智東西
編譯 李夏
編輯 漠影

智東西5月21日消息，據英國《金融時報》報道，在中國量化對沖基金倍漾量化創始人馮霽博士的專訪中，馮霽博士解釋了他的計算機科學家團隊試圖通過機器學習技術影響量化交易投資行業。

他認為量化交易本質上是一項計算機科學任務，并預測那些未能擁抱人工智能的量化基金經理將在三年內被淘汰出局。

在與英國《金融時報》亞洲科技記者Zijing Wu的對話中，馮霽談到了他的團隊如何顛覆了中國量化交易行業。團隊成員均是沒有金融背景的計算機科學家，但他們正在對這一領域進行革新，并抱有走向全球的雄心。

他說道，量化交易正在吸引最優秀的人工智能人才，同時為像DeepSeek這樣的初創公司提供了極具潛力的發展土壤。

Zijing Wu：與美國和歐洲相比，量化交易在中國仍然相對較新。您能描述一下中國當前的量化交易格局嗎？

馮霽：中國的第一波量化交易浪潮始于一些非常有才華的華人交易員從華爾街回國。大約在2013年，監管政策發生了變化，允許量化交易進入，同時中國市場引入了更多對沖工具，為這一代中國量化交易員的崛起創造了良好的環境。他們的表現非常出色，至今仍是一些最大基金的領軍人物。

我們是第二代人，與前輩截然不同。我們來自“圈外”，沒有任何金融背景。我們認為量化交易與其他數據挖掘和分析任務一樣，沒有什么特別之處。我們將其視為一個純粹的人工智能任務，因此我們的團隊僅由計算機科學家和工程師組成。

Zijing Wu:你們如何將人工智能應用于量化交易？你們的方式與傳統的量化交易有什么區別？

馮霽:過去10年，人工智能技術取得了顯著進展，尤其是在時間序列數據建模方面。無論是語言還是多媒體人工智能模型，從根本上說，都是關于時間序列數據的建模。

例如，ChatGPT的核心任務是預測下一個詞，這與量化交易本質上是一樣的。只不過我們不是預測下一個詞，而是預測下一個時間間隔內價格的漲跌。

傳統量化基金通常會將團隊劃分為幾個職能，分別專注于交易流程的不同階段，主要是因子尋找、信號生成、建模和策略制定。這些職能相互獨立，且彼此之間相對隔離。

我們認為所有這些階段本質上都是同一個機器學習任務，并且用同一個基礎模型整體地來處理。這對運營產生了深遠影響。這就好比在ChatGPT出現之前，語言處理公司也有類似的團隊劃分，分別專注于分詞、標注、分析等。現在ChatGPT可以用同一個模型同時完成所有這些任務。

Zijing Wu：為什么您的整體性方法優于傳統的分工模式？

馮霽：首先，你可以基于機器學習預測和規劃系統的升級。就像ChatGPT推出第一代模型時，你基本上可以預估第二代會是什么樣子，以及需要多長時間才能實現。能夠系統地持續升級是量化基金經理的關鍵。

第二個優勢是成本效益。我們不用雇傭50個人來尋找因子，而是使用100個GPU和一個人來編寫因子尋找的算法。結果不僅更好，而且速度更快。其他階段也是如此。

Zijing Wu：請問貴公司的團隊規模有多大？目前管理的資產規模是多少？

馮霽：我們目前管理的資產規模接近人民幣70億元（約合9.7億美元），團隊成員大約有30人。其中三分之二從事研究工作，其余人員則專注于運營工作。我們的研究主要是改進算法和我們自己的基礎模型。

Zijing Wu：業界如何看待你們的成果和影響力？

馮霽：當我們四年前剛開始做這件事時，許多人認為這是不可能的。一群計算機科學家怎么可能理解商業和市場呢？事實是——我們不了解，而且我們也不需要了解。實際上，我們之前沒有任何人做過股票交易。我們將其視為一個純粹的機器學習任務，而且這是完全可以做到的。

現在，幾乎沒有人再對我們表示懷疑了。相反，所有人都在急切地詢問我們，他們該如何更有效地利用人工智能。

所以我的預測是，在三年內，那些未完成人工智能轉型的量化基金經理將會被市場淘汰。因為這個領域競爭日益激烈，機器學習將成為一項必備工具。沒有理由不去采用這項技術。

Zijing Wu：您是否從零開始構建自己的模型？能否為我們簡單介紹一下它在交易中的具體運作方式？

馮霽：是的，我們完全是自己搭建的。因為市場數據和行為與例如語言數據有著非常不同的特點。我們處理的內容復雜得多，因此需要為其構建專門的模型。

我們通常專注于短期交易，時間范圍從幾分鐘到幾小時不等。這是人工智能最擅長的領域。它類似于天氣預測。如果需要預測一個月后的天氣，準確度可能不會太高，但如果預測五分鐘后的天氣，準確度就會非常高，因為可以捕捉到許多信號。

短期信號相對來說更容易預測，而且我們已經分析了足夠多的數據，可以進行高質量的預測。我們將實時全面評估從分鐘到小時不同信號的預測表現。隨后，對這些預測進行綜合評分，并基于這些評分構建一個動態的交易組合。

Zijing Wu：這是否意味著您完全不在乎基本面分析？

馮霽：基本上可以這么說。基本面因素和另類數據因素在一天內的變化非常小，我們主要依賴于交易數據。短期價格波動的核心驅動力是交易數據。

Zijing Wu：為什么您和您的團隊選擇了量化交易，而不是當前更受歡迎的人工智能創業方向，例如專注于大型語言模型的領域？

馮霽：在獲得機器學習領域的博士學位后，我花了大約一年的時間探索機器學習和人工智能在各個方向上可能產生顛覆性影響的領域，而不僅僅是對現有工具的簡單升級。

我當時考慮的第二個因素是它是否能帶來良好的現金流。我意識到，當時大多數的人工智能獨角獸企業并不盈利。

雖然它們可能在做一些具有價值的事情，但要維持下去卻相當困難。對于其中的許多企業來說，它們的成功很大程度上依賴于銷售能力而非技術，因為它們的核心技術差異化有限。

作為一個對技術癡迷的“超級技術控”，我覺得自己對那些高度依賴銷售驅動的業務并沒有興趣。然后，我發現了量化交易，這完全符合我的期待。這是一個可以利用人工智能重新定義的行業。

它不僅局限于傳統的線性模型，還具有創建神經網絡或隨機森林的潛力。這是一個讓我倍感興奮的挑戰。同時，這也充滿了顛覆性。就像設計一個全新的電動車工廠，徹底顛覆傳統汽車制造業一樣。

量化交易的另一個好處是它的結果非常容易驗證。通過一天內進行超過一千筆交易，你可以立刻判斷自己是否走在正確的道路上。

這幾乎完全由技術驅動。大多數量化公司都由具有技術背景的人領導。因為如果你自己不了解技術，就無法管理一群書呆子和天才組成的團隊。

Zijing Wu：我們這里說的到底是哪些書呆子和天才呢？

馮霽：我們的團隊，包括我本人在內，都擁有計算機科學競賽的背景。在我們團隊的30人中，有13人獲得過國際金牌。我們團隊的金牌密度可能比任何一家科技巨頭都要高。

量化交易是一個天才聚集比例最高的行業，美國也是如此。我相信，全美頂尖的機器學習人才大約80%集中在華爾街，而只有20%在硅谷。

Zijing Wu：這是否也是DeepSeek從中國的量化基金中誕生的原因？

馮霽：確實如此，這一點我一點都不感到意外。DeepSeek對大語言模型（LLM）的關鍵貢獻，是降低了工程成本并提升了GPU之間的通信效率。

這對量化交易員來說是自然而然的，因為我們衡量時間的單位是納秒到微秒，而傳統互聯網公司采用的時間尺度則是秒，最多也只是毫秒。

例如，一個擁有十億用戶同時在線的大型科技平臺，需要確保沒有延遲，畢竟人類的反應時間通常在50到150毫秒之間。如果出現10毫秒的延遲，這也完全可以接受。

然而，在量化交易領域，1毫秒的差距就已經是“永恒”了。量化交易領域也是通過健康的現金流吸引頂尖人才的地方。

十年前，它吸引了來自數學和物理學領域的最聰明的人才，因為他們可以將自己的數據分析技能轉移到金融領域。

但如今，這一領域正逐漸被計算機科學家占據。因為我們甚至不需要進行技能轉換——機器學習本質上就是在設計最佳工具來分析數據。

無論這些數據來自金融領域，還是其他任何領域，都沒有本質區別。賺很多錢也意味著團隊有余力去探索他們更感興趣的領域。我將這一現象稱為“技術溢出效應”。

當你擁有大量天才人才和充足的資源時，他們能夠基于類似的核心技能衍生出一些不相關的技術。

在歷史上，這樣的情況發生過很多次。例如，對沖基金D.E.Shaw的創始人建立了一個大型科學研究中心，用自主研發的超級計算機進行化學研究。這與量化交易沒有直接關系，但卻應用了類似的核心技術。

Zijing Wu：正如DeepSeek一樣，您的團隊成員全部來自中國教育背景。您如何比較中國和美國的年輕人才？

馮霽：如今，兩者之間的差距已經非常小了。我們基本上是在同一水平上競爭。而且得益于中國教育體系對科學和技術的更關注，中國擁有更大規模的人才庫。我們在工程能力和算法創新方面尤其強大。

在過去十年中，世界各地的聰明年輕人可以在開源人工智能平臺上自由交流、相互學習并合作。這為這一代中國程序員提供了迎頭趕上世界領先技術的絕佳機會。

關于中國年輕一代人才的另一個特點是，與他們的父母不同，他們大多出生在中產階級家庭，不需要為了謀生而去做自己不喜歡的事情。

我們團隊的大多數成員都在二十多歲，我是37歲，是其中最年長的。他們的首要任務是玩得開心。所以他們更愿意加入像我們這樣小型的研究型團隊，而不是去大型科技公司，因為在大型科技公司，他們可能不得不以某種方式應對辦公室政治。他們更愿意與同樣聰明的同事一起工作，并且管理者能夠與他們說同一種語言。

出生在富裕環境中也意味著這一代中國年輕人才比他們的父母更理想主義。你看到更多的人進入研究領域，而不是為了快速賺錢而進入金融領域。我們真的想做一些能夠改變世界的事情。

Zijing Wu：你們團隊的日常工作安排是怎樣的？

馮霽：這基本上就像一個研究所。沒有著裝要求——短褲和拖鞋是最常見的。我們會在市場開盤前到崗，開始編程，就工作內容進行討論，并在市場收盤前一起回顧表現。

之后進行一些實驗，閱讀并討論幾篇研究論文，然后回家。我們與研究所的區別在于，我們擁有更好的資源。我們自建了計算能力。計算能力越強，結果處理得就越快，效率也就越高。這一點非常重要。

Zijing Wu：對于您和您的團隊來說，最終目標是什么？

馮霽：在中期，我們希望打造一家來自中國的世界領先的AI原生量化基金。我們目前主要在中國市場交易，并且正在尋求拓展到關鍵的海外市場。

當人們談論量化基金時，他們都會想到華爾街的頂級公司，很少有人知道中國的基金。雖然第一代中國量化基金借鑒了華爾街的方法論，但我們第二代管理人期望通過構建AI原生特質，我們有望實現更顯著的差異化競爭，獲得與全球領軍者同臺競技的機會。

從長遠來看，我們希望打造一家計算公司。我們對許多潛在領域都感到興奮，我們可以將我們的技術應用到這些領域。大型語言模型并不一定是人工智能的最佳應用。

來源：英國《金融時報》