方興未艾的“量化投資”風(fēng)，終于在2023年吹到了公募基金領(lǐng)域。在人工智能、Chat GPT、大模型等概念加持下，量化投資不僅披上了時(shí)髦“外衣”，還散發(fā)著一種神秘氣息：量化投資輕松省力，能捕捉全市場(chǎng)超額收益。甚至有觀點(diǎn)認(rèn)為，量化投資會(huì)逐漸取代人工，傳統(tǒng)的基本面投資會(huì)逐漸過時(shí)。
量化投資和基本面投資真是“涇渭分明”的嗎？量化投資的最新趨勢(shì)是怎樣的？為何會(huì)有公募基金公司采用實(shí)驗(yàn)室（Lab）形式進(jìn)行專門的AI量化模型開發(fā)？圍繞這些問題，券商中國(guó)記者近日專訪了泓德基金AI Lab負(fù)責(zé)人、基金經(jīng)理李子昂。在李子昂通俗易懂、帶有形象比喻的闡述中，神秘的量化投資得以“祛魅”，和廣大投資者的距離得以拉近。
李子昂指出，量化投資本質(zhì)上是一種投資思維方式，通過尋找有效的因子和模型來捕捉全市場(chǎng)超額收益，是關(guān)于大數(shù)據(jù)的科學(xué)。近些年來，隨著新型AI模型和神經(jīng)網(wǎng)絡(luò)技術(shù)的加入，國(guó)內(nèi)量化投資發(fā)展勢(shì)頭越發(fā)蓬勃。但這需要基金公司和量化團(tuán)隊(duì)持續(xù)加大投入，去提升量化投資中最為重要的算法能力和工程能力。今年大火的人工智能、Chat GPT本質(zhì)上都屬于這些范圍內(nèi)。這些，就是李子昂所在的泓德基金AI Lab所聚焦的事情。
量化因子和模型是核心
量化投資有著較高的專業(yè)門檻，基金經(jīng)理需要具備多年專業(yè)訓(xùn)練功底。李子昂也不例外?！拔冶究茖W(xué)的是工學(xué)，不然很難理解這個(gè)（量化）”。在人民大學(xué)讀本科時(shí)，李子昂學(xué)的是信息類專業(yè)，屬于工學(xué)領(lǐng)域；到哥倫比亞大學(xué)讀碩士后，他學(xué)的是管理科學(xué)，屬于交叉學(xué)科，涉及運(yùn)籌學(xué)和金融工程等領(lǐng)域。畢業(yè)后的十年里，李子昂先后從事過基金量化研究員、投資經(jīng)理等工作，如今擔(dān)任泓德基金AI Lab負(fù)責(zé)人和基金經(jīng)理。
這些專門的學(xué)科訓(xùn)練和投研歷練，使得李子昂對(duì)量化投資有著透徹的理解。交談中，他在專業(yè)術(shù)語(yǔ)運(yùn)用方面相對(duì)克制，更傾向于通俗化、深入淺出地闡述量化投資。
在李子昂看來，量化投資首先是一種策略思維，而不是和傳統(tǒng)基本面投資“涇渭分明”的另類投資方法。實(shí)際上，量化投資是從各種信息中提取出影響股票收益的重要因素，對(duì)其進(jìn)行數(shù)量刻畫、持續(xù)跟蹤，最終形成一種可解釋、可預(yù)測(cè)的投資方法。這些能進(jìn)行量化的影響因素一般被稱為“因子”，利用相關(guān)因子來解釋和預(yù)測(cè)行情的方法（或運(yùn)行機(jī)制），就是所謂的“模型”。就這樣，因子和模型構(gòu)成了量化投資的兩大核心支柱。
為了讓投資者能通俗易懂地理解量化投資，李子昂還對(duì)因子和模型做了兩類形象比喻。一是Y=F（X）的函數(shù)方程比喻：基金經(jīng)理所要預(yù)測(cè)的股票收益，好比是方程中的被解釋變量Y。要找到這個(gè)Y，需要找到影響Y的若干變量X（因子），然后把X放到F（模型）中去，兩者最終結(jié)合的結(jié)果，會(huì)產(chǎn)生出Y解。除了這種抽象的數(shù)理比喻外，李子昂還有著一個(gè)較為形象的“廚師”比喻。他把量化基金經(jīng)理比做廚師，所要尋找的股票比做一道菜。要做出這道菜需要兩樣?xùn)|西，一是食材（因子），二是烹飪方法（模型）。不難發(fā)現(xiàn)，不同食材搭配不同烹飪方法，則能做出不同菜品。順著這個(gè)邏輯不難發(fā)現(xiàn)，選擇何種因子和運(yùn)算模型，不僅關(guān)系到量化投資的結(jié)果，更是評(píng)價(jià)量化投資優(yōu)劣的關(guān)鍵所在。
有了上述鋪墊后，量化投資以下的重要特征，就不難理解了。李子昂說到，量化投資從本質(zhì)上說是一門關(guān)于大數(shù)據(jù)的科學(xué)，是基于某些統(tǒng)計(jì)規(guī)律去尋求市場(chǎng)超額收益。
“傳統(tǒng)的基本面主動(dòng)投資，也是存在一定量化思維的。比如我們會(huì)基于很多基本面數(shù)據(jù)（如財(cái)務(wù)數(shù)據(jù)、行業(yè)數(shù)據(jù)、宏觀數(shù)據(jù)）去判斷股票質(zhì)地，去推測(cè)這些基本因素和股價(jià)走勢(shì)之間的關(guān)系。但這些數(shù)據(jù)相對(duì)頻率較低，所以大家的關(guān)注點(diǎn)轉(zhuǎn)向更為高頻的信息。比如，現(xiàn)在不少機(jī)構(gòu)會(huì)用每天交易的數(shù)據(jù)做量化模型，去提取出某類Alpha因子?！崩钭影赫f到。
以小市值因子舉例，李子昂表示，近兩年來小市值股票走勢(shì)較好，通過暴露小市值因子的量化模型，有望獲得比較明確的收益。要找到這個(gè)規(guī)律，往往會(huì)用到市值因子。可以把市值分成不同組，每組里面有很多股票，然后對(duì)這些股票在過去一段時(shí)間內(nèi)的業(yè)績(jī)進(jìn)行回溯，就可能看到市值最小的一組股票，業(yè)績(jī)排名會(huì)相對(duì)靠前。當(dāng)然，隨著市場(chǎng)信息增加，量化模型里還可以加入其他因子，最終使得量化因子和模型越來越豐富，量化投資得以迭代升級(jí)。
捕捉全市場(chǎng)超額收益需要兩種能力
理解起來雖不困難，但做好量化投資卻并非易事。如李子昂直言，這既要具備科研精神，還要具備好的工程能力。
科研能力又稱為算法能力。李子昂說到，因?yàn)槿斯ぶ悄芤婚_始并不是為投資或股票預(yù)測(cè)、金融預(yù)測(cè)去設(shè)計(jì)的，大量的AI模型、神經(jīng)網(wǎng)絡(luò)模型一般是用于無人駕駛、自然語(yǔ)言處理等前沿技術(shù)領(lǐng)域。因此，要針對(duì)投資去開發(fā)出相應(yīng)的量化模型，需要相應(yīng)的科研能力和成果（學(xué)術(shù)論文）來支持。可喜的是，近兩年聚焦投資的量化科研論文越來越多。
“但是，僅有科研能力并不夠。因?yàn)橐粋€(gè)模型從開發(fā)出來到真正上市，還要經(jīng)歷一個(gè)比較漫長(zhǎng)的過程。你要看到這個(gè)模型在樣本外有一個(gè)比較好的表現(xiàn)，這個(gè)模型的魯棒性要強(qiáng)，泛化能力要好，自然會(huì)涉及到一些落地要求，比如怎么去訓(xùn)練這個(gè)模型，如何提高模型的可靠性，這就是一個(gè)很強(qiáng)的工程能力?！崩钭影赫f。
這兩大能力之所以重要，是因?yàn)檫@關(guān)系到量化投資方法與模型的迭代升級(jí)。
李子昂說到，量化最早在金融市場(chǎng)或股票市場(chǎng)的運(yùn)用，一般是源于CAPM模型（即資本資產(chǎn)定價(jià)模型），致力于解釋股票超額收益的來源，并逐漸發(fā)展出早期的指數(shù)基金等。但這些早期量化的多因子模型大多是線性的，比如會(huì)從市值、盈利、成長(zhǎng)性等維度去分解股票收益，把這些因子線性組合起來選出相應(yīng)的股票。到后來，隨著機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等前沿技術(shù)廣泛運(yùn)用，量化投資進(jìn)入到了非線性階段。
“一方面，基金經(jīng)理發(fā)現(xiàn)此前很多用來選股的因子，不一定每個(gè)時(shí)間段表現(xiàn)都很好，解釋力在不斷減弱。另一方面，還發(fā)現(xiàn)其他信息，如交易信息、圖片等場(chǎng)景信息都可以拿來建模。隨著這類信息的加入，在AI算力大發(fā)展下量化模型逐漸進(jìn)入一個(gè)新階段，從中能提取出的投資預(yù)判信息越來越多。量化投資逐漸成為賺取大數(shù)定律投資收益的一個(gè)獨(dú)立體系。即是說，這些年來量化投資的進(jìn)步，主要體現(xiàn)在F和X的提煉上，體現(xiàn)在更多的食材發(fā)現(xiàn)和更先進(jìn)的烹飪技術(shù)開發(fā)上。”
李子昂舉例說到，市場(chǎng)上很多研究報(bào)告和新聞報(bào)道，本質(zhì)上都屬于非結(jié)構(gòu)化數(shù)據(jù)，很難直接進(jìn)行量化。但因?yàn)槿斯ぶ悄芗夹g(shù)的進(jìn)步，這些非結(jié)構(gòu)化的信息都可以通過人工智能的方式去學(xué)習(xí)，從而構(gòu)建出新的模型，去推演出因子和股票收益之間的另一些關(guān)系。“比如看K線圖這種技術(shù)操作，未來會(huì)逐漸成為AI的強(qiáng)項(xiàng)。比如，量化模型會(huì)把過去一段時(shí)間內(nèi)的所有K線畫成一個(gè)標(biāo)準(zhǔn)化圖形，通過神經(jīng)網(wǎng)絡(luò)做識(shí)別，就可以和股票未來漲跌幅建立一個(gè)關(guān)系。和人工相比，量化模型能覆蓋全市場(chǎng)5000多只股票，并且不需要休息吃飯睡覺，也沒有情緒波動(dòng)。因此，量化模型捕捉全市場(chǎng)超額收益是一個(gè)大概率的事情。”
AI Lab未來會(huì)廣泛關(guān)注AI的發(fā)展
李子昂2019年加入泓德基金。在泓德基金平臺(tái)上，李子昂趕上了一個(gè)優(yōu)化量化投資的好時(shí)機(jī)。據(jù)李子昂介紹，泓德基金早在2022年底就在籌備人工智能實(shí)驗(yàn)室（AI Lab）一事，后在總經(jīng)理牽頭下于2023年初順利成立?！癆I Lab成立的初衷是想做一個(gè)由公司所有的AI策略開發(fā)團(tuán)隊(duì)，里面就包括了一些量化策略，甚至在未來可能會(huì)將更多的AI技術(shù)應(yīng)用于投研。”李子昂表示，AI Lab 從本質(zhì)上講是一個(gè)偏研究性質(zhì)的組織，主要會(huì)聚焦量化投資，把最先進(jìn)或市場(chǎng)上最廣泛的、最好的AI的技術(shù)模型用到日常投研中去。
“截至目前，我們已基本能完成全模型的端到端開發(fā)，我們的策略從去年四季度開始就已在專戶產(chǎn)品進(jìn)行實(shí)盤運(yùn)用，今年4月份開始在公募基金里去運(yùn)用。總體來說，這些運(yùn)用符合我們的預(yù)期。因?yàn)槲覀冏龅氖侵笖?shù)增強(qiáng)策略產(chǎn)品，量化模型總體投資的Alpha還是比較顯著的?！崩钭影赫f。
李子昂特別說到，泓德基金AI Lab的團(tuán)隊(duì)模式，不是流水線模式，會(huì)更傾向于個(gè)人的端到端過程。“我們的人員不會(huì)特別多，但團(tuán)隊(duì)工作涉及高頻數(shù)據(jù)清洗、落地、特征提取，以及模型設(shè)計(jì)、搭建、訓(xùn)練、預(yù)測(cè)，乃至后端投資組合的生成等方面，我們希望每個(gè)人都具備端到端的能力。然后根據(jù)不同策略的歷史表現(xiàn)去判斷它的權(quán)重情況?！痹谶@方面，李子昂會(huì)著重關(guān)注以下幾方面：一是模型的邏輯是不是互補(bǔ)。如果模型的邏輯能夠互補(bǔ)，我們更傾向于把不同的模型放到實(shí)盤上去。二是模型基于過去歷史業(yè)績(jī)做的預(yù)測(cè)，能不能提取出很好的超額收益。他會(huì)基于這些維度去評(píng)價(jià)模型質(zhì)量。
目前泓德基金旗下的泓德泓信，以及近日獲批即將新發(fā)的泓德智選啟元等基金，都會(huì)應(yīng)用AI策略進(jìn)行選股。高度重視AI策略在公募產(chǎn)品投資方面的運(yùn)用，不僅是基于此前長(zhǎng)期在量化投資研究上面的積累，更在于泓德基金看到了國(guó)內(nèi)公募量化投資的發(fā)展前景。
李子昂介紹，國(guó)內(nèi)公募最早的量化投資應(yīng)該是起步于指數(shù)基金，但那更多是一個(gè)量化范疇的被動(dòng)投資，而如今公募基金在持續(xù)發(fā)展的更多是主動(dòng)量化投資。“公募量化是整個(gè)主動(dòng)量化的主戰(zhàn)場(chǎng)，早在2014-2015年時(shí)已呈現(xiàn)出蓬勃發(fā)展態(tài)勢(shì)。當(dāng)時(shí)有一批從海外華爾街等機(jī)構(gòu)回來的同仁，帶回來了很多海外量化經(jīng)驗(yàn)，包括BGI等海外知名投資機(jī)構(gòu)。他們是國(guó)內(nèi)最早一批用量化方法挖掘A股超額收益的基金經(jīng)理。隨后在這幾年，國(guó)內(nèi)公募開始把視野過渡到偏高頻的量?jī)r(jià)信息上，再用深度學(xué)習(xí)的方法去提取這些信息。幾年前，國(guó)內(nèi)公募就有人用人工智能的方法去做信息提取。目前公募量化的發(fā)展，已走過了從0到1 階段，處于從傳統(tǒng)多因子模型向AI過渡過程。未來，會(huì)有越來越多的團(tuán)隊(duì)把AI當(dāng)成一個(gè)手段和工具去武裝自己，朝著從1到N趨勢(shì)發(fā)展。作為這一大趨勢(shì)的一份子，我認(rèn)為量化投資是大有可為的?！?/span>
量化交易有助于提升市場(chǎng)有效性
除了基礎(chǔ)理論和實(shí)踐創(chuàng)新外，量化投資還會(huì)給資本市場(chǎng)帶來其他“外部性”。一個(gè)很重要的方面，就是在量化交易持續(xù)增加背景下，市場(chǎng)有效性和超額收益機(jī)會(huì)的變化問題。作為量化投資的一份子，李子昂也給出了他的個(gè)人思考。
他對(duì)記者坦言，量化交易趨于活躍之后，會(huì)有助于提升市場(chǎng)的有效性。在有效性較低情況下，市場(chǎng)會(huì)存在不少定價(jià)錯(cuò)誤的套利機(jī)會(huì)。隨著量化投資越來越多，錯(cuò)誤的定價(jià)機(jī)會(huì)就會(huì)越來越少，從而使得市場(chǎng)有效性不斷提升。“只要有人比你能更好地識(shí)別到這個(gè)機(jī)會(huì)，他對(duì)收益的把握就會(huì)比你早。要解決這個(gè)問題，只能不斷優(yōu)化量化模型，讓模型更敏銳地去識(shí)別市場(chǎng)上不易察覺的投資機(jī)會(huì)?！?/strong>
在李子昂看來看，要提升量化超額收益能力，本質(zhì)抓手還是在于X和F。首先，資本市場(chǎng)是個(gè)十分廣袤豐富的場(chǎng)域，存在各類因子通過各種維度去描述市場(chǎng)。但只要新的因子能持續(xù)出現(xiàn)，獲取超額收益的機(jī)會(huì)就會(huì)一直存在。其次，有了因子創(chuàng)新外，在當(dāng)前技術(shù)背景下尋求到新的方法論，也依然存在不少空間?！敖衲昴瓿跞斯ぶ悄?、Chat GPT大火，本質(zhì)上就是屬于方法論（F）的提升。這個(gè)領(lǐng)域會(huì)出現(xiàn)越來越強(qiáng)的Alpha提取模型、人工智能模型、深度學(xué)習(xí)模型，甚至有更多神經(jīng)網(wǎng)絡(luò)模型?！彼裕谶@兩個(gè)維度的優(yōu)化提升，量化投資捕捉超額收益的機(jī)會(huì)依然是很豐富的。
李子昂還提到另外兩個(gè)量化投資優(yōu)勢(shì)。
一是國(guó)內(nèi)國(guó)際視野下的公募量化優(yōu)勢(shì)。李子昂表示，目前國(guó)內(nèi)的量化投資基本都是基于新一代技術(shù)而展開，國(guó)內(nèi)量化群體的科研能力和工程能力在不斷提升。就AI領(lǐng)域而言，中美目前是兩大主要陣營(yíng)，中國(guó)做得并不比美國(guó)差?！爸皞鹘y(tǒng)的多因子模型國(guó)外做得很成熟，海外機(jī)構(gòu)挖掘出很多有效的因子，但發(fā)展到目前的非線性階段。量化模型質(zhì)量的提升就要靠科研能力和工程能力不斷提升了?？蒲心芰?huì)隨著技術(shù)的迭代逐漸進(jìn)步，目前國(guó)內(nèi)的技術(shù)迭代也很快?！?/span>
二是量化基金經(jīng)理的邊界優(yōu)勢(shì)。李子昂表示，量化基金經(jīng)理的覆蓋面本來就是全市場(chǎng)的，并沒有對(duì)某個(gè)行業(yè)或賽道有過多偏好，也不存在某一類特定風(fēng)格偏好，更專注于全市場(chǎng)超額收益挖掘。但這并不意味著量化基金經(jīng)理會(huì)比較輕松，依然是要全身心投入、全力以赴的。“量化投資非常注重團(tuán)隊(duì)配合，不會(huì)把業(yè)績(jī)歸因到某個(gè)人身上。因?yàn)橐蜃娱_發(fā)是團(tuán)隊(duì)協(xié)同的結(jié)果，雖然每個(gè)人都可能開發(fā)出很好的因子，每個(gè)人也都可能有很好的模型，但最終要以集體智慧呈現(xiàn)出來。因此，相較個(gè)人，量化團(tuán)隊(duì)整體對(duì)業(yè)績(jī)的貢獻(xiàn)程度可能更高一些，因?yàn)樾枰罅考w配合，去達(dá)到一個(gè)滿意的效果?！?/span>