股票 
板块 
用户 
资讯 融光聚存，向新而行
——中信证券2027年资本市场策略会
CITICS Capital Market Strategy Conference 2027
中信证券2027年资本市场策略会于2026年11月3日在武汉开幕，会议以“融光聚存 向新而行”为主题，汇聚百余位重磅嘉宾和各界领军人物，千余家备受市场关注的上市公司，来自海内外的众多专业投资者，围绕宏观经济、资本市场走势、国际格局及各大赛道投资热点议题展开深度探讨。以下为11月4日“分会场6：如何直面和适应量化”嘉宾精彩观点分享：
如何直面和适应量化
分会场6
主观洞察与量化模型的协同创新
高俊杰 玄元投资权益研究总监
市场变化与投资范式的约束
讨论主观研究与量化模型的融合，首先需要认识市场结构的变化。根据上市公司股东资料、基金季报及协会报告测算，截至2026年二季度末，个人投资者约持有A股流通市值的35%，境内专业机构约占19.4%，外资约占4.4%，一般法人约占41.2%。个人投资者的持股占比较一季度上升约1.91%。机构规模持续扩大，但个人投资者并未离场，市场参与者仍然多元。
量化投资面临的第一项约束是超额收益衰减与策略容量。Wind数据显示，沪深300、中证500和中证1000指数增强产品的超额收益中位数，2020年分别为15.62、14.28和18.64，2024年分别降至1.44、2.55和4.70；2026年上半年分别为3.24、-1.26和3.85。不同期间的数据不能简单线性比较，但历史较高的超额收益越来越难以复制。管理规模扩张后，策略还需要同时考虑容量、交易成本和新增有效因子的来源。
第二项约束是策略同质化与交易拥挤。相似的数据、模型和风险暴露，可能使交易信号在相近时点转向，进而放大市场波动。这并非量化策略独有的问题。随着人工智能工具普及，主观投资人获取信息、开展复盘和形成初步判断的方式也更加相似。数据来源、研究框架和独立验证能力，将成为区分研究质量的重要因素。
第三项约束是结构变化时的模型适应能力。产业技术发生跃迁，或政策、国际贸易环境出现重大变化时，历史样本未必覆盖新的情景，模型可能滞后于产业现实。以出口相关行业为例，贸易关系及退税政策的变化可能影响企业经营，仅靠历史回测难以充分刻画。人工智能和非线性工具可以提高处理新闻、文本等信息的速度，但对真实供需变化的判断仍需要扎实的产业研究。玄元投资的主观团队长期以景气趋势和供需框架开展研究，正好在这一环节提供了与量化团队互补的稀缺能力。
主观投资同样存在边界。行业、公司及高频信息持续增加，研究人员很难同时兼顾覆盖广度和分析深度。更关键的是，如何对信息分层、确定权重，并将其与产业供需判断结合。经历过多轮产业和市场周期的研究人员，所形成的研究框架仍具有稀缺性；技术工具应帮助他们处理基础信息和监测工作，使人能够把精力集中在关键判断上。
监管规则的完善也在改变竞争条件。从报告义务到交易接入和交易行为管理，量化机构面临的要求更加明确。交易规则趋于公平，并不意味着机构之间的数据、模型、执行和风控能力相同。面对超额收益衰减，管理人需要同时提高研究质量、控制交易成本，并使模型与风险管理保持一致。
主观团队同样可以借助量化工具缓解研究覆盖的压力。自动化系统适合完成资料筛选、指标监测和初步比较，帮助研究员在大量信息中确定优先级；对关键产业变化的解释、假设的建立与证伪，仍要由具备经验的研究人员完成。量化复盘还可以更客观地检查研究观点、仓位和组合结果之间的偏差。
主观研究与量化方法的互补
主观与量化的互补可以贯穿投资流程。在机会识别阶段，主观研究通过产业供需、政策变化和技术路线寻找前瞻性线索；量化模型则进行更广范围的扫描、异常监测及信号比较。到了信号形成阶段，研究人员提出经济逻辑和失效条件，模型将其标准化，并检验历史及样本外表现。
在组合构建阶段，主观团队提供行业景气和主题生命周期判断，量化团队负责选股评分、多因子模型、约束求解及交易成本控制。风险复盘则需要两者共同参与：主观研究明确乐观、中性、悲观情景及关键假设；量化系统监测风险暴露，开展收益归因，复核执行是否偏离原定约束。研究判断与交易纪律由此形成互相校验的关系。
融合的前提是明确各自的职责，并建立信任。量化投资以分散持股和统计规律为基础，主观投资则可能重点研究少数行业或公司的特殊机会。后者眼中的关键机会，在统计模型中可能只是需要处理的离群值。两种方法各有适用范围，不宜简单拼接或互相替代。只有能够理解彼此的信号、边界和失效条件，协同才可能稳定运行。
目前市场上的融合实践有不同层次。工具层可以用量化方法支持估值、选股、风险和交易分析；信号层将主观逻辑转化为可验证因子；决策层明确人和模型在研究、检验及组合构建中的分工；组织层则要求两类团队共享研究平台、持续反馈。不同机构可以从自身资源和产品定位出发选择路径，不能简单认定某一层次必然优于其他层次。
以公开资料中的机构实践为例，有的团队将研报评级、价格反应和组合约束结合，用模型提供一致的筛选标准；有的将基本面、量价和深度学习信号组合，以降低对单一超额来源的依赖；还有机构把数据、模型与投资人员的专业判断贯穿研究和风险预算流程。这些案例说明，融合的关键是让不同方法在同一流程中承担明确任务，而非不断增加指标数量。
玄元投资的协同实践与建议
玄元投资的“超融合”产品以量化选股、多因子模型和相应风控机制为基础，主观研究重点提供行业和主题两个层面的增强。出现明确的产业趋势时，研究团队识别供需最紧张的环节及相关优质公司；进入主题投资阶段，则评估题材的规模、延续性和验证信号。产品仍保持量化选股的基本特征，主观观点主要通过行业层面的风险暴露表达，而不是要求量化团队集中买入某只个股。
这一安排依赖清晰的权责划分。主观团队提供供需框架下的行业与主题判断，量化团队负责个股选择、交易执行和风险控制。即使研究人员对某家公司十分看好，也不能因此越过模型约束、直接规定持仓比例。不同策略信号需要交叉验证，团队还应事先明确共识依据和反证条件，并通过固定沟通机制与研究中台持续反馈。
开展协同的第一步是建设可靠的数据基础，包括统一版本和标签，避免混用不可复现的数据以及回溯时的“后视镜”问题。其次，应重塑研究、授权、执行和复盘流程，明确各环节的责任与失效条件。组织管理上，还需分析主观与量化各自的贡献，建立与协作方式相匹配的考核机制。最后，风险管理应贯穿产品设计和日常复盘，而不是仅在交易结束后补充检查。
我认为，主观与量化将进一步协同，但不同机构不必采用同一种形式。团队能力、产品定位、资金期限和风险承受能力各不相同，适合的融合方式也会不同。长期竞争力来自产业理解、模型能力、组织协作和风险纪律的共同支撑。
玄元投资的主观研究以行业景气和供需变化为核心，覆盖新能源、科技、高端制造、大消费、医药及宏观周期等领域。团队将基本面趋势、价值成长和量价情绪作为不同的研究视角：前者识别行业景气，中者寻找趋势中的优质公司，后者观察市场交易状态及主题投资的适用条件。当多个视角形成共振时，研究判断的信心才会提高。
人工智能已用于团队的数据清洗、信息跟踪和研究辅助，但现场调研与产业验证仍不可缺少。公开信息传播迅速，观点容易趋同；深入企业与产业链，核对供需变化的原始事实，反而更加重要。研究中台则负责把晨会和研究员观点整理为可追溯的资料，供主观和量化团队交流、更新和检验。
铜、储能材料和光通信等历史研究案例说明供需框架如何形成行业判断，而非保证相同机会会再次出现。产业线索必须与市场状态、模型信号和风险约束共同验证；历史案例也不能等同于产品未来收益。
协同并非要求两个团队形成完全一致的研究方式。主观研究可能重视产业变化中的少数关键公司，量化模型则需要控制单一标的对整体组合的影响。研究中台的作用，是让双方能够定期交换观点、检验信号，并在产品目标和风控框架内形成可以执行的方案。
最终，产品设计仍要与资金期限相匹配。公募与私募在投资约束、流动性和客户预期上各有差异，融合方式不可能只有一个最优解。组织需要明确自身优势，选择可以长期维护、持续复盘的流程。
组合管理对主动投资的意义
邓宇林 中信证券组合策略首席分析师
主动投资与组合管理的现实问题
主动投资具有长期价值。从历史统计看，部分股票基金能够以相对较低的波动取得较高收益。但从投资者购买产品的角度看，难点在于业绩延续性：基金经理过去表现出色，并不能可靠地预示未来一年或数年的结果。研究中，前一年与后一年的产品业绩相关性较弱，曾位居前列的产品，随后排名也可能大幅变化。这使投资者难以仅凭历史排名选择产品，也给资产管理机构的长期资金管理带来挑战。
组合管理可以帮助主动投资更清楚地认识收益来源。我们观察长期业绩较好、年度表现也较稳定的管理人，发现很少有人能够同时在风格、行业和个股三个维度作出高度集中的押注，并长期保持较好结果。较常见的做法是：在有研究优势的行业和公司上适度集中，但在风格维度保留一定分散度。
例如，一位管理人可能持有约四五十只股票，集中于少数熟悉的行业；这些行业却未必全部属于成长或价值同一种风格，而可能同时覆盖科技、红利等不同方向。这并不意味着放弃主动判断，而是避免把多个维度的风险叠加到同一个市场情景上。组合管理的作用，是把主动研究的优势转化为可持续的产品表现。
主动产品的收益往往同时包含市场、风格、行业和个股等多种来源。若把市场上涨时的收益全部视为选股能力，或把风格变化带来的回撤全部归因于研究失误，都会妨碍下一步决策。我们希望通过组合分析区分Beta与Alpha，让管理人知道哪些风险是主动承担的，哪些只是未被识别的暴露。
对投资者来说，稳定性不仅关系净值，也关系持有体验和资金期限。产品即使长期收益较好，若中途排名和回撤波动过大，投资者仍可能在不合适的时点买入或赎回。因此，主动投资的价值需要通过可理解、可管理的组合表现传递给持有人。
这种组合分析也有助于改善沟通。管理人可以向持有人说明，哪些收益来自所研究公司的基本面兑现，哪些来自市场或风格变化；同时说明为控制回撤而保留的分散配置。这样，产品定位、投资方法与实际持仓之间才能保持一致。
历史排名和短期收益只能作为评价起点。选择管理人时，还应检查其收益来源是否清楚、风格是否稳定，以及遭遇不利市场时是否仍能遵守既定的组合约束。
偏离约束与风险控制
风格偏离需要有明确边界。根据相关研究，我们提出过将单一风格相对基准的偏离上限控制在约20个百分点的参考做法。以质量风格在沪深300中的权重为例，若基准约为三分之一，继续大幅超配，就可能使组合在单一风格上接近半仓。管理人即使坚定看好某种风格，也需要评估集中暴露带来的回撤风险。这一数值并非适用于所有产品的统一规则，具体约束仍要结合策略定位。
波动率也是重要的组合指标。传统上常把更高的风险与更高的收益联系在一起，但观察主动权益产品时，收益与波动率并未呈现简单的正向关系。若改用夏普比率衡量，高风险调整后收益的产品往往具有更好的波动和回撤控制。仅以“承担更大波动换取更高收益”解释权益投资，容易忽视波动本身对投资体验及长期复利的损害。
我们将权益市场的不同时段按波动率而非时间顺序排列后发现，低波动阶段的累计收益相对平稳；波动率升高后，价格大涨大跌交替出现，而极高波动阶段更容易伴随明显回撤。这一观察提示，投资者不必把持续暴露于所有市场环境视为唯一选择。风险管理可以利用较简单的定量指标，帮助主观投资判断何时应降低风险、何时可以重新参与。
权益市场的收益机会大致存在两类典型情景：一类是低波动环境下较持续的上涨，另一类是高波动下跌后的快速反转。后一类机会往往来得很快，也伴随较高风险，因此不能把“暴跌后买入”理解为无条件抄底。更重要的是识别波动状态的变化，并让仓位安排与研究判断、风险承受能力相匹配。
偏离约束不能机械地解释为“不许表达观点”。管理人仍可在有把握的行业和公司上集中研究，只是需要意识到风格、行业和个股可能指向同一种风险。如果三个维度同时高度集中，市场环境一旦改变，组合便缺少缓冲。历史上表现较稳定的管理人，通常会在部分维度上主动保留分散。
波动率研究还有一个直观含义：市场并非在波动最大的时候提供最多的可实现收益。高波动阶段可能出现快速反弹，但也常伴随连续下跌；仅凭涨跌幅判断机会，容易忽略路径风险。低波动阶段虽然单日涨幅不显著，持续性却可能使累计结果更稳定。
这些结论来自历史样本，并不意味着低波动时应无条件买入、高波动时应一律退出。宏观环境、估值、产业趋势和产品约束仍需一并考虑。定量工具更适合提供统一的观察尺度，提醒管理人识别风险状态，而不是替代其全部投资判断。
在风格和行业偏离的比较中，风格方向的错误对净值的影响往往更明显。极端押注某一风格可能提高少数情景下的收益，但胜率下降，过度偏离后连预期收益也未必继续改善。行业超配或低配固然重要，却不能掩盖组合在成长、价值、质量等风格上的集中风险。
我们还做过一个用于说明问题的历史情景实验：不改变管理人所选股票，仅把超出约束的单一风格仓位适度转入宽基资产。研究中的整体收益分布因而有所改善，左侧极端亏损收敛。这是基于历史样本的模拟，并非实盘收益承诺；它表明适当的组合约束可以改善持有体验，而无需否定基金经理的选股能力。
对权益资产按波动率分组的研究显示，较高波动并未稳定对应较高收益。高波动常在市场快速调整时出现，投资者即使判断最终方向正确，也可能因途中回撤过大而无法坚持。把波动与回撤纳入管理目标，是为了让投资策略能够被长期执行。
趋势参与与主观量化融合
投资人不可能精通每个行业，也不必为了参与一轮趋势而完全改变自己的研究框架。对于能力圈之外、但市场表现显著的方向，可以借助相对简单的量化规则，以有限仓位参与，而不必在陌生产业上作出高度集中的主观押注。
一种做法是在追踪行业或ETF动量的同时，加入波动率约束：选择趋势较强、但波动不过高的标的，按固定周期调整。相关示例显示，与只追逐涨幅相比，适度考虑波动后，收益和风险表现可以改善。规则的价值不在某个参数本身，而在“参与稳健趋势、避免盲目追高”的原则。它不能保证每月获利，却有助于在较大趋势出现时保持参与，同时控制极端亏损的概率。
主观与量化结合，关键是厘清不同收益来源。主观研究擅长寻找产业和公司的超额机会，量化工具可以帮助管理风格、市场暴露和执行纪律。连接两者，需要能够理解双方语言与约束的研究框架，使组合既保留主动投资的判断力，也具备可检验、可复盘的风险管理机制。
相关示例以行业或ETF为观察对象，定期比较趋势和波动。若只追逐近期涨幅，组合可能在过热阶段承受较大回撤；若完全回避波动，又可能错过权益市场的主要趋势。把两者结合，是在参与收益机会与控制持有体验之间寻找平衡。
这种方法尤其适合研究能力圈明确的管理人：对熟悉的公司仍可以开展深度研究，对其他领域则通过规则化工具获得有限、可控的参与。规则也需要事先确定调整频率、风险上限与失效条件，并接受样本外检验。主观与量化的“翻译”不是把一个模型结果直接交给基金经理，而是把投资意图转化为能够执行和复盘的组合语言。
月度动量示例还揭示了另一个问题：只购买当月涨幅最高的行业或ETF，容易在价格已充分反映乐观预期时进入。加入波动约束后，仍保留对趋势的参与，但回避涨幅很大、价格起伏也极端的方向。它关注的不是抓住每一段最快上涨，而是提高趋势收益的可持有性。
策略的收益分布应与投资者预期相适应。没有明确趋势的月份，规则化方法可能只是小幅盈亏；较大趋势出现时，它力求保持在场；市场快速反转时，风险约束则用于控制左侧损失。对主观管理人而言，这比在不熟悉的行业中临时追逐热门标的更易解释和复盘。
公募私募量化的行业发展与策略演进
唐栋国 中信证券金融产品首席分析师
行业规模与竞争格局
公募与私募量化近年均有发展，但规模、产品结构和行业集中度存在明显差异。截至2026年三季度末，公募量化基金规模约5400亿元，占公募权益基金约6.5%；受市场回撤影响，较二季度规模有所降低。2026年9月末私募量化管理人的规模估算约为3.4万亿元，体量明显高于公募量化。
公募量化行业仍处于格局重塑阶段。规模达到百亿元的公募量化机构约有17家，但行业规模并未持续向少数头部机构集中。自2018年以来，集中度总体下行；从2025年四季度开始，则出现一定程度的回升。一些机构尝试迭代策略，使公募量化产品呈现更丰富的特征，也为不便配置私募产品的资金提供了其他选择。
私募量化的集中度相对更高。规模在50亿元以上的管理人合计约2.5万亿元，约占私募量化行业规模的75%，高于证券类私募行业相同规模分组约71%的占比。量化策略依赖数据、算力、人才和交易基础设施，持续投入较大；头部机构在策略储备、品牌和工程能力方面更容易形成壁垒。公募与私募量化的竞争方式因此不能简单类比。
公募量化以指数增强和量化选股等股票多头产品为主，策略结构相对集中；私募量化的产品类型更加丰富，还包括市场中性、CTA等策略。这种结构差异会影响规模比较，也影响机构资金对收益和风险的预期。
行业规模扩张并不自动带来更高收益。资金进入后，管理人需要增加策略储备、改善执行能力，并控制同类信号的拥挤。对规模较小的机构而言，差异化研究可能创造机会，但也要面对基础设施投入和产品持续经营的压力。
从发行端看，虽然公募量化在公募权益基金中的绝对占比仍不高，但近年相关产品发行占比波动上升，反映管理人布局和持有人需求都在变化。公募机构在指数增强领域布局较充分，也开始重视量化选股产品；私募量化则以股票多头产品为主要发行方向，并探索容量更大的组合结构。
业绩表现与容量约束
业绩表现也需要区分公募与私募。截至2026年9月30日，公募沪深300、中证500、中证1000指数增强产品2026年累计超额收益较过去三年同期平均均有所改善；私募指数增强产品则普遍低于过去三年同期。自2025年9月至2026年上半年，私募量化总体面临较困难的市场环境。
一个值得关注的现象是成交向少数股票集中。自2025年9月起，成交额最高的约5%个股，在部分时段占全市场成交的40%以上，最高接近53%。当成交结构高度集中，量化策略获取分散超额收益会更加困难。随着交易重新扩散，短期超额可能获得一定支撑；但这一变化并不意味着长期容量约束已经消失。
从更长时期看，资金持续流入、策略规模扩大及交易监管趋于规范，都可能压低超额收益中枢。配置量化产品时，宜从组合角度考虑不同策略的相关性和风险来源。市场中性、CTA以及非量化资产管理策略，可以作为分散高波动市场风险的研究方向，但具体配置仍取决于资金目标和约束。
规模与超额收益之间的关系值得持续跟踪。对管理人分组观察，较大规模机构的月度超额收益在一些阶段相对较低，提示策略容量可能形成约束；但不能仅凭规模判断单只产品未来表现。公募产品还受合同条款、持仓范围和风险暴露约束，不同产品之间需要按可比口径分析。
量化策略之间的相关性同样影响组合风险。若多只产品使用相近的数据和模型，名义上分散配置，实际风险仍可能集中。研究中需要比较超额收益的相关性、市场环境下的回撤以及交易拥挤度，而不能只依据管理人数量判断分散程度。
市场中性产品需考虑股指期货基差、对冲成本和资金使用效率。即使股票组合取得超额收益，股指期货的贴水也可能侵蚀最终回报；因此，比较市场中性产品时，应同时查看股票端超额收益、对冲成本和交易冲击，而非只看表面超额。CTA表现与商品波动和趋势环境关系密切，在缺乏持续趋势时也可能承压。不同策略各有适用条件，配置的目的在于提高整体组合的稳健性，而不是期待某一策略持续提供稳定超额。
从已监测产品的超额收益相关性看，公募和私募量化目前仍低于2024年2月的高相关阶段。这为判断系统性拥挤风险提供了一个参考，但相关性会随市场环境变化，不能据此排除后续风险。
量化策略的演进方向
国内量化投资经历了工具、制度和模型共同推动的演进。早期公募量化基金引入系统化理念，但对冲工具有限，收益较依赖市场Beta。2010年前后股指期货推出，多因子与市场中性等方法逐渐建立。此后行业经历市场波动与策略出清，机器学习、融券及对冲工具的发展，又推动私募量化进入机构化、规模化阶段。近年程序化交易监管规则逐步完善，行业更重视公平交易、交易约束和模型迭代。
当前私募量化策略的变化可概括为多策略、全周期和新模型。多策略是将不同股票范围、预测期限和优化目标下形成的子模型组合起来，以减少对单一信号的依赖，并适应规模扩张后的容量要求。多策略不仅指在股票内部组合不同子模型，也包括将股票多头、市场中性、CTA等相关性较低的策略放在更大的产品框架中管理。不同资产类别及不同风险水平的策略，也可以在产品层面形成互补。其收益目标、波动水平与资金容量不同，组合时需要明确各自承担的作用，避免将策略数量增加误认为风险自然下降。
全周期是将预测从较短的日内区间拓展至日度、周度、月度乃至更长周期，再对不同期限的模型进行整合与优化。这样做有助于覆盖更多收益来源，但也增加了信号整合、组合构建和风险管理的难度。
新模型中，端到端方法受到较多关注。传统多因子和机器学习方法通常先构建特征，再评估其预测能力；端到端方法尝试减少人工设计中间环节，由模型直接从原始数据学习并形成组合，相比显式因子框架，更依赖数据质量、算力和样本外检验；对数据、算力及可解释性提出更高要求。按调研观察，大型管理人多处于尝试阶段，投入比例仍相对有限；不同机构的采用程度也有差异。对规模较大的机构而言，逐步试验、控制投入比例，并与既有策略比较，是更审慎的实践方式。行业竞争正从单纯的速度优势，转向数据、模型、工程能力与风控体系的综合竞争。
全周期模型则要求对不同预测期限的信号进行统一管理。日内信息可能对交易执行更敏感，月度信息可能更接近基本面变化；将它们直接相加并不一定有效，还需考虑信号冲突、换手率和成本。模型创新应与数据工程、组合优化及风控同步推进。
行业规模扩大之后，管理人需关注不同子模型在同一市场情景下是否同时失效。增加模型数量并不等于真正分散；只有预测期限、收益逻辑和风险来源存在差别，组合才可能获得更稳定的表现。模型表现应持续通过样本外数据和实盘成本检验。技术进步使模型开发更快，也使相似方法更容易扩散。因此，机构不能仅靠引入新算法建立壁垒，还要在数据治理、交易执行、风险预算和研究反馈之间形成闭环。产品发行和规模管理也应与策略容量相匹配。若资金增长快于有效信号和交易能力的扩展，新增资金可能稀释原有超额收益；这要求管理人持续检验容量假设，并及时调整产品结构。
圆桌讨论：AI量化在国内外投研中的挑战与机会
主持人：
唐栋国 中信证券金融产品首席分析师
嘉 宾：
朱红裕 招商基金首席投资官
黎海威 景顺长城基金副总经理、量化及指数投资部总经理
许文星 中欧基金多资产投决会委员、解决方案组投资总监
唐小东 南方基金宏观策略部联席总经理
曹 倩 同温层基金研究总监
朱红裕
招商基金首席投资官
清华大学工学硕士，曾任职于华夏证券、银河基金、华安基金、国投瑞银基金、红杉资本中国基金和招银理财，现任招商基金首席投资官，分管权益研究、投资、多元策略和国际业务。
黎海威
景顺长城基金副总经理、量化及指数投资部总经理
景顺长城基金副总经理，CFA，武汉大学经济学学士，美国罗德岛大学资源经济学及密歇根大学金融工程学硕士，具有23年海内外证券、基金行业从业经验和19年投资经验。曾担任美国穆迪KMV公司研究员，香港海通国际资产管理有限公司量化总监，曾在美国贝莱德集团（原巴克莱国际投资管理有限公司）主动股票投资部工作7年，任基金经理、副总裁，负责开发亚洲和新兴市场特别是中国相关市场的模型并管理相关基金。2012年8月加入景顺长城。
许文星
中欧基金权益专户投决会委员、多资产投决会委员、解决方案组投资总监
上海交通大学硕士，中欧基金多资产解决方案组投资总监，基金经理。管理产品曾获五年期金牛基金奖，明星基金奖，金基金奖，英华奖等，曾带领团队搭建权益四因子多策略解决方案体系。
唐小东
南方基金宏观策略部联席总经理
北京大学经济学学士，巴黎高科金融统计硕士，超过10年证券研究经历。曾任职于莫尼塔研究、弘则研究等，现任南方基金宏观策略部联席总经理、数量化投资部总经理，负责A股策略、资产配置研究等工作。
曹倩
同温层私募基金研究总监
武汉大学数理金融专业，拥有多年量化策略研究与FOF投资管理经验。专注于深度学习在量化选股与阿尔法模型中的前沿应用，深耕神经网络因子挖掘、非线性特征提取及另类策略开发，具备扎实的理工科量化建模能力与深厚的二级市场实盘交易积淀。
作为公司资管类产品的主要负责人，全面主导量化多因子体系构建、机器学习组合优化及大类资产配置策略。在模型过拟合防范、组合精细化风控及资管产品全生命周期管理方面经验丰富，致力于为机构及高净值客户打造兼具稳健超额与严格回撤控制的高品质资管解决方案。
主动投资的价值与人工智能的边界
朱红裕 招商基金 首席投资官
量化发展对主动投资的影响
我对公募基金是否充分承担资产定价功能仍有疑问。价值投资对企业、行业和市场的理解要求很高，也需要较长的考核周期及能够承受逆向投资压力的组织机制。无论在中国还是美国，真正具备这些条件的价值投资都不是主流。若市场对价值投资的理解与实践存在偏差，资产价格就可能持续偏离其研究者所判断的价值。
量化交易和人工智能对主动投资的短期影响较为明显。有同行提到，主动基金经理下单后，量化交易可能迅速跟进，这会影响其交易体验。但从更长的期限看，交易活跃和价格波动也可能提供更高价格卖出或更低价格买入的机会。前提是投资机构具备深入的公司与行业研究能力、相对稳定的资产定价判断，以及足够长的考核周期。因此，对量化的影响需要区分短期冲击与中长期结果。
价值策略也可能经历较长时期的低迷，不能把阶段性失效都归因于量化。市场样本周期有限，影响价值因子表现的因素很多。主动投资应接受市场结构变化，并据此调整自身的研究和交易方式。
市场在不同时期可能出现较强的交易情绪和价格偏离。对以长期基本面研究为基础的投资人而言，这些偏离既带来净值压力，也可能创造交易机会。能否利用机会，取决于是否真正理解公司价值，而不是单凭“价格已经跌了很多”或“市场情绪过热”作判断。
价值风格历史上出现过数年不占优的阶段。较长的考核周期和组织支持，能帮助投资团队在方法仍然有效、但阶段性表现不佳时保持研究连续性；与此同时，也必须警惕把所有失误都解释成市场暂时不理解。研究结论需要持续接受事实检验。
人工智能与基本面判断的边界
基本面研究常依据有限历史样本归纳趋势，再将趋势延伸至未来。但已经观察到几只白天鹅，并不能证明下一只一定也是白天鹅。同样，在某个历史阶段成立的社会或经济解释，未必能跨越不同国家和时期继续成立。人工智能能够快速整理数据和逻辑，却无法消除样本有限、环境变化带来的推断风险。研究者需要不断检验：既有结论是否仍然成立，原先重要的变量是否依旧影响资产定价。
股票定价尤其复杂。随着时间推移，参与定价的因素及其权重都可能变化。即便某个逻辑本身正确，也可能在当前阶段不再是影响股价的关键因素。因此，使用人工智能梳理基本面信息时，不能把推理链条完整等同于结论可靠，更不能仅凭过去的有效性确信未来会重复。
人们对自身的认知机制和复杂社会系统仍了解有限，研究应保持审慎。量化方法对主动投资的重要启发，是重视止损与纪律。建立证伪机制、在事实变化时及时修正判断，比坚持未经检验的历史经验更重要。
历史归纳容易在环境稳定时显得有效，却难以涵盖制度、技术和社会结构的重大变化。人工智能扩大了可处理的信息范围，仍不能保证有限样本推导出的关系具有普遍性。研究者应同时寻找支持与反对证据，并定期检查影响股价的主要因素是否已经变化。
对股票而言，企业盈利、估值、投资者预期和市场结构可能在不同时期发挥不同作用。一个因素曾经重要，不意味着现在仍占同样权重。主动投资若只重复旧逻辑，或把人工智能整理出的连贯叙述当作充分证明，都可能忽略真正的风险。
主动与量化融合的组织基础
在我看来，国内将量化与主动权益充分结合的机构仍不多。要推进融合，首先需要最高决策层重视，并在组织架构上作出安排。若两个团队分别由不同负责人管理、缺乏共同目标与协作机制，即使技术条件具备，融合也难以落实。
量化与人工智能能够提高投研效率，也有助于执行投资纪律。效率的价值已经得到较多关注，但纪律可能更重要。主动投资不应停留于按既有逻辑不断寻找支持证据，还应主动进行反向验证和证伪。通过筛去大部分胜率或赔率不足的机会，把资源集中在更有把握的判断上，并尽量减少重大失误，才是技术与人的判断结合的方向。
组织架构上的协作还需要清晰的决策责任。量化系统可以扩大研究覆盖、提高执行一致性；主动团队负责提出需要深度研究的问题，并判断少数高胜率、高赔率的机会。若两个团队只交换结论、却不理解彼此的约束，协同就难以形成稳定的投资流程。
我更看重技术对纪律的帮助。工具可以提醒研究者复核假设、检验反面情景，并在结果偏离预期时执行既定的风险控制。筛选出更多机会并不是最终目标，减少低质量交易和重大失误同样重要。
量化投资的长期竞争与跨市场实践
黎海威 景顺长城基金 副总经理、量化及指数投资部总经理
量化超额收益与竞争优势
我早期曾参与中国香港、新加坡及其他市场的量化模型研究。这段经历使我认识到，模型不能脱离当地市场运行。不同地区的制度、文化、交易结构和经济发展阶段，会影响超额收益的来源。
从长期看，量化投资的竞争会更加激烈，持续获取超额收益也会更难。技术突破可能在一段时期内创造新机会，但工具普及又会加快信息传导，使优势衰减。人工智能降低了资料收集和初步分析的门槛，原本需要大量时间覆盖的公司信息，如今可以较快完成整理。便利性对所有参与者开放，因此不能把使用工具本身视为持久优势。
过去，量化机构在数据获取、模型开发和交易系统方面具有较高门槛。数据供应更充分、通用模型更易获得后，关键逐渐转向特征工程：研究者需要理解数据背后的经济逻辑，识别哪些特征在特定市场环境中有效，并将研究、交易和风险管理整合成体系。人工智能能够提高效率，却难以自动完成从一般可用到长期领先的全部工作。
市场迁移尤其考验这一体系。把在A股有效的模型直接用于港股，可能遇到流动性、交易成本和市场结构差异，原有超额收益未必能够保留。研究能力、交易执行及成本管理需要同步调整，才能形成可持续的竞争力。
我在海外团队早期参与的研究，首先覆盖日本，后来到中国香港和新加坡，随后延伸至韩国及其他新兴市场。团队之所以重视当地语言和市场经验，是因为同一套模型对制度和参与者结构的变化十分敏感。数据处理方式可以迁移，但有效信号的经济解释必须重新建立。
海外同行曾提到，模型有效期可能随着竞争加剧而缩短。这个观察不能机械套用到所有策略，却反映出共同趋势：信息壁垒下降后，优势更容易被模仿。数据供应商通常会向多家机构出售数据，卫星影像等另类数据也不必然形成独占优势。数据“能获得”与“能有效使用”之间，仍有大量研究工作。
特征工程需要把不同来源的数据整理为能够解释收益的变量，并判断其是否受到市场环境影响。仅将数据输入通用模型，往往可以较快完成初步研究，却不足以支持长期领先。系统化能力还包括数据质量控制、交易冲击评估、组合构建和事后归因，各环节都要随市场变化更新。
一个模型曾经可以较长时间保持有效，现在可能更快被市场识别和模仿。对管理人而言，真正重要的不只是找到新数据，还要知道数据在哪些情景下失效，策略承受多少交易冲击，以及怎样在失效后及时调整。数据、研究和执行若彼此脱节，局部优势很难转化为长期收益。
文本数据与人工智能应用
人工智能使非结构化数据处理更便捷，也使共识形成和传播更快。对于以认知差异获取超额收益的策略而言，信息若被广泛、迅速地使用，交易也可能变得拥挤。因此，文本处理的价值不在于简单地让模型给新闻打一个情绪分，而在于把原始材料转化为可靠的结构化数据，再完成降噪、因子构建和验证。
早期开展文本情绪识别，需要人工编制词典、分词并给词语打标签，中文语境尤其复杂。如今大模型显著降低了这一环节的成本。但成本下降不等于研究流程可以省略。文本、图像或视频转为结构化信息后，仍要判断信息发布时间、可获得时间及其与交易决策的先后关系。
时间戳错误容易造成“未来信息”进入历史回测。宏观数据样本相对有限，如果直接使用经过修订或错配发布时间的数据，回测可能显示出实际交易中无法获得的效果。对宏观数据而言，样本年限有限，发布时间错配的影响可能被放大。若一个指标原本在交易日较晚时点公布，而回测系统将其视作前一日已知，模型就会获得实际交易中不存在的信息。为核对数据，我们曾反复查验多年历史记录。对日内数据而言，发布时间和接收时间的准确性同样重要。即使截面股票数据的样本量更大，也同样要核对数据的首次可用时间。
还要防范多次测试后只保留最佳结果。模型开发过程中反复调参，可能使看似出色的曲线仅适用于样本内。较稳妥的办法是先观察样本外表现，必要时进行小规模试验，经历回撤及修复后，再评估是否符合原先预期。使用大模型处理历史材料时，也需固定模型版本，以免预训练内容或版本变化影响比较。
投资逻辑最终仍要经受实盘检验。主观和量化策略都可能因资金集中而形成拥挤与泡沫。组合管理和风险控制的目的，是使策略在不同市场环境中能够持续运行，而不是期待收益曲线始终单向上行。
样本外观察还应覆盖不利阶段。一个模型上线后出现回撤，不一定立即说明它失效；但若回撤幅度、持续时间或修复方式明显超出预期，就需要重新审视其逻辑。相反，始终平滑上升的历史曲线也不能直接证明策略可靠，过度调参同样可能造成这种结果。
人工智能还可能让市场更快形成相似判断。某个事件一旦被大量模型同时识别，原有的信息优势会缩小，交易成本和价格冲击却可能上升。因此，文本因子的检验既要看预测能力，也要看信号形成后的市场反应、持有期和可交易容量。
研究中还要保留数据与模型的版本记录。数据供应商回填历史值、修正发布时间，或者大模型更新预训练材料，都可能改变同一次回测的结果。若无法复现当时可见的信息，漂亮的历史曲线便不足以支持实盘决策。
即便研究流程严谨，历史效果到实盘仍应作适当折减。资本市场不断吸引新的参与者，原有信号一旦被广泛使用，收益可能下降，风险暴露也可能变化。把这一不确定性纳入组合管理，才能使客户与策略共同穿越市场周期。
对模型保持审慎并不意味着拒绝新技术。人工智能确实显著提高了研究效率，但能否产生可持续的投资价值，最终仍要通过真实交易环境和长期风险调整后表现来验证。
海外市场的差异与模型适配
超额收益具有阶段性，与当地的制度和经济周期密切相关。日本市场在特定阶段，市净率等低频因子曾表现突出，但一种因子在过去数年有效，不意味着未来或其他市场仍会保持同样效果。国内微盘股等策略亦然，其表现受上市退市制度、企业盈利结构和投资者行为影响。
模型技术在不同国家之间可以借鉴，真正困难的是理解收益来源。研究者需要分辨策略究竟利用了信息优势、决策优势，还是资金期限优势；机构与个人投资者的行为差别、考核周期长短，也会改变交易结果。机器学习方法在一个市场有效，移植到另一市场其具体参数仍须重新验证。
开展海外投资，应先理解当地语言、监管、上市退市和交易制度，再选择或调整模型。通用的测试方法、神经网络或数据处理框架可以沿用，但不能把中国市场的一套参数直接用于其他市场。不同地区对做空、跨境投资等交易行为的限制也各不相同。模型应适应市场，而不是要求市场适应模型。
日本低频量化因子的历史表现，反映了当时宏观环境、企业估值和投资者行为的共同作用，但金融环境和企业行为变化后，不能再据此前的上升曲线推断未来。其他市场的微盘、成长或价值因子也要放在当地宏观周期中解释。模型只是对经验规律的表达，不是脱离制度与时间的普遍定律。
中国微盘股策略是否能够长期有效，也取决于上市退市制度、公司盈利状况和市场参与者结构。把历史收益简单外推二十年，缺少足够依据。
不同市场的资金考核周期会改变投资行为。拥有长期稳定资金的机构，可以承受较长的策略验证期；若产品半年就接受严格考核，组合选择和交易节奏自然不同。因此，研究超额收益时，不仅要看模型拟合，还要识别交易对手和资金约束。
在海外市场开展业务，还需逐一核对对冲、衍生品、跨境额度等制度安排。有些地区不能按原有方式对冲，只能借助特定渠道建立相近敞口；交易成本和流动性也可能不同。通用技术可以帮助进入新市场，但本地化研究决定模型能否真正落地。
量化与主观投资的分工和协同
许文星 中欧基金 多资产投委会委员、解决方案组投资总监
市场波动中的量化与主动决策
主观与量化投资都需要适应技术进步及其带来的市场变化。量化交易可能改变波动特征，但投资人也可以利用这种变化。关键在于辨明机器和人各自适合承担的决策。
在时序决策上，若投资人尝试以很高频率手工交易，通常难以与高频模型竞争。虽然仍有优秀投资者能够通过自主交易取得可观收益，但随着决策频率上升，人工交易的相对劣势会更加明显。在截面配置上，风格偏离度、跟踪误差以及配置对风险调整后收益的影响，可以交由系统计算。对高配或低配几个百分点的反复人工判断，未必比系统更客观。
不过，模型并不能代替所有判断。以市场风险提示为例，集中度、行业暴露等数据可能已显示风险，但投资人仍可能认为“这次不同”，希望继续持有以争取最后一段收益。此时需要区分：哪些是高频、重复、数据量大的决策，应更多依赖模型；哪些是产业长期变化、极端情绪和非共识判断，需要由人承担。选择后者，也意味着必须接受更复杂的风险与责任。
与其在高频交易上和机器竞争，主动投资人更应关注长期产业变化，识别市场尚未充分理解的风险与机会。例如，面对人工智能产业的调整，重要的不是追求短期交易速度，而是判断产业中的企业能否穿越周期，以及市场是否在极度乐观或悲观时给出了不合理的价格。降低不必要的决策频率，把注意力留给真正需要深入思考的问题，是较为合适的分工。
量化交易的一致性也可能在特定拐点放大波动。在A股交易约束下，这种波动与海外市场有所不同。对于具备长期判断能力的投资人而言，波动可能提供更好的买入或卖出价格。因此，与其排斥量化，不如理解其对市场结构的影响，并在自身能力范围内加以利用。
系统在大量重复计算中更稳定，能够持续监测风险暴露，也能够统一执行既定规则。人若在每次微小价格变化中重新作判断，不仅效率较低，还可能因情绪波动而偏离原有计划。但这并不意味着人应放弃决策；人的优势更可能体现在少数关键问题上，例如产业前景、长期竞争格局以及极端市场情绪是否合理。
风险信号出现后，管理人仍可能选择维持仓位。这样的决定可以成立，但应明确自己承担的是哪一种风险：是认为模型遗漏了关键产业信息，还是仅希望再获得一段短期收益。把两种理由混为一谈，会使主观判断难以检验。
模型干预与研究组织的信任
人工智能能够快速回答常规问题，但研究组织中真正稀缺的，仍是能够启发他人的非共识想法。这样的想法未必总是正确，事后也可能被证明价值有限；如果团队能够开放地交流并检验它们，仍可能为投资决策提供帮助。为此，组织内部需要建立信任，使不同观点能够顺畅传递。
模型也是由人开发的。如果已决定让模型承担相对稳定、重复的工作，就不宜仅因某次结果不符合预期而随意干预。更合理的做法是回到开发过程，分析模型为何失效或阶段性失效，是否超出原有预期，再据此调整方法。样本内表现良好而样本外表现明显变差，意味着对模型的理解可能不足。无论主观还是量化投资，都不应使用自己并不理解的方法。
研究团队需要允许非共识观点被提出，也要允许观点被证伪。若一个想法只有在完全正确时才被接受，成员就难以共享早期线索；若缺乏后续检验，开放讨论又可能变成没有约束的主观判断。信任与复盘应当同时存在。
模型的使用也遵循同样原则。上线前应理解其数据、假设与样本外表现；上线后若出现偏差，先查明原因，再决定是否调整。临时改变某次输出，却不修正模型生成过程，往往无法解决根本问题，也会削弱策略纪律。
人工智能在投研中的长期分工
在主观研究中，股票跟踪、事件分析以及公司和行业基本面资料的整理，已较广泛地使用人工智能和数据接入工具。就部分常规工作而言，其完成效果已达到甚至超过过去由人工处理的水平。在量化研究中，团队也开始通过口述需求和提示词开发因子模型，自动迭代程度不断提高。
人工智能能力仍在进步。过去常认为机器擅长归纳、人在演绎上更有优势，但在一些常见的演绎任务中，机器的表现也已相当突出。我认为，人的长期优势之一是耐心：保持足够长的观察和投资周期，不把全部精力消耗在机器更擅长的短期决策上。
常规分析能够被自动化后，人的工作重点会发生变化。研究者应更重视问题的提出、证据的取舍与长期结果的评估。模型能够快速形成答案，但投资决策仍需承受不确定性，并在较长周期内坚持经得起检验的判断。
宏观研究与人工智能辅助决策
唐小东 南方基金 宏观策略部联席总经理
宏观模型失效与数据应用
近几年，一些宏观模型的解释力有所下降。在我看来，不能简单归因于模型设计或数据质量。疫情以来，宏观环境发生了显著变化：此前国内外经济波动相对同步，此后不同国家、产业之间的分化加大，政策与经济运行的关系也出现变化。原有模型所依据的环境不再稳定，仅靠调整参数或更换数据，未必能够解决问题。
讨论模型失效，首先需要区分模型的用途。一类模型是辅助决策的“仪表盘”：它提供数据和信号，投资人再结合背景作出判断。另一类模型直接生成交易信号，信号与交易执行相连。两种用途对数据口径调整、异常值和噪声的容忍度不同，不能用同一标准处理。
对于辅助决策模型，我更重视信号背后的经济逻辑。一个指标出现变化，不等于应立即交易；需要判断变化来自真实的经济趋势，还是统计口径、短期扰动或其他因素。若模型只是主观决策的输入之一，数据修订后可以回溯其影响，再决定是否调整判断。
如果模型直接指导交易，宏观数据处理面临的要求就高得多。同一组数据采用不同口径或处理方法，可能在中短期给出差异较大的信号。因此，我们通常把宏观数据用于观察趋势，并进行较充分的平滑处理，过滤短期波动。宏观力量往往体现为持续较长时间的趋势，我并不刻意追求每个拐点的精确识别，而是更关注趋势及其变化是否足够明确。若数据口径发生重大调整，则需要按新口径重新回溯，评估其是否改变原有模型的结论。
过去几年，宏观研究的重要性并未下降，但环境复杂度提高，使研究者更难从单一变量得到稳定答案。不同产业和国家的经济表现分化，意味着一个在过去能代表整体经济状态的指标，如今可能只能解释其中一部分。研究时应先判断所研究的经济关系是否发生变化，再决定是修正数据、调整模型，还是改变原有的分析框架。
在辅助决策场景中，数据看板的作用是提示变化，而不是替投资人完成交易。指标异常时，研究人员应追问来源及持续性，并与其他证据交叉核对。直接用于执行的模型则不同：输入数据的时间、口径、异常值处理都可能改变交易结果，必须建立更严格的回溯和监测机制。
主观判断与客观跟踪系统
主观研究依赖经验。长期投资实践中积累的成功与失败，会逐渐形成研究者稳定的判断方式。这种判断方式具有价值，也可能使人在决策时忽视新的证据。事后评价往往取决于结果：判断正确时被视为经验，判断错误时又可能被认为是先入为主。因此，关键是为主观判断建立持续、客观的校验机制。
理想的跟踪系统，应当将研究者的认知框架转化为可持续更新的指标，并在需要决策或尚未决策时，客观呈现各项信号的状态。过去，这类系统的建设成本较高。宏观和市场数据量大，单靠电子表格难以完成持续跟踪，而主观研究人员也未必具备较强的编程能力。人工智能工具降低了系统搭建和维护的门槛，使研究者能够更方便地查看任一时点的信号，并据此检验自己的判断。
系统能否发挥作用，取决于研究者是否信任它。主观与量化方法的结合需要建立信任；由研究者基于自身框架搭建的系统，通常比直接接收外部指标更容易获得信任。在此基础上，客观信号才能有效修正主观决策，在必要时促使投资人重新审视原有观点。
对主观研究者而言，建立系统并不是取消经验，而是把经验中可以检验的部分表达出来。例如，事先确定哪些指标支持当前判断，哪些变化会构成反证；系统持续记录这些指标的状态，便能在市场变化时提示研究者重新评估。若只在需要论证既有观点时临时寻找数据，系统就无法有效约束先入为主。
人工智能降低了编程和数据整理的难度，使个人研究员也能构建适合自身方法的跟踪工具。但系统的输出仍需解释，研究员必须知道它依据什么数据、何时更新、在哪些情况下可能失效。只有理解这些边界，客观信号才会在关键时刻真正进入主观决策。
人工智能的效率与投资业绩
人工智能已经能够承担研究资料整理、问答和部分量化策略开发工作，机器学习策略也可能提供一部分超额收益。不过，对资产管理机构而言，效率提升最终仍要接受投资业绩的检验。大语言模型究竟能够带来多少业绩贡献，目前还难以作出明确判断。随着应用日益普遍，相关方法也可能趋同并形成拥挤。这是我们仍在思考的问题。
机构在评估人工智能时，应同时看流程效率和投资效果。资料整理速度提高、因子开发更方便，都是可见的进步；但若多数机构采用相似工具和数据，效率优势可能迅速被竞争抵消。能否形成独立判断、改善组合表现及控制拥挤风险，仍需要更长时间的实践检验。
量化策略的拥挤应对与人工智能应用
曹倩 同温层基金 研究总监
拥挤交易与多周期预测
量化投资持续吸引研究投入，策略拥挤难以完全避免。我们将拥挤理解为市场参与者在特定时点出现高度一致的行为。以股票即将涨停时的交易为例，短时间内的方向判断趋于一致，交易便容易集中。应对拥挤，首先需要把时间纳入分析：预测不再局限于单一时点或短周期，而是扩展至日度、周度乃至月度等不同期限，减少对同一交易窗口的依赖。
另一条路径是提高一致性交易中的判断胜率。即使行业内股票同涨同跌，个股之间仍可能存在差异。研究需要纳入产业链和公司自身的信息，辨别拥挤行情中的个股分化，而不是只依据共同的价格行为作出判断。
多周期预测也带来新的组合问题：不同期限的收益如何配置，其风险与收益怎样匹配，仍需在资产管理框架下解决。与此同时，降低交易成本是持续可做的工作，包括优化订单执行，以及适当运用期权等衍生工具降低对冲成本。
时间维度的拓展并不是简单地延长持有期。同一事件对日内价格和月度基本面的影响可能不同，相应信号的交易成本、容量和风险暴露也不同。将多个预测周期放入同一组合时，需要明确权重如何设定、信号相互冲突时如何处理，以及收益变化是否足以覆盖交易成本。
在行业整体上涨或下跌时，个股研究仍有价值。产业链位置、经营状况和事件影响可以帮助识别同涨同跌表象下的差异。如果只根据资金一致行为交易，就更容易与其他模型拥挤在同一个方向。
人工智能在研究流程中的应用
过去一年，我们团队使用人工智能的范围明显扩大。此前约三分之一的研究员会主动使用相关工具，如今研究、市场和运营人员均已较广泛地使用。变化最明显的是代码生成能力：它帮助研究员更快地处理数据、搭建模型并组织代码，尤其提高了高频模型研究的迭代效率。
对于文本等非结构化信息，人工智能的主要价值在于缩短响应时间。例如，某地发生事故后，过去研究员可能需要两三天才能完成初步跟踪；借助工具，即使面对新领域，也有可能在约一小时内完成信息梳理。但事件的经济含义和专业逻辑仍须由人判断，工具主要承担提高处理效率的工作。
人工智能还可以参与研究流程的审核。研究员各有关注重点，可能更重视某类收益或风险，导致分析存在偏向。利用工具按统一框架复核研究过程，有助于提高不同研究员之间的流程一致性，减少个人偏好造成的遗漏。
代码生成尤其改变了高频研究的工作方式。过去，研究人员要花大量时间清洗高频数据、搭建处理流程并反复修改模型结构；现在部分基础工作可以更快完成，研究员能够把更多时间用于检验假设和分析结果。效率提升并不等于模型可靠性自动提高，数据检查和样本外验证仍须坚持。
对突发事件的快速梳理，也应区分“获得信息”和“理解影响”。工具可以迅速汇集事故、政策或企业公告的公开材料，但事件对供给、需求和价格的影响，需要结合产业知识判断。人工智能更适合作为研究员的辅助工具和流程检查工具。
不同市场的交易制度与风险
我们曾尝试研究美股市场，发现A股常见的一些趋势与反转特征，在美股并不完全相同。一个重要原因是交易制度差异：A股实行T+1交易，并设有涨跌幅限制；美股的相关约束不同，量价特征及风险表现也随之变化。因此，跨市场应用模型时，不能直接照搬在A股形成的经验。
在使用国内外人工智能模型时，我们也感受到模型行为约束存在差异。相较而言，部分海外模型在执行任务时表现得更可控。这一观察也提醒我们，研究和交易都需要重视行为边界与风险控制。
交易制度改变了策略能够实现的收益路径，也改变了风险暴露。研究美股时，即使模型输入和预测方法与A股相似，涨跌幅约束、交易时点等差别仍可能使历史规律失效。跨市场研究应先检验制度因素，再比较模型技术。
- end -
? 相关文章
本会议为非公开闭门会议，相关会议内容仅面向参会人，未经发言人及主持人授权，请勿直接或重新整理外传会议的声音、画面、讲稿、纪要等信息。对违反上述要求的行为我司保留追究的权利。
本文所载的资料、观点及预测仅用于信息参考及投资逻辑分享，而不构成任何具体的投资操作意见。投资者在进行具体投资决策前，还须结合自身情况并配合其他分析手段。本文提及的任何证券或金融工具均可能含有重大的风险，投资者不应单纯依靠相关信息而取代自身的独立判断，还须自主作出投资决策并自行承担投资风险。中信证券不对使用本资料所产生的任何直接或间接损失或与此有关的其他损失承担任何责任。市场有风险，投资需谨慎。
本资料若涉及任何问题可能对嘉宾观点形成宣传或进一步扩散的行为，还请事前征求发言嘉宾本人意见。涉及会议纪要内容的任何解读行为，还请联系相关客户经理协助您进行确认。感谢您的理解与配合。
特别声明：特邀参会嘉宾在交流中表达的观点属个人意见，不代表中信证券立场。
关于我们
中信证券研究网站：
https://research.citics.com
添加权限请联系您的对口客户经理
中信证券研究服务小程序：
中信证券研究服务
添加权限请联系您的对口客户经理
评论 (0)