超算“萤火一号”出炉，为量化投资插上AI的翅膀

证券之星：能否简单介绍一下您的量化投资策略?

陆政哲：幻方团队从2008年开始尝试应用人工智能的工具做量化投资，于2015年正式成立了幻方量化。至今管理规模超200亿，团队人数在120人左右，在国内量化乃至整个私募领域都是很大的团队。

量化策略本质上是依靠数学和计算机的工具来进行的投资策略。幻方量化不同于很多传统量化机构的是整个投资框架策略开发的流程，是基于人工智能，或者说神经网络训练的基础模型来延展开发。所以我们将自己定义成一家依靠人工智能来做量化投资的机构。

幻方依托前沿的人工智能理论框架，基于强大的算力与高质量的数据，融合多周期市场信息与基本面信息，以神经网络为核心训练模型，预测市场标的的价格变化，优化策略组合收益风险比，扩大量化策略容量。在统一的策略架构下进行多策略的有机叠加。

证券之星：今年疫情下，桥水的Pure Alpha基金一度大幅回撤，有些人认为这是风险平价模型下不同类别资产被同向抛售导致的，您如何看待这个问题？

陆政哲：投资本质上是经验主义的，风险平价模型也是基于各类资产历史相关性构建投资组合。在极端黑天鹅事件冲击下，市场避险情绪极度上升，产生流动性风险，出现全面抛售，在短期内极大扭曲了资产价格关系，直接冲击模型。

长期而言，不同资产之间价格关系会逐渐回归，大部分比较成熟的投资机构的策略有效性也会随着时间逐渐回归。从较长的维度来看，机构需要对此类小概率尾部风险的冲击做好充足准备，进一步加强对金融基本面的推演研究，使用金融衍生品工具去做风险管控，在未来一定程度上避免此类损失。

证券之星：疫情对国际经济的冲击很大，从最近巴菲特和达里奥发表言论的态度上看，并不乐观，您如何看待当前国际形势下的资产配置机会？哪类资产需要小心？哪类资产值得加码？

陆政哲：大类配置方面我们并不专业，略有陋见，抛砖引玉。我认为本次疫情对于国际经济的冲击可以分为两阶。

一阶是对于整个经济活动的直接冲击。疫情导致全球主要经济体的经济运行在短期内暂停。这对于原本就脆弱的世界经济产生了直接的冲击和挑战，各经济体的资产负债表迅速恶化。

二阶便是给潜在的国际政治经济格局的带来了更大的不确定性。特别是可能加剧以中美为代表的主要经济体之间政治经济层面的摩擦。

在此背景下，经济基本面经营状况恶化，投资者风险偏好降低，风险资产总体都会面临压力。

同时伴随着疫情，全球的货币环境宽松加剧。因而未来的一个相对确定性主题便是抗通胀类资产，其会在一个相当长的时间内保持强劲的态势。

证券之星：量化策略注重回撤的控制，您是如何做到兼顾收益与回撤控制的？

陆政哲：量化策略也可以细分为大类资产，套利策略，阿尔法策略，商品期货策略等，不同策略之间的风险特性也存在较大差别。

我们比较熟悉的是阿尔法策略，其本质上是通过选取在市场中表现更好的股票来战胜市场，同时通过一系列的衍生工具去对冲市场风险。对于阿尔法策略产品而言，其相对比较稳定的收益主要来源两个方面，一是优秀的机构可以去挖掘更好的阿尔法，即超越市场表现的超额收益，一般通过基本面或者技术面的手段去找到市场中涨幅更大的股票来实现。二是风险对冲工具的应用，采用股指期货，融券，期权，场外互换等风险管控工具对冲相应的系统性风险从而构建较为平稳的收益水平。

极端行情下，市场风格轮动快，会在一个相对较短的时间周期内对策略造成一定的压力。对于量化策略的挑战无非就是极端的市场结构性变化，产生了一些基于历史数据无法判断的情况，但是长期来看，稳健的量化策略还是能够保持一个比较好的水平。

证券之星：您的投资策略经过这次疫情后是否有做一些改变和优化？

陆政哲：对于量化投资而言，策略的开发迭代是始终在进行的，并不会因为外部的环境变化而改变投资策略，我们更关注的是通过数据的分析处理，研究这个市场中投资者的交易行为所带来的价格以及成交量的变化，这些因素在较长的一个时间维度内都是比较稳定的。

我们面对外部冲击的方式的方式无非不断迭代，升级，开发新的策略，我们研究团队一直在做的就是这个事，有好的策略，都会经历实盘检验后迭代进去的，所以我们的产品模型是在动态变化的。

证券之星：幻方量化历时两年自建的新一代AI超级计算机“萤火一号”已经投入运行，这对于量化投资未来的发展是否是一个新的方向？

陆政哲：其实这是每个机构都在探索的一个问题，我们认为未来发展的路径可以有很多种，其中一方面需要掌握并输入更多的信息，不仅需要在行情数据中记录相关的技术面数据，还需要推演更多的基本面数据去丰满整个模型，未来量化策略的其中一个方向就是基本面的量化。

另一种途径便是偏技术的路径，用AI模型来统摄整个策略开发体系，它本质上代表了技术方法论的一种信仰或者信念；我们现在建立一个超级计算集群，来支持复杂的神经网络的训练和开发，本质上也代表了技术的路径，即通过人工智能机器的学习，通过对海量历史数据的分析解读，得到一些相应的经验和规律，从而指导交易。

在上述框架下中：

第一：需要数量庞大且优质的数据。
第二：需要更好更完善的模型，更强的模型开发团队，算法开发团队的构建能力的支撑。
第三：需要更强大的算力，去驾驭一个更好的模型。目前传统计算机算力无法支撑一些较为复杂模型的运转。

满足条件后可以通过整体的数据加算力，再叠加算法模型的框架，去把握目前已有的投资机构无法把握的收益空间，这是我们现在正在做的一些事情。