依托AI技术，打造科技型量化私募

主持人：相比于欧美成熟市场，量化在中国仍是一个较新的投资范式。从您的经验看，当前中国量化投资处于什么发展阶段？

冯霁：相比华尔街等老牌量化投资机构，中国量化投资还很年轻。私募行业的阳光化监管也就经历了十来年时间，沪深300股指期货这种重要的对冲工具也是十余年前才开始推出的，国内程序化交易技术仍处于持续完善阶段。

过去十年，量化投资逐渐被公众认可。如今，量化投资已成为二级市场不可忽视的力量，它不仅为市场提供了流动性，也以一种科学的投资方式服务于广大投资者。

未来，中国量化管理人的发展方向是与国际接轨、走出国门并更全面的全球化。倍漾量化的目标就是成为全球性的量化投资机构。

主持人：如今的量化私募机构可以大致分成两代，第一代是2011-2015年成立的传统量化私募，第二代是2019年后涌现的，凭借AI新技术的优势，快速步入行业前列的管理人。您觉得第一代量化先驱与第二代AI驱动的量化机构有何根本性的不同？

冯霁：国内第一代的量化先驱普遍有全球量化对冲基金的背景，他们将全球量化投资经验迁移回国，并发展成本土领先的量化资管机构。

倍漾量化这样的第二代量化投资机构，可以看做是由AI科学家组成的“AI原生公司”。我们的定位是科技公司，专注于AI技术在金融市场的应用。公司完全由一帮“圈外人”构成，我们把投资这件事情当作一个纯粹的人工智能任务，组建了倍漾量化，尝试用AI破解金融市场的规律。我们希望打造成硅谷型的科技企业，而非华尔街型的金融企业。

在具体的量化投研方法论上，第一代量化先驱更依赖专家经验和传统流水线分工。而倍漾量化这样的第二代量化机构，更注重于依托第一性原理，通过AI技术用市场数据训练模型，对专家经验的依赖较小。分工和组织架构也有显著的不同，我们为了彻底释放AI的能力，重构了投研的生产线，尽最大能力搭建一个机器学习底座，支撑所有投研任务。

主持人：在投研人员招聘上，倍漾量化与传统量化机构有何不同？

冯霁：传统量化机构可能更偏好招收具有丰富经验的专家或是“老司机”。而我们更希望引入年轻的AI科学家，也就是“小天才”。我们更注重研究员能给我们带来的人工智能领域的突破，而并不特别强调他们的金融经验或背景。

我们的团队分工也与传统量化机构不同，传统量化机构可能会分为因子组、信号组、模型组等多个工作单元，进行流水线分工。而倍漾量化的三大主要部门是负责核心建模的人工智能组、负责交易算法加速的硬件组、以及负责基础设施的IT组，我们的架构其实更类似于科技公司而非金融公司。

保持技术优势，持续打磨细节

主持人：你认为AI技术会如何改变国内量化行业的竞争格局，AI技术给倍漾带来了哪些优势？

冯霁：AI对智力密集型行业的冲击是“工业革命级别”的，可以类比上世纪末计算机普及对量化投资的影响。

AI技术能够发现人工难以挖掘出的信号，同时，AI模型的迭代路径是易于规划的。举个例子，开发出GPT-3.5模型之后，研发团队基本能明确GPT-4.0模型什么样，有明确的改良与进步方向。倍漾量化也是如此，我们模型迭代的排期很明确，知道我们下一步该优化哪里，如何优化。

另外，AI非常擅长挖掘非线性关系，所以对于高换手策略开发，AI是非常重要且不可或缺的工具。所以倍漾量化依托在AI技术方面的优势，更加专注于短周期策略领域。

主持人：有人说AI模型容易出现过拟合问题。我们如何解决策略AI“黑盒”的可解释性问题？

冯霁：对于AI“黑盒”的可解释性问题，有两种办法，一种是用一个可观察的白盒模型进行模拟和拆解，比如说，barra框架就是用来分析一切黑盒算法的。通过把超额拆解为barra因子，剩下的就是真的alpha收益。这件事情在工业界已经沿用很多年了，非常成功。

第二种路径是与其解释，不如监控。这就好比坐网约车时，我们不需要时刻听取司机解释他的驾驶方法和路线，我们事先已知道网约车事故率非常低，所以相信乘车是安全的，是能有效运载我们到目的地的。高换手策略也是如此。通过设置足够的监控指标，只要统计意义合理，就可以继续使用。换句话说，低换手策略对解释性要求较高，高换手策略核心是监控，而不是解释。

主持人：您为何选择了量化投资这条赛道，而非其他的AI应用方向，比如大型语言模型领域？

冯霁：我在加入创新工场，担任南京AI研究院院长的时候，我们调研了多个AI技术的应用方向。经过一系列调研后，我们发现国内量化行业的生态相比头部科技公司来说有些落后，尤其是AI技术的运用层面，明显和硅谷相比有不少不足。所以我们计划用AI把量化投资这件事重新做一遍。从期货切入，转而做股票，后来不断取得突破，实盘业绩和理念也受到越来越多投资者的认可。

相比其他应用方向，量化投资对我个人而言更好玩一些，我坚信金融市场是一定可以被AI所理解的。

主持人：在倍漾发展过程中，您觉得遇到的最大挑战是什么？

冯霁：各家量化机构的差异的核心之一是细节的极致化处理与性能优化。拿大语言模型来说，很多公司都在做大语言模型chatbot，那为什么DeekSeek就让人感觉更好用、更具突破性，其他的一些模型就相对落后？其实LLM这件事情的技术路线大方向都是明确的且相似的，而差距体现在工程细节的打磨上。量化投资机构对于工程细节的关注，是超过互联网公司的，我们对于工程实现需要极致化，才能挣钱。

投资也是一样，在倍漾发展过程中，我们力求每个细节都做到最精、最细、最极致。从数据的清洗，到L2行情的处理，再到讲复杂模型的高性能实现，我们是按纳秒为单位计算的。我们也自研了自己的编译器，能够高效编译各类机器学习模型。

监管环境趋于稳定，看好量化股票策略发展

主持人：随着量化投资交易规模的扩大，监管层也在不断完善相应的监管政策。有投资者担忧监管政策对量化交易的影响？倍漾如何看待这一问题？

冯霁：我的理解是，监管层重点规范的是价格操纵或幌骗交易类的不合规交易行为，而不会限制科学的投资方法。倍漾量化的定位是做市场流动性的提供者，和错误定价的纠正者，而不是市场价格的影响者。监管层对不规范交易行为的约束，作为管理人角度是非常欢迎的，这也是各国的惯例。

主持人：今年上半年量化产品热度提升，尤其是量化全市场选股产品，展现出了更强的业绩竞争力，您如何看待各类量化股票策略产品，量化指增与量化全市场选股产品，您觉得哪类产品发展前景更广阔。 

冯霁：首先我非常看好量化股票策略产品，倍漾自有资金的相当一部分都配置在纯多头性质的量化股票产品中。

首先是量化指数增强类产品，它的一个优势是，如果管理人能做出年化20%+的超额，那么这个产品大概率就能为投资者持续累积绝对收益。因为指数一年下跌超过20%的情况很少见，而且连续出现的概率更低。所以如果管理人每年能跑赢指数20%，那他的超额大概率能抵御指数的极端波动，为投资者提供非常有吸引力的绝对收益。

不过指增产品的问题在于它需要投资者自己进行指数的选择，并且管理人需要对标指数，这就对量化投资形成了一些约束。量化全市场选股产品则更纯粹，它的目标就是为了跑赢股市整体，对量化管理人开展策略的约束较少，且不需要投资者去选择指数。两类产品各有特点，我觉得都是很好的产品形态。

风险提示：投资有风险，决策须谨慎。文中观点不代表平台投资意见，内容仅供参考并不构成任何投资及应用建议。未经好买财富授权许可，任何机构和个人不得以任何形式复制、引用本文内容和观点，包括不得制作镜像及提供指向链接，好买财富就此保留一切法律权利。