七禾网8：您们有丰富的策略库，包含套利、趋势，多因子，机器学习等，您觉得在不同的环境背景下，什么样的策略因子会表现更为突出呢？

林雄：首先，针对简单的策略，你会根据历史观察到现象，但这并不代表未来也是这样。比如规则类像趋势策略，可能在波动率放大期初，它会随着波动率的放大表现好，但是当波动率很大时，它就预测不是那么准确了，会表现不好，而且波动率是有一些反转效应的，波动率越大，可能导致来回判断错误。我们观察到一些现象，比如其它类策略像机器学习，这很难判断在什么样的环境会表现好，如果真的能判断，就把它当做一个因子加入进来，可以作为原来策略的加强。所以很难对机器学习判断在什么样的环境表现好，这就是不同环境下同时使用多策略的好处。

七禾网9：结合今年的股票市场与期货市场，您认为在今年这样的行情下，表现比较好的策略有哪些？

林雄：根据我们的实盘现象，当然这个现象不代表未来。比如我们几个子策略里，今年七月份之前，虽然上涨行情并不明确，但套利策略是表现比较好的；七八月份之后，趋势性比较明显，套利策略就开始回撤，从五月份到九月份，机器学习表现不错。

中长周期的因子像多因子策略，从去年十一月份开始回撤，去年十一月份是高点，到今年三月份左右达到了低点，之后开始反弹，一直反弹到八月底，相当于达到了新的高点；短周期像规则类策略，我们观察在三到五月份的时候，其实表现还行，很多短周期策略在五月份达到了高位，五月份到八月份的一波上涨并没有抓住，虽然从较长周期来看，是比较明显的，但在偏微观的环境下看，很容易造成信号来回被打，震荡明显，导致短周期策略有回撤。所以不同策略在不同阶段表现不一，多策略均衡配置的组合会使产品的稳定性更好。

七禾网10：CTA策略最主要的交易标的是商品期货，与股票的相关性较低。请您从资产配置的角度谈一谈CTA策略的配置价值？

林雄：CTA的配置价值，在海外很早就有研究，有个经典的案例，把CTA加到股债配置里，股债一般是按40%和60%的比例配置，研究人员发现如果把CTA当做一个可交易的资产，像股票债券一样来配，那么会让整个组合效果提高。比如配置10%CTA策略，就会让收益回撤比更好。我们内部也做了一个简单的测试，一边是持有100%的中证500指数，另外一边配10%或者20%左右的贝塔一号，即一个传统的类似指数追踪的CTA策略。然后我们发现在多头里面配置20%的CTA策略，它能提高夏普比率，同时增强两到五个点的年化收益，当然这是根据历史来看，不代表未来。未来的收益率不一定能确定，但是相关性是确定的，即CTA和股票、债券的相关性很低，从这一点看它就有配置价值。

七禾网11：在过去的一年多时间，CTA策略经历了至暗时刻，而我们兰盈量投的业绩超越市场平均水平，请您谈谈如何在策略内卷、同质化日益加剧的背景下保持竞争优势的？

林雄：想保持竞争优势，这需要很大工作量，我们只能说尽力去做好。首先，在策略研发层面，我们一直推崇多策略的混合形式，在每个策略类别里，尽量去寻找差异化，比如套利策略，不是简单的一个回归就完事了，里面包含了多个子信号，机器学习策略里也会有很多子模型。

关于因子的构建，比如大家都做机器学习策略，那因子构建的逻辑可以不一样，可以用量价指标，包括技术指标；如何处理这些因子，特征工程，包括Y的选择很重要，Y即未来想要预测的目标值，因子不是对所有的Y都适用，它可能只对某些Y适用，这些细节都需要关注。因子在模型层面，如果X和Y都选的很合适，那模型更多的是锦上添花，要注意不能有太多的过拟合。

其次，在投研体系上，我们想做成一个非常高效的投研平台，基于此吸纳人才。如果有高效的投研平台，产出高对于公司的总体效果提升，包含策略的提升也是有帮助的。所以我们会投入大量的精力去发展人才和平台。在人才方面，我们追求少而精，争取做好收益。

最后，保持优势除了做对事情，同时还要减少做错事情。在机器学习里经常会犯的错误是拼命试模型、蹂躏数据，从不同的方法、模型、参数等各个方面不断地蹂躏，出来的效果往往很容易过拟合，另外在策略类型上避免单品种或单一风格在仓位上过多暴露，这样做不一定能有收益增长，但是可以减少犯错，不然可能在单一品种上暴露过多，可能赚大钱，但同样也可能亏大钱。所以减少错误也是增强。

七禾网12：您们想赚市场上哪一部分钱呢，又是如何通过技术去实现的呢？

林雄：关于收益来源，一部分是来源于市场的不有效。目前，国内的市场虽然处于快速发展的阶段，但还远不及成熟有效，所以我们能挖掘到一些机会，通过量价分析、统计建模，可以产生有效盈利信号，我们现在投入大量的精力去挖掘不有效市场的机会去盈利。通过我们过往的经验，尤其是数理方面，我们在实现这个过程中，更多采用是完全量化的方式，在信号上，我们基本上通过过往回测系统化去验证，看在历史上这样是否可行。 

我们另外一部分收益来源是靠承担一定风险所获取的，就是所谓的风险溢价。比如偏回归类的套利策略，策略的两个套利对可以一直发散，那么为什么回归类策略会赚钱，可能因为类似做市的交易提供了流动性，所以获得了超额收益。再比如波动率套利策略为什么长期能获得收益？假设没有很强的择时信号，那么波动率套利策略需要承担一定尾部风险，特别是黑天鹅事件发生，可能会磨损掉之前的大部分收益，当长时间没有黑天鹅事件时，那么收益是一直向上的，所以承担了一定风险，相应去获取收益。

综上，我们从经验得出，一部分收益来源是市场无效的部分，我们通过量化的手段挖掘阿尔法，另一部分收益我们通过承担风险去获得。

七禾网13：您们关注哪些技术指标，如何将这些指标应用于策略的构建？

林雄：这与机器学习的应用非常相关。在构建指标方面，常见的量价指标我们都会涉及到，所有的TA指标以及比较常见的像趋势反转波动率我们都会关注，也会根据经验构建一些另类因子，比如持仓优化，这不是简单的量价指标。

以上只是最原始的因子，其实这些因子很多时候不能直接输入到模型里面，因为它们的数据格式可能很不规范，需要对它们进行一些类似平滑、标准化等最基本的处理，当这些数据都处理完了，我们会通过机器学习模型对这些因子进行组合。通过仓位优化，得到最终的持仓，接下来再交易。

所以针对指标，我们看的很广泛。如果把我们成交算法中成交的部分算进去，像tick级别的这些订单部的信息我们都会看。订单部是指买一卖一，或者是更高频的买二卖二到买五卖五这样的都会关注。

七禾网14：请问贵司是如何进行策略迭代的？迭代周期又是怎样的？

林雄：我们的策略迭代基本上是基于现有的投研框架做的，现在的投研框架已经比较模块化了，每一个环节都形成了一个模块，可以是由单独的团队或是个人来负责，这样我们的策略迭代就逐步流程化，可以持续地挖因子，因子挖完了就可以持续地建模，或者也可以在现有的因子库上直接建模。接下来会加强组合优化。总之，我们通过这样每一个环节去增强的目的都是为了在原有组合上做出增量信息。

关于迭代周期，为了减少过拟合的概率，我们每半年优化一次大类策略；在因子更新方面，我们频率会稍微快一些，其实这部分更多的是看有没有合适的因子挖掘出来。

七禾网15：索罗斯曾说过，“判断对错并不重要，重要的在于正确时获取了多大利润，错误时亏损了多少。”这句话放在交易上也非常值得借鉴，请问您们是如何做好仓位管理的？

林雄：在仓位管理中，我们非常注重风险预算与均衡配置，我们不希望单一品种或单一风格策略的收益占比过大，所以出发点是风险均衡，基于此，我们会通过组合优化再去增强收益。

具体来说，首先，在最顶层，我们通过风险预算的方式来控制产品整体的波动率，一般产品我们会区分低波、中波、高波，我们通过这种方式来控制产品的波动率，波动率从某种意义上来讲是仓位的控制。

其次，我们从底层信号开始，通过风险预算的方式对每一层进行控制，同时也会对交易标的，针对单边、单品种或是单个组合对进行风险贡献的最高限制，比如单品种不能超过一定阈值，这样会使我们整体的仓位相对比较均衡，收益或者亏损不会过度集中在单一品种上面。

最后，在产品层面，我们当然也会设置止损，主要因为策略方面，走势有可能会失效，我们会根据策略类型来判断，是当下进行减仓，还是继续再观察。一般来说，频率越快的策略，我们对它的容忍度越低，频率慢的策略，我们对它的观察时间要长一些。