21世紀(jì)經(jīng)濟(jì)報(bào)道記者 陳植 上海報(bào)道

(相關(guān)資料圖)

隨著量化私募日益增多，這個(gè)賽道的競爭程度趨于激烈。

在近日舉行的2023·量化科技嘉年華論壇期間，多位與會(huì)量化私募基金負(fù)責(zé)人感慨，量化私募市場正變得越來越“卷”。

“幾乎每家量化私募基金都在不遺余力地提升超額收益，因?yàn)檫@關(guān)系到他們能否募集到更多資金，在激烈市場競爭過程立于不敗之地?！币晃话賰|量化私募基金負(fù)責(zé)人向記者指出。

但要持續(xù)獲得高超額收益，絕非易事。

這意味著量化私募基金一方面需要在數(shù)據(jù)、算力、算法等方面持續(xù)突破，推動(dòng)量化策略迭代升級(jí)；另一方面則要積極融合AI與大模型技術(shù)，通過深度學(xué)習(xí)技術(shù)挖掘出更多能提升投資回報(bào)率的因子。

上海人工智能研究院有限公司總工程師王資凱直言，AIGC會(huì)令財(cái)經(jīng)領(lǐng)域數(shù)據(jù)信息呈現(xiàn)爆發(fā)式、指數(shù)式的增長，由此對(duì)量化交易產(chǎn)生一系列新挑戰(zhàn)，比如大語言模型的誕生，將對(duì)量化策略形成三大沖擊，包括內(nèi)部工程效率全面提升，交互水平和內(nèi)容分發(fā)機(jī)制全面的變遷，金融內(nèi)容生產(chǎn)能力的躍升。

中金財(cái)富信息技術(shù)部總經(jīng)理謝碧松直言，就量化策略的技術(shù)支持需求而言，5年前行業(yè)在交易性能方面比拼激烈，2年前在交易執(zhí)行效率方面競爭白熱化，近期行業(yè)又圍繞深層次數(shù)據(jù)分析開啟新的“內(nèi)卷”，但這也給量化策略“新基建”帶來新的發(fā)展空間。

值得注意的是，越來越多量化私募基金則感慨當(dāng)前量化策略的金融基礎(chǔ)設(shè)施依然不夠完善。

記者多方了解到，目前量化私募基金在量化策略建模過程，主要面臨三大痛點(diǎn)：

一是量化策略開發(fā)越來越廣泛地使用更高頻數(shù)據(jù)，隨著高頻行情數(shù)據(jù)與高頻因子的數(shù)據(jù)量日益增加，傳統(tǒng)的技術(shù)框架無法滿足量化行業(yè)對(duì)海量數(shù)據(jù)存儲(chǔ)和分析計(jì)算的性能要求；

二是量化私募在投研階段通常使用Python編程，但實(shí)盤交易環(huán)節(jié)則使用C++編程，導(dǎo)致同一套因子需要開發(fā)兩套代碼且保證結(jié)果一致，開發(fā)成本較高；

三是如何將數(shù)據(jù)庫中存儲(chǔ)的海量因子數(shù)據(jù)以最高效的方式傳輸給PyTorch等因子模型的訓(xùn)練工具。

多位量化私募人士向記者透露，他們現(xiàn)有的技術(shù)解決方案存在改善的空間，比如使用MySQL、PostGreSQL等通用數(shù)據(jù)庫進(jìn)行海量數(shù)據(jù)存儲(chǔ)與清洗，但其存在磁盤內(nèi)存占用率較大、查詢性能較低、數(shù)據(jù)導(dǎo)入Python耗時(shí)過長等痛點(diǎn)；在策略研發(fā)與因子計(jì)算方面通常使用Python技術(shù)，也存在因子計(jì)算與策略回測耗時(shí)長等問題，導(dǎo)致策略研發(fā)效率相對(duì)低下。

這無形間催生出專門為量化策略提供底層金融基礎(chǔ)設(shè)施服務(wù)的量化金融服務(wù)商。

DolphinDB聯(lián)合創(chuàng)始人兼COO 初陽春接受本報(bào)記者專訪時(shí)表示，他們一方面提供基于自研的高性能分布式時(shí)序數(shù)據(jù)庫的實(shí)時(shí)計(jì)算系統(tǒng)，在量化私募提供海量數(shù)據(jù)高效查詢與高性能復(fù)雜計(jì)算場景，提升他們的策略研發(fā)效率，另一方面則研發(fā)流批一體技術(shù)，令投研與實(shí)時(shí)交易共用同一套因子代碼，減少量化私募的因子實(shí)施成本與耗時(shí)。

他直言，DolphinDB之所以進(jìn)入這個(gè)賽道，主要原因是前些年他們看到歐美市場存在專門的量化金融服務(wù)商，為歐美投資機(jī)構(gòu)量化策略、中高頻交易提供數(shù)據(jù)存儲(chǔ)清洗與因子挖掘等賦能，但在中國，這個(gè)產(chǎn)業(yè)剛剛起步。

記者獲悉，隨著近年越來越多量化金融服務(wù)商相繼面世，這個(gè)賽道競爭同樣趨于激烈。

“誰能最終脫穎而出，取決于他們能否滿足量化私募基金的新業(yè)務(wù)需求?！鄙鲜霭賰|量化私募金負(fù)責(zé)人向記者指出。具體而言，一是隨著量化私募策略迭代提速，他們需要更高效的策略與因子開發(fā)，由此帶來更多類型更大量數(shù)據(jù)的需求，且數(shù)據(jù)清洗與因子計(jì)算的性能要求更高，二是目前幾乎所有的量化私募都在使用AI深度學(xué)習(xí)技術(shù)，期待它能創(chuàng)造出更多有價(jià)值的投資因子與量化策略。

初陽春告訴記者，DolphinDB將一面與主流的AI深度學(xué)習(xí)框架進(jìn)行更好地連接，方便量化私募基金更好運(yùn)用AI深度學(xué)習(xí)技術(shù)，一面則對(duì)IB高速網(wǎng)絡(luò)與GPU等新型硬件進(jìn)行適配開發(fā)，進(jìn)一步提升量化私募的數(shù)據(jù)存儲(chǔ)清洗與因子計(jì)算等性能。

湘財(cái)證券總裁周樂峰表示，在經(jīng)歷高速發(fā)展期后，量化投資領(lǐng)域的同質(zhì)化問題開始出現(xiàn)，超額回報(bào)也有所衰減，在這種情況下，整個(gè)行業(yè)需持續(xù)擴(kuò)容人才隊(duì)伍，加快策略迭代效率同時(shí)，將響應(yīng)速度、日常業(yè)務(wù)整合優(yōu)化也提上議事日程，這或許也是量化投資行業(yè)下一階段制勝的關(guān)鍵。

海量數(shù)據(jù)存儲(chǔ)清洗分析痛點(diǎn)待解

面對(duì)日益激烈的市場競爭，越來越多量化私募基金紛紛建立數(shù)據(jù)庫、數(shù)據(jù)分析系統(tǒng)與實(shí)時(shí)流計(jì)算系統(tǒng)等基礎(chǔ)設(shè)施，進(jìn)一步提升策略研發(fā)效率與博取更多高超額回報(bào)機(jī)會(huì)。

但在實(shí)際操作環(huán)節(jié)，不少量化私募基金發(fā)現(xiàn)這項(xiàng)工作實(shí)踐效果差強(qiáng)人意。

究其原因，一是他們通過SQL語言查詢海量數(shù)據(jù)時(shí)，需先將數(shù)據(jù)傳輸?shù)椒治鱿到y(tǒng)再進(jìn)行計(jì)算，導(dǎo)致他們對(duì)海量數(shù)據(jù)進(jìn)行計(jì)算分析時(shí)，逾90%時(shí)間都耗費(fèi)在數(shù)據(jù)傳輸環(huán)節(jié)，令策略研發(fā)效率大打折扣，二是他們使用Python技術(shù)進(jìn)行數(shù)據(jù)回測與因子計(jì)算（比如日頻量化因子計(jì)算）時(shí)，耗時(shí)過長，直接影響量化策略的研發(fā)實(shí)施效率。

這背后，是眾多通用性系統(tǒng)均非針對(duì)量化交易的使用場景與數(shù)據(jù)量處理而設(shè)計(jì)，導(dǎo)致量化私募基金在使用大規(guī)模金融數(shù)據(jù)，尤其是使用中高頻交易數(shù)據(jù)時(shí)，這些通用性系統(tǒng)性能遠(yuǎn)遠(yuǎn)無法滿足量化私募的需求。且大規(guī)模數(shù)據(jù)在各個(gè)系統(tǒng)之間的轉(zhuǎn)移耗時(shí)時(shí)間太長，成為整個(gè)量化策略系統(tǒng)性能提升的一大瓶頸。

一位量化私募基金技術(shù)總監(jiān)向記者透露，他們也嘗試使用多種數(shù)據(jù)庫技術(shù)解決方案，比如NewSQL，但他們的性能不能滿足中高頻數(shù)據(jù)處理的需求；此外他們還使用過采用行存+BTree索引架構(gòu)的知名數(shù)據(jù)庫，其優(yōu)點(diǎn)是點(diǎn)擊查詢一行數(shù)據(jù)時(shí)相當(dāng)高效，但缺點(diǎn)是它存在數(shù)據(jù)庫磁盤空間占用過大等問題，讀取大數(shù)據(jù)量時(shí)性能不佳。

“這需要量化金融基礎(chǔ)設(shè)施服務(wù)商從寫第一行代碼起，就需要著手解決量化交易場景里的上述問題。” 初陽春向記者直言。量化交易的需求，不只是海量數(shù)據(jù)的存儲(chǔ)查找，更注重高性能復(fù)雜計(jì)算，所以量化金融服務(wù)商需同時(shí)提供高性能數(shù)據(jù)庫、多范式編程語言、豐富的因子庫與流計(jì)算引擎，才能滿足量化交易的全鏈路需求。

記者了解到，為了解決量化交易所面臨的數(shù)據(jù)存儲(chǔ)清洗分析痛點(diǎn)，庫內(nèi)計(jì)算、高性能分布式計(jì)算與并行計(jì)算、實(shí)時(shí)流式計(jì)算引擎、向量化計(jì)算等技術(shù)必不可少。

所謂庫內(nèi)計(jì)算，就是復(fù)雜的量化金融計(jì)算任務(wù)可在數(shù)據(jù)庫內(nèi)直接執(zhí)行，避免海量數(shù)據(jù)從數(shù)據(jù)庫轉(zhuǎn)移到計(jì)算系統(tǒng)，節(jié)省數(shù)據(jù)分析耗時(shí)。這要求數(shù)據(jù)庫系統(tǒng)提供功能完備的編程語言與大量計(jì)算函數(shù)。

實(shí)時(shí)流式計(jì)算引擎則專門針對(duì)金融實(shí)盤場景設(shè)計(jì)，很大程度簡化量化私募基金的實(shí)盤策略開發(fā)工作，包括在亞毫秒級(jí)完成上百個(gè)因子的實(shí)時(shí)計(jì)算，將實(shí)盤策略上線時(shí)間從2-3月縮減至1-2周。

初陽春向記者透露，為了實(shí)現(xiàn)庫內(nèi)計(jì)算與實(shí)時(shí)流式計(jì)算引擎的高效率，他們提供逾1500個(gè)內(nèi)置函數(shù)，覆蓋量化交易在數(shù)據(jù)庫、數(shù)據(jù)分析與實(shí)時(shí)計(jì)算的絕大部分需求，以便量化私募基金直接使用他們腳本語言在庫內(nèi)運(yùn)算，最大程度節(jié)省數(shù)據(jù)分析計(jì)算耗時(shí)。

在他看來，這也有助于大幅縮短量化策略從研發(fā)到上線實(shí)施的時(shí)間。因?yàn)閭鹘y(tǒng)的量化策略開發(fā)流程，通常是投研人員先使用Python技術(shù)進(jìn)行因子挖掘與量化策略研發(fā)，但為了滿足高頻量化策略的低延時(shí)交易要求，他們又會(huì)采取C++語言對(duì)量化策略投資邏輯進(jìn)行重寫，導(dǎo)致整個(gè)高頻量化策略的開發(fā)周期很長，通常以月為單位，其中不少時(shí)效性強(qiáng)的量化策略尚未上線就已經(jīng)失效。

“隨著越來越多量化私募基金在策略研發(fā)上線方面拼速度拼效率，量化金融服務(wù)商也需要與時(shí)俱進(jìn)，滿足量化私募策略迭代效率提升的諸多新訴求?！背蹶柎簭?qiáng)調(diào)說。

AI時(shí)代下的量化策略迭代新挑戰(zhàn)

值得注意的是，隨著AI在量化策略研發(fā)的應(yīng)用日益廣泛，越來越多量化私募基金將它視為新的核心競爭力。

一位百億量化私募投研總監(jiān)向記者指出，現(xiàn)在幾乎所有的量化私募基金都在使用AI技術(shù)。以往，不少量化私募基金認(rèn)為AI在數(shù)據(jù)收集端，能提升后臺(tái)的數(shù)據(jù)處理分析效率，但現(xiàn)在，越來越多量化私募基金都將AI深度學(xué)習(xí)技術(shù)應(yīng)用于因子挖掘，數(shù)據(jù)特征抽取、特征數(shù)據(jù)組合搭建等領(lǐng)域，甚至還有私募機(jī)構(gòu)嘗試在交易訂單執(zhí)行方面使用AI技術(shù)以提升交易效率。

“目前，不少量化私募基金擔(dān)心在未來某個(gè)時(shí)刻，當(dāng)AI在量化投資算法模型搭建與算力維度取得突破性進(jìn)展后，整個(gè)量化私募市場的競爭將進(jìn)入前所未有的激烈，除非量化私募基金在數(shù)據(jù)挖掘與因子挖掘等方面具有前瞻性的布局與深厚積累，才有可能憑借策略先發(fā)優(yōu)勢獲取較高超額回報(bào)，但在交易端，AI技術(shù)能令任何量價(jià)套利高回報(bào)機(jī)會(huì)迅速被捕捉殆盡。”他指出。

初陽春直言，一直以來，因子挖掘是量化交易的基礎(chǔ)，尤其隨著量化私募市場競爭加劇，越來越多量化私募基金更需要AI技術(shù)開發(fā)大量有價(jià)值的因子，但他們調(diào)研發(fā)現(xiàn)，不少量化私募基金在通過AI深度學(xué)習(xí)技術(shù)挖掘出因子后，因子存儲(chǔ)成為一大痛點(diǎn)，其中包括因子數(shù)據(jù)量過于龐大、因子庫需動(dòng)態(tài)變化、多因子需對(duì)齊輸出等。因此DolphinDB一直在提供有效解決方案破解這些痛點(diǎn)。

記者多方了解到，隨著ChatGPT技術(shù)日益普及，越來越多量化私募基金圍繞這項(xiàng)新AI技術(shù)試水一系列全新的量化策略，比如根據(jù)ChatGPT所顯示的散戶對(duì)個(gè)股的看漲情緒數(shù)據(jù)，構(gòu)建新的量化投資組合；再如將同一個(gè)量化策略試水不同的市場交易情緒（對(duì)ChatGPT所提供的不同市場交易情緒數(shù)據(jù)進(jìn)行分析），測試其有效性與投資回報(bào)高低。但是，這都需要一系列高效的數(shù)據(jù)回測引擎工具，以便他們能快速研發(fā)新的量化交易策略。

初陽春告訴記者，這意味著在AI時(shí)代，量化私募基金需要更多能夠自定義的回測引擎與優(yōu)化工具。目前DolphinDB致力于向量化私募基金提供上述引擎工具，以便他們使用DolphinDB回測框架與語法，一方面可以模擬歷史交易并評(píng)估上述量化交易策略與因子策略的業(yè)績表現(xiàn)；另一方面通過回放高頻數(shù)據(jù)，實(shí)現(xiàn)多表有序的行情仿真。

卡方科技聯(lián)合創(chuàng)始人鄭盛表示，隨著AI大模型技術(shù)的興起，量化交易將進(jìn)入“新范式時(shí)代”。尤其是未來ChatGPT5.0、6.0、7.0的出現(xiàn)，將進(jìn)一步助力量化交易市場的投資交易風(fēng)控。未來的量化私募基金的“軍備競賽”，將進(jìn)一步集中在數(shù)據(jù)、算力和算法領(lǐng)域，也令量化金融服務(wù)商需使用更多AI技術(shù)賦能整個(gè)行業(yè)發(fā)展。

博時(shí)基金基金經(jīng)理桂征輝認(rèn)為，在量化投資領(lǐng)域，智能化也會(huì)成為一個(gè)新趨勢，尤其是數(shù)據(jù)要素和智能科技在前沿領(lǐng)域的廣泛應(yīng)用，將不斷拓寬了量化投資的內(nèi)涵。通過大數(shù)據(jù)、機(jī)器學(xué)習(xí)等技術(shù)的進(jìn)步，量化投資將會(huì)不斷地迭代和升級(jí)。

關(guān)鍵詞：