很多朋友可能看过一部经典的金融投资题材的电影《大空头》，影片中讲述了美国次贷危机前夜，早在2005年就穿透数字背后的真相、开始做空次贷市场，并最终在危机中收获巨额回报的几位天才投资人的故事。 而事实上，早在2003年，就有一位投资人先见地预言到了潜藏着的次贷危机，和遇到的每一个人坚称次贷危机已初具苗头，后来更是做出预言，“美国银行系统的彻底崩溃是必然的”——他就是人称“黑天鹅之父”的纳西姆·尼古拉斯·塔勒布。那么本期龙旗小宇宙播客，我们邀请到了龙旗读书社团的两位朋友，请他们来为我们聊聊塔勒布的名作《反脆弱：从不确定性中获益》： 到底什么是“反脆弱”？在当下充满不确定性的市场环境中，如何利用“反脆弱性”？ 00:00 关注龙旗的小伙伴可能知道，龙旗内部成立了非常多的兴趣社团，其中就包括读书分享社团。那本期我们也是邀请到了读书社团的一位龙骑士，请他来为我们分享一下他最近的阅读——《反脆弱》。 聊到《反脆弱》这本书，我们先来介绍一下书的作者——纳西姆·尼古拉斯·塔勒布，是的，他也是《黑天鹅》的作者。除此之外，塔勒布还是一位出色的风险管理学者、纽约大学理工学院的杰出教授。在他二十多年的交易生涯中，不论在1987年美股大崩盘、2001年“9·11事件”、还是2008年金融危机等事件中都能有效防范风险，甚至获利颇丰。 在《黑天鹅》一书中，塔勒布向我们揭示了极其罕见且不可预测的事件如何潜伏在世间万物的背后，而在《反脆弱》中，则是提供了“黑天鹅”的解药，他极力为不确定性正名，让我们看到它有益的一面，甚至证明其存在的必要性，他还建议我们以反脆弱性的方式构建事物。那首先想请您给我们说说：您如何理解“反脆弱”的呢？ 01:22 我对“反脆弱”的理解是，它既不是脆弱，也不是坚韧，而是一种反脆弱性，就是事物所具有的，在压力环境下反而可以受益的这样一种品性和特质。 所以我理解《反脆弱》这本书的核心的观点是，如何在不确定的环境下，利用我们的反脆弱性，从不确定性中获益，从波动中获益。 01:59 那书中也提到了非常多经典的关于脆弱和反脆弱的案例，您有什么比较印象深刻的吗？ 02:05 确实书中有很多脆弱和反脆弱的案例，我当时印象比较深刻的案例，比如国王许诺说犯了错误的人，要用一块大石头砸死，但是他后来反悔了，觉得这个这个承诺太大了，需要稍微修改一下，就改成了用1000块小石头去实施。 所以有的时候，小剂量、高频次地面对一些波动或者压力，有的时候反而会对我们形成一些反脆弱性，我们的机能的话反而会增强。 所以说反脆弱和坚固是不同的。举个例子，脆弱的比如说花瓶，很易碎；坚硬的比如说岩石，它是坚固，但是它不具有承载性，不具有变化。 而反脆弱是一种在压力环境下会去成长的特性，比如说我们人体的肌肉，再比如说自然系统或者其他复杂系统，其内部充满着难以察觉的相互依赖关系和非线性反应，所以才能够不断利用随机事件、不可预测的冲击、压力和波动来实现自我再生。 03:15 是的，确实我们当下的世界也是充满着不确定性，美国总统选举刚刚落幕，俄乌冲突持续几年，朝鲜半岛动向频频，中东地区也是动乱频仍，谁也不知道黑天鹅事件和明天哪一个先来。 那在这样一个变局时代中，我们如何摆脱路径依赖的静态思维，寻找应对不确定性的方案呢？ 03:43 对于反脆弱性，我的理解是：原则是比较简单的、但组织或结构式比较有机的，所以实际表现是更复杂多样的。结合这一特征，我们就可以在工作生活中去降低脆弱性，提高反脆弱能力。 比如在工作中，我们可以有一些小批量、高频次的风险压力测试，针对我们的IT系统或交易系统等等。特别是在规模扩大的过程之中，其实更需要进行这些压力测试。 再比如，我认为多样性是一个很好的解决方案，表现在我们的工作中——我们的产品需要多样性，因为不同产品在不同阶段有不同的表现，没有任何一个产品可以在所有阶段都表现完美，所以需要有不同产品的组合搭配；而我们每一个产品呢，又需要有不同的策略，要由低相关、高差异的策略来组成，这样产品表现才会更加的稳定，更能应对这场的波动和冲击，形成反脆弱的能力。 然后从我们个人来说的话，反脆弱指向的可能是一种“无我”的思维，去除我职。因为我们很容易形成自我中心的认识，那一旦世界不是从我出发的，就很容易受到伤害。如果能够做到去除我职，能力和思想的维度更丰富一些，那么受到世界的伤害就会更小，能力就会更强，就像古人所说的“大音希声，大象无形”。 07:30 确实，俗话说“晴天修屋顶”，想要未雨绸缪为未来做好准备，拿《反脆弱》书中也提到了一个非常有效的答案，就是在投资中常用的“杠铃策略”，您可以为我们介绍一下吗？ 07:47 杠铃策略就是一种尽可能地降低投资的整体风险、但同时又最大化潜在收益的一个策略，举个例子，有两种投资方式：一种是将90%的资产投向相对稳健保值的产品，将10%投资于风险极高的产品——这样一来，投资者的损失不会超过10%，但收益却是看不到上限的。另一种则是将100%的资产投向所谓的中等风险产品，最终可能由于计算失误带来毁灭性的风险。 比如塔勒布在911事件、还有2008年的金融危机中，都是利用了这些极端事件去获益，但他的策略整体又基本是无风险的，因为他持有的90%以上是债券或类固收的产品，只有5%-10%去赌不确定的黑天鹅事件。 其实我们古代《孙子兵法》里边讲，“以正合以奇胜”，就是正面战场要去正规地迎战，否则可能直接溃不成军，“奇”也就谈不上了；那“以奇胜”是说要有一支奇兵去出奇制胜。这支奇兵能取胜，会获得最大的潜在收益，那如果失败也没有关系，因为正面战场还是保持着对抗状态，至少保证自己在不输的状态，这是我理解的杠铃策略。 其实现在很多的投资理财产品，也是应用了这种杠铃策略，比如90%以上配置类固收、或者中性产品，剩下5%-10%配置比如期权类的产品，获取杠杆的放大效益是更大的，这在实质上也像是一种保险。 那借鉴纲领策略的思维，其实对我们的职业发展也是很有帮助的。首先本职工作我们需要做好，但我们可以不仅限于本职工作，可以有一些多维度的尝试，万一成功了可能就是人生转型的契机。但是最好不要完全放弃本职工作，否则如果额外的尝试也失败了，那其实就是投机而不是投资了。 12:11 那您在金融市场经历过这20余年的牛熊周期，您认为作为投资者要如何形成具备反脆弱的能力呢？ 12:20 作为投资者，应当对自己的投资历史进行业绩归因，观察自己的投资收益主要来自哪一部分——那如果收益不是主要来自择时的话，就需要重视资产配置。而资产配置就像之前说的，需要“以正和，以奇胜”，在整体风险可控的情形下做到潜在收益最大化。​ 所以在我看来，资产配置首先是要形成抗风险的投资理念，认识到经济的周期性，比如50-60年的康波（技术创新）周期，15-20年的库兹涅（房地产）周期，3-5年的基钦（库存）周期），这种周期轮转的客观规律是投资必须要面对的。 其次是寻求稳定的投资方法论，因为市场的收益，其实可以分三个部分来看：第一部分是无风险套利，以十年期国债收益率衡量，就是投资者可以获得的相对来说无风险的收益，这是一个基准；十二部分是市场的beta，是伴随着人类经济增长而后的的市场收益；第三部分就是超额收益，主动交易者或者我们量化交易者，认为自己所拥有的能力，就是这种获取超额收益alpha的能力。那只要你具备这三部分的能力，只要坚定地在市场上长期投资，形成自己稳定的投资方法论，我认为都是可以获得长期收益的。

IT团队，在日益强调技术调优的量化投资行业中，正在扮演着越来越核心的角色。 最近正值校招，为了解答同学们对量化IT团队的诸多问题，本期“龙旗小宇宙”播客我们邀请到了龙旗IT团队的资深工程师，请他来回答一些校招中的高频问题，同时解读我们的热招技术岗~ 那量化开发工程师的分享确实也是非常干货，没有废话，都是亮点！那就让我们一起，打开量化IT的大门，解锁这个有趣、有挑战更有收获的行业吧~ 00:50 在量化投研流程中，技术团队主要承担哪些工作？ 01:01 技术团队其实是参与到量化业务全流程中的，所以我就从量化业务的流程来说： 最开始是数据收集。在这个过程中，技术团队会做对接数据商、数据采集、数据清洗和验证的工作，比如搭建数据平台之类的； 下一个流程是策略研究，技术团队会辅助策略研究员做因子计算的框架、回测系统的代码开发，以及性能优化、系统开发的工作； 下一个流程是实盘交易，也就是交易系统的开发； 最后是组合管理，比如策略表现的跟踪和分析系统的开发工作等等。 01:52 如何判断自己是否适合在量化公司做技术？ 02:15 其实适不适合量化的技术岗，我个人认为是没有说一个人特别不适合这种说法的，因为量化和互联网行业在技术背景上没有特别多的太多区别，都会面临各种各样的挑战。所以只要你是一个对技术有追求、特别喜欢写代码、或者说喜欢迎接技术挑战的同学，我觉得都是适合做量化业务的。 要说到量化和互联网公司的区别，我觉得最大的区别在于量化的技术人员是和公司业务联系更加紧密的，因为互联网公司通常会有产品经理去做需求分析和产品设计，这一个步骤对于技术开发其实是屏蔽掉的。 但量化公司一般是不设置产品经理的，这就要求技术人员要有一定的业务理解能力，要接触更多业务一线，去了解整个业务流程是怎么运作的。比如很多时候，我们会接到一个小需求，分析之后发现它和上下游的业务流程是紧密关联的，然后我们技术人员会参与到整个业务上下流的链条中。 不同的量化机构，它的策略风格、研究模式、交易模式，也都是不一样的，所以技术人员基本上都是紧贴着业务走的。而且由于市场是不断变化的，业务模式也会频繁变化，所以在系统设计和产品设计上的，这些扩展性的要求其实是相对更高的。 04:13 龙旗的技术团队主要有哪些方向？ 04:33 从技术层面划分的话，大概是有5个部分，我从技术底层往上层说： 首先最底层是运维和基础架构团队，运维就是负责机房、网络这些，大家应该都了解，然后基础架构和互联网的区别也不大，主要就是集群调度、高性能中间件，比如存储引擎、消息队列这些。这部分主要用的是Python、Go和Rust这些语言。 再往上其实就都是应用层了，先说投研支持团队，主要是负责数据平台、因子管理、分布式计算、调度框架这些和投研相关的系统开发，主要支持策略研究。这部分主要也是用Python和Rust。 接下来是电子交易团队，主要负责券商对接、交易系统建设等等；然后是组合管理的支持团队，主要负责组合管理的系统建设，比如风控系统。最后是交易算法团队，主要负责交易算法，以及行情接入、订单簿之类的工作，主要用C++做高性能开发。 06:05 目前热招的数据工程师岗位，是属于整体业务流程里哪个部分的？主要承担哪些工作职能？ 06:26 数据岗位是在刚才说的投研支持团队里，工作职责主要有两个部分： 第一个是投研数据仓库的建设，包括数据模型设计、ETL的开发、数据质量监控这些。我们知道数据是量化业务的基石，这一部分对准确性的要求是非常高的，所以这部分工作会涉及到数据清洗代码的开发、流程和稳定性的优化，需要候选人有基本的代码能力，比如基本的Python和SQL的数据处理能力； 另一部分是是偏研究的部分，会和投研团队合作，做一些数据研究和分析的工作，比如股票分红对指数权重的影响，再比如一些另类数据的研究——我们对接了大量的另类数据，这些数据在处理层面是比较复杂的，我们希望在这方面能够给到投研团队足够的支持，帮他们在不丢失信息、不引入未来数据的情况下做一些基础的研究工作，更好地支持策略研究。这一部分和研究团队结合比较紧密，所以我们希望候选人具备一定的金融背景知识，比方说A股的交易规则、上市退市的基本规则，或者说财务的基础知识等等。 我们现在的投研支持团队，大部分都是CS专业的同学，更多精力在系统开发，比如数据平台、存储引擎、计算框架这些，所以我们是希望能补充金融背景更强的同学，能够加深我们团队对研究的理解，更好地支持策略团队。 09:22 数据工程师岗位的发展前景是怎样的？ 09:26 新人进来，首先我们会带着去熟悉业务，在慢慢熟悉业务的基础上，会一步一步接触数据业务的全流程，在熟悉了业务流程之后，可以在两个方向去做更深入的研究： 一方面是在工程上，去加深自己数据处理和数据工程的能力，比如大规模的数据处理、高性能存储和调度，这些都是可以进一步去研究的； 另一方面是在策略研究上，因为数据团队会接触特别多的数据，比如行情数据、基本面的财务、股本、分析师预期等等数据，以及各种各样的另类方面如新闻舆情、社交媒体等等，所以在研究广度上是非常广的，如果有兴趣的话，可以和研究的同学交流，做一些更深入的研究。 10:55 对于想要往量化IT发展的同学，你会有什么建议？ 11:04 我觉得最重要的还是打磨自己的技术能力，最基础的操作系统、数据结构算法、计算机网络、数据库原理、分布式系统，这些基础知识是最基本的要求。 其他比较大的加分项，我个人认为一个是ACM竞赛的获奖经历，还有一个是量化行业的实习。之前一个问题是怎么判断自己适不适合量化行业的工作，其实我觉得去量化行业实习，就是一个非常好的判断方式，你会感受到我刚才说的系统开发工作是如何与业务紧密联系的——如果你能够在实习中获得这些业务方面的训练，我觉得任何一家量化公司都是非常认可的。 以上就是本期龙旗小宇宙的亮点内容啦！你是否还想了解更多量化IT的日常工作？对于量化公司的策略和市场工作，你是否又会有所好奇呢？如何判断自己究竟适不适合量化行业呢？如何理解量化行业的未来发展？ 10月22日（下周二）晚上6:30，杭州龙旗科技校园招聘空中宣讲会即将重磅来袭！资深研究员、工程师为你答疑解惑，人力资源团队全面解读岗位JD，更有惊喜好礼送出~欢迎扫码预约，解锁龙旗校招！

在量化基金做市场岗位，工作体验是怎样的？ 作为公司的“门面担当”，市场经理需要哪些必备技能？ 资深的量化市场经理，会给新进毕业生、求职者哪些建议呢？ 如何思考和理解量化行业未来的发展呢？ 本期龙旗小宇宙，我们邀请到了杭州龙旗科技投资者关系部负责人李宇雷。宇雷的人生选择也颇有传奇色彩： 清华毕业，工科博士，他却选择放弃海外更加专业对口的机会，跨行来到并无经验积累的量化市场岗上；从细分领域的专业研究，到量化投资中横贯各环节、对外兼对内的多面手，他陪伴量化行业、陪伴龙旗一起发展成长。他为什么会做出这样的选择？从业多年，他有会有哪些思考和感悟呢？ 本期干货超多，分享内容超真诚超详细。对量化行业感兴趣的朋友，无论你目标的岗位是什么，相信本期访谈分享都能带给你更多的理解与思考！ 【精彩分享】 00:54 很多人可能听说过，机器学习有术语叫做局部最优解和全局最优解，意思是你在求最优解的过程中，可以通过设计一些参数，在全局范围内去求最优解。但是大部分情况下，可能更多的情况是求出一个局部最优解啊。 我觉得运用到生活或工作上面，其实人生也是一个不断优化的过程，也像是在探索最优解的过程。人生很难做全局的优化，要从整个人生的维度去做好规划，从最开始到退休规划好每一条路，这个很难。相对比较简单的是做阶段性的优化，或者局部的优化。 10:22 我觉得在资管行业中，穿越牛熊周期的能力是非常重要的。 14:07 投资者关系部，或者大家理解的市场部的日常工作呢，主要有这么几方面：首先是新客户的拓展推进；其次的就是合作的推进和落地，找到目标客户之后会尝试比方说机构直投或者是券商代销、银行代销这种类型的合作；还有就是已经投下来的老客户的维护。 这是对外部的，然后对内部的话，也有一些不同部门的协作交流，比方说我们作为市场部也会去听一下策略部的投研例会，去了解策略部的小伙伴目前都在做哪些方向的探索；也会去跟交易同事、运营同事进行交流复盘，提高我们内部的工作效率。 18:16 如果用两个字总结的话，我觉得做量化市场的体验是非常“参差”的。 26:52 因为我刚刚提到量化市场，是一个体验非常参差的工作，而且会需要去面临市场的周期，在行情好的时候，可能募资相对来说比较简单，行情差的时候募资难度会大大增加。那人的情绪难免会因为这些外部环境受到影响，但是我认为在这个过程中，还是需要有比较好的定力，去做到不以物喜，不以己悲，才能够在每一个时间节点都有清晰的判断和准确的执行力。 33:19 任何一个行业都有起伏对吧，像建筑、土木系都是经历过行业的发展带来的红利，后面又因为客观的原因步入低谷期，再比如像互联网行业、教培行业，其实都经过快速的发展，然后也会经历相对的低谷，所以我们要有自己的一个判断，就是现在行业所处的低谷，到底是阶段性的低谷，还是社会发展性的低谷。 36:29 以我自己的经验来说，我建议从学校出来找的第一份工作，一定是要找一个能够有资源、能够学到东西的公司，而不是说单纯去看哪家公司给的薪水更高。 因为从学校到职场，有一个过渡的过程，一方面是工作技能的积累，另外一方面是个人能力的成长。其实很难有人能直接无缝从学校到职场完美转变，所以第一份工作是让人能够经历这样的转变，能够学到相应的技能，这是我对应届毕业生的一个建议。

投递简历时，你是否会因为JD描述比较笼统，因而纠结犹豫无从下手呢？ 准备面试时，你是否会因为对行业、对岗位了解不足而迷茫慌乱呢？ 最近许多朋友都关注到了龙旗新设的技术岗——后端数据开发工程师。那么，这个岗位到底需要承担哪些具体职能呢？在量化公司做数据开发，工作模式和职业前景是怎样的？ 本期“龙旗小宇宙”播客，我们就来起底这个龙旗新增的技术岗位！ 本期我们邀请到的就是对新设岗位最最最知情的、来自龙旗技术团队的资深开发工程师，关于岗位的日常工作、入门带教、技术需求、发展前景以及团队体验，我们倾囊相告！ 【精彩内容】 00:24 你目前在龙旗的技术团队主要负责哪些事情呢？ 00:31 我现在负责组合管理相关的技术系统：包括组合优化中的优化器的实现，以及一些和策略表现相关的技术系统开发。 00:46 这些优化器相关的工作，在策略研发及实盘交易中主要起到哪些作用？ 00:57 我的这些工作呢，主要是为策略研发到实盘交易中间搭一个桥梁。 因为很多研究员会接入数据来做策略，然后这些策略要在回测系统里跑出来一些回测结果。我们还会每天跟踪策略的表现，有投委会来做决策分析，分析之后就要上实盘。 那么这一整套过程呢，我们的技术系统会把整个流程做成自动化的，提供一些辅助分析的报表图形数据之类，让整个从研发到交易的流程更加智能化。 01:46 公司最近新增了后端数据开发工程师的岗位，会和你有很多业务对接，那这个岗位主要做哪些事情呢？ 02:00 这个岗位主要做两方面的事情。一方面呢，由于组合管理里涉及大量的数据，比如持仓数据就是很典型的例子，在我们的使用场景里，会有大概几十亿条甚至上百亿条数据这样一个量级，我们需要对这些数据做比较好的存储管理，包括较好的查询支持；第二块呢，我们会有很多上层应用，涉及一些后台服务相关的开发，也是很重要的内容。 02:48 这里的上层应用主要指哪些方面？ 02:51 就像刚才提到的，我们会每天或者隔一段时间，去看整个的策略表现，会基于我们的持仓以及各种各样的约束条件，来看我们的策略跟实盘是否符合预期，是否能拿到比较好的收益。 03:13 那在你眼中一个优秀的后端数据开发工程师，需要有哪些能力和技能呢？ 03:22 我们其实在外面挂了一个岗位JD，描述了我们对数据开发的要求。我们希望你能够掌握大数据量的高效的存储和查询方案，把数据做一个比较有效的管理；我们还希望你会一些，比如高性能的、高稳定性的后台的开发能力。 掌握比较通用的数据开发、后台开发的技能以外呢，我们还希望你具有解决业务方面问题的能力，比如你可以使用很多不同的方案，但是你对这些方案，需要有自己的技术方面的理解、业务方面的理解，能评估每个方案的优缺点，比如使用这个方案也许解决了当前业务的问题，但也许后面业务会有新的一些变更。每个方案都会根据这些具体情况有一些差别，我们希望你对这种层面的差别，有自己独特的理解。 其实对我来讲，我没有很明确的给出你一定要会A工具，要会B工具，要会C工具，我只是会更多的综合看，不限于用什么工具，只要能够解决业务问题，能说清楚为什么要用某种工具，用了的后果或者可能就会带来的问题，说清楚就可以了。 05:30 当这个岗位的同学入职之后呢，你也会作为mentor给他一些指导和带教，你会具体给他哪些支持和帮助？ 05:45 我们对候选人的工作年限是比较开放的，你可以是比较年轻的应届同学，也可以是经验丰富的开发工程师。然后关于我们能提供的帮助呢，我觉得是这么一些方面： 第一点，就是也许你以前没有接触过我们这方面的业务，那我们肯定会在业务方面带着入门，给你讲清楚遇到的问题，然后希望你根据自己的认识，我们一起来看一下在业务方面的的拆解，看看业务怎么实现得更好。 第二点，就是在技术方面呢，因为我们有一整个的技术团队，我们会一起做一些技术选型的讨论，一起来评估各种技术工具、技术方案，给一些偏技术方面的意见。 另外的点，比如说我们做这个事情的时候，包括做业务也好、技术也好，我们整个的方式方法，整体解决问题的思路这块呢，应该也会有一些启发性的建议。 07:22 后端数据开发工程师这个岗位，不止我们量化基金会有，很多其他行业、其他类型的公司也会有，那我们作为一家量化基金就是公司会给到这个岗位的同学什么样的成长呢？未来职业发展前景是什么样的？ 07:45 因为其实在量化行业里面，我们会积累大量的数据，一方面我们会把它好好存储起来，另一方面就是我们需要做很多维度的数据分析、数据统计以及一些相关的服务。 所以一方面在技术领域呢，我们可以不断去深耕，比如我们可以做更好的数据后台，可以提供更好用、性能更高、速度更快的数据分析工具，可以做维度更广、性能更好的一些后台的应用，在技术领域很多的可能性。 另外在业务领域呢，比如涉及到数据分析这块，量化领域有很多各种维度的数据，如果在这个方面比较感兴趣、有很多的心得的话，那其实也可以横向扩展，帮助到整个的投研体系，也是有很多的可能性。 09:20 最后一个问题，你在龙旗的工作体验是怎么样的？来安利一下龙旗吧！ 09:33 我觉得龙旗有很多的吸引人的点啊，我就只说一点吧。我觉得龙旗提供了一个比较宽松的工作氛围，包括在技术团队内部的讨论里面，我们往往会有多个小组，可能对同样一个业务，涉及到多方面的，大家都会集思广益去讨论一个更好的技术实现方案。然后比如说在公司在投研方面，有每周的投研例会，也是面向全公司开放的，大家感兴趣的话呢，都可以去触类旁通地听一下，可能对自己的技术的、包括业务的提升有帮助。所以我觉得整个公司在这种开放的氛围里面做的是很好的。 本期的播客分享就到这里啦~大家还有什么想看的内容，想听的故事，欢迎随时留言评论与我们交流呀！说不定你的问题，就是我们下期播客的主题~

本期，我们好久不见的播客又回归啦！这次我们邀请到的是龙旗的新人研究员，完美诠释了“不能长途骑行的脱口秀演员不是好研究员”的P同学。除了聊聊这次离谱中透着合理的长途骑行经历，本期我们也会分享： 如何进入竞争日趋激烈的量化行业？ 学术研究和实习经历中有哪些学习与成长？ 如何规划作为量化新人的职业发展？ 如何看待量化未来的发展方向？ 从事量化行业的核心竞争力有哪些？ 【精彩片段】 00:18 可以分享一下从上海到杭州的骑车经历吗？ 00:20 这个事情的起因是我平时就喜欢骑车，前年在上海买了一辆山地车，平时喜欢往上海的郊区骑一骑，但最多也就100km。现在来杭州这边工作了，那这辆车要么是当二手车卖给别人，要么是叫货拉拉跨城运送。 但我这辆车才买了一年多，我有点舍不得卖，然后货拉拉呢其实是骑车党最后的倔强，不到万不得已是不会请它出马的，所以我就萌生了骑车从上海到杭州的想法。 我看了一下地图，大概200km，公路车或许可以一天刷完，但山地车有点难。我就计划用清明假期，花两天来完成，然后中途在嘉兴来一个特种兵的速通旅游。 那第一天呢，我从上海骑车到嘉兴总共95km，路上总体是比较顺利的。我记得大概骑到到一半、就是四五十公里的时候，当时是进入了上海的郊区，一直连续30km都是农田，路上没有任何补给。就有一段时间，其实我的水是足够的，但食物不太够，就一根巧克力，当时其实有点想放弃了，但是当时我一想，如果放弃了，那我骑回上海的话，好像又是50km。 这有点难，所以最后还是坚持下来了，到嘉兴市区吃了饱饱的一顿饭。 第二天就在嘉兴旅游嘛，第三天从嘉兴骑车到杭州。第三天天气不太好，下小雨，我也是想要不放弃，但我觉得如果放弃的话，我车就只能留在嘉兴，然后又得周末坐高铁从杭州到嘉兴，把它骑回来，这样还是太麻烦了。于是最后就冒雨从嘉兴骑车到杭州，前半程我全身几乎都湿了，但后面进入杭州以后就没有下雨了，那天风也比较大，其实当我骑回杭州的时候，我的衣服已经干了，就也算是很神奇的一件事情吧。 03:16 龙旗也一直很强调work-life-balance的生活方式，会有很多运动社团。那说回来，除了骑车你还有哪些放松休闲的爱好呢？ 03:22 首先运动方面的话，我还比较喜欢打乒乓球、游泳，虽然可能都不太擅长。然后除了运动之外，我平时还喜欢玩一些桌游，主要是一些策略类的桌游，比较偏博弈，我觉得和金融做交易也比较像的，就是玩这些桌游可以让大脑活跃起来，锻炼自己快速决策的能力。 03:54 那龙旗的策略游戏相信你也已经加入过了。那我们言归正传聊聊量化，我了解到你本科是数学方向的，研究生转到金融科技方向，你当时转专业是出于怎样的考虑呢？为什么会对金融感兴趣？ 04:23 我从数学到金融其实是一个逐渐转变的过程。我本科是数学专业，大一大二前两年学的都是数学的一些基础课，大二升大三的时候会面临一个专业分流。当时我们分流方向比如有统计计算、金融大数据这些方向，分方向之后就会学一些更细化、更明确的课程，那我当时是在这几个方向当中，考虑了很久最后选择了金融方向，我觉得金融和数学之间的联系是非常紧密的，那我的数学知识呢在金融中也有非常大的用处，特别是量化这个方向，我觉得量化就是金融和数学结合最完美的一个例子， 后来我是保研到金融科技专业，它也和量化是非常相关的，我们学的课程都是一些非常前沿的技术，比如大数据、云计算这样技术，我相信在量化领域会有非常多的应用。 05:40 那这个过程中，有没有哪些比较有趣的研究呢？ 05:52 我印象最深的其实是在大三的时候，我们第一门金融的课程，在这之前我对金融是完全没有了解的，这门课相当于为我打开了金融大门。当时这门课期末的一个任务是要求我们自己写一个简单的交易策略。 现在来看，当时的策略真的很简单，只是一个简单的回测，但当我和同学合作做出这个策略，画出回测曲线那一刻真的是成就感爆棚，就看到笔直向上的曲线，真的觉得就像完成了一项创举。不过现在看来，因为当时我们做的是很简单的回测，实际交易当中还是会遇到不少的问题，还是需要继续努力吧。 06:56 除了学术研究之外，你其实也有着非常丰富的量化实习经历，所以想知道你最早是从哪开始对量化感兴趣的？ 07:13 我最早了解量化呢，是当时我们学校办了一场量化文化节，主办方组织了一些博弈游戏，可以模拟真实的交易环境，那我在这些游戏中也体会到了参与市场的感觉， 当时我们每个参与者会获得一些初始积分，然后我们用这些积分去选择参加的游戏，这些游戏要么是两个人之间的博弈，要么是两个人合作的。获胜者就可以获得积分，失败者会输掉相应的积分，在玩这些游戏的过程中需要用自己的数学知识来进行一些简单快速的计算吧，这是有助于自己决策的。那我在获胜的时候，取得积分的那一瞬间，成就感非常爆棚。 在这些游戏环节结束之后，主办方也是举办了一场讲座，邀请到了量化界非常资深的嘉宾来给我们详细介绍这个行业，我也是在这次讲座中第一次详细了解了量化，后来就想去自己试一试，就开始去实习吧。 我觉得实习的成长的是循序渐进的，每一段实习都让我对量化的理解上了一个台阶，比如我第一段实习是关于基本面和宏观数据的，就让我对金融市场的一些概念和运行规律有了基本的理解，开始了我从数学到金融的过渡。 那后来的实习呢，我就开始接触高频数据，发现高频研究中需要用到很多数学知识，比如统计方法和随机过程建模，所以其实又回到了数学，那我也是在这个不断实习的过程中，实现了数学和金融的融合吧。 09:36 那你现在来到龙旗工作也有几个月了，在龙旗工作会有怎么样的感受呢？ 09:46 我觉得龙旗的工作氛围是非常nice的，主要有两点吧。第一点是工作环境比较特别，没有在大城市的高楼大厦里面，而是在环境非常优美的西溪湿地，在这里我们可以跟大自然有更多的接触，那比如我工作一段时间以后，如果觉得比较劳累的话，就会去门口那个池塘看看风景，觉得心旷神怡，也恢复饱满的工作状态。 第二呢，就是我们的研究团队非常自由，没有给大家限定研究方向，只要我们对哪个方向感兴趣的都可以研究。并且每周还有投研例会，会有研究员轮流给大家分享自己最近工作的一些想法，然后大家一起讨论，进行思想上的碰撞和交流。在与别人的交流当中，也能给自己的研究带来一些灵感，我相信这样的模式呢，更有利于整个团队的合作，让我们能够有更多的策略产出。 11:03 你作为量化行业的新人，对未来可能会有哪些规划？怎么看待这个行业未来的发展？ 11:32 我现在是在mentor指导下做一些因子的研究，按照我们的规划呢，第一年会更多做一些研究上的工作，第二年开始做更接近实盘的内容。 那关于量化行业未来发展的问题，我觉得最近确实在政策方面会对一些变动，我觉得这个既是机遇也是挑战嘛。总体上看，我还是相信我国未来量化发展的前景的，因为比如像美国比较成熟的市场，在量化投资的占比是有50%的，但是在中国这个数字只有20%，我觉得还有很大的发展空间。 并且从同行业来看，其他很多机构，比如主观的私募还有公募近两年都开始布局量化这个赛道，组建相应的团队，那其实也说明量化投资它作为金融投资的一种方法，也是得到广泛认可的。 13:08 你觉得量化有什么比较有潜力的发展方向或者技术方向吗？ 13:31 我觉得大模型在量化投资领域是一个非常有潜力的方向吧，比如我在公司做研究的时候，也会用到很多chat-GPT，它给我们写代码、还有平时策略研究提供了很多方便。比如我们研究因子的时候，要写很多辅助函数，包括数据处理的一些细节，其实像Python的细节是非常复杂的。如果在以前的话，可能需要去CSDN上搜一些函数的使用细节，其实是比较耽误时间的，现在有了chat-GPT呢，它作为一个工具，能够给我们写代码带来很多方便，让我们更多把自己的精力放在策略研究上。 14:27 最后一个问题，你是否可以跟对量化行业感兴趣的朋友们分享一下，在这个竞争越来越激烈的行业中，要怎么样才能更好地进入到量化行业？有哪些值得分享的经验呢？ 14:53 量化的确是当下比较火热的赛道，我想说的是，量化机构在招聘的时候，看重的是增量和创新性，也就是你过往的经历或者想法，要对现有的策略有边际贡献。 我觉得大家在量化求职的过程中，最重要的是体现自己独特的一面，展现出你的差异化竞争力，而不是千篇一律的模板。比如很多同学在量化机构实习，那不管是做因子还是做模型。其实业界都有一套完整的方法论，那如果你是沿着这条方法论去研究的话，其实你整个成长路径是比较常规的、有迹可循的。 那这种呢，当然如果你的实际经历足够丰富，也会有很充足的积累，但是呢如果你想要真正进入这一行，你要创造自己的边际贡献，那你必须要思考自己跟别人不一样的地方是什么？ 就比如说因子吧，目前业界通常有两种方式，人工挖因子和机器挖因子，那么机器挖因子通常会用一些标准化的算子来进行批量生成因子，那你可以思考一下，在集体生成因子的过程当中，你的边际贡献是什么？比如你对算子的选择，或者迭代层数的改进，有没有做过什么创新的研究？这些才是你的工作有价值的地方。 因为如果你只是简单复现这些机械化的算法，那是很简单的，大家都能做，只要算力足够就行。所以其实最有价值的是你的思考和你的改进。 另外大家在研究过程中可以尝试对某些细节做改进，这方面其实能做的工作还是挺多的。比如数据处理的细节，它里面的学问非常深。比如你在对因子进行截面处理的时候，是否进行处理？如果进行处理，是Z-score标准化还是standard的标准化，这些都会对结果有很大的影响。再比如对因子评价的指标做改进，这些都是可以尝试的方向。 我相信只要敢于尝试，敢于创新，在研究过程中多思考，多总结，那一定能够找到你的边际贡献，最后取得自己满意的结果。 BGM： Golden Light - Peder B. Helland 流行的云 - 岸部押尾 Time - Depapepe

近期，关于量化、关于私募的许多新闻讨论都十分热烈。所以本期龙旗小宇宙，我们也邀请到了龙旗市场部的资深经理，从专业的视角和大家一起聊聊最近的热点话题： 如何明辨真假量化？ 投资者应该关注私募基金的哪些合规要求？ 如何理解量化投资的收益来源？ 怎么看待最近市场讨论的“微盘股抱团”？ 龙旗今年的超额表现为什么相对不错？ 当然，大家对于量化投资、对于市场环境，还有哪些问题，也欢迎与我们分享讨论。说不定，你的问题，就是我们下期的主题~ 00:16 我们先来聊聊大家最近非常关注的一个所谓“量化跑路”的新闻，认真关注过这个新闻的人都知道，其实真正跑路的是打着量化名义敛财的私募机构。所以我们也比较好奇，从投资者角度而言，要如何去辨别真假量化？ 00:43 对投资者来说，如果要分辨真假量化还是相对简单的。首先要看是否有协会的备案，其次对于具体募集的产品，要定期回溯投资产品底层的资产，看是不是有嵌套——如果涉及到嵌套的话，只嵌套一层在业内还是合规的，那你可以再穿透到底层去看持仓情况。 对于个人投资者来说可能穿透难度会大一点，那我个人更加建议的是通过协会以及公开的这些信息去查询一家公司的基础情况，真正投资到具体产品的时候再回溯过去，比如说月末的持仓的情况，就非常得一目了然。那如果投资一些相对规模比较小、成立时间比较短的公司，也建议大家要谨慎一些。那比较老牌的机构，成立时间长、历史业绩长、业内口碑也不错的公司，相对会更安全一些。 02:03 这次新闻中暴露出来的问题，除了刚才聊到的多层嵌套，其实另外一点就是净值造假。为什么会出现这样的问题？大家可以如何去辨别此类情况？ 02:28 像这样的情况其实是极其少见的，大部分私募机构都是非常正规的。比如涉及到多层嵌套，监管是有明确要求不允许多层嵌套的。再比如净值造假，对于业内的正规机构来说，也觉得是非常匪夷所思的。 那投资者需要甄别的，首先如果涉及嵌套的话，应当穿透到底层，如果说嵌套超过两层的，是不合规的，如果在两层之内，可以看到底层持仓的话是没有问题的。 其实这次事件的发生，中间涉及的环节非常多，不仅仅是多层嵌套、净值造假，还涉及到了信托的结构化、非正常放杠杆、通过有限合伙方式投到完全没有托管的基金产品里等等，都是环环相扣的，每一个环节都不合规，所以最终造成这样的情况。大部分机构在这任何一个环节其实都不会这样。 那如果投资者遇到这样不合规的情况，除了前面提到的对公司底层需要尽调，另外就是如果产品结构太过于复杂，还是建议个人投资者要谨慎，不然即使你想去穿透也不容易实现。此外，客户也可以通过查询托管盖章的估值表，来看真实的情况，因为有托管盖章的大概率不太可能造假。 04:37 确实一般正规的量化私募机构都会有严格的合规要求，包括像我们龙旗内部也有非常严格的合规。所以想请您介绍一下，比如龙旗是如何来做合规的，如何保证对投资人负责？ 05:01 其实对我们这样一家成立12年的老牌量化机构来说，合规从来不是一个很高的要求，这是我们的投资和运作公司的底线，我们对监管要求是百分百贯彻落实的。 其次所有产品都有独立的托管，所有的产品在我们对客户募集的时候，它的交易结构、持仓结构、投资策略都是非常清晰地展示的，我们可以定期接受投资人的质询，给他们提供底层信息，保证信息的透明度。 那我们也希望监管能够在这方面有更多强化的措施，让行业里的不合规事件减少一些，增加投资人对私募行业的信任度。 05:58 我们再讨论一下净值的问题，因为对于投资者而言，也需要有更多知识来支撑你对看到的净值曲线有一个更好的理解，所以我们具体聊一聊如何判断量化投资的收益来源。首先想请教一下，一般说到量化投资都会说有α收益和β收益，那么这二者的收益来源分别是什么？ 06:37 量化投资本质的这个赚钱逻辑，是市场上的股票存在错误定价，我们在错误定价里寻求超额收益。那对投资人来说，收益的部分可以分为比如说市场的涨幅，我们叫β的部分，还有管理人通过自己的策略在定价错误中找到的跑赢指数的部分，叫α。 α的来源，每家其实是不一样的，也就是说β不可控，而α的实现有不同的方式。其中比较主流的方式是依靠选股，就是通过模型来找到一些有更多的定价错误、能实现更多超额的股票持仓；第二种方式是通过交易来实现，业内也有一些管理人，在交易上，比如算法、拆单、交易滑点的控制上有很多措施，所以在交易上能赚到比较多的钱；第三类是一些相对规模比较小、或者比较激进的管理人，可能会通过风格暴露和行业暴露的方式去获取超额。 相对来说，我们认为更加友好的方式是通过选股能力来贡献α，行业、风格的暴露上应当严控，这样对投资人来说，也能比较简单地识别管理人擅长的领域。像龙旗的话，普通的指增产品行业偏离度都控制在5%以内，风格暴露也控制在极小的标准差之内，更加侧重选股能力。 那对于投资人来说，也要根据自己的投资偏好，选择擅长的领域和赛道不一样的管理人。 08:52 其实最近市场上讨论比较多的一个问题，就是很多人觉得量化圈有微盘股抱团的风格暴露，也想请问您怎么看待这种说法？过高的微盘风格暴露可能会有哪些利弊？ 09:21 量化都是偏微盘的说法，不是完全准确的。比如说今年一季度，其实是中特估的行情，并不是微盘行情，但很多量化管理人都做出了一些超额，尤其像龙旗一季度做了4个多点的超额，如果纯粹靠微盘暴露是不可能的。 当然前面说到量化投资的底层逻辑在于寻找定价错误，定价错误多的股票基本上是交易活跃、波动较大的股票，所以会天然的在中小票上有更多的超额。像2019到2021年这样较好的β上升行情里，活跃的也基本上是小票，那过去几年确实在微盘上大家的持仓会相对同质一些。 但从2022到2023年的情况看，其实并不是完全的小票行情，尤其像今年一季度和二季度，其实是经历了大盘到小盘的风格转换，而且风格切换的速度是非常快的，所以纯粹抱团去做微盘股其实是非常困难的。另外像龙旗的话，其实市值最小、流动性最差的10%的股票，我们是完全剔除的。 所以所谓微盘抱团的说法，在不同年份里是不一样的，每家管理人的做法也是不同的。比如龙旗现在的持仓也比较分散，实际上并不是纯粹通过微盘来获取收益。当然市场上有一部分的策略，比如国证2000指增、或者小市值指增，那可能微盘暴露会大一些，我觉得是因为策略的定位和风险偏好，不能一概而论。 11:26 其实今年龙旗的超额表现很好，那么在没有特别强的微盘暴露、或者说风格暴露的情况下，是怎样实现了较好的超额表现？ 11:43 前面提到2019到2021年的小票行情里，可能持有小票就能达到不错的收益，底层因子可能纯粹偏价量就能拿到很好的业绩。但其实这两年的情况比较困难，所以龙旗今年的业绩相对不错，其实和我们的基本面的发家历史有非常大的关系。 因为龙旗一直都强调因子人工挖掘，同时我们2011年成立的时候做的是纯粹线性的基本面模型，所以我们在基本面上的经验和积累都比许多公司要早很多。我们今年的表现不错，也跟我们基本面和量价的融合有很大关系，从收益贡献的角度来看，我们基本面叠加另类因子的贡献能达到将近40%，纯粹量价因子的贡献大约是60%，所以说在基本面策略的积累，对我们今年的收益贡献还是不错的。

在越来越卷的就业形势之下，很多有志于量化的同学也会开始在学校阶段就卷实习、刷履历。但是，也会有一些同学以0实习之姿斩获量化研究员的正职offer，他们是怎么做到的？ 我们第八期“龙旗小宇宙”播客，邀请到的就是这样一位同学。 做为刚刚收获龙旗转正offer的新人，王同学的简历上没有在其他公司做过的任何量化实习——那么，他是如何获得龙旗策略研究团队的认可的呢？ 本期我们就来和王同学聊聊—— 独立开发项目，也能成为量化敲门砖吗？ 策略研究工作，也可以直接从模型上手吗？ 从独立开发到在龙旗的合作研究，体验怎么样？ 当然，如果大家还有其他问题，也非常欢迎留言与我们分享——说不定你的问题就会出现在之后的播客中哦！ 【精彩内容】 00:40 我了解到你本科其实是学物理的，研究生时候转到了人工智能方向，所以比较好奇，这个专业的选择当时是出于怎么样的考虑呢？ 01:02 其实本科时候我虽然是物理专业，但是做的东西是有一点物理和人工智能的交叉学科——我做的是天文数据的处理，然后天文数据处理，其实和量化还蛮像的，也是信噪比极低的数据，模型很难在上面去学习。 然后夏令营的时候，考虑到既然都是做算法，其实不如直接步子迈大一点，转到AI这边做一个更加系统化的学习，所以就选择转到这边来继续研究。 01:44 包括本科还有研究生阶段，其实你一直都产出过很多很好的学术成果，但你现在算是选择从学术界跨入了量化圈，我也比较好奇为什么你会选择来做量化，而不是继续从事学术生涯呀？ 02:12 我觉得其实做量化和做学术有很多非常相似的点，都是需要去做大量的阅读，发现一些自己的idea，去做大量的实验验证它，我觉得这个过程还是蛮快乐的，而且我做的东西可以非常快地落地，这个也会让我比较有成就感。 02:37 那你会觉得之前的学术研究，对于当下做量化研究会有哪方面的帮助，或者说影响吗？ 02:57 其实做量化是需要非常广泛的知识面的，所以在研究的时候，我们也需要进行大量的文献阅读，在不同的一个方向去找到一些不同的idea，我觉得这个还是蛮有帮助的。 03:19 因为王同学的背景其实和很多来投简历的应届同学是不太一样的，就是之前其实是没有做过量化实习的，而是独立完成了两个研究项目。所以我比较好奇当时你为什么要选择独立做项目，而不是来找公司实习呀？另外可以简单介绍一下，你当时的研究项目对现在做量化有哪些帮助吗？ 03:50 关于为什么没有去找实习，是因为其实以前我并没有准备好硕士毕业直接过来工作，所以一直是在实验室做一些科研工作，直到今年上半年我才决定去找一份量化策略岗的工作。因为我今年上半年做了一个加密货币的策略，然后它在实盘上确实是能赚钱的，然后我就觉得就是非常的快乐，也就有了信心去做好这样一份工作。 所以我从今年四五月份开始找一份量化的实习，其实也挺感谢龙旗愿意给我这样一个没有实习经历的新人一个尝试机会的。 然后我之前做策略的话，其实动机非常单纯。第一段是在BigQuant平台上去做的，做了一个AI的策略。动机很简单，就是因为我自己炒股亏钱了，然后就想用我的所学去做一些市场预测，看能不能赚回来。然后第二段经历的话是加密货币的一个策略，其实也是因为当时在关注加密货币的市场，然后发现一些标的，它们成交量比较大，但流动性比较差，所以可以做一个这种做市的策略，这个当时也是蛮赚钱的，所以后面就过来实习了。 05:34 你现在在公司里可能更多地会有一些合作、或者说大家可能是分流程分环节去做一些东西，但你独立开发项目其实是自己来完成整个流程，所以比较好奇，自己独立开发项目需要做哪些步骤或者工作？这中间有没有什么比较有意思的体验可以分享的？ 06:05 是的，在公司里做和自己做还是有蛮大差别的。在公司里做的话，可能我的绝大多数精力都专注于策略研究。然后自己做的话，会涉及到很多工作，比如数据收集，这期间会遇到很多bug，然后数据清洗，然后比如说你还要去做一个自动化的快速下单程序，其实有蛮多这样的工作的。 然后一些小插曲吧，就可能我在测试的时候，我发现比如说现在网络延时是五毫秒到七毫秒，这种情况下我的策略是可以稳定盈利的，但实际上我去实盘部署的时候发现，有的时候网络延时会因为单量过大，会突然暴增到100毫秒，这个时候可能策略就不赚钱了。其实我觉得个人开发的过程，虽说工作量会很大，但是也能加深对这市场的理解吧。 07:11 你刚才提到之前做策略是在BigQuant平台上，所以也想问为什么当时会想到使用这个平台来做策略？然后其实现在市面上也能看到非常多的平台供量化入门者来做策略或者挖因子，也想请你简单做一个评价，对于入门同学来说，有哪些比较推荐使用的平台？ 07:47 现在市面上这些量化平台就是各有各的特点，比如说当时为什么我选BigQuant，是因为当时想做一个AI的策略，然后比如JoinQuant、RiceQuant之类的平台，自由度比较高，但是如果做AI策略的话可能相对比较麻烦一些。然后BigQuant的话，其实是一个模块化的策略，开发过程代码量会很低，然后很容易就可以做一个AI策略。所以第一段策略是在那里去做的。 如果大家想做一些AI策略的话，我觉得还是蛮推荐这个的，然后如果想做一些自由度更高的一些策略，也可以尝试一些其他的平台，比如JoinQuant、RiceQuant这些。 08:38 接下来聊聊在龙旗的实习吧。因为实习生在龙旗会每个月度做一些分享，然后你和大家分享的会很不一样，绝大多数实习生分享的是因子层面的东西，但是你刚来就一直在做机器学习的模型，所以想问你当时为什么会选择这个方向？你现在留下来做研究员，之后可能会更偏向往哪个方向去深耕呀？ 09:10 其实因为我第一份项目就是做了A股的机器学习模型嘛，所以对这个方向也是比较了解的。然后我研究生也一直在做基于深度学习的模的研究，所以我觉得在模型层面去做，能最大程度发挥自己的优势，所以选择来做模型。 后面的话，我应该还是会继续在这个方向去探索一些，在低性噪比数据下的比较鲁棒的模型训练的方法吧。 09:55 你在龙旗实习的体验和感受怎么样，为什么会考虑留用呀？或者说对龙旗会感觉有哪些比较特别的地方呢？ 10:10 我觉得龙旗和其他公司最大的不同点其实是，龙旗的选址是在西溪湿地里面的，环境会比较优美，每天吃完饭出去走一圈，心情还是比较放松的，在这里面实习，我感觉是非常的自由和愉悦的。 自由是在于，我可能在探索的过程中会产生各种各样不同的idea，我可以按照我的想法去做各种不一样的尝试，在这个过程中，其实我的mentor也会给我一些很有帮助的讨论。然后其实阿姨做饭也蛮好吃的。 还有一个点就是我觉得龙旗的企业文化还是蛮好的，我在公司可以感受到整个公司对员工的尊重，就比如说我可以随时随地和老板或者和一些负责人去沟通，这个会让我感觉到工作就比较愉快。 11:31 很多信任会担心比较难打败比较难打败之前的benchmark，你现在作为刚刚转正的同学，会有这种顾虑吗？或者说觉得要怎么去做出来更多新的东西呢？ 11:53 其实我觉得在这种数据上一步步去探索的过程，其实就是比较愉快的事情，然后其实我也能看得到，随着我一点一点的努力，我的模型性能在一点点地提高，所以我还是比较有信心不断提高性能，去打败这个比较强的benchmark。

针对量化，你是否有这些困惑： 量化研究需要的核心能力和知识储备有哪些？ 量化圈越来越卷，进来的门槛会越来越高吗？ 为啥说量化不只是薪资高，薪资的公平透明可量化才更诱人？ 面对龙旗，你是否有这些好奇： 龙旗的招聘和面试流程是怎样的？ 可以不用实习就直接收获全职offer吗？ 龙旗对人才的培养机制是啥样的？ 这些问题，我们通通解答！ 本期龙旗小宇宙，我们邀请到的是人资部门两位资深的同事，她们不仅负责日常的招聘工作，同时也要负责龙旗的人才发展和薪资福利模块——她们既是最了解龙旗人才培养机制和福利待遇的人，也是见过最多优秀同学和求职者的人，可以称得上是阅人无数、见多识广了！ 此外，两位同事也是在量化行业深耕多年，她们不仅见证了龙旗一路而来的发展成长，更见证了量化行业在这些年的创新更迭。我们也期待通过她们两位真诚的分享，能让你对龙旗、对量化都有更多的理解和洞察。 当然，大家如果有其他好奇的问题——无论是面向哪个部门、哪个环节都是可以的！欢迎和我们留言讨论，说不定，你的留言，就是我们下期播客的主题~ 【精彩内容】 00:38 龙旗整体的招聘流程和面试流程是怎样的？通过我们的招聘和面试流程之后，是可以直接发放正式offer吗？还是说也需要有一段时间的实习才能发offer呀？ 01:00 我们一般分为初试、技术面试以及在杭州的现场复试，现场复试会有主题演讲的环节（针对量化研究员岗位）。 之后的话就是我们的offer发放环节，如果您通过我们前期的面试之后，是可以拿到正式offer的。 01:40 很多同学会对量化有一个先入为主的概念，觉得所有量化公司会刚性地要求先做实习，然后才能申请全职offer。但龙旗是有自己一些做法的，我们会和应届毕业的同学优先聊全职offer，而不是说以刚性的要实习多少个月为前置条件的。 这是因为龙旗希望大家能够在研究能力、研究方法或者说工作思路、以及团队合作氛围上，有相对性的确认，所以是会首先提供全职offer的。 当然我们也很欢迎对量化行业有兴趣、希望能够积累实习经验的同学来申请我们的实习岗位，但是客观说，龙旗的标准确实也会很高，希望大家做一些心理预期。 02:52 既然聊到实习，我们就接着问几个实习的问题吧，第一个是龙旗支持远程实习吗？ 03:06 远程实习的话，大家可能觉得它不受地域限制，可能更加自由灵活一点。但你可能错过的就是感受龙旗的企业文化，错过西溪湿地这么好的办公环境。 所以目前我们还是仅支持线下的到场实习，这样其实更方便同学们感受企业文化，也更方便您和您的代教老师有一个更加深入的交流，更好地理解你未来从事的岗位内容，所以也建议大家到公司现场来实习。 03:54 一方面现场实习可以和龙旗的全团队有一个很紧密的接触，包括研究方法、研究思路、以及实习项目的设立，种种沟通都会更深入。 还有很重要的点，因为通常同学们的一份实习都不会低于三个月。其实真正在量化行业中，三个月是非常非常短的一个周期，在龙旗的时期，没有大家通常所说的一些脏活、或者说擦边的一些活，因为龙旗所有实习项目都是硬碰硬的，一点都不水。这个是同学们实习过后自己会得出的一个评价。 而且我们所有的实习同学都会很愿意在自己的简历上加注我在龙旗进行的这样的一个实习，这会成为他未来申请高校、或者申请量化全职机会、或者做更多研究的非常具有含金量的这样的一个实习经历，所以龙旗的现场实习其实也是非常好的一个申请机会。 05:23 龙旗在实习之后能不能直接提供转正机会？如果能够提供转正的话，实习转正有哪些考核的步骤？ 05:42 对于实习期间表现优异的同学，我们会开启实习留用通道的。 06:02 实习考评标准的话，我们会针对每位同学实习项目的进程、完成质量，以及对于个人研究能力的提升，会做出一个全面科学的判断，既有量化的指标也有一些非量化的指标。 这样的检验通常以月度为周期，当然这个月度周期不是刚性的，会根据项目的难易程度，以及同学在这个研究过程当中的实际的进展和收获，会左右浮动。 07:04 另外很多同学非常关心的问题，龙旗这会不会有在上海开放岗位的打算？ 07:22 我们在上海是有办公室的部署，同学们申请全职的时候，在上海进行社保公积金缴纳是完全没有问题的。 那么预计从2024年左右，我们应该会实质性地启动在上海和同学们更紧密的一些接触，那具体的一些彩蛋，希望各位同学联系我们的人资团队。 08:02 那我们也非常期待上海办公室能够早日投入使用。接下来的话，既然聊到了面试和招聘流程，那大家也非常好奇，当这么优秀的同学进入到量化行业之后，一般的成长轨迹或者说发展路径是怎样的？龙旗会给大家什么样的人才培养机制？ 08:27 龙旗比较注重的是长期主义的人才培养路径，公司鼓励每一个研究员都能够独当一面，结合自己的研究兴趣、技能积累，输出自己独一无二的策略模型。 以量化研究员为例，初入公司的1到12个月，就是一年左右的时间，会100%精力都聚焦在研究上，有资深mentor带领他做一些兼具深度和广度的研究，在这个阶段他会自己发现自己的兴趣，包括自己擅长的领域。 接下来第二个阶段，他可以选择喜欢的研究方向，和同事合作开展比较符合自己方向的策略，深入进行研究。 最后一个阶段的话，可能就进行到了模拟实盘，会有自营资金进入实盘交易，那你需要每日跟踪策略表现，及时进行归因分析，这个阶段的话，你就承担了类似于基金经理的角色。那后期的话，你就会负责你策略的执行，包括迭代和优化，这个是我们策略研究员大概的培养路径。 10:09 其他部门的培养路径，请问有一些补充吗？ 10:14 大家普遍会关注进入龙旗之后，自己职业发展的空间是否足够的，会不会一不小心就撞顶了？ 那龙骑的整个组织架构会比较扁平化，我们会给每一位同事提供自由成长的可能性，各个岗位的边界并非刚性的、不可逾越的。如果您对前端营销感兴趣，我们有很多成长的可能；如果您对运营感兴趣，我们也会有很多实践平台提供给您；那如果是对内部管理、人力、或者各个方面的研究感兴趣，那我们都可以公平参与内部的培养和竞争机制。 我们不会给人打固定的标签，我们内部的协作氛围是非常好的。 12:01 两位身在人资部门，可以说是见到过大量的顶尖人才，这些优秀人才身上的哪些特质会构成对于你们而言最核心的吸引力？如果他们想要进入到量化行业，需要在哪些知识、技能或者能力方面做一些储备和训练？ 12:38 我个人的感受是，量化行业的从业者都是比较叛逆、比较前沿的人。其实我们更倾向看的是专业技能，是能不能沉下心来取得突破，而不是院系甚至不是学校，因为这个行业是高度竞争和不断变化的环境。 其次的话，我们比较看重人选的自驱力，以及对量化行业的热爱。对于希望进入量化行业的同学来说，我觉得仅仅聪明可能是不够的，还需要比较强的自驱力，包括落地实现能力，以及动手能力。所以总的来说，我觉得可能技术、自我驱动力和对行业的热爱，是我觉得比较重要的。 关于建议的话，我可能比较建议大家在学校要把基础功底打好，比如说你的数理基础，比如说提升代码能力，参加一些工程项目、开源项目，提升自己的工程实现能力。 13:51 大家觉得量化很卷，的确也卷，卷学历、卷实习、也卷创新能力，但是这些其实都源于你是否真的了解量化，你是否足够的热爱量化，你是否具备在这个行业当中持续创新、持续耕耘、自我迭代的能力。如果你以这些为乐趣，那量化非常适合你，龙旗也非常欢迎你。 那如果我个人的偏好，我还会注重一些软性要素，我们希望进入龙旗的人认可龙旗企业文化、能够和团队做很好的融合，因为我们注重协作性，注重内部探讨。龙旗不是一个功利的单位，不会说只看技能、既拿即用，龙旗更注重我们这个土壤上能够持续茁壮成长、开花结果。 15:20 刚才两位回答中也提到，量化行业越来越卷，所以很多同学也都比较好奇，龙旗在今年的人才招聘，或者之后会不会选拔标准有一些提高或者变化？ 15:50 大家都觉得量化行业越来越卷，是这样子的。我是2020年进入龙旗当HR的，首先引起我注意的就是身边同事们优秀的学历背景——海内外名校顶尖的毕业生、许多奥赛的奖牌选手，所以我觉得这个行业确实是越来越卷的方向。但龙旗的选拔标准其实一直没有变，只要你专业技能过硬，我们是不在乎其他的。 16:37 龙旗的卷可能不仅仅是学历或者能力，因为学历和能力是敲门砖，但未必会成为你依伴终身的法宝。我们更看重的是，你是否会给自己设限，给自己设置一个舒适区域，始终停留在那里。 就像我们公司整体的OKR标准，给自己设定一个自己觉得值得去挑战、未必一定能够完成的目标。在量化的这个行业中，其实每个人都需要行业有敬畏，有挑战，始终给自己设定更高的目标，这也是龙旗的选择标准。 17:46 最后一个问题呢，因为两位也要负责公司整体的人才发展和薪资待遇。我们知道很多同学被量化行业吸引，不只是因为待遇好、薪资高，更是因为非常公正客观，不需要去卷什么向上管理之类的。所以也想问问，量化行业要如何做到比较公正客观的薪资待遇？ 18:55 大家听到量化可能第一印象就会是赚钱多，但其实公司的薪酬待遇都是非常公正和公开的，这是一个快速迭代和快速试错的行业，你做出来的东西可以快速地用数据去验证，也可以马上从市场的竞争环境中看到是否是有效。所以个人贡献和公司收入之间是强联系的关系，个人贡献可以很公正地计算和衡量出来。所以在量化行业可能更多需要关注的是自己的研究成果，只要研究成果足够好，薪酬待遇是非常可观的。 19:44 我在龙旗这些年，也看到我们很多龙骑士，从懵懵懂懂的应届学生，在杭州安家落户成家立业。这中间我们绩效系统的完善，和每一位同学自身的努力是密切相关的。 现在我们有一个非常严密的评价体系，这种评价是依赖于每位同学在日常的贡献和团队的反馈，这个过程是透明公开的。我觉得结果也是大家认为公平公正的，因为如果没有这样一个体系支撑，我们的人才团队建设是不能持久的。 当然未来我们在绩效的组成上，也会有可以完善的空间。就我常常会和人选说一句话——选择龙旗一定是你不会后悔的决定，我们大家是用行动在证明这样的一句话，那也希望各位同学能够加入到龙旗，然后我们来共同验证，这是否是一个不会后悔的决定。

抱歉本期由于录制问题，降噪之后依旧有些杂音，请各位见谅~ 本期我们截取的是今年秋招的复旦场宣讲会上，同学们提出的一些有趣的问题： 机器学习挖因子的有效性怎么样？ 三到六个月的量化实习，主要做哪些工作？ 不同频率的因子如何组合？ 什么样的因子能够盈利？ 想从0到1进入量化，应该准备什么？ 公司的考核标准？ 实习生的成长路径？ …… 无论你是从0到1想要获得一份量化实习，还是对量化已经了解颇多经验满满，相信你都能在本期的分享中收获一些新知识与方法论。 00:01请问用机器学习做因子，会比较有效吗？ 00:09我们在做因子这一块，目前采取的方法是人工挖掘为主，搜索和生成为辅，因为其实最早的时候我们基本上全都是人工挖掘的，为什么呢？ 因为最早我们人工挖因子的时候，其实是产生一些想法，生成批量化的表达式去做，这样效率会高一点。所以逐渐有了各种搜索系统去搜这些因子，但过程中我们注意到有些搜出来的因子去看它的表达式、看它的结构，会发现跟我们的金融逻辑完全是相悖的。 01:40 我可能表达不清楚，我指的是神经网络这类的机器学习，不是遗传算法。 01:48 那神经网络搜出来的话，我可能会考虑训这个神经网络，用到的标签的多样化程度。因为其实就是一个weak learner，对吧。 所以如果研究员提交了一些用神经网络搜索的因子，那我第一点要做的一定是问你，是用哪些信息量去搜索出来的，然后会去评估你训出来的因子跟其他因子的相关性，然后再去采用。 03:01 那挖掘因子是要求有逻辑还是符合入库标准就可以？ 03:10一般来讲，你既然都是人工挖因子，不可能说自己拍脑袋找一些乱七八糟的东西，当然有这么多因子，我们不可能去看每个因子代码到底是不是有逻辑的，这就要求我们跟做因子的同事保持密切沟通，了解你平时在做些什么事情。总之就只要我们设计的入库标准，一定是能够入库。 03:54 想问一下量化研究实习生三到六个月的时间，主要做哪些工作，是挖因子还是做策略？ 04:14 其实三到六个月的实习周期，我觉得除非你有机器学习这方面的背景，否则我可能会比较推荐做因子相关的一些实习，因为从这个实习中，你既能了解到底层的数据，同时也会培养对于金融数据方面的感觉。 我举个例子，可能实习生会复现研报上的一些因子，但是这些因子对我们来讲已经完全失去意义了，我们可能第一周会让他先去做这样的事情，第二周的话就可能会做一些低相关性的东西，比如我们会给你一批最近新入库的另类数据，研究员给你一些idea、描述一些现象，然后你围绕这个现象去做一些因子的挖掘，或者给你的idea做一些扩展。 那如果你是机器学习背景的，之前一直在做机器学习的项目，那这三到六个月的话我可能会推荐做模型的同事提供给你一些思路，比如你去研究一下，对样本进行不同的加权，或者对不同市场行情的、周期的样本进行一些筛选，甚至包括对标签做一些特殊的处理，看一下你训出来的模型结果，跟研究员训出来的相比会有什么样的增量信息。 06:25我也算带过近十个实习生，就是我带实习生，首先平时我会有一些蹦出来的idea，我会把它们整理下来，结合每个实习生的经历背景去找最match的一个方向。然后我一般会给两个方向，然后去跟他讨论，可以选一个做这样子。 因为一方面有公司既然去招了实习生，肯定希望做这东西会对公司有帮助，然后同样的，实习生本身也不希望做什么洗数据之类的脏活儿，也希望自己有些成就感，接触到一些实际的东西。 所以我个人带实习生，会精心设计比较完整的一些项目，包括你们一周大概会完成到什么进度，最终会有一些大概的评估指标，当然你达不到也是OK的，就是每个项目都不能保证顺利嘛。 07:33 我想提的是研究相关的问题，我看到你们公司对基本面和另类信号，其实也是比较重视的，但是它可能和量价因子的频率不同。我也听说有的公司比如说基本面占20%，量价占70%，组合形成策略，那具体去做的过程中是怎么组合的？ 08:34 的确基本面和另类数据，有些数据频率跟其他因子不太一样，我们一般的做法就是做一个向量填充，让它至少能够和价量因子的频率保持一致，就是我在每个截面上都能够运用到价量、基本面的和另类的数据。 然后实际应用的话，我自己其实多数情况下会把不同的数据放在同样的方法论上去做，因为做一些消融实验的话，你会发现可能20%的基本面数据提供的增量信息不止20%。 10:36 我因为自己想这个问题没想明白，然后就想请教一下，比如我现在能预测短期收益率的因子，比如十几秒后的收益率，然后想知道比如相关系数、收益率波动、包括交易费用这些大概需要达到什么样的条件，我这个因子能是一个比较好盈利的因子？ 12:48 我理解这位同学问的，就是说你现在已经做出来了因子对吧，然后我们评价这个因子最直接的方法就是，通过我们的回测平台，它所执行的作用是什么呢？ 就是说不管你是直接把因子值当信号也好，还是说你模型带有很多的因子、对它拟合之后再输出一个信号也好，我们这个高精度的回测平台，它都能把你的这个信号转化成它实际的模拟撮合这么一个交易执行，从而检验出来你这个信号到底是有用还是没用的。 刚刚我同事也说到，你除了考虑准确性之外，非常重要的另一个指标是覆盖率，说你模型很准很准，但它一直就是不太发信号，或者它就是只对一些票很准，那这个其实是没有什么用处的，所以可能要平衡它的准确率和召回率的关系。然后其实如果只评价这个呢，还是不太够，因为包括有一些啊完成度，包括你的资金是有限的，你怎么去根据这个信号分配调仓的顺序，其实这些都是很关键的，所以我们都是用公司里非常迅速的一个回测平台来解决。 15:24 我是刚研一，现在类似的实习还没干，但是对这个方向有很大兴趣，那么我如何从零到一——也就是我连一段量化相关的实习都没有的话，比方说我要去你们公司，你们公司更希望我有哪些label，或者说我应该做哪些准备？ 15:49每个人的第一份量化实习都是从零到一的，所以在你拥有第一份量化实习经历之前，首先你要结合自己的背景，如果你是比如说计算机相关的背景，已经做过很多机器学习的项目，那其实对你来讲，做实习没有太多的技术避垒，可能你在互联网的应用场景跟我们这边的应用场景其实就是换了个数据集，但是我们这个数据集噪音更高。 那如果你不是计算机背景，就比如说数学统计背景的话，其实也是非常贴合的，就可以从因子开始着手，因为我们挖因子时候，要去描述一些现象，就要用到一些指标，那可能作为数理统计方面的同学，你会清楚地知道哪些统计概念能够更加方便地去描述我想描述的现象。 所以对我们来讲，只要你在学校或者是在研究中，我们能够看得出来，你是有研究能力的，就不太在乎你是不是有过这方面的实习。 17:30 我想提两个问题。 第一个选择题，在合成因子的时候，比如说我们同一类因子有好几个，它们可能就是只是一些参数比如时间窗口不同，得到十个因子，大家其实反映的是想同的内容。怎么把这些因子组合在一起呢？有几个选限：第一个是等权加在一起；第二个是根据样本内的夏普加在一起；第三个是研究一些模型进行加权；第四个是用一些方法，比如取残差以后把它加到信息里。 18:26 我先给你提供一下我这个考察方案，就比如我建模要选择时间窗口，你现在告诉我这个因子选一天的窗口、五天的窗口、十天的窗口都还不错，那我一定是优先选择五天到十天的窗口，因为我觉得，我要预测未来这么长的周期的话，我主观上更加偏向于使用到的历史数据的区间会大于它。 但是我也会同时去看他验证集上的表现情况，根据样本内的IR去进行一些调整。当我发现数据差距量不大的时候，我一定是等权去处理，因为我觉得后端的机器学习模型更加容易引起过拟合。 19:37我做一下这个选择题啊，我也只会对它做一个等权。 因为我因子模型都会做，我想说一下我是如何避免这种情况，就实际中并不会出现这种情况，因为我也觉得你说的一个因子，如果它的内在逻辑都差不多，你仅仅是去调它的一些超参数，我觉得你这个东西你调出来的其实很有可能是有一点过拟合的。 比如我们自研的研究系统，其实也是支持批量的因子生成，但一定不是靠调节参数去生成，而是根据内在的实际逻辑的不同。 20:57 可能我的想法会比较宏观一点，就是我觉得在这个行业，市场是最好的老师，就是没有标准答案，可能今天你觉得选A是对的，然后明年市场变了，可能B又是一个更好的答案。你这个在美股是C这个选项，但你到了港股可能是D这个选项。 市场是这样的，所以你自己通过回测的一些观察，其实你是能找到这样的一个答案。我觉得这样的思考的过程可能会更重要一点，因为我觉得这个行业其实很多很多问题都是没有标准答案。 21:53 第二个问题，比如说你做基本面或另类数据，你有些先验的认知，你觉得它应该是什么样，然后按这个方式去构建策略。但是它在样本内就是稳定地亏钱，比如夏普比稳定地为负二，那三位愿意为他做一个负一的处理吗？ 22:18 这个确实是一个比较尴尬、但很可能出现的问题，因为首先你得去想，就是为什么它样本内稳定是负的，因为按常有的逻辑，一个策略即使是失效了，它夏普也是趋向于一个平的，不太可能是趋向一个负的状态，所以出现这个状态大概率啊，就是你处理的一些环节上可能存在问题。 所以我会去一步一步查是哪里出问题，或者说逻辑哪里需要一些修正，或者说也有可能市场环境变了，得去从逻辑的角度去想这些问题，并不是说简单去加一个负号。 23:38 我的想法跟这个同事一样，就我首先一定会觉得我是不是哪个东西算错了，是不是在什么地方加错了一个负号，因为在样本内稳定亏钱的信号，那只有离成功就差一步之遥，一定自己要去认真查。 24:41 关于这个问题的话，我也是觉得可能你再好好审视一下。如果你没有引入一些特别奇怪的东西，其实想做一个在样本内稳定亏钱的策略，也不是那么容易的。 25:34 我看到公司有这么多因子，也不断有新的因子加入，想问我们是如何选择在某个时期用哪些因子是比较有效的，哪些的因子不有效？ 或者说，如果有一部分因子和另一部分因子出现了冲突，要怎么去做这个仓位？ 25:59首先针对第一个问题，因子的确会有动态的生命周期，一般来说在实盘应用过程中，每隔一段时间也会重新进行一些回测，评估这些因子的有效性，然后在自己模型端的话，可能就是动态更新自己的因子集。 第二个问题，你说在过程中有些因子可能想让买入，有些因子想让卖出，一般来讲我们最后都是把这些因子训成一个模型，一个模型最后去决定到底是买入还是卖出。 那你刚刚讲的可能是，比如说有些因子明明在样本内是一个正向的因子，突然某一天变成了负向的因子。首先在做研究的时候，出现反直觉的东西，一定要去查问题。 27:24还有一个问题就是，公司对实习生的考核标准，或者是发展路径是怎么规划的？ 27:46 面试的话，首先会对你的简历、过往的经历考察一下，就是你对这个行业的了解，或者说你的创新能力啊，或者说你跟我想给你做的这些项目是不是有一些重合的地方，这些都是我会比较感兴趣的点。 然后在考核过程中，因为我们一般会有，比如说三个月会有两次的展示，我也会去协助你去完成展示，把你给论的成果做一个汇报。当然整个流程我会大概给你设计得比较好，我会评估这个项目的工作量，大概到什么时候，你会完成到什么地步这样，也会每周会去跟你讨论，如果说你觉得做了一个月这个项目做不下去，换也是OK的，或者说你发现了一些别的方向，你去做这个，我也是会全力支持的。 28:54 我再补充一下，一般拿到offer都会进入三个月的试用期，其实试用期淘汰率非常低，我们主要是在这三个月的过程中，想让你找到做研究的感觉，因为这三个月往往来说是你非常看重的三个月，你投入的精力可能会很多。 不管是实习或者试用的话，一般进来之后会有一个mentor带你，他会跟你去协商，去制定接下来这几个月的实习文档，我们都有比较标准的一些方案，比如第一个月、第二个月、第三个月，我应该做些什么事情。如果你的进度不符合预期的话，可以中途去修改这样的文档，最后转正的话，我们都是做两到三次的展示，然后整个策略团队一起开会投票决定是否同意转正，或者进行正式offer的发放。

9月，我们走过三场校招宣讲，和同学们面对面聊量化、谈行业。 在这个过程中，我们也注意到同学们对于量化都有很多好奇： 新入行的研究员如何面对竞争压力？ 没有量化实习，能过简历吗？ 灵感枯竭怎么办？ 做量化会有中年危机吗？ …… 那么最近的龙旗小宇宙，我们就整理了一些同学们最关心的问题，以及我们资深研究员非常真诚详尽的解答，希望能给寻找校招或者实习机会、以及还在择业希望了解量化的同学们一些帮助，也祝愿同学们都能在这一年中，都能收获满意offer，实现自我价值！ 本期我们截取的是北大宣讲会上的一些问题，解答的是我们的三位资深研究员。其中既有我们的策略团队负责人，也有校招就进入龙旗一路走来的同学，还有从互联网跨行而来依旧十分大佬的研究员——希望他们从不同视角带来的解答，能让你对量化有更全面的了解！ 当然，关于量化，关于龙旗，如果你还有想要了解的问题，非常欢迎留言评论与我们交流！说不定，你的问题，就是我们下期播客的主题哦~ 【精彩片段】 00:04 因为现在实盘上已经有许多策略了，所以新的策略要上实盘是很难的，因为baseline太强比不过。特别是对新人来说，策略上实盘之前的这一两年可能是压力非常大的，而且即使想转行或者跳槽的话，如果没有做出好的成果，别的公司也不会认可你。作为量化研究员，要怎样面对这些压力呢？ 02:00 确实这行竞争是非常激烈的，你必须要做一些低相关性的东西，才能够做到一些产出，这的确是一个挑战。但是我觉得时也是一个机遇，我们常说站在巨人的肩膀上才会看得更高。进入公司之后，首先第一年可能你所接触到的知识学习就是别人需要两到三年才积累的，你的学习成长曲线是比较高的，然后你再考虑做一些相关性的研究。同时关于你前两年的待遇，我们设计新人考核，肯定不会在于业绩怎样，而会更看重这一年研究过程中他所展示出来的综合素质、研究态度、研究潜力这些。毕竟如果你第一年就能轻松上实盘，那说明我们公司之前做的研究也不怎么样。 然后你问的跳槽时候的竞争能力，我觉得对于量化行业，你如果有实盘成果，那是非常直截了当的核心竞争力。但你在研究过程中的一些思想、一些行为习惯也很重要。 04:21 我再稍微补充两点吧，首先就是我觉得上实盘这个事情，不一定是完全线性的、阶梯式的东西，比如说你一个东西必须到100%才能上实盘，有一些上实盘的可能是一些边边碎碎的，比如说你算法很强，把某一个算法的某个步骤可能缩短到了几十毫秒，这一块上就能上实盘。 然后第二点的话，我觉得其实第一年可能整个打工生涯创造力最强的一年，因为你之前是一张白纸，刚刚从学生到了职场，你的上司不会给你很多限制，你会有非常高的自由度，你可能是未来几年里的创造力最巅峰的时刻，大部分人还是能非常迸发出非常多的研究成果的。这一点我觉得是完全不用担心。 06:05 我再稍微补充一点，我觉得去任何一个公司、任何一个行业可能都会面临这个问题，尤其对于应届生来说，去一个新的地方，可能头一两年就是积累的过程啊，但我觉得我们这边相比其他地方的优势，一个是环境非常自由，再一个是可以从很多地方得到学习。 然后再有一个，我觉得可能是快钱跟慢钱的区域，比如说你去某些公司，前两年可能加班很猛，然后底薪很高，你可能赚了一票钱，但是可能马上就会面临这个公司或者是业务不行，或者大环境不行，但量化是逐渐积累、厚积薄发的过程，你说的问题很有可能会碰到，就很可能上不了实盘，但只要对自己有信心，尤其是我觉得，进了龙旗的也是经过了很严格的筛选，对吧，那就认为一方面你对自己有信心，另一方面我们公司对你也有信心，这种情况下大概率你通过积累跟学习是可以做出来东西的，所以我觉得这一点不用担心。 另外一点就是像前面同事说的，实盘的方式有非常多种，在我看来量化还是处于一个比较初期的阶段，中间有非常多可以做的，比如说你把数据质量提高了、把延迟降低了、还是把收益提高了，还是做出低相关的东西，其实都是OK的，我觉得相比互联网来说有非常多的东西可以去做的，而且这个东西是会非常直接地反映出来，比如说在互联网做一个模型，它这可能没有业务场景，那我也是干着急，没有办法，就它的链路太长了。但在量化，但凡缩短了延迟，或者提高了准确率、提高了收益率，那直接就可以上实盘，这已经比其他公司要短很多了，甚至在科研机构，你做出来这个东西，你还要去发论文，有的时候还得看审稿人等等非常多的东西，这个链路会更长。 08:33 博士生没有实习，会直接被刷掉简历吗？ 08:52 首先我们遇到过很多这样的简历，我们其实是非常喜欢博士生的简历的，因为博士生在学校里面经过的研究训练，其实已经能够论证一些能力，所以我们不会太去挑你是否有一些什么实习。在对于博士面试的时候，我们更多关注于他在做自己研究方面的一些细节，包括一些创新的能力，我们其实也有很多比如做量子通信的简历，也是非常满意，直接发放offer的。 09:31 我现在是博一，对于就业市场还不太了解，想问这位从互联网跳到量化的师兄，对互联网和金融的量化思路的对比，可以再说一下吗？ 10:13 其实你刚博一的话，不用这么着急，可以先在课程还有科研方面多花时间。 然后我说的意思是互联网，因为业务非常繁杂，有些业务是主营业务，有些业务可能是实验性质的业务或者支持性的业务，比如你看到淘宝是做出来了，但在淘宝之前可能有非常多的淘宝一淘宝二淘宝三可能都死掉了，就我想表达的意思是互联网公司非常看业务的，你跟着这条业务线好可能就好，跟着这条业务线不好可能就不好。然后也很看老板，也很看各个方面的其他东西，但是量化可能会单纯一些，你只要技术牛逼，你就能做出东西，不会有那么长的链路。不过你现在博一，可以先去接触各个行业吧，都去看一些，慢慢自己就会有感觉。 12:03 我是应届生，在量化方向的实习一直是做模型方面，但我个人感觉做因子也是比较重要的，想往这方面转。但我有一个疑问，做因子总有思路枯竭的那一天，你们会不会遇到一个瓶颈期，想不出来一个全新的思路？如果是有遇到过，怎么样打开新的思路？ 12:59 这是很正常的事情，没有人永远有灵感。 首先说一下数据源，我们公司你能做的数据是非常多的。然后当你出现阶段性的瓶颈或者思维枯竭的时候，我个人是会去做比较大量的阅读，包括一些paper、书籍、研报之类的，而且不一定是量化相关的，比如你可以去看一些信息论、或者代数几何的东西，可能也会有帮助。 实公司对你的那个容错率还是非常高的，你一个月做不出来东西是很正常的事情，考核上的压力不太会有。 14:25 我补充一点啊，就是做因子的话，可能有两个阶段，一个阶段是用新的数据或者去广泛阅读去，出现新的idea，做出来新的因子。第二阶段的话，其实你有时候你做完之后，可以回顾一下，很多因子你初步做的时候，其实都没有那么精细，随着你对数据感觉越来越强，其实在你之前的因子基础上，可能有叠加改善的空间。其实包括我们因子库入库的话，也存在一个条件，如果你跟现成的因子相关性比较高，那只要你的表现比它更好，去做迭代更新，也是会替代入库的。 然后就我还想讲一点，当灵感枯竭的时候，其实你可做的事情太多了，因为不同的研究领域、不同的方向，比如中频、高频所需要用到的特征可能都不太一样，你这个时候你完全可以结合自己的应用场景去选择不同的特征，所以这块我觉得倒不用担心。 16:03 我也补充一点，因为我也是从其他行业转来做量化，刚开始也遇到同样的困惑，但是我做到后面，越做发现想法越多，当你做完一个想法之后，你会发现这些想法变形一下，还可以有类似的想法，我现在to do list已经记了好多，可能都没有时间去做。 然后我再打个比方，就是大家可能看过那张图，博士生的专业研究就像是从一个球面上扎出来一个尖的东西，然后往那个深度上去研究。我觉得这张图非常形象，就是当你周围都是黑的的时候，其实你不知道往哪个方向走，但只要你往前面走一点之后，你周围可走的路就会非常多。 大家把它想象成一棵树的话，一开始可能只有二叉树，但当你站在左边那个节点上，再叉出来一个，你就发现节点数就乘二了，你就可以不断乘下去，这个树会越走越复杂，你能探索突破的方向会越来越多。 17:28 我有两个问题，第一个问题是，作为优秀的量化研究员，不知道各位学长在平时的科研或者项目中有没有什么比较重要的经验？第二个问题是，在可预见的未来，量化研究会不会遇到和互联网或者其他风口行业一样的年龄问题，比如说遇到中年危机遭到行业淘汰这种？ 18:17 我先回答第一个问题，优秀研究院应该具备的品质主要是两点吧，第一点就是要有效率，就产生一个idea要去快速的去验证。第二点就是你的创新能力，我觉得这是非常核心的竞争力，同样一个项目，有的人可能就停留在比较正常的方向，但有的人就能发散开思维做一些不一样的东西。 19:33 我再补充一点，我觉得细致也是这个行业非常重要的一点，一些细节数据处理不好、代码的一点点瑕疵、或者比如说用到一点点未来数据，这个其实都可能在实盘上造成毁灭性的打击，所以严谨程度也是我们非常关注的一个点。 20:35 我觉得一个是学习能力要强，再一个我觉得是好奇心跟探索欲。然后我觉得可能要有一些坚持跟执着，因为research不是做一次就能成功的，你可能心脏要稍微强大一点，不停去做，可能失败了99次才成功这一次。 21:31 第二个问题的话，我觉得每个行业都可能会存在这样的中年危机，只是不同行业严重程度可能不太一样，如果你的核心竞争力是需要用时间来去堆的话，那你肯定不如刚毕业入职的人。但我觉得我们这一行相对来讲还是比较偏研究类型的，并不是纯工程、靠体力去堆的，其实你多年积累下来的研究经验，并不一定说一个应届生就能够通过他非常卷的工作模式去获得的。第二点的话就是，如果你在你比较早期的时候能做出来能挣钱的策略，只要这个策略还挣钱，你就不太会有中年危机。同时不是所有量化研究员一辈子都会在量化研究的这个岗位上待着，有时候可能也会逐渐成长为团队管理这或者PM的角色，那其实做研究并不是你工作的全部，你可能要考虑其他方面的一些能力，比如怎么去带团队这种。 23:51 我觉得危机不危机，不在于你的年龄是不是到了中年，而在于前面说的这几点条件是不是还都满足，如果你到了中年还是很有产出的话，那其实你在哪都很牛逼。还有一点就是随着经验的积累，效率会越来越高，这就是积累下来的一套自己的一个方法论，比如我现在有十个想法，可能九个想法就能work，或者说有一种特别快速的尝试方法，总之你的效率是要越来越提高的。以及还有一点，我觉得前期如果大家非常努力，积累了不少财富的话，那其实可以体前退休，就也不会遇到这种问题。 25:15 我再补充一点，就是量化这个行业固有的一个优势是你对市场的理解，虽然研究员基本上每天大部分时间是在写代码，但还是会有一部分时间跟市场去打交道，去思考最近市场的变化，思考你的策略怎么去适应市场。然后经历过三到五年，你对市场的理解会远远高于新的研究员，这个是甚至钱都买不到的一种经验吧，其实这个经验对于更高层面的策略研究也是非常有帮助的，也算是你的壁垒或者护城河这样子。 26:06 我想问一个比较抽象的问题，就是在各位眼中工作的自我价值是什么？ 26:33 我觉得自我价值就是你认为什么东西是有价值，或者能够得到认可。以我为例，就我当时做模型在互联网已经做到非常牛逼，至少在集团内是TOP1的水准，但哪怕是在这种情况，业务要不要用我的算法，也不是由我来决定的，所以我认为自我价值没法实现。 但是在量化的，就我刚才说的，做的好那一定会被使用，这个路径是极其简单的。以及我说的自我价值，就是包括你是想要赚钱呢，量化可以实现，想要做最厉害的模型的，也可以实现，以及你想要work balance，就是我六点就下班，也可以实现。 28:22 我就非常很实际的说，对我来讲，能够在竞争这么激烈的市场、这么纷繁复杂的数据里面找到规律，会有成就感，第二的话就赚钱那也很开心。同时因为现在公司规模越来越大，还有一种自我价值，就是伴随着公司逐渐做大，整个业务体系走上正轨，这中间也会有一定的自我价值的实现。

最近的量化，仿佛被推上了风口浪尖。但事实上，量化策略所做的同样是发现市场中更有价值的股票，并且常常会满仓运行获取收益——只不过这一发现方式是依托海量数据建立的模型。 如今，政策落地，对于程序化交易也做出了一些规范。在我们看来，政策的规范化对于量化行业的长期健康发展更加有利，对于资本市场的稳健运行也更加有利。总之，让我们抛开程序化交易的种种纷争，还是先回到量化的核心来，毕竟，塑造量化的核心不是程序交易或手动下单的差别，而是面向全市场做出选股决策的量化模型和投资策略，是这些策略中的灵感迸发与深刻研究。 而在这些持续创新、不断迭代的量化策略的背后，是人，是来自顶尖高校的投研人才。 最近也来到了秋招季，如果你对量化行业感兴趣，那么你可能会有这些问题： 量化研究需要怎样的人才？ 想要做量化研究，需要具备哪些核心素质？ 跨专业可以做量化吗？ 对于想从事量化研究的人，应该做哪些方面的储备和训练？ 本期，龙小旗就来聊聊【量化人才】的问题。我们邀请到的两位资深研究员，一位是创新源源不竭、灵感常常迸发，另一位则是勤勉踏实、耐心专注，他们还有两个共同点——一是都对量化研究怀着简单且纯粹的热爱，二是，他们都有着转专业或者跨专业来到量化行业的经历，算是某种意义上的“半路出家”。 那么，就来听听他们的分享吧！ （本期不长，但真的很精华，很真诚！） 同时，如果你也对量化行业有兴趣，如果你也有好奇和困惑，欢迎来评论区留下你的问题——说不定，你的问题，就是下期播客的主题！ 【精彩分享】 Y同学 01:49 “其实我觉得量化更重要的是一种思维模式吧，所以包括工科上建模的一些思维方式，其实都可以移植过来使用。” Z同学 02:30 “跨专业最困难的是自己内心的选择吧！就是你要舍弃所有学过的东西，去接触一个对自己来说非常崭新的行业，我觉得这是最难的。内心做完选择，后面其实都是一些知识的整合啊、准备啊，我觉得这倒也是不难的。” Y同学 03:12 “我觉得最重要的是两点，第一点是创新力，因为这个行业是一个迭代非常快的一个行业，你得不断不断地去做创新，才能保证你的策略能持续赚钱。第二点就是类似于研究的一种耐心吧，因为其实在这个行业并不是一个线性出结果的行业，就是可能你得面临一两个月完全做不出这么研究成果的现实，但是你得静下心来，扎扎实实去做研究。” Z同学 04:03 “我再补充一点，我觉得还有一点是需要一定的体力，因为这是一个非常耗脑力的一个工作，所以我们在龙旗坚持长跑精神，也是为了让自己身心都有一个比较好的状态。” Y同学 04:40 “我觉得核心还是兴趣吧，就是你得建立对这些研报和论文的兴趣。然后很多时候你看这些东西会越看越有意思，包括你看一篇论文，你会看它所有的参考文献，这样一下会看很多篇，然后看多了之后，自然就会有一些爆发出的思考吧。然后这也是一个良性循环的过程。” Y同学 05:21 “没灵感的时候就也不用慌嘛，你心里其实清楚，研究不是一个线性的东西，没有必要说每一周一定要做到什么什么任务这样子。然后这种时候就继续去广泛地阅读，提升自己的一些思维啊，对市场的一些理解啊这样。” Y同学 06:23 “你可以通过一些抽象模型的方式对整个市场进行建模，我觉得这个是非常有意思的。” Z同学 06:30 “我觉得量化最吸引我的应该有两点嘛，第一，它本身不是独立的，它是综合了每天全世界或全中国每个行业各种信息的一个叠加，就它其实反映这个社会运行的一种姿态吧。另外一点就是，其实本质上是做研究嘛，就你永远不知道明天会发生什么，永远充满了未知，这种未知觉得对人的吸引力是非常巨大的。” Y同学 07:30 “我觉得知识层面的话，就是一些基本知识你还是得清楚的，比如说阿尔法选股的一些基本模式啊，然后关于二级市场、甚至衍生品的一些基本概念你是得知道的。然后能力层面的话，可能会准备的多一点，包括一些最基本的编程，还有一些基本的一些数据概念啊、数理建模的一些思维方式啊，这些也是需要去储备的。最后可能会有一些面试的小技巧啊，做题技巧什么的，这些有时间也准备一下吧。” Z同学 08:23 “我觉得就是除了常规对研究员的一些基本要求外，更重要一点是要找到自己的一个合理定位，还有自己的优势吧。因为这个行业其实是人才竞争非常激烈的行业，而且它本身是一个系统性的工程，靠一个人是不可能的，所以我们要考虑的是，选择一个就业方向、或者说选择一个岗位，其实是希望加入这个团队，那么能为这个团队带来什么增益。所以一定要突出自己的优势点，可能你编程能力非常强，或者说你在某方面的研究非常深，这些我觉得都是市场上非常受欢迎的。” Z同学 09:53 “我觉得规范化本身可能是一个积极的信号吧，不应该把它看成一个悲观信号。因为本身首先国家重视，已经说明了量化的力量在市场上已经不可或缺了。但是我觉得哪个行业的发展都不能脱离国家的大的脚步，只有走向合规的角度，才能在中国乃至未来的全球的市场上有好的表现。所以我比较看好未来。”

对于对量化行业感兴趣的同学来说，实习无疑是一条入门的快车道。通过量化实习，你可以了解自己究竟是否真的适合这个行业——你会享受创新探索的乐趣，享受复现paper的快乐，享受及时反馈的高效，享受自己策略上线的满足；但你可能也会面对拿到海量数据却无从下手的茫然，面对并不容易的模型搭建，面对完美的思路却总是不能收敛到想要的结果上，面对模拟盘上表现优秀的模型在实盘上又出bug。 那么，在量化实习中，你可能就能微缩版地体验这一切。 虽然受限于实习期的长度，可能很多量化实习都只能止步于toy model，但只要你有足够的能力与足够的好奇，那么一段实习可能也足够为你打开量化的大门，窥见无穷的世界。 一般的量化实习分为两类：一类是与求职、留用密切相关的，这类实习往往专业程度和研究水平也会相对更高；另一类则更多是在校生的职业探索，这类则会有更加自由的发挥空间。 本期播客，我们邀请到的两位实习生，就是属于第二类。他们在结束了为期几个月的暑期实习之后，就要回到校园继续自己的学业。也许他们对于量化的理解还不是那么深刻，也没有研究员们那样丰富的经验，但他们学生视角的观察，相信也会让对量化感兴趣的你，了解更多量化行业与策略研究的背后。 当然，之后的实习生分享中，我们也可能会邀请到第一类更加成熟、专业的同学，欢迎大家关注龙小旗的播客，我们一起，更多了解量化！ 想要了解更多量化分享，也欢迎关注微信公众号“杭州龙旗科技”和“龙旗人才伙伴”~ 【精彩片段】 01:22 D同学 “我觉得做量化，不管是因子也好，策略也好，它和主观投资是有相似的地方的，尽管它是用一些数学或者统计这方面的知识，但是它背后是要思考清楚每次做的那些策略的逻辑，才能更好地进行改进。” 01:45 D同学 “我们在知道一个策略或者因子的逻辑之后，还需要不断地把它改进，因为可能市面上大家有很多人都在做相同的策略，但是要获取更多的阿尔法，我们就需要更加精准的把这个策略进行分类讨论啊、分割啊，把它打磨的更加细化。” 02:15 D同学 “很多时候，这些策略的基本逻辑框架是类似的，很多策略可能比如说2022年还是很好的，但是到2023年可能就会大幅度下滑，因为有很多人在都在用相同的思路。所以就要不断地推陈出新，然后这个就需要很多新的灵感，除了打磨旧的策略以外，还需要会想象或者创新出一些新的策略。” 03:14 G同学 “在这一段实习中，我获得了更多可以自主探索的一个权利，我可以去研究很多我想要去研究的领域，我的老师都是非常的支持的。” 04:58 G同学 “在这段时间当中，我的成长也是方方面面的，一方面就是自主探索的过程，就是有做到从做因子到因子优化，再到接触一些策略层面的内容，然后在这个过程当中我更加了解了量化具体是干什么的，然后积累了很多的经验。另一方面是老师也给了我很多的灵感，就是当我遇到了什么困难，或者不知道接下来应该往什么方向去做的时候，经过老师的点拨，就会豁然开朗，觉得这是非常宝贵的经验。然后我觉得龙旗特别好的一点就是我们可以去听各个实习生每个月做的一个月报，然后在这个过程当中，就是学习到了很多其他实习生身上可能已经发现的一些问题、还有他们的一些观点，这对我来说是很大的启发。” 07:06 G同学 “在这段实习之前，我可能会认为量化更偏重于结果，就是你要用各种的手段，然后去达到一个比较可观的预测收入的效果。但是在这段实习过程中，我渐渐发现，其实量化并不是一件那么可以简单概括的事情，它需要更多的逻辑去支撑我们的一些假设，然后也需要对这些假设进行不断地验证，这就涉及到方方面面的知识，然后也让我意识到，可能我的知识储备目前还是较为薄弱，需要不断的补充。” 08:12 同学 “觉得比较难的点，就是自己在看了研报或者别人做的成果之后，自己在复现时候发现，诶，结果很差很差，然后就是一时间不知道如何从哪个地方进行修改，不知道这个策略哪个具体的方面是错误的，就在寻找这个具体的原因。它是非常非常复杂的，因为一它可能分成很多步骤，并不知道哪个步骤是错的。” 09:49 G同学 “有接触到一个做因子优化的一个项目，然后在这个项目里面，就一开始可能是研报支撑什么比较少，我跟老师交流一些比较个人的想法，然后在实践过程中，开始搭建模型的时候就出现了优化效果比较弱的情况，然后不断地去调试、去学习网络上的一些资源，对模型进行改进，看看哪里出了问题，最后就是这个模型的效果还是不错的，会让我有很大的成就感。”

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。”

做量化研究员，日常工作状态是啥样的？ 做量化和做学术，有哪些相同点，又有哪些不同之处？ 做量化，快乐不？量化研究员的工作乐趣在哪儿？ 量化研究员，未来的职业前景怎么样？ 在欧美成熟市场，量化研究已经有了半个多世纪的发展；但在中国，量化只有近二十年的发展历程，其中量化私募行业的崛起更是近十余年才开始的事情。一般来说，量化私募公司体量都不会太大，比起大厂的层级结构，在管理架构上也大多会显得更扁平化一些。那么，对于这样一个相对新兴的、通常扁平化管理的小众行业，选择投身其中的量化研究员们会有怎样的发展前景？ 特别是近几年间，头部量化人才筛选常常出现“万里挑一”“只看清北藤剑”“奥赛金牌起步”种种吓skr人的离谱门槛——量化行业凭什么设置这样高的门槛？顶尖人才投身量化，图什么？ 第二期播客，我们就来聊聊量化研究员的工作状态、研究乐趣与职业前景。我们邀请到了两位非常非常资深的研究员，他们毕业以来从实习到正职、从初级研究员到高级研究员都在龙旗，有着非常丰富的从业经验和深刻的行业洞察。 其中，F同学不仅仅是国内TOP2高校的本研、效力校队的板球大佬，还是目前龙旗西溪跑团的中流砥柱；C同学则是来自2023年QS排名前二高校的小姐姐，从学术到工作一直专注量化、潜心研究。不妨来听听，他们从不同视角、不同层次带来的量化观察和思考吧！ 对于量化行业，大家还有哪些问题，哪些疑惑？欢迎留言和我们交流，说不定，你的问题就会成为下期播客的主题！ 【精彩摘录】 01:01 F同学：“量化研究员的经典日常，就是读着paper挖着矿，你的工作状态会在产生想法以及论证猜想这两个阶段不停地反复。你需要广泛阅读paper、研报或者观察市场，产生一些想法，然后根据手头的数据去做因子，做模型，做回测，再去做改进。” 01:25 F同学：“作为研究员的话，相对来讲我们的工作安排是比较自由灵活的，在非交易时间，甚至可以去跑步健身，毕竟研究是一项持续性的工作，欲速则不达。” 01:44 C同学：“我来分早期和中后期，介绍一下日常的工作状态。其实我刚入职的时候，因为没有实盘相关的产出，最早一两年的研究是比较纯粹的，你可以把大部分的时间都专心在你的研究，不管是因子研究还是模型研究上。但后面一旦有了实盘产出之后，你的交易时间就时刻会关注实盘运行的状况，比如说你的因子是否在正常生成，你的信号是否在正常生成，包括如果你遇到了一些问题，可能是因为上游的一些数据或者基础架构出了问题，就会找上游的负责人去解决。其实目前实盘运行是比较稳定的，但比如说一些项目刚刚上线测试的时候，的确会有一些你意想不到的bug出现，所以这个时候可能你会花一些精力在这些实际运作的项目上。项目稳定之后，你还是可以把大部分的时间花在研究上。” 03:06 C同学：“其实我们在非交易时间，大家会有一些头脑风暴，因为可能工作了一天，大家也比较累，所以这个时候进行一些思想上的交流，大家分享一些自己的idea、近期研究遇到的瓶颈，这些其实挺好的。” 04:00 F同学：“量化跟学术的话，相同之处我觉得可能有许多，因为都是研究类的工作，都需要用客观科学的方法去不停地论证自己的猜想。我主要说几点我觉得不太一样的吧。” 04:14 F同学：“第一点就是数据导向。量化研究员会使用更加高频、海量的、真实的金融市场数据，这些数据往往都具有低信噪比、甚至非结构化的特点。所以你的研究产出与你的数据是紧密相关的，不管是你的数据质量，还是你怎么去处理这个数据。然而，学术研究经常都是在一些比较公开的数据集上做研究，这些数据往往会比较规整，所以你的成果往往跟你的模型本身更加相关一点。” 04:49 F同学：“第二点是研究的侧重点、还有评估标准不太一样。学术研究可能更多侧重解释一些后验的市场异象，而量化因为更加追求策略的盈利能力，所以我们往往侧重的是一些预测的问题。而且你的成功主要是由策略的客观盈利能力去评估，更精细更复杂的模型，它不一定能够盈利。但是学术成果的评估则会有挺多不一样的、见仁见智的一些标准。” 05:21 F同学：“最后一点的话想谈谈工作环境的不同。量化往往是需要一整个团队协力合作的，你可能在工作时候需要跟你的上下游的开发交易人员打交道，也包括团队内部的一些分工。然而学术研究的话，一般是在研究机构或者是实验室，人员跟环境其实相对来说更加简单一点。” 05:50 C同学：“我说说相同点吧。因为我一直是数学专业嘛，一直都在跟数据打交道，所以我觉得本质上来说，其实都是拿到一些数据，先对数据去做一些观察和分析，进而提出假设，最后运用一些比较基础的模型，也可能是公式推导，或者近年来发展比较快的一些AI领域的算法，用各种各样的工具去验证你的假设，不管你这个是证明还是证伪。我觉得从思维方式或者解决问题的方式来看，其实量化和学术是比较相似的。” 06:51 C同学：“另外一个相同点可能是，学校里面会有一些组会，不同的人做不同的方向，定期会有一些汇报，其实在我们公司也是，每周也会有一些例会，不同的人比如说做基本面、做另类、做高频，也会有不同的方向，也是定期会有一个汇报，了解一下大家都在做些什么。” 08:19 F同学：“量化研究的话，实际上是理论和实践非常紧密结合的工作，反馈是非常直接的。就你验证你的想法，可以通过回测再加上实盘表现快速得到一些反馈，这是学术研究和其他行业都不具备的一个特点。” 08:39 F同学：“第二点就是成就感，当你在茫茫多的数据里面找到一个能赚钱的逻辑，通过很长时间的一些工程上的实践，然后部署上实盘之后，获得了实盘的验证，在这个竞争非常激烈的市场，你能赚钱。再加上年终的时候，你能拿到你的年终奖，那个时候成就感就是非常强的。” 09:05 C同学：“我觉得量化的乐趣，在我看来是探寻市场的本质，就是我觉得整个市场是一个非常复杂的系统，因为它里面有各种各样的交易者，从机构投资者到非理性的散户，其实不同的人都有不同的交易逻辑，然后我们量化研究要做的工作就是拿不同的数据，这些数据就像不同的拼图一样，它来自于数据的方方面面，不管是最原始的交易所数据，还是一些另类或者财报分析师的数据，它们就像一块一块的拼图，拼凑成了市场的全貌。我们要做的工作其实就是把这些零散的信息组合起来，去探寻这些数据背后潜藏的交易逻辑，最终目标肯定还是希望能探寻市场的本质。” 11:06 F同学：“对于想要进入量化行业的同学们，我觉得一条比较经典的职业发展路线大概就是：先从初级研究员逐渐晋升为高级研究员，再到团队负责人，再到投资总监。在这个过程中，你发展的关键主要是积累丰富的研究经验，一定是要有能够盈利的研究成果。同时，如果对管理比较有兴趣的小伙伴，可以在这个过程中去积累自己的团队合作以及领导能力。最终目的的话，也能去做一个高级合伙人的角色。” 12:03 C同学：“我现在看来，未来的发展道路可能会分两种吧，有一种可能就是发展成一个独当一面的、比较成熟、比较全面的基金经理，这可能和公募也有点像，目前也会有很多公募转私募的非常出色的基金经理。然后我个人觉得其实还有一条路，可能算是术业有专攻，就是成为某一方面某一领域的专家吧。毕竟你的研究精力是有限的，不可能顾到所有数据的方方面面，我觉得如果你个人本身，比如对一些财报的数据感兴趣，或者就对一些order book、高频数据感兴趣，其实我觉得发展成专注于研究某一块数据的人，这样的研究员其实也算是一个发展方向。” 【未播花絮】 F同学：“听起来我好现实，为了挣钱的成就感。” C同学：“这个就很真实。”

量化投资，一个越来越多受到关注的小众行业，一个在“一片惨绿”的基金市场中依旧能有不错表现的神奇行业，一个招人门槛高上天、连连开出高薪offer和惊人年终的新兴行业。 相对于更为人所熟知的主观投资，依靠海量数据借助机器学习建模进行投资交易的量化，对于很多人来说可能还是一个“黑盒子”。为了让更多人了解量化，杭州龙旗科技开设了“龙小旗的量化分享”系列播客。每期我们都会邀请投研团队中经验丰富的量化从业者们，为大家带来关于量化的分享与解惑：关于量化你有什么问题，也欢迎随时留言提问——说不定就会在下期的播客中听到喔！ 本期是我们的第一期，“量化，是一个什么样的行业？”我们邀请到投研团队的两位优秀的研究员Y同学和T同学，Y同学本硕博均就读于北京大学，且曾经有过互联网大厂从业经历，后来选择来到量化；T同学则是浙江大学本硕博，毕业后即进入量化行业。他们将从不同视角为我们分享： 为什么会选择量化行业？ 量化有着哪些吸引人的特质？ 量化行业未来的发展前景如何？ 量化，到底是一个什么样的行业？ （废柴主持人第一次尝试播客，抱歉还不够专业，开头结尾部分都有些草率 ，我一定会努力改进哒！）但是两位同学的分享真的真的真的非常精彩，如果你想了解量化，千万不要错过呀！ 【精彩摘录】 00:28 T同学：“（炒股）就有的时候会亏钱嘛，就会想去了解如何更好地参与股票市场，然后逐渐地了解到可以去利用所谓的一些数理知识，去分析市场的数据，然后想办法更好参与买卖一些股票，了解到这些以后才更多地了解量化。” 00:55 T同学：“我个人还是比较喜欢做研究嘛，其实没有那么多的选择，要么就留学校做博后……我就了解到量化这个行业的话，有这样的一个环境吧，让大家可以比较自由地去做研究。” 01:41 T同学：“（从事量化）让我从学校出来的话，研究状态可以很快地无缝衔接。” 02:06 Y同学：“也是老韭菜，可能有十几年了吧。……知道有量化这一回事还是蛮早的，大概上学的时候，当时我们智能科学系里也有老师在尝试想做这方面，其实我那个组是比较偏数据挖掘的，我那个时候其实也给导师建议过，就说我们是不是也可以尝试做一些类似的。” 03:12 T同学：“我想起来就是行业内的话，比如两位大佬，他们其实也是从学界出来的吧。我觉得其实我可能更早会知道他们，一个是文艺复兴的西蒙斯，然后另外一个是D.E.Shaw，这两位的话，我觉得是两位非常有引领作用的前辈，可能会让很多在学校做研究的人看到，也可以把自己做研究的能力去投入到量化这个行业里。“ 04:23 Y同学：“觉得比较大的一个差别是，阿里那边可能是从业务端开始往后倒着推的，从业务到产品，从产品到算法。就是你所研究的内容跟方向，很大程度上是由业务来决定的，但是在这边的话，我们的研究可能相对来说比较自由一些，就是你哪个方向上能出成果，你就可以往这个方向去做研究。 ” 05:13 T同学：“研究环境比较自由，这是这个行业吸引我的一点。因为其实做研究它的产出，绝对不是在时间上均匀分布的，有的时候会突然灵光乍现，然后你就会一下子有很多产出。所以你在做研究的情况下，如果像我们做一般的业务那样，去设定一个固定时间点，你要达成什么样的KPI，我认为肯定做不好研究的，而我们公司是没有这样子。不管是老板或者团队，都不会要求你一定要在某个时间点研究出来什么东西，一旦说出这样的话，是肯定做不完研究的。那我们就OK，你往你感兴趣的方向，你去自由地探索，在这种情况下，只要大家努力去做，相信最后一定都会有好的研究结果。” 07:21 Y同学：“阿里说的最多的一句话就是，永远不变的就是变化，其实我们的变化是非常频繁，很有可能做了两个月这个事情，然后马上就会切换到别的事情上，这个是你所不能控制的，对于研究员来说，这个也是相对来说比较痛苦的，因为大家都知道做研究是需要投入很长一段时间的时间跟精力，才有可能出比较好的成果。目前在量化我觉得，研究环境就很好，你可以自己去做很多方面的探索，直到你觉得这个方向它的性价比很低。research嘛，就从英文上就可以看出，研究是要从不同的方向去做探索的，在量化行业，这个方向是你自己所能决定的。在这样一种宽松和自由的环境下，对研究人员来说是最友好的，以及最容易出成果的。” 09:15 T同学：“国内的量化仍然还有很长的路要走，虽然我们站在就目前这个环境下去看，肯定是比前几年竞争激烈得多，现在的超额也越来越难做。……一个新的研究员，进入这个行业想去做出一些新的东西，肯定是比以前难多了。但是我们横向去比较，和成熟市场去比较的话，我们国内的量化行业，我认为是还是处于比较早期的一个阶段，毕竟量化从进入国内到现在也只有大概十年多一点的时间。可能阿尔法环境还是要更加友好，然后我们其实投研方面的技术能力和国外也还是有差距的，从这点来看的话，其实也还是很有前景的，对于有志于这方面的一些小伙伴。” 11:32 Y同学：“我认为量化还是未来一个非常非常非常重要的方向。我跟朋友打的比喻是，我认为这有点像是冷兵器时代跟热兵器时代，就完全是工具层面上的一个革新。随着数据越来越及时、越来越公开透明，以及所有的东西的都可以被数据化，就不光是交易所的那些数据，就包括所谓的另类数据。对于个人来说，能够在短时间之内掌握大量的数据，并且摸清其中的规律，就已经不是巴菲特那个年代就读一读财报什么就可以完成的，我们现在所读的财报可能只是我们所有数据源的极其一小部分，所以我觉得量化行业在未来肯定还会有非常大的一个发展。” 12:50 T同学：“量化不仅仅说是去挑战已有的存量市场，因为主观和量化是完全不同的投资理念，量化不是挑战像主观这样的存量，其实还有很重要的是中国的财富管理的规模在越来越大，即使是我们以目前的这种格局来看，量化未来所要去管理的资金，以及这个行业的规模，它必然都是会不断的增长。” 13:50 T同学：“我倒不觉得说量化是一个完全黑箱的东西，因为其实量化的基本原理还是比较清晰的。主观可能是基于一些知识的积累、对于行业的理解，从一些基本面的角度、行业发展的角度去判断一个股票它是好还是不好，然后量化无非同样的，只不过它不仅仅是从所谓的基本面数据，还会加入一些技术流派的观察——价格、交易量的变化，把这样的信息全部综合起来，其实我觉得原理都是一样。然后做出决策的，从人变成了一个我们构建的决策模型，其实我觉得并不能说它就是一个黑箱的东西。”