人生是曠野，而不是軌道。投資亦如是。2023年，太多市場(chǎng)參與者迷失在這片曠野上。

當(dāng)深刻體悟到自身的局限，我們寄望于科技來探索未知，只是大多數(shù)人還心存疑惑：量化的邊界在哪里？AI（人工智能）能幫助主動(dòng)投資飛多高？多遠(yuǎn)？

沒有現(xiàn)成的答案。但李子昂和泓德基金的AI Lab團(tuán)隊(duì)，正不斷嘗試著尋找更好的方向。

從線性到非線性 量化投資拓展邊界

國(guó)際象棋中的深藍(lán)、圍棋中完勝國(guó)手的阿爾法狗……一想到AI，這些激動(dòng)人心的應(yīng)用讓人浮想聯(lián)翩。

落實(shí)到量化領(lǐng)域，AI的加入究竟能在多大程度上賦能投資？對(duì)此，泓德基金AILab負(fù)責(zé)人李子昂表示，從線性到非線性，AI的加入使量化投資加快更新迭代，呈現(xiàn)出一個(gè)百花齊放的狀態(tài)。

“量化的本質(zhì)核心其實(shí)是基于統(tǒng)計(jì)規(guī)律去做投資，其實(shí)主動(dòng)投資也是結(jié)合歷史形成對(duì)未來的預(yù)期和判斷。”李子昂解讀道，“我們?cè)诤Ａ繑?shù)據(jù)里尋找未來能夠賺錢的一些規(guī)律，然后再根據(jù)這些規(guī)律去做投資”。

李子昂講述，一開始，常用的量化模型都是偏線性的多因子模型，通過不同的維度來尋找一些有賺錢效應(yīng)的因子，到后來，人們發(fā)現(xiàn)一些看似和股市無關(guān)的信息也可以拿來建模，市場(chǎng)好像也并不完全是依照線性思維來運(yùn)作，人們就開始引入一些非線性的數(shù)據(jù)，比如天氣對(duì)股市的影響、基金經(jīng)理顏值與投資回報(bào)的關(guān)系等等，各種各樣非結(jié)構(gòu)化的數(shù)據(jù)都可以通過AI方式去學(xué)習(xí)，尋找可能產(chǎn)生超額收益的因子。

“從線性到非線性，我們所做的無非是更好地認(rèn)知世界，探索市場(chǎng)的未知。”李子昂表示，“有了AI的加入，現(xiàn)在很多模型已經(jīng)能夠產(chǎn)生相對(duì)穩(wěn)定的超額收益，但是目前還遠(yuǎn)遠(yuǎn)沒有達(dá)到最好的效果。如果有一天AI真正具備了智能，能夠像人一樣做決策或者是自己去設(shè)計(jì)自己的模型，世界又是另外一個(gè)樣子。但在現(xiàn)階段，AI背后體現(xiàn)的還是人的智慧，所以我們要不斷激發(fā)靈感迭代模型，戰(zhàn)勝過去的自己”。

從集中到分散 超額收益有待挖掘

量化投資得以重歸投資者視野，基于特定的市場(chǎng)環(huán)境。

2023年以來，集中押注、賽道投資的方法在持續(xù)調(diào)整和極致輪動(dòng)中遭遇重挫，Beta的缺失拖累了大多數(shù)主動(dòng)權(quán)益基金的表現(xiàn)。在市場(chǎng)風(fēng)格重歸混沌之際，以分散為特征、著重挖掘市場(chǎng)Alpha的量化投資卻找到了適合發(fā)展的土壤，走出了獨(dú)立于市場(chǎng)的表現(xiàn)。

由此也帶來兩個(gè)問題：一是量化的超額收益會(huì)否隨著市場(chǎng)風(fēng)格變化而減少？二是怎樣才能在AI量化中脫穎而出？對(duì)此，李子昂有著清晰的認(rèn)知。

“通過數(shù)據(jù)回測(cè)，我們可以發(fā)現(xiàn)在震蕩市中，AI量化通常有不錯(cuò)的超額收益，但也有一定的例外情況：比如極致的上漲市，由于Beta因子的過度體現(xiàn)，或者上漲個(gè)股過度集中，使得以分散投資為核心的量化階段性失效；二是在市場(chǎng)流動(dòng)性相對(duì)比較差的時(shí)候，也會(huì)給AI量化帶來一定的挑戰(zhàn)；三是當(dāng)策略的迭代出現(xiàn)放緩、同質(zhì)化策略越來越多的時(shí)候，超額收益也會(huì)有所下降。”

也正因?yàn)檫@樣，想要在AI量化中脫穎而出，對(duì)基金經(jīng)理提出了更高的要求。

“真正讓我們的模型不斷保持先進(jìn)性的原因只有一個(gè)，就是要不斷地去迭代模型，讓模型能夠更好地去學(xué)習(xí)到市場(chǎng)的規(guī)律。所以，任何時(shí)候都要努力去做新的、更好的模型，才能夠在一定程度上抵御這些模型的失效。”李子昂表示。

從現(xiàn)在到未來 創(chuàng)新激發(fā)更多可能

從美國(guó)哥倫比亞大學(xué)理學(xué)碩士到證券投資行業(yè)，從量化研究員到泓德AI Lab負(fù)責(zé)人，擁有10年證券從業(yè)經(jīng)驗(yàn)、9年投研經(jīng)驗(yàn)的李子昂有幸遇上了一個(gè)AI量化蓬勃發(fā)展的時(shí)代，能夠充分施展所長(zhǎng)。

“我們的AI Lab建立得比較早，一開始是基于研究的目的，想引入市場(chǎng)上AI的先進(jìn)技術(shù)賦能投研，現(xiàn)在的邏輯是去做AI的選股。”李子昂表示，具體而言，通過深度神經(jīng)網(wǎng)絡(luò)挖掘高頻量?jī)r(jià)中的Alpha特征，用深度學(xué)習(xí)方式實(shí)現(xiàn)傳統(tǒng)模型因子挖掘和因子合成的過程，從而更好地提取高頻特征中隱含的Alpha。

“既然名為L(zhǎng)ab，我們更多希望整個(gè)團(tuán)隊(duì)是一個(gè)研究型的團(tuán)隊(duì)，能夠做一些創(chuàng)新的東西出來。做好AI投資一定要同時(shí)具備科研精神和工程能力，保持研究的熱情對(duì)團(tuán)隊(duì)成員來說非常重要。”

當(dāng)下投資者應(yīng)當(dāng)怎樣去選擇量化產(chǎn)品？或者選擇量化團(tuán)隊(duì)？李子昂表示，如果現(xiàn)在這個(gè)時(shí)間點(diǎn)去做量化投資，有兩點(diǎn)值得重視：

“一是投資者對(duì)于beta端的認(rèn)可。例如，當(dāng)前中證500指數(shù)的估值分位不到30%。未來如果有一輪牛市，beta端的收益可能相對(duì)可觀；二是alpha端，投資者要去考察哪些模型和方法論適合做alpha，這件事情是相對(duì)比較重要的事情。選擇量化團(tuán)隊(duì)也要看其實(shí)現(xiàn)alpha的能力，剔除行業(yè)收益和風(fēng)格收益之外，純alpha的收益到底是多少，這也是量化團(tuán)隊(duì)之間差異和優(yōu)勢(shì)所在。” 文/小艾