大数据分析是价值洼地 收益方面将会有一些明显提升

　　新浪财经讯 12月23日消息，由私募排排网主办的2017年第六届中国对冲基金年会于2017年12月23日在上海举行。活动举行了以“大数据与智能投顾助力量化投资发展新篇章”为主题的圆桌会议。　　

　　上海雷根资产有限公司总经理李金龙 先生

　　上海富善投资有限公司期货量化部总监田源 先生

　　上海 千象资产管理有限公司总经理马科超先生

　　深圳市衍盛资产管理有限公司董事长章友先生

　　深圳悟空投资管理有限公司投研副总裁江敬文先生

　　杭州明得浩伦投资管理有限公司首席投资官孔令坤先生

　　主持人：首先按照惯例，请几位嘉宾先简单自我介绍。李总先来

　　李金龙：大家下午好，我是雷根基金李金龙，雷根基金是一家一直致力于资产管理公司，从最早的量化，包括期权，混合策略，我们一路走来也都是随着成立的年限不断地增加，我们现在整体是在股票，还有证券，我们一直追求着低风险，中等收益为主。

　　田源：大家好，我来自富善投资，我叫田源，其实这个量化公司差不多，公司专注的投资方式也跟李总公司一样，我们成立于2013年，在量化期货和量化股票领域坚持耕耘，连续三年获得金牛私募，今年量化不太好做，我们正好跟大家一起讨论一下这个问题。

　　马科超：大家好，我是上海千象资产的马科超，我们专注做国内期货、股票、期权这些存量化，纯自动化交易的，现在规模30亿左右。

　　章友：大家好，首先感谢私募排排网组织这次会议，非常有幸见证私募排排网已经成立13年，给我们私募找到一个归属的家，然后衍盛资产是一个专注于股票交易的团队，香港是我们境外投资总部，我叫章友，我是衍盛资产投资总监，我之前在创立衍盛资产之前，我是在高盛，负责股票衍生品交易。

　　江敬文：大家好，我是悟空投资江敬文，我们公司09年成立，我们也是一家坚持做绝对正收益私募机构，包括今天获得的常青树奖，各种条件都是比较严格的，而且我们基金经理是五年期股票策略私募景林资产。

　　孔令坤：我是孔令坤，杭州明得浩伦投资创始人，明得浩伦是一个相对年轻公司，刚刚今年两年整，我们团队主要从伦敦归国，目前国内管理规模8个亿左右，主要是在我们叫宏观管理期货里面，就是中长期趋势跟踪，典型的伦敦风格的策略，这是我们公司目前的特点，公司明显的发展在这块继续增强我们的认可度，在股票方面也有一些新产品推出。

　　主持人：第一个问题聚焦风控话题，如何做好这个风险控制，先请田总？

　　田源：这个问题很好，今年对这个问题有一些新的认识，因为我们一直讲量化风险投资是优势，因为量化投资追求广度，会有很多品种，而且喜欢比较快交易，这样就能够跟主观投资相比，能够规避掉很多风险，甚至有危机时候的α出现，但是今年来说，问题也带来不利因素，量化投资经常一直持仓，不像主观判断，我有的时候觉得机会不对，就不做，量化模型大多数时候是要持仓，一直持仓就有可能连续亏损，虽然你每天的亏损可以不多，多品种，对冲，会有连续亏损问题出现，首先要说风险控制，不管什么样的控制，单日亏损还是连日亏损，都是一个资产管理公司必须要注意的，我刚才讲的今年的情况，对我们提出了另一个要求，你能在一个亏损到来的时候，比较准确判断出量化逻辑出了问题，还是市场暂时这样，因为我们可以看到，如果说你有这个能力判断，比如说这只是暂时市场异常，而不是逻辑出了问题，就可以比较坚持自己做法，这其实是一个好事情，我们今年看到在期货市场上很多团队很有求，虽然亏了很多，但是后面有机会来的时候赚了也不少，说明他们可以坚持自己的做法，但是同样你确实要对自己的策略逻辑的风险，策略失效风险有一个清晰认识，这是我们今年新的认识，也是大家要提高的方向。

　　主持人：马总关于风控有什么看法？

　　马科超：不光净值回撤的时候，我们对于风控的理解，我们定义的风控就是你的实际持仓，或者实际执行过程当中，你发行了与模型有任何不一致地方，内部就会定义为出了风控事件，策略方面非常分散，持仓方面，根据内部理论控制，一定要无时无刻分散，不能够重仓，再就是计算机执行层面不要出现任何问题，通过这三部分控制净值回撤，每一瞬间都要确保理论模型被完美执行好。

　　主持人：这个问题同样问孔总？

　　孔令坤：首先有一点，其实量化并没有天然就比主观投资风控可以更好，其实并没有这么严格说法，但是量化来说为什么国内投资人之前都觉得风险很小，我觉得最重要原因是因为2015年之前股票中性策略，总的来说风险控制比较好，大家有一个潜意识就觉得风险应该非常小，实际量化只是一种方法，除非你是做高频交易，可能把风险控制丰富小，其他一些容量比较大的策略，其实风险控制有很多时候也跟市场有关系，你只要严格执行策略的逻辑和整个系统稳健，如果是市场原因导致一些回撤，很多时候从策略层面来说你并不能做太多事情，当然产品层面还是有风控，那是有严格的，比如说每日仓位监控啊。

　　主持人：我们聊完了风控，再再聊聊关于大数据话题，量化的基础就是数据，今年以来对于大数据，国家层面上看得更重，在未来大数据发展过程当中，对于整个量化投资，可能会带来一些什么样深远影响，也请几位展望一下？

　　李金龙：其实对于数据来讲，特别对于做量化的，是很重要的，现在传统的分析一些数据是比较基础的，我们可以把这些数据定义为结构化数据，比如你分析任何一些年报数据，之类的数据，都是可以通过万德，或者其他数据服务商可以买到，这种数据称之为结构化分析，但凡只要买数据的人都在做这个事情，研究数据首先采集样本大家都是一样，大家策略可能同质化比较严重，因为数据都是从这里拿出来，再怎么变着花样弄也是这样的东西，我们在数据方面，我们今年做的是一些非结构化数据，比如说舆情分析，搜索方面的，图形分析，是需要我们建数据库，其实在整体的过程当中最重要的，而且比较烦的事情数据采集上，因为数据采集首先标准化不一样，然后数据采集之后数据处理、数据分析，最后才能入库，正式地做测试，从回撤，一直模拟实际交易，这个过程比较长了，不过这个事情还是要做的，对于未来真正做大数据这块，大数据分析是一个价值洼地，同时也可以在这种数据当中分析出来跟其他不一样的策略，大家同质化策略不会特别严重，相关性不会特别高，在收益方面可能就有一些明显提升，谢谢。

　　主持人：也问一下江，大数据时代你们觉得给量化投资带来怎样影响？

　　江敬文：这个问题我们研究比较早，对整个市场认识，首先对这个市场做了高伤害定义，我们定义为高通量，大速度、大尺度，高维度，多层次市场，大尺度，高通量高速度反映了大数据层面，对我们现在投资形成了影响，以互联网和移动互联网，这个信息传播体系变得非常扁平化，可能以往利好的信息传播需要时间非常长，现在很可能一个利好利空的信息发出来之后在资本市场体现出来，为了应对这样的市场特征，首先从管理架构上做了处理，是人和计算机结合，传统一些基金管理模式非常依赖于基金经理主打工作，主要是利用基金经理在经验上非常丰富，以及对一些投资机会敏锐性的优势，利用我们团队弥补这个基金经理个人认知的差异，这个团队补充会屏蔽掉一些影响，在大数据高通量高速度维度上面，我们会利用计算机优势，处理数据的优势上面，我们也会开发很多量化的模型来做处理，这是在管理层面上做的布局，在技术上布局，刚才前面一位领导也提到了，除了一些结构化数据，或者很容易获得，大家都在挖掘结构化数据投资机会，同时也会利用包括舆情、图片非结构化数据来做一些开发模型，另外一块大数据市场环境之下，导致全球资产联动性非常高，把海外投资也纳入到我们体系当中，完善整个投资架构，基本上从管理架构到投资上做了这样的应对措施。

　　章友：我们的做法其实是更多是秉承专业的人做专业的事情，跟很多大数据公司进行合作，我们只是做对接方，他们做的事情搜索、搜寻和整理这些数据，根据我们的需求，我们做的事情把这些数据合理地结构化，进入我们的数据库，然后进行合理分析。随着这些更多非结构化数据加入，计算机可以更好向投资经理，像研究院一样分析公司，分析股票，同时又能避免投资经理出现情绪波动，不及时止损，以及精力有限的问题，我相信在下一步投资中，这种系统化数据，大数据会给量化投资带来更多的盈利和发展。

　　主持人：接下来的问题问到几位，我不知道人工智能给量化投资带来什么样的影响和挑战，李总你们公司在运用人工智能上有什么情况？

　　李金龙：我们对人工智能现在用得不特别多，有些理论的东西跟实际操作还是有差距性，我们还是在边缘化一些东西，人工智能只是一个概念火，模拟人类一些思路来的事情，其实现在对于这块，我们加入了一些股票方面的深度学习的东西，比如说我让我的策略或者让我模型，把我大概400多因子丢进去，让模型帮我选出我想要的东西，他学我嘛，模拟我，这样不断地，一个季度，或者几个月也好，选出一些市场上比较好因子，包括我们思维选出的因子，利用这种因子选股票，进入投资，至于其实我感觉人工智能这个对于国内市场投资，还是看整体衍生品开放程度，毕竟有很多是需要接口问题，对于量化投资在人工智能方向，要结合一些数据东西，大数据+人工智能会预测一些东西，然后我们根据预测的事情进行投资，然后做分析，这也是一些新的数据，也是新的投资机会。

　　主持人：因为现在根据了解，很多的公司里面，说人工智能，就机器学习能力，很多是噱头，我不知道您公司机器人学习能力怎么样？

　　李金龙：我们没有机器学习，我们都是自我学习，这个市场就是这样，因为有各式各样问题，个人问题，产品问题，内外在因素很多，机器学习是跟不上人思维，而且政策性变化，机器怎么学，学不来，有些监管制度，包括有些制度性东西，而且外来的因素，还是需要人佐证，这是比较关键。单纯地不要迷信于量化，要理性地看待事情，量化不就是为了理性嘛。

　　主持人：你们公司现在人工智能用得怎么样，章总？

　　章友：其实大家说人工智能，可能近几年才火起来，其实在华尔街，我知道70年代就已经开始，大家用一种，简单说，用数据分析方式，都是一种积极学习，它是在学习一种模式，根据回策结果做预判，近期很大变化用一些深度学习方式做，深度学习跟原来最大区别，在于之前的这种学习出来的模式是可解释的，历史上来讲，比如PED股票未来一段时间表现好，回测结果很好，可能是因为估值比较低，未来增加会相对快一些，但是机器学习告诉你，在这个时间点买了，不会告诉你为什么买，现阶段机器学习是起到辅助作用，其实在机器学习也做了前沿性研究，因为我们跟清华大学一起成立量化投资实验室，我们共同发表了一篇文章，基于人工智能的一个算法，由于不可解释性，我们看到这个结果之后，其实也并没有上线，当然作为学术界角度，这是一篇很好文章，但是离实际运用还是有一定距离，下一步需要做的事情，怎么样能把人工智能和AI计算结果更好地，可解释性更进一步提升，我相信这样人工智能在投资领域会有更好的运用。

　　主持人：江总呢？

　　江敬文：刚才也说到大数据，计算机在大数据领域运用，具有优势的，但是回到现实当中对一些高纬度问题，现在计算机没有办法处理，举个例子你让计算机告诉你现在慢牛行情，他得不出这样的结论，，我们也在深度学习方向做了比较多研究，也跟章总他们一样，我们公司有一位外部专家顾问，清华大学的夏老师（人名），他14年开始做人工智能领域研究，收下带了20几个博士生，也在全世界顶级期刊和会议上发表很多论文，他的博士生目前也是BAT，在人工智能争抢对象，大家都知道现在这个领域薪酬非常高，因为做了这个事情比较久，关键的人在这个技术上投入，其实是起到很重要的作用，我们在人才投入上面也在跟他们竞争，另外一块跟夏老师这边，这个博士生团队现在也在做一些课题研究，每周都会跟他们进行沟通，目前可能在机器学习，传统的模型应用比较多了，这些都不是深度学习模型，我们也会直接拿一些深度学习模型，开发量化模型，但是目前我们得到一些结果都不是说特别理想，但这个方向我们理解是没有问题，只是怎么应用这个技术是关键，所以目前我们做了一个折中处理，因为在这里面关紧的突破点，很核心的因素，找到这个关键特征因子，主要聚焦在特征工程研发当中，因为刚才章总也提到，很多现在深度学习模型是一个黑箱模式，你在调参数过程当中，如果你是一个黑箱，一旦出现问题就不知道怎么处理，所以我们做了折中办法，我当然目前也没有办法形成结论，说我们走了折中路线最后能走出来，目前我们主要是在量化中，确实已经投入到比较多的人工智能的量化开发当中。

　　主持人：刚才说过关于机器学习，江总您多说一些，很多人觉得噱头，我想问一下您公司现在情况而言，机器量化投资中到底学习能力情况怎么样？

　　江敬文：模型本身深度学习算法，自身学习能力比较强，但是在资管领域当中，目前因为我们自己也没有很成熟模型，我们了解市场，可能我接触的相对会有局限性，也不知道市场当中目前有没有这样的模型，我敢肯定说这个方向没有问题，人工智能这个方向之所以爆发，我们现在单位计算成本迅速下降之后，尤其资管行业是最靠近钱行业，很多资本会聚集过来，而且不一定在C端变现，这个过程当中也会带来技术进步，可能这个步伐会向前迈进特别快，大家不要对这个方向有怀疑。

　　主持人：这个问题也请孔总谈谈？

　　孔令坤：我觉得前面几位老总也谈到了，实际上怎么讲，这个人工智能主要还是在科技领域用得比较多，目前在资产管理行业，大家探讨得比较多，实际上有什么非常明确的，比较好的效果呢，其实也不多，比如说英仕曼集团，主要基金叫（英文），好几年前就已经放入了跟牛津大学一些合作的一些人工智能算法，但是你从他过去几年历史表现来看，和其他一些传统的基金去看，并没有明显的提升，就像前段时间他们CIO也说了一些，目前他们在做很多研究，但是主要的目前觉得应用的可能会有效果，那是在指令执行方面，一般他们有自动的执行的柜台，然后也有银行对接人工柜台，他们会根据历史表现，自动选择到底经过哪条路径执行指令，这些方面可能会有一些效果，但是其他方面呢，还没有特别明确的例子，非常有说服力，总的来说金融市场是开放的市场，和一些相对封闭不太一样，所以相对围棋是比较能够适用，金融市场永远是在改革。

　　主持人：田总你有什么样看法？

　　田源：我们做量化的都是理工学霸，一张嘴比较专业，据我了解，市场上其他参与者已经把我们看成机器人了，比如说做期货的，如果出现了跟随趋势剧烈的波动，他们就会说哪哪机器人开始下单了，人工智能这个东西在真正市场里各有各看法，但是机器学习这个东西有比较明确定义，主持人：刚才问得很好，机器学习在投资里面是不是噱头，机器学习就是高级应用统计，高级一点，实际上机器学习最近几年成就大家很熟悉的，α狗主要是在深度神经网络进步，而黑深度神经网络据我们理解，更适合处理具有明确空间结构东西，比如说图象识别，下围棋、文字识别，主持人刚才说的机器人写稿子，我觉得可以，我们都知道现在机器人会写诗，挺通顺的，能说不是稿子吗，有明确空间结构的东西是很适合应用现在机器学习最新科技，但是机器学习其他方面内容其实在几十年前都存在了，比如说举个例子，我们给房子估价，受到地理位置、周期环境、等零散信息影响，这个机器学习就能用得好，金融市场为什么用得不好，原因是金融市场交易机会不是那么显著，如果是显著大家都看到了，不用机器人，人都看到了，就会消除掉，所以始终不会很显著，在这种情况下，如果你用机器学习方法，确实需要一番功夫，你不能简单把它丢给机器处理，你要人为的结合你的知识，找出最好方案，所以客观评价机器学习在量化投资里应用，我觉得最近确实看到了一些基于机器学习一些做法，但是我认为他们成功呢，还是很依赖于创造者，在事先对它的应用范围，还有处理的信息进行很好限制，但这个以前是没有，以前大家对这种东西试都不试，现在确实有人，还有些成就，但是你说这个东西像在其他领域一样，丢给机器就科技投资了，我觉得这个还有很长路走。

　　主持人：最后也请几位分享一下，几位公司在未来整体投资策略。

　　李金龙：简单说一下明年吧，因为每次到年底的时候开始开务虚会议，对今年总结，明年展望，2018年整体的投资策略三块，第一块A股，更多围绕一些指数做，比如说500做一些超额，1000是最近做的比较多，包括MSCI指数增强这类的，对冲方式会采用折式对冲，不会百分之百对冲，这是股票方面，策略也会随着市场不同变化及时调整，因为毕竟结合市场情况做一个相对收益率，第二块商品期货，我们在今年做了很多图型分析的东西，商品期货明显还会以高频角度做，高频必然有个规模限制，收益和风险，规模很难达到面面俱到，商品期货这块可能会做一些基本面研究，因为商品毕竟是全球化的，A股也是逐步步入全球化，第三个境外市场，因为我们雷根在今年有幸拿到香港的（英文），综合来看，我们更希望做精做细，做专，也是做多样化资产配置，不会盯住一个市场，如果单一市场受到波动，对于整体收益方面有很大影响，这就是大概2018年一个简单的方向，不排除有变化。

　　田源：我们觉得2017年之所以量化不好做，因为太多事情发生变化，我们希望量化回测跟预测一回事2017年就不是一回事，为了应对这种变化，我们也很简单，在期货和股票操作思路上有所体现，期货上做深度，我们会挖掘在2017年也有效果，在以前也有效果一些策略，我们只采用这种策略，以前效果可能弱一点，2017年仍然管用，我们如果说市场风格延续，这样的策略还是经得起考验。股票上缩小策略应用范围，因为完全坚持以前的这些选股因子，肯定是有很多不合适地方，所以我们会跟随市场风格，我们预计明年市值100亿到500亿股票，一分析经过过去几年成长，有一些已经成为行业龙头，成为核心资产，另一方面2017年这波估值挤压中，估值没有被过度追高，纵向和横向上比较有吸引力，我们会把选股范围缩小到这样的范围内，既符合市场风格又符合量化选股逻辑。

　　马科超：明年会专注国内，我们认为国内是全世界波动性最大，交易者结构比较初级，整个市场机制特别初级的市场，像现在很多大型外资机构在国内申请私募牌照，试图分得一杯羹，我们既然在本土，我们会对股票市场，证券市场，希望在明年做的更细，招到更多优秀人才，把这方面做的更细，因为今年是一个小年，有些东西发生剧烈变化，还是因为量化这个领域里面，包括数据，执行方面，还有很多东西是可以非常非常细化研究的，我们相信一定会像海外一样，现在海外基本上七八十都是由机器发生，我们很相信美国，海外现在的情况就是中国未来五到十年情况，我们会专注做数据、模型，做得更加细化。

　　章友：明年可能会专注于对量化选股策略，明年从一线蓝筹，可能明年会关注到盈利比较好的二线蓝筹，因为如果全市场只有100多支股票涨，做价值投资就可以了，做量化投资，逐步沉淀到二线蓝筹，会给量化类选股就非常好的效果。CTA（音）去年表现不好，多杀多，空杀空，今年的很多人发现亏钱了，那么今年回撤很多资金赎回比较大，明年竞争会降下来，这也是利好因素，重点讲一下期权衍生品计划，我觉得这块其实是明年非常好风口，今年这两年也正好在上海见了几位资方，期货公司、证券公司，会发现今年个股期权交易量是去年几十倍，除了新增两个小伙伴，501F期权也提高了很多交易量，今年达到五六百亿交易量，已经变成全球第二大ETF期权交易，同时场外期权确实风声水起，产业客户，个人投资者和机构投资者认可度越来越高，我觉得未来一段时间，期权类策略包括场内加场外，另外家可转债，因为定增受限制，可转债成为非常好途径，过去一两年时间，可能十几二十几支可转债，加上场内场外期权我相信是明年的风口。

　　江敬文：我们大的策略方向，基本面量化，市场特征量化，一块选时对冲，我们关注未来科技进步方向我们会找相应行业，有基本面支撑，然后成长性足够好，以及估值可接受部分，组成行业对冲架构，这是我们基本面量化组合部分，明年在市场特征量化以及选时对冲部分，主要是为基本面量化这部分增强收益做服务，我们在选时对冲架构里面不是纯量化架构，会有一些主观因素，因为我们对A股市场风险判断，不是因为某一个风险事件出现导致盘面变化，而是累积风险不断地出现，累积起来的效应导致整个市场发生变化，我们还是会继续坚持这样一套风控体系运作下来。

　　孔令坤：因为明得浩伦目前主要其实还是比较专业的在中长期的宏观管理期货策略，这块我可能稍微多讲一点，刚刚前面张总也提到了，像圆盛基金，过去六年每年20%左右回报，几年目前两个百分点左右，相对比较困难，但是实际上这没有什么奇怪，因为管理期货基金特别长线的一个月，两个月基金容量很大，比较适合于一些相对大一点机构类资产配置，因为你只是一些高频类容量相对有限，大一点机构希望容量比较大，这样的策略，如果某一年相对比较困难，根据海外经验，一般接下来相对机会会比较多一些，因为其实最核心的大家的信念，或者一个理念在于，大家觉得在期货市场趋势性行情永远反复出现，这也是海外上百年数据反复证明过，像圆盛类型基金坚持一个比较纯粹风格。明得浩伦，我们做的事情基本上很相似，我们称自己为宏观管理期货基金，我们现在也不简单说是CTA基金，因为我们遵循的是一个相当于一个字体自上而下投资流程，在整个板块和所有品种之间，动态权重配置都是由系统和数据生成，而不是人为主观输入，像今年明得浩伦总的来说，目前在长线CTA里面表现还算可以，今年有大概八到十个百分点收益，我们觉得实际上市场机会永远在哪，但是最关键的是，我觉得如果经常太过于频繁追寻热点，比较容易可能会抓到尾巴，而不是刚好你在某个板块或者热点起来之前，能看好配置进去，当然这个是宏观经济学家干的事情，我们坚持做的事情，遵循我们一个比较稳定的风格，长线趋势跟踪，适合于大体量资金的策略。另外对于明年一些比如说对冲类多因子选股策略，我们觉得现在来说，经历过前几年的多因子选股的，比如说2015年之前收益率很高，偏向于小市值，然后2015年之后的，我们接下来对于多因子选股策略，有两个观点，第一，其实风控是最重要，首先你是否真正的坚持了所有风险因子层面中性，之前其实我觉得很多并没有实现的，第二点，多因子在风控非常严格情况下预期可能5%和10%之间，对这样的，如果你有一个比较切实的预期，实际上慢慢的这样的策略仍然能成为大量资金配置主要的去处。因为很多资金也不是说一定追寻很高收益。这是我个人对明年一些看法。

　　主持人：谢谢几位的分享，由于时间关系，这一组分享暂时告一段落，谢谢各位！

　　主持人：各位领导，各位嘉宾，朋友们！

　　2017年（第六届）中国对冲基金年会到此圆满落下帷幕。感谢来自国内外的私募精英为我们分享他们的投资智慧，感谢各位嘉宾的积极参与，感谢赞助单位、协办单位、媒体朋友的鼎力支持。

责任编辑：郭春阳