2023年招商证券春季交流会量化私募论坛纪要（下） 量化策略大升级，行业发展再平衡

一、引言

“春山多胜事”，量化再起航，今年 2 月 23 日，在招商证券春季交流会(杭州)上，我们邀请了多家头部量化私募和业 内知名机构，与各位投资者进行了丰富多彩的主题分享。受邀管理人和机构包括思勰投资、白鹭资管、诚奇资产、龙 旗科技、仲阳天王星和卡方科技。我们对这些管理人的精彩发言做了纪要，与各位投资者进行分享。此为下篇，对龙 旗科技、仲阳天王星和卡方科技的嘉宾分享内容进行纪要展示。

二、嘉宾主题分享纪要

《春意满山河，量化再起航》龙旗科技朱晓康

前面各位大咖已经讲了非常多精彩的东西了，我希望也利用今天这样一个机会，跟大家做一个相对比上次要简短很多， 但是可能视角稍微有一点点不一样的分享。 我相信这一页 PPT 上面的数字，大家只要是关注量化行业都会非常熟悉，我们是取之于基金业协会的数据统计，在 2017 年当时整个归属于量化的基金管理规模只有 1,100 万左右，基金只数其实并不少，大约有 3000 只左右，但是在 短短的 4 年之后，到了 2021 年，整个量化基金的规模超过了 1 万亿，只数也达到了将近 17,000 支量化基金。

所以在 2021 年确确实实是整个量化行业一个爆发式的增长，那么随着整个行业爆发式的增长，对应于我们量化管理 人总体的超额业绩情况是什么样的？ 我们在这一页做了一个非常简短的分析，是取自于一个公众号上面的，他们平常所跟踪的量化行业的大几十家的管理 人，我们在计算超额的时候是取了每一家管理人那一年的产品表现除以指数表现，用除法来计算这样一个平均数，然 后取了有完整 4 年期业绩的 20 家管理人，基本上代表了市场战略和行业最优秀的一批管理人。

从这个上面看，首先超额还是非常优秀的，特别是在 2019 年和 2020 年，大家可以看到这 20 家在行业里面非常有代表性的管理人的平均超额收益，这个是以 500 指增产品的超额收益为计算标的，19 年大约是在 20.6%，20 年是 22%， 所以大约是 21%的一个水平。 但是非常有趣的是，如果我们用同样的方法去看整个行业在 2021 年和 2022 年的超额，大家非常明显地可以看到， 整体的超额水平基本上是接近于腰斩的情况，下降到了只有 12.8%和 12%左右的水平，虽然还是非常优秀的，因为 前面特别聊到跟主观的很多管理人相比，其实在最近两年超额的情况还是相对不错的，但是相对量化行业前两年自身 的超额水平，确确实实是有一个比较大的跌幅。

那么这也是很多投资者问的一个问题，量化行业的一波红利是否过去了，业绩的持续性是否还有一定的保障？ 为了回答这个问题，我们回到一个在量化行业非常经典的公式，叫做 Fundamental law of active portfolio management， 它的出处是一本很经典的书，叫 Active Portfolio Management，主动投资组合管理，这本书的两个作者也是在量化行 业里面非常资深的两个元老，Richard C. Grinold 和 Ronald N. Kahn，这个是我以前在美国工作的时候，我们研究部 的两位最资深的老大。他们在这本书里面提出了这样一个非常经典的公式，简单来说的话，IR 是代表信息比率，等于 IC 乘以所谓的“广度”开根号这么一个非常简单，但是非常经典的类似于牛顿三定律的基本公式。

如何来理解这样一个公式，简单来说的话，一个管理人业绩的表现大致等于他的选股能力水平的高低，performance 等于 skill 乘以所谓的 breadth 开根号，也就是说你的选股可以得到的所谓的相对独立的选股的数量也好，或者是 take independent breadth 的数量大概有多少，大概是符合这么一个非常简单的关系。 站在今天，我觉得从我们量化行业的角度，如果我们希望提高我们策略的表现，还是要回到这样一个基本的公式，我 们分别能够在 skill 上和我们策略的广度上做一些什么样的事情，特别是站在今天这样的市场的时点，行业发展的时 点，我们应该相对比较乐观，还是比较悲观呢？ 从龙旗自身的实践来说，如果回到这样一个非常基本的理念的话，我们个人相对觉得还是比较乐观的一个情况，为什 么？

首先从外部的因素回到广度而言，最近一两周大家也都知道，注册制其实是以超出我们市场所预期的速度在往前推进。 实际上注册制的试点开启以来，A 股的上市公司数量已经由 3500 家，增加到今天超过 5000 家。如果在主板也开始 推行注册制，大概率很快会上升到 6000 甚至 7000 家上市公司，在这样一个大的市场背景和环境下，联系到前面这 样的一个基本的公式，我觉得它实际上是非常有利于我们量化去发挥我们的特长，因为它在选股的广度上具有非常天 然的优势。所以更多的可以交易的股票只数，也可以给我们带来更多的一些交易型的机会。所以说回到前面基本的定 义的话，我们觉得首先在 breadth 上面，其实在目前随着注册制的全面推进，反而应该更加乐观。

另外一点，今天前面有的嘉宾老师也提到，可能很多做主观的对今年的市场相对更乐观，如果今年的 Beta 更好，那 么对于我们策略表现会有什么样的影响，特别是对于 IC 会不会也有一些影响。基于前面我们提到的行业的数据的简 单分析，也就是回到前面提到的有完整 4 年业绩的 20 家管理人，我们结合市场本身涨跌的情况，看了在不同的市场 涨或者跌的时候，整体的量化行业的超额是不是有不一样的表现。

这个结果也非常有趣，我们可以看到上面一行是代表了在过去三年市场上涨的时候超额周度平均的表现，下面是在市 场下跌的时候，周度的 20 家管理人的超额情况。 非常有趣的是，在 2020 年市场上涨和下跌的时候，超额大致相似，周度超额差不多是 0.44%和 0.46%，但是在过去两年其实是发生了一些变化，首先我们前面提到的超额有一些下降的趋势，但是另外一个非常有趣的点是说，当市场 下跌的时候，超额似乎更难赚取，比如说以 2021 年为例，在市场下跌的时候，这些顶级量化管理人周度的平均超额 只有 0.22%，相比 2020 年的时候，是从 0.46%下跌到只有 0.22%，这个跌幅可能是超过一半的，当然在市场上涨的 时候也有一些下降，但是下降的相对幅度要少一些。

因为大家普遍预期今年市场整体的环境，市场的氛围，特别是相 比去年要好很多，所以在 Beta 如果能够上涨修复的情况下，根据过去两年这样的规律，我们实际上对今年的 IC 可能 也会有更多的期待。所以这个是从两个市场外部因素，我们为什么对今年整体的量化行业，整个市场更加乐观的很重 要的两点考量。 与此同时，回到前面最基本的公式，全行业面临的共同挑战还是要如何去提高 IC，实际在今天的在市场上，不同的管 理人也在从可能的方方面面，不同的角度，在努力做各种各样的尝试。

我们这边也列举了一些大家现在可能思考在做或者已经在做的一些事情了，比如说拓展信息源的深度和广度，获取更 加多维度的超额。有的管理人是打造多元化的策略性和产品设计，以提升整体行业的策略容量，也是提高广度的一种 方法。

前面嘉宾也提到最近机器学习的一个突破式的进展，当然是跟我们没有什么特别直接的关系，但是我觉得也让我们对 未来机器学习如何在量化上更好地应用，让我们会有更多的期望。虽然在过去几年机器学习在量化行业上面已经有了 广泛的应用，但是我觉得应用的方式上将来可能会有更好的突破。当然也可以在硬件的投入方面去提升整体行业的 IC。 这些我觉得都是非常好的方面，其实经过了短暂的两年相对低沉的表现，我个人认为今年还是非常值得期待的。 从龙旗本身的历史来说的话，我们在这个行业已经存活了 11 年了，非常幸运的是在经过了几轮的市场流行，行业的 快速迭代之后，今天还能存在，我觉得是一个非常幸运的事情。

从我们自身来说，这一路走过来本质上也是在随着行业市场的变化，监管的变化，在努力地去适应市场的环境。比如 说我们从早年纯粹的基本面量化，到了 18、19 年我们全部迭代为中频的量价选股策略，更加高换手的一些策略。站 在今天我也是非常期待说我们下一代的策略的模型可能会给投资人带来更加优秀的回报。这个也是非常有趣的一张图， 分享给大家，某种意义上是代表了整个行业的发展。 这个是我们回顾了龙旗自身在过去 10 年实盘，过去所有的策略，所有的产品加权平均，只是把它按照 300、500、1000 进行分类，相对各自指数的超额表现。

这是我们去年 10 月份做的一个分享，非常有趣。等我同事做完这张图之后，我觉得还是非常感慨的，因为这个行业 首先从过去 10 年发展下来，大家可以看得到，其实超额表现总体还是非常多的机会，但是这个中间走过来的路，它 其实不会是一条笔直的线，它永远不会是非常平稳的，最重要的还是需要我们策略不断迭代，让我们的超额表现能够 持续创出新高。 最后其实也是上次招商秋季会议来参加的时候给大家分享的一张图，我个人非常喜欢的一张图，这个是美国道琼斯指数在过去 125 年的走势图，当然是取了 ln，否则的话这个图是呈一个抛物线的情况。

首先它的时间足够长，第二这个其实跟前面分享的净值曲线有一些像，是一路走上来，虽 然在不断创新高，但是它永远也不是一条笔直的曲线，实际上是往上的，然后在中间很多时候，可能出现长达十几年 甚至二十几年的盘整。然后原图有一个非常有趣的标题，它说人类只有不断创新，才能帮助我们人类克服恐惧，它下 面列了每一个时期人类最伟大的一些创新，能够让我们的社会经济不断往前进步，随之指数在不断创新高。 回到我们量化行业，我觉得也是这样的，首先还是需要整个行业拿出新的一些完全不一样的创新的方法，回到我们前 面基本的公式，提高 IC，提高 IR，最终能够让整个行业的净值不断创新高。 我今天简短的分享就到这里，谢谢大家。

《量化策略大升级，行业发展再平衡》仲阳天王星孙博

感谢在座的各位朋友，大家下午好，我是仲阳天王星的孙博，非常感谢招商证券的邀请，非常荣幸站在这里跟大家分 享一些我个人对量化行业投资行业的感悟和从业经验。 我们这次策略会的主题叫“春山多胜事”，下半句应该是“赏玩夜忘归”，我们中国量化行业也处在生机勃勃的发展阶 段，有无限的生命力和可能性，所以我今天跟大家分享的主题就是量化策略升级和行业再平衡。今天分享大致三个部分，我们这个会议的标题叫做论道，所以也是讲一讲道方面的几个 topic，可能讲的数比较少一 点。第一部分我们讲中美量化投资发展的阶段和两个市场比较的异同。第二讲我个人认为的作为一个管理人核心的投 资能力。第三个讲我们中国量化未来的发展趋势。

刚才很多嘉宾也讲到了美国量化行业的一些现状，大家都比较关注美国的同行，包括行业发展的近况。其实量化行业 是从国外发展起来的，传到我们中国是一个相对比较新兴的行业，在这几年有了非常大的发展，国内现在做的比较优 秀的基金管理人，也都有很多海外量化基金出身的背景，启蒙工作可能都是在美国的一些大的公司或者大的团队里面 完成的。所以我们看一下海外同行的发展情况。

美国对冲基金行业起源比较早，它最早是 1949 年，Ben Graham，实际上就是巴菲特的老师成立了一个叫做 Graham-Newman 的基金，Alfred 也成立过 AW Jones，这个可能是我们对冲基金的鼻祖，在当时投资标的包括量化 对冲，收益创造的方式都比较有限。 到了 80 年，国际投行摩根士丹利，在我们国内称之为大摩，召集了一批数理天才，包括 Garry，Nunzio，他们开始 做配对交易，Pairs Trading，开始了我们对冲基金行业的萌芽期。 到了 1980 年很多对冲基金开始使用的投资策略逐渐变得丰富起来，交易的品种，市场也丰富起来。在这里边有很多 使用的套利，不良债务，固定收益，包括量化和多策略的都在进行投资。在资金端很多的养老基金，pension fund， endowment fund，学校的基金，机构投资人加大了对对冲基金的投资。

2000 年以后对冲基金在全球就得到了快速的发展，2007 年年底大概到了 2 万亿美金的规模，但是 2008 年就发生了 全球的金融危机，可能在座的很多都知道，而且可能还有一些感受。 我自己也是 2008 年在哥大毕业，当时工作非常难找，两家最大的投行，一个是 Lehman Brothers，还有 Bear Stearns 都倒掉了，找工作是非常的困难，所以最后也是被逼上了创业的道路。 在2008年的金融危机之后，各个市场包括对冲基金都受到了极大的冲击，经过几年的修复之后，在2011年对冲基 金又首次突破了 2 万亿美金的持续增长的一个规模。

我们常年在海外，大家一般会关注比较头部的几家基金，比如说 Jim Simons 他们创建的 Renaissance，文艺复兴基 金，这家基金可能也是量化的一个传奇，他们很多年以来都是百分之三四十这样的回报。包括去年 Citadel 有 38%的 回报，为客户争取了大概 160 亿美金。所以即便是在美国这样非常成熟的行业，其实还是有很多的阶段性的机会，包 括公司与公司之间，行业与行业之间的差异化。

从交易量的角度来说，我们一方面以产业资本为主的大股东以及关联方应该长期是 A 股市场持股规模最高的投资者。 如果只看专业的机构投资者的话，这个比例在美股实际上是四五成，在中国大概只有 18%。另外一方面我们关注交易 量的贡献，美股散户对交易量的贡献常年维持在百分之二三十以下，近百分之七八十的交易都是一些高频交易或者是 机构交易所产生的，但在我们中国散户的交易比例是非常高的。从投资者结构来看，美股的投机构投资者占比比较高， 外资入局也比较充分，导致竞争比较激烈。

从美国的 Barclays 在 1971 年发行第一只被动的量化投资基金，量化投资在美国作为一种被整个市场广泛接受的理财 方式，距今已经有 50 多年时间了，从数据到因子到模型到组合到交易的各个阶段，都可能完成了不止一轮的迭代。 他们对量化投资的理解和应用，比很多其他国家或其他市场的参与者都更加深刻。在美国的证券市场由于由量化驱动 的交易数量达到了七八成，所以无论一家对冲基金的核心策略是不是量化，那些数据驱动程序化交易的理念和方式都 或多或少得到了应用。 美国作为全球流动性最强，标的最丰富的金融市场，量化交易的标的也从股票期货蔓延到了众多的衍生品，还有一些 场外的市场，激烈的竞争和迅速的迭代也让市场有效性在逐渐增加。哪怕是最顶尖的管理人，相对指数能够创造的超 额收益水平也大概就是在 3-5%左右。

所以横向比较来说，我觉得我们中国的同行或者量化行业确实还在一个起步萌芽的阶段，虽然纵向来看，我们的超额 在整个行业上是有一定的收缩，刚才某同仁也放了一些图片，但是我觉得横向比较来说，我们还是非常幸福的。 在美国的同行可能在 3-5%的超额下，大部分通过加杠杆或者其他的方式来获得一定的收益，但在我们中国的话可能 还有 20%，30%甚至 40%的超额收益的机会，我个人觉得可能是我们中国整个证券行业或者金融行业从事量化交易 的一个时代性的机会。

纵观我们中国的几大类的交易标的，比如说房地产，股票，期货，中国的房地产可能有过一个 10 年到 15 年这样一个 超长的红利周期，而且很多人是切身从这一波超级周期里面挣到了钱，证券行业我个人感觉有类似的这样的一个机会。 10 年涨 10 倍的话，其实只要年化收益 25%。很多的管理人在不同的产品上，不管是 500 指增，1000 指增，还是说 做量化选股，或者其他对标指数的超额，其实 25%的机会是完全可以创造的。

但是从持有人的角度来说，很难能够实现财富的 10 倍的增长，其实一大部分的原因是我们量化的产品设计流动性可 能过于好，不像房地产，我们的房子可能一住住很多年，它的交易相对流动性比较低，我们量化产品的流动性还是比 较好，有申赎的机制。所以从一方面也造成了刚才好几位同仁讲的，为什么基金挣钱，但是基民不挣钱的非常重要的 原因。

我们做个简单的小结，虽然说量化竞争现在在国内已经比较激烈，而且我们国内迭代的速度比国外的同行确实要快很 多，大家也愿意在更多的方向进行创新和尝试，包括 AI，包括人工智能，包括一些 GPU、显卡、超算等等诸如此类 的方向，包括产品的模式上。比如说我们做出指增产品，其实在美国很早以前就有，我们叫做 SmartBeta，但是可能 主流的投资产品还是传统的 market neutral 加杠杆的这种对冲基金的产品。所以无论 A 股的波动率还是交易规则的保 护，投资者的结构，甚至对外资交易的限制，其实都是中国市场能够在一段时间内继续挖掘红利的护城河和成长的空 间。

国内量化的投资发展阶段总体来说可能比美国相对滞后一些，但是我们迭代速度非常快，而且逐步在走向成熟。用大 概 5-8 年的时间，其实已经走完了美国 30 年的发展历程，这也代表着我们中国量化私募行业的未来可期。 所以这里面引出一个问题就是我们中国的量化私募行业发展到今天，这么多家优秀的管理人，怎么去区分管理人之间 有什么特别大的不同？首先肯定有很多风格上的不同，理念上的不同，方法的不同，但是我个人更看重的一家管理人的核心能力可能是对风 险的定价能力，这就是我们要说的第二个部分。 我们说的风险定价能力，这里面 risk pricing，我们怎么定价一个风险，而不是我们传统意义上理解的风控，其实我们 交易的核心就是在 pricing risk，我们买的每一只股票，我们控制的每一个仓位，我们对冲的每一个对冲工具，其实 都是在 pricing risk。

首先我们谈风险定价之前，我们先谈谈什么是风险。风险其实是一个非常主观的概念，不同的投资人，不同的机构， 不同的管理人可能对风险有自己的定义。 比如说我们最经典的一个理解，风险可以理解成为 drawdown 或者是理解成为波动率，或者是波动率和收益率的比率， 行业很多通用的 Sharpe Ratio 或者是 Treynor Ratio，Calmar Ratio 诸如此类，但如果我们把这个视角稍微往回拉一 点，投资者我们会看胜率的波动，也会看更大的回撤，比如说去衡量取得正收益的概率和可能遭遇的收益的起伏，那 么全面一点，我们可能就有了各种各样的这种夏普、卡玛、索提诺比率来帮助我们投资者衡量一个投资组合的性价比。

我们用最大回撤做一个特别简单的例子，当然我们在具体的投资环境里边，可能每一个特定的交易资产 risk 的定义不 同，为了理解我们讲一个简单的例子，很多渠道或者机构的朋友都经常问我说，我们的中性产品应该怎么样控制风险， 或者是我们指增的产品应该怎么样控制风险？ 我经常解释就是说我们所有的投资决策，可能都是从 risk pricing 的角度来看，什么叫 risk pricing，我举个特别简单 的例子，从回撤的角度来说，如果我最大的回撤是 1%，那么 1%的风险来博取 1%的回报，我认为这不是一个特别划 算的交易或者不是一个特别划算的安排。但如果是 3%的风险来获取 10%的回报，那么从风险收益比上来说，我觉得 这个可能可以考虑。

所以回到产品的一些设计，包括一些风控的管理，包括一些超参的优化，很多管理人都在说很多的模型做到最后，包 括超参的优化，包括敞口的种种的控制，其实都是一个选择题，这个选择题最终不同的管理人可能会做不同的决定， 不同的决策，我觉得这里边一方面是有投资理念的区别，就是我要做什么样的管理人，我要做什么样的风格，我是一 个稳健的还是低波动的，还是说我是要去博取高收益。 我觉得从我们的角度来说，我们永远是从胜率的角度来说，我没有绝对的对风险的要求，但是如果我要承担一定的风 险，我必须要得到相应的回报。我们更愿意从这个角度来定义所有的关于这些超参或者是风险控制风口类似这样的问 题。

所以我觉得作为管理人，最重要的就是风险定价的能力，以及在风险定价上面的理念。我觉得这个理念是贯彻在它的 整个交易的框架，包括一些重要的参数，重要的投资决策的过程当中，判断每笔交易和投资的潜在风险是否能够带来 足够多的回报来覆盖风险，以及判断是否要承担某些特定的风险。这是我们管理人所需要关注的核心问题，也是一个 管理人最核心的专业素养。

但在风险定价的过程当中，除了我们刚才说的一些超参，包括一些流程和框架，当然也有一些现成的方法，比如从历 史的数据里去发现一些规律。有一些标准化的风险评估和管理的模块，持续性的损益归因，这些可能都是行业中的比 较通用的做法，我们在这个方面做的更多的努力是把更多风险的环节细化，然后把 risk pricing 的理念贯彻到整个投资 框架的整个流程当中，以及一些重要的投资和交易的决策过程当中，从而在谨慎暴露风险敞口的情况下，追求最高胜 率长期稳定的超额收益。

《机器学习与算力建设在算法交易中的应用》卡方科技金基东

大家下午好，我给大家做一个分享，主要是机器学习和算力这一块在算法交易中的应用。分享分四个部分，第一个是 算法交易的综述，然后机械算法和智能算法有什么区别。第三个就是智能算法的内在逻辑是什么样的，它为什么表现 会比机械算法会更好？第四个就是机器学习的应用和算力建设的情况。说到算法交易，我先要给大家普及一个概念。我们把私募基金、公募资金的整个投资过程分为两阶段：第一个阶段我 们叫投资决策过程，也可以叫做投研选股过程，这个阶段收集数据，分析建模，最终形成一个投资组合，或者说直白 点就是股票池。也就是说这个过程选择要买什么股票，什么时候买，什么时候卖。投资组合每天会有变化，变化以后 就要调仓，调仓的过程我们就叫做交易执行的过程，也就是第二阶段。

所以算法交易其实解决的就是大家在交易执行过程中的一个需求。就是解决大家交易执行怎么买卖的问题，所以它会 有一些场景，譬如大单拆小单，譬如篮子交易等等。算法交易首先是要替代人工，因为人工做的话，不但耗费大量人 力成本，还会有很多的问题，譬如需要避免道德风险、乌龙指、公平交易等问题。这都是算法交易可以解决的。

算法交易在整个投资的产业链的位置，大家可以看一下，对于私募基金来说，他们普遍使用 PB 系统。刚才也提到整 个投资的决策过程是先是做行业研究，做各种投资体系各种分析，最终产生一个组合。那么现在交易执行的人工被替 代情况是什么样的？ 其实它已经发展到了第四代，从最初的人工交易，到第一代教科书式的被动算法，然后到第二代机械的被动算法，然 后第三代开始是机械式的主动算法，最后到第四代的主动智能 AI 算法。

这个过程中技术也不停地迭代，一个是从被动变成主动，在技术的使用上也从传统的线性模型到机器学习、深度学习 这个阶段。 刚才介绍了一下算法交易的概念，算法交易我们刚刚也提到它分机械算法跟智能算法。下图是一个典型的算法母单， 交易目标是从 10:00 到 10:30 这 30 分钟内买入 3 万股某一只股票，这个算法母单的需求就是采用算法拆单买入，然 后它的成交均价尽可能的接近 TWAP。 怎么去做？这里先介绍一个最教科书的算法，我给它取个名字叫“霸道总裁”。他的做法就是每次都在每一分钟的开 始去按对手价去买入，霸道总裁就是这样，他不在乎价格，直接按照对手价去买。这样做的话，因为它相对中间价来 说，其实它亏了半个价差。按市场的中位数的价格来算，这种方式它直接就亏损了 0.06%。

刚才说因为霸道总裁他不讲究价格，是买了一个不好的价格，我们可以做一个简单的思想去改进它，就是我们不再是 每一分钟开始的时候去按照卖一价，而是每一分钟开始的前面 58 秒，先挂买一价，就是等着被动成交对吧？幻想的 就是薅羊毛。到 58 秒的时候，如果挂单已经成交了固然是最好的，如果没有成交，我这时候就把它撤回来，然后再 按照对手价去成交，这样改进以后，我们的绩效理论的绩效表现会是怎样的？我们做了一定的估算，这种情况下大概有 20%的概率可以薅到羊毛，可以以买一价来成交，赚半个价差。这样算了以 后，因为 20%的概率赚 0.08%，80%的概率是亏损，亏损半个价差，最后跑输了 0.05%，也就提升了 3 个 bp。这个 算法我们也给它取了个名字叫勤俭持家，因为上来先等一等，看能不能薅到羊毛。

还有就是说对算法交易来说，它是有 100%完成率的约束，比如他 10:00 至 10:30 要买入多少股票，其实它是这个指 令一下达，会要求在规定时间内全部完成。但是，市场上还有很多佛系的投资者，他看到机会好就买，机会不好就不 操作，在这层，机械算法又是劣势。还有一个就是机械算法很容易被一些智能的算法或其他算法去识别出来，因为它 有一些特征在识别出来以后就有可能被抢跑。机械算法存在这么多劣势，所以机械算法是不太可能跑赢市场均价的， 这个时候需要用智能算法来解决这个问题。

然后我们来看一下目前的量化行业的一些发展情况，其实这三年量化行业发展很快，其实也开始逐渐的内卷起来了。 像早期我们叫做冷兵器时代，大家用多因子模型线性回归，然后基本上是做中低频。后面就是热武器时代了，引入很 多的量价信息、机器学习大家都引入进来，然后逐渐高频化。现在很多阿尔法已经做到了日内小时级别了。 现在不少量化私募甚至已经到了更高一级，我们叫做信息化时代，自建超算机房，然后去寻找很多的另类数据，然后 把强化学习等最新的技术利用上来。

我们 2018 年的一个模型，2019 年全年基本上不用改动，偶尔调个参，我们的算法模型都能是有比较好的绩效表现。 但是到 2020 年以后，我半年就得做一个比较大的改变。到 2021 年 2022 年的时候，三个月甚至一个月做一次迭代， 我们到目前每周都会去重新去训练，然后每个季度都会有模型的一些大的变更，所以说其实这个行业都在卷。

再看下算力这一块内容，都说数据、算法、算力是人工智能的三驾马车。人工智能在 2016 年之所以有大的突破，主 要就是 GPU 算力上来了，然后模型这些 CNN、RNN 这些模型都涌现出来以后，先进的算法也有了，数据也进入爆 炸期的。 国内量化领域，大家逐渐开始拼算力了，目前国内已经很多大型的量化机构建立了超算机房。这里举两个例子，一个 是就是幻方的“萤火二号”超算机房，还有明汯投资的超算机房。

最后介绍一下我们卡方在算力这一块的建设的情况。我们其实是 2019 年开始探索深度学习到高频领域的应用，然后 2020 年的时候引入了比较多的专家，并且开始投资建设我们的超算机房。然后我们第一代 AI 算法上也是在这一年上 市，到目前我们的深度学习专家已经占到整个量化团队的 1/3（量化团队共有 60 多位成员）。 到目前投入超过一个亿建我们的超算机房，其实建设超算机房最难的是拿不到足够的电力。我们后来在马桥创研中心， 当地政府支持我们，对电路进行了改造，政府前期投入了 2000 多万，目前为止我们已经投入超过一个亿了。目前有 200 多台服务器，800 多张顶级的显卡。所以说我们目前持续在深度学习这一块，在算法交易持续投入，这也是我们 的算法，容量越来越大，绩效一直保持领先的原因。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）