目前市場環境下，哪些量化因子表現較為突出，背后的驅動因素是什么？像量價關系因子中的動量效應、反轉效應，在當下市場波動特征下，是如何發揮作用的？

(蓋亞青柯私募基金 聯合創始人 李智）

目前A股仍是結構性行情——指數創四年新高并伴隨高活躍度（日均成交約2萬億），但個股分化與板塊輪動節奏很快。在這樣的市場環境下，一些量化因子確實表現得比較突出。特別是那些能夠捕捉市場情緒和短期波動的因子，在近期的市場條件下顯得尤為有效。這些因子背后的驅動因素主要是投資者行為以及市場情緒的變化，尤其是在市場不確定性增加時，這種變化會更加明顯。不過，不同類型的因子在不同的市場階段會有不同的表現，因此我們需要持續監控并調整策略以適應市場的變化。

近年來另類數據在量化策略中的應用越來越多，比如新聞情緒因子、衛星圖像因子、專利數據因子等。您在實際投資中，如何獲取和運用這些另類數據？它們為您的量化策略帶來了哪些顯著的提升或改變？

另類數據通常被用作傳統價量和財報數據的補充信息源，旨在提升信號的前瞻性和廣度。簡單來說，另類數據能夠更早地反映事件、產業鏈或情緒層面的變化，從而縮短信息滯后，豐富因子維度，并提高模型在結構性機會中的區分度。然而，這類數據本身噪聲較大且穩定性較低，因此在實際使用中更強調質量控制、穩健性檢驗和治理流程，確保其作為候選信號進入模型庫后是可解釋且可持續的增量來源。依托深厚的學術研究積累，我司團隊在另類數據的開發與挖掘方法上積累了豐富的經驗，并與超過10家優質數據供應商建立了長期而緊密的合作關系。

隨著量化投資的普及，策略同質化問題逐漸凸顯。您所在的團隊如何通過因子創新、模型優化等方式，保持量化策略的獨特性和競爭力，避免陷入策略擁擠的困境？

當前量化行業普遍面臨高度同質化問題：數據來源單一，主要依賴價量數據，導致信噪比較低；Alpha 研發體系與模型也趨于同質化，多因子方法、機器學習模型不斷內卷，拼的是頻率、速度、算力與設備；同時，廣泛使用的風險模型（如 Barra）也容易導致風格擁擠，周期性與極端事件頻發。針對這一困境，蓋亞青柯提出了獨特解決方案：首先，憑借 10 年以上另類數據開發經驗和 15 家以上供應商資源，深度挖掘新聞、公告、社交輿情等非結構化、多樣化、時效性強的數據，提升信息維度；其次，基于復雜系統理論和行為金融理論構建具有反身性和邏輯性的技術模型，實現多頻段因果邏輯融合，避免單一市場結構局限；最后，依托超過 30 年的極端風險研究基礎，建立獨創的“龍王”風控體系，通過極端風險監測、情景演繹和人機結合干預，實現對極端事件的前瞻管理。

量化策略在不同市場周期，如牛市、熊市、震蕩市中，表現往往有所差異。您能否分享一下，針對不同市場周期，您是如何對量化策略進行動態調整和優化的？調整的依據和指標主要有哪些？

我們的模型會持續跟蹤市場的日度回報率、波動率和成交量等關鍵指標，以把握整體趨勢和市場活躍度，同時結合宏觀經濟數據、政策變化及市場情緒進行分析，從而獲得更全面的市場視角。在此基礎上，我們能夠更精準地判斷市場狀態，并動態調整因子的使用策略。與此同時，風控模型也會嚴密監測市場運行，一旦出現極端異常值或“龍王”事件，我們將立即召開投研與風控會議，研判潛在原因并及時調整策略。此外，我們會不斷擴充和更新數據源，迭代優化因子庫，并通過定期的策略討論會議，持續完善和升級投資體系。

人工智能技術在量化投資中的應用日益深入，例如機器學習、深度學習等。這些技術在您的量化策略構建、因子挖掘、風險預測等環節中，具體發揮了怎樣的作用？相較于傳統量化方法，它們帶來了哪些優勢和挑戰？

AI 的核心局限在于容易陷入歷史擬合，本質上是基于過去信息來預測未來趨勢。這意味著當市場狀態發生重大轉折時，許多模型往往會同時失效。同時，AI 模型往往缺乏透明度，對數據質量依賴度極高，一旦市場出現結構性突變或極端行情，模型可能失效并放大風險敞口。對此，我們的應對策略是堅持因子的邏輯性與可解釋性，所有因子必須經過人工挖掘與因果驗證；在因子檢驗和因子組合階段，我們會適度引入機器學習和非線性方法，主要作為提高開發效率的工具，而不是依賴黑箱模型進行盲目挖掘。同時，在風險控制上，我們采用人機結合的方式，通過極端風險監測、應急預案響應與人工干預相結合，確保策略能夠在復雜環境中保持穩健性。

中性策略方面

量化中性策略通過對沖市場風險來獲取選股超額收益，但在實際操作中，基差的變化對策略收益影響較大。您如何看待當前市場的基差水平？對于新建倉的中性策略，基差處于何種狀態較為有利？已建倉的中性產品，又該如何應對基差波動帶來的風險？

基差波動對市場中性產品來說確實是一個重要影響因素，它不僅關系到對沖的效果，也會影響整體收益的穩定性。我們的應對思路是多維度的：一方面，在日常管理中我們會把基差作為核心監測指標，結合倉位和對沖比例進行動態調整；另一方面，我們也會引入一些跨期的策略，來降低對沖成本，減少單一期貨合約帶來的基差壓力。此外，我們會結合宏觀環境和流動性情況，對組合進行適度優化。整體來說，我們更強調穩健與靈活，在基差管理上不會依賴單一手段，而是通過多層次的風險控制來保持中性產品的平衡性。

回顧過去幾年，量化中性策略在不同年份的收益表現分化明顯。比如 2019 - 2020 年表現突出，而 2024 年卻相對平淡。您認為造成這些差異的主要原因是什么？從這些歷史經驗中，對于投資中性策略的投資者，有哪些啟示？

中性策略的收益表現確實會隨著年份出現分化，這主要還是跟市場環境密切相關。不同階段的市場風格、流動性狀況以及宏觀政策，都會對因子的有效性和策略表現產生影響；同時，基差波動、行業輪動以及投資者行為變化，也會帶來一定差異。總體來看，這是策略與市場周期互動的自然結果。比如說像今年，市場環境相對友好，成交量和流動性都比較充足，這對中性策略的發揮非常有利，我司的產品在同類中就處于市場前列。

在極端市場情況下，如 2024 年 2 月小微盤爆發流動性危機、9 月底股市大漲時，量化中性策略遭遇了較大挑戰。在這些特殊時期，您是如何通過風險控制措施，如倉位管理、止損機制等，來降低策略的損失，保障投資者利益的？

在 2024 年初，我們的龍王風控系統成功識別并應對了尾部極端風險。12 月下旬，模型提示滬深 300 指數見底信號逐步增強，我們相應加大了大盤股配置；1 月 19 日，系統又捕捉到小盤股的極端風險信號，并結合雪球和量化爆倉等因素的推演，我們果斷關閉了所有小盤敞口，有效規避了風險。進入 2 月 5 日，模型再次提示中證 500 指數見底信號顯著增強，我們及時加大了對相關成分股的配置，進一步強化了組合穩健性。整個過程中，市值敞口始終保持滿倉運行，無敞口擇時，充分體現了龍王風控系統在極端環境下的前瞻性和有效性。同時，在 2024 年 9 月之后，市場狀態發生轉變，我們也靈活切換至高頻策略，快速修復了回撤，并在回撤修復后進行了策略降頻。

量化投資整體方面

近期有觀點認為，隨著市場參與者結構的變化，如專業機構持股占比的改變、散戶資金活躍度的提升等，可能會影響量化策略捕捉超額收益的有效性。您是否認同這種觀點？如果是，您認為市場參與者結構的哪些變化，對量化策略的影響最為顯著？您的團隊又是如何應對這些變化的？

市場參與者結構的變化對量化策略的影響還是比較顯著的。比如近年來機構投資者比例有所提升，整體交易行為更趨向理性化，這對因子的有效性和市場波動特征都會產生影響。我們的因子研發會格外關注市場參與者的決策邏輯和交易手法，而不是單純依賴歷史統計關系。另外，目前 A 股機構投資者的占比相比美股仍處于一個較低的水平，市場中還保留著較多非理性行為和結構性機會，這為量化策略保留了較好的 alpha 空間。應對這些變化，我們更多是通過因子迭代和風險控制體系的升級，來保持策略在不同市場環境下的穩健性和適應性。

量化投資在追求自動化和紀律性的同時，是否需要人工干預，一直存在爭議。在您的實際投資過程中，哪些情況下您會選擇進行人工干預？人工干預與量化模型之間，如何實現有效的平衡和協同，以達到最佳投資效果？

量化投資的自動化和紀律性主要體現在日常的信號生成、交易執行和倉位管理上，這些環節都是嚴格遵循模型，不會因為個人的情緒或主觀判斷去隨意調整。只有在極少數情況下，比如我們有明確依據判斷模型可能失效，或者市場進入極端狀態時，才會進行人工干預。例如我們的“龍王風控系統”，平時通過自動化的極端風險監測來保持紀律性，一旦捕捉到風險信號，就會啟動應急預案，并結合人工干預來做最終的把關。

從長期來看，量化投資在資產配置中扮演著越來越重要的角色。對于普通投資者而言，在構建投資組合時，應該如何合理配置量化投資產品，如量化基金、量化中性產品等？配置比例和時機的選擇，需要考慮哪些因素？

對普通投資者而言，配置量化投資產品的關鍵在于首先想清楚自己的風險承受能力和投資目標：若以穩健為主，應更多配置中性策略類產品，起到對沖和穩固組合的作用；若追求長期增值，則可適度增加權益量化比例。但需要強調的是，市場上很多量化產品本身是為機構投資者設計的，普通投資者直接配置未必合適，因此我們更推薦通過我司的多策略自動配置方案，在不同市場環境下動態平衡進攻與防守，并在極端風險事件發生時由風控體系自動介入，以確保組合的長期穩定性和韌性。

量化投資的發展離不開數據和技術的支持，但同時也面臨著數據安全、算法合規等問題。在當前監管環境下，您所在的機構在保障數據安全、確保算法合規性方面，采取了哪些具體措施？這些措施對量化投資業務的開展，產生了怎樣的影響？

首先，在數據安全方面，我們采用分級權限管理、加密傳輸和隔離環境，確保不同業務線的數據流動可控，并引入外部的安全審計來定期檢測漏洞。其次，在算法合規上，我們建立了模型開發-測試-上線-復盤的全流程合規體系，每一個策略在運行前都要經過多維度的壓力測試和風控審核，確保不會因過度杠桿、隱性風險暴露而觸碰監管紅線。這些措施的結果是，雖然前期投入的人力和時間成本更高，但長期來看讓我們的業務運行更加穩健，也提升了客戶的信任度和機構的可持續發展能力。

展望未來，您認為量化投資領域還將面臨哪些機遇和挑戰？在技術創新、市場環境變化等因素的推動下，量化投資策略可能會朝著哪些方向發展？您所在的團隊在未來的量化投資布局上，有哪些規劃和重點？

一方面，市場結構逐步成熟、機構投資者比例上升，推動了對量化策略的需求；另一方面，隨著競爭加劇，傳統因子的超額收益會逐漸收斂，策略創新和差異化競爭將成為關鍵。從技術層面看，大模型、深度學習、實時數據處理等手段會逐步融入量化投研體系，幫助我們更好地理解市場參與者的行為邏輯。我們團隊的布局重點有兩個方向：第一是跨市場與多資產配置，不僅在A股，也會逐步拓展至港股、商品和衍生品，以增強策略的穩健性；第二是風控與智能化結合，繼續迭代“龍王風控系統”，通過AI與人機結合，更高效地應對極端風險。我們相信，量化投資的未來不僅是收益提升的工具，更是資產配置和風險管理的核心樞紐。

溫馨提示：以上內容僅為參考，不構成投資建議。市場有風險，投資需謹慎。