下载掌阅APP，畅读海量书库
立即打开
【直播嘉宾】姚加红国金基金量化投资事业部总经理
【直播看点】
1．量化投资本质上是一种价值发现
2．国内量化投资仍处于快速发展阶段，对资产组合配置的意义明显
3．量化投资在超额持续性和稳定性上，对投资者有着不错吸引力
4．前沿技术的丰富应用为量化投资提供更多可能性
以下为完整直播文字回顾：
朱萧华：大家好，我是本场直播的主播，来自国金基金数金部的萧华。本场直播我们邀请到了来自国金基金的投资事业部的姚加红加红总。加红总先来跟大家打一个招呼。
姚加红：大家好，我是加加。
朱萧华：在今天直播正式开始之前，我们先给大家做一个风险提示：
市场有风险，基金投资需谨慎。观点仅供参考，不构成投资建议。国金基金承诺以诚实信用、勤勉尽责的原则管理和运用委托财产，但不保证委托财产本金不受损失，也不保证一定盈利及最低收益。直播观点仅供参考，不构成投资建议以及基金未来业绩表现的预测和保证。投资者在投资前请阅读基金合同和招募说明书等法律文件，在了解基金的具体情况并听取销售机构适当性意见的基础上，根据自身风险承受能力、投资期限和投资目标独立做出决策。
特别感谢雪球这一次跟我们一起来联合做这一场直播。本场直播邀请到了来自于国金基金量化投资事业部的加红总，所以我们今天直播的主题也是非常的明确，就是跟大家聊聊量化。
今年以来大家可以发现，市场整体轮动的速度还是会比较快的。包括主动权益在今年的行情之下，相对来说也是面临了一些挑战。很多投资人这个时候会把目光转向到量化投资上面。包括以我司为代表的整个的量化公募产品线，也是受到了大家的持续的关注。在这里也是先向大家表示一下感谢。今天的直播就正式开始。
我们直播的过程当中会针对大家近期比较关注的一些问题，给大家进行解答。包括可能大家也关注到我们八月份整个的公募产品线，三只主动量化已经有了一个限购的动作。包括上周末大家也可以看到，有监督量化新规的出台。很多投资人可能也会比较关注，对于私募量化，对于公募量化分别都会产生一个什么样的影响。这些点我们今天的直播都会跟大家进行一个解答。
同时也欢迎大家在我们的直播间里，随时在左下角的评论区进行留言。如果大家有什么问题，我们也会实时为大家进行解答。现在要把位置给到我们的C位。
先看今天的第一个话题。其实这个问题基本上我们在每一家平台做直播的时候，开场都会跟大家聊到，就是量化投资今年会比较受关注的一个原因。因为我们可以看到，业内不单是我们一家，基本上好几家相对做的比较出色的量化投资团队，都受到了无论是零售端还是机构端的一个共同的关注。
姚加红：准确地说，应该公募量化最近比较受关注。因为私募量化在前几年市场就已经很关注了，2021年私募量化就已经过了万亿了。公募这几年增长的还是比较快。公募为什么相较于私募晚了这几年，大家对这个问题关注得比较多。第二个就是相较于主动权益，为什么这几年比较亮眼。
第一个问题就是相当于量化私募而言，因为量化私募前几年，主要在2021年之前，在高频上的收益还是比较高的，做日内高发的这种策略，100倍200倍的这种策略收益很高。但是随着市场饱和，2021年突破1万亿之后，整个高频贡献的超额就比较低。很简单的道理，因为高频的容量毕竟有限，比如1000亿的资金做，能增长20%。1万亿的资金做，可能就做到2%。2%就不一定能增厚2%，因为毕竟越稀缺过后，它可能越变成特定的小团队的产品，或者是特定的自营的产品，在资本来看可能增厚就油烟了。
所以在这种背景下，公募基金相对而言就一直做中低频，前几年肯定是明显占劣势。国金基金也主要是做专户。因为我们确实觉得高频的优势比较显著，做公募没太大意义。但是2020年我们开始搞公募，市场也发生了一些变化，高频的收益下降，公募低频的优势显现。
最近这两年比较靠前的公募和比较靠前的私募，在超额上讲并没有太大的区别，所以公募量化的超额、口碑和规模也都同步的跟上来。所以这个未来空间还是比较大的。因为毕竟从占比还是从规模来讲，规模量化目前还不是特别高。因为总体可能就3000亿，2700 3000左右。私募量化相比而言到了1万多亿，所以这个空间还是蛮大的。
第二块就是跟主动权益相比。过去这么些年，主动权益是一个偏贝塔的市场。拉长了看，靠阿尔法出名或者是做大规模，对于主动管理的公募基金而言其实是挺难的。像被动的纯粹指数的或者ETF都能做到上千亿，主动管理的、主观管理的很多也是偏赛道型，赛道型本质上讲是一个贝塔。如果我做的风格标签比较鲜明，那可能大家一想到买哪个赛道，可能就买哪个基金经理，它可能就关联上。
所以过去主要是以贝塔为主。做贝塔型的产品，需要有一个大环境的支撑。经济增速比较高，对应的赛道机会也比较多，翻倍的赛道也很多。这样大家今天买这个，明天买那个，虽然中的概率并不大，但是也有可能。
朱萧华：抱团，押中就押中了。
姚加红：押中了可能就翻个倍，还是挺有吸引力的。但是这几年大家可以看到，因为经济在平稳增长的阶段，翻倍的赛道肯定是越来越少，其次下行的赛道反而越来越多。散户投资人再继续按以前那种方式去做，惊喜几乎就很少了，惊吓比较多。在这种情况下，以前可能就是阿尔法不太吃香。就算是以前，比如我给一个产品就是指数加10%的一个超额，大家都不太认。但是你如果放在十年的周期，它跑得最好。
那时候贝塔很热闹，现在贝塔不是那么热闹的时候，现在基于十几个点的阿尔法加一个宽基，其实就挺好。无论是机构也好、零售也好、散户也好，都很认可这种做法。毕竟在下行的时候风险太多了，能增厚十几个点的阿尔法，肯定是很吸引人的。
所以量化的这种基于宽基不赌赛道做超额的做法，也是慢慢得到投资人认可。
朱萧华：现在已经有一些朋友陆陆续续在我们的评论区留言了，也有很多投资人直接向我们表达了认可，说是我们的持有人。我看到有一个用户昵称是“野兔自由”的朋友，问了一个大家比较关注的问题。我们往期的直播的过程当中，也是跟大家纠偏了很多次，再帮大家做一下解答。而且这个问题我感觉可以让姚总做一下延伸。
这位朋友问，咱们是做微盘，微盘的成交占比大概有多少？最近市场也会发现，把万得的指数拉出来，它年化20%多，很高的一个收益了。有一篇文章相信很多资管圈的人也都看过，量化策略太拥挤，它的红利到底还能持续多久？姚总整体帮大家做一下分析吧。
姚加红：微盘股容量比较小，我们一般做量化，肯定还是关注本身策略的容量，所以不会做那么小的，那么小的只能做一个补充策略。所以肯定主流的量化产品不会只是做微盘。但是我们在风格上会有一些预算模型，什么时候偏小票，什么时候偏大票，我们的持仓大家也看到，风格并不是一成不变的。可能这一期偏小票，下一期可能偏大票。所以是基于一个模型的预测，模型的一个调整。
其次对于微盘股指数，这个指数就是全市场最小的400只，本质上它是一个小市值因子叠加一个反转因子，而且反转因子的风险可能更高一点。所以它是一个反转效应加上小盘的效应。如果简单的设置下沉做小票，不会有太大的正贡献。小票波动也蛮大，就是市值因子的波动挺大。
但是反转效应就是这样，都能理解的。因为它是每天取排名靠后的400名，新掉到400名的，肯定是跌幅比较大的，超跌的这种，它本质上是反转叠加一个小市值的收益。
反转从交易上讲，也会有一些交易上的限制，而且还是等权构建的，所以微盘股指数只能作为一个参考。如果资金量不大，自己也可以尝试一下。但是对于资管产品，也只能作为一个参考，并不是实际可以取得的一个纸面的收益。
朱萧华：这一点是帮线上的投资者做了一个我们的观点的阐述，欢迎大家有什么问题，继续在我们的直播间留言，我们也会实时的帮大家进行一个关注。
刚才有跟大家提到，我们拿这几年主动权益的表现去跟量化的表现做对比，以及包括拿私募量化的表现，跟整个公募量化的表现去做对比。如果我们跟主动量化去比，它在方法论上会有很大的不同。主动量化想要做出超额，很大程度上要提高行业的集中度，以及包括个股的集中度。但是对于量化来说，超额来源肯定是尽可能越广泛越好。包括大家可以通过产品的半年报、年报中看到，整体的持仓还是比较分散的。
很多投资人可能会问，我们分散程度已经是一千多只票了，它的效益是怎么样的？如果集中一点，会不会表现更好一些？对这种问题应该怎么去评判？
姚加红：这个肯定是一个均衡。一般而言这种规律很简单，持股越集中，超额波动就会更大一点，但是超额肯定会略高一点，基本上都是这个结果。持仓集中会导致超额变高，同时波动变大，就是这么个结果。
朱萧华：刚才这位投资人追问了一个问题，因为刚才我们聊微盘聊的比较多，他追问了一下，微盘指数可能确实有虚高贝塔的收益。但是也不可否认，可能一些做微盘的收益相对来说也会比较好。这个该怎么解释？
姚加红：小市值股票超额比较高，这是一个点。为什么量化整体而言偏好做小票一点？补充一下，我们从策略上讲，如果限制只做大票，比如300成分股，那我们的超额也是挺好的。因为今年公募300指数排名也都是第一名。而且我们300指增就是从沪深300成分股里面选股。
这说明什么？就是策略层面需要保证，在各个方向，无论是什么限制条件，无论是什么选股范围，都能获取超额。第二个层面在各个方面都能获取超额。但是也有超额好的、超额高的、超额低的。300的超额肯定是相对比较低的，在我们的同类策略里。做偏小票，肯定超额更高一点。这个在量化里面是个普遍的现象。所以不是做指数增强的，做全市场选股主动量化的这种产品，肯定会偏小票一点。主要是因为小票超额更好做一点。
同时因为你有风格市值的这些预测模型，本身又能控制，一旦市场切换成大盘，大小盘的风格，又能控制住风险，本质上我们做的是这件事。
朱萧华：刚才关于微盘跟大家讲了一些我们的观点。结合这两年整体的市场环境去看，因为赛道股差不多在2021年年初经历了抱团瓦解之后，整个市场可能是一个震荡市，或者有的朋友更偏悲观一点，认为市场调整了两年多，将近三年的时间了。
很多朋友可能会想说，因为我们是分散持仓的投资理念，会不会量化在一些市场风格下不是那么占优，我们应该怎么去看产品在不同市场风格下的表现？
姚加红：肯定没有哪一种是万能的，因为量化确实也没法保证在每个市场。但是这也分两方面，量化追求的是相当于宽基的超额收益。如果风格不适应的时候，我们跑的超额低一点，或者超额率略有回撤，这个都可以接受。
另外一点，如果真的有大贝塔或者大赛道的行情，相较于做贝塔做赛道的这些产品，它的吸引力会下降。同样是做十个点超额，二十个点超额，在去年、今年就很有吸引力。如果放在赛道很猛的时候，可能大家不一定看得上你一个宽基加上20点的超额，虽然长时间来看绝对是很有吸引力的，但是在特定的时点，大家不一定觉得量化相较于赛道有什么优势。这肯定是有相对的问题。
换一个角度来讲，基于这种机会，未来随着经济企稳，出现大赛道的概率比较少。在过去几年也可以验证出这一点，从表现上看，好像是哪个都不成气候，还没涨多久就熄火了，但实际上底层的原因，在整个经济比较下行区间，增速向上的区间里面，出现这种涨幅很大的赛道的可能性本身是在下降的。这是底层的原因。
其次就算是有这种赛道，有几个投资人真的能把握住，刚好我选的股票，我选的赛道就是正确的？基金经理本身都没有太多的选择赛道的能力，只能是在自己赛道内做好，把更难的选择赛道的事情，反而交给终端的投资人。其实从长期来看，这肯定是有一点难度的。
朱萧华：可能很多朋友也会发现，自己买了赛道型的产品之后，自己的组合整体就做了一个对冲。这点刚才帮大家做了一个解答。大家有什么问题，可以在我们的评论区继续留言，我们帮大家做解答。
接下来我们还是想要就公募量化，私募量化的这样一个对比，跟大家做一个比较。刚才我们也有提到，2020年的9月份是一个比较重要的时间节点，当时整个量化私募的规模也是经历了一个比较急剧的膨胀，随后超额出现了一个比较明显的回撤。这两年大家也可以发现，公募量化当中也是留下了很多具有代表性的团队和产品。
目前这个时点如果我们再去跟私募量化进行对比，它的优势是什么样的？包括它在投资获取超额的方式上，跟私募很大的一些区别有哪些？
姚加红：从交易频率上讲，私募量化虽然经过一轮降仓，但是普遍的平均换手率，年化双边可能是60、50大概是这样的。公募量化交易频率会更低一点，双边可能就在20倍以内。20倍以内就意味着就在接近一个多月的周期里，能够换一遍股票。所以相对而言公募的换手率会更低一点。
一般而言，换手率高低体现的就是超额的稳定性和波动性上，一般换手率高，波动会小一点。换手率低，波动率会稍微大一点。但是从超高的水平来讲，倒没有太显著的差异。从策略的角度而言，公募量化相较于传统的公募主动管理的换手率，相当于是加了一点，现在私募量化是从传统的高频量化私募，高换手的策略慢慢降了一点，两个方向是接近的。
公募量化主要的优势就在于，比如传统的公募基金的好处，比如门槛低，申赎很灵活，操作上、策略上，投资上更加透明一点。
朱萧华：接下来今年大家会比较关注科技上的一些迭代和创新。因为大家也都看到今年上半年，包括ChatGPT，大语言模型这样一些技术的横空出世或者落地，很多朋友也会好奇，因为我们之前路演的时候也跟大家提过，ChatGPT一些底层的机制，或者它的一些技术，我们的策略本身也是有用到。
我们之前来路演的时候，也跟大家提到过这个点。因为主动权益，更多的是做深度的研究。姚总提到过一个观点，量化更多是科技创新的驱动。这一点是如何能体现在策略或体现在产品运作上的呢？
姚加红：这个可以看得很明显，也是刚好补充一下关于主观跟量化的缺点。主观的比如哪几年业绩不好，大家还是会有一些期待。
朱萧华：可能风水轮流转。
姚加红：风水轮流转，会轮到的。但是量化很残忍，因为它是在升级的，它不像主观的，很多时候是在转圈，就是方法论、水平，当然肯定是有提升，但是提升的速度可能慢一点。量化迭代很快，就会导致前面的，如果量化一旦超额做不出来了，后面就很难有机会再重新起来，重新等到下一波，换个风口到它头上。
所以量化就是…
朱萧华：开弓没有回头箭。
姚加红：就是一路在升级。如果不好了，那就是被市场淘汰了，就是水平不够，不会说等一等，同样的做法我过一段时间又能做好了。我是做量化的，这样对我而言是很残忍的一件事。因为过几年说不定也会被新的这些取代，这对量化而言是很正常的事情。
但是对于量化投资而言，对整个投资的水平而言，它是个好事。因为它就说明，你相较于十年前，相较于五年前，肯定这一波是有明确的进步的。他就是可以衡量你的一些进步，这就说明量化投资一直是在进化的。
进化卷的基础，目前主要的影响就是技术的影响。早先的大数据，最早大家可能买个数据库都买不到。没有数据库，有数据就已经不错了。后面数据量越来越大，数据处理的技术越先进越好。再后来人工智能，机器学习出来了，你要掌握这些方法论，掌握这些机器学习的方法，就会有进步。
这几年我看到表现不错的，基本上都是多多少少涉及了人工智能，而且用得比较充分。其实业内现在确实也有很多都在往这个方向上转。所以技术对于量化的提升，我们作为从业者，看到是很显著的。
朱萧华：今年大家也可以看到这些热点，包括很多投资人也会比较关注。这些技术可能在整个量化投资的过程当中，起到什么样的赋能的作用。我们也是跟大家阐述了一下我们的观点。
接下来我们会重点帮大家解答一下最近大家可能会比较关注的两个话题，一个是八月份开启的这样一个限额，第二个就是大家可能会很关注上周末的量化规范，可能对于公共量化产品会有什么样的影响。本场直播的后半场，我也会着重针对我们家整体量化投研的策略框架，给大家做一个比较有针对性，比较聚焦的解读。
先来说第一个问题，近一年整体的量化公募产品线，也是经历了一个比较大规模的跃升。截止到630的时候，我们的产品加一起整体的规模已经超过140个亿，现在也已经开启了限购。很多投资人可能也会比较关注，这个时间点限购的目的是什么，包括策略容量到底是一个什么范围。
姚加红：这次限购直接的背景，确实是在于之前包括上半年，包括630过后规模的快速增加。一方面从策略上讲，我们确实还是希望能有一个稳定的规模来验证，不要说因为一直变化，可能会担心有一些误判。因为我们做策略容量测算的时候，有一些东西是明确可以算清楚的，有些东西它算不清楚。比如对市场的冲击，只有真的到了那个规模，你才知道它真实的表现。当然有一部分是可以测出来的。
我们第一个保守的条件，肯定不可能触发到自己测算的容量都不行，才去限购，肯定不会到这种程度，肯定会打出提前量。从策略上讲倒是也还可以，并没有特别严重的瓶颈。
另外一方面也是因为有，确实最近关注量化的比较多的。如果增长太快，可能也会有一些压力。刚好可以控制一下规模，节奏上也好把控一些。当然确实也是有些投资人说，限制申购会影响公平性的问题。公募基金毕竟是普惠金融。但是1万块钱限额对于扩大散户的参与度，也还是可以保证的，我觉得并没有太大的问题。
朱萧华：评论区有用户问，是国金量化的公司吗？对，是国金基金，目前正在雪球平台进行直播。本场直播花了将近半个小时的时间，给大家讲了一下目前我们针对市场，包括跟主动权益跟私募量化去比，我们整体市场观点。
本场直播的后半场，会花十几二十分钟的时间，给大家讲一下我们整个的策略框架，以及包括我们的一些特色。因为之前在路演的时候，有跟大家提到过，我们整个的特色就是不依赖人为的干预，或者人为的选股，而是以机器学习为主。包括刚才我们在路演的时候也有提到，技术的迭代和革新，对于量化整个投资的影响还是会比较深远的。
接下来想让姚总给大家介绍一下，我们整体的策略框架，跟传统的多因子模型，因为传统多因子模型，我理解它要找最能赚钱，或者是超额最突出的那个因子，相对来说就会好一些。我们跟这种传统的做法有什么样的差异点？
姚加红：我们的做法，因为底层肯定差不多，从框架上讲，量化投资基本上都会说我要做一个信号，做一个因子的，模型的预测信号也好，最后我要基于这些信号，我要做相较于沪深300，相较于中证500，相较于某一个指数，我要做一个相较于它跟踪误差又小，又有超额的组合。第二个环节就是组合优化。
这么大的流程，量化肯定都是一样的思路。细节上的区别是在于，比如多因子方法论是一个用的比较成熟的方法论。从历史上讲，差不多2010年前后从美国带到中国，而且早期确实很成功。因为毕竟在美国已经验证成功了，再拿到中国肯定是有很大的效果。而且主要的多因子框架，还有一些成熟的比较有效的因子。
但是从目前来看，随着做的人太多了过后，多因子框架肯定是个很好的框架，它支撑了量化私募也好、量化公募也好，整个规模肯定都过了多少万亿了。在这种情况下它也有一些弊端。每家挖的因子库都不太一样。可能A有1万个，B有2万个。大家虽然找出来的因子不一样，但是你要选哪些因子，在组合因子的时候，它会从一万个里面暴露几十个几百个，我可能着重做这几十个几百个。这样它会造成一点，虽然大家的因子库不一样，但是选出来的重合度会很高。这就会造成因子表现上趋同的效果，就跟抱团差不多。
朱萧华：大家都把宝押到了同类型的个股身上。
姚加红：对，同类型的因子上，就导致持仓差不多，也会同涨同跌，就变成很明显的周期性。这就是基于多因子框架的问题。
我们做机器学习，机器学习更接近端到端，我不会在一万个因子库，找一百个最近表现比较好的。接近端到端，基本上就是输出的信号就是直接可以用来交易。这样就相当于是把因子组合，因子合成、因子挖掘都锁定到一起了。这样相对会好一点。
还有一个优势，机器学习从目前来讲，这个方法论用的还不是那么拥挤，如果真的做到1万亿，机器学习也做了1万亿，估计也会有很大的压力。
朱萧华：这里想延伸追问一个问题，我们在跟大家做路演的时候，很多投资人对我们的理解也是，认为我们是黑盒策略。如果同样的一批人，或者几家机构一起去做机器学习，也会遇到趋同性或重合性的问题吗？
姚加红：这也是个优势，其实机器学习策略表现完全相同的概率是比较小的。同样的东西，大家做的东西差异还是蛮大的。关于黑盒，我可以补充解释一下这个事情。机器学习它的优势就是在于能超越很多人工总结的规律。
比如AlphaGo做围棋程序，你要是做可解释，可解释就是学各种定式，比如跟着高手跟着大师去学定式。你要是写个围棋程序也是基于这个思路，我就是根据跟这些大师学的这些定制，我知道这个程序干嘛，它识别了这个情况，这个情况我该怎么走，这是高手的走法，你是确实明明白白，清清楚楚，它这个相当于是白盒子。
但是白盒子你就知道它的上限是什么。它的上限就是高手的，或者人类顶尖棋手的水平，就是它的上限，这个是很容易理解的事情。但是为什么AlphaGo能突破人类棋手的上限？就是因为AlphaGo内部走的思路，已经是人类无法理解的，也就是它训练出来的这些算法，训练的这些走法，这些棋局，是没有人类固定的这些定式的这些说法。它就是在某种情况下，人类根本都不知道它为什么要往这边下，但是可能最后的结果就证明，它确实应该往这边下。
如果你要追求可解释性，那你就限定了你的上限。如果放弃可解释性，你会发现，你可以做的上限就会更高。
朱萧华：有想象力一些。
姚加红：严格来讲，从特定的技术细节来讲也是这样的。比如做图像识别，图像识别很简单，比如以早期的Photoshop滤镜，你做垂直线识别、水平线识别，都很简单。比如3乘3的矩阵，中间一行是1，或者中间一列是1，你就可以识别一个水平线或者垂直线。这时候你都可以理解。
但是要是做一些复杂的识别，你会发现，你只能把这些滤镜设计成可以训练的参数。训练简单的东西你可以知道，你可以解释它得到的是个什么东西。但是设计做得复杂以后，比如自动驾驶或者是图像识别，你得到的就很难解释了，前面可能还稍微有些图像的特征，到后面就很难识别。
对于我们做模型也是一个思路，我们现在做的跟Photoshop也有点接近。比如一个股票不同的特征，时间序列上的、横截面上的，各种基本面的价量。简单的模型我可以看出来它的特性，比如它就挑出了一个估值比较低，增速比较快什么的。如果是简单模型，我是可以人工去分析这些训练的结果，我都能知道它的结果。
但是到后面做得更好的模型，你会发现模型训练出来的参数越来越复杂，人类是很难识别的。所以对于这个点，我们肯定是愿意选择更高的上限。
朱萧华：落实到投资，因为可能我理解，黑盒甚至有很多我们作为人类无法理解的这样的一些规律和逻辑，从投资或者是产品管理的角度，我们该如何去控制这样的一些风险，包括在实际产品运作的过程当中，我们用什么非常直观，非常简单的指标，就能看出这个策略的有效性？
朱萧华：投资领域另外一个圣杯，就是通过多个策略，就是根号N，投资的广度可以降低单个的风险。我们投资策略简单来讲就是机器学习为基础，加上多策略的框架。多策略的框架就是我不会依赖于单一的黑盒的模型，我的输出不会基于一个模型的输出结果。因为毕竟是黑盒，确实有风险。
虽然每个黑盒我们都是回测、建模、验证是没问题的，但是它毕竟有风险。这个风险你怎么分解掉，怎么降低。无非就是通过很多个不同方向、不同的点不同的预测，最后叠加起来。比如我的持仓是反映了几十个模型的预测结果，这样它结果就会很稳定。从实盘上来看，确实也是能证明这一点。
朱萧华：再问一个大家也会比较关注的问题。很多朋友也会经常关注，我们就是多周期多策略的框架，整体价量和基本面大致的占比是什么样？
姚加红：我们算五五开。
朱萧华：基本上就是一半一半？
姚加红：私募一般会倾向于强调自己是绝对价量为主，因为一般而言价量的模型会比较稳定一点。公募一般强调基本面为主。毕竟是偏低频的策略，如果不关心基本面就不太好做。价量的变化也太大了，所以导致换手率肯定会很高。我们既不是以绝对完全的基本面，也不是完全的价量，只能说是一半对一半。
朱萧华：很多投资人也会问一个问题，在路演的过程当中，我们也跟大家解答过。因为我们有很多的模型，大概整体有五六十个的样子。很多朋友会问我们整体的迭代效率是什么样，这个模型出现一个什么样的信号的时候，我们就判断说是不是出现衰减了，要做一些优化，这点请姚总给大家做一个解答。
姚加红：我们每天都会评估它的表现。一般而言单个子策略回撤有半年或者一个季度，很多策略是减缓，它回撤的表现回撤的绩效，是慢慢衰减。衰减到一定程度可能就不太想用了，可能就得换，重新做模型或者是放弃。这就是公司的一个好处，单个模型的衰减，在产品上是看不出来的。
朱萧华：之前姚总在路演的时候也提到过一句话，我一直想追问，今天趁这个机会让姚总再讲一下。之前姚总有提到说，相较在哪些模型上面赚钱，我们更关注在哪些模型上亏钱。这一点也是能理解，你们会比较关注各个子模型获取超额的有效性，是吗？
姚加红：对，无论是从模型的归因上讲，或者是在风格的归因上讲，或者是在策略的归因上讲，我们只能保证，比如我有50个模型，基本上30个是在赚钱。但是你把赚的最多的那个拎出来，没有意义。因为不是靠这一个赚钱。而且就这一期这个赚得最好，下一期也不一定是它。本质上讲你关心最赚钱的个点没有意义。我们关心的肯定是整体，就是整体上50个，我能做到大部分，30个，一半以上是在赚钱的，在贡献收益。
作为整体来说如果关注亏钱，无非就是哪些模型失效了。如果持续亏钱，肯定就是失效了，就得做处理。不然的话并不会说哪个收益更高，我就觉得这个模型更好。对于好的并不会格外关注，对于不好的肯定是有问题，那就得重构了。
朱萧华：时间关系，今天的直播再让姚总帮大家解答最后两个问题，我们的直播也就快要结束了。
第一个问题，因为我们刚才也提到，技术的革新对于整个量化投资会有一个非常大的推动。今年有大模型，包括图像的一些识别，这样的一些技术，相信大家可能很多人都已经用到了。我像文心一言，包括阿里的通译听悟，我专门还收藏了一下，因为需要让它帮我写季报。大家会发现，这些东西慢慢地就进入到我们的工作和生活当中了。
作为量化来讲，你们现在可能比较关注的前沿技术有哪些？
姚加红：我们肯定不可能用聊天这部分的功能，我们未来主要是用语言解析，比如用一些开源的模型。在这个点上，未来的应用主要是在于，我们之前量化处理的数据主要还是一些结构化处理，是比较规整的，对于文本的这种非结构化的数据，处理的能力还是比较弱的，或者根本就没处理。量化肯定是处理的数据越全越好，在这一块上，相较于主观投资经理确实是个很大的劣势。因为主观投资经理可以轻易地理解一篇研报的摘要，报告，这些东西他都可以理解得更深入一点。量化理解可能就是广度上有优势，但深度上肯定很难追得上。
未来随着这一部分的进化，我们肯定关心实际落地的难度，我们不会像业内大厂那样，做单元模型训练，做这种事情，自己训练自己的单元训练模型，这种尽量会少，可能也最多是做个微调。微调用来识别这些语义，再开发新的模型。这个未来我估计在量化投资这个领域。
朱萧华：图像的识别，你们会用到吗？
姚加红：现在肯定还是语义、文本这种信息量更大一点。未来的趋势肯定是越全越好，但是文本肯定是短期内的重点。
朱萧华：最后再让姚总来做一个总结性的陈述。今天的直播也就正式告一段落了。因为大家也可以看到，整个公募量化，在最近一年多的时间里头，持续获得了广大投资人的认可和关注。在产品的持有体验上，也是获得了大家的一些认可。这点我们提到也是会有一点小小的自豪的。
刚才姚总也有提到，截止到去年年底，整个私募量化整体的规模大概在1.4万亿左右，公募量化整体的规模，主动量化也就不到3000亿的盘子。另一边形成鲜明对比的，就是主动权益的万亿规模的这样一个盘子。姚总帮大家总结一下，整个公募量化未来的发展前景，您是怎么看的？
姚加红：说实话我感觉还没有发展到发展热门的时候，现在整个量化面对的压力就已经比较大了。但是市场肯定是往进化的方向做，现在很多批评量化的都有一些自相矛盾。比如有的说是追涨杀跌，有的又说是高抛低吸，但是追涨杀跌和高抛低吸本来就是反的，所以量化只是一种投资方法。包括T0，以前主流的T0都是人工的。后来确实也有很多量化，而且量化T0和人工T0，在T0好做的时候都并存了很久，而且是各有优缺点，也不是说绝对是秒杀人肉的这种。
对市场对这个行业比较熟悉，也都知道这个发展经历。其实你很难分清一件事儿跟量化本身有什么关系，这个关系都不大。从量化本身来讲，确实是一直在进步的。在进步过程中，肯定有一部分会对原有的一些有一些竞争。如果一味地说因为被竞争了，所以说它不好，这并不是一个明智的态度，因为毕竟技术进步肯定是难以改变的方向，还不如去拥抱它。
无论是自己去拥抱这些量化的技术也好，还是支持这些量化的产品也好，都是一些比较好的方法。
朱萧华：特别感谢姚总参与本次雪球基金的直播节。我们花了一个比较长的篇幅，针对近期大家比较关注的热点事件，包括量化投资的一些最本质的逻辑，给大家做了这样的一个分享。