七禾网注：嘉宾回答仅代表其本人观点，不代表七禾网的观点及推荐。金融投资风险丛生，愿七禾网用户理性谨慎。

上海均直资产管理有限公司

公司成立于2015年3月，专注于股票和商品期货量化策略，为机构投资者和高净值客户提供专业的资产管理服务。公司拥有自主研发的量化研究系统和程序化智能交易系统，团队成员均毕业于海内外名校，核心人员曾长期在境内外顶尖金融和专业服务机构工作。

秉持着打造第一流量化投研交易平台的理念，用最优秀的人，正确的方法，为投资人提供长期稳健的收益。

杨小雨（笔名：渔阳）

上海均直资产管理有限公司投资总监。曾著有金融类畅销书《乱世华尔街》。

精彩观点

我认为量化交易需要两种能力，如果是新入行的年轻人，主要是数学能力和计算机能力。

我建议年轻人一定要在技术上面多下工夫，只要这点做到了，肯定这行里有你的一席之地。

我个人认为量化在很大程度上是一个工程学的问题。你找靠谱的量化基金来听他们路演，大家讲的都差不多。你捂上名字，可能很难说出谁是谁家。那为什么最终业绩会不一样？或者关键时间点的业绩不一样？很大程度取决于这个工程学的实现。同样一件事儿，也可能策略一模一样，工程学问题解决不好的就不行，工程学做得好的就能赚钱。

我们最基本的投资哲学：量化投资本质上是一个概率游戏，或者说是一个统计学游戏。

说实话没有一招鲜，单看任何一个信号、任何一个品类、任何一个技术细节似乎都不那么重要，但它们组合起来一起用，才能够看出优势。

超额收益的稳定性主要靠多策略。

至于超额收益来源，则要求高信号质量，快执行速度。

总的来说，你不去择时，我觉得多半不会错，你去择时，就需要小心。

正反馈不可能永远持续，负反馈也不可能永远持续。

有时候赚钱，一定程度上靠运气，但是怎样活到你运气好的那天呢？这就要靠风控。不能乱下注，有机会的时候再下注。

我认为人才首先是需要能够学到东西，能够发挥出自己能力的这样一个舞台。

量化机构不仅要做好投资，还要知道本质是服务好客户。

问题1：杨总您好！感谢您在百忙之中与东航金融&七禾网进行深入对话。您在美国创办过量化对冲基金，曾在瑞士信贷银行担任过IT工程师，法国巴黎银行担任过固定收益自营交易员，您在美国有令人羡慕的事业，为什么会选择回国发展？

渔阳：有以下几个原因。首先，从事业的角度，中国有更好的机会。我们国家在2014年下半年私募阳光化，我在2015年初选择回国。在此之前，我一直关注这方面的机会。原来中国没有对冲基金，后来忽然有了。我一直有一个观点，在《乱世华尔街》当中也写到过，并反复提过，新游戏是最容易赚钱的。当时对冲基金在中国是个新事物，量化也是个新事物，那么显然机会非常好，从过后时间的发展，我觉得也是这样。现在中国新增的百亿基金，主要也是量化，我们虽然还没有做到百亿，但我们也在向这个方向前进，所以这是第一个原因，机会很好。

第二，美国市场，赚钱越来越难。在一个市场做得久了，会觉得新鲜感变少了。我们知道有效市场假说，玩得越久，会发现这个市场越来越向有效的方向走。事实上，从过去这六七年的经验来看，这个判断也是正确的，美国的对冲基金总的来说是越来越难做了，原来一些耳熟能详的基金，后来业绩都不是太好，现在剩的没有那个时候多，而且剩的主要也是量化机构。量化这行本来竞争就非常激烈，用咱们的话来讲，卷得很厉害。所以当时选择回国发展就是选择一个相对不那么卷的市场。

最后，也就是个人方面，我觉得那时候孩子还小，说回国要带他在中国生活几年，这个目标也都顺利实现了。

问题2：您有24年行业实战经验，跨越牛熊，涵盖中美两国金融市场，站在一名交易者的视角，从美国到中国，有什么不一样吗？

渔阳：有很多基本的逻辑还是比较相似，特别是涉及人性方面的。另外，涉及到整个经济周期，包括货币政策周期，相似的成分居多，并且我觉得这是金融市场最重要的驱动力。

再看不一样的方面，我觉得在市场发展的微观结构上有所差异，以及市场发展的周期，或者说生命周期不太一样。美国还是发展在咱们前面，比如以美国的量化为例，它应该是80年代末开始的，最初是一些套利策略，包括摩根士丹利，都是80年代末开始的。我们现在耳熟能详的一些大的对冲基金像Two Sigma、Citadel，他们大概都是2000年前后创立的，这基本上比我们要快15到20年。但有一点是我当时在回国前可能考虑的不够充分，觉得所谓的拿着国外的先进经验回到这来还有优势，拿着先进武器来吊打别人，但实际上我发现我们国家人学得很快，另外我国市场也有一些独特的地方，所以大家基本上还是站在一个比较平等的起跑线上来做投资。

最后一点，我还在思考，就是中美市场可能从宏观的顶层设计上是不一样的。它体现在微观的交易层面，也会有所差别。美国是自由资本主义经济，可以理解为市场原教旨主义，认为市场的存在就是正义的。所以任何干预市场的行为都是政治不正确的等等，他相信市场本身。但中国，资本市场是被认为发展经济的一种工具，它有更高层次的要求，比如经济发展 、人民的美好生活是第一位的，市场的存在是为这个服务的，所以我觉得这会导致很多政策上面的不一样。可能在中国，更多的是要理解政策，要理解现在是鼓励什么，不鼓励什么，这可能是中美一个比较大的区别。

问题3：您在学生时代在中美顶尖学府有过数学、计算机、金融工程的学业背景，请问这些基础学科的学习对您日后创办量化私募有多大帮助？除此之外，您觉得量化交易还需要哪方面学科的积累？

渔阳：对于量化私募而言，这些基本是必备的。像我最早是北大数学专业毕业的，然后在美国密歇根大学学过计算机，在加州大学伯克利分校学过金融工程，这在量化机构里算是一个比较标准的简历，说实话谈不上特别顶尖，因为还有很多人像IMO，国际奥赛金牌这样的选手。

除此之外，我认为量化交易需要两种能力，如果是新入行的年轻人，主要是数学能力和计算机能力。在当下时代，我个人认为计算机能力，我们俗称动手能力，可能还更重要一点。因为在刚入行的时候，先得会搬砖，然后慢慢的才能够有机会做一些有创造性的工作。而会搬砖这项技能，只要学就能学会。而创造性的工作，并不是每个人都能做的。所以我建议年轻人，一定要在动手能力上面加强。我们在面试过程中，很多人是怎么被刷掉的？无论在中国还在美国，都有一个共同点，就是因为他干不了活儿，或者他干活儿能力不够强才被刷掉，根本没有机会来看你是否有创造力，还没到这个层次。

另外反过来说，你最后从事比如信号研究、数据研究等工作，你的效率以及准确度都非常重要，那效率和准确度来自于什么呢？很多时候也是你做事比别人快，你计算机玩的熟，你写的程序跑得快，出错少，这样你才能有所突破。所以我建议年轻人一定要在技术上面多下工夫，只要这点做到了，肯定量化这行里就有你的一席之地。至于能不能做到后面，我觉得要看运气，要看个人的天赋或者造化，因为都是很优秀的人，能不能卷得出来，这是不一定的。

对于比较有经验的，或者是投资经理这个级别的，我就不好说应该做什么了，因为每个人都在积累，每个人可能最后也会形成自己不一样的风格。对于我来说，可能算是略微另类的，因为我是交易员出身，所以我还是倾向于站在交易的角度来看待这个市场，我认为市场的本身并不是由数据构成的，量化有几种类别，就像你在电脑上看一幅图一样，你可以认为它是由点阵构成的，这可能是经典量化的观点，但是我会认为这是一幅图，那么这些点只是来表达这幅图，我企图去理解更宏观的层面。那么量化的方法也好，模型也好，更多的是我高效率来表达交易观点的一种方式。可能稍微玄学一点儿，但我的确是这么想的。

问题4：除了均直资产的创始人，您还是一名知名财经作家，您根据自己的投行交易经历写出了畅销书《乱世华尔街》，带着读者体验华尔街乃至全球经济的风云变幻。这段华尔街交易的经历对您在中国私募行业的发展有怎样的帮助？

渔阳：重要的是积累。首先，我认为做交易这事儿，有很大的经验成分在里面，特别是经历过一些大周期，是有帮助的。比如现在我们身处2022年，美联储正好是一个比较大的加息周期，这期间发生了很多事情，跟2008年那波有点相似，再往前跟2000年导致互联网泡沫的加息周期也有点类似。所以我觉得经历过一些大的周期，会有一些宏观的感触，这些对我有帮助。

第二，我觉得实盘交易像打仗一样，纸上谈兵容易，真上了战场，感受完完全全不一样。当我做交易员的时候，做的是债券，不但要用模型，很多时候还直接和人打交道，在电话里跟人家嚷嚷，有点像在一线打仗的感觉，每分钟都有盈亏，市场波动的时候盈亏还是很大的，有点儿像战场上一个老兵，你听见过枪响，躲过炮弹，我觉得这种经历有很大的好处。现在做的虽然是量化交易，也是一样的，市场机会来了怎么办，波动率大了怎么办，有回撤了怎么办，这都是经验的积累。至于当时写这本书，就算是玩票。当时有个朋友鼓励我说，“你这经历挺有意思，而且你本人也比较善于讲故事，不如写出来给大家看看”，所以我就写了。那后来也确实有不少读者跟我说，“看了你写的书，我觉得在华尔街交易很有意思，后来我就做了交易员”。所以我也带了不少人入坑。

问题5：量化投资在欧美市场已经成为一种相对主流的投资方式，我国的量化投资虽然起步较晚，但随着人才、设备、技术等日趋完善，我国量化行业也正逐步走向成熟。作为量化私募，您觉得在量化投资的赛道中跑赢的核心是什么呢？

渔阳：量化投资是利用计算机以及数学模型在分散化投资，所以从宏观上来讲，量化投资犯的错误比较少，特别是人类的常见错误，比如交易方面的几个常见误区：

首先，人类容易过于自信。网上的财经大V，包括一些比较爱说话的主观私募基金经理，普遍都非常自信，他告诉你茅台肯定涨，看好一定会怎么样，其实这是一个过于自信的表现。在我们量化人看来，我也可能承认茅台是一只好股票，但它上涨的概率可能只有55%，就是这么一点点概率优势，而不是一定会怎么样。当过于自信的时候，你就会犯错误，因为你在不应该下很大赌注的时候，下了很大注。如果你运气好， 可能会一战成名。但人不可能一直运气很好，下一次运气不好，就垮下来了。这种例子也很多。然而量化是看数据说话，一般来说不会过于自信。我们不会在一个策略上押太多资金，这从数学的角度上是错误的，量化不会犯这种错误。

其次，对于风险的认知，我们是人，会恐惧。有时候觉得完蛋了，天塌下来了，我得跑！这是人容易犯的错误。但是量化，同样是看数据，我们通过分散风险，或者对风险的认知，不会做这种极端的事情，一般不太会在贪婪的时候追，也不太会在恐惧的时候跑，这样量化犯的错误就少了。那最终从数学的角度来看，可以把量化理解为两大维度，第一是管理好风险，通过分散投资降低风险，这是量化擅长干的事儿。第二，根据盈利概率分散筹码，或者分散下注，盈利概率高的机会，就多下一点，盈利概率低的就少下一点，这就达到数学上接近优化的状态。我们不会觉得有什么是100%的把握，但是我们也同时铺的面很开，这就导致我们不太容易犯错误，或者说不太容易犯大错误。再进一步，我们覆盖面比较广，我认为这就是量化能够表现比较好的一个原因。像2022年很明显的就是量化最靠谱。

今年不是大年，股票基金亏钱的是绝大多数，但是量化策略普遍跑赢了指数。平均而言，差不多跑赢指数10%，这很好了，而且是整个行业，不是个别基金。我们要比这个多一些，我觉得我们是属于做的比较好的。

另外，我觉得现在所有投资里面都有一定量化成分，即便是主观投资经理看数据或管理风险，也会用到量化的一些想法。我个人认为，未来的发展趋势，大家的量化成分都会增加，看美国也是这样，量化基金本身的占比在增加。同时，大家在做投资的，不管是什么风格的投资经理，最终的量化策略都会增加。美国现在前十名的基金已经一大半都是量化机构，这里面既有像Renaissance，Two Sigma这种纯量化的，也有像类似桥水这种比较量化的基金，像以前纯靠主观策略的已经很少。

问题6：您们想赚市场上哪一部分钱呢，又是如何通过技术去实现的呢？

渔阳：这是一个很好的问题，我也一直在思考。有部电影叫《Margin Call》，里面有个大老板说过这么一句话，我觉得很有道理，他说，你想在市场上赚钱，无非三种方法，Be first，be smarter，or cheat。出手快，更聪明，会耍赖。我觉得大体上也逃不过这三种方法，当然cheat是不行的，欺骗就违规了。也不是没有欺骗的人，但这是违规的，像挂钓鱼单，那肯定最终要被罚。还有的发现了券商的接口漏洞，这些违规的方法都不可取。合法的方法，第一是快。天下武功，唯快不破。第二是你比别人更聪明，我们也期望赚这两种钱。谈到“比别人更聪明”，量化的特点是处理信息的能力比较强，可以同时眼观六路，耳听八方，看很多数据，并且寻找其中复杂的规律。这也是为什么现在很多人在尝试使用机器学习模型，无论是截面的，还是从时间序列上挖掘一些相对复杂的但也真实存在的规律，都属于第二种方法，你要比别人更聪明，你的效率要更高。

“出手快”落实在交易层面上是高频。我们有一部分是高频或者偏高频的策略，就是反应很快，有机会来啪就下单了。还有一种快，相当于博弈，因为总有人行动比较缓慢，可能钱比较多或受其它自身特点约束，那你可以跑在这些人的前面。一般趋势策略都是这样，一大波行情来了，螺纹钢从5000点到6000点，你5100冲进去就赚钱了，所以我们企图赚这种钱。如何通过技术去实现呢？首先我觉得还是效率的问题，这跟上述所讲的应具备什么技能等有点类似，即我们企图高效率的去覆盖很多数据，追求用好的数学方法提炼出精髓。在实现的过程当中，很多是靠计算机系统，包括物理布局、机器设备等，所以我个人认为量化在很大程度上是一个工程学的问题。你找靠谱的量化基金来听他们路演，大家讲的都差不多。你捂上名字，可能很难说出谁是谁家。那为什么最终业绩会不一样？或者关键时间点的业绩不一样？很大程度取决于这个工程学的实现。同样一件事儿，也可能策略一模一样，工程学问题解决不好的就不行，工程学做得好的就能赚钱。

我经常跟人家说，量化投资就像造汽车一样，都是四个轮子上扣一个壳子，但是不同品牌的汽车质量很不一样，量化也是这样。