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。

兰盈量投私募基金管理有限公司

兰盈量投，是一家专注于运用量化模型于交易的投资公司，公司核心团队成员均来自海外和国内知名的资产管理公司和科技公司，且持有头部学校理工博士学位，拥有超过10年的全球股票、期货、期权等资产的量化研究和交易经验。

林雄

兰盈量投私募基金管理有限公司总经理，美国伊利诺伊大学香槟分校（UIUC）数学博士，曾于美国纽文（Nuveen）旗下公司格盛投资管理有限公司（Gresham Investment Management LLC）任职高级量化研究员、基金经理等职务，12年金融机构从业经历，其中10年全球市场期货、期权量化投资经验。

精彩语录

一个模型在海外训练过了，然后同样的模型，用国内的数据再去测试，相当于原来在海外的测试是样本外的，经过了更多的样本外数据的验证，过拟合的概率会更小一些。

所以未来的人工智能可能随着技术的发展，算力越强，门槛越低；门槛越低，可能在投资领域就会慢慢的应用起来。比如现在可以方便的使用ChatGPT做文本分析，构建情绪指标，这在以前不是容易的事情。

我们认为机器学习应该只是作为一种研究工具来用，而不是用来替代传统阿尔法模型或其它因子开发体系。

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。

CTA和股票、债券的相关性很低，从这一点看它就有配置价值。

保持优势除了做对事情，同时还要减少做错事情。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。

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。

只有公司合法合规，才能长久经营，在此基础上，再说怎样去盈利。

风险事件可能是万分之一的概率，但万分之一足以致命，所以务必严谨。

我认为一流的量化私募要合法合规，投研高效，激励公平，人才培养体系完善，生产测试环境及监控备份方面非常严格。

七禾网1：林总，您好！感谢您在百忙之中与东航金融&七禾网进行深入对话，您在海外有超越十年的全球市场投资经验，对于在国内创办私募基金，从事量化投资交易，您觉得这些经历或经验有什么帮助吗？

林雄：经常有人跟我说，海外市场的今天就是中国市场的明天，这可能是从发展成熟度的角度来说的。海外市场由于发展历史很久，所以相对比较成熟，而中国市场处于快速发展中，也许很快就能达到一个比较成熟的阶段，但要经历比较久的周期，因此海外沉淀下来的一些方法，对我们做国内市场的交易是有帮助的。

如果在海外都已经有效适应了，那么对在发展当中的国内市场，是有一定指导意义的。简单想象一下，一个模型在海外训练过了，然后同样的模型，用国内的数据再去测试，相当于原来在海外的测试是样本外的，经过了更多的样本外数据的验证，过拟合的概率会更小一些。比如已经建立了焦炭单一品种的预测模型，并且是有效可行的，把它放在铁矿石上发现也可行，焦炭模型就是样本外的一个验证。焦炭和铁矿石可能是相关度较高的，若用在股指或其它不相关的品种上，也有一定指导意义。

七禾网2：贵司核心团队成员均来自海外和国内知名的资产管理公司和科技公司，均有在美国多年的从业经历，有着丰富的全球市场投资经验。请分别从一名交易者和投资者的视角来看，您觉得中美市场有何不同？

林雄：关于中美市场，首先从交易者角度来看，第一，交易品种的数量不同。我认为在美国可接触的交易标的非常多，比国内多很多，就单从期货这个领域来说，虽然期货是比较小的领域，单纯这个领域在美国可交易的品种大概有300多个，接近400个。在国内，就我们目前的投研范畴，流动性好的、能交易的大约六十个品种。当然我们的市场在飞速发展中，目前已经上市了131个品种，还有些品种我们也在研究。

第二，合约结构，即期现结构不同。我们目前的合约比较短，大部分限制在一年之内，可能在1、5、9月这样的合约，就交易的流动性来说，除了这些合约，其它合约可能没有什么流动性。那么在海外，除了品种多，商品的期现结构还比较长。比较典型的像能源类，合约设计连续三年或者更久都可以交易，如果是近一两年的合约，它是每个月份都可以交易，流动性充足。

相对来说，国外交易一定程度上机会更多，即使策略相对简单，也可以从比较多的机会里寻找一个比较稳定的组合出来。在国内，交易机会可能需要更多的在信号逻辑中寻找差异，相当于是信号方面的分散，所以，在国内，我们从多策略的角度去寻找策略分散，使得整个组合更加稳定。

第三、市场结构不同。海外市场相对成熟，国内市场正在发展。国内的市场参与者结构变化非常快，量化也是近几年才逐步起来的，很多人才从海外回来，就是看到了国内发展的机会，特别是量化的发展机会，这使得交易者群体跟2015年以前有很大不同，所以这对策略的更新迭代又提出了更高的要求。

从投资者的角度来看，一方面，可投的资产不同。另一方面，投资者的认知在逐步提升。比如CTA这个相对比较新的领域，大家对它逐步有了认识，但还没有达到一个非常成熟的，能以真正配置的角度来理解它的阶段。

再额外补充一点，从我回国，感受到大家对策略的IP保护不够。在海外，基金公司不需要对很多资方来路演，可能只要几个资方就足够把规模做大，但在国内需要对大量机构讲解投资策略，这样可能会导致策略多多少少流出去一些。大家在这个层面上，没有做特别的保护，IP保护不够，就容易形成策略同质化。

七禾网3：兰盈量投私募基金是一家专注于运用量化模型于交易的投资公司，您觉得什么才是好的量化交易模型？又是如何保持模型的有效性和稳定性？

林雄：什么才是好的量化模型？能赚钱的就是吧。所以，对我们来说，在建立模型的时候，我们一般追寻的原则是逻辑思路清晰简单，不是内部一层套一层。我们一般会尽量避免很多参数，在期货里大家都知道样本数其实不是那么多，比如深度学习得几万个参数，需要足够多的参数，否则很容易造成过拟合。

如何保持模型的有效性和稳定性，我认为当一款模型，你想长期不迭代，让它一刀切，一直保持说实话很难，所以我们得在模型里不断地加加减减做相应调整。同时，增加一些新内容来对原有模型进行补足。  

总体来讲，在选择模型时，是否用这个模型？必须要有严格的模型准入条件，不是什么模型都能用，已选用的模型还要不断地更新迭代，所以强大的投研迭代能力以及高效的投研平台是需要的，这也是我们现在在做的。

七禾网4：当代社会，随着算力日益强大，高质量的大数据日益积累，人工智能技术全面崛起，并广泛应用于医疗保健、交通系统、艺术创作等领域，您可以简单讲述下人工智能在量化投资方面的应用吗？

林雄：人工智能确实在很多地方都已经比较成功地应用，还有很多大模型出来，但是在量化投资这个领域，据我们所知，真正用到这么复杂工具的其实不多，至少从示范的角度来看不多。这里主要原因是什么？是其中运用数据的种类不一样。投资领域金融数据的特性是噪音非常大，而且不稳定，不像训练一张图片的数据是平稳的。很多其它领域的大模型是很难直接照搬过来使用的，所以，现在还没有使用这么复杂模型的切入点。

人工智能或机器学习最重要的是如何减少过拟合，我可以用一个非常强悍的模型来达到样本内100%的效果，但是样本外的话，它可能是零效果，我们要避免这样的情况发生，所以，在金融数据本身的特性下，我们用的模型就相对比较简单。

所以在期货领域，还没有用这么复杂的像比如深度学习之类的模型。股票领域其实已经有很多人在用了，因为它的数据量相对要大一些，它有几千个标的，如果还做日内，那数据就更多了，期货里现在只有几十个有效标的。单一品种，如果按分钟频，一年也就几万个点，但是随便一个大模型的参数本身就可能是几万个，这样很容易造成过拟合。所以我们是在逐步切入，从简单的机器学习开始，然后慢慢学习再研究应用更复杂更深度的模型。

大家说的ChatGPT是个好工具，比如以前做文本分析，很多人可能需要自己建立模型，像用Transformer去做文本分析。如果用ChatGPT，我输入一篇文章，它就直接给我出来观点，关于买或卖我不需要自己去训练模型，它已经帮我训练了，它这个训练可能是记忆更大的数据集里所存储的这个模型。所以未来的人工智能可能随着技术的发展，算力越强，门槛越低；门槛越低，可能在投资领域就会慢慢的应用起来。到那时候，比如ChatGPT在分析情绪时，可以不仅使用金融数据，还可以用更多其它数据，使得模型更加具有鲁棒性。

七禾网5：在人工智能领域有一种说法，认为机器学习是人工智能领域中最能够体现智能的一个分支。可以给我们讲讲机器学习在策略管理方面的运用吗？

林雄：上述讲的更多可能是人工智能的方向，我们现在先从简单的开始运用，想要得到很强大的模型，算力方面是很高的成本，到未来，成本和门槛会逐步降低，大家都可以使用。我讲讲具体的应用，在兰盈我们主要应用是因子的非线性组合和仓位管理，具体来讲，一部分是因子组合，比如股票有几千个因子，期货的因子可能有几十到上百个，我通过把这些因子汇入到一个非线性的机器学习模型里边去预测研究因子，预测未来，然后得到关于品种的综合预测，这是一种应用。

另外一种应用在仓位管理上。换句话说，任何一个策略，它可能出来的结果是买一卖一，是比较简单的逻辑，上涨我就买一，下跌我就卖一，那我可以用我的机器学习模型来对它进行优化，上涨的时候我要买多少手，可能不是一手，是0.5手，或者两手；下跌的时候可能是空三手，根据你对未来的判断来决定仓位强度到底应该是怎样的。这是我们目前机器学习在CTA策略的两个应用。

最后，我们认为机器学习应该只是作为一种研究工具来用，而不是用来替代传统阿尔法模型或其它因子开发体系。所以，我们现在应用的还是带有逻辑的因子，机器学习在我们这儿可能仅仅只是一种工具。

七禾网6：贵司目前的交易策略有哪些，各个策略的特点是怎样的？

林雄：目前我们期货策略涵盖套利策略、机器学习策略、多因子策略、短线规则策略，比如像传统的趋势和突破类策略。

套利策略，目前以跨品种套利居多，主要基于上下游逻辑选择相关性较高的品种构建套利组合，同时建立多个统计预测模型。持仓周期目前在一周以上。

多因子策略，以偏时序信号为主，参考股票的做法，只不过我们在市值中性方面没有做特定限制，所以在某些时候，可以完全是单边；持仓周期目前是一周以上。

规则类策略，是比较传统的趋势和技术突破策略，我们目前的持仓周期大概两到三天；机器学习主要以量价指标作为输入，构建多个统计模型组合，与因子组合及仓位管理是相关的，主要作为一种工具。目前的持仓周期稍微短一点，但随着产品的规模会动态调整。

七禾网7：贵司策略涵盖指数增强，请问在竞争日益激烈的量化赛道，如何丰富超额收益来源？

林雄：指数增强这个赛道确实竞争激烈，但是我们总体感觉国内A股市场还大有发展空间，因为它在发展阶段，所以阿尔法还有提升前景。即便竞争像近几年这样，500指增平均也有10%左右的超额，1000指增有15%到20%的超额，我认为随着市场的有效性增强，超额会逐步递减，所以为了避免阿尔法的衰减，我们要做的是丰富因子库，比如增加一些偏高频类的因子，或者另类数据的因子，另外舆情也是可研究的方向。

丰富因子是一方面，还要配合组合优化，股票方面已经用到了深度学习，但这领域其实有很大空间可以再继续研究。所以我们会在输入数据，因子，模型这些方面寻找差异化，然后在产品体系上寻找创新，指增策略不一定是按传统的方法跟随现在的指数权重配置，我可以把权重配置得宽一点，可以用一套完全不一样的组合优化方法去分散最大化，用在指数的成分股上，可能不是每年都能跑赢指数，但是把时间拉长，可以平均每年跑赢指数，这就是从产品的丰富度上做一些工作，不一定只走传统赛道。