非常荣幸今天在厦门跟大家作交流，我本次交流的主题围绕量化在财富管理中的得与失展开。

前面的嘉宾们谈到ChatGPT，也是我过去几个月一直在关注的东西。对于人工智能（AI），我非常欣赏之前嘉宾发言中提到一句话：AI不会淘汰岗位，但是会淘汰不使用AI工具的人；我给我公司的年轻人们也说了这样一句话：你们的职位是稳的，但是你们的人不一定稳。自AI出现以来，我们能明确地感受到使用AI工具使得工作效率提高了80%以上，某些岗位上的效率提高甚至更大一些，这是我们所处时代的幸运。

对于是否要把AI引入到我们的量化领域当中这个问题，是我本次交流的聚焦点之一。基于我对算法和AI的理解，我可以先和大家分享一下我对这个问题的看法。

我是第二次AI浪潮的时候，在清华参与了AI相关的工作。那个时候神经网络做到3层、4层就已经算不动了，再往下就觉得可能做不上去了；在2008年的时候，我有幸在美国圣地亚哥高性能计算实验室安维达的支持下再次进行了AI的工作，那时正号称是AI的第三次浪潮时代。但我认为此时也没有能够真正实现AI工业化；这次ChatGPT发布之后，我认为AI的工业化真的被实现了：对话能在AI上进行和形成、我们人类大概70%的思想可以和电脑进行交互，这是一件非常棒的事情。但对于是否要把AI用到量化当中这个问题，我其实并不太赞成把太多的高科技放到投资当中去，投资本身可以是一件不那么复杂的事情，我们有很多聪明的年轻人其实可以在别的工作岗位上发挥更加有价值的作用。

接下来我们说回正题。我的讨论分为两部分：一是量化在财富管理中的货架上是什么样子的，二是在财富管理当中我们怎样去应用量化。在我看来，量化是一个方法论。我们认知和处理世界的方法，可以有量化方法，也可以有其他不同的方法。在量化介入到投资这个领域以后，最热门的应用肯定是用量化去做交易。

我们可以看到过去很长一段时间国内量化发展大概有这样的趋势：从被动到主动，从事件套利到因子分析，从低频到高频。越来越多的量化产品进入到我们的投资领域，成为财富条线的销售人员可以向客户去推荐产品。

那么在解决量化在财富条线的一系列应用问题之前，我们首先要想的问题是量化产品的价值是什么？在我看来，量化的价值，或者说量化作为产品的价值，是它能够以更快的速度实现价值发现。

基于量化产品的更快的价值发现功能，我们又产生了下面的一些问题：

第一点是在量化中会产生一些非常怪的因子。例如，价格的三次方减去价格对数，这个因子与ROE比起来，哪一个更加背离商业逻辑？哪一个能够体现量化能做到更快的价值发现的功能？

第二点是当量化变得越来越高频化之后，不自然地会引入很多系统性风险。例如就欧美地区的经济事件而言，美国七八十年代曾经出现过因为量化产生闪崩的情况，我们国家也有光大乌龙指事件。类似的事情不断产生，但是量化产品至少具备帮助我们实现快速的价值发现、以及为财富管理领域提供了风险和收益关系比较独特的产品的价值。如果量化产品能够实现这个价值，那么它的意义就是坚实的。

从策略体系来看，目前市场上主要有包括市场中性策略、指数增强、量化选股在内的量化产品。比较常见的有一些多因子的量化选股产品。最近这些年来，市场在多因子的基础之上，从线性模型迭代出了一些非线性模型；在低频的基础上加入高频、加入了大量因子挖掘或者一些类似于增强学习或者神经网络的学习策略。

回到我们公募基金的产品上来。虽然公募基金、私募基金都在做量化产品，我们的财富条线既卖公募产品，也卖私募产品，但我还是认为要把比较多的注意力放到公募产品的领域当中去，原因是公募基金的数据上更加详实、可靠。

对于公募基金而言，其量化产品可以分为四个门派：

1) 传统的量化派，即基本面和多因子选股；

2) 定性和定量相结合的一系列产品。因为没有理由去认为量化的产品就一定要排除掉定性因素。量化只是方法论，是我们在投资当中采用的基座而已。那么如果这个基座能够通过量化的方式去解决大量选股的问题，然后用定性的方式去解决资产配置和组合，或者是行业方向判断上的问题，我认为这也会是非常优秀的产品组合；

3) 结合高频策略的产品，比如说华夏、中信建投都有一些高频量化策略产品的出现；

4) 以定性选股为主的产品。之前提到的定性、定量结合的产品，在选股层面是定量的，在行业策略或资产配置、组织管理上是偏定性的。而第四种类型的产品，在选股上是定性的，而在整体的风控、组合管理、对冲上是以定量的方式进行的。

5) 除此之外，还出现一些创新的产品，比如说一些二级债产品会用量化的产品加一些债的产品，或是利用量化做一些FOF类的产品。

公募产品的特征存在一些基本情况和共识。比如说一些小规模的量化基金，历史业绩较好，在2022年之前打新的收益比较大；2022年之后，随着注册制的逐渐推行和放开，打新的收益可能会渐渐缩窄。而打新的收益是否会消失呢？从欧美的经验来看，即便在成熟市场也存在大概50%的新股发行的超额收益，这被称为是新股发行市场上的puzzle。很多人试图去解释这些超额收益出现的原因，在我看来超额收益出现的原因只有一个：如果我们把股票的交易类比成一种疾病传播模型，新股的出现相当于是市场上出现了新的病毒，那么它自然会在早期有更大的传播力，因为此时人群对它没有抵抗力。

量化产品在哪些机构的货架上相对要更大一些？我们可以拿到一些更偏私募的数据，不过在公募场合，我们更愿意用一些能够公开获得的数据来阐述一些问题，它们之间会有差异，但差异不大。这个公开的数据我们可以通过托管数据来观察。一般来说托管的基金往往也是财富条线主代销的基金。

在量化产品的机构代销方面，我们可以看到量化产品托管较多的机构有工商银行、建设银行、招商银行等。其托管的量化产品自发行以来，年化收益中位数5.49%，波动率中位数为17.80%。

就公募量化基金在财富管理中的得失而言：所得上，在财富端的货架上换手率非常高的量化资金，券结佣金比较高，财富端更有动力去代销这类型的基金；所失上，公募基金的量化规模相对较少，受C端的接触度比较低，对散户而言理解上会比较困难。尤其在财富端，我们去讲量化产品的时候，有一个很核心的点是业绩的可预测性和可持续性，就此而言，量化产品和主动管理产品是一样的。我们经常说主动基金的业绩是不稳定的，是很难预测的，甚至它的超Alpha也是不太稳定的，而量化产品也出现了这样的特征。

尽管以量化作为底层的一些产品，从逻辑上看应该在全市场上去选股，同时，它的Alpha产生的特征是以数量的方式去形成的，相对而言应该是更为稳定的。但即便是在对冲掉Beta的中性收益的量化产品当中，我们也看到了Alpha和Beta的一种耦合关系：也就是说，当市场比较好的时候，超额Alpha是存在的，而且还不错；市场不太好的时候，按理说作为中性的对冲产品，Beta被对冲掉了，Alpha应该还在，但实际此时Alpha也会缩减得很小，甚至几乎不存在。

这样的情况实际上会给代销的财富端业务产生影响。在逻辑黑箱、业绩不可靠的情况下，该怎么去推销量化的产品？自然的，在C端量化产品的接受度就会相应低一些。

就券商端的代销情况来看，中信建投、长江证券相对而言是在券商端量化产品代销比较多的。

就量化产品在财富端的货架上的业绩表现而言，以公募产品近三年整体的风险收益关系来说：2020年表现不错；2021年呈现前高后低的状态，9月份新能源泡沫之前，量化产品的收益较好，小盘特征比较明确，因为多数量化产品其实都有一些偏小盘上的风格暴露。但是9月份之后很多量化产品的回撤很大；2022年，量化产品的整体收益表现就非常一般，当然这跟我们整体Beta不太好也是有关系的。

私募基金的情况也大致如此，不过私募基金因为可投资东西比较多，策略上比较复杂，操作上也可以做的比较灵活，因此整体的风险收益关系表现比较饱满一些。

过去一年表现让大家比较失望的股票多空策略，也就是所谓的zero Beta策略，其实在很大程度上并没有展现出它该有的zero Beta的特点，Alpha没有被挖掘出来，或者说挖掘出来的Alpha和Beta呈现高度的耦合关系，并没有因为对冲而呈现独立的Alpha特点，这一点也破坏了多数量化模型在建模时候所采用的方式，即认为Alpha一定独立于Beta或Smart Beta。

在量化产品的领域中，私募产品整体来说风险收益特征还是比公募产品要好一些。因此我们也可以看得到在财富这个领域，尤其是面向高净值客户，私募量化产品相对来说更受欢迎一些。

刚才讲的内容是量化产品在货架上。以我个人的观点，我并不太希望很多聪明的年轻人都来做量化，尤其都来做量化交易。

如果把眼光放得更开阔一些，其实量化是分析事情的方法论，那么除了交易之外，量化可以做的事还有很多，以此展开，那么年轻人来做量化是非常好的事情。但如果年轻人考虑量化时，首先想到的是交易，或是投资，其实我们可以观察到越来越多的量化倾向于高频，倾向于在一堆的数据中去挖掘所谓的因子，但是并不解释这个因子的基础逻辑是什么，只是这个因子在某阶段的测试当中是有用的，然后我们就利用这些因子去挣钱。甚至我还看到有一些量化产品在有意的做一些诱导性的操作，刻意的在市场上进行诱导性的操作，以诱导性操作的结果去反向进行收割。这类型的产品本质上是在交易噪声，它背离了量化产品在整个经济体系当中发挥价值性作用的核心的一点：即更快速的价值发现的功能。它背离了这个基础功能，重心完全放在噪声的交易上。

那么以此作为人生职业的人，整天在交易噪声会觉得幸福吗？我接触了很多中国的顶级量化、尤其是私募量化，他们很多人没有对量化显示出额外热爱，但是对于量化之外的各种活动，他们的爱好是非常广泛的。所以大概就印证了我们在从事一个我们自己都觉得不怎么decent、但是因为有超额的财富所以带来了超额的人生乐趣的工作的想法，如此而已。

猫头鹰是整个市场上少有的有能力进行量化交易但是把主要功夫放到了与交易无关的业务上的机构。猫头鹰所做的量化是从数据到量化，然后再从量化到系统。比如卖方去解决基金经理们非常关注的问题像种一棵一棵的树，那么对于我们来说，我们是想把这一棵一棵的树排列起来，形成一个森林。也就是说我们不是解决单个的问题，我们想形成一系列的解决方案，最终使得量化的东西不只成为一篇简单的paper或者报告，而是成为整个体系当中的一系列的工具，甚至这些工具能够打破相互之间的界限。比如说如果我建立了行业的预测模型，我希望在此基础之上能够打破界限，在横截面上做行业的相互比较，最终形成的是整体的行业配置，或者是轮动模型。

在财富管理条线上，猫头鹰用量化的东西做了一些有趣又能够实现长期商业价值的应用。

其中第一个应用点是敏捷、精准的量化选基。在财富应用的领域当中，我们的客户经常会问到的问题是：我想要根据市场的变化情况选出最适合当前客户需要的产品，而市场总是在变化，并且变化的非常之快，比如1月份或者是在2月份，甚至在3月初的时候，大家都还可能会谈到港股或者是港股ETF，但是我想现在可能很少人在谈论港股的投资机会了。在市场迅速变化的前提下，如何从一系列产品当中，非常快的寻找出适合于当前推荐给客户的产品？在这里我们做了两个类型的量化模型，Alpha筛选器和Beta筛选器。

Alpha筛选器的核心逻辑，是财富条线的产品选择人或者推荐官对于市场有基础的认知或判断。比如说他们认为市场大概和2019年比较像，处于反弹当中的震荡，认为后边可能还会继续往前走；或者他认为AI是巨大的市场，尽管短期内可能因为涨多了会有波动，但是一定是个非常好的方向，想要把这个作为特定的方向去推荐。那么我们就需要有好的算法去识别哪些人在这样的行业或者方向上有非常好的表现。这样的表现，从量化的层面说是其历史的表现，量化能做的事情大概有两种：一是基于过去的数据和行为模式，认为过去行的现在也依然行，所谓的人类历史无新事；二是建立基础的逻辑模型，这个模型本身是完整自洽的，可以对未来进行判断。比如说供给需求关系模型，未来的需求如果增加，价格就一定会上升，价格上升会连带供给增加。

对于Alpha筛选器，我们实际上是用历史数据进行查看并检验：例如，我们查看在历史上，在类似于2019年的反弹复苏的环境当中，在AI或者是更宽泛的计算机、TMT领域内做的比较好的那些主动管理人是谁，这个圈子限定在财富条线推荐人可代销的范围；并且进一步地进行验算。这个验算可以非常简单，例如根据当前的净值波动去验算他当前的持仓是否可能高概率的包含了AI类型的一系列产品。

Beta筛选器相对来说更直接一些。它的本质是对于每一个底层资产做充分的多维度的刻画，而这个刻画可以根据人的需要做很好的归纳和总结，然后迅速做出匹配。

财富端的同事领导们经常会遇到的问题：例如我的领导让我去卖某基金经理的一个产品，这是我必须要完成的任务，那么我就要去找这位基金经理有什么特点，这是产品对标非常现实的特征。

首先很自然，我们要去寻找与这位基金经理管理产品相似的产品。因为无论当我们去推财富条线，还是FOF基金经理要去买产品，一定是在特定的范围内相对最优的产品，而不是说全市场范围内最优的产品。所以首先是要找与这只基金相似的产品，这里我们做了相似的功能。

怎么去寻找相似？其实无外乎用分类器、聚类。核心点就是在找距离。距离的测算也非常简单。但问题是，我们在很多时候默认距离为欧式距离，而欧式距离不一定是找相似的好的距离，尤其是当有持仓的特征被放进来的时候，马氏距离、余弦距离会有更好的价值表现。

第二是去做能力项的拆解。当对标池找出来以后，我们通过能力项的拆解可以很看到这只基金的能力项和整个对标池产品能力项相互之间的强弱关系。例如，在有色金属、纺织服装、汽车、地产板块，这只基金排在产品对标池的前几位。

但是这个产品相对不太好卖。为什么不太好卖？这是其产品适应性问题：在不同的市场情况下，这个产品的市场适应性相对较弱。这其中的问题要么来自于它的能力圈与过去市场之间的共振不够，使其在不同的市场阶段下不够突出，要么是这位管理者前后出现了非常剧烈的风格和投资行为变化。

第三看净值曲线。其实在2018年10月之前，这只产品表现一般，而之后表现还较好。从调仓情况来看，在2018年之前调仓几乎做对了一小半，但是做错了一大半，也就是说每次调仓越调越差；在2018年后，几乎每次调仓都会有正的增益贡献。

同时，因为公募基金考察的是相对收益排名，所以一定会去配置权益的仓位，不管权益市场有多坏，不怕配错，只怕踏空。所以在分析的时候，把当前市场按各个行业属于前1/3、后1/3和中间1/3，映射为这个行业的头部时刻、尾部时刻和中部时刻。也许行业处于头部时刻的时候，该行业也是亏的，但是在当年31个行业当中，该行业表现相对较好，比如说医药生物、食品饮料在2018年31个行业当中，属于头部时刻，但是不妨碍其在2018年是亏钱。

基于相对收益排名，如果这个基金经理具备稀有的行业间的择时和轮动能力，他应该在头部时刻或者是腰部时刻配置是较多，而在暗色的尾部时刻应该配置比较少。我们相应可以看到这位基金经理其实在多数行业上都显示出了行业选择的能力。

所以我们找到了这位基金经理的卖点：他是一位老树新芽，全面的进行行业轮动的基金经理，同时他是在宽基配置的基础之上做有节制的行业轮动。

进一步我们还可以将这位基金经理和市场上三位有名的做宽基、策略，擅长周期的基金经理做对比，并查看2018年9月以来他们的收益水平。这位基金经理属于第二位，而表现排名第一的基金经理规模比他大很多。但是其实从2020年以后，这位基金经理的表现还要更好一些。同时这只基金的Beta相对较小，Alpha在几个产品当中是比较大的，后边这些暗色的点展示了整个市场上同类型的产品的Alpha，Beta。

综上我们就完成了财富条线的典型的工作场景，即如何用量化的方式对产品进行推介。

当我们要以量化的方式推产品的时候，无论是FOF基金经理还是财富条线工作的同事，他们都会有自己的一系列的代销池，甚至代销池当中还有一系列主推的精选池，那么对基金池怎样进行分析，这是非常有趣的概念。

做量化的人分析单支产品、单个人、某家公司，甚至把产品加权组合起来去分析产品组合大概不成问题。但是如何分析池子？我认为本质上有两点：

第一点是池子要有代表性。这意味着每一个市场、每一个方向表现较好的时候，我都有可卖的产品。产品池要有宽度。

第二点是池子要有典型性。假如我有食品饮料的池子，这个池子里头大概率不能没有张坤。

那么在这两点上，我们建立了对于基金池分析的量化模型的主要因素：比如说，我们要去分析产品之间的相互关系，一个好的池子，产品相互之间的关系要足够展开，能够把产品布局图布满，这样任何市场行情中我都能找到对应的产品。

以上就是我们交流的全部内容。我希望中国所有的年轻人都有机会追赶AI新时代的浪潮，非常感谢各位的倾听！

风险提示：本文内容为策略会嘉宾发言内容纪要和分享，仅代表嘉宾观点。

自媒体信息披露与重要声明