问题8、很多量化交易者在进行策略开发的时候都会遇到这样一个问题，一套策略在模拟运行的时候表现很好，回测数据也很不错，但一到实盘中表现不佳，甚至还有可能出现连续亏损，您遇到过这种情况吗？一般会怎么解决这个问题？

章友：新策略研发中会遇到这类问题，需要通过降低过拟合的方式解决这个问题。

问题9、华尔街大部分的交易都已经是通过量化来完成了，您觉得国内的量化发展会像国外一样的路径吗？还是说会有自己的特色？

章友：量化交易在美国头部具有垄断效应，占全市场的比重会达到1/3以上，中国量化投资还远远没有达到这个规模，仍具备很大的发展潜力。和国外相比，国内量化交易还处在初步发展阶段。无论从交易规模还是采用量化交易的机构数目以及对市场流动性的贡献来说，都落后于国际市场。诸如交易市场落后、交易理念落后、统计建模、内部管理、IT系统、技术储备、人才储备等方面的问题还存在。但同时量化交易即使在经济危机大势下，对比其他类型的基金也能收获相对良好的表现，有很强的的抗压特性。它收益较好，能对抗经济下行压力并分散投资组合的风险程度。

总的来说，相对发达金融市场，国内发展中的金融市场中往往存在更多的套利机会，更适合量化交易发挥作用。国内金融机构如果能够领先市场，充分发掘量化交易特色，走出自己的风格，相信能够收获不错的价值。

问题10、贵公司的股票量化策略应用到了现在较为前端的机器学习，目前的效果如何？应用逻辑又是怎么样的？

章友：在我司深度学习选股模型中，我们采用神经网络系统建立股票价格预测模型，识别因子与收益的非线性关系。我司采用二三十个左右的选股模型：DBN深度信念网络、LSTM长短期记忆网络、MLP多层感知器、RBM受限玻尔兹曼机、ReLU修正线性单元、CNN卷积神经网络、递归神经网络（RNN）等多个模型预测股票收益。将深度学习用于算法交易是与一些时间序列价格预测的模型相结合，达到市场择时的目的，如通过LSTM、RNN等进行价格回归；或对市场的趋势进行分类，以触发买卖信号，如用DMLP、CNN进行因子选股或趋势分类。RNN以及其拓展像LSTM、GRU等，被用于金融时间序列数据预测和金融文本分析。应用的效果还是比较明显的，可以捕捉因子之间的非线性关系。

问题11、国内的市场相较欧美成熟市场有个较大的不同是散户投资者的比重仍比较大，您觉得这对机构来说是利是弊？

章友：对机构而言意味着更多的市场机会。

问题12、2022年的资本市场交易难度很大，包括市场一些知名的百亿私募都没能在今年的市场上获利，衍盛投资在今年的表现如何？您觉得造成这种现象的主要原因是什么？

章友：今年市场确实有一定的挑战，我们的中性产品收益也不大，处于过去五年最低水平，主要是因为8月份之后逆周期的政策调整，导致基本面类因子大幅回撤。

问题13、针对2022年资本市场的变化，衍盛投资在交易策略上是否会做出相应的调整？

章友：我们认为2022年的市场有其特殊性，我们通过对这一年数据的分析，优化了现有因子，同时布局事件类策略，可以更好的应对极端市场行情。

问题14、在不断变化的市场中，您觉得策略长期取胜的关键包括哪些方面？ 

章友：核心还是有持续研究，开发能力的投研团队，我们通过与重点高校的合作，确保团队的创造力。

问题15、从2022年底到现阶段，市场迎来了一波较明显的反弹，也让部分机构缓了一口气，您觉得市场是否已经发生了转变？您对2023年的市场预期是怎样的？

章友：2022年经济基数较低，疫情放开之后，经济指标大概率会有不错的表现，股市也处于一个相对低位，个人判断市场风险不大，2023年可能有不错的机会。