七禾网注：嘉宾回答仅代表其本人观点，不代表七禾网的观点及推荐。金融投资风险丛生，愿七禾网用户理性谨慎。

魏铭三

毕业于浙江大学计算机&人工智能研究所，致力于将人工智能与金融智能交易领域相结合。曾任职于央行下属中国外汇交易中心暨全国银行间同业拆借中心， 后投身于阳光私募行业，将人工智能与机器学习的方法带入金融市场进行实验，在机器学习框架下完成了上百套完全智能化的交易模型，覆盖了从国内股票、期货以及全球市场的交易模型，均取得了高夏普与高风险收益比回报。

精彩观点

我看了非常多的书，总结下来基本上是说，你要制定一个交易计划，然后照着这个交易计划去执行。

如果我们的程序化策略永远都是不更新的，永远都是那套旧的思维理念，只是改变参数的话，那程序化交易肯定是越来越难做的，因为这个市场随着参与者水平的提高，市场整体也在提高。

有很多重复劳动型的职位，其实渐渐也在被社会淘汰，这也是人工智能在社会上面多种行业的一个体现，那自然而然，金融行业其实也面临着这样的一个迭代的过程，重复性的、可替代性的职位就会被人工智能所替代。

我们已经做到把图像识别的技术用在K线上面，它很快地就能从这些K线的组合里面去找出能够有胜率的一些组合，大概也就是几分钟的时间可以找出十几种、几百种有用的这种K线的组合。

股票上面的策略，我们就会涉及到基本面和场外的一些数据，还有一些事件驱动的策略去做，期货和数字货币的话，我们就纯从量价上面去考虑，就放在我们机器学习和人工智能的框架下面去进行学习和交易。

之所以大家会用程序化这种方法，就是因为它执行力强，如果你把它关掉或者手工干预的话，那又会变成手工主观交易的一部分，就发挥不了它执行力的优点。

赚钱的策略我们会给它更多的资金，如果是亏钱的话我们会把它的仓位减下来，甚至最后淘汰掉，所以本质上就是赢冲输缩、赚钱多赚。

高频关键不在于交易策略的思路，而在于你的执行，其实大部分时间我们不是在研究策略，都在解决系统发单的时候并发性还有对柜台、线路的了解、机房的布置，还有就是怎样利用操作系统的一些比较巧妙的地方去提升速度，并且让这些策略或者订单不会乱掉，还有IT队伍的培养

不是追求策略的换和不换，而追求的是一种能够在大多数行情里面都能稳定的这样一些策略，找到这样的策略是重点。

如果这个策略是稳定性的，那么可以放到我们实盘的策略池里面，它赚钱了那我们会继续加仓，如果亏钱了我们会减仓，如果它亏到一定程度，我们直接会把它停掉不做，让它继续做模拟盘。

不是说量化交易把主观的交易者淘汰了，而是说淘汰了那种模式，转变为一种新的模式，就是人会更多地利用模型或者数据去分析，这个分析有可能是分析完了计算机去执行，也有可能是计算机提供给人一种辅助的工具，然后人来追踪、判断，我认为是这样的一个形式。

七禾网与Trade Speed急速云联合推出了“七禾云”云服务托管服务器，采用高频交易的硬件和软件架构，并且利用交易所周边网络资源，专为程序化交易者提供高速的云服务托管服务器。

点击查看详情：做量化，就用“七禾云”！（低延时、高性价比、手机端可操控）

七禾网1、魏总您好，感谢您和七禾网进行深入对话。您做期货已有8年时间，当时是怎样的机缘巧合使您进入到期货市场当中？

魏铭三：说来也比较巧，我在学校的时候自己也炒股票，当时自己在学校倒腾一些小生意就有些闲钱，就想着去做点别的事，就想到炒股票。一开始我主要是自己瞎做，瞎做肯定会亏钱，亏了之后，因为我是学计算机的，我去旁听一些金融系的课程，老师推荐了一些书，我当时看了非常多的书，总结下来基本上是说，你要制定一个交易计划，然后照着这个交易计划去执行。基本上所有书都是讲这个，还有些书就无非讲一些细节，告诉你交易计划该怎么制定。当时觉得这样做效率比较低，因为我是学计算机的，就尝试在EXCEL开发一些在某个价位进或者出的这种方式。后来到大四的时候开始选课题要做毕业论文，有个老师的课题叫期货市场交易策略的实现，这就特别契合自己想要了解的东西，就报了那个老师的论文课题。最开始接触程序化，就是通过论文的形式，当时我的毕业论文就是用程序化方式去实现期货市场的海龟交易法则，所以从那个时候起就接触到了程序化交易，当时程序化交易只能用在期货上面，自然而然就进入了期货市场。

七禾网2、您在大学时就开始研究程序化交易，为什么您一开始就选择程序化交易而不是主观交易？

魏铭三：我一开始就是瞎做，就是没规则地做，那时候分不清楚什么是主观交易、什么是量化交易，后来意识到无论任何的交易法则，基本上都提到一句话，就是计划你的交易，交易你的计划，后来对交易、市场、工具、品种等有更深的认识之后，知道有主观交易、程序化交易之分。我是学计算机专业的，了解了这些情况之后，我就认为程序化交易最能体现出之前的那句话——计划你的交易，交易你的计划，并且能够把它执行下去，我就觉得程序化交易是最适合自己的。

七禾网3、在您做期货交易的这8年中，从程序化交易的角度来看，您认为市场有哪些变化？是否感到程序化越来越难做？

魏铭三：我先回答第二个问题，就是程序化是不是越来越难做。这里就分成两方面，第一个方面，如果我们的程序化策略永远都是不更新的，永远都是那套旧的思维理念，只是改变参数的话，那程序化交易肯定是越来越难做的，因为这个市场随着参与者水平的提高，市场整体也在提高，所以程序化策略本身如果是不更新、不迭代，还是老一套的话，那就会越来越难做。回过头来我再想，其实8年是一个比较长的周期了，在这么长的周期里面，市场自己进化的速度也是非常快的，不光是市场参与者本身，从监管政策的角度来看，监管的风格变化都相当大。我举个最简单的例子，做程序化设计会比较细，如果你要平仓的话，你要去选平昨还是平今的指令，当初为什么要区分？因为以前平今是不用手续费的，是鼓励你多交易的，但现在平今反而手续费是非常贵的，我们要用锁仓的方式去规避这个手续费。那这8年间，监管的思维从以前的鼓励交易、多交易，变成了不鼓励你多交易，想让交易不那么活跃，就从这个层面来讲，这8年的市场变化都非常大，进而对程序化的影响就会非常大，那当然是会越来越难做，这是第一点。

第二点的话从市场参与者的角度来讲，8年前，2010年的时候做程序化的人还不是那么多，而且程序化对于大家来说还是一个比较起步的阶段，无论讨论的内容的等级层次，还是参与者的专业度水平，包括私募里面量化私募的占比，都不是特别高，也就是说那个时候是一个野蛮、比较粗放的市场，那个时候大部分品种波动都还比较大。然后后面经历了几个阶段，第一个阶段我认为是百花齐放的，很多品种都有自己的行情，螺纹钢、农产品都会有部分的行情。到2014年，大部分做程序化的人转型去做股指了，那个时候股指的交易量大概占了整个期货市场的80%。再到现在，股指被限制了之后，商品上面就变成了局部的一小部分行情，这上面变化也是非常大的。而且现在参与者除了很多国内本土的比较优秀的量化交易者外，还有国外非常有名的公司也到国内来进行交易，现在我们国家也欢迎这些优秀的对冲基金进来，所以参与者的结构变化也相当大，这个市场和之前是有很大不同的。

七禾网4、您从浙江大学人工智能研究所毕业，对于人工智能在期货交易中的应用您怎么看？未来可能人工智能在期货交易中的应用会越来越广泛和深入，您认为这对程序化交易来说是否会造成比较大的冲击和挑战，程序化交易是否会越来越难赚钱？

魏铭三：我当时师从金小刚教授，金小刚教授在人工智能上面还是比较有建树的，我跟着他学了不少东西。至于人工智能在期货上面的应用，我觉得对于我们团队来说还是一个工具，这个工具我相信以后不光是在期货行业，在任何行业它一定都会普及开来，并且会实际地去替代一些人的工作。我举个最简单的例子，我2012年的时候就在杭州创业做了一个资产管理公司，那个时候我们还是比较传统的，会招聘一些策略师，要求他根据我们的一些交易想法，把它实现出来，也有可能是他自己发现了一些方式，或者跟一些主观的交易员聊，然后把一些可以量化的方式写出来，以前都是这样子的。后来，我们在2015年就自己搭了一个人工智能的框架，到现在我们的团队构成就再也没有策略师这样的职位，我们现在更多的都是算法工程师，还有数据分析师，基本上就这两个职位了。我们这个框架搭建起来以后，团队里面就把策略师这样一个职位淘汰了，除了跟交易相关的，现在有很多重复劳动型的职位，其实渐渐也在被社会淘汰，这也是人工智能在社会上面多种行业的一个体现，那自然而然，金融行业其实也面临着这样的一个迭代的过程，重复性的、可替代性的职位就会被人工智能所替代。

至于未来人工智能在期货上面会不会对程序化造成一个比较大的冲击，如果说这个程序化交易指的是狭义的，就像策略师，我们自己去总结一些规律，然后把它开发出来，那我觉得肯定会淘汰他们，我们自己内部已经淘汰了，对于整个市场来说，像这种还要自己去开发策略的，永远是会被淘汰的，因为我们的算法可以做到很快地去总结出这些数据里面暗含的规律 ，把它寻找出来，这会比人总结和寻找效率高非常多倍。在我看来，做交易无非都是从历史的，或者以前的经验里面去总结规律，找出一些胜率比较高的交易模式，无论是我们以前总结的像传统的K线战法，或者是一些指标的运用，这些都是以前的人总结的交易经验，但是他们花了这么多年，十年、二十年出了一些经典的书籍，比如《日本蜡烛图战法》，这些都很经典。我们已经做到把图像识别的技术用在K线上面，它很快地就能从这些K线的组合里面去找出能够有胜率的一些组合，大概也就是几分钟的时间可以找出十几种、几百种有用的这种K线的组合。这样的话，对于传统的写一个策略还要这么久，还要模拟再跟踪，现在几分钟就能搞定，然后就可以上模拟或者实盘，所以这种速度是不能比的，那这对于程序化交易来说冲击是非常大的，但是我们做完这些模型之后，仍然也会照着模型去执行，所以从泛程序化来讲，人工智能本身就是泛程序化的一部分，淘汰的会是那种传统的、人工开发的这些类型的程序化交易。

七禾网5、据我们了解，您已经在用机器学习的方式生成策略、进行实盘交易，但是有的人认为，这种方式背后没有交易逻辑支撑，这样的策略有效性待考证，对此您怎么看？

魏铭三：确实会有很多人反驳，机器学习、人工智能这些是不是会过拟合，其实反过来想，这讨论的不是人工智能有没有逻辑支撑，而是过拟合的一个问题。不管是人工智能、机器学习去做模型，还是人去做模型，都会遇到一个过拟合的问题，人做一些简单的模型，他如果用了非常大量的参数，然后去优化，不是人工智能做出来的，但一样面临着过拟合的这样一个问题。还有一点，所谓的交易逻辑支撑这个问题，之前我们组建框架的时候也问过自己，它背后有没有逻辑支撑？这上面会不会在以后不能够赚钱，而只是在学习的训练样本上能赚到钱？我们也思考过这些问题。后来有一个例子给了我们比较大的信心，一个国外的对冲基金经理叫伍德瑞夫，他有个自己的投资公司叫QIM，QIM从2003年以后就开始发行产品，公开地对外展示，这个公司有个有趣的地方，它一共只有30名员工，其中29个都是和策略没有关系的行政、财务这种功能性运作、行政性运作的职位，只有一个策略师，就是伍德瑞夫这个创始人本身。他们管理了30亿美金的财富，但策略师只有他一个，那他怎么做到呢？后来他在2015年接受了采访公开说了，他就是用机器学习和人工智能的方式去制作他的交易策略，用他的机器学习的算法，每分钟就能找到上百个有效的模型或者模式，那这样的话他其实从成千上万个模型里面，挑出他认为能够赚钱的几千个模型，然后就来管理他的30亿美金资产。他做CTA策略，几乎每一年都跑赢全球市场的商品指数，自从2008年以后标普已经翻倍了，他仍然是跑赢了标普。所以这上面证明了借用机器学习这样的算法是可以的，并且他说只用到了量价的数据，没有用到其他任何东西，纯从机器学习的规律去挖掘，但是最重点的不是说背后有没有交易逻辑，他认为最重要的是找到一个衡量策略在之后仍然能够赚钱，也就是衡量这个策略稳定性的方法，是最重要的，因为他认为人的理解能力是有限的，所以有些交易逻辑人没法理解，但是不能认为它不存在，他宁愿用机器学习找出上万个这种看似是有预测能力的模型，然后用比较严格的挑选方式去选出具有稳定性的几千个，也不愿意在有限的逻辑里面去找那十几个模型。其实我们后面从实战的基础来看，虽然我们的模型确实也都是纯从量价数据用机器学习和人工智能的方法去找寻这些数据背后的规律，它们不一定要有逻辑支撑，但是从结果的表现来看的话，它还是比较有效的，最主要还是衡量稳定性的方法，这点我们和伍德瑞夫的理念基本上是一样的，这点是比较重要的。

七禾网6、您股票、内外盘期货、数字货币都参与过，您是否主要都是以量化的方式参与？不同市场之间所用的量化方法有何不同？

魏铭三：无论股票、期货还是数字货币，我们分成两种，一种是涉及到基本面维度的数据，一种是只用到量价数据的策略。股票的话我们一部分的量化策略，还是会去进行一些基本面因子的建模，当然会把因子分成比较细致的类别，比如盈利能力或者稳定度等这些场外的、非财报的数据，一些场外的数据都拿来进行建模，然后去进行分析。因为股票实在是太多了，当然数字货币现在也很多，但是我们只会做主流的一些数字货币，而非一些比较小品种的代币，如果纯从主流的数字货币以及期货品种来看，还是比较少量的，股票的话由于它太多了，特别是像现在新股又特别多，如果纯从量价上面考虑的话，就比较难去做筛选。所以股票上面的策略，我们就会涉及到基本面和场外的一些数据，还有一些事件驱动的策略去做，期货和数字货币的话，我们就纯从量价上面去考虑，就放在我们机器学习和人工智能的框架下面去进行学习和交易。所以这上面的话，我们倒不是从品种来分类，而是从用到的数据去做分类，我们现在还没有找到一个非常好的、有效的方式去把基本面和场外的数据整合到我们人工智能这框架里面，当然我们会朝这个方向走，如果实现了的话，我们的数据维度就会扩充得非常大，有可能我们期货也会用到基本面的东西，因为我们只要把这个框架整合起来，对于这个模型来说，它就是数据而已，然后它就能从这个多维度里面去寻找规律出来。