对话Quant ｜作为价量研究员的日常与心得|硬件_新浪财经

价量策略的本质，是将价格与成交量有效结合，从而形成洞察市场趋势的“魔法”。

随着国内价量研究走向成熟，该赛道不可避免地走向拥挤，逐渐演变为数据、投研与算力的内卷之争。那么，量化私募的价量Quant是如何保持策略竞争力的？因子从被挖掘到入库，需要经历哪些步骤？

小岩对话了在公司有着“资源黑洞”之称的S（听说他对硬件的需求是多多益善，常规预算下，再多的硬件资源也能被榨干）……

通过他的心得和感悟，我们将进一步了解价量策略的魅力。

价量研究员的典型一天

S的一天从复盘前一日的测试结果开始。“每天早上，我会先看昨天跑出来的测试结果，然后整理并分析这些结果，根据分析调整程序，测试新的想法，再重新开始测试”。通常这些工作会在中午前完成。

如果遇到程序错误或其它突发事件，他会立即调整程序；如果一切顺利，他则会阅读论文、研究报告或书籍，学习新的思路或知识。

下班前S会再看一眼程序和临时结果是否符合预期，如果不符合则加班调整程序，确保夜间程序正常运行。整个过程既有条不紊，又充满创新的乐趣。

价量类因子：怎么挖，怎么用？

传统的价量策略其实早年间在散户中就有普及，比如受技术派追捧的“缠论”，就是借助数学中的形态分类方法和物理中的动力学理论来预测市场走势。基于价量的量化模型则是通过分析海量的价量数据来建模。常见的价量因子有动量/反转，波动率、流动性、价量相关性、筹码分布、资金流、北向资金、融资融券因子等。

通常，因子挖掘的过程包含以下几步：

1）投研人员根据研究经验、研报或论文，从历史数据中观察规律，提炼出数据中的有效信息，并在因子平台上以代码的形式实现；

2）进行因子测试，评估因子在历史行情中的表现。只有呈现强预测能力，且通过多维度指标测试的因子，才能最终入库；

3）定期检查因子的有效性并更新因子库。

S解释道：“如果数据是新的，我会侧重它和老数据的不同点；如果是老数据，则侧重它和老方法的不同点。通过文献、研报和市场观察，我会获得一些灵感，然后根据表现、相关性和换手率筛选出可用的因子”。

价量数据的频度高于基本面数据，在数据量上天然具有优势，然而市面上的策略还是经常出现趋同的现象，这是由于研究者思维和想法的相似性。“想保持长期竞争力，主要靠差异化的新想法，来自于研报和论文的灵感虽然比较方便获得，也容易有效，但也确实容易拥挤，想要不拥挤还是要靠自主性的创新”。

Pure Alpha的正确打开方式

在多因子策略中，经过验证的因子将进行组合优化。大岩的产品始终追求“单位风险下的收益最大化”。目标的实现，离不开对风控细节的精益求精。

S是这样理解风控的：“风控本质就是分散投资，不把鸡蛋放到同一个篮子。但是有时候不同股票同涨同跌的现象很普遍，即使股票分散了，投资风格没分散风险一样很高。这相当于不同的篮子在同个桌子上，桌子被打翻了，篮子里所有的蛋也都会碎。另一方面，如果一味控制风险，又可能大幅损失收益。我们现在用的组合优化是基于传统的均值方差模型，引入结构化风险预期方式，在控制风格敞口暴露的基础上，最大化预期收益，尽量兼顾风险与收益”。

“资源黑洞”背后的力量

因子和策略的有效性离不开底层数据的支持。S介绍：“我们数据团队会对各种来源的数据进行清洗，转化成结构化数据，便于程序调用。同时，团队也会编写相关的高效研究和生产函数，并提供硬件和系统环境上的支持。量价策略比基本面策略更依赖资源，所以这些支持非常重要”。

目前，S专注于基于人工挖掘的价量研究。人工因子通常逻辑前后比较一致，不依赖于历史数据的学习与训练，因此在市场环境发生较大变化时，更容易预判其是否失效。同时，结合公司机器学习和遗传算法类因子，我们兼顾了预测的全面性和准确性。

与一些实行多PM制的私募不同，大岩的践行的是核心团队制，也就是以团队分工的方式，对同一套策略的各个环节进行研究和优化。这种体系的优点是能充分发挥每个人的才智和潜力，但前提是成员彼此间毫无保留地信任。

S觉得现在的团队“小伙伴们的利益更加趋于一致，自然会更容易有无所保留的交流和支持”。被问到心中理想的量化团队是什么样的，S毫不犹豫地说：“我理想的量化团队就是现在的团队”。