有凝聚力与竞争力。

  同时,我们还建立了一套非常完善的团队保有机制。成立8年以来,宽德核心团队的流失率为0,这在国内是非常少见的。因此,宽德资产规模破百亿是日积月累,也是水到渠成。

  一直以来,我们整体的研究都走在管理规模前面。根据精细地测算,宽德的资产管理规模远大于现有实际情况。特别是股票策略类型产品,还远没有达到策略设计上限,无论是中性或是指增,每个策略仍旧有比较大的空间。

  对于CTA策略,我们仍在持续观察现有规模整体模型的实现、对市场的冲击等,后续进行评估开放。不过整体来说,我们并不急于达到策略的设计规模上限,仍希望以稳健为主。

  券商中国记者:最近两年,在量化投资上,有哪些新的感悟?

  冯鑫:最大的感触就是一定要持续不断地学习,周围的人都在进步,周围的事发展变化很快,不进则退!另外,保持敬畏之心,敬畏市场,对竞争对手保持尊重和重视,这在行业上升期尤其重要。

  在国内,量化仍旧是相对新兴的产物,但是在欧美已经发展40年。展望量化私募行业的发展前景,欧美市场的发展轨迹有很大参考价值。很多在欧美发生过的现象在国内也正在发生,国内用7、8年时间走了海外20到30年的路,大方向上有迹可循。量化是大趋势,在国内的发展空间巨大,随着行业发展速度加快,最终考验的是团队的竞争力,我们将为此不懈努力。

  责编:桂衍民

以上是小编为您介绍的有关000553:冯鑫:量化投资限额收益的决定因素在团队,我们始终强调人的重要性的全部内容,更多内容敬请关注股票怎么玩_股票基础知识_股票资讯_南北巢股票网。