七禾网9、如何看待当前全球宏观经济对CTA策略的影响？您认为未来哪些宏观经济因素将对CTA策略产生重大影响？

王凯：在过去两三年中，我们确实观察到宏观因素对CTA策略的影响在不断增强。早先，CTA策略更多地关注趋势、资金面以及产业信息等微观层面的因素。然而，近两年来，交易越来越多地受到宏观逻辑的驱动。这种变化可能源于市场参与者结构的某些结构性变化，特别是大型资金带着宏观视角进入市场，使得宏观逻辑在CTA策略中占据了更重要的位置。

从当前影响CTA策略的重大宏观因素来看，美元进入降息轨道是一个关键点。降息的力度和持续性无疑将对市场产生深远影响。此外，市场参与者普遍在交易美国可能实现软着陆的预期，而除了美国之外，其他西方国家也可能进入衰退。美国由于其经济的强劲和韧性，以及其AI产业的驱动，相对来说更有可能避免衰退。因此，美国与其他西方国家是否进入衰退，成为具有不确定性的宏观因素之一。

第三个受到广泛关注的宏观因素是国内政策。从经济数据来看，国内经济相对偏弱，但市场对政策的预期强烈，政策的决心和实施力度也在逐渐显现。后续可能推出的政策，特别是在商品领域，如房地产和工业品产能控制等方面的政策，都可能对市场产生重大影响。这些政策的实施和调整，将对CTA策略产生直接或间接的影响，表达了宏观因素在当前CTA策略中的重要性。

七禾网10、近段时间，国内出台一系列的金融和地产支持政策，这些政策是否能够为A股市场和大宗商品市场带来正面的预期效应？

王凯：股票市场对近期政策的反应较为积极，这不难理解，因为股票市场本质上是在交易预期，而商品市场则更多地反映现实情况。虽然这些政策可能会对未来两到三年的经济状况产生重大影响，但对当前短期内，比如几个月内的基本面影响可能并不显著。

在所有政策中，房地产政策尤其特殊，因为它直接影响最广泛的人群对经济规划的预期。因此，诸如刺激性政策、保障交楼政策以及实质性降低贷款利率等措施，对市场预期的调整具有即时效应，并在股市中得到了一定的反映。近期，黑色系商品市场也出现了相对较强的反弹趋势，这可能与市场对政策预期的积极反应有关。

七禾网11、在CTA策略的研发方向上，越来越多的头部机构开始加大对机器学习的开发与投入力度，您如何看待包括人工智能以及机器学习未来在这一领域的应用？

王凯：从机器学习的角度来看，我们可以将这一领域划分为两大板块。第一大板块是传统的统计学习，它包括线性回归、贝叶斯方法、各种树模型以及许多经典的深度学习模型。这些技术在量化投资中已经得到了非常广泛的应用，无论是在因子开发、基于因子的信号预测，还是组合管理和优化等方面，都发挥着重要作用。

第二大板块则是以ChatGPT为代表的新一代人工智能技术，我们认为这标志着通用人工智能（AGI）的曙光初现。这种通用智能有潜力成为一个极其强大的生产力工具。虽然只有少数顶尖公司具备研究基础模型的能力，但对业内的大多数从业者和团队而言，他们在应用这些技术方面仍然有很大的空间。我们观察到，传统量化投资中的许多细分工作都可以通过大型模型的应用实现高度自动化。

在这方面，我们已经做了大量的准备和探索。包括因子开发、因子管理、解读和复现研究报告、情感分析，以及在代码自动化实验中，我们都在积极应用AI技术。这些努力不仅提高了工作效率，也为量化投资领域带来了新的视角和可能性。

七禾网12、如何识别和评估套利机会？您使用哪些工具或模型？

王凯：在套利领域，我们可以将其划分为两大板块：基于量价的统计套利和基于基本面及逻辑驱动的套利策略。量价套利主要依赖于传统的统计模型，这些模型在量化投资中已经得到了广泛的应用，尤其是在因子开发、基于因子的信号预测以及组合管理和优化方面。股票阿尔法策略本身也可以被视为一种广义的截面统计套利。

对于基本面驱动的套利而言，它更多地考虑产业逻辑和宏观逻辑。这种策略不是单纯依赖技术方法，而是将逻辑转化为可交易的观点。例如，一些刺激性政策对远期合约的影响可能强于近期合约，而宏观逻辑的变化也可能在利率结构和股票大小盘风格上产生套利机会。这些宏观因素对CTA策略的影响在不断增强，特别是随着市场参与者结构的变化和大资金带着宏观视角进入市场，使得宏观逻辑在套利策略中占据了更重要的位置。因此，基本面和宏观因素的考量在套利策略中的重要性不言而喻，它们为市场提供了丰富的交易机会和策略多样性。

七禾网13、对于量化机构而言，策略迭代能力是保持策略有效性的关键，您能描述一下远澜当前的策略迭代流程吗？

王凯：对于任何量化团队而言，策略迭代都是一项至关重要的能力。我们认为策略迭代主要涉及以下几个方面：

首先，探索新策略类型或研究方向时，初期阶段通常是发散的。随着探索的深入，方向逐渐明朗，就需要将过程变得更加流程化和工程化，每个步骤都需要被精确定义和精细打磨。在此基础上，我们可以提高技术要素的自动化程度，例如自动挖掘因子、模型的自动滚动训练等，这些都是量化领域中常见的自动化能力。

随着大型模型和智能体技术的发展，我相信自动化能力将变得更加强大。因此，在迭代过程中，团队需要不断拓展边界，挖掘更多数据逻辑、方法和技术。探索过程虽然起初是发散的，但随着时间的推移，它将变得更加工程化。一旦实现工程化，就可以利用技术手段实现底层技术要素的高度自动化。

综上所述，将人力驱动的知识边界探索与技术驱动的技术要素自动化相结合，就能形成一个有效的迭代能力。

七禾网14、今年以来，您认为哪些主要因素导致了股票Alpha策略面临挑战？如何应对挑战？

王凯：今年对于股票阿尔法策略来说确实是充满挑战的一年。从大的方向来看，市场经历了三波主要的挑战：春节前的股灾、春节后“国九条”政策的出台导致市场结构发生根本性变化，以及从九月底开始由于政策刺激而形成的市场强烈上涨行情。量化策略主要依据历史统计规律来驱动交易，而今年这些重大事件伴随着强烈的市场情绪和运行状态轨迹的重大改变，对典型的量化策略构成了较大挑战。

当然，任何事物都有两面性，风险所在之处也意味着机遇。从某种角度来看，股票量化主要追求的是阿尔法，而阿尔法和贝塔之间存在互补效应。在阿尔法面临挑战的时候，主动管理贝塔、择时方面实际上存在一些机会。因此，我们目前的主要研究方向是将阿尔法和贝塔进行更智能的结合，在市场择时、风格择时、宽基指数择时以及个股择时等方面进行更深入的开发。我们相信，通过主动管理阿尔法和贝塔的结合，可以使得模型和策略更好地适应市场变化，这是我们正在努力实现的目标。

七禾网14、Alpha策略在哪些市场环境下最为有效？

王凯：在市场没有出现极端的暴涨暴跌，且成交量保持在合理水平的情况下，大约有70%至80%的市场状态是处于这种相对稳定的区间。在这种市场环境下，阿尔法策略通常能够较为有效地运作。

七禾网15、在投资策略中，技术分析和基本面分析各占多大比重？

王凯：在商品CTA策略中，量价类型的策略和基本面驱动的策略的占比大约是5:5，即各占一半。而在股票量化策略中，量价信息大约占到70%，基本面信息和分析师提供的另类数据加起来大约占到30%。

七禾网16、远澜如何定义宏观量化策略？它与传统的量化策略有何不同？

王凯：在国内，宏观量化策略确实是一个相对较新的领域。许多优秀的宏观投资者主要依赖于主观判断，而完全以量化方法进行宏观投资具有其独特性。与传统量化策略相比，传统量化更多关注如何在市场中获取阿尔法（Alpha），即超越市场平均水平的收益；而宏观量化则致力于更合理、更智能地进行资产配置，主动管理贝塔（Beta），即市场整体的波动和系统性风险。因此，在定位上存在一定差异。

宏观量化策略的逻辑主要考虑市场的增长、景气度、通胀和流动性等因素，这些因素对资产配置、资产估值和价格变化趋势产生影响。因此，宏观量化关注的数据和逻辑与传统量化有所不同，差异化较大。从我们的实践来看，宏观量化策略的回测和实盘表现与传统量化策略的表现相关性较低，显示出其独特的风险和收益特征。

七禾网17、宏观策略宏观量化策略，远澜是如何把一些基本面的信息量化下来的？

王凯：在宏观量化领域，我们构建了一个系统性的数据库，广泛采集从宏观高频到低频的数据。低频数据主要包括各权威机构官方定期发布的数据，而高频数据则包括日评等更活跃、更新更快的经济数据。我们认为高频数据对低频数据有一定的领先作用，因此综合考虑增长、景气度、通胀、货币流动性和信用流动性等因素，形成对大类资产配置的逻辑。这种方法论不仅逻辑顺畅，而且科学合理。从回测和模型验证的表现来看，这种配置策略确实能够改善期望收益的同时降低最大回撤，显示出与传统全配置策略相比的优势。

宏观量化策略更多地关注市场的增长、景气度、通胀和流动性等因素，从而对资产配置、资产估值和价格变化趋势产生影响。因此，宏观量化所关注的数据和逻辑与传统量化有所不同，差异化较大。从结果来看，公司宏观量化策略的回测和过去一年左右的表现与国外传统量化策略的表现相关性较低，显示出其独特的风险和收益特征。

此外，在经济周期之上，我们还关注情绪周期，这涉及到一些更敏感的市场指标，如市场投资的拥挤度、市场的各种比率，包括债券结构比率、金银比等资产价格变化的比率。通过这些指标，我们试图对情绪周期进行更好的适配，以实现更精准的资产配置。