智东西

编译 | 李夏

编辑 | 漠影

智东西5月21日消息，据英国《金融时报》报道，在中国量化对冲基金倍漾量化创始人冯霁博士的专访中，冯霁博士解释了他的计算机科学家团队试图通过机器学习技术影响量化交易投资行业。

他认为量化交易本质上是一项计算机科学任务，并预测那些未能拥抱人工智能的量化基金经理将在三年内被淘汰出局。

在与英国《金融时报》亚洲科技记者Zijing Wu的对话中，冯霁谈到了他的团队如何颠覆了中国量化交易行业。团队成员均是没有金融背景的计算机科学家，但他们正在对这一领域进行革新，并抱有走向全球的雄心。

他说道，量化交易正在吸引最优秀的人工智能人才，同时为像DeepSeek这样的初创公司提供了极具潜力的发展土壤。

Zijing Wu：与美国和欧洲相比，量化交易在中国仍然相对较新。您能描述一下中国当前的量化交易格局吗？

冯霁：中国的第一波量化交易浪潮始于一些非常有才华的华人交易员从华尔街回国。大约在2013年，监管政策发生了变化，允许量化交易进入，同时中国市场引入了更多对冲工具，为这一代中国量化交易员的崛起创造了良好的环境。他们的表现非常出色，至今仍是一些最大基金的领军人物。

我们是第二代人，与前辈截然不同。我们来自“圈外”，没有任何金融背景。我们认为量化交易与其他数据挖掘和分析任务一样，没有什么特别之处。我们将其视为一个纯粹的人工智能任务，因此我们的团队仅由计算机科学家和工程师组成。

Zijing Wu:你们如何将人工智能应用于量化交易？你们的方式与传统的量化交易有什么区别？

冯霁:过去10年，人工智能技术取得了显著进展，尤其是在时间序列数据建模方面。无论是语言还是多媒体人工智能模型，从根本上说，都是关于时间序列数据的建模。

例如，ChatGPT的核心任务是预测下一个词，这与量化交易本质上是一样的。只不过我们不是预测下一个词，而是预测下一个时间间隔内价格的涨跌。

传统量化基金通常会将团队划分为几个职能，分别专注于交易流程的不同阶段，主要是因子寻找、信号生成、建模和策略制定。这些职能相互独立，且彼此之间相对隔离。

我们认为所有这些阶段本质上都是同一个机器学习任务，并且用同一个基础模型整体地来处理。这对运营产生了深远影响。这就好比在ChatGPT出现之前，语言处理公司也有类似的团队划分，分别专注于分词、标注、分析等。现在ChatGPT可以用同一个模型同时完成所有这些任务。

Zijing Wu：为什么您的整体性方法优于传统的分工模式？

冯霁：首先，你可以基于机器学习预测和规划系统的升级。就像ChatGPT推出第一代模型时，你基本上可以预估第二代会是什么样子，以及需要多长时间才能实现。能够系统地持续升级是量化基金经理的关键。

第二个优势是成本效益。我们不用雇佣50个人来寻找因子，而是使用100个GPU和一个人来编写因子寻找的算法。结果不仅更好，而且速度更快。其他阶段也是如此。

Zijing Wu：请问贵公司的团队规模有多大？目前管理的资产规模是多少？

冯霁：我们目前管理的资产规模接近人民币70亿元（约合9.7亿美元），团队成员大约有30人。其中三分之二从事研究工作，其余人员则专注于运营工作。我们的研究主要是改进算法和我们自己的基础模型。

Zijing Wu：业界如何看待你们的成果和影响力？

冯霁：当我们四年前刚开始做这件事时，许多人认为这是不可能的。一群计算机科学家怎么可能理解商业和市场呢？事实是——我们不了解，而且我们也不需要了解。实际上，我们之前没有任何人做过股票交易。我们将其视为一个纯粹的机器学习任务，而且这是完全可以做到的。

现在，几乎没有人再对我们表示怀疑了。相反，所有人都在急切地询问我们，他们该如何更有效地利用人工智能。

所以我的预测是，在三年内，那些未完成人工智能转型的量化基金经理将会被市场淘汰。因为这个领域竞争日益激烈，机器学习将成为一项必备工具。没有理由不去采用这项技术。

Zijing Wu：您是否从零开始构建自己的模型？能否为我们简单介绍一下它在交易中的具体运作方式？

冯霁：是的，我们完全是自己搭建的。因为市场数据和行为与例如语言数据有着非常不同的特点。我们处理的内容复杂得多，因此需要为其构建专门的模型。

我们通常专注于短期交易，时间范围从几分钟到几小时不等。这是人工智能最擅长的领域。它类似于天气预测。如果需要预测一个月后的天气，准确度可能不会太高，但如果预测五分钟后的天气，准确度就会非常高，因为可以捕捉到许多信号。

短期信号相对来说更容易预测，而且我们已经分析了足够多的数据，可以进行高质量的预测。我们将实时全面评估从分钟到小时不同信号的预测表现。随后，对这些预测进行综合评分，并基于这些评分构建一个动态的交易组合。

Zijing Wu：这是否意味着您完全不在乎基本面分析？

冯霁：基本上可以这么说。基本面因素和另类数据因素在一天内的变化非常小，我们主要依赖于交易数据。短期价格波动的核心驱动力是交易数据。

Zijing Wu：为什么您和您的团队选择了量化交易，而不是当前更受欢迎的人工智能创业方向，例如专注于大型语言模型的领域？

冯霁：在获得机器学习领域的博士学位后，我花了大约一年的时间探索机器学习和人工智能在各个方向上可能产生颠覆性影响的领域，而不仅仅是对现有工具的简单升级。

我当时考虑的第二个因素是它是否能带来良好的现金流。我意识到，当时大多数的人工智能独角兽企业并不盈利。

虽然它们可能在做一些具有价值的事情，但要维持下去却相当困难。对于其中的许多企业来说，它们的成功很大程度上依赖于销售能力而非技术，因为它们的核心技术差异化有限。

作为一个对技术痴迷的“超级技术控”，我觉得自己对那些高度依赖销售驱动的业务并没有兴趣。然后，我发现了量化交易，这完全符合我的期待。这是一个可以利用人工智能重新定义的行业。

它不仅局限于传统的线性模型，还具有创建神经网络或随机森林的潜力。这是一个让我倍感兴奋的挑战。同时，这也充满了颠覆性。就像设计一个全新的电动车工厂，彻底颠覆传统汽车制造业一样。

量化交易的另一个好处是它的结果非常容易验证。通过一天内进行超过一千笔交易，你可以立刻判断自己是否走在正确的道路上。

这几乎完全由技术驱动。大多数量化公司都由具有技术背景的人领导。因为如果你自己不了解技术，就无法管理一群书呆子和天才组成的团队。

Zijing Wu：我们这里说的到底是哪些书呆子和天才呢？

冯霁：我们的团队，包括我本人在内，都拥有计算机科学竞赛的背景。在我们团队的30人中，有13人获得过国际金牌。我们团队的金牌密度可能比任何一家科技巨头都要高。

量化交易是一个天才聚集比例最高的行业，美国也是如此。我相信，全美顶尖的机器学习人才大约80%集中在华尔街，而只有20%在硅谷。

Zijing Wu：这是否也是DeepSeek从中国的量化基金中诞生的原因？

冯霁：确实如此，这一点我一点都不感到意外。DeepSeek对大语言模型（LLM）的关键贡献，是降低了工程成本并提升了GPU之间的通信效率。

这对量化交易员来说是自然而然的，因为我们衡量时间的单位是纳秒到微秒，而传统互联网公司采用的时间尺度则是秒，最多也只是毫秒。

例如，一个拥有十亿用户同时在线的大型科技平台，需要确保没有延迟，毕竟人类的反应时间通常在50到150毫秒之间。如果出现10毫秒的延迟，这也完全可以接受。

然而，在量化交易领域，1毫秒的差距就已经是“永恒”了。量化交易领域也是通过健康的现金流吸引顶尖人才的地方。

十年前，它吸引了来自数学和物理学领域的最聪明的人才，因为他们可以将自己的数据分析技能转移到金融领域。

但如今，这一领域正逐渐被计算机科学家占据。因为我们甚至不需要进行技能转换——机器学习本质上就是在设计最佳工具来分析数据。

无论这些数据来自金融领域，还是其他任何领域，都没有本质区别。赚很多钱也意味着团队有余力去探索他们更感兴趣的领域。我将这一现象称为“技术溢出效应”。

当你拥有大量天才人才和充足的资源时，他们能够基于类似的核心技能衍生出一些不相关的技术。

在历史上，这样的情况发生过很多次。例如，对冲基金D.E.Shaw的创始人建立了一个大型科学研究中心，用自主研发的超级计算机进行化学研究。这与量化交易没有直接关系，但却应用了类似的核心技术。

Zijing Wu：正如DeepSeek一样，您的团队成员全部来自中国教育背景。您如何比较中国和美国的年轻人才？

冯霁：如今，两者之间的差距已经非常小了。我们基本上是在同一水平上竞争。而且得益于中国教育体系对科学和技术的更关注，中国拥有更大规模的人才库。我们在工程能力和算法创新方面尤其强大。

在过去十年中，世界各地的聪明年轻人可以在开源人工智能平台上自由交流、相互学习并合作。这为这一代中国程序员提供了迎头赶上世界领先技术的绝佳机会。

关于中国年轻一代人才的另一个特点是，与他们的父母不同，他们大多出生在中产阶级家庭，不需要为了谋生而去做自己不喜欢的事情。

我们团队的大多数成员都在二十多岁，我是37岁，是其中最年长的。他们的首要任务是玩得开心。所以他们更愿意加入像我们这样小型的研究型团队，而不是去大型科技公司，因为在大型科技公司，他们可能不得不以某种方式应对办公室政治。他们更愿意与同样聪明的同事一起工作，并且管理者能够与他们说同一种语言。

出生在富裕环境中也意味着这一代中国年轻人才比他们的父母更理想主义。你看到更多的人进入研究领域，而不是为了快速赚钱而进入金融领域。我们真的想做一些能够改变世界的事情。

Zijing Wu：你们团队的日常工作安排是怎样的？

冯霁：这基本上就像一个研究所。没有着装要求——短裤和拖鞋是最常见的。我们会在市场开盘前到岗，开始编程，就工作内容进行讨论，并在市场收盘前一起回顾表现。

之后进行一些实验，阅读并讨论几篇研究论文，然后回家。我们与研究所的区别在于，我们拥有更好的资源。我们自建了计算能力。计算能力越强，结果处理得就越快，效率也就越高。这一点非常重要。

Zijing Wu：对于您和您的团队来说，最终目标是什么？

冯霁：在中期，我们希望打造一家来自中国的世界领先的AI原生量化基金。我们目前主要在中国市场交易，并且正在寻求拓展到关键的海外市场。

当人们谈论量化基金时，他们都会想到华尔街的顶级公司，很少有人知道中国的基金。虽然第一代中国量化基金借鉴了华尔街的方法论，但我们第二代管理人期望通过构建AI原生特质，我们有望实现更显著的差异化竞争，获得与全球领军者同台竞技的机会。

从长远来看，我们希望打造一家计算公司。我们对许多潜在领域都感到兴奋，我们可以将我们的技术应用到这些领域。大型语言模型并不一定是人工智能的最佳应用。

来源：英国《金融时报》