量化行业正疯狂内卷？烧钱、抢人才…如何保持竞争力？头部量化私募揭开答案

过去几年，伴随着量化行业的快速发展，资金大举涌入，一批私募突破百亿大关，甚至千亿规模，成为股票市场最重要的一股力量。

随着规模的飙升，行业竞争趋于激烈，甚至不断内卷。一方面，科技的进步赋予了量化投资更多的选择，不少量化私募在科技上投入重金,“卷”算力；另一方面，投研人才和策略团队是量化的核心，不少量化私募斥重金,“卷”人才，将一批海内外的顶级学霸招自麾下。

中国量化投资的现状如何？在量价赛道逐渐拥挤，量化私募如何破解超额的不断衰减？在行业不断内卷的压力下，如何保持持续的竞争优势？怎么看待量化投资的未来？

(相关资料图)

近日，由证券时报主办、长江证券协办的“2023中国金长江私募基金发展高峰论坛”在上海举办。灵均投资首席投资官马志宇、世纪前沿创始人吴敌、艾方资产董事长蒋锴、黑翼资产创始人、邹倚天等四位大咖对上述话题进行了深入探讨，广金美好总经理罗山担任圆桌论坛的主持人。

量化进入精细化管理时代

罗山：这个主题是中国量化投资的现状与未来，我们先说说现状。在说现状之前，请每人用2分钟的时间介绍一下公司情况，尤其是最新的规模、产品，包括特色优势。

马志宇：我是灵均投资马志宇，专注于量化投资领域，我们的策略线从中性策略、量化多策略、500指数增强，到量化选股策略都有覆盖。

吴敌：我们世纪前沿也是专注于量化策略，我们策略线从股票到期货、期权都覆盖，我们管理规模大概100多亿左右。

蒋锴：艾方资产2012年成立，我们去年管理规模突破百亿，艾方资产专注做绝对收益的量化投资。公司成立的前几年以套利策略为主，最近这五六年我们做量化多策略，我们现在最大的产品线是量化多策略，还有量化可转债和CTA两个产品线。

邹倚天：黑翼资产主要做CTA、500增强、1000增强、量化选股，还有中性产品，目前管理规模差不多150亿左右。

罗山：量化在中国的发展还是挺出乎我的意料，最开始的量化是从公募基金开始，最早一批海归回来，做公募量化指数增强，那时候我在易方达也做了几年这方面的工作，后来延伸到券商量化，2014年以后私募量化开始出现，最近五年迅速发展到超过5万亿的规模。此时，我们来讨论量化的现状和未来是非常恰当的时点，量化已经是市场很重要的参与者，是一股非常强大的力量。

请邹总给大家介绍一下，你对现在量化行业发展的现状怎么看，有什么特色、特点？对整个行业有什么样的体会和认知？

邹倚天：这几年行业发展很快，我最大感受是量化正朝着越来越精细化的方向发展。

国内最早从2009年的公募量化开始，到2012-2013年开始出现第一批量化私募，那时的策略相对比较粗犷和简单，可能做3~5个因子，一年超额也能达到30%。那个年代应该是量化投资的“田园时代”，也是最美好的时代。

这几年量化行业明显比较“内卷”，各方面的竞争越来越激烈，包括最基础的高速通信网络、算力投入、人才投入。现在量化管理人都在想如何把每个环节打磨得更加精细。量化投资可以看作是一台非常精密的机器，最上游是各种原始数据，这几年正出现指数级别的上升；中间是做收益预测，到下游是交易执行。每个环节都需要管理人去把它打磨得非常精细，才可能维持相对理想的超额收益。

总的来说，量化行业开始进入精细化发展模式。打个比喻，量化投资有点像大家在跑步机上跑步，这个跑步机的速度很快，假如时速15公里代表了全行业的平均水平，你在这上面跑步如果时速达不到15公里就会摔下跑步机。现在整个量化行业发展很快，如果你是花了很多的投入刚好赶上时速15公里，那接下来要想比别人跑得稍微快一点，比如跑到时速18公里，就必须在投入或方法论上比别人领先很多。

罗山：请吴敌总从你的角度回答一下。

吴敌：我觉得量化行业之前确实是一个田园时代或者黄金时代。2018-2020年，超额收益易做，500超额可以做到30%甚至40%，正好遇上了机器学习的爆炸，技术进步带来超额的提升。

2021年，整个量化规模进入大扩张时代，整个量化的占比之前只有5%，到2021年已经占到20%左右，在A股市场的占比越来越高。我们从一个容易赚钱的时代，变成一个需要精细化管理的时代，我们统计了2021、2022年百亿私募平均的超额收益，大概15%。

此外，2021年超额波动率7%左右，到了2022年之后，虽然同样平均15%的超额收益，但是波动率从7%降到5%，这也说明了量化行业在不断进步，组合管理和风控能力增强，收益来源也更加稳定，以前更多押注在量价因子上，现在各种工具用的更多，收益更加稳定。

整个行业从2021年爆发性的增长现在变成很平稳的甚至良性增长的过程，所以对量化目前是很乐观的态度，首先我们国内量价还是相对好做的时代，其次我们这么多私募经过这么多年的进化，不管是技术、模型、认知，都有很大的升级，所以我们行业进入一个比较稳定的过程。

卷算力、卷人才，量化门槛不断提高

罗山：我们是做量化私募FOF的，也接触很多很多量化团队，从周总和吴总说的对现状特色的总结，一个是“卷”，非常卷，或者因为卷导致收益下降，或者因为卷要维持和过去差不多的收益，需要有更多的投入，包括投研上的、人才上的、技术上的。我想再请蒋总和马总分享一下，在竞争很激烈的环境下，是怎么进行应对的？

蒋锴：首先艾方从我们的策略类别，还有公司的定位，跟市场上其他20多家百亿量化私募的同行略微有些不一样，我们可能处的赛道不是最卷的赛道，但是我们确实也能感受到，现在人才招聘上的压力，而我们的竞争对手前些年主要是量化私募和一些互联网的大厂，包括人工智能的企业。这两年，尤其是去年以来，我们竞争对手都变成量化私募了，随着量化私募行业的发展越来越快，大家对人才的争夺也越来越激烈。

结合我们自己艾方实际的情况，谈谈我们的几个感想和做法。

第一，在10万亿大资管的市场里，每家资管机构，包括量化私募，可以结合自己的禀赋和特色做一些有差异化的投资。比如说我们对自己的定位，就是我们专注做绝对收益量化的产品，尽量不要去做一些，比如说相对收益，大家在同一个赛道上比超额，我们更希望能够给客户呈现一个年度的绝对收益。基于这个，我们很多的研究精力是在挖掘一些另类的策略，差异化的这种包括衍生品在内的另类资产，在这个上面我们能够呈现出相关性比较低的策略以及收益来源。

第二，另一方面，量化私募市场越来越成熟的环境下，品牌的培养，包括从资管的角度来说，售后的服务也比较重要，我们在这些方面也做了很多的努力。

罗山：谢谢蒋总，我们知道现在量化很多大厂在技术上投入非常多，已经到了亿的级别，大部分百亿量化私募这个级别投资还是会有点心有余而力不足，但是灵均不一样，这么大的规模，绝对是有足够的资源和财力来做这方面的投资，如果你们想做的话，所以我也很好奇，，灵均在技术上的投入，比如说数据、算力、算法、人工智能等等方面有什么布局？

马志宇：因为现在市场竞争的激烈，也包括市场逐渐得到认知，包括机器学习的这一类方法论在量化投资中具有明确的效果，所以这一切都使得我们必须在这一块加大投入。如果说到量化，比如说我们做一个日频的策略，早年一个量化的日频策略更多是对于数据做了清洗和整理之后，做一些有逻辑意义的尝试和回撤，得到一些因子，这是比较早期的做法。那个时候肯定对算力的需求是比较低的。再到后来，一些公司做的用机器搜索的方式积极寻找因子，这样对算力的需求就有明显的提升了。再到现在，大家对整个因子和模型都通过机器学习的方式，这个对算力的要求进一步提升。

这个背后实际上是技术发展和方法论的认证，量化投资越来越发现用算力，或者说一个策略的构成，人力是一部分，但是算力是越来越重要的另一部分，这个已经是非常明确的事实了。基于此，我们想在这方面进一步的开发策略，想进一步的精进，就必须投入。目前这种投入确实比较大，我们公司每年也需要在算力这块，就纯粹的硬件上也要有过亿的投入，这个是一个不得不承担的成本。

此外，对于人才需求也比较大，包括与互联网相关以及市场相关的人才。还有一些是量化专有的人才，量化专有的人才我们更多是面向海外进行招聘，吸收海外顶尖对冲基金的顶级量化人才，当然这种人才的成本也是非常贵的，所以说整个量化行业现在运营成本的确是像罗总所说成本很高。

量化行业是一个智力密集型的行业，所以顶尖人才能够发挥的价值明显的超过一般人才的水准。所以这种投入还是值得的，关键是有效的投入，有效的识别人才。当然在另外一个方面，也要形成人才培养的机制，包括在内部以及校园招聘等方面。我们公司过去的两年里，整个HR部门人数增长比较快，现在从人才招聘，包括国外和国内的招聘，校园招聘、实习生培养，都需要建立一个相应的机制。

我觉得在这个行业越来越变成了一个门槛不断提高的行业，对于我们，需要做到有效和精准的投入，以及高效的产出。投入可能更多的是在人才的招聘和识别上，包括对团队的管理、团队内部高效的合作，以及对量化的激励机制，使得整个团队能有高效的产出。

刚才罗总也讲到数据，数据这块确实是近年成本增长比较快的方向，因为这个也和策略类型有关，前几年的策略只要买到数据再做加工就可以了，现在因为策略不断丰富，对于各种另类数据成本提高是比较多的，尤其和一些主观相结合的数据，这种成本确实比以前明显要高。以当前来看，数据的成本与机器硬件的成本的比，不在一个数量级上。

从高频到中低频，组织分工和团队作战是大趋势

罗山：谢谢马总非常详细的分享，我想再让邹总分享一下黑翼，在两类不同策略里面，用到这些人工智能机器学习的使用方式有什么不一样？对数据的要求、对交易的频率，因为商品日内可以高频，股票T+0却比较有限，也会有差异，我想听听你们公司在这方面是怎么做的，有什么体会？

邹倚天：股票和商品两者在基本方法论上相类似，都是把某组数据以某种形式组合出来，形成对某个标的交易的预测。核心在于数据量不一样，股票的标的更多，基本比商品多了两个数量级。股票做人工智能模型，因为数据量大，可以设置更多参数，模型的复杂度可以做得更高。期货里面，因为整体数据量不大，模型相对简单，太复杂的模型容易出现欠拟合现象。

罗山：和这个差不多相关的问题，请吴总和大家分享一下。几年前在深圳，团队非常小，这几年发展非常迅速，现在已经在上海招了很多人，组建了很大的团队，我也想吴总分享一下，你们在团队管理、人才培养和使用方面是一个什么样的模式？通常市场上有两大类的模式，可能还有更多的、更细的做法，一个是偏流水线的，量化的策略研发不同的环节都有一定的人来做好这个工作，像流水线的生产一样，也有量化一个人从头做到尾的，吴总分享一下，你们是怎么做？你怎么看这两类做法各自的优劣？

吴敌：我们最开始是做高频，做高频相对来说整个工序不是那么复杂，因为它没有隔夜的风险，我们当时人少，基本上一个人从头弄到尾。其实我们很多百亿私募人也不是很多，因为高频不需要很多人，但是市场也很好，包括2015、2016年的时候，很少人就可以赚很多钱。

到后来要做到中低频要考虑的东西变多，需要考虑各种各样的数据，包括量价和非量价的数据，甚至另类的数据，都需要投入很多的人力，包括组合管理需要相当多的经验，甚至引进海外不同的优秀人才。后来你会发现一个人单挑的模式一定不合适，一定会变成有很明确的组织分工，在每个分工里面进行深度的优化过程，包括我们现在也是分了很多不同的组，从最开始的数据组，最基本的量价数据组，今年我们还建了大数据组，人数也是急速上升。

国外真正赚了很多钱的对冲基金，大数据组也是非常多，一年要开1000个数据集，从里面发现有6个数据有用，写10个因子，就是他们一年的工作，你发现每一部分都需要很大的投入，我们现在的模式也是说需要把我们的工作拆解，每部分招到最优秀的人才。人才也分，领头人一定是需要有足够经验的，我们现在量化行业不是一个很新兴的行业，至少在国外，因此我们需要借鉴海外成功的经验，所以我们也是从海外引进很多优秀的人才进来，包括股票组的投研，都是有海外经验的人。

本质上我们的领头人可以从海外招，他们给我们带来最先进的经验。具体一些α的研究和工作，我们国内的研究员，特别刚毕业的学生都很优秀，发展也很快，他们对先进技术的掌握，包括人工智能技术的掌握很快，所以我们其实是采取一个搭配的情况，由优秀的人带着团队朝前冲，我们有优秀的人才梯队，慢慢成长成为合格、靠谱的研究员，专注做研究，是这样一个模式。

校对：杨立林

标签：