9月25日下午，由數(shù)據(jù)猿聯(lián)合中國信通院和量子金服共同主辦的活動——科技創(chuàng)新下的量化投資，順利落幕。會議中我們邀請到了6位行業(yè)的精英為現(xiàn)場觀眾帶來了精彩演講，深刻剖析了行業(yè)發(fā)展的前世今生及未來遠景，我們將一些精華內(nèi)容整理出來以饗讀者。

未來20年創(chuàng)新企業(yè)和資本將迎來10倍增長

因果樹創(chuàng)始合伙人藤放帶來了主題為“風險投資市場的量化投資研究”的演講。

藤放老師認為未來20年中國將走向創(chuàng)新創(chuàng)業(yè)驅(qū)動的經(jīng)濟模式，創(chuàng)業(yè)公司和資本會大量涌現(xiàn)。中國如果未來想在世界上成為科技創(chuàng)新的代表，創(chuàng)新型企業(yè)和資本的數(shù)量還需要5到10倍增長。

而創(chuàng)新和創(chuàng)業(yè)的力量不是來自于體制內(nèi)的企業(yè)，也不是來自于大企業(yè)，大企業(yè)很難顛覆自己，新的技術和商業(yè)模式一定來自于小的外部企業(yè)。當商業(yè)模式發(fā)生變革之后，小企業(yè)逐漸通過并購的方式吸收壯大，最終形成所謂的“破壞式創(chuàng)新”，未來20年創(chuàng)業(yè)和投資將會是個非常大的市場。

那么當下市場現(xiàn)狀是什么情況呢？大致表現(xiàn)出三個不對稱。

第一，信息非常不對稱，投資市場跟二級市場不太一樣。二級市場是非常規(guī)范化的市場，有定期的制度披露，信息技術審核，但是一級市場完全不一樣，信息極度封閉，很多投資人的經(jīng)營情況是不對外公開的。

第二，知識不對稱的情況非常明顯，所有的參與者中，那些占據(jù)知識高地的人利用這個優(yōu)勢賺錢，而那些不賺錢的人也完全不明白別人是怎么賺的錢。

第三，人際關系不對稱，雷軍說過投企業(yè)其實就是投創(chuàng)始人，有些優(yōu)秀的企業(yè)家我認識而你不認識，那我就能投進去而你就進不去，這是個很淺顯的道理。

但利用這些“不對稱”去賺錢，僅僅是一個過渡期，不是市場最優(yōu)化的常態(tài)，因為這些“不對稱”的結果導致了投資市場的資本不對稱。

隨著大量企業(yè)和資本進場這種不對稱的程度在加大，以前市場非常依賴人力搜尋投資項目、判斷投資項目，但現(xiàn)在這種模式越來越難以持續(xù)下去，因為要找到優(yōu)秀的投資經(jīng)理和投資人覆蓋整個市場是越來越難的一件事。

怎么解決這些痛點，迎接未來急劇變化的20年呢？藤放老師提出一個扳機理論，在金融領域有些事情是可以讓機器扣扳機的，有些事情機器是扣不了扳機的。在未來金融領域里面，一級市場一定是人機結合的方式。   

沒有人會懷疑機器未來在金融領域的重大作用，但要如何理性理解機器所能達到的程度呢？

金融領域的人工智能，到底應用到什么程度了？

財鯨聯(lián)合創(chuàng)始人王蓁為我們?nèi)笆降卣故玖巳斯ぶ悄茉诮鹑陬I域的實際應用現(xiàn)狀。

信貸領域。傳統(tǒng)信貸的交易模式要經(jīng)歷提交申請、提供材料、人工審批等繁瑣程序。用戶從提交申請到拿到貸款可能要幾周甚至幾個月的時間。而且要提交材料非常多，很多材料可能根本就提供不出來。

而現(xiàn)在由于人工智能的發(fā)展，憑借用戶平常創(chuàng)造出的數(shù)據(jù)就可以用AI算法做授信。

但是很多初創(chuàng)企業(yè)實際上是不具備征信能力的，因為底層數(shù)據(jù)沒有掌握在他們手里。跟美國三大征信機構數(shù)據(jù)互通的情況不同的是，在中國所有掌握數(shù)據(jù)的企業(yè)和機構互相之間壁壘森嚴。螞蟻金服的數(shù)據(jù)一定不會給到騰訊，騰訊的數(shù)據(jù)也絕對不會給到京東，甚至各個銀行之間的數(shù)據(jù)也沒有打通，目前國內(nèi)的基礎設施還非常薄弱。

國內(nèi)絕大部分AI初創(chuàng)企業(yè)只能提供5000元的上限征信，實際上5000元的信貸根本用不著AI征信，毫不夸張的說，隨便一個企業(yè)任意放款，壞賬率也不會很高。

“只有哪天企業(yè)憑借AI征信放出500萬貸款，我才相信這是AI征信。” 王蓁打趣地說。

盡管目前還不成熟，可以預見人工智能在信貸領域的應用有非常廣闊的前景，尤其在中國，因為中國沒有隱私問題，數(shù)據(jù)可以進行買賣，為行業(yè)發(fā)展提供了良好的土壤。

第二，在金融咨詢中的應用。金融咨詢中最廣泛的應用是金融客服，金融客服比較好理解，比如說招行的小貸。用戶提出問題，人工智能對用戶所提問題做語意分析，但從效果來看智能程度還比較低。

在這方面可以對比一下美國的發(fā)展程度，美國正在努力實現(xiàn)客服的人工智能化，因為人工太貴。中國為什么不夠努力去實現(xiàn)？因為我們?nèi)斯け阋?，沒有動力。機器發(fā)展一定階段成熟后可能會超越人，但初期一定是人做的比機器好。但我們要警惕，再過五年美國可能會非常成熟，而我們還在原地踏步。

第三，人臉識別。人臉識別在應用層面分為一對一，一對N和N對N。

現(xiàn)在商用化的一對一人臉比對準確率為99.7%，這個數(shù)字看起來似乎很厲害。但要知道微信支付每天有1億筆交易，這意味著每一天人臉比對交易將會帶來30萬筆的錯誤，這是任何一家金融機構都不能承受的。

現(xiàn)在也沒有一家銀行能實現(xiàn)，門前ATM機刷臉取款。千分之三的錯誤率忍受不了，百萬分之一錯誤率也忍受不了

現(xiàn)在AI在各種競賽中已經(jīng)證明自己能“超越人類”了，但是在商用化層面還遠遠不夠。

第四，支付安全。這方面方面美國做的很超前，王蓁談到自己在美國生活的經(jīng)歷。

“一個實驗室的同學，信用卡被人盜刷了8000美元，但他完全不用擔心，因為銀行會全部賠償。有一次我在海邊，運通卡被海浪吹走了，最后運通卡也賠給了我。美國金融機構必須要識別哪些人是真得出現(xiàn)了這種情況，哪些人是故意欺詐，美國金融機構是有這個動力的，而國內(nèi)沒有。”

第五，反洗錢。目前國內(nèi)反洗錢主要還是靠人，農(nóng)行和中國銀行前兩年在美國被罰款，就是因為監(jiān)管不到位。

第六，保險領域。國內(nèi)現(xiàn)在有些保險公司號稱AI技術和傳統(tǒng)保險公司合作，把傳統(tǒng)保險公司線上化，這不算是人工智能，只能說工業(yè)4.0自動化。

相較之下，一家以色列公司Insurify，他們提供個性化的車險解決方案，用戶說出自己的車牌，企業(yè)連接公開的數(shù)據(jù)庫，用戶提供父母、孩子的相關數(shù)據(jù)，企業(yè)馬上就能產(chǎn)生一套個性化的保險方案。

第七，投資投研分析和決策。王蓁舉了一個具體的例子，這是他自己參與的項目——利用遙感技術預測新疆石河子市的棉花產(chǎn)量。從衛(wèi)星遙感做一步步的處理，完成去霧霾去云層去陰影去水汽以及相變、形變分類等幾十個步驟，這些工作完成之后提取出特征，預測新疆的棉花產(chǎn)量和實際的棉花產(chǎn)量，從7月份可以預測10月份的產(chǎn)量。當把所有的植被都認定為棉花樹的時候，在這么粗糙的分類情況下準確率是78%。后面又進行了喬木和灌木的細分，細分之后的準確率達到了90%，這是一個非常驚人的數(shù)字。

總體來說，現(xiàn)在行業(yè)發(fā)展的大趨勢很明確，將會慢慢經(jīng)歷從通道到券商到產(chǎn)品再到財富管理的過程，而且未來兩年一定會迎來跑馬圈地的高潮期。

如何構建穩(wěn)定的量化交易平臺

聚寬聯(lián)合創(chuàng)始人朱銘，帶來了關于如何構建穩(wěn)定的量化交易平臺的演講。

朱銘介紹說，根據(jù)國外成熟市場的經(jīng)驗，國內(nèi)量化投資到2020年至少會有超過3萬億的市場規(guī)模，而現(xiàn)在只有3000多億的規(guī)模，后續(xù)發(fā)展空間非常大。   

量化策略是量化投資的關鍵因素，而實現(xiàn)量化策略需要經(jīng)歷幾個步驟：第一步，完成準確的金融數(shù)據(jù)，這是非常重要的基礎條件；第二步，進行策略回測；第三步，模擬交易去驗證具體策略。

具體都是怎么實現(xiàn)的呢？ 朱銘利用聚寬的產(chǎn)品進行了介紹。

策略研究。它提供了一個在線的研究策略環(huán)境，這個是基于Python語言做的一個策略，提供的策略需要所有的API獲取股票價格到滿足賣出條件，如果有用戶想要做策略的話，針對這些API可以很方便的實現(xiàn)一個策略，實現(xiàn)策略之后就可以通過回測模型進行判斷。   

回測模型是怎么操作的呢？產(chǎn)品會統(tǒng)計這個策略的累計收益、轉化收益等所有指標，通過簡單運行回測就可以知道這個策略在歷史上過去三年過去十年表現(xiàn)怎么樣。不僅如此，還可以看到這個策略每一筆的交易回收收益，通過回測就可以看到這個策略在歷史上的條線。

另外聚寬還引進了微信工具，其實每筆交易都會產(chǎn)生交易信號，通過綁定微信之后就可以根據(jù)每筆交易進行分析。

實盤交易這塊國內(nèi)對于第三方接入實盤有些限制，聚寬和券商進行了合作。通過把策略上傳到廣發(fā)的實盤交易系統(tǒng)，就可以看到實盤交易。另外企業(yè)還提供量化投研客戶端，這個客戶端可以在本地進行回測，本地運行交易，能夠最大程度保證策略的安全性。

資管運營服務體系的構建

量子金服技術合伙人曾波，講述了自己心中資管運營服務體系的構建問題。

曾波把整個資管服務體系分為六個部分，其中募資服務和投資人服務是兩個比較重要的內(nèi)容。

曾波首先談到募資服務，募資服務在服務體系里面還是比較簡單的。它主要的功能是維護資源列表，用戶畫像，提供各個維護信息進行篩選。最早的時候像支付寶、微信這樣平臺的產(chǎn)品，只需要注冊就可以。現(xiàn)在如果想進入這些平臺需要用戶提供年收入、日?；ㄤN、月收入這些信息，來確認用戶能夠承擔多大的風險，這也是典型的用戶畫像。

整體來說，募資服務類似于CRM系統(tǒng)，難點在于數(shù)據(jù)來源，以及數(shù)據(jù)的準確性和及時性，一方面有很多的潛在客戶但不一定都知道，一般來說公募基金專戶、子公司、券商、期貨資管、集合信托這些渠道，可以得到一些資源列表。   

接下來是投資人服務，相對于募資服務，投資人服務是給投資人展示我有什么樣的優(yōu)勢值得他去投資。

主要工具分為投前投后，在投前基金的篩選上，如果了解投資人比較詳細信息的話，根據(jù)數(shù)據(jù)庫里面的信息做推薦。投后工具主要是指假如投資人買入私募基金的話，可以根據(jù)自己的情況和基金情況進行投資人優(yōu)化，給出合理的建議。

當然風險控制也是很重要的一環(huán)，風險控制相對于基金和市場來說，有時候盈利能力比較強，有時候盈利能力比較弱，通過風險控制能夠給投資人一定的提醒。比如告訴他管理人出現(xiàn)什么樣的變動，進行一定預警，來及時優(yōu)化自己的投資決策。  

AI+金融的智能投顧實踐

理財魔方的創(chuàng)始人袁雨來，帶來了 “AI+金融的智能投顧實踐”的演講。

袁雨來指出中國投顧市場面臨著一個困境，國內(nèi)的理財市場，特別是浮動收益率市場缺乏大量的專業(yè)理財顧問。中國短時間內(nèi)崛起了4000萬中產(chǎn)階級家庭，市場供需失衡，短時間內(nèi)不可能靠培養(yǎng)一個個的人才來填上這個缺口，所以只能靠機器，只能靠智能投部解決這樣龐大的需求。

袁雨來介紹說：“理財魔方投顧是一個完整的投顧體系，由三個模塊組成。”

第一個，金融數(shù)據(jù)管理模塊。這個模塊是用來整合不同來源和市場的資產(chǎn)數(shù)據(jù)，完成數(shù)據(jù)的格式化、標準化、準確性的交易。大家可能會有疑問？企業(yè)買一個商用數(shù)據(jù)源不就行了嗎？但問題在于，國內(nèi)有三大商用數(shù)據(jù)源，每一家都存在或多或少數(shù)據(jù)不準確、不及時甚至數(shù)據(jù)錯誤的問題。

“所以我們買了兩個商用數(shù)據(jù)，又自己寫了一個爬蟲抓了第三方的數(shù)據(jù)，用三個數(shù)據(jù)來做大量校驗工作。”袁雨來說道。

第二，市場景氣度分析。如果企業(yè)能夠?qū)Υ蟮馁Y產(chǎn)收益和風險趨勢預測更準確的話，就會把風險控制的更準確，收益做的更好一些。理財魔方采用了7個機器學習算法，對18個大的資產(chǎn)，做宏觀的分析與預測。完成這個復雜工作的，沒有一個宏觀分析師，全是利用機器進行預測的，當數(shù)據(jù)維度更多的時候，其實傳統(tǒng)的量化算法已經(jīng)很難適應了，AI算法能夠在高維空間里面做的更好。

第三是資產(chǎn)池的管理。也就是怎樣選擇優(yōu)質(zhì)的資產(chǎn)，比如用戶選了A股的資產(chǎn)，A股里面具體該配哪個基金才最合適？

“我們在做資產(chǎn)配置時有一個風險收益，會做大類配置、中類配置、細類配置，最后有個三級的風控體系，最后兜住風險的底。因為宏觀的大類資產(chǎn)配置，一定程度上起到分散和對沖的作用。做因子評價的時候也會起到風險的評價和對沖，這些都會有意外，特別是在中國市場還需要有兜底的風控體系來保證。”袁雨來說道。

第四個，用戶分析。一個是用戶風險能力承受的分析，產(chǎn)品不斷的采集用戶行為數(shù)據(jù)，交易行為和使用行為，以及會不斷采集用戶的外部特征，然后基于這些數(shù)據(jù)對用戶的風險進行一些調(diào)整。其次還要對用戶的心理波動進行控制。當市場發(fā)生波動，預感用戶情緒發(fā)生變化，給他發(fā)個信息說，市場沒事正常的波動不要擔心穩(wěn)住，用戶就在里面穩(wěn)住了，這被稱為心靈的按摩。

“很多實踐證明，只要堅持在市場的長期投資，最后收益一定是可觀的。”袁雨來說道。

大數(shù)據(jù)因子在量化投資中的探索與實踐

量財富創(chuàng)始人何麗峰帶來的是“大數(shù)據(jù)因子在量化投資中的探索與實踐”的演講。他指出，大數(shù)據(jù)因子在量化投資市場中的應用在這兩年變得異?；鸨紫纫鞔_一個概念，大數(shù)據(jù)指數(shù)是包括大數(shù)據(jù)因子在內(nèi)的多個因子組成的，那么大數(shù)據(jù)指數(shù)怎么做出來的？以大數(shù)據(jù)100為例，這是深交所南方基金和新浪財經(jīng)三家公司合作的一個指數(shù)。眾所周知次新股容易被炒作，股價也有很高的不確定性，于是就先把這些次新股替掉，在這個基礎上，加了一些財務因子，還有一些具有市場驅(qū)動力的因子，最后再加上新浪大數(shù)據(jù)的因子。

前面幾個因子很好理解，這里著重展開介紹一下新浪大數(shù)據(jù)因子。它是根據(jù)新浪財經(jīng)頻道下的股票頁面訪問熱度，來計算單個股票的熱度得分，新浪財經(jīng)是財經(jīng)類的一個資訊平臺，里面有每個股票的信息，頁面被打開的次數(shù)其實就相當于這支股票被關注的熱度。

同時，新浪大因子還增加了一個新聞報道的正負面影響，相當于在財經(jīng)分析基礎上加上了一些情感分析。比如最近大家都在關注樂視，大部分都是負面新聞，可能對它的股價是利空的影響。

根據(jù)這樣財務因子得分、市場驅(qū)動因子得分、大數(shù)據(jù)因子得分進行多因子組合，進行綜合打分，最終得到大數(shù)據(jù)100指數(shù)的成分股。

何麗峰繼續(xù)談到，怎么利用因子去分析量化投資的基本框架？他用搜索因子的一個例子做了個指數(shù)，來形象展開說明。

百度指數(shù)有個接口比較容易拿到數(shù)據(jù)，把搜索新聞量做成一個指標，比如大家在百度上搜索萬科，搜索多的話就表示熱度比較高，搜索少的話就表示熱度夠比較低，每天會得出一個值，最終會搜索到跟它的成交量和收盤價類似的數(shù)據(jù)。因為每天都可以得到這個數(shù)據(jù)，然后對數(shù)據(jù)進行加工，觀察加工后的數(shù)據(jù)跟股價的漲跌有沒有關系。因為每天的指數(shù)可能波動比較大，所以要做一個月的平均值，得出以月為頻率的數(shù)值，以及每個月的股票走勢分析。

萬科在大多數(shù)情況下新聞數(shù)是比較少的，但是在某個階段，比如剛被舉牌的時候，新聞量突然暴增，而這個時候股價波動率也比較大。這也就表明，這樣的搜索因子可能就是有效的，下一步就要按多因子分析一般流程做有效性的檢驗，在有效性的檢驗中把IC滾動的值，大部分在0以上的，就定義為正相關的因子。

關注率越高可能未來股價漲的概率更大一些，完成這些工作之后，就可以進行業(yè)績的回測表現(xiàn)。按照新聞總數(shù)的打分，把一個月新聞總數(shù)排名在前20%、前40%、前80%、前100%進行打分，發(fā)現(xiàn)單調(diào)性排名20%和排名40%的區(qū)別不大。

排名關注度低、新聞報道最少的確實是表現(xiàn)差一些，這個時候單調(diào)性還可以。把每次表現(xiàn)最好的股票前20%買入并持有，每個月調(diào)倉一次最終得到一個凈值曲線，最后可以看到過去幾年里面，還是可以跑過滬深300或者是中證500指數(shù)。拿滬深300做對沖，可以得到12%的超額回報，年化收益率也大于10%。拿滬深300+中證500對沖之后，發(fā)現(xiàn)回測比較小，超額收益還可以。

經(jīng)過這樣的流程檢驗之后，可以判定因子在整個評判體系里面是相對有效的因子，是可以使用的。

來源：數(shù)據(jù)猿