當深刻體悟到自身的局限，我們寄望于科技來探索未知，只是大多數人還心存疑惑：量化的邊界在哪里？AI能幫助主動投資飛多高？多遠？沒有現成的答案。但李子昂和泓德基金的AI Lab團隊，正不斷嘗試著尋找更好的方向。
人生是曠野，而不是軌道。投資亦如是。2023年，太多市場參與者迷失在這片曠野上。
當深刻體悟到自身的局限，我們寄望于科技來探索未知，只是大多數人還心存疑惑：量化的邊界在哪里？AI能幫助主動投資飛多高？多遠？
沒有現成的答案。但李子昂和泓德基金的AI Lab團隊，正不斷嘗試著尋找更好的方向。
從線性到非線性 量化投資拓展邊界
國際象棋中的深藍、圍棋中完勝國手的阿爾法狗......一想到AI，這些激動人心的應用讓人浮想聯翩。
落實到量化領域，AI的加入究竟能在多大程度上賦能投資？對此，泓德基金AI Lab負責人李子昂表示，從線性到非線性，AI的加入使量化投資加快更新迭代，呈現出一個百花齊放的狀態。
“量化的本質核心其實是基于統計規律去做投資，其實主動投資也是結合歷史形成對未來的預期和判斷。”李子昂解讀道，“我們在海量數據里尋找未來能夠賺錢的一些規律，然后再根據這些規律去做投資”。
李子昂講述，一開始，常用的量化模型都是偏線性的多因子模型，通過不同的維度來尋找一些有賺錢效應的因子，到后來，人們發現一些看似和股市無關的信息也可以拿來建模，市場好像也并不完全是依照線性思維來運作，人們就開始引入一些非線性的數據，比如天氣對股市的影響、基金經理顏值與投資回報的關系等等，各種各樣非結構化的數據都可以通過AI方式去學習，尋找可能產生超額收益的因子。
“從線性到非線性，我們所做的無非是更好地認知世界，探索市場的未知。”李子昂表示，“有了AI的加入，現在很多模型已經能夠產生相對穩定的超額收益，但是目前還遠遠沒有達到最好的效果。如果有一天AI真正具備了智能，能夠像人一樣做決策或者是自己去設計自己的模型，世界又是另外一個樣子。但在現階段，AI背后體現的還是人的智慧，所以我們要不斷激發靈感迭代模型，戰勝過去的自己”。
從集中到分散 超額收益有待挖掘
量化投資得以重歸投資者視野，基于特定的市場環境。
2023年以來，集中押注、賽道投資的方法在持續調整和極致輪動中遭遇重挫，Beta的缺失拖累了大多數主動權益基金的表現。在市場風格重歸混沌之際，以分散為特征、著重挖掘市場Alpha的量化投資卻找到了適合發展的土壤，走出了獨立于市場的表現。
由此也帶來兩個問題：一是量化的超額收益會否隨著市場風格變化而減少？二是怎樣才能在AI量化中脫穎而出？對此，李子昂有著清晰的認知。
“通過數據回測，我們可以發現在震蕩市中，AI量化通常有不錯的超額收益，但也有一定的例外情況：比如極致的上漲市，由于Beta因子的過度體現，或者上漲個股過度集中，使得以分散投資為核心的量化階段性失效；二是在市場流動性相對比較差的時候，也會給AI量化帶來一定的挑戰；三是當策略的迭代出現放緩、同質化策略越來越多的時候，超額收益也會有所下降。”
也正因為這樣，想要在AI量化中脫穎而出，對基金經理提出了更高的要求。
“真正讓我們的模型不斷保持先進性的原因只有一個，就是要不斷地去迭代模型，讓模型能夠更好地去學習到市場的規律。所以，任何時候都要努力去做新的、更好的模型，才能夠在一定程度上抵御這些模型的失效。”李子昂表示。
從現在到未來 創新激發更多可能
從美國哥倫比亞大學理學碩士到證券投資行業，從量化研究員到泓德AI Lab負責人，擁有10年證券從業經驗、9年投研經驗的李子昂有幸遇上了一個AI量化蓬勃發展的時代，能夠充分施展所長。
“我們的AI Lab建立得比較早，一開始是基于研究的目的，想引入市場上AI的先進技術賦能投研，現在的邏輯是去做AI的選股。”李子昂表示，具體而言，通過深度神經網絡挖掘高頻量價中的Alpha特征，用深度學習方式實現傳統模型因子挖掘和因子合成的過程，從而更好地提取高頻特征中隱含的Alpha。
“既然名為Lab，我們更多希望整個團隊是一個研究型的團隊，能夠做一些創新的東西出來。做好AI投資一定要同時具備科研精神和工程能力，保持研究的熱情對團隊成員來說非常重要。”
當下投資者應當怎樣去選擇量化產品？或者選擇量化團隊？李子昂表示，如果現在這個時間點去做量化投資，有兩點值得重視：
“一是投資者對于beta端的認可。例如，當前中證500指數的估值分位不到30%。未來如果有一輪牛市，beta端的收益可能相對可觀；二是alpha端，投資者要去考察哪些模型和方法論適合做alpha，這件事情是相對比較重要的事情。選擇量化團隊也要看其實現alpha的能力，剔除行業收益和風格收益之外，純alpha的收益到底是多少，這也是量化團隊之間差異和優勢所在。”