市場資訊

本文來自格隆匯專欄：六裏投資報

近日，九坤投資創始合夥人兼CEO 王琛在一場論壇上，分享了自己在量化投資發展歷程中的感觸。

九坤投資是國內較早成立的量化投資機構，曾被譽為“量化四大天王”之一，管理規模也較早突破百億。

王琛表示，中國的量化投資得益於中國資本市場的多元化發展，在過去十幾年取得了長足的進展，包括人工智能等在內的新技術的迭代與應用為量化發展起到了很大的推進作用。

但從投資理念與方法上來講，量化和傳統的價值投資之間不完全相同，因此要得到大家的理解和接受也需要一個過程。

從投資的角度來説，過去幾年量化行業確實為投資人創造了不錯的收益。

但當所有人都理解和接受量化之後，投資的回報率可能也會下降，從三四年前的高超額收益迴歸到正常和理性的水平。

結合人工智能在量化中的應用，王琛也表示，量化行業是一個需要不斷探索新鮮事物的行業。

以大模型在量化行業的應用為例，它對於量化團隊的要求不亞於一個科技企業在垂直應用方面所做的努力。

所以對於量化來説，就是在不斷地面對新的挑戰。

從高超額迴歸理性水平

是量化正常發展的過程

問：能不能結合自己的工作，給大家介紹一下，量化目前到底發展到一個什麼樣的程度？

王琛：我記得，最早是在 2017 年的時候來參加金融峯會的活動，從2017 年到現在，整個量化行業在中國的發展經歷了巨大的變化。

作為一家成立於2012年的公司，我們已經有十幾年的歷史了，所以我對量化行業的發展，以及中國量化發展的特點有着深刻的感觸。

我們在國內做的量化，在過去十多年主要以中國市場的量化為主，但我自己的經驗，之前也在美國的量化機構工作過，並做過相關的投資研究工作。

我認為，中國的量化發展具有很大的特色，與海外的量化有所不同。

首先，中國量化得益於過去十幾年整個行業的開放度，以及市場的多元化和生態的發展。

隨着技術應用、數字化，以及包括人工智能在內的新技術的持續迭代和發揮，這些在量化領域起到了很大的推動作用。

第二個，主要來自於整個中國市場的財富管理。

從大約2018年、2019年開始，無論是公募基金還是私募基金，包括量化，規模最大的增長都來自於這段時間。

這是中國大資管時代，所謂時代的紅利。

另外，從投資角度來看，量化行業過去幾年可以説是譭譽參半。

從投資人的角度來説，量化行業為投資人創造了不錯的投資收益。

然而，由於量化行業本身的技術特徵，

它的投資理念、方法和邏輯與傳統的價值投資理念或基本面投資方法並不完全相同，所以大家對它的理解和接受需要有一個過程。

我覺得這很自然，因為所有的新技術、新事物，尤其是在資本市場和投資領域的新東西，都需要大家逐漸接受和適應。

但是投資就是這樣，當所有人都理解和接受之後，投資的回報率可能也會下降。

就像過去幾年量化市場的投資一樣，從三四年前的高超額收益已經逐漸迴歸到比較正常和理性的狀態，這也是量化行業正常發展的過程。

量化人才的三大能力

人員智力密度要求非常高

‍

問：您也是從清華畢業的學生，今天剛好坐在這，從您的角度談一談，我們的同學需要具備什麼樣的素質，您又需要什麼樣的人才？

王琛：現在整個量化行業對於人才的渴求和競爭，已經達到了白熱化的程度。

這種情況不僅在中國存在，在美國，量化與最先進的科技公司之間的人才競爭也從未停止過。

我在美國見過很多這樣的技術人才，他們在經濟週期中經常在量化和硅谷之間切換。

當股票市場表現良好時，大廠的股價都很高，大家會去硅谷；

而當股價不好時，硅谷裁員，他們可能會選擇量化。

有時甚至在整個市場都不好的時候，量化行業在某些年份，尤其是前幾年業績表現出色，吸引了很多人優先選擇量化。

這中間人才的切換是不計其數的。

前段時間，我正好見到了鄧力先生，他是微軟的前人工智能實驗室首席科學家，也是美國非常大的對沖基金Citadel的首席人工智能官。

我們聊了一下關於人工智能在量化領域的發展，以及人才在其中的作用。

我覺得國內和國外的情況其實是類似的，

對於量化這樣技術密集型的企業來説，它甚至可能比大家認知中的傳統互聯網公司的技術要求、競爭和技術迭代要求更高。

因為量化領域不需要像互聯網公司那樣龐大的規模，可能只需要幾百人，甚至在海外可能只有上千人的規模。

最終，對於人才的智力密度要求是非常高的。

也就是説，進入量化領域的人在同等的技術要求下，一定是最出類拔萃的，並不是所有人在量化領域都能找到自己的合適的位置的。

並不是所有人都適合量化，也不是所有人都應該來量化。

因為還有很多其他行業和技術方向值得大家去探索。

量化需要發掘

前人沒有發現的規律

但是從量化領域招聘人才的角度來看，我認為，有潛質的人才可能具備以下三個特點：

首先，需要具備非常強的科研能力，最好是頂級的科研能力。

因為我們量化本身，比如我本人就是Quant出身，就是做量化研究員出身的。

對於Quant來説，很多的策略研究工作都需要進行高質量的實驗和深入的研究洞察力，

以發掘前人沒有發現的規律，它和同學們在應用科學中研究面對的環境都是一樣的。

它需要我們發掘出一些前人沒有發現的規律，只有這些別人沒有發現的規律，才是最有adding value的。

而對於量化來説，只有具有adding value的規律才是有邊際效用的。

所以，這是量化行業之所以要求研究能力很強的原因。

第二點，我認為需要具備強大的工程和動手能力。

量化的策略可以是天馬行空的，

但要將它們實現為實際代碼和工程體系時，不管是大公司還是小的量化team，都需要高效的執行能力和直接的操作能力。

像前幾年，可能中國的量化團隊早期在人員配置上，只有幾個人就把代碼寫了，把很多工作給做了。

但當量化team到達一定的規模之後，它對於技術體系的要求、規範性的要求、風險控制的要求等等都會進一步的提升。

所以在這方面的動手能力、工程能力的要求也在顯著的提升。

而且，在一個很大的team 裏面，大家如何去協作，如何去提升協同的效率，也是要有很多工程化和系統化的能力才可以。

所以，我覺得工程能力、動手能力、執行能力這個是要求很高的。

量化在它的生命週期中

一直在持續面對新的挑戰

第三，需要具備持續學習的能力。

量化行業是不斷使用新的技術和研究成果來賦能投資，因此在這個過程中，我們永遠都需要面對新技術和新挑戰。

即使我們自己不做，競爭對手和其他行業人士也會利用新技術提升投資方法和能力。

所以對於量化來説，對這些方面的學習是持之以恒的。

對於量化來説，我們學習新的技術，它不僅僅是學習知識，還要真地把它應用，這個其實難度更高。

而且對於真正在一線做開發、做研究的同事來説，他們真的要做的時候，他是要把這個應用到極致的。

甚至於説，比如你把量化作為一個垂直應用的話，這個垂直應用如何做到極致也是有很多細節要摳的。

所以，大模型在量化領域的應用，説起來是很簡單，但要用好、做好，真地要做很多的工作。

比如你用大模型做一個研究工作，

雖然大模型它可能是開源的，但你在做研究的時候，你要做的實驗的次數，你要花的代價，你的算力如何去協調，你的數據如何去清洗。

這些工作其實不亞於任何一個技術公司在做垂直領域時要做的那些工作。

所以，對於量化來説就是在不斷面對新的挑戰，量化在它的生命週期裏面一直在做這件事。