林楚蕃：量化交易实现的本质 研究即交易

　　新浪财经讯 3月30日，由资管网和直达国际共同主办，联合多家证券银行金融机构、行业协会、私募机构、研究机构、实业企业等，举行的“第五届（2018）中国资管精英大会”在深圳召开，新浪财经作为独家网络财经媒体直播本次会议。首先开幕的为“分论坛一：衍生品时代·2018年投资机会与风险论坛”。深圳数字动能信息技术有限公司产品总监林楚蕃参会并发表演讲，他的演讲主题为《量化交易实现的本质：研究即交易》。

　　尊敬的各位领导、各位嘉宾，早上好！非常感谢资管网给我们这个机会，让我们可以在这里跟大家一起探讨一下我们数字动能，跟大家倡导一下量化交易的本质--研究即交易。

　　在今天演讲之前，我先给大家稍微介绍一下我们公司的情况。我们是一家科技公司，我们是专门服务于二级市场资产管理机构的金融科技公司，基本上是在策略研究、资产管理、业绩分析上面做了很多科技的投入。我今天想探讨一下我们公司有什么对量化交易本质上的理解。

　　我今天的内容主要分成三个部分，第一部分是有这样的一个故事，在2017年结束的时候，那时候我们圈内一大群朋友，大家在探讨我们做量化也做了这么多年了，其实我们自己从本质上是不是有这样的一个想法，就是我们做量化的人是不是有一种感觉可以在技术上面碾压，比如说像那些传统交易方法的人。

　　在这个问题上，我们一起探讨，因为我们本身做量化，我们觉得自己做的很多模型，比如说一开始用AI模型、机器学习、深度学习的方法，我们应该可以达到一个比市场上很多人优异的成绩。但是其实我们后来也和行业里的大佬对比了一下，我们就会陷入在行为金融学里面经常讨论的一个点，就是Owerconfidence bias，我们觉得用了很多模型就比较牛，但是在交易层面上来说并不是在于数学模型厉害，你的收益就肯定会高。在这个点上，我也想给大家带来一些思考，其实我们做量化本质上是不是说需要从高收益或者从什么点上来想呢？这是我跟大家提的第一个点。

　　第二个点，特别有意思的是，我们有一次机会和永安的肖总交流的时候提到一个点，他们那边做的规模是300个亿，据我所知应该现在不止了。那个时候很多做量化的朋友一听到300个亿，很多做量化的人说我可能30个亿都不到，300个亿的规模对于我们来说太夸张了。从话语权的层面上来说，在私募上永远是以规模作为首先的评价标准。所以我们做量化的人，很多时候在市场上的话语权是永远都不够的。

　　在这两个问题上，我们可以看出一个点，其实我们做量化本质上来说，它好像并不是能够战胜传统做宏观研究或者资本面研究的人。为什么我们到这个时间点还会有这么多的人，我们每天去研究模型，每天去研究我们的交易逻辑，我们在做量化交易，为什么我们会选择这个时候做量化交易呢？我觉得主要有三个点，我们做量化的人都很明白，我们做量化其实无非最重要的是想要规避人性上的一些缺点，既然我们说是人性的缺点，贪婪和恐惧肯定是不用说的，做交易的也相当于周总所说的，我们做交易的人很难去规避掉自己本身对市场的贪婪和恐惧。

　　另外一个，我们现在看到很多私募的发展，我们团队的构建是大概10个人左右，相比于知名的动则是几百人或上千人的规模，对于这个来说我们是接受不了的，我们可以在成本比较低的时候可以搭建整个体系。另外还有一个点，我肯定大家会很同意，做量化和资本面研究比的是谁的命长，我可以24小时电脑在跑，做资本面研究可能你一天工作时间就12个小时。在这个点上面，我们做量化的人可能会明白到，我们24小时终究会比做12小时研究的越来越多。

　　针对以上的特点，我们搭建这里的一个量化交易平台的时候，主要是想说我们能不能明白到，我们为什么想要去做量化交易，我觉得这个问题是能够回答得了的，交易的本质是什么东西。量化交易刚刚我讲了，主要是在成本和效益上的一个提升，为什么在2012年之前很少会有人提做量化交易？2012年以前很少提量化交易，2012年之前就有人提量化交易。为什么呢？

　　有几个点。第一是数据量的急速膨胀，第二是中国市场里面推出了很多适合的衍生品，第三是很多做AI的大家都会关注机器学习和深度学习模型的推广。基本上这三块我觉得是现在我们做量化交易的三大契机，针对这三个点，我们也是做了一些工作，想给大家稍微汇报一下。

　　在数据量上，可能大家对这个不是很了解，我们自己做统计，因为数据是我们本身的。我们发现，一般的投资人就算是一般的私募，你要处理这么大量的历史数据是比较麻烦的。我们看上面的上市时间最短的期权，到目前为止他的数据和整个合约的数据已经到达500个G。其实这个是每天还在不断增长的，而且随着后面的品种越来越多，这个数据量的膨胀会变得非常之夸张。所以这个点我们现在数字动能已经把整个数据体系都搭建完，我们的数据都是自己做的。这一点对于很多做量化交易的来说，这个点本身是会比较缺乏一点点的。

　　另外一个，我主要讲的是我们之前有做过量化模型，我们训练模型是一个很痛苦的过程，要做回测的时候，一般来说如果我们做一个深度学习的模型，我们回测的时间可能就需要2天，我还要做参数的调整，如果做一些单测的品种都需要花一个星期。我们数字动能花了很多精力设计了一套可能是现在国内做回测最快的系统，我们的Owerconfidence bias可以对很多AI算法的一些模型达到一个完美的支持。我们在回测的系统上，你可以看一下这里的数据情况，这是基于SVM的数据本身，我们进行改良之后，我们回测的速度可以大概提升到10倍以上。也就是说，如果你本来需要两天时间做回测，大概你需要的时间点可能只需要4个小时。所以这个我觉得也是我们做得稍微多一点点的工作。

　　另外一块，这一块其实很多做量化的人可能会忽略，在我们做量化的时候，模型建好之后，我们还缺一个完整、客观、尽可能贴近真实的评价体系。我们数字动能下了很多功夫，因为做量化评价的时候，大家平常是根据几个历史的指标，比如说收益率、回测、项目比率、信息比率等等，但是这些往往只能揭露你对量化交易成果的一个比较窄的点的揭示，我们已经把整个框架都已经搭建起来，这个框架我这里不详细说，因为涉及到很多字段，我只是给大家稍微过一过。

　　做量化做多的就会明白，我们做量化一定需要和人交流，因为我们平常做量化就是待在家里、待在公司，闷头对着电脑。模型出来的时候，大家有很多想法想和别人交流。我们数字动能在这一块上面，我们就做量化社区，因为量化社区也是数字动能的一个产品，我们已经把量化社区整个搭建起来，因为在国内的量化投资市场里面，已经慢慢衍生出一种比较奇怪的现象，我们的策略开始慢慢变得很多。因为在以前可能我们大家都是在关注策略怎么做，怎么处理模型，怎么处理数据，现在已经经过两三年的发展，很多人已经开始用自己的模型之后，他就会考虑说我怎么和人交流。

　　其实我们数字动能在这一块上想得会更多一点点，我们和外部人交流是很关注的，但是我们想到一个点，在面对越来越多机构的发展或者量化私募的公司慢慢变多，我们想出一个点，我们需不需要在内部做更多策略管理呢？这一点可能是我们现在需要跟大家讨论的。我们之前一直谈到一个点，我们的策略都需要外部人交流，因为我们是以自己为个体做策略的。我们现在发现一个很有趣的现象，很多公司对策略的研究已经不仅仅是在我们公司内部，很多可能已经延伸到外部。但是外部的策略我们要放到公司内部使用，它本身是一个很漫长的过程，我们觉得策略量的急速发展，我们也就开始设计出一套机构策略师之间进行监控的体系。

　　可以看到，在我们的系统里面，其实每个策略师是自己可以单独写策略的，在策略使用的场景下，必须要有一个专业的机构帮你来决定哪一个策略是可行的、哪一个策略是不可行的。通过这种方式，可以把海量的数据、海量的策略进行分析评价，才能够放到我们的市场当中使用。在这一块业务上，我们也和很多的机构去探讨，也发现一个点。我们从策略生成之后，因为策略生成其实很多时候是策略师本身的一个资产，但是其实很多的私募在业务层面上来说，他会觉得这个策略师是我公司雇你来写的，我觉得策略本身应该是公司的资产。在这一块的矛盾上，其实这个点会非常难解决，这个矛盾会导致很多写策略的策略师可能会对自己的策略有所保留。

　　所以在这个点上，我们研究了整套思路，我们可以依赖于策略师不需要提供源码给我们，我们只需要接收你的交易信号，我们可以把整个完整的分析体系、交易体系都搭建出来。这一点可能是我们今后会面临越来越多的一个场景，我们的数据策略越来越多了，我们之间怎么来进行管理，这个点我觉得我们数字动能应该还是走在行业前面的，所以这一点也是想今后跟大家探讨的一个点。其实我们整个研究即交易的体系已经解答了量化交易本质的解决方案，我们这个解决方案其实可以比较直观的来看。我们不仅仅只是关注交易、业绩分析，还有交易权限管理，这一块可能是现在很多公司做的点，我们会想得更多或看得更远，我们还有策略师管理，这个可能已经是公司内部的，并不是市场上大家都能做的点。我们觉得这个可能是今年比较大的发展机遇，所以我们这个点基本上已经把整套解决方案都设计好。

　　我们再谈一谈2018年针对自己对客户的了解和对行业分析，我们对2018年量化交易展望的点。现在来看主要有三个点，第一个点是随着写策略的人越来越多，用的模型越来越复杂，我们每天可以生成很大量的，比刚才看到的数据量更大的策略数据。刚才谈到对海量数据的管理，这个是我们今年来看可能是一个比较大的发展空间。另外一个点，可能大家都会知道，现在国家监管层对于高频交易抱有不太鼓励的态度，所以很多软件或者平台对于在接入到金融机构怎么样比较正规或者合规的方式进行，这个点也是我们做量化投资比较关键的一个点。因为我们把策略完成了只是工作的一半，我们必须把通道打通，这个点才是我们完成整个交易体系的一个搭建。第三个点，也是像前面几位嘉宾谈到的期权交易，因为期权会产生很多做量化交易的机会。在这一块上面，我们本身数字动能也看得稍微远一点点，我们已经把期权交易嵌入到软件里面去，基本上可以实现大家对组合分析、持仓、交易上的一些基本的满足。而且我们本身基于Owerconfidence bias已经开发出了API，交易上我们已经完成了一些基本的工作。

　　另外一个点希望今天跟大家探讨的，就是在人才上面的一个点。因为2018年我们看到，根据我们数字动能本身和高校的关系非常密切，我们数字动能经常和高校举办一些量化的比赛。在比赛的过程中，我们慢慢摸索到几个点。我们现在已经开始跟高校之间开展量化投资和金工课程的专门课程设计。第二是在比赛上面，我们去年已经协办过两个比赛。第三个是教学成果转化，因为学生是充满着期待的，而且他们本身也是在不断产生一些新的策略，因为他们本身在教学端，可能离实际的交易端远一点点，但是我们数字动能本身在做这一块的工作，所以我们也觉得这个可能是今年想要做好的事情。第四个是人才输送，因为我们在接触高校的过程中，发现有非常多优秀的高校学生，产生的策略是非常优秀的，但是他们本身缺乏市场的经验，没有办法进入到券商资管或者公募基金或者私募里面去，所以我们想把这个链条打通，把人才输送，量化交易做到从娃娃做起。

　　到最后我给大家来整理一下我们数字动能的三个产品，这个关于整个交易的体系，我们全部会在里面实现。刚才说得比较少的是分析体系或者基于评价部分，我们会整个打包在iFOF里面。另外对于策略的管理、对于策略师的管理以及对后面交易的实现，我们会在QAMS里面。基于这三个产品，我们想把整个智能交易的体系策略从内部管理到外部管理，从研究到交易，把整个链条都打通。

　　我们今天讲的内容大概就到这里。今天由于时间关系，不深入讨论了，有什么问题可以会后再进行交流。谢谢大家！

责任编辑：牛鹏飞