AI革命中的量化投资拥抱AI，但不迷信AI

主持人：2025年可以说是国内量化投资的高光时刻，去年量化股票策略的业绩非常亮眼。我觉得今年也很值得期。

讲到AI，去年我们看到AI在编程能力上有一个指数级别的提升，首先想请教三位嘉宾，随着AI从过去的辅助工具逐渐演进成Agent智能体，量化管理人是怎样把AI应用到投研各领域的？

 冯霁  人工智能带来的变革是非常深远的，可能不仅仅是金融投资，对于人类许多智力密集型行业，在未来两三年都会有颠覆性的影响。

回到量化投资，我想讲三点：

第一，大语言模型对编程的颠覆。量化公司本质是一个软件公司。大语言模型可以让程序员的效率提升90%。对于以编程为实现手段的科技公司来说，这是巨大的变革。

第二，另类数据的处理。之前我们需要买处理过的数据，现在只要有足够多的数据源，用大语言模型就可以自动帮我们进行另类因子的挖掘。以前需要人工去处理数据，效率很低，现在有了大语言模型，可以分析更多之前来不及分析或质量不够高的数据。

第三，技术启发。大语言模型背后的技术是通用的，从7年前的Transformer到现在的DeepSeek，发展了7年，这个过程中大家不断学习如何做时序数据的建模。我们可以围绕这些技术搭建端到端的策略。

总结一下，AI对我们量化投研较大的改变，一是编程效率得到了大幅提升，二是另类数据的挖掘更加高效，三是利用开源社区和学术界论文的启发，去研发更好的量化投资模型。

 吕杰勇  回看历史，从AlphaGo开始，就有许多量化从业者把机器学习、人工智能向量化投资领域应用。现在，投资是AI应用的一个很重要的子领域。AI一般会用在以下几个方面：

第一是因子挖掘。金融市场的数据噪音非常大，可以捕捉的规律非常微弱。AI可以捕捉一些微弱的规律，形成因子，帮助人快速发现信号，这更多是对人的一种辅助。

第二是组合优化。组合优化需要大量的风控、回测、参数搜索，人工智能可以加速这些环节。

第三是一些重复、繁琐、繁重的劳动，机器来做非常合适，将这些工作从研究员身上剥离出去，研究员可以专注在研究领域。

我们的态度是拥抱AI，但不迷信AI。我们会审慎配置AI，看准之后再实际落地。纯粹依赖AI，也有一些团队做成功，但和传统人机结合的方式相比，并没有明显优势。人机结合在当前AI的水平下是更合理、可选的路径。

 郑耀  对于稳博投资来说，我们将AI更多看作是人，是智力的提供者。对于智力的提供者，一个是能力，二是信任。

从能力来说，现在的AI基本到达非常聪明的人的水平，但专业知识的积累，特别是量化领域最新的核心技术积累还非常有限。

大家都不喜欢把自己的核心技术拿出来，互联网上能找到的公用知识也不包括这些。而且，人类喜欢深度思考、长程思考。比如研究员思考一个问题可能从5年前就开始了，一直反复思索验证了5到10年。AI在长程思考上难免会走偏，目前技术还没解决这个问题。当然AI也有长处，知识面更宽广。

另一方面就是信任。我们不可能把自己的账号交给AI说你帮我去做交易。很多时候我们并不相信它是可控的。就像多年前看自动驾驶，我们敢不敢把生命交给这辆车？很多时候答案是不敢。虽然数据证明自动驾驶事故率可能只有人类的1/10，但我们依然不愿意把信任交给他，因为背后没有一个能长期对结果负责的人。如果AI写了一个有问题的代码或因子，我们无法要求他对结果负责。

所以，对于AI的信任是逐步建立的，就像使用自动驾驶一样，我们从不敢用，到辅助调速、紧急避险，慢慢开始使用。大语言模型也是如此，是逐步探索，信任一点一点建立。当然也有底线，最终的交易环节，必须是可靠的。风控、交易环节基本不可能完全信任AI。但前期研究时，信任度会逐步上升。

AI模型的黑箱效应构建稳定系统，做到有效监控

主持人：冯总，您之前说过，未来3年内没有使用AI的量化投资经理大概率会被淘汰。能否展开讲一讲您的这个观点？

 冯霁  上世纪90年代，大量量化管理人突然觉得电脑是好东西，于是不用计算器了，编程语言也都换成了C++。

现在就像那个时期，对冲基金都在使用最先进的工作站和编程语言，人工智能对量化投资的影响会越来越大。

我们不是简单的用AI帮我们炒股，这不靠谱。我们做的事情是在整个量化投资流程中尽可能降低人的先验知识和专家经验。在从因子挖掘、信号产生、模型建立到策略产生的全过程中，做纯机器学习的生产线和端到端的训练。倍漾量化在高频策略中是完全能做到的。

另外，纯AI的好处是迭代升级是可规划的。归根结底这是一个软件工程的任务。过去10多年，大家对机器学习系统的升级积累了一些经验。与其依赖最优秀的人不断产生新的灵感，我们希望将灵感这件事摒弃掉。一个现代公司的好坏，不能依赖于几个人的灵感。我们希望将知识沉淀在复杂的学习系统中。当你做出GPT-4的时候，你基本知道GPT-4o长什么样。

当然，人的方向性指导依然重要，比如“老司机”要告诉我们往哪个方向走，这个方向指导下，我们可以用AI把整个系统做好。

主持人：吕总，您刚才提到人机结合。平方和在偏AI的投研模型和传统的投研模型这两方面有什么区别？

 吕杰勇  AI有人将其称之为统计学2.0，是一个工具，不用过度夸大。它是一个工具的升级，提升了投研效率。

机器学习的特点是宽度较宽但深度不够。机器在深度上有些吃力。另外像价值观的东西，比如什么钱该赚、什么钱不该赚，机器没有感知，但人有。第三是机器训练依赖大量数据，对于非常态数据，由于量非常少，所以训练不充分。当市场发生极端行情时，纯机器模型可能会集体失效。这时候，传统简单的一些线性分析或人的经验可能会起到很大作用。机器也有痛点，主要差别就在这里。

主持人：对于稳博投资来说，现在机器学习相关的模型和偏传统的线性模型，我们是怎样权衡和使用的？各自的占比是多少？

 郑耀  我们的观点是，预测周期越长，越应该偏简单；预测周期越短，可以做得更复杂。如果要预测未来6个月哪些公司比较好，机器学习意义不太大。但如果预测未来6分钟，AI能力非常强。

目前行业的平均预测周期大概是在10到20天。基本每一家量化机构的最终组合模型，起码70%、80%是非线性的，线性模型占比可能就是20%、30%。

越短周期纯人工可能越解释不了，解释不了的另一层含义，就是模型的能力超过了人。我们预测周期就是未来10分钟，人预测不过模型，虽然不理解，但它就是做得比你好，这时候相信模型就可以了。

主持人：我们知道AI也有一些不可控因素。想请问倍漾量化与平方和在使用AI模型的过程中，是怎样避免黑盒效应或可解释性比较低的情况出现？

 冯霁  这是一个好问题。什么时候用黑盒，要看他什么时候足够强。

第一，你为什么愿意把性命托付给出租车司机？是因为统计意义上它是安全的。短周期和中周期尺度上，只要统计意义上效率确实好，我们就可以用。

第二，关于监控。学术界有一套严密的框架。在量化领域，尝试解释黑盒模型有多年的经验与结果来帮助我们。

第三，关于人工智能自己的可解释性，我是悲观的。就像人的大脑，智能越厉害，越难解释自己。凡是复杂的事情，都很难用简单的规则去解释。与其解释自己，不如做好监控。只要统计意义上足够优秀，彪悍的模型不需要解释自己。

 吕杰勇  现在AI工具越发达，也越难解释。对于AI带来的可解释性问题，我觉得一个系统的目标是追求收益和稳定性。你这里面要有可解释性的因子，这些因子可以打底，构建一个稳定的系统。再补充一些不可解释的因子，因为它们有很强的统计规律，虽然暂时无法被解释，但也不用排斥。不可解释的因子，在效果一样的情况下，我们选择可解释的，这是一个基本原则。

量化指增仍具配置价值保持长期视野，规避情绪干扰

主持人：2025年开始，A股成交量显著抬升。这样的环境下，高换手、偏日内的子策略会有更多的机会。郑总，最近稳博投资加入了许多日内频段的Alpha策略，我们如何看待现在市场环境下高频和中低频策略的差异？

 郑耀  我们去年到今年研究两个方向。一是中低频方向。我们重构长周期的因子，针对科技公司，特别是芯片类公司，我们往后看5年甚至更久，即使公司现在不盈利。

二是应对市场变化。从长周期来看，可预测性下降了。所以我们希望引入更低频的因子。我们在频段上稍微增加了1-3天的频段信号。我们相信市场成交放量的周期还可能持续一段时间，这时候高频策略会好一些。

但市场总是有成交量放大和缩小的周期。最后我们会发现，每一种策略都需要配一些，需要均衡配置，这样你才能在不同的环境下都有一定的表现。

主持人：去年开始A股成交量放大，量化的业绩也广泛受到关注，规模也增长得比较快。目前量化的整体规模到了2.5万亿到3万亿的区间，各位觉得这个体量会对量化超额有怎样的影响？

 郑耀  我觉得规模是收益的敌人，这话长期是对的，短期值得怀疑。因为规模上涨的过程中，会推高你的风格收益。当这个过程结束，共识被过度演绎了，这时候会产生反转。现在我觉得对于量化共识的演绎并不过头，我们还是在共识凝聚的过程中。

长期来说，参与的人更多了，有效性会衰减，这是必然的。什么时候会更显著？当市场成交额往下走的时候。规模增长带来的另一个反思是，你是不是足够的灵活，可以去调整你的策略。我们对于这件事相对来说比较谨慎，但也比较乐观，还没有到“过了共识要往回走”的阶段，但天花板已经看到了。

 吕杰勇  不能光看规模的绝对数字。现在的规模和10年前比，可能同样的规模放在10年前是非常恐怖的数字。但这10年来，市场的深度不一样了，股票数量增加，参与度增加。社会的财富在不断向股市转移，整体市场深度会变大。现在的量化的规模可能还没有打满，还会有一个比较大的发展。另外也和策略本身有关，有些策略对换手率敏感，有些看得更长，影响没那么大。

主持人：最后一个问题，今年发生很多宏观大事，对量化的超额影响也比较大。想请各位嘉宾给投资人一些建议，今年接下来的市场环境下，量化投资有哪些可以关注的机会？量化指增是否还能配置？

 冯霁  我有两个建议。

第一，中国A股市场是值得投资的。配置A股，量化是非常值得考虑的一类策略。A股市场的非理性程度，有待被量化去纠正。

第二，关于量化指增这样的纯多头策略，越是长钱，越应该关注纯多头策略，短钱应该关注市场中性策略。因为长钱，如果你一年有20%多的超额，大盘可能不会每年跌20%。你买纯多头策略，每持有一年都是你的超额复利，这是非常划算的投资。

 吕杰勇   我觉得有几点比较重要。一是投资的预期要放合理。量化策略是有一定优势的，但也不是万能的，收益是一天天累计的，中间会有波动。

二是应该考虑扣除风险之后的收益。不能只看短期收益，要拉长时间，看风险扣除之后是否还有比较好的收益，性价比很重要。

三是看团队技术的基本面。如果团队优秀，投资理念合理，执行好，意味着未来投资具有持续性。这时候，更多的是看准之后长期持有以获取更多价值。

 郑耀  给投资者的建议是，大家可以等到市场变得平稳的时候再做决断。无论是买入还是卖出，这时候会更理性。

与其在不知情或恐慌的情况下做动作，不如等到市场平稳，对未来有前瞻能力的时候再做判断。这对多数普通投资者来说会是比较有帮助的。

长期投资的理念，对于量化，特别是指增型的策略是非常重要的。你不要追短期的高点，也不要对短期调整有太多的恐慌。

风险提示：
投资有风险。基金的过往业绩并不预示其未来表现。基金管理人管理的其他基金的业绩并不构成基金业绩表现的保证。相关数据仅供参考，不构成投资建议。投资人请详阅基金合同等法律文件，了解产品风险收益特征，根据自身资产状况、风险承受能力审慎决策，独立承担投资风险。
重要提醒：
本文版权为好买财富所有，未经许可任何机构和个人不得以任何形式转载和发表。