前言

今年（2017年）市场的一个核心特点是以小市值和事件驱动因子为主的量化策略，遇到了很大的挑战，我们也不例外。自去年十一月底、十二月初起，市场的环境和风格就开始逐渐发生变化，特别是在今年的三、四月份后，市场呈现的情况是只涨指数、不涨个股。市场看似机会不断，而反应在量化策略的效果上，业绩反差很大。

自去年十一月底以后我们就发现小市值因子就开始失效，事件驱动因子也开始出现问题。量化投资究竟应该如何应对环境的变化，本文将从三个方面进行阐述。

一、环境变化导致量化交易发生变化

（一）超级机构投资者的出现是环境变量变化的主要原因

以美国市场为例，它是一个比较成熟的，以机构投资者为主的市场。而在A股市场，此前的机构投资者呈现“散户化”的趋势。2015年以后，市场上出现了超级机构投资者，市场环境发生了很大的变化。原来市场上“同涨共跌”的情况现在减少了，转变为“此消彼长”。尤其是几个大的行业指数、蓝筹股、价值股涨得非常厉害。机构的力量是改变环境的核心的主因。每一个市场都需要一些超级机构作为稳定器，而A股之前是没有稳定器的，现在出现了一个稳定器，但仅仅只有一个稳定器是不够的，还不足以让A股市场成为一个真正成熟的市场。未来可能会有新的稳定器进来，比如A股纳入MSCI以后也可能会改变这种情况。

（二）监管风格改变导致事件驱动因素环境变化

导致量化投资环境改变的第二个原因，是监管风格的变化，导致交易环境的变化，使得事件驱动策略就失效了。事件驱动因子的失效并不代表事件驱动因子会长期失效。在全球市场，配置于事件驱动策略的量化基金的份额占比在15-25%。策略失效只是阶段性的，由于宏观监管的原因，监管政策的风格漂移导致临时性的变化。之后，这类策略还会继续有效。

（三）A股纳入MCSI前后市场跟随者预期的变化

最后一个小的原因是A股纳入MSCI，跟随者的预期发生了一些变化。之前大家认为价值投资失效，现在价值投资是不是真的来了？导致很多资金加重价值投资的因子，放弃传统动量、小市值因子。

二、当前市场环境的有效因子

市场一直在变化，唯一不变的就是“变”。从A股最早的交易时代至今，风格变了很多次。关键需要考虑这些变化是短期的还是长期的。如果说是长期带来一些趋势性的变化，要让量化机制重新学习和因子选择来面对这些变化。

当前市场环境下，大小盘因子和事件驱动因子会失效，如果失效的时间过长，市场会失去耐心，做策略的人也会失去耐心，所以要找到一些新的有效因子。这些因子里，比较有效的是舆情因子、情绪因子、估值因子、选时因子。

（一）舆情因子

我们自行研发了一套比较完整的舆情系统，一百多台自有服务器，采集一万多家网站的实时数据。包括比较典型的财经网站和一些行业网站以及上市公司的网站。爬虫每天可以获取50万到70万条数据，经过算法清洗以后，每天会采集大概10万条左右的数据。

基于舆情的分析平台以及舆情正负的监控平台，我们研发了舆情机器人，自行监控市场中公司的热度，行业的热度和主题性事件的热度。舆情因子经过测试，是比较有效的。很多股票通过算法，清洗到有效的舆情，能够提前发现市场一些热点。这些核心数据对尽快走出目前的困境有一定的帮助。

（二）情绪因子

当前的环境下，市场情绪与交易机会存在着明显的反向相关关系。比如说情绪特别低迷的时候反而是买入的时候，情绪特别高涨的时候又是阶段性的要卖出的时候。

（三）估值因子

我们搭建了一套独立的估值系统，已经有十年多三轮市场的牛熊过程的历史了，估值因子的阿尔法效应还是很明显的。在今年3月至今市场的回撤过程中，估值因子的阿尔法下调的幅度比其他的因子要好很多，所以估值还是很重要的。

（四）选时因子

选时不论在A股市场，还是在海外市场，都是一个很难的课题。基于情绪、供求、价值，我们研发了自己的选时模型。经过统计，在市场18次超过5%的暴跌当日，指数平均的跌幅是6.5%，而运用了选时模型的产品平均跌幅仅有0.8%。这个数据也佐证了选时及其衍生而来的风控系统，是有效用的。

三、新的方法技术在量化投资的应用

从方法论而言，当前已经跨入了人工智能的时代。根据普华永道2016年全球科技金融调查得出的数据显示：成本下降是大型金融机构期望从金融科技中获得的首要利益（69%）。此外，他们还预期金融科技能带来更大的差异化经营（60%）及额外收入（43%）。目前，美国超过60%的交易是由机器进行的。

在应对当前复杂环境时，已经可以结合人工智能的方法来取代传统的研究员的一些工作。例如，依托人工智能，由机器撰写所有上市公司的研究报告。在确定每一份报告的分项内容后，都可以由机器去完成这些工作。智能投研系统在实际使用中，在估值计算、资金流向计算、选时方面以及基本面的对比分析方面的效率比传统模式的效率要高很多。而人工智能也能在量化投资中得到更多的应用和实践。研究的方法比原来的方法有了质变和提升，比如智能投研的方法和机器学习的方法。从机器算法的效率提升可以产生不错的效果。例如机器的深度学习，可以让机器做出更智能化的策略。一次又一次的挑战，会带来一次又一次的反思和一次又一次的行动，包括输入和输出不断的正反馈和负反馈。

量化投资也是一个不断持续创新的过程，不存在一套一成不变的量化投资策略和量化投资模式，它是一个螺旋状上升的过程。从研究股票，到研究板块，到研究交易策略，到研究投资组合，下一个时代的智能化程度会越来越高。比如研究股票时，可以用智能投研；研究板块时，可以用板块智投；研究交易策略时，可以用交易模型的机器学习方法。

（一）AI技术可以优化传统算法

过往很多的量化算法，在AI新的运算技术引进以后，可以得到很大的优化。算法优化结合人工智能在运算能力上的提高，会让新的量化系统摆脱原来的单机时代，上升到“云计算”的时代。这直接导致做算法的效率以及运算能力的提高，新的量化时代即将到来。

（二）机器学习可以提升策略能力

当传统的量化系统从1.0时代进行技术升级，把现有技术升级到深度学习和对抗性学习，基于这种技术做出了人工智能量化2.0系统。将每一次市场的环境变化进行事后分析，都是给量化系统提供了一种新的学习方法和学习素材，让机器增加了一种学习的技能，完善后可以让量化系统更加有效。基于新系统的量化策略，在跨越牛熊市场的效果已经比较显著。

四、技术和因子变化后，可以达到的策略效果

通过新的研究以后，我们做了一些新的AI量化策略尝试，并取得了一些阶段性的效果。例如人工智能的稳健策略，这个策略实际上是在若干个重要的板块和指数之间进行轮动的策略，而且是用稳健的方式进行轮动。策略从13年1月4日以来，累计收益不菲。最重要的是期间策略的回撤非常小，在极端市场环境下的最大回撤仅有8.8%，而风险收益比（IR值）很理想。单策略的容量也可以高达12个亿。进行对比之后，牛市的时候能够跟上指数，熊市的时候能够比较稳健，从16年初到现在的平衡震荡市里面能够稳健向上，而且它是一个全指数化的一个投资模式，系统风险也比较小，流动性非常高。

我们也尝试了人工智能的进取型的策略，这是以相对控制回撤，尽量争取收益为目标的策略。不管是在牛市熊市还是震荡市，策略总是以一定的回撤代价取得相当不错的投资回报，基本特点就是有行情就能抓住，基本上不放过任何一个大的市场机会。

人工智能时代对于量化来讲是一个福音，是一个好的机会，我们和大家一样都还在不断探索，希望互相借鉴，未来会带给整个行业更多深层次的变革。