449
3公募量化VS私募量化？
主观投资VS量化投资？
基本面量化的因子VS机器学习选股中的特征？
alpha因子和风险因子？
——关于投资的这些概念，本期我们带来专业视角的分享。
量化公司的氛围是啥样的？
量化的人才选拔和培育是啥样的？
量化研究的日常是啥样的？
——关于量化公司的这些好奇，本期我们带你揭秘。
本期是我们龙旗小宇宙系列的番外第一期，不再是我们公司内部的同事对谈，而是管理人的外部对谈。从外部投资者的视角，大家会对量化、对龙旗有哪些好奇？本期，杭州龙旗科技CEO朱晓康博士都会一并解答~
如果想要了解更多，也欢迎关注“杭州龙旗科技”公众号和“龙旗人才伙伴”公众号呦~
【精彩内容】
17:42 “我们之所以叫龙旗科技，不叫龙旗投资，是因为我们认为其实我们是一家纯粹研究型的机构，只不过我们是将研究成果放在A股这样一个特定场景。”
20:07 “想做好投资，必须要有独立的思考、独立的策略、独立的研究。而不是过度关注市场、把精力放在各种可能的小道消息上面。所以我们是有意地希望远离市场噪音，把核心精力放在投研上，保持策略的独立性、原创性。”
23:51 “在人才选拔上，龙旗不会让候选人去刷题，因为做题和做研究是两个完全不同的事，我们在乎的是能否做成原创性的研究。”
26:16 “龙旗招的策略研究人员，其实之前都是没有金融背景、没有相关行业经验的，我们也不会去挖有经验的人，我们都会从头开始培养。”
26:50 “我们非常强调的是内部的开放和合作，以及作为一个整体如何能够取长补短，在市场上形成我们自身的竞争力。”
28:56 “我们的管理方式，既不是PM制，也不是流水线制，我们强调的是同一团体内的自由分工。”
29:21 “我个人的资产配置的话，其实，龙旗是我唯一的资产配置的选择，不是首要的，而是唯一的。”
29:53 “我们内部一再强调受托人责任，在策略配置上从来不会说自营基金、员工基金和客户基金是不一样的策略。其实我们内部强调的，以及从机制上确保的就是，我们所有小伙伴们的这个投资收入的利益，跟投资人是完全绑定的，在策略上不会有任何区分。小伙伴们的工作，既是为自己创造财富，与此同时也是给客户创造同样的财富。”
30:56 “如果我是投资人，我会非常看重的是团队的持续创新精神。市场在不同阶段都会出现大量黑马，但是在这个高度竞争、快速变化的市场中，一个优秀的管理人有没有能力去不断地自我革新、甚至自我否定，同时创新出更新的、更多的与当前市场环境所匹配的优秀策略，这样的能力是非常重要的，因为只有这样你才能长期地、放心地把投资委托给他。”
32:00 “所以关注短期的排名，可能对我来个人来说意义不大，如果我要去选管理人，那我可能会非常看重它的投资逻辑我是否可以理解，而且是不是能够在相对比较长的时间段里面展现出来迭代和适应的能力。这个是纯粹投资方面，但我觉得一家值得信赖的管理人，在企业文化上面，是不是以投资人的利益为首要考量、受托人责任的意识，我觉得同样是非常重要的。”
34:48 “我们希望给策略研究小伙伴们提供不受约束的发展空间，而不是把他的才能只能规定在某一个层面或者某一点上，而且我们内部也是以多种方式去鼓励开放、合作、共享，而不是只顾及自己小团队的利益。必须要打破一些利益隔离，才能让我们的策略迭代能够站在巨人的肩膀上不断往前推进。”
36:37 “基本面量化某种意义上是偏价值投资的一种方式，只不过利用的是量化手段，它的信息绝大部分来自披露的各种季报、半年报、年报等等，选择的也往往是品质上比较优秀的公司，它的弱点在于信息变化没有那么快，而我们A股市场的风格变化非常非常快速，但它的优势在于可以容纳很大的体量。”
38:24 “量价的好处是我们更能够及时捕捉到市场不断变化的信息，因为量价不是说每日成交，它是包括我们所有A股上市公司5000多家公司在盘中交易的时候，它的实时的逐笔的报单、逐笔的成交这些高频度的信息，这一类的信息可以及时反应，但是它不一定充分考量到基本面的一些东西。前几年这类策略大量出现，能够很好地捕捉A股市场很多交易型的机会，但是整个行业经历了非常快速的发展，所以由于过度拥挤导致全体行业的超额下降。”
40:19 “做好投资很重要的是避免趋同性，如果一个策略变得过于拥挤，我们肯定希望能有一些新的选择。所以过去两年里，我们龙旗反而是回归基本面，增加很多另类，因为这个赛道相对来说没有那么拥挤。而且从建模本身来说，当用到的信息更加综合全面的时候，有利于打造出更加有效的模型。由于更慢信息的加入，模型本身的换手需求其实是下降的，所以我们的交易频率是会略有下降。”
44:04 “传统的定义是说当一个因子用的人越来越多的时候，会从原来的alpha因子变成风险因子。但就个人实践而言，我认为这样的定义未必科学，如果一些风格因子能为投资者创造好的超额收益，适当使用未尝不可能。但是我们必须要对收益来源，有一个清晰的认知和把握——这个来源是你运气很好碰巧得到的、还是凭能力获取的，如果是以真正凭能力获取的、且能够为投资者创造较好收益的，我其实认为这个都是属于相对不错的alpha。对风控的把握毫无疑问是极其重要的考量，我们不能在没有很好把握的情况下，去增加对风险因子的暴露，靠运气获取收益是非常危险的。”
48:42 “传统的多因子模型，会采取线性的组合方式，而机器学习的非线性模型在捕捉大量因子之间的非线性关系、做出预测方面的性能是远超传统的线性模型，所以我们一直使用非线性的机器学习模型。但是我们一直也非常坚持的是，在底层的因子的搭建上面是需要有逻辑支撑的。”
51:08 “在传统的多因子框架之下，不光是有因子，在因子之前还有一层叫信号。我们是把信号组合成因子，因子最后组合成alpha模型。在搭建量化模型的时候，即便是从最开始的第一层阶段，已经要对股票将来表现的强弱有一定预测能力，才能叫作一个信号signal。把同样类型的signal聚合之后，我们称作因子。所以传统线性模型对单一信号的性能是有较高要求的，因为后面的线性模型是非常简单的，那么势必对因子提出更高的要求。而在机器学习中，它本身就是一个非常复杂的非线性模型，它有把一些原始信息进行组合的能力，所以特征feature可以用到更加原始的一些信息，并不用类似于传统线性模型中信号那么强的预测能力，所以你可以把它理解成有代表性的一个特征，但是这个特征不一定是有强预测能力的，因为它后面的非线性组合能力非常强大，所以可以牺牲feature单个的预测能力。”
58:27 “我们的算力投入，过去几年基本上是每年翻番，今年可能翻番的速度都不一定能跟得上，确实随着我们应用的数据更多、模型的复杂度更高，对算力提出了超出以前我想象的需求。”
1:01:45 “我觉得量化的超额大概率还是会存续一段时间的，一方面是行业的创新是在不断往前推进的，另一方面A股市场虽然机构化程度有所提高，但还是有一些散户化特征，还是有大量的交易型机会提供给量化投资者。”
1:02:35 “我觉得一个有趣的比喻是，我们也希望能够获取的不光是行业平均的超额，我们也希望能够做到量化行业的指增这么一个角色，就是说我们的超额是在行业平均水平之上，通过自身的不断努力、不断创新，能够提供给投资者高于行业平均水平的超额。”
1:03:58 “首先我们从因子的开发研究，就有非常高的标准，要么有理论支撑，有么有逻辑支撑，这样的因子我们才敢放心使用，不是简单基于一些统计关系的。然后在模型搭建上，为什么龙旗一直采取的模式是开放、合作、共享、自由选择，也是希望比如说建模的同学，想去做好建模的工作，其实对因子本身也要有非常好的了解，而不是我们简单地当成一个feature、调用一个包。包括后投资流程后面的几个步骤，也不是机械化的，龙旗有投委会，会非常公开、公平、理性地讨论模型配置以及一些这个风控指标的调整。”
